M - Measure Flashcards
Wat is een MSA en waarom zijn Resolutie en Lineair meetbereik van belang?
Zie MSA in GB, incl. operationele definitie.
Uitvoerbaar, specifiek, betrouwbaar sample en meetsysteem opzetten. Tijdig bijsturen: besluit Go/NoGo (voor bijv. limitaties of resources voor overleg met sponsor)
- Resolutie in meetsysteem = kleinste verschil nog meetbaar met jouw meetsysteem
- Lineair zijn van meetbereik = bv. Gevalideerde /gekalibreerde /justeerde apparatuur (met te meten waarden binnen gekallibreerd bereik)
Hoe Betrouwbaarheid & Herhaalbaarheid MSA toetsen?
- Gauge R&R(GR&R) = Test op precisie-fout: Variatie in meetmethode/meetsystem
- GR&R= Gauge (peiling) Repro & Repeat (herhaalbh)
Herhaalde metingen conform MSA/operationele definitie. Gevonden spreiding komt door:
- fout in herhaalbaarheid (bij zelfde persoon),
- fout in reproduceerbaarheid (bij verschillende personen)
- fout in object dat gemeten wordt (zijn die 10 voetballen allen even rond)
Deze meetspreiding/meetfout is enkel relevant t.o.v. de totale spreiding (st.dev.) van process (ms op marathon niet relevant, op 100m sprint wel).
Wat is GR&R-continu?
Gauge R&R (cont.): continue data
Nauwkeurigheid methode (spreiding/st.dev.: repro&repeat) vs Meetinterval (en spreiding meetobjecten)
GR&R/totale variatie in proces = st.dev.methode/st.dev.process = ratio (%):
- <10% uitstekend,
- <30% goed maar verbeterbare meting,
- >30% onacceptabel
Wat is GR&R-discreet?
Kappa (=Gage R&R discreet): discrete data
- Kappa= kans obeservatie – kans toeval / (1-kans toeval) = ratio*
- Geeft methode betere meting dan toeval zou geven.*
Kappa:
- 1-0,9=goed,
- 0,7-0,9=acceptable,
- <0,7 onacceptabel
Hoe bereken je de Sample Size Continu en Discreet? (Wat is Z, s, delta?)
Sample size:
- vuistregels uit GB,
- formule voor flexibiliteit wat je wilt meten via BB.
- Zie afbeelding (delta=nauwkeurigheid in %, e.g. 1,5% nauwkeurig=0,015)
Welke 3 grafieken zijn de kern van Measure fase?
- Controle kaart/Controll Chart (statistisch stabiel proces/onder controle – keuze uit normaal/niet normaal verdeeld)
- Probability plot: normaal of niet-normaal verdeelde data (normal-verdeeld lijn in midden en CI aan zijkanten)
- Capabiliteitsplot (Capabiliteit=kunnen voldoen aan klantwens)
(Zie klapper 291 voor p-waarden en betekenis.)
Noem voorbeeld van Random en Non-Random Sample methoden
Random:
- Simpel: at random uit totale batch (ANS/AQL)
- Cluster: uit subpopulatie (cluster) samples (van stans1/exp.doos12/doc6)
- Stratificatie: samples chronologisch genomen (ploeg1,2,3/batch2,3,4/doc3,4,5)
- Systematisch: vast tijdsinterval (elke 10e flacon, elke 10 min)
Bij stratificatie verandert vaak de context (stans1,2,3), bij systematisch veranderd vaak enkel de tijd.
Non-Random:
- Conditioneel/Quota (eerste 6 patienten, enkel bij roken, enkel bij schade)
- Quick and Dirty (Conditie is reeds beschikbare/makkelijk te krijgen data)
Conditioneel is non-random want vaak niet representatief voor populatie, door specifieke omstandigheden.
Wat is min. freq. samplen bij overall (cycle) variatie in process?
Ten minste 4x per overall variatie/process cycle.
Maak bv inzichtelijk met control chart of weet je uit ploegen/planning.
Wat is verschil tussen X-bar+S en Mu+Sigma?
- Steekproef (n<populatie>
</populatie><li>Populatie gegevens <span>(vaak uit extrapolatie steekproef)</span> = Mu+Sigma</li>
</populatie>
Wat is relatie steekproef type (subgroepen) en Control Chart?
A) Bij subgroup=1 (telkens 1 sample) >> I-MR Chart (Individual + Moving Range)
B) Bij subgroup=2-9 (telkens een rij 2-9 samples van prod.band; 3xB/3xM/3xE) >> X-bar R Chart (Gem.X + Range)
C) Bij subgroup>10 (telkens bundle samples van 10 of meer) >> X-bar S Chart (Gem.X + St.Dev)
Belangrijkste verschil is tweede deel MR=per datapunt, R=benadering st.dev omdat aantallen te klein zijn voor goede berekening, st.dev.=statistisch mooiste weergave maar enkel mogelijk grote bundels samples.
Meten processtabiliteit: wat is SPC?
SPC = statistische Proces Controle (Continu meten), mbv frequente IPC.
Wat is een Trend Graph?
