六西格玛数据分析技术(附光盘)/六西格玛管理培训丛书

    本书作者紧紧围绕6σ管理中数据分析的需要，参考国内外大量文献，结合自身在摩托罗拉和通用电气公司授课过程中的亲身感受以及八年来在国内研究和推广6σ管理的经验体会，试图写出适合我国企业管理人员学习的统计数据分析方法。希望本书能对6σ管理在中国的推广和我国企业管理水平的提升起到推动作用。 　　为了解决6σ管理中用到大量统计技术和方法需要复杂计算的问题，本书把Minitab软件与有关计算结合起来，这是一大特点。本书分为9章，主要结合Minitab软件尽可能通俗地讲授6σ管理中必需的统计数据分析方法和技术。 　　本书适合作为企业6σ管理黑带、绿带的培训教材，还可以作为MBA及人文社会科学类研究生量化分析的教材。

    何晓群，中国人民大学统计学院教授，中国人民大学应用统计料学研究中心研究中心研究员，中国人民大学六西格玛质量管理研究中心主任，摩托罗拉公司和美国六西格玛国际学院认证讲师，中国现场统计研究会副秘书长，国家税务总局特邀监察员。 　　曾为多所大学的MBA学生主讲“管理统计学”、“管理创新理念”等课程，多次参加国际学术会议，主持并参与多项国家和省部级及企业横向课题研究，发表论文80余篇。 　　自1996年以来多次在通用电气和摩托罗拉公司讲授“统计方法与技术”、“企业质量管理”、“SPC”、“6σ”等课程。 　　近年来先后给中国远洋运输集团、正泰集团、TCL集团、海尔集团、中国工商银行、中国人民保险公司、中国人寿保险公司、中国电信、中国联通、中国移动、中国网通等近百家企业员工进行6σ管理方面的培训。曾多次接受中央电视台、北京电视台、凤凰卫视、《光明日报》等媒体采访。

本书结合Minitab软件尽可能通俗地讲授6σ管理中必需的统计数据分析方法和技术，具有原创性、指导性、系统全面、有针对性、图文并茂、简明生动等特点，非常适合企业培训之用。《六西格玛数据分析技术》是一本不可多得的管理类优秀教材之一。

第1章　基本统计概念
1.1 常用数据分析技术概述
1.2 总体与样本
1.3 数据的收集
1.4 数据的类型
1.5 数据集中趋势的测度
1.6 数据离散程度的测度
1.7 数据基本分析的Minitab实现
小组讨论与练习
第2章　概率及其应用
2.1 掷骰子的游戏
2.2 概率及概率的计算
2.3 概率的性质与运算法则
2.4 条件概率
2.5 独立性
2.6 全概率公式
2.7 贝叶斯公式
2.8 概率树
小组讨论与练习
第3章　管理中常见的几个概率分布
3.1 随机变量
3.2 随机变量的分布
3.3 随机变量的均值与方差
3.4 二项分布及其应用
3.5 泊松分布及其应用
3.6 正态分布及其应用
3.7 中心极限定理
3.8 各种概率分布计算的Minitab实现
小组讨论与练习
第4章　参数估计
4.1 参数估计的基本概念
4.2 总体均值和总体比例的区间估计
4.3 样本容量的确定
4.4 两个总体均值之差的区间估计
4.5 两个总体比例之差的区间估计
4.6 正态总体方差的区间估计
4.7 两个正态总体方差比的区间估计
4.8 有关区间估计的Minitab实现
小组讨论与练习
第5章　假设检验
5.1 广告宣传的虚假性
5.2 假设检验的几个步骤
5.3 单侧检验
5.4 双侧检验
5.5 两类错误
5.6 检验应用
小组讨论与练习
第6章　离散数据的卡方检验
6.1 卡方分布介绍
6.2 卡方检验的本质
6.3 卡方检验统计量的计算
6.4 卡方检验的分析
6.5 卡方检验的应用
小组讨论与练习
第7章　方差分析
7.1 方差分析的引入
7.2 怎样得到Ｆ统计量
7.3 单因素方差分析的例子
7.4 检验方差假设
7.5 多因素方差分析
7.6 多变量图分析
小组讨论与练习
第8章　相关分析与一元回归
8.1 相关分析及其实现
8.2 回归分析基本理论
8.3 标准的一元线性回归模型
8.4 一元线性回归模型的估计
8.5 一元线性回归模型的检验
8.6 一元线性回归模型的Mintab实现
8.7 一元线性回归模型预测
8.8 非线性回归简介
小组讨论与练习
第9章　多元回归分析
9.1 多元线性回归分析基本理论
9.2 标准的多元线性回归模型
9.3 多元线性回归模型的估计
9.4 多元线性回归模型的检验
9.5 多元线性回归模型预测
9.6 多元线性回归模型的Minitab实现
9.7 多元非线性回归
小组讨论与练习
主要参考文献

