‫‪04/10/1441‬‬

‫فصل نهم‬

‫نمودارهاي كنترل جمع تجمعي و ميانگين‬

‫متحرك موزون نمايي‬
‫مدرس ‪ :‬عليرضا شادمان‬

‫مﻘﺪمﻪ‬

‫نمودارهاي كنترل ارائه شده در فصول قبل غالباً از نوع نمودارهاي كنترل شوهارت بودند‪ .‬نمودارهاي كنترل شوهارت در پياده سازي فاز يك نمودارهـاي‬ ‫•‬
‫كنترل بسيار مفيد هستند‪.‬‬

‫يكي از ضعفهاي اصلي نمودارهاي كنترل شوهارت استفاده از اطﻼعات موجود در آخرين نمونه مشاهده شده و ناديده گرفتن اطﻼعـات موجـود در سـاير‬ ‫•‬
‫نمونه ها است‪ .‬اين ويژگي باعث ميشود تا نمودارهاي كنترل شوهارت از حساسيت ﻻزم براي شناسايي تغييرات كوچك در فرآيند نظير ‪ ١.٥‬برابر انحـراف‬
‫معيار يا كمتر برخوردار نباشند‪ .‬اين موضوع به ويژه در فاز دو نمودارهاي كنترل اهميت پيدا ميكند‪.‬‬

‫در صورت تمايل به شناسايي تغييرات كوچك در فرآيند ميتوان از دو جايگزين بسيار موثر زير استفاده كرد‪:‬‬ ‫•‬
‫– نمودار كنترل جمع تجمعي )‪(cumulative sum (cusum) control chart‬‬

‫– نمودار كنترل ميانگين متحرك موزون نمايي )‪(exponentially weighted moving average (EWMA) control chart‬‬

‫‪Chapter 9‬‬ ‫‪2‬‬

‫‪1‬‬
‫‪04/10/1441‬‬

‫نمودار كنترل جمع تجمعي )‪(cumulative sum control chart‬‬

‫‪3‬‬

‫نمودار كنترل جمع تجمعي )‪(CUSUM‬‬

‫• نمودار كنترل جمع تجمعي با رسم جمعهاي تجمعي انحرافات مقادير نمونه از مقدار هدف مستقيماً از كليه اطﻼعات موجـود در‬
‫توالي مقادير نمونه ها استفاده ميكند‪.‬‬

‫• نمودارهاي كنترل جمع تجمعي در مقايسه با نمودارهاي كنترل شوهارت به علت استفاده از اطﻼعات چندين نمونـه نسـبت بـه‬
‫وجود تغييرات كوچكتر در ميانگين سريعتر از خود واكنش نشان ميدهند‪ .‬به عﻼوه‪ ،‬اين نمودارهـا ميتواننـد در زمـان اسـتفاده از‬
‫اندازه گيريهاي انفرادي )‪ (n=١‬بسيار موثر باشند‪.‬‬

‫‪4‬‬

‫‪2‬‬
‫‪04/10/1441‬‬

‫‪5‬‬

‫جمع تجمعي جﺪولي يا الگوريتمي براي پايش ميانگين فرآينﺪ‬

‫در جمع تجمعي جدولي از آماره ‪ C+‬براي انحرافهاي در باﻻي ‪ µ0‬و از آماره ‪ C-‬براي انحرافهاي در پايين ‪ µ0‬استفاده ميشود‪ .‬آمـاره هـاي ‪ C+‬و ‪ C-‬را‬ ‫•‬
‫به ترتيب جمعهاي تجمعي باﻻ و پايين يك طرفه مي نامند‪.‬‬

‫در رابطه هاي فوق‪ K ،‬را معموﻻً مقدار مرجع )يا مقدار مجاز يا كمكي( مي نامند و غالباً براي آن مقداري بين مقدار هدف ‪ µ0‬و مقـدار خـارج از كنتـرل‬ ‫•‬
‫ميانگين ‪ µ1‬كه عﻼقه مند به شناسايي سريع آن هستيم در نظر گرفته ميشود‪.‬‬

