STATISTICAL PROCESS CONTROL

(SPC)
MAITRISE STATISTIQUE DES
PROCEDES (msp)

Faurecia
Date: 25,26 et 27 Avril 2018
Formateur: Pr. Hassen Taleb
La méthode MSP a pour objectif la maîtrise des processus en partant de
l’analyse de ces 5 M. Elle apporte une plus grande rigueur et des outils
méthodologiques qui vont aider les opérateurs et la maîtrise dans leur
tâche d’amélioration de la qualité.

2
HISTOGRAMME

3
Compter les données discrètes

Construire un tableau correspondant où les

données sont divisées en classe selon le nombre
de données initiales et y inscire la plus grande et
la plus petite valeur de chaque groupe.

Calculer l’étendu R, représentant la variation de la valeur

maximale et de la valeur minimale, et déterminer la largeur
de la classe h qui désigne le rapport de R et du nombre de
classe K

Tracer les limites de classe et calculer les fréquences

Reporter les valeurs sur un graphique

et dans la zone blanche y inscrire les
données de base : la valeur
moyenne, l’écart type ect…
4
APPLICATION : MESURE DE L’EPAISSEUR DE 100 PIECES
METALLIQUES ENTRANT DANS LA COMPOSITION D’UN
INSTRUMENT OPTIQUE.
Etapes:
1) les données sont au nombre de 100.
2) les données sont divisées en 10 groupes ou classes, pour
chaque groupe y transcrire la valeur minimale Xp et maximale
Xg et enregistrer les valeurs extrêmes de l’ensemble: Xg =
3,68
Xp = 3,30

5
3) L’étendue (R) = Xg –Xp = 0,38
Le nombre de classes est K=10 et h=(Xg-Xp)/K
D’où la largeur de la classe h est égale à
0,38/10=0,038.

4) L’intervalle de classe h est utilisé en tant que

base de l’échelle des abscisses, il doit être un
multiple de l’unité de mesure ici il est de 0,01
donc h=0,04 mais pour faciliter le tracé h=0,05.
Pour la construction des rectangles du graphique,
les limites de classe sont tracées en partant d’une
extrêmité de l’étendue.

Attention, pour éviter qu’une valeur

limite corresponde à une donnée, les
limites de classe seront prises à la moitié
de l’unité de mesure c’est-à-dire 0,025.
6
5) Ensuite, on énumère les données
appartenant à chaque classe afin de créer
un tableau de fréquence symbolisé par des
bâtonnets.

7
6) Les valeurs de fréquences transcrites, on les
reporte sur un graphique en indiquant les limites
horizontalement et les fréquences verticalement.
Sur la zone blanche , on indique ,y compris les
données de base, la valeur moyenne x=3,476 et
l’écart type s=0,065, les spécifications techniques
à l’intérieur de l’entreprise; par exemple dans ce
cas les limites de spécification des pièces
métalliques sont de 3,28 et 3,60.
On aboutit alors à l’histogramme ou appelé aussi
graphique à colonnes.

8
 NOTES IMPORTANTES
1. Plus la dispersion (décrite par l’écart type) des données est faible et mieux est la
qualité d’un processus ou d’un produit.
2. Toutefois, on ne peut éviter la dispersion car « nous vivons dans un monde de
dispersion » Par exemple, chaque jour nous nous déplaçons pour aller au travail , si
on prend la même route et la même voiture la durée du trajet n’est jamais la même.
Pour y parvenir, on doit faire de très grands efforts. De la même manière lorsqu’on
analyse des données, on détecte une dispersion
3. Le choix du nombre de classes dépend du nombre de données initiales.

9
 DEFINITION DE
L’HISTOGRAMME
Représente une série de données
pour en visualiser le type de distribution, la
tendance centrale et leur dispersion.

L’outil prend habituellement la forme d'un

graphique à barres représentant les
fréquences d'une série de données
réparties en plusieurs classes ou cellules.

10
 1) QUELLE EST L’ALLURE OU LA
NATURE DE LA DISTRIBUTION?
 Selon le même exemple, analysons l’histogramme
correspondant en traitant ces questions
1. Quelle est l’épaisseur la plus fréquente des pièces
métalliques ?
2. Quelle est l’importance de la dispersion?
3. La distribution était elle symétrique ou asymétrique?
4. Y a-t-il un seul maximum?
5. Y a-t-il une pente abrupte?
6. Est- elle en « roue dentée »?
7. Y a-t-il des zones ou classes isolées?

