Статистические методы контроля и анализа качества продукции. Развитие статистических методов в управлении качеством Понятие о статистических методах качества

Статистические методы

Статисти́ческие ме́тоды - методы анализа статистических данных. Выделяют методы прикладной статистики , которые могут применяться во всех областях научных исследований и любых отраслях народного хозяйства, и другие статистические методы, применимость которых ограничена той или иной сферой. Имеются в виду такие методы, как статистический приемочный контроль, статистическое регулирование технологических процессов, надежность и испытания, планирование экспериментов.

Классификация статистических методов

Статистические методы анализа данных применяются практически во всех областях деятельности человека. Их используют всегда, когда необходимо получить и обосновать какие-либо суждения о группе (объектов или субъектов) с некоторой внутренней неоднородностью.

Целесообразно выделить три вида научной и прикладной деятельности в области статистических методов анализа данных (по степени специфичности методов, сопряженной с погруженностью в конкретные проблемы):

а) разработка и исследование методов общего назначения, без учета специфики области применения;

б) разработка и исследование статистических моделей реальных явлений и процессов в соответствии с потребностями той или иной области деятельности;

в) применение статистических методов и моделей для статистического анализа конкретных данных.

Прикладная статистика

Описание вида данных и механизма их порождения - начало любого статистического исследования. Для описания данных применяют как детерминированные, так и вероятностные методы. С помощью детерминированных методов можно проанализировать только те данные, которые имеются в распоряжении исследователя. Например, с их помощью получены таблицы, рассчитанные органами официальной государственной статистики на основе представленных предприятиями и организациями статистических отчетов. Перенести полученные результаты на более широкую совокупность, использовать их для предсказания и управления можно лишь на основе вероятностно-статистического моделирования. Поэтому в математическую статистику часто включают лишь методы, опирающиеся на теорию вероятностей.

Мы не считаем возможным противопоставлять детерминированные и вероятностно-статистические методы. Мы рассматриваем их как последовательные этапы статистического анализа. На первом этапе необходимо проанализировать имеющие данные, представить их в удобном для восприятия виде с помощью таблиц и диаграмм. Затем статистические данные целесообразно проанализировать на основе тех или иных вероятностно-статистических моделей. Отметим, что возможность более глубокого проникновения в суть реального явления или процесса обеспечивается разработкой адекватной математической модели.

В простейшей ситуации статистические данные - это значения некоторого признака, свойственного изучаемым объектам. Значения могут быть количественными или представлять собой указание на категорию, к которой можно отнести объект. Во втором случае говорят о качественном признаке.

При измерении по нескольким количественным или качественным признакам в качестве статистических данных об объекте получаем вектор. Его можно рассматривать как новый вид данных. В таком случае выборка состоит из набора векторов. Есть часть координат - числа, а часть - качественные (категоризованные) данные, то говорим о векторе разнотипных данных.

Одним элементом выборки, то есть одним измерением, может быть и функция в целом. Например, описывающая динамику показателя, то есть его изменение во времени, - электрокардиограмма больного или амплитуда биений вала двигателя. Или временной ряд, описывающий динамику показателей определенной фирмы. Тогда выборка состоит из набора функций.

Элементами выборки могут быть и иные математические объекты. Например, бинарные отношения. Так, при опросах экспертов часто используют упорядочения (ранжировки) объектов экспертизы - образцов продукции, инвестиционных проектов, вариантов управленческих решений. В зависимости от регламента экспертного исследования элементами выборки могут быть различные виды бинарных отношений (упорядочения, разбиения, толерантности), множества, нечеткие множества и т. д.

Итак, математическая природа элементов выборки в различных задачах прикладной статистики может быть самой разной. Однако можно выделить два класса статистических данных - числовые и нечисловые. Соответственно прикладная статистика разбивается на две части - числовую статистику и нечисловую статистику.

Числовые статистические данные - это числа, вектора, функции. Их можно складывать, умножать на коэффициенты. Поэтому в числовой статистике большое значение имеют разнообразные суммы. Математический аппарат анализа сумм случайных элементов выборки - это (классические) законы больших чисел и центральные предельные теоремы.

Нечисловые статистические данные - это категоризованные данные, вектора разнотипных признаков, бинарные отношения, множества, нечеткие множества и др. Их нельзя складывать и умножать на коэффициенты. Поэтому не имеет смысла говорить о суммах нечисловых статистических данных. Они являются элементами нечисловых математических пространств (множеств). Математический аппарат анализа нечисловых статистических данных основан на использовании расстояний между элементами (а также мер близости, показателей различия) в таких пространствах. С помощью расстояний определяются эмпирические и теоретические средние, доказываются законы больших чисел, строятся непараметрические оценки плотности распределения вероятностей, решаются задачи диагностики и кластерного анализа, и т. д. (см. ).

В прикладных исследованиях используют статистические данные различных видов. Это связано, в частности, со способами их получения. Например, если испытания некоторых технических устройств продолжаются до определенного момента времени, то получаем т. н. цензурированные данные, состоящие из набора чисел - продолжительности работы ряда устройств до отказа, и информации о том, что остальные устройства продолжали работать в момент окончания испытания. Цензурированные данные часто используются при оценке и контроле надежности технических устройств.

Обычно отдельно рассматривают статистические методы анализа данных первых трех типов. Это ограничение вызвано тем отмеченным выше обстоятельством, что математический аппарат для анализа данных нечисловой природы - существенно иной, чем для данных в виде чисел, векторов и функций.

Вероятностно-статистическое моделирование

При применении статистических методов в конкретных областях знаний и отраслях народного хозяйства получаем научно-практические дисциплины типа «статистические методы в промышленности», «статистические методы в медицине» и др. С этой точки зрения эконометрика - это «статистические методы в экономике». Эти дисциплины группы б) обычно опираются на вероятностно-статистические модели, построенные в соответствии с особенностями области применения. Весьма поучительно сопоставить вероятностно-статистические модели, применяемые в различных областях, обнаружить их близость и вместе с тем констатировать некоторые различия. Так, видна близость постановок задач и применяемых для их решения статистических методов в таких областях, как научные медицинские исследования, конкретные социологические исследования и маркетинговые исследования, или, короче, в медицине , социологии и маркетинге . Они часто объединяются вместе под названием «выборочные исследования».

Отличие выборочных исследований от экспертных проявляется, прежде всего, в числе обследованных объектов или субъектов - в выборочных исследованиях речь обычно идет о сотнях, а в экспертных - о десятках. Зато технологии экспертных исследований гораздо изощреннее. Еще более выражена специфика в демографических или логистических моделях, при обработке нарративной (текстовой, летописной) информации или при изучении взаимовлияния факторов.

Вопросы надежности и безопасности технических устройств и технологий, теории массового обслуживания подробно рассмотрены, в большом количестве научных работ.

Статистический анализ конкретных данных

Применение статистических методов и моделей для статистического анализа конкретных данных тесно привязано к проблемам соответствующей области. Результаты третьего из выделенных видов научной и прикладной деятельности находятся на стыке дисциплин. Их можно рассматривать как примеры практического применения статистических методов. Но не меньше оснований относить их к соответствующей области деятельности человека.

Например, результаты опроса потребителей растворимого кофе естественно отнести к маркетингу (что и делают, читая лекции по маркетинговым исследованиям). Исследование динамики роста цен с помощью индексов инфляции, рассчитанных по независимо собранной информации, представляет интерес прежде всего с точки зрения экономики и управления народным хозяйством (как на макроуровне, так и на уровне отдельных организаций).

Перспективы развития

Теория статистических методов нацелена на решение реальных задач. Поэтому в ней постоянно возникают новые постановки математических задач анализа статистических данных, развиваются и обосновываются новые методы. Обоснование часто проводится математическими средствами, то есть путем доказательства теорем. Большую роль играет методологическая составляющая - как именно ставить задачи, какие предположения принять с целью дальнейшего математического изучения. Велика роль современных информационных технологий, в частности, компьютерного эксперимента.

Актуальной является задача анализа истории статистических методов с целью выявления тенденций развития и применения их для прогнозирования.

Литература

2. Нейлор Т. Машинные имитационные эксперименты с моделями экономических систем. - М.: Мир, 1975. - 500 с.

3. Крамер Г. Математические методы статистики. - М.: Мир, 1948 (1-е изд.), 1975 (2-е изд.). - 648 с.

4. Большев Л. Н., Смирнов Н. В. Таблицы математической статистики. - М.: Наука, 1965 (1-е изд.), 1968 (2-е изд.), 1983 (3-е изд.).

5. Смирнов Н. В., Дунин-Барковский И. В. Курс теории вероятностей и математической статистики для технических приложений. Изд. 3-е, стереотипное. - М.: Наука, 1969. - 512 с.

6. Норман Дрейпер, Гарри Смит Прикладной регрессионный анализ. Множественная регрессия = Applied Regression Analysis. - 3-е изд. - М.: «Диалектика» , 2007. - С. 912. - ISBN 0-471-17082-8

Смотри также

Wikimedia Foundation . 2010 .

