2009J Gaudart, LERTIM, Aix-Marseille Université1 Jean Gaudart Laboratoire d’Enseignement et de Recherche sur le Traitement de l’Information Médicale Méthodes.

Slides:



Advertisements
Présentations similaires
Le livre de bord à l usage de l observateur : La documentation de votre séjour en mer.
Advertisements

Simulation d’un processus de Poisson
FORUM REGIONAL DE NORMALISATION DE L'UIT POUR L'AFRIQUE (Dakar, Sénégal, mars 2015) Outils et méthodes pour tester la qualité de services (QoS) de.
Valeur pronostique de la TASPM dans la SLA WANG FC, GERARD P, MAERTENS DE NOORDHOUT A (Liège, B) 15 èmes journées francophones d’électroneuromyographie.
Université d’Ottawa - Bio Biostatistiques appliquées © Antoine Morin et Scott Findlay :52 1 Comparaisons multiples Ce qu’elles sont.
M. Bétrancourt et C. Rebetez - Méthodologie expérimentale Diplôme MALTT Année La méthodologie expérimentale Fondements et bases d’application.
BIOSTATISTIQUES Définitions.
Les études descriptives J. Ateudjieu J Ateudjieu. Cours Epiconc Master's Epi et SP Université de Dschang.Fev
FA.NI. Equipements Textiles Détecteurs Casse de Fil et Vitesse de Rotation Casse-mèche Monitorage des données de Filature FA.NI. S.a.s. Via Lago di Fimon,
ABF Améliorer nos formations pour une microfinance plus sociale.
Évaluation de la Charte Marianne. Qu’est-ce que la Charte Marianne? Quand? Le 3 janvier 2005 Qui? Tous les services de l’État Quoi? Des engagements vis.
1 M2 Biomatériaux- Cours n°3 1 - Rappels du cours n°1 et La statistique inférentielle Fluctuation d’échantillonnage, Théorème central limite Estimation.
Cours de Biostatistiques 14 avril 2012 Noémi ARDITI Delphine COUDRAY.
TP2: Statistique & Probabilité Intervalle de confiance et test d’hypothèses.
UED SIM – Département OLCI Année Arts & Métiers ParisTech CER ANGERS Probabilités et statistiques Cours n° 2.
Cours de Mme Dominique Meganck - ICC - IFC MICROSOFT ACCESS Un système de gestion de bases de données...
Etude de la suffisance et de la stabilité de la méta-analyse cumulative dans une base de données des essais cliniques randomisés en pédiatrie DJEMLI Amina.
1 Biostatistique et lecture critique d’articles médicaux Pr A Venot UFR SMBH Université Paris 13.
Réactifs chimiques principes de base du programme Comprendre la chimie du processus de –Processus souhaité et les réactions –Les réactions secondaires.
29/06/2012 Stéphane CORNELIS / Christine BERTHILLIER DIJON.
UNIX AVANCE Yves PAGNOTTE – Janvier – QUELQUES RAPPELS SUR LES SYSTEMES D’EXPLOITATION 1.
Comment écrire un article scientifique Olivier MIMOZ DAR.
Maths en Jean : Nager dans le brouillard. Présentation du sujet Une personne part du bord de la plage et nage 500 mètres en ligne droite dans une direction.
Plans d'expérience Méthode Taguchy Analyse de la variance Anavar.
Bloodcurdling movies and measures of coagulation: Fear Factor crossover trial BMJ Noël 2015 Article thématique du 26/01/2016 André Gillibert Banne Nemeth.
Paramétrisation adaptative pour l’estimation des paramètres hydrodynamiques dans un milieu poreux non saturé MOMAS-Thème E: Problèmes inverses et analyse.
VISITES 8/11/2007 – Sortie SEMINIS Rendez-vous 13h30 devant la Fac – Retour 18h30 6/12/2007 – Sortie RAGT Rendez-vous à 11h00 devant la Fac – Retour 22h00.
Etudes cas-témoins, marqueurs moléculaires & enquêtes de couverture et des sites sentinelles MATT CAIRNS LONDON SCHOOL OF HYGIENE AND TROPICAL MEDICINE.
1 M2 Biomatériaux- Cours n°4 1 - Rappels du cours n°1 et 2 et Introduction au principe des test statistiques.
Chapitre 6 Gestion et analyse du système DNS Module S43 1.
Séminaire évaluation Onema, 19 avril Etat écologique des lagunes oligohalines : premiers tests méthodologiques utilisant les communautés de macrophytes,
1 M1 MQSE 1 - L’outil statistique pour tirer des conclusions dans un monde de variabilité 2 - Utiliser la statistique: se confronter au hasard 3 - La statistique:
Importance du prix dans les choix thérapeutiques des ménages vulnérables de Yaoundé (Cameroun) Elvire MENDO, CLERSE-CNRS Université Lille 1 XXIX èmes Journées.
Prise en compte de l'effet centre dans le score de propension: cas des données de survie E. Gayat, J.-Y. Mary et R. Porcher UMR-S 717, Université Paris.
