- •Клевлеев в.М. Статистические методы контроля и управления качеством
- •1 Качество и обеспечение качества
- •1.1 Качество как стратегическая цель предприятия
- •1.2 Различия в качестве и их причины
- •1.3 Обеспечение качества
- •Обеспечение качества
- •1.5 Систематизация методов статистического обеспечения качества
- •Статистическое обеспечение качества
- •2 Основы статистического обеспечения качества
- •2.1 Распределение признаков качества
- •2.1.1 Распределение дискретных признаков
- •2.1.1.1 Равномерное распределение и некоторые понятия теории статистических распределений
- •2.1.1.2 Распределение Бернулли
- •2.1.1.3 Гипергеометрическое распределение
- •2.1.1.4 Биномиальное распределение
- •2.1.1.5 Распределение Пуассона
- •2.1.2 Распределение непрерывных признаков
- •2.1.2.1 Равномерное распределение
- •2.1.2.2 Экспоненциальный (показательный) закон распределения
- •2.1.2.3 Нормальный (гауссовский) закон распределения
- •Замечание. Очевидно, что события, состоящие в осуществлении неравенства и, противоположные. Поэтому, если вероятность осуществления неравенстваравна, то вероятность неравенстваравна.
- •2.2 Статистическая проверка статистических гипотез
- •2.2.1 Процедура проверки статистических гипотез и свойства параметрических критериев
- •2.2.1.1 Процедура проверки статистической гипотезы
- •1. Определение генеральной совокупности и типа распределения
- •2. Формулировка гипотезы
- •3. Определение контрольной величины и ее распределение в случае принятия гипотезы
- •4. Задание уровня значимости и определение области отклонения гипотезы
- •5. Принятие решения и его интерпретация
- •2.2.1.2 Примеры проверки статистических гипотез
- •2.2.1.2.1Доверительные интервалы для оценки математического ожидания нормального распределения
- •2.2.1.2.1.1Среднее квадратическое отклонениеизвестно
- •2.2.1.2.1.2Среднее квадратическое отклонениенеизвестно
- •2.2.1.2.1.3Доверительные интервалы для оценки среднего квадратического отклонениянормального распределения
- •2.2.1.2.1.4Оценка значимости отношений дисперсий двух нормально распределенных совокупностей
- •2.2.1.2.1.5Проверка гипотез относительно параметров нормально распределенных генеральных совокупностей
- •2.2.1.2.1.6 Последовательный анализ
- •2.3 Выборки значений показателей качества
- •2.3.1 Основные понятия теории выборочного метода
- •2.3.2 Методы реализации случайного отбора выборок штучной продукции
- •0 1 2 . . . . . . . . . . . 2 1 0
- •2.3.3 Обеспечение представительности выборок
- •2.3.4 Выборочные характеристики и их свойства
- •3 Приемочный контроль
- •3.1 Основные понятия
- •3.1.1 Общие требования
- •3.1.2 Выбор планов и схем статистического приемочного контроля качества и требования к достоверности контроля
- •3.2 Статистический приемочный контроль по количественному признаку
- •3.2.1 Взаимосвязь между долей брака в партии и уровнем настройки производственного процесса
- •3.2.2 Планы выборочного контроля при одностороннем ограничении и известной дисперсии
- •3.2.2.1 Описание метода контроля и выбор контрольных величин
- •3.2.2.2 Оперативная характеристика и ее параметры
- •3.2.2.3 Построение плана выборочного контроля при заданных рисках производителя и потребителя
- •3.2.3 Планы выборочного контроля при одностороннем ограничении и неизвестной дисперсии
- •3.2.3.1 Контрольные величины
- •3.2.3.2 Оперативная характеристика и построение плана контроля при заданном риске потребителя и производителя
- •3.2.4 План выборочного контроля при двустороннем ограничении
- •3.2.5 Национальные стандарты приемочного контроля по количественному признаку
- •3.2.5.1 Выборочный контроль по количественному признаку на основе приемлемого уровня качества
- •3.2.5.2 Выборочный контроль по количественному признаку на основе нормативного уровня несоответствий
- •3.2.5.3 Последовательные планы выборочного контроля по количественному признаку
- •3.2.5.4 Выборочный контроль нештучной продукции
- •3.3 Статистический приемочный контроль по качественному признаку
- •3.3.1 Однократные планы контроля
- •3.3.1.1 Описание метода контроля. Использование теоремы Моода
- •3.3.1.2 Оперативная характеристика при гипергеометрической функции распределения числа дефектных изделий
- •3.3.1.3 Биномиальная оперативная характеристика
- •3.3.1.4 Оперативная характеристика при распределении Пуассона
- •3.3.1.5 Сравнение трех оперативных характеристик
- •3.3.2 Параметры простых планов контроля
- •3.3.2.1 Квантили оперативных характеристик
- •0 0.1 Р0 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
- •3.3.2.2 Средний выходной уровень дефектности, предел среднего выходного уровня дефектности (и)
- •3.3.2.3 Среднее число проконтролированных изделий в партии и доля проконтролированных изделий (и)
- •3.3.2.4 Контроль с прерыванием и средний объем выборки ()
- •3.3.3 Построение простых планов контроля с заданными свойствами
- •3.3.3.1 Задание риска потребителя и риска поставщика
- •3.3.3.2 Другие исходные данные
- •3.3.4 Двукратные планы выборочного контроля
- •3.3.4.1 Описание метода контроля
- •3.3.4.2 Оперативная характеристика
- •3.3.4.3 Средний объем выборки
- •3.3.4.4 Другие параметры плана
- •3.3.4.5 Эквивалентные однократные и двукратные планы выборочного контроля
- •3.3.5 Многократные планы контроля
3.3 Статистический приемочный контроль по качественному признаку
В дальнейшем исходим из того, что каждое изделие в партии объемом в зависимости от значения признака качества можно сопоставить только с двумя взаимоисключающими категориями: «хорошо» - «плохо» или «годное» - «брак». Пустьобозначает неизвестное число «плохих» изделий в партии, тогда уровень дефектности партии объемомможно охарактеризовать числом дефектных изделий. Однако для характеристики уровня качества целесообразнее применять меру, допускающую прямое сравнение партий различного объема. Такой мерой являетсядоля брака в партии или уровень ее дефектности, а также процент брака в партии .
