F O R M U L A I R E Inspection des lots : plans d'échantillonnage
|
|
- Jean-Luc Beauchamp
- il y a 7 ans
- Total affichages :
Transcription
1 F O R M U L A I R E Inspection des lots : plans d'échantillonnage N : nombre d unités(pièces, composants) dans le lot = taille du lot n : nombre d unités dans l échantillon = taille de l'échantillon D : nombre d unités non conformes dans le lot p = D / N : proportion d unités non conformes dans le lot = qualité du lot ( 0 <= p <= 1 ) X : nombre d unités non conformes dans l échantillon X / n : proportion d unités non conformes dans l échantillon c : nombre d acceptation (plan simple) - il définit la règle de décision pour accepter/rejeter un lot (c est noté Ac pour "Accept" dans le plan standard MIL STD 105E ) si X <= c le lot est accepté si X > c le lot est rejeté Pa ( p ) : probabilité d accepter un lot de qualité p Courbe caractéristique d'un plan : graphique de Pa ( p ) en fonction de p AQL ("Acceptable Quality Level") : limite supérieure de «bonne» qualité proportion maximale d'articles non-conformes qui peut être considéré comme une moyenne satisfaisante par le producteur et le consommateur (client). RQL ("Rejectable Quality Level") : limite inférieure de «mauvaise» qualité (aussi noté LQL "Limiting Quality Level") (aussi noté LTPD "Lot Tolerance Percent Defective" dans les plans de Dodge-Romig) proportion minimale d'articles non-conformes qui peut être considéré comme une moyenne non satisfaisante par le consommateur. AOQ (p) : Average Outgoing Quality - qualité moyenne de sortie (en inspection rectificatrice) AOQL : Average Outgoing Quality Limit - qualité moyenne maximale (en inspection rectificatrice) ATI : Average Total Inspection ( en inspection rectificatrice) α = alpha = risque du producteur : probabilité de rejeter un lot de qualité AQL β = beta = risque du consommateur : probabilité d'accepter lot de qualité RQL qualité lot_ Pa ( p ) décision AQL RQL_ accepter lot 1 - α β rejeter lot α 1 - β_ α courbe caractéristique β 0 p 0 AQL RQL CLASSIFICATION des PLANS par attribut caractéristique qualitative ( classement conforme / non conforme) (a) simple, double, multiple, séquentiel, en chaîne (ChSP-1), skip lot (SkSP-1) (b) basés sur le AQL : système MIL STD 105 E (ou ANSI/ASQ Z1.4 ou ISO 2859) (c) basés sur le LTPD ou AOQL : système de Dodge-Romig (d) production continue d'unités sans formation de lot : MIL STD 1235 CLASSIFICATION des PLANS pour mesure caractéristique quantitative continue - détails page 5 Bernard Clément, PhD février
2 DESIGN d'un PLAN SIMPLE par ATTRIBUT Plan ( n, c ) : un échantillon de taille n est prélevé (sans remise) c : nombre d'acceptation p = D/N : qualité du lot ( D = p N ) X : nombre de pièces non conformes dans l échantillon X est distribuée selon une loi hypergéométrique ( N, D, n ) qui l'on peut remplacer par une approximation basée sur une loi binomiale ( n, p ) ou une loi de Poisson ( np) P a pn N(1 p) C x n x ( p) = x= 0 N n Hypergéométrique (exacte) (1) n C x n x = p (1 p) x= 0 x = c e np x= 0 x! ( np ) x déterminer n et c tels que P a ( p 1 ) = 1 - α (4) P a ( p 2 ) = β (5) Remarque : une solution exacte de (4) et (5) est rarement possible car n et c doivent être entiers. Méthode 1 : utilisation du l'abaque basé sur la loi binomiale Méthode 2 : approximation basée sur la loi gaussienne n 0 = [ z 1 - α ( p 1 ( 1 - p 1 )) z 1 β ( p 2 ( 1 - p 2 )) 0.5 ] /( p 2 - p 1 ) 2... (6) n = n 0 / ( 1 + n 0 / N) (7) c = n p z 1 α [ n p 1 ( 1 - p 1 ) ( 1 - n /N ) ] (8) où z q est le q ième (0 < q <1 ) quantile d'une variable Z gaussienne centrée réduite N(0,1) z q est la solution de l'équation: Prob ( Z <= z q ) = q (0 < q <1) quantiles souvent utilisés q z q Si q = 0.995, 0.99,., 0.90 alors z q = - z 1 - q ; exemple : z 0.95 = - z 0.05 = Méthode 3 : méthode de Grubb basée sur la loi de Poisson - tableau ci-après valeurs de np pour un risque du producteur de 0.05 (= α) et un risque du consommateur de 0.10 (=β) tableau de Grubb Binomiale : si n / N < 0.1 (2) Poisson : si p "petit" et n est "grand" (3) P a = 0.95 P a = 0.10 P a = 0.95 P a = 0.10 c np 1 np 2 np 2 /np 1 c np 1 np 2 np 2 /np 1 _ Bernard Clément, PhD février
