Was Variation Tut Moving Average Methode Eliminieren

Kapitel vier (MC und TF) Welche zwei Zahlen sind im täglichen Bericht an den CEO von Walt Disney Parks amp Resorts in Bezug auf die sechs Orlando Parks a enthalten. Gestern prognostizierte Anwesenheit und gestern tatsächliche Anwesenheit b. Gestern aktuelle Anwesenheit und heute prognostizierte Anwesenheit c. Gestern prognostizierte Anwesenheit und heute prognostizierte Anwesenheit d. Gestern tatsächliche Anwesenheit und letzte Jahre tatsächliche Anwesenheit e. Gestern prognostizierte Anwesenheit und der jährliche durchschnittliche tägliche Prognosefehler Eine sechsmonatige gleitende Durchschnittsprognose ist besser als eine dreimonatige gleitende Durchschnittsprognose, wenn die Nachfrage a. Ist ziemlich stabil b. Hat sich aufgrund der jüngsten Promotion-Bemühungen verändert. Folgt einem Abwärtstrend d. Folgt einem saisonalen Muster, das sich zweimal jährlich wiederholt e. Folgt einem Aufwärtstrend Für eine gegebene Produktnachfrage beträgt die Zeitreihen-Trendgleichung 53 - 4 X. Das negative Vorzeichen auf der Steigung der Gleichung a. Ist eine mathematische unmöglichkeit b. Ist ein Hinweis darauf, dass die Prognose voreingenommen ist, wobei die Prognosewerte niedriger sind als die tatsächlichen Werte c. Ist ein Hinweis darauf, dass die Produktnachfrage rückläufig ist. Impliziert, dass der Bestimmungskoeffizient auch negativ ist e. Impliziert, dass das RSFE negativ sein wird. Das gilt für die beiden Glättungskonstanten des Prognosen-Inklusive Trend (FIT) - Modells a. Eine Konstante ist positiv, während die andere negativ ist. B. Sie heißen MAD und RSFE. C. Alpha ist immer kleiner als Beta. D. Eine Konstante glättet den Regressionsabstand, während der andere die Regressionssteigung glättet. E. Ihre Werte werden unabhängig bestimmt. Die Nachfrage nach einem bestimmten Produkt wird voraussichtlich 800 Einheiten pro Monat, gemittelt über alle 12 Monate des Jahres. Das Produkt folgt einem saisonalen Muster, für das der Januar-Monatsindex 1,25 beträgt. Was ist die saisonbereinigte Umsatzprognose für Januar a. 640 Einheiten b. 798,75 Einheiten c. 800 Einheiten d. 1000 Einheiten e. Kann nicht mit den angegebenen Informationen berechnet werden Ein saisonaler Index für eine Monatsreihe wird auf der Grundlage von drei Jahren Akkumulation von Daten berechnet werden. Die drei vorherigen Juli-Werte waren 110, 150 und 130. Der Durchschnitt über alle Monate ist 190. Der ungefähre saisonale Index für Juli ist ein. 0.487 b. 0.684 c. 1.462 d. 2,053 e. Kann nicht mit den angegebenen Informationen berechnet werden. Opportunity Management - Kapitel 3 Welches der folgenden wäre ein Vorteil, einen Sales Force Composite zu nutzen, um eine Bedarfsprognose A zu entwickeln. Das Vertriebsmitarbeiter ist am wenigsten von den sich wandelnden Kundenbedürfnissen betroffen. B. Der Außendienst kann leicht zwischen Kundenwünschen und wahrscheinlichen Handlungen unterscheiden. C. Die Vertriebsmitarbeiter sind sich oft der zukünftigen Pläne der Kunden bewusst. D. Verkäufer sind am wenigsten von den jüngsten Ereignissen beeinflusst werden. E. Vertriebsmitarbeiter sind am wenigsten durch Verkaufsquoten voreingenommen. C. Die Vertriebsmitarbeiter sind sich oft der zukünftigen Pläne der Kunden bewusst. Mitglieder der Außendienstmitarbeiter sollten die engsten Verbindungen zu ihren Kunden sein. Welche Phrase beschreibt am stärksten die Delphi-Technik A. assoziative Prognose B. Verbraucherumfrage C. Reihe von Fragebögen D. in Indien