R EVUE DE STATISTIQUE APPLIQUÉE
A. V ESSEREAU
Méthodes bayesiennes et méthodes classiques en contrôle de réception
Revue de statistique appliquée, tome 28, n
o4 (1980), p. 5-35
<http://www.numdam.org/item?id=RSA_1980__28_4_5_0>
© Société française de statistique, 1980, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.
sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les conditions générales d’uti- lisation (http://www.numdam.org/conditions). Toute utilisation commerciale ou im- pression systématique est constitutive d’une infraction pénale. Toute copie ou im- pression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
5
METHODES BAYESIENNES ET METHODES CLASSIQUES EN CONTROLE DE RECEPTION
A. VESSEREAU
Pages
Introduction... 6
1. Première
partie. -
Loi apriori
et loi aposteriori
dutype
Bêta ... 71.1. Loi a
priori
dutype
Bêta ... 71.1.1.
Expression
de la loi... 71.1.2. Valeurs
caractéristiques
et fractiles... 71.1.3. Valeurs
particulières
desparamètres ...
81.1.4. Relation entre la loi Bêta et la loi binomiale... 9
1.1.5.
Exemples numériques ...
101.2. Loi a
posteriori ...
121.2.1. La loi a
postériori
est une loi Bêta ... 121.2.2. Valeurs
caractéristiques
et fractiles... 121.2.3.
Exemples numériques ...
141.3. De la loi a
priori
à la loi apostériori
... 191.3.1. Un cas très
particulier ...
191.3.2.
Le cas général ...
192. Deuxième
partie. - Application
au contrôle deréception Bayésien...
202.1. Choix de la loi a
priori ...
202.1.1. Choix basé sur une
appréciation subjective
... 202.1.2. Choix résultant d’une information
objective
... 212.2.
Interprétation
du résultat d’un contrôle... 222.2.1. Choix de l’effectif d’échantillon ... 23
2.2.2.
Interprétation
de la loi aposteriori...
233. Troisième
partie. -
Contrôleclassique
et contrôleBayésien...
243.1.
Rappel
de la solutionclassique...
253.2. Solution
bayésienne "équivalente"
... 263.2.1. Relations
d’équivalence ...
263.2.2.
Exemples numériques ...
274.
Remarques finales ...
28Annexes ...
30A.1. Relations
générales
entre loibinomiale,
loiBêta,
loi deF,
loi dePoisson, loi de X 2 ...
30A.2. Estimation des
paramètres
d’une loi Bêta ... 32A.3. Références
bibliographiques
... 35Revue de Statistique Appliquée, 1980, vol. XXVII I, n° 4
Mots-Clés :
Contrôle, Qualité,
Méthodesbayesiennes,
Loibinomiale,
Loi Bêta.INTRODUCTION
Partisans des méthodes
"Bayésiennes"
et défenseurs des méthodes "clas-siques"
neparaissent
pasdisposés
à rechercher un terrain d’entente. Leurs argu- mentations sont d’ordreméthodologique, philosophique,
voiresémantique...
Elles ont été récemment
développées
dans des articlespubliés
dans la Revue In- ternationale destatistique [ 1 ], [2], [3], [4], [5].
Assez curieusement les "modernes"(néo-bayesiens) reprennent,
enl’actualisant,
lepoint
de vue des très anciens clas-siques,
alors que les"classiques"
del’époque
actuelle maintiennent laposition
deceux que l’on considérait comme modernes il y a
quelques
40 ans.La Revue de
statistique appliquée
apublié plusieurs
notes sur cesujet,
no-tamment
[6], [7], [8], [9].
L’auteur duprésent
article y a fait connaître sonopinion
à propos d’un
problème
très familier aux utilisateurs des méthodesstatistiques [7].
Il aborde ici un autreproblème,
encoreplus
concret ; le contrôle deréception
sur échantillon. En cette
matière,
lespartisans
des méthodesbayésiennes
avancentqu’elles
sontplus
intuitives(plus
aisémentcomprises
desutilisateurs)
etplus
éco-nomiques.
Plus intuitives : cela
peut
se discuter. Pluséconomiques,
certes : on est ra-rement sans information sur la
qualité présumée
d’une fabrication àcontrôler,
etpourquoi
s’enpriverait-on ?
Il reste à se demander surquoi
se fonde l’informationa
priori, quelle
estl’importance
de l’économieréalisée,
et aussi - c’estpeut-être
le
point
leplus
délicat -quelle signification
concrète onpeut
attribuer à l’infor- mation aposteriori
résultant d’un constat sur échantillon.On se limitera dans cette note au contrôle dit
"par attribut",
où lespièces
sont classées en défectueuses
(événement favorable !)
ou bonnes(événement
dé-favorable...).
