MAITRISE STATISTIQUE DES PROCESSUS ( M.S.P.

Chapitre 2 : FAITS OBSERVES ET MODELES (Loi Normale)

1 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.

2 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 : Le diamètre d'un rivet de type parfaitement connu et référencé constitue un caractère observé.
Individu : Chaque rivet constitue un individu.
Population : L'ensemble des 100 rivets auxquels on s'intéresse constitue une population.

Nota : la population n'est définie que si le caractère et l'individu le sont.

3 Histogramme

L’histogramme est un outil graphique qui permet d’organiser l’ensemble des valeurs du caractère des individus tirés
d’une population.
Soit un caractère X quantitatif et continu. Dans l'exemple ci-après ce caractère observé est le diamètre d'un rivet
(X=Dim). La résolution avec laquelle s’effectue la mesure de ce diamètre est de 0.01 mm.

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

Au vue des résultats consignés dans ce tableau de 100 valeurs trois remarques s'imposent :
- Les diamètres des rivets ne sont pas tous identiques (fluctuation du caractère).
- Certains rivets ont un diamètre identique.
- Il est impossible de quantifier les deux remarques précédentes.
Le tracé de l'histogramme des fréquences va nous permettre de connaître et de visualiser d'une part l'étendue des
observations et d'autre part la fréquence (absolue et/ou relative) des observations.
 MAITRISE STATISTIQUE DES PROCESSUS ( M.S.P. )
3-1 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.
3-1-1 - Nombre de classes théorique : Choisir K (nombre de classes) en fonction de N (nombre d'observations).
N  25 25 50 100 250  250
K 5 6 7 8 9 de 10 à 20
K théorique =
3-1-2 - 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.
3-1-3 - 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 =
3-1-4 - Nombre réel de classes : Choisir comme nombre de classes réel un nombre entier égal ou immédiatement
X  X 
supérieur au rapport : K  max min 
I
3-1-5 - Choisir la limite inférieure de la première classe égale ou inférieure à X min.
3-1-6 - Faire le bilan des fréquences dans chacune des classes
Tableau de traitement des données (caractère) : Fréquence relative  nombre
fréquence absolue
d'observations
(si possible)

(si possible)

Numéros des classes

Fréquences absolues

Fréquences absolues

Fréquences relatives

Fréquences relatives
Valeurs du

Effectifs
Caractère

Valeurs moyenne

chaque classe :
Effectifs dans
des classes

cumulées

cumulées
Bornes des Classes

7,79
7,80
7,81
7,82
1 [ ……… ; ….….[
7,83
7,84
2 [ ……… ; ….….[
7,85
7,86
3 [ ……… ; ….….[
7,87
4
7,88
7,89
5
7,90
7,91
6
7,92
7,93
7
7,94
7,95
8
7,96
7,97
9 100 1
 MAITRISE STATISTIQUE DES PROCESSUS ( M.S.P. )
3-2 Tracé de l'histogramme :
L'axe des abscisses est gradué en indiquant les limites des classes.

Fréquences absolues

25

20

15

10

7,80 7,82 7,84 7,86 7,88 7,90 7,92 7,94 7,96 N°de Classe
7,79 7,81 7,83 7,85 7,87 7,89 7,91 7,93 7,95 7,97 (Dim)

4 Diagramme des fréquences cumulées

Fréquences relatives cumulées

0,5

Centres
7,80 7,82 7,84 7,86 7,88 7,90 7,92 7,94 7,96 de classe
7,79 7,81 7,83 7,85 7,87 7,89 7,91 7,93 7,95 7,97 (Dim)
 MAITRISE STATISTIQUE DES PROCESSUS ( M.S.P. )
5 Caractéristiques

5-1 Mode : ou valeur modale, c'est la valeur du caractère à laquelle correspond le plus grand nombre d'observations.

Mode =

5-2 Médiane : c'est la valeur du caractère autour de laquelle se partagent par moitié les observations.

Médiane =

5-3 Moyenne arithmétique : c'est la somme des N observations divisée par le nombre d'observations.

Moyenne arithmétique = 7,891mm

5-4 Etendue : C'est l'écart entre la valeur la plus grande (X max.) et la valeur la plus petite (X min.).

Etendue =

5-5 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

= écart type = 0,037mm
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.

5-6 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.

6 Loi de LAPLACE - GAUSS ou loi Normale

6-1 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.
 MAITRISE STATISTIQUE DES PROCESSUS ( M.S.P. )
6-2 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.
6-3 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.
6-4 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 X qui situe la distribution des N valeurs de la variable X sur l'échelle de mesure :
iN
 xi
X = i =1
N
- 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.
i= N
 (x i - X) 2
i 1

N
=> Expression de la fonction densité de probabilité de la variable x (de fréquence d'apparition de la variable x) qui
2
1  x  X 
- 
e 2  
1 
caractérise la loi normale : f(x) 
 2
6-5 Fonction de répartition :
 x  X  
2
1 / 2 
F(x)  
x 1
e    dx
  2
6-6 Propriété 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 centré Probabilité que x soit dans

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

4 95,44%
99,73%

X x 6 99,73%
2
4 8 99,994%
6
 MAITRISE STATISTIQUE DES PROCESSUS ( M.S.P. )
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
Fréquence relative

histogramme de la
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
diamètres de rivet fabriqués

7 Loi Normale réduite

En faisant le changement de variable u 

x  X  .


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).

 u2
1
Cette loi Normale est notée N (0 , 1) et se met sous la forme : f ( u)  e 2
2
 MAITRISE STATISTIQUE DES PROCESSUS ( M.S.P. )
Tableau de la fonction intégrale de la loi Normale réduite
(Ou loi de Laplace Gauss réduite).

Table de la fonction intégrale

de la loi de Laplace-Gauss

Probabilité d’une valeur inférieure à U :

U 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7290 0,7324 0,7357 07389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0.7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 08531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 .0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9141 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,967/ 0,9678 0,9686 0,9693 09699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9779 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0.9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986

Table pour les grandes valeurs de U :

U 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,8 4,0 4,5

Π(u) 0,99865 0,99904 0,99931 0,99952 0,99966 0,99976 0,999841 0,999928 0,999968 0,999997
 MAITRISE STATISTIQUE DES PROCESSUS ( M.S.P. )

8 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.

8-1 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 théoriquement est 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.

8-2 Exemple :

En utilisant le papier Gausso-arithmétique de la page suivante, et sur l’exemple précédent de la réalisation des 100
rivets, vérifier la normalité de la distribution, déterminer graphiquement la moyenne et l’écart type, comparer ces
valeurs aux valeurs trouvées par le calcul.
 MAITRISE STATISTIQUE DES PROCESSUS ( M.S.P. )

Tracé de la droite d’Henry

Papier Gausso-arithmétique