• Yat-Kha
• Амальгама (значения)

Смотреть что такое "Статистические методы" в других словарях:

СТАТИСТИЧЕСКИЕ МЕТОДЫ - СТАТИСТИЧЕСКИЕ МЕТОДЫ научные методы описания и изучения массовых явлений, допускающих количественное (численное) выражение. Слово “статистика” (от игал. stato государство) имеет общий корень со словом “государство”. Первоначально оно… … Философская энциклопедия

СТАТИСТИЧЕСКИЕ МЕТОДЫ – - научные методы описания и изучения массовых явлений, допускающих количественное (численное) выражение. Слово «статистика» (от итал. stato – государство) имеет общий корень со словом «государство». Первоначально оно относилось к науке управления и … Философская энциклопедия

Статистические методы - (в экологии и биоценологии) методы вариационной статистики, позволяющие исследовать целое (напр., фитоценоз, популяцию, продуктивность) по его частным совокупностям (напр., по данным, полученным на учетных площадках) и оценить степень точности… … Экологический словарь

статистические методы - (в психологии) (от лат. status состояние) нек рые методы прикладной математической статистики, используемые в психологии в основном для обработки экспериментальных результатов. Основная цель применения С. м. повышение обоснованности выводов в… … Большая психологическая энциклопедия

Статистические методы - 20.2. Статистические методы Конкретные статистические методы, используемые для организации, регулирования и проверки деятельности, включают, но не ограничиваются следующими: а) планированием экспериментов и факторный анализ; b) анализ дисперсии и … Словарь-справочник терминов нормативно-технической документации

СТАТИСТИЧЕСКИЕ МЕТОДЫ - методы исследования количеств. стороны массовых обществ. явлений и процессов. С. м. дают возможность в цифровом выражении характеризовать происходящие изменения в обществ. процессах, изучать разл. формы социально экономич. закономерностей, смену… … Сельско-хозяйственный энциклопедический словарь

СТАТИСТИЧЕСКИЕ МЕТОДЫ - некоторые методы прикладной математической статистики, используемые для обработки экспериментальных результатов. Ряд статистических методов был разработан специально для проверки качества психологических тестов, для применения в профессиональном… … Профессиональное образование. Словарь

СТАТИСТИЧЕСКИЕ МЕТОДЫ - (в инженерной психологии) (от лат. status состояние) некоторые методы прикладной статистики, используемые в инженерной психологии для обработки экспериментальных результатов. Основная цель применения С. м. повышение обоснованности выводов в… … Энциклопедический словарь по психологии и педагогике

Предмет статистической науки

Роль и значение статистики как науки

Статистика - это отрасль человеческой деятельности, направленная на сбор, обработку и анализ данных народно-хозяйственного учета. Сама статистика является одним из видов учета (бухгалтерский и оперативно-технический).

Статистика появилась как наука впервые в Китае в 5 веке до нашей эры, когда возникла необходимость в подсчете государственных земель, казны, численности населения и т.д. Связано с рождением государства. Свое дальнейшее развитие статистика получила при становлении капитализма: заводы, фабрики, с/х, внешняя торговля и т.д. Глубокие изменения претерпела статистика и в годы социализма и в настоящее время. Основы для разработки приемов, методов ст. явились предпосылки развития государственного и частного секторов.

В науку термин введен немец. ученым Готфридом Ахенвалем, к-рый в 1746 г. начал читать в Марбукском, а затем в Геттенгенском университетах новую дисциплину, названную им « статистика».

· Массовые соц-эк. явления

· Показатели коммерческой деятельности

Предметом статистики является изучение общественных явлений, динамики и направления их развития. При помощи статистических показателей данная наука определяет количественную сторону общественного явления, наблюдает закономерности перехода количества в качество на примере данного общественного явления и на основании этих наблюдений производит анализ данных, полученных в определенных условиях места и времени. Статистика исследует социально-экономические явления и процессы, которые носят массовый характер, изучает множество определяющих их факторов.

СТАТИСТИЧЕСКИЕ МЕТОДЫ - научные методы описания и изучения массовых явлений, допускающих количественное (численное) выражение

Статистические методы включают в себя и экспериментальное, и теоретическое начала. Статистика исходит прежде всего из опыта;

Статистические методы анализа данных применяются практически во всех областях деятельности человека. Их используют всегда, когда необходимо получить и обосновать какие-либо суждения о группе (объектов или субъектов) с некоторой внутренней неоднородностью.

Целесообразно выделить три вида научной и прикладной деятельности в области статистических методов анализа данных (по степени специфичности методов, сопряженной с погруженностью в конкретные проблемы):

а) разработка и исследование методов общего назначения, без учета специфики области применения;

б) разработка и исследование статистических моделей реальных явлений и процессов в соответствии с потребностями той или иной области деятельности;

в) применение статистических методов и моделей для статистического анализа конкретных данных.

Совокупность разнообразных методов образуют статистическую методологию.

Метод стадии экономико-статич.исследования

статистическая сводка и обработка

Ерлан Аскаров, доцент КазНТУ им. К. Сатпаева

Статистические методы играют важную роль в объективной оценке количественных и качественных характеристик процесса и являются одним из важнейших элементов системы обеспечения качества продукции и всего процесса управления качеством. Неслучайно основоположник современной теории менеджмента качества Э. Деминг много лет работал в Бюро по переписи населения и занимался именно вопросами статистической обработки данных. Он придавал огромное значение статистическим методам.

Для получения качественной продукции необходимо знать реальную точность имеющегося оборудования, определять соответствие точности выбранного технологического процесса заданной точности изделия, оценивать стабильность технологического процесса. Решение задач указанного типа производится в основном путем математической обработки эмпирических данных, полученных многократными измерениями либо действительных размеров изделий, либо погрешностей обработки или погрешностей измерения.

Существуют две категории погрешностей: систематические и cлучайные. В результате непосредственных наблюдений, измерений или регистрации фактов получается множество данных, которые образуют статистическую совокупность и нуждаются в обработке, включающей систематизацию и классификацию, расчет параметров, характеризующих эту совокупность, составление таблиц, графиков, иллюстрирующих процесс.

На практике используют ограниченное количество числовых характеристик, называемых параметрами распределения.

Центр группирования . Одной из основных характеристик статистической совокупности, дающей представление о том, вокруг какого центра группируются все значения, является среднее арифметическое. Оно определяется из выражения:

где Xmax, Xmin - максимальное и минимальное значения статистической совокупности.

Вариационный размах не всегда характерен, так как учитывает только крайние значения, которые могут сильно отличаться от всех других значений. Более точно рассеяние определяется с помощью показателей, учитывающих отклонение всех значений от среднего арифметического. Основным из этих показателей является среднее квадратичное отклонение результата наблюдений, которое определяется по формуле

Форма распределения вероятности. Для характеристики формы распределения обычно используют ту математическую модель, которая наилучшим образом приближает к виду кривой распределения вероятностей, полученной при анализе экспериментально полученных данных.

Закон нормального распределения. Большинство случайных явлений, происходящих в жизни, в частности, в производстве и научных исследованиях, характеризуются наличием большого числа случайных факторов, описывается законом нормального распределения, который является основным во многих практических исследованиях. Однако нормальное распределение не является единственно возможным. В зависимости от физической природы случайных величин, некоторые из них на практике могут иметь распределение другого вида, например, логарифмическое, экспоненциальное, Вейбулла, Симпсона, Релея, равной вероятности и др.

Уравнение, описывающие плотность вероятности нормального распределения имеет вид:

(5)

Нормальное распределение характеризуется двумя параметрами μ и σ 2 и на графике представляет собой симметричную кривую Гаусса (рисунок 1), имеющую максимум в точке соответствующей значению Х = μ (соответствует среднему арифметическому Х ср и называется центром группирования), а при Х → -∞ и Х → ∞ асимптотически приближающуюся к оси абсцисс. Точка перегиба кривой находится на расстоянии σ от центра расположения μ. С уменьшением σ кривая растягивается вдоль оси ординат и сжимается вдоль оси абсцисс. Между абсциссами μ - σ и μ + σ расположено 68,3 % всей площади кривой нормального распределения. Это означает, что при нормальном распределении 68,3 % всех измеренных единиц отклоняются от среднего значения не более чем на σ, то есть все они находятся в пределах + σ. Площадь, заключенная между ординатами, проведенными на расстоянии 2σ с обеих сторон от центра составляет 95,4 % и соответственно столько же единиц совокупности находится в пределах μ+ 2σ. И наконец, 99,73 % всех единиц находится в пределах μ+ 3σ. Это так называемое правило «трех сигм», характерное для нормального распределения. Согласно этому правилу за пределами отклонения на 3σ находится не более 0,27 % всех значений величин, то есть 27 реализаций на 10 тысяч. В технических приложениях принято при оценке результатов измерений работать с коэффициентами z при σ, соответствующим 90 %, 95 %, 99 %, 99,9 % вероятности попадания результата в область допуска.

Рисунок 1

Z90 = 1,65; Z95 = 1,96; Z99 = 2,576; Z999 = 3,291.

Следует отметить, что это же правило распространяется на отклонения среднего значения Х ср (?). Оно также колеблется в некоторой области на три значения среднего квадратического отклонения среднего значения S в обе стороны, и в этой области заключено 99,73 % всех значений среднего значения. Нормальное распределение хорошо проявляется при большом количестве членов статистической совокупности, не менее 30.

Распределение Стьюдента. Для практики большой интерес представляет возможность судить о распределении случайных величин и определять производственные погрешности во всех изготовленных изделиях и погрешности научных экспериментов по результатам измерения параметров статистической совокупности полученным из партии малого объема. Эта методика была разработана Карлом Госсетом в 1908 году и опубликована под псевдонимом Стьюдент.

Распределение Стьюдента симметрично, но более сплющено, чем кривая нормального распределения, и поэтому вытянуто на концах (рисунок 2). Для каждого значения n имеется своя t-функция и свое распределение. Коэффициент z заменен в распределении Стьюдента коэффициентом t, значение которого зависит от заданного уровня значимости, который определяет какая часть реализации может находиться за пределами выбранной области кривой распределения Стьюдента и количества изделий в выборке.

