Vous êtes sur la page 1sur 94

Assurance Qualité

Maîtrise Statistique de Procédé


(M.S.P.)
Historique et Histogramme

2
Probabilités lues dans une distribution normale centrée
réduite

N (0,12)

=1

-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6

68.27%
95.45%
99.73%
Tolérance Naturelle
99.9937%
99.999943%

99.9999998%

3
Exemple de distribution: courbes staturo-pondérales

Répartition « normale »
des tailles des individus

4
La démarche MSP:

5
IDENTIFICATION DES
PARAMÈTRES CRITIQUES

6
Relation Cause / Effet

Cause: Mode de fonctionnement: Effet:


Appuyer sur la pédale de frein Les mâchoires de freins frottent sur les roues.
(pression, temps) La vitesse diminue et le véhicule s’arrête

pression F
R
E vitesse
I
temps N
A
Facteurs influents X1, X2 G Résultat
( x factors) E (Y
metric)

Y = f (X1,X2)  Vitesse = f (pression, temps)


7
Le monde réel. Diag. CE

FREINAGE
pression

vitesse

temps
Facteurs non-identifiés
masse
état des pneus
état de la route
état du chauffeur
assistance hydraulique Le monde réel n’est pas
échauffement des mâchoires. aussi simple que prévu…
usure des mâchoires
vitesse & direction du vent Le diagramme CE a pour objectif de lister et
etc. d’ordonner le plus grand nombre possible
de facteurs d’influence.
CE Diagram

Liste de Liste de Liste de causes


causes causes (C)
(A) (B)

EFFET
Liste de Liste de Liste de causes
causes causes (F)
(D) (E)
CE diagram ou IPO diagram ?
CE Diagram
CE Diagram
CE Diagram
Step(6)
Step(6)
DM
DMAIC

Trop compliqué! CE Diagram


CE Diagram Step(6)
Step(6)
DMAIC

AIC
Trop long
Parts
Parts Human
Human Equipment
Equipment HHuum
PPaarrttss
P Paarrt ts s HHuummaann EEqquuiippmmeenntt
EEqquuiipp
&
& Material
Material Flow Resources
Resources &Methods
& Methods & maann
& Ma
M att eerrii a
&&MMaatteerriiaallFFllooww RReessoouurrcceess
RReessoou mmeenntt
&&MMeetthhooddss
ALSACE Manpower
Manpower
Manpower allFFllooww &&Me
M et thh ALSACE
ALSACE

a
Time sharing
Time sharingn
Time sharing Technical skill
Technical skill ri fo r inspectio
Technical skill ll Layout
Layout pa ity for inspection
Layout for inspection a rsk
ill ki )
nS y Repair Process
Repac
ca
p i c so r
Repairparts
parts e e nti o Repair Process
R ep
Repair Process Repair
supply
R
. sp se
Repair-ability
i
rle
So

Repair parts PPaarrttss HHuummaann EEqquuiippmmeenntt n


supply In cl Repair-ability drti
ef g

à faire!
(in v
el e o
Repair-a bility s cts f
supply
& M a te r
& M a t e riiaallFFllooww RReessoouurrcceess &&MMeetthhooddss Manpower Returntoto
Return o
Equipment
Equipment
ls ce
suppliers Rules & Behavior to E nvironment
suppliers Rules & Behavior nan
Environment G

ALSACE & e

Return to Equipment s
les
ru Jig
’s in
at
al
l al
m eri
Refurbish r
Refurbish
ay
Mgnt
Mgntin in
Oracle
Oracle ule m M S at ro
m om
sr oo
Time sharing 5’ yr Lo cation
Technical skill air tyfor inspection
e

