<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Liebe JMP-Fans und Experten
Bei Prozessstudien stoßen wir oft auf einen Fall, in dem wir einen Datensatz für die Prozessfähigkeitsstudie sammeln. Leider ist der Datensatz, den wir sammeln, nicht normalverteilt, aber wenn Sie seinen Cpk berechnen möchten, muss der Datensatz normalverteilt sein. Im Moment denken wir zunächst darüber nach, wie wir hier eine nichtnormale Verteilung in eine Normalverteilung übertragen können
Ich möchte meine Meinung zu JMP mitteilen
1. Analyse > Verteilung
2. Wählen Sie unter dem roten Verteilungsdreieck „Kontinuierliche Anpassung“ > „Normal“ aus.
3. Wählen Sie unter dem roten Dreieck von „Normal angepasst“ die Option „Angepasstes Quantil speichern“.
Dann können alle Daten in der entworfenen Spalte in eine normale Spalte in einer neuen Spalte übertragen werden
Ist es richtig?
Diese Funktion finden Sie in der Verteilungsplattform (wo Sie die zugrunde liegende Verteilung verstehen können)>Fähigkeitsanalyse.
... Mit JMP können Sie außerdem Prozessfähigkeitsstatistiken für Nicht-Normalverteilungen berechnen, ohne eine explizite Transformation durchführen zu müssen
Die meisten Daten sind nicht normal, wenn Sie über genügend Proben verfügen und die Messtechnik sehr präzise und genau ist.
Es ist, wie die meisten p-Werte, leicht durch viele Daten überfordert.
Und wenn es auf SPC-Kartendaten basiert, achten Sie auf Probenahmepläne, da uns die automatische Messung viele autokorrelierte Daten liefert, die sich als Verstöße gegen Laufregeln zeigen und zu einer SPC-Übersteuerung führen können.
Und denken Sie daran, für Leistungsstudien die RAW-Daten und nicht die SPC-Statistikdaten zu verwenden ... meiner Meinung nach ... da es bei Spezifikationsgrenzen normalerweise um einzelne Teile geht.Aber verschiedene Branchen verfügen über sehr unterschiedliche Messtechniken und „kritische“ Variablen, die überwacht werden.Sprechen Sie mit branchenspezifischen Experten, bevor Sie Zeit mit der Anpassung von Distributionen verschwenden, um einen Cpk- oder Ppk-Index zu erhalten.Viele Branchen vermeiden Spezifikationsbeschränkungen und verwenden TARGETS- und Cpm-Maße für die Leistungsfähigkeit im Taguchi-Stil.Bleib fokussiert.Variation kontinuierlich festziehen.
Wenn Sie die Daten grafisch darstellen, die Ausreißer untersuchen und möglicherweise diejenigen entfernen, die Sie verstehen, ist das hilfreich.
Wenn die Daten dann stark verzerrt sind, müssen Sie sie möglicherweise transformieren, aber wenn nicht, können Sie sie einfach als normal bezeichnen und die Indexwerte einschließlich der Stichprobengröße und der Konfidenzintervalldaten mithilfe von JMP abrufen.
WENN die Indexwerte dann sehr hoch sind, reicht das aus.
Wenn sie sehr niedrig sind, reicht das aus.
Nur wenn der Index zwischen 1 und 2 liegt, müssen Sie ihn möglicherweise „quälen“, um eine Meldegrenze zu erreichen oder nicht zu erreichen.
Die langfristige Prozessfähigkeit schwankt in vielen Fabriken monatlich, und diese Art von Studie wird hauptsächlich verwendet, um über größere Projekt- oder Werkzeug- oder Messinvestitionen zu entscheiden (anstelle der Feinabstimmung, die normalerweise mit SPC-Diagrammen und OCAPS durchgeführt wird), so dass es oft kaum nötig ist, die Daten durch Transformation zu quälen, aber einige müssen Ausreißer untersuchen.Und selbst wenn die Daten stark verzerrt sind, können das Protokoll oder andere Transformationen Sie irreführen.Es ist besser, die Ausreißer zu untersuchen, um herauszufinden, woher sie kommen, und sich die Wirtschaftlichkeit anzusehen, die es mit sich bringt, etwas gegen diese Ausreißer zu unternehmen, bevor Sie sich über Datentransformationen Gedanken machen.Gefolterte Daten verraten Ihnen alles, was Sie hören wollen!
Vielleicht verbringen Sie Ihre Zeit zur Datenerkundung besser mit Studien zu Varianzkomponenten, um Ursachenkategorien abzuleiten, und führen dann zur Validierung einige Screening-DOEs durch.Ich habe Jahrzehnte damit verbracht, sehr effektiv mit nicht-normalen Daten zu arbeiten, indem ich sie auf vielfältige Weise grafisch dargestellt habe und mich auf Hinweise für Aktionen durch Varianzkomponenten konzentriert habe.Multi-Vari-Plots helfen bei der Aufklärung.Das Teilen der Grafiken erhält viel Feedback.
ABER wenn Sie Hunderte von Parametern als mögliche Ertragsprobleme im Auge behalten müssen, dann ist die JMP Capability Platform für den Pareto-Look und die Distributionsplattform für die Betrachtung von Long Tails und die Anpassung anderer Verteilungen nützlich, NACHDEM Sie die Diagramme mit Bedienern, Ingenieuren und Wartungsleuten geteilt haben, um Inputs zu bekannten Variabilitätsproblemen und den Kosten zu erhalten, die sich daraus ergeben, etwas dagegen zu unternehmen.Einige Fabrikprozessvariablen haben NATÜRLICHE Verteilungen, die nicht NORMAL sind, aber gut verstanden werden.Beispielsweise sind die Partikelzahlen selten normal und einige folgen der Poisson- oder Reynolds-Verteilung, aber auch hier muss man die Kosten für das Beschneiden dieser Schweife im Vergleich zum Leben mit ihnen untersuchen.
Ein letzter Punkt.
Die Fähigkeit verwendet technische oder kundenspezifische Grenzwerte, keine statistischen Grenzwerte, und diese sind HÄUFIG FALSCH, da sie möglicherweise während des F/E-Zeitraums festgelegt wurden und nicht aktualisiert werden, sobald die Serienfertigung Informationen darüber liefert, wie sich diese Parameter auf Ertrag, Zuverlässigkeit oder andere Kosten auswirken.Es ist eine enorme Zeit- und Geldverschwendung, Funktionen auf der Grundlage falscher Grenzwerte zu melden.
Meine bevorzugte Methode zur Konvertierung in eine Normalverteilung ist die Verwendung von Continuous Fit==>All.
Dadurch erhalten Sie eine geordnete Liste der Verteilungen, die am besten zu den Daten passen.Von dort aus können Sie dann auswählen, welche Transformation am besten ist, z. B. die Verwendung von GLot, und die transformierten Daten direkt speichern, ohne die Daten in Quantile zwingen zu müssen.
