Académique Documents
Professionnel Documents
Culture Documents
Pour la plupart des auteurs américains ou japonais dans le domaine de la qualité, l'outil
statistique est un outil essentiel. Ils considèrent en général que l'approche statistique des
problèmes doit être enseignée à tous même si chacun dans une société ne doit pas devenir un
spécialiste dans le domaine. En effet, il n'est pas indispensable de comprendre toute la théorie
sous-jacente aux méthodes statistiques pour pouvoir les utiliser. Cependant un certain nombre
d’outils statistiques est indispensable pour contrôler et maîtriser la qualité.
1. Tableaux
L’emploi de la MSP nécessite que l’on collecte, à intervalle de temps régulier, des
échantillons composés de n individus sur lesquels on effectue une (ou éventuellement
plusieurs) mesure. La valeur , fixée d’avance, est ce que l’on appelle la taille de
l’échantillon. Si le nombre d’échantillons collecté est , alors l’ensemble des mesures
obtenues peut se représenter sous la forme d’un tableau formé de lignes et colonnes dans
lequel est l’observation correspondant au -ième individu du -ième échantillon.
Remarque : L’hypothèse que les observations Xj,k suivent une loi normale est fondamentale
de la MSP.
Echantillons Mesures
2. Caractéristiques de position/dispersion
Médiane
Caractéristique Formule
Ecart-type
Etendue
– une dispersion instantanée des mesures correspondant à la capacité de la machine qui usine.
Cette dispersion reste quasiment constante pendant la période d’observation. Elle porte le nom
de dispersion instantanée ou dispersion machine on la note M.
– une dispersion globale des mesures peuvent correspondant à l’usinage des pièces sur une
journée. Cette dispersion prend en compte la dispersion instantanné de la machine à laquelle
s’ajoute la dispersion provoquée par les 4M restant. Elle porte le nom de dispersion globale
ou dispersion procédé et est notée P.
Puisque la dispersion procédé inclut la dispersion machine, on aura toujours la relation
P M
– La moyenne procédé
– L’étendue machine RM
– L’étendue procédé RP
RP = max(Xj,k) - min(Xj,k).
3. graphiques
Histogram
18
15
frequency
12
0
13,1 13,3 13,5 13,7 13,9
Fig. 2.1
Notons que l'histogramme donne une image globale des données et néglige l'ordre éventuel
suivant lequel les données ont été collectées. De plus le choix du nombre de classes et des
limites des classes d'un histogramme a une influence non négligeable sur le graphe résultant et
donc sur l'interprétation qu'on en fera.
Le tracé de l’histogramme n’est significatif que si . On conseille de choisir un nombre
de classes entre 4 et 20, par exemple et la largeur pour chaque classe.
Les limites des classes seront choisies de manière à éviter que les données tombent sur ces
limites.
Dot Diagram
3
Frequency
0
13,1 13,2 13,3 13,4 13,5 13,6 13,7 13,8
Fig. 2.2
Box-and-Whisker Plot
Fig. 2.3
Fig. 2.4
Carte X-barre
13,8
LCS = 13,73
CTR = 13,38
13,6 LCI = 13,03
Données
13,4
13,2
13
0 10 20 30 40
temps ou période (n°)
Fig. 2.5
Carte MR(2)
0,5
LCS = 0,43
0,4 CTR = 0,13
Données LCI = 0,00
0,3
0,2
0,1
0
0 10 20 30 40
Temps ou période (n°)
Fig. 2.6
Pareto Chart
100,00
30 93,33
83,33
25
frequency
66,67
20
15 40,00
10
5
0
carburant niveau autres absence retard
Fig. 2.7
Fig. 2.8
Fig. 2.9
Le diagramme de cause à effet complète le Flow chart car il donne une représentation des
composants d'un procédé quand ce dernier en donne une représentation temporelle. Ces deux
diagramme peuvent parfois être combinés.
Le diagramme de cause à effet complète aussi le diagramme de Pareto : ce dernier sert à
identifier les problèmes importants, le diagramme de cause à effet énumère les causes
possibles pour un problème donné. Parmi ces causes, il faudra ensuite identifier celle(s) qui
est (sont) responsable(s) du problème.
3,3
2,9
2,5
0 20 40 60 80
X
Fig. 2.10
1. Lois
Soit X la variable aléatoire égale au nombre succès enregistrés au cours d’une expérience
binomiale consistant en n répétitions d’une épreuve de Bernoulli dans laquelle la probabilité
de succès est égale à p. Alors la distribution de probabilité de X est donnée par :
La moyenne et la variance d’une variable binomiale de paramètre n et p sont données par
et .
La moyenne et la variance de la distribution de Poisson sont toutes les deux égales à i.e.
E(X) = V(X) =
où et .
La table des distributions F donne pour différentes valeurs du couple ( , ) et pour = 0,05
ou = 0,01, la valeur de la variable aléatoire F au-dessus de laquelle on trouve une surface
égale à .
On peut pour trouver la valeur de pour = 0,95 ou = 0,99 en utilisant la formule :
Médiane
P = SP
Les hypothèses que l'on formule dans le but d'être rejetées forment l'hypothèse nulle, notée
. Le rejet de conduit à l’acceptation d’une hypothèse alternative désignée par .
Dans une procédure de test d'hypothèse l'ensemble des valeurs observées qui conduisent à
l'acceptation de forment la région d'acceptation alors que celles qui conduisent à son
rejet forment la région de rejet ou région critique. Les valeurs limites de la région critique
sont appelées valeurs critiques.
Les tests de conformité peuvent être unilatéraux ou bilatéraux selon que la région de rejet est
unilatérale ou bilatérale.
, , ou
2. Tests de conformité
et
inconnue et n petit
, = n – 1
et
et
et
Tests d’égalité concernant les moyennes
Région critique
Statistique test
et connues ou et grands
et
et petits ; inconnues
et
et petits ; inconnues
et
n = n - 1,
et
et
et
, ,
Critère de décision d'un test d'ajustement
Les données de base d’un tel test d’ajustement se présentent habituellement sous la forme :
Observation
… …
f-observée … ….
Pour tester l’hypothèse nulle que ces données proviennent d’une population de distribution
f(x), on calcule dans un premier calculer la fréquence théorique de chaque observation .
On obtient alors une distribution de la forme :
Observation
… …
f-observée … …
f-théorique … …
Les données relatives à un test d'indépendance sont en général présentées dans un tableau de
contingence de r lignes et c colonnes de la forme suivante :
… …
Total
n
Total
, alors que les totaux verticaux représentent les fréquences marginales des
Pour tester l’indépendance entre les deux variables, on calcule dans un premier calculer la
fréquence théorique de chacune des cellules en utilisant la relation
Les fréquences théoriques ainsi calculées sont reportées dans le tableau de contingence (entre
parenthèses à côté de la fréquence théorique correspondante).
3. Test d’adéquation
3.1.2 QQ-Plot
La méthode graphique QQ-Plot permet de tester “visuellement” si deux ensembles
d’observations et , dont la taille n’est pas nécessairement identique,
ont des fonctions de répartition. (inconnues) et identiques ou différentes. Pour
appliquer cette, il faut :
1. Calculer avec et
et
et
avec
et
Remarque : Des procédures sont développées et sont intégrés dans les logiciels d’analyse
statistique (SAS, STATISTICA, MINITAB, STATGRAPHICS, …) ou constituent des
modules indépendants auto-exécutables (CENTURION, SEWSS, …) pour effectuer
toutes les tâches etudiées ci-dessus.