R EVUE DE STATISTIQUE APPLIQUÉE
C. D UBY
La méthode Taguchi : valeur et limites
Revue de statistique appliquée, tome 37, n
o2 (1989), p. 7-15
<http://www.numdam.org/item?id=RSA_1989__37_2_7_0>
© Société française de statistique, 1989, 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 condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression 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/
LA MÉTHODE TAGUCHI : VALEUR ET LIMITES
C. DUBY
EDITORIAL
Ce numéro est consacré aux méthodes de
gestion
de laqualité développées
par TAGUCHI d’abord au
Japon, puis
aux Etats-Unis àpartir
du début des années1980,
méthodesqui
se sont introduites dans l’industriefrançaise
il y aquatre
oucinq
ans.Dans un
premier
article C. DUBYsouligne
l’intérêt et les limites de la démarchepréconisée
par TAGUCHIqui
étudie laqualité
d’unproduit
de saconception
à son utilisation en y incluant l’intérêt du client. Cette démarchereposant
d’unpoint
de vuestatistique
sur lesplans d’expérience,
VidalCOHEN,
dans un deuxième article fournit desrappels
et descompléments
sur cettetechnique,
et enparticulier
sur lesplans
2n .Dans un troisième
article,
C. CONSTANTdéveloppe
defaçon plus
appro- fondie que C. DUBY laméthodologie
recommandée parTAGUCHI,
avec en par- ticulier l’utilisation des tablesproposées
par ce dernier et desgraphes
linéairesassociés. Une étude de cas relative à la mise au
point
de fabrication du caoutchouc dans l’industrie automobile termine cet article.Les trois derniers articles sont
également
relatifs à des études de cas. Lepremier,
dû à I. BRETILLON et C. CONSTANT traite d’unproblème
dequalité
dans l’industrie
agro-alimentaire.
Les deux derniers illustrent l’utilisation de deux
logiciels
MAGIC-PLAN etRS/DISCOVER :
J.C. SISSON et S. TOUBIER GERMAIN étudient à l’aide dupremier logiciel
la mise aupoint
d’une cartouche dechasse,
tandis que E. JOBLET et E. de LARMINAT utilisent le secondlogiciel
dans unproblème chimique d’optimisation
de surfaceréponse.
La Revue de
Statistique Appliquée
remercie chaleureusement les auteurs d’avoirrépondu
favorablement àl’appel qui
leur avait été adressé pour réaliserce
numéro,
etespère
que ce dernier contribuera à une meilleurecompréhension
dela
méthodologie
TAGUCHI.Institut National
Agronomique Paris-Grignon
RESUME
Dans cet article, on cherche à
analyser,
d’une part les apports deTaguchi
au ContrôleStatistique
de laQualité,
d’autre part les faiblesses de sa démarche, mises en évidence par des statisticiensplus généralistes.
Cetteanalyse
devrait permettre aux utilisateurs de la"Méthode
Taguchi",
de mieuxs’adapter
auxproblèmes auxquels
il sont confrontés, sans suivreaveuglément
des recettes.Mots-clés : Méthode
Taguchi,
ContrôleStatistique
de laQualité,
PerMIA.1. Introduction
Personne,
actuellement nepeut
nierl’impact
des travaux deTaguchi
sur lagestion
de laqualité
dans lesentreprises.
S’il est de bon ton de citer la "méthodeTaguchi",
il est certainement utile de ne pas s’arrêter à considérer cephénomène
comme seulement une mode. Il faut essayer
d’analyser
les idées et lestechniques qu’il
aapportées
au monde industriel afin decomprendre pourquoi
il a su enconvaincre
beaucoup
tout en étant décrié et controversé par d’autres.Pour arriver à voir clair dans ce
phénomène,
il est nécessaire dedistinguer
lesidées et les
objectifs qu’il
propose pour la maîtrise de laqualité
dans les processusindustriels,
des solutionspratiques qu’il
donne pour atteindre cesobjectifs.
Son
approche
est très intéressante car en abordant leproblème
de laqualité
d’un
produit
dans sonensemble,
de saconception
à sonutilisation,
il endégage
une
rationalisation,
une"philosophie
de laqualité".
C’est sans doute par cetaspect qu’il
a unegrande originalité
encomparaison
aux attitudesqui
ont étéprises
traditionnellement par les
entreprises
et les statisticiens.Ceux-ci, trop
souvent,se sont
penchés
sur ceproblème ponctuellement,
en ne cherchant que des solutionspartielles.
