R EVUE DE STATISTIQUE APPLIQUÉE
J. M OTHES
Principes fondamentaux de la méthode statistique et applications industrielles
Revue de statistique appliquée, tome 2, n
o3 (1954), p. 5-36
<http://www.numdam.org/item?id=RSA_1954__2_3_5_0>
© Société française de statistique, 1954, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.
sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les conditions générales d’uti- lisation (http://www.numdam.org/conditions). Toute utilisation commerciale ou im- pression systématique est constitutive d’une infraction pénale. Toute copie ou im- pression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
5
PRINCIPES FONDAMENTAUX DE LA MÉTHODE STATISTIQUE
ET
APPLICATIONS INDUSTRIELLES
par
J. MOTHES
Ancien Èlève de
!’Ëcole Polytechnique,
Ingénieur auDépartement
Commercial du Caz de FranceL’enquête f aite auprès
desabonnés
de la Revue(cf.
Revuede
Statistique A p~liquée,
vol.II,
n~2),
a montré que de nombreuxlecteurs,
encorepeu
au courant dudéveloppement
des
techniques
industrielles de lastatistique,
souhaitaient trouver dans la Revuequelques
articlesélémentaires précisant
les idées
fondamentales
en cettematière.
La
présente
étude a étérédigée
en vue deré~ondre
àleurs
desiderata. Ellecomprend
troisparties respectivement
consacrées :
- aux
fondements
destechniques statistiques ;
- au controle de la
qualité ;
- aux
techniques d’analyse
des résultats def abrication.
Bien
entendu,
le but de ce travail n’estpas
de décrirel’ensemble
destechniques statistiques susceptibles d’a~~lica-
tion dans le domaine industriel mais seulement d’énumérer
les ~rinci~ales
d’entre elles et d’endéfinir,
defaçon
élémen-taire,
lesmodalités ~ratiques d’emploi.
Ainsi conçus, les
chapitres qui
vont suivre - dans cenuméro
figurent
les troispremiers
- visent surtout à convaincreles
ingénieurs
et cadres del’e f ficacité
d’une science enPlein
développement.
7
~
INTRODUCTION
En
évoquant
sans autreexplication
lapuissance
de lastatistique appliquée
auxproblèmes
industriels,
onrisque
de provoquerquelque surprise
chez certains lecteurs. Assez souvent, eneffet,
lepublic français
ne connaît de lastatistique qu’un
de sesaspects
assezparticuliers,
à savoir lesprésentations
sous forme de tableauxnumériques plus
ou moinscompliqués
etplus
ou motns rébar-batifs de résultats de dénombrements
opérés
sur des ensembles - animés ou inanimés -importants.
Pour
beaucoup d’industriels,
il va de soi que les données concernant l’évolution de laproduction
nationale
d’acier,
la ventilation - parcatégorie
de contribuables - des sommespayées
au titrede
l’impôt
sur le revenu, la ventilation - parcatégorie
de marchandises ou de voyageurs - du trafic des chemins defer,
ladécomposition, -
parrégion,
par sexe ou parâge,
etc... - de lapopulation,
sont autant de «
statistiques
». Mais il en est peuqui
savent que leprélèvement périodique -
à lasortie d’une machine - d’un
petit
nombre depièces
et la mesure des cotes de cespièces
constituentune
opération statistique primaire,
riche deconséquences
pourqui
veutexploiter, toujours
par les méthodesstatistiques,
les résultats des mesuresopérées.
On ne saurait donc
trop
insister ici sur le fait que lastatistique, après
avoir étélongtemps
une
technique
deprésentation
de résultatsenregistrés
à l’occasion dedénombrements,
est devenue,au cours des
cinquante
dernières années, tout autre chose. Retenant la définitionqu’en
a donnéle statisticien
anglais
M. G.KENDALL,
onpeut
direqu’il s’agit
de « la méthodescientifique qui
traitedes données obtenues en
comptant
ou mesurant lespropriétés
despopulations
dephénomènes
naturels ».
Et,
par le fait même que le statisticienanalyse
lesphénomènes
naturels en vue deprendre
des
décisions,
le but de lastatistique
est, endéfinitive,
depermettre
à l’homme de secomporter
de
façon
telle que lafréquence
des réussites consécutives à ses décisions obéisse à desexigences
bien définies et fixées à l’avance.
Cette définition
posée,
il semble évidemmentinutile d’insistersurladiversité duchamp d’appli-
cation de cette branchede la
mathématique.
