MerQuR+Başvuru Kitabı

115. Çok değişkenli kontrol kartı: Hotelling T² ve TBA tabanlı izleme

Şablon kimliği: cok_degiskenli_kontrol · Kategori: kalite · Dil: R · Dosya: pro/sablonlar/kalite/cok_degiskenli_kontrol.R (satır 1–297; üstbilgi 1–87) · Örnek veri: _ornek/cok_degiskenli_kontrol_boiler.csv (ek: cok_degiskenli_kontrol_ryan.csv) · Paketler: yok (yalnız temel R: stats, graphics)

115.1 Ne işe yarar

Şablon, birbiriyle ilişkili p kalite özelliğini tek bir kartta izler. Cevapladığı soru: "Bu özellikler birlikte değerlendirildiğinde süreç denetim altında mı; denetim dışı bir noktada alarmı hangi özellik taşıyor?" Her özelliğe ayrı bir tek değişkenli kart uygulamak iki biçimde yanıltır: p kartın her biri yanlış alarm verebileceğinden birleşik yanlış alarm olasılığı büyür ve özellikler arasındaki ilişkinin bozulması (ayrı ayrı sınırlar içinde kalan ama birlikte alışılmadık bir nokta) hiçbir kartta görünmez.

İki kart türü vardır (yontem):

  • Hotelling T^2 (t2): alt gruplu ya da bireysel gözlemli veri için, Mahalanobis uzaklığının karesi (Hotelling, 1947; Montgomery, 2009, Bölüm 11). Aşama I (kestirim) ve Aşama II (izleme) sınırları ayrı yazılır.
  • TBA tabanlı izleme (tba): yalnız bireysel gözlemler için. Aşama I verisi standartlaştırılır, ilk k temel bileşenle T^2 ve modelin açıklamadığı kısmı ölçen kalıntı karesel hata (SPE, Q istatistiği) iki ayrı kartta izlenir (Jackson ve Mudholkar, 1979; Nomikos ve MacGregor, 1995).

İsteğe bağlı olarak sinyal veren noktalar için katkı ayrıştırması verilir.

Ne zaman kullanılır?

  • Özellikler ölçümle birlikte değişiyorsa (bir kazanın farklı noktalarındaki sıcaklıklar, bir parçanın boyutları, bir karışımın bileşenleri) ve tek bir "süreç denetim altında mı" kararı isteniyorsa.
  • Değişken sayısı çok ya da değişkenler güçlü ilişkiliyse (TBA).
  • Hangi özelliğin alarmı taşıdığı sorulduğunda (katkı tablosu).

Ne zaman kullanılmaz?

  • Tek bir özellik izleniyorsa ya da özellikler bağımsız ve her biri ayrı ele alınacaksa: kontrol_kartlari (Bölüm 118) ve surec_yeterliligi (Bölüm 120).
  • Küçük ortalama kaymaları aranıyorsa: bu şablon her noktayı kendi başına değerlendirir; birikimli kartlar için cusum_ewma (Bölüm 116).
  • Nitelik (sayma) verisiyse: nitelik_kartlari (Bölüm 119).
  • Alt grup boyutları eşit değilse ya da bir alt grupta eksik ölçüm varsa: şablon durur (115.2); alt grupları eşitleyin.
  • Veri çok değişkenli normal değilse: sınırlar normal kuramına dayanır; kalın kuyruklu ya da kesikli veride yanlış alarm oranı nominalden büyük olabilir.

Temel programla ilişki. Temel programda çok değişkenli kontrol kartı yoktur; bu şablon yalnız MerQuR+'tadır. Tek değişkenli kartlar temel programda ve Bölüm 118'dedir.

115.2 Şablonun girdileri

Form, üstbilgideki on bir [[\texttt{param}]] bloğundan kurulur (cok_degiskenli_kontrol.R:10–86). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Kalite özellikleri · degiskenler sütunlar · Değişkenler yok (zorunlu) en az 2 sayısal sütun İzlenen p özellik (10–14, 91–92, 99–107).
Alt grup kimliği · alt_grup kategorik sütun · Değişkenler boş herhangi bir sütun Doluysa alt gruplu T^2; boşsa bireysel (15–20, 93–94, 118–136).
Kart · yontem seçim · Model t2 t2, tba Hotelling T^2 ya da TBA tabanlı izleme (21–27, 96).
Aşama I için ilk m · faz1 tamsayı · Model 0 0–100000 İlk m alt grup / gözlem Aşama I; 0 = hepsi; veri uzunluğunu aşan değer de hepsi sayılır ve not düşülür (28–35, 138–141).
Yanlış alarm olasılığı \alpha · alfa ondalık · Seçenekler 0,0027 0,00001–0,2 Her kartın sınırı için (36–43, 95).
Kovaryans kestiricisi · kovaryans seçim · Seçenekler orneklem orneklem, ardisik Yalnız bireysel gözlemli T^2'de (44–51, 175–180).
TBA bileşen sayısı k · bilesen tamsayı · Seçenekler 0 0–200 0 ise birikimli varyans \ge 0{,}80 olan en küçük k (52–59, 220–222).
TBA'da standartlaştır · standartlastir onay · Seçenekler açık açık / kapalı Açık: korelasyon matrisi; kapalı: kovaryans matrisi (60–65, 214).
SPE kontrol sınırı · spe_sinir seçim · Seçenekler jm jm, nm Jackson–Mudholkar ya da Nomikos–MacGregor (66–72, 236–243).
Katkı tablosu · katki onay · Seçenekler açık açık / kapalı Sinyal veren noktalar için katkı tablosu ve grafiği (73–78, 197, 261, 287).
Alt grupların sırası · alt_grup_sira seçim · Seçenekler otomatik otomatik, veri Yalnız sayısal alt grup kimliğinde: otomatik kimlikleri sayı sırasıyla dizer, veri ilk görülme sırasını korur (80–86, 120–124).

