M07 Statistiques en production-FM-TSMFM

ROYAUME DU MAROC
OFPPT Office de la Formation Professionnelle et de la Promotion du Travail

DIRECTION RECHERCHE ET INGENIERIE DE FORMATION
RÉSUMÉ DE THÉORIE
&
GUIDE DES TRAVAUX PRATIQUES
MODULE 7 STATISTIQUES EN PRODUCTION
SECTEUR : FABRICATION MECANIQUE

SPECIALITE : TSMFM
NIVEAU : TS
Les statistiques en production
Document élaboré par :
Nom et prénom
NICA DORINA CDC Génie Mécanique DRIF
Révision linguistique
-
-
-
Validation
-
-
-
Module 6 Fabrication Mécanique 1

OBJECTIF DU MODULE
MODULE 6 : LES STATISTIQUES EN PRODUCTION
Code : Durée : 30 heures
OBJECTIF OPÉRATIONNEL DE PREMIER NIVEAU

DE COMPORTEMENT
COMPORTEMENT ATTENDU
Pour démontrer sa compétence, le stagiaire doit

appliquer les statistiques essentielles à la maîtrise de la production
selon les conditions, les critères et les précisions qui suivent.
CONDITIONS D’EVALUATION
• Travail individuel
• À partir :
- de consignes et directives ;
- de plan de définition, de fabrication
- d’une gamme de contrôle, carte de suivi de contrôle
- Fiche de contrôle, d’auto-contrôle
- d’un cahier des charges;
- des données techniques de production
• À l’aide :
- De calculatrices;
- De l’outil informatique ;
- Des documents standardisés
- Formulaires, abaques et diagrammes
- D’outils de qualité
CRITERES GENERAUX DE PERFORMANCE
• Exploitation des données statistiques et détermination des différents paramètres :

moyenne, variance...
• Exploitation des digrammes et graphiques
• Interprétation des résultats
• Mise en place d’un système SPC par cartes de contrôle : cet aspect sera privilégié
au détriment de la « performance mathématique »
à suivre

OBJECTIF OPERATIONNEL DE PREMIER NIVEAU

DE COMPORTEMENT (suite)
PRECISIONS SUR LE CRITERES PARTICULIERS DE

COMPORTEMENT ATTENDU PERFORMANCE
A. Effectuer des calculs de probabilité et - Justesse d’interprétation

exploiter les données statistiques - Utilisation adéquate des outils mathématiques
B. Appliquer les outils et méthodes qui - Maîtrise des outils statistiques en particulier la
permettent le contrôle des processus de normalité des procédés
fabrication
C. Acquérir une démarche de mise en place du - Mise en place d’un système SPC par cartes de
SPC dans l’entreprise contrôle : cet aspect sera privilégié au détriment
de la « performance mathématique »

OBJECTIFS OPERATIONNELS DE SECOND NIVEAU
LE STAGIAIRE DOIT MAÎTRISER LES SAVOIRS, SAVOIR-FAIRE, SAVOIR-PERCEVOIR OU

SAVOIR-ÊTRE JUGES PRÉALABLES AUX APPRENTISSAGES DIRECTEMENT REQUIS POUR
L’ATTEINTE DE L’OBJECTIF OPÉRATIONNEL DE PREMIER NIVEAU, TELS QUE :
Avant d’apprendre à effectuer des calculs de probabilité et exploiter des données

statistiques (A) :
1. Effectuer des calculs de base des probabilités

2. Définir les lois de probabilité et les variables aléatoires
Avant d’apprendre à appliquer les outils et les méthodes statistiques qui permettent le
contrôle des processus de fabrication (B) :
3. Définir les concepts suivants : échantillonnage, prélèvements, relevés,

4. Construire des histogrammes et calculer les paramètres (la moyenne et l’écart-type)
5. Définir et vérifier la normalité d’une population (courbe de Gausse, droite de Henry
teste du Khi-deux)
Avant d’apprendre à acquérir une démarche de mise en place du SPC dans l’entreprise
(C) :
6. Énoncer les principes de base du SPC

7. Utiliser et exploiter les cartes de contrôle (par mesure et par attribut) et les feuilles de
relevés
8. Avoir des notions sur la capabilité du processus et conformité aux spécifications.

STATISTIQUES EN PRODUCTION

SOMMAIRE
LES STATISTIQUES EN PRODUCTION
CHAPITRE 1
STATISTIQUE ……..…………..………………………………………………………………………................8
1. Séries statistiques à une variable .……………………………………………………………………….8
2. Séries statistiques à deux variables………………………………………………………….....................9
3. Comment lire et exploiter un tableau statistique ?……………………………………………………..10
4. Comment lire et interpréter un diagramme statistique ?...…………………………………………...10
5. Comment déterminer le mode d’une série statistique ?.................................................................14
6. Comment déterminer la médiane d’une série statistique ?............................................................14
7. Comment calculer l’étendue d’une série statistique ?....................................................................16
8. Comment calculer une moyenne ou l’écart-type ?..........................................................................16
9. Comment représenter une série statistique à deux variables ?.....................................................17
10. Comment calculer les coordonnées d’une point moyen ?...........................................................18
CHAPITRE 2
INITIATION AUX PROBABILITES ………..……...…………………………………………………………19
1. Notion de probabilité…………………………………………..………………………...............................19
2. Evénement contraire………………………………………………………………………………………….21
3. Evénements incompatibles……………………………………………………………………...................21
4. Comment calculer une probabilité à partir d’événements élémentaires ?....................................22
5. Comment calculer une probabilité à partir d’un tableau statistique ?...........................................22
6. Comment calculer la probabilité d’un événement contraire ?........................................................23
7. Comment calculer la probabilité d’un événement réunion de deux
événements incompatibles ?.............................................................................................................24
8. Notion de variable aléatoire…………………………………………………………………………………24
9. Loi normale (Loi de GAUSS)………………………………………………………………………………..26
10. Distribution binominale…………………………………………………………………………………….29
11. Loi ou distribution de Poisson……………………………………………………………………………30
CHAPITRE 3
SUIVI DE LA QUALITE PAR LA METHODE S.P.C.…...……………………………...………………..32
1. Qualité et contrôle de conformité.…………………………………...…………………………………….32
2. Suivi de la qualité par la méthode S.P.C…………………………………………………………………..33
3. Les cartes de contrôle par mesure………………………………………………………………………...39
4. Élaboration d’une carte dont les paramètres ne sont pas connus…………………………………..40
5. Élaboration d’une carte dont les paramètres sont connus……………………………………………43
6. Démarche pour l’utilisation des cartes de contrôle…………………………………………………….44

7. Interprétation des cartes de contrôle par mesures……………………………………………………..44

8. Choix de l’effectif d’un échantillon et périodicité de prélèvements………………………………….46
9. Capabilité……………………………………………………………………………………………………….47
10. Notations……………………………………………………………………………………………………...50
11. Ressources des travaux pratiques……………………………………………………………………….53
CHAPITRE 4
EXERCICES………………………………………………………………………………………………………56
ANNEXES………………………………………………………………………………………………………….65
BIBLIOGRAPHIE……………………………………………………………………………............................69

Chapitre 1
Statistique
Définition
La statistique a pour objet de recueillir des données, de les organiser et les présenter de façon
à pouvoir les analyser et en tirer des enseignements permettant de gérer ou de prévoir.
1° Séries statistiques à une variable
• Tableaux statistiques et diagrammes
Les tableaux statistiques et les diagrammes permettent d’organiser et de présenter les

données recueillies. Le caractère étudié peut être qualitatif ou quantitatif. Un caractère
quantitatif peut être :
− discret : il ne peut prendre que des valeurs isolées ;
− continu : il peut prendre toutes les valeurs d’un intervalle.
Dans le cas d’une répartition en classes, on utilise un histogramme pour représenter

graphiquement les effectifs (ou les fréquences) : les aires des rectangles sont proportionnelles
aux effectifs (ou aux fréquences).
Pour tracer le polygone des effectifs cumulés croissants, on place les points dont :
− l’abscisse est la limite supérieure d’une classe ;
− l’ordonnée est l’effectif cumulé croissant de cette classe.
• Paramètres de position
La moyenne arithmétique d’une série statistique est :
∑nx
p
i i
i =1
x=
N
La médiane d’une série statistique est la valeur de la variable telle que le nombre des valeurs
qui lui sont inférieures est égal au nombre de valeurs qui lui sont supérieures.
Le mode d’une série statistique est la valeur qui a le plus grand effectif.
Dans le cas d’une distribution en classes, on parle de classe modale.

