Spécifier une transformation pour la fonction Analyse de capabilité normale

Stat > Outils de la qualité > Analyse de capabilité > Normale > Transformer
Vous pouvez transformer vos données pour qu'elles s'ajustent à une loi normale afin de respecter les hypothèses de l'analyse.
  • Aucune transformation : n'utilisez pas de transformation si vos données suivent déjà une loi normale. Pour déterminer la loi de distribution de vos données ou savoir si une transformation sera efficace si vos données ne sont pas normales, utilisez Identification de loi individuelle.
  • 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 Minitab doit utiliser pour transformer les données.
    • Utiliser λ optimal : utilisez la valeur lambda optimale afin de produire la transformation la plus appropriée. Minitab arrondit la valeur optimale de lambda à 0,5 ou à l'entier le plus proche.
      Remarque

      Pour utiliser une valeur exacte plutôt qu'arrondie pour une valeur λ optimale, choisissez Fichier > Options > Cartes de contrôle et outils de la qualité > Autre et désélectionnez Utiliser des valeurs arrondies pour les transformations de Box-Cox si possible.

    • λ = 0 (ln) : utilisez le logarithme népérien 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 devez pas utiliser de valeur en dehors de l'étendue allant de −2 à 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.
    Valeur p pour la sélection du meilleur ajustement

    Entrez une valeur comprise entre 0 et 1. La valeur que vous entrez définit le seuil de signification du test de normalité des données avant et après la transformation. Plus la valeur est élevée, plus les critères de normalité sont élevés. Plus la valeur est faible, moins les critères de normalité sont rigoureux.