{"id":4443,"date":"2026-07-09T15:35:32","date_gmt":"2026-07-09T13:35:32","guid":{"rendered":"https:\/\/ellistat.com\/?p=4443"},"modified":"2026-07-09T15:35:40","modified_gmt":"2026-07-09T13:35:40","slug":"statistiques-descriptives-industrielles-guide-complet","status":"publish","type":"post","link":"https:\/\/ellistat.com\/hu\/statistiques-descriptives-industrielles-guide-complet\/","title":{"rendered":"Ipari le\u00edr\u00f3 statisztika: \u00e1tfog\u00f3 \u00fatmutat\u00f3"},"content":{"rendered":"<p class=\"wp-block-paragraph\">Un histogramme qui penche d&rsquo;un c\u00f4t\u00e9, une carte de contr\u00f4le qui sort de ses limites, un fournisseur qui annonce un taux de d\u00e9faut que vous n&rsquo;arrivez pas \u00e0 v\u00e9rifier : ce sont des situations que tout responsable qualit\u00e9 ou responsable production croise r\u00e9guli\u00e8rement. Les\u00a0<strong>statistiques descriptives<\/strong>\u00a0sont l&rsquo;outil qui permet de transformer ces observations en d\u00e9cisions argument\u00e9es plut\u00f4t qu&rsquo;en impressions. Elles ne servent pas \u00e0 faire des math\u00e9matiques pour le plaisir : elles servent \u00e0 savoir si un proc\u00e9d\u00e9 est sous contr\u00f4le, si une pi\u00e8ce est r\u00e9ellement aberrante, ou si un stock de 10 000 pi\u00e8ces doit \u00eatre tri\u00e9 apr\u00e8s un contr\u00f4le de 60 \u00e9chantillons.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ce guide reprend les usages concrets des statistiques descriptives appliqu\u00e9es \u00e0 la production industrielle, \u00e0 partir de la m\u00e9thodologie d\u00e9velopp\u00e9e par <a href=\"https:\/\/www.linkedin.com\/in\/maurice-pillet-28542248\/\" data-type=\"link\" data-id=\"https:\/\/www.linkedin.com\/in\/maurice-pillet-28542248\/\">Maurice Pillet<\/a>, cofondateur d&rsquo;Ellistat, professeur \u00e9m\u00e9rite et r\u00e9f\u00e9rence fran\u00e7aise en qualit\u00e9 et Six Sigma.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Statistiques descriptives, inf\u00e9rentielles, multivari\u00e9es : o\u00f9 se situe votre analyse au quotidien ?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Quand on collecte des donn\u00e9es de production, on obtient g\u00e9n\u00e9ralement un tableau avec des entr\u00e9es (les X, les param\u00e8tres process) et des sorties (les Y, les caract\u00e9ristiques produit). Trois familles d&rsquo;analyses statistiques permettent de l&rsquo;exploiter, et il est utile de savoir laquelle vous pratiquez au quotidien.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Les statistiques descriptives<\/strong>\u00a0s&rsquo;int\u00e9ressent \u00e0 une seule variable \u00e0 la fois, X ou Y, qu&rsquo;elle soit quantitative (une mesure) ou qualitative (un d\u00e9faut, une cat\u00e9gorie). C&rsquo;est le niveau d&rsquo;analyse le plus courant et le plus imm\u00e9diat.<\/li>\n\n\n\n<li><strong>Les statistiques inf\u00e9rentielles<\/strong>\u00a0cherchent une relation non al\u00e9atoire entre les variations d&rsquo;un Y et d&rsquo;un ou plusieurs X, g\u00e9n\u00e9ralement pour expliquer ou mod\u00e9liser le comportement du Y.<\/li>\n\n\n\n<li><strong>Les statistiques multivari\u00e9es<\/strong>\u00a0traitent l&rsquo;ensemble du tableau sans distinction entr\u00e9e\/sortie, pour classer des individus ou rep\u00e9rer des relations entre variables.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Les statistiques descriptives sont donc le point d&rsquo;entr\u00e9e obligatoire : avant de chercher une cause (inf\u00e9rentielle) ou une structure globale (multivari\u00e9e), il faut d\u00e9j\u00e0 savoir lire correctement une seule colonne de donn\u00e9es. C&rsquo;est l\u00e0 que se jouent la plupart des d\u00e9cisions qualit\u00e9 du quotidien.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Avant d&rsquo;analyser, regardez vraiment vos donn\u00e9es<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Le rep\u00e9rage visuel par mise en forme conditionnelle<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La premi\u00e8re \u00e9tape, souvent n\u00e9glig\u00e9e, consiste simplement \u00e0 regarder le tableau de donn\u00e9es avec une mise en forme conditionnelle. Le principe est simple : les valeurs sont color\u00e9es selon leur position dans la distribution, du bleu au rouge en passant par le vert.