二项分布能力分析

二项分布能力分析用于衡量每个被检项恰好有两种结果时过程的表现,这两种结果通常归类为合格或不合格、通过或未通过、不良或非不良。它评估过程产生的不良品比率,并判断该比率是否低到足以满足既定的质量目标或规格。

最后审阅

核心要点

二项分布能力分析用于衡量每个被检项只有两种结果(如合格或不合格)时过程的表现,并判断不良率是否达到目标。

本页内容
  1. 什么是二项分布能力分析?
  2. 何时使用二项分布能力分析?
  3. 正确使用二项分布能力分析的指南
  4. 替代方法:何时不宜使用二项分布能力分析
  5. 二项分布能力分析示例
  6. 如何进行二项分布能力分析

什么是二项分布能力分析?

二项分布能力分析用于衡量每个被检项恰好有两种结果时过程的表现,这两种结果通常归类为合格或不合格、通过或未通过、不良或非不良。它评估过程产生的不良品比率,并判断该比率是否低到足以满足既定的质量目标或规格。

此类能力分析以 二项分布为基础,该分布用数学方式描述一系列独立试验中出现固定次数成功(或失败)的概率。报告的主要性能指标为 不良品比率、百万分之不良品数(PPM)以及等效西格玛水平,可清晰、标准化地衡量过程与零缺陷之间的差距。

简要定义:针对通过/未通过型数据的能力分析,衡量产出中不良品所占的比率,并判断该比率是否达到质量标准,以 PPM 和西格玛水平表示。

何时使用二项分布能力分析?

  • 当每个被检项被归入 恰好两个类别 时使用,例如通过/未通过、好/坏、合格/不合格或存在/不存在。
  • 当需要监控过程在一段时间内产生的 不良品比率或百分比 时使用。
  • 当每个子组检验 固定数量的项,或子组大小不一且单独记录时使用。
  • 当每个项的结果 与其他所有项相互独立 时使用,即一次检验的结果不应影响下一次检验。
  • 当有 明确规定的最大允许不良品比率 作为性能对比基准时使用。

正确使用二项分布能力分析的指南

  • 确认每个项都是 独立地 被判定为不良或非不良。来自同一批次或同一操作员的项若存在相关性,将违反二项分布的假设,并使能力估计值偏高或偏低。
  • 在解释能力结果之前,确保过程 稳定且处于统计受控状态,可先用 P 控制图或 Laney P' 控制图验证稳定性。
  • 至少收集 25 个子组 的数据,以便对过程不良品比率得到可靠、稳定的估计。
  • 子组大小应 足够大,使每个子组都可能包含少量不良品;子组极小且不良率极低时,估计结果将不稳定。
  • 主要输出包括 不良品比率、PPM 不良率和过程西格玛水平,应将其与质量目标或顾客要求比较,而不是与传统的 Cp/Cpk 基准比较。
  • 如果检测到过度离散(变异大于二项模型的预测),可考虑使用 Laney P' 控制图监控稳定性,并认识到二项模型可能无法完全准确地描述该过程。

替代方法:何时不宜使用二项分布能力分析

情形

替代方法

单个项可能有多个缺陷(而不仅是通过/未通过)

泊松分布能力分析

数据为连续测量值

正态、非正态或非参数能力分析

响应有两个以上类别

名义或有序逻辑回归分析

子组很小且不良率接近零

先收集更大的子组,再进行能力分析

需要区分组内与组间变异来源

能力六合一图(组间/组内)

二项分布能力分析示例

某呼叫中心的主管想确定接听来电的过程是否受控。主管记录了 21 天内的来电总数和未接来电数。步骤如下:

  1. 收集所需数据。
Binomial Capability — figure 1
  1. 现在,在 Zometric Statistical Software 中分析数据,网址为 https://statsai.zometric.com/。
  2. 要找到二项分布能力分析,请选择 Statistical module> Process Capability>Binomial Capability.
  3. 在工具中输入数据及其他输入项,如下所示:
Binomial Capability — figure 2
  1. 使用上述工具后,得到如下输出:
Binomial Capability — figure 3Binomial Capability — figure 4

如何进行二项分布能力分析

操作步骤如下:

  1. 登录 Zometric Statistical Software,网址为 https://statsai.zometric.com/
  2. 在首页选择 Statistical Tool> Process Capability >Binomial Capability .
  3. 接下来,手动更新数据,或从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。
  4. 填写所需选项。
  5. 最后,点击页面底部的 calculate,即可得到所需结果。

二项分布能力分析的工具界面分为两部分。

Binomial Capability — figure 5

左侧为数据窗格(Data Pane)。在 Data Pane 中,每一行构成一个子组。可以手动输入数据,也可以从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。

