Académique Documents
Professionnel Documents
Culture Documents
TESTS
Introduction
Tests progressifs
1 Introduction
1 Introduction
Une question qui se pose souvent, est de
savoir quelle sensibilité a la procédure de
contrôle qualité en cours ? En d'autres
termes, quelle chance avons nous de ne
pas détecter un échantillon (par exemple,
une moyenne dans une carte X-barre) en
dehors des limites de contrôle (c'est-à-
dire d'accepter le processus de
production comme étant "sous contrôle",
alors qu'en fait, il a été sensiblement
décalé) ?
Les courbes d'efficacité sont
particulièrement utiles pour explorer la
puissance d'une procédure de contrôle
qualité. La décision finale concernant les
tailles d'échantillons doit dépendre du
coût de mise en œuvre du plan (par
exemple, le coût par élément
échantillonné), mais également du coût
résultant d'une non-détection de
problèmes de qualité. La courbe
d'efficacité permet à l'ingénieur d'estimer
les probabilités de ne pas détecter des
décalages d'une certaine taille dans la
production.
Documents de travail J.MAHFOUD 6
2 Test de comparaison à un standard
m ; σ ; Pr
Démarche
1- H0 : m = m0
H1 : m = m1 > m0
2- Seuil de signification α
3- Condition d'application
(σ0 connu ou pas)
(n grand ou pas)
5- Le domaine d'acceptation W : { mi ; ms }
6- Le risque β
7- Décision
Documents de travail J.MAHFOUD 7
Exemple
1 H0 : m = m0 = 28.4
2 1 − α = 0 .9 5
3 ε n → n = 20 ; PN → σ 0 = 0.3
X1 Y1
X Y
2
ε n : ⇒ ε n odroné : 2 ;Y1 < Y2 ; Yn V.A. la plus grande valeur mesurée
X n Yn
L ( Xi ) ≡ L ( X )
On cherche FˆX ( x ) X i Variable Aléatoire Indép.
FYn ( x ) = FX ( x )
n
FYn ( x ) = Pr (Yn < x ) = FX ( x )
n
X1 Y1
X Y
2
ε n : ⇒ ε n odroné : 2 ;Y1 < Y2 ; Y1 V.A. la plus petite valeur mesurée
X n Yn
L ( Xi ) ≡ L ( X )
On cherche FˆX ( x ) X i Variable Aléatoire Indép.
x ≤ Yi ; x ≤ X1 et X2 et ... X n
Pr ( x ≤ Y1 ) = Pr ( x ≤ X1 et X2 et ... X n )
Pr ( x ≤ Y1 ) = 1 − FX 1 ( x ) ⋅ 1 − FX 2 ( x ).. ⋅ ..1 − FXn ( x ) ; L ( X i ) ≡ L ( X )
FY1 ( x ) = 1 − Pr ( x ≤ Y1 ) = 1 − [1 − FX ( x ) ⋅ 1 − FX ( x ).. ⋅ ..1 − FX ( x ) ]
L( X ) = W (β ;η ; δ )
β
x −δ
−
FX ( x ) = 1 − e η
β n β
x −δ
−
x −δ
− n
FY1 ( x ) = 1 − 1 − FX ( x ) = 1 − 1 − 1 + e η = 1− e η
n
L (Y1 ) = W ( β ; η1 ; δ )
η
η1 = 1
β
n
β n
x −δ
−
FYn ( x ) = FX ( x ) = 1 − e η
n
Documents de travail J.MAHFOUD 11
X1 Y1
X Y
2
ε n : ⇒ ε n odroné : 2 ;Y1 < Y2 ; Yk V.A. la k ième valeur mesurée
X n Yn
L ( Xi ) ≡ L ( X )
On cherche FˆX ( x ) X i Variable Aléatoire Indép.
FYk ( x ) = Pr ( K > k ) = 1 − Pr ( K ≤ k ) ; L ( K ) = B ( n; p ) ; p = FX ( x )
k
n!
