Contrôle du procédé pour les analyses de capabilité

Utilisez la commande Capabilité normale pour évaluer la capabilité potentielle (à l'intérieur) et la capabilité globale de votre procédé en utilisant une loi normale. Utilisez la commande Capabilité non normale pour évaluer la capabilité de votre procédé en utilisant une loi non normale.

Ajouter une analyse de capabilité

Pour ajouter une analyse de capabilité, faites glisser et placez l’analyse à partir du Actifs voletsur la toile. Minitab Solution Center Ajoute une carte d’actif d’espace réservé qui contient le titre par défaut, une représentation de l’actif et une liste déroulante qui contient les données associées au tableau de bord. Sélectionnez les données que vous souhaitez utiliser. Sélectionnez Ouvrir ensuite pour ouvrir la boîte de dialogue de l’analyse de capabilité.

Entrez vos données

L’analyse de capabilité nécessite que vos données se trouvent dans une seule colonne de la feuille de calcul.

Colonne de données

Entrez la colonne de données numériques que vous souhaitez analyser.

Effectif des sous-groupes

Pour Capabilité normale, entrez une colonne qui identifie le sous-groupe pour chaque mesure ou entrez un nombre qui indique la taille du sous-groupe. Entrez un nombre pour des sous-groupes de même taille. Par exemple, si chaque sous-groupe contient des mesures pour cinq éléments, entrez 5. Si vous avez collecté des données au fil du temps sans sous-groupes, utilisez une taille de sous-groupe de 1. Si vous entrez une colonne d’ID de sous-groupe, il n’est pas nécessaire que la taille des sous-groupes soit égale.

Remarque

Les observations au sein de chaque sous-groupe doivent être placées dans des rangées adjacentes de la feuille de calcul. Pour plus d’informations sur l’utilisation des colonnes pour définir des sous-groupes, reportez-vous à la rubrique Utilisation de sous-groupes pour évaluer la capabilité du processus.

Dans cette feuille de travail, la colonne Diamètre contient les diamètres des segments de pistons. La colonne ID de sous-groupe identifie le sous-groupe de chaque mesure.

C1	C2
Diamètre	ID de sous-groupe
74,030	1
74,002	1
74,019	1
73,992	1
73,995	2
73,992	2

Ajustement de la distribution

Pour Capabilité non normale, sélectionnez une distribution non normale pour s’adapter à vos données. Pour produire une estimation fiable de la capacité du procédé, les données doivent suivre la distribution que vous sélectionnez. Pour plus d’informations sur le choix d’une distribution appropriée pour les données non normales, reportez-vous à la rubrique Analyses de capabilité avec des données non normales.

Spécification inférieure et Spécification supérieure

Entrez la valeur minimale ou maximale acceptable pour le produit ou le service. S’il n’est pas possible que les mesures soient supérieures ou inférieures à cette valeur, sélectionnez cette option Limite pour définir la limite de spécification en tant que limite.

Remarque

Lorsque vous définissez une limite de spécification comme borne, Connexion signale les indices de capabilité attendue par rapport à cette limite de spécification/borne sous forme de valeurs manquantes (*). Par conséquent, définissez une limite comme borne uniquement s'il est théoriquement impossible que les mesures se situent au-delà de la limite. Par exemple, une limite supérieure de pureté de 100 % est une limite car il n’est pas possible de dépasser 100 % de pureté. Une limite de spécification inférieure de 0 % de pureté est une limite car il n’est pas possible de descendre en dessous de 0 % de pureté.

Paramètres historiques (en option)

Pour Capabilité normale, si vous connaissez la moyenne historique ou l’écart-type historique de votre procédé, ou si vous disposez d’une estimation obtenue à partir de données passées, entrez la valeur à utiliser dans l’analyse.

Moyenne historique: Entrez une valeur pour la moyenne de la répartition de la population.
Ecart type historique: Entrez une valeur pour l’écart-type de la distribution de la population.

