Université Hassan II de Casablanca Faculté des Sciences Ben M’Sik
DEPARTEMENT DE CHIMIE Masters GME & VARENAP
Module : Maîtrise Statistique des Procédés (MSP) = Contrôle Statistique des Procédés (CSP)
Pr S. BELOUAFA
Année universitaire 2021-2022
1 Présentation introductive
2 La maîtrise statistique des procédés (MSP) est DISPERSION «REGULIERE»
un ensemble de techniques ayant pour objectif d’amener un temps
processus dans un état
stable (sous contrôle) Processus stable et de le maintenir dans cet état. 3 DISPERSION «IRREGULIERE» Tous les processus • Le processus n’est pas maîtrisé sont naturellement • Il faut analyser avec MSP variables et être ??? ? ? sous contrôle n’est ? ? ? ? ? ? pas un état naturel! ? ?? ?? ?
temps
Processus instable
4 Variabilité
Entrants Sortants
Processus
Variabilité
5 Diagramme Causes-Effet Milieu Matière Main d'Oeuvre
circuit d'eau couleur
hygiène
circuit d'air odeur
motivation température texture
formation propreté propreté
manutentions stérilisation
entreposage débit
lavage température
décongélation entretien
Méthodes Machines
6 Processus amélioré: moins de variabilité à l’entrée et au cours de la production => moins de variabilité à la sortie
Entrants Sortants Processus
MSP • Optimiser des paramètres • Éviter les dérives de processus • Réduire les coûts de non-qualité • Améliorer la productivité 7 Techniques de la MSP : Analyse des données Plans d’expériences …
8 Analyse des données
9 Définition L’analyse de données (ou le traitement informatique des données) est une série de processus qui permettent d’extraire de l’information ou de produire du savoir à partir de données brutes. Ces processus, une fois programmés, sont le plus souvent automatisés à l’aide d’ordinateurs.
10 Analyse ?
L’analyse des résultats d’une étude implique la poursuite de trois objectifs :
- Résumer les informations recueillies pour chacune des variables mesurées,
- Découvrir des relations entre certaines de ces variables,
- Généraliser les résultats à la population mère.
11 Analyses possibles * Suivant le nombre de variables, étudié à la fois, les analyses ne sont pas les mêmes :
Décrire une variable à la fois
Mettre en liaison 2 variables : expliquer
Analyser simultanément plusieurs variables
expliquer
12 Objectifs
– Comprendre les étapes d’une analyse de données.
– Se familiariser avec le logiciel SPSS.
Compétences recherchées
– Comprendre les fondements des méthodes statistiques.
– Savoir interpréter les tables et graphiques issus de ces méthodes.
– Etre capable de mener soi-même une telle étude.
13 Etapes d’une Analyse de données
Encodage Comment 1e fois quepasser de la matrice l’on dispose à la base des données, on de est données souvent klk peu démuni. Comment faire face à cette masse de variables et de données ? Il faudra disposer d’1 logiciel Etape nécessaire pour la recherched’an. de données rapide des erreurs et valeurs aberrantes
Permet de tirer 1 maximum d’information de données par des analyses
descriptives simple
Permet de répondre aux questions posées dans l’étude tout en utilisant des outils statistiques Sous forme de textes, tableaux ou de graphiques
Cette écriture sera guidée par les hypothèses de départ
14 Objectifs de l'étude
La première phase consiste à rédiger clairement les objectifs de l'étude en les
décomposant en "domaines d'interrogation".
15 Etapes d’un traitement informatique de données
16 • N variables • P réponses
L’ «espace d’observation» comme résultats du produit
cartésien entre ces deux ensembles d’éléments : La matrice
Créer un fichier de données.
