Vous êtes sur la page 1sur 18

MTH2302 Probabilits et mthodes statistiques Chapitre 5 Lois discrtes

Loi binomiale Loi de Poisson Loi hypergomtrique


APPLICATIONS
contrle (matrise) statistique de la qualit

SPC Statistical Process Control

introduction au cartes de contrle carte np - carte p - carte c - carte u contrle de la qualit des lots plans dchantillonnage pour accepter ou rejeter des produits regroups en lots

hors programme

1
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI Dfinition
X= nombre de succs dans une suite de n essais de Bernoulli indpendants avec une probabilit commune de succs de X i la v.a de Bernoulli associe au i me essai i = 1, 2, , n X i = 1 avec probabilit ou X i = 0 avec probabilit 1 - X1, X2,, X n sont indpendantes,

BI NOMIALE

X= X

est appele une variable alatoire binomiale (loi binomiale)

notation : X ~ b( n, ) fonction de masse

: X suit une loi binomiale de paramtres (n, )


Statistica : BINOM(x ; ; n) x = 0 , 1 , ., n IBINOM(x ; ;n)

pX (x) = Prob(X = x) = Cnx x (1- ) n x


fonction de rpartition F(x) = P(X x) =

Statistica :

k=0 moyenne - variance cart type

Cnk k ( 1- ) n - k (table disponible site WEB) ET[X] = [n ( l - )] 0,5

E[X] = n
Bernard CLMENT, PhD

Var[X] = n ( l - )

MTH2302 Probabilits et mthodes statistiques


LOI
n : taille de lchantillon comment estimer

BI NOMIALE
- paramtre contrlable connu

: paramtre gnralement inconnu ? =X/n paramtre indique une estimation rponse : lestimation de est remarque : le symbole

o X = nombre succs en n essais de Bernoulli au dessus dun

proprits
a) erreur systmatique = cart entre et ^ b) erreur alatoire = Var ( ) E( ) = E ( ) - = E ( X / n ) = ( E(X) / n ) - = ( n / n) - = 0 (variabilit de lestimation) 0,25 / n pour tout = Var( ) = ( 1 ) / n

remarque : les notions de lestimation seront dveloppes dans un autre chapitre


3
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI
n =30 =0,3
Bar/Column Plot (ch3.sta 10v*31c) 0.18 0. 16 0.16 0. 14

B I N O M I A L E (n , )
n=30 =0,5
0.20 0.18 0.16 0. 12 0.14

n=30 =0,9
Bar/Column Plot (ch4-V5.sta 10v*101c)

Bar/Column Plot (ch4-V5. sta 10v *101c)

0.14

0.12 0. 10 0.10 0. 08 0.08 0. 06 0.06 0. 04 0.06 0.04 0.02 0.00 0. 00 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 BINO M-2 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 BINOM-3 0.10 0.08 0.12

0.04

0.02 binom 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30

0. 02

0.00

n=100 =0,3
Bar/Column Plot(ch4-V5.sta 10v*101c) 0.10 0.09 0.08 0.07 0.06 0.05 0.05 0.04 0.04 0.03 0.03 0.02 0.01 0.00 1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 0.02 0.09 0.08

n=100 =0,5
Bar/Column Plot(ch4-V5.sta 10v*101c) 0.14 0.12

n= 100 =0,8
Bar/Column Plot (ch4-V5.sta 10v*101c)

0.07 0.10 0.06 0.08

0.06

0.04

0.01

0.02

BINOM-4 0.00 1 9 17 25 33 41 49 57 65 73 81 89 97

BINOM-5

0.00 1 9 17 25 33 41 49 57 65 73 81 89 97

BINOM-6

Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI de P O I S S O N
preuve consiste recenser le nombre de succs relatifs des vnements rpartis dans le temps ou lespace. fentre dobservation (preuve) Nombre dessais nest pas fix lavance comme dans les essais de Bernoulli vnements sont tudis en tant que prsence (ou apparition) sur un intervalle continu: on compte le nombre dapparition dun vnement spcifique. Exemple: la prsence dun dfaut sur une pice fabrique.

Dfinition (conditions)

SI

1. Stationnarit : la probabilit dune occurrence sur une unit dpreuve


est la mme pour toutes les units;

2. Indpendance : le nombre doccurrence sur une unit est indpendant


du nombre doccurrence sur les autres units X = nombre doccurrence est soumise une loi de Poisson de paramtre

On crit

X ~ Poi ( ) pX ( x ) = e

Fonction de masse

x/

x!

x = 0, 1, 2, .
5

Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI de P O I S S O N Fonction de rpartition k = x F (x ) = e k=0
Moyenne - variance - cart type moyenne = E (X ) = Un critre essentiel Var ( X ) = ET ( X ) = 0,5

k/k!

