lgsixsigma培訓(xùn)ppt36-資料下載頁
2025-02-10 22:26本頁面
【正文】 60。拍拉圖是基于帕累托原理，該原理是 VilfredoPareto提出的，他是十九世紀(jì)末二十世紀(jì)初的意大利經(jīng)濟(jì)學(xué)家。 1897年他提出， 80%的財(cái)富集中在 20%的人手中。同理，任何過程中的大部分缺陷通常是由相對少數(shù)的問題引起的。排列圖分析能幫助人們確定這些相對少數(shù)但重要的問題，以使人們把精力集中于這些問題的改進(jìn)上。在 sixsigma方法的測量和控制階段，排列圖分析尤其有效?！ ∨睦瓐D分析有助于把差錯、缺陷、延遲、顧客抱怨等分類、分層，并從中找出最關(guān)鍵的?！ ARETO PIE Pareto圖有人在估計(jì)總體均值時(shí)要求在置信度為 99%的條件下保證樣本平均數(shù)與總體均值之間的誤差不超過標(biāo)準(zhǔn)差的 25%。問應(yīng)抽取多少樣本？有人問我什么時(shí)候要利用這樣的公式這個問題很復(fù)雜，我也說不好，只能談?wù)勎业膫€人見解，希望大家一起研討。首先你要先搞清楚，總體是不是符合正態(tài)分布的。其次就是你分析的目的要得到變化的區(qū)間，也就是置信區(qū)間，是區(qū)間估計(jì)。如果這個區(qū)間是很重要的話，你就必須要考慮樣本的誤差。在這種條件下，就要使用樣本容量，如果計(jì)算方差還要考慮樣本修正系數(shù)。我們知道 6sigma主要采用的是小樣本，小概率理論的。主要目的是通過考察樣本組的變化，觀察總體的變化，著眼點(diǎn)是在變化和差異上，和上訴理論著眼點(diǎn)不一樣。從抽樣看來樣本校正系數(shù) =1（ n/N） 但當(dāng)樣本 n數(shù)很少的時(shí)候，這個比率接近于 0。所以小樣本的校正系數(shù)就是 1。如果你看統(tǒng)計(jì)學(xué)的公式經(jīng)?？吹蕉嘁稽c(diǎn)東西，這就是樣本誤差的校正系數(shù)的計(jì)算公式。如我們非常熟悉的 sem=σ/n^1/2這個公式，使用條件應(yīng)該是簡單隨機(jī)重復(fù)抽樣。完全的是 sem=σ/n^1/2[（ Nn)/(N1)]^1/2使用條件是簡單隨機(jī)不重復(fù)抽樣。而在我們所學(xué)中，只提到隨機(jī)抽樣，而沒有重點(diǎn)提到是不是重復(fù)抽樣（有放回）。所以說這個公式被簡化了。而 Z值的標(biāo)準(zhǔn)公式是 (uXbar)/σ/n^1/2而在教材中我們往往看到 (uXbar)/σ，這是為什么哪？因?yàn)闃颖拘。_方后可以忽略不記了。我學(xué)習(xí)了 6sigma后再學(xué)統(tǒng)計(jì)學(xué)，忽然發(fā)現(xiàn)我經(jīng)常出錯，經(jīng)常算錯題。后來就明白了，原來是我熟記的很多東西，并不是確切的，是某些公式的簡化形式。，看了你的計(jì)算公式，但是還是不明白你的題目和這個公式有什么關(guān)系。比如你的題目是 “有人在估計(jì)總體均值時(shí)要求在置信度為 99%的條件下保證樣本平均數(shù)與總體均值之間的誤差不超過標(biāo)準(zhǔn)差的 25%。問應(yīng)抽取多少樣本？ ”問：是不是 S/△ 和你這個 25%是什么關(guān)系呢？用簡單隨機(jī)重復(fù)抽樣方法選取樣本時(shí)，如果要使抽樣平均誤差降低 50%，則樣本容量需要擴(kuò)大到原來的（ ）。（單選題）A.2倍 這個題是不是 C呢？應(yīng)該是。 Pareto圖什麼時(shí)候用常態(tài)分配、什麼時(shí)候用 t分配常態(tài)分配與 t分配是很類似的機(jī)率分配模式，一個是有比較集中的峰態(tài)與單薄的尾部，一個是有比較偏平的峰態(tài)與厚重的的尾部，但兩者都是屬於對稱型的分配模式。