Professional Documents
Culture Documents
Contrôle Échan
Contrôle Échan
Contrôler un grand lot en entier serait onéreux et des fois impossible si le contrôle se fait par un
test destructif, d’où la nécessité de faire un Contrôle par échantillonnage.
L’idée du contrôle par échantillonnage est de contrôler un échantillon et ainsi avoir une idée sur
le lot en entier. Cependant l’échantillon ne reflète pas toujours la réalité du lot.
Imaginons par exemple un lot acceptable avec par exemple 5% de défectuosités (le responsable
du contrôle ne le sait pas). Il est possible que l’échantillon sélectionné contienne une grande
proportion de défectuosités et donner ainsi une fausse idée du lot. On doit alors contrôler le lot
en entier ou le détruire sans raison (erreur de première espèce). Le contraire peut arriver, un lot
ne répond pas aux spécifications mais l’échantillon ne détecte pas ce fait (erreur de deuxième
espèce). Le contrôle n’est pas efficace à cent pour cent mais on peut le faire en contrôlant ces
deux erreurs.
Afin de Contrôler des grands lots, un échantillon de chaque lot est sélectionné pour vérifier la
proportion de défectuosités mais pas les causes de la défectuosité. On appelle cela un contrôle
par attribut.
Notons par p la proportion de défectuosités dans le lot et pas X le nombre de défectuosités dans
l’échantillon. Si le lot est grand X est distribuée suivant une loi binomiale ~ , .
La courbe d’efficacité est une courbe qui donne la probabilité d’acceptation en fonction de la
proportion p de défectuosités dans le lot. Ci-dessous des exemples de courbes d’efficacité.
1
Courbe d'efficacité avec n=50 et
c=1
1,2
1
0,8
L(P) 0,6
0,4
0,2
0
0 0,05 0,1 0,15
Proportion de défectousosités dans le lot (p)
2
Le contrôle de qualité du lot doit spécifier :
deuxième espèce.
Remarque. En réalité le producteur ne veut pas rejeter le lot si mais le risque α est
maximal lorsque et le consommateur ne veut pas accepter le lot si mais le
risque β est maximal lorsque .
Exemple de calcul des risques.
On voit dans cet exemple que β est élevé. Si on augmente c, le producteur fait un contrôle en sa
faveur, ce qui diminue son risque α et augmente le risque du consommateur β. Ces deux risques
varient en sens inverses.
Dans le contrôle de qualité, on doit spécifier les valeurs de , , α et β et calculer les valeurs
de n et c afin de respecter ces deux risques. Ceci revient à résoudre les deux équations suivantes
32 4567 , , 0, 1 >
afin de trouver n et c.
=
32 4567 , , 0, '
Comme ces deus équations sont non linéaires, des méthodes itératives sont utilisées pour
résoudre ces équations et des tables sont produites pour donner les valeurs de n et c.
Supposons que 3%, 10%, 5% et ' 10%. L’utilisation des tables ou des outils
Exemple.
Remarque. Si le lot est petit, on doit utiliser la loi hypergéométrique à la place de la loi
binomiale.
Remarque. Dans le cas ou l’approximation de loi binomiale par la loi de Poisson est justifiée, les
tables sont faites avec la loi de Poisson.
3
2. Contrôle par variable : un exemple en production
Les erreurs de première et deuxième espèce interviennent dans le contrôle de qualité. Dans
cette note, on explique ces deux erreurs par un exemple en production et on donne le moyen de
les contrôler. Le Contrôle dans cet exemple se fait sur une variable.
Question. Selon ce plan de contrôle, quelle est la probabilité de vérifier le procédé alors que ce
n’est pas nécessaire?
Supposons qu’on fixe 2.5, lorsque le procédé est sous contrôle, on obtient
2.5
| 20| 2.5 2 BC D 21.13%
2
Ce qui veut dire qu’avec ce plan, dans 21.13 % des cas, on aura a vérifier le procédé inutilement.
Question. Selon ce plan de contrôle, quelle est la probabilité de ne pas vérifier le procédé alors
qu’il est hors contrôle avec un déplacement de la moyenne du procédé de a mm ?
2.5 3 2.5 3
' | 20| E 2.5 B ECE D 39.83%
2 2
Ceci a comme conséquence que dans 39.83% des cas, on ne vérifie pas le procédé alors que la
moyenne s’est déplacée de 3 mm (on ne détecte pas ce déplacement de la moyenne).
La probabilité α est coûteuse pour le producteur et il aimerait la réduire a 5%. Pour cela, on doit
chercher c qui satisfait à :
4
| 20| 2 GC H 5%
2
GC H 2.5%
2
c
Φ G H 97.5%
2
c
Φ 97.5% 1.96
2
et 3.92.
Réduire l’erreur de première espèce revient à augmenter c ce qui crée un autre problème, celui
d’augmenter l’erreur de deuxième espèce ou risque du consommateur.
3.92 3 3.92 3
' | 20| E 3.92 B ECE D 67.69%
2 2
Les deux erreurs varient en sens inverses. Comment alors les contrôler?
2.5
J 20J 2.5 2 MC O 7.7%
2L
√2
2.5 3 2.5 3
' J 20J E 2.5 M ECE O 47.94%
2
L 2L
√2 √2
5
On voit qu’en prenant 2 et 2.5, on a réduit les deux erreurs. Cependant augmenter n
arbitrairement poserait un problème :
Le contrôle détecterait facilement des écarts très faibles (β petit pour a petit). Dans la pratique
des écarts par rapport à la valeur nominale d’une certaine amplitude sont tolérés et on ne veut
pas arrêter le procédé à chaque déviation tolérable de la moyenne.
Pour remédier à cette situation et fixer les deux erreurs à un niveau souhaité, il faut trouver le n
minimal qui satisfait aux exigences.
Supposons par exemple qu’on désire 0.05 et ' 0.10 s’il ya un déplacement de la
moyenne de 3. On résout les équations suivantes pour trouver c et n.
J 20J 2 MC O 5%
2
L
√
3 3
' J 20J E M ECE O 10%
2L 2L
√ √
Ces équations sont non linéaires mai sont résolues numériquement. Il existe aussi des tables qui
donnent des solutions approximatives.
On peut aussi envisager la méthode suivante : on choisit une valeur de n, on trouve la valeur de
c qui fixe α à 5% et on calcule β. Si β dépasse la valeur désirée, on augmente n d’une unité et
on recommence la même démarche.
Pour l’exemple considéré, on prend une valeur de n et on trouve c afin de fixer α à 5%.
MC O 2.5%
2
L
√
ΦM O 97.5%
2L
√
Φ 97.5% 1.96
2
L
√
6
3.92
√