RÉNOVATION BTS Comptabilité et Gestion 2015 CB2C : un exemple de situation professionnelle Christine Forest Stéphane Bessière Daniel Perrin Toinin.
1 Les groupements d’échangeurs thermiques, illustration de systèmes énergétiques, introduction aux systèmes complexes. Comprendre.
Aurélien Besnard.  Des fréquences (points-contacts) évaluées sur…  …des transects choisis dans…  …des Aires de Présence (de surfaces évaluées) dans…
1 Les groupements d’échangeurs thermiques, illustration de systèmes énergétiques, introduction aux systèmes complexes. Comprendre.
1 Journées Scientifiques novembre 2003 MoMaS EDF Electricité de France Multi Domaines Simulation Multi Domaines Laurent Loth - Andra.
Etude commerciale de Probabilités dans un système de file d’attente ABBAS Thomas CHUNG Fabien KLOTZ Raphaël.
Chapitre 2 Variables aléatoires 1. Variables aléatoires : définition Résultat d’une expérience dont l’issue est multiple (VARIABLE) et imprévisible (ALÉATOIRE)
Chapitre 6 Les tests d ’ hypoth è se 2 – Les tests du  2 (chi 2)
METHODE DES CHAÎNONS Méthode permettant d’implanter des postes de travail dans les usines ou entrepôts. Optimisation recherchée Gain sur le temps de fabrication.
LA METHODE DU BARYCENTRE.  Objectif :  La méthode du barycentre permet de déterminer le milieu d’un réseau de points à desservir dont les coordonnées.
Jobs multicore dans WLCG Présentation en partie basée sur des présentations faites dans le cadre du groupe de travail multicore.
L’accueil du nouveau-né en salle de naissance: implications de l’instauration de la méthode du peau à peau. Anne-Sophie Van Acker Anne-Sophie Van Acker.
1 M1 MQSE Cours n°2 1 - Rappels du cours n°1 2 - La statistique: un outil pour décrire.
Chapitre 5 Interprétation des données d’enquête 1.
1 Journées Scientifiques novembre 2003 Thème 4 : problèmes inverses et analyse de sensibilité MoMaS EDF Electricité de France Problèmes inverses.
SVT – T ERMINALE S – T HÈME 3 – C ORPS HUMAIN ET SANTÉ – 3B-1 L E RÉFLEXE MYOTATIQUE, UN EXEMPLE DE COMMANDE RÉFLEXE DU MUSCLE C OURS 3B-1 B ASES DU FONCTIONNEMENT.
Facteurs associés à la mise en œuvre d'un référentiel de surveillance du cancer de la prostate en Haute-Normandie Étude rétrospective 2004 – 2006 Thèse.
Évaluation – Panorama 16 À l’étude…. Unité 16.1 Tu dois être capable de déterminer le caractère étudié d’une recherche de données :  qualitatif  quantitatif.
La spécialité mathématique en TS. Les mathématiques sont une science qui se construit elle-même grâce à la démonstration. Axiomes et définitions Théorèmes.
Compétences: Capacité d’analyse et de recherche Présentation/Discussion Adjoints des commissions des finances - WAAPAC.
Les Statistiques.
Réalisé par : Sébastien Lachance MATHS 3 E SECONDAIRE LesSTATISTIQUES.
Paramètres S Rappels de théorie des circuits
EFFET DE CONTACT SUR LE COMPORTEMENT DYNAMIQUE D’UN BARRAGE EN TERRE
II. Les variables quantitatives
Traitement Numérique du Signal : présentation de l’UE Module EPL9AA02 Philippe RAVIER.
Profile Likelihood Une petite revue succincte. Petite citation a méditer… « a probability of 1 in is almost impossible to estimate » R. P.
Chapitre 5 Interprétation des données d’enquête 1.
Eléments de correction. Exercice 1. Méthodes d’interpolation et cartes de températures (7 points) Présentation de la carte et des enjeux de la représentation.
Les Fichiers M me DJEBOURI. D. Faculté de Médecine salle informatique Année universitaire الجمهورية الجزائرية.
En prélude Quelques brefs rappels 1. Moyenne  Un exercice (3.6, p. 34) o Données o Quelle est la densité moyenne de l’ensemble formé par le Bénin et.
Colloque LCG France14-15 mars SURVEILLANCE ET GESTION D’INCIDENTS Cécile Barbier (LAPP)
FACULTE DE MEDECINE DE CONSTANTINE DEPARTEMENTs DE PHARMACIE ET DE MEDECINE DENTAIRE ENSEIGNEMENT GRADUE Année Universitaire EPIDEMIOLOGIE ANALYTIQUE.
ORACLE, WP3 meeting1 Quels outils pour évaluer risques & opportunités? Quels nouveaux développements de méthodologies? Pascal Yiou LSCE.
Evolutions des variables climatiques Evolutions de variables agronomiques -Plante -phénologie, -faisabilité, -risques, -rendements -Systèmes -Irrigation.
Faculté de Médecine de Marseille, Université de la Méditerranée Laboratoire d’Enseignement et de Recherche sur le Traitement.
Transcription de la présentation:

