Johnson-transformatie (Johnson Transformation)
De Johnson-transformatie is een statistische techniek die niet-normale gegevens omzet in een bijna normale verdeling, zodat ze geschikt zijn voor statistische analyses die normaliteit vereisen. Ze gebruikt drie verdelingstypen — SU (onbegrensd), SB (begrensd) en SL (lognormaal) — om op basis van de kenmerken van de gegevens de best passende transformatie te bepalen.
Laatst beoordeeld
Belangrijkste conclusie
De Johnson-transformatie is een statistische techniek die niet-normale gegevens omzet in een bijna normale verdeling, zodat ze geschikt zijn voor statistische analyses die normaliteit vereisen.
Op deze pagina
Wat is de Johnson-transformatie?
De Johnson-transformatie is een statistische techniek die niet-normale gegevens omzet in een bijna normale verdeling, zodat ze geschikt zijn voor statistische analyses die normaliteit vereisen. Ze gebruikt drie verdelingstypen — SU (onbegrensd), SB (begrensd) en SL (lognormaal) — om op basis van de kenmerken van de gegevens de best passende transformatie te bepalen. De transformatie, ontwikkeld door Norman L. Johnson, wordt veel gebruikt bij kwaliteitsbeheersing en capabiliteitsstudies. Statistische software automatiseert de Johnson-transformatie doorgaans, wat een nauwkeurige interpretatie van niet-normale gegevens ondersteunt.
Wanneer gebruikt u de Johnson-transformatie?
De Johnson-transformatie is nuttig in de volgende situaties:
- Niet-normale gegevens: Wanneer uw gegevens geen normale verdeling volgen, vooral bij extreme scheefheid of kurtosis.
- Procescapabiliteitsanalyse: Voor nauwkeurige capabiliteitsindexen (bijv. Cp, Cpk) bij kwaliteitsbeheersing, waar normaal verdeelde gegevens vereist zijn.
- Regelkaarten: Wanneer niet-normale gegevens de nauwkeurigheid van een regelkaart aantasten, kan de transformatie de gevoeligheid van de kaart verbeteren.
- Statistische toetsen die normaliteit vereisen: Voor toetsen zoals ANOVA of t-toetsen, die normaliteit veronderstellen, kan de Johnson-transformatie helpen aan die aanname te voldoen.
- Begrensde gegevens: Voor gegevens die aan één of beide kanten begrensd zijn, zoals percentages of aantallen, kan de Johnson-transformatie waarden effectief normaliseren.
Ze wordt veel gebruikt in kwaliteitsmanagement, productie en Six Sigma-projecten.
Richtlijnen voor correct gebruik van de Johnson-transformatie
- De gegevens moeten continu zijn: metingen die elke numerieke waarde binnen een gespecificeerd bereik op een continue schaal kunnen aannemen, inclusief breuken en decimalen. Typische voorbeelden zijn variabelen zoals lengte, gewicht en temperatuur.
Alternatieven: wanneer u de Johnson-transformatie niet gebruikt
- Om een normale capabiliteitsanalyse op niet-normale gegevens uit te voeren met een Johnson-transformatie zonder de getransformeerde waarden op te slaan, kunt u rechtstreeks de Transform-opties in Normal Capability Analysis selecteren. Voor gevallen waarin een Box-Cox-transformatie de voorkeur heeft, zoals bij regelkaarten of in Individual Distribution Identification, is deze methode eenvoudig en intuïtief, maar ze is beperkt tot gegevens met uitsluitend positieve waarden. Als transformeren niet nodig is, kunt u de gegevens ook rechtstreeks aanpassen aan een niet-normale verdeling met de optie Individual Distribution Identification.
Voorbeeld van de Johnson-transformatie
Een kwaliteitsingenieur bij een bedrijf voor voedingssupplementen wil het calciumgehalte in vitaminecapsules evalueren. De ingenieur verzamelt een aselecte steekproef van capsules en meet hun calciumgehalte. Op basis van eerdere waarnemingen weet de ingenieur dat de verdeling van de gegevens rechtsscheef is.
Daarom past de ingenieur de Johnson-transformatie toe om de gegevens te normaliseren en slaat de getransformeerde waarden in het werkblad op voor aanvullende analyse. Hij voert de volgende stappen uit:
- De benodigde gegevens verzameld.

