12/5/2023

QUALITY AND RELIABILITY ENGINEERING

STATISTICAL QUALITY CONTROL

Quality and statistics ?

2

 We know the quality of a population if we know its

distribution along with its parameter values.

 These values exist for any population but their

values are never known exactly. They can,
however, be estimated from observations
obtained from a sample.

Quality and reliability engineering

1
 12/5/2023

Quality and statistics ?

3

Figure 1 : Shewhart’s view of production systems

Quality and reliability engineering

SQC methods and measurement systems

4

The major statistical methods useful in quality are :

Quality and reliability engineering

2
 12/5/2023

Population, sample and data

5

 The term “population” refers to the collection of all items

that are of interest in a given situation. (All engines
assembled during night shift in January 2016 in a plant…)

 The term sample refers to a subset chosen from the

population :
 Whenever we use the term sample, we really mean a random
sample.
 A random sample = each item in the population has an equal chance
of being included in the sample.

 When samples are inspected, observations are generated and

the collection of these observations is referred to as sample
data.

Quality and reliability engineering

Two types of Data

6

1. Measurement data, come from measurements of

characteristics such as length, width, weight, volume, and so
on.
1. They are in units such as inches, pounds, and cubic centimeters.
2. Examples of measurement data are 2.25 in., 5.22 lb., 256 cc, and so on.
3. The measurement data are in ratio scale.
2. Attribute data come from inspection in which the units are
classified based on attributes such as finish, color, fit, taste,
or smell.
1. Results from attribute inspection will be in counts, such as number too
rough, number too dark, number too tight, and so on.
2. Items inspected are classified into one of two categories, such as
good/bad, tight/loose, or dark/light.
3. Resulting data are the proportion of one category in the total number of
units in the sample such as 0.30 proportion defectives, 5% too tight, or 1
out of 5 are too rough.

Quality and reliability engineering

3
 12/5/2023

Quality and Variability

7

 Every population has some degree of variability in

it

Excessive variability Smaller variability

causes poor quality results in good
and waste quality and reduces
waste.

Quality and reliability engineering

Process Variability
8

 Une cote sur un lot de pièces ne fera jamais

exactement 10 mm, mais sera répartie entre 9,97
et 10,03 mm.

 Un lot de résistances électriques dont la valeur

nominale est de 10 ohms, aura en fait des valeurs
comprises entre 9,9 et 10,1 ohms.

Quality and reliability engineering

4
 12/5/2023

Process Variability (Example 1)

9

 Un lot de 50 arbres épaulés appartenant à une

même série réalisée sur un tour parallèle en prise
en mandrin à trois mors durs à serrage
concentrique avec une butée de broche.

Quality and reliability engineering

Process Variability (Example 1)

10

 L’usinage et le relevé
des côtes ont été
effectués par le même
opérateur et dans des
conditions strictement
identiques.
 La Table 1 donne le
relevé de la côte « A »
des 50 pièces et montre
une variabilité des
mesures.
Quality and reliability engineering Table 1. Relevés de la côte A

5
 12/5/2023

Process Variability (Example 1)

11

 Le tracé de l’histogramme (Figure 2) de ces

différentes mesures met en évidence la présence
d’une distribution gaussienne.

Figure 2. Histogramme des mesures de la côte A

Quality and reliability engineering

Process Variability (Example 1)

12

 La Figure 2 révèle :
1. une fluctuation nette
de la côte A et met en
évidence
l’imperfection du
processus.
2. une dérive très
prononcée de cette
côte qui est sans
doute due à l’usure
de l’outil.
Figure 2. Evolution de la côte « A » en fonction du numéro des pièces

Quality and reliability engineering

6
 12/5/2023

Process Variability (Example 2)

13

 A nail manufacturer produces 20-pound boxes of

nails on automatic filling lines.

(a, b) Net weight of nails in twenty 20-lb. boxes from two filling lines.

Quality and reliability engineering

Variability Causes
14

 According to (Shewhart 1931), the variability in a

process parameter, or product characteristic can
be from two sources:
1. From a “stable system of chance causes,” meaning
the aggregate of small, unavoidable variability
arising from natural differences in material,
manpower, machinery, instruments, and the
environment, that should be expected.
2. From “assignable causes,” meaning the causes
arising from a specific occurrence, such as a broken
tool, pressure surge, or temperature drop that might
occur unexpectedly.