Рисунок 2

При больших n распределение Стьюдента асимптотически сближается со стандартным нормальным распределением. С приемлемой для практики точностью можно считать, что при n ?30, распределение Стьюдента, которое иногда называют t -распределением, апроксимируется нормальным.

t -распределение имеет те же самые параметры, что и нормальное. Это среднее арифметическое Хср, среднее квадратическое отклонение ? и среднее квадратическое отклонение среднего S. Хср определяется по формуле (1), S определяется по формуле (4), а ? по формуле:

(6)

Контроль точности. Когда известно распределение случайной величины, можно получить все особенности данной партии изделий, определить среднее значение, дисперсию и т.п. Но полная совокупность статистических данных партии промышленных изделий, а значит закон распределения вероятностей смогут быть известными, только после изготовления всей партии изделий. На практике закон распределения всей совокупности изделий почти всегда неизвестен, единственным источником информации служит выборка, обычно малая. Каждая рассчитанная по выборочным данным числовая характеристика, например, среднее арифметическое или дисперсия есть реализация случайной величины, которая от выборки к выборке может принимать различные значения. Задача контроля облегчается благодаря тому, что обычно не требуется знать точного значения отличий случайных значений от заданной величины. Достаточно лишь знать отличаются ли наблюдаемые значения больше чем на величину допускаемой ошибки, которая определяется величиной допуска. Распространение на генеральную совокупность оценок, сделанных по выборочным данным, может быть осуществлено только с некоторой вероятностью Р(t). Таким образом, суждение о свойствах генеральной совокупности всегда носит вероятностный характер и содержит элемент риска. Так как заключение делается по выборочным данным, то есть при ограниченном объеме информации, могут возникать ошибки первого и второго рода.

Вероятность допустить ошибку первого рода называют уровнем значимости и обозначают а . Область, отвечающая вероятности а , называется критической, а дополняющая ее область, вероятность попадания в которую равна 1-а , называется допустимой.

Вероятность ошибки второго рода обозначается ? , а величина 1-? называется мощностью критерия.

Величина а иногда называется риском изготовителя, а величина ? называется риском потребителя.

С вероятностью 1-а неизвестное значение Х 0 полной совокупности лежит в интервале

(Хср - Z?) < Х 0 < (Хср + Z?) для нормального распределения,

(Хср - t?) < Х 0 < (Хср + t?) для распределения Стьюдента.

Предельные крайние значения Х 0 называют доверительными границами.

При уменьшении объема выборки при распределении Стьюдента доверительные границы расширяются, а вероятность ошибки возрастает. Задаваясь, например, 5% уровнем значимости (а=0,05), считают, что с вероятностью 95% (Р=0,95) неизвестное значение Х 0 находится в интервале

(Хср - t?,:., Хср+t?)

Иными словами искомая точность будет равна Хср+ t?, причем количество деталей с размером, выходящим за пределы этого допуска, будет составлять не более 5 %.

Контроль стабильности процесса. В реальных условиях производства фактические значения параметров технологического процесса и характеристик изготовляемой продукции не только хаотично изменяются за счет случайных погрешностей, но часто с течением времени постепенно и монотонно отклоняются от заданных значений, то есть имеет место появление систематических погрешностей. Эти погрешности должны ликвидироваться путем выявления и устранения вызывающих их причин. Проблема заключается в том, что в реальных условиях систематические погрешности трудно отличить от случайных. Незначительные систематические погрешности без специального статистического анализа могут долго оставаться незамеченными на фоне случайных погрешностей.

Анализ основан на том, что когда систематические ошибки отсутствуют, фактические значения параметров изменяются случайным образом. Однако их средние значения и основные ошибки остаются неизменными во времени. В таком случае технологический процесс называют стабильным. Условно считается, что в данной партии все изделия являются одинаковыми. При стабильном процессе случайные погрешности подчиняются нормальному закону распределения с центром μ=Хо. Среднее значения параметров, полученные в различных партиях, должны быть приближенно равны Хо. Следовательно, все они приближенно равны между собой, но величина текущего среднего значения Хсрт колеблется в доверительном интервале+ tS, то есть:

(Хср - tS) ≤ Хсрт ≤ (Хср + tS)

(7)

Материалом для анализа стабильности могут служить те же данные, которые использовались для контроля точности. Но они будут пригодны лишь в том случае, если представляют собой непрерывные наблюдения, охватывающие достаточный промежуток времени, или если они составлены из выборок, отобраны через определенные промежутки времени. Интервалы между выборками, называемые в этом случае пробами, устанавливают в зависимости от наблюдаемой частоты разладок оборудования.

При заданном уровне значимости среднее значение Хсрт в различных текущих партиях могут различаться не более чем на величину tS от базового Хср, полученного для первого замера, то есть

/Хср - Хсрт/ ≤ tS

(8)

При выполнении этого условия можно считать, что процесс стабилен и обе партии выпущены при одинаковых условиях. Если же различие средних значений в двух партиях будет превосходить величину tS, то уже нельзя считать, что это различие вызвано только случайными причинами. В процессе появился доминирующий постоянный фактор, который изменяет значения параметров изделий в партии по определенному постоянному закону. Процесс является нестабильным и изделия, выпускаемые в разное время, будут значительно отличаться друг от друга, причем эта разница будет увеличиваться со временем.

Таким образом, расхождение средних значений в различных партиях больше чем на tS, указывает на наличие систематических ошибок и на необходимость принятия мер для их обнаружения и устранения причин, которые их вызывают. Этот принцип был применен В. Шухартом при разработкеконтрольных карт.

Статистические методы анализа стабильности могут применяться также в ситуациях, противоположных рассмотренным выше. Если в конструкцию изделия или технологический процесс его изготовления вносят какие-то изменения, то требуется определить, в какой мере это приведет к ожидаемым результатам.

Следовательно, требуется провести испытания, сделать несколько проб и статистически обработать данные. Если

/Хср.ст.-Хср.нов./ > tS,

(9)

Семь простейших методов статистического исследования процесса

Современные статистические методы довольно сложны для восприятия и широкого практического использования без углубленной математической подготовки всех участников процесса. К 1979 году Союз японских ученых и инженеров (JUSE) собрал воедино семь достаточно простых в использовании наглядных методов анализа процессов. При всей своей простоте они сохраняют связь со статистикой и дают профессионалам возможность пользоваться их результатами, а при необходимости - совершенствовать их.

Причинно-следственная диаграмма Исикавы. Данная диаграмма является очень мощным инструментом для анализа ситуации, получения информации и влиянии разных факторов на основной процесс. Здесь появляется возможность не только выявить факторы, влияющие на процесс, но и определить и приоритетность их влияния.

Рисунок 3

Диаграмма типа 5М рассматривает такие компоненты качества, как «люди», «оборудование», «материал, сырье», «технология», «управление», а в диаграмме типа 6М к ним добавляется компонент «среда» (рисунок 3).

Применительно к решаемой задаче квалиметрического анализа,
- для компоненты «люди» необходимо определить факторы, связанные с удобством и безопасностью выполнения операций;
- для компоненты «оборудование» - взаимоотношения элементов конструкции анализируемого изделия между собой, связанные с выполнением данной операции;
- для компоненты «технология» - факторы, связанные с производительностью и точностью выполняемой операции;
- для компоненты «материал» - факторы, связанные с отсутствием изменений свойств материалов изделия в процессе выполнения данной операции;
- для компоненты «технология» - факторы, связанные с достоверным распознаванием ошибки процесса выполнения операции;
- для компоненты «среда» - факторы, связанные с воздействием среды на изделие и изделия на среду.

Типы дефектов	Данные контроля	Итого
Вмятины	///// ///// ////	14
Трещины	///// ///// ///// //	17
Выход за допуск в минус	///// //	7
Выход за допуск в плюс	///// ///// ///// ///// ///	23
Прожиг при термообработке	///// ////	9
Перекос базовых поверхностей	///	3
Литейные раковины	///// /	6
Несоответствие шероховатости	///// ///// ///// ///	18
Дефекты покраски	////	4
Прочие	///// //	7
Итого		108

Рисунок 4

Контрольные листки. Контрольные листки могут применяться как при контроле по качественным, так и при контроле по количественным признакам, в этом документе фиксируются определенные виды дефектов за определенный отрезок времени. Контрольный листок является хорошим статистическим материалом для дальнейшего анализа и изучения проблем производства и уменьшения уровня дефектности (рисунок 4).

Анализ Парето. Анализ Парето получил свое название по имени итальянского экономиста Вилфредо Парето (1848-1923), который показал, что большая часть капитала (80%) находится в руках незначительного количества людей (20%). Парето разработал логарифмические математические модели, описывающие это неоднородное распределение, а математик М.О. Лоренц представил графические иллюстрации, в частности кумулятивную кривую.

Правило Парето - «универсальный» принцип, который применим во множестве ситуаций, и без сомнения - в решении проблем качества. Д. Джуран отметил «универсальное» применение принципа Парето к любой группе причин, вызывающих то или иное последствие, причем большая часть последствий вызвана малым количеством причин. Анализ Парето ранжирует отдельные области по значимости или важности и призывает выявить и в первую очередь устранить те причины, которые вызывают наибольшее количество проблем (несоответствий).

Рисунок 5

Анализ Парето, как правило, иллюстрируется диаграммой Парето (рисунок 5), на которой по оси абсцисс отложены причины возникновения проблем качества в порядке убывания вызванных ими проблем, а по оси ординат - в количественном выражении сами проблемы, причем как в численном, так и в накопленном (кумулятивном) процентном выражении. Построим диаграмму по данным, взятым из предыдущего примера - контрольного листка.

На диаграмме отчетливо видна область принятия первоочередных мер, очерчивающая те причины, которые вызывают наибольшее количество ошибок. Таким образом, в первую очередь, предупредительные мероприятия должны быть направлены на решение именно этих проблем. Выявление и устранение причин, вызывающих появление наибольшего количества дефектов, позволяет нам расходуя минимальное количество ресурсов (деньги, время, люди, материальное обеспечение) получить максимальный эффект в виде значительного уменьшения количества дефектов.

Стратификация. В основном, стратификация - процесс сортировки данных согласно некоторым критериям или переменным, результаты которого часто показываются в виде диаграмм и графиков. Мы можем классифицировать массив данных в различные группы (или категории) с общими характеристиками, называемыми переменной стратификации. Важно установить, которые переменные будут использоваться для сортировки. Стратификация - основа для других инструментов, таких как анализ Парето или диаграммы рассеивания. Такое сочетание инструментов делает их более мощными.

Возьмем данные из контрольного листка (рисунок 4). На рисунке 6 приведен пример анализа источника возникновения дефектов. Все дефекты 108 (100%) были классифицированы на 3 категории - по сменам, по рабочим и по операциям. Из анализа представленных данных наглядно видно, что наибольший вклад в наличие дефектов вносит 2 смена (54%) и рабочий Г (47%), который работает в этой смене.

