这意味着大约3621个零件不满足下规范界限（598mm）。
既然供应商1是你最好的供应商，你应该与它们一起共同改善其过程，从而改善自己的过程。
2、CapabilityAnalysis（WeibullDistribution）[概述]
CapabilityAnalysis（Weibull）命令用于对来自于Weibull分布的数据进行过程能力分析。
分析报告包括：
一个带Weibull曲线的能力条形图，一张长期能力统计表。
Weibull曲线是根据过程形状和规模（大小）构造的。
报告还包括过程数据的统计量，如均值，形状，目标，过程规范，实际的长期能力，以及观察到的和期望的长期能力。
因此报告可直观地评价过程相对于目标的分布，数据是否服从Weibull分布，过程是否具备持续满足过程规范的能力。
在Weibull模型中，Minitab计算长期过程统计量，Pp,Ppk,PPU,andPPL。
计算是基于形状的最大可能估计和规模参数，而不是象正态分布中的均值和变差。
如果数据不服从正态分布，你可以选择Box-Cox转换来应用CapabilityAnalysis（NormalDistribution）命令来计算组内统计量，Cp和Cpk。
Foracomparisonofthemethodsusedfornon-normaldata,参见Non-normaldata对两种方法的比较。
[例]
假设你在生产地板瓷砖的公司工作，你对瓷砖表面的翘曲比较关心。
为保证产品质量，你每个工作日测量10个瓷砖的翘曲量，连续测量了10天。
数据的条形图表明它们不是来自于正态分布（参见ExampleofacapabilityanalysiswithaBox-Coxtransformation）。
因此你决定基于Weibull概率模型进行能力分析。
1OpentheworksheetTILES.MTW.
2ChooseStat>QualityTools>CapabilityAnalysis（Weibull）.
3InSinglecolumn,enterWarping.
4InUpperspec,type8.ClickOK.
[结果]
[结果分析]
能力条形图没有显示在假想的模型和数据之间存在严重的差异。
但你可以看出分布的右边超出了上规范界限，这意味着你有时会发现翘曲超过上规范界限（8mm）。
Ppk和PPU指数表明过程是否能生产在允差范围内的瓷砖。
两个指数均为0.77，均在1.33之下，因此，过程能力是不够的。
同样，PPM>USL—每百万产品中质量特性值高于上规范界限的产品数—为20000.00。
这意味着1，000，000个瓷砖中有20000个的翘曲量将超出上规范界限（8mm）。
为观察同样的数据以CapabilityAnalysis（Normal）分析的结果，参见ExampleofacapabilityanalysiswithaBox-Coxtransformation。
3、CapabilitySixpack（Normal）[概述]
CapabilitySixpack（Normal）命令用来数据服从正态分布或转换数据时评价过程能力。
CapabilitySixpack同时显示以下信息：
⏹一张Xbar图（或Individualschartforindividualobservations）
⏹一张R图或S图（orMRchartforindividualobservations）
⏹一张最近25个子组的趋势图（或最近25个观察结果）
⏹一个过程数据的条形图
⏹一个正态概率图
⏹一个过程能力图
⏹短期和长期能力统计量：
Cp,Cpk,和swithin;Pp,Ppk,andsoverall
Xbar,R,和趋势图可用于验证过程是否处于受控状态。
条形图和正态概率图可用于验证数据服从正态分布。
最后，能力图以图形显示相对于规范的过程能力。
与能力统计量一起，这些信息可以帮助你评价过程是否受控以及产品是否符合规范。
假设数据来自于正态分布的模型适合于多数过程数据。
如果数据是倾斜的，或组内变差不是固定的（如变差与均值相对应），参见Non-normaldata下的讨论。
[例]
假设你在一个汽车制造厂的机器组装部门工作。
某个零件，凸轮轴的长度的工程规范为600+-2mm。
长期以来，该轴的长度均超出规范的要求，导致生产线上装配性性、高废弃和重工率。
在对记录清单检查后，你发现该零件有两个供应商。
Xbar-R图告诉你供应商2的零件失控，因此你决定停止接受供应商2的零件直至产品受控为止。
在去除供应商2后，不良装配的数量明显减少，但问题并未完全消除。
你决定通过capabilitysixpack来观察供应商1是否具备满足工程规范的能力。
1OpentheworksheetCAMSHAFT.MTW.