QUELLES SONT LES CARACTERISTIQUES DU

PRODUIT?
11
INTERPRETATION DE L’HISTOGRAMME DE
NOTRE EXEMPLE

 On constate
que la plupart
des pièces
sont situées
dans une zone
de 3,425 à
3,526
 Il y a une
distribution
symétrique et
une dispersion
concentrée
entre 3,3 et
3,7 mm
 Il n’existe pas
de valeur
anormale
isolée.

12
 EXEMPLES D’HISTOGRAMMES
PARTICULIERS

Viscosité de certains
Problème de réduction des Mesure des pièces produits
Nombre de
déchets métalliques livrées par une défaillances
entreprise Histogramme
Histogramme présentant une par jour
Histogramme
avant et après présentant une anormalité en Histogramme
l’amélioration anormalité , une forme de peigne de valeurs
discontinuité Instrument de mesure continues
Quantité de métal retiré pour mesures paires
réduite selon la diminution dans sa partie (rendement,
mais obtention de
de x et réduction de la gauche
dispersion s.
mesures impaires en taux de
Inspection des pièces faible nombre, définition
avant livraison et pièces des intervalles de classe pureté) avec
situées au dessous et multiples de nombre une allure
d’une certaine valeur entiers d’unités de
ont été extraites mesure choisis asymétrique
librement.

13
2) QUEL RAPPORT Y A-T-IL
AVEC LES SPÉCIFICATIONS?
Quel est le pourcentage de produits hors
spécification?
Les produits correspondent-ils
complètement aux spécifications?
La valeur moyenne est elle exactement au
centre des limites de la spécification?

14
INTERPRETATION DE NOTRE EXEMPLE
Nous constatons que la valeur
moyenne x=3,476 est
approximativement au centre des
limites de spécification 3,28 et 3,60.
Mais on note que la dispersion
s=0,065 déborde ces limites.

Cette dispersion doit donc être réduite

Ou alors les spécifications doivent être
examinées.
15
 PREPONDERANCE DE L’HISTOGRAMME DANS L’AMELORATION DES
POSSIBILITES DE PROCESSUS ET REDUCTION DU NOMBRE DE REBUS
EXEMPLE DES CARACTERISTIQUES DE CHARGE D’UN MICRO-SWITCH

constatation: Interprétation de
Analyse de ces
utilisation de problèmes
Présence de plus de la moitié l’histogramme l’histogramme : La
nombreux des défauts valeur moyenne est grâce aux
pour l’étude plus rapprochée de graphiques de
micro- étaient dus à des données Réduction du
la limite supérieure contrôle et nombre de
switches des relatives aux de la spécification
défectueux caractéristique différentes rebus
caractéristiqued et la dispersion est
méthodes
de charge e charge large
statistiques

16
 3) Y A-T-IL UNE RAISON DE
MODIFIER L’HISTOGRAMME
Lorque les données sont stratifiées en liaison avec
* les matières
* les machines
* les équipes de travail : ouvriers
* les mois
La distribution de l’histogramme est différente dans
chaque cas.

Dans les situations extrêmes , la distribution est

bimodale c’est-à-dire l’allure a deux pointes (bosses).
Dans ce cas ou lorsque la dispersion est large , on
obtient un mélange de deux ou plusieurs distributions
avec des valeurs moyennes différentes

17
 SOLUTIONS
 - préparation de deux histogrammes selon
l’exemple considéré et comparaison des
distributions avec indication par des symboles

- vérification des facteurs de stratification

s’il n’ y a pas de différence entre ces facteurs
dessiner un seul graphique.

18
 EXEMPLE

• Une entreprise de sous-traitance produit des

panneaux métalliques pour un fabricant de
produits électriques avec des tôles fournies
par une société sœur
• Présence de défauts sur les panneaux
• Par conséquent, des essais de dureté ont été
menés sur les tôles et on obtient
l’histogramme suivant
• Constatation d’une grande dispersion :
compagnie sœur commandait ses tôles à
deux fournisseurs A et B

19
 IV) CAS D’EMPLOI DES
HISTOGRAMMES

ACTIVITES DE GROUPE DE
QUALITE
• -lorsqu’on s’attache à éliminer des
SURVEILLANCE DE ETUDE DES défaillances et à améliorer le
LA PRECISION DES CARACTERISTIQUES rendement et la qualité des produits.
MACHINES DU PROCESSUS • -lorsqu’on approfondit la relation
entre le produit fini et ses
• Dans les rapports mensuels, spécifications
les problèmes vont apparaître
• -lorsque par des analyses e t
facilement et les résultats
l’application de techniques de
plus compréhensibles.
stratification des matériaux , des
équipements , on analyse les causes
de modification du processus.
• -lorsqu’on cherche l’amélioration des
connaissances des salariés

