R EVUE DE STATISTIQUE APPLIQUÉE
J. J. D AUDIN F. S IDIBE
Construction et utilisation d’un modèle de simulation de contrôle de la qualité de melons
Revue de statistique appliquée, tome 33, n
o3 (1985), p. 15-27
<
http://www.numdam.org/item?id=RSA_1985__33_3_15_0>
© Société française de statistique, 1985, 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
http://www.numdam.org/
15
CONSTRUCTION
ETUTILISATION D’UN MODÈLE DE SIMULATION DE CONTRÔLE
DE
LA QUALITÉ
DEMELONS
J.J. DAUDIN Département de mathématiques et informatique,Institut National Agronomique Paris Grignon, 16, rue Claude Bernard 75005 Paris F. SIDIBE Société Pomona, 41, rue du Pont Neuf 75004 Paris
RÉSUMÉ
La simulation permet de connaître les caractéristiques de contrôles trop complexes pour être calculés directement, et ainsi de choisir la forme de tri la mieux adaptée, tout en évitant des essais en vraie grandeur, trop coûteux et ne donnant de résultats que pour une seule valeur des paramètres caractérisant la production
que l’on cherche à contrôler. Le problème essentiel consiste à trouver un modèle correct permettant de simuler cette production; ce modèle est ici basé sur une analyse des sources de variabilité de la production.
SUMMARY
In some cases, quality control characteristics are complex, and direct mathematical derivation is not
possible. In theses circumstances, simulation may be worthily substituted to direct experimentation. The main point consists in the construction and the validation of a model of simulation. In this paper, data on variability
of melons quality is analysed with a hierachical random effects anova model whose results are used to build the simulation model.
1.
PRÉSENTATION
DUPROBLÈME
Le melon est un
produit
dequalité
très variable. Cettecaractéristique
nuit à sonimage
et à sa vente, notamment à cause de laprésence,
dans laproduction
courante,de melons de
qualité
trèsmédiocre, pratiquement impropres
à la consommation. Il est donc intéressant pour ledéveloppement
de ceproduit,
de fournir au consommateur unecatégorie supérieure,
lui donnant lagarantie
d’unequalité dépassant
un seuilminimum : tous les melons de cette
catégorie
doiventprésenter
un taux de sucresupérieur
à une valeur donnée.Le taux de sucre contenu dans le melon est en effet un
paramètre
essentielqui
caractérise la
qualité :
si un melon comportant un taux de sucreacceptable
peutprésenter
d’autrescaractéristiques
intéressantes telles quel’odeur,
lefruité,
lajutosité,
etc., par contre un melon ne
dépassant
pas le seuil de sucre minimum ne serajamais jugé
valable par le consommateur. Comme ils’agit
ici d’éliminer lesmauvais produits,
le taux de sucre, mesuré par
réfractométrie,
est lacaractéristique
dequalité
fondamen-tale et la seule que nous retenons ici.
Cette mesure se fait
depuis
peu par unprocédé automatique qui
utilise un microprélèvement
surchaque melon,
sans le rendreimpropre
à laconsommation,
et permetRevue de Statistiques Appliquées, 1985, vol. XXXIII, n° 3
Mots clés :
Analyse
de lavariance,
Contrôle dequalité,
Modèle à effetsaléatoires,
Simulation.
Key
words :Analysis
ofvariance, Quality control,
Random effectsmodel,
Simulation.16
d’obtenir en
quelques
secondes la valeur de l’indiceréfractométrique
de cet échan-tillon.
Il n’est
cependant
paspossible d’analyser
toute laproduction apportée
par lesagriculteurs
dans un centre degrossiste,
car le volume excède lacapacité
de lamachine de mesure
automatique
de l’indiceréfractométrique.
Enpratique,
seulementun quart de la
production
de melons peut passer dans ledispositif automatique
detri,
constitué de troisappareils
de mesures mis enparallèle.
D’autre part, il est nécessaire d’obtenir un
tonnage
minimum de melons dequalité supérieure,
defaçon
à ne paspénaliser
sa vente par des ruptures de stock et desarrivages irréguliers
dans les centres de commercialisation. Cette contrainte est difficile àrespecter
pour unproduit
comme lemelon,
dont laqualité
variebeaucoup
en fonction du temps; de
plus
lesquantités apportées
par lesproducteurs
varient de35 à 85 tonnes par
jour.
