Controle Stat Qualite

Introduction au
Contrôle statistique de la qualité

Liège, février 2021
F. Farnir
Faculté de Médecine Vétérinaire
Université de Liège (Belgique)
1
Introduction
Qualité ?
◦ Il existe de nombreuses définitions, fonctions
des exigences de ceux qui la définissent
◦ Une définition possible serait: « un produit
est de qualité lorsqu’il rencontre les exigences
de celui qui l’achète »
Dans les sciences du vivant ?
◦ Comme dans d’autres applications (y inclus
industrielles), le besoin de qualité est
omniprésent dans les sciences du vivant.
2
Introduction
Exemples ?
◦ Agronomie
exemple: qualité et quantité des plants cultivés.
◦ Pharmacologie et vaccinologie
exemple: qualité des médicaments et des vaccins
◦ Contrôle de la chaine alimentaire
exemple: quantité de résidus (pesticides, dioxines),
comptages bactériens dans la viande et le lait, …
◦ Production agro-alimentaire
exemple: poids et aspect des portions, …
◦…
3
Introduction
Normes ISO 9001 (2015)
◦ Définition d’exigences concernant
l’organisation d’un système de gestion de la
qualité
Les principes actuels ont été établis en 2008, une
actualisation a eu lieu en 2015
◦ Les exigences couvrent 4 grands domaines:
4
Introduction
Normes ISO 9001 (2015) - suite
◦ Domaines
Responsabilité de la direction : exigences d'actes de la
part de la direction en tant que premier acteur et acteur
permanent de la démarche.
Système qualité : exigences administratives permettant
la sauvegarde des acquis. Exigence de prise en compte
de la notion de système.
Processus : exigences relatives à l'identification et à la
gestion des processus contribuant à la satisfaction des
parties intéressées.
Amélioration continue : exigences de mesure et
enregistrement de la performance à tous les niveaux
utiles ainsi que d'engagement d'actions de progrès
efficaces.
5
Introduction
Normes ISO 9001 (2015) – suite
◦ Parmi les exigences de ce « Système de
Gestion de la Qualité », plusieurs font appel à
des techniques d’ordre statistique:
mise en place d'indicateurs de la qualité,
suivi des actions mises en place,
exploitation des données recueillies,
amélioration continue du système.
◦ On parlera alors de « Contrôle statistique de
la qualité (CSQ) »
6
Problématique statistique
Un contrôle longitudinal de la qualité est
donc nécessaire
◦ traçabilité
◦ maintien dans des normes acceptables des
paramètres étudiés
Sauf dans de rares cas, toute la population
visée n’est pas accessible, et on devra se
contenter d’un échantillon
◦ Populations généralement grandes
◦ Coûts échantillonnage ↔ non-conformité
◦ Contrôles destructifs…
7
Problématique statistique (suite)
On souhaitera donc disposer
d’échantillons:
◦ représentatifs…
◦ de taille limitée (coûts…)
◦ mais suffisante pour espérer une précision
satisfaisante…
◦ => rappels sur l’échantillonnage

=> rappels sur la précision
8
Aspects statistiques
Dans cette partie, nous aborderons:
◦ quelques rappels sur les distributions
importantes pour le CSQ
binomiale
χ²
normale, Student
◦ quelques rappels sur l’échantillonnage
◦ quelques rappels sur la précision de
l’estimation
9
Rappels statistiques
Rappel sur les distributions importantes
pour le CSQ
◦ Voir cours du début d’année...
10
Exemples d’utilisation de la binomiale
◦ Si un défaut a 10% de chance de survenir sur
chaque sujet testé, quelle est la probabilité
d’avoir plus de 2 défauts en testant 10 sujets ?
11
◦ Si un défaut a 10% de chance de survenir sur
chaque sujet testé, quelle est la probabilité
d’avoir plus de 2 défauts en testant 10 sujets ?
◦ Solution
Utiliser la loi binomiale ∗ ∗ 1
La probabilité recherchée vaut:
3 4 ⋯ 10 1 0 1 2
Calcul (excel): P = 1 – loi.binomiale(2;10; 0,1; VRAI)
Résultat: P = 0,0702
12
◦ Si un défaut a en principe 10% de chance de
survenir sur chaque sujet testé, à partir de
combien de défauts commencera-t-on à douter
de ce pourcentage si on teste 10 sujets ?
◦ Solution
On peut formuler le problème comme un test
d’hypothèse ( : 0.10)
Si le nombre de défauts (d) est tel que:
0,05
on rejettera .
13
◦ Solution
On peut cumuler les probabilités P(10) + P(9) + ...
jusqu’à ce que la somme excède 5%
Avec excel, on obtient facilement:
P(r ≥ 3) = 0,0702
P(r ≥ 4) = 0,0128
On doutera donc de « l’hypothèse 10% » si r > 3.
14
Exemples d’utilisation de la normale
◦ Si les poids des portions d’un aliment produit par
une société agro-alimentaire a une distribution
normale de moyenne 100 grammes et de
déviation standard 5 grammes (notation:
N[100;5]), combien de portions s’attend-on à
voir dépasser le poids de 112 grammes dans une
production journalière de 1500 portions ?
15
Exemples d’utilisation de la normale
◦ Solution
Probabilité d’un poids de plus de 112 grammes ?
Avec excel: =1–loi.normale(112;100;5;vrai)
Résultat: p = 0,008198
Nombre attendu de poids de plus de 112 grammes ?
x = N*p = 1500*0,008198 = 12,3
En moyenne, chaque jour, on s’attend à obtenir 12.3 portions de
plus de 112 grammes.
16
Exemples d’utilisation de χ²
◦ Si, dans le problème précédent, on obtient 25
portions de plus de 112 grammes sur la même
journée, que peut-on en déduire ?
17
◦ Solution
L’hypothèse nulle est que les poids des portions ont
une distribution N(100;5)
Si cette hypothèse est vraie, on s’attend à observer
12,3 portions de plus de 112 grammes (et 1487,7
portions de moins de 112 grammes) par jour
En réalité, on a observé 25 portions de plus de 112
grammes (et 1475 portions de moins de 112 grammes)
sur une journée
18
◦ Solution (suite)
On peut comparer les effectifs aux attendus via un χ²:
χ² = (12,3-25)²/12,3 + (1487,7-1475)²/1475 = 13,23
Comme il y a 2 catégories, il y a (2-1) = 1 degré de liberté
La probabilité d’atteindre une telle valeur de chi-carré, ou de la
dépasser vaut:
(avec excel) =loi.khideux(13,23;1)
p = 0,00028
Comme cette probabilité est très faible, on est conduit à
rejeter l’hypothèse nulle: les poids ont augmenté !
19
binomiale
χ²
normale, Student
l’estimation
20
Types de mesures
Qualitatives
◦ p.e. défectueux – non défectueux…
Quantitatives
◦ p.e. poids de la portion…
Selon les cas, le contrôle sera abordé de

