TP-1 TEST DE NORMALITE

CAPABILITE

I. Objectif :

Classer des données selon un graphique qui comprend en abscisse des classes et en ordonnée des
fréquences.

II. Procédure :

II.1. Organisation :

 Définir le critère à étudier ;

 Effectuer un relevé des données ;
 Calculer le nombre de classes (Nc = racine de Nv où Nc est le nombre de classes et Nv le
nombre de valeurs. On limite généralement Nc à 20 classes) ;
 Calculer l'intervalle de classe (Ic = (VM-Vm) / Nc où VM est la valeur maximale dans le
prélèvement et Vm la valeur minimale dans le prélèvement) ;
 On commencer l'histogramme à la valeur Vm - Ic/2.

II.2. Déroulement :

 Construire un graphique en mettant les classes en abscisse et la fréquence en ordonnée. On

obtient un graphique de ce type :

Fréquences

Classes
II.3. Données de sortie :

Des statistiques peuvent être faites sur les données obtenues (recherche de moyenne, de médiane, ...)

- 1 -
III. Moment d’utilisation :

Cet outil s’utilise à chaque fois qu’il est nécessaire d’avoir une vue d’un phénomène qui se répartit par
classes.

IV. Durée / fréquence :

Cet outil est simple et demande peu de temps pour la construction. Il est utile pour l'analyse et la
présentation.

V. Recommandations d’animation :

Ne pas hésiter à mettre des couleurs.

VI. Exemple :

Nombre de personnes par tranches d’âge dans l’entreprise A et dans l’entreprise B.

VII. Notions de statistique :

La statistique, au sens actuel du terme, est l'interprétation des faits observés par référence à des modèles
probabilistes (loi Mathématique). Il faut donc dés maintenant insister sur "les faits observés" car
l'utilisation de modèles et de techniques élaborés, de calculs numériques "très savants", n'aura de valeur
que si ces techniques sont appliquées à des données convenablement recueillies et mises en ordre. A
cette condition les modèles permettront d'extraire des informations (qui n'étaient pas apparentes de
manière évidente) et ainsi de fixer des règles de décision.
VII.1. Collecte des données :
Il faut avant tout bien préciser le caractère (continu ou discret) observé, la nature de l'individu sur
lequel ce caractère sera observé et la population concernée.
Exemple :
Caractère : La longueur d'un vis de type parfaitement connu et référencé constitue un
caractère observé ;
Individu : Chaque vis constitue un individu ;
Population : L'ensemble des 100 vis auxquels on s'intéresse constitue une population ;
Nota : la population n'est définie que si le caractère et l'individu le sont.

- 2 -
VII.2. Définition des classes :
Le caractère (dim) est un caractère continu, il faut donc choisir une largeur de classe. Le choix de la
largeur des classes est fondamental car il conditionne l'allure de l'histogramme des fréquences.
VII.2.1. Nombre de classes théoriques : Choisir K (nombre de classes) en fonction de N (nombre
d'observations).

K théorique =

VII.2.2. Largeur théorique de classe : Rechercher dans les observations la plus grande valeur ( X
max. ) et la plus petite ( X min. ). La largeur théorique de classe est H telle que :
H
 X max  X min  =
Kthéo.
VII.2.3. Largeur réelle de classe I : Chercher le multiple de la précision (avec laquelle ont été
effectuées les mesures) le plus proche de cette valeur. On obtient la largeur de classe I =
VII.2.4. Nombre réel de classes : Choisir comme nombre de classes réel un nombre entier égal ou
X  X 
immédiatement supérieur au rapport : K  max min 
I
VII.2.5. Choisir la limite inférieure de la première classe égale ou inférieure à X min.
VII.2.6. Faire le bilan des fréquences dans chacune des classes
Tableau de traitement des données (caractère) :
Fréquence relative  nombre
fréquence absolue
VII.3. Tracé de l'histogramme : d'observations

L'axe des abscisses est gradué en indiquant les limites des classes.

VII.3.1. Caractéristiques :

Mode : ou valeur modale, c'est la valeur du caractère à laquelle correspond le plus grand nombre
d'observations.
Médiane : c'est la valeur du caractère autour de laquelle se partagent par moitié les observations.
Moyenne arithmétique : c'est la somme des N observations divisée par le nombre d'observations.
 Etendue : C'est l'écart entre la valeur la plus grande (X max.) et la valeur la plus petite (X min.).