entwickelt E. historische Daten C. Fragebogensammlung Die Fragebögen sind ein Weg, einen Konsens unter abweichenden Perspektiven zu fördern. Das ist nicht charakteristisch für einfache Bewegungsdurchschnitte, die auf Zeitreihendaten angewendet werden A. glättet zufällige Variationen in den Daten B. gewichtet jeden historischen Wert gleich C. verlässt Änderungen in den Daten D. erfordert nur letzte Periodenvorhersage und tatsächliche Daten E. glättet real Variationen in den Daten D. erfordert nur die letzten Periodenvorhersage und die tatsächlichen Daten Einfache Bewegungsdurchschnitte können mehrere Datenperioden erfordern. Bei der trendorientierten exponentiellen Glättung besteht die richtungsbereinigte Prognose aus: A. einer exponentiell geglätteten Prognose und einem geglätteten Trendfaktor. B. eine exponentiell geglättete Prognose und einen geschätzten Trendwert. C. Die alte Prognose wurde durch einen Trendfaktor angepasst. D. die alte Prognose und ein geglätteter Trendfaktor. E. ein gleitender Durchschnitt und ein Trendfaktor. A. eine exponentiell geglättete Prognose und ein geglätteter Trendfaktor. Sowohl zufällige Variation als auch der Trend werden in TAF-Modellen geglättet. Im additiven Modell für die Saisonalität wird die Saisonalität als eine Anpassung an den Durchschnitt im multiplikativen Modell ausgedrückt, die Saisonalität wird als eine Anpassung an den Durchschnitt ausgedrückt. A. Menge Prozentsatz B. Prozentsatzmenge Menge Menge Menge D. Prozentsatz Prozentsatz E. qualitativ quantitativ A. Mengenprozentsatz Das additive Modell fügt einfach eine saisonale Anpassung an die entschädigte Prognose hinzu. Das multiplikative Modell passt die entsättigte Prognose an, indem man sie mit einer Jahreszeit relativ oder einem Index multipliziert. Vorhersagetechniken nehmen im Allgemeinen an: A. das Fehlen von Zufälligkeit. B. Kontinuität eines zugrunde liegenden kausalen Systems. C. eine lineare Beziehung zwischen Zeit und Nachfrage. D. Genauigkeit, die um die Zeit der Prognoseprojekte weiter zunimmt. E. Genauigkeit, die besser ist, wenn einzelne Gegenstände statt Gruppen von Gegenständen berücksichtigt werden. B. Kontinuität eines zugrunde liegenden kausalen Systems. Vorhersagetechniken gehen in der Regel davon aus, dass in der Vergangenheit das gleiche Kausalsystem existieren wird, das in der Vergangenheit existiert. Ein Managementansatz zur Prognose, der die Nachfrage aktiv beeinflussen will, ist: A. reaktiv. B. proaktive C. einflussreich. D. langwierig E. rückwirkend Einfach auf die Nachfrage reagieren ist eine reaktive Annäherung. Zeitreihe Exponentielle Glättung vs. Beweglicher Durchschnitt - die exponentielle Glättungsmethode liefert geglättete Werte für alle beobachteten Zeitperioden - die gleitende Durchschnittsmethode liefert keine geglätteten Werte (gleitende Mittelwerte) für die erste und Der letzte Satz von Perioden - bei der Glättung der Zeitreihen zum Zeitpunkt t, berücksichtigt die exponentielle Glättung alle bei t (yt, yt-1) verfügbaren Daten, während die gleitende Mittelmethode nur die Beobachtungen berücksichtigt, die bei der Berechnung des Durchschnittswerts enthalten sind. Die Trendkomponente einer Zeitreihe kann linear oder nicht linear sein. Es ist einfach, die Trendkomponente zu isolieren. Für lineare Trendnutzung Das Modell Für den nichtlinearen Trend mit einer (großen) Änderung der Steigung verwenden Sie das quadratische Modell Um Ihre Trendkomponente zu messen , Beginnen Sie mit der Umbenennung Ihrer Jahre 1,2,3 