Vous êtes sur la page 1sur 384

Formation 4 jours

Réduction de la
variabilité des
processus

1

Présentation
Présentation des
des participants
participants

Tour de table

Cartons de présentation

2

Pourquoi
Pourquoi cette
cette formation
formation ??

Certains problèmes ne peuvent pas être résolus


uniquement avec les outils MRP

Au sein de notre entreprise, de nombreux problèmes


méthodologiques
Croyances erronées
Mauvaise utilisation des outils
Peu de culture de la mesure

3

A
A qui
qui s'adresse
s'adresse cette
cette formation
formation ??

Coordinateurs APQP, SQA

Réseau QSE

Profil R&D

Tous ceux qui veulent lutter contre la variation d'un processus !!

4

Objectifs
Objectifs de
de la
la session
session

Acquérir une méthodologie

Assimiler les outils associés à la méthodologie

Savoir quand appliquer quel outil et comment

Comprendre les erreurs méthodologiques présentes


aujourd’hui dans notre entreprise

5

Comment
Comment allons
allons nous
nous fonctionner
fonctionner ??

Déroulé standard de la formation : jeux, questions…

Documents modifiables, prise de notes possibles dans la zone


commentaires

Pas de téléphone portable

Respect des temps de pause

Plan détaillé disponible sur les murs

6

Comment
Comment allons
allons nous
nous fonctionner
fonctionner ??

Les outils MRP sont considérés comme des pré -requis

Deux études de cas : continu et aux attributs

1 manuel de formation et 1 formulaire d'évaluation

A tout moment, on peut se repérer grâce au symbole

10

7

Sondage
Sondage des
des connaissances
connaissances sans
sans correction
correction

A vous de jouer !!!

20 mn 8

Généralités
Généralités –– La
La méthodologie
méthodologie

1 2 3 4 5
Valider
Valider le Eliminer
Définir le Observer la stabilité
processus les causes
problème le du
de contrôle spéciales
processus processus

6 7 8 9 10
Valider
Identifier Identifier Maîtriser
la Verrouiller et
les causes les les
réduction standardiser
probables paramètres paramètres
de
de variation influents influents
variation

9

1
Définir
Définir le
le problème
problème

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

10

1
Formulation
Formulation du
du problème
problème :: erreurs
erreurs classiques
classiques
L'indicateur est mal défini ou non mesurable

L'indicateur n'est pas lié aux attentes clients

La quantification du problème est anecdotique

L'origine des données et le moyen de mesure sont inconnus

Les spécifications clients sont inconnues

La formulation du problème établit déjà la solution

11

1
Etude
Etude du
du poids
poids de
de crêpes
crêpes

Le propriétaire d'un stand de crêpes souhaite maîtriser ses dépenses en matières premières. Il spécifie son problème :
"Le poids des crêpes a l'air de beaucoup varier et cela impacte sûrement la marge réalisée"
Ce type de spécification est insuffisante et conduira vraisemblablement à l'échec du projet
Précisons cet énoncé…

12

1
Formulation
Formulation du
du problème
problème :: réponse
réponse
Pareto des surcoûts (%)

100
80,2
80

60

40
18,7
20
1,1
0
Matières 1ères crêpes Œufs coque NC Divers

Coût matière pour 1000 crêpes nature

120,0

110,0

100,0

90,0

80,0
1 2 3 4 5 6 7 8 9 10 11 12

13

1
Choix
Choix de
de l'indicateur
l'indicateur

On étudie le poids par crêpe

Le poids est pris sur une balance CREPABAL installée à


proximité des plaques de cuisson

L'indicateur est pertinent car simple, avec une mesure


claire qui prend en compte uniquement le problème
étudié

14

2
Poids
Poids des
des crêpes
crêpes -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie un
problème de
poids

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

15

2
Capabilité
Capabilité d'un
d'un processus
processus de
de mesure
mesure

L'objectif est de valider que le processus de contrôle est


adapté à la mesure que l'on veut réaliser

Le processus de contrôle donne t-il une vision fiable de


la réalité ?

On cherche à valider le processus de contrôle, pas


uniquement le moyen de contrôle

16

2
Introduction
Introduction

Donnée continue : Valeur mesurable, divisible,


hiérarchisable - Poids, température, pression

Donnée discrète : Donnée qualitative Bon/mauvais,


Blanc/noir

On va étudier le gage R&R continu

17

2
Capabilité
Capabilité d'un
d'un processus
processus de
de mesure
mesure continu
continu
A
A l’issue
l’issue de
de cette
cette section,
section, vous
vous saurez
saurez ::
Expliquer
Expliquer pourquoi
pourquoi on
on étudie
étudie la
la capabilité
capabilité d’un
d’un processus
processus de
de mesure
mesure

Expliciter
Expliciter les
les 44 défauts
défauts majeurs
majeurs d'un
d'un processus
processus de
de mesure
mesure

Expliquer
Expliquer le
le principe
principe d’un
d’un gage
gage R&R
R&R continu
continu

Mener
Mener et
et interpréter
interpréter un
un gage
gage R&R
R&R continu
continu

18

2
Le
Le processus
processus de
de mesure
mesure modifie
modifie la
la réalité
réalité

Axe des valeurs étudiées

Valeur obtenue en
moyenne Valeurs obtenues par le
processus de mesure Perception

Réalité

Notre perception est-elle conforme à la réalité ?


19

2
Résolution
Résolution d'un
d'un moyen
moyen de
de mesure
mesure

Les 4 défauts principaux d’un processus de mesure :


1- Résolution insuffisante

Exigence Faurecia : La
1 2 3 4 5
résolution du moyen de
mesure doit être au moins
égale au dixième de la
1 2 3 4 5 tolérance
20

2
Justesse
Justesse d'un
d'un moyen
moyen de
de mesure
mesure

Les 4 défauts principaux d’un processus de mesure :


2- Erreur de justesse

1 Kg
Exigence Faurecia :
Nécessité d'un étalon
(gestion des moyens de
1,8 Kg mesure)

21

2
Répétabilité
Répétabilité d'un
d'un processus
processus de
de mesure
mesure

Les 4 défauts principaux d’un processus de mesure :


3- Défaut de répétabilité
La répétabilité traduit
l'aptitude d'un processus de
contrôle a obtenir des
résultats similaires lorsque
l'on mesure plusieurs fois la
même pièce
22

2
Reproductibilité
Reproductibilité d'un
d'un processus
processus de
de mesure
mesure

Les 4 défauts principaux d’un processus de mesure :


4- Défaut de reproductibilité

La reproductibilité traduit
l'aptitude d'un processus de
contrôle à obtenir le même
résultat quel que soit
l'opérateur qui mesure une
même pièce
23

2
Gage
Gage R&R
R&R :: Introduction
Introduction

Les 4 défauts principaux d’un processus de mesure :

1- Résolution insuffisante
2- Erreur de justesse
Pré requis
3- Défaut de répétabilité
4- Défaut de reproductibilité
Gage R&R

24

2
Gage
Gage R&R
R&R :: Introduction
Introduction

Axe des valeurs étudiées

Valeur réelle
Perception

25

2
Gage
Gage R&R
R&R :: Introduction
Introduction

= +
Variation
Variation Variatio
observée = n réelle + processus
de mesure

26

2
Gage
Gage R&R
R&R :: Principe
Principe

Pièces
mesurées
Pièces à
étudier

27

2
Gage
Gage R&R
R&R :: Notre
Notre Standard
Standard

10 pièces, 2 ou 3 opérateurs

2 ou 3 mesures par pièce

Pièces mesurées dans un ordre ALEATOIRE

28

2
Gage
Gage R&R
R&R :: Les
Les précautions
précautions àà prendre
prendre

Réaliser les mesures dans un ordre ALEATOIRE

Refléter au maximum le processus de contrôle réel

Proscrire les échanges entre opérateurs

Ne pas perturber les opérateurs (plusieurs personnes


présentes lors de ces contrôles, etc…)

Identifier les pièces de façon invisible pour les opérateurs

29

2
Gage
Gage R&R
R&R –– FAU-F-PS3-0301
FAU-F-PS3-0301

R: Etendue
des 3 mesures
d'un opérateur
sur une pièce

XA :
Moyenne des
mesures de
l'opérateur A

RB :
Moyenne des
étendues R
de
l'opérateur B

30

2
Gage
Gage R&R
R&R :: Validité
Validité des
des mesures
mesures

L'opérateur B
doit refaire ses
mesures sur la
Measurements Accuracy
pièce 9

3,5
3
2,5 OperatorA
2 OperatorB
1,5 OperatorC
1 UCL
0,5
0
1 2 3 4 5 6 7 8 9 10

31

2
Gage
Gage R&R
R&R :: Calcul
Calcul des
des dispersions
dispersions

Dispersion due à la
répétabilité

+
Dispersion due aux écarts
entre d'opérateurs

Dispersion due au
processus de mesure

32

2
Gage
Gage R&R
R&R :: Formule
Formule de
de calcul
calcul de
de l'indice
l'indice R&R
R&R

Indice R&R =
6 X  (processus mesure) / IT x100

- Plus l'indice R&R est faible, plus le processus de mesure


est fiable
- L'indice R&R dépend de la variation du processus de
mesure mais aussi de l'IT
- Doubler un IT, c'est diviser par 2 l'indice R&R
33

2
Gage
Gage R&R
R&R :: Règles
Règles de
de décision
décision

0 à 10 % : Excellent processus de contrôle

10 à 30 % : Plan d'actions à prévoir en fonction de la criticité de la


mesure (caractéristique critique, S/R). Revoir méthode de
contrôle, formation, pièces types, environnement, équipements,
etc…

> 30 % : Processus de contrôle inacceptable. Reconsidérer


complètement le processus de contrôle, voire le moyen

10 20 30 40 50 60 70 80 90 100
34

2
Gage
Gage R&R
R&R :: Interpréter
Interpréter l'indice
l'indice R&R
R&R

Exemple : Cas d'un R&R de 70 %

280 Tolérance Supérieure : 270


265
245

215 Tolérance Inférieure : 220

Valeur réelle d'une longueur


35

2
Gage
Gage R&R
R&R :: Interpréter
Interpréter l'indice
l'indice R&R
R&R
Exemple : R&R = 70 % et IT = 50 Hauteur : 70 X 50 = 35
297,5 100
282,5
280 TS : 270
245+35/2 = 262,5 265 262,5

245 247,5 IT = 50
232,5
245-35/2 = 227,5
215 TI : 220
197,5

Dans cet exemple avec un R&R - de 10 % : Hauteur = 5


- de 10 à 30 % : Hauteur = 5 à 15
- > 30 % : Hauteur > 15
36

2
Gage
Gage R&R
R&R :: Où
Où rechercher
rechercher l'amélioration
l'amélioration ??

Part de la répétabilité
(en %) dans la Dispersion due à la répétabilité
= 100 X
dispersion du processus Dispersion process mesure
de mesure

Part de la
reproductibilité (en %) Dispersion due à la reproductibilité
= 100 X
dans la dispersion du Dispersion process mesure
processus de mesure

37

2
Gage
Gage R&R
R&R :: Où
Où rechercher
rechercher l'amélioration
l'amélioration ??

Si la variation totale est plutôt due à des problèmes de répétabilité :


Figer un maximum de paramètres
(lieu de mesure sur le produit,
Variation du
processus de
conditions d'environnement, etc…).
mesure Revoir le moyen de contrôle
éventuellement

Si la variation totale est plutôt due à des problèmes de reproductibilité :


Observer les opérateurs et formaliser
de façon non équivoque la procédure
de contrôle. Refaire un gage R&R
pour mesurer l'amélioration
38

2
Gage
Gage R&R
R&R :: Jeu
Jeu

A vous de jouer !!!


- Constitution de trois équipes : deux opérateurs par équipe

- Réalisation des mesures (2 par pièce/opérateur)

30 mn 39

2
Gage
Gage R&R
R&R :: Jeu
Jeu

A vous de jouer !!!


- Calcul de l’indice R&R

- Conclusions

30 mn 40

2
Capabilité
Capabilité des
des processus
processus de
de mesure
mesure :: Conclusion
Conclusion

Le processus de mesure impacte notre vision de la réalité

Il faut donc s'assurer que cet impact est négligeable

Vérifiez :
- Résolution
- Justesse
- Répétabilité /
Reproductibilité avec le Gage R&R

41

3
Poids
Poids des
des crêpes
crêpes -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie un Le processus de
problème de contrôle du poids
poids est fiable

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

42

3
Introduction
Introduction

Observer le processus permet de définir ses limites


naturelles : ce sont les valeurs qu'il faut s'attendre à observer

Les limites naturelles permettent d'identifier l'apparition de


causes spéciales (étape 4)

Objectif : éliminer les causes spéciales (les 6 basiques


qualité participent à cet effort)

Quels outils ? Carte d'observation / de contrôle

43

3
Cartes
Cartes d'observation
d'observation aux
aux mesures
mesures

A l’issue de cette section, le stagiaire saura :

Créer une carte d'observation aux mesures (continue)

44

3
Pourquoi
Pourquoi yy aa t-il
t-il variation
variation d'un
d'un processus
processus ??

Matière Main d’œuvre Machine

Variation
d’un
processus

Milieu Méthode Mesure

45

3
Cartes
Cartes aux
aux mesures
mesures et
et cartes
cartes aux
aux attributs
attributs

Cartes aux Cartes aux


MESURES ATTRIBUTS

Type de données Continue Nombre ou %

Nombre de cartes 1
2
Taux de non
Exemples Suivi d'un diamètre : conformes par
centrage et dispersion équipe

Dans les deux cas, la méthode de mise en place et les


règles d'interprétation sont identiques
46

3
Carte
Carte d'observation
d'observation aux
aux mesures
mesures

La mise en place d'une carte d'observation aux mesures


nécessite:
1. La mise en place de 2 cartes de suivi :

Une carte pour étudier le centrage du processus


Une carte pour étudier la dispersion du processus

2. La mise en place d'un journal de bord

47

3
Carte
Carte d'observation
d'observation aux
aux mesures
mesures
Carte moyenne étendue :
On prélève n pièces consécutives à une fréquence f, on calcule la
moyenne Xi et l’étendue Ri des valeurs obtenues (n est constant)

La fréquence f de prélèvement doit être au moins 4 fois plus


importante que la fréquence des actions correctives sur le
processus

On remplit deux cartes d’observation avec au moins 20 points

48

3
Carte
Carte d'observation
d'observation aux
aux mesures
mesures -- Exemple
Exemple
On décide de prendre le poids de 5 crêpes toutes les deux heures :

49

3
Carte
Carte d'observation
d'observation aux
aux mesures
mesures -- Exemple
Exemple

Toutes les deux heures, on prend le poids de 5 crêpes consécutives


:

12/09 12 /09 12/09 Etc…


11:12 13:07 15:00
34,1 23,1 25,3
33,0 31,9 24,2
34,1 29,7 36,3
36,3 37,4 24,2
31,9 37,4 30,8
33,9 31,9 28,2
4,4 14,3 12,1

50

3
Carte
Carte d'observation
d'observation aux
aux mesures
mesures -- Exemple
Exemple

51

3
Carte
Carte d'observation
d'observation aux
aux mesures
mesures -- Exemple
Exemple

52

3
Carte
Carte aux
aux mesures
mesures –– Taille
Taille de
de prélèvement
prélèvement

Combien de pièces par prélèvement ?


Courbes d’efficacité des cartes de contrôle :
Imaginons qu'un processus à une
moyenne de 30 g et un écart-type 
de 3 g
Pour détecter toute dérive
supérieure à 6 g avec un coefficient
de confiance de 95%, il faut avoir n
>5
En effet, 6 g = 2 
95% et 2 repèrent une courbe
située sous la courbe n = 6
53

3
Cartes
Cartes observation
observation –– Jeu
Jeu

A vous de jouer !!!


- On décide de mettre sous observation le poids des crêpes

- 3 équipes qui définissent la procédure à suivre

- Construisez une carte d'observation par équipe en piochant des cartes


Carte des moyennes : 25 – 45 g
Carte des étendues : 0 to 12 g 35 mn 54
3
Cartes
Cartes observation
observation –– Correction
Correction du
du jeu
jeu
Une
Une possibilité
possibilité serait
serait ::

Journal
Journal de
de bord
bord :: Préparation
Préparation de
de pâte,
pâte, nettoyage
nettoyage des
des plaques
plaques de
de cuisson,
cuisson, louche
louche utilisée,
utilisée, cuisinier,
cuisinier, arrêt
arrêt supérieur
supérieur àà 55 mn…
mn…

Taille
Taille nn des
des prélèvements Pour  == 2,5
prélèvements :: Pour 2,5 gg et
et une
une dérive
dérive de
de 55 g,
g, on
on obtient
obtient nn == 66

Fréquence
Fréquence des
des prélèvements
prélèvements :: Pas
Pas d'intervention
d'intervention particulière
particulière sur
sur le
le processus
processus au
au sein
sein d'une
d'une équipe,
équipe, d'où
d'où le
le choix
choix de
de 44 prélèvements
prélèvements par
par équipe
équipe

55

3
Cartes
Cartes observation
observation –– Correction
Correction du
du jeu
jeu
Carte des moyennes

44

42

40

38

36

34 Merci de garder
32
Carte des étendues vos cartes après
30
12,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 le jeu
10,0

8,0

6,0

4,0

2,0

0,0 56
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

4
Poids
Poids des
des crêpes
crêpes -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie un Le processus de Les variations du


problème de contrôle du poids processus sont
poids est fiable connues

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

57

4
Cartes
Cartes de
de contrôle
contrôle

A l’issue de cette section, le stagiaire saura :

Définir les cartes de contrôle aux mesures (continues)

Identifier l'apparition de causes spéciales

58

4
La
La variation
variation du
du processus
processus

Matière Main d’œuvre Machine

Variation
d’un
processus

Milieu Méthode Mesure

59

4
Causes
Causes communes
communes // Causes
Causes spéciales
spéciales

Processus instable et Processus stable et


imprévisible dans le temps prévisible dans le temps

??
Causes Causes
SPECIALES COMMUNES

Inhérentes au
processus ? NON OUI
Agissent de façon
continue ? NON
OUI
Ont elles un impact
fort ? OUI NON

60

4
Carte
Carte de
de contrôle
contrôle -- Définition
Définition
Une carte de contrôle est un outil graphique qui permet de suivre l’évolution d’une
grandeur dans le temps

Une carte de contrôle permet de détecter l’apparition de causes spéciales

LSC

X ou R

LIC - 1 point sur la carte = 1 prélèvement -1


prélèvement = n pièces CONSECUTIVES
- Prélevées à une fréquence f (4 61

prélèvements entre deux interventions sur le processus)
4
Carte
Carte aux
aux mesures
mesures –– Mise
Mise en
en place
place

