| Situation | Cause et solution |
| Aucune donnée à visualiser | La grille est vide ou aucune caractéristique n’est sélectionnée. |
| Adéquation de loi mauvaise | Changer de loi, ou chercher un mélange de populations : un histogramme à deux bosses n’est pas une distribution unique. |
| Cp très supérieur à Pp | Le procédé dérive. C’est un problème de conduite, pas de capabilité technique. |
| Tous les points hors limites sur une carte d’attributs | Sur-dispersion probable sur de gros lots : passer en carte P’Laney ou U’Laney. |
| Capabilités absentes | Les tolérances ne sont pas renseignées sur la caractéristique. |
| Histogramme correct mais carte agitée | Regarder la chronologie : l’instabilité ne se voit pas sur une distribution. |
Guide d'utilisateur Data Analysis
01. Général
Prise en main du module Data Analysis
Accéder au menu Data Analysis d’Ellistat
Structure du module Data Analysis : menus et grilles
Créer et organiser un projet dans Data Analysis
Partager un projet d’analyse
Les grilles de données d’un projet Data Analysis
Importer vos données (Excel, CSV) dans Data Analysis
Faire sortir les données
Typer les données : variables qualitatives et quantitatives
Clic droit : accès rapide aux fonctions
Mes graphiques
Travailler depuis une page analyse
Création des utilisateurs
Messages et cas particuliers
Data Analysis desktop vs online : quelles différences ?
Annexe : Vocabulaire
02.Gage R&R
Gage R&R et MSA : valider vos mesures
Menu
Dans quel ordre procéder ?
Justesse d’un moyen de mesure : réaliser l’étude de biais
Gage R&R sur mesures : ANOVA, Cpc, ndc
Gage R&R par attributs : évaluer un contrôle visuel
Linéarité d’un moyen de mesure : réaliser l’étude
Liste
Gage R&R : quelle norme de calcul retenir ?
Comparer deux moyens de mesures : méthode et lecture
Messages et cas particulier
Annexes : Définitions
03. Graphiques
Graphique statistiques : le guide Data Analysis
Sélectionner ses données
Graphiques seuls ou preuve statistique ?
Le catalogue par famille
Représenter des proportions : Pareto, secteurs, barres
Histogramme, boîte à moustaches : représenter une population
Corrélation et régression linéaire : mode d’emploi
Multi X : plusieurs facteurs à la fois
Multi Y : plusieurs réponses à la fois
Quel graphique choisir pour quelle question ?
Messages et cas particuliers
Annexe : repères
04. Statistiques Descriptives
Statistiques descriptives dans Data Analysis
Menu
Préparer les données
Détail
Vue d’ensemble
Cartes de contrôle aux attributs (p, np, c, u)
Lois de distribution discrètes : binomiale, poisson…ajuster vos données
Lois continues : ajuster une loi de distribution
Décomposition de Fourier: détecter des cycles
Calculatrice
Messages et cas particuliers
Annexe : définitions
05. Statistiques Inférentielles
Tests statistiques dans Data Analysis : le guide
Menu
Test d’hypothèse : ce que dit une p-value (et ce qu’elle ne dit pas)
Choisir son test statistique : différence our équivalence (TOST)
Faire un test à partir de la moyenne et de l’écart-type
Puissance d’un test et taille d’échantillon
BoB vs WoW : la méthode Shainin pour isoler une cause
Inversion de composants (Shainin) : trouver le coupable
Recherche dichotomique
Sources de variation : ANOVA généralisée
Messages et cas particuliers
Annexe
06. Statistiques Multivariées
Analyse multivariée dans Data Analysis : le guide
ACP, ACM, FAMD : quelle analyse multivariée choisir ?
Préparer la grille
ACP : analyse en composantes principales pas à pas
Analyse factorielle de données mixtes (AFDM/FAMD)
ACM : Analyse des correspondances multiples pas à pas
T² de Hotelling : détecter une dérive multivariée
Classification non supervisée : regrouper vos données
Dendrogramme : lire une classification hiérarchique
Messages et cas particuliers
Conventions de calcul
07. DOE : Plans d'Expériences
Plan d’expériences dans Data Analysis : le guide
Menu
Plans d’expériences : facteur, niveau, interaction, alias
Quel plan d’expérience choisir selon votre objectif ?
Le cycle de travail commun aux plans
Plan factoriel à 2 niveau et tables de Taguchi
Plans d’expériences à niveau mixtes (XN)
Plan de balayage
Plan de surface de réponse : construire et analyser
Smart DOE
Plan de remplissage d’espace (space filling)
Plan D-Optimal : quand et comment l’utiliser ?
Grille et Analyse
Messages et cas particuliers
Annexe : définition
08. ML (Machine learning)
Machine Learning sur données de production : le guide
Menu
Construire un modèle de Machine Learning sur vos données
Optimisation
Optimisation bayésienne
Optimisation de mélange : formuler par plan de mélange
Messages et cas particuliers
Annexe : définitions
09.Tolérancement
Tolérancement statistique dans Data Analysis – Introduction
Les trois entrées du menu
Spécigraphe : visualiser une spécification
Simulation Monte-Carlo appliquée au tolérancement
Chaînes de cotes : calcul arithmétique et statistique
Glossaire Tolérancement
10. Fiabilité
Analyse de fiabilité dans Data Analysis : le guide
Menu fiabilité
Fiabilité : les notions indispensables (taux de défaillance, MTBF)
Calcul de fiabilité : méthode et exemple
Méthode Contrainte-résistance : estimer un risque
Estimer une fiabilité à partir de données de durée de vie
Suivi des retours en garantie : analyser les défaillances
Carte de suivi des retours
Essais accélérés : estimer la fiabilité au plus vite
Messages et cas particuliers
Annexe : définitions
Messages et cas particuliers
Temps de lecture
