مقاله بررسی مقياس يا اندازه گيري

مقاله بررسي مقياس يا اندازه گيري در 26 صفحه ورد قابل ويرايش

مقياس يا اندازه گيري

تايچي اهنو با گفتن «جايي كه در آن استانداردي وجود ندارد هيچ بهبود نمي تواند وجود داشته باشد» وعده مي دهد. راه ديگر گفتن اين است «جايي كه هيچ چيزي اندازه‌گيري نشود، چيزي توسعه پيدا نخواهد كرد».

اين فصل اندازه گيري‌هاي ابزارها را بررسي مي كند و مي فهميم كه اندازه گيري به تنهايي هيچ چيزي را توسعه نمي دهد. علم آمار يك وسيله قدرتمندي است كه ابعاد نامرئي را به چيزهاي مرئي و قابل فهم تبديل مي كند. هيچ راهي وجود ندارد تا در اين متون صدها ابزار موجود را كاملاً تعريف كنيم. منابع اضافي در كتاب شناسي مي تواند يافت شوند. به وسيله نگاشت جريان ارزش، نمودارهاي اسپاگتي و داشبوردهاي سمبوليك، تعداد زيادي از تكنيكها و روشهاي اندازه گيري بيشتر بحث خواهد شد.
يك مسير كوتاه در آمار

كلمه آمار مي تواند باعث افسردگي يك اپراتور ماشين شود. هنوز علم آمار هر روز مورد استفاده قرار مي گيرد ميانگين ليگ پسر كوچك شما، ميزان سوخت گاز وسيله شما، ميانگين زماني آموزش براي يك اپراتور يا ميانگين اضافي كاري هفتگي. اينها نمونه‌هايي از علم آمار هستند كه هيچ كس بجز رياضي دانان نمي توانند آنها را بفهمند. و به طور معمول مي بينيم كه مردم از استفاده از علم آمار در بخش هايي كه پيچيدگي آن نسبت به اين مثالهاي ساده زياد نيست جلوگيري مي كنند اما هنوز نياز به آنها خيلي مهم و با ارزش مي باشد. هيچ كتابي درباره Sixsigma نبايد زمان كمي را براي بحث كردن درباره اصول و استفاده از آمار در يك برنامه بهبود مستمر صرف كند. علم آمار توصيفات عدد ساده مي باشد. اندازه گيري به ما كمك مي كنند تا چيزهاي نامرئي را مجسم كنيم.

علم آمار راهي است كه اعتمادمان را نسبت به يك مشاهده كه از جهت ديگر فقط يك ايده است افزايش مي دهد. آنها به ما كمك مي كنند تا عملكرد يك تيم ورزشي را در مقابل تيم ديگر بسنجيم يا درباره خريدن يك ماشين يا انتخاب جايي براي زندگي، تصميم بگيريم. دو نوع آمار اصلي وجود دارد: توصيفي و استنباطي.
آمار توصيفي

آمار توصيفي مقادير زياد اطلاعات را خلاصه مي كند. براي مثال: در يك گروه از 42341 نفر افراد تماشا كننده به مسابقه فوتبال، 31656 نفر مجوز معتبر دارند.

بنابراين 75 درصد از كل افراد در يك مسابقه راننده هاي با مجوزي بودند. براي رسيدن به اين درجه از دقت و لياقت بايد اطلاعات مورد نياز براي هر شخص جمع‌آوري شود.


آمار استنباطي

آمار استنباطي از يك سري اطلاعات براي بدست آوردن نظر و ايده استفاده مي كند براي مثال: اگر از 250 نفر افرادي كه در يك مسابقه مصاحبه شدند و 180 نفر راننده‌هاي با مجوزي بودند ما مي توانيم تشخيص دهيم يا استنباط كنيم كه 72% از كل شركت كنندگان راننده هاي با مجوزي بودند. اين آمار استنباطي است كه توجه كمتري نسبت به مصاحبه 100% از شركت كنندگان دارد اما آن مقدار زيادي زمان و كار را صرفه جويي مي كند. در اين مورد نتايج استنباطي با دقت 96% با نتايج توصيفي مقايسه‌ مي شوند. و 4% از راننده هاي داراي جواز توجيه ناپذير هستند. وقتي كه از روشهاي نمونه برداري براي قضاوت كردن استفاده مي كنيم يك مقياسي از دقت بدست مي آوريم.
داده ها

