Considérations relatives aux données pour Analyse de capabilité automatisée

Pour garantir la validité de vos résultats, prenez en compte les indications suivantes lorsque vous collectez des données, effectuez une analyse et interprétez vos résultats.

Les données doivent être continues.

Les données continues sont des mesures pouvant correspondre à toutes les valeurs numériques d'une étendue de valeurs le long d'une échelle continue, y compris des valeurs fractionnaires ou décimales. Par exemple, il peut s'agir de mesures de longueur, de poids ou de température.

Si vous disposez de données d'attribut, telles que des quantités d'éléments défectueux ou de défauts, utilisez la fonction Analyse de capabilité binomiale ou Analyse de capabilité (Poisson).

Collectez suffisamment de données pour obtenir des estimations fiables de la capabilité du procédé
Tâchez de collecter au moins 100 points de données au total (effectif des sous-groupes * nombre de sous-groupes), par exemple, 25 sous-groupes d'effectif 4 ou 35 sous-groupes d'effectif 3. Si vous ne collectez pas suffisamment de données sur un intervalle de temps suffisamment long, les données peuvent ne pas rendre compte avec exactitude des différentes sources de variation du procédé et les estimations risquent ne pas indiquer la véritable capabilité de votre procédé.
Le procédé doit être stable et maîtrisé
Si le procédé étudié n'est pas stable, les indices de capabilité ne peuvent pas être utilisés avec fiabilité pour évaluer la capabilité future du procédé. Si vous n’êtes pas sûr que votre processus est sous contrôle, utilisez une carte de contrôle pour évaluer la stabilité du processus avant d’effectuer cette analyse.
Utiliser une méthode compatible avec la connaissance des procédés
Utilisez la connaissance du processus pour confirmer la méthode sélectionnée par l’analyse. Par exemple, la distribution de Weibull ne fonctionne qu’avec des données positives. Supposons que l’analyse sélectionne la distribution de Weibull pour un processus lorsqu’un échantillon n’a que des valeurs positives, mais que vous savez que le processus produit régulièrement des valeurs négatives. Étant donné que les caractéristiques de la méthode ne sont pas compatibles avec le comportement du processus, envisagez d’autres méthodes qui correspondent bien aux données.