Iln’y
a, enparticulier,
rien d’étonnant à la voirs’implanter chaque jour davantage
dans le domaine industriel où l’on est amené, en permanence, àprocéder
àdes essais de
contrôle, puis
àanalyser
tes données ainsi recueillies.Dansunarticletrès
complet (1),
M.MORICE,
Directeur de la « Revue deStatistique Appliquée»,
a fait le bilan du
développement
mondial actuel desapplications
industrielles de lastatistique.
Noussouhaitons vivement que nos lecteurs
s’y reportent :
ils y trouveront, eneffet,
une documentation fort instructive.a
~ *
L’introduction des
techniques statistiques
dans l’industrieimplique l’adoption,
par lepraticien,
d’un vocabulaire nouveau. Si les éléments de ce vocabulaire - d’ailleurs restreint - doivent
être,
pour laplupart,
définis au cours même del’exposé,
il convientcependant
d’attirer dès maintenant l’attention du lecteur sur le fait que de nombreux termesd’usage
courant ontpris,
enstatistique,
des
significations particulières.
En vue d’éviter par la suite desméprises regrettables,
ilparaît
doncutile de
préciser
dès maintenant le sens attribué par les statisticiens à ces termesd’usage
courant.Matière. - On
désigne
sous le terme de matière toutproduit (ou
toutesubstance)
définiindépendamment
de saforme,
que cette forme lui ait été donnée en raison de ses conditionsd’emploi,
pour faciliter son
transport,
ou pourrépondre
à certains usages commerciaux.Le mot matière
peut
indifféremment serapporter
à l’acier constituant unlingot,
au cimentemmagasiné
dans un wagon, au tissu d’une robe, etc...(1) « Revue de Statistique Appliquée », volume l, n° 2.
8
Pièce. - Si l’on
parle
au contraire d’unproduit
défini en fonction de sa formeextérieure,
on utilise le mot
pièce.
Un
lingot (d’acier),
unrail,
un sac(de ciment),
uneampoule (électrique)
sont autantd’exemples
de
pièces.
Lot. - On
désigne
sous le terme de lot toutequantité
bien définie d’une même matière outout
ensemble, également
biendéfini,
depièces
de mêmetype.
’
Réceptionnant,
parexemple,
un certaintonnage
de ciment ou un certain nombre de caissesde tubes à
pommade (de
mêmemodèle),.on parle
leplus
souvent du lot de ciment ou du lot detubes donnant lieu à
réception.
Prise. -
Quant
onprélève
unepetite quantité
de matière au sein d’unequantité
de matièreplus importante,
on ditqu’il s’agit
d’uneprise.
Specimen. - Quand,
d’autrepart,
onprélève
unepièce
dans un ensemble depièces,
ondit
qu’il s’agit
d’unspécimen.
Eprouvette. - L’éprouvette
est unepièce (de type généralement spécifié
par des normestechniques) fabriquée
àpartir
d’uneprise
ou directementprélevée
dans unspécimen.
Si,
parexemple,
à l’aide d’uneprise opérée
dans un sac de ciment onfabrique,
en vue d’enétudier la résistance à la
compression,
unpetit cube,
ou si l’ondécoupe
dans unlingot,
en vue d’enmesurer la
charge
derupture,
unepetite pièce,
on a affaire - dans les deux cas - à deséprouvettes.
Essai. - Toute
expérience
effectuée sur uneprise,
unspécimen
ou uneéprouvette,
en vued’en mesurer, d’en
repérer,
ou d’en indexer unepropriété,
est un essai.Caractère. - La
propriété (des prises,
desspecimens
ou deséprouvettes)
surlaquelle
onfixe son attention est
généralement désignée
sous le terme de caractère.Si,
parexemple,
enprésence
depièces mécaniques
d’un certaintype,
on décide de vérifierune de leurs cotes - disons un diamètre - cettecote, autrement dit le diamètre en
question,
constituele caractère examiné.
Le caractère est, selon le cas,
qualitatif
ouquantitatif.
Revenant aux diamètres ci-dessusenvisagés,
il estclair,
eneffet, qu’on peut :
10 les
distinguer
à l’aide de calibres en «convenables
» et « défectueux »(sous-entendu :
par rapport
auxspécifications
dudessin) ;
2" ou bien les mesurer.
S’il est, d’autre
part,
très faciled’exprimer qu’un
caractèrequantitatif
est variable(il
suffitde
distinguer
les valeursprises
par le caractère enquestion),
ilparaît plus
délicatd’exprimer
la mêmeidée dans le cas d’un caractère
qualitatif.
Au cours de cette
brochure,
on tournera néanmoins la difficulté en faisant intervenir la notion d’attribut de tout caractèrequalitatif.
Dans le cas, par
exemple,
de l’examen aux calibres des diamètres ci-dessusenvisagés,
onliera au caractère « diamètre » les deux attributs « convenable » et « défectueux ».
