Vous êtes sur la page 1sur 36

MAITRISE STATISTIQUE

DES PROCEDES

GENERALITES

A. LAMURE
MAITRISE STATISTIQUE DES PROCEDES
INTRODUCTION : DEFINITIONS

♦ QU’EST-CE-QUE LA MSP ?
MSP = ensemble actions pour évaluer, régler et maintenir processus de
production en état de fabriquer produits conformes aux spécifications et avec
caractéristiques stables dans le temps.
MSP = suite analyses qui comprennent : réflexion sur processus,
caractéristiques significatives de ce processus, du produit, des tolérances
nécessaires ; validation outil de production et de son aptitude à fournir ce que
l’on attend de lui et enfin mise en place de cartes de contrôle.
MSP = méthode préventive qui vise à amener processus au niveau de qualité
requis et à l’y maintenir grâce à système de surveillance qui permet de réagir
rapidement et efficacement à toute dérive. Méthode basées + particulièrement
sur statistiques.
REMARQUE : "Statistical Processus Control (SPC)" ≡ Maîtrise Statistique
des Procédés ("Contrôle Statistique du Procédé")

♦ DEMARCHE MSP
REFERENCE : pendant une ou plusieurs période stable, détermination, pour
caractéristique produit ou paramètre fonctionnement, référence statistique
(minimum 100 valeurs) caractéristique du processus (moyenne et dispersion) :
référence englobe variations "naturelles" processus fabrication + contrôle.
ECHANTILLONNAGE : pilotage du processus avec échantillon constitué de
quelques prélèvements analysés : moyenne et dispersion résultats obtenus =
moyenne et dispersion processus à instant considéré.
COMPARAISON DE L’ECHANTILLON AVEC LA REFERENCE : si échantillon ne
diffère pas statistiquement de référence ⇒ pas d’action sur processus, sinon
recentrage du processus.

2
MAITRISE STATISTIQUE DES PROCEDES
INTRODUCTION : PROCESSUS DE PRODUCTION

PROCESSUS = ensemble moyens et activités liées qui transforment éléments


entrants en éléments sortants" (norme ISO 8402).
PROCESSUS DE FABRICATION peut comporter plusieurs étapes depuis matières
premières j→ produit fini allant chez client externe : chaque étape = processus
avec interfaces fournisseur-client.
PROCESSUS DE CONTROLE : produit doit être conforme à des spécifications,
exprimées par tolérances. Vérification du produit s’inscrit dans processus de
contrôle constitué de plusieurs processus individuels de mesure (pour chaque
spécification et chaque étape de fabrication). Processus individuel de mesure
ne concerne pas uniquement appareil de mesure mais aussi préparation élément
de fabrication à tester.
PROCESSUS DE PRODUCTION = ensemble processus de fabrication +
processus de contrôle.
Remarque : notion de processus de fabrication non limitée à transformation de
matières ou d’objets. Processus de formation = processus de fabrication
(acquisition des connaissances) + processus de contrôle (évaluations, tests).

3
MAITRISE STATISTIQUE DES PROCEDES
INTRODUCTION : CARTES DE CONTROLE

Pour représenter résultat tests statistiques, SHEWHART a inventé un


graphique dénommé "Control Chart" ("Carte de contrôle" ou "Carte de
maîtrise"). Classement des cartes de contrôle en 2 grands groupes :
SCHEMA D’UNE CARTE SHEWART : pour maintenir centrée une caractéristique
d’un processus, graphique proposé par SHEWHART comporte :
„ ligne centrale = cible (là où on aimerait que se trouve le processus)
„ 2 limites de contrôle inférieure et supérieure Lci et Lcs (ou Lmi et Lms
limites de maîtrise inférieure et supérieure) dont position est fonction effectif n
des échantillons et des risques de décision.
CARTE DE CONTROLE PAR MESURES : caractérisant processus mesurable par
w
centrage échantillon et sa dispersion. On trouve cartes x (moyenne),
w
s (écart-type) et w ou R (étendue) groupées normalement par 2 : cartes ( x , w)
w
ou cartes ( x , s).

CARTE DE CONTROLE PAR ATTRIBUTS : information portée sur carte fonction


du nombre individus de échantillon qui possèdent un ou de plusieurs caractères
dont on ne peut que constater présence ou absence. On distingue cartes p
(pourcentage ou proportion de non-conformes), cartes np (nombre d’unités
non-conformes), cartes c (nombre de non-conformités), cartes u (nombre
moyen de non-conformités par unité),cartes D (démérites = comptage pondéré
du pourcentage de non-conformités).
Remarques : caractère mesurable peut être soumis à contrôle par attributs en le
considérant comme conforme si sa valeur ∈ intervalle de tolérance et non-
conforme dans le cas contraire.
Dans tous les types de cartes, décision action ou pas prise au vu du dernier
échantillon prélevé. Analyse périodique (fonction volumes fabriqués et
maîtrise atteinte) des cartes remplies pendant période considérée.
4
MAITRISE STATISTIQUE DES PROCEDES
INTRODUCTION : NOTION DE RISQUE DECISIONNEL

PRISE DE RISQUE : estimation statistique qu’un événement se produise ou non


ne peut s’évaluer que par rapport à situation antérieure connue ⇒ établissement
référence correctement et rigoureusement établie sur processus considéré pour
pronostiquer son comportement futur. Dans décisions prises suite à contrôle
statistique ("agir" ou "ne pas agir") proposition choisie = la + favorable.
Comme obtention échantillon hors des limites de contrôle peu probable (ex.
0,1%) quand processus centré ⇒ action lorsque échantillon ∉ limites : on aura
99,9% de chance d’avoir eu raison d’agir.
CONTROLES : soit à 100% de toutes unités produites, soit sur quelques
prélèvements dont moyenne constitue échantillon ≡. estimation qualité de
l’ensemble des unités produites. Coûts de contrôle ∝ nombre n de mesures
tandis que sûreté de jugement ∝ n ⇒ contrôle à 100% très onéreux et peu
pratiqué (nécessaire que pour raisons impératives sécurité, renommée) car ne
met pas 100% à l’abri de réclamations (événement ponctuel peut fausser un
contrôle). Contrôle quelques unités : nombre d’unités contrôlées Ì ⇒ risque Ê
RISQUES α ET β : : soit un opérateur qui vérifie diamètre axes d = 3 mm avec
pied à coulisse idéalement réglé. Limites de tolérances fixées à Ti = 2,9 mm et
Ts = 3,1 mm. Si une cendre de cigarette tombe malencontreusement entre mors
du pied à coulisse sans qu’il s’en aperçoive, il se peut que :
„ axe pris ait un diamètre bon mais
proche de Ts et que surépaisseur cendre
⇒ valeur lue > Ts ⇒ pièce placé dans
rebuts.
„ pièce ait un diamètre réel < Ti et que
surpépaisseur de la cendre ⇒ pièce
considérée bonne expédiée au client.
Risque α (1ère espèce, risque fournisseur, fausse alarme) = risque de trouver
mauvaise quelque chose qui est bonne ou d’agir sur un processus alors
qu’il ne le faudrait pas.
Risque β (2ème espèce, risque client) = risque de trouver bonne quelque
chose qui est mauvaise ou de ne pas agir alors qu’il le faudrait.
Dans toute décision que nous prenons, existence de ces 2 risques d’erreur. Pour
assurer tolérances aux clients, cartes de maîtrise calculées de façon qu’elles
permettent de décider avec minimum de risques (α et β) si action corrective
nécessaire ou pas sur processus.
5
MAITRISE STATISTIQUE DES PROCEDES
INTRODUCTION : SECTEURS D’APPLICATIONS