manière différente:
21
Tableau récapitulatif
Contrôle Contrôle
qualitatif quantitatif
Paramètre étudié µ = moyenne pop
π = % défectueux
dans lot de taille N σ = écart-type pop
Estimateur utilisé m = moyenne lot
p = % défectueux
sur lot de taille N s = écart-type lot
Lois de distr. Student (n-1) → µ
Binomiale (n,p)
d’échantillonnage χ² (n-1) → σ
22
Echantillonnage
Un « bon » échantillonnage est
caractérisé par certaines propriétés:
◦ Représentativité de la population visée
Elimination des biais
Adaptation au contrôle visé
◦ (Pseudo-)aléatoire
Echantillonnage simple
Echantillonnages stratifié, en grappe, …
◦ Economiquement justifié
Compromis coûts - sécurité
23
Représentativité
Définir la population visée
◦ En routine
Un secteur (p.e. restauration rapide), une enseigne
(p.e. Quick), un restaurant particulier
Produits visés
◦ Lors d’une crise
Production d’un pays, d’une région, d’un abattoir ?
Mode de fabrication
Producteurs dans une zone délimitée
Produit incriminés
24
Représentativité
Eliminer les biais
◦ Exemples de biais
Effet du moment de la journée
p.e. changement d’équipes, nettoyage, …
Effet du moment dans la semaine
p.e. procédures de nettoyage de la chaine de production
Effet de la période de l’année
T° extérieure, transport, …
Effets « locaux »
Normes différentes de respect d’hygiène suivant l’opérateur
Position dans le lot
…
25
Représentativité
Adaptation au contrôle visé
◦ Contrôle à la réception d’un lot
Choix de n individus au hasard
◦ Contrôle de fabrication
Choix de n individus au hasard et d’une fréquence f
de prélèvement (voir « cartes de contrôle »)
si f et n augmentent, l’efficacité du contrôle augmente, mais
le coût également…
◦ Question: comment choisir n (et f) ?
Cfr plus loin
26
Exemples d’échantillonnage
Echantillonnage stratifié
Echantillonnage en grappes
...
◦ Voir quelques exemples en annexe.
27
binomiale
χ²
normale, Student
l’estimation
28
Estimation
L’idée de l’estimation est de fournir à
partir d’un échantillon un « ordre de
grandeur » de la variable étudiée. Cette
estimation peut prendre:
◦ la forme ponctuelle d’une valeur censée
représenter la valeur estimée
◦ la forme d’un intervalle de confiance
renfermant la valeur estimée avec une
probabilité qu’on peut choisir
29
Estimation ponctuelle
Contrôle par attribut (p.e. contamination)
◦ On estime π, la prévalence dans la population
visé, via p = n / N, la prévalence observée sur
l’échantillon.
Contrôle aux mesures (p.e. poids portion)
◦ On estime µ, le poids moyen, et
éventuellement σ, la dispersion, via m et s,
estimateurs mesurés sur l’échantillon.
30
Estimation ponctuelle: remarques
Les grandeurs à estimer (π, µ, σ) sont des
constantes, caractéristiques de la
population étudiée.
Par contre, les estimations ponctuelles (p,
m, s) sont des variables, dépendant de
l’échantillon utilisé pour les calculer
=> l’estimation est en général imparfaite,
et il existe une distribution des valeurs
d’estimateurs.
31
Estimation ponctuelle: exemple
Exemple avec R
> m<-rep(0,1000)
> for (i in 1:1000) {
m[i]<-mean(rnorm(20,mean=20,sd=3))
+ }
> hist(m)
◦ rnorm(n,mean=m,sd=s) échantillonne n
valeurs au hasard dans N(m,s)
◦ mean(X) calcule la moyenne de X
◦ hist(m) produit un histogramme avec m
32
Estimation ponctuelle: exemple
Résultat avec R
33
Estimation par intervalle de
confiance
Commençons par l’estimation de π
On montre, en statistique, que:
◦ quand n est grand (n*p > 5, n*(1-p) > 5)
n −π p −π
z= N ≈ où Z ~ N(0;1)
π * (1 − π ) p * (1 − p )
N N
◦ quand n est petit

Utilisation de la loi binomiale
34
confiance
Supposons tout d’abord n « grand »
◦ Utilisation pour le calcul d’un IC(α):
On choisit α: probabilité p ∈ IC(α) = 1 – α
Typiquement: α = 0.05 (souvent aussi: 0.01, 0.001)
On cherche les valeurs Zi et Zs entre lesquelles Z a
une probabilité (1 – α) de se situer
P( -1.96 ≤ Z ≤ 1.96) = 0.95
On remplace Z par sa valeur approchée:
( )
P p − 1.96 * p * (1 − p ) / N ≤ π ≤ p + 1.96 * p * (1 − p ) / N = 0.95
35
confiance
Supposons tout d’abord n « grand »
◦ De manière plus générale:
P( p – W(α) ≤ p ≤ p + W(α)) = 1- α
où W(α) = tα/2,(N-1)*√p*(1-p)/N
Dist. t de Student avec (N-1) ddl
36
confiance
Exemple: si 7 lots sur 1000 examinés
dépassent une norme qu’on ne doit
dépasser que dans 5 cas sur 1000, doit-on
conclure immédiatement à un problème ?
37
Estimation par intervalle de confiance
Solution:
Si 7 lots sur 1000 examinés dépassent une norme
qu’on ne doit dépasser que dans 5 cas sur 1000,
doit-on conclure immédiatement à un problème ?
p = 0.007, α=0.05 ⇒ z = -1.96

( , #∗ ,$$%⁄
0,007 1,96 ∗ &
0,007 0,00516
0,00183; 0,01217
Comment interpréter ce résultat ?
38
confiance
Interprétation
◦ Si on part de l’hypothèse (nulle…) selon laquelle
il y a une proportion π = 0.005 de valeurs au-
dessus de la norme autorisée, on voit qu’une
valeur de p = 0.007 n’est pas aberrante puisque
l’intervalle de confiance contient la valeur π =
0.005
◦ On dira que l’hypothèse nulle est acceptée (au
seuil α = 0.05) dans ce cas.
◦ On peut donc interpréter le calcul de l’IC
comme un test d’hypothèse.
39
confiance
Autres exemples: voir en annexe
40
Intervalles de confiance
Résumé
Paramètre à
Formule à utiliser
prédire
IC(α) = [pi; ps]
π (n petit)
où pi, ps fournis par 2 lois binomiales
IC(α) = [p - z*d; p + z*d]
π (n grand)
où z = z(α) et d² =p*(1-p)/n
IC(α) = [m - z*d; m + z*d]
µ (σ connu)
où z = z(α) et d² = σ²/n
IC(α) = [m - t*d; m + t*d]
µ (σ inconnu)
où t = t(α,n-1) et d² = s²/n
41
Décisions et risques
Comme le contrôle s’apparente à un test
d’hypothèse, il est exposé aux mêmes
risques que ces derniers:
H0 acceptée H0 rejetée
Erreur type I
H0 vraie OK !
α
Erreur type II
H0 fausse β
OK !
42
Interprétation des risques
Si on part de l’hypothèse (nulle) de