3 Exemple ( méthode 3 ) : risque du producteur de 0.05 pour un AQL = p 1 = et un risque du consommateur de 0.10 pour un RQL = p 2 = 0.09 On calcule le rapport RQL / AQL pour trouver la valeur de c : RQL / AQL = 0.09/ = 5.00 Cette valeur se situe entre c = 2 et c = 3 dans la colonne n p 2 / n p 1 du tableau de Grubb. Il y a plusieurs plans selon que l'on veut satisfaire le AQL ou le RQL. En consultant les colonnes appropriées du tableau on a AQL : avec c = 2, n = np 1 / p 1 = / = arrondi à 46 AQL : avec c = 3, n = np 1 / p 1 = / = arrondi à 76 LQL : avec c = 2, n = np 2 / p 2 = / = arrondi à 60 LQL : avec c = 3, n = np 2 / p 2 = / = arrondi à 75 Le choix entre les 4 plans peut se faire en comparant les courbes caractéristiques ou en utilisant un autre critère comme le coût d'inspection par exemple. INSPECTION RECTIFICATRICE Si : le lot est refusé + l'inspection est non destructrice + économiquement justifiable alors on continue l'inspection à 100% et on remplace toutes les pièces non conformes. AOQ ( p ) = p Pa (p) (1-n/N) (9) AOQL = max AOQ ( p ).... (10) ATI = n + (1 - Pa (p)) (N - n).... (11) n = y N / (N*AOQL + y) ( y : consulter le tableau Dodge-Romig. (12) Les plans du système de plans de Dodge-Romig basés sur le AOQL. Procédure pour le design du plan (n, c) minimisant ATI pour AOQL spécifié à p = p 0 On commence avec c = 0 : calculer n avec (12), P a (p 0 ) avec (3) et ATI avec (11) On recommence avec c = 1, c = 2, et on identifie le plan ( n, c) qui minimise ATI. tableau de Dodge-Romig c Y c Y Bernard Clément, PhD février
4 PROCÉDURE D'UTILISATION DU PLAN STANDARDISÉ MIL STD 105 E (systèmes équivalents : ANSI/ASQC Z1.4 et ISO 2859) Plans pour contrôler la proportion p de produit non conforme par attribut. Remarque: les tableaux associés du standard ne sont pas inclus dans ce formulaire sauf le tableau des lettres codes qui est présenté à la page 6. ÉTAPES 1. Préciser la taille N du lot; la valeur exacte de N n'est pas nécessaire sauf pour les petits lots. 2. En général, on utilise le degré de sévérité d'inspection II. Exceptions: on utilise le degré de sévérité I ou III si le coût d'inspection est élevé ou faible; si l'inspection est destructrice on utilise les degrés S1, S2, S3, S4. 3. Déterminer la lettre code A, B, C,. selon la taille du lot.- Consulter le tableau à la page Préciser la valeur AQL. 5. Choisir le mode normal pour commencer ; déteminer le plan (n, Ac, Re) où n est la taille de l'échantillon à prélever Ac est le nombre maximal d'articles non conformes pour accepter le lot Re est le nombre minimal d'articles non conformes pour rejeter le lot 6. Déterminer les triplets (n, Ac, Re) correspondants pour le mode réduit et le mode sévère. 7. Tirer n unités du lot, inspecter chaque unité et compter le nombre X d'unités non conformes. 8. Si X <= Ac, accepter le lot. Si X >= Re, rejeter le lot. Si Ac < X < Re (en mode réduit), accepter le lot et retourner en mode normal. 9. Prendre action sur le lot rejeté : inspection rectificatrice ou mise en quarantaine. 10. Noter les résultats d'inspection des lots afin d'ajuster le mode selon les règles de changement. RÈGLES DE CHANGEMENT SÉVÈRE 10 lots consécutifs rejetés discontinuer l'inspection 2 lots sur 5 lots consécutifs rejetés 5 lots consécutifs acceptés DÉBUT NORMAL 10 lots consécutifs acceptés 1 lot rejeté ou 1 lot qui satisfait le critère Ac < X < Re RÉDUIT Bernard Clément, PhD février