ect Um die zyklische Variation zu identifizieren, verwenden wir den Prozentsatz des Grabens - bestimmen Sie die Trendlinie (durch Regression) - berechnen Sie den Trendwert yt für jede Periode t - berechnen Sie den Prozentsatz des Trends um (ytyhat (T)) 100 Vorgehensweise für die Modellauswahl - einige der Beobachtungen verwenden, um mehrere konkurrierende Forcasting-Modelle zu entwickeln - die Modelle auf den Rest der Beobachtungen - die Genauigkeit jedes Modells mit dem MAD - und SSFE-Kriterium - verwenden Sie das Modell, das erzeugt wird Der niedrigste MAD-Wert, es sei denn, es ist wichtig zu vermeiden (sogar ein paar) große Fehler - in diesem Fall das beste Modell verwenden, wie durch die niedrigste SSE angezeigt Durchschnittliche durchschnittliche Verhältnis für ein Viertel berechnen den Durchschnitt von ytyhatt für alle Perioden und teilen durch Anzahl von Perioden Prozentsatz des Trends wird verwendet, um zu identifizieren 2017 Quizlet Inc. Control Charts Werkzeuge für das Verständnis Variation Autor: G Robin Henderson Datum: 18 2013 Copyright: Bild erscheint mit freundlicher Genehmigung von iStock Foto. Alle Figuren sind urheberrechtlich von G Robin Henderson, außer Skizze von Deming, die mit freundlicher Genehmigung der Deming Foundation und Tom Nolan verwendet wird. Das Kontroll-Diagramm macht eine wunderbare Arbeit unter einer Fülle von Anwendungen. Es klappt. W Edwards Deming Das statistische Denken ist eine wesentliche Voraussetzung für die Verbesserung der Prozesse in allen Bereichen der menschlichen Tätigkeit. Die Aussage, dass das statistische Denken eines Tages für eine effiziente Staatsbürgerschaft so notwendig sein wird wie die Fähigkeit zu lesen und zu schreiben, wird oft dem Autor H G Wells zugeschrieben, aber es wird angenommen, dass es eine paraphrasierte Version von Sam Wilks 1950 Präsidentschaftsrede an die American Statistical Association ist. In der zweiten Auflage des Statistischen Denkens. Hoerl und Snee (2012) Staat: Statistisches Denken ist eine Philosophie des Lernens und Handelns, die auf diesen Grundprinzipien beruht: 1. Alle Arbeiten treten in einem System von miteinander verbundenen Prozessen auf 2. Variation existiert in allen Prozessen 3. Verständnis und Reduzierung von Variationen sind Schlüssel zu Erfolg. Kontrollkarten oder Prozessverhaltensdiagramme sind Werkzeuge zum Verständnis von Varianten. Die Grundidee des Kontrolltabels wurde in einem Memo von Dr. Walter Shewhart am 16. Mai 1924 bei der Western Electric Company in den USA (Ryan 2000) vorgestellt. Allerdings, David Salsburg (2001) in seinem Buch The Lady Tasting Tea: Wie Statistiken Revolutionized Science im zwanzigsten Jahrhundert schlägt vor, dass die mathematische Formulierung eines Kontroll-Chart wurde zuerst von WS Gosset (Student der t-Test Ruhm) und dass eine Kontrolle vorgeschlagen Diagramm erschien sogar früher in einem Lehrbuch von GU Yule geschrieben. Shewhart unterscheidet zwischen zwei Arten von Variation. Auf der einen Seite gibt es Chance oder gemeinsame Ursache Variation zufällige Variation, die inhärent ist in den Prozess verwendet, um das Produkt oder die Dienstleistung zu erstellen. Auf der anderen Seite gibt es eine spezielle Ursachevariations-Nicht-Zufallsvariation, die dem Prozess ausgesetzt ist und die eine Entfernung erfordern kann, um die Prozessleistung in einem gewünschten Zustand wiederherzustellen. Obwohl sie ursprünglich als statistisches Werkzeug für industrielle Anwendungen entwickelt wurden, wurden in der Regel