Académique Documents
Professionnel Documents
Culture Documents
Deux objets ne sont jamais rigoureusement identiques. Quelles que soient les techniques
utilises pour fabriquer ces objets, si prcis soient les outils, il existe une variabilit dans tout
processus de production.
Lobjectif de tout industriel est que cette variabilit naturelle demeure dans des bornes
acceptables. Cest une proccupation majeure dans lamlioration de la qualit industrielle.
Un des outils utiliss pour tendre vers cette qualit est la Matrise Statistique des Processus
(MSP).
Si vous produisez un certain type dobjets, et si vous souhaitez conserver vos clients pour
prenniser votre entreprise, vous devez vous assurer que les lots que vous leur livrez sont
conformes ce qui a t convenu entre vous, le plus souvent par contrat. Tout industriel
srieux effectue des contrles sur les lots produits pour en vrifier la qualit, quil en soit
le producteur ou bien quil les rceptionne. Diverses techniques statistiques lies aux prlvements dchantillons sont alors utilises pour viter, dans la plus part des cas, de vrifier
un un tous les objets contenus dans un lot. Ce contrle dchantillons prlevs dans des
lots est indispensable si les contrles effectuer dtruisent lobjet fabriqu, comme lors dune
analyse de la dose de composant actif contenue dans un comprim. Il existe cependant des
cas o lon prfre vrifier tous les objets ; il est par exemple souhaitable que les freins dune
voiture fonctionnent et un contrle du freinage sur un chantillon dans la production dun lot
dautomobiles ne garantie par que tous les vhicules freinent correctement...
Lorsquun lot est contrl, il est conforme ou il ne lest pas. Sil est conforme, on le livre
(fournisseur) ou on laccepte (client). Sil nest pas conforme, on peut le dtruire, en vrifier
un un tous les lments et ne dtruire que ceux qui ne sont pas conformes, etc. Toutes les
solutions pour traiter les lots non conformes sont onreuses. Si le lot nest pas conforme, le
mal est fait. La MSP se fixe pour objectif dviter de produire des lots non conformes en
surveillant la production et en intervenant ds que des anomalies sont constates. Une bonne
MSP permet de supprimer un nombre important de contrle in fine des lots produits.
1.1
On dit que le processus de production est sous contrle, est matris, lorsque les caractristiques du produit fabriqu varient peu dans le temps, dun produit lautre et sont conformes
ce que lon dsire obtenir. Dans ce cas, il nexiste pas de cause prcise faisant varier les
caractristiques du produit. La variabilit nest due quaux limitations techniques du procd
de fabrication, des causes alatoires.
Pour savoir si le processus est sous contrle, on prlve rgulirement de petits chantillons.
Si la caractristique contrle est une mesure (poids, taille, concentration, etc), le processus est
1
sous contrle lorsque la moyenne (lesprance) dans chaque chantillon de cette caractristique
est gale une valeur cible 0 fixe et lorsque lcart-type dans chaque chantillon est gal
un cart-type naturel 0 . Alors que 0 est fixe pour rpondre la demande des clients,
un cahier des charges, la qualit du produit, 0 dpend essentiellement du processus de
production, de la technologie mise en oeuvre. si la caractristique contrle est une proportion
dobjets non conformes (dobjets conformes) dans chaque lot, le processus est sous contrle
lorsque cette proportion est en moyenne dans chaque chantillon gale une valeur cible
p0 . La proportion p0 est fixe de sorte respecter les normes de qualits fixes par contrat ou
par obligation lgale. On cherche bien sr avoir une valeur de p0 (proportion dobjets non
conformes) voisine de 0. Si la caractristique contrle est un nombre de dfauts par objet,
le processus est sous contrle quand ce nombre est en moyenne gal une valeur cible 0
fixe. Idalement 0 = 0 ; cependant, on tolre souvent quelques dfauts mineurs, comme des
dfauts daspect.
1.2
Un processus hors contrle, non matris, est le contraire dun processus sous contrle.
Le processus est hors contrle quand il existe une variabilit trop importante ou des caractristiques non conformes celles souhaites. Il peut exister plusieurs causes, dites : causes
spciales, ou encore : causes assignables, ce dysfonctionnement. Un changement dquipe, de
technicien sur une machine, le drglement dune machine, une panne, des conditions climatiques particulires, etc, peuvent tre lorigine dun processus hors contrle. Dans les cas les
plus graves, il faut revoir entirement un processus de fabrication inadapt aux objectifs fixs.