On se donnera comme loi apriori
une loiBêta,
en raison de sagrande souplesse,
de son caractèreréaliste,
et aussi de lagrande
facilitéqu’elle
offre pour le passage à la loi a
postériori.
Notations
adoptées
Selon les besoins les notations seront affectées : d’un accent
(r’, sB ri’ ...)
et
(ou)
d’un indice(po.
pl ,pl ...).
2. Notations concernant les
fractiles
d’une loi deprobabilité
L’ordre d’un fractile sera
désigné
par P(0
P1) ;
dans les lois F etX2 ,
la valeur de la variable
correspondant
à P sera notéeFp , ~2P.
Dans la loiBêta,
au fractile pcorrespond,
selon la notationusuelle,
P =Ip (fonction
Bêtaincomplète).
1. Lois utilisées
7
Pour
permettre
un passage aisé des méthodesbayésiennes
aux méthodesclassiques (et vice-versa)
il sera commode de poserPa =
1 - P(Fp = F 1 _P ; FP -
FI-P).
Dans la théorieclassique
du contrôle deréception
l’indice asignifie
"acceptation ".
3. Notations concernant les valeurs
caractéristiques
La moyenne
(espérance mathématique)
seradésignée
par m,l’écart-type
par a, le mode par
Mo,
la médiane par Me.4. Notations concernant l’échantillon
L’effectif de l’échantillon sera
désigné
par n(ou n’),
et le nombre de défec-tueux par k.
Lorsque
kreprésentera
laplus grande
valeur du nombre de défectueuxpermettant l’acceptation
d’unlot,
on posera k = A(ou A’).
1. PREMIERE PARTIE
LOI A PRIORI ET LOI A POSTERIORI DU TYPE BETA
1.1. Loi a
priori
dutype
Bêta 1.1.1.Expression
de la loiLa variable aléatoire p
(0
1p)
a pour densité deprobabilité
Lorsque
lesparamètres (r , s)
sont des nombres entiers le coefficient 2013 Ce casparticulier
estimportant lorsqu’on
chercheà établir un raccord entre contrôle
bayésien
deréception
et contrôleclassique (troisième partie).
1.1.2. Valeurs
caractéristiques
etfractiles
Espérance mathématique,
mode etécart-type
se calculent sans difficulté(leurs expressions
sontclassiques).
En cequi
concerne les fractiles(on rappelle
la convention
Pa
= 1 -P),
lesexpressions ci-après
résultent des relationsgénérales
données dans l’annexe Al. 1
(1) Espérance mathématique (2)
Mode(3) Ecart-type
Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 4
(5)
MédianeLes formules
(4)
à(6) s’appliquent
directement pour(r , s) multiple (s)
de1/2,
en utilisant les tables usuelles deF ;
pour des valeursquelconques
de(r , s),
des
interpolations
dans ces tables sont nécessaires.Lorsque
r + s - 1 estgrand
et p
petit,
ces formulespeuvent
s’écrire avec une bonneapproximation (7)
PourPa
donné(8) Pa
=0,50 (médiane) (9)
Pour p donnéLes formules
(7)
à(9) s’appliquent
en utilisant les tables usuelles deX2
(pour
nonmultiple
de1/2,
uneinterpolation
estnécessaire).
Dans tous les cas, la courbereprésentant Pa
en fonction de p seraappelée
"courbed’acceptation"
de la loi a
priori.
1.1.3. Valeurs
particulières
desparamètres
Si r = s
= 1,
on obtient la loirectangulaire f (p) dp
=dp
Si r
= 1,
s >1,
on a la loif(p)
=s(l - p)S -1
uniformément décroissantede f (0) = s à f (1) = 0
Si s
= 1,
r > 1 on a la loif (p)
=rpr
uniformément croissante def(0)=
0à f (1) = r.
La loi n’est
symétrique
que si r = s. Alors9
Dans
l’application
aux contrôles deréception,
on ne s’intéresseraqu’à
deslois fortement
dissymétriques,
où r estpetit
parrapport
à s : moyenne,mode,
médianecorrespondront
à depetites
valeurs de p, etl’écart-type
serapetit.
1.1.4. Relation entre la loi
Bêta
et la loi binomialeL’expression
de la loi binomiale deparamètres (n , p)
est :Si dans la loi
Béta,
deparamètres
r, sentiers,
et r > 1 on pose r - 1 = x,s - 1 = n - x, celle-ci s’écrit :
Mais cette "ressemblance" est
purement
formelle - bienqu’utile
pour établirune relation entre contrôle
classique
et contrôlebayésien (troisième partie).
Eneffet :
- dans la loi binomiale n et p sont des
paramètres,
la variable est x,- dans la loi Bêta n et x sont des
paramètres,
la variable est p,- le coefficient diffère
(n !
ou(n
+1) !)