Pour cela, il faut élaborer et utiliser un plan de codage
17 Exemple de Tableau de codage
Variable Etiquette de la Etiquette de la Valeur
Variable id Numéro d’identification ph pH 1=acide 2=neutre 3=basique phase 1=solide 2=liquide 3=gaz V Volume
18 Etapes d’un traitement informatique de données
19 Mise en forme des données et validations de base Rassembler les données en un fichier rectangulaire et mise en forme du fichier • Choisir une structure de fichier en accord avec l’analyse qui sera faite. • Unifier les noms des variables, le codage des variables catégorielles, les unités… • Choisir des noms explicites pour les variables (8 lettres ou chiffres sans accents) • Mettre des labels explicites pour les étiquettes de variables (si pas trop longs) • Coder les valeurs manquantes (blanc, NA, -9999…).
Validations de base Recherche rapide des erreurs et valeurs aberrantes (intervalle acceptable, relations logiques entre variables…). Action appropriée dans le fichier mais ne pas “jeter” d’information. Transformer éventuellement des variables
Outils conseillés • Excel pour les petits tableaux (manipulations manuelles) • SPSS pour les grands tableaux et/ou les tâches répétitives et/ou complexes. Cette étape peut prendre les ¾ du temps de l’étude. 20 Transformation de variables
• Modifier la structure (la forme) d’une variable (recodage) :
modifier la manière dont la variable a été initialement codée pour satisfaire aux exigences de certaines analyses. Vous pouvez modifier les valeurs de données en les recodant . Exemple : fusionner des rendements dans des catégories d’intervalles de rendement.
• Créer une nouvelle variable : création d’une nouvelle variable
à l’aide d’opérations arithmétiques et/ou d’opérations logiques sur une ou plusieurs variable(s) d’origine : Calculer les valeurs d’une variable en fonction des transformations numériques d’autres variables.
21 Exemple 1 : restreindre l’échelle de pH
a) Passage de 4 modalités à 2 :
Ancienne variable Très acide faiblement Faiblement Très Acide basique basique pH 1 2 3 4
Nouvelle variable Acide basique 1 2
22 Exemple 2 : l’indice de masse corporelle (IMC)
L’«Indice de masse corporelle» s’obtient en divisant le poids d’un
individu (exprimé en kg) par le carré de sa taille (en mètres).
A partir des variables "Poids" et "Taille" figurant dans un fichier,
on peut donc créer la nouvelle variable "Masse corporelle" : poids/taille2
23 Exemple 3 : croisement T - pH
Connaissant la T et le pH d’un groupe de réacteurs, on peut créer
une variable composite en définissant 4 modalités :
T = 90°C T = 100°C pH = 9 1 3 pH = 10 2 4
1 : T de 90°C, pH = 9 2 : T de 90°C, pH = 10 3 : T de 100°C, pH = 9 4 : T de 100°C, pH = 10
24 Etapes d’un traitement informatique de données
25 Analyse exploratoire des données Objectif Tirer un maximum d’informations des données par des analyses descriptives simples. Etudier les distributions des variables et les relations entre elles.
Méthodes • Pour chaque variable, dessiner la distribution (histogramme ou diagramme en barres), la résumer par quelques indices (min, max, moyenne, médiane, tableau de fréquence), • Pour chaque couple de variables étudier la relation qui les lie (graphe X-Y ou table de contingence), • Quand le nombre de variables est grand, utiliser des techniques d’analyse de données (composantes principales, …). 26 Les mesures d’association: Quel intérêt ?
Explorer les liens entre les variables analysées (sont
elles liées? ) Expliquer une variable par une autre Faciliter la prise de décision
27 Relation entre deux variables Description des caractéristiques d’un ensemble d’observations à partir de deux variables : étude de la relation entre variables (statistique bivariée).
• Corrélation (Spermann, Kendall, Pearson)
• Régression linéaire simple
28 Corrélation La corrélation mesure la relation linéaire entre deux variables.
La corrélation peut prendre des valeurs entre –1 et 1 avec :
• proche de –1 : forte relation négative,
• proche de 0 : pas de relation linéaire,
• proche de 1 : forte relation positive.
29 30 31 Relation entre variables quantitatives Corrélation de Bravais-Pearson La corrélation r de Pearson est une mesure d’association paramétrique pour deux variables aléatoires continues
32 Ex :Relation taille-poids
33 Relation entre variables qualitatives Deux variables qualitatives de types nominales : • Tableau croisé (cf. cours d’Excel). Deux variables qualitatives de types ordinales : • corrélation de rangs avec les coefficients de corrélation rhô de Spearman et tau de Kendall.
