MAITRISE STATISTIQUE DES PROCEDES
|
|
- Ariane Baril
- il y a 8 ans
- Total affichages :
Transcription
1 MAITRISE STATISTIQUE DES PROCEDES GENERALITES A. LAMURE
2 INTRODUCTION : DEFINITIONS QU EST-CE-QUE LA MSP? MSP = ensemble actions pour évaluer, régler et maintenir processus de production en état de fabriquer produits conformes aux spécifications et avec caractéristiques stables dans le temps. MSP = suite analyses qui comprennent : réflexion sur processus, caractéristiques significatives de ce processus, du produit, des tolérances nécessaires ; validation outil de production et de son aptitude à fournir ce que l on attend de lui et enfin mise en place de cartes de contrôle. MSP = méthode préventive qui vise à amener processus au niveau de qualité requis et à l y maintenir grâce à système de surveillance qui permet de réagir rapidement et efficacement à toute dérive. Méthode basées + particulièrement sur statistiques. REMARQUE : "Statistical Processus Control (SPC)" Maîtrise Statistique des Procédés ("Contrôle Statistique du Procédé") DEMARCHE MSP REFERENCE : pendant une ou plusieurs période stable, détermination, pour caractéristique produit ou paramètre fonctionnement, référence statistique (minimum 100 valeurs) caractéristique du processus (moyenne et dispersion) : référence englobe variations "naturelles" processus fabrication + contrôle. ECHANTILLONNAGE : pilotage du processus avec échantillon constitué de quelques prélèvements analysés : moyenne et dispersion résultats obtenus = moyenne et dispersion processus à instant considéré. COMPARAISON DE L ECHANTILLON AVEC LA REFERENCE : si échantillon ne diffère pas statistiquement de référence pas d action sur processus, sinon recentrage du processus.
3 INTRODUCTION : PROCESSUS DE PRODUCTION PROCESSUS = ensemble moyens et activités liées qui transforment éléments entrants en éléments sortants" (norme ISO 840). PROCESSUS DE FABRICATION peut comporter plusieurs étapes depuis matières premières j produit fini allant chez client externe : chaque étape = processus avec interfaces fournisseur-client. PROCESSUS DE CONTROLE : produit doit être conforme à des spécifications, exprimées par tolérances. Vérification du produit s inscrit dans processus de contrôle constitué de plusieurs processus individuels de mesure (pour chaque spécification et chaque étape de fabrication). Processus individuel de mesure ne concerne pas uniquement appareil de mesure mais aussi préparation élément de fabrication à tester. PROCESSUS DE PRODUCTION = ensemble processus de fabrication + processus de contrôle. Remarque : notion de processus de fabrication non limitée à transformation de matières ou d objets. Processus de formation = processus de fabrication (acquisition des connaissances) + processus de contrôle (évaluations, tests). 3
4 INTRODUCTION : CARTES DE CONTROLE Pour représenter résultat tests statistiques, SHEWHART a inventé un graphique dénommé "Control Chart" ("Carte de contrôle" ou "Carte de maîtrise"). Classement des cartes de contrôle en grands groupes : SCHEMA D UNE CARTE SHEWART : pour maintenir centrée une caractéristique d un processus, graphique proposé par SHEWHART comporte : ligne centrale = cible (là où on aimerait que se trouve le processus) limites de contrôle inférieure et supérieure Lci et Lcs (ou Lmi et Lms limites de maîtrise inférieure et supérieure) dont position est fonction effectif n des échantillons et des risques de décision. CARTE DE CONTROLE PAR MESURES : caractérisant processus mesurable par centrage échantillon et sa dispersion. On trouve cartes x w (moyenne), s (écart-type) et w ou R (étendue) groupées normalement par : cartes ( x w, w) ou cartes ( x w, s). CARTE DE CONTROLE PAR ATTRIBUTS : information portée sur carte fonction du nombre individus de échantillon qui possèdent un ou de plusieurs caractères dont on ne peut que constater présence ou absence. On distingue cartes p (pourcentage ou proportion de non-conformes), cartes np (nombre d unités non-conformes), cartes c (nombre de non-conformités), cartes u (nombre moyen de non-conformités par unité),cartes D (démérites = comptage pondéré du pourcentage de non-conformités). Remarques : caractère mesurable peut être soumis à contrôle par attributs en le considérant comme conforme si sa valeur intervalle de tolérance et nonconforme dans le cas contraire. Dans tous les types de cartes, décision action ou pas prise au vu du dernier échantillon prélevé. Analyse périodique (fonction volumes fabriqués et maîtrise atteinte) des cartes remplies pendant période considérée. 4
5 INTRODUCTION : NOTION DE RISQUE DECISIONNEL PRISE DE RISQUE : estimation statistique qu un événement se produise ou non ne peut s évaluer que par rapport à situation antérieure connue établissement référence correctement et rigoureusement établie sur processus considéré pour pronostiquer son comportement futur. Dans décisions prises suite à contrôle statistique ("agir" ou "ne pas agir") proposition choisie = la + favorable. Comme obtention échantillon hors des limites de contrôle peu probable (ex. 0,1%) quand processus centré action lorsque échantillon limites : on aura 99,9% de chance d avoir eu raison d agir. CONTROLES : soit à 100% de toutes unités produites, soit sur quelques prélèvements dont moyenne constitue échantillon. estimation qualité de l ensemble des unités produites. Coûts de contrôle nombre n de mesures tandis que sûreté de jugement n contrôle à 100% très onéreux et peu pratiqué (nécessaire que pour raisons impératives sécurité, renommée) car ne met pas 100% à l abri de réclamations (événement ponctuel peut fausser un contrôle). Contrôle quelques unités : nombre d unités contrôlées risque RISQUES α ET β : : soit un opérateur qui vérifie diamètre axes d = 3 mm avec pied à coulisse idéalement réglé. Limites de tolérances fixées à Ti =,9 mm et Ts = 3,1 mm. Si une cendre de cigarette tombe malencontreusement entre mors du pied à coulisse sans qu il s en aperçoive, il se peut que : axe pris ait un diamètre bon mais proche de Ts et que surépaisseur cendre valeur lue > Ts pièce placé dans rebuts. pièce ait un diamètre réel < Ti et que surpépaisseur de la cendre pièce considérée bonne expédiée au client. Risque α (1 ère espèce, risque fournisseur, fausse alarme) = risque de trouver mauvaise quelque chose qui est bonne ou d agir sur un processus alors qu il ne le faudrait pas. Risque β ( ème espèce, risque client) = risque de trouver bonne quelque chose qui est mauvaise ou de ne pas agir alors qu il le faudrait. Dans toute décision que nous prenons, existence de ces risques d erreur. Pour assurer tolérances aux clients, cartes de maîtrise calculées de façon qu elles permettent de décider avec minimum de risques (α et β) si action corrective nécessaire ou pas sur processus. 5