Şablonun kendi denetimleri (hepsi mq_hata ile çalıştırmayı durdurur):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 90
İkiden az özellik "En az iki kalite özelliği (sayısal sütun) seçin." 92
Alt grup sütunu özelliklerden biri "Alt grup sütunu kalite özelliklerinden biri olamaz." 94
Bir özellik sayıya çevrilemiyor "'t1' sütunu sayıya çevrilemedi: … değer sayı değil (ör. '507,5'). Ondalık ayırıcı nokta olmalıdır." 99
Eksiksiz satır yok "Eksiksiz satır yok." 108
Aşama I verisinde sabit sütun (iki kartta aynı ileti) "Sabit sütun(lar) (Aşama I verisinde): … çıkarılmalı." 142–144
Alt grup boyutları eşit değil "Alt grup boyutları eşit olmalı …" 126
Bireysel T^2'de Aşama I < p+2 "… en az p+2 gözlem gerekli." 145
Alt gruplu: m<2 ya da mn-m-p+1<1 "Aşama I verisi kovaryans kestirimi için yetersiz …" 146–147
TBA'da Aşama I <4 "TBA tabanlı izleme için Aşama I'de en az 4 gözlem gerekli." 148
Kovaryans tekil "Kovaryans matrisi tekil (doğrusal bağımlı …)" 162
k>m-2 "Bileşen sayısı k Aşama I gözlem sayısından en az 2 küçük olmalı." 223
Seçilen bileşenin varyansı sıfır "… varyansı sıfır; k'yı küçültün." 224

Eksik değerli satırlar notla çıkarılır (100–107): "N satır eksik değer nedeniyle çıkarıldı (özgün satır no: …)"; notta ilk on satırın numarası yazılır. Bireysel gözlemlerde gözlem numarası özgün satır numarasıdır (136): çıkarılan satırdan sonraki gözlemler kaymaz, çıktıdaki "9" verideki 9. satırdır. Alt gruplu veride eksik ölçüm eşit boyut denetimine takılır. TBA seçilmişken alt grup sütunu yok sayılır ve not düşülür (109–112); her alt grupta tek ölçüm varsa bireysel kart kurulur (127–129).

Alt grup kimliği sayısalsa kimlikler varsayılan olarak sayı sırasıyla dizilir ve Aşama I en küçük m kimliktir; bu sıra verideki ilk görülme sırasından farklıysa not düşülür (122–123). Satırlar zaman sırasında ama kimlik zaman sırasını izlemiyorsa (parti ya da kasa numarası) alt_grup_sira = veri seçilir: alt gruplar ilk görülme sırasıyla dizilir ve Aşama I verideki ilk m alt gruptur (121). faz1 veri uzunluğunu aşarsa hepsi Aşama I alınır ve not düşülür (139).

Tohum. Şablon rastgelelik kullanmaz; sonuç belirleyicidir. Ortak düzendeki tohum yalnız çalıştırma künyesine yazılır (Bölüm 1.3).

115.3 Örnek veri

Örnek veri cok_degiskenli_kontrol_boiler.csv: Mason ve Young (2002) kazan sıcaklıkları; 25 gözlem × 8 sütun (t1…t8), eksik değer yok, hepsi veri sekmesinde "sayısal" okunur. Alt grup sütunu yoktur (bireysel gözlem). Örnek ayar: degiskenler = t1…t8, yontem = t2, alfa = 0,001 (ornek_param, satır 9; varsayılan \alpha=0{,}0027'den farklıdır).

Değişken Rol Tür Özet
t1 … t8 kalite özelliği sayısal Aşama I ortalamaları 525,00; 513,56; 538,92; 521,68; 503,80; 512,44; 478,72; 477,24

İkinci veri, Ryan (2000) iki değişkenli alt grup örneğidir (cok_degiskenli_kontrol_ryan.csv): 80 satır, orneklem (1–20, her biri 4 satır), X1, X2. Alt grup sütununun sayısal olduğuna ve sayı sırasıyla dizildiğine dikkat edin (alt_grup_sira, 115.8). Bu bölümde kullanılan çalıştırmalar:

Ad Veri Ayar
cdk_ornek kazan örnek ayar
cdk_ryan Ryan alt_grup = orneklem, alfa = 0,00539271 (=1-(1-0{,}0027)^2)
cdk_ryan_faz2 Ryan faz1 = 16, alfa = 0,0027
cdk_ardisik kazan kovaryans = ardisik, alfa = 0,0027
cdk_boiler_f2 kazan + 10 kaymış gözlem faz1 = 25, alfa = 0,0027
cdk_tba_jm, cdk_tba_nm, cdk_tba_kov, cdk_tba_kp kazan + 10 kaymış gözlem yontem = tba, faz1 = 25 ve aşağıda belirtilen bilesen, spe_sinir, standartlastir

boiler_faz2.csv, kazan verisinin sonuna, aynı ortalama ve kovaryanstan üretilmiş 10 gözlemin eklenmesiyle (t3 ortalaması +3 standart sapma kaydırılarak) kurulmuştur (veri_uret.py; tohum 11).

115.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (i) eksik satırlar atılır, sütunlar sayıya çevrilir, birimler (alt grup ortalamaları ya da gözlemler) kurulur; (ii) ilk m birim Aşama I olarak merkez ve kovaryansı verir; (iii) her birim için T^2 (ve TBA'da SPE) hesaplanır; (iv) Aşama I birimleri Aşama I sınırıyla, sonrakiler Aşama II sınırıyla karşılaştırılır; (v) sinyal veren birimlerde katkılar yazılır.

115.4.1 Birimler ve kovaryans

Alt gruplu veride m alt grup, boyut n, p özellik olsun; \bar{\mathbf x}_j j. alt grubun ortalama vektörü, \bar{\bar{\mathbf x}} ilk m alt grubun ortalamalarının ortalaması ve

\bar S=\frac1m\sum_{j=1}^{m}S_j

alt grup kovaryanslarının ortalamasıdır (173). Bireysel gözlemde birim gözlemin kendisidir ve S ilk m gözlemin örneklem kovaryansıdır (180); ardışık farklar seçilmişse V=\mathrm{diff}(X_1) ile

S_2=\frac{V'V}{2(m-1)}

(Holmes ve Mergen, 1993; Sullivan ve Woodall, 1996) kullanılır (176).

  • S_j: j. alt grubun p\times p örneklem kovaryansı (n-1 paydalı).
  • X_1: Aşama I gözlem matrisi (m\times p); V: ardışık satır farkları ((m-1)\times p).
  • S_2: ardışık farklar kestiricisi; \mathrm E[S_2]=\Sigma ortalama sabitken, ama ortalama kayıyorsa ya da eğilim varsa S_2 örneklem kovaryansından küçüktür.

Neden ardışık farklar?

Aşama I verisi zaten kaymış ya da eğilimliyse örneklem kovaryansı bu kaymayı değişkenliğe katar ve sınırı şişirir; ardışık farklar yavaş kaymayı büyük ölçüde çıkarır, bu yüzden Aşama I'de kaymaya karşı daha duyarlıdır (Sullivan ve Woodall, 1996). Kazan verisinde |S|=8313{,}24, |S_2|=133{,}25: ardışık farklar yaklaşık 62 kat küçük bir genelleştirilmiş varyans verir, çünkü seri eğilimlidir ve Aşama I'de 25 gözlemin 11'i (9, 1, 2, 3, 4, 19, 20, 21, 23, 24, 25 numaralı) sinyal verir.