- Ilreprésente
unequantité
aléatoiredans la loi
binomiale,
une constante dans la loi Bêta.On
peut
encore observer que :- dans la loi
Bêta,
toutes les valeurscaractéristiques (espérance mathématique, mode,
fractiles d’ordrequelconque)
sont des valeurspossibles
de la variablecontinue p.
- dans la loi
binomiale, l’espérance mathématique
necorrespond généralement
à aucune valeur de la variable discrète
X,
la loipeut-être bimodale,
les fractilesn’existent,
et de manièreconventionnelle,
que pour certains ordre en nombre fini.Revue de Statistique Appliquée, 1980, vol. XXVII I, n° 4
1. 1. 5.
Exemples numériques
On donnera les deux
exemples
suivants :Les tableaux
ci-après,
calculés en utilisant les formulesgénérales
du para-graphe 1.1.3, permettent
de tracer(Fig. I)
les courbes de densitéf (p)
et dePa (courbe d’acceptation).
Tableau 1-a Tableau I-b
(a)
= Mode(b)
= Médiane(c)
=Espérance mathématique.
11 Figure I
Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 4
1.2. Loi a
posteriori
Dans un échantillon d’effectif n on a trouvé k unités
présentant
le caractèreappelé
conventionnellement "défectueux".1.2.1. La loi a
posteriori
est une loi BêtaLa densité dans la loi a
postériori
estavec
= Loi Bêta de
paramètres r’ = r + k , s’ = s + n - k
La loi a
posteriori
de la loi apriori
sont donc de mêmetype :
selon la déno- mination donnée parBenjamin
etCornell,
la loi Bêtaappartient
à la famille des"lois
conjuguées ".
1.2.2. Valeurs
caractéristiques et fractiles
On les obtient en
remplaçant
dans lesexpressions
données au§
1.1.2. r parr
+ k, s par s
+ n - k.(11) Espérance mathématique
(12)
Mode(13) Ecart-type
13
(15)
MédianeLes formules
(14)
à(16) s’appliquent
en utilisant les tables usuelles de F(avec interpolations
si(r , s)
ne sont pasmultiples
de1/2).
Lorsque
r + s + n - 1 estgrand
et ppetit,
les formules(14)
à(16) peuvent s’écrire,
avec une bonneapproximation :
(17)
PourPa
donné(18).
PourPa
donné(19)
Pour p donnéRevue de Statistique Appliquée, 1980, vol. XXV I I I, n° 4
Les formules
(17)
à(19) s’appliquent
en utilisant les tables usuellesde x 2
(avec interpolation
si r n’est pasmultiple
de1/2).
Dans tous les cas, la courbe
représentant Pa
en fonction de p seraappelée
courbe
d’acceptation "
de la loi apostériori.
1.2.3.
Exemples numériques
On
part
de la loi apriori
r =1,
s = 50(Tableau la
etfigure la ci-dessus)
et l’on
envisage
les différents cas suivants :n =
30 ; k
=0, 1,
2. - Tableau II etfigure
IIci-après -
Les calculs ont été effec-tués avec les formules utilisant la loi de F.
Tableau II n = 30
k =
0 , paramètres
de la loi aposteriori r’
= 1s’
= 80f’(p)
= 80(1 - p)79
k =
1 , paramètres r’
=2 , s’
= 79f’ (p) = 6162 p (1 - p)78
k =
2 , paramètres r’
=3 , s’
= 78r(p) =
246.280p2 (1 - p)77
n =
75 ; k = 2, 3,
5. - Tableau III etfigure
IIIci-après.
Les calculs ont étéeffec-
tués avec les formules utilisant
l’approximation
dex2.
k = 2
r’=3,s’=123 f’ (p) =
953.250p2 (1 - p)l22
k = 3
r’
=4 , s’
= 122f’ (p)
= 38.765.500p3 (1 - p)121
k = 5
r’
=6 , s’
= 120f’ (p)
= 2.814.339 x104 pS (1 - p)119
15 Tableau III
n = 75
n =
1 SO ; k = 3, 5,
7. - Tableau IV etfigure
IVci-après.
Les calculs ont été effec-tués avec les formules utilisant
l’approximation
deX2 .
k = 3
r’
=4 , s’
= 197f’ (p)
= 2.587.398 x102 p3 (1 - p)l96
k = 5
r’
=6 , s’
= 195f’ (p)
= 49 .445 .17 5 x104 p 5 (1 - p)l94
k = 7
r’ = 8 , s’ =
193f’(p)=44.079
x1010 p7 (1 - p)192
Tableau IV n=150
(a)
= Mode(b)
= Médiane(c)
=Espérance mathématique.