‫‪6‬‬

‫‪3‬‬
‫‪04/10/1441‬‬

‫• بايد توجه داشت كه ‪ Ci+‬و ‪ Ci-‬مقادير انحراف از مقدار هدف ‪ µ0‬كه بزرگتر از ‪ K‬است را جمع ميكنند و مقـادير آنهـا در صـورت منفـي‬
‫شدن برابر صفر قرار داده خواهد شد‪ .‬اگر مقدار ‪ Ci+‬و ‪ Ci-‬از فاصله تصميم ‪ H‬بزرگتر شود‪ ،‬آنگاه فرآيند خـارج از كنتـرل اعـﻼم ميشـود‪.‬‬
‫معموﻻً ‪ ٥‬برابر انحراف معيار فرآيند مقدار معقولي براي ‪ H‬است‪.‬‬

‫‪7‬‬

‫‪CUSUM Status Chart‬‬

‫‪8‬‬

‫‪4‬‬
‫‪04/10/1441‬‬

‫‪Chapter 9‬‬ ‫‪9‬‬

‫• اقدامي كه بعد از مشاهده يك هشدار خارج از كنترل توسط روش كنترل جمع تجمعي انجام ميشود‪ ،‬دقيقاً شبيه به ساير نمودارهاي كنترل‬
‫است‪ .‬به عبارت ديگر‪ ،‬بايد علت انحراف بادليل را جستجو كرد‪ ،‬اقدام اصﻼحي ﻻزم را انجام داد و جمع تجمعي را مجدداً صفر كرد‪.‬‬

‫• جمع تجمعي ميتواند براي تعيين زمان احتمالي ايجاد انحراف بادليل )تخمين نقطه واقعي تغيير( بسيار مفيد باشد‪ .‬براي اين منظـور‪ ،‬كـافي‬
‫است از هشدار خارج از كنترل تا جايي كه براي اولين بار جمع تجمعي مقداري بيشتر از صفر داشته است شمارش كنيم تا اولين دوره بعد از‬
‫ايجاد تغيير شناسايي شود‪ .‬شمارشگرهاي ‪ N+‬و ‪ N-‬بدين منظور استفاده ميشوند‪ .‬در واقع اين شمارشگرها تعداد دوره هاي متوالي كه جمع‬
‫تجمعي مقداري بيشتر از صفر داشته است را ثبت ميكنند‪.‬‬

‫• در مثال قبل از آنجايي كه در زمان ‪ (C29+=٥.٢٨) > (H=٥) ،٢٩‬و در اين زمان ‪ N+=٧‬است‪ ،‬لذا نتيجه گيري ميشود كه فرآيند آخـرين‬
‫بار در دوره ‪ ٢٩-٧=٢٢‬تحت كنترل بوده و تغيير احياناً بين دوره هاي ‪ ٢٢‬و ‪ ٢٣‬ايجاد شده است‪.‬‬

‫‪10‬‬

‫‪5‬‬
‫‪04/10/1441‬‬

‫• در فرآيندهايي كه نياز است تا با ايجاد تغيير در متغيرهاي قابل تنظيم فرآيند را مجدداً به مقدار هـدف بازگردانيـد‪ ،‬شـايد بهتـر‬
‫باشد برآورد جديدي براي ميانگين فرآيند با استفاده از مشاهدات بعد از ايجاد تغيير تهيه كرد‪ .‬اين كـار را ميتـوان بـا اسـتفاده از‬
‫رابطه هاي زير انجام داد‪:‬‬

‫• براي مثال قبل‪ ،‬با استفاده از روابط فوق ميانگين جديد فرآيند به صورت زير برآورد ميشود‪:‬‬

‫‪11‬‬

‫• در نهايت نيز بايد توجه داشت كه آزمونهاي دنباله يا تسلسل و ساير قوانين حساس سازي را نميتوان به دليـل مسـتقل نبـودن‬
‫مقادير متوالي آماره ها در مورد جمع تجمعي اعمال كرد‪.‬‬

‫• همچنين نميتوان از روابط مربوط به متوسط طول دنباله در نمودارهاي كنترل شوهارت براي روش جمع تجمعي استفاده نمود‪.‬‬

‫• جمع تجمعي جدولي را ميتوان به صورت ميانگين موزون با وزنهاي تصادفي يا احتمالي در نظر گرفت‬

‫‪12‬‬

‫‪6‬‬
‫‪04/10/1441‬‬

‫پيشنهادهايي براي طراحي جمع تجمعي جﺪولي‬

‫• جمع تجمعي جدولي بر اساس مقادير فاصله تصميم ‪ H‬و مقدار ‪ K‬طراحي ميشود‪ .‬پيشنهاد معمول آن است كه اين پارامترها به گونـه اي‬
‫انتخاب شوند كه عملكرد جمع تجمعي از نظر متوسط طول دنباله خوب باشد‪.‬‬

