【合輯】六西格瑪與質量管理 【六西格瑪】分析階段講解:假設檢驗

工程质量
2粉絲
4 次觀看·2026年5月17日
AI 生成·可能包含錯誤
那麼今天我們會重點來去講解假設檢驗
如果大家聽過我之前的課的
我們上一節課講的是過程分析
那今天我們來講假設檢驗
那後續還會給大家講解方差分析
列寧表變異元分析相關分析
所以我們會把分析階段的幾個重要的領域
都講解給大家聽
大家有任何問題都可以打到我們的屏幕裏
好 幾位同學問 好考嗎
Sigma怎麼說呢
說好考也好考
說複雜也複雜
如果你的方法得當
那麼從零基礎到綠帶的話
基本上三個月就可以搞定
從綠帶到黑帶呢
你可能需要三到六個月的學習
那麼考試基本上就沒有問題
當然你需要有一定的時間的投入
然後方法得對
好 那我們簡單的快速回顧一下
我們上節課都講了什麼內容
聽過上節課分享的小夥伴
幫我扣個一
沒有聽過的扣個二
這樣的話我可以根據大家
對我們上節課課程的瞭解程度呢
我進行適當的詳解或者是略講
那麼我看到有很多新來的小夥伴
那麼我們今天呢
先把上節課講的內容
會快速的和大家一起回顧一下
不會講的特別細
那麼我們今天重點來去講解
假設檢驗
假設檢驗是一個非常重要
且複雜的一個章節
那這一塊學好的話呢
將會非常有幫助
因爲它是分析階段
甚至測量測量系統分析
以及改進
它的是一個非常重要的基礎
好
那我們說我們去做分析
比如你現在的這個六Sigma的項目
你已經進入到了分析階段
我們有了定義階段
測量階段
我們知道我們的這個
要改進的目標是什麼了
那接下來我們要去知道
影響我們這個問題的原因都有什麼
那麼我們從分析的大類來看
分析的大類來看
我們分析會包含兩種
兩種大類的分析
第一種叫做定性分析
第二種叫做定量分析
比如說我們今天去講解的假設檢驗
這就是定量分析了
那麼我們說分析這個過程
我們可以把它分成三步走
分成三步走
第一步呢叫推測
推測什麼呢
推測我們可能會存在的
這個關於我們目標的原因都有哪一些
都有哪些原因
那這樣的話呢
我們可以基於我們的一個目標
來去猜測有哪一些因素
和我們的這個目標有關係
那第二步呢
就是去提出與這個原因相關的假設
那上節課我們給大家講過
有一些特別好用的工具
用在我們的第一步和第二步
大家還記得嗎
我們上節課講的工具
比如說我們可以去用流程分析
對吧
我們還可以去用因果圖
或者因果矩陣
那這樣呢
用這些工具
我們再去通過頭腦分報
或者是親和圖
這種類似的工具呢
我們就可以去做出定性的分析
定性的分析
我們做完定性的分析之後
我們接下來還需要
去對我們提出的這個假設
來去做證實
或者是排除
對吧
我們在做定性分析的時候
很多時候並不能夠完全確認
這個因素
它就是對我們的這個問題
是一個根本原因
或者是一個主要的貢獻
那麼我們還需要通過定量分析
前面這兩步呢
都是叫定性分析
定性分析
我們做完定性分析之後呢
還需要去做定量分析
我們到底看看
我們所懷疑的這個因素
是不是在統計學上顯著
它是不是我們要去解決
這個問題的根本原因
所以我們不僅僅要做定性分析
也需要去做定量分析
定量分析去證實
或者排除我們的原因
好
這是我們上節課
講的一個思路
就是我們要去做一個問題的分析
無論你是去做六sigma的項目
還是說平時去解決某一個問題
那你去做分析的時候
都可以按照這樣的一個分析思路去做
好
這塊有沒有問題
有問題的可以打到我們公屏裏
覺得老師給你講
聽明白了
可以給老師點點贊
好
我們上次講了
說我們做定性分析
都有什麼樣的方式呢
首先我們就會去做流程圖
做流程分析
與我們問題相關的流程是什麼樣的
我們通過一個流程圖
把它畫下來
這個時候我們就可以去看一下
到底是哪一些環節
有可能會產生
我們與關節問題相關的這一些環節
那麼流程圖都怎麼畫呢
我們會有一個開始
我們會有一個長方形
來去描述我們的一個順序的一個行爲
用菱形來去表示我們的一個判斷
一個決定
那麼我們再去做這個順序流程的時候
我們一定得注意
你的描述一定需要是一個名詞
加一個動詞
比如說我們這塊說
接收打印文件