Quality and reliability engineering

7
 12/5/2023

Common Causes and Assignable Causes

15

 Les 2 sources de fluctuations sont reconnus sous les

appellations :
 Causes normales ou communes
 Causes anormales ou spéciales

Quality and reliability engineering

Common Causes
16

 Most of the variation in the characteristic numbers

occurs because of the changing of factors that local
authority cannot control.
 If the people and systems could control the factors and make all
the quality characteristics constant, they would do so.
 They often act together and interact, making them difficult to
dissociate and uncontrollable.

 They are generally very numerous (around 80% of

causes of variation) and have small cumulative effects.

Quality and reliability engineering

8
 12/5/2023

Common Causes
17

 They have the advantage of being governed by

well-known mathematical models (often a normal
distribution) and therefore predictable over time.

Le but de la MSP sera de ne

laisser subsister que les
dispersions dues aux
causes communes.

Quality and reliability engineering

Assignable Causes
18

 Sometimes unusual problems occur that skilled

labor and local authority can fix or make less
harmful.
 “Assignable cause” refers to a change in the
system inputs that can be reset or resolved by local
authority.
 They have a major systematic effect, yet they are
limited in frequency (20% of causes of variation),
non-random, unpredictable but controllable.

Quality and reliability engineering

9
 12/5/2023

Common and Assignable Causes (Examples)

19

1. Tension Électrique dans un Réseau Électrique :

 Cause Normale : Variations de tension légères dues aux
fluctuations de la charge électrique dans le réseau.
 Cause Anormale : Chute brutale de tension en raison d'une
panne majeure dans le réseau électrique.

2. Consommation d'Énergie d'une Machine de

Production :
 Cause Normale : Variations de consommation d'énergie en
fonction des cycles de production et de la charge de travail.
 Cause Anormale : Augmentation soudaine de la consommation
d'énergie due à un dysfonctionnement de la machine ou à un
problème mécanique.

Quality and reliability engineering

Common and Assignable Causes (Examples)

20

3. Theft in Retailing:

 A retail executive is interested in benchmarking theft at five

outlets prior to the implementation of new corporate anti-
theft policies.
 List one possible source of
 common cause variation
 assignable cause variation

Quality and reliability engineering

10
 12/5/2023

Common and Assignable Causes limits

21

 Selon le Théorème Central

Limite (TCL), 99,73% d’une
population, distribuée selon
la loi normale, sont situés
dans l’intervalle de
confiance [-3σ ; +3σ] centré
autour de la moyenne.

 100% des individus seront

situés dans l’intervalle
[-3σ ; +3σ], soit une
longueur de 6σ, avec une
erreur probable de 0,27%

Quality and reliability engineering

Common and Assignable Causes limits

22

 On peut donc déduire que les individus situés à

l’extérieur de la longueur [6σ] sont les
conséquences d’actions perpétrées par des causes
anormales.

Quality and reliability engineering

11
 12/5/2023

Common and Assignable Causes limits

23

 The ultimate challenge for SPC is to ensure that

only the dispersions due to common causes
remain.

Quality and reliability engineering

Measuring Quality using SPC Charting

24

 The primary objectives of the statistical process control

charts:
 Evaluation of the magnitude of the common cause variation,
providing a benchmark for quality improvement or design
activities;
 Monitoring and identification of assignable causes to alert local
authority in a timely manner (something might be fixable); and
 Discouraging local authority from meddling unless assignable
causes are identified (because local authority’s efforts to reduce
common cause variation are generally counterproductive.)

Quality and reliability engineering

12
 12/5/2023

Control Charts elements

25

 A control chart typically has :

 a centerline (CL) and
 an upper control limit (UCL) and
 a lower control limit (LCL),

Quality and reliability engineering

Control Charts interpretation

26

 A process is said to be in control when the control chart

does not indicate any out-of control condition and contains
only common causes of variation.

Quality and reliability engineering

13
 12/5/2023

Control Charts interpretation

27

 If the common cause variation is small, then a

control chart can be used to monitor the process.
This is called a stable (in control) process.
 If the common cause variation is too large, the
process will need to be modified. This is called a
unstable (out of control) process.

Quality and reliability engineering

Control Charts interpretation

28

 When a control chart indicates an out-of-control

condition (a point outside the control limits or
matching one or more of the criteria below), the
assignable causes of variation must be identified and
eliminated.

