Comprendre et maîtriser les principaux outils de la maîtrise statistique des processus : les cartes de contrôle, la capabilité process et les plans d’échantillonnage pour le contrôle par attributs ou par mesurage


Formation Maîtrise Statistique des Processus (MSP)

Comprendre et maîtriser les principaux outils de la maîtrise statistique des processus : les cartes de contrôle, la capabilité process et les plans d’échantillonnage pour le contrôle par attributs ou par mesurage

Durée : 3 jours (soit 21 heures) Référence : F-msp-00 lieux : interentreprise
PROCHAINES
SESSIONS
05/02/2020 07/02/2020
22/04/2020 24/04/2020
17/06/2020 19/06/2020
07/09/2020 09/09/2020
14/10/2020 16/10/2020
23/11/2020 25/11/2020
INFORMATIONS SESSIONS

PUBLIC

Toute personne chargée du contrôle de la qualité ou de la maîtrise statistique des procédés et souhaitant renforcer ses compétences dans ce domaine.

Pré-requis

Il est conseillé d’avoir participé au préalable à la formation Pratique de la Statistique I ou d’avoir acquis par la pratique un niveau équivalent.

MÉTHODE

Alternance d’exposés, de manipulations et d’exercices pratiques mis en oeuvre dans StatGraphics (ou tout autre logiciel en intra-entreprise).

PROGRAMMES

– Fondements de la Maîtrise Statistique des Processus (MSP)

  • Notion de variabilité – Causes aléatoires, causes assignables
  • Stabilité d’un processus

– Rappels sur les outils statistiques pour la MSP

Loi Normale, binomiale et poisson, échantillonnage et intervalles de confiance

– Cartes de contrôle

    • Cartes aux mesures (pour des caractéristiques continues)
        • Les cartes de Shewhart pour la détection des déréglages brusques: cartes moyenne/étendue, moyenne/écart-type

      Calcul des limites de contrôle à partir d’une période de référence

 

      • Utilisation des limites de contrôle calculées : règles d’interprétation et détection des points hors contrôle, propriétés des cartes de contrôle (calcul de la période opérationnelle moyenne et du risque de fausse alerte)

 

      • Influence de la taille des échantillons sur la puissance des cartes, validité des limites en cas de valeurs manquantes

 

      • Calcul de nouvelles limites de contrôle

 

      • Tests supplémentaires de séquences

 

        • Les cartes aux mesures individuelles
        • Autres cartes aux mesures pour la détection de dérives lentes : CUSUM, EWMA, MA, ARIMA

      Calcul des limites de contrôle à partir d’une période de référence

 

      • Utilisation des limites de contrôle calculées : règles d’interprétation et détection des points hors contrôle, propriétés des cartes de contrôle

 

    • Comparaison avec les cartes de Shewhart
  • rechercher des composantes orthogonales (structures « latentes ») de X, à la fois les plus « descriptives »`possible de X et les plus « explicatives » possible de Y
  • effectuer la régression de Y sur ces composantes
  • exprimer les coefficients de la régression en fonction des variables « prédictives » elles mêmes.
  • choisir le nombre de composantes significatives par validation croisée.
  • gérer les valeurs manquantes.

Méthodes de filtrage des données

  • OSC (Orthogonal Signal Correction)
  • OPLS, O2PLS (Orthogonal PLS)

Régression PLS2

Méthode robuste de modélisation d’un tableau comportant plusieurs variables « à prédire » Y en fonction d’un tableau de variables « prédictives » X basée sur un algorithme dérivé de NIPALS

Analyse discriminante PLS

Extension de la régression PLS au cas où le tableau des variables « à prédire » Y est constitué des indicatrices binaires des modalités d’une variable qualitative.

Méthode SIMCA (Soft Independent Modelling of Class Analogy)

Cette alternative originale à l’analyse discriminante permet, après avoir caractérisé des classes prédéfinies d’observations en fonction d’un ensemble de variables « descriptives », de « prévoir » la probabilité d’appartenance à chaque classe de nouvelles observations « décrites » par le même ensemble de variables.
La phase de caractérisation consiste à réaliser une ACP de chaque classe en utilisant l’algorithme NIPALS.
La phase « prédictive » consiste à calculer la distance entre chaque observation nouvelle et le modèle d’ACP de chaque classe, et d’estimer la probabilité correspondante. Cette méthode permet de repérer des observations qui n’appartiennent à aucune des classes prédéfinies.

TARIFS

1 inscrit
2ème inscrit
3ème inscrit
1200€
-10%
-15%

*Inter-entreprises : Prix unitaire par stagiaire(s) inscrit(s) pour une session