R EVUE DE STATISTIQUE APPLIQUÉE
R. T HÉODORESCU
I. V ADUVA ˘
Le contrôle statistique de la qualité à plusieurs caractères
Revue de statistique appliquée, tome 17, n
o3 (1969), p. 5-29
<
http://www.numdam.org/item?id=RSA_1969__17_3_5_0>
© Société française de statistique, 1969, 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.
LE CONTROLE STATISTIQUE DE LA QUALITÉ
A PLUSIEURS CARACTÈRES
R. THÉODORESCU
et
I. V0102DUVA
Université
Laval, Faculté des
SciencesDépartement de mathématiques, Québec
The University of Manchester
Institute of Science
and Technology, Manchester
INTRODUCTION
Les
problèmes
de contrôlestatistique
de laqualité
en cours de fabri- cation, traités dans lalittérature,
considèrent pour laplupart
un seul ca-ractère mesurable
(voir,
parexemple
Cavé(1961),
Cowden(1957),
Rancu etTÕvissy (1963)
et Schindowski et SchUrz(1965) ;
dans Cavé(1961)
on fait seulement mention dequelques aspects
concernantplusieurs caractères).
L’extension à
plusieurs
caractères mesurables se heurte à des difficultés d’ordrethéorique
ainsi que d’ordrepratique
en cequi
concerne la mise .enoeuvre du contrôle
proprement
dit.Les
avantages
du contrôlestatistique
àplusieurs
caractèressimultanés , dépendants
ouindépendants,
sontcependant multiples ;
il suffit enpremier
lieu de remarquer
qu’un
tel contrôle tientcompte
des corrélations existant entre les différents caractères mesurables donnés et utilise une seule fiche de contrôle. Ainsi la surveillance du fonctionnement desmécanismes, qui
sont à
l’origine
des caractèresmesurables,
concerne l’ensemble de ces mé-canismes, qui
s’influencent et se conditionnent les uns les autrespendant
la fabrication.L’introduction du contrôle
statistique
en cours de fabricationcomprend
deux stades :
(a) l’analyse statistique préliminaire
de la fabrication et(b)
le choix de la méthode de contrôle et son
application.
Le stade de
l’analyse statistique préliminaire
de la fabrication a pour but de vérifier que la fabrication est souscontrôle ;
il pose deuxproblèmes théoriques importants :
l’étude des échantillonsprélevés
et l’estimation de la variabilité de la fabrication(c’est-à-dire
l’estimation de la fonction de ré-partition
simultanée des caractèresconsidérés) ;
il estégalement
nécessairede supposer que les machines
qui
interviennent dans la fabrication sontadap-
tées à leur
travail,
c’est-à-dire que la variabilitécorrespond
aux tolérancesfixées.
En ce
qui
concerne le deuxièmestade,
on sait que, pour la surveillanceoptimale
de lafabrication,
il faut effectuer le contrôle en cours de fabrica- tion d’unparamètre
donnant la tendancecentrale,
et d’unparamètre
donnantla
dispersion
des machinesqui
interviennent dans la fabrication considérée.Les méthodes de contrôle
qui
sontsuggérées
ici ont effectivement en vue le contrôle de la tendance centrale ainsi que de ladispersion ;
elles sontélaborées en supposant que la fabrication est sous contrôle et que les ma-
chines
qui
interviennent dans la fabrication sontadaptées
à leur travail. De même, nous supposerons que la fonction derépartition
simultanée des carac-tères considérés est normale. D.autre
part,
lesplans d’échantillonnage
en-visagés
sont construits sur desprincipes
un peudifférents,
et sont déter-minés
plutôt
par des facteurséconomiques.
Cet article donne un
compte
rendu des résultatspubliés
par nous(1965), (1966), (1967 a-c).
Ces résultatsgénéralisent
d’une manière naturelle les résultats connus pour le contrôle en cours de fabrication d’un seul caractère mesurable. L’article est divisé en deuxchapitres.
Lepremier chapitre
traitede
l’analyse statistique préliminaire
et le deuxièmechapitre
des méthodes de contrôle et desplans d’échantillonnage optimaux.
1 - L’ANALYSE
STATISTIQUE
PRELIMINAIRE 1.1 - Tests du caractère aléatoire des observations1.1.1 - Surfaces médianes
L’étude des
prélèvements,
dont nousdisposons
pourl’analyse
statis-tique préliminaire
de la fabrication montre que très souvent ils ne s’effec- tuent pas au hasard. Pour véfifier que lesprélèvements
sont effectués auhasard,
nousgénéraliserons quelques
résultatsclassiques
concernant les itérations déterminées par la médianeexpérimentale.
Soit donc A l’ensemble des valeurs d’un vecteur aléatoire à h dimen- sions
F, 1 = (~
,...,~h) (1),
défini sur un espaceprobabilisé
donné(Q, -X, P), où ~1’
1 i ~h, représentent,
dans lesapplications,
des ca-ractères mesurables de la même
pièce.
