OC Curve의 실제 불량률 추정나는 이 질문이 조금 이상하다고 생각한다.
어쨌든 내 질문은 ;
- 로트 규모 : 10,000
-표본의 크기 ; 500
-AQL(허용불량) : 0
-샘플의 실제 불량률 : 0% (0/500)
나머지 9,000개의 불량률을 추정하는 방법이 있습니까? ?
샘플링 검사에서 검사 불량률이 0일 때 불량률을 추정하는 방법은 무엇입니까?
OC 곡선SPCRe: OC Curve에서 실제 불량률 추정안녕 갈렙,
친절하고 자주 댓글을 남겨주셔서 감사합니다.
이제 조금 더 명확해진 것 같습니다.
prob = 0;
K = 9000;
alpha = 0.05; // change to your preference
While( prob < alpha,
prob = Hypergeometric Probability( 10000, K, 1000, 85 );
K--;
);
Print( K + 1 );
//
Re: OC Curve에서 실제 불량률 추정내 코드에서 또 다른 버그를 찾았습니다. 상한선의 경우 위에서 아래로 봐야 합니다. 0과 1 결함의 경우에 효과가 있었던 이유는 분포의 우연에 불과합니다. 초기 게시물에서 코드를 업데이트하고 다른 메모를 추가했습니다.
Re: OC Curve에서 실제 불량률 추정여기요 @익주신 !
오랜 지연에 대해 사과드립니다. 어딘가에 알림을 놓쳤을 것입니다.
이전 답변을 되돌아보면 오류가 코드에 있는 것이 아니라 코더에 있음을 확인할 수 있습니다(일반적으로). 수식에서 "prob>=1-alpha" 대신 "prob>=alpha"가 있어야 했습니다. 내 의도는 맞았지만 내 공식은 빗나갔다. 나는 돌아가서 필요한 수정을 했고 미래의 독자를 위한 메모를 추가했습니다.
미안합니다! 그래도 잘 잡아!
Re: OC Curve에서 실제 불량률 추정안녕하세요, 캘킹입니다.
친절한 댓글 감사합니다. 나는 당신의 의견의 의미를 알고 있습니다.
그러나 X 값(0, 1 또는 2)에 관계없이 결과는 항상 0입니다.
스크립트에 어떤 종류의 오류가 있는지 모르겠습니다.
Re: OC Curve에서 실제 불량률 추정귀하의 질문에 따르면 500개의 샘플에서 1개만 찾았을 때 나머지 9500개 단위에 있을 수 있는 결함 수의 상한을 계산하려는 경우 이것이 " 네!".
Re: OC Curve에서 실제 불량률 추정안녕하세요 캘킹입니다.
이것은 매우 도움이 되는 댓글입니다. 이에 대해 추가 질문을 드리고 싶습니다.
N=10,000 n = 500, n의 실제 결함 수 = 1(1/500),
이 상황에서 나머지 9500개의 결함을 추정하는 스크립트가 올바른가요?
감사
prob=1;
K=0;
alpha=0.05; // change to your preference
While(prob>=1-alpha,
Print(K);
K++;
prob=Hypergeometric Probability(10000,K,500,1)
);
Re: OC Curve에서 실제 불량률 추정여기요 @익주신 !
그것은 실제로 매우 좋은 질문입니다! 생각보다 자주 묻는 질문입니다.
제 답변을 두 부분으로 나누겠습니다. 먼저 OC 곡선이 실제로 무엇을 말하고 있는지 설명하겠습니다. 다음으로 귀하의 질문에 직접 답변하겠습니다.
시작하기 위해 OC 곡선은 특정 합격 수준(이 경우 표본에서 0개의 결점)과 가정된 실제 결점 수준(로트에 존재하는 결점의 가정된 %)이 주어졌을 때 로트가 합격될 확률을 알려줍니다. 즉, 곡선을 사용하여 가상 게임을 하고 있습니다. 예를 들어, 거기에 있는 출력에서 결함의 실제 %가 약 0.58%(10,000개 중 58개 결함)이면 대략 5%의 시간에 해당 로트를 수락하게 됩니다. 해당 로트에서 꽤 큰 샘플 크기를 가지고 있다는 점을 감안하면 이는 합리적으로 보입니다. 기본적으로 OC 곡선은 주어진 결함률에 대해 로트를 수락해야 하는 빈도를 파악하는 데 도움이 됩니다. 얼마나 많은 결함이 있는지 결정하는 데 도움이되지만 명시 적으로는 아닙니다.
그래서 그것은 당신의 질문에 이르게 합니다: 만약 내가 0개의 결점을 본다면, 얼마나 많은 결점이 있을 수 있는지에 대한 나의 추정은 무엇입니까? 분명히 "결함이 0개 있어야 합니다"라고 노골적으로 말하는 것은 너무 위험해 보입니다. 이 문제를 해결하는 한 가지 방법은 실제 결함률에 대한 신뢰 구간을 계산하는 것입니다. 이항 모델과 1-알파의 신뢰 수준을 가정하면 [0,1-alpha^(1/N)]과 같은 간격을 얻게 됩니다. 여기서 N은 샘플 수입니다(짧은 이에 대한 기사 참조). 예를 들어 1-alpha=0.95(95% 신뢰도)이면 상한은 0.00597(대략 0.6%)이 됩니다. 이것은 점 추정치가 사실상 0일 때 실제 비율을 시도하고 추정하는 많은 방법 중 하나일 뿐이지만 확실히 가장 간단합니다.
이제 샘플링되지 않은 나머지 9,000개 단위에 얼마나 많은 결함이 있을 수 있는지에 대한 질문도 있습니다. 이것은 다른 대답이 필요합니다. 이를 위해서는 초기하 모델(여기에 위키피디아 링크 더 많은 정보를 위해서). 엄밀히 말하면 이것이 우리가 항상 작업했어야 하는 것이었지만 우리가 작업하고 있는 이러한 매우 큰 크기를 사용하면 이전 결과가 크게 다르지 않을 것입니다. 질문을 바꿔서 N=10,000 총 단위를 샘플링한 초기하 모델의 경우 n=500을 샘플링하는 경우 k=0 결함이 있는 경우 K(로트의 결함 수)에 대해 가능한 값이 무엇인지 묻고 있습니다. 우리의 샘플? 이에 답하는 빠른 방법은 이항 모델을 가정할 때 p에 대해 수행한 것과 유사한 작업을 K에 대해 수행하는 것입니다. 주어진 신뢰 1-알파에 대한 상한을 계산합니다. 다음은 이를 수행할 수 있는 JSL 코드의 일부입니다.
prob=0;
K=9500;
alpha=0.05 // change to your preference
While(prob<ALPHA></ALPHA>Print(K+1);
기본적으로 500단위 표본에서 0개 결점을 관찰할 확률이 알파 아래로 떨어지지 않도록 K의 가장 높은 값을 찾습니다. 1-알파 .예를 들어 1-alpha=0.95이면 K의 상한은 1입니다. 예를 들어 1-alpha=0.95이면 K의 상한은 58입니다.
참고: 공식의 오류를 수정했습니다. Pr(K total이 주어지면 0개의 결함)=alpha인 K를 찾아야 합니다.
참고 2: 수정 사항이 하나 더 있습니다. 공식은 상한선에 대해 위에서 아래로 K를 찾아야 합니다.
도움이 되기를 바랍니다!