Individu. - On vient de
distinguer
lesprises,
lesspecimens
et leséprouvettes,
mais il est sou-vent
commode,
en Contrôle desFabrications,
dedésigner
indistinctementprise, specimen
ouéprou-
vette sous le seul terme d’individu. Une telle convention
offre,
enparticulier, l’avantage
desimplifier
la
description
destechniques
de contrôle.De par sa définition même, l’individu est ainsi, dans tous les cas, l’unité du
produit
surlaquelle
il convient
(en
vue de mesurer, derepérer,
ou d’indexer le caractèrepris
enconsidération)
de faireporter
fessai.Par extension,
il
est souvent commoded’appliquer
le terme d’individu au résultat de l’essai.
Population. - Si,
enprésénce
d’unlot,
on se propose d’étudier une certainepropriété
- autrement
dit,
un certain caractère - duproduit
constituant lelot,
l’observation de ce caractèreimplique qu’on
fasseporter
les essais sur des individus et l’ensemble des individus qu onpeut,
oupourrait,
tirer de l’ensemble du lot constitue cequ’on appelle
lapopulation.
Il
paraît important
desouligner
que la notion de «population
» ne s’identifie pas exactement à celle de « lot ». Elleprésente,
sur cettedernière, l’avantage
d’êtrebeaucoup plus précise.
Ellen’est,
en
effet,
définiequ’après
lechoixducaractère sur lequel
on entendporter
son attention et donc dutype
des individus à soumettre aux essais. A cet
égard, l’exemple
suivantsouligne
la différence existant entre les deuxconcepts.
9
imaginons
un lot delingots.
Si l’on s’attache à l’étude dupoids
deslingots, chaque lingot
estun individu et la
population
s’identifie au lot lui-même.Si,
enrevanche,
on s’attache à l’étude de la résistance à la traction de l’acier constituant leslingots,
les individus sont deséprouvettes
d’un cer-tain
type (à extraire
deslingots)
et lapopulation
est l’ensemble deséprouvettes qu’on peut,
ou pour- rait, tirer de l’ensemble dulot,
ou encore l’ensemble des mesurescorrespondantes
de résistance.Les distinctions
qui précèdent peuvent sembler
bien subtiles. Elles sontcependant primordiales.
Dans la mesure où elles
obligent
à réfléchir sur la nature exacte desproblèmes
de contrôle ren-contrés,
ellesconduisent,
eneffet,
à poser correctement cesproblèmes.
Inspection
à 100%. 2013 Quand
tous les individuscomposant
lapopulation
observée sontsoumis aux essais, on dit
qu’il
estprocédé
à uneinspection
à 1000/..
’
Très souvent,
l’inspection
à100 °ô ne s’impose
nullement. Dans bien des cas, elle n’est d’ailleurs même pas réalisable(essais destructifs).
Inspection
sur échantillon. -Quand
seule unepartie
des individus constituant lapopula-
tion observée est soumise aux essais, on dit
qu’il
estprocédé
à uneinspection
sur échantillon.On
désigne
de cefait,
sous le termed’échantillon,
l’ensemble des individus effectivement soumis aux essais(et
non unesimple
«prise
témoin » comme on le fait souvent dans lecommerce).
PREMIÈRE PARTIE
FONDEMENTS DES TECHNIQUES STATISTIQUES
13 CHAPITRE 1
PRÉSENTATION ET DESCRIPTION
DES FLUCTUATIONS RENCONTRÉES EN PRATIQUE
La
première phase
de tout contrôle consiste à soumettre aux essais unplus
ou moinsgrand
nombre d’individus
prélevés
dans lapopulation
àcontrôler,
les résultats des essais constituant la documentation àexploiter
par la suite.Réceptionnant,
parexemple,
un lot de ciment dont on désire contrôler la résistance à l’écra- sement, lapremière phase
du contrôle consiste àprélever
au sein du lot un certain nombre deprises ;
à confectionner - à t’aide des
prises opérées -
deséprouvettes
d’un certaintype ;
à soumettre ceséprouvettes
aux essaisrequis.
L’étude des résultats obtenus doit ensuitepermettre
de décider si le lot de cimentprésente
ou non lescaractéristiques espérées.
