11 • OSMOLARITÉ, MULTIPLES SOURCES

DE VARIATION

Dans cette étude de cas nous nous retrouvons face à des données dont la variabilité
court terme est très différente de celle à long terme. Les cartes de contrôle classiques
privilégient l’utilisation de la variabilité court terme qui ne correspond pas en théo-
rie à celle recherchée mais qui en est certes très proche lorsque court et long terme
ne sont pas trop distincts. Nous expliquons en quoi l’utilisation des cartes classiques
pose un problème dans la Section 11.2. B

ÉTUDES DE CAS INDUSTRIELS

11.1 Contexte
Dans cette étude de cas, issue de la fabrication de produits médicaux, le paramè-
tre mis sous contrôle est l’osmolarité qui représente en biologie et en chimie, une
mesure du nombre d’osmoles de soluté par litre de solution. Il ne faut pas confondre
avec la molarité qui est une mesure du nombre de moles de soluté par litre de
solution (1 mole correspondant à 2,2 · 1022 particules). Si le solvant est de l’eau, les
mesures d’osmolarité et de molarité sont équivalentes, pour des solutions diluées,
car la masse volumique de l’eau est de 1kg/l. L’osmolarité représente le nombre de
moles de particules osmotiquement actives dans une solution idéale ; par exemple
une mole de glucose est une osmole, alors qu’une mole de chlorure de sodium
vaut deux osmoles (dissociation dans l’eau du Chlorure de sodium en une mole de
sodium et une mole de chlore d’où deux osmoles).
Cette entreprise met en place progressivement des cartes de contrôle sur les princi-
paux paramètres de fabrication. Un logiciel de MSP commercial est en place dans
l’entreprise et les cartes de contrôle sont pour le moment suivies par l’engineering.
Nous traitons dans cette étude de cas la mise en place d’une nouvelle carte de
contrôle sur un paramètre directement lié au produit, l’osmolarité. Deux points de
mesure (sous échantillons) sont mesurés par solution, ce qui va permettre de réaliser
© Dunod. La photocopie non autorisée est un délit.

une carte X̄ (ou Xbar). Mais l’utilisation de cette dernière va poser des problèmes.

11.2 Démarche statistique

Notre étude de cas traite ici un problème rencontré fréquemment sur des cartes
X¯ quand la variation inter groupe (soit entre échantillons) est beaucoup plus im-
portante que la variation intra groupe (c’est-à-dire au sein des échantillons). Pour
comprendre le problème qui apparaît alors, il nous faut revenir à la théorie des
cartes de contrôle. Les cartes X̄ correspondent à un test sur la moyenne, comme
nous l’avons vu dans la Partie 1 « Principes de la MSP ». On teste pour chaque

101
 11 • Osmolarité, multiples 11.2 Démarche statistique
sources de variation

échantillon k l’hypothèse {μX = m0 }, où μX est la moyenne de la caractéristique et

m0 est la référence, avec un risque de première espèce α usuellement égal à 0,27 %.
La statistique de test est alors X¯k , la moyenne du kème échantillon qui suit une
loi normale N (μ, σX2¯ ). On a donc les limites de contrôle, LC = μX¯ ± 3σX¯ , qui
définissent un intervalle de confiance au seuil α, et la question est d’estimer l’écart
type des moyennes σX¯ dont l’estimation usuelle est
K ¯k − X̄¯)2
k =1 (X
σX¯ =
K −1

avec K le nombre total d’échantillons, X¯k la moyenne du kème échantillon et X̄¯ la

moyenne des moyennes.
Les cartes de contrôle X̄ estiment σX¯ par l’intermédiaire de celui de X avec :
√
σX¯ = σX / n

et l’estimation de l’écart type de la caractéristique X , noté σX , se fait classiquement

par S̄ /c4 ou R̄ /d2 qui correspond à la variabilité court terme. Or, il n’y a pas de
justification théorique à utiliser la variabilité instantanée plutôt que celle à long
terme ; elle est certainement plus d’ordre pratique, pour privilégier le fait de ne
pas rater des points hors contrôle au détriment d’un plus grand nombre de fausses
alarmes, la variabilité court terme étant toujours plus petite ou égale à celle du long
terme.
Dans le cas d’un procédé avec de multiples sources de variation, par exemple quand
les pièces sont fabriquées par lot et que la variation à l’intérieur d’un lot est faible
relativement à la variation d’un lot à l’autre, on peut se retrouver avec une variation
court terme faible et une à long terme importante toutes deux différentes de la
variabilité des moyennes. La Figure 11.1 illustre ce point.
Certes toutes ces variations sont reliées (cf. équation classique des sommes des carrés
utilisée par exemple dans l’analyse de la variance et que nous utilisons dans l’Appli-
cation 8, dernière question). Nous avons en effet

SCT = SCinter + SCintra

avec SCT la somme totale des carrés, reliée à la variation globale et donc long terme,
et SCinter la somme des carrés intra échantillons, reliée à la variabilité court terme. La
dernière somme, SCinter , correspond à celle des carrés inter groupes. Dans le cas où
SCinter est proche de 0, c’est à dire pour les « M » autres que la machine sous contrôle,
on aura le choix comme estimateur de la variabilité de la caractéristique de X , la
variabilité long terme comme court terme et le choix des cartes classiques est tout
à fait justifié. Cela ne l’est plus dans le cas de source de variations multiples. Voilà
ci-dessous la solution que nous proposons afin de réellement estimer la variabilité
des moyennes.
Comme nous l’avons dit précédemment, nous voyons dans la Figure 11.2 que le
calcul usuel des limites de contrôle, dans le cas où la variabilité court terme est très

102
 11 • Osmolarité, multiples 11.2 Démarche statistique
sources de variation

E bar

E LT

ÉTUDES DE CAS INDUSTRIELS

Echantillons

E bar

EG
© Dunod. La photocopie non autorisée est un délit.

