Académique Documents
Professionnel Documents
Culture Documents
Six Sigma Comment L'appliquer PDF
Six Sigma Comment L'appliquer PDF
PILLET
Six
Sigma
Comment lappliquer
Par lauteur
du best-seller
ditions dOrganisation
1, rue Thnard
75240 Paris Cedex O5
Du mme auteur
Chapitre 1
Six Sigma, un outil de la performance
1. Six Sigma ? .............................................................................................................................................. 1
1.1 Lobjectif de Six Sigma .......................................................................................................... 1
1.2 Six Sigma : une stratgie de perce .............................................................................. 6
1.3 Six Sigma et lamlioration continue ........................................................................... 7
1.4 Six Sigma : volution ou rvolution ? ......................................................................... 8
2. Six Sigma dans un environnement qualit ................................................................... 9
2.1 Six Sigma dans un contexte ISO 9000 ou EFQM ................................................. 9
2.2 Six Sigma et la variabilit ................................................................................................. 10
3. Six Sigma dans un environnement Lean Management .................................... 11
4. Intgrer Six Sigma dans une dmarche de performance industrielle .... 14
Chapitre 2
Les concepts de Six Sigma
1. Une philosophie de la qualit tourne vers la satisfaction du client ..... 18
2. Rduire la variabilit .................................................................................................................... 19
3. Mesurer le niveau de qualit .................................................................................................. 22
3.1 La notion dopportunit de dfaut .............................................................................. 22
3.2 Lorigine des 3,4 ppm .......................................................................................................... 23
V
Six Sigma
Chapitre 3
tape 1 Dfinir
1. Identifier les CTQ ............................................................................................................................ 74
1.1 couter la voix du client .................................................................................................... 74
1.2 Le diagramme CTQ (Critical To Quality) ............................................................... 76
VI ditions dOrganisation
Sommaire
Chapitre 4
tape 2 Mesurer
1. Introduction ...................................................................................................................................... 103
2. Trouver un moyen de mesure des CTQ ..................................................................... 105
2.1 Quantifier ................................................................................................................................... 105
2.2 Vrifier le R&R ........................................................................................................................ 107
2.3 Dfinitions ................................................................................................................................. 108
2.4 Gestion des moyens de mesure .................................................................................. 109
2.5 Conduire une tude R&R Cas des grandeurs mesurables .................... 112
2.6 Conduire une tude R&R Cas des grandeurs non mesurables .......... 119
3. Mesurer le processus ................................................................................................................. 123
3.1 Analyse des 5M du processus ...................................................................................... 123
3.2 Figer les lments non matriss ................................................................................ 124
3.3 tablir la matrice dimpact ............................................................................................. 126
3.4 Mettre en uvre une campagne de relevs ....................................................... 127
4. Estimer le z du processus ...................................................................................................... 129
4.1 Cas des dfauts mesurables .......................................................................................... 129
4.1.1 Reprsentation graphique des Y ....................................................................... 130
4.1.2 Calcul des paramtres de position et de dispersion .............................. 132
Chapitre 5
tape 3 Analyser
1. Introduction ...................................................................................................................................... 163
2. Reprsentation graphique de donnes ........................................................................ 166
2.1 La bote moustache ......................................................................................................... 166
2.2 Le diagramme multi-vari ................................................................................................. 168
2.3 Diagramme des effets et diagramme des interactions ................................. 172
3. Statistique descriptive ............................................................................................................... 174
3.1 Paramtres de position ..................................................................................................... 176
3.2 Paramtres dchelle .......................................................................................................... 179
3.3 Identification de la forme de la distribution ...................................................... 182
3.4 Identification de valeurs aberrantes ........................................................................ 184
4. Statistique infrentielle Tests de comparaison ................................................. 185
4.1 Les tests de comparaison ................................................................................................ 186
4.1.1 Diffrents tests ........................................................................................................... 186
4.1.2 Notion de risque alpha () et de risque bta () ................................ 190
4.1.3 Dtermination du risque et (cas du test zthorique) ...................... 191
4.1.4 Incidence de la taille des chantillons .......................................................... 192
4.1.5 Les diffrents tests ................................................................................................... 195
Chapitre 6
tape 4 Innover/amliorer
1. Introduction ...................................................................................................................................... 259
2. Gnrer des solutions ................................................................................................................ 260
2.1 Le dballage dides ........................................................................................................... 260
2.2 Le vote pondr ..................................................................................................................... 261
3. Les dmarches exprimentales .......................................................................................... 263
3.1 Limportance de la dmarche exprimentale .................................................... 263
3.2 tude dun facteur la fois ........................................................................................... 265
3.3 tude de plusieurs facteurs la fois ........................................................................ 265
4. Les plans dexpriences 2 niveaux ............................................................................ 268
4.1 Deux facteurs 2 niveaux plan complet .......................................................... 268
ditions dOrganisation IX
Six Sigma
Chapitre 7
tape 5 Contrler
1. Introduction ...................................................................................................................................... 323
2. Valider les spcifications ........................................................................................................ 324
2.1 Dtermination des tolrances par corrlation ................................................... 324
2.1.1 Utilisation du paralllogramme des tolrances ....................................... 324
2.1.2 Mthode statistique ................................................................................................. 327
2.1.3 Cas dune tolrance unilatrale ........................................................................ 328
2.2 Exemple en corrlation multiple ................................................................................ 330
3. Formaliser les modes opratoires .................................................................................... 332
3.1 Espace de la dfaillance ................................................................................................... 332
3.2 Formaliser les modes opratoires .............................................................................. 335
X ditions dOrganisation
Sommaire
Chapitre 8
tape 6 Standardiser/prenniser
1. Introduction ...................................................................................................................................... 373
2. Prenniser la solution ............................................................................................................... 374
2.1 Les difficults .......................................................................................................................... 374
2.2 Les causes de ces difficults ......................................................................................... 375
2.3 Les principes de base de la prennisation dune action ............................ 376
2.4 Lpreuve du feu ................................................................................................................... 381
2.5 Le changement vers la prennisation ..................................................................... 381
3. Laudit de prennit ................................................................................................................... 382
3.1 Objectif de laudit ................................................................................................................. 382
3.2 Grille daudit ............................................................................................................................ 383
ditions dOrganisation XI
Six Sigma
Chapitre 9
Le management Six Sigma
1. Introduction ...................................................................................................................................... 397
1.1 Le partage des valeurs de Six Sigma ....................................................................... 398
1.2 Le management Six Sigma ............................................................................................. 399
1.3 Variabilit et Six Sigma, le paradoxe ...................................................................... 402
2. Les diffrents acteurs de Six Sigma ............................................................................... 402
2.1 Le comit de pilotage ......................................................................................................... 402
2.2 Les Champions ....................................................................................................................... 403
2.3 Les Masters Black Belts (MBB) .................................................................................... 403
2.4 Le groupe Six Sigma ........................................................................................................... 404
2.4.1 Dfinition du groupe Six Sigma ....................................................................... 404
2.4.2 La place du Black Belt dans le groupe .......................................................... 405
2.4.3 Conditions de bon fonctionnement du groupe de travail .................. 406
2.4.4 Les diffrents lments dun groupe de travail ........................................ 407
2.5 Les comptences du Black Belt (BB) ....................................................................... 410
3. La formation ..................................................................................................................................... 411
3.1 Les formations Six Sigma ................................................................................................ 411
3.2 Lapproche pratique ............................................................................................................ 413
3.3 Limportance du coaching .............................................................................................. 416
4. Les outils du management dun projet Six Sigma .............................................. 417
4.1 La charte du projet .............................................................................................................. 417
4.2 Le diagramme de Gantt .................................................................................................... 417
4.3 Le diagramme PERT ........................................................................................................... 418
4.4 Le diagramme en flche ................................................................................................... 419
Chapitre 10
Tables
T1 Tableau des ppm en fonction du z du processus ............................................... 430
T2 Table de la loi normale ............................................................................................................ 431
T3 Table de Student ........................................................................................................................... 433
T4 Table de Snedecor pour p = 0,95 .................................................................................. 435
T5 Table de la loi du 2 .................................................................................................................. 436
T6 Test de Hartley Valeurs limites de r ......................................................................... 438
T7 Taille des chantillons .............................................................................................................. 440
T8 Taille des chantillons pour le test t ............................................................................. 441
T9 Taille des chantillons pour le test z ............................................................................ 441
T10 Taille des chantillons pour le test F ......................................................................... 442
T11 Tableau des coefficients ....................................................................................................... 443
T12 Principales tables de Taguchi ...................................................................................... 445
Rappel des symboles utiliss : .......................................................................................... 446
Table L4 (23) ...................................................................................................................................... 446
Table L8 (27) ...................................................................................................................................... 447
Chapitre 11
Fiches rsums
tape 1 DFINIR : mmo des actions principales raliser .......................... 456
tape 2 MESURER : mmo des actions raliser .................................................. 459
tape 3 ANALYSER : mmo des actions raliser ............................................... 462
tape 4 INNOVER : mmo des actions raliser ................................................... 464
tape 5 CONTRLER : mmo des actions raliser ........................................... 467
tape 6 STANDARDISER : mmo des actions raliser .................................. 470
Six Sigma,
un outil de la performance
1. Six Sigma ?
1
Six Sigma
2 ditions dOrganisation
Six Sigma, un outil de la performance
Insatisfaction Insatisfaction
1. Par exemple, la version Six Sigma de Mikel HARRY en 1997 The Vision of Six Sigma com-
portait quatre tapes. Le mme auteur tend ces quatre tapes en huit dans Six Sigma The
Breakthrough Management Strategy publi en 2000.
ditions dOrganisation 3
Six Sigma
Le premier point que lon doit avoir lesprit dans une dmarche Six
Sigma est la satisfaction du client. Un projet Six Sigma doit apporter
une amlioration significative au client. Pour cela, on doit sintresser
ce que souhaite rellement le client, non pas ce quon pense quil
souhaite. Il faut tre capable de dterminer les caractristiques criti-
ques pour la qualit (CTQ, pour Critical To Quality) afin de fixer une
cible et une plage de tolrance.
4 ditions dOrganisation
Six Sigma, un outil de la performance
Nombre de non-conformit
Niveau de qualit z
par million dopportunits
1 697 672
2 308 770
3 66 811
4 6 210
5 233
6 3,4
7 0,019
de la formalisation de la dmarche,
de la gestion de projets,
ditions dOrganisation 5
Six Sigma
6 ditions dOrganisation
Six Sigma, un outil de la performance
ditions dOrganisation 7
Six Sigma
Bien que Six Sigma sinscrive dans une logique damlioration par per-
ce, on ne doit pas opposer cette dmarche celle de lamlioration
continue. On verra notamment que, dans la phase danalyse, on doit
rechercher limiter les variabilits du processus en agissant sur une
somme de petites modifications sans cot mais qui au final appor-
tent une grande rduction de variabilit.
8 ditions dOrganisation
Six Sigma, un outil de la performance
2. Six Sigma
dans un environnement qualit
Dans les diffrentes volutions de lISO 87, 94, 2000, la faon dabor-
der la qualit a profondment volu et la dernire version offre un
point de vue extrmement favorable au dveloppement de Six Sigma.
En effet, alors que les versions 87 et 94 taient tournes vers les princi-
paux dysfonctionnements dune entreprise, la version 2000 est rsolu-
ment tourne vers la satisfaction du client au travers dune
organisation en processus.
En mettant en place une certification ISO 9000 version 2000, une entre-
prise est tenue de se poser les questions suivantes : Que souhaite rel-
lement mon client ? Comment mesure-t-on ce niveau de satisfaction ?
Comment notre organisation en place permet datteindre ce niveau de
satisfaction ?
ditions dOrganisation 9
Six Sigma
Six Sigma est une mthode capable de rsoudre des problmes ponc-
tuels afin damliorer la satisfaction des clients. Son fondement mme
est la rduction de la variabilit dans les processus. De ce point de vue,
en forant les entreprises dcrire leur fonctionnement, les dmarches
qualit fondes sur des rfrentiels ont le mme objectif : rduire la
variabilit dans la mthode. En effet, lorsquaucun processus nest
dcrit, il y a fort parier que la faon de le conduire subira des varia-
tions dans le temps nuisibles la satisfaction du client.
En aucun cas, nous navons trouv dopposition entre ces deux appro-
ches qui nous semblent au contraire parfaitement complmentaires. La
rduction de la variabilit passe par la description des processus et par
le fait dapporter la preuve que les carts entre la description et les faits
sont faibles. Cest le rle de lISO, cest aussi le rle de Six Sigma par
une dmarche volontaire et dynamique de progrs.
10 ditions dOrganisation
Six Sigma, un outil de la performance
ditions dOrganisation 11
Six Sigma
12 ditions dOrganisation
Six Sigma, un outil de la performance
ditions dOrganisation 13
Six Sigma
Figure 1.4 Rduction des cycles de production avec Lean Six Sigma
Frquence
Dlai
de production
14 ditions dOrganisation
Six Sigma, un outil de la performance
Aujourdhui, pour continuer jouer son rle, lentreprise doit tre sans
cesse en mouvement, sadapter aux conditions changeantes, amliorer
son niveau de qualit. Elle doit sattaquer aux problmes majeurs,
teindre des incendies, prparer les produits de demain mais avec des
ressources limites.
Pour tenir ce pari, il faut donc tre Lean dans lorganisation. Il faut
amliorer la productivit dans la conduite dactions de progrs.
Comment rsoudre rapidement tous ces problmes qui se posent ?
Comment grer lensemble des projets qui sont conduits dans
lentreprise ? Comment coordonner tous ces projets afin quils restent
cohrents avec la stratgie de lentreprise ?
2. HARRY M., SCHROEDER R., Six Sigma The Breakthrough Management Strategy, Doubleday,
2000.
ditions dOrganisation 15
Chapitre 2
Aprs avoir dtaill dans le chapitre premier les aspects culturels qui
conduisent les entreprises mettre en uvre une dmarche Six
Sigma ou Lean Six Sigma , nous nous proposons dans ce chapitre
de faire un tour dhorizon relativement complet des concepts de Six
Sigma.
17
Six Sigma
18 ditions dOrganisation
Les concepts de Six Sigma
Toutes ces questions doivent tre poses ds les premires tapes dun
chantier Six Sigma. Nous verrons quelles font en fait partie intgrante
de la premire tape. Nombre dentreprises dpensent des sommes
considrables pour amliorer un produit sur des critres peu ou pas
utiles, mais qui sont des rves de technicien et ne prennent pas en
compte des lments pourtant simples rellement demands par le
client. Par exemple, seuls les fours de cuisson relativement haut de
gamme sont quips de la fonction maintien au chaud alors quelle
devrait tre une fonction de base.
Le moteur de Six Sigma est la dmarche DMAICS (Dfinir, Mesurer,
Analyser, Innover/Amliorer, Contrler, Standardiser). On verra que la
premire tape de sa mise en uvre est essentiellement consacre
bien dfinir ce quattend le client, dterminer quelles sont ses exigen-
ces.
2. Rduire la variabilit
La variabilit est lennemi de la qualit. Lorsquun ingnieur vient de
fabriquer un produit qui donne entire satisfaction, son rve serait de
pouvoir le cloner lidentique afin que chaque produit conserve les
mmes qualits. Mais ce nest malheureusement pas possible, il y aura
toujours une petite diffrence entre des produits rputs identiques, et
ce sont ces petites diffrences qui conduisent la non-qualit. Il en est
de mme pour les services que lon ne peut fournir deux fois dans des
conditions parfaitement identiques.
ditions dOrganisation 19
Six Sigma
Cible
a
Sigm
Six
jet
Pro
Ex
Pour illustrer cette notion de variabilit, prenons lexemple dun
joueur de foot qui doit tirer un coup franc dcisif. La cible est la
lucarne de la cage adverse. Cest un joueur professionnel qui a
rpt des centaines de fois ce geste lentranement et les con-
ditions sont idales pour russir marquer le but. Mais la balle
passe quelques centimtres de la barre transversale. Ce but
manqu est le rsultat de la variabilit dans le processus de tir.
Citons quelques lments de cette variabilit :
20 ditions dOrganisation
Les concepts de Six Sigma
ditions dOrganisation 21
Six Sigma
Dans ce cas, si lon veut pouvoir tablir une comparaison entre plu-
sieurs pays pour faire un benchmarking, le plus simple consisterait
prendre le nombre dhabitants. Ainsi, en France, en lan 2000, il y a eu
180 000 accidents rpertoris pour 60 millions dhabitants ; cela fait un
DPMO de 3 000. La lecture du tableau des DPMO avec un dcalage de
1,5 (voir le tableau T1 en fin douvrage) donne un z voisin de 4,2.
Figure 2.2
Tableau du nombre de non-conformits en fonction de sigma
22 ditions dOrganisation
Les concepts de Six Sigma
3 2 699,93 66 810,63
4 63,37 6 209,70
5 0,57 232,67
6 0,00 3,40
7 0,00 0,02
z=3 z=6
Dispersion
du processus
1 350 1 350 0,001 0,001
ppm ppm ppm ppm
3 2 1 0 1 2 3 6 4 2 0 2 4 6
Processus 3 sigma (Cp = 1) Processus 6 sigma (Cp = 2)
ditions dOrganisation 23
Six Sigma
1,5 1,5
3 2 1 0 1 2 3 6 4 2 0 2 4 6
Process 3 sigma Process 6 sigma
24 ditions dOrganisation
Les concepts de Six Sigma
Revues
R0
Trouver un moyen
Mesurer de mesure de la qualit.
Vrifier sa capabilit.
Rcolter des faits.
R1 Dterminer le z du processus
R2
X1 Y X1 X2 X3 X4 Exprimenter, Modifier,
Innover X2 Amliorer, Optimiser.
X3
Prouver statistiquement
que les amliorations
R3 sont efficaces.
Appliquer la solution.
Contrler La formaliser.
La mettre sous contrle.
R4
Fiche de poste
Prenniser la solution.
Standardiser Dployer les bonnes pratiques.
Clore le projet.
R5
ditions dOrganisation 25
Six Sigma
Pour obtenir les niveaux de capabilit exigs par Six Sigma, il est abso-
lument ncessaire dutiliser des outils et plus particulirement des
outils statistiques. Dans lapproche Six Sigma, tous les outils utiliss
sont connus, il ny en a pas de nouveaux. Cest la structuration dans
lutilisation des diffrents outils qui est intressante dans lapproche
Six Sigma.
du processus.
Identifier les variables
cls du processus.
26 ditions dOrganisation
Les concepts de Six Sigma
4. Black Belt : ceinture noire . Ces dnominations ont t popularises par lentreprise Gene-
ral Electric. Nous dfinirons plus compltement les diffrents rles dans la prochaine section
de ce chapitre ainsi que dans le chapitre 9, Le management Six Sigma.
ditions dOrganisation 27
Six Sigma
Cette tape doit permettre de rdiger la charte du projet qui dfinit clai-
rement les acteurs du projet, le cadre du projet et les objectifs attein-
dre. Cette tape peut durer entre une semaine (lorsque le problme est
vident) un mois.
Pr-dfinition du projet
28 ditions dOrganisation
Les concepts de Six Sigma
Dfinition du projet
Il faut le plus tt possible mettre sur pied une quipe de travail et iden-
tifier les diffrents acteurs du projet.
ditions dOrganisation 29
Six Sigma
30 ditions dOrganisation
Les concepts de Six Sigma
5. Voir louvrage Qualit en production, chapitre 6, D. DURET, M. PILLET, Les ditions dOrgani-
sation, 2002.
ditions dOrganisation 31
Six Sigma
32 ditions dOrganisation
Les concepts de Six Sigma
ditions dOrganisation 33
Six Sigma
34 ditions dOrganisation
Les concepts de Six Sigma
ditions dOrganisation 35
Six Sigma
2 mesures 2 mesures
Contrleur Contrleur
1 10 pices 10 pices 2
Moyenne = 5,02 Moyenne = 5,01
Erreur de reproductibilit
36 ditions dOrganisation
Les concepts de Six Sigma
Variabilit
Milieu Matire
Observer le procd
Disposant dun moyen de mesure adapt, et ayant limit la variabilit
du processus, on peut mettre en place des campagnes de relevs et
dobservations du processus qui permettront de faire lanalyse de
lexistant sur des donnes factuelles afin de pouvoir en apporter la
preuve statistique .
On doit observer quatre lments :
les Y (sorties du processus constates par le client) ;
les entres du processus provenant des processus fournisseur ;
les commandes et variables du processus ;
les indicateurs dtat du processus.
ditions dOrganisation 37
Six Sigma
Indicateurs d'tat
Sortie Y
Entres
Variables et commandes
38 ditions dOrganisation
Les concepts de Six Sigma
Cible Cible
ditions dOrganisation 39
Six Sigma
40 ditions dOrganisation
Les concepts de Six Sigma
Entonnoir
Dfinir X
On ne touche rien
1 000 X potentiels avant d'tre l'tape
Innover
100 X potentiels
10 X potentiels
Innover
nnove
Contrler
Standardiser
ditions dOrganisation 41
Six Sigma
42 ditions dOrganisation
Les concepts de Six Sigma
Ex
Lexemple prsent ci-aprs (figure 2.13) dtude du comporte-
ment dun X montre une population qui a visiblement fait lobjet
dun tri. Le processus qui produit cet X ne peut pas satisfaire les
spcifications dans les conditions actuelles, les capabilits nen
sont pas bonnes. Le tri a sans doute un cot important, est-il
utile ? Quelle est lorigine de cette variabilit ? Peut-on rduire la
variabilit sur cet X ? Autant de questions qui devront trouver
rponse dans cette tape Analyser et dans ltape Innover/
Amliorer .
6. Les graphiques et analyses sont raliss avec Minitab Logiciel danalyse statistique
www.minitab.com.
ditions dOrganisation 43
Six Sigma
124 X = 123,743
122
LCL = 120,626
120
5 10 15 20 25 30 35 40 45 50
chantillons
8 UCL = 7,84476
6
tendues
4
R = 3,0474
2
0 LCL = 0
5 10 15 20 25 30 35 40 45 50
chantillons
Ex
Le second exemple (figure 2.14) montre lanalyse du comporte-
ment dans le temps laide dune carte de contrle moyenne/
tendue qui sera prsente au chapitre 7, Contrler. Cette carte
de contrle permet de mettre en vidence, pendant lobservation,
plusieurs points hors contrle qui dnotent la variation dans le
temps du centrage du processus. Cette instabilit cre une aug-
mentation de la dispersion. Il faudra trouver les moyens dlimi-
ner ces drives.
44 ditions dOrganisation
Les concepts de Six Sigma
Variations de position
Position sur une machine multi-posages.
Chip particulier dans un wafer.
Empreinte dans un moule sur une presse injecter.
Variation entre 2 machines, 2 oprateurs, 2 ateliers.
...
Variations cycliques
Variation dun lot un autre.
Variation dune coule une autre.
Variation parmi un groupe dunits (usure doutils).
...
Variations temporelles
Variation dune quipe lautre, matin et soir, jours de la
semaine...
ditions dOrganisation 45
Six Sigma
23,00
22,75
22,50
22,25
22,00
21,75
21,50
Oprateur 1 Oprateur 2
46 ditions dOrganisation
Les concepts de Six Sigma
G
J J
AB
A
F
AC
H
0 2 4 6 8 10
Effets
ditions dOrganisation 47
Six Sigma
48 ditions dOrganisation
Les concepts de Six Sigma
ditions dOrganisation 49
Six Sigma
Chaque fois que lon modifie quelque chose sur un processus, il faut se
poser la question suivante : quels sont les risques que cette modifica-
tion fait peser sur mon client ? Aussi, avant de valider dfinitivement le
plan de mise en uvre de la solution, on doit raliser une tude de ris-
que en ralisant une AMDEC (Analyse des Modes de Dfaillances, de
leurs Effets et de leurs Criticits).
50 ditions dOrganisation
Les concepts de Six Sigma
ditions dOrganisation 51
Six Sigma
115
121
127
B
133
139
145
A
10
10,2
10,4
10,6
10,8
11
B
52 ditions dOrganisation
Les concepts de Six Sigma
Y
4,2
4,1
4,0
3,9
3,8
3,7
3,6
3,5
3,4
3,3
3,2 X
22 22,5 23 23,5 24 24,5 25 25,5 26 26,5 27 27,5 28
Cette phase a aussi une autre fonction qui est dassurer la robustesse
des spcifications par rapport aux bruits. Rappelons quon appelle
bruit toutes les caractristiques qui varient indpendamment de la
volont de lentreprise. Il peut y avoir des bruits sur le processus de
production (vibrations, variation de temprature) ou sur le produit
(conditions dutilisation, temprature).
ditions dOrganisation 53
Six Sigma
Aprs avoir valid les cibles et les tolrances sur les X critiques, il faut
mettre en uvre toutes les actions pour garantir le respect de la cible.