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un \u0153il entra\u00een\u00e9 rep\u00e8re imm\u00e9diatement un probl\u00e8me : une colonne o\u00f9 domine le bleu, avec peu de vert, signale une distribution qui s&rsquo;\u00e9carte probablement d&rsquo;une loi normale. Une colonne o\u00f9 le vert domine, avec une densit\u00e9 importante au centre et les extr\u00eames en bleu et rouge, ressemble en revanche \u00e0 une distribution normale bien centr\u00e9e. Ce simple coup d&rsquo;\u0153il, avant tout calcul, oriente d\u00e9j\u00e0 l&rsquo;analyse \u00e0 venir.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">La d\u00e9tection automatique des valeurs aberrantes<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Un point situ\u00e9 hors des moustaches d&rsquo;une bo\u00eete \u00e0 moustaches n&rsquo;est pas n\u00e9cessairement une valeur aberrante au sens statistique. La distinction compte : une vraie valeur aberrante doit \u00eatre identifi\u00e9e par un test statistique d\u00e9di\u00e9, pas seulement par une lecture graphique approximative. C&rsquo;est ce test, et non l&rsquo;impression visuelle, qui doit d\u00e9clencher une investigation ou une exclusion de la donn\u00e9e de vos calculs de capabilit\u00e9.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">L&rsquo;analyse graphique : histogrammes, bo\u00eetes \u00e0 moustaches et cartes de contr\u00f4le<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Histogramme et bo\u00eete \u00e0 moustaches pour juger la forme de la distribution<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">L&rsquo;histogramme reste le point de d\u00e9part pour juger si une distribution ressemble \u00e0 une loi normale, en particulier lorsqu&rsquo;on y superpose une courbe de densit\u00e9. La bo\u00eete \u00e0 moustaches compl\u00e8te cette lecture, surtout en comparaison : elle permet de mettre c\u00f4te \u00e0 c\u00f4te plusieurs caract\u00e9ristiques (plusieurs diam\u00e8tres, plusieurs lots, plusieurs machines) et de rep\u00e9rer d&rsquo;un coup d&rsquo;\u0153il celle qui se comporte diff\u00e9remment des autres.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Les cartes de contr\u00f4le : suivre la stabilit\u00e9 du proc\u00e9d\u00e9 en continu<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Les cartes de contr\u00f4le donnent une vision dans le temps, l\u00e0 o\u00f9 l&rsquo;histogramme donne une vision statique. Elles doivent pouvoir s&rsquo;adapter \u00e0 la r\u00e9alit\u00e9 du terrain plut\u00f4t que l&rsquo;inverse :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>suivi sur la moyenne, la m\u00e9diane, ou une moyenne mobile pond\u00e9r\u00e9e (EWMA), au choix ou en combinaison ;<\/li>\n\n\n\n<li>centrage possible par rapport \u00e0 la cible ou par rapport \u00e0 la moyenne des donn\u00e9es ;<\/li>\n\n\n\n<li>prise en charge des tailles d&rsquo;\u00e9chantillon variables : si vos r\u00e9p\u00e9titions passent de 3 pi\u00e8ces \u00e0 2, puis \u00e0 1 selon les pr\u00e9l\u00e8vements, la carte doit ajuster ses limites automatiquement, sans recalcul manuel.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">C&rsquo;est cette souplesse qui fait la diff\u00e9rence entre une carte de contr\u00f4le qui refl\u00e8te vraiment votre proc\u00e9d\u00e9 et une carte th\u00e9orique qui ne colle plus \u00e0 la r\u00e9alit\u00e9 de l&rsquo;atelier.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Tester la normalit\u00e9 avant de calculer vos indices de capabilit\u00e9<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Les indices de capabilit\u00e9 (Cp, Cpk, Pp, Ppk) et la plupart des calculs de proportion de non-conformes reposent sur une hypoth\u00e8se de distribution, le plus souvent la loi normale. Avant de les calculer, il faut donc v\u00e9rifier que cette hypoth\u00e8se tient \u2014 sinon les indices obtenus n&rsquo;ont aucune valeur.