如何用minitab生成cpk数据
粉丝716获赞1508
相关视频
03:35查看AI文稿AI文稿教你如何制作这 pk 值大于一点三三的数据。 哈喽，大家好，我是潘娜，我们在做君子级插图的时候，也就是我们经常说的 x 八嘎图，你有没有碰到这样的困惑，就是我们的这些数据啊，不管你怎样的编辑，怎么样的编， 我们的 cps 都非常的小，而且啊我们的这个图形还是有异常的啊，我们整个过程也不能够符合我们正态分布， 那怎么样解决这样的问题呢？啊啊？推荐给大家用一个软件，他就叫做密利特本，那可能很多小伙伴不会用这个密利特本啊，那我教大家啊，怎么样用密利特本来生成啊，符合我们要求，符合我们 cba 值的这个数 据啊啊，比如说我们现在这举一个例子啊，就是五十，政府零点五这样的一个数据啊，我们怎么样的操作了？那我们首先我们要打开我们的这个米尼特别这个软件啊，打开米尼特别软件的以后，来点这个上方的计算， 然后啊随机数据，然后再点正态啊，然后这个会把我们因为我们想要的是一百二十五个数据，二十五组，每组五个数据，就是一百二十五个数据，然后我们生成数据的行数，那我们就是五行吗？ 五行，然后，呃，二十五列啊，二十五列，五行就一百二十五，然后存点下面的这个存储余列，那我们这里因为因为我们要选二十五列吗？那我们选 选一个 c 到 c 二十五啊，然后这里均值我们可以写，嗯，我们刚才说的五十啊，到了下面就是标准叉啊，标准叉设置是一个关键 啊，标准他怎么设置呢啊？其实这个是非常简单啊啊？比如说我们现在想要的是什么？想要五十正负零点五，首先我们要确定公差，他的公差五十正负零点五，那公差就是一点零， 那就是一点零，然后我们假如我们想要我的 cbj 值是一点三三，然后就是公差除以一点三三，然后再除以六啊，假如如果要二点零，你就是一除以二点零啊，再除以这个六，那这时候就会得到一个标准差，那得到标准的话是零点 一二五三，那我们取小一点啊啊？我们是零，取零点零点一二五二，然后这样点确定啊，这个他就把我们生成了二十，呃，二十五组数啊，每组 五个数据，然后你把再把这个数据给它导出来啊，拷贝到我们的一个设有表里面，那这个时候算出来的这个 cba 值啊，就是一点三张啊左右啊，所以都是可以，你想要什么样的数据都可以 生生成哈，而且生成这个数据啊符合正态分布啊，正态性检验配置一定会大于零点零五啊，然后我们的这个菌子毒和击杀毒都是没有异常的啊，非常完美的一个数据啊， 如果你想学习更多的这个秘密，特别的这种知识啊，想学五大工具的知识啊，记得关注我啊。
3254解码IATF16949
00:48查看AI文稿AI文稿有多位粉丝朋友问到如何计算 c p k？ 计算 c p k 有两种方案，第一种是表格公式计算，第二种是使用 mini table 工具进行计算。 今天讲解使用 mini table 工具计算 cpk 的步骤。一、在 mini table 输入数据。 二、选择计算 c、 b、 k 的路径统计质量工具，农历分析正态。三、跳出的对话框，选择数据，填写字组大小，填写规格，下线和上线，最后点击确认。 四、在图表右侧可以看到 c、 b、 k 的值。好，以上与你分享，谢谢！
223元哥说质量
11:40查看AI文稿AI文稿质量人经常需要对一些数据进行分析，有时不一定需要实际测量的数据，只需要一些符合条件要求的数据进行模拟分析，这些数据不仅要符合尺寸要求，可能还要服从正态分布，甚至是特定的标准差或 c、 b、 k， 如果只能自己手动一个一个编，那就太费事了。这期视频就分享如何快速的生成一些符合特定条件的数据组，不多话进主题，其实要生成符合特定条件分布的数据并不难， x 或一些专业的统计分析软件都能做到。 这期视频分成有钱的跟没钱的做法进行说明。先说有钱的做法， mini tab、 jmp pro、 spss 等专业软件都有提供生成随机数的功能，就以 mini tab 来说，假设要生成一组随机正态数据，只要到功能区中的计算 功能找到随机数据，并选择正太，然后在对话窗口中输入相关的条件设置即可。 先来生成一组有三百个数据且平均值五点零，标准差一点零的随机正态数组，来看一下这组数据的正态检验，其实这有点多此一举，身为专业软件，生成的数据如果无法通过检验，岂不可笑？ 另外，看到基础的序数统计均值五点零五，标准差零点九七，并不会完全与设置条件相同，只能做到尽量靠近， 顺便看一下过程能力的指标。 cbk 是零点六五，如果没有特殊用途， cbk 的值并不重要。但若要特定 cbk 值的数据组进行模拟分析时，那要如何处理？ 假设现在有个五正负二的尺寸规格，所以规格上下线就是七跟三，希望生成的样本分布中心跟规格中心重合，也就是样本平均值是五，那标准差该设置多少才能生成一组 c、 b k 符合要求的数据？ 这是大家已经很熟悉的 c b k 公式，公式里面共五个未知数，规格上线 u s l 规格下线 l s l 样本均值 x double bar 标准差估计值 sigma 以及过程能力 c b k。 值刚刚的假设规格上下线 让本君值都已知， c、 b k 则是看要求给定，因此只剩下标准差是未知数。这样只要简单的把公式进行推导，就可以知道标准差的公式。先讨论双边公差的部分，为了方便 推导公式，再假设样本均值无偏移，就是样本均值 x double bar 等于规格中心，这样的话，规格上线减样本均值就等于样本均值减规格下线令它等于 s l。 所以 c b k 的公式就变成，但是要除以三倍的标准差。接着等号两边都乘以三。再来是把等号右边的分母与分子的三倍上下相消，就变成三倍的 c b、 k。 等于，但是要除以标准差，然后等号两边都乘以标准差， 就可以把等号右边分母的标准差消掉，变成三倍 c b k。 乘以标准差等于 s l。 接着把三倍 c、 b k 移到等号右边，就可以得出结果，标准差等于 s l， 除以三倍 c b k。 所以在样本分布中心无偏移的条件下，标准差等于 s l， 除以三倍 c b k。 最后看到，若样本均值不等于规格中心时，把 s l 换回来，就是 s l 等于规格上线减样本均值，或等于样本均值减规格下线，因为计算 c、 b、 k 只有用到这两个其中一个较小的值，所以就可以写成最后这样。 假设需要一组 c、 b、 k 一点三三的随机正态分布数据，就按这个推导出来的公式来计算需要的标准差，只要使用 many 函数套用公式即可。 计算的结果，标准差零点五零一二，改变一下，样本均值为五点二零，其他条件不变之下，标准差需要变成零点四五一一三。接着用这个结果到 mini type 生成一组随机正态数据， 再用这组数据进行过程能力分析，可以看到，平均值标准差 cbk 虽然没有与要求的目标值完全相等，但也非常接近，因为软件只是根据设置条件进行估算，基本上很难得到完全相等的结果。如果要得到非常接近目标条件的数据组， 可能需要经过多次生成数据找到最接近组。接着看让人头痛的单边公差问题，把原先的规格要求改成单边有上限的规格。这里看到，当规格下线被改成五之后，标准差变得很小。那是因为目前计算标准差的公式 是从计算双边公拆 cbk 推导过来，在规格上限与样本均值差及规格下限与样本均值差这两者之间取交小值。把规格下限改成 乘五之后，就会让原本的计算 cbu 变成 cbl， 但有上限的单边公差只能计算 cbu， 所以可以把规格下线的值改成与规格上线相同，等于让公式只能计算 cbu， 但这样计算的结果会出现复数， 所以需要在计算标准差的单元格中，在原本的函数前面再加上 abs 函数，就是让单元格显示计算结果的绝对值。但这样的结果跟前面双边公差是一样的。 因为尽管可以推导出标准差，但无法限制随机生成的样本分布范围，所以生成的数据中会有一些超规格线的值。 因此想要在 c、 b、 k 或标准差不变的条件下生成在规格线内的随机正态数据，只能想办法把整个样本分布往融差中心移动， 这样只能不得已采取折中的方式，就是在相同的规格容差条件下，把单边公差改成双边公差。这里就是把规格要求改成六，正负一点零，规格上限维持原来的七， 规格下线变成五，然后把样本平均值尽量往新的规格中心靠近，或直接等于规格中心。也可以一样用计算的结果到 mini tab 生成一组随机正态数据， 再用这组数据进行过程能力分析，可以看到平均值标准差 cbk 也非常接近设定的目标值。然后样本分布并没有超过六正负一的范围，也勉强等于是原先单边公差的范围。 因此遇到要生成单边公叉的随机正态数据，就只能选择这种折中方式处理。如果各位 有更好的方法，欢迎在评论区留言建议。以上分享的是有钱的做法，但万一遇到老板打算换车买房子，不愿意花钱买这些专业软件，那就只能选择没钱的做法，便宜的笑或 wps 同样也可以做到这些功能。 先在 excel 工作表中先把设定条件改回原来的双边规格。先介绍第一个函数， r a and d red 函数可以在单元格中随机生成一个介于零到一之间的数值。 如果把这个函数稍加变化，在 run 函数后面乘以某个数值，就会变成在单元格中随机生成一个零到这个数值之间的数值。例如，在 run 函数后面乘以 七，那就会在单元格内随机生成一个零到七之间的数值。如果再进一步做些变化，让 ren 函数加上某个特定数值，例如三加上 ren 函数乘以四，这样就等于三加一个零到四之间的随机数。 结果就是会产生一个介于三到七之间的数值。但 ran 函数生成的是平均分布的随机数，如果生成的数据量够多，就可以容易的看出来数据是呈现均匀分布形态。 如果要生成的是随机且呈现正态分布的数据，就需要使用 normal 函数。使用 normal 函数需要提供三个参数，第一个参数是正态分布的概率，第二个参数是平均数，第三个参数是标准差。平均数是决定 生成的正态分布数据的样本分布中心。标准差是决定生成的正态分布数据的区间宽度，概率则是决定生成的数值在正态分布区间的位置。例如，概率越靠近零或越靠近一生成的数值越接近正态分布两端的位置， 概率零点五就会生成落在正态分布中间的数值，基本上就等于设定的样本均值。 样本均值与标准差在工作表中已经有，可以直接填选代率，这里先填入零点一。按前面的说法，代率越接近零或一生成的数值越靠近分布的两端零点，一是往零的方向靠近， 所以会往分布的下线靠近，以这里的案例，应该是会往三的方向靠近。由于刚刚输入的概率是一个固定值，所以复制工是到其他单元格 格产生的数值也是固定的。如果要生成很多数据，这样做就的逐个单元格更改概率值实在是太麻烦了。回到 normal 函数的对话窗口，可以看到下方的说明，概率参数是介于零到一之间的数值。 前面介绍的 ryan 函数刚好可以随机生成零到一之间数值，那就把 ryan 函数填入概率这里， 这样就可以利用复制粘贴的方式，快速的生成很多随机正态的数据。 因为概率是由 rain 函数决定，所以生成的数据位置也是随机产生，并不会依序排列。如果想要直接生成依序排列的随机正态数据，就必须对函数 的内容进一步修改。首先设置一个需要的样本数量，再回到 normal 函数的对话窗口中。这次利用 row 函数来设置概率， row 可以返回单元格的所在行数，随着单元格越往下， row 函数返回的数越大，因此概率也会越大， 这样 normal 函数就会随着单元格往下生成生序排列的随机正态数据。复制之后似乎有点问题， 确认一下函数的内容，原来是样本数量的单元格。第五没有写成绝对引用，这样复制公式时，其他单元格里面的公式就不会是引用第五。要改成绝对引用，只要在公式内的第五前面加上前符号， 或者在公式中鼠标点到第五的文字，再按下键盘上的 f 四，就会自动加上前符号。接着再从新复 布置公式到其他单元格，这次就没问题了。可以看到生成的随机数据是由小到大依序排列，且呈现左右几乎完全对称的正态分布。 最后是单边公差的随机正态分布。跟前面谈到使用 mini tab 生成随机正态数据的处理方式相同，直接改成双边公差的规格，然后把样本平均值尽量往新的规格中心值靠近。 以上就是使用笑生成随机正态分布数据的方法，学会了这个没钱的做法，就可以帮公司省下一笔买专业软件的费用，也可以帮老板更快的把五菱宏光换成大奔。 最后要声明的是，请正确且正当的使用这些数据。