• Paramètres de dispersion
L’étendue d’une série statistique est la différence entre la plus grande valeur et la plus petite
valeur de la série.
La variance V d’une série statistique est la moyenne des carrés des écarts à la moyenne :
∑ n (x )
p 2
i i −x
i =1
V =
N
L’écart type σ est la racine carrée de la variance : σ = V
On peut utiliser également la formule :
∑nx
p
i i
i =1 2
x= −x
N
2° Séries statistiques à deux variables
Soit une série statistique à deux variables, constituée de p couples (xi ; yi).
On appelle nuage de points associé à cette série l’ensemble des points Mi (xi ; yi).
Le point moyen du nuage de points est le point G de coordonnées :
∑ xi , ∑ yi
1 p 1 p
xG = yG =
pi =1 pi =1
Exemple :
a) Séries statistiques à une variable
• Tableaux statistiques et diagrammes

Une auberge de jeunesse effectue une étude sur sa fréquentation au mois d’août (200
personnes). Elle obtient en particulier les résultats suivants :

La nationalité est un caractère qualitatif. Les résultats sont donnés sous forme d’un
diagramme circulaire (l’angle des secteurs est proportionnel à la fréquence).
On obtient l’effectif d’une nationalité en multipliant l’effectif total 200 par la fréquence :
il y a 200 x 0,41 = 82 Français.
La durée du séjour, mesurée en nombre de jours, est un caractère quantitatif discret. On peut
représenter les résultats sous forme d’un diagramme en bâtons :
L’âge est un caractère quantitatif continu. On peut représenter les résultats sous forme d’un
histogramme :
On peut calculer les fréquences et les fréquences cumulées croissantes (FCC)

représentées graphiquement par le polygone des fréquences cumulées croissantes :

• Paramètres de position
On voit que la classe qui contient le plus grand nombre de résidents est la classe [22 ; 24[ :
c’est la classe modale. On peut dire que l’âge qui a le plus grand effectif est 23 ans : cette
valeur est le mode.
Le calcul de la moyenne donne l’âge moyen des résidents : x = 23,6 ans .
Sur le polygone des fréquences cumulées croissantes, on voit que 50 % des résidents (la
moitié) ont moins de 23,5 ans. Cette valeur est la médiane.
• Paramètres de dispersion
Le calcul de l’ écart type donne 2,9 ans. Rappelons que ce paramètre, calculé à partir de la
variance, donne une indication sur la plus ou moins grande dispersion des valeurs autour de la
moyenne.
b) Séries statistiques à deux variables

La comparaison sur plusieurs années du budget consacré à l’information sur l’auberge et le
nombre de résidents donne les résultats suivants :
On dit qu’on a une série statistique à deux variables.

Le graphique (page suivante) est le nuage de points représentant la série.

3° Comment lire et exploiter un tableau statistique ?
On a relevé le montant de 200 chèques remis à un guichet, et obtenu le tableau suivant :
Combien y a-t-il de chèques dont le montant est compris entre 500 € et 1 000 € ?
Quel est le pourcentage des chèques dont le montant est compris entre 1 000 € et 1 500 € ?
Quel est le pourcentage de chèques dont le montant est inférieur à I 000 € ?
L’effectif de la classe [500 ; 1 000[ est 110 : il y a 110 chèques dont le montant x est tel que
500 ≤ x < 1 000.
La fréquence de la classe [1 000 ; 1 500[ est 0,21 : 21 % des chèques ont un montant x tel que
1 000 ≤ x < 1 500.
La FCC de la classe [500 ; 1 000[ est 0,68 : 68 % des chèques ont un montant x tel que
x < 1000
4° Comment lire et interpréter un diagramme statis tique ?
On a étudié l’âge d’un échantillon de 1 000 personnes regardant une chaîne de télévision. Voici
l’histogramme :

Établir le tableau des fréquences et des fréquences cumulées croissantes.

Construire le polygone des fréquences cumulées croissantes.
Quel pourcentage représente les personnes de moins de 50 ans ?
On repère les limites de classes sur l’axe des abscisses, et les effectifs inscrits au - dessus des
rectangles correspondants. La fréquence est égale à l’effectif divisé par l’effectif total.
On obtient :

Pour déterminer le pourcentage des personnes de moins de 50 ans, on peut procéder :

• Par le calcul : sur l’histogramme, on voit que 200 + 150 + 90 + 100 = 540 personnes ont
moins de 40 ans. En supposant qu’il y a une répartition uniforme 160 dans la classe [40 ;
160
60[, la moitie, soit = 80 ont moins de 50 ans. Au total : 540 + 80 = 620. Comme
2
620
= 0,62 ⇒ 62% ont moins de 50 ans.
1 000
• Graphiquement : sur le polygone des FCC, on lit en ordonnée que 62 % des personnes ont
moins de 50 ans.
5° Comment déterminer le mode d’une série statistiq ue ?
Déterminer le mode des séries présentées aux points 3° et 4°.
En 3°, on voit dans le tableau que la classe qui a le plus grand effectif est [500 ; 1 000[. C’est la
classe modale.
On prend pour mode la valeur centrale :
500 + 1 000
= 750 €
2
En 4°, on voit que la classe qui a le plus grand effectif par intervalle unitaire est [10 ; 15[. C’est
la classe modale.
On prend pour mode la valeur centrale : 12,5 ans.
6° Comment déterminer la médiane d’une série statis tique ?
Déterminer la médiane de la série présentée en 3°.
Graphiquement : on construit le polygone des fréquences cumulées croissantes et on cherche

l’abscisse du point d’ordonnée 0,50.
On voit que la médiane est peu différente de 840 €.
La moitié des chèques ont un montant inférieur à 840 €.

 200 
Par le calcul : calculons la valeur qui occupe le rang 100  = 100  dans la suite des valeurs
 2 
ordonnées. Pour cela, calculons les effectifs cumulés croissants (ECC) comme dans le tableau
ci-dessous.
La 100e valeur appartient à la classe [500 ; 1 000[. En supposant les valeurs uniformément
réparties dans la classe, l’intervalle séparant des valeurs successives est :
1 000 − 500 50
=
110 11
Dans la classe [500 ; 1 000[, la 100e valeur occupe la 74e position (100 − 26 = 74).

50
Sa valeur est donc : 500 + 74 × ≈ 836
11
On prend cette valeur pour médiane.
7° Comment calculer l’étendue, d’une série statisti que ?
Dans la série présentée en 3°, on suppose que le montant du plus petit chèque est 175 €, et
celui du plus gros 1 950 €. Quelle est l’étendue de la série ?
1 950 − 175 = 1 775. L’étendue est 1 775 €.
8° Comment calculer une moyenne ou un écart type ?
Calculer la moyenne et l’écart type de la série présentée en 3°.
À partir d’un tableau, il faut calculer les éléments permettant d’appliquer les formules :
∑n x
i i
x=
N
180 000
x= = 900
200
Pour l’écart type, on peut utiliser l’une ou l’autre des formules.

∑ n (x − x)
p 2
i i
34 500 000
V=
i =1
= = 172 000 σ = 172 500 ≈ 415
N 200
ou encore :
∑nx
p
i i
i =1 2
V= −x
N
196 500 000
V= − 900200
200
V = 172 500
σ = 172 500 ≈ 415
9° Comment représenter une série statistique à deux variables ?
Représenter la série statistique suivante par un nuage de points :
On place les points de coordonnées (xi ; yi) dans un repère orthogonal.

10° Comment calculer les coordonnées d’un point moy en ?
Calculer les coordonnées du point moyen de la série statistique précédente.
∑ xi = ( 2 + 3 + 4 + 5 + 6 + 7 + 8 ) =
1 p 1 35
x= =5
pi =1 7 7
∑ y i = (19 + 24 + 25 + 26 + 29 + 35 + 38 ) =
1 p 1 196
y= = 28.
pi =1 7 7

Chapitre 2
Initiation aux probabilités
1° Notion de probabilité
La notion de probabilité est utilisée dans des nombreuses applications : surveillance de la

qualité de fabrication d’un produit, calcul d’assurances, etc.
À chaque événement A, on associe sa probabilité, notée p(A).

• Pour tout événement A, sa probabilité est comprise entre 0 et 1 :
0 ≤ p(A) ≤ 1
• La probabilité d’un événement est la somme des probabilités des événements
élémentaires réalisant cet événement.
Effectuons l’expérience suivante : on lance deux dés simultanément (chaque dé comporte six
faces numérotées de 1 à 6) et on note la somme des points qui apparaissent sur les faces
supérieures.
• Sur 1 000 lancers, on a noté le nombre de fois que chaque somme a été obtenue :
On obtient la fréquence de chaque apparition en divisant le nombre d’apparitions par 1 000.

La fréquence d’apparition de « Obtenir une somme égale à 5 » est : 0,114.
La somme de toutes les fréquences est égale à 1.
Considérons l’événement : « Obtenir une somme au moins égale à 5 ».
La fréquence de cet événement est égale à la somme des fréquences de chaque événement
élémentaire qui l’a réalisé : 0,025 + 0,057 + 0,081 + 0,114 = 0,277.
• Sur 10 000 lancers, on a obtenu le tableau 2 :

Maintenant, la fréquence d’apparition de « Obtenir une somme de 5 » est égale à 0,1108. La

fréquence d’apparition de « Obtenir une somme au moins égale à 5 » est égale à 0,278.
Lorsqu’on lance les deux dés, on ne sait pas à l’avance la somme que l’on va obtenir. On dit
que l’on a une expérience aléatoire.
L’ensemble de toutes les sommes possibles est E = {2 ; 3 ; 4 ; 5 ; 6 ; 7 ; 8 ; 9 ; 10 ; 11 ; 12}.

