• Aucun résultat trouvé

Analyse de Pareto - Diagramme de Pareto

N/A
N/A
Protected

Academic year: 2022

Partager "Analyse de Pareto - Diagramme de Pareto"

Copied!
5
0
0

Texte intégral

(1)

But

Graphique à barres verticalesen ordre décroissant de fréquence.

(ou en ordre décroissant des coûts préférablement) Le graphique qui résulte s’appellediagramme de Pareto.

C’est un outil de visualisation de la fréquence (coût) des causes, des sources de variation, des problèmes de qualité, etc.

Applications

 Mettre en évidence l'aspect principal d'un problème.

 Établirlespriorités dans les activités d’amélioration de la qualité.

 Aider à choisir les éléments ou causes spécifiques à étudier en vue d’apporter des améliorations.

 Évaluer l'efficacité des améliorations apportées en présentant les diagrammes de Pareto :avant et après

 Permet de comprendre au premier coup d'œilles problèmes et leur gravité respective

 Mettre en ordre d’importance,les effets des facteurs dans une expérience planifiée.

Principe

loi de Pareto aussi appelée règle du 80 / 20

80% de la variabilité est expliquée par 20% des causes Formulation de Juran “Vital few and trivial many”

Exemples

 Un petit nombre de catégorie de défauts expliquent la majorité des défauts.

 Un nombre restreint de processus cause la majorité des rebuts.

 Un petit nombre de produits expliquent la majorité des profits.

 Un nombre restreint de clients est la source principale des ventes.

 Un petit nombre de fournisseurs sont responsables de la majorité des pièces non conformes.

Méthode

1. Choisir la variable catégorique (X axe horizontal) pour classer les données :

type de non-conformité (défauts), type de produits, machines, opérateurs, causes, etc.

2. Choisir une unité de mesure (Y axe vertical) pour faire le tableau des données : effectif (ou fréquence), coûts.

3. Faire la collecte des données ou employer des données historiques disponibles.

Préciser la période de référence où les données furent collectées.

4. Produire le tableau et tracer le graphique en ordre décroissant de fréquence ou coût.L’ajoutde la courbefréquence cumulative est optionnel mais utile.

Remarque : un logiciel statistique est très utile pour

Consigner les données et Tracer le graphique.

Analyse de Pareto - Diagramme de Pareto

(2)

2

Exemple 1 nombre de défauts sur un circuit imprimé

D. C. Montgomery (2005) Introduction to Statistical Quality Control, 5e, p. 293 données brutes : 98 observations fichier Statistica

type de défaut sur un circuit imprimé type défaut fréquence

1 Wire_Incorrect 1

2 Sold._Insufficient 1

3 Raw_Cd_Damaged 1

. . . . . .

96 Comp._Improper_1 1

97 Tst._Mark_EC_Mark 1

98 Sold._Splatter 1

tableau des effectifs (fréquence)

Frequency table: type défaut (Pareto-défauts circuits imprimés.sta) Count Cumulative Percent Cumulative

Stamping_Oper_ID 1 1 1.02 1.02

Stamping_Missing 1 2 1.02 2.04

Sold._Short 1 3 1.02 3.06

Wire_Incorrect 1 4 1.02 4.08

Raw_Cd_Damaged 1 5 1.02 5.10

Comp._Extra_Part 2 7 2.04 7.14

Comp._Missing 2 9 2.04 9.18

Comp._Damaged 2 11 2.04 11.22

TST_Mark_White_Mark 3 14 3.06 14.29

Tst._Mark_EC_Mark 3 17 3.06 17.35

Raw_CD_Shroud_Re. 3 20 3.06 20.41

Sold._Splatter 5 25 5.10 25.51

Comp._Improper_1 6 31 6.12 31.63

Sold._Opens 7 38 7.14 38.78

Sold._Cold_Joint 20 58 20.41 59.18

Sold._Insufficient 40 98 40.82 100.00

Missing 0 98 0.00 100.00

Analyse de Pareto -- Diagramme de Pareto

Exemples avec Statistica

(3)
(4)