347Aron
12:49查看AI文稿AI文稿哈喽，各位朋友，大家好，我是何茂林。今天的话呢，我们想给大家分享一下，关于过程能力分析当中 cpk 与 ppk 之间的大小关系。 呃，那么我们有的朋友的话呢，可能在做过程的分析当中啊，有一种想法啊，认为 cpk 一定会比 ppk 要大一些， 那么至于为什么会有这种想法呢啊，这边的话呢，我先啊把这两个之间的这个呃他们之间的一些关系啊，或者叫公事啊，我给大家简单说一下， 但是呢我要说明一下，我们今天这节课的话呢，并不会过得去强调这些公式啊，我是想会通过一些相关的仿真模拟啊，我们来给大家去了解一下他们的关系到底什么样的啊，是不是 cpk 真的要比 ppk 要大一些？好，我们来看一看。 首先呢我们把他们之间的一个公司的关系啊，我通过这一页 ppt 来给大家做一个简单的说明，那么对于 cpcpk 啊，当然我们今天主要关注的是 cpk 和 ppk 啊，在这边呢，我们也一起跌出来。 那么对于 cbcbk 呢，我们在密室满级当中啊，我们把它叫做主内能力啊，他们的过程啊，他们的这个计算公司的话呢，我们可以看到啊啊，他的关键其实呢就是关于这个，呃，分母当中的这个 c 跟吗 w， 我们叫做主内边的差啊，这个呢比较难算一点。 然后呢对于 pp 和 ppk 呢，这个我们我们在密探板件当中啊，叫做整体能力啊，那么其实啊，你会发现通过公式的话呢，你会发现一个问题， cpk 与 ppk 啊，他们之间的话呢，其实最大的差异呢，其实 这就在于这个分母当中的标准差，所以说啊，我们这这个小的课题啊，这个视频想比较的是 cbk 与 ppk 之间的一个大小关系， 其实呢，我们如果对这个公式有应了解的话，你就会发现，其实我们真正要比较的什么东西呢？真正要比较的就是这两个漂亮差一个呢，就是我们左边的啊，这个叫主那边的差，用于计算 cpk 的。另外一个呢，就是计算 ppk 的，这个叫什么呢？这个呢，我们叫做整体标准差，那么这两个标准差啊，这个整体标准差是比较好算的，整体标准差计算啊，其实就是什么方法呢？其实啊，他就是样本标准差的计算公式， 这个计算结果是完全一致的啊，比较难算的在于哪里呢？比较难算的在于这个主内边的差，因为在 开满级当中啊，比如说我们如果知足大小啊，就是大于一，当然等于一，也可以有三种方法，那么如果是大于一的话呢，其实这边大家可以看到有三种方法可以来估计，我们这里的是一个吗？ w 叫主内标准叉，那么这里主内标准叉你大家可以看到有 r 八的方法，有 s 八的方法，有合并标准叉的方法。哎，这里呢有一个细节啊，大家一定要注意一下， 首先第一点，我们密探板件当中默认用的是合并标准叉来估计昨天标准叉啊， 而且这里的话呢，你不管是用这三种方法的哪一种啊？其实呢，面带软件后台啊，他默认用了一个叫修片啊，用使用无偏长量，就是进了相关的修片，比如说用阿坝比上第一个啊， s 八除以 c 四啊等等，和平面的差也是一样的啊，这里呢，默认勾选了这个叫 使用无边长量，但是呢，如果这里呢，计算这里的整体边的差啊，他其实呢，你可以看到他这边这个钩啊，使用无边长量来计算 整体般的差啊，这个默认呢，是没有勾的，也是说他默认是没有削片的啊，这个为什么呢？其实很简单，因为 对于整体能力啊，他的修片系数啊，跟一非常接近，你修不修片啊，其实结果都无所谓，差异不大啊。所以说密探软件在这句话呢，默认没有修片，直接用样不样的差呀来代替啊，作为这里的整体标准差啊，作为这里整体标准差。 其实我们这里难点其实在于啊，这里呢左内边的差啊，就是左左内边的差的一个估计，当然密天板间默认用的是合并标的差，合并标的差这个算法呢，比较麻烦。我刚刚说过啊，我这节课并不想让大家讲公式啊，我相信我这节课讲完以后呢，很多朋友又来问，李老师，你能不能讲讲 为什么 s 八或者合并标的方法呢？ no， 我其实不想过多在这里做一些介绍，除非后面我们单独有安排。我们这节课呢，主要是用用一种其中比较简单的方法来跟他说明。用什么方法呢？用 xr 八的方法啊，来给大家做一个估计。那么对于 s 八或者合并标的啥方法啊？我刚刚说过啊， 我，其实呢，这些东西呢，你说重要吗？其实对于有密韩版的朋友来说并不重要啊，我们只是给大家去讲原理就 ok 了。好，我们来看一看什么叫阿坝的方法来估计我们这里的这个，呃，主内标准差。好，我们这边呢 打开软件，我这边呢在视线啊已经仿真了一些数据，那么在数据的话呢，使用我们来看一看这个红色的，红色的从 c 一点到 c 十一点，前面十点啊，歪一歪十啊，这个呢是我们要仿真身材的数据，这边呢我们 一共仿生了十电啊，万一到位十，然后呢每一电有一百二十五个数据，这啊一百二十五个数据的话呢，相当于我们 spc 当中的按直组取样，每个数据啊有二十五个直组啊，直组大小的话呢都是，所以说一共有一百二十五个数据，那么我们来看一看啊， 首先呢，呃，我们用这里呢用什么呢？用这里的阿坝的方法来给他进估计，为什么用阿坝的方法，因为好蒜啊，好蒜，所以这种方法的话呢，来做纺织啊，能更能够说明我们今天 cpk 与 ppk 之间的大小关系。好，我们来看一看，怎么算呢？其实很简单很简单。怎么算呢？其实很简单， 什么叫 r 把的方法来进行估计，主任标的叉呢？首先我们什么叫 r？ r 叫吉叉，大家可以看到这边不是有二十五个直组吗？那么前面 五行我们叫做直组一，那么每个直组我们都可以算一个什么都可以算一个级差，所以说这里呢有二十五个级直组我就可以算什么，我就可以算二十五个级差。 再看一下，首先这是 y 一的二十五个级差，这是 y 二的啊， y 三的， y 四的，一直到再说小一点，一直到 y 十的，说这段话呢，就是 y 一到 y 十啊，我们都算出来了，对应直组的级差啊，一共有二十五个， 在每个每个 y 啊，都有一个二十五个级差，然后对于二十五个级差啊，我们可以干嘛？我们可以比如说对 c 十三点啊， c 十三点是 拥有二十五个指组，每个指组求这个级差，然后对于这二十五个级差，我们可以干嘛呢？我们可以求出来一个平均值，就把这个 c 十三列当中的二十五个数 求个平均值，这里呢我们得到啊，叫做吉他君子一。这个吉他君子一啊，其实什么东西啊？其实就是阿爸这里，阿爸是外一的阿爸，那么我们有了阿爸叫做吉他的平均值以后，怎么去估计这里的 四个码呢？他的估计方式啊，就是啊把比上第二的方法进行估计啊，那么同底呢，我们再往下面看，同底，我们再往下面看，我们这句话呢，也求出来了， y 二的， y 三的， y 四的，一直到 y 十的， 一直到歪时的十个歪，他对应了阿坝，然后呢有了阿坝以后，我们通过查表，这个第一二呢叫做修平系数啊，我们蜘蛛大小等于五的时候啊，这边的第二呢，通过查这个修平系数表啊，我们可以查到他等于二点三二六啊，二点三二六。好，那么有了阿 以后呢，我们处以对应的修平系数，这样的话呢，我们就可以计算得到对应我们的歪一到歪十，这十个歪的主内标准差，这个呢，其实一个上来说不叫计算得到，应该叫估计得到。好，这边有了十个歪的标准差以后呢，我们就可以算出来对应的什么，对应的 过程能力分析当中 cpk 的结果啊，然后呢，我们再把歪一到歪时啊，我们求一个一样别人的差啊，样别人，这这比较好求吧，一样的，一样的差好求吧，这样的话呢，我们上下的结果的话呢，我们存储到了 c 四四到 c 五十三点， 好，那么有了要稳标的差啊，有了这个主内标的差和整体标的差以后呢，我们就可以求相应的过程能力 cpk 和 ppk 好，什么意思呢？刚刚讲这么多什么意思呢？其实啊，这样东西啊，都 不需要大的自己去求，再看一下，比如说我们这边花的数据都是正太的，比如说看一下我们这里是外衣的过程的报告，我们来比较一下，我们来验证一下我们刚计算的结果啊，再看一下， 再看一下，万一我们刚手动估计出来的他的主力表演差多少呢？零点八七三五幺啊，看看是不是一样的，你看是不是零点八七三五幺，是不是然后他的 整体看到他呢？零点八八五六三啊，这里看一下是不是零点八八五六三，对不对？所以说我这句话呢，前面这一一大步啊，主要是给大家去理解一下背后的一个手上的逻辑，当然其实啊，我跟他说过这个公式，你看我们家这么多行，这么多店 啊，其实重要吗？你看密开满键，我们点一下就给你计算出来结果了。好，这是 y 一的左右转叉 和真理标准差啊，当然我们也可以去比较一下 y 二的，比如说 y 二的，那么 y 二的，你看 y 二的主流标准差是一点零零五零九啊，这句话呢，一点零零五零九，他的 亚美边的差，顶点九五二三五啊，这个往下面来一点顶点五九啊，顶点九五二三五九啊，那你看一下是不是整体边的差，是不是零点九五二三五九，对不对？这个其实呢是一对一的好，那么把它计算出来以后呢，其实呢，如果在他细心的朋友呢，就会发现一个问题， 什么问题呢？大家看一下 y 一当中 cpk 和 ppk 哪个大？你看在 y 一当中， ppk 等于一点八三， cpk 等于一点八六啊，这里呢，我们发现在 y 一当中啊， cpk 要比 ppk 要大一些， y 二当中的话呢，你会发现什么？ ppk 等于一点六八， cpk 只有一点六啊，说明什么呢？说明在 y 二当中 ppk 要比 cpk 要大一些 好，那么这里的话呢，其实讲到这里啊，大家就已经发现了问题，什么问题啊？你会发现啊，其实呢， cbk 和 ppk 啊，他们大小的关系是随机的， 有时候 cba 大，有时候 ppc 大，为什么呢？好，我们来把刚刚算出来的所有十个 y， 把它的主量标的叉和整体标的叉放在一起， 当然我们也可以做个比较啊，这个比较的话呢，就是我们可以把，比如说我们可以把 c 一比上， c 二，就是把左内边的叉比上整里边的叉，我们看一下这个笔直是比一大还是比一小， 你会发现一个很有趣的现象，就是这个笔子啊，有时候比一大，有时候比一小，说明什么问题啊？说明啊，也就是说主对边的叉跟 整体标准差，他们之间的大小关系啊，有时候主内标准差要大些，有时候整体标准差要大些，那么我们有说过 cbk 和 ppk 他们之间最终啊需要比较的，其实跟什么有关系呢？其实啊，主要是跟这里的主内标准差和整理标准差有关系，既然主内标准差有时候比 嘴里边的张要大，有时候要比他小，那么这时候呢，最终啊我们算出来 cpk 和 ppk， 有时候 cpk 大，有时候 ppk 大，所以说这两只眼大小关小完全是随机的啊，当然我们跟所有讲的这里 刚刚讲这个过程啊，有两个前提，第一个前提就是我这个数据啊，这边呢是正太的，我们这里的歪一歪十啊，都是正太的，这是第一个前提，第二个前提很重要，就是我们这里的歪一到歪十这十个歪啊，你要想实现我们刚刚所说的 cpk 和 pk， 他们的大小是随机的，那么呢有一个非常重要的条件，就是我的过程一定要稳定啊，我们在歪一和歪十十个弯啊，这个过程都是稳定的，那么对于一个稳定的过程啊，其实所谓的过程稳定啊，就是主内边的叉要可以有，但是要稳定，但是 整体啊，这种组建标准差呢啊，主内标准差可以有，但是比较稳定。组建标准差呢，我们一般啊叫做零，但是这个零的话呢，一般就是统计上零了 啊，所谓就是所谓的稳定，所以说啊，我们刚刚前面讲的这些东西啊，有一个非常重的前提是过程一定要稳定啊，那么再总结一下， 如果一个稳定的过程啊， cpk 与 ppk 之间的大小关系完全是随机的，有时候 cpk 大，有时候 ppk 大啊，注意前提，过程稳定啊，过程稳定。 那么至于为什么要过程稳定这个呢，我们后续啊，有机会呢，再给大家来做一些分享。好，那么今天的话呢，主要给大家提的是 cpk 啊，与 ppk 之间的一个大小关系啊。好，那么我们今天的话呢，就分享到这里，下期再见。