Koddaki tercih

S_2 ile Aşama I sınırı, örneklem kovaryansı için kesin olan beta dağılımıyla hesaplanır; bu durumda yaklaşıktır ve şablon bunu notla bildirir (178–179).

115.4.2 T^2 istatistiği

Alt gruplu veride (183)

T^2_j=n\,(\bar{\mathbf x}_j-\bar{\bar{\mathbf x}})'\,\bar S^{-1}\,(\bar{\mathbf x}_j-\bar{\bar{\mathbf x}}),

bireysel gözlemde n=1 ve T^2_i=(\mathbf x_i-\bar{\mathbf x})'S^{-1}(\mathbf x_i-\bar{\mathbf x}).

  • \bar{\mathbf x}_j: birim (j. alt grup ya da i. gözlem) vektörü; \bar{\bar{\mathbf x}}: Aşama I merkezi (merkez, 150).
  • n: alt grup boyutu (nn).
  • Matris tersi tersi() ile alınır (159–165): korelasyon matrisinin tersi standart sapmalarla ölçeklenir; \mathrm{rcond}<10^{-12} ise çalıştırma tekil matris iletisiyle durur.

115.4.3 Kontrol sınırları (Aşama I ve Aşama II)

Yalnız üst sınır vardır (T^2\ge 0; alt sınır tanımlı değildir). \alpha üst kuyruk olasılığıdır (ucl_t2, 137–143). Alt gruplu veride d=mn-m-p+1 ile

\mathrm{UCL}_{\mathrm I}=\frac{p(m-1)(n-1)}{d}\,F_{1-\alpha;\,p,\,d},\qquad \mathrm{UCL}_{\mathrm{II}}=\frac{p(m+1)(n-1)}{d}\,F_{1-\alpha;\,p,\,d}.

Bireysel gözlemde

\mathrm{UCL}_{\mathrm I}=\frac{(m-1)^2}{m}\,B_{1-\alpha;\,p/2,\,(m-p-1)/2},\qquad \mathrm{UCL}_{\mathrm{II}}=\frac{p(m+1)(m-1)}{m^2-mp}\,F_{1-\alpha;\,p,\,m-p}

(Tracy, Young ve Mason, 1992; Montgomery, 2009, Bölüm 11).

  • F_{1-\alpha;\,a,\,b}: F(a,b) dağılımının 1-\alpha kantili (qf); B_{1-\alpha;\,a,\,b}: beta dağılımının 1-\alpha kantili (qbeta).
  • m: Aşama I birim sayısı (m); n: alt grup boyutu; p: özellik sayısı.

Neden iki ayrı sınır?

Aşama I'de değerlendirilen birim kestirimin kendisine katkı verir; T^2 ile \bar S ve merkez aynı veriden geldiğinden dağılım (yeni gözleme göre) beta ya da ölçeklenmiş F'tir ve Aşama I sınırı daha dardır. Aşama II'de birim kestirimden bağımsızdır; F dağılımı ve (m+1) çarpanı kestirimdeki belirsizliği sınıra katar. Örnekte (m=25, p=8, \alpha=0{,}001) Aşama I sınırı 17,417, Aşama II sınırı 70,029'dur: m-p=17 serbestlikle kestirilen kovaryans Aşama II sınırını çok genişletir. Küçük m ile Aşama II izlemesi duyarsızdır (115.8).

Koddaki tercih

\alpha doğrudan kart başına olasılıktır: ARL_0=1/\alpha yaklaşımı. Paket olarak qcc'nin varsayılanı (1-0{,}0027)^p güven düzeyi, yani \alpha=1-(1-0{,}0027)^p'dir; şablon varsayılanı ise doğrudan 0,0027'dir. Karşılaştırma için bu bölümde Ryan örneği \alpha=0{,}00539271 ile çalıştırılmıştır.

115.4.4 Katkı ayrıştırması

Sinyal veren her birim için, j. özellik çıkarıldığında T^2'nin azalması (Runger, Alt ve Montgomery, 1996)

d_j=T^2-T^2_{(-j)},\qquad T^2_{(-j)}=n\,\mathbf f_{(-j)}'\,S_{(-j,-j)}^{-1}\,\mathbf f_{(-j)},

ve tek değişkenli T^2_j=n(\bar x_j-\bar{\bar x}_j)^2/s_{jj} tabloya yazılır (199–202). katki_yuzde, negatif olmayan d_j'lerin payıdır.

  • \mathbf f: birimin Aşama I merkezinden sapma vektörü; \mathbf f_{(-j)}: j. öğesi atılmış sapma.
  • S_{(-j,-j)}: j. satır ve sütunu atılmış kovaryans.
  • d_j toplamı T^2'ye eşit değildir: kazan verisinin 9. gözleminde \sum d_j=12{,}879, T^2=17{,}575.

Neden d_j?

d_j, değişkenin diğerlerine göre koşullu sapmasını ölçer: d_j=n\,(S^{-1}\mathbf f)_j^2/(S^{-1})_{jj} (j. değişkenin geri kalanlar verildiğindeki koşullu varyansa göre standartlaşmış kalıntısının karesi). Tek değişkenli T^2_j yalnız marjinal sapmayı gösterir; ilişkiyi hesaba katmaz. Kazan verisinde 9. gözlem için d_3=10{,}359 (t_3 payı %80,4) iken tek değişkenli T^2_3=5{,}186'dır: alarm t_3'ün kendi değerinden çok, diğer sıcaklıklarla ilişkisinin bozulmasından gelir.

115.4.5 TBA tabanlı izleme

Aşama I gözlemleri z=(x-\bar x)/s ile standartlaştırılır (standartlastir kapalıysa s=1) (214–215). \Lambda=\mathrm{diag}(\lambda_1\ge\dots\ge\lambda_p) Aşama I kovaryansının özdeğerleri, P_k ilk k özvektör olsun (k: birikimli varyansın \ge 0{,}80 olduğu en küçük sayı ya da bilesen). Skorlar \mathbf t=P_k'\mathbf z ve

T^2=\sum_{a=1}^{k}\frac{t_a^2}{\lambda_a},\qquad \mathrm{SPE}=\|\mathbf z-P_kP_k'\mathbf z\|^2.