Obtenir une de ces sommes est un événement élémentaire.
Une étude statistique a permis de calculer la fréquence de chaque événement élémentaire.

On peut s’intéresser à d’autres événements que les événements élémentaires par exemple
« Obtenir une somme au moins égale à 5 ». La fréquence de cet événement est la somme des
fréquences des événements élémentaires qui le constitue.
Etablissons un modèle mathématique de la situation en construisant un tableau faisant

apparaître toutes les éventualités possibles. Il y en a 36 au total.
On peut admettre que chacune des éventualités a autant de chances d’apparaître que les
autres.
L’événement élémentaire « Obtenir un total de 5 » est réalisé quand on obtient : (4+1), (3+2),
(2+3), (1+4), c’est-à-dire 4 fois sur 36.
On peut donc associer à l’événement « Obtenir un total de 5 » le nombre qui est une sorte de
fréquence théorique.
Comparons ce nombre aux fréquences observées pour l’événement considéré.

4
Sur 1 000 lancers : 0,114 ; sur 10 000 lancers : 0,1108. Or = 0,111...
36
Nous constatons que les valeurs observées sont proches de la valeur théorique.
La pratique montre que, si l’on répète une expérience aléatoire, toujours dans les mêmes
conditions, la fréquence observée d’un événement semble se rapprocher d’une valeur
constante, appelée probabilité de l’événement.
La probabilité de l’événement « Obtenir un total de 5 », obtenue à partir du modèle

4 1 1
mathématique, est : , soit . On écrit : P(A) = .
36 9 9
2° Événement contraire
La somme des probabilités de deux événements contraires est 1 :
P(A) + P( A ) = 1
Les probabilités doivent vérifier les mêmes propriétés que les fréquences observées en
statistique, en particulier être comprises entre 0 et 1.
Soit A l’événement « Obtenir un total inférieur ou égal à 4 ». On a : P ( A ) =

1 1 1 1
+ + =
36 18 12 6
1 1 5
Soit A l’événement « Obtenir un total strictement supérieur à 4 ». On a : P(A) = + ... + =
9 36 6
On dit que A est l’événement contraire de A.
Si A et réalisé, A ne l’est pas. Si A n’est pas réalisé, A l’est.
On a l’égalité : P(A) + P( A ) = 1.
3° Événements incompatibles
Étant donné deux événements A et B, l’événement A U B est réalisé si l’un au moins des
événements est réalisé. Si A et B sont incompatibles :
P(A U B) = P(A) + P(B)
Soit B l’événement « Obtenir un total égal à 5 ou 6 ». On a : P (B ) =

1 5 1
+ =
9 36 4
Les événements A et B ne peuvent pas se réaliser simultanément : on dit que A et B sont des
événements incompatibles.

Soit E l’événement « Obtenir un total inférieur ou égal à 6 ». On a : P (E ) =

1 5 5
+ ... + =
36 36 12
L’événement E est réalisé si A ou B sont réalisés : on dit que E est la réunion de A et B, et on
écrit : E = A U B.
On voit que, A et B étant incompatibles, P(E) = P(A) + P(B).
4° Comment calculer une probabilité à partir d’évén ements élémentaires ?
On lance deux pièces de monnaie simultanément et on note le

nombre de piles obtenu.
1. Quelles sont les issues possibles?
2. On modélise la situation à l’aide de l’arbre, ci-contre. On note
respectivement a0, a1, a2 les événements élémentaires :
« Obtenir 1 pile », « Obtenir 1 pile », « Obtenir 2 pile ».
Vérifier que P(a0) = 0,25 ; P(a1) = 0,5 ; P(a2) = 0,25.
3. Soit A l’événement « Obtenir au moins 1 pile ». Calculer P(A).
1. Les issues possibles son : 0 pile, 1 pile, 2 pile.
2. a0 est réalisé quand on a FF, c’est-à-dire une fois sur quatre : P ( a0 ) =

1
= 0,25 .
4
a1 est réalisé avec PF et FP : P ( a1 ) =

2
= 0,5 .
4
a2 est réalisé avec PP : P ( a2 ) =

1
= 0,25 .
4
3. A est réalisé quand les événements élémentaires a1 et a2 sont réalisés :
P(A) = P(a1) + P(a2) = 0,75.
5° Comment calculer une probabilité à partir d’un t ableau statistique ?
1 000 dispositifs sont mis en fonctionnement à partir de la même date (t = 0).

En prenant pour probabilités les fréquences calculées à partir du tableau, déterminer la
probabilité, pour un dispositif identique :
1. d’avoir une défaillance pendant les 20 premiers jours ;
2. d’avoir une défaillance entre le 30e et le 40e jour ;
3. pour un dispositif ayant fonctionné sans défaillance pendant 30 jours, d’avoir une défaillance
avant le 40e jour.

1. Pendant les 20 premiers jours, il y a eu :

1 000 – 650 = 350 défaillances.
350
D’ou la fréquence : = 0,35 .
1 000
La probabilité cherchée est : 0,35.
2. Entre le 30e et le 40e jour, il y a eu :

590 – 182 = 408 défaillances.
D’ou la probabilité cherchée :
408
p= = 0,408
1 000
3. Sur 590 dispositifs qui ont fonctionné sans défaillances pendant 30 jours, il y en a 408 qui ont
eu une défaillance avant le 40e jour.
408
D’ou la probabilité cherchée : p = = 0,69 .
590
6° Comment calculer la probabilité d’un événement c ontraire ?
1. L’étude du comportement d’un matériel montre que la probabilité d’avoir une défaillance
pendant les 5 premiers mois de fonctionnement est 0,83. Quelle est la probabilité qu’une
défaillance n’intervienne qu’après 5 mois de fonctionnement ?
Soit A l’événement « Défaillance pendant les 5 premiers mois ».

Nous avons : p (A) = 0,83
La probabilité cherchée est celle de l’événement contraire A .
D’où P( A ) = 1 – p (A) = 1 – 0,83 P( A ) = 0,17.
2. On tire au hasard une pièce dans un lot. La probabilité de tirer une pièce défectueuse est
0,05. Quelle est la probabilité de tirer une bonne pièce?
Soit A l’événement «Tirer une pièce défectueuse ».

Nous avons P(A) = 0,05.
La probabilité cherchée est celle de l’événement contraire A .
P( A ) = 1 – p (A) = 1 – 0,05 = 0,95.

7° Comment calculer la probabilité d’un événement r éunion de deux événements

incompatibles ?
1. Sur un groupe de 10 personnes, auquel appartient M. Durand, il faut en désigner 2 qui se

rendront, l’une dans une ville A, l’autre dans une ville B. On effectue un tirage au sort. Quelle
est la probabilité pour M. Durand d’effectuer un déplacement ?
1
Événement A « Déplacement dans la ville A » : p(A) = .
10
1
Événement B «Déplacement dans la ville B » : p(B) = .
10
Si le déplacement a lieu dans la ville A, il ne s’effectue pas dans la ville B. Les événements A et
B sont incompatibles.
2
D’où : p(A U B) = p(A) + p(B) = = 0,20.
10
2. Un sac contient des boules de couleurs différentes. On sait que la probabilité de tirer une
boule rouge est 0,15 et celle de tirer une boule bleue est 0,20. On tire une boule au hasard.
Quelle est la probabilité qu’elle soit rouge ou bleue ?
Événement A « Tirer une boule rouge » : P(A) = 0,15

Événement B « Tirer une boule bleue » : P(B) = 0,20
Les événements A et B sont incompatibles. Donc :
P(A U B) = P(A) + P(B) = 0,35.
8° Notion de variable aléatoire
Une entreprise de location de voitures désire ouvrir une agence dans une ville. Une étude de
marché indique que la demande journalière X peut prendre les valeurs 0 ; 1; 2 ; 3 ; 4 avec les
probabilités respectives 0,12 ; 0,19 ; 0,26 ; 0,33 ; 0,10.
Par exemple, la probabilité pour que 2 clients exactement se présentent dans une journée est
0,26.
Nous avons le tableau :

Graphiquement :
On dit que la demande journalière X, grandeur qui peut prendre les valeurs 0, 1, 2, 3, 4 est une
variable aléatoire.
Loi de probabilité
À chaque valeur que peut prendre la variable aléatoire X, on fait correspondre la probabilité que
cette valeur soit prise.
La fonction x i → P(X = x i) est appelée loi de probabilité de la variable aléatoire X.
Fonction de répartition
Cherchons la probabilité que le nombre de clients soit inférieur ou égal à 2 dans la journée.
Nous avons : P(X ≤ 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0,57.
Nous pouvons faire un calcul identique pour chacune des valeurs x :
La fonction x i → P(X ≤ x i ) est appelée fonction de répartition de la variable aléatoire X.

Remarquons l’analogie entre la fonction de répartition et les fréquences cumulées croissantes
d’une série statistique.