l ll Layout Gr
i Rep ci

Trop grand à
ki Sk pa Material flow
rsi
a
n y) Repair Process ca Material flow
Repair parts ep tio
c or R
e
Operational Mgnt
Operational Mgnt
suppliers R e ns
sp se .Rules & Behavior Environment
pa
i r o
S Location RReduce
R eedduu
supply Mgnt in Oracle In cl Repair-ability
Refurbishl e d rtin Reduce
(in v ef g
c ee
UBcZ600
Location
e ls ec of
Material flow ts
UB
UUBB
WIP
WIP
Return to Operational Mgnt Equipment
DMAIC approach ZZ66000
suppliers Rules & Behavior oo
ls
nc
aten
e
Environment
G
Reduce Supplier / customer relationship
s
g’s
&t l Refurbish ra Product Quality 0
UB Z600

tnS
le in
a al ia y Desig n Production

Mgnt in Oracle le
s ru Ji M
m r
S e at r
Z600 Indicators WWI I P P

dessiner! X i
oo
ru om m L ocation DMAIC approach Engineering

5’s ey
ro
Location
m WIP SSM
AL
Supplier / customer
L relationship
SQEN
A
Product Quality
DMAIC approach r E
RN Desi gn R Producti on
p

e n
D ec
G Supplier / customer relationship Indicatorstign T TE ds f
Quality Improvement
ec ee @ Supplier
fi
a E N ca
m I
Material flow Location r Engi nee ring ripct s ti
Product Quality f o SSM io o n
Operational
De sign Mgnt Production Team work leaodership
n&
i
g
zin to & s SQE
Indicator
RReeddu
t s
lect aly e e
mrsg roun

st
S A
s Engineering Sony i a o i e
t eu i v v e Quality Improvement @ Supplier

t
w g em

uccee
n aad sn
eP r e C
Location Lea L b
h o im
gr rr S
Ericsson
SSM Team work leadership a Quality a ement
Improve @pl Alsace
p
cti cti emec

SQE UUBB Z M
g n tio
a
o v
n e onen
ta

Z660000
r Sonyi
Quality Improvement @ Supplier
lar bo
egu lla Ericsson
CCoooorrddii nnaat
Team work leadership WWIIPP R Co QQuuaalliittyyAAssss
Quality
C
Improvement
In
@ Alsace

S
o
tiioonn uurraannccee

e
DMAIC approach 8
L
Supplier / customer
L
relationship
Sony A A
N Product Quality
Ericsson RN Design R Production
E E cp
Indicators g XT T Quality Improvement de
@Def
Alsace fi i

lt
in
at E IN scr ec c
Location m Engineering ip t s at io
r tion n
fo SSM
&
ion ng
i to & SQE
ec yz s
al e e u ts
e n n m sg ro
S A tieruaiovi e Quality Improvement @ Supplier
w ghvreem
e C
ads n
ean abeP
CCoooorrddiinna L L QQuuaalliittyyAAsss o im

attiioonn suurraannccee 8

IPO Diagram
Vital Few X Factors:
Factors: Step(7)
Step(7) DMAIC

(Repair Process)
Manpower Priorities for repair
Manpower Priorities for repair ALSACE
ALSACE

Repair Parts Supply


Repair Parts Supply

Layout & Equipment WIP


WIP Reduction
Reduction
Layout & Equipment Repair
Repair
RReeppaaiirr
Environment
Process
Process
Environment
(T°/H°/Dust)
Inventory Qty

Repair Process
PPrroocceessss
(T°/H°/Dust)
Inventory Qty

Repair Process

M.BELLEZIT 12

Je préfère faire
comme d’habitude!
( = K K D) Trop
Simple! Pas

ali
ste
!
Ca sert à
rien ton
tuc!
Bonnes pratiques:

• Travailler en groupe!
• Equipes pluri-disciplinaires!
• Elaborer une représentation VISUELLE*
commune!
• Classer les idées. Voir la notion de
PNL
• Afficher le diagramme! (Programmation Neuro
Linguistique)

• Utiliser le diagramme pour les étapes


suivantes.

Techniques d’animation:
• le «remue-
méninges»
(Brainstorming! )
11
• le Meta-plan (expression par écrit)
Un outil de créativité:

Ca prend longtemps ? Des sous- groupes


…la mise en forme OUI!