MSP préconise mise en place, en cours de fabrication, de cartes de maîtrise qui


assureront en permanence tolérances et permettent de supprimer contrôles a
posteriori. Deux cas peuvent se présenter :
„ si client déjà formé à MSP : envoi de photocopies de la (les) carte(s) de
maîtrise sur période de fabrication correspondant au lot expédié ou lots livrés
sans chiffre mais contrôles périodiques par client ("audit") du système Qualité
de son fournisseur.
„ si client non formé à MSP : envoi de bulletins d’analyse, moyenne des
résultats obtenus avec cartes de maîtrise sur période de fabrication
correspondant à commande.
Utilisation MSP sur tout processus utilisant ou fournissant produits au sens très
large du terme (résultats contrôle analytique, de sécurité ou d’environnement ≡
produits). Fabrication produits industriels passe par contrôles :
„ qualité des matières premières (jugement qualitatif proportion unités non
conformes dit aux attributs [norme AFNOR NF X06-022] ou de qualité à partir
de mesures [norme AFNOR NF X06-023]). Contrôle de réception matières
premières devrait disparaître (ISO 9000, contrôles fournisseur et non client).
„ reproductibilité chaînes de mesure puisque processus de production = Σ
processus de fabrication + mesure, variabilité du produit = Σ variabilités
fabrication + mesure. Variance de fabrication inconnue (jugement au travers
de mesures) mais variance chaîne de mesure mesurable (étude statistique de
reproductibilité sur un seul prélèvement) ⇒ connaissance du domaine
(fabrication ou contrôle) à améliorer en priorité.
„ vérification d’étalonnage appareils de mesure : qualité d’un produit liée
au couple (fabrication, contrôle). Si caractéristique X d’un produit ou
paramètre Y de fonctionnement = majeurs/critiques ⇒ étalonnage processus de
mesures de X ou Y aussi majeurs/critiques (⇒ ne jamais mettre en place cartes
de contrôle sur caractéristiques de produits ou paramètres de fonctionnement
sans avoir préalablement établi cartes de maîtrise sur vérification d’étalonnage
chaînes de mesure correspondantes).
„ maîtrise des caractéristiques des produits et des paramètres de
fonctionnement : établir d’abord carte sur produit final d’un processus dont
aptitude n’est ni trop faible, ni excellente (ne pas commencer par essayer de
résoudre problème jusque là insoluble ou cas déjà traité avec satisfaction).

6
MAITRISE STATISTIQUE DES PROCEDES
INTRODUCTION : EXEMPLE DE MAUVAIS PILOTAGE

Suivi dans atelier de la quantité d’acide résiduaire d’un mélange dans réacteur.
Chaque analyse individuelle servait à décider si quantité d’acide introduite
pour opérations suivantes devait être modifiée ou pas. Responsable atelier
voulant mettre en place carte de maîtrise sur cette quantité d’acide, calcula
limites, en fonction risques de mauvaises décisions et tolérances, avec effectif
d’échantillon n = 3. Pour s’assurer de la validité de la carte, résultats
individuels ayant servi aux opérateurs pour piloter processus sur cette période,
ont été groupés sous forme d’échantillons (moyennes de 3 mesures) et reportés
sur carte calculée.
„ première action effectuée par opérateurs sur une valeur individuelle inutile,
„ seconde action tout à fait justifiée.
„ troisième action inutile. De + action entreprise démesurée ⇒ poste suivant,
correction dans autre sens encore disproportionnée ⇒ processus hors limite par
valeur inférieure.
„ comme procédé joue au yo-yo, opérateur poste suivant réagit faiblement ⇒
processus non recentré et 2 postes suivants opérateur obligé de redonner
nouveau coup de barre.
Pendant 2,5 jours, homme n’agissant qu’à partir d’informations ponctuelles, a
fait dérailler sa machine, ...en étant persuadé de bien faire ! Seule dernière
action était justifiée. Exemple montre que, non seulement on agit souvent trop
précipitamment, avec résultats ponctuels, mais aussi souvent de façon
inconsidérée ; seules cartes permettent d’adapter intensité des corrections à
apporter pour corriger dérives juste ce qu’il faut.

7
MAITRISE STATISTIQUE DES PROCEDES
PROCESSUS : DIAGRAMME DE PARETO

MAITRISE PROCESSUS ⇒ minimum de connaissances sur :


„ paramètres majeurs qui conditionnent qualité du produit, sécurité des
hommes et du matériel,
„ caractéristiques majeures du produit,
„ savoir sur quoi agir et de combien si paramètres ou caractéristiques sortent
limites de tolérance.
Commencer par répertorier tout ce qui est mesuré, ce qui est surveillé
qualitativement et opérer classement par ordre d’importance (critique > majeur
> moyen > mineur). Mettre en place en priorité cartes de maîtrise sur variables
les + critiques non maîtrisées : les + onéreuses ou les + dangereuses.
DIAGRAMME DE PARETO = formalisation du processus pour définir points
les + préjudiciables à qualité. Pour cela représenter et classer non conformités
sur un histogramme, en fréquence ou en coûts décroissants.
EXEMPLE : fabrication de résine polyester, recensement des non conformités
Classement et représentation des résultats sur diagramme montre qu’il faut
porter ses efforts d’abord sur E puis sur D, etc.
Nombre des non Familles
Nombre d’observation Pourcentages
conformités
Contamination (inclusions) A 10 6,9
Taux d’humidité B 2 1,4
Taux de manganèse C 3 2,1
Coloration D 39 26,9
Viscosité E 73 50,3
Taux de cendre F 18 12,4

8
MAITRISE STATISTIQUE DES PROCEDES
PROCESSUS : DIAGRAMME D’ISHIKAWA

CAUSES DES NON CONFORMITES : diagramme d’ISHIKAWA (ou en "arêtes


de poisson") = représentation des causes directes et indirectes possibles d’une
non conformité. Pour établir diagramme efficace, travail de groupe avec
personnes compétentes, concernées (fabricants, contrôleurs, technico-
commerciaux, responsables du transport, ...). Groupe de travail doit non
seulement définir mais aussi classer principales causes potentielles de non
conformités.

Distinction parfois entre causes "aléatoires" (nombreuses et faibles effets sur


processus) et causes "assignables" (moins nombreuses mais effets importants).
Classement préférable en causes "connues et maîtrisables" (= facteurs
principaux PEX) et "inconnues ou non maîtrisables" ( = facteurs bruit).
Lorsque causes non maîtrisables font dériver processus agir sur un facteur
connu pour le redresser.
EXEMPLE : voiture roulant une piste, parfaitement rectiligne mais présentant
des dévers statistiquement répartis à gauche et à droite (= causes aléatoires non
maîtrisables). Sur ensemble de la piste autant de dévers des 2 côtés, mais séries
de plusieurs dévers successifs à droite et à gauche. Avec une voiture parcourant
cette piste, on ne devrait jamais régler le volant puisque piste rectiligne.
Pourtant dans zones où existe davantage de dévers à gauche véhicule va être
entraîné à gauche et volant devra être tiré à droite : direction du véhicule =
paramètre de fonctionnement qui corrige dérives dues aux causes aléatoires.

