<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />En tant que praticiens analytiques, nous nous appuyons sur les données pour porter des jugements dans tout ce que nous faisons.Mais vos données reflètent-elles la réalité ?Où est-ce que je veux en venir ?Qu’y a-t-il de plus vrai que les données brutes ? Et quoi de plus excitant que de transformer ces données en informations exploitables ? Pour répondre à cette question, laissez-moi vous raconter une histoire sur moi à laquelle certains d’entre vous pourraient s’identifier. Au fil des années, j’ai pris quelques kilos excessifs dont j’essaie de me débarrasser.En tant que bon statisticien, je collecte quotidiennement des données sur mes progrès en montant sur la balance. Voici le sale petit secret auquel la plupart d'entre vous peuvent s'identifier : si je n'aime pas le chiffre que je vois, je descends souvent de la balance, je reviens et devinez quoi la moitié du temps, je vois une meilleure réponse !
Lorsque nous obtenons des données, nous examinons la vérité à travers le prisme d'un processus de mesure et, comme tout autre processus, il peut avoir des problèmes de précision (variabilité) et d'exactitude (biais). Cela soulève la question de savoir ce qu’un geek des données est censé faire ? Heureusement, JMP prend en charge un processus appelé Gauge R&R qui nous aide à mettre en place une expérience et à comprendre l'exactitude et la précision de notre système de mesure.
Pour répondre à la question de l’exactitude, nous devons obtenir la vérité en obtenant une norme traçable du NIST. Désormais, cette norme doit être aussi représentative que possible de ce que nous allons mesurer.Cela peut parfois nécessiter un peu de réflexion créative, car les normes ne sont généralement pas des objets que nous mesurons dans nos processus. Je laisserai cette discussion pour une autre fois, mais croyez-moi, si vous réfléchissez de manière créative à ce que vous mesurez, vous pouvez généralement obtenir quelque chose qui est représentatif de votre processus.
Votre expérience visant à estimer l'exactitude ou le biais doit être réalisée dans un court laps de temps en mesurant l'étalon plusieurs fois sur une courte période de temps dans des conditions aussi similaires que possible.Cela nous donne également une estimation de la variabilité à court terme appelée Répétabilité. Pour estimer le biais, utilisez la plateforme « Distributions » dans JMP sur les mesures que vous effectuez sur l'étalon.
Pour comprendre si le biais est acceptable, comparez l'IC à 95 % au vrai standard et voyez comment cet intervalle correspond au biais standard +/- acceptable.
Une estimation de la variabilité à court terme est le Std Dev à partir des données que vous avez prises à l'étape ci-dessus. Cela vous donne également la possibilité de faire une évaluation préliminaire pour savoir si la variabilité à court terme est trop variable pour votre processus ou non.
La variabilité globale du système de mesure est une combinaison de la variabilité à court terme et à long terme de votre système de mesure et peut être représentée par l'équation :
Variation de l'outil de mesure (MS) = s 2 MS = s 2 Répétabilité + s 2 Reproductibilité
Pour comprendre la variabilité à long terme ou la reproductibilité, nous devons prendre des mesures dans les différentes conditions dans lesquelles le système de mesure sera utilisé.Cela peut inclure plusieurs heures de la journée, plusieurs jours, plusieurs opérateurs, etc. Assurez-vous de capturer vos sources de variabilité dans votre tableau de données et de comprendre si vos variables sont croisées ou imbriquées.Vous trouverez ci-dessous un exemple d'ensemble de données.
JMP, sous Analyse > Qualité et processus > Variabilité / Graphique de jauge d'attribut, effectue toutes vos analyses à votre place.
Le résultat nous donne des estimations de notre variabilité due aux différentes sources (utiles pour apporter des améliorations au processus) et une estimation du rapport processus/tolérance ou rapport P/T.Le rapport P/T est la quantité de variation due au système de mesure par rapport à la longueur de la distance entre les limites de spécification. P/T = 6 s MS /(USL-LSL). Les lignes directrices pour les valeurs acceptables de P/T sont qu'elles doivent être inférieures à 30 %.
Maintenant que nous disposons d’un système de mesure acceptable, nous devons le suivre au fil du temps via des méthodologies de cartes de contrôle pour nous assurer qu’il ne dérive pas et ne devienne pas inacceptable.
Donc en conclusion avec l’aide de JMP nous pouvons répondre à la question de la Data ! À quoi ça sert? Si notre rapport P/T et notre biais sont acceptables, alors nos données sont valables et dignes de confiance. Sinon, la réponse est absolument rien et je ne le répéterai pas.