6 INTRODUCTION : SECTEURS D APPLICATIONS MSP préconise mise en place, en cours de fabrication, de cartes de maîtrise qui assureront en permanence tolérances et permettent de supprimer contrôles a posteriori. Deux cas peuvent se présenter : si client déjà formé à MSP : envoi de photocopies de la (les) carte(s) de maîtrise sur période de fabrication correspondant au lot expédié ou lots livrés sans chiffre mais contrôles périodiques par client ("audit") du système Qualité de son fournisseur. si client non formé à MSP : envoi de bulletins d analyse, moyenne des résultats obtenus avec cartes de maîtrise sur période de fabrication correspondant à commande. Utilisation MSP sur tout processus utilisant ou fournissant produits au sens très large du terme (résultats contrôle analytique, de sécurité ou d environnement produits). Fabrication produits industriels passe par contrôles : qualité des matières premières (jugement qualitatif proportion unités non conformes dit aux attributs [norme AFNOR NF X06-0] ou de qualité à partir de mesures [norme AFNOR NF X06-03]). Contrôle de réception matières premières devrait disparaître (ISO 9000, contrôles fournisseur et non client). reproductibilité chaînes de mesure puisque processus de production = Σ processus de fabrication + mesure, variabilité du produit = Σ variabilités fabrication + mesure. Variance de fabrication inconnue (jugement au travers de mesures) mais variance chaîne de mesure mesurable (étude statistique de reproductibilité sur un seul prélèvement) connaissance du domaine (fabrication ou contrôle) à améliorer en priorité. vérification d étalonnage appareils de mesure : qualité d un produit liée au couple (fabrication, contrôle). Si caractéristique X d un produit ou paramètre Y de fonctionnement = majeurs/critiques étalonnage processus de mesures de X ou Y aussi majeurs/critiques ( ne jamais mettre en place cartes de contrôle sur caractéristiques de produits ou paramètres de fonctionnement sans avoir préalablement établi cartes de maîtrise sur vérification d étalonnage chaînes de mesure correspondantes). maîtrise des caractéristiques des produits et des paramètres de fonctionnement : établir d abord carte sur produit final d un processus dont aptitude n est ni trop faible, ni excellente (ne pas commencer par essayer de résoudre problème jusque là insoluble ou cas déjà traité avec satisfaction). 6
7 INTRODUCTION : EXEMPLE DE MAUVAIS PILOTAGE Suivi dans atelier de la quantité d acide résiduaire d un mélange dans réacteur. Chaque analyse individuelle servait à décider si quantité d acide introduite pour opérations suivantes devait être modifiée ou pas. Responsable atelier voulant mettre en place carte de maîtrise sur cette quantité d acide, calcula limites, en fonction risques de mauvaises décisions et tolérances, avec effectif d échantillon n = 3. Pour s assurer de la validité de la carte, résultats individuels ayant servi aux opérateurs pour piloter processus sur cette période, ont été groupés sous forme d échantillons (moyennes de 3 mesures) et reportés sur carte calculée. première action effectuée par opérateurs sur une valeur individuelle inutile, seconde action tout à fait justifiée. troisième action inutile. De + action entreprise démesurée poste suivant, correction dans autre sens encore disproportionnée processus hors limite par valeur inférieure. comme procédé joue au yo-yo, opérateur poste suivant réagit faiblement processus non recentré et postes suivants opérateur obligé de redonner nouveau coup de barre. Pendant,5 jours, homme n agissant qu à partir d informations ponctuelles, a fait dérailler sa machine,...en étant persuadé de bien faire! Seule dernière action était justifiée. Exemple montre que, non seulement on agit souvent trop précipitamment, avec résultats ponctuels, mais aussi souvent de façon inconsidérée ; seules cartes permettent d adapter intensité des corrections à apporter pour corriger dérives juste ce qu il faut. 7
8 PROCESSUS : DIAGRAMME DE PARETO MAITRISE PROCESSUS minimum de connaissances sur : paramètres majeurs qui conditionnent qualité du produit, sécurité des hommes et du matériel, caractéristiques majeures du produit, savoir sur quoi agir et de combien si paramètres ou caractéristiques sortent limites de tolérance. Commencer par répertorier tout ce qui est mesuré, ce qui est surveillé qualitativement et opérer classement par ordre d importance (critique > majeur > moyen > mineur). Mettre en place en priorité cartes de maîtrise sur variables les + critiques non maîtrisées : les + onéreuses ou les + dangereuses. DIAGRAMME DE PARETO = formalisation du processus pour définir points les + préjudiciables à qualité. Pour cela représenter et classer non conformités sur un histogramme, en fréquence ou en coûts décroissants. EXEMPLE : fabrication de résine polyester, recensement des non conformités Classement et représentation des résultats sur diagramme montre qu il faut porter ses efforts d abord sur E puis sur D, etc. Nombre des non Nombre d observation Pourcentages conformités Contamination (inclusions) Taux d humidité Taux de manganèse Coloration Viscosité Taux de cendre Familles A B C D E F ,9 1,4,1 6,9 50,3 1,4 8
9 PROCESSUS : DIAGRAMME D ISHIKAWA CAUSES DES NON CONFORMITES : diagramme d ISHIKAWA (ou en "arêtes de poisson") = représentation des causes directes et indirectes possibles d une non conformité. Pour établir diagramme efficace, travail de groupe avec personnes compétentes, concernées (fabricants, contrôleurs, technicocommerciaux, responsables du transport,...). Groupe de travail doit non seulement définir mais aussi classer principales causes potentielles de non conformités. Distinction parfois entre causes "aléatoires" (nombreuses et faibles effets sur processus) et causes "assignables" (moins nombreuses mais effets importants). Classement préférable en causes "connues et maîtrisables" (= facteurs principaux PEX) et "inconnues ou non maîtrisables" ( = facteurs bruit). Lorsque causes non maîtrisables font dériver processus agir sur un facteur connu pour le redresser. EXEMPLE : voiture roulant une piste, parfaitement rectiligne mais présentant des dévers statistiquement répartis à gauche et à droite (= causes aléatoires non maîtrisables). Sur ensemble de la piste autant de dévers des côtés, mais séries de plusieurs dévers successifs à droite et à gauche. Avec une voiture parcourant cette piste, on ne devrait jamais régler le volant puisque piste rectiligne. Pourtant dans zones où existe davantage de dévers à gauche véhicule va être entraîné à gauche et volant devra être tiré à droite : direction du véhicule = paramètre de fonctionnement qui corrige dérives dues aux causes aléatoires. 9
