MINITAB技术.docx

1、MINITAB技术MINITAB-16技术汇总一、箱线图箱线图可从一个阶段（前半年）到下一个阶段（后半年）的状态提升，显示直观的效果图，例如缺陷数的箱线图，图1为源数据，图2为选择项，图3为结果图，下文不特殊说明，每种技术3张图均为以上设置。图1图2图3鼠标悬停在箱体内，可以显示中位数、四分卫数和均值箱体框，这里以不同阶段的缺陷数为例，从上图可以清晰看见缺陷数的改进提升效果。二、控制图2.1 标准控制图控制图的使用方法非常简单，均值、上限（均值+3倍标准差），下限（均值-3倍标准差），下限因为是单纯的减法，所以可能导致某些数据为负（此种情况通常出现在标准差较大），可以通过控制图中的设置将下限设

2、置为0，即下限不会出现负数的情况。这里以需求阶段生产率为例，见下图：图1图2图3控制图的判异原则一般有，1）点子出界、2）6点都呈现往上或下、3）9点都在同一侧，4）14点交替上升下降。2.2 分阶段控制图本章具体介绍控制图和分阶段的控制图，以下为分阶段的控制图介绍：分阶段的控制图，具体好处是直观的显示稳定的生产率之前和之后的比较，数据的律动情况和上下限都能一目了然。图1图2图3从以上图形，可以明显看出之前和之后的标准差、均值对比，对两阶段的不同图形也能直观反映在同一张控制图上，对于过程改进的之前和之后效果图，尤为直观。三、正态分布图正态分布，作为检验一组数据是否呈正态分布，一般是SPC（统计

3、过程控制）的先导步骤。图1源数据省略图2图3从上图可见，P值=0.1720.05，所以总生产率是呈正态分布的。四、单因子方差分析单因子方差分析，通常是为了找出Y值到底是受哪种因子影响，这些因子是否可以分组，如果他们是纠缠在一起的一组数据（比如各因子没有呈现单独的关系），那么可能需要继续往下探究各个因子的子因子是否能够分组，如果到了最低层的因子依然没有呈现显著的不同，那么这组数据就需要舍弃掉，因为他们是同一类的数据。MINITAB中X值通常以数字代表进行分析，比如下例中我们需要洞察生产率是否受行业、模型和编程语言的分组影响，那么我们就将客户行业设置为1，模型设置为2，编程语言设置为3。图1Y值=

4、生产率X值分别=客户行业、生命周期模型、不同的编程语言图2图3总生产率 与 客户行业 来源 自由度 SS MS F P客户行业 2 686 343 0.27 0.763误差 54 68064 1260合计 56 68750S = 35.50 R-Sq = 1.00% R-Sq（调整） = 0.00% 均值（基于合并标准差）的单组 95% 置信区间水平 N 均值 标准差 -+-+-+-+-1 19 190.67 28.35 (-*-)2 22 182.47 39.12 (-*-)3 16 185.98 37.82 (-*-) -+-+-+-+- 170 180 190 200合并标准差 = 35

5、.50通过上图可知：P值=0.7630.05，所以总生产率和客户行业无关。五、图形化汇总图形化汇总，可以从图中清楚的观察到，均值、标准差和百分比的可能性值，对于单值的分析非常适用。图1图2图3从图形化汇总可见：最小值和最大值，均值，标准差，正态性检验P值。六、帕累托分析帕累托分析，即20/80原则，一般适用于从所有影响因素中找出最关键的几项，通常是百分之二十的因素导致了百分之八十的问题。图1源数据省略，一般为单列统计出现的问题次数图2图3七、双样本T检验双样本T检验，适用于两个过程之间的显著变化统计，用值的形式显示于计算图表中。图1源数据省略，一般是不同的两组数据，在过程之前和之后的统计图2图

6、3双样本 T 检验和置信区间: 2014年前三月验收缺陷率, 部署后验收缺陷率 2014年前三月验收缺陷率 与 部署后验收缺陷率 的双样本 T N 均值 标准差 均值标准误2014年前三月验收缺陷率 12 0.8175 0.0357 0.010部署后验收缺陷率 20 0.5604 0.0413 0.0092差值 = mu (2014年前三月验收缺陷率) - mu (部署后验收缺陷率)差值估计值: 0.2500差值的 95% 置信区间: (0.2216, 0.2784)差值 = 0 (与 ) 的 T 检验: T 值 = 18.07 P 值 = 0.000 自由度 = 26从上述结果可见P值=00

7、.05，所以提交版本问题和复用率没有关系。列表统计量: 复用率, 代码规范性问题 行: 复用率 列: 代码规范性问题 不规范 规范 全部低 2 2 4高 2 2 4中 0 3 3全部 4 7 11单元格内容: 计数Pearson 卡方 = 1.362, DF = 2, P 值 = 0.035似然比卡方 = 2.260, DF = 2, P 值 = 0.089从以上卡方分析可见，P值=0.0350.05，所以代码注释问题和复用率没有关系。九、过程能力指数CPK过程能力指数CPK，一般为判断实际的过程能力是否达到了组织的目标，或者客户声音的一种判断图形。图1源数据省略，将实际的过程绩效带入工具，将

8、客户或组织的目标要求设定为CPK的上下限。图2图3通过对项目编码阶段生产率和公司编码能力范围进行CPK分析，可见该项目编码阶段生产率的能力指数CPK=1.27。说明该项目的编码生产率过程能力指数为强。CPK判断准则为下图：这里再对CPK和PPK进行一个差别说明：关于Cpk与Ppk的关系，这里引用QS9000中PPAP手册中的一句话：“当可能得到历史的数据或有足够的初始数据来绘制控制图时（至少100个个体样本），可以在过程稳定时计算Cpk。对于输出满足规格要求且呈可预测图形的长期不稳定过程，应该使用Ppk。”所谓PPK，是进入大批量生产前，对小批生产的能力评价，一般要求1.67；而CPK，是进入

9、大批量生产后，为保证批量生产下的产品的品质状况不至于下降，且为保证与小批生产具有同样的控制能力，所进行的生产能力的评价，一般要求1.33；一般来说，CPK需要借助PPK的控制界限来作控制。十、拟合回归拟合回归，一般为制作PPM模型计算不同变量联系的一种技术，该技术提供了变量之间的计算公式。图1源数据省略，这里以需求阶段的缺陷数和项目总规模（代码行数）进行拟合回归分析。图2响应Y：项目总规模，预测变量X：需求阶段缺陷数。图3使用Minitab回归拟合分析后，从上图可见，需求阶段质量的回归方程式为：38.56+0.000475*项目总规模。标准差预判为：（75-66）/6=1.5。十一、相关性分析

10、（Pearson检验）相关性分析，主要目的是查看两组因子之间是否有联系，通常以Pearson指数来判定他们之间联系的强弱关系，从这点来看，Pearson指数和CPK指数有异曲同工之妙，只是前者是查看相关性强弱的指数，后者是查看过程能力的指数。图一图二图三相关: 合同额, 总工时 合同额 和 总工时 的 Pearson 相关系数 = 0.631P 值 = 0.001从以下的判断说明可以看出，0.631在0.6-0.8之间，为强相关关系。（判断说明：相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。通常情况下通过以下取值范围判断变量的相关强度：相关系数 0.8-1.0 极强相关0.6-0.8 强相关0.4-0.6 中等程度相关0.2-0.4 弱相关0.0-0.2 极弱相关或无相关。）