导图社区 六西格玛绿带
这是一篇关于六西格玛绿带的思维导图，主要内容包括：一、六西格玛管理概述，二、Define定义1）确定Y，三、Measure测量1）MSA2）过程能力分析3）找出所有可能的x，六、控制阶段Control1）固化改进结果，五、改进Improve1）提出改进方案；2）验证改进结果，四、分析Analyze1）确定关键影响因素X。
这是一篇关于六西格玛绿带的思维导图，主要内容包括：一、六西格玛管理概述，二、Define定义1）确定Y，三、Measure测量1）MSA2）找出所有可能的x3）初步分析，五、改进，四、分析Analysis确定关键影响因素X。
社区模板帮助中心，点此进入>>
论语孔子简单思维导图
《傅雷家书》思维导图
《童年》读书笔记
《茶馆》思维导图
《朝花夕拾》篇目思维导图
《昆虫记》思维导图
《安徒生童话》思维导图
《鲁滨逊漂流记》读书笔记
《这样读书就够了》读书笔记
妈妈必读：一张0-1岁孩子认知发展的精确时间表
六西格玛绿带
一、六西格玛管理概述
六西格玛管理
持续不断减少变异
变异的种类
普通变异：一直有，不可控或可控但没控
过程通常稳定，可预测
特殊变异：间歇性发生，可查明可控，有控制但未控好
过程不稳定，不可预测
极端情况：小概率，不可控。
六西格玛核心理念
高层领导的作用
顾客驱动与顾客满意
组织和员工的学习
基于数据和事实的管理
无边界合作与突破性过程改进
注重结果和价值创造
卡诺模型：顾客对于质量的不同程度的要求
基本质量：不满足，客户不满意，满足，客户不抱怨
期望质量（一元质量）：不满足，客户不满意，满足，客户满意。
兴奋质量(魅力质量)：超越客户的期望，具备卖点。
精益六西格玛
精益：减少浪费
六西格玛：减少变异
二者关系：具有共同的主题、相同的理念、侧重点互补、方法互补
六西格玛管理的组织结构
高层领导、倡导者、业务负责人、资深黑带MBB、黑带、绿带
六西格玛解决问题的模式
改进的模式：DMAIC：针对现有的流程或者产品进行改进
定义Define：界定问题
聚焦关键问题
确定项目CTQ和Y
确定目标计划
目标
范围
团队要求
项目计划确定
项目预估
测量Measure：确定过程及能力水平
测量系统分析
过程能力分析
寻找潜在要因
分析Analysis：确定关键的影响因素
确定关键因素
改进Improve：实施改进并跟踪改进结果
提出改进方案
验证改进结果
控制Control：控制成果及关键的影响因素
固化改进结果
设计的模式：DMADV：设计新的流程或者新的产品
概念模型： Y是X的函数：y=f（x1,x2......xn） X：影响Y的过程输入 Y：过程的输出结果
二、Define定义 1）确定Y
项目筛选：顾客的需求VOC，公司需求VOB或已发生的问题。
问题描述原则：5W1H
项目范围确定
采用SIPOC图：宏观流程分析方法，是供方，输入，过程，输出，客户的首字母缩写。
目标确定
目标陈述采用SMART原则
具体的Specific
可测量的Measurable
可行的Attainable
相关的Relevant
有时间限制的Time-Bound
项目突破性目标确定方法：理论最佳、历史最佳、标杆水平
减少差距的70%-80%
团队组建
预估财务收益
硬性节省
软性节省
潜在节省
三、Measure测量 1）MSA 2）过程能力分析 3）找出所有可能的x
概念类
数据的类型
连续型数据（计量型数据）：可以在一定范围内取任何值的数据。如身高，体重，时间等。
离散型数据（计数型数据）：只能取特定值的数据，通常是整数，且在一定范围内是有限的或可数的。如不合格品的数量。
总体与样本关系
代表性：样本应该具有代表性，能够反应总体的特征
推断：通过分析样本来推断总体的特征。
误差：样本统计量与总体参数之间可能存在误差。
样本大小：样本大小会影响样本统计量的准确性。一般抽取≥30左右
位置的测量
平均数
总体平均数μ
样本平均数Xbar
众数
中位数
对于不对称分布采用
变异的测量
方差
总体方差
总体标准差σ
标准差的推算方式①：σ=s/C4
标准差推算方式②：σ=R/d2
样本方差
样本标准差s
极差R
样本量≤8时