Гистограммы. Гистограммы - один из вариантов столбчатой диаграммы, отображающий зависимость частоты попадания параметров качества изделия или процесса в определенный интервал значений от этих значений.

Внизу приведен пример построения гистограммы.

Для удобства расчетов и построения применяем прикладной компьютерный программный пакет EXCEL. Необходимо определить разброс значений геометрического размера, например, диаметр вала, номинальный размер которого равен 10 мм. Произведен замер 20 валов, данные замеров приведены в первом столбце А (рисунок 7). В столбце В производим расстановку замеров по возрастанию, затем в ячейке D7 определяем размах размеров, как разницу самого большого и малого значений замера. Выбираем количество интервалов гистограммы равным 8. Определяем диапазон интервала D. Затем определяем параметры интервалов, это наименьшее и наибольшее включительно значение геометрического параметра, входящего в интервал.

где i - номер интервала.

После этого определяем количество попаданий значений параметра в каждый из 8 интервалов, после этого окончательно строим гистограмму.

Рисунок 7

Диаграммы разброса. Диаграммы разброса представляют из себя графики, которые позволяют выявить корреляцию (статистическую зависимость) между различными факторами, влияющими на показатели качества. Диаграмма строится по двум координатным осям, по оси абсцисс откладывается значение изменяемого параметра, а на оси ординат откладывается получаемое значение исследуемого параметра, которое мы имеем в момент использование изменяемого параметра, на пересечении этих значений ставим точку. Собрав достаточно большое количество таких точек, мы можем делать анализ и вывод.

Приведем пример. На предприятии решили проводить занятия по основам менеджмента качества. Каждый месяц обучение проходило определенное количество рабочих. В январе обучение прошли 2 человека, в феврале 3 человека и т.д. В течение года количество обученных работников возрастало и к концу года достигло 40 человек. Руководство дало поручение службе качества отследить зависимость процента бездефектной продукции, предъявляемой с первого раза, количества поступающих на завод рекламаций на продукцию со стороны заказчиков и расхода электроэнергии в цеху от количества обученных рабочих. Была составлена таблица 1 данных по месяцам и построены диаграммы разброса (рисунок 8, 9, 10). На них хорошо видно, что процент бездефектности повышается, имеем прямую корреляционную зависимость, количество рекламаций уменьшается, имеем обратную корреляционную зависимость, причем на диаграммах хорошо видна четко выраженная корреляционная зависимость, которая определяется по кучности точек и их приближении к какой либо точно очерченной траектории, в нашем случае это прямая линия. Количество расходуемой электроэнергии не имеет зависимости от количества обученных работников.

Контрольные карты. Контрольные карты - специальный вид диаграммы, впервые предложенный В. Шухартом в 1924 г. Они отображают характер изменения показателя качества во времени, например, стабильности получения размера изделия. По существу контрольные карты показывают стабильность технологического процесса, то есть нахождение среднего значения параметра в коридоре допускаемых значений, состоящего из верхней и нижней границы допуска. Данные этих карт могут сигнализировать о том, что параметр приближается к границе допуска и необходимо уже принимать упреждающие действия еще до того как параметр выйдет в зону брака, то есть такой метод контроля позволяет предупреждать появление брака еще на стадии его зарождения.

Существуют 7 основных типов карт.

Отклонения среднеквадратического отклонения среднего значения х-S,

Отклонений размахов х-R,

Отклонений индивидуальных значений х,

Колебания числа дефектов С,

Колебания числа дефектов на единицу продукции u,

Колебания числа дефектных единиц продукции pn,

Колебания доли дефектной продукции p.

Все карты можно разбить на две группы. Первая контролирует количественные параметры качества, представляющие собой непрерывные случайные величины - размеры, масса и т.д. Вторая для контроля качественных альтернативных дискретных параметров (есть дефект - нет дефекта).

Таблица 2

Например карта х-S. Колебания среднего арифметического значения, коридор допуска здесь является величина 3S (для нормального распределения) или tS (для распределения Стьюдента), где S - среднеквадратическое отклонение среднего. Середина коридора среднее арифметическое значение первого замера. Значения этой карты наиболее достоверны и объективны. Общий вид контрольной карты показан на рисунке 11.

Литература:

1. Аскаров Е.С. Управление качеством. Учебное пособие. Изд.2. Алматы, Pro servisе, 2007, 256 с.

Реферат натему:

Развитиестатистических методов в управлении качеством

Казань 2009

Введение

1. Понятие о статистических методах качества

2. История развития статистических методов качества

3. Применение и освоение статистических методов

4. Простые статистические методы

4.1 Мозговая атака

4.2 Схема процесса

4.3 Контрольный листок (таблица проверок)

4.4 Временной ряд (линейный график)

4.5 Диаграмма Парето

4.6 Причинно-следственная диаграмма (диаграмма Исикава)

4.7 Гистограмма

4.8 Диаграмма разброса(рассеяния)

4.9 Контрольная карта

4.10 Методы Тагучи

Заключение

Список литературы

Введение

Одним из важнейшихположений тотального менеджмента качества (TQM) является принятие решений наоснове фактов. Совершенствование качества продукции и процессов требуетскрупулезной работы персонала предприятия по выявлению причин дефектов(отклонений от документации) и их устранению. Для этого необходимо организоватьпоиск фактов, характеризующих несоответствия, в подавляющем большинствекоторыми являются статистические данные, разработать методы анализа и обработкиданных, выявить коренные причины дефектов и разработать мероприятия по ихустранению с наименьшими затратами.

Проблемами сбора,обработки и анализа результатов производственной деятельности занимается математическаястатистика, которая включает в себя большое количество не только известныхметодов, но и современных инструментов (как модно в последние годы называтьметоды) анализа и выявления дефектов. К таким методам можно отнестикорреляционный и регрессионный анализы, проверку статистических гипотез,факторный анализ, анализ временных рядов, анализ безотказности и т. д.

Большое распространение вуправлении качеством (под влиянием японских специалистов) получили семь простыхметодов, применение которых не требует высокой квалификации персонала ипозволяет охватить анализ причины большинства возникающих на производстведефектов. В настоящем пособии эти методы включены в различные разделы, исходяиз целесообразности их применения.

Большое вниманиеуделяется практическому приложению математической статистики для решенияконкретных производственных задач, особенно при анализе качества процессов.

Следует отметить, что сразвитием научных систем управления качеством роль статистических методов вуправлении качеством непрерывно возрастает. Именно широкое применение впроизводстве продукции статистических методов на первых этапах борьбы закачество (50-е годы) позволило японским предприятиям очень быстро выйти влидеры мировой экономики.

Конкурентоспособностьроссийских предприятий будет так же во многом зависеть от масштаба обученияперсонала методам статистического управления качеством и их систематическогоприменения на практике.

1. Понятие остатистических методах качества

Понятие «управлениекачеством» как наука возникло в конце 19-го столетия, с переходомпромышленного производства на принципы разделения труда. Принцип разделениятруда потребовал решения проблемы взаимозаменяемости и точности производства.До этого при ремесленном способе производстве продукции обеспечение точностиготового продукта производилось по образцам или методами подгонки сопрягаемыхдеталей и узлов. Учитывая значительные вариации параметров процесса,становилось ясно, что нужен критерий качества производства продукции,позволяющий ограничить отклонения размеров при массовом изготовлении деталей.

В качестве такогокритерия Ф.Тейлором были предложены интервалы, устанавливающие пределыотклонений параметров в виде нижних и верхних границ. Поле значений такогоинтервала стали называть допуском.

Установление допускапривело к противостоянию интересов конструкторов и производственников: однимужесточение допуска обеспечивало повышение качества соединения элементовконструкции, другим – создавало сложности с созданием технологической системы, обеспечивающейтребуемые значения вариаций процесса. Очевидно также, что при наличии разрешенныхграниц допуска у изготовителей не было мотивации «держать» показатели(параметры) изделия как можно ближе к номинальному значению параметра, этоприводило к выходу значений параметра за пределы допуска.

В тоже время (начало 20-хгодов прошлого столетия) некоторых специалистов в промышленности заинтересовало,можно ли предсказать выход параметра за пределы допуска. И они стали уделятьосновное внимание не самому факту брака продукции, а поведению технологическогопроцесса, в результате которого возникает этот брак или отклонение параметра отустановленного допуска. В результате исследования вариабельности технологическихпроцессов появились статистические методы управления процессами. Родоначальникомэтих методов был В.Шухарт.

Одновременно с этимбольшое внимание уделялось разработке теории выборочного контроля продукции.Первые работы в этой области появились в конце 20-х годов в США, автором их былГ.Додж, ставший впоследствии известным американским ученым.

С момента зарождениястатистических методов контроля качества специалисты понимали, что качествопродукции формируется в результате сложных процессов, на результативностькоторых оказывают влияние множество материальных факторов и ошибки работников.Поэтому для обеспечения требуемого уровня качества нужно уметь управлять всемивлияющими факторами, определять возможные варианты реализации качества,научиться его прогнозировать и оценивать потребность объектов того или иного качества.

В послевоенное время и вСША, и в Европе появились национальные стандарты по качеству. Центральная рольв разработке нормативных документов в области качества принадлежитМеждународной организации по стандартизации (ISO). Начиная с 90-х годов, идеитеории вариаций, статистического управления процессами (SPC) овладели не толькоспециалистами-математиками, но и стали неотъемлемыми инструментами менеджеров иработников служб качества.

Большой толчокдальнейшему развитию принципов управления качеством дал японский ученыйГ.Тагути. Он предложил учитывать вариации свойств продукции на разных этапах ееразработки, что для менеджмента качества явилось революционной идеей. По Тагутинужно было установить те сочетания параметров изделий и процессов, которыеприводили к минимуму вариаций процессов. Эти процессы, которые стали называтьробастными, были устойчивы к вариациям входных параметров процессов.

