Maîtrise statistique des procédés

MSP

Objectifs de la Formation
 Prendre connaissance des outils de la MSP et
comprendre leur intérêt;
 Maîtriser les concepts de base de la MSP;
 Connaitre les différents types de cartes de contrôle;
 Savoir calculer les limites de contrôle
 Savoir calculer les indices de capabilité d’un procédé

1
Programme de la Formation
 Sensibilisation à la MSP : Intérêt de la démarche et objectifs

 Concepts statistiques de base: caractérisation d’un échantillon, dispersion,

stabilité et capacilité

 Calcul de la capabilité de procédé

 Calcul de la capabilité de machine
 Présentation des cartes de contrôle
 Calcul des limites de contrôle
 Présentation des types de cartes de contrôle:
 Cartes aux mesures
 Cartes aux attributs

Sensibilisation à la MSP:
Intérêt de la démarche et Objectifs

2
 Qu’est ce que la MSP ?
Problématique:

Un procédé de fabrication réalise des produits conformes à un

instant t, comment puis-je m'assurer qu'il produira des produits
de qualité dans une semaine, dans deux semaines ou dans une
heure sans contrôler toutes les pièces ?

Qu’est ce que la MSP ?

Réponse:

Le produit doit être fabriqué par un procédé stable, répétable

et prévisible: Un procédé capable de fournir des produits
dont les caractéristiques varient faiblement autour des valeurs
nominales.

3
 Qu’est ce que la MSP ?
Les outils de la MSP fournissent une panoplie de solutions pour
stabiliser le procédé de fabrication et améliorer sa capabilité en
réduisant sa variabilité.

Les outils de la MSP Sont:

1. Les histogrammes
2. Les diagrammes causes/ effets
3. Les diagrammes de corrélation
4. Les diagrammes de PARETO
5. Les diagrammes de concentration de défauts
6. Les cartes de contrôle
7. Le journal de bord.
7

Outils de la MSP
20

15
Fréquence

10

Histogramme

Diagramme
causes/ effets
Diagramme de
corrélation

4
 Outils de la MSP
Exemple de diagramme de
concentration de défauts

Outils de la MSP

Modèle de journal de Bord

Date Heure Evènement

13/06 14H10 Réglage de la machine

13/06 20H42 Entrée Lot MP N°39853
14/06 07H30 Changement de la lame de coupe
…

10

5
 Qu’est ce que la MSP ?
MAIS, avant tout, la MSP est une attitude, un désir de tout le
personnel d’une organisation à améliorer continuellement la
qualité de leurs produits ainsi que leur productivité…

C’est à ce moment que l’utilisation de la MSP devient « une

manière normale de travailler » pour réaliser les objectifs
qualité.

11

Concepts statistiques de base

12

6
Concepts statistiques de base:
paramètre du procédé
procédé : Caractéristiques produit à contrôler :

Sertissage Hauteur de sertissage (µm)

Collage Quantité de colle (g)

tournage diamètre pièce tournée (mm)

13

Population & échantillons

Statistiques descriptives ou prédictives

Population : En examinant l’échantillon des

n pièces, nous pouvons…
Toutes les pièces
fabriquées N
• décrire et résumer la série de
données de l’échantillon :
 Statistiques descriptives
Échantillon :
n pièces
fabriquées
• faire des projections sur la
population de N Pièces :
 Statistiques prédictives

14

7
Description de données variables
(statistiques descriptives)
Les trois caractéristiques suivantes d’une série de données
peuvent fournir beaucoup d’indications :
Forme (histogramme)
Tendance centrale (moyenne, médiane)
Dispersion (étendue, écart-type, variance)

15

Dispersion d’un procédé

Exemple :
Pour chacun des 50 pièces fabriquées, le diamètre (en mm) qui a été
mesuré, est indiqué dans le tableau suivant :

22,7 23,1 23,0 22,9 22,8 23,2 23,4 22,9 22,8 22,6

23,1 22,9 23,1 22,9 22,7 22,4 22,8 23,3 23,3 23,2

22,9 23,0 22,9 23,4 22,6 23,0 23,3 22,8 23,1 23,0

22,8 23,3 22,8 22,6 22,9 22,5 22,7 23,0 22,5 23,1

22,7 23,1 22,3 22,5 22,8 22,9 23,0 22,8 23,2 22,6

16

8
 Histogrammes
Un histogramme est un graphique à barres dans lequel les données sont
regroupées en classes.
La hauteur de chaque barre montre combien de données appartiennent à
chaque classe.
18