En effet, au-del du respect de la tolrance, Six Sigma demande aussi
que lon respecte le centrage des caractristiques sur la cible.
Mdiocre Mdiocre
Si lon examine la perte financire gnre par un cart sur X par rap-
port la cible, on peut dmontrer quelle augmente proportionnelle-
ment avec le carr de cet cart de faon continue (fonction perte de
Taguchi). Il est donc important de produire le plus de produits possible
sur la cible et pas forcment simplement lintrieur des tolrances.
54 ditions dOrganisation
Les concepts de Six Sigma
25,5
X = 25,25
25,0
LCL = 24,6364
24,5
2 4 6 8 10 12 14 16 18 20 22 24
chantillon
1,2
tendues
0,8
R = 0,599800
0,4
0,0 LCL = 0
2 4 6 8 10 12 14 16 18 20 22 24
chantillon
ditions dOrganisation 55
Six Sigma
Ex
Dans cet exemple, on a calcul les limites naturelles du proces-
sus en se basant sur la moyenne historique [24,64 25,86]. Tant
que la moyenne des chantillons prlevs reste dans ces limites,
on ne peut pas conclure un dcentrage, aucune intervention
nest utile. Lorsquun point sort des limites (comme cest le cas
pour le 25e chantillon), il y a une forte probabilit que le proces-
sus soit dcentr et quil require une intervention.
56 ditions dOrganisation
Les concepts de Six Sigma
ditions dOrganisation 57
Six Sigma
58 ditions dOrganisation
Les concepts de Six Sigma
Ex
Par exemple, pour mettre sous contrle la solution, on ralise un
rglage dlicat sur une machine. Cette solution donne satisfac-
tion, mais demande un effort important au collaborateur. Si on
maintient cette solution, avec le temps, les rglages seront ra-
liss de faon moins fine voire plus du tout ! Cette phase veillera
ce quil soit procd aux modifications ncessaires sur la
machine pour faciliter ce rglage.
Cette phase est initie par un audit qui doit valider le fait que lensem-
ble des dcisions qui ont t prises lors du projet Six Sigma sont bien
consignes dans la documentation du processus, et appliques.
Tous les carts doivent tre analyss et les actions doivent tre prises
afin de garantir la prennit des progrs :
ditions dOrganisation 59
Six Sigma
simplification de la solution ;
modification de la documentation ;
formation des collaborateurs
60 ditions dOrganisation
Les concepts de Six Sigma
ditions dOrganisation 61
Six Sigma
5. Six Sigma :
une organisation des comptences
Nous avons dvelopp les diffrents objectifs de Six Sigma (philoso-
phie de la qualit tourne vers la satisfaction totale du client et rduc-
tion de la variabilit) ainsi que les mthodes proposes pour atteindre
ces objectifs (z, un indicateur du niveau de qualit, et DMAICS, une
dmarche de rsolution de problme). Pour mettre en uvre une telle
approche, il faut des hommes ayant des comptences et des responsa-
bilits bien dfinies. Cela suppose aussi de former son personnel et de
dterminer des rles particuliers pour les individus qui vont conduire
le changement. Pour illustrer la dfinition des rles de chacun, lentre-
prise General Electric sest appuye sur des dnominations marquantes
telles que White Belt, Green Belt, Black Belt, Master Black Belt et Cham-
pion. Dune entreprise lautre, on parlera par exemple aussi bien
dquipier, de pilote, de coach, le tout tant que les fonctions soient
remplies pour garantir le succs du dploiement de Six Sigma dans
lentreprise.
62 ditions dOrganisation
Les concepts de Six Sigma
Pilotage oprationnel
Green Belt
ditions dOrganisation 63
Six Sigma
Le Champion
64 ditions dOrganisation
Les concepts de Six Sigma
Les Champions projet doivent superviser les Black Belts dune unit
de lentreprise. Ils se focalisent sur les projets. Ils sinvestissent dans le
choix des projets raliser et fournissent un support en faisant
disparatre si besoin est les barrires culturelles. Ils doivent sassu-
rer que les ressources sont disponibles tant en hommes quen mat-
riels.
ditions dOrganisation 65
Six Sigma
Pour pouvoir tre Black Belt, il faut cumuler deux comptences : une
comptence dans les outils de la qualit, et plus particulirement dans
les outils statistiques, et une comptence dans le management dune
quipe.
Les Green Belts sont des employs affects sur un projet Six Sigma
pour une partie de leur temps. La formation reue est plus lgre que
celle des Black Belts, mais suffisante cependant pour mener bien en
autonomie de petits projets dans le cadre de leur travail et participer
efficacement des projets plus ambitieux mens par des Black Belts.
Ce sont souvent les Green Belts qui ralisent les exprimentations
ncessaires, organisent les saisies de donnes requises, conduisent la
mise en place de carte de contrle
En participant activement aux projets Six Sigma conduits par des Black
Belts, le Green Belt se forge une exprience qui lui vaut dintgrer les
concepts et la philosophie de Six Sigma avec, terme, la possibilit
dvoluer vers la formation de Black Belt.
66 ditions dOrganisation
Les concepts de Six Sigma
Le White Belt
Peu dentreprises utilisent cette notion de White Belt. Un White Belt est
un employ qui a reu une formation basique de quelques heures sur
les fondamentaux de Six Sigma et sur les outils de base de la conduite
des tapes Mesurer , Analyser , Innover , Contrler . Cest
un minimum pour pouvoir participer une quipe Six Sigma.
ditions dOrganisation 67
Six Sigma
68 ditions dOrganisation
Les concepts de Six Sigma
ditions dOrganisation 69
Six Sigma
Pour que les projets aboutissent, il faut quils soient grs au plus haut
niveau de lentreprise, et il faut ncessairement faire des choix dans
lallocation des ressources. Ce travail est attribu au comit de pilotage
qui regroupe le responsable de lentreprise et ses principaux collabora-
teurs.
Lorganisation par projet requiert que lon sappuie sur une structure
de fonctionnement matricielle, en rupture avec les organisations tradi-
tionnelles hirarchiques. Sans dtruire la notion indispensable de hi-
rarchie dans lentreprise, elle demande une organisation dynamique
dquipes renouveles chaque projet et regroupes autour du chef de
projet (le Black Belt). La gestion de projets dote ces quipes dobjectifs
clairs, de dlais tablis, de budgets cohrents et de priorits prcises.
70 ditions dOrganisation
Les concepts de Six Sigma
ditions dOrganisation 71
Chapitre 3
tape 1 Dfinir
73
Six Sigma
74 ditions dOrganisation
tape 1 Dfinir
ditions dOrganisation 75
Six Sigma
76 ditions dOrganisation
tape 1 Dfinir
Besoin
de se nourrir 1 fois par an
Cadre Enqute de satisfaction > 95 %
1 fois par an
M2 par client potentiel >4
Confort
Temprature de la salle 20 23
Les CTQ sont trs importants, car le respect des spcifications portes
sur ces caractristiques formera le socle de la dmarche Six Sigma.
ditions dOrganisation 77
Six Sigma
Trs satisfait
Sduction (S)
Agrables surprises
Dlices du client
Insatisfait
Dans son modle de la qualit, Kano distingue six catgories pour une
caractristique dun produit :
1. Performance (P) : la satisfaction de lutilisateur est directement
proportionnelle la performance de la caractristique. Une per-
formance mdiocre va crer une insatisfaction et une perfor-
mance leve va crer une satisfaction.
2. Devrait tre (D) : la satisfaction nest pas proportionnelle la
performance de la caractristique. En cas de faible performance,
lutilisateur sera insatisfait ; en revanche, une bonne perfor-
mance laisse lutilisateur indiffrent.
3. Sduction (S) : la satisfaction nest pas proportionnelle la per-
formance de la caractristique. En cas de faible performance,
lutilisateur sera indiffrent ; en revanche, une bonne perfor-
mance crera un sentiment de dlice pour le client.
4. Indiffrent (I) : lutilisateur na que faire de cette caractristique.
78 ditions dOrganisation
tape 1 Dfinir
Ex
Si on prend lexemple dune automobile, la qualit du freinage
sera de la catgorie P. La qualit de la climatisation sera plutt de
type D. La catgorie S reprsente une avance sur la concurrence,
sa dure de vie est limite car rapidement les autres fabricants
lintgrent dans leur modle. Pour linstant, laide la navigation
peut tre classe dans cette catgorie.
Lenqute de Kano vise dterminer, pour chaque caractristique, la
catgorie dans laquelle elle se situe.
Pour chaque caractristique, on va poser les trois questions suivantes :
ditions dOrganisation 79
Six Sigma
Dlice Q S S S P
Espr et souhait O I I I D
Pas de sentiment O I I I D
Vit avec O I I I D
Pas dsir O O O O Q
Les catgories qui devront tre retenues pour le projet Six Sigma seront
bien entendu les catgories S, P, D.
Pour chacune de ces catgories, on fait lhistogramme de ce que les
clients ont dclar tre prts payer pour avoir la caractristique.
80 ditions dOrganisation
tape 1 Dfinir
Performances
3
Dveloppements inutiles Produit adapt
2
1
0
Produit adapt Produit insatisfaisant
1
2
Exigences
3
3 2 1 0 1 2 3
ditions dOrganisation 81
Six Sigma
COMMENT
versus
COMMENT
COMMENT POURQUOI
8. Le lecteur se reportera louvrage Qualit en production pour une prsentation plus complte
du QFD (D. DURET, M. PILLET, ditions dOrganisation, 2002).
82 ditions dOrganisation
tape 1 Dfinir
POURQUOI
Importance entreprise
Densit de la couleur
concurrentielle
Importance tudiant
Coeff. de frottement
Effort axial minimal
Inclinaison critique
Distance dcriture
valuation
Longueur du stylo
Diamtre moyen
COMMENT
Largeur du trait
Poids moyen
QUOI 12345
crit facilement 5 5 5
Belle criture
4 5 3
Facile manipuler
2 1 3
Ne roule pas sur la table 1 1 1
Dure longtemps 3 3 3
Valeur cible 0,3 < 0,2 > 15 8 > 2
N 0,1 mm conc cm mm 15 km Relation forte (9)
Importance 49 49 12 49 23 11 11 23
absolue
Relation modre (3)
COMBIEN
ditions dOrganisation 83
Six Sigma
84 ditions dOrganisation
tape 1 Dfinir
2. Cartographier le processus
Lamlioration dun processus de production commence toujours par
une phase danalyse. La cartographie du processus est un excellent
moyen de raliser une telle analyse. Son but est dillustrer les flux phy-
siques et les flux dinformations depuis les approvisionnements en
matires premires jusquau client en fournissant une reprsentation
visuelle des tapes permettant de dlivrer le produit.
De nombreuses reprsentations ont t proposes pour raliser cette
cartographie et il nest pas dans notre intention den faire une descrip-
tion exhaustive. Nous nous limiterons aux formes les plus simples et
les plus couramment rencontres. Nombre de logiciels informatiques
apportent une aide apprciable dans la ralisation de cette cartogra-
phie.
Avant de dfinir diffrentes reprsentations graphiques des processus,
il est bon de rappeler les dfinitions des termes processus et activits.
Voici selon la norme ISO 9000 la dfinition de processus :
Ensemble dactivits corrles ou interactives, qui transforme des
lments dentre en lments de sortie.
Note 1 : Les lments dentre dun processus sont gnralement
les lments de sortie dun autre processus.
ditions dOrganisation 85
Six Sigma
86 ditions dOrganisation
tape 1 Dfinir
Facteurs bruits
X 10
5
Frequency
0 2. 1 0 2. 2 0 .23 0 2. 4 0 .25 0 26
. 0 2. 7 0 .28 0 29
.
Facteurs de pilotage
ditions dOrganisation 87
Six Sigma
Contrle Rebut
Contrle Rebut
2.3 Logigrammes
Ils sont utiliss principalement dans les logiciels spcialiss dans
lapproche management de la qualit. Ils proposent une prsentation
matricielle reliant des activits et des acteurs.
88 ditions dOrganisation
tape 1 Dfinir
Activit 1
Test
Activit 2 Activit 3
Activit 4
Activit 5
Sur chaque activit et sur chaque lien, on associe par hypertexte des
informations, telles que :
les commentaires.
ditions dOrganisation 89
Six Sigma
Figure 3.11
Cartographie du processus dans une dmarche Lean Six Sigma
Founisseur
1f/semaine
Bi mensuel
5 2
jours jours
Nombre de personnes
Temps de cycle
Temps de changement de srie Chronogramme du processus
Taux de rendement synthtique Dlais de production
Proportion de rebut
4 5 2 7 59 jours
Proportion de retouches
Taille des lots Temps de cycle 10 5 4 19 min.
Taille des emballages Temps de valeur 5 3 4 12 Min.
Temps de travail rel
Nombre de types de produits
90 ditions dOrganisation
tape 1 Dfinir
Pour viter ces deux cueils, dans les cas complexes, il ne faut pas
hsiter reprsenter le processus selon diffrents niveaux de macros-
copie.
ditions dOrganisation 91
Six Sigma
Outre ces outils de base, plusieurs mthodes ont fait montre dune
grande efficacit :
le diagramme dedans/dehors .
Nous allons prsenter ces trois outils dans cette section. Toutefois, ils
peuvent tre galement utiliss dans ltape Analyser .
92 ditions dOrganisation
tape 1 Dfinir
Indiquer les causes les plus probables du problme dans chaque case du
haut. Poursuivre vers le bas le plus loin possible en se posant chaque fois la
question Pourquoi ? . Le dernier pourquoi est sans doute celui qui
ncessite une action.
Pendant 20 jours, le produit est Le magasinier manque de temps
rest dans nos entrepts avant de pour traiter tous les retours.
partir en rparation.
Le produit navait pas t identifi Sa charge de travail est leve et le
clairement ds son arrive. traitement des retours est fait
lorsquil a le temps .
Il nest pas demand aux clients qui Lentreprise est jeune et chacun fait
utilisent le service aprs-vente de au mieux, il faudrait rationaliser les
noter une mention spciale sur le fonctions du personnel.
paquet.
Lexemple choisi (figure 3.12) a trait une entreprise de vente par cor-
respondance partir dun site Internet. Elle a identifi une caractristi-
que critique pour le client : la rapidit du service aprs-vente.
Pour traiter ce problme, on a utilis un traceur, cest--dire que lon a
choisi de suivre une commande en particulier.
ditions dOrganisation 93
Six Sigma
Gnration du problme
On va se poser les questions : Pourquoi le problme se pose-t-il ?
Quelle en est la source ?
Propagation du problme
On va se poser la question en ces termes : Pourquoi ce problme se dif-
fuse-t-il ?
Le dlai de service aprs-vente cible nest pas respect pour une majo-
rit de retours. Pourquoi ?
Le magasinier manque de temps pour traiter tous les retours.
Pourquoi ?
Sa charge de travail est leve et le traitement des retours est fait
lorsquil a le temps . Pourquoi ?
Il organise son temps librement entre ses multiples activits. Sa
fonction nest pas clairement dfinie et personne na explicite-
ment en charge le traitement des retours. Pourquoi ?
Lentreprise est jeune et chacun fait au mieux, il faudrait rationa-
liser les fonctions du personnel.
En se demandant pourquoi , on veut obtenir de linformation. En
refusant de se satisfaire dune seule explication, on aborde le problme
dans une perspective diffrente, ce qui amliore les chances den cer-
ner les causes.
94 ditions dOrganisation
tape 1 Dfinir
Quel est le dfaut ? Quels sont les autres dfauts que lobjet
Et plus prcisment ? pourrait avoir, mais quil na pas ?
O, gographiquement, quel autre endroit pourrait-on
observe-t-on lobjet dfectueux ? lobserver, mais on ne lobserve pas ?
Et plus prcisment ?
O
ditions dOrganisation 95
Six Sigma
96 ditions dOrganisation
tape 1 Dfinir
ditions dOrganisation 97
Six Sigma
Dedans
Dfinition de la procdure
de SAV
Organisation
de l'entrept
Dfinition des tches
pour les magasiniers
98 ditions dOrganisation
tape 1 Dfinir
Il nest pas toujours facile au dpart destimer les cots qui seront
engags. Il faut donc que la gestion du projet soit lie une gestion
financire qui permettra en continu, tout au long du projet, daffiner
cette premire estimation.
ditions dOrganisation 99
Six Sigma
5. La charte du projet
Groupe de travail
Nom Tl. Service Ml
Planification du projet
Semaines
Dfinir
Mesurer
Analyser
Amliorer
Contrler
Standardiser
Signatures
Client : Propritaire : Pilote : Direction :
tape 2 Mesurer
1. Introduction
La premire tape nous a permis de parfaitement dfinir le cadre du
chantier et de mettre en vidence les paramtres critiques pour la qua-
lit telle quelle est vue par le client (CTQ : Critical To Quality) et
dorienter le projet vers des causes racines probables. Dans ltape sui-
vante, nous allons mettre en place un moyen de mesure si possible
continu nous permettant de mesurer le z du processus. Afin davoir
des donnes suffisamment fiables pour pouvoir les exploiter, on vri-
fiera au pralable que la variabilit de notre systme de mesure est fai-
ble par rapport la variabilit des lments que lon cherche
mesurer.
103
Six Sigma
2.1 Quantifier
La premire action consiste chercher un critre mesurable, capable
de traduire la satisfaction des clients. Si, parfois, cette mesure simpose
delle-mme, il nen va pas toujours ainsi et la recherche dun caractre
mesurable nest alors pas une chose trs simple. Pour illustrer ce point,
prenons deux exemples.
Ex
Exemple 1 : Une entreprise de mcanique cherche amliorer la
fiabilit dun produit dont on a montr quelle tait directement
lie ltat de surface dun diamtre sur une machine outil. Dans
ce cas, la mesure est vidente, on se contentera du critre de
rugosit le plus adapt.
Ex
Exemple 2 : Une entreprise qui travaille sur des produits forte
valeur ajoute veut liminer les fuites apparaissant au niveau
dune soudure. La proportion de produit ayant une fuite est de
lordre de 1 % pour une production annuelle dune centaine de
produits. Dans ce cas, il ne serait pas appropri dutiliser la pro-
portion de soudures prsentant une fuite, et ce pour deux raisons
principales :
1. le peu de donnes disponibles : 1 2 produits fuite par
an, mais qui cotent trs cher ;
2. limpossibilit de conduire un projet Six Sigma dans lequel
la mesure devrait mettre en vidence des produits dfec-
tueux.
Dans ce dernier cas, il faut avoir lesprit une remarque de Geni-
chi Taguchi : Pour atteindre la qualit, il ne faut pas mesurer la
qualit !
Milieu
Mesurande
Main-d'uvre Reproductibilit
Dispersion Mthode
due au
R&R
processus
Dispersion de mesure
vue
Rptabilit
Gestion
des moyens
Dispersion de mesure
due au Moyen Justesse
processus Linarit
de production
Stabilit
T2 : Variance totale
P2 : Variance relle du processus de production
M
2 : Variance du processus de mesure
2.3 Dfinitions
Justesse : cart systmatique entre la moyenne de plusieurs mesures et
la valeur de rfrence.
Linarit : diffrence de justesse sur la plage dutilisation de linstru-
ment.
tude de linarit
Ltude de linarit consiste tudier la linarit de linstrument de
mesure partir de plusieurs talons dont la valeur est connue et garan-
tie.
Dans lexemple prsent (figure 4.3), on a pris 5 talons (5, 10, 15, 20,
25) qui ont chacun t mesur 10 fois.
tude de linarit
0,0050
0,0000
0,0050
0,0100
0,0150
0 10 20 30
talon
Interprtation
Dans notre exemple, linstrument a une erreur de linarit importante,
double dune dispersion de mesure autour de cet cart de linarit, ga-
lement importante. Ce test est ralis partir de pices talon, dans des
conditions de laboratoire de mtrologie. Pour tre acceptable, linstru-
ment doit avoir un cumul derreurs de linarit et de dispersion ngligea-
ble par rapport la tolrance que lon cherche mesurer.
a n
1 y ijk
Yj reprsente la notation abrge de -----
-
an i = 1 k = 1
Oprateurs SSO o = a 1 SS O MS O
(reproductibilit) MS O = -----------
- F 1 = ---------------
a1 MS OP
Interaction SSOP OP = SS OP MS OP
MS OP = ----------------------------------
- F 2 = ---------------
(a 1)(b 1) (a 1)(b 1) MR
SS r + SS OP MS MS
MS R = ----------------------------------------------------------------- F O = ----------P- F 1 = ----------O-
ab ( n 1 ) + ( a 1 ) ( b 1 ) MS R MS R
Intervalle de tolrance
On calcule ainsi le Cmc : Cmc = --------------------------------------------------------------------
Dispersion de linstrument
Somme Moyenne F
Source ddl F Sign Risque
des carrs des carrs limite
Pices SSP = 0,0001166 9 VP = 1,29E-5 28,43 3,17 OUI 0,000
Oprateurs SSO = 9E-7 1 VO = 9E-7 1,975 5,11 NON 0,193
Op*Pices SSOP = 4,1E-6 9 VOP = 4,5E-7 2,278 2,39 OUI 0,060
Rsidus SSr = 4E-6 20 Vr = 2E-7
(rptabilit)
Totale 0,0001256 39 3,22E-6
Dispersion R&R = 2 + D2
D R2 + D O
17,75 %
OP = 0,00354968
de linstrument
Soit
Tolrance 0,02
Cmc = ------------------------- = -------------------- = 5,36
R&R 0,00355
R&R
R&R % = ------------------------- 100
Tolrance
Cmc > 4 (ou R&R% < 25 %), linstrument est jug acceptable.
Lanalyse de la variance nous fournit galement de prcieux renseigne-
ments, notamment grce aux reprsentations graphiques
(figure 4.12) :
La contribution la somme des carrs nous donne une informa-
tion prcieuse sur le ratio entre la part prise par les pices (ida-
lement 100 %, ici 53 %) et les parts respectives des oprateurs et
de la rptabilit.
La contribution la variance de linstrument nous donne la part
de loprateur (reproductibilit) et de la variance rsiduelle
(rptabilit) dans instrument
2 , variance de linstrument.
Le graphe des effets (figure 4.12) nous indique graphiquement
les effets respectifs des oprateurs et de la pice.
Le graphe des interactions montre la moyenne des mesures que
chaque oprateur a trouve sur les 10 pices. Sil ny a quun
effet de loprateur (pas dinteraction), on devrait trouver des
courbes parallles.
Le graphe des tendues nous indique une mesure qui peut tre
aberrante (tendue hors des limites de contrle). Dans ce cas, il
faudrait recommencer la mesure.
% Tolerance
50 7,701
7,698
0
Gage R&R Repeat Reprod Part-to-part 1 2 3 4 5 6 7 8 9 10
Piece
R Chart by Op
1 2 Diam by Op
UCL = 0,001307 7,704
1 2
0,0010
Sample
7,701
0,0005 R = 0,0004
7,698
0,0000 LCL = 0
3 8
Op
Xbar Chart by Op
1 2 Op * Piece Interaction
7,704 7,704
Op 1
Average
Op 2
7,702
Sample
1 2 3 4 5 6 7 8 9 10
Piece
10. Les graphiques et analyses sont raliss avec Minitab Logiciel danalyse statistique
www.minitab.com
Interprtation
Le produit 8 a pos un problme de rptabilit loprateur 2.
Le produit 15 a pos un problme de rptabilit loprateur 1.
Le produit 12 a pos un problme de reproductibilit aux opra-
teurs. Loprateur 2 a t plus svre que lexpert.
Aucun produit na pos de problme de reproductibilit par rapport
la rfrence. Lorsque les oprateurs sont daccord entre eux, ils
sont galement daccord avec la rfrence.
On conduit alors une analyse statistique pour chaque oprateur
(figure 4.14). Pour tre acceptable, le score de chaque oprateur doit
tre suprieur 90 %. Dans lexemple que nous avons pris, loprateur
2 natteint pas le critre cause du problme de reproductibilit sur la
pice 12.
Les limites 95 % forment lintervalle de confiance 95 % de la loi
binomiale sur le score obtenu. Pour resserrer ces limites, il faut aug-
menter la taille de lchantillon type.