一個動詞加一個名詞
是吧
這樣的話就會描述的比較清楚
輸入打印文件
是吧
這樣的話就比較清楚了
那麼我們有了這樣的一個流程圖分析之後
我們就可以比較清楚的能知道
我們與這個問題相關的步驟都有哪些
我們可以分析流程中是不是存在不合理的步驟
或者流程中存在可能會與我們問題相關的過程
那麼我們通過流程分析之後
我們接下來就可以去用因果圖
因果圖又叫什麼
又叫魚果圖
對不對
又叫魚果圖
那麼我們可以通過因果圖來去進行深入的分析
那這個時候呢
我們怎麼去做魚果圖呢
我們的魚頭就是我們的問題本身
魚頭的問題本身
那我們的魚骨呢
魚骨呢
就是我們與這個問題本身可能存在的這些原因
或者是流程
可能存在的原因或者是流程
所以我們在去實踐的過程中
我們需要積累更多的模型
比如說我們生產過程中經常去用到的魚骨圖
就是人機量法環測
你看我們現在
我們現在的這個魚骨圖
它是爲了去做測量系統變差的這樣的一個原因分析
所以我們裏頭就不會有測了
對不對就不會有測了
正常的話
人機量法環測5M1億
對不對
那麼我們還可以用什麼樣的方式來去做魚骨圖呢
也可以根據我們的流程圖
我們流程圖中可能會存在的環節來做它的魚骨
來做它的魚骨
這就是我們去做魚骨圖的一些方法
那麼我們當魚骨有了以後呢
就可以帶着團隊來去做頭腦分佈
比如說我們測量系統變差
在機器這個魚骨上
我們可能會存在的原因有什麼呢
比如說軟件的穩定性
光源的攝溫
標準標板的大小
那這是屬於我們機器這個環節的
可能會產生的帶來的變差
那麼對於人來說呢
我們可能會和操作人員的技能的熟練程度
操作人員自身的身體狀況
那這樣呢
我們就會把一個個魚刺畫出來
那這是我們去做定性分析的
定性分析的我們第二個方法
那我們用完了魚骨圖之後呢
我們還希望能把每一個魚刺
我們去找到它可能影響比較大的
或者影響最大的這些原因
那接下來我們就可以去用
英國矩陣
英國矩陣怎麼去做呢
首先我們先要去識別出來我們的目標
對吧
我們的目標是測量系統變差了
那這個測量系統變差呢
它會有哪幾個子目標呢
那我的Y1就是我的Gauge NL
我們這個量據的重複性和再現性
對吧
那我的Y2呢
就是我這個測量系統的重測率
那這一些呢
都會去影響我這個測量系統變差
那基於我們這兩個Y
那我們會有哪一些原因
會使得這些Y變差呢
那剛纔我們去做了
人機量法環的分析
對不對
還記得剛纔的這個魚骨圖嗎
我們把這個魚骨圖的每個魚刺
放到我們英國矩陣的這些X裏面
那我們這些原因和我們的Y之間
是一個什麼樣的關係呢
那這個時候啊
我們去用英國矩陣的時候
需要對它進行打分
0表示不相關
1表示弱相關
3表示中等相關
9表示強相關
那我們就可以去分析
每一個因子和我們的這個目標之間
是一個什麼樣的相關性
比如說啊
我們現在軟件判定的穩定性
那它跟我們的良區的重複性和再現性
它是強相關的
那這時候要打9分
如果說我們這個光源的攝溫
和我們的這個重複性和再現性
有什麼樣的關係呢
是一個弱相關
所以我們打1分
按照同樣的方法呀
我們就可以去對我們的每一個Y和每一個X之間的相關性進行打分
打完分的下一步呢
我們會對每一個X進行一個彙總
那這個彙總是怎麼做的呢
就是我們的相關性乘上我們的嚴重程度
也就是說我們對於每一個目標
我們的嚴重程度是不一樣的
那我們會對它進行加權
那麼我們這個總計的值呢
就是我們的這個相關性和我們嚴重程度的乘積求和
那就是9乘以10加上8乘以0就等於90
那這個值就是我們X對於我們這個大Y的影響
我們大Y既考慮了我們的兩具的重複性和再現性
又考慮到了我們的衝撤率
這樣的話我們就可以對我們的所有的因子
對於我們的目標值之間會有一個排序
這樣方便我們篩選出來對於我們目標影響最大的因子
好
這部分大家聽懂了
請幫我扣個666
謝謝小夥伴們
因爲這些內容我講的會比較快
是上節課大概花了有一個多小時
然後和大家一起來去講解
一起來去分析
今天只是爲了去講解我們接下來的假設檢驗
我給大家去做一個回顧
做一個回顧
我們會有一個全面的瞭解
其實我們在去做項目過程中
