IATF16949 ایزو 17025 مقالات

انواع روشهای تست نرمال و تفاوت آنها در اطمینان از اعتبار نتایج آزمون

حسین زینل 2 هفته پیش

0 29 زمان تقریبی مطالعه 4 دقیقه

آزمون‌های نرمالیتی در ایزو 17025 – راهنمای Minitab (نسخه سازگار با وردپرس)

📊 ISO/IEC 17025:2017 • اعتبار نتایج آزمون

📈 آزمون نرمال بودن داده‌ها در Minitab
سه روش Anderson–Darling، Ryan–Joiner و Kolmogorov–Smirnov

در نظام کیفیت آزمایشگاهی بر اساس ایزو 17025 (بندهای ۷.۶ و ۷.۷)، تأمین اطمینان از اعتبار نتایج نیازمند ارزیابی پیش‌فرض‌های آماری است. بسیاری از روش‌های محاسبه عدم‌اطمینان، نمودارهای کنترل و آنالیز واریانس، فرض نرمال بودن توزیع داده‌ها را دارند. نرم‌افزار Minitab سه آزمون رایج را پشتیبانی می‌کند. در این مطلب، تئوری، فرمول، تفاوت‌ها و روش اجرای هر سه آزمون را گام به گام تشریح می‌کنیم.

📌 ۱. مقدمه: چرا آزمون نرمالیتی در ایزو ۱۷۰۲۵ اهمیت دارد؟

کیفیت نتایج کالیبراسیون/آزمون وابسته به مدل‌های آماری معتبر است. خروجی‌هایی مانند نمودارهای کنترل شوهارت، آنالیز قابلیت فرآیند (Cp, Cpk) و ارزیابی عدم قطعیت (روش GUM) فرض نرمال بودن توزیع باقیمانده‌ها یا داده‌های خام را دارند. رد نادرست نرمال بودن یا پذیرش نادرست آن، مستقیماً بر اعتبار نتایج اثر می‌گذارد. به همین دلیل استانداردها توصیه می‌کنند که با استفاده از چندین روش آماری، وضعیت نرمال بودن بررسی شود. Minitab سه روش اصلی را ارائه می‌دهد که در ادامه تحلیل می‌کنیم.

🔬 ۲. معرفی سه روش آزمون نرمالیتی

✅ ۲.۱ آزمون Anderson–Darling (AD)

مبنای نظری: این آزمون بر اساس وزن دهی متفاوت به دنباله‌های توزیع (دم‌ها) عمل می‌کند. حساسیت بسیار بالایی به انحرافات در دم‌های توزیع (داده‌های پرت دور از مرکز) دارد.

A² = –n – (1/n) * Σ (2i–1) [ ln( F(Yᵢ) ) + ln( 1 – F(Yₙ₋ᵢ₊₁) ) ]
که در آن n حجم نمونه، Yᵢ داده‌های مرتب شده و F تابع توزیع تجمعی نرمال استاندارد است.

سپس آماره A² برای نمونه‌های کوچک تصحیح می‌شود: A²_adj = A² × (1 + 0.75/n + 2.25/n²). در Minitab اگر p-value ≤ 0.05 باشد، فرض نرمال بودن رد می‌شود.

✅ ۲.۲ آزمون Ryan–Joiner (RJ) – مشابه Shapiro–Wilk

مبنای نظری: این روش بر اساس همبستگی بین داده‌های مرتب شده و نمرات نرمال مورد انتظار (نرمال پلات) کار می‌کند. برای نمونه‌های کوچک تا متوسط (n<50) توان تشخیص بسیار خوبی دارد.

R = ( Σ Yᵢ · Zᵢ ) / √( Σ Yᵢ² · Σ Zᵢ² )

که Zᵢ نمرات نرمال استاندارد (expected z-scores) هستند. هر چه R به ۱ نزدیک‌تر باشد، داده‌ها نرمال‌ترند.

✅ ۲.۳ آزمون Kolmogorov–Smirnov (K–S) با تصحیح Lilliefors

مبنای نظری: حداکثر فاصله عمودی بین تابع توزیع تجمعی تجربی (ECDF) داده‌ها و تابع توزیع نرمال نظری (با میانگین و انحراف معیار نمونه).

D = max over i of max( | i/n – F(Yᵢ) | , | F(Yᵢ) – (i–1)/n | )

این آزمون در نمونه‌های کوچک (<30) توان پایینی دارد و حساسیت کمتری به پرت‌ها نشان می‌دهد.

📊 ۳. جدول مقایسه و تفاوت‌های کلیدی

ویژگی	Anderson–Darling (AD)	Ryan–Joiner (RJ)	Kolmogorov–Smirnov (KS)
📌 حساسیت به دم توزیع	بسیار بالا	متوسط	پایین
🎯 حساسیت به مرکز توزیع	متوسط	بالا	متوسط
📏 توان در نمونه کوچک (n<30)	خوب	عالی	ضعیف
🧪 توان در نمونه بزرگ (n>100)	عالی	خوب	متوسط
⚠️ تأثیر داده پرت (Outlier)	زیاد (رد سریع)	کم تا متوسط	کم
✅ کاربرد پیشنهادی در ایزو ۱۷۰۲۵	عدم قطعیت، کنترل فرآیندهای حساس به دنباله	داده‌های شیمیایی، زیست‌شناسی با حجم کم	آزمون مقدماتی/آموزشی، حجم نمونه بسیار زیاد

📌 نکته مهم برای آزمایشگاه‌ها: طبق توصیه ISO 17025 و راهنمای EURACHEM/CITAC برای ارزیابی عدم قطعیت، بهتر است از آزمون Anderson–Darling استفاده شود، زیرا کوچک‌ترین انحراف در دم‌های توزیع را به خوبی آشکار می‌کند. با این حال اگر حجم نمونه کمتر از ۲۰ باشد، Ryan–Joiner گزینه امن‌تری است.