Au moins 5 familles

Un grand espace

Le contenu NON ex: 40’ avec un groupe de 5 personnes.

12
Les pièges à éviter:

• Ecarter les facteurs à priori!


• Nier les facteurs qui sont de notre responsabilité!
• Nier les facteurs « politiquement incorrects »!
• Ne prendre en compte que les facteurs externes!
• Ne pas donner son avis!
• Se focaliser sur une seule famille!
• …

Facteurs humains NORMAUX! Un animateur « neutre »


et « expérimenté »
13
Comment classer les facteurs:

• La méthode des 5 (6) M’s:


– Matière, Machine, Main d’œuvre, Méthode,
Milieu, (Mesure)
• Organisation:
ex: Supply Chain, approche processus (réalisation/
ressources/management)

• Affinités (diagramme des affinités).


• Etc.
Approche analytique danger! Trucs & Astuces:
L’important: Ne pas ré-écrire le CE diagram, mais
faire évoluer les diagrammes
• ne pas oublier un facteur éxistants
critique pour un même processus!
• consensus du groupe  Préservation des SAVOIRS!
(tout le monde d’accord). (phase Control du DMAIC)
14
VÉRIFICATION DE LA
CAPABILITÉ DU MOYEN DE
MESURE

15
Facteurs d’influence d’un système de mesure

MAIN D’
MILIEU
METHODE OEUVRE
Éclairage du Température
poste Mauvaise utilisation
Mode opératoire
de l’appareil Vibrations Humidité
Mauvaise lecture
Formation Pollution de l’air
de l’appareil

Variance
Justesse
Maintenance
Instabilité des matériau
Linéarité
Sensibilité
Propreté, état de surface Répétabilité
Stabilité
Reproductibilité
Résolution

MATIERE MOYEN Répétabilité


&
Reproductibilité

GRR = Gauge Repeatability & Reproducibility


Cmc ou Cpc = Capabilité du Moyen de Contrôle
16
Notions de Justesse et de Dispersion

Exemple : tir à la carabine


Valeur Cible

Centrage OK, dispersion NG


Dispersion

Valeur Cible Valeur Cible

Dispersion Dispersion
Centrage NG, dispersion OK Centrage OK, dispersion OK
17
Définitions

Justesse des mesures : différence entre la valeur moyenne des observations


effectuées et la valeur moyenne « vraie » de ces mêmes observations. La
moyenne vraie est générallement déterminée à l’aide de l’instrument le plus
précis dont on dispose.

Moyenne vraie Moyenne observée

Justesse

18
Répétabilité des mesures : dispersion des valeurs obtenues avec un même
appareil de mesure, la mesure d’une même pièce étant effectué pour un même
réglage de l’instrument par un même opérateur.

Moyenne vraie Moyenne observée

Répétabilité
Reproductibilité des mesures : dispersion des valeurs moyennes des
observations effectuées par différents opérateurs, ou obtenus pour différents
réglages, les mesures étant effectuées sur un même lot de pièces, en utilisant
le même instrument de mesure et les mêmes calibres.

Moyenne vraie

Opérateur A

Opérateur B

Opérateur C

Reproductibilité
Méthodes d’évaluation pour la MSA

Variables continues:
Stabilité (cartes de contrôle)
Justesse (Bias) – méthode des échantillons indépendants
Cartes de contrôle
Linéarité (régression linéaire)
Repétabilité/Reproductibilité:
Méthode aux étendues
Méthode aux moyennes et étendues.
ANOVA
Etc.