20
UTILISATION DE L’HISTOGRAMME
DANS LE RAPPORT MENSUEL

21
DIAGRAMME DE
PARETO

22
 EXEMPLE : COMPTE RENDU DE
DEFAUTS.
Le tableau donne les informations sur les
défauts d’un certain processus.
Les produits défectueux sont classés sous les
cinq titres suivants, des catégories de défauts
ou types de défauts:
-Matage
-Garnissage
-Raccordement
-Serrage
-Ecartement.

23
 INTERPRETATION DU DIAGRAMME DE PARETO.

 L’axe des ordonnées de gauche

montre le nombre d’articles
défectueux pour chaque type et
l’axe des ordonnées à droite le
pourcentage de chaque type de
défectueux par rapport au total de
ceux-ci.
 L’axe des abscisses liste les types
de défectueux en commençant par
le plus fréquent (de gauche à
droite) et le cumul du nombre de
défectueux est illustré par la
courbe.
 L’analyse du graphique montre que
nous devons d’abord nous
attaquer au matage (taux le plus
important) ensuite au
raccordement.

24
 Diagramme de pareto avant et
apres amelioration.
Le facteur prépondérant(nombre Facteur prépondérant
de défauts maximale): la rotation
inadéquate : le bruit

25
LES GRAPHIQUES DE
CONTROLE

26
 I) QU’EST-CE QU’UN GRAPHIQUE
DE CONTRÔLE ?
 Les graphiques de contrôle permettent
d’aboutir à une analyse de l’évolution des
données

« nous avons à comprendre non

seulement quelles sont les données qui
changent mais aussi à étudier l’impact des
différents facteurs du processus qui
changent dans ce laps de temps. »
 Sur le graphique sont tracées les limites
de spécification afin de signaler les
situations anormales apparaissant dans le
processus de fabrication: processus sous
ou hors contrôle.
 Ces limites sont appelées lignes de
contrôle et sont au nombre de 3 : -la ligne
de contrôle supérieur LCS
-la ligne centrale.
-la ligne de contrôle
inférieure LCI
 Les points représentés peuvent être en
fonction du temps ou du lot.

27
 GRAPHIQUE DE CONTRÔLE p ET np

• Graphique de type p

Montre la proportion des pièces défectueux

Utilisé lorsque la taille de l’échantillon n’est
constante

• Graphique de type pn
Montre le nombre de défectueux
La taille de l’échantillon n est constante
28
Graphique de contrôle u et c

• Graphique de type u
Utilisé lorsque le nombre de défectuosités dans
des tissus ou des piqures relevées sur des fils
émaillés ou lorsque le matériel inspecté n’est
pas défini en surface ou en longueur

• Graphique de contrôle de type c

Utilisé pour le nombre de défauts qui
apparaissent dans des échantillons de taille
courante (nombre de soudures défectueuses
dans un circuit imprimé)
29
 Application
lignes de
contrôle LCS LCI
1 0.18 0.15 0.3 0
2 0.16 0.15 0.3 0
 Etape 1 3 0.24 0.15 0.3 0
Définir le taux de défectueux 4 0.12 0.15 0.3 0
5 0.16 0.15 0.3 0
 Etape 2 6 0.16 0.15 0.3 0
7 0.2 0.15 0.3 0
Obtenir le taux de défauts moyen
8 0.26 0.15 0.3 0
=187/1250=0.1496=0.150 9 0.18 0.15 0.3 0
10 0.1 0.15 0.3 0
 Etape 3 11 0.26 0.15 0.3 0
Déterminer les limites 12 0.06 0.15 0.3 0
Lignes central: 13 0.1 0.15 0.3 0
14 0.18 0.15 0.3 0
LC= =0.150
15 0.14 0.15 0.3 0
Ligne de contrôle supérieure 16 0.06 0.15 0.3 0
LCS= +3 ( (1- )/n) 17 0.16 0.15 0.3 0
=0.150+0.42*0.357 18 0.06 0.15 0.3 0
=0.300 19 0.1 0.15 0.3 0
20 0.08 0.15 0.3 0
LCI= -3 ( (1- )/n) 21 0.2 0.15 0.3 0
22 0.2 0.15 0.3 0
=0.150-0.150 23 0.18 0.15 0.3 0
=0 24 0.08 0.15 0.3 0
25 0.12 0.15 30 0.3 0
 On obtient la carte de contrôle suivante:
Le taux de défauts est constamment égal à
15%
On voit une dispersion.
31
FEUILLES DE RELEVÉ :