Espérance mathématique
Posons P(X = xi) = pi et calculons le nombre Σpixi.
Nous avons :
Σpixi = 0,12 x 0 + 0,19 x 1 + 0,26 x 2 + 0,33 x 3 + 0,10 x 4 = 2,1. Ce nombre, désigné par la
notation E(X), ou plus simplement m, est appelé espérance mathématique de la variable
aléatoire X.
Nous avons donc : m = E(X) = Σpixi.
Remarquons l’analogie entre l’espérance mathématique et la moyenne d’une série statistique.
Nous pouvons interpréter l’espérance mathématique 2,1 comme le « nombre moyen » de
clients qui se présentera dans la journée.
Variance et écart type
Calculons le nombre Σpi (xi – m)2 :
Σpi (xi – m)2 = 1,3900
Ce nombre 1,3900, noté V(X), est appelé variance de la variable aléatoire X.

Nous avons donc : V(X) = Σpi (xi – m)2.
Le nombre σ(X) = V(X) est l’écart type de la variable aléatoire X.
Dans notre exemple : σ (X) = 1,18.

Remarquons l’analogie avec la variance et l’écart type d’une série statistique.
9° Loi normale (Loi de GAUSS)

9-1) Généralités
Une machine fabrique des pièces dont on veut contrôler le diamètre. On prélève, à la sortie de
la machine, 100 pièces consécutives. Les pièces qui sortent de la machine n’ont pas toutes
exactement la même dimension. La mesure du diamètre est une variable aléatoire X. Cette
variable aléatoire peut prendre toutes les valeurs à l’intérieur d’un intervalle : on dit qu’elle est
une variable aléatoire continue.

Les mesures effectuées donnent les résultats suivants :
Histogramme :
Moyenne : m = 5,724 ; Écart type : G = 0,057
Remarquons que l’allure de l’histogramme est sensiblement celle d’une « courbe en cloche ».
Si on prélevait d’autres ensembles de pièces, on obtiendrait toujours la même forme
d’histogramme ; autrement dit, les fréquences des mesures des diamètres se distribuent
toujours de la même manière. La raison en est que la variable aléatoire X suit une loi de
probabilité, appelée loi normale, ou loi de Laplace-Gauss, caractérisée par une fonction f
dont la représentation graphique est la suivante :
La fonction f, appelée densité de probabilité, est définie par :

2
(x −m)
1 −
2σ 2
f(x) = e
σ 2π
Cette densité indique comment se répartissent les fréquences observées.

D’une manière générale, une variable aléatoire continue X suit une loi normale si sa densité de
probabilité est donnée par f(x).

On démontre que les nombres m et G figurant dans f(x), sont respectivement l’espérance
mathématique et l’écart type de la loi normale. Une loi normale de moyenne m et d’écart type σ
est notée N(m ; σ).
Dans de nombreuses situations (erreurs de mesures, dimensions de pièces fabriquées, etc.),

on rencontre la loi normale.
Soit une variable aléatoire X suivant une loi normale N(m ; σ).
On peut alors, en utilisant des tables spécialisées, calculer la probabilité que X soit comprise
entre m - σ et m + σ.
On obtient : P(m – σ ≤ X ≤ m + σ) ≈ 0,68.
De même : P(m – 2σ ≤ X ≤ m + 2σ) ≈ 0,95 ;
P(m – 3σ ≤ X ≤ m + 3σ) ≈ 0,99.
Graphiquement, on peut représenter ces résultats ainsi :
Supposons, dans notre exemple, que la variable aléatoire X (mesure du diamètre) suive une loi
normale dont la moyenne et l’écart type sont ceux donnés par l’échantillon.
On a alors : m – 2σ = 5,61 et m + 2σ = 5,838, donc P(5,61 ≤ X ≤ 5,838) ≈ 0,95.

Autrement dit, il y a 95 chances sur 100 pour que le diamètre de la pièce fabriquée appartienne
à l’intervalle I = [5,61 ; 5,838].
Supposons que l’intervalle de tolérance soit IT = [5,60 ; 5,84].
On constate que I est inclus dans IT ; on peut donc estimer qu’il y aura au moins 95 % de
pièces acceptables dans la production.
Sur un nombre de 5 000 pièces, par exemple, il y aura donc moins de 5 % de rebut, c’est-à-dire
moins de 250 pièces.
Par contre, si c’est IT qui se trouvait inclus dans I, il y aurait moins de 95 % de bonnes pièces.

9-2) Fonction de probabilité F(Z)

9-2-1) Equation f( Z)

9-2-1) Fonction de probabilité cumulative ï(Z)



10° Distribution binominale
Utilisée avec des variables discrètes, non continues, la loi binomiale est souvent employée en
contrôle de qualité lorsque la taille de la population est grande comparativement à celle de
l’échantillon.
• Equation de la distribution (fréquence ou densité de population)

En faisant n tentatives ou essais, la probabilité d’avoir exactement x chances ou succès (x = 0,
1, 2, … ou n), pour un événement dont la probabilité de se produire est p (p étant constante),
donnée par :
P (x ) = ⋅ p x ⋅ (1 − p )
n!
0 ≤ x ≤ n
x ! (n − x ) !
n−x
avec
Valeur moyenne Ecart type

x = n ⋅ p (ou µ) S = [n ⋅ p(1– p)]0,5 (ou σ)
Remarques :
Il y a n tentatives ou essais.
Les essais répétés sont indépendants les uns des autres.
Chaque essai a seulement deux résultats possibles : succès ou échec, bon ou mauvais…
La probabilité p de l’événement reste constante d’essai en essai ; elle n’est pas conditionnée
par l’essai précédent. (1 – p) représente la probabilité contraire.
Exemple :
Au jeu pile ou face, quelle est la probabilité d’avoir 3 fois le côté face en lançant 5 fois la pièce ?
P = 0,5 (on a une chance sur deux d’avoir le côté face à chaque lancer)
x = 3 (on veut avoir trois fois le côté face)
n = 5 (5 tentatives car on lance 5 fois la pièce)
5!
P (3) = 0,53 (1 − 0,5)5−3 = 10 ⋅ 0,03125 = 0,3125 (31,25 % de chances)
3!(5 − 3)!
La probabilité d’avoir 2 fois le côté face est P(2) = P(3) = 0,3125
• Allure de la distribution binomiale

Exemple :
Cas n = 10 avec p = 0,3 (1 – p = 0,7)
Les valeurs de la distribution sont indiquées ci-dessous.

Distribution de la loi binominale avec n = 10 et p = 0,3
La somme de toutes les valeurs P(x) du tableau (0,0282 + 0,1211 + ...) est égale à 1.
Ecart type : σ = [10 ⋅ 0.3 ⋅ 0,7]0,5 = 1,449
Moyenne : n ⋅ p = 10 ⋅ 0.3 = 3
11° Loi ou distribution de Poisson
C’est l’une des distributions les plus utilisées avec les variables discrètes (non continues). Elle
est souvent utilisée comme approximation de la loi binomiale lorsque n est grand et p petit.
Principal avantage : Un seul paramètre (µ) qui la rend facilement à représenter et à l’exploiter.
• Caractéristiques de le distribution
n est le nombre de tentatives, x le nombre de chances ou de succès, p la probabilité de
l‘évènement et p = n⋅p le paramètre.
Equation générale
0≤x≤∞ Valeur moyenne Ecart type
(densité de population)
σ = µ0,5
P (x) =
µx ⋅ e −µ µ= n⋅p
x! σ = [n ⋅ p]0,5
Exemple :
Le nombre des défauts concernant les connexions des composants d’une carte électronique
suit la loi de poisson avec p = 2. Quelle est la probabilité qu’une carte prise au hasard puisse
avoir deux défauts ou moins ?

Une carte peut avoir 0, 1 ou 2 défauts, les trois cas s’accumulent.

P(x ≤ 2) = P(0)+ P(1)+ P(2)
20 ⋅ e −2 21 ⋅ e −2 22 ⋅ e −2
= + + = 0,1353 + 0,2707 + 0,2707 = 0,6766 (67,66 %)
0! 1! 2!
• Allure de la distribution de la loi de Poisson

Exemple :
Allure de le distribution pour p = 3. A noter pour la figure ci dessous la forme dissymétrique
avec une sorte de queue sur la droite.
Distribution de la loi de Poisson
Remarque :
Aux grandes valeurs de µ (µ ≥ 10) la distribution devient symétrique et semblable à la loi
normale. Pour ces valeurs, la distribution de Poisson est souvent approximée par la loi normale.

Chapitre 3
Suivi de la qualité par la méthode S.P.C.
1° Qualité et contrôle de conformité
Le contrôle se fait à trois stades de la production :

• à la réception des approvisionnements,
• en cours de fabrication,
• à la livraison des produits finis.
Objet du contrôle des approvisionnements (ISO 9002)
L’approvisionnement est l’ensemble des activités qui met à la disposition de la

production le matériel et les matériaux nécessaires à la réalisation du produit :
• sorties du magasin de l’entreprise,
• achats à des fournisseurs extérieurs,
• sous-traitance de tout ou partie du produit.
Il faut veiller à ce que l’approvisionnement soit assuré dans des délais et des conditions
économiques compatibles avec ceux du produit à réaliser.

