绘制X-Bar-S和X-Bar-R图,监测过程,计算CPK过程能力指数

X-Bar-S图和X-Bar-R图是统计质量控制中常用的两种控制图，用于监测过程的稳定性和一致性。它们的主要区别在于如何计算和呈现数据的变化以及所关注的问题类型。

  1. X-Bar-S图（平均值与标准偏差图）：

    • X-Bar代表样本均值，S代表样本标准偏差。
    • X-Bar-S图用于监测过程的平均值和变异性。
    • 过程中的每个样本都会测量，并计算出该样本的平均值（X-Bar）和标准偏差（S）。
    • 控制图上通常有两条中心线：一条代表平均值，另一条代表标准偏差。
    • X-Bar-S图适用于对过程均值和过程标准偏差都有关注的情况，例如，需要确保产品的尺寸和质量稳定。

  2. X-Bar-R图（平均值与范围图）：

    • X-Bar代表样本均值，R代表样本范围。
    • X-Bar-R图主要用于监测过程的平均值和范围，而不是标准偏差。
    • 对每个样本进行测量，并计算出该样本的平均值（X-Bar）和范围（R，即最大值与最小值之差）。
    • 控制图上通常有两条中心线：一条代表平均值，另一条代表范围。
    • X-Bar-R图适用于关注过程的平均值，但不太关注过程的标准偏差的情况，例如，需要确保生产过程的平均值在目标值附近。

总之，X-Bar-S图和X-Bar-R图都用于监测过程的稳定性，但它们关注的参数不同。X-Bar-S图同时关注平均值和标准偏差，而X-Bar-R图关注平均值和样本范围。选择使用哪种图表取决于你对过程的关注点和需要监测的参数。

------------------------

下面是X-Bar-S图和X-Bar-R图的各自控制限计算公式：

X-Bar-S图的控制限计算公式：

  1. 上控制限（UCL）和下控制限（LCL）用于X-Bar图（平均值图）：

    • UCL(X-Bar) = X-Double Bar + A3 * S-Bar
    • LCL(X-Bar) = X-Double Bar - A3 * S-Bar
      其中，X-Double Bar是所有样本平均值的平均值，A3是与样本容量相关的常数，S-Bar是所有样本标准偏差的平均值。

  2. 上控制限（UCL）和下控制限（LCL）用于S图（标准偏差图）：

    • UCL(S) = B4 * S-Bar
    • LCL(S) = B3 * S-Bar
      其中，B3和B4是与样本容量相关的常数，S-Bar是所有样本标准偏差的平均值。

X-Bar-R图的控制限计算公式：

  1. 上控制限（UCL）和下控制限（LCL）用于X-Bar图（平均值图）：

    • UCL(X-Bar) = X-Double Bar + A2 * R-Bar
    • LCL(X-Bar) = X-Double Bar - A2 * R-Bar
      其中，X-Double Bar是所有样本平均值的平均值，A2是与样本容量相关的常数，R-Bar是所有样本范围的平均值。

  2. 上控制限（UCL）和下控制限（LCL）用于R图（范围图）：

    • UCL(R) = D4 * R-Bar
    • LCL(R) = D3 * R-Bar
      其中，D3和D4是与样本容量相关的常数，R-Bar是所有样本范围的平均值。

这些常数（如A2、B3、B4、D3和D4）取决于样本容量和所选的控制图类型，通常可以在统计参考表中找到相应的值。控制限的目标是帮助检测过程中任何异常或变化，以便及时采取纠正措施来维持过程的稳定性。

--------------

两种X-Bar控制图（X-Bar-S图和X-Bar-R图）的平均值图计算方法不同，是因为它们关注的参数和控制图的目的不同，这导致了不同的控制限计算方法。

  1. X-Bar-S图的平均值图（X-Bar图）：

    • X-Bar-S图用于监测过程的平均值和标准偏差。它关注的是过程的整体平均水平以及过程中的变异性。
    • 平均值图的上控制限（UCL）和下控制限（LCL）计算方法包括平均值（X-Bar）和标准偏差（S-Bar）的组合，因为在X-Bar-S图中，两者都是关注的参数。
    • 控制限的目的是确保过程的平均值和标准偏差保持在可接受的范围内。

