באמצעות בדיקת Hypothesis כדי לאמת את שיפור תהליכים בשישה Sigma

בדיקת Hypothesis היא שיטה סטטיסטית בסיסית המאפשרת ל- 6 Sigma מתרגלים לקבל החלטות מונעות נתונים על שיפור תהליכים.זה מספק גישה שיטתית ומבוססת על נתונים כדי לאמת או לדחות הנחות על תהליך, להבטיח כי שינויים מבוססים על ראיות מוצקות ולא אינטואיציה או ניחושים.זה מאפשר לצוותים לקבל החלטות המונעות על ידי קביעת האם שינויים בתהליכים שנצפו הם משמעותיים או בגלל סיכוי פשוט.

בנוף התחרותי של עסקים מודרניים, ארגונים לא יכולים להרשות לעצמם ליישם שינויים המבוססים על הנחות בלבד.בדיקות היפוזה חיוניות ב-Sigma כפי שהוא מספק מסגרת סטטיסטית לנתח שיפורים בתהליך, למדוד התקדמות בפרויקט ולקבל החלטות מונעות נתונים. גישה קפדנית זו מסייעת לחברות להפחית פגמים, אופטימיזציה פעולות, להשיג תוצאות מדידה המשפיעות ישירות על השורה התחתונה.

מה זה Hypothesis Testing?

בדיקת Hypothesis היא טכניקה סטטיסטית המשמשת לאמת או לאלתר השערה על פרמטר אוכלוסייה המבוסס על מדגם של נתונים. במקום לבחון אוכלוסייה שלמה, שהיא לעתים קרובות לא מעשית או בלתי אפשרית, בדיקות השערה מאפשרות למתרגלים להסיק מסקנות משמעותיות מדגימות ייצוגיות.

בדיקת השערה מחשבת את ההסתברות, p, כי הבדל בין שתי דגימות נתונים או יותר ניתן להסביר על ידי הזדמנות אקראית לבד, בניגוד לכל הבדל יסודי בין אוכלוסיות הבסיס כי הדגימות הגיעו.הסתברות זו, המכונה ערך p, משמש כבסיס לקבלת החלטות מושכלות על אם שינויים נצפו הם אמיתיים או רק מקריים.

בבדיקת השערות, דגימות נלקחות לעתים קרובות לייצג תת-קבוצה של האוכלוסייה מאז כל האוכלוסייה ניתן ללמוד לעתים נדירות.מדגימות אלה, בדיקות השערה המשמשות כדי להסיק מסקנות על האוכלוסייה. גישה זו הופכת את השערה לבדיקת מעשי ורב עוצמה עבור יישומים בעולם האמיתי.

תפקידה של Hypothesis Testing in Six Sigma

בדיקת Hypothesis היא שיטה אנליטית הליבה המשמשת Six Sigma כדי לאמת הנחות, להשוות ביצועים, ולתמוך בקבלת החלטות המונעת על ידי נתונים. בתוך DMAIC המובנה (Define, Measure, Analyze, שיפור, שליטה) מסגרת המדריכי שישה פרויקטים של Sigma, בדיקות השערה ממלא תפקיד קריטי בשלבים מרובים.

בדיקות Hypothesis הוא כלי חיוני במתודולוגיה Six Sigma, במיוחד בשלב האנליז של מחזור DMAIC. עם זאת, היישומים שלה להרחיב מעבר רק שלב אחד. Hypothesis בדיקות ממלא תפקיד מפתח באנליז ושיפור שלבים, עוזר צוותים לאשר סיבות שורש ואמת יעילות של פתרונות מיושמים.

בתוך תרגול מקצועי Six Sigma, בדיקות השערה מוחלות באופן שיטתי כדי לאשר שורש גורמים, להעריך שיפורים, להעריך שינויים בתהליך באמצעות ראיות סטטיסטיות ולא דעה. גישה מבוססת ראיות זו מבטיחה כי משאבים מושקעים בפתרונות המספקים תוצאות מוכחות ולא אלה שנראים רק מבטיחים.

בדיקות היפוכוס לאורך מסגרת DMAIC

המתודולוגיה DMAIC מספקת גישה מובנית לשיפור תהליכים, ובדיקת השערה תומכת בקבלת החלטות בשלבים מרובים:

שלב ה-FLT:0 (Define Phaserough:) בשלב זה ניתן להשתמש בבדיקת השערה כדי להגדיר את הבעיה ולזהות את הנושאים המרכזיים שיש לטפל בהם.השערות מוקדמות עוזרות להתמקד בהיקפו של הפרויקט ולדריך את מאמצי איסוף הנתונים הראשוניים.

(FLT:0) שלב חישוב: 1.10 מעלות בשלב זה, בדיקות השערה ניתן להשתמש כדי לאמת את מערכת המדידה ולהבטיח כי זה מדויק ואמינה לפני ניתוח נתונים של תהליך, הצוותים חייבים לאשר כי כלי המדידה שלהם מספקים תוצאות עקביות ואמינה.

(FLT:0) שלב אננסיזה:FLT:1eur בשלב זה, בדיקות השערה ניתן להשתמש כדי לזהות את הסיבות השורש לבעיות ולנתח את היחסים בין משתנים. במהלך שלב האנליז, בדיקות השערה הופכות לפני ומרכז.צוותים משתמשים במבחנים סטטיסטיים כדי לקבוע אם הבדלים נצפו בנתונים הם אמיתיים או פשוט בשל וריאציות אקראיות.

(FLT:0) שיפור שלב: 1FLT בשלב זה, בדיקות השערה ניתן להשתמש כדי להעריך את יעילות הפתרונות ולזהות את הפתרון האופטימלי.צוותים לאמת אם שינויים מיושמים מייצרים את השיפורים הרצויים לפני פריסה בקנה מידה מלא.

