Los conteos de partículas engañan a los científicos: un estudio de caso de integración de JMP® y SAS® Investigating Modeling
Kathleen Kiernan, MS, Estadística de soporte técnico; Diane Michelson, PhD, entrenadora estadística; Annie Zangi, MS, Investigadora Estadística – SAS
Este documento abordará las consecuencias del modelado de datos en aplicaciones del mundo real y demostrará métodos y técnicas para modelar datos no normales utilizando las capacidades integradas de JMP y SAS. Las pruebas estadísticas y las técnicas de modelado más utilizadas se basan en ciertas suposiciones. ¿Qué pasa si los datos que estamos analizando no son normales o son heteroscedásticos? JMP ofrece algunos métodos y técnicas para modelar datos heteroscedásticos o no normales, mientras que SAS ofrece una gama completa de procedimientos que se pueden utilizar. La transformación de potencia de Box-Cox se usa a menudo para transformar datos no normales o heteroscedásticos. Otro enfoque es modelar una distribución no normal. Este documento presentará dos estudios de casos de semiconductores. Durante el procesamiento de semiconductores, las obleas se mantienen lo más limpias posible. Las partículas en el área activa de un circuito pueden finalmente causar un chip defectuoso. El primer ejemplo explora un caso en el que los científicos intentaron reducir el número de partículas que se producían en las obleas y descubrieron que el modelo era menos eficaz de lo que se pensaba originalmente para identificar el origen del problema. Los chips semiconductores se fabrican en obleas grandes, cada una de las cuales puede contener cientos de chips, y las obleas se procesan en lotes. En el segundo ejemplo, investigaremos los resultados engañosos que pueden ocurrir al tratar de encontrar los factores importantes en los componentes de la varianza del proceso en un entorno de modelos lineales tradicionales. Presentaremos soluciones para ambos ejemplos utilizando la integración de JMP y SAS, que también se pueden aplicar a otros escenarios.