09:16查看AI文稿AI文稿使用一条软件来分析 x 霸图和过程能力， 然后我们来看一下啊，在一个，在我们的一个色表里面，我们的数据结构是这样的，做一个 spa 图的时候，通常是二十五组数据，每组数据五个值，那总共有二十五个数据， 那在迷你课本里面，他的数据结构是一整夜的，他不是像这样的，他要把这数据转换为一整夜，所以我们把这每一组数据啊，都是这样进行转换，类似于这样的， 这样拿出成绩率啊，那转换完了以后，我们就把它把这数据拷贝拷贝到我们的这个你太 在里面，然后拷贝过来，然后点协助能力分析，再点这个啊 列就输入这个 ce， 然后这个是直组大小，一般我们刚才是每组数据是赌容量是五吗？ 二十五组，每组是五个，那这个就写五啊，那下线我们就是产品的公叉，这个是写产品的公叉的啊， 比如说我们写的是下线是五点八，上线是六点二，然后目标只是六点零，那就是说六点零，正负零点二，然后点确定， 然后再点查看请输出，那他会帮我们生成四个图表，那四个图表是这两个是核心的图表，我们来看一下啊， 那么一个呢，会把我们生成 x 图、君子图跟几叉图，那这两个图 必须要没有红色的点才算通过才算正常，那如果有红色点，说明这两个图形是非随机的，有异常，那像这个点红色说明是有异常的， 所以就不能计算，就是你不能计算过程能力了，先要排除这些异常的点才可以，然后他也会帮 你去把一百二十五个数据做正常性检验，正常性检验通过他的批值会大于零点零五， 如果 p 值小于零点零五就是没有通过，你看他这个 p 值是小于零点零五，就是这些数据不是正太分布的。那如果不是正太分布，你算出来的过程能力是可疑的，也是不值得信任的，所以计算过程能力。 嗯，前提条件是一个图形是正常的，一个是图，根据你的图都没问题。第二个就是这个正常语音要通过，那你算出来的这种才艺啊。这个图看完以后我们再看这个图， 那这个图会帮你 ppt 给我们比较关心的 cpj、 ppk、 各种插，还有君子在这个图形都能展示出来。那先看这个哈，这个左边的这边的这个图，这是规格下线，也就是弓插的下线，弓插的上线 啊，这是我们一百二十五组数据里面做出来的直发图啊。这个是啊，目标值，是工厂的目标值啊。 那你看这个值班图的时候你就会发现有问题，这个其实他不，他这个值班图不属于正太分布啊，你看他并不是中间高两边低的，你看他是聚集型的，而且这边还有一个远离这些数据的点， 说明这个是不是正态分布，肯定是比较有异常的，分布也是不正常的。然后你能看到这有两条线，一个是虚线， 线应该是实线，这个虚线和实线代表什么意思呢？代表就是说其实这个产品它过程是有偏移的，就是实际产品的均值，五十六点零 就是他的君子，实际产品的君子，跟我们产品公差的君子，他们之产品机子，他们之间是有发生偏移的，如果这个偏移纠正了以后 啊，他就会变成这个实红色的，实际的实线啊，虚线是当前的状态。 那我们可以通过调整我们调机啊过程，把这个产品总体往一边去调啊，就能解决这个问。 我们再来看这个哈，这里，呃过程特征，这里显示的总共一百二十五个数据，然后有 直组大小数据，然后均值是六点零一二三，我们目标只是六点零，它是六点零一二三，偏了一点点，偏的不是非常的多，那如果调的话，我们可以把实际的所有的产品往小调，零点零一， 他他就会更接近我们目标值了。那这里有一个标准叉，有一个整体的一个主类的，那我们算 cpg 和 ppt 唯一不一样就是我们的标准叉， 他是不一，他的算法是不一样的，那整体的这个是包含了主金和主内的，他是 动作算 pp 切的标准差，那这个主内的标准差指的是算 cb 切的标准差是用这个来算， 他只是包含了主内的主见呢，他是认为是没有主见变差，因为 cpk 里面他是认为是没有主见变差，因为你如果过程受控的话，他是没有主见变差，他只有主内变差，他是他的观点是这样的， 然后下面你能看到这个什么 ppk， ppappk 就能看到了， pp 是一点二二， ppg 是一点一四，然后 cp 是一点二九， cp 是一点二一啊，这个 cpk 是有点小了哈， 大小都都没用，因为你这个不是正在分布，所以这个数据也没有什么意义啊。然后你的 看到还有这个 ppm 啊， ppm， ppm 一百五十七个 ppm， 也就说一百一百万个零件里面一百五十七个零件，这一万个里面大概有一点五个零件是有问题的。 然后你这边还有个这一直啊，这一直，这一直就是他是度量观测到的统计量和假设总体仓促之间的差差值哈，其实你如果是不不明白，不了解，其实也没关系，你只要看 cdbb 界就可以了啊。 然后这个是还有一个这样的一个图啊，这个图，这个图是看能看到 ppt， 能算 ppt， 就是下面那个图看到我们看到的其实也是 都都有展示，这里面就是有一个什么 z 潜在 z 十 g 啊，这一十 g 是等于三点三九， z 潜在是三点六零，因为它过程发生了偏影，偏了零点零一，如果这个零点零一把它纠正以后，他就会变成 这个切实际的就会变成潜在的，就这个锥子越大越好，越大越好，就大一点比较好。 p 零点零一三，你看便宜的零点零一三，如果把这个零点零一三给纠正了以后，他这个 j 值三点三九就会变成三点六零，那他的过程能力也会相应的会增加，就这个意思啊。 再来看这个图，这个图是一个总体的一个图啊， 帮会，呃，这边有稳定性，直组正态性和数据容量稳定性，这说明我们这个控制图上有点是有特殊原因的，所以他打了一个档案号，就说我们的图形是有问题的，然后我们的这个数量是够的，有二二十五个直组， 所以他打了一个这个，这个是没问题的，数据是够了，然后正态性检验是有问题的，所以他也打了一个这个感叹号，就是没有通过正态性检验啊， 这样呢？就是一个基本的，嗯，各种能力分析，我们可以把这些图表啊，还有数据啊， 把这个图表可以拷贝到我们的一个设备表里面，然后再加上我们二十五组数据，然后就可以生成一个过程能力的一个报报告啊。
262解码IATF16949
01:01查看AI文稿AI文稿在上 cpk 之前，必须要先确认数据是否正态。好，我们用 minitable 来看看怎么去做正态性检验。统计，基本统计，正态性检验。哎，怎么有好几种正态性检验的方法呢？ 奇怪了，用 ad 法算出来不正太，用 rj 法算出来是正太的，为什么会这样呢？看来只好找张大师询问了。喂，张大师吗？ 明日 table 提供三种正在检验方法，他们是 ad 检验、 rg 检验和 ks 检验。 ad 检验和开始检验属于误差平方和解禁法。这种方法对于测量性的分辨率要求很严苛，如果分辨率达不到要求，那么就会导致误判，将正态的判成非正态。我们来看这案例，这边有非常多的相 数据，这就会导致分辨率没有办法达到严格要求，进而导致 ad 眼线的误盘。更多资料可以参考逗比尔。
108制造学习联盟
17:01查看AI文稿AI文稿哈喽，各位朋友大家好，我是侯茂林，好久不见啊，那么今天的话呢，我们想跟大家分享一下关于这个非正态能力分析当中的一种方法 啊，那么这个视频的话呢，它是为了去说明这个文章啊，所以说大家在看视频之前把这个文章呢先 阅读一下，那么对于这个文章的话呢，其实我们在我们的公众号呃前面的一些这个呃文章内容当中的话呢，也有相应的介绍，如果大家感兴趣的朋友，大家可以去扫码关注这个微信公众号啊，大家可以去看一看这个文章。 好，那么文章我就不顾的介绍了啊，那么我们来看一看怎么去实现文章当中所说的方法。呃，怎么利用密码软件呢，去对这个非侦探数据啊，做过程的分析，那么呃在文章当中也有详细的说明，我们做能力分析 一些流程，我这边的话呢，由于时间关系，我就直接打开软件来给大家做一些相关的操作。好，这边的话呢，我们就直接打开软件。好，我们来看一下这么一组数据啊，我们想对这里的 y 来做过程的分析啊，这个数据的话呢，一共是有一百个数据啊，他是叫单词的设计的数据， 这个数据的话呢，他没有规格下线，只有规格上线，上线是八啊，那么针对这个数据，我们想做过程的来分析，基于我们在文章当中提到的一些方法的话呢，我们的这个步骤啊，我们就按照这个流程图啊，按这个流程图的话呢，来进行相应的分析。 首先第一步啊，当然我们在做分析之前啊，他的前提条件啊，要满足这个在文章当中反复强调了，我在视频当中就不过的去提了。好，第一步呢，我们先做质量检验啊，统计 基本统计啊，做质量音检验啊，统计基本统计质量音检验，或者你利用统计基本统计图形化为种啊，这个方法很多啊，我们就呃来用这种方法吧，统计基本统计质量音检验，我们把这里的 y 输入进来，点击确定 好，我们来看一看当前我们的这个 y， 这个数据啊，啊，它的智能音节的批值呢是小于零点零零五， 那么它比零点零零五还小，那么它一定比零点零五小，所以说我们这里的 wide 数据的话呢，它是非正态的， 那么对于非正态我们怎么做过程来分析呢？我们按照这个文章当中的流程图的说法，我们先干嘛呢？我们可以先来做一个个体分布的标识，先不要急着做我们的转换，或者去做一些非正态的。这个，呃，你 和我们先看一看啊，看一看这个你转换行不行？然后非正态方法来，你和他可不可以，对吧？怎么试呢？我们点击统计，选择质量工具 个体分布标识啊，我们从这个路径他可以帮我们去找到哪些分布是可以很好的，你和这个数据变化可不可行？我们在这里的话呢，都可以得到相应的答案，统计质量工具个体分布标识， 好，我们把这里的 y 输入进来啊，这里的指数大小呢？得一可以看到在体分布标识当中呢，这是一个非常强大的功能，那么在 mit 软件的这个功能当中，大家可以看到啊，这里的分布的话呢，其实 它是包含正态分布在内，一共是有十四种分布，另外呢还有十，呃，还有两种变换啊，波斯科斯变换和纠正变换。 说这里的话呢，其实他一共有十六种选择啊，那么到底哪一种比较好？是变化比较好还是用其他分布你好比较好？这个呢，我不确定啊，所以说我这边的话呢，是用所有的分布好变换啊，十六种都来一遍，好点进去。 好，那么下面的话呢，我们来看一看这个结果啊，这个呃，他会给一些图，也会有一些这个检验的批值。那么由于时间关系啊，我们这边的话呢，就直接来看一下这个你和 you 的检验，这个图我就直接跳过了。 那么在这个你和 youtube 剪映当中，我们主要看什么呢？我们主要看的是这里的你和 youtube 剪映的批值，看这一点。 那么在这一节当中的话呢，首先我们大家可以看到正态性他通过不了，但是这里的啊， boss 的变换，他的题写着零点八一一出生变化呢，零点八，零八啊，这两种变换的方法呢，你可以去做尝试。但是我们在这节课当中的话呢，并 不是给大家去讲变化啊，变化的话呢，是我们上一篇文章已经给大家说了，做了一些说明，那么我们这节课的话呢，主要给大家讲的是用其他分布来拟合这个数据，然后呢去算分位数的方法，做过程的分析。 那么我们来看一看，除了正在分布以及这两种变化以外，还有哪种分布能够比较好的，你和这个数据呢，我们去找一些 p 值比较大或者 a d 值比较小的分布啊， a d 值比较小的分布好，我们主要看 p 值啊，那么这里呢，你可以发现 啊，指数分布应该是一个不错的选择，大家可以看到在指数分布当中，我画一下啊，大家可以看到在指数分布当中的话呢，他的这个礼盒优度减的批值啊，达到了零点九一九啊，这个批值是比较高的。所这边的话呢，我们可以用指数分布呢来对这个数据做礼盒，然后进行 非正态的能力分析。好，那么下面我们来看一看分布，找到以后，我们看一看 mit 满键怎么做的好，怎么做呢？我们找到分布以后呢，我们点击统计，选择质量工，质量工具，统计质量工具能力分析，这里呢我们选择的是非正态啊，选择非正态。 好，我们把这里的 y 输入进来，然后呢我们这边要去选择合适的分布，至于为什么要选择合适的分布，我在文中已经做了详细的说明了。那么这边我们的分布 哪个是比较礼盒的比较好呢？这边呢我们可以看到指数分布，它礼盒的是非常好的批值，零点九一九啊，所以说这边呢我们可以选择指数分布来礼盒这个数据。