当n＞25时，方差和极差的差异接近0；抽样量在30左右能代表总体均值和标准差.极差法会弃数据，样本量不超过8时使用。能用标准差都可用
几种特殊的分布
连续分布
正态分布X~N(μ，σ2)→转化为标准正态分布，令Z=(X-μ)/σ，则Z~N（0，1），称Z为X所对应的Z值（标准正态化值）
离散分布
二项分布X~B（n，p）
当np＞5，n＞30时，二项分布可近似作正态分布，此时μ=np，
泊松分布
中心极限定理
随机变量独立同分布概念
抽样方法
简单随机抽样
分层抽样
系统抽样
整群抽样
抽样分布
正态分布
卡方分布：正态样本方差
F分布：两个独立正态样本方差之比的分布
双边规格的过程能力
Cp，Cpk二者同时看才可以看出此产品的能力，Cp大小反应过程变异的大小，Cp越大，变异越小，二者不等，说明均值偏离了中心线，相差越多，偏的越远，一般Cp≥Cpk； 通过Cp，Cpk可以推算过程良率； Cp，CPK=1.0,表明半规格线内可容纳3σ，良率99.73% Cp，CPK=1.33,表明半规格线内可容纳4σ，良率99.99% Cp，CPK=1.67,表明半规格线内可容纳5σ，良率99.9999%
Cp&Cpk，Pp&Ppk 区别：①本质σ算法不同，Pp，Ppk好，Cp，Cpk应该更好，优先看Pp，Ppk； ②Cp，Cpk里的标准差σ表达的是普通变异(组内变异),是设计能力，潜在能力； ③Pp,Ppk里的标准差是整体标准差，既包括普通变异，也包括了可能的特殊变异，是 过程的实际表现能力；
单边规格的过程能力
一般特性的要求是越小越好，仅有上边界，如某个值≤50
一般特性的要求是值越大越好，仅有下边界，如某个值≥50
设备过程能力Cm，Cmk
算法同Cp，Cpk，抽样时设备预热后，抽样连续生产100左右的样本，期间不要有特殊原因，保持变异只由设备引起。
Cpm
当目标不是规格中心时使用
计数型数据的过程能力
良率
PPM
计量型测量系统分析
测量系统的五性一力
准度Accuracy： 测量值和真值 之间的差异。
量具本身决定
偏倚
对同一测量对象进行重复测量的平均值和真值之间的差异
测量要准
偏倚线性
测量系统预期的量程范围内各点处的偏倚与真值呈线性关系
测大测小都要准
稳定性
什么时候都要测准
测量系统不变，测量结果没有发生特殊原因引起的变化，关键是稳定。
精度Precision： 用同样的仪器对同样的部品 反复测量时产生的测量值的散布。
重复性Repeatability：几乎所有条件相同的情况下，短时间连续测量的变异，代表系统内存在的普通变异，又称为设备波动，Equipment Variation,用EV表示。
测多少次都要准
再现性Reproducibility：对同一个产品的同一特性，在某个不同的条件下，其它条件都相同时，多次测量二产生的平均值变差，既包括普通变异又包括特殊变异。有课成为人员波动，Appraiser Variation,可使用AV表示。
谁来测，怎么测都要准
分辨力：量具的最小可读单位，按照10：1法则选择量具的分辨力，≤min(公差/10，6*总标准差/10)
准度是精度的前提，精度是准度的保证。
重复性和再现性的 评价方法
P/TV或P/T： ①≤10%~测量系统能力良好 ②介于10%~30%(含30%)~测量系统能力处于临界状态。根据应用的重要性、测量装置的成本、维修费用等方面的考虑，可能是可接受的。 ③＞30%~测量系统能力不足。应该改进测量系统。 另： Cp=(P/TV)/(P/T) ①当P/TV与P/T近似相等时，Cp大体是1； ②当P/TV＞P/T时，Cp＞1，说明过程能力较好，且二者相差越大，则过程能力越好； ③当P/TV＜P/T时，Cp＜1，说明过程能力较差，且二者相差越大，则过程能力越差； 因此，若P/TV满足要求，而P/T不满足要求，则说明过程能力指数太差了，P/TV表面上合格，但实际上测量系统的精度还是非常差，基本不符合要求；反之，若P/T满足要求，而P/TV不满足要求，则说明测量系统的精度基本上还是可用的，只是由于过程能力指数太好，过程的波动太小，必须要求好得多的测量系统才能满足检验过程改进生产水平的状况。
GRR分析步骤