Mise en place de deux cartes d'observation : Ce sont des cartes sans limite de contrôle

Mise en place d'un journal de bord

Calcul des limites de contrôle lorsque la carte d'observation comporte au moins 20 points

On calcule : R = moyenne des valeurs Ri, et


X = moyenne des valeurs Xi
62

3
Carte
Carte aux
aux mesures–
mesures– Moyenne
Moyenne Etendue
Etendue

X=30,3

R=11,6

63

4
Carte
Carte aux
aux mesures–
mesures– Moyenne
Moyenne Etendue
Etendue

On peut alors tracer sur les cartes de contrôle :

Les limites sur la carte des moyennes :

LIC (X) = X – A2*R LSC (X) = X + A2*R

Les limites sur la carte des étendues :


LIC( R ) = D3*R LSC( R ) = D4*R

64

4
Carte
Carte aux
aux mesures
mesures –– Coefficients
Coefficients
Coefficients :

65

4
Que
Que représentent
représentent les
les coefficients
coefficients A2,
A2, D3
D3 et
et D4
D4 ??
3
R A2 =
LC (X) = X +/– 3X = X +/- 3
d2n d2n
d3
LC (R) = R +/– 3R = R +/- 3 d3 R D3 = 1 - 3
d2 d2
d3
D4 = 1 + 3
d2
d3 et d2 dépendent de n donc A2, D3 et D4 dépendent de la taille n des prélèvements
Ils permettent de faire le lien entre la dispersion sur les valeurs individuelles et celle des
prélèvements

66

4
Cartes
Cartes de
de contrôle
contrôle –– Zones
Zones graphiques
graphiques

LSC
+3 Sigma
Zone A
+2 Sigma
Zone B
+1 Sigma
Zone C
Ligne centrale
Zone C
-1 Sigma
Zone B
-2 Sigma
Zone A
-3 Sigma
LIC
Sigma = X ou R selon la carte utilisée 67

4
Cartes
Cartes de
de contrôle
contrôle –– Règles
Règles d'interprétation
d'interprétation
Un point au-delà de la zone A : Apparition de causes spéciales

15 points consécutifs dans la zone C

La variabilité du processus s'est anormalement améliorée

7 points dans un alignement régulier : Déréglage du processus


68

4
Cartes
Cartes de
de contrôle
contrôle –– Règles
Règles d'interprétation
d'interprétation
7 points consécutifs (ou plus) d'un même côté de la ligne centrale

Une tendance anormale s'est installée qui pourrait générer


des non conformes

O
U
2 points sur 3 consécutifs en zone A
O
U
O
U
69

4
Eliminer
Eliminer les
les causes
causes spéciales
spéciales

Lors de l'étape 4, on identifie des signaux statistiques


qui révèlent la présence de causes spéciales

Cette détection doit immédiatement s'accompagner


d'une phase de recherche et d'élimination de ces causes
spéciales

70

4
Conclusion
Conclusion –– Suivi
Suivi d'une
d'une carte
carte de
de contrôle
contrôle

Calcul des limites de contrôle

Suivi par carte de contrôle


Détection des causes spéciales

Amélioration du processus

71

4
Conclusion
Conclusion -- Carte
Carte de
de contrôle
contrôle

Avant de faire des réglages, il est fondamental de s'interroger sur


l'origine d'un signal statistique

Une baisse de température ne signifie pas nécessairement qu'il faut


augmenter la température…

Une résistance est peut être HS !!

Pour faciliter la réflexion, nécessité du journal de bord

72

4
Conclusion
Conclusion -- Choisir
Choisir une
une carte
carte de
de contrôle
contrôle
Choix de la
caractéristique

NON NON OU
Etude de produits NON CONFORMITES n=constant?
Continue ? I
Non conformes ? NON

OU Carte u
OU
I
OU I Cartes c OU u
I Cartes np OU p n=constant? Carte p

OU NON
I
Existe t-il des Calcul des
Carte médiane / R
sous groupes Moyennes rapide ?
OU NON
NON I OU
I
Carte (X, R mobile)
OU Choix calcul de  ? Carte (X /  )
n > 8?
I OU
I
Carte (X / R)
NON NON 73

4
Eliminer
Eliminer les
les causes
causes spéciales
spéciales -- Jeu
Jeu

A vous de jouer !!!


- Calculer les limites de contrôle de vos cartes d'observation

- Poursuivre l'observation du processus (chaque équipe ne pioche que deux cartes)

- Conclusions

15 mn 74

4
Eliminer
Eliminer les
les causes
causes spéciales
spéciales -- Réponses
Réponses
Carte des moyennes

44

42
- Ajout de pâte en cours de
40

38
cuisson
36

34

32
- Trop de farine dans la pâte
30
Carte d'observation
1 2 3 4 5 6 7 8 9 10 11

Carte des étendues


12 13 14 15 16 17 18 19 20
- On remarque également
12,0 que le processus est
totalement décentré
10,0

8,0

6,0

4,0

2,0

0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

75

4
Eliminer
Eliminer les
les causes
causes spéciales
spéciales –– Plan
Plan d'actions
d'actions

Achat d'un rouable pour éviter les manque matière

Standardisation de la recette des crêpes

76

4
Eliminer
Eliminer les
les causes
causes spéciales
spéciales -- Conclusion
Conclusion

QUELLE EST L'ETAPE SUIVANTE ?

Poursuivre l'observation tant que l'on parvient à


identifier des causes spéciales…

77

5
Poids
Poids des
des crêpes
crêpes -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie un Le processus de Les variations du On identifie les


problème de contrôle du poids processus sont CS puis on les
poids est fiable connues élimine

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

78

5
Valider
Valider la
la stabilité
stabilité du
du processus
processus

-Multitude de causes communes


- Eventuellement, quelques causes
spéciales non identifiées
Observer Eliminer Toutes les OUI Identifier les
3 le 4 les causes causes spéciales 6 causes probables
processus spéciales éliminées ? de variation

NON

Observer et analyser de nouveau

OUI Peut-on NON


identifier d'autres causes
spéciales ?

79

5
Stabilité
Stabilité du
du poids
poids des
des crêpes
crêpes -- Jeu
Jeu

A vous de jouer !!!

-Reporter les valeurs sur vos cartes


-Conclusions ?
15 mn 80

5
Stabilité
Stabilité du
du poids
poids des
des crêpes
crêpes -- Réponses
Réponses
Carte des moyennes

44

42

40

38

36

34
Fin étape 4 - R ne semble pas avoir varié
32

30

28
- Décalage en moyenne
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

12,0
Carte des étendues
-Il faut recalculer les cartes (on
10,0
choisi les 20 derniers relevés)
8,0

6,0

4,0

2,0

0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

81

5
Poids
Poids crêpes
crêpes –– Re-calcul
Re-calcul des
des cartes
cartes
Carte des moyennes

44

42

40

38

36 Fin étape 4
34

32

30
- R est passé de 5,2 à 5,1 g
28

- Processus stable
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

Carte des étendues

12,0

10,0 - Amélioration du centrage


8,0

6,0

4,0

2,0

0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

82

5
Poids
Poids des
des crêpes
crêpes -- Méthodologie
Méthodologie
CS : Causes spéciales
1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie un Le processus de Les variations du On identifie les On valide qu'il ne reste


problème de contrôle du poids processus sont CS puis on les plus de CS. Il ne reste
poids est fiable connues élimine donc plus QUE des
causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

83

5
Normalité
Normalité

A
A l’issue
l’issue de
de cette
cette section,
section, vous
vous saurez
saurez ::

Expliquer
Expliquer quand
quand un
un test
test de
de normalité
normalité est
est utilisable
utilisable

Interpréter
Interpréter la
la non
non -- normalité
normalité d'un
d'un ensemble
ensemble de
de valeurs
valeurs

Définir
Définir les
les limites
limites naturelles
naturelles d'une
d'une loi
loi normale
normale

Calculer
Calculer les
les PPM
PPM associés
associés àà une
une loi
loi normale
normale et
et un
un intervalle
intervalle de
de tolérance
tolérance

84

5
Qu'est-ce
Qu'est-ce que
que la
la Normalité
Normalité ??

Diamètre
90mm 90mm

80mm 80mm

70mm 70mm

60mm 60mm

50mm 50mm

85

5
Normalité
Normalité –– Que
Que signifie
signifie cette
cette courbe
courbe ??

Moyenne de la grandeur étudiée

Aire totale = 1 !!

Aire sous la
courbe = Aire sous la
Aire sous la courbe Probabilité d'avoir courbe =
= Probabilité d'avoir un diamètre Probabilité d'avoir
un diamètre < 60 compris entre 60 un diamètre > 80
mm et 80 mm mm

60 mm 80 mm
La largeur de la courbe est caractérisée par l'écart type 
86

5
Normalité
Normalité –– A
A retenir
retenir

Un test de normalité est réservé à des données continues

La plupart des données industrielles continues suivent des


lois normales

Dans ce cas, l'absence de normalité signifie qu'il existe


des causes spéciales !!

Autrement dit, la présence de normalité est un gage de


stabilité du processus étudié

87

5

Représentation de la dispersion

68,26%
99,73%
99,994%
95,44%

-4σ -3σ -2σ -1σ +1σ +2σ +3σ +4σ

88

5
Normalité
Normalité –– Limites
Limites naturelles
naturelles

   ( xi  X )²
n 1

Limite naturelle inférieure Limite naturelle supérieure

99,73 % de la population totale : moyenne +/- 3


89

5
Normalité
Normalité –– Calculer
Calculer des
des PPM
PPM

Moyenne  du poids P : 30 g

Probabilité d'avoir un Probabilité d'avoir un


poids < 27 g : poids > 32 g :
Ecart type 2 g
= Proba (P<27)
= Proba(T+<27)
= Proba(2T+30<27)
????
= Proba(T< - 1,5) = Proba(T> 1,0)

= 0,0668 = 0,15866
27 g 32 g
PPM Non conformes = (0,0668+0,15866)*1 000 000
90

= 225 463 PPM
5
Normalité
Normalité –– Comment
Comment savoir
savoir ??

On prélève 50 pièces issues de productions diverses

Tracé de la droite de Henry :


Donne une estimation grossière de la
moyenne et de 

Test logiciel :
(se reporter au formulaire FAU-F-PS3-0304) Donne
une bonne estimation de la moyenne et de 

91

5
Normalité
Normalité –– Que
Que faire
faire s'il
s'il n'y
n'y aa pas
pas normalité
normalité ??

Si la normalité était attendue, on peut conclure qu'on est


en présence de causes spéciales

Il faut alors expliquer les points aberrants (qui sont en


général les valeurs mini et maxi) puis refaire un test de
normalité en éliminant ces valeurs

Si la normalité n'était pas attendue, passer par des tests


pour d'autres distributions ou faire une transformation
mathématique : Hors périmètre
92

5
Normalité
Normalité -- Jeu
Jeu

On suppose que 50 crêpes ont été choisies au hasard sur


deux semaines de production et pesées

Un test indique qu'il y a normalité

Moyenne des valeurs : 31 g

Ecart-type : 2 g

93

5
Normalité
Normalité -- Jeu
Jeu

A vous de jouer !!!


Lors de prélèvements, on pèse deux crêpes dont les poids sont respectivement 27 et 38 g

Le poids de ces crêpes vous paraît-il suspect ?

10 mn 94

5
Normalité
Normalité -- Exemple
Exemple

31 g
31 – 3*2 = 31 + 3*2 =
25 g 37 g

27 g 38 g Présence de
cause spéciale ?

99,73 % de la population totale

95

5
Poids
Poids des
des crêpes
crêpes -- Méthodologie
Méthodologie
CS : Causes spéciales
1 2 3 4 5
Valider Un test de normalité
Valider Eliminer
Définir le Observer la stabilité permet également de
le processus les causes
problème le du vérifier que les données
de contrôle spéciales
processus processus sont stables

On étudie un Le processus de Les variations du On identifie les On valide qu'il ne reste


problème de contrôle du poids processus sont CS puis on les plus de CS. Il ne reste
poids est fiable connues élimine donc plus QUE des
causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

96

5
Capabilités
Capabilités
A
A l’issue
l’issue de
de cette
cette section,
section, vous
vous saurez
saurez ::
Définir
Définirles
lesnotions
notions de
decapabilité
capabilité

Différencier
Différencierdes
descapabilités
capabilitéscourt
courtterme
termeetetlong
longterme
terme

Savoir
Savoirààquelle
quellecondition
conditionon
onpeut
peutcalculer
calculerdes
descapabilités
capabilités

Expliciter
Expliciterl'importance
l'importancede
delalataille
tailled'échantillon
d'échantillon

Calculer
Calculerlalacapabilité
capabilitéd'un
d'unprocédé
procédépar
par22méthodes
méthodes

97

5
Capabilité ?

Capabilité : correspond à un accord entre un client et un


fournisseur.
Elle exprime le rapprochement entre ce que veut le client et
ce que sait faire le fournisseur.

Ce qui m’est demandé


Capabilité = Ce que je peux faire

Plus la valeur de capabilité est élevée, plus la probabilité d’avoir des


pièces mauvaises diminue.
 Objectif : la capabilité la plus haute possible

98

5
Capabilité : par rapport à quoi ?

99

5

Capabilité : par rapport à quoi ?

Ti Ts

100

5
Capabilités
Capabilités –– Conditions
Conditions de
de calcul
calcul

On se place dans le cas d'un processus STABLE

La plupart du temps, cela signifie que la


caractéristique étudiée suit une loi normale

Les caractéristiques qui suivent d'autres lois qu'une


loi normale sortent du cadre de cette formation

101

5
Définition du coefficient de dispersion

PPp, Cp, Pp (*): Coefficient de Dispersion


Rapport entre la tolérance et la dispersion de fabrication

Intervalle de Tolérance
Coeff. de dispersion =
Dispersion de Fabrication

=
IT
6 Dispersion de
fabrication

Intervalle de Tolérance

(*) : selon les normes client 102



5
Coefficient de dispersion

On compare la largeur de l’intervalle de tolérance à la


dispersion des valeurs mesurées :

Dispersion importante :
Faible dispersion :
Coeff de dispersion < 1
Coeff de dispersion > 1

Dispersion > Intervalle de tolérance


Dispersion < Intervalle de tolérance
5 5,25 5,5 5,75 6 6,25 6,5 6,75 7

Ti Nominal Ts
103

5
Définition du coefficient de centrage

PPpk, Cpk, Ppk (*): Coefficient de Centrage.


Relation prenant en compte la dispersion et le
centrage.

Coeff. de centrage =

Dist. [moyenne ; tolérance la plus proche]


=
Demi-dispersion
½ Dispersion
Z2
Min (Z1;Z2) Z1
=
3 Intervalle de Tolérance

(*) : selon les normes client 104



5
Coefficient de centrage

On compare le décentrage du processus a une demi


dispersion
Le centrage est plus
Le centrage n’est pas
satisfaisant* : satisfaisant :
Coeff de centrageCoeff
et de centrage et
de dispersion > 1de dispersion < 1

5 5,25 5,5 5,75 6 6,25 6,5 6,75 7


(*) A dispersion fixée
Ti Nominal Ts
105

5
Trois types de Capabilités

On distingue trois types de capabilités :

Notations conformes à celles du SPC Blue Book, 3ème édition (hors capabilité
machine qui est absente de cette norme) 106

5
Capabilité machine

Capabilité machine

Matière Main d’œuvre Machine

Variation d’un
processus de
fabrication

Milieu Méthode Mesure

107

5
Mode de calcul de la Capabilité machine

La capabilité doit se mesurer :

En incluant uniquement la dispersion de la machine en essayant


de limiter au maximum les influences externes (changement
d’opérateur, changement de lot de matière…),

Avec un minimum de 30 pièces prélevées de façon


consécutives.

108

5
Définition de la Capabilité court terme

Capabilité court terme

Matière Main d’œuvre Machine

Variation d’un
processus de
fabrication

Milieu Méthode Mesure

109

5
Définition de la Capabilité court terme

La capabilité court terme doit se mesurer :

A l'aide de plusieurs prélèvements, chacun étant réalisé sur un laps


de temps assez court,

Lors de la constitution d'un sous groupe, tous les paramètres


doivent être fixés (opérateur, équipe, paramètres machine, lot
matière, etc…)

Au moins 25 sous groupes sont généralement requis

110

5
Définition de la Capabilité long terme

Capabilité long terme

Matière Main d’œuvre Machine

Variation d’un
processus de
fabrication

Milieu Méthode Mesure

111

5
Définition de la Capabilité long terme

Traduit la performance du procédé sur une longue durée. Ces


capabilités sont représentatives de la qualité livrée au client.

La capabilité du processus doit alors se mesurer :


Dans un laps de temps assez long,
Incluant l’ensemble des paramètres du processus (changement
d’opérateurs, de lot de matière…),
En prélevant au moins 50 pièces de façon aléatoire pour que toute
la variabilité du procédé soit exprimée.

112

5
Calcul du coefficient de dispersion

L’indice de capabilité de dispersion se calcule de la façon suivante :


 
Avec : Ti : Tolérance supérieure,
Ts - Ti Ts : Tolérance inférieure,
PPp/Cp/Pp =
6xσ σ : Ecart-type.
Ti Ts

Il reste à savoir estimer  selon le Dispersion de


type de capabilité calculé… fabrication = 6σ

Intervalle de Tolérance
113

5
Calcul du coefficient de centrage

L’indice de capabilité de centrage se calcule de la façon suivante :


X

 Ts - X X - Ti 
PPk/Cpk/Ppk =  mini
; 
 3xσ 3xσ 

Ti Nominal Ts
Avec : Ts : Tolérance supérieure,
Ti : Tolérance inférieure,
X : Moyenne des valeurs observées X,
σ : Écart-type
Il reste à savoir estimer  selon le

type de capabilités calculé… 114
5
Estimation de  avec une carte de contrôle

Type de capabilité calculée


Capabilité court Capabilité long
Capabilité machine
terme terme

Notation  st  lt m

R  ( Xi  X )²
Formule  st = lt = Non applicable
d2 n 1

115

5
Estimation de  sans carte de contrôle

Type de capabilité calculée


Capabilité court Capabilité long
Capabilité machine
terme terme

Notation  st  lt m

Procéder à au moins 25 prélèvements de Prélever au moins 50 pièces de façon


Comment quelques pièces consécutives. Pour aléatoire sur une période suffisamment
Prélever au moins 30 pièces consécutives
en fixant un maximum de paramètres
procéder ? chaque prélèvement, on fixe un maximum
de paramètres
longue pour que toute la variabilité du
procédé se soit exprimée
(opérateur, lot matière,…)

R  ( Xi  X )²  ( Xi  X )²
Formule  st = lt = m =
d2 n 1 n 1

116

5
Exemple de calcul avec carte de contrôle
Soient les valeurs issues d'un processus de production :

L’écart-type du processus peut alors être calculé pour les valeurs


relevées à l’aide d’un tableur et donne le résultat :
σ = 4,0
La moyenne des valeurs relevées est : X = 30,8
Et Ts - Ti = 35-25 = 10
117

5
Exemple de calcul avec carte de contrôle

Comment vérifier que le processus est stable ?