2009J Gaudart, LERTIM, Aix-Marseille Université1 Jean Gaudart Laboratoire d’Enseignement et de Recherche sur le Traitement de l’Information Médicale Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Faculté de Médecine Université de la Méditerranée

2009J Gaudart, LERTIM, Aix-Marseille Université2 plan 1.Principe du contrôle statistique 1.1 Introduction 1.2 Définition 2.Qu’est-ce qu’une carte de contrôle? 2.1 Fluctuations d’échantillonnage 2.2 Construction d’une carte de contrôle 3.Estimations des paramètres des cartes de contrôle 4.Propriétés et utilisation des cartes de contrôles 4.1 Séquences ou « runs » 4.2 Durée moyenne de séquences ou « Average Length Run » 4.3 Compléments 4.4 Quand changer le processus « act »

2009J Gaudart, LERTIM, Aix-Marseille Université3 Principe du Contrôle Statistique Contrôle Statistique Carte de Contrôle Estimation Propriétés Check –recueil et analyse d’indicateurs Principe –Shewhart ~1920 (pour l’industrie) –Caractériser un processus  échantillons de produits de ce processus Check Statistical control process  fluctuations d’échantillonnages  lois statistiques Introduction Définition distributions, paramètres des lois estimation et prédiction 1.1 Introduction

2009J Gaudart, LERTIM, Aix-Marseille Université4 Principe du Contrôle Statistique Contrôle Statistique Carte de Contrôle Estimation Propriétés  Un processus qui varie uniquement de façon aléatoire (fluctuations d’échantillonnage) est dit sous contrôle statistique.  Un processus qui varie pour des causes identifiables (non aléatoires) est dit hors contrôle statistique.  régulation de ces causes pour retrouver des fluctuations aléatoires du processus. Statistical control process Introduction Définition NB: la variation d’un processus est identifié par la variation de l’indicateur qui le caractérise 1.2 Définitions

2009J Gaudart, LERTIM, Aix-Marseille Université5 Qu’est-ce qu’une carte de contrôle? Contrôle Statistique Carte de Contrôle Estimation Propriétés 2.1 Fluctuation d’échantillonnage Exemple: Production de comprimés poids X des cp, X~> N (  =63mg;  =0,01 mg) 1 ère étude: tirage au sort de 1 cp tous les jours pendant 1 an  distribution des valeurs des poids de chaque comprimé X~> N (  =63mg;  =0,01 mg) 2 ème étude: tirage au sort d’échantillons de 5 cp  distribution des moyennes des poids de chaque échantillon  ~> N (  =63mg; mg) Control Chart Fluctuation d’échantillonnage Construction d’une carte de contrôle >cp<-read.csv2( " C:\\EISIS\\OPT14\\poids_cp.csv ",header=TRUE)  >attach(cp) 

