<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />尊敬的 JMP 粉絲和專家
在過程研究中，我們經常會遇到這樣的情況，我們收集一個數據集來研究過程能力，不幸的是我們收集的數據集是非正態分佈的，但是如果要計算它的Cpk，那麼數據集就應該是正態分佈的，此時我們首先想到的是如何將非正態分佈轉化為正態分佈，這裡
我想分享一下我對JMP的想法
1.分析>分佈
2.在分佈的紅色三角形下，選擇連續擬合>正態，
3. 在正態擬合的紅色小三角下，選擇保存擬合分位數
然後設計列中的所有數據都可以轉移到新列中的正常數據
這樣對嗎？
這個能力可以在分發平台（可以了解底層分發）>能力分析中找到。
... JMP 還允許您計算非正態分佈的過程能力統計數據，而無需執行顯式轉換
如果有足夠的樣本，大多數數據都是非正態的，並且計量非常精確和準確。
與大多數 p 值一樣，很容易被大量數據淹沒。
如果它基於 SPC 圖表數據，請注意採樣計劃，因為自動測量為我們提供了大量自相關數據，這些數據顯示為運行規則違規，並可能導致 SPC 過度控制。
請記住，對於能力研究，使用 RAW 數據而不是 SPC 統計數據……在我看來……因為規格限制通常是關於單個零件的。但不同的行業有非常不同的計量方法和監測的“關鍵”變量。在浪費時間擬合分佈以獲得 Cpk 或 Ppk 指數之前，請先諮詢特定行業的專家。許多行業都避免規格限制，並使用田口式能力的目標和每千次展示費用 (Cpm) 衡量標準。保持目標。不斷收緊變化。
如果您繪製數據圖表並研究異常值，並可能刪除您理解的異常值，這會有所幫助。
然後，如果數據高度傾斜，您可能需要對其進行轉換，但如果不是，您可以簡單地將其稱為正常數據，並使用 JMP 獲取包括樣本大小和置信區間數據的索引值。
那麼如果指數值非常高……那就足夠了。
如果它們非常低......那就足夠了。
僅當指數介於 1 和 2 之間時，您可能需要“折磨”它以通過或未通過某些報告限制。
許多工廠的長期工藝能力每月都會波動，這種研究主要用於決定主要項目或工具或計量投資（而不是通常使用 SPC 圖表和 OCAPS 進行的微調），因此通常不需要通過轉換數據來折磨數據，但有些需要研究異常值。即使數據高度傾斜......日誌或其他轉換也可能會誤導您。在擔心數據轉換之前，最好研究一下異常值，看看它們來自哪裡，並研究一下對這些異常值採取措施的經濟效益。嚴酷的數據會告訴你任何你想听的事情！
也許最好將探索性數據時間花在方差成分研究上，以推斷根本原因類別，然後運行一些篩選 DOE 進行驗證。我花了幾十年的時間非常有效地處理非正態數據，通過多種方式繪製圖表，並重點關注方差分量對操作的提示。多變量圖有助於闡明。分享圖表會得到很多反饋。
但是，如果您有數百個參數需要觀察可能的良率問題，那麼 JMP 能力平台對於帕累托分析非常有用，而分佈平台則可以在與操作員、工程師、維護人員共享圖表後查看長尾並擬合其他分佈，以獲得有關可變性已知問題和採取任何措施的成本的輸入。一些工廠過程變量具有自然分佈，雖然不是正態分佈，但很容易理解。例如，粒子計數很少是正態的，有些遵循泊鬆或雷諾分佈，但同樣，你必須研究修剪這些尾巴的成本與與它們一起生活的成本。
最後一點。
能力使用工程或客戶規格限製而不是統計限制，這些通常是錯誤的，因為它們可能是在研發期間設置的，一旦批量製造提供了有關這些參數如何影響產量或可靠性或其他成本的信息，就不會更新。根據虛假限制報告功能會浪費大量時間和金錢。
我首選的轉換為正態分佈的方法是使用連續擬合==>全部。
這為您提供了最適合數據的分佈的有序列表。然後，您可以從中選擇最好的變換，例如使用 GLot 並直接保存變換後的數據，而不必強制數據進行分位數。