conformité, les deux erreurs
s’interprètent de la manière suivante:
◦ Risque de 1° espèce (α) = probabilité de
refuser à tort un lot conforme
◦ Risque de 2° espèce (β) = probabilité
d’accepter à tort un lot non conforme
43
Interprétation des risques (suite)
Du point de vue de la sécurité
alimentaire, le risque β est évidemment
le plus dangereux. Il dépend:
◦ de α
α = 5%, 1%, 0.1% arbitrairement (le plus souvent)
β ↑ quand α ↓
◦ de la taille de l’échantillon n
β ↑ quand n ↓
◦ de l’écart d existant entre conformes et non-
conformes
β ↑ quand d ↓
44
Illustration
◦ Calculons le risque encouru dans une situation
de contrôle quantitatif (gaussien)
d = (µR - µC)/σ
µR = moyenne de référence
µC = moyenne de la population contaminée
σ = déviation standard (supposée identique dans les 2 pop.)
On veut obtenir:
β = β(d,n,α=0.05) = « courbes d’efficacité » pour α = 0.05
45
Résultat:
46
Contrôle statistique d’un processus
SPC = Statistical Process Control
◦ Attitude concernant le désir de tous les
membres d’une organisation d’améliorer
continument la qualité et la productivité.
◦ La qualité d’une production est liée à la notion
de variabilité (Shewhart):
Toute chose étant égale, la production reste stable,
et par conséquent, la qualité aussi.
Le contrôle de la qualité est donc un exercice de
contrôle de la variabilité de la production.
47
◦ La statistique met des outils techniques à
disposition pour atteindre les objectifs de
contrôle de la qualité
Les « 8 magnifiques » sont les outils majeurs
Histogrammes
Feuille de vérification
Graphique de Pareto
Diagramme Cause – Effet
Diagramme de concentration des défauts
Diagramme de dispersion
Graphique de contrôle
48
◦ Les objectifs principaux sont donc:
Réduire la variabilité des processus
Suivi et surveillance d’un processus
Estimation des paramètres du produit ou du
processus
49
D’où vient la variabilité ?
Variabilité commune (Chance variability)
◦ Variations stochastiques, petites, inhérentes
au système, laissant le processus dans un
niveau de performance acceptable
=> système « sous contrôle statistique »
Variabilité spéciale (Assignable variability)
◦ Variation systématique, grandes, conduisant le
processus dans un niveau de performance
inacceptable (typiquement, ↑ du # de non-
conformités)
=> système « hors de contrôle statistique »
50
D’où vient la variabilité spéciale?
Causes de variabilité spéciale
◦ Machines mal ajustées
Ex: taille ou poids d’une production agro-alimentaire
Ex: contamination d’une machine/d’un outil dans la
chaine de production
◦ Erreurs d’opérateurs
Ex: erreur de manipulation
Ex: erreur de dosage
◦ Défaut du matériel de base
Ex: présence d’antibiotiques dans la viande de porc
51
Outils statistiques
8 principaux outils statistiques sont utiles
◦ l’histogramme (« Histogram »)
◦ le tableau de contrôle (« Check sheet »),
◦ le diagramme de Pareto (« Pareto chart »),
◦ le diagramme des causes et des effets (« Causes
and effects diagram »),
◦ le diagramme de concentration (« Defects
concentration diagram »),
◦ le diagramme de dispersion (« Scatter diagram »),
◦ le diagramme de contrôle (« Control chart »),
◦ le design expérimental (« Design of experiment »).
52
Outils statistiques
Histogramme
53
Outils statistiques
Tableau de contrôle
54
Outils statistiques
Diagramme de Pareto
55
Outils statistiques
Diagramme des causes et effets
56
Outils statistiques
Diagramme de concentration
◦ Représentation schématique du produit et
localisation des défauts sur le schéma
◦ Si l’analyse porte sur un nombre suffisants
d’unités, des zones sensibles émergent
fréquemment, et permettent de focaliser
l’attention pour le futur
57
Outils statistiques
Diagramme de dispersion
58
Outils statistiques
Cartes de contrôle
59
Outils statistiques
Design expérimental
◦ En préalable:
60
Outils statistiques
◦ Ensuite:
61
Outils de contrôle
Deux outils seront plus particulièrement
développés ici:
◦ Diagramme de Pareto: technique simple de
mise en exergue des défauts les plus
importants
◦ Diagramme de contrôle (Control-chart):
technique plus sophistiquée de suivi
longitudinal d’un processus
aussi appelé « Cartes de contrôle »
62
Base statistique du graphique de
Pareto
Principe de base
◦ Histogramme mettant en évidence les défauts
les plus fréquents
◦ La fréquence peut être pondérée par le coût
lié au défaut pour faire ressortir les défauts les
plus couteux (p.e. contaminations…)
63
Graphique de Pareto
Exemple
◦ Production de steaks hachés
> library(qcc)
> defauts<-c(20,30,10,24,16)
> names(defauts)<-c(«Couleur»,«Format»,«Odeur»,
+ «Poids»,«Saveur»)
> pareto.chart(defauts, ylab="Fréquences",
+ main="Diagramme de Pareto des défauts de
+ portions de steacks hachés")
64
Graphique de Pareto
Exemple
◦ Production de steaks hachés
Résultat
65
contrôle (control chart)
Principes de base
Sample quality characteristic
UCL
Center Line
LCL
Sample number or time
66
Principes de base (suite)
◦ CL (Center Line): représente la valeur moyenne
de la caractéristique pour laquelle le processus
est « sous contrôle »
◦ UCL, LCL: limites (calculées) entre lesquelles la
plupart des observations doivent tomber si le
processus est « sous contrôle »
◦ Le processus est « sous contrôle » si les points
restent entre UCL et LCL et qu’il n’y a pas
d’évidents écarts à un parcours aléatoire…
67
Principes de base (suite)
◦ L’exigence sur le parcours aléatoire des
excursions provient de la nature supposée
aléatoire des variations communes
◦ Les raisons menant à un processus « hors
contrôle » peuvent dès lors être détectées,
expliquées, et, si possible, éliminées.
68
Du point de vue statistique:
◦ Control chart Test d’hypothèse
H0: processus sous
contrôle
◦ En particulier, le paradigme des tests
d’hypothèses s’applique ici:
Accepte Rejette
H0 H0
H0 OK OK α
H1 OK β OK
69
Graphique de contrôle de Shewhart
W
µW + kσW Upper Control Limit = UCL
µW Center Line = CL
µW - kσW Lower Control Limit = LCL
Sample #
70
◦ Principes posés par Dr. Walter A. Shewhart
(Bell labs) dans les années 1920
◦ w = statistique décrivant une caractéristique
de qualité d’intérêt
exemple 1: poids d’une portion de viande hachée
exemple 2: « conformité » d’une production à un
standard pré-fixé.
◦ µW = valeur attendue de la caractéristique si le
processus est « sous contrôle »
71
◦ k = « distance » entre limites de contrôle et
ligne du centre, en déviation standard
◦ Le graphique de contrôle est un test répété de
l’hypothèse nulle H0: E(w) = µW à un seuil
spécifié par la valeur de k.
72
Objet du graphique de contrôle
◦ Surveillance « on-line » d’un processus
Identification des causes assignables
Elimination des causes assignables (« root causes »)
Amélioration du processus
Processus
Mesure
Vérification et suivi 4 1 Détection des causes assignables
Action corrective 3 2 Identification de la cause racine