שלב ה-FLT:0 (Control Phaseeur: 1) בשלב זה, ניתן להשתמש בבדיקת השערות כדי לפקח ולבקר בתהליך כדי להבטיח כי השיפורים נמשכים.

הבנת ה- Null and Alternative Hyposes

בלב בדיקות השערה הוא ההשוואה בין שתי הצהרות מתחרות: השערת אפס והשערה חלופית.שערות אלה מכילות נקודות מבט מנוגדות המפרידות את הניתוח הסטטיסטי.

The Null Hypothesis (H0)

השערת האפס קובעת כי פרמטר אוכלוסייה (כגון המשמעות, הסטייה הסטנדרטית, וכן הלאה) שווה ערך גדול.זהו הצהרה על האוכלוסייה אשר מאמינים שהיא אמיתית או משמשת לנסח טיעון אלא אם כן ניתן להוכיח שהיא אינה נכונה מעבר לספק סביר.

ביישומים של שישה Sigma, השערת אפס מייצגת בדרך כלל את הסטטוס קוו - ההנחה כי לא חל שינוי או שיפור. לדוגמה, אם בדיקת האם תהליך ייצור חדש מקטין את שיעורי הפגם, השערת האפס תקבע כי שיעור הפגם נשאר ללא שינוי.

השערת האפס תקפה עד שהיא מוכחת לא נכון.הנטל של האמת נח עם השערה חלופית.זה נעשה על ידי איסוף נתונים ושימוש בסטטיסטיקות עם כמות מסוימת של ודאות.גישה זו משקפת את העיקרון המשפטי של "לא ריכוז עד שהוא מוכח אשם".

השערת האפס לעולם לא תתקבל, היא יכולה להיות "להסתלק מדחייה" בשל חוסר ראיות, בדיוק כפי שהנאשם אינו מוכח אשם בשל חוסר ראיות.שפה זו זה משקף את הטבע הפרוביציוניסטי של אי-השוויון הסטטיסטי – לעולם לא נוכל להוכיח את השערה האפסית האמיתית עם ודאות מוחלטת.

היפוזה אלטרנטיבית (H1 או Ha)

השערה חלופית קובעת כי פרמטר אוכלוסייה קטן יותר, גדול יותר או שונה מהערך הגדל בהשערת אפס.השערה החלופית היא תביעה על האוכלוסייה המנוגדת ל-H0 ומה אנחנו מסיקים כאשר אנו דוחים את ה- H0.

השערה זו מרמזת כי קיים הבדל משמעותי או תוצאה הנובעת משינויים או שיפורים בתהליך.בפרויקטים של שישה Sigma, השערה חלופית מייצגת את השיפור או השינוי שהמתרגלים מקווים להפגין באמצעות ניתוח נתונים.

השערה חלופית היא מה שאתה יכול להאמין להיות אמיתי או מקווה להוכיח את האמת.לדוגמה, אם ליישם תוכנית הכשרה חדשה עבור נציגי שירות לקוחות, השערה חלופית עלולה לקבוע כי עובדים מאומנים להשיג ציונים גבוהים יותר של שביעות רצון לקוחות מאשר עובדים לא מאומנים.

אחד מהם היה נגד שתי בדיקות

השערות חלופיות ניתנות לנסח בדרכים שונות בהתאם לשאלה המחקרית:

השתמש בהשערה חלופית חד-צדדית (הידועה גם כשערה כיווןית) כדי לקבוע אם פרמטר האוכלוסייה שונה מהערך הגדל בכיוון מסוים.ניתן לציין את הכיוון להיות גדול או פחות מהערך ההפוך.

השתמש בהשערה חלופית דו-צדדית (הידועה גם כשערה לא-שונית) כדי לקבוע אם פרמטר האוכלוסייה גדול יותר או פחות מהערך המוקצב. 2 בדיקות זנב משמשים כאשר אתה רוצה לזהות כל הבדל, ללא קשר לכיוון.

מבחן חד-צדדי יש כוח גדול יותר מאשר מבחן דו-צדדי, אבל לא ניתן לזהות אם פרמטר האוכלוסייה שונה בכיוון ההפוך.הבחירה בין בדיקות חד-פעמיות ופרטים צריכים להיעשות בהתבסס על המטרות הספציפיות של פרויקט 6 Sigma ואת אופי השיפור שנבדק.

תהליך בדיקות ההיפנוזה בשישה Sigma

תהליך בדיקת השערה של שש Sigma עוקב אחר גישה מובנית כדי לקבוע אם שינוי או שיפור המוצעים בתהליך יש השפעה משמעותית סטטיסטית.לאחר מתודולוגיה שיטתית מבטיחה עקביות ואמינות בקבלת החלטות.

שלב 1: § § § שאלה בנושא וחקר

הצעד הראשון במחזור DMAIC של Lean Six Sigma הוא להגדיר בבירור את הבעיה.זה כרוך הבנה התהליך, זיהוי היקף הבעיה, ולהגדיר מטרות למדידה לשיפור. הצהרה מוגדרת היטב מספקת בהירות וכיוון לכל תהליך הבדיקה השערה.

צוותים צריכים לזהות את פרמטר התהליכים הספציפי שהם רוצים לשפר ולבסס את מדדי הביצועים הבסיסיים. בסיס זה מבטיח כי ניתוח לאחר מכן מטפל בשאלות הנכונות ומתמקד בתוצאות משמעותיות.

שלב 2: פורמולה היפוזה

ברגע שההבעיה מוגדרת, הצעד הבא הוא לגבש את השערות האפס והאלטרנטיבה.צעד זה חיוני כאשר הוא מגדיר את הבסיס לתהליך בדיקות השערה.היפות צריך להיות ברור ומדויק, עם התייחסות ספציפית לפרמטרים של האוכלוסייה נבחנת.