T^2 sınırı 115.4.3'teki bireysel gözlem formülleriyle, p yerine k konarak hesaplanır (231). SPE sınırı iki seçenektir (234–244):

Jackson–Mudholkar (jm): \theta_i=\sum_{a>k}\lambda_a^i (i=1{,}2{,}3), h_0=1-\dfrac{2\theta_1\theta_3}{3\theta_2^2} ve

\mathrm{UCL}_{\mathrm{SPE}}=\theta_1\left[\frac{z_{1-\alpha}\sqrt{2\theta_2h_0^2}}{\theta_1}+1+\frac{\theta_2h_0(h_0-1)}{\theta_1^2}\right]^{1/h_0}.

Nomikos–MacGregor (nm): Aşama I SPE ortalaması \bar m ve varyansı v ile

\mathrm{UCL}_{\mathrm{SPE}}=g\,\chi^2_{1-\alpha;\,h},\qquad g=\frac{v}{2\bar m},\quad h=\frac{2\bar m^2}{v}.

Katkılar (263–264): T^2 için c_j=z_j\sum_{a}t_ap_{ja}/\lambda_a (toplamı T^2), SPE için e_j^2 (toplamı SPE).

  • z_{1-\alpha}: standart normal 1-\alpha kantili (qnorm).
  • p_{ja}: a. özvektörün j. bileşeni; t_a: a. skor; e_j=z_j-\hat z_j.
  • Özvektör işareti, yük toplamı pozitif olacak biçimde sabitlenir (226); T^2 ve SPE işaretten bağımsızdır, yükler ve skorların işareti değildir.

Neden iki kart?

T^2, modelin içinde (ilk k bileşen düzleminde) olağan dışı bir konumu; SPE ise modelin dışında kalan, korelasyon yapısını bozan bir sapmayı yakalar. Birini kaçıran ayrıksı nokta ötekini yakalayabilir. Örnekte (cdk_tba_jm) Aşama II'nin beş sinyalinin beşi de yalnız SPE sınırını aşar; T^2 sınırını aşan yoktur.

Birleşik yanlış alarm

\alpha her kart için ayrı uygulanır. Bağımsız iki kartta herhangi birinin sinyali olasılığı yaklaşık 2\alpha'dır; "Sinyal sayısı" T^2 ya da SPE'nin aşıldığı noktaları sayar (245).

115.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
88–108 Özellikleri ve alt grup sütununu okur; sayıya çevirir; eksik satırları çıkarır; denetimler Sütunlar mq_sayisal ile okunur: ondalık virgüllü metin sütunu, ondalık ayırıcının nokta olması gerektiğini söyleyen iletiyle durur. Eksik satırlar çıkarılırken özgün satır numaraları (satir_no) saklanır ve notta yazılır.
116–144 Birimleri kurar: alt grup ortalamaları ya da gözlemler; m; faz etiketleri; Aşama I verisinde sabit sütun denetimi Sayısal alt grup kimliği varsayılanda sayı sırasıyla, alt_grup_sira = veri ve diğer türlerde ilk görülme sırasıyla düzenlenir (121); fark varsa not düşülür (122–123). Gözlem numarası özgün satır numarasıdır (136). faz1 \le0 ya da >M ise hepsi Aşama I; >M için not düşülür (138–141).
145–150 Aşama I veri sayısı denetimleri; Aşama I merkezi p+2, mn-m-p+1 ve TBA için 4 gözlem sınırları.
152–165 ucl_t2() ve tersi() F ve beta kantilleri; tekillik denetimi.
170–210 Hotelling kolu: S, T^2, sınırlar, üç tablo, katkı Ardışık farklar yalnız bireysel veride.
211 Kart listesi Çizim için.
212–273 TBA kolu: özayrışım, k, T^2, SPE, sınırlar, tablolar, katkı k=p ise SPE kartı çizilmez ve not düşülür (244).
275 Notlar Çıkarılan satırlar, yok sayılan alt grup sütunu vb.
277–296 Şekiller: her kart için T^2 (ve SPE) çizgisi; sinyal noktaları turuncu; dikey çizgi Aşama I/II sınırı; katkı çubuk grafiği Katkı grafiği, T^2/\mathrm{UCL} oranı en büyük birim içindir (288).

115.6 Elle hesap: örnek veride bağımsız yeniden hesap

Adım 1 — Merkez ve kovaryans. Ryan örneğinde 20 alt grubun ortalamaları ve S_j'ler numpy ile hesaplanır (dogrulama/cok_degiskenli_kontrol/elle_hesap.py): \bar{\bar{\mathbf x}}=(60{,}375;\ 18{,}4875)',

\bar S=\begin{pmatrix}222{,}0333&103{,}1167\\103{,}1167&56{,}5792\end{pmatrix},\qquad |\bar S|=1929{,}414.

Adım 2 — Sınır. p=2, m=20, n=4, d=59, \alpha=0{,}00539271: F_{1-\alpha;\,2,\,59}=5{,}7136; \mathrm{UCL}_{\mathrm I}=\dfrac{2\cdot19\cdot3}{59}\cdot5{,}7136=1{,}9322\cdot5{,}7136=11{,}0398 ve \mathrm{UCL}_{\mathrm{II}}=\dfrac{2\cdot21\cdot3}{59}\cdot5{,}7136=12{,}2018. Her ikisi de vinyetin yayımlanan değerleriyle (11,03976; 12,20184) aynıdır.

Adım 3 — T^2. 10. alt grup için T^2=63{,}7604 (yayımlı 63,76042); 20. alt grup için 13,038. İki alt grup Aşama I'de sinyal verir.

Adım 4 — Bireysel gözlem. Kazan verisinde |S|=8313{,}2405 (yayımlı 8313,241); m=25, p=8, \alpha=0{,}001: \mathrm{UCL}_{\mathrm I}=\dfrac{24^2}{25}\,B_{0{,}999;\,4,\,8}=23{,}04\cdot0{,}75595=17{,}4170 (yayımlı 17,41705), \mathrm{UCL}_{\mathrm{II}}=\dfrac{8\cdot26\cdot24}{425}\cdot F_{0{,}999;\,8,\,17}=11{,}7459\cdot5{,}9620=70{,}0294. 9. gözlemin T^2'si 17,5753 > 17,4170.

Adım 5 — Katkı. d_j=n\,(S^{-1}\mathbf f)_j^2/(S^{-1})_{jj} kimliğiyle hesaplanan değerler şablonun alt matris tersine dayalı değerleriyle aynıdır (d_3=10{,}3589).

