Rozdziały Cztery (MC i TF) Jakie dwie liczby znajdują się w raporcie dziennym dla dyrektora generalnego Walt Disney Parks amp Resorts w odniesieniu do sześciu parków w Orlando a. wczorajsze dni przewidywały frekwencję i wczorajszą frekwencję b. wczoraj faktyczna frekwencja i dzisiejsza przewidywana frekwencja c. wczoraj prognozowana frekwencja i dzisiejsza przewidywana frekwencja d. wczoraj faktyczna frekwencja i ostatnie lata faktyczna frekwencja. wczorajsza prognozowana frekwencja i średni dzienny błąd prognozy z roku na rok Sześciomiesięczna średnia ruchoma prognoza jest lepsza niż trzymiesięczna średnia ruchoma prognoza na żądanie. jest raczej stabilny. zmienia się z powodu ostatnich działań promocyjnych. podąża za trendem spadkowym. następuje sezonowość, która powtarza się dwa razy w roku. podąża za trendem wzrostowym Dla danego popytu na produkt równanie trendów szeregów czasowych wynosi 53 - 4 X. Znak ujemny na zboczu równania a. jest matematyczną niemożliwością. oznacza, że prognoza jest stronnicza, a wartości prognoz są niższe niż rzeczywiste wartości c. jest wskaźnikiem, że popyt na produkty spada d. oznacza, że współczynnik determinacji będzie również ujemny. oznacza, że RSFE będzie ujemny. Które z poniższych stwierdzeń jest prawdziwe w odniesieniu do dwóch stałych wygładzania modelu Forecast Including Trend (FIT). Jedna stała jest dodatnia, a druga ujemna. b. Nazywają się MAD i RSFE. do. Alfa jest zawsze mniejsza niż beta. re. Jedna stała wygładza punkt przecięcia regresji, podczas gdy druga wygładza nachylenie regresji. mi. Ich wartości są ustalane niezależnie. Oczekuje się, że popyt na dany produkt wynosi 800 sztuk miesięcznie, średnio w ciągu 12 miesięcy w roku. Produkt jest zgodny z modelem sezonowym, dla którego miesięczny wskaźnik miesięczny wynosi 1,25. Jaka jest sezonowa prognoza sprzedaży na styczeń. 640 jednostek b. 798,75 jednostek. 800 jednostek d. 1000 jednostek e. nie można obliczyć za pomocą podanych informacji Indeks sezonowy dla serii miesięcznej ma zostać obliczony na podstawie trzyletniej kumulacji danych. Trzy poprzednie lipcowe wartości to 110, 150 i 130. Średnia dla wszystkich miesięcy wynosi 190. Przybliżony indeks sezonowy za lipiec to. 0,487 b. 0,684 c. 1.462 d. 2.053 e. nie można obliczyć za pomocą podanych informacji Zarządzanie Zarządzaniem - Rozdział 3 Które z poniższych rozwiązań stanowiłoby korzyść z zastosowania kompozytu sił sprzedaży do opracowania prognozy popytu A. Najmniejszy wpływ na pracowników działu sprzedaży mają zmieniające się potrzeby klientów. B. Dział sprzedaży może łatwo odróżnić życzenia klientów od prawdopodobnych działań. C. Pracownicy działu sprzedaży często są świadomi przyszłych planów klientów. D. Najmniej prawdopodobne jest, że sprzedawcy będą pod wpływem ostatnich wydarzeń. E. Sprzedawcy są mniej skłonni do obciążania kwotami sprzedaży. C. Pracownicy działu sprzedaży często są świadomi przyszłych planów klientów. Członkami działu sprzedaży powinny być najściślejsze powiązania organizacji ze swoimi klientami. Które zdanie najlepiej opisuje technikę Delphi A. asocjacyjna prognoza B. badanie konsumenckie C. seria kwestionariuszy D. opracowane w Indiach E. dane historyczne C. serie kwestionariuszy Ankiety są sposobem na osiągnięcie konsensusu pomiędzy odmiennymi perspektywami. Co nie jest cechą prostych średnich ruchomych zastosowanych do danych szeregów czasowych A. wygładza losowe wariacje danych B. waży każdą wartość historyczną jednakowo C. opóźnia zmiany w danych D. wymaga jedynie ostatnich okresów prognozy i rzeczywistych danych E. wygładza realną różnice w danych