5 PLANS pour MESURES X caractéristique quantitative - modèle : loi gaussienne N ( mu, sigma ) σ = sigma mu : moyenne sigma : écart type LSL : limite inférieure de spécification sur X USL : limite supérieure de spécification sur X cas 1 : une limite de spécification ( LSL ou USL ) X p LSL = Prob ( X <= LSL) LSL mu USL p USL = Prob ( X >= USL) cas 2 : deux limites de spécification ( LSL et USL ) p global = p LSL + p USL - Plan pour contrôler mu : sigma connu / sigma inconnu Plans ad hoc - Plan pour contrôler sigma : mu connue / mu inconnue - Plans AD HOC pour contrôler la proportion p de produit non conforme: sigma connu / sigma inconnu - Plans STANDARDISÉS pour contrôler la proportion p de produit non conforme: système ANSI/ASQC Z1.9 ( ou MIL STD 414 ou ISO 3951 ) Plan pour contrôler la moyenne mu avec sigma connu : une limite inférieure sur mu La moyenne est utilisée comme un indicateur de la qualité du lot. La procédure est équivalente à un test d'hypothèse sur la moyenne mu avec sigma connu. lot de bonne qualité mu 1 est accepté avec probabilité 1 - α lot de mauvaise qualité mu 2L < = mu 1 est accepté avec probabilité β échantillon de taille n x 1, x 2,.., x n de moyenne Xbar = (x 1 + x x n )/n critère de décision : rejeter le lot si Xbar < = c ; sinon accepter le lot n = sigma 2 [( z α + z β ) /( mu 1 - mu 2L )] (13) c = ( z β mu 1 + z α mu 2L ) /( z α + z β ) (14) Plan pour contrôler la moyenne mu avec sigma connu : deux limites sur mu lot de bonne qualité est mu 1 : on accepte avec probabilité 1 - a lot de mauvaise qualité est mu 2L < = mu 1 lot de mauvaise qualité est mu 2U > = mu 1 : on accepte avec probabilité b : on accepte avec probabilité b hypothèse : mu 1 est au milieu de l intervalle ( mu 2L, mu 2U ) : mu 2U - mu 1 = mu 1 - mu 2L échantillon de taille n x 1, x 2,.., x n de moyenne Xbar = (x 1 + x x n )/n critère de décision : rejeter le lot si Xbar < = c L ou si Xbar > = c U ; sinon accepter le lot n = sigma 2 [( z α /2 + z β ) /( mu 1 - mu 2L )] (15a) = sigma 2 [( z α /2 + z β ) /( mu 1 - mu 2U )] (15b) c L = ( z β mu 1 + z α /2 mu 2L ) /( z α /2 + z β ) (16a) = mu 1 + (z α /2 )(sigma ) / n (16b) c U = mu 1 + (z 1-α /2 )(sigma) / n (17a) = ( z β mu 1 - z α /2 mu 2L ) /( z α /2 + z β ) (17b) = ( z β mu 1 + z α /2 mu 2U ) /( z α /2 + z β ) (17c) Plan pour contrôler la moyenne mu avec sigma inconnu : non présenté dans ce formulaire. Plan pour contrôler sigma : non présenté dans ce formulaire. Bernard Clément, PhD février
6 Plans AD HOC pour contrôler la proportion p de produit non conforme CAS : sigma connu et 1 limite de spécification inférieure LSL sur X Spécification du plan: la probabilité d'accepter un lot de bonne qualité ( p 1 ) est 1 - α ( 0 < p 1 <= p 2 < 1 ) la probabilité d'accepter un lot de mauvaise qualité ( p 2 ) est β la courbe caractéristique du plan passe par les points ( p 1, 1 - α ) et ( p 2, β ) Définition du plan (forme 1 ou méthode k) : couple (n, k) n est la taille de l'échantillon à prélever k est la constante pour décider du rejet / acceptation du lot où n = [( z 1 - α - z β ) /( z p1 - z p2 )] (18) k = z 1 - p1 + (z a ) / n (19) Procédure : - prélever un échantillon de taille n x 1, x 2,.., x n - calculer Xbar = (x 1 + x x n ) /n - calculer Z LSL = ( Xbar - LSL ) /sigma - décision : rejeter le lot si Z LSL < = k ; sinon accepter le lot Définition du plan (forme 2 ou méthode M ) : couple (n, M) n = [( z 1 - a - z β ) /( z p1 - z p2 ) ] (18) k = z 1 - p1 + (z α ) / n (19) M = PROB [ Z > = k ( n / n - 1 ) 0.5 ] (20) où Z est une variable gaussienne centrée réduite N(0,1) Procédure : - prélever un échantillon de taille n, x 1, x 2,.., x n - calculer Xbar = (x 1 + x x n ) /n - calculer Z LSL = ( Xbar - LSL ) / sigma - calculer P LSL = PROB ( Z > = Z LSL ) - consulter un tableau distribution N(0,1) - décision : rejeter le lot si P LSL > = M ; sinon accepter le lot REMARQUE: cas d'une limite de spécification supérieure USL sur X se traite