<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Chers fans et experts de JMP
Dans l'étude des processus, nous rencontrons souvent un cas où nous collectons un ensemble de données pour l'étude de la capacité du processus, malheureusement l'ensemble de données que nous collectons est une distribution non normale, mais si vous voulez calculer son Cpk, alors l'ensemble de données doit être une distribution normale, pour le moment, nous pensons d'abord comment transférer une distribution non normale en distribution normale, ici
J'aimerais partager ce que je pense de JMP
1. Analyse> distribution
2. sous le triangle rouge de distribution, sélectionnez ajustement continu> normal,
3. Sous le triangle rouge de Normal Fitted, sélectionnez enregistrer le quantile ajusté
alors toutes les données dans la colonne conçue peuvent être transférées dans une colonne normale dans une nouvelle colonne
Est ce bien?
Cette capacité se trouve dans la plate-forme de distribution (où vous pouvez comprendre la distribution sous-jacente)> Analyse des capacités.
... JMP vous permet également de calculer des statistiques de capabilité de processus pour des distributions non normales sans avoir à effectuer une transformation explicite
La plupart des données ne sont pas normales si vous avez suffisamment d'échantillons, et la métrologie est très précise et exacte.
C'est comme la plupart des valeurs p, facilement submergées par de nombreuses données.
Et s'il est basé sur les données du graphique SPC, faites attention aux plans d'échantillonnage, car la mesure automatique nous a fourni de nombreuses données autocorrélées qui apparaissent comme des violations des règles d'exécution et peuvent conduire à un contrôle excessif du SPC.
Et rappelez-vous que pour les études de capacité, utilisez les données RAW et non les données SPC Stats ... à mon avis ... puisque les limites des spécifications concernent généralement des pièces individuelles.Mais différentes industries ont une métrologie et des variables "critiques" très différentes qui sont surveillées.Parlez à des experts spécifiques à l'industrie avant de perdre du temps avec des distributions d'ajustement pour obtenir un indice Cpk ou Ppk.De nombreuses industries évitent les limites des spécifications et utilisent des mesures TARGETS et Cpm de la capacité de style Taguchi.Reste sur la cible.Serrez continuellement la variation.
Si vous représentez graphiquement les données et étudiez les valeurs aberrantes et supprimez éventuellement celles que vous comprenez, cela aide.
Ensuite, si les données sont fortement asymétriques, vous devrez peut-être les transformer, mais si ce n'est PAS le cas, vous pouvez simplement les APPELER normales et obtenir les valeurs d'index, y compris la taille de l'échantillon et les données d'intervalle de confiance à l'aide de JMP.
Alors SI les valeurs d'index sont très élevées... c'est suffisant.
S'ils sont très bas... c'est suffisant.
Ce n'est que lorsque l'indice est compris entre 1 et 2 que vous devrez peut-être le "torturer" pour passer ou échouer une certaine limite de rapport.
La capacité de processus à long terme se promène tous les mois dans de nombreuses usines, et ce type d'étude est principalement utilisé pour décider des investissements majeurs dans les projets, les outils ou la métrologie (plutôt que le réglage fin qui est généralement effectué avec les graphiques SPC et OCAPS), il est donc souvent peu nécessaire de torturer les données en les transformant, mais certains ont besoin d'étudier les valeurs aberrantes.Et même si les données sont très biaisées... le journal ou d'autres transformations peuvent vous induire en erreur.Mieux vaut étudier les valeurs aberrantes pour voir d'où elles viennent et examiner l'économie de faire quelque chose à propos de ces valeurs aberrantes avant de vous soucier des transformations de données.Les données torturées vous diront tout ce que vous voulez entendre !
Mieux vaut peut-être passer votre temps d'exploration des données sur les études des composants de variance pour déduire les catégories de causes profondes, puis exécuter des DOE de dépistage pour valider.J'ai passé des décennies à travailler avec des données non normales de manière très efficace en les représentant graphiquement de plusieurs façons et en me concentrant sur les composants de variance des indices d'action.Les tracés Multi-Vari aident à éclairer.Le partage des graphiques génère beaucoup de commentaires.
MAIS si vous avez des centaines de paramètres à surveiller comme d'éventuels problèmes de rendement, alors la plate-forme de capacité JMP est utile pour l'aspect Pareto, et la plate-forme de distribution pour examiner les longues queues et ajuster d'autres distributions APRÈS avoir partagé les graphiques avec les opérateurs, les ingénieurs, les responsables de la maintenance pour obtenir des informations sur les problèmes connus de variabilité et le coût de faire quoi que ce soit à leur sujet.Certaines variables de processus d'usine ont des distributions NATURELLES qui ne sont pas NORMALES mais qui sont bien comprises.Le nombre de particules, par exemple, est rarement normal, et certains suivent les distributions de Poisson ou de Reynolds, mais encore une fois, vous devez étudier le coût de la coupe de ces queues par rapport à la vie avec elles.
Un dernier point.
La capacité utilise les LIMITES DE SPÉCIFICATIONS ENG OU CLIENT et non les limites statistiques, et celles-ci sont SOUVENT FAUSSES car elles peuvent avoir été définies pendant la période de R/D et non mises à jour une fois que la fabrication en volume donne des informations sur l'impact de ces paramètres sur le rendement, la fiabilité ou d'autres coûts.C'est une énorme perte de temps et d'argent de rapporter des capacités basées sur de fausses limites.
Ma méthode préférée pour convertir en une distribution normale consiste à utiliser la fonction Ajustement continu==>Tous.
Cela vous fournit une liste ordonnée des distributions qui correspondent le mieux aux données.Vous pouvez ensuite choisir à partir de là quelle transformation est la meilleure, comme utiliser GLot et enregistrer directement les données transformées, sans avoir à forcer les données en quantiles.