verschiedene Formen von Kontrollkarten für Anwendungen in einer Vielzahl von Bereichen, einschließlich der Gesundheits - und Dienstleistungsindustrie, im Allgemeinen entwickelt. W Edwards Deming wurde von Shewharts Arbeit beeinflusst und wurde ein kräftiger Anwalt für den Einsatz statistischer Werkzeuge zur Qualitätsverbesserung. Noch heute ist die Unterscheidung zwischen gemeinsamer und besonderer Ursachenvariation nicht so weit bekannt, wie sie es verdient hat. Eine kurze Online-Biografie von Shewhart wurde von OConnor und Robertson (2013) erstellt. In einem seiner berühmten Seminare zitierte Dr. Deming das Beispiel eines 11-jährigen Schüler, Patrick Nolan, der von der Unterscheidung erfuhr, indem er die Zeit seiner Ankunft mit dem Bus an seiner Schule beobachtete. Im Wesentlichen besteht ein Kontrollschema aus einer zeitlich geordneten Darstellung der Daten mit horizontalen Linien, die die Grenzen der gemeinsamen Ursachenvariation darstellen. Datenpunkte, die außerhalb des gemeinsamen Ursachenvariationsbandes liegen, zeigen die mögliche Anwesenheit von Sonderursachenvariationen an. Eine Skizze des Patricks-Diagramms, die von Dr. Deming erstellt wurde, erschien in T er New Economics ist in Abbildung 1 dargestellt. Abbildung 1. Skizze von Dr Deming eines Kontrolldiagramms von Patrick Nolans Daten. Spezielle Ursachen wurden identifiziert, die den beiden Punkten außerhalb der Grenzen entsprechen, bei einer Gelegenheit gab es einen neuen Fahrer auf der Strecke und auf der zweiten gab es ein Problem mit dem Türschließmechanismus. Es gibt viele Arten von Kontrollkarte. Zum Beispiel bietet das weit verbreitete statistische Softwarepaket Minitab (minitaben-usproductsminitab) ein Menü mit 24 Typen. Wir betrachten unterhalb der Kontrollkarte für einzelne Messungen, eine Art von Diagramm, das Donald Wheeler (1993) in Understanding Variation zusammen mit einem Bild eines Schweizer Armeemesser präsentiert, um seine Vielseitigkeit anzuzeigen. Ein Kontrollschema für individuelle Messungen Betrachten Sie ein Herstellungsverfahren für Schmieröl, bei dem die Zielviskosität 9,0 CSt bei 100 ° C beträgt. Viskositätsmessungen wurden bei 15-Minuten-Intervallen während eines Produktionslaufs mit der ersten Beobachtung um 08:00 Uhr durchgeführt. Abbildung 2 zeigt ein Kontrollschema der erstellten Daten, sobald 25 Beobachtungen vorliegen. Alle Charts in diesem Abschnitt wurden erstellt mit Minitab Details, wie dies zu tun ist, findet man in Henderson (2011). Abbildung 2. Kontrollschema der ersten 25 Viskositätsmessungen. Im Wesentlichen handelt es sich um ein Laufdiagramm der Daten, die durch die Addition einer Mittellinie am Mittelwert der 25 Anfangsdatenwerte (8.98) und der unteren und oberen drei Sigma-Kontrollgrenzen gekleidet sind. Die Grenzwerte liegen bei den mittleren plus minus drei Standardabweichungen, d. h. bei 7.93 und 10.03. Shewhart (1931) argumentierte aus Erfahrung, dass die Verwendung von drei Sigma-Grenzen wirtschaftlich sinnvoll war. Die Standardabweichung muss aus den Daten geschätzt werden. Es ist konventionell, die Standardabweichung nicht durch Anwendung der üblichen Formel für die Probenstandardabweichung auf den Satz von 25 Messungen abzuschätzen, sondern vielmehr eine Methode, die auf lokaler und nicht globaler Variabilität basiert. Der Grundgedanke für diesen Ansatz ist, dass, wenn die vorläufigen Daten irgendwelche besonderen Ursachenvariationen enthalten, die der Kartenschöpfer nicht kennt, dann die Verwendung solcher Methoden den nachteiligen