Un histogramme qui penche d’un côté, une carte de contrôle qui sort de ses limites, un fournisseur qui annonce un taux de défaut que vous n’arrivez pas à vérifier : ce sont des situations que tout responsable qualité ou responsable production croise régulièrement. Les statistiques descriptives sont l’outil qui permet de transformer ces observations en décisions argumentées plutôt qu’en impressions. Elles ne servent pas à faire des mathématiques pour le plaisir : elles servent à savoir si un procédé est sous contrôle, si une pièce est réellement aberrante, ou si un stock de 10 000 pièces doit être trié après un contrôle de 60 échantillons.
Ce guide reprend les usages concrets des statistiques descriptives appliquées à la production industrielle, à partir de la méthodologie développée par Maurice Pillet, cofondateur d’Ellistat, professeur émérite et référence française en qualité et Six Sigma.
Statistiques descriptives, inférentielles, multivariées : où se situe votre analyse au quotidien ?
Quand on collecte des données de production, on obtient généralement un tableau avec des entrées (les X, les paramètres process) et des sorties (les Y, les caractéristiques produit). Trois familles d’analyses statistiques permettent de l’exploiter, et il est utile de savoir laquelle vous pratiquez au quotidien.
- Les statistiques descriptives s’intéressent à une seule variable à la fois, X ou Y, qu’elle soit quantitative (une mesure) ou qualitative (un défaut, une catégorie). C’est le niveau d’analyse le plus courant et le plus immédiat.
- Les statistiques inférentielles cherchent une relation non aléatoire entre les variations d’un Y et d’un ou plusieurs X, généralement pour expliquer ou modéliser le comportement du Y.
- Les statistiques multivariées traitent l’ensemble du tableau sans distinction entrée/sortie, pour classer des individus ou repérer des relations entre variables.
Les statistiques descriptives sont donc le point d’entrée obligatoire : avant de chercher une cause (inférentielle) ou une structure globale (multivariée), il faut déjà savoir lire correctement une seule colonne de données. C’est là que se jouent la plupart des décisions qualité du quotidien.
Avant d’analyser, regardez vraiment vos données
Le repérage visuel par mise en forme conditionnelle
La première étape, souvent négligée, consiste simplement à regarder le tableau de données avec une mise en forme conditionnelle. Le principe est simple : les valeurs sont colorées selon leur position dans la distribution, du bleu au rouge en passant par le vert.
Un œil entraîné repère immédiatement un problème : une colonne où domine le bleu, avec peu de vert, signale une distribution qui s’écarte probablement d’une loi normale. Une colonne où le vert domine, avec une densité importante au centre et les extrêmes en bleu et rouge, ressemble en revanche à une distribution normale bien centrée. Ce simple coup d’œil, avant tout calcul, oriente déjà l’analyse à venir.
La détection automatique des valeurs aberrantes
Un point situé hors des moustaches d’une boîte à moustaches n’est pas nécessairement une valeur aberrante au sens statistique. La distinction compte : une vraie valeur aberrante doit être identifiée par un test statistique dédié, pas seulement par une lecture graphique approximative. C’est ce test, et non l’impression visuelle, qui doit déclencher une investigation ou une exclusion de la donnée de vos calculs de capabilité.
L’analyse graphique : histogrammes, boîtes à moustaches et cartes de contrôle
Histogramme et boîte à moustaches pour juger la forme de la distribution
L’histogramme reste le point de départ pour juger si une distribution ressemble à une loi normale, en particulier lorsqu’on y superpose une courbe de densité. La boîte à moustaches complète cette lecture, surtout en comparaison : elle permet de mettre côte à côte plusieurs caractéristiques (plusieurs diamètres, plusieurs lots, plusieurs machines) et de repérer d’un coup d’œil celle qui se comporte différemment des autres.
Les cartes de contrôle : suivre la stabilité du procédé en continu
Les cartes de contrôle donnent une vision dans le temps, là où l’histogramme donne une vision statique. Elles doivent pouvoir s’adapter à la réalité du terrain plutôt que l’inverse :
- suivi sur la moyenne, la médiane, ou une moyenne mobile pondérée (EWMA), au choix ou en combinaison ;
- centrage possible par rapport à la cible ou par rapport à la moyenne des données ;
- prise en charge des tailles d’échantillon variables : si vos répétitions passent de 3 pièces à 2, puis à 1 selon les prélèvements, la carte doit ajuster ses limites automatiquement, sans recalcul manuel.
C’est cette souplesse qui fait la différence entre une carte de contrôle qui reflète vraiment votre procédé et une carte théorique qui ne colle plus à la réalité de l’atelier.