De
façon analogue,
le contrôle - en coursd’usinage -
depièces métalliques
débitées parun tour
automatique implique obligatoirement
que soitprélevé
et examinépériodiquement
un cer-tain nombre de
pièces,
l’étude des résultatsenregistrés
devantpermettre
dedéceler,
sanstrop
deretard,
lesdéréglages
du tour.Abstraction
faite, donc,
des difficultés de réalisationpratique
des essais, onpeut
dire que lapremière phase
detout
contrôle pose unproblème
deprésentation
rationnelle des résultats d’essais.1. 1 - DISTRIBUTION DE
RÉSULTATS
D’ESSAIS.On résout le
plus
souvent ceproblème
enadoptant
laprésentation qui
consiste à grouper ensemble les résultatsidentiques,
autrementdit, qui
consiste à fairecorrespondre
àchaque
valeurou attribut du caractère
pris
enconsidération,
le nombre des individusayant
effectivementprésenté
cette valeur ou cet attribut.
Le tableau à deux colonnes obtenu en
procédant
de la sorte définit cequ’on appelle
unedistribution.
1. - Cas d’un caractère
qualitatif (Tableau
,. 1.1.)
Distribution
obtenue après inspection
aux calibres de 175pièces
métalliaves :
14
2. - Cas d’un caractère
quantitatif (Tableau
1. 1.2.) :
* .Distribution
obtenue’ après
avoir faitbrûler,
à l’air
libre,
100segments
de cotonpoudre (longs
de t m.chacun) :
Remarques :
(1) Quand
le nombre total des essais effectués est trèsréduit,
il nepeut
évidemment être ques- tion deprésenter
leurs résultats sous forme dedistribution,
aussi se contente-t-ongénéralement
deles ranger par ordre croissant
(ou décroissant).
(2)
Au lieu dejuxtaposer
à chacun des attributs ou à chacune des valeurs du caractèrepris
en considération le nombre d’observations
qui
luicorrespond,
il est souvent commoded’exprimer
ce nombre en valeur relative. Les
rapports
ainsi obtenus sont alorsdésignés
sous le terme defréquences.
(3) Lorsque
le caractère examiné estquantitatif,
la distributionpeut
êtreprésentée
de deuxfaçons
différentes.L’appareil
de mesure mis en oeuvredécoupant (obligatoirement)
de manièrediscontinue l’intervalle dans
lequel
varie l’ensemble des observations effectuées(1),
il y a, eneffet,
lieu dedistinguer
deux cas selon que le nombre des observations est ou non élevécomparativement
au nombre total des subdivisions résultant du
découpage
enquestion.
Dans le
premier
cas.,plusieurs
résultatscorrespondant -
engénéral -
àchaque
subdivi-sion, rien ne
s’oppose
à cequ’on
utilise la distribution sous la formeenregistrée
dès lapremière
miseen ordre.
Ayant,
parexemple, observé,
à la secondeprès,
les durées de combustion(de
100segments
de cotonpoudre) reportées
au Tableau1. . 2,
c’est-à-diredispersées
dans un intervalle de 10secondes,
tout traitement
supplémentaire
des données recueillies s’est révélé inutile.Il n’en est, en
revanche,
pas de même dans le secondqui
conduit àprocéder
àl’opération
dite de groupage en classes.
Revenant à
l’exemple précédent, imaginons qu’on
aitutilisé,
pour mesurer les durées de com-bustion,
un chronomètre donnant le millième de seconde. L’intervalle total de variation aurait couvert 10.000 subdivisions etchaque
subdivision n’aurait auplus compris qu’un
trèspetit
nombre d’obser-vations. Telle
quelle,
ta distribution obtenue se serait donc avérée très difficile àmanier.
Grouper
en classes consiste à diviser l’intervalle total de variation du caractère observéen un nombre raisonnabledeclasses successives,
puis
à attribuer àchaque
classe le nombre de résul- tatsqui
luicorrespond.
’
(1) En dixièmes, centièmes ou millièmes de millimètre par exemple.
15
Exemple (Tableau
1. 1.3.) :
Distribution d’excentricités de
pointes
de balles de fusil :Au
demeurant,
les deuxtypes
deprésentation
ne diffèrent pas radicalement l’uii del’autre,
le second ne consistant, en dernière
analyse, qu’à
superposer un second groupage à celuiqu’opère
initialement
l’appareil
de mesure mis en oeuvre. Il convient seulement de noter que tout groupageen
classes,
s’il estcommode,
faitcependant perdre
un peu d’information. Si l’ondispose,
par utilisa- tion d’un chronomètrequi
ne donne que laseconde,
de 6 évaluations de durées de combustionégales
à 87
secondes,
il est clairqu’on
n’a aucune indication sur larépartition
des 6 résultats dans l’inter- valle86,5
-87,5 secondes,
tandisqu’en présence
de résultatsenregistrés
au millième de seconde :86.574 . 86.691 I 86.908 87.057 87.221 87.342
on
dispose
d’une information dont onaccepte
volontairement de sepriver
dèsqu’on procède
augroupage sur 87.