Devant son
succès,
auJapon puis
auxEtats-Unis,
un certain nombre de statisticiens Box(1988),
Hunter(1985),
Kackar(1985)...,
ont d’abordessayé
deretrouver dans sa
présentation, quelles
idéesgénérales
de lastatistique
étaient sous-jacentes
à sa démarche dont lesjustifications
étaient confuses.Après
avoir clarifié les idées de base deTaguchi,
ils ontessayé
de le’-approfondir
pourélargir
et mieuxadapter
les solutions auxproblèmes posés.
C’estle cas en
particulier
de Box(1988).
8 C. DUBY
2.
Philosophie
deTaguchi
et définition desobjectifs
2.1.
Philosophie
Il se
dégage
deux idées fortes dans la démarche deTaguchi,
idéesqui
sem-blent naturelles une fois
qu’on
les aexprimées,
maisqui
ne l’étaient apparemment pas pour ceuxqui s’occupaient
dequalité.
Elles sont issues d’une part, de la définition
qu’il prend
de laqualité
d’unobjet fabriqué, qualité qui
ne se limite pas seulement auxperformances
del’objet
à sa sortie
d’usine,
maisprend
aussi encompte
l’environnement danslequel
serautilisé
l’objet
ainsi que son vieillissement.D’autre part, il ne se contente pas d’étudier
quelles
actions on peut avoir pour contrôler le processus de fabrication(on-line
feed-backquality control), progrès
en
général accompli
dans lesentreprises, qui
ont bien vu que les contrôles à laréception
n’étaient pas suffisants pour améliorer laqualité.
Il établit unestratégie
pour la maîtrise de la
qualité
enprévoyant
la maîtrise de laqualité
del’objet
dèssa
conception (off-line quality control),
et en définissant à toutes lesétapes
lesattitudes
qu’il
fautadopter
en tenantcompte
bien sûr des coûts entraînés par les actionsconséquentes.
2.2.
Définition
desobjectifs
Un
produit peut
être défini par un certain nombre de variables ou car-actéristiques qu’on appelle performances. Soit y
une de ces variables.Compte
tenudu
prix qu’il
apayé,
cettevariable y
a une valeur "idéale" pour le consommateur, valeur que l’on note T.Généralement quand
onspécifie
unproduit,
on assortit la valeur 7 de limites de tolérancesTi
etTs
àpartir desquelles
unobjet
sera considéré comme défectueux.Taguchi
fait remarquerqu’il
estdangereux
de considérer que tous lesobjets fabriqués
pourlesquels
yE[TZ, Ts]
sontéquivalents
dupoint
de vue de laqualité.
Un
objet
pourlequel y
v seraplus
satisfaisant pour le consommateur,qu’un
autre pourlequel
y = 7- ± 6, même si :7 ± 6 E
[Ti
1r.] .
.Le coût de la non
qualité
pour un telobjet
ne sera pas le même que pourun
objet
tel que yn’appartient
pas à l’intervalle detolérance,
mais ce coût existe même s’il est difficile à évaluer.Cette remarque est
importante
car la donnée de[Ti, Ts]
et la caractérisationdichotomique
d’uneproduction
enobjets
bons oudéfectueux, peut
conduire à oublierqu’il
y a’ une valeur "idéale" r, c’est-à-dire à ne pas chercher àrégler
constamment la
production
sur cette valeur et à se contenter de ne faire desréglages
que pour maintenir la
production
entre les deux limitesTiet Ts.
Cette attitude conduit à un
histogramme
de laproduction ayant
l’allure suivante :L’attitude consistant à viser T constamment conduit à un
histogramme
de laproduction qui
aplutôt
l’allure suivante :(Ces
courbesproviennent
d’unexemple comparant
des téléviseursSony
d’unmême
modèle, fabriqués
aux U.S.A.(1)
et auJapon (2), Taguchi (1985)).
Dans le cas
(1) l’objectif
était seulement que la fabrication reste entreTi
etTs ;
dans le cas(2)
il était réellement de viser T.Les coûts de la non
qualité
telle que la définitTaguchi
ne seront pas les mêmes dans les deux cas, nonplus
que ceux des contrôles.La
perte
occasionnée par la nonqualité
d’unobjet
dont laperformance
esty, est
approximativement :
K est un coefficient de
proportionnalité qui
assure la continuité de la fonctionL ( y )
auxpoints Ti
etTs.