2ChooseStat>QualityTools>CapabilitySixpack（Normal）.
3InSinglecolumn,enterSupp1.InSubgroupsize,type5.
4InUpperspec,type602.InLowerspec,type598.ClickOK.
[结果]
[结果分析]
在Xbar-R图上，点在控制界限之间随机分布，表明过程是稳定的。
将R图上的点与Xbar上的点进行比较可发现点之间是否有相关关系。
图上的点没有，表明过程稳定。
趋势图上的点随机分布，无趋势或偏移，也表明过程的稳定性。
如果你想解释过程能力统计量，数据应该近似服从正态分布。
这个要求得到了满足，这点可以从正态曲线看出来。
在正态概率图上，点大致在一条直线上。
这些表明数据服从正态分布。
但是从能力图上，可以看出过程的允差落在了下控制界限外，表明你有时会看到不满足最低规范界限的零件。
同样，Cp（1.16）andCpk（0.90）均低于1.33，表明供应商1的过程需要改善。
4、CapabilitySixpack（Weibull）[概述]
CapabilitySixpack（Normal）命令用来数据近似服从Weibull分布时评价过程能力。
CapabilitySixpack（Weibull）同时显示以下信息：
⏹一张Xbar图（或Individualschartforindividualobservations）
⏹一张R图（orMRchartforindividualobservations）
⏹一张最近25个子组的趋势图（或最近25个观察结果）
⏹一个过程数据的条形图
⏹一个正态概率图
⏹一个过程能力图
⏹长期过程能力统计量：
Pp,Ppk,shape（b）,andscale（d）.
Xbar,R,和趋势图可用于验证过程是否处于受控状态。
条形图和Weibull概率图可用于验证数据近似服从Weibull分布。
最后，能力图以图形显示相对于规范的过程能力。
与能力统计量一起，这些信息可以帮助你评价过程是否受控以及产品是否符合规范。
假设数据来自于正态分布的模型适合于多数过程数据。
如果数据是倾斜的，或组内变差不是固定的（如变差与均值相对应），参见Non-normaldata下的讨论。
在Weibull模型中，Minitab仅计算长期过程统计量，Pp,Ppk。
计算是基于形状的最大可能估计和规模参数，而不是象正态分布中的均值和变差。
如果数据不服从正态分布，你可以选择Box-Cox转换来应用CapabilityAnalysis（NormalDistribution）命令来计算组内统计量，Cp和Cpk。
参见Non-normaldata对两种方法的比较。
[例]
假设你在生产地板瓷砖的公司工作，你对瓷砖表面的翘曲比较关心。
为保证产品质量，你每个工作日测量10个瓷砖的翘曲量，连续测量了10天。
数据的条形图表明它们不是来自于正态分布（参见ExampleofacapabilityanalysiswithaBox-Coxtransformation）。
因此你决定基于Weibull概率模型进行capabilitysixpack分析。
1OpentheworksheetTILES.MTW.
2ChooseStat>QualityTools>CapabilitySixpack（Weibull）.
3InSinglecolumn,enterWarping.InSubgroupsize,type10.
4InUpperspec,type8.ClickOK.
