Niet-parametrische procescapabiliteit
Niet-parametrische procescapabiliteitsanalyse meet hoe goed een proces aan zijn specificatiegrenzen voldoet, zonder enige aanname over de vorm of verdeling van de gegevens. In plaats van een theoretische verdeling te fitten, zoals de normale, Weibull- of lognormale verdeling, werkt ze rechtstreeks met de waargenomen gegevens, met percentielen en empirische statistieken die uitsluitend uit de steekproefwaarden zelf zijn afgeleid.
Laatst beoordeeld
Belangrijkste conclusie
Niet-parametrische procescapabiliteitsanalyse meet hoe goed een proces aan zijn specificatiegrenzen voldoet, zonder enige aanname over de vorm of verdeling van de gegevens.
Op deze pagina
- Wat is niet-parametrische procescapabiliteit?
- Wanneer gebruikt u niet-parametrische procescapabiliteit?
- Richtlijnen voor correct gebruik van niet-parametrische procescapabiliteit
- Alternatieven: wanneer u geen niet-parametrische procescapabiliteit gebruikt
- Voorbeeld van niet-parametrische procescapabiliteit
- Zo voert u niet-parametrische procescapabiliteit uit.
Wat is niet-parametrische procescapabiliteit?
Niet-parametrische procescapabiliteitsanalyse meet hoe goed een proces aan zijn specificatiegrenzen voldoet, zonder enige aanname over de vorm of verdeling van de gegevens. In plaats van een theoretische verdeling te fitten, zoals de normale, Weibull- of lognormale verdeling, werkt ze rechtstreeks met de waargenomen gegevens, met percentielen en empirische statistieken die uitsluitend uit de steekproefwaarden zelf zijn afgeleid.
Dat maakt haar een krachtige en veilige optie wanneer de verdeling van de gegevens onbekend of complex is, of niet betrouwbaar te bepalen met een standaardverdelingsmodel. De belangrijkste gerapporteerde capabiliteitsmaat is de waargenomen prestatie (PPM: deeltjes per miljoen buiten de specificatie), rechtstreeks berekend uit de gegevens in plaats van uit een gefitte verdeling.
Eenvoudige definitie:Een verdelingsvrije capabiliteitsanalyse die rechtstreeks met uw werkelijke gegevenswaarden werkt, zonder verdelingsfit, en daarmee de veiligste keuze is wanneer u niet betrouwbaar kunt vaststellen welke verdeling uw gegevens volgen.
Wanneer gebruikt u niet-parametrische procescapabiliteit?
- Gebruik haar wanneer geen enkele standaardverdeling de gegevens voldoende goed beschrijft , bijvoorbeeld wanneer Individual Distribution Identification geen goede fit vindt met een beschikbare verdeling.
- Gebruik haar wanneer de gegevens een complexe, multimodale of onregelmatige vorm hebben die niet door één theoretische verdeling kan worden beschreven.
- Gebruik haar wanneer u een conservatief beeld van de procescapabiliteit zonder aannames wilt dat uitsluitend gebaseerd is op wat de gegevens werkelijk laten zien.
- Gebruik haar wanneer de gegevens continu zijn en de steekproefomvang groot genoeg is voor stabiele empirische percentielschattingen: ten minste 100 waarnemingen worden aanbevolen.
Richtlijnen voor correct gebruik van niet-parametrische procescapabiliteit
- Verzamel een minimum van 100 datapuntenen bij voorkeur meer: niet-parametrische percentielschattingen worden aanzienlijk betrouwbaarder en stabieler bij grotere steekproeven.
- Zorg dat het proces stabiel en statistisch beheerst is voordat u de analyse uitvoert: capabiliteitsresultaten van een onstabiel proces zijn niet representatief voor de prestatie op lange termijn.
- De belangrijkste uitvoer is de waargenomen PPM (deeltjes per miljoen buiten de specificatie) : die telt rechtstreeks hoeveel datapunten buiten de specificatiegrenzen vallen, waardoor ze zeer transparant en eenvoudig uit te leggen is.
- Vergelijk niet-parametrische capabiliteitsindexen niet rechtstreeks met Cp- of Cpk-waarden uit een normale capabiliteitsanalyse : ze worden anders berekend en zijn niet rechtstreeks gelijkwaardig.
- Als een goede verdelingsfit beschikbaar is, geeft Niet-normale procescapabiliteit over het algemeen nauwkeurigere en informatievere resultaten dan de niet-parametrische aanpak.
Alternatieven: wanneer u geen niet-parametrische procescapabiliteit gebruikt
Situatie
Gebruik in plaats daarvan
De gegevens zijn normaal verdeeld
Procescapabiliteit (normale verdeling)
Een specifieke niet-normale verdeling past goed
Niet-normale procescapabiliteit
De gegevens kunnen naar normaliteit worden getransformeerd
Capabiliteitsanalyse met Box-Cox- of Johnson-transformatie
De gegevens zijn attribuutgegevens of tellingen
Binomiale capabiliteit of Poisson-capabiliteit
De steekproefomvang is kleiner dan 100
Verzamel meer gegevens vóór een capabiliteitsanalyse
Voorbeeld van niet-parametrische procescapabiliteit
Een fabrikant van automotive-onderdelen ontwikkelt een kritiek onderdeel voor een OEM-klant. Om de kwaliteit te waarborgen, controleert een ingenieur of een boormachine aan de specificaties kan voldoen. Het onderdeel moet binnen een bereik vallen: LSL (onderste specificatiegrens) van 22.15 en USL (bovenste specificatiegrens) van 22.35. De ingenieur neemt 125 monsters van de machine en voert een machinecapabiliteitsonderzoek uit. De volgende stappen:
- De benodigde gegevens verzameld.

