Exercice Lean 13

Manuel de l’étape d’analyse
Table des matières
Révision de l’étape de mesure

1.1 Révision de l’étape de mesure 12-3
1.2 Test de révision de l’étape mesure 12-4
Analyse des causes et des effets

2.1 Arbre des causes 12-12
2.2 Matrice causes/effets 12-14
2.3 Évaluation des KPIV 12-16
L’AMDEC pour Six Sigma

3.1 Énumération des modes de défaillance 12-18
3.2 Les effets des défaillances 12-21
3.3 Identification des causes 12-22
3.4 Analyse d’une AMDEC 12-23
Estimation et intervalles de confiance

4.1 Estimation de la moyenne d’une population (grands échantillons) 12-26
4.2 Estimation des moyennes d’une population et des différences entre
les moyennes d’une population 12-29
4.3 Estimation des proportions d’une population et des différences entre
les proportions de populations 12-32
Validations d’hypothèses
5.1 Hypothèses nulles et hypothèses alternatives 12-35
5.2 Validation d’affirmations relatives à une moyenne 12-37
5.3 Deux moyennes de populations 12-40
5.4 Moyennes de population et variances 12-44
5.5 Validation de l’égalité des proportions d’une population 12-47
5.6 Validation d’une association 12-49
5.7 Puissance et taille d’échantillon 12-50
W2AnalyzePhaseWorkbook-fr.doc 12-1 Johnson Controls, Inc. June 2004

Analyse de la variance
6.1 ANOVA à un paramètre 12-56
6.2 ANOVA à un paramètre avec Minitab 12-59
6.3 ANOVA à deux paramètres 12-61
Corrélation et régression linéaire simple

7.1 Diagramme de dispersion 12-65
7.2 Graphique de dispersion avec Minitab et coefficient de corrélation 12-66
7.3 Régression linéaire simple avec Minitab 12-67
7.4 R2 ajusté et signification générale 12-68
7.5 Prévision 12-69
7.6 Adéquation du modèle 12-70
7.7 Analyse résiduelle 12-71
7.8 Analyse de régression approfondie 12-72
Création du plan de gestion du projet

10.1 Création du plan de gestion du projet 12-74
Exercices Green Belt

11.1 Vérification de causes 12-80
11.2 Process Mapping en phase analyse 12-82
11.3 Analyse Process Map 12-83
11.4 Introduction aux tests d’hypothèses 12-84
Johnson Controls, Inc. June 2004 12-2 W2AnalyzePhaseWorkbook-fr.doc

Exercice 1.1 – Révision de l’étape de mesure

1. Répartissez-vous en petites équipes.
2. Chaque équipe va recevoir un certain nombre de diapositives PowerPoint tirées du

module 1 de cet ouvrage.
a) Préparez-vous à présenter les diapositives (20 minutes).

Discutez avec votre équipe du contenu des diapositives et préparez-vous à
les présenter à l’ensemble du groupe.
b) Présentez les diapositives (30 secondes maximum par diapositive).

Votre équipe présentera les diapositives PowerPoint à l’ensemble du groupe.
Équipe 1 : Diapositives n° 5 à 13 (de la page 1-3 à la page 1-7)
Équipe 4 : Diapositives n° 38-49 (de la page 1-19 à la page 1-25)

Exercice 1.2 – Test de Révision de la phase Mesure

Instructions: sauf indication particulière, entourez la seule bonne réponse.
1. L’objectif premier de la phase Mesure est de …

a) Identifier les variables d’entrée clés(KPIV) (Xs).
b) Etablir le référentiel de départ du processus en termes de ses Ys.
c) Utiliser des preuves statistiques pour vérifier des causes.
d) Déterminer comment contre-carrer des causes.
2. Une entreprise qui utilise Six Sigma comme un outil et non comme une stratégie NE
FERA PAS (entourez les bonnes réponses) …
a) Changer “l’ADN corporate”
b) Réaliser les gains court-terme de Six Sigma
c) Focaliser sur les problèmes
d) Changer la structure de l’EBIT
3. Six Sigma CE N’EST PAS …

a) Fixer des priorités en se basant sur ce qui est important pour le client.
b) Une utilisation intensive d’outils statistiques pour améliorer les process.
c) Se focaliser sur la réduction des variations et des défauts.
d) Gérer par la fonction plutôt que par les process.
4. Laquelle des déclarations suivantes est-elle FAUSSE?

a) Améliorer l’efficacité d’un process entraîne une amélioration de son efficience.
b) L’efficacité d’un process s’améliore en se focalisant à l’intérieur du process.
c) L’efficience se rapporte aux ressources consommées pour effectuer un travail.
d) La plus haute priorité est donnée à l’efficacité.
5. Quelle description de phase est-elle FAUSSE?

a) Définir – Identifier le process, le client et le problème.
b) Mesurer – Caractériser le process en termes de produits.
c) Analyser – Identifier les causes et déterminer les solutions pour le contrôle des
variables clé.
d) Contrôler – Contrôler les Xs et suivre les Ys.

Exercice 1.2 (suite)
6. Dans la Phase reconnaître, nous (entourez toutes les réponses possibles):
a) Découvrons les opportunités nous permettant de percer.
b) Identifions les processus à optimiser.
c) Déterminons les besoins des personnes qui utilisent ou sont affectées par le
produit du process.
d) Collectons des données afin d’identifier les écarts entre le produit du process et
les besoins du client.
7. L’(es) élément(s) suivant(s) est(sont) critique(s) pour le succès d’un projet (entourez
toutes les bonnes réponses):
a) Projet bien défini.
b) Membres d’équipe pleinement engagés.
c) Planning projet établi et utilisé.
d) Stratégie globale dont le but est d’atteindre des gains substantiels du point de
vue du client.
8. Dans la phase mesure, le process mapping …

a) Est utilisé pour montrer le process amélioré.
b) Est utilisé pour visualiser le process actuel, habituellement à un niveau assez
haut.
c) N’est pas utile pour établir un cadre pour la collecte de données
d) N’est pas un outil de communication important chez JCI
9. Que faut-il éviter lors de l’établissement de la process map initiale ?

a) Démarrer avec des limites tangibles (points de départ et fin spécifiques).
b) Enoncer clairement le produit principal justifiant la raison d’être du process.
c) Décrire comment le process devrait être.
d) Garder en tête les besoins du client.
10. Les statistiques NE SONT PAS utilisées pour…

a) Identifier un process.
b) Convertir des données en informations utilisables.
c) Prédire des résultats.
d) Décrire les process.
11. Les données attributives sont (entourez les bonnes réponses):

a) Discrètes
b) Continues
c) Du décompte
d) Préférées aux données variables
12. La distribution binomiale : …

a) Est un type de données variables.
b) Est appropriée pour le décompte du nombre de défauts par pièce.
c) Est appropriée pour le décompte de pièces défectueuses.
d) Est préférée à la distribution de Poisson.


13. Un avantage des données variables est qu’elles…
a) Fournissent des informations détaillées sur un process avec une faible taille
d’échantillon.
b) Sont faciles à obtenir.
c) Servent à établir le référentiel de départ.
d) Sont souvent aisément disponibles.
14. Les données NE jouent PAS un rôle majeur dans …

a) Etablir les priorités et le champ.
b) Vérifier les causes de défauts et de variation.
c) Quantifier la capabilité d’un process.
d) Brainstorming pour des solutions.
15. Quel outil N’EST PAS utilisé en phase mesure?

a) Carte de contrôle
b) Analyse du système de mesure
c) Analyse de capabilité
d) Test d’hypothèse
16. L’écart-type …
a) Est une mesure de variation ne prenant en compte que le minimum et le
maximum d’un échantillon.
b) Est une mesure de variation prenant en compte tous les points de l’échantillon
c) Est une mesure de tendance centrale.
d) Peut être additionnée et soustraite.
17. Les boîtes à moustaches NE montrent PAS : …

a) La tendance centrale
b) La présence de points aberrants
c) Les données individuelles
d) La forme de la distribution
18. Un test d’Anderson Darling donne une p-value de 0.495. Comme GB/BB, vous pouvez
conclure …
a) Il n’y a pas assez d’information pour conclure.
b) Les données sont asymétriques gauches : il faut transformer.
c) Il y a de fortes présomptions que les données soient distribuées normalement.
d) Il y a de fortes présomptions que les données ne soient pas distribuées
normalement.
19. Lors de l’analyse de la capabilité, on utilise la distribution normale pour …

a) Faire des prédictions sur un nombre de défauts.
b) Pour estimer le pourcentage de pièces en dehors des spécifications.
c) Pour faire des prédictions à partir de données attributives.


20. En termes statistiques, Six Sigma signifie …
a) Tous les produits sont à plus ou moins quatre écarts-types de la moyenne (8
écarts-types au total).
b) Tous les produits sont à plus ou moins trois écarts-types de la moyenne (6
écarts-types au total).
c) Le process génère 3.4 PPM (pièces par million).
d) Il y a six niveaux d’amélioration de process.
21. Si le nombre moyen de commandes pour des matières premières était de 100 avec
une variance de 25, quelle proportion de commandes se trouverait dans la fourchette de
95 à 105 ?
a) 68%
b) 90%
c) 95%
d) 99%
22. Les pré-requis pour une distribution binomiale sont : …

a) Nombre fixe d’essais
b) Probabilités constantes
c) Essais dépendants
d) Exactement deux résultats possibles
23. Distribution de poisson (entourez les réponses possibles) …

a) N’est affectée que par la moyenne, 
b) Est affectée par la taille d’échantillon, n et la probabilité p
c) Est approprié lorsque seuls deux résultats sont possibles.
d) Est approprié lorsque l’on compte les défauts.
24. Quelle N’EST PAS une caractéristique du Rolled Throughput Yield (RTY)?
a) C’est la probabilité d’avoir une unite sans défaut
b) Il peut révéler l’usine cachée.
c) S’obtient en multipliant les rendements des étapes critiques.
d) e-DPU est utilisé pour estimer RTY.
e) C’est la probabilité d’obtenir un défaut.
25. Etablir le référentiel du process implique …

a) Découvrir une cause.
b) L’utilisation de Ys Process.
c) Résoudre un problème.
d) Optimiser un process.