9
MAITRISE STATISTIQUE DES PROCEDES
PROCESSUS : CORRELATIONS

OBJECTIF ETUDE = déterminer si 2 variables X et Y liées, c.a.d. si en


modifiant variable X ("cause supposée") ⇒ "effet" sur Y. Cas uniquement
corrélations linéaires à 2 variables. Pour corrélations non linéaires, il faut
trouver transformées qui ramènent à des corrélations linéaires (log(x), xn, ...).
Pour construire diagramme de corrélation, disposer au moins de 20 couples de
valeurs (X, Y). Tracer 2 axes ⊥ et graduer axes de telle sorte que segment
représentant étendue valeurs de X ∼ longueur représentant étendue
valeurs de Y.
INTERPRETATION VISUELLE DU DIAGRAMME : lorsque nuage de points forme
bande assez étroite et que valeurs de Y Ê (Ì) globalement quand celles de X
Ê : corrélation positive (négative) ; lorsque nuage de points ne forme pas une
bande très étroite, possibilité d’avoir corrélation mais analyse + approfondie
nécessaire. Il n’y a probablement pas corrélation sauf si données collectées
couvrent domaine de variation insuffisant ou rassemblent résultats obtenus
dans conditions ≠ et mélangées sans discernement (ex. matières premières ≠,
modification consignes de fonctionnement durant période considérée, ...).

10
MAITRISE STATISTIQUE DES PROCEDES
PROCESSUS : TEST DE CORRELATIONS

Tracer sur diagramme de corrélation 2 axes ⊥ passant par x et y (moyenne


valeurs X et Y) ⇒ 4 quadrants numérotés I, II, III et IV. Compter ni = nombre
points dans chacun des quadrants, sans prendre en compte points qui se
trouvent sur axes x et y . Effectuer somme n = nombre points dans les 2
quadrants opposés les - peuplés (n = n1 + n3 = 4) et N = nombre total points
dans 4 quadrants (N = 28). Regarder dans table de corrélation probabilité de
trouver seulement n points sur N dans ces quadrants (ex. table avec risque de se
tromper α = 5% : n0 = 8) : n0 = limite pour dire avec risque α = 5% de se
tromper qu’il y a une corrélation
REMARQUE : test de corrélation appelé "test des signes" car regroupement
points de quadrants opposés pour lesquels πi = [(xi - x )][(yi - y ] > 0 ou < 0.
N n0 N n0 N n0 N n0 N n0 N n0 N n0 N n0 N n0
10 1 20 5 30 9 40 13 50 17 60 21 70 26 80 30 90 35
11 1 21 5 31 9 41 13 51 18 61 22 71 26 81 31 91 35
12 2 22 5 32 9 42 14 52 18 62 22 72 27 82 31 92 36
13 2 23 6 33 10 43 14 53 18 63 23 73 27 83 32 93 36
14 2 24 6 34 10 44 15 54 19 64 23 74 28 84 32 94 37
15 3 25 7 35 11 45 15 55 19 65 24 75 28 85 32 95 37
16 3 26 7 36 11 46 15 56 20 66 24 76 28 86 33 96 37
17 4 27 7 37 12 47 16 57 20 67 25 77 29 87 33 97 38
18 4 28 8 38 12 48 16 58 21 68 25 78 29 88 34 98 38
19 4 29 8 39 12 49 17 59 21 69 25 79 30 89 34 99 39
- - - - - - - - - - - - - - - - 100 39

Table de corrélation pour un risque d’erreur α = 5%

11
MAITRISE STATISTIQUE DES PROCEDES
PROCESSUS : COEFFICIENT DE CORRELATION A 2 VARIABLES

COEFFICIENT DE CORRELATION VRAI ENTRE 2 VARIABLES X et Y, pour


nombre ∞ de mesures = nombre ρ inconnu tel que -1 < ρ < +1. Valeur estimée
(x − x )( y − y )
par r sur nombre restreint de mesures : r = ∑ ⎣ i 2 i ⎦ 2 .
[∑ (xi − x ) ][∑ ( yi − y ) ]
TABLE DE CORRELATION DE ρ : première colonne ≡ nombre ν degrés de
liberté : (pour 2 variables, ν = N - 2 , pour k variables ν = N - k). Autres
colonnes ≡ probabilité de trouver valeur ≥ valeur de r donnée.
ν P = 10% P = 5% P = 2% P = 1%
1 0,9877 0,9969 0,9995 0,9999
2 0,9000 0,9500 0,9800 0,9900
3 0,8054 0,8783 0,9343 0,9587
4 0,7293 0,8114 0,8822 0,9172
5 0,6694 0,7545 0,8329 0,8745
6 0,6215 0,7067 0,7887 0,8343
7 0,5822 0,6664 0,7498 0,7977
8 0,5494 0,6319 0,7155 0,7646
9 0,5214 0,6021 0,6851 0,7348
10 0,4973 0,5760 0,6581 0,7079
11 0,4762 0,5529 0,6339 0,6835
12 0,4575 0,5324 0,6120 0,6614
13 0,4409 0,5139 0,5923 0,6411
14 0,4259 0,4973 0,5742 0,6226
15 0,4124 0,4821 0,5577 0,6055
16 0,4000 0,4683 0,5425 0,5897
17 0,3887 0,4555 0,5285 0,5751
18 0,3783 0,4438 0,5155 0,5614
19 0,3687 0,4329 0,5034 0,5487
20 0,3598 0,4227 0,4921 0,5368
25 0,3233 0,3809 0,4451 0,4869
30 0,2960 0,3494 0,4093 0,4487
35 0,2746 0,3246 0,3810 0,4182
40 0,02573 0,3044 0,3578 0,3932
45 0,2428 0,2875 0,3384 0,3721
50 0,2306 0,2732 0,3218 0,3541
60 0,2108 0,2500 0,2948 0,3248
70 0,1954 0,2319 0,2737 0,3017
80 0,1829 0,2172 0,2565 0,2830
90 0,1726 0,2050 0,2422 0,2673
100 0,1638 0,1946 0,2301 0,2540
⎡ k ⎤
Pour N > 100, r = th ⎢ P / 2 ⎥ avec k = nombre d’écarts-types pour la probabilité P/2 (Loi
⎣ N −3⎦
Normale Réduite) et th = fonction tangente hyperbolique.
Table de corrélation à 2 variables

12
MAITRISE STATISTIQUE DES PROCEDES
PROCESSUS : REGRESSIONS

Lorsque tests précédents montrent corrélation entre X et Y ⇒ volonté de


déterminer relation linéaire qui lie effet de X sur Y de façon à pouvoir agir sur
Y par intermédiaire de X.
Régression linéaire de la forme : y = a x + b avec a = r sY/sX et
b = y - a x où r = coefficient de corrélation, sX et sY = écarts-types respectifs
sur X et Y, x et y = moyennes respectives de X et Y.

APPLICATION 1 : POLYMERISEUR NYLON


Etude de l’influence V de la vis d’extraction (X) sur la porosité des pastilles de
polymères obtenus (Y). On a relevé les données suivantes
n° échantillon X =vitesse Y = porosité n° échantillon X =vitesse Y = porosité
1 56 15 11 57 17
2 59 22 12 60 24
3 61 20 13 66 27
4 52 10 14 56 20
5 54 16 15 59 20
6 65 23 16 59 17
7 53 13 17 63 21
8 57 16 18 62 18
9 63 24 19 55 17
10 55 12 20 51 13

Construire le diagramme de corrélation. En déduire si la porosité est corrélée à


V ? Dans le cas positif, donner la relation linéaire qui lie la porosité à la vitesse
V de la vis d’extraction pour la polymérisation du nylon.