有的時候經常有我在培訓
在去做教練的過程中
有一些學員會去問我說
我們是不是要更多的去用定量分析
然後實際項目中定量分析和定性分析
哪個更重要客觀的去說
我們在實際項目中能去做定量分析的
那一定去做定量分析
因爲這樣的話
它會更加精準
更加科學
但是客觀的去說
我們實際在項目中
能夠對於我們的Y或者X
能夠比較全面的收集數據的這種情況
還是有限制的
不是說少
還是有限制的
我們還是有很多的根因分析
很多的原因分析
我們是需要靠這種定性分析的
就比如說我們的魚骨圖
英國矩陣
流程分析
甚至我們精英里面的價值流分析
一面分析
對吧
那這些工具
都可以來幫助我們去找到問題的原因
或者是根本原因
從而來去提供解決方案
好
大家有任何問題的
可以給老師寫到我們公屏裏
我可以針對大家的問題去進行講解
對於我剛纔的講解
大家覺得有幫助了
請給老師點一波贊
我們今天的點贊數超過1000
我開始發放第一波福利
超過2000
我發放第二波福利
第一波福利
就是我們六七個碼的綠帶和黑帶的學習資料
全套的學習資料
第二波福利
是我們Mintype實戰課程的實聽課
第三個福利
當我們點贊數超過3000以後
我們就可以提供20個名額的
一對一的免費諮詢
好
請小夥伴們給老師點一波贊
我們的點贊數
預發第一波福利
還差不到200個讚了
大家再來一波
好
這是我們上次做的一道練習題
今天就不帶大家做了
那好
我們接下來
給大家開始講我們今天的重點的課題
叫假設檢驗
假設檢驗一般都會去講兩到三個小時
這個是比較複雜的
今天我還是先給大家更多的先去講一講
假設檢驗相關的這些概念
那麼下一次課
我會帶大家去做一些實戰
用Mintype來去拿數據
我們去做一些實戰和訓練
那今天呢
大家儘量的去跟着我的節奏
大家如果聽懂的就幫我扣個666
如果沒有聽懂的
也幫我扣個000
這樣的話
我能知道我講解的速度
和大家聽懂的程度之間
是一個什麼樣的關係
我儘可能的去幫着更多的同事
同學
能夠理解這個概念
好
那麼我們說去做假設檢驗
給大家舉一個例子
我們能看到
橫軸是我們的溫度
縱軸是我們強度
比如說
我們有一個某個鋁合金
鋁合金的一個結構件
那麼它在不同溫度下
我們的強度是不一樣的
那麼我們想去看一看
哪一些溫度
那我這個強度會比較大呢
那這個時候
我們就需要
對這一些
不同溫度下的強度進行測量
進行測量
那我們首先先看一下
我們先不去看
先不去看這些線
我們先去看這些點
那我們這些點呢
這些黑點
紅點綠點和這個藍點
我們這些點
給大家
展示出來的是一個什麼圖呢
大家有沒有認識
我們能看到
有很多的很多的點
給大家展示出來的是一個什麼圖
有沒有人知道
比如說
我們的溫度和強度之間的關係
是一個
我們能看到
有很多的點
展示出來是一個什麼圖
有沒有人知道
這叫散點圖
就是我們這一些
這一些點
溫度和強度之間的關係
那我們能看到
這是一些散點圖
對吧
我們x和y之間
會有一些關係
所以我們可以通過散點圖呢
能看到我們數據大體的一個分佈
對不對
能看到明顯的是
160度
這個數據分佈比較靠下
是吧
170度呢
這個分佈比較
比較大
對吧
然後150度和180度
這些分佈會相對集中
是不是
相對集中
而且差不多
好
感謝
感謝阿德同學
我們新進來的同學
我們今天和大家聊的是
假設檢驗
重點來和大家聊假設檢驗
大家儘可能去跟上我的節奏
嗯
然後呢
我問的問題呢
請大家幫忙一起來
做一下互動
這樣的話
我能知道大家是不是都聽懂了
那好
我們剛纔說
這些散點
我們可以知道
這些數據的分佈
比如說
我們還可以用散點圖
來去觀測
我們的變量
我們的x和y之間
是否存在相關分析
對不對
會不會有這樣的使用
我們在去做相關分析的時候
我們先去畫散點圖
對吧
散點圖就可以看到
我的溫度越高
我的強度越大
會不會是有一個相關性
對不對
是不是有相關性
對吧
所以我們散點圖
可以看到我們數據的分佈
也可以看到
我們x和y之間
相關性是怎麼樣的
那我們僅僅通過這個散點圖
我們只是一個
很粗的一個理解
那麼我們想再進一步的去理解
