Specification range USL ja LSL. Mittaustulokset ja normaalijakauma. Six Sigma filosofia: Käytännössä. Pitkäaikainen suorituskyky

Samankaltaiset tiedostot
riippumattomia ja noudattavat samaa jakaumaa.

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

806109P TILASTOTIETEEN PERUSMENETELMÄT I Hanna Heikkinen Esimerkkejä estimoinnista ja merkitsevyystestauksesta, syksy (1 α) = 99 1 α = 0.

Tutkimusongelmia ja tilastollisia hypoteeseja: Perunalastupussien keskimääräinen paino? Nollahypoteesi Vaihtoehtoinen hypoteesi (yksisuuntainen)

Luottamusvälit. Normaalijakauma johnkin kohtaan

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Tilastollinen laadunvalvonta

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Luottamisvälin avulla voidaan arvioida populaation tuntematonta parametria.

Virhearviointi. Fysiikassa on tärkeää tietää tulosten tarkkuus.

Mittaustekniikka (3 op)

Tilastollinen laadunvalvonta

6.1.2 Yhdessä populaatiossa tietyn tyyppisten alkioiden prosentuaalista osuutta koskeva päättely

pisteet Frekvenssi frekvenssi Yhteensä

Sovellettu todennäköisyyslaskenta B

Otoskeskiarvo on otossuure, jonka todennäköisyysjakauma tiedetään. Se on normaalijakauma, havainnollistaminen simuloiden

Tilastollinen laadunvalvonta

Tilastollisten menetelmien soveltaminen tuotekehitysympäristössä

dx=5&uilang=fi&lang=fi&lvv=2014

Estimointi. Vilkkumaa / Kuusinen 1

Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot

&idx=2&uilang=fi&lang=fi&lvv=2015

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

4.1. Olkoon X mielivaltainen positiivinen satunnaismuuttuja, jonka odotusarvo on

Esim. Pulssi-muuttujan frekvenssijakauma, aineisto luentomoniste liite 4

MATEMATIIKAN KOE, LYHYT OPPIMÄÄRÄ HYVÄN VASTAUKSEN PIIRTEITÄ

MS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Sisäilmakumppani -raportti Viialan yhtenäiskoulu, siirtokoulut

LIITE 1 VIRHEEN ARVIOINNISTA

Tilastollisen analyysin perusteet Luento 2: Tilastolliset testit

Matematiikan kotitehtävä 2, MAA 10 Todennäköisyys ja tilastot

Vaatimusmäärittely Ohjelma-ajanvälitys komponentti

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

1. Nollahypoteesi on, että teksti on kirjoitettu lyhyemmällä murteella. Mahdollisiavaihtoehtojaonvainyksieliettäteksti

Sovellettu todennäköisyyslaskenta B

VIILUN MITTATARKKUUDEN VARMISTAMINEN TILASTOLLISIN KEINOIN

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

Diskreetit todennäköisyysjakaumat. Kertymäfunktio Odotusarvo Binomijakauma Poisson-jakauma

Matemaatikot ja tilastotieteilijät

LIITE 1 VIRHEEN ARVIOINNISTA

Sovellettu todennäköisyyslaskenta B

Regressioanalyysi. Kuusinen/Heliövaara 1

ISO 9001:2015 JÄRJESTELMÄ- JA PROSESSIAUDITOIN- NIN KYSYMYKSIÄ

11. laskuharjoituskierros, vko 15, ratkaisut

Harjoitus 2: Matlab - Statistical Toolbox

Jos nollahypoteesi pitää paikkansa on F-testisuuren jakautunut Fisherin F-jakauman mukaan

Lisätehtäviä ratkaisuineen luentomonisteen lukuihin 2-4 liittyen

Ilkka Mellin Tilastolliset menetelmät. Osa 3: Tilastolliset testit. Tilastollinen testaus. TKK (c) Ilkka Mellin (2007) 1

Sovellettu todennäköisyyslaskenta B

Väliestimointi (jatkoa) Heliövaara 1

9. laskuharjoituskierros, vko 12-13, ratkaisut

Luento KERTAUSTA Kaksiulotteinen jakauma Pisteparvi, Toyota Avensis -farmariautoja

Tilastollinen aineisto Luottamusväli

LIITE 1 VIRHEEN ARVIOINNISTA

KUNTATEKNIIKKA 2014 ELINKAARILASKENNASTA OMAISUUDEN HALLINTAAN. Juha Äijö, Ramboll,

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

MTTTP1, luento KERTAUSTA

A-osa. Ratkaise kaikki tämän osan tehtävät. Tehtävät arvostellaan pistein 0-6. Taulukkokirjaa saa käyttää apuna, laskinta ei.