‫• پيشنهادهاي كلي‪:‬‬

‫– پارامترهاي ‪ H‬و ‪ K‬را به صورت ‪ H=hσ‬و ‪ K=kσ‬تعريف كنيد‪ :σ) .‬انحراف معيار متغير نمونه در جمع تجمعي(‬

‫– به طوركلي‪ ،‬استفاده از ‪ h=٤‬يا ‪ h=٥‬و ‪ k=٠.٥‬منجر به يك جمع تجمعي ميشود كه از خواص متوسط طول دنبالـه خـوبي در مقابـل‬
‫تغييرات كوچك حدود يك برابر انحراف معيار در ميانگين فرآيند برخوردار است‪.‬‬

‫‪13‬‬

‫پيشنهادهايي براي طراحي جمع تجمعي جﺪولي‬

‫‪14‬‬

‫‪7‬‬
‫‪04/10/1441‬‬

‫جمع تجمعي استانﺪارد‬

‫اغلب كاربران جمع تجمعي ترجيح ميدهند مقدار ‪ xi‬را قبل از انجام محاسبات استاندارد كنند‪.‬‬ ‫•‬

‫دو مزيت‪:‬‬ ‫•‬

‫– پارامترهاي جمع تجمعي )‪ K‬و ‪ (H‬وابسته به مقياس )‪ (σ‬نخواهد بود‪.‬‬

‫– يك جمع تجمعي استاندارد به طور طبيعي منجر به يك جمع تجمعي براي كنترل تغييرپذيري خواهد شد‪.‬‬

‫‪15‬‬

‫بهبود واكنش جمع تجمعي نسبت بﻪ تغييرات بزرگ‬

‫نمودار كنترل جمع تجمعي در شناسايي تغييرات كوچك بسيار موثر است‪ .‬با اين وجود‪ ،‬اين نمودار در شناسايي تغييرات بزرگ بـه خـوبي نمـودار كنتـرل‬ ‫•‬
‫شوهارت عمل نميكند‪.‬‬

‫يك روش بهبود عملكرد براي شناسايي تغييرات بزرگ‪ :‬استفاده از روش تركيبي جمع تجمعي ‪ -‬شوهارت‬ ‫•‬

‫‪16‬‬

‫‪8‬‬
‫‪04/10/1441‬‬

‫واكنش اوليﻪ سريع )‪ (FIR‬يا آغاز سريع‬

‫• اين روش به منظور بهبود حساسيت يك جمع تجمعي در مرحله آغاز يك فرآيند استفاده ميشود‪) .‬در صورتي كه اقدام اصﻼحي ميانگين را‬
‫به مقدار هدف منتقل نكرده باشد(‬

‫• در اين روش مقادير اوليه ‪ C0+‬و ‪ C0-‬برابر با يك مقدار غيرصفر )معموﻻً ‪ :H/2‬آغاز سريع ‪ (%٥٠‬قرار داده ميشود‪.‬‬
‫• اگر فرآيند در شرايط تحت كنترل و در نقطه هدف آغاز به فعاليت كند‪ ،‬آنگاه جمعهاي تجمعي به سرعت به سمت صفر ميل خواهند كرد و‬
‫اثر آغاز سريع بر روي عملكرد آن ناچيز خواهد بود‪.‬‬

‫• اما اگر فرآيند در نقطه اي ديگر به غير از مقدار هدف شروع به فعاليت كند‪ ،‬آنگاه آغاز سريع اين اجازه را به جمع تجمعي ميدهد كه سريعتر‬
‫به وجود چنين تغييري در فرآيند پي ببرد و باعث ميشود تا مقادير ‪ ARL‬خارج از كنترل كوچكتر شود‪.‬‬
‫• اين نتايج در جدول ‪) ٩.٥‬اسﻼيد قبل( نيز به وضوح ديده ميشود‪) .‬با فرض ايجاد تغيير در ابتداي زمان راه اندازي(‬

‫‪17‬‬

‫مثال‪ :‬داده هاي جدول زير را در نظر بگيريد‪ .‬در اين داده ها مقدار هدف برابر ‪ K = ٣ ،١٠٠‬و ‪ H = ١٢‬فرض شده است‪.‬‬ ‫•‬