- Analyseer de gegevens nu in Zometric Statistical Software op https://statsai.zometric.com/.
- Om de Johnson-transformatie te vinden, kiest u Statistical module> Control Charts>Johnson Transformation.
- Voer in de tool de gegevens en de overige invoer als volgt in:

5. Na gebruik van de bovengenoemde tool wordt de uitvoer als volgt weergegeven:


Zo voert u de Johnson-transformatie uit
De handleiding is als volgt:
- Meld u aan bij Zometric Statistical Software op https://statsai.zometric.com/
- Kies op de startpagina Statistical Tool> Control Charts >Johnson Transformation.
- Klik op Johnson Transformation om naar het dashboard te gaan.
- Werk vervolgens de gegevens handmatig bij, of kopieer (Ctrl+C) de gegevens volledig uit een Excel-blad 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 Johnson Transformation is het venster in twee delen verdeeld.

Links bevindt zich het Data Pane. In het Data Pane vormt elke rij één subgroep. Gegevens kunnen handmatig worden ingevoerd, of u kunt de gegevens volledig kopiëren (Ctrl+C) uit een Excel-blad en hier plakken (Ctrl+V).
Load example: Er worden voorbeeldgegevens geladen.
Load File: Hiermee laadt u Excel-gegevens rechtstreeks.
Rechts staan de volgende opties:
- Subgroup Columns: Selecteer de kolommen (attribuutnaam) die bij de gegeven gegevens horen.
- P-value to select best fit: Voer een waarde tussen 0 en 1 in om het significantieniveau in te stellen voor het toetsen van de normaliteit van de gegevens, zowel vóór als na de transformatie. Een hoger significantieniveau stelt strengere eisen aan normaliteit, een lagere waarde hanteert minder strenge normen. Om de aanpassing van de verdeling te beoordelen wordt vaak een alfaniveau van 0.05 of 0.10 gebruikt.
Veelgestelde vragen
Wat is de Johnson-transformatie?
De Johnson-transformatie zet niet-normale gegevens om in een bijna normale verdeling, zodat ze kunnen worden gebruikt in analyses die normaliteit vereisen. Ze gebruikt drie verdelingstypen, SU (onbegrensd), SB (begrensd) en SL (lognormaal), om de best passende transformatie voor de gegevens te vinden. Ze is ontwikkeld door Norman L. Johnson en wordt veel gebruikt bij kwaliteitsbeheersing en capabiliteitsstudies.
Wanneer gebruikt u een Johnson-transformatie?
Gebruik haar wanneer gegevens geen normale verdeling volgen, vooral bij extreme scheefheid of kurtosis; voor capabiliteitsindexen zoals Cp en Cpk die normale gegevens vereisen; wanneer niet-normale gegevens de nauwkeurigheid van een regelkaart aantasten; voor toetsen zoals ANOVA of t-toetsen die normaliteit veronderstellen; en voor gegevens die aan één of beide kanten begrensd zijn. De gegevens moeten continu zijn.
Wat is het verschil tussen de Johnson- en de Box-Cox-transformatie?
De Box-Cox-transformatie is eenvoudig en intuïtief, maar beperkt tot gegevens met uitsluitend positieve waarden. De Johnson-transformatie kiest uit de families SU, SB en SL om de gegevens te laten passen. Als transformeren niet nodig is, kunt u de gegevens ook rechtstreeks aanpassen aan een niet-normale verdeling met Individual Distribution Identification.
Welke p-waarde gebruikt u om de beste Johnson-aanpassing te kiezen?
De P-value to select best fit, tussen 0 en 1, stelt het significantieniveau in voor het toetsen van normaliteit vóór en na de transformatie. Een hogere waarde stelt strengere eisen aan normaliteit, een lagere waarde minder strenge. Om de aanpassing van de verdeling te beoordelen wordt vaak een alfaniveau van 0.05 of 0.10 gebruikt.
