Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Six sigma. narzędzia analizy przyczyny źródłowej. diagram i współczynnik korelacji.
1. LUBUSKI
INSTYTUT
JAKOŚCI
SIX SIGMA
Narzędzia analizy przyczyny źródłowej
Diagram i współczynnik korelacji
Jednym z narzędzi, którego użyjemy podczas poszukiwania przyczyny źródłowej problemu
będzie diagram korelacji który pozwoli graficznie pokazać jaki wpływ ma określony czynnik
(X) na określoną zmienną lub wynik (Y)
Kiedy użyjemy?
W celu sprawdzenia/ przetestowania podejrzanej przyczyny (jaki ma wpływ na
wynik końcowy?)
Porównanie - w jaki sposób różne czynniki wpływają na wynik (co ma większy a co
mniejszy wpływ na wynik? Co nie ma znaczenia?)
Prognozowanie wpływu czynnika na efekt - na podstawie danych, które już
posiadamy
Pamiętajmy o tzw. „szumach” – czyli innych zmiennych, które mogą zaburzać wpływ
jednego czynnika na drugi – analiza dotyczy wpływu jednej przyczyny a nie kilku
(szerzej – przy okazji…)
Książkowy przykład korelacji:
wysokie temperatury i sprzedaż lodów są silnie skorelowane
Dlaczego?
Oczywista oczywistość – im wyższa temperatura tym więcej kupujemy lodów (KORELACJA
DODATNIA)
Żeby jeszcze bardziej zobrazować proponuję przeanalizować fikcyjny, banalny, wyssany z
palca przykład:
zależność pomiędzy wzrostem a masą ciała (zakładamy, że przykład dotyczy tylko
mężczyzn, żeby nie było reklamacji ze strony płci pięknej ;))
Do stworzenia diagramu będziemy potrzebowali danych z dwóch lub więcej czynników
Dane: Wzrost [cm]/ masa ciała [kg]
167/65; 176/65; 159/50; 177/90; 167/70; 188/90; 187/80; 169/70; 170/70; 168/60;
190/88; 185/70; 176/70; 177/73; 165/60; 178/70
2. Po naniesieniu danych na osie X – wzrost i masa ciała – Y otrzymujemy (rys.) pokazujący,
że jest silna korelacja dodatnia – im ktoś wyższy tym więcej waży
Współczynnik korelacji Pearsona (r) dla tego przykładu: = 0,8
(celowo nie podaję wzoru – wystarczy Excel i użycie funkcji PEARSON)
INTERPRETACJA:
DODATNIA: wzrost jednego czynnika powoduje wzrost drugiego
UJEMNA: odwrotnie
MIESZANA: zależność wzrasta lub maleje tylko do pewnego momentu a następnie
zmienia kierunek
WSPÓŁCZYNNIK KORELACJI:
Brak: 0
Słaba: -0,4 do <0 (ujemna)/ 0< do 0,4 (dodatnia)
Średnia: -0,4 do -0,7 (ujemna)/ 0,4 do 0,7 (dodatnia)
Silna: -0,7 do -0,9 (ujemna)/ 0,7 do 0,9 (dodatnia)
Bardzo silna: -0,9 do -1 (ujemna)/ 0,9 do 1 (dodatnia)
Przy braku lub słabej korelacji – nie ma sensu dalej badać czynnika
DANE KONTAKTOWE
Nr telefonu:+48 95 766 57 33
e-mail: info@LIJ.com.pl
www.LIJ.com.pl
LUBUSKI INSTYTUT JAKOŚCI
„Quality is not everything, but everything is nothing without quality.” Peters, Waterman