我們接下來會去用一個
什麼樣的數據
就比如說
我們現在中間的方塊
這塊點
我們就可以用我們的均值
用我們的均值
能看到說
我在150度下的
我的均值是多少
對吧
能看到150度的均值
明顯要比160度的要高
和170度的有點接近
和180度的基本一致
那這是我們去衡量
這一組數據的
第一個重要的數據特徵值
叫做均值
那第二個重要的數據特徵值
叫做極差
極差我們一般用r表示
極差是怎麼算的呢
也非常簡單
就是我們的最大值減最小值
這個範圍就叫我們的極差
所以極差它可以反映
我們一個離散數據的
分佈的範圍
所以我們就可以用
x bar-r
我們的均值和極差圖
就可以看到
我們這個數據的位置
以及它的分佈範圍
那麼這個
我們知道均值和極差
我們有沒有可能去比較呢
比如說我們想知道說
150度和180度之間
有沒有差別
它是不是比160度要好呢
那這個時候
我們還不能說明
因爲你現在這些點
還都是抽樣
所以我們的x
我們的均值加極差
它只能反映出
我們樣本的分佈範圍
樣本的分佈範圍
那麼有沒有同學
同學就會去想了
說我們想去比較
我們想去通過抽樣
來去反映整體的情況
比如說我想知道
在150度的情況下
和160度的情況下
我整體的情況
應該怎麼辦呢
怎麼去考量呢
那接下來
我們就需要講到
一個非常重要的衡量指標
叫做標準差
標準差
標準差呢
我們會有一個基本公式
對吧
大家可能還記得
這個我就不重複了
大家在學測量階段的時候
我們都會去學習
怎麼去計算標準差
當我們去用x
加減三倍的標準差
這個時候就可以去反映出來
我們整體的
記住
我們這是整體了
反映出我們整體的
一個數據分佈的範圍
我們有沒有看到
整體的數據分佈範圍
是不是要比我們樣本的
數據分佈範圍
要廣一些呀
對不對
要廣一些
那好
那我們知道了
我們整體的數據分佈範圍
我們能看到
比如說150度
我的分佈範圍是從
比如說的強度
是從100到200
那明顯的和160度
我的這個均值極差
均值極差
這個範圍是有重合的
沒有辦法去做比較
對吧
那這個時候
我們就需要
有另外一個
另外一個
可以去做比較的
這個指標
叫做均值的
95%的質性區間
我們這個黑點
這個指的是
我樣本的均值
對吧
X bar
那這個點
就是指的是
我們整體的均值
在95%的質性區間
的一個分佈範圍
這裏頭
非常關鍵的點在哪裏
這個質性區間
指的是我們均值的質性區間
那這個時候
我們就可以通過這個數據
能去估算出來
我們知道
我們去通過樣本去估算
整體有兩種方式去估算
對吧
一種叫做點估計
一種叫做區間估計
那這個
我們就是95%的區間估計
知道說
我總體
我們現在這個數據的總體
裏面的這個均值
它會95%的
可能性是分佈在這個範圍內的
那這個時候
我們就可以拿這個均值的
95%的質性區間
來去做比較了
那這個做比較的方法
就是我們接下來去講的
假設檢驗
那這裏頭
我們給大家講了很多
統計學的一些基礎知識
因爲我們做假設檢驗
這些都是需要知道的
我們得知道均值
知道級差
知道標準差
知道均值的95%的質性區間
那這些概念我們需要明白
那這些明白了以後
我們再去講假設檢驗
就會更好的去理解了
這部分內容
更多的是我在測量階段
跟大家去講到統計學的知識
那爲了方便我們有一些新同學加入
我又相對詳細的給大家做了一下講解
那這塊呢
大家聽懂的幫我扣個666
好不好
那有沒有小夥伴
這塊有沒有
有沒有都聽懂
或者是有沒有不明白的
不明白的呢
可以跟我做一個互動
可以把你的問題
打在我們的屏幕裏
好
感謝念師同學
其他同學有沒有
有沒有都聽懂
或者是沒有聽懂的話
扣個000
然後哪塊沒有聽懂
可以打到我們的屏幕裏
我可以再給大家去舉一些例子
做講解
好
那我們去總結一下
我們剛纔給大家講了
有五個概念
第一個概念叫散點圖
散點圖呢
它可以去看到
我們數據的一個分佈
數據的分佈
那這個時候這裏的數據
就是我們樣本的數據
對吧
我們樣本數據的一個分佈
那第二個呢
我們去找的這個均值
我們去均值
就是我們這個樣本均值
