I-Introduction: Maitrise Statistique Des Procedes

MAITRISE
STATISTIQUE DES PROCEDES
I- INTRODUCTION
Pour être compétitive face la concurrence de plus en plus vive, l'entreprise doit offrir à ses clients une
prestation de haute qualité à un prix le plus bas possible.
Ces deux exigences, apparemment contradictoires, vont de pair.
Exemple
Pourcentage non conformes 10% 5%
coût total 100 100
coût des conformes 90 95
coût des non conformes 10 5
coût unitaire 1,11 1,05
I.1 Vérification de la qualité
Si on parte de qualité du produit on doit être en mesure de s'assurer que le produit fabriqué
rencontre les exigences qui s'appliquent; on devra pour cela, effectuer une vérification de la qualité
ou faire un contrôle de la qualité.
À ce niveau, l'approche traditionnelle a été de confier au personnel de production la tâche de
produire et au personnel de l'assurance (ou plutôt du contrôle) de la qualité de vérifier la qualité. On
confiait alors à ce groupe un rôle de police pour découvrir les non-conformités que pourrait produire
le personnel de production.
L'évaluation des produits était alors faite selon deux méthodes pour la prise d'échantillons:
 l'inspection à 100% où toutes les pièces produites doivent être inspectées
 l'inspection k pièces prélevées selon un plan d'échantillonnage <MIL-105 ou autre>.
Les deux méthodes présentent d'ailleurs des problèmes.
Dans les deux cas, il y a de fortes chances d'accepter des produits défectueux. Même avec
l'inspection à 100%, on peut laisser passer des produits défectueux, surtout si le volume de pièces à
inspecter est assez grand, l'inspecteur ayant de fortes chances de ne pas rejeter des pièces
défectueuses après un certain temps.
Le plan d'échantillonnage est à la base conçu pour accepter un lot de produits avec un certain nombre
de produits non conformes. De plus, plus le nombre de non-conformités baisse, plus il sera difficile
d'appliquer cette technique tout en gardant petit le nombre d'échantillons.
De plus, avec ces façons de procéder, on aura nécessairement une augmentation des coûts et des
délais.
Avec la technologie moderne et l'utilisation toujours plus grande des ordinateurs, l'inspection
automatisée (souvent par vision- machine) se veut une réponse à ces problèmes. Cette technique peut
être très efficace, mais les coûts de mise en place et de suivi sont souvent très élevés et la méthode
peut s'avérer peu flexible si plusieurs produits doivent être vérifiés ou si les exigences à rencontrer
sont régulièrement changées.
Animateur : A. ADRI 1
MAITRISE STATISTIQUE DES PROCEDES
Mais toutes ces méthodes présentent le même problème majeur: elles mettent l'accent sur la
détection des produits défectueux plutôt que de se concentrer sur la prévention de sorte qu'aucun
produit non conforme ne soit fabriqué.
Il faut noter qu'une bonne qualité peut :
 Influer sur les demandes, et provoquer une augmentation des commandes et inversement.
 Conquérir des marchés qui nécessitent l'assurance d'un niveau de qualité donnée.
La non-qualité se traduit par :
 Des retours clients, des rebuts et des retouches,
 Des pertes de marché et une mauvaise image commerciale,
 Son coût est estimé entre 15 et 30% suivant les entreprises,
Une approche traditionnelle de la fabrication consiste à :
 Faire confiance à la production pour produire.
 Faire confiance au contrôle pour l'inspection du produit fini
Il s'agit d'une stratégie de détection qui est à la fois :
 Antiéconomique (cycle long, retouches, rebuts...)
 Inefficace (des produits non conformes peuvent passer à travers l'inspection)
 Anti qualité (la détection n'améliore pas la qualité )
IL NE FAUT PRODUIRE QUE DES PRODUITS CONFORMES
La Maîtrise Statistique des Processus (MSP) est l'une des méthodes utilisées pour atteindre cet objectif
I.2 Historique
1931 : Introduction des statistiques comme moyen de maîtriser la qualité par l’Américain
Walter SHEWART
1950 : Deming et Juran exportent la technique au Japon
1982 : Les premiers appareils à sortie numérique apparaissent . Associés à des logiciels
caractérisés par des performances relativement limitées, ils sont utilisés dans le
cadre du contrôle réception ou contrôle final.
1985 : Apparition d’une nouvelle gamme de capteurs permettant une saisie des mesures plus
facile.
1980-1990 : Apparition des premiers logiciels SPC
I.3 Définition
PROCESSUS : Un processus est caractérisé par :
* Une entrée mesurable
* Une valeur ajoutée
* Une sortie mesurable.
Entrée Sortie
Valeur ajoutée
Dans la phase d’élaboration, il est possible de relever un certain nombre d’éléments influents sur le processus. On
regroupe ces éléments sous le nom des « 5 M » :
Les équipements de production : Machines
Les hommes : Main d’œuvre
Les matières premières à transformer : Matière
Les procédures, l’organisation et les instructions : Méthodes
L’environnement donné :social, économique et climatique : Milieu
M.S.P. : Maîtrise Statistique des Processus
S.P.C. : Statistical Process Control
Le terme « maîtrise statistique » exprime le fait qu’il soit possible, en relevant des données au cours
d’une production et en les traitant à l’aide de techniques statistiques, de disposer d’un système
d’information permettant la mise en œuvre d’une action de surveillance et d’amélioration du processus
par conséquent du produit.
La M.S.P. cherchera à prévenir l'apparition de non-conformités plutôt que de détecter celles
qui sont produites. Cette approche est de beaucoup plus valable dans le contexte actuel de recherche
de la qualité, surtout du fait que c'est l'opérateur lui-même qui est chargé de vérifier le produit.
Ce ci est possible par un suivi de la variation dans le procédé et ce à deux niveaux :
 En mesurant la variation entre des produits fabriqués dans un très court laps de temps et en

comparant celle ci avec les données historiques du procédé, l'opérateur est en mesure de noter
immédiatement si le procédé change.
 En suivant sur une plus longue période de temps les variations enregistrées sur une
caractéristique, l'opérateur sera alors en mesure d'identifier les changements survenus au
procédé et de prendre des actions avant que des produits défectueux soient fabriqués. Pour
cela, la M.S.P. travaillera plutôt avec des limites de contrôle qu'avec les tolérances permises
par la spécification.
Pour cela, le M.S.P. ne requiert que l'utilisation de techniques statistiques simples (addition,

soustraction et division) par l'opérateur et de méthodes graphiques qui permettent une
interprétation rapide et exacte des résultats obtenus sans pour autant faire appel à des règles
complexes.
La M.S.P.. est un outil de travail pour les opérateurs, c'est à dire ceux qui fabriquent le produit
et qui sont le plus en mesure de prendre des actions rapidement pour corriger toute déviation qui
pourrait conduire à la production de produits non conformes.
’
La M.S.P se veut un suivi du processus de fabrication en temps réel, c est-à-dire que l’opérateur
veille à la fabrication du produit et, à intervalle régulier, vérifie le produit, enregistre les résultats
et les interprète, le tout dans un court laps de temps de façon à pouvoir prendre immédiatement des
actions correctives s'il détecte quelque chose d'anormal.
Le support de décision pour l'opérateur est simple et ne demande pas de calculs compliqués ou
d'un suivi élaboré de règles complexes.
La M.S.P permettra de distinguer entre les variations assignables à une cause externe au procédé
ou les variations inhérentes au procédé.
Par la suite, les résultats obtenus par la M.S.P constitueront une solide base pour la discussion sur la

performance du procédé auquel pourront participer les groupes de support comme le personnel de l'ingénierie, de
recherche & développement ou de l'assurance de la qualité
I.4 Buts recherchés par la M.S.P
Le but premier la M.S.P est d'assurer un meilleur contrôle sur le procédé de fabrication en
mettant l'accent sur la prévention des non-conformités plutôt que sur la détection de celles-ci.
A plus long terme, la M.S.P. permettra d'améliorer la qualité du produit et l'efficacité du
procédé de fabrication. On sera en mesure de déterminer avec plus de précision la capabilité du
procédé et ainsi de faire une meilleure relation entre ce que le procédé est capable de produire et
les demandes de la spécification.
Pour ce faire, il est nécessaire que le personnel de production développe les aptitudes né-
cessaires pour diagnostiquer les causes des problèmes de production et de mettre en place les actions
correctives ou préventives qui pourraient afin d’éviter la fabrication des produits non conformes.
I.5 Variation
Tous les produits présentent des différences. Même ceux qui sont fabriqués en grand nombre
et de façon consécutive. Souvent cette variation entre les produits sera minime et demandera
l'utilisation d'un système de mesure plus précis pour la détecter, mais elle existe toujours.
Pour évaluer et déterminer cette variation, il est nécessaire de prendre plusieurs mesures sur
des produits différents. Par la suite, l'utilisation de statistiques permettra de quantifier cette
variation et de l'analyser. Pour un résultat plus représentatif, les produits prélevés pour évaluation
doivent l'être selon un plan d'échantillonnage qui donne à tous les produits une chance égale d'être
choisis.
Les données recueillies seront utilisées à diverses fins:
 Selon les résultats obtenus et en fonction des tolérances de la spécification, une décision pourra
être prise quant à l'acceptation ou de rejet des produits
 Connaissant la qualité du produit fabriqué et le procédé de fabrication, l'opérateur est en mesure
de mieux contrôler les paramètres de son procédé;
 A plus long terme, l'accumulation de données permettra d'obtenir une vue globale sur la qualité
du produit et les possibilités du procédé; il sera alors possible de procéder à des améliorations
autant pour le produit que pour le procédé.
II- APPROCHE STATISTIQUE
II.1 VARIABILITE
Dans la nature il n'existe jamais deux éléments identiques. La variabilité est une chose normale et naturelle.
Exemple:
Les dimensions d'une pièce usinée peuvent être affectées par les facteurs suivants :
- Machine
- outil
- matériau
- opérateur
- maintenance
- environnement
II.2 CAUSES ASSIGNABLES - CAUSES ALEATOIRES
Types de variation
On peut diviser les variations en deux grandes catégories :
 les variations inhérentes au procédé (aléatoires);
 les variations assignables.
Par variation inhérente au procédé, on entend la somme de toutes les petites variations qui