Adım 6 — TBA. numpy.linalg.eigh ve R'de prcomp ile özdeğerler 3{,}8693;\ 2{,}6769;\ 0{,}7089;\dots, k=2 (birikimli 0,8183), T^2 sınırları 9,5823 ve 16,7850, JM sınırı 8,0895; NM sınırı (k=3) 4,1022.

115.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
Ryan: Aşama I UCL (vinyet 11,03976) 11,03975666 11,03976 11,03975666 3,0e−7 ✓
Ryan: Aşama I UCL (açık formül) 11,03975666 11,03975666 11,03975666 1,1e−15 ✓
Ryan: Aşama II UCL (vinyet 12,20184) 12,20183631 12,20184 12,20183631 3,0e−7 ✓
Ryan: Aşama II UCL (açık formül) 12,20183631 12,20183631 12,20183631 8,2e−15 ✓
Ryan: \det\bar S (vinyet 1929,414) 1929,41402778 1929,414 1929,41402778 1,4e−8 ✓
Ryan: \det\bar S (bağımsız) 1929,41402778 1929,41402778 1929,41402778 4,2e−15 ✓
Ryan: en büyük T^2 (vinyet 63,76042) 63,76042138 63,76042 63,76042138 2,2e−8 ✓
Ryan: T^2, alt grup 1 2,24160489 2,24160489 2,24160489 4,0e−16 ✓
Ryan: T^2, alt grup 10 63,76042138 63,76042138 63,76042138 2,1e−15 ✓
Ryan: T^2, alt grup 20 13,03761715 13,03761715 13,03761715 4,8e−15 ✓
Ryan: d_1, alt grup 10 63,39852801 63,39852801 — 1,9e−15 ✓
Ryan: d_2, alt grup 10 57,17103915 57,17103915 — 1,1e−15 ✓
Ryan, m=16: Aşama I UCL 12,87835555 12,87835555 12,87835555 4,6e−15 ✓
Ryan, m=16: Aşama II UCL 14,59546963 14,59546963 — 3,9e−15 ✓
Ryan, m=16: \det\bar S 2702,11319987 2702,11319987 2702,11319987 8,4e−16 ✓
Ryan, m=16: Aşama II T^2, alt grup 17 0,17896652 0,17896652 0,17896652 1,0e−15 ✓
Ryan, m=16: Aşama II T^2, alt grup 18 0,96422914 0,96422914 0,96422914 2,0e−15 ✓
Ryan, m=16: Aşama II T^2, alt grup 19 2,84114941 2,84114941 2,84114941 9,4e−16 ✓
Ryan, m=16: Aşama II T^2, alt grup 20 11,5620878 11,5620878 11,5620878 2,0e−15 ✓
Boiler: Aşama I UCL (vinyet 17,41705) 17,4170466 17,41705 17,4170466 2,0e−7 ✓
Boiler: Aşama I UCL (açık formül) 17,4170466 17,4170466 17,4170466 1,6e−15 ✓
Boiler: Aşama II UCL 70,0294325 70,0294325 70,0294325 1,0e−15 ✓
Boiler: \det S (vinyet 8313,241) 8313,2405049 8313,241 8313,2405049 6,0e−8 ✓
Boiler: \det S (bağımsız) 8313,2405049 8313,2405049 8313,2405049 1,1e−14 ✓
Boiler: T^2, gözlem 1 13,96396174 13,96396174 13,96396174 2,0e−15 ✓
Boiler: T^2, gözlem 9 17,57529348 17,57529348 17,57529348 8,1e−16 ✓
Boiler: T^2, gözlem 25 5,31698586 5,31698586 5,31698586 2,3e−15 ✓
Boiler: gözlem 9, d_1 0,08056039 0,08056039 0,08056039 7,1e−15 ✓
Boiler: gözlem 9, d_2 0,1584784 0,1584784 0,1584784 1,1e−14 ✓
Boiler: gözlem 9, d_3 10,35894425 10,35894425 10,35894425 9,6e−15 ✓
Boiler: gözlem 9, d_4 0,73478194 0,73478194 0,73478194 1,1e−14 ✓
Boiler: gözlem 9, d_5 0,63822973 0,63822973 0,63822973 4,0e−15 ✓
Boiler: gözlem 9, d_6 0,84870806 0,84870806 0,84870806 1,8e−14 ✓
Boiler: gözlem 9, d_7 0,02468635 0,02468635 0,02468635 4,9e−15 ✓
Boiler: gözlem 9, d_8 0,03452833 0,03452833 0,03452833 2,9e−14 ✓
Boiler: gözlem 9, tek değişkenli T^2_1 1,18518519 1,18518519 — 4,1e−15 ✓
Boiler: gözlem 9, tek değişkenli T^2_3 5,18612931 5,18612931 — 1,4e−15 ✓
Boiler: gözlem 9, tek değişkenli T^2_8 0,01493518 0,01493518 — 1,6e−17 ✓
Ardışık farklar: \det S_2 133,24555317 133,24555317 — 4,7e−15 ✓
Ardışık farklar: Aşama I UCL 16,5725028 16,5725028 — 0 ✓
Ardışık farklar: T^2, gözlem 1 52,60497543 52,60497543 — 1,4e−16 ✓
Ardışık farklar: T^2, gözlem 13 2,36611496 2,36611496 — 4,7e−15 ✓
Ardışık farklar: T^2, gözlem 25 27,72153888 27,72153888 — 3,8e−16 ✓
Faz II: T^2, gözlem 26 15,42657924 15,42657924 15,42657924 2,0e−15 ✓
Faz II: T^2, gözlem 28 31,87863438 31,87863438 31,87863438 2,2e−16 ✓
Faz II: T^2, gözlem 32 30,24832365 30,24832365 30,24832365 3,3e−15 ✓
Faz II: T^2, gözlem 35 9,313116 9,313116 9,313116 1,9e−16 ✓
Faz II: UCL (Aşama II) 58,25053262 58,25053262 58,25053262 3,7e−16 ✓
Faz II verisi: toplam sinyal sayısı (35 gözlem) 1 1 — 0 ✓
TBA (JM, k=2): k 2 2 2 0 ✓
TBA (JM, k=2): \lambda_1 3,86933375 3,86933375 3,86933375 2,6e−15 ✓
TBA (JM, k=2): \lambda_2 2,67686849 2,67686849 2,67686849 1,8e−15 ✓
TBA (JM, k=2): \lambda_3 0,70888102 0,70888102 0,70888102 1,0e−15 ✓
TBA (JM, k=2): T^2 Aşama I UCL 9,58232334 9,58232334 9,58232334 7,4e−16 ✓
TBA (JM, k=2): T^2 Aşama II UCL 16,78497965 16,78497965 16,78497965 3,0e−15 ✓
TBA (JM, k=2): SPE UCL 8,08946322 8,08946322 8,08946322 2,2e−15 ✓