Используемые всегодняшней практике предприятий статистические методы можно подразделить наследующие категории:

Методы высокого уровнясложности, которые используются разработчиками систем управления предприятиемили процессами. К ним относятся методы кластерного анализа, адаптивныеробастные статистики и др.;

Методы специальные,которые используются при разработке операций технического контроля,планировании промышленных экспериментов, расчетах на точность и надежность ит.д.;

Методы общегоназначения, в разработку которых большой вклад внесли японские специалисты. Кним относятся «Семь простых методов» (или «Семь инструментовкачества»), включающие в себя контрольные листки; метод расслоения;графики; диаграммы Парето; диаграммы Исикавы; гистограммы; контрольные карты.

В настоящее время постатистическим методам имеется обширная литература и пакеты прикладныхкомпьютерных программ, по разработке которых отечественные научные школы потеории вероятностей занимают ведущее место в мире.

Из существующихстатистических методов наиболее распространенными являются:

1) описательнаястатистика;

2) планированиеэкспериментов;

3) проверка гипотез;

4) регрессионный анализ;

5) корреляционный анализ;

6) выборочный контроль;

7) факторный анализ;

8) анализ временныхрядов;

9) статистическоеустановление допуска;

10) анализ точностиизмерений;

11) статистический контрольпроцессов;

12) статистическоерегулирование процессов;

13) анализ безотказности;

14) анализ причиннесоответствий;

15) анализ возможностейпроцесса (гистограммы).

В таблице 1 приведенысферы использования статистических методов. Наименования граф соответствуетномеру статистического метода из вышеперечисленных.

Таблица 1 Статистическиеметоды, используемые при контроле качества

\ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 А + + + + Б + + + + В + + + + + + + + + Г + + + + Д + Е + + + + + + + + + + Ж + + + З + + + + + И + + К + Л + + + + + М + + + + + + +

Буквенная индексациястрок соответствует следующим элементам системы качества по стандарту ISO 9001-94:

А – ответственностьруководства;

Б – анализ контракта;

В – проектирование;

Г – закупки;

Д – идентификацияпродукции и прослеживаемость;

Е – управлениепроцессами;

Ж – контроль и испытания;

З – контрольное,измерительное и испытательное оборудование;

И – действия снесоответствующей продукцией;

К – регистрация данных;

Л – внутренние проверкикачества;

М – подготовка кадров.

2. История развитиястатистических методов качества

Первое восприятиестатистических методов качества в виде выборки имеет многовековую историю. Ещенесколько столетий тому назад покупатели зерна и хлопка проверяли свойстватовара, прокалывая мешки с зерном или хлопком, чтобы взять пробу. Можнодопустить, что в те времена не было научного расчета взятия проб, и следуетпредположить, что это было делом опыта, как продавцов, так и покупателейтовара.

До тех пор покаремесленник совмещал в себе функции и производителя, и контролера (до середины19-го века), не было проблем с оценкой качества изготовленной продукции. Всеизменилось с появлением разделения труда. Рабочие первых фабричных мануфактур,способные выполнять простые операции процесса, не могли отвечать за качествосвоего труда, и тем более за качество готовой продукции. Введение должности контролерапривело к необходимости нормирования функций контроля и со временем потребовалоразработки научного подхода к оценке качества продукции. Стремление кпроизводству высококачественной продукции привело к гипертрофированномураздуванию на промышленных предприятиях контрольного аппарата.

Применение статистическихметодов контроля качества труда произошло еще позже – в первой четверти 20-говека. Именно внедрение статистических методов позволило значительно сократитьтрудоемкость операций контроля и значительно снизить численность инспекторов(контролеров). Первое применение научных методов статистического контроля былозафиксировано в 1924 году, когда В.Шухарт использовал для определения долибрака продукции контрольные карты.

Вальтер Э. Шухарт с 1918года работал инженером фирмы «Western Electric» (США). В 1925 годуона была преобразована в фирму «Bell Telephone Laboratories». Шухартпроработал в ней до 1956 года (до выхода на пенсию). Основные его разработки вобласти статистического контроля внедрялись в первую очередь на этой фирме.В.Шухарт переключил внимание с допускового подхода к управлению качеством наподход, направленный на обеспечение стабильности процессов и уменьшение ихвариаций. Его идеи до настоящего времени сохраняют актуальность. Кроме того, Шухартвысказал идею непрерывного улучшения качества, предложив цикл непрерывного улучшения процессов, носящий сегодня название «ЦиклаШухарта – Деминга». В последние годы этот цикл получил дальнейшее развитиепод воздействием Деминга и стал использоваться как инструмент командной работыпо улучшению качества.

Одновременно с Шухартом,в той же фирме в середине 20-х годов инженером Г.Ф.Доджем была предложенатеория приемочного контроля, получившая вскоре мировую известность. Основы этойтеории были изложены в 1944 году в его совместной с Х.Г.Роллингом работе «SamplingInspection Tables– Single and Double Sampling».

Большой вклад в системуобеспечения качества контроля в середине 20-го века внесли американские ученыеД.Нойман, Э.Пирсон, Е.Фишер. Среди их разработок наибольшую известностьполучила теория проверки статистических гипотез. Можно отметить, что сегоднябез знания теории ошибок первого и второго рода невозможна рациональная оценкавыбранного метода статистического контроля.

Во время второй мировойвойны нехватка ресурсов заставила искать новые методы контроля с возможно малымчислом проверяемых изделий, особенно при разрушающем контроле. В 40-х годах20-го столетия А.Вальд (США) разработал теорию последовательного анализа истатистическую теорию принятия решений. Применение теории последовательного анализабыло настолько эффективно (расходы на контроль при прежней вероятности ошибокснижаются до 60% по сравнению с традиционными методами), что в США она былаобъявлена секретным документом и опубликована только после окончания войны.

Большое влияние настановление статистических методов контроля, как философии качества, оказалЭдвард Деминг (США). В начале 50-х годов Деминг проводил широкомасштабноеобучение японских специалистов новым методам обеспечения качества, особоевнимание при этом обращая на статистические методы управления качеством. Егодеятельность была настолько успешной, что уже в 60-х годах американцам пришлосьуступить японским фирмам значительную часть рынков сбыта, в том числе и в самихСША.

Американское научноевлияние на совершенствование систем обеспечения качества привело к созданиюяпонской научной школы в области качества, среди представителей которыхследует, прежде всего, отметить К.Исикаву и Г. Тагути, внесших большой вклад вразвитие статистических методов в управлении качеством. Так Каору Исикававпервые в мировой практике предложил оригинальный графический метод анализапричинно-следственных связей, получивший название «диаграммы Исикава».Сегодня практически невозможно найти такую область деятельности по решению проблемкачества, где бы ни применялась диаграмма Исикавы.

Генити Тагути −известный во второй половине 20-го века японский специалист в областистатистики. Он развивает идеи математической статистики, относящиеся, в частности,к статистическим методам планирования эксперимента и контроля качества. Тагутивпервые соединил математической зависимостью экономические затраты и качество,введя понятие функции потерь качества. Он первым показал, что потери качестваимеют место и в поле допуска – они появляются с момента несовпаденияноминального, заданного технической документацией, значения параметра изначения исследуемой случайной величины. Заслуга Тагути также в том, что онсумел найти сравнительно простые аргументы и приемы, которые сделали робастноепланирование эксперимента в области обеспечения качества реальностью. На нашвзгляд, невнимание к методам Тагути − одна из причин серьезногоотставания российских предприятий в области совершенствования качествапроцессов и продукции.

Внесли свой научный вкладв развитие статистических методов и советские ученые: В.И. Романовский,Е.Е.Слуцкий, Н.В.Смирнов, Ю.В.Линник и др. Так, например, Смирнов заложилосновы теории непараметрических рядов, а Слуцкий опубликовал несколько важныхработ по статистике связанных стационарных рядов. Особенно интенсивно в СССРразрабатывались статистические методы исследования и контроля качества вмассовом производстве, методы планирования эксперимента (Ю.П.Адлер и др.).

В 50-70-х годах прошлогостолетия на ряде предприятий оборонного комплекса СССР активно проводились (подвлиянием японского опыта по повышению качества) работы по внедрению системуправления качеством (в Саратове – БИП, в Горьком – КАНАРСПИ, в Ярославле –НОРМ, во Львове – КСУКП и др.), в которых статистические методы в областиприемочного контроля и регулирования технологических процессов занимали важноеместо в предупреждении дефектов продукции.

В последние годы можноотметить работы российского ученого к области качества В.А.Лапидуса. Имопубликован ряд трудов по теории и практике управления качеством с учетомвариаций и неопределенности, в которых изложен «принцип распределенияприоритетов», позволяющий оптимально выстроить отношения поставщика ипотребителя с позиции обеспечения качества. Ему же принадлежит новый подход куправлению качеством, названный «гибким методом статистического управления»,который математически опирается на теорию нечетких множеств.

И все же можно отметитьопределенный застой российской научной школы математической статистики,связанный, вероятно, с отсутствием спроса экономики на научный заказ по применениюновых статистических методов обеспечения качества продукции.

3. Применение и освоение статистическихметодов

Таблица 2 Применениестатистических методов на этапах жизненного цикла продукции

Этапы жизненного цикла продукции Задачи, решаемые в системе качества Статистические методы Маркетинг и изучение рынка Изучение и оценка рыночного спроса и перспектива его изменений Методы анализа статистических совокупностей, экономико-математические (динамическое программирование, имитационное моделирование и др.) /> Анализ пожеланий потребителей в отношении качества и цены продукции Экономико-математические методы (QFD) и др. /> Прогнозирование цены, объема выпуска, потенциальной доли рынка, ожидаемой продолжительности жизни продукции на рынке Экономико-математические методы (теория массного обслуживания, теория игр, линейное и нелинейное программирование и др.) Проектирование и разработка продукции

Нормирование требований к качеству продукции.

Определение технических требований в области надежности.

Оптимизация значений показателя качества продукции.

