回复：SHASH 分布式数据的非正态控制图让我首先说明我不知道您如何使用控制图或出于什么目的。 如果您按照 Shewhart 的意图或以其他方式使用它们。
有没有正态分布数据的假设有效地使用控制图。 我建议您阅读以下内容：
1. 关于控制图（Wheeler 称之为过程行为图）的迷思的快速讨论：参见迷思 1
https://www.qualitydigest.com/print/18348
2.一篇优秀的论文讨论:
Woodall, William H. (2000)，“统计过程控制中的争议和矛盾”，质量技术杂志，卷。 2000年10月32日第4期
关于您的数据，您实际上没有绘制连续变量？ 看起来您正在绘制缺陷百分比或缺陷百分比之类的东西。 这些数据类型通常绘制在 p/np 图或 u/c 图上。
我会问这些值实际上意味着什么？ 价值是如何计算的？ 什么百分比？ 100%是怎么确定的？ 是否有其他措施可用于评估生存能力？
有时可以使用简单的 X,MR 图表评估此类数据：
回复：SHASH 分布式数据的非正态控制图我非常不喜欢转换变量，因为需要执行过程控制的操作员将不再使用与其过程相关的单元。 从概念数学方法来看很好……从过程控制系统方法来看是不好的。 话虽如此：你似乎在看一个比例，你应该先探索 p 图。
如果这对您不起作用，那么选择发行版的方法是使用发行版平台。 点击适合所有选项，跳过所有 Johnson 和 SHASH 曲线，因为它们的尾部相当长，然后只选择下一个最高的曲线。 如果那是 Weibull，那么这就是您所拥有的最好的，所以不要再费心看拟合优度了。
回复：SHASH 分布式数据的非正态控制图你好@保丁,
感谢您的简短总结回复！ 我想这也是我会遵循的方式！
亲切的问候，约翰
回复：SHASH 分布式数据的非正态控制图首先，我要感谢您提供的所有有用的评论！
@mark_Bailey：直到现在我还不熟悉通过右键单击来扩大 lambda 缩放比例，谢谢你的提示！
关于数据和我的意图，在这一点上，我很抱歉没有在一开始就说清楚。 数据是关于培养过程中活细胞的百分比测定。 此处的确定是通过量化活细胞计数和总细胞计数（活细胞和死细胞）来进行的，最后可以从中确定存活率百分比。 此参数至关重要，因为它决定了该过程是否可以继续取决于活力 (LSL 90 %)。 测量是每批次的单独测定（一个批次，一个活力测定，我没有在样本文件中指定批次号），这就是为什么我想使用 I-MR 图来检查这个参数。
为了通过控制图检查可行性，我们决定应用 Western Electric Rules 测试 1（一个点与平均值相差超过 3 个标准差）、测试 2（连续九个（或更多）点位于同一侧均值）和检验 5（连续九个（或更多）点位于均值的同一侧）。 我需要在本次调查中使用非正态控制图的假设最终来自于数据显然不是正态分布的事实，理论上也可以预期非正态分布是可能的，因为参数运行非常接近自然限制（细胞培养物不能包含超过 100% 的活细胞）。 我的假设是，对于非正态分布的数据和“经典”ControlCharts 的应用，人们会收到错误消息，这些错误消息实际上并不是由于特殊原因的变化而发生的，而是由于数据的“性质”造成的。
@statman ：但是，根据您的信息，我了解到正态分布的假设对于控制图的应用不是强制性的。不幸的是，我还没有机会通读所有参考资料，但我会尽快阅读。 无论如何，再次感谢您。 但是，如果我正确理解质量摘要来源（神话 1），Shewart 的方法更多是关于确定异常值而不是检测过程转移？
回复：SHASH 分布式数据的非正态控制图最好阅读我提供的参考资料（这比阅读 Shewhart 的书更容易）。 Shewhart 正在寻找方法来确定过程中是否存在任何可指定的不同之处。 他开发的控制图完成了 2 个任务。 最终，图表用于通过划分潜在来源 (X) 并比较它们的影响来确定因果结构。 不是通过实验，而是通过暴露它们的自然变异。 子组构成比较的基础。 这之内子组变异是 x 在该“频率”下自然变化的函数（是的，yf(x)）。 分组的选择是一个重要的决定（而且很少被教导）。
“因此，从长远来看，成功地将数据最初划分为基于理性理论的理性子组的工程师本质上会更好”
休哈特