Le contrôle doit doncagir
comme un filtrerégulateur
donnantà la sortie un tonnage stable d’environ 7 tonnes et une
qualité garantie
àpartir
d’unarrivage
trèsirrégulier
enqualité
et enquantité.
Enfin il se
peut qu’une
machineautomatique
de mesure de l’indice réfracto-métrique
tombe en panne,auquel
cas le taux de tri passe de 25 % à16,7
%. Il faut que ledispositif
de contrôle assure son service dans cetteéventualité,
sans diminuerla
quantité
et laqualité produite.
Au
regard
des différentes contraintesindiquées ci-dessus,
il existeplusieurs dispositifs
de contrôle respectant tous un taux de tri de 25 % : les melons arrivent par lots dequelques palettes,
elles-mêmes constituées de caisses contenant une à deux dizaines de melons. La décision d’affectation à lacatégorie supérieure
peut être faite àplusieurs
niveaux :lot, palette,
caisse ou melon. Les deuxpremiers
niveauximpliquent
une décisionprise
sansinspection exhaustive,
avec un taux d’échantil-lonnage
de 25%,
à la différence de la décision melon par melonqui
permet den’accepter
que les melons effectivement mesurés. Par contre cette dernière méthodeprésente
l’inconvénient de ne passer en revuequ’un
quart del’arrivage,
au contrairedes deux
premières qui
filtrent paréchantillonnage
la totalité de laproduction.
Le choix du
type
de contrôle est nécessairement basé sur uneanalyse
del’importance
des sources de variabilité de laqualité
du melonqui
sont dues auxdifférences entre
lots,
entrepalettes,
entrecaisses,
à l’intérieur d’une caisse et enfin à l’erreur de mesure,qui
est ici nonnégligeable.
Ils’agit
de rechercher laplus grande
unité
(lot, palette, caisse, melon) homogène;
onprendra
alors la décision d’affectation à ce niveau.L’étude des sources de variabilité est
présentée
dans la section 2 de cet article.Cependant
elle ne suffit pas pourrépondre
auxquestions
suivantes : ledispositif
decontrôle est-il suffisamment
souple
pourrépondre
auximpératifs
dequantité
et dequalité exposés plus
haut ?Quel
est le comportement en cas de panne d’une machine ? Comment en modifier lesparamètres pour
que le tris’adapte
à laproduction présentée chaque jour
par lesagriculteurs ?
La simulation de la
production
et du fonctionnement dudispositif
de contrôle permettent seuls derépondre
à cesquestions.
Elles sont basées sur un modèlestatistique
fondé sur l’étude des sources de variabilité. Lemodèle,
ainsi que lesprincipaux
résultats de la simulation sontprésentés
dans la section 3.La section 4 conclut cet article par la
présentation
d’éléments de validation du modèle desimulation,
basés sur lacomparaison
de résultats donnés par cette dernièreavec ceux d’un essai de contrôle en vraie
grandeur,
et parquelques
réflexions surl’intérêt d’une démarche
statistique globale (de l’analyse
de variance à lasimulation),
dans les
problèmes
de contrôle de laqualité.
Revue de Statistiques Appliquées, 1985, vol. XXXIII, n° 3 3
17 Cet article aborde surtout
l’aspect statistique
duproblème.
Uneprésentation globale
de l’étude du contrôle de laqualité
des melons est faite par F. SIDIBE et J.J.DAUDIN
(1985),
que l’on consultera pourplus
de détails.2.
ÉTUDE
DES SOURCES DEVARIABILITÉ
a)
Gradient de l’indiceréfractométrique;
erreur de mesureLa mesure
automatique
consiste àprélever
un micro échantillon dejus
demelon,
par l’intermédiaire d’uneaiguille,
effectuant un mouvement de va et vient d’uneprofondeur
de 3 à 4 cm,puis
à en mesurer l’indiceréfractométrique.
Laqualité
de la mesure
dépend
de lareprésentativité
de l’échantillon dejus prélevé.
Pourjuger
de la
justesse
et de la variabilité de cette mesure, nous avonsanalysé
desprélèvements
de
pulpe
dans huit melons.Chaque
melon a étécoupé
selon sonplan équatorial
etselon 2
plans
verticauxperpendiculaires,
passant par l’axepédoncule-ombilic.
