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.
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 ?
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.
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.
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.
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.
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.
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.