1-23 Chapitre 5 23-43 pas au programme mais … concepts importants pour un ingénieur Bernard CLÉMENT, PhD distributions discrètes distribution Bernoulli / binomiale processus / distribution de Poisson distribution géométrique distribution hypergéométrique APPLICATIONS 2 méthodes contrôle statistique de la qualité Statistical Process Control (SPC) cartes : np - carte p - carte c - carte u « Acceptance Sampling » plans d’échantillonnage pour accepter ou rejeter des produits regroupés en lots MTH2302 Probabilités et méthodes statistiques 1 distribution constante : c’est une distribution sans variabilité! prob X=c avec probabilité = 1 1 E(X) = c X Var(X) = 0 c phénomène à 2 résultats distribution Bernoulli prob résultat «Succès» «Echec» noté S E X 0 1 prob 1 - p p p 1-p 1 0 ≤p≤ 1 X 0 E(X) = 0*(1- p) + 1*p = p autre notation θ au lieu de p Var(X) = p *( 1 – p) ≤ 1/4 base pour distribution binomiale 2 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques distribution BINOMIALE : distribution résultant de l’échantillonnage (l’observation) d’une distribution Bernoulli Définition X= nombre de succès dans une suite de n essais (échantillonnage) de Bernoulli indépendants avec une probabilité commune de succès θ X i la v.a de Bernoulli associée au i ème essai i = 1, 2, …, n X i = 1 avec probabilité θ ou X i = 0 avec probabilité 1 - θ X1, X2,…, X n sont indépendantes, X= ∑Xi est appelée une variable aléatoire binomiale notation : X ~ b(n, θ) : X suit distribution binomiale paramètres (n, θ) Statistica : BINOM(x ; θ ; n) fonction de masse p (x) = P(X = x) = Cnx θ x (1- θ ) n – x fonction de répartition x F(x) = P(X ≤ x) = moyenne = E(X) E[X] = n θ Bernard CLÉMENT, PhD ∑ x = 0 , 1 , …., n Statistica : Cnk θ k ( 1- θ ) n - k k=0 variance = Var(X) Var[X] = n θ ( 1 - θ ) IBINOM(x ; θ ;n) besoin table écart type = ET(X) ET[X] = [n θ ( 1 - θ )] 0,5 MTH2302 Probabilités et méthodes statistiques 3 Distribution Binomiale Table Fonction Répartition FX(x) 4 Bernard CLÉMENT, PhD distribution BI NOMIALE n : taille de l’échantillon = nombre d’observations paramètre contrôlable connu ou à déterminer θ : paramètre généralement inconnu comment estimer θ ? choix de n ? réponse : l’estimation de θ est θ =X/n c’est un moyenne où X = nombre succès en n essais de Bernoulli remarque : le symbole au dessus d’un paramètre indique une estimation propriétés a) erreur systématique = écart entre θ et ^ E(θ ) = E ( θ ) - θ = E ( X / n ) – θ = ( E(X) / n ) - θ = ( n θ / n) - θ = 0 b) erreur aléatoire = Var ( θ ) = Var( θ ) = θ ( 1 – θ ) / n ≤ 0,25 / n pour tout θ remarque : l’estimation statistique vue au chapitre 10 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques 5 distribution BI NOMIALE n = 30 θ = 0,3 Bar/Column Plot (ch3.sta 10v*31c) n = 30 θ = 0,9 θ = 0,5 n = 30 Bar/Column Plot (ch4-V5.sta 10v*101c) 0,18 Bar/Column Plot (ch4-V5.sta 10v*101c) 0,16 0,16 0,20 0,18 0,14 0,14 0,16 0,12 0,14 0,12 0,10 0,12 0,10 0,08 0,10 0,06 0,08 0,08 0,06 0,06 0,04 0,04 0,04 0,02 0,02 0,02 0,00 0,00 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 0,00 1 30 3 5 n = 100 θ = 0,3 7 9 11 13 15 17 19 21 23 25 27 29 1 3 5 Bar/Column Plot (ch4-V5.sta 10v*101c) 11 13 15 17 19 21 23 25 27 Bar/Column Plot (ch4-V5.sta 10v*101c) 