Onappelle
surface médiane du vec-teur
aléatoire ~
une surface convexe r del’espace
euclidien à h dimensionsRe qui sépare
l’ensemble A en deuxparties A et A telles
queEvidemment,
la surface médiane ainsi définie n’est pas déterminée defaçon unique ;
ellepeut
êtreprécisée
si elle vérifie des conditionssupplé-
mentaires.
Supposons
quet,
vecteur aléatoire à hdimensions,
ait une fonction derépartition
normale(non dégénérée) N (. , 1),
ou a est le vecteur moyenne et 1 la matrice de covariance ; alorsl’hyperplan
où d est un vecteur unité
donné,
est une surface médiane pour~.
La sur-face
ellipsoïdale
.~ .oû 8 1
vérifie la condition---
(1 ) ~
est un vecteur colonne, c’est-à-dire une matrice n x 1 ; dans ce qui suit nous noterons par A’ et A-1 la transposée et l’inverse, respectivement, d’une matriceest aussi une surface médiane de
t.
Dans cesrelations,
nous avons noté par a’ b leproduit
scalaire des vecteurs a et b et parX2 (h)
une variable aléatoireX 2
à hdegrés
de liberté.1.1.2 - Surfaces médianes
expérimentales
Soit
(xi,
... ,In)
un échantillon d’effectifnl
du vecteuraléatoire t ;
à celui-ci nous
associons
le vecteurexpérimental ( qui prend
les valeursXj , ~ 1 ~j n ,
oùX’j ¡ = (x
,..., ’xe j ) ,
avecmême probabilité égale à
- . Nous arrivons donc naturellement à
appeler
surface médianeexpérimen- ni
201320132013201320132013201320132013201320132013201320132013201320132013tale du vecteur
aléatoire t
une surface médiane duvecteur ~~~ 1 ~ .
.Soit maintenant
u(x) _ ~, une
surface médiane det.
A l’aide de la fonc- tion mesurable u, nous pouvons as s oc ie r à l’ é chantill on( x
1 ...,xo 1)
unéchantillon
(z
1, ... ,Zn 1) ,
déf ini par 1de la variable aléatoire
Notons pa~
zenl)
la médianeexpérimentale
de l’échantillon(z~,..., z~,i).
Alors la surface
est une surface médiane
expérimentale
det.
Supposons
maintenantque t
ait la densité derépartition
f. Sous cer-taines conditions de
régularité
pour u, la variablealéatoire ç
a aussi une densité derépartition,
notée par g. Nous en déduisons(Cramér (1948),
p.369)
que la médianeexpérimentale z de
la variablealéatoire ç
est asymp-totiquement
normaleN/(J.,2013201320132013~=).
. Dans ce cas on a pourl’espérance
~
2ë(~)’~l~
mathématique
et la variance dez )
(ntd’où il résulte que la médiane
expérimentale Zen )
converge enprobabilité (1 )
vers la médiane
théorique Il de ~ lorsque n 17--> o%
Celasignifie
que la sur-face médiane
expérimentale u(x)
=Z(D1) peut
être considérée comme une esti- mation sans biais et consistante de la surface médianethéorique
u( x) =
~t.---
(1) Soient r et
(r n )
l ,n0153 une surface et une suite de surfaces invariantes à un groupe de transformations ; nous dirons que la suite (F )),~
converge en probabilité versla surface r si les paramètres qui engendrent la suite des surfaces considérées convergent en probabilité vers les paramètres de la surface limite lorsque n -~oo.
La surface médiane
expérimentale permet
de vérifier si lesprélève-
ments sont effectués au hasard.
Reprenons
donc l’échantillon(xi
... , 1X. )
d’effectif
ni’
considéréplus
haut. Etant donnée la fonction u,le problème
revient à l’étude des itérations déterminées par les valeurs
z. , 1 ~ j ~ ni
1par
rapport
à la médianeexpérimentale z(,,,.
. Il en résulte que pour tester le caractère aléatoire de l’échantillon(xl’..1. , x )
d’effectif n du vecteur le caractére aléatoire de l ’échantillon( 1 , ... , xo i)
d effectif n du vecteuraléatoire t
à hdimensions,
nous testons lecaractère
aléatoire de l’échan- tillon(zl,... , zn)
d’effectifni de
la variable aléatoire à une seule dimen-sions ~
=u(~) ; le problème
revient donc àl’application
des testsclassiques
pour des variables aléatoires à une seule dimension
qui
utilisent le nombre total des itérations R ou bien lalongueur
maximale K des itérations(voir
Cavé(1961),
Rancu et Tovissi(1963),
Dunin-Barkovski et Smirnov(1955)
ainsi que
d’autres) lorsque n
1 > 30.Dans les
applications,
il est utile deprendre
pour u une des fonc - tionsou d est un vecteur unité et m et x sont le vecteur moyen et la matrice de
covariance, respectivement,
éventuellement leurs estimations. Pour la fonc- tion Ut’ la manière laplus
convenable de choisir le vecteur unité d est de leprendre égal
aupetit
axe del’ellipsoïde
de concentration.1.2 - Tests de normalité
Un autre
problème
concernantl’analyse statistique préliminaire
de lafabrication est l’estimation de la variabilité de la
fabrication,
c’est-à-dire la détermination de la fonction derépartition
simultanée des caractères consi- dérés et les tests de nullitécorrespondants,
à l’aide d’un échantillon d’effec- tifn2.