  2. X-Bar-R图的平均值图（X-Bar图）：

    • X-Bar-R图用于监测过程的平均值和范围（即最大值与最小值之差）。它关注的是过程的平均水平和过程的范围变化。
    • 平均值图的上控制限（UCL）和下控制限（LCL）计算方法包括平均值（X-Bar）和范围（R-Bar）的组合，因为在X-Bar-R图中，这两个参数是关注的。
    • 控制限的目的是确保过程的平均值和范围保持在可接受的范围内。

因此，不同的控制图类型具有不同的控制限计算方法，以反映它们关注的参数和过程监测的目的。选择使用哪种图表取决于你对过程的关注点，例如，是更关注标准偏差还是范围的变化。

----------

X-Bar-R 控制图是一种用于监测过程稳定性和一致性的质量控制工具。首先，我们需要计算每组数据的平均值和范围，然后绘制控制图，并计算CPK以及合格率。

  1. 计算每组数据的平均值和范围： 对于每组数据，计算平均值和范围。范围（R）是每组数据中最大值与最小值的差异。

  2. 计算 X-Bar 控制图： a. 计算所有平均值的平均值（X-双点中心线）。 b. 绘制 X-Bar 控制图，将每组的平均值分布在图上。

  3. 计算 R 控制图： a. 计算所有范围值的平均值（R-双点中心线）。 b. 绘制 R 控制图，将每组的范围值分布在图上。

  4. 计算控制限： a. 计算 X-Bar 控制图的控制限，可以使用标准的控制图公式，通常为 X-Bar 的平均值加减 3 倍 R 的平均值。 b. 计算 R 控制图的控制限，通常为 R 的平均值乘以一个常数因子。

  5. 计算CPK（过程能力指数）： CPK = min[(USL - X-双点中心线) / (3 * 标准差), (X-双点中心线 - LSL) / (3 * 标准差)] 其中，USL是产品规格上限，LSL是产品规格下限。

  6. sigma 表示过程的标准差，它是通过控制图中的平均范围R 来估计的。
    在控制图中，R 通常代表一组样本数据的范围，而 d2 是控制图常数，它是用于校正范围以估计标准差的。
    sigma 被计算为：sigma = (平均范围R) / d2

  7. 计算产品规格上下限间的合格率： 使用正态分布表或统计软件，根据CPK值和规格上下限，计算出合格率。

这些步骤需要一些数据处理和图表绘制，最好使用统计软件或工具来执行。确保准确地计算平均值、范围、控制限、CPK，以及合格率。

---------- 

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import scipy.stats as stats
plt.rcParams['font.sans-serif'] = ['SimHei']  # 防止中文标签乱码
plt.rcParams['axes.unicode_minus'] = Falsedf = pd.read_excel('GuanZi1011.xlsx') #<class 'pandas.core.frame.DataFrame'>
# print(data)# print(df.columns)
# print(df.info)# 计算每组的平均值（X-Bar）
x_bar = df.mean(axis=0)  # pandas Series # 计算每组的样本标准差（S）
s = df.std(axis=0, ddof=1)# # [10 rows x 10 columns] 10组，10个数据/组
# 固定的A2、B3、B4值
A3 = 0.975
B3 = 0.284
B4 = 1.716# 计算X-Bar控制图的控制限
X_Double_Bar = x_bar.mean()
S_Bar = s.mean()UCL_X_Bar = X_Double_Bar + A3 * S_Bar
LCL_X_Bar = X_Double_Bar - A3 * S_Barprint(f"UCL_X_Bar: {UCL_X_Bar}",f"LCL_X_Bar: {LCL_X_Bar}")# 计算S控制图的控制限
UCL_S = B4 * S_Bar
LCL_S = B3 * S_Bar# 创建X-Bar 控制图，添加上下控制限
plt.figure(figsize=(5.3, 6))
plt.subplot(2, 1, 1)
plt.plot(x_bar, marker='o')
plt.axhline(X_Double_Bar, color='r', linestyle='--', label='Overall Mean')
plt.axhline(UCL_X_Bar, color='g', linestyle='--', label='UCL')
plt.axhline(LCL_X_Bar, color='b', linestyle='--', label='LCL')
plt.title('X-Bar Control Chart')
# plt.xlabel('Sample Group')
plt.ylabel('X-Bar')
plt.legend()# 创建S 控制图，添加上下控制限
plt.subplot(2, 1, 2)
plt.plot(s, marker='o')
plt.axhline(S_Bar, color='r', linestyle='--', label='Overall Mean')
plt.axhline(UCL_S, color='g', linestyle='--', label='UCL')
plt.axhline(LCL_S, color='b', linestyle='--', label='LCL')
plt.title('S Control Chart')
# plt.xlabel('Sample Group')
plt.ylabel('S')
plt.legend()plt.tight_layout()
plt.show()# X-Bar-S图 控制限计算公式：
# UCL(X-Bar) = X-Double Bar + A3 * S-Bar
# LCL(X-Bar) = X-Double Bar - A3 * S-Bar
# UCL(S) = B4 * S-Bar
# LCL(S) = B3 * S-Bar# X-Bar-R图的控制限计算公式：
# UCL(X-Bar) = X-Double Bar + A2 * R-Bar
# LCL(X-Bar) = X-Double Bar - A2 * R-Bar 
# UCL(R) = D4 * R-Bar
# LCL(R) = D3 * R-Bar