כתיבת השערה חלופית ב- Six Sigma דורש שיקול זהיר של מטרות תהליכים ושיפור.התחל על ידי זיהוי פרמטר תהליך ספציפי שאתה רוצה לשפר. Next, להגדיר את רמת הביצועים הנוכחית ואת השינוי הצפוי.סוף סוף, לבטא את השינוי הזה במונחים סטטיסטיים באמצעות הנוסחה האלטרנטיבית.

שלב 3: בחר את רמת המשמעות (α)

רמת החשיבות, בדרך כלל לא מזוקקת כ-Apha (α), מייצגת את סף קביעת משמעות סטטיסטית.אם ההסתברות הזו, המכונה הערך p, היא קטנה (בדרך כלל מתחת ל-00.005), אנו מסיקים כי שתי הדוגמיות כנראה הגיעו מאוכלוסיות שונות.

רוב פרויקטי Six Sigma משתמשים ברמת משמעות של 0.05, כלומר יש סיכון של 5% של דחיית השערת אפס כאשר זה באמת נכון.ביישומים קריטיים שבהם העלות של שגיאות היא גבוהה, מתרגלים יכולים לבחור רמה משמעותית יותר מחמירה כגון 0.01.

שלב 4: איסוף נתונים

איסוף נתונים הוא קריטי לבדיקת השערות.לאן 6 Sigma מתרגלים לאסוף נתונים רלוונטיים באמצעות שיטות שונות, להבטיח שהמידע מדויק, נציג, מספיק לניתוח.איכות וכמות הנתונים משפיעים ישירות על האמינות של תוצאות הבדיקה השערה.

דגימות הנתונים יותר משווים בדרך כלל יותר ראיות ומפחיתות את הסיכון של החלטה לא נכונה.

שלב 5: בחר את מבחן סטטיסטית Appropriate

המבחן המתאים תלוי בבעיה שמתבטאת, את אופי הנתונים, ואת המטרה האנליטית של שלב הפרויקט.בחירת הניסוי הלא נכון יכולה להוביל למסקנות לא יסולא בפז, כך שהבנת המאפיינים של הנתונים שלך חיונית.

גורמים לשקול בעת בחירת מבחן כוללים:

• סוג הנתונים (continent vs. Categorical)
• מספר הקבוצות מתאחד
• אם הנתונים הבאים להתפלגות רגילה
• בין אם דגימות עצמאיות או ממוזגות
• גודל הדגימה זמין

שלב 6: חישוב מבחן סטטיסטי ו- P-Value

לאחר בחירת המבחן המתאים, לחשב את סטטיסטיקת המבחן בהתבסס על נתוני הדגימה שלך.הסטטיסטיקות של הבדיקה משמשות כדי לקבוע את ערך ה-p, אשר מצביע על ההסתברות של התבוננות בתוצאות שלך (או תוצאות קיצוניות יותר) אם השערת ה-Ap הייתה נכונה.

לדוגמה, ערך p של 0.02 מציין כי יש רק 2% סיכוי כי דגימות הנתונים הגיעו מאותה אוכלוסייה הבסיסית. p-value נמוך לספק ראיות חזקות יותר נגד השערת אפס.

שלב 7: קבלת החלטה

בהתבסס על סטטיסטיקת המבחן ורמת החשיבות, החלטה התקבלה או לדחות את השערת האפס בעד השערה חלופית או שלא לדחות את השערת האפס.אם הערך p הוא פחות או שווה לרמה התכליתית, לדחות את השערת האפס ולסיים כי השערת החלופה נתמכת על ידי הנתונים.

אם הדגימה מספקת מספיק ראיות נגד הטענה שאין השפעה באוכלוסייה (p ⁇ α), אז אנחנו יכולים לדחות את השערת האפס אחרת, אנחנו לא יכולים לדחות את השערת האפס.

שלב 8: ציירו את ההכללות ועשו פעולה

הצעד האחרון כולל מסקנות של רישום בהתבסס על ההחלטה שהתקבלה בשלב 7.המסקנות הללו מודיעות על השלבים הבאים במחזור Lean Six Sigma DMAIC, בין אם מדובר בשיפור תהליכים, אופטימיזציה או שליטה.

הצעד הבא הוא לקחת את התוצאות הסטטיסטיות ולתרגם אותו לפתרון מעשי.יש להעריך את המשמעות הסטטיסטית בהקשר של משמעות מעשית – האם החומר לשיפור במונחים של עולם אמת?

בדיקות סטטיסטיות נפוצות בשימוש ב- 6 Sigma

למתרגלים של שישה Sigma יש גישה למגוון של בדיקות סטטיסטיות, כל אחד מהם מיועד לסוגים ספציפיים של נתונים ושאלות מחקר. ההבנה מתי להשתמש בכל מבחן היא חיונית לבדיקת השערה בתוקף.

T-Tests

בדיקות T הן בין הבדיקות הנפוצות ביותר ב- 6 Sigma. הם משווים בין קבוצות כדי לקבוע אם הבדלים נצפו הם משמעותיים סטטיסטית. T-tests מתאימים לנתונים מתמשכים הבאים להתפלגות נורמלית.

(FLT:0) One-Sample T-Test:cioFLT:1) בהשוואה לדגם יחיד לערך או למטרה ידועה.

(FLT:0 Two-Sample T-Test:cioFLT:1) השווה את האמצעים של שתי קבוצות עצמאיות.מבחן זה שימושי להשוואה בין ביצועי תהליך לפני ואחרי שיפור, או להשוואה בין שתי שיטות או ספקים שונים.

(FLT:0)Paired T-Test:FreaLT:1 השוואות בין אותה קבוצה בשתי פעמים שונות או תחת שני תנאים שונים.מבחן זה מתאים כאשר המדידות הן מזווגות באופן טבעי, כגון בדיקות אותן יחידות לפני ואחרי טיפול.