Quel type de capabilités va t-on calculer ?
Calculer les capabilités du processus

118

5
Corrigé de l'exemple avec carte de contrôle

1- Etudier la normalité des données

2- Soit le coefficient de dispersion long terme Pp :

Ts - Ti 10
Pp = = = 0,42
6x 6x4,0

3- Et le coefficient de centrage et de dispersion :

Ts - X 35 - 30,8
Ppks = = 3x4,0 = 0,35
3x Ppk = min (Ppks;Ppki)
X - Ti 30,8 - 25 = 0,35
Ppki = = 3x4,0 = 0,48
3x
119

5
Exemple de calcul sans carte de contrôle :

Les relevés d’une caractéristique mesurée sur 32 pièces


fabriquées consécutivement donnent les résultats suivant :

Cette caractéristique est définie comme suit :

X = 31
Normalité du σ=2
groupe de valeurs

Ti = 25 Nominale Ts = 35 120

5
Exemple de calcul sans carte de contrôle :

Quel type de capabilité calcule t-on ?


Calculer les capabilités du processus à produire cette
caractéristique

121

5
Corrigé
Corrigé de
de l'exemple
l'exemple sans
sans carte
carte de
de contrôle
contrôle

Il semble que l'on calcule une capabilité machine

X = 31 et m = 2,0

- Cm = IT /6m = (35-25)/(6*2) = 0,83


- Cmk = (TS-X)/3m = (35-31)/ (3*2) = 0,66

122

5
Capabilités
Capabilités -- Taille
Taille d'échantillon
d'échantillon

Plus la taille de l'échantillon est grande, meilleure est


l'estimation de l'écart type

Meilleure est l'estimation de l'écart type, plus les


capabilités calculées sont proches des capabilités
REELLES

Pp / Ppk à calculer pour obtenir un Pp / Ppk réel mini (95% confiance) : Ou Cm / Cmk

123

5
Standard
Standard Faurecia
Faurecia
Quand il n'y a pas de demande client

Voir
Voir Guide
Guide de
de calcul
calcul des
des capabilités
capabilités FAU-S-PSG-0221
FAU-S-PSG-0221
Périmètre:
Périmètre: Programme,
Programme, Production
Production et et achat
achat
Règle
Règle pour
pour les
les processus
processus instables
instables ::

 Contrôle
Contrôle 100%
100% obligatoire
obligatoire

Règle
Règle pour
pour les
les processus
processus stables
stables ::

 Calculer
Calculer la
la capabilité
capabilité (Cmk,
(Cmk, Cpk
Cpk ou
ou Ppk)
Ppk)

 Caractéristisques
Caractéristisques spéciales
spéciales non-S/R
non-S/R :: Cpk*
Cpk* >> 1,33
1,33

 Caractéristisques
Caractéristisques spéciales
spéciales S/R
S/R :: Cpk*
Cpk* >> 1,67
1,67 ++ suivi
suivi SPC
SPC


 Mode
Mode dégradé
dégradé :: contrôle
contrôle 100%
100% obligatoire
obligatoire

Capabilités
Capabilités àà calculer
calculer au
au long
long d'un
d'un programme:
programme:

Les
Les objectifs
objectifs ne
ne s'appliquent
s'appliquent pas
pas àà la
la capabilité
capabilité calculée
calculée mais
mais àà la
la
vraie capabilité mini (niveau de confiance
vraie capabilité mini (niveau de confiance 95%)95%)

Bien
Bien que
que les
les objectifs
objectifs soient
soient les
les mêmes
mêmes quel
quel que
que soit
soit le
le type
type de
de
capabilité,
capabilité, l'objectif
l'objectif est
est de
de plus
plus en
en plus
plus sévère
sévère (car
(car Cmk
Cmk >> Cpk
Cpk etet Cpk
Cpk >>
Ppk)
Ppk)
124

5
Questions subsidiaires

1. Peut-on avoir un Cpk négatif ?

 Ts - X X - Ti 
Cpk = min.  ; 
 3xσ 3xσ 

Ti Nominal Ts

Un Cpk négatif est donc parfaitement possible. Il traduit un


décalage important du processus dans la mesure où la moyenne
est hors tolérance
125

5
Questions subsidiaires

2. On a souvent Ti < X < Ts (c'est à dire Cpk positif).


Dans ce cas, peut-on avoir Cp < Cpk ?

 Ts - X X - Ti 
Cpk = min.  ;  =
 3xσ 3xσ  Z
3

Ts-Ti Z Ts-Ti
Cp < Cpk  < Càd Z >
6 3 2

Impossible si Ti < X < Ts !!! Z


126
Ti Nominal Ts

5
Questions subsidiaires

3. Lorsque Cp=Cpk, que peut-on dire de notre processus ?

Ts - Ti Ts - X
Cp=Cpk signifie : =
6xσ 3x

Soit : Ts-Ti = 2(Ts-X)


Ts  Ti
Soit : X =
2

Lorsque Cp=Cpk, on peut alors conclure que notre


processus est parfaitement centré.
127

5
Poids
Poids des
des crêpes
crêpes –– Capabilités
Capabilités court
court terme
terme

A vous de jouer !!!

- Sachant qu'une crêpe doit peser 30 +/-


5 g, Calculez Cp et Cpk

5 mn 128

5
Capabilités
Capabilités court
court terme
terme -- Réponses
Réponses

On suppose que les valeurs individuelles sont distribuées selon


une loi normale

- R = 5,1 et X = 31
-  court terme = R/ d2
= 5,1 / 2,534
Conclusion : Capabilité court
terme insuffisante par rapport aux
= 2,0
demandes client.
- Cp = IT /6 = (35-25)/(6*2) = 0,83
- Cpk = (TS-X)/3 = (35-31)/ (3*2)
= 0,66

129

5
Poids
Poids des
des crêpes
crêpes -- Capabilités
Capabilités long
long terme
terme

A vous de jouer !!!


- Comment calculeriez vous ltlt ?
- On suppose ltlt = 2,5

- Calculez Pp et Ppk
- Représentez graphiquement les informations dont vous disposez (aidez vous d'une courbe de Gauss)

10 mn 130

5
Capabilités
Capabilités long
long terme
terme -- Réponses
Réponses

- X = 31
- lt =2,5
- Pp = IT /6lt = (35-25)/(6*2,5) = 0,67
- Ppk = (TS-X)/3lt = (35-31)/ (3*2.5) = 0,53

Conclusion : Mauvaise capabilité long terme!!

131

5
Capabilités
Capabilités long
long terme
terme -- Réponses
Réponses
Tolérances de fabrication
TI : 25 g TS : 35 g
Probabilité de défaut long terme :

Court terme = Proba(P< 25) + Proba(P >35)


= Proba(T < -2,40) + Proba(T >1,60)
25 37 = 0,00820 + 0,05480
Z2 = 0,062997

Moyenne : 31 g C'est à dire 62 997 PPM

Long terme Limites naturelles

= Moyenne +/- 3

23,5 38,5

Utiliser FAU-F-PS3-0292 132



6
Poids
Poids des
des crêpes
crêpes -- Méthodologie
Méthodologie
CS : Causes spéciales
1 2 3 4 5
Valider Un test de normalité
Valider Eliminer
Définir le Observer la stabilité permet également de
le processus les causes
problème le du vérifier que les données
de contrôle spéciales
processus processus sont stables
On peut donc calculer la
capabilité du processus :
On étudie un Le processus de Les variations du On identifie les On valide qu'il ne reste résultats insatisfaisants
problème de contrôle du poids processus sont CS puis on les plus de CS. Il ne reste pour le client
poids est fiable connues élimine donc plus QUE des
causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

133

6
Rappel
Rappel –– Causes
Causes communes
communes

En fin d'étape 5, on a un processus stable

Cela signifie que les causes spéciales ont été éliminées

Autrement dit, les améliorations à venir ne peuvent plus


porter que sur des causes communes (paramètres
inhérents au processus)

134

6
Identifier
Identifier les
les causes
causes probables
probables –– Trois
Trois outils
outils

Diagramme d'Ishikawa

5 Pourquoi 5P

Tracés en boîtes

135

6
Poids
Poids des
des crêpes
crêpes –– Proposition
Proposition d'Ishikawa
d'Ishikawa

136

6
Tracés
Tracés en
en boîtes
boîtes

A l’issue de cette section, vous saurez :

Expliquer à quoi correspond un tracé en boîtes

Reconnaître les cas où un tracé en boîtes est réalisable

Tracer la boîte correspondant à un ensemble de valeurs

137

6
Tracés
Tracés en
en boîtes
boîtes -- Principe
Principe
Expliquer la variation TOTALE d'un processus en
fonction de la variation de sous-groupes du
processus
LoucheA Comparer les positions médianes de
chaque sous groupe

LoucheC
LoucheB

Conclusion intuitive :
La louche A a une
médiane différente des
autres. En revanche, les
3 louches semblent
avoir des variations
identiques
138

6
Tracés
Tracés en
en boîtes
boîtes –– Calcul
Calcul d'une
d'une médiane
médiane

Nombre impair de
données :
Q2

Nombre pair de
données :


Moyenne = Q2 139
6
Tracés
Tracés en
en boîtes
boîtes –– Conditions
Conditions d'application
d'application

Disposer de données qui peuvent être triées par sous-


groupes

On trace une boîte par sous-groupe

Le tracé en boîte est un outil visuel qui n'a pas de


validité statistique

140

6
Tracés
Tracés en
en boîtes
boîtes

Valeurs étudiées
A = Q3 + 1,5*(Q3-Q1)

"75%" des données


3ème Quartile Q3 sont en dessous

"50%" des données


Médiane Q2 sont en dessous

1er Quartile Q1 "25%" des données


sont en dessous

B = Q1 - 1,5*(Q3-Q1) 141

6
Tracés
Tracés en
en boîtes
boîtes –– Jeu
Jeu

L'Ishikawa indique en méthode : "Plusieurs modèles de


louches utilisées"

Visuellement, les 3 louches semblent identiques. Le


propriétaire du stand décide donc de faire un tracé en
boîte afin de comparer les poids des crêpes issues de ces
3 louches

Il exploite les informations contenues dans le journal de


bord

142

6
Tracés
Tracés en
en boîtes
boîtes –– Jeu
Jeu

A vous de jouer !!!

-3 équipes de stagiaires
-Calculez Q1, Q2, Q3, A et B
-Réaliser les tracés en boîtes


15 mn 143
6
Tracés
Tracés en
en boîtes
boîtes –– Réponses
Réponses

Louche C
Poids en g Louche B

36

Conclusion : 34
La louche A semble Louche A
plus performante que 32
les autres en terme de
moyenne et de variation 30

28
144

26
6
Tracés
Tracés en
en boîtes
boîtes –– Conclusions
Conclusions

Le tracé en boîtes n'est pas un outil statistique mais il


permet d'avoir une vue rapide des paramètres dont l'étude
devrait être approfondie

Nous verrons lors de l'étape 7 comment obtenir des


conclusions basées sur des tests statistiques

Utiliser le formulaire FAU-F-PS3-0300 pour réaliser des


tracés en boîtes

145

6
Autre
Autre option
option similaire
similaire :: main
main effects
effects plot
plot

Données Equipe Machine Fournisseur …


11,2 A M1 F1
14,7 B M2 F2
Le paramètre machine devrait être

… 19,8 C M1 F3 étudié en priorité car son impact sur la


variation du processus semble le plus
important
Moyenne par
catégorie
Moyenne
de toutes
11,425 les
données

146

A B C M1 M2 F1 F2 F3
7
Poids
Poids des
des crêpes
crêpes -- Méthodologie
Méthodologie
CS : Causes spéciales
1 2 3 4 5
Valider Un test de normalité
Valider Eliminer
Définir le Observer la stabilité permet également de
le processus les causes
problème le du vérifier que les données
de contrôle spéciales
processus processus sont stables
On peut donc calculer la
capabilité du processus :
On étudie un Le processus de Les variations du On identifie les On valide qu'il ne reste résultats insatisfaisants
problème de contrôle du poids processus sont CS puis on les plus de CS. Il ne reste pour le client
poids est fiable connues élimine donc plus QUE des
causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

Réalisation d'un
Ishikawa + tracés en 147

boîtes par louche
7
Outils
Outils pour
pour valider
valider l'influence
l'influence de
de paramètres
paramètres

Test de Plans
Tests t et F
Khi² d'expériences

148

7
Tests
Tests tt et
et FF
A
A l’issue
l’issue de
de cette
cette section,
section, vous
vous saurez
saurez ::
Définir
Définir un
un test
test d'hypothèse
d'hypothèse
Expliquer
Expliquer l'objectif
l'objectif de
de chacun
chacun des
des tests
tests tt et
et FF

Enoncer
Enoncer les
les hypothèses
hypothèses àà vérifier
vérifier avant
avant de
de réaliser
réaliser un
un de
de ces
ces tests
tests

Réaliser
Réaliser des
des tests
tests tt et
et FF (FAU-F-PS3-0305)
(FAU-F-PS3-0305)

149

7
Préambule
Préambule –– Population
Population et
et échantillon
échantillon
Population : ensemble regroupant la TOTALITE des éléments possédant une ou plusieurs caractéristiques
communes

Echantillon : SOUS ENSEMBLE d'éléments possédant les mêmes caractéristiques que celles de la population

Un test d'hypothèse est un test statistique qui permet d'obtenir des informations sur la population à partir
d'informations sur un échantillon

150

7
Préambule
Préambule –– Test
Test d'hypothèse
d'hypothèse

Un test d'hypothèse est la formulation statistique d'une question PRATIQUE du type "Y a t-il une
réelle différence entre A et B ?

Un test d'hypothèse se base sur des échantillons et donne une conclusion sur la population

Un test d'hypothèse permet de contrôler la probabilité d'obtenir une conclusion incorrecte

151

7
Préambule
Préambule –– Principe
Principe du
du test
test d'hypothèse
d'hypothèse

Formuler une question pratique :


Y a t-il une réelle différence entre A et B ?

Formuler l'hypothèse nulle H0 : Formuler l'hypothèse alternative Ha :


B
Pas de différence entre A et B est différent de A
Choisir un risque d'erreur est un standard
industrieProbabilité de conclure
à tort qu'il y a différence )
Réunir des preuves : former deux échantillons

DECIDER :
Que suggèrent les preuves ?
Rejeter H0 ou ne pas rejeter H0 ? 152

7
Présentation
Présentation des
des tests
tests tt et
et FF

Test t : Test F :
Pour comparer 2 moyennes Pour comparer 2 variances

H0 : a = b H0 : ²a = ²b
Ha : a  Ha : ²a  ²b
b
Le poids moyen des La variation de poids des
crêpes cuisinées avec la crêpes cuisinées avec la
louche A est il différent louche A est elle différente
de celui des crêpes de celle des crêpes cuisinées
cuisinées avec la avec la loucheB ?
loucheB ?

153

7
Test
Test FF
Permet de conclure sur l'égalité des variances de deux populations

Nécessité que les données de chacun des deux échantillons suivent une loi normale

Nécessité que les prélèvements aient été fait au hasard

Le test fait intervenir la loi de Fisher-Snédécor dont les valeurs dépendent de n1, n2 et du risque 

154

7
Test
Test FF –– mode
mode opératoire
opératoire
Calcul des variances s²ii de chacun des échantillons

Calcul de Fréel réel  1)


réel : quotient de la plus grande des deux variances sur la plus petite (F réel

Calcul de la valeur Flimite


limite = F(1-;n1-1;n2-1) avec n1 taille de l'échantillon de plus grande variance

Conclusion : si Fréel limite , on rejette H0 : les variances sont statistiquement différentes l'une de l'autre (avec un risque )
réel > Flimite

155

7
Poids
Poids des
des crêpes
crêpes –– Hypothèses
Hypothèses test
test FF

A vous de jouer !!!


On souhaite valider statistiquement ce que les tracés en boîte semblent indiquer : la
louche A est meilleure en variation que la louche B

Formuler H0 et Ha. Choisir un risque 

Quelles hypothèses doit on vérifier avant de pratiquer le test F ?


5 mn 156
7
Poids
Poids des
des crêpes
crêpes –– Réponses
Réponses hypothèses
hypothèses test
test FF

H0 : ²louche A = ²louche B Ha : ²louche A  ²louche B

Standard industrie : 

Les prélèvements pour chacun des échantillons ont été réalisés au hasard ET Normalité pour
chacun des échantillons

157

7
Poids
Poids des
des crêpes
crêpes –– test
test FF

A vous de jouer !!!


On suppose que les deux échantillons ont bien été réalisés au hasard

On peut vérifier que les deux échantillons suivent bien une loi normale

Réaliser le test F


10 mn 158
7
Poids
Poids des
des crêpes
crêpes –– Réponses
Réponses test
test FF

Variance louche A = (slouche A )² = 1,111


louche A Variance louche B = (slouche B )² = 3,103
louche B

Fréel
réel = V louche B / V louche
louche B A = 2,791  1
louche A

Flimite
limite = F(1-;nB
B-1;nA
A-1) = F(0,95;19;19) = 2,168

Conclusion : Fréel
réel > Flimite
limite , on rejette H0 : les variances sont statistiquement différentes l'une de l'autre (avec un
risque = 0,05)

159

7
Test
Test tt
Permet de conclure sur l'égalité des moyennes de deux populations

Nécessité que les prélèvements aient été fait au hasard

L'hypothèse de normalité de chaque échantillon n'est pas obligatoire.

Le test fait intervenir la loi de Student dont les valeurs dépendent du degré de liberté  et du risque 

160

7
Test
Test tt –– Principe
Principe
Le test t étudie la différence des moyennes des échantillons et cherche à savoir si cette différence peut être nulle (avec un risque )

Si cette différence peut être nulle, on acceptera H0 en concluant à l'égalité des deux moyennes

Selon que les variances des 2 populations sont égales ou non, les formules utilisées changent

Un pré requis du test t est donc un test F

161

7
Test
Test tt –– mode
mode opératoire
opératoire

Variances statistiquement  Variances statistiquement =

Avec : Vi = si² / ni

 = Partie entière (n) (2,91  2)  = n1 + n2 - 2

Calculer X1 – X2 – t /2;  . s ET X1 – X2 + t /2;  . s


Conclure : Si ces deux valeurs sont de signes opposés, on accepte H0 Les
deux populations ont des moyennes égales (risque )
162

7
Poids
Poids des
des crêpes
crêpes –– Hypothèses
Hypothèses test
test tt

A vous de jouer !!!