(table disponible site WEB)

pour une distribution Poisson moyenne = variance

Ce critre seul nest PAS SUFFISANT pour caractriser la distribution Poisson. Les conditions (page 5) doivent tre vrifies mais cela nest pas facile en pratique. Les tests dajustement une distribution (Poisson et autres) seront vus dans une autre chapitre. Ces tests permettent de vrifier si une loi est plausible mais pas de dmontrer la loi.
6
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI
Exemples
nombre dappels tlphoniques que reoit un central

de P O I S S O N
particulier

durant une priode de temps (durant une heure par exemple) nombre daccidents qui surviennent pendant lheure de pointe
une intersection

nombre de dfauts dans un rouleau de papier, rouleau de tissus, une plaque de mtal , (la surface est constante dun chantillon lautre) nombre de personnes qui se prsentent un guichet durant une priode de temps Important - les conditions dobservation constituent une fentre

- dfinir prcisment cette fentre et maintenir constante - le nombre doccurrences est proportionnel cette fentre
7
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI de P O I S S O N
Bar/Column Plot (ch4-V5.sta 15v*101c) 0.20 0.18 0.16 0.14 0.12 0.10

Bar/Column Plot (ch4-V5.sta 15v*101c) 0.40

=5

0.35
0.08

0.30

=1

0.06 0.04 0.02

0.25

0.20

0.00 1 3 5 7 9 11 13 15 17 19

POI-5

0.15
0.10 0.09 0.08

Bar/Column Plot(ch4-V5.sta 15v*101c)

0.10

0.05

= 20

0.07 0.06 0.05 0.04 0.03 0.02 0.01 0.00 1 4 7 10 13 16 19 22 25 28 31 34 37 40 POI-20

0.00 1 2 3 4 5 6 7 8 9 10

POI-1

8
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI
Exemple 1

de P O I S S O N

tissus en longueur de 50 mtres de long.

rouleaux contiennent (en moyenne) 2 zones inutilisables. On veut des longueurs de 10 mtres sans dfauts. Achteriez vos tissus de ce fabricant ? Solution hypothses dindpendance + probabilit proportionnelle surface

+ unit surface assez petite alors une seule occurrence (en moyenne) Si oui, le processus est Poissonnien avec = 2 sur 50 mtres Sur 10 mtres, le processus est Poissonnien avec = 2 / 5 = 0,4 On cherche Prob ( X = 0 ) = e 0,4 (0,4) 0/ 0! = 0,67

Quelle votre dcision ?

9
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI
Exemple 2

de P O I S S O N

un composant critique dune machine se brise, en moyenne,

fois par priode de temps. Combien ( k ) de composants devraient-on stocker afin de sassurer, avec une probabilit dau moins de 1 ( = 0,05 et 0,01) de pouvoir faire les remplacements ncessaires en cas de bris sans attendre la livraison de nouveaux composants ?

Solution

X nombre total de bris du composant

On suppose que X suit une loi de Poisson avec paramtre rsoudre : x=k P( X k ) = e x / x ! = 1 - k=? x=0 Quelques valeurs ( , ) - utilisation de la fonction de rpartition k 0.5 0,05 3 0,01 4 0,05 4 1 0,01 5 0,05 5 2 0,01 6 0,05 9 5 0,01 11 100 0,05 0,01 117 123
10
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI
Rsultat addition de

de P O I S S O N
Poisson

variables

Soit loi Alors

X 1, X 2, , X k Poisson

des variables alatoires indpendantes de


2

de paramtres 1,, est

, ,

respectivement. Poisson de

Y = Xi

une variable de loi o

paramtre
Rsultat

= i

approximation dune loi binomiale par une loi de Poisson

Si

n 100

et 0.10

et

n 10

alors

on peut approximer la loi binomiale ( n, ) par une loi de Poisson de paramtre = n


11
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI
Exemple 3

de P O I S S O N

confection de vtements plein air : V = R + P + D fournisseur B

- Revtement extrieur (R) + Pellicule imper (P) + Doublure iso (D) - 2 fournisseurs : fournisseur A et - vtement = pantalon + anorak - pantalon exige 3 mtres Questions Anorak exige 2 mtres 1. variables suivent-elles une loi Poisson ? (donnes dispon.) 2. Calculer la probabilit que lensemble pantalon + anorak a) soit sans dfectuosit ( X = 0) ? b) ait au plus une dfectuosit ( X 1) ? avec les tissus du fournisseur A tableau nombre de dfectuosits donnes page suivante chantillon de pices provenant de fourn. A et fourn. B

