Abstract FR:

A partir des besoins particuliers d'un cas industriel concret : l'étude de la fiabilité et de la sécurité des munitions en cours de développement à MANURHIN DEFENSE, filiale du groupe GIAT INDUSTRIES, cette thèse présente comment il est possible d'utiliser les méthodes statistiques bayésiennes pour réduire le nombre d'essais sur les nouveaux produits et, par la même occasion, pour réduire les coûts de développement. Après un résumé complet de ces méthodes, et plus particulièrement dans le cas des probabilités de défaillance à la sollicitation, cette étude est également l'occasion de proposer une nouvelle méthodologie pour modéliser la connaissance a priori à partir des études de sûreté de fonctionnement. En effet, dans le cas de l'analyse des nouveaux produits, c'est dans ces études que la connaissance disponible est modélisée. Cette méthodologie permet notamment de modéliser la distribution a priori Bêta, conjuguée de la loi binomiale, à partir des A. M. D. E. C. Et des arbres de défaillances. A titre de conclusion, des exemples et quelques voies de généralisation sont exposées. Dans un second temps, une dernière partie présente comment vérifier que la modélisation a priori est compatible de la vraisemblance. Ce point, qui constitue l'un des éléments les plus sensibles des statistiques bayésiennes, trouve dans cette étude, non seulement une réponse, mais il offre également une possibilité pour pondérer la distribution a priori avant de l'intégrer à la distribution de vraisemblance et en fonction de leur degré de similitude. Cet outil permet ainsi de s'affranchir des interprétations difficiles, voire erronées, dans le cas où la distribution a priori est male modélisée et incompatible des données observées. Pour conclure, il faut rappeler que ces méthodes ont été utilisées avec succès à MANURHIN DEFENSE et elles ont permis de démontrer la fiabilité et la sécurité de nouvelles munitions sans réaliser d'essais supplémentaires. En outre, les deux principales voies de recherche de cette thèse ouvrent des voies nouvelles dans l'application des méthodes bayésiennes qui pourront aisément être optimisées et généralisées à l'ensemble des cas d'application usuels.