Effekt verringert, wie eine spezielle Ursachevariation an der Position der Diagrammgrenzen haben kann. Historisch gesehen haben die Bereiche von aufeinanderfolgenden Beobachtungspaaren, bewegten Bereichen, die am weitesten verbreitete Methode der Schätzung für die Standardabweichung gegeben. Die Details der Berechnungen werden später gegeben, wobei der Hauptpunkt der Anmerkung ist, dass alle Datenpunkte in Abbildung 2 liegen Zwischen den Straßenbahnlinien, die durch die Diagrammgrenzen gebildet werden, was darauf hindeutet, daß nur eine gemeinsame Ursachenvariation vorliegt. Abbildung 3. Schema eines Prozesses, der in einer stabilen, vorhersagbaren Weise durchführt. In diesem Stadium verwenden wir das Kontrolldiagramm, um zu entscheiden, ob wir einen Prozess haben, der im Laufe der Zeit stabil und vorhersehbar ist, in Grenzen der Variation nur aufgrund gemeinsamer Ursachen (Szenario 1 Abbildung 3) oder ein Prozess, der im Laufe der Zeit instabil und unvorhersehbar ist , Mit sowohl häufiger als auch besonderer Ursache, die die Leistung beeinflusst (Szenario 2 Abbildung 4). Dies wird als Phase-I-Anwendung von Kontrollkarten bezeichnet. In den Schemata stellen die blauen Kurven die zugrunde liegenden statistischen Verteilungen dar, die als die zu dem entsprechenden Zeitpunkt vorgenommene Beobachtung angesehen werden können. Mit nur häufiger Ursache Variation vorhanden, können wir denken, dass aufeinanderfolgende Beobachtungen von der gleichen Verteilung die ganze Zeit gegeben werden. Mit besonderer Ursache Variation auch vorhanden, können wir denken, dass aufeinanderfolgende Beobachtungen durch Distributionen, die mit der Zeit ändern gegeben werden. Abbildung 4. Schematische Darstellung eines Prozesses mit instabiler, unvorhersehbarer Leistung. Die Überprüfung des Diagramms in Abbildung 2 zeigt keine Punkte jenseits der Diagrammgrenzen, so dass es beschlossen wurde, das Diagramm mit diesen Grenzen und Mittellinie für eine weitere Überwachung des Prozesses auszuführen. Dies wird als Phase-II-Anwendung von Kontrollkarten bezeichnet. Später am Tag mit zusätzlichen Daten gezeichnet das Diagramm erschien wie in Abbildung 5. Abbildung 5. Kontrolldiagramm mit einem Signal, das Beweis für spezielle Ursachevariation gibt. Der Punkt auf dem Diagramm, der der Messung der Viskosität entspricht, die um 18:15 gemacht wurde, liegt oberhalb des oberen Diagrammgrenzwerts und liefert so, dass eine besondere Ursache den Prozess beeinflussen kann. Nachfolgende Untersuchung durch das Prozessteam ergab einen verstopften Filter, der ersetzt wurde. Man könnte dann fortfahren, die Viskosität mit dem Diagramm zu überwachen, wobei die Grenzen mit den ersten 25 Beobachtungen festgelegt sind. Im Falle von größeren Änderungen des Prozesses könnte es ratsam sein, den gesamten Chartvorgang erneut zu starten, d. h. eine andere Reihe von anfänglichen Viskositätsmessungen zu nehmen und ein Anfangsdiagramm zu zeichnen. Wenn es keine Punkte außerhalb der Grenzen dieses neuen Charts gibt, dann könnte es für eine weitere routinemäßige Überwachung übernommen werden. In seinem Vorwort zum Verständnis der statistischen Prozesskontrolle von Wheeler und Chambers (1992) bezieht sich Deming auf die Geschichte von Shewharts Wahrnehmung von zwei Arten von Variation wie folgt. (Das Zitat, das am Anfang dieses Artikels erscheint, stammt aus derselben Quelle.) Wie kam es zu dem Problem: Das Management der Western Electric Company, die Hawthorne Plant, Chicago, suchte nach 160160 eine Einheitlichkeit, so