Lisätehtäviä ratkaisuineen luentomonisteen lukuun 6 liittyen., jos otoskeskiarvo on suurempi kuin 13,96. Mikä on testissä käytetty α:n arvo?

/1. MTTTP5, luento Kertausta. Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin

Mittaustulosten tilastollinen käsittely

TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ

, tuottoprosentti r = X 1 X 0

3. a) Mitkä ovat tilastolliset mitta-asteikot? b) Millä tavalla nominaaliasteikollisen muuttujan jakauman voi esittää?

χ = Mat Sovellettu todennäköisyyslasku 11. harjoitukset/ratkaisut

Tilastotieteen kertaus. Vilkkumaa / Kuusinen 1

Differentiaali- ja integraalilaskenta

Kojemeteorologia. Sami Haapanala syksy Fysiikan laitos, Ilmakehätieteiden osasto

LAATUKÄSIKIRJA SFS-EN ISO 9001:2000

SIPOC ja Arvovirtakartta työskentely - Ohje

Hämeenlinnan kaupunki: Kotihoidon palveluntuotannon vaikuttavuuden ja käyttäjälähtöisyyden kehittäminen

&idx=2&uilang=fi&lang=fi&lvv=2015

Miten voidaan arvioida virheellisten komponenttien osuutta tuotannossa? Miten voidaan arvioida valmistajan kynttilöiden keskimääräistä palamisaikaa?

Mat Sovellettu todennäköisyyslasku A

Sovellettu todennäköisyyslaskenta B

Sovellettu todennäköisyyslaskenta B

Mainonnan kenttä Venäjällä

H0: otos peräisin normaalijakaumasta H0: otos peräisin tasajakaumasta

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ

Jatkuvat satunnaismuuttujat

TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ

TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ

TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ

TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ

TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ

Tilastotiedote 2007:1

2. TILASTOLLINEN TESTAAMINEN...

TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ

SIIVOJA HALLITSEE EKG-REKISTERÖINNIN, VAIKKA SE ON VAIKEAA JOPA KLIINISEN FYSIOLOGIAN ERIKOISHOITAJILLE!

VALTIOTIETEELLINEN TIEDEKUNTA TILASTOTIETEEN VALINTAKOE Ratkaisut ja arvostelu < X 170

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

TURUN SEUDUN ILMANSUOJELUN YHTEISTYÖRYHMÄ

Tutkimustiedonhallinnan peruskurssi

Jonojen matematiikkaa

Regressioanalyysi. Vilkkumaa / Kuusinen 1

c) A = pariton, B = ainakin 4. Nyt = silmäluku on5 Koska esim. P( P(A) P(B) =, eivät tapahtumat A ja B ole riippumattomia.

ABHELSINKI UNIVERSITY OF TECHNOLOGY

Transkriptio:

