Trois decisions prises au jugé
La plupart des décisions qualité s'accompagnent d'un calcul, et trois d'entre elles se prennent presque toujours sans lui. Non par négligence — parce que le calcul est peu familier et que l'estimation paraît raisonnable. Chacune a une bonne réponse, et chacune se trompe en silence quand on l'estime à l'œil.
1. Combien en contrôler ? La réponse habituelle est une fraction : dix pour cent du lot, ou vingt pièces parce que vingt est un nombre rond. Les deux sont arbitraires. Ce qui compte, c'est le couple de risques que vous acceptez : à quel niveau de qualité un lot doit-il être accepté (côté fournisseur) et à quel niveau doit-il être refusé (côté client). Fixez ces deux points et la taille d'échantillon et le critère d'acceptation en découlent — il ne reste rien à deviner.
La courbe qui montre ce qu'un plan fait vraiment est la courbe d'efficacité : en abscisse le taux réel de défectueux, en ordonnée la probabilité d'accepter le lot. Tout plan en a une, y compris celui que vous avez inventé. SenSight la trace et y marque vos deux points de risque. La surprise habituelle est sa douceur : un plan qui semble sévère accepte un mauvais lot bien plus souvent qu'on ne l'imagine.
Un nombre mérite d'être connu : l'AOQL, la pire qualité moyenne sortante. Si les lots refusés sont contrôlés à 100 % et corrigés, la qualité qui atteint le client est bornée, et l'AOQL est cette borne. C'est le seul résumé honnête d'un plan d'échantillonnage, et la plupart des outils ne l'affichent jamais.
2. Dans quelle plage tombent les pièces ? Voici l'erreur qui parvient jusqu'au client. Vous avez trente mesures, vous calculez un intervalle de confiance à 95 % et vous l'écrivez dans le rapport comme « 99 % des pièces sont entre ces limites ». Ce sont deux questions différentes. Un intervalle de confiance porte sur la moyenne et se resserre quand on mesure davantage. Un intervalle de tolérance porte sur les pièces individuelles ; plus de données le rendent plus sûr, mais guère plus étroit — parce que les pièces varient vraiment autant.
L'écart n'est pas subtil : sur des données typiques l'intervalle de tolérance est plusieurs fois plus large. Citer le plus étroit, c'est promettre une dispersion que le procédé ne tiendra pas.
Deux précautions. Le facteur usuel suppose des données à peu près normales ; sur des mesures asymétriques il place mal les limites, aussi SenSight teste d'abord la normalité et le dit. Et il existe une alternative sans hypothèse de loi — mais elle n'est pas gratuite : couvrir 99 % avec 95 % de confiance à partir du minimum et du maximum demande plusieurs centaines de mesures. Le panneau vous donne le nombre, pour que vous voyiez ce que l'hypothèse vous fait gagner.
3. Le nouveau est-il identique à l'ancien ? Nouveau fournisseur, nouvelle machine, nouvel opérateur. Vous faites un test t, la valeur p ressort à 0,4, et la conclusion part dans le rapport en « pas de différence significative — les deux sont équivalents ». Cette inférence est invalide, et c'est probablement l'erreur statistique la plus coûteuse en production.
Une grande valeur p signifie que le test n'a pas pu montrer de différence. Cela arrive quand il n'y en a pas — et tout autant quand vous avez mesuré six pièces et que le test n'avait aucune puissance. L'absence de preuve est lue comme une preuve d'absence.
Montrer que deux choses sont identiques exige son propre test, et exige ce que les données ne peuvent pas fournir : l'énoncé de la différence assez petite pour être ignorée. Cette marge est une décision d'ingénierie. Deux MPa sur une résistance à la traction peuvent être sans importance ; sur une cote critique pour la sécurité, non. Une fois énoncée, la procédure des deux tests unilatéraux (TOST) pose la bonne question : la différence reste-t-elle dans votre marge ?
La lecture la plus claire n'est pas la valeur p mais l'intervalle. Si tout l'intervalle de la différence tient dans ±marge, les deux sont équivalents. S'il est entièrement dehors, ils sont réellement différents. Et s'il chevauche la marge, la réponse honnête est qu'on ne peut rien conclure — ce qui signifie en général qu'il faut plus de mesures, pas une autre conclusion. SenSight rapporte les trois cas séparément, car c'est le troisième que l'on saute.