10 PROCESSUS : CORRELATIONS OBJECTIF ETUDE = déterminer si variables X et Y liées, c.a.d. si en modifiant variable X ("cause supposée") "effet" sur Y. Cas uniquement corrélations linéaires à variables. Pour corrélations non linéaires, il faut trouver transformées qui ramènent à des corrélations linéaires (log(x), x n,...). Pour construire diagramme de corrélation, disposer au moins de 0 couples de valeurs (X, Y). Tracer axes et graduer axes de telle sorte que segment représentant étendue valeurs de X longueur représentant étendue valeurs de Y. INTERPRETATION VISUELLE DU DIAGRAMME : lorsque nuage de points forme bande assez étroite et que valeurs de Y ( ) globalement quand celles de X : corrélation positive (négative) ; lorsque nuage de points ne forme pas une bande très étroite, possibilité d avoir corrélation mais analyse + approfondie nécessaire. Il n y a probablement pas corrélation sauf si données collectées couvrent domaine de variation insuffisant ou rassemblent résultats obtenus dans conditions et mélangées sans discernement (ex. matières premières, modification consignes de fonctionnement durant période considérée,...). 10
11 PROCESSUS : TEST DE CORRELATIONS Tracer sur diagramme de corrélation axes passant par x et y (moyenne valeurs X et Y) 4 quadrants numérotés I, II, III et IV. Compter n i = nombre points dans chacun des quadrants, sans prendre en compte points qui se trouvent sur axes x et y. Effectuer somme n = nombre points dans les quadrants opposés les - peuplés (n = n 1 + n 3 = 4) et N = nombre total points dans 4 quadrants (N = 8). Regarder dans table de corrélation probabilité de trouver seulement n points sur N dans ces quadrants (ex. table avec risque de se tromper α = 5% : n 0 = 8) : n 0 = limite pour dire avec risque α = 5% de se tromper qu il y a une corrélation REMARQUE : test de corrélation appelé "test des signes" car regroupement points de quadrants opposés pour lesquels π i = [(x i - x )][(y i - y ] > 0 ou < 0. N n 0 N n 0 N n 0 N n 0 N n 0 N n 0 N n 0 N n 0 N n Table de corrélation pour un risque d erreur α = 5%
12 PROCESSUS : COEFFICIENT DE CORRELATION A VARIABLES COEFFICIENT DE CORRELATION VRAI ENTRE VARIABLES X et Y, pour nombre de mesures = nombre ρ inconnu tel que -1 < ρ < +1. Valeur estimée ( )( ) par r sur nombre restreint de mesures : xi x yi y r =. ( x x) y y [ ][ ( ) ] TABLE DE CORRELATION DE ρ : première colonne nombre ν degrés de liberté : (pour variables, ν = N -, pour k variables ν = N - k). Autres colonnes probabilité de trouver valeur valeur de r donnée. ν P = 10% P = 5% P = % P = 1% ,9877 0,9000 0,8054 0,793 0,6694 0,9969 0,9500 0,8783 0,8114 0,7545 0,9995 0,9800 0,9343 0,88 0,839 0,9999 0,9900 0,9587 0,917 0, ,615 0,58 0,5494 0,514 0,4973 0,476 0,4575 0,4409 0,459 0,414 0,4000 0,3887 0,3783 0,3687 0,3598 0,333 0,960 0,746 0,0573 0,48 0,306 0,108 0,1954 0,189 0,176 0,1638 0,7067 0,6664 0,6319 0,601 0,5760 0,559 0,534 0,5139 0,4973 0,481 0,4683 0,4555 0,4438 0,439 0,47 0,3809 0,3494 0,346 0,3044 0,875 0,73 0,500 0,319 0,17 0,050 0,1946 i 0,7887 0,7498 0,7155 0,6851 0,6581 0,6339 0,610 0,593 0,574 0,5577 0,545 0,585 0,5155 0,5034 0,491 0,4451 0,4093 0,3810 0,3578 0,3384 0,318 0,948 0,737 0,565 0,4 0,301 i 0,8343 0,7977 0,7646 0,7348 0,7079 0,6835 0,6614 0,6411 0,66 0,6055 0,5897 0,5751 0,5614 0,5487 0,5368 0,4869 0,4487 0,418 0,393 0,371 0,3541 0,348 0,3017 0,830 0,673 0,540 k P / Pour N > 100, r = th avec k = nombre d écarts-types pour la probabilité P/ (Loi N 3 Normale Réduite) et th = fonction tangente hyperbolique. Table de corrélation à variables 1
13 PROCESSUS : REGRESSIONS Lorsque tests précédents montrent corrélation entre X et Y volonté de déterminer relation linéaire qui lie effet de X sur Y de façon à pouvoir agir sur Y par intermédiaire de X. Régression linéaire de la forme : y = a x + b avec a = r s Y /s X et b = y - a x où r = coefficient de corrélation, s X et s Y = écarts-types respectifs sur X et Y, x et y = moyennes respectives de X et Y. APPLICATION 1 : POLYMERISEUR NYLON Etude de l influence V de la vis d extraction (X) sur la porosité des pastilles de polymères obtenus (Y). On a relevé les données suivantes n échantillon X =vitesse Y = porosité n échantillon X =vitesse Y = porosité Construire le diagramme de corrélation. En déduire si la porosité est corrélée à V? Dans le cas positif, donner la relation linéaire qui lie la porosité à la vitesse V de la vis d extraction pour la polymérisation du nylon. Remarque avec Excel, si valeurs X placées dans colonnes B-B1 et Y dans colonnes C-C1 : Etendue w x = MAX (B : B1) MIN (B : B1), Moyenne x = MOYENNE (B : B1), Ecart-type s x = ECARTYPE (B : B1), Coefficient corrélation r = COEFFICIENT.CORRELATION (B : B1 ; C : C1) 13
14 STATISTIQUES : HISTOGRAMME STATISTIQUE = résumé chiffré nombre important de données ( perte informations) obtenu par. regroupement données individuelles en classes : 6 à 15 valeurs résument 40 à plusieurs milliers de données moyenne + dispersion données individuelles autour valeur centrale : valeurs calculées selon loi de distribution choisie qui résument ensemble des données. GRAPHIQUES = représentation valeurs sous forme histogramme, "camembert", courbe de distribution en fréquences, etc. Pour construire correctement histogramme, à partir de N données individuelles, 4 règles : Nombre de classes K tel que 6 < K < 15. Estimation par K = N ou règle de STURGES : K = 1 + 3,3 log 10 (N). Largeur L classes calculée à partir étendue (w ou R) des données et nombre K de classes : L = w /K. Arrondir L selon précision voulue diminution ou augmentation parfois de K de 1. Limites basse (haute) 1 ère (dernière) classe telles que + petite (grande) des données se trouve dans classe et non en limite de classe. Si une valeur se trouve à une interclasse, la mettre par convention dans classe immédiatement à droite (règle dite "priorité à droite"). REMARQUES : Forme ± symétrique histogramme indique normalité distribution des données mais test de normalité nécessaire. Si intervalle des classes de l histogramme valeur infinitésimale dx (nombre de classes ), polygone de distribution en fréquences des valeurs courbe de distribution. Recherche loi de distribution la + proche de la distribution expérimentale puis utilisation modèle mathématique pour représenter processus. 14