تعداد زيادي از انواع داده ها وجود دارد كه براي اثبات و آناليز كردن داده هاي آماري شامل داده هاي غير واقعي ترتيبي و اختلاف و نسبت استفاده مي شود. داده‌هاي غير واقعي (نامي) در گروههاي منطقي طبقه بندي مي شوند. براي مثال شما 100 تا از وسايل نقليه مسافري را كه از جلوي منزلتان عبور مي كنند را محاسبه كنيد ودرصد هر وسيله نقليه را مشخص كنيد (مانند 35 اتوبوس- 25 كاميون و 40 Suvs).

اطلاعات ترتيبي، ارزش اندازه گيري را براي يك نمونه معين مي كنند. براي مثال شما ارزش هر وسيله نقليه را كه عبور مي كنند ارزيابي كنيد (براي مثال كمتر يا بيشتر از 000/10 $ قيمت) اختلاف داده ها باعث مقايسه بين دو نمونه ها مي شود براي مثال شما زمان بين ماشينهايي كه از جلوي منزلتان عبور مي كنند را اندازه بگيريد: نسبت داده‌ها معين مي كند اين كه چطور زمان يك داده با داده ديگر متفاوت است. براي مثال شما تعداد افرادي كه در ماشين هستند و زماني كه بيش از يك نفر در ماشين وجود دارند را محاسبه كنيد.
اصطلاحات

همچنين بعضي اصطلاحات كليدي در آمار وجود دارد كه براي كمك به فهم ابزارها استفاده مي شوند مانند جمعيت- تغييرات- نمونه- كيفي- كمي- ميانگين- متوسط- حدود تغييرات (دامنه)- انحراف و تغييرات نمونه.

يك جمعيت مجموعه اي از اعداد مي باشد. براي مثال همه ماشينهاي قرمز يا همه ماشينهاي با شيشه پايين. يك متغير يك مشخصه فردي در جمعيت است كه صرف نظر از بقيه دسته بندي مي شود. براي مثال هر ماشين قرمزي كه اتومبيل كروكي نيز مي‌باشد.

يك نمونه كوچكترين جزء از يك جمعيت بزرگتر مي باشد. براي مثال ممكن است شما به جاي تماشاي 100 ماشين كه از جلوي منزلتان عبور مي كنند. يك نمونه 10‌تايي از آن را بگيريد. داده هاي كيفي داده هايي مي باشد كه اندازه گيري آنها مشكل مي‌باشد. براي مثال چه تعداد اتومبيلهايي هستند كه شما به تميزي آن توجه مي كنيد. داده كمي يك مشخصه قابل قبول است. براي مثال تمام ماشينهايي كه فرمان 15 in يا 38cm دارند.

ميانگين، ارزش متوسط يك جمعيت يا يك سري اطلاعات مي باشد. براي مثال ميانگين مقادير 5و4و5و4و6 عدد 8/4 مي باشد. مقادير فوق را با هم جمع كرده و بر تعدادشان تقسيم كنيد بنابراين 9=5÷24 مي شود. متوسط عدد مياني يك سري از مقادير مي باشد. براي مثال مقادير را در يك رديف از كوچكترين تا بزرگترين مرتب كنيد 6و5و5و4و4 و عدد مركزي را بيابيد كه 5 مي باشد.
SPC براي بخشهاي خيلي كوچك

توليد براي سفارش، مغازه ها و كارهاي مغازه داري را به ندرت براي داشتن بخشهاي كافي دنبال مي كند تا يك نمودار R و منصفانه اي داشته باشيم. بسياري از اين كارها زير 25 واحد (مقدار) مي باشند كه به عنوان يك دليل و اندازه نمونه آماري ديده مي شوند. براي مثال اجازه دهيد بگوئيم كه سه بخش مختلف امروزي روي ماشينهاي يكسان انجام مي شوند. بخش اول يك ابعاد كليدي از 4.125 دارد ما بايد در تلرانس نگهداشته شود. بخش دوم شامل يك ديمانسيون 9.375 كه بين همان تلرانس قرار مي گيرد بخش سوم يك ديمانسيون 0.667 كه همچنين در همان تلرانس نگهداشته مي شوند.