ניתוח של Variance (ANOVA)

ANOVA מרחיבה את ההיגיון של בדיקות במצבים מעורבים שלוש קבוצות או יותר. במקום לבצע מספר רב של בדיקות t-wise (אשר מגביר את הסיכון של שגיאות מסוג I), OVA בוחן בו-זמנית אם כל קבוצה היא שונה באופן משמעותי משאר הקבוצות.

(FLT:0) One-Way ANOVA:FLT:1 השוואות בין קבוצות מרובות המבוססות על גורם יחיד.

(FLT:0 Two-Way ANOVA:FLT:1) בוחן את ההשפעות של שני גורמים בו-זמנית ויכול לזהות אינטראקציות בין גורמים.

ANOVA הוא שימושי במיוחד ב- Six Sigma כאשר בוחנים מספר מצבים של תהליכים או השוואת מספר פתרונות חלופיים כדי לזהות את הגישה האופטימלית.

בדיקות Chi-Square

בדיקות Chi-square משמשות לנתונים קטגוריים כדי להעריך מערכות יחסים בין משתנים או לבדוק אם תדרים צפו תואמים תדרים צפויים.

(FLT:0) מבחן צ'י-סקוויר של עצמאות: ראט'ר 1 (Determines) אם שני משתנים קטגוריים קשורים.

(FLT:0) צ'י-סקוויר גודנס-of-Fit Test:FLT:1 בהשוואה לתדרים צפופים על בסיס הפצה תיאורטית.מבחן זה יכול לבדוק אם הנתונים הם דפוס או הפצה מסוימת.

בדיקות צ'י-סquare חיוניות ב- 6 Sigma כאשר עובדים עם נתונים איכויות כגון תוצאות מעבר / פבלי, קטגוריות פגומות או דירוגי שביעות רצון לקוחות.

בדיקות חשובות אחרות

(FLT:0) Z-Tests:FLT:1 דומה ל- t-tests אבל בשימוש כאשר גדלים מדגם הם גדולים (בדרך כלל n > 30) או כאשר סטיות האוכלוסייה סטנדרטית ידועה.

(ב) [15] ,0) ,FLT:1, לעומת שרידים בין שתי קבוצות.המבחנים האלה שימושיים להעריך האם תהליך פנויות השתנה לאחר שיפור.

(FLT:0) בדיקות לא-פרמטריות: כאשר הנתונים אינם עומדים במסקנות הנדרשות לבדיקות פרמטריות (כגון נורמליות), חלופות לא-פרמטריות כמו מבחן Mann-Whitney U, מבחן קרוסקאל-וולליס, או מבחן ווילקוקסון חתום-בשורה ניתן להשתמש.

הבנה של P-Values וסימן סטטיסטי

הערך p הוא מושג קריטי בבדיקת השערות שלעתים קרובות גורמת לבלבול.הבנת מה ערכי p וכיצד לפרש אותם נכון הוא חיוני לקבלת החלטות קוליות בפרויקטים של Six Sigma.

בדיקת Hypothesis עונה לשאלה, מה ההסתברות שדגימות הנתונים הללו הגיעו מאותה אוכלוסייה בסיסית?ערך ה-p מגדיר את ההסתברות הזו, ומספק מדד של חוזק הראיות נגד השערת האפס.

תפיסה שגויה נפוצה היא שהערך p מייצג את ההסתברות שהשערת אפס נכונה במציאות, ערכי ה-p מעידים על ההסתברות של התבוננות בנתונים כקיצוניים (או יותר קיצוניים) מה שנצפה בפועל, בהנחה שהשערת האפס נכונה.

זה לא מראה את גודל ההשפעה - רק את עוצמת הראיות.ערך קטן מאוד מעיד על ראיות חזקות נגד השערת אפס, אבל זה לא בהכרח אומר שהאפקט גדול או כמעט חשוב.

חשיבות סטטיסטית לעומת חשיבות מעשית

תוצאה משמעותית סטטיסטית לא יכולה להיות משמעותית בעולם האמיתי.הבחנה בין חשיבות סטטיסטית ומעשית חיונית ביישומים של 6 Sigma.

לדוגמה, אדם שעובד כדי לשפר את כלכלת הדלק של הרכב שלו עשוי להפעיל בדיקת השערה המשווה את כלכלת הדלק במהירויות נהיגה של 60 קמ"ש ו 70 קמ"ש על הכביש המהיר.התוצאה עשויה להראות כי נהיגה במהירות התחתונה יש השפעה משמעותית סטטיסטית על CTQ, אשר במקרה זה הוא מ"מ-per-gallon כלכלת דלק יכול להיות רק 0.5 ק"מ לכל היותר, אשר עשוי להיות שווה לקחת את הזמן כדי לא לעבוד יותר מדי יום.

תמיד לשלב בדיקות השערה עם ידע תהליכים ומטרות עסקיות.יש להעריך תוצאות סטטיסטיות בהקשר של יכולת מבצעית, ניתוח עלות-תועלת, ומטרות אסטרטגיות.

סוג I ו- Type II שגיאות

כל מבחן השערה נושא סיכון לשגיאה.זאת הסיבה לכך שהבנת שגיאות מסוג I וסוג II היא קריטית בפרויקטים של Six Sigma.טעויות אלה מייצגות את שתי הדרכים שבדיקת השערה יכולה להוביל למסקנות לא נכונות.

טעות מסוג I (False Positive)

טעות מסוג I מתרחשת כאשר השערת אפס נדחתה כאשר היא למעשה נכונה. במילים אחרות, אתה מסיקים כי שיפור תהליכים התרחש כאשר במציאות, אין שיפור.ההסתברות של ביצוע טעות מסוג I שווה לרמה החשיבות (α).