D. wymaga tylko ostatnich okresów prognozy i rzeczywistych danych Proste ruchome średnie mogą wymagać kilku okresów danych. W przypadku wygładzania wykładniczego z korektą trendu prognoza skorygowana o tendencje składa się z: A. wykładniczo wygładzonej prognozy i wygładzonego trendu. B. wykładniczo wygładzona prognoza i szacunkowa wartość trendu. C. stara prognoza skorygowana o czynnik trendu. D. stara prognoza i wygładzony czynnik trendu. E. średnia ruchoma i czynnik trendu. A. wykładniczo wygładzona prognoza i wygładzony czynnik trendu. Zarówno losowa zmiana, jak i trend są wygładzane w modelach TAF. W modelu addytywności dla sezonowości sezonowość wyrażona jest jako korekta średniej w modelu multiplikatywnym, sezonowość wyrażona jest jako korekta średniej. A. procentowa zawartość procentowa B. procentowa ilość C. ilość ilość D. procentowy odsetek jakościowy ilościowy A. procentowy procent Model dodatków po prostu dodaje sezonową korektę do prognozowanej prognozy. Model multiplikatywny dostosowuje prognozowaną prognozę, mnożąc ją przez relatywną lub indeksu sezonowego. Techniki prognozowania ogólnie zakładają: A. brak przypadkowości. B. ciągłość pewnego leżącego u podstaw systemu przyczynowego. C. liniowy związek między czasem a popytem. D. dokładność, która wydłuża czas realizacji prognozy. E. dokładność, która jest lepsza, gdy rozważane są poszczególne elementy, a nie grupy elementów. B. ciągłość pewnego leżącego u podstaw systemu przyczynowego. Techniki prognozowania ogólnie zakładają, że ten sam podstawowy system przyczynowy, który istniał w przeszłości, będzie nadal istniał w przyszłości. Zarządzanie podejściem do prognozowania, które ma na celu aktywne wpływanie na popyt, to: A. reaktywne. B. proaktywny. C. wpływowy. D. przedłużony. E. z mocą wsteczną. Po prostu reagowanie na popyt jest podejściem reaktywnym. Szeregi czasowe Wygładzanie wykładnicze vs. Średnia ruchoma - metoda wygładzania wykładniczego zapewnia wygładzone wartości dla wszystkich obserwowanych okresów - metoda średniej ruchomej nie zapewnia wygładzonych wartości (wartości średniej ruchomej) dla pierwszego i ostatni zestaw okresów - podczas wygładzania szeregów czasowych w czasie t, wygładzanie wykładnicze uwzględnia wszystkie dane dostępne w t (yt, yt-1.), podczas gdy metoda średniej ruchomej uwzględnia tylko obserwacje uwzględnione przy obliczaniu wartości średniej. Składowa trendu w szeregach czasowych może być liniowa lub nieliniowa Łatwo jest wyodrębnić komponent trendu za pomocą Do trendu liniowego użyj modelu Dla trendu nieliniowego z jedną (główną) zmianą nachylenia użyj modelu kwadratowego Aby zmierzyć swój składnik trendu , zacznij od przemianowania twoich lat 1,2,3 ect Aby zidentyfikować cykliczną zmienność używamy procentu wykopu - określamy linię trendu (przez regresję) - obliczamy wartość trendu yt dla każdego okresu t - określamy procent trendu przez (ytyhat (t)) 100 Procedura wyboru modelu - wykorzystaj niektóre obserwacje, aby opracować kilka konkurencyjnych modeli forcastingu - na modelach w pozostałych obserwacjach - podnieść dokładność każdego modelu przy użyciu zarówno kryterium MAD, jak i SSFE - użyj modelu, który generuje najniższa wartość MAD, chyba że ważne jest uniknięcie (nawet kilku) dużych błędów - w tym przypadku użyj najlepszego modelu wskazanego przez najniższy SSE Sezonowy średni współczynnik za kwartał obliczyć średnią ytyhatt dla wszystkich okresów i podzielić przez liczbę okresy Procent trendu służy do identyfikacji quizu 2017. Inc. Narzędzia wykresów kontrolnych do zrozumienia zmienności Autor: G Robin Henderson Data: 18 2017 Prawa