2009J Gaudart, LERTIM, Aix-Marseille Université6 +3  -3  >hist(poids,breaks=15,freq=TRUE,xlim=c(62.9 6,63.04),ylim=c(0,90),col="blue",main="poid s des comprimés, n=1")  Contrôle Statistique Carte de Contrôle Estimation Propriétés Fluctuation d’échantillonnage Construction d’une carte de contrôle... j1 j2 j365 x 1 =63,012 mg n 1 =1 x 2 =62,992 mg n 2 =1 x 365 =63,036 mg n 365 =1

2009J Gaudart, LERTIM, Aix-Marseille Université7 >hist(moyenne5,breaks=15,freq=TRUE,xlim=c( 62.96,63.04),ylim=c(0,90),col="cyan",main= "moyenne des poids des comprimés, n=5")  Contrôle Statistique Carte de Contrôle Estimation Propriétés Fluctuation d’échantillonnage Construction d’une carte de contrôle... j1 j2 j365 m 1 =63,01 mg s 1 = mg n 1 =5 m 2 =62,997 mg s 2 = mg n 2 =5 m 365 =63,003 mg s 365 = mg n 365 =5

2009J Gaudart, LERTIM, Aix-Marseille Université8 Contrôle Statistique Carte de Contrôle Estimation Propriétés Fluctuation d’échantillonnage Construction d’une carte de contrôle >hist(mod_moyenne5,breaks=15,freq=TRUE,xli m=c(62.96,63.04),ylim=c(0,90),col="red",ma in="moyenne des poids des comprimés, n=5",add=TRUE)  63 mg63,03 mg Si modification de la machine de fabrication (usure...)  comprimés plus lourds en moyenne La plupart des échantillons  au-delà de la limite supérieur (seuil d’alerte) cause ALEATOIRE NON ALEATOIRE ?

2009J Gaudart, LERTIM, Aix-Marseille Université9 2.2 Construction d’une Carte de Contrôle Contrôle Statistique Carte de Contrôle Estimation Propriétés Fluctuation d’échantillonnage Construction d’une carte de contrôle éch. m 63 cause sous contrôle stat. hors contrôle stat.

2009J Gaudart, LERTIM, Aix-Marseille Université10 Contrôle Statistique Carte de Contrôle Estimation Propriétés Fluctuation d’échantillonnage Construction d’une carte de contrôle Hypothèses de travail: - Distribution de l’indicateur étudié: poids des comprimé ~> N (  =63mg;  =0,01 mg) - Processus de fabrication sous contrôle statistique lors de la construction de la carte. Choix des limites:   Intervalle de fluctuation à 99,73% Si le processus est sous contrôle, on n’observera des échantillons extrêmes (moyennes observées très petites ou très grandes) que dans  =0,27% des cas autre choix   Intervalle de fluctuation à 95%

2009J Gaudart, LERTIM, Aix-Marseille Université11 Tests statistiques: Placer une moyenne observée sur une carte de contrôle = test de comparaison d’une moyenne observée à une moyenne théorique Risque  dépend des limites de la carte de contrôle. Application clinique: Industrie  processus a priori contrôlé (« entrées » maîtrisé) Clinique  grande variabilité des individus (« entrées » non maîtrisable) (décès de patients malgré des soins optimaux, survie de patients malgré des soins de qualité médiocre...) Contrôle Statistique Carte de Contrôle Estimation Propriétés Fluctuation d’échantillonnage Construction d’une carte de contrôle voir UE MET2

2009J Gaudart, LERTIM, Aix-Marseille Université12 entrées maîtrisées Variabilité mesurée Processus Industriel Variabilité du processus entrées non maîtrisées Variabilité du processus Variabilité mesurée Processus Clinique reflet de la qualité du processus reflet de la qualité du processus et des entrées Contrôle Statistique Carte de Contrôle Estimation Propriétés Fluctuation d’échantillonnage Construction d’une carte de contrôle

2009J Gaudart, LERTIM, Aix-Marseille Université13 Estimation des paramètres des CC Contrôle Statistique Carte de Contrôle Estimation Propriétés Estimations Exemple Initialement: État du processus inconnu  réduire la variabilité jusqu’à un état de référence acceptable Échantillonnage: –~20 à 25 échantillons de 5 observations –conditions d’échantillonnages notées (ex. t°, matériel utilisé, identité...) 3.1 Principe de l’estimation

2009J Gaudart, LERTIM, Aix-Marseille Université14 Contrôle Statistique Carte de Contrôle Estimation Propriétés Estimations Exemple Estimations: pour k échantillons de même taille n –Estimation de la moyenne m i moyenne de l’échantillon i –Estimation de l’écart-type s i écart-type de l’échantillon i c 4 paramètre issue d’une loi gamma pour n>25, –Limites de contrôle –Placer chaque observation sur la carte –Supprimer les observations extrêmes –Recommencer l’estimation –Jusqu’à obtenir un processus stable table s modifiable causes?

