Transformation de données non normale (analyse de capacité)Bonjour à tous,
J'ai beaucoup de données non normales, j'ai donc lu comment utiliser l'ajustement continu et l'ajustement tout, veuillez voir ci-dessous, par exemple. Figure 1.
Maintenant, je dois appliquer nos spécifications de 8.4 à 9.2, j'ai donc d'abord transformé les données en sélectionnant Log Normal (en utilisant "Save Fitted Quantile") Figure-2 car Johnson-Si et Johnson Su ont montré un pic très étrange.
Maintenant je me demande :
1) Ai-je choisi la bonne transformation
2) Si oui, dois-je transformer les valeurs Spec de 8.4 et 9.2
3) Est-il correct d'utiliser l'analyse de capabilité sur les données transformées car les données ne sont toujours pas normales (montré par la qualité de l'ajustement)
S'il vous plaît aviser
Merci d'avance
Re : Transformation de données non normale (analyse de capacité)OK... voici une pensée pour vous. Avez-vous envisagé de réaliser une expérience conçue dans laquelle les niveaux de la caractéristique en question aux quantiles 1 et 99 % de votre plage de données sont des valeurs de départ élevées et faibles pour ce facteur ? Et peut-être ajouter d’autres facteurs pertinents pour les principales caractéristiques de sortie ? Bien sûr, vous devrez utiliser la variable que vous avez tracée ici comme facteur et non comme réponse dans le contexte de l'expérience. Et trouvez des caractéristiques d’aptitude à l’utilisation significatives, motivées peut-être par les besoins d’utilisation finale du client. Vous n'avez même pas besoin de mener une expérience multifactorielle... même si elle pourrait fournir des informations extrêmement précieuses... surtout si ce facteur unique interagit avec d'autres facteurs qui ont une influence dans l'ensemble du processus. Je t'enverrai également un message privé.
Re : Transformation de données non normale (analyse de capacité)Merci
Je m'ai fait rire, car les limites des spécifications ont en fait été conçues de la manière dont vous l'avez dit pour le processus ci-dessus,
Notre défi consiste donc à remettre en question les limites et à repenser si celles-ci sont applicables ou non dans le monde réel.
Nous avons testé la normalité, mais cela ne réussit pas.
J'ai beaucoup lu sur l'utilisation des cartes de contrôle avec des données non normales et je sais que nous pouvons utiliser la carte de contrôle quelle que soit la nature des données.
Donc, maintenant, j'ai des limites de contrôle basées sur les données en main.
Je souhaite utiliser ces limites, calculer les indices de capacité et faire une comparaison entre les limites de spécifications et les limites de contrôle.
Re : Transformation de données non normale (analyse de capacité)Merci pour la réponse,
J'utilise JMP 14.
J'ai utilisé la méthode ci-dessus, c'est très utile et intuitifRe : Transformation de données non normale (analyse de capacité)Je suppose que je ne m'inquiéterais pas trop de la transformation, de tout indice de capacité de processus ou de toute autre statistique associée au problème pratique en question. Le processus est terriblement incapable... une conclusion qui n'est pas de nature « statistique »... mais une inspection superficielle des données non transformées avec des limites de spécifications superposées montre que la prépondérance des données est en dehors des limites des spécifications. Je suppose que votre processus est régulier et stable, dépourvu de variation de cause attribuable. Si tel est le cas, passons maintenant à la partie la plus difficile... soit en réduisant la variation. Ou peut-être qu’une première étape consiste à remettre en question la validité et l’applicabilité des limites de spécification. Reflètent-ils certains critères de la vie réelle ? Axé sur la réglementation, le fournisseur, le client, les normes/spécifications de l'industrie ? Ou ont-ils été déterminés par le « nous n'avons vraiment aucune idée de ce que devraient être les valeurs de tolérance appropriées... donc dans un effort pour forcer la fabrication à « viser », nous utiliserons simplement l'objectif comme centre de la plage de spécifications... et allez plus ou moins 10% à partir de là.
Ne riez pas... J'ai vu cette réflexion souvent appliquée dans l'industrie.
Re : Transformation de données non normale (analyse de capacité)Je pense qu'une « meilleure pratique » consiste à sélectionner un modèle de distribution basé sur la connaissance du processus qui génère les données, plutôt que sur des critères de « meilleure adéquation ». Les critères sont basés sur un échantillon unique. La connaissance est basée sur la population.
Notez que si vous ajustez la distribution dans la plateforme de distribution, le menu triangulaire rouge du modèle ajusté contient une commande permettant de lancer une analyse de capabilité de processus pour la distribution non normale. Dans ce cas, vous n'avez pas besoin de transformer vos limites de spécification.
Re : Transformation de données non normale (analyse de capacité)@RBAéro ,
Vous n'avez pas mentionné la version de JMP ou JMPPro que vous utilisez. Le lien ci-dessous fournit un exemple étape par étape si vous disposez de la plateforme Process Capability sur votre PC. Vous avez la possibilité de définir la distribution ou d'utiliser le meilleur ajustement.PPK, utilisant des estimations du maximum de vraisemblance des centiles, est un choix souvent utilisé.
Notez que les calculs PPK ainsi que Cpk supposent des données distribuées de manière identique et indépendante ( IID ), ce qui signifie aucune variation systématique.
J'espère que cela t'aides.
Documentation JMP pour l'analyse des capacités non normales