樣本我們的這個均值的位置
均值的位置
我們可以通過均值級差
可以知道
樣本的分佈範圍
通過我們的均值加三倍的標準差
我們可以知道
總體在99.73%的分佈範圍
通過我們這個均值的
95%的自行區間
可以知道
我們均值在95%的自行區間裏頭的
一個均值的分佈的範圍
對吧
好
給大家去做一個總結
做一個總結
這部分大家聽明白了嗎
聽明白的話
可以給老師點一波贊
這是我們假設檢驗的幾個重要的概念
好
那麼我們說假設檢驗的基本原理是什麼呢
基本原理就是想去比較
我們樣本的統計量
因爲我們想去通過樣本來去估算
總體對不對
通過樣本來去估算總體
那這個時候我們就通過樣本的統計量
樣本統計量的怎麼樣
自行區間之間是否有重合
自行區間
你看這是我們95%的自行區間
自行區間是不是有重合
來去判斷相應的總體的參數
來去對相應的總體的參數來去做判斷
我們的總體的參數包括什麼呢
大家知道
我們一般去衡量我們總體的參數都有哪
哪幾個重要的參數
大家知道的可以打到我們的屏幕裏
我們最常見的
我們去衡量我們總體的參數都有什麼樣的
有沒有小夥伴知道
這個總體參數都有什麼
總體參數是不是有我們的μ
然後還有我們的σ
我們的μ是來衡量我們總體的均值
對不對
σ來去衡量我們總體的波動
對吧
我們數據的波動
數據的均值
這個表示的是我們數據的位置
對吧
這個表示我們的點叉
是吧
我們是不是通過我們的位置和變差
來去看我們整體的情況是怎麼樣的
那麼我們想知道整體的情況是怎麼樣
我們不可能把所有的
所有的設備或者所有的產品
我們都進行驗證
對吧
這樣的話成本會特別高
所以我們需要進行抽樣
我們把抽樣的
這個統計量的質性區間進行比較
抽樣的統計量的質性區間進行比較
比如說我們均值的質性區間進行比較
它們之間是不是有重合
來去判斷我們之間
150度和160度之間
我們對於強度這樣的一個關鍵值
它是否在統計學上有顯著性的差異
所以我們的核心是通過樣本
來去推斷總體
通過樣本的某個統計量的質性區間
來去推斷總體是否存在顯著性差異
假設檢驗的概念會比較多
在這裏頭給大家講的也比較多
大家看是不是能夠聽懂
因爲今天的課程還是比較燒腦的
大部分的同學如果對六Sigma比較熟悉
聽這一塊可能會輕鬆一些
如果剛開始接觸的話
這裏面的這些概念
聽起來可能就會有點暈了
如果你沒有聽懂
你可以把你的問題打到公屏裏
這樣的話我可以給大家去做針對性的解答
好
我們剛纔說到了
我們是希望通過樣本的統計量質性區間
來去推斷我們總體是否有顯著性的差異
所以我們假設檢驗的目的是什麼呢
是爲了在統計學的角度上
我們去看看是不是有顯著性的差異
是不是有顯著性的差異
來去驗證我們潛在的原因
對於我們的結果是不是有影響
我們剛纔看到
比如說我們在因果矩陣裏頭
識別出來了有X1到X10
對吧
我們每個X對於Y之間
是不是有顯著性的影響
這個時候我們要去做電量分析
那就需要用統計學來去做檢驗
那麼怎麼檢驗呢
這個時候我們就有兩個新的概念
新的概念
假設檢驗
首先我們得有假設
假設什麼呢
這個時候我們有兩類假設
一類假設叫H0
一類假設叫H1
H0叫原假設
H1叫揹着假設
那什麼事後叫原假設呢
原假設是這樣描述的
我們一個總體的被撤的參數
它等於某一個值
或者是兩個以上的總體
它的參數相等
也就是說是什麼意思呢
就是說我們在原假設裏
總是會去假設
我們這個值是相等的
這個值是相等的
比如說我們檢驗的
我們的總體的某一個均值
原假設之間
是兩個值之間是相等的
那這個時候呢
我們就認爲這是原假設
那我們揹着假設是什麼呢
我們揹着假設就是想去推翻
我們的原假設
那就是說我這個值
它不等
μ1不等於μ2
或者是μ1不等於我們的
某一個目標值
對吧
那這個時候就是我們的揹着假設
這揹着假設是說
我們總體的被撤參數
它不等於某個特定值
或者兩個
或者兩個以上的總體之間的
被撤參數至少
關鍵詞啊
至少有一個值與其他值不等
也就是說是什麼呢
當我們存在兩個總體的時候
我們有μ1
μ2
μ3
我們中間的三個中間
只要有兩個不相等
那這個時候
