Statistiques
Améliorer la qualité commence par mesurer les faits et observer les comportements des processus. Maîtriser les représentations graphiques et analyses statistiques est indispensable !
Amplitude 
Range
L’amplitude ou étendue est la différence entre la valeur maximale d’une série et la valeur minimale. C’est une mesure de la dispersion qui vient compléter l’écart-type.
Analyse de la variance (ANOVA) Analysis of Variance (ANOVA)
L’analyse de la variance est une technique de statistique très utile pour l’analyse de données. Elle va permettre de déterminer comment chaque variable explicative fait varier ou non le résultat. Il est pour cela requis de disposer de plusieurs échantillons de données avec pour chacun la valorisation des paramètres et résultats.
Analyse des moyennes Analysis of Means (ANOM)
L’analyse des moyennes a été développée par Ellis Ott en 1967. Elle permet de représenter simplement et visuellement une série de valeurs et de distinguer en un clin d’œil les valeurs atypiques.
Les valeurs de la série sont présentées au regard de la moyenne et d’une limite basse et haute de contrôle qui sont définies par un coefficient multiplicateur de l’écart-type. Par exemple LB = Moyenne - 3 x Ecart-type et LH = Moyenne + 3 x Ecart-type
Analyse factorielle (AF) Factor Analysis
L’analyse factorielle ou analyse en facteurs (AF) est une méthode statistique qui permet de mettre en évidence des facteurs sous-jacents à des groupes de variables. En d’autres termes, elle permet de remplacer plusieurs variables d’origine, corrélées entre elles, par un plus petit nombre de variables.
Analyse multi-variée Multi Vari Analysis
L’analyse multi-variée est un outil statistique et graphique très puissant pour identifier et quantifier les sources de variations d’un processus.
Analyse sous contraintes Constraint Analysis
L’analyse sous contraintes utilise les théories mathématiques d’optimisation permettant de maximiser une variable sous contraintes d’autres variables. De nombreux programmes informatiques répondent à ce type de problématique.
Arbre Tree Diagram
Le diagramme en arbre permet de représenter les fonctions logiques d’un système en détaillant visuellement les composants et sous-composants
Arbre des causes d’Ishikawa Ishikawa Root Causes Tree
L’arbres des causes d’Ishikawa, aussi appelé diagramme d’Ishiakawa ou diagramme en arêtes de poisson, est un outil graphique très utile pour explorer les problèmes.
Biais Bias
Un biais est une différence entre un ensemble de valeurs observées et une valeur acceptée comme référence.
Caractéristiques des mesures Measurements Characteristics
La mesure, pour être acceptée, doit présenter plusieurs caractéristiques :
En préalable :
- La mesure doit être quantitative. Elle peut ainsi être suivie dans le temps ou comparée avec d’autres séries
- La mesure doit être fiable. La méthode de collecte et la règle de valorisation doit être appliquée de manière identique dans le temps et selon les acteurs
- La mesure doit être spécifique. Seul l’élément à mesurer doit être intégré dans la mesure. Pour un délai ou une durée par exemple, les évènements de départ et d’arrêt de la mesure doivent être spécifiques à l’élément à mesurer (le travail d’un opérateur spécifique par exemple)
La mesure doit aussi répondre aux 4 caractériques suivantes :
- Répétable
- Reproductible
- Stable
- Linéaire
Carte de contrôle Control Chart
La carte de contrôle est un graphique qui représente une série de valeurs autour de leur moyenne et d’une limite basse et haute.
Cinq M Five M (5M)
Les 5 M sont les 5 causes possibles de défauts dans la méthode dite d’Ishikawa :
• Matière/Materials : tout ce qui rentre comme inputs dans le processus
• Machines : les moyens techniques qui aident l’homme dans la transformation des inputs
• Main d’œuvre/Man : le complément humain aux machines ! Si importante dans le monde du service
• Méthodes/Methods : les normes applicables aux processus
• Milieu/Mother Nature : et bien sûr les éléments externes qui influencent les conditions de production du produit ou service (la chaleur, le froid, les variations de température, le bruit …)
Coefficient de corrélation Correlation Coefficient
Le coefficient de corrélation est un calcul statistique permettant de déterminer si deux séries se ressemblent. La corrélation peut être proportionnelle ou inversement proportionnelle.
La corrélation positive devient significative au-delà de 0.6
La corrélation négative devient significative en-deça de 0.6
Attention une corrélation n’est pas un lien de cause à effet !
Il faut également veiller aux valeurs ’atypiques’ de la série qui perturbent beaucoup le calcul.
Dans le domaine des études client ou marketing, nous pouvons considérer les échelles de corrélation suivantes :
<0.1 Nulle
De 0.1 à 0.3 Faible
De 0.3 à 0.5 Modérée
De 0.5 à 7 De modérée à forte
Au-delà de 0.7, Forte
Coefficient de corrélation
Contrôle statistique Statistical Control
Le contrôle statistique consiste à analyser les variations d’un processus et à distinguer les causes spéciales des variations des causes principales. Un graphique de contrôle met en évidence les occurrences qui sont au-delà des limites hautes et basses.
Contrôle statistique des processus (SPC) Statistical Process Contrôle (SPC)
Le contrôle statistique des processus est une démarche d’amélioration qui s’appuie sur l’observation des faits. Méthode promue par le Six Sigma pour comprendre les variations et ainsi les causes des défauts. Le contrôle statistique utilise notamment la représentation graphique des séries dans un cadre bordé par une limite basse et haute, statistiquement définies.
Courbe de Gauss Gaussian Distribution
La courbe de Gauss permet de représenter visuellement la distribution d’une série et en particulier la densité de mesures d’une série. Elle utilise les deux calculs de l’espérance et de l’écart-type de la série. Pour un échantillon important, il est généralement constatée une courbe en forme de cloche, c’est-à-dire une forte concentration des valeurs autour de la moyenne puis des valeurs de moins en moins nombreuses aux extrémités de la série.
Courbe de Pareto Pareto Curve
Il s’agit d’un graphique à barres ou en courbe dont les valeurs sont classées cumulées et dans un ordre décroissant. Cet outil met en évidence la loi des 80/20. Autrement dit, agir sur 20% de causes permet de résoudre 80 % des effets. Ce phénomène est extrêmement courant et permet de très facilement prioritiser les problèmes à résoudre: 20% des produits ou clients génèrent généralement 80 % du revenu, 20% des défauts génèrent 80% des coûts de perte etc.
Courbe en cloche Bell Curve
Une courbe en cloche est une manière de se référer à la courbe en gauss, ou distribution normale. Voir plus de détails dans ces définitions.
Diagramme araignée Spider Diagram
Le diagramme en araignée ou en radard permet de représenter la performance de plusieurs indicateurs sur un même graphique. On y représente souvent les valeurs cibles et réelles pour représenter visuellement les zones d’écart.
Diagramme de bloc Block Diagram
Le diagramme dit de bloc représente les liens entre le système, ses sous-systèmes et leurs composants.
| Tweet |