Tester la normalité avant de calculer vos indices de capabilité
Les indices de capabilité (Cp, Cpk, Pp, Ppk) et la plupart des calculs de proportion de non-conformes reposent sur une hypothèse de distribution, le plus souvent la loi normale. Avant de les calculer, il faut donc vérifier que cette hypothèse tient — sinon les indices obtenus n’ont aucune valeur.
Trois tests de normalité couvrent la quasi-totalité des situations rencontrées en production :
- le test du Khi², adapté lorsque les données sont stratifiées et que l’on ne dispose pas des valeurs individuelles
- le test de Shapiro-Wilk, pertinent sur les petits échantillons, jusqu’à une trentaine de pièces
- le test d’Anderson-Darling, plus robuste au-delà de cette taille d’échantillon
Un bon outil d’analyse ne se contente pas de calculer les trois : il identifie et met en avant celui qui est réellement pertinent selon la taille et la structure de vos données, pour éviter une mauvaise interprétation. Et si l’hypothèse de normalité est rejetée, il ne faut pas s’arrêter là : certaines caractéristiques, notamment celles qui sont bornées à zéro (planéité, circularité, faux-rond), suivent naturellement une autre loi, comme la loi de Rayleigh, qui modélise alors beaucoup mieux leur comportement réel.
Le MAD : un indicateur robuste que peu d’outils qualité proposent
L’écart type est très sensible aux valeurs aberrantes : une seule pièce mal mesurée ou réellement défectueuse peut le faire gonfler artificiellement, jusqu’à le multiplier par un facteur important sur un échantillon par ailleurs parfaitement stable. Le MAD (median absolute deviation, ou médiane des écarts à la médiane) ne présente pas ce défaut : il reste quasiment inchangé en présence d’une valeur aberrante, précisément parce qu’il est construit sur des médianes plutôt que sur des moyennes.
En pratique, le MAD est l’équivalent non paramétrique de l’écart type. Il devient particulièrement utile pour les tests de comparaison de variabilité entre lots, machines ou fournisseurs, lorsque vos données comportent — ou risquent de comporter — des points aberrants qui fausseraient une comparaison basée sur l’écart type classique.
Cartes aux attributs : piloter la qualité quand on compte des défauts, pas des mesures
Toutes les données qualité ne sont pas des mesures continues. Nombre, taux de défauts, non-conformités par lot : ces données d’attributs se pilotent avec une famille de cartes dédiée (P, NP, C, U), et le choix de la bonne carte a un impact direct sur la fiabilité du suivi.
La carte P, par exemple, part de l’hypothèse que la seule source de variabilité est l’échantillonnage. Or, dès que les tailles de lot varient d’une période à l’autre, cette hypothèse ne tient plus, et la carte P déclenche des alertes hors contrôle qui ne reflètent pas la réalité du procédé. La carte U, qui rapporte le nombre de défauts à une unité d’opportunité, s’avère alors bien plus adaptée à la plupart des contextes industriels réels — c’est d’ailleurs la carte la plus utilisée en pratique dès que les tailles de lot ne sont pas rigoureusement constantes.
Utiliser les lois de distribution discrète pour sécuriser une décision de tri ou de réception
Deux questions reviennent très souvent sur le terrain, et les lois de distribution discrète y répondent directement, sans avoir besoin d’aller chercher dans une table statistique.
Premier cas : décider s’il faut trier un stock. Vous avez 10 000 pièces en stock, vous démarrez un contrôle et prélevez 60 pièces, parmi lesquelles 2 sont non conformes. Faut-il tout trier ? La loi hypergéométrique (adaptée quand on raisonne en nombre de pièces dans un lot fini) permet de répondre avec un intervalle de confiance : sur cet exemple, on peut estimer qu’avec 95 % de confiance, le stock ne contiendrait pas plus d’environ 1 010 pièces non conformes sur les 10 000. C’est une donnée bien plus exploitable pour arbitrer qu’une simple règle de trois sur le taux observé.
Second cas : évaluer le risque d’accepter un lot fournisseur. Un fournisseur annonce un taux de défaut de 3 %. Vous prélevez 50 pièces pour contrôle. La loi binomiale permet de calculer que la probabilité de ne trouver aucune pièce défectueuse dans cet échantillon, même si le taux réel de 3 % est exact, avoisine 21 %. Autrement dit : ne rien trouver au contrôle ne garantit absolument pas que le lot est conforme. C’est précisément ce type de calcul qui permet de dimensionner correctement un plan d’échantillonnage plutôt que de le fixer au hasard.
Anticiper un phénomène périodique grâce à la décomposition de Fourier
Certains problèmes qualité ont une signature périodique qu’un simple graphique ne permet pas d’expliquer, même quand on la voit clairement. C’est le cas, par exemple, d’un mouvement horloger dont on mesure l’amplitude toutes les six secondes : le tracé fait apparaître des oscillations régulières, sans que la cause soit évidente.