Si vous n'entrez aucun paramètre historique, Connexion estime la moyenne et les écarts types à partir de vos données échantillons et utilise ces estimations pour calculer la capabilité du procédé.

Remarque

Si vous souhaitez spécifier la méthode utilisée par Connect pour estimer l’écart type par rapport à vos données d’échantillonnage, sélectionnez Estimation.

Transformation

Pour Capabilité normale, vous pouvez transformer vos données pour les adapter à une distribution normale afin de satisfaire les hypothèses de l’analyse.

Aucune transformation

N’utilisez pas de transformation si vos données suivent déjà une distribution normale.

Transformation par puissance de Box-Cox (W = Y^λ)

utilisez la transformation de Box-Cox si vos données non normales sont toutes positives (> 0) et que vous souhaitez obtenir des estimations de la capabilité (potentielle) à l'intérieur des sous-groupes, ainsi que de la capabilité globale. La transformation de Box-Cox est une transformation simple et facile à comprendre.

Sélectionnez la valeur lambda (λ) que Connect utilise pour transformer les données.

Utiliser λ optimal: Utilisez la valeur lambda optimale afin de produire la transformation la plus appropriée. Connect arrondit la fonction lambda optimale à 0,5 ou à l’entier le plus proche, sauf si l’intervalle de confiance pour lambda ne contient pas de valeur arrondie.
λ = 0 (ln): Utilisez le journal naturel de vos données.
λ = 0,5 (racine carrée): Utilisez la racine carrée de vos données.
Autre (entrez une valeur entre -5 et 5): Utilisez une valeur spécifiée pour lambda. Il existe d'autres transformations courantes comme le carré (λ = 2), la racine carrée inverse (λ = −0,5) et l'inverse (λ = −1). Dans la plupart des cas, vous ne devriez pas utiliser une valeur en dehors de la plage de −2 et 2.

Transformation de Johnson (pour une analyse globale uniquement)

Utilisez la transformation de Johnson si vos données non normales contiennent des valeurs négatives (ou 0) ou si la transformation de Box-Cox n’est pas efficace. La fonction de transformation de Johnson est plus complexe que celle de Box-Cox, mais elle s'avère très puissante pour rechercher une transformation adaptée.

Dans Valeur p pour la sélection du meilleur ajustement, entrez une valeur comprise entre 0 et 1. La valeur que vous entrez définit le niveau de signification d’un test de normalité des données avant et après la transformation. Une valeur plus élevée rend les critères de normalité plus rigoureux. Une valeur plus faible rend les critères de normalité moins stricts.

Estimation pour Capabilité normale

(pour effectif de sous-groupes > 1)

Sélectionnez une méthode pour estimer l’écart type au sein du sous-groupe lorsque vous avez plusieurs observations dans chaque sous-groupe.

R barre: R barre représente la moyenne des étendues des sous-groupes. Cette méthode est une estimation courante de l’écart-type et fonctionne mieux avec des tailles de sous-groupes allant de 2 à 8.
S barre: Sbar est la moyenne des écarts-types du sous-groupe. Cette méthode fournit une estimation plus précise de l'écart type que la méthode R barre, notamment avec des effectifs de sous-groupes > 8.
Ecart type regroupé: L’écart-type regroupé est la moyenne pondérée des variances des sous-groupes, ce qui donne aux sous-groupes plus importants une influence plus importante sur l’estimation globale. Cette méthode fournit l’estimation la plus précise de l’écart-type lorsque le procédé est sous contrôle.

(pour effectif de sous-groupes = 1)

Sélectionnez une méthode d’estimation de l’écart-type au sein d’un sous-groupe lorsque vous avez des observations individuelles. Lorsque la taille du sous-groupe est de 1, les écarts-types de l’échantillon ou les plages au sein des sous-groupes ne peuvent pas être calculés. Au lieu de cela, Connect estime l’écart-type à l’aide de plages mobiles.

