Статистические методы

Статисти́ческие ме́тоды - методы анализа статистических данных. Выделяют методы прикладной статистики , которые могут применяться во всех областях научных исследований и любых отраслях народного хозяйства, и другие статистические методы, применимость которых ограничена той или иной сферой. Имеются в виду такие методы, как статистический приемочный контроль, статистическое регулирование технологических процессов, надежность и испытания, планирование экспериментов.

Классификация статистических методов

Статистические методы анализа данных применяются практически во всех областях деятельности человека. Их используют всегда, когда необходимо получить и обосновать какие-либо суждения о группе (объектов или субъектов) с некоторой внутренней неоднородностью.

Целесообразно выделить три вида научной и прикладной деятельности в области статистических методов анализа данных (по степени специфичности методов, сопряженной с погруженностью в конкретные проблемы):

а) разработка и исследование методов общего назначения, без учета специфики области применения;

б) разработка и исследование статистических моделей реальных явлений и процессов в соответствии с потребностями той или иной области деятельности;

в) применение статистических методов и моделей для статистического анализа конкретных данных.

Прикладная статистика

Описание вида данных и механизма их порождения - начало любого статистического исследования. Для описания данных применяют как детерминированные, так и вероятностные методы. С помощью детерминированных методов можно проанализировать только те данные, которые имеются в распоряжении исследователя. Например, с их помощью получены таблицы, рассчитанные органами официальной государственной статистики на основе представленных предприятиями и организациями статистических отчетов. Перенести полученные результаты на более широкую совокупность, использовать их для предсказания и управления можно лишь на основе вероятностно-статистического моделирования. Поэтому в математическую статистику часто включают лишь методы, опирающиеся на теорию вероятностей.

Мы не считаем возможным противопоставлять детерминированные и вероятностно-статистические методы. Мы рассматриваем их как последовательные этапы статистического анализа. На первом этапе необходимо проанализировать имеющие данные, представить их в удобном для восприятия виде с помощью таблиц и диаграмм. Затем статистические данные целесообразно проанализировать на основе тех или иных вероятностно-статистических моделей. Отметим, что возможность более глубокого проникновения в суть реального явления или процесса обеспечивается разработкой адекватной математической модели.

В простейшей ситуации статистические данные - это значения некоторого признака, свойственного изучаемым объектам. Значения могут быть количественными или представлять собой указание на категорию, к которой можно отнести объект. Во втором случае говорят о качественном признаке.

При измерении по нескольким количественным или качественным признакам в качестве статистических данных об объекте получаем вектор. Его можно рассматривать как новый вид данных. В таком случае выборка состоит из набора векторов. Есть часть координат - числа, а часть - качественные (категоризованные) данные, то говорим о векторе разнотипных данных.

Одним элементом выборки, то есть одним измерением, может быть и функция в целом. Например, описывающая динамику показателя, то есть его изменение во времени, - электрокардиограмма больного или амплитуда биений вала двигателя. Или временной ряд, описывающий динамику показателей определенной фирмы. Тогда выборка состоит из набора функций.

Элементами выборки могут быть и иные математические объекты. Например, бинарные отношения. Так, при опросах экспертов часто используют упорядочения (ранжировки) объектов экспертизы - образцов продукции, инвестиционных проектов, вариантов управленческих решений. В зависимости от регламента экспертного исследования элементами выборки могут быть различные виды бинарных отношений (упорядочения, разбиения, толерантности), множества, нечеткие множества и т. д.

Итак, математическая природа элементов выборки в различных задачах прикладной статистики может быть самой разной. Однако можно выделить два класса статистических данных - числовые и нечисловые. Соответственно прикладная статистика разбивается на две части - числовую статистику и нечисловую статистику.

Числовые статистические данные - это числа, вектора, функции. Их можно складывать, умножать на коэффициенты. Поэтому в числовой статистике большое значение имеют разнообразные суммы. Математический аппарат анализа сумм случайных элементов выборки - это (классические) законы больших чисел и центральные предельные теоремы.

Нечисловые статистические данные - это категоризованные данные, вектора разнотипных признаков, бинарные отношения, множества, нечеткие множества и др. Их нельзя складывать и умножать на коэффициенты. Поэтому не имеет смысла говорить о суммах нечисловых статистических данных. Они являются элементами нечисловых математических пространств (множеств). Математический аппарат анализа нечисловых статистических данных основан на использовании расстояний между элементами (а также мер близости, показателей различия) в таких пространствах. С помощью расстояний определяются эмпирические и теоретические средние, доказываются законы больших чисел, строятся непараметрические оценки плотности распределения вероятностей, решаются задачи диагностики и кластерного анализа, и т. д. (см. ).

В прикладных исследованиях используют статистические данные различных видов. Это связано, в частности, со способами их получения. Например, если испытания некоторых технических устройств продолжаются до определенного момента времени, то получаем т. н. цензурированные данные, состоящие из набора чисел - продолжительности работы ряда устройств до отказа, и информации о том, что остальные устройства продолжали работать в момент окончания испытания. Цензурированные данные часто используются при оценке и контроле надежности технических устройств.

Обычно отдельно рассматривают статистические методы анализа данных первых трех типов. Это ограничение вызвано тем отмеченным выше обстоятельством, что математический аппарат для анализа данных нечисловой природы - существенно иной, чем для данных в виде чисел, векторов и функций.

Вероятностно-статистическое моделирование

При применении статистических методов в конкретных областях знаний и отраслях народного хозяйства получаем научно-практические дисциплины типа «статистические методы в промышленности», «статистические методы в медицине» и др. С этой точки зрения эконометрика - это «статистические методы в экономике». Эти дисциплины группы б) обычно опираются на вероятностно-статистические модели, построенные в соответствии с особенностями области применения. Весьма поучительно сопоставить вероятностно-статистические модели, применяемые в различных областях, обнаружить их близость и вместе с тем констатировать некоторые различия. Так, видна близость постановок задач и применяемых для их решения статистических методов в таких областях, как научные медицинские исследования, конкретные социологические исследования и маркетинговые исследования, или, короче, в медицине , социологии и маркетинге . Они часто объединяются вместе под названием «выборочные исследования».

