Re: Gráfico de control no normal para datos distribuidos SHASHPermítanme comenzar diciendo que no sé cómo está utilizando gráficos de control o con qué propósito. Si los está utilizando como pretendía Shewhart o de alguna otra manera.
Hay sin suposición de datos normalmente distribuidos UTILIZAR gráficos de control de manera efectiva. Te sugiero que leas lo siguiente:
1. Una discusión rápida de los mitos con respecto a los gráficos de control (gráficos de comportamiento del proceso, como los llama Wheeler): Ver Mito 1
https://www.qualitydigest.com/print/18348
2. Un excelente trabajo con discusión :
Woodall, William H. (2000), "Controversias y contradicciones en el control estadístico de procesos", Revista de tecnología de calidad , vol. 32, No.4 Octubre 2000
Con respecto a sus datos, ¿realmente no tiene una variable continua graficada? Parece que está trazando algo así como un porcentaje defectuoso o un porcentaje de defectos. Estos tipos de datos normalmente se trazan en gráficos p/np o gráficos u/c.
Me preguntaría qué significan realmente los valores. ¿Cómo se calcula el valor? ¿Porcentaje de qué? ¿Cómo se determina el 100%? ¿Hay alguna otra medida que pueda usarse para evaluar la viabilidad?
Hay momentos en que este tipo de datos se pueden evaluar con un gráfico X,MR simple:
Re: Gráfico de control no normal para datos distribuidos SHASHNo me gusta mucho transformar variables ya que los operadores que necesitan ejecutar el control del proceso ya no trabajarán con unidades relacionadas con su proceso. Está bien desde un enfoque matemático conceptual... está mal desde un enfoque de sistema de control de procesos. Habiendo dicho eso: parece que estás mirando una proporción y primero deberías explorar el gráfico p.
Si eso no funciona para usted, entonces la forma de seleccionar una distribución es utilizando la plataforma de distribución. Presiona la opción de ajustar todo, omite todas las curvas de Johnson y SHASH ya que son bastante largas y luego selecciona la siguiente más alta. Si eso es Weibull, entonces es lo mejor que tiene, así que no se moleste en buscar más la bondad del ajuste.
Re: Gráfico de control no normal para datos distribuidos SHASHHola @pauldeen ,
gracias por la breve y resumida respuesta! ¡Creo que este es también el camino que seguiré!
Saludos cordiales, johann
Re: Gráfico de control no normal para datos distribuidos SHASHEn primer lugar, me gustaría darle las gracias por todos los comentarios útiles!
@Mark_Bailey: Hasta ahora no me resultaba familiar la ampliación de la escala lambda mediante el clic con el botón derecho, ¡gracias por este consejo!
En cuanto a los datos y mi intención, y en este punto disculpas por no dejar esto claro desde el principio. Los datos son sobre la determinación del porcentaje de células viables dentro de un proceso de cultivo. La determinación se realiza aquí cuantificando el recuento de células vivas y el recuento de células totales (células vivas y muertas), a partir de las cuales se puede determinar finalmente el porcentaje de viabilidad. Este parámetro es crucial, ya que se decide si el proceso puede continuar o no dependiendo de la vitalidad (LSL 90 %). Las mediciones son determinaciones individuales por lote (un lote, una determinación de viabilidad, no especifiqué el número de lote en el archivo de muestra), por lo que quería usar un gráfico I-MR para verificar este parámetro.
Para examinar la viabilidad a través del gráfico de control, decidimos aplicar la Prueba 1 de las Reglas de Western Electric (Un punto es más de 3 desviaciones estándar de la media), prueba 2 (Nueve (o más) puntos seguidos están en el mismo lado de la media) y prueba 5 (Nueve (o más) puntos seguidos están del mismo lado de la media). La suposición de que necesito usar un gráfico de control no normal en esta investigación finalmente surgió del hecho de que los datos obviamente no están distribuidos normalmente y, en teoría, también se puede esperar que una distribución no normal sea probable, ya que el parámetro opera muy cerca de un límite natural (el cultivo celular no puede contener más del 100 % de células viables). Supuse que con datos que no se distribuyen normalmente y la aplicación de un ControlCharts "clásico" uno recibiría mensajes de error, que en realidad no ocurren debido a una variación de causa especial, sino que se deben a la "naturaleza" de los datos.
@statman : de su información, sin embargo, entiendo que el supuesto de distribución normal no es obligatorio para la aplicación de gráficos de control. desafortunadamente, todavía no he tenido la oportunidad de leer todas las referencias, pero intentaré hacerlo lo antes posible. En cualquier caso, gracias de nuevo por esto. Pero si entiendo correctamente la fuente de resumen de calidad (mito 1), el enfoque de Shewart se trata más de determinar valores atípicos y no detectar cambios en el proceso.
Re: Gráfico de control no normal para datos distribuidos SHASHEs mejor que leas las referencias que di (será más fácil que leer el libro de Shewhart). Shewhart estaba buscando métodos para determinar si había algo asignablemente diferente en el proceso. Los gráficos de control que desarrolló cumplen 2 tareas. En última instancia, los gráficos se utilizan para determinar la estructura causal mediante la partición de las fuentes potenciales (X) y la comparación de sus efectos. No a través de la experimentación, sino a través de la exposición de su variación natural. El subgrupo forma la base de la comparación. El dentro la variación del subgrupo es una función de las x que varían naturalmente en esa "frecuencia" (Sí, yf(x)). La selección del subgrupo es una decisión importante (y rara vez se enseña).