Un des tests de
nullité,
d’assezlarge portée,
est le testgénéral X2.
Supposons
donc que lescomposantes Ç,1’
1 S i ~h,
du vecteuraléatoire F, représentent
des caractères mesurables continus de la mêmepièce
et consi-dérons une
partition (A ) )1/ /
de l’ensemble ~.Nous
distinguons
deux cas.1 °
Supposons
que m et E sont connus. Etant donnés les nombres réels88,
1 s v, tels que 061
1 ...e
=0153, nous définissons lapartition
(~ )1/ / correspondant
au test de nullitéX 2
paroù
On sait que
l’expression
où Va
est le nombre des valeurs de l’échantillonqui appartiennent
à l’ensemble6.a et Pa
=P(~~A ). 1 ~
s _ v, estasymptotiquement
une variable aléatoireX2(v-1).
Lesprobabilités Pa’
1 ( s ~ v, résultent du fait que(t - .)’ Z.l(~ - 8)
est une variable aléatoire
X2 (h).
2° Si a et 1 ne sont pas connus, nous considérons un échantillon
préli-
minaire d’effectif n 3 et
utilisons
pour 8 et 1 les estimations de vraisemblance maximale x etS, respectivement.
Nous remarquons que siles
1 s v ,ont la forme
(1. 2 ) ,
les estimations de vraisemblance maximale coïncident avec les estimations obtenues par laméthode
modifiée du minimum duX 2 (voir
Cramer(1948 ) ) .
Soientmaintenant ~s’
1 ~s ~v, les ensembles définis par(1. 2 )
avec m = Xet
= S. Considérons un autre échantillon(x~,..., x )
d’ef-fectif n ,
indépendant
dupremier. L’expression X 2,
, donnée par(1. 4), est
unevariable aléatoire x
2(v - 1 ) .
Lesprobabilités
p 8’ 1 : s " v, résultent du faitque n3- 1 (XJ2- i)’S-~IIJ2 - x),
1i2-
n2, est une variable aléatoire T 2 avecYl 3 - 1 2 2 2
n 3 - 1
degrés
de liberté ou, sous une formeéquivalente,
où
F(h,
n3 -h)
est une variable aléatoire F avec h etn3 -
hdegrés
de li-berté
(voir
Vaduva(1967».
1.3 -
Adaptation
des machinesPour que la fabrication soit valablement
réalisée,
il est aussi nécessaire que les machinesqui
interviennent soientadaptées
à leur travail. Soitt’ =
(t,
... ,t o)
le milieu de l’intervalle de tolérance à h dimensions T =[Tir Ti2~ -" ~ [’1bl’ 1b2]’
où[Tl 1 ’ T12l’
1i ~ h,
est l’intervalle de tolérance donné pour le caractère~i, 1
i h. Nous admettons que la machine estréglée
sur le milieu t de l’intervalle de tolérance T à h dimen-sions,
c’est-à-dire que la condition a = testremplie.
Considérons le domaine
ellipsoïdal E9,
défini par(1. 3),
et 9 -X2_cx (h),
oùP
(X2(h) ~ X:-a (h» =
oc , a étant uneprobabilité fixée,
très faible(a 0, 05).
Nous dirons que la machine est
adaptée
à sontravail,
siE9 C T . (1. 5 )
Ici nous avons évidemment
supposé
que la matrice E est connue ; elle a été estimée en utilisant un échantillonpréliminaire.
Une condition du
type (1. 5 )
estsupposée remplie
pourchaque
méthodede contrôle.
2 - LE CONTROLE
STATISTIQUE
DE LAQUALITE
EN COURS DE FABRI- TION2.1 - Méthodes de contrôle
2.1.1 - Considérations
générales
Les méthodes de contrôle
statistique
de laqualité
en cours de fabrica- tion se refèrent à unparamètre
donnant la tendance centrale et à un para-mètre donnant la
dispersion
des machinesqui
interviennent dans la fabrica- tion considérée. Pourchaque paramètre
n, dont nous connaissons la fonction derépartition,
nous déterminons les limites de contrôleLi (limite inférieure)
et
Ls (limite supérieure)
enpartant
durisque
de 1èreespèce
oc et de l’effec- tif n4 de l’échantillonconsidéré, qui
sont donnés. Il résulte queoù J~
représente la fonction de répartition de 7t quand la fabrication se dé- roule correctement.Pour
prendre
des décisions suffisammentcorrectes,
il est nécessaire que a soit assez faible(a 0, 05)
et que lerisque
de 2èmeespèce j3,
définipar
... -
où
I~ représente
la fonction derépartition
de ~cquand
la fabrication ne sedéroule pas correctement, soit aussi assez faible. n s’ensuit que le choix de a et
n4
doit conduire à unrisque
de 2èmeespèce a
assez faible.Quelque-
fois
même,
ondonne j3
et n41 et c’est aqui
en résulte.En ce
qui
concernel’application
de la méthode de contrôle caractéri- sée par leparamètre
7~ onprélève
n4pièces
à des intervalles detemps
àpeu
près égaux
fixés àl’avance ;
nous sommes donc enprésence
d’un échan- tillon(x~,..., x,~ 4)
d’effectifn4 du
vecteur aléatoire~.