On souhaite valider statistiquement ce que les tracés en boîte semblent indiquer : les crêpes réalisées
avec la louche A ont un poids moyen statistiquement différent de celles réalisées avec la louche B

Formuler H0 et Ha. Choisir un risque 

Quelles hypothèses doit on vérifier avant de pratiquer le test t ?


5 mn 163
7
Poids
Poids des
des crêpes
crêpes –– Réponses
Réponses hypothèses
hypothèses test
test tt

H0 : Xlouche A = Xlouche B Ha : Xlouche A  Xlouche B

Standard industrie : = 0,05

Les prélèvements pour chacun des échantillons ont été réalisés au hasard

164

7
Poids
Poids des
des crêpes
crêpes –– test
test tt

A vous de jouer !!!


On suppose que les deux échantillons ont bien été
réalisés au hasard

Réaliser le test t en utilisant le formulaire FAU-F-


PS3-0305


15 mn 165
7
Test
Test tt et
et FF -- Conclusion
Conclusion
Conclusion : On rejette H0. Les louches A et B ont des moyennes statistiquement différentes
Le propriétaire du stand compare de la même façon les louches A et C ainsi que les louches B et C à l'aide
du formulaire FAU-F-PS3-0305
Ses conclusions sont que les louches B et C sont équivalentes, et que la louche A est statistiquement
meilleure, aussi bien en variation qu'en moyenne
Il décide aussitôt de standardiser l'utilisation de la louche A dans ses stands

166

7
Comparer
Comparer plus
plus de
de 22 sous
sous groupes
groupes

Pour comparer SIMULTANEMENT les variances des 3 louches ou plus, il faudrait passer par un test dit de
l'homogénéité de la variance

Pour comparer SIMULTANEMENT les moyennes des 3 louches ou plus, il faudrait passer par un test ANOVA one-
way

Ces deux tests sont hors scope

167

7
Risques,
Risques, puissance
puissance et
et taille
taille d'échantillon
d'échantillon

Définir les risques , et la puissance d'un test

Calculer les tailles d'échantillon associées à un test t

168

Risques  et
et 
7
Risques

 est le risque de trouver une différence quand il n'en existe pas en


réalité (accepter Ha lorsque H0 est vrai)
 est le risque de ne pas détecter de différence quand il en existe
une en réalité (accepter H0 lorsque Ha est vrai)
Accepter
Accepter Risk  dit erreur de type I error :
risque fournisseur
HH00 HHa
a

Erreur
Decision
HH00 Type I
Correcte 
Vérité
Vérité Erreur
Risque  dit erreur de Type II Decision
type II : risque client HHa  Correcte
a
169

Puissance
Puissance du
du test statistique :: 11 -- 
test statistique

Proba d'accepter H0 quand


??????
Ha est vraie

 1-
- est la probabilité d'accepter Ha lorsque Ha est vrai
La puissance du test peut être interprétée comme l'aptitude à détecter une
différence quand il y en a vraiment une
Puissance acceptable : à partir de 0,8

Puissance = f (, , n, )  

170

7
Test
Test d'hypothèse,
d'hypothèse, risque
risque et
et taille
taille d'échantillon
d'échantillon

Avant de réaliser un test d'hypothèse, on spécifie l'importance du risque et la sensibilité du test (la
différence minimale que l'on veut pouvoir détecter)

Lorsque ces informations sont connues, on peut déterminer une taille idéale d'échantillon

Cette taille idéale est à mettre ensuite en balance avec des notions de coûts et de ressources

171

7
Test
Test tt :: Calcul
Calcul de
de la
la taille
taille des
des échantillons
échantillons

On fixe le risque  et la puissance 1-du test


On fixe l'écart minimum  que l'on veut pouvoir détecter
On estime l'écart type  du processus étudié

 2
n  2 ( Z / 2  Z  ) 2
2 Taille par configuration testée

 : Sensibilité du test
Z : N(0;1) 
Z /2

P ( Z > Z  / 2 ) = / 2
172
/ 2

7
Tables
Tables pour
pour le
le calcul
calcul de
de la
la taille
taille des
des échantillons
échantillons

20% 20% 20% 20% 10% 10% 10% 10% 5% 5% 5% 5% 1% 1% 1% 1% 


 20% 10% 5% 1% 20% 10% 5% 1% 20% 10% 5% 1% 20% 10% 5% 1% 
0.1 902 1314 1713 2603 1237 1713 2164 3154 1570 2101 2599 3674 2336 2976 3563 4806
0.2 225 328 428 651 309 428 541 789 392 525 650 919 584 744 891 1202
0.3 100 146 190 289 137 190 240 350 174 233 289 408 260 331 396 534
0.4 56 82 107 163 77 107 135 197 98 131 162 230 146 186 223 300
0.5 36 53 69 104 49 69 87 126 63 84 104 147 93 119 143 192
0.6 25 36 48 72 34 48 60 88 44 58 72 102 65 83 99 134
0.7 18 27 35 53 25 35 44 64 32 43 53 75 48 61 73 98
0.8 14 21 27 41 19 27 34 49 25 33 41 57 36 46 56 75
0.9 11 16 21 32 15 21 27 39 19 26 32 45 29 37 44 59
1.0
1.1
9
7
13
11
17
14
26
22
12
10
17
14
22
18
32
26
16
13
21
17
26
21
37
30
23
19
30
25
36
29
48
40 n
1.2 6 9 12 18 9 12 15 22 11 15 18 26 16 21 25 33
1.3 5 8 10 15 7 10 13 19 9 12 15 22 14 18 21 28
1.4 5 7 9 13 6 9 11 16 8 11 13 19 12 15 18 25
1.5 4 6 8 12 5 8 10 14 7 9 12 16 10 13 16 21
1.6 4 5 7 10 5 7 8 12 6 8 10 14 9 12 14 19
1.7 3 5 6 9 4 6 7 11 5 7 9 13 8 10 12 17
1.8 3 4 5 8 4 5 7 10 5 6 8 11 7 9 11 15
1.9 2 4 5 7 3 5 6 9 4 6 7 10 6 8 10 13
2.0 2 3 4 7 3 4 5 8 4 5 6 9 6 7 9 12

173

7
Tables
Tables pour
pour le
le calcul
calcul de
de la
la taille
taille des
des échantillons
échantillons

20% 20% 20% 20% 10% 10% 10% 10% 5% 5% 5% 5% 1% 1% 1% 1% 


 20% 10% 5% 1% 20% 10% 5% 1% 20% 10% 5% 1% 20% 10% 5% 1% 
2.1 2 3 4 6 3 4 5 7 4 5 6 8 5 7 8 11
2.2 2 3 4 5 3 4 4 7 3 4 5 8 5 6 7 10
2.3 2 2 3 5 2 3 4 6 3 4 5 7 4 6 7 9
2.4 2 2 3 5 2 3 4 5 3 4 5 6 4 5 6 8
2.5 1 2 3 4 2 3 3 5 3 3 4 6 4 5 6 8
2.6 1 2 3 4 2 3 3 5 2 3 4 5 3 4 5 7
2.7 1 2 2 4 2 2 3 4 2 3 4 5 3 4 5 7
2.8 1 2 2 3 2 2 3 4 2 3 3 5 3 4 5 6
2.9 1 2 2 3 1 2 3 4 2 2 3 4 3 4 4 6
3.0 1 1 2 3 1 2 2 4 2 2 3 4 3 3 4 5
3.1 1 1 2 3 1 2 2 3 2 2 3 4 2 3 4 5
3.2 1 1 2 3 1 2 2 3 2 2 3 4 2 3 3 5
3.3 1 1 2 2 1 2 2 3 1 2 2 3 2 3 3 4
3.4 1 1 1 2 1 1 2 3 1 2 2 3 2 3 3 4
3.5 1 1 1 2 1 1 2 3 1 2 2 3 2 2 3 4
3.6 1 1 1 2 1 1 2 2 1 2 2 3 2 2 3 4
3.7 1 1 1 2 1 1 2 2 1 2 2 3 2 2 3 4
3.8 1 1 1 2 1 1 1 2 1 1 2 3 2 2 2 3
3.9 1 1 1 2 1 1 1 2 1 1 2 2 2 2 2 3

174

7
Poids
Poids des
des crêpes
crêpes –– taille
taille d'échantillon
d'échantillon pour
pour test
test tt

A vous de jouer !!!


On cherche à savoir si la taille d'échantillon qui avait été retenue pour comparer les
moyennes des louches A et B (20 crêpes pour chaque type de louche) permettait une
puissance d'au moins 0,8

Depuis la fin de l'étape 6 (stabilité du processus), = 2,3. Par ailleurs, on cherche à


détecter un écart minimum de 2 g (voir les moyennes par louche)

175

7
Poids
Poids des
des crêpes
crêpes –– taille
taille d'échantillon
d'échantillon pour
pour test
test tt

A vous de jouer !!!


 = 0,05 : calculer la taille d'échantillon pour chaque louche selon que
l'on souhaite une puissance de 0,8 ; 0,9 ou 0,95

Conclusions ?


10 mn 176
7
Taille
Taille d'échantillon
d'échantillon pour
pour test
test tt -- Réponses
Réponses
 = 2,3 et  == 2 donc
donc /
/ ## 0,87
0,87

Puissance = 0,8 donc  = 0,2. Avec  == 0,05,


0,05, on
on obtient
obtient :: n = 21

Puissance = 0,9 donc  = 0,1. Avec  == 0,05,


0,05, on
on obtient
obtient :: n = 28

Puissance = 0,95 donc  = 0,05. Avec 


 = 0,05, on obtient : n = 34

Le choix n == 20
20 crêpes
crêpes est
est judicieux
judicieux pour
pour 1- = 0,8

177

7
Transition
Transition

Il nous faut étudier l'influence de TOUTES les causes


probables

Comment allons-nous procéder ?

Utilisation de l'outil matrice causes effets…

178

7
Matrice causes effets

A quoi sert-elle ?
Hiérarchiser les causes probables de l'Ishikawa en fonction de
leur importance supposée par le groupe.

Quelle est la méthode ?


Coter en équipe l'importance de l'effet de chaque cause
probable sur le problème étudié.

179

7
Exemple : Matrice causes effets

180

7
Exemple : Matrice causes effets

1. Lister les
attentes
client

181

7
Exemple : Matrice causes effets

2. Les classer en fonction de


leur importance pour le client

182

7
Exemple : Matrice causes effets

3. Lister les
causes
probables

Cette étape
utilise les
causes
probables du
process
mapping et du
diagramme
d'Ishikawa
183

7
Exemple : Matrice causes effets

Nous sommes désormais prêts à corréler les attentes clients


avec les données d’entrées de notre processus.
Pour éviter les cotations difficiles, un barème clair doit être
défini. Par exemple :
 0 : Pas d'effet,
 1 : Effet faible,
 3 : Effet modéré,
 9 : Effet fort et direct,
184

7
Exemple : Matrice causes effets

4. Corréler les causes probables et les attentes client

Il s’agit d’une
évaluation subjective
de la façon dont les
données d’entrées
influent sur le
processus.

La matrice représente
ce que le groupe
connaît actuellement
du processus

185

7
Exemple : Matrice causes effets

5. Multiplier
et classer

186

7
Exemple : Matrice causes effets

Les causes
probables
peuvent être
alors
hiérarchisées.

187

7
Hiérarchiser
Hiérarchiser les
les causes
causes probables
probables –– C&E
C&E Matrix
Matrix

188

7
Identification
Identification des
des paramètres
paramètres influents
influents

189

7
Plan
Plan d'actions
d'actions associé
associé

190

7
Poids
Poids des
des crêpes
crêpes –– Carte
Carte de
de contrôle
contrôle

A vous de jouer !!!


Placez les points suivants sur vos cartes de contrôle.
Conclusions ?

Merci de conserver vos


cartes après le jeu


15 mn 191
7
Poids
Poids des
des crêpes
crêpes –– Réponses
Réponses
Carte des moyennes

34,0 - Carte des moyennes : 20 points


consécutifs d'un même côté de la
33,0

32,0 Fin étape 5


31,0 moyenne
30,0

29,0 - Carte des étendues : 2 groupes


28,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 de plus de 8 points consécutifs
Carte des étendues
d'un même côté de la moyenne
12,0

10,0

8,0 Fin étape 5


- Conclusion : il faut recalculer
6,0 les cartes (avec les 20 derniers
4,0

2,0
points)
0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

192

7
Poids
Poids des
des crêpes
crêpes –– Réponses
Réponses
Carte des moyennes

34,0

33,0

32,0
- R = 4 et X = 29,5
31,0

30,0 - Processus stable


29,0

- Amélioration du centrage
28,0

27,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

Carte des étendues

12,0

10,0

8,0

6,0

4,0

2,0

0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

193

7
Poids
Poids des
des crêpes
crêpes –– Réponses
Réponses

A vous de jouer !!!


Calculer Cp et Cpk à l'aide des cartes de contrôle
Conclusions ?


5 mn 194
7
Poids
Poids des
des crêpes
crêpes –– Réponses
Réponses

- R = 4.0 and X = 29.5


-  court terme = R/ d2
= 4 / 2.534
= 1.6
- Cp = IT /6 = (35-25)/(6*1.6) = 1.04
- Cpk = (X - IT)/3 = (29.5 - 25)/ (3*1.6)
= 0.94

Conclusion : On a amélioré la capabilité court terme


195

8
Poids
Poids des
des crêpes
crêpes -- Méthodologie
Méthodologie
CS : Causes spéciales
1 2 3 4 5
Valider Un test de normalité
Valider Eliminer
Définir le Observer la stabilité permet également de
le processus les causes
problème le du vérifier que les données
de contrôle spéciales
processus processus sont stables
On peut donc calculer la
capabilité du processus :
On étudie un Le processus de Les variations du On identifie les On valide qu'il ne reste résultats insatisfaisants
problème de contrôle du poids processus sont CS puis on les plus de CS. Il ne reste pour le client
poids est fiable connues élimine donc plus QUE des
causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

Réalisation d'un Identification des


Ishikawa + tracés en paramètres influents 196

boîtes par louche par tests t et F
8
Carte
Carte de
de contrôle
contrôle produit
produit et
et processus
processus

Carte contrôle Carte contrôle


PRODUIT PROCESSUS

Caractéristique Caractéristique
Qu'étudie t-on ?
produit processus

Etape 4 : Eliminer les 8 : maîtrise des


méthodologique causes spéciales paramètres influents

Tout en continuant à observer le processus et la caractéristique


produit Y, l'objectif de l'étape 8 est de contrôler les paramètres
influents X

En effet, on sait que l'on a une relation du type :


Y = F(X) 197
8
Cartes
Cartes de
de contrôle
contrôle

A vous de jouer !!!

Questionnaire

20 mn 198

8
Cartes
Cartes de
de contrôle
contrôle

A vous de jouer !!!


Réponse en groupe au questionnaire

20 mn 199

8
Poids
Poids des
des crêpes
crêpes –– Suivi
Suivi du
du temps
temps de
de cuisson
cuisson

A vous de jouer !!!


Le temps de cuisson des crêpes est un paramètre influent.
Le propriétaire du stand décide donc de mettre en place une
carte de contrôle sur ce paramètre (les autres paramètres
influents sont désormais fixés)

Au regard des cartes, quels sont vos commentaires ?


15 mn 200
8
Suivi
Suivi du
du temps
temps de
de cuisson
cuisson -- Réponses
Réponses
Temps de cuisson : Carte des moyennes

65

60
- Des causes spéciales sur la carte des
55 moyennes mais…
50

45
- On ne sait pas à priori quels temps
40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
de cuisson sont acceptables !!
Temps de cuisson : Carte des étendues

30,0
- Il faut donc faire un lien entre le
25,0 temps de cuisson et le poids des
20,0

15,0
crêpes, afin de déterminer une
10,0 tolérance sur le temps de cuisson
5,0

0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

201

8
Corrélation
Corrélation -- Régression
Régression
A
A l’issue
l’issue de
de cette
cette section,
section, vous
vous saurez
saurez ::
Définir
Définir la
la notion
notion de
de corrélation
corrélation
Interpréter
Interpréter une
une valeur
valeur du
du coefficient
coefficient de
de corrélation
corrélation RR

Faire
Faire la
la différence
différence entre
entre la
la corrélation
corrélation et
et une
une relation
relation de
de cause
cause àà effet
effet

Réaliser
Réaliser une
une régression
régression linéaire
linéaire

Calculer
Calculer une
une tolérance
tolérance sur
sur une
une variable
variable d'entrée
d'entrée X
X connaissant
connaissant la
la tolérance
tolérance sur
sur Y
Y

202

8
Corrélation
Corrélation

La Corrélation est la mesure de la force de l'association


entre 2 variables continues

La corrélation mesure le degré de linéarité entre 2


variables continues supposées complètement
indépendantes l'une de l'autre.

Le coefficient de corrélation, R, est toujours compris


entre -1 et +1. Covariance

n
(x i x) (yi  y)
)( ) =
n

(
1
Rxy 
1
n -1
xi  x
x
yi  y
y
Rx 
y
n -1 
i=1
 x y 203
i=1

8
Corrélation
Corrélation positive
positive et
et négative
négative

Valeurs de R : -1 à 1
 1 = parfaite corrélation "positive"
 0 = pas de corrélation
 -1 = parfaite corrélation "négative"

Corrélation positive : R > 0 Corrélation négative : R < 0

45 0
40 0 5 10 15 20
35 -5
30
-10
25
20 -15
15
10 -20
5
0 -25
0 5 10 15 20 -30

La corrélation est d'autant plus forte que R est


proche de 1 en valeur absolue 204

8
Quelles
Quelles valeurs
valeurs de
de |R|
|R| sont
sont satisfaisantes
satisfaisantes ??
Sample Size d.f. Significance Level
n n-2 0.05 0.025 0.01 0.005
3 1 0.9877 0.9969 0.9995 0.9999

Il existe une table permettant 4


5
6
2
3
4
0.9000
0.8054
0.7293
0.9500
0.8783
0.8114
0.9800
0.9343
0.8822
0.9900
0.9587
0.9172

de savoir, pour une taille 7


8
9
5
6
7
0.6694
0.6215
0.5822
0.7545
0.7067
0.6664
0.8329
0.7887
0.7498
0.8745
0.8343
0.7977

d'échantillon donnée, la valeur 10


11
12
8
9
10
0.5494
0.5214
0.4973
0.6319
0.6021
0.5760
0.7155
0.6851
0.6581
0.7646
0.7348
0.7079

minimale de |R| à avoir pour


13 11 0.4762 0.5529 0.6339 0.6835
14 12 0.4575 0.5324 0.6120 0.6614
15 13 0.4409 0.5140 0.5923 0.6411
16 14 0.4259 0.4973 0.5742 0.6226

conclure que la corrélation est 17


18
19
15
16
17
0.4124
0.4000
0.3887
0.4821
0.4683
0.4555
0.5577
0.5425
0.5285
0.6055
0.5897
0.5751

statistiquement significative 20
21
22
18
19
20
0.3783
0.3687
0.3598
0.4438
0.4329
0.4227
0.5155
0.5034
0.4921
0.5614
0.5487
0.5368

(pour un risque  donné) 27


32
37
25
30
35
0.3233
0.2960
0.2746
0.3809
0.3494
0.3246
0.4451
0.4093
0.3810
0.4869
0.4487
0.4182
42 40 0.2573 0.3044 0.3578 0.3932
47 45 0.2429 0.2876 0.3384 0.3721
52 50 0.2306 0.2732 0.3218 0.3542
62 60 0.2108 0.2500 0.2948 0.3248
72 70 0.1954 0.2319 0.2737 0.3017
82 80 0.1829 0.2172 0.2565 0.2830
92 90 0.1726 0.2050 0.2422 0.2673
102 100 0.1638 0.1946 0.2301 0.2540

Conseil : au moins 30 points 205



8
Corrélation
Corrélation –– Précautions
Précautions àà prendre
prendre
Avoir corrélation entre deux variables continues ne signifie pas
qu'il existe une relation de cause à effet entre ces deux variables.