12
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


Exemple 3 : suite Nombre de dfectuosits rouleau de 50 mtres R = Revtement P = Pellicule impermable D = Doublure A : fournisseur A B : fournisseur B R-A : revtement fourn. A P-A : pellicule fourn. A D-A : doublure fourn. A R-B : rev. P-B : pell. fournisseur B fournisseur B cha ntillon
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Bernard CLMENT, PhD

R-A
1 4 4 1 1 1 6 4 4 2 4 2 0 0 1 2 2 3 2 1

P-A
1 0 3 1 3 2 4 3 2 3 5 2 0 1 0 1 0 1 2 1

D-A
2 2 1 0 4 2 3 6 4 2 4 4 0 1 4 4 1 1 2 4

R-B
4 1 0 4 2 1 3 1 3 2 2 2 1 4 3 1 2 3 0 3

P-B
0 1 1 3 4 2 0 2 0 1 3 0 4 4 4 2 2 4 3 3

D-B
2 0 1 1 4 1 2 1 0 4 3 4 3 3 0 3 0 2 2 13 1

D-B : doub. fournisseur B

20

MTH2302 Probabilits et mthodes statistiques


Exemple 3 : suite 1. loi de Poisson ? Moy Var R-A 2,25 2,60 P-A 1,75 1,99 D-A 2,55 2,68 R-B 2,10 1,57 P-B 2,15 2,24 D-B 1,85 1,92

R-B ne semble pas suivre une loi de Poisson 2. Avec le fournisseur A lambda R P D total Anorak (2/ 50)*2,25 (2/ 50)*1,75 (2/ 50)*2,55 0,262 Pantalon (3/50)*2,25 (3/50)*1,75 (3/ 50)*2,55 0,393 total 0,225 0,175 0,255 0,655 =

a) Prob ( X = 0, = 0,655 ) = 0,5194 b) Prob ( X 1, = 0,655 ) = 0,5194 + 0,3402 = 0,8594


14
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI HYPERGOMTRIQUE

Dfinition
lot de N articles dont D articles sont non conformes et N D articles sont conformes chantillonnage sans remise de n articles X = nombre darticles non conformes dans lchantillon X suit une loi hypergomtrique H (n ; N ; D) Fonction de masse pX (x ) =

C Dx C N-Dnx / CNn

x = 0, 1, , n

Moyenne = E( X) = n D / N Variance = Var(x) = n [ D/N) ] [1 (D/N) ] [ (N n)/(N 1) ] Approximation par avec loi binomiale Si n / N 0,05 et =D/N alors

H(n ; N ; D ) b(n ; )
15
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


LOI Exemple : N = 1000 Prob ( X = 0 ) = 1000 ! / ( 20 ! 980 ! ) = 950 x 949 x .. x 931_ 1000 x 999 x x 981 = 0,3549 HYPERGOMTRIQUE D = 50 n = 20

[ 50 ! / ( 0 ! 50 ! ) ] x [ 950 ! / ( 20 ! 930 ! ) ]

approximation par loi binomiale : = 50 / 1000 = 0,05

n = 20

P ( X = 0 ) = 0 ( 1 )20 = 0,95 20 = 0,3585


16
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


APPLICATIONS : introduction au Contrle Statistique de la Qualit

mthodes
plans dchantillonnage pour accepter/ refuser lot de produits sur la base dun chantillonnage : Acceptance Sampling CSP matrise statistique des processus : SPC ou cartes de contrle processus : comportement stable (normal) ou anormal ? analyse de capacit planification dexpriences : DOE Taguchi analyse processus de mesure fiabilit Quality Function Deployment ( QFD ) Six Sigma
17
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


Brve introduction aux cartes de contrle de Shewhart
RESSOURCES APPROVISIONNEMENT MATRIAUX QUIPEMENTS PERSONNEL ENVIRONNEMENT
CARACTRISTIQUES CRITIQUES pour la QUALIT : - MESURES - COMPTAGES - ATTRIBUTS

PROCESSUS tapes mthodes procdures

PRODUIT ou SERVICE

PARAMTRES MESURABLES et CONTRLABLES

VALEUR AJOUTE

X 1, X2, X3,

Fonction de transfert f

Y =f (X1, X2,..)