16

14
Fréquence

12

10

0
[22.0-22.2[ [22.2-22.4[ [22.4-22.6[ [22.6-22.8[ [22.8-23.0[ [23.0-23.2[ [23.2-23.4[ [23.4-23.6[ [23.6-23.8[ [23.8-24.0[

Pour un échantillon de taille donnée n, un nombre adapté de classes

doit être utilisé: nombre de classe = √n
17

Les données peuvent

avoir des formes variées:
Forme en cloche – distribution normale

Asymétrie droite

Asymétrie gauche

Distribution uniforme

Distribution bi-modale
18

9
 Mesures de la tendance centrale
Somme des valeurs de la caractéristique de l’échantillon

Taille de l’échantillon

Moyenne
Somme des valeurs d’une série de données divisée par le nombre de valeurs :

Exemple pour le cas de l’échantillon de 50 Pièces fabriquées (mesure du

diamètre)
22,7  23,1  23,0  22,9  22,8  23,2  23,4  22,9  22,8  22,6...
X  moyenne 
50

—
X= 22,9 mm

19

Mesures de la tendance centrale

la moyenne
20

15
Fréquence

10

0
[22.0-22.2[ [22.2-22.4[ [22.4-22.6[ [22.6-22.8[ [22.8-23.0[ [23.0-23.2[ [23.2-23.4[ [23.4-23.6[ [23.6-23.8[ [23.8-24.0[

Moyenne
22,9 mm

• la moyenne est pour la plupart des processus le meilleur indicateur

de la tendance centrale.
• la moyenne correspond au point d’équilibre des données.

20

10
 Mesures de variation (Dispersion)

1. Etendue
La valeur de la donnée la étendue = 23,4 – 22,3
plus forte moins la valeur de étendue = 1,1
la donnée la plus faible :

2. Écart type (s)

La racine carrée de la moyenne Écart-type  s 
 (x  x)2
des carrés des écarts à la n 1
moyenne :
s= 0,263 mm

Variance = s2 = (0,26)2
3. Variance (s2)
Le carré de l’écart-type :
s2 = 0,069

21

La distribution normale & les statistiques prédictives

• La plupart des résultats de procédé ayant cette forme: les
propriétés de la courbe normale peuvent être utilisées pour
faire des projections sur la population N du procédé.

22

11
 Statistiques d’échantillon ou
caractéristiques de population

Échantillon _ Population
–
x s s2 X  2

Les statistiques d’échantillon sont Les paramètres de population sont des

des mesures descriptives de mesures descriptives de la population, à
l’échantillon, à calculer : estimer :
x = moyenne de l’échantillon X = moyenne de la population
s = écart-type de l’échantillon  = écart-type de la population
s2 = variance de l’échantillon 2 = variance de la population
23

Propriétés de la distribution normale

1 3
Forme
Dispersion
Ecart-type

m est la moyenne et sigma

(σ) est l‘écart-type.

2
Tendance
centrale
Moyenne

24

12
 Contrôle de procédé
Notion de stabilité et de capabilité de procédé

25

Qu’est-ce que le contrôle

de procédé ?

Un procédé est sous

contrôle quand il est
stable...

et donc prévisible...

26

13
 Procédé hors contrôle

Un procédé instable...

? ?
…est imprévisible.

27

Stabilité du procédé / capabilité du procédé

Contrôle du procédé
=
Stabilité dans le
temps

Capabilité du procédé
=
Aptitude d’un procédé stable
Limite
inférieure
Limite
supérieure
à répondre aux spécifications.
de la spécification de la spécification

28

14
 Exemples de stabilité et de capabilité

LIS Stable et capable

LSS

Stable mais…
non capable
LIS
LSS

29

Que peut-on dire sur ce procédé ?

LIS LSS

- Est-il stable?
- Et capable? - Tant qu’il n’est pas stable on ne sait pas !

ATTENTION !
Quand un procédé est instable, nous ne pouvons
pas tirer de conclusions valables sur sa capabilité !
30

15
 Un processus « capable »
LIS LSS

À RETENIR !
Un processus stable
fournit les estimations
les plus fiables de la
Mesures capabilité du process.
individuelles
6s

Un processus est dit « capable » quand les ± 3 points de la

distribution des mesures individuelles sont largement contenus
au sein des limites de spécifications.