TBA (JM, k=2): T^2, gözlem 1 4,07101792 4,07101792 4,07101792 2,4e−15 ✓
TBA (JM, k=2): SPE, gözlem 1 5,10789441 5,10789441 5,10789441 1,7e−15 ✓
TBA (JM, k=2): T^2, gözlem 27 7,9267977 7,9267977 7,9267977 1,5e−15 ✓
TBA (JM, k=2): SPE, gözlem 27 8,47855623 8,47855623 8,47855623 3,6e−15 ✓
TBA (JM, k=2): T^2, gözlem 29 5,62370004 5,62370004 5,62370004 1,9e−15 ✓
TBA (JM, k=2): SPE, gözlem 29 13,86352597 13,86352597 13,86352597 7,7e−16 ✓
TBA (JM, k=2): gözlem 27, T^2 katkısı, değişken 3 1,17427889 1,17427889 — 7,4e−15 ✓
TBA (JM, k=2): gözlem 27, SPE katkısı, değişken 3 7,25605403 7,25605403 — 4,0e−15 ✓
TBA (JM, k=2): gözlem 27, T^2 katkısı, değişken 8 2,44072518 2,44072518 — 1,6e−15 ✓
TBA (JM, k=2): gözlem 27, SPE katkısı, değişken 8 0,0724116 0,0724116 — 7,5e−16 ✓
TBA (JM, k=2): gözlem 27, katkı toplamı = T^2 7,9267977 7,9267977 — 1,3e−15 ✓
TBA (JM, k=2): gözlem 27, katkı toplamı = SPE 8,47855623 8,47855623 — 3,8e−15 ✓
TBA (NM, k=3): k 3 3 3 0 ✓
TBA (NM, k=3): \lambda_1 3,86933375 3,86933375 3,86933375 2,6e−15 ✓
TBA (NM, k=3): \lambda_2 2,67686849 2,67686849 2,67686849 1,8e−15 ✓
TBA (NM, k=3): \lambda_3 0,70888102 0,70888102 0,70888102 1,0e−15 ✓
TBA (NM, k=3): T^2 Aşama I UCL 11,12656458 11,12656458 11,12656458 3,5e−15 ✓
TBA (NM, k=3): T^2 Aşama II UCL 21,91251725 21,91251725 21,91251725 0 ✓
TBA (NM, k=3): SPE UCL 4,10216037 4,10216037 4,10216037 1,3e−15 ✓
TBA (NM, k=3): T^2, gözlem 1 8,38290089 8,38290089 8,38290089 3,6e−15 ✓
TBA (NM, k=3): SPE, gözlem 1 2,05128241 2,05128241 2,05128241 4,3e−16 ✓
TBA (NM, k=3): T^2, gözlem 27 17,14242127 17,14242127 17,14242127 5,8e−15 ✓
TBA (NM, k=3): SPE, gözlem 27 1,9457756 1,9457756 1,9457756 5,1e−15 ✓
TBA (NM, k=3): T^2, gözlem 29 22,42659386 22,42659386 22,42659386 4,4e−15 ✓
TBA (NM, k=3): SPE, gözlem 29 1,95227347 1,95227347 1,95227347 5,1e−15 ✓
TBA (NM, k=3): gözlem 29, T^2 katkısı, değişken 3 22,31215533 22,31215533 — 1,3e−15 ✓
TBA (NM, k=3): gözlem 29, SPE katkısı, değişken 3 0,07737231 0,07737231 — 2,5e−15 ✓
TBA (NM, k=3): gözlem 29, T^2 katkısı, değişken 8 −0,11483436 −0,11483436 — 4,9e−16 ✓
TBA (NM, k=3): gözlem 29, SPE katkısı, değişken 8 0,00399268 0,00399268 — 4,5e−17 ✓
TBA (NM, k=3): gözlem 29, katkı toplamı = T^2 22,42659386 22,42659386 — 1,1e−15 ✓
TBA (NM, k=3): gözlem 29, katkı toplamı = SPE 1,95227347 1,95227347 — 3,4e−15 ✓
TBA kovaryans (k=3): k 3 3 3 0 ✓
TBA kovaryans (k=3): \lambda_1 98,2971123 98,2971123 98,2971123 5,8e−16 ✓
TBA kovaryans (k=3): \lambda_2 18,93630536 18,93630536 18,93630536 5,6e−16 ✓
TBA kovaryans (k=3): \lambda_3 9,30334271 9,30334271 9,30334271 2,3e−15 ✓
TBA kovaryans (k=3): T^2 Aşama I UCL 11,12656458 11,12656458 11,12656458 3,5e−15 ✓
TBA kovaryans (k=3): T^2 Aşama II UCL 21,91251725 21,91251725 21,91251725 0 ✓
TBA kovaryans (k=3): SPE UCL 51,00495673 51,00495673 51,00495673 3,9e−15 ✓
TBA kovaryans (k=3): T^2, gözlem 1 8,79442034 8,79442034 8,79442034 8,1e−16 ✓
TBA kovaryans (k=3): SPE, gözlem 1 16,939875 16,939875 16,939875 4,2e−16 ✓
TBA kovaryans (k=3): T^2, gözlem 27 20,44801507 20,44801507 20,44801507 1,0e−15 ✓
TBA kovaryans (k=3): SPE, gözlem 27 34,86537108 34,86537108 34,86537108 2,9e−15 ✓
TBA kovaryans (k=3): T^2, gözlem 29 22,2875739 22,2875739 22,2875739 6,4e−16 ✓
TBA kovaryans (k=3): SPE, gözlem 29 28,97785319 28,97785319 28,97785319 3,4e−15 ✓
TBA kovaryans (k=3): gözlem 9, T^2 katkısı, değişken 3 7,95712233 7,95712233 — 0 ✓
TBA kovaryans (k=3): gözlem 9, SPE katkısı, değişken 3 1,92145717 1,92145717 — 1,4e−15 ✓
TBA kovaryans (k=3): gözlem 9, T^2 katkısı, değişken 8 −0,027853 −0,027853 — 1,1e−16 ✓
TBA kovaryans (k=3): gözlem 9, SPE katkısı, değişken 8 0,1050327 0,1050327 — 7,8e−16 ✓
TBA kovaryans (k=3): gözlem 9, katkı toplamı = T^2 12,26336539 12,26336539 — 1,4e−16 ✓
TBA kovaryans (k=3): gözlem 9, katkı toplamı = SPE 17,90082307 17,90082307 — 6,5e−15 ✓

Ölçütü karşılayan: 106/106. Yayımlı başvuru satırlarında (vinyet) "Python" sütunu yayımlanmış değeri gösterir; yayımlı değerler 7 anlamlı basamaktır, bu yüzden göreli fark 10^{-6} ölçütünün altında kalır. Ryan örneğinde \alpha=1-(1-0{,}0027)^2=0{,}00539271 (qcc varsayılanı). Aşama II sınırı qcc'de bulunmaz; açık formülle karşılaştırılır.