26. Une carte de comportement process (entourez toutes les bonnes réponses) …
a) Est importante en phase mesure.
b) Nous permet d’évaluer le comportement process des Y.
c) Positionne les données récentes dans un contexte correct compte tenu de
l’historique chronologique.
d) Est un histogramme donnant la fréquence des défauts en ordre décroissant
selon la cause.
e) Montre la capabilité du process
f) Est une carte de contrôle.
27. Si deux points d’une carte individuelle se trouvent en dessous de la limite inférieure de
contrôle, quelles actions faut-il entreprendre ?
a) Ignorer les points, du moment que l’allure générale est entre les limites.
b) Chercher des cause(s) communes.
c) Chercher des cause(s) spéciales.
d) Suivre la maxime “Dans le doute, élimine !”.
28. Quel type de carte de contrôle serait la plus appropriée pour des données binomiales
à taille d’échantillon variable ?
a) Carte u
b) Carte c
c) Carte p
d) Carte Xbar & R
29. Quel type de carte de contrôle serait appropriée pour des données variables d’une
production de grande série dont la collecte est facile ?
a) Carte I & MR
b) Carte Xbar & R
c) Carte p
d) Carte u
30. Contrôle process NE SIGNIFIE PAS …

a) Process stable.
b) Process prévisible.
c) Les pièces sont dans les spécifications.
d) La variabilité observée est routinière.
31. Capabilité Process (entourez toutes les bonnes réponses) …

a) Se réfère à la capabilité à répondre aux spécifications.
b) Estime la probabilité que les points d’une carte de contrôle tombent dans les
limites de contrôle.
c) Se calcule le mieux pour un process stable.
d) Réduit la variation et le coût.

32. Un process N’EST PAS sous contrôle lorsque la carte de contrôle montre (entourez
toutes les bonnes réponses) …
a) Les points en dedans des limites de contrôle.
b) Tous les points rasent la ligne centrale.
c) Des fluctuations aléatoires.
d) Un motif.
e) Deux tiers des points près de la ligne centrale.
33. Que peut-on conclure du graphe suivant ?
a) Proportion défectueuse moyenne de 85.77 %

b) Nombre moyen de défauts par pièce de 0.8577
c) Système stable.
d) Il aurait fallu utiliser une carte Xbarre.
34. Le niveau Sigma du process est (plusieurs réponses possibles) …

a) Basé sur la stabilité du process.
b) Basé sur les défauts, de la perspective du client.
c) Pareil que Cpk.
d) Affiché en niveau sigma long terme
e) Une mesure de la satisfaction des besoins du client.
f) Une mesure liée à un processus et non un projet.


35. Quelle affirmation ci-dessous est FAUSSE (concernant la variation de mesure)
a) Il y a toujours de la variation au sein d’un échantillon de pièces.
b) Il n’y a pas de système de mesure parfait.
c) Les études Gage R & R permettent de quantifier la répétabilité et la
reproductibilité d’un système de mesure.
d) Une répétabilité et reproductibilité médiocre vient d’un manque de justesse et de
précision.
36. Lors d’une étude Gage R & R, il est important de …

a) S’assurer de la participation d’au moins deux opérateurs.
b) Prendre au moins dix pièces.
c) Utilisez des pièces couvrant la variation normale du process.
d) Mesurer les pièces dans un ordre aléatoire.
37. Pour passer d’un mesurable client à un mesurable process, il faut effectuer toutes les
tâches suivantes SAUF : …
a) Considérer les produits tangibles du process.
b) Collecter de nouvelles données pour déterminer les causes des défauts.
c) Connaître les Y client.
d) Prioriser en fonction de l’importance pour le client
38. Une équipe Six Sigma veut réduire les rebuts d’un process de soudure. Le coût des
rebuts est un exemple de …
a) Y client
b) Y business
c) Y Process
d) x
39. Cette équipe a déterminé que réduire les variations dans le diamètre du point de sou-
dure entraînerait des soudures plus régulières et donc moins de rebuts. Le diamètre du
point de soudure est un exemple de …
e) Y client
f) Y business
g) Y Process
h) x
40. Le niveau sigma du process est calculé à partir de : …

a) Ys clients.
b) Ys business.
c) Ys process.

Les questions suivantes se réfèrent aux sujets traits par les Black Belts.
41. Si des données non-normales ne se transforment pas en normales, que devez-vous

faire ?
a) Utiliser une distribution uniforme pour faire des prédictions.
b) Utiliser la distribution de Weibull ou une autre famille de lissage.
c) Ne transformez pas : les prédictions peuvent encore se faire à l’aide de
données non normales.
d) Utilisez le Log comme transformée.
42. Quel est l’utilité de la transformée “Box-Cox”?

a) elle convertit le non-normal en normal.
b) elle essaie diverses transformations et indique laquelle pourrait mener à des
données normales.
a) elle calcule les logarithmes de valeurs individuelles d’un échantillon de données.
b) Elle contrôle les données de façon à les faire entrer dans les spécifications.
43. Quelle affirmation est vraie?

a) Plus l’écart-type croît, plus le niveau Sigma croît.
b) Plus l’écart-type croît, plus le niveau Sigma décroît.
c) Plus l’écart-type décroît, plus le niveau Sigma décroît.
d) Il n’y a pas de relation entre écart-type et niveau sigma.
44. Laquelle des étapes suivantes N’EST PAS nécessaire lors de l’évaluation de la
capabilité avec des données variables?
a) Vérifier la normalité des données.
b) Déterminer la variation du process et la comparer aux spécifications.
c) Mener une étude cause/effet.
45. Parmi les éléments suivants, lequel est un exemple médiocre de la catégorie cite ?
a) Coûts des défaillances internes : surplus de stocks
b) Coûts des défaillances externes :retours clients
c) Coûts d’évaluation : Garantie
d) Coûts de prévention : formation

Exercice de groupe 2.1 – Arbre des causes

 Répartissez-vous en équipes de 5 à 7 personnes
 Sujet : améliorer le process de lancer de boules de papier chiffonné dans une corbeille
située à cinq pas.
 Le process tel qu’il est défini :
 Une personne (le CHIFFONNEUR) prend une feuille de papier sur la table.
 Le CHIFFONNEUR fait une boule avec la feuille de papier.
 Le CHIFFONNEUR passe la boule de papier à une seconde personne (le LANCEUR).
 Le LANCEUR jette la boule de papier dans la corbeille située à cinq pas.
 Chaque lanceur jette dix boules de papier dans la corbeille. Collectez des données sur
cinq LANCEURS et cinq CHIFFONNEURS.
 La productivité est importante, donc deux paramètres sont

contrôlés : la durée et le nombre d’échecs.
LANCEUR CHIFFONNEUR ÉCHECS DURÉE TOTALE
1 ______ sur 10
2 ______ sur 10
3 ______ sur 10
4 ______ sur 10
5 ______ sur 10
TOTAUX ______ sur 50
Examinez attentivement les cinq lanceurs et les cinq chiffonneurs en

action.
Enregistrez le nombre d’erreurs et le temps nécessaire à chaque
couple pour effectuer 10 lancers.
Situation actuelle :
______ sur 50 ou _____% de défauts
Cible d’amélioration :
______ sur 50 ou _____% de défauts


Exercice de groupe 2.1 – Arbre des causes (suite)
Situation
actuelle :
% de défauts
Quelles sont les causes d’un fort pourcentage de défauts ?

Exercice de groupe 2.2 – Matrice C / E
 Répartissez-vous en petites équipes.

 Pour l’exemple proposé (cartographie du process et KPOV donnés), construisez une
matrice C / E en respectant les étapes suivantes :
1. Notez chaque KPOV par ordre d’importance (en adoptant le point de vue du client).
Utilisez une échelle de 1 à 10.
2. Énumérez les étapes du process sur la matrice.
3. Pour chaque KPOV à chaque étape du process, se poser la question « quelles
variables d’entrée pourraient avoir un impact sur ce résultat ? ». Énumérez ces
variables d’entrée sur la matrice.
4. Déterminez le poids des corrélations entre les variables d’entrée et de résultat
(échelle de 0 à 10).
5. Calculez une note totale pour chaque variable d’entrée du process (multiplication
croisée).
6. Déterminez la hiérarchie en identifiant les variables qui ont les notes les plus
élevées (il y a de fortes chances qu’il s’agisse des variables clés d’entrée du
process, les KPOV ).

Exercice de groupe 2.2 – Matrice C / E (suite)

Exemple : Fabrication d’une pizza
Objectif : Améliorer la satisfaction du client
Prendre les Fabriquer la Cuire la Emballer la Livrer au

commandes pizza pizza pizza client
par
téléphone
Variables clés de résultat du process

Variables
d’entrée du
Étapes de
process
process Goût Respect de Température de Délai entre la Totaux
la la pizza commande et
commande la livraison

Exercice de groupe 2.3 – Évaluation des KPIV

2. Supposons que les KPIV identifiées dans l’Exercice 2.2 ont été vérifiées à l’aide de
données. Vous êtes maintenant en mesure de décider quoi faire avec ces variables pour
améliorer le(s) résultat(s) critique(s). En d’autres termes, vous vous apprêtez à passer à
l’étape « d’amélioration ».
Évaluez les KPIV à l’aide de la matrice d’évaluation qui vous est donnée page suivante
(partez de l’hypothèse qu’il n’existe pas encore de procédures standard de fonctionne-
ment).

Connaissons- Cette variable Dans la Dans

KPIV nous le
Possibilité
(causes est-elle sous négative, l’affirmative, de contrôle
meilleur pouvons-nous comment
vérifiées) niveau ou contrôle ou bruit
la contrôler ? pouvons-nous
procédure ? actuellement (O/N) la contrôler ? (C/B)
(O/N) (SOP)? (O/N)
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.

Exercice de groupe 3.1 – Énumération des modes de
défaillance
2. Pour le process du lancer à la catapulte…
a. Reportez les étapes de process (tirées de votre cartographie du process) sur le

formulaire AMDEC.
b. Pour chaque étape de process, énumérez les exigences (inventez-les ; pensez à vous
mettre dans la peau du client ; le client peut être un client interne, l’étape suivante du
process).
 Travaillez avec les hypothèses suivantes…
 Un opérateur sera blessé si la balle tombe de son support pendant le chargement.

 Une panne machine se produira si la bande en caoutchouc se casse.
 Il y a des spécifications pour les distances à droite et à gauche de la mesure de
bande (+ 5cm en longueur et largeur).
c. Énumérez les modes potentiels de défaillance pour chacune des exigences à chaque
étape de process.
Remarque : utilisez un paperboard pour cet atelier. Présentez vos résultats à l’ensemble du
groupe.



Exercice 3.2 – Les effets des défaillances

2. Pour chaque mode potentiel de défaillance identifié dans l’Exercice 3.1 (lancer à la
catapulte)…
3.
a. Énumérez les effets de la défaillance.
b. Estimez la gravité de chacun des effets d’une défaillance.
Remarque : utilisez un paperboard mais respectez le modèle fourni à l’Exercice 3.1. Présentez
vos résultats à l’ensemble du groupe.