1.3
La MSP
La Matrise Statistique des Processus pour but de mettre en place des outils statistiques
de surveillance des processus de fabrication. Loutil de base de la MSP que nous tudierons est
la carte de contrle. Elle est constitue de tests statistiques paramtriques de conformit.
Le caractre tudi est un mesure (poids, concentration dun composant chimique, cote,
etc). Lobjectif dune carte de contrle aux mesures est de dtecter la prsence de causes
assignables de drglement du processus de production. Le fondement thorique de conception
des cartes de contrle est que le caractre numrique tudi est rparti dans la population,
dans lensemble de la production, suivant une loi normale.
2.1
Ces cartes sont destines la mise sous contrle du processus. Ces cartes de contrle
sont aussi appeles : cartes de contrle de phase I, ou encore : cartes de contrle pour la
matrise. Leurs paramtres sont dtermins laide de mesures effectues sur une vingtaine
dchantillons de petite taille.
Pour les valeurs des diffrents coefficients ncessaires aux calculs, on se reportera au tableau
des coefficients le lannexe.
DUT Gnie Biologique
Cartes (X, R)
On adopte le point de vue probabiliste des variables alatoires. Pour m chantillons prlevs, on note X 1 , X 2 , . . . , X m les m variables alatoires qui associent chaque chantillon, la
moyenne dans lchantillon du caractre tudi. On dfinit alors la variable alatoire, moyenne
des moyennes des chantillons :
m
1 X
=X=
Xi
m i=1
R
d2
la moyenne
gal 3 , pour des chantillons de taille n. On a donc :
n
LC =
En posant A2 =
LSC =
+ 3
n
LIC =
3
n
3
, on obtient :
d2 n
LC =
LSC =
+ A2 R
LIC =
A2 R
IUT de Crteil
Rgle de dcision :
si tous les points Mi sont situs entre les linges de contrle, le processus est dclar
matris ;
si des points Mi sont situs en dehors des limites de contrle, le processus est dclar
non matris.
Si le processus est dclar non matris, il est bon de comprendre dans quelles circonstances
les chantillons ont t prlevs pour tenter de cerner si le processus est globalement inadapt
ou sil existe des causes spciales la variabilit excessive des moyennes.
Exemple 2.1 (Exemple de carte X :) Dans une laiterie, un nouveau processus de production de
plaquettes de 250 g de beurre est mis en service. On a prlev vingt chantillons de quatre plaquettes
chacun et on a pes chaque plaquette avec une balance de prcision.
Le traitement statistique des mesures est effectu laide dun tableur 1 .
chantillon
n i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
x
252
249
253
247
249
246
253
255
254
249
254
249
253
252
249
248
250
247
254
250
LC =
LSC =
LIC =
x
249
247
247
253
253
253
247
255
248
246
249
250
247
249
252
246
247
247
249
252
x
249
252
246
253
247
250
254
248
255
253
252
246
247
251
255
248
249
252
252
250
x
249
253
247
248
252
253
251
252
246
255
251
249
250
247
252
249
252
251
247
250
R
249.75
250.25
248.25
250.25
250.25
250.5
251.25
252.5
250.75
250.75
251.5
248.5
249.25
249.75
252
247.75
249.5
249.25
250.5
250.5
3
6
7
6
6
7
7
7
9
9
5
4
6
5
6
3
5
5
7
2
250.15
254.34
245.96
255
254
253
252
251
LC
LSC
LIC
Moyenne de l'chantillon
250
249
248
247
246
245
0
10
15
20
chantillons
LSC = R + 3
R
d3
d2
LIC = R 3
R
d3
d2
d3
d3
On pose D3 = sup 1 3 , 0 et D4 = 1 + 3 . On obtient alors :
d2
d2
LC = R
LSC = D4 R
LIC = D3 R
Construction de la carte :
On prlve (effectivement) m chantillons de taille n. On a alors une ralisation des diffrentes
variables alatoires prsentes ci-dessus.
On calcule, avec les rgles indiques, les diffrentes valeurs prises par ces variables alatoires.
Il peut arriver que le calcul, laide de d2 et d3 , de la limite infrieure de contrle donne
un rsultat ngatif. Dans ce cas, la limite de contrle utilise pour la carte est 0. Il est bien
sr souhaitable que ltendu soit aussi proche de la valeur 0 que possible, ce qui traduit une
variabilit faible du caractre numrique tudi.