de manière analogue calculer Z USL = ( USL - Xbar ) /sigma et P USL = PROB ( Z > = Z USL ). CAS : sigma connu et 2 limites de spécification sur X: LSL et USL Seule la méthode M s'applique Les formules ci-haut sont modifiées de la manière suivante n = [( z 1 - α /2 - z β ) /( z p1 - z p2 ) ] (21) k1 = z 1 - p1 + (z α /2 ) / n (22) M1 = PROB [ Z > = k1 ( n /n-1 ) 0.5 ] (23) k2 = z 1 - p1 - (z α /2 ) / n (24) M2 = PROB [ Z > = k2 ( n /n-1 ) 0.5 ]... (25) Calculer Z LSL = ( Xbar - LSL ) /sigma et Z USL = ( USL - Xbar ) /sigma Calculer P LSL = PROB [ Z >= Z LSL ] et P USL = PROB [ Z >= Z USL ] décision : rejeter le lot si P LSL + P USL > = M1 + M2 ; sinon accepter le lot CAS : sigma inconnu : non présenté dans ce formulaire ; employer l abaque (p.10 tables) Bernard Clément, PhD février
7 PROCÉDURE D'UTILISATION DU PLAN STANDARDISÉ ANSI/ASQC Z1.9 ( systèmes semblables : MIL STD 414 ou ISO 3951) Plans pour contrôler la proportion p de produit non conforme par mesure. Remarques - les tableaux associés du standard ne sont pas inclus dans ce formulaire sauf le tableau ci- après. - la structure du standard est semblable au standard par attribut ANSI /ASQC Z1.4 avec des éléments identiques et aussi quelques différences: (a) il y a 3 modes d'inspection NORMAL - SÉVÈRE - RÉDUIT (b) les règles de changement s'appliquent (c) les plages pour la taille N du lot sont identiques- consulter le tableau ci après (d) il y a 5 niveaux d'inspection : I, II,III, S3 et S4 ; II est le niveau usuel (e) les tailles n des échantillons sont plus petites avec une même combinaison de N et AQL (f) il y a un tableau de conversion pour les valeurs intermédiaires de AQL AQL limite AQL tableau remarque: les valeurs limites sont inclues dans la limite supérieure de l'intervalle entre 2 valeurs limites consécutives tableau des lettres codes : taille échantillonnale n MESURES ANSI/ASQC Z1.9 TAILLE LOT PLAN ATTRIBUT MIL STD 105 E PLAN MESURE Z1.9 N S1 S2 S3 S4 I II n III S3 S4 I II n III 2 à 8 A A A A A A 2 B B B B B 3 C_ 9 à 15 A A A A A B 3 C B B B B 3 D_ 16 à 25 A A B B B C 5 D B B B C 4 E_ 26 à 50 A B B C C D 8 E B B C D 5 F_ 51 à 90 B B C C C E 13 F B B D E 7 G_ 91 à 150 B B C D D F 20 G B C E F 10 H_ 151 à 280 B C D E E G 32 H B D F G 15 I_ 281 à 400 B C D E E G 32 H C E G H 20 J_ 401 à 500 B C D E F H 50 J C E G I 25 J_ 501 à 1200 C C E F G J 80 K D F H J 35 K_ 1201 à 3200 C D E G H K 125 L E G I K 50 L_ 3201 à C D F G J L 200 M F H J L 75 M_ à C D F H K M 315 N G I K M 100 N_ à D E G J L N 500 P H J L N 150 P_ à D E G J M P 800 Q H K M P 200 P_ et plus D E H K N Q 1250 R H K N P 200 P_ - cas sigma connu : non présenté dans ce formulaire. - cas sigma inconnu : - estimation de sigma avec l'écart type S de l'échantillon - estimation de sigma avec l'étendue R de l'échantillon (non présenté dans ce formulaire) MÉTHODE USL seulement LSL seulement 2 limites: USL et LSL Forme 1 : Méthode k Forme 2 : Méthode M Lot rejeté si Z USL <= k Z LSL <= k ne s'applique pas P USL >= M P LSL >= M P + P M USL LSL >= Bernard Clément, PhD février
8 ÉTAPES : cas σ inconnu - estimation de sigma avec l'écart type S de l'échantillon 1. Préciser la taille N du lot; la valeur exacte de N n'est pas nécessaire sauf pour les petits lots. 2. En général, on utilise le degré de sévérité d'inspection II. Exceptions: on utilise le degré de sévérité I ou III si le coût d'inspection est élevé ou faible; si l'inspection est destructrice on utilise les degrés S3, S4. 3. Déterminer la lettre code A, B, C,. selon la taille du lot - consulter le tableau à la page Préciser la valeur AQL. 5. Si on a une seule limite de spécification on peut employer la méthode k ou la méthode M. Si on a 2 limites de spécification seule la méthode M s applique. 6. UNE LIMITE USL ou USL : MÉTHODE k. Selon la lettre code et le AQL, on détermine la taille n de l'échantillon et la constante k à l'aide du tableau approprié du standard. 