Egy egyik oldalra eltolódó hisztogram, egy a határokon kívülre kerülő ellenőrző diagram, egy beszállító, aki olyan hibaarányt jelent be, amelyet nem tudsz ellenőrizni: ezek olyan helyzetek, amelyekkel minden minőségügyi vagy termelési vezető rendszeresen szembesül. A leíró statisztikák ezek azok az eszközök, amelyek segítségével ezek a megfigyelések megalapozott döntésekké válhatnak, nem pedig puszta benyomásokká. Nem a matematika kedvéért szolgálnak: arra szolgálnak, hogy megtudjuk, egy folyamat ellenőrzés alatt áll-e, egy alkatrész valóban hibás-e, vagy egy 10 000 darabos készletet kell-e válogatni 60 minta ellenőrzése után.
Ez az útmutató bemutatja a leíró statisztika gyakorlati alkalmazásait az ipari termelés területén, a következő szerzők által kidolgozott módszertan alapján: Maurice Pillet, az Ellistat társalapítója, emeritus professzor és a minőségbiztosítás és a Six Sigma területén elismert francia szaktekintély.
Leíró, következtető és többváltozós statisztika: melyik területen végzi el a mindennapi elemzéseit?
A gyártási adatok gyűjtésekor általában egy táblázatot kapunk, amelyben szerepelnek a bemeneti értékek (az X-ek, azaz a folyamatparaméterek) és a kimeneti értékek (az Y-ek, azaz a termékjellemzők). Háromféle statisztikai elemzési módszer létezik ezek kiértékelésére, és hasznos tudni, hogy Ön a mindennapi munkája során melyiket alkalmazza.
- Leíró statisztikák egyszerre csak egy változóval foglalkoznak, az X-szel vagy az Y-val, függetlenül attól, hogy az mennyiségi (mérési érték) vagy minőségi (hiba, kategória) jellegű-e. Ez a leggyakoribb és legkézenfekvőbb elemzési szint.
- A következtető statisztika olyan nem véletlenszerű összefüggést keresnek egy Y változó és egy vagy több X változó közötti eltérések között, általában azért, hogy megmagyarázzák vagy modellezzék az Y viselkedését.
- Többváltozós statisztikák a teljes táblázatot feldolgozzák, anélkül, hogy megkülönböztetnék a bemeneti és kimeneti adatokat, az egyének osztályozása vagy a változók közötti összefüggések feltárása céljából.
A leíró statisztika tehát elengedhetetlen kiindulópont: mielőtt (következtető) okot vagy átfogó (többváltozós) struktúrát keresnénk, először is tudnunk kell, hogyan kell helyesen értelmezni egy egyetlen adatoszlopot. A mindennapi minőségbiztosítási döntések többsége éppen ezen múlik.
Mielőtt elkezdené az elemzést, alaposan vizsgálja meg az adatait!
Vizuális jelölés feltételes formázással
Az első, gyakran elhanyagolt lépés egyszerűen abból áll, hogy megnézzük a feltételes formázással ellátott adattáblázatot. Az elv egyszerű: az értékeket az eloszlásban elfoglalt helyük szerint színezik be, a kéktől a zölden át a pirosig.
A gyakorlott szem azonnal észreveszi a problémát: egy olyan oszlop, amelyben a kék dominál, és kevés a zöld, arra utal, hogy az eloszlás valószínűleg eltér a normális eloszlástól. Egy olyan oszlop viszont, amelyben a zöld dominál, a közepén jelentős sűrűséggel, a szélső értékek pedig kék és piros színűek, egy jól központosított normális eloszlásra utal. Ez az egyszerű pillantás, még a számítások megkezdése előtt, máris irányt ad a későbbi elemzésnek.
A kiugró értékek automatikus felismerése
Egy pont, amely a bajuszdoboz bajuszai között kívül helyezkedik el, nem feltétlenül jelent statisztikai értelemben vett kiugró értéket. A különbség fontos: egy valódi kiugró értéket egy erre a célra szolgáló statisztikai teszt segítségével kell azonosítani, nem csupán egy hozzávetőleges grafikus értékelés alapján. Ez a teszt – és nem a vizuális benyomás – az, ami kivizsgálást vagy az adat kizárását indokolja a képességi számításokból.
