Modélisation de la qualité

Système d'assurance de la qualité I (GIA-1052)

Exercices suggérés (chapitre 2): 2.1, 2.3, 2.5, 2.7, 2.13, 2.23, 2.25, 2.27, 2.29, 2.35, 2.39

Chantal Baril ing.

Département de génie industriel - Université du Québec à Trois-Rivières

Référence: Montgomery, Douglas C., Introduction to statistical quality control, John Wiley & Sons inc., 2001
Introduction
 Variabilité des processus
 Résumés numériques
 Outils
 Diagramme en feuille
 Histogramme
 Box-plot (diagramme en boîte)
 Lois de distributions de probabilité
 Étude de la normalité d’une distribution
Variabilité des processus
 Quel que soit le processus de production, il est
impossible de créer des produits ou des
caractéristiques exactement identiques.
 Variabilité importante = coût de production élevé

Amélioration de la qualité

Réduction de la variabilité

Connaître la variabilité

Méthodes statistiques

Échantillon de produits
Résumés numériques
 Tendance centrale
 Moyenne
 Médiane
 Quartiles

 Dispersion
 Variance
 Écart-type
 Étendue
 Écart interquartile
Diagramme en feuilles
Le diagramme en feuille permet de
visualiser l’étendue, la tendance
centrale et la forme de la distribution
des données.

Méthodologie
 Diviser les chiffres en deux parties
 Partie 1 = un ou plusieurs chiffres (racine)
 Partie 2 = les chiffres restants (feuille)
 Choisir entre 5 et 20 « racines »
 Bâtir un tableau: racine, feuilles, fréquence
Diagramme en feuille (exemple)
Diagramme en feuilles
 Arranger en ordre croissant les données sont utiles
pour trouver les valeurs centiles.

 La valeur centile est la valeur d’une variable en deçà de

laquelle il y a une proportion connue de toutes les
valeurs et au-delà de laquelle il y a les valeurs
restantes.
 La médiane (Q2) = le 50e centile = la valeur centrale séparant
la population en deux parties égales.
 Premier quartile (Q1) = 25%
 Troisième quartile (Q3) = 75%
 Interquartile = Q3 - Q1
Diagramme en feuilles
Diagramme en feuilles
 Ne tient pas compte
du temps: facteur
important de variabilité
en qualité
Histogramme

L’histogramme permet de connaître la

distribution des données selon leur fréquence.

 Méthodologie
 Classer les données en ordre croissant
 Calculer le rang : (r = max – min)
 Choisir la largeur du pas : Δ= r (1 + 3.3 log10(n))-1
 Diviser les données en N groupes (rang / pas)
 Dessiner la table de fréquence
 Dessiner l’histogramme
n = nombre de données totales
N = nombre de groupes
 Histogramme

Min. = 73.967mm
Max. = 74.030 mm

Rang = 0.063

Pas = 0.00795

Nombre de groupes: 8
Histogramme
Histogramme
Box-Plot (diagramme en boîte)
 Le Box-Plot permet de visualiser:
 La tendance centrale
 La variation des données
 La symétrie
 Les données éloignées

Q1 Q3
Min Max

Médiane Q2
Box-Plot (diagramme en boîte)

Min = 120.1
Max = 121.3
Q1 = 120.35
Q3 = 120.9
Q2 = 120.6
Box-Plot (diagramme en boîte)

 Méthode simple
 Facile à comprendre
 Utile pour comparer des
groupes de données
Lois de distributions de probabilité
 Population
 Ensemble des individus/pièces dont on veut connaître les
caractéristiques
 Échantillon
 Partie d’une population sur laquelle on effectue des mesures
 Distribution de probabilité
 C’est un modèle mathématique qui décrit la structure de
probabilité d’une variable aléatoire.
 Variable aléatoire
 Variable pouvant prendre n’importe quelle valeur dans une
population en suivant un mécanisme aléatoire
Lois de distributions de probabilité
 Distributions continues
 Variables pouvant être mesurées sur une échelle
continue
 Dimension / temps / quantité
 Mesurées avec des instruments

 Distributions discrètes
 Variables pouvant prendre seulement des valeurs
entières
 nombre de défauts ou de non-conformités, DPU, PPM
 Subjectivité (GO NO GO)
Lois de distributions de probabilité
Distributions discrètes importantes

 La distribution Hypergéométrique

 La distribution Binomiale

 La distribution Poisson
Distributions discrètes (Hypergéométrique)
 Utiliser pour:
 Sélectionner un échantillon aléatoire de n items,
sans remplacement, à partir d’un lot de N items dans
lequel D items sont défectueux.
 D  N  D 
   
 x  n  x 
p(x)  , x 0, 1, 2, ...
N
 
n   D D!
  