On trace sur la carte de contrle la ligne centrale et les lignes de contrle.
On porte sur la carte, pour i = 1, . . . , m, les points Mi de coordonnes (i, ri ), o ri dsigne
ltendue du caractre tudi dans lchantillon numro i.
Rgle de dcision :
si tous les points Mi sont situs entre les linges de contrle, le processus est dclar
matris ;
si des points Mi sont situs en dehors des limites de contrle, le processus est dclar
non matris.
Exercice 2.1 Tracer la carte de contrle R de lexemple 2.1.
2.1.2
Cartes (X, S)
Pour m chantillons prlevs, on note X 1 , X 2 , . . . , X m les m variables alatoires qui associent chaque chantillon, la moyenne dans lchantillon du caractre tudi. On dfinit
les m variables alatoires S1 , S2 , . . . , Sm qui chaque chantillon associent lcart type de
lchantillon. Attention ! Lcart type est ici celui dj utilis en estimation, cest lestimateur
ponctuel de lcart type de la population. On dfinit alors la variable alatoire, moyenne des
moyennes des chantillons :
m
1 X
=X=
Xi
m i=1
=
T. Cuesta
S
c4
IUT de Crteil
1 Pm
Si et c4 est un coefficient dpendant de lentier n (voir la table en annexe).
m i=1
Carte de contrle de la moyenne : carte X
Les paramtres de cette carte, pour des chantillons de taille n, sont les suivants :
o S =
On pose : A3 =
LIC =
3
n
LSC =
+ 3
n
LC =
3
. On a alors :
c4 n
LC =
LIC =
A3 S
LSC =
+ A3 S
Exercice 2.2 Dans lexemple 2.1 page 4, une premire srie de mesures a t effectue. On renouvelle
le prlvement dchantillons. Les nouvelles mesures sont reportes ci-dessous. Le calcul des carts
types est ralis laide de la formule :
v
u
n
u 1 X
t
(xi x
)2
n1
i=1
chantillon
n i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
x
x
249
254
253
253
253
254
255
249
248
250
253
248
255
251
251
255
255
250
247
254
x
247
250
250
255
254
254
253
248
255
247
252
247
246
254
251
251
250
251
255
247
x
253
255
246
255
246
254
252
255
249
247
250
250
246
247
255
251
250
250
248
250
253
250
247
254
247
252
254
252
251
247
253
253
249
255
255
254
252
249
246
254
250.5
252.25
249
254.25
250
253.5
253.5
251
250.75
247.75
252
249.5
249
251.75
253
252.75
251.75
250
249
251.25
3
2.63
3.16
0.96
4.08
1
1.29
3.16
3.1
1.5
1.41
2.65
4.24
3.59
2.31
2.06
2.36
0.82
4.08
3.4
On pose B3 = sup 1 3
1
1, 0
c24
LC = S
et B4 = 1 + 3
LSC = B4 S
7
r
1
1. On a alors :
c24
LIC = B3 S
Lorsque les cartes de contrle de phase I font apparatre un processus matris, leurs paramtres
peuvent tre utiliss pour des cartes de phase II lors de la surveillance de la production en
temps rel.
2.2
Ces cartes de contrle sont galement appeles : cartes de contrle de phase II. Elles sont
utilises pour le suivi du processus en temps rel. Les valeurs standard de ces cartes sont
tablis au pralable et constituent des valeurs cibles. On note 0 la valeur cible de la moyenne,
et 0 la valeur cible de lcart type. Ici, LC, LSC et LIC ne sont plus des variables alatoires,
mais des valeurs numriques fixes suivant des rgles bien prcises.
Les cartes de Shewhart sont caractrises par des limites de contrle situes trois carts
type de part et dautre la tendance centrale.
Les bases probabilistes de ces cartes sont dues au fait que lon considre que la variable
alatoire associe aux mesures suit la loi normale N (0 , 0 ). Pour les cartes de Shewhart,
la probabilit de fausse alerte (risque de premire espce) est approximativement gale
0,0027.