Facteurs de qualité des approvisionnements :

− qualité de la demande,
− qualité de la commande,
− qualité du contrôle de réception,
− qualité des circuits de transmission des informations,
− qualité des fournisseurs.
Objet du contrôle des en-cours et des produits finis
La production est l’ensemble des opérations d’élaboration du produit et de ses

composants à partir de ses éléments de base.
Elle gère les rebuts et reprises éventuels.
Facteurs de qualité des en-cours :

− qualité du cahier des charges,

− qualité des approvisionnements,
− qualité de l’ordonnancement,
− qualité des hommes (opérateurs adaptés...),
− qualité des moyens (machines outils...).
2° Suivi de la qualité par la méthode S.P.C.
Née aux États-Unis la méthode S.P.C. (Statistical Process Control) est traduite le plus
souvent par Surveillance des Procédés en Continu. C’est un véritable système
d’information appliqué au procédé de fabrication soit directement (contrôle de ses
paramètres), soit indirectement (contrôle des caractéristiques du produit).
La méthode S.P.C. entre dans les démarches d’auto-contrôle dont elle est la technique la
plus évoluée. Elle repose sur trois principes fondamentaux :
• la priorité donnée à la prévention (intervention avant de produire des rebuts),
• la référence au procédé tel qu’il fonctionne (qualification machine),
• la responsabilisation de la production et la participation active des opérateurs.
Méthodologie de mise en place du contrôle statistique du processus
Il est indispensable de suivre une démarche rigoureuse pour mettre en place le S.P.C.

Remarque :
Le contrôle statistique du processus a ses limites, il ne faut pas considérer cette technique
comme un remède miracle pouvant être utilisée quelles que soient les conditions.
Choix des outils

Suivant les paramètres à maîtriser, il faut choisir l’outil le mieux adapté.
Exemple :
Pour l’analyse d’un poste de travail, les outils possibles sont : diagramme causes-effet, analyse
de données...

Types de contrôle
Les différents types de contrôle peuvent être résumés par le tableau ci-dessous :
Remarque :
Le contrôle à 100 % entraîne une augmentation du prix de revient.
Principes utilisés pour le contrôle
a) Contrôle par mesures

La spécification contrôlée est une grandeur chiffrable par un appareil de mesure. Les cartes de
contrôles permettent de surveiller deux paramètres :
• la tendance centrale de la fabrication (moyenne, ...)
• la variabilité de la fabrication (étendue, écart-type).
b) Contrôle par attributs

Si à la suite du contrôle les produits sont classés en « bons » ou « défectueux » la carte de
contrôle correspondante est :
• la carte de contrôle du nombre ou de la proportion de défectueux.
Si le nombre de défauts constatés sur chaque pièce caractérise la qualité du produit, la carte de
contrôle correspondante est :
• la carte de contrôle du nombre de défauts par unité de contrôle.
Nous ne nous intéresserons dans ce chapitre, qu’au contrôle par mesures en cours de
fabrication, par échantillonnage.
c) Analyse de la forme de la dispersion

Mise en évidence de la loi normale

Lors de la fabrication d’un axe, un opérateur a rassemblé sans se soucier de l’ordre 40 pièces
et a contrôlé la cote de 10 ++0,2
0,1 .
Données brutes :
10,138 10,164 10,150 10,132 10,144 10,125
10,146 10,158 10,140 10,147 10,136 10,148
10,168 10,126 10,136 10,176 10,163 10,119
10,146 10,173 10,142 10,147 10,135 10,153
10,161 10,145 10,135 10,142 10,150 10,156
10,149 10,152 10,154 10,140 10,145 10,157
10,144 10,165 10,135 10,128
Histogramme (fig. 3.1)

L’histogramme est la représentation graphique de la distribution des pièces, regroupées par
classe.
Figure 3.1 Histogramme de la distribution des pièces et association d’une

courbe (loi normale).
* exemple : 5 pièces dans la classe 10,126 < Nbre de pièces ≤ 10,135
d) Définitions relatives à la loi normale (loi de Gauss)
Êtendue : notée W
L’étendue est la différence entre la plus grande des données et la plus petite.
W = xi maxi – xi mini
W = 10,176 – 10,119 = 0,057 mm
Moyenne : notée X
La moyenne arithmétique d’un ensemble de n nombre x est égale à :

∑ xi
1 n
X= X = 10,1468 mm
ni = 1
Écart-type notée σ
L’écart type est la racine carrée de la moyenne des carrés des écarts à la moyenne (fig.
3.2).
Figure 3.2 Représentation de l’écart-type
Remarque :
II faut remarquer que la répartition n’est pas quelconque, mais a toujours la forme d’une courbe
en cloche, avec beaucoup de pièces au milieu et peu sur les côtés. Cette constatation est
classique sur toutes les machines dont la répartition des pièces est aléatoire.
Des méthodes permettent de vérifier si la distribution suit une loi normale :

• Droite de Henry ( voir démarche et exemple en pages : 41 ;42 ;43)
• Méthode du KHI-DEUX (χ ).
2




e) Comparaison entre la dispersion et l’intervalle de tolérance de fabrication
Lors d’une fabrication, il faut tenir compte de la dispersion normale du processus de

production et des valeurs spécifiées par le contrat de fabrication.
La dispersion de fabrication peut être évaluée à 6,18 σ0 et comparée à I’I.T à réaliser (6,18 σ
correspond à 99,98 % d’une population distribuée suivant une loi normale).
Dans l’exemple ci-dessus la dispersion de fabrication sera évaluée à 6,18 x 0,01305 = 0,08 et
comparée à I’I.T de 0,1 ( 10 ++0,2
0,1 ).
• Trois cas peuvent se présenter :
Le procédé de fabrication ne convient pas. Il y a un rebut systématique.

II faudra changer le processus de fabrication (machine mieux adaptée) ou effectuer un triage en
fin de réalisation (fig. 3.3).
Figure 3.3 Rebut systématique
Tout déréglage de la moyenne entraînera un rebut qui sera fonction de ce

déréglage (fig. 3.4).
Figure 3.4 Rebut si déréglage de la moyenne
Pas de rebut tant que la moyenne reste dans l’intervalle égal à I.T – 6,18 σ0. (fig.
3.5)

3.5 Pas de rebut.
3° Les cartes de contrôle par mesure
Objectifs :
Le suivi et la maîtrise des dispersions disposent d’un outil : les cartes de contrôle. Elles
permettent d’avoir une image du déroulement du processus de fabrication et d’intervenir
rapidement et avec discernement sur celui-ci.
Principe de fonctionnement
Nous supposons que la distribution de la spécification à contrôler suit une loi normale (ou
sensiblement normale).
Pour suivre l’évolution du procédé des prélèvements d’échantillons sont effectués
régulièrement (par exemple 5 pièces toutes les heures).
Pour chaque échantillon la moyenne et l’étendue (ou d’autres paramètres) sont calculées sur
la caractéristique à surveiller. Ces valeurs sont portées sur un graphique (fig. 3.6).
Au fur et à mesure qu’elle se remplit, la carte de contrôle permet la visualisation de
l’évolution du processus.
A partir de la ligne moyenne sont définis les différentes limites :

• les limites supérieures et inférieures de contrôles Lc1, Lc2,
• les limites supérieures et inférieures de surveillances Ls1, Ls2.
Une intervention sur le processus de fabrication pourra être décidée suivant la position des
points reportés (exemple : un point entre les lignes Ls et Lc entraîne un prélèvement plus
rapproché).

Figure 3.6 Limites de la carte de contrôle de la moyenne
Différentes cartes de contrôle
Les deux paramètres à surveiller sont la position (moyenne ou médiane) et la dispersion

(étendue ou écart-type).
En général la carte de contrôle de la moyenne est plus efficace que la carte de contrôle
de la médiane, il en est de même de celle de l’écart-type par rapport à la carte de contrôle
de l’étendue.
Remarque :
• Les centrales de mesures utilisent la carte de contrôle de l’écart-type.
• Lorsque les cartes sont manuelles, c’est la carte de l’étendue qui est retenue.
Établissement des cartes de contrôle
Deux cas doivent être pris en considération.

• Le processus de fabrication est déjà lancé des données peuvent être collectées la
moyenne m0 et l’écart-type σ0 sont connus.
• Le processus de fabrication est nouveau : la moyenne m0 et l’écart-type σ0 ne sont
pas connus.
4° Élaboration d’une carte dont les paramètres ne s ont pas connus
Ce cas apparaît lors de la mise en place du processus de fabrication, de l’introduction d’un

nouveau matériel ou d’une nouvelle matière première. Pour avoir une bonne image statistique
du procédé, il faut avoir suffisamment de relevés.
Exemple :

20 prélèvements de 5 pièces, ce qui représente 100 informations.