好，然后呢我们这里的这个上线是等于八下线呢，没有，没有的话呢我就不填了。好，那么直接点击确定， 直接点确定好，我们来看一看，通过这里的通过 meta 软件呢，我们选择指示分布来领和这个数据，然后得到相应的过程能力，因为这边的话呢是非正态，所以说 c b c b k 得不到，因为只有单面公叉，所以说 p p p p l 得不到， 只有上限，所以说只有得到 p p u 和 p p k 啊，这边呢就是 p p k 就等于 p p u， 这边呢就等于零点零点三三啊，零点三三，那么我们下面要进来看一看啊，就是这里的零点三三，到底怎么算出来的，怎么算出来呢？我们来看一下， 那么其实对于呃这个非侦探能力分析啊，我们在文中当中也说明了一下啊，他其实是有两种算法啊，哪里就可以看到呢？我们可以点击文件菜单，我这个呢是 metibo 二一版本啊，如果你是其他的一些比较老的版本呢，你的操作可能稍微有点差 差异，我们点击文件，然后点击选项，然后呢点击这里的控制图和质量工具，在这边的话呢我们可以看到点击一下这个能力分析，那这边的话呢大家可以看到啊，我们对于非正态，我们怎么去计算过程能力呢？其实这里呢有两种方法， 默认的方法呢，其实是 z 值法，只不过我我这里的话呢是把它改了一下，改成了 iso 的方法 啊，我这边的话呢把这个默认方法由 z 值法改成了 i s o 的方法，在 metal 二一版本当中默认的是 z 值法，但是我们今天主要讲的是这个 i s o 的方法，所以说我这边呢 做一些调整，这个让大家要注意一下。好，那么我们来看一看这个什么叫 is iso 的方法啊？那什么叫 iso 方法呢？我这边呢用手动啊，手动计算呢，来给大家做一个简单的演示，简单的演示， 那么所谓 is 方法呢？我们在文中也有详细的介绍，所谓他其实就是帮我们去首先第一步找到合适的分布，然后第二步呢去求相应的分位数，然后把这个分位数求出来以后呢我们带入到对应的公式就可以算出来 ppk， 那么这个分位数怎么求呢？我们在文章当中啊有相对说明，首先我们要去找到分布，那么通过我们刚刚的个体分布标识，我们可以看到指数分布是一个不错的选择， 那么分布是指示分布，那么指示分布它的参数是多少呢？这边呢我们其实啊在个体分布标识啊，你把这个速度结果呢往下拉 啊，往下拉，往下拉，下面的话呢，在你和优度检验的下面呢，这边还有一个分布参数的极大四难估计，说这边的话呢是可以帮我们去估计分布的参数的， 那么我们刚刚找到的是尺度分布，那么尺度分布的话呢，我们来看一看，我们这边的话呢是只有一个参数的尺度分布啊，它的参数呢是尺度参数，是尺度参数为三点零四二六八的这么一个尺度分布。那么有了分布以后呢，我们下面的话呢就去求分位数，求三个分位数，一个呢是 零点五啊分位数，第二个呢是零点九九八六五分位数，第三个呢是零点零零一三五分位数。那么至于为什么要求这三个分位数啊？大家详细的内容呢，可以去看一看，我们会把这个文章发到我们的微信公众号，大家可以去看一看我们的这个微信公众号里面有相关的说明啊，相关的说明。 好，那么下面我们就一起来看一看，怎么去算啊？怎么去算这个三个分位数啊，一个是零点五分位数，一个呢是零点九九八六分位数，一个呢是零点零零一三五分位数。好，那 现在我们来看一看怎么算啊？怎么算呢？我们可以用图形选择概率分布图啊，通过这个概率分布图呢，我们可以非常简单直观的就可以帮我们算出来这三个分位数。好， 我们来看一下怎么算呢？我们首先啊点击图形选择概率分布图，然后这边的话呢，我们为了方便一点啊，我们可以选择查看概率啊，查看概率好，点击确定 啊，所以我们在查看概率当中，我们首先要指定分布，这里分布的话呢，我们刚刚说过用的是十分布，这样的话呢，我们用的是只有一个参数的啊，只有此路参数的这个，呃， 此处分布此处参数呢是多少呢？现在我们在个体分布标识当中已经给出来是三点啊，三点零四二六八 这里的这个尺度参数啊，他是哪里得到的？他是这个指数分布，他对应的这个尺度参数啊，我们把这里呢填进来就可以了，这个玉值的话呢，我们是没有的啊，我们是只有一个参数的尺度分布好， 然后呢我们点击阴影区域，我们把分布找到，它的参数找到，然后呢我们点击阴影区域，我们去求一下分位数，我们首先来求一个顶点五分位数，怎么去求分位数呢？ 所谓零点五分位数，其实就是中位数，什么叫中位数呢啊，这个呢，有一些朋友应该了解过啊，那叫中位数啊，就是把数据从小到大排列 啊，然后处于中间位置的数呢，就叫中位数，说白了一点就是这个数啊，有这个数据当中有百分之五十的数据比较小，百分之五十的数据比较大，对不对？那么怎么去求呢？很简单啊，我们选择左尾，然后左尾 的话呢，他的这个阴影的面积啊，这左边这一块的面积多少呢？就是我们百分之五十啊，就是零点五啊，零点五，那就是我们所谓的位数了啊，这就是这里的零点五分位数。好，点击确定，我们来看一看等于多少啊？ 好，我们可以看一下他得多少呢？他等于啊，这边呢，简单说明一下，这边为了让他看的清楚，我把这个零把他删掉啊， 可以看到我们算出来的这个零点五分位数得多少呢？这里算的零点五分位数啊，等于二点一点九啊，算出来等于二点一点九啊，啊，这个比较比较简单吧，什么叫 零点五分位数？对应的是二点一零九啊，也就是说在这组数据当中，比二点一零九小的有百分之五十，大的有百分之五十啊，这种叫中位数啊，中位数。好，我们再看一看， 零点九，零点零点九九八六五分位数和零点零点一三五分位数，这两个分位数我们该怎么去求呢？也是一样的啊，我们点击编辑上对话框，然后呢，我们仍然分布还是一样，参数还是一样，我们选择阴影区域 啊，这边的话呢，我们选的双尾，为什么选双尾呢？就是我们在文章当中说明我们所谓的非静态，其实我们要去估计他的过程之深，就是要去第一个通过刚刚的中位数去估计他的中心位置，第二个呢是我们要去构建一个顶点百分之九十九点七三的这么一个区间， 那么中间的区间的范围是零点九点七三，那么落在两边的他的这个范围相加是多少呢？就是百分之零点二，其实零点零 零零二七对不对？落在两边的零点零零二七，那么落在中间的多少呢？中间内就是一减去零点零零二七，就是零点九九八六，对不对？好，点击确定 好，这的话呢，我们就可以把这里的零点九九八六分位数啊，零点零零一三五分位数求出来，这个呢也是一样，我把这个零把它删掉啊，这个 为了看它方便一点。好，那么这样的话呢，我们可以求出来零点零零一三五分位数等于多少呢？等于零点零零四幺幺， 那么零点九九八六五分位数等于多少呢？等于二十点一零。好，我们把这三个分位数求出来以后呢，我们就可以来计算得到这里的。呃，这里多少呢？这里的啊，我们就可以得到 这里的零点三三啊，这里零点三三怎么来的呢？我们来看一下。好，我们来看一下。 好，通过刚刚的分析啊，我们求出来了这三个分位数，首先零点零零一三五分位数等于零点零零四幺幺零点九九八六五分位数呢？等于二十点一， 中位数就是零点五分位数呢等于二点一零九，我们刚已知啊，已知规格上线等于八规格下线没有啊，没有好， 收到这条信息以后呢，我们带入公式，首先我们来看一下 p p p p 得多少呢？ p p 啊，等于归个上线减去归个下线，比上，如果是正态的话呢，比上的是六倍四个码啊，为什么比上六倍四个码呢？因为六倍四个码它是包含了百分之九九啊，零点九九七三，那么现在我们 是非正态，没有六倍 c 个码，百分之九点七三，那么怎么去代表这里的六倍 c 个码呢？我们就用这里的零点九九八六分位数减去零点零零以上分数。这样的话呢，我们也可以构建一个零点九九七三的这么一个区间范围，但是因为这里的规格下线没有啊，所以说这边的 pp 呢，我们就算不出来， 然后 p p u 呢？ p p u 就是规格上线，原来如果是正态的话呢，它的 p p u 是规格上线，减去均值，但是这边的话呢，我们没有均值，我们用的是中位数啊，减去八，减去二点一零九，然后啊，然后是除以， 如果是正态的话呢，除以是三倍 c 个码，但是如果这边呢是非正态的话呢，我们这边的话呢，是用这个零点九九八六分位数减去我的中位数啊，这样的话呢，我们也可以构建一个所谓的三 c 个码这么一个范围，而这边的话呢， 我们可以算出来啊，这边的 p p u 等于零点三二七四四啊，约等于零点三三。那么同理呢，我们的 p p l 啊， p p l 因为规格下线没有，所以说这个 p p l 呢算不出来， 然后 p p k 呢是这两个当中取一个最小的值，所以说 p p k 呢就等于 p p u 就等于零点三二，七十四就约等于零点三三。 那么大家可以看到这个点点三三其实就是我们在用密码键默认的 iso 的方法当中算出来的 p pk 等于点点三三。说这个算法的话呢，其实就它其实后台的逻辑， 首先找到合适的分布，然后基于这个分布去算对应的分位数，然后分位数求出来以后呢，我们带入到这个公式啊，这里话呢，我们就可以把这里的 ppk 啊，可以把它求出来啊，那么怎 个的一个计算的话呢？当然我们有迷彩软件的帮助以后呢，这个其实就非常简单了，所以说后续大家在算的过程当中的话呢，并不需要再去计算这些分位数，然后去计算所谓的这些公式啊，我们只需要用软件呢，直接把数据啊，通过 理分布标识找到合适的分布，然后呢直接选择分布呢，我们就可以非常简单啊，通过简单单机呢，我们就可以完成相关的计算，所以计算呢，我们这个软件说这节课只是给大家说明一下这个算法，但是公式 并不是重要，那么其实我更加情愿大家去把精力花在哪里呢？花在前端，据说这个数据我们现在用的是非这些非正态的方法，通过指数分布来你和他，那么这个数据为什么非正态？我希望大家把更多的精力点花在 这里，去找一些原因，看能不能找到啊，如果能够找到这个分期变得更加简单，对不对？好，那么呃，视频呢？就到此结束，那么更多内容话呢？大家可以去关注我们的这个微信公众号，这边呢有两个微信公众号， 当然这边我也有我们的联系方式啊，大家可以去关注一下。那么本期课程到此结束，谢谢大家，我是小何。
15:29查看AI文稿AI文稿哈喽，各位朋友大家好，我是恒宝林，那么我们今天的话呢，给大家分享一下关于非正太能力分析的另外一种方法，叫做非参数方法。 那么在分享之前啊，简单说明一下，我们这一个视频的话呢，是为了去呃解释一下我们的这个视频文章当中这种方法。 所以说大家在看视频之前，先把我们之前的文章和第四篇的文章啊阅读一下，然后的话呢阅读完成以后，我们再来看一看这个视频当中是怎么执行这种非参数方法呢，去帮我们做过程的分析。好，那我们来看一下啊， 那么对于这个呃前面的课程当中的话呢，我们给大家分享过正态怎么做挂下来分析，如果非正态怎么做？ 我们前面呢，其实对于非正态我们讲了转换的方法以及用其他分布礼盒的方法呢来做过程的分析，那么当我的数据能够礼盒正态，那么呢我们就用正态的方法，如果 非静态，但是我能够找到其他的分布的话呢，我们可以基于我们找到了分布去求分位数的方法去算过程能力 p p p pk， 但是如果我的数据非侦探我发现呢转换屏不通，而且的话呢我也没办法去找到其他的合适的分布，那么这时候的话呢，我们就可以通过这种非常的方法呢进行相应的分析。好，我们来看一个案例， 比如说我们这边呢有这么一种数据啊，这个数据的话呢，我们首先来看一下我们这个数据呢，数据量是非常 高的啊，大家可以看到一共是呃我这边呢是通过仿真呢生成了一千行的数据啊，这个数据量是非常多， 那么对于这种非餐的方法的话呢，他不需要要求数据正态，但是的话呢他对于这个样本的要求呢是比较高，最好是建议大家能够达到一千以上啊。好，那么下面我们来看一看这个数据， 现在针对这种数据的话呢，它的规格下线是五十五，规格上线是七十五，那么对于过程的分析啊，我们不要跳步骤，首先第一步还是质量检验统计， 基本统计啊，质量性检验，大家再去看一看我们之前的这个相关的文章啊，好，我们对这个 yd 数据呢做质量检验，点击确定。