FYk ( x ) = 1 − Pr ( K ≤ k ) = 1 − ∑ Cnj p j q n − j ; q = 1 − p ;Cnj =
j =0 j !( n − j )!
n n
FYk ( x ) = ∑ C p q = ∑ Cnj [FX ( x )] [1 − FX ( x )]
j j n− j j n− j
n
j =k j =k
Documents de travail J.MAHFOUD 12
3 Tests des valeurs aberrantes
Minimum des mesures
PN ; L ( X ) ; FX ( x ) = Pr ( X < x )
FY1 ( x ) = 1 − 1 − FX ( x )
n
Si on prélève un εn de cette PN , on peut avoir une idée (avec une certaine probabilité) de la possible
valeur minimale. Donc on peut dire également que pour une certaine probabilité si la valeur minimale
d'un εn ordonné est inférieure à une limite donnée, cette valeur peut être considérée comme
aberrante.
FY1 ( xα ) = 1 − 1 − FX ( xα ) = α
n
1
FX ( xα ) = 1 − [1 − α ]n
PN ; L ( X ) ; FX ( x ) = Pr ( X < x )
FYn ( x ) = FX ( x )
n
Si on prélève un εn de cette PN , on peut avoir une idée (avec une certaine probabilité) de la possible
valeur Maximale. Donc on peut dire également que pour une certaine probabilité si la valeur
maximale d'un εn ordonné est supérieure à une limite donnée, cette valeur peut être considérée
comme aberrante.
1
FX ( x1−α ) = [1 − α ]n
FY1 ( y1 ) = 1 − 1 − FX ( y1 ) = 1 − α
n
FYn ( y n ) = FX ( y n ) = α
n
1 − FX ( y1 ) = α
n
1
FX ( y n ) = α n
1
FX ( y1 ) = 1 − α n
FX ( y1 )α = 1 − FX ( y n )1−α
FX ( y1+ k )α = 1 − FX ( y n − k )1−α
STATISTIQUE DESCRIPTIVE
Médiane 171
L(Taille)=N(172 ; 7.5)
Si n=6; xi= 70; 130; 120; 40; 160; 100 ; yi= 40; 70; 100; 120; 130; 160
6
FY3 ( y 3 ) = ∑ C36 [FX ( y 3 )] [1 − FX ( y 3 )]
3 6−k
j =3
Comment faire:
On définit un intervalle = 1-α Il y a donc 1- α chances que la fonction de répartition de
la kième valeur de l'εn ordonné soit dans cet intervalle.
Nous souhaitons tester la Normalité d’un échantillon. Si on utilise directement la fonction de répartition
du modèle normal, ceci revient à accepter à priori l’hypothèse de normalité. Ici, tout ce que nous disons,
est qu’il y a 1-a chance que la fonction de répartition de la première valeur de cet échantillon ordonné
soit comprise entre F1-a/2 et Fa/2. Ensuite et en fonction de la réalisation on prendra une décision. Ceci est
vrai car la plus petite réalisation d’un échantillon de taille 6 issu d’un phénomène Normal sera forcement
différente de celle issue d’un phénomène exponentiel.
Documents de travail J.MAHFOUD 18
4 Tests d’adéquation de Loi
Xi Yi f0,5
70 40 0,109
130 70 0,256
120 100 0,421
40 120 0,579
160 130 0,735
100 160 0,891
70 40 0,109
130 70 0,256
120 100 0,421
40 120 0,579
160 130 0,735
100 160 0,891
Xi Yi f0,5
70 40 0,109
130 70 0,256
120 100 0,421
40 120 0,579
160 130 0,735
100 160 0,891
Grands échantillons
Test de KHI2
PN εn
↓ ( groupé par classes )
dFX ↓
↓ ni
fi =
pi = Pr ( X ∈ [ xi ; xi +1[ ) / H0
n
Si :
n → ∞ groupé/classes ( ≈ 30)
