8- Histogrammes

Un histogramme, ou diagramme de fréquence, est un graphe représentant la distribution de données.

Il est élaboré à partir d'informations réunies dans un tableau de fréquence. L'histogramme établi à
partir de la table de fréquence ressemble à un graphe à barres, composé de colonnes représentant la
fréquence à laquelle les données apparaissent dans les différentes classes de l'étendue.

8.1- Comment réaliser un histogramme

Etape 1 – Collecter les données

Réunir au moins 50 et si possible plus de 100 éléments de données. Exprimez le nombre total
d'éléments par N.

Exemple : La longueur (en mm) de 80 échantillons d'un composant a été mesurée et l'on a
obtenu les résultats figurant dans le tableau 1. La valeur spécifiée est 30,2  0,9 mm,
mais l'écart est important. Un histogramme montrera l'étendue de la variation dans ce
jeu de données.

Tableau 1 : Mesures.
Unités = mm
29,9 30,1 30,3 30,2 30,1 30,3 29,9 29,7
30,6 30,4 29,9 29,5 30,4 29,7 30,0 30,5
29,9 29,7 29,1 30,2 30,3 29,4 30,2 29,8
29,6 30,6 29,8 29,9 29,8 30,0 30,3 30,0
30,1 29,9 29,3 29,8 30,4 29,2 29,8 30,0
29,9 30,0 29,6 30,5 29,8 29,8 30,4 29,9
30,4 29,4 30,3 30,0 29,9 30,3 30,3 29,5
30,0 30,4 29,4 30,0 30,0 29,6 29,7 29,9
30,5 29,7 29,9 30,1 30,6 29,5 30,4 29,7
30,2 30,8 29,5 29,9 30,2 29,8 30,1 29,9

Etape 2 – Déterminer les valeurs maximale et minimale

Déterminez la valeur maximale L et la valeur minimale S des données. Indiquez la valeur

maximale ( ) et la valeur minimale ( ) dans chaque colonne (ou ligne) de la table de
données. Trouvez la valeur la plus haute parmi les valeurs maximales ( = Xmaxi) et la
valeur minimales ( = Xmini). Cette méthode est à la fois rapide et précise.

Exemple : Trouvez la valeur maximale ( ) et la valeur minimale ( )dans chaque colonne.

On a obtenu les valeurs suivantes :
 valeur maximale : Xmaxi = 30,8
 valeur minimale : Xmini = 29,1

Qualité Page 184

 Etape 3 – Déterminer l'étendue (W), le nombre de classes (k) et la largeur de classe.

L'étendue est égale à la différence de la valeur maximale et la valeur minimale :

W = Xmaxi – Xmini.

Pour calculer le nombre de classe, vous utiliserez la formule k = N et arrondissez la valeur

obtenue h au nombre entier le plus proche.

La largeur théorique de classe est calculée par la formule ht = W/k.

La largeur qui sera utilisée pour créer les classes sera la largeur pratique hp, hp étant la valeur
arrondie de la valeur calculée pour la largeur théorique ht.

Exemple : Divisez l'étendue (Xmaxi - Xmini) en neuf classes :

30,829,1
ht  X max i X min i   0,19  0,2  hp
9 9
 Largeur de la section : hp = 0,2.

Etape 4 – Déterminer les valeurs limites des classes

La première classe a la valeur minimale comme limite inférieure. Calculez les limites
supérieures en ajoutant la largeur pratique d'une classe à la limite inférieure.

Exemple : La valeur limite de la première classe est égale à la valeur minimale du tableau
de données c'est-à-dire : 29,1.
Voir les valeurs dans la table de fréquence figurant dans le tableau 2.
En ajoutant la largeur de la classe hp = 0,2 à ce résultat, on obtient la valeur limite
supérieure de la première classe soit 29,3. L'étendue de la première classe est donc
29,1 à 29,3. Déterminez les valeurs limites des autres sections en ajoutant
successivement hp = 0,2.

Tableau 2 : Table des fréquences.

Limite inférieure Limite supérieure

N° de
de la classe de la classe Pointage Fréquence
classe
incluse excluse
1 29,1 29,3 // 2
2 29,3 29,5 //// 4
3 29,5 29,7 //// // 7
4 29,7 29,9 //// //// //// 14
5 29,9 30,1 //// //// //// //// //// 24
6 30,1 30,3 //// //// 10
7 30,3 30,5 //// //// // 12
8 30,5 30,7 //// / 6
9 30,7 30,9* / 1
Total 80
* Cette limite est prise pour le comptage des données c'est-à-dire qu'elle n'est pas excluse.

Qualité Page 185

 Etape 5 – Calcul de la moyenne et de l'écart type des données

* La valeur moyenne ou moyenne est la moyenne arithmétique simple de la somme des

valeurs de l'échantillon ou de la population :

Moyenne = x 
x
N
La moyenne caractérise la position de la distribution.

* L'écart type caractérise la dispersion des données de part et d'autre de la moyenne. Plus
l'écart type est grand et plus la dispersion est grande et inversement.
L'écart type noté  correspond à l'écart type d'une population dont on a pris en compte tous
les individus. Il ne faut surtout pas le confondre avec s qui est une estimation de .