Oprateur 1 Oprateur 2
Opr 1 Opr 2
Total inspect 15 15
Problmes rptabilit 1 1
Problmes vs expert 0 1
Plus svre 0 0
Moins svre 0 1
Total problmes 1 2
95 % LSC 99,8 % 98,3 %
Score % 93,33 % 86,67 %
95 % LIC 68,1 % 59,5 %
Conclusion Adapt Pas adapt
R&R Attribut
90 90
Percent
Percent
80 80
70 70
60 60
1 Oprateurs 2 1 Oprateurs 2
Cette analyse est complte par une analyse globale (figure 4.15).
Total inspect 15 15
Problmes rptabilit 2 2
Problmes reproductibilit 1 1
Total problmes 3 3
95 % LSC 95,67 % 95,67 %
Score s % 80,00 % 80,00 %
95 % LIC 51,91 % 51,91 %
Adapt Adapt
3. Mesurer le processus
Dans la seconde phase de ltape Mesurer , on va runir des infor-
mations qui soient mesurables sur le processus. Ces donnes peuvent
provenir :
de rsultats disponibles sur le processus ;
dune campagne de mesures qui sera spcialement ralise.
Cependant, pour faire en sorte que ces mesures soient pertinentes, on
doit chercher limiter la variabilit. Pour cela, on commence par am-
liorer le processus sans recourir des statistiques, simplement en
figeant le plus possible de facteurs suite une analyse des 5M.
Moyens Mthodes
Voici les principaux moyens mis en uvre pour figer les paramtres :
Dformation au montage
Qualit des lavages
Profil des dentures
N CQT : Objectifs Poids Lubrification
90 51 54 32 Somme des Niveau de
caractristiques coefficients satisfaction
critiques
du produit (Y)
1 Prcision 10 5 22 49 %
de marche
2 Robustesse 10 4 18 65 %
aux positions
3 Vitesse 25 3 15 52 %
de remontage
Cible et tolrance
ou objectif
Profil V
Prsence systmatique
Sans rsidus
Absence
Note de 3 10 5 6
capabilit
4. Estimer le z du processus
Pour les raisons qui viennent dtre dites, on lui prfre la reprsenta-
tion sous forme dhistogramme (figure 4.21) qui donne une meilleure
image de la rpartition des valeurs.
12
Classe
10
Frquence
cart type
8
Largeur
6 de classe
4
0
7,68 7,69 7,70 7,71 7,72
tendue
Diam 7,7
Dfinition
Un histogramme est un diagramme barres (rectangles) contigus
dont les aires sont proportionnelles aux frquences.
2
1 X
--- -------------
1 2
Loi de Gauss : --------------e
2
Moyenne
tendue
LT 4LT
Long terme :
ZLT = 4 ou Cpk = 1,33
Court terme :
ZST = 6 ou Cp = 2
6ST
3,4 3,4
ppm ppm
6 4 2 0 2 4 6
Lobjectif Six Sigma est dobtenir une capabilit court terme telle que z
soit suprieur 6. Dans lapproche Six Sigma classique, il ny a pas
dexigence sur le niveau de capabilit long terme atteindre. Cepen-
dant, les entreprises qui pratiquent de manire intensive la mthode
demandent en gnral une performance du processus telle que
ZLT = 4, ce qui correspond un Ppk = 1,33 (on dfinira dans la pro-
chaine section de ce chapitre la notion de Ppk).
Limite
spcification (LSS)
z1 Sup(LSS) z2
Dfauts
Sil existe une spcification Sup et Inf, on peut calculer un z pour cha-
que spcification.
10 6,98
Z1 = = 1,51
2
Point d'inflexion
6 -5 4 3 2 1 0 1 2 3 4 5 6
68,26 %
95,44 %
99,73 %
99,9999976 %
LSI LSS
1,5
% dfauts
Analyse de capabilit de Y
LSL = 0 USL = 10
Process Data Potential Capability
LSL 0,00000 CP 1,65
Target * CPL 0,59
USL 10,00000 CPU 2,71
Mean 1,78227 Cpk 0,59
Sample N 100
St Dev (Within) 1,00989 Overall Capability
St Dev (Overall) 1,05708
Pp 1,58
PPL 0,56
PPU 2,59
Ppk 0,56
Cpm *
Analyse de capabilit de Y
Distribution de Weibull
LSL = 0 USL = 10
Process Data Overall Capability
LSL 0,00000 Pp 1,66
Target * PPL 1,03
USL 10,00000 PPU 1,89
Mean 1,77445 Ppk 1,03
Sample N 100
Shape 1,69661
Scale 1,98847 Exp. Overall Performance
PPM < LSL 0,000000
PPM > USL 0,186817
Observed Performance
PPM Total 0,186817
PPM < LSL 0
PPM > USL 0
PPM Total 0
0,3
0,25 =5 = 3,5
0,2 = 10 =5
= 10 = 3,5
0,15
= 10 =2
0,1
= 10 = 0,5
0,05
Ex
Exemple de transformation de Box
Un relev de donnes a conduit lhistogramme prsent ci-
aprs (figure 4.30) qui visiblement ne suit pas une loi normale.
Aprs transformation des donnes par la relation Y1 = Y0,3, on
trouve un second histogramme qui suit une loi normale.
Figure 4.30
Distribution non normale et transformation de Box
Frquence
10 10
5 5
0 0
0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2 0,45 0,55 0,65 0,75 0,85 0,95 1,05
Y Y
DPU = 30/500 = 6 %
Figure 4-31
Six Sigma en tenant compte dun dcentrage de 1,5 sigma
1,5
5 000 0
ppm ppm
3 2 1 0 1 2 3
Remarque
Le zprocess est parfois appel zcourt terme. Le zquivalent est alors appel
zLong terme
Relations
Nombre de dfauts = D
Nombre dunits = U
Dfaut par unit = DPU=D/U
zquivalent = zlong terme = z dune loi normale (0,1) pour p = DPU
zcourt terme = zquivalent + 1,5
Nb de Nb de Nb
DPU DPO p Zquiva Zprocess
produits dfauts opportunits
Relations
Nombre de dfauts = D
Nombre dunits = U
Opportunits pour un dfaut = O
Dfaut par unit = DPU = D/U
Dfaut par opportunit = DPO = DPU/O = D/(UxO)
Dfaut par million dopportunits = DPMO = DPO 106
Proportion dunits dfectueuses = p = 1 eDPO
zquivalent = zlong terme = z ~ (0,1)
zprocess = zcourt terme = zquivalent + 1,5
p = 1 eDPO
Comme dans le cas des DPU, le zquivalent est dtermin par assimila-
tion une loi normale qui donnerait un pourcentage p de dfaut.
Relations
Nombre dtapes du processus = k
Nombre de dfauts sur une opration = D
Nombre dunits = U
Dfaut par unit pour une opration = DPU = D/U
zLong terme opration = z ~ (0,1) qui aurait une proportion DPU de
non conformes
zcourt terme opration = zLong terme + 1,5
Rendement de lopration = YOp = eDPU
Rendement cumul du processus = Ycumul =YOpe (produit des YOpe)
Nombre dunits ncessaires pour produire 1 unit conforme
=1/Ycumul
Rendement normalis = Y norm = k Y Cumul
Dfaut par unit normalis = DPUnorm = ln(YNorm)
z du processus complet = zYnorm +1,5
Dans lexemple (figure 4.32), le rendement cumul du processus est de
0,32.
Il faut donc 1/0,32 = 3,17 produits en entre pour avoir 1 produit en
sortie du processus.
On a calcul pour chaque tape un z ; il est galement possible de cal-
culer un z du processus qui tiendra compte de la complexit de celui-ci
et donc du nombre dtapes.
Y norm = k Y Cumul = 10 0,32 = 0,89
DPUnorm = ln(YNorm) = 0,115
zProcessus = 1,20 + 1,5 = 2,7
1 2 3 4 5 6 7 8 9 10
Unit 1000 950 800 1050 660 860 900 650 980 680
Dfaut 105 312 130 122 13 62 115 7 82 87
DPU 0,11 0,33 0,16 0,12 0,02 0,07 0,13 0,01 0,08 0,13
zLT Ope 1,25 0,44 0,98 1,19 2,06 1,46 1,14 2,30 1,38 1,14
zCT Ope 2,75 1,94 2,48 2,69 3,56 2,96 2,64 3,80 2,88 2,64
Opration 0,9 0,72 0,85 0,89 0,98 0,93 0,88 0,99 0,92 0,88
Cumul 0,9 0,65 0,55 0,49 0,48 0,45 0,39 0,39 0,36 0,32
Rendements
1
0,9
Rendement en proportion
0,8
0,7
0,6
Opration
0,5
0,4 Cumul
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10
Oprations
Dans le schma prsent plus haut en figure 4.22, nous avons montr
quon pouvait identifier deux types de dispersion : le court et le long
terme. En matire de capabilit, il est trs important de bien savoir de
quelle dispersion on parle.
Dispersion = 6 Dispersion = 6
Cible
LSI LSS LSS
LSI LSS
Cpkl = Cpku =
3 3
3
Dispersion = 6
Cible
LSI LSS LSS
L = K(Y Cible) 2
L = K[ 2 + ( Cible) 2]
3
Dispersion = 6
Cp Cpm ; les deux indicateurs sont gaux lorsque le procd est cen-
tr.
Cp
Cpm est reli Cp et Cpk par la relation : Cpm = -----------------------------------------------
1 + 9 ( Cp Cpk ) 2
Les indicateurs Pp, Ppk, Ppm sont des indicateurs de performance cal-
culs partir de la dispersion long terme. Les formules permettant de
les calculer sont donc les mmes que pour Cp, Cpk et Cpm ; il suffit de
remplacer court terme par Long terme. On a donc :
Tolrance LSS LSI
P p = -------------------------------------------------------- = ----------------------------
Dispersion long terme 6 Long terme
LSI LSS
Ppk = min ---------------------------- ;----------------------------
3 Long terme 3 Long terme
LSS LSI
Ppm = ----------------------------------------------------------------------
6 Long 2
terme + ( Cible )
2
Il est plus facile destimer le sigma long terme dun processus. Pour
cela, il suffit de calculer lestimateur n-1 sur un chantillon reprsen-
tatif de la production sur le long terme.
n
( Xi X )2
i=1
n 1 = S = --------------------------------
n1
Mthode 1
Par prlvement dun chantillon reprsentatif.
Mthode 2
Par prlvement dun chantillon exhaustif sur une priode de pro-
duction.
Ex
Exemple mthode 2
Une entreprise fabrique des tubes haute frquence en petite srie
(production journalire de 3 tubes). Un relev sur une caractris-
tique 120 15 de 30 tubes raliss conscutivement a donn :
Film de la production de Y
140
135
Intervention
130
125
120
115
110
105
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
On obtient :
R = 3,20 donc Court terme = R/d2 = 3,20/1,128 = 2,83
X = 123,53
Sur lensemble des valeurs, on peut calculer Long terme = 3,62
Do les indicateurs :
LSS LSI 30
Cp = ----------------------------- = -------------------- = 1,76
6 Court terme 6 2,83
30
= --------------------------------------------------------------------- = 1,10
6 2, 83 2 + ( 123,53 120 ) 2
LSS LSI 30
Pp = ---------------------------- = -------------------- = 1,38
6 Long terme 6 3,62
30
= ------------------------------------------------------------------- = 0,99
6 3,62 + ( 123,53 120 ) 2
2
Mthode 3
Par prlvement de petits chantillons des moments diffrents
(cas des cartes de contrle)
Dans ce cas, on suppose que la dispersion court terme est donne par
la dispersion lintrieur des petits chantillons. On peut donc estimer
lcart type court terme par plusieurs relations :
partir de la moyenne des tendues R : court terme = R/d2
partir de la moyenne des carts types S : court terme = S/c4
Ex
Exemple mthode 3
1 2 3 4 5 6 7 8 9 10
1 2 4 1 0 4 0 3 0 1 1
2 0 3 0 2 1 2 0 1 1 2
3 1 0 3 1 0 0 1 1 3 1
4 1 1 2 2 2 0 1 0 4 0
5 1 1 3 0 0 3 3 2 1 0
Total 3 7 9 1 7 1 6 2 8 2
Moyenne 0,6 1,4 1,8 0,2 1,4 0,2 1,2 0,4 1,6 0,4
tendue 3 5 3 4 4 5 4 3 5 3
cart type 1,14 2,07 1,30 1,48 1,67 1,79 1,79 1,14 1,95 1,14
Carte Xbar/R
UCL = 2,24953
2
Sample Mean
0 X=0
2
LCL = 2,24953
1 2 3 4 5 6 7 8 9 10
Sample
8 UCL = 8,24650
Sample Range
4 R = 3,9
0 LCL = 0
1 2 3 4 5 6 7 8 9 10
Sample
Analyse de capabilit
6 3 0 3 6
Court terme =
S2
-----------i = 1,58
10
TS X 6,88
Ppk = ---------------------------------- = -------------------- = 1,27
3 Long terme 3 1,80
Cible Cible
Cible Cible
Pour les indicateurs Cmc, Cp, Pp, nous avons montr quil sagit tou-
jours du ratio entre la tolrance et la dispersion (6). La relation qui
existe entre tous ces indicateurs est charge dune information consi-
drable quil faut absolument exploiter dans une dmarche Six Sigma.
Mesure Condition
R&R < 0,25 d'acceptation
ou Cmc > 4 d'un processus
Court terme
ZST > 6
ou Cp > 2 Condition
d'acceptation
Long terme d'un lot
Stabilit
du procd Pp
Long terme
avec dcentrage
Centrage
ZLT > 4
du procd
Ppk > 1,33
Perte de capabilit
Rs % = 100(Pp/Cp)
Rr % = 100(Ppk/Pp)
Chaque caractristique qui a une case grise doit tre discute pour
permettre une amlioration. On note lintrt du Ppm qui globalise
lensemble de la chute de capabilit. Voici comment on interprte ce
tableau :
tape 3 Analyser
1. Introduction
Aprs avoir accompli les tapes Dfinir et Mesurer , on a parfai-
tement identifi les caractristiques critiques pour la qualit (CTQ) et
on dispose dun moyen de mesure permettant de les quantifier. Lors de
ltape Mesurer , on a galement pu mettre en place une campagne
dobservation du processus afin de rcolter des donnes fiables.
163
Six Sigma
Moyenne
10,4 10,05
Moy = 10,14
LCL = 9,996
10,3 9,90
10,2 Sous-grp. 0 1 2 3 4 5 6 7 8 9 10
9,8 10,2 10,6
Y 0,6
Droite de Henry
10,1
0,4
tendue
10,0 R = 0,2486
0,2
9,9
0,0 LCL = 0
9,8 10,00 10,25 10,50
Dern 10 sous-groupes Graphique des aptitudes
10,55 l'intrieur de
Cpk : 0,81
X 10,05 Global(e)
Global(e)
Spcifications
Ec Typ : 0,184410
9,80 CP : 0,72 96 104
Cpk : 0,47
0 1 2 3 4 5 6 7 8 9 10
Nombre de sous-groupes
Bruits
X(S)
Moustaches
Troisime quartile
7,72
(75 %)
7,71
Mdiane Bote
Diam 7,7
7,70
Premier quartile
(25 %) Valeur aberrante
7,69
7,68
*
11. LAmricain Dorian SHAININ a dvelopp toute une approche de lamlioration des produits et
des processus industriels trs complmentaire de lapproche Six Sigma.
P4
P3 P1
P2
Variations de position
ou l'intrieur d'une unit
P1 P2 P3 P4 Lot
10,05 Lot 1
Lot 2
Lot 3
10,04
10,03
Hauteur
10,02
10,01
10,00
9,99
Am Midi Matin Am Midi Matin
Heure
Panel variable : Poste
Interprtation
Le no de lot na pas dinfluence sur la hauteur usine, on ne retrouve pas
dcart systmatique entre les lots 1, 2 et 3.
10,01
Mean of Moyenne
10,00
Am Midi Matin P1 P2 P3 P4
Lot
10,04
10,03
10,02
10,01
10,00
Lot 1 Lot3 Lot3
Poste
P1 P2 P3 P4
Matin 10,0001 9,9958 10,0196 10,0237
Heure
Aprs-midi 10,0219 10,0087 10,0416 10,0480
10,02
10,01
Effet du poste
10,00 mesur le matin
9,99
P1 P2 P3 P4
Poste
Linteraction est forte si leffet du poste est trs diffrent entre le matin
et laprs-midi. Dans notre exemple, les deux effets tant presque
parallles, on ne conclut pas une interaction importante.
3. Statistique descriptive
La statistique descriptive a pour objectif de donner une description sta-
tistique dun ensemble de donnes se dcomposant en trois lments :
Pour caractriser ces trois critres, on peut utiliser des outils graphi-
ques ou des paramtres numriques. Le tableau suivant (figure 5.11)
donne les lments le plus souvent utiliss pour les caractriser.
Numrique Graphique
Skewness Bote moustaches
Forme Kurtosis Histogramme
Diagramme des probabilits
Moyenne Bote moustaches
Position Mdiane Histogramme
Diagramme de corrlation
tendue Bote moustaches
cart type Histogramme
Dispersion
Variance
Inter-percentile
Moyenne
tendue
Mean 7,7037
St Dev 0,0077
Variance 0,0001
Skew ness 0,117743
Kurtosis 0,823668
N 50
Minimum 7,6820
7,68 7,69 7,70 7,71 7,72 1st Quartile 7,6990
Median 7,7030
3rd Quartile 7,7093
* Maximum 7,7240
7,68 7,69 7,70 7,71 7,72 7,73 95 % Confidence Interval for Mean
7,7015 7,7059
95 % Confidence intervals
95 % Confidence Interval for Median
Mean 7,7020 7,7060
95 % Confidence Interval for St Dev
Median 0,0064 0,0096
Xi
i = 1
la moyenne X = -----------------------
n
S S
Min ( ) = X t 2 ------- < < Max ( ) = X t 2 -------
n n
Rpartition Rpartition
des moyennes des moyennes
X =
/ n X = / n
Population
X z 2 --------- < < X + z 2 ---------
n n
S S
X t 2 --------- < < X + t 2 ---------
n n
Ex
Exemple
X =7,7037
S = 0,0077
n = 50 soit 49 ddl
t/2 = 2,0096
0,0077 0,0077
7,7037 2,0096 -------------------- < < 7,7037 + 2,0096 --------------------
50 50
ltendue ;
lcart type ;
la variance ;
Parmi tous ces lments, ltendue est la plus naturelle. Elle reprsente
lcart qui existe entre la plus grande valeur et la plus petite. Mais
ltendue a un inconvnient majeur : sa valeur dpend de la taille de
lchantillon. Plus lchantillon est grand et plus on a de chance de
trouver une valeur trs grande ou trs petite.
( Xi X )2
i=1
n 1 = S = -------------------------------- est un estimateur de lcart type
n1
Il existe une relation entre ltendue pour une taille dchantillon don-
ne et lcart type.
R
= -------
d 2*
*
Figure 5.15 Coefficient d 2 pour lestimation de partir de R
Nombre dchantillons
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 >15
Nombre de mesures
2 1,414 1,279 1,231 1,206 1,191 1,181 1,173 1,168 1,163 1,160 1,157 1,154 1,153 1,151 1,149 1,128
par chantillon
3 1,912 1,806 1,769 1,750 1,739 1,731 1,726 1,722 1,719 1,716 1,714 1,712 1,711 1,710 1,708 1,693
4 2,239 2,151 2,121 2,105 2,096 2,090 2,086 2,082 2,08 2,078 2,076 2,075 2,073 2,072 2,071 2,071
5 2,481 2,405 2,379 2,366 2,358 2,353 2,349 2,346 2,344 2,342 2,34 2,339 2,338 2,337 2,337 2,326
Vi --1- S i
k S
V = ------------ et = --------------
c4 = c4
- ----
k
n 2 3 4 5 6 7 8 9 10
c4 0,7979 0,8862 0,9213 0,9400 0,9515 0,9594 0,9650 0,9693 0,9727
S2
On peut crire : (2 2 ) < ( n 1 ) -----i- < (21 2 ) qui permet de donner
2
lintervalle de confiance sur lcart type :
(2 2 ) (21 2 )
S ----------------- < < S ---------------------
(n 1) (n 1)
Ex
Exemple
S = 0,0077
n = 50 soit 0,025
2 = 31,55 et 0,975
2 = 70,22 pour 49 degrs de
libert
31,55 70,22
0,0077 -------------- < < 0,077 -------------- soit [0,0062 0,0092]
49 49
f(x)
X
Un d 1 2 3 4 5 6
f(x)
X
Dix ds 10 60
Lillustration que nous venons de faire avec les ds est facilement gn-
ralisable tous les systmes soumis de nombreux facteurs indpen-
dants. Les combinaisons donnant des valeurs extrmes sont rares,
alors que les combinaisons moyennes ont une forte probabilit. La
rpartition doit donc suivre une loi normale.
Temps de trajet
Cause spciale
(la droite sur la figure 5.19) et une distribution relle (les points) peu-
vent tre attribus des variations alatoires.
99
Mean 7,704
Rpartition thorique parfaite St Dev 0,007686
95 N 50
AD 0,4185
90 PValue 0,316
80
70
Per cent
60
50
40
30
20
10
5
1
7,68 7,69 7,70 7,71 7,72 7,73
Diam 7,7
4. Statistique infrentielle
Tests de comparaison
Figure 5.20 Variables dpendantes et indpendantes
X Y
Variables Variables
Systme
indpendantes dpendantes
Y = 5 2 + 1 2 = 5,099 Y = 5 2 + 1 2 = 5,099
Y = 4 2 + 1 2 = 4,123 Y = 5 2 + 0 2 = 5,000
Y = 0,976 Y = 0,099
Les tableaux suivants (figure 5.22 et figure 5.23) rcapitulent les diff-
rents tests que nous dcrirons dans ce chapitre.
Comparaison
Comparaison Comparaison entre
par rapport une
entre deux valeurs plusieurs valeurs
valeur thorique
Test zthorique Test z ANAVAR
Comparaison
Test t
de moyennes
B to C
Comparaison Test 2 Test F Hartley
de variances
Comparaison 1P 2P Tableau
de frquences dindpendance
Figure 5.23
Tableau rcapitulatif des diffrents tests de comparaison
Test Application
Comparaison dun cart type une valeur thorique
Jai un problme pour atteindre une capabilit court terme qui
soit acceptable. Je fais un essai en modifiant le systme de lubri-
Test 2
fication de la machine. Il semble que la variance (lcart type)
samliore par rapport ce que jobtiens habituellement. Puis-je
rellement conclure une amlioration ?
Comparaison de deux carts types
Pour amliorer un systme de fermeture par clips, je teste deux
Test F
matires diffrentes. Puis-je conclure quune matire donne un
rsultat plus robuste (moins de dispersion) que lautre ?
Comparaison dune moyenne une valeur thorique, connu
Mon produit possde actuellement une caractristique que je
souhaite amliorer. Je suppose connatre lcart type. Je fais un
Test z thorique
essai et les rsultats semblent montrer une amlioration. Puis-je
rellement conclure une amlioration ou est-ce simplement
leffet de la dispersion ?
Lorsque lon fait un test statistique, on cherche vrifier une des deux
hypothses suivantes :
Conclusion du test
Hypothse H0 vrai Hypothse H1 vrai
Hypothse H0 vrai ;
Conclusion fausse
Situation relle
Rpartition des moyennes
X =
/ n
Population totale
Risque /2
X z0
n
Si X se situe hors de ces deux limites (ce qui peut arriver avec
un risque ), on conclura de faon fausse que lhypothse H0 est
refuse.
Vraie moyenne
Rpartition des moyennes
Risque
X = / n
Population totale
Risque /2
X z0
n
Rpartition des moyennes
Risque
X =
/ n
Population totale
Risque /2
n X =
/ n
Population totale
Dans ce test, on considre que lcart type est inconnu, on utilise la loi
de Student. Le tableau suivant (figure 5.29) donne la taille des chan-
tillons pour un risque alpha de 5 % et un risque bta de 10 %.
Dcentrage 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6
Taille 527 235 133 86 60 45 35 28 23 19 17 14 13 11 10
Dcentrage 1,7 1,8 1,9 2 2,1 2,2 2,3 2,4 2,8 2,9 3,6 3,7 4 5 6
Taille 9 8 8 7 7 6 6 5 5 4 4 3 3 3 2
Ex
Exemple dutilisation de la table
Dcentrage 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6
Taille 525 234 131 84 58 43 33 26 21 17 15 12 11 9 8
Dcentrage 1,7 1,8 1,9 2 2,1 2,2 2,4 2,5 2,8 2,9 3,7 3,8 4 5 6
Taille 7 6 6 5 5 4 4 3 3 2 2 1 1 1 1
Ex
Exemple dutilisation de la table
On veut dtecter une amlioration provoquant un dcalage de
0,9 partir dun premier chantillon de taille n. On estime que
lcart type sera de lordre de grandeur de 0,6. On veut donc
dtecter un cart de = 0,9/0,6 = 1,5.