Отличие выборочных исследований от экспертных проявляется, прежде всего, в числе обследованных объектов или субъектов - в выборочных исследованиях речь обычно идет о сотнях, а в экспертных - о десятках. Зато технологии экспертных исследований гораздо изощреннее. Еще более выражена специфика в демографических или логистических моделях, при обработке нарративной (текстовой, летописной) информации или при изучении взаимовлияния факторов.

Вопросы надежности и безопасности технических устройств и технологий, теории массового обслуживания подробно рассмотрены, в большом количестве научных работ.

Статистический анализ конкретных данных

Применение статистических методов и моделей для статистического анализа конкретных данных тесно привязано к проблемам соответствующей области. Результаты третьего из выделенных видов научной и прикладной деятельности находятся на стыке дисциплин. Их можно рассматривать как примеры практического применения статистических методов. Но не меньше оснований относить их к соответствующей области деятельности человека.

Например, результаты опроса потребителей растворимого кофе естественно отнести к маркетингу (что и делают, читая лекции по маркетинговым исследованиям). Исследование динамики роста цен с помощью индексов инфляции, рассчитанных по независимо собранной информации, представляет интерес прежде всего с точки зрения экономики и управления народным хозяйством (как на макроуровне, так и на уровне отдельных организаций).

Перспективы развития

Теория статистических методов нацелена на решение реальных задач. Поэтому в ней постоянно возникают новые постановки математических задач анализа статистических данных, развиваются и обосновываются новые методы. Обоснование часто проводится математическими средствами, то есть путем доказательства теорем. Большую роль играет методологическая составляющая - как именно ставить задачи, какие предположения принять с целью дальнейшего математического изучения. Велика роль современных информационных технологий, в частности, компьютерного эксперимента.

Актуальной является задача анализа истории статистических методов с целью выявления тенденций развития и применения их для прогнозирования.

Литература

2. Нейлор Т. Машинные имитационные эксперименты с моделями экономических систем. - М.: Мир, 1975. - 500 с.

3. Крамер Г. Математические методы статистики. - М.: Мир, 1948 (1-е изд.), 1975 (2-е изд.). - 648 с.

4. Большев Л. Н., Смирнов Н. В. Таблицы математической статистики. - М.: Наука, 1965 (1-е изд.), 1968 (2-е изд.), 1983 (3-е изд.).

5. Смирнов Н. В., Дунин-Барковский И. В. Курс теории вероятностей и математической статистики для технических приложений. Изд. 3-е, стереотипное. - М.: Наука, 1969. - 512 с.

6. Норман Дрейпер, Гарри Смит Прикладной регрессионный анализ. Множественная регрессия = Applied Regression Analysis. - 3-е изд. - М.: «Диалектика» , 2007. - С. 912. - ISBN 0-471-17082-8

Смотри также

Wikimedia Foundation . 2010 .

Yat-Kha
Амальгама (значения)

Смотреть что такое "Статистические методы" в других словарях:

СТАТИСТИЧЕСКИЕ МЕТОДЫ - СТАТИСТИЧЕСКИЕ МЕТОДЫ научные методы описания и изучения массовых явлений, допускающих количественное (численное) выражение. Слово “статистика” (от игал. stato государство) имеет общий корень со словом “государство”. Первоначально оно… … Философская энциклопедия

СТАТИСТИЧЕСКИЕ МЕТОДЫ – - научные методы описания и изучения массовых явлений, допускающих количественное (численное) выражение. Слово «статистика» (от итал. stato – государство) имеет общий корень со словом «государство». Первоначально оно относилось к науке управления и … Философская энциклопедия

Статистические методы - (в экологии и биоценологии) методы вариационной статистики, позволяющие исследовать целое (напр., фитоценоз, популяцию, продуктивность) по его частным совокупностям (напр., по данным, полученным на учетных площадках) и оценить степень точности… … Экологический словарь

статистические методы - (в психологии) (от лат. status состояние) нек рые методы прикладной математической статистики, используемые в психологии в основном для обработки экспериментальных результатов. Основная цель применения С. м. повышение обоснованности выводов в… … Большая психологическая энциклопедия

Статистические методы - 20.2. Статистические методы Конкретные статистические методы, используемые для организации, регулирования и проверки деятельности, включают, но не ограничиваются следующими: а) планированием экспериментов и факторный анализ; b) анализ дисперсии и … Словарь-справочник терминов нормативно-технической документации

СТАТИСТИЧЕСКИЕ МЕТОДЫ - методы исследования количеств. стороны массовых обществ. явлений и процессов. С. м. дают возможность в цифровом выражении характеризовать происходящие изменения в обществ. процессах, изучать разл. формы социально экономич. закономерностей, смену… … Сельско-хозяйственный энциклопедический словарь

СТАТИСТИЧЕСКИЕ МЕТОДЫ - некоторые методы прикладной математической статистики, используемые для обработки экспериментальных результатов. Ряд статистических методов был разработан специально для проверки качества психологических тестов, для применения в профессиональном… … Профессиональное образование. Словарь

СТАТИСТИЧЕСКИЕ МЕТОДЫ - (в инженерной психологии) (от лат. status состояние) некоторые методы прикладной статистики, используемые в инженерной психологии для обработки экспериментальных результатов. Основная цель применения С. м. повышение обоснованности выводов в… … Энциклопедический словарь по психологии и педагогике

Ерлан Аскаров, доцент КазНТУ им. К. Сатпаева

Статистические методы играют важную роль в объективной оценке количественных и качественных характеристик процесса и являются одним из важнейших элементов системы обеспечения качества продукции и всего процесса управления качеством. Неслучайно основоположник современной теории менеджмента качества Э. Деминг много лет работал в Бюро по переписи населения и занимался именно вопросами статистической обработки данных. Он придавал огромное значение статистическим методам.