La corrélation entre 2 variables peut être due à une troisième


variable non étudiée. Les résultats doivent donc être analysés et
interprétés par des personnes connaissant bien le processus

Il peut exister entre 2 variables continues une relation autre que


linéaire, et le coefficient de corrélation sera alors proche de 0. La
relation pourrait être quadratique par exemple. D'où l'importance
de la représentation graphique des données

206

8
Régression
Régression Linéaire
Linéaire

La régression précise l'association validée par l'étude de


corrélation en fournissant l'équation de la droite dite des
moindres carrés

La valeur R² exprimée en % représente le pourcentage de


la variation de Y expliqué par X
35

30

25

20
15

10

0 207

0 2 4 6 8 10 12 14
8
Régression
Régression sous
sous Excel
Excel

- Représenter les points (x;y) sur un graphique Excel en


choisissant comme type de graphique la catégorie "nuage de
points"

- Faire un click droit sur un point puis…

208

8
Droites
Droites de
de prédiction
prédiction

La droite de régression permet d'estimer la valeur Y0


correspondant à une valeur X0. Mais on ignore quelle
confiance on peut avoir dans ce résultat…

Les droites de prédiction sont 2 droites parallèles à la


droite de régression, situées symétriquement de part et
d'autre de celle-ci.

Elles définissent un intervalle dans lequel se trouve la


vraie valeur YO correspondant à X0 (avec un risque )

209

pour  == 5%
8
Droites
Droites de
de prédiction
prédiction pour 5%
35
+ 2s
30 aX +b
Y =
25 b
Y0+2s X+
20 Y =a
15
Y0 - 2 s
X+b
10
Y =a
5
Y0-2s
0
0 2 4 6 8 10 12 14
Avec un risque  de 5%, on sait que la vraie valeur Y0
appartient à [Y0-2s ; Y0+2s]
Il reste à définir et calculer s… 210

8
ss écart
écart type
type résiduel
résiduel

s traduit la dispersion du nuage de points autour de la


droite de régression

+/- 2s représentent 95,44% de la totalité du nuage de


points.

Si on note (Xi;Yi) les n points du nuage et Y = aX+b


l'équation de la droite de régression, alors :
2
(Y  (aX + b) )
n
1
s²  i i
n -2 i=1
211

8
Tolérance
Tolérance sur
sur X
X àà partir
partir d'une
d'une tolérance
tolérance sur
sur Y
Y

12
11
10 TS = 11
9
8
7
6 TI = 6
5
4
3
2
0 2 4 6
6,4 8
9,5 10

Si X varie entre 6,4 et 9,5, on peut affirmer avec un coefficient de


confiance de 95% que Y variera entre TI et TS
212

8
Corrélation
Corrélation et
et Régression
Régression -- Conclusion
Conclusion

Utiliser la corrélation et la régression pour comparer des


équipements, pour prédire une variable à partir d'une
autre (plus simple et moins coûteuse)…

Utiliser la régression pour démontrer que des variables


d'entrée X expliquent la variation de la réponse Y, ou
qu'il existe des liens entre des X

Ce chapitre n'abordera aucun autre outil (régression


multiple, polynômes…)

213

8
Temps
Temps de
de cuisson
cuisson et
et poids
poids –– Corrélation
Corrélation ??

A vous de jouer !!!


Le propriétaire du stand procède à une série de relevés du temps
de cuisson et du poids de la crêpe associée

A l'aide d'Excel, représentez les données, tracer la droite de


régression et calculez R²


10 mn 214
8
Temps
Temps de
de cuisson
cuisson et
et poids
poids –– Corrélation
Corrélation ??

)( ) = [ ]
n

(
xi  x yi  y
+…
1 1 (45-55)(37,25-30,13)
Rxy  = -0,938
n -1 x y 20 6,20 * 4,62
i=1

Poids en fonction du temps


40
38
36 Y = 68,55-0, 70X
34
32
30
28
R² = 0,88
26
24
22
20
45 50 55 60 65

215

8
Temps
Temps de
de cuisson
cuisson et
et poids
poids –– Régression
Régression

A vous de jouer !!!


On donne s = 1,64

Tracez les droites de prédiction

Quelle tolérance faut-il sur le temps de cuisson pour


s'assurer que le poids des crêpes sera dans les tolérances
(risque  de 5%) ?


10 mn 216
8
Calcul
Calcul de
de tolérance
tolérance sur
sur le
le temps
temps de
de cuisson
cuisson

Poids en fonction du temps


40
38
36 Y=(
68, 55
- 0, 69
34 86X)
+2 * 1
32 , 64 =
71,83
- 0, 698
30 IT = [25;35] 6X
28 Y=(
68,55
- 0, 69
26 86X)
- 2*1 ,
24 64 =
65,27
- 0, 69 8
22 6X
20
45 50 52,7 55 57,8 60 65

217

8
Temps
Temps de
de cuisson
cuisson pour
pour une
une capabilité
capabilité de
de 22 ??

A vous de jouer !!!


On suppose que le processus de fabrication des crêpes est centré (moyenne = 30 g) et stable

Peut on garantir un Cpk de 2 sur le processus de fabrication des crêpes (avec un risque  de 5%) ?

Quelle capabilité maximum peut-on espérer ?


15 mn 218
8
Temps
Temps de
de cuisson
cuisson pour
pour un
un Cpk
Cpk de
de 22 ??
1-Le processus est stable : le poids suit donc une
loi normale : moyenne m et écart type 
25 g Tolérance : IT = 10 35 g
2-Le processus est centré : donc m = 30 g
m = 30 g
3-Le processus est centré : donc Cp = Cpk

Càd IT = 2 d'où  =
IT
6 12

IT IT 4-On s'attend à avoir tous les poids dans


27,5 g 32,5 g l'intervalle m +/- 3 (limites naturelles) :
4 4
3 = IT = 2,5 g
4
Limites naturelles
5-Il reste à rechercher l'intervalle de temps de
cuisson correspondant à l'intervalle de poids [27,5
; 32,5] 219

8
Temps
Temps de
de cuisson
cuisson pour
pour un
un Cpk
Cpk de
de 22 ??

Poids en fonction du temps


40
38
36
34
32
30 [27,5;32,5]
28
26
24
22
20
45 50 55 60 65


Ne fonctionne pas !! 220
8
Valeur
Valeur maximum
maximum de
de Cpk
Cpk

221

8
Valeur
Valeur maximum
maximum de
de Cpk
Cpk

Poids en fonction du temps


40
38
36
34
32
30 [26,7;33,3]
28
26
24
22
20
55,3
45 50 55 60 65

222

8
Maîtrise
Maîtrise du
du temps
temps de
de cuisson
cuisson

A vous de jouer !!!


Suite aux apprentissages des études de corrélation et de
régression, commentez à nouveau la carte de contrôle
portant sur les moyennes des temps de cuisson


5 mn 223
8
Maîtrise
Maîtrise du
du temps
temps de
de cuisson
cuisson

Pour avoir tous les poids de crêpes dans les tolérances avec un risque  de
5%, nous avons vu qu'il fallait que le temps de cuisson soit compris entre
52,7 et 57,8 s, càd 55,3 +/- 2,5 s
Temps de cuisson : Carte des moyennes

65

La gestion des temps de


60
cuisson n'est donc pas un
55 processus centré
50

Par ailleurs, c'est un


45
processus trop variable
40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

224

8
Maîtriser
Maîtriser le
le temps
temps de
de cuisson
cuisson –– plan
plan d'actions
d'actions

A vous de jouer !!!


Quel plan d'actions pouvez vous proposer au propriétaire
du stand afin de recentrer son processus et d'en réduire la
variation ?


5 mn 225
8
Maîtriser
Maîtriser le
le temps
temps de
de cuisson
cuisson –– Réponse
Réponse

Ratio coûts /gains intéressant 226



9
Poids
Poids des
des crêpes
crêpes -- Méthodologie
Méthodologie
CS : Causes spéciales
1 2 3 4 5
Valider Un test de normalité
Valider Eliminer
Définir le Observer la stabilité permet également de
le processus les causes
problème le du vérifier que les données
de contrôle spéciales
processus processus sont stables
On peut donc calculer la
capabilité du processus :
On étudie un Le processus de Les variations du On identifie les On valide qu'il ne reste résultats insatisfaisants
problème de contrôle du poids processus sont CS puis on les plus de CS. Il ne reste pour le client
poids est fiable connues élimine donc plus QUE des
causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

Réalisation d'un Paramètres influents Carte de contrôle


Ishikawa + tracés en identifiés par tests t sur le temps de 227

boîtes par louche et F cuisson
9
Valider
Valider la
la réduction
réduction de
de variabilité
variabilité

Si on utilise une carte de contrôle depuis le début du projet :

Etudier l'évolution des étendues et des moyennes au cours du


projet

Tracés en boîtes suivis des tests t et F :


Pour comparer deux périodes : début/fin de
projet

Pour les moyennes :


Test de Tukey

228

9
Test
Test de
de Tukey
Tukey

A
A l’issue
l’issue de
de cette
cette section,
section, vous
vous saurez
saurez ::
Expliciter
Expliciter l'objectif
l'objectif d'un
d'un test
test de
de Tukey
Tukey

Identifier
Identifier les
les cas
cas où
où le
le test
test de
de Tukey
Tukey est
est applicable
applicable

Expliciter
Expliciter la
la règle
règle de
de décision
décision du
du test
test

Faire
Faire la
la différence
différence entre
entre un
un test
test tt et
et un
un test
test de
de Tukey
Tukey

229

9
Comparer
Comparer deux
deux procédés
procédés -- Introduction
Introduction

Méthode usuelle : 2 études de capabilités

Insatisfaisant car pas de critère de décision

Le test de Tukey est un outil simple qui répond à ces


difficultés pour l'étude de moyennes

230

9
Test
Test de
de Tukey
Tukey –– Généralités
Généralités

Le test de Tukey permet de comparer DEUX processus

La grandeur étudiée doit être CONTINUE

Généralement utilisé pour valider que le changement


d'un ou de plusieurs paramètres processus apportent une
amélioration EN MOYENNE

231

9
Test
Test de
de Tukey
Tukey –– Principe
Principe

A B
Conclusion :
pas d’amélioration
Moins bon Meilleur

A B
Conclusion :
amélioration
Moins bon Meilleur
sensible
A B
Conclusion :
amélioration
Moins bon Meilleur
décisive 232

9
Test
Test de
de Tukey
Tukey –– Comment
Comment l'appliquer
l'appliquer ??

Définir le premier processus A et le second processus


B ainsi que la grandeur continue étudiée

Prélever 20 pièces (10 par processus) DE FACON


ALEATOIRE

Classer les résultats dans l'ordre croissant ou


décroissant en indiquant pour chaque valeur si elle
provient du processus A ou B

233

9
Test
Test de
de Tukey
Tukey –– Règles
Règles de
de décision
décision

97 B
Si le nombre total de 94 B
bouts est supérieur ou 4 BOUTS B
87 B
égal à 7, on peut
conclure avec un 75 B
coefficient de 66 A Si on a des
… bouts A ET B,
confiance de 95% que
6 Bouts au
le processus B est 33 B
différent de A total. 0 sinon
29 B
21 A
2 BOUTS A

18 A 234
9
Test
Test de
de Tukey
Tukey –– A
A retenir
retenir

En comparant les valeurs moyennes pour A et B, on


peut statuer sur le processus qui est le meilleur EN
MOYENNE

Le test de Tukey ne concerne que les moyennes. Il faut


donc examiner également les variations avant de
conclure qu'un des processus est meilleur que l'autre

235

9
Poids
Poids des
des crêpes
crêpes –– Utilisation
Utilisation du
du Test
Test de
de Tukey
Tukey

A B
Recette figée : Non Oui
Louches : A,B,C A
Rouable disponible : Non Oui
Temps cuisson entre : Non Oui
51 et 63 secondes
Plaque toujours huilée : Non Oui
236

9
Poids
Poids des
des crêpes
crêpes –– Utilisation
Utilisation du
du Test
Test de
de Tukey
Tukey

A vous de jouer !!!


Réaliser le test de Tukey à l'aide des valeurs suivantes.
Conclusion ?

5 mn 237

9
Poids
Poids des
des crêpes
crêpes –– Utilisation
Utilisation du
du Test
Test de
de Tukey
Tukey

Le nombre total de
bouts est supérieur 7,
on peut conclure avec Des bouts A
un coefficient de et B donc 18
confiance de 95% que BOUTS au
le processus B est total
différent de A

238

9
Test
Test de
de Tukey
Tukey –– Application
Application au
au projet
projet

Moyenne des valeurs B : 30,2 g

Moyenne des valeurs A : 41,5 g

Donc B permet un meilleur centrage que A

Une étude des étendues doit être réalisée avant de


conclure que B est meilleur que A : la carte de contrôle
démontre que l'étendue est meilleure depuis que l'on
utilise le processus B

239

9
Test
Test de
de Tukey
Tukey et
et test
test en
en tt

Le test de Tukey et le test en t permettent tous deux de


valider un écart en moyenne entre deux processus

Y a t-il une différence ? Oui, l'écart minimal détectable


n'est modifiable que pour un test t

Comment procéder en pratique ? Quand on est presque


certain qu'il existe une différence, utiliser le test de
Tukey.

240

9
Satisfait-on
Satisfait-on les
les besoins
besoins clients
clients ??

Le minimum à vérifier est que le projet a permis de


satisfaire les besoins du client (ou les objectifs fixés) :

Comparaison des résultats et des exigences client

Sinon ?
Le projet n'est pas achevé...

241

9
Poids
Poids des
des crêpes
crêpes –– Satisfaction
Satisfaction clients
clients ??

A vous de jouer !!!


Le propriétaire du stand prélève 100 crêpes au hasard sur une période
de 2 semaines. Il obtient une moyenne égale à 30,1 g et  = 1,17 g

Peut il calculer la capabilité de son processus ? Quel type de


capabilité peut il calculer ?

Calculer la capabilité du processus ainsi que les PPM non conformes


associés


10 mn 242
9
Satisfaction
Satisfaction clients
clients -- Réponse
Réponse
Il faut d'abord valider que l'on a normalité des données. On suppose que c'est le cas

La période de collecte de données est suffisamment large pour supposer que toutes
les sources de variabilité se sont exprimées. En conséquence, on calcule des
capabilités LONG TERME

Pp = IT / 6lt = 10/7,02 = 1,42


Ppk = Min(TS-moyenne ; moyenne-TI)/3lt = (35-
30,1)/3,51 = 1,40

243

9
Satisfaction
Satisfaction clients
clients -- Réponse
Réponse

Proba (Poids < 25 g ) = Proba (T+< 25) = Proba


( 1,17T + 30,1 < 25) = Proba( T > 4,36) = 6,5 PPM

Proba (Poids > 35 g ) = Proba (T+ > 35) = Proba


( 1,17T + 30,1 > 35) = Proba( T > 4,18) = 14,6 PPM

Conclusion : Probabilité que le poids d'une crêpe soit hors tolérance = 22 PPM


L'objectif client est atteint !!! 244
10
Poids
Poids des
des crêpes
crêpes -- Méthodologie
Méthodologie
CS : Causes spéciales
1 2 3 4 5
Valider Un test de normalité
Valider Eliminer
Définir le Observer la stabilité permet également de
le processus les causes
problème le du vérifier que les données
de contrôle spéciales
processus processus sont stables
On peut donc calculer la
capabilité du processus :
On étudie un Le processus de Les variations du On identifie les On valide qu'il ne reste résultats insatisfaisants
problème de contrôle du poids processus sont CS puis on les plus de CS. Il ne reste pour le client
poids est fiable connues élimine donc plus QUE des
causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

Réalisation d'un Paramètres influents Carte de contrôle Utilisation du


Ishikawa + tracés en identifiés par tests t sur le temps de Test de Tukey et 245

boîtes par louche et F cuisson capabilités
10
Verrouiller
Verrouiller et
et standardiser
standardiser

L'objectif de cette étape est de s'assurer que :


le problème ne se reproduira plus

le problème sera pris en compte lors de la conception de nouveaux


produits ou processus

Il est nécessaire de :
Mettre à jour le plan de contrôle et les AMDEC

Définir les standards et les apprentissages

246

10
Poids
Poids des
des crêpes
crêpes -- Application
Application

247

Conclusion
Conclusion

Cette étude est un cas d'école, néanmoins :


Les études de capabilité des processus de contrôle ne sont
pas suffisamment répandues sur nos sites

La phase d'observation est fondamentale et l'outil carte de


contrôle porte généralement ses fruits

Les outils doivent rester au service de nos interrogations

248

1
Œufs
Œufs àà la
la coque
coque -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

249

1
Formulation
Formulation du
du problème
problème

Pareto des rebuts (%)

100
82,2
80

60

40

20 11,4
6,4
0
Œufs coque NC Légumes jetés Divers

250

1
Process
Process mapping
mapping


T° oeuf
oeuf :: ambiante
ambiante ou
ou frigidaire
frigidaire
Prise oeuf Calibre
Calibre oeuf
oeuf

44 types
types Volume
Volume T° eau lors de la
casseroles
casseroles d'eau
d'eau dépose des oeufs


T° eau
eau

Choix Remplissage Oeuf mis dans Oeuf refroidi à Durée


Durée

Eau chauffée refroidissement


refroidissement

casserole casserole casserole l'eau froide


Oeuf
Oeuf couvert
couvert par
par l'eau
l'eau ??
Durée
Durée cuisson
cuisson

Ouverture oeuf

Oeuf servi OUI Inspection


Oeuf OK ?
au client de l'oeuf

Capabilité du processus de contrôle


NON
Oeuf à la
poubelle
251

1
Indicateur
Indicateur

On étudie le pourcentage journalier d'œufs à la coque


jetés pour cuisson non conforme

252

2
Œufs
Œufs àà la
la coque
coque -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie la
conformité de
cuisson d'un
oeuf