‫‪18‬‬

‫‪9‬‬
‫‪04/10/1441‬‬

‫حال فرض كنيد فرآيند در همان مرحله راه اندازي در حالت خارج از كنترل با ميانگيني برابر ‪ ١٠٥‬به سر مي برد‪.‬‬ ‫•‬

‫با استفاده از خاصيت آغاز سريع‪ ،‬جمع تجمعي در نمونه ‪ ٣‬هشدار صادر خواهد كرد‪ ،‬اما بدون استفاده از اين خاصيت بايد تا نمونه ‪ ٦‬صبر كـرد تـا جمـع‬ ‫•‬
‫تجمعي هشدار صادر كند‪.‬‬

‫‪19‬‬

‫نمودار جمع تجمعي با خاصيت آغاز سريع براي داده هاي جدول ‪:٩.١‬‬ ‫•‬

‫‪Chapter 9‬‬ ‫‪20‬‬

‫‪10‬‬
‫‪04/10/1441‬‬

‫نكات بيشتر در مورد جمع تجمعي‪:‬‬

‫• جمعهاي تجمعي يك طرفه‬

‫• جمعهاي تجمعي براي پايش تغييرپذيري فرآيند‬

‫• جمعهاي تجمعي براي ساير آماره هاي نمونه )دامنه‪ ،‬انحراف معيار‪ ،‬نسبت اقﻼم نامنطبق و تعداد نقصها(‬

‫• زيرگروههاي منطقي‬

‫‪21‬‬

‫رويﻪ ماسك ‪V‬‬

‫‪Chapter 9‬‬ ‫‪22‬‬

‫‪11‬‬
‫‪04/10/1441‬‬

‫‪Chapter 9‬‬ ‫‪23‬‬

‫نمودار كنترل ميانگين متحرك موزون نمايي‬

‫)‪Exponentially Weighted Moving Average (EWMA‬‬

‫• اگر شناسايي تغييرات كوچك مد نظر باشد‪ ،‬نمودار كنترل ‪ EWMA‬ميتواند جايگزين خوبي بـراي نمـودار كنتـرل شـوهارت‬
‫باشد‪.‬‬

‫• عملكرد نمودار كنترل ‪ EWMA‬حدوداً با عملكرد نمودار كنترل جمع تجمعي يكسان و از بعضي جهات نيز تهيه و اسـتفاده از‬
‫آن ساده تر است‪.‬‬

‫• همانند نمودار جمع تجمعي‪ ،‬نمودار ‪ EWMA‬نيز غالباً از مشاهدات انفرادي استفاده ميكند‪.‬‬

‫‪24‬‬

‫‪12‬‬
‫‪04/10/1441‬‬

‫نمودار كنترل ‪ EWMA‬براي پايش ميانگين نمونﻪ‬

‫آماره نمودار كنترل ‪:EWMA‬‬ ‫•‬

‫در رابطه فوق‪ λ ،‬داراي مقدار ثابتي بين ‪ ٠ < λ ≤ ١‬است و مقدار اوليه براي اين فرمول بازگشتي‪ ،‬معمـوﻻً همـان مقـدار هـدف فرآينـد اسـت‪) .‬يعنـي‪:‬‬ ‫•‬
‫‪(z0=µ0‬‬

‫به راحتي ميتوان نشان داد كه ‪ zi‬يك ميانگين موزون از كليه ميانگينهاي قبلي است‪.‬‬ ‫•‬

‫وزنهاي ‪ λ(1-λ)j‬به صورت هندسي با افزايش عمر نمونه كاهش مي يابند‪ .‬به عﻼوه‪ ،‬جمع وزنها به سمت يك ميل ميكند‪:‬‬ ‫•‬

‫‪25‬‬

‫اگر ‪ λ = ٠.٢‬باشد‪ ،‬آنگاه وزني كه به ميانگين نمونه فعلي داده ميشود ‪ ٠.٢‬است و وزنهايي كه به ميانگينهاي قبلي تخصيص مـي يابـد بـه ترتيـب برابـر‬ ‫•‬
‫‪ ٠.١٠٢٤ ،٠.١٢٨ ،٠.١٦‬و غيره خواهد بود‪.‬‬

‫آماره ‪ EWMA‬به علت اينكه يك ميانگين موزون از مشاهدات قبلي و فعلي است‪ ،‬زياد نسبت به فرض نرمال بودن حساس نيست و ميتواند نمودار ايده‬ ‫•‬
‫آلي براي كنترل مشاهدات انفرادي باشد‪.‬‬

