Especificar una transformación para un Análisis de capacidad normal

Estadísticas > Herramientas de calidad > Análisis de capacidad > Normal > Transformar
Usted puede transformar los datos para que se ajusten a una distribución normal para satisfacer los supuestos del análisis.
  • Sin transformación: No utilice una transformación si los datos ya siguen una distribución normal. Para determinar la distribución de los datos o si una transformación será efectiva si los datos no son normales, utilice Identificación de distribución individual.
  • Transformación de potencia de Box-Cox (W = Y^λ): Utilice la transformación de Box-Cox si todos los datos no normales son positivos (> 0) y usted desea obtener estimaciones de la capacidad dentro de los subgrupos (potencial), así como de la capacidad general. La transformación de Box-Cox es una transformación simple y fácil de entender.
    Seleccione el valor de lambda (λ) que Minitab utiliza para transformar los datos.
    • Usar λ óptimo: Utilice el valor óptimo de lambda, que debe producir la transformación con el mejor ajuste. Minitab redondea el valor óptimo de lambda a 0.5 o al entero más cercano.
      Nota

      Para utilizar el valor exacto en lugar de un valor redondeado de λ óptimo, elija Herramientas > Opciones > Gráficas de control y herramientas de calidad > Otro y deseleccione Usar valores redondeados para las transformaciones de Box-Cox cuando sea posible.

    • λ = 0 (ln): Utilice el logaritmo natural de los datos.
    • λ = 0.5 (raíz cuadrada): Utilice la raíz cuadrada de los datos.
    • Otro (ingrese un valor entre -5 y 5): Utilice un valor especificado para lambda. Otras transformaciones comunes son el cuadrado (λ = 2), la raíz cuadrada inversa (λ = −0.5) y la inversa (λ = −1). En la mayoría de los casos, no se debe usar un valor fuera del rango de −2 y 2.
  • Transformación de Johnson (sólo para el análisis de largo plazo): Utilice la transformación de Johnson si los datos no normales contienen valores negativos (o 0) o si la transformación de Box-Cox no es efectiva. La función de transformación de Johnson es más complicada que Box-Cox, pero es muy efectiva para encontrar una transformación adecuada.
    Valor p para seleccionar mejor ajuste

    Ingrese un valor entre 0 y 1. El valor que usted ingrese define el nivel de significancia para una prueba de normalidad de los datos antes y después de la transformación. Un valor más alto hace que el criterio de normalidad sea más riguroso. Un valor más bajo hace que el criterio de normalidad sea menos exigente.

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política