SPC 补强培训课程-1.ppt

頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 4.4統計量的分配：確立“分組抽樣”的概念 4.4.1樣本平均值x的分配 4.4.2樣本全距(極差) R的分配 4.4.3樣本變異s2的分配 (參見《大全(上)》，p64-73) 4.4.1樣本平均值x的分配 (參見《大全(上)》，p65) 4.4.2樣本全距(極差) R的分配 (參見《大全(上)》，p65-66) 4.4.3樣本變異s2的分配 (參見《大全(上)》，p66-68) 演算案例 (參見《大全(上)》，p68-73) 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 頁眉 * 瓷磚製造實驗(8/12) 瓷磚製造實驗(9/12) 七、決定最佳組合： 取每個因素2個水準中S/N比數值較大者，為最佳組合。 A1, B2, C2, D1, E2, F1, G2 意即，最佳組合為： A:石灰石量 A1=5% (新案) A2=1% (現行) B:添加物粗細度 B1=粗(現行) B2=細(新案) C:蠟石量 C1=43% (新案) C2=53%(現行) D:蠟石種類 D1=現行組合 D2=新案組合 E:原材料加料量 E1=1300 Kg (新案) E2=1200 Kg (現行) F:浪費料回收量 F1=0% (新案) F2=4% (現行) G:長石量 G1=0% (新案) G2=5% (現行) 瓷磚製造實驗(10/12) 七、推定最適組合： 考慮到C:蠟石量的成本較高，而總體S/N比已有大幅改進的情況，最後決定選擇C1為最適組合中的選項。 A1, B2,C1, D1, E2, F1, G2 意即，最佳組合為： A:石灰石量 A1=5% (新案) A2=1% (現行) B:添加物粗細度 B1=粗(現行) B2=細(新案) C:蠟石量 C1=43% (新案) C2=53% (現行) D:蠟石種類 D1=現行組合 D2=新案組合 E:原材料加料量 E1=1300 Kg (新案) E2=1200 Kg (現行) F:浪費料回收量 F1=0% (新案) F2=4% (現行) G:長石量 G1=0% (新案) G2=5% (現行) 八、確認實驗 瓷磚製造實驗(11/12) 瓷磚製造實驗(12/12) 結論：這家公司在不增加成本的情況，改善了瓷磚製造過程中的“堅耐性”(針對溫度的變異) 堅耐性：產品和制程對噪音最不敏感，我們稱之為“堅耐性”(Robust)。 堅耐性=高品質。 它達到了以下結果： 1.消除噪音的影響，而不是去除原因。 2.經由改善品質，降低成本。 2.基本統計概論──資料的性質 2.1資料的差異 2.2測定值的“內涵” 2.3資料的可信賴程度 2.4數據的次數分配與長條圖 2.5長條圖的看法 2.1資料的差異 我們所收集的任何資料，一定不可能得到全部都相同的數值。 例如分析某化學製品的純度時可能得到98.2%, 96.8%, 97.5%這樣三個帶有差異的資料。(平均值= 97.5%) 假如我們得到的結果是96.6%, 96.6%, 96.6%三個同樣的資料，那麼我們可以認為，若不報告者修改了資料，必定是測定儀器的精度不夠，或其它特殊原因。 所以重複測定同一物品時，每次所得的結果是不會相同的，如果得到相同的資料，我們就認為它是由於經過四捨五入而得到的資料。 2.2測定值的“內涵” (1/2) 測定值=真值+誤差 誤差產生的原因： 雖用同一測定器，同一測定者重複測定同一樣本，也會發生重複誤差 如果用不同測定器測定同一樣本，會發生測定器間的誤差 如果由不同測定人員測定同一樣本，會發生測定者間誤差 雖然測定的是同樣一批物品，因所抽取樣本的不同而發生抽樣誤差。 所以我們所獲得的資料中，一定包括了各種不同原因所引起的誤差。 2.2測定值的“內涵” (2/2) 測定值 = 真值  +同一測定器同一測定者重複測定的誤差 +測定器間的誤差 +測定者間的誤差 +抽樣誤差 測定值 = 真值+測定誤差+抽樣誤差 承認誤差： 我們不可能得到完全相同的資料，所以資料帶有差異是當然的； 我們所獲得的資料，只不過是可以想像得到的無限次重