Quality and reliability engineering

14
 12/5/2023

Control Charts interpretation

29

 Improper control chart interpretation can lead to

several problems, including :
 Blaming people for problems they can not control,
 spending time and money looking for problems
that do not exist,
 spending time and money on process
adjustments or new equipment that are not
necessary,
 taking action where no action is warranted,
 Asking for worker-related improvements where
process or equipment improvements need to be
made first.
Quality and reliability engineering

Control Charts interpretation

30

 Zone I : 68,27% des

points sont situés dans
l’intervalle [-1σ ; +1σ]

 Zone II : 95,45% des

points sont situés dans
l’intervalle [-2σ ; +2σ]

 Zone III : 99,97% des

points sont situés dans
l’intervalle [-3σ ; +3σ]

Quality and reliability engineering

15
 12/5/2023

Control Charts interpretation

31

Quality and reliability engineering

Control Charts interpretation

32

Quality and reliability engineering

16
 12/5/2023

Control Charts interpretation

33

Quality and reliability engineering

Control Charts interpretation

34

Quality and reliability engineering

17
 12/5/2023

Measurement Data & Attribute Data

35

Données de Mesures Données d'Attributs

Nature Des quantités numériques ou des valeurs Des caractéristiques qualitatives ou des
continues. Elles peuvent être exprimées en unités catégories qui ne sont pas mesurées de
de mesure telles que poids, longueur, manière continue, mais plutôt classifiées en
température, etc. catégories discrètes.

Exemples La taille d'un composant en millimètres, la La conformité ou non-conformité d'un

température en degrés Celsius, la durée en produit, le type de défaut (par exemple,
minutes, etc. fissure, éraflure, etc.), la couleur (parmi un
ensemble défini), etc.

Collecte A partir d'instruments de mesure tels que A partir d'inspections visuelles ou de tests
balances, thermomètres, pieds à coulisse, etc. binaires (conforme/non-conforme).

Traitement Techniques statistiques telles que la moyenne, Méthodes spécifiques telles que les cartes P
l'écart type, la variance, les tests d'hypothèse, (pour surveiller les proportions non
etc. conformes), les analyses d'attributs, les tests
d'indépendance, etc.

Quality and reliability engineering

Control Charts : Two types

36

𝑋 Charts

R Charts
Measurement
Charts
SPC Charting

S Charts

Individuals X
Charts

P-Charts

U-Charts
Attributes Charts
NP-Charts

C-Charts

Quality and reliability engineering

18
 12/5/2023

Common Control Charts

37

Quality and reliability engineering

Measurement Control Charts

38

 The measurement control charts are designed to

control measurements, with the assumption that
those measurements follow the normal
distribution.
 When a measurement is to be controlled, both its
average and its variability must be controlled.
 A measurement will fall outside its specification
limits if its average moves to a location different
from the target, its variability increases beyond the
specified allowable range, or both

Quality and reliability engineering

19
 12/5/2023

Measurement Control Charts

39

Quality and reliability engineering

Xbar & R-Charts

40

 X and R control charts assume a normal distribution.

 Usually used with :
 A subgroup size of less than 10 (typically 3–5).
 A minimum of 25 subgroups is necessary to construct the chart.

Quality and reliability engineering

20
 12/5/2023

Control Charts Constants

41

Quality and reliability engineering

Xbar & R-Charts

42

 Une biscuiterie industrielle fabrique des cookies de 13g chacun.

 Le poids est relevé sur un échantillon de 5 cookies par prise chaque 30min
dans le tableau ci-dessous.

Quality and reliability engineering

21
 12/5/2023

Xbar & R-Charts

43

Quality and reliability engineering

Xbar & S-Charts

44

 The X and s control charts assume a normal distribution.

 Usually used with :
 A subgroup size of greater than 10.
 A minimum of 25 subgroups is necessary to construct the chart.

Quality and reliability engineering

22
 12/5/2023

Xbar & S-Charts

45

 Une biscuiterie industrielle fabrique des muffins au chocolat de 45 g

chacun.
 Le poids est relevé sur un échantillon de 5 muffins par prise chaque 30min
dans le tableau ci-dessous.

Quality and reliability engineering

Xbar & S-Charts

46

Quality and reliability engineering

23
 12/5/2023

X & mR-Charts
47

 X and mR (moving range) control charts assume a normal

distribution.
 Usually used with :
 Individual values.
 A minimum of 25 observations is necessary to construct the chart.

Quality and reliability engineering

X & mR-Charts
48

 Une biscuiterie industrielle fabrique des articles fourrés manuellement de

18 g de crème chacun.
 Le tableau ci-dessous représente les relevés de contrôle sur un échantillon
par jour.
X
1 20
2 17
3 15
4 18
5 14
6 22
7 20
8 19
9 20

Quality and reliability engineering

24
 12/5/2023

X & mR-Charts
49

 Une biscuiterie industrielle fabrique des articles fourrés manuellement de

18 g de crème chacun.
 Le tableau ci-dessous représente les relevés de contrôle sur un échantillon
par jour.