Remarque avec Excel, si valeurs X placées dans colonnes B2-B21 et Y dans


colonnes C2-C21 :
Etendue wx = MAX (B2 : B21) – MIN (B2 : B21),
Moyenne x = MOYENNE (B2 : B21),
Ecart-type sx = ECARTYPE (B2 : B21),
Coefficient corrélation r = COEFFICIENT.CORRELATION (B2 : B21 ; C2 : C21)

13
MAITRISE STATISTIQUE DES PROCEDES
STATISTIQUES : HISTOGRAMME

STATISTIQUE = résumé chiffré nombre important de données (⇒ perte


informations) obtenu par .
„ regroupement données individuelles en classes : 6 à 15 valeurs résument
40 à plusieurs milliers de données
„ moyenne + dispersion données individuelles autour valeur centrale : valeurs
calculées selon loi de distribution choisie qui résument ensemble des données.
GRAPHIQUES = représentation valeurs sous forme histogramme, "camembert",
courbe de distribution en fréquences, etc. Pour construire correctement
histogramme, à partir de N données individuelles, 4 règles :
„ Nombre de classes K tel que 6 < K < 15. Estimation par K = N ou règle
de STURGES : K = 1 + 3,3 log10 (N).
„ Largeur L classes calculée à partir étendue (w ou R) des données et
nombre K de classes : L = w /K. Arrondir L selon précision voulue ⇒
diminution ou augmentation parfois de K de 1.
ère
„ Limites basse (haute) 1 (dernière) classe telles que + petite (grande)
des données se trouve dans classe et non en limite de classe.
„ Si une valeur se trouve à une interclasse, la mettre par convention dans
classe immédiatement à droite (règle dite "priorité à droite").
REMARQUES : Forme ± symétrique histogramme indique normalité
distribution des données mais test de normalité nécessaire. Si intervalle des
classes de l’histogramme → valeur infinitésimale dx (nombre de classes ∞),
polygone de distribution en fréquences des valeurs ≡ courbe de distribution.
Recherche loi de distribution la + proche de la distribution expérimentale puis
utilisation modèle mathématique pour représenter processus.

14
MAITRISE STATISTIQUE DES PROCEDES
STATISTIQUES : DISTRIBUTION NORMALE

DISTRIBUTION LOI NORMALE caractérisée, pour référence N ≥ 100 par


moyenne µ = Σx/N et écart-type des valeurs σ = ∑ (x − µ )2 / N .
Pour échantillon taille n : m = Σxi/n et s = ∑ (xi − m )2 / (n − 1)
Commencer par tracer données sur diagramme chronologique et éliminer
points "singuliers" de cause connue. Si aucune tendance discernable :
„ Calculer moyenne et écart-type sur ensemble des points (N ≥ 100) avec
formules pour référence afin d’obtenir dispersion ensemble des données.
„ Dissocier série des N données en r sous-groupes de taille n voisine des
échantillons afin d’obtenir dispersion "intrinsèque" ou "instantanée". Si
tracé met en évidence plusieurs populations, calculer écart-type de chacune
des populations ou des r sous-groupes puis écart-type moyen à partir des
variances. Pour tracer histogramme, recentrer valeurs individuelles sur
moyenne cible.
Si tendance chronologique (cas fréquent pour indicateurs) diviser
artificiellement données en sous-groupes de quelques valeurs (minimum = 2) et
calculer écart-type intrinsèque moyen comme précédemment.

aucune tendance n = 2 populations tendance chronologique


Lorsque N données divisées en sous-groupes, écart-type moyen calculé
soit directement à partir de ceux des sous groupes (méthode la plus
précise), soit à partir étendue moyenne w de ces sous-groupes.
♦ Avec 1ère méthode, s = ∑ si2 / r si taille n des r sous-groupes ne varie pas
de ± 10% et s = [ni − 1]si2 / ∑ (ni − 1) autrement.
♦ Avec 2nde méthode, taille n des sous-groupes rigoureusement identiques et
s = w /d2 où d2 donnée en fonction taille n des sous groupes.
n 2 3 4 5 6 7 8 9 10 11 12
d2 1,128 1,693 2,059 2,326 2,534 2,704 2,847 2,970 3,078 3,173 3,258

15
MAITRISE STATISTIQUE DES PROCEDES
STATISTIQUES : PROPRIETES DE LA LOI NORMALE

DISTRIBUTION NORMALE représentée par une courbe symétrique centrée sur µ


et probabilité P(x) de trouver valeur donnée x déterminée par fonction
1 ⎡ ( x − µ )2 ⎤
P( x) = exp − ⎢ ⎥ . Probabilité de trouver des valeurs entre deux limites
σ 2π ⎣ 2σ 2 ⎦
x 1 ⎡ ( x − µ )2 ⎤
x1 et x2 vaut : ∫
P( x1 ≤ x ≤ x 2 ) = 2 exp⎢− ⎥dx (≡ surface S)
x σ 2π
1 ⎣ 2σ 2 ⎦
COORDONNEES CENTREES REDUITES = nombre d’écarts-types k = (x-µ)/σ,
probabilité de trouver valeurs situées au-delà de k écarts-types de la moyenne
s’exprime par la LOI NORMALE REDUITE (LNR) :
∞ 1 ⎡ k2 ⎤
P (x tel que (x-µ)/σ ≥ k) = ∫k exp ⎢ − ⎥dx
2π ⎣ 2⎦
Par définition, distribution LNR a pour moyenne µ = 0 et écart-type σ = 1.

VALEURS CARACTERISTIQUES DE LA LOI NORMALE REDUITE


Entre % de valeurs A l’extérieur de % de valeurs
± 1 écart-type 68,3 % ± 1 écart-type 31,7 %
± 2 écarts-types 95,4% ± 2 écarts-types 4,6%
± 3 écarts-types 99,73% ± 3 écarts-types 0,27%
Tableur EXCEL : PROBABILITE P = LOI.NORMALE.STANDARD (k)
Inversement si P = 5% ⇒ k = LOI.NORMALE.STANDARD.INVERSE(0,05)

16
MAITRISE STATISTIQUE DES PROCEDES
STATISTIQUES : INTERVALLE DE CONFIANCE D’UNE MOYENNE

Pour juger état statistique d’un processus prélèvements (échantillons) dont on


x
détermine moyenne et écart-type sx.
THEOREME LIMITE CENTRALE : si, dans une population normale (moyenne
µ et écart-type σ), on prélève des échantillons de taille n, distribution de ces
échantillons suivra une loi normale (moyenne µ et écart-type sx = σ/ n ).
Pour échantillon, xi peut se trouver ± éloignée de la véritable moyenne µ.
Intervalle de confiance de la moyenne, avec probabilité P donnée, =
estimation [µinf - µsup] autour de xi . Véritable moyenne µ a P% de chance de se
trouver dans intervalle : µinf = xi - k.s/ n ≤ µ ≤ xi + k.s/ n = µsup où k =
nombre écarts-types loi LNR correspondant à probabilité P’ = (100-P)/2 de
trouver cette moyenne et s= estimation de σ connu.
COMPARAISON DE 2 MOYENNES : acuité du jugement = fonction du nombre n
de mesures individuelles et calcul de la dispersion des données établie de façon
sûre (variance "connue") ou sur séries (variance "inconnue").
VARIANCE "CONNUE" : soit n1 et n2 = nombre de mesures pour chacune des
moyennes x1 et x2 , leur différence D = | x1 - x2 | est significativement ≠ 0,
avec probabilité α choisie (risque α) de se tromper si D ≤ + k σd avec
σd = σ 2 / n1 + σ 2 / n2 et k = nombre d’écarts-types de la loi LNR correspondant à
probabilité α de déclarer différence significative alors qu’elle ne l’est pas.
VARIANCE "INCONNUE" (test d’Aspin-Welch) : utilisation de la loi de
Student au lieu de loi normale. Test de l’hypothèse D ≥ t sd avec
sd = s1 2 / n1 + s 2 2 / n2 et t = variable correspondant à probabilité α de déclarer
différence significative alors qu’elle ne l’est pas, pour nombre de degrés de
liberté ν calculé et arrondi à valeur entière la plus proche par :
1 ⎧⎪⎛ 1 ⎞⎛ s 2 ⎞ 2 ⎫⎪ ⎧⎪⎛ 1 ⎞⎛ s 2 ⎞ 2 ⎫⎪
= ⎨⎜⎜ ⎟⎟⎜ 1 2 ⎟ ⎬ + ⎨⎜⎜ ⎟⎟⎜ 2 2 ⎟ ⎬
⎜ ⎟
ν ⎪⎝ n1 − 1 ⎠⎝ n1 s d ⎠ ⎪ ⎪⎝ n2 − 1 ⎠⎜⎝ n2 s d ⎟⎠ ⎪
⎩ ⎭ ⎩ ⎭

