Master 2 SID Maitrise statistique des proc ed es Introduction

Universit e Paul Sabatier

Ceci est la mise au propre dun cours donn e par Virginie Mas-Leroux et Monique Pontier. Il sappuie sur lexp erience de Madame Leroux et sur la bibliographie donn ee en annexe (essentiellement les ouvrages de Baillargeon [2, 3] et Pillet [5]). Plan : Capabilit e(s) Cartes de contr oles Plans d echantillonnage simple Plans d echantillonnage double Cartes multi-crit` eres Cas des petites s eries

1
1.1

Capabilit e dun proc ed e

Sp ecications dun proc ed e

Lorsquun objet est produit en s erie au cours dun proc ed e (de fabrication), certaines de ses caract eristiques sont num eriques : elles doivent etre imp erativement proches dun objectif id eal, comprises dans une fourchette acceptable. Celle-ci est x ee par le bureau d etudes. D enition 1.1 On appelle sp ecications un couple de valeurs (Ti , Ts ) entre lesquelles doit se trouver la grandeur mesurable X concern ee. On les appelle aussi tol erances inf erieure et sup erieure. Ce mot de tol erance est egalement utilis e mais dans un autre sens en abilit e (cf. le cours correspondant du second semestre), o` u lon parle aussi de limites de dispersion. Ces limites sont etablies par ling enieur-concepteur pour les valeurs individuelles mesur ees, et non pour les moyennes sur des echantillons pr elev es. On se fonde sur lhypoth` ese (forte!) que ces mesures suivent une loi gaussienne 2 2 N (m, ), m et devant etre estim ees sur des echantillons. De fait, dans des cas assez rares, lhypoth` ese gaussienne nest pas utilis ee, mais par exemple il arive parfois que lon x utilise des lois du type P (X x) = ee . Ts . Ceci nest pas toujours le En g en eral, on voudrait que m soit lobjectif id eal et m = Ti + 2 cas. Le but de ce chapitre est de donner un moyen qui permette de mesurer le risque de produire des objets d efectueux (non conformes), i.e. Xj nappartient pas ` a [Ti , Ts ]. Do` u limportance de maitriser lusage de la loi gaussienne et des tables a erentes.

1.2

Quelques exercices sur la loi gaussienne

(i) X est la mesure de la caract eristique etudi ee. On suppose que X suit la loi N (m, 2 ) . Calculer P{X Ti }, P{X Ts } en fonction de Ti , Ts , m, 2 . . Application num erique : Ti = 78 12, Ts = 78 + 12, m = 78, 2 = 3.8. . Quel est le pourcentage attendu dobjets non conformes ? (ii) X est la mesure de la caract eristique etudi ee. On suppose quun meilleur r eglage de la production permet de diminuer . Que doit etre pour que le pourcentage de d efectueux diminue de moiti e? Sortir les tables de quantiles

1.3

D etermination de la capabilit e dun proc ed e stable

D enition 1.2 On dit quun proc ed e est stable sil a et e susamment test e pour que la suite des mesures (Xi ) suive une loi gaussienne. Au vu de n k echantillons pr ealables, on admet que - la loi est gaussienne, i , i = 1, , n) est stable, - la suite des moyennes (X

- la suite des etendues (Ri = maxj (Xij ) minj (Xij ), i = 1, , n) ou des ecarts-types (si ) est stable. Question : quel outil statistique permet-il de tester correctement ces trois hypoth` eses ? 1.3.1 Estimation de

Deux cas sont distingu es : k 10 ou k 10. 1 1 . k 10, = d2 n n u d2 est donn e par une table, calcul e en sorte que cet i=1 Ri o` estimateur soit sans biais. n 1 . k 10, = c14 n u c4 est donn e par une table, calcul e en sorte que cet estimateur i=1 si o` soit sans biais. Cest la pratique usuelle, tout ` a fait contestable, cet estimateur na pas beaucoup de propri et es, il vaudrait mieux choisir un estimateur UPP. Question : que proposeriez vous ` a la place ? k 2 3 4 5 6 7 8 9 10 d2 1.128 1.693 2.059 2.326 3.534 2.704 2.847 2.970 3.078 k 10 12 14 15 16 18 20 22 25 c4 0.9727 0.9776 0.9810 0.9823 0.9835 0.9854 0.9869 0.9882 0.9896
2 (k/2) .` a v erier De fa con g en erale, c4 (k ) = k ((k 1)/2) Ces estimateurs ne sont pas tr` es bons, on peut sugg erer ` a la place n k 1 2 = 1 i )2 . (Xij X n i=1 k 1 j =1

Ce d efaut provient de la rigidit e des cartes de contr oles qui font des relev es par echantillon et ne m emorise pas le d etail des valeurs individuelles. 1.3.2 Estimation de m 1 n Xi , not e souvent X. n i=1 3

Classiquement m =

1.3.3

Estimation de la proportion de non conformes

Cette proportion est estim ee par Ts + m {X Ti } + P {X Ts } = ( Ti m P ) + ( ). 1.3.4 Exemples

Exercice (Baillargeon page 137) : on consid` ere un proc ed e de placage en or de circuits imprim es. On dispose de n = 25 echantillons de taille k = 10 de l epaisseur du placage epaisseur de X . On obtient j =1,25 Xj = 922.5 et j =1,25 sj = 63.53. Lobjectif est une 36, Ti = 30, Ts = . Estimer les param` etres de la variable X en supposant quelle est gaussienne, en d eduire le nombre de non conformes sur une production de 10 000 circuits. = 36.9 ; X = 6.9 63.53 ; P{X 30} = ( 25 0.9727) = (2.64) 25d4 (10) 63.53

o` u est la fonction de r epartition de la loi gaussienne standard. Le nombre non conformes attendu est de lordre de 410.

1.4

Indice de capabilit e Cp
Ts Ti . 6

D enition 1.3 Cp :=

Parfois, on appelle capabilit e la quantit e 6 . Interpr etation gaussienne : si Cp = 1, et si lon suppose m = T0 = obtient la proportion de non conformes suivante : pd = P{X Ti } + P{X Ts } = (
Ti +Ts , 2

alors on

Ts m Ti m ) + 1 ( )=

= (3) + 1 (3) = 0.0024. Si Cp > 1, on a une proportion de d efectueux de moins de 0.0024, Si Cp < 1, on a une proportion de d efectueux de plus de 0.0024, ce qui nest pas acceptable. Remarque 1.4 Les praticiens aiment bien que Cp = 1.33 ce qui correspond ` a et ` a une proportion de d efectueux de 6 pour 100 000.
Ts m

= 4,

Si m = T0 , cette estimation nest plus tr` es rigoureuse, le nombre eectif de non conformes augmente si lintervalle [Ti , Ts ] croit ou d ecroit, le pire etant atteint lorsque Ti ou Ts = m ; dans ce cas la proportion de non conformes peut atteindre 50 pour cent. Do` u la n ecessit e de d enir dautres indices. 4

1.5

Autres indices de capabilit e

Ts X , 3

X X Ti , 3 ), Cpu := D enition 1.5 Cpk := min( Ts3

Cpl :=

T X i . 3

Ces indices pallient bien linconv enient que m di` ere de la valeur T0 . =T . Proposition 1.6 Cp = Cpk X 0 Preuve en exercice.