Load example: 将加载示例数据。

Load File: 用于直接加载 Excel 数据。

右侧提供以下选项:

  • Defectives 选择包含每个子组或检验时段内发现的 不良品数 的列,例如每个时段记录的未接来电数、被拒收的零件数或不合格的单位数。该列中的每个值表示被检总数中被判为不良的项总数。这是分析用来估计过程所产生不良品比率的主要输入。
  • Sample Size 选择包含每个子组或时段内 被检项总数 的列,例如每个时段收到的来电总数、生产的零件数或检验的单位数。不良品比率由各子组的不良品数除以样本量得出。如果每个子组的样本量相同,可直接输入一个常数值,而无需选择列。
  • Historical p 可选。字母 p 表示过程 已知或历史上确定的不良品比率,例如 0.05 表示通常有 5% 的项为不良品。如果已通过先前的长期研究或经验证的过程记录确定了可靠的基线比率,请在此输入。提供该值后,分析将直接使用它来计算能力统计量和控制限,而不是仅根据当前数据估计,从而得到更稳定、一致且反映真实长期过程性能的结果。留空则由分析根据当前数据集估计 p。
  • Target 过程应达到的 期望或理想的不良品比率,例如输入 0.02 表示目标是不良品不超过 2%。提供该值后,它将在输出中用作性能基准,并在能力图上显示为参考线,便于了解当前过程性能与期望质量目标的差距。
  • Check Rule 1: 1 point > K Stdev from center line: 检验 1 对于识别明显偏离其他子组的子组至关重要,是检测失控情形时公认通用的工具。为提高灵敏度并检测过程中较小的偏移,可将检验 2 与检验 1 结合使用,从而增强控制图的效果。
  • Check Rule 2: K points in a row on same side of center line: 检验 2 用于检测过程中心位置或变异的变化。监控过程的微小偏移时,可将检验 2 与检验 1 结合使用,以提高控制图的灵敏度。
  • Check Rule 3: K points in a row, all increasing or all decreasing: 检验 3 用于识别过程中的趋势。该检验专门查找连续多个数据点持续上升或持续下降的序列,这表明过程行为中可能存在潜在趋势。
  • Check Rule 4: K points in a row, alternating up and down: 检验 4 用于识别过程中的系统性变异。理想情况下,过程的变异模式应是随机的。但是,如果某个点未通过检验 4,则可能表明变异并非随机,而是遵循某种可预测的模式。
  • Check Rule 5: K out of K + 1 points > 2 standard deviation from center line (same side): 检验 5 用于检测过程中的小幅偏移。
  • Check Rule 6: K out of K + 1 points > 1 standard deviation from center line (same side):检验 6 用于检测过程中的小幅偏移。
  • Check Rule 7: K points in a row within 1 standard deviation of center line (either side):检验 7 用于识别可能被误解为受控良好的变异模式。该检验可检测过宽的控制限,这通常由分层数据引起。当每个子组内存在系统性变异来源,使控制限显得比应有的范围更宽时,就会出现分层数据。
  • Check Rule 8: K points in a row > 1 standard deviation from center line (either side):检验 8 用于检测混合模式。在混合模式中,点往往远离中心线,而落在控制限附近。

常见问题

什么是二项分布能力分析?

二项分布能力分析用于衡量每个被检项恰好有两种结果(如通过/未通过或不良/非不良)时过程的表现。它以二项分布为基础估计不良品比率,并以不良品比率、百万分之不良品数(PPM)和等效西格玛水平报告,以便与质量目标比较。

什么情况下应使用二项分布能力分析而不是泊松分布能力分析?

当每个项只被分为不良或非不良时,使用二项分布能力分析。如果单个项可能有多个缺陷,则改用泊松分布能力分析。对于连续测量值,使用正态、非正态或非参数能力分析;对于有两个以上类别的响应,使用名义或有序逻辑回归分析。

二项分布能力分析的前提假设是什么?

每个项的结果必须与其他项相互独立,因此来自同一批次或同一操作员的相关项会违反该假设。过程应稳定且处于统计受控状态,可先用 P 控制图或 Laney P' 控制图检查。至少收集 25 个子组,且子组应足够大,使每个子组都可能包含少量不良品。

如何在 Zometric Statistical Software 中进行二项分布能力分析?

选择 Statistical Tool > Process Capability > Binomial Capability,然后输入或粘贴数据。选择 Defectives 列和 Sample Size 列,或输入常数样本量;可选择输入 Historical p 和不良品比率的 Target;选择要检查的控制图检验规则,然后点击 Calculate。