Danschaque plan,
12fragments
depulpe
ont étéprélevés
de part et d’autre de la cavité interne dufruit,
selon 2 axesperpendiculaires
et sixprélèvements
ont été faits sur l’axepédoncule-ombilic,
ainsi que le montre lafigure
1.Les résultats de ces mesures peuvent être schématisés dans des
représentations graphiques,
du type de celle de lafigure
2qui représente
2plans
deprélèvements
danslesquels
lespoints
de même indiceréfractométrique
sont réunis sur des courbes d’iso-indiceréfractométrique,
et ceci pour un melonparmi
les huitanalysés.
Lafigure
2 montre une assezgrande irrégularité
de ces courbes d’iso-indice réfracto-métrique,
cequi
entraîne une variabilité de toute mesure basée sur unprélèvement
radial : selon le rayon choisi pour effectuer le
prélèvement,
on observe une variationdu taux de sucre contenu dans ce dernier. De
plus
legradient
d’indice réfractomé-trique
n’est pasuniforme,
mais a tendance àcomporter
une variationplus rapide
versla cavité et
également
vers l’écorce.Ces
considérations,
ainsi que larépartition empirique
de mesures radiales surle même melon conduisent à modéliser l’erreur de mesure par une loi uniforme de demi-étendue
b,
où leparamètre
b varie entre 0.5 et 1.5 selon letype
de melon(voir
F.
Sidibe,
J.J. Daudin(1985)).
Revue de Statistiques Appliquées, 1985, vol. XXXIII, n"3 3
18
Figure 2. - Courbes d’iso-indice réfractométrique pour 2 plans équatoriaux.
b) Analyse
des sources de variabilité intra-lotsPlusieurs indices montrent que les
apports
desproducteurs
ne sont pasparfaitement homogènes.
Certainesparties
delots,
telles que lespalettes,
les caisses où des groupes de caisses ont unequalité
moyenne différente de celle du lot dansson ensemble. L’information recueillie
auprès
desproducteurs
et les observations auchamp
confirment la réalité de cephénomène.
Eneffet, l’organisation
de la cueillette conduit à ce que des melons ayant descaractéristiques
communes voisinent à l’intérieur des lots. Pourquantifier
cesconsidérations, plusieurs échantillons,
corres-pondant
à différentslots,
ont étéprélevés.
Chacun de ces 3 échantillons comporte les 15 melons de 2 caisses issues d’une mêmepalette
et ceci pour 2palettes
différentes.Chacun de ces échantillons contient donc 60
unités,
cequi fait,
autotal,
180 unités.Un modèle
d’analyse
de variancehiérarchique
à effets aléatoires(SCHEFFÉ, 1967) :
où
Yijkl
est la valeur de l’indice pour le loti,
lapalette j,
la caisse k et le melon1, Ai, Bij, Cijk, E1Jkl
sontrespectivement
les effets aléatoires dulot,
de lapalette,
dela caisse et du melon et respectent les
hypothèses classiques :
Ai, Bij, Cijk, Ejkl
sont des variables aléatoiresd’espérance nulle, indépendantes
et de variance
respective
yA, YB, Yc, YE,permet d’obtenir la table
d’analyse
de variance suivante(tableau 1) :
TABLEAU 1 Analyse de variance
Revue de Statistiques Appliquées, 1985, vol. XXXIII, n"3 3
19 Si les indices
i, j,
k et 1 varientrespectivement
de 1 à r, s, t et u, lesespérances
des carrés moyens sont données par les formules suivantes :
On a alors les estimateurs suivants pour les
paramètres qui
nousintéressent, avec r = 3, s = 2, t = 2 et u =
15 :La variance de l’effet lot est ici artificielle dans la mesure où les trois lots considérés n’ont pas été tirés au sort mais choisis pour
représenter
des cas assezdifférents;
il est donc normal que cet effet soitimportant.
Par contre, l’effetpalette possède
une faible variance. Nous avonsprocédé
à d’autresanalyses
du même type dans des conditions différentes : melons de différentesvariétés,
cultivés en serre ou enplein champ...
etc. Desanalyses
de variances semblables à celleprésentée ci-dessus,
nous ont
permis
d’obtenir d’autres estimations pour yA, YB, yc et yE. Apartir
de cetensemble de
résultats,
nous avonsadopté
defaçon empirique
les estimations moyennes suivantes :Variance de l’erreur de mesure : 0.35 Variance intra caisse 2.5
Variance intra
palette
3.5Variance intra lot : 3.8
Il faut noter que la variance intra-caisse varie
beaucoup
selon laqualité
des lotsconsidérés : elle
peut
aller de1.5,
pour des lots uniformément bons ou uniformémentsmauvais,
à 3.5 pour des lots trèshétérogènes.