Оценка технического уровня продукции

Графические методы (схема Исикавы, диаграмма Парето, гистограмма и др.): методы анализа статистических совокупностей; экономико-математические методы (методы Тагути, QFD) /> Испытания опытных образцов или опытных партий новой (модернизированной) продукции Графо-аналитические методы (гистограмма, расслоенная гистограмма и др.), методы анализа статистических совокупностей (методы проверки статистических гипотез, сравнение средних, сравнение дисперсий и др.): экономико-математические методы (планирование эксперимента) /> Обеспечение безопасности продукции Экономико-математические методы (имитационное моделирование, метод деревьев вероятности и др.) Закупки Формирование планов обеспечения предприятий материально-техническими ресурсами требуемого качества Экономико-математические методы (теория массового обслуживания, линейное программирование и др.) /> Оценка возможностей поставщиков Экономико-математические методы (системный анализ, динамическое программирование и др.) /> Своевременное обеспечение поставок материально-технических ресурсов Экономико-математическое методы (теория массового обслуживания) /> Снижение затрат на материально-техническое обеспечение качества продукции Экономико-математические методы (методы Тагути, функционально-стоимостной анализ и др.) Производство Разработка технологических процессов Экономико-математические методы (методы Тагути); графики разброса и др.); методы анализа статистических совокупностей (дисперсионный, регрессионный и корреляционный виды анализа и др.) /> Обеспечение точности и стабильности технологических процессов Методы статистической оценки точности и стабильности технологических процессов (гистограммы, точностные диаграммы, контрольные карты) /> Обеспечение стабильности качества продукции при производстве Методы статистического регулирования технологических процессов (точностные диаграммы, контрольные карты) Контроль и испытания Соблюдение метрологических правил и требований при подготовке, выполнении и обработке результатов испытаний Графические методы (гистограмма, график разброса и др.); методы анализа статистических совокупностей (методы проверки статистических гипотез, сравнение средних, сравнение дисперсий и др.) /> Выявление продукции, качество которой не соответствует установленным требованиям Методы статистического приемочного контроля /> Анализ качества продукции Графические методы (схема Исикавы, диаграмма Парето, расслоение диаграммы Парето и др.), экономико-математические методы (функционально-стоимостной анализ, QFD) Упаковка и хранение Анализ соблюдения требований к упаковке и хранению продукции на предприятии Методы статистического приемочного контроля; экономико-математические методы (теория массового обслуживания) Реализация и распределение продукции Обеспечение качества транспортировки продукции Экономико-математические методы (линейное программирование, теория массового обслуживания) Установка и ввод в эксплуатацию Анализ качества продукции в процессе монтажа и ввода в эксплуатацию Графические методы (график временного ряда и др.); методы анализа статистических совокупностей (факторный анализ и др.) /> Анализ затрат потребителей при использовании продукции Экономико-математическое методы (методы Тагути, функционально-стоимостной анализ, QFD) Техническая помощь в обслуживании

Организация гарантийного ремонта продукции

Организация своевременной поставки запасных частей

Экономико-математическое методы (теория массового обслуживания, линейное программирование и др.) Послепродажная деятельность Анализ отказов и других несоответствий продукции Графические методы (график временного ряда и др.); методы анализа статистических совокупностей (факторный анализ и др.) Утилизация после использования Изучение возможности использования продукции несоответствующего качества или по истечении срока службы Экономико-математические методы (функционально-стоимостной анализ, QFD и др.)

Определение потребности ивыбор конкретных статистических методов в системе качества являются достаточносложной и длительной работой аналитического и организационного характера.

В связи с этим даннуюработу целесообразно вести на основе специальной программы, которая можетсодержать следующий комплекс организационных мероприятий (рис. 1). Начинатьосвоение статистических методов следует с применения простых и доступных и ужепосле этого переходить к более сложным методам. Учитывая трудности освоениястатистических методов в производственной практике, эти методы целесообразноподразделять на два класса: простые и сложные методы.

При выборе статистическихметодов стремятся к тому, чтобы они соответствовали характеру производственногопроцесса, наличию средств измерений и обработки статистической информации.Поскольку для решения определенной производственной проблемы можно выбратьнесколько разных статистических методов, выбирается такой из них, которыйобеспечит достижение наилучшего результата при минимальных затратах.

Рис. 1 Программа освоениястатистических методов

Для выполнениянеобходимых статистических расчетов используются различного рода техническиесредства, в том числе электронно-вычислительная техника. Сравнительно простыетехнические средства, например, статистические индикаторы, обеспечивают вводданных со шкал контрольно-измерительных приборов, журналов и таблиц, а такжевычисление статистических характеристик при непосредственном измерении.Применение ЭВМ дает возможность обрабатывать исходную информацию, следить запараметрами процесса, непрерывно экспериментировать, меняя переменные до техпор, пока не установятся оптимальные режимы. При этом можно воспользоватьсястандартными программами статистического управления качеством.

4. Простые статистическиеметоды

Среди простыхстатистических методов, названных так ввиду их сравнительной несложности,убедительности и доступности, наибольшее распространение получили семь методов,выделенных в начале 50-х годов японскими специалистами под руководством К.Исикавы. В своей совокупности эти методы образуют эффективную систему методовконтроля и анализа качества. С их помощью, по свидетельству самого К. Исикавы,может решаться от 50 до 95% всех проблем, находящихся в поле зренияпроизводственников. Для применения семи простых методов не требует специальногообразования (стандартная японская программа обучения этим методам рассчитана на20 занятий и ориентирована на уровень старшеклассников). О популярности семипростых методов можно судить по тому, что сегодня в японских фирмах ими владеютвсе - от президента до рядового рабочего. В этом отношении данные методы являютсясредством демократизации технологии управления качеством.

Семь простых методовмогут применяться в любой последовательности, в любом сочетании, в различныханалитических ситуациях, их можно рассматривать и как целостную систему, какотдельные инструменты анализа. В каждом конкретном случае предлагаетсяопределить состав и структуру рабочего набора методов. Хотя они являютсяпростыми методами, но это отнюдь не значит, что при использовании многих из нихнельзя воспользоваться компьютером, чтобы быстрее и без затруднений сделатьподсчеты и наглядней представить статистические данные.

Согласно К. Исикаве всемь простых методов входят:

1. гистограммы;

2. временные ряды;

3. диаграммы Парето;

4. причинно-следственныедиаграммы Исикавы;

5. контрольныелистки;

6. контрольные карты;

7. диаграммырассеяния.

Области примененияупомянутых «инструментов» качества показаны на рис. 2; там жеприведены еще два приема, часто используемы на начальной стадии работы:

1. мозговая атака;

2. схема процесса.

Рассмотрим суть указанныхметодов.

4.1 МОЗГОВАЯ АТАКА

Мозговая атака используется,чтобы помочь группе выработать наибольшее число идей по какой-либо проблеме ввозможно коротко время, и может осуществляться двумя путями:

1. Упорядоченно - каждый член группы подает идеи в порядке очередности по кругу или пропускаетсвою очередь до следующего раза. Таким способом можно побудить к разговору дажесамых молчаливых людей, однако, здесь присутствует некоторый элемент давления,что может помешать.

2. Неупорядоченно - члены группы просто подают идеи по мере того, как они приходят на ум. Таксоздается более раскованная атмосфера, правда, есть опасность, что самыеговорливые возьмут верх.

В обоих методах общиеправила поведения одинаковы. Желательно придерживаться такой линии поведения:

1. Никогда некритиковать идей. Записывать на лист или доску каждую идею. Если слова виднывсем, это помогает избежать неверного понимания и рождает новые идеи.

2. Каждый долженсогласиться с вопросом или повесткой дня предстоящей мозговой атаки.

3. Заносить на доскуили на лист слова выступающего буквально, не редактируя их.

4. Делать всебыстро, лучше всего проводить мозговую атаку за 5 – 15 минут.

5. Выявлениепроблем.

6. Анализ проблем.

Рис 2 Область применения«инструментов» качества

4.2 СХЕМА ПРОЦЕССА

Схема процесса(последовательности операций, маршрутная карта) применяется, когда требуетсяпроследить фактические или подразумеваемые стадии процесса, которые проходитизделие или услуга, чтобы можно было определить отклонения.

При изучении схемпроцессов часто можно обнаружить скрытые ловушки, которые служат потенциальнымиисточниками помех и трудностей.

Необходимо собратьспециалистов, располагающих наибольшими знаниями о данном процессе, для того,чтобы:

7. построитьпоследовательную схему стадий процесса, который действительно происходит;

8. построитьпоследовательную схему стадий процесса, который должен протекать, если всебудет работать правильно;

9. сравнить двесхемы, чтобы найти, чем они отличаются, и таким образом найти точку, в которойвозникают проблемы.

4.3 КОНТРОЛЬНЫЙ ЛИСТОК(ТАБЛИЦА ПРОВЕРОК)

Контрольный листокпозволяет ответить на вопрос: «Как часто случается определенноесобытие?». С него начинается превращение мнений и предположений в факты.Построение контрольного листка включает в себя следующие шаги,предусматривающие необходимость:

1. установить какможно точнее, какое событие будет наблюдаться. Каждый должен следить за одной итой же вещью;

2. договориться опериоде, в течение которого будут собираться данные. Он может колебаться отчасов до недель;

3. построить форму,которая будет ясной и легкой для заполнения. В форме должны быть четкообозначены графы и колонки, должно быть достаточно места для внесения данных;

4. собирать данныепостоянно и честно, ничего не искажая. Еще раз убедитесь, что назначенное вамивремя достаточно для выполнения за дачи по сбору данных.

Собранные данные должныбыть однородными. Если это не так, необходимо сначала сгруппировать данные, азатем рассматривать их по отдельности.

Рис 3 Контрольный листок/>

4.4 ВРЕМЕННОЙ РЯД(ЛИНЕЙНЫЙ ГРАФИК)

Временной рядприменяется, когда требуется самым простым способом представить ход изменениянаблюдаемых данных за определенный период времени.