Revue de Statistique Appliquée, 1980, vol. XXV II I, n° 4
Les valeurs de n et k ont été choisies pour
permettre
un raccord avec les contrôles deréception classiques
dont il existe des tables toutes calculées(MIL-STD
105D).
Voirchapitre III, §
3.2.2.Les
figures II, III,
IV montrent clairement comment se modifie la loi apriori lorsque
n étantfixé,
on fait croitre k. La courbef (p)
devient deplus
enplus étalée,
la courbe
Pa (p)
devient de moins en moins tendue.Figure II
17 Figure III
Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 4
Figure IV
19 1.3. De la loi à
priori
à la loi aposteriori
1.3.1. Un cas très
particulier.
On a vu
(§ 1.1.3)
que la loi apriori
n’estsymétrique (autour
de p =1/2)
que dans le cas
particulier
où r = s. Bienqu’il s’agisse
d’une situation sans intérêt pourl’application
aux contrôles deréception,
il n’est pas inutiled’y porter quelque
attention.
Pour que la loi a
posteriori
soitégalement symétrique,
il faut que sonespé-
rance
mathématique
et son modecoïncident,
cequi implique, d’après
les expres- sions données en 1.2.2.qui
se réduit à(On
vérifie aisément que la médiane serait aussiégale
à1/2).
Même avec ce"résultat
d’épreuve
k =n/2",
la loi apriori
et la loi aposteriori,
toutes les deuxsymétriques
autour de1 /2,
seraientdifférentes,
la loi aposteriori
étantplus
concen-trée que la loi a
priori
La loi très
particulière
que l’on s’était donnée apriori
est donctoujours
infirmée par l’observation faite sur l’échantillon.Si l’on admet que la loi a
priori représente
l’incertitude que l’on a sur la"vraie valeur de
p" -
la valeur laplus probable
apriori
étant1 /2 -
l’incertitudene se trouve levée que pour n
= 00, la
loiconvergeant
vers sonespérance mathématique.
1. 3.2. Le cas
général
C’est le cas où r =1= s
(et
notammentr/s petit
dansl’application
aux contrôlesde
réception).
Condition nécessaire pour que loi a
posteriori
et loi apriori :
- aient même
espérance mathématique :
- aient même mode :
Ces deux conditions sont
incompatibles
sauf si r = s, cas que nous avonsexclu.
D’autre
part
la loi apostériori
esttoujours plus
concentrée que la loi apriori (a plus petit).
Lapropriété
constatée dans le casparticulier
r = s est donc tout àfait
générale :
la loi apostériori
diffèretoujours
de la loi apriori.
Pour n très
grand,
p, de variablealéatoire,
devient valeurcertaine,
la loiinitiale, quelle qu’elle soit, convergeant
vers sonespérance mathématique.
Lespoints
de vuebayesien
etclassique convergent
l’un vers l’autre... à l’infini.Revue de Statistique Appliquée, 1980, vol. XXV II I, n° 4
DEUXIEME PARTIE
APPLICATION AU CONTROLE DE RECEPTION BAYESIEN
Un
point
essentiel devrait êtreprécisé
avant d’aborder latechnique
mêmed’un
contrôle,
que celui-ci soit"Bayesien"
ou"Classique".
S’agit-il
de contrôler(avec
décisiond’acceptation
ourejet)
un lotparticulier ?
En
technique classique
il semblelogique
deprotéger
à la fois lefournisseur,
en as-sociant une
probabilité
faible derejet (a)
à uneproportion
donnée po de défec- tueux, et le client en associant uneprobabilité
faibled’acceptation (j3)
à une pro-portion
donnéepi >
Po. Pour des valeurs de a et{3
fixées(les
valeurs lesplus
usuelles étant a = 5 %
et (3
= 10%)
le contrôle est d’autantplus
efficace que la différence pl - po estplus petite -
mais soncoût,
évalué en effectif d’échantil-lon,
estplus
élevé. Onrappelle
que la courbed’efficacité
du contrôle est la courbequi
donne laprobabilité d’acceptation Pa
en fonction de la valeur duparamètre
p : pour p = po,
Pa
= 1 - a ; pour p = p 1,Pa
={3.
S’agit-il
au contraire de contrôler unelongue
série de lotsprésentés
parun même fournisseur ? C’est la situation à
laquelle
sontadaptés
lesplans
MIL -STD 105 D
(AFNOR, X06 - 022).