這就是我們的揹着假設
揹着假設
好
那這個時候啊
我們就會有兩種情況了
第一種情況呢
比如說
這是我們的x1
x1
我們能看到x1的這個質性區間
是這樣子的
在這裏
然後
我們的標準值
或者給定的這個值
它的質性區間是在這裏
或者我們另外一個總體
它的質性區間
x bar的質性區間在這裏
那我們能看到
它倆的質性區間中間
沒有重疊
沒有任何重疊
那這個時候
我們就會拒絕原假設
拒絕原假設
我們有證據
我們就拒絕原假設
那當我們看到
我們的x bar
和我們的這個藍色的這個分佈
x1的bar
x2的bar的質性區間
存在重疊
那這個時候說明
我們不能拒絕原假設
不能拒絕原假設
所以這就是我們
假設檢驗的基本原理
我們去看一看
我們剛纔這張圖裏頭去展示的
我們去看
95%的x的質性區間
是否有重疊
如果說沒有重疊
那我們就拒絕原假設
如果它們中間有重疊
我們就不能拒絕原假設
好
這是我們假設檢驗的基本原理
好
這塊大家聽明白了嗎
所以假設檢驗
說難也難
說複雜也複雜
我們需要把它的每一個概念都搞明白
然後做紮實了
那接下來再去做
那就會很清楚了
比如說你會去用
J檢驗
對吧
T檢驗
雙樣本T檢驗
單總體的
多總體的
是吧
三個總體
三個以及三個以上總體的
會涉及到我們的方差分析
對吧
好
沒有聽懂的
請把你的問題打上來
比如說哪塊沒有聽懂
有聽懂的話
可以給老師點一波贊
有沒有聽懂的
STEM同學
如果沒有聽懂的話
你可以把你的問題打出來
好
怎麼去定H0
我下面給大家舉個例子
怎麼去定H0
你看
我們在這裏頭
有這樣的一個例子
就是
比如說
我們有一個生產線
它的鋼筋的平均抗拉強度是200KG
200KG
標準差是30KG
這個時候
有一個改進
我們希望通過參數的調整
使強度有所提高
那麼改進完參數之後
項目想知道它有沒有提高
它總不至於
一下生產幾千根
或者是一個很大量的產品
它一定是先去抽樣
先去生產幾十根
25根
然後生產完以後
它就會去做一個測量
測量完以後
它的平均抗拉強度是2150KG
這個時候
我們能不能做出結論
我這25根
它的平均抗拉強度
已經比2000KG高了
那是不是說
我們這個參數改進有效果
能不能說明
大家覺得
覺得能說明的扣個1
覺得不能說明的扣個0
我們現在已經拿到了一個樣板
我們這個樣板的平均值
已經比我們的目標值要高了
那這個時候
我們能不能說明
我們的抗拉強度已經提高了呢
如果覺得能的
我們扣個1
覺得不能的扣個0
張同學會說不能
非常好
凱瑞同學
是的
要做檢驗
對
那我再說一下
它爲啥不能
爲啥要做檢驗
是因爲我們這個抗拉強度
它並不是一個穩定值
對不對
它是一個數據分佈
對吧
它有300KG的標準差
是不是
所以我們只是用一個樣本的均值
是沒有辦法代表總體的
那我們想去代表總體怎麼辦呢
那就需要用到假設檢驗了
好
我們怎麼去做假設檢驗呢
那這個時候
這個時候我們就會去知道
總體的這個mu均值是大於2000
這個時候呢
我們就認爲
它是有改進的
那麼我們一般啊
去說H0怎麼去定義啊
剛纔有
我看看是賽比同學
對吧
再問說H0一般怎麼定義
H0一般就會把這些不需要證明的
相等的
無差別的
我們去作爲原假設
就是多數情況
我們不需要被證明的
就比如說我們的鋼筋
它沒有變化
不需要證明的
就是H0
把需要證明的
不相等的
比如說大於的
或者有差別的這些結論
我們作爲備着假設
好
這一塊聽明白了嗎
賽比同學
所以啊
我們定義H0的時候
基本上都會包含等號
不是基本
是都會包含等號
它要麼是等於
要麼是小於等於
要麼是大於等於
那麼我們的備着假設
就是我們要去證明的
要麼證明
它提高了
要麼證明它變壞了
對吧
比如說我們在
根因分析的時候
我們多數想去證明
它變壞了
對吧
我們想知道說
這個因子
是不是我們產生問題的
一個根本因子
是不是想證明
它在統計學上
它比我們的目標值
要變差
對吧
比如說超過了
我最大的門線值
或者低於了
我最小的門線值
它是變差的
對吧
所以這個時候
它就會大於某一個值