résultent des changements dans les paramètres du procédé. Parmi les éléments qui varient
constamment sans pour autant avoir un effet majeur sur le produit fini, il y a les matières premières,
la machine, la main d’œuvre. L’environnement, la méthode de travail et le système de mesure. Il est
impossible d'éliminer complètement ces variations qui fluctuent aléatoirement.
Ces variations sont normales dans une certaine mesure et permettent malgré tout de fabriquer un produit
à l'intérieur des tolérances dans la majorité des cas.
Causes aléatoires : sont les nombreuses petites sources de variation, toujours présentes, dont l'importance
globale pourra être réduite, mais dont il est impossible de débarrasser entièrement le procédé. La variation globale
due aux causes aléatoires est prévisible, ce qui rend le procédé stable et contrôlable.
Par variations assignables, on entend une variation qui peut être reliée à une cause précise qui
fait en sorte que la variation enregistrée dépasse la variation inhérente acceptable. Il faut identifier
et éliminer cette source de variation pour maintenir le contrôle sur le procédé et la qualité du produit
fini. On peut penser ici à des matières premières défectueuses. de mauvais réglages, un bris dans
l'équipement, etc.
Ces variations assignables sont la cause des non-conformités. La M.S.P.. a pour but d'identifier ces
causes. D’aider à les éliminer si possible et de surveiller le procédé de fabrication pour que la variation entre les
produits soit seulement la variation inhérente au procédé.
Causes assignables : sont celles sur lesquelles il est toujours possible d'agir. Leurs effets peuvent être isolés dans le
temps et assez marqués. La variabilité due à ses causes est généralement imprévisible, ce qui rend le procédé
instable et incontrôlable
Exemple:
Dans un atelier de production classique la fabrication de pièces sur un tour // fait apparaître différentes
causes de variabilité sur le diamètre :
a - jeu dans les glissières b - température de l'atelier c - bris d'outils
d - usure des outils - e - matière usinée
Dans ces cinq exemples de causes :
a- est une cause aléatoire b- est une cause aléatoire c- est une cause assignable
d- est une cause assignable e- n'est pas correctement défini
II.2 Mesure de la variation
À partir de données recueillies sur des produits, on est en mesure de quantifier la variation
et ainsi de l'analyser ou de la comparer. Ceci se fait généralement selon trois aspects:
A - Centre des données:
La mesure la plus fréquente pour déterminer le centre des données est la moyenne (X. soit X
barre). On la calcule en faisant la somme de toutes les valeurs individuelles et en divisant par le
nombre de données qu'on a additionnées. Même avec un nombre relativement petit d'échantillons, la
moyenne sera représentative de tous les produits pour autant que l'échantillonnage ne soit pas biaisé.
B - Dispersion des données:
Pour mesurer la dispersion des données, on utilise en majeure partie soit l'étendue, soit l'écart
type. L'étendue (R selon le terme anglais Range) est moins précise mais offre t'avantage d'être très
facile à calculer: c'est tout simplement la différence entre la plus grande valeur obtenue et la plus
petite. Quant à lui, l'écart type (S ou  la lettre grecque sigma). dont la formule est donnée dans la
page de droite est plus précis mais moins facile à calculer. Tout d'abord, il faut calculer la moyenne
des données, puis faire la différence entre chaque valeur et cette moyenne, mettre ces différences
au carré et en faire la somme avant de diviser celle-ci par le nombre de données moins une et de
prendre la racine carrée du résultat.
C - Forme de la distribution:
En calculant la fréquence des données selon les valeurs obtenues, on est en mesure d'obtenir
la distribution. Cette façon de faire est relativement simple et, utilisant une méthode graphique,
l'analyse en est facilitée. On parlera alors de l'histogramme
III METHODE STATISTIQUE
III.1 Les statistiques sont employées pour :
 Informer ou s'informer ;
 Prévoir, choisir l'action à mener ou l'attitude à adopter
 Vérifier
Les statistiques sont une aide à la décision relative à des événements du passé, du présent ou du futur. Elles
sont un excellent moyen pour fournir des renseignements sur les processus de fabrication.
III.2 Principe de la méthode statistique
Elle se décompose en plusieurs phases :
1- Collecte des données ;
2- Arrangement, classement et présentation de celles-ci à l'aide de graphiques ;
3- Interprétation mathématique des phénomènes observés et ajustement de données à l'aide de
paramètres simples ;
4- Obtention des résultats en précisant leur validité ;
5- Action en fonction des résultats obtenus
Exemple : Sondage électoral
III.3 Vocabulaire
Individu : Un objet sur lequel un ou plusieurs caractères peuvent être observés
Population: Ensemble des individus (objets, quantité, valeurs ou qualité observé) pris en considération.
Caractère, caractéristique, critère : Propriété servant à distinguer les individus (peut être qualitatif ou quantitatif)
exemple:
Dans l'être humain, des caractères qualitatifs et quantitatifs peuvent être respectivement
son sexe, la couleur de ses yeux et sa date de naissance, sa taille, son poids.
Effectif : Nombre d'individus pris en compte dans un ensemble.
Echantillon: Ensemble d'un ou plusieurs individus prélevés dans une population et destinés à fournir à son sujet
une information. Cette dernière sert éventuellement de base à une décision concernant la population ou le
processus qui a produit cette information.
Hypothèse statistique : Hypothèse au sujet d'une population, mise à l'épreuve en tirant un échantillon au hasard.
Intervalle de confiance : Ensemble des hypothèses acceptables
Caractère Population
d’un individu a
b
Individu
Echantillon
effectif 5
Echantillonnage :
" Il n'est pas nécessaire de manger le bœuf tout entier pour savoir qu'il est coriace "
L'échantillonnage consiste à prélever un ou plusieurs échantillons représentatifs dans une population.
La taille de l'échantillon et le choix des individus doivent être déterminés avec rigueur car ils constituent
une base fondamentale conduisant à une analyse fidèle de la population.
IV- NOTIONS DE DISTRIBUTION
Un ensemble de données peut être réparti suivant les valeurs de ces dernières. Ceci constitue une
distribution. On peut avoir des distributions à forte concentration et étendu faible ou bien à faible concentration et
étendu forte ; On peut avoir aussi des distributions irrégulières bimodale ou multimodales ou asymétrique
DISTRIBUTIONS REGULIERES
◊◊◊ ◊
10.38 10.90 9.70 8.08 9.81 10.00 10.37 9.83 8.00 9.02
◊◊◊ ◊
9.82 9.45 9.56 7.98 9.48 11.28 13.01 11.65 10.91 9.99
◊◊◊◊◊
9.67 9.52 9.92 9.77 10.31 9.81
◊◊◊ 9.24 9.38 9.59 8.77
10.39 10.72 11.18 10.43 10.19 11.30 10.21 10.68 10.47 10.77 ◊◊◊◊◊
10.36 10.27 9.54 10.17 9.15 10.73
◊◊◊ 10.24 9.45 10.52 8.96
10.30 11.11 9.08 11.08 10.45 10.24 9.70 9.73 10.10 10.88 ◊◊◊◊◊
10.19 9.91 9.19 7.91 8.51 ◊◊◊◊◊
10.10 9.56 9.73 10.20 8.94
◊◊◊◊◊◊◊
10.37 9.73 10.16 10.74 10.72 10.44 9.09 8.50 9.31 9.70
◊◊◊◊◊ ◊◊◊
9.97 9.91 9.21 9.70 10.03 10.00 10.10 10.09 10.50 10.72
11.45 10.71 9.83 10.41 11.24 11.23 10.62 10.26 10.00 11.08
◊◊◊◊◊◊◊◊◊ ◊◊◊◊◊◊◊ ◊◊◊◊◊◊◊◊
◊◊◊◊◊◊◊◊◊◊◊ ◊◊◊◊◊◊◊ ◊◊◊◊◊◊◊◊◊◊◊
◊◊◊◊◊◊◊◊◊◊◊◊◊ ◊◊◊◊◊◊◊◊ ◊◊◊◊◊◊◊◊◊◊◊◊◊◊
Forte concentration / étendu faible Faible concentration / étendu forte
◊
◊ Nombre Nombre de familles fréquence fréquence relative
◊◊◊ d'enfants correspondants ◊ (en %)
◊◊◊◊ ◊◊ ◊ ◊◊
0 ***** **** 9 18
◊◊◊◊◊ ◊◊◊◊ ◊ ◊◊ ◊◊◊
1 ***** ** 7 14
◊◊◊◊◊◊ ◊◊◊◊ ◊ ◊◊ ◊◊◊ ◊◊◊
2 ***** ***** ** 12 24 ◊◊◊◊◊◊◊◊◊◊◊◊◊
3 ***** **** 9 18
4 ***** 5 10
5 ***** * 6 12
6 0 0
BI- MOD 7 ** 2 4 ALE
n=50 100
V. PRATIQU E STATISTIQU
L'objet fondamental de la statistique est de dégager d'un échantillon des résultats valables pour l'ensemble
de la population.
V.1 REPRESENTATION GRAPHIQUE
Le tableau suivant présente dans l'ordre d'obtention, les mesures enregistrées lors du contrôle
dimensionnel d'une caractéristique.
L'exploitation des données directement du tableau est difficile, fastidieuse, long et peu sûre.
La représentation graphique facilite l'interprétation des tableaux de chiffres
Deux graphiques vont être particulièrement utilisés :
l'histogramme et le graphique d'évolution.
Exemple discret
Exemple continue
Centre de Fréquence
relative : f/n
Limite classes Comptage Fréquence : f
58,5 - 61,5 60 IIII
classes 4 0,02
61,5 - 64,5 63 IIIII IIIII II 12 0,06
64,5 - 67,5 66 IIIII IIIII IIIII IIIII IIIII IIIII IIIII IIIII IIII 44 0,22
IIIII IIIII IIIII IIIII IIIII IIIII IIIII
67,5 - 70,5 69 IIIII 0,32
64
IIII
IIIII IIIII IIIII IIIII IIIII IIIII IIIII IIIII 56 0,28
70,5 - 73,5 72 IIIII IIIII I

