Cp/Cpk pour les attributsComment calculer Cp/Cpk ou Pp/Ppk pour les données d'attribut à l'aide de JMP ?
Ingénierie de la qualité et des procédésRe: Cp/Cpk pour les attributsAlors, c'est une situation délicate, mon ami JMPy.
Vous devrez d'une manière ou d'une autre prendre les données de réussite/échec et les convertir en quelque chose de continu, ou mieux encore, obtenir les données continues sous-jacentes pour prendre la décision de réussite/échec.
Nous utilisons souvent des cartes de contrôle d'attributs (U, P, C, P', U') pour les données d'attributs afin de suivre les proportions de réussite/échec au fil du temps.
Le problème est que la capacité du processus dépend du calcul d'un « sigma » (global/à long terme ou à court terme) et de la comparaison du nombre de « sigma » à la distance entre la moyenne et la limite de spécification la plus proche. ... et cela suppose en quelque sorte que les choses sont généralement « normales ».
Les données d'attribut ont une distribution binomiale, nous pouvons donc toujours obtenir des limites de contrôle pour le traçage des données dans un graphique d'attributs, mais la capacité du processus, pas tellement.
Dans cet exemple, j'ai des boîtes de 10 unités (n essais = 10) et un assortiment aléatoire de réussite/échec pour chaque boîte
Re: Cp/Cpk pour les attributsBonjour,
Merci beaucoup!
Pouvons-nous continuer à en discuter, s'il vous plaît ?
Il existe un fichier de données d'échantillon appelé « Braces » (sous Samples\Data\Quality Control) et il contient des données sur # défauts avec des tailles d'échantillon variables. Si nous avons une limite de spécification, par exemple, disons que jusqu'à 25 défauts, l'unité est « passable », alors pourquoi ne pouvons-nous pas simplement calculer les indices de capacité à l'aide de l'option Process Capability sous la plateforme de distribution, où LSL = target = 0 et USL = 25... ?
et disons que c'est une distribution non paramétrique...
Est-ce que je mélange beaucoup de choses ici ?
Re: Cp/Cpk pour les attributscorrection - trouver une proportion (nombre de défauts/taille de l'unité) puis spécifier les limites de la proportion
Re: Cp/Cpk pour les attributsPour reformuler un peu la question :
Puisque je n'ai pas vos données...
supposons que j'ai un tableau avec 100 lignes et cette formule dans une colonne :
Abs( Round( Random Normal( 10, 10 ), 1 ) )
Ces données représentent le pourcentage d'éléments défectueux par lot/série/plaquette, quelle qu'elle soit. Et leur limite de spécification supérieure est de 25.
Mes données pourraient ressembler à ceci.
Je pourrais adapter une distribution Weibul, Gamma ou exponentielle aux données.
Ensuite, à partir de cette distribution ajustée, je pourrais obtenir un rapport de capacité de processus.
Il est important de noter que nous ne recherchons plus la capacité d'un attribut, mais une variable, qui est le pourcentage de défauts.
Ce pourrait toujours être une très bonne idée d’exécuter un graphique P, C ou U avec ces données.
Re: Cp/Cpk pour les attributsPardonnez mon éditorial et ignorez-moi si cela vous dérange, mais la capacité sur les défauts/personnes défectueuses n'a aucun sens. Pourquoi voudriez-vous mettre une spécification sur le nombre de défectuosités/défauts ? Il est acceptable d'avoir des défectuosités et des défauts ? Quel est le but d'une telle mesure de capacité ? Qu'est-ce qu'une mesure de capacité acceptable ? Comment évaluer la cohérence avant de calculer la capacité ? Voulez-vous être systématiquement mauvais ? Ne voulez-vous pas déterminer ce qui cause les défauts plutôt que de signaler une mesure de capacité ?
Byron a tout à fait raison. Il faut d'abord comprendre qu'il existe une différence entre les défauts et les défectuosités. Pour les défauts, vous êtes limité au nombre d'échantillons. Ils sont classés selon la réussite/l'échec (distribution binomiale). Pour les défauts, il n'y a pas de limite au nombre de défauts par échantillon. Il s'agit de données de comptage (distribution de Poisson). La première idée de Byron est d'utiliser une mesure continue au lieu d'une métrique catégorique/discrète. Quel est le défaut ? Peut-il être mesuré ? Par exemple, une rayure visuelle... la longueur, la profondeur, la surface de la rayure peuvent-elles être mesurées ? Ou pourquoi échoue-t-elle (réussite/non-réussite) ? La dimension ne correspond pas aux spécifications. Mesurez ensuite la dimension réelle.
Les estimations de « sigma » pour les défectueux (p-charts) :
Et pour les défauts (c-charts) :
je suppose que ces valeurs (p et c) sont constantes, ce qui n'est certainement pas ce que vous voulez. Vous voulez qu'elles deviennent plus petites.
