Box-Cox-transformatie
Box-Cox transformeert scheve, continue gegevens richting normaliteit vóór capabiliteitsanalyse, regelkaarten of regressie. De tool bepaalt automatisch de beste lambda en geeft ook een afgeronde lambda, zoals 0 (logaritme) of 0.5 (wortel). Alle waarden moeten positief zijn en minimaal 20 tot 30 datapunten worden aanbevolen. Controleer daarna de normaliteit; capabiliteitsstatistieken worden in de getransformeerde schaal gerapporteerd.
Laatst beoordeeld
Belangrijkste conclusie
De Box-Cox-transformatie brengt continue, niet-normale gegevens met een parameter lambda in een bijna normale vorm, zodat capabiliteitsanalyse, regelkaarten of regressie die normaliteit veronderstellen betrouwbaar zijn.
Op deze pagina
Wat is de Box-Cox-transformatie?
Box-Cox is een wiskundige transformatie die u op uw gegevens toepast vóór een capabiliteitsanalyse of het maken van een regelkaart. Het doel is gegevens die niet normaal verdeeld zijn (klokvormig) om te zetten naar een vorm die sterk op een normale verdeling lijkt.
Veel statistische tools veronderstellen dat uw gegevens normaal verdeeld zijn. Als dat niet zo is, kunnen de resultaten onnauwkeurig of misleidend zijn. Box-Cox lost dit op door de gegevens wiskundig te hervormen met een transformatieparameter die lambda (λ) heet, zodat standaardanalysetechnieken betrouwbaar kunnen worden toegepast.
Eenvoudige definitie: Een tool die scheve of niet-normale gegevens omvormt tot een normaalachtige vorm, zodat uw analyse nauwkeurige en betrouwbare resultaten geeft.
Wanneer gebruikt u de Box-Cox-transformatie?
- Gebruik de transformatie wanneer uw gegevens continu maar niet normaal verdeeld zijn, bijvoorbeeld sterk scheve procesmetingen.
- Pas ze toe vóór capabiliteitsanalyse, regelkaarten of regressie die normaliteit veronderstellen.
- Gebruik de transformatie niet op gegevens die al normaal verdeeld zijn: een onnodige transformatie kan de resultaten vertekenen.
Hoe lambda (λ) werkt
Lambda is de sleutelparameter die de vorm van de transformatie bepaalt. De tool zoekt automatisch de beste lambdawaarde voor uw gegevens.
Lambdawaarde
Effect op de gegevens
λ = 2
Kwadratische transformatie: corrigeert linkse scheefheid
λ = 1
Geen transformatie: de gegevens worden ongewijzigd gebruikt
λ = 0.5
Worteltransformatie: milde correctie van scheefheid
λ = 0
Natuurlijke logaritme: matige correctie van scheefheid
λ = −1
Inverse transformatie: sterke correctie van scheefheid
Richtlijnen voor correct gebruik van de Box-Cox-transformatie
- Alle gegevenswaarden moeten positief zijn: Box-Cox kan niet omgaan met nul of negatieve waarden.
- Verzamel minimaal 20 tot 30 datapunten zodat de transformatie lambda betrouwbaar kan schatten.
- Controleer na de transformatie altijd de normaliteit met een waarschijnlijkheidsplot of normaliteitstoets voordat u verdergaat.
- Gebruik de afgeronde lambdawaarde uit de uitvoer voor de praktische interpretatie: die is eenvoudiger te communiceren.
- Houd er rekening mee dat alle capabiliteitsstatistieken (Cp, Cpk) in de getransformeerde schaalworden gerapporteerd, niet in de oorspronkelijke schaal van de gegevens.
Alternatieven: wanneer u de Box-Cox-transformatie niet gebruikt
- Als uw gegevens attribuutgegevens zijn (goed/fout, aantallen), gebruik dan Binomiale of Poisson-capabiliteit
- Als uw gegevens al normaal verdeeld zijn, is geen transformatie nodig: onnodig Box-Cox toepassen kan de resultaten vertekenen.
- Als uw gegevens nul of negatieve waarden bevatten, gebruik dan in plaats daarvan de Johnson-transformatie , die het volledige waardenbereik aankan.
- Als de gegevens een bekende niet-normale verdeling (bijv. Weibull, exponentieel)volgen, gebruik dan Niet-normale procescapabiliteit met die specifieke verdeling.
- Als u minder dan 20 datapuntenhebt, kan de lambdaschatting onbetrouwbaar zijn: verzamel meer gegevens voordat u een transformatie toepast.
Voorbeeld van een Box-Cox-transformatie
Een kwaliteitsingenieur bij een bedrijf voor voedingssupplementen wil het calciumgehalte in vitaminecapsules beoordelen. De ingenieur verzamelt een aselecte steekproef capsules en meet hun calciumgehalte. Uit eerdere waarnemingen weet de ingenieur dat de gegevensverdeling rechtsscheef is.
Om dit op te lossen past de ingenieur de Box-Cox-transformatie toe om de gegevens te normaliseren en slaat de getransformeerde waarden op in het werkblad voor verdere analyse. Daarbij worden de volgende stappen doorlopen:
- De benodigde gegevens verzamelen.