或者小於某一個值
這個時候
我們的H1
就是一個被證明的問題
大家能聽明白嗎
好 聽明白了
幫老師點播贊
我call666
call36666
對 H0
就是假設沒有改進
假設沒有變化
那H1
就是假設有
就是說我們是有變化的
需要去被證明的
好
那我就跳過來了
其實我們再去說
證明和
就是
我們的H1和H0
需要去被證明
那中間我們需要通過
統計學的驗證
那這裏頭還有兩個概念
一個概念呢
叫做P值
P值是什麼呢
就是通過我們的樣猛
我們剛纔說
我們想知道
總體的情況是怎麼樣
我們需要抽樣
那抽樣呢
我們會去
測出它的實際數據
那基於我們的實際數據呢
可以計算出來
錯誤
推翻原假設的分線
的這個值
叫P值
就是說
我們有一個數據分佈
那這個時候呢
如果我們這是一個雙邊呢
我們
原假設H0
如果說我們
去錯誤的
去推翻了H0
所存在的這個區域α
這個值
就是我們的P值
我們的P值
默認呢
如果我們的P值
小於0.05
那我們就
去拒絕
原假設
拒絕原假設
好
這個能聽懂
好
有剛進來的同學
光語同學
我們現在再講假設檢驗
再講假設檢驗
我簡單的給你重複一下
我們假設檢驗的核心
是想通過樣本的參數
通過樣本的參數
去和我們的目標值
或者是兩個整體
兩個總體之間的
被檢測參數之間
去做比較
那這個參數
它的90%的質性區間之間呢
是否會有重合
如果有重合
如果沒有重合
我們就拒絕原假設
說明這兩個之間
是有顯著性差別的
如果有重合
我們就不能拒絕原假設
說明它們之間
是有交叉的
我不能說它比它好
它比它差
是吧
當它倆完全沒有重合的時候
那這個時候
我就可以去說
這個藍色的要比
這個紅色的要大
對不對
那這就是我們
假設檢驗的基本原理
那麼我們
基於這個基本原理
我們需要通過一個量化的指標
來去做判斷
那就是我們這個P值
當P小於0.05
那這個時候
我們就會拒絕原假設
拒絕原假設
那大於0.05呢
我們就不能拒絕原假設
不能拒絕原假設
好
那這部分
P值應該是
還是比較簡單的
大家應該能聽懂
如果接觸過6Sigma的話
很多地方都需要去看P值
對不對
我之前給大家去講過
講那個
MSA
車輛系統分析
我們去講
這個車輛系統
它是不是有偏移
是不是有線性
對吧
我們是不是都需要去看P值
對吧
看P值
是不是小於0.05
如果小於0.05
小於0.05了
我們就能看到
這個就顯著性的會有偏移
對吧
我們的H0
假設它是沒有變化的
假設沒有變化的
或者是相等的
好
那這是我們
講的另外一個概念
那還有一個概念
叫做α水平
α水平呢
是人爲設定的
人爲設定
它表示呢
就是人們可以接收
可以接收
錯誤的
記住
這有點拗口
錯誤的去推翻原假設的分解
比如說
我們落在這個區域裏
但是我們翻錯了
它的概率是多大呢
0.05%
5%
所以
這就是我剛纔給大家說的
如果我們這個P值
小於等於
我們的這個
定義的這個α
0.05
那這個時候
我們就需要去拒絕原假設
如果我們大於
我們的這個α水平
那我們就不能拒絕
我們的原假設
所以
這裏頭
我們一般情況
我們都會去設置0.05
就是在大部分的工程實驗裏頭
都是0.05
你說可不可以改
可不可以改成0.01
0.02
也不是說不能
是可以的
那取決於我們對於
我們
推翻原假設分解的
承擔程度有多大
承擔程度有大
如果你覺得
推翻原假設的
這個
這個風險過大
那我們就可以把這個值
變小
變成比如0.01
那這個時候
我們
去錯誤的
推翻原假設的
這個風險
就會變低
好
這個P值和α水平
這兩個概念
聽懂的幫我扣個6
然後有任何問題的
都可以打到我們的屏幕裏
然後這樣的話
我也看一波我們的問題
給大家去一下
張同學說
沒有聽明白
哪些沒有聽明白
可以
可以把你的問題打出來
然後
西方失敗同學問
P值就是假設
原假設發生概率的
看看
想說
沒了
看到了西方失敗同學說
P值就是原假設發生的概率
與顯著性水平的比較
稍微有點拗口
我們去理解
P值
它其實是想表明
我產生風險的概率
表明產生風險的概率
也就是說
我們α水平
