质量管理中统计区间的意义与应用

学过一点统计质量管理或有过六西格玛管理培训经历的人都知道“统计区间Statistical Interval”的概念，有的还在实际工作对其有所应用。但根据笔者的观察发现，绝大多数工程技术人员对这个统计概念的理解似是而非，导致根据统计推断做出的判断与实际情况相悖，产牛了不必要的质量损失。更有甚者，由于认识上的明显偏差，对于同一组数据，不同的人用各自认为正确的统计分析方法，得出了截然相反的结论，双方因此争论不休，大大降低了工作效率。

解决配方问题的DOE高手（DOE系列之七）

在实际工作中，常常需要研究一些配方（或称为配比）的试验问题，这种问题常常出现在冶金、化工、医药、食品等行业中。例如，不锈钢是由铁、镍、铜和铬4种元素组成；闪光剂由镁、硝酸钠、硝酸锶及固定剂组成；复合燃料、复合塑料、混纺纤维、混凝土、粘接剂、药片、饲料等都是由多种成分按相应比率制作而成，等等。

别具特色的稳健参数设计

之前的五个DOE系列已经系统地介绍了很多经典试验设计的基本原理和使用技巧。但是，DOE是一个理论和实践高度联系的统计科学门类，在不到一百年的发展历程中，企业界不断地向学术界提出新的意见和建议，而学术界也积极响应，推陈出新地向企业界提供了大量理论指导，逐步形成了更多专业化、

解码公差设计（DOE系列之八）

试验设计DOE常常用在新产品的设计和研发工作中，而产品设计常常可以分为系统设计、参数设计和公差设计（又称容差设计）三个阶段，或称三次设计。所谓系统设计，是指用专业技术研制产品（即样品）及其生产工艺，它与各行各业的专业知识相关，不在我们的研究范围之内。所谓参数设计，是指确定产品零部件的结构参数和生产过程的工艺参数，选择最佳的参数组合，它的很多内容也已涵盖在前期的连载文章中。所谓公差设计，是指对各种参数寻求最佳的容许误差，使得质量和成本综合起来达到最佳经济效益，这是产品设计中不可或缺但又往往被忽略的一个环节，也是本期连载所要着重介绍的内容。

医学统计，换一种思维

人与人之间普遍存在着个体差异，所以医学研究中的变异无处不在，再加上外在因素的影响，医学现象更显得变化无常。例如，某种疾病的发生或流行是什么因素所致？可能涉及的多种因素中哪些是无关紧要的？哪些才是真正相关的？其中又具体地以哪一个为主？哪一个为次？又比如，用某种新药品或新疗法治疗某种疾病，为什么有的患者感觉“妙手回舂”，而有的患者却依然久病不起？如何客观地评判该药品或该疗法是否真的有效？或者说它与以前的药品或疗法相比具有明显的优势？为了获取正确的结果，需要做多少次临床试验才够呢……诸如此类，不胜枚举。

质量管理中回归建模的可视化解决方案

在实际工作或生活中，我们常常会与相互关联的变量打交道，并且想研究它们之间的关系，例如：钢铁强度与含碳量、汽车使用年限与年平均维修成本、销售收入与广告费用等等。理论上讲，回归建模（Regression Modeling）往往是揭示这些内在规律的理想工具。但是，专业的回归建模并不是像从任意几组数据中得到一个类似Y=a^＊X＋b的方程那么简单，它还包括了相关系数的预览、最小二乘法的求解、模型的方差分析检验等诸多概念抽象、计算复杂的统计学专业内容，这使得不少非统计专业出身的工程技术和科研人员望而却步，甚至碰都不敢碰，长期将回归建模这样的好方法束之高阁。

顾此不失彼的DOE（DOE系列之五）

本刊连载前四个系列已经介绍了几种不同背景、不同要求的情况下，应用DOE的原理和技巧。但细心的读者会发现之前的案例有一个共同的特点（或者称为局限）：数据分析仅限于单个响应变量。在实际工作中，常常会遇到要同时考虑多个响应变量的情况，例如希望断裂强度越大越好，同时希望厚度越小越好；希望质量水平越高越好，但同时希望成本越低越好等等。