Moyenne de l'étendue mobile: La plage mobile moyenne est la valeur moyenne de la plage mobile de deux points consécutifs ou plus. Cette méthode est couramment utilisée lorsque la taille du sous-groupe est de 1.
Médiane de l'étendue mobile: La plage médiane est la valeur médiane de la plage mobile de deux points consécutifs ou plus. Cette méthode est préférable lorsque les données ont des plages extrêmes pouvant influencer la distance de déplacement.
Racine carrée de MSSD: La racine carrée de MSSD est la racine carrée de la moyenne des différences au carré entre points consécutifs. Utilisez cette méthode lorsque vous ne pouvez raisonnablement pas supposer qu’au moins 2 points consécutifs ont été collectés dans des conditions similaires.

Utiliser l'étendue mobile de longueur: Saisissez le nombre d'observations utilisé pour calculer l'étendue mobile.La longueur doit être ≤ 100.La longueur par défaut est 2, car les valeurs consécutives ont de fortes chances d'être semblables.

Constantes de correction de biais

Vous pouvez choisir d’utiliser des constantes unbiaisantes dans les calculs pour le sous-groupe interne et l’écart-type global. Les constantes de désaccordement réduisent le biais qui peut survenir lorsqu’un paramètre est estimé à partir d’un petit nombre d’observations. A mesure que le nombre d'observations augmente, les constantes de correction de biais ont moins d'effet sur les résultats calculés.

Utiliser la constante de correction de biais: Utiliser des constantes sans biais dans l’estimation de l’écart-type au sein du sous-groupe.Cette option s'applique aux méthodes de l'écart type regroupé, de la racine carrée de MSSD et S barre.
Utiliser des constantes de correction de biais pour calculer les écarts types: utilisez les constantes de correction de biais lors de l'estimation de l'écart type global.

Remarque

Souvent, le choix d’utiliser des constantes impartiales dépend de la politique de l’entreprise ou des normes du secteur.

Estimation pour Capabilité non normale

Vous pouvez demander à Connexion d'estimer les paramètres de la loi non normale utilisée pour l'analyse de capabilité ou vous pouvez décider de saisir certains ou l'ensemble des paramètres ci-dessous.

Estimation des paramètres de la loi de distribution

estimez les paramètres de distribution à partir des données échantillons. Connect estime les paramètres suivants que vous ne spécifiez pas.

Définir une forme (Weibull ou gamma) ou une échelle (autres lois de distribution) à: Entrez le paramètre forme ou d’échelle, selon le type de distribution que vous avez sélectionné. Le paramètre de forme a une incidence sur la forme de la loi de distribution, telle que son asymétrie. Le paramètre d’échelle influence la répartition des données.
Définir un seuil à: Si vous sélectionnez une distribution à 3 paramètres, entrez le paramètre seuil. Le paramètre seuil fixe la position minimale de la distribution des données.
Remarque
Pour plus d’informations sur la forme, l’échelle ou le seuil d’une distribution, consultez Traiter les données pour l’analyse de capabilité anormale et cliquez sur le paramètre sur lequel vous souhaitez en savoir plus.

Utiliser les estimations historiques

spécifiez des estimations historiques des paramètres. Saisissez des constantes ou une colonne en utilisant de l'ordre des paramètres affiché. Le nombre de constantes et de lignes dans une colonne doit être égal au nombre de paramètres de la loi de distribution.

Options

Cette rubrique décrit l’ensemble des options de Capabilité normale. Si vous effectuez un Capabilité non normale, vous ne verrez qu’un sous-ensemble de ces options.

Cible (ajoute Cpm au tableau)

Si votre procédé contient une cible, entrez la valeur correspondante. Si vous entrez une valeur cible, Connexion calcule Cpm, un indice de capabilité qui examine également l'écart des données par rapport à la cible.

Utiliser la tolérance de K × σ pour les statistiques de capabilité

Entrez la largeur de la tolérance en nombre d’écarts-types (σ). Par défaut, la tolérance est large de 6 écarts-types (3 écarts-types de chaque côté du procédé moyen).