Carte X de Shewhart
Les paramtres de cette carte sont :
LC = 0
0
LSC = 0 + 3
n
0
LIC = 0 3
n
LSC = 0 + A0
LIC = 0 A0
3
En posant A = , on obtient :
n
LC = 0
LSC = d2 0 + 3d3 0
LIC = d2 0 3d3 0
IUT de Crteil
LSC = D6 0
LIC = D5 0
2.3
2.4
n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
20
et inconnus (phase I)
ligne centrale
limites de contrle
ligne centrale
limites de contrle
Carte X
A2 R ou
A3 S
0 A0
Carte R
D3 R, D4 R
d 2 0
D5 0 , D 6 0
Carte S
B3 S, B4 S
c 4 0
B 5 0 , B 6 0
d3
0,853
0,888
0,880
0,864
0,848
0,833
0,820
0,808
0,797
0,787
0,778
0,770
0,762
0,755
0,729
c4
0,7979
0,8862
0,9213
0,9400
0,9515
0,9594
0,9650
0,9693
0,9727
0,9754
0,9776
0,9794
0,9810
0,9823
0,9869
A
2,121
1,732
1,500
1,342
1,225
1,134
1,061
1,000
0,949
0,905
0,866
0,832
0,802
0,775
0,671
A2
1,880
1,023
0,729
0,577
0,483
0,419
0,373
0,337
0,308
0,285
0,266
0,249
0,235
0,223
0,180
A3
2,659
1,954
1,628
1,427
1,287
1,182
1,099
1,032
0,975
0,927
0,886
0,850
0,817
0,789
0,680
B3
0
0
0
0
0,030
0,118
0,185
0,239
0,284
0,321
0,354
0,382
0,406
0,428
0,510
B4
3,267
2,568
2,266
2,089
1,970
1,882
1,815
1,761
1,716
1,679
1,646
1,618
1,594
1,572
1,490
B5
0
0
0
0
0,029
0,113
0,178
0,232
0,277
0,314
0,346
0,374
0,399
0,420
0,503
B6
2,606
2,276
2,088
1,964
1,874
1,804
1,752
1,707
1,669
1,637
1,609
1,585
1,563
1,544
1,471
D3
0
0
0
0
0
0,076
0,136
0,184
0,223
0,256
0,283
0,307
0,328
0,347
0,415
D4
3,267
2,574
2,282
2,114
2,004
1,924
1,864
1,816
1,777
1,744
1,717
1,693
1,672
1,653
1,585
D5
0
0
0
0
0
0,205
0,387
0,546
0,687
0,812
0,924
1,026
1,121
1,207
1,548
D6
3,686
4,358
4,698
4,918
5,078
5,203
5,307
5,394
5,469
5,534
5,592
5,646
5,693
5,937
5,922
9
Tab. 1 Coefficients des cartes de Shewhart en fonction de la taille n des chantillons (source :
Une application industrielle des statistiques : la carte de contrle, brochure de lIREM de
Clermont-Ferrand)
3
3.1
n(LIC 0 )
n(X 0 )
n(LSC 0 )
P
=1
0
0
0
n(LSC 0 )
2
1=1
0
n(LSC 0 )
=1
0
2
On dtermine le rel t1/2 tel que :
(t1/2 ) = 1
0
LSC = 0 + t1/2
n
0
LIC = 0 t1/2
n
La valeur de la plus utilise dans la pratique est 0,2%. On a alors t99,9% ' 3,09 ; valeur
voisine de la valeur 3 de la carte de Shewhart.
Pour les cartes de contrle aux mesures de phase II aux limites probabilistes, les rgles de
dcision sont identiques celle des cartes de Shewhart.
3.2
Carte R
On utilise, pour dterminer les paramtres dune carte de contrle de ltendue aux limites
R
probabilistes, la loi de ltendue relative. Ltendue relative est dfinie par : w = . Pour un
0
risque de premire espce gal , on a :
LC = d2 0
T. Cuesta
LSC = w1/2 0
LIC = w/2 0
IUT de Crteil
10
P=
P=
P=
P=
P=
P=
P=
P=
P=
P=
w
n
'
!
&
2
*
'
!
8
*&
*
F2
%
P=
w
w
w
w
w
w
w
w
w
!"
#
$% &(')
* ' &+'
&
)
',
)
-
.
'
/!0
!'1
2/"' '
(' &%2/&3!)
425! !'
'!'6
!'!"
"
&
"' &'('
.! !7
825!
'
9&
&&&3
:29
;
'
3 %2$' 29&'(! %
3! &!<! &
/!
9
29
>
&;
4/!# !' !%
'?! '9' ! %2/'
%28!
&
'@
9!5
4=
A
!!-
3 &9!3!%)
?!
3! -
' 7
B!
:2/'
&
&>
!7
A
&
3 "!% C! &
C9
, ''
&
7
D'@
'!!#
=
A
!-
3
3!% '&?!