73
Objet du graphique de contrôle
◦ Estimation des paramètres du processus
« sous contrôle »
exemples: moyenne, proportion, déviation standard
Capacités du système (« process capabilities »)
Construire ou acheter (« make or buy »)
Accords contractuels avec les clients…
74
Types de graphiques de contrôle
◦ Graphiques de contrôle sur variables
La caractéristique de qualité mesurée est un nombre
sur une échelle continue de mesures. La mesure est
alors représentée par une mesure de position et une
mesure de dispersion
Exemple: graphique de contrôle x , graphique de contrôle R
◦ Graphiques de contrôle sur attributs
On mesure si l’unité produite est « conforme », ou
éventuellement le nombre de défauts par unité
Exemple: graphique de contrôle p (proportion de conformes)
75
Design de graphiques de contrôle
1. Choix des limites de contrôle
2. Sélection de la taille des échantillons
3. Fréquence d’échantillonnage
Les choix se font sur des bases
◦ statistiques (↓ β, ↑ P, …)
◦ économiques (coût de l’échantillonnage, coût
d’une perte de contrôle, …)
76
◦ 1) Choix des limites de contrôle
Typiquement: k = 3
Si W ~ N(µW,σW), k = 3 => α = 0.0027, et donc 27 fausses
alarmes seront déclenchées tous les 10000 points en
moyenne
↑(↓) k => ↓(↑) α et ↑(↓) β
On peut également travailler directement sur une valeur
donnée de α (p.e. α = 0.001 => k = 3.09) plutôt que sur k
Si un point tombe hors des limites, on recherche la
cause assignable, et on essaie de la corriger.
77
◦ Choix des limites d’avertissement
Typiquement: k = 2
Si W ~ N(µW,σW), k = 2 => α = 0.0455
Si un point tombe hors des limites d’avertissement
(mais dans les limites de contrôle), on peut se poser
des questions sur le bon fonctionnement du système
Une action pourrait être d’augmenter la fréquence
d’échantillonnage
78
◦ 2) Taille de l’échantillon
La probabilité de détecter une perte de contrôle
augmente avec la taille de la perturbation et la taille
de l’échantillon
1
0,9
0,8 n=15
0,7 n=10
0,6
Probabilité 0,5
0,4 n=5
de détection
0,3
0,2
0,1
0
0 0,5 1 1,5 2 2,5 Effet (*σ)
79
◦ Taille de l’échantillon
La taille de l’échantillon peut être choisie en fonction
de l’amplitude potentielle de l’écart, ou en fonction
de la valeur de l’écart pour laquelle une action
corrective doit être impérativement menée.
80
◦ 3) Fréquence de l’échantillonnage
Idéalement:
prendre de grands échantillons fréquemment, mais cela a un
coût !
En pratique:
compromis taille – fréquence
dépend du problème (coût de l’échantillonnage…)
81
◦ Fréquence de l’échantillonnage
Une approche:
longueur de run moyen (average run length = ARL)
ARL est le nombre moyen de points à représenter avant
qu’un point n’indique une condition de « perte de contrôle »
Calcul: ARL = 1/p
Exemple: k = 3 => p = 0.0027 => ARL = 370
Interprétation: en moyenne, il y aura un point indiquant une
perte de contrôle tous les 370 échantillons si le processus est
effectivement sous contrôle (« faux positif »)
82
Exemple: supposons un effet de 1*σ
1
0,9
0,8 n=15
0,7 n=10
0,6
Probabilité 0,5
0,4 n=5
de détection
0,3
0,2
0,1
0
0 0,5 1 1,5 2 2,5 Effet (*σ)
83
Exemple: supposons un effet de 1*σ
si n = 5, p ≈ 0.2 et ARL ≈ 5
si n = 10, p ≈ 0.55 et ARL ≈ 2
si n = 15, p ≈ 0.8 et ARL ≈ 1.2
Donc, si les échantillons sont petits, il faut ↑ la
fréquence d’échantillonnage pour ↓ le nombre
d’unités produites hors contrôle
Mais…
Cfr dia suivante
84
Pour décider, il faudra tenir compte:
du coût d’échantillonnage
des pertes associées à la production d’unités dans un état du
système « hors contrôle »
de la probabilité associées à une dérive donnée du système
85
◦ Modalités d’échantillonnage
Sous-groupes « rationnels »
Intégration de facteurs qui maximisent la chance que les
différences entre sous-groupes dues à des causes
assignables soient grandes, tout en minimisant la chance que
des différences intra-groupes soient importantes.
Exemple: effet du temps, de la température, de l’opérateur…
Cfr: design de l’expérience
86
L’analyse de patterns dans les graphiques
de contrôle
◦ Deux signaux de perte de contrôle
1 ou >1 points hors des « limites de contrôle »
pattern non aléatoire de points du graphique de
contrôle
présence de « runs » (séquence d’observations de même
type) anormaux
comportement cyclique
…
87
de contrôle
◦ Exemple de « run »
20 points sur 25 < CL

=> χ² = 9
=> p[χ²(1) = 9] = 0.0027
88
de contrôle
◦ Exemples de « run »
# anormal de points du même coté de CL (cfr dia
précédente)
une suite de ≥ 8 points avec des valeurs croissantes
(« run up »), décroissantes (« run down »), ou du
même coté de CL
89
de contrôle
◦ Exemples de comportement cyclique
90
Résumé des règles d’analyse des CC
◦ ≥ 1 point hors des limites de contrôle
(CL ± 3*σ)
◦ Un run de ≥ 8 points
◦ 2 points parmi 3 consécutifs hors des limites
d’avertissement (CL ± 2*σ)
◦ 4 points parmi 5 consécutifs hors des limites
(CL ± 1*σ)
◦ Pattern inhabituel ou non-aléatoire
◦…
91
Cartes de contrôles pour attributs
Trois types de CC pour attributs

◦ p-chart: CC pour fraction non-conforme
◦ c-chart: CC pour nombre de non-conformités
◦ u-chart: CC pour nombre de non-conformités
par unité
Dans ce cours, nous développerons
essentiellement les p-charts
92
CC pour fraction non-conforme (p-chart)
Utilisation de la loi binomiale

◦ Dans un système sous-contrôle, la proportion
non-conforme vaut p
◦ Si n unités sont produites, r seront non-
conformes:
r ~ Binomiale(n,p)
E(r) = n*p et V(r) = n*p*(1-p)
pest = r/n
E(pest) = E(r)/n = p et V(pest) = p*(1-p)/n
93
Design du CC – p connue
◦ On utilise les limites habituelles:
UCL = µW + k*σW
CL = µW
LCL = µW – k*σW
◦ Dans le cas présent, en utilisant k = 3:
UCL = p + 3*[p*(1-p)/n]0.5
CL =p
LCL = p – 3*[p*(1-p)/n]0.5
94
Design du CC – p connue
◦ Remarques:
La valeur de p peut être un objectif
(« target value » = « valeur cible ») plutôt qu’une
valeur connue.
Il est possible que le système soit « hors contrôle »
pour la valeur cible, mais « sous contrôle » pour une
autre valeur
95
Design du CC – p inconnue
◦ On utilise la même approche, mais p est
estimée sur m échantillons préliminaires
p = mean(pi)
◦ Dans le cas présent, en utilisant k = 3:
UCL = p + 3*[ p *(1 - p)/n]0.5
CL =p
LCL = p – 3*[ p *(1 - p)/n]0.5
◦ Ces limites sont appelées « trial CL »
96
Design du CC – p inconnue
◦ Remarques:
lors de la construction du CC, il est possible que
certains des échantillons préliminaires tombent en
dehors de l’intervalle admissible
Si le nombre de ces points est faible, élimination des points
« hors contrôle » puis re-calcul des « trial control limits »
Si le nombre de ces points est élevé, recherche d’une cause
assignable, élimination, puis re-calcul des « trial control
limits »
97
Design du CC
◦ Taille des échantillons et fréquence
d’échantillonnage
Guidés en général par des considérations
économiques
Souvent, on inspecte 100% de la production sur une période
donnée représentative pour servir de base au CC
Certaines règles ont été suggérées pour le choix de n
(cfr 2 dias suivantes)
98
Design du CC
◦ Règle de Duncan (1974) - Taille des échantillons
◦ « …choose n such that the probability of detecting a
process shift of a specified amount is 50%... »
Exemple: shift de 0.01 à 0.05
P=0.5 => UCL = CL’

= CL + k * √ 0.01*0.99/n
=> UCL-CL = 0.04 = k* √ 0.01*0.99/n
=> n = 56 si k=3
99
Design du CC
◦ Si p est petit (p.e: p = 0.01)
n petit peut mener à des signaux intempestifs
exemple: n = 8 => UCL = 0.01+3*√0.01*0.99/8

= 0.1155
=> 1 seul non-conforme dans l’échantillon donne un
signal (pest = 1/8 = 0.125 > UCL…)
Une solution: choisir n tel que LCL > 0, pour être sûr
d’avoir la possibilité d’investiguer des situations avec
un nombre trop faible de non-conformes
100
Design du CC
◦ Si p est petit (suite)
LCL = p – k * √[p*(1-p)/n] > 0
=> n > k² * (1-p)/p
exemple: p = 0.05 et k = 3 => n > 171
101
Remarques sur l’utilisation des p-charts