21
Méthodes d’évaluation pour la MSA
Attributs:
Test d’homogénéité
Test d’hypothèse
Détection de signal
Etc.

22
CMC – Méthode CHARBONNEAU complète

Méthode de CHARBONNEAU
Cette méthode permet de différencier les dispersions de mesures dues à la répétabilité et à la
reproductibilité.
La méthode complète est recommandée pour une qualification initiale du moyen de mesure. La méthode
rapide peut être utilisée pour la surveillance.
Attention, le calcul ne tient pas compte de l’erreur de justesse, dont il faut s’affranchir par un
étalonnage initial.
Conduite de l’étude (méthode Charbonneau complète) :

1) Prélever 10 pièces de façon à ce qu’elles couvrent l’intégralité de l’intervalle de tolérance.


Numéroter ces pièces de 1 à 10 de telle sorte que les opérateurs ne puissent pas voir les
numéros.

2) Faire étalonner l’appareil de mesure pour l’opérateur A (exemple : à l’aide d’un calibre
dimentionnel, d’un appareil de référence « GOD SET », etc…)

3) Faire mesurer les 10 pièces, dans n’importe quel ordre, par l’opérateur A et reporter les
résultats dans le tableau

4) Mélanger les pièces et les redonner à l’opérateur A afin qu’elles soient mesurées dans un
ordre différent. Reporter les résultats dans le tableau.

5) Dérégler l’appareil de mesure et répéter les opérations 2, 3 et 4 avec les opérateurs B et


C respectivement.

23
CMC – Méthode CHARBONNEAU complète
6) Reporter les résultats dans le tableau et calculer la répétabilité et la reproductibilité.

24
L’analyse du système de mesurage (ou capabilité du moyen de contrôle CMC) a
pour finalité d’évaluer si le moyen utilisé est compatible avec la tolérance
définie sur le produit.

Le CMC met en relation la variance de l’instrument de mesure avec la tolérance


sur la grandeur mesurée.

Intervalle de Tolérance IT
CMC =
6 x  instrument

On considère qu’un moyen de mesure est apte à l’emploi désigné si CMC > 4.

Si CMC < 4, alors il convient d’améliorer le procédé de contrôle (maîtriser les


conditions de mesures, former les contrôleurs, formaliser le procédé par des
instructions opératoires, etc… voire de changer l’instrument de mesure utilisé)
3 Groupes
Mesurées différents
2 fois

10 «pièces»
CMC méthode Charbonneau - formules

Répétabilité
Moyenne des étendues
R
Écart-type de la dispersion d2
de répétabilité  Répétabilité
=

d2 est pris pour n = 2, car les


étendues sont calculées à partir de
deux mesures, d’où d2 = 1,128

Reproductibilité

Étendue des moyennes. R x = X Max - X Min

R x
Écart-type de la dispersion  Reproductibilité
= c4 C4 est pris pour n = 3, d’où C4 =0,8862
d2
de reproductibilité
d2 est pris pour n = 3, car l’étendues est
calculée à partir de trois moyennes
mesures, d’où d2 = 1,693
CMC méthode Charbonneau - formules
Dispersion de l’instrument de mesure
  Répétabilité +   Reproductibilité
 Instrument =

Capabilité de l’instrument de mesure Intervalle de Tolérance = Limite


supérieure de spécification –
limite inférieure de spécification
Le moyen de mesure
est acceptable si CMC > IT
CMC
4 =
6.
Instrument

6 sigma signifie que l’on a 99,73% de


chances que les valeurs se situent à
l’intérieur de cette plage
CMC – Méthode CHARBONNEAU complète: exemple
Moyen évalué
: Type de
mesure :
Date :

Opérateur n°1 : Opérateur n°2 : Opérateur n°3 :