31

Zone située sous la courbe normale

 Lors de l'analyse de la capabilité d’un process, nous utilisons des

zones situées sous la courbe normale pour estimer le pourcentage
de produits en dehors des limites de spécifications.

LIS - Limite LSS - Limite

inférieure de supérieure de
spécification spécification

3% 12%

32

16
Calcul de la capabilité de procédé

33

Quatre processus stables

A B Que peut-on
dire à propos
de la
capabilité de
LIS LSS LIS LSS ces
processus ?
C D

LIS LSS LIS LSS

34

17
 Quel est le degré de capabilité ?
6s

LIS LSS
process capable

6s 6s

LIS process LSS LIS process LSS

très capable extrêmement
capable 35

Qu’est-ce que la capabilité d’un process ?

C’est sa capacité à répondre aux besoins du client.

Formage de glissières de sièges process de recrutement

Cote intérieure de la glissière de siège (mm) Temps de recrutement (en jours)

LIS LSS LSS

Le produit ne Recrutements
respecte pas les limites qui prennent
de la spécification ! trop de temps !
36

18
Étapes d’évaluation de la capabilité du processus - Données
variables normalement distribuées
1. Veillez à ce que les données soient normalement distribuées 
forme de l’échantillon étudié (minimum 25 valeurs dans l’échantillon)

2. Estimez la moyenne et l’écart-type du processus: X, 

3. Déterminez la variation du processus (fourchette de 6 écarts-type)

4. Calculez la capabilité potentielle du processus : Cp

5. Estimez le pourcentage de produit (ou PPM) qui sort des limites de

la spécification, si Cp < 1,33

6. Calculez la capabilité réelle du processus : Cpk.

37

1. Veillez à ce que les données

soient normalement distribuées

Histogramme des mesures

Graphique X

X = 178,6

Graphique R

R= 8,4

Les données peuvent être traitées

comme des données normales.
38

19
2. Estimez la moyenne et l’écart-type du processus
Graphique X

X = 178,6 x sera utilisé pour

estimer la moyenne
du processus.
Graphique R

R= 8,4
R sera utilisé pour
¯
estimer l’écart-type
du processus.
Re marque :
x  symbole de la moyenne de la population
  symbole de l’ écart type de la population

39

2. Estimation de la moyenne et de l’écart-type du processus

D’après
le graphique
de contrôle
Moyenne du processus : x  X
R
Écart-type du processus : ˆ 
d2

Où : d2 est une constante qui dépend de

la taille du sous-groupe
(voir le tableau des constantes du
graphique de contrôle).

40

20
 2. Moyenne et écart-type du processus

Pour notre exemple : la moyenne de toutes les données = 178,6 et

l’étendue moyenne = 8,4 d’après un graphique de contrôle stable
qui a utilisé une taille d’échantillon de 5.

Population
R 8,4
alors, ˆ    3,6
d 2 2,326

178,6
X

Écart-type
Moyenne du process du process

41

3. Déterminez la variation du process

et comparez aux limites de la spécification
LSS = 182
LIS = 160

Variation du processus :
99,73% des produits
cible compris entre 167,8 et
171 189,4.
167,8 178,6 189,4

x  3 x x  3
D’après les spécifications, nous voulons que tous les
produits soient compris entre 160 et 182.
Si ce process était centré, serait-il capable de
répondre aux spécifications techniques ?

42

21
 4. Calculez la capabilité potentielle du process (Cp)

LIS LSS
L’indice Cp reflète la capabilité
Cp = 1 potentielle du processus si la
moyenne était parfaitement
centrée entre les limites de
spécification.

Cp > 1 Plus l’indice Cp est élevé,

mieux c’est !

LSS  LIS
Cp 
6ˆ

Cp < 1 Exigences de capabilité :

Cp > 1,33 / Cp > 1,67 / Cp > 2
43

4. Calculez la capabilité potentielle du process (Cp)

Calculez l’indice Cp :
LSS = 182
LIS = 160

LSS  LIS
Cp   ______
6ˆ
rappel : ˆ  3,6
167,8 178,6 189,4

Si ce process était centré, serait-il

capable de répondre aux
spécifications ?
44

22
5. Estimez le pourcentage des produits hors spécification
Pour estimer le pourcentage de produit (ou PPM) qui est hors
spécification, nous devons d’abord calculer Zsupérieur et Zinférieur.

