Regulační diagramy
CUSUM
pro atributivní znaky
Eva Jarošová
1
Obsah
1. Klasické diagramy pro atributivní znaky,
omezení a nevýhody jejich aplikace
2. Přístup založený na transformaci sledované
veličiny
3. CUSUM diagramy pro transformovanou
proměnnou
4. CUSUM diagramy založené na předpokládaném
rozdělení sledované veličiny
2
Klasické Shewhartovy diagramy
Pro počet neshodných jednotek v podskupině
Pro podíl neshodných jednotek v podskupině
Pro počet neshod
Pro podíl neshod na jednotku
Založeny na předpokladu normálního rozdělení,
jímž lze za určitých podmínek aproximovat
skutečné rozdělení sledované veličiny
3
Binomické rozdělení Bi(n,p)
střední hodnota nebo
Poissonovo rozdělení Po(l)
střední hodnota nebo
(nezávislost)
Regulační meze ve vzdálenosti
riziko falešného signálu v podobě překročení horní
regulační meze 0,00135
Podmínky pro aproximaci
4
5np
5l
8np
8l
3 sigma
Důsledky nesplnění podmínky
vlivem nedostatečného rozsahu výběru
nesymetrické meze – záporná hodnota
pro dolní mez se nahradí nulou
větší riziko falešného signálu
(i pro np=5)
nelze diagnostikovat okamžik zlepšení
5
Alternativní přístupy
Transformace + Shewhartův diagram
Transformace + CUSUM
CUSUM přímo
6
Podstata CUSUM diagramů
První CUSUM Page (1954), od té doby řada modifikací
Dvě základní
Kumulativní součty odchylek od cílové hodnoty
rozhodování pomocí V-masky
Kumulativní součty
tabelární CUSUM (podobný klasickému diagramu)
7
0
1
( )t
t i
i
S X
1max ( );0i i iS S X K
1min ( );0i i iS S X K
Tabelární CUSUM pro měřitelné znaky
8
0 1max 0; ( )i i iC x K C
0 1min 0; ( )i i iC x K C
0 0 0C C
0 cílová hodnota
1 0
2K k
směrodatná odchylka
rozhodovací intervalH h
0,5k 4 nebo 5h
CUSUM pro počet neshodných
9
1max ( );0i i iS S X K
1min ( );0i i iS S X K
0
1
01
1 0
1ln
1
1ln
1
pn
pK K
pp
p p
01
1 0
ln
1ln
1
Hpp
p p
01
1 0
ln
1ln
1
Hpp
p p
Založen na binomickém rozdělení počtu neshod v podskupině
horní CUSUM dolní CUSUM
Cílová hodnota počtu neshod v podskupině p0
Konstanta pro identifikaci posunu p1 – p0
Meze pro S+ a S- (rizika a )
CUSUM pro počet neshod
10
Založen na Poissonovu rozdělení počtu neshod v podskupině
1max ( );0i i iS S X K
1min ( );0i i iS S X K
1 0
1
0
ln
c cK K
c
c
1
0
ln
ln
Hc
c
1
0
ln
ln
Hc
c
horní CUSUM dolní CUSUM
Cílová hodnota počtu neshod v podskupině c0
Konstanta pro identifikaci posunu c1 – c0
Meze pro S+ a S- (rizika a )
Případová studie
Dodávky nárazníků
11
Počet poškozených nárazníků
0
1
2
3
4
5
6
7
0 20 40 60 80 100 120 140
Proměnná velikost dodávek 263 – 508 kusů, průměrná velikost 434
P-diagram, konstantní meze
12
Sample
Pro
po
rtio
n
118105927966534027141
0,014
0,012
0,010
0,008
0,006
0,004
0,002
0,000
_P=0,00267
UCL=0,01010
LCL=0
1
1
11
1
1
P Chart of d
3 (1 ) /p p p n
LCL vychází záporná LCL = 0
Nestejné rozsahy - proměnlivé riziko falešného signálu
Základní hodnoty nejsou dány
P-diagram, proměnné meze
13
Sample
Pro
po
rtio
n
118105927966534027141