好，大家可以看到啊，我们正态性检验的批值小于零点零六， 所以说我这个数据呢，它的 p 值肯定比零点零五小，所以这数据啊，它是非静态的，那么对于非静态数据，我们不要急着变换，也不要去急着去用其他的分布，我们来看一看，对吧？到底行不行？点击统计指南工具，我们先来一个什么，先来一个个体分布标识。 好，我们来执行一下个体分标识啊，好，然后呢这边呢？呃，一共有十六种选择，我不知道哪个可行，我都来一遍，执行所有的分布和变换，点击确定。 好，那么我们来看一看我们的个体分布标识，那么在个体分标识当中的话呢，正如我们上节课所讲的内容，那么我们看的礼盒优度检验，那么在这个案例当中的话呢，我们会发现一种很奇怪的现象，那么现在呢，大家可以看到啊，这边呢在礼盒优度检验 当中的话呢，这边批值啊，没有一个批值是大于零点零五的，也就是说我们这里的十六种选择全都不行啊，那么当后续啊，大家遇到这种情况的话呢，首先 点啊，就像我们文章当中所说的，不要急着去用，我们用我们今天介绍的飞车的方法，我们先前期啊要到我数据收集的现场去进行相应的调查，为什么会出现这种情况？ 这里再一次强调，反复强调，文章当中有特别说明啊，大家先去看一看文章啊，好， 那么我现在原因也去现场调查了，发现呢我怀疑的原因都没有问题，那么这时候的话呢，如果你的样本量比较足够，像我这里呢有一千个数据，那么这时候你就可以用我们今天这个视频当中介绍到的非常的方法 去计算相应的过程能力。那么这一方非常的方法算过程能力的话呢，我们可以手动的去计算分位数， 也可以通过我们 meta 满级当中的红命令，这种方法呢直接帮我们进行计算，这个呢就比较简单，我们今天话呢就直接来看一看我们怎么通过调用 meta 满级当中的红来自动来帮我们去计算这种非常的方法计算这里的过程能力。好，我们来看一看怎么做。 那么在密推软件当中的话呢，他其实啊有一个内置的红库，我们在哪里可以找到这个红相应的红呢？我们点击帮助啊，然后再点击帮助， 点击帮助，再点击帮助，那么这样的话呢，我们可以跳转到这个 meta 软件的啊， meta 软件的这个帮助文档啊，因为我们当前呢是在这个呃在各 体分布标尺这个对话框进行跳转的，所以说他会对应的跳转到这个呃个体分布标尺的这个结果输出的呃帮助当中，但是呢，这不是我们想要的，我们这里呢点击这个箭头，这个箭头呢都是可以回车的，你可以看到你可以再往前面走， 走到哪里呢？你走到我们这个界面，但那么在这个界面的话呢，我们可以来看到这边有一个叫什么红库，看到没有 啊，在我们的这个帮助当中啊，简单说明一下，你可以通过点击左边的这个绿色的按钮，他可以对我的左边的这一块呢实行一个折叠和展开，那么在这里的话呢，如果发现有箭头的地方， 你就可以点进去，他可以做二次的展开啊，这里呢，呃，教给大家一个小技巧啊，那么我们这里的话呢，需要去找的是红库，在这里好，这边有个箭头，我们还可以点一下这个箭 头。好，那么这样的话呢，我们就可以点进入到这个红库这个帮助当中来，那么对于 重库当中的话呢，这边有两个地方我们可以点，一个是对应的红文件，另外一个是红帮助啊，如果你对这个红感兴趣的话呢，你可以 如果你这个有些朋友对编程比较熟悉啊，你可以点击这里的红帮助去了解一下啊，这个 meter 软件当中的一些红的一些基础知识啊，当然我这个呢，呃，不是教大家怎么去写红啊，这个啊，这个要求比较高，我们今天就来看一看啊， meter 软件的其实默认啊，已经给我们生成了啊，已经给我们 存储了很多的这个非常有用的红文件啊，我们来看一看，我们点击红文件，在红文件当中的话呢，大家可以看到啊，大概有大大概有一百多个非常有用的红啊， 红文件的话呢，方便大家去做一些这个呃，迷彩软件文这个功能的扩展，方便大家去做一些教学啊，这个都可以。好，那么我们今天找的红的话呢，在这个非参数红这里面。好，我们点击一下啊这个三这个镜头再点一下。 好，那么这边的话呢，我们看到有一个叫做什么非参数能力分析啊，那么我们今天要介绍的红呢，就是 通过利用这里的红来进行相关的分析，那么在使用红之前啊，大家先自己呢在这一页帮助当中把这个红的说明啊，红的说明的话呢，学习浏览一下， 我们这个学习呢，大家课后去学习啊，我这边呢直接来给大家来介绍一下怎么去调用这个红，那么你要想调用这个红的话呢，首先一点你要把这个红呢下载下来， 大家可以看到这边有个下载的按钮啊，你把这个红呢下了下来，它的名称呢是 e c a p a 点 m a c 啊，这是它的一个点 m a c 是它的一个格式啊，然后 e c a p a 呢是它的一个红名称。好，你把这个红啊下了下来啊，下了下来以后呢一定要注意一下啊， 我这边的话呢给大家简单介绍一下红，下载了以后你可以把它保存在桌面都可以，但是一定要注意，你下载，下载到你的桌面或者什么位置以后呢，一定要注意了，你的数据，你的红的存放的位置 一定要注意，你要把你的位置啊跟 metal 软件的这个指定的位置啊相对应，比如说这边有个说明，我们要确保 metal 知道在哪里可以去识别这个红，那么怎么让 metal 软件是能够识别 这个红呢？一定要这一步，千万千万一定要注意，你把下载的红放到指定的位置放在哪里呢？我们打开密码键啊， 放到点击文件啊，我这个呢是，呃，如果大家是这个十九二零二一软件的版本呢？大家的操作跟我的是一样的，如果你是十七十八这些比较老的版本呢啊，操作稍微有点差异啊，好，我们现在是二一版本啊，我们点击文件菜单，然后呢这边有个选项按钮。 好，这里呢大家一定要注意一下，大家可以看到我们的红的位置呢，我是把我的红 呃，在滴盘培训这个菜单下面，我建了一个 meet up 文件夹，然后呢把我下载好的这个红我放到这个文件夹底面，一定要注意一下，你放的这个红的位置一定要跟你指定的位置相同，怎么去 指定呢？这边有一个啊，三个点啊，你去通过一个点呢去指定啊，去指定的这个红的位置，这里呢一定要注意一下，你的红的位置 跟我的位置啊，肯定是不一样的，这个根据个人的这个喜喜欢就这个个人的喜好，对吧，所以这里呢一定要注意，你的放到红的位置啊，跟我的位置可能不一样，但是你一定要不管你是放在 c 盘 d 盘啊，但是呢你的这个路径呢，一定要是对应的，跟我这个这里的位置是对应的就 ok 了。 好，那么把这里的红放进来以后呢，我们下面呢就可以来调用这个红呢进行相应的分析，那么怎么去调用呢？好，我们来看一看，首先我们每个红呢，他都有一些相应的要求，比如像我这个红， 我这个红的话呢，你要想去调用使用它，你最少要一百个数据啊，最少要一百个数据。另外的话呢，再来强调一下，因为是这种非参数能力分， 你最最好啊，是能够干到一千个数据以上，这个是最好的，因为你要去计算这个零点零零一三五分位数吧，要求这么一个小的分位数的话呢，你的样模样的要求啊，最少如果能够达到一百啊，一千啊一千是最好的，虽然黄只要一百，但是 对于我们来说啊，最好是能够达到一千以上。好，那么怎么去调用呢？这是数据的要求啊，样本量我们要达到一百以上， 然后的话呢是怎么去调用这个红，我们把这个调用红的格式啊，这边呢大家可以看到，我们只需要把这部分啊 复制过来啊，你把这一部分呢，不需要你去混，因为红的话呢，他这个编程的要求比较高，所以我们这边的话把格式给大家直接垫出来了，你把这一部分直接复制啊，复制下来，复制下来以后呢，我们把它粘贴到 meteor 软件当中，那么如果我们现在是十九二零二一的朋友啊，怎么去粘贴呢？这个呢其实比较简单啊，我们点击查看菜单， 我们然后呢这边呢我们点击命令行与定时记录啊，你点一下，你点一下，大家可以看到我们现在前面是没有勾的，然后你勾选一下， 勾选一下以后呢大家可以看到啊，我在这个，呃，右上角啊，在右边啊，他会多出来一个命令行与历史记录这么一个窗口，那么我们就在这个窗口的话呢，执行相应的这个红命令的操作。怎么操作呢？你就把刚刚的这个 编辑的部分呢，把刚刚这个红呢，把它这个复制过来啊，复制粘贴过来，然后的话呢我们对这里的参数呢做一些调整，我们要分析的是 c 几点呢？ c 一点，然后规格下线多少呢？规格下线是五十五， 上线多少呢？上线是七十七啊，七十五，上线是七十五。然后一定要注意一下，就是我们这个句号啊，句号，你把它去掉啊，不要句号啊，不要句号点击运行，或者你给他来一个逗号啊，给他来一个这个 我们英文，英文输入的时候的这个句号的就这个输入方式啊，这里要注意一下他的输入方式，好的话呢是为了大家简单一点就不要输了，就是规格上限七十五，然后后面就不要了， 然后有了这个输入以后啊，我们就可以去调用我们刚刚保存的这个红，然后通过调用这个红呢，帮我们来利用非真的方法去做过程的分析。好，我们来运行一下这个红， 好，我们来看一下这个运行的结果，那么这样的话呢，我们会得到这么一个能力报告， 在这个能力报告当中的话呢，我们来看一下，首先我们这里得到的这个能力报告啊，大家要注意一下啊，你会会发现他的写法叫 c n p 啊，然后呢， c n p k， 它不是 c p， 也不是 c p k， 它是在 c p 和 c p k 中间加了一个 n n， 就是表示的是它用的是非参数方法来执行的这么一个操作啊，它是用非参数方法得到的这么一个能力的报告， 其实严格上来说的话呢，这不应该是 c n p 应该是什么？应该是 p n p， 然后跟什么也不是 c n p k， 应该是 p n p k 啊，应该是 p n p k， 这个可能，呃，更加好一点，可能更加好一点， 好，这就是我们啊，怎么利用这个啊，如果我找不到合适的分布，我的数据也不能执行相应的变换，然后的话呢，我们可以通过调用 mini 软件 当中的红的方法呢，执行这个分析，但这个红的前提啊，是你的数据量要比较多啊，如果你数量比较少的话呢，这个红呢，你就运行不出来了。这里的话呢，给大家强调一下，那么你可以通过这种方法得到这么一个所谓的过程非参数方法的能力报告， 但是我要强调一点啊，这个文字当中我们也说过不要强调一点，什么一点呢？就是我们做这种， 不管是我们前面介绍到的变换呢，这种这个其他分布礼盒呀，以及我们在这个视频当中讲到的用飞身的方法来进行相应的能力的分析啊，那么这里呢一定要给大家强调一下， 我始终是建议大家不要等你数据非侦探来问怎么做，而要把更多的精力花在去干嘛数据收集的前期啊，去 年交去分析你的数据为什么会分成态？是个数据天生还是分成态，还是你在数据收集的过程当中出现了什么问题啊？比如说在我们的这么一个能力报告当中，其实大家可以会发现一个非常明显的现象，什么现象呢？你会有没有发现我这个数据其实明显有分层呢？看到没有， 他明显是来自于两个不同的总体，但是我现在可能没有考虑到这个问题，比如说他可能是来自于两个不同的设备生产出的产品， 我可能没有没有考虑这个问题，直接把两个设备的产品呢混在一起了，那么可能会出现这种双风形的脂肪图像这种数据的话呢？ 啊，这种双分啊，多分啊，或者说后面大家遇到一些啊，你的车辆系统的分泌率不不够啊，或者说你的数据当中有一些异常大异常小的值啊，他都可能会导致你的数据啊 非正态。所以说你在做之前做这些非正态分析方法之前，或者用这里的非正态方法之前，先去调查调查数据收集的现场有没有，能不能发现一些可能导致数据非正态的原因啊？这里呢反复强调啊。好， 那么这就是我们今天想给大家分享的关于非参数方法怎么做过程的分析，那么我们这期视频呢，到此结束，谢谢大家。我是何茂林。
02:29查看AI文稿AI文稿今天我给大家继续介绍如何生成随机数据。 上一节视频我给大家介绍了如何从列的数据中随机抽取数据，今天我们继续讲如何根据指定分布生成一定量的数据， 在 mietap 当中，它包含二十多种分布， 我们已知某总体服从军之为实，标准差为零点一的正态分布。我们啊，现在要从这个总 题中随机抽取一百个数据，等同于基于这个分布生成一百个随机数据。 操作方法呢，就是点击菜单栏的计算，选择随机数据，选择正态。 在弹出的对话框中要生成的数据，这里我们输入一百， 存储在 c e 列当中，输入 c e 下面的参数 设置这里均值我们输入十，标准差呢，我们输入零点一。好，这样我们点击确定， 这样我们在工作表的 c 一列就生成了一百个来自均值是十，标准差是零点一的正态分布的随机数据。 我们根据指定分布生成随机数据，这在我们平时进行仿真计算的时候是非常有有用的，希望大家能够多加练习，熟练掌握。