La décomposition de Fourier permet de reconstruire le signal à partir de ses fréquences dominantes et d’identifier laquelle contribue le plus aux écarts observés. Sur cet exemple, l’analyse fait ressortir une périodicité correspondant à une rotation d’environ une minute et demie — ce qui oriente directement vers la pièce mécanique en cause, une roue qui tourne à cette fréquence et génère les perturbations mesurées. C’est un outil précieux dès que l’on suspecte une cause mécanique cyclique derrière une dérive apparemment aléatoire.
Bien fixer ses limites de contrôle : entre limites classiques et limites élargies
C’est un point souvent mal maîtrisé, alors qu’il conditionne directement l’efficacité d’une carte de contrôle. Les limites de contrôle classiques, calculées à plus ou moins 3 écarts-types sur la loi des moyennes, ne doivent jamais être resserrées davantage : le faire revient à risquer de dérégler un procédé qui fonctionne pourtant correctement, en réagissant à du bruit statistique normal.
À l’inverse, on peut accepter de laisser un peu de dérive au procédé en se fixant un objectif de capabilité minimal (un Cpk limite, par exemple) et un risque bêta acceptable — le pourcentage de cas où l’on tolère de ne pas détecter immédiatement un dépassement de cet objectif. Cela permet de définir des limites élargies, plus larges que les limites classiques.
La bonne pratique consiste à situer ses limites de contrôle entre ces deux bornes : jamais plus resserrées que les limites classiques, jamais plus larges que les limites élargies. C’est aussi ce type de calcul qui permet de déterminer la taille d’échantillon réellement nécessaire pour garantir un objectif de capabilité donné — et il n’est pas rare de découvrir qu’un échantillon d’une seule pièce suffit, quand l’écart type court terme du procédé est suffisamment faible, ce qui évite des prélèvements inutiles.
Aller plus loin : intervalles de dispersion et de prédiction
Voici une erreur fréquente : à partir d’un échantillon de préproduction (15 pièces, par exemple), on calcule une moyenne et un écart type, puis on estime la dispersion du lot réel en appliquant simplement ces valeurs à une loi normale, comme si la moyenne et l’écart type de l’échantillon étaient exactement ceux de la population entière.
Cette hypothèse est trop forte : la moyenne et l’écart type calculés sur 15 pièces peuvent eux-mêmes varier d’un échantillon à l’autre. La méthode définie par la norme ISO 16269 en tient compte, et l’intervalle de dispersion ainsi obtenu est systématiquement plus large que celui obtenu par un calcul naïf à plus ou moins X écarts-types. Ignorer cette nuance conduit à sous-estimer la vraie dispersion attendue en production, avec le risque de découvrir le problème une fois la série lancée plutôt qu’en amont.
Deux notions voisines se distinguent : l’intervalle de dispersion donne la plage contenant une proportion donnée d’individus, tandis que l’intervalle de prédiction borne l’étendue attendue sur une population future de taille définie (par exemple, un lot de 500 pièces à venir). Un calcul non paramétrique existe également pour les cas où l’hypothèse de normalité ne tient pas.
Pourquoi centraliser ces analyses dans un outil qualité plutôt que dans des feuilles Excel ?
Chacune de ces analyses est individuellement accessible , beaucoup de responsables qualité les pratiquent déjà, souvent avec des formules Excel reconstruites à la main ou des tables statistiques papier. La difficulté n’est pas la méthode en elle-même, mais sa mise à disposition rapide, fiable et reproductible au quotidien, sur des données qui changent en continu.
C’est le rôle du module Análisis de datos de la suite Ellistat : il centralise l’ensemble de ces statistiques descriptives : analyse graphique, cartes de contrôle, tests de normalité, MAD, cartes aux attributs, lois de distribution, décomposition de Fourier, calculateurs de plans d’échantillonnage conformes aux normes ISO 2859 et ISO 3951, limites de contrôle et intervalles de dispersion…dans une seule interface pensée pour rester simple d’accès, sans jamais dépasser deux niveaux de menus. L’objectif n’est pas d’ajouter de la complexité statistique, mais au contraire d’en retirer, en rendant ces méthodes directement exploitables par les équipes qualité et production, sans expertise statistique préalable.
Conclusión
Les statistiques descriptives ne sont pas un exercice académique réservé aux experts qualité : elles répondent à des questions très concrètes que se posent chaque jour les responsables production et qualité : cette valeur est-elle vraiment aberrante, ce procédé est-il stable, ce lot fournisseur est-il fiable, faut-il trier ce stock ? Bien utilisées, les statistiques descriptives industrielles transforment des données brutes en décisions rapides et argumentées, plutôt qu’en intuitions invérifiables. La difficulté n’est jamais la théorie statistique elle-même, mais sa mise en œuvre simple et fiable, jour après jour, sur les données réelles de votre atelier.
