“SEBUAH GENERALISASI BARU

RENTANG DIAGRAM KONTROL

UNTUK DISTRIBUSI WEIBULL”

NAMA KELOMPOK :
ANDRI
41618310062
DAMILA MUHARANI FAHRI
41618310064
JONI HENDRAWAN
41618310060

STATISTIKA
DOSEN : Ir. EDWAR, MT
Sebuah Generalisasi baru Rentang Diagram Kontrol untuk Distribusi
Weibull

1. Pendahuluan
Diagram kontrol adalah bagian integral dari proses statistic kontrol yang yang digunakan untuk
memonitor dan meningkatkan proses manufaktur di industri. Di antara diagram kontrol, Diagram
kontrol Shewhart lebih disukai karena kemudahan dalam asumsi dan digunakan dalam industri. Grafik
ini biasanya dirancang dengan asumsi bahwa kualitas yang menarik mengikuti distribusi normal.

Distribusi Weibull telah banyak digunakan untuk mengkarakterisasi kekuatan pemecah material,
menggambarkan masa pakai barang elektronik, dan pantau data keandalan yang diperoleh dari uji
hidup. Untuk data yang miring, itu tidak layak pendekatan untuk memantau proses menggunakan
Shewhart X-bar, standar deviasi, dan rentang grafik.

2. Desain Diagram Kontrol yang Diusulkan

Distribusi Weibull dengan parameter bentuk β dan skala parameter θ memiliki fungsi kepadatan
probabilitas berikut:

Biasanya, insinyur industri memiliki informasi tentang parameter β dan θ. Parameter ini dapat
diperkirakan dari data pemantauan jika tidak diketahui dalam praktiknya. Ini fungsi kepadatan miring,
sehingga jenis kontrol simetris batas mungkin tidak berfungsi untuk distribusi Weibull.

Ketika x adalah data yang didistribusikan Weibull, pengikutan transformasi data ditunjukkan
mengikuti standar data normal:

dimana erf (z) = 1 / π ʃz−ze − u2du.

Seperti yang disarankan oleh “Wang”, kami menggunakan statistik lain dari urutan data yang diubah di
atas ui’s :
Perhatikan di sini bahwa Φ − 1 menyajikan kumulatif terbalik distribusi normal standar dan χ2 1 distribusi
chisquare kumulatif dengan satu derajat kebebasan. The generally weighted moving average ( GWMA )
umumnya tertimbang adalah generalisasi dari statistik EWMA tradisional. Statistik GWMA
memberdayakan keputusan tentang keadaan proses dengan memanfaatkan bobot yang ditugaskan
untuk saat ini dan informasi di masa lalu. Misalkan M menunjukkan jumlah sampel dalam urutan
independen sampel hingga kejadian 1st peristiwa A sejak sebelumnya terjadinya peristiwa A. Misalkan P
(M = 1), P (M = 2), ..., P (M = i) diberi bobot untuk arus dan sebelumnya sampel sedemikian rupa
sehingga P ( M> i ) menunjukkan bobot terhadap target proses. Dua statistik GWMA untuk memantau
rata-rata dan variabilitas proses didefinisikan.

Statistik GWMA diterapkan pada dua data yang diubah diberikan oleh

di mana i = 1, 2, 3,… dan nilai awal G0 dan H0 adalah biasanya ditetapkan pada 0.

Diagram kontrol MaxEWMA memiliki kemampuan untuk mendeteksi a pergeseran kecil dalam mean
atau variabilitas daripada tradisional Diagram kontrol EWMA. Grafik rentang (Ri ) yang mana dihitung
dari perbedaan jumlah maksimum, katakanlah maxGWMA, dan kuantitas minimum, katakanlah
minGWMA, miliki telah biasa digunakan untuk memonitor variabilitas sistem. Kami mendefinisikan
statistik maxGWMA sebagai

Statistik minGWMA didefinisikan sebagai berikut

Ketika Ui dan Vi terdistribusi secara normal, jumlahnya P ( M> I ) dapat dievaluasi sebagai berikut
untukparameter desain q dan parameter penyesuaian α.

di mana i = 1, 2, 3,…, 0 ≤ q ≤ 1, dan α> 0.

Sekarang, statistik plot R dapat didefinisikan sebagai berikut

Diagram kontrol yang diusulkan dinyatakan sebagai berikut.