- Analyseer nu de gegevens in Zometric Statistical Software op https://statsai.zometric.com/.
- Kies voor de Box-Cox-transformatie Statistical module> Control Charts>Box-Cox Transformation.
- Voer in de tool de gegevens samen met de andere invoer als volgt in:

5. Na gebruik van bovenstaande tool haalt u de uitvoer als volgt op:

Zo voert u een Box-Cox-transformatie uit
De handleiding is als volgt:
- Log in op Zometric Statistical Software op https://statsai.zometric.com/
- Kies op de startpagina Statistical Tool> Control Charts >Box-Cox Transformation.
- Klik op Box-Cox Transformation om naar het dashboard te gaan.
- Voer vervolgens de gegevens handmatig in, of kopieer (Ctrl+C) de gegevens uit een Excel-werkblad en plak (Ctrl+V) ze hier.
- Vul vervolgens de vereiste opties in.
- Klik ten slotte onderaan de pagina op Calculate en u krijgt de gewenste resultaten.
Op het dashboard van Box-Cox Transformation is het venster in twee delen verdeeld.

Aan de linkerkant staat de Data Pane. In de Data Pane vormt elke rij één subgroep. Gegevens kunnen handmatig worden ingevoerd, of u kopieert (Ctrl+C) de gegevens uit een Excel-werkblad en plakt (Ctrl+V) ze hier.
Load example: Voorbeeldgegevens worden geladen.
Load File: Hiermee laadt u de Excel-gegevens rechtstreeks.
Aan de rechterkant staan veel opties, als volgt:
- Subgroup Columns Bepaalt hoe uw gegevens zijn georganiseerd voordat de transformatie wordt toegepast. Als uw gegevens in afzonderlijke kolommen staan en elke kolom een subgroep voorstelt, selecteert u die kolommen hier. Zo weet de tool hoe de metingen moeten worden gelezen en gegroepeerd, zodat lambda over de juiste gegevensstructuur wordt berekend.
- Alpha (Default 0.05) Stelt het significantieniveau in dat wordt gebruikt voor het betrouwbaarheidsinterval van lambda. De standaardwaarde 0.05 betekent dat er 5% kans is dat een lambdawaarde ten onrechte wordt verworpen, wat een betrouwbaarheidsinterval van 95% rond de best passende lambda geeft. Een lagere alpha maakt het betrouwbaarheidsinterval breder en behoudender; een hogere alpha maakt het smaller. De standaardwaarde 0.05 is de algemeen aanvaarde norm in statistische analyse.
- Lambda (λ) De transformatieparameter die bepaalt hoe de gegevens wiskundig worden hervormd. De tool zoekt automatisch de optimale lambdawaarde waarmee uw gegevens zo dicht mogelijk bij een normale verdeling komen. De exacte lambda is de precieze wiskundige waarde die uit uw gegevens wordt berekend; die kan een decimaal getal zijn, zoals 0.3271 of −0.8145.
- Rounded Lambda Een vereenvoudigde, praktische versie van de exacte lambdawaarde, afgerond op een standaardgetal zoals 0, 0.5 of 1. Dit wordt aanbevolen voor praktisch gebruik omdat het overeenkomt met een herkenbare transformatie (bijv. logaritme, wortel) die gemakkelijker uit te leggen, te documenteren en te reproduceren is. In de meeste gevallen geeft de afgeronde lambda vrijwel hetzelfde resultaat als de exacte waarde, met veel betere interpreteerbaarheid.
- Download as Excel: Hiermee wordt het resultaat in Excel-formaat weergegeven, dat u eenvoudig kunt bewerken en met de optie Load File opnieuw kunt laden voor berekeningen.
Veelgestelde vragen
Wat is de Box-Cox-transformatie?
De Box-Cox-transformatie brengt continue gegevens die niet normaal verdeeld zijn in een vorm die sterk op een normale verdeling lijkt, met behulp van een parameter die lambda heet. Ze wordt toegepast vóór capabiliteitsanalyse, regelkaarten of regressie die normaliteit veronderstellen, zodat standaardtechnieken betrouwbare resultaten geven. De tool bepaalt automatisch de beste lambda voor de gegevens.
Wat betekenen de gangbare lambdawaarden in Box-Cox?
Een lambda van 2 is een kwadratische transformatie die linkse scheefheid corrigeert, 1 betekent geen transformatie, 0.5 is een worteltransformatie voor milde scheefheid, 0 is een natuurlijke logaritme voor matige scheefheid en -1 is een inverse transformatie voor sterke scheefheid. De uitvoer geeft de exacte lambda en een afgeronde lambda, die gemakkelijker uit te leggen en te reproduceren is.
Aan welke eisen moet u voldoen om Box-Cox te gebruiken?
Alle gegevenswaarden moeten positief zijn, omdat Box-Cox niet kan omgaan met nul of negatieve waarden. Verzamel minimaal 20 tot 30 datapunten zodat lambda betrouwbaar kan worden geschat, en controleer daarna de normaliteit met een waarschijnlijkheidsplot of normaliteitstoets. Pas de transformatie niet toe op gegevens die al normaal zijn, want een onnodige transformatie kan de resultaten vertekenen.
Wanneer gebruikt u in plaats daarvan de Johnson-transformatie of niet-normale capabiliteit?
Gebruik de Johnson-transformatie als de gegevens nul of negatieve waarden bevatten. Als de gegevens een bekende niet-normale verdeling volgen, zoals Weibull of exponentieel, gebruik dan niet-normale procescapabiliteit met die verdeling. Voor attribuutgegevens zoals goed/fout of aantallen gebruikt u binomiale of Poisson-capabiliteit.