هر بخش مي تواند در حدود كنترل يكساني مسيريابي شود. بعد از تنظيم ماشين و اختلاف بخشهاي قابل قبول، اپراتور در ابتدا، پنج بخش را اندازه گيري مي كند. اگر همه پنج بخش قابل قبول باشند.

اپراتور فركانس بازرسي نرمال را به وسيله نمونه برداري پيش مي گيرد كه نقشه آن به وسيله مشتري يا بخشهاي تضمين كيفيت شرح داده مي شود. اپراتور ابعاد كليدي را در يك نمودار معمولي ثبت مي كند. يك وسيله نمونه برداري استاندارد شده ممكن است نيازمند اپراتور براي اندازه گيري و ثبت ابتدا پنج بخش و سپس هر يك پنج بخشها تا زماني كه 25 بخش وجود دارند باشند. (اگر بسياري از بخشها توليد شود.) وقتي كه اپراتور از تنظيم بخش (1) به تنظيم بخش جديد (2) حركت مي كند. فرايندها شروع به استفاده مجدد از همان حدود كنترل مي كنند.

اهداف براي بخش 1 نسبت به بخش 2 مختلف است. اما اپراتور به سادگي تغييرات را از ابعاد هدف ثبت مي كند. به عنوان مثال نشان داده شده در جدول 7-5 حدود ص 116. كنترل بخشهاي خيلي كوچك مي تواند به وسيله تقسيم مشخصات مشتري به يك چهارم محاسبه شود و آن مقادير در جدول نشان داده شده (جدول 8-5) قرار مي‌گيرند. از زماني كه همه بخش ما در اين مثال يك تلرانس دارند تلرانس نصف مي شود و هر طرف از هدف را در بر مي گيرد. اين يك منطقه سبز (جايي كه هر چيزي ok است) و يك منطقه زرد (جايي كه بعضي اوقات اشتباه نيز وجود دارد) را مشخص مي كند. استفاده از اين نوع ابزار احتمالاً آسانترين و سريعترين روش براي آموزش دستگاههاي عمومي مي باشد. اگر دو بخش متوالي در منطقه زرد (همان طرف) اندازه گيري شود سپس يك تعديل بايد صورت گيرد. اگر هر بخش خارج از منطقه زرد بيفتد (در منطقه قرمز) يك تعديل بايد صورت گيرد بدون آنكه آن بتواند بعنوان يك علت خاص تشخيص داده شود. اگر هر دو تكه متوالي در منطقه زرد بيفتد اما در طرف مخالف، وجود دارد تا يك محصول معيوب توليد شود. بايد توجه خاصي بخشهاي بعدي شود تا هيچ بخشي در منطقه قرمز نيفتد. ( جدول 8-5 ص 117 مراجعه شود)
خلاصه

بسياري از تكنيكهاي Sixsigma روي ابزارهاي شبيه به توضيحات فوق پايه گذاري مي شوند اگر شما بتوانيد اضافه كنيد، كاهش دهيد، ضرب كنيد و تقسيم كنيد و يك ميانگين را محاسبه كنيد شما مي توانيد از اكثريت ابزار ما در جعبه ابزار SPC استفاده كنيد. جدول (9-5) تاثير SPC روي Sixsigma را تشريح مي كند. ابزارهاي ديگر SPC نيز وجود دارند اما در آنها فقط، اساس و استفاده كلي بوسيله اپراتورهاي ماشين بحث مي شود.