‫‪26‬‬

‫‪13‬‬
‫‪04/10/1441‬‬

‫اگر مشاهدات ‪ xi‬متغيرهاي تصادفي مستقل با واريانس ‪ σ2‬باشند‪ ،‬آنگاه ‪ zi‬داراي واريانس زير خواهد بود‪:‬‬ ‫•‬

‫خط مركز و حدود كنترل نمودار ‪:EWMA‬‬ ‫•‬

‫حدود كنترل حالت پايدار )‪:(Steady-state control limits‬‬ ‫•‬

‫‪27‬‬

‫‪28‬‬

‫‪14‬‬
04/10/1441

Chapter 9 29

Chapter 9 30

15
‫‪04/10/1441‬‬

‫طراحي يك نمودار كنترل ‪EWMA‬‬

‫طراحي نمودار كنترل ‪ :EWMA‬تعيين پارامترهاي ‪ L‬و ‪λ‬‬ ‫•‬

‫اين امكان وجود دارد كه بتوان اين پارامترها را به گونه اي انتخاب كرد تا ‪ ARL‬نمودار كنترل ‪ EWMA‬حدوداً با ‪ ARL‬نمودار كنتـرل جمـع تجمعـي‬ ‫•‬
‫براي شناسايي تغييرات كوچك يكسان باشد‪.‬‬

‫‪31‬‬

‫معموﻻً براي پي بردن به وجود تغييرات كوچك از مقادير كوچك ‪ λ‬استفاده ميشود‪) .‬همچنين مقادير كوچك ‪ λ‬نسـبت بـه فاصـله گـرفتن مشـاهدات از‬ ‫•‬
‫فرض نرمال غيرحساس تر هستند(‬

‫يك نگراني بالقوه در مورد نمودار كنترل ‪ EWMA‬با مقادير كوچك ‪ λ‬وجود دارد‪ .‬اگر مقدار آماره نمودار در يك طرف خط مركز باشـد و يـك تغييـر در‬ ‫•‬
‫ميانگين در جهت مخالف ايجاد شود‪ ،‬آنگاه مقدار كوچك ‪ λ‬كه وزن زيادي به مشاهده جديد نميدهد باعث خواهد شد كه نمودار پـس از گذشـت چنـدين‬
‫دوره نسبت به تغيير ايجاد شده واكنش نشان دهد‪ .‬اين خاصيت را اثر اينرسي )‪ (Inertia effect‬مي نامند‪ .‬اثر اينرسـي باعـث كـاهش اثربخشـي‬
‫‪ EWMA‬در شناسايي تغيير ميشود‪.‬‬

‫عملكرد ‪ EWMA‬نيز نظير جمع تجمعي در شناسايي تغييرات بزرگ به خوبي نمودار شوهارت نيست‪.‬‬ ‫•‬

‫يك راهكار خوب هم براي بهبود عملكرد ‪ EWMA‬جهت شناسايي تغييرات بزرگ بدون از بين بردن توانايي آن نسبت به شناسايي تغييـرات كوچـك و‬ ‫•‬
‫هم براي مقابله با اثر اينرسي‪ ،‬استفاده از يك نمودار كنترل شوهارت در كنار نمودار كنترل ‪ EWMA‬است‪.‬‬

‫‪32‬‬

‫‪16‬‬
‫‪04/10/1441‬‬

‫استواري ‪ EWMA‬نسبت بﻪ مشاهﺪات غيرنرمال‬

‫• متوسط طول دنباله تحت كنترل )‪ (ARL0‬براي نمودار كنترل شوهارت براي اندازه گيريهاي انفرادي و چندين نمـودار كنتـرل‬
‫‪ EWMA‬براي توزيعهاي غير نرمال در جداول ‪ ٩-١٢‬و ‪ ٩-١٣‬ارائه شده است‪.‬‬
‫• دو نكته در اطﻼعات اين جداول ميتواند قابل توجه باشد‪:‬‬
‫– نمودار كنترل شوهارت براي مشاهدات انفرادي نسبت به فرض نرمال بودن از حساسيت زيادي برخوردار است‪ .‬به عبـارت ديگـر‪ ،‬فاصـله گـرفتن از‬
‫توزيع نرمال حتي به ميزان نسبتاً كم‪ ،‬متوسط طول دنباله تحت كنترل نمودارهاي كنترل شوهارت براي مشاهدات انفرادي را شديداً كاهش ميدهد‪.‬‬