Exercice 3.3 – Identification des causes
2. Pour chaque mode potentiel de défaillance identifié dans l’Exercice 3.1 (lancer à la
catapulte)…
a. Énumérez les causes potentielles des modes de défaillance (utilisez un arbre des
causes pour l’un des modes de défaillance).
b. Pour chaque cause potentielle, estimez leur probabilité d’apparition.
c. Sélectionnez une cause potentielle susceptible de se produire. Comment allez-vous

vérifier que cette cause est vraie ?
Remarque : utilisez un paperboard mais respectez le modèle fourni à l’Exercice 3.1. Présentez
vos résultats à l’ensemble du groupe.

Exercice 3.4 – Analyse d’une AMDEC

2. Examinez le graphique AMDEC présenté dans les pages qui suivent.
3. Analysez le graphique et discutez des points suivants :
a. Quels sont les modes de défaillance que l’équipe tient pour les plus graves ?
b. Quelles sont, selon l’équipe, les principales causes du mode de défaillance hautement
prioritaire ?
c. Commentez les contrôles actuellement en place pour les principales causes

envisagées. Sont-ils adaptés ?



Exercice de groupe 4.1 – Estimation de la moyenne
d’une population (grands échantillons)
2. Pour l’exemple attribué à votre équipe, faites les calculs suivants sans utiliser
Minitab.
a. Estimation ponctuelle de la moyenne d’une population
b. Intervalle de confiance de 95 % autour de l’estimation
c. Interprétez les résultats et répondez à la question posée.
3. Répétez le point 2 en utilisant Minitab, cette fois-ci.


d’une population (grands échantillons, suite)
Exemple A : Formage de glissières de sièges

Pour une glissière de siège donnée, la cote intérieure visée est de 0,75 pouce. Vous
prélevez 49 glissières de sièges sur la machine de formage et vous obtenez les résultats
suivants :
Moyenne de l’échantillon = = 0,741 pouce
Écart-type de l’échantillon = s= 0,017 pouce
La moyenne du process, tel qu’il se déroule actuellement, est-elle différente de la cible

avec un niveau de confiance de 95 % ?
Estimation ponctuelle de la moyenne de la population :

= = ______________________________
Marge d’erreur : E = Z = _____________________________________
Intervalle de confiance à 95 % :_______________________ < < _________________
Commandes Minitab (les données se trouvent dans la colonne C2 du module 25.MTW) :
Sélectionnez : Calc > Column Statistics > Standard Deviation

pour calculer l’écart-type
Sélectionnez ensuite : Stat > Basic Statistics > 1 – Sample Z

Dans la rubrique « Samples in columns », indiquez les références de la colonne qui
contient les données.
Pour « Standard deviation », saisissez l’écart-type que vous avez calculé.
Remarque : par défaut, l’intervalle de confiance est fixé à 95 % (voir les options)
Cliquez sur OK

d’une population (grands échantillons, suite)
Exemple B – Durée totale de traitement des bons de commande (en jours)
Le service a comme objectif de traiter intégralement l’ensemble des bons de commande

en 30 jours. Vous retracez le temps de traitement pour un échantillon de 100 bons de
commande et vous obtenez le résultat suivant :
Moyenne de l’échantillon = = 26,9 jours

Écart-type de l’échantillon = s = 4,9 jours
À partir de cet échantillon, quel est le temps de traitement estimé de l’ensemble des bons
de commande ? Donnez un intervalle de confiance à 95 % pour l’estimation faite.
Estimation ponctuelle de la moyenne de l’échantillon :

= = ______________________________
Marge d’erreur : E = Z = _____________________________________
Intervalle de confiance à 95 % :_______________________ < < _________________
Commandes Minitab (les données se trouvent dans la colonne 1 de BBestimation.MTW) :
Sélectionnez : Calc > Column Statistics > Standard Deviation

pour calculer l’écart-type
Sélectionnez ensuite : Stat > Basic Statistics > 1 – Sample Z

Dans la rubrique « Samples in columns », indiquez les références de la colonne qui
Pour « Standard deviation », saisissez l’écart-type que vous avez calculé.
Remarque : par défaut, l’intervalle de confiance est fixé à 95 % (voir les options)
Cliquez sur OK

Exercice de groupe 4.2 – Estimation des moyennes

d’une population et des différences entre moyennes de
population
1. Répartissez-vous en petites équipes (chaque équipe travaillera sur tous les

exemples qui sont proposés dans cet exercice).
2. Travaillez sur les exemples suivants en utilisant Minitab :
A : Couple de pivotement (estimation de la moyenne d’une population, petit échantillon)
Vous testez le couple de pivotement d’un pare-soleil. Vous voulez avoir une confirmation
que le couple moyen est supérieur à 30 Newtons. Est-ce le cas ?
À partir d’un échantillon aléatoire de 16 pare-soleil (les données se trouvent dans la

colonne 6 du module 25.MTW) :
= 32,32
s = 3,25
Avec Minitab…
1. Procédez à un test de normalité d’Anderson-Darling.
2. Donnez une estimation ponctuelle de la moyenne de la population :
= ____________
3. Trouvez les intervalles de confiance à :
90 % ( = 0,10)
95 % ( = 0,05)
99 % ( = 0,01)
Commandes Minitab (les données se trouvent dans la colonne 6 du module 25.MTW) :
Sélectionnez : Stat > Basic Statistics > 1 – Sample t

Dans la rubrique « Samples in Columns », indiquez les références de la colonne qui
Allez dans la rubrique « Options » pour fixer le niveau de confiance (qui est de 95 %
par défaut).

Exercice de groupe 4.2 – Estimation des moyennes
d’une population et des différences entre moyennes de
population (suite)
B : Process d’exécution d’une commande (estimation de la différence entre deux

moyennes de population, grands échantillons)
Vous cherchez à comparer deux approches différentes de traitement des commandes :

l’ancienne approche, toujours utilisée, et une nouvelle approche, automatisée.
Y a-t-il une différence, en termes de temps de traitement moyen, entre les deux
approches ?
Vous avez collecté des données (en heures) sur 35 commandes utilisant l’ancienne
approche et sur 35 commandes utilisant la nouvelle (les données se trouvent en colonnes
2 et 3 de BBestimation.MTW).
Avec Minitab…
1. Estimez la différence entre les deux moyennes de population (ancienne approche
moins nouvelle approche).
2. Donnez un intervalle de confiance de 95 % autour de l’estimation de la différence.
Peut-on dire que la nouvelle approche fait gagner du temps ?
Commandes Minitab (les données se trouvent en colonnes 2 et 3 de
BBestimation.MTW) :
Sélectionnez : Stat > Basic Statistics > 2-Sample t
(REMARQUE : Minitab ne permet pas de pratiquer un test Z 2-Sample)
Sélectionnez « Samples in Different Columns »
 Sous « First », indiquez le nom de l’une des deux colonnes de données.

 Sous « Second », indiquez le nom de l’autre colonne de données.
Allez dans la rubrique « Options » pour définir le niveau de confiance (fixé par défaut à
95 %).

Exercice de groupe 4.2 (suite)
C : Gestion de programme (estimation de la différence entre deux moyennes de

population, petits échantillons)
Vous cherchez à comparer deux services d’une entreprise en termes de temps passé par
les gestionnaires de programme à des activités de gestion de programme (PM). Vous
disposez d’un échantillon de 8 gestionnaires de programme issus du service 1 et de
8 gestionnaires de programme issus du service 2.
Les données correspondent au « pourcentage de temps passé à des activités de gestion

de programme (PM) » pour chacun des gestionnaires de programme (ces données se
trouvent dans les colonnes 4 et 5 de BBestimation.MTW).
Avec Minitab…
1. Estimez la différence entre les deux moyennes de population.
2. Donnez un intervalle de confiance de 95 % autour de l’estimation de la différence.

Peut-on dire qu’il y a une différence, en moyenne, entre le temps passé à des
activités de PM entre les deux services ?
Commandes Minitab (les données se trouvent dans les colonnes 4 et 5

de BBestimation.MTW) :
Sélectionnez : Stat > Basic Statistics > 2-Sample t
Sélectionnez « Samples in Different Columns »

 Sous « First », indiquez le nom de l’une des deux colonnes de
données.
 Sous « Second », indiquez le nom de l’autre colonne de
données.

Allez dans la rubrique « Options » pour définir le niveau de confiance
(fixé par défaut à 95 %).
Exercice 4.3 – Estimation des proportions de

population et de la différence entre deux proportions
de population
1. Répartissez-vous en petites équipes. Chaque équipe travaillera sur tous les

exemples qui sont proposés dans cet exercice.
2. Travaillez sur les exemples suivants en utilisant Minitab :
Exemple A : Factures erronées (estimation de la proportion d’une population)
Sur un échantillon de 150 factures, 23 contenaient des erreurs. À partir de cet

échantillon…
1. Estimez le taux de défaut de la proportion de population pour le process de

facturation.
2. Donnez un intervalle de confiance de 95 % autour de l’estimation.
Commandes Minitab
Sélectionnez : Stat > Basic Statistics> 1 Proportion

Sélectionnez : « Summarized Data »
Indiquez le nombre d’essais (nombre de factures contrôlées), et
le nombre d’essais concluants (le nombre de factures erronées).
Remarque : le niveau de confiance par défaut est fixé à 95 % (voir les options).
Cliquez sur OK


Exemple B : les M&M (estimation de la différence entre deux proportions de population)
Chaque équipe recevra un sachet de M&M nature et un sachet de M&M aux cacahuètes.
Comptez, pour chaque sachet, le nombre de M&M de chaque couleur. L’ensemble des
données seront utilisées dans un prochain exercice. Pour l’instant, estimez la différence
entre les deux populations (nature et aux cacahuètes) en termes de proportion de M&M
marron.
Couleur
Total
Total
Marron Bleu Rouge Jaune Vert Orange
Pl
M&M a
nature
P
M&M aux ea
cacahuètes n
ut
M
T
ot
Total al
Estimation de la différence entre la proportion de M&M marron « nature » et de M&M

marron « aux cacahuètes » =
_________________________________________________________________________
_________________________________________________________________________
Intervalle de confiance à 95 % :________________ < P1 – P2 < ______________________
Pouvez-vous dire qu’il y a une différence statistiquement significative entre la proportion de
M&M marron dans les sachets nature et les sachets aux cacahuètes ?________________