17
MAITRISE STATISTIQUE DES PROCEDES
STATISTIQUES : INTERVALLE DE CONFIANCE D’UN ECART-TYPE

INTERVALLE DE CONFIANCE DE L’ECART-TYPE : comme celui de la moyenne


il dépend de la taille n de l’échantillon considéré. Contrairement à celui de la
moyenne, ce paramètre ne suit pas une LNR mais une LOI dite DE χ2. Pour
une valeur d’écart-type donnée sx d’échantillon, véritable écart-type σ peut se
trouver ± éloigné de sx : on appelle intervalle de confiance de l’écart-type,
pour une probabilité P donnée, l’estimation (σinf - σsup) autour de sx
σinf = sx (n − 1) χ 2 (100− P ) / 2 ≤ σ ≤ sx (n − 1) χ 2 (100+ P ) / 2 = σsup
Remarque : loi du χ2 dissymétrique conduit a une faible précision sur écart-
type pour des tailles d’échantillons faibles. C’est pourquoi, il faut déterminer la
dispersion sur minimum 100 valeurs.

COMPARAISON DE DEUX VARIANCES : soit 2 échantillons sur lesquels on a


déterminé les écarts-types s1 sur n1 mesures et s2 sur n2 mesures. Pour
déterminer si les deux écarts-types sont significativement différents, on calcule
le rapport F = s12/ s22 en portant toujours au numérateur la variance la plus
élevée. On cherche ensuite sur la table de "F" (FISHER-SNEDECOR), pour
ν1 = n1 -1 et ν2 = n2 -1 degrés de liberté, la valeur F0 au-delà de laquelle on ne
peut trouver que P% (risque α) de valeurs si les écarts-types sont égaux et
conclure à tort qu’ils sont différents. Ecarts-types non significativement ≠ si
Fcalculé ≤ F0 et ≠ si Fcalculé ≥ F0 avec un risque α = 5% de se tromper

18
MAITRISE STATISTIQUE DES PROCEDES
STATISTIQUES : TEST DE NORMALITE

TEST DE LA DROITE DE HENRY (norme AFNOR X06-050) : test de normalité


pour juger ajustement d’une partie de la distribution des valeurs expérimentales
à une courbe de Gauss. Sur un papier à échelle Gausso-arithmétique
(ordonnées - abscisses) porter, en ordonnées, les fréquences cumulées aux
centres de classes, sauf le premier et le dernier point (trop grande
imprécision). Plus valeurs expérimentales se rapprochent d’une loi normale,
plus les points sont alignés. Pour conclure que la distribution est ou n’est pas
normale, établir un "couloir" de confiance tel qu’on n’a que 5% de risque de
trouver des points extérieurs en portant les intervalles de confiance de la
moyenne et de la dispersion.

A mmin = m - k2,5% s/ N = m - 1,96 s/ N pour 50% des valeurs


B mmax = m + k2,5% s/ N = m + 1,96 s/ N pour 50% des valeurs

C mmin + smin = mmin + s (N − 1)/ χ 2 pour 84% des


2,5%
valeurs
D mmax + smax = mmax + s (N − 1)/ χ 2 pour 84% des valeurs
97,5%
E mmin - smax = mmin - s (N − 1)/ χ 2 pour 16% des valeurs
97,5%
F mmax - smin = mmin - s (N − 1)/ χ 2 pour 16% des valeurs
2,5%

TRACES TYPIQUES DU GRAPHIQUE DE HENRY


Loi normale

19
MAITRISE STATISTIQUE
DES PROCEDES

ANALYSES

A. LAMURE
MAITRISE STATISTIQUE DES PROCEDES
APTITUDE : APTITUDE STANDARD

OBJECTIF = vérifier que variabilité naturelle et centrage du processus de


production compatibles avec tolérances de la caractéristique sélectionnée.
Sur une période stable de référence, prélever, de façon aléatoire, N = 100
valeurs non consécutives. Eviter :
♦ prélèvement sur une trop longue période : risque de modifications de
consigne de marche, de matériel, assimilables à des variations aléatoires du
processus ⇒ surestimation de la dispersion,
♦ prélèvement sur une période trop courte : risque que certains facteurs
aléatoires n’aient pas eu le temps de jouer ⇒ sous estimation de la variabilité.
Moyenne m trouvée sur la (ou les) période(s) de référence peut être
remplacée par une valeur "cible" m0 fixée en général par rapport aux
tolérances [Ti ; Ts] centrée ou non.
Ts − Ti
INDICATEURS D’APTITUDE STANDARD : Cp = lorsque cible centrée
6.s
⎡ T − m0 . m0 − Ti ⎤
sinon Cpk = Min.⎢ s ; (norme NF X06-033). Indicateurs standard
⎣ 3.s 3.s ⎥⎦
fondés sur dispersion standard de 6 écarts-types (99,73% des valeurs). Trois
cas :

Suivant valeurs de Cp ou Cpk, aptitude des processus classée comme :


Cp ≤ 0,67 0,67 ≤ Cp 1,00 ≤ Cp 1,33 ≤ Cp 1,67≤ Cp 2,00≤ Cp
≤ 1,00 ≤ 1,33 ≤ 1,67 ≤ 2,00
très mauvaise très moyenne moyenne bonne à excellente
mauvaise à moyenne à bonne très bonne

21
MAITRISE STATISTIQUE DES PROCEDES
APTITUDE : APTITUDES D’UN MOYEN DE PRODUCTION ET DE CONTROLE

APTITUDE SPECIFIQUE : pour préciser la notion de "risque à l’utilisation du


produit" utilisation d’indicateurs d’Aptitude plus spécifiques (≡ coefficients
d’Aptitude spécifique) notés Ap ou Apk se rapportant à une dispersion de 2 k
écarts-types (2 k = nombre d’écarts-types défini par loi LNR en fonction du
pourcentage de valeurs qui doivent se trouver entre les tolérances) :
Ts − Ti ⎡ T − m0 . m0 − Ti ⎤
Ap = et Apk = Min.⎢ s ;
2k.s ⎣ 2k .s 2k .s ⎥⎦

