Los recuentos de partículas engañan a los científicos: un estudio de caso de integración de JMP® y SAS® que investiga el modelado
Kathleen Kiernan, MS, Estadística de Soporte Técnico; Diane Michelson, PhD, Capacitadora Estadística; Annie Zangi, MS, Estadística de Investigación – SAS
Este artículo abordará las consecuencias del modelado de datos en aplicaciones del mundo real y demostrará métodos y técnicas para modelar datos no normales utilizando las capacidades integradas de JMP y SAS. Las pruebas estadísticas y las técnicas de modelado más utilizadas se basan en ciertas suposiciones. ¿Qué sucede si los datos que analizamos son no normales o heterocedásticos? JMP ofrece algunos métodos y técnicas para modelar datos no normales o heterocedásticos, mientras que SAS ofrece una gama completa de procedimientos que pueden utilizarse. La transformación de potencia de Box-Cox se utiliza a menudo para transformar datos no normales o heterocedásticos. Otro enfoque es modelar una distribución no normal. Este artículo presentará dos casos prácticos de semiconductores. Durante el procesamiento de semiconductores, las obleas se mantienen lo más limpias posible. Las partículas en el área activa de un circuito pueden, en última instancia, causar un chip defectuoso. El primer ejemplo explora un caso en el que los científicos intentaron reducir el recuento de partículas que se producen en las obleas y descubrieron que el modelo era menos eficaz para identificar el origen del problema de lo que se pensaba originalmente. Los chips semiconductores se fabrican en obleas grandes, cada una con cientos de chips, y se procesan en lotes. En el segundo ejemplo, investigaremos los resultados engañosos que pueden producirse al intentar encontrar los factores importantes en los componentes de varianza del proceso en un entorno de modelos lineales tradicionales. Presentaremos soluciones para ambos ejemplos mediante la integración de JMP y SAS, que también pueden aplicarse a otros escenarios.