34 Corrélation rhô de Spearman Le rhô de Spearman est une mesure d’association non paramétrique basée sur le rang des valeurs des données.
Il peut être utilisé pour des données qualitatives et pour des valeurs extrêmes. Pour cela, remplacez les valeurs par des rangs, c’est-à-dire remplacez xi par Ri et yi par Si
35 Corrélation rhô de Spearman
36 Corrélation tau de Kendall Le tau de Kendall est une mesure d’association non paramétrique basée sur le nombre de concordance et de non concordance dans les pairs d’observations. La concordance a lieu lorsque les pairs d’observations varient ensemble et la discordance lorsque les pairs d’observations varient de manière différente.
On compte combien de segments sont orientés vers le
haut et combien sont orientés vers le bas :
37 Corrélation tau de Kendall :
relation pas de relation
38 Corrélation Il est primordial de vérifier la linéarité de la relation, car :
• Corrélation linéaire de valeur nulle ne veut pas dire qu’il
n’existe pas de relation entre les variables, p.ex.: relation quadratique.
• La mesure de la corrélation est très sensible aux données
extrêmes. Il est possible d’obtenir une corrélation linéaire significative même s’il n’y a pas de relation entre les variables.
39 Régression linéaire simple Permet de mesurer la relation linéaire entre deux variables, tout comme la corrélation, mais elle donne une direction à la relation : c’est la VI qui explique, et qui est la cause de la variation de la VD.
Le but de cette mesure est de savoir :
(1) si cette relation est présente
(2) quelle est sa force (quel pourcentage de la variance de la VD, la VI peut
expliquer)
(3) Comment utiliser ce résultat pour pouvoir prédire la VD sur d’autres
sujets pour lesquels on connaît la valeur de la VI. 40 Régression linéaire simple Equation de la droite de régression :
Y= a + b.X Y : la variable dépendante (VD)
X : la variable indépendante (VI)
a : ordonnée à l’origine (intercept) de la droite de régression
b : pente (slope) de la droite de régression
41 Régression linéaire simple : R-deux ajusté R-deux ajusté : pourcentage de variance expliquée par la
variable indépendante.
R-deux ajusté entre 0 et 1
• proche de 1 : la valeur VI prédit presque exactement la valeur
de la VD.
• proche de 0 : la VI n’arrive pas à prédire la VD.
42 Etapes d’un traitement informatique de données
43 Analyse statistique pour répondre à la question Objectifs - Répondre aux questions posées dans l’étude. - Tirer un maximum d’informations supplémentaires des données.
Méthododologie • Rechercher les méthodes statistiques utiles pour répondre aux questions et qui soient adaptées aux variables en jeu (quantitative ou qualitative). • Effectuer les analyses avec si possible plusieurs méthodes (ex. Test param – non-param) et tester plusieurs variantes des méthodes (transformer les variables, sélection de variables dans les modèles…). • Valider les hypothèses et recherche de points influents (normalité…). • Comparer, recouper les résultats des différentes analyse à l’aide de graphiques et d’indices statistiques. Tenter de comprendre la source des différences.
L’analyse statistique est un processus itératif
44 Etapes d’un traitement informatique de données
45 Exportation des résultats, préparation du rapport Types de résultats : textes, tableaux et graphiques Mode de sauvegarde de résultats : Dans un traitement de texte (Word), sous forme HTML, sous forme de fichier texte ou graphique (EPS, GIF…), sous forme de fichier “intelligent” lié au logiciel qui l’a produit. Méthode de transfert des résultats du logiciel de traitement de texte : Via fichiers ou par copier/coller Recommandations • Mettre les résultats (tableaux, graphiques) en forme dans le logiciel statistique. • Documenter rapidement les analyses liées à chaque sortie. • Attention aux pertes de qualité dans le copier/coller. Utiliser le “copier special” dans Word. 46 Définition de l’étude