ביישומים של שישה Sigma, טעות מסוג I עלולה להוביל ליישום שינוי תהליך יקר שאינו מספק תועלת אמיתית.לדוגמה, השקעה בציוד חדש המבוסס על תוצאות בדיקה אשר הציעו שיפור ביצועים באופן שגוי.

רמת החשיבות שולטת ישירות בסיכון של שגיאות מסוג I.קביעת α=0.005 פירושו לקבל סיכון של 5% של חיובי כוזב. רמות משמעות מחמירות יותר (כגון 0.01) להפחית את הסיכון הזה, אך דורשות ראיות חזקות יותר לדחות את השערת האפס.

טעות מסוג II (False Negative)

טעות מסוג II מתרחשת כאשר השערת אפס אינה נדחית כאשר היא למעשה שקרית.זה אומר שלא לזהות שיפור תהליכים אמיתי או הבדל.ההסתברות לעשות טעות מסוג II אינה ניתנת על ידי בטא (β).

בהקשרים של שש Sigma, טעות מסוג II עלולה לגרום לנטישת שינוי תהליך מועיל, כי הבדיקה לא הצליחה לזהות את ההשפעות החיוביות שלה.זה יכול להוביל לפספס הזדמנויות לשיפור ולהמשך חוסר יעילות.

אתה מיישם צעד חדש כדי להפחית פגמים.אבל גודל הדגימה קטן מדי, וכוח המבחן שלך הוא רק 60%.אתה לא מצליח לזהות את השיפור. כתוצאה מכך, הצוות מחליט לנטוש את השינוי - למרות שהוא למעשה סייע.

מחיקת סיכונים

קיים פער מסחרי בין שגיאות מסוג I וסוג II.הפחתה בסיכון של סוג אחד של טעות בדרך כלל מגביר את הסיכון של האחר, אלא אם כן גודל הדגימה גדל. 6 מתרגלי Sigma חייבים לשקול את העלויות היחסיות ואת ההשלכות של כל סוג שגיאה בעת תכנון בדיקות השערה.

במצבים בהם יישום שינוי לא יעיל הוא יקר מאוד (תוצאה של טעות מסוג I גבוהה), רמת משמעות מחמירה יותר עשוי להיות מתאים.

כוח סטטיסטי וגודל הדגימה

הכוח של מבחן מודד את יכולתו לזהות אפקט אמיתי.ב- Six Sigma, זה עוזר לצוותים לאשר אם שיפורים הם רעש אמיתי או רק אקראי. כוח סטטיסטי מוגדר כ 1 - β, שבו β מייצג את ההסתברות של טעות מסוג II.

רוב הפרויקטים של 6 Sigma שואפים לבחינת כוח של 80% או גבוה יותר, כלומר יש סיכוי של 80% שהמבחן יזהו הבדל אמיתי אם הוא קיים.כוח של Adequate מבטיח כי בדיקות השערה הן מספיק רגישות כדי לזהות שיפורים משמעותיים בתהליך.

גורמים המשפיעים על כוח סטטיסטי

גורמים מסוימים משפיעים על הכוח הסטטיסטי של מבחן השערה:

(FLT:0) Sample Size:FLT:1 דגימות גדולות יותר לספק מידע נוסף ולהגדיל את הכוח הסטטיסטי יותר מדי נתונים מוביל למסקנות חלשות.ניהול ניתוח כוח לפני איסוף נתונים מסייע לקבוע את גודל הדגימה המינימלי הדרוש כדי להשיג רמות חשמל הרצויות.

(ב) ⁇ :0 (הגדלה:0) ,(FLT:1) הבדלים גדולים יותר בין קבוצות קל יותר לזהות ולתוצאה בעוצמה גבוהה יותר. כאשר האפקט האמיתי הוא קטן, יש צורך בדגימות גדולות יותר כדי להשיג כוח הולם.

(FLT:0)Variability: 1.10Variability: 1:1 וכדאיות נמוכה בנתונים מגבירה את כוחם.הפחתת שגיאות מדידה ושליטה במקורות נוספים של וריאציות לשפר את היכולת לזהות אפקטים אמיתיים.

רמת השוויון:0 (FLT:1, יותר רמות משמעות lenient (Higher α) להגדיל את הכוח, אך גם להגדיל את הסיכון של שגיאות סוג I.בחירה של רמה חשובה צריכה לאזן את השיקולים המתחרים הללו.

ניהול Power Analysis

ניתוח כוח צריך להתבצע במהלך שלב התכנון של פרויקט Six Sigma כדי להבטיח גודל מדגם נאות.חבילות תוכנה סטטיסטית בדרך כלל כוללים כלי ניתוח כוח המסייעים לקבוע גודלי מדגם הדרושים בהתבסס על גודלי אפקט צפויים, רמות כוח הרצויות, רמות משמעות נבחרות.

ביצוע ניתוח כוח באופן פוטנציאלי מונע את הבעיה המשותפת של מחקרים מונעים שלא לזהות שיפורים אמיתיים, מה שמוביל משאבים מבוזבזים והזדמנויות מפספסות.

יישומים מעשיים של בדיקות Hypothesis בשישה Sigma

בדיקות Hypothesis מוצא יישום על פני פרויקטים שונים של 6 Sigma ותעשיות.הבנת יישומים בעולם האמיתי עוזר למתרגלים לזהות הזדמנויות ליישם את הטכניקות האלה ביעילות.

שיפור תהליכים

בדיקות Hypothesis משמש לעתים קרובות כדי להעריך האם שיפורים תהליכים, כגון שינויים במכונות, חומרים או הליכים, להוביל לשיפורים משמעותיים בביצועי תהליך.לפני ואחרי ההשוואה באמצעות בדיקות סטטיסטיות מתאימות לספק ראיות אובייקטיביות לשיפור יעילות.