Ceux-ciprivilégient
le fournisseur(réputé présenter
les lots de bonnequalité), grâce
aux choix d’unNQA(1)
correspon- dant à une faibleprobabilité
derejet -le risque
du client n’est paspris
direc-tement en
considération,
saprotection
résultant essentiellement du mécanisme des"Switching
Rules"(passage
en contrôle renforcé et éventuellementsuspension
des
livraisons). Cependant
ces mêmesplans peuvent
être utilisés indirectement pour assurer une bonneprotection
duclient,
par le choix d’unL.T.P.D(2)
corres-pondant
à une faibleprobabilité d’acceptation (5
% ou10 %) -
lerisque
du four-nisseur
peut
alors être lu sur la courbe d’efficacité duplan.
Cette
distinction,
banale en contrôleclassique,
ne devrait pas êtreperdue
de vue en contrôle
bayésien.
2.1. Choix de la loi a
priori
Deux
possibilités peuvent
êtreenvisagées.
2. 1. 1. Choix basé sur une
appréciation subjective
Celle-ci est le fait du
client, qui
se base sur lesrenseignements
dont ildispose
sur les
capacités
du fournisseur. Parexemple, ayant
fait choix d’une valeur pro- (1) On rappelle que les plans MIL-STD sont indexés par des valeursparticulières
de NQA : niveau dequalité
acceptable - en anglais AQL : acceptable quality level - Les NQAde ces plans sont les % de défectueux suivants :
0,010 ; 0,015 ; 0,025 ; 0,040 ; 0,065 ; 0,10 ; 0,15 ; 0,25 ; 0,40 ; 0,65 ; 1,0 ; 1,5 ; 2,5 ; 4,0 ; 6,5 ; 10. (Série Renard de raison
510
= 1,585).Pour les % de défectueux NQA, la probabilité d’acceptation est de l’ordre de 95 % - En fait, suivant les plans, elle varie de 88 % à 99 %.
(2) L.T.P.D. = "Limit tolerance percent defective" est donné dans les tables MIL- STD pour les plans figurant dans ces tables.
21
bable de la
proportion
de défectueux dans la livraison àcontrôler,
ilplace,
par lapensée,
des mises deplus
enplus
faibles sur des valeurs de p s’écartant deplus
en
plus
de cetteproportion. Puisqu’il
doit choisir une loi dutype
Bêta - on s’estimposé
cette restriction dans laprésente
note - sa tâche sera facilitée s’ildispose
d’un
catalogue
de courbesf (p) correspondant
à différentes valeurs desparamètres (r , s).
Uncatalogue
de courbesPa (p) permet
de formulerplus
aisément lepari
de lafaçon
suivante : il y a 90 chances sur 100 pour que p nedépasse
pas une valeur limite p 1. Parexemple,
un client "confiant"prendra
pour pl 1 la valeur4,5
% :la loi Bêta a
priori
aura commeparamètres
r =1,
s = 50(voir
Tableau la etfigures la),
mais pour un client "méfiant"prenant
pl =7,4 %
lesparamètres
seront r =2,
s = 50
(Tableau
Ib etfigures Ib).
Cette
façon d’opérer
est tout à faitconcevable,
mais la loi apriori ayant
un caractère
subjectif,
il est fortdouteux,
comme on vient de levoir, qu’un
autreclient choisisse la même loi - pour ne pas
parler
du fournisseur lui-mêmequi,
s’il est de bonnefoi,
est le mieuxplacé
pour connaître lespossibilités
de sa fa-brication. Le client
qui
fait choix de la loi apriori
secomporte
en"juge souverain",
ou en
"expert"
dont le verdict nepeut
pas être contesté.Si ce verdict est effectivement correct, lors d’une vérification à 100 % du
lot,
on devrait constater que
p - qui
de variable aléatoire se transforme en valeur cer-taine - est sinon
égal,
du moins voisin de la valeur surlaquelle
a étéplacé
leplus
gros
enjeu - ou
de la valeurcorrespondant
au mode de la loi apriori.
En réalitécette vérification à 100 % n’est
jamais faite,
et la décision -acceptation
ourejet
du lot résultera de la loi a
postériori
déduite del’échantillon,
loiqui,
comme onl’a montré en 1.3.2. diffère
plus
ou moins de la loi apriori :
le client sera doncporté
à croire(peut-être
àtort)
que le fournisseur a modifié sa fabrication. Si la loi s’estdéplacée
vers de faibles valeurs de p, il estimera que la fabrication s’estaméliorée,
s’enréjouira,
etacceptera
le lot. Dans le cas contraire -déplacement
vers les valeurs élevées de p - il prononcera, suivant une
règle qu’il
se serafixée,
le
rejet
du lot.Le choix
"subjectif"
de la loi apriori
n’est selon nous concevable que pourun lot
unique.