1.6

Interpr etation probabiliste de Cpk

Si lon revient ` a la d enition de Cpk en acceptant lhypoth` ese gaussienne avec les param` etres estim es (X, ), et si Cpk 2.5, alors l ev` enement {X Ti } {X Ts } est de probabilit e evalu ee par X X Ti X X X Ts X P{ } + P{ }
X et major ee par 2(1 (3Cpk )) puisque min( Ts tion de non conformes. T X i )

3Cpk ce qui majore la propor-

Exercice : evaluer cette proportion de non-conformes pour Cpk variant de 2.5 ` a 0.8.

1.7

Capabilit es th eorique et pratique

Ti th Si lon connait la vraie valeur de , la capabilit e th eorique est Cp = Ts6 . On voudrait que cette quantit e soit sup erieure ` a C0 , valeur id eale de capabilit e. Mais on ne dispose que de lestimation . (i) Lorsque ou plut ot 2 est estim e` a partir des variances exp erimentales des k - echantillons, soit : 1 k 1 j (xi x i )2 , i = 1, , n, s2 = i k 1 j =1 k 1 j 2 = 1 i s2 = 1 2 suit une loi de on obtient i )2 auquel cas n(k 1) i i j =1 (xi x n n(k 1) khi-deux ` a p = n(k 1) degr es de libert e. Ceci donne 2 dans un intervalle de conance :

2 2 p [bp , [= 0.95 = P{p( ) bp }, donc, ` a 95 pour cent, on peut dire que

th exp Cp = Cp p bp

soit p C0 . bp

exp bp exp Cp C0 d` es que Cp p 5

exp Proposition 1.7 Soit bp tel que 2 p [bp , [= 0.95, alors Cp

p C bp 0

th Cp C0 .

Il existe des tables pour cela. Mais il vaut mieux se rappeler que pour p 30, la loi de 22 2p 1 est ` a peu pr` es la loi gaussienne centr ee r eduite. p Exercice : Si lon veut une conance de 1 , le coecient correcteur dans le cas p o` u q est le quantile de la loi gaussienne standard (soit p 30 est p = 2p21+ q P{Y q } = ). Preuve : Soit Y de loi gaussienne standard, P{2 p bp } = P{Y donne 2bp correcteur 2bp 2p 1} = 1

o` u q est le quantile de la loi gaussienne standard.

1 2p 1 = q soit bp = 2 ( 2p 1 + q )2 . Dans le cas p 30, le coecient 2p p p = = 2p 1 + q bp

(ii) Par contre, lorsque est estim e` a partir des etendues des k - echantillons, soit Ri = sup xj i j inf
j

xj i,

1 = nd2 (k )

Ri ,
i=1

A priori, on sait seulement que E [R ] = d2 (k ), le probl` eme est de conna tre la loi de R. mais la loi de cette variable al eatoire nest pas facilement accessible, et lon ne dispose pas de tables permettant d evaluer dans ce cas la probabilit e P{ dR b} et de trouver b tel 2 (k ) que cette probabilit e soit 1 an dobtenir lintervalle de conance 1 de la forme [0, R ]. bd2 (k )

Remarquer n eanmoins que ce calcul dintervalle de conance convient d` es que le nombre dobservations, cest ` a dire nk, est assez grand, soit par exemple nk 30, ce qui est souvent le cas m eme si k 10....Ce qui signie quil est beaucoup plus pertinent destimer 2 de toutes fa cons par les variances exp erimentales que par les etendues. Exercice : calculer p pour p = 40, 50, 75, 100 et comparer avec les coecients donn es par Baillargeon page 142.

2
2.1

Cartes de contr ole pour des grandeurs mesurables

Introduction, objectifs

Les objectifs de ces cartes dans le contr ole de la qualit e de la production sont : - contr ole de la stabilit e (on produit des choses en s erie identiques) - contr ole du nombre de produits non conformes dans chaque lot produit. Il y a aussi le contr ole des caract eristiques qualitatives, contr ole de la qualit e par attribut, hors programme. Ici, on cherche ` a contr oler une grandeur mesurable, i.e. ` a valeurs r eelles, do` u le titre du chapitre. Pr ealables ` a poser avant la mise en oeuvre : . quelles caract eristiques veut-on contr oler ? . instruments de mesure ` a utiliser ? . taille des echantillons ` a lint erieur dun lot (le plus souvent entre 5 et 10) ? . fr equence des contr oles ? (en cas de production continue : tous les jours ? toutes les heures ?) . co ut du contr ole ? (` a mettre en regard avec le co ut de produire des objets d efectueux...) De fait, il faut savoir quen g en eral, il nest pas utilis e de bases statistiques r eelles.

2.2

D enition dune carte de contr ole, di erents types de cartes

Il sagit dun relev e des mesures dune caract eristique num erique en fonction du temps, autour de la moyenne, entre deux lignes horizontales, dordonn ees appel ees LIC et LSC, ou limites provisoires, de contr ole, egales ` a la valeur cible (lobjectif id eal) 3 .

dessin

Il sagit de diagnostiquer des ecarts ` a cette bande de conance. Il y a di erents types de cartes : et R dans le cas dune taille d cartes X echantillon k 10, cartes X et s dans le cas dune taille d echantillon k 10. Il existe dautres types de cartes : carte CUSUM par exemple (cf. Baillargeon p. 216) quand on sint eresse ` a l ecart ` a la valeur cible. 7

2.3

Sources de variabilit e

La variabilit e, qui contredit la stabilit e de la production, peut venir des mati` eres premi` eres, de la main doeuvre, des outils de fabrication, des instruments de mesure. (cf. le sch ema AMDEC et le diagramme dIRIKAWA qui seront vus dans lautre partie du cours). D enition 2.1 On dit quun proc ed e de fabrication est dans un etat stable si la r epartition exp erimentale de la valeur mesur ee sur l echantillon est approximativement gaussienne (on dit que lon a la maitrise statistique du proc ed e) et ` a peu pr` es identique dun echantillon ` a lautre, tout en restant dans lintervalle [c0 3( ), c0 +3( )], et sans pr esenter de tendance. Normalement cest c0 , la valeur cible ; de fait, quand le proc ed e est bien maitris e, on remplace c0 par X.

