InsightFab
工程知識庫
31 篇文章。用白話解釋 Minitab / JMP 裡那些讓你看不懂的統計工具。
共 31 篇文章
Response Surface Method：找到製程的最佳甜蜜點
DOE 找出重要因子後，RSM（反應曲面法）幫你找到讓結果最優化的精確參數組合。這是從「哪些因子重要」到「設定多少最好」的關鍵一步。
VOC 和 VOB：六標準差的起點，搞清楚誰的聲音最重要
六標準差專案開始前，你需要知道客戶要什麼（VOC）和業務要什麼（VOB）。這兩個聲音有時一致，有時衝突。如何收集、轉化成可量測的 CTQ，是 Define 階段最關鍵的技能。
Box-Cox 轉換：讓非常態數據變常態的正確做法
很多統計分析（t-test、ANOVA、Cpk）都假設數據符合常態分布。Box-Cox 轉換是最系統化的方法，自動找出最佳的轉換參數，讓數據符合常態前提。
非常態製程的 Cpk：數據不符合常態分布怎麼辦？
製程能力指標 Cpk 假設數據符合常態分布。但衝壓毛邊、表面粗糙度、洩漏量這類數據天生就不正常。這篇說明非常態製程能力的三種計算方法和選擇邏輯。
Kruskal-Wallis 檢定：當 ANOVA 的前提不滿足時
要比較三組以上的均值，ANOVA 是標準工具。但如果數據不符合常態分布、有離群值，或是順序尺度數據，Kruskal-Wallis 才是正確選擇。
效果量 Effect Size：P 值顯著，但實際上重要嗎？
P 值只告訴你差異是否「統計顯著」，不告訴你差異有多大、是否值得在意。效果量（Effect Size）才是衡量「實際重要性」的指標，這篇說明為什麼兩個都要看。
Chi-squared 檢定：計數數據的假設檢定
不良品數量、良率比較、生產線差異——這些計數數據不能用 t-test。Chi-squared 檢定是處理類別數據和計數數據的標準工具，這篇說明三種常見用法。
Gauge Bias 和 Linearity：你的量具在整個量測範圍都準確嗎？
Gage R&R 只測量具的重複性和再現性，但沒測偏差（Bias）和線性（Linearity）。這兩個問題讓量具在某些量測範圍準確，在其他範圍系統性偏高或偏低。
CUSUM 和 EWMA 管制圖：偵測微小偏移的利器
傳統 Shewhart 管制圖對大偏移反應快，但對小幅度的製程漂移幾乎看不見。CUSUM 和 EWMA 是專門設計來抓小偏移的工具，這篇說明何時用、怎麼解讀。
NDC 可辨別類別數：你的量具真的分得出差異嗎？
Gage R&R 做完只看 %GRR 是不夠的。NDC（可辨別類別數）才能告訴你量具實際上能把產品分成幾個等級，這個指標決定你的量測系統能不能用。
Cp 和 Pp 的差別：很多人用錯了十年
Cp 和 Pp 都是製程能力指標，數值通常不一樣，但很多人分不清什麼時候用哪個。搞懂這個差別，你的製程能力報告就不會再被客戶問倒。
魚骨圖：讓根本原因分析不再是腦力激盪大會
魚骨圖（石川圖）人人都會畫，但真正有效的根本原因分析需要方法論。這篇教你怎麼用 6M 框架有系統地找到真正的根因，而不只是列出一堆猜測。
多元迴歸分析：當影響品質的因子不只一個
製程結果通常由多個因子共同決定，單純的相關分析不夠用。多元迴歸讓你同時量化多個因子的影響，建立預測方程式，這篇從工廠場景出發說清楚怎麼用。
全因子設計 vs 田口法：DOE 怎麼選，選錯浪費一個月
工廠要做實驗，選全因子還是田口 L9？這不是品味問題，是成本和精度的取捨。兩種方法的適用場景、優缺點、選擇邏輯，這篇一次說清楚。
DMAIC 完整實戰指南：六標準差不是口號，是解題順序
DMAIC 五個字人人會說，但真正跑完一個專案的人不多。這篇從真實製程問題出發，逐步說明每個階段要做什麼、交付什麼、常見卡關在哪裡。
Western Electric 八大法則：管制圖上的異常訊號，你看懂幾個？