6a. Prélever un échantillon de taille n, x 1, x 2,, x n 6b Calculer la moyenne Xbar = (x 1 + x x n ) /n et l'écart type S de l'échantillon. Cas LSL 6c. Calculer Z LSL = ( Xbar -LSL ) /S 6d. Rejeter le lot si Z LSL < = k ; sinon accepter le lot cas USL 6c. Calculer Z USL = ( USL- Xbar ) /S 6d. Rejeter le lot si Z USL < = k ; sinon accepter le lot 7. DEUX LIMITES USL et LSL - MÉTHODE M Selon la lettre code et le AQL, on détermine la taille n de l'échantillon et la constante M à l'aide du tableau approprié du standard. 7a. Prélever un échantillon de taille n, x 1, x 2,, x n 7b. Calculer la moyenne Xbar = (x 1 + x x n ) /n et l'écart type S de l'échantillon. 7c. Calculer Q LSL = ( Xbar -LSL ) /S et Q USL = ( USL - Xbar ) /S 7d. Déterminer les valeurs correspondantes de P LSL et P USL consulter le tableau approprié du standard qui donne la valeur de P en fonction de Q et de n 7e. Si P LSL + P USL >= M rejeter le lot; Si P LSL + P USL >= M accepter le lot Bernard Clément, PhD février
PLAN DE COURS CEGEP DU VIEUX-MONTRÉAL
PLAN DE COURS CONTRÔLE DE LA QUALITÉ 241-B60-VM TECHNIQUE DE GÉNIE MÉCANIQUE 241-06 PONDÉRATION : 2-1-1 Compétence : 012Z Contrôler la qualité d un produit DÉPARTEMENT DE LA MÉCANIQUE CEGEP DU VIEUX-MONTRÉAL
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailAUTRES ASPECTS DU GPS. Partie I : tolérance de Battement Partie II : tolérancement par frontières
AUTRES ASPECTS DU GPS Partie I : tolérance de Battement Partie II : tolérancement par frontières 1 Partie I Tolérance de battement Défaut de Battement Défautconjuguéde forme, orientation et position, constatélorsde
Plus en détailLe suivi de la qualité. Méthode MSP : généralités
Le suivi de la qualité La politique qualité d une entreprise impose que celle maîtrise sa fabrication. Pour cela, elle doit être capable d évaluer la «qualité» de son processus de production et ceci parfois
Plus en détailLA QUALITE, L ASSURANCE DE LA QUALITE ET LA CERTIFICATION ISO 9001
LA QUALITE, L ASSURANCE DE LA QUALITE ET LA CERTIFICATION ISO 9001 I/ HISTORIQUE DE LA QUALITE La qualité est un souci permanent de l homme depuis longtemps. Jusqu au XIX ème siècle, c est l ère artisanale
Plus en détailLa simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
Plus en détailValidation des processus de production et de préparation du service (incluant le logiciel)
Validation des processus de production et de préparation du service (incluant le logiciel) Traduction non officielle du document Réponses et décisions de EK-Med 3.9 B 18 publié sur le site Web de l organisme
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détail500 W sur 13cm avec les modules PowerWave
500 W sur 13cm avec les modules PowerWave Philippe Borghini / F5jwf f5jwf@wanadoo.fr Janvier 2012 Introduction Tout le monde a déjà vu au moins une fois, sur les puces, ces fameuses platines PowerWave
Plus en détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailSOCIETE NATIONALE DES CHEMINS DE FER BELGES SPECIFICATION TECHNIQUE L-70
SOCIETE NATIONALE DES CHEMINS DE FER BELGES SPECIFICATION TECHNIQUE L-70 PIECES EN CAOUTCHOUC POUR ORGANES DE SUSPENSION, DE TRANSMISSION ET D ENTRAINEMENT EDITION: 2005 Version 12/07/2005 ST L70 -Version
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailSystem de Gestion de la Qualité GE Oil & Gas Sourcing Directives pour les inspections FPQ/PLQ ARSB-O&G-004 Rév. : 2.0
Validé par : Nom en lettres d imprimerie ou signature manuscrite Giovanni Cecchi TMS Quality Leader Livio Loschiavo Global Supply Chain & Global Operations QMS Leader Michele Serpi TMS Leader (Facultatif
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailANALYSE DU BESOIN. L ANALYSE FONCTIONNELLE par Jean-Marie VIRELY & all (ENS Cachan) Cette présentation décrit l outil «Analyse du Besoin».