32
 ouvriers

Collecte de données chronologie

machines

Données
fiables et
qui
reflètent analyse correcte bonne décision
la réalité
+
objectif clair
•Le contrôle dépend des données(elles doivent
être exactes).

33
 Fonctions des feuilles de relevé:

1. Vérification de la distribution dans le

processus de production
2. Vérification des pièces défectueuses
3. Localisation des défauts
4. Cause des défauts
5. Contrôle final
6. Autres.

34
Feuilles de relevé pour
l’analyse de la distribution
du processus de
fabrication:

On analyse la distribution

d’un processus de production à
l’aide d’un histogramme en
étudiant la moyenne et la
dispersion.

Les données individuelles ne

sont pas d’une importance
vitale.

Il est suffisant de connaitre

la forme de la distribution et
la relation qui existe avec les
limites de spécification.
35
Feuilles de relevées de localisation des défauts

Contient le croquis ou le dessin du produit à réaliser pour faciliter l’analyse de la

localisation des défauts.
Exemple:
feuilles de contrôle destinées à l’examen des bulles dans le verre laminé pour
automobile
L’analyse localisation des bulles situées à droite.

Après analyse, on conclut que la pression au laminage était déséquilibré

solution
appliquer une pression plus faible à droite. 36
Feuilles de relevés de la cause de défauts

•D’un coup d’œil, on peut voir que l’ouvrier b a le plus fort taux de
défauts.
•Tous les Mercredi, tous les ouvriers génèrent un grand nombre de
défauts.

Mercredi
A
B
C
D

37
Feuilles de contrôle final
pour confirmation de la
conformité

l’objectif est différent de celui des

autres feuilles

L’exemple évoqué ici concerne

l’industrie automobile.

 il y a environ 100 points de

vérification. On peut s’assurer à l’aide
d’un contrôle exhaustif que tous les
essais sont faits sans détection de
panne.
Afin de mesurer tous les essais de
façon adéquate (sans défauts),toutes
les vérification à réaliser sont décrites
pointées au fur et à mesure de leur
exécution.
38
 Diagramme
d’Ishikawa

Diagramme
de cause-
et-effet

Diagramme
en arêtes
de poisson

39
 HISTORIQUE
Le professeur Ishikawa a développé en 1943
Le premier diagramme au Japon.

Il y a mentionné que les différents facteurs

d’un processus de fabrication pouvaient être
reliés.

il l’a expliqué à quelque ingénieurs

de l’usine Kawasaki Steel works.

40
 Principe du
Diagramme d'Ishikawa

fournir des
éléments
faire pour trouver
participer des solutions
limiter chaque
l'oubli des membre à
causes par l'analyse
classer les le travail de
causes liées groupe
au problème
posé
41
 I) Quelles causes engendrent cet effet ?
Le diagramme causes-et-effet
 est une représentation graphique simple
 tente d'identifier l'ensemble des causes, des facteurs potentiels
pouvant affecter la qualité.

Les facteurs de dispersion: la qualité des produits

sont les familles de causes des cinq 5M.
Matière brute (les intrants) :
 différent en composition selon les sources d’approvisionnement.

Matériel (les équipements) :

Peuvent sembler toujours fonctionnant de la même
façon :
- La dispersion peut être due au jeu des axes.

42
 Méthode de travail (procédure, processus)
Différent légèrement bien qu’elles apparaissent
identiques
Milieu (environnement physique) ou le contexte,
qu'il soit culturel, social ou matériel (disposition des
locaux par exemple) ;
Main d’œuvre
On peux même ajouter :les moyens financiers
:le management.

