京公网安备 11010802034615号
经营许可证编号:京B2-20210330
SPSS帮你绘制质量控制图_数据分析师
控制图(Control Chart)又称管理图,它是用来区分是由异常原因引起的波动,还是由过程固有的原因引起的正常波动的一种有效的工具。控制图通过科学的区分正常波动和异常波动,对工序过程的质量波动性进行控制,并通过及时调整消除异常波动,使过程处于受控状态。不仅如此,通过比较工序改进以后的控制图,还可以确认此过程的质量改进效果。因此,控制图在质量管理中有着广泛的应用。
控制图的种类很多,一般常按数据的性质分成计量值控制图和计数值控制图两大类。而最常用的是计量值控制图中的平均值-极差控制图,这两类控制图的特点与适用场合详见表1。
质量控制图的绘制
控制图有着重要的实践意义,因此在企业的生产过程、工序监控过程中有着广泛的应用。然而,令质量管理人员烦恼的是,虽然控制图的意义比较明显,但是控制图的绘制却要花费巨大的人力和时间。
现在,大多数企业都是通过人工来绘制控制图,首先通过计算器计算各种指标,然后再一步步地绘制控制图。在这个过程中,往往会出现计算错误或者误差过大等原因,使得最后的控制图达不到预期的效果,更为严重的是能使质量管理者产生错误的判断,做出错误的决策,从而产生较大的损失。也有的企业利用excel绘制控制图,从而提高其精确度,减少误差。然而,用excel绘制控制图的步骤比较繁杂,不容易掌握,容易在绘制过程中产生操作性失误,造成数据集的失真。
SPSS的图形工具非常强大,具有很强的统计分析功能。在质量数据管理中,经常要用到一些图形方法和工具,例如帕雷托图、直方图、散点图、控制图、序列图等,SPSS均可以有效地应用这些图形方法和工具来处理质量数据信息,这些功能集中在Graph菜单中。
点击“Group”下拉菜单中的“Control”项,将会弹出“Control Charts”对话框。从中选择所要绘制控制图的类型,“X-Bar,R,s”、“Individuals,Moving Range”、“p,np”、“c,u”分别表示“均值-极差控制图”、“单值-移动极差控制图”、“不合格品率控制图”和“缺陷数控制图”。“Data organization”则是选择以组为单位,还是以个体为单位进行分析。单击“define”按钮,则会弹出控制图各种参数确定的对话框,通过设置,就可以比较迅速地绘制出需要的控制图。
下面以一个实例介绍SPSS软件绘制质量控制图的过程。
实例介绍
例:某化学用品厂生产一种产品,每件产品需要反应试剂至少为1克,但是不能超过50克。为了控制生产过程,准备用控制图对生产过程进行监控,步骤如下:
第一步:建立数据文件。经确定,本例应用平均值—极差控制图,每5个观测值作为一组。
第二步:点击Graph菜单中的“control”项,弹出“Control Charts”对话框。选择其中的“X-Bar,R,s”表示均值-极差控制图。并选择数据组织方式为“Cases are units”表示观测量分类模式。
第三步:单击“Define”按钮,将弹出“X-Bar,R,s:Cases Are Units”对话框,其中,“Process Measurement”框用于选择工序变量,也就是待分析变量;“Subgroups Defined by”用于选择分组变量;“X-Bar and range”表示绘制平均值—极差控制图;“X-Bar and standard de?鄄viation”表示要绘制均值—标准差控制图。在此将变量“重量”选入“Process Measurement”;将变量“组号”选入“Subgroups Defined by”;选择“X-Bar and range”,即平均值—极差控制图。
第四步:单击“Options”按钮,打开“X-Bar,R,s:Options”对话框,其中,“Number of Sigmas”表示用于选择中心线以上或以下标准差的数值,在此根据质量管理的“3σ原则”,填入“3”; “Minimum subgroup size”为每组的最小样本容量,在此填入“5”,“Display subgroups defined by missing val?鄄ues”表示显示缺失值的组,在此不选择,点击“Continue”。“Statistics…”对话框中“Specification Limits”框用于设置上、下参考线,用以比较数据,在此可以分别填入“45”和“25”。
最后,点击“OK”,即可以绘出所要求的控制图,结果如图1和图2所示。
通过此控制图就可以看到均值、极差上下控制线以及平均值,还可以看到在25和45参考线以外的组号,并且通过分析,可以看出该控制图没有出现越出控制界限的点子,也未出现点子排列有缺陷的情况。因此,可以知道两张控制图无任何异常,说明生产过程是正常的,是受控的。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22