但是，很多公司有著台灣傳統美德〝窮酸勤儉〞，不願意花數十萬幫大家買Minitab，也害怕用對岸24小時內必須要刪掉的盜版會被罰更多。 自由軟體且免費的R language就是很棒的工具。
如果你是對於R語言完全不了解，請看這裡，資料科學與R，很快就可以上手(騙誰啊...)
R 裡面計算製程能力的package，我推薦" SixSigma "
這個package都可以直接幫你計算有沒有over spec，圖示很清楚就可以知道有沒有機會超標，cpk以及其他唬人用統計值也一起幫你傳便便
在導入任何模型之前，我覺得一個很重要的，也是很多工程師會忽略的事情，就是驗證資料是不是符合模型的假設?
如果資料根本就不是常態分佈，那麼後面用一堆也是白用。
怎麼驗證常態分佈? 我們一般都是用 K-S檢定、S-W檢定去計算，那到底怎麼算? 簡單說就是先設定一個虛無假設H0，然後去證實或是推翻他( 可以問問身邊學統計的人，他們應該聽到H0就會爆走了 )，不用懂也沒關係，R都幫你算好了
## Load R package SixSigma and the data we need
library(SixSigma)
data("pistonrings")
## Data and spec in
## 我通常會把Data, 規格上限、規格下限拉出來另外寫幾行，當不想特別另外寫function()時，這樣要改數據會很方便
Data <- pistonrings$diameter
USL <- 74.1
LSL <- 73.9
Target <- 74
ss.study.ca(xST=Data, xLT = NA, LSL = LSL, USL = USL, Target = Target ,
alpha = 0.05, f.na.rm = TRUE, f.main = "Capability Analysis Study",
f.sub = "")
## xST : 短期數據
## xLT : 長期數據
## LSL : 規格下限
## USL : 規格上限
## f.na.rm : 忽略空白
## f.main : 主標題
## f.sub : 副標題
雖然沒有minitab漂亮，但其實也不錯啦，平均數、標準差、樣本數、Z值、Cpk等等，左下還幫你驗證常態分佈，只要兩個p-value都大於0.05，就是常態分佈了，鳩甘心ㄟ~~~~
Long Term我沒資料，所以都NA
不用再用excel做個半天又很醜，這只要5分鐘，一整頁報告就完成囉~~~~~