Il faut donc raliser deux chantillons de 9 produits pour mettre
en vidence un tel cart.
Le tableau T7 dans le chapitre 10 de notre ouvrage donne les tailles
dchantillons ncessaires pour le test z, et ce pour diffrents niveaux
de risque.
X( 2 ) X( 1 ) 125 100
D n = -------------------------- D n = ------------------------ = 0,83
130 100
X( n ) X( 1 )
n = 7 c = 0,507
Conclusion
Dn > c, la valeur 100 est considre
comme aberrante
2. Calculer la statistique.
Max( X i X ) 35 28,2
G = --------------------------------- G = ----------------------- = 1,66
4,087
S
Fiche Test 2
Comparaison dune variance une valeur thorique
Fiche Test F
Comparaison de deux variances
Test F
F-Test
Matriau 1 Test Statistic 2,68
P-Value 0,296
Levene's Test
Matriau 2 Test Statistic 0,88
P-Value 0,367
Matriau 1
Matriau 2
Interprtation
La valeur p-value (risque alpha) tant suprieure 5 %, on accepte
lhypothse H0. Il ny a pas dcart significatif.
X 1,31 1,2
z 0 = ---------------- z 0 = ---------------------------- = 2,2
n 0,1 4
Boxplot of proto
(with H0 and 95 % z-confidence interval for mean, and StDev = 0,1)
H0 X
Interprtation
La valeur p-value (risque alpha) tant infrieure 5 % on refuse lhypo-
thse H0. Il y a un cart significatif. Graphiquement, lhypothse H0 est
en dehors de lintervalle de confiance sur la moyenne, lcart est donc
significatif.
X 1,31 1,2
t 0 = ---------------- t 0 = ---------------------------- = 1,98
S n 0,111 4
Boxplot of proto
(with H0 and 95 % t-confidence interval for the mean)
H0 X
Interprtation
La valeur p-value (risque alpha) tant suprieure 5 %, on accepte
lhypothse H0. Il ny a pas dcart significatif. Graphiquement, lhypo-
thse H0 est dans lintervalle de confiance sur la moyenne, lcart nest
donc pas significatif.
Fiche Test z
Comparaison de deux moyennes ( connu)
(n 1) < S < (n 1)
----------------
- ---------------------- 0,027 < S2 < 0,18
1 2 2 2 0,1 2 + 0,1 2
d = ---------- + ---------- d = ------- ------- = 0,07
n n 5 4
1 2
5. Calculer la variable z0
d 0,13
z 0 = -----
d- z 0 = ----------- = 1,88
0,07
7. Conclure.
Si z0 > zlim, on conclut que lcart 1,88 tant infrieur 1,9, on conclut
est significatif. que le nouveau ressort nest pas signi-
Si z0 zlim, on conclut que lcart ficativement plus puissant que le res-
nest pas significatif. sort prcdent.
8. En cas de doute sur le rsultat (ris- Pour diminuer le doute, il faut aug-
que ), augmenter la taille de menter la taille de lchantillon.
lchantillon et recommencer la
procdure.
1,45
1,40
1,35
1,30
Data
1,25
1,20
1,15
1,10
actuel proto
Fiche Test t
Comparaison de deux moyennes ( inconnu)
S 2 + S 2 n1 + n2 5+6
d = ---------- ---------- = S -----------------
- d = 1,25 ------------ = 0,76
n2 n1 n2 30
n1
6. Calculer la variable t0
d 1,89
t 0 = -----
d- t 0 = ----------- = 2,49
0,76
6
Data
Colle 1 Colle 2
Interprtation
La valeur p-value (risque alpha) tant infrieure 5 %, on refuse lhypo-
thse H0. Il y a un cart significatif.
Xd 0,0167
t 0 = ----------------- t 0 = ------------------------------- = 7,91
Sd n 0,00516 6
Boxplot of Differences
(with H0 and 95 % t-confidence interval for the mean)
X H0
Differences
Interprtation
La valeur p-value (risque alpha) tant infrieure 5 %, on refuse lhypo-
thse H0. Il y a un cart significatif.
Fiche Test B to C
Comparaison de deux moyennes
Ce que fait le test
Il permet de comparer la moyenne de deux chantillons mme lorsque la distri-
bution ne suit pas une loi connue (loi normale, par exemple). Il peut tre utilis
pour faire une comparaison sur des critres daspect (figure 5. 37).
Comment faire le test ? Exemple
On veut rgler une tension lectrique sur
un produit. Deux rglages sont possibles
et on les effectue sur deux lots de pro-
duits. Peut-on conclure un cart
significatif ?
Rglage1 125,6 123,5 128,2 125,0 127,9 126,5
Rglage2 128,1 126,7 130,4 128,6 127,6 134,4
1 6 11 16
2 7 12 17
3 8 13 18
4 9 14 19
5 10 15 20
3B 5C
1 S 12 + 2 S 22 + + k S k2
S = -----------------------------------------------------------
+ ++ -
1 2 k
Comme 1 = 2 = k on peut
simplifier lexpression prc-
On peut calculer
dente qui devient :
( N i N pi ) 2
3. On forme le 2 = ---------------------------
N pi
pour chacune des cases du
Tableau du 2
tableau avec :
Accep Refus Total
Ni : Frquence observe
Npi : Frquence thorique F1 0,14 1,55 1,69
Y1 11
2 21
2 F3 0,24 2,74 2,97
Y2 12
2 22
2 tot. 0,54 6,1 6,63
Y3 13
2 23
2
( 253 247,18 ) 2
avec 0,14 = ----------------------------------------
247,18
( f 11 p 1 f 1j ) 2
avec 11
2 = --------------------------------------
p 1 f 1j
Le Total
2 est gal la somme des 2 Total
2 = 6,63
de chacune des cases que lon com-
pare avec Maximum
2 admissible pour Maximum
2 = 5,89
un nombre de degrs de libert gal
(Nb de ligne 1) (Nb de colonne 1). pour (2 1) (3 1) =2 ddl
5. Lanalyse de la variance
5.1 Introduction
Lanalyse de la variance est particulirement importante. Elle permet
de comparer la position de deux (ou plus) populations rparties selon
deux (ou plus) critres.
Position Outil Y1 Y2
P1 O1 120,8 120,0
P1 O2 119,2 119,8
P2 O1 121,2 121,7
P2 O2 122,8 121,3
P3 O1 125,8 125,2
P3 O2 122,9 122,0
5.2.1 Principe
Lanalyse de la variance sur un facteur permet de tester dventuelles
diffrences significatives entre plusieurs modalits dun facteur.
Par exemple, on a ralis un essai avec trois types de joints pour dimi-
nuer une fuite. Le montage de chaque type de joint a t ralis sur
cinq produits ; le rsultat est prsent au tableau suivant (figure 5.40).
1 2 3 4 5
Joint 1 11 9 9 7 8 8,8
Joint 2 9 8 10 8 7 8,4
Joint 3 13 9 11 10 9 10,4
Facteur modalit 1
Y
Y1 Effet suppos du facteur
Facteur modalit 2
Y
Y2
Facteur modalit 1
Y
Y1 Effet suppos du facteur
Facteur modalit 2
Y
Y2
Notations
Y Moyenne de lensemble des valeurs
Yij Mesure de la rptition j de modalit i
Y i Moyenne des mesures de la modalit i
m nombre de modalits
n nombre de rptitions pour chaque modalit
i = 1j = 1
V T = ------------------------------------------ = 36,4
nm 1
Cette variance a deux origines.
La variance rsiduelle que lon peut observer lorsque le facteur
reste sur la mme modalit (le mme joint) Variance intra-
chantillon.
m n
( Yij Yi ) 2
i = 1j = 1
V R = --------------------------------------------
m(n 1)
La variance due aux variations de modalits du facteur (variation
sur Y en changeant de joint) Variance inter-chantillon.
m n m
( Yi Y ) n ( Yi Y )
2 2
i = 1j = 1 i=1
V A = ----------------------------------------
m1
- = -----------------------------------
m1
m n
Variance
Y (Yij - Y )2
Variance totale VT = i=1 j=1
rsiduelle nm - 1
n rptitions Y1
m modalits
2
( Yij + Yi Yi Y )
2
SS T = ( Y ij Y ) =
i = 1j = 1 i = 1j = 1
m n
2
SS T = ( Yij Yi ) 2 + ( Yi Y ) 2 ( Y ij Y i ) ( Y i Y )
i = 1j = 1
m n m n m n
2
SS T = ( Y ij Y i ) 2 + ( Yi Y ) 2 ( Yij Yi ) ( Yi Y )
i = 1j = 1 i = 1j = 1 i = 1j = 1
de mme,
T = nm 1 = nm m + m 1 = m(n 1) + m 1 = R + A
f
Rpartition du rapport VA/VR
Y1 VR
VA
5%
VR
VA/VR
Y2 0 1 Flimite
A m A = SS A Table
2 V SS A
SS A = n ( Yi Y ) m1 V A = --------- F = ------A-
A
--------- %
i=1 VR SS T
Rsidus m n R = SS R SS R
( Y ij Y i ) 2
SS R = m(n1) V R = --------- --------- %
R SS T
i = 1j = 1
Total m n T =
2 SS
SS T = ( Y ij Y ) nm-1 V T = --------T-
i = 1j = 1 T
Interprtation
Le ratio F calcul 2,67 tant plus petit que le ratio limite trouv dans la
table de Snedecor, 3,88, on peut accepter lhypothse H0 et conclure que
le facteur nest pas significatif. De mme, lorsquun logiciel calcule la
probabilit p (ici, 0,11), lorsque cette probabilit est suprieure 0,05, on
accepte lhypothse H0. La part de la variance rsiduelle est de 69,2 %.
La part du facteur est de 30,8 %. Nous reviendrons sur ce coefficient
appel R2, quand nous tudierons les corrlations en section 6.
Pour complter linterprtation, il est utile dafficher la bote moustache
telle que nous lavons dfinie au paragraphe 2.1.
13
12
11
Fuite
10
--- y ijk
Yij reprsente la notation abrge de 1
rk = 1
a r
1 y ijk
Yj reprsente la notation abrge de ----
-
ar i = 1 k = 1
a
SS A = br ( Y i.. Y ... ) 2
i=1
b
SS B = ar ( Y .j. Y ... ) 2
j=1
a b
SS AB = r ( Yij. Yi.. Y.j. + Y... ) 2
i = 1j = 1
a b r
SS R = ( Yijk Yij. ) 2
i = 1j = 1k = 1
Somme des
Origine ddl V F Flim. p Contrib.
carrs SS
Position 32 522 2 16,26 41,78 5,14 0,000 71,7 %
Outil 3 741 1 3,74 9,61 5,99 0,021 8,3 %
Interaction 6 732 2 3,37 8,65 5,14 0,017 14,9 %
Erreur 2 335 6 0,3892 5,2 %
Total 45 329 11
Interprtation
Les facteurs et linteraction reprsentent 94,8 % de la variance constate.
La probabilit p tant infrieure 0,05 pour chaque coefficient, on peut
refuser lhypothse H0 et conclure que chaque lment a un effet signifi-
catif.
Linterprtation doit se terminer par lexamen de trois graphiques : la bote
moustache (figure 5.49), le graphe des effets (figure 5.50) et le graphe
des interactions (figure 5.51). Linteraction significative se note par un
cart important entre les effets des positions selon loutil considr.
125
124
123
Y
122
121
120
119
Outil O1 O2 O1 O2 O1 O2
Position P1 P2 P3
123
Moyenne de Y
122
121
120
P1 P2 P3 O1 O2
123
Y
122
121
120
119
P1 P2 P3
Position
1,30
1,25
1,20
Taille 1,15 Couple
de l'enfant Pre 1,75
1,10 Enfant 1,17
1,05
1,00
1,5 1,6 1,7 1,8 1,9 2
Taille du pre
Dans cet exemple (figure 5.52), une corrlation apparat entre la taille
du pre et celle de lenfant, car le nuage de points est orient. Cette
corrlation est positive, les deux variables voluent dans le mme sens.
10
6
Volume moyen 6
en ordures
mnagres 4
2
0
0 300 600 900 1 200
1 3
2 4
Nombre
Total le plus important entre les zones 1/4 et 2/3
de points
10 10 9
12 11 10
13 13 11 10
14 14 13 11
15 14 13 12
16 15 14 13
18 17 15 14
20 18 17 15
26 26 22 20 19
30 28 25 23 21
40 35 32 29 27
50 42 38 35 32
60 49 44 41 38
80 62 56 53 49
100 74 68 64 60
Excellent Trs bonne Bonne Moyenne
Corrlation
risque < 1 % risque < 5 % risque < 10 % risque < 20 %
185
180
ei
Yi 175
170
165
95 100 105 Xi 110 115 120
X
e1 Y1 1 X1
0
ei = Yi 1 Xi soit e = Y Xa
1
en Yn 1 Xn
Solution
La somme des carts ei2 scrit e.te avec te matrice transpose de e.
Minimiser e.te consiste trouver les valeurs de 0 et 1 qui
anulent la drive de e.te par rapport a
e.te = [Y Xa]t[Y Xa] = YtY 2atXtY + atXtXa
e t e = 2XtY + 2XtXa
--------------
a
Pour annuler cette drive, on a alors : = (XtX)-1.XtY
Application
1 108 174
Matrices X = et Y =
1 117 204
Non significatif
Significatif
Coefficient
0
de la dispersion rsiduelle ;
Dmonstration
= (XtX)-1.XtY donc V() = V[(XtX)-1.XtY]
X est la matrice des essais, cest une constante on peut donc
crire :
V() = (XtX)-1.Xt.V(Y).X(XtX)-1
Dans lhypothse nulle, V(Y) = V(ei) est la variance des rsultats
des essais, que lon suppose homogne dans tout le domaine
dtude.
On peut crire V(Y) = r2I
(I matrice identit et r2 Variance rsiduelle)
V() = r2(XtX)-1XtIX(XtX)-1 = r2(XtX)-1
On calcule V(ei) = r2 =
e i2
------------ = 32,98
ddl
Mais si lon veut tenir compte des degrs de libert sur les rsidus, il
est prfrable de calculer le ratio :
185
r2
180
175
170
165
95 100 105 110 115 120
X
X1 Y
X2
Systme
X3
X4
1. lorsque deux X sont corrls entre eux et quil existe une relation
entre un des X et Y ;
2. lorsque deux X ont une relation avec Y mais quune des relations
est trs suprieure la seconde.
Y
On croit une corrlation
entre B et Y
Y
A
Y
On voit la corrlation
entre A et Y
Surface de rponse :
B A un effet de A sur Y
pas d'effet de B sur Y
Y A
On voit la corrlation
entre A et Y
B Surface :
On ne voit pas A effet fort de A
la corrlation effet faible de B
entre B et Y
Y=%
Coule %C %MN %SI %P %NI %CR
Soufflure
H064 3,35 0,72 2,44 0,04 0,16 1,04 15,08
H096 3,43 0,74 2,39 0,04 0,17 1,03 14,8
H120 3,46 0,75 2,35 0,05 0,16 1,04 11,9
H131 3,44 0,68 2,41 0,06 0,12 1,02 14,21
H135 3,44 0,64 2,36 0,07 0,12 1,04 17,87
H160 3,44 0,71 2,37 0,06 0,1 1,05 10,75
H166 3,51 0,73 2,4 0,06 0,13 1,04 11,48
H201 3,44 0,75 2,32 0,04 0,1 1,04 7,02
H203 3,44 0,69 2,35 0,04 0,17 1,02 18,12
H225 3,52 0,65 2,42 0,05 0,15 1,04 18,52
H236 3,61 0,7 2,43 0,06 0,11 1,05 10,6
H245 3,41 0,62 2,32 0,07 0,14 1,05 19,2
H256 3,46 0,63 2,35 0,06 0,16 1,04 22,3
H259 3,5 0,75 2,36 0,06 0,12 1,04 9,46
Y = 0 + 1 C + 2 MN + 3 SI + 4 P + 5 NI + 6 CR
e1 Y1 1 C 1 NI 1 CR 1 0
ei = Yi 1 C i NI i CR i j soit e = Y Xa
en Yn 1 C n NI n CR n 6
= (XtX)-1.XtY
V() = r2(XtX)-1
V(Y) 2
2
R Ajust = ------------------------r-
V(Y)
89,9
4,5
70,9
= 1,0
16,6
88,5
24,8
1625,7
27,9
68,1
avec V() = r2 58,2
1 700,1
207,2
1 152,1
H225 3,52 0,65 2,42 0,05 0,15 1,04 18,52 18,6 0,07
H236 3,61 0,7 2,43 0,06 0,11 1,05 10,6 11,0 0,42
H245 3,41 0,62 2,32 0,07 0,14 1,05 19,2 20,3 1,12
H256 3,46 0,63 2,35 0,06 0,16 1,04 22,3 21,3 1,04
H259 3,5 0,75 2,36 0,06 0,12 1,04 9,46 9,0 0,42
ei2 4,33
On peut ainsi calculer r2 = ------------ = --------------- = 0,632 et V(Y) = 19,26
ddl 14 7
Autrement dit, 96,7 % de la variance des Y est explique par les varia-
tions des X, cest une excellente corrlation. Pour savoir si ces coeffi-
cients sont significatifs, il faut faire le test de Student :
2
R Ajust = 0,972
Interprtation
Dsormais, tous les coefficients sont significatifs, le pourcentage de man-
ganse a un coefficient ngatif ; donc, plus il y a de manganse, moins il
y a de soufflures, et en revanche plus il y a de nickel, plus il y a de souf-
flures.
2
R Ajust = 0,964
Interprtation
Plus aucun coefficient nest significatif, il sagit donc dune mauvaise ide
de rajouter les termes de second ordre. On revient au modle ne compor-
tant que MN et NI.
La procdure pas pas propose dans tous les logiciels danalyse sta-
tistique est trs intressante ; elle permet dintroduire ou de supprimer
pas pas des variables afin dobtenir le sous-ensemble de variables
qui soit le plus pertinent possible.
90
80
70
Pour cent
60
50
40
30
20
10
5
1
2 -1 0 1 2
Rsidus
Le test d'inversion
Ex
Exemple
Une entreprise a un problme de bruit dans les moteurs qu'elle
produit. Un moteur est constitu de cinq sous-ensembles que
l'on notera I, J, K, L, M.
Sur deux jours de production, on a isol deux moteurs B et M.
Le moteur B est mesur 35 dB, le moteur M est mesur 47 dB.
Il est particulirement bruyant.
R
Calculer l'cart type de dmontage remontage = ------
d 2*
50 R1
45
40
D > 1,25 R
35 R2
30
25
Initial Premier Fin du
deass/as processus
Ex
Exemple
Moteur B Moteur M
Premier montage 35 47
Second montage 31 49
Troisime montage 34 50
Etendue 4 3
Moyenne 33,33 48,67
Test de Fisher
D = 48,67 33,33 = 15,34 > 1,25 R
(=1,25 3,5 = 4,375)
On suspecte les composants
Calcul des deux plages de contrle
t = 2,776 1,94 = 5,38
Ex
Exemple
On a invers le composant I, il ne s'est rien pass, il n'est
donc pas coupable.
On a invers le composant J, cela a dgrad le produit bon
mais sans amliorer le produit mauvais. Le composant J
participe donc au dfaut mais n'est pas le seul responsable.
On a invers le composant K, il ne s'est rien pass, il n'est
donc pas coupable.
On a invers le composant L, cela a dgrad le produit bon
mais sans amliorer le produit mauvais. Le composant J
participe donc au dfaut mais n'est pas le seul responsable.
Tous les composants ont t inverss.
54,1
50
45
43,3
Fin du processus
40 dchange
38,7
35
30
27,9
Initial Premier second Ech Ech Ech Ech Test Chapeau
deass/as deass/as de I de J de K de L Ech de J et L
Cause Cause Possibilit
importante importante dinteraction
Ex
Exemple
Les deux composants suspects sont les composants J et L.
L'essai chapeau consiste inverser simultanment ces deux
composants.
L'inversion de ces deux composants cr l'inversion, le produit B
passe dans la zone M, et le produit M passe dans la zone B. Nous
avons donc bien pig les deux coupables.
Ex
Exemple
Les facteurs J et L ont t dclars importants, on fait un plan
complet deux facteurs deux niveaux :
N J L Rponse
1 B B 35
2 B M 40
3 M B 41
4 M M 48
C1 C2 C3
J M J/M
44,50
Moy Y
41,00
37,50
3,50 3,00 0,50
50
J=M
40
J=B
30
L=B L=M
Ex
Exemple
Dans l'exemple ci-dessous, dans la premire paire on note un
nombre important de diffrences. Sur l'ensemble des 4 paires,
seul l'encoche sur le bord des ellipses est prsente sur les 4 M et
absente sur les 4 B.
Un test hypergomtrique avec n1 = 4 x1 =0 n2 = 4 x2 = 4
donne un cart significatif avec un risque alpha de 1,42 %
Mauvais
Bon
tape 4 Innover/amliorer
1. Introduction
Les trois premires tapes de lapplication de la mthodologie Six
Sigma nous ont permis de connatre les facteurs X responsables de la
variabilit de Y. Durant ces trois premires tapes, on na pas modifi
le processus en profondeur. Les modifications introduites nont port
pour linstant que sur la rduction de la variabilit en figeant tous les
facteurs qui pouvaient ltre (voir tape Mesurer ).
Le temps est venu dapporter des modifications en profondeur au pro-
cessus afin datteindre lobjectif fix au dbut du projet. Cette tape
peut se scinder en trois phases :
une phase de gnration des solutions ;
une phase dexprimentation ;
une phase danalyse de risques.
Nous prsentons dans ce chapitre les principaux outils permettant de
traiter cette tape, et notamment les plans dexpriences.
259
Six Sigma
Dfinir un objectif
Le dballage dides doit toujours commencer par une formulation
claire et crite de lobjectif de ltude, ce dernier devant tre accept de
faon consensuelle.
Dballage
Pendant le dballage dides, chaque membre du groupe voque tous
les lments concernant le sujet qui lui passent par la tte. La critique
des ides est interdite pendant le dballage, elle viendra en son temps.
Pour tre efficace, un animateur doit inscrire sur des bouts de papier
les lments au fur et mesure quils sortent et les afficher sur un mur
laide dun adhsif repositionnable. Il est trs important dviter les
tableaux en papier, qui ne permettent pas de structurer efficacement le
travail aprs le dballage. Dans un premier temps, les papiers sont col-
ls en dsordre sur le mur et noncs clairement afin de donner des
ides aux autres membres du groupe.
Classification
Le dballage nest en effet quune premire tape. Il convient ensuite
de classer les donnes crites en vrac au tableau. Pour cela, on utilise
des outils tels que le diagramme dIshikawa autour des cinq M ou un
diagramme des affinits qui consiste regrouper toutes les ides par
proximit (par affinit). Cest au cours de ce classement que lutilisa-
tion dadhsifs repositionnables est apprcie. On limine les redon-
dances, parfois on dmultiplie une ide qui est comprise diffremment
par deux personnes et, enfin, on regroupe sous la forme de macro-
ides les lments les plus proches.
Celles qui ont reu lunanimit ou presque des votes. Ces solu-
tions seront alors retenues, il nest pas utile de perdre son temps
les discuter.
Celles qui obtiennent des avis partags. Elles sont en gnral peu
nombreuses et font lobjet de discussions au sein du groupe afin
de savoir sil faut les retenir ou non.
Dans sa forme la plus simple telle que nous venons de lexposer, le
vote ne prend que quelques minutes. Il permet en revanche de gagner
parfois quelques heures de discussions ! On peut cependant avoir
recours un vote plus sophistiqu en incluant plusieurs critres. La
figure 6.1 montre le rsultat dun vote dans lequel on a demand
chaque membre de noter les ides de 1 5 selon trois critres : leffica-
cit, le cot et le dlai de ralisation. Chaque critre nayant pas la
mme importance, on affecte dun poids diffrent lefficacit (9), le
cot (3) et le dlai de ralisation (1). Les notes, qui apparaissent dans
le tableau, sont les moyennes des notes donnes par chaque individu.
