Spécifier les méthodes d'estimation pour la fonction Analyse Capability Sixpack non normale

Vous pouvez demander à Minitab d'estimer les paramètres de la loi non normale utilisée pour l'analyse de capabilité ou vous pouvez décider de saisir certains ou l'ensemble des paramètres ci-dessous.

• Estimer les paramètres de distribution : sélectionnez cette option pour estimer les paramètres de distribution à partir des données échantillons. Minitab effectue une estimation de tous les paramètres non spécifiés ci-dessous.

  Définir la forme

  Entrez le paramètre de forme ou d'échelle, en fonction du type de loi choisi. Le paramètre de forme a une incidence sur la forme de la loi de distribution, telle que son asymétrie.

  Définir un seuil

  Si vous avez sélectionné une loi à 3 paramètres, saisissez le paramètre de seuil. Le paramètre de seuil définit l'emplacement minimal de la distribution des données

  Remarque

  Pour plus d'informations sur la forme, l'échelle ou le seuil d'une loi de distribution, reportez-vous à la rubrique Statistiques de capabilité pour la fonction Analyse Capability Sixpack non normale et cliquez sur le paramètre sur lequel vous souhaitez en savoir plus.

• Utiliser les estimations historiques : sélectionnez cette option pour spécifier des estimations historiques des paramètres. Saisissez des constantes ou une colonne à l'aide de l'ordre des paramètres affiché. Le nombre de constantes et de lignes dans une colonne doit être égal au nombre de paramètres de la loi de distribution.

1 < Effectif du sous-groupe ≤ 8

Sélectionnez une méthode d'estimation de l'écart type à l'intérieur des sous-groupes lorsque l'effectif des sous-groupes est compris entre 1 et 8.

• R barre : R barre représente la moyenne des étendues de sous-groupes. Cette méthode fournit une estimation courante de l'écart type et fonctionne parfaitement avec des effectifs de sous-groupes compris entre 2 et 8.
• S barre : S barre représente la moyenne des écarts types de sous-groupes. Cette méthode fournit une estimation plus précise de l'écart type que la méthode R barre, notamment avec des effectifs de sous-groupes > 8.
• Ecart type regroupé : L'écart type regroupé représente la moyenne pondérée des variances de sous-groupes, ce qui procure aux sous-groupes supérieurs une influence accrue sur l'estimation globale. Cette méthode fournit l'estimation la plus précise de l'écart type lorsque le procédé est maîtrisé.

Effectif du sous-groupe > 8

Sélectionnez une méthode d'estimation de l'écart type à l'intérieur des sous-groupes lorsque l'effectif des sous-groupes est supérieur à 8.

• S barre : S barre représente la moyenne des écarts types de sous-groupes. Cette méthode fournit une estimation plus précise de l'écart type que la méthode R barre, notamment avec des effectifs de sous-groupes > 8.
• Ecart type regroupé : L'écart type regroupé représente la moyenne pondérée des variances de sous-groupes, ce qui procure aux sous-groupes supérieurs une influence accrue sur l'estimation globale. Cette méthode fournit l'estimation la plus précise de l'écart type lorsque le procédé est maîtrisé.

Effectif du sous-groupe = 1

Sélectionnez une méthode d'estimation de l'écart type à l'intérieur des sous-groupes lorsque vous disposez de différentes observations. Lorsque l'effectif de sous-groupe est de 1, il est impossible de calculer les écarts types ou étendues des échantillons à l'intérieur des sous-groupes. Minitab estime l'écart type en utilisant à la place les étendues mobiles.

• Moyenne de l'étendue mobile : La moyenne de l'étendue mobile représente la valeur moyenne de l'étendue mobile de plusieurs points consécutifs. Cette méthode s'utilise couramment avec un effectif de sous-groupe de 1.
• Médiane de l'étendue mobile : La médiane de l'étendue mobile représente la valeur médiane de l'étendue mobile de plusieurs points consécutifs. Cette méthode est idéale lorsque les données présentent des étendues extrêmes qui pourraient influencer l'étendue mobile.

Utilisez les constantes de correction de biais lors de l'estimation de l'écart type à l'intérieur des sous-groupes. Cette option s'applique aux méthodes S barre, écart type regroupé et racine carrée de MSSD.

Les constantes de correction de biais réduisent le biais pouvant survenir lorsqu'un paramètre est estimé à partir d'un petit nombre d'observations. A mesure que le nombre d'observations augmente, les constantes de correction de biais ont moins d'effet sur les résultats calculés. En général, l'utilisation ou non de constantes de correction de biais dépend de la stratégie de l'entreprise ou des normes du secteur.

Saisissez le nombre d'observations utilisé pour calculer l'étendue mobile. La longueur doit être ≤ 100. La longueur par défaut est 2, car les valeurs consécutives ont de fortes chances d'être semblables.