◦ Le choix d’une binomiale implique qu’on
suppose que:
la probabilité d’occurrence de défauts est constante
les unités successives de production sont
indépendantes…(clustering )
102
Remarques sur les p-charts (suite)

◦ Il arrive aussi que la taille des échantillons
varie, ce qui conduit à des limites variables en
fonction de chaque échantillon
[LCL;UCL] = CL ± k*√p*(1-p)/ni
pest
temps
103
Remarques sur les p-charts (suite)

◦ Toutefois, l’interprétation (runs, notamment)
est malaisée, des écarts plus petits par rapport
à CL pouvant correspondre en réalité à des
excursions plus importantes
=> utilisation de p-chart standardisé
où l’écart est exprimé en déviations standards
pi − p
z=
p * (1 − p ) 3
n
0
-3
temps
104
Une alternative aux p-charts: np-charts

◦ Plutôt qu’utiliser la « fraction non-conforme »,
il est parfois plus parlant d’utiliser le « nombre
non-conformant »
◦ On utiliserait alors, en prenant k = 3:
UCL = n*p + 3*[n*p*(1-p)]0.5
CL = n*p
LCL = n*p – 3*[n*p*(1-p)]0.5
105
Exercice:
◦ Suivi des défauts dans des plants de tomates
> data<-read.table(file=«tomates.txt»,
+ sep=«\t»,
+ head=T)
> names(data)
[1] "sample" "non.conf" "fraction"
◦ Estimation de p sur les 30 premiers échant.

> attach(data)
> p<-mean(non.conf[1:30])/50
> p
[1] 0.2313333
106
Exercice (suite):
◦ Calcul de LCL et UCL
> ucl<-p+3*sqrt(p*(1-p)/50)
> lcl<-p-3*sqrt(p*(1-p)/50)
> c(lcl,ucl)
[1] 0.05242755 0.41023912
◦ Points « hors contrôle » ?

> trial<-non.conf[1:30]/50
> trial[trial>ucl]
[1] 0.44 0.48
> trial[trial<lcl]
numeric(0)
107
Exercice (suite):
◦ Affichage du p-chart
Installation du package « qcc » (si nécessaire)
> utils:::menuInstallPkgs()
Un premier menu apparait avec une liste de

« miroirs » (sites avec un dépôt des packages)
Après sélection du « miroir », une deuxième liste
apparait avec la (longue) liste des packages
disponibles. Choisir « qcc »
Le package s’installe alors automatiquement !
108
Exercice (suite):
◦ Affichage du p-chart
> sizes<-rep(50,30)
> qc<-qcc(non.conf[1:30],sizes,type=«p»,plot=«true»)
109
Exercice (suite):
◦ Résultat
110
« Operating characteristic »
OC ≡ β = f(p)
d’une p_chart dont les paramètres sont:
n = 50, LCL = 0.0303, UCL = 0.3697
111
« Operating characteristic »
◦ Il s’agit d’une mesure de la sensibilité du CC.
par définition:
OC ≡ β = f(p)
On utilise les distributions cumulées pour calculer
β = P(pest < UCL|p) – P(pest ≤ LCL|p)
ou β = P(D < n*UCL|p) – P(D ≤ n*LCL|p)
Exemple avec EXCEL
112
« Operating characteristic » - exemple

◦ Reprenons les données vues plus haut
> Dmax<-50*ucl
> Dmin<-50*lcl
> c(Dmin,Dmax)
[1] 2.621377 20.511956
◦ Les valeurs acceptables pour D vont donc de 3

à 20, et:
β = P(D ≤ 20) – P(D ≤ 2)
113

◦ Calculons β = f(p) pour p dans [0;1]
> proba<-seq(0,1,0.01)
> beta<-pbinom(20,50,proba)-pbinom(2,50,proba)
> plot(proba,beta,type="l")
> abline(v=0.4,col=«red»)
> abline(h=beta[41],col=«red»)
◦ Plus simplement…
> oc.curves(qc)
114

◦ Solution 1 Solution 2
115
« Average Run Length » - sous contrôle

◦ Par définition:
ARL = 1/P(signal « out-of-control ») = 1/α
◦ C’est donc le nombre de points moyens avant

d’obtenir un signal de perte de contrôle (faux
positif)
Exemple avec EXCEL
116
« Average Run Length » - hors contrôle

◦ Par définition:
ARL = 1/P(signal « out-of-control ») = 1/(1-β)
◦ C’est donc le nombre de points moyens avant

d’obtenir un signal de perte de contrôle (vrai
positif)
Exemple avec EXCEL
117
CC pour nombre de non-conformités (c-chart)
Utilisation de la loi de Poisson

◦ Dans un système sous-contrôle, le nombre
moyen de produits non-conformes vaut c
◦ Dans une unité d’inspection (p.e. jour, lot, …),
le nombre x de produits non-conformes varie
de 0 à un nombre arbitraire (théoriquement
∞).
◦ Si on suppose:
p(défaut) petite (et donc, P(x → ∞) → 0)
p(défaut) constante
118
Utilisation de la loi de Poisson (suite)

◦ Alors, x peut être modélisé par une loi de
Poisson:
P(x) = exp(-c)*cx/x!
◦ Le CC, appelé c-chart, est alors défini par:
UCL = c + 3*c0.5
CL =c
LCL = c - 3*c0.5
Comme pour le p-chart, si c est estimé, on parlera
alors de « trial control limits »
119
Exemple: production de circuits imprimés

◦ c-chart
Problème de
contrôle de la T°
(corrigé)
Inspecteur
inexpérimenté
(corrigé)
120

◦ c-chart
Sous-contrôle, mais c inacceptable => recherche de causes assignables

121

◦ Pareto
Cause majeure de défauts: problèmes de soudure

122

◦ Table de défauts
123

◦ Table de défauts
Un composant rassemble la majorité des défauts de soudure…

124

◦ Diagramme causes-effets
Ce diagramme montre les facteurs sur lesquels concentrer la recherche

125
CC pour nombre de non-conformités par
unité d’inspection (u-chart)
Même situation, mais n unités d’inspection
sont utilisées plutôt qu’1
Utilisation du nombre moyen de non-
conformités par unité d’inspection
u = c/n
◦ Le CC, appelé u-chart, est cette fois défini par:
UCL = u + 3*(u/n)0.5
CL =u
LCL = u - 3*(u/n)0.5
Comme pour le p-chart, si u est estimé, on parlera alors
de « trial control limits »
126
Cartes de contrôles pour variables
Trois types de CC pour les variables