Dans le cas d’une série de lots il faudrait admettre que l’onpart toujours
de la même loi apriori,
cequi
neparaît
pas conforme àl’optique bayé-
sienne où l’information résultant de tous les lots antérieurement
présentés
devraitêtre
prise
en considération.2.1.2. Choix résultant d’une
information objective
A
l’opposé
du choixsubjectif,
la méthode que nousappelons "objective", paraît
convenir au contrôle d’une série de lots.On suppose connues les valeurs de p
(paramètre)
dans un assezgrand
nombrede lots
déjà présentés
en livraison. On lesrépartit
enclasses,
on construit l’histo-gramme des
fréquences,
et onl’ajuste
à une loi Bêta àpartir
de l’estimation desparamètres (r , s) -
Voir annexe A3.Cette méthode
appelle plusieurs
remarques. Elle suppose connue la valeur exacte de p dans les lotspris
en considération. Il faut donc admettre :- ou bien que ces lots ont été reçus "sous
condition",
et queaprès emploi (p
étant alors
connu)
ceuxqui
seront considérés commeinacceptables (mais
ce-pendant utilisés)
seront déduits de la facture du fournisseur ou tout au moins ferontl’objet
d’unepénalisation
dans leprix payé :
il est peuprobable
que le fournisseuraccepte
cetteconvention,
Revue de Statistique Appliquée, 1980, vol. XXV II I, n° 4
- ou bien
qu’un
contrôle à 100%
a été fait lors de laprésentation
dechaque lot,
ce
qui permet
de laisser à ladisposition
du fournisseur les lotsinacceptables,
tout en les
prenant
encompte
dansl’histogramme :
cetteprocédure, qui
nepeut
pas êtreenvisagée
si le contrôle estdestructif,
serait très coûteuse et an-nulerait l’économie
apportée
ensuite par un contrôlebayésien
sur échantillon.Si les lots
ayant
servi à construirel’histogramme
ont été contrôlés sur échan-tillon suivant une
règle "acceptation-rejet" (classique
oubayésienne
peuimporte),
celui-ci sera biaisé : il
représentera
la distribution des lotsacceptés,
le biais dé-pendant
de larègle d’acceptation (qui comporte
unrisque
dejugement erroné)
et non la distribution
représentative
de la fabrication.Enfin,
lastatistique
des valeurs de ppeut correspondre
à une évolutiondans le
temps
de laqualité, qui n’apparaît
pas surl’histogramme.
Un cas extrêmeest celui où les classes de p étant
repérées
par des numéroscroissants,
ceux-ci forment une suite croissante ou décroissante dans lenumérotage chronologique
des lots.
23
Le
graphique
ainsi construitreprésente
alors l’amélioration ou ladégrada-
tion dans le
temps
de la fabrication. Une remarqueanalogue peut
être faite sur les contrôlesclassiques
si on les exécute sansprécaution particulière
sur les li-vraisons successives d’un fournisseur. On a
déjà
dit que dans lesplans
MIL-STD105 D cette
précaution
consiste àappliquer
les"Switching
rules"(passage
encontrôle renforcé ou
réduit) -
et, d’unefaçon plus générale
àenregistrer
les ré- sultats des contrôles successifs sur un document dutype
"carte de contrôle".La
question
de savoir s’il fautjoindre
le résultat du contrôle dechaque
nouveau lot
(loi
apostériori)
à l’information apriori
dite"objective"
ne semblepas ici devoir être
posée.
La même loi apriori peut-être prise
comme loi de ré- férence pour le contrôle dechaque
lot.2.2.
Interprétation
du résultat d’un contrôleNous supposons écartées les difficultés soulevés au
§
2.1. Sur un lotpré-
senté au
contrôle,
onprélève
un échantillon de nunités,
dont on constate que k sont défectueuses.2.2.1. Choix de
l’effectif
d’échantillonLa
question
de ce choix ne se pose pas en contrôleclassique.
D’unefaçon générale
n et le "critèred’acceptation
k =A"
sont déterminés par le choix des valeurs po et p 1(p 1
>po)
associées à des valeurs données pour lesrisques
du fournisseur(a)
et du client(j8).
Si l’on utilise lesplans
MIL-STD 105D,
n et Arésultent de
règles
conventionnellesacceptées
par les deuxparties,
etqui
sontliées à l’effectif des
lots,
au niveau de contrôle(plus
ou moinssévère)
et au choixd’un
NQA ("niveau
dequalité acceptable").
En contrôle
bayésien,
dont le but essentiel semble être deprotéger
leclient,
la valeur de n est, sauf convention
particulière (voir
troisièmepartie)
arbitraire.2.2.2.