2.4

Carte X

Cas k 10 La fr equence du pr el` evement d epend de la vie de lentreprise, du co ut, etc. Le nombre et s soient ables. On op` n de k - echantillons doit etre sup erieur ` a 20 pour que X ere les calculs 1 i )2 . i = 1 Xij , s2 (Xij X i = 1, , n, X i = k j k1 j On obtient un graphique avec le temps en abscisse et les estimations en ordonn ee, chaque point repr esentant un echantillon, si k = 1 il sagit dun contr ole exhaustif. On d enit trois zones correspondant ` a: m X , ; m 3X ; m 2X la deuxi` eme est une zone de surveillance, et la troisi` eme une zone de contr ole. Bien s ur, m est estim ee en g en eral par X obtenue avec de pr ec edents echantillons.
1 Exercice : . = X k On rappelle que est estim e par A3 (k ) qui gure dans des tables

s , c4 (k )

traditionnellement, le coecient

3 kc4 (k )

est not e

k 11 12 13 14 15 16 17 18 19 20 22 24 25 A3 0.927 0.886 0.850 0.817 0.789 0.763 0.739 0.718 0.698 0.680 0.647 0.619 0.606

Cas k 10 pour les petits echantillons. et on rappelle On rel` eve l etendue Ri pour chaque echantillon i, on fait leur moyenne R 8

que est estim e par = le coecient

3 kd2 (k )

R . d2 (k )

ee par Quant ` a X elle est estim

R , kd2 (k )

traditionnellement,

est not e A2 (k ) qui gure dans des tables.

k 2 3 4 5 6 7 8 9 10 A2 1.880 1.023 0.729 0.577 0.483 0.419 0.373 0.337 0.308

3 kd2 (k )

est not e A2 (k ).

3 aX X Limites provisoires : au d epart, on prend comme limites c0 3 X , puis on passe ` lorsque lon est s ur que la moyenne est la cible. Ensuite, on actualise X et au l des echantillons observ es, jusqu` a stabilisation ; on obtient alors les limites de contr ole, soit i avec i = 1 , 2 , 3 . X X

2.5

Carte s, cas k 10
3 1c2 4 (k ) . c4 (k )

LICs = B3 (k )s, LSCs = B4 (k ) s. On peut montrer Bi (k ) = 1 chercher.

On introduit de m eme des limites pour s qui proviennent de quantiles de la loi de khideux. L` a aussi, on fournit des tables donnant les coecients B3 ( k ) et B4 (k ) tel que

r ef erence ` a

k 11 12 13 14 15 16 17 18 19 20 22 24 25 B3 0.321 0.354 0.382 0.405 0.428 0.448 0.446 0.482 0.497 0.510 0.534 0.555 0.565 B4 1.679 1.646 1.618 1.594 1.572 1.552 1.534 1.518 1.503 1.490 1.466 1.445 1.435

2.6

Carte R, cas k 10

On calcule On rel` eve l etendue Ri pour chaque echantillon i, on fait leur moyenne R. les limites de contr ole de R avec des coecients gurant dans des tables : LICR = D3 (k )R, LsCR = D4 (k )R. k 2 3 4 5 6 7 8 9 10 D3 0 0 0 0 0 0.076 0.136 0.184 0.223 D4 3.267 2.575 2.282 2.115 2.004 1.924 1.864 1.816 1.777 Ces coecients viennent dune estimation dintervalles de conance d eduits de la loi de moyenne des R, etendues dun echantillon gaussien.

2.7

Diagnostics

On recherche les points ` a lext erieur des limites, les points particuliers. On appelle causes communes la variabilit e normale au sens gaussien, qui donnent des points distribu es selon la loi normale. On appelle causes sp eciales la variabilit e exog` ene, due 9

 eventuellement ` a un dysfonctionnement de la machine, ces points hors limite sont une alerte qui permet de conduire ` a un r eglage. Il existe, en plus des points hors limites, une s erie de tests automatiques (7 tests) pas forc ement tous fond es statistiquement. Par exemple tendance, p eriodicit e, points align es horizontalement..... mais il vaut mieux privil egier laspect statistique.

2.8

Ouverture sur une meilleure estimation de

1 k 1 j j ( Xi

Pour chaque echantillon s2 i = 2 : 2 = 1 n

i )2 . On propose ici comme estimateur de X

i j

s2 i =
i

estimateur sans biais et uniform ement plus puissant du param` etre 2 . i = 1 k Xij est de variance 1 2 , et on peut estimer la variance 2 Notons que X j =1 X k k n s2 1 2 i=1 i . Avec cet estimateur, pour les cartes s on peut eviter A3 (k ) et les par X = k n
2 Par ailleurs, les s2 eatoires ind ependantes de m eme loi et X i sont des variables al converge presque s urement et dans L2 vers 2 /k. Cest un estimateur consistant, de maximum de vraisemblance et uniform ement plus puissant.

1 n(k 1)

i )2 (Xij X

l limites de contr ole sont alors X

n s2 i=1 i

nk

, l = 1, 2 , 3 .

Lutilisation de cet estimateur permet de sabstenir egalement des coecients B4 , B3 2 n(k 1) pour les cartes s. En eet, la loi de est (2 n(k 1) ) ce qui permet des intervalles de 2 conance. On cherche a et b tels que P(a 2 [
2 n(k 1) 2

b) = 1 109 , soit s2 i,
i

n(k 1) 2 n(k 1) 2 k1 ]=[ a b a

k1 b

s2 i]
i

avec une tr` es grande probabilit e. Ces limites doivent etre calcul ees sur des s eries pr ec edentes doivent se trouver dans les bandes de conpour lestimation 2 . Les s2 surveill e s ensuite i ance evalu ees sur les observations pr ec edentes : n(k 1) 2 n(k 1) 2 ; a b avec 2 estim e pr ec edemment sur n k - echantillons, et a et b tels que respectivement LICs2 = P{n(k1) a} = (j ), P{n(k1) b} = (j ), j = 1, 2, 3. Exercice Comparer lexigence des deux types de limites selon que lon utilise s 2 - pour les cartes X ou s - cartes s2 contre cartes s. 1 1 2 On remarquera que s = n i si < i si , ce qui veut dire qua priori lestimateur n sous-estime . Reste ` a v erier que les coecients A3 et B4 compensent susamment. 10

Plans d echantillonnage simples

cf. [3] chapitre 1.