Langkah 1. Dapatkan data Weibull X’’s Di setiap subkelompok ukuran n dan mengubahnya menjadi
menggunakan data normal standar

Langkah 2. Dapatkan statistik GWMA Gi dan Hi. Tentukan M

Langkah 3. Nyatakan proses di luar kendali jika Ri> UCL atau Ri <LCL.

Diagram kontrol yang diusulkan adalah generalisasi beberapa diagram kontrol. Diagram kontrol yang
diusulkan mengurangi grafik. ketika α = 1 dan q = 1 - λ, di mana λ merapikan konstan dalam statistik
EWMA. Diagram kontrol yang diusulkan menjadi bagan dalam. Ketika α = 1 dan R = 0.

Proses operasional dari peta kendali yang diusulkan adalah berdasarkan dua batas kontrol yang
didefinisikan sebagai

di mana R adalah rata-rata dan SD adalah standar deviasi dari statistik Ri masing-masing. Juga, k adalah
koefisien bagan kendali yang dapat ditentukan dengan solusi bentuk-tertutup, pendekatan rantai
Markov, dan simulasi Monte Carlo (MCS). Ini adalah metode alternatif untuk mendapatkan properti dari
vdistribusi run-length. Dalam tulisan ini, the koefisien bagan kendali akan ditentukan melalui MCS
berikut.

(1) Tentukan parameter bentuk β dan parameter skala θ dari distribusi Weibull. Hasilkan secara
acak sampel ukuran n dari distribusi Weibull oleh dengan asumsi status in-control.

(2) Hitung statistik Ri dan plotkan pada batas kontrol. Perhatikan bahwa yang pertama di luar
kendali disebut run panjang (RL). Ulangi proses ini 10.000 kali

(3) Hitung panjang lari rata-rata (ARL) dan standar deviasi (SD) menggunakan RL ini. Tentukan k
untuk yang mana ARL0 ≥ r0, di mana r0 ditentukan ARL

(4) Ulangi Langkah 1-3 untuk menemukan ARL untuk yang bergeser proses, katakan ARL1 ketika
parameter skala digeser ke θ1 = dθ0, di mana d adalah konstanta

Menggunakan MCS di atas, nilai-nilai ARL1 dan SD adalah dilaporkan untuk berbagai parameter grafik
kontrol di Tabel 1-5 serta mean dan standar deviasi ketika q = 0,95, n = 5, dan berbagai nilai α, β, dan θ.
ARL1, k, dan SD untuk berbagai nilai parameter bentuk dan skala distribusi Weibull dan pergeseran
konstan d dilaporkan dalam Tabel 2-4.
Dari Tabel 1–5, kami mencatat tren berikut di parameter bagan kendali.

(1) Untuk nilai yang sama dari semua parameter lainnya, nilai ARL1 dan SD berkurang karena nilai α
menurun. Untuk contoh, ketika α = 1 10 dan d = 0 99, nilai ARL1 dari Tabel 2 adalah 347, dan 346 ketika
α=10

(2) Untuk nilai yang sama dari semua parameter lainnya, the nilai penurunan ARL1 dan SD untuk β ≤ 1 5
dan berkurang ketika β ≥ 2

(3) Untuk nilai yang sama dari semua parameter lainnya dan q = 0.95, α = 0.80, nilai ARL1 dan SD
meningkat ketika β meningkat dan θ berkurang

3. Studi Perbandingan dan Simulasi

Pada bagian ini, kami membandingkan kinerja yang diusulkan peta kendali dengan bagan berdasarkan
statistik EWMA dan bagan dalam diagram kontrol yang diusulkan adalah ekstensi dari beberapa grafik.
Diagram kontrol yang diusulkan dikurangi menjadi diagram kontrol berdasarkan Statistik EWMA ketika α
= 1 dan q = 1 - λ. Penampilan dari diagram kontrol yang diusulkan akan dibandingkan dengan grafik
berdasarkan statistik EWMA yang diusulkan menggunakan data simulasi. Dalam penelitian ini,
diasumsikan bahwa ARL0 = 370, n = 5, dan α = 1 10. Misalkan prosesnya dinyatakan θ0 = 50 dan β = 2 0.
20 pengamatan pertama ukuran subkelompok n = 5 dihasilkan dari distribusi Weibull dengan parameter
β = 2 0 dan θ0 = 50. 30 pengamatan berikutnya dari ukuran subkelompok n = 5 dihasilkan dari distribusi
Weibull dengan parameter β = 2 0 dan pergeseran dalam parameter skala itu adalah d = 0 75. Data
simulasi, Gi dan Hi , dari yang diusulkan bagan kendali ditunjukkan pada Tabel 6.