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

253

2
Capabilité
Capabilité d'un
d'un processus
processus de
de mesure
mesure

A l’issue de cette section, vous saurez :

Expliquer le principe d’un gage R&R aux attributs

Mener et interpréter un gage R&R aux attributs

254

2
Gage
Gage R&R
R&R aux
aux attributs
attributs :: Introduction
Introduction

Donnée continue : Valeur mesurable, divisible,


hiérarchisable - Poids, température, pression

Donnée discrète : Donnée qualitative Bon/mauvais,


Blanc/noir

On a réalisé un gage R&R continu

On va étudier le gage R&R aux attributs

255

2
Gage
Gage R&R
R&R aux
aux attributs
attributs :: Objectifs
Objectifs

Evaluer la performance d'un processus de contrôle aux attributs (ex :


contrôle visuel)

Quantifier la répétabilité et la reproductibilité des opérateurs

Quantifier l'aptitude des opérateurs à se conformer à des pièces types,


et notamment : -A quelle
fréquence ils acceptent des pièces mauvaises -A quelle
fréquence ils refusent des pièces bonnes

Identifier les zones où il manque des procédures ou des standards, où il


y a un manque de formation

256

2
Gage
Gage R&R
R&R aux
aux attributs
attributs :: La
La méthode
méthode

1- Sélectionner 30 pièces du processus étudié et déterminer avec des experts si chaque pièce est bonne (OK) ou mauvaise (NOK)
° 50 % des pièces doivent être OK ° 50 % des pièces doivent être NOK ° Pour ces 2 familles de
pièces, tâchez d'avoir des pièces en limites d'acceptation

2- Identifier les contrôleurs qui doivent être qualifiés

257

2
Gage
Gage R&R
R&R aux
aux attributs
attributs :: La
La méthode
méthode

3- Chaque contrôleur, indépendamment et de façon aléatoire, inspecte chacune des pièces au moins 2 fois et détermine si elles sont OK ou NOK

4- Entrer les données dans le formulaire Excel FAU-F-PS3-0303

5- Interpréter les résultats et établir un plan d'actions

6- Mener une nouvelle étude lorsque les actions ont été implémentées afin de valider l'efficacité

258

2
Gage
Gage R&R
R&R aux
aux attributs
attributs :: Interprétation
Interprétation

Evalue la répétabilité
par opérateur Si < 90%, besoin de formation

Détails de la performance
par opérateur en regard
du standard

Aide à définir le plan d'actions


259

2
Gage
Gage R&R
R&R aux
aux attributs
attributs :: Interprétation
Interprétation

Aide à définir le plan d'actions


Mesure la fréquence
d'accord entre les
opérateurs

Evalue l'efficacité
globale de l'étude
Excellent à partir de 90%
260

2
Gage
Gage R&R
R&R aux
aux attributs
attributs :: Règles
Règles de
de décision
décision

>90% : Excellent processus de contrôle

70 à 90 % : Plan d'actions à prévoir en fonction de la criticité de la


mesure (caractéristique critique, S/R). Revoir méthode de
contrôle, formation, pièces types, environnement, équipements,
etc…

< 70 % : Processus de contrôle inacceptable. Reconsidérer


complètement le processus de contrôle

100 90 80 70 60 50 40 30 20 10
261

2
Règles
Règles de
de décision
décision R&R
R&R –– Continu
Continu et
et attribut
attribut

ATTENTION !!!

10 20 30 40 50 60 70 80 90 100
Donnée continue

10 20 30 40 50 60 70 80 90 100
Donnée attribut

262

2
Gage
Gage R&R
R&R aux
aux attributs
attributs :: Jeu
Jeu

A vous de jouer !!!


- 3 équipes avec un contrôleur par équipe

- 2 évaluations par pièce/opérateur

- Evaluation dans un ordre aléatoire, équipe après équipe

- Utiliser le formulaire pour interpréter les résultats et établir un plan d'actions

40 mn 263

3
Œufs
Œufs àà la
la coque
coque -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie la Le processus de
conformité de contrôle de
cuisson d'un cuisson est fiable
oeuf

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

264

3
Cartes
Cartes d'observation
d'observation aux
aux attributs
attributs

A l’issue de cette section, le stagiaire saura :

Créer une carte d'observation aux attributs

265

3
Carte
Carte d'observation
d'observation aux
aux attributs
attributs

La mise en place d'une carte d'observation aux attributs


nécessite :

1. Le choix d'une taille et d'une fréquence de


prélèvement (par jour, équipe, etc…)
2. La mise en place d'une carte de suivi
3. La mise en place d'un journal de bord (voir étape 4)

266

3
Carte
Carte d'observation
d'observation aux
aux attributs
attributs

Il existe 4 types de cartes d'observation aux attributs :


NON PRODUITS
CONFORMITES NON CONFORMES

NOMBRE c np
(Taille d'échantillon constante)
Nombre de non conformités Nombre d'oeufs cassés
par boîte de 12 oeufs par boîte de 12

PROPORTION
(Taille d'échantillon variable) u p
Pourcentage de non Pourcentage
Conformités par jour sur d'oeufs cassés par jour
les oeufs ramassés

267

3
Carte
Carte cc

Observations des non conformités observées en cuisine


dans un restaurant :
Taille d'échantillon constante
Etude de non conformités

268

3
Carte
Carte np
np

Observations d'un défaut en cuisine dans un restaurant :

Taille d'échantillon constante


Etude de non conformes

269

3
Carte
Carte uu

Observations des non conformités en cuisine dans un


restaurant :
Taille d'échantillon variable
Etude de non conformités

270

3
Carte
Carte pp

Observations d'un défaut en cuisine dans un restaurant :

Taille d'échantillon variable


Etude de non conformes

271

4
Cartes
Cartes aux
aux attributs
attributs –– Taille
Taille d'échantillon
d'échantillon
Combien de pièces par prélèvement ?
Les limites de contrôle d'une carte p sont calculées à partir de la loi Binomiale

Il faut utiliser des tailles d'échantillons n telles que n.p bar


bar > 5

La taille d'échantillon doit être telle que l'on obtienne régulièrement un nombre non nul de défaut par échantillon

272

3
Cartes
Cartes d'observation
d'observation aux
aux attributs
attributs –– Jeu
Jeu

A vous de jouer !!!


- On décide de mettre sous observation les pourcentages quotidiens d'œufs à la coque jetés

- Définissez la méthode de suivi

- Calculer le premier point de la carte d'observation sachant que le premier jour, on a jeté 33 œufs pour 112 utilisés au total


5 mn 273
3
Cartes
Cartes d'observation
d'observation aux
aux attributs
attributs –– Réponses
Réponses
- Suivi : carte de contrôle de type p car on suit un défaut et les quantités d'œufs utilisés quotidiennement varient

- Définition du journal de bord : quel cuisinier, casseroles utilisées, horaires de cuisson, température de l'eau…

- p1 = 33/112 = 0,29464286

Carte p (%)

Condition npbar 54

49

OK (30% de
44

39

34

défauts) 29

24

19

14
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
274

4
Œufs
Œufs àà la
la coque
coque -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie la Le processus de Les variations du


conformité de contrôle de processus sont
cuisson d'un cuisson est fiable connues
oeuf

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

275

4
Cartes
Cartes de
de contrôle
contrôle aux
aux attributs
attributs

A l’issue de cette section, le stagiaire saura :

Définir les cartes de contrôle aux attributs

Identifier l'apparition de causes spéciales

276

4
Cartes
Cartes aux
aux attributs
attributs –– Carte
Carte pp

Lorsque la carte d'observation comporte au moins 20


points pi, on calcule :
Nombre total de pièces défectueuses
P =
Nombre total de pièces inspectées

Et 
LC  P  3 P 1  P / ni 

Les limites sont variables !!


277

4
Cartes
Cartes aux
aux attributs
attributs –– Cartes
Cartes aux
aux limites
limites variables
variables

 
LC  P  3 P 1  P / ni Variable !!

Vrai pour les cartes p et u (taille d'échantillon variable)

Lorsque les tailles d'échantillons n i varient dans la


plage nmoyen +/ 25%, on peut supposer que ni = cte =
nmoyen
278

4
Cartes
Cartes aux
aux attributs
attributs –– Cartes
Cartes np,
np, cc et
et uu
ik

n p  
Carte np : np  i 1
i i
LC  np  3 np 1  (np / n)
k

 iK 
Carte c : c    ci  K LC  c  3 c
 i 1 

Carte u : ui  ci ni u   ci n i LC  u  3 u ni 
279

4
Cartes
Cartes aux
aux attributs
attributs –– Règles
Règles d'interprétation
d'interprétation

Quelles sont les règles d'interprétation ?

Identiques aux 5 règles vues pour les


cartes aux mesures !!!!!!

280

4
Cartes
Cartes aux
aux attributs
attributs –– Jeu
Jeu

A vous de jouer !!!


- Sur la période d'observation, on a jetés 911 œufs pour 2654 utilisés au total

- Calculer les limites de contrôle de la première journée durant laquelle on avait jetés 38
œufs pour 128 utilisés


10 mn 281
4
Cartes
Cartes aux
aux attributs
attributs –– Réponse
Réponse

Pbar = 911 / 2654 = 0,343 et P(jour1) = 38 / 128 = 0,297

LC  0,343  /  3 0,343(1  0,343) / 128

LCsup (jour1) = 0,469 et LCinf (jour1) = 0,217


Carte p (%)

54

49

44

39

34

29

24

19
14
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 282

4
Œufs
Œufs àà la
la coque
coque :: Eliminer
Eliminer les
les causes
causes spéciales
spéciales
Carte p (%)

54 Œufs fissurés :
Perte de blanc, aspect NC
49
44

39
34

29

24
Œufs durs :
19 Pas de minuteur au poste, pas
de temps standard
14
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Plan d'actions : - Vinaigre dans l'eau de cuisson


- Minuteur au poste
- Choix d'un temps standard de cuisson : 3,5 mn

283

5
Œufs
Œufs àà la
la coque
coque -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie la Le processus de Les variations du On identifie les


conformité de contrôle de processus sont CS puis on les
cuisson d'un cuisson est fiable connues élimine
oeuf

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

284

5
Œufs
Œufs àà la
la coque
coque :: stabilité
stabilité du
du processus
processus

Le plan d'actions qui a suivi l'identification des causes spéciales


donne lieu à une nouvelle phase d'observation et à un re calcul des
limites :

Carte p (%)

25

20
Pbar = 13,6% contre 34,3%
avant l'élimination des causes
15

10

5 spéciales
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Le processus est stable

285

6
Œufs
Œufs àà la
la coque
coque -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie la Le processus de Les variations du On identifie les On valide qu'il ne reste


conformité de contrôle de processus sont CS puis on les plus de CS. Il ne reste
cuisson d'un cuisson est fiable connues élimine donc plus QUE des
oeuf causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

286

6
Œufs
Œufs àà la
la coque
coque :: Causes
Causes probables
probables

Le diagramme de processus avait identifié les causes


probables suivantes :

287

7
Œufs
Œufs àà la
la coque
coque -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie la Le processus de Les variations du On identifie les On valide qu'il ne reste


conformité de contrôle de processus sont CS puis on les plus de CS. Il ne reste
cuisson d'un cuisson est fiable connues élimine donc plus QUE des
oeuf causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

Réalisation de
l'Ishikawa du 288

problème
7
Outils
Outils pour
pour valider
valider l'influence
l'influence de
de paramètres
paramètres

Test de Plans
Tests t et F
Khi² d'expériences

289

7
Œufs
Œufs àà la
la coque
coque –– influence
influence des
des casseroles
casseroles

On souhaite savoir si le type de casserole a une


influence sur la qualité de l'oeuf à la coque

Pour chaque œuf à la coque préparé, les cuisiniers


notent si l'œuf est OK ou non, et avec quelle casserole il
a été préparé

On conclut grâce à un test de Khi²

290

7
Test
Test de
de Khi²
Khi²

A
A l’issue
l’issue de
de cette
cette section,
section, vous
vous saurez
saurez ::

Expliciter
Expliciter l'objectif
l'objectif d'un
d'un test
test de
de Khi²
Khi²

Identifier
Identifier les
les cas
cas où
où le
le test
test de
de Khi²
Khi² est
est applicable
applicable

Réaliser
Réaliser un
un test
test de
de Khi²
Khi² àà l'aide
l'aide du
du formulaire
formulaire FAU-F-PS3-0302
FAU-F-PS3-0302

291

7
Test
Test de
de Khi²
Khi² -- Généralités
Généralités

Le test de Khi² permet d'étudier la corrélation entre


DEUX paramètres DISCRETS

On organise chaque paramètre en plusieurs catégories


DISTINCTES (paramètre Casserole divisé en
Casseroles A, B, C et D)

Les catégories doivent être 2 à 2 disjointes

On procède à une collecte de données

292

7
Test
Test de
de Khi²
Khi² -- Application
Application au
au projet
projet

Disjoints 2 à 2
Paramètre
"Casserole"
Disjoints 2
à2

Paramètre
"Qualité" DISCRETS !!

293

7
Test
Test de
de Khi²
Khi² -- Collecte
Collecte de
de données
données

Première possibilité : organiser une collecte de données


sur une certaine période puis ranger les données dans le
tableau défini précédemment

Deuxième possibilité : récupérer un historique et


appliquer le test à ces données

Importance d'avoir des données FIABLES…

Utiliser le formulaire FAU-F-PS3-0302

294

7
Test
Test de
de Khi²
Khi² -- Application
Application

Propriétés du tableau

Résultats de la collecte

Fréquences > 5

Ecarts Khi²
295

7
Test
Test de
de Khi²
Khi² -- Comment
Comment conclure
conclure ??

Toutes les fréquences doivent être > 5. Sinon, cela signifie que certaines configurations
ne comportent pas assez de données. Il faut alors poursuivre la phase de collecte

Khi² limite dépend du nombre de lignes et du nombre de colonnes, ainsi que du risque
 choisi

Si Khi² calculé > Khi² limite, alors la conclusion est : il y a corrélation entre les deux
paramètres

296

7
Influence
Influence des
des casseroles
casseroles -- Conclusion
Conclusion

Khi² calculé < Khi² limite

Conclusion : il n'y a pas corrélation entre les deux


paramètres Casserole et Qualité

Autrement dit : Le choix de la casserole importe peu


pour la cuisson des œufs à la coque (risque  de 5%)

297

7
Test
Test de
de Khi²
Khi² -- A
A retenir
retenir

Le test de Khi² permet d'étudier la corrélation entre deux


paramètres DISCRETS

Pour comparer la performance qualité de plusieurs


processus, il ne faut pas passer par une comparaison des
PPM mais par un test de Khi²

298

7
Œufs
Œufs àà la
la coque
coque -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie la Le processus de Les variations du On identifie les On valide qu'il ne reste


conformité de contrôle de processus sont CS puis on les plus de CS. Il ne reste
cuisson d'un cuisson est fiable connues élimine donc plus QUE des
oeuf causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

Réalisation de Test de Khi² : pas


l'Ishikawa du d'influence du type 299

problème de casseroles
7
Outils
Outils pour
pour valider
valider l'influence
l'influence de
de paramètres
paramètres

Test de Plans
Tests t et F
Khi² d'expériences

300

7
Plans
Plans d'expériences
d'expériences

Lorsque la plupart des paramètres étudiés sont pilotables,


il peut être intéressant de passer par l'utilisation d'un plan
d'expériences.

Cette technique permet d'étudier tous les paramètres


simultanément, d'isoler les paramètres influents et de les
hiérarchiser

301

7
Plan
Plan d’expériences
d’expériences

A l’issue de cette section, vous saurez :


Définir un plan d’expériences
Expliquer pourquoi le test d’un paramètre à la fois est une méthode risquée
Faire la différence entre un plan complet et un plan fractionnaire
Décrire les 5 étapes d’un plan fractionnaire Shainin

302

7
Paramètres
Paramètres influents
influents -- Introduction
Introduction

La problématique :
quels sont les paramètres influents d’un processus ?

Méthode souvent rencontrée :


test des paramètres les uns après les autres

Pourquoi cette méthode n’est-elle pas exacte ?


L’alternative : le plan d’expériences

303

7
Plan
Plan d’expériences
d’expériences -- Introduction
Introduction

Définition d’un plan d’expériences

Objectifs d’un plan d’expériences ?


- Déterminer les paramètres influents d’un processus
- Déterminer les modalités influentes des paramètres
- Classer les effets des paramètres

Quand utiliser un plan d’expériences ?

304

7
Plan
Plan d’expériences
d’expériences -- Typologie
Typologie

Deux types de plans d’expériences :

Plan complet Plan fractionnaire

Test de TOUTES les configurations Test d’une PARTIE des


de paramètres configurations de paramètres

2n configurations (n paramètres, 2
Objectif : réduire le nombre d’essais en
modalités par paramètre)
limitant les erreurs

En pratique : 4 paramètres En pratique : de 5 à 20


maximum paramètres
305

7
Méthode
Méthode Shainin
Shainin -- Principe
Principe

Principe de la méthode Shainin :


- Définir deux zones P+ et P-

P+ P-

- Etablir l’éventuelle influence de chaque paramètre en testant


2 configurations par paramètre

306

7
Conditions
Conditions d'utilisation
d'utilisation de
de la
la méthode
méthode Shainin
Shainin
Conditions
Conditions d’utilisation
d’utilisation de
de la
la méthode
méthode Shainin
Shainin ::

-- En
En pratique,
pratique, on
on teste
teste entre
entre 55 et
et 20
20 paramètres
paramètres
-- IlIl faut
faut être
être en
en mesure
mesure de de piloter
piloter l’ensemble
l’ensemble des
des paramètres
paramètres pris
pris en
en compte
compte dans
dans le
le plan
plan
-- Chaque
Chaque paramètre
paramètre n'a
n'a que
que 22 modalités
modalités
IlIl est
est préférable
préférable d’avoir
d’avoir un
un processus
processus qui
qui génère
génère régulièrement
régulièrement un
un pourcentage
pourcentage non
non nuls
nuls de
de produits
produits non
non conformes
conformes (au
(au sens
sens de
de la
la mesure
mesure définie)
définie)

Nous allons passer en revue les 5 étapes de la méthode


307

7
Les
Les 55 étapes
étapes de
de la
la méthode
méthode Shainin
Shainin

Etape n°1 : Sélectionner les paramètres probables

Etape n°2 : Définir les deux modalités + et – de


chaque paramètre

Etape n°3 : Valider le bon choix des paramètres


suspects

Etape n°4 : Identifier les paramètres influents

Etape n°5 : Quantification de l’influence des


paramètres
308

7
Méthode
Méthode Shainin
Shainin –– Etape
Etape n°1
n°1

Etape n°1 : Sélectionner les paramètres probables

-- On
On réalise
réalise un
un diagramme
diagramme d’Ishikawa
d’Ishikawa ou
ou un
un 55 Pourquoi
Pourquoi

-- On
On sélectionne
sélectionne les
les paramètres
paramètres que
que l’on
l’on suppose
suppose influents
influents

-- Classer
Classer ces
ces paramètres
paramètres dans
dans un
un ordre
ordre décroissant
décroissant de
de probabilité
probabilité d’influence
d’influence supposée
supposée (on
(on les
les désignera
désignera par
par A,
A, B,
B, C,
C, etc…)
etc…)

309

7
Exemple
Exemple Etape
Etape 11 :: paramètres
paramètres probables
probables

Soit une pièce emboutie sur une presse. Cette dernière ne parvient
pas à tenir la tolérance de +/- 0,1 mm qui doit être respectée sur
une dimension critique. La dispersion relevée va jusqu’à des
valeurs de 0,4 mm.