书摘
简单随机抽样。它是完全随机地抽取样本。这种方法要求有一个可靠全面的抽样框，或有总体中每一个个体的详尽名单。
分层抽样。首先将总体分成不同的“层”，然后在每一“层”内进行抽样。
整群抽样。是将一组被调查者视作一个抽样单位而不是个体的抽样方法。如在市场调查中对被选作抽样单位的某个住宅楼的每户进行调查。
等距抽样，也称系统抽样。是在样本框中每隔一定距离抽选一个被调查者。
非概率抽样不是完全按随机原则选取样本。非概率抽样有两种形式：
1．由调查人员自由选择被调查者。
2．通过某些条件过滤选择某些被调查者进行调查。
配额抽样。配额抽样是抽选一群特定数目的满足特定条件的被调查者的抽样方法。使用配额抽样有助于减少非概率抽样方法所造成的偏差。
当我们抽取了样本后，就可以对样本中的每一个个体调查或测定其指标，通常把这些测定值记为X1，X2，…，Xn，这就是我们常说的数据。
抽样技术是统计学中非常重要的一门学问，限于篇幅，本书不能深入探讨。但是我们提醒读者，当你要实践这些方法时，还请学习一些专门介绍抽样的书籍。
在样本标准差的计算中，n-1的使用是为了使样本标准差成为总体标准差的无偏估计所做的一个数学处理。
对于n个观察值而言，如果离差平方和被给定， (n-1)个离差被求出，那么最后一个离差也就被确定了。所以在求总值的式子中，自由度n-1。
更为特殊的是，自由度还可由在n个观察值中有n-1个相互独立的差值来定义。例如，有一个样本，包含5个测量值Xl，X2，X3，X4，X5，相互独立的差值是X1-X2，X2-X3，X3-X4和X4-X5，其他的差值，如Xl-X5，就不是独立的了，因为它的值可以由下式求出：
(X1-X2)+(X2-X3)-(X3-X4)+(X4-X5)=X1-X5
因此，如果样本量为5，就有4个独立的差值，或者说是“自由度”。在这个例子中，当总值固定，有n-1个差值可以在大小上自由变动。所以，当n很大时，偏差是较小的，因此，用n-1代替n这种处理方法应该是无可挑剔的。
上表中的16个数据最大的为45，最小的只有17。如果要探究为什么会产生这么大的差别，我们可以猜想可能有两方面的原因。首先，即便是颜色相同的车，在不同城市的销售量也是不同的，但是这四个城市的市场容量相仿，因此可以把不同城市汽车销售量的差异看成是随机因素的影响。另一个原因是汽车颜色的影响。在同一个城市里不同颜色的汽车，即使它们的配置、价格、款式等方面的因素都相同，销售量也存在很大差别。这种差别，有可能是抽样的随机性造成的，也有可能是由于消费者对不同颜色的偏好不同所导致的。于是，上述问题就归结为检验汽车颜色对销售量是否存在影响。通常的做法是检验四种颜色汽车销售量的均值是否大致相等，如果不等，则意味着不同颜色的汽车来自不同的总体，表明汽车颜色对销售量产生影响；反之，如果检验表明四种颜色汽车销售量的均值不存在显著差异，则可以认为汽车颜色对销售量没有影响，它们来自于相同的总体。
在本例中，汽车的颜色称为一个因素，因素中的内容称为水平。上例因素中的水平有四个，即汽车的四种不同颜色。如果只针对一个因素进行分析，称为单因素方差分析。如果同时对多个因素进行分析，称为多因素方差分析。
观察值的差异一般来自两个方面，一个方面是由因素中的不同水平造成的，我们称为系统性差异；另一个方面是由于抽选样本的随机性而产生的差异，我们称为随机性差异。两个方面产生的差异可以用两个方差来计算，一个称为水平之间的方差，一个称为水平内部的方差。前者既包括系统性因素，也包括随机性因素，后者仅包括随机性因素。如果不同的水平对结果没有影响．那么在水平之间的方差中，就仅仅有随机因素的差异，而没有系统性差异，它与水平内部方差就应近似相等，其比值就会接近于1。反之，如果不同的水平对结果产生影响，在水平之间的方差中就不仅包括了随机性差异，也包括了系统性差异。这时，该方差就会大于水平内部方差，两个方差的比值就会大于1。当两者相差达到某一程度，即这个比值达到某个临界值时，我们就可以认为不同水平之间存在显著性差异。
因此方差分析不仅可以比较两个总体之间的差异，而且可以用来分析多个总体的参数是否相等的问题。它还可以节省时间，与9检验等方法相比，可以把所有的样本资料结合在一起分析，增加了稳定性。因此，方差分析是一种实用、有效的分析方法。

插图




……