Для получения качественной продукции необходимо знать реальную точность имеющегося оборудования, определять соответствие точности выбранного технологического процесса заданной точности изделия, оценивать стабильность технологического процесса. Решение задач указанного типа производится в основном путем математической обработки эмпирических данных, полученных многократными измерениями либо действительных размеров изделий, либо погрешностей обработки или погрешностей измерения.

Существуют две категории погрешностей: систематические и cлучайные. В результате непосредственных наблюдений, измерений или регистрации фактов получается множество данных, которые образуют статистическую совокупность и нуждаются в обработке, включающей систематизацию и классификацию, расчет параметров, характеризующих эту совокупность, составление таблиц, графиков, иллюстрирующих процесс.

На практике используют ограниченное количество числовых характеристик, называемых параметрами распределения.

Центр группирования . Одной из основных характеристик статистической совокупности, дающей представление о том, вокруг какого центра группируются все значения, является среднее арифметическое. Оно определяется из выражения:

где Xmax, Xmin - максимальное и минимальное значения статистической совокупности.

Вариационный размах не всегда характерен, так как учитывает только крайние значения, которые могут сильно отличаться от всех других значений. Более точно рассеяние определяется с помощью показателей, учитывающих отклонение всех значений от среднего арифметического. Основным из этих показателей является среднее квадратичное отклонение результата наблюдений, которое определяется по формуле

Форма распределения вероятности. Для характеристики формы распределения обычно используют ту математическую модель, которая наилучшим образом приближает к виду кривой распределения вероятностей, полученной при анализе экспериментально полученных данных.

Закон нормального распределения. Большинство случайных явлений, происходящих в жизни, в частности, в производстве и научных исследованиях, характеризуются наличием большого числа случайных факторов, описывается законом нормального распределения, который является основным во многих практических исследованиях. Однако нормальное распределение не является единственно возможным. В зависимости от физической природы случайных величин, некоторые из них на практике могут иметь распределение другого вида, например, логарифмическое, экспоненциальное, Вейбулла, Симпсона, Релея, равной вероятности и др.

Уравнение, описывающие плотность вероятности нормального распределения имеет вид:

(5)

Нормальное распределение характеризуется двумя параметрами μ и σ 2 и на графике представляет собой симметричную кривую Гаусса (рисунок 1), имеющую максимум в точке соответствующей значению Х = μ (соответствует среднему арифметическому Х ср и называется центром группирования), а при Х → -∞ и Х → ∞ асимптотически приближающуюся к оси абсцисс. Точка перегиба кривой находится на расстоянии σ от центра расположения μ. С уменьшением σ кривая растягивается вдоль оси ординат и сжимается вдоль оси абсцисс. Между абсциссами μ - σ и μ + σ расположено 68,3 % всей площади кривой нормального распределения. Это означает, что при нормальном распределении 68,3 % всех измеренных единиц отклоняются от среднего значения не более чем на σ, то есть все они находятся в пределах + σ. Площадь, заключенная между ординатами, проведенными на расстоянии 2σ с обеих сторон от центра составляет 95,4 % и соответственно столько же единиц совокупности находится в пределах μ+ 2σ. И наконец, 99,73 % всех единиц находится в пределах μ+ 3σ. Это так называемое правило «трех сигм», характерное для нормального распределения. Согласно этому правилу за пределами отклонения на 3σ находится не более 0,27 % всех значений величин, то есть 27 реализаций на 10 тысяч. В технических приложениях принято при оценке результатов измерений работать с коэффициентами z при σ, соответствующим 90 %, 95 %, 99 %, 99,9 % вероятности попадания результата в область допуска.

Рисунок 1

Z90 = 1,65; Z95 = 1,96; Z99 = 2,576; Z999 = 3,291.

Следует отметить, что это же правило распространяется на отклонения среднего значения Х ср (?). Оно также колеблется в некоторой области на три значения среднего квадратического отклонения среднего значения S в обе стороны, и в этой области заключено 99,73 % всех значений среднего значения. Нормальное распределение хорошо проявляется при большом количестве членов статистической совокупности, не менее 30.

Распределение Стьюдента. Для практики большой интерес представляет возможность судить о распределении случайных величин и определять производственные погрешности во всех изготовленных изделиях и погрешности научных экспериментов по результатам измерения параметров статистической совокупности полученным из партии малого объема. Эта методика была разработана Карлом Госсетом в 1908 году и опубликована под псевдонимом Стьюдент.

Распределение Стьюдента симметрично, но более сплющено, чем кривая нормального распределения, и поэтому вытянуто на концах (рисунок 2). Для каждого значения n имеется своя t-функция и свое распределение. Коэффициент z заменен в распределении Стьюдента коэффициентом t, значение которого зависит от заданного уровня значимости, который определяет какая часть реализации может находиться за пределами выбранной области кривой распределения Стьюдента и количества изделий в выборке.