15 STATISTIQUES : DISTRIBUTION NORMALE DISTRIBUTION LOI NORMALE caractérisée, pour référence N 100 par moyenne µ = Σx/N et écart-type des valeurs σ = ( x µ ) / N. Pour échantillon taille n : m = Σx i /n et s = ( xi m) /( n 1) Commencer par tracer données sur diagramme chronologique et éliminer points "singuliers" de cause connue. Si aucune tendance discernable : Calculer moyenne et écart-type sur ensemble des points (N 100) avec formules pour référence afin d obtenir dispersion ensemble des données. Dissocier série des N données en r sous-groupes de taille n voisine des échantillons afin d obtenir dispersion "intrinsèque" ou "instantanée". Si tracé met en évidence plusieurs populations, calculer écart-type de chacune des populations ou des r sous-groupes puis écart-type moyen à partir des variances. Pour tracer histogramme, recentrer valeurs individuelles sur moyenne cible. Si tendance chronologique (cas fréquent pour indicateurs) diviser artificiellement données en sous-groupes de quelques valeurs (minimum = ) et calculer écart-type intrinsèque moyen comme précédemment. aucune tendance n = populations tendance chronologique Lorsque N données divisées en sous-groupes, écart-type moyen calculé soit directement à partir de ceux des sous groupes (méthode la plus précise), soit à partir étendue moyenne w de ces sous-groupes. Avec 1 ère méthode, s = si / r si taille n des r sous-groupes ne varie pas de ± 10% et = [ n 1 ] s / ( n 1) s autrement. i i i Avec nde méthode, taille n des sous-groupes rigoureusement identiques et s = w /d où d donnée en fonction taille n des sous groupes. n d 1,18 1,693,059,36,534,704,847,970 3,078 3,173 3,58 15
16 STATISTIQUES : PROPRIETES DE LA LOI NORMALE DISTRIBUTION NORMALE représentée par une courbe symétrique centrée sur µ et probabilité P(x) de trouver valeur donnée x déterminée par fonction 1 ( x µ ) P ( x) exp. Probabilité de trouver des valeurs entre deux limites = σ π x 1 et x vaut : P( x 1 σ x x x = ) x 1 1 exp σ π ( x µ ) σ dx ( surface S) COORDONNEES CENTREES REDUITES = nombre d écarts-types k = (x-µ)/σ, probabilité de trouver valeurs situées au-delà de k écarts-types de la moyenne s exprime par la LOI NORMALE REDUITE (LNR) : P (x tel que (x-µ)/σ k) = k 1 k exp π Par définition, distribution LNR a pour moyenne µ = 0 et écart-type σ = 1. VALEURS CARACTERISTIQUES DE LA LOI NORMALE REDUITE Entre % de valeurs A l extérieur de % de valeurs ± 1 écart-type 68,3 % ± 1 écart-type 31,7 % ± écarts-types 95,4% ± écarts-types 4,6% ± 3 écarts-types 99,73% ± 3 écarts-types 0,7% Tableur EXCEL : PROBABILITE P = LOI.NORMALE.STANDARD (k) Inversement si P = 5% k = LOI.NORMALE.STANDARD.INVERSE(0,05) dx 16
17 STATISTIQUES : INTERVALLE DE CONFIANCE D UNE MOYENNE Pour juger état statistique d un processus prélèvements (échantillons) dont on détermine moyenne x et écart-type s x. THEOREME LIMITE CENTRALE : si, dans une population normale (moyenne µ et écart-type σ), on prélève des échantillons de taille n, distribution de ces échantillons suivra une loi normale (moyenne µ et écart-type s x = σ/ n ). Pour échantillon, x i peut se trouver ± éloignée de la véritable moyenne µ. Intervalle de confiance de la moyenne, avec probabilité P donnée, = estimation [µ inf - µ sup ] autour de x i. Véritable moyenne µ a P% de chance de se trouver dans intervalle : µ inf = x i - k.s/ n µ x i + k.s/ n = µ sup où k = nombre écarts-types loi LNR correspondant à probabilité P = (100-P)/ de trouver cette moyenne et s= estimation de σ connu. COMPARAISON DE MOYENNES : acuité du jugement = fonction du nombre n de mesures individuelles et calcul de la dispersion des données établie de façon sûre (variance "connue") ou sur séries (variance "inconnue"). VARIANCE "CONNUE" : soit n 1 et n = nombre de mesures pour chacune des moyennes x 1 et x, leur différence D = x 1 - x est significativement 0, avec probabilité α choisie (risque α) de se tromper si D + k σ d avec σ d = σ / n1 + σ / n et k = nombre d écarts-types de la loi LNR correspondant à probabilité α de déclarer différence significative alors qu elle ne l est pas. VARIANCE "INCONNUE" (test d Aspin-Welch) : utilisation de la loi de Student au lieu de loi normale. Test de l hypothèse D t s d avec s d = s 1 / n1 + s / n et t = variable correspondant à probabilité α de déclarer différence significative alors qu elle ne l est pas, pour nombre de degrés de liberté ν calculé et arrondi à valeur entière la plus proche par : 1 1 s 1 = ν n 1 n1s 1 + n s n 1 1 d s d 17
18 STATISTIQUES : INTERVALLE DE CONFIANCE D UN ECART-TYPE INTERVALLE DE CONFIANCE DE L ECART-TYPE : comme celui de la moyenne il dépend de la taille n de l échantillon considéré. Contrairement à celui de la moyenne, ce paramètre ne suit pas une LNR mais une LOI dite DE χ. Pour une valeur d écart-type donnée s x d échantillon, véritable écart-type σ peut se trouver ± éloigné de s x : on appelle intervalle de confiance de l écart-type, pour une probabilité P donnée, l estimation (σ inf - σ sup ) autour de s x σ inf = s x ( n 1) χ ( 100 P) / σ s x ( n 1) χ ( 100+ P) / = σ sup Remarque : loi du χ dissymétrique conduit a une faible précision sur écarttype pour des tailles d échantillons faibles. C est pourquoi, il faut déterminer la dispersion sur minimum 100 valeurs. COMPARAISON DE DEUX VARIANCES : soit échantillons sur lesquels on a déterminé les écarts-types s 1 sur n 1 mesures et s sur n mesures. Pour déterminer si les deux écarts-types sont significativement différents, on calcule le rapport F = s 1 / s en portant toujours au numérateur la variance la plus élevée. On cherche ensuite sur la table de "F" (FISHER-SNEDECOR), pour ν 1 = n 1-1 et ν = n -1 degrés de liberté, la valeur F 0 au-delà de laquelle on ne peut trouver que P% (risque α) de valeurs si les écarts-types sont égaux et conclure à tort qu ils sont différents. Ecarts-types non significativement si F calculé F 0 et si F calculé F 0 avec un risque α = 5% de se tromper 18