Cause effet

43
Une légère dispersion dans:
la matière
l’équipement de travail La non qualité du
produit final
la méthode de travail
La qualité à contrôler :
Données de longueur,
De dureté,
De taux de défectuosités…
caractéristique de la qualité
Les causes qui provoquent la dispersion
la composition chimique,
les diamètres
les salariés…
facteurs.
44
II) Construction d'un diagramme causes-et-effet
construire une arborescence
phénomène à étudier = tronc

remonter toutes les causes

possibles =branches

les causes secondaires = petites

branches

détails (feuilles)

N.b : les facteurs doivent être décrits d’une façon détaillés

pour rendre le diagramme utile et pratique 45
 III) Création du diagramme cause et effet
(étapes principales)
L’exemple décrit l’élimination des défauts de rotation
par la mise en place des cercles de qualité
Etape 1 :
Définir la caractéristique de la qualité = la majeur
partie de nos produits défectueux était due à cette
vibration pendant la rotation « Vibrations »
Etape 2 :
Décrire la caractéristique de la qualité du coté
droit
Tracer une flèche de la gauche vers la droite
Vibration
46
Fig .1
Etape 3:
-Décrire les facteurs principaux qui peuvent causer la
vibration
- Tracer une flèche en direction de la flèche principale
- Regrouper les facteurs majeurs de cause de dispersion
Ouvriers Matière
Vibration

Inspection Outillage
Etape 4 : Fig .2
- Décrire les facteurs détaillés =des causes sur des
branchettes = arêtes.
-Décrire les facteurs plus détaillés en créant des plus
petites branchettes.
N.B :But obtenir la cause du problème 47
 Dimension

Ouvriers Matières 2.6

Position de l’axe G
Vibration

Inspection Outillage
Q1 : Pourquoi les défauts apparaissent-ils au cours du
processus de production ?
R 1: Parce que la machine vibre ce qui provoque la
dispersion la vibration est la caractéristique
« qualité »
Q 2: Pourquoi une vibration de la machine apparait-elle ?
R 2: Car il ya une dispersion de la qualité de la matières.

48
Q3 : Pourquoi une dispersion des matières apparait-elle ?
R 3: à cause de la dispersion dans l’ajustage axe G

Q4 : Pourquoi une dispersion de l’ajustage de l’axe

apparait-elle?
R 4: a cause de la dispersion de la dimension de l’axe
G.
Q5 : Pourquoi une dispersion de la dimension de l’axe G
apparait-elle?
R5: Car il ya une dispersion au point 2.6 mm.

49
 Diagramme de cause et effet pour la vibration

Matières 2.6
Ouvriers Taille
6.4
Personnalité
Petit 6
Sur-qualité Grand
Axe central Palier de l’axe G
Qualité
Contenu
Sous-qualité Filets
Formation
Intégral
Ecrous
Connaissance
Boitiers
Serré
Diametres de l’axe Libre (jeu)
Intervalle
Vibration

Mesure Formation Diamètre du couvercle

Erruers
Décentrage
Outil de mesure
Inspecteur
Jugement Boitier de l’axe G
Expérience
Méthode de jugement
Intégral Nickelage

Boitier F

Inspection

Outils
50
 V) -Comment utiliser un diagramme cause-et-effet :
Il y a différentes manières de l’utiliser :

1 *Préparer diagramme cause-et-effet est formatif par

lui-même :
2 * diagramme cause-et-effet est un guide pour la
discussion :
3 * les causes sont recherchées rapidement et les
résultats sont écrits sur diagramme :
4 *les données sont recueillies à l’aide du diagramme
cause et effet
5 *Un diagramme cause-et-effet montre le niveau
technique atteint
6 * Un diagramme cause-et-effet peut être utilisé pour
tout problème posé
51
 mauvais diagramme cause-et-effet
- La décomposition de la cause en de nombreux
éléments complexes : on obtient ainsi un diagramme
très compliqués
- Un diagramme est très superficielle si il ne liste que
5 ou 6 causes

52
 Qu’est ce qu’un diagramme de
corrélation?
D’une relation entre cause -et-effet
D’une relation entre une cause et une autre

D’une relation entre une cause et deux autres

Exemple
La relation entre l’humidité contenue dans des fils et leurs
élongation
La relation entre la présence d’un élément et la dureté d’un
matériau
La relation entre la vitesse de coupe et les vibrations de
longueur de pièces
La relation entre le niveau d’éclairage et les erreurs
53
de
contrôle
Ce tableau fournit des données sur l’humidité et
l’élongation de fils

Tableau .1: feuille de données

54
 La représentation graphique du taux de l’humidité en abscisse et l’élongation
en ordonnées

Fig .2: diagramme de corrélation

Interprétation:
Plus le taux d’humidité est élevé, plus grande est l’élongation
On appel données en correspondance: l’unité formé
par les données couplées.
Exemple pour l’échantillon n°1 : 50 fils à analysé ont
comme données couplées un taux d’humidité de 1.5%
et 8.5% d’élongation 55
 Comment préparer un
diagramme de corrélation