-- Cette présentation décrit l outil «Analyse du Besoin». AA-GC-CL-JMV Page mis à jour le oct 00 L'objectif L'Analyse du Besoin est une méthode qui permet de caractériser le besoin exprimé -- L objet est
Plus en détailGUIDE DU FOURNISSEUR
GUIDE DU FOURNISSEUR La présentation de notre processus de Bon de commande pour les fournisseurs en marketing entraîne de nouvelles exigences dans le processus de facturation. Le présent document résume
Plus en détailNouvelle approche de validation Novo Nordisk
44 ème Congrès International SFSTP 6 et 7 juin 2012 LA CONNAISSANCE SCIENTIFIQUE AU SERVICE DE LA QUALITE PRODUIT Apports du «Quality by Design» et retours d expd expériences Nouvelle approche de validation
Plus en détailExcel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailINSTALLATION DEBIAN 7 (NETINSTALL) SUR VM
INSTALLATION DEBIAN 7 (NETINSTALL) SUR VM PREREQUIS - Environnement de virtualisation : dans notre exemple nous utiliserons Virtual Box (4.2.18) - Une connexion internet sur la machine hôte Récupérer l
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailChapitre 7. Circuits Magnétiques et Inductance. 7.1 Introduction. 7.1.1 Production d un champ magnétique
Chapitre 7 Circuits Magnétiques et Inductance 7.1 Introduction 7.1.1 Production d un champ magnétique Si on considère un conducteur cylindrique droit dans lequel circule un courant I (figure 7.1). Ce courant
Plus en détail.id. _la solution de pilotage de votre entreprise ERP / CRM / BPM. www.groupeid.ch. informatique & développement
.id informatique & développement _la solution de pilotage de votre entreprise ERP / CRM / BPM marketing & crm \ ventes \ achats \ \ \ www.groupeid.ch Un outil performant basé sur des connaissances «métiers»
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailTremplins de la Qualité. Tome 2
Tome 2 CET OUVRAGE EST UN GUIDE D INTERPRETATION DE LA NORME NF EN ISO 9001 VERSION 2000 AVANTPROPOS Ce guide d aide à la rédaction du Manuel de Management de la Qualité a été rédigé par la Fédération
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailCours de Probabilités et de Statistique
Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles
Plus en détailBONUS MALUS. Voici, la façon de calculer la prime : Le montant de la prime à acquitter est égale à : P = PB. C où : P
BONUS MALUS Le propriétaire d un véhicule automobile est tenu d assurer sa voiture auprès d une compagnie d assurances. Pour un véhicule donné, le propriétaire versera annuellement une «prime» à sa compagnie.
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailTriangle de Pascal dans Z/pZ avec p premier
Triangle de Pascal dans Z/pZ avec p premier Vincent Lefèvre (Lycée P. de Fermat, Toulouse) 1990, 1991 1 Introduction Nous allons étudier des propriétés du triangle de Pascal dans Z/pZ, p étant un nombre
Plus en détailLES DECIMALES DE π BERNARD EGGER
LES DECIMALES DE π BERNARD EGGER La génération de suites de nombres pseudo aléatoires est un enjeu essentiel pour la simulation. Si comme le dit B Ycard dans le cours écrit pour le logiciel SEL, «Paradoxalement,
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailRELAIS STATIQUE. Tension commutée
RELAIS STATIQUE Nouveau Relais Statique Monophasé de forme compacte et économique Coût réduit pour une construction modulaire Modèles disponibles de 15 à 45 A Modèles de faible encombrement, avec une épaisseur
Plus en détailPROCÉDURE D'APPEL D'OFFRES ET D'OCTROI POUR LES ACHATS D'ÉLECTRICITÉ
PROCÉDURE D'APPEL D'OFFRES ET D'OCTROI POUR LES ACHATS D'ÉLECTRICITÉ INTRODUCTION Hydro-Québec, dans ses activités de distribution d'électricité («Distributeur»), doit conclure des contrats d'approvisionnement
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailBureau N301 (Nautile) benjamin@leroy-beaulieu.ch
Pre-MBA Statistics Seances #1 à #5 : Benjamin Leroy-Beaulieu Bureau N301 (Nautile) benjamin@leroy-beaulieu.ch Mise à niveau statistique Seance #1 : 11 octobre Dénombrement et calculs de sommes 2 QUESTIONS
Plus en détailRÈGLEMENT INTÉRIEUR DE LA COMMANDE PUBLIQUE
RÈGLEMENT INTÉRIEUR DE LA COMMANDE PUBLIQUE Article 1 Lorsque les marchés publics de fournitures, services et travaux sont d un montant inférieur au seuil de 230 000 euros HT, l autorité adjudicatrice
Plus en détailComment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie
Partie I : Séries statistiques descriptives univariées (SSDU) A Introduction Comment se servir de cet ouvrage? Chaque chapitre présente une étape de la méthodologie et tous sont organisés selon le même
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailLA FONCTION QUALITE & LE LEAN MANUFACTURING 6 MARS 2009. François Liotard Directeur Développement Industriel Directeur Ressources Humaines
LA FONCTION QUALITE & LE LEAN MANUFACTURING 6 MARS 2009 François Liotard Directeur Développement Industriel Directeur Ressources Humaines QUALITE ET LEAN MANUFACTURING SOMMAIRE INTRODUCTION SUR LE LEAN
Plus en détailConcurrence imparfaite
Concurrence imparfaite 1. Le monopole 2. Concurrence monopolistique 3. Hotelling et Salop 4. Concurrence à la Cournot 5. Concurrence à la Bertrand 6. Concurrence à la Stackelberg Monopole Un monopole,
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailAnalyse des Systèmes Asservis
Analyse des Systèmes Asservis Après quelques rappels, nous verrons comment évaluer deux des caractéristiques principales d'un système asservi : Stabilité et Précision. Si ces caractéristiques ne sont pas
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailLE CONTRÔLE INTERNE GUIDE DE PROCÉDURES
LE CONTRÔLE INTERNE GUIDE DE PROCÉDURES Direction du développement des entreprises Préparé par Jacques Villeneuve, c.a. Conseiller en gestion Publié par la Direction des communications : janvier 1995 Réédité
Plus en détailACT3284 Modèles en assurance IARD Examen Final - 14 décembre 2011
#1 À partir de l'information ci-dessous : Sinistres payés cumulatifs Réserves aux dossiers 12 mois 24 mois 36 mois 12 mois 24 mois 36 mois 2008 240,000 393,600 499,200 2008 160,000 120,000 79,200 2009
Plus en détailInstructions et spécifications pour la transmission en format XML de déclarations par lots. 30 mai 2015 MODULE 1
Instructions et spécifications pour la transmission en format XML de déclarations par lots 30 mai 2015 MODULE 1 Table des matières Modifications apportées dans la présente... 3 1 Renseignements généraux...