Interprétation
de la loi aposteriori
A la suite de la
prise d’échantillon,
on se trouve confronté à une loi aposté-
riori du
type Bêta,
deparamètres r’
= r +k, s’
= s + n -k, qui
diffèreplus
oumoins de la loi a
priori
choisie comme loi de référence. Cette loi apriori repré-
sentant une
répartition acceptable
des valeurs de p, si l’échantillon a pour effet de la déformer en ladéplaçant
vers lespetites
valeurs de p, onacceptera
le lot.Pour fixer une condition de
rejet,
on fixe une valeur p, 1 pourlaquelle
la valeurPa
dans la loi aposteriori
estégale
à une valeur faibleégalement
fixée àl’avance,
par
exemple Pa
= 10 %(dans
la loi apriori
àPa
= 10 %correspond
une valeurp’ Pi).
Aucouple (n , p 1 ) correspond
uncouple
de valeurs(n, k
=A) ;
Aest la valeur limite de k
permettant l’acceptation
du lot : si k >A,
le lot estrejeté.
Cette
interprétation
de la loi apostériori, logique
en apparence, estcependant
discutable. On se trouve en réalité confronté aux deux termes d’une alternative.
1 er
Terme. On estparfaitement
sûr de la validité de la loi apriori.
Cepremier
terme est à
écarter,
comme entaché d’un vice fondamental : On nepeut
pas êtreparfaitement
sûr de cettevalidité, puisque
toute information nouvelle modifie la loi apriori.
Revue de Statistique Appliquée, 1980, vol. XXVIII, n° 4
2ème
Terme. Ce deuxième terme,qui
est le seulqui
soitréaliste,
se subdivise lui-même en deux cas.a)
La loi apriori
résulte d’une information dutype "subjectif (voir 2.1.1).
Cette information étant par essence
douteuse, interpréter
la loi apostériori
commeil a été dit
plus haut, paraît
tout à fait admissible pour le contrôle d’un lotunique.
Mais,
lors du contrôle d’un nouveaulot,
il est difficilementimaginable qu’on
prennetoujours
référence la même loi apriori.
b)
La loi apriori
résulte d’une information dutype "objectif" (voir 2.1.2).
Alors,
onpeut
aussi bien considérer que cetteinformation,
par natureincomplète,
est améliorée par l’information nouvelle
apportée
parl’échantillon,
et que la fabri- cation est en réalitéreprésentée
par la loi apostériori. L’interprétation
de celle-cien décision de
rejet
devrait alors conduire àrejeter
non seulement le lotcontrôlé,
mais la totalité des lots
pris
en considération pour définir la loi apriori,
et dont laplus grande partie,
sinon latotalité,
a étédéjà acceptée.
Cette décisiondrastique,
et d’ailleurs
inimaginable,
de "toutrejeter" (présent
etpassé) pourrait
être infirméelors du contrôle d’un nouveau
lot,
ou de la constatation faite sur un autre échantil- lon du même lot(expertise
contradictoire effectuée à la suite d’une réclamation bienlégitime
dufournisseur).
Ce deuxième casconduit,
non pas au choix dansune
alternative,
mais à uneimpasse.
3. TROISIEME PARTIE
CONTROLE
CLASSIQUE
ET CONTROLE BAYESIENNous essaierons ici de voir comment on
peut
établir un raccord entre lathéorique classique
et lepoint
de vuebayésien.
Nous ne nous intéresseronsqu’à
de
petites
valeurs de p(les
seules àprendre
en considération dans un contrôle deréception),
et supposerons des effectifs d’échantillon pastrop petits.
Onpeut
alors utiliser des relationssimples, justifiées
parl’approximation,
très valable dansce cas, dite "de
Poisson",
elle-même directement liée auxpropriétés
de la loi deX2 (voir
annexesA et A2 ).
25 3.1.
Rappel
de la solutionclassique
On se donne deux valeurs de p, po et pl
(po p 1 ) auxquelles
on associedeux
probabilités également
choisies a(risque
dufournisseur) et (3 (risque
duclient).
L’effectif n de l’échantillon et le "critère
d’acceptation"
A(valeur
maxi-male de k
permettant l’acceptation
dulot,
R = A + 1 étant le "critère derejet")
doivent satisfaire aux deux relations.
On en déduit v par la relation :
A
et n devant être des nombresentiers,
onprend
pour v le nombrepair
tel que soit leplus
voisinde
-(ou
leplus grand
nombrepair
satisfaisant àet pour n le nombre entier le
plus
voisin de-(ou
leplus petit
nombre entier tel que n ’,La courbe
d’efficacité
est la courbequi donne,
en fonction de p laprobabilité Pa d’accepter
les lots de"qualité p".
Elle est définie parl’équation :
Son
interprétation
est la suivante :Tout lot caractérisé par une
qualité
p po a uneprobabilité
inférieure àa d’être
rejeté ;
tout lot caractérisé par unequalité
p > Pi 1 a uneprobabilité
infé-rieure à
j3
d’êtreaccepté.