3.1

Introduction

En plus de la maitrise statistique des proc ed es et des contr oles de qualit e, un autre point de vue est de v erier la conformit e des produits aux normes (AFNOR par exemple). On ne va pas v erier tous les produits (ce quon appelle un contr ole exhaustif) pour plusieurs raisons : - le contr ole peut etre destructif (endommager le produit), - cela co ute cher, - cest physiquement impossible, - nalement, ce nest pas forc ement ecace. Bien s ur, cela ne vaut pas pour les industries de luxe (s eries tr` es limit ees) ou celles faisant intervenir des probl` emes de s ecurit e. Sinon, on fait un tirage al eatoire : contr ole par pr el` evement. Il y a deux types de contr oles : - produit conforme/non conforme (contr ole par attibut), - d ecompte de d efauts. On naborde dans ce chapitre que le premier type de contr ole. Il y a deux etapes du conr ole : - avant de vendre (produit ni), - avant dacheter (mati` eres premi` eres).

3.2

D enition, mod` ele probabiliste

D enition 3.1 Un plan de contr ole est une modalit e de pr el` evement qui permet de d enir une r` egle de d ecision pour accepter ou rejeter un lot. Il est d etermin e par un couple (n, c) o` u n est la taille du pr el` evement et c est le seuil tel que si le nombre de non conformes X c le lot est accept e, sinon, il est rejet e. Un plan est dautant plus satisfaisant quil permet de mieux discriminer les lots de bonne qualit e des lots de mauvaise qualit e, cest ` a dire lorsque la qualit e est bonne (faible pourcentage de pi` eces d efectueuses), la probabilit e dacceptation doit etre elev ee. Ceci est le plan simple ; il y aussi le plan double, le plan multiple, le plan progressif. Soit un lot de N pi` eces, on en pr el` eve n au hasard. On suppose p la proportion de non conformes (la qualit e du lot), p [0, 1], et n tr` es petit devant N. Cette hypoth` ese permet dassurer que le tirage sans remise naecte pas la proportion p.

11

Exemple : N = 400 ches electriques. On propose le plan (50, 1), on tire 50 ches au hasard, on accepte le lot si X 1, on le rejette sinon. Exercice : (i) Donner la loi de X , et la loi approch ee puisque n est petit devant N (plus pr ecis ement N > 100, N > 10n.) (ii) Donner une autre approximation si n tend vers linni, p tend vers 0 et np tend vers constante strictement positive. (iii) Lapproximation gaussienne (np, (1 p 10) de fait ne convient pas.

3.3

Courbe decacit e

Que se passe-t-il puisquen fait on ne connait pas p ? On etudie la fonction Pa : p Pp {X c}. Le graphe de cette fonction sappelle la courbe decacit e ` a tracer ` a n et c x es. Selon lapproximation choisie, on obtient lune des deux fonctions :
c c k k Cn p (1 p)k ;

Pa : p

enp
k =0

k =0

(np)k . k!

Le param` etre p sappelle la qualit e eective du lot. Proposition 3.2 La fonction Pa vaut 1 en 0, est nulle en 1, est d ecroissante pour tout (n, c).
Preuve en exercice, exo 4 feuille 3 ; indication : calculer la d eriv ee Pa (p).

Ces courbes sinterpr etent de la fa con suivante : le trac e de la courbe indique la probabilit e dacceptation du lot en fonction du vrai p inconnu. Cela veut dire que sur un grand nombre de lots de qualit e p, on va en accepter une proportion Pa (p), et une proportion 1 Pa (p) sera rejet ee. Pour mieux s eparer les deux d ecisions, on aimerait Pa (p) grand quand p est petit ; Pa (p) petit quand p est grand. Proposition 3.3 Soit (p, n) x es, alors si c augmente, Pa (p) augmente aussi, le contr ole est moins s electif. Preuve en exercice.
Proposition 3.4 Soit (p, c) x es, alors si n augmente, Pa (p) est de plus en plus n egative et Pa d ecroit plus rapidement.

Preuve en exercice. Plus pr ecis ement, au point dinexion c/n ou c/(n 1), qui se rapproche de 0 quand c c c c c c n augmente, la pente vaut nCn ( n ) (1 n ) ou nec c est de plus en plus n egative 1 1 c! et la discrimination est meilleure. 12

En conclusion, en augmentant n on obtient une meilleure discrimination entre les deux d ecisions. Remarquons que la prise de d ecision ne d epend pas d ela taille du lot. N eanmoins, on introduit la notion de criticit e. D enition 3.5 Non conformit e critique : non conformit e qui, dapr` es le jugement et lexp erience, est susceptible de conduire ` a un manque de s ecurit e ou ` a des risques daccidents pour les utilisateurs, le personnel dentretien, ou ceux qui d ependent du produit en question, ou bien une non conformit e qui, dapr` es le jugement et lexp erience, pourrait emp echer laccomplissement de la fonction du produit. NQA = 0.01. Non conformit e majeure : non conformit e qui, sans etre critique, risque de provoquer une d efaillance ou de r eduire de fa con importante la possibilit e dutilisation du produit pour le but qui lui est assign e. NQA = 0.025. Non conformit e mineure : non conformit e qui ne r eduira vraisemblablement pas beaucoup la possibilit e dutilisation du produit pour le but qui lui est assign e ou qui traduit, par rapport aux normes etablies, une divergence nentrainant pas de cons equences appr eciables sur lutilisation ou le fonctionnement ecace du produit ; ces non conformit es mineures sont souvent associ ees ` a lapparence du produit. NQA = 0.04. Exemples de plans d echantillonnage propos es pour la sp ecication selon la taille du lot N n c 2500 4 0 (2500, 10000) 5 0 (10000, 50000) 10 0 (50000, 100000 15 0 10000 27 1
Dans les quatre premiers cas, la fonction dacceptation est p (1 p)n , Pa (p ) = n1 n(1 p) . Tracer le graphique, donner risque fournisseur et risque client pour NQA = 0.01, NQL = 0.1.

3.4

Niveaux de qualit e acceptable, tol er e, NQA, NQL

D enition 3.6 NQA, niveau de qualit e acceptable, est le sup des p acceptables pour un risque fournisseur donn e: = P{X > c/p = NQA}, = 1 Pa (NQA). Proposition 3.7
pN QA

sup [1 Pa (p)] = 1 Pa (NQA). 13

Interpr etation : cest le risque de refuser un lot alors quil est de qualit e acceptable (cf. le risque de premi` ere esp` ece). D enition 3.8 NQL, niveau de qualit e limite, est linf des p tol er es pour un risque client : = P{X c/p = NQL}, = Pa (NQL). Proposition 3.9
pN QL

Preuve : puisque Pa est d ecroissante, 1 Pa est croissante et le sup est bien atteint en NQA.

sup [Pa (p)] = Pa (NQL).