Mittaustulokset ja normaalijakauma Specification range USL ja LSL Keskiarvo Tavoitearvo Ylä- ja alaraja hyväksynnälle s tai sigma, σ 1σ, 2σ ja 3σ Määrittelyalue Määritellään millä laatutasolla prosessi toimii tai halutaan toimivan Lyhyen aikavälin kontrollirajat Edellä mainitut määrät virheellisiä sallittuja LSL Frekvenssi USL µ 68,2% 95,4% 99,6% ±1σ ±3σ ±6σ Specification range Virheettömien määrä eri sigmatasoilla DPMO = Defects per Million Opportunities = Virheellisiä miljoonassa tapauksessa PPM = Parts per Million Pitkäaikainen suorituskyky Upper ja Lower Secification Limit Keskitetty ja siirretty jakauma 1.5σ:n siirtymä pitkällä aikavälillä Syyt: materiaalivariaatiot, valmistusmenetelmät, kuluminen jne. 1350 ppm ja 66807 ppm virheellisiä Frekvenssi Toleranssi Osuus populaatiosta Osuus populaatiosta DPMO DPMO (keskitetty prosessi) (1.5σ siirtymä) (keskitetty (1.5σ prosessi) siirtymä +/- 1σ 68.26 % 30.23 % 317400 697700 +/- 2σ 95.46 % 69.15 % 45400 308500 +/- 3σ 99.73 % 93.32 % 2700 66800 +/- 4σ 99.9937 % 99.38 % 63 6200 +/- 5σ 99.999943 % 99.9767 % 0.57 233 +/- 6σ 99.9999998 % 99.99966 % 0.002 3.4 LSL ±3σ USL Specification range DPMO, virheellisiä miljoonassa mahdollisuudessa Ero lyhytaikaisen ja pitkäaikaisen suorituskyvyn välillä huomattava Esim. 4σ; 63 ja 6200 Virheettömien määrä eri sigmatasoilla DPMO, virheellisiä miljoonassa 1000000 100000 DPMO 10000 1000 Shifted 1.5 σ 100 Centered 10 1 0,1 0,01 0,001 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 Toleranssi Osuus populaatiosta Osuus populaatiosta DPMO DPMO (keskitetty prosessi) (1.5σ siirtymä) (keskitetty (1.5σ prosessi) siirtymä +/- 1σ 68.26 % 30.23 % 317400 697700 +/- 2σ 95.46 % 69.15 % 45400 308500 +/- 3σ 99.73 % 93.32 % 2700 66800 +/- 4σ 99.9937 % 99.38 % 63 6200 +/- 5σ 99.999943 % 99.9767 % 0.57 233 +/- 6σ 99.9999998 % 99.99966 % 0.002 3.4 Toleranssi / +/-σ

Konkreettinen esimerkki: Konkreettinen esimerkki: Tarkastellaan jatkuvaa prosessia, joka on toiminnassa 720 tuntia kuukaudessa. Susituotantoon käytetty aika eri sigmatasoilla on: σ C pk Aika 1 0.33 229 h 2 0.67 33 h 3 1.00 2 h 4 1.33 2.7 min 5 1.67 1,5 s 6 2.00 0.005 s Tarkastellaan pienen kirjaston kirjoissa esiintyvien painovirheiden määrää. 3 σ :n tasolla jokaisen kirjan jokaisella sivulla on keskimäärin yksi virhe. 6 σ :n tasolla koko kirjastosta löytyy yksi virhe. Onko 1 ppm paljon vai vähän? Oletetaan, että TAYSin vastasyntyneiden osastolla hoitajat nostavat työvuoron aikana vastasyntyneitä lapsia 200 kertaa. Vuorokaudessa nostoja tulee 600 kuukaudessa 18.000 vuodessa 216.000 Viidessä vuodessa nostoja tehdään yli miljoona. 1 ppm on vain yksi tilastotappio viiden vuoden välein. Aliprosessien määrä ja laatu Aliprosessien määrän vaikutus tärkeää mm. Autoteollisuus Elektroniikkateollisuus Softateollisuus Tuotteet ja tuotantoprosessit ovat Monimutkaisia Monivaiheisia Paljon komponentteja Tällöin erityisen tärkeää pyrkiä minimoimaan virheellisten komponenttien tai vaiheiden määrät Aliprosessien määrä ja laatu Aliprosessien määrä ja laatu Virheettömiä / % Aliprosessien lukumäärän vaikutus koko prosessin suorituskykyyn Komponenttien määrä tai prosessin vaiheiden määrä Pitkällä aikavälillä 1,10 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 2 3 4 0 20 40 60 80 100 120 Aliprosessien lkm 5 6 Myös hyvällä suorituskyvyllä selkeitä eroja monimutkaistumisen myötä Komponenttien määrä tai prosessin vaiheiden määrä Esim. 3 Sigman tasolla tuotetaan 99.73% virheettömiä hetkittäin Kymmenen vaiheinen prosessi tuottaa puolet virheettömiä (1.5 Sigman siirto, 66807 ppm eli 6.6807% virheellisiä) 0.933193 10 = 0.501 5 ja 6 Sigman tasoilla ei kolmen desimaalin tarkkuudella vaikutusta Virheettömiä / % 1,10 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 5 σ 6 σ 0 5000 10000 15000 20000 25000 30000 35000 Aliprosessien lkm

