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
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27