Il en est de même pour les variances des ensembles de niveauxsupérieurs,
lapalette
et le lot.Ces résultats conduisent aux conclusions suivantes :
Les variances des ensembles de niveau
supérieur
à l’unité sont assezélevées;
les décisions
prises
à des niveauxsupérieurs risquent
de conduire à uneperte
deprécision
du tri.Si on veut
choisir,
pour des raisons desouplesse
detri,
un niveau de décisionsupérieur
àl’unité,
la caisse semble être le meilleurchoix,
la varianceintra-palette
étant nettement
supérieure
à celle intra-caisse.La variance intra-lot n’est pas de
beaucoup supérieure
à celle de lapalette;
ladécision au niveau du lot ne peut
pourtant
pas êtreenvisagée,
car il estpsychologi- quement
difficile de faire passerauprès
desproducteurs
lerejet
de l’ensemble des melons d’un lot.A l’issue de l’étude de la
décomposition
de lavariabilité,
on est conduit à limiterle choix entre 2 méthodes de
contrôle,
celle du tri melon par melon et celle du tri caisse parcaisse,
basée sur un échantillon de la caisse.Cependant
on nepossède
que peu d’éléments pour choisir. Le critère de laprécision
favorise lepremier
type de tri mais il est difficile de chiffrerprécisément
l’écart. Le critère de lasouplesse,
face auxcontraintes de stabilité de la
quantité
de melons mis encatégorie supérieure,
favorisele second
type
detri, mais,
là encore, on ne peut pas avoir de résultats chiffrés. La simulation sur ordinateur de laproduction
et des 2 types de contrôles va nouspermettre de
préciser
ces 2points
fondamentaux.Revue de Statistiques Appliquées, 1985, vol. XXXIII, n° 3
20
3.
SIMULATIONS; MODÈLE
ETRÉSULTATS
a)
Modélisation de lapopulation
de melonsElle est basée sur la modélisation de lots de 3 000 melons.
Chaque
lotpossède
une moyenne Il; un melon d’un lot de moyenne Il, a un indice
réfractométrique
réelX,
donné par la formule suivante :où y, est la variance inter-caisse
égale
à yc + YBY2 est la variance intra-caisse moyenne,
égale
à yETi est une variable aléatoire normale centrée
réduite,
de même que T2.U,
est une variable aléatoire distribuée selon une loi uniforme dans l’intervalle[-a,+a].
Le modèle
précédent
donnantX,
décrit lacomposition
d’un lot formé de caisses de moyennes J.1. +fez Ti,
elles-mêmescomposées
de melons distribués selon une loinormale,
centrée autour de cette moyenne et de variance y2 + U, . Cette dernière est constituée d’unepartie fixe,
y2, et d’unepartie
aléatoire nécessitée par la variabilité de ceparamètre,
tellequ’elle
a été observée au cours des étudesprécédentes.
La valeur mesurée de l’indice
réfractométrique, XM,
est la valeur réelleplus
l’erreur de mesure, ce
qui
donne :où U2 est une variable aléatoire distribuée selon une loi uniforme dans l’intervalle
[ - b, +b].
Les valeurs types des
paramètres
sont celles données par l’étude de variabilité.D’autres valeurs peuvent leur être données pour étudier la robustesse des résultats du contrôle face à la variation de ces
paramètres.
Enfin la
population
totale d’unejournée
est constituée de lots dont les moyennes sontréparties
defaçon
variable selon lesjours.
Poursimplifier,
on utilise3
jours
types :2022 Les « gros
jours
»,appelés
ainsi car ils’agit
dejours
où lesproducteurs apportent
un volumeimportant
demelons,
laplupart
de mauvaisequalité.
2022 Les «
jours
moyens », où tant laqualité
que laquantité
sont d’un niveau moyen.2022 Les « bons
jours
», où les apports desproducteurs
sont bons enqualité
etfaibles en volume.
Cette
typologie
a été établie à l’aide desstatistiques
faites sur les melons de la campagne 1982. Ils’agit
dejours types extrêmes,
pourlesquels
il estimportant
deconnaître le
comportement
de laprocédure
de contrôle. Les « grosjours
» sontparticulièrement
sensibles : les conditions y sont défavorables à l’obtention de laquantité
voulue de melons decatégorie supérieure.
