Re : Tableau de contrôle non normal pour les données distribuées SHASHPermettez-moi de commencer par dire que je ne sais pas comment vous utilisez les cartes de contrôle ou dans quel but. Si vous les utilisez comme prévu par Shewhart ou d'une autre manière.
Il y a aucune hypothèse de données distribuées normalement pour UTILISER efficacement les cartes de contrôle. Je vous propose de lire ce qui suit :
1. Une discussion rapide des mythes concernant les cartes de contrôle (les cartes de comportement de processus comme Wheeler les appelle) : Voir Mythe 1
https://www.qualitydigest.com/print/18348
2. Un excellent article avec discussion :
Woodall, William H. (2000), "Controverses et contradictions dans le contrôle statistique des processus", Journal de la technologie de la qualité , vol. 32, n° 4 octobre 2000
En ce qui concerne vos données, vous n'avez pas réellement de variable continue tracée ? Il semble que vous tracez quelque chose comme un pourcentage de défauts ou un pourcentage de défauts. Ces types de données sont généralement tracés sur des graphiques p/np ou des graphiques u/c.
Je demanderais ce que signifient réellement les valeurs? Comment la valeur est-elle calculée? Pourcentage de quoi ? Comment est déterminé 100 % ? Y a-t-il une autre mesure qui pourrait être utilisée pour évaluer la viabilité?
Il y a des moments où ce type de données peut être évalué avec un simple graphique X,MR :
Re : Tableau de contrôle non normal pour les données distribuées SHASHJe n'aime pas du tout transformer des variables car les opérateurs qui doivent exécuter le contrôle de processus ne travailleront plus avec des unités liées à leur processus. C'est bien d'une approche mathématique conceptuelle... c'est mauvais d'une approche de système de contrôle de processus. Cela dit : vous semblez regarder une proportion et vous devriez d'abord explorer le p-chart.
Si cela ne fonctionne pas pour vous, la façon de sélectionner une distribution est d'utiliser la plate-forme de distribution. Appuyez sur l'option Fit All, ignorez toutes les courbes de Johnson et SHASH car elles sont plutôt à longue queue, puis sélectionnez simplement la suivante la plus élevée. Si c'est Weibull, alors c'est le meilleur que vous ayez, alors ne vous souciez plus de la qualité de l'ajustement.
Re : Tableau de contrôle non normal pour les données distribuées SHASHSalut @pauldeen ,
merci pour la réponse brève et récapitulative ! Je pense que c'est aussi la voie que je vais suivre !
Bien cordialement Johann
Re : Tableau de contrôle non normal pour les données distribuées SHASHTout d'abord, je tiens à vous remercier pour tous les commentaires utiles!
@Mark_Bailey : L'élargissement de la mise à l'échelle lambda via le clic droit ne m'était pas familier jusqu'à présent, merci pour cette astuce !
En ce qui concerne les données et mon intention, et à ce stade, excuses de ne pas avoir été clair dès le début. Les données concernent la détermination du pourcentage de cellules viables dans un processus de culture. La détermination est faite ici en quantifiant le nombre de cellules vivantes et le nombre total de cellules (cellules vivantes et mortes), à partir desquelles le pourcentage de viabilité peut être déterminé à la fin. Ce paramètre est crucial, car il est décidé si le processus peut être poursuivi ou non en fonction de la vitalité (LSL 90 %). Les mesures sont des déterminations individuelles par lot (un lot, une détermination de viabilité, je n'ai pas précisé le numéro de lot dans le dossier d'échantillon), c'est pourquoi j'ai voulu utiliser une charte I-MR pour vérifier ce paramètre.
Pour examiner la viabilité via la carte de contrôle, nous avons décidé d'appliquer les Western Electric Rules Test 1 (Un point est à plus de 3 écarts-types de la moyenne), test 2 (Neuf points (ou plus) d'affilée sont du même côté de la moyenne) et test 5 (Neuf (ou plus) points consécutifs sont du même côté de la moyenne). L'hypothèse selon laquelle j'ai besoin d'utiliser une carte de contrôle non normale dans cette enquête est finalement venue du fait que les données ne sont évidemment pas distribuées normalement et on peut théoriquement s'attendre à ce qu'une distribution non normale soit probable, puisque le paramètre fonctionne très près de une limite naturelle (la culture cellulaire ne peut contenir plus de 100 % de cellules viables). J'étais d'avis qu'avec des données non distribuées normalement et l'application d'un ControlCharts "classique", on recevrait des messages d'erreur, qui ne se produisent pas réellement en raison d'une variation de cause spéciale mais sont dus à la "nature" des données.
@statman : d'après vos informations, cependant, je comprends que l'hypothèse de distribution normale n'est pas obligatoire pour l'application des cartes de contrôle. malheureusement, je n'ai pas encore eu l'occasion de lire toutes les références, mais j'essaierai de le faire dès que possible. En tout cas merci encore pour cela. Mais si je comprends bien la source du résumé de qualité (mythe 1), l'approche de Shewart consiste davantage à déterminer les valeurs aberrantes et à ne pas détecter les changements de processus ?
Re : Tableau de contrôle non normal pour les données distribuées SHASHIl vaut mieux que vous lisiez les références que j'ai données (ce sera plus facile que de lire le livre de Shewhart). Shewhart cherchait des méthodes pour déterminer s'il y avait quelque chose de différent dans le processus. Les cartes de contrôle qu'il a développées accomplissent 2 tâches. En fin de compte, les graphiques sont utilisés pour déterminer la structure causale au moyen de la partition des sources potentielles (X) et de la comparaison de leurs effets. Pas par l'expérimentation, mais par l'exposition de leur variation naturelle. Le sous-groupe constitue la base de la comparaison. Le dans la variation de sous-groupe est une fonction des x qui varient naturellement à cette "fréquence" (Oui, yf(x)). La sélection du sous-groupe est une décision importante (et est rarement enseignée).