En
pratique,
il est utile de choisir l’intervalle de classe defaçon
à ce que l’intervalle total de variation(ou étendue)
des résultatsenregistrés
couvre unequinzaine
de classes(environ).
Il y a intérêt à utiliser des classesd’égale amplitude.
(4)
Lareprésentation graphique
d’une distribution dutype
1. 1.2, représentation qui
consisteà
porter
sur l’horizontale les valeurs du caractère et, verticalement les effectifs ou lesfréquences correspondants,
estdésignée
sous le nom dediagramme
en bâtons.Fig. 1. 1. - Diagramme en bâtons.
16
De son
côté,
lareprésentation graphique
d’une distribution dutype
1. 1. 3,représentation qui
consiste àporter
sur l’horizontale les intervalles de classe etverticalement,
sur ces intervalles declasse,
desrectangles
de surfacesproportionnelles
auxfréquences correspondantes,
estdésignée
sous le nom
d’histogramme.
On
conçoit
aisément que si laprécision
des mesuresaugmente
et si le nombre d’observations est trèsgrand,
onpeut envisager
des classesd’amplitude
trèspetite ;
dans ces conditions laligne
en escalier limitant
supérieurement l’histogramme
tendra vers une courbe continueappelée
courbedes
fréquences.
Il est souvent commode
d’envisager
unereprésentation graphique
donnant le nombre(ou
lafréquence)
des observations inférieures(ou supérieures)
à une valeur donnée : on obtiendra ainsi lediagramme
cumulatif tendant lui aussi dans les mêmes conditions vers une courbe continue(courbe
derépartition
de ladistribution).
1. 2. - DESCRIPTION DES DISTRIBUTIONS RELATIVES A DES
CARACT~RES QUANTITATIFS.
Du tableau et du
polygone
defréquence
1. 1. 2 -qui
constituent la somme documentaire recueillie à la suite des essaispoursuivis
sur lessegments
de cotonpoudre -
il estpossible
de tirerun aperçu
synthétique.
Très intuitivement, on sent
qu’on
a le droit de « résumer », au moins enpremière approxi-
mation, la distribution observée en disant que les durées de combustion des
segments
soumis auxessais se sont, dans
l’ensemble, groupées
aux alentours de 90 secondes. On sentégalement qu’il
convient, si l’on veut
préciser davantage
cerésumé,
de mettre en évidence, d’unepart,
le fait que les17
durées de combustion se révèlent en
majorité
voisines de 90 secondes et, d’autrepart,
le faitqu’elles
se
dispersent
autour de cetteposition
centrale. Iln’y
a donc pas lieu de s’étonner de ce que les statis- ticiens se soient efforcés de définir desparamètres -
ondit.également
descaractéristiques -
sus-ceptibles
de décrire les distributions sous les deuxaspects
« tendance centrâtes et «dispersion ».
La liste des
caractéristiques auxquelles
ils sont parvenus étant trèslongue,
nous n’avons d’ailleurs pas laprétention
de toutes les passer en revue ici. Il va nous suffire de définir lesprincipales
d’entre elles,1. -
Caractéristiques
de tendance centrale.Mode : C’est la valeur du caractère à
laquelle correspond
leplus grand
nombre d’obser-, vations.
Médiane : C’est la valeur du caractère autour de
laquelle
separtagent
par moitié les obser-vations. ~
Moyenne arithmétique :
Elleest, trop
connue pourêtre,
définie. Defaçon générale,
sil’on
désigne
par ni le nombre d’observations de valeurx;,1a
moyennearithmétique
s’écrit :~
On la
désigne
aussi, très souvent, ensurlignant
l’indicatif de la variable àlaquelle
elle serapporte.
Dans le casprésent,
parexemple,
cela conduit àremplacer
m’ par x.2. -
Caractéristiques
dedispersion.
Etendue
(ou amplitude
ou encore intervalle devariation) :
C’est la différence entre laplus
forte et la
plus
faible valeur observée à la suite des essais. ~’
Variance : C’est la somme, divisée par !e nombre total
d’observations,
des carrés des diffé-rences à leur moyenne
arithmétlque
des valeurs observées. On ladésigne généralement
par lesymbole
a’2(lire : sigma p-rime deux), ou par
lesymbole
s~.Ecart-type :
C’est la racine carrée(positive)
de la variance évidemmentdésignée
par (FI(lire : sigma prime),
ou s’ 4 - ,Exemple :
Les calculs desprincipales caractéristiques
de tendance centrale et dedispersion
des distributions de résultats d’essais sont, en
général
extrêmementsimples, beaucoup plus simples
même que ne le laissent supposer les définitions
qui précèdent-
Pour les
simplifier
au maximum, il suffitde
tenircompte
des remorques suivantes :1 °. -
Quant
on a affaire à une distributionobtenue-après groupage
en classes, il convientde
remplacer -
au cours des calculs -chaque
classe par sa valeur centrale ;2°. - Il y a souvent intérêt à calculer la moyenne, la variance et
l’écart-type
de la distribu-tion non pas à
partir
des valeurs x; directement observées, mais àpartir
des valeursti
xi - x~des x;
rapportées
à une nouvelleorigine
xo.’