79刘金恒讲质量
01:00查看AI文稿AI文稿供应商发来报告， ppk 一点八一， cpk 一点七七，看起来 ok， 用 mini table 重新验证一下， cpk 一点八三， ppk 一点八一，怪怪的，为什么 mini table 跟 excel 结果不一样呢？看来知道问张大师了。 cp 和 cpk 采用主内变异，古迹 pp 和 ppk 采用整体变异估计， mate bo 估计整体变异的方法和 xl 相同，因此在计算 ppk 的时候，两者结果没有差异。对于 cpk， 如果词组量本量大于一没 tbo， 采用三种方法进行主内变异估计， 如果选择阿拔，那么采用直阻，其他的平均值除以修边数第二来估计 x 六。通常采用这种方法，如果选用合并标准叉，那么采用合并标准的算法， 而古迹组队背影没贴布，默认采用这方法。因为方法不同，所以 cpk 的结果也不一样，众多信息可以参考逗比二十六。
211制造学习联盟
10:30查看AI文稿AI文稿好，大家都打开了我们的一个数据啊，秘密特步啊，把那个数据好到密密特步里面，随便好到哪一列都可以。我这边给大家演示一下，比如说有这样一组数据，对吧？这样一组数据， 那我怎么对他进行一个简单的分析呢？如果你只是看点估计和他的区间估计的话，点估计是什么？比如说这边的军事标准差都是的， 我们一般只需要选择基本统计图形化汇总之后呢，选择我们对应的数据就可以了，比如这边是 c 一类啊， c 一类这个数据就连自己选屏用默认的就可以了。这点确定之后，我们看一下这个结果怎么样的，这结果我们可以双击他啊， 可以看一下。呃，这边的话，我们点估计就这一块，就这一块是点估计啊，这一块点， 比如均值标准差方差啊，偏度、风度啊之类的，其实这些也是啊，只有直接的值之类的，只是我们一般一般来说是 这部分的判的比较少，一般来说我们对那个点估计或点参数判了之后还是君子标杀之类。这些参数我们的一个正区间呢，是看这部分啊，就是或者区间估计就是看这一块啊， 比如说我们均值得一个自己区间中位数，自己区间或者标准他自己区间是多少，这边都会自动帮你算出来，自动算出来是这样的。 好了，这点估计大家知道了吧？点估计大家知道了吧，刚才跟大家演示了一下，点估计和区间估计啊，都讲了一下。呃，区间估计的话，那个后面还会跟他讲了， 就是那个后面 好典故界的怎么算呢？刚才大家提到了这边有个例子，大家可以先算一下 题目，我先读一下零件这个 df 的间隙是一个重要的特性，经过正在检验，间隙服从正在分布啊，这个 miu 啊，是一个码的一个平方， 现在从线上线上随机出取物零件啊，这个数据，就这个数据，就是我们这边的话要给出这个呃均值方差变差的五片估计。 他这个公式的话啊，前面已经列出来了，大家算一下，再算再算一下。这公式在这里啊， 好了，我们直接看一下怎么算吧。好吧，不耽搁大家太 太多时间了啊，他这样上的其实挺简单的。呃，这边是无篇估计量的意思啊，他这是什么意思？就是说这个总体均值，总体均值我们一般用没有表示啊，上面加一个这样的符号就说总体均值了，无篇估计的意思啊。 另外我稍微补充一下的，是啊，就是你这个整体卷子无片孤寂啊，就是你这个卷子减去总体书无片孤寂吗？他是等于零啊，所以他认为他是无片孤寂这样的， 这是我们的总体的一个标准差的五片估计啊。好，后面我就不说了。这边就均值吗？均值就零点七，他算算零点七啊， 这个我们那个样本方差啊。 s 来估计。这个总体的个方差啊，是零点零零三二五之后的标准差。我刚才讲过吗？有两种方式， 你可以用这个呃即插的方法，或者说用这个样本标准插的一个方法来算都可以。怎么查嘞啊？需要查表的。根据什么查表？根据样本量查表，我这边的话直接列出来了， 就 c 四的话，一个是等于零点九四，一个是等于二点二三三二六，二点三二六啊，这样的。 所以这边的啊，这个吗？ s， 这无片估计的话就是 s 除以 c 四就可以了，算出来就是零点零六幺， 只有利用急刹的办法，这个急刹的话除以第二，这个就零点零六四啊，是差不多的，差不多的 差不太多。我们看一下这个视频吧，我切一下 好了吗？能看到了吗？好吧， 大家好。呃，今天讲一讲无篇估计和样本方差分子为什么是 n 减一。这里强调一下子抽样的目的是通过样本推断估计总体的参数，比如说方差和均值等。我们关心的永远不是样本， 因为是样本估计，总体，我们希望是一个好的估计。估计值与总体之间要有无偏性。 数学上的表达是如下，西塔是总体参数，那么西塔戴个帽子呢？是样本估计量，样本估计量的期望值一西塔害 等于吸他，这个期望值呢，是多次重复下的收敛值。举个例子，样本均值我们抽两个样本，可能在这个地方 三个呢，可能在这个地方四个呢，到了右边那么抽五个呢？话又回来了，随着样本数量的增加，这个值会越来越靠近总体均值。 无片估计有很多种，比如说样本均值、样本方差和样本均值的。刚才他讲的那个什么均值啊，其实是大数定律啊， 他根据大数定律得到的，为什么这个总体的一个君子的无片估计没有等于我们的一个样本的君子，君子呢，是通过大叔定律得到的，刚才那个是 大数据里的一个演示，相当于方差。等我们今天讨论一下样本方差的无片估计， 方叉呢是随机变量与其均值之差的平方和的均值，我们公示如下，我们用 mila 代表着总体均值， 大写的 n 是总体数量，大写的 x 代表着每一个变量值。总体离差平方和的均值就等于方差啊，大家很轻松的就能知道， 如果是有限总体全调查不抽样的话讲，这些数值代入公式很快就能得到方差。 干，刚才那个稍微要说明一下，他这边不是有一个方针吗？对吧？他这个是总体方 很差，因为总体分为有限总体和无限总体啊，我们一般都是无限总体，如果是有限总体的话，用这个公式进行划算就可以了，就不用什么估计之类的。当然，我们一般是从那个 无线总体中抽取一组样本对总体进行估计吗？对吧，所以的话，我们一般是用样本方差对他进行估计啊，样本方差是总体方差的五片估计是这样子的啊， 但是对于无线总体方差，我们就遇到了麻烦。首先，公式中的军职 这玩意啊，有时间就是想象中的虚拟的，可能只有上帝才知道君子是多少。其次呢，我们的个体数量无限，总体呢，就是无限个。最后呢， 我们的变量值可能知道一些，但是也没有多大帮助，所以说呢，现在情况我们就是很尴尬， 怎么办呢？有人就建议我们用样本均值代替总体均值不就得了，出样变量值代替总体变量值，样本数量代替总体数量，这时候有人就说了，除以 n 呢，是有篇估计， 大家一看是德国天文学家贝塞尔，他接着说，用样本均值代替总体均值，会低估总体方差，需要补偿， 补偿系数就是 n 除以 n 减一。用图来解释一下，抽取三个样本得到样本均值， 而我们的总体均值在这里，样本均值与总体均值统计学家发现他们之间总是存在差异，而数学上可以证明样本数值与样本均值的离差平方和是最小的。 用这张图进一步解释一下样本均值与总体均值的差异。这个呢，是总体的分布高度，代表着数值段出现的概率。 在一个分布呢，总是有高有低，那即使是均匀分布也会有波动，有高有低。概率高的数值出动几率大，比如说粉色区域概率 p 一， 一定小于黄色区域概率的 p 二，这样的话就会使军事与总体之间产生差异，毕竟总体是呢是美， 一个数值都参与。顺便呢，平方这个操作也放大了这个差异， 这种差异呢，会随着样板量增大而减小及 n 越来越大。样本越来越能代表总体平均值，也越来越接近总体均值，这也符合大数定律现象。 所以呢，样本方差的公式就被修正成了分子为 n 减一。 n 剪辑的由来是有严格的数学证明的，大家也可以去这个网址去浏览一下， 是这样的，为什么这个样本放差要除以 n 减一，不是除以 n 了？刚才做了个简单的一个介绍，他这个是数学公式严格证明的，就说他不是随便得来的，不是说同学家什么 随便根据大数据分析得来的，他就是一个严格的数学定律。是这样的，但他，他这个视频没有讲那个，没有讲那个标准差的，五篇啊，五篇估计啊，方差，五篇估计是这样， 总体方差六根无极是什么？就是样本方差啊。怎样的方差？他除以什么？他除以那个分母是什么？他是 n 减一啊？ n 减一是这样的。
17JasonTan
10:34查看AI文稿AI文稿好，大家好，我是陈伟，今天呢我给大家分享的是弥泰补进阶级课程中的过程能力分析。 过程能力分析呢，这个模块里主要包括三大块，第一大块呢，我会给大家介绍过程能力分析的简介和概念。第二大块我会给大家介绍计数型数据的过程能力的免疫态度如何计算。 第三大块我会给大家介绍计量型数据的过程能力，民营态度如何计算， ok， 那么今天首先我们先看看过程 能力的简介。过程能力简介里面分两部分，第一部分是计数型的过程能力的简介，第二部分是计量型的过， 所以呢，对于会包括几个内容概念，第一个叫 dpu， 第二个叫四个码水平，第三个叫 ppm， ppm 也是我们经常所说的 dpm o， ok， 那对于计量型数据来说，我们最熟悉最熟悉的两个概念，一个是 cp， 一个是 cpc 啊，所以呢，我会把这几个概念先给大家做一个简单的介绍啊，当然大家也可以参考我另外一个视频，专门讲这个 cpcpk 的一个视频， ok， 让我们看。首先看技术型的过程能力的评价指标，我们比较常见的有这么三个，第一个叫 dppm， 就是每百万产品中的缺陷品数啊，大家注意，缺陷品数就指的是我们通常所说 的不良品。第二个叫 dpu， 就是单位产品的缺陷数，而这个只是缺陷数。 然后 dpmo 呢，是每百万次缺陷机会中的缺陷数啊，所以呢，这个大家先把这三个概念了解了啊，这是第一个，然后我们看如果我们看到这个三个概念的话，我们怎么去算我们的过程的 dppm 和 dpu 以及 dpmo 呢？ 大家可以看这个案例，从这个案例里面我们可以看出来，他的 dppm 就是四除以五，再乘以一百万啊，对吧？四除以五乘以百万， 好，这是一个，那 dpu 怎么算呢？啊？大家可以想应该是四四个缺陷除以五个产品啊，零点八啊，这， 这个是我们算的 dppm 和 dpu， 那 dpm 问了，我们先不讲， ok， 那我们看如果这个案例变成下面这种情况呢，我们再算他的 dppm 和 dpu， 这个时候我们的 dppm 还是一样的，也是四除以 这个五乘以一百万，对吧？那 dpu 就不一样了， dpu 他很显然他就成了分，分子就成了一二三四五六七八九十， 对吧？十除以五了，所以他 dpu 就成了二，那么为什么这两个 dppm 一样，而 dpu 不一样呢？这就是我们在算过程能力的时候，我们经常会关注结果，而不去关注过程导致的这个现象， 所以如果关注结果的话，他们的不良率都是四除以五，也就是我们的百分之八十，但是如果关注过程的话， dpu 是不一样的 啊， dpu 是不一样， dpm 也是不一样的，所以呢，这就是过程能力指数的一个三个概念，我简单的给大家了解一下，那么用弥太补如何去计算过程能力呢？指标呢？是我们第二个模块里专门给大家讲计数型的啊， 过程能力明太谱，如何去操作？那么除了这些三个概念以后以外呢，还有一个更重要的概念就是四个码水平，我们可以根据 dpmo 的这个值去 查一个叫四个码表，我们可以反推出来四个码水平， ok， 这个呢，大家可以去在百度上百度一个四个码表，记住是 c 个码表，不是类表。 ok 啊，这是第一个，那我们看计量，计量型数据呢啊，它的概念有哪些呢？我们首先看计量型数据的概念呢，第一个就是我们经常所说的 cp， cp 呢就是 voc 比上 vop 啊，还记得我之前给大家上课的时候讲过一个案例，如果你的家的车库宽是四米，车宽是三米，如果要把三米宽的车停到四米宽的车库里面啊，我们停进去的概率，一次停进去的概率， 那如果我们不断的把三米宽的车减少到一米零点五米，这个时候我们依次前进的概率在不断的增加。