disusun oleh : bagus purwantoro ( 071189 )
DESCRIPTION
Memperkirakan dan Pengujian Proses Kuantil berbasis Kemampuan Indeks Proses dengan miring Distribusi. Disusun oleh : Bagus Purwantoro ( 071189 ). - PowerPoint PPT PresentationTRANSCRIPT
Disusun oleh : Bagus Purwantoro ( 071189 )
Sebagai ukuran numerik, indeks kemampuan proses (PCI)
menggunakan baik
variabilitas proses dan proses Spesifikasi yang menentukan apakah
proses
mampu. Hal ini memainkan peran penting dalam pemantauan dan
analisis kualitas proses dan produktivitas. Banyak PCIs telah diajukan
sejak Juran et al. (1974) mengusulkan PCI Cp pertama. Biarkan USL
dan LSL menjadi spesifikasi atas dan bawah batas, d = (USL - LSL) / 2,
m = (LSL + USL) / 2 dan T menjadi nilai target. Proses mean dan
deviasi standar yang dilambangkan dengan μ dan σ. V ¨ annman
(1995) suprastruktur yang diusulkan menyatukan empat PCIs dasar,
yaitu, Cp, Cpk, CPM dan Cpmk
Karena proses mean dan varians berdasarkan indeks kapabilitas proses (mvPCI)
secara implisit mengasumsikan kenormalan dari proses yang mendasari,
mereka peka terhadap proses miring. Baru-baru ini banyak karya yang
diterbitkan (lihat Spiring et al., 2003, untuk referensi lebih) mencoba untuk
mengatasi masalah ini non-normal penting melalui memodifikasi ada PCIs
populer. Beberapa peneliti menggunakan model parametrik yang berbeda untuk
menangani proses non-normal. Untuk beberapa nama, Kötz dan Lovelace (1998,
halaman 174) dan Lin (2004) menggunakan distribusi normal dilipat dan Lin
(2005) menggunakan umum melipat distribusi normal untuk model proses dasar
dan menggunakan khusus Fitur dari model parametrik untuk memodifikasi PCIs.
Chang dan Bai (2001) dan Chang et al. (2002) model proses dengan kepadatan
rata-rata tertimbang dari dua kepadatan normal (campuran dua distribusi
normal dengan proporsi pencampuran dikenal) sesuai dengan kemiringan dari
proses yang mendasari.
Baru-baru ini, Chao dan Lin (2005) mengusulkan sebuah proses yang
sangat umum hasil berbasis PCI sebagai berikut
Cy = 13 Φ-1 [ 12 (Fθ (USL) - Fθ (LSL) + 1) ] (1,2)
dimana Φ adalah CDF distribusi normal standar, F (·) dan θ adalah CDF
dan vektor parameter proses distribusi yang mendasarinya. PCI (1.2)
memiliki ekspresi analitis elegan melibatkan hanya probabilitas ekor
dua mendasari proses dan mudah untuk menafsirkannya. Perumusan
Cy tidak secara implisit mengasumsikan normalitas / sysmetry proses
yang mendasari sejak CDF dari proses yang mendasari F (·) tidak
ditentukan. Dari perspektif ini, Cy memiliki perbedaan struktur dari
PCIs ada banyak dalam menangani non-normal proses.
arah lain untuk bersantai normalitas implisit / asumsi simetri adalah untuk
memperkenalkan proses quantiles definisi PCIs. Termotivasi dari Clements
'(1989) gagasan kuantil, Chen dan Pearn (1997) diubah V ¨ annman's (1995) Cp
(u, v) dan mengusulkan suprastruktur kuantil berbasis PCI, tanpa implisit asumsi
normalitas dari proses yang mendasari sebagai berikut
CNp (u, v) = d - u | ξp2 - M | 3 √ (Ξp3 -Ξp1 6) 2 + v (ξp2 - T) 2 . (1,3)
mana ξα adalah kuantil ke-α-proses, yaitu P (X <ξα) = α, dan p1 = 0,00135, p2
= 0,5, dan p3 = 0,99865. Perumusan di atas quantilebased PCI dimaksudkan
untuk menghasilkan proporsi ketidaksesuaian sekitar 0,27% dengan CNp = 1
jika proses distribusi yang mendekati normal dan tepat sasaran. Perhatikan
bahwa (1,3) pada dasarnya dirancang untuk proses dengan dua spesifikasi
batas. Dalam prakteknya, banyak proses hanya memiliki batas spesifikasi satu
sisi, seperti nol-terikat proses di mana nol adalah terikat alam dan pengukuran
dengan nilai nol yang diinginkan.
V annman ° dan Albing (2007) baru-baru ini menetapkan indeks berdasarkan
kuantil menjanjikan untuk mengukur kemampuan proses (khususnya untuk
distribusi miring) dengan spesifikasi batas atas seperti proses nol-terikat
sebagai berikut CMA (ν; ξ) = USL √ ξ2p3 + νξ2 p2 (1,4) mana p2 = 0,5 dan p3 =
0,9973. Hasil proses di CMA = 1 adalah
P (X <LSL) = P ( X < √ ξ2 p3 + ξ2 p2 ) > P (X <ξp3) = p3 = 99,73%. V annman
° dan (2007) karya Albing adalah dasarnya dalam bingkai nonparametrik
bekerja di mana mereka diusulkan kuantil sampel dan interpolasi berdasarkan
kuantil penduga dari CMA (u, v), dinotasikan dengan CMA (u, v), dan
membuktikan bahwa CMA (u, v) adalah terdistribusi normal asimtotik. Karena
varians asimtotik CMA (u, v) tergantung pada ekspresi eksplisit dari fungsi
kepadatan yang mendasari proses, hasil mereka asymptotic normality tidak
dapat digunakan secara langsung untuk membangun confidence interval atau
hipotesis uji untuk qPCI kecuali distribusi proses yang mendasari benar-benar
ditentukan.