73,5 - 76,5 75 IIIII IIIII IIIII I 16 0,08
76,5 - 79,5 78 IIII 4 0,02
200 1
Fréquence Fréquence relative en %
80 40
60 30
40 20
20 10
0
60 63 66 69 72 75 78 Taille
V.2 Construction d'un Histogramme
Soit un histogramme de N données (Xi) :
1- Définir les limites supérieure et inférieure
2- Définir le nombre de classes k'
k' = N1/2 ou k'= 1 + (10/3)log(N)
L'intervalle de classe CI est égal à (Max - Min)/k'
Deux types de construction sont possibles :
- Considérer le mini et le maxi comme bornes de l'histogramme
- Considérer le mini et le maxi comme milieu des classes extrêmes
Remarque : un minimum de 30 données est nécessaire pour bâtir un histogramme exploitable
Lim. Inf Lim. sup Effectif %
de classe
Exemple:
Plan pièce
d2 d1
Constituer l'histogramme correspondant au relevé du petit diamètre de 100 pièces
10.38 10.90 9.70 8.08 9.81 10.00 10.37 9.83 8.00 9.02
9.82 9.45 9.56 7.98 9.48 11.28 13.01 11.65 10.91 9.99
9.67 9.52 9.92 9.77 10.31 9.81 9.24 9.38 9.59 8.77
10.39 10.72 11.18 10.43 10.19 11.30 10.21 10.68 10.47 10.77
10.36 10.27 9.54 10.17 9.15 10.73 10.24 9.45 10.52 8.96
10.30 11.11 9.08 11.08 10.45 10.24 9.70 9.73 10.10 10.88
10.19 9.91 9.19 7.91 8.51 10.10 9.56 9.73 10.20 8.94
10.37 9.73 10.16 10.74 10.72 10.44 9.09 8.50 9.31 9.70
9.97 9.91 9.21 9.70 10.03 10.00 10.10 10.09 10.50 10.72
11.45 10.71 9.83 10.41 11.24 11.23 10.62 10.26 10.00 11.08
L’individu est la pièce et la caractéristique observée est le petit diamètre.
1- Recherche du mini et du maxi des données :
mini = 7.91 maxi = 13.01
2- Choix du nombre de classe
N = 100 k'= 1001/2 = 10
d'où l'intervalle de classe CI = (maxi- mini)/k' = (13.01 - 7.91)/10 = 0.51
3- Choix du type d'histogramme : construction avec le type 2
Nombre de classe k = k' +1 = 11
BI = mini - CI/2 = 7.91 -0.51/2 = 7,655
BS = maxi + CI/2 = 13.01 + 0.51/2 = 13,265
---+ CI ----
N°
1 BI=7.655 8.165 4 4
2 8.165 8.675 2 2
3 8.675 9.185 7 7
4 9.189 9.695 14 14
5 9.695 10.205 31 31
6 10.205 10.715 22 22
7 10.715 11.225 13 13
8 11.225 11.735 6 6
9 11.735 12.245 0 0
10 12.245 13.755 0 0
11 12.755 BS=13.265 1 1
13,2650
11
12,7550
10
12,2450
9
11,7350
8
11,2250
7
10,7150
6
10,2050
5
9,6950
4
9,1850
3
8,6750
2
8,1650
1
7,6550
0 5 10 15 20 25 30 %
V.3 Graphique d'évolution
Les deux axes perpendiculaires représentent :
- Les valeurs successives prises par une variable évoluant dans le temps
- La distribution chronologique de cette variable
22
20
18
16
14
12
10
8 9 10 11 12 14 15 16 heure
V.3 PARAMETRES D'UNE DISTRIBUTION
L'étude d'un grand nombre de données est caractérisée par deux paramètres significatifs : le centrage et
la dispersion.
3- 1 Centrage
Il existe différentes façons de prendre en compte le centre d'une distribution : le mode, la
médiane et la moyenne
Le mode : La valeur la plus fréquente
La médiane : Valeur de la variable telle qu'il y ait le même nombre d'observations
supérieures et inférieures.
La moyenne : d'une valeur X, notée X, est la somme de toutes les valeurs Xi de la série, divisée par le nombre
de valeurs
X = (1/n)(X1 + X2 + .... + Xn) = (1/n)Xi
3.2 Dispersion
La moyenne est une caractéristique importante pour résumer une distribution à l'aide d'un seul nombre,
mais il est aussi nécessaire de caractériser la manière dont les observations sont dispersées
Diverses mesures de la distribution peuvent être utilisées :
L'étendue : La différence entre la plus grande et la plus petite valeur de la variable, notée W ou R
W = Max - Min
L'écart quadratique moyen : n est une mesure de la variabilité qui tient compte de toutes les observations :
n2 = (1/n)(Xi- X)2
la variance : 2 est obtenue en divisant par (n-1) la somme des carrées des écarts des valeurs observées à la
moyenne.
2
 = (1/(n-1))(Xi - X)2
La racine carrée de la variance 2 est appelée écart type 
X5
X4 d5
X3 d4
d3
X
d2
X1 d3
X2
VI - LOIS STATISTIQUES
Selon la nature du caractère étudié, deux lois vont être utilisées : la loi normale quand le caractère est
qualitatif (mesures), la loi binomiale quand il est qualitatif (attributs).
VI.1 LOI NORMALE
La distribution normale est la plus fréquemment rencontrée à la fois dans la nature et dans
les procédés industriels. Ainsi la grandeur des hommes (ou des femmes) dans une entreprise devrait
se rapprocher d'une distribution normale; mais en mélangeant les
grandeurs des hommes et des femmes, on obtiendra probablement une distribution bi modale. Le
poids d'un contenant de poudre, le poids d'une serviette, la force d'un adhésif, ce sont là quelques
exemples qui, eux aussi, suivront une distribution normale.
Cette distribution, et la courbe qui en résulte possèdent quelques caractéristiques qui ont
permis de l'utiliser pour élaborer la théorie de la M.S.P. :
 Cette courbe est de forme régulière qui prend la forme d'une cloche, ce qui a permis de l'analyser
mathématiquement;
 Cette courbe est symétrique avec 50% des valeurs de chaque côté du centre, qui est aussi la
moyenne;
Il existe une relation directe entre l’écart type et la surface sous la courbe c'est-à-dire que la surface sous la
courbe est proportionnelle à la distance à partir du centre.
La loi normale est entièrement définie par deux paramètres : la moyenne  et l'écart type 
La densité de probabilité f(x) est la fonction de la loi normale. Sa représentation est la célèbre
courbe en cloche de Laplace-Gauss. La distribution de f(x) est symétrique autour de la moyenne.
f(x)

-3 -2-++2+3
Un intervalle de confiance est défini par la probabilité qu'à une variable, suivant une loi normale donnée de
moyenne m et d'écart type s de se trouver à l'intérieur de l'intervalle de variation correspondant.
La probabilité d'avoir un événement se situant dans la zone :
- entre  et  est de 68,28 %
- entre  et  est de 95,44 %
- entre  et  est de 99,74 %
La variable X est distribuée selon une loi normale N(,2) si :
1/2 2 2
avec  : la moyenne  : écart type
f(u) est distribué selon une loi normale centrée réduite N(0,1) si :
2
f(u) = (2
f(x) = [1/(2) ]exp[-(x-) /2 ]
Attention : cette loi n'est pas tablée, c'est sa fonction de répartition F(U) qui l'est :
Exemple:
F(U) = f(u).du
N° Effectif %
Lim. Inf Lim. sup Effectif
Animateur de classe cumulé cumulé : A. ADRI 16
-1/2
1 BI=7,655 8,165 4 4 4
exp(-u /2) MAITRISE STATISTIQUE D
ES PROCE 2 8,165 8,675 2 6 6 DES
3 8,675 9,185 7 13 13
F(U) donne la probabil
4 9,189 9,695 14 27 27
ité d'obse rver l'événement d'av
oir la vari 5 9,695 10,205 31 58 58 able u inférieure à la v
aleur U. 6 10,205 10,715 22 80 80
AnimateurP : A. ADRI 17
our une valeur donnée de U positive, la table donne la probabilité d'observer une valeur inférieure F(U).
La notation P[|X<X1] signifie : la probabilité d'avoir l'événement X inférieur à X1, qui est égale à F(X1)
La table d onne la probabilité d'a
7 10,715 11,225 13 93 93
8 11,225 11,735 6 99 99 Connaissant la loi nor
loi normal 9 11,735 12,245 0 99 99 e centrée réduite :
10 12,245 13,755 0 99 99 P[X<X1] = P[u<(X-
11 12,755 BS=13,265 1 100 100
Lorsqu'elle est négativ
valeur lue.
Si U<0 alors P[u<U] = 1- P[u<-U] (pour raison de symétrie )
Exemples:
Soit une variable aléatoire X distribuée normalement de moyenne  = 60 et d'écart type  = 20.
* La probabilité d'avoir X inférieure à 85 est :
Pr(X<85) = Pr[U<(85-60)/20 = 1,25] = 0,89435
* La probabilité pour que X soit inférieure à 50 est :
Pr(X<50) = Pr[U<(50-60)/20 = -0,50] = 1 - Pr(u<0,5) = 1- 0,69146 = 0,309
* La probabilité pour que X soit comprise entre 50 et 85 est :
Pr (50<X<85) = Pr(X<85) - Pr(X<50) = 0,894 - 0,309 = 0,585
Lorsqu'un phénomène est gouverné par le hasard, ses caractéristiques mesurables suivent en général une
loi normale ou loi de Laplace- Gauss.
Lors d'une production, il est souvent possible d'utiliser cette loi statistique afin de maîtriser la fabrication.
VI.2 Vérification de la normalité d’une distribution
Il existe différents moyens pour s'assurer de la normalité d'une distribution. En les appliquant, il faut définir
la probabilité de rejeter l'hypothèse à tort, assimilée à un risque d'erreur. Celui-ci est généralement de 5%.
a - La droite de HENRY
On utilise un repère fonctionnel Gausso-arithmitique.
En abscisse : Limites supérieures des classes
En ordonnée : Les fréquences cumulées
b - Le test du Khi-deux (appelé encore critère de Pearson)
Il permet de tester un modèle descriptif.
L'hypothèse H0 faite est qu'un échantillon observé suit une loi particulière. Il faut en tester la validité. Les
phénomènes étudiés ayant une issue aléatoire, les modèles utilisés sont probabilistes, c'est à dire qu'ils font
intervenir des densités de probabilité.
Dans le cas présent, c'est l'adéquation de l'échantillon à une loi normale qui est testée. Le test Khi-deux est
qualitatif, il porte sur des effectifs de classes et se base sur la différence entre les effectifs observés et théoriques
(calculés).
Si l'échantillon suit une loi normale donnée, chaque valeur a une probabilité pi de se trouver dans une classe
Ci, avec i = 1,... , k ( k nombre de classes). Si n est le nombre total de valeurs, ni le nombre de valeurs observées
dans la classe i, npi est le nombre de valeurs attendues théoriquement dans la classe i (en effet npi est, si l'hypothèse
est vérifiée, le nombre d'éléments de la classe i).
Le Khi-deux à pour formule :
La quantité Q suit une loi de Khi-deux à (k-1) ddl (le nombre de degrés de liberté est le nombre de variables
Khi2 =  (ni-npi) /npi = Q
indépendantes ).
En effet la connaissance du nombre d'éléments contenus dans les (k-1) premières classes implique la
ième
connaissance de celui de la k classe.
De plus, il faut estimer la moyenne et l’écart type du modèle théorique. Aussi la quantité Q, suit-elle en
réalité une loi de Khi-deux à (k-3) ddl.
Le Khi-deux dépend aussi du nombre de classes ; plus ce dernier est grand, plus le Khi-deux est élevé.
K. Pearson a fait l'étude de la loi de probabilité du Khi-deux. Il a établi une table à double entrée
représentant :
- la probabilité  que le Khi-deux dépasse la valeur donnée dans la table
- le nombre de degré de liberté.
La quantité Q est comparée, à l'aide de la table 2, au Khi-deux théorique, correspondant au risque  et à
(k-3) ddl. Si la quantité Q est supérieure à la valeur de la table, l'hypothèse de la normalité est rejetée avec un risque
. Si la quantité Q est inférieure à la valeur lue, cette hypothèse ne peut être rejetée.
Les conditions d'utilisation du test sont :
- nombre de degré de liberté >= 4
- effectifs théoriques par classe >= 5
Attention : Lorsque l'effectif théorique de la classe est inférieur à 5, un tassement est effectué entre classes
adjacentes, jusqu’à l'obtention du résultat. Le nombre de ddl est alors diminué en conséquence.
Exemple Test du Khi-deux
Même exemple que la droite d'Henry
Avant de passer au calcul du Khi-deux proprement dit, il faut calculer la moyenne et l'écart type des
données.
Le calcul donne X = 10,037 mm  = 0,83 mm.
Le modèle testé est une loi normale de moyenne  = 10,037 et d'écart type  =0,83.
On calcule ensuite, pour chaque classe, la proportion théorique devant lui appartenir en utilisant la table
exemple : pour la classe 2 (8,675 --9,185)
on pose x1 = 8,675 et x2 = 9,185 avec u1 et u2 leur fractile respectif
On a u1 = (x1-)/ et u2 = (x2-)/ d'où u1 = -1,641 et u2 = -1,026.
La probabilité d'avoir x inférieur à x1 est notée P(x<x1)
La probabilité d'avoir x inférieur à x2 est notée P(x<x2).
La probabilité recherchée étant d'avoir x supérieur à x1 et x inférieur à x2, c'est à dire : P(x1<x<x2) :
P(x1<x<x2) = P(x<x2) - P(x<x1) = P(u<u2) - P(u<u1)
P(u<u2) = P(u<-1,026) = 1- P(u<1,026) = 0,1525
P(u<u1) = P(u<-1,641) = 1- P(u<1,641) = 0,0504
d'ou P(u1<u<u2) = 0,1021
Avec N = 100 (nombre de données) et np2 = nombre théorique de valeurs attendues dans la classe 2, on a :
np2 = N*P(u1<u<u2) = 100 * 0,1021 = 10,21
Théoriquement, il devrait y avoir 10,21 valeurs dans la classe 2.
Ce même calcul doit être effectué pour les autres classes.
Attention - Le modèle théorique ne possède pas de borne, il faut donc, au niveau du calcul théorique des classes
extrêmes, intégrer ses branches infinies. Sinon la proportion théorique sous l'histogramme n'est pas égale à la
proportion pratique (100%).
Il suffit alors d'appliquer la formule du calcul du Khi-deux.
Une fois que tous les npi sont calculés, le tassement (npi>5) peut-être réalisé s'il y a lieu. Ici les classes 11,10, 9, 8
doivent être tassées ensemble ainsi que les classes 1 et 2 Le nombre de classes après tassement est donc de 7 (11-
4). Le nombre de degré de liberté est (7-3)= 4
Khi2 = [(6-5,04)2/5,04] +[(7-10,09)2/10,09] +[(4-18,78)2/18,78] + [(31-24,01)2/24,01] +[(22-21,2)2/21,2] +[(13-
13,08)2/13,08] + [(7-7,62)2/7,62]
Khi2 = 4,512
Cette valeur doit être comparée à la valeur Khi-deux théorique (ddl,) défini dans la table
Khi-deux théorique (4;95%) = 9,49.
Le Khi-deux calculé est inférieur au Khi-deux théorique, donc la loi normale est admise (ou ne peut
pas être rejetée).
N° Nombre Nombre dKhi2

