Formation Maîtrise Statistique des Processus (MSP)

STATISTICAL PROCESS CONTROL (SPC)

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

Prochaine session

Nov
23
lun
2020
Formation Maîtrise Statistique des Processus (MSP)
Nov 23 @ – Nov 25 @

Statistical Process Control (SPC)

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

En savoir plus

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).

– 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.

A partir du 2ème inscrit : -10%

  • CPF – Voir Appli Mon Compte Formation
  • IASSC – Centre de certification Leader
  • Certification Reconnue par l’Etat
  • Classe virtuelle Blended Learning
  • Inter-Intra entreprise
  • Sur mesure

Témoignages

Merci pour cette certification IASSC et une grande reconnaissance pour la qualité de la formation.

Je suis vraiment satisfait, et j’espère avoir l’occasion de retravailler avec Dynacentrix !

En attendant, je vous recommande vivement !

Des échanges intéressants et des rappels plus qu’oubliés sur les statistiques. Même s’il n’y a pas que ça, il en faut un peu.

I attended the Green Belt Lean Six Sigma formation and recommend it.

The project I lead already has brought my company revenue and I am better equipped to continue to evolve and learn from additional experience!

J’ai eu ma Black Belt. Un grand merci pour cette super formation !