19 STATISTIQUES : TEST DE NORMALITE TEST DE LA DROITE DE HENRY (norme AFNOR X06-050) : test de normalité pour juger ajustement d une partie de la distribution des valeurs expérimentales à une courbe de Gauss. Sur un papier à échelle Gausso-arithmétique (ordonnées - abscisses) porter, en ordonnées, les fréquences cumulées aux centres de classes, sauf le premier et le dernier point (trop grande imprécision). Plus valeurs expérimentales se rapprochent d une loi normale, plus les points sont alignés. Pour conclure que la distribution est ou n est pas normale, établir un "couloir" de confiance tel qu on n a que 5% de risque de trouver des points extérieurs en portant les intervalles de confiance de la moyenne et de la dispersion. A m min = m - k,5% s/ N = m - 1,96 s/ N pour 50% des valeurs B m max = m + k,5% s/ N = m + 1,96 s/ N pour 50% des valeurs,5% C m min + s min = m min + s ( N 1) / χ pour 84% des valeurs D m max + s max = m max + s ( N 1) / χ pour 84% des valeurs 97,5% 97,5% E m min - s max = m min - s ( N 1) / χ pour 16% des valeurs,5% F m max - s min = m min - s ( N 1) / χ pour 16% des valeurs TRACES TYPIQUES DU GRAPHIQUE DE HENRY Loi normale 19
20 MAITRISE STATISTIQUE DES PROCEDES ANALYSES A. LAMURE
21 APTITUDE : APTITUDE STANDARD OBJECTIF = vérifier que variabilité naturelle et centrage du processus de production compatibles avec tolérances de la caractéristique sélectionnée. Sur une période stable de référence, prélever, de façon aléatoire, N = 100 valeurs non consécutives. Eviter : prélèvement sur une trop longue période : risque de modifications de consigne de marche, de matériel, assimilables à des variations aléatoires du processus surestimation de la dispersion, prélèvement sur une période trop courte : risque que certains facteurs aléatoires n aient pas eu le temps de jouer sous estimation de la variabilité. Moyenne m trouvée sur la (ou les) période(s) de référence peut être remplacée par une valeur "cible" m 0 fixée en général par rapport aux tolérances [T i ; T s ] centrée ou non. INDICATEURS D APTITUDE STANDARD : C p = sinon C pk = T Min. s m 3. s. m0 Ti ; 3. s T s T 6. s i lorsque cible centrée 0 (norme NF X06-033). Indicateurs standard fondés sur dispersion standard de 6 écarts-types (99,73% des valeurs). Trois cas : Suivant valeurs de C p ou C pk, aptitude des processus classée comme : C p 0,67 0,67 C p 1,00 1,00 C p 1,33 1,33 C p 1,67 1,67 C p,00 très mauvaise très moyenne moyenne bonne à mauvaise à moyenne à bonne très bonne,00 C p excellente 1
22 APTITUDE : APTITUDES D UN MOYEN DE PRODUCTION ET DE CONTROLE APTITUDE SPECIFIQUE : pour préciser la notion de "risque à l utilisation du produit" utilisation d indicateurs d Aptitude plus spécifiques ( coefficients d Aptitude spécifique) notés A p ou A pk se rapportant à une dispersion de k écarts-types ( k = nombre d écarts-types défini par loi LNR en fonction du pourcentage de valeurs qui doivent se trouver entre les tolérances) : Ts Ti Ts m0. m0 Ti A p = et A pk = Min. ; k. s APTITUDES = indicateurs d état a posteriori. Dans écart-type s de la période de référence, tous les facteurs (matières premières, moyens de fabrication, moyens de contrôle) ont contribué à la dispersion de la production. Afin de faire la part de chacun d eux, distinction entre : APTITUDE OPTIMALE (OU INTRINSEQUE) D UN MOYEN DE PRODUCTION : Prélever, dans conditions optimales de stabilité de fonctionnement, une cinquantaine de pièces sur une courte durée dont dispersion s i = "dispersion intrinsèque du moyen de production" C am = IT/ 6s i (rapport intervalle de tolérance sur dispersion intrinsèque du moyen de production sur une courte période) ou C mk = min.[(t s - m)/ 3s i ; (m - T i )/ 3s i ] (rapport distance entre moyenne et tolérance la plus proche sur demi - dispersion intrinsèque du moyen de production sur une courte période). Remarque : aptitude optimale (ou intrinsèque) aptitude de fabrication (influence de la variance de la chaîne de mesure). APTITUDE D UN MOYEN DE CONTROLE. : "justesse" du système de contrôle (dispersion entre moyenne d une série de résultats et une valeur de référence). Essais de "répétabilité" à partir d un seul prélèvement de fabrication, par le même opérateur, dans un même lieu, sur un seul appareil, avec le même mode opératoire) non réalisés en MSP. Essais de "Reproductibilité" (dispersion s R des résultats obtenus à partir d un même prélèvement de fabrication, par même méthode mais avec des opérateurs différents, des appareils différents et des temps éventuellement variables) pour déterminer les variations de l ensemble de la chaîne qui auront des répercussions sur pilotage de fabrication. C mc = IT/6s R (rapport intervalle de tolérance du moyen de production sur dispersion de reproductibilité du moyen de contrôle sur une courte période). k. s k. s
23 APTITUDE : ETUDE COMPARATIVE DES VARIANCES INDICATEURS D APTITUDE présentent plusieurs inconvénients : aptitudes d un niveau de qualité ne peuvent servir au pilotage des processus, aptitude intrinsèque jugée qu au travers de mesures valeurs ne donnent pas aptitude propre du processus de fabrication, aptitudes non additives : aptitude globale du processus de production aptitudes processus fabrication + processus contrôle (inverse racine carrée), aptitudes ne permettent pas de définir objectifs relatifs de variabilité du processus de contrôle vis-à-vis du processus de fabrication. VARIANCES DE FABRICATION ET DE CONTROLE : variance V P du processus de production, pour caractéristique donnée d un produit = somme variances des éléments qui le compose : matières premières, opération de fabrication (hommes et machines) et ensemble des opérations qui amènent aux résultats de mesure (chaîne de mesure). Si V p = variance globale de production (V p = s processus de production) et V C = variance processus de contrôle (V C = s R reproductibilité) variance matières premières V mp V p + V C et V mp + V F = estimation de la variance de l ensemble (matières premières + fabrication). La part de la variance de contrôle ne doit pas dépasser 0% de la variance totale. La variance n est pas un indicateur passif : c est un outil d amélioration de la Qualité. Exemple : réduction en priorité de la dispersion du processus de : fabrication. Contrôle 3
24 APTITUDE : FABRICATION DE FIL METALLIQUE APPLICATION : FABRICATION FILS METALLIQUES Dans une usine de fabrication de fil métallique pour pneumatique, on contrôle la charge à la rupture des fils avec un dynamomètre. Les fils de diamètres 0,175 mm ont une charge à la rupture moyenne de 80 N et les tolérances sont de ± 3,6 N. On sait centrer cette charge à la rupture en jouant sur le diamètre du fil initial avant tréfilage. Durant une période de référence, on a trouvé écart-type global s P = 1,08 N sur la production. En déduire l Aptitude de la production A p Sur la même période, à partir d une seule bobine de fil, le laboratoire de contrôle a estimé la reproductibilité de la mesure dynamométrique s R = 0,75 N. En déduire l aptitude du moyen de contrôle C mc En déduire les pourcentages respectifs des variances de fabrication et de contrôle V F % et V C % On s aperçoit que la part de la variance de contrôle est trop importante pour pouvoir piloter le processus de tréfilage avec une seule mesure par bobine. Le seul moyen de diminuer cette part de variance et, par là même, augmenter l aptitude de l ensemble (fabrication + contrôle) est de faire n mesures sur chaque bobines. Calculer avec n = 8 les nouvelles variances de contrôle V C et de production ainsi que les nouveaux pourcentages respectifs des variances Quelle est, dans ce cas, l aptitude globale du processus C p? 4
