经验 | CGK,CPK,CMK,PPK能力指数培训——基础知识

USL---Upper spec limit的简称,表示控制过程中标准的规格上限。

UTL-Upper tolerance limit的简称,表示控制过程的公差上限

LTL--Lower tolerance limit的简称,表示控制过程的公差下限

 一般是指产品的公差.根据产品的性能,材料要求,制造工艺决定的;超出公差即为不合格品;对于不合格品的处理一般公司都会有相应的程序;比如让步接收,返工,报废等;正所谓:受控不一定合格;不受控也不一定不可接收.

UCL---UpperControllimit的简称,表示控制上限。

LCL---LowerControllimit的简称,表示控制下限。

UIL---Upperinspectionlimit的简称,表示上检查限。

LIL---Lowerinspectionlimit的简称,表示下检查限。

*UCL/LCL一般是根据产品和过程特性,统计数据,按照一定公式及系数,计算获得; 一般是在+/-3sigma 之间; 用于查看过程的受控状态.

*UIL/LIL, UCL/LCL 范围可能相同（刚性连接）；但一般不同，他们有一定的关系，可以根据相关公式进行计算, 比如：LCL = LIL + 0.125(UIL -LIL )，LCL 高于LIL.

极差:---又称范围误差或全距(Range),以R表示,是用来表示统计资料中的变异量数(measures of variation),其最大值与最小值之间的差距，即最大值减最小值后所得之数据。R=Xmax-Xmin

控制限是由子组的样本容量以及反映在极差上子组内变差的量决定的;按下式计算极差和均值的上,下控制限.

一维正态分布

若随机变量X服从一个位置参数为μ、尺度参数为σ的概率分布，且其概率密度函数为:

则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作，读作X服从，或X 服从正态分布

标准正态分布

当μ=0,σ=1时，正态分布就成为标准正态分布

μ是正态分布的位置参数，描述正态分布的集中趋势位置.概率规 律为取与μ邻近值的概率大,而取离μ越远值的概率越小.正态分布 以X=μ为对称轴,左右完全对称.正态分布的期望、均数、中位数、 众数相同,均等于μ。

σ描述正态分布资料数据分布的离散程度,σ越大,数据分布越分 散,σ越小,数据分布越集中.也称为是正态分布的形状参数,σ越大, 曲线越扁平,反之,σ越小,曲线越瘦高.

实际工作中,正态曲线下横轴上一定区间 的面积反映该区间的例数占总例数的百 分比,或变量值落在该区间的概率(概率 分布).不同范围内正态曲线下的面积可 用公式计算。

正态曲线下,横轴区间(μ-σ,μ+σ)1倍σ范围内的面积为68.268949%。

P{|X-μ|<σ}=2Φ(1)-1=0.6826

横轴区间(μ-2σ,μ+2σ)2倍σ范围内的面积为95.449974%

P{|X-μ|<2σ}=2Φ(2)-1=0.9545

横轴区间(μ-3σ,μ+2.3σ)3倍σ范围内的面积为99.730020%。

P{|X-μ|<3σ}=2Φ(3)-1=0.9973

由于“小概率事件”和假设检验的基本思想,“小概率事件”通常指发生的概率小于5%的事件,认为在一次试验中该事件是几乎不可能发生的.由此可见X落在(μ-3σ,μ+3σ)以外的概率小于千分之三,在实际问题中常认为相应的事件是不会发生的,基本上可以把区间(μ-3σ,μ+3σ)看作是随机变量X实际可能的取值区间,这称之为正态分布的“3σ”原则。

（1－b）即把握度（powerofatest)，也称检验效能:两总体确有差别,被检出有差别的能力。

（1－a）即可信度（confidencelevel):重复抽样时，样本区间包含总体参数（m）的百分数。

  当H0为真时,检验结论拒绝H0接受H1,这类错误称为第一类错误或Ⅰ型错误（typeⅠerror),亦称假阳性错误.

  检验水准,就是预先规定的允许犯Ⅰ型错误概率的最大值,用a表示

  当真实情况为H0不成立而H1成立时,检验结论不拒绝H0反而拒绝H1，这类错误称为第二类错误或Ⅱ型错误（typeⅡerror）,亦称假阴性错误.大小用β表示,只取单侧,一般未知。

    当样本容量一定时,α越小β越大,α越大β越小.在实际应用中,往

往通过α去控制β.在样本量确定时,如果要减小β,就把α取大一些。

同时减小α和β，唯一的方法就是增加样本含量n

对数据生成正态概率图并进行假设检验,以检查观测值是否 服从正态分布.对于正态性检验,原假设为H0:数据服从正态分布；备择假设H1:数据不服从正态分布。

Anderson-Darling---选择此项执行正态性Anderson-Darling 检验,  这是一种基于ECDF(经验累积分布函数)检验。

Ryan-Joiner---- 选 择 此 项 执 行 Ryan-Joiner检 验 , 它 类 似 于Shapiro-Wilk 检验。Ryan-Joiner 检验是一种基于相关的检验。

Kolmogorov-Smirnov--- 选择此项执行正态性Kolmogorov-Smirnov  检验,这是一种基于ECDF的检验。

Anderson-Darling拟合优度检验是一种检验所收集的数据是否服从某个分 布(如正态分布、指数分布、韦伯分布等等)的一种方法,是一种非参数检 验方法。类似的方法还有Shapiro-Wilk检验、Kolmogolov-Smirnov检验等.

其原理是将所收集的数据从小到大排列，得出经验累积分布(ECDF)，并与 目标分布的理论累积分布(CDF)进行比较，得出所谓的AD*统计量，这个统 计量越小，数据的分布就越接近目标分布，越大则数据服从目标分布的可 能性就越小。

具体的判断就是根据AD*统计量的分布计算出p值，如果p值大于0.05，则 数据服从目标分布，如果p值小于0.05，则数据不服从目标分布。

P值小于0.05，则数据不服从正态分布，其置信度是95%