3.3.1 Однократные планы контроля
3.3.1.1 Описание метода контроля. Использование теоремы Моода
Планы контроля, согласно которым контроль по альтернативному (качественному) признаку проводят на основании результатов только одной выборки из партии, называют однократными планами контроля (англ.: single sampling plans for attributes). При таком плане из партии берут выборку объемом , вычисляют общее числобракованных элементов в выборке, и партию принимают только тогда, когдане превышает заданного наибольшего значенияили, называемогоприемочным числом. В структурограмме (рис. 3.13) представлен ход этого процесса.
Рис.3.13. Структурограмма одноступенчатого плана контроля по качественному признаку
На рис.3.13 через обозначен счетчик числа дефектных изделий в выборке, содержимое которого вначале обнуляется, а при каждом вновь обнаруженном дефектном изделии увеличивается на 1. После проверки всехизделий выборки в полестоит реализация переменной. Индексвозрастает здесь с 1 до.
Таким образом, однократный план контроля определяется тремя целочисленными неотрицательными параметрами ,и, которые соотносятся друг с другом следующим образом:. План контроля с заданными параметрами,и, как правило, называютоперативным планом . Как при заданном объеме определяют параметрыи, рассмотрим ниже.
В некоторых сборниках планов контроля вместо приемочного числа даетсябраковочное число илив качестве параметра плана. Это то наименьшее число дефектных изделий в выборке, начиная с которого партия должна быть забракована. Перед применением плана контроля необходимо постоянно проверять, какое число задано.
Применению однократного плана контроля по рис.3.13 соответствует проведение процедуры проверки гипотезы:
(3.52)
с «критическим» уровнем дефектности . Объем выборки и контролируемая величина обозначены черези, области приемки партии и ее браковки - черези. Эффективность критерия (3.52) оценивают с помощью оперативной характеристики:
(3.53)
Оперативная характеристика (3.53) строго монотонно убывает по , то есть с растущей долей бракавероятность принятия партии падает. В следующих разделах мы проанализируем ход кривой оперативной характеристики (3.53), причем рассмотрим при этом различные распределения величины X.
Схематично изображенный на рис.3.13 метод контроля на первый взгляд очень разумен. Он кажется логичным, поскольку при большом количестве брака в выборке естественно допустить, что и в непроверенном остатке объемомнеизвестное количество бракованных изделийтоже высоко, и поэтому партию необходимо забраковать. Возникает вопрос, всегда ли верным будет решение, полученное в соответствии с правилом, изображенным на рис.3.13. Для этого воспользуемся теоремой Моода.
Исходим из того, что партия является выборкой, а именно - конечной выборкой объемом из статистической совокупности с потенциально бесконечным числом изделий, то есть выборкой из потока продукции изготовителя. Меняющийся уровень качества продукции и способ отбора партии позволяют рассматривать число дефектных изделий в партии как еще неизвестное значениеслучайной величины. Предположение о количестведефектных изделий в партии можно сделать с помощью функции распределения
, (3.54)
которую в контексте используемой здесь терминологии из статистики Бейеса называют априорной функцией распределения. Пусть
,
означают, в предположении их существования, математическое ожидание и дисперсию числа дефектных изделий в партии, а
(3.55)
- количество брака в остатке партии. Используя эти обозначения, сформулируем теорему.
Теорема Моода
Из партии объемом берется случайная выборка без возвращения объемом. Обозначим
(3.56)
Тогда корреляция между числом дефектных изделий в выборке и числом дефектных изделийв непроверенном остатке
положительна, если ,
равна нулю, если ,
отрицательна, если .