25 CARTES DE CONTROLE : DEPLACEMENT LIMITE DE LA MOYENNE ZERO DEFAUT n existe statistiquement que pour intervalle compris entre ± "zéro défaut" très faible probabilité statistique p, définie en fonction du risque que client trouve résultats hors tolérances. Tout processus dérive avec le temps sous effet de causes indéterminées qu on s efforce de supprimer pas à pas ou aléatoires qui peuvent se conjuguer momentanément pour donner des effets dans le même sens. Si caractéristique d un processus dérive d une quantité vers la tolérance supérieure T s, il ne faut pas que sa moyenne m dépasse une certaine valeur limite m rs (= "moyenne refusable supérieure") qui assure encore probabilité p choisie (équivalente au "zéro défaut"). Dans le cas de tolérances T i inférieure et T s supérieure limites inférieure m ri et supérieure m rs. Exemple si équivalence du "zéro défaut" est p = 0,135% m ri et m rs se trouveront à 3 écarts-types en retrait des tolérances T i et T s POSITIONS DE m ri ET m rs définies par loi LNR, dès que p fixé : m rs = T s - ks et m ri = T i + ks avec k = nombre écarts-types correspondent à p%. Pour simplifier formules, dérive maximale de la moyenne exprimée en nombre d écarts-types δ = Min.[(m rs - m 0 )/s ; (m 0 - m ri )/s]. Plus δ grand, plus processus apte à respecter tolérances et moins contrôle coûte cher et δ optimum quand T i et T s symétriques par rapport à m 0. Lorsque processus est centré, probabilité que client trouve des valeurs hors tolérances est minime : ce n est que lorsque moyenne atteint m ri ou m rs qu elle est de p%. Comme cartes de maîtrise calculées de façon à détecter toute dérive δ D, probabilité moyenne réelle qu un client trouve une valeur hors tolérances est toujours inférieure à p. 5
26 CARTES DE CONTROLE : PERIODES OPERATIONNELLES Pour la détermination de l effectif n des échantillons, il faut tenir compte des deux risques α et β de se tromper. CARTES SHEWHART : risques évalués en probabilités car informations données par échantillons successifs traitées de façon indépendante les unes des autres (α et β constants d un échantillon à l autre). CARTES CUSUM ET EWMA : informations présentes combinées avec celles du passé risques α et β évoluent chronologiquement et concepts de risque traduits en termes de "Périodes Opérationnelles". PERIODE OPERATIONNELLE P = nombre N d échantillons successifs jusqu'à en trouver un qui conduise à penser que le processus a dérivé. si processus n a pas dérivé en réalité, période notée P 0 correspond au concept de "fausse alarme", si le processus a dérivé effectivement, période notée P 1 correspond au concept "(100 - β)" chance de détecter rapidement cette dérive. Remarque : on désire P 1 la plus petite possible (détection rapide des véritables dérives 1 < P 1 < 4) et P 0 la plus grande possible (le moins possible de fausses alarmes 100 < P 0 < 1 000) conséquences sur effectif n des échantillons, c.a.d sur coût de contrôle. Dérive Fausse alarme 6
27 CARTES DE CONTROLE : PERIODES OPERATIONNELLES MOYENNES PERIODE OPERATIONNELLE d une séquence d échantillons, jusqu'à obtenir un échantillon qui sort des limites de contrôle = nombre entier. Mais si processus placé à une position déterminée (exemple à m rs ) et que plusieurs séquences successives sont lancées, nombre d échantillons au bout duquel on est alerté d une dérive n est pas le même à chaque séquence : on a une distribution aléatoire des fréquences de Périodes Opérationnelles. PERIODE OPERATIONNELLE MOYENNE : pour carte SHEWHART distribution des Périodes Opérationnelles toujours décroissante et a une longue traînée tandis que celle des cartes CUSUM et EWMA est beaucoup plus resserrée, dissymétrique, avec un maximum (continûment que si moyenne < 1,5). Moyenne de cette distribution = "Période Opérationnelle Moyenne" notée POM 0 si c est une fausse alarme (conventionnellement P 0 = 100/α) et POM 1 si c est une véritable alarme (P 1 = 100/(100-β)). PERIODE OPERATIONNELLE MAXIMALE : normes font apparaître, pour les véritables alarmes, la notion de POMAX, = valeur de Période Opérationnelle Maximale n ayant que 5% de risque d être dépassée : les POMAX peuvent être : calculées pour cartes SHEWHART : POMAX = ENT /Ln[P 1 /(P 1-1] ) estimés pour les autres cartes : POMAX CUSUM = ENT. P 1 1,1-0,75 et POMAX EWMA = ENT. P 1 1,1-0,5 ). 7
28 CARTES DE CONTROLE : CARTES DE LA MOYENNE SHEWHART RISQUE α : cartes SHEWWART + adaptées aux processus discontinus. Le processus étant centré, si distribution suit loi LN (moyenne m 0 et écarttype s), distribution échantillons suit loi normale (moyenne m 0 et écarttype s/ n ). Si limites de maîtrise à ± 3 écarts-types de cible (L m = m 0 ± 3s/ n ), probabilité α = x 0,135% = 0,7% de trouver valeurs hors des tolérances : risque α "bilatéral" (égale probabilité de chaque côté). Remarque : limites de maîtrise sont soit fixées à ± k 1 s/ n de la valeur cible, k 1 = nombre écarts-types correspondant à probabilité α/ (0,1% α/ 1% 3,09 k 1,33) soit exprimées en Périodes Opérationnelles P 0 = 100/α, (1 fausse alarme tous les 500 à 50 échantillons en moyenne). RISQUE β : pour calculer taille n des échantillons, il suffit, après avoir calculé déplacement maximal δ de la moyenne, de tenir compte du risque β de ne pas déceler ce déréglage. Si moyenne du processus se déplace de δ écarts-types ( = δ.s) et atteint moyenne "refusable", très forte probabilité de trouver une valeur d échantillon (= moyenne de n valeurs individuelles) > limite de maîtrise L ms mais probabilité de trouver une valeur < L ms (= risque β) et décider, à tort, de ne pas régler. Risque β "unilatéral" (n existe que d un seul côté de la distribution lorsque processus est centré sur m rs ou sur m ri ). Pour un risque β donné, nombre écarts-types entre L ms et m rs = k (loi LNR). En général : 5% β 0% 1,645 k 0,84 DEPLACEMENT δ DE LA MOYENNE : δ = (L ms -m 0 )/s + (m rs - L ms )/s δ = (k 1 s/ n )/s + (k s/ n )/s = (k 1 + k )/ n Equation d efficacité carte SHEWHART : δ n = k 1 + k où k 1 et k = nombres écarts-types liés aux risques α/et β. 8