GM Europe 1997: Opel Corsassa on noin 6000 osaa. Tuotanto tuottaa: 95 autoa tunnissa kaksi vuoroa päivässä 20 päivää kuukaudessa = 160 miljoonaa osaa kuukaudessa Jos osien vikatiheys olisi 25 ppm = ( 0,0025 % ), niin valmistuneista autoista vain 85 % täyttäisi vaatimukset. Uskaltaisitko ostaa Opel Corsan? Six Sigma filosofia Six Sigma on tilastollinen mittasuure, jolla voidaan mitata erilaisten tuotteiden ja palveluiden laatua Six Sigma on osa liiketoimintastrategiaa; voitetaan sekä kustannuksissa että asiakastyytyväisyydessä Työskennellään viisaammin, ei välttämättä kovemmin Eri prosessien vertailu on tärkeää, koska mm. osaprosessien vertailu, tulospalkkaus tai benchmarking Kaikki toiminnot siis laadun näkökulmasta samalle viivalle Niin laskujen käsittely kuin tuotantokin Prosesseja vertaillaan; 1. Mittaamalla virheiden määrää miljoonaa mahdollisuutta kohden DPMO 2. Määrittelemällä mitattomat suorituskykyindeksit Osana liiketoimintastrategiaa; Kustannushyöty voidaan siirtää hintakilpailuun Laadulla säästetty raha suoraa tuloa (suoraan viimeiselle viivalle) Työskennellään viisaammin; Ei enää omien tai muiden virheiden korjaamista, motivointi Laatu kaikille samanlaiseksi mittariksi DPMO, virheellisiä miljoonassa mahdollisuudessa Ero lyhytaikaisen ja pitkäaikaisen suorituskyvyn välillä huomattava Esim. 4σ; 63 ja 6200 DPMO 1000000 100000 10000 1000 100 10 1 Centered Shifted 1.5 σ 0,1 0,01 0,001 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 Toleranssi / +/-σ : Vaiheet Potentiaalista suorituskykyä mitataan suorituskyky indeksillä C p Todellista pitkäaikaista suorituskykyä mitataan suorituskyky indeksillä C pk T on tavoitearvo, µ jakauman keskiarvo C p = 2.0 ja C pk = 1.5 Kun µ = T, C p = C pk C p µ = USL 3σ C = C ( 1 k ) pk p µ LSL C p = 3 σ T µ k = ( USL LSL) / 2 Identifioi tuotteen ominaisuudet, jotka ovat kriittisiä asiakastyytyväisyydessä Määrittele tuotoksen osat tai elementit, jotka ovat kriittisiä saavuttamiseksi Määrittele aliprosessit, jotka vaikuttavat tuotoksen kriittisten ominaisuuksien saavuttamiseen Määrittele jokaiselle tuotoksen ominaisuudelle tavoitearvo ja maksimi toleranssi, jotka takaavat suorituskyvyn Määrittele jokaiselle tuotoksen ominaisuudelle ja aliprosessille, jotka vaikuttavat kriittisiin ominaisuuksiin, suorituskykyindeksit Tarkista, että C p = 2.0 ja C pk = 1.5

Vaiheet; 1. ja 2. Vaiheet; 3. ja 4. Tärkeysjärjestys ja kvantitatiivisuus Asiakkaan fyysiset ja funktionaaliset vaatimukset Tuotantojärjestelmän vaatimukset; sisäinen asiakas Yrityksen tavoitteet; kiertoajat, liiketoiminnan tavoitteet, etc. Vaiheessa 2 arvioidaan tuotoksen osat, jotka vaikuttavat kriittisiin ominaisuuksiin Esim. laskujen käsittely ja sisäiset materiaalitoimitukset (DPMO ja siitä indeksit) Aliprosessit, jotka tuottavat kriittiset ominaisuudet Tunnistetaan jo hyvin toimivat huonosti toimivista Tunnistetaan aliprosessit, jotka eniten vaikuttavat kriittisten ominaisuuksien saavuttamiseen ja keskitytään näihin 4. vaiheessa määritellään toleranssit Elintärkeille aliprosesseille optimitoleranssit Muille maksimitoleranssit tai suhteelliset virhemäärät määriteltynä Esim. edellisessä sisäinen jakelu nukkuu puolet päivästä ja hoitaa kaiken kuljetuksen, muut kunnossa Vaiheet; 5. ja 6. Määritetään indeksit ja vertaillaan tavoitetasoihin tuotoksessa Ellei tuotos täytä vaatimuksia, siirrytään mikrotasolle Tarkastellaan aliprosesseja, varsinkin niitä, jotka vaikuttavat tuotoksen krittisiin ominaisuuksiin ja tuottavat eniten virheitä Muutetaan joko prosessia tai toleranssirajoja tai molempia Prosessin parantaminen Prosessin suorituskykyä voidaan parantaa Varsinaisen prosessin parantaminen ja/tai Komponentin specifikaatioiden muuttaminen Design for manufacturability, kun molemmat LFL2 LFL1 Parannettu UFL1 UFL2 Alkuper. Prosessin parantaminen Toleranssirajojen suunnittelu Komponentin toimimisen rajat Upper ja Lower Functional Level UFL ja LFL Lyhyen ajan kontrollirajat Upper ja Lower Specification Level USL ja LSL DM, design margin välissä, jos voi LFL LSL Keskitetty 1.5σ siirretty USL UFL USL = 10.60 mm LSL = 9.4 mm σ = 0.2 mm Ruuviesimerkki 1 (10.60-9.40) / 0.20 = 6 Toimitaan siis alueella ±3σ Viallisia on 2700 ppm 2700 ppm*10.000 kpl = 27 10.60-9.40 1.2 C p = --------------- = ------- = 1.0 6*0.2 1.2 80 % UFL ja LFL alueesta