autorskie: Zdjęcie dzięki uprzejmości iStock Photo. Wszystkie liczby są chronione prawem autorskim G Robin Henderson, z wyjątkiem szkicu Deminga, który jest wykorzystywany za zgodą Deming Foundation i Toma Nolana. Karta kontrolna wykonuje cudowną pracę w wielu zastosowaniach. To działa. W Edwards Deming Myślenie statystyczne jest niezbędnym warunkiem poprawy procesów we wszystkich obszarach ludzkiej działalności. Stwierdzenie, że statystyczne myślenie pewnego dnia będzie konieczne dla sprawnego obywatelstwa, ponieważ umiejętność czytania i pisania jest często przypisywana autorowi H G Wellsowi, ale uważa się, że jest to parafrazowa wersja z prezydenckiego przemówienia Sam Wilksa z 1950 roku do American Statistical Association. W drugiej edycji myślenia statystycznego. Hoerl and Snee (2017): Myślenie statystyczne jest filozofią uczenia się i działania opartą na tych fundamentalnych zasadach: 1. Cała praca zachodzi w systemie połączonych procesów 2. Zmienność istnieje we wszystkich procesach 3. Zrozumienie i redukcja zmienności są kluczem do powodzenie. Tabele kontrolne lub wykresy zachowań procesów są narzędziami do zrozumienia zmienności. Podstawowa koncepcja karty kontrolnej została przedstawiona w notatce napisanej przez dr Waltera Shewharta w dniu 16 maja 1924 r. W Western Electric Company w USA (Ryan 2000). Jednak David Salsburg (2001) w swojej książce The Lady Tasting Tea: jak statystyki zrewolucjonizowały naukę w XX wieku sugeruje, że matematyczne sformułowanie schematu kontrolnego zostało po raz pierwszy zaproponowane przez WS Gosset (studenta sławy testu t) i że kontrola wykres pojawił się jeszcze wcześniej w podręczniku napisanym przez GU Yule. Shewhart rozróżnił dwa rodzaje odmian. Z jednej strony istnieje przypadkowa lub przypadkowa zmienność losowa, która jest nieodłączna w procesie używanym do tworzenia produktu lub usługi. Z drugiej strony istnieje zmienność nielosowa o specjalnej przyczynie, która jest nieistotna dla procesu i która może wymagać usunięcia w celu przywrócenia wydajności procesu do pożądanego stanu. Chociaż opracowano go pierwotnie jako narzędzie statystyczne do zastosowań przemysłowych, opracowano następnie różne formy kart kontrolnych do zastosowań w wielu różnych dziedzinach, w tym w służbie zdrowia i usługach. W Edwards Deming był pod wpływem pracy Shewhartsa i stał się energicznym zwolennikiem wdrażania narzędzi statystycznych do poprawy jakości. Jednak dzisiaj rozróżnienie między odmianą zwykłą a specjalną nie jest znane tak szeroko, jak na to zasługuje. Krótka biografia on-line Shewharta została stworzona przez OConnora i Robertsona (2017). W jednym z jego słynnych seminariów dr Deming przytoczył przykład 11-letniego ucznia, Patricka Nolana, który dowiedział się o rozróżnieniu poprzez monitorowanie czasu przybycia autobusem do swojej szkoły. Zasadniczo karta kontrolna składa się z uporządkowanego czasowo wykresu danych z poziomymi liniami, które reprezentują granice powszechnej zmiany przyczyn. Punkty danych, które wykraczają poza wspólny zakres zmian przyczyn, wskazują na możliwą obecność zmienności specjalnej przyczyny. Szkic wykresu Patricksa stworzonego przez dr Deminga, który pojawił się w T he New Economics jest pokazany na rysunku 1. Rysunek 1. Szkic Dr Deminga z tabeli kontrolnej danych Patricka Nolana. Zidentyfikowano specjalne przyczyny odpowiadające dwóm punktom poza granicami, w którym jeden kierowca był na trasie, a na drugim wystąpił problem z mechanizmem zamykania drzwi. Istnieje wiele rodzajów kart kontrolnych. Na przykład szeroko stosowany pakiet oprogramowania statystycznego Minitab (minitaben-usproductsminitab) oferuje menu z 24 typami. Poniżej tabeli kontrolnej dla poszczególnych pomiarów, rodzaj wykresu, który Donald Wheeler (1993) przedstawia w Understanding Variation wraz z wizerunkiem szwajcarskiego scyzoryka, aby wskazać jego wszechstronność. Tabela kontrolna dla poszczególnych pomiarów Należy rozważyć proces wytwarzania oleju smarowego, w którym docelowa lepkość wynosi 9,0 CSt przy 100 ° C. Pomiary lepkości dokonywano na wyjściu w odstępach 15-minutowych podczas cyklu produkcyjnego z pierwszą obserwacją wykonywaną o godzinie 08:00. Rysunek 2 pokazuje tabelę kontrolną danych utworzonych po udostępnieniu 25 obserwacji. Wszystkie wykresy w tej sekcji zostały utworzone przy użyciu szczegółów Minitab, jak to zrobić można znaleźć w Henderson (2017). Rysunek 2. Tabela kontrolna pierwszych 25 pomiarów lepkości. Zasadniczo jest to wykres przebiegu danych ubranych przez dodanie linii środkowej w średniej z 25 początkowych wartości danych (8,98) oraz dolnej i górnej granicy trzech wartości kontrolnych sigma. Granice są ustalane na średnią plus minus trzy odchylenia standardowe, tj. Na 7,93 i 10,03. Shewhart (1931) argumentował z doświadczenia, że użycie trzech limitów sigma miało sens ekonomiczny. Odchylenie standardowe należy oszacować na podstawie danych. Zwykle nie należy szacować odchylenia standardowego przez zastosowanie zwykłego wzoru dla standardowego odchylenia próbki do zbioru 25 pomiarów, ale raczej za pomocą metody opartej raczej na zmienności lokalnej niż globalnej. Uzasadnieniem tego podejścia jest to, że jeśli wstępne dane zawierają jakąkolwiek zmienną przyczyny, której twórca wykresu jest nieświadomy, wówczas zastosowanie takich metod zmniejsza szkodliwy wpływ, jaki ta specjalna zmienność może mieć na położenie granic wykresu. Historycznie zakresy kolejnych par obserwacji, zakresy ruchów, dostarczyły najszerzej stosowaną metodę estymacji odchylenia standardowego. Szczegóły obliczeń zostaną podane później. Głównym punktem, na który należy zwrócić uwagę, jest to, że wszystkie punkty danych na rysunku 2 leżą między liniami tramwajowymi utworzonymi przez granice wykresu, co sugeruje, że występuje tylko powszechna zmienność przyczyn. Rysunek 3. Schemat procesu realizowanego w stabilny, przewidywalny sposób. Na tym etapie używamy karty kontrolnej, aby zdecydować, czy mamy proces, który jest stabilny i przewidywalny w czasie, w granicach zmienności ze względu na wspólne przyczyny (Scenariusz 1, rysunek 3), lub proces, który jest niestabilny i nieprzewidywalny w czasie , z różnicami zarówno pospolitymi, jak i specjalnymi, wpływającymi na wydajność (scenariusz 2, rysunek 4). Jest to nazywane zastosowaniem Fazy I kart kontrolnych. Na schematach niebieskie krzywe reprezentują podstawowe rozkłady statystyczne, które można uznać za wynik obserwacji dokonanej w odpowiednim punkcie czasowym. Przy obecnym tylko powszechnym zróżnicowaniu przyczyn możemy myśleć, że kolejne obserwacje są przez cały czas uzyskiwane z tego samego rozkładu. Przy obecnym zróżnicowaniu przyczyn możemy również myśleć o kolejnych obserwacjach, które są uzyskiwane przez rozkłady zmieniające się wraz z upływem czasu. Rysunek 4. Schemat procesu o niestabilnej, nieprzewidywalnej wydajności. Analiza wykresu na wykresie 2 nie ujawnia żadnych punktów poza granicami wykresu, więc zdecydowano o wprowadzeniu wykresu z tymi limitami i linią środkową w celu dalszego monitorowania procesu. Jest to nazywane stosowaniem w fazie II kart kontrolnych. Później w dniu z dodatkowymi danymi naniesionymi wykres pojawił się jak na rysunku 5. Rysunek 5. Tabela kontrolna