0,014
0,012
0,010
0,008
0,006
0,004
0,002
0,000
_P=0,00267
UCL=0,00958
LCL=0
1
1
1
1
P Chart of d
Tests performed with unequal sample sizes
3 (1 ) / ip p p n
P-diagram, konstantní meze
14
Základní hodnoty dány; p0 = 0,0025 0 0 03 (1 ) /p p p n
Skutečné riziko falešného signálu (překročení UCL) – 0,005
0 1,085np Sample
Pro
po
rtio
n
118105927966534027141
0,014
0,012
0,010
0,008
0,006
0,004
0,002
0,000
_P=0,0025
UCL=0,00969
LCL=0
1
1
11
1
1
P Chart of d
P-diagram, proměnné meze
15
Základní hodnoty dány; p0 = 0,0025
Sample
Pro
po
rtio
n
118105927966534027141
0,014
0,012
0,010
0,008
0,006
0,004
0,002
0,000
_P=0,0025
UCL=0,00919
LCL=0
1
1
1
1
P Chart of d
Tests performed with unequal sample sizes
Přístup založený na transformaci
A. Transformace založená na normování
B. Transformace arcsin
I-diagram pro individuální hodnoty
CUSUM diagram
16
0
0 0(1 ) /
ii
i
p pX
p p n
3 / 8arcsin
3 / 4
ii
i
xY
n
I-diagram
17
Diagram pro individuální hodnoty (regulace měřením)
Normované normální rozdělení - pevné meze 3
Observation
Ind
ivid
ua
l V
alu
e
118105927966534027141
5
4
3
2
1
0
-1
-2
-3
_X=0
UCL=3
LCL=-3
1
11
1
I Chart of x
I-diagram a zpětná transformace
18
Základní hodnoty dány; p0 = 0,0025
Střední hodnota , směrodatná odchylka arcsin p 1 4n
Sample
Pro
po
rtio
n
118105927966534027141
0,016
0,014
0,012
0,010
0,008
0,006
0,004
0,002
0,000
_P=0,0025
UCL=0,0148
LCL=0,000484
1
1
11
11
P Chart of p
CUSUM pro transformovanou proměnnou
19
Sample
Cu
mu
lati
ve
Su
m
118105927966534027141
15
10
5
0
-5
-10
0
UCL=4
LCL=-4
CUSUM Chart of x
Cílová hodnota = 0, směrodatná odchylka = 1, h = 0,5, k = 4
CUSUM pro transformovanou proměnnou
20
Sample
Cu
mu
lati
ve
Su
m
118105927966534027141
0,3
0,2
0,1
0,0
-0,1
0
UCL=0,096
LCL=-0,096
CUSUM Chart of arcsin
Cílová hodnota p0 = 0,0025
Cílová hodnota po transformaci = 0,05; směrodatná odchylka = 0,024, h = 0,5, k = 4
Rizika chybného rozhodnutí
Případová studie
21
0 0,0025p
1 0,005p
Průměr procesu 0,00267p
Cílová hodnota
Směrodatná odchylka kolísání p 0 0(1 ) / 0,0024p p n
Nepřijatelná hodnota p, která by měla být odhalena
0,00135 0,01
1,439K K 9,498H 6,620H Parametry CUSUM
Horní a dolní CUSUM
22
1,439K K
9,498H
6,620H
-50
-40
-30
-20
-10
0
10
20
0 20 40 60 80 100 120
S-,
S+
prokazatelné zhoršení procesu
prokazatelné zlepšení procesu
Použití diagramu
Překročení horní meze
hledá se vymezitelná příčina; je-li hledání úspěšné, příčina
se odstraní a kumulativní součet se vynuluje (na obrázku se vynulování neuvažuje)
Překročení dolní meze
znamená zlepšení procesu
s ohledem na neustálé zlepšování procesu by se měla revidovat cílová hodnota, určit nové parametry CUSUM diagramu, vynulovat kumulativní součty a pokračovat dál
(jinak při podílu neshodných trvale lepším než je původní cílová hodnota bude dolní kumulativní součet pořád klesat a jeho zobrazování přestává mít smysl)
23
-50
-40
-30
-20
-10
0
10
20
0 20 40 60 80 100 120