Ils constituent un bon test de la fiabilité du contrôle. Le tableau 2 donne le nombre de lots pour les différentes classes de moyenne et pour les 3 types dejours.
Il faut enfin noter que laquantité
minimumexigée
encatégorie supérieure
est,quels
que soit lesjours
de 7 tonnes, soit environ10 000 melons.
Revue de Statistiques Appliquées, 1985, vol. XXXIII, n"3 3
21 TABLEAU 2
Répartition des lots par tranches de moyenne
b)
Modélisation des contrôlesContrôle melon par melon : il consiste à simuler une
proportion
donnée dechaque
lot(25
% ou16,7 %),
et àgarder
enqualité supérieure
tous les melons dont l’indiceréfractométrique mesuré, XM, dépasse
un seuil donnéSi.
Contrôle caisse par caisse : il consiste à simuler 6 ou 4 melons par caisse de 24
(chiffres correspondant
aux taux desondage
de 25 % et16,7 %)
et à utiliser larègle suivante,
basée sur la moyenne m etl’écart-type
s des 6(ou 4)
valeurs mesurées(XM),
de l’échantillon :
-
acceptation
enqualité supérieure
de la caisse si m - 2s >S2;
- refus de la caisse dans le cas
contraire,
maisacceptation
individuelle des melonsqui, parmi
les 6(ou 4)
mesurés sont tels que XM >S3.
On observe
qu’il
y a 2 seuils pour cetype
de contrôle : un seuil pour le tri de la caisse entière et un autre pour letri,
individuel des melons del’échantillon,
dansle cas ou la caisse n’est pas
acceptée
enqualité supérieure.
Le choix des seuils
Si,
pour le tri melon parmelon,
S2 etS3
pour le tri caisse parcaisse,
est déterminé en fonction de lapopulation
dujour,
defaçon
à satisfaire les contraintes dequantité (environ
10 000melons)
et dequalité
de lacatégorie supérieure.
Pour lasimulation, plusieurs
valeurs ont étéutilisées,
defaçon
à mieuxconnaître l’influence de ce choix sur les résultats des 2 types de contrôle.
c)
Résultats des simulationsLe contrôle crée une
population spécifique,
dite dequalité supérieure, appelée population
triée. On peut en calculer troiscaractéristiques
pourchaque
type de tri :son
tonnage
ou sataille,
laproportion
de bonsmelons,
c’est-à-dire tels que leur indicedépasse 12,
et celle demauvais,
dont l’indice est inférieur à 10.Revue de Statistiques Appliquées, 1985, vol. XXXIII, n"3 3
22
Les 2 types de contrôles sont effectués sur la même
population simulée,
afinque la
comparaison
ne soit pas entachée d’une variabilitésupplémentaire
due auchangement
depopulation.
Les résultats d’une
simulation,
pour des valeurs fixées desparamètres
caractéri-sant la
population
de melons et des seuils caractérisant lescontrôles,
sontprésentés
sous la forme des 3
histogrammes
contenus dans lesfigures 3, 4
et 5. Ellesreprésentent respectivement
les distributions de lapopulation totale,
de celle sélectionnée par le tri melon par melon et caisse par caisse. Ils’agit
d’un « grosjour »;
les valeurs desparamètres
et des seuils sontprécisées
dans lalégende.
Les seuils ont été déterminés par tâtonnements, defaçon
à obtenir un peuplus
de 10 000 melons pour lapopulation
triée. On observe que la
population
triée par le contrôle caisse par caisse est de meilleurequalité
que celle triée par le contrôle melon par melon. Ceci est confirmé par les 2 critères dequalité
de la table3,
tant pour lepourcentage
de mauvais melons que pour celui desbons,
pourlequel
la différence est très sensible.Figure 3. - Population totale d’un « gros jour » (y, = 1 yz = 2,5 a = 1 b = 0,8).
Indice réfractornétriouE
Figure 4. - Population triée melon par melon (taux de sondage de 25 % et seuil à 10.5).
Revue de Statistiques Appliquées, 1985, vol. XXXIII, n"3 3
23
Indice réfractométrique
Figure 5. - Population triée caisse par caisse (taux de sondage 25 % et seuils 12.5 et 11).
Si une des machines de tri
automatique
tombe en panne, le tri melon parmelon,
dont on est conduit à abaisser le seuil pour respecter la norme de
quantité,
donnedes résultats très
mauvais,
alors que le tri caisse par caisse resteacceptable
commele montre le tableau 3.