N°piè mesure mesure X R mesure mesure X R mesure mesure X R


ce 1 2 1 2 1 2
1 0,96 0,98 0,97 0,02 0,94 0,937 0,94 0,00 0,94 0,93 0,94 0,01
2 0,96 0,96 0,96 0,00 0,945 0,948 0,94 0,01 0,91 0,93 0,92 0,02
3 0,96 0,98 0,97 0,02 0,945 0,943 0,94 0,01 0,94 0,93 0,94 0,01
4 0,96 0,94 0,95 0,02 0,94 0,938 0,94 0,01 0,93 0,92 0,93 0,01
5 0,94 0,98 0,96 0,04 0,936 0,935 0,93 0,00 0,93 0,93 0,93 0,00
6 0,96 0,96 0,96 0,00 0,948 0,943 0,94 0,00 0,94 0,91 0,93 0,03
7 0,94 0,95 0,95 0,01 0,935 0,93 0,94 0,01 0,93 0,92 0,93 0,01
8 0,96 0,94 0,95 0,02 0,953 0,936 0,94 0,01 0,94 0,92 0,93 0,02
9 0,98 0,96 0,97 0,02 0,942 0,921 0,93 0,02 0,93 0,93 0,93 0,00
10 0,98 0,96 0,97 0,02 0,948 0,933 0,94 0,00 0,93 0,92 0,93 0,01
X1 R1 X2 R2 X3 R3
0,96 0,017 0,94 0,0 0,93 0,012
07
Moyenne 0,94 Moyenne des étendues R 0,01
générale
Carré
Cmc = IT / (6 x  i) 0,830653
 répétabilité = R / d2, avec d2=1,128 0,011 0,0001 4
1
 reproductibilité = (R x / d2) x C4, avec C4=0,886 0,017 0,0002 d pecification LSL =
9 e NON ACCEPTABLE Intervalle
2
=  répétabilité 2 0,020 tolérance :
 instrument
Limite supérieure de specification USL+ = Limite inférieure
reproductibilité 1
s IT = USL -
0,9
0,1 31
CMC – Méthode CHARBONNEAU complète: exemple
LSL = Décision : (Acceptable si CMC > 4)

32
Gauge Repetability & Reproductibility Analysis Report

Manuel MSA
FORD/CHRYSLER
/GM

Carte de contrôle des étendues

Etude R & R Etude de Variance (ANOVA) 29


OBSERVATION DU PROCÉDÉ

30
Visualisation et étude empirique:

Avant Après

Utilisation des historiques, des histogrammes et des valeurs


statistiques
31
« Boîte à moustache »: Box Wishker plot

Utilisation de la médiane et des quartiles

Détection des valeurs aberrantes (outliers)


32
Test de normalité: droite de Henry

Fréquence cumulée
33
Repère gausso-arithmétique:

34
Droite de Henry: repère Gausso-arithmétrique

35
Test de normalité: méthode du tunnel

Intervalle de
confiance de la
moyenne

Intervalle
de confiance
de l’écart-
type

36
Plages de confiance de la droite de Henry:

37
Interprétation de la droite de Henry:

38
Calcul de l’intervalle de confiance

<1> intervalle de confiance d’une moyenne de population Z  U  x  Z α σ


 connu distribution L  2  n
t U  x  tn 1, α  s n
(n<30)distribution L   2

 inconnu U  x  Z α  s n


L 2 
Z  
(n>30) distribution  S α 2  S α
<2> intervalle de confiance d’un écart- type 2 χ2 n 1,  σ  χ2 n 1,1
(s si connu) 
distribution  2  
 2 

<3> intervalle de confiance d’une proportion Z U  α


(n>30)    p  Z p1- p n
distribution L  2 

F n
UnFn ,n , α 2  n
(n<30)distribution 1  1 2  2
  2  α
m F m ,m ,
1  1 2 
  α  2
L  m F m ,m , m
1  1 2  2
 2

n1  2n1 p 2, n  2np


2

m1  2np  2, m2  2n1- p
Sony Six Sigma Training Ver.2.1
Copyright©2004 by Sony Corporation (Reproduction
Prohibited)
Autres tests de normalité:

Test Ryan Joiner

Test Kolmogorov Smirnov

Utiliser un logiciel spécialisé (ex: Minitab)


40
CALCUL DES CAPABILITÉS

41
Problématiques de la capabilité:

Problèmes:

• Rentrer dans son pantalon

• Se garer au centre d’un


espace suffisant.

