Lorsque nous avons envisagé de lancer un nouveau système logiciel il y a de nombreuses années, nous étions très épris d'un article publié en 1973 dans Statisticien américain écrit par Frank Anscombe intitulé «Graphes en analyse statistique». Comme vous pouvez le lire Wikipédia Anscombe a intelligemment conçu quatre ensembles de données contenant des statistiques identiques, mais en réalité très différentes. Vous ne pouviez pas distinguer les seules statistiques des statistiques - vous deviez regarder le graphique pour les voir.
La première était une dispersion aléatoire des données sur une ligne inclinée (comme d'habitude).La seconde convenait parfaitement à une parabole (absence systématique d’ajustement).Le troisième convenait parfaitement à une ligne, à l’exception d’une valeur aberrante (point aberrant).Le quatrième était un ajustement dans lequel toutes les données avaient le même X sauf un (point d'influence).La leçon à tirer est que vous devez TOUJOURS regarder vos données, consulter des graphiques de vos données. Si vous n'aviez pas regardé les graphiques, vous n'auriez pas su que les quatre ensembles de données avaient des situations complètement différentes à prendre en compte.
À partir de ce jour, nous avons établi une règle. Pour chaque ajustement statistique ou test que nous réalisons, il doit exister un graphique significatif.
Le graphique devrait être automatique - vous ne devriez pas avoir à le demander.Le graphique doit révéler des motifs ou des valeurs aberrantes.Le graphique doit être interactif - en particulier pour trouver l'identité de chaque point.Nous avons donc la règle qui dure depuis plus de 20 ans, fournissant des graphiques et des statistiques à des millions d’utilisateurs.
Ce n'était pas facile. Dans plusieurs cas, nous avons dû inventer de nouveaux graphes pour raconter l'histoire du test de modèle (tracé de levier), de la comparaison des moyennes (cercles de comparaison) ou du partitionnement récursif (graphe de partition). Dans d'autres cas, les graphiques avaient été inventés, mais n'étaient pas encore devenus populaires, tels que les tracés de mosaïque et les bi-parcelles de PCA. De manière générale, nous avons très bien réussi avec cette règle et des générations d’utilisateurs sont mieux informées.
Mais maintenant, nous devons reconsidérer et qualifier la règle. Pourquoi? Big Data. Lorsque vous avez des centaines, des milliers, voire des millions de choses à examiner, vous ne pouvez pas toutes les examiner. Vous devez utiliser quelque chose plus vite.
Supposons que vous soyez responsable de la mise en ordre d'un processus dans une usine et que vous disposiez de nombreux systèmes de surveillance surveillant de nombreux aspects du processus. Ouvrez Semiconductor Capability.jmp dans les exemples de données JMP pour cet exemple. Vous avez des données sur 128 variables de capteur sur le processus. Chaque variable a des limites de spécification pour vous indiquer si vous souhaitez vous soucier de cette partie du processus. Donc, vous effectuez une analyse des capacités dans la plate-forme de distribution sur chacun d'eux. Voici les 15 premières analyses, alignées sur un seul grand écran. Il y a huit pages de plus pour toutes les 128 variables.
L’affichage présente chaque indice de capacité, Cpk, illustré avec beaucoup de détails, mais trop. Il faut quelques minutes pour voir quelle partie du processus se situe bien entre trois écarts-types des limites de spécification et celles qui ne le sont pas. En outre, nombre de ces parcelles ne méritent pas d’être examinées si le processus en est capable. Vous voulez simplement examiner les variables dont vous devez vous soucier.
Vous rêvez que vous puissiez voir toutes les capacités dans un graphique et localiser instantanément les variables du problème.
Comment allons-nous faire cela? Vous pouvez extraire toutes les valeurs de Cpk dans une table, puis afficher la distribution de cette table, en mettant en évidence les mauvaises capacités sous 1. Vous pouvez trier les Cpks pour voir les pires. Mais tout cela ne montre pas en quoi la variable est incapable. Est-il hors cible à droite? Hors cible à gauche? Ou sur la cible mais avec une grande variance? Un indice de capacité ne vous dit pas cela. Pour ce faire, vous devez séparer l'index. Vous avez besoin d'un axe pour indiquer s'il est hors cible, l'autre pour afficher sa variance.