La note globale est obtenue en additionnant chaque note pondre
selon le poids du critre correspondant.
Pourtant, depuis bien des dcennies dj, les tudes portant sur lopti-
misation des dmarches exprimentales ont donn lieu des mthodes
structures : les plans dexpriences. Relativement simples mettre en
uvre, ces dmarches sont extrmement efficaces pour amliorer la
pertinence des essais raliss en les limitant le plus possible.
Temps
Situation traditionnelle
V(ER) = V(Y2 Y1) = V(Y2) + V(Y1) = 2V(Y)
=1
--- [ V ( Y 6 ) + V ( Y 5 ) + V ( Y 8 ) + V ( Y 7 ) ] = V ( Y )
4
On le constate, la variance sur leffet (et donc la prcision de la mod-
lisation) sera deux fois plus faible dans la situation plans dexprien-
ces que dans la situation traditionnelle.
Ces deux avantages en matire dtude des interactions et de prcision
des rsultats font quon privilgie toujours la dmarche plans dexp-
riences par rapport la dmarche un facteur la fois lorsquune
exprimentation concerne plusieurs facteurs.
Avance Nud
0,015
Maillage
0,010
Vitesse
120 200
Vitesse Avance
Niveau 1 (10 + 16)/2 = 13 (10 + 4)/2 = 7
Niveau 2 5 11
Pour les deux facteurs, on peut calculer leffet sur la rponse lorsquon
passe le facteur du niveau 1 au niveau 2.
Lorsque la vitesse est au niveau 1, la pression est une fois 1 et une
fois 2. De mme, lorsque la vitesse est au niveau 2, la pression est
une fois 1 et une fois 2. On peut donc comparer la moyenne des
deux essais raliss avec la vitesse 1 et la moyenne des deux essais
raliss avec la vitesse 2. Le tableau des moyennes peut se prsenter
graphiquement sous la forme du graphe des effets (figure 6.8). Le troi-
sime graphe donne limportance de linteraction, nous y reviendrons.
C1 C2 C3
Vit Av Vit/Av
13,00
Moy Y
9,00
5,00
4,00 2,00 1,00
16
12
Av = 15
8
Av = 10
16 4
10 Vitesse
0
120 200
16
4 Vit = 120
12
6 8
Vit = 200
4
Avance
0
0,010 0,015
5
= (XtX)-1.XtY soit = 0,025
2 400
10
1 1 1 1 9
La matrice X devient alors 1 1 1 1 et le vecteur = 4
1 1 1 1 2
1 1 1 1 1
Interprtation
Interprtation des coefficients
Dans cette nouvelle unit standard, les coefficients sont beaucoup plus
facilement interprtables. Ils sont comparables entre eux et correspondent
aux pentes du graphe des effets et de la reprsentation en surface de
rponse (figure 6.13).
Linteraction apparat comme tant lcart entre le plan moyen et la sur-
face de rponse relle.
Niveau 1 Niveau 2
Moyenne des essais
Codage 1 0 1 lorsque A est au niveau 2
Y = 0 + 1 A
Interaction lorsque A = i et B = j
C1 C2 C3
Vit Av Vit/Av
13,00
Moy Y 2
9,00
1
4
5,00
4,00 2,00 1,00
1 1 1 1 1
+2 (effet de Av)
4 (effet de Vit)
1 (interaction)
Le plan complet deux facteurs 2 niveaux est donn dans les tables de
Taguchi qui sont rappeles dans le chapitre 10 de notre ouvrage.
1 2 3
1 1 1 1 1 2
3
2 1 2 2
3 2 1 2 Facteur Interaction
4 2 2 1
Le graphe de Taguchi indique que si lon place les facteurs dans les
colonnes (1) et (2) (les ronds dans le graphe) linteraction se trouve
dans la colonne (3) (le trait). Dans le graphe des effets (figure 6.8), on
a reprsent leffet de cette troisime colonne qui correspond leffet
de linteraction.
A B AB
(1)(1) 1 1 1 1 1
(1)(2) 2 2 1 2 2
(2)(1) 2 3 2 1 2
(2)(2) 1 4 2 2 1
A B AB
(1)(1) 1 1 1 1 1
(1)(1) 1 2 1 1 1
(1)(1) 1 3 1 1 1
(1)(1) 1 4 1 1 1
N A B C
B
1 1 1 1
Niveau 2 2 1 1 2
3 1 2 1
A 4 1 2 2
Niveau 1
Niveau 1 5 2 1 1
6 2 1 2
Niveau 2
C 7 2 2 1
Niveau 1 Niveau 2
8 2 2 2
C1 C2 C3 C4 C5 C6 C7
P T P/T L P/L T/L
1,100
Moy Y
0,85
0,595
0,2383 0,1517 0,0825 0,2525 0,0567 0,0083 0,0100
Temp = 40 Vitesse = 60
Pression = 350 0,852 1,320
Pression = 600 0,540 1,100
40 T 60
350
600
Minimum pour P = 600 et T = 40
Modlisation polynomiale
Optimisation
Y = 0 + 1A + 2B + 3C
C C
Y4 Y6
Y7
B B
Y1 Y3 Y5
Y8
A A
Y2
N A B C N A B C
1 1 1 1 5 1 1 1
2 2 2 2 6 1 2 2
3 1 2 1 7 2 1 2
4 1 1 2 8 2 2 1
No P T L
Niveau 1 1,067 0,628 0,502
Niveau 2 0,607 1,045 1,172
C1 C2 C3
P T L
1,17
Moy Y
0,84
0,50
0,23 0,21 0,34
Analyse de la variance
Modlisation
On trouve comme quation de la surface de rponse :
Y = 0,837 0,23P+0,208T=0,335T
On retrouve facilement ces coefficients par la formule
EAi = (Moyenne des essais lorsque A = i) Y
EP2 = 0,607 0,837 = 0,230
ET2 = 1,045 0,837 = 0,208
EL2 = 1,172 0,837 =0,335
Notion dalias
Lorsquon regarde le plan fractionnaire quatre essais (figure 6.22), on
constate que la colonne dinteraction P*T est identique la colonne L.
De mme, P*L est confondu T et T*L est confondu P. Lorsque deux
actions sont confondues, on dit que ce sont des alias. En fait, lorsquon
calcule leffet de L, on calcule leffet cumul de L et P*T. On le constate
dans leffet : 0,335 = 0,2525+0,0825
Cest la mme chose avec T et P*L , L et P*T, mais comme ces deux
interactions ne sont pas significatives, lerreur est beaucoup plus fai-
ble, et ninflue pas sur le rsultat de la table L4.
Facile dsaliasser
en passant au plan
complet L16
** **** ***
Fractionnaire Fractionnaire, Plan fractionnaire
rsolution III rsolution V Ne permet pas
5
Pas de colonne Utiliser les dtudier des
privilgier colonnes interactions
Facile dsaliasser 1, 2, 4, 8, 15 Choix des colon-
6
en continuant les
colonnes impaires ***
nes en fonction
de la difficult
Fractionnaire,
7 de la table L16 des modifications
rsolution IV
des facteurs
Utiliser les
8 Idal pour
colonnes impaires
dbroussailler
9 * Les interactions
Fractionnaire, sont dilues
11 rsolution III
Pas de colonne
11 privilgier
15
No 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
a b a c a b a
b c c b
c
Groupe 1 2 3
1
2 3
2 4 1 4 5
6
3 5 7 7
6
Dans les graphes des effets, les ronds reprsentent les facteurs, les
traits les interactions. La couleur des ronds est lie la difficult de
modification des facteurs (figure 6.30).
Y = 0+1A+2B+3C+4D+5AB+6AC+7BC
2 3 4 5 6 7
(1) 3 2 5 4 7 6
(2) 1 6 7 4 5
(3) 7 6 5 4
(4) 1 2 3
(5) 3 2
(6) 1
Cette table donne les colonnes dinteractions entre toutes les colonnes
de la table L8. Ainsi linteraction entre la colonne 3 et la colonne 5 se
trouve-t-elle en colonne 6.
Y = 0+1A+2B+3C+4D+5E+6AB+7AC
1 3
D A
4
7
1 3 2
B
6 5
D A E
Plan dexpriences
No 3 4 5 1 2
Facteur A B C D E
1 1 1 1 1 1
2 1 2 2 1 1
3 2 1 1 1 2
4 2 2 2 1 2
5 2 1 2 2 1
6 2 2 1 2 1
7 1 1 2 2 2
8 1 2 1 2 2
Le tableau des alias (figure 6.34) montre bien quon est en rsolution
III. Il y a au moins une confusion entre un facteur et une interaction de
second ordre.
A C
B D
Y = 0+1A+2B+3C+4D+5E+6AB+7CD
L encore, il est trs facile dutiliser les particularits des tables pro-
poses par Taguchi. Les tables 2k, en particulier, ont deux proprits
intressantes.
Les lignes de la premire moiti de la table 2k sont en fait la table
2k-1. Ainsi, les 8 premires lignes des colonnes 2 et 3 de la table
L16 sont en fait la colonne 1 de la table L8. De mme, les 8 pre-
mires lignes des colonnes 4 et 5 de la table L16 sont en fait la
colonne 2 de la table L8. On retrouve les mmes proprits pour
les autres couples de colonnes.
Les colonnes paires des tables sont construites en recopiant la
premire moiti lidentique dans la seconde moiti. Les colon-
nes impaires des tables sont construites de telle sorte que la
seconde moiti de la table est linverse de la premire moiti (on
inverse les 1 et les 2).
On peut donc tablir le tableau des colonnes mres/filles entre les
tables 2k :
L4 1 2 3
L8 1 2 3 4 5 6 7
L16 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Il est donc facile de dsaliasser une table L8 en passant une table L16
et dune table L16 une table L32. Ainsi, si dans un plan de 8 essais, un
facteur se trouve dans la colonne mre 3, pour dsaliasser le plan, il
suffira de placer ce facteur dans la colonne fille 7 de la table L 16. Les
huit premires lignes de la colonne 7 de la L16 sont identiques aux
lignes de la colonne 3 de la L8. Le principe est bien sr le mme pour
passer de la table L16 la table L32, et plus gnralement de la table 2n
la table 2n+1.
On note videmment quaprs avoir ralis le second demi-plan, on se
retrouve systmatiquement dans une colonne impaire ; le plan est
donc de rsolution IV.
Application
Supposons que dans le cas du plan de la figure 6.33 qui est en rsolu-
tion III, on ait des doutes sur les interactions retenues ; on peut alors
passer un plan en rsolution IV en ajoutant 8 essais.
Facteur A B C D E
Colonnes mres plan L8 3 4 5 1 2
Colonnes filles plan L16 7 9 11 3 5
3 4 5 1 2
Colonnes L8
Bloc A B E C D
1 1 1 1 1 1 1
2 1 1 2 2 1 1
3 1 2 1 1 1 2
4 1 2 2 2 1 2
Premier plan
5 1 2 1 2 2 1
6 1 2 2 1 2 1
7 1 1 1 2 2 2
8 1 1 2 1 2 2
9 2 2 2 2 2 2
10 2 2 1 1 2 2
11 2 1 2 2 2 1
12 2 1 1 1 2 1
Complment raliser
13 2 1 2 1 1 2
14 2 1 1 2 1 2
15 2 2 2 1 1 1
16 2 2 1 2 1 1
Colonnes L16 1 7 9 11 3 5
On note que les 8 premiers essais de la table L16 (figure 6.37) sont dj
raliss (figure 6.33). lissue des 16 essais, on peut tablir le nou-
veau tableau des alias (figure 6.38).
On note que dans la table L16 il ny a plus dambigut sur les facteurs.
Il reste cependant une confusion dactions possible entre quelques
interactions. Dans le cas dun plan 5 facteurs, en faisant directement
une table L16 avec les colonnes 1, 2, 4, 8, 15, on obtiendrait un plan de
rsolution V.
dnoncer que plus les facteurs qui composent une interaction sont
actifs, plus linteraction a des chances dtre elle-mme active. On
notera cependant que ce principe na quune valeur gnrale et quil y
a parfois des exceptions.
Le graphe des effets (figure 6.40) montre que la colonne 2 qui contient
des interactions est active. Cependant, dans cette colonne, il y a 3 inte-
ractions (AB, CD, EF). Laquelle des 3 retenir ?
Moy Y
13,31
6,88
6,44 3,69 2,31 0,31 0,19 0,06 1,31 0,06 0,06 0,19 0,94 0,19 0,56 0,31 0,69
Ex
Exemple dapplication
Sup pr1 tel1 net tdu cgr te2 asp cst te3 pul Rp 1 Rp 2
1 1 1 1 1 1 1 1 1 1 1 1 39 42
2 1 1 1 1 1 2 2 2 2 2 2 9 9
3 1 1 2 2 2 1 1 1 2 2 2 49 50
4 1 2 1 2 2 1 2 2 1 1 2 15 16
5 1 2 2 1 2 2 1 2 1 2 1 11 12
6 1 2 2 2 1 2 2 1 2 1 1 6 7
7 2 1 2 2 1 1 2 2 1 2 1 35 40
8 2 1 2 1 2 2 2 1 1 1 2 9 9
9 2 1 1 2 2 2 1 2 2 1 1 13 15
10 2 2 2 1 1 1 1 2 2 1 2 27 31
11 2 2 1 2 1 2 1 1 1 2 2 8 8
12 2 2 1 1 2 1 2 1 2 2 1 9 10
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11
Sup pr1 te1 net tdu cgr te2 asp cst te3 pul
30,25
Moy Y
19,96
9,67
2,13 6,63 3,88 1,88 1,79 10,29 5,46 0,54 0,38 0,88 0,04
Domaine dtude
Plan dexpriences
En plaant 4 niveaux par facteur, on ralise un maillage de 16 nuds
(42) ce qui donne le plan suivant :
No Vitesse Puissance P1 P2
1 30 200 23 26
2 30 350 57 68
3 30 500 73 76
4 30 650 61 60
5 40 200 29 36
6 40 350 63 65
7 40 500 78 80
8 40 650 59 60
9 50 200 37 39
10 50 350 61 68
11 50 500 77 79
12 50 650 56 53
13 60 200 42 40
14 60 350 64 61
15 60 500 72 69
16 60 650 48 44
Vitesse Puissance
Moyenne des essais Niveau 1 55,50 34,00
lorsque la vitesse
est place au niveau 1 Niveau 2 58,75 63,38
Niveau 3 58,75 75,50
Niveau 4 55,00 55,13
50
Prof
50 40
40 30
20
30
200 350 500 650
30 40 50 60 200 350 500 650 Puissance
En lissant les points obtenus par le plan complet, il est possible dobte-
nir une image en 3D de la surface de rponse (figure 6.49). Loptimum
de profondeur ( maximiser) se situe pour une puissance de 508 et une
vitesse de 43.
N A B
1 1 1
B 2 1 1
1,414 3 1 1
1 4 1 1
5 1,414 0
0 6 1,414
7 0 1,414
1 8 0 1,414
1,414
A
9 0 0
10 0 0
-1,414 1 0 1 1,414
11 0 0
12 0 0
13 0 0
Application
Pour illustrer les plans composites centrs, nous avons repris le plan
dexpriences sur la profondeur de soudure (figure 6.45) en utilisant
un plan composite centr pour le mme domaine dtude.
No Vit. Puis. P1 P2
1 34,39 265,88 41 46
2 34,39 584,12 74 73
3 55,61 265,88 53 43
4 55,61 584,12 65 62
5 30 425 75 78
6 60 425 70 67
7 45 200 31 42
8 45 650 58 57
9 45 425 71 72
10 45 425 70 78
11 45 425 71 63
12 45 425 74 82
13 45 425 79 74
Modle polynomial
Le modle recherch est :
Y = 0+1V+2P+3VP+4V2+5P2
0
e1
1 1 1 1 1 1 1 43,5
1 1 1 1 1 1 73,5 e2
2
Xa = Y + e ou encore = +
3
1 0 0 0 0 0 78 e 12
1 0 0 0 0 0 4 76,5 e 13
5
0
73,4
1 2,10
2
soit = 9,40
3 3,63
4 1,11
5 13,86
N A B C
1
Plan complet 23
8
9 10
11 12
13 14
15 0 0 0
Alpha = 1,682
n = 6
20 0 0 0
Nombre de facteurs 2 3 4 5 5
L4 L8 L16 L16 L32
Plan factoriel de base (Nb)
(complet) (complet) (complet) (resV) (complet)
Valeur de alpha ( 4 N b ) 1,414 1,682 2 2 2,378
Points au centre 5 6 7 6 10
Nb dessais 13 20 31 32 52
Remarque
Nb ( N Nb ) 2
= 4 ----------------------------------------
4
Figure 6.55
Plans composites privilgiant la presque orthogonalit
Nombre de facteurs 2 3 4 5 5
L4 L8 L16 L16 L32
Plan factoriel de base (Nb)
(complet) (complet) (complet) (resV) (complet)
N0 = 1 1 1,215 1,414 1,547 1,596
N0 = 2 1,078 1,287 1,483 1,607 1,662
N0 = 3 1,147 1,353 1,547 1,664 1,841
N0 = 4 1,210 1,414 1,607 1,719 1,896
C N A B C
1 1 1 0
2 1 1 0
3 1 1 0
A 4 1 1 0
5 1 0 1
6 1 0 1
B
7 1 0 1
8 1 0 1
9 0 1 1
10 0 1 1
11 0 1 1
12 0 1 1
13 0 0 0
14 0 0 0
15 0 0 0
No A B C
14 1 1 0
58 1 0 1
9 12 0 1 1
13 15 0 0 0
No A B C D
14 1 1 0 0
58 1 0 1 0
9 12 0 1 1 0
13 16 1 0 0 1
17 20 0 1 0 1
21 24 0 0 1 1
25 27 0 0 0 0
No A B C D E
14 1 1 0 0 0
58 1 0 1 0 0
9 12 0 1 1 0 0
13 16 1 0 0 1 0
17 20 0 1 0 1 0
21 24 0 0 1 1 0
25 28 1 0 0 0 1
39 32 0 1 0 0 1
33 36 0 0 1 0 1
37 40 0 0 0 1 1
41 46 0 0 0 0 0
Mode de dfaillance
Dans lAMDEC, on parle de mode de dfaillance . Il sagit de la
manire dont un systme peut tre conduit mal fonctionner. Pour
illustrer cette notion, prenons lexemple dune brosse dents
(figure 6.60).
La dtection :
ce que j'ai fait comme dmarche de validation
ou L'effet :
ce que j'ai prvu de faire comme contrle
ce que ressent le (les) client(s)
pour que la dfaillance n'atteigne pas le client
On considre le client aval
et
le client final
Dtection
Procdure Libell :
de rception matire Rupture
du manche
Cause 2 Effet
Matire non conforme Le client se blesse
La cause :
L'origine de la dfaillance qui reste
dans mon domaine de comptence
Ex
Casse du manche/Matire non conforme/Erreur du fabricant
F= 3 / G = 9 / D = 9 ; NPR = 3 9 2 = 243
Frquence
Gravit
Dtection
tape 5 Contrler
1. Introduction
Lensemble des tapes Dfinir , Mesurer , Analyser , Innover/
amliorer a permis de fournir une solution afin damliorer le z du
processus. Cette cinquime tape a pour objectif de se donner les
moyens de mettre sous contrle le processus afin de sassurer de la sta-
bilit de la solution trouve.
Le point essentiel dans cette tape est la mise sous contrle du pro-
cd. Pour cela, il faut :
323
Six Sigma
ce stade du projet Six Sigma, les relations entre les X et les Y sont
bien tablies. Avant de mettre sous contrle les caractristiques, il faut
valider les spcifications.
Y
4,2
4,1
Caractristique rsiduelle
4,0
3,9
3,8
3,7
3,6
3,5
3,4
3,3
3,2 X
22 22,5 23 23,5 24 24,5 25 25,5 26 26,5 27 27,5 28
Caractristique lmentaire
Y
4,2
4,1
4,0 Droite de rgression
3,9
3,8 Enveloppe
3,7
3,6
3,5
3,4
3,3
3,2 X
22 22,5 23 23,5 24 24,5 25 25,5 26 26,5 27 27,5 28
Y
4,2
4,1
4,0
3,9
3,8
3,7
3,6
3,5
3,4
3,3
3,2 X
22 22,5 23 23,5 24 24,5 25 25,5 26 26,5 27 27,5 28
Statistiques de la rgression
R2 0,74
cart type rsiduel 0,07834584
Coef. cart type t Probabilit
X 0,15 0,000440 341,8 2 E-84
Dtermination de la cible
On en dduit la relation pour tablir la cible : Ycible = 0,15 Xcible
Soit : Xcible = Ycible/0,15 = 3,8/0,15 = 25,33
55
50
45
Bruit
40
35
30
0 0,05 0,1 0,15 0,2
Concentricit
Mthode graphique
55
50
45
40
35
30
0 0,05 0,1 0,15 0,2
Mthode statistique
Pour savoir si la relation entre le bruit et la concentricit est significa-
tive, on ralise un test de Student.
Voici lquation de rgression : Bruitmoyen = 33,96 + 93,8 Conc
Ex
Exemple
On recherche sur un produit la relation entre lamplitude dun
mouvement et plusieurs variables initiales : Diamtre (D), Force
dun ressort (F), Rugosit (R), Concentricit (C), Jeu (J).
On applique la mme mthode que prcdemment : on mesure
pralablement les candidats, puis le rsultat sur les produits
assembls.
D F R C J Amp
2,999 1,76 0,68 1,08 0,04 19,95
3,002 1,83 2,96 0,26 0,04 18,04
3,001 1,83 1,66 1,81 0,02 18,87
3,001 1,81 3,07 1,3 0,04 17,75
3,001 1,84 0,78 0,52 0,03 19,83
3,003 1,70 1,19 1,18 0,04 19,52
3,002 1,80 1,21 0,28 0,02 19,48
3,001 1,78 0,15 0,1 0,03 20,22
3,001 1,87 0,91 1,12 0,03 19,64
3,003 1,87 1,3 3,22 0,03 19,78
3,000 1,86 1,86 1,04 0,04 19,10
3,004 1,69 1,16 0,18 0,02 19,20
3,000 1,89 1,21 0,65 0,03 19,42
3,000 1,75 0,69 1,33 0,04 20,08
3,002 1,86 0,09 0,97 0,05 20,46
2,998 1,77 1,64 0,13 0,02 18,79
3,003 1,79 2,32 1,05 0,02 18,49
3,004 1,92 2,34 0,19 0,03 18,73
3,004 1,85 2,89 0,73 0,02 18,04
3,004 1,79 2,61 0,89 0,03 18,39
2,997 1,69 6,67 0,2 0,04 15,12
2,997 1,80 0,72 0,21 0,03 19,80
3,001 1,76 2,45 5,17 0,04 18,39
3,002 1,78 2,05 1 0,03 18,46
2,999 1,83 1,69 3,89 0,02 19,07
3,000 1,78 0,52 0,5 0,03 19,85
3,003 1,66 1,74 0,21 0,02 18,55
3,000 1,79 1,84 0,2 0,02 18,84
3,001 1,85 0,9 0,62 0,01 19,70
2,999 1,88 2,11 0,13 0,04 19,08
Rgresseur Coef. T P
Constante 17,4 0,82 21,28 0,000
F 1,51 0,45 3,36 0,002
R 0,798 0,02 34,58 0,000
J 8,71 2,98 2,92 0,007
Axe de l'application
Performance
Axe de la connaissance
Miracle
Expert
Recette Industrialisation
Axe de la formalisation
Axe de la connaissance/comptence
Cet axe dcrit les connaissances et la matrise du sujet par les person-
nes concernes (oprateurs, encadrement mthodes). Cela implique
des niveaux de connaissance pauvres ou trs complets dans le cas
dexperts. Une dfaillance sur cet axe peut se traduire de plusieurs
manires :
Les moyens disposition de loprateur sont satisfaisants, mais
son manque de connaissance ne lui permet pas dy recourir de
faon satisfaisante.
Les quatre premires tapes de la dmarche Six Sigma nous ont fait
progresser selon cet axe.
Axe de la formalisation
Cet axe dcrit le degr de formalisation, de rgles respecter qui exis-
tent sur le sujet concern. Cela peut aller de linexistence totale de
rgles formalises jusqu la description trs complte de lensemble
des actions ncessaires pour accomplir la tche sans dfaillance et des
ractions prconises en cas de drive du processus. Les quatre pre-
mires tapes de la dmarche Six Sigma nous ont permis de prendre
connaissance de ses rgles mais, ce stade, elles ne sont pas formali-
ses.
