Observations relatives aux données pour la fonction Analyse Capability Sixpack non normale

Pour garantir la validité de vos résultats, examinez 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. Etant donné que les données de procédé ne suivent pas une loi normale, essayez de collecter des effectifs de sous-groupes comportant au moins 5 obsevations, si possible, afin de garantir que les estimations des limites de contrôle seront proches des valeurs réelles.

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. Utilisez les cartes de contrôle affichées dans les résultats de la fonction Capability Sixpack afin de déterminer si le procédé est stable et maîtrisé.

Les données doivent suivre la loi non normale sélectionnée

Si la loi sélectionnée n'est pas étroitement ajustée aux données, les estimations de capabilité ne seront pas exactes. Pour déterminer la loi non normale la mieux ajustée aux données, utilisez la fonction Identification de loi individuelle.