On
peut
modélisersimplement
laperformance
Y d’unobjet pris
au hasarddans la
production
par :Y = 03BC + E
où IL est
l’espérance
de la variable aléatoireY,
queTaguchi appelle
lesignal ,
etE est une variable aléatoire
d’espérance
0 et de variance03C32, qu’il appelle
bruit.La
perte
moyenne L de laproduction
est alorsapproximativement égale
à :10 C. DUBY
Cette
perte
moyenne estproportionnelle
à la variabilité totale de laproduction
par
rapport
à r(l’écart quadratique
moyen deY), qui
sedécompose
en deuxparties,
l’une liée à l’écart de la moyenne de la
production
à la valeur"idéale",
l’autre liéeaux aléas de la
production
et de la consommation duproduit.
Il faudra donc pour minimiser la
perte
moyenne,agir
sur les facteursqui jouent
sur lesignal J.t
pour minimiser(03BC - )2,
et réduire lebruit,
c’est-à-dire0-2 .
Pour cela il faut faire une
analyse
serrée de tous les facteurs de variation et de leurs rôlesrespectifs.
3.
Analyse
et rôles des différents facteurs de la variabilitéPour
Taguchi,
outre les facteurs de fabricationjouant
sur 03BC, il estimportant
d’étudier aussi ceux
qui agissent
suro-2.
Ildistingue
troistypes
de facteursjouant
sur le bruit :
- les facteurs externes au
produit
durant sa fabrication(température, humidité, poussières, vibrations, etc...)
- les facteurs
qu’il appelle "imperfections
de fabrication"(variations
trèslocales d’un
objet
àl’objet
suivant au cours de lafabrication)
- les facteurs dus à la détérioration du
produit,
à son vieillissement.Cette classification des facteurs est
importante
car elle inclut laqualité
duproduit
au cours de sa vie et pas seulement à sa sortie d’usine. C’est encore unélargissement
de la définition de laqualité.
Après
cette remarque, pourcomprendre
lastratégie
deTaguchi permettant,
dès laconception
d’unproduit,
d’en mieux maîtriser laqualité,
il estplus
utiled’utiliser la classification des facteurs
proposés
par Hunter(1985).
Ce dernierdistingue :
- les facteurs contrôlés de fabrication
qui jouent
seulement sur J.t, notés x,- les facteurs contrôlés de fabrication
qui jouent
à la fois sur M et0-2,
notés x2- les facteurs incontrôlés
qui jouent
seulement sur0-2,
notés X3- les facteurs dont l’influence n’est pas
décelée,
notés X4.On a alors :
Hunter fait remarquer que les définitions de xi et de x2 ,
impliquent qu’il n’y
a pas d’interactions entre ces deux
types
de facteurs..
On
peut
aussi voir que l’existence simultanée des facteurs detype
xi et detype
x2 est la raison d’unphénomène
souvent observé : la varianceu 2
est liée àla moyenne 03BC.
4.
Stratégie d’optimisation
deTaguchi
Cette
stratégie
est fondée sur l’existence des deuxtypes
de facteurs xi et x2.4.1. Etude des variations de IL et de
u 2
enfonction
desfacteurs
Deux situations
peuvent
seprésenter :
On
peut
être dans le cas où l’ondispose
de bons modèles déterministes duphénomène
étudié(le
cas parexemple
des circuitsélectriques),
et on connaît laforme de la
réponse
y aux facteurs xl, x2, x3. L’étude des variationsde 03BC
et de03C32 peut
alors se faire par dessimulations, Taguchi
et al.(1984).
.
Mais on est souvent dans le cas où l’on ne connaît ni la fonction g ni la fonction h. C’est alors une étude
expérimentale qui permet
d’obtenir un modèlestatistique
de 4 et de0’2,
en fonction de ces trois facteurs.Taguchi
a mis à ladisposition
des utilisateurs de saméthode,
des listes deplans orthogonaux
fractionnés ou non. Cesplans
sont lesproduits
de deuxplans orthogonaux,
lepremier
pour étudier laréponse de y
en fonction de xi et de x2 , le deuxième pour étudiero-2
en fonction de x3 enchaque point
dupremier plan.