Axe de lapplication
Cet axe dcrit le degr de correspondance entre les connaissances
acquises et/ou formalises et la vritable application sur le terrain. Il
ne suffit pas que les connaissances soient dans lentreprise et que cel-
les-ci soient formalises, encore faut-il quelles soient appliques. Cet
axe sera tout particulirement tudi dans la dernire tape de Six
Sigma : Standardiser .
Film de la production de Y
4,00
3,00
2,00
1,00
0,00
1,00
2,00
3,00
4,00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Cette dichotomie entre les causes de dispersion est une des bases fon-
damentales de la mthode MSP ( Matrise statistique des procds ).
Il convient donc de les expliciter davantage.
Causes communes
No Y R No Y R No Y R No Y R
1 0,77 11 1,47 1,36 21 2,29 1,08 31 2,53 0,64
2 1,13 1,9 12 1,2 2,67 22 1,71 0,58 32 1,72 0,81
3 1,02 2,15 13 1,38 2,58 23 2,23 0,52 33 1,25 0,47
4 0,14 1,16 14 1,27 0,11 24 3,15 0,92 34 3 1,75
5 2,13 2,27 15 1,61 0,34 25 1,44 1,71 35 2,66 0,34
6 0,25 2,38 16 0,83 0,78 26 2,08 0,64 36 3,31 0,65
7 0,99 0,74 17 2,24 1,41 27 1,62 0,46 37 1,85 1,46
8 0,47 1,46 18 0,74 1,5 28 2,21 0,59 38 2,19 0,34
9 0,82 1,29 19 0,7 1,44 29 2,78 0,57 39 3,03 0,84
10 0,11 0,93 20 1,21 1,91 30 3,17 0,39 40 3,02 0,01
Dans lexemple de la figure 7.7, on peut faire lhypothse que les varia-
tions dune unit lautre sont la manifestation des causes
communes ; la drive que lon constate reprsente une cause spciale.
Pour identifier lcart type des causes communes, nous pouvons utili-
ser la mthode des tendues glissantes entre 2 valeurs conscutives
que nous avons prsente dans les chapitres prcdents.
Il est donc ais de placer les limites des fluctuations naturelles du pro-
cessus Cible 3, soit 0 3 0,98 = 2,94.
Film de la production de Y
Limite naturelle Pt hors contrle
4,00
3,00
2,00
1,00
0,00
1,00
2,00
3,00
4,00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
1 1 1 1 1
UCL = 2,94258
2
0 X=0
2
LCL = 2,94258
4 8 12 16 20 24 28 32 36 40
Observations
4
tendues glissantes
UCL = 3,61496
3
1 MR = 1,10641
0 LCL = 0
4 8 12 16 20 24 28 32 36 40
Observations
Pour les tendues mobiles, les limites sont fixes R 3R, ce qui, aprs
simplification, donne les quations :
LICR = D3 R
LSCR = D4 R
n 2 3 4 5
A4 2,660 1,772 1,457 1,290
D3 - - - -
D4 3,267 2,574 2,282 2,114
Dcision Dcision
Graphique Description
carte position carte dispersion
Procd Production Production
sous contrle
Les courbes X et R
LSC oscillent de cha-
que ct de la
moyenne.
LIC 2/3 des points
sont dans le tiers
central de la
carte.
En cas de rglage Un nouvel chantillon est mesur et marqu sur la carte. Pour tre acceptable, le
point doit se situer dans le tiers central de la carte des moyennes.
n 2 3 4 5 6 7 8 9 10
A2 1,88 1,02 0,73 0,58 0,48 0,42 0,37 0,34 0,31
D3 0,07 0,14 0,18 0,22
D4 3,27 2,57 2,28 2,11 2,00 1,92 1,86 1,82 1,78
12. Voir Appliquer la Matrise statistique des procds (MSP/SPC), Maurice PILLET, Les ditions
dOrganisation, 2001.
No 20 21 22 23 24 25 26 27 28 29 30
Y1 24,82 25,33 25,00 24,73 25,33 25,17 25,22 25,50 25,31 25,42 25,35
Y2 24,77 25,22 25,07 25,12 25,15 25,18 25,43 25,04 25,20 25,37 25,39
Y3 25,11 25,20 25,00 25,07 25,49 25,24 25,38 25,38 25,22 25,40 25,58
Y4 25,10 25,02 24,84 25,09 25,25 25,23 25,21 25,28 25,43 25,54 25,25
Moyennes 24,95 25,19 24,98 25,00 25,31 25,21 25,31 25,30 25,29 25,43 25,39
tendues 0,34 0,31 0,23 0,39 0,34 0,07 0,22 0,46 0,23 0,17 0,33
25,0 X = 25
3 6 9 12 15 18 21 24 27 30
N chantillon
0,8
UCL = 0,717850
0,6
tendues
0,4
R = 0,314667
0,2
0,0 LCL = 0
3 6 9 12 15 18 21 24 27 30
N chantillon
Ex
Exemple de calcul dune carte de contrle
Prenons le cas dune caractristique de valeur cible 25. Les
chantillons prlevs sont des groupes de 4 pices.
lissue de la phase dobservation du procd, nous avons cal-
cul la moyenne des tendues de chaque sous-groupe R = 0,315.
La cible est le milieu de lintervalle de tolrance soit 25,00.
z 2 n
/ n / n
/2 z n
A B A B C
Procd centr Procd dcentr
Soient :
z = k n z 2
z + z 2 2 z + 3 2
n = ---------------------- qui devient avec z/2 = 3 n = --------------
k k
100
90
de ne pas dtecter le dcentrage
80
70
Probabilit en %
60
50
40
30
15 10 7 6 5 4 3 2 N=1
20
10
0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0
Ex
Exemple dutilisation
n 2 3 4 5 6 7 8 9 10
B3 0,030 0,118 0,185 0,239 0,284
B4 3,267 2,568 2,266 2,089 1,970 1,882 1,815 1,761 1,716
25,0 X = 25
3 6 9 12 15 18 21 24 27 30
N chantillon
0,3
UCL = 0,322566
carts types
0,2
S = 0,142347
0,1
0,0 LCL = 0
3 6 9 12 15 18 21 24 27 30
N chantillon
Mdiane
3 valeurs 3 valeurs
Exemple : soit 5 valeurs (11, 12, 13, 16, 16) arranges dans lordre
croissant, la mdiane est la valeur telle quil y ait 2 valeurs de part et
dautre, cest donc 13 dans ce cas (rang = (5+1)/2 = 3e valeur).
Mdiane
n 2 3 4 5 6 7 8 9 10
A2 1,88 1,187 0,796 0,691 0,548 0,508 0,433 0,412 0,362
Tolrance suprieure
IT
Limite infrieure de prcontrle
Tolrance infrieure
Rglage Rglage
13. World Class Quality: Using Design of Experiments to Make It Happen, Keki R. BHOTE, Adi K.
BHOTE, Hardcover, 1999.
pices conscutives. Tant que les deux pices se situent dans la zone
verte, on continue la production. Si les deux pices sont dans la zone
orange ou si deux fois de suite une pice se trouve dans la zone
orange, on rgle le procd.
Rgle 1
Diviser la spcification en 4 ; la zone situe dans la moiti de la spci-
fication est appele zone verte. Les limites sont appeles lignes de pre-
control (PC lines). Les deux zones situes de chaque ct des lignes de
precontrol sont appeles zone jaune.
Zone rouge
Limite suprieure de spcification
Zone jaune
Limite suprieure de prcontrle
Zone verte
Limite infrieure de prcontrle
Zone jaune
Limite infrieure de spcification
Zone rouge
Rgle 2
Pour dterminer si le processus est fiable, prendre cinq pices conscu-
tives issues du processus. Si toutes les cinq sont dans la zone verte,
conclure ce moment que le process est sous contrle. (En fait, avec
cette simple rgle, lchantillonnage habituel de cinquante cent pi-
ces pour calculer le Cp et le Cpk devient inutile. Par lapplication du
thorme de multiplication des probabilits ou la distribution bino-
miale, il peut tre prouv quun minimum de Cpk de 1,33 sera automa-
tiquement obtenu.) La production peut alors commencer.
Si une pice tombe en dehors de la zone verte, le procd est hors con-
trle. Pour dterminer la cause de la dispersion, il faut alors mener une
investigation.
Rgle 3
Une fois que la production est dmarre, prendre deux pices conscu-
tives de faon priodique. On rcapitule dans le tableau suivant
(figure 7.25) les rgles de pilotage appliquer. Lorsque le process a t
stopp (3, 4 et 5), recommencer ltape 2 de validation de la capabilit.
Rgle 4
La frquence de prlvement est dtermine en divisant le temps
moyen entre deux interventions par six.
Ces cartes sont trs simples utiliser, mais il faut faire trs attention
dans leur emploi. On fait lhypothse dans ces cartes que la capabilit
court terme est bonne. Il est assez facile de dmontrer que la mthode
ne donne une bonne production que si la capabilit court terme est
suprieure 2.
Dans les cas o la capabilit court terme est infrieure deux, il faut pros-
crire cette mthode si lon veut garantir la conformit de la procdure.
2
EWMA
1 UCL = 0,980860
0 X=0
1 LCL = 0,980860
4 8 12 16 20 24 28 32 36 40
N Mesure
No 1 2 3 4 5 6
Y 0,77 1,13 1,02 0,14 2,13
M 0,1543 0,102 0,1226 0,0695 0,4822
[ 1 ( 1 ) 2i ]
LSC Mi = Cible + 3 --------------------------------------
n(2 )
[ 1 ( 1 ) 2i ]
LIC Mi = Cible 3 --------------------------------------
n(2 )
avec :
i : le numro de lchantillon
: lcart type de la population
n : la taille de lchantillon
: le coefficient de pondration
LSC Mi = Cible + 3 ---------------------
n(2 )
LIC Mi = Cible 3 ---------------------
n(2 )
Ex
Exemple de calcul de limites de contrle
0,2
LSC Mi = Cible + 3 --------------------- = 0 + 3 0,98 --------------------- = 0,98
n(2 ) ( 2 0,2 )
0,2
LIC Mi = Cible 3 --------------------- = 0 3 0,98 --------------------- = 0,98
n(2 ) ( 2 0,2 )
Enfin, si la carte EWMA est trs performante pour dtecter des drives
lentes, elle lest en revanche moins que la carte de SHEWHART pour
dtecter des drives rapides. Lidal consiste donc utiliser ensemble
les trois cartes : EWMA, moyennes (ou valeurs individuelles), ten-
dues (figure 7.27).
Rglage
Cause spciale
6.1 Principes
Les cartes que nous venons de prsenter sont adaptes lorsquon dis-
pose dune grandeur mesurable sur laquelle on peut effectuer un calcul
de moyenne et dcart type.
Cependant, dans un projet Six Sigma, on doit parfois suivre des carac-
tristiques non mesurables comme une proportion de produits non
conformes (attributs). Dans ce cas, si on trace sur un graphique
(figure 7.28) lvolution de la proportion de produits non conformes
issus dun processus, on trouvera des fluctuations importantes.
14
Prsence de cause spciale ?
12
10
8
6
4
2
0 chantillons
Les questions que lon doit se poser sont les suivantes : ces fluctua-
tions sont-elles le rsultat de variations alatoires ? partir de quelle
proportion peut-on avoir la preuve statistique de la prsence de cause
spciale ? Y a-t-il dgradation ou amlioration du processus ?
% Limite de contrle :
14 c'est la limite (calcule
12 statistiquement) des fluctuations
10 alatoires de la proportion
de dfauts
8
6 Histoire du procd :
4 c'est la moyenne
2 de la proportion de dfauts
0 habituellement rencontre
On peut galement distinguer deux cas de figure selon que lon suive le
nombre ou la proportion. Dans le cas dunits non conformes par
exemple, le suivi en nombre sera simple, il suffira de reporter sur la
carte le nombre dunits non conformes que lon a trouves. Ce type
de suivi ncessite des chantillons de taille constante. Le suivi par pro-
portion (en pourcentage) dunits non conformes demande un calcul
supplmentaire, mais permet de saccommoder dchantillons de taille
variable.
dfaut dfaut
dfaut dfaut
Les cartes de contrle sur les units non conformes sont fondes sur la
loi binomiale alors que les cartes sur les non-conformits sont fondes
sur la loi de Poisson.
LSC np = np + 3 np ( 1 p )
LIC np = np 3 np ( 1 p )
avec
npi : nombre de dfauts dans lchantillon i
n : nombre dunits dans lchantillon i
Calcul des limites de contrles
p(1 p)
LSC p = p + 3 --------------------
ni
p(1 p)
LIC p = p 3 --------------------
ni
c1 + c2 + + ck Nb total de non-conformitss
c = --------------------------------------- = --------------------------------------------------------------------------
k Nb dchantillons
avec
k : le nombre dchantillons (de sous-groupes)
ci : le nombre de non-conformits dans le sous-groupe i
Calcul des limites de contrle
LSC c = c + 3 c
LIC c = c 3 c
c1 + c2 + + ck
u = ------------------------------------------
-
n1 + n2 + + nk
Nb total de non-conformits
= --------------------------------------------------------------------------------------------------------------
Nb ou quantit totale de produits contrls
avec
ni : la taille du sous-groupe i
ci : le nombre de non-conformits dans le sous-groupe i
Calcul des limites de contrle :
LSC u = u + 3 u n i
LIC u = u 3 u n i
Production Retouches p
118 7 5,9 %
108 8 7,4 %
124 4 3,2 %
94 2 2,1 %
87 4 4,6 %
120 5 4,2 %
102 3 2,9 %
130 3 2,3 %
105 5 4,8 %
90 5 5,6 %
102 9 8,8 %
88 14 15,6 %
120 6 5,0 %
114 6 5,3 %
118 7 5,9 %
120 6 5,0 %
89 6 6,7 %
98 6 6,1 %
103 9 8,7 %
98 1 1,0 %
105 10 9,5 %
96 2 2,1 %
102 10 9,8 %
106 3 2,8 %
86 8 9,3 %
UCL = 0,124505
0,12
0,10
Proportion
0,08
0,06
P = 0,056762
0,04
0,02
0,00 LCL = 0
2 4 6 18 10 12 14 16 18 20 22 24
chantillon
Avec les logiciels statistiques (ou mme avec les tableurs), il nest pas
souhaitable de prendre une taille dchantillon moyenne. Il est prfra-
ble de recalculer pour chaque chantillon les limites de contrle en
fonction de la taille relle de lchantillon (figure 7.32).
0,14
UCL = 0,131615
0,12
0,10
Proportion
0,08
0,06 P = 0,056762
0,04
0,02
0,00 LCL = 0
2 4 6 18 10 12 14 16 18 20 22 24
chantillon
Nombre de pices
No Jour Transf.
entre deux apparitions
1 5 1 250 7,24
2 12 1 810 8,03
3 17 1 125 7,04
4 24 1 903 8,14
5 30 1 498 7,62
6 33 782 6,36
7 38 1 263 7,27
8 44 1 504 7,63
9 50 1 489 7,61
10 52 525 5,69
11 55 746 6,28
12 57 499 5,61
13 60 758 6,30
14 63 820 6,44
Carte C
1,6
UCL = 1,45279
1,4
Nombre de non-conformits
1,2
1,0
0,8
0,6
0,4
0,2 C = 0,18
0,0 LCL = 0
1 6 12 18 24 30 36 42 48 54 60
chantillon
Figure 7.35
Carte aux valeurs individuelles/tendues glissante sur Ynorm
8
X = 7,44
7
6
LCL = 5,46
5
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Observation
2,4 UCL = 2,43243
tendues glissantes
1,8
1,2
MR = 0,74448
0,6
0,0 LCL = 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Observation
7,75
7,50
EWMA
X = 7,44
7,25
7,00
6,50
1 2 3 4 5 6 7 8 9 10 11 12 13 14
chantillon
tape 6
Standardiser/prenniser
1. Introduction
14. Cf. Harry SCHROEDER, Six Sigma The Breakthrough Management Strategy, 2000.
373
Six Sigma
Sil est souvent facile de progresser sur un sujet lorsque les moyens
humains, financiers, managriaux sont disponibles, il est plus difficile
de garantir que ces progrs seront dfinitivement ancrs dans lentre-
prise lorsquon ne sintressera plus spcifiquement ce sujet.
Enfin, cette tape permettra de clore le projet dans les dlais les plus
serrs possible. Il nest pas bon quun projet trane en longueur. La cl-
ture du projet sera loccasion de faire le bilan des amliorations appor-
tes et des gains induits. Elle permettra galement de faire le point sur
les difficults rencontres afin denrichir la dmarche Six Sigma dans
lentreprise et de communiquer sur les rsultats obtenus.
2. Prenniser la solution
Cet tat de fait a t confirm par la suite plusieurs fois auprs dindus-
triels de tous secteurs dactivits. Il y a une relle difficult maintenir
dans le temps les progrs dune action. Sil est souvent facile de pro-
gresser sur un sujet lorsquon y met les moyens humains, financiers,
managriaux, il est plus difficile de garantir que ces progrs seront
dfinitivement ancrs dans lentreprise ds lors que ce sujet ne sera
plus lordre du jour. Combien dentreprises ont fait des progrs consi-
drables dans un domaine, pour constater deux ans plus tard que lon
est revenu ltat initial ! Chacun peut sinterroger dans sa propre
entreprise en portant un regard sur les cinq dernires annes : combien
de projets ont t mens ? Que reste-t-il de ces projets un deux ans
aprs ? A-t-on t capable de capitaliser ces progrs ?
La recherche dun tat organique lev doit tre une priorit car, dans
cet tat, le maintien de laction ne demande pas deffort. Cependant,
dans la nature il y a des prs et il faut les faucher ! On ne pourra pas
toujours atteindre le rsultat escompt sans effort. Dans ces condi-
tions, pourquoi chaque individu a-t-il intrt maintenir ses efforts
pendant de nombreuses annes ? Parce quil y trouve un intrt, une
contrepartie. Il faut donner du sens aux actions.
Dans le cas contraire, il veut bien faire plaisir au chef de projet pen-
dant un certain temps, mais trs vite, ds que la pression sur le sujet
retombe, il cessera peu peu de faire des efforts.
Principe n3 La facilitation
Forme = facilitation
Effort = contrepartie
Performance
Contrepartie, donner du sens
Changement
Facilitation
tat organique
Temps
3. Laudit de prennit
Questionnaire dalerte
Points daudit OUI NON
La procdure est simple de lecture et de comprhension,
facile daccs et bien communique.
Ex
Exemple de simplification de processus
Ex
Exemple de simplification de procdure
Dans cette phase, on doit faire les transformations de telle sorte que le
nouveau standard soit appliqu simplement et sans effort ni
contrainte.
Ex
Prenons un exemple dans la conduite automobile : le conducteur
doit adapter la course de la pdale de frein en fonction de lusure
des plaquettes. Au cours de la vie de lautomobile, il adapte sa
conduite lvolution du comportement. Les rgles figes lors-
que la voiture est neuve peuvent devenir catastrophiques lorsque
la mme voiture compte 200 000 km.
X1
Y1
X2
Y2
X3
Pour prvoir cette ncessaire adaptation des rgles tout au long du pro-
cessus, plusieurs solutions sont la disposition du Black Belt :
le revisitage des rgles des priodes rgulires ;
Efficience
10
Pratiques locales Bonnes pratiques
sans intrt 8
0 2 4 66 8 10 Efficacit
2 Actions difficiles
Pratiques proscrire
prenniser
0
Une bonne pratique est dfinie16 par une technique, une mthode ou
un procd qui a t mis en place et qui a amlior les rsultats de
lentit. La bonne pratique est supporte par des donnes concrtes et
vrifiables la place o les exprimentations ont t effectues . Une
autre dfinition en est donne par Prax17 : Toute pratique, connais-
sance ou savoir-faire qui a montr son efficacit ou sa valeur dans une
partie de la socit et qui est applicable une autre partie de la
socit.
16. The European Quality Promotion Policy (European Commission DGIII Industry), Benchmar-
king Introduction and main principles , Quality series, number 7, January 1998.
17. J.-Y. PRAX, Le Guide du Knowledge Management, ditions Dunod, 2000.
Toutes ces amliorations ont fait lobjet de normes internes qui garan-
tissent que, dsormais, on ne pourra plus sortir un produit dfaillant
au niveau de sa visserie. Mme un jeune dveloppeur qui na pas
connu cet incident devra se conformer aux nouvelles normes internes
de conception ; dans son travail, il ne devrait donc pas rencontrer cette
dfaillance.
Capabilit
4,0
3,0 Cp
Pp
2,0
Ppk
1,0
Mois
J F M A M J J A S O N D J
6. Communiquer
Cest le dernier coup de rein donner, mais il est important. Ce dernier
effort permet de rflchir sur ce que lon a fait, comment on la fait et
de progresser sur la mthodologie mise en uvre.
Bilan technique
synthse des amliorations techniques apportes ;
modification de procdures, de mthodes ;
amlioration des capabilits
Bilan financier
synthse des cots mesurables et non mesurables ;
synthse des gains mesurables et non mesurables.
Bilan humain
fonctionnement du groupe de travail ;
identification les manques en matire de formation, de comp-
tences
Bilan mthodologique
si ctait refaire, adopterions-nous la mme dmarche ?
quavons-nous oubli de faire quil ne faudra plus oublier ?
en quoi ce projet peut-il enrichir la dmarche Six Sigma dans
notre socit ?
1. Introduction
Six Sigma repose sur la dmarche DMAICS que nous avons largement
voque dans les chapitres prcdents. Lapproche DMAICS est le
moyen daction de Six Sigma mais, pour quil russisse dans son entre-
prise, il lui faut une logistique de soutien que doit lui fournir le mana-
gement.
397
Six Sigma
Responsable excutif
Responsable de service
Oprationnels
Responsable excutif
Comit de pilotage
La mise en place des projets Six Sigma doit pouvoir concerner toute
lentreprise tous les niveaux. On distingue trois niveaux dapplication
de Six Sigma.
Niveau entreprise
D Dfinir les priorits de lentreprise et les plans qui doivent tre
mis en place pour amliorer sa rentabilit.
M Mesurer le Business system qui supporte ces plans.
A Analyser les carts avec les meilleures pratiques.
I Innover/amliorer les systmes pour atteindre lobjectif de per-
formance.
C Mettre sous contrle les caractristiques critiques.
S Standardiser les systmes qui se sont rvls tre les meilleures
pratiques.
Niveau oprationnel
D Dfinir les projets Six Sigma permettant datteindre les objectifs
du plan dentreprise.
M Mesurer la performance des projets Six Sigma.
A Analyser cette performance au regard des objectifs opration-
nels.
I Innover, amliorer le systme de management des projets Six
Sigma.
C Mettre sous contrle les caractristiques dentre critiques du
systme de management des projets.
S Standardiser les meilleures pratiques de conduite de projet.
Niveau processus
D Dfinir les processus qui contribuent au problme fonctionnel.
M Mesurer les capabilits de chaque processus.
A Analyser les donnes pour mettre en relation les X et les Y.
I Innover/amliorer les caractristiques cls des processus cls.
C Mettre sous contrle les caractristiques critiques.
S Standardiser les mthodes et processus qui forment de bonnes
pratiques.
La mise en uvre dun projet Six Sigma doit rsulter dun travail de
groupe. Il y a deux faons dapporter des amliorations : amliorer les
performances du systme ou amliorer le systme lui-mme. On consi-
dre gnralement que lamlioration des performances est la source
de seulement 20 % des amliorations. Autant la premire possibilit de
lalternative peut tre ralise par un seul individu ou un groupe
dindividus dun mme secteur, autant lamlioration du systme
ncessite la cration dun groupe pluridisciplinaire.
Il doit diriger le groupe, cest lui qui a les comptences pour choisir un
outil, faire les analyses ncessaires. Il sappuie sur le groupe de travail
pour mettre les hypothses, faire les analyses, les expriences. Il faci-
lite le consensus au moment des choix et suit lapplication de ces
choix. Il doit donc parfaitement connatre les rgles de fonctionnement
dun groupe de travail.
Le prsident
Ce nest pas ncessairement le Black Belt, certains prconisent que le
Black Belt ait plutt un rle moteur . Il est en position dautorit par
rapport au groupe et a le souci de lobjectif atteindre. Il identifie les
points forts et les points faibles des quipiers et favorise lefficacit du
19. H. P. MADERS, Conduire une quipe projet, Les ditions dOrganisation, 2000.
Lorganisateur
Ordonn, il sait traduire une dcision en planning et en organigramme.