Commandes Minitab :
Sélectionnez : Stat > Basic Statistics > 2 Proportions

Sélectionnez : « Summarized Data »
Pour chacun des deux échantillons (nature et aux cacahuètes), indiquez le nombre
d’essais (quantité totale de M&M dans le sachet) et le nombre de résultats positifs
(quantité de M&M marron dans le sachet).
Remarque : le niveau de confiance par défaut est fixé à 95 % (voir les options).
Cliquez sur OK

Exercice de groupe 5.1 – Hypothèses nulles et

hypothèses alternatives
2. Discutez des exemples suivants et identifiez pour chacun les hypothèses nulles et les
hypothèses alternatives.
Exemple 1 : Bons de commande

Il existe deux méthodes (A et B) de création des bons de commande. Vous cherchez
à savoir s’il y a une différence entre ces deux méthodes en termes de quantité de
bons de commande créés erronés (rédigez les hypothèses en termes de
proportions : PA représente la proportion de bons de commande erronés créés par la
méthode A et PB est la proportion d’erreurs obtenues avec la méthode B).
H0 :
H1 :
Exemple 2 : Résistance d’un tissu

Vous testez des échantillons de tissu A pour vous assurer que sa résistance moyenne à la
traction est supérieure à 75 livres par pouce carré (5,26 kg/cm 2))
H0 :
H1 :
Exemple 3 : Comptabilité fournisseurs

Il règne dans le service comptabilité fournisseurs une forte frustration « indirecte » à
l’égard des paiements. En d’autres termes, le paiement ne peut pas se faire sans une
manipulation particulière. Prenons un exemple : une livraison qui arrive sans facture. Une
étude a été menée et de nouvelles procédures sont en train d’être testées. Nous
cherchons à vérifier si la quantité de factures suscitant de la frustration a diminué ou non
(rédigez les hypothèses nulle et alternative en termes de proportion).
H0 :
H1 :

Exemple 4 : Temps de prise d’une mousse
La manipulation de panneaux de porte avant prise complète de la mousse (mousse A) a
laissé des marques de doigts sur ces derniers qui ont par conséquent été rebutés. Pour
résoudre ce problème, nous voulons étudier le temps de prise d’une autre mousse
(mousse B). Le temps de prise de la mousse B est-il, en moyenne, plus court ?
H0 :
H1 :

Exercice de groupe 5.2 – Validation d’affirmations

relatives à une moyenne
1. Travaillez avec votre formateur pour réaliser, avec Minitab, un test Z 1-sample pour
l’exemple de la « rapidité de livraison » :
Lors d’une commande de fournitures, l’utilisation d’une carte de crédit d’entreprise est
traditionnellement sensée permettre d’obtenir la meilleure réponse. Nous allons tester
cette affirmation face à un process utilisant le formulaire bleu standard de commande.
Historiquement, avec une carte de crédit d’entreprise :

Délai moyen de livraison = 6 jours
Écart-type = 2 jours
Un échantillon aléatoire de 36 éléments a été collecté à partir du process de formulaire

bleu de commande.
Les données se trouvent dans la colonne C1 de BB-HypTest.MTW
Avec Minitab…
Sélectionnez : Stat>Basic Statistics>1-sample z
Dans la rubrique « Sample in Columns », indiquez C1: Delivery
Dans la rubrique « Standard Deviation », indiquez : 2
Dans la rubrique « Test mean », indiquez : 6
Sélectionnez « Graphs » et cochez  « Histogram of data », cliquez sur OK
Sélectionnez « Options » et examinez les valeurs par défaut :
Le niveau de confiance est de 95 %
L’hypothèse alternative est « not equal ».
Ces deux options s’appliquent à notre exemple actuel
Cliquez sur OK, puis cliquez à nouveau sur OK

2. Répartissez-vous en petites équipes. Procédez à la validation d’hypothèses adaptée à
chacun de ces exemples :
Exemple A : Les frais de téléphonie mobile

(les données se trouvent dans la colonne C2 de BB-HypTest.MTW)
Les dépenses relatives aux téléphones cellulaires et aux récepteurs de

radiomessagerie ont considérablement augmenté ces dernières années. Une
modification de procédure a été introduite dans le mode de production des téléphones
cellulaires et une enquête a été réalisée pour voir si la facture moyenne avait changé
par rapport au précédent niveau de 75,00 dollars par mois, avec un écart-type de
15,00 dollars. Un échantillon aléatoire de frais pour 50 téléphones a été constitué et
nous avons obtenu les résultats suivants :
s = 9,57
La moyenne du process tel qu’il fonctionne actuellement est-elle différente du niveau

précédent avec un niveau de signification de 5 % ?
Quelle serait la meilleure validation d’hypothèses à pratiquer pour cet exemple ?
a) Rédigez les hypothèses nulle et alternative :

H0 :
H1 :
b) Niveau de signification, = 0,05 (donné)
c) Sélectionnez au hasard un échantillon représentatif de données. Nous l’avons fait

pour vous ; les données se trouvent dans la colonne C2 de BB-HypTest.MTW.
d) Calculez la valeur P, probabilité d’obtenir l’échantillon observé si l’hypothèse nulle

est vraie.
Avec Minitab…
Sélectionnez : Stat>Basic Statistics>1-sample z
Dans la rubrique « Sample in Columns», indiquez C2 : Phones ($)
- Quelle valeur faudrait-il indiquer pour la rubrique « Sigma » ? _____
- Quelle valeur faudrait-il indiquer pour la rubrique « Test mean » ? _____
- Dans la rubrique « Options », les valeurs par défaut peuvent-elles
s’appliquer à notre exemple ? _____


e) Comparez la valeur P au niveau de signification,
_______________________________________________________________
_______________________________________________________________
La nouvelle moyenne du process est-elle différente du niveau précédent ?

_______________________________________________________________
_______________________________________________________________
Exemple B : Formage de glissières de sièges

(les données se trouvent dans la colonne C3 de BB-HypTest.MTW)
Pour une machine de formage de glissières de sièges, la cote intérieure visée est de
0,75 pouce (1,9 cm). Vous prélevez aujourd’hui un échantillon de 25 glissières de sièges
et vous obtenez les résultats suivants :
s = 0,19
La moyenne du process tel qu’il fonctionne actuellement est-elle différente de la cible

avec un niveau de signification de 1 % ?
Quelle serait la meilleure validation d’hypothèse à pratiquer pour cet exemple ?
f) Rédigez les hypothèses nulle et alternative :

H0 :
H1 :
a) Fixez le niveau de signification,

= 0,01 (donné)
b) Sélectionnez au hasard un échantillon représentatif de données. Nous l’avons fait

pour vous ; les données se trouvent dans la colonne C3 de BB-HypTest.MTW
Remarque : puisqu’il s’agit d’un petit échantillon, procédez à un test de normalité.
c) Calculez la valeur P, probabilité d’obtenir l’échantillon observé si l’hypothèse nulle

est vraie.
Avec Minitab…
Sélectionnez : Stat>Basic Statistics>1-sample t
Dans la rubrique « Sample in Columns », indiquez C3 : Dimension
- Quelle valeur faudrait-il indiquer à la rubrique « Test mean » ? _____
- Dans la rubrique « Options », les valeurs par défaut peuvent-elles
s’appliquer à notre exemple ? _____
d) Comparez la valeur P à . Le process respecte-t-il la cote visée ? _____

Exercice de groupe 5.3 – Deux moyennes de population
1. Travaillez avec votre formateur pour réaliser, avec Minitab, un test t 2-sample pour les
données du process de recrutement (délai d’embauche en jours).
Pour savoir si l’un des deux services des ressources humaines pourvoit les postes plus
vite que l’autre, un Black Belt a collecté dans chacun des services un échantillon
aléatoire de « délai d’embauche » pour 75 recrutements.
Service A Service B
n = 75 n = 75
s = 4,97 s = 6,95
Les données se trouvent dans les colonnes C4 et C5 de BB-HypTest.MTW.
H0 :
H1 :
Avec Minitab…
Sélectionnez : Stat>Basic Statistics>2-Sample t
Sélectionnez : « Samples in different columns »
Dans la rubrique « First », indiquez C4 : OfficeA
Dans la rubrique « Second », indiquez C5 : OfficeB
Sélectionnez : « Options » et vérifiez que « alternative » est bien sur l’option « not
equal ».
Utilisez le niveau de confiance par défaut à 95 % ( = 0,05)
Cliquez sur OK, puis cliquez à nouveau sur OK.
Les données nous apportent-elles suffisamment d’informations pour conclure que l’un
des deux services pourvoit les postes plus vite que l’autre ?
2. Répartissez-vous en petites équipes. Pratiquez les validations d’hypothèses adaptées

aux exemples suivants. Répondez d’abord à cette question : les deux échantillons
sont-ils dépendants ou indépendants ?
Exemple A : Élément moulé

Un Black Belt étudie les résultats d’un process de moulage par injection où la cote
critique avait été mesurée et pour laquelle nous utilisions deux couleurs différentes
selon le type de véhicule auquel le composant était destiné.


Rouge Gris
46,80 49,61
48,88 49,28
49,82 50,31
52,32 51,09
46,97 52,70
48,33 49,01
48,44 48,95
50,34 52,03
50,82 51,24
52,14 51,84
Les échantillons complets se trouvent dans les colonnes C10 « red » et C11 « gray »
de TransMOD25.MTW (n1 = n2 = 200).
Supposons que nous cherchions à valider l’hypothèse selon laquelle les données
viennent de deux populations différentes. Nous devons réaliser un test qui mettra en
évidence une différence statistiquement significative entre les deux moyennes de
population.
Prenez un niveau de signification = 0,05 pour ce test.
Quelle serait la meilleure validation d’hypothèse à réaliser pour cet exemple ?

H0 :
H1 :
b) Fixez le niveau de signification, .