z sygnałem świadczącym o specjalnej zmienności przyczyn. Punkt na wykresie odpowiadający pomiarowi lepkości wykonanej o godzinie 18:15 leży powyżej górnej granicy wykresu, dostarczając w ten sposób dowodów, że specjalna przyczyna może wpływać na proces. Późniejsze śledztwo zespołu przeprowadzającego proces ujawniło zatkany filtr, który został zastąpiony. Następnie można kontynuować monitorowanie lepkości za pomocą wykresu z limitami ustalonymi za pomocą pierwszych 25 obserwacji. W przypadku poważnych zmian w procesie może być wskazane ponowne rozpoczęcie całego procesu tworzenia wykresów, tj. Wykonanie innej serii początkowych pomiarów lepkości i wykreślenie początkowego wykresu. Jeśli nie ma punktów poza granicami tego nowego wykresu, może on zostać przyjęty do dalszego rutynowego monitorowania. W przedmowie do Zrozumienie statystycznej kontroli procesu przez Wheelera i Chambersa (1992) Deming odwołuje się do historii percepcji Shewharts dwóch rodzajów wariancji w następujący sposób. (Cytat, który pojawia się na początku tego artykułu pochodzi z tego samego źródła). W jaki sposób powstał problem Zarządzanie Western Electric Company, Hawthorne Plant, Chicago, dążyło do osiągnięcia 160160 jednolitości, tak aby firma telefoniczna, która kupiła ich produkt może na nim polegać. Cel był szlachetny. Ich metody były jednak szaleństwem. Podjęli działania, dokonali jakiejś zmiany przy każdym znaku odejścia od jednolitości. Były wystarczająco inteligentne i wystarczająco uczciwe, by zauważyć, że ich działania tylko pogorszyły sytuację. Szukali pomocy. Problem udał się do160Dr. Shewhart Oprócz punktu poza granicami trzech sigma świadczących o istnieniu specjalnej zmienności przyczyn, trzy inne szeroko stosowane kryteria to: 8 punktów w rzędzie po tej samej stronie linii środkowej 2 z 3 punktów więcej niż 2 odchylenia standardowe od linii środkowej (po tej samej stronie) 4 z 5 punktów więcej niż 1 odchylenie standardowe od linii środkowej (po tej samej stronie) Testy te, wraz z omówionym wcześniej kryterium, nazywane są zasadami firmy Western Electric Company. Gdy zastosowane zostaną dodatkowe trzy kryteria, wykres pokazany poprzednio na Rysunku 5 pojawi się jak pokazano na Rysunku 6. Zwróć uwagę, że linie poziome zostały dodane przy dwóch odchyleniach standardowych po obu stronach średniej. Rycina 6. Alternatywne dowody na istnienie specjalnej zmienności przyczyn. Wystąpienie dwóch z trzech punktów poza dwoma odchyleniami standardowymi od linii środkowej i obydwu powyżej, dostarcza wcześniejszych dowodów, o 45 minut, na obecność zmiany szczególnej przyczyny wpływającej na proces. Trzy istotne punkty zostały wskazane na rysunku 6. Przy stosowaniu wykresów Shewharta należy zachować równowagę między posiadaniem zbyt wielu reguł wykrywania i związanym z tym zwiększonym ryzykiem fałszywych sygnałów alarmowych o specjalnej zmienności przyczyn oraz ryzykiem nieumiejętnego wykrywania zmian procesu w sposób czasowy. Konsekwencją dokonania jakiejś zmiany przy każdym znaku odejścia od jednolitości nazywamy manipulowaniem. Można to zilustrować za pomocą symulacji lepkości oleju. Wyobraźmy sobie, że operatorzy procesu mają ustawienie kontrolne dla lepkości, które jest ustalone na wartość docelową 9,0 i że po pierwszych 25 obserwacjach, że operator zaczyna nadzorować proces i który dostosowuje proces na podstawie każdej nowej obserwacji jako następuje. Jeśli zaobserwowana lepkość wynosi 9,2, zmniejsz nastawę regulacji o 0,2, a jeśli zaobserwowana lepkość wynosi 8,9, zwiększ nastawę regulacji o 0,1. Symulowane dane dla tego scenariusza są pokazane na rysunku 