Рисунок 2

При больших n распределение Стьюдента асимптотически сближается со стандартным нормальным распределением. С приемлемой для практики точностью можно считать, что при n ?30, распределение Стьюдента, которое иногда называют t -распределением, апроксимируется нормальным.

t -распределение имеет те же самые параметры, что и нормальное. Это среднее арифметическое Хср, среднее квадратическое отклонение ? и среднее квадратическое отклонение среднего S. Хср определяется по формуле (1), S определяется по формуле (4), а ? по формуле:

(6)

Контроль точности. Когда известно распределение случайной величины, можно получить все особенности данной партии изделий, определить среднее значение, дисперсию и т.п. Но полная совокупность статистических данных партии промышленных изделий, а значит закон распределения вероятностей смогут быть известными, только после изготовления всей партии изделий. На практике закон распределения всей совокупности изделий почти всегда неизвестен, единственным источником информации служит выборка, обычно малая. Каждая рассчитанная по выборочным данным числовая характеристика, например, среднее арифметическое или дисперсия есть реализация случайной величины, которая от выборки к выборке может принимать различные значения. Задача контроля облегчается благодаря тому, что обычно не требуется знать точного значения отличий случайных значений от заданной величины. Достаточно лишь знать отличаются ли наблюдаемые значения больше чем на величину допускаемой ошибки, которая определяется величиной допуска. Распространение на генеральную совокупность оценок, сделанных по выборочным данным, может быть осуществлено только с некоторой вероятностью Р(t). Таким образом, суждение о свойствах генеральной совокупности всегда носит вероятностный характер и содержит элемент риска. Так как заключение делается по выборочным данным, то есть при ограниченном объеме информации, могут возникать ошибки первого и второго рода.

Вероятность допустить ошибку первого рода называют уровнем значимости и обозначают а . Область, отвечающая вероятности а , называется критической, а дополняющая ее область, вероятность попадания в которую равна 1-а , называется допустимой.

Вероятность ошибки второго рода обозначается ? , а величина 1-? называется мощностью критерия.

Величина а иногда называется риском изготовителя, а величина ? называется риском потребителя.

С вероятностью 1-а неизвестное значение Х 0 полной совокупности лежит в интервале

(Хср - Z?) < Х 0 < (Хср + Z?) для нормального распределения,

(Хср - t?) < Х 0 < (Хср + t?) для распределения Стьюдента.

Предельные крайние значения Х 0 называют доверительными границами.

При уменьшении объема выборки при распределении Стьюдента доверительные границы расширяются, а вероятность ошибки возрастает. Задаваясь, например, 5% уровнем значимости (а=0,05), считают, что с вероятностью 95% (Р=0,95) неизвестное значение Х 0 находится в интервале

(Хср - t?,:., Хср+t?)

Иными словами искомая точность будет равна Хср+ t?, причем количество деталей с размером, выходящим за пределы этого допуска, будет составлять не более 5 %.

Контроль стабильности процесса. В реальных условиях производства фактические значения параметров технологического процесса и характеристик изготовляемой продукции не только хаотично изменяются за счет случайных погрешностей, но часто с течением времени постепенно и монотонно отклоняются от заданных значений, то есть имеет место появление систематических погрешностей. Эти погрешности должны ликвидироваться путем выявления и устранения вызывающих их причин. Проблема заключается в том, что в реальных условиях систематические погрешности трудно отличить от случайных. Незначительные систематические погрешности без специального статистического анализа могут долго оставаться незамеченными на фоне случайных погрешностей.

Анализ основан на том, что когда систематические ошибки отсутствуют, фактические значения параметров изменяются случайным образом. Однако их средние значения и основные ошибки остаются неизменными во времени. В таком случае технологический процесс называют стабильным. Условно считается, что в данной партии все изделия являются одинаковыми. При стабильном процессе случайные погрешности подчиняются нормальному закону распределения с центром μ=Хо. Среднее значения параметров, полученные в различных партиях, должны быть приближенно равны Хо. Следовательно, все они приближенно равны между собой, но величина текущего среднего значения Хсрт колеблется в доверительном интервале+ tS, то есть:

(Хср - tS) ≤ Хсрт ≤ (Хср + tS)

(7)

Материалом для анализа стабильности могут служить те же данные, которые использовались для контроля точности. Но они будут пригодны лишь в том случае, если представляют собой непрерывные наблюдения, охватывающие достаточный промежуток времени, или если они составлены из выборок, отобраны через определенные промежутки времени. Интервалы между выборками, называемые в этом случае пробами, устанавливают в зависимости от наблюдаемой частоты разладок оборудования.

При заданном уровне значимости среднее значение Хсрт в различных текущих партиях могут различаться не более чем на величину tS от базового Хср, полученного для первого замера, то есть

/Хср - Хсрт/ ≤ tS

(8)

При выполнении этого условия можно считать, что процесс стабилен и обе партии выпущены при одинаковых условиях. Если же различие средних значений в двух партиях будет превосходить величину tS, то уже нельзя считать, что это различие вызвано только случайными причинами. В процессе появился доминирующий постоянный фактор, который изменяет значения параметров изделий в партии по определенному постоянному закону. Процесс является нестабильным и изделия, выпускаемые в разное время, будут значительно отличаться друг от друга, причем эта разница будет увеличиваться со временем.

Таким образом, расхождение средних значений в различных партиях больше чем на tS, указывает на наличие систематических ошибок и на необходимость принятия мер для их обнаружения и устранения причин, которые их вызывают. Этот принцип был применен В. Шухартом при разработкеконтрольных карт.

Статистические методы анализа стабильности могут применяться также в ситуациях, противоположных рассмотренным выше. Если в конструкцию изделия или технологический процесс его изготовления вносят какие-то изменения, то требуется определить, в какой мере это приведет к ожидаемым результатам.

Следовательно, требуется провести испытания, сделать несколько проб и статистически обработать данные. Если

/Хср.ст.-Хср.нов./ > tS,

(9)

Семь простейших методов статистического исследования процесса

Современные статистические методы довольно сложны для восприятия и широкого практического использования без углубленной математической подготовки всех участников процесса. К 1979 году Союз японских ученых и инженеров (JUSE) собрал воедино семь достаточно простых в использовании наглядных методов анализа процессов. При всей своей простоте они сохраняют связь со статистикой и дают профессионалам возможность пользоваться их результатами, а при необходимости - совершенствовать их.

Причинно-следственная диаграмма Исикавы. Данная диаграмма является очень мощным инструментом для анализа ситуации, получения информации и влиянии разных факторов на основной процесс. Здесь появляется возможность не только выявить факторы, влияющие на процесс, но и определить и приоритетность их влияния.