import numpy as np
import matplotlib.pyplot as plt# 生成10组每组10个数据的示例数据（总共100个数据）
np.random.seed(0)
data = np.random.randn(10, 10)# 计算每组的平均值（X-Bar）
x_bar = np.mean(data, axis=1)# 计算每组的极差（R）
r = np.ptp(data, axis=1)# 固定的A2、D4、D3值
A2 = 0.308
D4 = 1.777
D3 = 0.223# 计算X-Bar控制图的控制限
X_Double_Bar = np.mean(x_bar)
R_Bar = np.mean(r)
UCL_X_Bar = X_Double_Bar + A2 * R_Bar
LCL_X_Bar = X_Double_Bar - A2 * R_Bar# 计算R控制图的控制限
UCL_R = D4 * R_Bar
LCL_R = D3 * R_Bar# 创建X-Bar 控制图，添加上下控制限
plt.figure(figsize=(12, 6))
plt.subplot(2, 1, 1)
plt.plot(x_bar, marker='o')
plt.axhline(X_Double_Bar, color='r', linestyle='--', label='Overall Mean')
plt.axhline(UCL_X_Bar, color='g', linestyle='--', label='UCL')
plt.axhline(LCL_X_Bar, color='b', linestyle='--', label='LCL')
plt.title('X-Bar Control Chart')
plt.xlabel('Sample Group')
plt.ylabel('X-Bar')
plt.legend()# 创建R 控制图，添加上下控制限
plt.subplot(2, 1, 2)
plt.plot(r, marker='o')
plt.axhline(R_Bar, color='r', linestyle='--', label='Overall Mean')
plt.axhline(UCL_R, color='g', linestyle='--', label='UCL')
plt.axhline(LCL_R, color='b', linestyle='--', label='LCL')
plt.title('R Control Chart')
plt.xlabel('Sample Group')
plt.ylabel('R')
plt.legend()plt.tight_layout()
plt.show()