管制圖沒有超出控制界限，不代表製程正常。Western Electric 八大法則能讓你比客戶更早發現問題，這篇用圖解說清楚每一條規則的意義。
製程 Sigma 水準：你的製程到底幾星級？
客戶要求 Six Sigma 品質，主管問你：「我們現在幾個 Sigma？」你知道不良率大概 0.5%，但不知道換算成幾個 Sigma。還有：為什麼 6σ 對應 3.4 PPM 而不是 0.002 PPM？
DOE 田口法：9 次實驗找最佳參數，不是靠運氣
4 個因子、3 個水準，全因子要跑 81 次。你的同事說「一個一個試」，要跑 36 次，還找不到交互作用下的最佳組合。田口 L9：9 次實驗，省了 89%。
常態性檢定：你的資料有沒有資格用那些公式
你量了 30 個零件，算 Cpk，信心滿滿交出報告。品保主管問：你有做常態性檢定嗎？Cpk、t-test、ANOVA 都有一個共同前提：數據符合常態分布。
Gage R&R：你的量測工具有多誠實？
新進工程師量了一個零件：10.023mm。五分鐘後再量：10.031mm。同事量：10.018mm。規格 ±0.05mm，感覺還好？你的 Cpk 0.95 是真的製程問題，還是量測誤差？
線性迴歸：找出製程的「控制桿」
固化爐溫度每次調整，產品強度就跟著跑，但沒人知道關係是什麼，每次靠老師傅「感覺調」。線性迴歸給你一個公式：溫度多少度，強度應該是多少。
t-test：兩條產線到底有沒有差，5 分鐘告訴你
A 線平均良率 97.2%，B 線 96.8%，差了 0.4%。你說「差不多，應該是隨機的」。你同事說：「你怎麼知道是隨機的？」這就是 t-test 要解決的問題。
柏拉圖法則：你在解決的問題，可能不是最重要的問題
品保會議，每個人分頭改善自己的區域，三個月後不良率只降了 3%。換個做法：先畫柏拉圖，資源全壓在錫橋一項，三個月後總不良下降 22%。
ANOVA：4 台機器到底有沒有差——不是用眼睛看的
廠裡 4 台注塑機，M2 平均值比 M1 高了 0.3mm。你去找主管說 M2 有問題，主管問：你怎麼知道那個差異不是隨機的？ANOVA 才是讓數據替你說話的工具。
I-MR Chart：每批只有一個數據，照樣能畫管制圖
每批生產一桶，只能抽一個樣本。打開 Minitab 選 X-bar R Chart，軟體報錯「子群組大小必須 ≥ 2」。這時候該用 I-MR Chart，不需要多個樣本。
P-value：它不是「通過/不通過」的開關
P = 0.043，你說「有效」，把新參數寫進 SOP。三個月後同樣問題又出現。那次樣本只有 12 個。P-value 告訴你的，比你以為的少很多。
8D 報告主管要看的不是「原因」，是「它不會再發生」的證明
D5 永久矯正措施寫「加強教育訓練」，客戶回信：不可接受。加強訓練不是防呆，是希望。這篇告訴你客戶要看的是哪一層的防錯措施。
DOE 不是做實驗，是用最少子彈打最多靶
四個因子、每個三個水準，全因子要跑 81 次。田口 L9 正交表只要 9 次，省了 89%。同時估計四個因子的主效果，還不會相互污染。
Gage R&R 超過 30%，你的 Cpk 就是一個謊
花了兩週調整製程，Cpk 從 0.98 提升到 1.35，結果品保問你有沒有做量測系統分析。%GRR = 38%，你的「改善」有一半可能是量測誤差造成的假象。
管制圖上的紅點不是壞消息——是你找到問題的第一個線索
看到 X-bar R 管制圖上的紅點，你的第一個動作是排除它繼續生產嗎？這個動作讓你多生了三個小時的不良品。管制圖的紅點是製程第一次開口說話。
Cpk 低於 1.33，不是你的錯——但你得負責
月底 Cpk 報告出來 1.07，主管把報告丟回來。Cpk 到底在問什麼？偏移還是分散，兩種問題兩種解法，這篇說清楚。