USL = 10.60 mm LSL = 9.4 mm σ = 0.1 mm Ruuviesimerkki 2 (10.60-9.40) / 0.10 = 12 Toimitaan siis alueella ±6σ Viallisia on 0.002 ppm 0.002 ppm*10.000 kpl = 0 10.60-9.40 1.2 C p = -------------- = ------- = 2.0 6*0.1 0.6 Ruuviesimerkki 2 väärin tulkittuna!! USL = 11.20 mm LSL = 8.80 mm σ = 0.20 mm (11.20-8.80) / 0.20 = 12 Toimitaan siis alueella ±6σ Viallisia on 0.002 ppm 0.002 ppm*10.000 kpl = 0 11.20-8.80 2.4 C p = -------------- = ------- = 2.0 6*0.2 1.2 UNOHDA VAATIMUSTEN VÄLJENTÄMINEN PAREMMAN σ-tason TAI C p -INDEKSIN SAAVUTTAMISEKSI!! Ruuviesimerkki 3 x = 10.15 mm USL = 10.60 mm LSL = 9.4 mm σ = 0.1 mm (10.60-9.40) / 0.10 = 12 Toimitaan siis alueella ±6σ Tapahtunut 1.5 σ:n siirtymä Viallisia on 3.4 ppm 3.4 ppm*10.000 kpl = 0 10.60-9.40 1.2 C p = --------------- = ----- = 2.0 6*0.1 0.6 Ruuviesimerkki 4 N = 500 kpl n = 500 kpl viallisia 3 3 / 500 = 0.006 = 0.6 % = 6000 ppm Taulukoista tämä vastaa 2.5σ-tasoa Tämä voidaan olettaa jo siirtyneeksi jakaumaksi, joten lisätään tähän 1.5σ 4 σ C p = -------- = 1.33 3 σ 10.60-10.15 10.15-9.4 C pk = ---------------- = 1.5 ------------ = 2.5 3*0.1 3*0.1 Ruuviesimerkki 5 Ruuveja tarvitaan koko ajan suuria määriä. Yhtään virheellistä ei sallita. USL = 10.40 mm LSL = 9.6 mm Mikä saa ruuvien keskihajonta σ korkeintaan olla? Kustannukset ja laatu Vanha käsitys virhe- ja parannuskustannuksista Etsitään optimia, jossa kustannukset pienimmät mahdolliset Vaaditaan siis prosessin toimivan 6 σ:n tasolla (10.40-9.60) /σ = 12 σ = 0.8/12 = 0.067 mm Tai... 10.40-9.60 C p = -------------- = 2.0 6* σ Kustannukset Parannuskustannukset Virhekustannukset Kokonaiskustannukset σ = 0.8 / 2*6 = 0.067 mm Laatu

Kustannukset ja laatu MIKÄ ON? Uusi käsitys virhe- ja parannuskustannuksista Parannettaessa laatua kustannukset pienenevät Esim. korjaus-, tarkastus-,materiaali- ja hävikkikustannukset - Pareto-diagrammi? - Attribuuttitarkastus? -OC-käyrä? - Kuluttajan riski? Kustannukset Parannuskustannukset Virhekustannukset 3σ 4σ 5σ - Variaabelitarkastus? -XR-kartta? 6σ -DPMO -Cpk indeksi? Laatu