לדוגמה, צוות ייצור עשוי לבדוק אם יישום של הליך בקרת איכות חדש מפחית את שיעורי הפגם. על ידי איסוף נתונים פגומים לפני ואחרי השינוי ועריכת מבחן דו-פעמי, הצוות יכול לקבוע אם ההפחתה הנצפית משמעותית סטטיסטית או רק בשל וריאציות אקראיות.

סיבה לניתוח

לאן שישה מתרגלי Sigma מעסיקים בדיקות השערה כדי לזהות את הסיבות השורש של פגמים תהליכים או וריאציות, עוזר לארגונים להתמודד עם בעיות בסיסיות ביעילות. כאשר מספר גורמים פוטנציאליים זוהה, בדיקות השערה מסייע לקבוע אילו גורמים באמת משפיעים על התוצאה.

כאשר ניתוח נתונים, מתרגלים חייבים להבחין בין שינויים אקראיים לבין שינויים משמעותיים בתהליך.היפותזה מספקת את הקפדה הסטטיסטית הנדרשת כדי לבצע הבחנה זו באופן אובייקטיבי.

השוואת תנאי תהליכים מרובים

ANOVA ובדיקות השוואות מרובות-קבוצות אחרות מאפשרות לצוותי Six Sigma להעריך מספר תנאים בו-זמנית.לדוגמה, השוואת איכות המוצר על פני ספקים מרובים, קווי ייצור, או תקופות זמן מסייעות לזהות תנאים אופטימליים ותחומים בעייתיים הדורשים תשומת לב.

חברת לוגיסטיקה עשויה להשתמש ב- ANOVA כדי להשוות את זמני המשלוח בין מסלולים שונים או נהגים, לזהות אילו גורמים משפיעים באופן משמעותי על הביצועים והיכן יש להתמקד בשיפורים.

ניתוח מערכת

בדיקות Hypothesis ממלא תפקיד במערכות מדידה אימות לפני השימוש בהם כדי להעריך את ביצועי התהליך.מבחנים יכולים לקבוע אם מפעילים שונים מייצרים מדידות עקביות, אם מכשירי מדידה הם calibrated כראוי, ואם מדידה היא קטנה באופן סביר.

הבטחת אמינות מערכת מדידה היא חיונית, כי החלטות המבוססות על מדידות שגויות יכולות להוביל למסקנות שגויות ושיפורים לא יעילים.

תכנון ניסויים (DOE)

בניסויים מעוצבים, בדיקות השערה להעריך אילו גורמים ואינטראקציות משפיעים באופן משמעותי על תוצאות תהליכים.DoE בשילוב עם בדיקות השערה מאפשר מחקר יעיל של משתנים מרובים בו זמנית, זיהוי הגדרות אופטימליות עם פחות ריצות ניסיוניות מאשר גישות מסורתיות חד פעמיות.

דוגמאות אמיתיות בעולם

באריזות התרופות, צוותי איכות משתמשים בבדיקת השערה כדי לאמת את מערכות הביקורת.פרויקט אחד חשוב בחן את שיעורי זיהוי פגמים.השערה החלופית הציעה כי בדיקה אוטומטית תזהה 99.9% של פגמים, בהשוואה ל-98.5% עם בדיקה ידנית.

תעשיות שירות ממנפות השערה חלופית בפרויקטים של Six Sigma כדי לשפר את חוויית הלקוח.חברת תקשורת בדקו האם פרוטוקול שירות הלקוחות החדש שלהם שיפר את ציוני שביעות הרצון.המבחן השערה חשף שיפור משמעותי סטטיסטי, המוביל ליישום נרחב בכל מרכזי השירות.

מלכודות נפוצות ועיסוקים טובים

בעוד שבדיקת השערה היא כלי רב עוצמה, כמה טעויות נפוצות יכולות לערער את יעילותה.הבנת המלכודות הללו ופעולות הטובות ביותר מבטיחות תוצאות אמינות.

טעויות נפוצות להימנע

באמצעות מבחן לא נכון: הבנת הנתונים שלך והשאלה שלך.בחירת מבחן סטטיסטי לא הולם יכול להוביל למסקנות לא יסולא בפז. קח זמן להבין את המאפיינים של הנתונים שלך ולהתאים אותם להנחה של בדיקות זמינות.

איכות נתונים וזמינות: אתגר בסיסי אחד הוא באיכות וגישה של נתונים.בדיקות Hypothesis מסתמכות במידה רבה על כך שיש נתונים מדויקים ויעילים בהישג יד.קבלת נתונים באיכות גבוהה יכולה לפעמים להיות משימה בלתי אפשרית, פערים או אי דיוקים בנתונים יכולים לסכן את האמינות הניתוח.

בדיקות השערה רבות בנויות על הנחות מסוימות לגבי הנתונים, כגון דבקות בפיצות סטטיסטיות ספציפיות או מאפיינים. הנחות אלה, כאשר הן מופרו, יכולות להתפשר על הדיוק והתוקף של תוצאות הבדיקה.תמיד לוודא שהמידע שלך עומד במסקנות של המבחן שנבחר, או להשתמש בשיטות חלופיות שאינן-פרמטריות כאשר הנחות מופרות.

הבדל סטטיסטי לא תמיד מרמז על הבדל מעשי; מספרים לא תמיד משקפים את המציאות.תמיד להעריך ממצאים סטטיסטיים בהקשר של שיקולים תפעוליים ועסקיים.

קידוד עם סיבתיות הוא טעות נפוצה נוספת.מבחן Hypothesis יכול להוכיח כי משתנים קשורים, אבל זה לא בהכרח מוכיח כי אחד גורם לשני.

