2024 数学建模高教社杯 国赛（B题）| 生产过程中的决策 | 建模秘籍&文章代码思路大全

铛铛！小秘籍来咯！
小秘籍团队独辟蹊径，运用等多目标规划等强大工具，构建了这一题的详细解答哦！ 为大家量身打造创新解决方案。小秘籍团队，始终引领着建模问题求解的风潮。

抓紧小秘籍，我们出发吧~

完整内容可以在文章末尾领取！

第一个问题是关于如何为企业设计一个抽样检测方案，以确定零配件的次品率，确保检测次数尽可能少。其中需要考虑的两个情形是：

1. 在95%的信度下认定零配件次品率超过标称值时，拒收该批零配件。
2. 在90%的信度下认定零配件次品率不超过标称值时，接收该批零配件。

具体要求是根据给定的标称值（10%），提供一个针对这两个情形的抽样检测方案。
为了设计一个抽样检测方案以确定零配件的次品率，需要利用统计学的方法和公式。在此，我们将分别为两种情形建立适当的数学模型。

问题 1

1. 抽样方案设计

我们设定一个零配件批次的次品率为$p$，根据供应商的声称，这个值不会超过10% (即 $p\le 0.1$)。为了进行检验，我们可以使用二项检验的方法。

设：

• $n$为抽样检测的样本数量。
• $k$为样本中次品的数量。

抽样计划要求进行以下两个测试：

1. 在95%的信度下拒收次品率超过标称值的批次。
2. 在90%的信度下接受次品率不超过标称值的批次。

(1) 95%信度下拒收批次

我们希望确定样本大小$n$，使得在次品率为10% (即$p=0.1$)的条件下，没有超过$k$个不合格品的概率至少为5%（即选择拒收批次的机会小于5%）。

采用二项分布：
$$P(X\le k)=\sum _{i=0}^k\left(\genfrac{}{}{0ex}{}{n}{i}\right)(p{)}^i(1-p{)}^{n-i}.$$

在95%的信度下，我们有：
$$P(X\le k)\le 0.05$$

根据正常近似，我们可以利用以下公式计算样本数：
$$n\ge {\left(\frac{Z_{\alpha }\cdot \sqrt{p(1-p)}}{d}\right)}^2$$

其中：

• $Z_{\alpha }$为标准正态分布的临界值，对于95%的置信度，$Z_{0.05}\approx 1.645$。
• $d$为可接受的误差范围，这里我们可以设定为0.1，即10%。

根据计算：
$$n\ge {\left(\frac{1.645\cdot \sqrt{0.1(1-0.1)}}{0.1}\right)}^2={\left(\frac{1.645\cdot 0.9487}{0.1}\right)}^2\approx {\left(15.55\right)}^2\approx 242.6$$

因此，建议抽样数量 $n\ge 243$。

(2) 90%信度下接受批次

其次，我们需要确定样本大小$n$，使得在次品率为10% (即$p=0.1$)的条件下至少有一定数目的合格品的概率为90%。

可使用相同逻辑，选取合格品概率建立：
$$P(X\ge k)=1-P(X<k)\ge 0.9$$

即
$$P(X<k)\le \mathrm{0.1.}$$

此时，我们选取的同样的样本量为:
$$n\ge {\left(\frac{Z_{0.1}\cdot \sqrt{p(1-p)}}{d}\right)}^2$$

这里，$Z_{0.1}\approx 1.2816$，可得到：
$$n\ge {\left(\frac{1.2816\cdot \sqrt{0.1(1-0.1)}}{0.1}\right)}^2={\left(\frac{1.2816\cdot 0.9487}{0.1}\right)}^2\approx {\left(12.14\right)}^2\approx 147.4$$

因此，建议抽样数量 $n\ge 148$。

总结

1. 在95%的信度下，拒收次品率超过标称值的批次，建议抽样数量为243；
2. 在90%的信度下，接受次品率不超过标称值的批次，建议抽样数量为148。

通过以上抽样方案的设计，企业可以有效地决定是否接收供应商所提供的零配件批次。
在问题1中，我们需要为企业设计一个抽样检测方案，来验证零配件的次品率。我们将利用统计学中的假设检验方法。

设定假设：

• 原假设 $H_0$: 次品率不超过标称值 $p\le 0.10$
• 备择假设 $H_1$: 次品率超过标称值 $p>0.10$

我们会使用二项检验来进行假设的检验。

(1) 在95%的信度下拒收不合格零配件的方案：

根据正态近似（当样本量足够大时），我们可以使用正态分布来估计。

1. 确定样本大小：

   设 $n$ 为抽样的数量，$k$ 为抽样中不合格的数量。我们希望拒绝原假设 $H_0$，即保证在95%的置信水平下我们能拒绝 $H_0$。

   对于二项分布 $XB(n,p)$，在$n$个零配件中，发生错验的概率在5%时，求出 $k$ 的临界值。通常，我们可以使用正态近似：

   $$z=\frac{\hat{p}-p_0}{\sqrt{\frac{p_0(1-p_0)}{n}}}$$

   其中，$p_0$ 为标称值（0.10），$\hat{p}=\frac{k}{n}$ 为样本不合格比例。

   对于95%的置信水平，设临界值:

   $$z_{0.05}\approx 1.645$$

   当我们设定 $\hat{p}=0.10+ϵ$ 以避免接受被拒绝的原假设，假设 $ϵ$ 为一个小的正数，因此

   $$z_{0.05}=\frac{0.10+ϵ-0.10}{\sqrt{\frac{0.10\cdot 0.90}{n}}}$$

   解出 $n$ 使得 $z_{0.05}$ 的值大于 1.645，从而得到抽样的数量。

2. 计算样本大小：

   通过代入可以逐步推导样本量：
   $$n\ge \frac{(z_{0.05}}{{ϵ}^2}$$