APTITUDES = indicateurs d’état a posteriori. Dans écart-type s de la période


de référence, tous les facteurs (matières premières, moyens de fabrication,
moyens de contrôle) ont contribué à la dispersion de la production. Afin
de faire la part de chacun d’eux, distinction entre :
♦ APTITUDE OPTIMALE (OU INTRINSEQUE) D’UN MOYEN DE
PRODUCTION : Prélever, dans conditions optimales de stabilité de
fonctionnement, une cinquantaine de pièces sur une courte durée dont
dispersion si = "dispersion intrinsèque du moyen de production" Cam =
IT/ 6si (rapport intervalle de tolérance sur dispersion intrinsèque du moyen
de production sur une courte période) ou Cmk = min.[(Ts - m)/ 3si ; (m - Ti)/
3si] (rapport distance entre moyenne et tolérance la plus proche sur demi -
dispersion intrinsèque du moyen de production sur une courte période).
Remarque : aptitude optimale (ou intrinsèque) ≠ aptitude de
fabrication (influence de la variance de la chaîne de mesure).
♦ APTITUDE D’UN MOYEN DE CONTROLE. : "justesse" du système de
contrôle (dispersion entre moyenne d’une série de résultats et une valeur de
référence). Essais de "répétabilité" à partir d’un seul prélèvement de
fabrication, par le même opérateur, dans un même lieu, sur un seul appareil,
avec le même mode opératoire) non réalisés en MSP.
Essais de "Reproductibilité" (dispersion sR des résultats obtenus à partir
d’un même prélèvement de fabrication, par même méthode mais avec des
opérateurs différents, des appareils différents et des temps éventuellement
variables) pour déterminer les variations de l’ensemble de la chaîne qui
auront des répercussions sur pilotage de fabrication. ⇒ Cmc = IT/6sR (rapport
intervalle de tolérance du moyen de production sur dispersion de
reproductibilité du moyen de contrôle sur une courte période).

22
MAITRISE STATISTIQUE DES PROCEDES
APTITUDE : ETUDE COMPARATIVE DES VARIANCES

INDICATEURS D’APTITUDE présentent plusieurs inconvénients :


♦ aptitudes d’un niveau de qualité ne peuvent servir au pilotage des processus,
♦ aptitude intrinsèque jugée qu’au travers de mesures ⇒ valeurs ne donnent
pas aptitude propre du processus de fabrication,
♦ aptitudes non additives : aptitude globale du processus de production ≠
aptitudes processus fabrication + processus contrôle (inverse racine carrée),
♦ aptitudes ne permettent pas de définir objectifs relatifs de variabilité du
processus de contrôle vis-à-vis du processus de fabrication.
VARIANCES DE FABRICATION ET DE CONTROLE : variance VP du processus
de production, pour caractéristique donnée d’un produit = somme variances
des éléments qui le compose : matières premières, opération de fabrication
(hommes et machines) et ensemble des opérations qui amènent aux résultats de
mesure (chaîne de mesure).
Si Vp = variance globale de production (Vp = s2 processus de production) et
VC = variance processus de contrôle (VC = sR2 reproductibilité) ⇒ variance
matières premières Vmp ≈ Vp + VC et Vmp + VF = estimation de la variance de
l’ensemble (matières premières + fabrication). La part de la variance de
contrôle ne doit pas dépasser 20% de la variance totale. La variance n’est
pas un indicateur passif : c’est un outil d’amélioration de la Qualité.

Exemple : réduction en priorité de la dispersion du processus de :


fabrication. Contrôle

23
MAITRISE STATISTIQUE DES PROCEDES
APTITUDE : FABRICATION DE FIL METALLIQUE

APPLICATION : FABRICATION FILS METALLIQUES


Dans une usine de fabrication de fil métallique pour pneumatique, on contrôle
la charge à la rupture des fils avec un dynamomètre. Les fils de diamètres
0,175 mm ont une charge à la rupture moyenne de 80 N et les tolérances sont
de ± 3,6 N. On sait centrer cette charge à la rupture en jouant sur le diamètre
du fil initial avant tréfilage.

Durant une période de référence, on a trouvé écart-type global sP = 1,08 N sur


la production. En déduire l’Aptitude de la production Ap
Sur la même période, à partir d’une seule bobine de fil, le laboratoire de
contrôle a estimé la reproductibilité de la mesure dynamométrique sR = 0,75 N.
En déduire l’aptitude du moyen de contrôle Cmc

En déduire les pourcentages respectifs des variances de fabrication et de


contrôle VF% et VC%
On s’aperçoit que la part de la variance de contrôle est trop importante pour
pouvoir piloter le processus de tréfilage avec une seule mesure par bobine. Le
seul moyen de diminuer cette part de variance et, par là même, augmenter
l’aptitude de l’ensemble (fabrication + contrôle) est de faire n mesures sur
chaque bobines. Calculer avec n = 8 les nouvelles variances de contrôle V’C
et de production ainsi que les nouveaux pourcentages respectifs des variances

Quelle est, dans ce cas, l’aptitude globale du processus C’p ?

24
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : DEPLACEMENT LIMITE DE LA MOYENNE

ZERO DEFAUT n’existe statistiquement que pour intervalle compris entre ±


∞ ⇒ "zéro défaut" ≡ très faible probabilité statistique p, définie en
fonction du risque que client trouve résultats hors tolérances. Tout
processus dérive avec le temps sous effet de causes indéterminées qu’on
s’efforce de supprimer pas à pas ou aléatoires qui peuvent se conjuguer
momentanément pour donner des effets dans le même sens. Si
caractéristique d’un processus dérive d’une quantité ∆ vers la tolérance
supérieure Ts, il ne faut pas que sa moyenne m dépasse une certaine valeur
limite mrs (= "moyenne refusable supérieure") qui assure encore
probabilité p choisie (équivalente au "zéro défaut"). Dans le cas de 2
tolérances Ti inférieure et Ts supérieure ⇒ limites inférieure mri et
supérieure mrs. Exemple si équivalence du "zéro défaut" est p = 0,135%
mri et mrs se trouveront à 3 écarts-types en retrait des tolérances Ti et Ts
POSITIONS DE mri ET mrs définies par loi LNR, dès que p fixé : mrs = Ts -
ks et mri = Ti + ks avec k = nombre écarts-types correspondent à p%. Pour
simplifier formules, dérive maximale ∆ de la moyenne exprimée en
nombre d’écarts-types δ = Min.[(mrs - m0)/s ; (m0 - mri)/s]. Plus δ grand,
plus processus apte à respecter tolérances et moins contrôle coûte
cher et δ optimum quand Ti et Ts symétriques par rapport à m0. Lorsque
processus est centré, probabilité que client trouve des valeurs hors
tolérances est minime : ce n’est que lorsque moyenne atteint mri ou mrs
qu’elle est de p%. Comme cartes de maîtrise calculées de façon à détecter
toute dérive δ ≤ D, probabilité moyenne réelle qu’un client trouve une
valeur hors tolérances est toujours inférieure à p.

25
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : PERIODES OPERATIONNELLES

Pour la détermination de l’effectif n des échantillons, il faut tenir compte


des deux risques α et β de se tromper.
CARTES SHEWHART : risques évalués en probabilités car informations
données par échantillons successifs traitées de façon indépendante les
unes des autres (α et β constants d’un échantillon à l’autre).
CARTES CUSUM ET EWMA : informations présentes combinées avec
celles du passé ⇒ risques α et β évoluent chronologiquement et
concepts de risque traduits en termes de "Périodes Opérationnelles".
PERIODE OPERATIONNELLE P = nombre N d’échantillons successifs
jusqu'à en trouver un qui conduise à penser que le processus a dérivé.
♦ si processus n’a pas dérivé en réalité, période notée P0 correspond au
concept de "fausse alarme",
♦ si le processus a dérivé effectivement, période notée P1 correspond au
concept "(100 - β)" chance de détecter rapidement cette dérive.
Remarque : on désire P1 la plus petite possible (détection rapide des
véritables dérives 1 < P1 < 4) et P0 la plus grande possible (le moins
possible de fausses alarmes 100 < P0 < 1 000) ⇒ conséquences sur effectif
n des échantillons, c.a.d sur coût de contrôle.