7. Rysunek 7. Tabela kontrolna danych procesowych z modyfikacją zastosowaną do procesu. Nie ma żadnych sygnałów świadczących o specjalnej zmienności przyczyn z tego wykresu. Jednakże wykres kontrolny zakresów ruchomych pokazany na rysunku 8 stanowi dowód zmiany procesu. W rzeczywistości można wykazać, że rodzaj symulowanej zmiany zwiększa zmienność procesu o 40. Deming (1986) omawia manipulację i opisuje eksperymenty lejkowe, które można wykorzystać do zilustrowania jego konsekwencji. Henderson (2017) przedstawia symulacje eksperymentów na ścieżkach i wyświetla powiązane wykresy indywidualnej kontroli wartości. Rysunek 8. Przenoszenie wykresu zasięgu dostarczające dowody na zmienność specjalnej przyczyny. Tworzenie wykresów kontrolnych Niektórzy twierdzą, że kiedy ktoś używa wykresów kontrolnych po raz pierwszy, to jest to zasługą w wykreślaniu danych za pomocą ołówka i papieru oraz w wykonywaniu odpowiednich obliczeń ręcznie. Nie ma wątpliwości, że oprogramowanie jest zawsze wykorzystywane do tworzenia wykresów w praktyce. W tej sekcji wykresy zostały utworzone za pomocą arkusza kalkulacyjnego Microsoft Excel. (American Society for Quality (asq. orgindex. aspx) zapewnia bezpłatny szablon Microsoft Excel do tworzenia wykresów kontrolnych średnich i zakresów Shewharta, które czytelnicy mogą również znaleźć wartość). Uważamy, że tabela kontrolna tygodniowych manhours została utracona w Dziale X. Dane i formuły wymaganych obliczeń w Excelu są przedstawione w Tabeli 1, z 21 wartościami danych w drugiej kolumnie, z nagłówkiem X. Tutaj dostępnych jest 20 zakresów ruchomych . Oczekiwaną wartością zakresu próbek losowych o wielkości n od rozkładu normalnego z odchyleniem standardowym jest d2. Obserwując kolejne obserwacje jako próbki n 2, podział średniego zakresu ruchu przez d2, który wynosi 1,128 dla n2, daje szacunkową wartość odchylenia standardowego 6,87 i graniczne wartości kontrolne wynoszące 61,10 i 102,33. Ściśle mówiąc, ta procedura szacowania powinna być stosowana tylko w przypadku normalnie rozproszonych danych, ale wykazano, że jest ona solidna w przypadku danych rozprowadzanych w inny sposób niż normalnie. Tabela 1. Formuły wymagane do utworzenia tabeli kontrolnej w programie Excel. Nie znaleźliśmy żadnych dowodów na specjalną zmienność przyczyn wpływającą na straty w pracy dla działu X, teraz możemy rozwinąć wykres z linią środkową i limitami obliczonymi na potrzeby przyszłego monitorowania. Tabela 3.160 Dodatkowe dane na temat utraty czasu po zakończeniu projektu poprawy. Rycina 10. Tabela kontrolna danych o wypadkach na stacji roboczej za pierwsze 40 tygodni. Dwa punkty poniżej dolnej granicy wykresu dostarczają dowodów, że zmiany są skuteczne i że wprowadzono nowy etap wydajności procesu. W związku z tym możemy obliczyć nową linię środkową i limity dla danych z 31 tygodnia, jak pokazano na rysunku 11. Nowa linia środkowa ma wartość 65,1 w porównaniu z pierwotną wartością linii środkowej równą 87,1. Tak więc wykresy świadczą o spadku średniej tygodniowej utraty około 12 roboczogodzin. Rysunek 11. Tabela kontrolna danych o stratach w ciągu roboczym dla dwóch etapów. Na tej drugiej ilustracji zastosowania schematu kontrolnego dla poszczególnych pomiarów sygnały o specjalnej zmienności przyczyn były mile widziane. W innych sytuacjach wyjątkowa zmienność przyczyn byłaby niepożądana, np. w przypadku rozważanego wcześniej przykładu lepkości, jeżeli średnia procesu odbiega znacząco od celu, konieczne będzie podjęcie kroków w celu przesunięcia średniej z powrotem do wartości docelowej. Gdyby zrewidowany wykres dla manhours stracił, by