שיטות יעילות ל Hypothesis Testing

(FLT:0)Plan לפני איסוף נתונים: FLT:1 hypoations Define, בחר בדיקות מתאימות, ולבצע ניתוח כוח לפני איסוף נתונים מתחיל. גישה פוטנציאלית זו מבטיחה גדלים מדגם נאות ושיטות איסוף נתונים מתאימות.

(FLT:0) וחידוש התחזיות: FLT:1 בדוק אם הנתונים שלך עומדים במסקנות הנדרשות לבדיקה סטטיסטית שנבחרה. השתמש בשיטות גרפיות ובמבחנים רשמיים כדי להעריך נורמליות, פערים שווים ועצמאות.

(FLT:0) חשיבות מעשית: ההרחבה 1 (NeveLT:1) לא להסתמך רק על ערכי p. הערכת גודל ורווחי ביטחון כדי להבין את גודל ההבדלים.חשב אם התוצאות המשמעותיות סטטיסטית הן משמעותיות במונחים מעשיים.

(FLT:0)Use Appropriate Software: ההרחבה הראשונה של רוב קבוצות הסיגמה משתמשות ב-Minitab בשל תבניות שלה ואפשרויות בדיקה בנויות.תוכנות סטטיסטיות מפחיתות שגיאות חישוב ומספקות פלט מקיף כולל מרווחי ביטחון, גדלים אפקט, ומזימה אבחון.

(FLT:0) ביצוע התהליך שלך:FLT:1ve לשמור תיעוד ברור של השערות, בחירת מבחן רציונליות, הנחות שנבדקו, ומסקנות הנמשכות.

(FLT:0)Combine סטטיסטית ונושא משנה מומחיות: ההרחבה 1 של תוצאות מוערכות בהקשר, לצד ניתוח יכולת, ניהול ידע, ושיפור מטרות, במקום להתייחס כפלט סטטיסטי של עמידה.ניתוח סטטיסטי צריך להודיע החלטות, לא להחליף חשיבה ביקורתית ומומחיות דומיין.

תוצאות אפשריות:0 (FLT:1ir) מנסה להפעיל מחדש את המבחן (אם מעשי) כדי לאשר תוצאות נוספות.שכפול מספק אמון נוסף בממצאים ומסייע לזהות אם התוצאות הראשוניות היו חדות.

כלים ותוכנות ל- Hypothesis Testing

תוכנה סטטיסטית מודרנית עשתה בדיקות השערה נגישות ויעילות יותר.למתרגלים 6 Sigma יש כמה אפשרויות לביצוע ניתוחים סטטיסטיים:

(FLT:0)Minitab:FLT:1 התוכנה הנפוצה ביותר בסביבות 6 Sigma, Minitab מציעה יכולות בדיקות השערה מקיפה עם ממשקים ידידותיים למשתמש ותבניות בנויות לאנליזה משותפת של Six Sigma.זה כולל את כוח ומודלים גודל מחשבוני, הנחות בדיקות כלים ויכולות גרפיות.

(FLT:0)JMP:IRFLT:1 פותח על ידי SAS, JMP מספק ניתוח סטטיסטי רב עוצמה וכלים הדמיה.ממשק האינטראקטיבי שלה עושה את זה קל לחקור נתונים ולבצע בדיקות השערות תוך שמירה על הקפדה סטטיסטית.

(FLT:0R ו- Python:FLT:1 פתיחות קוד שפות המציעות ספריות סטטיסטיות נרחבות, בעוד דורש מומחיות טכנית יותר, כלים אלה מספקים גמישות מקסימלית והם פופולריים יותר ויותר ביישומים במדעי נתונים של שש Sigma.

(FLT:0)Excel:BuildFLT:1 בעוד מוגבל בהשוואה לתוכנה סטטיסטית מיוחדת, כלי ניתוח הנתונים של Excel כולל יכולות בדיקות השערה בסיסיות המתאימות לניתוחים פשוטים.

(FLT:0SigmaXL:FLT:1eur) An Excel להוסיף-in תוכנן במיוחד עבור מתרגלי Six Sigma, מתן יכולות סטטיסטיות מתקדמות יותר מאשר Native Excel תוך שמירה על ממשקי גליון מוכרים.

שילוב של Hypothesis Testing with other Six Sigma Tools

בדיקות Hypothesis אינן קיימות בבידוד, אלא פועלות באופן סינרגיסטי עם כלים אחרים של שש Sigma ומתודולוגיות כדי להניע שיפור תהליכים מקיף.

ניתוח Capability Analysis

לאחר שהשתמש בבדיקת השערה כדי לאמת כי שיפור תהליך התרחש, ניתוח יכולת תהליכים מגדיר כמה טוב התהליך המשופר עונה מפרטים. Capability אינדיקציות כמו Cp, Cpk, Pp, ו- Ppk מספקים מדדים סטנדרטיים להשוואה של ביצועי תהליך לדרישות.

תגית: טבלאות

לאחר שיפורים מאומתים באמצעות בדיקות השערה, גרפים בקרה לפקח על ביצועי תהליך מתמשך כדי להבטיח רווחים הם נמשכים. ⁇ הבקרה לספק משוב בזמן אמת על יציבות תהליכים ויכולים לעורר חקירות כאשר נראה כיווני גורם מיוחד.

ניתוח Regression Analysis

בעוד שבדיקת השערה קובעת האם מערכות יחסים קיימות בין משתנים, ניתוח רגרסיה מסמיך את מערכות היחסים הללו ומאפשר חיזוי.מודלים של רגרסיה יכולים לזהות כמה שינוי במשתנה הפלט משינויים במשתנים קלט, לתמוך במאמצים אופטימיזציה.