Временной рядпредназначен для наглядного представления данных, очень прост в построении ииспользовании. Точки наносятся на график в том порядке, в каком они былисобраны. Поскольку они обозначают изменение характеристики во времени, оченьсущественна последовательность данных.

Опасность в использованиивременного ряда заключается в тенденции считать важным любое изменение данныхво времени.

Временной ряд, как идругие виды графической техники, следует использовать, чтобы сосредоточить вниманиена действительно существенных изменениях в системе.

Одно из наиболееэффективных применений временного ряда заключается в выявлении существенныхтенденций или изменений средней величины (рис.4)

Рис 4 Временной ряд

4.5 ДИАГРАММА ПАРЕТО

Применяется, когдатребуется представить относительную важность всех проблем или условий с цельювыбора отправной точки для решения проблем, проследить за результатом илиопределить основную причину проблемы.

Диаграмма Парето - этоособая форма вертикального столбикового графика, которая помогает определить,какие имеются проблемы, и выбрать порядок их решения. Построение диаграммыПарето, основанное или на контрольных листках или на других формах сбора данныхпомогает привлечь внимание и усилия к действительно важным проблемам. Можнодостичь большего, занимаясь самым высоким столбиком, не уделяя внимания меньшимстолбикам (рис. 5).

Рис 5 Диаграмма Парето

Порядок построениядиаграммы Парето:

1. Выберитепроблемы, которые необходимо сравнить и расположите их в порядке важности(путем мозговой атаки, используя существующие данные - отчеты).

2. Определитекритерий для сравнения единиц измерения (натуральные или стоимостныехарактеристики).

3. Наметьте периодвремени для изучения.

4.6 ПРИЧИННО-СЛЕДСТВЕННАЯДИАГРАММА (диаграмма Исикавы)

Диаграмма Исикавы(«рыбий скелет») применяется, когда требуется исследовать иизобразить все возможные причины определенных проблем или условий.

Позволяет представитьсоотношения между следствием, результатом и всеми возможными причинами,влияющими на них. Следствие, результат или проблема обычно обозначаются направой стороне схемы, а главные воздействия или «причины»перечисляются на левой стороне (рис.6).

Рис 6 Причинно-следственная диаграмма

Порядок построенияпричинно-следственной диаграммы:

1. Начинайте процессс описания выбранной проблемы, а именно:

· ее особенности;

· где она возникает;

· когда проявляется;

· как далекораспространяется.

2. Перечислитепричины, необходимые для построения причинно следственной диаграммы одним изследующих способов:

· проведитемозговую атаку, на которой обсудите все возможные причины без предварительнойподготовки;

· внимательнопроследите все стадии производственного процесса и на контрольных листкахукажите возможные причины возникающей проблемы.

3. Постройтедействительную причинно-следственную диаграмму.

4. Попытайтесь датьтолкование всем взаимосвязям.

Чтобы отыскать основныепричины проблемы, ищите причины, которые повторяются. Основные причинныекатегории нужно записывать в самом общем виде. Используйте как можно меньшеслов.

4.7 ГИСТОГРАММА

Применяется, когдатребуется исследовать и представить распределение данных о числе единиц вкаждой категории с помощью столбикового графика. Как мы уже видели на диаграммеПарето, очень полезно представить в форме столбикового графика частоту, скоторой появляется определенное событие (так называемое частотноераспределение). Однако, диаграмма Парето имеет дело только с характеристикамипродукции или услуги: типами дефектов, проблемами, угрозой безопасности и т. п.

Гистограмма, напротив,имеет дело с измеряемыми данными (температура, толщина) и их распределением.Распределение может быть критическим, т.е. иметь максимум. Многие повторяющиесясобытия дают результаты, которые изменяются во времени.

Гистограмма обнаруживаетколичество вариаций, которые имеет процесс. Типичная гистограмма можетвыглядеть так, как показано на рис. 7.

Рис 7 Гистограмма

Количество классов(столбиков на графике) определяется тем, как много взято образцов или сделанонаблюдений.

Некоторые процессы посвоей природе искажены (несимметричны), поэтому не следует ожидать, что каждоераспределение будет иметь форму колоколообразной кривой.

Не доверяйте точностиданных, если классы внезапно остановились на какой-то точке, например, границеспецификации, хотя перед этим число не уменьшалось.

Если у кривой имеется двапика, это означает, что данные собраны из двух или более различных источников,т.е. смен, машин и т.п.

4.8 ДИАГРАММА РАЗБРОСА(РАССЕЯНИЯ)

Применяется, когдатребуется представить, что происходит с одной из переменных величин, еслидругая переменная изменяется, и проверить предположение о взаимосвязи двухпеременных величин.

Диаграмма рассеянияиспользуется для изучения возможной связи между двумя переменными величинами.Глядя на диаграмму рассеяния нельзя утверждать, что одна переменная служит причинойдля другой, однако диаграмма проясняет, существует ли связь между ними и каковасила этой связи. Диаграмма рассеяния строится в таком порядке: погоризонтальной оси откладываются измерения величин одной переменной, а повертикалькой оси - другой переменной. Вид типичной диаграммы рассеяния представленна рис. 8.

Рис 8 Диаграмма рассеяния/>

4.9 КОНТРОЛЬНАЯ КАРТА

Одним из основныхинструментов в обширном арсенале статистических методов контроля качестваявляются контрольные карты. Принято считать, что идея контрольной картыпринадлежит известному американскому статистику Уолтеру Л. Шухарту. Она былавысказана в 1924 г. и обстоятельно описана в 1931 г.

Первоначально онииспользовались для регистрации результатов измерений требуемых свойствпродукции. Выход параметра за границы поля допуска свидетельствовал онеобходимости остановки производства и проведении корректировки процесса всоответствии со знаниями специалиста, управляющего производством.

Это давало информацию отом, когда, кто, на каком оборудовании получал брак в прошлом.

Однако в этом случаерешение о корректировке принималось тогда, когда брак уже был получен. Поэтомуважно было найти процедуру, которая бы накапливала информацию не только дляретроспективного исследования, но и для использования при принятии решений. Этопредложение опубликовал американский статистик И. Пейдж в 1954 г.

Карты, которыеиспользуются при принятии решений, называются кумулятивными.

Контрольная карта (рис 9)состоит из центральной линии, двух контрольных пределов (над и под центральнойлинией) и значений характеристики (показателя качества), нанесенных на картудля представления состояния процесса.

Рис 9 Контрольная карта

В определенные периодывремени отбирают (все подряд; выборочно; периодически из непрерывного потока ит. д.) n изготовленных изделий и измеряют контролируемый параметр.

Результаты измеренийнаносят на контрольную карту, и в зависимости от этого значения принимаютрешение о корректировке процесса или о продолжении процесса без корректировок.

Сигналом о возможнойразладке технологического процесса могут служить:

· выход точки законтрольные пределы (точка 6); (процесс вышел из-под контроля);

· расположениегруппы последовательных точек около одной контрольной границы, но не выход занее (11, 12, 13, 14), что свидетельствует о нарушении уровня настройкиоборудования;

· сильное рассеяниеточек (15, 16, 17, 18, 19, 20) на контрольной карте относительно средней линии,что свидетельствует о снижении точности технологического процесса.

При наличии сигнала онарушении производственного процесса должна быть выявлена и устранена причинанарушения.

Таким образом,контрольные карты используются для выявления определенной причины, но неслучайной. Под определенной причиной следует понимать существование факторов,которые допускают изучение. Разумеется, что таких факторов следует избегать.

Вариация же,обусловленная случайными причинами необходима, она неизбежно встречается влюбом процессе, даже если технологическая операция проводится с использованиемстандартных методов и сырья. Исключение случайных причин вариации невозможнотехнически или экономически нецелесообразно.

Контролироваться должныестественные колебания между пределами контроля. Нужно убедиться, что выбранправильный тип контрольной карты для определенного типа данных. Данные должныбыть взяты точно той последовательности, как они собраны, иначе они теряютсмысл. Не следует вносить изменений в процесс в период сбора данных. Данныедолжны отражать, как процесс идет естественным образом. Контрольная карта можетуказать на наличие потенциальных проблем до того, как начнется выпуск дефектнойпродукции.

Существуют два основныхтипа контрольных карт: для качественных признаков (годен - негоден) и дляколичественных признаков. Для качественных признаков возможны четыре видаконтрольных карт:

· V - карта (числодефектов на единицу продукции)

· С - карта (числодефектов в выборке)

· Р - карта (долядефектных изделий в выборке)

· NP - карта (числодефектных изделий в выборке)

При этом в первом итретьем случаях объем выборки является переменным, а во втором и четвертом - постоянным.

Таким образом, целямиприменения контрольных карт могут быть:

1. выявлениенеуправляемого процесса

2. контроль зауправляемым процессом

3. оцениваниевозможностей процесса

Обычно подлежит изучениюследующая переменная величина (параметр процесса) или характеристика:

· известная важнаяили важнейшая

· предположительнаяненадежная

· по которой нужнополучить информацию о возможностях процесса

· эксплуатационная,имеющая значение при маркетинге

При этом не следуетконтролировать все величины одновременно. Контрольные карты стоят денег,поэтому нужно использовать их разумно:

· тщательновыбирать характеристики

· прекращать работус картами при достижении цели

· продолжать вестикарты только тогда, когда процессы и технические требования сдерживают другдруга

Необходимо иметь в виду,что процесс может быть в состоянии статистического регулирования и давать 100%брака. И наоборот, может быть неуправляемым и давать продукцию, на 100%отвечающую техническим требованиям. Контрольные карты позволяют проводитьанализ возможностей процесса.

Возможности процесса - это способность функционировать должным образом. Как правило, под возможностямипроцесса понимают способность удовлетворять техническим требованиям.

4.10 МЕТОДЫ ТАГУЧИ

В конце 60-х годовяпонский специалист по статистике Тагучи завершил разработку идейматематической статистики применительно к задачам планирования эксперимента иконтроля качества. Совокупность своих идей Тагучи назвал «методомнадежного проектирования».

