Déterminer le taux d'échantillonnage correct pour les données SPCBonjour,
J'ai des données SPC avec UCL = 12.015 et LCL = 12 (l'objectif est de 120.007) - voir ci-joint.
Mes valeurs OOC (Out Of Control) sont trop élevées et je veux vérifier que mon taux d'échantillonnage est correct.
Le taux d'échantillonnage actuel est de 0,1 (1 partie sur 10 est mesurée) et il nous manque des mesures OOC (il existe 2 groupes de valeurs SPC avec les mêmes limites : "Measure Depth 7" et "Measure Depth 1").
J'ai essayé d'utiliser la taille et la puissance de l'échantillon, mais je ne sais pas quelle option choisir dans la boîte de dialogue.
Merci Yoni
Re : Déterminer le taux d'échantillonnage correct pour les données SPCJ'ai deux réponses, peut-être que d'autres experts ajouteront à cette discussion. (Indice, indice)
Tout d'abord, votre image montre les mêmes limites historiques appliquées aux deux phases. Vous attendiez-vous à ce que les performances du processus restent les mêmes dans la phase 2 ? Quelle est la nature du changement de processus entre les deux phases ? Était-ce pour réduire la variance ou se concentrer sur la cible ?Il ressort de vos graphiques que la moyenne du processus s'est déplacée vers le haut dans la phase 2 et c'est la raison de l'abondance des signaux OOC. Ce n'est pas une question de sous-échantillonnage ou de faible fréquence d'échantillonnage.
Deuxièmement, la détermination de la fréquence d'échantillonnage a plus à voir avec la nature des causes spéciales qu'avec le modèle des erreurs aléatoires (par exemple, la distribution normale). Quelles sont les causes particulières ? Avez-vous effectué une analyse des causes profondes ou une analyse des modes de défaillance et de leurs effets ? Quelle est l'ampleur des effets des causes spéciales ? Quand peuvent-ils se produire ? À quelle fréquence ou à quelle fréquence peuvent-ils se produire ?
Je peux voir dans la légende que le LCL, le centre et l'UCL pour le graphique des individus ne sont pas exactement les mêmes pour les deux phases, mais je ne peux pas croire que les limites de la phase 2 ont été calculées avec ces données. En fait, mes graphiques précédents montrent que la phase 2 présente une réduction de la variance et un centre plus élevé.
Re : Déterminer le taux d'échantillonnage correct pour les données SPCMerci beaucoup Marc !
Je vais clarifier - les phases 1 et 2 ont été ajoutées manuellement par moi aux données - j'ai une erreur dans les points que vous avez mentionnés - veuillez ne pas en tenir compte.
Mon principal problème est le taux d'OOC élevé dans le graphique (voir marqué en jaune dans le fichier joint). L'UCL ne peut pas être modifiée car elle fait partie des exigences du produit.
De chaque lot de pièces, il y a 1 pièce sur 10 qui est mesurée et enregistrée dans la base de données.
Ma principale préoccupation est que le taux d'échantillonnage (1 sur 10) est trop faible, nous n'attrapons donc qu'une petite partie des pièces OOC, alors qu'en fait, il y a beaucoup plus de pièces OOC dans le même lot.
Ces pièces OOC ne sont récupérées que plus tard dans la chaîne de production (où la reprise est plus complexe et peut réduire la qualité des pièces).
Considérant que la population est normalement distribuée - comment puis-je trouver quel est le taux d'échantillonnage correct qui garantira (à une puissance de 90%) que nous attrapons toutes les parties OOC du lot ?
Re : Déterminer le taux d'échantillonnage correct pour les données SPC
Merci beaucoup Marc !
Je vais clarifier - les phases 1 et 2 ont été ajoutées manuellement par moi aux données - j'ai une erreur dans les points que vous avez mentionnés - veuillez ne pas en tenir compte.
Mon principal problème est le taux élevé d'OOC dans le graphique (voir marqué en jaune ci-dessous). L'UCL ne peut pas être modifiée car elle fait partie des exigences du produit.
De chaque lot de pièces, il y a 1 pièce sur 10 qui est mesurée et enregistrée dans la base de données.
Ma principale préoccupation est que le taux d'échantillonnage (1 sur 10) est trop faible, nous n'attrapons donc qu'une petite partie des pièces OOC, alors qu'en fait, il y a beaucoup plus de pièces OOC dans le même lot.
Ces pièces OOC ne sont récupérées que plus tard dans la chaîne de production (où la reprise est plus complexe et peut réduire la qualité des pièces).
Considérant que la population est normalement distribuée - comment puis-je trouver quel est le taux d'échantillonnage correct qui garantira (à une puissance de 90%) que nous attrapons toutes les parties OOC du lot ?
Re : Déterminer le taux d'échantillonnage correct pour les données SPCVous avez raison, les calculateurs de taille d'échantillon ne sont pas destinés aux cartes de contrôle. Ils sont destinés à des tests d'hypothèses spécifiques (par exemple, t -test). Les cartes de contrôle sont basées sur sous-groupes rationnels . Leur taille et leur fréquence sont déterminées en tenant compte de la nature des causes spéciales d'un écart non naturel dans la sortie du processus. La taille et la composition du sous-groupe doivent être exemptes de variation due à une cause particulière. La fréquence doit maximiser les chances d'une cause spéciale.
J'ai utilisé votre échantillon de données. J'ai converti le temps en données numériques avec le type de modélisation continue, puis j'ai trié le tableau de données par date et heure. Je reçois ces cartes XmR pour Mesurer la profondeur 1 et Mesurer la profondeur 7. (Le tri a fait apparaître un problème de données potentiel où deux observations plus tard dans l'histoire ont été affectées à la phase = 1 au lieu de 2.)
Pouvez-vous décrire le problème que vous rencontrez avec ces graphiques ?