这时间之间每个被采样的子组将捕获在该采样频率下变化的 x 的自然变化。
因此，图表回答了以下问题：哪些变异来源（在子组内或子组之间发生变化的来源）对响应变量具有更大的影响力？ 然而，休哈特也意识到，为了进行这样的比较，首先必须评估比较基础的一致性。 因此，范围图回答了以下问题：子组内的变异是否一致、稳定、可预测？
因此，例如，您有一批正在培养的细胞（请原谅我对这个过程并不特别熟悉）。 您正在使用检查过程来确定活细胞/死细胞。 您将整个批次视为一个样本。 批次中是否可能存在更有利于细胞生长的区域？ 批次内是否存在温度梯度？ 批次的均匀性如何？ 批次是否搅动？ 批次内有哪些变异来源？ 琼脂的分布情况如何？ 细胞附着的基质是什么？ 您对活细胞或死细胞的测量系统有多大信心？ 活细胞有层次吗？ 可以有更精确的测量吗？ 可以使用范围图评估这些变量的一致性。 现在，对于下一批（和后续批次），有什么变化？ 不同批次的琼脂？ 环境条件不同？ 加工条件不同？ 底材不同？ 原料变化？ 坚持食谱的能力？...等等。 X 条形图试图比较大量的来源以确定哪一组 x 的（变化的组成部分）具有最大的影响以及您应该将改进工作的重点放在哪里。 当然，这些研究可以通过多层进行，从而提供更大的辨别力。
SHASH分布式数据的非正态控制图你好，
我想重新回顾一下关于非正态控制图的讨论，这已经在这里讨论过。
https://community.jmp.com/t5/Discussions/Control-Chart-builder-Non-Normal-data-Control-Limits/mp/227165#M45073
我还有一个非正态分布的数据集（参见附件），由于极端的“偏度”，只有 SHASH 分布会出现问题。 由于显着的拟合优度检验，所有其他分布均被拒绝。 然而，使用 Paul Deen 的非正态控制图脚本（参见上面的链接，顺便说一下，非常有用的脚本！）并选择 SHASH 分布，会显示一个非常有问题的图形（区域对于 sigma 边界来说太大），这肯定是由于数据的极度偏斜（如果你想回顾一下，我的 LSL 是 0.9，我的目标是最大化）
另一方面，如果我选择 Weilbull 分布，则 ControlChart 看起来会好得多。
相应的测试（西电规则）也可以更可靠地应用。 我现在的问题是，假设不同的分布来创建控制图是否可以接受，尽管这实际上通过拟合优度检验被拒绝了？ 我还听说 SHASH 分布特别不适合过程分析（能力、控制图）。
关于数据转换的主题：我还尝试使用 box-cox 转换对数据进行标准化（使用 Mark Bailey 的脚本， https://community.jmp.com/t5/JMP-Scripts/Demonstrate-the-Univariate-Box-Cox-Transform/ta-p/21820 ），但收效甚微。 数据实在是太“扭曲”了。 此外，我还发现不建议转换数据，因为您会丢失某些信息（另请参阅https://www.spcforexcel.com/knowledge/variable-control-charts/control-charts-and-non-normal-data）
您对此有何看法？
如果有任何反馈，我将非常高兴！
此致
约翰
质量和工艺工程回复：SHASH 分布式数据的非正态控制图您尝试使用我编写的脚本来查找线性化正常分位数图的 lambda 值的原因是因为您只能在 -2 和 +2 之间改变 lambda 吗？ 如果是这种情况，请右键单击滑块。 您可以更改滑块的间隔并使其更宽。
回复：SHASH 分布式数据的非正态控制图不确定您设置 SPC 的目的是什么。 也许你可以使用稳健的方法来实现个体 X 控制极限？ 对于高度倾斜的数据 SPC，通常我会使用中位数（对于中心线 - 位置）+ k*IQR（对于色散/西格玛）作为控制限来定义自己的 UCL。
我看过已发表的论文，在控制图中使用 MAD 计算西格玛。
https://www.researchgate.net/publication/262272472_Robust_individuals_control_chart_for_shifts_in_process_mean_and_variance