S-,
S+
Vliv volby rizik
24
-50
-40
-30
-20
-10
0
10
20
0 20 40 60 80 100 120 S
-, S
+
0,00135 0,01
0,01 0,01
Diagram pro počet neshod
25
Sample
Sa
mp
le C
ou
nt
252321191715131197531
18
16
14
12
10
8
6
4
2
0
_C=7,56
UCL=15,81
LCL=0
1
C Chart
Příklad Ford Motor (Ryan)
Příklad Ford Motor (Ryan)
26
Základní hodnota dána: c0 = 7
Sample
Sa
mp
le C
ou
nt
252321191715131197531
18
16
14
12
10
8
6
4
2
0
_C=7
UCL=14,94
LCL=0
1
1
C Chart of c-Ryan
Transformace
27
Observation
Ind
ivid
ua
l V
alu
e
252321191715131197531
9
8
7
6
5
4
3
2
_X=5,474
UCL=8,474
LCL=2,4741
I Chart of c-transf
Střední hodnota , směrodatná odchylka 1
1y c c
2 l
Cílová hodnota
Rizika chybného rozhodnutí
CUSUM Poisson
28
0 7c
1 9c
Průměr procesu 7,56c
Směrodatná odchylka kolísání c 0 2,6c
Chceme odhalit posun c1 – c0 = 2
0,00135 0,01
7,958K K 26,292H 18,324H Parametry CUSUM
Horní a dolní CUSUM
29
-50
-40
-30
-20
-10
0
10
20
30
40
0 5 10 15 20 25
S-,
S+
Podskupina
prokazatelné zhoršení procesu
prokazatelné zlepšení procesu
7,958K K
26,292H
18,324H
Sekvenční kontrola
Sledování jednotek kus po kuse
Speciální případ binomického CUSUM
pro n = 1 (Bernoulliho rozdělení)
Modifikace konstanty K a mezí H+ a H- viz [4]
Další možnost – sleduje se počet shodných jednotek mezi
dvěma neshodnými
(geometrické rozdělení)
30
Příklad
31
Kumulativní
počet 51 175 250 347 415 473 958 1455
Pořadí
neshodných 1 2 3 4 5 6 7 8
Y 51 124 75 97 68 58 485 497
Kumulativní
počet 1819 1920 1934 2170 2246 2421 2740 2808
Pořadí
neshodných 9 10 11 12 13 14 15 16
Y 364 101 14 236 76 175 319 68
Kumulativní počet udává, kdy se vyskytla neshodná jednotka
CUSUM - Bernoulli
32
-6
-4
-2
0
2
4
6
8
0 500 1000 1500 2000 2500 3000
S-,
S
+
0,003275K K
7,188H
5,009H
0,00135
0,01
Cílová hodnota p0 = 0,002
Nepřijatelná hodnota p1 = 0,005
zhoršení
procesu
CUSUM geometrický
33
-3000
-2500
-2000
-1500
-1000
-500
0
500
1000
1500
0 2 4 6 8 10 12 14 16
S-;
S+
1/ 305,361G G BK K K
1 1224G GH mH m
1 2496G GH mH m
Gm K
Překročení dolní meze představuje signál, že podíl
neshodných je větší, tedy zhoršení procesu
Literatura
1. ČSN 01 0266: 1985 Special types of statistical control: Method of cumulative sums
(In Czech)
2. PAGE, E.S. Continuous inspection schemes. Biometrika, 1954, vol. 41, pp. 100-114.
3. KENETT, R.S., ZACKS, S. Modern Industrial Statistics: Design and Control of Quality
and Reliability. Pacific Grove: Duxbury Press, 1998. 621 p.
4. REYNOLDS, M.R., STOUMBOS, Z.G. A CUSUM Chart for Monitoring a Proportion
When Inspecting Continuously. Journal of Quality Technology, 1999, Vol. 31, No. 1,
pp. 87-108.
5. GOH, T.N. A control chart for very high yield processes. Quality Assurance, 1987,
vol. 13, no. 1, pp. 18—22.
6. CHAN, L.Y., LIN, D.K.J., XIE, M., GOH, T.N. Cumulative probability control charts for
geometric and exponential process characteristics. International Journal of
Production Research, 2002, Vol. 40, No. 1, pp.133-150.
34