Dérive Fausse alarme

26
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : PERIODES OPERATIONNELLES MOYENNES

PERIODE OPERATIONNELLE d’une séquence d’échantillons, jusqu'à


obtenir un échantillon qui sort des limites de contrôle = nombre entier.
Mais si processus placé à une position déterminée (exemple à mrs) et que
plusieurs séquences successives sont lancées, nombre d’échantillons au
bout duquel on est alerté d’une dérive n’est pas le même à chaque
séquence : on a une distribution aléatoire des fréquences de Périodes
Opérationnelles.
PERIODE OPERATIONNELLE MOYENNE : pour carte SHEWHART
distribution des Périodes Opérationnelles toujours décroissante et a une
longue traînée tandis que celle des cartes CUSUM et EWMA est beaucoup
plus resserrée, dissymétrique, avec un maximum (continûment Ì que si
moyenne < 1,5). Moyenne de cette distribution = "Période
Opérationnelle Moyenne" notée POM0 si c’est une fausse alarme
(conventionnellement P0= 100/α) et POM1 si c’est une véritable alarme
(P1 = 100/(100-β)).

PERIODE OPERATIONNELLE MAXIMALE : normes font apparaître, pour les


véritables alarmes, la notion de POMAX, = valeur de Période
Opérationnelle Maximale n’ayant que 5% de risque d’être dépassée : les
POMAX peuvent être :
♦ calculées pour cartes SHEWHART : POMAX = ENT.⎨1 + 3/Ln[P1/(P1-1]⎬)
♦estimés pour les 2 autres cartes : POMAXCUSUM = ENT. ⎨2P11,1 - 0,75⎬
et POMAXEWMA = ENT. ⎨2P11,1 - 0,5⎬).

27
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : CARTES DE LA MOYENNE SHEWHART

RISQUE α : cartes SHEWWART + adaptées aux processus discontinus.


Le processus étant centré, si distribution suit loi LN (moyenne m0 et écart-
type s), distribution échantillons suit loi normale (moyenne m0 et écart-
type s/ n ). Si limites de maîtrise à ± 3 écarts-types de cible (Lm = m0 ±
3s/ n ), probabilité α = 2 x 0,135% = 0,27% de trouver valeurs hors des
tolérances : risque α "bilatéral" (égale probabilité de chaque côté).
Remarque : limites de maîtrise sont soit fixées à ± k1 s/ n de la valeur
cible, k1 = nombre écarts-types correspondant à probabilité α/2 (0,1% ≤
α/2 ≤ 1% ⇔ 3,09 ≥ k1 ≥ 2,33) soit exprimées en Périodes Opérationnelles
P0 = 100/α, (1 fausse alarme tous les 500 à 50 échantillons en moyenne).
RISQUE β : pour calculer taille n des échantillons, il suffit, après avoir
calculé déplacement maximal δ de la moyenne, de tenir compte du risque
β de ne pas déceler ce déréglage. Si moyenne du processus se déplace de
δ écarts-types (⇔ ∆ = δ.s) et atteint moyenne "refusable", très forte
probabilité de trouver une valeur d’échantillon (= moyenne de n valeurs
individuelles) > limite de maîtrise Lms mais probabilité de trouver une
valeur < Lms (= risque β) et décider, à tort, de ne pas régler. Risque β
"unilatéral" (n’existe que d’un seul côté de la distribution lorsque
processus est centré sur mrs ou sur mri). Pour un risque β donné, nombre
écarts-types entre Lms et mrs = k2 (loi LNR). En général : 5% ≤ β ≤ 20%
⇔ 1,645 ≥ k2 ≥ 0,842
DEPLACEMENT δ DE LA MOYENNE : δ = (Lms -m0)/s + (mrs - Lms)/s
δ = (k1 s/ n )/s + (k2 s/ n )/s = (k1 + k2)/ n ⇒ Equation d’efficacité carte
SHEWHART : δ n = k1 + k2 où k1 et k2 = nombres écarts-types liés aux
risques α/2et β.

28
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : EFFICACITE DES CARTES SHEWHART

EFFECTIF N DES ECHANTILLONS : équation d’efficacité δ n = k1 + k2 ⇒


pour un déplacement de la moyenne δ fixé et des risques α et β choisis,
effectif n des échantillons ne peut être quelconque si on veut assurer les
tolérances. Courbes d’efficacité traditionnelles (risque α = 0,27%)
permettent, après avoir choisi β, de déterminer cet effectif n. Ces
courbes montrent qu’une carte SHEWHART n’est efficace et économique
que pour de grandes dérives (δ > 1,33 soit Cp >145). Limites de maîtrise
d’une carte de SHEWHART assurant tolérances sont Lm = m0 ± k1 s/ n
avec n calculé par équation d’efficacité
ABAQUE permet de trouver rapidement meilleur compromis entre n (coût
de contrôle) et P0 (fausse alarme) et donne les limites de maîtrise
correspondantes. Calculer δ et choisir P1 (nombre moyen d’échantillons
successifs pour détecter dérive δ) puis lire sur abaque couples (n, P0)
correspondants et le paramètre k1 des limites de maîtrise.

29
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : ABAQUE DES CARTES SHEWHART

30
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : CARTES DE LA DISPERSION SHEWHART

Construction carte maîtrise de la moyenne s’appuie sur valeur écart-type s


de référence ⇒ surveillance de sa relative constance. Généralement,
utilisation CARTE DES ETENDUES "wx" pour n < 10 - 12 et des ECARTS-
TYPES "sx" au-dessus. Pour ces 2 cartes approximation loi en χ en loi
2

normale et limites se déduisent de tables normalisées. Si dispersion doit


être maîtrisée, recalculer limites à partir loi en χ2. Intervalle de confiance
écart-type σ0 compris entre :
σinf = sx (n − 1) χ 2 ≤ σ0 ≤ sx (n − 1) χ 2 = σsup
(100 − P ) / 2 (100 + P) / 2
Inversement, σ0 ayant été estimé par s, écarts-types sx des échantillons ont
une probabilité p de se trouver entre limites Lci et Lcs telle que :
χ2 χ2
σ0 (100 + P ) / 2 σ0 (100 − P ) / 2
Lci = n −1 et Lcs = n −1 avec risque α/2 de
fausse alarme identique pour chaque limite et égal à (100 - P)/2
Cartes Cible limite inférieure limite supérieure
sx c4 s B5 s B6 s
wx d2 s D1 s D2 s
n c4 B5 B6 d2 D1 D2
2 0,7979 0 2,606 1,128 0 3,686
3 0,8862 0 2,276 1,693 0 4,358
4 0,9213 0 2,088 2,059 0 4,698
5 0,9400 0 1,964 2,326 0 4,918
6 0,9515 0,029 1,874 2,534 0 5,078
7 0,9594 0,113 1,806 2,704 0,205 5,203
8 0,9650 0,179 1,751 2,847 0,387 5,307
9 0,9693 0,232 1,707 2,970 0,546 5,394
10 0,9727 0,276 1,669 3,078 0,687 5,469
11 0,8754 0,313 1,637 3,173 0,811 5,535
12 0,8776 0,346 1,610 3,258 0,922 5,594
13 0,9794 0,374 1,585
14 0,9810 0,399 1,563
15 0,9823 0,421 1,544
20 0,9869 0,504 1,471
25 0,9896 0,559 1,421

