［心得交流］骗人的六西格玛

1.六西格玛目标的实现需要六西格玛的工具,但是我们现在的很多工具还停留在三西格玛;2.MTB之Correlation是评价线性的相关性,所以即使Correlation系数等于0也不能说明X与Y之间不相关,而只能说明线性不相关;3.别以为Cerrelation系数绝对值很大就说明具有很好的线性相关,当水平分布不均或水平不具有代表性时同样会得出错误的结论;3.DOE中根据"纸上冠军"即立体图找出最佳组合还不如直接通过数据表来的直接和快速,而且当点数较多时立体图会计算平均值,这时得出的结论和直接通过数据表是不一致的;4.别以为%G R&R小于10%就说明量测系统很好,说不定你的仪器分辨力不足呢;5.客户不是老让我们改善制程能力吗?简单啊,将每个样本点的样本量加大,标准偏差立刻缩小呢,还担心Cpk不能大于1.67吗;6.当逻辑回归的X具有非连续性数据时,其实MTB就是将非连续性数据一个个分开分别得出回归方程的,一点深度也没有;7.R-sq很大且与R-sq(adj)很接近就可以说明回归方程很可信吗?才不是呢,当X之水平无限接近且Y也非常接近时,图形上趋向一个点,这时根据R-sq判断一定会得出错误结论呢;8.别以为Cpk=Cp就可以得出M=u的结论,当制程很差时就不成立了呢,所以前提条件是u在[LSL,USL]内；9.MSA之重复性很小能说明仪器的精确度很好吗？当然不能，先检查下仪器的分辨力相对测量指标是否足够吧；2007/11/18 16:48续10.田口对质量损失的解释是：质量特性偏离目标值就存在质量损失，目标值上的质量损失最小。但是规格是顾客给定的，而顾客的规格未必是最适宜的；顾客未必是最终顾客，而对最终顾客的需求预测存在差异，所以目标值上的质量损失最小的结论是站不住脚的。就这个问题请教过科理的顾问师，其解释是质量损失的假设是目标值是最适宜的，且偏离该目标值可靠性会降低，但是其却拿不出可靠性降低的理论依据；11.SPC管制图是否有意义呢？我们知道管制图的制作需要收集足够的样本点才能进行管制分析，而分析时现场已经不可以再现，那么SPC也就失去了时效性。在我们无法确认原因的情况下贸然进行调整是存在很大风险的；另外，样本点的制作毕竟不是抽样而不是全体，所以即使判定规则说其是异常但未必是异常，这更增加了管理风险。所以其管制意义并不大呢；12.1.5西格玛偏移的质疑：制程是由不同的时间点组成，我们每次的调节都是以规格中心进行的，故从长期来看不会产生1.5西格玛的偏移。但设备的磨损会使过程产生偏移，由于我们定期的进行仪器校正，MSA和设备能力检核，使得这种偏移很小，几乎可以忽略。再者，由于短期的不断调节，使得制程在规格中心不断波动，从长期看只会使得变异变大，但不会出现往某个方向的偏移。综上，1.5西格玛偏移是想当然的观点，没有理论依据；13.过程参数设计的误区：我们知道，为了做好产品，设计阶段总是会将一个理论最优值作为规格中心。但是由于加工的目标性和波动性使得我们真正制造的产品落在目标值上的几率几乎为零，这一点各位可以通过打靶的试验证实（越是有目标越会偏离目标）。所以这种情况下，产品的质量特性分布并不呈正态分布了，因为目标值上几率为零，这与传统的观点是不一致的。是故，在进行设计时，规格中心的设定应偏离理论最优值才是最好的设计。2007/11/20 续14.G R&R分析时，如果你将部品内变异变大的话（即增加过程变异在总体变异中的比例），那你的％G R&R很容易小于10％的呢，用这招对付那些进行外审的人很有效呢，呵呵。2007/11/22 续15.假设检验：我们在使用Minitab时经常会用到假设检验，但是最令我困惑的是，我无法根据P值下结论。P-value<0.05，我不敢接受Ha，因为我无法确保抽样能够很好的代表群体；P-value>0.05?也桓医邮蹾0，因为P-value>0.05只是说明H0成立的一个必要条件而非充要条件。故，将假设检验总结如下： 15.1（抽样随机且具有代表性）P-value<0.05可以拒绝H0，即可以接受Ha； 15.2（抽样的不确定性）P-value<0.05不能接受Ha也不能拒绝H0，因为无法确保抽样能否代表群体； 15.3Minitab在处理假设检验时，总是趋向于将H0设定为零差异，所以综上需要将H0和Ha倒置后再检验一次下结论（MTB比较机械化，不能处理该问题，需要你的手算呢，呵呵）； 15.4当可确保抽样具有代表性时，需要注意如何设定H0，这是成败的关键； 15.5因为统计普遍存在统计相长或相消，使得统计量的判定更加具有不确定性，这也使得我们的假设变得扑朔迷离。所以不要根据一个统计量的结果就下结论； 15.6最后告诉大家一个统计普遍性法则：说明一个分布拟合不好，只需要一个不好的例证；但要证明一个分布拟合的很好，却需要所有的统计量都好；越是复杂的分布，衡量其分布特性的统计量就越多。2007/11/22 再续16.统计上说，因素间具有相关性并不能说明其具有因果关系。我之观点是相关性是一定具有因果关系，没有因果关系就不存在相关性，无论该因果是间接的还是直接的。只有具有因果关系的相关性才有意义，也只有具有因果关系才在统计上存在相关。如果你发现了一个统计中具有相关性，但是没有因果关系，那一定是巧合，或者说你还没找到因果关系。
2007/11/29续
17.今天发现了一个更为可怕的事情：进行假设检验时，P>0.05，但是我也不敢接受Ho，原因如下：
17.1第一步：创建两列各50个数据，分别为Xi～N（10，1）／Xj～N（20，1）
17.2第二步：Ho为＝，Ha为Not＝，判定结果是拒绝Ho，即接受Ha
17.3第三步：Ho为＝，Ha为>，判定结果是接受Ho
17.4第四步：Ho为＝，Ha为<，判定结果是拒绝Ho，即接受Ha
17.5结论：我无所适从
2007/11/30 续（12/13补充）
18.Minitab在进行比较检定时，错误的将Ho作为U（1）-U(2)=0，实际上只有在Ha为Not ＝时成立；当Ha为<时，Ho应为>=，当Ha>时，Ho为<=。但MTB在处理的结果是一致的，只是容易让人误判罢了。
补充：如果你的Ha不是not =，且当你不能拒绝Ho时，你还是进行二次假设检验吧，因为你知道>=或<=但是却不知道究竟是>还是<或＝；
2007/12/02 续（12/13修改）
19.P Chart系根据二项式分布进行制作的，但其中有一个问题就是：既然是二项式分布，那计算控制界限用的依据是什么呢？我们知道，当重复试验发生的几率不为0.5时，二项分布已经发生了偏态；同时，二项分布的成功几率该如何计算呢？一个产品是由很多个质量特性组成的，而针对单一个一个质量特性其成功的几率不是单纯的0.5。所以，很是怀疑其合理性呢
2007/12/13 续
20.当正态性检定将其他分布检定为正态分布时，你还有信心继续分析下去吗？你可以尝试创造一个分布，再使用MTB跑一遍，你一定有意外的收获呢。对六西格玛进行深入研究后，你会发现，你越来越不敢下结论了，它让你左也不是，右也不是。