La norme préconise que le nombre d’informations doit être de l’ordre de 100 à 200 (effectif n,
nombre d’échantillons r)
DÉTERMINATION DES PARAMÈTRES : MOYENNE ET ÉTENDUE
• soient X1 , X 2 ,… les moyennes des échantillons. La moyenne des moyennes des

échantillons est :
X1 + X 2 + ... + Xr
X=
r
• soient W1, W2, ... les étendues des échantillons, l’étendue moyenne des échantillons
est :
W1 + W2 + ... + Wr
W=
r
• soient S1, S2, ... les écarts-types des échantillons, l’écart-type moyen des échantillons
est :
S1 + S2 + ... + Sr
S=
r
DÉTERMINATION DES LIMITES POUR LA CARTE DE CONTRÔLE DE LA MOYENNE
• Limites de contrôle :
L C = X ± A'C ⋅ W
• Limites de surveillance :
L S = X ± AS' ⋅ W
A'C et A'S sont des coefficients qui dépendent de l’effectif de chaque échantillon et de
l’estimation de l’écart-type σ0 (voir table 2 page 53).
CORRESPONDANCE ENTRE LA DISTRIBUTION DES X (moyenne d’un échantillon) ET

LA CARTE DE CONTROLE DE LA MOYENNE (fig. 3.7)

Figure 3.7 Carte de contrôle de la moyenne
DÉTERMINATION DES LIMITES POUR LA CARTE DE CONTRÔLE DE L’ÉTENDUE
L C = D'C ⋅ W
L S = D'S ⋅ W
DÉTERMINATION DES LIMITES POUR LA CARTE DE CONTRÔLE DE L’ÉCART-TYPE
L C = B'C ⋅ W
L S = B'S ⋅ W
D’ C, D’S et B’C, B’ S sont des coefficients donnés dans les tables 4, 5, 6, 7 pages 53 et 54.
Remarque :
Ces différentes limites correspondent à des limites provisoires, le processus de fabrication étant
non stabilisé.
DÉTERMINATION DES LIMITES DÉFINITIVES
La carte de contrôle avec ses limites provisoires ayant été tracée, elle est utilisée pour
consigner les caractéristiques des échantillons. Elle peut être mise en oeuvre sur poste.
Lors des premiers contrôles des déréglages peuvent être constatés (fig. 3.8), il faut rechercher
les causes identifiables de variation et essayer de les traiter à l’aide d’outil tel que diagramme
causes-effet, Paréto, ...

Éliminer les échantillons dont les écarts entraînent une variation importante du processus de
fabrication.
Calculer ensuite les nouvelles limites de contrôle et de surveillance en fonction des
données restantes.
Effectuer la même opération lors de la fabrication suivante et aboutir aux limites définitives
lorsqu’une série d’échantillons sera devenue stable (fig. 3.9).
Figure 3.8 Déréglages constatés sur la carte de contrôle
Figure 3.9 Série d’échantillons devenue stable
5° Élaboration d’une carte dont les paramètres sont connus
Ce cas apparaît lorsque le processus de fabrication a déjà été lancé (reprise d’une fabrication
avec les mêmes paramètres). II est possible de calculer les limites de contrôle et de
surveillance et effectuer le contrôle.
m0 et σ0 sont connus (voir Notations, page 50)
Détermination des limites pour la carte de contrôle de la moyenne
Lc = m0 ± Ac ⋅ σ0
Ls = m0 ± As ⋅ σ0

Détermination des limites pour la carte de contrôle de l’étendue
Lc = Dc ⋅ σ0
Ls = Ds ⋅ σ0
Détermination des limites pour la carte de contrôle de l’écart-type
Lc = Bc ⋅ σ0
Ls = Bs ⋅ σ0
Les différents coefficients Ac, As, Dc, Ds, Bc , Bs sont donnés dans les tables 1, 4, 6 pages 53 et
54.
6° Démarche pour l’utilisation des cartes de contrô le
Voir organigramme (figure 3.12).

Figure 3.12 Organigramme d’aide pour compléter la carte de contrôle et intervenir sur le
processus de fabrication
7° Interprétation des cartes de contrôle par mesure s
• Interprétation des cartes de contrôle
II faut effectuer une interprétation globale de la carte de contrôle.
Carte de contrôle type

La distribution des points est à peu près symétrique par rapport à la ligne centrale. Pas de
points reportés en dehors des limites et aucune cause assignable n’est indiquée par une
succession de points (fig. 3.13).

Figure 3.13 Carte de contrôle de la moyenne type
• Causes assignables
La carte de contrôle peut se décomposer en 6 zones (+ ou – 3 écarts-types par rapport à la
ligne centrale). Plus les points s’éloignent de la zone centrale (C), plus la probabilité sera
importante de voir apparaître des causes assignables (fig. 3.14).
Figure 3.14 Différentes zones de la carte de contrôle
Exemples de causes assignables :

− un point en dehors de la zone A,
− six points croissants ou décroissants alignés,
− deux points sur trois dans la zone A ou en dehors,
− quinze points dans la zone C,
− neuf points dans la zone C + ou C –
− quatorze points alternativement vers le haut ou le bas,
− quatre points sur cinq dans la zone B ou en dehors,
− huit points de chaque côté de la ligne centrale et pas de points dans la zone C.
8° Choix de l’effectif d’un échantillon et périodic ité de prélèvements
Les courbes d’efficacité du contrôle de la moyenne permettent de déterminer l’effectif de

l’échantillon.

• Effectif d’un échantillon
Les pièces peuvent être bonnes ou mauvaises par rapport à une ou deux limites de tolérances
(Ts et ou Ti).
L’écart-type σ0, étant connu :

− Avec deux limites de tolérance :
( Ts − Ti ) avec m0 = s i
T +T
θ=
1
2σ0 2
− Avec une limite de tolérance :
θ= ou θ = 0
Ts − m0 m − Ti
σ0 σ0
Exemple :
Si l’on veut une probabilité importante, 90 chances sur 100 (P ≤ 10 %) d’être alerté par le
premier prélèvement qui suit le déréglage (point extrême aux limites de contrôle) avec une
proportion de défectueux ρ = 2 %, la valeur de l’effectif de l’échantillon est :
si θ = 3,1 n = 18
si θ=5 n=3
(Voir document ressource page 55).
• Périodicité des prélèvements
II faut éviter de choisir un effectif d’échantillon trop petit avec des prélèvements trop espacés :
− si les prélèvements sont espacés avec un effectif important, un point au-delà des
limites de contrôle ne rendra suspecte que la partie de la fabrication ou le prélèvement a
été effectué ;
− si les prélèvements sont rapprochés et avec un effectif faible, un point au-delà des
limites de contrôle rendra suspectes plusieurs parties de la fabrication.
Ce choix dépendra de la stabilité du processus de fabrication avec ou sans contrôle final.
Exemple : contrôle de réception,…
9° Capabilité
Le terme capabilité, en qualité, est utilisé plutôt que le terme aptitude.

L’aptitude d’un processus de fabrication est définie par la capabilité du processus à

fabriquer des pièces bonnes.
Un processus de fabrication produisant 10 % de défectueux sera considéré plus apte qu’un

processus produisant 15 % de défectueux. Il existe deux types d’indicateur de capabilité :
• Capabilité du procédé (performance de ensemble des facteurs du processus de
fabrication).
• Capabilité machine (performance de la machine indépendamment des autres facteurs).
Un processus de fabrication est caractérisé par la dispersion due aux variations aléatoires
(compris dans l’intervalle de six écarts-types). Si la distribution du processus de fabrication se
situe dans l’intervalle de tolérance, les pièces seront conformes et lorsque la distribution de
pièces est plus grande que l’intervalle de tolérance, certaines ne seront pas conformes (fig.
3.15).
Figure 3.15 Distribution du processus de fabrication
La dispersion constitue une mesure de capabilité. Plus la proportion de défectueux sera

faible, plus le processus de fabrication sera considéré comme capable.
• Capabilité du procédé Cp
Un processus de fabrication peut être capable de fabriquer une pièce et non capable d’en
fabriquer une autre.
Exemple :
Sur une même machine, il sera possible de respecter une fabrication au centième mais
impossible de respecter le micron (choix des outils, paramètres de coupe, ...).
La définition adoptée est :

Intervale de tolerance IT
Indice de capabilité Cp = =
Capabilité du processus 6 σ*

TS − Ti W S
Cp = avec σ * = ou σ * =
6σ * dn bn
(dn et bn, coefficients donnés dans les tables page 50)
Exemple :
Déterminer la capabilité de procédé (Cp) connaissant : intervalle de tolérance = 0,3 ; moyenne
des étendues W des échantillons = 0, 1 ; effectif de chaque échantillon = 5
0,1 0,3
σ* = = 0,0453 Cp = = 1,16
2,326 6 ⋅ 0,0453
• Interprétation de la valeur de Cp (fig. 3.16)
Figure 3.16 Quelques valeurs remarquables de Cp
Si Cp > 1, en théorie il n’y a pas de pièces défectueuses. Dans la pratique, le centrage du

processus de fabrication n’est jamais parfait. Généralement Cp doit être égale à 1,33.
Il faut calculer un autre critère (Cpk) pour vérifier si le processus de fabrication est bien centré.
• Capabilité du procédé : Cpk
Ts − X X − Ti
Cpk = *
ou Cpk =
3σ 3σ*

W S
avec σ* = ou σ* =
dn bn
Vous ne devez conserver que la valeur minimale et admettre Cpk > 1,1.
• Interprétation de la valeur Cpk pour un Cp = 1,33 (fig. 3.17)
Figure 3.17 Quelques valeurs remarquables de Cpk
Un Cpk > 2 étant l’objectif à atteindre à long terme.
La capabilité du procédé se détermine seulement quand le procédé est sous contrôle

(toutes les causes assignables ayant été éliminées). La capabilité du procédé permet d’évaluer
la performance du procédé choisi et de suivre son évolution. Le fournisseur indiquera, lors
d’échanges d’informations, à son client le coefficient de capabilité de son procédé.
• Capabilité machine
La capabilité de la machine se calcule à partir de relevés effectués dans un laps de temps

court. Ces relevés ne tiendront compte qua de la dispersion de la machine, excluant les autres
facteurs de production (matière, main-d’oeuvre,...).
Il faut effectuer le calcul à partir d’au moins 50 échantillons consécutifs et neutraliser les
influences externes (température,...).