Рисунок 3

Диаграмма типа 5М рассматривает такие компоненты качества, как «люди», «оборудование», «материал, сырье», «технология», «управление», а в диаграмме типа 6М к ним добавляется компонент «среда» (рисунок 3).

Применительно к решаемой задаче квалиметрического анализа,
- для компоненты «люди» необходимо определить факторы, связанные с удобством и безопасностью выполнения операций;
- для компоненты «оборудование» - взаимоотношения элементов конструкции анализируемого изделия между собой, связанные с выполнением данной операции;
- для компоненты «технология» - факторы, связанные с производительностью и точностью выполняемой операции;
- для компоненты «материал» - факторы, связанные с отсутствием изменений свойств материалов изделия в процессе выполнения данной операции;
- для компоненты «технология» - факторы, связанные с достоверным распознаванием ошибки процесса выполнения операции;
- для компоненты «среда» - факторы, связанные с воздействием среды на изделие и изделия на среду.

Типы дефектов	Данные контроля	Итого
Вмятины	///// ///// ////	14
Трещины	///// ///// ///// //	17
Выход за допуск в минус	///// //	7
Выход за допуск в плюс	///// ///// ///// ///// ///	23
Прожиг при термообработке	///// ////	9
Перекос базовых поверхностей	///	3
Литейные раковины	///// /	6
Несоответствие шероховатости	///// ///// ///// ///	18
Дефекты покраски	////	4
Прочие	///// //	7
Итого		108

Рисунок 4

Контрольные листки. Контрольные листки могут применяться как при контроле по качественным, так и при контроле по количественным признакам, в этом документе фиксируются определенные виды дефектов за определенный отрезок времени. Контрольный листок является хорошим статистическим материалом для дальнейшего анализа и изучения проблем производства и уменьшения уровня дефектности (рисунок 4).

Анализ Парето. Анализ Парето получил свое название по имени итальянского экономиста Вилфредо Парето (1848-1923), который показал, что большая часть капитала (80%) находится в руках незначительного количества людей (20%). Парето разработал логарифмические математические модели, описывающие это неоднородное распределение, а математик М.О. Лоренц представил графические иллюстрации, в частности кумулятивную кривую.

Правило Парето - «универсальный» принцип, который применим во множестве ситуаций, и без сомнения - в решении проблем качества. Д. Джуран отметил «универсальное» применение принципа Парето к любой группе причин, вызывающих то или иное последствие, причем большая часть последствий вызвана малым количеством причин. Анализ Парето ранжирует отдельные области по значимости или важности и призывает выявить и в первую очередь устранить те причины, которые вызывают наибольшее количество проблем (несоответствий).

Рисунок 5

Анализ Парето, как правило, иллюстрируется диаграммой Парето (рисунок 5), на которой по оси абсцисс отложены причины возникновения проблем качества в порядке убывания вызванных ими проблем, а по оси ординат - в количественном выражении сами проблемы, причем как в численном, так и в накопленном (кумулятивном) процентном выражении. Построим диаграмму по данным, взятым из предыдущего примера - контрольного листка.

На диаграмме отчетливо видна область принятия первоочередных мер, очерчивающая те причины, которые вызывают наибольшее количество ошибок. Таким образом, в первую очередь, предупредительные мероприятия должны быть направлены на решение именно этих проблем. Выявление и устранение причин, вызывающих появление наибольшего количества дефектов, позволяет нам расходуя минимальное количество ресурсов (деньги, время, люди, материальное обеспечение) получить максимальный эффект в виде значительного уменьшения количества дефектов.

Стратификация. В основном, стратификация - процесс сортировки данных согласно некоторым критериям или переменным, результаты которого часто показываются в виде диаграмм и графиков. Мы можем классифицировать массив данных в различные группы (или категории) с общими характеристиками, называемыми переменной стратификации. Важно установить, которые переменные будут использоваться для сортировки. Стратификация - основа для других инструментов, таких как анализ Парето или диаграммы рассеивания. Такое сочетание инструментов делает их более мощными.

Возьмем данные из контрольного листка (рисунок 4). На рисунке 6 приведен пример анализа источника возникновения дефектов. Все дефекты 108 (100%) были классифицированы на 3 категории - по сменам, по рабочим и по операциям. Из анализа представленных данных наглядно видно, что наибольший вклад в наличие дефектов вносит 2 смена (54%) и рабочий Г (47%), который работает в этой смене.

Гистограммы. Гистограммы - один из вариантов столбчатой диаграммы, отображающий зависимость частоты попадания параметров качества изделия или процесса в определенный интервал значений от этих значений.

Внизу приведен пример построения гистограммы.

Для удобства расчетов и построения применяем прикладной компьютерный программный пакет EXCEL. Необходимо определить разброс значений геометрического размера, например, диаметр вала, номинальный размер которого равен 10 мм. Произведен замер 20 валов, данные замеров приведены в первом столбце А (рисунок 7). В столбце В производим расстановку замеров по возрастанию, затем в ячейке D7 определяем размах размеров, как разницу самого большого и малого значений замера. Выбираем количество интервалов гистограммы равным 8. Определяем диапазон интервала D. Затем определяем параметры интервалов, это наименьшее и наибольшее включительно значение геометрического параметра, входящего в интервал.

где i - номер интервала.

После этого определяем количество попаданий значений параметра в каждый из 8 интервалов, после этого окончательно строим гистограмму.

Рисунок 7

Диаграммы разброса. Диаграммы разброса представляют из себя графики, которые позволяют выявить корреляцию (статистическую зависимость) между различными факторами, влияющими на показатели качества. Диаграмма строится по двум координатным осям, по оси абсцисс откладывается значение изменяемого параметра, а на оси ординат откладывается получаемое значение исследуемого параметра, которое мы имеем в момент использование изменяемого параметра, на пересечении этих значений ставим точку. Собрав достаточно большое количество таких точек, мы можем делать анализ и вывод.