LSS = 182
LIS = 160

167,8 178,6 189,4

Zsupérieur est le nombre

Zinférieur est le nombre d’écarts-type
d’écarts-type compris entre la moyenne
compris entre la moyenne du process
du process et la limite supérieure
et la limite inférieure de la spécification.
de la spécification.
45

Calcul de Zsupérieur et de Zinférieur

-
zsupérieur= LSS X
s
ˆ
LSS = 182
LIS = 160

-
zsupérieur= ,0 178,6 = 0,94
182
3,6

167,8 178,6 189,4

X  LIS
zinférieur 
La spécification inférieure
ˆ
est 5,17 écarts-types 178,6  160,0
au-delà de la moyenne zinférieur   5,17
du process.
La spécification supérieure 3,6
est 0,94 écart-type
au-delà de la moyenne
du process.

46

23
Estimation du % au-delà
des spécifications D’après le
tableau Z, nous

LSS = 182
LIS = 160

trouvons que
Z = 0,94
correspond à la
proportion =
0,1736

Cela se convertit
en 17,36% défauts
ou
167,8 178,6 189,4
173 600 PPM

Z supérieur = 0,94

47

Tableau Z
0,00 0,01 0,02 0,03 0,04
0,8 0,211855334 0,208970026 0,206107994 0,203269335 0,200454139
0,9 0,184060092 0,181411225 0,178786354 0,176185520 0,173608762
1,0 0,158655260 0,156247655 0,153864244 0,151505020 0,149169971

Pour Z = 0,94, la proportion = 0,1736

17,36%
ou
173 600 PPM
48

24
 6. Calculez la capabilité réelle du process (Cpk)

À l’inverse de l’indice Cp, l’indice Cpk tient compte du décentrage du process. Plus
l’indice Cpk est élevé, mieux c’est.

LIS LSS LIS LSS

6 6

CP = 1 CP = 1
CPK = 1 Cpk < 1

49

Calcul de l’indice Cpk

Cpk = min [(LSS - x); (x - LIS)]

3 3
LIS = 160

LSS = 182

Cpk = min [(182 – 178,6);(178,6 – 160)]

3 * 3,6 3 * 3,6

Cpk = 0,31

167,8 178,6 189,4

Et Cp = 1,02

50

25
Centrage de la distribution
Pour notre exemple :

x • si le process était parfaitement centré, à savoir si

= cible = 171, alors le pourcentage d’éléments défectueux serait :

ZLIS= -3,06 ZLSS= 3,06

0,111% 0,111%
éléments éléments
défectueux défectueux
171
Cible

51

Capabilité Processus dans le cas

d’une seule spécification
1. S’assurer que la distribution est normale.
2. Le process doit être stable
3. Estimer la moyenne et l’écart type du process.
4. Estimer le pourcentage ou PPM qui tombent au delà de la limite de
spécification.
5. Quantifier la performancedu process en calculant le Cpk.

L . S . S . seule

Cpk = LSS - X
3
L .I .S . seule
X - LIS
Cpk =
3 52

26
 Étude de la capabilité machine/ Étude de la capabilté processus

Quand on évalue la capabilité du processus, une étude à

court terme est menée pour savoir dans quelle mesure le
processus peut être bon  Capabilité du moyen: Cm, Cmk
Les données sont collectées sur une courte période pendant laquelle le
processus n’est influencé que par des causes de variation du moyen 
Cm = LSS - LIS et Cmk = min [(LSS - x); (x - LIS)]
6s 3s 3s
On mène une étude à long terme pour connaître les
performances à long terme du processus réel  Capabilité
du processus
Les données sont collectées sur une période suffisamment longue
pour que le processus soit influencé par toutes les causes de
variation (par exemple, des données collectées sur différents lots,
paquets, équipes, saisons, etc.)
53

Les Cartes de contrôle

54

27
 Utilité des cartes de contrôle
Les cartes de contrôle fournissent des informations concernant la
capabilité du procédé, elles permettent en effet d’avoir des
informations concernant les valeurs de certains paramètres
importants du procédé et leur stabilité au cours du temps :

 ceci permet d’estimer la capabilité du procédé.