Ensuite on déter-mine la valeur
de 4rc
pour cet échantillon. Si_ _
-- Ii g _
la machine travaille correctement et la fabrication
peut
continuer. Par contre,si7t(x~
,... ,Xu4)
ne se situe pas entre les limites decontrôle,
la machinene travaille
pas correctement,
d’où il résulte que la fabrication nepeut
pas êtrepoursuivie ;
dans ce cas la machine est arrêtée et révisée et on con- trôle à 100%
la fabricationdepuis
le dernier contrôle.Dans ce
qui
suit nous supposerons que la fabrication est sous contrôle et que les machinesqui
interviennent dans la fabrication sontadaptées
àleur travail.
2.1.2 - La méthode du vecteur moyen
Le
plus important
et leplus
efficace desparamètres qui
donnent la tendance centrale de la machine dans le cas du contrôlestatistique
à un seul caractère est la moyenneexpérimentale.
Ils’impose
donc naturellement deconsidérer,
pour le contrôle de la tendance centralecorrespondant
à hcaractères
simultanés,
le vecteur moyenexpérimental (voir
nos travaux(1965)
et
(1967 c)).
Reprenons
le vecteuraléatoire Y, supposé
normalN(m , 1 ).
Pour établir la méthode de contrôle de la tendancecentrale,
il faut tenircompte
de la fonction derépartition
du vecteur x’ =(x 1, -xn4)
4qui
est normalN (m, 2013 1~ .
M’ n4Dans ce
qui
suit nous discuterons le contrôlestatistique
de laqualité
encours de fabrication de la tendance centrale
lorsque (a)
la matrice de cova-riance Z est connue et
(b)
la matrice de covariance E n’est pas connue.(a)
Si l est une matrice connue, nous prenons commeparamètre
de contrôleLa
grandeur
e est une variable aléatoireX 2(h).
Si a est lerisque
de 1 èreespèce,
les limites de contrôle sontLi =
0 etLg = x~’a (h),
oùP(X2(h) ~ )(2«,(h» =
a. Pour déterminer lerisque
de 2èmeespèce ~,
nousremarquons que la
grandeur 6 , quand 8 (;
t, est une variable aléatoireX ’2(h ; 6),
c’est-à-dire une variable X2 non centrée à hdegrés
de liberté et àparamètre
de non centralité donné parÔ 2 = n (m - t) ’% -1 (a - t).
Il en résulte doncCette formule se
simplifie
si on utilisel’approximation
usuelle des va-riables aléatoires
X 2non
centrées par des variables aléatoiresX5~,
centrées(voir
Scheffé(1958)).
(b) Quand
la matrice de covariance 1 n’est pas connue, nous prenons commeparamètre
de contrôleLa
grandeur T 2
est une variable aléatoire deHotelling
à n 4 - 1degrés
de liberté. Si a est le
risque
de 1 èreespèce,
les limites de contrôle sontLi
= 0 etL
s =T2a,
- oùP(T2 ~ T 2 ) =
l-a a. Pour déterminer lerisque
de 2èmeT 2
n4 - hespèce p,
nous remarquons que lagrandeur n4 - 1
4 1h
hquand ® ~
t, estune variable aléatoire
F’(h,
n4 -h ; ô),
c’est-à-dire une variable F non cen-trée à h et
n4 -
hdegrés
de liberté et àparamètre
de non centralité s. Ilen résulte que
Cette formule se
simplifie lorsqu’on
utilisel’approximation
usuelle des variables aléatoires F non centrées par des variables aléatoires F centrées(voir
nos travaux(1965)
et(1967 c )) .
2.1.3 - La méthode de la variance
généralisée
Pour le contrôle
statistique
de laqualité
en cours de fabrication de ladispersion
de la machine nous utilisons(voir
nos travaux(1965)
et(1967 c))
comme
paramètre
de contrôleoù
det 1 est la variance
généralisée
et det S la variancegénéralisée expérimen-
tale. La fonction derépartition
deV
résulte de la relationPour h = 2, nous obtenons le
paramètre
decontrôle ~ = 2V 1/2 qui
estune variable aléatoire
X~(2n~ - 4).
Engénéral,
on sait(voir
Andersen( 1957) ) qu’une expression approximative
pour la fonction derépartition
de V est donnéepar
’t
Si a est le
risque
de 1 èreespèce,
les limites de contrôle sontL
= 0 etLa = VI-a’
oùP(V ~ Vl_cx) =
a. Pour déterminer lerisque
de 2èmeespèce
nous remarquons que
où 60
> 1 est un nombre donné àl’avance, qui
caractérise la limite accep- table pour ladispersion
de la machine.2.1.4 -
Méthodes
utilisant l’étendueReprenons
l’échantillon(x 1’... , Xn4)
d’effectifn4
du vecteur aléatoiret
normalN(m , 1 )
et formons lesgrandeurs
L’étendue
peut
être utilisée pour le contrôlestatistique
de laqualité
en cours de fa-brication de la tendance centrale si ï est une matrice connue, c’est-à-dire s’il y a stabilité en ce
qui
concerne ladispersion
de la fabrication.Si la matrice 1 est
inconnue,
on définit l’étendue paroù
et
sont des
grandeurs
calculées à l’aide de k échantillonsindépendants
d’effec-tif n4. Cette étendue
peut
être utilisée pour le contrôlestatistique global
dela
qualité
en cours de fabrication de la tendance centrale deplusieurs
ma-chines ou bien d’une seule machine
qui possède
desdispositifs identiques produisant
la mêmepièce.