R tarafında Hotelling kartı qcc::mqcc (qcc 2.7; Scrucca, 2004) ile, TBA kartı prcomp ve açık formüllerle yeniden kurulmuştur. qcc Aşama II sınırı vermediğinden Aşama II sınırı açık formülle karşılaştırılmıştır.

115.7 Çıktıyı okuma

Kazan verisi, örnek ayar:

Hotelling T² (bireysel gözlemler): p = 8, n = 1, Aşama I m = 25; UCL (I) = 17,417, UCL (II) = 70,0294; sinyal: 1 nokta.

Özet tablosu ve katkı tablosu (kısaltılmış):

 olcut                              deger
 Değişken sayısı p                      8
 Alt grup boyutu n                      1
 Aşama I alt grup / gözlem sayısı m    25
 α                                  0.001
 Aşama I UCL                    17.417047
 Aşama II UCL                   70.029432
 |S|                          8313.240505
 Sinyal sayısı (Aşama I)                1

 birim  degisken  katki_d  katki_yuzde  tek_degisken_T2
 9      t3        10.358944   80.433346       5.186129
 9      t6         0.848708    6.589902       0.042959
 9      t4         0.734782    5.705308       2.401721

Şekil 115.1. Kazan verisi: T^2 kartı; turuncu nokta sinyal (9. gözlem), kesikli çizgi Aşama I sınırı.

Öğe Ne yazar Nasıl yorumlanır
Aşama I UCL / Aşama II UCL İki sınır Aşama I'deki noktalar birinciyle, Aşama II'dekiler ikinciyle karşılaştırılır; dikey çizgi geçişi gösterir.
|S| Kovaryansın determinantı Genelleştirilmiş varyans; ardışık farklar ya da arındırma sonrası değişimi izlenir.
sinyal T^2>\mathrm{UCL} "evet" = denetim dışı birim; neden olduğu bilinmez (katkıya bakın).
katki_d T^2-T^2_{(-j)} Büyük değer, o özelliğin alarmı taşıdığı anlamına gelir; toplam T^2 değildir.
tek_degisken_T2 Marjinal sapma Küçük ama katki_d büyükse alarm ilişki bozulmasındandır.
TBA: T2, SPE, SPE_UCL Model içi/dışı sapma T^2 yüksek: bilinen bileşenlerde olağan dışı konum; SPE yüksek: korelasyon yapısı bozulmuş.
TBA katkıları T2_katki, SPE_katki T2_katki negatif olabilir (toplamı T^2); SPE_katki hep \ge0.

TBA örneği (cdk_tba_jm, kaymış 10 gözlemli veri):

TBA tabanlı izleme: p = 8, k = 2 (birikimli varyans 0,8183), Aşama I m = 25; T² UCL (I) = 9,58232, UCL (II) = 16,785; SPE UCL = 8,08946; sinyal: 5 nokta.
  1. gözlem için SPE katkıları: t_3 7,256 (toplam 8,479): kaymış değişken doğru gösterilmiştir. T^2 katkıları (t_8 2,441; t_6 2,110; t_2 1,805; t_3 1,174; toplam 7,927) belirgin bir değişkeni işaret etmez, çünkü kayma modelin içinde değil, dışındadır.

Rapor cümlesi: Sekiz kazan sıcaklığı Hotelling T^2 kartıyla izlendi (Aşama I m=25, \alpha=0{,}001; Aşama I sınırı 17,42). 9. gözlemin T^2 değeri (17,58) sınırı aştı; katkı ayrıştırması alarmın büyük bölümünü t_3'e (%80) bağladı.

115.8 Sık hatalar ve tuzaklar

  • Küçük m, geniş Aşama II sınırı. m=25, p=8, \alpha=0{,}0027 iken Aşama I sınırı 16,57, Aşama II sınırı 58,25'tir; t_3'ü +3 standart sapma kaydıran 10 gözlem hiçbir T^2 sinyali vermedi (cdk_boiler_f2; aynı veride TBA'nın SPE kartı 5 sinyal verdi). Aşama II izlemesi için m en az birkaç yüz olmalıdır; aksi hâlde kart kayma yakalayamaz.
  • Aşama I arındırması yoktur. Aşama I'de sinyal veren gruplar merkez ve S kestirimine dahildir (Ryan 10. alt grup, T^2=63{,}76). Şablon bu grupları çıkarıp yeniden kestirmez; gerekirse veriyi elle düzenleyin ve faz1'i ayarlayın.
  • Sayısal alt grup kimliği varsayılanda sayı sırasıyla dizilir. Aşama I = en küçük m kimlik (121); satırlar zaman sırasındaysa ama kimlik zaman sırasını izlemiyorsa yanlış gruplar Aşama I olur. Sıra verideki ilk görülme sırasından farklıysa şablon not düşer; "Alt grupların sırası = Veri sırası" seçilirse Aşama I verideki ilk m alt gruptur. Ryan verisinde kimlik k\mapsto(7k \bmod 20)+1 yapılıp faz1 = 14 verildiğinde varsayılan sıra |\bar S|=1439{,}818 (kimlik 1–14), veri sırası ise verideki ilk 14 alt grubun |\bar S| değerini verir.
  • faz1 veri uzunluğunu aşarsa hepsi Aşama I olur. Aşama II boş kalır; şablon bunu notla bildirir.
  • Eksik satırdan sonra gözlem numarası kaymaz. Çıktıdaki gözlem numarası verideki satır numarasıdır; çıkarılan satırlar notta yazılır. Eksik satır kovaryans kestirimini de değiştirdiği için başka gözlemler sınırın öbür yanına geçebilir (kazan verisinde 4. satırda t2 boşken, eksiksiz veride sinyal veren 9. gözlem sinyal vermez).
  • Aşama I'de sabit kalan sütun. İki kartta da "Sabit sütun(lar) (Aşama I verisinde)" iletisiyle durur; Aşama II'de değişse bile Aşama I'de sabit özellik standartlaştırılamaz.
  • Ondalık virgüllü metin sütunu. İleti ondalık ayırıcının nokta olması gerektiğini söyler; Veri sekmesinde ondalık ayırıcıyı düzeltin.
  • Ardışık farklarla Aşama I sınırı yaklaşıktır; eğilimli seride çok sayıda yanlış sinyal (kazan: 11/25) kovaryansın küçüldüğünü gösterir, süreci denetimsiz kanıtlamaz.
  • TBA'da kovaryans (standartlaştırmasız) ölçek farkına duyarlıdır. Kazan verisinde standartlastir kapalıyken (bilesen = 3, cdk_tba_kov) ilk bileşen tek başına varyansın %72,5'ini taşır (en büyük varyanslı sütunlar baskındır), SPE sınırı (JM) 51,0'e çıkar ve yalnız 2 nokta sinyal verir; standartlaştırılmış kartta (cdk_tba_jm) 5 nokta sinyal verir.
  • k=p iken SPE yoktur. bilesen = 8 SPE kartını çizmez.

