Bayesci Kontrol Kartı — Bayesci İstatistiksel Süreç Kontrol Kartı
Bayesian Statistical Process Control Chart · Ayrıca şöyle bilinir: Bayesian SPC chart, Bayesian monitoring chart, posterior control chart, Bayesian Shewhart chart
Bir Bayesci kontrol kartı, bir süreç hakkındaki önsel bilgiyi (örneğin, geçmiş ortalama ve varyans gibi) gelen ölçüm verileriyle entegre ederek dinamik olarak güncellenen kontrol limitleri üretir. Bir Faz-I temel çizelgesinden limitleri sabitleyen klasik Shewhart çizelgelerinin aksine, Bayesci çizelgeler her örnekten sonra süreç parametrelerinin sonsal dağılımını günceller, birikmiş kanıtlara uyum sağlayan ve küçük örneklem boyutlarında veya durağan olmayan süreçlerde daha iyi kalibre edilmiş limitler verir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bayesci bir kontrol kartı kullanın (1) klasik sabit limitli çizelgeleri güvenilmez kılan Faz-I kalibrasyon verileri seyrek olduğunda; (2) süreç parametreleri hakkında önsel mühendislik veya geçmiş bilgisi mevcut olduğunda ve resmi olarak dahil edilmesi gerektiğinde; (3) süreç ortalaması veya varyansı zamanla kayabilir, bu da uyarlanabilir limitler gerektirir; veya (4) risk ağırlıklı karar kuralları gerektiğinde (örneğin, yanlış alarmlar için farklı maliyetler ve kaçırılan kaymalar). Basit, kolay açıklanabilir bir klasik Shewhart veya CUSUM çizelgesi yeterli olduğunda Bayesci kontrol kartları kullanmayın — ek karmaşıklık gerekçelendirilmelidir. Ayrıca önsel elde etme tartışmalı olduğunda veya sonsal güncelleme için yazılım altyapısı mevcut olmadığında da bunlardan kaçının.
Güçlü yönler & sınırlılıklar
- Önsel süreç bilgisini resmi olarak içerir, küçük örneklem boyutlarında yanlış alarmları ve kaçırılan sinyalleri azaltır.
- Kanıt biriktikçe güncellenen uyarlanabilir kontrol limitleri üretir, kademeli süreç kaymalarının tespitini iyileştirir.
- Süreç durumu hakkında tam bir sonsal olasılık ifadesi sağlar, ikili bir kontrol içi/dışı sınıflandırmadan daha zengin karar verme olanağı tanır.
- Sabit limitli klasik çizelgelerden daha zarif bir şekilde durağan olmayan ve ısınma aşamalarını ele alır.
- Esnek önsel ve olabilirlik seçimleri aracılığıyla asimetrik veya normal olmayan süreç dağılımlarını barındırabilir.
- Önsel dağılımların belirtilmesini gerektirir; kötü seçilmiş bir önsel, gerçek kaymaların tespitini geciktirebilir veya sahte sinyaller üretebilir.
- Klasik Shewhart çizelgelerinden hesaplama açısından daha yoğundur, özellikle eşlenik önseller mevcut olmadığında ve MCMC gerektiğinde.
- Bayesci çıkarım konusunda bilgisi olmayan uygulayıcılar için açıklamak ve denetlemek daha zordur — operatörlerin kabulü zorlayıcı olabilir.
- Uyarlanabilir limitler yorumlanabilirliği engelleyebilir: sabit UCL/LCL'ye alışkın operatörler dinamik olarak değişen çizgileri kafa karıştırıcı bulabilir.
SSS
Bayesci bir kontrol kartı klasik bir Shewhart çizelgesinden nasıl farklıdır?
Klasik bir Shewhart çizelgesi, bir Faz-I geçmiş temel çizgisinden sabit UCL ve LCL belirler ve izleme sırasında bunları değişmeden uygular. Bir Bayesci çizelge, süreç parametrelerini belirsiz olarak ele alır ve her örnekten sonra sonsal dağılımlarını günceller, böylece kontrol limitleri biriken kanıtlara uyum sağlar. Bu, Bayesci çizelgeleri temel verilerin seyrek olduğu durumlarda daha sağlam ve ön mühendislik bilgisini dahil etmede daha iyi hale getirir.
Hangi önseli seçmeliyim?
Bilinmeyen ortalama ve varyansa sahip normal dağılımlı ölçümler için, eşlenik Normal-İnvers-Gamma önseli doğal ve hesaplama açısından uygun bir seçimdir. Geçmiş veriler bol ise, ampirik bir Bayes yaklaşımı — önsel hiperparametrelerini Faz-I verilerinden ayarlamak — yaygındır. Önsel bilgi gerçekten belirsizse, zayıf bilgilendirici veya referans önsel, Bayesci güncellemeyi sağlarken klasik davranışı yaklaşık olarak taklit edebilir.
Bayesci bir kontrol kartını niteliksel verilerle (sayımlar veya oranlar) kullanabilir miyim?
Evet. Oran verileri (örneğin, kusur oranları) için Beta önseli ile Beta-Binomial modeli, süreç oranına, klasik p-kartının standart Bayesci analoğudur. Sayım verileri için Gamma-Poisson (negatif binom) modeli aynı rolü üstlenir. İşlem hattı aynıdır: bir önsel belirtin, her örnekten sonra sonsala güncelleyin, öngörüsel limitleri türetin.
Bayesci izleme ne zaman CUSUM veya EWMA'dan daha iyi performans gösterir?
Bayesci kontrol kartları, anlamlı önsel bilginin mevcut olduğu veya örneklem boyutlarının çok küçük olduğu durumlarda avantaja sahiptir. CUSUM ve EWMA, tipik olarak iyi karakterize edilmiş, büyük örneklem süreçlerindeki küçük sürekli kaymaları tespit etmede üstündür ve uygulanmaları daha basittir. Hem avantajları birleştiren hibrit Bayesci-CUSUM yaklaşımları mevcuttur.
Uzman yazılıma ihtiyacım var mı?
Eşlenik Bayesci kontrol kartları, orta düzeyde programlama çabasıyla standart istatistiksel ortamlarda (R, Python/SciPy) uygulanabilir. MCMC gerektiren eşlenik olmayan modeller Stan veya PyMC gibi olasılıksal programlama araçlarını kullanır. Özel SPC paketleri her zaman Bayesci seçenekleri içermeyebilir, bu nedenle pratikte özel uygulama yaygındır.
Kaynaklar
- Menzefricke, U. (2002). On the evaluation of control chart limits based on predictive distributions. Communications in Statistics — Theory and Methods, 31(8), 1423–1440. DOI: 10.1081/sta-120006077 ↗
- Control chart. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Statistical Process Control Chart. ScholarGate. https://scholargate.app/tr/experimental-design/bayesian-control-chart
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes İstatistiksel Süreç KontrolüDeney tasarımı↔ karşılaştır
- Kontrol GrafiğiDeney tasarımı↔ karşılaştır
- Hata Türü ve Etki Analizi (HTEA)Deney tasarımı↔ karşılaştır
- Süreç Yetenek Analizi (Cp, Cpk)İstatistik↔ karşılaştır
- Altı Sigma DMAICKalite yönetimi↔ karşılaştır
- İstatistiksel Süreç KontrolüDeney tasarımı↔ karşılaştır