Formation Minitab

Leçon 1 • Concepts statistiques fondamentaux

Présente la population par rapport à l'échantillon, les variables et les échelles de mesure. Ces concepts encadrent chaque décision analytique prise tout au long du cours.

Leçon 2 • Saisie de données et gestion de fichiers

Enseigne la saisie manuelle, le copier-coller et l'importation de fichiers de données externes. Une gestion de fichiers appropriée évite la perte de données et assure la reproductibilité entre les projets.

Leçon 3 • Visualisation de base des données

Crée des histogrammes, des diagrammes en points et des boîtes à moustaches pour révéler la distribution des données et les valeurs aberrantes. Les outils visuels complètent les résumés numériques pour une compréhension complète des données.

Leçon 4 • Interface et espace de travail Minitab

Couvre la fenêtre Session, la feuille de calcul, les barres d'outils et la structure des menus. Établit des habitudes de navigation qui soutiennent toutes les tâches ultérieures de saisie et d'analyse de données.

Leçon 1 • Codage et recodage des variables

Recode les valeurs numériques et textuelles pour créer des regroupements catégoriels ou corriger des erreurs de données. Un codage précis garantit que les comparaisons de groupes sont significatives et non biaisées.

Leçon 2 • Tri, classement et sous-ensemble de données

Applique les commandes de tri, de classement et de sous-ensemble pour isoler les segments de données pertinents. Ces opérations préparent des ensembles de données ciblés pour une analyse statistique approfondie.

Leçon 3 • Empilement, désempilement et fusion de données

Restructure les données entre les formats large et long et fusionne des feuilles de calcul séparées. Une structure de données appropriée est requise pour la plupart des procédures statistiques de Minitab.

Leçon 4 • Validation et vérification des données

Identifie les valeurs aberrantes, les doublons et les incohérences avant le début de l'analyse. La vérification de la qualité des données évite des résultats trompeurs et un gaspillage d'efforts analytiques.

Leçon 1 • Fondamentaux de la loi normale

Explique la courbe normale, les scores z et les aires de probabilité. La loi normale est la base de la plupart des tests paramétriques abordés dans les chapitres suivants.

Leçon 2 • Théorème central limite en pratique

Démontre comment les moyennes d'échantillon se distribuent normalement quelle que soit la forme de la population. Ce théorème justifie l'inférence paramétrique sur des populations non normales avec une taille d'échantillon suffisante.

Leçon 3 • Méthodes d'échantillonnage et taille de l'échantillon

Compare l'échantillonnage aléatoire, stratifié et systématique et calcule les tailles d'échantillon requises. Une taille d'échantillon adéquate contrôle les taux d'erreur et garantit des conclusions fiables.

Leçon 4 • Tests de normalité dans Minitab

Exécute les tests d'Anderson-Darling et de Ryan-Joiner et interprète les diagrammes de probabilité. Les résultats des tests de normalité déterminent si des méthodes paramétriques ou non paramétriques s'appliquent.

Leçon 1 • Tests pour un échantillon sur les moyennes

Effectue des tests t et z pour un échantillon afin de comparer une moyenne d'échantillon à une valeur cible. Les résultats guident les décisions concernant la conformité d'un processus à une norme spécifiée.

Leçon 2 • Alternatives non paramétriques

Utilise les tests de Mann-Whitney, de Wilcoxon et de Kruskal-Wallis lorsque les hypothèses de normalité ne sont pas remplies. Les méthodes non paramétriques fournissent une inférence valide sur des données asymétriques ou ordinales.

Leçon 3 • Tests pour les proportions et les variances

Applique les tests pour une proportion, deux proportions et les tests de variance aux données d'attributs et de dispersion. Les tests de proportion et de variance étendent les tests d'hypothèse au-delà des moyennes continues.

Leçon 4 • Logique et structure des tests d'hypothèse

Définit les hypothèses nulle et alternative, les erreurs de type I et de type II et les niveaux de signification. Ce cadre régit chaque test inférentiel effectué dans Minitab.