Grafikus elemzés: hisztogramok, szarvasdobozok és ellenőrző diagramok
Hisztogram és szarvasfark-diagram az eloszlás alakjának megítéléséhez
A hisztogram továbbra is a kiindulási pont annak megítéléséhez, hogy egy eloszlás hasonlít-e a normális eloszlásra, különösen akkor, ha sűrűséggörbét vetítünk rá. A szőrös doboz kiegészíti ezt az értelmezést, főleg összehasonlítás esetén: lehetővé teszi több jellemző (több átmérő, több tétel, több gép) egymás mellé helyezését, és egy pillantásra felismerhetővé teszi, melyik viselkedik eltérően a többitől.
Ellenőrző diagramok: a folyamat stabilitásának folyamatos nyomon követése
A kontrolltáblák időbeli áttekintést nyújtanak, míg a hisztogram statikus képet ad. Nekik kell alkalmazkodniuk a gyakorlati helyzethez, és nem fordítva:
- az átlag, a medián vagy egy súlyozott mozgóátlag (EWMA) alapján történő nyomon követés, választás szerint vagy ezek kombinációjával; ;
- központosítás lehetséges a célpont vagy az adatok átlaga alapján; ;
- változó mintaméretek kezelése: ha az ismétlések száma a mintavételek függvényében 3 darabról 2-re, majd 1-re csökken, a kártyának automatikusan ki kell igazítania a határértékeit, kézi újraszámítás nélkül.
Éppen ez a rugalmasság jelenti a különbséget egy olyan ellenőrző táblázat és egy elméleti táblázat között, amely az Ön gyártási folyamatát valóban tükrözi, illetve amely már nem felel meg a gyár valós körülményeinek.
A képességi mutatók kiszámítása előtt ellenőrizze a normális eloszlást
A képességi mutatók (Cp, Cpk, Pp, Ppk) és a nem megfelelő termékek arányának legtöbb számítása egy eloszlási feltételezésen alapul, leggyakrabban a normális eloszláson. A számítások elvégzése előtt ezért ellenőrizni kell, hogy ez a feltételezés helytáll-e – ellenkező esetben a kapott mutatóknak nincs értéke.
Három normális eloszlás-teszt fedezi a gyártás során előforduló helyzetek szinte teljes körét:
- a Khi²-próba, amely akkor alkalmazható, ha az adatok rétegezve vannak, és az egyéni értékek nem állnak rendelkezésre
- a Shapiro–Wilk-próba, amely kis minták esetén – akár harminc darabig – releváns
- az Anderson–Darling-teszt, amely e mintanagyság felett megbízhatóbb
Egy jó elemző eszköz nem csupán kiszámítja mindhármat: azonosítja és kiemeli azt, amely az adatok méretétől és szerkezetétől függően valóban releváns, hogy elkerülje a téves értelmezést. És ha a normális eloszlás hipotézise elvetésre kerül, nem szabad itt megállni: bizonyos jellemzők, különösen azok, amelyek nullához kötődnek (síkosság, körkörösség, ovális alak), természetesen egy másik eloszlást követnek, például a Rayleigh-eloszlást, amely sokkal jobban modellezi a valós viselkedésüket.
A MAD: egy megbízható mutató, amelyet kevés minőségbiztosítási eszköz kínál
A szórás nagyon érzékeny a kiugró értékekre: egyetlen rosszul mért vagy valóban hibás darab is mesterségesen megnövelheti azt, akár jelentős mértékben is megsokszorozva azt egy egyébként tökéletesen stabil mintán. A MAD (median absolute deviation, vagyis a mediánhoz viszonyított eltérések mediánja) nem szenved ettől a hibától: egy kiugró érték jelenléte esetén is gyakorlatilag változatlan marad, éppen azért, mert mediánokon alapul, nem pedig átlagokon.
A gyakorlatban a MAD a szórás nem paraméteres megfelelője. Különösen hasznosnak bizonyul a tételek, gépek vagy beszállítók közötti variabilitás összehasonlítására szolgáló teszteknél, amikor az adatok tartalmaznak – vagy tartalmazhatnak – kiugró értékeket, amelyek torzítanák a hagyományos szóráson alapuló összehasonlítást.
Attribútumkártyák: a minőség irányítása, amikor a hibákat számoljuk, nem pedig a mérési eredményeket
Nem minden minőségi adat folyamatos mérés eredménye. Szám, hibaarány, tételenkénti nem megfelelőségek: ezeket az attribútumadatokat egy erre a célra kialakított kártyacsalád (P, NP, C, U) segítségével lehet kezelni, és a megfelelő kártya kiválasztása közvetlen hatással van a nyomon követés megbízhatóságára.