‫– يك نمودار كنترل ‪ EWMA‬به ويژه با مقادير ‪ λ‬كوچك و حدود كنترلي مناسب‪ ،‬ميتواند نسبت به فاصله گـرفتن از فـرض توزيـع نرمـال بسـيار‬
‫خوب عمل كند‪ .‬به عﻼوه‪ ،‬خواص شناسايي تغيير نمودار ‪ EWMA‬به طور يكنواخت بهتر از نمودار كنترل شوهارت براي مشاهدات انفرادي است‪.‬‬

‫• بر اساس اين اطﻼعات پيشنهاد ميشود در اغلب كاربردها مخصوصاً پايش فرآيند در فاز دو‪ ،‬از نمودار كنترل ‪ EWMA‬كه بـه‬
‫نحو مناسبي طراحي شده باشد براي مشاهدات انفرادي استفاده شود‪ .‬اين روش تقريباً يك روش ناپارامتري )توزيع‪-‬آزاد( است‪.‬‬

‫‪33‬‬

‫‪34‬‬

‫‪17‬‬
‫‪04/10/1441‬‬

‫تعميم هاي نمودار كنترل ‪EWMA‬‬

‫• زير گروه هاي منطقي‬

‫= ̅ 𝜎 جايگزين شود‪.‬‬ ‫– اگر اندازه نمونه بزرگتر از يك باشد‪ ،‬كافي است كه در روابط قبلي 𝑥 با ̅𝑥 و 𝜎 با‬

‫• ويژگي واكنش اوليه سريع يا آغاز سريع‬

‫• پايش تغييرپذيري‬

‫• پايش داده هاي شمارشي )داده هاي پوآسون(‬

‫• ‪ EWMA‬به عنوان يك پيش بيني كننده سطح فرآيند‬

‫‪35‬‬

‫نمودار كنترل ميانگين متحرك )‪(Moving Average Control Chart‬‬

‫هر دو نمودار كنترل جمع تجمعي و ‪ EWMA‬به عنوان نمودارهاي كنترل زمان‪-‬موزون محسـوب ميشـوند‪ .‬نمـودار ‪ EWMA‬از ميـانگين مـوزون بـه‬ ‫•‬
‫عنوان آماره نمودار استفاده ميكرد‪ .‬در برخي مواقع هم شايد نياز باشد از يك نمودار كنترل زمان‪-‬موزون مبتني بر ميانگين متحرك ناموزون ساده استفاده‬
‫شود‪.‬‬

‫ميانگين متحرك با پنجره يا پهناي ‪ w‬در زمان ‪: i‬‬ ‫•‬

‫حدود كنترل ‪ ٣‬انحراف معيار براي ‪:Mi‬‬ ‫•‬

‫‪36‬‬

‫‪18‬‬
04/10/1441

37

38

19
‫‪04/10/1441‬‬

‫نكات‪:‬‬

‫• به طور كلي‪ ،‬اندازه تغيير مورد نظر كه ميخواهيم به وجود آن پي ببريم با ‪ w‬رابطه معكوس دارد‪ .‬به منظـور شناسـايي تغييـرات كـوچكتر‬
‫ميتوان از ميانگينهاي متحرك با پنجره طوﻻني تري استفاده كرد‪.‬‬

‫• ميانگينهاي متحرك كه كمتر از ‪ w‬دوره با هم فاصله دارند‪ ،‬از همبستگي باﻻيي برخوردار هسـتند و ايـن باعـث پيچيـدگي تفسـير رونـد‬
‫مشاهدات در نمودار كنترل ميشود‪.‬‬

‫• نمودار كنترل ميانگين متحرك بسيار موثرتر از نمودار شوهارت در شناسايي تغييرات كوچك عمل ميكند‪ .‬با اين حال‪ ،‬اين نمودار به موثري‬
‫نمودارهاي كنترل جمع تجمعي و ‪ EWMA‬در شناسايي تغييرات كوچك نيست‪ .‬از منظر بعضي افراد‪ ،‬استفاده از نمودار كنترل ميـانگين‬
‫متحرك ساده تر از نمودار كنترل جمع تجمعي است‪ ،‬اما در عمل معموﻻً نمودار كنترل ‪ EWMA‬بـر نمـودار كنتـرل ميـانگين متحـرك‬
‫ترجيح داده ميشود‪.‬‬

‫‪39‬‬

‫‪20‬‬