0,10 0,09 0,16 0,09 0,08 0,14 0,08 9 n = 100 θ = 0.9 n = 100 θ = 0,5 Bar/Column Plot (ch4-V5.sta 10v*101c) 7 0,07 0,12 0,07 0,06 0,10 0,06 0,05 0,05 0,08 0,04 0,04 0,06 0,03 0,03 0,02 0,02 0,01 0,01 0,00 1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 0,04 0,02 0,00 0,00 1 Bernard CLÉMENT, PhD 9 17 25 33 41 49 57 65 73 81 89 97 1 9 17 25 33 41 49 57 65 73 81 89 97 6 29 distribution BI NOMIALE X ~ b(n, θ) Logiciel Statistica binom(x;0,5;30) n = 30 θ = 0,5 Bar/Column Plot (ch4-V5.sta 10v*101c) 0,16 0,14 0,12 0,10 0,08 0,06 0,04 0,02 0,00 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Exemple Prob (X = 3) = ? = 30! (0,53) (0,527) 3! *27! = 0,00000378116965 Bernard CLÉMENT, PhD 7 Processus de Poisson - Distribution de Poisson Épreuve consiste à recenser le nombre d’apparitions relatifs à des événements répartis dans le temps ou l’espace. (fenêtre obs.) Nombre d’essais n’est pas fixé à l’avance comme dans les essais de Bernoulli Événements étudiés en tant que « présence » (ou ‘’apparition’’) sur un intervalle continu: on compte X le nombre d’apparitions d’un événement spécifique. Exemple: la présence d’un défaut sur une pièce fabriquée Processus de Poisson : si conditions suivantes satisfaites 1. Stationarité : la probabilité d’une occurrence sur une unité d’épreuve est la même pour toutes les unités; 2. Indépendance : le nombre d’occurrence sur une unité est indépendant du nombre d’occurrence sur les autres unités X = nombre d’occurrence est soumise à une loi de Poisson de paramètre λ On écrit Fonction de masse pX ( x ) = e – Bernard CLÉMENT, PhD λ X ~ Poi (λ ) λx/ x! x = 0, 1, 2, …. MTH2302 Probabilités et méthodes statistiques 8 Distribution de P O I S S O N Bar/Column Plot (ch4-V5.sta 15v*101c) 0.20 Bar/Column Plot (ch4-V5.sta 15v*101c) 0.40 0.18 0.16 λ=5 0.35 0.14 0.12 λ=1 0.30 0.25 0.10 0.08 0.06 0.20 0.04 0.15 0.02 POI-5 0.00 0.10 1 0.05 0.10 3 5 7 9 11 13 15 17 19 Bar/Column Plot (ch4-V5.sta 15v*101c) λ = 20 0.09 POI-1 0.00 1 2 3 4 5 6 7 8 9 10 0.08 0.07 0.06 0.05 0.04 0.03 0.02 0.01 POI-20 0.00 1 Bernard CLÉMENT, PhD 4 7 10 13 16 MTH2302 Probabilités et méthodes statistiques 19 22 25 28 31 34 37 40 9 Distribution de P O I S S O N Fonction de répartition k=x F (x ) =∑ e – λ λ k / k ! Table k=0 Moyenne - variance - écart type moyenne = E (X ) = λ critère essentiel Var ( X ) = λ ET ( X ) = λ 0,5 pour une distribution Poisson moyenne = variance critère pas suffisant pour caractériser la distribution Poisson. Les conditions (page 8) doivent être vérifiées mais cela n’est pas facile de voir en pratique. méthode 1 : observation du phénomène - collecte de données méthode 2 : tests d’ajustement à une distribution (Poisson et autres) vus dans le chapitre des tests Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques 10 Fonction de répartition Poisson k=x F (x ) = ∑ e – λ λ k / k ! k=0 HMGB p.473 11 Bernard CLÉMENT, PhD Fonction de répartition Poisson k=x F (x ) = ∑ e – λ λ k / k ! k=0 HMGB p.473 12 Bernard CLÉMENT, PhD Distribution de P O I S S O N Exemples • nombre d’appels téléphoniques que reçoit un relai de transmission durant une période de temps (durant une heure par exemple) • nombre d’accidents qui surviennent pendant l’heure de pointe à une intersection • nombre de défauts dans un rouleau de papier, rouleau de tissus, une plaque de métal …. (la surface est constante d’un échantillon à l’autre) Important - conditions d’observation constituent une « fenêtre » - définir précisément cette fenêtre et maintenir constante - nombre d’occurrences proportionnel taille fenêtre Bernard CLÉMENT, PhD 13 MTH2302 Probabilités et méthodes statistiques Distribution Exemple 1 de P O I S S O N tissus viennent en longueur de 50 mètres de longueur rouleaux contiennent (en moyenne) 2 zones inutilisables. On veut des longueurs de 10 mètres sans défauts. question : achèteriez vos tissus de ce fabricant? Solution hypothèses d’indépendance + probabilité proportionnelle surface + unité surface assez petite alors une seule occurrence Si oui, processus est Poissonnien avec λ = 2 sur 50 mètres Sur 10 mètres, processus Poissonnien avec λ = 2 * (10/50) = 0,4 On cherche P ( X = 0 ) = e – 0,4 (0,4) 0/ 0! = 0,67 Quelle votre décision ? ……… 14 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques Distribution Exemple 2 de P O I S S O N un composant critique d’une machine se brise, en moyenne, λ fois par période de temps. Combien ( k = ? ) de composants devraient-on stocker afin de s’assurer, avec une probabilité d’au moins de 1 – α (α = 0,05 et 0,01) de pouvoir faire les remplacements nécessaires en cas de bris Solution sans attendre la livraison de nouveaux composants ? X nombre total de bris du composant On suppose que X suit une loi de Poisson avec paramètre λ à résoudre : k k=? P( X ≤ k ) = ∑ e – λ λx / x ! = 1 - α x=0 Quelques valeurs (λ , α ) - utilisation de la table de la fonction de répartition λ α k 0.5 0,05 0,01 3 4 Bernard CLÉMENT, PhD 1 0,05 0,01 4 5 2 0,05 5 5 0,01 6 0,05 10 0,01 12 MTH2302 Probabilités et méthodes statistiques 100 0,05 0,01 117 123 15 Distribution Résultat Soit addition de de P O I S S O N variables X 1, X 2, …, X k Poisson variables aléatoires indépendantes avec distribution Poisson de paramètres λ 1,, λ alors Résultat Si Y = ∑ Xi distribution de Poisson avec paramètre λ où λ = ∑ λ 2 , …, λ k i approximation d’une loi binomiale par une loi de Poisson n ≥ 100 et θ ≤ 0.10 et n θ ≤ 10 alors on peut approximer distribution binomiale ( n, θ ) par une distribution de Poisson de paramètre λ = nθ Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques 16 Distribution Exemple 3 de P O I S S O N confection de vêtements plein air : V = R + P + D - Revêtement extérieur (R) + Pellicule imper (P) + Doublure iso (D) - 2 fournisseurs : fournisseur A et fournisseur B - vêtement = pantalon + anorak - pantalon exige 3 mètres Anorak exige 2 mètres Questions 1. variables suivent-elles une loi Poisson ? 2 . Calculer la probabilité que pantalon + anorak a) soit sans défectuosité ( X = 0) ? b) ait au plus une défectuosité ( X ≤ 1) ? avec les tissus du fournisseur A tableau nombre de défectuosités – 6 variables (données page suivante) Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques 17 Exemple 3 : suite Obs. R-A X1 P-A X2 D-A X3 R-B X4 P-B X5 D-B X6 Nombre de défectuosités 1 1 1 2 4 0 2 rouleau de 50 mètres 2 4 0 2 1 1 0 R = Revêtement 3 4 3 1 0 1 1 4 1 1 0 4 3 1 5 1 3 4 2 4 4 6 1 2 2 1 2 1 7 6 4 3 3 0 2 8 4 3 6 1 2 1 9 4 2 4 3 0 0 10 2 3 2 2 