=

pour vous ; les données se trouvent dans les colonnes C10 et C11 de
TransMOD25.MTW. Nous avons utilisé une taille d’échantillon n 1 = n2 = 200.

est vraie.
Avec Minitab…
Sélectionnez : Stat>Basic Statistics>2-Sample t
Vérifiez les « Options » et assurez-vous que vous avez indiqué les bonnes
valeurs.
Valeur P = ____________
e) Comparez la valeur P au niveau de signification, .
________________________________________________________________
________________________________________________________________
Les données provenaient-elles de deux populations différentes ? _______________

Exemple B : Frais d’expédition

Un Black Belt a mené une enquête pour comparer le prix mensuel moyen (en dollars)
par pièce expédiée avant et après l’introduction de modifications de procédure dans la
manipulation des matériaux.
Coût mensuel d’expédition

Numéro de la Anciennes Nouvelles procédures
pièce procédures
1 4050 3550
2 10280 10100
3 14700 13500
4 8380 8300
5 4300 4150
6 6790 6750
7 10500 9050
8 14800 12080
9 13930 13070
10 11050 9580
Ces deux échantillons sont-ils dépendants ou indépendants ?
Quelle serait la meilleure validation d’hypothèse à pratiquer pour cet exemple ?
H0 :
H1 :
b) Fixez le niveau de signification,

Prenez = 0,05.
c) Sélectionnez au hasard un échantillon représentatif. Nous l’avons fait pour vous ;

les données se trouvent dans les colonnes C6 et C7 de BB-HypTest.MTW.
Puisqu’il s’agit d’un échantillon de petite taille (n 1 et n2 sont tous les deux < 30),
procédez à un test de normalité sur chaque échantillon.

est vraie.
Avec Minitab…
Sélectionnez : Stat>Basic Statistics>Paired t
Dans la rubrique « First sample », indiquez C6 : Old
Dans la rubrique « Second sample », indiquez C7 : New
Vérifiez les « Options » et assurez-vous que vous avez le bon niveau de
confiance et la bonne hypothèse alternative.
Sélectionnez : « Graphs » et cochez  « Histogram of differences ».


e) Comparez la Valeur P au niveau de signification, .
________________________________________________________________
________________________________________________________________
Les données nous apportent-elles suffisamment d’informations pour conclure que

les nouvelles procédures font baisser les frais d’expédition ?
3. L’exemple précédent relatif aux frais d’expédition utilisait des échantillons dépendants.
Dans ce cas, le test t apparié est la méthode appropriée de validation d’hypothèses.
Grâce à ce test t apparié, vous avez obtenu une valeur P inférieure au niveau de
signification = 0,05. Vous en avez donc conclu que les nouvelles procédures de
manipulation des matériaux permettaient de réduire les frais d’expédition.
Que se passerait-il si vous aviez fait, à tort, un test t 2-sample (qui est utilisé pour les
échantillons indépendants) ? Seriez-vous amené à tirer une conclusion différente ?
À titre d’exemple, faites un test t 2-sample t avec ces données. Mais attention, CE TEST
N’EST PAS ADAPTÉ À CETTE APPLICATION !
Pouvez-vous dire pourquoi le test t 2-sample t ne nous permet pas de voir la différence de
coût entre les anciennes et les nouvelles procédures ?
_________________________________________________________________
_________________________________________________________________
_________________________________________________________________
_________________________________________________________________

Exercice de groupe 5.4 – Moyennes de population et
variances
2. Pour chaque exemple proposé, décidez quel type de validation d’hypothèse pratiquer,
faites-le et tirez-en les conclusions.
Exemple A : Temps de prise d’une mousse

Le temps de prise de quatre mousses différentes a été testé. Toutes ont été conçues
pour avoir une densité adaptée à une utilisation dans des panneaux de porte. Utilisez
les colonnes C13 « f1 », C14 « f2 », C15 « f3 » et C16 « f4 » de Trans25exer.MTW
pour voir s’il y a une différence significative dans le temps moyen de prise pour l’une
de ces formules, à un niveau de signification de 5 %.
Ces échantillons sont-ils dépendants ou indépendants ?
Quelle serait la meilleure validation d’hypothèse dans ce cas ?
a) Rédigez les hypothèses nulle et alternative.
H0 :
H1 :

= 0,05 (donné)

pour vous ; les données se trouvent dans les colonnes C13, C14, C15 et C16 de
Trans25exer.MTW.

est vraie.
La fonction ANOVA à un paramètre de Minitab nécessite que les données soient
empilées dans une seule colonne. Pour ce faire…
Sélectionnez : Data>Stack>Stack Columns
Dans la rubrique « Stack the following columns », indiquez C13, C14, C15 et
C16.
Dans la rubrique « store stacked data in : »
Sélectionnez “Column of current worksheet.”
Indiquez les références d’une colonne vide.
Dans la rubrique « store subscripts in : »
Indiquez les références d’une autre colonne vide.
Cliquez sur OK
Vous remarquerez que votre nouvelle colonne de données contient toutes les
données des quatre formules de mousse. Quant à la nouvelle colonne des indices,
elle identifie la formule de chacune des données.

Vous êtes prêts pour réaliser une ANOVA à un paramètre :

Sélectionnez : Stat>ANOVA>One-way
Dans la rubrique « Response », indiquez les références de la nouvelle colonne
de données.
Dans la rubrique “Factor”, indiquez les références de la nouvelle colonne
d’indices.
Cliquez sur OK

________________________________________________________________
________________________________________________________________
Les données nous apportent-elles suffisamment d’informations pour conclure qu’il y

a une différence de temps de prise entre les quatre formules de mousse ?
________________________
f) Si vous avez décelé une différence significative, procédez ensuite à un test de

Tukey pour des comparaisons appariées, afin de voir quelles formules diffèrent des
autres.
Sélectionnez : Stat>ANOVA>One-way
Indiquez les mêmes colonnes que dans l’étape précédentes pour « Response »
et « Factor ».
Sélectionnez « Comparison ».
Cochez  « Tukey’s, family error rate ».
Quelles formules de mousse diffèrent des autres ?

________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
Exemple B : Densité de la mousse

Un Black Belt étudie deux formules différentes de mousses à utiliser dans une
application de sièges. Il veut savoir quelle formule produit une densité plus homogène
que l’autre. Il a donc besoin de comparer les variances de population.
Deux échantillons ont été sélectionnés au hasard à partir de lots multiples pour chaque
type de mousse. Les données proviennent de distributions normales.

Utilisez les arbres de décision de validation d’hypothèses pour décider quelle validation
d’hypothèse utiliser dans ce cas (voir module 11).


H0 :
H1 :

Prenez = 0,05

pour vous ; les données se trouvent dans les colonnes C14 (mousse A) et C15
(mousse B) de TransMOD25.MTW.
Procédez à un test de normalité d’Anderson-Darling sur les deux colonnes, afin de

vérifier que les deux populations sont normalement distribuées.
d) Calculez la valeur P : la probabilité d’obtenir l’échantillon observé si l’hypothèse

nulle est vraie.
Avec Minitab…
Sélectionnez : Stat>Basic Statistics>2 Variances
Sélectionnez : « Samples in different columns ».
Dans la rubrique « First », indiquez la colonne C14 : FoamA
Dans la rubrique « Second », indiquez la colonne C15 : FoamB
Allez dans les « Options » et assurez-vous que le niveau de confiance voulu
est bien mentionné.
Vous remarquerez que Minitab donne deux valeurs P, l’une pour le test F et l’autre
pour le test de Levene. Lequel de ces deux tests est-il le mieux adapté à notre
cas ?

_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
Les données nous apportent-elles suffisamment d’informations pour conclure qu’il y

a une différence dans la variance des deux formules de mousse ?
_________________________________
Laquelle de ces deux formules a une densité plus homogène ?

_______________________________________________________________

Exercice de groupe 5.5 – Validation de l’égalité de
proportions de population
1. Répartissez-vous en petites équipes
2. Pour les exemples proposés, menez les validations d’hypothèses adaptées.
Exemple A : Traitement des demandes de téléphones cellulaires et de

récepteurs de radiomessagerie
Un Black Belt compare deux méthodes de traitement des demandes de téléphones
cellulaires et de récepteurs de radiomessagerie afin de déterminer la plus précise.
Quantité Quantité Proportion

Méthode contrôlée d’erreurs de défauts
Formulaire standard 80 12 0,150

Formulaire Internet 80 5 0,063
Y a-t-il une différence significative entre les deux méthodes avec un niveau de
signification à 5 %?
 Quel est le type de données utilisées ? ______________________________
 Quel serait le type de validation d’hypothèse approprié ?

________________________

H0 :
H1 :

= 0,05 (donné)

pour vous ; les données sont présentées dans le tableau ci-dessus.

est vraie.
Avec Minitab…
Sélectionnez : Stat>Basic Statistics>2 proportions
Sélectionnez : « Summarized data »
Dans la rubrique « First Sample », indiquez 80 pour « Trials » et 12 pour
« Events »
Dans la rubrique « Second Sample », indiquez 80 pour « Trials » et 5 pour
« Events »
Allez dans les « Options » et assurez-vous que les bons réglages sont
sélectionnés – (pooled p).
Cliquez sur OK

________________________________________________________________
_______________________________________________________________
Les données nous apportent-elles suffisamment d’informations pour conclure que
l’une des méthodes est plus précise que l’autre ? __________________
Exemple B : Taux de rebut

Un Black Belt étudie le taux de rebut de différentes équipes. Il cherche à savoir s’il y a une
différence statistiquement significative entre les trois équipes avec un niveau de signification à 5
%.
Équipe Pièces produites Quantité de défauts Proportion de défauts
1 3240 128 0,0395

2 3100 114 0,0368
3 3460 102 0,0295
 Quel est le type de données utilisées ?

 Utilisez les arbres de décision de validation d’hypothèses pour décider quelle
validation faire.

H0 :
H1 :

= 0,05 (donné)

pour vous ; les données sont présentées dans le tableau ci-dessus. Vous les
retrouverez aussi dans les colonnes C8, C9 et C10 de BB-HypTest.MTW
d) Lancez un test de Khi2.
Avec Minitab :
Sélectionnez : STAT>TABLES>Chi-squared TEST
Pour « Columns containing data » sélectionnez C9, C10
Cliquez OK
Le P-value est comparé à 0,05. Si Pvalue > 0,05 il n’y a pas suffisament de
données pour faire la différence entre les équipes.
Quelle est votre conclusion ? ___________________________________________

Exercice 5.6 – La validation d’une association

1. Travaillez avec votre formateur pour réaliser le test du chi au carré pour l’exemple des
« défauts dans les housses de sièges » présenté au module 5 (les données se
trouvent dans les colonnes C11, C12, C13 et C14 de BB-HypTest.MTW).
Équipe Défaut A Défaut B Défaut C Défaut D Total

1 15 21 45 13 94
2 26 31 34 5 96
3 33 17 49 20 119
Total 74 69 128 38 309
Le type de défaut constaté dépend-il de l’équipe ?
Ho : le type de défaut est indépendant de l’équipe.