2009J Gaudart, LERTIM, Aix-Marseille Université15 délai d’attente de la prise en charge de patient, en ambulatoire. 20 échantillons, 1 par jour de semaine, pendant 4 semaines, de 30 individus chacun, Contrôle Statistique Carte de Contrôle Estimation Propriétés Estimations Exemple >at<-read.csv2( " C:\\EISIS\\OPT14\\attente.csv ",header=TRUE)  >attach(at)  >mean(delai[ech==1])  >sd(delai[ech==1])  Exemple

2009J Gaudart, LERTIM, Aix-Marseille Université16 >boxplot(delai~ech,xlab= " échantillo n ", ylab= " délai d’attente " ) Contrôle Statistique Carte de Contrôle Estimation Propriétés Estimations Exemple

2009J Gaudart, LERTIM, Aix-Marseille Université17 logiciel R: package qcc Contrôle Statistique Carte de Contrôle Estimation Propriétés Estimations Exemple >delai<- qcc.groups(delai, ech) >fix(delai) Construction d’un tableau avec les échantillons en lignes et les sujets en colonnes lignes 30 colonnes...

2009J Gaudart, LERTIM, Aix-Marseille Université18 >qcc(delai,type="xbar",size=30,std.dev="MVLUE-SD",nsigmas=3) Summary of group statistics: Min. 1st Qu. Median Mean 3rd Qu. Max Group sample size: 30 Number of groups: 20 Center of group statistics: Standard deviation: Control limits: LCL UCL Contrôle Statistique Carte de Contrôle Estimation Propriétés Estimations Exemple fonction control chart données type: moyenne effectif des échantillons méthode d’estimation de l’écart-type limites de contrôle 5°j 10°j15°j

2009J Gaudart, LERTIM, Aix-Marseille Université19 >qcc(delai4,type="xbar", size=30,std.dev="MVLUE- SD",nsigmas=3) Contrôle Statistique Carte de Contrôle Estimation Propriétés Estimations Exemple >delai2<-delai[-5,] >delai3<-delai2[-9] (10ème jour) >delai4<-delai3[-13] (15ème jour) 20°j

2009J Gaudart, LERTIM, Aix-Marseille Université20 >qcc(delai4[1:16,],type="x bar",size=30,std.dev="MVLU E-SD",nsigmas=3) Contrôle Statistique Carte de Contrôle Estimation Propriétés Estimations Exemple Processus sous contrôle statistique  la CC est prête à être utilisée

2009J Gaudart, LERTIM, Aix-Marseille Université21 Valeurs extrêmes: Jours 5, 10, 15, 20: les vendredis, délais d’attentes plus long,  afflux de patients pour des surveillances particulières (ECG)  Action: mieux organiser le calendrier des surveillances particulière. Contrôle Statistique Carte de Contrôle Estimation Propriétés Estimations Exemple

2009J Gaudart, LERTIM, Aix-Marseille Université22 Propriétés Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act 4.1 Séquences Carte de contrôle construite  utilisée pour monitorage Objectif: reconnaître rapidement et de façon objective si le processus devient hors contrôle statistique. Repérage de phénomènes  hors limites,  dans les limites: séquences particulières ou runs séries de valeurs présentant les mêmes caractéristiques, non réparties aléatoirement autour de la valeur centrale.

2009J Gaudart, LERTIM, Aix-Marseille Université23 Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act voir CC temporelle

2009J Gaudart, LERTIM, Aix-Marseille Université24 Rappel: –un processus est sous contrôle aussi longtemps que les valeurs restent entre les limites  probabilité d’observer une valeur extrême:  –un processus devient hors contrôle si les valeurs sortent des limites  probabilité de ne pas détecter la perte de contrôle:  Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act 4.2 Durée moyenne de séquences Average Length Run

2009J Gaudart, LERTIM, Aix-Marseille Université25 Question 1: Quel est le « délai » moyen entre la perte de contrôle et sa détection? Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act perte de contrôle détection ?