 绘制X-Bar-R图,监测过程,计算CPK过程能力指数

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
import pandas as pdplt.rcParams['font.sans-serif'] = ['SimHei']  # 防止中文标签乱码
plt.rcParams['axes.unicode_minus'] = False# 替换下面的数据为你的实际数据
data = pd.read_excel('GuanZi1011.xlsx')# 计算每组样本的平均值
x_bar = data.mean(axis=0)  # Series# 计算每组样本的范围R
r = data.max(axis=0) - data.min(axis=0)x_bar_avg = np.mean(x_bar)
r_avg = np.mean(r)print(f'x_bar_avg: {x_bar_avg}')
print(f'r_avg: {r_avg}')# X-Bar-R图的控制系数   # [10 rows x 10 columns] 
d2 = 3.078  # R控制图的常数，可以根据样本大小查表获取
A2 = 0.308  # X-Bar控制图的常数，可以根据样本大小查表获取
D4 = 1.777  # R控制图的常数，可以根据样本大小查表获取
D3 = 0.223  # R控制图的常数，可以根据样本大小查表获取USL = 5.1  # 规格上限
LSL = 4.9  # 规格下限# sigma 表示过程的标准差，它是通过控制图中的平均范围R 来估计的。
# 在控制图中，R 通常代表一组样本数据的范围，而 d2 是控制图常数，它是用于校正范围以估计标准差的。
# sigma 被计算为：sigma = (平均范围R) / d2
sigma = r_avg / d2# Z 分数(即标准分数，Z = (x - μ) / σ)根据数据点与一组点的平均值和标准偏差之间的关系来描述数据点
Zscore = min((USL - x_bar_avg) / sigma, (x_bar_avg - LSL) / sigma)# 计算CPK（过程能力指数）：
# CPK = min[(USL - X-双点中心线) / (3 * 标准差), (X-双点中心线 - LSL) / (3 * 标准差)]
# 其中，USL是产品规格上限，LSL是产品规格下限。
cpk = min((USL - x_bar_avg) / (3 * sigma), (x_bar_avg - LSL) / (3 * sigma))
# 计算合格率
z_upper = (USL - x_bar_avg) / (sigma)
z_lower = (LSL - x_bar_avg) / (sigma)
cpk_area = norm.cdf(z_upper,0,1) - norm.cdf(z_lower,0,1)
cp= (USL-LSL) / (6* sigma) # 规格范围相对于过程的变异性有多宽
ppm = (1 - cpk_area) * 1000000  ## 换算成每百万机会的不合格品数print(f'sigma: {sigma}')
print(f'Zscore: {Zscore}')
print(f'CPK: {cpk}')
print(f"cpk_area:{cpk_area}")
print("CP:", cp)
print(f'PPM: {ppm}')# X-Bar-R图的控制限计算公式：
# UCL(X-Bar) = X-Double Bar + A2 * R-Bar
# LCL(X-Bar) = X-Double Bar - A2 * R-Bar 
# UCL(R) = D4 * R-Bar
# LCL(R) = D3 * R-Barx_bar_UCL = x_bar_avg + A2 * r_avg
x_bar_LCL = x_bar_avg - A2 * r_avgr_UCL = D4 * r_avg
r_LCL = D3 * r_avg# 绘制X-Bar控制图
plt.figure(figsize=(7, 6))
plt.subplot(2, 1, 1)
plt.plot(x_bar, marker='o')
plt.axhline(x_bar_avg, color='r', linestyle='--', label='X-Bar Center Line')
plt.axhline(x_bar_UCL, color='g', linestyle='--', label='X-Bar UCL')
plt.axhline(x_bar_LCL, color='g', linestyle='--', label='X-Bar LCL')
plt.title('X-Bar Control Chart')
plt.legend()
plt.grid()# 绘制R控制图
plt.subplot(2, 1, 2)
plt.plot(r, marker='o')
plt.axhline(r_avg, color='r', linestyle='--', label='R Center Line')
plt.axhline(r_UCL, color='g', linestyle='--', label='R UCL')
plt.axhline(r_LCL, color='g', linestyle='--', label='R LCL')
plt.title('R Control Chart')
plt.legend()
plt.grid()
plt.show()

# X-Bar-S图 控制限计算公式：
# UCL(X-Bar) = X-Double Bar + A3 * S-Bar
# LCL(X-Bar) = X-Double Bar - A3 * S-Bar
# UCL(S) = B4 * S-Bar
# LCL(S) = B3 * S-Bar

# X-Bar-R图的控制限计算公式：
# UCL(X-Bar) = X-Double Bar + A2 * R-Bar
# LCL(X-Bar) = X-Double Bar - A2 * R-Bar 
# UCL(R) = D4 * R-Bar
# LCL(R) = D3 * R-Bar

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/103246.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

路由高级特性

路由高级特性

项目拓扑与项目需求 项目需求 某企业网络使用ospf和isis作为IGP协议实现内部网络的互联互通&#xff0c;区域规划和IP规划如图所示&#xff0c;现在要求实现如下需求&#xff1a; LSW1和AR1使用vlan10互联&#xff0c;与AR2使用vlan20互联&#xff0c;LSW1与LSW2、3、4之间使…
阅读更多...
spring boot RabbitMq基础教程

spring boot RabbitMq基础教程

RabbitMq 由于RabbitMQ采用了AMQP协议&#xff0c;因此它具备跨语言的特性。任何语言只要遵循AMQP协议收发消息&#xff0c;都可以与RabbitMQ交互。并且RabbitMQ官方也提供了各种不同语言的客户端。 但是&#xff0c;RabbitMQ官方提供的Java客户端编码相对复杂&#xff0c;一般…
阅读更多...
将vue项目打包成安卓app