Les fonctions de
répartitions
deRe
etR~
ainsi que les limites de con-trôle et les
risques
de 1ère et 2èmeespèce
sont donnés dans nos travaux(1967 b, c).
Pour le contrôle
statistique
de laqualité
en cours de fabrication de ladispersion
nousdistinguons
encore deux cas :(a)
la matrice de covariance E est connue et(b)
la matrice de covariance 1 n’est pas connue.(a) Reprenons
l’échantillon(xl,... , x. 4)
d’effectifn 4 du
vecteur aléa-toire t
normalN(n , 1 )
et considérons lesquantités ( x j 5- xj ),1 ~ jg j6 1 n4
ces
quantités
sont évidemment normalesN(0 , 21). Posons,
ensuiteet
La
grandeur R~ peut
êtreinterprétée
comme la "distance"statistique
ma-ximale entre deux
points
de l’échantillon et de cepoint
de vue elle re-présente
unegénéralisation
de l’étendue d’une variable aléatoire à une seule dimension. Il est donc natureld’appeler RI
étenduegén~ralisée(1 ).
L’étendue
généralisée R~
caractérise ladispersion
despoints
xj , 1j4 n4,
donc ladispersion de ~.
Il s’ensuitqu’elle peut
êtreutilisée
pour le contrôle
statistique
en cours de fabrication de ladispersion.
Pour déterminer la fonction de
répartition
deR~
il faut tenircompte
du fait que lesquantités R~5j6’ 1 ~ j 5 j 6 ~ n4’
sont des variables aléatoiresX2(h),
engénéral dépendantes.
Des formulesapproximatives
pour cette fonc- tion derépartition
ont été données par Siotani(1959), (1960)
et(1964).
Leslimites de contrôle ainsi que les
risques
de 1ère et 2èmeespèce
ont étédonnés dans notre travail
(1967 b).
(b)
Si la matrice de covariance 1 n’est pas connue, nous considérons lesquantités
et nous posons
Cette
grandeur
seraappelée
étenduegénéralisée expérimentale (2).
Ellesera utilisée dans ce cas comme
paramètre
donnant ladispersion.
Uneexpression approximative
de la fonction derépartition
a été donnée par Siotani(1960).
Les limites de contrôle et lesrisques
de 1ère et 2èmeespèce
ontété donnés dans nos travaux
(1967 b, c).
---
(1) Cette étendue généralisée a été considérée par Siotani (1959), (1960) et (1964).
(2) Voir la note
précédente.
2.1.5 - Transposition
de la méthode des calibres modifiésSoit la matrice de covariance 1 connue et
p ,
0po 1,
uneproba-
bilité fixée. Considérons
l’ellipsoïde
° °
tel que
et
Pour fixer les
idées,
nous supposons que h = 2(pour
le casgénéral ,
voir nos travaux
(1966)
et(1967 c)).
SoientDl et D2
les axes del’ellipse
E~~ 1_po)
et reprenons l’échantillon(x p
... ,Xn4)
d’effectifn4.
Notons parNk
le nombre des
points
de cet échantillonqui
se trouveront à l’extérieur de cetteellipse
et dans le cadrank, 1 k 4,
déterminé parDl
etD2.
Leparamètre
donnant la tendance centrale seraet le
paramètre
donnant ladispersion
seraDans nos travaux
(1966)
et(1967 c)
nous avonsindiqué
les limites de con-trôle et les
risques
de lère et 2èmeespèce
pour (p et~.
2 .1. 6 - Un
exemple
Mârgâritescu, Obreja
et Ursianu(1968)
ont étudié unexemple
effectifque nous allons
reproduire
ici pour illustrer la théorie. Ils’agit
de h = 2 . Soit donc un échantillon d’effectifn2
= 200 concernant les caractères~ 1 et ~ 2’
avec les intervalles de tolérance[162,55 -
0,2 ; 162,55 +0,2]
et[132 , 55 - 0, 2 ; 132,55+0,2] respectivement, exprimés
en millimètres. Ces caractèresreprésentent
les dimensions d’unepièce
d’un moteur de camionet les
prélèvements
ont été effectués directement en usine. Les données four- nies par cet échantillon sont rassemblées dans le tableau1 ;
il en résultequ’il
y a seulement n = 47 valeurs distinctes x jo,1 j o 47,
lafréquence
de
xjD
étant notéefj , 1 ~j 47.