Lim. Inf Lim. sup
de classe théorique réel cumulé
1 BI=7.655 8.165 1,2 4 0,000
2 8.165 8.675 3,84 2 0,182
3 8.675 9.185 10,19 7 1,001
4 9.189 9.695 18,78 14 1,216
5 9.695 10.205 24,01 31 2,037
6 10.205 10.715 21,27 22 0,025
7 10.715 11.225 13,08 13 0,001
8 11.225 11.735 5,58 6 0,051
9 11.735 12.245 1,65 0 0,000
10 12.245 13.755 0,34 0 0,000
11 12.755 BS=13.265 0,05 1 0,000
Khi-deux = 4,512
VI.4 Test de Kolmogoroff-Smirnov
Ce test comme celui du Khi-deux permet de vérifier l'adéquation d'un échantillon à une loi donnée.
Une distance maximale D(n) est définie par rapport à la fonction de répartition théorique F0, c'est à dire, dans le cas
présent, l'histogramme cumulé:
D(n) = max / Fn(i) - F0(i) /
Fn(i) représente la fonction de répartition observée (n étant le nombre d'observation et le numéro de la

Un critère dn =n
classe).
1/2
*D(n) est évalué et comparé aux valeurs critiques d(n,) relatives à l'hypothèse H0
d'adéquation à la loi,  étant le risque choisi. Si dn<d(n,),H0 ne peut être rejetée, sinon H0 est rejeté avec un risque
d'erreur de %
Exemple
Même exemple que la droite d'Henry
Tableau: données pour la construction des courbes Kolmogoroff
Fn % 4 6 13 27 58 80 93 99 99 99 100
F0 % 1,2 5,04 15,23 34,01 58,02 79,29 92,37 97,95 99,60 99,94 100
/Fn%- F0 / 2,8 0,96 2,23 7,01 0,02 0,71 0,63 1,05 0,6 0,94 0
D(100) = Max /F100(i) - F0(i) / = 7,01% = 0,0701
1/2
d100= 100 * D(100) = 10 * 0,0701
Risque bilatérale de 5% ==> on lit dans la table : d(100;5) = 1,34.
Nous somme dans le cas d'un test d'adéquation avec une loi normale N(10,037;0,83). Nous devons corriger
la valeur d(100,5) d'où :
d(100,5) = 1,34 * (0,866/1,358) = 1,34 * 0,6377 = 0,8545 > d100 ==> la valeur calculée est inférieure à la valeur dn
théorique. L'hypothèse de la loi normale ne peut être rejetée.
Remarque : Le travail s'effectue sur les fréquences cumulées. Ceci explique pourquoi il est possible de retrouver
sur le graphique de la droite de Henry deux autres courbes. Elles correspondent aux courbes de Kolmogoroff pour
un risque donnée, en considérant Fn au maximum autorisé pour chaque classe.
VII EVALUATION DE LA CAPABILITE D’UN PROCEDE
VII.1 Objectifs
 Analyser la variabilité d'un procédé
 Mesurer la performance d'un procédé vis-à-vis de la spécification et/ou le passé
Evaluer une nouvelle pièce d'équipement
 Peut-on rencontrer les spécifications (fournisseurs)
 Attribuer l'équipement
 Planifier le contrôle de procédé
 Faire des ajustements durant la production
 Etablir des spécifications réalistes et réalisables!
Faire des soumissions
VII.2 Conditions
 pas de causes de variation assignables
 procédé stable
rejet
rejet
VII.3 Comment effectuer une étude de capabilité
a.Choisir :
Dimension
Paramètre critique du procédé
Caractéristique
b. Collecter les données
La précision de l'appareil de mesure doit être sensible à un chiffre significatif de plus que la
spécification.
c. Tracer l’histogramme
X ± 3
limites de spécification
courbe normale
VII.4 les indices de capabilité de procédés
a) Cp (Capabilité inhérente du procédé)
Cp = Tolérance / 6
Si Cp  1 le procédé n’est pas capable!
1,00  Cp  1,33 le procédé est capable mais il faut faire attention
Cp  1.33 le procédé est capable de rencontrer les spécifications
Cp max = 
Exemple
Cp = 0,8 Cp = 1 Cp = 1,33 Cp = 2

b) L'indice K
Cet indice indique comment le procédé est centré par rapport aux spécifications. Il compare
la moyenne avec la valeur nominale da la spécification.
K = ( X - VN) / (tolérance/2)
K  0 X  valeur nominale

k = 0 X = valeur nominale (idéale)
k  0 X  valeur nominale
K = 1 ou - 1 50% rejets
K  1 ou K  -1 + 50% rejets
K = 0 O.K.
c) Cpk
C'est l'indice de capabilité qui tient compte de la dispersion et du centrage du procédé.
Cpk = min(Cpu, Cpl), avec
Cpu = (Lss- X )/3 et Cpl = ( X – Lis)/3
Interprétation
Cpk <0 X hors spécification
Cpk = 0 X sur une des Lss ou Lis
0 <Cpk <1 une partie de 6 hors spécification.
Cpk = 1 les 6 dans les limites de spécification
Cpk, comme Cp doit être  1
VII.5. Conditions nécessaires à l'amélioration du procédé
1. Viser une action à long terme et une amélioration continue de la qualité.
2. Avoir un système de mesure, de contrôle, d'évaluation, de planning et d'amélioration.
3. Avoir une base de données concernant le procédé.
4. Avoir une définition claire des paramètres et variables du procédé.
5. Comprendre la variabilité et répétabilité de ces paramètres.
6. Avoir une maîtrise totale du procédé par les responsables.
7. Ne pas accepter aucun niveau de défaut.
8. Récompenser toute amélioration de la qualité suite à l'introduction du CSP
9. Le système d'information sur le procédé doit être en temps réel.
10. Prévoir un entraînement sur les techniques du CSP.
11. Comprendre qu'une bonne qualité doit se faire par la prévention des défauts et non pas par la détection des
défauts.
12. Réduire les défauts par une analyse des causes et l'implantation des actions correctives
adéquates et durables.
13. Décourager autant que possible l'inspection coûteuse et utiliser plutôt l'échantillonnage.
VIII LES CARTES DE CONTRÔLE
C’est un outil décisionnel simple permettant de faire une distinction entre une variation
contrôlée et non contrôlée. Elle est fondée sur les propriétés de la loi normale et les relations
statistiques entre échantillon et population.
L’interprétation de cette carte permet de dire si le processus reste sous contrôle ou non. Des
perturbations peuvent être aussi détectées. Les corrections appropriées sont alors effectuées
avant l’apparition de défauts majeurs.
Il existe deux grandes catégories de cartes de contrôle, selon la caractéristique qui est suivie:
 carte de contrôle pour attributs:
Par attribut, on entend une caractéristique qui peut être comptée, analysée, enregistrée
comme pour les résultats d'un test bon/pas bon (go/no go) ou le nombre de défauts. Généralement,
ce sont des valeurs entières ou encore des pourcentages.
 carte de contrôle pour variables:
Par variable, on entend une caractéristique qui peut être évaluée sur une échelle continue
comme la température, le poids, etc.
Chacune de ces catégories possède des caractéristiques similaires et leur utilisation dépend
du but recherché.
VIII.1 Définition d'une carte de contrôle
La carte de contrôle est l’outil de base utilisé dans la maîtrise statistique des processus. Elle se
présente comme un graphique d’évolution de la production et permet de visualiser la variabilité du
processus au cours du temps. En outre elle est l’outil de détection des causes assignables.
«Une comparaison chronologique et graphique, donc visuelle, de la qualité (mesurable) du produit
avec des limites reflétant :
 la capacité de produire vis-à-vis des spécifications établies pour le produit ;
 la capacité de produire selon les conditions habituelles d'opération» ;
Série1
50
40
Lcs = 46,52
30
20
X = 31.81
10
0 Lci = 17,10
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
Matière F Matière K
Carte de contrôle X
VIII.2 Comment les cartes de contrôle fonctionnent-elles?
 Le produit étant défini par une qualité mesurable, ou aura une variation inévitable entre les
différentes pièces produites par le même procédé;
 Le procédé se traduit par un système de production (machine, matière, ouvrier, gabarit) et un
système d'inspection (contrôleur, appareil, environnement,..);
 Si rien ne change, les variations restent dans des limites bien définies et créent une distribution
qu'on peut prédire les caractéristiques (une moyenne et une variation);
 Pour une mesure économique des caractéristiques d'une population on procède soit:
- par mesures individuelles
- par échantillonnage
’
 pour que le résultat d un échantillon soit valable, il faut que:
 Sa taille soit assez grande (précision, fiabilité);
 Il soit représentatif, aléatoire et pris adéquatement;
 Mesures valables et prises avec soin :
- Appareils calibrés;
- Inspection neutre;
- Pas d'erreur de calcul;
 on constate en plus que les mesures individuelles ne donnent pas des informations adéquates
 pour être capable de détecter une variation anormale, c'est à dire ne faisant pas partie des
causes naturelles de variation, on utilise deux cartes en parallèle :
 une carte pour la moyenne X
 une carte pour la dispersion (autour de ta moyenne)
étendue R ou écart types s.
Avantages des cartes de contrôle
 Réduire des coûts de production en réduisant les rebuts, les retouches et l'inspection à 100% et
en évitant et éliminant les déviations;
 Améliorer la qualité et le rendement;
 Mieux connaître le procédé;
 Spécification plus réaliste;
 Eliminer ou réduire les inspections subséquentes.
Pourquoi les cartes fonctionnent?
Si la population est représentée par une distribution normale