[结果]
[结果分析]
能力条形图没有显示在假想的模型和数据之间存在严重的差异。
同样，在Weibull概率图上，所有点近似在一条直线上。
Ppk和PPU指数表明过程是否能生产在允差范围内的瓷砖。
然而，能力图表明过程不能满足规范要求。
Ppk为0.77，低于1.33之下，因此，过程能力是不够的。
同样，PPM>USL—每百万产品中质量特性值高于上规范界限的产品数—为20000.00。
这意味着1，000，000个瓷砖中有20000个的翘曲量将超出上规范界限（8mm）。
为观察同样的数据以CapabilitySixpack（Normal）分析的结果，参见capabilitysixpackwithaBox-Coxtransformation。
5、CapabilityAnalysis（Binomial）[概述]
CapabilityAnalysis（Binomial）命令用于对来自于二项分布的数据进行过程能力分析。
二项分布通常与所抽取的样本的缺陷项目的数目的记录相关。
例如，你可能使用通过/失败GAGE来判断某个特性合格与否。
你应记录检查的所有的样本数和失败的数量。
或者，你可以记录某天电话报告生病的人数和每天计划工作的人数。
应用CapabilityAnalysis（Binomial）命令时必须满足下列条件：
⏹每个项目都是相同条件下的结果；eachitemistheresultofidenticalconditions
⏹每个项目将导致两种可能的结果（成功/失败，GO/NG）；
⏹对某个项目成功的概率是常数；
⏹项目结果之间是相互独立的。
CapabilityAnalysis（Binomial）所产生的过程能力报告包括以下内容：
P图，用于验证过程是否受控；
⏹不合格品率的累积图，用于验证你收集的样本数据是否足够以对稳定的不合格率作
出估计；
⏹不合格品率的条形图，显示搜集的样本的长期不合格品率的分布；
⏹不合格品率图，用于验证不合格品率是否受抽取的样本数影响。
[例]
假设你负责评价电话销售部门的反应情况，也就是回答来电的能力。
你记录下了20天中每天因为无效销售代表没有回的来电数（不合格）。
你还记录了整个的来电数。
1OpentheworksheetBPCAPA.MTW.
2ChooseStat>QualityTools>CapabilityAnalysis（Binomial）.
3InDefectives,enterUnavailable.
4InUsesizesin,enterCalls.ClickOK.
[结果]
[结果分析]
P图上有一个点失控。
累积不合格品率图显示长期不合格品率趋于22%，但需要收集跟多的数据以证明这一点。
不合格品率看起来不受样本大小的影响。
过程Z值在0.75左右，比较低，过程需要进一步进行改善。
6、CapabilityAnalysis（Poisson）[概述]
CapabilityAnalysis（Poisson）用于当数据来自于泊松分布时产生过程能力报告。
泊松数据通常与在某个单位上的缺陷数相关，这个单位可以是指定的时间周期或指定的空间。
单位的大小可以改变，因此，你必须同时跟踪大小的变化。
例如：
如果你生产电线，你可能想记录某段电线断开的数量，如果线的长度是变化的，你必须记录每段抽取的样本的大小。
或者，你们生产电器，你希望记录电器表面的划伤数量。
因为表面大小可能不同，你可能记录每个抽取的表面的大小，及平方英寸。
⏹当数据满足下列条件时，应用CapabilityAnalysis（Poisson）：
⏹单位表面或时间内的缺陷率对每个项目是相同的；
⏹项目中缺陷数量彼此之间是相互独立的。
CapabilityAnalysis（Poisson）为服从泊松分布的数据产生过程能力分析报告，包括：
⏹U图，验证报告时过程是否受控；
⏹累积平均DPU（defectsperunit），验证是否收集到足够数据来对均值做出稳定的估
计；
⏹DPU条形图，显示收集到的样本的单位缺陷数的整体分布；
⏹缺陷图比率，验证DPU是否受抽取到的样本大小的影响。
[例]
假设你在电线厂工作，你对电线绝缘过程的有效性非常关心。
你随机抽取一定长度的电线，以测试电压，测试绝缘上的弱点。
你记录了弱点数和每段电线的长度（infeet）。
1OpentheworksheetBPCAPA.MTW.
2ChooseStat>QualityTools>CapabilityAnalysis（Poisson）.
3InDefects,enterWeakSpots.
4InUsessizesin,enterLengths.ClickOK.
[结果]
[结果分析]
U图上有3个点失控。
累积DPU均值在0.0265上来回变动，表明样本数是足够的以对DPU均值作出较好的估计。
DPU看起来不受电线长度的影响。
7、CapabilityAnalysis（Between/Within）[概述]
CapabilityAnalysis（Between/Within）利用组间和组内变差产生一个过程能力报告。
但数据为子组时，组内的随机误差可能不是唯一应考虑的变差来源。
在子组之间也可能存在着随机误差。
在这种情况下，全部过程变差包括组内变差和组间变差。
CapabilityAnalysis（B
升级会员 