29 CARTES DE CONTROLE : EFFICACITE DES CARTES SHEWHART EFFECTIF N DES ECHANTILLONS : équation d efficacité δ n = k 1 + k pour un déplacement de la moyenne δ fixé et des risques α et β choisis, effectif n des échantillons ne peut être quelconque si on veut assurer les tolérances. Courbes d efficacité traditionnelles (risque α = 0,7%) permettent, après avoir choisi β, de déterminer cet effectif n. Ces courbes montrent qu une carte SHEWHART n est efficace et économique que pour de grandes dérives (δ > 1,33 soit C p >145). Limites de maîtrise d une carte de SHEWHART assurant tolérances sont L m = m 0 ± k 1 s/ n avec n calculé par équation d efficacité ABAQUE permet de trouver rapidement meilleur compromis entre n (coût de contrôle) et P 0 (fausse alarme) et donne les limites de maîtrise correspondantes. Calculer δ et choisir P 1 (nombre moyen d échantillons successifs pour détecter dérive δ) puis lire sur abaque couples (n, P 0 ) correspondants et le paramètre k 1 des limites de maîtrise. 9
30 CARTES DE CONTROLE : ABAQUE DES CARTES SHEWHART 30
31 CARTES DE CONTROLE : CARTES DE LA DISPERSION SHEWHART Construction carte maîtrise de la moyenne s appuie sur valeur écart-type s de référence surveillance de sa relative constance. Généralement, utilisation CARTE DES ETENDUES "w x " pour n < 10-1 et des ECARTS- TYPES "s x " au-dessus. Pour ces cartes approximation loi en χ en loi normale et limites se déduisent de tables normalisées. Si dispersion doit être maîtrisée, recalculer limites à partir loi en χ. Intervalle de confiance écart-type σ 0 compris entre : σ inf = s x ( n 1) χ σ 0 s x ( n 1) χ = σ sup ( 100 P) / ( 100+ P) / Inversement, σ 0 ayant été estimé par s, écarts-types s x des échantillons ont une probabilité p de se trouver entre limites L ci et L cs telle que : χ χ ( P) / ( 100 P) / σ σ Lci = 0 n 1 et Lcs = 0 n 1 avec risque α/ de fausse alarme identique pour chaque limite et égal à (100 - P)/ Cartes Cible limite inférieure limite supérieure s x c 4 s B 5 s B 6 s w x d s D 1 s D s n c 4 B 5 B 6 d D 1 D 0,7979 0,606 1,18 0 3, ,886 0,76 1, , ,913 0,088, , , ,964,36 0 4, ,9515 0,09 1,874, , ,9594 0,113 1,806,704 0,05 5,03 8 0,9650 0,179 1,751,847 0,387 5, ,9693 0,3 1,707,970 0,546 5, ,977 0,76 1,669 3,078 0,687 5, ,8754 0,313 1,637 3,173 0,811 5, ,8776 0,346 1,610 3,58 0,9 5, ,9794 0,374 1, ,9810 0,399 1, ,983 0,41 1, ,9869 0,504 1, ,9896 0,559 1,41 31
32 CARTES DE CONTROLE : PRINCIPE DES CARTES EWMA Efficacité cartes SHEWHART médiocre pour petites dérives CARTES EWMA ("Exponentially Weighted Moving Average") : prise en compte valeur échantillon actuel et résultats précédents de façon pondérée. A partir des valeurs moyennes x 1, x,... x i des échantillons successifs, calcul et suivi de : Z i = λ x i + (1 - λ) Z (i-1) avec 0 < λ 1: VALEUR CIBLE : au démarrage d une séquence : Z 0 = m 0 ensuite : Z i = λ x i + (1 - λ) Z (i-1) λ = coefficient de pondération tel que si λ = 1 carte de SHEWHART et plus λ petites dérives mieux décelées mais pas dérives brusques et importantes généralement pour processus continus, 0,5 λ 0,50 et souvent λ = 0,33. APPROXIMATION DE λ EN FONCTION DE LA PERIODE OPERATIONNELLE P 1 λ 1-0,7 tg[(p 1-1)/P 1 ] pour 1 < P 1 5 et (P 1-1)/P 1 = angle en radians LIMITES DE MAITRISE :. L m = m 0 ± L s Z / n avec : s Z = s λ ( ) ( i λ ) s λ ( λ) quand rang i échantillon. Au début d une séquence, limites = segments // qui convergent très vite vers L m et dès 4 ème échantillon, limites de maîtrise droites parallèles. Paramètres des limites L soit lu sur abaque d efficacité vraie, soit approximé par L = k 1 0,3 (δ. n ) -,3 0,019 où k 1 = nombre d écarts-types de loi LNR pour probabilité (100/P 0 ) exprimée en %. Obtention également 1, Lorsque δ n >,5 L k 1. du paramètre L par : L = k 1 - ( ) 5 4 δ n 3
33 CARTES DE CONTROLE : EFFICACITE DES CARTES EWMA EFFECTIF n DES ECHANTILLONS : Efficacité vraie de la forme δ n = F Pf 0, Pf ) avec : ( 1 F(Pf 0, Pf 1 ) = 1/Pf 1 Ln(Pf 0 /Pf 1 ) - (Pf 1-1)/Pf 1 Ln[Pf 1 /(Pf 1-1) (Pf 0-1)/ Pf 0 ] utilisation d algorithmes complexes (logiciels spécifiques) pour obtenir n. Utilisation de l équation d efficacité approchée des cartes EWMA : δ n = [k 1 + k ].e [(f 1 P 1 )/f ] ] pour 1 < P 1 5 et k 1 = nombre d écarts-types loi LNR pour la probabilité [100/P 0 ] %, k = nombre d écarts-types loi LNR pour la probabilité [100(P 1 1)/P 1 ] %, f 1 = 0,68 (P 0 + 0) 0,01 + 0,457 et f = 16,33 (P 0-0) -0,058 1,07 Utilisation d abaque de l efficacité vraie des cartes EWMA, en fonction des Périodes Opérationnelles Moyennes. Abaque permet trouver meilleur compromis entre n (coût de contrôle) et P 0 (fausses alarmes) et donne directement limites de maîtrise correspondantes : calcul d abord de δ et choix de P 1 (nombre moyen d échantillons successifs pour détecter dérive δ). Abaque donne couples (n, P 0 ) correspondants et paramètres L des limites de maîtrise. En fixant ensuite de façon intermédiaire n à une valeur entière, calcul de la valeur estimée de P 0 correspondant à cette valeur intermédiaire. 33
34 CARTES DE CONTROLE : PRINCIPE DES CARTES CUSUM PRINCIPE DES CARTES CUSUM : prise en compte informations passées en faisant cumuls algébriques des écarts entre valeurs des échantillons x 1, x, x i et une moyenne d observation m 0. Suivi de tracés sur carte de maîtrise : celui des S + i dont on ne prend que valeurs 0 (valeurs < 0 ramenées à 0), celui des S - i dont on ne prend que valeurs 0 (valeurs >0 ramenées à 0). VALEUR CIBLE : m 0 = 0 LIMITES DE MAITRISE d une carte CUSUM sont : L m = 0 ± h s/ n où h = coefficient appelé paramètre des limites de maîtrise qui peut être : lu sur l abaque d efficacité vraie approximé par h = k 1 (δ. n /) + 0,3 e [1, k (1,55 δ. n )] 1 Comme écart direct à valeur cible nombre très important de fausses alarmes, calculs démarrés que lorsqu une valeur d échantillon sort du "couloir" [m oi, m os ] minimisation fausses alarmes. Moyennes d observation habituellement placées à mi-chemin entre cible et moyennes refusables. : S i + = S i (x i - m 0 ) 0 S i - = S i (x i - m 0 ) 0 avec m os = (m 0 + m rs )/ et m oi = (m 0 + m ri )/ Lorsqu une valeur de S + ou S - sort des limites de maîtrise action pour recentrer processus, arrêt des calculs et démarrage d une nouvelle séquence sans tenir compte des résultats antérieurs. 34