Ainsi, afin de rendre les moyennes et les écarts-types comparables dans le même graphique, vous devez normaliser la plage de spécification Limite de spécification supérieure - Limite de spécification inférieure. Donc, vous configurez un graphique où la coordonnée X sera (xbar-target) / (USL-LSL) et la coordonnée Y sera s / (USL-LSL), où xbar est l'estimation moyenne et s est l'écart type estimation à partir des données. Nous avons la définition:
Cpk = min ((xbar-LSL) / 3s, (xbar -mean) / 3s)
En séparant ceci en ses deux parties pour les limites de spécifications inférieure et supérieure, et en résolvant un Cpk = 1, nous obtenons le diagramme suivant:
Si un processus a normalisé la moyenne et l'écart type pour atterrir à droite sur les lignes noires gauche ou droite, il sera alors résolu d'avoir un Cpk de exactement 1. Si c'est à l'intérieur du triangle, il aura un Cpk supérieur à 1. Si c'est à l'extérieur, il aura un Cpk inférieur à 1. Si nous inscrivons un contour montrant toutes les combinaisons de moyennes et d'écarts-types susceptibles de dépasser les limites spécifiées à 0,0013 (environ un sur mille), nous avons la ligne de contour rouge qui correspond très étroitement au Cpk = 1 Triangle. Alors maintenant, nous comprenons également la relation entre Cpk et les probabilités de défauts.
En plaçant tous nos processus dans un diagramme d'objectifs, nous constatons que de nombreux processus sont incapables. Nous avons des variables de processus comme INM2 qui sont dans les objectifs mais qui ont une variance très élevée. Nous avons des variables de processus comme LYA1 qui ne présentent pas une variance trop élevée mais qui sont hors cible. Et nous avons des variables de processus comme VIA1 qui ont les deux problèmes.
Nous sommes donc passés de l’étude de 128 rapports à celle de un graphique . Nous voyons toujours des caractéristiques importantes de chaque variable de processus, mais nous les voyons maintenant dans un contexte plus vaste, et nous pouvons facilement choisir celles qui nous préoccupent.
Ceci est l'histoire pour les parcelles de capacité. Au fur et à mesure que nous examinons le changement de processus et le test de nombreuses réponses, nous avons également besoin d’un moyen d’analyser de nombreuses ANOVA unidirectionnelles dans un même tracé au lieu de plusieurs. Faire de nombreuses crises et des tests - et les voir bien dans un graphique - est le sujet de mon prochain article de blog.
En passant, la plate-forme Capability a pris en charge le tracé des objectifs pour un certain nombre de versions désormais disponibles dans JMP. Chaque nouvelle version de JMP aura plus de fonctionnalités pour évaluer plusieurs réponses ou groupes.
Remarque: Cela fait partie d'un Big Statistics série d'articles de blog de John Sall. Lire tout son Big statistiques posts .
Dave Garbutt a écrit:
Salut,
Je n'avais jamais vu ce graphique de capacité auparavant, mais je pense qu'il est génial et qu'il conviendrait parfaitement pour évaluer des données de laboratoire ou des anomalies de signes vitaux, comme le montrent les données cliniques.
(Pour lesquels nous avons aussi des gammes normales).
Nous avons maintenant besoin d’une version animée pour tracer le fil du temps et ne pas supprimer la variation de niveau de sujet.
Mike Clayton a écrit:
Merci pour tous ces efforts au cours de la dernière décennie.
Nous avons utilisé les nouveaux graphiques de capacité pour comparer deux fournisseurs du même circuit intégré qui compte plus de 400 tests (et les données brutes sont disponibles pour des dizaines de lots de chaque fournisseur). L'astuce consiste bien sûr à traiter de manière significative les données éloignées et très anormales, tout en classant et en classant les fournisseurs. Heureusement, votre équipe d'assistance compte d'excellents spécialistes des semi-conducteurs expérimentés dans ce domaine. Un problème majeur a été avec les limites de rebut pour chaque test, par rapport aux limites de contrôle qui racontent une histoire très différente.
Ainsi, l’utilisation des nouveaux graphiques SPC avec Phase pour représenter différents fournisseurs est un moyen d’augmenter graphiquement les comparaisons de capacités. Cela donne aux gestionnaires de la chaîne d'approvisionnement une meilleure compréhension des différences de stabilité par rapport aux différences de capacité.
David Muller a écrit:
Thans pour ce précieux poste.
Où pouvons-nous télécharger le fichier "Semiconductor Capability.jmp" ???
Merci
David