Приведем пример. На предприятии решили проводить занятия по основам менеджмента качества. Каждый месяц обучение проходило определенное количество рабочих. В январе обучение прошли 2 человека, в феврале 3 человека и т.д. В течение года количество обученных работников возрастало и к концу года достигло 40 человек. Руководство дало поручение службе качества отследить зависимость процента бездефектной продукции, предъявляемой с первого раза, количества поступающих на завод рекламаций на продукцию со стороны заказчиков и расхода электроэнергии в цеху от количества обученных рабочих. Была составлена таблица 1 данных по месяцам и построены диаграммы разброса (рисунок 8, 9, 10). На них хорошо видно, что процент бездефектности повышается, имеем прямую корреляционную зависимость, количество рекламаций уменьшается, имеем обратную корреляционную зависимость, причем на диаграммах хорошо видна четко выраженная корреляционная зависимость, которая определяется по кучности точек и их приближении к какой либо точно очерченной траектории, в нашем случае это прямая линия. Количество расходуемой электроэнергии не имеет зависимости от количества обученных работников.

Контрольные карты. Контрольные карты - специальный вид диаграммы, впервые предложенный В. Шухартом в 1924 г. Они отображают характер изменения показателя качества во времени, например, стабильности получения размера изделия. По существу контрольные карты показывают стабильность технологического процесса, то есть нахождение среднего значения параметра в коридоре допускаемых значений, состоящего из верхней и нижней границы допуска. Данные этих карт могут сигнализировать о том, что параметр приближается к границе допуска и необходимо уже принимать упреждающие действия еще до того как параметр выйдет в зону брака, то есть такой метод контроля позволяет предупреждать появление брака еще на стадии его зарождения.

Существуют 7 основных типов карт.

Отклонения среднеквадратического отклонения среднего значения х-S,

Отклонений размахов х-R,

Отклонений индивидуальных значений х,

Колебания числа дефектов С,

Колебания числа дефектов на единицу продукции u,

Колебания числа дефектных единиц продукции pn,

Колебания доли дефектной продукции p.

Все карты можно разбить на две группы. Первая контролирует количественные параметры качества, представляющие собой непрерывные случайные величины - размеры, масса и т.д. Вторая для контроля качественных альтернативных дискретных параметров (есть дефект - нет дефекта).

Таблица 2

Например карта х-S. Колебания среднего арифметического значения, коридор допуска здесь является величина 3S (для нормального распределения) или tS (для распределения Стьюдента), где S - среднеквадратическое отклонение среднего. Середина коридора среднее арифметическое значение первого замера. Значения этой карты наиболее достоверны и объективны. Общий вид контрольной карты показан на рисунке 11.

Литература:

1. Аскаров Е.С. Управление качеством. Учебное пособие. Изд.2. Алматы, Pro servisе, 2007, 256 с.

РЕФЕРАТ

Основные понятия статистической теории

При управлении качеством

Выполнил:

Галяутдинов Амир Айдарович

Проверил:

Камалетдинов Наиль Надирович

подпись____________________

ПОНЯТИЕ О СТАТИСТИЧЕСКИХ МЕТОДАХ КАЧЕСТВА

Понятие «управление качеством» как наука возникло в конце 19-го столетия, с переходом промышленного производства на принципы разделения труда. Принцип разделения труда потребовал решения проблемы взаимозаменяемости и точности производства. До этого при ремесленном способе производстве продукции обеспечение точности готового продукта производилось по образцам или методами подгонки сопрягаемых деталей и узлов. Учитывая значительные вариации параметров процесса, становилось ясно, что нужен критерий качества производства продукции, позволяющий ограничить отклонения размеров при массовом изготовлении деталей. В качестве такого критерия Ф.Тейлором были предложены интервалы, устанавливающие пределы отклонений параметров в виде нижних и верхних границ. Поле значений такого интервала стали называть допуском.

Установление допуска привело к противостоянию интересов конструкторов и производственников: одним ужесточение допуска обеспечивало повышение качества соединения элементов конструкции, другим – создавало сложности с созданием технологической системы, обеспечивающей требуемые значения вариаций процесса. Очевидно также, что при наличии разрешенных границ допуска у изготовителей не было мотивации «держать» показатели (параметры) изделия как можно ближе к номинальному значению параметра, это приводило к выходу значений параметра за пределы допуска.

В тоже время (начало 20-х годов прошлого столетия) некоторых специалистов в промышленности заинтересовало, можно ли предсказать выход параметра за пределы допуска. И они стали уделять основное внимание не самому факту брака продукции, а поведению технологического процесса, в результате которого возникает этот брак или отклонение параметра от установленного допуска. В результате исследования вариабельности технологических процессов появились статистические методы управления процессами. Родоначальником этих методов был В.Шухарт.

Одновременно с этим большое внимание уделялось разработке теории выборочного контроля продукции. Первые работы в этой области появились в конце 20-х годов в США, автором их был Г.Додж, ставший впоследствии известным американским ученым.

С момента зарождения статистических методов контроля качества специалисты понимали, что качество продукции формируется в результате сложных процессов, на результативность которых оказывают влияние множество материальных факторов и ошибки работников. Поэтому для обеспечения требуемого уровня качества нужно уметь управлять всеми влияющими факторами, определять возможные варианты реализации качества, научиться его прогнозировать и оценивать потребность объектов того или иного качества.

В послевоенное время и в США, и в Европе появились национальные стандарты по качеству. Центральная роль в разработке нормативных документов в области качества принадлежит Международной организации по стандартизации (ISO). Начиная с 90-х годов, идеи теории вариаций, статистического управления процессами (SPC) овладели не только специалистами-математиками, но и стали неотъемлемыми инструментами менеджеров и работников служб качества.