◦ x-chart: CC pour les moyennes
◦ S-chart: CC pour les déviations standard
◦ R-chart: CC pour l’étendue (range)
◦ Le contrôle simultané de la position (x-chart)
et de la variation (S-chart, plus souvent R-
chart) est essentiel
127
- -
CC pour x (x-chart)
Utilisation de la loi normale
◦ En théorie (TLC):
UCL = µ + 3*σ/n0.5
CL =µ
LCL = µ - 3*σ/n0.5
◦ En pratique, µ et σ sont rarement connus et
doivent être estimés. On utilise:
x = (x1 + x2 + L + xm ) / m
xi = moyennes d’échantillon de taille n chacun
R = (R1 + R2 + L + Rm ) / m
Ri = étendue (xmax-xmin) de l’échantillon i
128
- -
CC pour x (x-chart)
Utilisation de la loi normale (suite)
◦ Il existe une relation entre σ et R:
σ = R/d2
où d2 = constante (tabulée) dépendant de n
◦ Exemple: calcul de d2 pour n = 5
> n<-10000
> ranges<-rep(0,n)
> for (i in 1:n) {
+ x<-rnorm(5) # => σ = 1
+ ranges[i]<-max(x)-min(x)
+ }
> mean(ranges)
[1] 2.322911 # => d2 = 2.323
129
- -
CC pour x (x-chart)
Utilisation de la loi normale (suite)
◦ Et donc, en pratique:
UCL = x + A2 * R
CL =x
LCL = x − A2 * R
A2 = 3/(d2*n0.5) est une constante (fonction de n)
130
CC pour R (R-chart)
On utilise encore:
◦ W = R/σ
E(W) = d2(n) => σ = E(R)/d2
V(W) = d3²(n) => σR = σW*σ = d3*σ
◦ On obtient donc:
UCL = R + 3 * d 3 * R / d 2 = R * (1 + 3 * d 3 / d 2 ) = R * D4
CL = R
LCL = R − 3 * d 3 * R / d 2 = R * (1 − 3 * d 3 / d 2 ) = R * D3
◦ Les valeurs de D3 et D4 sont constantes, pour n
donné, et tabulées
131
CC pour R (R-chart)
Exercice: calculer d3,D3 et D4 pour n = 5
> n<-10000
> ranges<-rep(0,n)
> for (i in 1:n) {
+ x<-rnorm(5)
+ ranges[i]<-max(x)-min(x)
+ }
> d2<-mean(ranges)
> d3<-sd(ranges)
> D3<-1-3*d3/d2
> D4<-1+3*d3/d2
> c(d2,d3,D3,D4)
[1] 2.3233665 0.8612102 -0.1120203 2.1120203
D3 < 0, est mis à 0 dans les calculs

132
-
CC pour x et R
Capacité du processus (process capability)
◦ Mesure de la performance du processus
1. Probabilité de produits non-conformes
Exemple: spécifications = 74.000 ± 0.05
=> (LSL,USL) = (73.95,74.05)
x = 74.001
σˆ = R / d 2 = 0.0099
> m<-74.001
> s<-0.0099
> 1-(pnorm(74.05,mean=m,sd=s)-pnorm(73.95,mean=m,sd=s))
[1] 5.012267e-07
133
-
CC pour x et R
Capacité du processus (process capability)
◦ Mesure de la performance du processus
2. Taux de capacité du processus: PCR = (USL-LSL)/6σ
En pratique, σ est estimé par σˆ = R / d 2
Des valeurs > 1 indiquent que le processus utilise moins de
100% de la bande de variation tolérée, ce qui est
évidemment une situation favorable.
> PCR<-(74.05-73.95)/(6*s)
> PCR
[1] 1.683502
134
-
CC pour x et R
Eléments du design
-
◦ Operating characteristic pour la x-chart
On peut calculer assez facilement cette
-
caractéristique pour un x-chart
On supposera σ connu dans cet exemple
Si on suppose un déplacement (shift) de
µ0 → µ1 = µ0 + t*σ, on peut calculer β = β(t|n)
Dans notre CC:
β = P[LCL ≤ x ≤ UCL µ = µ1 ]
135
-
CC pour x et R
Eléments du design
-
> k<-seq(0,5,0.2)
> oc<-pnorm(3-k*sqrt(1))-pnorm(-3-k*sqrt(1))
> plot(k,oc,main="Operating characteristic",
+ xlab="k",ylab=expression(beta),type="l")
> for (n in c(2,3,4,5,10,15,20)) {
+ oc<-pnorm(3-k*sqrt(n))-pnorm(-3-k*sqrt(n))
+ lines(k,oc,col=n)
+ }
136
-
CC pour x et R
Eléments du design
-
137
-
CC pour x et R
Eléments du design
-
On constate que pour n < 10, β ↑ quand k > 1.0
exemple: n = 5, k = 1.0 => β ≈ 0.78
Proba de détection après p échantillons:
βp = βp-1*(1-β)
exemple: p = 3 => β = 0.782*0.22 = 0.13
Nombre∞ moyen d’échantillons pour détecter
ARL =  k * β k −1 * (1 − β ) =
1
k =1 1− β
Dans notre exemple, ARL = 4
=> acceptable (?)
=> utilisation de n ↓ avec une fréquence ↑
138
-
CC pour x et R
Eléments du design
-
◦ Average Run Lengths pour la x-chart
139
-
CC pour x et R
Eléments du design
◦ Operating characteristic pour la R-chart
A faire comme exercice:
β = β(λ | n) où λ = σ1/σ0
Que constatez-vous pour des valeurs de n faibles
(p.e. n < 10) ?
140
Autres control-charts
De nombreuses autres possibilités existent
◦ Parmi elles:
Cumulative-sum CC (CUSUM)
Exponentially Weighted Moving Average CC (EWMA)
Le but est d’utiliser l’information de plusieurs points
simultanément dans le graphique plutôt que le dernier,
comme dans les autres cartes de Shewhart
Il est ainsi possible de récupérer une partie de l’information
que ne capture pas les autres CC (comme celle incluse dans
la notion de « runs », par exemple)
141
Amélioration des processus
Dans toute « production », animale ou
pas, un objectif est d’avoir une quantité et
une qualité du produit la meilleure
possible
Cet objectif est poursuivi:
◦ au moment du design de nouveaux produits
◦ dans l’amélioration de produits existants
◦ dans l’amélioration de la chaine de production
par l’introduction de méthodes de design
expérimental
142
Amélioration des processus
L’utilisation effective du design
expérimental peut conduire à:
◦ des produits plus faciles à manufacturer
◦ des produits plus fiables
◦ de meilleures performances du produit
◦ un développement du processus de
production
◦ une amélioration dans les activités de
recherche d’élimination de problèmes
(recherche des causes assignables…)
143
Les objectifs d’une expérience provenant
d’un design expérimental (designed
experiment) sont d’identifier les relations
entre les variables qui affectent un
processus
Facteurs d’entrée
contrôlables xi
Entrées Processus Sorties y
non contrôlables zj 144
Objectifs:
◦ déterminer les variables influençant le plus y
◦ configurer xi pour que y soit proche de l’optimum
◦ configurer xi pour que la variation de y soit ↓
◦ configurer xi pour minimiser l’effet de zj
contrôlables xi
Entrées Processus Sorties y
non contrôlables zj 145
Design expérimental & SPC
Les deux méthodologies sont imbriquées:
◦ Design expérimental d’un processus
Designed experiments
◦ Observation (passive) du processus (p.e. CC)
Sous-contrôle:
Satisfaisant: OK
Insatisfaisant: ajustement de variables influentes
Designed experiment
Hors-contrôle:
Recherche (active) de causes assignables
Designed experiments
146
Expériences unifactorielles
Type le plus simple de designed experiment
◦ Un seul facteur inclus dans l’expérience
◦ ECA = expérience complètement aléatoire
Le but de cette randomisation est de supprimer les effets de
nuisances qui pourraient affecter les mesures, et donc
invalider les résultats de l’expérience
147
Exemple: amélioration de la résistance de sacs
de transport d’aliments
_
◦ Processus sous contrôle (x & R charts ok)
◦ Résistance à la traction nominale T = 15 psi
◦ Proportion de bois dans le papier P = 10%
◦ Le chargé de fabrication suspecte que T ↑ si P ↑ mais
les contraintes économique font que 5% ≤ P ≤ 20%
Expérience:
◦ Essais sur 4 concentrations (5%, 10%, 15%, 20%)
◦ 6 répliques par concentration
148
Expérience:
◦ Essais sur 4 concentrations (5%, 10%, 15%, 20%)
◦ 6 répliques par concentration
◦ Passage aléatoire sur la machine de mesure de tension
◦ Résultats
[] Observations Moy
1 2 3 4 5 6
05 % 7 8 15 11 9 10 10.00
10 % 12 17 13 18 19 15 15.67
15 % 14 18 19 17 16 18 17.00
20 % 19 25 22 23 18 20 21.17
15.96 149
Analyse 1:
> P<-c(rep(5,6),rep(10,6),rep(15,6),rep(20,6))
> T<-c(7,8,15,11,9,10,
+ 12,17,13,18,19,15,
+ 14,18,19,17,16,18,
+ 19,25,22,23,18,20)
> boxplot(T~P,xlab=«Conc. bois»,ylab=«Résistance»)
150
Conclusions 1:
◦ Effet visible de la concentration (T ↑ quand P ↑ )
◦ Données ~ symétriques autour de leur moyenne
◦ Variabilités similaires dans les groupes
151
Annexes
Echantillonnage
152
(Pseudo)-aléatoire
◦ On prélève n individus parmi les N constituant
la population visée
Choisis de manière aléatoire
Choisis de manière indépendante
Exemple
=ALEA.ENTRE.BORNES(1;N)
où N désigne la cellule contenant la taille de la