A l’aide de cetéchantillon,
les matricesin et I ont été estimées par
",
Le coefficient de corrélation
expérimental
rde ~
1et ç 2
a été calculéet on a obtenu r = -
0, 6423 ;
il diffèresignificativement
de 0. La formeU2(X)
=r ~x - 162 ~32~ 414,
0104(x, - 162,532) (x, - 132,568) u 2(x) = 1, 7022704 26 841 975 x 10’ la 414,0104(Xt - 162,532) (Xt - 132 , 568)
+ 358 891
(x,-132,568)~1
x10-" J (2 . 7)
’ ’Tableau 1
Considérons maintenant un autre échantillon d’effectif ni = 43 concer- nant le vecteur
aléatoire t’ = (~1’ ~2).
Les valeurs ont été insérées dans le tableau 2, dans l’ordre de la fabrication. De la 4ème colonne de ce tableau il résulte que la médianeexpérimentale
de la variable aléatoireest z
(43) = 1,309172.
La 5ème colonne du tableau 2 contient les itérations par rapport à la médiane
expérimentale
z (43)’symbolisées
par les lettres a etb ;
on inscrita ou b suivant que
U2(Xj ) : z(43)
ou u(xj ) > z(43) ,
,1 ,j 1 ( 43, ces
valeursétant calculées à l’aide
de (2. 7). D’après Dunin-Barkowski
et Smirnov(1955),
nous savons que les
prélèvements
ont été effectués au hasard siou
R et K
ayant
été définies auparagraphe 1.1. 2 ,
a étant lerisque
de lèreespèce
donné et u lequantile
asupérieur
d’une variable aléatoire normaleN (0, 1).
Pour oc -0, 05
on a u = 1, 96. Du tableau 2 nous déduisons R = 21 et K = 5. Pour a = 0, 05 nous avonsR 1_a= 15,65
etK1-a =
8,7, d’où nousconcluons que les
prélèvements
ont été effectués au hasard.Pour tester la normalité nous supposons l’échantillon initial d’effectif
n2 =
2 00 et nous tenonscompte
des résultatsdu §
1.1.1, et des données du tableau 1. On a choisi v = 11,8s =
s0, 0 =0,8,
1 s 11 etLe tableau 3 nous fournit la valeur de
X2
donnée par(1. 4).
Tableau 3
i J .
Supposons
que aet 1
sont connues. La 1ère colonne contient les pro- babilitésp ,
1 s 11, calculéesd’après
les relations(2.8).
La 2 èmecolonne contient les
fréquences
vs, 1 s 11, calculées à l’aide au pre- mier échantillon d’effectif n 2 = 200, en utilisant les données du tableau 1 . Les autres colonnes du tableau 3 nous conduisent à la valeurX2
=11,496.
Pour a = 0, 05 on a
X~ ~(10)= 18, 3.
CommeX2 )CO, ,(10)
nousacceptons
l’hypothèse statistique que ~
est un vecteur aléatoire normal.Passons maintenant aux différentes méthodes de contrôle
statistique
dela
qualité
en cours de fabrication.La méthode de la moyenne - Si la matrice de covariance 1 est connue, nous utilisons pour contrôle de la tendance centrale le
paramètre (2 .1 )
avecn4
= 5, et les limites de contrôle sontLi
= 0 etLs =X~ 95(2 ) =
5, 99 pour a= 0,05.Etant donnée la valeur du
paramètre
de non centralité Ô =3(1),
onprend
pourapproximation (voir
Schéffé(1958»
de la variable aléatoire non centréeX’ 2(h ; 8)
la variable aléatoire centréeX2 (h)
telle quePour déterminer les constantes c et
h,
nous utilisons leséquations :
qui expriment l’égalité
desespérances mathématiques
et des variances. On obtient ainsi(h = 2, 5 = 3),
c =1, 82
eth
=6,
doncSi la matrice! n’est pas connue, on utilise pour contrôler la tendance centrale le
paramètre (2.2)
avecn4 =
5 et les limites de contrôle sont- 0 et - 2 -
(n4 - 1)h
Fo
ss(2 ~ 3)
pour - = 0, 05 .Li=
0 etLa - ~.95 -
n4 -
h.
F,.,.,(2,3)
pour a = 0,05.4
Pour déterminer le
risque
de 2èmeespèce,
on faitappel
à la formule(2. 3), après
avoirapI!.roximé
la variable aléatoireF’(h, n 4 - h ; 8)
par une variable aléatoire F(h,
n4 -h)
telle que"’"
où h et c vérifient les
équations (2. 9). Pour 6=3,
nous obtenons c =1, 82
et h = 6, donc"’"
(1) Parmi les valeurs admissibles du paramètre de non-centralité, sont. ê = 3, 4, 5, 6, (voir Scheffé (1958), § 2. 8).
La méthode de la variance
généralisée -
Pour h = 2, leparamètre
V = 2
Vl/2
est une variable aléatoireX2(2n 4 -4) = X2 (6), puisque
nous avonspris n4 =
5. Donc les limites de contrôle sontLi
= 0 etLs = 2 (6) = 12,592
pour a = 0, 05. En tenant
compte
de(1. 4),
nous déduisons pour lerisque
de2ème
espèce 6
la valeursi
60
= 3. Dans le cas a =0,1,
onobtient p = 0,26.