Preuve : puisque Pa est d ecroissante linf est bien atteint en NQL.

Interpr etation : cest le risque pour le client daccepter un lot alors quil est de qualit e m ediocre (cf. le risque de seconde esp` ece). Lobjectif est d etablir un bon plan d echantillonnage (n, c), (, NQA) et (, NQL) etant donn es (selon un accord entre le fournisseur et le client). Ceci se ferait facilement avec lapproximation gaussienne (mais on a vu que celle-ci est illusoire !) Pour les lois binomiales et de Poisson, il existe les tables de J.M. CAMERON. Graphiquement, consid erons par exemple la courbe decacit e du plan (n, c), Pa (p) = n n1 (1 p) + np(1 p) + ..., il sagit de trouver n et c tels que cette courbe passe par les points (NQA, ) et (NQL, ).
c

1=

e
k =0

n.N QA (n.NQA)

k!

; =
k =0

n.N QL (n.NQL)

k!

Ce probl` eme (syst` eme de deux equations ` a deux inconnues) nest pas r esoluble analytiquement, do` u lusage de tables. Liste des abr eviations et sigles pour les plans d echantillonnage. =risque fournisseur =risque client c=crit` ere dacceptation (si X > c on accepte le lot), N taille du lot, n taille de l echantillon (n, c)=plan d echantillonnage simple. NQA= niveau de qualit e acceptable (AQL en anglais), NQL= niveau de qualit e tol er e (LTPD en anglais). 14

4
4.1

Plans d echantillonnage doubles

Introduction, cf. [3] pages 43-86

Le plan d echantillonnage simple a linconv enient dexiger le plus souvent une taille d echantillon assez elev e. Dans le cas dun tr` es bon lot (X c), il faut examiner les n pi` eces avant de conclure ` a lacceptation. L echantillonnage double permet de prendre une d ecision plus rapidement dans les deux cas suivants : - lot tr` es bon (proc ed e maitris e), - lot tr` es mauvais (proc ed e non maitris e). Evidemment, leectif n1 + n2 des deux echantillons est plus elev e que leectif n du plan simple, mais on peut voir que, en moyenne, on a moins dobjets ` a examiner (sauf dans les cas moyens, entre tr` es bons et tr` es mauvais). D enition 4.1 Un plan double est la donn ee de deux plans (n1 , c1 ) pour le premier pr el` evement et (n2 , c2 ) pour le second. La m ethode consiste ` a pr elever un n1 echantillon, on note X1 le nombre dobjets d efectueux, - si X1 c1 , le lot est accept e, - si X1 > c2 , le lot est rejet e, - si c1 < X1 c2 , on pr el` eve un n2 echantillon dont X2 pi` eces sont non coformes ; - si X1 + X2 c2 , le lot est accept e, - si X1 + X2 > c2 , le lot est rejet e. Exemple : plan simple (82, 2), plan double (50, 0), (50, 3) X1 X2 2 1 0 0 1 2 3 4 A 2` eme pr el. R A R R A A R A A A

4.2

Probabilit e dacceptation en fonction de la qualit e eective

On suppose ici l egitime dapprocher la loi binomiale B (ni , p) par la loi de Poisson P (nip), i = 1, 2. L ev` enement A, accepter le lot, est A = { X 1 c 1 } { X 1 > c 1 , X1 + X 2 c 2 } , de probabilit e
1 2 P a (p ) = P a (p ) + P a ( p ) = P { X1 c 1 } + c2 k =c1 +1

P { X1 = k } P { X 2 = c 2 k } =

15

c1

=
k =0

en1 p

c2 (n1 p)k (n1 p)k + en1 p k! k! k =c1 +1

c 2 k j =0

en2 p

(n2 p)j . j!

On utilise des tables de loi de Poisson (ou logiciel stat) pour tracer le graphe de cette application, la courbe decacit e, Pa : p Pa (p).

4.3

Courbe decacit e dun plan double

Cest toujours le graphe de Pa . L etude th eorique est terriblement technique. On remarque 1 quand m eme que comme pour le plan simple, Pa (0) = 1, Pa (1) = 0. La fonction Pa est 2 d ecroissante et que lon peut r ecrire (cas n1 = n2 = n) Pa , elle aussi d ecroissante :
2 Pa (p) = e2np

(np)k k =c1 +1 k !

c2

c 2 1 j =0

k! . j !(k j )!

Exercice 1, feuille 4

4.4

Qualit e moyenne apr` es contr ole, AOQ

En anglais Average Outgoing Quality. D enition 4.2 AOQ est lesp erance de la variable al eatoire egale ` a la proportion de pi` eces d efectueuses dans les lots accept es lorsque, apr` es contr ole de l echantillon, on a r epar e ou remplac e les pi` eces non conformes. (On dit que lon a eectu e une inspection rectiante). Exercice 2, feuille 4, indication : on note Y la variable al eatoire egale au nombre de d efectueux restant apr` es cette inspection ; on note A l ev` enement lot accept e, X la variable al eatoire egale au nombre de d efectueux restant dans un lot accept e et calculer lesp erance de Y en remarquant que Y = X.1A . AOQ est lesp erance de Y /N.

4.5

Nombre moyen de pi` eces pr elev ees, ASN

ASN= average sample number, en anglais. Il est clair que lors dun plan simple (n, c) on pr el` eve n pi` eces dans le lot. En revanche, dans le cas dun plan double (n1 , c1 ), (n2 , c2 ) ce nombre de pi` eces pr elev ees devient al eatoire, cest alors une variable al eatoire Y dont on peut calculer lesp erance, do` u ce nombre moyen annonc e: on pr el` eve a priori au moins n1 pi` eces, ensuite on en pr el` eve n2 sur l ev` enement {X1 [c1 + 1, c2 ]}. 16

Soit le nombre de pi` eces pr elev ees : Y = n1 + n2 1{X1 [c1 +1,c2 ]} , et ASN = n1 + n2 Pp {X1 [c1 + 1, c2 ]}. Exercice 3, feuille 4. Comme annonc e, le plan double est moins int eressant pour les qualit es moyennes.