dass eine Telefongesellschaft, die gekauft hat Ihr Produkt könnte davon abhängen. Das Ziel war edel. Ihr Verhalten war aber Torheit. Sie machten Maßnahmen, machten irgendeine Art von Veränderung bei jedem Zeichen der Abweichung von der Einheitlichkeit. Sie waren genug und ehrlich genug, um zu bemerken, dass ihre Handlungen dies nur noch schlimmer machten. Sie suchten Hilfe. Das Problem ging an160Dr. Shewhart Zusätzlich zu einem Punkt aus den drei Sigma-Grenzen, die Beweise für das Vorhandensein von speziellen Ursachenvariationen liefern, sind drei weitere weit verbreitete Kriterien: 8 Punkte in einer Reihe auf der gleichen Seite der Mittellinie 2 von 3 Punkten mehr als 2 Standardabweichungen Von der Mittellinie (gleiche Seite) 4 von 5 Punkten mehr als 1 Standardabweichung von der Mittellinie (gleiche Seite) Diese Tests werden zusammen mit dem früheren Kriterium als die Western Electric Company Rules bezeichnet. Wenn die zusätzlichen drei Kriterien angewendet werden, erscheint das in Abbildung 5 zuvor gezeigte Diagramm nun wie in Abbildung 6 gezeigt. Beachten Sie, dass horizontale Zeilen bei zwei Standardabweichungen auf beiden Seiten des Mittelwerts hinzugefügt wurden. Abbildung 6. Alternativer Beweis für das Vorliegen einer besonderen Ursachenvariation. Das Auftreten von zwei von drei Punkten über zwei Standardabweichungen von der Mittellinie und beide darüber hinaus, liefert frühere Beweise, um 45 Minuten, das Vorhandensein einer besonderen Ursachenvariation, die den Prozess beeinflusst. Die drei relevanten Punkte sind in Abbildung 6 dargestellt. Bei der Verwendung von Shewhart-Diagrammen muss eine Balance zwischen zu vielen Erkennungsregeln und einem damit verbundenen erhöhten Risiko von Fehlalarmsignalen von Sonderursachenvariationen und dem Risiko, dass Prozessänderungen nicht zeitlich erkannt werden, auftreten. Die Konsequenz, irgendeine Art von Veränderung bei jedem Zeichen der Abweichung von der Einheitlichkeit zu machen, wird als Manipulation bezeichnet. Dies kann durch Simulation für die Ölviskosität veranschaulicht werden. Stellen Sie sich vor, dass die Prozeßoperatoren eine Kontrolleinstellung für die Viskosität haben, die auf den Zielwert von 9,0 gesetzt ist und dass nach den ersten 25 Beobachtungen gemacht wurden, dass ein Operateur den Prozess beaufsichtigt und den Prozess auf der Grundlage jeder neuen Beobachtung anpasst Folgt Wenn die beobachtete Viskosität 9,2 beträgt, reduzieren Sie z. B. die Kontrolleinstellung um 0,2, und wenn die beobachtete Viskosität 8,9 beträgt, erhöhen Sie beispielsweise die Kontrolleinstellung um 0,1. Simulierte Daten für dieses Szenario sind in Abbildung 7 dargestellt. Abbildung 7. Kontrolldiagramm der Prozessdaten mit Manipulationen, die auf Prozess angewendet werden. Es gibt keine Signale, die einen Beweis für eine spezielle Ursachenvariation aus dieser Tabelle liefern. Das Kontrolldiagramm der in Fig. 8 gezeigten Bewegungsbereiche zeigt jedoch einen Prozesswechsel. In der Tat kann gezeigt werden, dass die Art der Manipulation simuliert Erhöhung Prozess Variabilität von 40. Deming (1986) diskutiert Manipulation und beschreibt Trichter Experimente, die verwendet werden können, um seine Konsequenzen zu illustrieren. Henderson (2011) präsentiert Simulationen der Trichter-Experimente und zeigt zugehörige Einzelwert-Kontrollkarten an. Abbildung 8. Bewegtes Bereichsdiagramm, das Beweis für spezielle Ursachenvariation gibt. Erstellen von Kontrollkarten Einige argumentieren, dass, wenn jemand mit