 x34,13%
34,13%
13,60%
13,60%
2,14% 2,14%
0,13% 0,13%
Distribution normal
la grandeur n de l'échantillon doit être  2
on aura X =  et


x =
n
car la distribution des moyennes est moins dispersée
Si la distribution originale n'est pas normale ?
Selon la théorie centrale limite, la distribution des moyennes x est toujours normale à condition que
n  4
on aura X =  et


x =
n
IX IMPLANTATION DES CARTES DE CONTROLE
IX.1 Procédures préparatoires
L'implantation du C.S.P. pour le suivi d'une variable sur une ligne de production ou une sur une
machine se fait généralement selon le processus suivant:
a) Planification de la M.S.P.
Au départ, le choix de la caractéristique est très important; celle-ci doit être significative
par rapport à la qualité du produit et on doit pouvoir mesurer une variation dans les produits
fabriqués. Il est souvent nécessaire de faire le suivi de plus d'une caractéristique (Un maximum de
trois est généralement suffisant) pour assurer le contrôle du procédé et la qualité du produit fini.
Par la suite, il faut définir la mesure qui sera effectuée, l'équipement nécessaire pour la
mesure et la méthode qui sera utilisée. Si cela peut paraître évident pour une caractéristique comme
le poids avec une simple balance digitale, ceci peut demander le développement de nouveaux tests,
de nouveaux équipements de mesure, de nouvelles méthodes d'évaluation dans certains cas.
Compte tenu de la caractéristique suivie et des objectifs recherchés, on décide quel type de
carte de contrôle est le plus approprié et, une fois ce choix fait, quels seront les paramètres
d'opération comme la taille de l'échantillon et la fréquence de l'échantillonnage. La taille de
l'échantillon ne variera généralement pas par la suite, mais selon les résultats obtenus, la fréquence
de l'échantillonnage pourra être modifiée. Il est préférable de choisir une fréquence plus rapprochée
au départ quitte à l'augmenter par après.
Finalement, on doit former le personnel de production sur les buts, la méthodologie et
l'interprétation de la carte de contrôle choisie. De plus, il est fortement recommandé que le
personnel de supervision ainsi que les personnes des groupes de support (entretien, ingénierie,
recherche et développement, assurance de la qualité, etc.) soient aussi impliqués à ce niveau.
b) Etude préliminaire
Une fois la phase de planification complétée, on est prêt à passer à la phase de l'étude
préliminaire qui permettra de recueillir les données nécessaires pour le calcul des limites de contrôle.
Pour la carte de contrôle X - R. on considère qu'il faut recueillir un minimum de 100 à 125
données, ce qui peut représenter de 20 à 25 séries de 5 échantillons. Ceci est un minimum mais plutôt
que de recueillir un nombre de données beaucoup plus grand, il est préférable de porter une attention
particulière au procédé lui-même lors de la cueillette des données et de s'assurer qu'on opère
véritablement selon les conditions normales d'opération, c'est-à-dire comme cela se fait
régulièrement.
On ne doit pas chercher à minimiser les variations du procédé, Car les limites de contrôle
seraient alors plus serrées qu'elles devraient l'être. Ceci causera alors un nombre plus considérable
de points hors contrôle dont il faudra chercher la cause alors que les valeurs obtenues
représenteront en réalité des valeurs à l'intérieur des limites de contrôle véritables du procédé. De
même s'il se produit des conditions dont on peut identifier une cause assignable, il est préférable de
ne pas considérer ces points dans l'étude préliminaire, car les limites de contrôle calculées seraient
alors beaucoup plus large qu'elles ne le devraient. Par la suite, en production régulière, ceci
résulterait en très peu de points hors contrôle et éventuellement au re calcul des limites de contrôle.
Généralement, le personnel de support au M.S.P. participe au recueil des données lors de
l'étude préliminaire; ceci permet de s'assurer que tout fonctionne normalement, que les opérateurs
comprennent le fonctionnement du M.S.P. que le système de mesure est adéquat etc. Il pourra aussi
prendre des notes sur les conditions du procédé de façon À pouvoir interpréter les résultats sur la
première feuille de contrôle.
c) Validation des limites de contrôle
Avec les données recueillies lors de l'étude préliminaire, on est en mesure de calculer les
limites de contrôle intérieures et supérieures pour la moyenne et l'étendue et de là, on est en mesure
de préparer la première feuille de contrôle. Celle-ci comprend toutes les données, leurs moyennes et
étendues, les lignes pour les limites de contrôle et la moyenne pour la moyenne et l'étendue ainsi que
le tracé de tous les points.
On peut faire une première validation si tous les points sont à l'intérieur des limites de
contrôle. Si on a des points hors contrôle, on doit chercher une explication sur ceux ci.
Si on peut trouver la cause des points hors contrôle, on devra prendre une décision sur le
rejet ou la conservation des données correspondantes. Les données devraient être conservées si elles
correspondent à des situations qui surviennent normalement dans le procédé. Sinon les données
devront être rejetées. Si aucune cause n'a pu être identifiée pour expliquer les points hors contrôle,
les données seront conservées.
Si des données sont rejetées, on devra reprendre les calculs en ne gardant que les données
acceptables. De nouvelles limites de calcul sont alors obtenues et le processus reprend jusqu'à ce
que des limites de contrôle représentatives du procédé soient obtenues.
d) Utilisation en production
Une fois les limites de contrôle validées, on peut s'en servir normalement en production. Des
feuilles avec, pour chaque graphique, des lignes pour les limites de contrôle supérieure et inférieure
ainsi que pour la moyenne sont préparées et remises au personnel de production.
Celui-ci les utilise normalement lors de la production, c'est-à-dire qu'à intervalle régulier, il
prélève le nombre d'échantillons déterminé, mesure la caractéristique, note les résultats obtenus
fait les calculs appropriés (moyenne et étendue) et trace les points sur les deux graphiques.
Selon les résultats obtenus, l'opérateur prend action si nécessaire de façon à maintenir le
procédé sous contrôle. Si tout est normal, l'opérateur continue la production comme il le faisait
avant.
e) Analyse des données
La M.S.P. génère une multitude de données sur le procédé qui peuvent être utilisées pour
améliorer celui-ci. Pour cela, il est bon de compiler de façon périodique les résultats obtenus.
Ceci permettra de faire ressortir les principaux problèmes rencontrés en production et à
l'aide des techniques de résolution de problèmes, de rechercher la cause de ceux-ci et de mettre en
place des actions correctives qui permettront de les éliminer. Ceci contribuera à améliorer la qualité
du procédé.
Les données générées par la M.S.P. peuvent aussi être utilisées pour analyser l'effet de
modifications apportées au procédé, qu'il s'agisse de nouvelles matières premières, de modifications
mécaniques à l'équipement, de nouvelles méthodes de travail. etc. En comparant les données
recueillies suite à la modification à celles obtenues préalablement, on pourra évaluer avec précision
le résultat de celle-ci.
Au besoin, on recalculera les limites de contrôle et, si celles-ci ont changé de façon
significative, de nouvelles feuilles de contrôle seront préparées et introduites en production.
IX.2 Résumé de la méthode d’implantation
a) Etablir les objectifs des cartes
- analyse du procédé
 capacité par rapport aux spécifications
 changement de procédé (éliminer les causes de variation)
 changement de procédé d'inspection
- établir où et quand chasser les causes de variation
- établir une base pour accepter ou rejeter le produit et ainsi réduire ou éliminer
l'inspection finale
b) Choix des variables à contrôler
- qualité mesurable
- qualité exprimée en chiffre
Bases de choix
- variable responsable des rejets (non qualité)
- commencer par les caractéristiques critiques ou problématique (voir l'analyse Paréto)
c) Grandeur (taille) de l'échantillon
n varie entre 4 et 12 pièces, sinon R devient moins représentatif
- échantillon homogène
- un petit échantillon à court intervalle est mieux qu'un grand à intervalle plus long.
d) Nombre d'échantillon ne pour établir les limites
- un minimum de 10 échantillons et de préférence 20 ou plus sont nécessaires afin
d'augmenter la fiabilité des résultats (on recommande 100 données)
e) Fréquence de prélèvement
- selon le cas, c'est un équilibre entre les coûts d'inspection et les conséquences de
défauts;
- pour des résultats rapides, opter pour des fréquences rapprochées;
- basé sur le temps, exemple 1h, 2h, 1 quart ... ou sur la proportion 5/1000...
g) Méthodes de mesures
- Spécifier les instruments;
- La méthode;
- Préparer des instructions écrites.
IX.2 Démarrage des cartes et introduction à l'atelier
a) Préparer le personnel aux changements
 faire accepter les cartes
- résistance aux changements
- avoir peur du contrôle
- trop de travail
- trop de calcul
 entraînement nécessaire
- aux contremaîtres
- au personnel
 expliquer les principes de fonctionnement et comment les interpréter.
b) Prendre les mesures
 Collecter les données et les enregistrer avec des commentaires pertinents
- nouveaux outils
- changement de quart
- nouveaux matériaux
 calculer
R = max - min et X =  Xi

n
3. Etablir les limites de contrôle
Calculer les limites préliminaires de contrôle basés sur une population normale des X et R (voir table ci-
dessous).
Carte de la moyenne carte de la moyenne et
et de l’étendu l’écart type
Lsc X = X + A2 R Lsc X = X + A3 s
Lic X = X - A2 R Lic X = X - A3 s
LscR = D4 R Lscs = B4 s