si les paramètres sont connu χ r2−1
Ni ≥ 4 ou 5 ⇒ lim E
si on estime k paramètres χ r2−1−k
Pi Pas "trop différents"
Documents de travail J.MAHFOUD 26
4 Tests d’adéquation de Loi
fx
Test de KHI2
pi
( ni − n pi ) n 2 ( fi − pi )
2 2
n
= ( fi − pi )
2
Ei = =
n pi n pi pi fi
x
Démarches:
x
β xi xi +1
−
1 − H0 = L ( X ) = W ( β ; η ; 0 ) ⇒ FX ( x ) = 1 − e µ
2 − ε n ⇒ groupé / classes
3 − pi = Pr ( X ∈ [ xi ; xi +1[ ) / H0 = FX ( xi +1 ) − FX ( xi )
( n − n pi )
2
4 − Ei = i
n pi
r
5 − E = ∑ Ei
1
6 − fixer 1− α
7 − Tables χ12−α ; ddl = r − 1 ou r − 1 − k
8 − E < χ12−α OK ; E > χ12−α H1
Documents de travail J.MAHFOUD 27
25
200 400 300 22 0,22
20
Attention plusieurs classes où l’effectif 400 600 500 14 0,14
15
est inférieur à 4 ou 5, donc on groupe 600 800 700 9 0,09 10
5
800 1000 900 6 0,06
0
1000 1200 1100 6 0,06 100 300 500 700 900 1100 1300 1500 1700 1900 2100
Ho=EXP(526)
On fait l'hypothèse que le modèle est Exponentiel:
classes ni fi pi
x
−
H0 = L ( X ) = W (1; η ; 0 ) ⇒ FX ( x ) = 1 − e
0 200 33 0,33 0,3163 µ
200 400 22 0,22 0,2163
400 600 14 0,14 0,1479
pi = Pr ( X ∈ [ xi ; xi +1[ ) / H0 = FX ( xi +1 ) − FX ( xi )
600 800 9 0,09 0,1011 200
− 0
−
200
−
0
−
p1 = 1 − e 526
− 1 − e 526 = e 526 − e 526 = 0.3136
800 1000 6 0,06 0,0691
1000 1200 6 0,06 0,0473
( 33 − 100 X 0.3136 )
2
1200 1800 5 0,05 0,0695
E1 = = 5.9 X 10−4
1800 2200 5 0,05 0,0174 100 X 0.3136
Σ 100 1 0,9847 r
∑p
1
i = 0.9847
Documents de travail J.MAHFOUD 28
4 Tests d’adéquation de Loi classes ti ni fi
35
0 200 100 33 0,33
Test de KHI2 30
25
200 400 300 22 0,22
20
Le niveau de confiance est choisi 0.80. 400 600 500 14 0,14
15
nous avons estimé la moyenne et 600 800 700 9 0,09 10
Ho=EXP(526)
classes ni fi pi pi' ej classes 8
0 200 33 0,33 0,3163 0,3163 5,93872E-04 Paramètres 1
d i = F ( xi ) / H 0 − F ( xi )
⌢
1-
F ( xi )
⌢
Estimation de la fonction de répartition par les rang médians
Si H0 : L ( X ) = N ( m ; σ )
Test de Lilliefors
d i = F ( xi ) / H 0 − F ( xi )
⌢
d i < Lα
Documents de travail J.MAHFOUD 30
4 Tests d’adéquation de Loi
Test de Kolmogorov / Lilliefors
Kolmogorov Lilliefors
Echant. 11
H0 N(m;σ)
xbar 17,86 13
m 18
sx 4,70 16
σ 5
sx' 5,08 18
20 n 7
21
α 0,8 0,9 0,95
26
L 0,247 0,276 0,3
i Xi F0.5 F di
1 11 0,0946 0,0808 0,0138
d1 = 0.0808 − 0.0946
Documents de travail J.MAHFOUD 32
4 Tests d’adéquation de Loi
H0 N(m;σ) n 7
Test de Kolmogorov / Lilliefors m 18 L 0,247
σ 5
i Xi F0.5 F di Fα/2 F1-α/2
Echant. 1 11 0,0946 0,0808 0,0138 -0,1662 0,3278
xbar 17,86
2 13 0,2297 0,1587 0,0711 -0,0883 0,4057
sx 4,70
3 16 0,3649 0,3446 0,0203 0,0976 0,5916
sx' 5,08
α 0,8 0,9 0,95
4 18 0,5000 0,5000 0,0000 0,2530 0,7470
1,0000
F0.5
= 0.9452 - 0.247
F
0,7500 Fa/2
F1-a/2
FX(x)
0,5000
0,2500
0,0000
5 10 15 20 25 30
x