42
Définitions de la notion de capabilité:

Rapport entre l’intervalle de tolérance et


la dispersion du procédé et son écart de
centrage

43
La fonction Perte de Taguchi:

La perte de décentrage est proportionnelle à l’erreur quadratique


44
Types de dispersion:

45
Estimation de l’écart type court terme:

Écart type court terme  CT en utilisant S barre:

Écart type court terme  CT en utilisant R barre:

46
Calcul de l’écart type en utilisant la totalité des valeurs
individuelles disponibles (voir bases de statistiques)
Coefficients utiles pour la MSP

48
Différents indices de capabilité:

49
Indicateurs de capabilité du QS9000:

50
Calcul des capabilités:

51
Calcul des indices de performance:

52
Dégradation des capabilités:

53
Application: tableau des données

54
Application: calcul des capabilités

55
CARTES DE CONTRÔLE

Walter SHEWART

56
Différentes cartes de contrôle:

Type de variables Type de cartes


Carte médiane, étendue
Echantillons Carte moyenne, étendue (Xbar/R)
Continues Carte moyenne, écart type (Xbar/S)
Individu, étendue mobile
Valeurs individuelles
Moyenne mobile, étendue
mobile
Cart n
nombre
e p
Attributs Cart c
e
Cart p
proportion
e
Cart u
e
Carte Shainin
(precontrol) Carte
Echantillons
Cusum
57
Différentes cartes de contrôle:
Spéciales Carte EWMA
Carte de Lucas (Cusum attributs)
Car 2
Multi- te T2
dimensionnelles Car (Hotelling)
te EWMA
Car
te

58
A quoi ça ressemble:

59
Exemple de carte de contrôle (format vierge)

59
Cause commune, cause spéciale:

Cause commune (common cause): ce qui est intrinsèque au procédé


(le bruit de procédé)

se spéciale (assignable/special cause): ce qui est assignable à un évènement exceptionnel (spécial)

60
Limites de contrôle: concept théorique

61
Calcul pratique des limites pour variables continues

62
63
Rappel: tables utiles pour la MSP

64
Calcul pratique des limites pour les attributs

65
66
Exemple de carte p:

Nombre
de Taille de
Echantillo p
non l'échantillo
n
conformité n
s Calculer le taux moyen de non-
1 5 50 10,00
% conformité p bar
2 2 50 4,00
%
3 4 50 8,00 Calculer les limites de contrôle
%
4 6 50 12,00 LICp et LSCp
%
5 7 50 14,00

6 1 50
%
2,00
Tracer le graphe de l’évolution
% des mesures
7 5 50 10,00
%
8 4 50 8,00
%
9 3 50 6,00
%
10 3 50 6,00
%
11 4 50 8,00
%
12 5 50 10,00
%
13 3 50 6,00
%
14 4 50 8,00
%
67
Exemple de carte p:

p moyen 10,32
%
 4,30%
LSC 23,23
%

Le point 19 est hors limites et est entouré de


deux points suspects. On est censé éliminer le
point 19 et refaire les calculs.

 = racine (0,1032.(1-0,1032)/50 ) = 0,12906


68
PILOTAGE DU PROCÉDÉ

69
Rappel: utilité des statistiques

70
Règles de pilotage: Réf. M.PILLET

1. Hors limite
2. Croissante/décroissante
3. Supérieur / inférieur
4. 2 tiers, 1 tiers
5. Périodicité

71
Zones de contrôle: Règles AT&T

1. Hors limites
2. 2 de 3 (ou +) en A
3. 4 de 5 (ou +) en B
4. 8 successifs (ou +) en C, du même côté
5. Tendances…
6. Cycles périodiques…
7. Ecarts brusques…
8. Stratifications…une figure qui se répète
dans la même zone ou autour du
centre
9. Figure prévisible avec alternance
de points hauts et bas…

72
Les stats… c’est magique!

73
La boîte à outils statistiques. ALSACE

Statistiques descriptives:
Le Diagramme en Boîtes
ou Boîte à Moustaches
(Box Diag. or Whisker Diag.)
EMCS-E Alsace TEC M.BELLEZIT 74
Statistiques Descriptives: Caractéristiques des distributions.