Etape 1:
1- Recueillir 50 à 100 couples de mesures d’échantillons .
2- Transcrire sur une feuille de données
Etape 2:
1- Tracer les axes du graphique
2- Indiquer les valeurs les plus fortes à
l’extrémité des axes
Étape 3:
1- Pointer les données sur un graphique
N.B: les longueurs des axes doit être équivalentes pour faciliter la
lecture du diagramme
Si la relation qui existe entre les deux types de données est du type
cause-et-effet : on place les données relatives aux causes sur l’axe
Horizontal et les effets sur l’axe vertical. 56
 Fig .3 diagramme de Corrélation

Si il existe des données identiques et se touchent au

même endroit, on dessine des cercles concentriques.
 Si les données sont nombreuses ou elles sont
équivalentes:
on utilise la technique de construction des
histogrammes.
57
 2-Diagramme types de corrélation

1- tout accroissement de y dépend des accroissement des x:

si cette droite est ascendante, on dira qu'il y a corrélation
positive entre les deux variables.

Fig .5 Relation entre le poids et la taille dans un échantillon de 30

individus.

58
 Exemples: Relation entre la taille et le poids des individus.

les individus les plus grands sont-ils les plus lourds ?

taille poids

Nous désirons savoir si le comportement d'une variable taille

est influencé par la valeur d'une autre variable poids.

Pour chaque individu de l'échantillon, on porte sur un

graphique:
- sa taille en abscisse
-son poids en ordonnée

59
2- tout décroissance de y et accroissement des x: droite
« descendente", on dira qu'il y a corrélation
négative entre les deux variables.

60
 3-Il n’a y a pas de corrélation
Exemple 1: Nuage de points donnant la note à l'examen
en fonction de la moyenne de l'année.

Interprétation : L'observation du nuage de points laisse supposer

qu'il n'existe pas de corrélation nette entre les notes de l'année
et les notes à l'examen. 61
 4- Vérification de la corrélation des diagrammes
Méthode:
Basée sur la probabilité binomiale.
Le calcul du coefficient de corrélation : méthode des
médianes.
Méthode des médianes
Trouver la médiane de X : X et celle de y : y.
Tracer chaque médiane sur le diagramme de corrélation.

Fig .5 traçage de ligne des médianes

62
 I IV

II III

On note I,II,III,IV pour les quatres zones définies par les
lignes médianes ( dans un sens anti-horlogique )
Compter le nombre de point pour chaque zone: les inscrire
dans un tableau
Faire la somme des points des zones II,IV
Calculer N ( nombre des points total- nombre des points
sur les lignes de médiane)
Comparer le nombre total de points des zones II ,IV avec la
colonne de la limite du nombre de points
63
Interprétation
Plus le nombre de points de zones II & IV est faible plus la
corrélation existe

Tableau .5 tableau de signe

64
Précaution à prendre lors de l’utilisation des
diagrammes de corrélation

1- la stratifictaion
2- Détermination de la plage ou la corrélation existe
3-Pointes et creux des diagrammes de corrélation

65
 STRATIFICATION
C’est un facteur très important
Exemple: étudier la relation entre la présence d’un
élément dans un matériau (X) et la résistance du
matériau (y)

Fig .6 Stratification d’un diagramme de corrélation

Interprétation:
Sur le diagramme de gauche Les données ont été
simplement pointées.
Sur le graphique de droite Les données ont été
stratifiées( selon les fournisseurs). 66
 Détermination de la plage où la corrélation existe

Fig .7 limites de corrélation

Interprétation:
Ce graphique montre comment la caractéristique d’un produit
y est affectée par une altération de la condition de production X
Une corrélation apparait durant la phase expérimentale mais
on ne peux pas l’observer dans les conditions courantes de
production .