Variance et écart type :

L'étendue étant très dépendante de la taille de l'échantillon il a été retenu l'idée suivante :
Ajouter les carrés des écarts par rapport à la moyenne et diviser la somme obtenue par N ou N-1.

x  X 
N 2
i

La variance est notée V. L'écart type est noté  et   V =>   i 1

N
On note  N l’écart type biaisé (ensemble de la population) et  N1 l’écart type non biaisé
(échantillon).

Le mode, la médiane, la moyenne sont des caractéristiques de position de la

distribution.
L’étendue et l’écart type sont des caractéristiques de dispersion de la
distribution.
- 3 -
 VII.3.2. Commentaires :
La moyenne arithmétique est le paramètre de position le plus sensible aux variations et par conséquent
le plus représentatif.
L'écart type s'avère être l'estimateur le plus efficace de la dispersion car il tient compte de la variation
de l'ensemble des valeurs par rapport à la moyenne. L'étendue par contre ne tient compte que des
valeurs extrêmes ce qui la rend moins sensible et donc moins efficace. Toutefois l'étendue (facile à
calculer) reste un estimateur correct ce qui explique son utilisation fréquente dans les cartes de contrôle.

VIII. Loi de LAPLACE-GAUSS ou loi normale :

VIII.1. Conditions à vérifier par une variable aléatoire (les mesures) pour qu'une distribution de
cette variable (des mesures) soit modélisée par une loi normale :
Les causes de variations sont communes ("aléatoires")
Les causes de variations sont multiples (4 ou 5 identifiées)
Les causes de variations sont indépendantes les unes des autres ( les causes de variations n'agissent pas
toutes dans le même sens et en même temps et elles peuvent alors se compenser mutuellement).
Les dispersions générées par ces causes sont d'amplitude du même ordre de grandeur.
VIII.2. Causes communes ("aléatoires") : Causes inhérentes au procédé toujours présentes,
difficilement maîtrisables et qui génèrent des dispersions généralement de faible étendue :
 Exemples : jeux dans les glissières et paliers, manque de rigidité des liaisons de la M.O., manque
de rigidité (élasticité) de la structure, précision de l'asservissement de mise en position.
VIII.3. Causes assignables ou spéciales : Causes ponctuelles, peu nombreuses, "facilement"
repérables (éléments perturbateurs) :
 Exemples : usure de l'outil, déréglage d'une butée de déclenchement, présence de copeau entre le
référentiel d'usinage et une surface d'appui de la pièce à usiner, erreur de poursuite d'un
asservissement, lot de matière première défectueux, changement d'équipe.
 Remarque : L’usure d’outil est une des rares causes assignables qui est toujours présente. L’usure
a été modélisée par Taylor, car il faut être capable de prévoir son influence.
VIII.4. Définition d'une loi normale :
C'est la loi de distribution ou loi de probabilité qui régit habituellement les variables aléatoires
continues x que l'on peut mesurer (dimension d'une pièce). Une distribution normale est définie
complètement par deux paramètres :
 Paramètre de position :
La moyenne : qui situe la distribution des N valeurs de la mesure ; X
 Paramètre de dispersion (ou incertitude) :
L'écart type de la distribution (des mesures)  qui caractérise la plus ou moins grande dispersion des
valeurs autour de la moyenne m.

=> Expression de la fonction densité de probabilité de la variable x (de fréquence d'apparition de la

variable x) qui caractérise la loi normale.

VIII.5. Fonction de répartition :

 xX  
2
1/ 2 
x 1  
F(x)  e  dx
 2
- 4 -
VIII.6. Propriétés de la loi normale :
La courbe est symétrique par rapport à la moyenne X (médiane= moyenne).
La probabilité qu'une mesure se trouve dans un intervalle (x1, x2) est égale à l'aire sous la courbe et
délimitée par les deux verticales passant par x1 et x2. D'où les propriétés remarquables :

f(x)

Valeur de l'Intervalle Probabilité que x soit

centré sur la moyenne dans l'intervalle
68,26%
2 68,26%
95,44%

4 95,44%
99,73%

X 6 x 99,73%
2
4 8 99,994%
6

 Remarque :
C'est le modèle de distribution qui correspond le mieux aux phénomènes observés dans le domaine du
génie mécanique. En effet chaque fois qu'un système subit l'influence de nombreuses causes
communes, indépendantes les unes des autres, cette loi constitue le modèle le plus adapté.

0,25 0,25

0,2 0,2

histogramme de la
Fréquence relative

0,15 0,15 distribution des

diamètres fabriqués

0,1 0,1

f(x) : Fréquence relative

0,05 0,05 selon le modèle : Loi
Normale

0 0
7,78 7,8 7,82 7,84 7,86 7,88 7,9 7,92 7,94 7,96 7,98
diam ètres de rivet fabriqués

- 5 -
 VIII.7. Loi normale réduite :

En faisant le changement de variable.

