B题已经完成模型代码!详情查看文末名片
问题1:可以考虑使用统计学中的“样本量估算”方法,使用二项分布或正态近似来决定最少的样本量,并通过假设检验(如单侧检验)在95%和90%置信度下进行判断。
import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt
# 参数设置
p_0 = 0.10 # 标称次品率(供应商声称)
confidence_level_95 = 0.95 # 问题 (1) 的置信水平
confidence_level_90 = 0.90 # 问题 (2) 的置信水平
margin_of_error = 0.05 # 误差限
# 计算Z值
Z_95 = stats.norm.ppf((1 + confidence_level_95) / 2) # 95%置信区间
Z_90 = stats.norm.ppf((1 + confidence_level_90) / 2) # 90%置信区间
# 样本量估算公式
def sample_size(Z, p, E):
"""根据Z值,次品率p,误差限E计算最少样本量"""
return (Z**2 * p * (1 - p)) / (E**2)
# 计算95%和90%置信度下的最少样本量
n_95 = sample_size(Z_95, p_0, margin_of_error)
n_90 = sample_size(Z_90, p_0, margin_of_error)
print(f"95%置信水平下的最少样本量: {int(np.ceil(n_95))}")
print(f"90%置信水平下的最少样本量: {int(np.ceil(n_90))}")
# 抽样假设检验
def hypothesis_test(p_0, n, x, confidence_level):
"""
根据样本量n,抽样检测到的次品数量x,以及置信水平,计算置信区间
p_0: 标称次品率
n: 样本量
x: 次品数量
confidence_level: 置信水平
"""
p_hat = x / n # 样本次品率
Z = stats.norm.ppf((1 + confidence_level) / 2)
margin = Z * np.sqrt((p_hat * (1 - p_hat)) / n)
lower_bound = p_hat - margin
upper_bound = p_hat + margin
return lower_bound, upper_bound
# 模拟抽样检测
np.random.seed(42) # 固定随机种子
n_sample = int(np.ceil(n_95)) # 使用95%置信水平下的样本量
true_defect_rate = 0.12 # 假设实际次品率为12%
sample_defects = np.random.binomial(n_sample, true_defect_rate) # 抽样检测出的次品数量
# 进行95%置信水平的假设检验
lower_95, upper_95 = hypothesis_test(p_0, n_sample, sample_defects, confidence_level_95)
# 进行90%置信水平的假设检验
lower_90, upper_90 = hypothesis_test(p_0, n_sample, sample_defects, confidence_level_90)
# 打印检测结果
print(f"抽样检测得到的次品数量: {sample_defects}/{n_sample}")
print(f"95%置信区间: [{lower_95:.3f}, {upper_95:.3f}]")
print(f"90%置信区间: [{lower_90:.3f}, {upper_90:.3f}]")
完整代码:https://mbd.pub/o/bread/mbd-ZpqZl55p
问题2:基于零配件的次品率和成本数据,建立一个决策树模型或者动态规划模型,分析在每个阶段是否检测、是否拆解能使企业的总成本最小化。重点在于计算检测成本、拆解费用、调换损失等对整体利润的影响。
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import font_manager
# 使用SimHei字体来支持中文显示
plt.rcParams['font.sans-serif'] = ['SimHei'] # 或者你系统支持的中文字体
plt.rcParams['axes.unicode_minus'] = False
# 定义输入参数
# 情况1的数据
p1_defect_rate = 0.10 # 零配件1的次品率
p2_defect_rate = 0.10 # 零配件2的次品率
product_defect_rate = 0.10 # 成品的次品率
purchase_cost1 = 4 # 零配件1的购买单价
purchase_cost2 = 18 # 零配件2的购买单价
assembly_cost = 6 # 装配成本
market_price = 56 # 市场售价
replacement_loss = 6 # 调换损失
dismantling_cost = 5 # 拆解费用
# 检测成本
detection_cost1 = 2 # 零配件1的检测成本
detection_cost2 = 3 # 零配件2的检测成本
product_detection_cost = 3 # 成品的检测成本
# 决策1: 是否对零配件进行检测
def part_detection_decision(p_defect, detection_cost, purchase_cost):
"""
决定是否对零配件进行检测,基于检测成本和次品率
如果检测成本低于购买并丢弃次品的期望损失,则选择检测
"""
expected_defect_loss = p_defect * purchase_cost # 不检测时的期望损失