Les études de cas données dans ce numéro
(I. Brétillon,
C.Constant,
J.C.Sisson et S. Tourbier
Germain,
E. Joblet et E. deLarminat)
détailleront cette démarche.Ces listes de
plans
sontaccompagnées
degraphiques
aidant les utilisateurs à choisir et à mettre en oeuvre lesplans d’expérience pertinents.
Dans
l’analyse
de variance résultant de cesplans d’expérience,
il n’utiliseque la
partie
estimation des effets(principaux
ou interactions s’il y alieu)
sans sepréoccuper
de leursignificativité
par des testsd’hypothèses.
4.2. Critères
d’optimisation proposés
parTaguchi
Pour minimiser la
perte
due à la nonqualité, Taguchi
souhaite trouver lacombinaison des facteurs xi et x2
qui
maximise lerapport signal/bruit
ouplutôt
une fonction monotone de ce
rapport.
Pour cela il propose différents critères suivant la valeur "idéale" T :- "Plus c’est
petit,
mieux c’est"(the
smaller thebetter)
C’est le cas où la
performance y
est nonnégative
et a pour valeur ’idéale"T = 0
(par exemple
un tauxd’impuretés).
Le critèreproposé
est :Dans ce cas il cherche tout
simplement
à minimiser l’écartquadratique
moyen de Y.12 C. DUBY
- "Plus c’est
grand,
mieux c’est"(the larger
thebetter)
C’est le cas où la
performance
Y est nonnégative
et la valeur "idéale" estinfinie
(par exemple
unepuissance).
Il le traite comme un casparticulier
du casprécédent
enprenant
commeperformance z
=1 /y
dont la valeur "idéale" est alors 0. Le critèreproposé
est :- La valeur "idéale" est
finie,
différente de 0. Le critèreproposé
est :Il est à remarquer que les
plans d’expérience précédents
fournissentune seule estimation de ces critères pour
chaque
combinaison des facteurs introduits dans leplan.
On n’a pas derépétitions
pour ces critères.Une fois trouvée la combinaison de x1 et de X2
qui
maximise le critèreadopté,
on utilise alors x, pourajuster
J.L à la valeur rqui
devient la valeur cible de lafabrication,
sans modifieru 2
5.
Critiques
etcontre-propositions
Le
problème
soulevé parTaguchi
est celui de concevoir unproduit
defaçon
à obtenir une
dispersion
minimum pour unecaractéristique
dequalité ajustée
à unecertaine valeur
"idéale",
c’est-à-dire robuste au sensstatistique
du terme, defaçon
que la
qualité
ne soit pas sensible aux facteurs incontrôlés.Ce
point
de vue estapprouvé
par les statisticiensqui
ont étudié sa démarche eten
soulignent l’originalité;
par contre ces mêmes statisticienscritiquent
les moyensqu’il
donne pour le résoudre. Enparticulier
Box(1988)
ditqu’ils
sontparfois
inefficaces et inutilement
compliqués.
Il y a deux
aspects
dans sescritiques :
- la
pertinence
du critère àoptimiser
- ses
qualités statistiques.
Par
exemple,
si l’on considère le casde {SNT},
il faut d’abord considérer que c’est l’estimation dedont il faut étudier la
pertinence (03B3
est le coefficient devariation).
L’objectif
deTaguchi
étant de minimiser laperte
moyenne L =K E(Y -r)2 ,
il suffit alors de trouver la combinaison des facteurs de fabrication xo =
(XI0, X20), qui
minimise l’écartquadratique
moyen de Y(ou plutôt
sonloga-
rithme),
considéré alors comme laréponse expérimentale.
La
planification expérimentale
doit alors être conduite pour trouver ce mini- mum, ou s’enrapprocher,
en utilisant toutes lestechniques statistiques disponibles
pour la recherche du minimum d’une surface de
réponse,
sans se restreindre auxplans
donnés parTaguchi (E.
Joblet et E. de Larminat(1989)).
Mais si on se heurte à un
problème
d’hétéroscédasticité lié à l’existence de facteurs detype
X2précédemment défini,
on doit rechercher un critère dans la classeplus large
des PerMIA(performance independent
ofadjustement),
étudiéepar Léon et al
(1987).
