کاربرد روش‌های بازنمونه‌گیری در نمودارهای کنترل جمع تجمعی چند‌متغیره

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه علوم پایه، واحد شاهین شهر، دانشگاه آزاد اسلامی، شاهین شهر، ایران

2 کارشناس ارشد آمار، سازمان مدیریت و برنامه ریزی کشور

چکیده

یکی از ابزارهای مهم کنترل فرآیند، نمودارهای کنترل هستند. نمودارهای کنترل شوهارت فقط از اطلاعات آخرین نمونه استفاده می‌کنند، لذا فاقد حافظه هستند و قادر به تشخیص انحرافات کوچک نیستند. همچنین، نمودارهای کنترل شوهارت چندمتغیره اغلب بر اساس فرض نرمال بودن مشاهدات به کار می‌رود که در عمل ممکن است برقرار نباشد. نمودارهای کنترل جمع تجمعی چندمتغیره (mcusum) یکی از پرکاربردترین ابزار‌های کنترل فرآیند آماری چندمتغیره در کنترل کیفیت می‌باشد. نمودار کنترل جمع تجمعی چندمتغیره از عیوب نمودارهای شوهارت مبرا است. این نمودار دارای حافظه است و نسبت به انحرافات کوچک حساس است. تعیین توزیع دقیق و حدی آماره نمودار کنترل جمع تجمعی برداری چندمتغیره به دلیل ساختار آن حتی تحت فرض نرمال بودن توزیع داده‌ها مشکل است و به همین علت از طریق شبیه‌سازی، توزیع آن را تعیین می‌کنند. نمودارهای کنترل بوت‌استرپ بدون نیاز به معلوم بودن توزیع داده‌ها، بر ‌اساس باز نمونه‌گیری از مشاهدات (داده‌های اصلی) است. در این مقاله برای اولین بار کاربرد روش‌های باز نمونه‌گیری در نمودارهای کنترل جمع تجمعی چندمتغیره ارائه می‌گردد. چهار الگوریتم متفاوت بازنمونه‌گیری معرفی شده است. الگوریتم‌ها با استفاده از معیار ARL0 در مطالعات شبیه‌سازی مقایسه شده اند. کد برنامه‌های شبیه‌سازی در برنامه R نوشته و اجرا گردیده است. در نهایت یک مثال واقعی که مطالعه موردی در کارخانه قند شهر اصفهان بوده، ارائه شده است.
 

کلیدواژه‌ها


عنوان مقاله [English]

Application of Resampling Methods in Multivariate Cumulative Sum Control Charts

نویسندگان [English]

  • Abdol-Rasoul Mostajeran 1
  • Amirhoussin Aghajani 2
1 Islamic Azad University, Branch of Shahinshahr, Department of Mathematics
2 Management and Planning Organization
چکیده [English]

One of the important tools for process control is control charts. Shewhart control charts only use the information about the process given by the last observed value of the control statistic and completely ignore any past information, thus they are memoryless and they cannot detect small and moderate shifts. Most multivariate Shewhart control charts are dependent to normality assumption. However, in many situations, this condition does not hold. Multivariate cumulative sum control chart (mcusum) one of the most widely used tools in multivariate statistical process control for quality control. The mcusum chart does not have the disadvantages of Shewhart control chart. Mcusum control charts have memory and they are more sensitive to small and moderate changes in the process. Determining of the exact and limiting distribution of mcusum control chart statistic is difficult even under the normality assumption. Therefore the distribution of mcusum control chart statistic can be obtained through simulation. A bootstrap control chart is based on resampling of the original observation and it does not require any knowledge about the underlying distribution of the observations. In this paper for the first time, we propose the application of resampling methods in mcusum. In the proposed study four different resampling algorithms are introduced. These algorithms were compared based on ARL0 criteria in simulation studies. R program was used to write and run the codes of the simulation study. Finally, the proposed control charts applied on a real dataset obtained from Isfahan Sugar Factory.
 

کلیدواژه‌ها [English]

  • Resampling methods
  • Bootstrap
  • Multivariate cumulative sum control chart
  • average run length (ARL)
  1. Page, E. S. (1954). Continuous Inspection Schemes, Biometrika. 41, 100-114.
  2. Montgomey, C. D. (2006). Introduction to Statistical Quality Control, 6th Edition. John Wiley & Sons.
  3. Chatterjee, S., and Qiu, P. (2009). Distribution-free cumulative sum control charts using bootstrap-based control limits. the Annals of Applied Statistics, 3(1), 349-369.
  4. Mood, A. M., Graybill, F. A., and Boes, D. C. (1974). Introduction to the Theory of Statistics (3rd ed.), New York: McGraw-Hill.
  5. Woodall, W. H., and Ncube, M. M. (1985). Multivariate CUSUM Quality-Control (3rd ed.), New York: McGraw-Hill.
  6. Healy, j. D. (1987). A Note on Multivariate CUSUM Procedures, Technimetrics, 29 (4).
  7. Crosier, Ronald. (1988). Multivariate Generalizations of Cumulative Sum Quality-Control Schemes, Technometrics, 30:3, 291-303.
  8. Pignatiello, J. J., and Runger, G. C. (1990). Comparisons of Multivariate CUSUM charts, J. Qual. Technol. 22, pp. 173-186.
  9. Nagi, H., and Zhang, J. (2001). Multivariate Cumulative Sum Control charts based on Projection pursuit, Statist. Sinica 11, pp. 747-766.
  10. Duncan, A. J. (1974) Quality Control and Industrial Statistics (4th ed.), Homewood, IL: Richard D. Irwin.
  11. Hotelling, H. (1947). Multivariate Quality Control. Illustrated bythe Air Testing of Sample Bombsights, “in Techniques of Statistical Analysis, eds. C. Eisenhart, M. W. Hastay, and W. A. Wallis, New York: McGraw-Hill, 111-184.  
  12. Mahmoud, M. A., and Maravelakis, P. E. (2013). The Performance of the Multivariate CUSUM Control charts with Estimated Parameters. Comm. Statist. Simulation Comput, 83. 72.
  13. Qiu, P., and Hawkins, D. (2001). A Rank-Based Multivariate Cusum Procedure, Technometrics, 43:2, 120-132.