Выход из кризиса. Новая парадигма управления людьми, системами и процессами

Каким бы ни был план контроля, можно быть уверенным, что

P = 0 и Q = 1, если n = 0, P = 1 и Q = 0, если n = N.

Теперь давайте посмотрим, что случится со средней партией, когда мы приведем этот план в действие:

n изделий попадут в производство без дефектов;

(N – n) Q изделий попадут прямо в производство без испытаний, со средним качеством p;

(N – n) P будут забракованы и отсеяны. Все они затем попадут в производство без дефектов.

А. Покажите, что средние полные затраты на одно изделие будут равны

C = k₁ {1/q + Q (k₂/k₁)(p''– k₁/k₂)(1 – n/n)}.

Б. Если p < k₁/k₂, тогда p''– k₁/k₂ будет отрицательным и мы достигнем минимума средних полных затрат при n = 0 (случай 1).

В. Если p > k₁/k₂ и если нам удастся найти план, для которого p''– k₁/k₂ будет отрицательным, то средние полные затраты будут меньше, чем стоимость 100 %-ного контроля.

Г. Но если, несмотря на все наилучшие усилия, наш план приведет к тому, что p''– k₁/k₂ будет положительным, то полные затраты будут больше, чем это было бы при 100 %-ном контроле всех входящих изделий. Это та же самая неприятная ловушка, которую мы учились избегать в упражнении 5.

Рис. 56. Партия из 50 бусин, извлеченных механически с помощью лопатки с 50-ю углублениями из большой партии красных и белых бусин. Мы рассматриваем 20 бусин как выборку, а остальные 30 – как остаток

Приложение к главе 15 Эмпирическая демонстрация нулевой корреляции между числом дефектных изделий в выборке и числом дефектных изделий в оставшейся части, когда процесс находится в состоянии статистического контроля

Эксперимент с красными и белыми бусинами, описанный в главе 11, можно легко модифицировать, чтобы в течение нескольких минут продемонстрировать нулевую корреляцию между числом дефектных изделий в выборке из партии и числом дефектных изделий в оставшейся части.

Математическое доказательство содержится в уравнении (4) из упражнения 1. Те же эксперименты демонстрируют наличие слабой корреляции между выборками и партиями.

В эксперименте надо всего лишь разделить на две части партию из 50 бусин, одна часть будет выборкой, другая – остатком (рис. 56). Для каждой партии сосчитайте и запишите число красных бусин в выборке и в остатке; затем верните 50 бусин этой партии в емкость. Перемешайте бусины и извлеките новую партию.

Полезно ввести некоторые обозначения. Партии постоянного объема N поступают с дефектами, распределенными биномиально со средним значением p. Из каждой партии извлекается без возврата выборка постоянного объема n. Считается число дефектов в каждой выборке и в каждом остатке. Пусть число дефектов в выборке будет s, а число дефектов в остатке – r (как и раньше). Тогда s и r будут случайными числами, для совместного распределения которых существует уравнение (4)). Пусть

= s/n, доля красных в выборке,

'= r/(N – n), доля красных в остатке,

E

= p,

Var

= pq/n,

E

'= p,

Var

'= pq/(N – n),

Cov (

,

') = 0.

Дисперсии

и

' уменьшаются с ростом N и n. Следовательно, большая выборка из крупной партии обеспечивает информацию о числе дефектов в оставшейся части совокупности и в партиях. Более того, мы можем для количественной проблемы (когда наша цель – дать характеристику партии по выборке) применить выборочную теорию для оценки партии и стандартных ошибок этих оценок.

Теперь взглянем на некоторые реальные результаты для выбранных объемов партий и выборок. На рис. 57–60 показана доля красных бусин в биномиальных выборках и остатках для выбранных значений N и n (данные были любезно подготовлены моим другом Бенджамином Теппингом на его компьютере). На самом деле выборка и оставшаяся часть – это выборки из одной и той же партии. На каждом графике представлены 100 выборок. Графики явно демонстрируют нулевую корреляцию между выборкой и остатком. Но чем больше выборка, тем лучше оценка доли красных бусин в выборках и остатках. Так, рис. 60 для выборки n = 1000 и остатка N – n = 9000 показывает, что большая выборка обеспечивает хорошую оценку как остатка, так и всей совокупности (выборка плюс остаток – в нашем случае чаша с красными и белыми бусинами), даже несмотря на то, что выборка и остаток некоррелированы. Удивительная особенность статистической теории состоит в том, что она позволяет нам по одной-единственной выборке, если та достаточно велика, вычислить размер поля, которое покрывает на рис. 57–60 в среднем 95 % (например) возникших точек. Таким образом, выборочная теория обеспечивает оценки остатков и всех партий, а также дает значения стандартных ошибок этих оценок [118] .

118

Я благодарен моему другу д-ру Морису Хансену, указавшему мне на эту черту выборок, извлекаемых из больших партий для количественных целей. См. Э. Деминг, «On probability as a basis of action», American Statistician 29, no. 4 (1975): 146–152. – Прим. авт.

Рис. 57. N = 50, n = 20. Здесь выборка и остаток близки по объему, 20 и 30 соответственно. График показывает отсутствие корреляции между долей красных бусин в выборке и долей красных бусин в остатке

Рис. 58. N = 600, n = 20. Здесь вариации в доле красных бусин в остатке явно намного меньше, чем в выборке. Причина в том, что остаток имеет объем N – n = 600 – 20 = 580 , что многократно превышает объем выборки. Здесь снова корреляция между долей красных бусин в выборке и долей красных бусин в остатке, по-видимому, равна нулю

Рис. 59. N = 600, n = 200. Здесь видно, что происходит, когда мы увеличиваем объем выборки до 200 и уменьшаем объем остатка до 400. Этот график, как и раньше, иллюстрирует нулевую корреляцию между долей красных бусин в выборке и долей красных бусин в остатке

Рис. 60. N = 10 000, n = 1000. Опять никакой корреляции

Сокращенный список рекомендуемой литературы

George Barnard, «Sampling inspection and statistical decisions», Journal of the Royal Statistical Society, ser. B, vol. 16 (1954): 151–171 (Discussion of Mood's theorem).

David Durand, «Stable Chaos, General Learning Press, 1971. (См. стр. 234.)

A. Hald, «The compound hypergeometric distribution and a system of single sampling plans based on prior distributions and costs», Technometrics 2 (1960): 275–340. (Discussions on prior distributions).