1 4 R-A : revêtement fourn. A 11 4 5 4 2 3 3 P-A : pellicule fourn. A 12 2 2 4 2 0 4 D-A : doublure fourn. A 13 0 0 0 1 4 3 14 0 1 1 4 4 3 15 1 0 4 3 4 0 P = Pellicule imperméable D = Doublure ----------- A : fournisseur A B : fournisseur B ----------- R-B : rev. fournisseur B P-B : pell. fournisseur B 16 2 1 4 1 2 3 D-B : doub. fournisseur B 17 2 0 1 2 2 0 18 3 1 1 3 4 2 19 2 2 2 0 3 2 20 1 1 4 3 3 1 Bernard CLÉMENT, PhD 20 rouleaux 18 Exemple 3 : suite X1 X2 X3 X4 X5 X6 R-A P-A D-A R-B P-B D-B Moy. 2,25 1,75 2,55 2,10 2,15 1,85 Var. 2,60 1,99 2,68 1,57 2,24 1,92 1.X loi de Poisson ? X4 ne semble pas suivre une loi de Poisson 2. Avec le fournisseur A λ X = nombre de défauts ensemble Anorak Pantalon total R (2/ 50)*2,25 (3/50)*2,25 0,225 P (2/ 50)*1,75 (3/50)*1,75 0,175 D (2/ 50)*2,55 (3/ 50)*2,55 0,255 total 0,262 0,393 0,655 = λ a) P ( X = 0, λ = 0,655 ) = 0,5194 b) P ( X ≤ 1, λ = 0,655 ) = 0,5194 + 0,3402 = 0,8594 3. Avec le fournisseur B Bernard CLÉMENT, PhD P ( X = 0, λ = ? ) = ? MTH2302 Probabilités et méthodes statistiques faire 19 distribution GÉOMÉTRIQUE répète (observe) épreuve Bernoulli jusqu’à l’obtention du premier succès X : nombre d’essais x = 1,2,3…. p (X = x) = (1 - p) x - 1 p E(X) = 1 / p notation: X ~ G(p) x = 1, 2, 3, …. ET(X) = √ (1-p) / p Var (X) = (1 – p) / p2 propriété de non vieillissement : absence de mémoire Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques 20 distribution Exemple GÉOMÉTRIQUE lancement d’un dé à jouer jusqu’à l’obtention du ‘6’ Questions a) probabilité que cela prenne au moins 3 lancers ? b) moyenne du nombre de lancers = ? c) variance du nombre de lancers = ? Réponse X : nombre de lancers loi G (p=1/6) a) Prob( X ≥ 3) = 1 – (1 – (1-1/6))2 = (5/6)2 = (25 / 36) = 0,69 b) E(X) = 1 / (1/6) = 6 c) Var (X) = (1- (1/6)) / (1/6)2 = 30 Bernard CLÉMENT, PhD 21 MTH2302 Probabilités et méthodes statistiques Distribution Définition HYPERGÉOMÉTRIQUE lot de N articles dont D articles sont non conformes et N – D articles sont conformes échantillonnage (sans remise ) de n articles X = nombre d’articles non conformes dans l’échantillon X suit une loi hypergéométrique H (n ; N ; D) Fonction de masse p (x ) = C Dx C N-Dn–x / CNn x = 0, 1, … , n Moyenne = E( X) = n D / N Variance = Var(x) = n D ( N – D ) ( N - n ) / [ N ( N – 1 ) ] Approximation avec Si n / N ≤ 0,05 alors Bernard CLÉMENT, PhD distribution et binomiale θ=D/N H(n ; N ; D ) ≈ b(n ; θ ) MTH2302 Probabilités et méthodes statistiques 22 Distribution Exemple : N = 1000 HYPERGÉOMÉTRIQUE D = 50 n = 20 [ 50 ! / ( 0 ! 50 ! ) ] x [ 950 ! / ( 20 ! 930 ! ) ] P(X=0) = 1000 ! / ( 20 ! 980 ! ) = 950 x 949 x …….. x 931_ 1000 x 999 x ………x 981 = 0,3549 approximation par loi binomiale : θ = 50 / 1000 = 0,05 n = 20 P ( X = 0 ) = θ 0 ( 1 – θ ) 20 = 0,95 20 = 0,3585 23 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques APPROXIMATIONS 24 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques APPLICATIONS : introduction au Contrôle Statistique de la Qualité méthodes 1. plans d’échantillonnage pour accepter/ refuser lot de produits sur la base d’un échantillonnage : « Acceptance Sampling » 2. maîtrise statistique des processus : « SPC » ou « CSP » cartes de contrôle processus : comportement = stable (normal) ou anormal ? 