Leçon 1 • Modèle linéaire général dans Minitab

Étend l'ANOVA aux plans déséquilibrés et aux types de facteurs mixtes en utilisant le modèle linéaire général. Le GLM gère des structures expérimentales complexes au-delà de l'ANOVA standard à deux facteurs.

Leçon 2 • Concepts et exécution de l'ANOVA à un facteur

Partitionne la variation totale en composantes inter-groupes et intra-groupes à l'aide de Minitab. L'ANOVA à un facteur détermine si au moins une moyenne de groupe diffère significativement.

Leçon 3 • Tests de comparaisons multiples post-hoc

Applique les comparaisons de Tukey, Fisher et Dunnett pour identifier quelles paires de groupes diffèrent. Les tests post-hoc contrôlent l'erreur par famille après un résultat ANOVA significatif.

Leçon 4 • Diagnostics des résidus de l'ANOVA

Évalue les diagrammes de résidus pour les hypothèses de normalité, de variance constante et d'indépendance. L'analyse des résidus valide les conclusions de l'ANOVA et révèle les inadéquations du modèle.

Leçon 1 • Diagnostics de régression et remèdes

Examine les diagrammes de résidus, le levier, la distance de Cook et les points influents. Les diagnostics confirment que les hypothèses de régression sont vérifiées et que les résultats sont fiables.

Leçon 2 • Régression logistique et non linéaire

Applique la régression logistique binaire pour les résultats catégoriels et ajuste des courbes non linéaires. Ces modèles étendent la capacité de régression aux relations non continues et courbes.

Leçon 3 • Régression linéaire multiple

Étend la régression à deux prédicteurs ou plus et interprète les coefficients partiels. La régression multiple contrôle les variables de confusion et améliore la précision prédictive.

Leçon 4 • Sélection de modèle de régression

Utilise les méthodes pas à pas, des meilleurs sous-ensembles et le Cp de Mallows pour identifier le modèle le plus parcimonieux. La sélection de modèle équilibre le pouvoir prédictif avec le surajustement et la complexité.

Leçon 1 • Techniques avancées de SPC

Applique les cartes CUSUM, EWMA et T-carré multivariées pour détecter des décalages faibles ou corrélés. Les cartes avancées complètent les cartes de Shewhart standard dans les environnements de haute précision.

Leçon 2 • Fondamentaux des cartes de contrôle

Explique la variation due aux causes communes par rapport aux causes spéciales et la structure de la carte de contrôle. La compréhension des types de variation est essentielle pour interpréter correctement tous les signaux des cartes de contrôle.

Leçon 3 • Cartes de contrôle pour variables

Crée et interprète les cartes Xbar-R, Xbar-S et I-MR pour les données de mesure continues. Les cartes pour variables offrent la détection la plus sensible des décalages de moyenne et de dispersion du processus.

Leçon 4 • Cartes de contrôle pour attributs

Construit les cartes p, np, c et u pour les données de défauts et de défectueux. Les cartes pour attributs surveillent la qualité lorsque la mesure est binaire ou basée sur un comptage plutôt que continue.

Leçon 1 • Plans factoriels fractionnaires

Réduit le nombre d'essais en confondant les interactions d'ordre supérieur à l'aide de plans factoriels fractionnaires. Les niveaux de résolution guident le compromis entre l'économie d'essais et l'exhaustivité de l'information.

Leçon 2 • Expériences factorielles complètes

Crée et analyse des plans factoriels complets à deux niveaux pour estimer tous les effets principaux et les interactions. Les plans factoriels complets fournissent des informations complètes mais nécessitent plus d'essais.

Leçon 3 • Fondamentaux du plan d'expérience

Présente les principes de randomisation, de répétition, de blocage et de sélection des niveaux de facteurs. Des principes de planification solides évitent la confusion et garantissent des conclusions causales valides.

Leçon 4 • Plans de mélanges et plans Taguchi

Applique les plans de mélanges pour les problèmes de formulation et les tables de Taguchi pour la conception robuste de paramètres. Ces plans spécialisés abordent les espaces de facteurs contraints et le contrôle des facteurs de bruit.