Kontrollkarten zum ersten Mal verwendet, dass es Verdienst bei der Plotten der Daten mit Bleistift und Papier und bei der Durchführung der entsprechenden Berechnungen von Hand. Es besteht kein Zweifel daran, dass Software unweigerlich verwendet wird, um Diagramme in der Praxis zu erstellen. In diesem Abschnitt wurden die Diagramme mit der Tabellenkalkulationssoftware Microsoft Excel erstellt. (Die American Society for Quality (asq. orgindex. aspx) bietet eine kostenlose Microsoft Excel Vorlage für die Erstellung von Shewhart Mittel - und Bereichs-Kontrollkarten, die Leser auch von Wert finden können). Wir betrachten ein Kontrollschema der wöchentlichen Manhours für die Abteilung X. Die Daten und Formeln für die erforderlichen Berechnungen in Excel sind in Tabelle 1 mit den 21 Datenwerten in der zweiten Spalte mit Kopf X dargestellt. Hier stehen 20 Bewegungsbereiche zur Verfügung . Der erwartete Wert des Bereichs der Stichproben der Größe n aus einer Normalverteilung mit Standardabweichung ist d2. Unter Berücksichtigung aufeinanderfolgender Beobachtungen als Abtastwerte von n 2 ergibt sich die Teilung des mittleren Bewegungsbereichs um d2, was 1,128 für n 2 beträgt, die Standardabweichungsschätzung von 6,87 und die Kontrollgrenzwerte von 61,10 und 102,33. Streng genommen sollte dieses Schätzverfahren nur bei normal verteilten Daten verwendet werden, es wurde jedoch gezeigt, dass es für nicht normal verteilte Daten robust ist. Tabelle 1. Formeln, die zum Erstellen von Kontrolldiagrammen in Excel erforderlich sind. Nachdem wir keine Anhaltspunkte für eine spezielle Ursachenvielfalt gefunden haben, die die Manhourverluste für die Abteilung X beeinflussen, können wir nun das Diagramm mit der Mittellinie und den für die zukünftige Überwachung berechneten Grenzwerten ausrollen. Tabelle 3.160Zusätzliche Daten über Manhours Verlust nach Verbesserungsprojekt. Abbildung 10. Kontrolldiagramm der Manhours-Verlustdaten für die ersten 40 Wochen. Die beiden Punkte unterhalb der unteren Chartgrenze zeigen, dass die Änderungen wirksam waren und dass eine neue Stufe der Prozessleistung eingegeben wurde. Daher können wir eine neue Mittellinie berechnen und für die Daten ab der 31. Woche, wie in Abbildung 11 gezeigt, Grenzen setzen. Die neue Mittellinie liegt auf dem Wert 65.1 im Vergleich zum ursprünglichen Mittellinienwert von 87.1. So zeigen die Charts einen Rückgang des durchschnittlichen wöchentlichen Verlustes von rund 12 Manhours. Abbildung 11. Kontrollschema der Manhours-Verlustdaten für die beiden Stufen. In dieser zweiten Darstellung der Verwendung eines Kontrolldiagramms für einzelne Messungen waren die Signale der besonderen Ursachenvariation willkommen. In anderen Situationen wäre eine spezielle Ursachenvariation unerwünscht, z. B. Im Falle des Viskositätsbeispiels, das früher betrachtet wird, wenn der Prozeßmittel signifikant vom Ziel abweicht, dann müssen Schritte unternommen werden, um den Mittelwert zurück zu dem Zielwert zu verschieben. Wurde das überarbeitete Diagramm für Manhours verloren, um Signale von Punkten zu ergeben, die über die Obergrenze fallen, dann würde dies belegen, dass die Manhurverluste wieder zugenommen haben Aktion wäre dann erforderlich, um zu suchen und zu beseitigen die besonderen Ursachen, um den Prozess wieder auf den richtigen Weg zu bekommen. Montgomery (2009) besagt, dass bei der Verwendung auf diese Weise das Kontrollschema zu einem Logbuch wird, in dem das Timing von Prozessinterventionen und deren anschließender