- Analyseer nu de gegevens in Zometric Statistical Software op https://statsai.zometric.com/.
- Om Non-Parametric Process Capability te vinden, kiest u Statistical module> Control Chart> Non-Parametric Process Capability.
- In de tool voert u de gegevens in, samen met andere invoer, als volgt:

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


Zo voert u niet-parametrische procescapabiliteit 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 Chart>Non-Parametric Process Capability .
- Werk vervolgens de gegevens handmatig bij, of kopieer (Ctrl+C) de gegevens volledig uit een Excel-blad en plak (Ctrl+V) ze hier.
- Vul de vereiste opties in .
- Klik ten slotte onderaan de pagina op Calculate en u krijgt de gewenste resultaten.
Op het dashboard van Non-Parametric Process Capability is het venster in twee delen verdeeld.

Aan de linkerkant staat de Data Pane. In de Data Pane vormt elke rij één subgroep. U kunt de gegevens handmatig invoeren of volledig uit een Excel-blad kopiëren (Ctrl+C) en hier plakken (Ctrl+V).
Load example: De voorbeeldgegevens worden geladen.
Load File: Hiermee laadt u de Excel-gegevens rechtstreeks.
Aan de rechterkant staan veel opties, als volgt:
- Choose Columns Selecteer de kolom(men) met uw continue meetgegevens. Gebruik Ctrl of Command + klik om meerdere kolommen tegelijk te selecteren. Dit zijn de werkelijke procesmetingen, zoals boordiameters, treksterktes of cyclustijden, die worden geanalyseerd op capabiliteit ten opzichte van de specificatiegrenzen met de geselecteerde niet-normale verdeling.
- LSL (Lower Specification Limit) De minimaal aanvaardbare waarde voor de meting. Elk datapunt onder deze waarde wordt als buiten de specificatie beschouwd. Voer de LSL in die is vastgelegd in uw technische tekening, klanteis of productspecificatie. Ten minste één specificatiegrens (LSL of USL) moet worden opgegeven; beide kunnen worden ingevoerd als de meting tweezijdige specificaties heeft.
- USL (Upper Specification Limit) De maximaal aanvaardbare waarde voor de meting. Elk datapunt boven deze waarde wordt als buiten de specificatie beschouwd. Voer de USL in uit uw technische tekening of productspecificatie. Als het proceskenmerk slechts een eenzijdige eis heeft, bijvoorbeeld een minimale sterkte zonder bovengrens, hoeft alleen de relevante grens te worden ingevoerd.
Veelgestelde vragen
Wat is niet-parametrische procescapabiliteit?
Niet-parametrische procescapabiliteit meet hoe goed een proces aan zijn specificatiegrenzen voldoet, zonder enige aanname over de vorm of verdeling van de gegevens. In plaats van een model te fitten, zoals de normale, Weibull- of lognormale verdeling, werkt ze rechtstreeks met de waargenomen gegevens, en haar belangrijkste maat is de waargenomen prestatie in deeltjes per miljoen buiten de specificatie.
Wanneer gebruikt u niet-parametrische capabiliteitsanalyse?
Gebruik haar wanneer geen enkele standaardverdeling de gegevens voldoende goed beschrijft, bijvoorbeeld wanneer Individual Distribution Identification geen goede fit vindt, of wanneer de gegevens een complexe, multimodale of onregelmatige vorm hebben. Ze geeft een conservatief beeld van de capabiliteit zonder aannames, uitsluitend gebaseerd op wat de gegevens laten zien.
Hoeveel datapunten hebt u nodig voor niet-parametrische capabiliteit?
Verzamel een minimum van 100 datapunten, en bij voorkeur meer, omdat niet-parametrische percentielschattingen aanzienlijk betrouwbaarder en stabieler worden bij grotere steekproeven. Als de steekproefomvang kleiner is dan 100, verzamel dan meer gegevens vóór een capabiliteitsanalyse. Het proces moet ook stabiel en statistisch beheerst zijn.
Kunnen niet-parametrische capabiliteitsindexen met Cp en Cpk worden vergeleken?
Nee. Niet-parametrische capabiliteitsindexen worden anders berekend dan Cp of Cpk in een normale capabiliteitsanalyse en zijn niet rechtstreeks gelijkwaardig. Als een specifieke niet-normale verdeling goed past, geeft Niet-normale procescapabiliteit over het algemeen nauwkeurigere en informatievere resultaten dan de niet-parametrische aanpak.