Echantillons
Figure 11.1 – Osmolarité : Les deux schémas ci-dessus permettent de distinguer les
différentes variabilités, court et long terme. Dans le schéma du haut il y a une nette
différence entre variabilité court terme et long terme représentées respectivement par
l’étendue globale EG et l’étendue court terme Ebar = Ē, moyenne des étendues des
échantillons. Dans celui du bas, l’étendue globale est quasiment identique à l’étendue
court terme.

103
 11 • Osmolarité, multiples 11.2 Démarche statistique
sources de variation

201
200

Moyen d’osmolarité
199
198 UCL=197.91
197
Avg=196.74
196
LCL=195.57
195
194
193
192
5 10 15 20 25 30 35 40 45 50 55 60
Échantillons
Figure 11.2 – Osmolarité : Les limites de contrôle calculées avec l’étendue (range) des
échantillons sont beaucoup trop serrées. De nombreuses alarmes intempestives
apparaissent.

différente de celle du long terme, va donner des limites clairement trop serrées et
qui ne sont pas adéquates au problème.

Nous laissons donc de côté les cartes X¯ et nous effectuerons un calcul préalable
des moyennes de l’osmolarité, ici sur des échantillons de taille n = 2, et nous
réaliserons une carte individuelle I sur ces moyennes (voir Figure 11.3) avec des
limites de contrôle dans l’esprit de Shewhart et Deming : un point hors contrôle
signale une cause spéciale, avec une faible probabilité d’erreur. Dans les cartes I ,
les points notés sur la carte correspondent aux valeurs individuelles qui sont en fait
ici une moyenne et la variabilité pour le calcul des limites est estimée par l’écart
type de toutes les valeurs de la carte, autrement dit l’écart type des moyennes ce qui
correspond exactement à ce que nous recherchons.

202
201 UCL=200.89
200
Moyen d’osmolarité

199
198
197 Avg=196.74
196
195
194
193
LCL=192.59
192
5 10 15 20 25 30 35 40 45 50 55 60
Échantillons
Figure 11.3 – Osmolarité : I-chart avec limites calculées sur les données individuelles
« moyennes d’échantillons ». Non seulement cela semble beaucoup plus réaliste, mais
aucun point n’est hors contrôle, le processus de fabrication n’est pas arrêté de manière
erronée.

104
 11 • Osmolarité, multiples 11.3 Bénéfices, risques et perspectives
sources de variation

11.3 Bénéfices, risques et perspectives

Le principal risque rencontré a été celui du calcul des limites de contrôle dans le cas
classique sans prendre de recul par rapport aux données. Dans ce type de fabrication,
la variation de lot à lot est beaucoup plus forte que la variation intra lot, ce qui pose
un problème de calcul en utilisant la formule usuelle (à l’aide de l’étendue intra
lot) pour calculer les limites sur la moyenne. Un tel calcul va conduire à des limites
beaucoup trop serrées et donc à un SPC inefficace donnant lieu à un trop grand
nombre de fausses alarmes.
Ce risque étant écarté en utilisant la méthode proposée, les bénéfices de la mise en
œuvre des cartes de contrôles commencent à se sentir dans cette entreprise, il y a
moins de lots de produits qui se retrouvent hors distribution à tord et un procédé
où la sur réaction est évitée.
Les perspectives consistent à étendre le SPC à toutes les étapes de fabrication, sur
des paramètres parfois complètement différents, afin notamment de réduire l’écart
entre variabilité court et long terme en relation avec les « M » autres que la machine. B
La mise en place de l’étude des chutes de capabilité (cf. Chapitre 4) peut également

ÉTUDES DE CAS INDUSTRIELS

permettre de mettre en évidence ce genre de problème lié à de multiples sources
de variation. L’utilisation des données issues de cartes de contrôle pour les relier
à d’autres paramètres produits doit aussi permettre d’optimiser cette fabrication
complexe.
Nous recommandons donc de bien étudier les chutes de capabilité d’une part et
de ne pas oublier d’étudier pleinement les données avant d’effectuer les cartes de
contrôle (graphiquement ou bien test d’un effet échantillon). Dans ces cas de figure,
où un décalage important entre court et moyen terme est observé, nous conseillons
de calculer d’abord l’indice à mettre sous contrôle, la moyenne par lot par exemple,
et d’appliquer une carte I avec des limites à ±3σ sur ces moyennes. Ainsi le pro-
blème des sources de variation multiples disparaît et les limites sont correctes.
© Dunod. La photocopie non autorisée est un délit.

105