67
 Pointes et creux des diagrammes de corrélation

Interprétation:
Dans ce cas, le diagramme de dispersion sera divisée
en deux parties délimitées par la ligne AA’ La partie
gauche sera exploité en tant que corrélation positive
et la partie droite en tant que corrélation
68 négative
 Exemple de diagrammes de corrélation
Analyse du taux d’humidité contenu dans la matière première
taux d’humidité contenu de la matière
première= X
taux d’humidité
du produit
Activité intermédiaire=Y
Activité B
A

Travail demandé:
1)Étudier les résultats de l’analyse de l’état actuel et
la manière de contrôler le processus.
Sachant qu’on a deux types d’instrumentations A & B
pour mesurer Y

69
 Tableau de mesure

Les valeurs indiqués par l’instrument A est noté

par un
Les valeurs indiqués par l’instrument B est noté
par un

70
 Étape 1: tracer un diagramme de dispersion
On a 50 échantillons
X: en abscisse
Y : en ordonnée
Les valeurs indiqués par l’instrument A est noté par
un
Les valeurs indiqués par l’instrument B est noté par
un

Diagramme de dispersion 71
 Étape 2: étudier le diagramme de dispersion et la
stratification
En examinant le diagramme précédent : il ne semble pas y
avoir de corrélation
Si les données sont stratifiées séparément pour les deux
instruments de mesures A & B il est possible d’avoir cette
corrélation.
Étape 3: dresser un diagramme de dispersion avec les
données corrigées:
Corriger les valeurs données par l’instrument B en
soustrayant 0.4%

Diagramme corrigé
72
 Étape 4: faire un test de corrélation
La figure ci dessus semble avoir une certaine
corrélation entre les points.
Tracer les lignes médianes X et Y
Compter le nombre de points situés dans chaque
zone
I IV

II III

Analyse de corrélation par les lignes

médianes
Nombre de la zone I, III = 34
Nombre de la zone II, IV = 13
Nombre des points sur les lignes médianes =3 73
Interprétation: on a une corrélation positive entre ces
points
Étape 5: trouver la relation entre x et y :
Hypothèse: il y a une corrélation entre x et y (fig )
Coefficient de corrélation.
Tracer la droite de régression.
1ere méthode: calcul de coefficient de corrélation
Les points peuvent être dispersés ou concentrés

Fig 1 Corrélation positive faible Fig 2 Corrélation positive forte

74
Le coefficient de corrélation est compris entre -1 et
+1
Plus il s'éloigne de zéro, meilleure est la corrélation.
.

corrélation positive
r = +1
parfaite
corrélation négative
r = -1
parfaite
absence totale de
r=0
corrélation 75
 2ere méthode: Tracer la droite de régression
Une deuxième forme de relation entre x et y quand la variation
de y par rapport à celle de x est plus moins importante
représentée par une droite de régression

Variation rapide de y Variation lente de y

X
Y

76
On calcul les nouvelles médianes pour les
points de la zone IV,II Xr Yr et Xg Yg
Pointer leurs intersections R & G
Xr
Xg
Yr
Yg R
G

On trace une droite entre G et R :droite de

régression
77
78
 ÉVOLUTION D’UN PROCESSUS DANS LE
TEMPS
changements : tendance
centrale (moyenne)
changements : dispersion (écart
type)
causes de variabilité :
assignables et non assignables
Un processus qui fonctionne
en présence de causes
assignables est censée être hors
de contrôle.
remarque : la distribution gaussienne illustrée dans ce graphique
n’est pas une exigence; toute autre forme de distribution (population)
pourrait être employée. 79
 EXEMPLES de COMPORTEMENT de PROCESSUS

TYPE stationnaire et stationnaire et non stationnaire

non corrélé corrélé
MOYENNE constante constante variable

AUTO négligeable (≈ 0) non négligeable oui / non

CORRÉLATION 80
EXEMPLES de COMPORTEMENT de PROCESSUS

Les données stationnaires et dé-corrélé varient autour d'une

moyenne fixée dans une étable ou prévisible .
Les observations stationnaires et auto-corrélées
successifs sont dépendantes avec tendance à passer de
longues pistes de chaque côté de la moyenne
Nonstationaire processus de dérive, sans sens d'une
moyenne stable ou fixe

81
 Etudes de capabilité ou des performances
il est souvent pratique d'avoir un système simple, manière d'exprimer
quantitative la capabilité du processus.
la seule moyen parvenir est par le calcule de la Capabilité du processus.

Elle permet de mesurer l'aptitude d’un processus à réaliser une

caractéristique dans l’intervalle de tolérance fixé par le cahier des
charges.

Nous dissocierons deux types d'indicateurs de capabilité :

• Les indicateurs long terme qui traduisent la réalité des produits livrés.
On parlera alors de performance du processus.
• Les indicateurs court terme qui traduisent la dispersion sur un temps
très court. On parlera alors de capabilité du processus.