Cette variable est dite normée si elle possède deux propriétés : la moyenne est nulle et l'écart type est
égal à 1.

On dit alors que la variable aléatoire u est centrée (moyenne = 0) et réduite ( = 1).
Cette loi Normale est notée N (0, 1) et se met sous la forme :

IX. Vérification de la normalité d’une distribution continue : Droite d’Henry.

Il est courant, dans la pratique, de supposer qu’une variable continue suit une loi normale. Un moyen
graphique permet d’apprécier de façon suffisamment précise le caractère normal de la distribution
observée et d’obtenir à la fois les valeurs approchées des paramètres de la distribution c’est à dire la
moyenne et l’écart type.
Cette vérification est simplifiée par l’utilisation d’un papier Gausso-arithmétique. Sur ce papier on
trouve en abscisse l’échelle arithmétique pour la variable aléatoire concernée et en ordonné l’échelle
gaussienne pour les probabilités cumulées (fréquences relatives cumulées). La courbe des fréquences
cumulées est une droite (sur le papier Gausso-arithmétique) dite droite de Henry si la distribution
statistique de la variable concernée suit une loi Normale.
IX.1. Etapes à suivre pour l’ajustement graphique :

1 Echantillonner le processus observé pour obtenir une cinquantaine de valeurs ;

2 Dénombrer les résultats ;
3 Déterminer les fréquences relatives cumulées en % ;
4 Sur le papier Gausso-arithmétique, reporter en abscisse les bornes supérieures de chaque classe
sauf la dernière qui a un pourcentage cumulé de 100% mais qui est théoriquement située à
l’infini ;
5 Porter sur le papier graphique les points représentatifs. Si les points sont approximativement
alignés la variable étudiée suit une loi Normale.

Nota 1 : le jugement de l’alignement des points est subjectif. Cette méthode graphique ne peut donc pas
être qualifiée de test (puisque la notion de niveau de confiance ne peut être définie) néanmoins cette
façon de procéder est courante dans la pratique industrielle pour une précision satisfaisante dans la
majorité des applications.
Autre méthode graphique équivalente : Superposition des courbes théorique (modèle) et la courbe
expérimentale (réelle).
Nota 2 : D’autres méthodes d’évaluation de la normalité d’une loi existent. Citons deux tests parmi les
plus utilisés :
le test du Khi 2 (disponible sur le tableur Excel) et le test de Kolgomorov-Smirnov.

- 6 -
 Capabilité d’une machine
Vision pédagogique

Loi normale, courbe de Gauss

Si une série statistique se distribue suivant une loi dite normale, sa courbe des effectifs, appelée
courbe de Gauss met en évidence que :
 68 % environ des valeurs appartiennent à l'intervalle [ X -  ; X + ]
 95 % environ des valeurs appartiennent à l'intervalle [ X - 2  ; X + 2 ]
 98 % environ des valeurs appartiennent à l'intervalle [ X - 3  ; X + 3 ]

La capabilité d'une machine est l'aptitude de cette machine à réaliser des pièces bonnes.
Avec une distribution normale des valeurs, l’indicateur de capabilité Cm tient compte à la fois, de la
dispersion de la machine et du centrage de la valeur moyenne X , par rapport aux spécifications.
La capabilité d’une machine ou d’un système est donnée par la relation :
TS - X X - Ti
Cms = et Cmi =
3 3
avec : TS et Ti, respectivement limite supérieure et limite inférieure de la tolérance ; X : moyenne ; σ :
écart - type de la dispersion de la machine.
L’amplitude de la capabilité est reconnue bonne si chacun de ces deux terme est égal ou supérieur à 1.

Autrement dit
Ts – Ti
Cm = > 1 en considérant l’inégalité strict dans les deux relations précédentes
6σ
avec :
 TS - Ti, limite supérieure de tolérance - limite inférieure = intervalle de tolérance.
 σ écart - type de la dispersion de la machine.

- 7 -
Vision industrielle

Capabilité : aptitude d'un procédé de production ou d'un moyen à respecter des spécifications.

Les industriels se basent sur des normes bien données pour définir la capabilité de leurs procédés et de
leurs machines.

Exemple : la norme AFNOR X06-030

Un processus sera déclaré "apte" s'il a démontré, pour les caractéristiques sélectionnées, qu'il était
capable de produire pendant une période assez longue, avec un taux théorique de non-conformités
inférieur aux exigences internes à l'entreprise ou contractuelles.
Ce taux est fréquemment fixé à partir de la valeur de l’écart type  (  6 )

Indices de Capabilité

Ces indices sont considérés pour deux cas différents : cas d’une série statistique normale et d’une série
non normale.