Большой толчок дальнейшему развитию принципов управления качеством дал японский ученый Г.Тагути. Он предложил учитывать вариации свойств продукции на разных этапах ее разработки, что для менеджмента качества явилось революционной идеей. По Тагути нужно было установить те сочетания параметров изделий и процессов, которые приводили к минимуму вариаций процессов. Эти процессы, которые стали называть робастными, были устойчивы к вариациям входных параметров процессов.

Используемые в сегодняшней практике предприятий статистические методы можно подразделить на следующие категории:

Методы высокого уровня сложности, которые используются разработчиками систем управления предприятием или процессами. К ним относятся методы кластерного анализа, адаптивные робастные статистики и др.,

Методы специальные, которые используются при разработке операций технического контроля, планировании промышленных экспериментов,

расчетах на точность и надежность и т.д.,

Методы общего назначения, в разработку которых большой вклад

внесли японские специалисты. К ним относятся «Семь простых методов»

(или «Семь инструментов качества»), включающие в себя контрольные листки; метод расслоения; графики; диаграммы Парето; диаграммы Исикавы; гистограммы; контрольные карты

В настоящее время по статистическим методам имеется обширная литература и пакеты прикладных компьютерных программ, по разработке которых отечественные научные школы по теории вероятностей занимают ведущее место в мире.

В настоящей работе рассмотрено 15 наиболее распространенных статистических методов, изложенных или отдельно, или сгруппированных в функциональные разделы:

1) описательная статистика,

2) планирование экспериментов,

3) проверка гипотез,

4) регрессионный анализ,

5) корреляционный анализ,

6) выборочный контроль,

7) факторный анализ,

8) анализ временных рядов,

9) статистическое установление допуска,

10) анализ точности измерений,

11) статистический контроль процессов,

12) статистическое регулирование процессов,

13) анализ безотказности,

14) анализ причин несоответствий,

15) анализ возможностей процесса (гистограммы),

Введение

Одним из важнейших положений тотального менеджмента качества (TQM) является принятие решений на основе фактов. Совершенствование качества продукции и процессов требует скрупулезной работы персонала предприятия по выявлению причин дефектов (отклонений от документации) и их устранению. Для этого необходимо организовать поиск фактов, характеризующих несоответствия, в подавляющем большинстве которыми являются статистические данные, разработать методы анализа и обработки данных, выявить коренные причины дефектов и разработать мероприятия по их устранению с наименьшими затратами.

Проблемами сбора, обработки и анализа результатов производственной деятельности занимается математическая статистика, которая включает в себя большое количество не только известных методов, но и современных инструментов (как модно в последние годы называть методы) анализа и выявления дефектов. К таким методам можно отнести корреляционный и регрессионный анализы, проверку статистических гипотез, факторный анализ, анализ временных рядов, анализ безотказности и т. д.

Большое распространение в управлении качеством (под влиянием японских специалистов) получили семь простых методов, применение которых не требует высокой квалификации персонала и позволяет охватить анализ причины большинства возникающих на производстве дефектов. В настоящем пособии эти методы включены в различные разделы, исходя из целесообразности их применения.

Большое внимание уделяется практическому приложению математической статистики для решения конкретных производственных задач, особенно при анализе качества процессов.

Следует отметить, что с развитием научных систем управления качеством роль статистических методов в управлении качеством непрерывно возрастает. Именно широкое применение в производстве продукции статистических методов на первых этапах борьбы за качество (50-е годы) позволило японским предприятиям очень быстро выйти в лидеры мировой экономики.

Конкурентоспособность российских предприятий будет так же во многом зависеть от масштаба обучения персонала методам статистического управления качеством и их систематического применения на практике.

Понятие о статистических методах качества

Понятие "управление качеством" как наука возникло в конце 19-го столетия, с переходом промышленного производства на принципы разделения труда. Принцип разделения труда потребовал решения проблемы взаимозаменяемости и точности производства. До этого при ремесленном способе производстве продукции обеспечение точности готового продукта производилось по образцам или методами подгонки сопрягаемых деталей и узлов. Учитывая значительные вариации параметров процесса, становилось ясно, что нужен критерий качества производства продукции, позволяющий ограничить отклонения размеров при массовом изготовлении деталей.

В качестве такого критерия Ф.Тейлором были предложены интервалы, устанавливающие пределы отклонений параметров в виде нижних и верхних границ. Поле значений такого интервала стали называть допуском.

Установление допуска привело к противостоянию интересов конструкторов и производственников: одним ужесточение допуска обеспечивало повышение качества соединения элементов конструкции, другим - создавало сложности с созданием технологической системы, обеспечивающей требуемые значения вариаций процесса. Очевидно также, что при наличии разрешенных границ допуска у изготовителей не было мотивации "держать" показатели (параметры) изделия как можно ближе к номинальному значению параметра, это приводило к выходу значений параметра за пределы допуска.

Методы специальные, которые используются при разработке операций технического контроля, планировании промышленных экспериментов, расчетах на точность и надежность и т.д.;

Методы общего назначения, в разработку которых большой вклад внесли японские специалисты. К ним относятся "Семь простых методов" (или "Семь инструментов качества"), включающие в себя контрольные листки; метод расслоения; графики; диаграммы Парето; диаграммы Исикавы; гистограммы; контрольные карты.

Из существующих статистических методов наиболее распространенными являются:

1) описательная статистика;

2) планирование экспериментов;

3) проверка гипотез;

4) регрессионный анализ;

5) корреляционный анализ;

6) выборочный контроль;

7) факторный анализ;

8) анализ временных рядов;

9) статистическое установление допуска;

10) анализ точности измерений;

11) статистический контроль процессов;

12) статистическое регулирование процессов;

13) анализ безотказности;

14) анализ причин несоответствий;

15) анализ возможностей процесса (гистограммы).

