کاربرد روش‌های بازنمونه‌گیری در نمودارهای کنترل جمع تجمعی چند‌متغیره

فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق)

مقاله 3، دوره 10، شماره 31، خرداد 1394، صفحه 31-46   

نوع مقاله: مقاله پژوهشی

نویسندگان

عبدالرسول مستاجران^{* 1}؛ امیرحسین آقاجانی²

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

²کارشناس 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

روش‌های باز نمونه‌گیری؛ بوت‌استرپ؛ نمودار کنترل جمع تجمعی چندمتغیره؛ متوسط طول دنباله (ARL)

مراجع

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 (4^th 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.