TABLEAU 3 Caractéristiques des populations triées,
pour une population d’un « gros jour » de paramètres suivants :
y, = 1 ; Y2 = 2,5; a=l; b = 0,8.
Revue de Statistiques Appliquées, 1985, vol. XXXIII, n" 3
24
Les résultats
précédents
sont obtenus pour unepopulation
donnée.L’analyse
des simulations obtenues en faisant varier les différents
paramètres,
yi, y2, a etb,
ainsique le type de
jour, permet
d’établir les conclusions suivantes :1)
Le tri caisse par caisse esttoujours supérieur
au tri melon par melon. Cettesupériorité
s’affirme surtout dans les cas difficiles : « grosjour
»,arrivage
de mauvaisequalité,
ou taux desondage
tombant à16,7 %,
suite à une panne de l’un des troisappareils
de mesureautomatique
de l’indiceréfractométrique.
Les « bonsjours
»,l’écart entre les deux méthodes est
faible; cependant
le tri caisse par caissepermet
alors de passer à un taux desondage
de16,7 %,
économisant ainsi unappareil
demesure, tout en
respectant
les normes dequantité
et dequalité.
2)
Les variations duparamètre Yiinfluent
peu sur lesrésultats;
la diminution de Y2 etl’augmentation
de a,augmente
l’efficacité du tri caisse parcaisse,
mais defaçon générale,
cesparamètres
ont peu d’influence sur lesrésultats,
tantqu’ils
restentdans des intervalles raisonnables.
L’augmentation
de l’erreur de mesure, liée auparamètre b,
diminue l’efficacité du tri melon parmelon,
alorsqu’il
modifie très peuceux du tri caisse par caisse.
3)
Larépétition
d’une simulation pour des valeursinchangées
desparamètres,
permet d’obtenir des éléments sur la variabilité des résultats. On observe que cette dernière estfaible,
cequi signifie
que lesystème
de tri estfiable,
etprésente
peu derisques
de donner des résultats trèséloignés
des valeurs attendues. Le tableau 4 donneune idée des ordres de
grandeur
desécart-types
des 3caractéristiques
dessystèmes
de contrôle : la
quantité,
lespourcentages
de bon et de mauvais dans lacatégorie supérieure.
4)
Les simulations permettent non seulement de choisir lesystème
de tri lemieux
adapté,
mais aussi de connaître son comportement en face des différentesTABLEAU 4
Ecart-types des caractéristiques des populations triées, (le coefficient de variation est entre parenthèses)
Revue de Statistiques Appliquées, 1985, vol. XXXIII, n"3 3
25 situations dans
lesquelles
il seraplacé.
Parconséquent,
les résultats des simulations donnent une information très utile pour choisir les seuils detri,
et le taux desondage adaptés
àl’arrivage
de lajournée.
Lepilotage
dusystème
pourra donc se baser surles résultats des simulations.
d) Aspects informatiques
des simulationsLe programme de simulation d’une
journée
de contrôlecomporte
environ 200 instructions FORTRAN. Les lois uniformes sontgénérées
par des méthodes linéaires de congruence(Phillips, 1976)
dont l’initialisation est basée surl’horloge
interne del’ordinateur,
pour éviter larépétition
des mêmes séries de nombrespseudo-aléatoires.
Les lois normales centrées
réduites,
sontgénérées
comme sommes de 12 variables aléatoiresindépendantes
et uniformes dans l’intervalle[- 1/2, 1/2].
Le programme contient un module de saisie conversationnelle des
paramètres
de la
simulation,
et donne ensortie, l’histogramme
de lapopulation simulée,
ainsi queceux des
populations
triées par les 2 types decontrôle,
et les 3caractéristiques
de cesderniers
(nombre
de melons encatégorie supérieure, pourcentage
de bons et de mauvaisfruits).
Le
temps
d’exécution du programme, est d’environ 15 minutes sur un Mini 6.Pour un « gros
jour
», 111 000 melons sontsimulés,
cequi
nécessite lagénération
de1,5
millions de nombrespseudo-aléatoires.
4. VALIDATION ET CONCLUSIONS
a)
ValidationLes seules données
disponibles,
sur un ensemble assezimportant
pourpermettre
une
comparaison
intéressante avec lasimulation,
seprésentent
de lafaçon
suivante :Deux
lots, comportant respectivement
1 867 et 3 263melons,
ont étéanalysés
de
façon complète.