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Trois tests de normalit\u00e9 couvrent la quasi-totalit\u00e9 des situations rencontr\u00e9es en production :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>le test du Khi\u00b2<\/strong>, adapt\u00e9 lorsque les donn\u00e9es sont stratifi\u00e9es et que l&rsquo;on ne dispose pas des valeurs individuelles <\/li>\n\n\n\n<li><strong>le test de Shapiro-Wilk<\/strong>, pertinent sur les petits \u00e9chantillons, jusqu&rsquo;\u00e0 une trentaine de pi\u00e8ces <\/li>\n\n\n\n<li><strong>le test d&rsquo;Anderson-Darling<\/strong>, plus robuste au-del\u00e0 de cette taille d&rsquo;\u00e9chantillon<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Un bon outil d&rsquo;analyse ne se contente pas de calculer les trois : il identifie et met en avant celui qui est r\u00e9ellement pertinent selon la taille et la structure de vos donn\u00e9es, pour \u00e9viter une mauvaise interpr\u00e9tation. Et si l&rsquo;hypoth\u00e8se de normalit\u00e9 est rejet\u00e9e, il ne faut pas s&rsquo;arr\u00eater l\u00e0 : certaines caract\u00e9ristiques, notamment celles qui sont born\u00e9es \u00e0 z\u00e9ro (plan\u00e9it\u00e9, circularit\u00e9, faux-rond), suivent naturellement une autre loi, comme la loi de Rayleigh, qui mod\u00e9lise alors beaucoup mieux leur comportement r\u00e9el.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Le MAD : un indicateur robuste que peu d&rsquo;outils qualit\u00e9 proposent<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">L&rsquo;\u00e9cart type est tr\u00e8s sensible aux valeurs aberrantes : une seule pi\u00e8ce mal mesur\u00e9e ou r\u00e9ellement d\u00e9fectueuse peut le faire gonfler artificiellement, jusqu&rsquo;\u00e0 le multiplier par un facteur important sur un \u00e9chantillon par ailleurs parfaitement stable. Le&nbsp;<strong>MAD<\/strong>&nbsp;(median absolute deviation, ou m\u00e9diane des \u00e9carts \u00e0 la m\u00e9diane) ne pr\u00e9sente pas ce d\u00e9faut : il reste quasiment inchang\u00e9 en pr\u00e9sence d&rsquo;une valeur aberrante, pr\u00e9cis\u00e9ment parce qu&rsquo;il est construit sur des m\u00e9dianes plut\u00f4t que sur des moyennes.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">En pratique, le MAD est l&rsquo;\u00e9quivalent non param\u00e9trique de l&rsquo;\u00e9cart type. Il devient particuli\u00e8rement utile pour les tests de comparaison de variabilit\u00e9 entre lots, machines ou fournisseurs, lorsque vos donn\u00e9es comportent \u2014 ou risquent de comporter \u2014 des points aberrants qui fausseraient une comparaison bas\u00e9e sur l&rsquo;\u00e9cart type classique.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Cartes aux attributs : piloter la qualit\u00e9 quand on compte des d\u00e9fauts, pas des mesures<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Toutes les donn\u00e9es qualit\u00e9 ne sont pas des mesures continues. Nombre, taux de d\u00e9fauts, non-conformit\u00e9s par lot : ces donn\u00e9es d&rsquo;attributs se pilotent avec une famille de cartes d\u00e9di\u00e9e (P, NP, C, U), et le choix de la bonne carte a un impact direct sur la fiabilit\u00e9 du suivi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La carte P, par exemple, part de l&rsquo;hypoth\u00e8se que la seule source de variabilit\u00e9 est l&rsquo;\u00e9chantillonnage. Or, d\u00e8s que les tailles de lot varient d&rsquo;une p\u00e9riode \u00e0 l&rsquo;autre, cette hypoth\u00e8se ne tient plus, et la carte P d\u00e9clenche des alertes hors contr\u00f4le qui ne refl\u00e8tent pas la r\u00e9alit\u00e9 du proc\u00e9d\u00e9. La carte U, qui rapporte le nombre de d\u00e9fauts \u00e0 une unit\u00e9 d&rsquo;opportunit\u00e9, s&rsquo;av\u00e8re alors bien plus adapt\u00e9e \u00e0 la plupart des contextes industriels r\u00e9els \u2014 c&rsquo;est d&rsquo;ailleurs la carte la plus utilis\u00e9e en pratique d\u00e8s que les tailles de lot ne sont pas rigoureusement constantes.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Utiliser les lois de distribution discr\u00e8te pour s\u00e9curiser une d\u00e9cision de tri ou de r\u00e9ception<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Deux questions reviennent tr\u00e8s souvent sur le terrain, et les lois de distribution discr\u00e8te y r\u00e9pondent directement, sans avoir besoin d&rsquo;aller chercher dans une table statistique.