 x  x!( D  x)!
 Application:
 Concevoir des plans d’échantillonnage
Distributions discrètes (Binomiale)
 Utiliser pour:
 Sélectionner un échantillon aléatoire de (n) items,
sans remplacement, à partir d’une population infinie
comprenant une proportion d’items défectueux (p).

 n x n x
p( x)    p (1  p)
 x
 Application:
 Pour la maîtrise statistique des procédés, la proportion de
défectueux dans l’échantillon ou la fréquence de non-
conformes dans l’échantillon, qui est dérivée de la loi
binomiale, est souvent employée.
Distributions discrètes (Poisson)
 Utiliser pour:
 Décrire le nombre de défauts par unité (produit,
volume, aire, temps, etc.)sachant que le taux moyen
de défaut par unité est de λ.


e  x
p( x)  , x 0,1,...
x!
Distributions continues importantes

 La distribution Normale

 La distribution Exponentielle

 La distribution Weibull
Distributions continues (Normale)
 La plus importante dans la théorie et dans
l’application des statistiques.

2
1  x  
1  
2  

f ( x)  e
 2
-4 -3 -2 -1 0 1 2 3 4

Où X ~ N(;)
Distributions continues (Normale standard)
Plusieurs situation implique des données
distribuées normalement. Souvent, nous
voulons connaître la probabilité qu’un
événement se produise ou encore connaître
un pourcentage de non-conformité. La
distribution normale standard est:
x 
Z

Standardisation (loi normale centrée réduite): x ~N(0, 1)
Distributions continues (Normale)
Pour une population
normalement distribuée, il y
a environ:
 68% des données
qui sont situées à 1
écart-type de
chaque côté de la
moyenne.
 95% des données
qui sont situées à 2
écart-type de
chaque côté de la
moyenne.
 99.7% des données
qui sont situées à 3
écart-type de
chaque côté de la
moyenne.
Distribution Normale (exemple 1)
 Résistance à la traction (x) du papier utilisé
dans la fabrication de sacs d’épicerie.
 Moyenne μ = 40 lb/po2
 Écart type = 2 lb/po2
 Norme à respecter: au moins 35 lb/po 2

Quelles est la probabilité qu’un sac fabriqué avec

ce papier rencontre ou excède la spécification ?
Distribution Normale (exemple 2)
 Diamètre d’une pièce métallique utilisée dans
un lecteur de disque
 Moyenne μ = 0.2508 po.
 Écart type = 0.0005 po.
 Spécification: 0.2500 ± 0.0015 po.

Quel est le pourcentage de pièces

qui rencontre la spécification ?

Qu’arrive-t-il si on centre le
procédé sur la valeur nominale ?
Théorème central limite

 Ce théorème stipule que:

 La distribution des moyennes (X-barre) correspond à
une distribution normale en autant que n soit
suffisamment grand et peu importe la distribution de
la population mère.
Approximations

 Approximer l’hypergéométrique par la binomiale

 Si n/N ≤ 0.1
 Binomiale avec p = D/N et n
 Approximer la binomiale par la poisson
 Si p est petit et n est grand
 Poisson avec λ = np
 Approximer la binomiale par la normale
 Si n est grand
Étude de la normalité d’une distribution
 La forme de l’histogramme
 Le graphique de normalité: droite de Henry
 Classer les observations par ordre croissant
 Estimer les fréquences cumulées correspondantes
i
F ( xi ) 
n 1
 Placer sur un papier d’échelle gaussien les points
 i 
 xi , 
 n 1 
 Tracer une droite qui s’ajuste le mieux aux points. Si
l’ajustement paraît convenable la normalité est acceptée.
Étude de la normalité d’une distribution
i xi xi F(xi)
1 216 131 0.0384

2 290 139 0.0769

3 236 168 0.1154

4 228 173 0.1538

5 244 175 0.1923

6 210 195 0.2308

7 139 199 0.2692

8 310 207 0.3077

9 240 210 0.3462

10 211 211 0.3846

11 175 216 0.4231

12 447 224 0.4615

13 207 226 0.5000

14 242 226 0.5385

15 168 228 0.5769

16 360 236 0.6154

17 226 240 06538

18 253 242 06923

19 380 244 0.7308

20 131 253 0.7692

21 173 290 0.8077

22 224 310 0.8462

23 195 360 0.8846

24 199 380 0.9231