<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />尊敬的 JMP 粉丝和专家
在过程研究中，我们经常会遇到这样的情况，我们收集一个数据集来研究过程能力，不幸的是我们收集的数据集是非正态分布的，但是如果要计算它的Cpk，那么数据集就应该是正态分布的，此时我们首先想到的是如何将非正态分布转化为正态分布，这里
我想分享一下我对JMP的想法
1.分析>分布
2.在分布的红色三角形下，选择连续拟合>正态，
3. 在正态拟合的红色小三角下，选择保存拟合分位数
然后设计列中的所有数据都可以转移到新列中的正常数据
这样对吗？
这个能力可以在分发平台（可以了解底层分发）>能力分析中找到。
... JMP 还允许您计算非正态分布的过程能力统计数据，而无需执行显式转换
如果有足够的样本，大多数数据都是非正态的，并且计量非常精确和准确。
与大多数 p 值一样，很容易被大量数据淹没。
如果它基于 SPC 图表数据，请注意采样计划，因为自动测量为我们提供了大量自相关数据，这些数据显示为运行规则违规，并可能导致 SPC 过度控制。
请记住，对于能力研究，使用 RAW 数据而不是 SPC 统计数据……在我看来……因为规格限制通常是关于单个零件的。但不同的行业有非常不同的计量方法和监测的“关键”变量。在浪费时间拟合分布以获得 Cpk 或 Ppk 指数之前，请先咨询特定行业的专家。许多行业都避免规格限制，并使用田口式能力的目标和每千次展示费用 (Cpm) 衡量标准。保持目标。不断收紧变化。
如果您绘制数据图表并研究异常值，并可能删除您理解的异常值，这会有所帮助。
然后，如果数据高度倾斜，您可能需要对其进行转换，但如果不是，您可以简单地将其称为正常数据，并使用 JMP 获取包括样本大小和置信区间数据的索引值。
那么如果指数值非常高……那就足够了。
如果它们非常低......那就足够了。
仅当指数介于 1 和 2 之间时，您可能需要“折磨”它以通过或未通过某些报告限制。
许多工厂的长期工艺能力每月都会波动，这种研究主要用于决定主要项目或工具或计量投资（而不是通常使用 SPC 图表和 OCAPS 进行的微调），因此通常不需要通过转换数据来折磨数据，但有些需要研究异常值。即使数据高度倾斜......日志或其他转换也可能会误导您。在担心数据转换之前，最好研究一下异常值，看看它们来自哪里，并研究一下对这些异常值采取措施的经济效益。严酷的数据会告诉你任何你想听的事情！
也许最好将探索性数据时间花在方差成分研究上，以推断根本原因类别，然后运行一些筛选 DOE 进行验证。我花了几十年的时间非常有效地处理非正态数据，通过多种方式绘制图表，并重点关注方差分量对操作的提示。多变量图有助于阐明。分享图表会得到很多反馈。
但是，如果您有数百个参数需要观察可能的良率问题，那么 JMP 能力平台对于帕累托分析非常有用，而分布平台则可以在与操作员、工程师、维护人员共享图表后查看长尾并拟合其他分布，以获得有关可变性已知问题和采取任何措施的成本的输入。一些工厂过程变量具有自然分布，虽然不是正态分布，但很容易理解。例如，粒子计数很少是正态的，有些遵循泊松或雷诺分布，但同样，你必须研究修剪这些尾巴的成本与与它们一起生活的成本。
最后一点。
能力使用工程或客户规格限制而不是统计限制，这些通常是错误的，因为它们可能是在研发期间设置的，一旦批量制造提供了有关这些参数如何影响产量或可靠性或其他成本的信息，就不会更新。根据虚假限制报告功能会浪费大量时间和金钱。
我首选的转换为正态分布的方法是使用连续拟合==>全部。
这为您提供了最适合数据的分布的有序列表。然后，您可以从中选择最好的变换，例如使用 GLot 并直接保存变换后的数据，而不必强制数据进行分位数。