我們知道做母體平均數(shù)的估計(jì) (點(diǎn)估計(jì) /區(qū)間估計(jì) )或是假設(shè)檢定時(shí)，都知道可以用常態(tài) (正態(tài) )分配或是 t分配來做。就學(xué)理上來說，其中的差別在那裏：什麼時(shí)候該用常態(tài)分配、什麼時(shí)候該用 t分配？請大家一起來發(fā)表意見。大數(shù)法則有告訴我們，只要樣本數(shù)夠大，樣本平均數(shù) (Xbar)的分配會收斂到一個常態(tài)分配。所以說，不管原來的母體真正的分配是那一種，應(yīng)該通通都可以用常能分配就可以啦！那為什麼還要多考慮一個 t分配呢？問題就出在於我們對原來母體離散程度的瞭解。沒有錯，就是 StandardDeviation(標(biāo)準(zhǔn)差 )。一般來說，最常用來代表資料的集中性質(zhì)的量就是 Variance(變異數(shù)或方差 )。但是變異數(shù)與原來資料的單位不一樣 ─因?yàn)樽儺悢?shù)的單位是原來單位的平方，所以就把變異數(shù)取二分之一次，得到的量就跟原來的單位是一致的，這個值就是標(biāo)準(zhǔn)差。我們一般在做問題討論時(shí)，都是用標(biāo)準(zhǔn)差而不是用變異數(shù)。所以答案的關(guān)鍵就在於母體標(biāo)準(zhǔn)差是否為已知。如果說母體的標(biāo)準(zhǔn)差已知，或是由過去的經(jīng)驗(yàn)得到一個可以用來代表母體標(biāo)準(zhǔn)差的量，則就用常態(tài)分配 (Z)的方法。戶之，當(dāng)母體標(biāo)準(zhǔn)差未知時(shí)，就必須用 t分配的方法。在接下來的說明之前，我們先來看看 T分配的由來?？赡軙玫揭恍?shù)理統(tǒng)計(jì)的術(shù)語，或是比較數(shù)學(xué)化的一些定義，大家看看就好。令 X與 Y表兩個獨(dú)立的隨機(jī)變數(shù) (RandomVariable)，其分配模式分別為 X為標(biāo)準(zhǔn)常態(tài)分配，Y是具自由度＝ df的卡方 (ChiSquare)分配。以符號表示如下：另外令則隨機(jī)變數(shù) T為具有具自由度＝ df的 Student’st分配，簡稱為 t分配。 Pareto圖 Logic TreeLogic Tree的概念及有用性 在理解 Logic Tree的基本原理時(shí)， MECE的概念非常重要。所謂 MECE是 “Mutually Exclusiveand and Collectively Exhaustive”的縮略語，指的是 ”不重復(fù)且能夠包含所有元素的和的要素集合 “MECE是 Logic Tree的基本思想，如果不是 MECE的話，問題就會錯綜交叉到一起，難以明確把握問題。而且，因?yàn)闆]有覆蓋整體，問題有可能被遺漏。但是，盡管 MECE是 Logic Tree展開的基礎(chǔ)，但很多情況不是 MECE的情況，因此就有必要立足于 MECE指向的思考方式來展開 Logic Tree。因?yàn)椋绻^分拘泥于 MECE，致使 Logic Tree無法展開，反而不如在 MECE不甚充分的情況下展開 Logic Tree更加有益，因?yàn)樵谶@樣做的過程中，展開 Logic Tree的Skill得到提高。 謝謝觀看 /歡迎下載BY FAITH I MEAN A VISION OF GOOD ONE CHERISHES AND THE ENTHUSIASM THAT PUSHES ONE TO SEEK ITS FULFILLMENT REGARDLESS OF OBSTACLES. BY FAITH I BY FAI
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1