我接下來去講兩種錯誤
你就應該就能明白了
就明白了
P值和我們的
和我們的
風險是怎麼樣的關係
我們說風險
那就說明
有錯誤
對不對
有錯誤
這個時候
我們假設檢驗裏頭
有兩個概念
有一個
一個新的概念
就叫假設檢驗裏頭的兩類錯誤
兩類錯誤
這個
大家注意聽
不管是綠的還是黑的
經常好
這個一定得需要理解清楚
好
我們的這兩類錯誤叫什麼
一類錯誤叫做α錯誤
一類錯誤叫做β錯誤
α錯誤是什麼
α錯誤就是說
當我H0爲真的時候
當我這個H0爲真的時候
但是
我接收了H1
啥意思
就是我拒絕了H0
對吧
我拒絕了H0
那麼就是說
我這是一個
是一個豁登架勢的事情
但是
我不承認它
我拒絕它了
這個時候是不是還記不記得
就是我們剛纔說的這個p值
錯誤的推翻了我原假設
它錯誤的推翻了我的原假設
所犯的這個分解
這就是我們的第一類錯誤
所以我們的p值
是跟誰比
是跟你的α比的
對吧
這個α是0.05
那我們這個p值呢
是我們的這個概率
算出來的這個值
這個z值
比如說我這是一個正代分佈
這個z值算出來的我的概率
對吧
我這是0.05
比如說我的概率算出來是
0.15
那沒落到我的0.05這個區域裏頭
說明我這個時候
我就不能拒絕原假設
對吧
如果我落進去了
變成了0.03了
它是不是小於0.05了
那這個時候我就得拒絕原假設
那麼我們所說的
這個第一類錯誤就是說
我如果以前落進來
但是呢
它可能是個真的
它是個真的
它是沒有錯的
但我又拒絕它了
它可能存在的這個概率
是0.05
這就是我們的第一類錯誤
α錯誤
α錯誤就是當h1爲真
但是我拒絕它了
那什麼是β錯誤呢
β錯誤是說
當我h1爲真
h1爲真的時候
但我接受了h0
什麼意思呢
就是說
我已經發生錯誤了
但是我沒識別出來它
我沒識別出來它
那這個時候
就是我們的β錯誤
我沒有識別出來
我的h1爲真
那這個時候
就是我的β錯誤
好
這部分大家有沒有聽懂
非常繞啊
因爲在去講假設解驗的時候
我們在去講α錯誤和β錯誤的時候
僅僅從概念本身去理解
其實是有很多邏輯的這個嵌套
邏輯的嵌套
所以講起來會
大家理解起來可能會有點費勁
h1的錯誤爲僞錯誤嗎
好
我給大家講個例子
講個例子
大家就能聽明白
α錯誤
比如說我們現在生產
我們現在生產
那麼生產呢
如果我是一個良品
我是一個良品
然後呢
我這個良品
結果拒絕了
我良品檢測出來
我發現它是一個不良品
那這個錯誤就叫α錯誤
那我們用一個詞叫什麼呀
叫誤報
對不對
誤報
它是一個好的
結果呢
我把它拒絕了
我認爲它不好
那這是不是誤報啊
α錯誤就是誤報
誤報了就是α錯誤
α錯誤不等於誤報
誤報了它就是α錯誤
這個更準確
那怎麼叫做β錯誤呢
β錯誤就是說
我當出現了不良品
但是我沒識別出來
我接收了
接收了h0
那這個時候
我們就會出現漏報
對吧
我的不良品流出去了
那這就是我們的β錯誤
所以α錯誤呢
是漏報
β錯誤呢
是誤報
那α錯誤產生的影響是什麼呢
就是我出
我是一個良品
結果你把它當成不良品了
那這個時候你就會
出現什麼呀
內部損失對不對
我在工廠裏頭
我就會把這個產品
擱置或者是維修
或者是報廢
是不是啊
那這個成本是由誰承擔的
是公司生產承擔的
對不對
那β錯誤是什麼呢
β錯誤是說
我是個不良品
但是呢
我沒有發現它
我漏出去了
那這個時候呢
就會產生
哎
這個問題也有給客戶了
那就會產生客戶的退貨
不滿意對不對
產生外部質量成本
是不是啊
好
這下能聽懂嗎
好
能聽懂呢
給老師點個贊哈
這個假設演員內容會特別多
會特別多
所以講起來也比較糟
所以大家得跟上我的節奏
p值可以去理解說
是我們
哎
等後面會給大家講哈
就是我講到我們的那個數據分佈的時候
我們就會去講
我們的這個分佈的這個值
啊
這個值
我們的這個計算的概率值
啊
就是去算出我們那個p值
我們的z值在哪裏
啊
z值在哪裏
然後來去算我們的p值
啊
p是一個概率值
概率密度啊
概率密度
對
比丘美卡說的對
α是過
Beta是漏
是的
α是錯
Beta是漏
嗯
是的
好
今天就講到這裏啊