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Premier cas : d\u00e9cider s&rsquo;il faut trier un stock.<\/strong>&nbsp;Vous avez 10 000 pi\u00e8ces en stock, vous d\u00e9marrez un contr\u00f4le et pr\u00e9levez 60 pi\u00e8ces, parmi lesquelles 2 sont non conformes. Faut-il tout trier ? La&nbsp;<strong>loi hyperg\u00e9om\u00e9trique<\/strong>&nbsp;(adapt\u00e9e quand on raisonne en nombre de pi\u00e8ces dans un lot fini) permet de r\u00e9pondre avec un intervalle de confiance : sur cet exemple, on peut estimer qu&rsquo;avec 95 % de confiance, le stock ne contiendrait pas plus d&rsquo;environ 1 010 pi\u00e8ces non conformes sur les 10 000. C&rsquo;est une donn\u00e9e bien plus exploitable pour arbitrer qu&rsquo;une simple r\u00e8gle de trois sur le taux observ\u00e9.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Second cas : \u00e9valuer le risque d&rsquo;accepter un lot fournisseur.<\/strong>&nbsp;Un fournisseur annonce un taux de d\u00e9faut de 3 %. Vous pr\u00e9levez 50 pi\u00e8ces pour contr\u00f4le. La&nbsp;<strong>loi binomiale<\/strong>&nbsp;permet de calculer que la probabilit\u00e9 de ne trouver aucune pi\u00e8ce d\u00e9fectueuse dans cet \u00e9chantillon, m\u00eame si le taux r\u00e9el de 3 % est exact, avoisine 21 %. Autrement dit : ne rien trouver au contr\u00f4le ne garantit absolument pas que le lot est conforme. C&rsquo;est pr\u00e9cis\u00e9ment ce type de calcul qui permet de dimensionner correctement un plan d&rsquo;\u00e9chantillonnage plut\u00f4t que de le fixer au hasard.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Anticiper un ph\u00e9nom\u00e8ne p\u00e9riodique gr\u00e2ce \u00e0 la d\u00e9composition de Fourier<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Certains probl\u00e8mes qualit\u00e9 ont une signature p\u00e9riodique qu&rsquo;un simple graphique ne permet pas d&rsquo;expliquer, m\u00eame quand on la voit clairement. C&rsquo;est le cas, par exemple, d&rsquo;un mouvement horloger dont on mesure l&rsquo;amplitude toutes les six secondes : le trac\u00e9 fait appara\u00eetre des oscillations r\u00e9guli\u00e8res, sans que la cause soit \u00e9vidente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La&nbsp;<strong>d\u00e9composition de Fourier<\/strong>&nbsp;permet de reconstruire le signal \u00e0 partir de ses fr\u00e9quences dominantes et d&rsquo;identifier laquelle contribue le plus aux \u00e9carts observ\u00e9s. Sur cet exemple, l&rsquo;analyse fait ressortir une p\u00e9riodicit\u00e9 correspondant \u00e0 une rotation d&rsquo;environ une minute et demie \u2014 ce qui oriente directement vers la pi\u00e8ce m\u00e9canique en cause, une roue qui tourne \u00e0 cette fr\u00e9quence et g\u00e9n\u00e8re les perturbations mesur\u00e9es. C&rsquo;est un outil pr\u00e9cieux d\u00e8s que l&rsquo;on suspecte une cause m\u00e9canique cyclique derri\u00e8re une d\u00e9rive apparemment al\u00e9atoire.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Bien fixer ses limites de contr\u00f4le : entre limites classiques et limites \u00e9largies<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">C&rsquo;est un point souvent mal ma\u00eetris\u00e9, alors qu&rsquo;il conditionne directement l&rsquo;efficacit\u00e9 d&rsquo;une carte de contr\u00f4le. Les limites de contr\u00f4le classiques, calcul\u00e9es \u00e0 plus ou moins 3 \u00e9carts-types sur la loi des moyennes, ne doivent jamais \u00eatre resserr\u00e9es davantage : le faire revient \u00e0 risquer de d\u00e9r\u00e9gler un proc\u00e9d\u00e9 qui fonctionne pourtant correctement, en r\u00e9agissant \u00e0 du bruit statistique normal.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c0 l&rsquo;inverse, on peut accepter de laisser un peu de d\u00e9rive au proc\u00e9d\u00e9 en se fixant un objectif de capabilit\u00e9 minimal (un Cpk limite, par exemple) et un risque b\u00eata acceptable \u2014 le pourcentage de cas o\u00f9 l&rsquo;on tol\u00e8re de ne pas d\u00e9tecter imm\u00e9diatement un d\u00e9passement de cet objectif. Cela permet de d\u00e9finir des&nbsp;<strong>limites \u00e9largies<\/strong>, plus larges que les limites classiques.