cartes de contrle de Shewhart sappliquent Y


Bernard CLMENT, PhD

18

MTH2302 Probabilits et mthodes statistiques


Brve introduction aux cartes de contrle de Shewhart carte np et carte c
c

carte p :

base loi binomiale


de la loi binomiale de la loi Poisson

et

carte u : base loi Poisson

Remarque : p reprsente le paramtre reprsente le paramtre

BUT de la carte Carte p :

signaler la prsence dune cause spciale qui a produit un changement important dans comportement statistique du processus.

p et np (ATTRIBUT) fraction de pices non-conforme chantillon de n pices (n peut tre variable) np : nombre de pices non conforme chantillon de n pices (n est fixe)

Carte c et u (COMPTAGES) c : nombre de non conformits (aire d'opportunit fixe) u : nombre de non conformits (aire d'opportunit variable)
19
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


Brve introduction aux cartes de contrle de Shewhart
carte n p variable np constant c constant u variable

LIMITES de CONTRLE STATISTIQUE : en gnral rgle de 3 sigma de Shewhart (inventeur des cartes) Ligne Centrale CL = moyenne Limite Suprieure UCL = moyenne + 3 * (variabilit) Limite Infrieure LCL = moyenne - 3 * (variabilit) Formules limites de contrle : attributs et comptages carte carte carte carte
Remarque :
Bernard CLMENT, PhD

np : p : c : u :

np 3 [ np ( 1 np ) ] 0.5 p c u 3 [np ( 1 np) / n i ] 0.5 3 (c ) 0.5 3 (c / n i ) 0.5


20

reprsente lopration de faire la moyenne arithmtique sur des donnes

MTH2302 Probabilits et mthodes statistiques


Brve introduction aux cartes de contrle de Shewhart
Exemple 1 : carte n p - 20 chantillons de n = 2500 X = nombre dfectueux

X : 23 43 22 34 21 33 29 31 34 31 46 39 28 33 20 41 13 27 22 40
Np Chart; variable: x-df
Histogram of Np 55 50 46.967 45 40 35 30 25 20 15 10 5 0 1 2 3 4 5 6 7 2 4 6 8 10 12 14 16 18 20 30.500 Np: 30.500 (30.500); Sigma: 5.4889 (5.4889); n: 2500.

14.033

21
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


Exemple 2 : carte p - 30 chantillons - n = variable
Inspection 100 % - 1 lot au hasard choisi chaque jour chantillonnage durant 15 jours = nombre dchantillons X = nombre de pices non conformes dans le lot La taille (n) du lot est variable d'une journe l'autre
P Chart; v ariable: n-def

jour 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

n 3350 3354 1509 2190 2678 3252 4641 3782 2993 3382 3694 3052 3477 4051 3042

X_ 31 113 28 20 35 68 139 12 3 17 14 8 27 44 70

Hi sto gram o f P 0 .0 40 0 .0 35 0 .0 30 0 .0 25 0 .0 20 0 .0 15

P: .01298 (.01298); Sigma: .00199 (.00199); n: 3229.8

.01914

.01298
0 .0 10

.00683
0 .0 05 0 .0 00 -0.0 05

10

12

14

22
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


Exemple 3 : carte c - 26 chantillons - X = nombre de non conformits

X : 21 - 24 - 16 - 12 - 15 - 5 - 28 - 20 - 31 - 25 - 20 - 24 - 16 19 - 10 - 17 - 13 - 22 - 19 - 39 - 30 - 24 - 16 - 19 - 17 - 25
Histogram of C 45 C: 20.269 (20.269); Sigma: 4.5021 (4.5021)

40

35

33.776

30

25 20.269

20

15

10 6.7628 5

0 0 1 2 3 4 5 6 7 8 9 10 11 5 10 15 20 25

23
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


Exemple 4 : carte u - 10 chantillons tissus - X = nombre imperfections

Echant. 1 Aire 10 X 14
Histogram of U 3.5

2 3 4 5 6 7 8 9 12 20 11 7 10 21 16 19 18 30 13 5 10 39 24 34
U Chart; variable: N_IMPERF

10 26 49

U: 1.5526 (1.5526); Sigma: .31960 (.31960); n: 15.2

3.0

2.5 2.2857 2.0

1.5

1.5526

1.0 .81952 0.5

0.0

-0.5 0 1 2 3 4 5 1 2 3 4 5 6 7 8 9 10

24
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


Brve introduction aux plans dchantillonnage des lots

Produits regroups en lots


(critre oprationnel dfinir selon les circonstances et les besoins) les plans dchantillonnage ( acceptance sampling ) rfre linspection dune partie du lot (chantillon) darticles (produits, composants) dans le but dobtenir une information servant de base :

juger le lot
- accepter le lot en le dclarant de qualit satisfaisante - rejeter le lot ; continuer l inspection ? inspection rectificatrice ?