A9)
&E !7
*2
2
''&
!&%20
&/!<
2&9!;'
9&3!% !42F!$! 2
/09)
G
9!%2@I &29
6
:2293
'#'
!% &''(! !&A9 ''%2+ &!'
'
&!
#
)
*&9;' 4293!% &3
2 9 '%2+
/!
!42
2(
&
!%>' '2(!% $
&9'9 !49' &
&
2
/!J
'%?H
' '
5' !!"!% 29
)
"9
9!, 2G
&'
2
%2C %
9" '
5' !42F!"!% 22()
*&9'9 G
K 2&
&
!&
? %3 !4&5' /!-
.!%
$ %
2 9 !,
L
9,)
'$ ''
&5' 9' !% !42( 49
A9 &'< !
:2F
)
42C '3 '#' &9!"!% %22( =2F9 &9!, 42/&
:22M)
& %9!3 !49
&5' &22
9&3 '&A9
<&
!
w
! &
&
'-
!=2
&
'
2/
&
!
&
&)
!
&)
& '
& =2
& '
& '%
& '42
& !7
R
Tab. 2 Fractiles de la distribution de ltendue rduite : p = P
wp (sources : Une
0
application industrielle des statistiques : la carte de contrle, brochure de lIREM de ClermontFerrand et CISIA, CERESTA, 1995)
3.3
Carte S
On dmontre, et nous admettrons, que si X1 , . . . , Xn sont des variables alatoires indpendantes suivant la loi normale N (, ), alors
Pn
2
2
(n 1)Sn1
i=1 (Xi X)
=
2
2
1 Pn
suit la loi de 2 n 1 degrs de libert ; avec X =
Xi .
n i=1
Pour un chantillon de taille n donn, avec un risque de premire espce gal , la
probabilit que lcart type de lchantillon appartienne lintervalle [LIC, LSC], inclus dans
R+ , est donne par :
(n 1)LSC 2
(n 1)LIC 2
U
P (LIC Sn1 LSC) = P
02
02
2
(n 1)Sn1
suit la loi 2n1 .
2
0
On rappelle que le risque correspond une probabilit que lcart type de lchantillon
soit infrieur LIC, gale la probabilit que cet cart type soit suprieur LSC, gale .
2
(n 1)LSC 2
o U =
3.3 Carte S
11
LC = c4 0
LSC = 0
u1/2
n1
LIC = 0
u/2
n1
Exercice 3.1 Sur une chane dembouteillage deau minrale, on prlve 25 chantillons de 5 bouteilles. La quantit deau contenue dans les bouteilles doit tre en moyenne de 150 centilitres, avec un
cart type de 5 centilitres.
La tableau ci-dessous donne, en centilitres, la quantit deau contenue dans chacune des bouteilles,
ainsi que les rsultats du traitement statistique des donnes laide dun tableur.
Numro
d'chantillon
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
T. Cuesta
xN
153
149
151
151
153
150
150
153
150
154
147
150
150
155
151
154
153
148
155
148
147
151
156
154
152
xO
156
150
148
150
150
150
155
148
150
156
153
151
155
149
153
150
156
151
155
148
153
149
151
155
156
xP
148
148
151
155
154
154
147
148
149
152
152
150
147
150
150
149
154
148
149
153
150
155
148
156
148
xQ
147
151
155
151
147
154
156
150
154
147
152
154
150
148
151
150
154
153
152
148
156
156
154
151
155
xR
148
148
153
154
152
151
147
156
147
154
149
151
147
149
154
151
147
154
152
156
151
154
153
150
152
xS
149
153
156
153
151
153
150
156
152
153
149
156
152
150
155
154
149
154
149
155
152
156
154
149
153
RS S T
9
3
7
5
7
4
9
8
7
9
6
4
8
7
4
5
9
6
6
8
9
7
8
6
8
3.91
1.3
2.61
2.17
2.77
2.05
4.3
3.46
2.55
3.44
2.51
1.64
3.27
2.77
1.64
1.92
3.42
2.77
2.51
3.71
3.36
2.92
3.05
2.59
3.13
IUT de Crteil
12
1. On peut voir sur la copie dcran ci-dessous, la formule crite en I2 pour calculer lcart type.
Quelles peuvent tre les formules crire dans les cases G2 et H2?
2. Construire les cartes X, R et S, pour un risque de fausse alerte gal 0,2%.
3. Le processus est-il matris?