Dans le cas de la distribution 1. 1. 2, par
exemple,
il est commode -plutôt
que de mener les calculs à l’aide des valeurs85,
86, etc... de choisir, audépart,
comme nouvelleorigine
et de travailler sur les valeurs - 5, - 4..., etc...
On repasse ensuite, sans
difficulté,
de ~a moyenne t’ dest
i à la moyenne réelle m , en utili- sant la relation :Par
ailleurs,
la variance etl’écart-type
des ti coincident avec la variance etl’écart-type
des xi.18
3°. - Le calcul de 10 médiane est immédiat par cumul successif des nombres d’observations
correspondant
aux différentes valeurs du caractère.Il
suffit,
eneffet,
de retenir comme médiane la valeur du caractère enregard
delaquelle
letotal des observations
jusque
là cumulées atteint la moitié du totalgénéral
des observationsprises
en
compte
dans la distribution.Graphiquement,
pour un ensemble de nobservations,
la médiane sera déterminée àpartir
dudiagramme
cumulatif comme étant l’abscisse dupoint
dont l’ordonnée estégale à i ou
à0,50,
selon
qu’il s’agit
dudiagramme
des effectifs ou dudiagramme
desfréquences.
TABLEAU DE CALCUL 1. 2. 1. - DISTRIBUTION 1. 1. 2.
Mode : Le mode est
égal
à 90.C’est,
eneffet,
à cette valeur de x quecorrespond
le nombred’observations maximum
(23).
Médiane : La médiane étant par définition la valcur du caractère autour de
laquelle
se par-tagent,
par moitié, les observations,correspond
ici à la 50-51 observation(puisqu’il
y en a100).
Or,
il ressort de l’examen de la colonne(3)
que 23 observations dont les numérosd’ordre,
par ordre croissant, vont de 45 à67, correspondent
à xi = 90. C’est donc là la valeur médiane.Moyenne arithmétique :
Parrapport
àl’origine
Xo "-90,
la moyennearithmétique
n’est autre que le total de la colonne
(5)
divisé par le nombre total d’observationsd’où
Amplitude
ou étendue : L’étendue, différence entre laplus
forte et laplus
faibleobservation,
est évidemment
égale
à :19
Variance: La variance des xi étant la même que la variance des
ti,
onpeut
écrireLa somme :
E
n,t~ figurant
dans la colonne(6)
on a alors :Ecart-type :
Dans ces conditionsRemarque :
Dans le cas des distributions dutype
1. 1. 3.(valcurs
du caractèregroupées
enclasses)
les calculs s’effectuent defaçon identique
en retenant comme valeur x; dechaque
classe,la valeur centrale de cette classe.
Dans ce cas, si on pose :
Xo étant le centre d’une classe
quelconque,
a : l’intervalle de
classe,
t : une variable auxiliaire définissant le rang
(positif
ounégatif)
d’une classequelconque
parrapport
à la classe du centre xoprise
commeorigine,
on aura :
t’ étant la moyenne
pondérée
des valeurs des t :De même
d’où l’on tire
20
1. 3. -
DIVERSITÉ
DES CAUSES DE FLUCTUATIONS DES FABRICATIONS.La mise en ordre - sous forme de distribution - des résultats d’essais ne
s’impose
évidem-ment que dans la mesure où les résultats sont entachés de
plus
ou moinslarges
fluctuations. Mais c’est là unphénomène
trèsgénéral.
Endépit
desprécautions prises
enfabrication,
lespropriétés
des
produits usinés
nesont jamais constantes : un exemple (!) que nousemprunterons
a M. YRIBARRENillustre d’ailleurs clairement, dans un cas
particulier,
la diversité des sourcespossibles
de dis-persion.
Se référant au cas d’un tour
parallèle classique,
cet auteur lesdénombre,
eneffet,
commesuit
(2) :
A. - Provenant de la machine et des
montages :
I .