25
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


O FAIRE DE L'INSPECTION DES LOTS PAR CHANTILLONAGE ?

Rception de lots de matires premires ou de produits semi-fini provenant de fournisseurs externes. En cours de fabrication des points de contrle fixs par le processus. Avant l'expdition des produits.

26
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


A V A N T A G E S de linspection par chantillonnage
Si le cot d'une inspection 100% est lev. Moins de manipulations du produit : moins de dommages potentiels. Seule alternative si le test est destructif . Si les lots sont de "grande" taille, disons plusieurs milliers d'units. Dcision plus rapide pour disposer du produit. Beaucoup de lots ( flux de lots ) inspecter. Consquences conomiques de livrer un lot de "mauvaise" qualit ne sont pas leves.

DSAVANTAGES
risque du producteur = probabilit de rejeter un lot de qualit satisfaisante = alpha = a

risque du consommateur = probabilit d'accepter un lot de


mauvaise qualit = beta = b
27
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


NOTATION - TERMINOLOGIE
N : nombre dunits dans le lot = taille du lot n : nombre dunits dans lchantillon D : nombre dunits non conformes dans le lot p = D / N : proportion dunits non conformes dans le lot X : nombre dunits non conformes dans lchantillon X / n : proportion dunits non conformes dans lchantillon c = Ac : nombre dacceptation (plan simple) si X <= c alors on accepte le lot si X > c alors on rejette le lot P a ( p ) : probabilit daccepter un lot de non qualit p a = alpha = risque du producteur : rejeter lot bonne qualit b = beta = risque consommateur : accepter lot mauvaise qualit
28
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


NOTATION - TERMINOLOGIE

AQL ( Acceptable Quality Level )


proportion maximale d'articles dfectueux (ou non-conformes) qui peut tre considr comme moyenne satisfaisante par le producteur et le consommateur (client) cest une convention pour concevoir un plan d'chantillonnage

RQL ( Rejectable quality level ) proportion minimale d'articles dfectueux (non-conformes) qui peut tre considr comme moyenne non-satisfaisante par le consommateur
cest une convention pour concevoir le plan dchantillonnage

Plan d'chantillonnage dfini par: (n, Ac, Re )


29
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


RISQUES DE MAUVAISES DCISIONS

QUALIT LOT
bonne mauvaise

Accepter lot

1-a

b
1- b

DCISION
Rejeter lot

a : risque du producteur b : risque du consommateur


30
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


courbe caractristique plan dchantillonnage

P a ( p ) : probabilit accepter lot 1 1- a

b 0 0 AQ L RQ L
p proportion non conforme
31
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


Calcul de la probabilit daccepter : P a ( p ) Plan simple : un seul chantillon de taille n est prlever

Plan ( N , n , c ) : chantillonnage sans remise p = D/N qualit du lot (D=pN) X : nombre de pices non conformes dans lchantillon X distribue selon une loi de probabilit Hypergomtrique ( N, D, n )

32
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques Calcul de la probabilit daccepter Pa ( p )

pN N (1 - p ) n- x C x Pa ( p ) = N x =0 n

hypergomtrique (exacte)
APPROXIMATION

n x n- x = p ( 1 p ) x x =0
C

Binomiale : si n / N < 0.1

e - np (np ) x = x! x =0
c

Poisson : si p " petit " et n est " grand "

33
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


EXEMPLE n = 89 c = 2

P Pa P Pa

0,005 0,990 0,050 0,172

0,010 0,940 0,060 0,091


2

0,020 0,737 0,070 0,047

0,030 0,498 0,080 0,023

0,040 0,304 0,090 0,01

89 d 89-d P = p ( 1 p ) a d =0 d

34
Bernard CLMENT, PhD

MTH2302 Probabilits et mthodes statistiques


Courbe caractristique plan n = 89 c = 2
Line Plot (ch4-SPC-v5.sta 24v*204c) 1.2

1.0

0.8

0.6 Pa-p 0.4 0.2 0.0 -0.2 0.005


Bernard CLMENT, PhD

0.015

0.025

0.035

0.045

0.055

0.065

0.075

0.085

0.095

0.105

35

MTH2302 Probabilits et mthodes statistiques


design dun plan dchantillonnage (n, c) : n = ?
1 1 trouver n et c tels que

c=?

Pa ( p1 ) = 1 - Pa ( p2 ) =
Pa : fonction rpartition (page 33)

0 p1 p2 p proportion darticles non conformes

36
Bernard CLMENT, PhD