J'ai discuté avec Malcolm Moore, responsable technique JMP pour l'Europe, à propos du Calcul scientifique article de Mark Anawis: "Six Sigma dans le monde PC - L'approche expérimentale tire parti de la puissance des outils statistiques." Anawis explique comment des outils statistiques, y compris JMP, peuvent être utilisés dans le cadre de la méthodologie DMAIC.
Malcolm a fait remarquer que JMP offre un moyen simple, robuste et rapide de calculer les estimations Cp / Cpk afin de baser la performance des variables continues qui ne suivent pas une distribution normale. L'une s'adapte simplement aux 13 distributions continues disponibles dans JMP, puis permet à JMP d'utiliser les critères AICc pour déterminer la distribution la mieux adaptée. Lorsque les limites de spécification sont définies en tant que Propriétés de colonne, JMP renvoie automatiquement les estimations Cp / Cpk et le Long Term Sigma pour la distribution la mieux adaptée.
J'ai donné l'exemple avec les limites spécifiées pour les IMF de 192 et 198 et un objectif de 195. Dans ce cas, la distribution la mieux ajustée est Johnson SI, et les indices Cp / Cpk sont calculés à partir de cette distribution.
Cette approche, qui ne nécessite que quelques étapes dans JMP, peut être particulièrement utile aux membres d’une équipe Six Sigma. Lorsqu'ils correspondent à la meilleure distribution, ils prédiront plus précisément l'opportunité future de défaut pour le processus lors des étapes de mesure et de contrôle de DMAIC, ou lors des méthodes d'amélioration similaires utilisées
Voulez-vous essayer ceci pour vous-même? L'exemple est tiré du livre de 2010 Visual Six Sigma: rationaliser l'analyse des données : Chapitre 8, "Amélioration d'un processus de fabrication de polymères". le Les données (Fichier .zip de 2 Mo) est également disponible au téléchargement.