17

5
5.1

Cartes multi-crit` eres

Syst` eme multig en erateur

Il sagit dun syst` eme qui produit plusieurs pi` eces el ementaires di erentes, soit l types di erents. Hypoth` ese : on suppose que chaque mesure de produit el ementaire suit une loi de Gauss. Alors, la r epartition cumul ee de ces di erentes lois gaussiennes nest plus n ecessairement unimodale. . . . . Questions ` a se poser : quelle est la taille optimale du pr el` evement ? faut-il pr elever syst ematiquement une pi` ece de chaque type ? comment adapter les cartes classiques ` a ce nouveau probl` eme ? comment am eliorer lecacit e du contr ole tout en diminuant la taille du pr el` evement ?

Mode de pr el` evement : il vaut mieux pr elever une pi` ece de chaque type et etudier = 1 l Xi qui suit une loi de Gauss. alors la moyenne X i=1 l Calcul des limites de contr ole : on observe une trentaine d echantillons sur laquelle on estime la variance de X not ee (X ), la cible c0 est la moyenne des cibles, les limites u lestimation sont alors c0 3 est faite comme dans le chapitre 2 mais sur des , o` X X echantillons de moyennes des l mesures. Attention ! si l est trop grand, le pr el` evement syst ematique devient trop on ereux, on pr el` eve alors seulement un sous-ensemble des l types, mais toujours les m emes.

5.2

Cartes ` a caract eristiques multiples, un exemple

Le probl` eme est de suivre la production dun type de pi` eces ayant deux caract eristiques (ou plus), par exemple le diam` etre et la circularit e, cest ` a dire que le rayon est constant tout autour de la circonf erence. Le protocole conseill e dans un tel cas est de relever pour chaque k echantillon outre le diam` etre, l ecart entre le max et le min du diam` etre quand on fait tourner la pi` ece autour de son axe ; on note E la moyenne de ces ecarts. Les limites de contr ole propos ees 1 sont alors c0 (3 X + 2 E) : etre, 3 X donne un intervalle de conance pour le diam` 1 2 E en donne un pour la circularit e.

5.3

Cartes multicrit` eres

La variable ` a contr oler est ici ` a valeurs dans Rp , X = (Xj , j = 1, , p). On pr el` eve un k 1 i k echantillon qui donne une moyenne x ` a valeurs dans Rp , x j = k x , j = 1 , ...p, et i=1 j 18

k 1 2 i la covariance observ ee est pour l echantillon e Sj,l (e) = k j )(xi l ), j et l i=1 (xj x l x 1 varient de 1 ` a p. p = 1 n x On pr el` eve n k - echantillons, do` u le vecteur X e=1 e dans R de matrice de n 1 2 S o` u variance estim ee par k 1 n 2 2 S (e). Sjl = n e=1 jl

Alors, si lon suppose que le vecteur X dont on pr el` eve des echantillons suit une loi normale p (m, ), m R et matrice de variance, le th eor` eme de Cochran dit que
2 n(k 1)Sjl = n k e=1 i=1

(xi j )(xi l ), j x l x

Le probl` eme est donc le suivant : etant donn e un vecteur gaussien de moyenne m Rp et de matrice de variance , au lieu dun intervalle de conance pour chaque caract eristique, trouver une r egion de conance pour le param` etre m dans Rp qui tienne compte des corr elations. De fait, on construit un ellipso de de conance fond e sur la statistique (T 2 g en eralis e) m) S 2 (X m). T 2 = nk (X Si N = nk (nombre dobservations) est tr` es grand, la loi limite de T 2 est celle dun khideux ` a p degr es de libert e. De fait, on a le r esultat plus pr ecis (cf. [1] chapitre 5, corollaire 5.2.1) : Proposition 5.1 Soit un N echantillon dun vecteur gaussien de moyenne m Rp et de = i X i /N et S 2 matrice de variance , (X i , i = 1, ...N ), alors si lon pose le vecteur X la matrice de terme g en eral
2 Sjl N 1 i j )(X i X l ), j, l = 1, ....p, = ( Xj X l N 1 i=1

suit une loi de khi-deux ` a n(k 1) degr es de libert e fois jl .

la loi de

est une loi de Fisher ` a (p, N p) degr es de libert e. 5.3.1 Cas p = 1, n echantillons de taille k

N p m) S 2 (X m) N (X (N 1)p

ee est On dispose de n moyennes x(i), i = 1, , n, la variance estim 2 (i) =

k 1 (xi x(i))2 , k 1 j =1 j

19

on estime 2 par

1 n 2 2 = (i) n i=1

qui converge presque s urement vers 2 pour n inni (loi des grands nombres). n(k 1) 2 k i Notons que = n (i))2 2 suit une loi de khi-deux ` a n(k 1) degr es i=1 j =1 (xj x 2 de libert e. m)2 et nk (X suit une loi de khi-deux Cette statistique est ind ependante de la moyenne X 2 ` a 1 degr e de libert e, le quotient m)2 k (X k T2 = k1 (k 1) 2 suit donc une loi de Fisher (1, N (k 1)). On a alors un intervalle de conance pour le param` etre m : soit q1 le quantile de la loi F (1, N (k 1)), alors P{ [X 5.3.2 Cas p > 1, k = 1 m)2 k (X q1 } = 1 (k 1) 2

dont on d eduit lintervalle de conance pour le param` etre m : + q1 (k 1) 2 /k, X q1 (k 1) 2 /k ].

On dispose de N r ealisations de la gaussienne, (Xi , i = 1, ..., N ). L` a encore on a deux statistique ind ependantes : la moyenne X qui est un vecteur, et la matrice de variance estim ee S 2 . On utilise la statistique T 2 sous la forme m) S 2 (X m). T 2 = N (X Puisque ici k = 1, S 2 est la matrice proposition 5.1, la loi de
1 N 1 i ( Xi

)(Xi X ) , alors en application de la X

N p m) S 2 (X m) N (X (N 1)p est une loi de Fisher ` a (p, N p) degr es de libert e. La preuve de la proposition 5.1 se trouve dans T.W. ANDERSON, An Introduction to Multivariate Analysis, elle est longue et dicile. Exercice: Proposer un ellipso de de conance pour le param` etre m Rp en sinspirant de lintervalle de conance donn e dans le cas p = 1. m) S 2 (X m) q1 { m R p : (X o` u q1 est le 1 -quantile de la loi de Fisher. 20 (N 1)p } (N p )N

Cas des petites s eries

(cf. [5] pages 287-338)