31
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : PRINCIPE DES CARTES EWMA

Efficacité cartes SHEWHART médiocre pour petites dérives


CARTES EWMA ("Exponentially Weighted Moving Average") : prise en
compte valeur échantillon actuel et résultats précédents de façon
pondérée. A partir des valeurs moyennes x1 , x2 , .... xi des échantillons
successifs, calcul et suivi de : Zi = λ x
i
+ (1 - λ) Z(i-1) avec 0 < λ ≤ 1:
VALEUR CIBLE : au démarrage d’une séquence : Z0 = m0
ensuite : Zi = λ x
i
+ (1 - λ) Z(i-1)
λ = coefficient de pondération tel que si λ = 1 ⇒ carte de SHEWHART et
plus λ Ì ⇒ petites dérives mieux décelées mais pas dérives brusques et
importantes ⇒ généralement pour processus continus, 0,25 ≤ λ ≤ 0,50 et
souvent λ = 0,33.
APPROXIMATION DE λ EN FONCTION DE LA PERIODE OPERATIONNELLE P1
λ ≈ 1 - 0,7 tg[(P1 - 1)/P1] pour 1 < P1 ≤ 5 et (P1 - 1)/P1 = angle en radians

LIMITES DE MAITRISE : . Lm = m0 ± L sZ / n avec :


♦ sZ = s λ 1 + ∑ (1 − λ ) → s
(2 − λ ) quand rang i échantillon →∞. Au
2 (i −1)
λ

début d’une séquence, limites = segments // qui convergent très vite vers Lm
et dès 4ème échantillon, limites de maîtrise ≡ droites parallèles.
♦ Paramètres des limites L soit lu sur abaque d’efficacité vraie, soit
approximé par L = k1 – 0,3 (δ. n )-2,32 – 0,019 où k1 = nombre d’écarts-types
de loi LNR pour probabilité (100/2P0) exprimée en %. Obtention également
Lorsque δ n > 2,5 ⇒ L → k1.
2,5
du paramètre L par : L = k1 - 1
(
4δ n )
32
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : EFFICACITE DES CARTES EWMA

EFFECTIF n DES ECHANTILLONS :


♦ Efficacité vraie de la forme δ n = F ( Pf 0 , Pf1 ) avec :
F(Pf0, Pf1) =2 ⎨1/Pf1 Ln(Pf0/Pf1) - (Pf1 - 1)/Pf1 Ln[Pf1/(Pf1 - 1) (Pf0 - 1)/ Pf0]⎬
⇒ utilisation d’algorithmes complexes (logiciels spécifiques) pour obtenir n.
♦ Utilisation de l’équation d’efficacité approchée des cartes EWMA :
δ n = [k1 + k2].e[(f1 – P1)/f2] ] pour 1 < P1 ≤ 5 et k1 = nombre d’écarts-types loi
LNR pour la probabilité [100/2P0] %, k2 = nombre d’écarts-types loi LNR
pour la probabilité [100(P1 – 1)/P1] %, f1 = 0,628 (P0 + 20)0,0221 + 0,457 et
f2 = 16,33 (P0 - 20)-0,058 – 1,07
♦ Utilisation d’abaque de l’efficacité vraie des cartes EWMA, en fonction
des Périodes Opérationnelles Moyennes. Abaque permet trouver meilleur
compromis entre n (coût de contrôle) et P0 (fausses alarmes) et donne
directement limites de maîtrise correspondantes : calcul d’abord de δ et
choix de P1 (nombre moyen d’échantillons successifs pour détecter dérive
δ). Abaque donne couples (n, P0) correspondants et paramètres L des limites
de maîtrise. En fixant ensuite de façon intermédiaire n à une valeur entière,
calcul de la valeur estimée de P0 correspondant à cette valeur intermédiaire.

33
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : PRINCIPE DES CARTES CUSUM

PRINCIPE DES CARTES CUSUM : prise en compte informations passées en


faisant cumuls algébriques des écarts entre valeurs des échantillons x1 ,
x2 , xi et une moyenne d’observation m0. Suivi de 2 tracés sur carte de
maîtrise :
♦ celui des Si+ dont on ne prend que valeurs ≥ 0 (valeurs < 0 ramenées à
0),
♦ celui des Si- dont on ne prend que valeurs ≤ 0 (valeurs >0 ramenées à

0).
VALEUR CIBLE : m0 = 0
LIMITES DE MAITRISE d’une carte CUSUM sont : Lm = 0 ± h s/ n
où h = coefficient appelé paramètre des limites de maîtrise qui peut être :
♦ lu sur l’abaque d’efficacité vraie
♦ approximé par h = k1 – (δ. n /2) + 0,3 e [1,2 k1 – (1,55 δ. n )]
Comme écart direct à valeur cible ⇒ nombre très important de fausses
alarmes, calculs démarrés que lorsqu’une valeur d’échantillon sort du
"couloir" [moi, mos] ⇒ minimisation fausses alarmes. Moyennes
d’observation habituellement placées à mi-chemin entre cible et
moyennes refusables. : Si+ = Si-1+ + (xi - m0) ≥ 0 Si- = Si-1- + (xi - m0) ≤ 0
avec mos = (m0 + mrs)/2 et moi = (m0 + mri)/2
Lorsqu’une valeur de S+ ou S- sort des limites de maîtrise ⇒ action
pour recentrer processus, arrêt des calculs et démarrage d’une nouvelle
séquence sans tenir compte des résultats antérieurs.

34
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : EFFICACITE DES CARTES CUSUM

EFFECTIF N DES ECHANTILLONS


♦ Efficacité vraie de la forme δ n = F ( Pf 0 , Pf1 ) avec :
F(Pf0, Pf1) =2 ⎨1/Pf1 Ln(Pf0/Pf1) - (Pf1 - 1)/Pf1 Ln[Pf1/(Pf1 - 1) (Pf0 - 1)/
Pf0]⎬ ⇒ utilisation d’algorithmes complexes (logiciels spécifiques) pour
obtenir n.
♦ Utilisation d’abaque de l’efficacité vraie des cartes CUSUM, en
fonction des Périodes Opérationnelles Moyennes. Abaque permet
trouver meilleur compromis entre n (coût de contrôle) et P0 (fausses
alarmes) et donne directement limites de maîtrise correspondantes:

♦ Utilisation de l’équation d’efficacité approchée des cartes CUSUM :


δ n = [k1 + k2].e[(f1 – P1)/f2] ] pour 1 < P1 ≤ 5 et k1 = nombre d’écarts-types
loi LNR pour la probabilité [100/2P0] %, k2 = nombre d’écarts-types loi
LNR pour la probabilité [100(P1 – 1)/P1] %, f1 = 1,209 (P0 + 20)0,0186 + 0,003
et
f2 = 11,50 (P0 - 40)-0,07 – 1,50
35
MAITRISE STATISTIQUE DES PROCEDES
CARTES DE CONTROLE : COMPARAISON DES CARTES DE MAITRISE

♦ si δ n < 3,5 prendre une carte CUSUM ou EWMA,


♦ si δ n > 3,5 prendre la carte SHEWHART car elle a la même
efficacité et est plus simple à calculer et à tenir pour les opérateurs.
CARTES SHEWHART CUSUM EWMA λ<0,5 EWMA λ>0,75
Caractéristiques oui non lissée presque
Limites de contrôle oui oui non au début non au début
Efficacité pour détecter :
petites dérives δ mauvaise bonne bonne moyenne
dérives δ importantes bonne moyenne moyenne bonne
Coût contrôle pour δ petit élevé plus faible plus faible moyen

36