H1 : l’équipe et le type de défaut sont dépendants.
Avec Minitab…
Sélectionnez : Stat>Tables>Chi-Square Test
Dans la rubrique « Columns containing the table : », indiquez C11 : Defect A,
C12 : Defect B, C13 : Defect C et C14 : Defect D
Cliquez sur OK
Y a-t-il dépendance entre le type de défaut et l’équipe ?
2. Dans l’exercice 4.3, vous avez décompté la quantité de M&M de chaque couleur

contenus dans un sachet de M&M nature et de M&M aux cacahuètes.
À l’aide de ces données, faites un test du chi au carré pour savoir si la proportion de
chacune des couleurs de M&M dépend du fait qu’ils soient nature ou aux cacahuètes.

Exercice 5.7 : Puissance et taille d’échantillon

 Sélectionnez Stat > Power and Sample Size > 1-Sample Z
 Saisissez les informations suivantes :
 Sélectionnez OK
Vous devriez voir s’afficher la fenêtre de session suivante (page suivante) :

Puissance et taille de l’échantillon
Test Z 1-Sample
Validation de la moyenne « = zéro » (par rapport à «  zéro »)

Calcul de la puissance d’une moyenne « = zéro » + différence
Alpha = 0,05 Sigma = 1
Différence Taille Puissance

0,25 20 0,2010
0,25 30 0,2778
0,25 40 0,3526
0,25 50 0,4239
0,25 75 0,5813
0,50 20 0,6088
0,50 30 0,7819
0,50 40 0,8854
0,50 50 0,9424
0,50 75 0,9911
0,75 20 0,9184
0,75 30 0,9841
0,75 40 0,9973
0,75 50 0,9996
0,75 75 1,0000
1,00 20 0,9940
1,00 30 0,9998
1,00 40 1,0000
1,00 50 1,0000
1,00 75 1,0000
De quelle manière la puissance évolue-t-elle avec la taille de l’échantillon ?
De quelle manière les changements de différence ont-ils une influence sur la puissance ?
 Sélectionnez Stat > Power and Sample Size > 1-Sample Z
 Saisissez les mêmes informations que précédemment :

 Sélectionnez Options
 Modifiez le niveau de signification de 0,05 à 0,01
 Sélectionnez OK et OK
Vous devriez voir s’afficher la fenêtre de session suivante (Page suivante) :

Puissance et taille de l’échantillon
Test Z 1-Sample
Validation de la moyenne = zéro (par rapport à différent de zéro)

Calcul de la puissance d’une moyenne = zéro + différence
Alpha = 0,01 Sigma = 1
Différence Taille Puissance

0,25 20 0,0726
0,25 30 0,1138
0,25 40 0,1600
0,25 50 0,2095
0,25 75 0,3406
0,50 20 0,3670
0,50 30 0,5647
0,50 40 0,7212
0,50 50 0,8314
0,50 75 0,9603
0,75 20 0,7818
0,75 30 0,9372
0,75 40 0,9849
0,75 50 0,9968
0,75 75 1,0000
1,00 20 0,9710
1,00 30 0,9981
1,00 40 0,9999
1,00 50 1,0000
1,00 75 1,0000
Comment le fait de faire passer alpha de 0,05 à 0,01 change-t-il la Puissance ?
Pourquoi ?

Exercice de groupe 6.1 : ANOVA à un paramètre
2. Pour l’exemple présenté ci-dessous, construisez un tableau ANOVA sans utiliser

Minitab.
3. Menez un test F pour savoir s’il y a une différence entre la résistance moyenne des
trois types de nylon.


Exercice 6.1 - ANOVA à un paramètre (suite)
df T
= (# de données) - 1 =
df Entre= (# de traitements) - 1 =
dfAu sein de= ((# de données dans chaque traitement) - 1) x (#de traitements) =
SSEntre
MS  
Entre
k  1
SS Au sein de
MS Au sein de  
N-k
MSEntre
FEntre  
MS Au sein de
FCritique 95 %
(voir module 11)
k = quantité de traitements Tableau ANOVA à un paramètre
Somme Degrés de Carré

des carrés liberté moyen Coeff. F
(SS) (df) (MS) (F)
Source de variation
Entre traitements
Au sein des traitements
Total
Votre conclusion :

Exercice 6.2 : ANOVA à un paramètre avec Minitab

1. Travaillez avec votre formateur pour construire avec Minitab une ANOVA à un
paramètre utilisant les données du traitement thermique.
a. Ouvrez une nouvelle feuille de calcul Minitab (BBANOVA-Sept00.MTW).

b. Intitulez la colonne C1 « Dureté »
Intitulez la colonne C2 « Traitement »
c. Saisissez les données de dureté dans C1.
Saisissez les niveaux de traitement dans C2.
d. Sélectionnez : Stat > ANOVA > One-way.
Dans la rubrique « Response », indiquez C1 : Dureté.
Dans la rubrique « Factor », indiquez C2 : Traitement.
Sélectionnez : Graphs
Cochez  « Individual value plot ».
Cliquez sur OK. Cliquez à nouveau sur OK.
Résultats d’une présentation à un paramètre

Ci-dessous, les résultats de dureté obtenus à partir d’échantillons tirés de chacune des
trois conditions de traitement retenues.
Traitement 1 Traitement 2 Traitement 3

371 ° 427 ° 482 ° Ensemble
Résultat # 60' C 40'C 20'c des données
1 89 84 79 252
2 98 77 81 256
3 97 92 80 269
4 94 79 88 261
Total 378 332 328 1038
Moyenne 94,5 83,0 82,0 86,5
9-05- 6 Analysis of
Variance.ppt
2000

Avec Minitab, travaillez seul pour mener une ANOVA à un paramètre sur l’exemple tiré de
l’exercice 6.1 (présenté à nouveau ici).
Y = Résistance à l’impact (pouce/livre)
Trois types de nylon

1 2 3
1. 89 88 94
2. 84 77 79
3. 81 87 85
4. 87 92 84
5. 79 81 88
Y a-t-il une différence entre les trois types de nylon en termes de leur résistance
moyenne ?
Commandes Minitab
Saisissez les données dans la colonne C3 (intitulez la colonne C3 : Strength)

Saisissez les types de nylon types dans la colonne C4 (intitulez la colonne C4 : Nylon)
Sélectionnez : Stat > ANOVA > One-way
Indiquez le nom des colonnes contenant la réponse (résistance) et le paramètre (nylon).
Sélectionnez : Graphs
Cochez  « Individual value plot ».
Cliquez sur OK. Cliquez à nouveau sur OK.

Exercice 6.3 : ANOVA à deux paramètres

Travaillez avec votre formateur pour construire avec Minitab un tableau et des graphiques
ANOVA pour l’expérience de traitement thermique à deux paramètres.
Présentation à deux paramètres
Température
Temps passé dans 371C 427C 482C
le four (durée)
95 87 79
60 minutes 92 90 78
90 87 84
30 minutes 87 85 87
a. Les données se trouvent dans les colonnes C4, C5 et C6 du fichier :

BBAnova-Sept00.MTW.
Remarquez la façon dont les données ont été saisies dans Minitab.
b. Pour créer un tableau ANOVA,

Sélectionnez : Stat > ANOVA > Two-way
Dans la rubrique « Response », indiquez C6 : Hardnes
Dans la rubrique « Row Factor », indiquez C4 : Temp
Dans la rubrique « Column Factor », indiquez C5 : Time
Cliquez sur OK
c. Pour créer les schémas des effets principaux,

Sélectionnez : Stat > ANOVA > Main Effects Plot
Dans la rubrique « Factors », indiquez C4 et C5 : Temp et Time
Cliquez sur OK
d. Pour créer le graphique d’interaction,

Sélectionnez : Stat > ANOVA > Interactions Plot
Dans la rubrique « Factors », indiquez C4 et C5 : Temp et Time
Cliquez sur OK

Exercice 6.3 : ANOVA à deux paramètres (suite)
e. Pour créer le graphique à variables multiples,
Sélectionnez Stat > Quality Tools > Multi-Vari Chart
Dans la rubrique « Response » indiquez C6 : Hardnes
Dans la rubrique « Factor 1 », indiquez C4 : Temp
Dans la rubrique « Factor 2 », indiquez C5 : Time
Cliquez sur OK
Créez une deuxième version du graphique à variables multiples en indiquant la durée

comme « Factor 1 » et la température comme « Factor 2 ».
f. Quels niveaux de paramètres vous conduisent à la plus grande dureté moyenne ?

Exercice 6.3 : ANOVA à deux paramètres (suite)

2. De votre côté, utilisez Minitab pour mener une analyse à deux paramètres de la
variance pour le process de l’exécution des commandes.
Approche 1 Approche 2 Approche 3
(manuelle) (informatisée) (semi-informatisée)
Opérateur 1. 27 15 11
peu 2. 14 14 8
expérimenté 3. 22 12 11
(0-12 mois) 4. 18 18 5
5. 10 20 12
6. 22 5 6
1. 8 11 9
Opérateur 2. 6 12 13
plus 3. 5 5 9
expérimenté 4. 11 9 14
(2 ans et +) 5. 12 20 5
6. 20 12 4
a. Utilisez Minitab pour créer le tableau ANOVA, le schéma des effets principaux, le
graphique d’interaction et le graphique à variables multiples qui sont présentés
dans les pages suivantes. Les données se trouvent dans les colonnes C8, C9, et
C10 du fichier : BBANOVA-Sept00.MTW
b. Interprétez le tableau et les graphiques ANOVA.
1. L’approche du traitement a-t-elle un impact sur la durée moyenne du traitement ?

Justifiez votre point de vue.
2. La durée moyenne de traitement est-elle affectée par le niveau d’expérience de

l’opérateur ? Justifiez votre point de vue.
3. Avez-vous trouvé une interaction (dépendance) entre l’approche et l’expérience de

l’opérateur ? Justifiez votre point de vue.
4. Quels niveaux de paramètres conduisent à la durée moyenne de traitement la plus

courte ?