6.1

Introduction

De plus en plus, il y a production de s eries courtes (probl` eme de stocks, production ` a ux tendu, diversication de la production, etc.) Dans ce cas, lhypoth` ese gaussienne tombe. Mais on peut n eanmoins essayer de tirer le maximum de la pratique de la maitrise statistique des proc ed es. Voici les objections formul ees par les industriels : - on contr ole ` a cent pour cent, on r` egle au fur et ` a mesure (ceci a posteriori, la MSP est inutile), - il est trop cher de mettre en place des cartes de contr ole pour si peu, - les ecarts-types sont d enu es de sens. On va voir quil est quand m eme possible dintervenir pour am eliorer lecacit e du pilotage (i.e. re-r egler quand on pressent que la machine se d er` egle) en sadaptant aux situations les plus diverses telles : . produits tr` es chers et peu nombreux, . travail sur commande de faibles eectifs (cf. faiencerie de Gien par exemple), . production de petits lots avec changement de la production plusieurs fois par jour, . forte production mais dont les mesures co utent cher. Deux exemples de contr ole ` a cent pour cent et de pilotage ` a courte vue : (i) les limites de tol erance sont [5, +5], la 7` eme pi` ece en sort, lop erateur r` egle ` a 6 ; les mesures suivantes sont 2, 3, 4.... de fait, il a tout d er egl e! pi` eces 1 2 3 4 5 6 7 8 9 10 mesures 2 1 4 3 2 2 6 2 3 4 (ii) avec la m eme machine, on observe : pi` eces 1 2 3 4 5 6 7 8 9 10 mesures 1 3 2 4 2 1 0 1 2 3 Dans les deux cas, il semble que le r eglage ` a vue en cours de fabrication na pas et e forc ement judicieux. La statistique doit pouvoir permettre danticiper et dintervenir en bonne connaissance de cause. Ici, lop erateur sest fond e sur lobservation de la derni` ere mesure (mod` ele markovien) alors que tout le pass e compte. Une telle d emarche (contr ole ` a cent pour cent et pilotage ` a vue) est co uteuse, inopportune et surtout subjective. Il est important de consid erer lintervalle de conance plut ot que lintervalle de tol erance. Lop erateur a r egl e` a 3 apr` es la 2` eme, et +4 apr` es la 4` eme.

21

6.2

Le suivi par valeurs individuelles

Sur lexemple ci-dessus on ne sapper coit quassez tard dun d er eglage. Soit un exemple avec un produit par jour, le probl` eme est destimer l ecart-type. On propose . Ri = |xi xi+1 | et R R est sans biais. = Exercice Montrer que 2

d On recalcule R etape en etape, et sane. On obtient des limites de contr ole ` a chaque etape c0 3 et on a des alertes chaque fois que lon sort de ces limites, plus restreintes en g en eral que les limites de tol erance. Am elioration avec EWMA ou CUSUM, Pillet page 236, chap 6 ?? Mi = x i + (1 )Mi1 ??

6.3

Cartes de contr ole petites s eries

Objectif : aide au pilotage des toutes premi` eres pi` eces ; application de la MSP dans le cas des s eries de moins de 20 pi` eces. La question est : quest ce qui permet de dire que le proc ed e est mal r egl e ? On essaye de faire en sorte que ces cartes ressemblent aux cartes (X, R) pour ne pas perturber les op erateurs. Principe de remplissage de ces cartes : on fait les mesures (xi , i 1) et on note ` a chaque etape : mesures x1 x2 xi x 1 +x 2 x i x x1 2 R 0 |x1 x2 | |xi xi1 | i R R 2 2 X 2 i On a de m eme des limites pour les etendues. : i ; LSCR = D6 (i) LICR = D5 (i) , D3 (i)R ... a v ` erier Avec ces limites, on peut v erier sur lexemple quil aurait fallu intervenir d` es la 3` eme pi` ece.

22

6.4

Retrouver un eet de s erie

Si a priori, l ecart-type est le m eme pour tous les types de pi` eces, on est ramen e au cas des grandes s eries avec Xi c0 sur des cartes X. Les limites de contr ole deviennent alors n = 3 A2 (n)R / n ; A3 (n) sn = 3 / n et on fait aussi une carte R (respectivement s) pour sassurer de la stabilit e de l ecart-type. Sinon, si lon ne peut consid erer l ecart-type comme constant, mais si on le connait pour chaque type i de pi` eces, on eectue le changement de variables Xi sur des echantillons tous de m eme taille. Xi ciblei i

cf. Pillet, page 299, section 3. Cest le cas lorsque lon produit des pi` eces di erentes, cas multiproduit. Lid ee est de suivre les ecarts ` a la cible : xi c0 , plut ot que les mesures brutes.

Si la taille des echantillons varie, les limites de contr ole doivent changer sur la carte selon la taille des echantillons. Par exemple, une entreprise produit des objets de type A, B ou C. On pr el` eve des 3 echantillons, les ecarts types sont a priori connus, A , B , C . La r` egle de contr ole est de suivre les quantit es i ci X | 3, i = A, B, C. | i Inconv enients : il y a plus de calculs, mais ceci est mineur avec laide de linformatique ; certains op erateurs sont perturb es de devoir inscrire des ecarts au lieu des valeurs observ ees.

6.5

Carte de pr e-contr ole

(cf. Pillet [5], page 321, section 5) Trop souvent, le contr ole et le r eglage sont eectu es sans quil soit laiss e de trace ecrite, les op erateurs trouvant cela trop lourd. Les palliatifs sont les suivants : Ti ] et on . si la capabilit e est faible (< 2.5), on prend comme limites de contr ole [c0 Ts 6 contr ole ` a cent pour cent, . d` es que la capabilit e augmente ( diminue) on prend comme limites de contr ole [c0 Ts Ti ] et on contr o le par e chantillonnage. 4 Donc, il faut calculer Cp ` a partir de et on peut le faire d` es que la 2` eme pi` ece est pr elev ee (cf. [5] page 323). Ti Ti Exercice : On rappelle que Cp = Ts6 . On suppose que Cp = 2, LC = c0 Ts . 6 23

(i) Calculer dans ce cas la proportion de hors limite en supposant le proc ed e centr e (m = c 0 ). (ii) Puis recalculer cette proportion dans le pire des cas cest ` a dire lorsque le proc ed e Ts Ti est tout ` a fait d ecal e` a droite ou ` a gauche : m = c0 3 .

Lorsque Cp < 2.5, < c0 4 ,

Ts Ti , 12

on xe les limites ind ependamment de ` a c0

Ts Ti 3

(i) Si le proc ed e est centr e, calculer la proportion de hors limite. = c0 4 (ii) Si le proc ed e est d ecentr e, avec X , quelle est alors la proportion de d efectueux ?

Ti = c0 6 . et lorsque Cp 2.5, on peut se permettre comme limites c0 Ts 2 s Ti Exercice : On suppose que Cp = 3, soit ( T T ) / 18. Alors les limites de = T6 s i Cp Ts Ti contr ole sont c0 2 = c0 9 .