2009J Gaudart, LERTIM, Aix-Marseille Université26 Quel est le délai moyen entre la perte de contrôle et sa détection? Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act Après la perte de contrôle probabilité que le 1 er échantillon la détecte: 1-  probabilité que le 1 er ne la détecte pas ET le 2 ème la détecte:  (1-  ) probabilité que seul le 3 ème la détecte:  (1-  ) probabilité que seul le k ème échantillon détecte la perte de contrôle:  (k-1)  (1-  ) En moyenne, il faut échantillons avant de détecter une perte de contrôle loi Gamma UE MET2 puissance et NSN

2009J Gaudart, LERTIM, Aix-Marseille Université27 Question 2: Pour un processus sous contrôle, quel est le délai moyen avant d’observer une valeur hors limites? Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act valeur extrême / contrôle ?

2009J Gaudart, LERTIM, Aix-Marseille Université28 Pour un processus sous contrôle, quel est le délai moyen avant d’observer une valeur hors limites? Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act Processus sous contrôle probabilité que le 1 er échantillon soit hors limites:  probabilité que le 1 er soit dans le limites ET le 2 ème hors limites: (1-  )  probabilité que seul le 3 ème soit hors limites: (1-  )  (1-  )  probabilité que seul le k ème échantillon soit hors limites (à tord): (1-  ) (k-1)  En moyenne, il faut échantillons avant d’observer une valeur hors limites, alors que le processus est sous contrôle loi Gamma

2009J Gaudart, LERTIM, Aix-Marseille Université29 En pratique:  pour une puissance de 80%   =0,20   Si le processus est hors contrôle, on peut s’attendre à le détecter en moyenne au 1 er échantillon  pour des limites de contrôle  3    =0,0027   Si le processus est sous contrôle, on peut s’attendre à observer une valeur hors limites en moyenne au 370 ème échantillon Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act

2009J Gaudart, LERTIM, Aix-Marseille Université30 Check list: noter systématiquement les problèmes survenus au cours du monitorage  nombres d’erreurs par types de problèmes Diagramme de V. Pareto (†1923) / J. Juran (†2008) –20% des causes produisent 80% des effets –diagramme bâton ordonné par ordre de fréquences décroissantes + probabilités cumulées Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act 4.3 Outils complémentaires

2009J Gaudart, LERTIM, Aix-Marseille Université31 Check list  10 causes d’attentes cardiologie, urgence, cancérologie, atopie, odontologie...  pour chaque cause, recherche de patients avec une attente hors limite Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act Exemple: étude du délai d’attente >at<-read.csv2( " C:\\EISIS\\OPT14\\paret.csv ",header=TRUE)  >attach(paret)  >names(erreurs)<-causes 

2009J Gaudart, LERTIM, Aix-Marseille Université32 Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act >pareto.chart(erreurs, ylab="errors frequency",col=rainbow(length(erreurs)))  fonction diagramme de pareto variable étudiée nom de l’axe y un peu de couleurs!! Pareto chart analysis for erreurs Frequency Cum.Freq. Percentage Cum.Percent. CARD PSY NUT GER ATOP CANC DIAB SUIT URG ODO % causes  80% effets

2009J Gaudart, LERTIM, Aix-Marseille Université33 Processus change  à modifier On ne peut modifier qu’un processus stabilisé (sous contrôle) même s’il n’est pas satisfaisant. Si on modifie un processus hors contrôle, pas de vérification de l’efficacité de la modification Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act 4.4 Quand est-il approprié de modifier un processus? Processus sous contrôle ? oui satisfaisant ? oui non modifier attendre surveiller

2009J Gaudart, LERTIM, Aix-Marseille Université34 Exemples Contrôle Statistique Carte de Contrôle Estimation Propriétés Runs ALR Compléments Act Processus sous contrôle Processus hors contrôle Processus sous contrôle, non satisfaisant ATTENDRECORRIGER

2009J Gaudart, LERTIM, Aix-Marseille Université35 Un livre de référence: Winckel P, Zhang NF Statistical Development of Quality in Medicine eds. Wiley, Statistics in Practice Contrôle Statistique Carte de Contrôle Estimation Propriétés