115.9 Uzman soruları

S1. Aşama I ve II sınırları neden farklı, hangisi ARL_0=1/\alpha verir?

Aşama I sınırı, birimin kestirime katıldığı durumun (kendi merkeze çektiği) dağılımına dayanır ve kestirim hatasını ayrı ele almaz; Aşama II'de birim kestirimden bağımsız olduğundan (m+1) çarpanlı F kullanılır. \alpha, kestirim sabitken tek noktanın yanlış alarm olasılığıdır: kestirim hatası m küçükken ARL_0'ı nominalden saptırır (Montgomery, 2009).

S2. \bar S ile bireysel veride neden örneklem kovaryansı ve ardışık farklar ayrı sınırlar gerektirir?

Beta sınırı S'nin Wishart dağılımına dayanır. S_2 aynı dağılımı sağlamaz; bu yüzden aynı sınır "yaklaşık" kalır (Sullivan ve Woodall, 1996). Kazan verisinde T^2 değerleri iki kestiriciyle çok farklıdır (ilk gözlem için 13,96 ve 52,60).

S3. d_j ile tek değişkenli T^2_j ne zaman ayrışır?

Değişkenler ilişkiliyse T^2_j marjinal sapmayı gösterir, d_j koşullu sapmayı. t_3 için d_3=10{,}36, T^2_3=5{,}19 ve diğer değişkenler için tersi görülür: alarmın nedeni t_3'ün diğerlerine göre aykırı olmasıdır, kendi değerinin yüksekliği değil.

S4. SPE sınırında Jackson–Mudholkar ile Nomikos–MacGregor neden farklı çıkar?

JM, kalıntı özdeğerlerinden (kuramsal) hesaplanır; NM, Aşama I SPE değerlerinin ortalamasına ve varyansına g\chi^2_h'yi eşler. Aynı veride k=2 için JM 8,089 (SPE ortalaması 1,396, varyansı 3,184); k=3 için NM 4,102 (ortalama 0,715, varyans 0,485). İkisi farklı k ile çalıştığından doğrudan karşılaştırılamaz. NM yalnız Aşama I SPE değerlerinin iki momentine dayanır; m küçükken bu iki kestirimin gürültüsü sınıra geçer.

S5. Şablon neden alt gruplu veride TBA yapmaz?

Şablonun TBA kolu yalnız bireysel gözlemler için kurulmuştur; sınırlar 115.4.3'teki bireysel formüllerdir ve alt grup yapısı (ortalamanın varyansı, n çarpanı) hiçbir adımda yer almaz. Alt grup sütunu verilirse yok sayılır ve not düşülür (109–112).

S6. Veri normal değilse sınır güvenilir mi?

T^2 ve beta/F sınırları çok değişkenli normalliğe dayanır; ağır kuyruklu seride yanlış alarm oranı nominalden büyüktür. Önce dönüşüm ya da dayanıklı kestirici düşünülmeli; şablon normalliği sınamaz.

S7. qcc ile fark var mı?

Aşama I sınırı ve T^2 aynıdır (fark 10^{-15}); \alpha tanımı farklıdır: qcc güven düzeyi (1-0{,}0027)^p varsayar, şablon doğrudan \alpha alır. qcc Aşama II sınırı vermez.

115.10 Kaynaklar

  • Hotelling, H. (1947). Multivariate quality control, illustrated by the air testing of sample bombsights. İçinde C. Eisenhart, M. W. Hastay ve W. A. Wallis (Ed.), Techniques of statistical analysis (ss. 111–184). McGraw-Hill.
  • Holmes, D. S. ve Mergen, A. E. (1993). Improving the performance of the T^2 control chart. Quality Engineering, 5(4), 619–625. https://doi.org/10.1080/08982119308919004
  • Jackson, J. E. ve Mudholkar, G. S. (1979). Control procedures for residuals associated with principal component analysis. Technometrics, 21(3), 341–349. https://doi.org/10.1080/00401706.1979.10489779
  • Mason, R. L. ve Young, J. C. (2002). Multivariate statistical process control with industrial applications. SIAM. https://doi.org/10.1137/1.9780898718461
  • Montgomery, D. C. (2009). Introduction to statistical quality control (6. bs.). Wiley.
  • Nomikos, P. ve MacGregor, J. F. (1995). Multivariate SPC charts for monitoring batch processes. Technometrics, 37(1), 41–59. https://doi.org/10.1080/00401706.1995.10485888
  • Runger, G. C., Alt, F. B. ve Montgomery, D. C. (1996). Contributors to a multivariate statistical process control chart signal. Communications in Statistics – Theory and Methods, 25(10), 2203–2213. https://doi.org/10.1080/03610929608831832
  • Ryan, T. P. (2000). Statistical methods for quality improvement (2. bs.). Wiley.
  • Scrucca, L. (2004). qcc: an R package for quality control charting and statistical process control. R News, 4(1), 11–17.
  • Sullivan, J. H. ve Woodall, W. H. (1996). A comparison of multivariate control charts for individual observations. Journal of Quality Technology, 28(4), 398–408. https://doi.org/10.1080/00224065.1996.11979698
  • Tracy, N. D., Young, J. C. ve Mason, R. L. (1992). Multivariate control charts for individual observations. Journal of Quality Technology, 24(2), 88–95. https://doi.org/10.1080/00224065.1992.12015232
  • R Core Team (2026). R: a language and environment for statistical computing. R Foundation for Statistical Computing. (Şablon yalnız temel R'yi kullanır; paket kaydı boştur.)