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La bonne pratique consiste \u00e0 situer ses limites de contr\u00f4le entre ces deux bornes : jamais plus resserr\u00e9es que les limites classiques, jamais plus larges que les limites \u00e9largies. C&rsquo;est aussi ce type de calcul qui permet de d\u00e9terminer la taille d&rsquo;\u00e9chantillon r\u00e9ellement n\u00e9cessaire pour garantir un objectif de capabilit\u00e9 donn\u00e9 \u2014 et il n&rsquo;est pas rare de d\u00e9couvrir qu&rsquo;un \u00e9chantillon d&rsquo;une seule pi\u00e8ce suffit, quand l&rsquo;\u00e9cart type court terme du proc\u00e9d\u00e9 est suffisamment faible, ce qui \u00e9vite des pr\u00e9l\u00e8vements inutiles.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Aller plus loin : intervalles de dispersion et de pr\u00e9diction<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Voici une erreur fr\u00e9quente : \u00e0 partir d&rsquo;un \u00e9chantillon de pr\u00e9production (15 pi\u00e8ces, par exemple), on calcule une moyenne et un \u00e9cart type, puis on estime la dispersion du lot r\u00e9el en appliquant simplement ces valeurs \u00e0 une loi normale, comme si la moyenne et l&rsquo;\u00e9cart type de l&rsquo;\u00e9chantillon \u00e9taient exactement ceux de la population enti\u00e8re.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Cette hypoth\u00e8se est trop forte : la moyenne et l&rsquo;\u00e9cart type calcul\u00e9s sur 15 pi\u00e8ces peuvent eux-m\u00eames varier d&rsquo;un \u00e9chantillon \u00e0 l&rsquo;autre. La m\u00e9thode d\u00e9finie par la norme ISO 16269 en tient compte, et l&rsquo;<strong>intervalle de dispersion<\/strong>&nbsp;ainsi obtenu est syst\u00e9matiquement plus large que celui obtenu par un calcul na\u00eff \u00e0 plus ou moins X \u00e9carts-types. Ignorer cette nuance conduit \u00e0 sous-estimer la vraie dispersion attendue en production, avec le risque de d\u00e9couvrir le probl\u00e8me une fois la s\u00e9rie lanc\u00e9e plut\u00f4t qu&rsquo;en amont.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Deux notions voisines se distinguent : l&rsquo;intervalle de dispersion donne la plage contenant une proportion donn\u00e9e d&rsquo;individus, tandis que l&rsquo;<strong>intervalle de pr\u00e9diction<\/strong>&nbsp;borne l&rsquo;\u00e9tendue attendue sur une population future de taille d\u00e9finie (par exemple, un lot de 500 pi\u00e8ces \u00e0 venir). Un calcul non param\u00e9trique existe \u00e9galement pour les cas o\u00f9 l&rsquo;hypoth\u00e8se de normalit\u00e9 ne tient pas.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Pourquoi centraliser ces analyses dans un outil qualit\u00e9 plut\u00f4t que dans des feuilles Excel ?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Chacune de ces analyses est individuellement accessible , beaucoup de responsables qualit\u00e9 les pratiquent d\u00e9j\u00e0, souvent avec des formules Excel reconstruites \u00e0 la main ou des tables statistiques papier. La difficult\u00e9 n&rsquo;est pas la m\u00e9thode en elle-m\u00eame, mais sa mise \u00e0 disposition rapide, fiable et reproductible au quotidien, sur des donn\u00e9es qui changent en continu.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">C&rsquo;est le r\u00f4le du module\u00a0<strong><a href=\"https:\/\/ellistat.com\/hu\/adatelemzesi-megoldasok\/\" data-type=\"page\" data-id=\"905\">Adatelemz\u00e9s<\/a><\/strong>\u00a0de la suite Ellistat : il centralise l&rsquo;ensemble de ces statistiques descriptives : analyse graphique, cartes de contr\u00f4le, tests de normalit\u00e9, MAD, cartes aux attributs, lois de distribution, d\u00e9composition de Fourier, calculateurs de plans d&rsquo;\u00e9chantillonnage conformes aux normes ISO 2859 et ISO 3951, limites de contr\u00f4le et intervalles de dispersion&#8230;dans une seule interface pens\u00e9e pour rester simple d&rsquo;acc\u00e8s, sans jamais d\u00e9passer deux niveaux de menus. L&rsquo;objectif n&rsquo;est pas d&rsquo;ajouter de la complexit\u00e9 statistique, mais au contraire d&rsquo;en retirer, en rendant ces m\u00e9thodes directement exploitables par les \u00e9quipes qualit\u00e9 et production, sans expertise statistique pr\u00e9alable.