A P-kártya például abból a feltételezésből indul ki, hogy a variabilitás egyetlen forrása a mintavétel. Azonban amint a tételek mérete időszakról időszakra változik, ez a feltételezés már nem állja meg a helyét, és a P-diagram olyan, a kontrolltól eltérő riasztásokat vált ki, amelyek nem tükrözik a folyamat valós helyzetét. Az U-diagram, amely a hibák számát egy lehetőségi egységhez viszonyítja, így sokkal alkalmasabbnak bizonyul a legtöbb valós ipari környezetben – sőt, ez a leggyakrabban használt diagram a gyakorlatban, amint a tételek mérete nem szigorúan állandó.
A diszkrét eloszlás törvényeinek alkalmazása a válogatási vagy átvételi döntés megalapozásához
Két kérdés merül fel nagyon gyakran a gyakorlatban, és a diszkrét eloszlás törvényei közvetlenül választ adnak rájuk, anélkül, hogy statisztikai táblázatokban kellene utánanézni.
Első eset: el kell dönteni, hogy szükséges-e a készletet válogatni. 10 000 darab van raktáron; elindít egy ellenőrzést, és 60 darabot vesz ki, amelyek közül 2 nem felel meg az előírásoknak. Az egészet át kell válogatni? A hipergeometrikus törvény (amelyet akkor alkalmazunk, ha egy kész tételben lévő darabszámot vesszük figyelembe) lehetővé teszi, hogy bizalmi intervallummal adjon választ: ebben a példában 95%-os konfidenciaszint mellett becsülhető, hogy a 10 000 darabos készletben legfeljebb körülbelül 1 010 nem megfelelő darab található. Ez a döntéshozatalhoz sokkal jobban felhasználható adat, mint egy egyszerű arányszámítás a megfigyelt arány alapján.
Második eset: a beszállítói szállítmány átvételével járó kockázat értékelése. Egy beszállító 3 %-es hibaarányt jelent be. Ön 50 darabot vesz ki ellenőrzés céljából. A binomiális törvény Ebből kiszámítható, hogy annak a valószínűsége, hogy ebben a mintában egyetlen hibás darabot sem találunk – még akkor is, ha a 3 %-es tényleges arány pontos –, megközelítőleg 21 %. Más szavakkal: az, hogy az ellenőrzés során semmit sem találunk, egyáltalán nem garantálja, hogy a tétel megfelel a követelményeknek. Pontosan ez a fajta számítás teszi lehetővé a mintavételi terv megfelelő méretezését, ahelyett, hogy azt véletlenszerűen határoznánk meg.
Egy időszodikus jelenség előrejelzése a Fourier-bontás segítségével
Bizonyos minőségi problémáknak van egy periodikus jellege, amelyet egy egyszerű grafikon nem tud megmagyarázni, még akkor sem, ha az egyértelműen látható. Ez a helyzet például egy óramű esetében, amelynek amplitúdóját hat másodpercenként mérjük: a grafikon szabályos ingadozásokat mutat, anélkül, hogy az ok nyilvánvaló lenne.
La Fourier-bontás lehetővé teszi a jel rekonstruálását a domináns frekvenciái alapján, és annak azonosítását, hogy melyik járul hozzá leginkább a megfigyelt eltérésekhez. Ebben a példában az elemzés egy körülbelül másfél perces forgásnak megfelelő periodicitást tár fel – ami közvetlenül a felelős mechanikus alkatrészre utal, egy olyan kerékre, amely ezen a frekvencián forog, és generálja a mért zavarokat. Ez egy értékes eszköz, amint ciklikus mechanikai okot gyanítunk egy látszólag véletlenszerű eltérés mögött.
A kontrollhatárok pontos meghatározása: a hagyományos és a kiterjesztett határok között
Ez egy olyan szempont, amelyet gyakran nem kezelnek megfelelően, pedig közvetlenül befolyásolja az ellenőrző diagram hatékonyságát. A klasszikus ellenőrzési határokat, amelyeket az átlagok eloszlásán alapuló, körülbelül 3 szórás alapján számítanak ki, soha nem szabad szigorítani: ez ugyanis azzal jár, hogy kockáztatjuk egy egyébként megfelelően működő folyamat zavarát, pusztán a normális statisztikai zajra reagálva.
Ezzel szemben elfogadható, hogy a folyamatnak némi eltérést hagyunk, ha meghatározzunk egy minimális teljesítménycélértéket (például egy határértékű Cpk-értéket) és egy elfogadható béta-kockázatot — azaz azon esetek százalékos arányát, amikor toleráljuk, hogy az adott célérték túllépését ne észleljük azonnal. Ez lehetővé teszi a kibővített határok, amelyek tágabbak a hagyományos határoknál.