Итак, теорема Моода говорит о взаимозависимости числа дефектных изделий в выборке и остатке партии, но не во всей партии. Моод также показал, что корреляция между числом дефектных изделий в выборке и во всей партиивсегда неотрицательна - есливелико, тотакже должно быть велико, так как разность (3.55) не должна быть отрицательной.
Какое же значение имеет эта теорема для приемочного контроля по качественному признаку? Когда имеет смысл (со статистической точки зрения) применять процедуру, представленную на рис.3.13?
Рассмотрим случай, когда корреляция между случайными величинами ив теореме Моода положительна. Положительная корреляция означает, что чем больше, тем больше в среднем получается и. И наоборот, при маломмало и. Поэтому правило принятия решения при проведении процедуры, схематично изображенной на рис.3.13 (согласно которому партия принимается, еслине превосходит определенного значения), в этом случае является обоснованным.
При отрицательной корреляции между иизложенное выше силы не имеет. Из отрицательной корреляции следует, что при большом (малом)значениев среднем будет меньшим (большим). Поэтому правило принятия решения при проведении процедуры, изображенной на рис.3.13, здесь необходимо обратить на противоположное. Итак, при малом числе дефектных изделий в выборкепартию нужно браковать, а при большом- принимать (бракуют, если, принимают, если).
В случае если корреляции между иотсутствует, то по уровню дефектности в выборке, мерой которого является, нельзя судить об уровне дефектностив непроверенном остатке. В этом случае целесообразнее отказаться от взятия выборки или провести сплошной контроль.
При изложении материала в следующих разделах мы будем исходить из того, что число дефектных изделий в выборке положительно коррелируется с числом дефектных изделийв непроверенном остатке партии. Это предположение обеспечивает обоснованность изображенного на рис.3.13 правила принятия решения.
Пример 3.17 Пусть дана последовательность партий объемом . Эти партии с вероятностьюне содержат дефектных изделий, и с вероятностьюсодержат исключительно дефектные изделия. Априорное распределение (3.54) имеет тогда вид
при ,
при , (3.57)
при .
Это двухточечное распределение, причем
; .
Из формулы (3.56) отсюда следует
.
Итак, в этом случае из теоремы Моода следует, что число дефектных изделий в выборке и число дефектных изделий в непроверенном остатке партииположительно коррелированны и правило принятия решения по рис.3.13 со статистической точки зрения обосновано.
Пример 3.18 Считается, что производственный процесс является подконтрольным, если каждое изготовленное изделие с одинаковой вероятностью может быть дефектным, и если дефектные и недефектные изделия образуют последовательность независимых случайных величин, распределенных по закону Бернулли. Если эти изделия объединить в партию, состоящую изэлементов, то числодефектных изделий в партии будет иметь распределение. Поэтому априорное распределение имеет вид
.
Величина с распределениемимеет следующие моменты:
, ,
причем . Тогда
.
Здесь имеет место частный случай теоремы Моода, когда ине коррелированны (можно даже показать, что обе величины статистически независимы). Если мы располагаем (на практике почти никогда не существующей) априорной информацией о том, что число дефектных изделии в партии распределено по биномиальному закону, то целесообразнее будет отказаться от выборочного контроля и партию принять без контроля, поскольку доля брака, обычная для данного производителя, приблизительно известна (по прошлому опыту) и не превышает значения, удовлетворяющего потребителя. Если же доля брака в производственном процессе превышает допустимое значение, то нужно заставить поставщика рассортировать партию или же просто найти другого поставщика.
Пример 3.19 Пусть, как и в предыдущем примере, дана последовательность партий, имеющих постоянный объем и одно и то же число дефектных изделий, причем. Тем самым для априорного распределения имеем:
при ,
при .
Это одноточечное распределение с моментами
; .
Вычисляем выражение (3.56)
.
Это тот случай теоремы Моода, когда корреляция между иотрицательна, и неблагоприятный результат контроля выборки должен привести к приемке проверенной партии. На практике предположение о какой-то постоянной доле брака нереально.
Пример 3.20 Если о процессе изготовления заранее нет никакой информации, то зачастую просто предполагают, что все значения числа дефектных изделийв партии объемомимеют одну и ту же вероятность. Какой вид имеет в данном предположении априорное распределение (3.54)?
при
0 в противном случае
Переменная подчиняется равномерному распределению.
Обоснована ли здесь процедура принятия решения по рис.3.13?
Математическое ожидание и дисперсия этого распределения соответственно равны:
, .
.
Таким образом, правильность принятия процедуры по рис.3.13 подтверждается.
Примечание. Чтобы определить, с какой из названных в теореме Моода возможностей имеют дело в конкретном случае, необходимо знать априорное распределение , с помощью которого можно определить моменты и оценить правило (3.56). Но на практикеобычно неизвестно. Тогдаможно задать заранее или распределениеоценить по известным значениям доли брака в поставленных раннее партиях. Дедуктивный вывод распределениявозможен, когда известно распределение уровня дефектности для производственного процесса и известны пути образования партии как выборки объемом.