分析时机：试生产、质量出现异常、测量过程变更时
样本选择：能代表过程的分布
试验随机化
数据分析（见糖果包案例/面条长度测量案例）
计数型测量系统分析
一致性比率
分析步骤
1样品应选择代表过程的单品，合格不合格应各占50%，并且涵盖各种难易程度区分的产品。
2检验员为平时作业人员
3随机盲测
4评价
判断准则
1有效性
2误判率
3错判率
一致性判定原则
1个人一致性
2个人与标准一致性/个人有效性
3团体一致性
4团体与标准一致性/团体有效性
卡帕值
两两之间一致性的测量值， 扣除了随机猜测的可能性。
潜在原因初步分析
流程图
头脑风暴
鱼骨图
过程FMEA
因果矩阵
找到所有潜在的x，部分可quick win快速改进，不能的， 进入下一步Analysis分析
六、控制阶段Control 1）固化改进结果
控制图
分类
按阶段分类
分析用控制图
调整过程，使过程受控
使Cp，Cpk能达到顾客要求
控制用控制图
过程稳定且能力达标时
控制限固定
按数值类型分类
计量值控制图
I-MR
统计→控制图→单值的变量控制图→I-MR
使用条件
子组内的变差小于或等于该过程的测量系统分辨率
强自相关过程
过程品质极为均匀
抽样成本较高，如破坏性测试
Xbar-R
Xbar-S
计数型控制图
p/np图
p图允许样本量大小变化
控制限出现长城样曲线
统计→控制图→属性控制图→p
np样本量大小不变
u/c图
u图允许样本量大小变化
c图样本量大小不变
八大判异原则
1单个点超出A区以外
区域的划分
2一连九个点都在中心线的一侧
3有六个点连续上升或下降
4连续十四个点交替上升和下降
极差控制图,标准差控制图, p,np,u,c图，通常用此四条判异原则。
5三个点中有两个点距中心线的距离超过2个标准差（同一侧）
6五个点中有四个点距中心线的距离超过1个标准差（同一侧）
7连续十五个点在区间C中（中心线上下都有）
8连续八个点在中线两边但不在区间C内
Xbar图，单值X图均适用
控制限UCL/LCL
区别普通原因与特殊原因
对于Xbar-R
1、控制图是用均值组成的新的均值正态分布建立的； 2、抽样越多，控制线越窄；（中心极限定理）
控制限的计算
规格限USL/LSL
区别良品与不良品
控制图的选择
抽样原则
总体目标：能识别过程中特殊原因引起的变异
合理子组原则：组内波动仅由普通原因变异引起；组间波动主要由特殊原因引起。
子组大小4-5个，子组个数20-25个
取样频率：根据实际情况，推荐每隔一定产品数量连续取4~5个
多生产流抽样方法
1每个子组以每个生产获得的一个或多个测量值组成
2分别以每个生产流中收集数据，一个子组仅有一条生产流程中获得的测量值组成
3每个子组是以所有生产流的联合输出中获得的测量组成
具体采用哪种方式，取决于过程想要控制的重点。
实操练习
统计→控制图→子组的变量控制图→Xbar-R
Xbar-R选项：估计，估计子组标准差方法：Rbar(R)
Xbar-R选项：检验（根据需要选择判异条款）
SPC与过程能力
统计→质量工具→Capability Sixpack→正态
五、改进Improve 1）提出改进方案； 2）验证改进结果
工作内容
提出多种改进方案
头脑风暴法
5why
系统图（树图）
选择好的改进方案
优先矩阵图
评估方案的有效性、可行性、成本、可复制性、可执行性
改进方案实施效果评估
选择最佳改进方案并实施
优化方案： 1）目的实现； 2）突破性改进； 3）副作用可接受
试验设计
术语
因子：x
响应变量：y
水平：因子的取值
处理：也成为一次试验或一次运行，一个处理可进行多次试验。
误差
纯误差
失拟误差
即拟合的模型中缺失的项，一般包含三阶及不显著的二阶或一阶的项，P一般＞0.05
弯曲误差
一般p＞0.05，若p＜0.05，则模型存在弯曲。
主效应
忽略其它因子的影响，因子A在高、低两水平对Y的影响。 算法：A在高水平的响应变量的均值减去A在低水平的响应变量的均值。
交互效应
一个因子的效应与另一个因子所处的水平有还是，称为两因子有交互作用。 算法：AB水平乘积为+1的响应变量的均值减去AB水平乘积为-1的响应变量的均值。
正交试验设计法
任一列+，-出现的次数各占一半