Perhitungan statistik R juga ditunjukkan pada Tabel 6. Nilai statistik R diplot ketika α = 1 10; β = 2 0, α =
1.10; β = 1 0 (distribusi eksponensial) dan α = 1 0; β = 2.0 ([27] statistik) diplot pada diagram kontrol
yang diberikan pada Gambar 1. UCL dan LCL dari ketiga grafik juga ditunjukkan pada Gambar 1. Dari
Gambar 1, dapat dicatat bahwa grafik yang diusulkan menggunakan statistik GWMA mendeteksi
pergeseran dalam proses di sekitar nilai-nilai 45 sementara kontrol yang diusulkan grafik menggunakan
statistik dan distribusi eksponensial tidak dapat mendeteksi pergeseran dalam proses. Dari Gambar 1,
itu bisa disimpulkan bahwa peta kendali yang diusulkan menggunakan GWMA

statistik berkinerja lebih baik daripada diagram kontrol menggunakan statistik dalam [27] dalam
mendeteksi pergeseran sebelumnya dalam proses.

Kinerja grafik yang diusulkan dalam hal ARL dan SD akan dibandingkan dengan diagram kontrol
MaxEWMA untuk nilai yang sama dari parameter grafik kontrol yang ditentukan. Untuk menghemat
ruang, perbandingan akan diberikan ketika q = 0 95, α = 1 10, β = 2, dan θ = 50. ARL dari kedua diagram
kontrol adalah digambarkan pada Gambar 2.

Dari Gambar 2, dapat dicatat bahwa kontrol yang diusulkan grafik memiliki kurva ARL yang lebih rendah
dibandingkan dengan grafik yang diusulkan oleh [19]. Dari Gambar 2, dapat diamati bahwa
grafik yang diusulkan memiliki nilai ARL yang lebih kecil daripada grafik di [19] untuk level shift kecil
yaitu d ≤ 0 95. Misalnya, kapan d = 0 99, ARL dan SD dari diagram kontrol yang diusulkan masing-masing
adalah 338 dan 332, sedangkan ARL dan SD dari bagan di [19] masing-masing adalah 344 dan 336. Kedua
diagram kontrol memiliki kinerja yang sama ketika shift besar itu adalah ketika d ≥ 0 95. Jadi, dengan
perbandingan, disimpulkan bahwa peta kendali yang diusulkan lebih sensitif untuk mendeteksi
pergeseran kecil dalam proses.

4. Studi Kasus
Pemantauan kekuatan putus komposit berserat sangat penting dalam industri yang menjamin
keamanan
bahan yang digunakan dalam industri aero dan konstruksi jembatan. Penerapan peta kendali yang
diusulkan diberikan pada kekuatan putus dari data serat karbon yang dimodelkan oleh distribusi Weibull
dengan β = 4 8 dan θ = 3 2.
pada Tabel 7 sedangkan 10 sampel pertama dicatat kapanprosesnya dalam kendali. Nilai statistik Ri
jugadilaporkan pada Tabel 7.

Nilai-nilai Ri juga diplot pada Gambar 3. Dari Gambar 3, dapat dicatat bahwa nilai-nilai ke-13 di luar
kendali yang mengarahkan eksperimen untuk mengambil tindakan untuk mengembalikan proses ke
kondisi in-control.
5. Keterangan Penutup
Dalam studi ini, grafik kendali rentang umum baru adalah dirancang untuk distribusi Weibull
menggunakan invers erf fungsi yang telah biasa digunakan untuk transformasi Weibull mendistribusikan
data ke data normal. Beberapa meja untuk penggunaan praktis juga diberikan. Dari studi perbandingan,
disimpulkan bahwa peta kendali yang diusulkan lebih efisien daripada grafik yang ada dalam mendeteksi
pergeseran cepat pada level shift kecil. Diagram kontrol yang diusulkan dapat diterapkan di industry
untuk memantau proses itu mengikuti distribusi Weibull. Kontrol yang diusulkan bagan menggunakan
beberapa skema pengambilan sampel lainnya dan model biaya dapat dianggap sebagai penelitian masa
depan.