A : alignement poinçon/matrice

B : Epaisseur du métal
C : Dureté du
métal
D : Planéité du
métal E : Pilotage de 310

7
Les
Les 55 étapes
étapes de
de la
la méthode
méthode Shainin
Shainin

Etape n°1 : Sélectionner les paramètres probables

Etape n°2 : Définir les deux modalités + et – de


chaque paramètre

Etape n°3 : Valider le bon choix des paramètres


suspects

Etape n°4 : Identifier les paramètres influents

Etape n°5 : Quantification de l’influence des


paramètres
311

7
Méthode
Méthode Shainin
Shainin –– Etape
Etape n°2
n°2
Etape
Etape n°2
n°2 : Définir
Définir les
les deux
deux modalités
modalités ++ et
et –– de
de chaque
chaque paramètre
paramètre ::
-- On
On choisira
choisira systématiquement
systématiquement pour
pour modalité
modalité ++ la
la modalité
modalité pour
pour laquelle
laquelle on
on suppose
suppose que
que le
le résultat
résultat va
va être
être meilleur
meilleur (une
(une erreur
erreur peut
peut faire
faire échouer
échouer le
le plan)
plan)

-- Vérifier
Vérifier que
que les
les configurations
configurations àà tester
tester sont
sont réalisables
réalisables

-- Définir
Définir :: 1-Ce
1-Ce que
que l’on
l’on va
va mesurer
mesurer (plusieurs
(plusieurs plans
plans simultanés
simultanés sont
sont possibles)
possibles)
2-
2- Comment
Comment on on va
va le
le mesurer
mesurer
3-
3- Le
Le nombre
nombre de de pièces
pièces àà tester
tester

312

7
Etape
Etape n°2
n°2 –– nombre
nombre de
de pièces
pièces par
par essai
essai

Combien de pièces par configuration ?

313

7
Exemple
Exemple Etape
Etape 22 :: modalités
modalités

Paramètre contrôlé Modalité + Modalité -


A : alignement poinçon/matrice Ecart < 2 mm Ecart > 3 mm
B : Epaisseur du métal 16 mm 12 mm
C : Dureté du métal 0,1 mm [0,2 ; 0,4] mm
D : Planéité du métal Flèche < 1 mm [ 1,5 ; 2 ]mm
E : Pilotage de frappe Au coup par coup En automatique
F : Mise en place de la tôle A plat (  < 20°) Inclinée (  > 40°)

314

7
Exemple
Exemple Etape
Etape 22 :: mesure
mesure

Résultat d’un test :


Pour chaque configuration de paramètres, on passe 10
pièces consécutivement sur la presse.
On mesure l’étendue des résultats (dixième de mm) car
cette mesure traduit bien notre défaut :
Plus le résultat est faible, meilleure est la dispersion de la
presse

315

7
Les
Les 55 étapes
étapes de
de la
la méthode
méthode Shainin
Shainin

Etape n°1 : Sélectionner les paramètres probables

Etape n°2 : Définir les deux modalités + et – de


chaque paramètre

Etape n°3 : Valider le bon choix des paramètres


suspects

Etape n°4 : Identifier les paramètres influents

Etape n°5 : Quantification de l’influence des


paramètres
316

7
Méthode
Méthode Shainin
Shainin –– Etape
Etape n°3
n°3

Etape n°3 : Valider le bon choix des paramètres suspects :

1- On définit la configuration P+ (resp P-) où tous les paramètres suspects sont à leur modalité + (resp -)

2- Chaque configuration P+ et P- est testée trois fois en prenant garde à ce que les six expériences soient réalisées dans un ordre aléatoire

317

7
Méthode
Méthode Shainin
Shainin –– Etape
Etape n°3
n°3

33-- On
On pose
pose x+
x+ (resp
(resp x-)
x-) le
le résultat
résultat médian
médian des
des trois
trois expériences
expériences P+
P+ (resp
(resp P-)
P-)
On
On calcule
calcule D
D == || x+
x+ -- x-|
x-| >> 00

4-
4- On
On pose
pose d+
d+ (resp
(resp d-)
d-) l’étendue
l’étendue des
des trois
trois expériences
expériences P+
P+ (resp
(resp P-)
P-)
On
On calcule
calcule dmoyen
dmoyen == (d-
(d- ++ d+)
d+) // 22

5-
5- Calcul
Calcul du
du ratio
ratio rr == D
D // dmoyen
dmoyen

318

7
Exemple
Exemple Etape
Etape 33 :: calcul
calcul du
du ratio
ratio rr

Expériences P+ P-
4 47
x+ 4 x- 61
3 68

d+ = 4-3 =1 d- = 68-47=21

D = x- - x+ = 57
r = 57 / 11 # 5,2
dmoyen = (1+21)/2 = 11
319

7
Etape
Etape n°3
n°3 –– Interprétation
Interprétation du
du ratio
ratio rr

Que représente le ratio r = D / dmoyen ?

P+ P-
d+ d-
dmoyen = (d- + d+) / 2
320

7
Etape
Etape n°3
n°3 –– Interprétation
Interprétation du
du ratio
ratio rr

?????
D

P+ P-
d+
d-
dmoyen = (d- + d+) / 2
321

7
Etape
Etape 33 –– Analyse
Analyse des
des résultats
résultats

66-- Analyse
Analyse des
des résultats
résultats ::
Si
Si rr >=
>= 1,25
1,25 ET
ET les
les 33 résultats
résultats P+
P+ sont
sont meilleurs
meilleurs que
que les
les trois
trois résultats
résultats P-,
P-, alors,
alors, Les
Les paramètres
paramètres influents
influents ont
ont bien
bien été
été sélectionnés
sélectionnés et
et leurs
leurs modalités
modalités ont
ont été
été correctement
correctement
définies
définies

Si
Si rr << 1,25
1,25 OU
OU si
si les
les trois
trois résultats
résultats P+
P+ ne
ne sont
sont pas
pas meilleurs
meilleurs que
que les
les trois
trois résultats
résultats P-,
P-, alors
alors Il
Il est
est inutile
inutile de
de poursuivre
poursuivre le
le plan
plan d’expériences
d’expériences car
car ilil n’aboutira
n’aboutira pas.
pas. Il
Il existe
existe trois
trois types
types
d’explications
d’explications ::

322

7
Interprétation
Interprétation d'un
d'un échec
échec àà l'étape
l'étape n°3
n°3

- Tous les paramètres influents n’ont pas été sélectionnés. Reconsidérer la liste des paramètres suspects (étape
1) puis refaire l’étape 3
- Il y a une erreur dans le sens supposé d’un ou de plusieurs paramètres (modalités). Reconsidérer l’étape 2
quitte à faire des essais annexes
- La taille des échantillons est insuffisante (cas des taux de défauts faibles). Augmenter la taille des échantillons

P+ P-

323

7
Exemple
Exemple Etape
Etape 33 :: test
test statistique
statistique

Expérience P+ P-
P1 4 47
Meilleurs
P2 4 que
61
P3 3 68

ET r # 5,2 > 1,25

Les paramètres influents ont bien été sélectionnés et leurs


modalités ont été correctement définies !!
324

7
Etape
Etape 33 –– Calcul
Calcul des
des limites
limites de
de contrôle
contrôle

r >= 1,25 ET les 3 résultats P+ sont meilleurs que les trois résultats
P- : Définition de limites de contrôles

x+ +/- 1,53 * dmoyen x- +/- 1,53 * dmoyen

P+ P-

325

7
Exemple
Exemple Etape
Etape 33 :: limites
limites de
de contrôle
contrôle

r >= 1,25 ET les 3 résultats P+ sont meilleurs que les trois


résultats P- :

4 +/- 1,53 * dmoyen 61 +/- 1,53 * dmoyen

P+ P-
-12,7 donc 0 20,9 44,1 77,9

326

7
Les
Les 55 étapes
étapes de
de la
la méthode
méthode Shainin
Shainin

Etape n°1 : Sélectionner les paramètres probables

Etape n°2 : Définir les deux modalités + et – de


chaque paramètre

Etape n°3 : Valider le bon choix des paramètres


suspects

Etape n°4 : Identifier les paramètres influents

Etape n°5 : Quantification de l’influence des


paramètres
327

7
Etape
Etape n°4
n°4 –– Etude
Etude du
du 1er
1er paramètre
paramètre probable
probable

Etape
Etape n°4
n°4 :: Identifier
Identifier les
les paramètres
paramètres influents
influents

1-
1- On
On définit
définit les
les configurations
configurations A-R+
A-R+ et
et A+R-
A+R- (( A-R+
A-R+ :: A
A est
est àà la
la modalité
modalité -,-, B àà +,
+, C
C àà +,
+, D
D à +,
+, etc…)
etc…)

2-
2- Tester
Tester ces
ces deux
deux configurations
configurations et
et mesurer
mesurer les
les résultats
résultats

3-
3- Interprétation
Interprétation :: 3 cas
cas possibles
possibles …

328

7
Etape
Etape 44 –– Interpréter
Interpréter les
les résultats
résultats :: Cas
Cas 11

A-R+ de l’ordre de grandeur de P+ ET A+R- de l’ordre de grandeur de P- :


Alors A n’a pas d’influence

P+ P-
A-R+ A+R-

329

7
Etape
Etape 44 –– Interpréter
Interpréter les
les résultats
résultats :: Cas
Cas 22

A-R+ de l’ordre de grandeur de P- ET A+R- de l’ordre de grandeur de P+ :


Alors A est le SEUL facteur influent

P+ P-
A+R- A-R+

330

7
Etape
Etape 44 –– Interpréter
Interpréter les
les résultats
résultats :: Cas
Cas 33

A-R+ OU A+R- est compris entre P+ et P- :


Alors A est un paramètre influent, mais ce n’est pas le seul

P+ P-
A.R.

331

7
Exemple
Exemple Etape
Etape 44 :: paramètre
paramètre A
A

P+ P-
0 A-R+ = 3 20,9 44,1 A+R- = 72 77,9

A n’est donc pas un paramètre influent


332

7
Etape
Etape n°4
n°4 –– Etude
Etude des
des paramètres
paramètres probables
probables

3- Tester autant de configurations X-R+ et X+R- qu’il y a de paramètres X à étudier

Aller du paramètre supposé le plus influent jusqu’au paramètre supposé le moins influent (A, B, C, etc…)
On applique les mêmes règles d’interprétation que pour les expériences A-R+ et A+R-
A l’issue de l’étape 4, on connaît tous les paramètres influents

333

7
Exemple
Exemple Etape
Etape 44 :: autres
autres paramètres
paramètres

N° test Expérience P+ Résultat Expérience P- Résultat Conclusion


Limites : De 0 à 20,9 Limites : de 44,1 à 77,9

1 A-R+ 3 A+R- 72 A non influent


2 B-R+ 5 B+R- 47 B non influent
3 C-R+ 7 C+R- 72 C non influent
4 D-R+ 23 D+R- 30 D influent pas seul
5 E-R+ 7 E+R- 50 E non influent
6 F-R+ 32 F+R- 18 F influent pas seul

334

7
Etape
Etape n°4
n°4 –– Test
Test de
de bouclage
bouclage en
en final
final

4-
4- Test
Test de
de bouclage
bouclage :
-- Systématiquement
Systématiquement pratiqué
pratiqué quand
quand on
on connaît l’ensemble des paramètres influents
influents
-Soit
-Soit { I } l’ensemble des paramètres influents :
On
On teste
teste les
les deux
deux configurations
configurations {{ I+
I+ }} R- et { I- } R+
-- Si
Si {{ I-
I- } R+ est de l’ordre de grandeur de P- et { I+ } R-
R- de
de l’ordre
l’ordre de
de grandeur
grandeur de
de P+,
P+, le
le test
test de
de bouclage
bouclage aa réussi
réussi :: on
on aa bien
bien identifié
identifié les
les paramètres
paramètres influents
influents

335

7
Exemple
Exemple Etape
Etape 44 :: Bouclage
Bouclage

On veut valider que D et F sont bien les seuls paramètres


influents : réalisation d'un test de bouclage

P+ P-
0 20,9 44,1 77,9
D+F+R- = 4 D-F-R+ = 70
Le test de bouclage est concluant : on a bien identifié l’ensemble des
paramètres influents
336

7
Etape
Etape n°4
n°4 –– Optimisation
Optimisation du
du test
test de
de bouclage
bouclage
4-
4- Test
Test de
de bouclage
bouclage :
-- Egalement
Egalement pratiqué
pratiqué dès
dès qu’on
qu’on connaît
connaît plus d’un paramètre influent (même si tous les autres paramètres n’ont pas été étudiés)
-Soit
-Soit { I } les
les paramètres
paramètres influents
influents choisis
choisis ::
On
On teste
teste les
les deux
deux configurations
configurations {{ I+
I+ }} R- et { I- }} R+
-- Si
Si {{ I-
I- } R+
R+ est
est de
de l’ordre
l’ordre de
de grandeur
grandeur de
de P-
P- et
et {{ I+
I+ }} R- de l’ordre de grandeur de P+, le test de bouclage a réussi : Il devient inutile d’étudier l’influence
l’influence des
des autres
autres paramètres
paramètres

337

7
Exemple
Exemple Etape
Etape 44 :: optimisation
optimisation du
du bouclage
bouclage
Si
Si D
D et
et FF avaient
avaient été
été classés
classés en
en premiers
premiers ::
 Test
Test des
des configurations
configurations D-R+
D-R+ ;; D+R-
D+R- ;; F-R+
F-R+ ;; F+R-
F+R-
 Conclusions
Conclusions :: D
D et
et FF sont
sont influents
influents

 Réalisation
Réalisation d’un
d’un test
test de
de bouclage
bouclage avec
avec DD et
et FF :: D-F-R+
D-F-R+ et
et D+F+R-
D+F+R-
 Conclusion
Conclusion :: D
D et
et FF sont
sont LES
LES SEULS
SEULS paramètres
paramètres influents
influents

Conclusion
Conclusion :: Le
Le test
test de
de bouclage
bouclage aa permis
permis d'économiser
d'économiser 88 essais
essais

338

7
Intersection
Intersection des
des limites
limites de
de contrôle
contrôle

 Lorsque l'étape 3 est concluante, on peut montrer que pour les valeurs r comprises entre 1,25 et 3,06, il y a intersection des limites de contrôle

 Dans ce cas, les règles de l'étape 4 sont à peu près les mêmes et se basent sur le positionnement des résultats par rapport à la ligne centrale
(définie par rapport aux limites de contrôle extrêmes)

339

7
Intersection
Intersection des
des limites
limites de
de contrôle
contrôle
Ligne centrale
P-
A non P+
influent
A-R+ A+R-

A seul P+
influent
A+R- A-R+
A influent mais P+
pas seul A-R+ A+R-
340

7
Les
Les 55 étapes
étapes de
de la
la méthode
méthode Shainin
Shainin

Etape n°1 : Sélectionner les paramètres probables

Etape n°2 : Définir les deux modalités + et – de


chaque paramètre

Etape n°3 : Valider le bon choix des paramètres


suspects

Etape n°4 : Identifier les paramètres influents

Etape n°5 : Quantification de l’influence des


paramètres
341

7
Méthode
Méthode Shainin
Shainin –– Etape
Etape n°5
n°5

Etape n°5 : Quantification de l’influence des paramètres

Objectifs :
- Quantifier les effets des paramètres influents afin de les classer entre eux
- Etudier les interactions des paramètres influents

342

7
Etape
Etape n°5
n°5 -Méthodologie
-Méthodologie

Etape n°5 : Quantification de l’influence des


paramètres

- Construire un tableau avec toutes les configurations de


paramètres INFLUENTS

-Classer chaque valeur de test (1 par configuration) dans la case


adéquate du tableau

- Calcul des moyennes par case

343

7
Exemple
Exemple Etape
Etape 55 :: influence
influence des
des paramètres
paramètres

D- D+
3 essais P - :
47 / 61 / 68
Jeux de tests :
Bouclage D-F-R+ : 70 D+R- : 30
Jeux de tests : F-R+ : 32
A+R- : 72 B+R- : 47
F- C+R- : 72 E+R- : 50 Moyenne : 31,0
Moyenne : 60,9
3 essais P+ :
4/4/3
Jeux de tests : Bouclage D+F+R- : 4
D-R+ : 23
F+R- : 18 Jeux de tests :
F+ A-R+ : 3 B-R+ : 5
Moyenne : 20,5 C-R+ : 7 E-R+ : 7
Moyenne : 4,6 344

7
Etape
Etape n°5
n°5 -- Méthodologie
Méthodologie

Etape n°5 : Quantification de l’influence des


paramètres

- Calcul des moyennes associées à chaque modalité de paramètre

-Calcul de la moyenne générale

- Tracé des graphes d’interprétation des effets

345

7
Exemple
Exemple Etape
Etape 55 :: moyenne
moyenne par
par modalité
modalité

D- = (60,9 + 20,5) / 2 = 40,7 D- D+


D+ = (31,0 + 4,6) / 2 = 17,8
F- 60,9 31,0
F- = (60,9 + 31,0) / 2 = 45,9
F+ = (20,5 + 4,6) / 2 = 12,6
F+ 20,5 4,6
(DF)- = (20,5 + 31,0) / 2 = 25,7
(DF)+ = (60,9 + 4,6) / 2 = 32,8

346

7
Exemple
Exemple Etape
Etape 55 :: Calcul
Calcul moyenne
moyenne générale
générale

D- D+
F- 60,9 31,0

F+ 20,5 4,6
Calcul de la moyenne générale :
= (60,9 + 31,0 + 20,5 + 4,6) / 4 = 29,2

347

7
Exemple
Exemple Etape
Etape 55 :: graphe
graphe d’interprétation
d’interprétation

45,9
40,7 + 16,7
+ 11,5
32,7
+ 3,5
29,2
- 3,5
25,7
- 11,5 - 16,7
17,8 Effet de la modalité D+ par
12,5 rapport à la moyenne

D- D+ F- F+ (DF) - (DF) +
348

7
Exemple
Exemple :: Conclusions
Conclusions

-La planéité du métal et la mise en place de la tôle sont les seuls


paramètres influents

-L’interaction de ces deux paramètres est négligeable par rapport


aux effets principaux

-La mise en place de la tôle est le paramètre le plus influent

-Les modalités réduisant la dispersion de la presse sont F+ et D+

349

7
Méthode
Méthode Shainin
Shainin :: Conclusion
Conclusion
A
A garder
garder àà l’esprit
l’esprit ::
-- Au
Au delàdelà de
de 33 paramètres
paramètres influents,
influents, la
la méthode
méthode Shainin
Shainin ne
ne donne
donne pas
pas toujours
toujours une
une estimation
estimation correcte
correcte des
des effets
effets pour
pour les
les interactions
interactions d'ordre
d'ordre 44
-- IlIl faut
faut alors
alors refaire
refaire un
un plan
plan complet
complet uniquement
uniquement avec
avec les
les paramètres
paramètres influents
influents
-- Suivre
Suivre rigoureusement
rigoureusement la
la méthode
méthode
-- Utiliser
Utiliser un
un système
système de
de notation
notation pour
pour toute
toute mesure
mesure par
par attributs
attributs
-- Eviter
Eviter les
les mesures
mesures qui
qui « diluent »
« diluent » les
les variations
variations

350

7
Œufs
Œufs àà la
la coque
coque :: Plan
Plan d’expériences
d’expériences

Les conditions d’utilisation de la méthode Shainin sont elles vérifiées ?

