步骤 1：确定您的过程是否稳定
您的过程应稳定，以便可靠地估计过程能力。
控制图可帮助您通过标识数据中的失控点、模式和趋势来监视过程的稳定性。
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。
在此 U 控制图中，点随机变化，且在控制限制之内。未显示出任何趋势或模式。但是，第 17 日的单位缺陷率不受控制。在评估过程能力之前，需调查和消除可能于当日导致异常高 DPU 的任何特殊原因。
步骤 2：确定数据是否服从 Poisson 分布
在您评估过程的能力之前，确定其是否服从 Poisson 分布。如果数据不服从 Poisson 分布，则可能无法可靠地估计过程能力。Minitab 所显示的用于评估数据分布情况的图形取决于子组大小是相同还是不同。
子组大小相同
如果所有子组大小相同，Minitab 会显示 Poisson 图。
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。
Poisson
在此图中，数据点紧密地分布在这条线的周围。您可以假设数据服从 Poisson 分布。
非 Poisson
在此图中，数据点不沿图右上部附近的线分布。这些数据不服从 Poisson 分布，并且无法使用 Poisson 能力分析对其进行可靠评估。
子组大小不同
如果子组大小不同，Minitab 会显示缺陷率图。
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。
Poisson
在此图中，点随机分布在中心线周围。您可以假设数据服从 Poisson 分布。因此，可使用 Poisson 能力分析评估数据。
非 Poisson
在此图中，模式不是随机的。对于大于 120 的样本数量，DPU 随样本数量增加而增大。此结果表明在样本数量和缺陷率之间可能存在相关性。因此，数据不服从 Poisson 分布，并且无法使用 Poisson 能力分析对其进行可靠估计。
步骤 3：评估单位缺陷均值 (DPU)
检查 均值 DPU(P) 估计和置信区间
使用样本数据的 DPU 均值估计过程的 DPU 均值。使用置信区间作为估计的误差余量。
置信区间提供了您过程中 DPU 均值实际值的一系列可能值（如果能收集和分析其生成的所有项）。当置信水平为 95％ 时，可以 95％ 地确信过程的实际 DPU 均值包含在置信区间内。即，如果您从过程中收集 100 个随机样本，可预期约 95 个样本将生成包含 DPU 均值实际值的区间。
置信区间有助于评估样本估计结果的实际意义。如果您具有一个基于过程知识或行业标准的最大允许 DPU 均值，则将置信上限与该值进行比较。如果置信上限小于最大允许 DPU 均值，则可以确信您的过程符合规格，即使考虑将影响估计结果的随机抽样中的变异也是如此。
主要结果：均值 DPU(P)，CI
Poisson 能力分析结果中包括一个汇总统计表，其位于输出内容中间偏下部分。在此估计的汇总统计表中，目标 DPU (0.0250) 表示过程的最大允许 DPU。均值 DPU 估计结果是 0.0225，其小于最大允许值。但是，DPU 均值置信区间上限是 0.0265，其超过了最大允许值。因此，您无法 95％ 地确信此过程有能力。可能需要使用更大的样本数量或者减少过程变异，以获得针对 DPU 均值估计的更窄置信区间。
| 汇总统计 | |
|---|---|
| （95.0％ 置信度） | |
| DPU 均值： | 0.0225 |
| 置信区间下限: | 0.0190 |
| 置信区间上限: | 0.0265 |
| 最小 DPU: | 0.0000 |
| 最大 DPU: | 0.0661 |
| 目标 DPU: | 0.0250 |
确定您是否具有足够数据以进行可靠的估计
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。
样本足够
在此图中，DPU 稳定地沿 DPU 均值线分布。因此，该能力研究包含足够的样本，以生成 DPU 均值的稳定可靠的估计。
样本不够
在此图中，DPU 不稳定。因此，此能力研究未包含足够的样本来可靠地估计 DPU 均值。