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">K\u00f6vetkeztet\u00e9s<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Les statistiques descriptives ne sont pas un exercice acad\u00e9mique r\u00e9serv\u00e9 aux experts qualit\u00e9 : elles r\u00e9pondent \u00e0 des questions tr\u00e8s concr\u00e8tes que se posent chaque jour les responsables production et qualit\u00e9 : cette valeur est-elle vraiment aberrante, ce proc\u00e9d\u00e9 est-il stable, ce lot fournisseur est-il fiable, faut-il trier ce stock ? Bien utilis\u00e9es, les statistiques descriptives industrielles transforment des donn\u00e9es brutes en d\u00e9cisions rapides et argument\u00e9es, plut\u00f4t qu&rsquo;en intuitions inv\u00e9rifiables. La difficult\u00e9 n&rsquo;est jamais la th\u00e9orie statistique elle-m\u00eame, mais sa mise en \u0153uvre simple et fiable, jour apr\u00e8s jour, sur les donn\u00e9es r\u00e9elles de votre atelier.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Replay du Webinaire du 09 Juillet 2026<\/h2>\n\n\n\n<figure class=\"wp-block-video\"><video height=\"1080\" style=\"aspect-ratio: 1920 \/ 1080;\" width=\"1920\" controls src=\"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Statistiques-Descriptives-09-Juillet-2026.mp4\"><\/video><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>","protected":false},"excerpt":{"rendered":"<p>Un histogramme qui penche d&rsquo;un c\u00f4t\u00e9, une carte de contr\u00f4le qui sort de ses limites, un fournisseur qui annonce un taux de d\u00e9faut que vous n&rsquo;arrivez pas \u00e0 v\u00e9rifier : ce sont des situations que tout responsable qualit\u00e9 ou responsable production croise r\u00e9guli\u00e8rement. Les\u00a0statistiques descriptives\u00a0sont l&rsquo;outil qui permet de transformer ces observations en d\u00e9cisions argument\u00e9es [&hellip;]<\/p>\n","protected":false},"author":4,"featured_media":4445,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[7],"tags":[],"class_list":["post-4443","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-analysis"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.0 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Statistiques descriptives industrielles : guide complet - Ellistat<\/title>\n<meta name=\"description\" content=\"Cartes de contr\u00f4le, tests de normalit\u00e9, capabilit\u00e9, valeurs aberrantes : comment les statistiques descriptives s\u00e9curisent vos d\u00e9cisions ?\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ellistat.com\/hu\/statistiques-descriptives-industrielles-guide-complet\/\" \/>\n<meta property=\"og:locale\" content=\"hu_HU\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Statistiques descriptives industrielles : guide complet - Ellistat\" \/>\n<meta property=\"og:description\" content=\"Cartes de contr\u00f4le, tests de normalit\u00e9, capabilit\u00e9, valeurs aberrantes : comment les statistiques descriptives s\u00e9curisent vos d\u00e9cisions ?\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ellistat.com\/hu\/statistiques-descriptives-industrielles-guide-complet\/\" \/>\n<meta property=\"og:site_name\" content=\"Ellistat\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-09T13:35:32+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-07-09T13:35:40+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1280\" \/>\n\t<meta property=\"og:image:height\" content=\"720\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Camille Forest\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Szerz\u0151:\" \/>\n\t<meta name=\"twitter:data1\" content=\"Camille Forest\" \/>\n\t<meta name=\"twitter:label2\" content=\"Becs\u00fclt olvas\u00e1si id\u0151\" \/>\n\t<meta name=\"twitter:data2\" content=\"12 perc\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/\"},\"author\":{\"name\":\"Camille Forest\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/#\\\/schema\\\/person\\\/b757d2fa4e8a73814cb00474e7653681\"},\"headline\":\"Statistiques descriptives