uzyskać sygnały z punktów leżących powyżej górnej granicy, to dałoby to dowód, że straty godzinowe znów wzrosły. Następnie należałoby podjąć działania w celu wyszukania i wyeliminowania szczególnych przyczyn, aby przywrócić proces do właściwego stanu. Montgomery (2009) stwierdza, że kiedy stosuje się w ten sposób tablica kontrolna staje się dziennikiem, w którym łatwo widać czas interwencji procesowych i ich późniejszy wpływ na wydajność procesu. W tym artykule porysowaliśmy powierzchnię ogromnego tematu. Dla czytelników, którzy chcą dowiedzieć się więcej, Caulcutt (2004) opublikował dwa artykuły w czasopiśmie "Znaczące", które są dostępne on-line (significancemagazine. orgviewindex. html) i są bardzo pouczające. Szczegóły techniczne na omawianych wykresach i inne odniesienia od Henderson (2017), Montgomery (2009) i Wheeler and Chambers (1993) mogą być konsultowane. W metodzie statystycznej z punktu widzenia kontroli jakości. Shewhart (1939) napisał: Długofalowy wkład statystyk zależy nie tyle od tego, jak dostać wysoko wykwalifikowanych statystyk do branży, ponieważ tworzy ona statystycznie myślące pokolenie fizyków, chemików, inżynierów i innych, którzy w jakikolwiek sposób będą mieli 160 osób. w rozwijaniu i kierowaniu procesami produkcyjnymi jutra. Osiemdziesiąt lat minęło, a autor uważa, że nie udało się w pełni odpowiedzieć na wyzwanie Shewharts. Powinno to zostać poszerzone o stworzenie statystycznie myślących ludzi we wszystkich sferach działalności gospodarczej i usługowej, w polityce i dziennikarstwie. Każdy powinien zapoznać się z powszechną i specjalną odmianą przyczyny i być uzbrojony w proste narzędzie graficzne, które odróżnia obie karty kontrolne Shewharta. Przecież 11-letnie dziecko mogło to zrozumieć. Autor pragnie podziękować Alisonowi Oliverowi z Wiley i najbardziej pomocnym komentarzom od anonimowego recenzenta. (1) Caulcutt, R. (2004) Zarządzanie przez fakt. Znaczenie. 1 (1): 3638. (2) Caulcutt, R. (2004) Karty kontrolne w praktyce. Znaczenie. 1 (2): 8184. (3) Deming, W. E. (1986) Poza kryzysem. Cambridge: MIT Press. (4) Deming, W. E. (2000) Nowa ekonomia. 2nd edn. Cambridge: MIT Press. (5) Henderson, G. R. (2017) Doskonalenie jakości Six Sigma dzięki Minitab. 2nd edn. Chichester, John Wiley amp Sons Ltd. (6) Hoerl, R. W. i Snee, R. D. (2017) Myślenie statystyczne: poprawa wyników biznesowych. 2nd edn. Hoboken, NJ, John Wiley i Sons, Inc. (7) OConnor, J. J. and Robertson E. F. (2017) The MacTutor History of Mathematics Archive www-groups. dcs. st-and. ac. uk historyBiographiesShewhart. html 160 (dostęp z dnia 26 września 2017 r.) (8) Montgomery, D. C. (2009) Wprowadzenie do statystycznej kontroli jakości. 6th edn. Hoboken, NJ: John Wiley amp Sons, Inc. (9) Ryan, T. P. (2000) Statystyczne metody poprawy jakości. 2nd edn. Nowy Jork: John Wiley amp Sons, Inc. (10) Salsburg, D. (2001) The Lady Tasting Tea Jak statystyki Revolutionized Science w XX wieku. W. H. Freeman and Company, Nowy Jork. (11) Shewhart, W. A. (1931) Ekonomiczna kontrola jakości wytwarzanego produktu. Nowy Jork: D. Van Nostrand. Dostępne również w 50. rocznicę wydania opublikowanego w 1980 roku przez American Society for Quality, Milwaukee, WI. (12) Shewhart, W. A. (1939) Metoda statystyczna z punktu widzenia kontroli jakości. Graduate School of Department of Agriculture, Washington, D. C. (13) Wheeler, D. J. (1993) Zrozumienie zmienności Klucz do zarządzania chaosem. Knoxville, TN: SPC Press. (14) Wheeler, D. J. i Chambers, D. S. (1992) Zrozumienie statystycznej kontroli procesu. 2nd edn. Knoxville, TN: SPC Press. Powiązane tematy
Comments
Post a Comment