Plus en détailVanne de réglage pneumatique types 3249-1 et 3249-7 Vanne aseptique à passage équerre type 3249
Vanne de réglage pneumatique types 3249-1 et 3249-7 Vanne aseptique à passage équerre type 3249 Application Vannes de réglage pour applications aseptiques dans l industrie pharmaceutique et alimentaire
Plus en détailLes mécanismes d'assurance et de contrôle de la qualité dans un
Les mécanismes d'assurance et de contrôle de la qualité dans un projet Agile SPIN de Montréal - ETS 5 mars 2012 Qui sommes nous? mathieu boisvert Coach Agile Chargé de cours Co auteur d un livre avec Sylvie
Plus en détailApprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière
Apprentissage incrémental par sélection de données dans un flux pour une application de sécurité routière Nicolas Saunier INRETS Télécom Paris Sophie Midenet INRETS Alain Grumbach Télécom Paris Conférence
Plus en détailMANUEL L I A I S O N B A N C A I R E C O D A D O M I C I L I A T I O N S I S A B E L 6
MANUEL L I A I S O N B A N C A I R E C O D A D O M I C I L I A T I O N S I S A B E L 6 1 Fonctionnement général Un certain nombre d opérations bancaires peuvent être automatisées de façon aisée. L introduction
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Plus en détailCLASSEMENT ET ARCHIVAGE
Page : 1/5 INSTRUCTION WI-CAM-QUAL-005-F Seule la version informatique est mise à jour, avant toute utilisation consulter sur le réseau Intranet la version en cours de ce document Page : 2/5 HISTORIQUE
Plus en détailProbabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1
Introduction Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 L auteur remercie Mme Sylvie Gervais, Ph.D., maître
Plus en détailCommandez en ligne vos flammes publicitaires
Commandez en ligne vos flammes publicitaires NOUVEAU : confectionnez vous-même votre flamme publicitaire personnalisée pour votre machine à affranchir sur notre site internet. Instructions pour L enregistrement
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailPrincipes de mathématiques 12 SÉRIE DE PROBLÈMES. Septembre 2001. Student Assessment and Program Evaluation Branch
Principes de mathématiques 12 SÉRIE DE PROBLÈMES Septembre 2001 Student Assessment and Program Evaluation Branch REMERCIEMENTS Le Ministère de l Éducation tient à remercier chaleureusement les professionnels
Plus en détailverope AG St. Antons-Gasse 4a CH-6300 Zug / Switzerland Tél: +41 (0) 41 72 80 880 Fax: +41 (0) 41 72 80 888
Catalogue Général verope AG est une société en Joint Venture entre Pierre Verreet, fondateur et président de verope, et Kiswire, située en Corée du Sud. La démarche de verope est de concevoir et de fabriquer
Plus en détailDérivation : Résumé de cours et méthodes
Dérivation : Résumé de cours et métodes Nombre dérivé - Fonction dérivée : DÉFINITION (a + ) (a) Etant donné est une onction déinie sur un intervalle I contenant le réel a, est dérivable en a si tend vers
Plus en détailMémo d'utilisation de BD Dico1.6
Mémo d'utilisation de BD Dico1.6 L'application BDDico a été développée par la Section Cadastre et Géomatique de la RCJU. Son utilisation demeure réservée aux personnes autorisées. Les demandes d'utilisation
Plus en détailLE RESEAU GLOBAL INTERNET
LE RESEAU GLOBAL INTERNET 1. INTRODUCTION Internet est un réseau international, composé d'une multitude de réseaux répartis dans le monde entier - des réseaux locaux, régionaux et nationaux, ainsi que
Plus en détailProgramme OMS de Bonne Gouvernance dans le secteur pharmaceutique
TABLE RONDE ReMeD 2009 Le rôle du pharmacien pour améliorer la qualité et la disponibilité des médicaments essentiels Paris, le 9 novembre 2009 FIAP Jean Monnet Programme OMS de Bonne Gouvernance dans
Plus en détailPlateforme de vente aux enchères et de vente de gré à gré du ministre. Guide de l utilisateur
Plateforme de vente aux enchères et de vente de gré à gré du ministre Guide de l utilisateur Table des matières SECTION I INTRODUCTION...1 SECTION II OUVERTURE D UNE SESSION DANS LA PLATEFORME DE VENTE
Plus en détailLeçon 11. les tâches de gestion du magasin
CANEGE Leçon 11 les tâches de gestion du magasin Objectif : A l'issue de la leçon l'étudiant doit être capable : d'appréhender la différence entre gestion dynamique des stocks et gestion des magasins d
Plus en détailUE C avancé cours 1: introduction et révisions
Introduction Types Structures de contrôle Exemple UE C avancé cours 1: introduction et révisions Jean-Lou Desbarbieux et Stéphane Doncieux UMPC 2004/2005 Introduction Types Structures de contrôle Exemple
Plus en détailIndividualisation de votre contrat de fourniture d eau
GUIDE PRATIQUE Individualisation de votre contrat de fourniture d eau Édition 2015 1 1 - L ESSENTIEL Vous souhaitez réaliser une demande d individualisation SOMMAIRE Bienvenue chez Eau de Paris! 1 L essentiel
Plus en détailÉté 2015 Renseignements généraux
Été 2015 Renseignements généraux Calendrier des inscriptions A) ÉTUDIANTS DU COLLÈGE MONTMORENCY inscrits dans un programme de DEC au secteur Régulier ou à la Formation continue à la session Hiver 2015.
