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
Informations session
Programme
– 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
-
- Cartes aux mesures (pour des caractéristiques continues)
-
-
- 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
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