La machine est considérée apte si Cm > 1,33.
Ts − Ti W
Cm = avec σi =
6σ i dn
Pour l’écart-type instantané (σi ) utiliser l‘estimateur de l’écart-type (s).
Un indicateur plus utilisé Cmk, tient compte à la fois, de la dispersion de la machine et du

centrage de la valeur moyenne par rapport aux spécifications.
Ts − X X − Ti
Cmk = ou Cmk =
3 σi 3 σi
Seule la valeur minimale est à conserver.
La capabilité de la machine se détermine seulement après avoir vérifié que la distribution suit
une loi normale (machine apte ou non à fabriquer des produits conformes aux spécifications).
Si la machine est apte, l’utilisation des cartes de contrôle est possible. Il serait inutile de
mettre en place des cartes de contrôle si la machine ne peut satisfaire les spécifications
demandées (fabrication de produits non conformes).
Si la machine est inapte, il faut modifier les spécifications à réaliser par le bureau d’études
ou effectuer une intervention sur la machine.
10° NOTATIONS
m = moyenne de la fabrication
m0 = moyenne d’une fabrication sous contrôle (statistiquement stable)
σ = écart-type de la fabrication
σ0 = écart-type d’une fabrication sous contrôle (statistiquement stable)
n = effectif d’un échantillon
n i = effectif d’un échantillon particulier
x = valeur particulière d’un caractère mesurable
x j = valeur particulière du caractère dans un échantillon (j = 1, 2,…, n)
x ij = valeur particulière x j, dans l’échantillon (i)

x = moyenne d’un échantillon :
∑ xj
1 n
x=
n i =1
x i = moyenne d’un échantillon particulier (i) :
∑x
ni
1
xi = ij
nii j =1
x = moyenne arithmétique des x i pour r échantillons d’effectif n :
∑ xi
1 r
x=
r i =1
x est un estimateur de m.
s = écart-type d’un échantillon d’effectif n :
∑ (x )
n
1 2
s= j −x
n j =1
si = écart-type de l’échantillon (i) :
∑ (x )
ni
1 2
si = ij − xi
ni j =1
s = moyenne arithmétique des si pour r échantillons d’effectif n :
∑ si
1 r
s=
r i =1
w = étendue d’un échantillon

wi = étendue d’un échantillon (i)
w = moyenne arithmétique des wi pour r échantillons d’effectif n :
∑ wi
1 r
w=
r i =1
Ts = limite supérieure de tolérance
Ti = limite inférieure de tolérance

T = Ts – Ti (cas de deux limites de tolérance)
θ=
T
(cas de deux limites de tolérance)
2σ 0
θ=
Ts − m0
(cas d’une seule limite, supérieure, de tolérance)
σ0
θ=
m0 − Ti
(cas dune seule limite, inférieure, de tolérance)
σ0
m − m0
λ= paramètre de déréglage de la moyenne
σ0
σ
ρ= paramètre de déréglage de l’écart-type
σ0
Lc1 = limite supérieure de contrôle
Lc2 = limite inférieure de contrôle
Ls1 = limite supérieure de surveillance
Ls2 = limite inférieure de surveillance
σ * = estimateur de σ
bn = coefficient pour l’estimation de σ partir de s .
1 
σ* =  s
 bn 
dn = coefficient pour l’estimation de σ partir de w .

1 
σ* =   w
 dn 
11° RESSOURCES DES TRAVAUX PRATIQUES




Chapitre 4
Exercices
Problème 1 : Statistique à une variable
Un relevé de vérification de la cote x d’une série de pièces a conduit au tableau suivant :
3° Valeur centrale
1° Cote 2° Effectif n i 4° n i x i2
de la classe x i
[31,2 ; 31,4[ 8
[31,4 ; 31,6[ 12
[31,6 ; 31,8[ 23
[31,8 ; 32,0[ 57
[32,0 ; 32,2[ 48
[32,2 ; 32,4[ 32
[32,4 ; 32,6[ 11
[32,6 ; 32,8[ 5
1. Construire l’histogramme de cette série statistique (en abscisse : 1 cm pour 0,1 ; en

ordonnée : 1 cm pour 5 pièces).
2. Calculer la valeur moyenne, notée x , de la cote x (donner le résultat arrondi à une
décimale).
3. Calculer l’écart type σ de la série statistique (donner le résultat arrondi à une décimale).
Indiquer la démarche utilisée pour effectuer ce calcul ; il est possible, mais non obligatoire,
d’utiliser les colonnes 3° et 4° et du tableau pré cédent.
4. Déterminer les intervalles I 1 = [ x – σ ; x + σ] et I 2 = [ x – 2σ ; x + 2σ]
5. Utiliser l’histogramme pour estimer le nombre de pièces dont la cote x appartient à
l’intervalle I 1.
A quel pourcentage de l’effectif total cela correspond-il ?
6. Même question pour l’intervalle I 2.

Solution :
1.
2. Valeur moyenne de la cote x, obtenue à l’aide des fonctions statistiques d’une calculatrice :
x = 31,995 918 arrondi à x = 32,0.
3. Ecart type, obtenu à l’aide des fonctions statistiques d’une calculatrice :
σ ≈ 0,304 027 arrondi à σ ≈ 0,3.
4. Intervalle I 1 = [ x – σ ; x + σ] = [32,0 – 0,3 ; 32,0 + 0,3] = [31,7 ; 32,3].

Intervalle I 2 = [ x – 2σ ; x + 2σ] = [32,0 – 2 x 0,3 ; 32,0 + 2 x 0,3] = [31,4 ; 32,6].
5. Dans un rectangle de l’histogramme, l’aire est proportionnelle à l’effectif correspondant.
Pour l’intervalle I 1, on trouve la moitié des effectifs des classes [31,6 ; 31,8[ et [32,2 ; 32,4[
ainsi que la totalité des effectifs des classes [31,8 ; 32,0[ et [32,0 ; 32,2[, soit :
11,5 + 16 + 57 + 48 = 132,5 arrondi par défaut à 132 pièces.
132
Cela représente = 0,673 soit 67,3 % de l’effectif total.
196
6. De même, pour l’intervalle I 1, on trouve la totalité des effectifs des classes [31,4 ; 31,6[,
[31,6 ; 31,8[, [31,8 ; 32,0[, [32,0 ; 32,2[, [32,2 ; 32,4[ et [32,4 ; 32,6[, soit :
12 + 23 + 57 + 48 + 32 + 11 = 183 pièces.
183
Cela représente = 0,934 soit 93,4 % de l’effectif total.
196

Problème 2 : Statistiques à deux variables
À partir d’une série de huit pièces, on effectue à tension constante les huit relevés suivants :
épaisseur e (mm) 53 52 51 50 49 48 47 46
intensité I (mA) 44,0 44,8 46,0 46,8 48,2 48,9 49,7 50,8
1. Représenter graphiquement les points associés aux couples (I ; e) traduisant l’intensité du

courant en fonction de l’épaisseur de la pièce.
2. Calculer les coordonnées du point moyen G des huit relevés.
3. Sachant que la droite d’ajustement du nuage, d’équation e = aI + b, passe par le point
moyen G et par le point H (44 ; 53), déterminer les coefficients a et b. Placer le point G et
tracer la droite dans le repère précédent.
4. Pour une pièce donnée, on relève un courant de 47,2 mA. Peut-on déclarer cette pièce
d’épaisseur satisfaisante sachant que celle-ci doit être telle que : 49,3 mm < e < 51,3 mm.
Solution :
1.