Connect interprète la valeur K comme la largeur d’une tolérance bilatérale. Si vous souhaitez utiliser une tolérance unilatérale, entrez une valeur de tolérance bilatérale qui représente le double de la tolérance unilatérale. Par exemple, si vous souhaitez utiliser une tolérance unilatérale de 3 σ, entrez 6.

Exécution de l'analyse

Par défaut, Connect effectue des analyses de capabilité au sein d’un sous-groupe et globales. Si vous ne souhaitez pas effectuer une des analyses, décochez cette case.

Analyse à l'intérieur des sous-groupes: Effectuez l’analyse au sein du sous-groupe, qui indique la capacité potentielle (à court terme) de votre processus. Cette analyse estime à quel point votre processus pourrait fonctionner si le déplacement et la dérive entre sous-groupes étaient éliminés.
Remarque
Si vous utilisez la transformation de Johnson sur vos données, l’analyse au sein des sous-groupes ne peut pas être calculée. Dans ce cas, Connect signale uniquement la capacité globale.
Analyse globale: Effectuez l'analyse globale, qui indique la capabilité réelle (à long terme) de votre procédé. Cette analyse estime ce que le client obtient réellement.

Affichage

Sélectionnez comment vous souhaitez afficher les valeurs attendues et observées hors spécifications :

Parties par million: affichez les valeurs en pièces par million (PPM).
Pourcentages: affichez les valeurs sous forme de pourcentages.

Inclure les intervalles de confiance

Sélectionnez cette option pour afficher les intervalles de confiance des indices de capabilité.

Niveau de confiance

Entrez un niveau de confiance compris entre 0 et 100. Un niveau de confiance de 95 % est généralement efficace. Un niveau de confiance de 95 % indique que si vous prélèvez 100 échantillons aléatoires du processus, vous pourriez vous attendre à ce qu’environ 95 échantillons produisent des intervalles de confiance contenant la valeur réelle de l’indice de capacité du processus (si toutes les données du processus pouvaient être collectées et analysées).

Pour un ensemble de données spécifique, un niveau de confiance inférieur produit un intervalle de confiance moins large et un niveau de confiance supérieur produit un intervalle de confiance plus large. La largeur de l'intervalle a également tendance à diminuer lorsque l'effectif d'échantillon est plus important. Ainsi, vous préférerez peut-être utiliser un niveau de confiance autre de 95 %, en fonction de l'effectif de votre échantillon, comme suit :

Si la taille de votre échantillon est petite, un intervalle de confiance de 95 % peut être trop large pour être utile. Un niveau de confiance inférieur, tel que 90 %, produit un intervalle plus étroit. Toutefois, la probabilité que l'intervalle contienne l'indice de capabilité pour le procédé diminue.
Si l'effectif de l'échantillon est important, vous pouvez éventuellement utiliser un niveau de confiance plus élevé, tel que 99 %. Avec un grand échantillon, un niveau de confiance de 99 % peut encore produire un intervalle raisonnablement étroit, tout en augmentant également la probabilité que l'intervalle contienne l'indice de capabilité du procédé.

Intervalles de confiance

Sélectionnez le type d'intervalle de confiance ou de borne à afficher :

Unilatéral: affiche les bornes de confiance inférieures des indices de capabilité et les bornes de confiance supérieures de la proportion d'éléments hors spécification, exprimée en PPM ou en pourcentage. Utilisez des bornes de confiance unilatérales dans les cas suivants :
- Si vous souhaitez vous assurer avec plus de précision qu'un indice de capabilité est supérieur à une valeur de référence. Par exemple, pour vous assurer que la valeur Cp est supérieure à 1,33.
- Si vous souhaitez vous assurer avec plus de précision que la proportion d'éléments hors spécification, exprimée en PPM ou en pourcentage, est inférieure à une valeur de référence. Par exemple, pour vous assurer que la proportion totale d'éléments hors spécification en PPM est inférieure à 100.
Bilatéral: affichez un intervalle de confiance avec une borne de confiance inférieure et supérieure.