6.6

Utiliser l echantillonnage

Tagushi caract erise les param` etres non maitrisables par di erents bruits : . bruits int erieurs (variation du syst` eme de production, usure, d er eglage...) . bruits ext erieurs (temp erature, vibrations....) . variations des mati` eres premi` eres. Ces bruits forment les causes communes r ev el ees par la dispersion gaussienne, sil ny a pas de causes sp eciales. Deux erreurs sont possibles : . ne pas corriger un proc ed e d er egl e, . r egler ` a tort une machine bien r egl ee.
1 Do` u lutilisation de l echantillonnage et de la r eduction de variance avec X = k pour un k echantillon, qui permettent de mieux isoler les causes sp eciales. En eet, on diminue alors la dispersion due aux bruits normaux. Cela sert en cas de production unitaire mais eectu ee avec la m eme machine outil. Par exemple, la machine produit k objets, il y a k mesures (x1 , , xk ) ; on note les ecarts aux cibles ej = xj cj 0 et

24

pour chaque pr el` evement i de k mesures, soit k ecarts, on note la moyenne des ecarts e i , l etendue Ri . Do` u une estimation pour la variable ecart, et on peut r ealiser une carte 1 1 R) et lon aura une meilleure pr : e . (X, ecision gr ace au coecient r educteur = k k

6.7

Analyse a posteriori

Cette analyse est utilis ee dans lindustrie a eronautique aux EU : il y a de tr` es nombreuses pi` eces ` a r ealiser avec beaucoup de mesures ` a contr oler sur chacune, et dont les tol erances sont tr` es etroites. Par exemple, on produit 150 pi` eces di erentes, 15 ` a 25 de chaque type. Dans ce cas, on etablit une carte par proc ed e de fabrication et non par lot (cf. KOONS and LUNER, Use in low volume manufacturing environment. Quality and reliability. ASQC Quality Press, 1991). Ces auteurs proposent les etapes suivantes : - collecte des donn ees, rep erage des causes sp eciales, - etude des causes communes de dispersion, - etude de la capabilit e. 6.7.1 Etape 1 : collecte des donn ees, rep erage des causes sp eciales

A lint erieur dun proc ed e de fabrication, on fait des lots homog` enes (m eme stock dorigine, m eme outillage). Pour chacun de ces sous-lots on fait des relev es (soit ` a cent pour cent, soit par ki - echantillon) des ecarts ` a la cible, do` u (y 1 , , y k ), y , )
ki i 2 = 1 avec i)2 qui est meilleur que l etendue, en tout cas pour rep erer les i j =1 (yj y k i 1 cause sp eciales. Cette fois, on fait un contr ole pour le param` etre s2 :

2 = i = 1, ..., n, (ki 1) i pour ne pas avoir de biais. De plus, la statistique khi-deux ` a n es de libert e. i=1 (ki 1) degr 2 = S 1 n i=1 (ki 1)
n i=1

ki

j =1 1 2

i (y j y i)2 n i=1 ki i j =1 (yj

y i )2 suit une loi de

La variance estim ee de la population totale est 2 (ki 1) i

2 et n a n es de libert e. Do` u les limites i=1 (ki 1)S suit une loi de khi-deux ` i=1 ki n degr de contr ole pour la variance (et non plus pour l ecart-type) : 2 b 2 } = 1 2 103 P{a 2 (N n)S 25

et LIC2 =

2 2 (N n)S (N n)S 2 = , LSC . 2 2 0.999 0.001

2 sort de ces limites (il sagit dune analyse a posteriori), D` es que la variance estim ee i cest quil existe un risque de causes sp eciales. 2 soient dans On enl` eve le lot incrimin e, et on recommence jusqu` a ce que toutes les i les limites. Puis on fait la carte des moyennes ( xi ), moins celles des lots retir es, avec les limites de contr oles (cas ki = k pour tout i) : 2 3 S . X k On peut l` a encore d etecter des causes sp eciales. 6.7.2 Causes communes

2 avec pour variables exKOONS et LUNER proposent une r egression logistique de log i plicatives les variables qualitatives pouvant expliquer les causes communes, par exemple le num ero de la machine, la mati` ere usin ee, le type de dimension mesur ee... 6.7.3 Capabilit e

Dans le cas o` u lon na pas trouv e de variables qualitatives particuli` erement signicatives, Ts Ti 2 evaluer la capabilit e des lots, 6 on peut utiliser i pour .

6.7.4

Critiques de la m ethode

Les industriels peu cultiv es (PME) trouvent cette d emarche lourde et compliqu ee ; la rendre automatique par linformatisation leur parait dicile et dangereux ; ils veulent pouvoir garder leur libre arbitre ` a chaque instant. De plus, la m ethode naide pas pour les premi` eres pi` eces. N eanmoins, il faut souligner que la m ethode est plus rigoureuse dans le cas de lots de faible importance. Elle am eliore l etude de la dispersion, donc la capabilit e est mieux evalu ee. 26

6.8
6.8.1

Capabilit e
A court terme

Elle se calcule avec lestimation de faite sur lensemble des lots dont on aura elimin e , si k 10 pour des k e chantillon. Si les ceux sujets aux cause sp eciales : = d2R (k ) echantillons sont de taille di erentes (n1 , , nm ) le mieux est de passer par lestimateur de variance : n 2 2 = i=1 (ni 1)i n i=1 (ni 1)
s Ti . qui est un estimateur sans biais, et alors Cp = T

6.8.2

A long terme

Alors on estime sur toutes les valeurs individuelles disponibles : 2 = et Cpe =

(Ts x )( xTi ) . 2 6 N 1 (xi x )2 N 1 i=1

27

References
[1] T.W. ANDERSON, An Introduction to Multivaraite Analysis, Wiley Press, 3d edition, 2003. [2] G. BAILLARGEON, Ma trise statistique des proc ed es, Editions SMG, Qu ebec, 1995. [3] G. BAILLARGEON, Plans d echantillonnage en contr ole de la qualit e, Editions SMG, Qu ebec, 1995. [4] P. BARBE et M. LEDOUX, Probabilit e, Belin, Paris, 1998. [5] Maurice PILLET, Appliquer la ma trise statistique des proc ed es, MSP/SPC, Editions dorganisation, Paris, 1995. [6] P. JAFFARD, M ethode de la statistique et du calcul des probabilit es, Masson, paris, 1996. [7] K. VO KHAC : Th eorie des probabilit es, Ellipses, Paris, 1984. [8] Page web de Maurice Pillet http://www.qlio.univ-savoie.fr/pillet/ [9] Logiciel SIMDI tour, TP de MSP http://www.oqp.univ-savoie.com/

28