所以呢，如果这个时候我们把车宽叫做客户的声音车，车库宽叫客户的声音，车宽叫流程的 表现，那么你流程的表现越窄，你流程表现的越窄，也就是你的 c 码越小，这个时候你的过程能力就会越好，或者说你流程的表现是一样的，但是呢，我车库宽变成四十米，这样的话，你停进去的概率也会 非常高，所以呢，我们通常希望这个 cp 的这个值呢越大越好。 ok， 好， cp 这个概念搞清楚，那么 cp 呢？他不会关注平均值的偏移，我只要关注规格上线和规格下线，以及六倍的标准差的这个 这个离散程度，我们就可以算出来 cp 值。所以当我们的平均值偏移的时候， cp 值并不能衡量他的这个过程能力的好坏，因为他只关注的是波动。这么讲嘛，就是 cp 呢，只能说你能力好，但是并不能证明你是一个好人，对吧？只有当你的 cp 开很高的时候，既能证明能力好，又能证明你是个好人， ok， 所以呢，我们就有一个 cp k 的概念，就是从中间的平均值把它区分开，一个叫 cpu， 一个叫 cpl， 我们两个取一个什么最小值，就是我们的 cp k， 所以呢， cp 和 cpc 的关系就是 cp 是大于等于 cp k， ok， 好，那我们再看，除了 cpcp 开，我们在计量型的过程能力里面，还有一个只叫 pp 和 pp 开啊。 cpcp 开，我们把它叫短期的过程能力，然后 pppp 开叫长期的过程能力，其实我更愿意把 cpcp 开叫 潜在的过程能力， ppp 开叫实际的过程能力， ok， 所以呢，短期和长期他是一个相对的概念，比如说一个月对一年，他就是短期，那一周对一个月就是短期，一天对一周就是短期， ok， 所以呢，我们在短期的时候，其实是有一个啊，简单的区分啊，一个是数据量的区分，一个是呃变异源的区分。短期一般我们就是人机疗法环侧都不变。 长期呢，我们一般都要涵盖的不同人，不同设备，不同的方法，不同的批次等等啊， ok， 这样大家先了解一下。 好，所以呢， cpk 和 ppk 的计算公式其实是一样的，只是一个是短期的标准差，一个是长期的标准差啊，这里告诉大家，短期的标准差其实是估计出来的啊， 估计出来的，为什么估计呢？其实我们是用一个，那大家可以看这个公式，短期的标准差是用合并标准差的方式估计出来的 啊，至于怎么估计，大家如果对他比较感兴趣的话，可以可以这个呃，看我这个直播课，我的直播课的每周星期四会会给大家去呃在那个小额通上去直播这个课程。 好，所以呢，和平标准差呢，其实就是把每一个的标准差相加，然后取个平均，然后开编号，就叫合并标准差。 ok， 所以呢和平标准他呢，他没有进入主间的波动，只有主内的波动，所以他是估计出来的一个潜在能力。那总体的标准他呢，实际上是把主内和主间的全部都包含了，所以呢， 他是我们的实际能力。好好。还有一个最关键的指标呢，就是 cpmcpm 呢，其实是当我们的过程中心的平均值与我们的目标值 偏离的时候， cpm 的数值就会跟 cp 开不一样啊，也就是说 cpm 的这个值是增加了我们规格上下线之间的目标。为什么呢？因为在算 cp 开的时候，我们都默认规格上下线中间的是我们的目标值， 但是我们在往往在实际工作中经常会出现规格两个规格线中间的并不见得是我们的目标值，可能会偏左或者偏右，不管是偏左或者偏右呢，那就是离不是他们正中间的这个值，这个时候 cpm 就起到他的这个作用，也就是优等品 的一个比例好，所以大家可以看这个图，我们可以从三看这个 cpi， 从 cpi 的角度来看的算的话 a 比 b 好，但是呢， a 的合格品比 b 也多，但是从 cpm 来看的话，这个 b 的优等品比 a 多，所以呢，在企业， 呃，这个管理过程中呢，越来越关注提高优等品的比例，所以 cpm 的值越来越重要了。 ok， 后面有一个简单的案例，大家可以看一下。说索尼的品牌电视机，有一个日本和美国，蓝色的是日本的，红色的是美国的，这个蓝色的其实相当于一个正态分布，而红色的 近视一个均匀分布，虽然看起来这个不良率呢，蓝色的可以算出来，呃，不良率啊，可以用我们的这个统计学算出来啊，这个红色也算 出来，但是长期来看的话，这个索尼的电视剧的这个什么优等品比例要远远的高于这个日本的这个索尼，所以呢，大家购买这个日本的索尼电视剧的热情就会高于美国的，这就是 cpm 的应用案例。 ok， 今天呢，就给大家介绍了过程能力分析的计数型和计量性的概念，那么下一节课呢，我会给大家介绍计数型的过程能力，用民营态度如何实现？ ok， 谢谢。
261BMC博瑞林
05:22查看AI文稿AI文稿大家好，我是石老师，今天分享 mini 胎宝小技巧。图形生成器这个功能是从二零版本开始才有的，是一个集成化的数据可视化工具。 与以前的图形菜单相比，图形化生成器初步具备了图形推荐的功能，在您不知道使用什么工具的时候，他可以给你推荐可能的几种图形供你选择。 另外在制作完成的图形报表中增加了交互功能，为图形编辑和查看带来了新的可 这个就是图形生成器的界面，打开软件一起操作一遍。 现在你看到的是从国家统计局网站上下载的客运量相关的一个数据，这个数据表是从二零一九年三月份开始记录，记录到了二零二二年的二月份， 这里呢主要体现出了客运量当期的值和累计的值，包括铁路的、公路的以及航空运输这几个方面。那么如果你想可实化这些数据的话，你可以通过 图形图形生成器来进行数据的可视化操作。比如你想 想看一下公路客运量当期的数值，把公率客运量当期值放入到变量中即可，这时选中的是图库。如果说你选中的是掐的，比如说脂肪图、概率图或者是单支图等等， 那你如果是没有这些，也就说我不知道该用哪个图，那你可以默认选中图库。当你选中图库的时候，他可以给出一些推荐的值，告诉你这些值如何去 生成相应的图形，那么我们也可以把时间放进来，那这时他也能生成一些图形出来。那我们看一下时间序 列这方面的操作，在看到时间序列这方面操作的时候，因为他的分组变量变成了时间，那这个呢？显得不太合适，把分组变量拖动到时间尺度这里 就可以了，这时你看到你能拖动这些标签，来点创建， 单击创建之后，这张图就创建出来了。这张图创建出来之后，与以往的图形不同的是，当你的鼠标放入到相应的位置的时候，他能给你指示出来， 比如说啊，这里二零二零年五月份，呃，公路客运量当季值是五万四千两百三十四万人， 然后呢？二零二零年的二月份，大家都知道这是疫情的原因，导致了公路客运量急剧的下滑，虽然说后期有一些增长的趋势，但也挡不住下滑的 这样的一个趋势。当然你说我不看二零二零年之前的，我只看二零二零年之后的，从底下你可以通过的这个滑块来进行调节，那这个时候你就能看到二零二零年之后的一些数据，比如说二零二零年十一月份，从这里可以看出 客运量的下降是非常的严峻的。那有的人说这个时候我想编辑一些图形，怎么编辑？那你只需要点在图形上，点右键，单击图形选项，在你的右侧栏 就出现这样的一个文本注视的内容，当然这这个图形呢，只能参增加文本注视，所以在这里你添加标题，这个标题可以写为 客运量在猪年下降。在标题打完之后，你也可以点击副标题，当然副标题的内容可以根据你的想数据来源或者是其他的 数据来源，国家统计局，好，那这样的话你就得出来了一个这样的一个图表，这里是 图形交互式图形，这边呢是图形的内容，那这样你就可以使用 数据的图形生成器做成一个 图形了，当然图形生成记中还有很多相关的内容，如果你有兴趣的话可以去尝试一下。这里是石老师的课，喜欢的话关注点赞。
32六堂课-时老师
00:58查看AI文稿AI文稿大家好，上两节我们已经解释了正态性数据可以通过公司自动生成，并且也通过 meditable 验证了。 那么如何算深层的数据保证他的 c、 p、 k 大于一点三三和 p、 p、 k 大于一点六七，也就是下面的四种， a、 b、 c、 d 这种呃曲线状态，他是最好的， 那么我们就要缩小他的公差，代二十三中负三，我们就缩小他的公差道到他的三分之一，也就是二十三中负一区间，二十二到二十四。 然后我们也一样的在这个数据上把它改了二十二到二十四的区间，二十二减二十二的数据区间。然后我们再复制粘贴， 把这个数据粘贴出来，填到 excel 表格中，输入到下面的 excel 表格中，它的数据就生成出来了，它的 c、 b、 k 是二点三二，它的 p、 b、 k 是二点三，这个数据是非常好的，对于大于一点三三也大于一点六七。
16心想事成
03:25查看AI文稿AI文稿好神奇哦，他怎么会出来这么多数据？什么原理？一百零三，规格三五， 看一下数据，一点零七， 抓吧， 今天 拿来饭吃嘛， 王经理。然后这是夏天 点击这个计算，嗯，这边有一个随机数据，嗯，然后你做嘛肯定要正态的，嗯，然后这边的话要生成的数据嘛，你如果说一百二十五的话，你就要五行，嗯， 就是五个数字，五五组数据，五组数据，嗯，五行，嗯。然后存列于 c 一到 c 二十五嘛，你肯定是 c 一侧啊， c 二十五，嗯。然后均值的话，你像你现在做，呃，八点零，然后是正 负零点一的，是吧？嗯，你均值的话，你就算给个八点零一就好了。标准差的话就是说是他这个标准差，就是说你这个八点零一在多大的范围内波动？嗯，假如说你现在是零点零三啊，嗯， 嗯，说一下你就确定他这个数据就出来了，就在八点零零点零三里面。对，然后他这边还有一个出来之后点统计，嗯，统计完之后这边有一个质量工具，嗯，然后选择这一个，嗯， 然后再正态啊，正态的话就是说是你这边的，呃，单列的话，其实这边能点的就直接点个声音就行了， 这种大小我随便调一下。然后这个是规格下线吗？就是七点九，就是你孔径的规格上线，就是八点一，八点一，然后确定他这边又出来一个一组 一组图，一组图的话，你就看他这个 cpk 值是多少 cpk， 你现在零点六二是吧？嗯，零点六二，就是有点有点小，有点小，你把它关掉，关掉之后再重新的选选选这个数据，然后就是 随机数据里面非常正态，重新规定这一个波动的范围，零点零零看见，那到时候把它剪小一点，剪小一点，然后确定，然后，然后再再重新， 这这这边就不需要动了。嗯，再看他的一个 cpa 啊二二，然后你把他附近复制进去，然后 他那个标准值越小，他那个正态分控就越好，就是 pk 就越好。对，就这样就好了。哦，你那个格式我不知道为什么复制音乐会这样，但是。
106能量珠珠