LicR = D3 R Lics = B3 s
* = R /d2 * = s /c4
* : écart type estimé de la population Carte des

Carte des étendues moyennes types
moyennes
Carte X et R Carte X et s
l’écart type
Facteur
Taille
estimer
Sous- l’écart type
n A2 D3 D4 d2 A3 B3 B4 C4
2 1,880 - 3,267 1,128 2,659 - 3,267 0,7979
3 1,023 - 2,574 1,693 1,954 - 2,568 0,8862
4 0,729 - 2,282 2,059 1,628 - 2,266 0,9213
5 0,577 - 2,114 2,326 1,427 - 2,089 0,9400
6 0,483 - 2,004 2,534 1,287 0,030 1,970 0,9515
7 0,419 0,076 1,924 2,704 1,182 0,118 1,882 0,9594
8 0,373 0,136 1,864 1,847 1,099 0,185 1,815 0,9650
9 0,337 0,184 1,816 2,970 1,032 0,239 1,761 0,9693
10 0,308 0,223 1,777 3,078 0,975 0,284 1,716 0,9727
11 0,285 0,256 1,744 3,173 0,927 0,321 1,679 0,9754
12 0,266 0,283 1,717 3,258 0,886 0,354 1,646 0,9776
13 0,249 0,307 1,693 3,336 0,850 0,382 1,618 0,9794
14 0,235 0,328 1,672 3,407 0,817 0,406 1,594 0,9810
15 0,223 0,347 1,653 3,472 0,789 0,428 1,572 0,9823
16 0,212 0,363 1,637 3,532 0,763 0,448 1,552 0,9835
17 0,203 0,378 1,622 3,588 0,739 0,466 1,534 0,9845
18 0,194 0,391 1,608 3,640 0,718 0,482 1,518 0,9854
19 0,187 0,403 1,597 3,689 0,698 0,497 1,503 0,9862
20 0,180 0,415 1,585 3,735 0,680 0,510 1,490 0,9869
21 0,173 0,425 1,575 3,778 0,663 0,523 1,477 0,9876
22 0,167 0,434 1,566 3,819 0,647 0,534 1,466 0,9882
23 0,162 0,443 1,557 3,858 0,633 0,545 1,455 0,9887
24 0,157 0,451 1,548 3,895 0,619 0,555 1,445 0,9892
25 0,153 0,459 1,541 3,931 0,606 0,565 1,435 0,9896
X. CARTES DE CONTROLE POUR GRANDEURS MESURABLES
La mise en œuvre des cartes de contrôle pour maîtriser une caractéristique mesurable consiste à
suivre dans le temps deux éléments important de cette caractéristique :
 La tendance centrale ou le niveau moyen de la caractéristique
 La dispersion de la caractéristique
Les principales cartes utilisées en milieu industriel sont :
Carte X et R : carte de contrôle pour la moyenne( X ) et l’étendue( R ) d’un échantillon
Carte X et s : carte pour la moyenne ( X )et l’écart type (s) d’un échantillon
Carte X et R : carte de contrôle pour la médiane et l’étendue R d’un échantillon
Carte X et REM : carte de contrôle pour valeurs individuelles (X) ; on utilise l’étendue mobile
(REM) comme mesure de dispersion.
Carte St pour la moyenne : carte pour la somme cumulative de l’écart entre la moyenne d’un
échantillon et la valeur cible ; elle est également utilisée lorsque l’échantillon comporte une seule
unité.
sous-groupe d’unités Contrôle pour grandeurs mesurables
(contrôle quantitatif)
Le contrôle consiste à mesurer une Le contrôle consiste à mesurer
caractéristique particulière d’un une caractéristique sur une unit
é Le contrôle consiste à mesurer
une caractéristique sur une
unité ou un groupe d’unités.
On s’intéresse toutefois à
maîtriser l’écart d’une
statistique par rapport à une
valeur cible
La taille du sous La taille du sous La taille d’échantillon La taille d’échantillon

groupe peut se groupe est de 10 consiste d’une seule unité consiste habituellement
situer entre 2 et unités et plus d’un sous groupe
10 unités d’unités
Carte X et REM
Carte Cusum St
Carte X et R Carte X et s
Ou
carte X et R
X.1 CARTE X ET R
Etapes à suivre dans l’élaboration des cartes X et R
Modalités de prélèvement des échantillons
a) Définir la taille des échantillons à prélever (2<taille<10)
b) Définir la fréquence de contrôle
c) Définir le nombre d’échantillons ( sous-groupes ) à prélever
Calcul des moyennes et des étendues
Suite à l’enregistrement des données, on doit calculer pour chaque échantillon la moyenne X et l’étendue
R.
X.2 CARTE X ET S
Représentation graphique des moyennes et des étendues
Reporter sur la carte les moyennes obtenues, en indiquent en ordonnée les moyennes des échantillons et en
abscisse l’identification des échantillons (numéro, heure de l’échantillonnage…). Relier les ponts entre eux.
On effectue de même en reportant les étendues sur la carte R .
Calcul des limites provisoires de contrôle
a) carte de la moyenne : Lsc X = X + A2 R Lic X = X - A2 R
b) carte de l’étendue : LscR = D4 R LicR = D3 R
c) * : écart type estimé de la population * = R /dn
Identification des limites de contrôle sur les cartes X et R
a) Lignes horizontales pour la moyenne globale ainsi que pour l’étendue moyenne
b) Lignes horizontales en pointillées pour les limites supérieure et inférieure de contrôle de chaque carte.
On indique habituellement les valeurs de X, R, LscX, LicX, LscR, LicR sur les cartes
Diagnostics
Analyse des points sur chaque carte de contrôle pour déceler les points hors contrôle, ou autes
comportements particuliers.
Etapes à suivre dans l’élaboration des cartes X et S
Modalités d prélèvement des échantillons
a) Définir la taille des échantillons à prélever (taille > 10)
b) Définir la fréquence de contrôle
c) Définir le nombre d’échantillons (sous-groupes ) à prélever
d) Enregistrer les données
Calcul des moyennes et des écarts types
Suite à l’enregistrement des données, on doit calculer pour chaque échantillon la moyenne X et l’écart type
s.
comportements
Représentation graphique des moyennes et des étendues
Reporter sur la carte les moyennes obtenues, en indiquent en ordonnée les moyennes des échantillons et en
abscisse l’identification des échantillons (numéro, heure de l’échantillonnage…). Relier les ponts entre eux.
On effectue de même en reportant les écarts type sur la carte s.
Calcul des limites provisoires de contrôle
a) carte de la moyenne : Lsc X = X + A3 S Lic X = X - A3 S
b) carte de l’écart type : LscR = B4 S LicR = B3 S
Identification des limites de contrôle sur les cartes X et R
a) Lignes horizontales pour la moyenne globale ainsi que pour l’étendue moyenne
b) Lignes horizontales en pointillées pour les limites supérieure et inférieure de contrôle de chaque carte.
On indique habituellement les valeurs de X , S, LscX, LicX, LscS, LicS sur les cartes
Diagnostics
Analyse des points sur chaque carte de contrôle pour déceler les points hors contrôle, ou autres
X. 3 DIAGNOSTICSparticuliers.
Conditions qui indiquent qu’une caractéristique de qualité n’est pas maîtrisée :
On considère qu'une caractéristique de qualité est sous contrôle statistique si non
seulement les points associés aux différents échantillonnages dans le temps se situent à
l'intérieur des limites de contrôle mais également que la carte ne présente pas une suite de
points disposés de façon anormale.
Les divers tests que nous utilisons ici sont basés sur ceux présentés par
Lloyd S. Nelson* dans la revue "Joumal of Quality Technology".
Avant de donner les divers tests employés pour détecter les causes spéciales,
précisons de façon globale comment on peut obtenir une situation qui n'est pas sous
contrôle statistique. Nous indiquons également à quel(s) test(s) correspondent ces
situations.
Cartes de contrôle et situations hors contrôle
1.Un point en dehors des limites de contrôle. Tout point en dehors des limites de contrôle
doit être considéré comme une indication de la présence d'une cause spéciale. Il faut
intervenir pour en préciser la cause et apporter les corrections qui s'imposent.
2. Une tendance. Dans certaines opérations industrielles, le pointage des données peut
indiquer des changements progressifs (une augmentation ou une diminution graduelle). Dans
ce cas, la carte présente des points ayant une tendance à certaines régularités dans leur
disposition. Il faut alors être en mesure de limiter la tendance avant que le procédé se
détériore d'une façon alarmante.
3. Une fluctuation en dents de scie. Les points alternent,
vers le haut, vers le bas, indiquant un effet systématique attribuable éventuellement à
deux sources de variation (deux fournisseurs, deux opérateurs, deux machines,...).
4. Une suite de points. Bien qu'aucun point ne se situe en
dehors des limites de contrôle, une cause spéciale est présente si plusieurs points
consécutifs se disposent tous du même côté de la ligne centrale de la carte de contrôle.
Une suite de points indique un changement dans la tendance centrale du procédé ou encore
une réduction importante de la variabilité du procédé.
5. Points se situant près des limites de contrôle ou
encore près de la ligne centrale. On précise également qu'il peut exister certaines
anomalies dans le procédé de fabrication si les points sont trop près d'une ou l'autre limite
de contrôle ou encore si les points présentent une fluctuation serrée autour de la ligne
centrale. Ceci pourrait être attribuable à un mélange de données dans le même sous-groupe
(même caractéristique mesurée mais dont les unités statistiques proviennent de
différentes unités de fabrication et les données correspondantes ont été mal regroupées).
Il faut alors modifier la façon de constituer les sous-groupes et retracer la carte de
contrôle.
Notons également qu'un groupage de points autour de la ligne centrale pourrait indiquer
que l'instrumentation utilisée pour mesurer la caractéristique de qualité que l'on contrôle
est d'une précision insuffisante pour détecter les fluctuations dans les données.
6. Carte présentant des sommets et creux. Aucun point n'apparaît en dehors des limites
ce contrôle. Toutefois la carte indique, pour une période de temps relativement courte, des
sommets et des creux de part et d'autre de la ligne centrale. Ce comportement est une
indication que les sous-groupes ont été obtenus à partir d'une source en particulier dans un
cas ou d'une autre source dans l'autre cas, mais non les deux sources à la fois.
7. Effet cyclique ou périodicité. Il peut arriver parfois
que le pointage présente une allure indiquant des pointes et des creux sur une base cyclique
avec possiblement des points hors contrôle tant du côté de la limite supérieure que du côté
de la limite inférieure. Nous sommes alors en présence d'un effet cyclique attribuable
possiblement à des causes saisonnières, chimiques ou mécaniques. Toutefois ce type de
comportement est plus difficile à évaluer que les autres types de situation.
Fluctuations naturelles
Un procédé est maîtrisé statistiquement lorsque les cartes X et R présentent les aspects
suivants (en supposant que les limites de contrôle ont été établies avec un intervalle de
± 3 écarts- types):
1. Zone C: La majorité des points sont situés entre ± 1 écart type autour de la moyenne
(environ 68% c.-à-d. 34% de part et d'autre de la ligne centrale).
2. Zone B: Un certain pourcentage de points vont se situer au-delà de 1 écart- type de la
moyenne mais n'excédant pas 2 écarts- types (environ 27%).
3. Zone A: Quelques points vont se situer près des limites de contrôle (moins de 5%).
4. Il est très rare qu'un point se situe à l'extérieur des limites de contrôle.
5. Les points sont disposés de façon aléatoire de sorte qu'on ne peut identifier une
tendance, une suite de points ou tout comportement anormal.
Remarques :
a) Dans le cas où les limites de contrôle pour la carte X sont basées sur l'étendue R,
1 écart type = X = R
d n n
b) Bien que la caractéristique de qualité soit vraiment maîtrisée statistiquement, il existe
quand même un faible risque (environ 0,0026 soit 0,26%) de conclure à tort, à l'aide de la
carte X , que la caractéristique n'est pas sous contrôle statistique suite à un point qui est
situé à l'extérieur des limites de contrôle. Ce risque est appelé risque de première espèce
ou risque .
Fluctuations anormales: tests, diagnostics et causes spéciales
Divers tests sont utilisés pour diagnostiquer une cause
spéciale sur une carte de contrôle. On suppose ici que les limites de contrôle sont basées
sur un intervalle de ± 3 écarts- types. La carte est divisée en six zones d'égale amplitude
(1 écart- type), trois zones de part et d'autre de la ligne centrale. Elles sont identifiées
A, B, C, C, B, A.
Lsc
Zone A
Numéro
Description du comportement des points
du test
1 Un point au-delà de la zone A (à l’extérieur des limites de contrôle)
2 Neuf points consécutifs dans la zone C ou au-delà (positionnées du même coté de la ligne centrale)
3 Six points consécutifs affichent une augmentation ou une diminution graduelle
4 Quatorze points consécutifs alternent en dents de scie ( vers le haut vers le bas)
5 Deux points sur trois points consécutifs dans la zone A ou au-delà
6 Quatre points sur cinq points consécutifs dans la zone B ou au-delà
7 Quinze points consécutifs dans la zone C ( au-dessus ou au-dessous de la ligne centrale)
Huit points consécutifs de part et d’autre de la ligne centrale, mai n’ayant aucun point dans les
8
zones C
Zone B
Zone C 1 écart type
Ligne centrale
Zone C 1 écart type
Zone B
Zone A
Lic
Tableau des tests pour détecter les causes spéciales
X.4. SITUATIONS HORS CONTROLE ET CAUSES SPECIALES
Diverses causes peuvent influencer le comportement des points sur les cartes de contrôle
Y et R; certaines causes s'appliquent aussi bien à la carte R qu'à la carte X.
1.Un point en dehors des limites de contrôle
 Calcul inexact des limites de contrôle
 Pointage inexact sur la carte
 Erreur de mesure ou de transcription
 Nouvel agent de contrôle Nouvel opérateur
 Ajustement non approprié du procédé
 Mauvais calibrage de l'instrument
 Détérioration de conditions opérationnelles (chute de tension, de