В таблице 1 приведены сферы использования статистических методов. Наименования граф соответствует номеру статистического метода из вышеперечисленных.

Таблица 1 Статистические методы, используемые при контроле качества

Буквенная индексация строк соответствует следующим элементам системы качества по стандарту ISO 9001- 94:

А - ответственность руководства;

Б - анализ контракта;

В - проектирование;

Г - закупки;

Д - идентификация продукции и прослеживаемость;

Е - управление процессами;

Ж - контроль и испытания;

З - контрольное, измерительное и испытательное оборудование;

И - действия с несоответствующей продукцией;

К - регистрация данных;

Л - внутренние проверки качества;

М - подготовка кадров.

научные методы описания и изучения массовых явлений, допускающих количественное (численное) выражение. Слово «статистика» (от итал. stato – государство) имеет общий корень со словом «государство». Первоначально оно относилось к науке управления и означало сбор данных о некоторых параметрах жизнедеятельности государства. Со временем статистика стала охватывать сбор, обработку и анализ данных о массовых явлениях вообще; ныне статистические методы охватывают собою практически все области знаний и жизнедеятельности общества.

Статистические методы включают в себя и экспериментальное, и теоретическое начала. Статистика исходит прежде всего из опыта; недаром ее зачастую определяют как науку об общих способах обработки результатов эксперимента. Обработка массовых опытных данных представляет самостоятельную задачу. Иногда простая регистрация некоторых рядов наблюдений приводит к тому или иному значимому выводу. Так, если в некоторой стране из года в год растет объем валового внутреннего продукта, то это говорит об ее устойчивом развитии. Однако в большинстве случаев для обработки опытного статистическою материала используются математические модели исследуемого явления, основу которых составляют идеи и методы теории вероятностей.

Теория вероятностей есть наука о массовых случайных явлениях. Массовость означает, что исследуются огромные количества однородных явлений (объектов, процессов). Случайность же означает, что значение рассматриваемого параметра отдельного явления (объекта) в своей основе не зависит и не определяется значениями этого параметра у других явлений, входящих в ту же совокупность. Основной характеристикой массового случайного явления является распределение вероятностей. Теорию вероятностей можно определить как науку о вероятностных распределениях – их свойствах, видах, законах взаимосвязей, распределении величин, характеризующих исследуемый объект, и законах изменения распределений во времени. Так, говорят о распределении молекул газа по скоростям, о распределениях доходов граждан в некотором обществе и т.д.

Эмпирически задаваемые распределения соотносятся с т.н. генеральной совокупностью, т.е. с наиболее полным теоретическим описанием распределений соответствующих массовых явлений. При этом во многих случаях бывает нецелесообразно «перебирать» все элементы рассматриваемых совокупностей либо в силу чрезвычайно большого их числа, либо в силу того, что при наличии некоторого числа «перебранных» элементов учет новых не внесет существенных изменений в общие результаты. Для этих случаев разработан специальный выборочный метод исследования общих свойств статистических систем на основе изучения лишь части соответствующих элементов, взятых на выборку. Так, при оценке политических симпатий граждан некоторого региона или страны перед предстоящими выборами невозможно проводить сплошной опрос граждан. В этих случаях и прибегают к выборочному методу. Чтобы выборочное распределение достаточно надежно характеризовало исследуемую систему, оно должно удовлетворять специальным условиям репрезентативности. Репрезентативность требует случайного выбора элементов и учета макроструктуры всего массового явления.

Распределения представляют наиболее общую характеристику массовых случайных явлений. Задание исходного распределения нередко предполагает построение математической модели соответствующих областей действительности. Построение и анализ таких моделей и составляет основную направленность статистических методов. Построенная математическая модель, в свою очередь, указывает, какие переменные следует измерять и какие из них имеют основное значение. Но главное в построении математической модели состоит в объяснении исследуемых явлений и процессов. Если модель достаточно полна, то она описывает зависимости между основными параметрами этих явлений.

Статистические методы в естествознании породили многие научные теории, привели к разработке важнейших фундаментальных направлений исследования – классической статистической физики, генетики, квантовой теории, теории цепных химических реакций и др. Следует, однако, отметить, что во многих случаях исходные вероятностные распределения задаются не путем непосредственной обработки массового материала. Вероятностная гипотеза чаще всего вводится гипотетически, косвенно, на основе теоретических предпосылок. Так, в учение о газах предположение о существовании вероятностных распределений было введено как гипотеза, на основе допущений о «молекулярном беспорядке». Возможность подобного задания вероятностных распределений и проверки их справедливости обусловлена характером и природой самих распределений, математическое выражение которых обладает самостоятельными характеристиками, достаточно независимыми от конкретных значений элементов.

Особые сложности возникают при применении статистических методов в изучении социальных явлений. Анализ общих направлений социальных процессов и внутренних механизмов, вызывающих конкретные статистические результаты, необычайно трудоемок. Так, благосостояние людей характеризуется весьма многими параметрами и соответствующими распределениями – уровнем доходов, участием в общественно-полезном труде, уровнем образования и здравоохранения и др. показателями жизнедеятельности человека. Выявление взаимосвязи этих распределений и тенденций их изменения требует решения многих сложных задач. Состояние общества можно определить через такие параметры, как внутренний валовый продукт, потребление энергии на душу населения, расслоение общества по доходам и т.п. Вместе с тем общество представляет собой необычайно сложную систему, а познание сложных систем основывается на разработке многих моделей, выражающих различные аспекты их структуры и функционирования. Соответственно, для более полной характеристики состояния общества требуется оперировать весьма многими параметрами и их распределениями. Так, говорят об экономической, производственной, сельскохозяйственной, социальной и многих других статистиках. Для объединения данных этих статистик в единую целостную картину необходимо выявление субординации, иерархии параметров, характеризующих состояние общества.