将vue项目打包成安卓app

目标&#xff1a;将vue项目打包成安卓app 工具&#xff1a;HbuilderX 1.在HbuilderX中创建一个 5App 项目 创建好的app项目目录 2.将vue项目打包 2.1 在 vue.config.js 中添加公共路径&#xff08;解决打包后的app图片不显示问题&#xff09; module.exports defineConfig(…
阅读更多...
深入了解线程：并发编程的核心要点和应用

深入了解线程：并发编程的核心要点和应用

什么是线程&#xff1f; 线程&#xff08;Thread&#xff09;是计算机科学中的一个基本概念&#xff0c;它是进程内的执行单元。线程是操作系统或进程内部的轻量级执行流&#xff0c;具有独立的程序计数器&#xff08;PC&#xff09;和栈&#xff0c;但共享相同进程的资源&…
阅读更多...
Python高效实现网站数据挖掘

Python高效实现网站数据挖掘

在当今互联网时代&#xff0c;SEO对于网站的成功至关重要。而Python爬虫作为一种强大的工具&#xff0c;为网站SEO带来了革命性的改变。通过利用Python爬虫&#xff0c;我们可以高效地实现网站数据挖掘和关键词分析&#xff0c;从而优化网站的SEO策略。本文将为您详细介绍如何利…
阅读更多...
新风机缺点有哪些？

新风机缺点有哪些？

虽然新风机在提供新鲜空气和改善室内空气质量方面有很多优点&#xff0c;但它也存在一些缺点。下面列举几个常见的新风机缺点&#xff1a; 安装成本较高&#xff1a;新风机需要通过管道连接室内和室外&#xff0c;需要对房屋进行改造和安装。这可能会增加一些额外的安装成本&am…
阅读更多...
代码随想录算法训练营第六十二、六十三天 | 单调栈 part 2 | 503.下一个更大元素II 、42. 接雨水、84.柱状图中最大的矩形

代码随想录算法训练营第六十二、六十三天 | 单调栈 part 2 | 503.下一个更大元素II 、42. 接雨水、84.柱状图中最大的矩形

目录 503.下一个更大元素II思路代码 42. 接雨水思路一 双指针思路二 单调栈代码 84.柱状图中最大的矩形思路一 双指针思路二 单调栈代码 503.下一个更大元素II Leetcode 思路 将数组乘2来遍历即可&#xff0c;就是加长版的每日温度。 但是处理起来会有细节&#xff0c;如果…
阅读更多...
JAVA学习第一天，java的运行方式

JAVA学习第一天，java的运行方式

对未来很迷茫&#xff0c;不知道以后能出去干什么&#xff0c;好像掌握的东西很少&#xff0c;从今天开始学习学习java吧&#xff0c;让自己充实起来&#xff0c;记录一下。 jav…
阅读更多...
Maven系列第6篇：生命周期和插件详解？

Maven系列第6篇：生命周期和插件详解？

maven系列目标&#xff1a;从入门开始开始掌握一个高级开发所需要的maven技能。 这是maven系列第6篇。 整个maven系列的内容前后是有依赖的&#xff0c;如果之前没有接触过maven&#xff0c;建议从第一篇看起&#xff0c;本文尾部有maven完整系列的连接。 前面我们使用maven…
阅读更多...
刷新页面，数据丢失

刷新页面，数据丢失

刷新页面数据丢失原因很多&#xff0c;其中有一种是解析错误&#xff0c;没有解构出来。 报错内容如下(类似这个报错)&#xff1a; 数据结构如下&#xff1a; this.$router.push({name: DetailComparison,query: {rowDetail: rowDetail || null} }) 修改数据结构&#xff1a…
阅读更多...
OpenAI科学家谈GPT-4的潜力与挑战

OpenAI科学家谈GPT-4的潜力与挑战

OpenAI Research Scientist Hyung Won Chung 在首尔国立大学发表的一场演讲。 模型足够大&#xff0c;某些能力才会显现&#xff0c;GPT-4 即将超越拐点并在其能力上实现显着跳跃。GPT-3 和 GPT-4 之间的能力仍然存在显着差距&#xff0c;并且尝试弥合与当前模型的差距可能是无…
阅读更多...
使用eBPF加速阿里云服务网格ASM