-
Reproduction
des ondulations des surfaces deglissement
ou des chemins deroulement ;
2. -Imperfections
des organescinématiques
discontinus oupériodiques, bielles,
engrenages ; 3. -Imperfections
par défautd’équilibrage
et inerties secondaires des moteurs,pièces
ouporte-
pièces. ’
B. - Provenant du Porte-Pièces :
a)
Ecarts de man0153uvre :4. -
Déplacements
de l’axe de la broche depoupée
parrapport
à lui-même sous l’influence : dedémarrages
etfreinages,
dechangements
de vitesse debroche,
de variations éventuelles dues à laprésence
de courroies ;5 - Variations par
rapport
à l’axepoupée - contrepointe,
dues audégagement
et auréenga- gement entrepointes ;
6. - Je J de la broche de
contrepointe
sous l’action dusystème
deblocage
de celle-ci.b)
Ecarts dûs aux contraintes en travail :7. -
Déplacement
de l’axe de la broche de lapoupée
àl’attaque
de l’outil et en passe(influence
des
jeux
de coussinets ou desroulements) ;
8. -
Déplacement
de l’axe de la broche decontrepointe
dans les mêmes conditions.C. - Provenant du Porte-outil :
a)
Ecarts de man0153uvre :9. - Variations, par
rapport
à saposition type,
de laposition
réelle de l’outil dans des conditionsapparemment identiques
de remise à zéro(influence
dejeux
dans lesglissières
et les sys- tèmes vis-écrou des chariots transversal etlongitudinal) ;
10. - Variations, par
rapport
à saposition type,
de laposition
réelle del’outil,
lors dudéplace-
ment du traînard
(influence
desjeux
etimperfections
dans lesglissières
banc-traînard et contraintes d’entraînementpignon-crémaillère
ouvis-mère).
b)
Ecarts dûs aux contraintes en travail :! t . -- Affaissement ou levée des chariots transversal et
longitudinal
sur leursglissières ;
12. - Affaissement ou levée du
grand
chariotlongitudinal
sur sesglissières ;
13. - Déformations de l’outil en travail ;
14. - Déformations du
porte-outil
et de la tourelleporte-outil.
M. YRIBARREN dénombre donc, en ce
qui
concerne la machine-outil laplus
courante, qua-torze sources de
dispersion.
Encore ne tient-ilcompte
que des élémentsperturbateurs imputables
auseul matériel de fabrication. En
pratique,
les matièrespremières,
lesopérateurs,
lesappareils
demesure mis en oeuvre lors des essais, sont autant de causes
supplémentaires
de fluctuationsqu’il
est.a
priori
difficile denégliger.
(1) Cité par M. METRAL : « La haute précision, impératif catégorique de la machine-outil » (MICROTECNIC,
Vol. l, n 6. 1952).
(2) Dans l’hypothèse, restrictive, de la constance des caractéristiques de l’outil.
21
’
CHAPITRE Il
QUELQUES SCHÉMAS THÉORIQUES DE FLUCTUATIONS
En preserrce d’un
phénomène naturel,
la démarche del’esprit
humain estd’essayer
d’en trou-ver une
représentation simplifiée.
Les théoriciens se sont donc efforcésd’imaginer
des schémas«
théoriques »
de fluctuations voisins des schémas lesplus
couramment observés enpratique.
Pour ce
faire,
ils ontanalysé
certains mécanismesgénérateurs
de fluctuations et ils ont tout d’abordporté
leur attention sur les mécanismes lesplus simples :
lesjeux (de dés,
de cartes,etc...).
Ensuite,
ils ontprogressivement envisagé
des schémasplus complexes.
Ils sont ainsi parvenus à élaborer une très
grande
variété de « modèlesthéoriques » :
il noussuffira d’énumérer ici les
principaux
d’entre eux ; ce sont d’ailleurs lesplus
utiles enpratique
in- dustrielle courante.Il. 1. - LA DISTRIBUTION NORMALE OU DISTRIBUTION DE LAPLACE-GAUSS.
1. -
Description.
’La distribution
normale, également appelée
distribution deLaplace-Gauss,
a pourrepré-
sentation
graphique
la courbe connue sous le nom de « courbe en cloche » dont tout le monde aplus
ou moins entenduparler.
C’est une distribution « continue » en ce sens que le caractère xauquel
elle se
rapporte
varie defaçon
continue.Il lui
correspond,
comme à toutes lesdistributions,
descaractéristiques
de tendance centrale et dedispersion.
Lesprincipales
d’entre elles sont la moyenne eti écart-type :
une distribution normale est en effet entièrement définie par ces deuxparamètres.
Si l’on
désigne
par m la moyenne etpara l’écart-type
d’une distribution normale et si l’on fait lechangement
de variablela distribution se met sous une forme
qu’on
dit « réduite ».Dans la table N° 3
(il
en existe deplus détaillées) figurent
lesproportions théoriques
d’obser-vations - on dit encore : les
fréquences théoriques
ouprobabilités
-n(t)
-correspondant,
pour différentes valeurs de t, à l’intervalle(2013oo,t) (moins l’infini, t).
