Sur ce thème
- Choisir entre une analyse non normale et une analyse normale avec une transformation
- Choisir une loi de distribution adaptée pour votre analyse de capabilité
- Utilisation de la fonction Identification de loi individuelle pour trouver une loi ou une transformation appropriée
- Exemple d'utilisation de la fonction Identification de loi individuelle pour comparer les ajustements des lois et des transformations
- Comparaison des modèles de capabilité normale et non normale
Choisir entre une analyse non normale et une analyse normale avec une transformation
- Sélectionnez un modèle de loi non normale qui s'ajuste à vos données, puis analysez les données à l'aide d'une analyse de capabilité pour données non normales, comme Analyse de capabilité utilisant une loi non normale.
- Transformez les données afin que la loi normale devienne un modèle approprié, puis utilisez une analyse de capabilité pour données normales, comme Analyse de capabilité normale.
Choisir une loi de distribution adaptée pour votre analyse de capabilité
La sélection d'une loi adaptée est une première étape essentielle dans la conduite d'analyses de capabilité. Si la loi sélectionnée ne s'ajuste pas bien aux données, les estimations de la capabilité seront inexactes.
- Utilisez vos connaissances techniques ou historiques concernant votre procédé.
Le plus souvent, il est préférable d'utiliser vos connaissances techniques et historiques du procédé pour identifier une loi qui s'ajuste aux données de votre procédé. Par exemple, les données suivent-elles une loi symétrique ? Quelle est la loi qui a bien fonctionné par le passé dans des situations semblables ?
- Utilisez le test d'Anderson-Darling.
Il est parfois difficile de déterminer la meilleure loi de distribution sur la base du diagramme de probabilité et des mesures de l'adéquation de l'ajustement. Utilisez le Tableau des percentiles de Identification de loi individuelle pour plusieurs lois de distribution sélectionnées afin de déterminer si vos conclusions changent en fonction de la loi sélectionnée.
- Evaluez la manière dont des lois de distribution différentes influencent vos conclusions.
Si plusieurs lois de distribution fournissent à la fois un ajustement adapté aux données et des conclusions similaires, il est probable que la sélection de la loi importe peu. Inversement, si vos conclusions diffèrent en fonction de la loi sélectionnée, il peut être judicieux d'utiliser la conclusion la plus conservatrice ou de recueillir davantage d'informations.
Utilisation de la fonction Identification de loi individuelle pour trouver une loi ou une transformation appropriée
Utilisez la fonction Identification de loi individuelle avant de réaliser une analyse de capabilité, afin d'identifier la loi ou la transformation la mieux adaptée à vos données.
- Sélectionnez .
- Indiquez si vos données figurent dans une seule colonne ou dans plusieurs lignes.
- Sélectionnez Utiliser toutes les lois et transformations ou Spécifier et choisissez jusqu'à 4 lois et transformations à tester.
- Analyse de capabilité utilisant une loi non normale
- Analyse de capabilité pour plusieurs variables (loi non normale)
- Analyse Capability Sixpack non normale
- Analyse de capabilité normale
- Analyse Capability Sixpack normale
- Analyse de capabilité normale pour plusieurs variables
- Analyse de capabilité entre/à l'intérieur
Exemple d'utilisation de la fonction Identification de loi individuelle pour comparer les ajustements des lois et des transformations
Par exemple, un ingénieur collecte des données sur l'étendue de la déformation de carreaux de céramique. La distribution des données étant inconnue, il utilise la fonction Identification de loi individuelle sur les données pour comparer l'adéquation de l'ajustement entre la loi exponentielle et, après application d'une transformation de Johnson, la loi normale.
Loi exponentielle
Ce diagramme de probabilité indique que la loi exponentielle n'offre pas un bon ajustement ; la valeur de p est suffisamment petite pour qu'il soit possible de rejeter l'hypothèse nulle selon laquelle les données suivent une loi exponentielle.
Loi normale avec transformation de Johnson
Toutefois, après l'application d'une transformation de Johnson, les données suivent étroitement une loi normale ; en effet, la valeur de p est élevée et pratiquement tous les points de données se situent à l'intérieur des limites de confiance de la droite de Henry.
Comparaison des modèles de capabilité normale et non normale
- En règle générale, vous devez choisir le modèle qui est le plus efficace pour vos données. Si une loi non normale ou une transformation sont tout aussi efficaces, certains spécialistes recommandent l'utilisation d'un modèle non normal, car il utilise les unités de données réelles. Toutefois, d'autres peuvent préférer le modèle normal, car il fournit des estimations de la capabilité globale et de la capabilité à l'intérieur du procédé.
- Si vous prévoyez de réaliser des analyses de capabilité répétées sur votre procédé dans le temps, essayez de choisir une loi ou une transformation susceptible de décrire de façon correcte et cohérente votre procédé dans le temps. L'utilisation de la même loi ou transformation permet de comparer facilement et directement les indices des analyses répétées.
- Capabilité normale
-
- Utilise des données réelles ou transformées pour l'histogramme.
- Calcule la capabilité "à l'intérieur", "entre/à l'intérieur" (quand il existe une variation à l'intérieur des sous-groupes et entre les sous-groupes) et la capabilité globale.
- Trace une courbe normale sur l'histogramme pour vous aider à déterminer si la transformation a permis de faire suivre une loi de distribution normale aux données.
- Capabilité non normale
-
- Utilise des unités de données réelles pour l'histogramme.
- Calcule uniquement la capabilité globale.
- Trace la courbe de distribution non normale sur l'histogramme pour vous aider à déterminer si les données s'ajustent à la distribution spécifiée.