🧮 ۴. روش محاسبه با نرم‌افزار Minitab (گام به گام)

🖥️ اجرای همزمان هر سه آزمون در Minitab

وارد کردن داده‌ها: داده‌های خود را در یک ستون (مثلاً C1) وارد کنید.
مسیر منو: از منوی اصلی Stat > Basic Statistics > Normality Test را انتخاب کنید.
انتخاب متغیر: در کادر Variable متغیر مورد نظر (مثلاً C1) را انتخاب نمایید.
انتخاب آزمون‌ها: در قسمت Tests to perform، هر سه گزینه را فعال کنید:
- ✅ Anderson-Darling (Default)
- ✅ Ryan-Joiner (Similar to Shapiro-Wilk)
- ✅ Kolmogorov-Smirnov (With Lilliefors)
اجرا: دکمه OK را بزنید. Minitab سه نمودار مجزا با جدول شامل آماره آزمون و p-value نمایش می‌دهد.

📄 تفسیر خروجی:

برای هر آزمون مقدار p-value محاسبه می‌شود. در سطح معنی‌داری ۰.۰۵ (سطح اطمینان ۹۵٪):

p-value > 0.05 → شواهد کافی برای رد نرمال بودن وجود ندارد → فرض نرمال بودن قابل قبول است.
p-value ≤ 0.05 → داده‌ها به طور معنی‌داری غیرنرمال هستند → باید از روش‌های ناپارامتری یا تبدیل (Box–Cox, Johnson) استفاده کرد.

📐 ۵. مثال‌های عملی

✅ مثال ۱: داده‌های مقاومت فشاری بتن (مکانیکال)

داده‌ها (MPa): 28, 31, 29, 32, 30, 33, 28, 31, 30, 29 (حجم نمونه ۱۰). پس از اجرا در Minitab:

AD: A² = 0.35 , p-value ≈ 0.42 → نرمال
RJ: R = 0.96 , p-value ≈ 0.38 → نرمال
KS: D = 0.16 , p-value ≈ 0.20 → نرمال

با اضافه کردن داده پرت (۵۵):

AD: p-value ≈ 0.002 → غیرنرمال (رد قوی)
RJ: p-value ≈ 0.045 → غیرنرمال
KS: p-value ≈ 0.10 → نمی‌تواند رد کند

⚡ مثال ۲: آزمون الکتریکال – اندازه‌گیری ولتاژ AC خروجی منبع تغذیه

۱۲ بار ولتاژ (ولت): 230.1, 230.2, 229.8, 230.0, 230.3, 229.9, 230.1, 230.0, 229.7, 230.2, 230.0, 229.9. خروجی Minitab:

AD: A² = 0.27 , p-value = 0.61 → نرمال
RJ: R = 0.987 , p-value = 0.48 → نرمال
KS: D = 0.12 , p-value = 0.15 → نرمال

با اضافه شدن یک قرائت پرت (۲۳۴.۵ ولت):

AD: p-value = 0.02 → غیرنرمال
RJ: p-value = 0.048 → غیرنرمال (مرز بحرانی)
KS: p-value = 0.12 → نمی‌تواند رد کند

💡 نکته کاربردی برای آزمون‌های الکتریکال: در کالیبراسیون تجهیزات ولتاژ، جریان و توان، همیشه پیش از محاسبه عدم قطعیت، حداقل یک آزمون نرمالیتی (ترجیحاً Anderson–Darling) انجام دهید.

💡 ۶. توصیه نهایی برای آزمایشگاه‌ها (ISO 17025)

برای ارزیابی عدم قطعیت اندازه‌گیری: از Anderson–Darling استفاده کنید.
در نمونه‌های کوچک (n ≤ 30): تکیه اصلی بر Ryan–Joiner باشد.
در نمونه‌های بسیار بزرگ (n > 200): علاوه بر AD، از KS به عنوان تأیید جانبی استفاده کنید.
گزارش‌دهی بر اساس ایزو ۱۷۰۲۵: نوع آزمون، آماره و p-value را در مستندات درج کنید.

✨ یادآوری: نرمال بودن یک پیش‌فرض است، نه هدف نهایی. در صورت رد شدن، از تبدیل Box–Cox یا روش‌های ناپارامتری استفاده کنید.

📚 مراجع و مطالعه بیشتر

ISO/IEC 17025:2017 – General requirements for the competence of testing and calibration laboratories.
Minitab 21 Help: Normality Test – Methods and formulas.
Stephens, M. A. (1974). EDF Statistics for Goodness of Fit.
Ryan, T. A., & Joiner, B. L. (1976). Normal probability plots and tests for normality.