"L'ingénieur qui réussit à diviser initialement ses données en sous-groupes rationnels basés sur des théories rationnelles est donc intrinsèquement mieux loti à long terme"
Shewhart
Le temps entre chaque sous-groupe échantillonné captera la variation naturelle des x qui changent à cette fréquence d'échantillonnage.
Ainsi, les graphiques répondent à la question : quelles sources de variation ont le plus d'effet de levier (celles qui changent au sein ou entre les sous-groupes) sur la ou les variables de réponse ? Cependant, Shewhart s'est également rendu compte que pour qu'une telle comparaison soit effectuée, la base de comparaison doit d'abord être évaluée en termes de cohérence. D'où le tableau des fourchettes qui répond à la question : la variation au sein du sous-groupe est-elle cohérente, stable, prévisible ?
Ainsi, par exemple, vous avez un lot de cellules en cours de culture (pardonnez-moi car je ne connais pas spécifiquement le processus). Vous utilisez un processus d'inspection pour déterminer les cellules vivantes/mortes. Vous traitez le lot entier comme un seul échantillon. Est-il possible que certaines zones du lot soient plus propices à la croissance cellulaire ? Y a-t-il des gradients de température dans le lot ? Quelle est l'homogénéité du lot ? Le lot est-il agité ? Quelles sont les sources de variation au sein du lot ? Dans quelle mesure l'agar est-il bien distribué ? À quel substrat les cellules sont-elles attachées ? Dans quelle mesure êtes-vous confiant dans le système de mesure concernant les cellules vivantes ou mortes ? Existe-t-il des gradations de cellules vivantes ? Pourrait-il y avoir une mesure plus précise ? La cohérence de ces variables agissant pour recueillir peut être évaluée à l'aide du graphique de gamme. Maintenant, pour le lot suivant (et les lots suivants), qu'est-ce qui change ? Lot différent d'agar ? Conditions ambiantes différentes ? Différentes conditions de traitement ? Substrat différent ? Changements de matière première ? Capacité à respecter la recette ?... etc. Le graphique X-bar cherche à comparer la multitude de sources pour déterminer quel ENSEMBLE de x (composante de variation) a le plus grand effet et où devriez-vous concentrer vos efforts d'amélioration. Bien sûr, ces études peuvent être faites avec plusieurs couches offrant une plus grande discrimination.
Carte de contrôle non normale pour les données distribuées SHASHBonjour,
Je voudrais revenir sur la discussion sur les cartes de contrôle non normales, qui a déjà été abordée ici.
https://community.jmp.com/t5/Discussions/Control-Chart-builder-Non-Normal-data-Control-Limits/mp/227165#M45073
J'ai également un jeu de données non distribué normalement (voir pièce jointe) pour lequel seule la distribution SHASH est remise en cause en raison de l'extrême "asymétrie". Toutes les autres distributions sont rejetées en raison d'un test de qualité d'ajustement significatif. Cependant, en utilisant le script Non-normal Control Chart de Paul Deen (voir lien ci-dessus, script très utile d'ailleurs !) et en sélectionnant la distribution SHASH, un graphique très discutable s'affiche (zones trop grandes pour les frontières sigma), ce qui est certainement en raison de l'extrême asymétrie des données (si vous voulez récapituler, mon LSL est de 0,9, mon objectif est de maximiser)
Si, par contre, je sélectionne une distribution de Weilbull, le ControlChart est bien meilleur.
Les tests correspondants (Western Electric Rules) peuvent alors également être appliqués de manière plus fiable. Ma question est maintenant de savoir s'il est acceptable de supposer une distribution différente pour la création de la carte de contrôle, bien que cela soit en fait rejeté via le test d'adéquation ? J'ai également entendu dire qu'une distribution SHASH en particulier n'est pas appropriée pour les analyses de processus (capacité, cartes de contrôle).
Au sujet de la transformation des données : j'ai également essayé de normaliser les données à l'aide de la transformation box-cox (en utilisant le script de Mark Bailey, https://community.jmp.com/t5/JMP-Scripts/Demonstrate-the-Univariate-Box-Cox-Transform/ta-p/21820 ), mais avec peu de succès. Les données sont tout simplement trop " biaisées ". De plus, j'ai également constaté que la transformation des données n'est pas recommandée car vous perdez certaines informations (voir aussi https://www.spcforexcel.com/knowledge/variable-control-charts/control-charts-and-non-normal-data)
Avez-vous une opinion à ce sujet?
Je serais très heureux de tout commentaire!
Cordialement
Jean
Ingénierie de la qualité et des procédésRe : Carte de contrôle non normale pour les données distribuées SHASHLa raison pour laquelle vous essayez d'utiliser le script que j'ai écrit pour trouver une valeur lambda qui linéarise le tracé quantile normal est-elle parce que vous ne pouvez faire varier lambda qu'entre -2 et +2 ? Si tel est le cas, faites un clic droit sur le curseur. Vous pouvez modifier l'intervalle du curseur et l'élargir.
Re : Carte de contrôle non normale pour les données distribuées SHASHJe ne sais pas quel est votre objectif pour le SPC. Peut-être pouvez-vous utiliser une méthode robuste pour la limite de contrôle individuelle X ? Pour les données SPC très asymétriques, je définirais normalement mon propre UCL en utilisant la médiane (pour la ligne centrale - emplacement) + k*IQR (pour la dispersion/sigma) comme limite de contrôle.
J'ai vu un article publié utilisant MAD pour sigma dans les cartes de contrôle.
https://www.researchgate.net/publication/262272472_Robust_individuals_control_chart_for_shifts_in_process_mean_and_variance
