<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Estimados fans y expertos de JMP
En el estudio de procesos, a menudo encontramos un caso en el que recopilamos un conjunto de datos para el estudio de la capacidad del proceso, desafortunadamente, el conjunto de datos que recopilamos es una distribución no normal, pero si desea calcular su Cpk, entonces el conjunto de datos será una distribución normal, en el momento, lo primero que pensamos es cómo transferir una distribución no normal a una distribución normal, aquí
Me gustaría compartir lo que pienso en JMP
1. Análisis> distribución
2. debajo del triángulo rojo de distribución, seleccione ajuste continuo> normal,
3. Debajo del triángulo rojo de Ajuste normal, seleccione guardar cuantil ajustado
entonces todos los datos en la columna diseñada se pueden transferir a uno normal en una nueva columna
¿Es correcto?
Esta capacidad se encuentra en la plataforma de distribución (donde puede comprender la distribución subyacente) > análisis de capacidad.
... JMP también le permite calcular estadísticas de capacidad de proceso para distribuciones no normales sin tener que realizar una transformación explícita
La mayoría de los datos no son normales si tiene suficientes muestras y la metrología es muy precisa y precisa.
Es como la mayoría de los valores p, fácilmente abrumados por una gran cantidad de datos.
Y si se basa en datos de gráficos de SPC, tenga cuidado con los planes de muestreo, ya que la medición automática nos ha proporcionado una gran cantidad de datos autocorrelacionados que se muestran como infracciones de las reglas de ejecución y pueden conducir a un control excesivo de SPC.
Y recuerde que para los estudios de capacidad use los datos RAW, no los datos de SPC Stats... en mi opinión... ya que los límites de las especificaciones generalmente se refieren a partes individuales.Pero diferentes industrias tienen una metrología muy diferente y variables "críticas" que se monitorean.Hable con expertos específicos de la industria antes de perder el tiempo ajustando distribuciones para obtener un índice Cpk o Ppk.Muchas industrias evitan los límites de especificaciones y usan OBJETIVOS y medidas de Cpm de capacidad estilo Taguchi.Manténgase en el objetivo.Apriete continuamente la variación.
Si grafica los datos y estudia los valores atípicos y posiblemente elimine los que entiende, eso ayuda.
Luego, si los datos están muy SESGADOS, es posible que deba transformarlos, pero si NO, simplemente puede LLAMARLOS normales y obtener los valores del índice, incluido el tamaño de la muestra y los datos del intervalo de confianza utilizando JMP.
Entonces SI los valores del índice son muy altos... eso es suficiente.
Si son muy bajos... es suficiente.
Solo cuando el índice está entre 1 y 2, es posible que deba "torturarlo" para pasar o fallar algún límite de informes.
La capacidad del proceso a largo plazo vaga mensualmente en muchas fábricas, y este tipo de estudio se utiliza principalmente para decidir sobre proyectos importantes, herramientas o inversiones en metrología (en lugar de ajustes finos que generalmente se realizan con gráficos SPC y OCAPS), por lo que a menudo hay poca necesidad de torturar los datos transformándolos, pero algunos necesitan estudiar valores atípicos.E incluso si los datos están muy sesgados... el registro u otras transformaciones pueden confundirlo.Es mejor estudiar los valores atípicos para ver de dónde vienen y observar la economía de hacer algo con esos valores atípicos antes de preocuparse por las transformaciones de datos.¡Los datos torturados te dirán todo lo que quieras escuchar!
Tal vez sea mejor que dedique su tiempo de exploración de datos a estudios de componentes de varianza para inferir categorías de causa raíz y luego ejecute algunos DOE de detección para validar.Pasé décadas trabajando con datos no normales de manera muy efectiva al graficarlos de muchas maneras y enfocándome en las sugerencias de los componentes de la varianza para las acciones.Los gráficos Multi-Vari ayudan a iluminar.Compartir los gráficos recibe muchos comentarios.
PERO si tiene cientos de parámetros para observar como posibles problemas de rendimiento, entonces la plataforma de capacidad JMP es útil para la apariencia de Pareto, y la plataforma de distribución para observar colas largas y ajustar otras distribuciones DESPUÉS de compartir los gráficos con operadores, ingenieros, personas de mantenimiento para obtener información sobre problemas conocidos de variabilidad y el costo de hacer algo al respecto.Algunas variables de proceso de fábrica tienen distribuciones NATURALES que no son NORMALES pero que se entienden bien.Los conteos de partículas, por ejemplo, rara vez son normales, y algunas siguen distribuciones de Poisson o Reynolds, pero nuevamente, debe estudiar el costo de recortar esas colas frente a vivir con ellas.
Un punto final.
La capacidad utiliza LÍMITES DE ESPECIFICACIONES DE ENG O DEL CLIENTE, no límites estadísticos, y A MENUDO SON INCORRECTOS, ya que pueden haberse establecido durante el período de I/D y no se actualizan una vez que la fabricación en volumen brinda información sobre cómo estos parámetros afectan el rendimiento o la confiabilidad u otros costos.Es una gran pérdida de tiempo y dinero informar capacidades basadas en límites falsos.
Mi método preferido para convertir a una distribución normal es usar Continuous Fit==>All.
Esto le proporciona una lista ordenada de las distribuciones que mejor se adaptan a los datos.Luego puede elegir desde allí qué transformación es la mejor, como usar GLot y guardar los datos transformados directamente, sin tener que forzar los datos a cuantiles.