4

Pareto Chart: Count

40

20

7 6 5 3 3 3 2 2 2 1 1 1 1 1

Sold._Insufficient Sold._Cold_Joint Sold._Opens Comp._Improper_1 Sold._Splatter Raw_CD_Shroud_Re. Tst._Mark_EC_Mark TST_Mark_White_Mark Comp._Missing Comp._Extra_Part Comp._Damaged Wire_Incorrect Sold._Short Stamping_Missing Stamping_Oper_ID Raw_Cd_Damaged

0 10 20 30 40 50 60 70 80 90 100

20%

40%

60%

80%

100%

(5)

Exemple 2 diagramme de Pareto– planification etanalysed’expérience Y : longueur de fissures (mm) pièces alliage nickel-titanium

à minimiser 4 facteurs A, B, C, D

A : temp B: contenu titanium C : traitement chaleur D: quantité raffineur

Plan de 16 essais A B C D Y1 Y2 -1 -1 -1 -1 1.71 1.91

1 -1 -1 -1 1.42 1.48 -1 1 -1 -1 1.35 1.53 1 1 -1 -1 1.67 1.55 -1 -1 1 -1 1.23 1.38 1 -1 1 -1 1.25 1.26 -1 1 1 -1 1.46 1.42 1 1 1 -1 1.29 1.27 -1 -1 -1 1 2.04 2.19 1 -1 -1 1 1.86 1.85 -1 1 -1 1 1.79 1.95 1 1 -1 1 1.42 1.59 -1 -1 1 1 1.81 1.92 1 -1 1 1 1.34 1.29 -1 1 1 1 1.46 1.53 1 1 1 1 1.38 1.35

EFFET Err-Type t(17) p

Moy 1.5609 0.0225 69.312 0.0000

(3)C -0.2919 0.0450 -6.480 0.0000

(4)D 0.2244 0.0450 4.982 0.0001

(1)A -0.2131 0.0450 -4.732 0.0002

(2)B -0.1206 0.0450 -2.678 0.0159

1 * 4 -0.1131 0.0450 -2.512 0.0224

2 * 4 -0.1081 0.0450 -2.401 0.0281

1 * 2 0.0919 0.0450 2.040 0.0572

2 * 3 0.0806 0.0450 1.790 0.0913

3 * 4 -0.0344 0.0450 -0.763 0.4558

1*2*3 -0.0144 0.0450 -0.319 0.7535

1*2*4 -0.0131 0.0450 -0.291 0.7743

2*3*4 -0.0119 0.0450 -0.264 0.7952

1 * 3 -0.0094 0.0450 -0.208 0.8376

1*3*4 -0.0044 0.0450 -0.097 0.9238

Diagramme de Pareto des Effets Standardisés

VD: Y long fis

-.097134 -.208143

-.263648 -.291401 -.319153

-.763192

1.790032 2.039804

-2.40059 -2.5116

-2.67811

-4.73179 4.981563

-6.48019

1*3*4 1*3 2*3*4 1*2*4 1*2*3 3*4 2*3 1*2 2*4 1*4 (2)B (1)A (4)D (3)C

Références

Documents relatifs

This note provides the best lower bound that it is known up to now for the maximal number of Pareto eigenvalues in a matrix of order n..

In this section we describe the implemented frameworks for Java and PG/PL-SQL briefly and present results of exper- iments regarding runtime, number of iterations and quality of

Not all planners are metric sensitive, in the sense advocated by Sroka and Long [2012a]: the main contribution of this work is to demonstrate the ability of the MO-D A E approach

In- spired by the work on local optima networks in single-objective optimiza- tion, we introduce a PLOS network (PLOS-net) model as a step toward the fundamental understanding

les participants font émergé plusieurs sentiments: isolement, impuissance, mal- aimé, désespoir.. Plusieurs mères rapportent que les pères ne sont pas souvent à la maison et elles

Therefore, at any moment of the algorithm, if a woman’s assignment gets improved (e.g., Step 6(c) of Increase-Cap and Step 3(b), 3(c) of Eliminate-Path ), the algorithm will abandon

As we are concerned with tails, the theorems of attraction for the maximum of n variables are generally applying, and under assumptions which are generally fulfilled in the context

Nous nous proposons de placer la procédure Condorcet dans un contexte assez.. général, afin de justifier’ l’emploi de la distance de la différence