Les caisses contiennent 8melons,
et l’échantillon est de taille 2.La
règle
de tri de la caisse consiste àl’accepter
si aucun des 2 melons n’a un indice inférieur à 12.5. Dans le cascontraire,
la caisse estrejetée,
sauf les melonsanalysés qui
ont un indicesupérieur
à 12.Le programme de simulation a été
modifié,
pour tenir compte des modalités de tri caisse par caisse réellement utilisées dans cetteexpérience.
Les résultats dessimulations sont donnés dan le tableau 5 pour la
population totale,
et dans le tableau 6 pour lespopulations
triées.Le tableau 5 révèle un
léger
écart entre le lot A et sessimulations ;
ilprovient
du fait que la distribution est
bimodale;
en fait elle est formée de deux souspopulations :
d’une part des melons cueillistrop tôt,
et d’autre part des melons bien mûrs.Revue de Statistiques -Appliquées, 1985, vol. XXXIII, ne 3
26
TABLEAU 5
Pourcentages de mauvais, moyens et bons melons dans les lots A et B réels et simulés (l’écart-type des valeurs simulées est entre parenthèses)
TABLEAU 6
Caractéristiques des populations triées réelles et simulées pour les lots A et B
Revue de Statistiques Appliquées, 1985, vol. XXXIII, n° 3
27 Le tableau 6 montre une bonne concordance entre les chiffres
expérimentaux
et ceux
prédits
par le modèle. Il faut remarquer que la simulation d’un lot donne des résultatsplus
variables que celle d’unejournée,
cequi
estnaturel,
car cette dernière est basée surplusieurs
dizaines de lots. Par suite d’une défaillance del’appareil
demesure, les résultats réels du tri melon par melon du lot B sont
complètement faux,
et n’ont pas été
reportés
dans le tableau 6.Il semble y avoir une contradiction entre ces résultats et ceux de la section
3, qui
montraient unesupériorité
du tri caisse parcaisse;
cette dernière n’est pas vérifiéesur les données
expérimentales,
aucontraire, puisque
lespourcentages
de mauvais melons dans lacatégorie supérieure
sont nonnégligeables.
Ce faitprovient
du seuil trop bas du tri caisse parcaisse, qui accepte
trop de melons. Pour améliorer les résultats de cedernier,
il faut en relever le seuild’acceptation.
Il est facile de refaireune simulation avec un seuil
S2
de14,
engardant
les melons d’indicesupérieur
à 12.5(S3).
On obtient alors pour le lot B parexemple,
386 melons encatégorie supérieure,
avec
0,1
% de mauvais et 88 % de bons.b)
ConclusionsLa simulation est un instrument très
souple, qui s’adapte
à desproblèmes complexes
de contrôle de laqualité.
Elle permet de tenir compte de tous les facteurs aléatoiresimportants,
ainsi que des contraintesimposées
au contrôle. Elle permet d’éviter desexpérimentations
coûteuses et derépondre
àbeaucoup
dequestions
dustyle
«Que
sepasse-t-il
si... ? »,qui
naissenttoujours
del’analyse primaire.
La
partie
laplus complexe
et laplus longue,
estgénéralement
lamodélisation, qui
doit être menée avecsoin;
elle nécessite de faire desexpériences,
de recueillir des données pourpréciser
tel ou telaspect
du modèle. En contrôle de laqualité,
il estparticulièrement important d’analyser
en détail les sources de variabilité et d’utiliser les méthodesstatistiques appropriées. Cependant,
ces dernières ne sontgénéralement
pas suffisantes pour décider des modalités du contrôle. C’est
pourquoi,
la simulation est uncomplément logique
aux études devariabilité, classiques
en contrôle de laqualité.
RÉFÉRENCES
D.T.
PHILLIPS,
A. RAVINDRAN(1976).
-Operation
researchprinciples. Wiley.
H. SCHEFFE
(1967).
- Theanalysis
of variance.Wiley.
F.
SIDIBE,
J.J. DAUDIN(1985).
- Variabilité de l’indiceréfractométrique
etmodélisation du tri industriel des melons en fonction de leur
qualité gustative.
Ind. Aliment.
Agric.
IAA102, 1-2,
p. 27-34 et IAA102, 3,
p. 219-27.Revue de Statistiques Appliquées, 1985, vol. XXXIII, n"3 3