Il aime lorganisation et sa contribution lui permet dtre le rfrent en
matire de taches accomplir, de dlais, de responsabilits. Il doit
avoir une grande force de caractre, il est intgre et a confiance dans
les membres du groupe.
Le moteur
Cest une personne extravertie qui bouillonne dides et dnergie. Il
snerve parfois mais cest sans rancur. Il respire la confiance en soi
mme si cest parfois pour cacher ses propres doutes. Sa contribution
lavancement du projet est importante, il relve facilement les dfis. Il
donne forme au projet.
Le semeur
Cest plutt une personne introvertie dote dune grande intelligence.
Sa contribution consiste mettre des ides originales qui vont nourrir
la rflexion du groupe. Il est principalement intress par la recherche
de solutions innovantes et critique facilement les ides qui ne sont pas
les siennes. En revanche, il supporte difficilement la critique de ses
propres ides. Il faut donc du doigt afin quil ne se mette pas en
retrait.
Lexplorateur
Il aime la nouveaut, les relations avec les autres, le travail en groupe.
Il est extraverti et ne cherche pas dominer le groupe de travail. Il a
tiss des liens damiti avec de trs nombreuses personnes et renvoie
limage de quelquun de sympathique, sociable. Ayant tendance par-
fois papillonner dune activit lautre, il risque cependant de sint-
resser un peu trop aux dtails qui le retiennent particulirement au
mpris des objectifs majeurs. Il prserve le groupe de la stagnation et
lempche de senfermer sur lui-mme.
Le rationnel
Dun QI lev, extraverti, il se distingue du semeur par sa froideur. Plu-
tt que de chercher amener des ides novatrices, il va digrer le tra-
vail du groupe pour fournir un avis sans concession. Il apparat parfois
comme un rabat-joie, mais son avis est rarement mis en dfaut. Il vite
au groupe de partir sur des voies fantaisistes.
Lquipier
Extraverti et peu dominateur, il est sensible au vcu et aux sentiments
des gens qui lentourent. Il est sympathique, simple, modr, cest le
ciment. Il a besoin dharmonie et fait tout pour la construire au sein du
groupe. Il soutient les propositions des autres membres et construit
partir de ces propositions. Sa contribution se situe plus au niveau des
relations dans le groupe que pour les ides et les apports techniques
quil pourra amener.
Le perfectionniste
Plutt introverti, il a la proccupation de lordre. Il fera ressortir tout ce
qui pourra aller de travers. Sa capacit persvrer est prcieuse,
mme si parfois il peut trop sembarrasser des dtails qui lui font per-
dre de vue lobjectif global.
Prsident
Alain
Organisateur Moteur
Marcel Bernard et Paul
Perfectionniste Semeur
Marcel Lise
quipier Explorateur
Laetitia Julien
Rationnel
Julien ?
3. La formation
Les rles des uns et des autres, Champion, Master Black Belt, Black
Belt, Green Belt, White Belt, sont trs diffrents, et les formations le
sont aussi tant par la dure que par le contenu. Le schma suivant
(figure 9-5) donne un exemple de larchitecture formation, application,
rebouclage en alternance.
Qualification Formation
Dirigeant de haut niveau Cinq jours de formation
(directeur, responsable en alternance avec le choix
de service), familier avec des premiers projets.
Champion les statistiques.
Formation axe sur la conduite
et le management de projets
Six Sigma.
Cadre technique, tel quingnieur Deux semaines de formation
ou chef dun service. Il a (en plus de la formation
Master lexprience de la conduite de Black Belts).
Black Belt de projets Six Sigma. Il matrise Formation la conduite
les outils statistiques de base et au management de projets,
et avancs. et complments statistiques.
Cadre technique, tel quingnieur, Six semaines de formation
il a des comptences reconnues en alternance avec lapplication
dans le domaine o il devra sur le terrain.
Black Belt conduire les projets.
Dveloppement de six tapes
Il matrise les outils statistiques DMAICS.
de base.
Technicien ayant des comptences Six jours de formation
dans le domaine du projet. Il est en alternance avec la conduite
Green Belt
rompu lutilisation des outils du projet.
statistiques de base.
Comptence dans le domaine Six heures de tour dhorizon
White Belt du projet. Il participe un projet sur la dmarche Six Sigma.
Six Sigma.
Le MBB doit faire des revues de projets avec le BB, mais ces revues
nont pas le mme objectif que celles qui sont ralises avec le Cham-
pion. Le but est ici de valider la dmarche intellectuelle, le choix des
outils, la validit de linterprtation des rsultats Cest une revue
technique qui va permettre au BB de progresser dans lutilisation judi-
cieuse des diffrents outils. Cette revue permet galement de valider la
faon dont le BB manage ses diffrents projets et anime ses groupes de
travail.
20. Dana RASIS, Howard S. GITLOW, Edward POPOVICH, Paper Organizers International: A Ficti-
tious Six Sigma Green Belt Case Study , I, Quality Engineering, Vol. 15, No. 1, September
2002, p. 127-145.
21. http://www.six-sigma-toolskit.com/
Chemins critiques
2
2
2 4
A:2 E:1 6
C:1 4 D:2
0 B:1 1 X:0 3 6 G:1 7
1 3 5 8 9
0 3 3 6 7
H:3 X:0 F:2 5 X:0
7
3 6
4
3
22. Voir pour plus de dtails sur le diagramme PERT, Gestion de production, COURTOIS, BONNE-
FOUS, PILLET, Les ditions dOrganisation, 2003.
Une tche est matrialise par une flche et possde une dure :
par exemple, une tche A dune dure de 2 jours se reprsentera
comme ceci :
Date au plus tt
1
N du sommet 3
3
Le chemin critique est le (ou les) chemin(s) qui relie(nt) les som-
mets ayant une date au plus tt gale la date au plus tard.
Cot critique
Cot normal
5.1.5 La formation
Les formations dispenses tant aux Black Belts quaux autres acteurs
du projet doivent tre de qualit. Mme si la formation initiale de plus
de cinq semaines parat souvent une formation lourde, elle ne permet
pas de traiter de faon exhaustive des outils qui pourraient tre utiliss
dans un projet Six Sigma. La formation doit donc tre un processus
continu, fond sur le support des Master Black Belts qui sauront dve-
lopper, lorsque le besoin se fera sentir, les outils et mthodes compl-
mentaires.
Les sances de formation doivent tre particulirement soignes et
menes par des personnes comptentes au plan pdagogique. La pda-
gogie est en soi une dmarche mtier et on ne simprovise pas forma-
teur du jour au lendemain. Il convient donc de choisir un formateur
runissant les trois qualits suivantes :
comptence scientifique ;
exprience de lapplication sur le terrain ;
charisme pour faire partager ses comptences.
Une formation bien conduite est source de motivation. Une formation
qui nest pas adapte, cest dj, en quelque sorte, le son du glas du
projet.
5.1.6 La reconnaissance
Limplication forte des acteurs de Six Sigma mrite la reconnaissance
de la socit. Cette reconnaissance sera source de motivation pour les
futurs projets. Cette reconnaissance peut prendre diverses formes, mais
il est important que chacun sente que son travail est pris en compte.
Voil pourquoi le comit de pilotage doit intgrer cet aspect dans son
plan de dploiement en prvoyant, par exemple :
Un impact financier
Un bon projet Six Sigma doit avoir un impact financier pour lentre-
prise. On doit tre capable ds le dbut du projet de faire apparatre ces
gains en mesurant les cots associs aux dfauts, retouches, ajuste-
ments rendus ncessaires par la situation actuelle. On identifie cinq
faons de mesurer limpact dun projet Six Sigma :
le nombre de dfauts par million dopportunits ;
une rduction vrifiable sur les cots fixes ou variables ;
une rduction dans le cot de non-qualit pour produire 100 %
de produits conformes du premier cot ;
TRS 40 % 87 % 95 %
Rebut 0,2 par unit 0,43 par unit 1,24 par unit
Cot 4 35 2,5
Parmi les projets, il doit y avoir des projets stratgiques pour lentre-
prise et seule laffectation dun Black Belt temps plein peut permettre
de les mener bien.
23. Qualita : congrs international biannuel sur la Qualit et la sret de fonctionnement orga-
nis tous les 2 ans par RUFEREQ http://wwwcqp2.utc.fr/rufereq/
Tables
429
Six Sigma
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,1776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,00964 0,00939 0,00914 0,00889 0,00866 0,00842
2,4 0,00820 0,00798 0,00776 0,00755 0,00734 0,00714 0,00695 0,00676 0,00657 0,00639
2,5 0,00621 0,00604 0,00587 0,00570 0,00554 0,00539 0,00523 0,00508 0,00494 0,00480
2,6 0,00466 0,00453 0,00440 0,00427 0,00415 0,00402 0,00391 0,00379 0,00368 0,00357
2,7 0,00347 0,00336 0,00326 0,00317 0,00307 0,00298 0,00289 0,00280 0,00272 0,00264
2,8 0,00256 0,00248 0,00240 0,00233 0,00226 0,00219 0,00212 0,00205 0,00199 0,00193
2,9 0,00187 0,00181 0,00175 0,00169 0,00164 0,00159 0,00154 0,00149 0,00144 0,00139
3,0 0,00135 0,00131 0,00126 0,00122 0,00118 0,00114 0,00111 0,00107 0,00104 0,00100
3,1 0,00097 0,00094 0,00090 0,00087 0,00085 0,00082 0,00079 0,00076 0,00074 0,00071
3,2 0,00069 0,00066 0,00064 0,00062 0,00060 0,00058 0,00056 0,00054 0,00052 0,00050
3,3 0,00048 0,00047 0,00045 0,00043 0,00042 0,00040 0,00039 0,00038 0,00036 0,00035
3,4 0,00034 0,00033 0,00031 0,00030 0,00029 0,00028 0,00027 0,00026 0,00025 0,00024
3,5 0,00023 0,00022 0,00022 0,00021 0,00020 0,00019 0,00019 0,00018 0,00017 0,00017
3,6 0,00016 0,00015 0,00015 0,00014 0,00014 0,00013 0,00013 0,00012 0,00012 0,00011
3,7 0,00011 0,00010 0,00010 9,6 E-5 9,2 E-5 8,8 E-5 8,5 E-5 8,2 E-5 7,8 E-5 7,5 E-5
3,8 7,2 E-5 6,9 E-5 6,7 E-5 6,4 E-5 6,2 E-5 5,9 E-5 5,7 E-5 5,4 E-5 5,2 E-5 5,0 E-5
3,9 4,8 E-5 4,6 E-5 4,4 E-5 4,2 E-5 4,1 E-5 3,9 E-5 3,7 E-5 3,6 E-5 3,4 E-5 3,3 E-5
z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
4 3,17 E-5 2,07 E-5 1,33 E-5 8,54 E-6 5,41 E-6 3,40 E-6 2,11 E-6 1,30 E-6 7,93 E-7 4,79 E-7
5 2,87 E-7 1,70 E-7 9,96 E-8 5,79 E-8 3,33 E-8 1,90 E-8 1,07 E-8 5,99 E-9 3,32 E-9 1,82 E-9
6 9,87 E-10 5,30 E-10 2,82 E-10 1,49 E-10 7,77 E-11 4,02 E-11 2,06 E-11 1,04 E-11 5,23 E-12 2,60 E-12
T3 Table de Student
t ,
0,40 0,25 0,10 0,05 0,025 0,01 0,005 0,0025 0,001 0,0005
1 0,325 1,000 3,078 6,314 12,706 31,821 63,657 127,32 318,31 636,62
2 0,289 0,816 1,886 2,920 4,303 6,965 9,925 14,089 23,326 31,598
3 0,277 0,765 1,638 2,353 3,182 4,541 5,841 7,453 10,213 12,924
4 0,271 0,741 1,533 2,132 2,776 3,747 4,604 5,598 7,173 8,610
5 0,267 0,727 1,476 2,015 2,571 3,365 4,032 4,773 5,893 6,869
6 0,265 0,718 1,440 1,943 2,447 3,143 3,707 4,317 5,208 5,959
7 0,263 0,711 1,415 1,895 2,365 2,998 3,499 4,019 4,785 5,408
8 0,262 0,706 1,397 1,860 2,306 2,896 3,355 3,833 4,501 5,041
9 0,261 0,703 1,383 1,833 2,262 2,821 3,250 3,690 4,297 4,781
10 0,260 0,700 1,372 1,812 2,228 2,764 3,169 3,581 4,144 4,587
11 0,260 0,697 1,373 1,796 2,201 2,718 3,106 3,497 4,025 4,437
12 0,259 0,695 1,356 1,782 2,179 2,681 3,055 3,428 3,930 4,318
13 0,259 0,694 1,350 1,771 2,160 2,650 3,012 3,372 3,852 4,221
14 0,258 0,692 1,345 1,761 2,145 2,624 2,977 3,326 3,787 4,140
15 0,258 0,691 1,341 1,753 2,131 2,602 2,947 3,286 3,733 4,073
16 0,258 0,690 1,337 1,746 2,120 2,583 2,921 3,252 3,686 4,015
17 0,257 0,689 1,333 1,740 2,110 2,567 2,898 3,222 3,646 3,965
0,40 0,25 0,10 0,05 0,025 0,01 0,005 0,0025 0,001 0,0005
18 0,257 0,688 1,330 1,734 2,101 2,552 2,878 3,197 3,610 3,922
19 0,257 0,688 1,328 1,729 2,093 2,539 2,861 3,174 3,579 3,883
20 0,257 0,687 1,325 1,725 2,086 2,528 2,845 3,153 3,552 3,850
21 0,257 0,686 1,323 1,721 2,080 2,518 2,831 3,135 3,527 3,819
22 0,256 0,686 1,321 1,717 2,074 2,508 2,819 3,119 3,505 3,792
23 0,256 0,685 1,319 1,714 2,069 2,500 2,807 3,104 3,485 3,767
24 0,256 0,685 1,318 1,711 2,064 2,492 2,797 3,091 3,467 3,745
25 0,256 0,684 1,316 1,708 2,060 2,485 2,787 3,078 3,450 3,725
26 0,256 0,684 1,315 1,706 2,056 2,479 2,779 3,067 3,435 3,707
27 0,256 0,684 1,314 1,703 2,052 2,473 2,771 3,057 3,421 3,690
28 0,256 0,683 1,313 1,701 2,048 2,467 2,763 3,047 3,408 3,674
29 0,256 0,683 1,311 1,699 2,045 2,462 2,756 3,038 3,396 3,659
30 0,256 0,683 1,310 1,697 2,042 2,457 2,750 3,030 3,385 3,646
40 0,255 0,681 1,303 1,684 2,021 2,423 2,704 2,971 3,307 3,551
60 0,254 0,679 1,296 1,671 2,000 2,390 2,660 2,915 3,232 3,460
120 0,254 0,677 1,289 1,658 1,980 2,358 2,617 2,860 3,160 3,373
0,253 0,674 1,282 1,645 1,960 2,326 2,576 2,807 3,090 3,291
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,38 19,40
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35
2 Degr de libert du dnominateur
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,28 2,24
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08
80 3,96 3,11 2,72 2,49 2,33 2,21 2,13 2,06 2,00 1,95
150 3,90 3,06 2,66 2,43 2,27 2,16 2,07 2,00 1,94 1,89
300 3,87 3,03 2,63 2,40 2,24 2,13 2,04 1,97 1,91 1,86
T5 Table de la loi du 2
0 2
P 0,005 0,010 0,025 0,050 0,100 0,250 0,500 0,750 0,900 0,950 0,975 0,990 0,995
1 0,000 0,000 0,001 0,004 0,016 0,102 0,455 1,32 2,71 3,84 5,02 6,63 7,88
2 0,010 0,020 0,051 0,103 0,201 0,575 1,39 2,77 4,61 5,99 7,38 9,21 10,6
3 0,072 0,115 0,216 0,352 0,584 1,21 2,37 4,11 6,25 7,81 9,35 11,3 12,8
4 0,207 0,297 0,484 0,711 1,06 1,92 3,36 5,39 7,78 9,49 11,1 13,3 14,9
5 0,412 0,554 0,831 1,15 1,61 2,67 4,35 6,63 9,24 11,1 12,8 15,1 16,7
6 0,676 0,872 1,24 1,64 2,20 3,45 5,35 7,84 10,6 12,6 14,4 16,8 18,5
7 0,989 1,24 1,69 2,17 2,83 4,25 6,35 9,04 12,0 14,1 16,0 18,5 20,3
8 1,34 1,65 2,18 2,73 3,49 5,07 7,34 10,2 13,4 15,5 17,5 20,1 22,0
9 1,73 2,09 2,70 3,33 4,17 5,90 8,34 11,4 14,7 16,9 19,0 21,7 23,6
10 2,16 2,56 3,25 3,94 4,87 6,74 9,34 12,5 16,0 18,3 20,5 23,2 25,2
11 2,60 3,05 3,82 4,57 5,58 7,58 10,3 13,7 17,3 19,7 21,9 24,7 26,8
12 3,07 3,57 4,40 5,23 6,30 8,44 11,3 14,8 18,5 21,0 23,3 26,2 28,3
13 3,57 4,11 5,01 5,89 7,04 9,30 12,3 16,0 19,8 22,4 24,7 27,7 29,8
14 4,07 4,66 5,63 6,57 7,79 10,2 13,3 17,1 21,1 23,7 26,1 29,1 31,3
15 4,60 5,23 6,26 7,26 8,55 11,0 14,3 18,2 22,3 25,0 27,5 30,6 32,8
16 5,14 5,81 6,91 7,96 9,31 11,9 15,3 19,4 23,5 26,3 28,8 32,0 34,3
17 5,70 6,41 7,56 8,67 10,1 12,8 16,3 20,5 24,8 27,6 30,2 33,4 35,7
18 6,26 7,01 8,23 9,39 10,9 13,7 17,3 21,6 26,0 28,9 31,5 34,8 37,2
19 6,84 7,63 8,91 10,1 11,7 14,6 18,3 22,7 27,2 30,1 32,9 36,2 38,6
P 0,005 0,010 0,025 0,050 0,100 0,250 0,500 0,750 0,900 0,950 0,975 0,990 0,995
20 7,43 8,26 9,59 10,9 12,4 15,5 19,3 23,8 28,4 31,4 34,2 37,6 40,0
21 8,03 8,90 10,3 11,6 13,2 16,3 20,3 24,9 29,6 32,7 35,5 38,9 41,4
22 8,64 9,54 11,0 12,3 14,0 17,2 21,3 26,0 30,8 33,9 36,8 40,3 42,8
23 9,26 10,2 11,7 13,1 14,8 18,1 22,3 27,1 32,0 35,2 38,1 41,6 44,2
24 9,89 10,9 12,4 13,8 15,7 19,0 23,3 28,2 33,2 36,4 39,4 43,0 45,6
25 10,5 11,5 13,1 14,6 16,5 19,9 24,3 29,3 34,4 37,7 40,6 44,3 46,9
26 11,2 12,2 13,8 15,4 17,3 20,8 25,3 30,4 35,6 38,9 41,9 45,6 48,3
27 11,8 12,9 14,6 16,2 18,1 21,7 26,3 31,5 36,7 40,1 43,2 47,0 49,6
28 12,5 13,6 15,3 16,9 18,9 22,7 27,3 32,6 37,9 41,3 44,5 48,3 51,0
29 13,1 14,3 16,0 17,7 19,8 23,6 28,3 33,7 39,1 42,6 45,7 49,6 52,3
30 13,8 15,0 16,8 18,5 20,6 24,5 29,3 34,8 40,3 43,8 47,0 50,9 53,7
40 20,7 22,2 24,4 26,5 29,1 33,7 39,3 45,6 51,8 55,8 59,3 63,7 66,8
50 28,0 29,7 32,4 34,8 37,7 42,9 49,3 56,3 63,2 67,5 71,4 76,2 79,5
80 51,2 53,5 57,2 60,4 64,3 71,1 79,3 88,1 96,6 101,9 106,6 112,4 116,3
100 67,3 70,1 74,2 77,9 82,4 90,1 99,3 109,1 118,5 124,3 129,6 135,8 140,2
Nombre de variances
2 3 4 5 6 7 8 9 10 11 12
2 39 87,5 142 202 266 333 403 475 550 626 704
3 15,4 27 39,2 50,7 62 72,9 83,6 93,9 104 114 124
4 9,6 15,5 20,6 25,2 29,5 33,6 37,5 41,1 44,6 48 51,4
5 7,15 10,8 13,7 16,3 18,7 20 22,9 24,7 26,5 28,2 29,9
6 5,02 8,38 10,4 12,1 13,7 15 16,3 17,5 18,6 19,7 20,7
7 4,99 6,94 8,44 9,7 10,8 11 12,7 13,5 14,3 15,1 15,8
8 4,43 6 7,18 8,12 9,03 9,78 10,5 11,1 11,7 12,2 12,7
9 4,03 5,34 6,31 7,11 7,8 8,41 8,95 9,45 9,91 10,3 10,7
10 3,72 4,85 5,67 6,34 6,92 7,42 7,07 8,28 8,66 9,01 9,34
12 3,11 4,00 4,59 5,07 5,46 5,80 6,11 6,39 6,65 6,88 6,87
15 2,86 3,54 4,01 4,37 4,68 4,95 5,19 5,4 5,59 5,77 5,03
20 2,46 2,95 3,29 3,54 3,76 3,94 4,1 4,24 4,37 4,49 4,59
30 2,07 2,4 2,61 2,78 2,91 3,02 3,12 3,21 3,29 3,36 3,39
60 1,67 1,85 1,96 2,04 2,11 2,17 2,22 2,26 2,30 2,33 2,36
inf 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
Risque = 0,01
Nombre de variances
2 3 4 5 6 7 8 9 10 11 12
2 199 448 729 1036 1362 1705 2063 2432 2813 3204 3605
3 47,5 85 120 151 184 216 249 281 310 337 361
4 23,2 37 49 59 69 79 89 97 106 113 120
5 14,9 22 28 33 38 42 46 50 54 57 60
6 11,1 15,5 19,1 22 25 27 30 32 34 36 37
7 8,89 12,1 14,5 16,5 18,4 20 22 23 24 26 27
8 7,50 9,9 11,7 13,2 14,5 15,8 16,9 17,9 18,9 19,8 21
9 6,54 8,5 9,9 11,1 12,1 13,1 13,9 14,7 15,3 16,0 16,6
10 5,85 7,4 8,6 9,6 10,4 11,1 11,8 12,4 12,9 13,4 13,9
12 4,91 6,1 6,9 7,6 8,2 8,7 9,1 9,5 9,9 10,2 10,6
15 4,07 4,9 5,5 6,0 6,4 6,7 7,1 7,3 7,5 7,8 8,0
20 3,32 3,8 4,3 4,6 4,9 5,1 5,3 5,5 5,6 5,8 5,9
30 2,63 3,0 3,3 3,4 3,6 3,7 3,8 3,9 4,0 4,1 4,2
60 1,96 2,2 2,3 2,4 2,4 2,5 2,5 2,6 2,6 2,7 2,7
inf 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,00
2 ( u 2 + u )2
n i = n j = ----------------------------------
k2
Dcentrage 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6
Dcentrage 1,7 1,8 1,9 2 2,1 2,2 2,3 2,4 2,8 2,9 3,6 3,7 4 5 6
Taille 9 8 8 7 7 6 6 5 5 4 4 3 3 3 2
Dcentrage 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6
Dcentrage 1,7 1,8 1,9 2 2,1 2,2 2,4 2,5 2,8 2,9 3,7 3,8 4 5 6
Taille 7 6 6 5 5 4 4 3 3 2 2 1 1 1 1
Ratio entre les 2 carts types Ratio entre les 2 variances Taille n mini
1,1 1,21 301
1,2 1,44 83
1,3 1,69 41
1,4 1,96 25
1,5 2,25 18
1,6 2,56 14
1,7 2,89 11
1,8 3,24 9
1,9 3,61 8
2 4 7
2,1 4,41 6
2,2 4,84 6
2,3 5,29 5
2,4 5,76 5
2,5 6,25 5
2,6 6,76 4
2,7 7,29 4
2,8 7,84 4
2,9 8,41 4
3 9 4
4 16 3
5 25 2
ditions dOrganisation
2 0,7979 1,128 0,853 2,121 1,880 2,659 1,880 2,121 - 3,267 - 2,606 - 3,267 - 3,686
3 0,8862 1,693 0,888 1,732 1,023 1,954 1,187 2,010 - 2,568 - 2,276 - 2,574 - 4,358
4 0,9213 2,059 0,880 1,500 0,729 1,628 0,796 1,639 - 2,266 - 2,088 - 2,282 - 4,698
5 0,9400 2,326 0,864 1,342 0,577 1,427 0,691 1,607 - 2,089 - 1,964 - 2,114 - 4,918
6 0,9515 2,534 0,848 1,225 0,483 1,287 0,548 1,389 0,030 1,970 0,029 1,874 - 2,004 - 5,078
7 0,9594 2,704 0,833 1,134 0,419 1,182 0,508 1,374 0,118 1,882 0,113 1,806 0,076 1,924 0,205 5,203
8 0,9650 2,847 0,820 1,061 0,373 1,099 0,433 1,233 0,185 1,815 0,178 1,752 0,136 1,864 0,387 5,307
9 0,9693 2,970 0,808 1,000 0,337 1,032 0,412 1,224 0,239 1,761 0,232 1,707 0,184 1,816 0,546 5,394
T11 Tableau des coefficients