La méthode de l’étendue - Nous allons illustrer la théorie seulement pour le
paramètre Re
défini par(2.5)
avec n4 = 5. Dans ce cas la fonction derépartition
de%
est donnée parLes limites de contrôle sont
Li =
0 etLg=
x 1_a=8, 7245,
oùx1_a est
la solution de
l’équation
Transposition
de la méthode des calibres modifiés -L’équation
de l’el-lipse ~.6)
devient pourp =0,32
634,18(x~-162,55)~-243(x~-162,55) (X2 - 132,55) + 443,55 (x2-132,55)2
=2,27866,
d’où résultent les
équations
des axesDi
etD 2 D 1
:1,19 x
1+
x2 - 325,88 =
0D2 : 1,65 x 1 - x 2 - 135,92 =
0.En utilisant les tableaux 4 et 5
(calculés
par nous(1966)),
nous obte-nons pour
n-5eta=0,05
les limites de contrôle pour(p : Li =
0 etL
= 2 .et pour
~:L=OetL=3.
’
2.2 - Plans
d’échantillonnage optimaux
2.2.1 - Considérations-génêr ales
L’optique
desplans d’échantillonnage optimaux
est différente de celleadoptée
dans les méthodes de contrôle considéréesplus
haut. Tandis que dans ces méthodes l’effectif de l’échantillon n et lerisque
de 1 ère(2ème) espèce a (8)
sontdonnés,
d’où résultent les limites de contrôle et lerisque
de 2ème
(1ère) espèce P (a),
dans cequi
suit nous supposons données lespertes impliquées
par lespièces
mauvaises ainsi que les coûts de contrôle parpièce,
et nous chercherons à déterminer unplan d’échantillonnage opti- mal,
c’est-à-dire un effectif noptimal, qui
minimise lespertes.
Ceplan
résulte du
principe
du minimax(voir
van der Waerden(1960), Stange (1964),
fPenkov et Theodorescu
(1966)
et Theodorescu(1968)).
Le
problème
ainsi abordéprésente
l’intérêt pas seulement pour le con-trôle en cours de fabrication mais aussi pour le contrôle final
quand
celui-ciconcerne des caractères mesurables.
Tableau 4
Valeurs de p = P
(cp - x)
pour h = 2Tableau 4
(suite)
Tableau 4
(suite)
Tableau 5
Valeurs de q = P
( ~
=y)
pour h = 2Tableau 5
(suite)
Tableau 5
(suite)
2.2.2 - La
fonction
deperte
Considérons un lot de N
pièces qui
sont contrôlées à l’aide d’un échan- tillon d’effectif n. Si p est laproportion
despièces
mauvaises dans lelot,
nous prenons
d’après
van der Waerden(1960)
etStange (1964)
la fonction deperte
’
où
a est la
perte produite
parchaque pièce
mauvaiseretournée,
b laperte
pro- duite parchaque pièce
mauvaise découverte à un contrôle à 100% (b a) ,
c le
prix
du contrôle d’unepièce prélevée,
e leprix
du contrôle d’unepièce
à un contrôle à 100
%,
f leprix
constant de contrôle pourchaque pièce
etW(p, n)
l’efficacité.Nous allons supposer que le
point
commun des droitesdans le
plan (p, L)
a l’abscissepo E(0,l) ; évidemment,
La fonction de
perte L (p, n) peut
s’écrire aussi sous la formeoù
LaiD
est laperte
minimaleinévitable,
et
est le
regret
,Nous remarquons que
Lllin(p)
nedépend
pas de n, donc pour obtenir la solution deperte minimale,
il suffit de considérer leregret.
2 . 2 . 3 - Le
plan ( x , ~ )
Soit la matrice de covariance 2 connue. Considérons le domaine
ellip-
soïdal
et choisissons l tel que ce domaine soit le
plus grand
de cette forme con-tenu dans l’intervalle de tolérance à h dimensions T. Une
pièce
sera mau-vaise si
le ~ correspondant
vérifie la conditionIl en résulte que la
proportion
despièces
mauvaises dans le lot est donnée parTenant
compte
de ce que lagrandeur
est une variable aléatoire
X,2 (h ; 6),
nous en déduisons queoù
Hh’ 5 est
la fonction derépartition
deX’ 2(h ; 6) ; dans
cequi
suit nousnoterons
hi la
densité derépartition correspondant
à1(l) .
Considérons un échantillon
(x 1, ... , Xn)
d’effectif ndu 1;
et soitoùk est une constante à déterminer. Si
z* ~
l nousacceptons
le lot et siz2
> t nous lerejetons ;
ceplan
de contrôle seraappelé
leplan (x, 2).
Nous remarquons que
zE -
k est une variable aléatoirex’~(h ; Vn 8 ) ,
d’où il résulte que
Soit maintenant
u 0 la
solution del’équation
où
Po
est défini par(2.10).
Laprobabilité d’accepter
le lotcorrespondant
àpo
devient
en utilisant une notation évidente. Parce que pour p = p il est indifférent
d’accepter
ou derejeter
lelot,
nous posons(d’après Stange (1964))
pour
chaque
n, d’où il résulteDonc
ici k =
k(n)
est une fonction de n, tandis quepour h = 1,
k nedépend
pas de n(voir Stange (1964).