 Moyenne des moyennes 𝑋 = 18.333

 Moyenne des étendues 𝑚𝑅 = 3

 UCL (𝑋) = 18.333 + 1.128 * 2.666 = 21.717  UCL (𝑚𝑅) = 3.267 * 3 = 9.801
 LCL (𝑋) = 18.333 - 1.128 * 2.666 = 14.949  LCL (𝑚𝑅) = 0

Quality and reliability engineering

X & mR-Charts
50

X chart
24

22

20

18

16

14

12
1 2 3 4 5 6 7 8 9

Xbar UCL (X) LCL (X) X mR chart

12

10

0
1 2 3 4 5 6 7 8 9

Rbar UCL (R) LCL (R) mR

Quality and reliability engineering

25
 12/5/2023

NP-Charts
51

 NP-charts assume a binomial distribution.

 Usually used with :
 a constant sample size, counting the defective items.
 A minimum of 25 subgroups is necessary to construct the chart.

Quality and reliability engineering

NP-Charts
52

 Cette carte permet de suivre l’évolution du nombre de non

conformes d’un échantillon à un autre.
 Soit l’alésage 30H7. Le responsable de contrôle qualité a
constaté que le contrôle de la présente spécification est trop
cher. En conséquence, il a décidé d’appliquer le contrôle aux
attributs par un tampon calibré en vue de faciliter le contrôle
de ce diamètre à surface fonctionnelle.
 Notons que ce mode de contrôle est qualitatif.

Quality and reliability engineering

26
 12/5/2023

NP-Charts
53

Quality and reliability engineering

P-Charts
54

 P-charts assume a binomial distribution.

 Usually used with a :
 variable sample size (although a constant sample size may be used),
counting the defective items.
 A minimum of 25 subgroups is necessary to construct the chart.

Quality and reliability engineering

27
 12/5/2023

C-Charts
55

 c-charts assume a Poisson distribution.

 Usually used with :
 A constant sample size, counting the number of defects per item.
 A minimum of 25 subgroups is necessary to construct the chart.

Quality and reliability engineering

C-Charts
56

 contrôle du nombre de défauts par unité de

contrôle
 Une fois la production et la livraison d’un lot ont
été achevées, on procède par un contrôle multiple
de toutes les spécifications fonctionnelles de la
pièce concernée.
 C’est le cas de la carte C où on est amené à
contrôler le nombre des défauts par pièce. Soit à
contrôler 20 spécifications fonctionnelles par
pièce.

Quality and reliability engineering

28
 12/5/2023

C-Charts
57

Quality and reliability engineering

U-Charts
58

 U-charts assume a Poisson distribution.

 Usually used with :
 a variable sample size (although a constant sample size may be used),
counting the number of defects per item.
 A minimum of 25 subgroups is necessary to construct the chart.

Quality and reliability engineering

29
 12/5/2023

Variables and attributes control charts

59
selection

Quality and reliability engineering

NP & P-Charts
60

Quality and reliability engineering

30
 12/5/2023

C & U-Charts
61

Quality and reliability engineering

Cartes médiane/quartiles
62

 Imaginons un scénario dans lequel vous surveillez la durée de traitement

des demandes de service dans un centre d'assistance client.
 Les durées de traitement peuvent varier considérablement en raison de la
complexité des problèmes rencontrés par les clients.

 Voici pourquoi la carte de contrôle de la médiane et de l'étendue

interquartile pourrait être pertinente dans ce cas :
 Médiane robuste : La médiane est moins sensible aux valeurs aberrantes que la
moyenne. Si certaines demandes de service prennent beaucoup plus de temps
que la normale en raison de problèmes complexes, la médiane peut fournir une
mesure plus stable de la tendance centrale.
 Étendue interquartile : L'étendue interquartile capture la variabilité au sein du
noyau central des données, excluant les valeurs extrêmes. Cela peut être
approprié dans un contexte où les valeurs aberrantes peuvent être présentes
sans nécessairement indiquer un problème de processus.
 Distribution non normale : Si la distribution des durées de traitement n'est pas
normale, la médiane et l'étendue interquartile peuvent être des choix plus
robustes par rapport à la moyenne et à l'écart type.