1. Combien en contrôler ? La réponse habituelle est une fraction : dix pour cent du lot, ou vingt pièces parce que vingt est un nombre rond. Les deux sont arbitraires. Ce qui compte, c'est le couple de risques que vous acceptez : à quel niveau de qualité un lot doit-il être accepté (côté fournisseur) et à quel niveau doit-il être refusé (côté client). Fixez ces deux points et la taille d'échantillon et le critère d'acceptation en découlent — il ne reste rien à deviner.
La courbe qui montre ce qu'un plan fait vraiment est la courbe d'efficacité : en abscisse le taux réel de défectueux, en ordonnée la probabilité d'accepter le lot. Tout plan en a une, y compris celui que vous avez inventé. SenSight la trace et y marque vos deux points de risque. La surprise habituelle est sa douceur : un plan qui semble sévère accepte un mauvais lot bien plus souvent qu'on ne l'imagine.
Un nombre mérite d'être connu : l'AOQL, la pire qualité moyenne sortante. Si les lots refusés sont contrôlés à 100 % et corrigés, la qualité qui atteint le client est bornée, et l'AOQL est cette borne. C'est le seul résumé honnête d'un plan d'échantillonnage, et la plupart des outils ne l'affichent jamais.
2. Dans quelle plage tombent les pièces ? Voici l'erreur qui parvient jusqu'au client. Vous avez trente mesures, vous calculez un intervalle de confiance à 95 % et vous l'écrivez dans le rapport comme « 99 % des pièces sont entre ces limites ». Ce sont deux questions différentes. Un intervalle de confiance porte sur la moyenne et se resserre quand on mesure davantage. Un intervalle de tolérance porte sur les pièces individuelles ; plus de données le rendent plus sûr, mais guère plus étroit — parce que les pièces varient vraiment autant.
L'écart n'est pas subtil : sur des données typiques l'intervalle de tolérance est plusieurs fois plus large. Citer le plus étroit, c'est promettre une dispersion que le procédé ne tiendra pas.
Deux précautions. Le facteur usuel suppose des données à peu près normales ; sur des mesures asymétriques il place mal les limites, aussi SenSight teste d'abord la normalité et le dit. Et il existe une alternative sans hypothèse de loi — mais elle n'est pas gratuite : couvrir 99 % avec 95 % de confiance à partir du minimum et du maximum demande plusieurs centaines de mesures. Le panneau vous donne le nombre, pour que vous voyiez ce que l'hypothèse vous fait gagner.
3. Le nouveau est-il identique à l'ancien ? Nouveau fournisseur, nouvelle machine, nouvel opérateur. Vous faites un test t, la valeur p ressort à 0,4, et la conclusion part dans le rapport en « pas de différence significative — les deux sont équivalents ». Cette inférence est invalide, et c'est probablement l'erreur statistique la plus coûteuse en production.
Une grande valeur p signifie que le test n'a pas pu montrer de différence. Cela arrive quand il n'y en a pas — et tout autant quand vous avez mesuré six pièces et que le test n'avait aucune puissance. L'absence de preuve est lue comme une preuve d'absence.
Montrer que deux choses sont identiques exige son propre test, et exige ce que les données ne peuvent pas fournir : l'énoncé de la différence assez petite pour être ignorée. Cette marge est une décision d'ingénierie. Deux MPa sur une résistance à la traction peuvent être sans importance ; sur une cote critique pour la sécurité, non. Une fois énoncée, la procédure des deux tests unilatéraux (TOST) pose la bonne question : la différence reste-t-elle dans votre marge ?
La lecture la plus claire n'est pas la valeur p mais l'intervalle. Si tout l'intervalle de la différence tient dans ±marge, les deux sont équivalents. S'il est entièrement dehors, ils sont réellement différents. Et s'il chevauche la marge, la réponse honnête est qu'on ne peut rien conclure — ce qui signifie en général qu'il faut plus de mesures, pas une autre conclusion. SenSight rapporte les trois cas séparément, car c'est le troisième que l'on saute.
Essayer dans l'application
A essayer : onglet SPC, Outils de decision en bas. Commencez par le plan d'echantillonnage — saisissez la taille de lot et lisez la courbe d'efficacite avant de faire confiance a une regle de controle heritee.