industrielles : guide complet\",\"datePublished\":\"2026-07-09T13:35:32+00:00\",\"dateModified\":\"2026-07-09T13:35:40+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/\"},\"wordCount\":2629,\"image\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/Webinaire-Maurice-Data-Analysis-2.png\",\"articleSection\":[\"Data Analysis\"],\"inLanguage\":\"hu\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/\",\"url\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/\",\"name\":\"Statistiques descriptives industrielles : guide complet - Ellistat\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/Webinaire-Maurice-Data-Analysis-2.png\",\"datePublished\":\"2026-07-09T13:35:32+00:00\",\"dateModified\":\"2026-07-09T13:35:40+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/#\\\/schema\\\/person\\\/b757d2fa4e8a73814cb00474e7653681\"},\"description\":\"Cartes de contr\u00f4le, tests de normalit\u00e9, capabilit\u00e9, valeurs aberrantes : comment les statistiques descriptives s\u00e9curisent vos d\u00e9cisions ?\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#breadcrumb\"},\"inLanguage\":\"hu\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"hu\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#primaryimage\",\"url\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/Webinaire-Maurice-Data-Analysis-2.png\",\"contentUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/Webinaire-Maurice-Data-Analysis-2.png\",\"width\":1280,\"height\":720},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/statistiques-descriptives-industrielles-guide-complet\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/ellistat.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Data Analysis\",\"item\":\"https:\\\/\\\/ellistat.com\\\/category\\\/data-analysis\\\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Statistiques descriptives industrielles : guide complet\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\",\"url\":\"https:\\\/\\\/ellistat.com\\\/\",\"name\":\"Ellistat\",\"description\":\"La suite qualit\u00e9 de l&#039;industrie m\u00e9canique\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/ellistat.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"hu\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/#\\\/schema\\\/person\\\/b757d2fa4e8a73814cb00474e7653681\",\"name\":\"Camille Forest\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"hu\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/litespeed\\\/avatar\\\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936\",\"url\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/litespeed\\\/avatar\\\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936\",\"contentUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/litespeed\\\/avatar\\\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936\",\"caption\":\"Camille Forest\"},\"url\":\"https:\\\/\\\/ellistat.com\\\/hu\\\/author\\\/camille-forest\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Statistiques descriptives industrielles : guide complet - Ellistat","description":"Cartes de contr\u00f4le, tests de normalit\u00e9, capabilit\u00e9, valeurs aberrantes : comment les statistiques descriptives s\u00e9curisent vos d\u00e9cisions ?","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ellistat.com\/hu\/statistiques-descriptives-industrielles-guide-complet\/","og_locale":"hu_HU","og_type":"article","og_title":"Statistiques descriptives industrielles : guide complet - Ellistat","og_description":"Cartes de contr\u00f4le, tests de normalit\u00e9, capabilit\u00e9, valeurs aberrantes : comment les statistiques descriptives s\u00e9curisent vos d\u00e9cisions ?","og_url":"https:\/\/ellistat.com\/hu\/statistiques-descriptives-industrielles-guide-complet\/","og_site_name":"Ellistat","article_published_time":"2026-07-09T13:35:32+00:00","article_modified_time":"2026-07-09T13:35:40+00:00","og_image":[{"width":1280,"height":720,"url":"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png","type":"image\/png"}],"author":"Camille Forest","twitter_card":"summary_large_image","twitter_misc":{"Szerz\u0151:":"Camille Forest","Becs\u00fclt