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailCréer et modifier un fichier d'import des coordonnées approximatives avec Excel
Créer et modifier un fichier d'import des coordonnées approximatives avec Excel Manuel d'utilisation Date: 26.03.2015 Version: 1.0 Auteur: Christoph Rüfenacht Statut: En cours Libéré Classification: publique
Plus en détailConditions Générales d Intervention du CSTB pour la délivrance d une HOMOLOGATION COUVERTURE
DEPARTEMENT ENVELOPPES ET REVETEMENTS Constructions Légères et Couvertures Conditions Générales d Intervention du CSTB pour la délivrance d une HOMOLOGATION COUVERTURE Livraison Cahier V1 de Mars 2010
Plus en détailAméliorer la Performance des Fournisseurs
Les Solutions SQA de Solumina L Assurance Qualité Fournisseur Figure 1 Influence sur les affaires de nos clients actuels. Réduire des Stocks lors des Inspections Le Système de Contrôle Qualité Fournisseurs
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailLogiciel de Télégestion
2 530 Logiciel de Télégestion pour centrales de communication OCI600 ACS600 Logiciel pour la télégestion d'une ou de plusieurs centrales de communication OCI600. Version MS-WINDOWS. Domaines d'application
Plus en détailexigences des standards ISO 9001: 2008 OHSAS 18001:2007 et sa mise en place dans une entreprise de la catégorie des petites et moyennes entreprises.
R E S U M E de la Thése de doctorat Perfectionnement du systemé de management intégré qualité-responsabilité sociale-santé et sécurité occupationnelle élaborée par Monsieur le thésard Denuntzio C. Romeo,
Plus en détailGLOSSAIRE DU SOUTIEN EN CAS DE RECOURS EN JUSTICE
SOLUTIONS DE GESTION DE DOCUMENTS GLOSSAIRE DU SOUTIEN EN CAS DE RECOURS EN JUSTICE Le jargon du métier Initiation au soutien en cas de recours en justice Ce glossaire présente la terminologie et les notions
Plus en détailConditions générales de locationa
Conditions générales de locationa Les présentes conditions générales s appliquent pour tous les contrats d hébergement de vacances via Vacasol International A/S (définis comme Vacasol). Vacasol organise
Plus en détailAxiomatique de N, construction de Z
Axiomatique de N, construction de Z Table des matières 1 Axiomatique de N 2 1.1 Axiomatique ordinale.................................. 2 1.2 Propriété fondamentale : Le principe de récurrence.................
Plus en détailCe document a pour objet : de rappeler les principes de base d information concernant les coordonnées bancaires,
Migration vers les paiements SEPA : Recommandations à l intention des donneurs d ordres pour la migration de leurs fichiers de RIB vers les couples IBAN + BIC correspondants 3 ème version - octobre 2010
Plus en détailMode Opératoire Ciel Gestion commerciale V 12 et s (2006)
1/6 09/05/2006-18:44:31 Mode Opératoire Ciel Gestion commerciale V 12 et s (2006) C. Terrier Reproduction autorisée pour des formateurs dans un cadre pédagogique et non commercial après autorisation de
Plus en détailCOORDINATION NON COOPÉRATIVE: MÉTHODES D ENCHÈRES
COORDINATION NON COOPÉRATIVE: MÉTHODES D ENCHÈRES Cours 6c Principe Protocole centralisé, un commissaire-priseur/vendeur (auctioneer) et plusieurs enchérisseurs/acheteurs (bidders) Le commissaire-priseur
Plus en détailBulletin du Programme des permis de réseaux municipaux d'eau potable
Ministère de l Environnement Bulletin du Programme des permis de réseaux municipaux d'eau potable Direction du contrôle de la qualité de l eau potable Bulletin à l intention des propriétaires et exploitants
Plus en détail3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes
PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason
Plus en détail