Revue de Statistique Appliquée, 1980, vol. XXVII I, n° 4
La courbe passe par les deux
points [Po ’ Pa (Po)
1- a] [p1 , Pa (Pl
-{3] .
3.2. Solution
bayesienne "équivalente"
3.2.1. Relation
d’équivalence
Prenant pour référence la solution
classique qui
vient d’êtrerappelée,
etqui
est résumée par le
couple (n , A),
onappellera
solutionbayesienne équivalente
celle
qui, partant
d’une loi apriori
donnéB (p/r , s),
aboutit à une loi apostériori
B
(p/r’ , s’)
dont la courbed’acceptation
coïncide avec la courbe d’efficacitéPa (p).
Cette loi a
postériori correspond
à un échantillon d’effectifri
et à un critèred’acceptation A’ ayant
la mêmesignification
que dans le contrôleclassique :
ils’agit
donc d’établir les relations entre lecouple (n , A)
et lecouple (n’ , A’ ).
La courbe
d’acceptation
dans la loi apostériori
deparamètres (r’ , s’)
estdéfinie
(voir § 1.1.2)
par :qui s’écrit,
en définissantn’ et A’
par les conditionsr’ = r + A’ ,s’ = s + n - A’
Le
rapprochement
de cette formule et de la formule(22) du §
3.1 montre que courbed’acceptation
et courbe d’efficacité sontidentiques
si :L’économie
(exprimée
en effectifd’échantillon)
du contrôlebayesien
défini par les conditions(n’ , A’)
parrapport
au contrôleclassique
défini par les conditions(n , A) est :
Si s étant constant, on augmente r d’une
unité,
le contrôleclassique équivalent
s’obtient en
augmentant
A et n d’une unité.S r étant constant, on
augmente
s d’uneunité,
le contrôleclassique équiva-
lent s’obtient avec la même valeur de A et en
augmentant
n d’une unité.Dans les deux cas l’économie du contrôle
bayesien
estaugmentée
d’uneunité.
27 3. 2.2.
Exemples numériques
On
partira
de la loi apriori
deparamètres
r =1 ,
s = 50 étudiée au§
1.1.5(Tableau
etfigure la).
On a ici r + s - 1 = 50. La loi apostériori
a été établieau -§
1.2.3 dans les cas suivants.n =
30 ,
k =0, 1,
2(Tableau
etFigure II)
n =
75 ,
k =2, 3,
5(Tableau
etFigure III) n = 150 , k = 3, 5, 7 (Tableau
etFigure IV)
Les
plans classiques "équivalents" correspondent
à des effectifs d’échantillonn’ = 80, n’
=125 , n’ =
200 et des critèresd’acceptation A1=
A.On pourra
vérifier,
dans les tables X des MIL-STD 105 D que cesplans
coïncident avec les suivants :
L’économie par
rapport
à cesplans classiques, -
familiers aux utilisateurs des tables MIL-STD - est de 50 unitésd’échantillonnage.
La loi decorrespondance
s’étend pour les mêmes lettres-codes
J, K,
L des MIL-STD 105D,
auxplans
dece document pour
lesquels
existent des valeurs du critèred’acceptation.
Elle estrésumée dans le Tableau V
ci-après, qui exige quelques
moments d’attention de lapart
du lecteur.Si l’on
prend
pour loi apriori
la loi deparamètres
r =2,
s =50,
la valeurde
n’
doit être diminuée d’une unité(179, 124, 199) - (modification pratiquement
sans
importance)
et celle deA’ également
d’une unité(certaines
de ces nouvellesvaleurs de
A’
n’existent pas dans les tables MIL-STD ex :A’ = 4,
A’ =6).
Si l’on
prend
pour loi apriori
la loi deparamètres r = 1, s = 51, le
critèred’acceptation
reste le même et lacorrespondance indiquée
ci-dessus restepratique-
ment valable.
Dans les deux cas l’économie dans l’effectif de l’échantillon est
augmentée
d’une unité
(51
au lieu de50).
Les courbes
d’acceptation/efficacité
ont été tracées sur lafigure
Vlorsque
r =
1,
s = 50(les
critèresd’acceptation,
A etA’
sontégaux).
Elles sontrepérées
par l’effectif d’échantillon et le critère
d’acceptation bayesien :
parexemple
/150B
(15°) 3
se lit n =150,
A = 3. Pour éviter les difficultés de lecturequi
résulteraient de l’enchevètrement descourbes,
celles-ci n’ont été tracés que pour n = 75 et150 (n’ = 125
et200)
et pour les valeurs de A =A’
existant dans les tablesRevue de Statistique Appliquée, 1980, vol. XXV I I I, n° 4