Moyenne vs médiane : laquelle choisir pour piloter votre procédé ?
Lorsque vous analysez les données d’un procédé de fabrication, le choix de l’indicateur de tendance centrale — moyenne ou médiane — peut sembler anodin. En réalité, il conditionne la fiabilité de vos conclusions, la pertinence de vos cartes de contrôle et la justesse de vos indices de capabilité. Comprendre quand utiliser l’un plutôt que l’autre est une compétence fondamentale pour tout praticien du Lean Six Sigma.
Ce que mesurent réellement ces deux indicateurs
La moyenne (ou moyenne arithmétique) est la somme de toutes les valeurs divisée par leur nombre. Elle intègre l’information de chaque point de mesure, ce qui en fait un estimateur très efficace lorsque les données suivent une distribution normale — c’est-à-dire symétrique, sans valeurs aberrantes.
La médiane est la valeur qui se situe au centre d’un jeu de données classé par ordre croissant. Elle est dite robuste : une valeur extrême, même très éloignée du reste des observations, ne la déplace que légèrement. En contrepartie, elle exploite moins d’information que la moyenne et peut être moins précise sur des petits échantillons.
En pratique, les deux coïncident parfaitement sur une distribution parfaitement symétrique. C’est lorsqu’elles divergent que l’information devient utile : leur écart signale une asymétrie ou la présence de valeurs atypiques dans le procédé.
Quand la moyenne est le bon choix
La moyenne est l’indicateur de référence dès que vos données satisfont deux conditions : normalité (ou distribution suffisamment symétrique) et absence de valeurs aberrantes non justifiées. C’est pourquoi elle est au cœur des outils statistiques les plus répandus en maîtrise statistique des procédés (MSP) :
- Les cartes de contrôle X-barre / R et X-barre / S reposent sur la moyenne des sous-groupes pour détecter les dérives.
- Les indices de capabilité Cp et Cpk utilisent la moyenne comme estimateur de la position du procédé.
- Les tests t et les ANOVA (analyses de variance) s’appuient sur les moyennes pour comparer des populations.
Si votre procédé est sous contrôle et produit des données distribuées normalement, la moyenne exploite l’ensemble de l’information disponible et fournit les estimateurs les plus précis au sens statistique.
Quand la médiane s’impose
La médiane devient préférable — ou indispensable — dans trois situations courantes en environnement industriel.
Données asymétriques ou à longue queue
Certains procédés génèrent naturellement des distributions non symétriques : temps de cycle, niveaux de contamination, délais de livraison. Une seule opération exceptionnellement longue peut tirer la moyenne vers le haut et donner une image faussée du comportement habituel du procédé. La médiane reflète alors mieux ce que vit réellement l’opérateur ou le client.
Présence de valeurs aberrantes identifiées
Lorsqu’un capteur dérive ponctuellement ou qu’un événement exceptionnel (arrêt machine, matière première non conforme) introduit des points extrêmes dans le jeu de données, la médiane amortit leur effet. Cela ne dispense pas d’investiguer et de corriger la cause racine, mais évite de piloter le procédé sur la base d’une statistique artificiellement déformée.
Petits échantillons sur des données ordinales
Pour des attributs notés sur une échelle ordinale (scores de satisfaction, niveaux de gravité d’un défaut), la moyenne est mathématiquement calculable mais sémantiquement discutable. La médiane conserve un sens concret : elle désigne le niveau réellement central de l’échantillon.
Il existe également des cartes de contrôle par la médiane (carte X̃ / R), moins sensibles que les cartes X-barre mais plus robustes en présence de données non normales ou d’opérateurs peu familiers avec le calcul de moyennes.
Comment tester lequel utiliser sur vos données
La bonne pratique consiste à ne pas choisir à l’aveugle, mais à diagnostiquer la distribution avant de décider.
- Tracez un histogramme ou un diagramme en boîte (box plot) : une asymétrie visible, une longue queue ou des points isolés sont des signaux d’alerte.
- Comparez moyenne et médiane : un écart supérieur à 10–15 % de l’étendue des données mérite attention.
- Effectuez un test de normalité (Shapiro-Wilk sur de petits échantillons, Anderson-Darling sur de grands) : si la normalité est rejetée, la médiane est généralement plus représentative.
- Vérifiez la présence de valeurs aberrantes à l’aide d’un test de Grubbs ou d’une carte de contrôle individus : si elles sont assignables à une cause spéciale, isolez-les avant de calculer votre indicateur.
Ces étapes prennent quelques minutes dans tout logiciel d’analyse statistique et évitent des décisions de pilotage fondées sur des indicateurs inadaptés.
La question n’est pas de savoir si la moyenne est « meilleure » que la médiane : chacune répond à un contexte précis. Pour un procédé stable et normalement distribué, la moyenne reste l’estimateur le plus puissant. Dès que des asymétries ou des valeurs atypiques entrent en jeu, la médiane offre une lecture plus honnête de la réalité du terrain. Diagnostiquer d’abord, choisir ensuite : telle est la démarche rigoureuse qui distingue le praticien Six Sigma de celui qui applique des formules sans en questionner les hypothèses.