Control Chart zonder UCL/LCL: puur voor weergave Overall variatie, Within variatie en ruis. Zonder afleiding/discussie over statistisch stabiel process.
Welke info haal je uit Control Chart?
Inzicht statisch onder controle=stabiel (Vaak op CTQ-in Measure-fase of op Y-in Controll fase)
- Punten die buiten UCL/LCL ligt – rode punt: kan je reden vinden waar instabiliteit op dat punt vandaan komt? (Statistisch 3st.dev naar boven+beneden is 99,7% dus statistisch lage toevalskans.)
- Rode punt binnen UCL/LCL geeft trendwijziging aan: zijn er een stuk of 8 verschillende.
- Zijn verschillende trend analyses binnen zelfde control chart (viabelen grafiek voor individuele metingen OF indiv.met moving range)
Trend analyses via I-chart options>tests): in session window staat welke test fail is (bijv. Test 2, meer dan 9 punten op rij onder gemiddelde).
Wat is voordeel van ander type Control Chart gebruik bij toch individuele samples?
Soms ook gebruikt om indiv. Data te clusteren op shift/dag/week (soort inzoomen/uitzoomen), wanneer er een grote hoeveelheid data is kan dit samenvoegen de data grover maken/versimpelen.
In een Capabilieitsplot staat blokje Data, Performance en Capability: welke info haal je uit die blokjes?
In welke mate valt process binnen klantspecificaties (USL/LSL)
Prob-plot. normaal verdeeld (p>0.05, ideale verdeling p=1,0)
1. Process Data
- 1a) StDev (overall) = Indien je oneindig zou doorsamplen dan krijg je de doorgetrokken lijn (populatie voorspelling)
- 1b) StDev (within) = Binnen gemeten data verbeterpotentieel, de outliers (buiten 3 st.dev) eruit gehaald en enkel de ‘ruisvariatie’ geen grote schommelingen van gemiddelde in periodes.
2. Performance
- 2a)Observed = wat buiten LSL+USL ligt geeft PPM total/ % total.
- 2b)Expected Overall = populatie performance incl Overall variatie en outliers/uitbijters
- 2c)Expected Within = populatie performance excl Overall variatie, enkel de within variatie en zonder uitbijters
Voor Expected Within (Cp/Cpk) is de st.dev. Nodig en dat is een eigenschap van normale verdeling. (Eigenlijk is een st.dev ook nodig voor de Control Chart LCL/UCL.)
3.Capability
- 3a)Overall Capability
- Pp=(range specs)/(range process)
- Ppk=(Range Gemiddeld-USL/LSL)/(Range van halve curve), relatieve locatie van gemiddelde curve tov limiet.
- 3b)Within Capability
- Cp – breedte procescurve vs breedte limieten
- Cpk – locatie gem. vs afstand tot limieten
Tussenberekeningen:
- PPL = Cpk Lower halve berekening
- PPU = Cpk Upper halve berekening
Wat is Cp/Pp en Cpk en Ppk?
Potential Capability (Cp of Pp = Populatie of Capab. proces)
- Cx=Within variatie voorspelling (extrapolatie naar populatie)*
- Px=Overall variatie voorspelling (extrapolatie naar populatie)*
- Cp = (range specs)/(range process) ‘Breedte specs tov breedte proces’. Range process = 6 sigma = 99,7% van je process.
- Cp > 1, valt binnen USL/LSL
- Cp = 1, process range van 6 sigma valt exact op USL/LSL
- Cp <1, range process valt buiten USL/LSL
Katayori (Kant) Capability (Cpk of Ppk)
- CpK = (gem.= Xbar tov USL/LSL) /(range links/recht) ‘afstand tussen gem. en specs. tov st.dev’ )
- Cpk= laagste waarde van (USL-Xbar)/3 sigma OF (LSL-Xbar)/3 sigma
- Cp > 1, valt binnen USL/LSL
- Cp = 1, process range van 6 sigma valt exact op USL/LSL
- Cp <1, range process valt buiten USL/LSL
Wat is overeenkomst Z-waarde en Pp/Ppk?
.
Zeggen beiden iets over positie curve en spreiding tov USL/LSL
Hoe weet je beste type niet-normale verdeling capabiliteitsplot?
Bij niet normale verdeling, kan je programma laten zoeken welke verdeling dan het beste past.
>> Verschillende processen hebben verschillende verdeling (bijv. Dobbelsteen heft Uniform). Normaal verdeeld is gewoon een vorm/type.
Welke 4 stappen doorloop je bij zoeken beste fit bij niet-normale verdeling?
Op zoek naar hoogste p-waarde voor fit.
- Kijk naar probability plot (normal verdeeld of scheiding data nodig/stratificatie)
- Zoek naar beste Indiv.Distributie ID. (verdeling)
- Kies verdeling met grootste p-waarde (laat Session info zien); dit maakt het mogelijk om de extrapolatie naar populatie (Expected Performance) te gebruiken
- Als niks goed past, dan overweeg transformatie: of gebruik je ObservedData en niet de Expected within/overall Performance.