任两列，++，--，-+，+-四种搭配出现的次数相等
试验结果均衡分散，整齐可比
试验设计的基本原则
重复试验
增加中心点3次或4次
可判断模型是否有弯曲
确定试验过程是否有漂移
全部为连续型因子：中心点为高水平和低水平的平均值 既有连续因子又有离散因子，连续变量取平均值，离散变量取某一组合作为伪中心点。
角点仿行
随机化
可防止出现未知的但可能会对响应变量产生的某种系统的影响
区组化
一组同质齐性的试验单元成为一个区组，如白班，夜班。按照某种方式把试验单元分成组的试验方法。
把一部分噪声作为信号提取出来
全因子试验设计
所有因子的所有水平的所有组合 都至少进行一次试验的设计。
基本要点
通常只做2水平的全因子试验
基本步骤
计划阶段
1阐述目标
2选择响应变量
3选择因子及水平
4选择试验计划
创建全因子试验设计
统计→DOE→因子→创建因子设计（中心点一般选3次）
实施阶段
按照运行序进行试验，记录响应变量和过程中的所有状况
分析阶段
1拟合模型 （一般拟合包含二阶交互项的模型）
统计→DOE→因子→分析因子设计
项：模型中包含阶数2；如曲线不弯曲，取消在模型中包含中心点选项
图形选择：Pareto图，正态，标准化，四合一，残差与变量
逐步：方法，逐步
2分析模型
1回归的显著性
1看方差分析的总效果，P是否＜0.05。
2回归的总效果
R-sq和-R-sq调整：二者越接近，模型越好，值越大，模型越好；
R-sq预测：与R-sq和-R-sq调整应接近，若相差过大，则说明数据点中可能存在异常点。
残差标准差s
越小越好
3分析评估各效应的显著性
标准化效应的Pareto图
标准化效应的正态图
看各效应的p是否＜0.05,不显著的应逐一删去。应该优先高阶的，若交互效应显著，主效应不显著，则该因子应保留。
4残差诊断
四合一右下图
观察残差对于已观测值顺序为横轴的散点图，看个点是否随机在水平轴上下无规则波动
四合一右上图
观察残差对于以响应变量拟合预测值为横轴的散点图，看残差是否保持等方差性，是否有弯曲，漏斗或喇叭口。
四合一左上图
观察残差的正态性检验图，看是否服从正态分布。一般都为正态。
3改进模型
1与拟合值的残差图中，看残差图是否不齐性或弯曲
2各自变量的残差图中是否有弯曲
考虑增加x的平方项，修改模型或重新试验后重新拟合
3是否有不显著项
不显著的删除，同上“2分析模型-3分析评估各效应的显著性”
4是否有失拟合
一般p＞0.05
5与观测值顺序的残差图是否有趋势
6模型无效，需要分析误差大的原因
4对选定的模型进行分析解释
1再次进行残差诊断
看是否有个别点出现异常
2确认主效应及交互效应的显著性
统计→DOE→因子→因子图
3确认最优设置
等值线图
统计→DOE→因子→等值线图
4实现最优化
响应优化器
统计→DOE→因子→响应优化器
望大
望目：设置可设定上下限
望小
5目标是否已达到
1直接得到预测区间
统计→DOE→因子→预测
95%置信区间：对于整体的而言
95%预测区间：对于单次结果而言
6进行验证试验
验证阶段：同“分析阶段-6进行验证试验”
四、分析Analyze 1）确定关键影响因素X
点估计和区间估计
点估计：对于总体位置的参数用一个数字来估计。
总体标准差σ的无偏估计量：R/d2，s/c4
总体均值μ的无偏估计量：样本均值Xbar和样本中位数X
区间估计：对总体位置参数用一个区间来估计。
置信区间：表达了区间估计的可靠度
统计→基本统计→图形化汇总
置信水平：一般95%，承担了5%的风险
1）单点估计无概率可言，都是对于总体的估计； 2）总体参数的真值是固定的，未知的； 3）置信区间的大小表达了区间估计的精确性，置信水平表达了区间估计的可靠度； 4）用样本构造的置信区间是不固定的，抽取不同样本得到不同区间，置信区间是一个随机区间； 5）实际问题，进行估计时往往只抽取一个样本，此时所构造的始于该样本相联系的一定置信水平下的置信区间
假设检验
定义：对总体参数提出某种假设，然后利用样本信息判断该假设是否成立的过程。
假设的分类
原假设：用H0表示。
备择假设：想收集证据予以支持的假设，前提是能够被证明。用H1表示。
犯错的风险类别