“El ingeniero que tiene éxito en dividir sus datos inicialmente en subgrupos racionales basados en teorías racionales, por lo tanto, es inherentemente mejor a largo plazo”
Shewhart
El tiempo entre cada subgrupo muestreado capturará la variación natural de las x que cambian en esa frecuencia de muestreo.
Entonces, los gráficos responden a la pregunta: ¿qué fuentes de variación tienen mayor influencia (las que cambian dentro o entre subgrupos) en la(s) variable(s) de respuesta? Sin embargo, Shewhart también se dio cuenta de que para poder hacer tal comparación, primero se debe evaluar la consistencia de la base para la comparación. Por lo tanto, el gráfico de rango que responde a la pregunta: ¿la variación dentro del subgrupo es consistente, estable y predecible?
Entonces, por ejemplo, tiene un lote de células en cultivo (perdóneme porque no estoy específicamente familiarizado con el proceso). Está utilizando un proceso de inspección para determinar las células vivas/muertas. Trata todo el lote como una muestra. ¿Es posible que haya áreas dentro del lote que sean más propicias para el crecimiento celular? ¿Hay gradientes de temperatura dentro del lote? ¿Qué tan homogéneo es el lote? ¿Está agitado el lote? ¿Qué fuentes de variación hay dentro del lote? ¿Qué tan bien distribuido está el agar? ¿Cuál es el sustrato al que se unen las células? ¿Qué confianza tiene en el sistema de medición con respecto a las células vivas o muertas? ¿Hay gradaciones de células vivas? ¿Puede haber una medida más precisa? La consistencia de estas variables que actúan para recopilar se puede evaluar utilizando el gráfico de rango. Ahora, para el próximo lote (y los lotes subsiguientes), ¿qué cambia? ¿Diferente lote de agar? ¿Diferentes condiciones ambientales? ¿Diferentes condiciones de procesamiento? Diferente sustrato? ¿Cambios de materia prima? ¿Capacidad para adherirse a la receta?...etc. El gráfico de barras X busca comparar la multitud de fuentes para determinar qué CONJUNTO de x (componente de variación) tiene el mayor efecto y dónde debe enfocar sus esfuerzos de mejora. Por supuesto, estos estudios se pueden hacer con múltiples capas proporcionando una mayor discriminación.
Gráfico de control no normal para datos distribuidos SHASHHola,
Me gustaría volver a la discusión sobre gráficos de control no normales, que ya se ha abordado aquí.
https://community.jmp.com/t5/Discussions/Control-Chart-builder-Non-Normal-data-Control-Limits/mp/227165#M45073
También tengo un conjunto de datos que no se distribuye normalmente (ver archivo adjunto) para el cual solo se cuestiona la distribución SHASH debido a la extrema "sesgo". Todas las demás distribuciones se rechazan debido a una prueba de bondad de ajuste significativa. Sin embargo, al usar el script de gráfico de control no normal de Paul Deen (consulte el enlace anterior, ¡un script muy útil por cierto!) y seleccionando la distribución SHASH, se muestra un gráfico muy cuestionable (zonas demasiado grandes para los límites sigma), que sin duda es debido a la extrema asimetría de los datos (si quieres recapitular, mi LSL es 0.9, mi objetivo es maximizar)
Si, por el contrario, selecciono una distribución de Weilbull, el ControlChart se ve mucho mejor.
Las pruebas correspondientes (Reglas de Western Electric) también se pueden aplicar de manera más confiable. Mi pregunta ahora es si es aceptable suponer una distribución diferente para la creación del gráfico de control, aunque esto en realidad se rechaza a través de la prueba de bondad de ajuste. También escuché que una distribución SHASH en particular no es apropiada para análisis de procesos (capacidad, gráficos de control).
Sobre el tema de la transformación de datos: también he intentado normalizar los datos usando la transformación box-cox (usando el script de Mark Bailey, https://community.jmp.com/t5/JMP-Scripts/Demonstrate-the-Univariate-Box-Cox-Transform/ta-p/21820 ), pero con poco éxito. Los datos son simplemente demasiado "sesgados". Además, también descubrí que la transformación de datos no es tan recomendable ya que pierdes cierta información (ver también https://www.spcforexcel.com/knowledge/variable-control-charts/control-charts-and-non-normal-data)
¿Tienes una opinión sobre esto?
¡Estaría muy feliz por cualquier comentario!
Atentamente
Juan
Ingeniería de Calidad y ProcesosRe: Gráfico de control no normal para datos distribuidos SHASH¿La razón por la que su intento de utilizar el script que escribí para encontrar un valor lambda que linealice el gráfico de cuantiles normal es porque solo puede variar lambda entre -2 y +2? Si ese es el caso, haga clic derecho en el control deslizante. Puede cambiar el intervalo del control deslizante y hacerlo más amplio.
Re: Gráfico de control no normal para datos distribuidos SHASHNo estoy seguro de cuál es el propósito del SPC. ¿Quizás puedas utilizar un método robusto para el límite de control individual X? Para datos SPC muy sesgados, normalmente definiría mi propia UCL usando la mediana (para la línea central - ubicación) + k*IQR (para dispersión/sigma) como límite de control.
He visto artículos publicados que utilizan MAD para sigma en gráficos de control.
https://www.researchgate.net/publication/262272472_Robust_individuals_control_chart_for_shifts_in_process_mean_and_variance