10 0,9727 3,078 0,797 0,949 0,308 0,975 0,362 1,114 0,284 1,716 0,277 1,669 0,223 1,777 0,687 5,469
11 0,9754 3,173 0,787 0,905 0,285 0,927 0,321 1,679 0,314 1,637 0,256 1,744 0,812 5,534
12 0,9776 3,258 0,778 0,866 0,266 0,886 0,354 1,646 0,346 1,609 0,283 1,717 0,924 5,592
13 0,9794 3,336 0,770 0,832 0,249 0,850 0,382 1,618 0,374 1,585 0,307 1,693 1,026 5,646
14 0,9810 3,407 0,762 0,802 0,235 0,817 0,406 1,594 0,399 1,563 0,328 1,672 1,121 5,693
15 0,9823 3,472 0,755 0,775 0,223 0,789 0,428 1,572 0,420 1,544 0,347 1,653 1,207 5,937
20 0,9869 3,735 0,729 0,671 0,180 0,680 0,510 1,490 0,503 1,471 0,415 1,585 1,548 5,922
Tables
443
Six Sigma
Nombre dchantillons
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 >15
Nombre de mesures
2 1,414 1,279 1,231 1,206 1,191 1,181 1,173 1,168 1,163 1,160 1,157 1,154 1,153 1,151 1,149 1,128
par chantillon
3 1,912 1,806 1,769 1,750 1,739 1,731 1,726 1,722 1,719 1,716 1,714 1,712 1,711 1,710 1,708 1,693
4 2,239 2,151 2,121 2,105 2,096 2,090 2,086 2,082 2,08 2,078 2,076 2,075 2,073 2,072 2,071 2,071
5 2,481 2,405 2,379 2,366 2,358 2,353 2,349 2,346 2,344 2,342 2,34 2,339 2,338 2,337 2,337 2,326
Facile dsaliasser
en passant au plan
complet L16
** **** ***
Fractionnaire Fractionnaire, Plan fractionnaire
rsolution III rsolution V Ne permet pas
5
Pas de colonne Utiliser les dtudier des
privilgier colonnes interactions
Facile dsaliasser 1, 2, 4, 8, 15 Choix des colon-
6
en continuant les
colonnes impaires ***
nes en fonction
de la difficult
Fractionnaire,
7 de la table L16 des modifications
rsolution IV
des facteurs
Utiliser les
8 Idal pour
colonnes impaires
dbroussailler
9 * Les interactions
Fractionnaire, sont dilues
11 rsolution III
Pas de colonne
11 privilgier
15
Table L4 (23)
1 2 3
1 1 1 1 1 2
3
2 1 2 2
3 2 1 2
4 2 2 1 2 3
a b a (1) 3 2
b (2) 1
Groupe 1 2
Table L8 (27)
No 1 2 3 4 5 6 7
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2
a b a c a b a
b c c b
c
Groupe 1 2 3
2 3 4 5 6 7
(1) 3 2 5 4 7 6
(2) 1 6 7 4 5
(3) 7 6 5 4
(4) 1 2 3
(5) 3 2
(6) 1
1
2 3
2 4 1 4 5
6
3 5 7 7
6
Table L9 (34)
No 1 2 3 4
1 1 1 1 1
2 1 2 2 2
3 1 3 3 3
4 2 1 2 3
5 2 2 3 1
6 2 3 1 2
7 3 1 3 2
8 3 2 1 3
9 3 3 2 1
a b a a
b b2
Groupe 1 2
No 1 2 3 4 5 6 7 8 9 10 11
1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 2 2 2 2 2 2
3 1 1 2 2 2 1 1 1 2 2 2
4 1 2 1 2 2 1 2 2 1 1 2
5 1 2 2 1 2 2 1 2 1 2 1
6 1 2 2 2 1 2 2 1 2 1 1
7 2 1 2 2 1 1 2 2 1 2 1
8 2 1 2 1 2 2 2 1 1 1 2
9 2 1 1 2 2 2 1 2 2 1 1
10 2 2 2 1 1 1 1 2 2 1 2
11 2 2 1 2 1 2 1 1 1 2 2
12 2 2 1 1 2 1 2 1 2 2 1
Groupe 1 2
N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2
3 1 1 1 2 2 2 2 1 1 1 1 2 2 2 2
4 1 1 1 2 2 2 2 2 2 2 2 1 1 1 1
5 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2
6 1 2 2 1 1 2 2 2 2 1 1 2 2 1 1
7 1 2 2 2 2 1 1 1 1 2 2 2 2 1 1
8 1 2 2 2 2 1 1 2 2 1 1 1 1 2 2
9 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2
10 2 1 2 1 2 1 2 2 1 2 1 2 1 2 1
11 2 1 2 2 1 2 1 1 2 1 2 2 1 2 1
12 2 1 2 2 1 2 1 2 1 2 1 1 2 1 2
13 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1
14 2 2 1 1 2 2 1 2 1 1 2 2 1 1 2
15 2 2 1 2 1 1 2 1 2 2 1 2 1 1 2
16 2 2 1 2 1 1 2 2 1 1 2 1 2 2 1
a b a c a b a d a b a c a b a
b c c b d d b d c c b
c d d d c
d
Groupe 1 2 3 4
2 3 4 5 6 7 8 9 10 11 12 13 14 15
(1) 3 2 5 4 7 6 9 8 11 10 13 12 15 14
(2) 1 6 7 4 5 10 11 8 9 14 15 12 13
(3) 7 6 5 4 11 10 9 8 15 14 13 12
(4) 1 2 3 12 13 14 15 8 9 10 11
(5) 3 2 13 12 15 14 9 8 11 10
(6) 1 14 15 12 13 10 11 8 9
(7) 15 14 13 12 11 10 9 8
(8) 1 2 3 4 5 6 7
(9) 3 2 5 4 7 6
(10) 1 6 7 4 5
(11) 7 6 5 4
(12) 1 2 3
(13) 3 2
(14) 1
3 14 3 14 3 14
9 1 9
13 13 13
2 15 10 7 6 11
11 11 15
6 10 7 6 2 15 2 10 7
5 5 1
12 4 8
4 8 12 8 4 12
(2) (3)
15 1 13 3 1
8 10
11 9
12 14 6 4 12 14
3
8 10
11 9
2
5 7 13 15
6 4
2
5 7
(4a) (4b)
1 6 8 13 11 10 14 13
3 4 7 5 5 4 1 3
2 2
14 6
9 7 8 12
12 10
11 15 9 15
(5a) (5b)
1 3
2 14 2 12
3 15 1 15
4 12 6 14
6 10 4 8
5 13 5 13
8 10
7 11 7 11
9 9
(6a) (6b)
1 9 7 11 1 9 7 13
2 12 10 4 4 10 12 2
3 5 13 15 5 3 11 15
No A B
1 1 1
2 1 1
Plan factoriel de base
3 1 1
4 1 1
5 1.414 0
6 +1.414 0
4 essais sur les axes
7 0 1.414
8 0 +1.414
9 0 0
10 0 0
5 essais au centre du domaine 11 0 0
12 0 0
13 0 0
Fiches rsums
455
Six Sigma
tape 1 DFINIR :
mmo des actions principales raliser
Durant cette tape, on dfinit le problme, les amliorations projetes
et les gains attendus. Tout doit tre fait pour que les attentes du client
soient traduites en terme de qualit ressentie. Dans cette tape, on doit
galement mener un travail de comprhension visant connatre le
processus et ainsi mieux cerner les limites du projet.
1. Choix du problme
Dterminer le problme rsoudre en fonction de limportance
quil reprsente pour le client et du gain potentiel pour lentre-
prise.
2. Formulation du problme
Formuler le problme aprs avoir recueilli toutes les informations
ncessaires :
informations factuelles (retours clients, rebuts) ;
informations chiffres (en termes de cot, de dlai, de qua-
lit).
Raliser un QQOQCP.
3. Clients identifis
Identifier les clients amont, aval, et les clients finaux.
Identifier parmi tous les paramtres pouvant influer sur le pro-
blme, les paramtres Y concernant ce qui est critique pour le
client.
Dfinir les impacts du projet pour le client et lentreprise.
6. Cartographie du processus
Raliser la cartographie du processus qui conduit la satisfaction
du client.
8. Planification du projet
Indiquer le numro des semaines, colorier les cases pour indi-
quer les dures des tapes et mettre une croix pour les semaines
de formation.
Identifier les acteurs du projet.
Groupe de travail
Nom Tl. Service Ml
Planification du projet
Semaines
Dfinir
Mesurer
Analyser
Amliorer
Contrler
Standardiser
Signatures
Client : Propritaire : Pilote : Direction :
tape 2 MESURER :
mmo des actions raliser
Dans cette tape, on doit trouver un moyen pour mesurer la/les carac-
tristique(s) critique(s) pour les clients, valider le processus de mesure
et raliser une campagne de relevs sur le processus afin de dterminer
les capabilits et les relations entre les Y et les X.
4. Rduction de la variabilit
Analyser les X potentiels (analyse des 5M).
Rduire les causes de variation en fixant des paramtres.
5. Observation du processus
Mettre en place des cartes dobservations et des feuilles de rele-
vs.
Enregistrer toutes les informations disponibles sur Y avec ses
attributs (X correspondants).
Validation des spcifications.
Facteurs de pilotage :
Moyen de mesure et procdure
Processus de mesure :
Capabilit du processus
Mesure : Interprtation :
Commentaire : Chute Explication/ Causes :
entre processus :
Cmc Cp
Cp Pp
Pp Pp
Ppk Ppk
Actions de suivi (cartes dobservation, feuilles de relevs)
Intitul Action de suivi :
tape 3 ANALYSER :
mmo des actions raliser
Durant cette tape, on analyse les Y (sorties du processus), les X (vari-
ables du processus) et les relations entre les X et les Y afin didentifier
les quelques X responsables en grande partie de la variabilit sur Y.
1. Analyse de Y
tude de la normalit.
tude des variations temporelles.
tude de la chute des capabilits.
2. Analyse des X
Rdiger le diagramme dIshikawa afin de dterminer les facteurs
X qui peuvent influer sur les rsultats prcdents (variation de
positions, cycliques, temporelles).
Faire une observation sur la normalit, les variations temporelles
et la chute des capabilits sur les X.
5. Hirarchiser les X
Mettre en vidence le poids des X pertinents avec Anova ou
Regression.
Focalisation sur les X les plus pertinents.
Prvoir un ventuel plan dexpriences pour formaliser la rela-
tion.
Mthode Main-d'uvre
tape 4 INNOVER :
mmo des actions raliser
Dans cette tape, on semploie laborer, mettre lessai et implanter
des solutions pour corriger les causes fondamentales du problme.
6. Gains
Actualiser les gains mesurables et les gains non mesurables.
Actualiser les cots mesurables et les cots non mesurables.
Mthode Main-d'uvre
Planification du changement
No tape Responsable Production Dlai Cot
tape 5 CONTRLER :
mmo des actions raliser
Lors de cette tape, on vrifie les rsultats des actions damlioration
mises en uvre au stade prcdent, en observant comment les caract-
ristiques choisies comme indicateurs de rsultat ont volu depuis
lintroduction des solutions (mise sous contrle par le biais doutil de
la qualit type SPC).
Les rsultats doivent tre chiffrs, compars aux valeurs cibles et ana-
lyss laide des outils de la qualit pour dterminer si les amliora-
tions prvues sont significatives. Il faut galement comparer le rapport
cots/ avantages et en tudier les rpercussions.
6. Gains et cots
Actualiser les gains et cots mesurables et non mesurables.
0 Temps
tape 6 STANDARDISER :
mmo des actions raliser
Durant cette tape, on verrouille laction, cest--dire que lon permet
le maintien des amliorations en empchant le retour des erreurs ant-
rieures. On va galement en profiter pour dmultiplier les bonnes prati-
ques identifies et clore le projet.
1. Simplifier la solution
Raliser un audit de poste et identifier :
les points qui demandent un effort particulier ;
les carts entre le nouveau standard et la pratique ;
les points mal formaliss.
Faire les transformations afin que le nouveau standard soit appli-
qu simplement et sans effort.
2. Prenniser la solution
Revoir les rgles qui posent problme.
Finaliser la documentation du poste.
Formaliser le nouveau savoir-faire dans une base de connais-
sance.
Identifier les bonnes pratiques , les formaliser, les diffuser.
Intgrer les processus et mthodes standards dans le dveloppe-
ment de nouveaux produits.
Mettre en place les indicateurs de performance.
3. Bilan du projet
Bilan technique :
faire la synthse des amliorations techniques apportes ;
modification de procdures, de mthodes ;
amlioration des capabilits
Bilan financier :
faire la synthse des cots mesurables et non mesurables ;
faire la synthse des gains mesurables et non mesurables.
Bilan humain :
fonctionnement du groupe de travail ;
identifier les manques en matire de formation, de compten-
ces
Bilan mthodologique :
si ctait refaire, adopterions-nous la mme dmarche ?
quavons-nous oubli de faire quil ne faudra plus oublier ?
en quoi ce projet peut-il enrichir la dmarche Six Sigma dans
notre socit ?
4. Clore le projet
Documenter les lments de suivi des projets Six Sigma.
Prparer un document de prsentation du projet.
Diffuser ce document lensemble des Black Belts.
Fter la fin du projet.
Prenniser la solution
QUOI QUI QUAND
Documentation du projet
Document Rf.
Les calculs de cet ouvrage ont t raliss avec Minitab logiciel d'ana-
lyse statistique et Excel de Microsoft Office.
http://www.minitab.com
http://office.microsoft.com
Statgraphics : http://www.microsigma.fr/Editeurs/STATGRA-
PHICS/STATGRAPHICS.html
Statistica : http://www.statsoftinc.com/french/welcome.html
http://www.ogp.univ-savoie.fr/espace.htm
473
Six Sigma
AMGHAR A.,
Management de projets, Editions J.C.I. Inc, 2001.
AVRILLON L., PILLET M.,
Lapproche Shainin , Qualit rfrence, no 17, juillet 2002, p 95-
100, 2002.
BAYLE P. et alii,
Illustration of Six Sigma Assistance on a Design Project , Quality
Engineering, vol. 13, no 3, mars 2001, p. 341-348, 2001.
BONNEFOUS C., COURTOIS A.,
Indicateurs de performance Trait IC2, Herms Science, 2001.
BOTHE K. R., SHAININ D.,
World Class Quality, Amacom, 1991.
BREYFOGLE F. W.,
Implementing Six Sigma, Wiley Interscience, 1999.
CHARDONNET A., THIBAUDON D.,
Le Guide PDCA de Deming, ditions dOrganisation, 2003.
CHAUVEL A. M.,
Mthodes et outils pour rsoudre un problme, Dunod, 2000.
CHOWDHURY S.,
Design for Six Sigma, Prentice Hall, 2002.
475
Six Sigma
CHOWDHURY S.,
Vous avez dit Six Sigma, Dunod, 2002.
ECKES Georges,
Objectif Six Sigma, Village Mondial, 2002
GEORGE M. L.,
Lean Six Sigma, Mc Graw Hill, 2002.
GOH T. N.,
The Role of Statistical Design of Experiments in Six Sigma: Pers-
pectives of a Practitioner , Quality Engineering, vol. 14, no 4, juin
2002, p. 659-671, 2002.
GOH T. N.,
Information Transformation Perspective on Experimental Design
in Six Sigma , Quality Engineering, vol. 13, no 3, mars 2001,
p. 349-355, 2001.
GOLDSTEIN M. D.,
Six Sigma Program Success Factors, Six Sigma Forum Magazine,
volume 1, issue 1, novembre 2001.
GOUPY J.,
Plans dexpriences pour surfaces de rponse, Dunod, 1999.
GRAVES Spencer,
Six Sigma Rolled Throughput Yield , Quality Engineering, vol.
14, no 2, dcembre 2001, p. 257-266, 2001.
HAHN Gerald J., DOGANAKSOY Necip,
The Evolution of Six Sigma , Quality Engineering, vol. 12, no 3,
mars 2000, p. 317-326, 2000.
HARRY J. H., The Vision of Six Sigma A Roadmap for Breakthrough,
vol. I, II, Tri Star Publishing (Phoenix, Arizona), 1997.
HARRY J. H.,
The Vision of Six Sigma Application Resource, vol. I, II, III, Tri
Star Publishing (Phoenix, Arizona), 1997.
HARRY J. H.,
The Vision of Six Sigma Tools and Methods for Breakthrough, vol.
I, II, III, Tri Star Publishing (Phoenix, Arizona), 1997.
HARRY M., SCHROEDER R;
Six sigma published by Doubleday New York, 2000.
HILD Cheryl, SANDERS Doug, COOPER Tony,
Six Sigma On Continuous Processes: How and Why It Differs ,
Quality Engineering, vol. 13, no 1, septembre 2000, p. 1-9, 2000.
HOERL Roger W. et al.,
Six Sigma Black Belts: What Do They Need to Know? And Subse-
quent Discussions and Response , Journal of Quality Technology,
vol. 33, no 4, octobre 2001, p. 391-435, 2001.
LE BRUN M., AUSSEDAT F.,
Six Sigma et la supply chain , Qualit rfrence, no 20, avril
2003, p. 69-74, 2003.
LUCAS J. M.,
The Essential Six Sigma , Quality Progress, volume 35, issue 1,
janvier 2002.
MADERS H. P.,
Conduire une quipe de projet, ditions dOrganisation, 2000.
MONTGOMERY D. C.,
Introduction to Statistical Quality Control, 4e dition, John Whiley
& Sons, Inc., 2001.
PETITDEMANGE C.,
Le Management par projet, 80 dmarches oprationnelles au choix,
ditions EFE, 1997.
PILLET M.,
Introduction aux plans dexpriences par la mthode Taguchi, di-
tions dOrganisation, 1997
PILLET M.,
Appliquer la matrise statistique des procds (MSP/SPC), ditions
dOrganisation, 2000.
PIQUET F.,
Sur la route de 6 sigma , Qualit rfrence, no 13, juillet 2001,
p. 65-79, 2001.
PLUCHART J.-J.,
LIngnierie de projet, ditions dOrganisation, 2002.
PRAX J.-Y.,
Le Guide du Knowledge Management, Dunod, 2000.
PYSDEK T.,
The Six Sigma Handbook, Mc Graw Hill, 2001.
RAYNAL S.,
Le Management par projet, 2e dition, ditions dOrganisation,
2000.
5 B
5 pourquoi ?, 92 B to C, 189
5M, 123 bilan, 60, 393
du processus, 37 Black Belt, 27, 62, 65, 405, 410, 427
bote
5S, 55
moustache, 166, 175
noire, 32, 86
bonnes pratiques, 60, 388
A Box, 141
alias, 284
AMDEC (Analyse des Modes de
Dfaillances, de leurs Effets et de C
leurs Criticits), 50, 318 calcul
amlioration continue, 7 des limites, 364
amliorer, 27 capabilit, 22, 35, 38, 148, 393
analyse caractrisation, 264
budgtaire, 420 carte
aux valeurs individuelles/tendues
de la variance, 115, 218, 265, 280
glissantes, 341
de la variance sur un facteur, 219 c, 370
analyser, 26, 41, 163 c Nombre de non-conformits, 365
ANAVAR, 116, 189, 218 de contrle, 55, 155, 339
attributs, 119, 363 aux mdianes et tendues, 352
moyennes et carts types, 350
audit, 382
moyennes/tendues, 344
autocontrle, 55 p, 366
automatrise, 59 de precontrol, 354
481
Six Sigma
G K
gains prvisionnels, 99 Kaizen, 6
gaspillage, 13 Kano, 78
Gauss, 132, 175, 182 Kurtosis, 175
General Electric, 1
gestion des moyens de mesure, 109
graphe L
de Taguchi, 276
Lean
des effets, 173, 270
Management, 9, 11
des interactions, 174, 271 Six Sigma, 17
gravit, 320 limite(s)
Green Belt, 62, 66 de contrle, 345, 359, 364
grille daudit, 383 naturelles, 56, 340
groupe Six Sigma, 404 linarit, 108, 110
logigrammes, 88
loi
O
de Poisson, 145 opportunit de dfaut, 22
exponentielle, 138 organisation des comptences, 62
Log normale, 138
P
M paralllogramme des tolrances, 324
paramtres, 132
main-duvre, 124
dchelle, 179
management, 422
de position, 176
dun projet Six Sigma, 417
perce, 6
par projet, 69
prennisation dune action, 376
Six Sigma, 397
prenniser, 374
Master Black Belt, 62, 67, 403 performance, 1, 148
matires, 124 industrielle, 14
matrice dimpact, 126 plan
matrice QFD Quality Function Deploy- complet, 268, 306
ment, 82 composite centr, 309
mdiane, 175, 232 daction, 422
dexpriences, 264, 266, 268
mesure, 398
de Box Benhken, 314
mesurer, 26, 34, 103 de criblage, 302
mthodes, 124 de dploiement, 422
milieu, 124 fractionnaire, 281
Minitab, 176 fractionnaire 2 niveaux, 287
mode plans gigognes, 297
de dfaillance, 318 points aberrants, 167
opratoire, 332 Poka Yoke, 56
modle de Kano, 32 position, 132
Pp, 39, 148, 392
modlisation, 265
Pp, Ppk, Ppm
polynomiale, 281
Performance long terme du procd,
Motorola, 1 157
moyenne, 132, 175 Ppk, 39, 148, 392
moyens, 124 Ppm, 148
Muda, 13 preuve statistique, 45, 399
multi-vari, 168 Principe
de liceberg, 11
de la bougie magique, 11
N procdure(s), 57, 385
processus, 85
Niveau de Priorit de Risque (NPR), 320 de mesure, 107
non-conformits, 363 proportion dunits non conformes, 361
Q standardiser, 27
standardiser/prenniser, 373
QFD, 30 statistique
descriptive, 164, 174
infrentielle, 164, 185
R StepWise ( pas pas ), 248
R&R, 107 stratgie de perce, 6
cas des grandeurs mesurables, 112 suivi des projets, 423
cas des grandeurs non mesurables, Supply Chain, 14
119 surface de rponse, 271, 305
reconnaissance, 424
rfrentiel, 391
rgression linaire, 233 T
multiple, 240, 272
rendement tableau
de rglage (Rr), 160 dindpendance, 190
de sortie, 145 des alias, 285
de stabilit (Rs), 160 des interactions, 270
des moyennes, 269
rptabilit, 34, 109
Taguchi, 54, 276
reproductibilit, 34, 109
taille
rseau de neurones, 387
de lchantillon, 347
rsidus, 249
des chantillons, 192
rsolution, 265, 287 test
revue(s), 427 B to C, 212
R0, 33 c2, 188, 198
risque d'inversion, 251
alpha, 190 dAnderson-Darling, 183
bta, 190 dindpendance, 216
de premire espce , 347 de comparaison, 185
de seconde espce , 347 de comparaison par paires, 256
de Dixon, 184, 196
de Grubb, 184, 197
S de Hartley, 214
Shainin, 168, 354 de Kolmoronov-Smirnov, 183
Shewhart, 338 de Shapiro-Wilk, 183
de Student, 236
sigma
du c2, 183
court terme, 152
F, 188, 199
long terme, 151
Hypergomtrique, 215
SIPOC (Suppliers, Input, Process, Out-
hypergomtrique, 189
put, Customers), 87
t, 189, 207
Six Sigma, 1 t appair, 210
Skewness, 175 t thorique, 189, 203
sous contrle, 337 tests statistiques, 45
spcifications, 324 z, 189, 205
stabilit, 109 z thorique, 188, 201
-:HSMHKI=VXUW^[: