ISO 10017-2021 FR

Machine Translated by Google
INTERNATIONAL OIN
STANDARD 10017
Première édition
202107
Gestion de la qualité — Orientations

sur les techniques statistiques pour
ISO 9001:2015
Management de la qualité — Recommandations relatives
aux techniques statistiques pour l’ISO 9001:2015
Numéro de réference
ISO 10017:2021(F)
© ISO 2021
ISO 10017:2021(F)
DOCUMENT PROTÉGÉ PAR COPYRIGHT
© ISO 2021
Tous droits réservés. Sauf indication contraire, ou requis dans le contexte de sa mise en œuvre, aucune partie de cette publication ne peut être
reproduite ou utilisée autrement sous quelque forme ou par quelque moyen que ce soit, électronique ou mécanique, y compris la photocopie, ou la
publication sur Internet ou un intranet, sans autorisation préalable. autorisation écrite. L'autorisation peut être demandée soit auprès de l'ISO à l'adresse
cidessous, soit auprès du comité membre de l'ISO dans le pays du demandeur.
Bureau du droit d'auteur ISO
CP 401 • Ch. de Blandonnet 8
CH1214 Vernier, Genève
Téléphone : +41 22 749 01 11
Courriel : copyright@iso.org
Site Web : www.iso.org
Publié en Suisse
ii © ISO 2021 – Tous droits réservés

ISO 10017:2021(F)
Contenu Page
Avantpropos.................................................. .................................................................. .................................................................. .................................................................. ...................................v
Introduction................................................. .................................................................. .................................................................. .................................................................. ......................vi
1 Portée................................................. .................................................................. .................................................................. .................................................................. ..........................1
2 Références normatives ................................................ .................................................................. .................................................................. ..................................1
3 Termes et définitions............................................... .................................................................. .................................................................. ..................................1
4 Techniques statistiques dans la mise en œuvre de la norme ISO 9001 ....................................... .............................................1
5 Données quantitatives et techniques statistiques associées dans l'ISO 9001............................................... ...................2
6 Applicabilité des techniques sélectionnées ............................................................ .................................................................. ......................................................9
7 Description des techniques statistiques ................................................. .................................................................. ..................................................9

7.1 Statistiques descriptives.................................................. .................................................................. .................................................................. ...................... 9
7.1.1 Description générale............................................................ .................................................................. .................................................................. ...... 9

7.1.2 Avantages .................................................. .................................................................. .................................................................. ..................................11
7.1.3 Limites et mises en garde .................................................. .................................................................. ......................................11
7.1.4 Exemples d' applications.................................................. .................................................................. ......................................12

7.2 Conception d' expériences............................................... .................................................................. .................................................................. ................12
7.2.1 Description générale............................................................ .................................................................. .................................................................. ...12
7.2.2 Avantages ................................................. .................................................................. .................................................................. ......................12
7.2.4 Exemples d' applications........................................................ .................................................................. ........................................13

7.3 Tests d'hypothèses ................................................ .................................................................. .................................................................. ......................13
7.3.2 Avantages .................................................. .................................................................. .................................................................. ..................................14

7.4 Analyse du système de mesure.................................................. .................................................................. ......................................................14
7.4.2 Avantages ................................................. .................................................................. .................................................................. ......................15
7.4.4 Exemples d' applications........................................................ .................................................................. ........................................15

7.5 Analyse de la capabilité du processus ................................................. .................................................................. .................................................................. .....15

7.5.2 Avantages .................................................. .................................................................. .................................................................. ..................................16

7.6 Analyse de régression ................................................ .................................................................. .................................................................. ......................17
7.6.2 Avantages ................................................. .................................................................. .................................................................. ......................18
7.6.4 Exemples d' applications........................................................ .................................................................. ......................................19

7.7 Analyse de fiabilité ................................................ .................................................................. .................................................................. ......................19
7.7.2 Avantages .................................................. .................................................................. .................................................................. ..................................20

7.8 Échantillonnage................................................. .................................................................. .................................................................. ..................................................21

7.8.2 Avantages ................................................. .................................................................. .................................................................. ......................21
7.8.3 Limites et mises en garde ............................................ .................................................................. ......................................21
7.8.4 Exemples d' applications........................................................ .................................................................. ............................................22

7.9 Simulation................................................. .................................................................. .................................................................. ......................................................22

7.9.2 Avantages .................................................. .................................................................. .................................................................. ..................................22
© ISO 2021 – Tous droits réservés iii

ISO 10017:2021(F)
Limites et mises en garde ............................................................ .................................................................. ......................................23

7.9.3
7.9.4 Exemples d' applications..... .................................................................. .................................................................. ................................23 7.10
Contrôle statistique du processus............... .................................................................. .................................................................. ......................................23 7.10.1
Description générale..... .................................................................. .................................................................. ......................................23 7.10.2
Avantages .. .................................................................. .................................................................. .................................................................. ........................24
7.10.3 Limites et mises en garde .................. .................................................................. .................................................................. ............25 7.10.4
Exemples d' applications.......................... .................................................................. .................................................................. .........25 7.11 Tolérance

statistique.................................................. .................................................................. .................................................................. ..................................25 7.11.1
Description générale........................ .................................................................. .................................................................. .....................................25

7.11.2 Avantages ........ .................................................................. .................................................................. .................................................................. ................26
7.11.3 Limites et mises en garde ............................ .................................................................. .................................................................. ........26 7.11.4
Exemples d' applications................................ .................................................................. .................................................................. ...26 7.12 Analyse

des séries chronologiques.................................. .................................................................. .................................................................. ......................26 7.12.1
Description générale................. .................................................................. .................................................................. ..................................26 7.12.2
Avantages .............. .................................................................. .................................................................. .................................................................. ............27
7.12.3 Limites et mises en garde .............................. .................................................................. .................................................................. .....27 7.12.4
Exemples d' applications............................................ .................................................................. ..................................................28
Bibliographie. .................................................................. .................................................................. .................................................................. .................................................................. ......................29
iv © ISO 2021 – Tous droits réservés

ISO 10017:2021(F)
Avantpropos
L'ISO (Organisation internationale de normalisation) est une fédération mondiale d'organismes nationaux de normalisation
(comités membres de l'ISO). Le travail de préparation des Normes internationales est normalement effectué par
l'intermédiaire des comités techniques de l'ISO. Chaque comité membre intéressé par un sujet pour lequel un comité
technique a été créé a le droit d'être représenté au sein de ce comité. Des organisations internationales, gouvernementales
et non gouvernementales, en liaison avec l'ISO, participent également aux travaux.
L'ISO collabore étroitement avec la Commission électrotechnique internationale (CEI) sur toutes les questions de
normalisation électrotechnique.
Les procédures utilisées pour élaborer ce document et celles destinées à sa maintenance ultérieure sont
décrites dans les Directives ISO/CEI, Partie 1. En particulier, les différents critères d'approbation nécessaires
pour les différents types de documents ISO doivent être notés. Ce document a été rédigé conformément
aux règles éditoriales des Directives ISO/IEC, Partie 2 (voir www.iso.org/directives).
L'attention est attirée sur la possibilité que certains éléments de ce document puissent faire l'objet de droits de
brevet. L'ISO ne peut être tenue responsable de l'identification de tout ou partie de ces droits de brevet. Les
détails de tous les droits de brevet identifiés lors de l'élaboration du document figureront dans l'introduction et/
ou sur la liste ISO des déclarations de brevet reçues (voir www.iso.org/patents).
Tout nom commercial utilisé dans ce document est une information donnée pour la commodité des utilisateurs et ne
constitue pas une approbation.
Pour une explication de la nature volontaire des normes, la signification des termes et expressions spécifiques à l'ISO liés
à l'évaluation de la conformité, ainsi que des informations sur l'adhésion de l'ISO aux principes de l'Organisation mondiale
du commerce (OMC) dans les obstacles techniques au commerce (OTC), voir www.iso.org/
iso/avantpropos.html.
Le présent document a été élaboré par le comité technique ISO/TC 176, Management de la qualité et assurance qualité,
souscomité SC 3, Technologies de support.
Cette première édition de l'ISO 10017 annule et remplace l'ISO/TR 10017:2003, qui a été techniquement révisée. Les
principales modifications par rapport à l'ISO/TR 10017:2003 sont les suivantes :
— il a été révisé en tant que document d'orientation complet et aligné sur la norme ISO 9001:2015.
Tout commentaire ou question sur ce document doit être adressé à l'organisme de normalisation national de l'utilisateur.
Une liste complète de ces organismes est disponible sur www.iso.org/members.html.
© ISO 2021 – Tous droits réservés dans

ISO 10017:2021(F)
Introduction
La variabilité est inhérente au comportement et aux résultats de pratiquement tous les processus et activités, même dans des
conditions d’apparente stabilité. Une telle variabilité peut être observée, sur l’ensemble du cycle de vie, dans les caractéristiques
quantifiables des processus et dans les produits et services qui en résultent.
Les techniques statistiques peuvent aider à mesurer, décrire, analyser, interpréter et modéliser la variabilité (qu’il s’agisse d’une
quantité relativement limitée de données ou d’ensembles de données volumineux). L'analyse statistique des données peut
permettre de mieux comprendre la nature, l'étendue et les causes de la variabilité. Cela peut aider à résoudre, voire prévenir, les
problèmes et à atténuer les risques pouvant découler d’une telle variabilité.
L'analyse des données à l'aide de techniques statistiques peut faciliter la prise de décision et contribuer ainsi à améliorer les
performances des processus et les résultats qui en résultent. Les techniques statistiques sont applicables aux données de tous
les secteurs, avec des résultats potentiellement bénéfiques.
Les critères permettant de déterminer le besoin de techniques statistiques et le caractère approprié de la ou des techniques
sélectionnées restent la prérogative de l'organisation.
L'objectif de ce document est d'aider une organisation à identifier les techniques statistiques par rapport aux éléments d'un
système de gestion de la qualité tel que défini par la norme ISO 9001:2015. L'application de telles techniques peut apporter des
avantages considérables en termes de qualité, de productivité et de coût.
Ce document peut également être utilisé pour soutenir d'autres systèmes de gestion et normes de support, par exemple un
système de gestion environnementale, un système de gestion de la santé et de la sécurité.
nous
© ISO 2021 – Tous droits réservés
STANDARD INTERNATIONAL ISO 10017:2021(F)
Management de la qualité — Guide sur les techniques statistiques pour l'ISO

9001:2015
1 Portée
Le présent document donne des lignes directrices pour la sélection de techniques statistiques appropriées qui peuvent être utiles
à une organisation, quelle que soit sa taille ou sa complexité, pour développer, mettre en œuvre, maintenir et améliorer un système
de management de la qualité conformément à la norme ISO 9001:2015.
Ce document ne fournit pas de conseils sur la façon d’utiliser les techniques statistiques.
2 Références normatives
Les documents suivants sont mentionnés dans le texte de telle manière que tout ou partie de leur contenu constitue des exigences
de ce document. Pour les références datées, seule l'édition citée applique. Pour les références non datées, la dernière édition du
document référencé (y compris les modifications éventuelles) s'applique.
ISO 35341, Statistiques — Vocabulaire et symboles — Partie 1 : Termes statistiques généraux et termes utilisés en probabilités
ISO 35342, Statistiques — Vocabulaire et symboles — Partie 2 : Statistiques appliquées
ISO 35343, Statistiques — Vocabulaire et symboles — Partie 3 : Plans d'expériences
ISO 35344, Statistiques — Vocabulaire et symboles — Partie 4 : Échantillonnage d'enquête
ISO 9000:2015, Systèmes de management de la qualité — Fondements et vocabulaire
3Termes et définitions
Pour les besoins du présent document, les termes et définitions donnés dans l'ISO 35341, l'ISO 35342, l'ISO 35343, l'ISO
35344, l'ISO 9000:2015 et ce qui suit s'appliquent.
L'ISO et la CEI maintiennent des bases de données terminologiques destinées à la normalisation aux adresses suivantes :
— Plateforme de navigation ISO Online : disponible sur https://www.iso.org/obp
— IEC Electropedia : disponible sur http://www.electropedia.org/

3.1
technique statistique
méthode statistique
méthodologie d'analyse de données quantitatives associées à la variation des produits, processus, services et phénomènes
étudiés pour fournir des informations sur l'objet de l'étude
Note 1 à l’article: Les techniques statistiques sont également applicables aux données qualitatives (non numériques) si ces données peuvent
être converties en données quantitatives (numériques).
4 Techniques statistiques dans la mise en œuvre de la norme ISO 9001

Les techniques statistiques peuvent aider à évaluer, contrôler et améliorer les processus et les résultats qui en résultent, ainsi
qu'à évaluer et à améliorer l'efficacité d'un système de gestion de la qualité.
© ISO 2021 – Tous droits réservés 1

ISO 10017:2021(F)
Les techniques statistiques, ou familles de techniques, largement utilisées et qui trouvent des applications utiles dans la mise en
œuvre de l'ISO 9001 comprennent :
— statistiques descriptives (voir 7.1) ;
— plans d'expériences (DOE) (voir 7.2) ;
— tests d'hypothèses (voir 7.3) ;
— analyse du système de mesure (MSA) (voir 7.4) ;
— analyse de capabilité du processus (voir 7.5) ;
— analyse de régression (voir 7.6) ;
— analyse de fiabilité (voir 7.7) ;
— échantillonnage (voir 7.8) ;
— simulation (voir 7.9) ;
— contrôle statistique du processus (SPC) (voir 7.10) ;
— tolérance statistique (voir 7.11) ;
— analyse de séries chronologiques (voir 7.12).
Beaucoup de ces techniques sont utilisées conjointement avec d’autres techniques ou comme sousensembles d’autres techniques
statistiques.
La liste des techniques statistiques citées dans ce document n'est ni complète ni exhaustive et n'exclut pas l'utilisation de toute autre
technique (statistique ou autre) jugée bénéfique pour l'organisation. De plus, ce document ne tente pas de préciser quelle(s)
technique(s) statistique(s) doivent être utilisées et il ne tente pas de donner des conseils sur la manière dont la ou les techniques
doivent être mises en œuvre.
5 Données quantitatives et techniques statistiques associées dans l'ISO 9001

Les données quantitatives qui peuvent raisonnablement être rencontrées dans les activités associées aux articles et paragraphes de
la norme ISO 9001:2015 sont indiquées dans le tableau 1. En regard des données quantitatives identifiées, figurent les techniques
statistiques qui peuvent être potentiellement bénéfiques pour l'organisation lorsqu'elles sont appliquées à ces données.
Aucune technique statistique n'a été identifiée pour laquelle les données quantitatives ne peuvent pas être facilement associées à un
article ou un sousarticle de l'ISO 9001.
Les techniques statistiques citées dans ce document se limitent à celles qui sont bien connues. Une brève description de chacune de
ces techniques statistiques est donnée à l'Article 7.
L'organisation peut évaluer la pertinence et la valeur de chaque technique statistique répertoriée dans le tableau 1 et déterminer si
elle est utile dans le contexte de cette clause.
Tableau 1 — Données quantitatives et technique(s) statistique(s) possible(s)
Clause/paragraphe de Données quantitatives impliquées Techniques de statistique)

ISO 9001:2015
—
1. Portée N'est pas applicable
2. Références normatives —
N'est pas applicable
3. Termes et définitions —
N'est pas applicable
4. Contexte de l'organisation
2 © ISO 2021 – Tous droits réservés

ISO 10017:2021(F)
Tableau 1 (suite)

ISO 9001:2015
4.1 Comprendre l'organisation et son Données concernant les problèmes internes et Statistiques descriptives
contexte externes, par exemple :
Contrôle des processus statistiques
financier
Échantillonnage
— enquêtes auprès des employés

Analyse des séries chronologiques
étude de marché
ventes
— performances des produits et services
— concurrence/benchmarking
— enquêtes clients
4.2 Comprendre les besoins et les Données subjectives et objectives concernant les statistiques descriptives
attentes des parties intéressées les attentes des parties intéressées (par exemple
Échantillonnage
études de marché, enquêtes auprès des clients,
enquêtes auprès des employés) Analyse des séries chronologiques
Aucun identifié —
4.3 Détermination de la portée du
système de gestion de la qualité
4.4 Système de management de la qualité et ses processus

4.4.1 Aucun identifié —
5. Direction
5.1 Leadership et engagement

5.1.1 Général Aucun identifié —
5.1.2 Orientation client Aucun identifié —
5.2 Politique
5.2.1 Etablir la politique qualité
5.2.2 Communiquer la politique Données permettant de déterminer dans quelle Statistiques descriptives
qualité mesure la politique est comprise
Échantillonnage
5.3 Rôles organisationnels,
responsabilités et autorités
6 Planification
6.1 Actions pour faire face aux risques et aux opportunités

6.1.1 Des données métiers pour évaluer les risques Statistiques descriptives
6.1.2 Des données métiers pour évaluer l’efficacité des Statistiques descriptives
actions entreprises
6.2 Objectifs de qualité et planification pour les atteindre

6.2.1 —
Données de performance historiques pour aider à
établir des objectifs de qualité
6.2.2 —
Données de performance historiques pour aider à
—
6.3 Planification des changements Données de performance historiques pour aider à
7 Assistance
7.1 Ressources

ISO 10017:2021(F)
Tableau 1 (suite)
ISO 9001:2015
7.1.1 Général Données récapitulatives sur la capacité Statistiques descriptives

7.1.2 Personnes
7.1.3 Infrastructures Données quantitatives liées à la performance et Statistiques descriptives
à la fiabilité des équipements (matériel et logiciel) et
Analyse de la capabilité du processus
du transport
Analyse de fiabilité
7.1.4 Environnement de Données sur l'environnement, par exemple : Statistiques descriptives
fonctionnement des procédés — niveaux de contamination
Analyse du système de mesure
— contrôles antistatiques Analyse de la capabilité du processus
Échantillonnage
— contrôle des (par exemple
bactéries
températures) Contrôle des processus statistiques

— moral (par exemple absentéisme)
7.1.5 Surveillance et mesure des ressources

7.1.5.1 Général Données relatives à la capacité de mesure Statistiques descriptives
Tolérance statistique
7.1.5.2 Traçabilité des mesures Données relatives à la stabilité des systèmes de Statistiques descriptives
mesure
7.1.6 Connaissance organisationnelle
7.2 Compétence Données quantitatives sur la formation et l'efficacité Statistiques descriptives

de la formation
Tests d'hypothèses
7.3 Sensibilisation Données concernant le niveau de sensibilisation à Statistiques descriptives
la politique et aux objectifs de qualité
Échantillonnage
7.4 Communications Aucun identifié —
7.5 Informations documentées
—
7.5.2 Création et mise à jour Aucun identifié
7.5.3 Contrôle des informations documentées
7.5.3.1 Aucun identifié —
8 Fonctionnement
—
8.1 Planification et contrôle opérationnels Aucune donnée spécifique identifiée
8.2 Exigences relatives aux produits et services

8.2.1 Communication client Aucun identifié —
tion

ISO 10017:2021(F)
Tableau 1 (suite)

ISO 9001:2015
8.2.2 Détermination des exigences Données pour démontrer la capacité et la Statistiques descriptives
relatives aux produits et services performance organisationnelle
Tests d'hypothèses
Analyse de régression
Échantillonnage
8.2.3 Examen des exigences relatives aux produits et services

8.2.3.1 Données pour démontrer la capacité et la Statistiques descriptives
performance organisationnelle
Tests d'hypothèses

8.2.4 Modifications des exigences
relatives aux produits et services
8.3 Conception et développement de produits et services

8.3.2 Planification de la conception
et du développement
8.3.3 Contributions à la conception et
au développement
8.3.4 Contrôles de conception et Vérification et validation des données de conception Statistiques descriptives
de développement
Conception d'expériences
Tests d'hypothèses
Échantillonnage
Simulation
8.3.5 Résultats de conception et Vérification des données de sortie de conception Statistiques descriptives
de développement
Tests d'hypothèses
Simulation
8.3.6 Modifications de conception Données liées à la vérification de l'impact des Statistiques descriptives
et de développement changements
Tests d'hypothèses
Échantillonnage
Simulation

ISO 10017:2021(F)
Tableau 1 (suite)
ISO 9001:2015
8.4 Contrôle des processus, produits et services fournis en externe

8.4.1 Général Données liées à l'évaluation des processus, produits Statistiques descriptives
et services fournis en externe, ainsi que de leurs
Échantillonnage
fournisseurs
8.4.2 Type et étendue du contrôle Données de contrôle entrantes Statistiques descriptives
Échantillonnage
Données de contrôle des processus des fournisseurs externes Statistiques descriptives
Tests d'hypothèses
Échantillonnage
Tolérances statistiques
8.4.3 Informations destinées aux Aucun identifié —
prestataires externes
8.5 Production et prestation de services
8.5.1 Contrôle de la production et de Données de production et de service Statistiques descriptives

la prestation de services
Tests d'hypothèses
Échantillonnage
8.5.2 Identification et traçabilité Aucun identifié —
8.5.3 Propriétés appartenant à des
clients ou à des prestataires
externes
8.5.4 Conservation Aucun identifié —

ISO 10017:2021(F)
Tableau 1 (suite)

ISO 9001:2015
8.5.5 Activités après livraison Données permettant de déterminer les exigences en matière Statistiques descriptives
activités après livraison
Tests d'hypothèses
Échantillonnage
8.5.6 Contrôle des modifications Données liées à la vérification de l’efficacité des Statistiques descriptives
changements BICHE
Tests d'hypothèses
CPS
8.6 Sortie des produits et services Données pour démontrer la conformité aux Statistiques descriptives
exigences
Tests d'hypothèses
Échantillonnage
8.7 Contrôle des sorties non conformes

9 Évaluation des performances
9.1 Suivi, mesure, analyse et évaluation

9.1.2 Satisfaction client Données sur la satisfaction client Statistiques descriptives
Tests d'hypothèses
Échantillonnage
9.1.3 Analyse et évaluation Données sur la performance du système de gestion de la qualité Statistiques descriptives
Tests d'hypothèses
Échantillonnage
9.2 Audit interne

ISO 10017:2021(F)
Tableau 1 (suite)
ISO 9001:2015
9.2.2 Données servant d’entrée à la planification de Statistiques descriptives

l’audit
Échantillonnage
9.3 Revue de direction

9.3.2 Contributions à la revue de Données sur les produits, les processus et la Statistiques descriptives
direction satisfaction des clients
9.3.3 Résultats de la revue de
direction
10 Amélioration
10.1 Général Aucun identifié —
10.2 Nonconformité et actions correctives

10.2.1 Données relatives aux nonconformités Statistiques descriptives
Tests d'hypothèses
Échantillonnage
Simulation
10.3 Amélioration continue Données relatives à l'état de la qualité Statistiques descriptives

système de gestion de ville
Tests d'hypothèses
Échantillonnage
Simulation

ISO 10017:2021(F)
6 Applicabilité des techniques sélectionnées

Une brève description de chaque technique statistique, ou famille de techniques (citée dans le tableau 1), est fournie aux sections
7.1 à 7.12. Les descriptions sont destinées à aider un nonspécialiste à évaluer l'applicabilité potentielle et les avantages de l'utilisation
des techniques statistiques dans le contexte d'un système de gestion de la qualité.
Le choix de la technique et la manière de l'appliquer dépendront des circonstances et du but de l'exercice, de la taille et de la
complexité de l'organisation, ainsi que des avantages potentiels pour l'organisation.
L’application réelle des techniques statistiques nécessitera plus de conseils et d’expertise que ce qui est fourni par ce document
d’orientation. Il existe un grand nombre d'informations sur les techniques statistiques disponibles dans le domaine public, telles que
des manuels, des revues, des rapports, des manuels industriels, des normes internationales et d'autres sources d'informations, qui
peuvent aider l'organisation à utiliser les techniques statistiques.
En plus des techniques citées dans ce document, le lecteur est encouragé à envisager d'autres techniques statistiques pouvant
répondre aux besoins de l'organisation.
NOTE 1 Les normes et rapports techniques ISO et CEI relatifs aux techniques statistiques sont répertoriés dans la bibliographie. Ils sont
cités à titre indicatif. Ce document ne précise pas leur conformité.
NOTE 2 De nombreuses techniques statistiques citées ici ont une application dans des initiatives d'amélioration de produits, de services,
de processus ou de systèmes telles que « Six Sigma ».
7 Description des techniques statistiques
7.1 Statistiques descriptives
7.1.1 Description générale
7.1.1.1 Caractéristiques des données
Le terme « statistiques descriptives » fait référence à un large éventail de techniques permettant de résumer et de caractériser les
données. Il s’agit généralement de la première étape de l’analyse de données quantitatives et constitue souvent la première étape
vers l’utilisation d’autres techniques statistiques. Il doit être considéré comme un élément fondamental de l’analyse statistique.
Alors que le rôle des statistiques descriptives est d’enregistrer et de présenter des données, les procédures permettant de tirer une
inférence à partir des données constituent des « statistiques inférentielles », et de telles procédures sont invoquées dans les tests
d’hypothèses (voir 7.3) .
Les caractéristiques des données extraites d'un échantillon peuvent servir de base pour faire des déductions concernant les
caractéristiques des populations à partir desquelles les échantillons ont été tirés, avec une marge d'erreur et un niveau de confiance
prescrits.
Les caractéristiques de la distribution des données peuvent être présentées numériquement (voir 7.1.2) ou graphiquement (voir
7.1.3), ou les deux.
7.1.1.2 Numérique
Les caractéristiques des données qui présentent généralement un intérêt sont leur valeur centrale (le plus souvent décrite par la
moyenne ou « moyenne ») et l'écart ou la dispersion (généralement mesuré par la plage ou « écart type »). Une autre caractéristique
intéressante est la distribution des données, pour laquelle il existe des mesures quantitatives qui décrivent la forme de la distribution
(comme le degré d’« asymétrie »).

ISO 10017:2021(F)
7.1.1.3 Graphique
Les informations concernant la distribution des données peuvent souvent être transmises facilement et efficacement par diverses
méthodes graphiques qui incluent des affichages de données relativement simples telles que :
— un histogramme, qui est un affichage visuel de la distribution des valeurs d'une caractéristique d'intérêt (voir
Figure 1);
— un nuage de points, qui affiche les valeurs de deux variables pour évaluer leur relation possible (voir
Figure 2);
— un graphique de tendance, également appelé « run chart », qui est un tracé des valeurs d'une caractéristique d'intérêt sur une période
temps (voir Figure 3).
Clé
X valeur numérique
Fréquence Y
Figure 1 — Affichage graphique des données via un histogramme
Il existe un large éventail d'affichages graphiques qui peuvent faciliter l'interprétation et l'analyse des données. Cellesci vont des outils
relativement simples cités cidessus à des techniques de nature plus complexe.
Les méthodes graphiques peuvent souvent révéler des caractéristiques inhabituelles des données qui ne sont pas facilement détectées
par l'analyse numérique. Ils peuvent être très utiles pour résumer et présenter des données complexes et révéler les relations entre les
données, ainsi que pour communiquer efficacement ces informations à un public non spécialisé.
dix © ISO 2021 – Tous droits réservés

ISO 10017:2021(F)
Clé
variable XA
Y variable B
Figure 2 — Nuage de points
Clé
X fois
Y données produit/processus/service
Figure 3 — Graphique de tendance
7.1.2Avantages
Les statistiques descriptives offrent un moyen efficace et relativement simple de résumer et de caractériser les données.
Les statistiques descriptives sont potentiellement applicables à toutes les situations impliquant l’utilisation de données. Il peut faciliter
l’analyse et l’interprétation des données et constitue une aide précieuse à la prise de décision.
7.1.3 Limites et mises en garde
Les statistiques descriptives fournissent des mesures quantitatives des caractéristiques (telles que la moyenne et l'étendue)
d'échantillons de données qui sont parfois ensuite utilisées comme estimations de la population. Toutefois, ces mesures sont
soumises aux limites de la taille de l’échantillon et de la méthode d’échantillonnage utilisée. Les conclusions sont soumises au respect
de certaines hypothèses concernant la population.

ISO 10017:2021(F)
7.1.4 Exemples d'applications
Les statistiques descriptives ont une application utile dans presque tous les domaines où des données quantitatives sont collectées.
Il peut fournir des informations sur le système de management de la qualité, ses processus et ses résultats et joue souvent un rôle utile dans
les revues de direction. Des exemples de telles applications incluent :
— résumer les mesures clés des caractéristiques du produit, du service ou du processus, telles que la valeur moyenne
et se propager;
— suivre la performance d'un produit, d'un service ou d'un processus dans le temps au moyen d'un tableau de tendances;
— caractériser et surveiller un paramètre de procédé, tel que la température du four ;
— caractériser le délai de livraison ou le temps de réponse dans le secteur des services;
— résumer les données des enquêtes auprès des clients, telles que la satisfaction des clients ;
— illustrer les données de mesure, telles que les données d'étalonnage des équipements ;
— communiquer des données sur la performance financière, telles que la fluctuation du cours des actions au fil du temps ;
— illustrer une relation possible entre des variables telles que, par exemple, la satisfaction des employés
et la qualité du service fourni, par un nuage de points ;
— rendre compte des tendances et des indicateurs économiques, tels que le PIB, l'indice des prix à la consommation, le coût de la vie, etc.;
— reporting et suivi des données sur les ressources humaines, telles que la rotation du personnel, les performances des employés, etc.
7.2 Plan d'expériences
Les plans d'expériences (DOE) peuvent être utilisés pour évaluer et/ou améliorer une ou plusieurs caractéristiques d'un produit, d'un service,
d'un processus ou d'un système, telles que les défauts, le rendement ou la variabilité.
Le DOE est particulièrement utile pour étudier des systèmes complexes dont les résultats peuvent être influencés par un nombre potentiellement
important de facteurs. Le DOE peut aider à identifier les facteurs les plus influents, l’ampleur de leur effet et les relations (le cas échéant) entre
les facteurs. Les résultats peuvent être utilisés pour faciliter la conception, le développement et l’amélioration d’un produit, d’un service ou d’un
processus, ou pour contrôler ou améliorer un système existant.
Le DOE peut également être utilisé pour valider une caractéristique d’intérêt par rapport à une norme spécifiée, ou pour l’évaluation comparative
de plusieurs systèmes.
Plusieurs techniques peuvent être utilisées pour analyser les données de l’expérience. Cellesci vont des techniques numériques à celles de
nature plus graphique.
DOE est le moyen le plus efficace d’avoir un aperçu d’un processus. Les informations provenant d'une expérience conçue peuvent être utilisées
pour formuler un modèle mathématique qui décrit la caractéristique d'intérêt en fonction des facteurs influents. Un tel modèle peut être utilisé à
des fins de prédiction d’un résultat à un niveau de confiance donné.
7.2.2Avantages
Lors de l’estimation ou de la validation d’une caractéristique intéressante, il est nécessaire de s’assurer que les résultats obtenus ne sont pas
simplement dus à une variation fortuite. Cela s'applique aux évaluations effectuées par rapport à une norme prescrite ou à la comparaison de
deux ou plusieurs systèmes. Le DOE permet que de telles évaluations soient effectuées avec un niveau de confiance prescrit.
Un avantage majeur du DOE est son efficacité relative et son économie dans l’étude des effets de plusieurs facteurs dans un processus, par
rapport à l’étude de chaque facteur individuellement. Aussi, sa capacité à identifier le

ISO 10017:2021(F)
les interactions entre certains facteurs peuvent conduire à une compréhension plus approfondie du processus. Ces avantages sont
particulièrement prononcés lorsqu'il s'agit de processus complexes (c'estàdire des processus qui impliquent de nombreux facteurs
potentiellement influents).
Enfin, lors de l’étude d’un système, il existe le risque de supposer à tort une causalité lorsqu’il ne peut y avoir qu’une corrélation
fortuite entre deux ou plusieurs variables. Le risque d’une telle erreur peut être réduit en utilisant des principes solides de conception
d’expériences.
Un certain niveau de variation inhérente (souvent appelé à juste titre « bruit ») est présent dans tous les systèmes, ce qui peut parfois
obscurcir les résultats des enquêtes et conduire à des conclusions erronées. D'autres sources potentielles d'erreur incluent l'effet
confondant de facteurs inconnus (ou simplement non reconnus) qui peuvent être présents, ou l'effet confondant des dépendances
entre les différents facteurs d'un système. Le risque posé par de telles erreurs peut être atténué, par exemple, par le choix de la taille
de l'échantillon ou par d'autres considérations lors de la conception de l'expérience. Toutefois, ces risques ne peuvent jamais être
éliminés et doivent donc être gardés à l’esprit lors de l’élaboration de conclusions.
Enfin, les résultats de l'expérience ne sont valables que pour les facteurs et la plage de valeurs considérés dans l'expérience. Par
conséquent, il convient de faire preuve de prudence avant d’extrapoler (ou d’interpoler) bien audelà de la plage de valeurs considérée
dans l’expérience.
Des exemples typiques d'applications d'expériences conçues comprennent :
— valider l'effet d'un traitement médical ou évaluer l'efficacité relative de plusieurs types de
traitement;
— vérifier les caractéristiques d'un produit, d'un service ou d'un processus par rapport à certaines performances spécifiées
normes;
— identifier les facteurs influents dans les processus complexes pour atteindre les résultats souhaités, tels que l'amélioration de la
valeur moyenne ou la réduction de la variabilité des caractéristiques telles que le rendement du processus, la résistance du
produit, la durabilité, le niveau de bruit, etc.;
— résoudre des problèmes dans des processus complexes, en aidant à identifier les facteurs de processus les plus importants
dans les processus complexes ainsi que les relations entre les facteurs ;
— garantir qu'un produit nouvellement conçu peut s'adapter à la variabilité de la fabrication et

finalement en usage ;
— améliorer les résultats en agriculture en déterminant l'effet de certains traitements dans les environnements
avec des variables non contrôlables telles que la pluie, le soleil, le sol, etc. ;
— déterminer les paramètres de processus et les ingrédients pour obtenir des résultats optimaux dans la production alimentaire ;
— évaluer l'efficacité des essais de commercialisation de produits de consommation, en utilisant différentes promotions et campagnes
publicitaires dans différentes régions;
— examiner l'effet des changements dans les procédures administratives et de bureau sur les résultats du processus.
7.3 Test d'hypothèse
Les tests d'hypothèses sont utilisés pour déterminer (à un niveau de signification indiqué) si une hypothèse concernant un paramètre
d'une population est vraie ou non. La procédure peut donc être appliquée pour tester si un paramètre de population répond ou non à
une norme particulière, ou elle peut être utilisée pour tester les différences entre deux populations ou plus. Il est donc utile à la prise
de décision.

ISO 10017:2021(F)
Les tests d'hypothèses sont également utilisés pour tester les hypothèses du modèle, par exemple si la distribution d'une
population est normale ou si les données d'échantillonnage sont aléatoires.
Le test d'hypothèse est invoqué explicitement ou implicitement dans de nombreuses techniques statistiques citées dans ce
document, telles que le DOE, l'échantillonnage, le SPC, l'analyse de régression et le MSA.
7.3.2Avantages
Les tests d'hypothèses permettent de faire une assertion sur certains paramètres d'une population à un niveau de signification
défini. En tant que tel, il peut être utile pour prendre des décisions qui dépendent du paramètre.
Les tests d’hypothèses peuvent également permettre de formuler des affirmations concernant la nature de la répartition d’une
population.
Les conclusions tirées des tests d’hypothèses reposent sur plusieurs hypothèses statistiques, notamment que les échantillons
sont tirés de manière indépendante et aléatoire et que la distribution sousjacente est normale. De plus, le niveau de signification
de la conclusion dépend de la taille de l’échantillon.
Les tests d'hypothèses ont une application générale lorsqu'une assertion doit être faite sur un paramètre ou la distribution d'une
ou plusieurs populations (telle qu'estimée par un échantillon) ou pour évaluer les données de l'échantillon luimême. Par exemple,
la procédure peut être utilisée des manières suivantes :
— pour tester si la valeur moyenne (moyenne) ou l'étendue (écart type) d'une population correspond à une valeur donnée, telle
qu'un objectif ou une norme ;
— pour tester si les moyennes de deux (ou plusieurs) populations sont différentes, comme lors de la comparaison de différentes
lots de composants ;
— vérifier que la proportion d'une population présentant des défauts ne dépasse pas une valeur donnée ;
— pour tester les différences dans la proportion d'unités défectueuses dans les résultats de deux processus ;
— pour vérifier si les données de l'échantillon ont été tirées de manière aléatoire à partir d'une seule population;
— pour tester si la répartition d'une population est normale;
— pour tester si une observation dans un échantillon est une « valeur aberrante », c'estàdire une valeur extrême de douteuse
validité;
— pour tester s'il y a eu une amélioration d'une caractéristique d'un produit, d'un service ou d'un processus;
— déterminer la taille de l'échantillon nécessaire pour rejeter (ou non) une hypothèse, à un niveau de signification déterminé ;
— pour tester si les changements dans les processus de bureau, d'administration, de transport et de livraison ont un effet
statistiquement significatif sur les résultats, tels que les délais d'exécution, les taux d'erreur, la satisfaction des employés, la
satisfaction des clients, etc.
7.4 Analyse du système de mesure
L'analyse des systèmes de mesure (MSA), également appelée « analyse de l'incertitude des mesures », est un ensemble de
procédures permettant d'évaluer l'incertitude des systèmes de mesure dans la gamme de conditions dans lesquelles le système
fonctionne. L'incertitude des mesures doit être prise en compte partout où des données sont collectées.
MSA est utilisé pour évaluer, à un niveau de confiance prescrit, si le système de mesure est adapté à l'usage auquel il est
destiné. Cela implique de quantifier la variation provenant de diverses sources, telles que

ISO 10017:2021(F)
comme variation due à l'évaluateur (c'estàdire la personne qui prend la mesure), ou variation due au processus de mesure ou à
l'instrument de mesure luimême. Il peut également être utilisé pour mesurer la variation due au système de mesure en proportion
de la variation totale du processus ou de la variation totale admissible.
7.4.2Avantages
MSA, grâce à la quantification des incertitudes de mesure, offre divers avantages. Il peut par exemple :
a) révéler la variabilité dans les domaines critiques à la qualité du produit et guider ainsi une organisation dans
allouer des ressources dans ces domaines pour améliorer ou maintenir la qualité ;
b) aider à déterminer si un instrument est capable de mesurer de manière satisfaisante un paramètre de produit ou de processus
d'intérêt, et fournir une base quantitative et rentable pour la sélection d'un nouvel instrument de mesure ;
c) être utilisé pour garantir aux clients (internes ou externes) que l'équipement, les méthodes et les
les processus sont capables de mesurer de manière adéquate le niveau de qualité à atteindre ;
d) aider à la sélection de la ou des méthodes de mesure les plus appropriées et les plus rentables (en termes de justesse, de
répétabilité, etc.) à utiliser pour garantir la qualité du produit ;
e) aider à évaluer et quantifier le système de mesure d'une organisation en comparant ses résultats de mesure avec ceux obtenus
à partir d'autres systèmes de mesure (« tests d'aptitude »).
En résumé, MSA peut permettre ou aider une organisation à évaluer et à améliorer ses équipements, méthodes et processus de
mesure ; et ainsi aider à maintenir ou à améliorer la qualité des produits et des processus et à fournir une assurance aux clients de
l'organisation.
Dans tous les cas, sauf dans les cas les plus simples, MSA fait appel à une expertise en matière d'application, car les résultats
peuvent encourager un optimisme excessif, erroné et potentiellement coûteux, à la fois dans les résultats de mesure et dans
l'acceptabilité de l'élément mesuré. À l’inverse, un excès de pessimisme peut conduire au remplacement inutile de systèmes de
mesure adéquats.
MSA a une application utile dans les secteurs industriel, médical, pharmaceutique, des services et autres qui nécessitent des
niveaux particulièrement élevés de cohérence et de précision des mesures dans les produits et services. L'utilité de MSA est
illustrée dans les exemples cidessous :
a) une évaluation de la cohérence des inspections au sein d'un groupe d'opérateurs a révélé une compréhension inégale des
critères d'acceptation et la nécessité de meilleures procédures de formation ;
b) un instrument de mesure de l'épaisseur du placage à l'or s'est avéré avoir une mesure insuffisante
discrimination pour évaluer adéquatement le paramètre d’intérêt ;
c) une analyse comparative des produits testés à l'aide de différents équipements de test a révélé un problème avec le
tester le matériel.
7.5 Analyse de la capabilité du processus
L'analyse de la capabilité du processus (voir Figure 4) implique la mesure de la dispersion (ou de l'étalement) d'un paramètre de
produit par rapport à la plage de variation autorisée par les spécifications, afin d'évaluer la capacité du processus à répondre à ces
spécifications.

ISO 10017:2021(F)
Clé
1 limite de spécification inférieure
2 limite supérieure de spécification
3 processus de propagation
Figure 4 — Capacité du processus
Une mesure typique de la dispersion du processus est l'écart type (σ, « sigma ») des données du processus. Si la distribution
des données du processus est « normale » (c'estàdire en forme de cloche) et que sa valeur moyenne est écrite sous la forme
« μ », alors la sortie du processus est généralement définie comme μ ± 3σ. Cette plage de valeurs, appelée « étalement du
processus », englobera (en théorie) 99,73 % du résultat du processus lorsqu'il est stable.
Une mesure pratique de la capacité du processus est Cp, un indice de capacité, qui est le rapport de la propagation du processus
(µ ± 3σ) par rapport aux spécifications admissibles, lorsque la moyenne du processus est centrée entre les spécifications.
Lorsque la moyenne du processus n'est pas centrée entre les spécifications, une mesure correspondante de la capacité du
processus est Cpk. Ces concepts soustendent le programme d'amélioration des affaires appelé « Six Sigma ».
Lorsque les données de processus impliquent des « attributs » (par exemple, pourcentage de nonconformité ou nombre de non
conformités), la capacité du processus est exprimée comme la proportion moyenne d'unités non conformes ou le taux moyen de
nonconformités.
Ce concept peut être appliqué à l'évaluation de la capacité d'un système ou d'un processus dans son ensemble, ou de tout sous
ensemble d'un processus tel qu'une machine spécifique (auquel cas, l'évaluation est appelée « analyse des performances de la
machine »).
7.5.2Avantages
L'analyse de la capabilité des processus permet à l'organisation d'estimer le niveau de nonconformité et les coûts associés, et
peut aider à orienter les décisions concernant la correction, l'amélioration des processus et les ressources.
allocation.
L'établissement de normes minimales pour la capacité des processus peut guider l'organisation dans la sélection des processus
et des équipements qui réduisent le risque de produire des produits et services inacceptables.
L'analyse des performances des machines est utilisée pour évaluer la capacité d'une machine à produire ou à répondre aux
exigences énoncées. Ceci est utile pour prendre des décisions d’achat ou de réparation.
Les secteurs de l'automobile, de l'aérospatiale, de l'électronique, de l'alimentation, de la pharmacie, de la médecine et d'autres

secteurs utilisent régulièrement la capacité des processus comme critère majeur pour évaluer les fournisseurs et les produits.
Cela permet au client de minimiser l’inspection directe des produits et matériaux achetés.
L'analyse de la capabilité du processus suppose que le processus est manifestement stable. Par conséquent, l’analyse de la
capabilité du processus doit être effectuée conjointement avec les méthodes de contrôle pour garantir une vérification continue
du contrôle.
Les estimations du pourcentage de produits non conformes sont soumises à des hypothèses de distribution normale. Lorsque
cela n’est pas réalisé en pratique, ces estimations doivent être traitées avec prudence.

ISO 10017:2021(F)
De même, dans le cas de processus soumis à des causes de variation systématiquement attribuables, telles que l'usure des outils,
des approches spécialisées doivent être utilisées pour calculer et interpréter la capabilité.
L'utilité de l'analyse de capabilité du processus est illustrée par les exemples suivants.
a) La capacité du processus est utilisée pour établir des spécifications techniques rationnelles pour les produits fabriqués en
garantissant que les variations des composants sont cohérentes avec les tolérances admissibles dans le produit assemblé.
Lorsque des tolérances strictes sont nécessaires, les fabricants de composants doivent atteindre des niveaux spécifiés de
capacité de processus afin de garantir des rendements élevés et un minimum de déchets.
b) Des objectifs d'indice de capacité de processus élevé (par exemple Cp > 2) sont parfois utilisés au niveau des composants et des
soussystèmes pour atteindre la qualité cumulative et la fiabilité souhaitées de systèmes complexes.
c) L'analyse de la capabilité des processus est largement utilisée dans les processus de production à volume élevé et en régime
permanent où, par exemple, un objectif, une valeur maximale ou minimale d'une certaine caractéristique est spécifié.
d) Les entreprises des secteurs de la fabrication et des services suivent les indices de capacité des processus pour identifier le
besoin d'améliorations des processus ou pour vérifier l'efficacité de ces améliorations.
e) L'analyse de la capacité du processus peut révéler si le système est capable d'atteindre les objectifs déclarés ou les engagements
des clients concernant, par exemple, la prestation de services.
f) L'analyse de la capacité des processus peut aider à déterminer le niveau de demande qu'un centre de services informatiques peut
s’adapter et ainsi aider à déterminer les ressources nécessaires pour répondre à la demande.
7.6 Analyse de régression
L'analyse de régression (voir Figure 5) permet de déterminer l'effet de divers facteurs (généralement appelés variables « explicatives
» ou « indépendantes ») sur une caractéristique d'intérêt (généralement appelée variable « réponse » ou « dépendante »).
L'analyse de régression permet de développer un modèle de manière empirique. Il peut également être utilisé pour tester un modèle
issu de la science, de l’économie, de l’ingénierie, etc.

ISO 10017:2021(F)
Clé
X variable explicative
Variable de réponse Y
1 Bande de confiance de 95 %
2 droite de régression « meilleure ajustement »
3 Bande de confiance de 95 %
Figure 5 — Graphique de régression
L'analyse de régression permet par exemple à l'utilisateur de :
— prédire la valeur de la variable de réponse, pour des valeurs spécifiques des variables explicatives ;
— prédire (à un niveau de confiance déclaré) la plage de valeurs à l'intérieur de laquelle la réponse est attendue
mentir, étant donné des valeurs spécifiques pour les variables explicatives ;
— tester des hypothèses sur l'influence de variables explicatives potentielles sur la réponse.
NOTE Une méthodologie connexe est « l'analyse de corrélation », qui est utilisée pour estimer la nature et le degré d'association
entre deux variables. Une telle association n’implique pas de causalité.
7.6.2Avantages
L'analyse de régression peut fournir un aperçu de la relation entre divers facteurs de processus et la réponse d'intérêt ; et une telle
connaissance peut aider à orienter les décisions concernant le processus et, en fin de compte, à améliorer le processus.
Il permet d'explorer ou de comparer des sousensembles de données différents mais liés pour analyser les relations de cause à
effet potentielles. Ces informations sont potentiellement utiles pour contrôler ou améliorer les résultats du processus.
Lors de la modélisation d'un processus, des compétences sont requises pour spécifier un modèle de régression approprié (par
exemple linéaire, exponentiel, multivarié) et pour utiliser des diagnostics pour améliorer le modèle. La présence de variables omises,
d'erreurs de mesure et d'autres sources de variation inexpliquée dans la réponse peuvent conduire à des conclusions erronées.
D'autres risques résident dans les hypothèses formulées, les caractéristiques des données disponibles et la technique d'estimation.

ISO 10017:2021(F)
Un problème parfois rencontré lors de l'élaboration d'un modèle de régression est la présence de données dont la validité est
discutable. Ces données doivent être étudiées lorsque cela est possible, car leur inclusion ou leur omission dans l'analyse peut
influencer les estimations des paramètres du modèle, et donc la réponse.
Simplifier le modèle, en minimisant le nombre de variables explicatives, est important en modélisation.

L’inclusion de variables inutiles peut obscurcir l’influence des variables explicatives et réduire la précision des prédictions du
modèle.
L'analyse de régression peut être utilisée, par exemple :
a) pour modéliser les caractéristiques de production telles que le rendement, le débit, la qualité des performances, la durée du
cycle, la probabilité d'échec d'un test ou d'une inspection et divers modèles de déficiences dans les processus ;
b) identifier les facteurs les plus importants dans un processus, ainsi que l'ampleur et la nature de leurs effets.
contribution à la variation de la caractéristique d'intérêt ;
c) prédire les résultats d'une expérience ou d'une étude rétrospective de données existantes ;
d) vérifier la substitution d'une méthode de mesure par une autre (par exemple remplacement d'une méthode destructive ou
méthode fastidieuse par une méthode non destructive ou permettant de gagner du temps) ;
e) pour modéliser les concentrations de médicaments en fonction du temps et du poids des répondants ou pour modéliser des substances chimiques
réactions en fonction du temps, de la température et de la pression ;
f) mieux comprendre quels éléments de conception déterminent l'esthétique de la qualité émotionnelle souhaitée d'un
produit;
g) identifier l'effet (le cas échéant) de la formation des employés sur les résultats du processus.
7.7 Analyse de fiabilité
L'analyse de fiabilité est l'application de méthodes d'ingénierie et d'analyse à l'évaluation, à la prévision et à l'assurance du
fonctionnement sans problème dans le temps d'un produit ou d'un système étudié.
Les méthodes utilisées en analyse de fiabilité nécessitent souvent l'utilisation de techniques statistiques pour traiter les incertitudes,
les caractéristiques aléatoires ou les probabilités d'apparition (de défaillances, etc.) dans le temps.
De telles analyses impliquent généralement l'utilisation de modèles statistiques appropriés pour caractériser des variables d'intérêt,
telles que le délai avant défaillance ou le temps moyen entre les pannes. Les paramètres de ces modèles statistiques sont estimés
à partir de données empiriques obtenues par des tests en laboratoire ou en usine ou lors d'opérations sur le terrain.
L'analyse de fiabilité utilise un large éventail d'outils et de techniques, tels que l'analyse des modes de défaillance et de leurs
effets (FMEA), qui examine la nature physique et les causes des défaillances, ainsi que la prévention ou la réduction des
défaillances futures. Ces techniques, quantitatives et qualitatives, sont utilisées de concert avec les techniques statistiques.
L'analyse de fiabilité peut, par exemple, être utilisée :
— vérifier que les objectifs de fiabilité spécifiés sont atteints, sur la base des données d'un essai d'une durée limitée et impliquant
un nombre spécifique d'unités d'essai ;
— pour prédire la probabilité d'un fonctionnement sans problème, ou d'autres mesures de fiabilité telles que le taux de défaillance
ou le temps moyen entre les défaillances de composants ou de systèmes ;
— pour modéliser les schémas de défaillance et les scénarios d'exploitation des performances d'un produit ou d'un service ;

ISO 10017:2021(F)
— fournir des données sur les paramètres de conception, tels que la contrainte et la résistance, qui sont utiles pour les analyses probabilistes.
conception;
— identifier les composants critiques ou à haut risque ainsi que les modes et mécanismes de défaillance probables, et
soutenir la recherche des causes et des mesures préventives.
Les techniques statistiques utilisées dans l'analyse de fiabilité permettent d'attacher un niveau de signification statistique aux estimations
des paramètres des modèles de fiabilité développés et aux prédictions faites à l'aide de ces modèles.
NOTE L'analyse de la fiabilité est étroitement liée au domaine plus large de la « sûreté de fonctionnement », qui inclut
également la maintenabilité et la disponibilité. Ces techniques et approches, ainsi que d'autres, sont définies et discutées
dans les publications de la CEI citées dans la bibliographie.
7.7.2Avantages
L'analyse de fiabilité fournit une mesure quantitative des performances des produits et des services sans pannes ni interruptions de
service. L'analyse de fiabilité est une aide à la maîtrise des risques liés au fonctionnement du système. La fiabilité est un facteur influent
dans la perception de la qualité du produit ou du service, ainsi que dans la satisfaction du client.
Les avantages de l’utilisation de techniques statistiques dans l’analyse de fiabilité comprennent :
— prédire et quantifier la probabilité de défaillance et d'autres mesures de fiabilité aux délais indiqués
niveaux de signification, et ceuxci peuvent aider à orienter les futures initiatives d’amélioration ;
— établir des critères objectifs d'acceptation ou de rejet pour la réalisation de tests de conformité afin
démontrer que les exigences de fiabilité sont respectées ;
— fournir des estimations de la fiabilité du système/produit/service qui peuvent guider les engagements des clients
et garanties.
Une hypothèse de base de l'analyse de fiabilité est que les performances d'un système étudié peuvent être raisonnablement
caractérisées par une distribution statistique. L’exactitude des estimations de fiabilité dépendra donc de la validité de cette hypothèse.
La complexité de l'analyse de fiabilité est aggravée lorsque plusieurs modes de défaillance sont présents et lorsqu'il n'est pas certain
qu'ils soient conformes à la même distribution statistique. En outre, lorsque le nombre de défaillances observées lors d’un test de fiabilité
est faible, cela peut affecter considérablement la confiance statistique et la précision attachées aux estimations de fiabilité.
Les conditions dans lesquelles le test de fiabilité est effectué sont d'une importance cruciale, en particulier lorsque le test implique une
certaine forme de contrainte « élevée » (c'estàdire une contrainte nettement supérieure à celle que le produit subira dans un usage
normal) pour accélérer la défaillance. Il peut être difficile de déterminer la relation entre les défaillances observées lors des tests de
résistance et les performances du produit dans des conditions normales de fonctionnement, ce qui ajoute à l'incertitude des prévisions
de fiabilité.
Des exemples typiques d'applications de l'analyse de fiabilité comprennent :
— vérification que les composants ou produits peuvent répondre aux exigences de fiabilité énoncées ;
— projection du coût du cycle de vie du produit basée sur une analyse de fiabilité des données issues des tests effectués sur le nouveau produit
introduction;
— des conseils sur les décisions de fabrication ou d'achat de produits disponibles dans le commerce, sur la base de l'analyse de leur
fiabilité et de l'effet estimé sur les objectifs de livraison et les coûts en aval liés aux défaillances projetées;

ISO 10017:2021(F)
— projection de la maturité des produits logiciels sur la base des résultats des tests, de l'amélioration de la qualité et de la croissance de la
fiabilité, et établissement d'objectifs de publication de logiciels compatibles avec les exigences du marché ;
— détermination des caractéristiques dominantes d'usure du produit pour aider à améliorer la conception du produit ou à planifier le calendrier
de maintenance approprié et les efforts requis ;
— analyse ou vérification de la durée de conservation des produits alimentaires en magasin ;
— déterminer et optimiser les stratégies et les ressources de maintenance et de remplacement pour les outils, les réparations, le support client,
les services, etc. ;
— suivre les temps de réponse aux problèmes de service, ou le temps nécessaire pour clôturer les problèmes, afin d'allouer des ressources pour
des résultats optimaux.
7.8 Échantillonnage
L'échantillonnage est une méthodologie statistique permettant d'estimer des informations sur certaines caractéristiques d'une population en
étudiant une fraction représentative (c'estàdire un échantillon) de la population. Il existe diverses techniques d'échantillonnage qui peuvent être
utilisées, telles que l'échantillonnage aléatoire simple, l'échantillonnage stratifié, l'échantillonnage systématique, l'échantillonnage séquentiel et
l'échantillonnage par sauts de lots. Le choix de la technique est déterminé par le but de l'échantillonnage et les conditions dans lesquelles il doit
être réalisé.
L'échantillonnage peut être vaguement divisé en deux grands domaines non exclusifs : « l'échantillonnage d'acceptation » et « l'échantillonnage
d'enquête ».
L'échantillonnage d'acceptation consiste à prendre une décision concernant l'acceptation ou le refus d'un « lot » (c'estàdire un groupe d'articles)
sur la base du résultat d'un ou plusieurs échantillons sélectionnés dans ce lot. Une large gamme de plans d'échantillonnage pour acceptation est
disponible pour satisfaire des exigences et des applications spécifiques.
L'échantillonnage d'enquête est utilisé dans des études énumératives ou analytiques pour estimer les valeurs d'une ou plusieurs caractéristiques
dans une population, ou pour estimer la manière dont ces caractéristiques sont réparties dans la population. L'échantillonnage d'enquêtes est
souvent associé à des sondages dans lesquels des informations sont recueillies sur les opinions des gens sur un sujet, comme dans les enquêtes
auprès des clients. Elle peut également s’appliquer à la collecte de données à d’autres fins, telles que les audits.
Les applications spécialisées de l’échantillonnage d’enquête comprennent, par exemple :
a) échantillonnage exploratoire, pour obtenir des informations sur une ou plusieurs caractéristiques d'une population ou d'un
sousensemble de la population ;
b) un échantillonnage de production, qui peut être effectué pour évaluer la capacité d'un procédé ;
c) échantillonnage en vrac de matériaux (par exemple minéraux, liquides, gaz) pour évaluer les propriétés d'un lot expédié.
7.8.2Avantages
Un plan d'échantillonnage correctement construit permet de réaliser des économies de temps, d'argent et de main d'œuvre par rapport, par
exemple, à un recensement de la population totale ou à une inspection à 100 % d'un lot. Lorsque l'inspection des produits implique des tests
destructifs, l'échantillonnage est le seul moyen pratique d'obtenir des informations pertinentes.
L'échantillonnage offre un moyen rentable et rapide d'obtenir des informations concernant la valeur ou la distribution d'une caractéristique d'intérêt
dans une population.
Lors de l’élaboration d’un plan d’échantillonnage, il convient d’accorder une attention particulière aux décisions concernant la taille de l’échantillon,
la fréquence d’échantillonnage, la sélection de l’échantillon, la base du sousgroupement et d’autres aspects de la méthodologie d’échantillonnage.

ISO 10017:2021(F)
L'échantillonnage nécessite que l'échantillon soit choisi de manière impartiale, c'estàdire qu'il soit représentatif de la population
dont il est issu. Si cela n’est pas fait, cela entraînera de mauvaises estimations des caractéristiques de la population. Dans le cas
d'un échantillonnage pour acceptation, des échantillons non représentatifs peuvent entraîner soit le rejet inutile de lots de qualité
acceptable, soit l'acceptation non désirée de lots de qualité inacceptable.
Même avec des échantillons impartiaux, les informations dérivées des échantillons sont sujettes à un certain degré d’erreur.
L’ampleur de cette erreur peut être réduite en prenant un échantillon plus grand, mais elle ne peut pas être éliminée.
En fonction de la question spécifique et du contexte de l'échantillonnage, la taille de l'échantillon requise pour atteindre le niveau
de confiance et de précision souhaité peut parfois être trop grande pour avoir une valeur pratique.
Des exemples d'applications de l'échantillonnage sont les suivants.
a) L'échantillonnage par sondage est une application fréquente dans les études de marché, pour estimer, par exemple,
proportion d’une population susceptible d’acheter un produit/service particulier.
b) Une autre application de l'échantillonnage d'enquête concerne les audits d'inventaire pour estimer le pourcentage d'articles qui
répondent à des critères spécifiés.
c) L'échantillonnage est utilisé pour effectuer des contrôles de processus de machines, de produits ou de services afin de surveiller
variation, et de définir des actions correctives et préventives.
d) L'échantillonnage pour acceptation est largement utilisé dans l'industrie pour fournir un niveau d'assurance que les matériaux
entrants satisfont aux exigences prédéfinies.
e) Au moyen d'un échantillonnage en vrac, la quantité ou les propriétés des constituants du matériau en vrac (par exemple
minéraux, liquides, gaz) peuvent être estimées.
f) L'échantillonnage peut être une alternative plus rentable aux enquêtes de masse et a de nombreuses applications dans presque
tous les secteurs pour estimer des caractéristiques d'intérêt, telles que la préférence pour un produit, la satisfaction des
clients, la satisfaction des employés, etc.
7.9 Simulations
La simulation est un terme collectif désignant les procédures par lesquelles un système (théorique ou empirique) est représenté
mathématiquement par un programme informatique pour la définition (et la solution éventuelle) d'un problème. Si la représentation
fait intervenir des concepts de théorie des probabilités, notamment des variables aléatoires, la simulation peut être appelée «
méthode de Monte Carlo ».
Dans le contexte de la science théorique, la simulation est utilisée si aucune théorie globale pour la solution d'un problème n'est
connue (ou, si elle est connue, est impossible ou difficile à résoudre) et lorsque la solution peut être obtenue par la force
informatique brute. Dans le contexte empirique, la simulation est utilisée si le système peut être décrit de manière adéquate par un
programme informatique. La simulation est également un outil utile dans l’enseignement des statistiques.
L’évolution de capacités informatiques relativement peu coûteuses se traduit par l’application croissante de la simulation à des
problèmes qui n’ont pas été résolus jusqu’à présent.
7.9.2Avantages
Au sein des sciences théoriques, la simulation (en particulier la méthode de Monte Carlo) est utilisée lorsque les calculs explicites
de solutions aux problèmes sont impossibles ou trop lourds à réaliser directement. De même, dans le contexte empirique, la
simulation est utilisée lorsque les investigations empiriques sont trop coûteuses ou impossibles.
L’avantage de la simulation est qu’elle permet une solution avec un gain de temps et d’argent, voire qu’elle permet une solution
tout court.

ISO 10017:2021(F)
En science théorique, les preuves basées sur un raisonnement conceptuel doivent être préférées à la simulation, car celleci ne permet
souvent pas de comprendre les raisons du résultat.
La simulation informatique de modèles empiriques est soumise à la limitation que le modèle n'est pas nécessairement adéquat (c'està
dire qu'il est possible qu'il ne représente pas suffisamment le problème). Par conséquent, cela ne peut pas être considéré comme un
substitut aux enquêtes et expérimentations empiriques réelles.
Les projets à grande échelle (comme le programme spatial) utilisent couramment la méthode Monte Carlo. Les applications ne sont pas
limitées à un type spécifique d’industrie. Les domaines d'application typiques incluent la tolérance statistique, l'évaluation des processus,
l'optimisation du système, la théorie et la prédiction de la fiabilité. Exemples d'applications
sont:
— variation de modélisation dans les sousensembles mécaniques ;
— modélisation des profils vibratoires dans des assemblages complexes ;
— déterminer les calendriers optimaux de maintenance préventive ;
— effectuer des analyses de coûts et autres analyses dans les processus de conception et de production afin d'optimiser l'allocation des
ressources;
— étudier un processus de livraison complexe comme alternative rentable aux essais sur le terrain.
7.10 Contrôle statistique du processus
Le contrôle statistique des processus (SPC) fait référence à l'utilisation de données de processus pour surveiller, contrôler, évaluer et
améliorer un processus et le produit/service qui en résulte.
Une carte de contrôle statistique de processus (parfois abrégée en « carte de contrôle ») est un tracé de données dérivées d'échantillons
périodiquement prélevés d'un processus et tracés dans une séquence temporelle (voir Figure 6).
Sur le graphique SPC sont également tracées des lignes décrites comme des « limites de contrôle » et cellesci décrivent la variabilité
inhérente du processus lorsqu'il est stable. La fonction de la carte de contrôle est d'aider à évaluer la stabilité du processus, et cela se
fait en examinant les données tracées par rapport aux limites de contrôle.
Au niveau le plus simple, un point tracé qui se situe en dehors des limites de contrôle signale un changement possible dans le processus,
éventuellement dû à une « cause attribuable ». Cela souligne la nécessité d'enquêter sur la cause du point « hors de contrôle » et de
procéder à des ajustements du processus si nécessaire. Cela permet de maintenir la stabilité des processus et de les améliorer à long
terme.
Toute variable (données de mesure) représentant une caractéristique intéressante d'un produit, d'un service ou d'un processus peut être
tracée.
Dans le cas des données d'attributs, des cartes de contrôle sont généralement tenues à jour du nombre ou de la proportion d'unités non
conformes, ou du nombre ou de la proportion de nonconformités, trouvées dans les échantillons tirés du processus.

ISO 10017:2021(F)
Clé
X fois
et dates
Une fois
2 limite supérieure de contrôle
3 en moyenne
4 limite inférieure de contrôle
Figure 6 — Carte de contrôle statistique du processus
La forme conventionnelle d'une carte de contrôle pour les données variables est appelée carte « Shewhart ». L'utilisation de telles cartes de
contrôle peut être affinée pour produire une indication plus rapide des changements de processus ou une sensibilité accrue aux petits
changements, en utilisant des critères supplémentaires dans l'interprétation des tendances et des modèles dans les données tracées.
Il existe d'autres formes de cartes de contrôle, chacune possédant des propriétés adaptées à des applications dans des circonstances
particulières. Citons par exemple les « graphiques cumulatifs » qui permettent une sensibilité accrue aux petits changements dans le
processus, et les « graphiques de moyenne mobile » (uniformes ou pondérés) qui servent à lisser les variations à court terme pour révéler
des tendances persistantes.
7.10.2Avantages
En plus de présenter les données sous une forme visible à l'utilisateur, les cartes de contrôle facilitent la réponse appropriée aux variations
du processus. Ils aident l'utilisateur à distinguer la variation aléatoire inhérente à un processus stable, de la variation qui peut être due à des
« causes attribuables » (c'estàdire une variation à laquelle une cause spécifique peut être attribuée) et dont la détection et la correction en
temps opportun peuvent contribuer à améliorer le processus.
La valeur des cartes de contrôle dans divers contextes est illustrée dans les exemples suivants :
— Contrôle des processus : des cartes de contrôle variables peuvent être utilisées pour détecter les changements dans le centre de
processus ou la variabilité du processus et pour déclencher des actions correctives, maintenant ou rétablissant ainsi la stabilité du processus.
Les cartes de contrôle aident également à éviter les interventions ad hoc ou inutiles sur les processus en permettant aux utilisateurs
de faire la distinction entre les variations inhérentes au processus et les variations qui peuvent être attribuées à une « cause attribuable
».
— Analyse de capabilité du processus : si le processus est dans un état stable, les données de la carte de contrôle peuvent être
utilisé ultérieurement pour estimer la capabilité du processus (voir 7.5).
— Analyse des causes et des effets : une corrélation entre les événements de processus et les modèles de cartes de contrôle peut aider
déduire les causes sousjacentes attribuables et planifier des mesures correctives efficaces.

ISO 10017:2021(F)
— Amélioration continue : les cartes de contrôle sont utilisées pour surveiller les variations de processus et peuvent aider à identifier et
à traiter la ou les causes de variation. Ils s’avèrent efficaces lorsqu’ils sont utilisés dans le cadre d’un programme d’amélioration
continue au sein d’une organisation.
Il est important de prélever des échantillons de processus de manière à révéler au mieux la variation qui nous intéresse, et un tel
échantillon est appelé « sousgroupe rationnel ». Ceci est essentiel à l’utilisation et à l’interprétation efficaces des graphiques SPC, ainsi
qu’à la compréhension des sources de variation des processus.
Les procédés à court terme présentent des difficultés particulières car les données sont parfois insuffisantes pour établir des limites de
contrôle appropriées. Dans de tels cas, il existe diverses approches pratiques pour remédier à cette limitation.
Il existe un risque de « fausses alarmes » lors de l'interprétation des cartes de contrôle (c'estàdire le risque de conclure qu'un
changement s'est produit alors que ce n'est pas le cas). Il existe également le risque de ne pas détecter un changement survenu. Ces
risques peuvent être atténués mais jamais éliminés.
Vous trouverez cidessous des exemples d’applications du SPC.
a) Les entreprises des secteurs de l'automobile, de l'électronique, de la défense et d'autres secteurs utilisent souvent des cartes de
contrôle (pour les caractéristiques critiques) pour atteindre et démontrer la stabilité et la capacité continues des processus. Si des
produits/services non conformes sont reçus, les tableaux sont utilisés pour aider à établir le risque et à déterminer la portée des
mesures correctives.
b) Les cartes de contrôle sont utilisées pour résoudre des problèmes sur le lieu de travail. Ils ont été appliqués à tous les niveaux de
organisations pour soutenir la reconnaissance des problèmes et l’analyse des causes profondes.
c) Des cartes de contrôle des caractéristiques de l'échantillon, telles que le temps de réponse moyen, le taux d'erreur et la fréquence
des plaintes, sont utilisées pour mesurer, diagnostiquer et améliorer les performances dans les industries de services (comme, par
exemple, le temps de réponse des ambulances, le délai de livraison des marchandises, les erreurs d'expédition). .
d) Les cartes de contrôle sont utilisées dans l'analyse du système de mesure pour déterminer si le système de mesure est suffisamment
capable de détecter la variabilité du processus ou du produit/service d'intérêt. Les cartes de contrôle sont également utilisées pour
surveiller le processus de mesure luimême (voir 7.4).
7.11 Tolérance statistique
La tolérance statistique fait référence à une procédure basée sur des principes statistiques, utilisée pour établir des tolérances. Il utilise
les distributions statistiques des dimensions pertinentes des composants individuels pour déterminer la tolérance globale de l'unité
assemblée.
Lors de l'assemblage de plusieurs composants individuels dans un module, le facteur ou l'exigence critique (en termes d'assemblage et
d'interchangeabilité) de ces modules n'est souvent pas les dimensions des composants individuels mais plutôt la dimension totale
obtenue grâce à l'assemblage.
Pour une détermination statistique des tolérances globales, on suppose que, dans les assemblages impliquant un grand nombre de
composants individuels, les dimensions d'une extrémité de la plage de tolérances individuelles seront équilibrées par les dimensions de
l'autre extrémité des plages de tolérance. Par exemple, une dimension individuelle située à l'extrémité inférieure de la plage de tolérance
peut être mise en correspondance avec une autre dimension (ou une combinaison de dimensions) située à l'extrémité supérieure de la
plage de tolérance.
Pour des raisons statistiques, la dimension totale aura une distribution à peu près normale dans certaines circonstances. Ce fait est
indépendant de la répartition des dimensions individuelles et peut donc être utilisé pour estimer la plage de tolérance de la dimension
totale du module assemblé.

ISO 10017:2021(F)
Alternativement, compte tenu de la tolérance dimensionnelle globale, elle peut être utilisée pour déterminer la plage de tolérance autorisée
des différents composants.
7.11.2Avantages
Étant donné un ensemble de tolérances (qui ne doivent pas nécessairement être les mêmes) pour les composants individuels, le calcul
de la tolérance dimensionnelle globale donnera une tolérance dimensionnelle globale qui sera généralement nettement inférieure à la
tolérance dimensionnelle globale calculée arithmétiquement.
Cela signifie que, étant donné une tolérance dimensionnelle globale, la tolérance statistique permettra l'utilisation de composants individuels
avec des tolérances plus larges que celles déterminées par calcul arithmétique. En termes pratiques, cela peut constituer un avantage
significatif puisque des tolérances plus larges sont associées à des méthodes de production moins coûteuses.
La première étape du tolérancement statistique consiste à déterminer la proportion de modules assemblés qui peuvent se situer de
manière acceptable en dehors de la plage de tolérance de la dimension totale. Le tolérancement statistique, pour être réalisable sans
nécessiter de méthodes avancées, est soumis aux conditions suivantes :
— les dimensions réelles individuelles peuvent être considérées comme des variables aléatoires non corrélées ;
— la chaîne dimensionnelle est linéaire ;
— la chaîne dimensionnelle comporte au moins quatre unités ;
— les tolérances individuelles sont du même ordre de grandeur ;
— les distributions des dimensions individuelles de la chaîne dimensionnelle sont connues.
Il est évident que certaines de ces exigences ne peuvent être satisfaites que si la fabrication des différents composants en question peut
être contrôlée et surveillée en permanence. Dans le cas d'un produit encore en cours de développement, l'expérience et les connaissances
techniques doivent guider l'application de la tolérance statistique.
La théorie de la tolérance statistique est couramment appliquée à l'assemblage de pièces impliquant des relations additives ou à des cas
impliquant une simple soustraction (par exemple, arbre et trou). Les secteurs industriels qui utilisent la tolérance statistique comprennent
les industries mécaniques, électroniques et chimiques. La théorie est également appliquée à la simulation informatique pour déterminer
les tolérances optimales.
7.12 Analyse des séries chronologiques
Une série chronologique est une séquence d’observations ordonnées dans le temps, et l’analyse de ces données est appelée « analyse
de séries chronologiques ». Il est utilisé pour décrire des tendances dans les données de séries chronologiques, pour identifier les «
valeurs aberrantes » (c'estàdire les valeurs extrêmes dont la validité doit être étudiée) pour aider à comprendre les tendances ou pour
procéder à des ajustements de processus, et pour détecter les points d'inflexion dans une tendance. Une autre utilisation consiste à
expliquer les modèles d'une série temporelle avec ceux d'une autre série temporelle, avec tous les objectifs inhérents à l'analyse de régression (voir 7.6).
L'analyse des séries chronologiques (voir Figure 7) fait référence aux techniques analytiques dans des applications telles que :
— trouver des modèles de « décalage » en examinant statistiquement la manière dont chaque observation est corrélée avec l'observation
qui la précède immédiatement, et en répétant cette opération pour chaque période décalée successive ;
— identifier des modèles (dans les ventes, par exemple) qui sont cycliques ou saisonniers, pour comprendre comment les facteurs causals
du passé peuvent avoir des influences répétées dans le futur ;

ISO 10017:2021(F)
— utiliser des outils statistiques pour prédire les observations futures ou pour comprendre quels facteurs causals ont
ont le plus contribué aux variations dans la série chronologique.
Clé
X fois
Caractéristique Y
Figure 7 — Graphique de séries chronologiques
Bien que les techniques utilisées dans l’analyse des séries chronologiques puissent inclure de simples « graphiques de tendance », ces
graphiques élémentaires sont répertoriés parmi les méthodes graphiques simples citées en 7.1.
L'analyse des séries chronologiques peut être utilisée pour prédire les valeurs futures, généralement limitées par des valeurs supérieure
et inférieure appelées « intervalle de prévision ». Il a de nombreuses applications dans le domaine du contrôle et constitue souvent une
caractéristique des processus automatisés. Dans ces cas, un modèle probabiliste est ajusté à la série chronologique historique pour
prédire les valeurs futures. Ensuite, les paramètres spécifiques du processus sont ajustés pour maintenir le processus sur la cible, avec
le moins de variations possible.
7.12.2Avantages
Les méthodes d'analyse de séries chronologiques sont utiles dans la planification, l'ingénierie de contrôle, l'identification d'un changement
dans un processus, la génération de prévisions et la mesure de l'effet d'une intervention ou d'une action extérieure.
L'analyse des séries chronologiques est également utile pour comparer les performances projetées d'un processus avec les valeurs
prévues dans la série chronologique si un changement spécifique devait être apporté.
Les méthodes de séries chronologiques peuvent fournir un aperçu des modèles de cause à effet possibles. Il existe des méthodes
permettant de séparer les causes systématiques (ou attribuables) des causes fortuites et de décomposer les modèles d'une série
chronologique en composantes cycliques, saisonnières, de tendance et de niveau.
L'analyse des séries chronologiques peut être utilisée pour déterminer comment un processus se comportera dans des conditions
spécifiées et quels ajustements (le cas échéant) peuvent influencer le processus par rapport à une valeur cible ou quels ajustements
peuvent réduire la variabilité du processus.
Les limites et mises en garde citées pour l’analyse de régression s’appliquent également à l’analyse de séries chronologiques. Lors de
la modélisation d'un processus afin de comprendre les causes et les effets, un niveau de compétence important est requis pour
sélectionner le modèle le plus approprié et utiliser des outils de diagnostic pour améliorer le modèle.

ISO 10017:2021(F)
Qu'elle soit incluse ou omise dans l'analyse, une seule observation ou un petit ensemble d'observations peut avoir une influence significative sur le
modèle. Par conséquent, les observations influentes doivent être comprises et distinguées des « valeurs aberrantes » dans les données.
Différentes techniques d’estimation de séries chronologiques peuvent avoir différents degrés de réussite, selon les tendances de la série chronologique
et le nombre de périodes pour lesquelles des prévisions sont souhaitées, par rapport au nombre de périodes pour lesquelles des données de séries
chronologiques sont disponibles. Le choix d'un modèle doit tenir compte de l'objectif de l'analyse, de la nature des données, du coût relatif et des
propriétés analytiques et prédictives des différents modèles.
Vous trouverez cidessous des exemples d’applications de l’analyse de séries chronologiques.
a) L'analyse des séries chronologiques est appliquée pour étudier les modèles de performance au fil du temps, par exemple les mesures de processus,
les plaintes des clients, les nonconformités, la productivité et les résultats de tests.
b) Les applications de prévision incluent la prévision des pièces de rechange, de l'absentéisme, des commandes des clients, du matériel
besoins et consommation d’énergie électrique.
c) L'analyse causale de séries chronologiques est utilisée pour développer des modèles prédictifs de la demande. Par exemple, dans le cadre de la
fiabilité, il est utilisé pour prédire le nombre d'événements dans une période de temps donnée et la répartition des intervalles de temps entre des
événements comme par exemple des pannes d'équipements.
d) L'analyse des séries chronologiques peut être utilisée pour différencier la variation due à des causes attribuables de la variation due à des
événements aléatoires.
e) L'analyse des séries chronologiques peut être utilisée pour surveiller les variations saisonnières des processus de vente en suivant
dates de commande manquées et déplacées.

ISO 10017:2021(F)
Bibliographie
[1] ISO 9001:2015, Systèmes de management de la qualité — Exigences
[2] ISO 2602, Interprétation statistique des résultats d'essais — Estimation de la moyenne — Intervalle de confiance
[3] ISO 2854, Interprétation statistique des données — Techniques d'estimation et de tests relatifs aux moyennes et aux variances
[4] ISO 2859 (toutes les parties), Procédures d'échantillonnage pour le contrôle par attributs
[5] ISO 3301, Interprétation statistique des données — Comparaison de deux moyennes dans le cas d'observations appariées
[6] ISO 3494, Interprétation statistique des données — Puissance des tests relatifs aux moyennes et aux variances
[7] ISO 3951 (toutes les parties), Procédures d'échantillonnage pour le contrôle par variables
[8] ISO 5479, Interprétation statistique des données — Tests d'écart par rapport à la distribution normale
[9] ISO 5725 (toutes les parties), Exactitude (justesse et précision) des méthodes et des résultats de mesure
[10] ISO 7870 (toutes les parties), Cartes de contrôle
[11] ISO 10012, Systèmes de management de la mesure — Exigences relatives aux processus de mesure et
instrument de mesure
[12] ISO 10725, Plans et procédures d'échantillonnage pour acceptation pour l'inspection des matériaux en vrac
[13] ISO 11095, Étalonnage linéaire à l'aide de matériaux de référence
[14] ISO 11453, Interprétation statistique des données — Tests et intervalles de confiance relatifs à
proportions
[15] ISO 11462 (toutes les parties), Lignes directrices pour la mise en œuvre du contrôle statistique des processus (SPC)
[16] ISO 116482, Aspects statistiques de l'échantillonnage de matériaux en vrac — Partie 2 : Échantillonnage de particules
matériaux
[17] ISO 11843 (toutes les parties), Capacité de détection
[18] ISO/TR 12845, Illustrations sélectionnées d'expériences de criblage factoriel fractionnaire
[19] ISO/TR 12888, Illustrations sélectionnées d'études de répétabilité et de reproductibilité des jauges
[20] ISO 13053 (toutes les parties), Méthodes quantitatives pour l'amélioration des processus — Six Sigma
[21] ISO/TR 13195, Illustrations choisies de la méthode des surfaces de réponse — Conception composite centrale
[22] ISO 16269 (toutes les parties), Interprétation statistique des données
[23] ISO 16336, Applications des méthodes statistiques et connexes aux nouvelles technologies et aux nouveaux produits
processus de développement — Conception de paramètres robustes (RPD)
[24] ISO 16355 (toutes les parties), Applications des méthodes statistiques et connexes aux nouvelles technologies et aux processus de
développement de produits
[25] ISO 18404, Méthodes quantitatives d'amélioration des processus — Six Sigma — Compétences pour le personnel clé et leurs
organisations en relation avec la mise en œuvre de Six Sigma et du Lean
[26] ISO/TS 21749, Incertitude de mesure pour les applications métrologiques — Mesures répétées et expériences imbriquées

ISO 10017:2021(F)
[27] ISO 22514 (toutes les parties), Méthodes statistiques dans la gestion des processus — Capacité et performances
[28] ISO 28590, Procédures d'échantillonnage pour le contrôle par attributs — Introduction à la série ISO 2859
de normes pour l'échantillonnage pour l'inspection par attributs
[29] ISO/TR 29901, Illustrations sélectionnées d'expériences factorielles complètes avec quatre facteurs
[30] Guide ISO/IEC 981, Incertitude de mesure — Partie 1 : Introduction à l'expression de

incertitude de mesure
[31] CEI 31010, Gestion des risques — Techniques d'évaluation des risques
[32] CEI 60050192, Vocabulaire Electrotechnique International — Partie 192 : Sûreté de fonctionnement
[33] CEI 61070, Procédures de test de conformité pour la disponibilité en régime permanent
[34] CEI 61123, Tests de fiabilité — Plans de tests de conformité pour le taux de réussite
[35] CEI 61649, analyse Weibull

ISO 10017:2021(F)
ICS 03.120.30 ; 03.120.10 Prix

sur base de 30 pages
© ISO 2021 – Tous droits réservés

ISO 10017-2021 FR

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

ISO 10017-2021 FR

Transféré par

Droits d'auteur :

Formats disponibles

Machine Translated by Google

Gestion de la qualité — Orientations

DOCUMENT PROTÉGÉ PAR COPYRIGHT

ii © ISO 2021 – Tous droits réservés

Introduction................................................. .................................................................. .................................................................. .................................................................. ......................vi

1 Portée................................................. .................................................................. .................................................................. .................................................................. ..........................1

2 Références normatives ................................................ .................................................................. .................................................................. ..................................1

3 Termes et définitions............................................... .................................................................. .................................................................. ..................................1

5 Données quantitatives et techniques statistiques associées dans l'ISO 9001............................................... ...................2

6 Applicabilité des techniques sélectionnées ............................................................ .................................................................. ......................................................9

7 Description des techniques statistiques ................................................. .................................................................. ..................................................9

7.1.1 Description générale............................................................ .................................................................. .................................................................. ...... 9

7.1.3 Limites et mises en garde .................................................. .................................................................. ......................................11

7.1.4 Exemples d' applications.................................................. .................................................................. ......................................12

7.2.3 Limites et mises en garde .................................................. .................................................................. ......................................13

7.2.4 Exemples d' applications........................................................ .................................................................. ........................................13

7.3.3 Limites et mises en garde .................................................. .................................................................. ......................................14

7.3.4 Exemples d' applications.................................................. .................................................................. ......................................14

7.4.3 Limites et mises en garde .................................................. .................................................................. ......................................15

7.4.4 Exemples d' applications........................................................ .................................................................. ........................................15

7.5.1 Description générale............................................................ .................................................................. .................................................................. ...15

7.5.3 Limites et mises en garde .................................................. .................................................................. ......................................16

7.5.4 Exemples d' applications.................................................. .................................................................. ......................................17

7.6.3 Limites et mises en garde .................................................. .................................................................. ......................................18

7.6.4 Exemples d' applications........................................................ .................................................................. ......................................19

7.7.3 Limites et mises en garde .................................................. .................................................................. ......................................20

7.7.4 Exemples d' applications.................................................. .................................................................. ......................................20

7.8.1 Description générale............................................................ .................................................................. .................................................................. ...21

7.8.3 Limites et mises en garde ............................................ .................................................................. ......................................21

7.8.4 Exemples d' applications........................................................ .................................................................. ............................................22

7.9.1 Description générale............................................................ .................................................................. .................................................................. ...22

© ISO 2021 – Tous droits réservés iii

Limites et mises en garde ............................................................ .................................................................. ......................................23

Exemples d' applications.......................... .................................................................. .................................................................. .........25 7.11 Tolérance

Description générale........................ .................................................................. .................................................................. .....................................25

Exemples d' applications................................ .................................................................. .................................................................. ...26 7.12 Analyse

Exemples d' applications............................................ .................................................................. ..................................................28

iv © ISO 2021 – Tous droits réservés

© ISO 2021 – Tous droits réservés dans

STANDARD INTERNATIONAL ISO 10017:2021(F)

Management de la qualité — Guide sur les techniques statistiques pour l'ISO

ISO 3534­2, Statistiques — Vocabulaire et symboles — Partie 2 : Statistiques appliquées

ISO 3534­3, Statistiques — Vocabulaire et symboles — Partie 3 : Plans d'expériences

ISO 3534­4, Statistiques — Vocabulaire et symboles — Partie 4 : Échantillonnage d'enquête

ISO 9000:2015, Systèmes de management de la qualité — Fondements et vocabulaire

— Plateforme de navigation ISO Online : disponible sur https://www.iso.org/obp

— IEC Electropedia : disponible sur http://www.electropedia.org/

4 Techniques statistiques dans la mise en œuvre de la norme ISO 9001

© ISO 2021 – Tous droits réservés 1

— statistiques descriptives (voir 7.1) ;

— plans d'expériences (DOE) (voir 7.2) ;

— tests d'hypothèses (voir 7.3) ;

— analyse du système de mesure (MSA) (voir 7.4) ;

— analyse de capabilité du processus (voir 7.5) ;

— analyse de régression (voir 7.6) ;

— analyse de fiabilité (voir 7.7) ;

— échantillonnage (voir 7.8) ;

— simulation (voir 7.9) ;

— contrôle statistique du processus (SPC) (voir 7.10) ;

— tolérance statistique (voir 7.11) ;

— analyse de séries chronologiques (voir 7.12).

5 Données quantitatives et techniques statistiques associées dans l'ISO 9001

Tableau 1 — Données quantitatives et technique(s) statistique(s) possible(s)

ISO 35342, Statistiques — Vocabulaire et symboles — Partie 2 : Statistiques appliquées

ISO 35343, Statistiques — Vocabulaire et symboles — Partie 3 : Plans d'expériences

ISO 35344, Statistiques — Vocabulaire et symboles — Partie 4 : Échantillonnage d'enquête