population (on suppose les individus numérotés de
Echantillons 1 à N)
simples
153
(Pseudo)-aléatoire
◦ Version R
> sort(sample(1:1000,25,replace=FALSE))
1:1000 spécifie la liste des nombres de 1 à 1000

25 est le nombre d’échantillons à prélever
REPLACE = FALSE indique qu’il n’y a pas de remise
(c’est l’option par défaut)
sort(X) trie la liste X (en ordre croissant)
154
(Pseudo)-aléatoire
◦ On prélève ni individus parmi les Ni
constituant la sous-population visée
Choisis de manière aléatoire
Choisis de manière indépendante
Σ ni = n et Σ Ni = N
Les sous-populations sont choisies en fonction
d’une source assignable d’hétérogénéité
p.e. lots différents, usine différente, …
Echantillons
stratifiés
155
(Pseudo)-aléatoire
◦ Version R
> echant<-rep(0,25)
> for (i in 0:24) {
echant[i]<-sample((40*i+1):((i+1)*40),1)
+ }
> echant
[1] 26 58 97 158 197 201 268 296 360 369 411
[12] 451 511 552 592 623 643 704 754 798 840 863
[23] 884 953 962
156
(Pseudo)-aléatoire
Echantillonnage « en grappe »
◦ Exemple: palettes de conserves
10 palettes de 4 x 5 x 3 caisses contenant
chacune 8 conserves (=> 4800 en tout)
On tire (p.e.) 2 palettes au hasard
On tire ensuite 2 caisses / palette
Puis 4 boites / caisse
Retour
157
Une autre vue des tests
d’hypothèses
o L’approche traditionnelle:
données
_ P<α: rejet H0
H0 distrib
(X,p,n…) P(data|H0)
α (z,t,χ²…) P>α: accepte H0
=> S
o Une autre approche (équivalente):
données
_ S ∉ IC: rejet H0
H0 distrib
(X,p,n…) ICα(S)
α (z,t,χ²…) S ∈ IC: accepte H0
=> S
158
Supposons maintenant n « petit »
◦ Utilisation pour le calcul d’un IC(α):
On recherche deux distributions binomiales de
même n que l’échantillon, mais de paramètre pi et ps
tels que:
∞
 B(i n, p ) =  B(i n, p ) = α
k
α
i 2 et s 2
i =k i =0
où B(i | n,p) désigne la probabilité d’obtenir i fois

l’événement dont la probabilité est p lors de n
tirages.
159
Exemple: si un lot sur 15 examinés

dépasse une norme qu’on ne doit
dépasser que dans 3 cas sur 100, peut-on
conclure à l’adéquation du lot à la norme ?
160
confiance
Solution:
Si un lot sur 15 examinés dépasse une norme
qu’on ne doit dépasser que dans 3 cas sur 100,
peut-on conclure à l’adéquation du lot à la norme ?
Calculons pi:
B(1) + B(2) + … = 0.025 => B(0) = 0.975
=> (1- pi)15 = 0.975 => pi = 0.0017
Calculons ps:
B(0) + B(1) = 0.025
=> Ordinateur => ps = 0.3195
161
confiance
Solution R: approche dichotomique
f(x)
x
x1 xm x2
162
confiance
Solution R: approche dichotomique
> dichot<-function(f,x1,x2) {
+ if (abs(x1-x2)<0.0001) {
+ return(x1)
+ }
+ else {
+ f1<-f(x1)
+ f2<-f(x2)
+ xm<-(x1+x2)/2
+ fm<-f(xm)
+ if (f1*fm<0) { return(dichot(f,x1,xm)) }
+ else { return(dichot(f,xm,x2)) }
+ }
+ }
163
confiance
Solution R: approche dichotomique (suite)
> fun<-function(x) {
+ return((1-x)**15+15*x*(1-x)**14-0.025)
+ }
> dichot(fun,1/15,1.00)
[1] 0.3194824
164
confiance
Interprétation
◦ Si on part de l’hypothèse (nulle…) selon laquelle
il y a une proportion π = 0.03 de valeurs au-
dessus de la norme autorisée, on voit qu’une
valeur de p = 1/15 ≈ 0.07 n’est pas aberrante
puisque l’intervalle de confiance au seuil a =
0.05, soit [0.0017; 0.3195], contient la valeur
π = 0.03
◦ L’hypothèse nulle est acceptée dans ce cas.
165
confiance
Interprétation (suite)
◦ Mais l’intervalle est très large…
IC(0.05) = [0.0017; 0.3195]
◦ Ceci est du à la très petite taille de l’échantillon:
par exemple, si on avait obtenu 10/150 (même
proportion, mais effectif 10 x plus grand):
IC(0.05) = [0.0324; 0.1192]
=> H0 rejetée…
◦ Dilemme statistique… (cfr puissance)
166
confiance
Question
◦ A partir de combien de positifs (sur 15)
conclura-t-on à une contamination ?
<x
 B(i p
i =0
i = 0.03, n = 15) ≥ 0.975 x=2
◦ A partir de combien de positifs (sur 150)

conclura-t-on à une contamination ?
<x
 B(i p
i =0
i = 0.03, n = 150) ≥ 0.975 x=9
167
Passons maintenant à l’estimation de µ:
Un échantillon – σ connu – H0: µ(éch) = µ
◦ On sait qu’alors: m ~ N(µ,σ²/n)
◦ Donc, si l’échantillon provient bien de cette
population, on peut calculer un intervalle
dans lequel m a une probabilité (1-α) de
figurer (voir dia suivante)
168
α/2
0,05
0,15
0,25
0,35
0,45
0,1
0,2
0,3
0,4
0
-3
-2,85
-2,7
-2,55
-2,4
-2,25
-2,1
-1,95
-1,8
-1,65
-1,5
-1,35
-1,2
-1,05
-0,9
-0,75
-0,6
-0,45
-0,3
-0,15
IC(α)
-1,96752E-14
0,15
0,3
0,45
0,6
0,75
0,9
1,05
1,2
1,35
1,5
1,65
1,8
1,95
2,1
2,25
2,4
2,55
2,7
α/2
2,85
3
169
Calculons l’intervalle:
◦ On recherche zα/2 tel que p(zth>zα/2) = α/2
Exemple: α = 0.05 => zα/2 = 1.96
◦ Alors, si H0 est vraie:
P(m > µ+zα/2*σ/√n) = P(m < µ-zα/2*σ/√n) = α/2
=> P(µ-zα/2*σ/√n < m < µ+zα/2*σ/√n) = (1-α)
◦ Cet intervalle est appelé intervalle de confiance

de la moyenne (de l’échantillon).
170
Utilisations de l’intervalle de confiance (1):
◦ Test d’hypothèse
Exemple: supposons que µ = 100, σ = 10 et qu’on a
obtenu un moyenne m = 94 sur un échantillon de 25
individus. Si on veut tester H0: µ(éch) = µ, il suffit de
calculer les limites de l’IC de m au seuil a = 5% (par
exemple):
z0.025 = 1.96 => IC = [100-1.96*10/5;100+1.96*10/5]