Quality and reliability engineering

31
 12/5/2023

Taille de l’échantillon
63

 La détermination de la taille de l'échantillon à contrôler dans un

processus est une décision critique qui peut affecter la sensibilité
du système de contrôle statistique.
 Pas de règle unique. Plusieurs approches :
 Approche expérimentale:
 Objectifs du Contrôle Statistique : Si l'objectif est de détecter de petites variations dans le processus
rapidement, une plus grande taille d'échantillon peut être nécessaire.
 Expérience Antérieure : Si le processus est bien compris, vous pouvez tirer des enseignements de l'expérience
antérieure pour déterminer une taille d'échantillon appropriée.
 Stabilité du Processus : Un processus stable peut nécessiter des échantillons plus petits, tandis qu'un processus
instable peut nécessiter des échantillons plus grands pour détecter les variations.
 Capabilité du Processus : Si le processus est intrinsèquement très variable, vous pourriez avoir besoin de plus
grands échantillons pour détecter les changements significatifs.

 Approche procédurale:
 Exigences Réglementaires : Vérifiez s'il existe des exigences réglementaires spécifiques concernant la taille de
l'échantillon pour votre secteur ou votre industrie.
 Critères de Qualité :Référez-vous aux critères de qualité spécifiques du produit ou du service. Parfois, des normes
de qualité spécifient la taille minimale d'échantillon pour le contrôle statistique.

 Approche probabiliste:
 Coûts Associés à la Collecte des Données : Des échantillons plus grands peuvent être plus coûteux en termes de
temps et de ressources.
 Sensibilité Désirée :Considérez la sensibilité que vous désirez dans la détection des variations. Des échantillons
plus grands peuvent améliorer la sensibilité du système de contrôle.

Quality and reliability engineering

System sensibility : False Alarm

64

 When a X value falls outside a control limit, we normally understand

that an assignable cause has occurred and changed the process mean
to a level different from the desired level.
 Just as with any statistical procedure, however, the control chart is also
subject to Type I and Type II errors.

 The probability of this happening for a 3-sigma chart is 0.0027. That is,
even when a process is in-control, about 3 in 1000 samples will fall
outside the limits, indicating the process is not in control.

Quality and reliability engineering

32
 12/5/2023

Process capability concept

65

 La capabilité d’un processus est défini par son

aptitude à produire des produits conformes aux
spécifications. Elle est caractérisée par sa propre
dispersion naturelle.
 Plus la dispersion naturelle du processus est faible,
plus la proportion de non conformes est faible et
plus le processus est dit capable.
 La capabilité naturelle d’un processus est donc
définie par :
𝑪𝒏 = 6σ

Quality and reliability engineering

Process capability indices

66

 The capability indices compare the process

statistical control elements to the product
specifications to determine the process capability.

Quality and reliability engineering

33
 12/5/2023

Index
67

 L’indice de capabilité fait confronter la capabilité

naturelle et l’intervalle de tolérance spécifié par le
client.

Intervalle de tolérance IT = Ts - Ti
Quality and reliability engineering

Index
68

Quality and reliability engineering

34
 12/5/2023

Index
69

Quality and reliability engineering

Index
70

Quality and reliability engineering

35
 12/5/2023

Index
71

Quality and reliability engineering

Index
72

 Calculate the Cp for the two processes a and b

Cp(a): 24/18 = 1.33 Cp(b): 24/18 = 1.33

Quality and reliability engineering

36
 12/5/2023

Index
73

 𝐶𝑝𝑘 Index compares the distance of the nearest

specification from process center with 3σ.
 The index evaluates whether the process values exceed the
spec on the side where it is most likely to exceed

Quality and reliability engineering

Index
74

 𝐶𝑝𝑘 Index compares the distance of the nearest

specification from process center with 3σ.

Quality and reliability engineering

37
 12/5/2023

Index
75

𝐶 >1

𝐶 =1

0<𝐶 <1

𝐶 =0

𝐶 <0

Quality and reliability engineering

and Indices
76

 The Cpk is always less than or equal to Cp.

 Cpk = Cp when process is centered with respect to
the specifications.

Quality and reliability engineering

38
 12/5/2023

Index
77

 A process that has been brought in-control using

control charts has
 process average 𝑋 = 41.5
 𝑅 /d2 = 0.92

 If the specification for the process calls for values

between 39 and 47, calculate the capability indices
Cp and Cpk for this process in its present condition.

Quality and reliability engineering

Index
78

Small variability
≥ 𝟏, 𝟑𝟑

≤ 𝟏, 𝟑𝟑

Lack of centering

Quality and reliability engineering

39
 12/5/2023

SPC Implementation model

79

Quality and reliability engineering

SPC Implementation model

80

Quality and reliability engineering

40