olvas\u00e1si id\u0151":"12 perc"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#article","isPartOf":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/"},"author":{"name":"Camille Forest","@id":"https:\/\/ellistat.com\/#\/schema\/person\/b757d2fa4e8a73814cb00474e7653681"},"headline":"Statistiques descriptives industrielles : guide complet","datePublished":"2026-07-09T13:35:32+00:00","dateModified":"2026-07-09T13:35:40+00:00","mainEntityOfPage":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/"},"wordCount":2629,"image":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#primaryimage"},"thumbnailUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png","articleSection":["Data Analysis"],"inLanguage":"hu"},{"@type":"WebPage","@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/","url":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/","name":"Statistiques descriptives industrielles : guide complet - Ellistat","isPartOf":{"@id":"https:\/\/ellistat.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#primaryimage"},"image":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#primaryimage"},"thumbnailUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png","datePublished":"2026-07-09T13:35:32+00:00","dateModified":"2026-07-09T13:35:40+00:00","author":{"@id":"https:\/\/ellistat.com\/#\/schema\/person\/b757d2fa4e8a73814cb00474e7653681"},"description":"Cartes de contr\u00f4le, tests de normalit\u00e9, capabilit\u00e9, valeurs aberrantes : comment les statistiques descriptives s\u00e9curisent vos d\u00e9cisions ?","breadcrumb":{"@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#breadcrumb"},"inLanguage":"hu","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/"]}]},{"@type":"ImageObject","inLanguage":"hu","@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#primaryimage","url":"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png","contentUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/Webinaire-Maurice-Data-Analysis-2.png","width":1280,"height":720},{"@type":"BreadcrumbList","@id":"https:\/\/ellistat.com\/statistiques-descriptives-industrielles-guide-complet\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/ellistat.com\/"},{"@type":"ListItem","position":2,"name":"Data Analysis","item":"https:\/\/ellistat.com\/category\/data-analysis\/"},{"@type":"ListItem","position":3,"name":"Statistiques descriptives industrielles : guide complet"}]},{"@type":"WebSite","@id":"https:\/\/ellistat.com\/#website","url":"https:\/\/ellistat.com\/","name":"Ellistat","description":"A min\u0151s\u00e9gbiztos\u00edt\u00e1si csomag a g\u00e9pipar sz\u00e1m\u00e1ra","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ellistat.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"hu"},{"@type":"Person","@id":"https:\/\/ellistat.com\/#\/schema\/person\/b757d2fa4e8a73814cb00474e7653681","name":"Camille Forest","image":{"@type":"ImageObject","inLanguage":"hu","@id":"https:\/\/ellistat.com\/wp-content\/litespeed\/avatar\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936","url":"https:\/\/ellistat.com\/wp-content\/litespeed\/avatar\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936","contentUrl":"https:\/\/ellistat.com\/wp-content\/litespeed\/avatar\/54873af0f2f4be7f109d4c67b3706390.jpg?ver=1783537936","caption":"Camille Forest"},"url":"https:\/\/ellistat.com\/hu\/author\/camille-forest\/"}]}},"_links":{"self":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/posts\/4443","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/comments?post=4443"}],"version-history":[{"count":1,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/posts\/4443\/revisions"}],"predecessor-version":[{"id":4446,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/posts\/4443\/revisions\/4446"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/media\/4445"}],"wp:attachment":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/media?parent=4443"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/categories?post=4443"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/tags?post=4443"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}