Statistiques
Améliorer la qualité commence par mesurer les faits et observer les comportements des processus. Maîtriser les représentations graphiques et analyses statistiques est indispensable !
Diagramme d’interface 
Boundary Diagram
Représentation graphique des interfaces entre un processus, un produit ou un service et d’autres entités.
Diagramme d’Ishikawa Ishikawa Diagram
Le diagramme d’Ishikawa, aussi appelé en arêtes de poisson, est un outil graphique très utile pour explorer les problèmes.
Diagramme d’Ishikawa
Diagramme en arêtes de poisson Fishbone Diagram
Le diagramme en arêtes de poisson, aussi dit d’Ishikawa, est un outil graphique très utile pour explorer les problèmes.
Diagramme I/MR I/MR Chart
Le diagramme I/MR est un indispensable du Six Sigma. Il s’agit plus exactement de deux graphiques :
• Le premier représente les individus (I) d’une série d’observations
• Le second représente l’amplitude mobile (MR comme Mobile Range) de point à point, en valeur absolue
Ce second graphique permet ainsi de voir l’évolution des variations d’une observation avec la précédente.
Sont généralement ajoutées à ce graphique : les moyennes, ainsi que les limites basses et hautes
Graphique I/MR
Diagramme P P-diagram
Le diagramme P est le diagramme de paramètre. Il permet de lier dans la conception d’un produit, service ou processus les inputs avec les outputs souhaités. Ce schéma intègre les paramètres contrôlables mais aussi ceux qui ne le sont pas afin d’évaluer la robustesse de la future entité. Il présentera :
• Les signaux (les inputs)
• La réponse idéale (l’output désiré)
• Les facteurs de contrôle en place
• Les facteurs de ’bruit’ de l’environnement
• Les modes de défaillance identifiés
Distribution binomiale Binomial Distribution
Une distribution binomiale est la distribution d’une variable de résultat selon deux modes uniquement, du type Oui/Non, Succès/Echec …
Distribution normale Normal Distribution
La distribution normale, dite de Gauss ou gaussienne ou encore de courbe en cloche, est une courbe représente une distribution de variables. La distribution est symétrique, c’est-à-dire distribuée autour d’une moyenne avec de nombreuses occurrences autour de la moyenne et de moins en moins au fur et à mesure qu’on s’éloigne de la moyenne.
La loi normale est remarquable par le fait qu’elle décrit une grande partie des phénomènes naturels. (science physique, sociale, medecine, agriculture, Business...) . Elle peut être utilisé dans un grand nombre de situations, c’est ce qui la rend si utile, pas uniquement en tant qu’observation mais aussi en tant que prédiction.
Lorsqu’un phénomène est influencé par de nombreux facteurs dont aucun n’est prépondérant les résultats des mesures de ce phénomène obéissent généralement donc à une loi normale.
Données de comparaison Benchmark Data
Les données de comparaison, usuellement appelées données de benchmark, sont des données collectées auprès d’organisations comparables et que permettent de déterminer :
-le niveau de performance des meilleures organisations (best-in-classe)
-comment elles y sont parvenues
-où l’organisation se situe t-elle en comparaison des plus performantes
-quel plan d’action, dans le contexte, peut être mené pour atteindre un niveau de performance comparable
Données quantifiées Variables Data
Les données dites quantifiées sont les données résultant de mesures et permettant de mener des analyses statistiques.
Ecart-type Standard Deviation
L’écart-type mesure la dispersion des valeurs au sein d’une série de données.
Echantillon Sample
L’échantillon est une collection réduite d’une population plus large. Les échantillons doivent être représentatifs, aléatoires, indépendants et non biaisés.
Echantillon aléatoire Random Sample
Un échantillon est aléatoire lorsque l’ensemble des éléments de la collection ont une chance égale d’être sélectionné.
Echantillon d’acceptation Acceptance Sampling
L’échantillon d’acceptation est utilisé pour valider la conformité d’un lot. L’échantillon est inspecté et le résultat de cette inspection détermine la validation ou non du lot.