-- L’Ishikawa
L’Ishikawa contient
contient entre
entre 55 et
et 20
20 paramètres
paramètres
-- Tous
Tous les paramètres de l’Ishikawa sont
les paramètres de l’Ishikawa sont pilotables
pilotables
-- On
On aa « la
« la chance »
chance » d’avoir
d’avoir un
un processus
processus qui
qui génère
génère 13
13 %
% de
de non
non conformes
conformes !!!
!!!

La méthode Shainin est bien applicable !!!


351

7
Jeu
Jeu Plan
Plan d’expériences
d’expériences :: Etape
Etape 11

A vous de jouer !!!


- Constitution de 3 équipes
- Objectif : identifier les paramètres ayant une influence sur la cuisson de l'œuf à la coque
- Chaque équipe choisit au moins 5 causes probables


10 mn 352
7
Jeu
Jeu Plan
Plan d’expériences
d’expériences :: Etape
Etape 22


10 mn 353
7
Jeu
Jeu Plan
Plan d’expériences
d’expériences :: Réponse
Réponse étape
étape 22

Modalités ?
- Pour un même paramètre, chaque équipe a probablement sélectionné des modalités différentes

- Cela peut avoir un impact sur la réussite du plan d'expériences

- Il faut sélectionner des modalités représentatives de la production

354

7
Jeu
Jeu Plan
Plan d’expériences
d’expériences :: Réponse
Réponse étape
étape 22

Que mesurer ?

Le type de cuisson de l'œuf. Par exemple :


- Œuf cuit parfaitement
- Œuf un peu trop cuit
- Œuf dur

On suppose ces cuissons définies et leur détection validée par un gage R&R 355

7
Jeu
Jeu Plan
Plan d’expériences
d’expériences :: Réponse
Réponse étape
étape 22

Comment
Comment le
le mesurer
mesurer ??

Notation
Notation par
par attributs
attributs

-- Œuf
Œuf cuit
cuit parfaitement
parfaitement :: note
note 00
-- Œuf
Œuf un
un peu
peu trop
trop cuit
cuit :: note
note 55
-- Œuf
Œuf dur
dur :: note
note 15
15

Le
Le résultat
résultat d'un
d'un essai
essai comportant
comportant nn œufs
œufs sera
sera la
la somme
somme des
des notes
notes de
de chaque
chaque oeuf
oeuf

356

7
Jeu
Jeu Plan
Plan d’expériences
d’expériences :: Réponse
Réponse étape
étape 22

Combien d'oeufs par test ?

- On utilise le tableau fourni précédemment


- On sait qu’on a 13 % de non conformes

Choix arbitraire : 7 pièces

357

7
Jeu
Jeu Plan
Plan d’expériences
d’expériences :: Etape
Etape 33

Etape n°3 :
- Chaque équipe écrit les étapes méthodologiques suivies
- Distribution des résultats des essais qui sont demandés
- Chaque groupe tire ses conclusions


25 mn 358
7
Jeu
Jeu Plan
Plan d’expériences
d’expériences :: Etape
Etape 33

Conclusions Etape n°3 :


- La liste des paramètres sélectionnés est fondamentale
- Le choix des modalités des paramètres est fondamental
- La mesure est fondamentale

Il faut s’attarder sur les étapes 1 & 2


359

7
Jeu
Jeu Plan
Plan d’expériences
d’expériences :: Etape
Etape 44
Etape n°4 :
- Quelle(s) configurations allez-vous tester ?
- Distribution des résultats demandés
- Conclusions

30 mn
360

7
Jeu
Jeu Plan
Plan d’expériences
d’expériences :: Etape
Etape 55
Etape
Etape n°5
n°5 ::
-- Réaliser
Réaliser les
les graphes
graphes d’effets
d’effets de
de l’étude
l’étude
-- Classer les paramètres influents
-- Quelles
Quelles modalités
modalités sont
sont favorables
favorables ?
-- Quelle
Quelle amélioration
amélioration espérer
espérer si
si on
on ne
ne joue
joue que
que sur
sur un
un seul
seul des
des paramètres
paramètres influents
influents ??

30 mn 361

7
Réponses
Réponses du
du jeu
jeu plan
plan d’expériences
d’expériences

Etapes n°1 & 2 :

- Œuf cuit parfaitement : note 0


- Œuf un peu trop cuit : note 5
- Œuf dur : note 15
Un essai comporte 7 œufs et le résultat de l'essai est la somme des
notes de chaque oeuf

362

7
Réponses
Réponses du
du jeu
jeu plan
plan d’expériences
d’expériences

Etapes n°3 :

363

7
Réponses
Réponses du
du jeu
jeu plan
plan d’expériences
d’expériences

Etapes n°4 :

3 paramètres influents :
-T° œuf avant mise dans
casserole
- T° eau cuisson à la dépose
des œufs
- Durée cuisson oeuf

364

7
Réponses
Réponses du
du jeu
jeu plan
plan d’expériences
d’expériences
Etapes
Etapes nn 44 ::
14
14 essais
essais au
au minimum
minimum ::
-- 66 pour
pour l’étape
l’étape 33
-- 88 pour
pour l’étape
l’étape 44 (identification
(identification des
des 33 paramètres
paramètres influents
influents et
et test
test de
de bouclage)
bouclage)

24
24 essais
essais au
au maximum
maximum ::
-- 66 pour
pour l’étape
l’étape 33
-- 18
18 pour
pour l’étape
l’étape 44

365

7
Réponses
Réponses du
du jeu
jeu plan
plan d’expériences
d’expériences

Etape n°5 :

Moyenne générale : 43,7

366

7
Réponses
Réponses du
du jeu
jeu plan
plan d’expériences
d’expériences

Etape n°5 :

Le paramètre ayant le
plus d'influence est
l'interaction ABC
Vient ensuite le
paramètre T° eau cuisson
à la dépose des oeufs

367

7
Réponses
Réponses du
du jeu
jeu plan
plan d’expériences
d’expériences

Etape n°5 :

Pour estimer l'amélioration moyenne a espérer lorsqu'on ne joue que sur


UN SEUL paramètre, il suffit de se reporter au tableau des effets
principaux par modalités :

- T° œuf juste avant cuisson : un œuf issu du frigidaire permet un score de


42,5
- T° eau à la dépose de l'œuf : une T° eau > 90°C permet un score de 34,9
- Durée cuisson : 4 mn de cuisson permettent un score de 39,9

368

8
Œufs
Œufs àà la
la coque
coque -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie la Le processus de Les variations du On identifie les On valide qu'il ne reste


conformité de contrôle de processus sont CS puis on les plus de CS. Il ne reste
cuisson d'un cuisson est fiable connues élimine donc plus QUE des
oeuf causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

Réalisation de Test de Khi² + plan


l'Ishikawa du expériences : 3 369

problème paramètres influents
8
Œufs
Œufs àà la
la coque
coque –– Contrôle
Contrôle du
du temps
temps de
de cuisson
cuisson

Le propriétaire du restaurant modifie sa recette de préparation des œufs à la coque : les œufs doivent être à T° ambiante, et l'eau de cuisson doit obligatoirement être bouillante.

Les différents cuisiniers sont informés de ces changements. On peut alors considérer que seule la durée de cuisson des œufs peut impacter la qualité finale

370

8
Œufs
Œufs àà la
la coque
coque –– Maîtrise
Maîtrise du
du temps
temps de
de cuisson
cuisson

A vous de jouer !!!


Comment parvenir à maîtriser le
temps de cuisson de l'oeuf ?

5 mn 371

8
Maîtrise
Maîtrise du
du temps
temps de
de cuisson
cuisson -- Réponse
Réponse

Déterminer un intervalle de tolérance sur le temps de cuisson de l'œuf

Mettre le temps de cuisson sous surveillance par carte de contrôle jusqu'à l'obtention d'un processus satisfaisant pour le client

372

8
Œufs
Œufs àà la
la coque
coque –– IT
IT du
du temps
temps de
de cuisson
cuisson

A vous de jouer !!!


Comment obtenir une tolérance sur la durée de cuisson ?

Comment valider cette tolérance ?

5 mn 373

8
IT
IT du
du temps
temps de
de cuisson
cuisson -- Réponse
Réponse

Faire varier le temps de cuisson et noter le type de cuisson de l'œuf

Utiliser les tests t et F pour conclure

Qualité cuisson
Trop

Un peu trop

Parfaite

Insufffisante
Temps
2,5 2,8 3,0 3,2 3,5 cuisson (mn) 374

2,9 3,1 3,3
9
Œufs
Œufs àà la
la coque
coque -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie la Le processus de Les variations du On identifie les On valide qu'il ne reste


conformité de contrôle de processus sont CS puis on les plus de CS. Il ne reste
cuisson d'un cuisson est fiable connues élimine donc plus QUE des
oeuf causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

Réalisation de Test de Khi² + plan Carte de contrôle


l'Ishikawa du expériences : 3 sur le temps de 375

problème paramètres influents cuisson
9
Œufs
Œufs àà la
la coque
coque -- Valider
Valider la
la réduction
réduction de
de variabilité
variabilité

376

9
Œufs
Œufs àà la
la coque
coque -- Valider
Valider la
la réduction
réduction de
de variabilité
variabilité
Carte p (%)

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

- pbar = 0,33 %
- Les besoins clients sont satisfaits (PPM journaliers inférieurs à
2% dans au moins 99,73 % des cas)
377

10
Œufs
Œufs àà la
la coque
coque -- Méthodologie
Méthodologie

1 2 3 4 5
Valider
Valider Eliminer
Définir le Observer la stabilité
le processus les causes
problème le du
de contrôle spéciales
processus processus

On étudie la Le processus de Les variations du On identifie les On valide qu'il ne reste


conformité de contrôle de processus sont CS puis on les plus de CS. Il ne reste
cuisson d'un cuisson est fiable connues élimine donc plus QUE des
oeuf causes communes

6 7 8 9 10
Identifier Identifier Maîtriser Valider Verrouiller
les causes les les la réduction et standardiser
probables de paramètres paramètres de
variation influents influents variabilité

Réalisation de Test de Khi² + plan Carte de contrôle Utilisation de la


l'Ishikawa du expériences : 3 sur le temps de carte de contrôle 378

problème paramètres influents cuisson
10
Œufs
Œufs àà la
la coque–
coque– Verrouiller
Verrouiller et
et standardiser
standardiser

379

Conclusion
Conclusion générale
générale

Suivre les 10 étapes

La statistique est la formulation mathématique d'un


problème pratique : la solution doit rester pratique

Demandez de l'aide lorsque c'est nécessaire

380

For Minitab Users :
 If P > 0 .0 5 , th e n f a il to r e je c t H O
Conclusion
Conclusion Générale
Générale C o n tin g e n c y T a b le
 If P < 0 .0 5 , th e n r e je c t H O
 E n s u r e th e c o r r e c t s a m p le s iz e is ta k e n . H O : D a t a is n o r m a l V a r ia b le o r 2 H O : F A In d e p e n d e n t F B
H A : D a ta is n o t n o r m a l START >>> A tt r ib u te D a t a ?
A ttr ib u te 1 o r 2 F a c to r?
F a c to r H A: FA D ependent F B

L e v e n e 's T e s t S t a t > B a s ic S t a t > N o r m a lit y T e s t o r S ta t> T a b le s > C h i2 T e s t


H O :  1 =  2 =  3 ... S t a t > B a s ic S t a t > D e s c r ip t iv e S t a t is t ic s
( g r a p h ic a l s u m m a r y ) V a r ia b le 1 F a c to r
H A :  i   j fo r i  j
(o r a t le a s t o n e is d iffe re n t)
1 -P r o p o r tio n T e s t
S ta t> A N O V A >
2 or D a ta 1 S a m p le HO: P 1 = P t
H o m o g e n e it y o f V a r ia n c e 1 , 2 o r m o re 1 1 , 2 o r m o re
m o re not Is d a ta n o r m a l? 1 o r > 1 L e v e ls ? 1 le v e l HA : P 1  P t
If H O is r e je c te d , th e n y o u c a n le v e ls ? F a c to r F a c to rs ? t = target
g o n o fu rth e r le v e ls N o rm a l to te s t
S ta t> B a s ic S ta t>
1 -P r o p o r tio n
F a il to r e je c t H O 1 le v e l 2 o r m o re F a c to rs
2 -P r o p o r tio n T e s t
2 S a m p le s HO: P 1 = P 2
D a ta N o rm a l D oE
2 le v e ls to t e s t f o r HA: P 1  P2
2 le v e ls o r T e s t m e d ia n
e a c h 2 le v e ls
> 2 le v e ls ? o r s ig m a ? S ta t> B a s ic S ta t>
2 -P r o p o r tio n
B a r t le t t 's T e s t
HO: 1 = 2 = 3 ...
2 le v e ls o n ly T e s t f o r s ig m a s
1, 2 or >2 M o re th a n HA:  i  j for i  j
(or at least one is different) T e s t fo r m e a n s
M a n n - W h it n e y T e s t le v e ls ? 2 le v e ls
C h i2 T e s t S ta t> A N O V A > H o m o g e n e ity o f V a r ia n c e
HO: M 1 = M2 If s ig m a s a r e N O T e q u a l, p r o c e e d w it h c a u t io n o r u s e
HO: 1 = t W e lc h 's T e s t , w h ic h is n o t a v a ila b le in M in it a b 1 -W a y A N O V A
H A: M 1  M 2
HA:  1   t ( a s s u m e s e q u a lity o f
S ta t> N o n -p a r a m e tr ic > t = target 1 le v e l v a r ia n c e s )
M a n n - W h it n e y T est
M e d ia n s S ta t> B a s ic HO:  1 =  2 = 3 ...
2 or
S ta t> D is p la y D e s c > HA:  i  j for i  j
m o re T e s t fo r T e s t fo r Is D a ta
G r a p h ic a l S u m m a r y 2 le v e ls (or at least one is different)
le v e ls M o o d 's M e d ia n T e s t m e a n o r s ig m a ? m eans D e p e n d e n t?
( if t a r g e t s ig m a f a lls
( u s e d w ith o u t lie r s ) S ta t> A N O V A > 1 -W a y
b e t w e e n C I, th e n f a il t o
H O : M1 = M 2 = M 3 ... r e je c t H O ) ( t h e n s e le c t s t a c k e d o r
H A : M i  M j for i  j T e s t fo r T e s t fo r u n s ta c k e d d a ta )
(or at least one is different) m e a n o r s ig m a ? m eans
N o,
S ta t> N o n -p a r a m e tr ic > 1 -S a m p le W ilc o x o n o r D a t a is d r a w n Yes,
1 - S a m p le t T e s t
M o o d 's t e s t 1 - S a m p le S ig n in d e p e n d e n t ly D a ta is
HO: 1 = t T e s t fo r fro m tw o P a ir e d
T e s t fo r HA:  1   t
HO: M 1 = Mt s ig m a s p o p u la t io n s
s ig m a s t = target
K r u s k a l-W a llis T e s t HA: M 1  Mt
S ta t> B a s ic S t a t>
( a s s u m e s o u t lie r s ) t = target
1 -S a m p le t
S ta t> N o n -p a r a m e tr ic > C h i2 T e s t 2 -S a m p le t T e s t P a ir e d t T e s t
H O: M1 = M 2 = M 3 ...
a n d e it h e r 1 - S a m p le HO: 1 =  2
H A: M i  M j for i  j HO: 1 = 2
S ig n o r 1 - S a m p le HO: 1 = t HA: 1  2
(or at least one is different)
F Test HA: 1   2
W ilc o x o n HA :  1   t
S ta t> N o n -p a r a m e tr ic > t = target HO: 1 = 2 S t a t > B a s ic S t a t > S ta t> B a s ic S ta t>
K r u s k a l- W a llis S ta t> B a s ic HA:  1   2 2 -S a m p le t P a ir e d t
S ta t> D is p la y D e s c > ( if s ig m a s a r e e q u a l, u s e
S ta t> A N O V A >
G r a p h ic a l S u m m a r y p o o le d s t d d e v t o c o m p a r e .
C o u r te s y o f J e ff R a ilt o n a n d A n d y B a tty H o m o g e n e it y o f
o f S e a g a t e T e c h n o lo g y .
( if t a r g e t s ig m a f a lls
b e tw e e n C I, th e n f a il t o
V a r ia n c e
I f s ig m a s a r e u n e q u a l
c o m p a r e m e a n s u s in g 381
R e v is e d : J u n e 2 3 , 1 9 9 9 r e je c t H O ) u n p o o le d s td d e v )

( H y p o th e s is R o a d m a p E .v s d )
Conclusion
Conclusion Générale
Générale

Merci de remplir le sondage ainsi que le formulaire


d'évaluation de la formation

Guide de proche VR : FAU-S-PSX-0231

Jeu des 10 étapes

382

Jeu
Jeu des
des 10
10 étapes
étapes

383

Conclusion
Conclusion Générale
Générale

Merci pour votre participation !!

384

Vous aimerez peut-être aussi