Position ALSACE
(ou tendance
centrale)

Forme

Dispersion

EMCS-E Alsace TEC M.BELLEZIT 75


Caractéristiques des distributions.

Moyenne arithmétique ALSACE

Tendance Centrale Médiane

Mode
A quoi ça sert ?

Position Quantile

Les plus utilisées


• Etendue
Dispersion • Ecart-type
• Coefficient de variation

EMCS-E Alsace TEC M.BELLEZIT 76


Quantiles remarquables:

a) les 4 Quartiles.(multiples de ¼) ALSACE

• Quartile n°1: position pour laquelle la


fréquence cumulée des valeurs est égale à 25%.
• Quartile n°2 (= Médiane) : position pour laquelle
la fréquence cumulée des valeurs est égale à 50%.
• Quartile n°3: position pour laquelle la
fréquence cumulée des valeurs est égale à 75%
b) Les 10 Déciles.(multiples de 1/10)
• Décile n°8: position pour laquelle la fréquence
cumulée des valeurs est égale à 80%  décision
pour l’analyse de Pareto.
EMCS-E Alsace TEC M.BELLEZIT 77
Médiane & Quartiles:
262,1 262,9 263,6 264,3 264,7 265,9 266,1 267,1
267,7 267,9 268,6 269,1 269,2 269,3 269,3 269,4
270,0 270,5 270,6 270,7 271,3 271,7 271,9 272,1
273,2 273,9 275,5 275,7 277,1 277,2 279,1 280,2 ALSACE
Série de données (poids d’une pièce)

Histogramme

14 100,00%
12
12
75,00%
10 9

8
50,00%
6
Fr é

4 4
4
3 3 25,00%
2 1
Q1 Q2 Q3
0 ,00%
260,4263,7267 270,3 273,6276,9 ou plus...
Classes

EMCS-E Alsace TEC M.BELLEZIT 78


Diagramme en Boîtes:
75%

ALSACE
50% 25%

25%
25%

Q1 Q2 Q3 Diagramme en boîtes
25% 25%
Max
(non abérrant)

25% 25%

Min Q1
Q3
(non abérrant) Q2

EMCS-E Alsace TEC M.BELLEZIT 79


Critères* de jugement pour les extrema:
Valeur aberrante si:

X > Q3 + 1,5 (Q3 – Q1) ou X < Q1 – 1,5 (Q3 – Q1) ALSACE

25% 25%
V
ale V
1,5(Q3 – Q1) Q3 – Q1 1,5(Q3 – Q1)
ur ale
s ur
ab s
err ab
an err
* Rule of thumb pour une évaluation rapide!
an
Sinon utiliser le Box-whisker plot!

EMCS-E Alsace TEC M.BELLEZIT 80


Comment évaluer les quartiles:

1.Par leurs formules mathématiques:


ALSACE

2. Par évaluation graphique:

3. Avec un logiciel:
- MS EXCEL  fonctions statistiques.
- SSS-STAT  Box-whisker plot.
EMCS-E Alsace TEC M.BELLEZIT 81
Calcul des quartiles avec EXCEL:
Sélectionner une cellule
et « insérer » une fonction f(x) ALSACE

Sélectionner la fonction statistique « Quartile »

Indiquer la zone des données.