Effekt auf die Prozessleistung leicht zu sehen ist. In diesem Artikel haben wir die Oberfläche eines riesigen Themas gekratzt. Für Leser, die mehr erfahren möchten, hat Caulcutt (2004) zwei Artikel in der Zeitschrift Significance veröffentlicht, die online verfügbar sind (significancemagazine. orgviewindex. html) und sind sehr informativ. Für technische Details zu den besprochenen Charts und anderen können die Referenzen von Henderson (2011), Montgomery (2009) und Wheeler und Chambers (1993) konsultiert werden. In der statistischen Methode aus der Sicht der Qualitätskontrolle. Shewhart (1939) schrieb: Der weitreichende Beitrag der Statistik hängt nicht so sehr davon ab, eine Menge von hochqualifizierten Statistiker in die Industrie zu bekommen, wie es bei der Schaffung einer statistisch gesinnten Generation von Physikern, Chemikern, Ingenieuren und anderen, die in irgendeiner Weise a160hand haben, Bei der Entwicklung und Leitung der Produktionsprozesse von morgen. Achtzig Jahre sind vergangen, und der Autor glaubt, dass wir es versäumt haben, ganz auf die Worte von Wheld zu antworten. Es sollte erweitert werden, um die Schaffung von statistisch gesinnten Menschen in allen Bereichen der Geschäfts - und Dienstleistungsaktivitäten, in Politik und im Journalismus einzubeziehen. Jeder sollte über gemeinsame und besondere Ursache Variation lernen und mit einem einfachen grafischen Werkzeug, das zwischen den beiden die Shewhart Kontrolle Diagramm unterscheiden bewaffnet werden. Schließlich konnte ein 11-jähriges Kind es verstehen. Der Autor möchte die Ermutigung von Alison Oliver bei Wiley und den hilfsbereiten Kommentaren eines anonymen Rezensenten anerkennen. (1) Caulcutt, R. (2004) Verwalten auf Tatsachen Bedeutung . 1 (1): 3638. (2) Caulcutt, R. (2004) Kontrollkarten in der Praxis Bedeutung . 1 (2): 8184. (3) Deming, W. E. (1986) Aus der Krise Cambridge: MIT Presse. (4) Deming, W. E. (2000) Die neue Wirtschaft. 2. edn. Cambridge: MIT Presse. (5) Henderson, G. R. (2011) Six Sigma Qualitätsverbesserung mit Minitab. 2. edn. Chichester, John Wiley amp Sons Ltd. (6) Hoerl, R. W. und Snee, R. D. (2012) Statistisches Denken: Verbesserung der Geschäftsleistung. 2. edn. Hoboken, NJ, John Wiley amp Sons, Inc. (7) OConnor, J. J. Und Robertson E. F. (2013) Der MacTutor Geschichte des Mathematikarchivs www-groups. dcs. st-and. ac. uk GeschichteBiographienShewhart. html 160 (zugegriffen am 26. September 2013) (8) Montgomery, D. C. (2009) Einführung in die statistische Qualitätskontrolle. 6. edn. Hoboken, NJ: John Wiley amp Sons, Inc. (9) Ryan, T. P. (2000) Statistische Methoden zur Qualitätsverbesserung 2. edn. New York: John Wiley amp Sons, Inc. (10) Salsburg, D. (2001) Die Dame Tasting Tea Wie Statistiken Revolutionierte Wissenschaft im zwanzigsten Jahrhundert. W. H. Freeman und Company, New York. (11) Shewhart, W. A. (1931) Wirtschaftliche Kontrolle der Qualität des hergestellten Produkts. New York: D. Van Nostrand Auch erhältlich in einer 50-jährigen Jubiläumsausgabe, die 1980 von der American Society for Quality, Milwaukee, WI veröffentlicht wurde. (12) Shewhart, W. A. (1939) Statistische Methode aus der Sicht der Qualitätskontrolle. Graduiertenschule des Department of Agriculture, Washington, D. C. (13) Wheeler, D. J. (1993) Understanding Variation Der Schlüssel zur Verwaltung von Chaos. Knoxville, TN: SPC Presse. (14) Wheeler, D. J. Und Chambers, D. S. (1992) Verständnis der statistischen Prozesskontrolle. 2. edn. Knoxville, TN: SPC Presse. Verwandte Themen