第一类错误：误判/弃真，将好的判为坏的，冤案
α风险
第二类错误：错判/漏判/取伪：将坏的判为好的，错案
β风险
方差分析 ANOVA
基本概念
响应：衡量试验结果的指标，y
因子：对y有影响的因素，如温度影响得率，温度是影响因子。
水平：因子的取值叫水平，如案例中研究温度因子所取的值，60℃，65℃，70℃，75℃为四个水平。
离差平方和基本算法
步骤
1建立原假设和备择假设
1）H0，H1地位不对等，不能随意交换； 2）原假设默认=某值，备择假设是>,<,≠；
2选择检验统计量，给出显著性水平α，一般α为5%
3作出是否拒绝原假设的判断
方法一：P值法
P＜0.05，拒绝原假设，接受H1备择假设
p＞0.05，无法拒绝原假设，临时接受H0
方法二：置信区间法：
原假设的参数值未落入置信区间，拒绝原假设H0
原假设的参数值落入置信区间，不能拒绝原假设H0
均值的检验
单样本均值检验
1数据独立
2数据正态检验
方式一：统计→基本统计量→正态性检验
方式二：图形→概率图（可同时对多组数据进行正态性检验）
方式三：统计→基本统计量→图形化汇总
任选一种方式进行正态检验，若P＞0.05，数据正态，进入下一步分析
3单样本均值检验
单样本Z或单样本t检验
P＜0.05，拒绝原假设，H1成立，反之不能拒绝原假设
双正态总体均值检验
独立双总体
3等方差检验
统计→基本统计量→双方差
P＞0.05，方差相等，进入下一步分析
4双总体均值检验
统计→基本统计量→双样本t
1）P＜0.05，拒绝原假设，H1成立，反之不能拒绝原假设 2）课上案例：剪刀位置是否对面条长度有影响，实际仅能得出A,B两点对面条长度无影响，需再找证据，双样本t不能证明是否有弯曲的情况； 3）也可采用方差分析，但方差分析只能取=和≠，双样本t备择假设可>,<,≠
配对总体
本质上是单样本t检验
统计→基本统计量→配对t
独立双总体和配对总体二者关系：P95
多正态总体均值检验
单因子方差分析
1独立性检验
统计→方差分析→等方差检验
4方差分析
统计→方差分析→单因子
1）P＜0.05，拒绝原假设，H1成立，反之不能拒绝原假设； 2）实际试验时，若P＞0.05，可适当增加试验次数； 3）实际试验时，应尽可能模拟正常量产过程，避免量产过程误差过大，导致不显著的情况；
比率检验
单比率的检验
统计→基本统计→单比率
双总体比率检验
统计→基本统计→双比率
列联表独立性检验
分析两种因子是否独立，如咳嗽和吸烟是否有关系
是分析离散X离散Y的工具。
统计→表格→相关性的卡方检验
变异源分析 SOV
本质是方差分析，只是区分取值是随机和固定，方差分析是固定效应，变异源分析为随机效应。
相关分析与回归分析
相关关系
衡量指标r
r=1：正的相关关系
r=0：无相关性
r=-1：负的相关关系
图形演示
图形→散点图
统计→基本统计→相关
1）看置信区间是否包含0，若包含，则不相关； 2）有相关性不代表有因果关系，要验证还需设计试验
图形→矩阵图（变量＞2的情况）
回归分析步骤
1收集数据
2绘制散点图
看是否存在线性关系及异常值
3异常点的判断
若是错误进行修正，若是有效的观测值，则保留
4回归方程的拟合
统计→回归→拟合线图
统计→回归→回归→拟合回归模型
5因子的显著性检验和回归关系的检验
显著性判断
拟合线图中P＜0.05，xy回归关系显著
显著性检验
方差分析法P＜0.05，拒绝H0，显著
6判定系数的确认
R-sq
反应回归直线的拟合程度，变量y中的变异性能被估计的回归方程解释的比例
取值[0，1]
越接近1，方程拟合的越好
增加自变量，R-sq会变大
R-sq调整
R-sq调整≤R-sq，两者越接近，模型拟合的越好
衡量回归效果最重要指标
不同回归方程比较，s小的回归方程好
7残差分析
用于验证回归分析的假定条件 是否满足，确定回归模型好坏
关于残差的假定
对所有x值，残差的方差都是相同的
残差的值是相互独立的
残差是一个正态分布的随机变量
残差可诊断
是否有失拟
是否有异常点
实际数据是否违背回归模型
无论是与x还是与y的残差，其点都应随机均匀散落在水平区域的中间。
8应用回归模型进行预测
统计→回归→回归→预测