Indiquer le Quartile (valeurs 0,1,2,3 ou 4)

EMCS-E Alsace TEC M.BELLEZIT 82


Example (simple):
260,4 262,1 262,9 263,6 264,3 264,7 265,9 26 267,1
6,1
267,6 267,7 267,9 268,6 269,1 269,2 269,3 26 269,4
9,3 ALSACE
269,8 270,0 270,5 270,6 270,7 271,3 271,7 27 272,1
1,9
273,0 273,2 273,9 275,5 275,7 277,1 277,2 27 280,2

Q1 267,475 Q3-Q1= 4,850 Min


9,1
260
Valeur
,4
aberrante!
Histogramme

Limite Infér1ie4ure = 260,2


Limite Supérieure = 279,6
12

10

8
Fréquence
6
Fr

2
0
260,4263,7 267 270,3273,6276,9ou
plus...
Classes

EMCS-E Alsace TEC M.BELLEZIT 83


Diagramme en boîtes:

267,475 269,6 272,325 ALSACE


260,4 279,1

25% 25%

Autres caractéristiques statistiques:


Moyenne arithmétique: Xmean = 269,964 (269,671*)
Ecart-type: s = 4,682 (4,404*)
Etendue: R = 19,8 (18,7*)

* Sans la valeur aberrante

EMCS-E Alsace TEC M.BELLEZIT 84


Avantages des Quartiles:

• Détection de valeurs aberrantes analyse des causes assignables, ALSACE


traitement de cas particuliers.
• Evaluation de la dispersion si distribution asymétrique (non-gaussienne).
• Evaluation plus « palpable » que l’écart-type (probabilité = 50% entre Q1 et
Q3)

Cas général Cas particuliers


(Processus « Normal »)

EMCS-E Alsace TEC M.BELLEZIT 85


Un exemple pratique: problème.
VAIO IW FRT (July 2003 )
PRODUCTTYPE PCG WARRANT Yes WARRANTY_ Yes ALSACE
Y F

700

600

500

Données
400
NB
300 CASE_ID
CASE_ID%
200
Cas particuliers ?
100

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 28 34 37 38 39 40 41 42 46 47 48 49 50 55 76 79

NBCASE_ID 14 65 20 92 91 74 28 34 22 19 9 7 1 3 2 1 2 2 1 2 1 1 1 2 2 3 4 5 1 1 3 1 1 1 2 1 2
CASE_ID% 10 46 146%6%5%2%2%2%1%1%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%0%

FRT_ALS_WD

EMCS-E Alsace TEC M.BELLEZIT 86


Un example pratique: solution.
Classes Fréquence % cumulé
0 14 10,29%
1
2
65
20
58,09%
72,79%
Histogramme
3 9 79,41%
4 9 86,03% 70
5 7 91,18% 100,00%
6
7
3
1
93,38%
94,12%
60 ALSACE
8 2 95,59%
9 2 97,06%
50 75,00%
10 1 97,79%
40
11 1 98,53%
12 0 98,53% Fréquence
13 0 98,53% 30 50,00%
% cumulé

Fr
14 1 99,26%
15 0 99,26% 20
16 0 99,26%
17 0 99,26%
25,00%
10
18 1 100,00%
ou plus... 0 100,00%
0
,00%

1,00
Q1 Q2 Q3 1,00
L Inf L Sup Min Max
3,00 Classes
-2,00
6,00
0
Box-Whisker plot
18

[Applicable data]
20
19
18
Conclusion: 19

17
Data range: [Exercice Box-whisker.xls]Feuil1'!A1:A136
16
15
Si réparation > 6 jours, alors il s’agit d’un cas particuli
17

14
13 15
Item-1
12
No. of 136
11
items 2,3 10 13
Mean 2,7 9
Standard deviation (n) 8
Maximum 18,0 7 11
Upper internal boundary 6,0 6
poi 5
Upper hinge 3,0 4
3 9
Median 1,0
2
Lower hinge 1,0 1
Lower internal boundary
poi
0,0 0
-1
Diagramme en boîtes 7

-2
No/Nam Item-1 5

Liste des valeurs


e
Lower 1
hinge 3
aberrantes Upper
interna
Lower
6

(extras). interna 1
Upper 3 Item-1
hinge
Median 1 -1
Extra1 7
Extra2 8
Extra3 8
EMCS-E Alsace TEC M.BELLEZIT 87