Graphique des effets principaux - moyennes des

données pour la durée du process
Approche Expérience
13,8
Durée du process
12,6
11,4
10,.2
9,.0
le
e
té
l
é
isé
ue
isé
en
en
an
at
at
rim
rim
m
rm
m
or
pé
pé
fo
inf
i-in
ex
ex
m
ns
s
plu
se
oi
m
13

Graphique d’interaction - moyennes des

données pour la durée du process
Approche
19 Informatisée
Semi-informatisée
Manuelle
Moyenne
14
moins plus
Expérience
14
Graphique à variables multiples pour la durée

du process par approche et expérience
Approche
19 Informatisée
Semi-informatisée
Manuelle
Durée du process
14
moins plus
Expérience
10

Graphique à variables multiples pour la durée du process

par expérience et approche
Expérience
19 moins
plus
Durée du process
14
Informatisée Semi-informatisée Manuelle
Approche
11

Exercice 7.1 : Diagramme de dispersion
Une étude a été menée pour déterminer la relation qui existe entre la pression exercée par l’air, x, et
l’épaisseur d’un pneu, y. Des données expérimentales ont été collectées sur quatre pièces-test, à
chacun des cinq niveaux prédéterminés de pression de l’air.
1. Représentez graphiquement les données appariées, à la main.
2. Décrivez la relation apparente de x en fonction de y.
3. Cela « prouve-t-il » qu’une cause affecte la relation entre la pression de l’air et l’épaisseur
du pneu ?
5,00
Pression Épaisseur
de l’air du
2 pneu
kg / m 4,50
f 8,cm m
4,6
0
8, 2
4,5
0
8, 0
4,4 4,00
0
8, 3
4,8
0
8, 1
4,1
5
8, 2
3,8 3,50
5 8
Épaiss
8, 4,0
eur du
(mm)
pneu
5
8, 1
3,6
3,00
5
9, 7
3,2
0
9, 1
3,0
0
9, 5
3,1 2,50
0
9, 6
3,3
0
9, 0
2,8
5
9, 6
2,5 2,00
5
9, 3
2,7
5
9, 1
2,6
5
10, 2
1,8 1,50
0
10, 3
2,0
0
10, 2
2,2
0 4 1,00
10, 1,9
0 5 7,5 8,0 8,5 9,0 9,5 10,0 10,5
Pression de l’air (x)

Exercice 7.2 : Diagramme de dispersion Minitab et

coefficient de corrélation
1. Récupérez les données de pression de l’épaisseur du pneu (y) en fonction de la pression de
l’air (x) dans le fichier JC2. Il s’agit des mêmes données que celles représentées
graphiquement à l’exercice 7.1.
2. Créez avec Minitab un diagramme de dispersion et calculez le coefficient de corrélation.
Coefficient de corrélation, r = _______________________
3. Décrivez la relation entre la pression de l’air et l’épaisseur du pneu :
Commandes Minitab :
Pour créer un graphique de dispersion…
Sélectionnez : Graph > Scatter Plot > Simple
Indiquez l’épaisseur du pneu dans la boîte des y
Indiquez la pression de l’air dans la boîte des x
Cliquez sur OK
Pour calculer le coefficient de corrélation et la valeur P :
Sélectionnez : Stat > Basic Stat > Correlation
Indiquez les deux variables dans les boîtes des variables.
Cliquez sur OK

Exercice 7.3 : Régression linéaire simple avec Minitab
1. Récupérez les données de l’épaisseur du pneu (y) en fonction de la pression de
l’air (x) dans le fichier JC2.
2. Faites faire à Minitab l’analyse statistique des données.
Disposez-vous d’une preuve convaincante d’une relation linéaire, c’est-à-dire pouvez-
vous rejeter = 0 ?
Faites dessiner à Minitab la droite de régression. Interprétez la pente de la droite de
régression.
Commandes Minitab :
Sélectionnez : Stat > Regression > Regression
Indiquez l’épaisseur dans la boîte des réponses.
Indiquez la pression de l’air dans la boîte des prédicteurs.
Cliquez sur OK
Pour dessiner la droite de régression…
Sélectionnez : Stat > Regression > Fitted Line Plot
Indiquez l’épaisseur du pneu dans la boîte des y
Indiquez la pression de l’air dans la boîte des x
Cliquez sur  « linear »

Cliquez sur OK

Exercice 7.4 : R2 ajusté et signification générale
Pour les données de l’épaisseur en fonction de la pression de l’air de JC2 :
1. Quel pourcentage de variabilité de l’épaisseur est attribué à (causé par) la relation à la

pression de l’air ?
______________________________________________________________
______________________________________________________________
2. La variabilité attribuée à la pression de l’air est-elle statistiquement significative ?

_______________________________________________________________________
_____________________________________________________
Rappel des commandes Minitab :

Cliquez sur OK

Exercice 7.5 – Prévision
Pour les données de l’épaisseur en fonction de la pression de l’air dans JC2 :
1. Pour x = 9 estimez , avec un intervalle de confiance à 95 %.
Estimation ponctuelle : = ____________________

Intervalle de confiance à 95 % : ________________ < < _________________
2. Pour x = 9 faites la prévision de la valeur y, avec un intervalle de prévision à 95 %.
Estimation ponctuelle : y = _______________________
Intervalle de prévision à 95 % : _____________< y < ____________
Commandes Minitab :

Cliquez sur Options
Activez la boîte de l’intervalle de prévision.
Saisissez la valeur : 9.
Cliquez sur OK et puis sur OK

Exercice 7.6 – L’adéquation du modèle
1. Procédez au test de non-adéquation de l’erreur pure sur les données de l’épaisseur en

fonction de la pression dans JC2.
Remplissez les boîtes de réponse et de prédicteurs, puis cliquez sur « options ».
À partir de l’affichage des options, cliquez sur « pure error ».
Valeur P pour la non-adéquation de l’erreur pure = ____________________________
Résultat du test de data subsetting Lack of Fit: _____________________________
2. Interprétez le résultat des deux tests. Quel test a plus de poids ? Le modèle est-il
adéquat ?
Rappel : Selon l’hypothèse nulle, le modèle est adéquat :

Exercice 7.7 – Analyse résiduelle

Pour les données de l’épaisseur en fonction de la pression de l’air dans JC2 :
1. Etablissez puis analysez un graphique des valeurs résiduelles en fonction de x.
Commandes Minitab :

Remplissez les boîtes de réponse et de prédicteurs.
Puis cliquez sur « graphs »
Indiquez Pressure dans la boîte des valeurs résiduelles en fonction des variables.
Cliquez sur OK
Ensuite, à partir du menu de Regression, cliquez sur « storage »
Cliquez sur « Residuals », puis sur OK
Les valeurs résiduelles seront placés dans la prochaine colonne vide.
Lancez le programme de régression.
Le graphique qui en résulte vous donne-t-il un renseignement sur la nature des

problèmes ? (Rappel, l’un des résultats souhaitables serait une fluctuation aléatoire et une
variabilité égale pour chaque valeur de x).
2. Procédez au contrôle de normalité.
Sélectionnez : Stat > Basic Stat > Normality Test

Indiquez la colonne contenant les valeurs résiduelles dans la boîte des variables.
Cliquez sur OK
Valeur P = _____________________________________
La valeur P indique-t-elle que les valeurs résiduelles sont normalement

distribués ?

Exercice de groupe 7.8 – Analyse de régression

approfondie
 Répartissez-vous en petites équipes

 Pour l’exemple sur lequel votre équipe doit travailler, procédez à une analyse de
régression approfondie.
Exemple A : Coussin lombaire

Le fichier JC12 contient des mesures appariées pour…
x = pression de l’air de la vessie (p.s.i.) et
y = modification de côte dans la position du coussin lombaire (en pouces)
1. Dessinez un diagramme de dispersion. Trouvez-vous une relation linéaire ?

2. Utilisez l’option « fitted line plot » pour représenter graphiquement la droite de meilleur
ajustement.
3. Utilisez l’option « regression » pour obtenir :
a) Le produit standard
b) Le test de non-adéquation
c) Le graphique des valeurs résiduelles en fonction de x
d) La prévision de pour x = 5
e) Le stockage des valeurs résiduelles pour le test de normalité
4. Exécutez le test de normalité

5. Analysez le modèle :
Quel pourcentage de la variabilité totale est expliqué par le modèle ?____________
Le pourcentage expliqué est-il significatif ?_________________________________
Le modèle est-il adéquat ?_____________________________________________
L’hypothèse de variabilité égale et de distribution normale pour les distributions des y
est-elle remplie ?____________________________________________________
6. Pour une pression de la vessie de 5 p.s.i., quel est le changement de côte moyen
estimé de la position du coussin ?_________________________________________

Exercice de groupe 7.8 – Analyse de régression

approfondie (suite)
Exemple B – maisons vendues en fonction du Taux

d’intérêt
Le fichier BB2 contient 10 mesures appariées de
x = taux d’intérêt (en pourcentage)

y = maisons vendues (en milliers)
1. Dessinez un diagramme de dispersion. Trouvez-vous une relation linéaire ?

2. Utilisez l’option « fitted line plot » pour représenter graphiquement la droite de meilleur
ajustement.
3. Utilisez l’option « regression » pour obtenir :
a) Le produit standard
b) Le graphique des valeurs résiduelles en fonction de x
c) La prévision de pour x = 9,0
d) Le stockage des valeurs résiduelles pour le test de normalité
4. Procédez au test de normalité

5. Analysez le modèle :
Quel pourcentage de la variabilité totale est expliqué par le modèle ?__________

Le pourcentage expliqué est-il significatif ?_________________________________
Le modèle est-il adéquat ?_____________________________________________
L’hypothèse de variabilité égale et de distribution normale pour les distributions des y
est-elle remplie ?___________________________________________________
6. Pour un taux d’intérêt à 9,0 %, quelle est la quantité moyenne estimée de maisons
vendues ?__________

Exercice 10.1 – Création du plan de gestion de projet
1. Répartissez-vous en petites équipes
2. Constituez ensemble une liste de tâches principales et de tâches secondaires pour

les activités de l’étape d’analyse. Classez les tâches selon un ordre logique.
Reportez ces tâches sur la feuille de planification du projet (voir page suivante).
a. Mentionnez les interdépendances.

b. Fixez les ressources nécessaires pour chaque tâche.
3. Créez un graphique de Gantt avec Visio.
4. Utilisez la feuille de planification de réunion pour organiser votre prochaine

réunion.



Exercice 10.1 : Créez un graphique de Gantt avec Visio
(suite)
Sélectionnez : Start > Programs > New Visio Drawing > Business Diagram > Project
Timeline Wizard.
Suivez les consignes de l’Assistant.
Sélectionnez « Enter Data in New Microsoft Excel Workbook ». Sélectionnez « Next ».
Tâche # Intitulé de la tâche Durée Début Fin Interdépendances Ressources

1 Recherche sur les marathons 14 11/1/2000
2 Recherche sur les prog. d ’entraînement 14 11/1/2000
3 Choix de la course et du plan 1 1,2
4 Conception du prog. d ’entraînement 1 3
5 Respect du prog. d ’entraînement 112 jours 4
6 Course 1 5
7 Récupération 28 6
Saisissez les données comme indiqué ci-dessus dans la feuille de calcul Excel.
Sélectionnez ensuite l’icône de visualisation de la durée dans Excel et suivez les
consignes de l’Assistant.
Dès que Visio aura dessiné le graphique, tirez sur la poignée de droite pour faire
apparaître toutes les barres.