מצב ואפקטים ניתוח (FMEA)

בדיקות Hypothesis יכולות לאמת הנחות שנעשו במהלך FMEA על אילו מצבי כישלונ הם קריטיים ביותר.אישור מונע נתונים של תדרי מצב כישלונות וניתנות מבטיח כי מאמצי הקטנת סיכונים להתמקד בנושאים החשובים ביותר.

בדיקות Hypothesis Testing

השוואות מרובות ושיעור שגיאות משפחתי

כאשר מבצעים בדיקות השערה מרובות בו זמנית, הסיכון הכולל של שגיאות מסוג I עולה.אם ביצוע 20 בדיקות עצמאיות ב-α= 0.05, ההסתברות של לפחות חיובי שקרי אחד היא בערך 64%, הרבה יותר גבוה מ-5% המיועדים.

הסתגלות כמו תיקון Bonferroni או בקרת שער גילוי כוזב עוזר לנהל את שיעור השגיאה המנפח הזה.שיטות אלה להתאים רמות משמעות או ערכי p כדי לשמור על שיעור השגיאה הכולל הרצוי על פני השוואות מרובות.

Bayesian מתקרב

בדיקות השערה מסורתיות עוקבות אחר מסגרת תכופית, אך שיטות Bayesian מציעות גישה חלופית המשלבת ידע קודם ומספקת הצהרות הסתברותיות על השערות עצמן.שיטות Bayesian צוברות מצעים ביישומים של Six Sigma, במיוחד כאשר נתונים היסטוריים או ידע מומחה יכולים להודיע ניתוח.

בדיקות חיוניות

במצבים מסוימים, הנתונים הופכים זמינים בהדרגה לאורך זמן. שיטות בדיקה סינטיבית מאפשרות ניתוח ביניים והפסקת מוקדם כאשר מספיק ראיות צבר, פוטנציאל לחסוך זמן ומשאבים בהשוואה לעיצובי גודל מדגם קבועים.

יצירת תרבות של החלטות של נתונים-Driven

תהליך זה מבטיח כי החלטות שהתקבלו בפרויקטים Lean Six Sigma מונעים נתונים ולא מבוסס על הנחות או ראיות אקסדוטיות. מעבר להיבטים הטכניים של בדיקות השערה, יישום מוצלח של 6 Sigma דורש טיפוח תרבות ארגונית שמעריכה החלטות המבוססות על ראיות.

הקפדה הסטטיסטית של בדיקות השערה מבטיחה כי שיפורים בתהליך מבוססים על עובדות ולא הנחות. מומחי שיפור איכות מסתמכים על בדיקות אלה כדי לקבל החלטות מושכלות על שינויים בתהליך, הקצאת משאבים ואסטרטגיות שיפור.

מנהיגים צריכים מודל התנהגות מבוססת נתונים על ידי בקשה לראיות לתמוך בשינויים המוצעים ולחגוג הצלחות שהושגו באמצעות ניתוח קפדני. תוכניות הכשרה צריכות להבטיח כי חברי הצוות בכל הרמות יבינו את היסודות של בדיקות השערה ויכולים לפרש תוצאות נכונות.

יצירת מערכות נתונים נגישות ומספקת כלים סטטיסטיים מתאימים מסירים חסמים להחלטות מבוססות ראיות.כאשר בדיקות השערה הופכות לשגרה ולא יוצא דופן, ארגונים מבינים את מלוא הפוטנציאל של מתודולוגיית Six Sigma.

מסקנה

כאשר מבוצע כראוי, בדיקות השערה מעצימות עסקים להשיג את מטרותיהם, להפחית פגמים, לקצץ בעלויות, ובסופו של דבר לספק מוצרים ושירותים טובים יותר ללקוחות שלהם. על ידי שילוב בדיקות היפותזה לתוך מחזור DMAIC, לאן שישה סיגמה מתרגלים יכולים להוביל לשיפור מתמשך ולהבטיח את ההצלחה ארוכת הטווח של הארגונים שלהם.

על ידי הגדרת השערות בקפידה, בחירת בדיקות סטטיסטיות מתאימות, ופרש תוצאות בזהירות, מתרגלי Six Sigma יכולים לאמת שיפורים ולהבטיח כי החלטות מבוססות על ראיות אמינות.הגישה השיטתית המסופקת על ידי בדיקות השערה הופכת נתונים גולמיים לתובנות ניתנות להפעלה שמניעה תוצאות עסקיות מדידה.

כלי סטטיסטי זה מביא אמון, בהירות ואמינות למסקנות שלך - ומסייע לך להפחית פגמים, עלויות נמוכות ולשפר את האיכות. כמו ארגונים להתמודד עם לחץ גובר על אופטימיזציה של פעולות ולהפגין ערך, בדיקות השערה מספקות את הבסיס האנליטי הקפדני הדרוש כדי לקבל החלטות מושכלות עם ביטחון.

בין אם אימות שיפורים בתהליך, זיהוי שורש גורם, או השוואת פתרונות חלופיים, בדיקות השערה מאפשרות ל- 6 Sigma מתרגלים להפריד אות מרעש והתמקדות משאבים על שינויים המספקים תוצאות מוכחות. על ידי שליטה בכלי חיוני זה ושילובו לאורך מסגרת DMAIC, ארגונים יכולים להשיג מצוינות תהליך בר קיימא יתרון תחרותי.

עבור אלה המבקשים להעמיק את ההבנה של שיטות סטטיסטיות לשיפור איכות, משאבים כמו FLT:0 American Society for QualityveFLT 1 ו-FLT:2iSixSigma CommunityFLT 3 מציעים חומרים חינוכיים נרחבים, מחקרים מקרה והזדמנויות פיתוח מקצועי. Investing inista and Testingncy paysדיבידנדים באמצעות פרויקטים יעילים יותר של 6 Sigma וביצועים ארגוניים חזקים יותר.