2. Coordonnées du point moyen :

Σ Ii 44,0 + 44,8 + 46,0 + 46,8 + 48,2 + 48,9 + 49,7 + 50,8
IG = ; IG = = 47,4
N 8
Σei 53 + 52 + 51 + 50 + 49 + 48 + 47 + 46
eG = ; eG = = 49,5
N 8
eG − eH 49,5 − 53
3. a = = ≈ −1
IG − IH 47, 4 − 44
La droite passe par H (44 ; 53).
On a donc : 53 = – 1 x 44 + b
d’où b = 97.
L’équation de la droite est : e = – I + 97.
4. Pour I = 47,2 mA, on a :

E = – 47,2 + 97 = 49,8 mm.
Cette épaisseur répond à la condition donnée. L’épaisseur de la pièce est donc satisfaisante.
Problème 3 : Cartes de contrôle
Soit l’usinage du support d’axe de l’appareil à sculpter, réalisé sur un tour à commande
numérique. (fig. 4.1).
Figure 4.1 Extrait du contrat de phase du support d’axe

Pendant l’usinage, l’opérateur mesure par échantillonnage (5 pièces toutes les 60 min.), la
dimension réalisée Ø 32f8, afin d’établir les limites provisoires de la carte de contrôle de la
moyenne et de l’étendue.
• A l’aide du tableau de relevés : (fig. 4.2)
20 échantillons de support d’axe sont prélevés. L’origine de la mesure a été prise à 31,900.
Les valeurs lues sont exprimées en microns. Les valeurs reportées (x) dans le tableau sont
égales à :
x = valeur lue – 31,900.
Figure 4.2 Tableau de relevés de la cote 32f8
Vous devez :
Calculer les limites provisoires de la carte de contrôle de la moyenne et de l’étendue.
Tracer la carte provisoire de contrôle de la moyenne et de l’étendue.
Recalculer les nouvelles limites en éliminant les points aberrants à partir de la carte
provisoire de la moyenne et de l’étendue.
Tracer la nouvelle carte de la moyenne et de l’étendue à partir du tableau des relevés.
Analyser cette nouvelle carte de contrôle de la moyenne et de l’étendue.

Solution :
Calcul des limites provisoires de la carte de contrôle de la moyenne et de l’étendue.
Σx i 982, 4
• Moyenne générale : X= X= = 49,1 µm
r 20
Σw i 102
• Moyenne des étendues : W= W= = 5,1 µm
r 20
• Limite de contrôle supérieure de la moyenne :
Lc2 = X + A 'c ⋅ W = 49,12 + 0,594 ⋅ 5,1 = 52,1
• Limite de contrôle inférieure de la moyenne :
Lc1 = X − A 'c ⋅ W = 49,12 − 0,594 ⋅ 5,1 ≈ 46,0
• Limite de surveillance supérieure de la moyenne :
Ls2 = X + A 's ⋅ W = 49,12 + 0,377 ⋅ 5,1 = 51,0
• Limite de surveillance inférieure de la moyenne :
Ls1 = X − A 's ⋅ W = 49,12 − 0,377 ⋅ 5,1 ≈ 47,2
• Limite de contrôle supérieure de l’étendue :

Lc2 = D'c 2 ⋅ W = 2,36 ⋅ 5,1 ≈ 12,0
• Limite de surveillance supérieure de l’étendue :

Ls2 = D's2 ⋅ W = 1,81 ⋅ 5,1 ≈ 9,2

Remarque :
Pour la carte de contrôle de l’étendue seules les limites supérieures sont nécessaires pour la
tracer.
CARTE PROVISOIRE DE CONTRÔLE DE LA MOYENNE ET ÉTENDUE
Les différentes limites ayant été reportées sur la carte provisoire de contrôle (moyenne et
étendue), nous pouvons remarquer que la dispersion est stable, les étendues sont toutes
situées entre les limites de surveillances.
Les moyennes des échantillons 4, 6 et 16 sont en dehors des limites de contrôle, ceci est dû à
des causes assignables, que nous avons pu identifier.
Après avoir pris les mesures nécessaires pour ne plus retrouver ces causes, il faut éliminer ces
trois échantillons anormaux et recalculer les nouvelles limites.

• Moyenne générale des 17 échantillons :

824,2
X= = 48,5 µm
17
84
• Moyenne des étendues : W = = 4,94 µm
17
• Limite de contrôle supérieure de la moyenne :
Lc2 = X + A 'c ⋅ W = 48,5 + 0,594 ⋅ 4,9 = 51,4
• Limite de contrôle inférieure de la moyenne :
Lc1 = X − A 'c ⋅ W = 48,5 − 0,594 ⋅ 4,9 = 45,6
• Limite de surveillance supérieure de la moyenne :
Ls2 = X + A 's ⋅ W = 48,5 + 0,377 ⋅ 4,9 = 50,3
• Limite de surveillance inférieure de la moyenne :
Ls1 = X − A 's ⋅ W = 48,5 − 0,377 ⋅ 4,9 = 46,6
• Limite de contrôle supérieure de l’étendue :

Lc2 = D'c 2 ⋅ W = 2,36 ⋅ 4,9 = 11,6
• Limite de surveillance supérieure de l’étendue :

Ls2 = D's2 ⋅ W = 2,36 ⋅ 4,9 = 8,8

NOUVELLE CARTE DE CONTRÔLE DE LA MOYENNE ET ÉTENDUE
Les différentes limites ayant été reportées sur la deuxième carte de contrôle (moyenne et
étendue), nous pouvons remarquer que la dispersion est stable, les étendues sont toutes
situées entre les limites de surveillance. Les résultats obtenus sont devenus stables.
Nous pouvons commencer le contrôle proprement dit du support d’axe de l’appareil à sculpter.
ANNEXE 1

ANNEXE 2

ANNEXE 3

ANNEXE 4


BIBLIOGRAPHIE
* Barussaud, G., Noël, J-F, Mathématiques première et terminale, Editions Foucher, Paris,
2002.
* Schoefs, Y., Fournier, S., Léon, J-J, Productique Mécanique Terminale, Delagrave, 1996.
* Barlier, C., Poulet, B., Mémotech – productique mécanique, ELeducalivre, 1993.

M07 Statistiques en production-FM-TSMFM

Transféré par

Droits d'auteur :

Formats disponibles

M07 Statistiques en production-FM-TSMFM

Transféré par

Informations du document

Description originale:

Titre original

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

M07 Statistiques en production-FM-TSMFM

Transféré par

Droits d'auteur :

Formats disponibles

ROYAUME DU MAROC

OFPPT Office de la Formation Professionnelle et de la Promotion du Travail

MODULE 7 STATISTIQUES EN PRODUCTION

SECTEUR : FABRICATION MECANIQUE

Document élaboré par :

Module 6 Fabrication Mécanique 1

MODULE 6 : LES STATISTIQUES EN PRODUCTION

Code : Durée : 30 heures

OBJECTIF OPÉRATIONNEL DE PREMIER NIVEAU

Pour démontrer sa compétence, le stagiaire doit

CRITERES GENERAUX DE PERFORMANCE

• Exploitation des données statistiques et détermination des différents paramètres :

Module 6 Fabrication Mécanique 2

OBJECTIF OPERATIONNEL DE PREMIER NIVEAU

PRECISIONS SUR LE CRITERES PARTICULIERS DE

A. Effectuer des calculs de probabilité et - Justesse d’interprétation

Module 6 Fabrication Mécanique 3

OBJECTIFS OPERATIONNELS DE SECOND NIVEAU

LE STAGIAIRE DOIT MAÎTRISER LES SAVOIRS, SAVOIR-FAIRE, SAVOIR-PERCEVOIR OU

Avant d’apprendre à effectuer des calculs de probabilité et exploiter des données

1. Effectuer des calculs de base des probabilités

3. Définir les concepts suivants : échantillonnage, prélèvements, relevés,

6. Énoncer les principes de base du SPC

Module 6 Fabrication Mécanique 4

Module 6 Fabrication Mécanique 5

Module 6 Fabrication Mécanique 6

7. Interprétation des cartes de contrôle par mesures……………………………………………………..44

Module 6 Fabrication Mécanique 7

1° Séries statistiques à une variable

• Tableaux statistiques et diagrammes

Les tableaux statistiques et les diagrammes permettent d’organiser et de présenter les

Dans le cas d’une répartition en classes, on utilise un histogramme pour représenter

La moyenne arithmétique d’une série statistique est :

Module 6 Fabrication Mécanique 8

L’écart type σ est la racine carrée de la variance : σ = V

On peut utiliser également la formule :

2° Séries statistiques à deux variables

• Tableaux statistiques et diagrammes

Module 6 Fabrication Mécanique 9

On peut calculer les fréquences et les fréquences cumulées croissantes (FCC)

Module 6 Fabrication Mécanique 10

b) Séries statistiques à deux variables

On dit qu’on a une série statistique à deux variables.

Module 6 Fabrication Mécanique 11

3° Comment lire et exploiter un tableau statistique ?

On a relevé le montant de 200 chèques remis à un guichet, et obtenu le tableau suivant :

4° Comment lire et interpréter un diagramme statis tique ?

Module 6 Fabrication Mécanique 12

Établir le tableau des fréquences et des fréquences cumulées croissantes.

Module 6 Fabrication Mécanique 13

Pour déterminer le pourcentage des personnes de moins de 50 ans, on peut procéder :

5° Comment déterminer le mode d’une série statistiq ue ?

Déterminer le mode des séries présentées aux points 3° et 4°.

6° Comment déterminer la médiane d’une série statis tique ?

Déterminer la médiane de la série présentée en 3°.

Graphiquement : on construit le polygone des fréquences cumulées croissantes et on cherche

On voit que la médiane est peu différente de 840 €.

La moitié des chèques ont un montant inférieur à 840 €.