En ne
prenant
encompte
que les facteurs contrôlés de lafabrication,
si on suppose que l’onpeut
trouver une fonctionf
telle que :alors
P(X2)
est une mesure de ladispersion indépendante
de 03BC, car si on fixe X2, J-t est une fonction de xi seulement. C’est donc une PerMIAqui
pourra êtreminimisée,
et xi servira àajuster M
à la valeursouhaitée,
sans enchanger
la valeurpuisque P(X2)
nedépend
pas de xi.Ainsi,
l’écartquadratique
moyen de K seraégal
à :On
peut
minimiserEQMY
en deuxtemps :
1. en cherchant la valeur X20qui
minimiseP(X2)
2. en
ajustant,
à l’aide de xi, IL à lavaleurgo qui
minimiseEQMy(XI, X20),
où
Cette valeur go n’est pas
égale
à la valeur "idéale" T, mais n’en estgénéralement
pas loin(dans
unexemple
donné parBox,
il trouve go = 9.93 pour une valeur r =10).
Onpeut
la calculer àpartir
del’équation précédente
par une méthode itérative
prenant
T comme valeur initiale pour 03BC0.En
poursuivant
ceraisonnement,
Box recherche alors pourquelle
fonctionf
le critère
SNT
est une PerMIA. Il trouve que c’en est unelorsque f (11)
= /1La valeur cible est alors /10 =
r/ (1 + /5),
si 03B30, est la valeur minimum du coefficient de variation.Si donc le
rapport signal/bruit
est unePerMIA,
c’est-à-dire si1(/1) = /1,
lastratégie
deTaguchi
est efficace car ¡.Lo, valeurqui
minimise laperte
moyenne estgénéralement
trèsproche
de la valeur idéale T.Par contre, si le
rapport signal/bruit
n’est pas unePerMIA,
alors la démarcheproposée
parTaguchi
estinefficace,
le critèreSNT
n’est paspertinent.
En
pratique,
si on observe une croissance del’écart-type
en fonction de la moyenne, et si on nedispose
pas d’une fonctionf explicitant
la liaison entre la14 C. DUBY
moyenne et la
variance,
il serapréférable
d’utiliser le critèreSNT (qui,
pour êtreune
PerMIA,
suppose que le coefficient de variation soitconstant),
que de ne pas tenircompte
de la liaison observée entrel’écart-type
et la moyenne.Box fait alors remarquer
qu’il
est bien connu que sur unlarge domaine,
lecoefficient de variation est
pratiquement proportionnel
àl’écart-type
deLnY,
il estalors
équivalent
de travailler avecl’écart-type
de LnYou avec le critèreSNT.
Mais bien
sûr,
si on connaît la forme de la liaisonmoyenne-variance,
il nefaut pas
négliger
cette information en s’enfermant dans la solution deTaguchi.
Cette information devra être utilisée pour trouver le critère
adapté
à la situation.De
façon générale,
on n’a même pas besoin de connaîtreexplicitement
laforme de la liaison
moyenne-variance ;
il suffit pour trouver une PerMIA de trouver unchangement
de variablequi
stabilise lavariance, qui
n’est pasobligatoirement
la transformation
logarithme. L’avantage supplémentaire
de ceschangements
devariable est
d’apporter
souvent par surcroît la Normalité à la nouvellevariable,
cequi
améliore les conditions danslesquelles
on fera lesanalyses
de variance desplans d’expériences.
Enfin le critère utilisé
après
ces transformations est toutsimplement
lavariance de la variable
transformée;
c’est unestatistique
pourlaquelle
iln’y
a pas deproblème d’estimation,
et pourlaquelle
lespropriétés statistiques
de l’estimation sont bien connues.De
façon générale
Boxrappelle
que certainestechniques graphiques (par exemple
les "Normalplots",
les"Bayes plots"), peuvent
être d’unegrande
efficacitépour résoudre les vrais
problèmes posés
parTaguchi.
Ilsouligne
aussi le fait que les décisions étantprises
au vu de résultatsexpérimentaux,
il ne faut pas oublier dedistinguer quels
sont les effetsqui
sedistinguent
dubruit,
c’est-à-direqui
sontréellement
significatifs,
de ceuxqui
ne le sont pas.6. Conclusions
De toute cette réflexion il faut retenir la
philosophie
deTaguchi
mais nonsuivre
aveuglément
sa démarche.Son
point
de vue surl’appréhension
desproblèmes
du contrôle dequalité
estl’objet
d’un consensus des statisticiensqui
se sontpenchés
sur ses travaux.Il
prend
encompte
la vie d’unobjet depuis
saconception jusqu’à
sonutilisation
prolongée.
