2024国赛B题超详细分析

问题1

• 要为企业设计尽可能少的抽样检测方案，我们可以利用统计学中的假设检验和抽样检验技术
• 假设检验的主要目的是用来检验一个或多个假设关于参数的假设值是否与观察数据不符，这里是单侧检验
• 在统计检验中，功效分析帮助我们在给定的显著性水平、置信度、以及允许的差异情况下，计算出所需的最小样本数
• 核心思路：首先通过功效分析，计算出所需的最小样本数，然后利用单侧检验计算给定置信度情况下的次品数的临界值

情况一：在95%的置信水平下判定零配件的次品率是否超过供应商声称的标称值

我们假设供应商的次品率不超过10%：

• 原假设（H₀）: 零配件的次品率 $ p \leq 0.10 $。
• 备择假设（H₁）: 零配件的次品率 $ p > 0.10 $。

虽然是二项分布，我们使用正态分布近似来估计样本中不合格零配件的数量。通过比较实际检测到的不合格零配件数与统计临界值，决定是否拒收零配件。

下面是参数设定：

• 标称次品率（p₀）: 10%。
• 置信水平（1 - α）: 95%。
• 显著性水平（α）: 0.05,对应95%的置信水平。
• 检验方法: 单侧检验（因为我们只关心次品率是否超过10%）。
• 功效 (1 - β)：功效通常取0.80，意味着我们希望在至少80%的情况下正确拒绝原假设（即，实际次品率超过标称值时能够拒收）。
• 效应大小：效应大小定义了我们要检测的差异。在这个问题中，效应大小可以定义为实际次品率与标称次品率之间的差值。例如，我们要检测实际次品率为12%时是否显著高于10%，效应大小为 ( p_1 - p_0 = 0.12 - 0.10 = 0.02 )。

最小样本数计算公式

基于正态近似的样本数计算公式为：

$$n={\left(\frac{Z_{\alpha }\sqrt{2p_0(1-p_0)}+Z_{\beta }\sqrt{p_1(1-p_1)}}{p_1-p_0}\right)}^2$$

其中：

• $ Z_{\alpha} $ 是显著性水平对应的Z值。
• $ Z_{\beta} $ 是功效对应的Z值（1 - β的值）。
• $ p_0 $ 是标称次品率（例如，10%）。
• $ p_1 $ 是我们希望检测的实际次品率（假设为12%）。
• $ p_1 - p_0 $ 是效应大小。

根据计算，所需的最少抽样样本数为 2359。此外，图中展示了 Z_alpha 和 Z_beta 的标准正态分布，其中蓝色阴影区域表示 Z_alpha 对应的显著性水平 (alpha = 0.05)，红色阴影区域表示 Z_beta 对应的检验功效 (beta = 0.20)。

单侧检验计算临界值

使用正态分布近似，样本中的次品数量可以视为正态分布，均值为 $ \mu = n \times p₀ $，标准差为 $ \sigma = \sqrt{n \times p₀ \times (1 - p₀)} $。

根据单侧检验在95%置信水平下，临界值对应的标准正态分布临界值 $ Z_\alpha = 1.645 $。

临界次品数为：
$$c=\mu +Z_{\alpha }\times \sigma =n\times p_0+1.645\times \sqrt{n\times p_0\times (1-p_0)}$$
如果实际检测出的次品数超过临界次品数，则拒收该批零配件。

下面对实际情况进行蒙特卡洛模拟

抽样数量为 2359，实际检测出的次品数为 277，临界次品数为 259.87。由于实际次品数未超过临界值，因此可以接收该批零配件。

图中展示了次品数的正态分布曲线，其中：

• 绿色虚线表示期望次品数。
• 红色虚线表示临界次品数，临界值右侧的红色阴影区域表示拒收区域。
• 橙色虚线标示了实际检测出的次品数。

情况二：在 90%的信度下认定零配件次品率不超过标称值，则接收这批零配件

问题2

1. 期望成本与利润的选择

目标为最大化期望利润，期望利润可表示为：
$$\text{期望利润}=\text{市场售价}-\text{期望成本}$$
因此，关键在于准确计算每件合格成品的期望成本。

阶段1：零配件的期望成本

假设每个成品由 $ n $ 个零配件组成，且每个零配件 $ i $ 的购买成本为 $ C_i $，检测成本为 $ T_i $，次品率为 $ p_i $。

1. 若检测零配件：零配件的期望成本 $ C_{\text{零},i} $ 为：
   $
   C_{\text{零},i} = \frac{C_i + T_i}{1 - p_i}
   $
   检测后的零配件都是合格品，次品率为 0。

2. 若不检测零配件：零配件的期望成本仅为其购买成本 $ C_i $：
   $
   C_{\text{零},i} = C_i
   $
   此时零配件有次品率 $ p_i $，这会影响成品的次品率。

情况1

情况	零配件 1 次品率	购买单价	检测成本	零配件 2 次品率	购买单价	检测成本	成品 次品率	装配成本	检测成本	市场售价	调换损失	拆解费用
1	10%	4	2	10%	18	3	10%	6	3	56	6	5

从情况1来看，不检测零配件2和成品，并且不拆解不合格品时（即：否-否-否-否），期望利润最高（16.73）

限于篇幅有限，可观看以下讲解视频

资源1：完整论文+完整代码
资源2：完整思路+完整代码
讲解视频