Considérations relatives aux données pour Carte d'acceptation des individus

Pour vous assurer que vos résultats sont valides, tenez compte des instructions suivantes lorsque vous collectez des données, effectuez l’analyse et interprétez vos résultats.

Les données doivent être continues.: Les données continues sont des mesures qui peuvent prendre n’importe quelle valeur numérique dans une plage de valeurs sur 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.
Les données doivent être dans l’ordre temporel: Comme les graphiques de contrôle détectent les changements au fil du temps, l’ordre des données est important. Vous devez entrer les données dans l’ordre dans lequel elles ont été collectées, avec les données les plus anciennes en haut de la feuille de calcul.
Les données doivent être collectées à des intervalles de temps appropriés: Collectez des données à des intervalles de temps également espacés, comme chaque heure, chaque service ou chaque jour. Choisissez un intervalle de temps suffisamment court pour pouvoir identifier les changements dans le processus peu après qu’ils se soient produits.
Les données doivent être des observations individuelles qui ne sont pas collectées en sous-groupes: Si vous pouvez collecter des données en sous-groupes, utilisez Carte X barre d'acceptation.
Les données doivent inclure au moins 100 observations au total: Si vous avez moins que le nombre recommandé d’observations, vous pouvez toujours utiliser le tableau témoin, mais les résultats sont préliminaires car les limites témoins peuvent ne pas être précises. Si vous utilisez régulièrement le graphique, réestimez l’écart-type et les limites de contrôle après avoir recueilli le nombre recommandé d’observations.
La variation du procédé doit être stable.: Si la variation du procédé n’est pas stable, l’estimation de la variation du procédé et les limites de contrôle d’acceptation pourraient ne pas être fiables.
Les données devraient être modérément normales: Si les données sont très biaisées, vous pourriez essayer une transformation de Box-Cox pour voir si cela corrige la condition anormale. Si votre processus produit naturellement des données anormales et que la transformation est efficace, vous pouvez utiliser le graphique des données transformées.
Les observations ne doivent pas être corrélées entre elles: Si des observations consécutives sont corrélées, l’écart-type du procédé pourrait être sous-estimé. En conséquence, les limites de contrôle d’acceptation peuvent être trop larges, et le graphique peut indiquer à tort certains points hors de contrôle comme étant contrôlés.