10:02查看AI文稿AI文稿嗯，今天呢讲这个，呃基于 etap 的质量工具，呃主要讲实操讲解。呃为什么会有这么一个课程呢？因为之前我也跟我们后台的工作人员呢，呃做过沟通，呃， 因为现在说实话培训啊，讲理论的东西呢太多了，然后讲实操的呢，相对来说比较少，所以呢，呃，我就说，那，那我就讲一下我们关于 minicave 的这个实操，因为很多同学之前都可能或多或少的会接触过 minicave， 但是，呃有些同学呢不知道怎么用， 所以呢也就没有用。平时呢，呃 minicap 在我们质量管理上呢，用的还是非常多的，非常多。然后呃 minicap 呢，它其实更像是一种计算器，它会基于我们的输入的数据以及我们给出的指令给我们计算出来一个结果，所以 minicap 其实它的操作不是 很难。呃，大家看我操作，操作完几次之后呢，多多少少都能够上的了手。那说明这个难，难在什么地方呢？他难在对于我们的这个呃结果的解析，或者说对于我们这个结果的解读， 因为明确吧，他只会基于我们的数据计算出来一个结果，他并不会告诉我们这个结果是好是坏，然后我们下一步要怎么做。所以啊， 呃，我是这样想的。我们讲这个培训呢，首先讲一下呃理论的知识，因为没有理论知识我们很难去解读它的结果，所以我们先讲理论知识，讲完理论知识之后找案例实操，然后 最后根据我们的一个计算的结果讲结果的解析，分这样三个步骤去讲。好吧，呃后面的讲课基本上都会是这样的一个逻辑，然后我们今天呢，因为是 这个系列的第一堂课，所以呢，我们先会介绍一下 minitable 的基本界面，然后简单的讲一下 minitable 怎么用。不会讲的特别细，因为我们后面还会有根据案例的实操， 在实操的过程当中呢，大家可以看的比较清晰啊。迷你菜谱要怎么去操作？我也会，呃，稍微讲的慢一些，因为有些操作可能之前没有用过。好吧，那如果用过迷你菜谱的同学也稍微体谅一下。呃，这部分内容可能对于你来说有一些枯燥了，但是，呃，我们要考虑到，呃，每个人嘛，好不好？ 然后第二部分呢，我们会讲一下数据类型和基本统计量的介绍。第三部分呢，我们会讲一下过程能力。呃，可能有些同学对过程能力是比较熟悉的，但是呢，呃，我相信我讲的，呃，或多或少对你会有帮助，因为怎么说呢，呃，温故而知新嘛，是不是说不定 我理解的和你理解的不太一样的，是不是说不定你听听了我的课之后又有了新的认识呢？是不是？所以，呃，今天的课说实话是相对来说比较简单的，相对来说是比较简单的这个 mini table 的一个基本介绍。 mini table 呢，打开来之后啊，基本上会有三个部分，第一部分呢，就是最上面的工具栏， 那么 vt 界面的首先在最上面是一个工具栏，然后我们要选择的工具工工具基本上都在这里选。然后当中这个界面呢，是一个绘画窗口，我们所有的计算的结果都会显示在这个地方，这个窗口是非常重要的一个窗口， 那么我们还会对 interview 给出一些指令，这个指令呢也会显示在这个窗口最下面是我们的工作表，那么工作表呢，通常有两个作用，第一个呢就是我们输入数据，第二个呢是 重复结果，呃，这个地方我把 miss 打开来给这，这是一个打开之后全新的界面，就是这个状态。 然后我们先讲一下工具栏吧，工具栏我们会用到的啊，首先我们会用到的是文件里面，文件里面呢会有新建和保存，然后这个地方呢要讲一下新建呢，我们可以新建两个东西，一个呢叫工作表，一个呢叫项目。什么叫工作表？就是我们这个地方输入数据的地方叫做工作表。如果说我们新建工作表，大家可以看到会新跳出来一张表， 应该做一张表，那什么叫做项目？整个我们只能同时打开一个，只能同时打开一个，然后我们同时平平时保存的话，都把它保存的项目， 我稍微演示一下，打个比方，我在这里输入一个，随便输一个东西啊，我随便输一个东西哈，然后这个时候我们就可以把它保存保存到我们的桌面，打个比方，然后保 存的时候你可以给它命名，命名为 e e， 点保存就可以了，然后我们到桌面上就可以看到这个地方另成了一个 e e 这样的一个文件，那么我们下一次打开的时候，打开 miniclub， 稍微有一些慢，这个时候就可以打开项目， 然后到桌面找到一一这个文件打开，那么你就可以把刚才保存的这个项目呢就给打开了，好吧，那么我们也可以新建一个项目，那么在新建项目之前，我们要对老的这个项目呢先进行保存，否则新建完之后，这个老的项目可能就 没有了。我们点新建项目，你看之前的那个项目就没有了，就变成了一个全新的项目，好吧， 呢，文件里面呢，我们基本上就会用到新建，然后和保存，然后或者项目也可以另存为，对吧？这个就不多讲了，其他的呢也基本上用不着。然后我们工具栏里面还有一个用的比较多的是在统计里面，我们基本上可以说百分之八十甚至更多的功能都在统计里面会去用到。 不管是我们的 spc 控制图，还是我们的过程能力 msa， 包括我们的 doe， 方叉分析，对吧？还有假设检验等等等等这些功能，常用的功能都在统计里面。 呃，这个呢，我们后面会一个一个去讲，当然我不会所有的都讲到，因为有一些我们可能也用不到，甚至有一些可能我也不会用，因为说实话， 我不是专门研究 minipad 软件的，我是搞工艺改善和质量管理的，所以有一些功能呢？呃，比如说这个可靠性这个地方我就基本上没有怎么用过，因为这个可能跟我们的一些耐久实验啊，寿命实验啊这些 东西相关，那么我没有用过，那么后面我这部分我可能就不会去讲。那么我们常用的像假设检验、 doe 回归分析这些东西呢？我们后面都会一个一个去讲，所以我们这个课程是一个非常长系列的课程， 大家如果感兴趣的话可以点下关注。然后基本上是每周三我们会来讲，好吧， 然后图形里面呢，我们也会用到，但是图形里面呢？嗯，我们后面专门会去找一节课吧，找一节课来讲一讲这个图形，呃分别要怎么用？其实大部分我们用到的图形呢，在统计里面呃，他都可以给我们带出来，可以把这些图形，我们常用的图形都可以带出来。 好吧，那么我们基本上用到的就是统计和图形，后面上是个这个编辑器工具窗口，这些东西呢，也没 没什么太多的用处，呃，这边呢，我就不去做过多的讲解了。好吧，那么我们回到 ppt， 我们之前讲过 mini table 呢，是一个呃处理数据的计算器，是吧？那么既然我们 呃要讲这个数据，那么我们就先讲一讲这个数据类型吧。呃，因为我相信大部分同学对这部分内容都是比较了解的，都是比较了解的，但是可能有一些朋友是刚刚接触质量管理，可能还不是太明白，那么，呃，我们就多讲一讲，好吧， 我们数据呢，通常分为两类，一类叫技术型，一类叫计量型。技术型呢，也叫离散型。这种数据呢，它通常只有有线类的分类，比如说我们的，呃焊接的外观有毛刺和没有毛刺，对吧？分为两类，有虚焊，没有， 也分为两类。再再比如说我们一个产品上的气泡素，它可能有一个，两个，三个或者到 n 个， 虽然说是有多种分类，但是呢，它仍然是有限类的，而且呢，它是不连续的，它是离散的，一跟二之间还有一点一、一点二、一点三，我们不能说这个产品有一点二个气泡，这种说法是立不住脚的，对吧？所以这种数据呢，通常叫离散型的数据。 那么技术型或者说离散型数据呢，又可以分为两类，一类叫定类，一类叫定序。定类呢就是众生平等，比如说我们的颜色有白色、褐色、红色， 大家是平起平坐的一个定位，那么定序呢，就不一样了，我们有一等品、二等品、含次品，或者说非常好，好，一般差，非常差，他有一个哎，有一个顺序， 这种呢叫定讯。好吧，那么除了技术型数据之外呢，我们还有一类数据叫计量型数据，计量型呢也叫连续型，那么他这种数据呢，就有无限类的分类。比如说我们的直径，我们有十点一、十点一一，十点一一一。 如果只要你的两句分辨率足够，我们可以给他分成无限类，是不是？然后他的变化呢？也是一种连续性的变化。 好吧，那计量性数据呢，也可以分为两类，一类叫定矩，一类叫定比。呃，所谓定矩呢，就是他只有差值有意义，他只有差值有意义，他的比值是没有意义的。比如说 我早上八点半到的公司，你是早上八点三十五到的公司，我可以说我比你早到了五分钟，对吧？这个差值他是有意义的，但我不能说我比你早到了一点零一倍，这种说法是立不动脚的。 什么？那么还有一类数据呢，叫定笔。定笔呢，它差值也有意义，笔质也有意义。比如说我有一根轴，长度是二十毫米，你有一根轴长度是十毫米，那我可以说我的长度，我的这个轴长度比你长了十毫米，我也可以说我的这根轴长度是你的轴的两倍， 这都是说的，是吧？那么对于我们生产制造来说呢，大部分的数据呢，都是定，所以这个定水定底啊，停一下就可以了，基本上我们就把它分技术型和批量型就够了。好吧，那么对于 mini table 来讲， 计量型呢，是我们的重中之重，虽然说技术型我们也有工具去分析技术型，但是呢，工具不算很多，而且技术型分析呢，它的这种效果呢，一般都不是特别好，效果不是特别好，所以计量型呢，会是我们的重中之重，是吧？
02:51查看AI文稿AI文稿很长时间没有进行更新了，呃，之前呢，按照项目的顺序，也就是按照 a p q p 的顺序呢， 陆续分享了一些质量工具，以及这些质量工具相关的一些统计理论。那么从今天开始呢，我想分享一些迷你 table 相关的内容。今天首先想分享的是迷你 table 导入数据的几种方式，可以看到我这边打开了一个空白的 mini table 软件，那么我又打开了一个 excel 工作部，工作部里有一些数据，那么我们要把 excel 工作部里的数据导入到 mini table， 要怎么做呢？最简单的方法就是从 excel 里面进行复制，然后在我们的 面贴布里面进行粘贴，这是最简单的第一种方法，但是他仅适用于小数据量，如果数据量大的话会非常不方便。第二种方法我们来看一下，那么我们在 面推布里面有个查询数据库的功能，那么选择相应的数据库类型，然后选择数据库所在的地址，然后就可以将所想要的字段选入，那么第一个表示选某一个字段，第二个表示选入全部，我这边选入全部的字段， 点击确定，那么数据就倒进来了，他不输数据库篇幅大小的限制都可以一次性导入。那么接下来再看一下第三种方法。 mini table 里面还有一种功能叫工作标 链接，我们选择管理链接，选择添加，那么由于我这边是之前已经添加过的，所以他会有一些信息在上面，那么这边说一下应用，选数据库的类型，主题，选数据库的地址， 然后项目这边选，你要在数据库里所录入数据的位置，通常都采用 i e c e 的格式，那么这边选好之后点添加点确定，那这边可以看到 我将这个题目标题也添加进了第一列，这是这不是我想要的，所以我们可以选择返回上一个对话框，选择更改， 点击更改，这就是我们想要的数据这边点确定，那么这个方法它的弊端是 导入的时候需要手工录入标题，那么他也有他的优点，他的优点是什么呢？呃，我准备在下一次。
04:09查看AI文稿AI文稿大家好，在我们日常工作过程中啊，经常会出现我们的检验验证，包括我们的产品优化，那么在这些过程中呢，通常会出现两种数据，一种是在我们优化前的数据，一种是优化之后的数据。 然后呢，我们通常的做法是通过呃我们算出的最大值，最小值，均值标准差来判定两组数据的改变优化是不是有效果。 那么实际过程中呢，我们应该用更为准确的双原本体检验来判定两组数据是不是真的有显著性差异。 那么今天我们聊两个内容，第一个内容是用 mini tap 去做一个分阶段控制图，用于在报告中展示出我们的改善家和改善后明显的这个图式求化的效果。另外一个是我们来做一遍双圆版 检验来判定是不是有显著性差异。首先我们做一下分地段控制图，我们先把改善前和改善后的两组数据放在这里，然后我们需要在在统计中 把两组数据堆叠选择列放在一，两组数据放在一起，改善前改善后 放入一列，那么再放入这一列之后呢，我们就可以做统计的 控制图单值，控制图单值， 然后在呃让我们便利中我们选择一下 c。 二就是我们的整体数据，在单支控制出选项中，我们选择一个阶段的 的内容下角标，然后点做确定确定， 这样我们就得出了一个在报告中可以体现的 一个改善前和改善后的，那么从这个图中我们很明显看出改善前的我们上下机茬和改善后的上下机茬以及均值那么相而已，这样能看出两种两种结果的好坏。那么第二个部分我们来做一下双眼板的体检验， 我们同样用第一组这个干，然后数据选择统计， 选择基本统计量选择双元本体检验样本一是改善前样本一，二是改善后 选项中我们制定水平选择百分之九十五。图形呢，我们可以添加两个图形，一个是单只图，一个是双线图点确定。 那么在出现的结果中，我们可以可以显而易见的看出，改善前我们的要么量均，要么量是十二，均值是八十一点五二。改善后要么量十二，均值是九十一点四二，所以它的呃期望的我强度更高。 那么标准差改任后，我们标准差是二点七一九七四，改人前的标准差是六点七一。从标准差中我们可以看出我们整体数据的稳定性更高， 但实际上从我们的检验整体的检验结果，我们发现批值是为零点三七七。我们大家都知道，当我们的选择秩序信念百分之九十五批值大于等于零点零五时，实际上两组数据没有显著性差异， 但从我们的第一直观来看的话，明显第二组要好于第一组，因为从呃旺大的这个直来说，我们的直很高，我们稳定性很，稳定性很高， 但实际上他并没有显著性差异。这就是为什么说我们在判定两组探出的优化是不是有显著性差异的时候，要用说明原本去检验，以确定除了直观感受之外，还有什么样的 数据。引发你和同学一句好，今天先聊到这。