35 CARTES DE CONTROLE : EFFICACITE DES CARTES CUSUM EFFECTIF N DES ECHANTILLONS Efficacité vraie de la forme δ n = F Pf 0, Pf ) avec : ( 1 F(Pf 0, Pf 1 ) = 1/Pf 1 Ln(Pf 0 /Pf 1 ) - (Pf 1-1)/Pf 1 Ln[Pf 1 /(Pf 1-1) (Pf 0-1)/ Pf 0 ] utilisation d algorithmes complexes (logiciels spécifiques) pour obtenir n. Utilisation d abaque de l efficacité vraie des cartes CUSUM, en fonction des Périodes Opérationnelles Moyennes. Abaque permet trouver meilleur compromis entre n (coût de contrôle) et P 0 (fausses alarmes) et donne directement limites de maîtrise correspondantes: Utilisation de l équation d efficacité approchée des cartes CUSUM : δ n = [k 1 + k ].e [(f 1 P 1 )/f ] ] pour 1 < P 1 5 et k 1 = nombre d écarts-types loi LNR pour la probabilité [100/P 0 ] %, k = nombre d écarts-types loi LNR pour la probabilité [100(P 1 1)/P 1 ] %, f 1 = 1,09 (P 0 + 0) 0, ,003 et f = 11,50 (P 0-40) -0,07 1,50 35
36 CARTES DE CONTROLE : COMPARAISON DES CARTES DE MAITRISE si δ n < 3,5 prendre une carte CUSUM ou EWMA, si δ n > 3,5 prendre la carte SHEWHART car elle a la même efficacité et est plus simple à calculer et à tenir pour les opérateurs. CARTES SHEWHART CUSUM EWMA λ<0,5 EWMA λ>0,75 Caractéristiques oui non lissée presque Limites de contrôle oui oui non au début non au début Efficacité pour détecter : petites dérives δ dérives δ importantes mauvaise bonne bonne moyenne bonne moyenne moyenne bonne Coût contrôle pour δ petit élevé plus faible plus faible moyen 36
TSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailLe suivi de la qualité. Méthode MSP : généralités
Le suivi de la qualité La politique qualité d une entreprise impose que celle maîtrise sa fabrication. Pour cela, elle doit être capable d évaluer la «qualité» de son processus de production et ceci parfois
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailMesures et incertitudes
En physique et en chimie, toute grandeur, mesurée ou calculée, est entachée d erreur, ce qui ne l empêche pas d être exploitée pour prendre des décisions. Aujourd hui, la notion d erreur a son vocabulaire
Plus en détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailLecture graphique. Table des matières
Lecture graphique Table des matières 1 Lecture d une courbe 2 1.1 Définition d une fonction.......................... 2 1.2 Exemple d une courbe........................... 2 1.3 Coût, recette et bénéfice...........................
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailBaccalauréat ES Amérique du Nord 4 juin 2008
Baccalauréat ES Amérique du Nord 4 juin 2008 EXERCICE 1 Commun à tous les candidats f est une fonction définie sur ] 2 ; + [ par : 4 points f (x)=3+ 1 x+ 2. On note f sa fonction dérivée et (C ) la représentation
Plus en détailAppliquer la maîtrise statistique des processus (MSP/SPC)
Maurice PILLET Professeur des Universités IUT Annecy Université de Savoie, Laboratoire LISTIC Ancien élève de l'ecole Normale Supérieure de CACHAN Appliquer la maîtrise statistique des processus (MSP/SPC)
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détail2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des
2010 Minitab, Inc. Tous droits réservés. Version 16.1.0 Minitab, le logo Minitab, Quality Companion by Minitab et Quality Trainer by Minitab sont des marques déposées de Minitab, Inc. aux Etats-Unis et
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailLeçon 5. Systèmes de gestion à recomplétement périodique et stock de sécurité
CANEGE Leçon 5 Systèmes de gestion à recomplétement périodique et stock Objectif : A l'issue de la leçon l'étudiant doit être capable : dans le cadre des calendriers d approvisionnement à recomplètement
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
Plus en détailSPHINX Logiciel de dépouillement d enquêtes
SPHINX Logiciel de dépouillement d enquêtes sphinx50frversion4.doc 1 Les trois stades du SPHINX sont ceux que comporte habituellement toute enquête d opinion: Elaboration du questionnaire (fiche outil
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailDocument d orientation sur les allégations issues d essais de non-infériorité
Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette
Plus en détailClasse de première L
Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous
Plus en détailLA QUALITE, L ASSURANCE DE LA QUALITE ET LA CERTIFICATION ISO 9001
LA QUALITE, L ASSURANCE DE LA QUALITE ET LA CERTIFICATION ISO 9001 I/ HISTORIQUE DE LA QUALITE La qualité est un souci permanent de l homme depuis longtemps. Jusqu au XIX ème siècle, c est l ère artisanale
Plus en détailFonction inverse Fonctions homographiques
Fonction inverse Fonctions homographiques Année scolaire 203/204 Table des matières Fonction inverse 2. Définition Parité............................................ 2.2 Variations Courbe représentative...................................
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailL assurance de la qualité à votre service
Atelier L assurance de la qualité à votre service Présentation de Jean-Marie Richard 24 et 25 novembre Sujets Qu est-ce que l assurance de la qualité? Initiation aux concepts de l assurance de la qualité.
Plus en détailBACCALAUREAT GENERAL MATHÉMATIQUES
BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la
Plus en détailIntelligence précoce
Les données de procédé constituent une mine d informations très utiles pour l entreprise Geoff Artley Le secteur du raffinage est aujourd hui soumis à forte pression financière : amputation des marges,
Plus en détailTraitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailVis à billes de précision à filets rectifiés
sommaire Calculs : - Capacités de charges / Durée de vie - Vitesse et charges moyennes 26 - Rendement / Puissance motrice - Vitesse critique / Flambage 27 - Précharge / Rigidité 28 Exemples de calcul 29
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailBACCALAURÉAT GÉNÉRAL SÉRIE SCIENTIFIQUE
BACCALAURÉAT GÉNÉRAL SÉRIE SCIENTIFIQUE ÉPREUVE DE SCIENCES DE L INGÉNIEUR ÉPREUVE DU VENDREDI 20 JUIN 2014 Session 2014 Durée de l épreuve : 4 heures Coefficient 4,5 pour les candidats ayant choisi un
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailLeçon 3. Les principaux outils de gestion des stocks
CANEGE Leçon 3 Les principaux outils de gestion des stocks Objectif : A l'issue de la leçon l'étudiant doit être capable de : s initier à la pratique des outils fondamentaux de gestion des stocks : de
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détail4. L assurance maladie
L ASSURANCE MALADIE 73 4. L assurance maladie Comme l assurance maladie est obligatoire, toute personne domiciliée en Suisse doit être convenablement couverte. C est actuellement le cas, avec un très large
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détail