Le contrôle de laqualité
doit donc se faire à toutes lesétapes
de cette vie. La mise en
place
et les coûts des contrôles à chacune desétapes dépendent
fondamentalement de laspécification
duproduit
choisie au moment desa
conception.
C’est donc cettespécification qui
devra être étudiée pouroptimiser
la
qualité
duproduit,
c’est-à-dire pour le rendre leplus
insensiblepossible
auxcauses de non
qualité.
Par contre, il faut se libérer du carcan de la méthode
Taguchi
pour atteindre lesobjectifs fixés,
cette méthode étanttrop étroite,
pas forcément efficace etadaptée.
Il faut utiliser toute la connaissance
disponible
enstatistique
pourrépondre
au mieux
(méthodes descriptives, inférentielles, séquentielles,
etc...).
Pour cela ilfaut que la formation des
ingénieurs
enstatistique
soitsuffisante,
etplutôt
que de leur donner des recettes comme le faitTaguchi,
il faut leur donner lacapacité
deraisonner leurs
problèmes
eux-mêmes.Enfin,
il faut remarquerqu’il
y a encore unegrande
idéesous-jacente
dansla démarche de
Taguchi;
cette idée seplace
sur un autreregistre,
etexplique
sansdoute une
partie
de son succès. Il acompris
que lastatistique
est un domainedifficile,
que la maîtrise de son usage demande une technicité que n’ont souvent pas les gensqui
travaillent dans l’industrie. En tenantcompte
de cela il a mis à leurdisposition
des outils ne leurposant
pas deproblèmes métaphysiques (c’est
sansdoute la raison pour
laquelle,
enparticulier,
il ne fait pas de tests designificativité
des résultats obtenus avec des
plans d’expérience).
Il faut en retenir la nécessité de
développer
unepédagogie
de lastatistique
et de ses
méthodes,
enparticulier
dans les milieux industriels. Il faut éviter dedécourager
les éventuels utilisateurs par unappareillage mathématique trop
lourd et pastoujours
nécessaire pour les besoins de ces utilisateurs. La recherche deprésentations
favorisant lacompréhension
des idées fondamentales est aussi nécessaire. Nous devons et pouvonsbeaucoup
progresser en la matière.Bibliographie
BOX, G.
(1988), "Signal-to-Noise
Ratios, Performance Criteria, and Transformations",Technometrics, 30, 1, 1-16.
BRETILLON,
I. etCONSTANT,
C.(1989),
"Etude de l’humidité finale d’un biscuitaprès séchage
au four à microondre par unplan
de typeTaguchi",
Revue deStatistique Appliquée,
37, 2, pp. 79-86.COHEN, V.
(1989),
"Introduction auxplans d’expérience",
Revue deStatistique Appliquée,
37, 2, pp. 17-45.CONSTANT,
C.(1989),
"Laméthodologie Taguchi",
Revue deStatistique Appliquée,
37, 2, pp. 47-78.HUNTER, J.S.
(1985),
"StatisticalDesign Applied
to ProductDesign",
Journalof Quality Technology,
17, 4, 210-221.JOBLET,
E. et de LARMINAT, E.(1989), "Méthodologie Taguchi appliquée
à une étudede surface de
réponse",
Revue deStatistique Appliquée, 37,2,
pp. 103-116.KACKAR R.N.
(1985),
"Off-lineQuality
Control, ParameterDesign
and theTaguchi
Method"
(avec discussion),
Journalof Quality Technology,
17, 4, 176-209.LEON, R.V.,
SHOEMAKER A.C, and kACKAR R.N.(1987),
"Performance MeasuresIndependent
ofAdjustement" (avec discussion),
Technometrics, 29, 253-285.SISSON J.C. et TOURBIER GERMAIN S.
(1989),
"Mise aupoint
d’une cartouche de chasseavec l’aide de MAGIC PLAN, Revue de
Statistique appliquée,
37,2, pp. 87-101.TAGUCHI G. and PHADKE M.S.
(1984), "Quality Engineering Through Design Optimiza-
tion",Conference
Record(I.E.E.E.
Globecom 1984Conference,
AtlantaGeorgia),
Vol. 3, 1106-1113. N.Y..
TAGUCHI G.