解释Poisson 能力分析的所有统计量和图形

解释

可使用 U 控制图在视觉上监视单位缺陷数，以及确定缺陷比率是否稳定并受控制。

红点表示至少未通过一个特殊原因检验且不受控制的子组。失控点表示过程可能不稳定，并且能力分析的结果可能不可靠。您应该在分析过程能力之前确定点失控的原因并消除特殊原因变异。

解释

使用特殊原因检验，可以确定需要调查的观测值和您数据中的具体模式和趋势。每项检验特殊原因检验将检测您数据中的具体模式或者趋势，这将揭示过程不稳定性的不同方面。

1 个点，距离中心线超过 3 个 标准差(P)

检验 1 会标识与其他子组相比异常的子组。检验 1 是公认的、用于检测失控情况的必要检验。如果对过程中的较小偏移感兴趣，则您可以使用检验 2 来补充检验 1，以便创建一个具有更高敏感度的控制图。

连续 9 点在中心线同一侧(N)

检验 2 会标识过程变异中的偏移。如果对过程中的较小偏移感兴趣，则您可以使用检验 2 来补充检验 1，以便创建一个具有更高敏感度的控制图。

行内连续 6 点，全部递增或全部递减(S)

检验 3 检测趋势。该检验会查找值一致增加或减少的长序列连续点。

行内连续 14 点上下交错(F)

检验 4 检测系统变异。您希望过程中的变异模式随机，但是未通过检验 4 的一个点可能表明，变异模式是可预测的。

解释

可使用累积 DPU 图帮助您确定是否已收集了足够的样本，从而能够获得 DPU 的稳定估计值。

检查按时间排序的单位缺陷值，以查看当收集更多样本时估计值如何变化。理想情况下，DPU 应在几个样本后稳定，由沿 DPU 线的变平绘制点显示。

解释

可使用 Poisson 图评估数据是否服从 Poisson 分布。

检查此图以确定绘制点是否大致遵循一条直线分布。如果不是，那么“数据是从 Poisson 分布采样的”这一假定可能是错误的。

解释

可使用缺陷率图验证您的数据是否为 Poisson 数据，方法是检查单位缺陷数是否在不同样本数量之间保持不变。

检查此图以查看单位缺陷数 (DPU) 是否在整个样本数量中随机分布，或是否存在一种模式。如果数据随机分布在中心线周围，则可以推断数据服从 Poisson 分布。

解释

可使用 DPU 分布直方图评估样本中单位缺陷数测量值的分布。

检查单位缺陷数的分布峰值和展开。峰值表示最普通的值，并接近于单位缺陷数的中心。评估展开以了解样本中单位缺陷数的变化程度。

将目标值的基准线与直方图的条形进行比较。如果过程有能力，则大多数或所有直方图条形应在目标值的左侧。

解释

可使用 DPU 均值估计可预期的每单位平均缺陷数，以及确定过程是否满足客户期望。

将 DPU 均值与目标 DPU 进行比较，以查看过程是否满足要求。如果 DPU 均值比目标高，则应改进过程。

还应将目标值与 DPU 的置信区间上限进行比较。如果置信区间上限大于目标值，您将无法确信过程的 DPU 均值低于目标。您可能需要更大的样本数量以更有信心地确定过程达到目标。

解释

由于数据样本是随机的，因此从过程收集的不同样本不可能生成相同的能力指数估计值。要计算过程能力指数的实际值，您将需要分析由过程生成的所有项数据，而这是不可行的。您可以改为使用置信区间来确定能力指数值的可能范围。

在 95% 置信水平下，您可以 95% 地确信能力指数的实际值包含在置信区间内。也就是说，如果您从过程中收集 100 个随机样本，则可以预计 95 个样本生成的区间中包含能力指数的实际值。

置信区间有助于评估样本估计值的实际意义。如果可能，基于过程知识或行业标准将置信界限与基准值进行比较。

例如，某制造过程的每单位最大允许平均缺陷率是 0.025％。通过使用 Poisson 能力分析，分析将获得均值 DPU 估计值 0.011％，这表明该过程有能力。但是，对于均值 DPU 的置信区间上限为 0.029％。因此，分析师无法 95％ 地确信总体分布的均值 DPU 不超过最大允许值。他们可能需要使用更大的样本数量或者减少数据变异，以获得针对样本估计的更窄置信区间。

解释

可使用最小 DPU 估计可预期的每单位最小缺陷数。

解释

可使用最大 DPU 估计可预期的每单位最大缺陷数。

解释

将 DPU 均值与目标 DPU 进行比较，以查看过程是否满足要求。如果 DPU 均值比目标高，则应改进过程。

还应将目标值与 DPU 的置信区间上限进行比较。如果置信区间上限大于目标值，您将无法确信过程的 DPU 均值低于目标。您可能需要更大的样本数量以更有信心地确定过程达到目标。