A bevált gyakorlat szerint az ellenőrzési határokat e két érték között kell meghatározni: soha nem szűkebbek, mint a klasszikus határok, és soha nem tágabbak, mint a kiterjesztett határok. Ez a fajta számítás teszi lehetővé annak meghatározását is, hogy mekkora mintanagyságra van ténylegesen szükség egy adott képességi cél elérése érdekében — és nem ritka, hogy kiderül: egyetlen darabos minta is elegendő, ha a folyamat rövid távú szórása elég alacsony, ami elkerüli a felesleges mintavételeket.
További információk: szórás- és előrejelzési intervallumok
Íme egy gyakori hiba: egy előgyártási minta (például 15 darab) alapján kiszámítjuk az átlagot és a szórást, majd a tényleges tétel szórását úgy becsüljük meg, hogy ezeket az értékeket egyszerűen egy normális eloszlásra alkalmazzuk, mintha a minta átlaga és szórása pontosan megegyezne a teljes populációéval.
Ez a feltételezés túl erős: a 15 darab alapján kiszámított átlag és szórás is változhat a különböző minták között. Az ISO 16269 szabványban meghatározott módszer ezt figyelembe veszi, és az’szórásintervallum Az így kapott érték rendszerint nagyobb, mint az a többé-kevésbé X szóráson alapuló, egyszerű számításból származó érték. Ha ezt a finom különbséget figyelmen kívül hagyjuk, akkor alulbecsüljük a gyártás során várható tényleges szórást, ami azzal a kockázattal jár, hogy a problémát csak a sorozat gyártásának megkezdése után fedezzük fel, nem pedig már azelőtt.
Két egymáshoz közel álló fogalmat kell megkülönböztetni: a szórásintervallum azt a tartományt jelöli, amely egy adott arányú egyedet tartalmaz, míg az’előrejelzési intervallum meghatározza a várható eloszlás mértékét egy meghatározott méretű jövőbeli populációra vonatkozóan (például egy jövőbeli 500 darabos tételre). Létezik egy nem paraméteres számítás is azokra az esetekre, amikor a normális eloszlásra vonatkozó feltételezés nem teljesül.
Miért érdemes ezeket az elemzéseket egy minőségbiztosítási eszközben összpontosítani, ahelyett, hogy Excel-táblázatokban tárolnánk őket?
Ezek az elemzések mindegyike külön-külön elérhető; sok minőségügyi vezető máris alkalmazza őket, gyakran kézzel átalakított Excel-képletekkel vagy papíralapú statisztikai táblázatokkal. A nehézséget nem maga a módszer jelenti, hanem annak gyors, megbízható és a mindennapi gyakorlatban reprodukálható rendelkezésre állása a folyamatosan változó adatok alapján.
Ez a modul feladata Adatelemzés az Ellistat szoftvercsomagból: ez összesíti az összes leíró statisztikát: grafikus elemzés, ellenőrző diagramok, normális eloszlás-tesztek, MAD, attribútumtáblázatok, eloszlási törvények, Fourier-bontás, az ISO 2859 és ISO 3951 szabványoknak megfelelő mintavételi terv-kalkulátorok, ellenőrzési határok és szórásintervallumok… mindezt egyetlen, egyszerűen hozzáférhető felületen, amely soha nem haladja meg a két menüszintet. A cél nem a statisztikai komplexitás növelése, hanem éppen ellenkezőleg, annak csökkentése, úgy, hogy ezeket a módszereket a minőségbiztosítási és gyártási csapatok statisztikai előismeretek nélkül is közvetlenül alkalmazhassák.
Következtetés
A leíró statisztika nem csupán a minőségügyi szakértők számára fenntartott elméleti gyakorlat: olyan nagyon konkrét kérdésekre ad választ, amelyekkel a termelési és minőségügyi vezetők nap mint nap szembesülnek: valóban rendkívüli-e ez az érték, stabil-e ez a folyamat, megbízható-e ez a beszállítói tétel, szükséges-e a készlet átválogatása? Helyesen alkalmazva az ipari leíró statisztikák a nyers adatokat gyors és megalapozott döntésekké alakítják, nem pedig ellenőrizhetetlen megérzékké. A nehézség soha nem maga a statisztikai elmélet, hanem annak egyszerű és megbízható alkalmazása, nap mint nap, a gyár valós adatai alapján.