55

Utilité des cartes de contrôle

Un objectif principal des cartes de contrôle est de:
• visualiser la variabilité du paramètre suivi,
• évaluer cette variabilité,
• détecter l’apparition des causes spéciales afin de les éliminer,
• réduire autant que possible la variabilité du procédé.

Par conséquent, la carte de contrôle permet de juger si le procédé

est « sous contrôle » ou « hors contrôle » et d’agir en
conséquence.

56

28
Causes communes et causes spéciales

Seules des causes

« communes » de
variation sont
présentes.

Des causes
« spéciales » de
variation sont
présentes !
57

Limites de contrôle
Limite supérieure de contrôle
Les limites de
contrôle sont des
bornes statistiques
calculées utilisées
pour déterminer la
stabilité d’un
Limite inférieure de contrôle
processus.

Dans la carte X barre, si toutes les moyennes restent

entre ces deux bornes (et fluctuent de façon aléatoire
avec les 2/3 des points proches de la ligne centrale),
alors le processus est dit stable.
58

29
 Calcul des limites de contrôle pour la carte X & R
10,0
LSC
carte 8,0
6,0
La carte X
4,0 (moyennes) est
2,0
0,0
LIC
associé au carte des
16,0
étendues (R)
(variation).
LSC
carte 12,0
des
étendues 8,0 R
4,0

0,0 Il importe de
surveiller
#
1
8:00 8:30 9:00 9:30 10:00 10:3011:00
Échantillon

10,0 7,0 5,0 9,0 2,0 2,0 5,0

simultanément la
2
3
1,0 4,0 2,0 3,0 4,0 4,0 6,0
4,0 10,0 6,0 7,0 2,0 8,0 4,0
performance moyenne
4
5
9,0 2,0 2,0 3,0 6,0 8,0 10,0
8,0 8,0 3,0 1,0 1,0 6,0 3,0 et la variation du
Moyenne 6,4 6,2 3,6 4,6 3,0 5,6 5,6
Intervalle 9,0 8,0 4,0 8,0 5,0 6,0 7,0
processus.
59

Calcul des limites de contrôle pour la carte X & R

Échantillon 8:00 8:30 9:00 9:30 10:00 10:30 11:00
1. Calculez la moyenne de chaque sous-groupe : #
1 10,0 7,0 5,0 9,0 2,0 2,0 5,0
Additionnez les mesures et divisez par le 2 1,0 4,0 2,0 3,0 4,0 4,0 6,0
3 4,0 10,0 6,0 7,0 2,0 8,0 4,0
nombre de mesures dans le sous-groupe. 4 9,0 2,0 2,0 3,0 6,0 8,0 10,0
Pour le sous-groupe de 8 heures : 5 8,0 8,0 3,0 1,0 1,0 6,0 3,0
Moyenne 6,4 6,2 3,6 4,6 3,0 5,6 5,6

1 Intervalle 9,0 8,0 4,0 8,0 5,0 6,0 7,0

x  10,0 1,0  4,0  9,0  8,0  6,4

5
2. Calculez l’étendue pour chaque sous-groupe :
Soustrayez la mesure la plus basse de la
mesure la plus élevée du sous-groupe.
Pour le sous-groupe de 8 heures :

R  10,0  1,0  9,0

60

30
 Calcul des limites de contrôle pour la carte X & R
Échantillon 8:00 8:30 9:00 9:30 10:0010:3011:00
3. Calculez X double barre (moyenne des #
1 10,0 7,0 5,0 9,0 2,0 2,0 5,0
2 1,0 4,0 2,0 3,0 4,0 4,0 6,0
moyennes) : 3 4,0 10,0 6,0 7,0 2,0 8,0 4,0
Additionnez toutes les moyennes des sous- 4 9,0 2,0 2,0 3,0 6,0 8,0 10,0
5 8,0 8,0 3,0 1,0 1,0 6,0 3,0
groupes et divisez-les par le nombre de Moyenne 6,4 6,2 3,6 4,6 3,0 5,6 5,6
sous-groupes. Intervalle 9,0 8,0 4,0 8,0 5,0 6,0 7,0
1
X  6,4  6,2  3,6  3,6  3,0  5,6  5,6   5,0
7