82
Performance du processus – long terme (Pp):

Performance intrinsèque du processus Pp

Pour préciser toutes ces notions un peu floues, la MSP fournit un
indicateur précis dans ce domaine, c’est l’indicateur Pp (Performance
du processus).
Cet indicateur est calculé de la façon suivante :

83
 Capabilité du processus

la variabilité naturel ou inhérente à une caractéristique critique à la

qualité dans un moment précis; C’est une variabilité "instantanée » .
 la variabilité de la qualité critique(critical-quality) pendant tout le
temps.

 le processus de capacité se réfère l'uniformité, la variabilité critique

caractéristique à la qualité dans le processus est une mesure de
l'uniformité de la sortie.

84
 La capabilité du processus

USL et LSL sont les limites spécifique supérieur et inférieur

• en général l’écart-type σ remplacé par une estimation

85
 Exemple:

On va illustrer un exemple du semi-conducteur en cuivre dont les

limites de spécification de son longueur sont:
USL=1.00 ; LSL=2.00

=0.1398

86
La capabilité du processus de deux
limites

Cpu: capabilité spécifique supérieur

Cpl: capabilité spécifique inférieur

87
Exemple de comparaison entre le Cp de deux limites spécifique
et le Cp d’une limite spécifique

Distribution normale
Le processus en contrôle
statistique

88
89
 La Capabilité spécifique actuelle

Avec:

90
Comparaison entre Cpk et CP

91
Interprétation pratique - les relations de la PCR à la proportion
de l'intervalle de tolérance utilisée par le processus:

Pour le processus de semi-conducteur :

92
CLASSIFICATION des PROCESSUS SELON C pk
Indice C pk Processus
< 1 ………... non capable
= 1 ………… capable
1,00 à 1,33 …….… bon
1,33 à 1,50 ………. très bon recommandé : 1,33 et plus
>= 1,50 ……… excellent
C pk ET LE NOMBRE DE PRODUITS NON CONFORMES (NC)
DANS UN LOT DE 1 000 000 (une limite de spécification)

Cp = (LTS - LTI ) / 6 σ
Cpl = (μ - LTI ) / 3 σ
Cpu = (LTS - μ ) / 3 σ
Cpk = MIN (Cpl , Cpu) 93
EXEMPLE 1 : X dimension sur une
pièce Nominale visée = N = 72
Intervalle de tolérance 72 ± 20 LTI =
52 LTS = 92
Données: 20 groupes de 5 pièces

Le processus est-il stable ? réponse

: OUI

Le processus est-il capable ? Réponse

NON
Cpl = (79,73 - 52) /3 * 10,47 = 0,88
Cpu = (92 – 79,73) /3 * 10,47 = 0,39
Cpk = MIN (Cpl, Cpu) = 0,39
Le processus n’est pas capable de
satisfaire les exigences.
Le nombre de produits Non Conformes
sur un lot de 1 000 000
= [1 - Pr(72 ≤ X ≤ 92)]*1 000 000 =
0,1206 * 1000 000 = 120 600

94
Les cartes de contrôle

95
Les cartes de contrôle
Définition
La carte de contrôle est l’un des outils de base utilisé pour la maîtrise
statistique des procédés. C’est une représentation graphique constituée
d’une suite d’image de la production. Elle permet de visualiser la
variabilité du procédé en distinguant les causes aléatoires des causes
assignables

Une carte de contrôle est un graphique représentant des images

successives de la production, prises à une certaine « fréquence de
prélèvement », à partir d’échantillons prélevés sur la production. On
reporte sur le ou les graphiques de la carte les différents calculs
effectués sur les échantillons (moyenne, écart-type, étendue, nombre,
pourcentage, ...). 96
On positionne les éléments suivants :

Les valeurs relevées ou calculées,

 La moyenne

Limite de contrôle inférieure et supérieure résultant d’un

calcul effectué à partir des valeurs relevées.

97
Les causes communes et les causes
assignables

98
Quel type de carte ?

Quelles limites de contrôle ?

99
 IMPLEMENTATION d'une CARTE

1. Choisir les processus importants (critiques)

2. Choix d'une variable de réponse Y : mesure, comptage, classement;
….les mesures sont préférables aux attributs
3. Plan de collecte des données -- échantillonnage de la production
n pièces à intervalle régulier; n entre 1 et 10 est suffisant;
fréquence: par exemple, à chaque heure augmenter au début et
réduire par la suite

100