Trois decisions prises au jugé
La plupart des decisions qualite s'accompagnent d'un calcul, et trois d'entre elles se prennent presque toujours sans lui. Non par negligence — parce que le calcul est peu familier et que l'estimation parait raisonnable. Chacune a une bonne reponse, et chacune se trompe en silence quand on l'estime a l'oeil.
1. Combien en controler ? La reponse habituelle est une fraction : dix pour cent du lot, ou vingt pieces parce que vingt est un nombre rond. Les deux sont arbitraires. Ce qui compte, c'est le couple de risques que vous acceptez : a quel niveau de qualite un lot doit-il etre accepte (cote fournisseur) et a quel niveau doit-il etre refuse (cote client). Fixez ces deux points et la taille d'echantillon et le critere d'acceptation en decoulent — il ne reste rien a deviner.
La courbe qui montre ce qu'un plan fait vraiment est la courbe d'efficacite : en abscisse le taux reel de defectueux, en ordonnee la probabilite d'accepter le lot. Tout plan en a une, y compris celui que vous avez invente. SenSight la trace et y marque vos deux points de risque. La surprise habituelle est sa douceur : un plan qui semble severe accepte un mauvais lot bien plus souvent qu'on ne l'imagine.
Un nombre merite d'etre connu : l'AOQL, la pire qualite moyenne sortante. Si les lots refuses sont controles a 100 % et corriges, la qualite qui atteint le client est bornee, et l'AOQL est cette borne. C'est le seul resume honnete d'un plan d'echantillonnage, et la plupart des outils ne l'affichent jamais.
2. Dans quelle plage tombent les pieces ? Voici l'erreur qui parvient jusqu'au client. Vous avez trente mesures, vous calculez un intervalle de confiance a 95 % et vous l'ecrivez dans le rapport comme « 99 % des pieces sont entre ces limites ». Ce sont deux questions differentes. Un intervalle de confiance porte sur la moyenne et se resserre quand on mesure davantage. Un intervalle de tolerance porte sur les pieces individuelles ; plus de donnees le rendent plus sur, mais guere plus etroit — parce que les pieces varient vraiment autant.
L'ecart n'est pas subtil : sur des donnees typiques l'intervalle de tolerance est plusieurs fois plus large. Citer le plus etroit, c'est promettre une dispersion que le procede ne tiendra pas.
Deux precautions. Le facteur usuel suppose des donnees a peu pres normales ; sur des mesures asymetriques il place mal les limites, aussi SenSight teste d'abord la normalite et le dit. Et il existe une alternative sans hypothese de loi — mais elle n'est pas gratuite : couvrir 99 % avec 95 % de confiance a partir du minimum et du maximum demande plusieurs centaines de mesures. Le panneau vous donne le nombre, pour que vous voyiez ce que l'hypothese vous fait gagner.
3. Le nouveau est-il identique a l'ancien ? Nouveau fournisseur, nouvelle machine, nouvel operateur. Vous faites un test t, la valeur p ressort a 0,4, et la conclusion part dans le rapport en « pas de difference significative — les deux sont equivalents ». Cette inference est invalide, et c'est probablement l'erreur statistique la plus couteuse en production.
Une grande valeur p signifie que le test n'a pas pu montrer de difference. Cela arrive quand il n'y en a pas — et tout autant quand vous avez mesure six pieces 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 donnees ne peuvent pas fournir : l'enonce de la difference assez petite pour etre ignoree. Cette marge est une decision d'ingenierie. Deux MPa sur une resistance a la traction peuvent etre sans importance ; sur une cote critique pour la securite, non. Une fois enoncee, la procedure des deux tests unilateraux (TOST) pose la bonne question : la difference 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 difference tient dans ±marge, les deux sont equivalents. S'il est entierement dehors, ils sont reellement differents. Et s'il chevauche la marge, la reponse honnete est qu'on ne peut rien conclure — ce qui signifie en general qu'il faut plus de mesures, pas une autre conclusion. SenSight rapporte les trois cas separement, car c'est le troisieme que l'on saute.
1. Combien en controler ? La reponse habituelle est une fraction : dix pour cent du lot, ou vingt pieces parce que vingt est un nombre rond. Les deux sont arbitraires. Ce qui compte, c'est le couple de risques que vous acceptez : a quel niveau de qualite un lot doit-il etre accepte (cote fournisseur) et a quel niveau doit-il etre refuse (cote client). Fixez ces deux points et la taille d'echantillon et le critere d'acceptation en decoulent — il ne reste rien a deviner.
La courbe qui montre ce qu'un plan fait vraiment est la courbe d'efficacite : en abscisse le taux reel de defectueux, en ordonnee la probabilite d'accepter le lot. Tout plan en a une, y compris celui que vous avez invente. SenSight la trace et y marque vos deux points de risque. La surprise habituelle est sa douceur : un plan qui semble severe accepte un mauvais lot bien plus souvent qu'on ne l'imagine.
Un nombre merite d'etre connu : l'AOQL, la pire qualite moyenne sortante. Si les lots refuses sont controles a 100 % et corriges, la qualite qui atteint le client est bornee, et l'AOQL est cette borne. C'est le seul resume honnete d'un plan d'echantillonnage, et la plupart des outils ne l'affichent jamais.
2. Dans quelle plage tombent les pieces ? Voici l'erreur qui parvient jusqu'au client. Vous avez trente mesures, vous calculez un intervalle de confiance a 95 % et vous l'ecrivez dans le rapport comme « 99 % des pieces sont entre ces limites ». Ce sont deux questions differentes. Un intervalle de confiance porte sur la moyenne et se resserre quand on mesure davantage. Un intervalle de tolerance porte sur les pieces individuelles ; plus de donnees le rendent plus sur, mais guere plus etroit — parce que les pieces varient vraiment autant.
L'ecart n'est pas subtil : sur des donnees typiques l'intervalle de tolerance est plusieurs fois plus large. Citer le plus etroit, c'est promettre une dispersion que le procede ne tiendra pas.
Deux precautions. Le facteur usuel suppose des donnees a peu pres normales ; sur des mesures asymetriques il place mal les limites, aussi SenSight teste d'abord la normalite et le dit. Et il existe une alternative sans hypothese de loi — mais elle n'est pas gratuite : couvrir 99 % avec 95 % de confiance a partir du minimum et du maximum demande plusieurs centaines de mesures. Le panneau vous donne le nombre, pour que vous voyiez ce que l'hypothese vous fait gagner.
3. Le nouveau est-il identique a l'ancien ? Nouveau fournisseur, nouvelle machine, nouvel operateur. Vous faites un test t, la valeur p ressort a 0,4, et la conclusion part dans le rapport en « pas de difference significative — les deux sont equivalents ». Cette inference est invalide, et c'est probablement l'erreur statistique la plus couteuse en production.
Une grande valeur p signifie que le test n'a pas pu montrer de difference. Cela arrive quand il n'y en a pas — et tout autant quand vous avez mesure six pieces 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 donnees ne peuvent pas fournir : l'enonce de la difference assez petite pour etre ignoree. Cette marge est une decision d'ingenierie. Deux MPa sur une resistance a la traction peuvent etre sans importance ; sur une cote critique pour la securite, non. Une fois enoncee, la procedure des deux tests unilateraux (TOST) pose la bonne question : la difference 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 difference tient dans ±marge, les deux sont equivalents. S'il est entierement dehors, ils sont reellement differents. Et s'il chevauche la marge, la reponse honnete est qu'on ne peut rien conclure — ce qui signifie en general qu'il faut plus de mesures, pas une autre conclusion. SenSight rapporte les trois cas separement, car c'est le troisieme 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.