Non-parametrik Confidence Batas dan Prosedur Pengujian Jika
fungsi densitas proses ini diketahui dan kami tidak yakin yang distribusi
harus digunakan agar sesuai dengan model, metode prosedur nonparametrik
harus
258 Cheng Peng digunakan. Kami fokus diskusi kita pada interval keyakinan
membangun dan mengembangkan pengujian hipotesis menggunakan
pendekatan bebas distribusi di bagian ini. Biarkan ξα menjadi αth kuantil
sampel. Artinya, ξα = max (y: Fn (y) <α) (3.1)
dimana Fn (y) adalah CDF empiris ditentukan berdasarkan data sampel. Hal ini
juga
diketahui bahwa ξα adalah estimator konsisten ξα. Selanjutnya untuk sampel
p2th dan p3th
quantiles, kita memiliki varians dan kovarians matriks berikut (lihat Serfling,
1980, halaman 80.) Γ (f; ξ) n = Cakupan
(Ξp2 ξp3 ) = p2 (1 - p2) nf2 (ξp2) p3 (1 - p2) nf (ξp2) f (ξp3) p3 (1 - p2) nf (ξp2)
f (ξp3) p3 (1 - p3) nf2 (ξp3)
dimana f adalah fungsi densitas dari proses yang mendasari.
Oleh karena itu, konsisten penaksir CMA (ν; ξ) dengan menggunakan sampel
quantiles diberikan oleh CMA (ν; ξ) = CMA(ν; ξ) = USL √ ξ2 p3 + ν ξ2 p2 (3,2)
Sekali lagi menggunakan ekspansi Taylor orde pertama pada CMA (ν; ξ) pada
nilai sebenarnya ξ dan Slutsky Teorema, kita memiliki √ n (CMA (ν; ξ) - CMA (ν;
ξ) ) → N ( 0, σ2C ) (3,3) dimana σ2C = U (ν; θ) Γ (f; ξ) Uτ (ν; θ) = C2M A (ν; ξ) (Ξ2
p3 + νξ2 p2) 2 [Ν2ξ2 p2 4f2 (ξp2) + Ν (1 - p3) ξp2ξp3 f (ξp2) f (ξp3) + p3 (1 -
p3) ξ2 p3 f2 (ξp3) ] yang persis sama dengan yang diperoleh di annman ¨ V dan
Albing (2007).
Agar dapat menggunakan hasil asimtotik (3.3) untuk membangun interval
keyakinan
dari CMA (ν; ξ) dan hipotesis uji kapabilitas proses, kita perlu konsisten
estimator varians σ2C dalam (3.3). Untuk estimator kuantil konsisten, kami
hanya menggunakan sampel quantiles ξ0.5 ξp2 = dan ξ0.9973 = ξp3 dalam
makalah ini. Kita dapat juga menggunakan sampel quantiles atau interpolasi
berbasis quantiles dibahas dalam Hyndman dan Fan (1996), Pearn dan Chen
(1997) Chang umum dan Lu (1994) dengan minor modifikasi σ2C
.
Kurva patah merupakan kepadatan estimasi kurva parametrik dan kurva solid
mewakili kurva kepadatan kernel nonparametrik Panel kiri memberikan
histogram berdasarkan data simulasi bersama dengan kurva kepadatan yang
benar (θ = 2,2 skala dan bentuk β = 1,5) dan densitas kernel kurva (binwidth =
0,4722).
Untuk pendekatan parametrik, pertama-tama kita membuat histogram dari data
lalu
memilih distribusi parameter yang sesuai (s) berdasarkan histogram tersebut
agar sesuai
Confidence interval untuk Proses miring qPCI 263 data. Tes kebaikan-of-fit
dilakukan untuk menghindari misspecification model. Dalam hal ini contoh,
menggunakan uji Kolmogorov-Smirnov kebaikan-of-fit berdasarkan Weibull dan
log-normal distribusi dan menemukan bahwa kedua p-nilai 0,9683 dan
0,1714masing. Karena nilai-p berdasarkan distribusi Weibull lebih tinggi dari itu
berdasarkan distribusi log-biasa, pilihlah Weibull sebagai model final (pada
kenyataannya, data yang dihasilkan dari distribusi Weibull).
Kami memperkenalkan kernel estimator densitas untuk memperkirakan
kerapatan miring yang mendasari proses dan mendapatkan estimator konsisten
varians Confidence interval untuk Proses miring qPCI 267 dari qPCI usulan yang
BELUM dibahas oleh annman ¨ V dan Albing (2007). Oleh karena itu, pekerjaan
kami membuat qPCI diusulkan tersedia untuk implementasi praktis di bawah
pengaturan nonparametrik murni. . Kami juga mengembangkan prosedur
parametrik umum asimtotik untuk diusulkan qPCI. Rekomendasi umum untuk
menggunakan prosedur parametrik menggunakan metode parametrik jika
distribusi bawahan diberikan atau dapat mudah diidentifikasi dengan
melakukan tes kebaikan-of-fit untuk model pas. Prosedur dibahas dalam artikel
ini didasarkan pada teori sampel besar. Di praktek, ukuran sampel yang
dibutuhkan untuk kedua metode tergantung pada panjang ekor dari distribusi
untuk proses itu. Semakin panjang ekor, semakin besar
ukuran sampel reqiured.
TERIMA KASIH….