Contrôle par échantillonnage

1. Contrôle par attribut.

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.

Dans un grand lot, on sélectionne un échantillon de taille n et note par X le nombre de

défectuosités dans l’échantillon. On rejettera le lot si
  et on l’acceptera si
  pour une
valeur de c qui sera fixée à l’avance. Une question se pose : quelles valeurs de n et de c doit-on
prendre?

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 probabilité d’accepter le lot est donnée par   
   ∑  1  

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)

Courbe d'efficacité avec n=100 et

c=2
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)

Courbe d'efficacité avec n=200 et

c=4
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 :

Le niveau acceptable de qualité  : le consommateur est satisfait si   

Le niveau inacceptable de qualité  : le consommateur est insatisfait si    .

Le contrôle se fait en essayant de minimiser les risques suivants :

  rejeter le lor alors que      1    appelé risque du producteur ou erreur de

'  acepter le lot alors que        appelé risque du consommateur ou erreur de

première espèce.

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.

Supposons que le contrôle se fait avec  100,   5,   3% ./   7%

  
 5 12   3%  32 4567100,3%, 6,100  0.08

'  
 5 12   7%  32 4567100,7%, 0,5  0.29

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.

de calcul donnent  221 et   16.

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.

Exemple. Un procédé manufacturier produit des composantes cylindriques pour l’industrie

automobile. Si le procédé est sous contrôle, le diamètre est normalement distribué avec une
moyenne de 20 mm et un écart type de 2 mm. La question est comment savoir si le procédé est
sous contrôle ou non.

On peut par exemple considérer la différence
 20 entre la valeur mesurée du diamètre X

d’une composante et la moyenne 20 et si |
 20| dépasse une certaine valeur critique c, on
doit vérifier le procédé.

Question. Selon ce plan de contrôle, quelle est la probabilité de vérifier le procédé alors que ce
n’est pas nécessaire?

Cette probabilité est   |
 20|   où
 20 ~ @0, 2A  qu’on appelle erreur de

première espèce ou risque du producteur.

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 ?

Cette probabilité est '  |
 20| E  où
 20~@F, 2A . On l’appelle erreur de

deuxième espèce ou risque du consommateur.

Calculons cette erreur si   2.5 et F  3. Le calcul donne la même résultat pour un

déplacement positif ou négatif de 3. Choisissons un déplacement positif.

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

ou Φ est la cumulative de la loi normale (0,1) .

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.

L’erreur de deuxième espèce si   3.92 et F  3 est

3.92  3 3.92  3
'  |
 20| E 3.92   B ECE D  67.69%
2 2

On a réussi à réduire α à 5% mais β augmente. La conséquence de β est qu’on ne détecte pas ce

déplacement de la moyenne.

Les deux erreurs varient en sens inverses. Comment alors les contrôler?

échantillon de taille  2 au lieu de contrôler une composante à la fois. On mesure alors la

Les statistiques permettent de contrôler ces deux erreurs. Pour cela, il faut contrôler un

moyenne d’échantillon
et on évalue J
 20J et si cette quantité dépasse une certaine

valeur critique c, on doit vérifier le procédé.

Supposons qu’on fixe   2.5 et  2 . Comme
 20 ~ N0, 2 L2 lorsque le procédé est

A

sous contrôle, on obtient

2.5
  J
 20J  2.5  2 MC  O  7.7%
2L 
√2

L’erreur de deuxième espèce est dans ce cas si F  3 est

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 
√

ou Φ est la cumulative de la loi normale (0,1).


 Φ 97.5%  1.96
2
 L 
√

6
 3.92

√

Avec cette valeur de c, on calcule β.

La démarche mentionnée donne les résultats suivants :

 2 ,   2.77 '  43.58%

 3 ,   2.26 '  26.17%%

 4 ,   1.96 '  14.92%

 5 ,   1.75 '  8.16%

La solution au plan de contrôle est :  5 ,   1.75