Ces calculs sont basés sur les valeurs de la caractéristique de qualité X fixée par chaque entreprise.

Calculs des indices dans le cas d'une série normale :

Données :

 Ti limite de spécification inférieure,

 Ts limite de spécification supérieure
 Les valeurs de la caractéristique de qualité X en dehors des limites sont appelées "non-
conformes"
Ti + Ts
 le taux de non-conformes est minimum si la moyenne statistique m est telle que m =
2
(processus centré)

Pour information, d’une façon globale le taux de non-conformité est fixé environ à 0,27 %.

Indice Cp mesure d'aptitude potentielle

Ts – Ti
Cp =  2 spécifications
6
Ts – m
Cp =  une seule spécification Ts
3
m - Ti
Cp =  une seule spécification Ti
3
Remarque
La valeur minimum recommandée pour Cp est 1 (Montgomery 1985)

Indice Cpk

Cp n'exige pas la connaissance de la moyenne pour son évaluation.

L'indice Cpk est introduit afin de donner une certaine influence à la moyenne.

- 8 -
Cpk = min{CPL, CPU}
m - Ti
CPL =
3
Ts – m
CPU =
3

 Si Cp et Cpk supérieurs à 1  procédé capable et bien centré

 Si Cp >1 et Cpk <1  procédé capable et mal centré
 SI Cp < 1 procédé  non capable

La capabilité machine Cm et Cmk : Les calculs se font de la même façon que le CPL et le CPU .

Ces calculs se font à partir de 50 pièces fabriquées de manière consécutive sans changer de réglage.
Lorsqu'une pièce passe à travers différentes machines, les variances s'ajoutent. C'est pourquoi sont
plus exigent pour Cm que pour Cp. Pour les industriels le Cm doit être supérieure à 1,33 .

 Si Cm et Cmk supérieurs à 1,33 machine capable et bien centrée

 Si Cm > 1,33 et Cmk < 1,33 machine capable et mal centrée
 Si Cm <1,33 machine non capable

- 9 -
 TRAVAIL DEMANDÉ
A- On vous donne le tableau de mesure d’une valeur X longueur d’un vis.

1 - Définir l'étendue du relevé des valeurs.

2 - Calculer le nombre de classes.

3 - Définir les limites de chaque classe.

4 - Tracer l'histogramme. Puis le diagramme des effectifs cumulés.

5 - Sur le papier Gausso-arithmétique, reporter le diagramme des effectifs cumulés, puis

tracer la droite de Henry en passant au plus juste des points. Les points maxi et mini
sont à écarter.

6 - Donner les valeurs de la moyenne et de l'écart-type mesurés à l'aide de la droite de

Henry.

7 - Calculer la moyenne et l'écart type.

8 - Comparez ces valeurs aux valeurs calculées. La méthode graphique est elle fiable ?

09 - Conclure quant à la normalité de la prduction étudiée.

10 - Calculer la valeur de la capabilité de la machine Cm.

11 - Donner la position de l'indicateur de centrage Cpk.

- 10 -
 I. Mesure de la dimension :

Soit un caractère X quantitatif et continu. La longueur d’un vis (X=dim). La résolution avec laquelle
s’effectue la mesure de ce diamètre est de 0.01 mm.
Soit à mesurer un lot de 100 vis avec un comparateur et une cale étalon

Les valeurs mesurées sont inscrits dans le tableau suivant :

7.95 7.88 7.83 7.94 7.88 7.90 7.88 7.89 7.88 7.90

7.89 7.89 7.91 7.92 7.95 7.87 7.86 7.91 7.89 7.79

7.91 7.93 7.95 7.87 7.91 7.93 7.93 7.86 7.95 7.79

7.94 7.93 7.81 7.91 7.93 7.91 7.89 7.86 7.88 7.86

7.86 7.94 7.92 7.86 7.86 7.81 7.91 7.89 7.91 7.90

7.85 7.93 7.92 7.89 7.90 7.92 7.88 7.90 7.96 7.88

7.88 7.84 7.88 7.90 7.88 7.92 7.89 7.95 7.92 7.96

7.87 7.90 7.88 7.85 7.92 7.87 7.89 7.89 7.89 7.87

7.91 7.93 7.93 7.86 7.91 7.89 7.89 7.87 7.85 7.82

7.84 7.88 7.89 7.94 7.82 7.84 7.84 7.89 7.91 7.89

- 11 -