(suite)
Il semble y avoir une erreur. La tâche « recherche sur les marathons » va du 11/1/00 au
11/20/00 mais la durée indiquée n’est que de 14 jours. Où avez-vous fait une erreur ? Par
défaut, Visio travaille sur une semaine de cinq jours ouvrables. Dans notre cas, nous
parlons de semaines de sept jours. Cliquez avec le bouton droit de la souris sur la zone du
calendrier du graphique.
Sélectionnez « Configure Working Days... »
Déselectionnez « Sunday » et « Saturday » et sélectionnez « OK ».

Le graphique traduit maintenant la durée réelle.
Sélectionnez « Edit » > Sélectionnez « All »
Sélectionnez « Format > Text ».

(suite)
Modifiez la taille « Size : » de « 8pt. » à « 12pt. »

Sélectionnez « Apply » et sélectionnez « OK ».
Le texte du graphique est agrandi, mais il n’entre plus dans les cellules.
Sélectionnez une zone en cliquant avec le bouton gauche sur le nom d’une colonne. La
zone sera mise en surbrillance et des carrés indiqueront où se positionner pour ajuster la
taille.
Ajustez toutes les colonnes pour qu’elles aient la bonne largeur.
Le graphique final devrait ressembler à celui qui est présenté ci-dessous.
2000 2001
ID Intitulé de la tâche Début Fin Durée
Nov. Déc. Jan. Fév. Mars Avr. Mai Juin
1 Recherche sur les marathons 11/1/2000 11/20/2000 14j

2 Recherche sur les prog. d’entraînement 11/1/2000 11/20/2000 14j
3 Choix de la course et du prog. 11/21/2000 11/21/2000 1j

4 Conception du prog. d’entraînement 11/22/2000 11/22/2000 1j
5 Respect du prog. d’entraînement 11/23/2000 4/27/2001 112j
6 Course 4/30/2001 4/30/2001 1j

7 Récupération 5/1/2001 6/7/2001 28j

Exercices Green Belt

Exercice 11.1 – Vérification des Causes

2. Conduire une étude C&E sur un des sujets suivants :
 Wazah Kebabs (Y= temps pour recevoir sa commande)

 Service « bagages perdus » (Y= # de sacs perdus par mois)
 Service Pharmacie d’un hôpital (Y= # d’ordonnances erronées par mois)
3. Sélectionnez deux causes potentielles. A l’aide du formulaire “ Vérification de causes”

établissez un plan pour la vérification de chacune des causes.
Astuce : souvenez-vous qu’il faut montrer que la cause provoque un changement dans le
Y.


Process Mapping Détaillée

Exercice 11.2 – Créez Process Map
Répartissez-vous en petits groupes.

Pour une des situations ci-dessous établissez une process map en tenant compte des
étapes décrites dans le module de cours. Assurez-vous d’y inclure les étapes sans valeur
ajoutée.
1. Acheter une voiture
2. Un process lié à votre projet Six Sigma
3. Le tir à la catapulte

Exercice 11.3 – Analyse du process Map.
Analysez les cartes que vous avez établies dans l’exercice précédent.
Pour chaque étape SVA, précisez le type de gaspillage.

Exercice 11.4 – Introduction aux tests d’hypothèses

Partie A:
Après mise en place d’améliorations, une équipe IT compare le « temps de

résolution » du nouveau process avec la moyenne historique de 7.8 heures.
Sur un échantillon de 40 appels ils ont relevé :
Moyenne de l’échantillon = 6.6 heures s = 0.7 heures
La nouvelle moyenne est-elle différente de la moyenne historique ?
Quel est le test d’hypothèse approprié pour ce cas ? (voir les arbres de décision).
e) Etablir les hypothèses alternative et nulle :

H0:
H1:
f) Fixez le niveau de confiance,

= 0.05 (donné)
g) Prélevez un échantillon aléatoire représentatif. Données dans Minitab®: Call

ResTime.mtw. Remarque : comme nous avons un « grand » échantillon il n’est
pas utile de lancer le test de normalité*.
h) Calculez la P-value : la probabilité d’obtenir l’échantillon observé si Ho est vraie.
i) Avec Minitab®…
Cliquez : Stat>Basic Statistics>1-sample t
Sous “ Samples in columns ”, saisissez C1: Resolution Time
- Quelle valeur pour « test mean »? _____
- Sous “Options”, les configurations par défaut sont-elles applicables ? ______
j) Comparez le P-Value à . Le process s’est-il amélioré? _____
 Des tailles d’échantillon en dessous de 30 sont considérés comme petits. Il

faut cependant conduire le test de normalité pour les petits échantillons.


Partie B:
Le test 1-sample Z test aurait-il été valable pour le cas précédent ?
 Relancez l’exemple avec 1-sample Z test.
 Y at-il des différences?
Partie C:
Mariez l’application avec le test approprié.
Pour chaque cas, identifiez :
 Le type de données (Variable ou attribut; si attribut … Binomial ou Poisson), et
 Le type de comparaison (moyenne, proportions, variances)
Application Test d’hypothèse
1. Vérification qu’une a. 1-sample Z test
vieille ou jeune pointe
de soudure affecte le
diamètre du bouton
de soudure.
2. Pour déterminer si le b. 2-sample t test
nouveau coût de
production journalier
est inférieur à la
moyenne historique
de $19,000. (60 jours
d’échantillon).
3. Déterminer si le c. 2 proportions test
temps de cycle
moyen CA/CN diffère
entre les BU Ford et
Renault.
4. Déterminer si il y a d. Test for Equal
une différence de Variances
rendement première
passe entre les
validations de
production pour des
panneaux de porte ou
des pavillons.

Exercice 11.4 (continued)

Partie D:
1. Pouvez-vous identifier quel test est approprié pour le cas suivant ? Quelle information
manque ?
Application: Montrer que la formulation de mousse A est meilleure que la

formulation B.
2. Qu’est-ce qui est faux dans la description suivante d’une hypothèse nulle ?
Hypothèse Nulle: Department A = Department B

Exercice Lean 13

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Exercice Lean 13

Transféré par

Droits d'auteur :

Formats disponibles

Manuel de l’étape d’analyse

Manuel de l’étape d’analyse

Table des matières

Révision de l’étape de mesure

Analyse des causes et des effets

L’AMDEC pour Six Sigma

Estimation et intervalles de confiance

W2AnalyzePhaseWorkbook-fr.doc 12-1 Johnson Controls, Inc. June 2004

Corrélation et régression linéaire simple

Création du plan de gestion du projet

Exercices Green Belt

Johnson Controls, Inc. June 2004 12-2 W2AnalyzePhaseWorkbook-fr.doc

Exercice 1.1 – Révision de l’étape de mesure

2. Chaque équipe va recevoir un certain nombre de diapositives PowerPoint tirées du

a) Préparez-vous à présenter les diapositives (20 minutes).

b) Présentez les diapositives (30 secondes maximum par diapositive).

Équipe 1 : Diapositives n° 5 à 13 (de la page 1-3 à la page 1-7)

Équipe 2 : Diapositives n° 14 à 25 (de la page 1-7 à la page 1-13)

Équipe 3 : Diapositives n° 26 à 37 (de la page 1-13 à la page 1-19)

Équipe 5 : Diapositives n° 50 à 58 (de la page 1-25 à la page 1-29)

Équipe 6 : Diapositives n° 59 à 70 (de la page 1-30 à la page 1-35)

W2AnalyzePhaseWorkbook-fr.doc 12-3 Johnson Controls, Inc. June 2004

Exercice 1.2 – Test de Révision de la phase Mesure

1. L’objectif premier de la phase Mesure est de …

3. Six Sigma CE N’EST PAS …

4. Laquelle des déclarations suivantes est-elle FAUSSE?

5. Quelle description de phase est-elle FAUSSE?

Johnson Controls, Inc. June 2004 12-4 W2AnalyzePhaseWorkbook-fr.doc

8. Dans la phase mesure, le process mapping …

9. Que faut-il éviter lors de l’établissement de la process map initiale ?

10. Les statistiques NE SONT PAS utilisées pour…

11. Les données attributives sont (entourez les bonnes réponses):

12. La distribution binomiale : …

W2AnalyzePhaseWorkbook-fr.doc 12-5 Johnson Controls, Inc. June 2004

Exercice 1.2 (suite)

14. Les données NE jouent PAS un rôle majeur dans …

15. Quel outil N’EST PAS utilisé en phase mesure?

17. Les boîtes à moustaches NE montrent PAS : …

19. Lors de l’analyse de la capabilité, on utilise la distribution normale pour …

Johnson Controls, Inc. June 2004 12-6 W2AnalyzePhaseWorkbook-fr.doc

Exercice 1.2 (suite)

22. Les pré-requis pour une distribution binomiale sont : …

23. Distribution de poisson (entourez les réponses possibles) …

25. Etablir le référentiel du process implique …

W2AnalyzePhaseWorkbook-fr.doc 12-7 Johnson Controls, Inc. June 2004

Exercice 1.2 (suite)

30. Contrôle process NE SIGNIFIE PAS …

31. Capabilité Process (entourez toutes les bonnes réponses) …

Johnson Controls, Inc. June 2004 12-8 W2AnalyzePhaseWorkbook-fr.doc

33. Que peut-on conclure du graphe suivant ?

a) Proportion défectueuse moyenne de 85.77 %

34. Le niveau Sigma du process est (plusieurs réponses possibles) …

W2AnalyzePhaseWorkbook-fr.doc 12-9 Johnson Controls, Inc. June 2004

Exercice 1.2 (suite)

36. Lors d’une étude Gage R & R, il est important de …

40. Le niveau sigma du process est calculé à partir de : …

Johnson Controls, Inc. June 2004 12-10 W2AnalyzePhaseWorkbook-fr.doc

41. Si des données non-normales ne se transforment pas en normales, que devez-vous

42. Quel est l’utilité de la transformée “Box-Cox”?

43. Quelle affirmation est vraie?

W2AnalyzePhaseWorkbook-fr.doc 12-11 Johnson Controls, Inc. June 2004

Exercice de groupe 2.1 – Arbre des causes

 La productivité est importante, donc deux paramètres sont

Intervalle de confiance à 95 % :_______ < < _

Intervalle de confiance à 95 % :_______ < < _