= [96.08; 103.92]
=> m = 94 n’est pas dans cet intervalle => rejet de H0
171
◦ Prédiction de la « vraie » moyenne µ
On pourrait employer la formule de l’IC « dans
l’autre sens »:
=> P(m - zα/2*σ/√n < µ < m + zα/2*σ/√n) = (1-α)
Dans ce cas, on obtient les limites de « l’intervalle de

confiance de la moyenne µ d’une distribution
normale pour laquelle σ est connue ».
172
◦ Schématiquement:
µI µS
µI µS
µI µS
µI µS
µI µS
µI µS
µI µS
173
◦ Exemple
On pourrait calculer les limites de l’IC de la moyenne de
la pop. dont les paramètres donnés plus haut
proviennent:
=> P(m - zα/2*σ/√n < µ < m + zα/2*σ/√n) = (1-α)

m = 94, σ = 10, n = 25 et α = 0.05 => zα/2 = 1.96
=> P( 90.08 < µ < 97.92) = 0.95
174
Que fait-on si σ est inconnue ?
◦ Réponse:
On remplace σ par son estimateur s, ce qui conduit à
employer la distribution de t plutôt que celle de z:
=> P(m - tα/2*s/√n < µ < m + tα/2*s/√n) = (1-α)
où tα/2 est recherché dans la distribution t de

Student avec (n-1) ddl
175
Un exemple similaire: le cas des comptages
◦ Un cas de BSE a été reporté le mois passé.
Sachant cela, et en supposant l’épidémie
stabilisée, à combien de cas par mois dois-je
m’attendre en moyenne ?
◦ Réponse:
En moyenne, sur base de cet échantillon, on attend
évidemment 1 cas par mois…
Il serait plus informatif de fournir une fourchette dans
laquelle on a par exemple 95% de chance de trouver
le vrai nombre de cas moyen !
Cherchons: IC0.05(µ) = [µI; µS]
176
Un exemple similaire:
◦ Solution:
Il s’agit d’un exemple d’utilisation de la « loi de Poisson »
On cherche µI tel que:
P(1|µI) + P(2|µI) + … = α/2
=> P(0|µI) = 1 – α/2 = exp(-µI)
=> µI = -ln(1 – α/2) = 0.02532
177
Un exemple similaire:
◦ Solution (suite):
On cherche ensuite µS tel que:
P(0|µS) + P(1|µS) = α/2
=> exp(-µS) (1+µS) = α/2
> fun<-function(x) { return(exp(-x)*(1+x)-0.025)}
> dichot(fun,1,100)
[1] 5.571609
On obtient ainsi IC = [0.002532;5.571609], l’intervalle

de confiance pour α = 0.05 de la moyenne d’une
distribution de Poisson.
178
La prédiction d’un prochain tirage:
◦ Problème:
Ayant échantillonné n individus dans une population
(normale), est-il possible de préciser un intervalle dans
lequel un (n+1)ème individu aurait une probabilité (1-α)
de figurer ?
En d’autres termes, on recherche l’intervalle de
confiance d’un prochain tirage X
179
La prédiction d’un prochain tirage:
◦ Solution:
On peut voir le problème comme un exemple de situations
où 2 échantillons sont extraits d’une même population, un
échantillon de taille n et un de taille 1.
Evidemment, ici, µ1 = µ2 = µ !
Retour
On sait que:
_ _
t = [(X1 – X2) – (µ1 - µ2)]/√sC²(1/n1 + 1/n2 )
avec (n1 – 1) + (n2 – 1) degrés de liberté

180

Controle Stat Qualite

Transféré par

Droits d'auteur :

Formats disponibles

Controle Stat Qualite

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Controle Stat Qualite

Transféré par

Droits d'auteur :

Formats disponibles

Introduction au

Contrôle statistique de la qualité

◦ => rappels sur l’échantillonnage

Selon les cas, le contrôle sera abordé de

◦ quand n est petit

Dist. t de Student avec (N-1) ddl

p = 0.007, α=0.05 ⇒ z = -1.96

Si on part de l’hypothèse (nulle) de

Sample number or time

µW + kσW Upper Control Limit = UCL

µW - kσW Lower Control Limit = LCL

Vérification et suivi 4 1 Détection des causes assignables

Action corrective 3 2 Identification de la cause racine

20 points sur 25 < CL

Trois types de CC pour attributs

Utilisation de la loi binomiale

P=0.5 => UCL = CL’

=> UCL-CL = 0.04 = k* √ 0.01*0.99/n

exemple: n = 8 => UCL = 0.01+3*√0.01*0.99/8

Remarques sur l’utilisation des p-charts

Remarques sur les p-charts (suite)

Remarques sur les p-charts (suite)

Une alternative aux p-charts: np-charts

◦ Estimation de p sur les 30 premiers échant.

◦ Points « hors contrôle » ?

Un premier menu apparait avec une liste de

Exemple avec EXCEL

« Operating characteristic » - exemple

◦ Les valeurs acceptables pour D vont donc de 3

« Operating characteristic » - exemple

« Operating characteristic » - exemple

« Average Run Length » - sous contrôle

ARL = 1/P(signal « out-of-control ») = 1/α

◦ C’est donc le nombre de points moyens avant

Exemple avec EXCEL

« Average Run Length » - hors contrôle

ARL = 1/P(signal « out-of-control ») = 1/(1-β)

◦ C’est donc le nombre de points moyens avant

Exemple avec EXCEL

Utilisation de la loi de Poisson

Utilisation de la loi de Poisson (suite)

Exemple: production de circuits imprimés

Exemple: production de circuits imprimés

Sous-contrôle, mais c inacceptable => recherche de causes assignables

Exemple: production de circuits imprimés

Cause majeure de défauts: problèmes de soudure

Exemple: production de circuits imprimés

Exemple: production de circuits imprimés

Un composant rassemble la majorité des défauts de soudure…

Exemple: production de circuits imprimés

Ce diagramme montre les facteurs sur lesquels concentrer la recherche

Trois types de CC pour les variables

D3 < 0, est mis à 0 dans les calculs

Entrées Processus Sorties y

Entrées Processus Sorties y

où N désigne la cellule contenant la taille de la

1:1000 spécifie la liste des nombres de 1 à 1000

o Une autre approche (équivalente):

où B(i | n,p) désigne la probabilité d’obtenir i fois

Exemple: si un lot sur 15 examinés

exemple: n = 8 => UCL = 0.01+3√0.010.99/8

=> P(µ-zα/2σ/√n < m < µ+zα/2σ/√n) = (1-α)

z0.025 = 1.96 => IC = [100-1.9610/5;100+1.9610/5]

=> P(m - zα/2σ/√n < µ < m + zα/2σ/√n) = (1-α)

=> P(m - zα/2σ/√n < µ < m + zα/2σ/√n) = (1-α)

=> P(m - tα/2s/√n < µ < m + tα/2s/√n) = (1-α)