4. Calculez R barre (moyenne des intervalles) :

Additionnez tous les intervalles des sous-groupes
et divisez-les par le nombre de sous-groupes.
1
R  9,0  8,0  4,0  8,0  5,0  6,0  7,0   6,7
7

61

Calcul des limites de contrôle pour la carte X & R

Échantillon
8:00 8:30 9:00 9:30 10:00 10:30 11:00
5. Calculez les limites de contrôle : #
1 10,0 7,0 5,0 9,0 2,0 2,0 5,0
2 1,0 4,0 2,0 3,0 4,0 4,0 6,0
Pour la carte x barre... 3 4,0 10,0 6,0 7,0 2,0 8,0 4,0
4 9,0 2,0 2,0 3,0 6,0 8,0 10,0
5 8,0 8,0 3,0 1,0 1,0 6,0 3,0
LSC x  X  A2 R Moyenne 6,4 6,2 3,6 4,6 3,0 5,6 5,6
Intervalle 9,0 8,0 4,0 8,0 5,0 6,0 7,0
LSC x  5,0  ( 0,577  6,7)  8,9
Taille du sous-
LIC x  X  A2 R groupe (n)
A2 D3 D4
LIC x  5,0  ( 0,577  6,7)  1,1 2 1,880 0,000 3,267
3 1,023 0,000 2,574
Pour la carte R...
4 0,729 0,000 2,282
5 0,577 0,000 2,114
LSCR  D4 R
LSCR  2,114  6,7  14,2
LICR  D3 R
LICR  0,000  6,7  0,0
62

31
 Les différentes Cartes de Contrôle

63

Les différentes cartes de contrôle

 Les cartes de contrôle aux mesures

 Les cartes de contrôle aux attributs

64

32
 Cartes de contrôle aux mesures
 Elles se caractérisent par deux graphiques distincts qui permettent
de visualiser simultanément les variations de la tendance centrale
et celle de la dispersion du procédé.

 Il existe également plusieurs types de cartes aux mesures, le choix

du type de la carte dépend de l’efficacité des cartes, de la difficulté
de calcul, du temps et du coût de collecte des mesures.

65

Cartes de contrôle aux mesures

Les cartes aux mesures plus utilisées sont :

 Carte des moyennes X et de l’étendue R: carte (X,R);

 = R/d2; LCX = X ± A2 R; UCLR = D4 R; LCLR = D3 R

 Carte des moyennes X et de l’écart-type s: carte (X,s);

 = s/c4; LCX = X ± A3 s; UCLS = B4 s; LCLS = B3 s

66

33
Cartes de contrôle aux mesures
Les cartes aux mesures plus utilisées sont :

 Carte de la médiane Me et de l’étendue R: carte Me;

=R/d2 ; LCMe = Me ± Ã2 R ; UCLR = D4 R; LCLR = D3 R

 Carte des observations individuelles X et de l’étendue

mobile R: carte (X,Rm)

 = Rm/d2 ; LCX = X ± E2 Rm; UCLR = D4Rm; LCLR = D3Rm

67

Cartes de contrôle aux attributs

 On utilise les cartes aux attributs quand les données se
représentent sous forme binaire (bon/ mauvais; conforme/
non-conforme, passe/ ne passe pas…).

 Ces cartes se caractérisent par un seul graphique.

 On distingue quatre types de cartes aux attributs:

68

34
Cartes de contrôle aux attributs
 Carte p: proportion des articles non conformes à partir
d’échantillon n’étant pas nécessairement de taille
constante.

LCp = p ± 3 √p(1-p)/√n si 75% n ≤ n ≤ 125% n

avec n: moyenne des échantillons; p = n1p1 + n2p2 +…+nkpk

n1+n2+…+nk

 Carte np: nombre d’unités non conformes (échantillon de

taille constante)

LCnp = np ± 3 √np(1-p) ; avec np = np1 + np2 +…+npk

k
69

Cartes de contrôle aux attributs

 Carte c: nombre de non-conformités (échantillon de taille

constante)

LCc = c ± 3 √c ; c = c1 + c2 + … + ck
k

 Carte u: nombre de non-conformités par unité

(échantillon de taille non constante)

LCu = u ± 3 √u/n ; avec u = c1+ c2+…+ck

n1+n2+…+nk

70

35