使用eBPF加速阿里云服务网格ASM

背景 随着云原生应用架构的快速发展&#xff0c;微服务架构已经成为了构建现代应用的主要方式之一。而在微服务架构中&#xff0c;服务间的通信变得至关重要。为了实现弹性和可伸缩性&#xff0c;许多组织开始采用服务网格技术来管理服务之间的通信。 Istio作为目前最受欢迎的…
阅读更多...
C++基础之类二（类的实例化，This指针）

C++基础之类二（类的实例化，This指针）

目录 类的实例化 概念 类和对象的区别 计算一个类 不同的类的大小 类的存储模型 内存对齐 让结构体按照指定的默认对齐数进行对齐 确定偏移量 大小端字节序 This指针 概念 this指针四大特性 一些关于this指针的问题 总结 之前学过了类&#xff0c;但在编程中类无法直接使用&…
阅读更多...
鼎鑫鸿鄴利用国家的策略优势和满足全球需求并驾齐驱

鼎鑫鸿鄴利用国家的策略优势和满足全球需求并驾齐驱

随着全球对可再生能源的需求不断增长&#xff0c;鼎鑫鸿鄴新能源科技有限公司正充分利用中国政府的策略优势&#xff0c;积极满足全球能源使用需求&#xff0c;并在可再生能源领域崭露头角。中国属于全球最大的太阳能市场&#xff0c;在技术研发、产能建设和市场规模等方面拥有…
阅读更多...
[Spring] SpringMVC 简介（一）

[Spring] SpringMVC 简介（一）

目录 一、SpringMVC 简介 1、什么是 MVC 2、什么是 SpringMVC 3、SpringMVC 实现原理 4、SpringMVC 的特点 二、简单案例 1、引入依赖 2、在 web.xml 中配置前端控制器 DispatcherServlet 3、创建 SpringMVC 的配置文件 4、创建请求控制器 5、测试页面 6、访问不到 …
阅读更多...
数学建模——人工神经网络模型

数学建模——人工神经网络模型

一、人工神经网络简介 1、神经网络起源与应用 1943年心理学家McCulloch和数学家Pitts提出神经元生物数学模型&#xff08;M-P模型&#xff09;&#xff0c;后来人工神经网络(Artifical Neural Network,ANN)是在生物神经网络(Biological Neural Network,BNN)基础上发展起来的&a…
阅读更多...
MobaXterm使sftp目录与cmd目录同步

MobaXterm使sftp目录与cmd目录同步

MobaXterm使sftp目录与cmd目录同步 创建session时在ssh菜单栏中选择Advanced SSH settings其中SSH-browser type 选择SCP&#xff08;enhanced speed&#xff09; 勾选Follow SSH path
阅读更多...
TS（五）：装饰器

TS（五）：装饰器

装饰器 启用装饰器支持类装饰器定义并使用装饰器对比不使用装饰器装饰器叠加实现消息提示统一响应装饰器工厂 方法装饰器登录状态验证数据请求 属性装饰器大小写转换 元数据安装依赖基础用法 参数装饰器验证参数是否为必填项 启用装饰器支持 修改 tsconfig.json {"exper…
阅读更多...
和鲸 ModelWhale 与华为 OceanStor 2910 计算型存储完成兼容性测试

和鲸 ModelWhale 与华为 OceanStor 2910 计算型存储完成兼容性测试

数智化时代&#xff0c;数据总量的爆炸性增长伴随着人工智能、云计算等技术的发展&#xff0c;加速催化了公众对于数据存储与应用的多元化需求。同时&#xff0c;数据也是重要的基础资源和战略资源&#xff0c;需要严格保障其安全性、完整性。搭建国产数据基础设施底座&#xf…
阅读更多...
信息系统项目管理师第四版学习笔记——高级项目管理

信息系统项目管理师第四版学习笔记——高级项目管理

项目集管理 项目集管理角色和职责 在项目集管理中涉及的相关角色主要包括&#xff1a;项目集发起人、项目集指导委员会、项目集经理、其他影响项目集的干系人。 项目集发起人和收益人是负责承诺将组织的资源应用于项目集&#xff0c;并致力于使项目集取得成功的人。 项目集…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023