Echantillonnage aléatoire Random Sampling
Méthode de détermination d’un échantillon aléatoire.
Echelle de Likert Likert Scale
Une échelle de Likert est une échelle de mesure "discrète" : une évaluation sur une échelle de 1 à 5, une évaluation verbale du type faible, moyen, bon …
Vous avez tous déjà répondu à un questionnaire contenant une échelle de Likert ! C’est une échelle très répandue, mais aussi très fiable. L’échelle de Likert va permettre de mesurer un gradium d’opinion en réponse à une question et de faire des analyses quantitatives des résultats. Elle permettra ainsi de monter des plans d’amélioration en cernant précisement les niveaux de satisfaction par attribut.
Quels sont les conseils à retenir pour construire une bonne échelle de Likert ?
1. Préférer les mots aux notes, et des mots qui expriment des opinions comme ’pauvre’ ou ’excellent’. Bien distinguer également la signification des mots. Par exemple, il est est moins évident de faire la différence entre ’bon’ et ’très bon’ que ’bon’ et ’excellent’
2. Conserver la même notion c’est-à-dire par exemple de ’pas du tout A’ à ’extrêmement A’ plutôt que de ’extrêmement A’ à ’extrêmement B’
3. Adopter une échelle impaire, c’est-à-dire qui comporte un point médian. Les meilleures échelles sont celles de 5 ou 7 valeurs (3 est trop peu ; difficile de se positionner au-delà de 7 valeurs)
4. Les espaces entre chaque coche doivent être identiques, sinon les variations influenceront les répondants
5. L’échelle de Likert doit être inclusive, c’est-à-dire comprendre tout le spectre posssible de réponse, de ’pas du tout’ à ’tout à fait’
6. Restez interrogatifs, c’est la meilleure manière d’exprimer clairement ce qui est attendu !!!
Comment représenter les résultats d’une échelle de Likert ?
Généralement, il est conseillé de représenter le nombre de répondants par niveau de l’échelle. Devrait alors apparaître une courbe de Gauss.
Il peut être utile également de mesurer le % d’opinion favorable (c’est-à-dire un regroupement d’opinions positives) voire mieux ne prendre que le % d’opinions très favorables.
Eviter la note moyenne qui ne représentera en aucun cas le gradium qu’apporte l’échelle de Likert.
Echelle différentielle sémantique d’Osgood Osgood Semantic Differential Scale
L’échelle sémantique différentielle d’Osgood est une échelle qui permet de positionner une opinion sur une échelle bipolaire. On va demander au répondant de se positionner sur une échelle entre deux adjectifs opposés tels que :
Bon - Mauvais
Agréable - Désagréable
Lent - Rapide
Utile - Inutile …
Fonction de perte Loss Function
La fonction de perte est un modèle statistique permettant de calculer le "coût" (la perte) pour l’entreprise à partir d’évènements possibles, c’est-à-dire dans le domaine de la qualité, des variations possibles de certains paramètres du système.
C’est le japonais Taguchi qui a détaillé l’application statistique de la fonction de perte dans le domaine de la qualité en démontrant les impacts financiers de la non maîtrise de la qualité. Cette analyse met en avant l’importance de la maîtrise des variations telle que préconisée par la démarche Six Sigma
Fonction de perte du second degré Quadratic Loss Function
La fonction de perte du second degré est le modèle le plus courant pour le calcul d’une fonction de perte et c’est en particulier celle utilisée par Taguchi dans ses études sur les impacts de la non qualité.
Gauge de répétabilité et de reproductibilité Gage Repeatability and Reproducibility (G R&R)
La gauge de répétabilité et de reproductibilité indique les propriétés statistiques des caractéristiques de répétabilité et de reproductibilité et sa capacité à servir de gauge pour une mesure de qualité.
Graphique CUMSUM CUMulative SUM Charts
Le graphique dit CUMSUM est un graphique de contrôle qui permet de détecter les variations modérées et récentes d’un processus.
| Tweet |