Тагучи предложилхарактеризовать производимые изделия устойчивостью технических характеристик.Он внес поправку в понятие случайного отклонения, утверждая, что существуют неслучайности, а факторы, которые иногда трудно поддаются учету.

Важное отличие методовТагучи заключается в отношении к основополагающим характеристикам произведеннойпродукции - качеству и стоимости. Отдавая приоритет экономическому фактору(стоимости), он тем не менее увязывает стоимость и качество в одной характеристике,названной функцией потерь.

При этом одновременноучитываются потери как со стороны потребителя, так и со стороны производителя.Задачей проектирования является удовлетворение обеих сторон.

Тагучи создал надежный методрасчета, использовав отношение сигнал - шум, применяемое в электросвязи,которое стало основным инструментом инжиниринга качества.

Тагучи ввел понятиеидеальной функции изделия, определяемой идеальным отношением между сигналами навходе и выходе. Факторы, являющиеся причиной появления отличий реальныххарактеристик продукции от идеальных, Тагучи называет шумом.

Специалист, использующийметоды Тагучи, должен владеть методами предсказания шума в любой области, будьто технологический процесс или маркетинг.

Внешние шумы - это вариации окружающей среды:

· влажность

· индивидуальныеособенности человека и т. д.

Шумы при хранении иэксплуатации - это старение, износ и т. п. Внутренние шумы - этопроизводственные неполадки, приводящие к различиям между изделиями даже внутриодной партии продукции. При перенесении своего метода из лабораторных вреальные условия Г. Тагучи использует для характеристики отношения сигнал - шумпоказатель устойчивости, понимаемый как высокая повторяемость реагирования.Расчет устойчивости характеристик проводится в инжиниринге качества не сложнымии трудоемкими методами, а на основе нового метода планирования эксперимента сиспользованием дисперсного анализа.

Заключение

Все большее освоение новой для нашей страны экономическойсреды воспроизводства, т.е. рыночных отношений, диктует необходимостьпостоянного улучшения качества с использованием для этого всех возможностей,всех достижений прогресса в области техники и организации производства.

Наиболее полное и всестороннее оценивание качестваобеспечивается, когда учтены все свойства анализируемого объекта, проявляющиесяна всех этапах его жизненного цикла: при изготовлении, транспортировке,хранении, применении, ремонте, тех. обслуживании.

Таким образом, производитель должен контролироватькачество продукции и по результатам выборочного контроля судить о состояниисоответствующего технологического процесса. Благодаря этому он своевременнообнаруживает разладку процесса и корректирует его.

Статистические методы (методы, основанные наиспользовании математической статистики), являются эффективным инструментомсбора и анализа информации о качестве. Применение этих методов, не требуетбольших затрат и позволяет с заданной степенью точности и достоверностью судитьо состоянии исследуемых явлений (объектов, процессов) в системе качества,прогнозировать и регулировать проблемы на всех этапах жизненного циклапродукции и на основе этого вырабатывать оптимальные управленческие решения.

Список литературы

1. Ефимов В.В.Статистические методы в управлении качеством. Ульяновск: УлГТУ, 2003 – 134 с.

2. Статистическиеметоды управления качеством // www.lenobl.ru,2005.

3. Климанов В.Статистические методы управления качеством// victor61058.narod.ru,2004.

4. Окрепилов В.В.Управление качеством. СПб.: Наука, 2000. - 911 с.

ТЕМА 2. СТАТИСТИЧЕСКОЕ НАБЛЮДЕНИЕ НАСЕЛЕНИЯ

2.1. Значение статистических методов в изучении населения

2.2. Переписи - основной источник данных о населении

2.3. Другие источники сведений о населении

2.4. Практическое использование знаний о населении в макроэкономи­ке и на потребительском рынке.

Население представляет собой совокупность людей. Размер совокупно­сти определяется численностью населения. Определив эту численность, мы получаем первое представление о стране.

Дальнейшее изучение населения означает исследование его структуры. Описание населения путем сбора характеристик каждой единицы совокупно­сти и составляет особенность статистического наблюдения населения.

Среди приемов статистического наблюдения населения наибольшее распространение получили переписи населения, текущий учет естественного движения населения и его миграции, выборочные и анамнестические обсле­дования, использование списков и учетных материалов, введение регистров и автоматизированных банков данных о населении.

Данные этих источников используются для разных целей и не могут заменять друг друга. В то же время между ними существует тесная связь: ка­ждый источник дополняет или продолжает другой, поэтому важно.чтобы при разработке программ наблюдения обеспечивалась взаимная увязка соот­ветствующих показателей.

Теоретические воззрения на законы движения населения развивались вплоть до конца XIX в. То в рамках экономических теорий (политэкономии), то в рамках социологии, однако изучение закономерностей демографических процессов шло неизменно в русле статистики, что давала и сейчас еще дает иногда повод считать демографию тождественной статистике населения и отрицать за ней право на самостоятельное существование как науки. Истори­чески население было первым объектом статистического учета, а демографи­ческие явления - той областью, в которой развивалась статистика как наука о методах количественного изучения массовых явлений.

Как указывал М.В. Птуха, число жителей и плотность населения дава­ли в общем правильное представление о богатстве и мощи страны и об уров­не развития ее производительных сил.

Демографические явления - массовые явления. Население, как следует уже из самого определения этого понятия, представляет собой совокупность людей. Демографические процессы складываются из множества отдельных случаев рождения, вступления в брак, перемены места жительства, смерти. Однако массовыми их делают в статистическом смысле не множество индивидуальных случаев, из которых они слагаются, а то обстоятельство, что в этих явлениях присутствует сочетание необходимого и случайного, присут­ствует сочетание причин, образующих вариацию признаков.

Частные причины не дают возможности выявить в каждом отдельном случае общую закономерность демографического процесса, уловить зало­женную в нем необходимость. Она проявляется только в массе случаев, когда влияние частных, случайных причин взаимно погашается. «Прежде всего, -писал А. Кетле, - мы должны оставить в стороне человека, взятого в отдель­ности, и рассматривать его только как часть рода человеческого. Отвлекаясь от его индивидуальности, мы исключаем все случайное; индивидуальные особенности, которые оказывают на массы весьма малое или даже никакого влияния, сгладятся сами собой, и дадут возможность делать общие выводы». 2

Закономерность массового демографического явления проявляется в количественном виде в форме эмпирических статистических закономерно­стей. Последние представляют собой конкретное проявление общих законов развития населения. Выявление причинных отношений, общих законов раз­вития населения - это теоретический демографический анализ, а обнаруже­ние и исследование эмпирических статистических закономерностей массо­вых демографических явлений требует применения статистических методов.

Таковы исходные предпосылки и принципиальные основания для при­менения статистических методов в демографических исследованиях. Специ­фика демографических процессов предопределяет и специфические стати­стические методы, особенности их использования, их познавательное значе­ние.

Специфика населения как объекта статистического изучения состоит в следующем:

В его разносторонности - множественности характеристик людей, образующих ряд взаимосвязанных структур населения. Поскольку признаки людей связаны между собой, структура населения по одному из этих призна­ков отражает его структуру по другим признакам. Вместе с тем, эти признаки
могут иметь множество значений (пол, возраст, занятие и др.), что делает насе­ление крайне разнородной совокупностью;

2 Кетле. А. Социальная физика или опыт о развитии способностей человека. - Т.1. - Киев. – 1911. –С. 6.

В его изменчивости. Население - совокупность, непрерывно обновляющаяся в процессе своего воспроизводства. В закрытом населении это са­мообновление, в открытом оно связано с притоком извне, миграцией;

Во взаимосвязи структуры и воспроизводства населения. Население возобновляется, сохраняя определенную структуру, обусловленную в значительной степени характером его воспроизводства. Изменения демографиче­ских процессов меняют структуру населения, в свою очередь изменения в
структуре населения отражаются на интенсивности демографических про­цессов;

В том, что демография имеет дело не только с характеристиками совокупностей людей и совокупностей демографических событий, но и с таки­ми специфическими совокупностями, как поколения, применительно к жизни которых рассматриваются те или иные совокупности демографических собы­тий;

Население характеризуется в основном качественными признаками, которыми одни люди обладают, а другие нет. Количественные признаки имеют сравнительно небольшое распространение, т.е. в основном дискрет­ные признаки.

Совокупность статистических методов в демографии охватывает науч­ные приемы сбора, обработки, обобщения и анализа данных о населении, применяемых для определения в массовых демографических данных законо­мерностей воспроизводства населения.

В комплексе статистических методов первостепенное значение имеют методы сбора информации о населении.

Важная особенность наблюдения демографических явлений заключа­ется в том, что демографические события (вступление в брак, рождение ре­бенка, перемена места жительства) должны быть приурочены, с одной сторо­ны, к определенному времени, когда действуют те или иные внешние обстоя­тельства, влияние которых необходимо исследовать, а с другой - к опреде­ленным периодам в жизни людей или к периодам жизни поколения.

Интенсивность демографических процессов различна в разных демо­графических состояниях. Поэтому организация и программа демографического наблюдения зависит от того, надо ли получить характеристики для со­временников или ровесников (для гипотетического или реального поколе­ния). Население все чаще рассматривается как совокупность не только лиц, но и семей, домохозяйств. Выделение семьи, домохозяйства в качестве объ­екта наблюдения требуют четкого их определения, что представляет не про­стую задачу.

Сведения о населении получают путем опроса людей и поэтому имеет значение психологическая сторона. В опросе участвуют двое: опрашиваемый и регистратор. Можно подобрать квалифицированные кадры регистраторов, четко, в форме удобной для устного опроса, сформулировать вопросы, пре­дусмотреть строгий порядок опроса и обеспечить контроль его соблюдения. Однако с опрашиваемыми дело обстоит сложнее. Необходимо учитывать со­циальные установки, отношение опрашиваемых к предмету обследования, степень остроты затрагиваемых обследованием проблем. Социально-психологические факторы особенно важны при изучении мнений, в частно­сти при исследовании мотивов демографического поведения, которые стано­вятся сейчас полноправным видом демографических исследований.