Ecart-type =  = (x  x)²

i
N

Exemple : Utilisez les valeurs du tableau 2 : N = 80, x 

x
= 0,27,  = (x  x)² = 0,35
i
N N
Etape 6 – Etablir une table de fréquence

Inscrivez les limites des classes dans les colonnes en allant de la plus petite à la plus grande
valeur. Affectez les éléments de données un par un aux classes appropriées (voir tableau 2).
Additionnez les données dans la colonne de fréquence pour vous assurer que le nombre
d'éléments est égal à N.

Etape 7 – Réaliser un histogramme

Notez les étendues des valeurs pour les classes sur l'axe horizontal et l'échelle des fréquences
sur l'axe vertical.
Noter des éléments essentiels concernant les données (nom du produit, date de relevé des
données, etc.), le nombre d'éléments de données, la valeur moyenne, l'écart type, etc.
Tracez les lignes verticales correspondant aux valeurs limites de spécification(voir figure 1).

Figure 1 : Histogramme
Tolérance Tolérance
25 inférieure (Ti) supérieure (Ts)

20 Nom du produit : composant X

Période : 3 – 28/06
N = 80, x = 29,7,  = 0,35
Fréquences

15
Valeur spécifiée : 30,2  0,9
c'est-à-dire Ti = 29,1 et Ts = 31,1
10

0
29,0 29,5 30,0 30,5 31,0 31,5
Longueur (mm)

Qualité Page 186

 8.2- Comment utiliser les histogrammes

8.2.1- Déterminez le schéma de distribution à partir de la forme de l'histogramme

Vous pouvez ne pas remarquer les nombreuses petites variations dans vos données.
L'histogramme attire votre attention sur la distribution de l'ensemble de celles-ci.

1 Histogrammes normaux. Les données extraites d'un processus stable produisent

généralement un histogramme en forme de cloche culminant au centre et s'abaisse
symétriquement à gauche et à droite.

Figure 2 : Histogramme normal

2 Histogrammes à deux bosses. Deux bosses apparaissent si vous mélangez des données
provenant de matériaux ayant des moyennes différentes. Remédiez à ce problème en
stratifiant les données et en établissant deux nouveaux histogrammes. Les bosses de droite et
de gauche ressembleront alors à un histogramme normal et les différences entre les strates de
données apparaîtront clairement.

Figure 3 : Histogramme à deux bosses

Qualité Page 187

 3 Histogramme en îlots isolés. Un petit îlot isolé apparaît à côté d'un histogramme normal. Le
mélange accidentel de données provenant d'un distribution explique ce type d'histogramme.

Figure 4 : Histogramme en îlots isolés

4 Histogrammes en falaises. La pente de l'histogramme s'arrête brutalement comme une

falaise. Eliminer tous les éléments ne répondant pas aux spécifications produit ce type
d'histogramme.

Figure 5 : Histogramme en falaise

5 Histogrammes dentelés. L'alternance de pointes et de dépressions dans des classes

adjacentes produit un schéma ressemblant à une roue crantée. Cela peut être du à un rapport
défavorable entre l'unité de mesure et la longueur ou les limites de classes, la manière
d'arrondir la mesure peut donner ce type d'histogramme.

Figure 6 : Histogramme dentelé

Qualité Page 188

 8.2.2- Utiliser les histogrammes pour vérifier le respect des spécifications

Ayez en tête les points suivants lorsque vous déterminez si l'histogramme entre bien dans les
limites supérieures et inférieures des spécifications.

1 Le centre de la distribution est-il exactement au milieu des limites supérieures et inférieures

des spécifications (ou de la valeur cible) ?

2 L'étalement de la distribution est-il trop important ou trop faible ?

3 Y-a-t-il des données au-delà de la limite supérieure ou de la limite inférieure de la

distribution ?

4 Y-a-t-il un espace important pour la distribution entre les limites spécifiées ?

Voir figure 7.

8.2.3- Comparer des données par la stratification et analyser les différences entre les strates

Stratifiez les données par machines, matières premières, équipes de travail, etc., faites des
histogrammes pour chaque ensemble de données et comparez-les. Utilisez la même échelle
horizontale sur les histogrammes et place-les côte à côte pour faciliter la comparaison (voir
chapitre suivant, figure 4). Vous pouvez également utiliser des histogrammes pour évaluer
l'efficacité des mesures d'amélioration en comparant des histogrammes représentant la situation
avant et après l'action.

Qualité Page 189

 Figure 7 :Correspondance avec des valeurs spécifiées

Dispersion

Faible Normale Forte

Limite Limite
Au centre des valeurs spécifiées

inférieure supérieure

Concentrée au milieu de la Bien distribuée à l'intérieur Les deux éxtrémités de la

gamme de valeurs spécifiées. La de la gamme des valeurs distribution sont en dehors des
colonne se raccourcit à mesure spécifiées, avec marge. valeurs limites de spécifications.
que la dispersion augmente.
Dérive de la valeur moyenne

Faible dérive

La distribution dérive vers La distribution dérive vers un Un côté est en dehors de la

un coût de la valeur côté de la valeur moyenne et limite et l'extrémité opposée
moyenne mais il reste de la des risques, s'étendant au-delà s'oriente hors limite.
marge. de la limite.
Forte dérive

La dispersion est faible mais Cette distribution resterait Il est ici plus urgent de
la dérive moyenne place un dans les spécifications si la réduire la dispersion que de
partie de la distribution en- valeur moyenne était ajusté déplacer la valeur moyenne
dehors de la limite. pour se trouver au centre de vers le centre de l'étendue
l'étendue. des spécifications.

Qualité Page 190