3. analyse de capabilité de processus 4. planification d’expériences : DOE – Taguchi 5. analyse processus de mesure : étude R&R 6. fiabilité : qualité dans le temps 7. Quality Function Deployment ( QFD ) 8. Six Sigma 25 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques Brève introduction aux cartes de contrôle de Shewhart plus de détails http://www.groupes.polymtl.ca/mth6301/mth8302/Clement-SPC_Introduction.pdf RESSOURCES APPROVISIONNEMENT MATÉRIAUX PROCESSUS étapes méthodes procédures PRODUIT ou SERVICE ÉQUIPEMENTS PERSONNEL ENVIRONNEMENT PARAMÈTRES MESURABLES et CONTRÔLABLES PROCESSUS: valeur ajoutée Fonction de transfert f X1, X2, X3, … CARACTÉRISTIQUES CRITIQUES pour la QUALITÉ : Y - MESURES - COMPTAGES - ATTRIBUTS Y Y =f (X1, X2,..) cartes de contrôle Shewhart s’appliquent à Y Bernard CLÉMENT, PhD 26 Brève introduction aux cartes de contrôle de Shewhart carte np et carte c et carte p : base distribution binomiale carte u : base distribution Poisson remarque : p représente le paramètre c représente le paramètre BUT θ de la binomiale λ de Poisson signaler la présence d’une «cause spéciale» de la qui a produit un changement important carte dans comportement statistique du processus. Carte p : p et np (ATTRIBUT) fraction de pièces non-conforme échantillon de n pièces (n peut être variable) np : nombre de pièces non conforme échantillon de n pièces (n est fixe) Carte c et u (COMPTAGES) c : nombre de non conformités (aire d'opportunité fixe) u : nombre de non conformités (aire d'opportunité variable) 27 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques Brève introduction aux cartes de contrôle de Shewhart carte n p variable np constant c constant u variable LIMITES de CONTRÔLE STATISTIQUE : en général règle de 3 sigma de Shewhart (inventeur des cartes) Ligne Centrale CL = moyenne Limite Supérieure UCL = moyenne + 3 * (variabilité) Limite Inférieure LCL = moyenne - 3 * (variabilité) Formules limites de contrôle : attributs et comptages np ± 3 [ np ( 1 – np ) ] 0.5 carte np : carte p : p ± 3 [np ( 1 – np) / n i ] 0.5 carte c : c ± 3 (c ) 0.5 carte u : u ± 3 (c / n i ) 0.5 remarque : au dessus lettre veut dire: moyenne arithmétique sur les données 28 Bernard CLÉMENT, PhD Brève introduction aux cartes de contrôle de Shewhart Exemple 1 : carte n p - 20 échantillons de n = 2500 X = nombre défectueux X : 23 – 43 – 22 – 34 – 21 – 33 – 29 – 31 – 34 – 31 46 – 39 – 28 – 33 – 20 – 41 – 13 – 27 – 22 – 40 Np Chart; variable: x-déf Histogram of Np Np: 30.500 (30.500); Sigma: 5.4889 (5.4889); n: 2500. 55 50 46.967 45 40 35 30.500 30 25 20 15 14.033 10 5 0 1 2 Bernard CLÉMENT, PhD 3 4 5 6 7 2 4 6 8 10 12 14 MTH2302 Probabilités et méthodes statistiques 16 18 20 29 Exemple 2 : carte p - 30 échantillons - n = variable jour 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 n 3350 3354 1509 2190 2678 3252 4641 3782 2993 3382 3694 3052 3477 4051 3042 X_ 31 113 28 20 35 68 139 12 3 17 14 8 27 44 70 Inspection à 100 % un lot au hasard choisi chaque jour échantillonnage durant 15 jours = nombre d’échantillons X = nombre de pièces non conformes dans le lot taille (n) du lot est variable d'une journée à l'autre P Chart; variable: n-def Histogram of P P: .01298 (.01298); Sigma: .00199 (.00199); n: 3229.8 0.040 0.035 0.030 0.025 0.020 .01914 0.015 .01298 0.010 .00683 0.005 0.000 -0.005 0 Bernard CLÉMENT, PhD 1 2 3 4 2 4 6 MTH2302 Probabilités et méthodes statistiques 8 10 12 14 30 Exemple 3 : carte c - 26 échantillons - X = nombre de non conformités X : 21 - 24 - 16 - 12 - 15 - 5 - 28 - 20 - 31 - 25 - 20 - 24 - 16 19 - 10 - 17 - 13 - 22 - 19 - 39 - 30 - 24 - 16 - 19 - 17 - 25 Histogram of C C: 20.269 (20.269); Sigma: 4.5021 (4.5021) 45 40 35 33.776 30 25 20.269 20 15 10 6.7628 5 0 0 2 1 6 4 3 Bernard CLÉMENT, PhD 5 8 7 9 10 11 5 10 15 MTH2302 Probabilités et méthodes statistiques 20 25 31 Exemple 4 : carte u - 10 échantillons tissus - X = nombre imperfections Echant. 1 Aire 10 X 14 2 3 4 5 6 7 8 9 12 20 11 7 10 21 16 19 18 30 13 5 10 39 24 34 10 26 49 U Chart; variable: N_IMPERF Histogram of U U: 1.5526 (1.5526); Sigma: .31960 (.31960); n: 15.2 3.5 3.0 2.5 2.2857 2.0 1.5526 1.5 1.0 .81952 0.5 0.0 -0.5 0 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10 32 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques Brève introduction aux plans d’échantillonnage des lots Produits regroupés en lots lot = ? définition à faire selon circonstances et besoins critère à préciser plans d’échantillonnage (« acceptance sampling ») réfère à l’inspection d’une partie du lot (échantillon) d’articles (produits, composants) dans le but d’obtenir une information servant de base à : juger le lot - accepter le lot - rejeter le lot : en le déclarant de « qualité satisfaisante » continuer inspection ? inspection rectificatrice ? 33 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques OÙ FAIRE DE L'INSPECTION DES LOTS PAR ÉCHANTILLONAGE ? Réception de lots de matières premières ou de produits semi-fini provenant de fournisseurs externes. En cours de fabrication à des points de contrôle fixés par le processus. Avant l'expédition des produits. 34 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques A V A N T A G E S de l’inspection par échantillonnage Si le coût d'une inspection à 100% est élevé. Moins de manipulations du produit : moins de dommages potentiels. Seule alternative si le test est destructif . Si les lots sont de "grande" taille, disons plusieurs milliers d'unités. Décision plus rapide pour disposer du produit. Beaucoup de lots ( flux de lots ) à inspecter. Conséquences économiques de livrer un lot de "mauvaise" qualité ne sont pas élevées. DÉSAVANTAGES risque du producteur = probabilité de rejeter un lot de qualité satisfaisante = alpha = risque du consommateur = probabilité d'accepter un lot de mauvaise qualité = beta = 35 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques NOTATION - TERMINOLOGIE N : nombre d’unités dans le lot = taille du lot n : nombre d’unités dans l’échantillon D : nombre d’unités non conformes dans le lot p = D / N : proportion d’unités non conformes dans le lot X : nombre d’unités non conformes dans l’échantillon X / n : proportion d’unités non conformes dans l’échantillon c = Ac : nombre d’acceptation (plan simple) si X <= c alors on accepte le lot si X > c alors on rejette le lot P a ( p ) : probabilité d’accepter un lot de non qualité p = alpha = risque du producteur : rejeter lot bonne qualité = beta = risque consommateur : accepter lot mauvaise qualité 36 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques NOTATION - TERMINOLOGIE AQL ( « Acceptable Quality Level ») proportion maximale d'articles défectueux (ou non-conformes) qui peut être considéré comme moyenne satisfaisante par le producteur et le consommateur (client) c’est une convention pour concevoir un plan d'échantillonnage RQL ( « Rejectable quality level » ) proportion minimale d'articles défectueux (non-conformes) qui peut être considéré comme moyenne non-satisfaisante par le consommateur c’est une convention pour concevoir le plan d’échantillonnage Plan d'échantillonnage défini par: (n, Ac, Re ) 37 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques RISQUES DE MAUVAISES DÉCISIONS : risque du producteur : risque du consommateur accepter lot QUALITÉ LOT bonne mauvaise 1- FP OK DÉCISION rejeter lot 1- FN OK analogie FP = Faux Positif = accepter lot mauvaise qualité FN = Faux Négatif = rejeter lot bonne qualité 38 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques courbe caractéristique plan d’échantillonnage P a ( p ) : probabilité accepter lot 1 valeurs fréquentes α : 0,05 - 0,01 1- β : 0,10 - 0,05 p 0 proportion 0 AQ L RQ L non conforme 39 Bernard CLÉMENT, PhD Calcul de la probabilité d’accepter : P a ( p ) Plan simple : un seul échantillon de taille n est prélevé Plan ( N , n , c ) : échantillonnage sans remise p = D / N qualité du lot (D=pN) X : nombre de pièces non conformes dans l’échantillon X distribuée selon une loi de probabilité Hypergéométrique ( N, D, n ) 40 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques Calcul de la probabilité d’accepter P a ( p ) pN N (1 − p ) C x n−x Pa ( p ) = ∑ N x =0 n hypergéométrique (exacte) n x = ∑ p (1 − p ) n − x x =0 x C e − np (np ) x =∑ x! x =0 APPROXIMATION Binomiale : si n / N < 0.1 c Poisson : si p " petit " et n est " grand " 41 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques EXEMPLE n = 89 c = 2 0,005 P Pa 0,990 Line Plot (ch4-SPC-v5.sta 24v*204c) 0,010 0,940 0,020 0,737 0,030 0,498 0,040 0,304 0,060 0,091 0,070 0,047 0,080 0,023 0,090 0,01 1,2 0,050 0,172 P Pa 1,0 89 Pa = ∑ p d (1 − p) 89−d d =0 d 2 0,8 Pa-p 0,6 0,4 0,2 0,0 -0,2 0.005 0.015 0.025 0.035 0.045 0.055 0.065 0.075 0.085 0.095 0.105 42 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques design d’un plan d’échantillonnage (n, c) : n = ? c=? trouver n et c tels que Pa ( p1 ) = 1 - α 1 Pa ( p2 ) = β 1–α α β donnés 2 équations avec 2 inconnus Pa : fonction répartition (page 38) β 0 p1 p2 p proportion d’articles non conformes 43 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques trouver n et c tels que Pa ( p1 ) = 1 - α Pa ( p2 ) = β α β donnés P Pa 0,005 0,990 0,010 0,940 0,020 0,737 0,030 0,498 0,040 0,304 P Pa 0,050 0,172 0,060 0,091 0,070 0,047 0,080 0,023 0,090 0,01 89 Pa = ∑ p d (1 − p) 89−d d =0 d 2 2 équations 2 inconnus Pa : fonction probabilité Line Plot (ch4-SPC-v5.sta 24v*204c) 1,2 Exemple 1,0 p1 = 0,01 α = 0,06 = 1 - Pa 0,8 p2 = 0,09 β = 0,09 = 1 - Pa Pa-p 0,6 0,4 0,2 solution n = 89 c = 1 0,0 -0,2 0.005 0.015 0.025 0.035 0.045 0.055 0.065 0.075 0.085 0.095 0.105 44 Bernard CLÉMENT, PhD MTH2302 Probabilités et méthodes statistiques