Lesfréquences théoriques
correspon- dant à un intervallequelconque (t,, t2)
s’en déduisent immédiatement par différenceFig. Il. 1. - Loi normale (Courbe de
distribution.)
22
La relation existant entre les valeurs de t et les valeurs des
fréquences théoriques
correspon- dant à l’intervalle( -oo, t)
définit cequ’on appelle
la fonction derépartition
de la distribution normale réduite.Remarques importantes.
Si l’on considère une distribution normale de moyenne m et
d’écart-type o’ ,
ilsuffit,
pour définir lafréquence théorique correspondant
à un intervalle(x,, x~,
de former :et de faire la différence entre les valeurs de la fonction de distribution de la loi normale réduite lues
en
regard
det,
ett2,
dans la table N° 3.Exemple :
Etant donné la distribution normale de moyenne m =
19,8
etd’écart-type(y
=2,3,
déterminerla
fréquence correspondant
à l’intervalle : x, =21,2 ;
x2=22,3 .
On a :Or, dans la table N°
3,
onlit,
enregard de t,
ett2,
lesfréquences
A .l’i ntervalle
(x,, x2) correspond
donc lafréquence
2. -
Propnétés :
La distribution normale
possède
un certain nombre depropriétés qu’il
convient detoujours garder présentes
àl’esprit,
en raison de leur intérêtpratique :
a)
- Forme :Elle est de forme
symétrique :
lafréquence théorique correspondant
à tout intervalle(t,, t~)
est
identique
à lafréquence correspondant
à l’intervalle(- t1
-t2).
b)
- Intervallesprivilégiés :
De l’examen de la table de ta distribution normale réduite
(cf.
table N°3),
il ressort :-
qu’à
l’intervalle(t 2/3,
t =2/3 correspond
lafréquence
50(X)
environ ;-
qu’à
l’intervalle(t
= -l,
t =+ 1) correspond
lafréquence
68%
environ ;-
qu’à
l’intervalle(t = - 2,
t = +2) correspond
lafréquence
95(X)
environ ;-
qu’à
l’intervalle(t
= -3,
t =+ 3) correspond
lafréquence
9970/00
environ.Ces résultats définissent très
simplement quatre
intervallesparticuliers comprenant
respec- tivement lamoitié,
les deux tiers, les dix-neufvingtièmes
et laquasi
totalité d’un ensemble d’obser- vations «théoriques
» normalement distribuées. Fournissant unedescription
résumée de la forme de la distributionnormale,
ils sont très souvent utilisés enpratique lorsqu’il s’agit
de comparersommairement à la normalité la forme d’une distribution effectivement observée. ,
On notera de
plus
que la distribution normale est illimitée(t pouvant
varier de - oo à+oo ),
alors que
pratiquement
les variables observées varient dans un intervalle fini.Il n’en résulte
généralement
aucun inconvénient en raison dufait, signalé ci-dessus,
que laquasi
totalité des valeurs de la variable réduite t se trouve dans un intervalle limité(la fréquence
desobservations extérieures à l’intervalle
(t = 2013 4J,
t =+ 4cr)
étant de l’ordre de un demi cent-millième),
Fig. II. 3. 2014 Droite de Henry.
23
c)
- Droite deHenry :
La
représentation graphique qui
consiste àporter
en abscisse les valeurs de t et en ordonnée les valeurs de la fonction derépartition
rt(t)
de la loi normale réduite conduit à la courbe en forme de S dessinéeFig.
Il.2.,
mais par une transformationsimple,
il estpossible
de passer de cette courbeen S à une droite.
Fig. Il. 2. - Loi normale (Courbe de répartition).
Si l’on considère la relation :
relative à une loi normale donnée
(m,o-),
on voit que lespoints
de coordonnées(x, t)
serontalignés.
Si la variable x observée est normalement
distribuée,
on pourra déduire des observations lafréquence expérimentale ni
des observations inférieures à une valeurparticulière
xi de x.A cette valeur
rt; ,
la table N° 3permet
de fairecorrespondre
une valeur t; de t. Ainsi, parexemple,
si70 %
des observations sont inférieures à xi, on aura, dansl’hypothèse
d’une distributionnormale,
On pourra donc
construire, à partir
desobservations,
le lieu despoints (xi, ti) qui
sera une droite si la distribution est normale. Enréalité,
même si la distribution estrigoureusement normale,
les
points
ne serontqu’approximativement alignés,
les observations neportant,
engénéral,
que surun échantillon limité de cette