---
(1) Pour
0=0,
c’est-à-dire pour les variables aléatoiresX2
centrées, nous omettons dans les notations le paramètre 6.En
prenant
pour kl’expression (2.12),
nous pouvons utiliser la gran- deurz~comme
variable de contrôle. Pour déterminer leplan d’échantillonnage optimal,
nous devons minimiser leregret R(p,n).
Nous allonspremièrement
maximiser
R(p,n)
parrapport
à p,puis
nous minimiserons parrapport
à n.Au lieu de p nous utiliserons la variable u, liée à p par la relation
Donc
D’après (2.11),
nousobtenons
nimisation par
rapport
à n, nous avons obtenu dans notre travail(1965)
où
x.
est, sous certainesconditions,
l’abscisse du minimum de la fonctionet
Les
quantités
CI’hi
etCI’~,1.
résultent del’approximation
des variables aléa- toiresX2 (h ; Ô)
etX’2(h ; l~nbj
par des variables aléatoiresclx 2 (hl)
etC 2 X 2 (~ > .
i
2. 2. 4 - Le
plan (x, S)
Si la matrice de convariance Z n’est pas connue, nous considérons le domaine
ellipsoïdal
C om-- e pour le
plan (x , 1 ),
nous introduisons lagrandeur
Nous sommes ici conduits aux variables
F’(h,n-h;6)
etprocédant
commepour le
plan (x, 1 ),
nous pouvons déterminer unplan d’échantillonnage opti-
mal.REFERENCES
ANDERSEN T. W.
(1957) -
Introduction to multivariateanalysis.
New-York.CAVÉ
R.(1961) -
Le contrôlestatistique
des fabrications. Paris.COWDEN D. J.
(1957) -
Statistical methods inquality
control.Englewood
Clifs.
CRAMÉR
H.(1948) -
Mathematical methods of statistics. Princeton.DUNIN-BARKOVSKI I.V., SMIRNOV N.V.
(1955) -
Théorie desprobabili-
tés et
statistique mathématique (en russe).
Moscou.M0103RG0103RITESCU E. ,
OBREJAG.,
URSIANU E.(1968) -
Un modèled’analyse statistique
multidimensionnelle(en roumain).
Studii015Fi
cercet0103ri de Calcul economic015Fi
cibernetic0103 economic0103(sous presse).
PENKOV B., THEODORESCU R.
(1966) - Über
diespieltheoretische Behandlung
von
Prüfplänen. Metrika, 11,
128-126.RANCU
N., TÖVISSI
L.(1963) - Statistique mathématique
avecapplications
àla fabrication
(en roumain).
Bucarest.SCHINDOWSKI
E. , SCHÜRZ
O.(1965) -
StatistischeQualitatskontrolle.
Berlin.
SCHEFFÉ
H.(1958) -
Theanalysis
of variance. New-York.SIOTANI M.
(1959) -
The extreme value of thegeneralized
distances of the individualpoints
in the multivariate normalsample.
Ann. Inst. Sta- tist.Math. , 10,
185-599.(1960) -
The extreme value ofgeneralized
distences and itsapplica-
tions. Bull. Intern. Statist.
Inst., 38, 4,
591-599.(1964) -
Toleranceregions
for a multivariate normalpopulation.
Ann.Inst. Statist.
Math. , 16,
125-154.STANGE K.
(1964) -
DieBerechnung
wirtschaftilcherPrüfpläne
für messendePrüfung. Metrika,
8, 48-82.THEODORESCU R.
(1968) - Remarques
sur lesplans d’échantillonage opti-
maux. Rev. Statist.
Appl. ,
16, 35-40.THEODORESCU
R. , V0103DUVA
I.(1965) -
On multivariateoptimal sampling inspection plans.
Bull. Math. Soc. Sci. R. S. Roumanie, 9(57),
235-245.
(1966) -
StatistischeQualitätskontrolle
bei mehrerengleichzeitigen Merkmalen,
einAnalogon
zur Kalibermethode mitverengten
Grenzen.Math.
Wirtschaft, 3,
159-175.(1967 a) -
Le contrôlestatistique
de laqualité
àplusieurs
caractèressimultanés,
la méthode de la moyenne et de la variancegénéralisée.
Bull. Inst. Math. Acad.
Bulgare, 9,
201-217.(1967 b) -
StatistischeQualitätskontrolle
bei mehrerengleichzeitigen Merkmalen,
dieSpannweitemethode.
Wiss. Z. Humboldt-Univ.Berlin ,
Math. Natur.
Reihe,
16, 1, 105-110.(1967 c) -
Multivariate statisticalquality
control. Rev. Roumaine.Math. Pures
Appl., 12,
237-265.V0103DUVA
I.(1967) -
Sur la vérification del’hypothèse
de normalité multidi- mensionnelle(en roumain).
Lucr0103rile celei de a V-a Consf0103tuire015Ftiin- 0163ific0103
de statistic0103 aDCS,
277-282.van der WAERDEN B. L.