pression de gaz...)
 Nouvelle instrumentation
 Modification dans la méthode de contrôle
 Matière première non appropriée
2.Une tendance
 Usure de l’outillage
 Détérioration d’une ou plusieurs pièces de la machine
 Détérioration de solutions chimiques
 Fatigue de l'opérateur
 Dérèglement progressif d'une pièce importante
 Amélioration de l'habileté de l'opérateur et des méthodes de travail
 Introduction graduelle de nouvelles matières premières (matières plus

homogènes ou plus hétérogènes>
 Changement graduel de la température, de l'humidité...

3.Fluctuations en dents de scie
 Données provenant de deux machines et plus
 Matières premières provenant de deux fournisseurs
 Deux opérateurs
 Deux agents de contrôle
 Deux méthodes de mesure
4. Une suite de points
 Dérèglement subit attribuable à un mauvais ajustement
 Nouvel opérateur ou opérateur inexpérimenté
 Nouvel agent de contrôle
 Changement d'instrumentation
 Mauvais calibrage
 Changement dans la méthode de contrôle
 Changement dans les matières premières
 Ajustement du procédé à un niveau trop élevé ou trop faible
5. Points se situant près des limites de contrôle ou près de la
ligne centrale
 Ajustement incorrect du procédé
 Nouveau opérateur
 Nouveau agent de contrôle
 Nouvelle instrumentation
 Erreur de calcul ou mauvais pointage
 Données provenant de plusieurs sources de fabrication

6. Carte présentant des sommets et des creux
 Données provenant d'une source de fabrication en particulier,

puis d'une autre.
 Alternance d'instrumentation, d'opérateurs, d'agents de

contrôle.
5. Effet cyclique ou périodicité
 Quart de travail
 Température, humidité (effet saisonnier)
 Fatigue
 Rotation périodique d'opérateurs.
XI CONTROLE DE LA QUALITE PAR ATTRIBUTS
Il arrive fréquemment que des conditions de qualité ne
soient pas mesurables (un contrôle visuel par exempte) ou encore qu'il est plus pratique et
plus économique d'effectuer un contrôle qualitatif à l’aide de calibres pour classer les pièces
conformes ou non. La méthode du contrôle de la qualité par attributs consiste donc
essentiellement à noter la présence ou l'absence d'un critère qualitatif quelconque (attribut)
’
sur chaque unité contrôlée et de compiler le nombre d unités possédant ou non ce critère sur
l'ensemble des unités contrôlées. Ainsi au lieu de mesurer exactement le diamètre d'une
tige, on n'aura qu'à vérifier à l'aide de calibres si le diamètre de la tige est plus petit que la
limite inférieure des spécifications ou plus grand que la limite supérieure des spécifications;
si oui la tige est jugée défectueuse ou non conforme. Ce type de contrôle est plus rapide,
plus facile et moins coûteux que le contrôle par mesures mais apporte toutefois une
information plus réduite.
Les principales cartes pour un contrôle par attributs sont :
 Carte p : carte de contrôle pour la proportion de non conformes (ou défectueux)
 Carte np: carte de contrôle pour le nombre d'unités non conformes.
 Carte c : carte de contrôle pour le nombre de non-conformités
 Carte u : carte de contrôle pour le nombre moyen de non-conformités par sous-groupe.
Le schéma suivant résume ces types de cartes de contrôle.
Contrôle par attribut
(Contrôle qualitatif)
Le contrôle consiste à noter le nombre de Le contrôle consiste à noter le nombre de
non conformes (défectueux) dans un non-conformités (défectuosités) par unité
échantillonnage de taille n contrôlée ou par sous groupes d’unités
La taille d’échantillon La taille d’échantillon L’échantillon correspond L’échantillon

est constante ou varie est habituellement à une unité (pièce, correspond à un sous
constante assemblage, aire,…) groupe d’unités
Carte p Carte np Carte c Carte u
XI.1 CARTE POUR LA PROPORTION DE NON CONFORMES
Dans ce cas, la qualité d’un lot ou d’une machine est caractérisée par la proportion p de défectueux ou de
non-conformes contenus dans un échantillon provenant de ce lot ou de la production de cette machine. La mise
en œuvre de ce type de contrôle peut se résumer comme suit :
Modalités de prélèvement des échantillons
e) Définir la taille des échantillons à prélever (50<taille<200)
f) Définir la fréquence de contrôle
g) Définir le nombre d’échantillons à prélever (20 à 30 échantillons)
Calcul des proportions p
Calcul de la proportion de non-conformes pour chaque échantillon :
P = nombre de non-conformes/taille échantillon = d
Représentation graphique des proportions
Reporter sur une carte de contrôle les valeurs obtenues en 2. En indiquant en ordonnée la proportion (ou %)
de non conformes et en abscisse l’identification de l’échantillon (heure, jour, quart de travail…) Relier les points
entre eux
Calcul des limites de contrôle
n
a) calcul de la proportion moyenne de non conformes p = d
n
b) Calcul des limites supérieures et inférieures de contrôle :
Lscp = p + 3 p (1 p) Licp = p - 3 p (1 p)

n n
Identification des limites de contrôle sur la carte p
c) Lignes horizontales pour la proportion moyenne de non-conformes
d) Lignes horizontales en pointillées pour les limites supérieure et inférieure
e) On indique habituellement les valeurs de p , Lscp, Licp, sur la carte
Diagnostics
Identification des points à l’extérieur des limites et d’autres comportements particuliers
ANALYSE DU COMPORTEMENT DU PROCÉDÉ: DIAGNOSTICS
Le tracé d'une carte de contrôle, peu importe la caractéristique qui est le sujet d'un contrôle, a
’
pour objectif d identifier tout comportement qui pourrait être identifié comme une situation hors
contrôle et de prendre les mesures correctives qui s’imposent.
On regroupe habituellement les situations non maîtrisées selon trois catégories.
’
1. Points à l extérieur des limites de contrôle
2. Suite ou tendance
3. Autres comportements non aléatoires.
Points à l'extérieur des limites de contrôle
 Un point au-dessus de la limite supérieure de contrôle (un pourcentage élevé d'unités non
conformes par exemple) peut être attribuable à diverses raisons:
a) Le calcul de la limite supérieure de contrôle est erroné.
b) Le point correspondant a été mal reporté sur la carte (ou encore le calcul de la proportion de non
conformes est inexact).
c) Le procédé s'est détérioré au cours de la période correspondante à ce point, exigeant une
évaluation de la situation pour leur apporter les mesures correctives appropriées.
d) Changement d'agent de contrôle ou de critère de qualité.
 Un point en-dessous de la limite inférieure de contrôle (une faible proportion de non
conformes, par exemple) peut être attribuable aux causes suivantes:
a) Le calcul de la limite inférieure de contrôle est erroné.
b) Le point correspondant a été mal reporté sur la carte.
c) Le procédé s'est amélioré, une évaluation de la situation permettra d'établir si cette situation
peut être maintenue de façon permanente.
d) Changement d'agent de contrôle ou de critère de qualité.
Suites de points ou tendance
Une situation hors contrôle peut également s'apparenter à
une suite de points ou à une tendance (croissante ou décroissante), même si cette
situation se manifeste à l'intérieur des limites de contrôle.
On peut qualifier que le procédé n'est pas sous contrôle
statistique lorsque habituellement :
 Neuf points consécutifs sont positionnés du même côté de la ligne centrale
 Six points consécutifs s'alignent dans un sens ou dans l'autre (croissance ou décroissance).
 Une suite de points au-dessus de la moyenne du procédé est souvent attribuable à des
conditions de fabrication qui se sont détériorées ou encore que les critères de qualité ont
été modifiés.
 Une suite de points en dessous de la moyenne du procédé peut être une indication que les
conditions de fabrication ont changé ou qu'il y a eu relâchement dans la méthode de contrôle
ou encore qu'il y a eu modification des critères de qualité.
Remarques.
a) Révision des limites de contrôle. Lorsqu'une situation hors contrôle a été diagnostiquée
et que les causes ont été identifiées et corrigées, les limites de contrôle doivent être
révisées en excluant les points hors contrôle ou encore les points ou périodes qui sont
affectés par des causes spéciales.
b) Lorsque les points indiquent que le procédé se comporte de façon satisfaisante à
l'intérieur des limites de contrôle, on peut alors projeter les limites pour les
échantillonnages subséquents.
c) A la lumière de nouvelles données, une révision subséquente des limites de contrôle
pourrait être
XI.2 CARTE DE CONTROLE POUR LE NOMBRE DE NON CONFORMES: CARTE np
Si l'effectif de l'échantillon demeure le même pour chaque
échantillonnage, il peut être plus simple et plus rapide de mettre en œuvre une carte de
contrôle pour le nombre d'unités non conformes.
Carte np
Une carte np (ou carte pour le nombre de non conformes ou de
défectueux) est un graphique sur lequel est pointé le nombre d'unités non conformes
observés dans chaque échantillon en fonction des instants de prélèvement (temps). On
indique également sur la carte le nombre moyen d'unités non conformes ainsi que les
limites de contrôle supérieure et inférieure.
Le principal avantage de la carte np résulte du fait que l'on
reporte directement les résultats du contrôle sans être obligé de diviser par n, comme
c'est le cas pour la proportion de non conformes. Dans ce cas, chaque point de la carte est
associé à un nombre entier.
Remarque : capabilité du procédé. Lorsque la carte np permet de conclure à un bon contrôle statistique, la
capabilité du procédé s’obtient de np , le nombre moyen d'unités non conformes pour une taille d'échantillon fixe
n.
Etapes à suivre dans l’élaboration de la carte np
a) Définir la taille des échantillons à prélever (taille importante et constante)
b) Définir la fréquence de contrôle (assurer un suivi régulier pour corriger les situations hors contrôle
rapidement)
c) Définir le nombre d’échantillons à prélever pour établir les limites de contrôle provisoires ( 20 à 30
échantillons)
Décompte du nombre d’unités non conformes
On enregistre np, le nombre d’unités non conformes ou défectueuses dans chaque échantillon.
Représentation graphique carte np
Reporter sur la carte de contrôle les valeurs obtenues pour le nombre d’unités non
conformes, ainsi que les instants correspondants des sous-groupes.
Relier les points entre eux
d i
k k
k est le nombre d’échantillon de taille n avec p = d i
n.k
b) les limites supérieures et inférieures de contrôle :
Lscnp = np + 3 np(1 p) Licnp = np - 3 np(1 p)
Identification des limites de contrôle sur la carte np
On procède de la même façon que la carte p, tout en indiquant les valeurs de np , Lscnp et Licnp sur la carte.

a) calcul de np, le nombre moyen d’unités non conformes np = d d ....d =
1 2 k
Diagnostics
Analyser la carte pour identifier les points à l’extérieur des limites de contrôle, les suites de points au-
et au-dessous de la ligne centrale ou tout autre comportement qui ne semble pas correspondre à un
comportement naturel du procédé. En déterminer la cause et apporter les correctifs nécessaires.
Dans le cas où l'unité à contrôler ne peut-être classée en deux catégories (conforme ou non). La

complexité de certains produits (un micro-ordinateur par exemple) ne permet pas de juger de façon
catégorique si le produit est acceptable ou non; on peut toutefois s'intéresser au nombre de non-
conformités que peut comporter le produit. On mettra alors en oeuvre une carte c.
Une carte c (ou carte pour le nombre de non-conformités) est un graphique sur lequel est pointé
dessusCARTE DE CONTRÔLE POUR LE NOMBRE DE NON-CONFORMITÉS : CARTE
le nombre de non-conformités par unité contrôlée en fonction des instants de prélèvement. Le tracé
XI.3 C
de la carte comporte également la position du nombre moyen de non-conformités par unité contrôlée
ainsi que les limites de contrôle.
Distinction entre non-conformité et pièce non conforme
Avant de poursuivre, il est important d'apporter la distinction suivante entre non-conformité et
pièce non conforme.
On dénote une non-conformité sur une pièce quelconque si elle n'est pas conforme à n'importe
quel critère quantitatif ou qualitatif prescrit (les spécifications dans un sens très large). Il est
également de pratique courante de classer les non-conformités (les défauts) suivant trois
’
catégories dépendant de leur gravité et de l utilisation de la pièce fabriquée:
non-conformité critique, non-conformité majeure et non-conformité mineure. Une
pièce peut être classée non conforme si elle présente une ou plusieurs non-conformités.
Remarque. Capabilité du procédé. Si la carte c permet de conclure que le procédé opère sous
contrôle statistique, on peut alors en déduire la capabilité du procédé, qui est dans ce cas, le
nombre moyen de non-conformités par unité contrôlée.
Etapes à suivre dans la mise en œuvre d'une carte c.
Contrairement aux cartes p et np , la taille d’échantillon pour le contrôle de non-conformités consiste en un
sous-groupe d’une unité à contrôler. L’unité à contrôler peut être, par exemple, une porte, un circuit imprimé,
une certaine longueur de fil, un certain nombre de mètres carrés de tissu,… l’unité à contrôler doit être
constante pour chaque échantillonnage.
Les autres éléments concernant la fréquence de contrôle et le nombre d’échantillons sont similaires aux cartes p
et np
Décompte du nombre de non-conformités
On enregistre c, le nombre de non-conformités par unité contrôlé.
Représentation graphique carte c
Reporter sur la carte de contrôle les valeurs obtenues pour le nombre de non-conformités ainsi
que les instants de prélèvement correspondants pour chaque unité contrôlée.
Relier les points entre eux
a) Le nombre moyen c de non-conformités pour k unités contrôlées est :
i ème
c = où ci représente le nombre de non-conformités de la i unité contrôlée
k
b) les limites supérieures et inférieures de contrôle :
Lscc = c + 3 c Licc = c - 3 c
c
Identification des limites de contrôle sur la carte c
Le nombre moyen de non-conformités est représenté par une ligne horizontale, alors que les limites de contrôle
le sont par des lignes horizontales en pointillées.
On indique également les valeurs de c , Lscc, Licc sur la carte.
Diagnostics
Analyser la carte pour identifier les points à l’extérieur des limites de contrôle, les suites de points au-
dessus et au-dessous de la ligne centrale ou tout autre comportement qui ne semble pas correspondre à un
comportement naturel du procédé. En déterminer la cause et apporter les correctifs nécessaires.
Carte u
Licu = u - 3 
Lorsque les sous groupes contrôlés comptent plus d'une unité, alors les formules précédentes

doivent être modifiées comme suit:
n
ui = est le taux de non-conformités observées sur un sous-groupe de ni unités
ni
Se sont les valeurs ui qui sont pointés sur la carte de contrôle.
Calcul du nombre moyen u de non-conformités par unité pour l’ensemble des k sous-groupes
n1un2u2 1..... nkuk c1c2 ..... ck

u = =
n1n2 ..... nk n1n2 ...... nk
calcul des limites de contrôle :
ui = c où ci est le nombre de non-conformités observées sur les ni unités du sous-groupe.
i
u u
Lscu = u + 3
n
Il est fréquent que ni varie ; par conséquent, les limites de contrôle seront également
variables. On pourrait toutefois appliquer la règle, pratique qui consiste à calculer n et à établir les
limites de contrôle avec cette valeur ( n ), quitte à évaluer les limites de contrôle pour les sous-
groupes dont la taille varie de ± 25% par rapport à n

I-Introduction: Maitrise Statistique Des Procedes

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

I-Introduction: Maitrise Statistique Des Procedes

Transféré par

Droits d'auteur :

Formats disponibles

MAITRISE

 En mesurant la variation entre des produits fabriqués dans un très court laps de temps et en

Pour cela, le M.S.P. ne requiert que l'utilisation de techniques statistiques simples (addition,

Par la suite, les résultats obtenus par la M.S.P constitueront une solide base pour la discussion sur la

Par variation inhérente au procédé, on entend la somme de toutes les petites variations qui

N° Nombre Nombre dKhi2

Fn(i) représente la fonction de répartition observée (n étant le nombre d'observation et le numéro de la

Si Cp  1 le procédé n’est pas capable!

Cp = 0,8 Cp = 1 Cp = 1,33 Cp = 2

K = ( X - VN) / (tolérance/2)

K  0 X  valeur nominale

K  1 ou K  -1 + 50% rejets

Cpu = (Lss- X )/3 et Cpl = ( X – Lis)/3

 carte de contrôle pour variables:

on aura X =  et

on aura X =  et

R = max - min et X =  Xi

LscR = D4 R Lscs = B4 s

* : écart type estimé de la population Carte des

La taille du sous La taille du sous La taille d’échantillon La taille d’échantillon

a) carte de la moyenne : Lsc X = X + A2 R Lic X = X - A2 R

b) carte de l’étendue : LscR = D4 R LicR = D3 R

c) * : écart type estimé de la population * = R /dn

a) carte de la moyenne : Lsc X = X + A3 S Lic X = X - A3 S

b) carte de l’écart type : LscR = B4 S LicR = B3 S

 Calcul inexact des limites de contrôle

 Pointage inexact sur la carte

 Erreur de mesure ou de transcription

 Nouvel agent de contrôle Nouvel opérateur

 Ajustement non approprié du procédé

 Mauvais calibrage de l'instrument

 Détérioration de conditions opérationnelles (chute de tension, de

 Modification dans la méthode de contrôle

 Matière première non appropriée

 Usure de l’outillage

 Détérioration d’une ou plusieurs pièces de la machine

 Détérioration de solutions chimiques

 Fatigue de l'opérateur

 Dérèglement progressif d'une pièce importante

 Introduction graduelle de nouvelles matières premières (matières plus

 Changement graduel de la température, de l'humidité...

 Données provenant de deux machines et plus

 Matières premières provenant de deux fournisseurs

 Deux agents de contrôle

 Deux méthodes de mesure

 Dérèglement subit attribuable à un mauvais ajustement

 Nouvel opérateur ou opérateur inexpérimenté

 Nouvel agent de contrôle

 Changement dans la méthode de contrôle

 Changement dans les matières premières

 Ajustement incorrect du procédé

 Nouveau agent de contrôle

 Erreur de calcul ou mauvais pointage

 Données provenant de plusieurs sources de fabrication

 Données provenant d'une source de fabrication en particulier,

 Alternance d'instrumentation, d'opérateurs, d'agents de

 Quart de travail

 Température, humidité (effet saisonnier)

 Rotation périodique d'opérateurs.

 Carte c : carte de contrôle pour le nombre de non-conformités

La taille d’échantillon La taille d’échantillon L’échantillon correspond L’échantillon

Carte p Carte np Carte c Carte u

Lscp = p + 3 p (1 p) Licp = p - 3 p (1 p)