Transformación de datos no normales (análisis de capacidad)Hola a todos,
Tengo muchos datos no normales, así que leí cómo usar Ajuste continuo y Ajustar todo; consulte a continuación, por ejemplo. Figura 1.
Ahora tengo que hacer cumplir nuestras especificaciones de 8.4-9.2, así que primero transformé los datos eligiendo Log Normal (usando "Guardar cuantil ajustado") Figura 2 porque Johnson-Si y Johnson Su mostraron un pico muy extraño.
Ahora me pregunto:
1) ¿Elegí la transformación correcta?
2) En caso afirmativo, ¿necesito transformar los valores de especificaciones de 8.4 y 9.2?
3) ¿Es correcto utilizar el análisis de capacidad en datos transformados ya que los datos aún no son normales (como se muestra en la bondad de ajuste)?
por favor avise
gracias de antemano
Re: Transformación de datos no normales (análisis de capacidad)Bien... aquí tienes una idea. ¿Ha considerado ejecutar un experimento diseñado donde los niveles de la característica en cuestión en los cuantiles 1 y 99% de su rango de datos sean valores iniciales para ese factor? ¿Y tal vez agregar algunos otros factores que sean relevantes para las características clave de producción? Por supuesto, tendrías que utilizar la variable que has trazado aquí como factor y no como respuesta dentro del contexto del experimento. Y encontrar algunas características significativas de idoneidad para el uso impulsadas quizás por las necesidades de uso final del cliente. Ni siquiera es necesario realizar un experimento multifactorial... aunque podría generar información enormemente valiosa... especialmente si este único factor interactúa con otros que influyen en el proceso general. También te mando un mensaje privado.
Re: Transformación de datos no normales (análisis de capacidad)Gracias
Me hice reír, ya que los límites de especificaciones, de hecho, se diseñaron de la manera que dijiste para el proceso anterior.
Así que nuestro desafío actual es desafiar los límites y repensar si son aplicables o no en el mundo real.
Probamos la Normalidad y no pasa.
Leí mucho sobre el uso de gráficos de control con datos no normales y sé que podemos usar gráficos de control independientemente de la naturaleza de los datos.
Entonces, ahora tengo límites de control basados en los datos disponibles.
Deseo utilizar esos límites y calcular los índices de capacidad y hacer una comparación entre los límites de especificación y los límites de control.
Re: Transformación de datos no normales (análisis de capacidad)Gracias por la respuesta,
Estoy usando JMP 14.
Utilicé el método anterior, es muy útil e intuitivo.Re: Transformación de datos no normales (análisis de capacidad)Supongo que no me obsesionaría demasiado con preocuparme por qué transformación, algún índice de capacidad del proceso o cualquier otra estadística asociada con el problema práctico en cuestión. El proceso es lamentablemente incapaz... una conclusión que no es de naturaleza 'estadística'... pero una inspección superficial de los datos sin transformar con los límites de especificaciones superpuestos muestra que la preponderancia de los datos está fuera de los límites de especificaciones. Supongo que su proceso es constante y estable, sin variación de causa asignable. Si ese es el caso, ahora pasemos a la parte difícil... ya sea reducir la variación. O tal vez un primer paso sea cuestionar la validez y aplicabilidad de los límites de las especificaciones. ¿Reflejan algunos criterios de la vida real? ¿Reglamentarios, impulsados por los proveedores, impulsados por los clientes, impulsados por los estándares/especificaciones de la industria? ¿O estaban determinados por 'realmente no tenemos idea de cuáles deberían ser los valores de tolerancia apropiados... así que en un esfuerzo por forzar a la fabricación a 'apuntar', simplemente usaremos el objetivo como el centro del rango de especificaciones... y vaya más o menos el 10% a partir de ahí.'
No te rías... Vi que este pensamiento se aplicaba a menudo en la industria.
Re: Transformación de datos no normales (análisis de capacidad)Creo que una "mejor práctica" es seleccionar un modelo de distribución basado en el conocimiento sobre el proceso que genera los datos, en lugar de los criterios de "mejor ajuste". Los criterios se basan en una única muestra. El conocimiento se basa en la población.
Tenga en cuenta que si ajusta la distribución en la plataforma Distribución, el menú del triángulo rojo para el modelo ajustado contiene un comando para iniciar un análisis de capacidad del proceso para la distribución no normal. En este caso, no es necesario transformar los límites de sus especificaciones.
Re: Transformación de datos no normales (análisis de capacidad)@RBAero ,
No mencionaste qué versión de JMP o JMPPro estás utilizando. El siguiente enlace proporciona un ejemplo paso a paso si tiene la plataforma Process Capability en su PC. Tiene la opción de Establecer Distribución o utilizar Mejor Ajuste.PPK, que utiliza estimaciones de percentiles de máxima verosimilitud, es una opción que se utiliza con frecuencia.
Tenga en cuenta que los cálculos de PPK y Cpk suponen datos distribuidos de forma idéntica e independiente (IID), lo que significa que no hay variaciones sistemáticas.
Espero que esto ayude.
Documentación JMP para análisis de capacidad no normal