if detection_cost < expected_defect_loss:
return True # 检测
else:
return False # 不检测
# 决策2: 是否对成品进行检测
def product_detection_decision(p_defect, detection_cost, market_price, replacement_loss):
"""
决定是否对成品进行检测,基于检测成本和退货损失
如果检测成本低于次品退货的期望损失,则选择检测
"""
完整代码:https://mbd.pub/o/bread/mbd-ZpqZl55p
问题3:扩展模型,考虑多道工序的情形。可以将每道工序看作一个子系统,递归地分析各个阶段的次品率对最终成品质量的影响,并提出最优的检测方案。
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文字体
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
# 决策函数:是否检测零配件
def part_detection_decision(p_defect, detection_cost, purchase_cost):
"""
根据次品率和检测成本,决定是否检测零配件。
"""
expected_defect_loss = p_defect * purchase_cost # 不检测的期望次品损失
detect = detection_cost < expected_defect_loss # 如果检测成本低于次品损失,则检测
decision = "检测" if detect else "不检测"
return detect, decision
# 决策函数:是否检测半成品/成品
def product_detection_decision(p_defect, detection_cost, replacement_loss):
"""
根据次品率和检测成本,决定是否检测半成品或成品。
"""
expected_defect_loss = p_defect * replacement_loss # 不检测的期望次品损失
detect = detection_cost < expected_defect_loss # 如果检测成本低于次品损失,则检测
decision = "检测" if detect else "不检测"
return detect, decision
# 工序中次品率的递进计算
def calculate_defect_rate(p_list):
"""
计算多个零配件组合后的次品率(使用联合概率公式)。
p_list: 各零配件的次品率列表
"""
combined_defect_rate = 1 - np.prod([1 - p for p in p_list]) # 联合次品率
return combined_defect_rate
# 计算总成本,并输出决策依据
def total_cost(steps, dismantling_cost, replacement_loss):
"""
计算总期望成本,并输出决策依据。
"""
total_parts_cost = 0
total_assembly_cost = 0
total_product_cost = 0
previous_defect_rate = 0 # 初始时为0,没有前序工序
完整代码:https://mbd.pub/o/bread/mbd-ZpqZl55p
问题4:结合问题1的抽样检测方法,重新优化问题2和问题3中的方案,确保抽样检测得到的次品率可以指导后续的决策。
import numpy as np
import scipy.stats as stats
# 抽样次品率估计函数
def estimate_defect_rate(sample_size, defect_count):
"""
使用抽样检测方法估算次品率。
sample_size: 样本量
defect_count: 检测到的次品数
"""
return defect_count / sample_size
# 决策函数:是否检测零配件
def part_detection_decision(p_defect, detection_cost, purchase_cost):
"""
根据估算次品率和检测成本,决定是否检测零配件。
"""
expected_defect_loss = p_defect * purchase_cost # 不检测的期望次品损失
detect = detection_cost < expected_defect_loss # 如果检测成本低于次品损失,则检测
decision = "检测" if detect else "不检测"
return detect, decision
# 决策函数:是否检测成品
def product_detection_decision(p_defect, detection_cost, replacement_loss):
"""
根据估算次品率和检测成本,决定是否检测成品。
p_defect: 成品的次品率
detection_cost: 检测成品的成本
replacement_loss: 成品退货的损失
"""
expected_defect_loss = p_defect * replacement_loss # 不检测的期望退货损失
detect = detection_cost < expected_defect_loss # 如果检测成本低于退货损失,则检测
decision = "检测" if detect else "不检测"
return detect, decision
# 工序中次品率的递进计算
def calculate_defect_rate(p_list):
"""
计算多个零配件组合后的次品率(使用联合概率公式)。
完整代码:https://mbd.pub/o/bread/mbd-ZpqZl55p