Sie sind auf Seite 1von 99

Statistische

Qualittskontrolle
Prof. Dr. Arnold
Inhaltsverzeichnis Seite II


Inhaltsverzeichnis Seite III
Inhaltsverzeichnis
Inhaltsverzeichnis .................................................................................... III
Organisatorisches ....................................................................................... V
Literatur ................................................................................................... VI
Einfhrung ................................................................................................ 1
1. Statistische Grundlagen ......................................................................... 2
1.1. Wahrscheinlichkeitsraum, Zufallsvariable, Zufallsstichprobe ................ 2
1.2. Binomialverteilung ......................................................................... 5
1.3. Hypergeometrische Verteilung ......................................................... 6
1.4. Approximation von H(N,n,p) durch Bi(n,p) ........................................ 7
1.5. Approximation von Bi(n,p) durch die Poisson-verteilung Po(np) .......... 8
2. Statistische Eingangs- und Endkontrolle ................................................ 11
2.1. Testen einer Hypothese ber den Ausschussanteil p in einer Partie .... 11
2.2. Die Operationscharakteristik L
n,c
(p) ................................................ 13
2.3. Die Operationscharakteristik L
N,n,c
(p) .............................................. 16
2.4. Vergleich von L
N,n,c
(p) und L
n,c
(p) ................................................... 19
2.5. Approximation von L
N,n,c
(p) und L
n,c
(p) durch L
n,c
*
(p) ........................ 21
2.6. Verbesserung der Approximation L
n,c
*
(p)......................................... 23
2.7. Besondere Punkte einer Operationscharakteristik ............................. 24
2.8. Zusammenhang zwischen der Poisson- und der _-Verteilung ........... 25
2.9. Vorgabe zweier Punkte der Operationscharakteristik ........................ 28
2.10. Kosten-Nutzen-berlegungen ........................................................ 32
2.11. Minimax-Regret-Prinzip ................................................................ 35
2.12. Nherung fr einen kostenoptimalen Prfplan nach van der Waerden . 38
2.13. Nherung fr einen kostenoptimalen Prfplan nach von Collani ......... 41
2.14. Andere Optimalittsprinzipien ........................................................ 44
3. Statistische Prozesskontrolle ................................................................ 45
3.1. Ein Prozessmodell (Schockmodell) ................................................. 47
3.2. Kontrollprozeduren ...................................................................... 49
3.3. Kosten-Nutzen-berlegungen ........................................................ 54
3.4. Die Zielfunktion ........................................................................... 56
3.5. Optimale reine Inspektionsprozeduren ............................................ 61
3.6. Nherungsweise optimale zweiseitige x -Karten .............................. 64
3.7. Bemerkungen .............................................................................. 67
Inhaltsverzeichnis Seite IV
Exponentialverteilte Lebensdauer t des Sollzustandes ................ 67 3.7.1.
Verschiebungsparameter ...................................................... 69 3.7.2.
Prfprozeduren ...................................................................... 70 3.7.3.
Normalverteilungsannahme ..................................................... 71 3.7.4.
Variabilitt des Qualittsmerkmals ............................................ 72 3.7.5.
Six-Sigma ............................................................................. 73 3.7.6.
4. Formelsammlung ................................................................................ 77
Binomialverteilung ................................................................................ 77
Hypergeometrische Verteilung ................................................................ 77
Approximation der Binomialverteilung durch die Possionverteilung .............. 78
Binomial verteilte Operationscharakteristik .............................................. 78
Hypergeometrisch verteilte Operationscharakteristik ................................. 78
Vergleich von L
n,c
(p) und L
N,n,c
(p) ............................................................ 79
Approximation von L
n,c
(p) und L
N,n,c
(p) durch L
n,c
*
(p) ................................. 79
Verbesserung der Approximation durch L
n,c
*
(p) ......................................... 79
Vorgabe zweier Punkte einer Operationscharakteristik ............................... 80
Kosten-Nutzen-berlegungen ................................................................. 82
Minimax-Regret-Prinzip ......................................................................... 83
Nherung nach van der Waerden ............................................................ 84
Nherung nach von Collani .................................................................... 85
Statistische Prozesskontrolle .................................................................. 87
Nherungsweise optimale zweiseitige x -Karten ........................................ 89
5. Wissensfragen .................................................................................... 92


Organisatorisches Seite V
Organisatorisches
Sprechstunde: Dienstags 13
15
-14
45
Klausur: 90 Minuten, 4 Bonuspunkte (BP)
04. Februar 2011, 16
15
-17
45
(Chemie A)
25. Mrz 2011, 16
15
-17
45

Anmeldung fr Seminar im SoSe 2011 in der ersten Woche nach Weihnachten.
Vorlesung kann fr Statistik oder ABWL (Produktion und Umwelt) angerechnet
werden.
Literatur Seite VI
Literatur
1. Uhlmann, W.: Statistische Qualittskontrolle, Teubner, Stuttgart 1982
2. von Collani, E.: Optimale Wareneingangskontrolle, Teubner, Stuttgart 1984
3. von Collani, E.: The Economic Design of Control Charts, Teuber, Stuttgart,
1989
4. Rinne, H./Mittag, H.-J.: Statistische Methoden der Qualittssicherung, Carl
Hanser Verlag, Mnchen 1991
5. Montgomery, D.: Introduction to statistical quality control, John Wiley &
Sons, New York 2009
Einfhrung Seite 1
Einfhrung
Planung eines Produkts
Planung eines
Produktionsprozesses
Produktions-
prozess
Produkt
(1) (2) (3)

Statistische Hilfsmittel zu
(1): beschreibende und schlieende Statistik (z.B. in der
Marktforschung), statistische Versuchsplanung
(2): statistische Prozesskostenkontrolle und evtl. (bei Nachbesserungen)
statistische Versuchsplanung
(3): statistische Endkontrolle (kann bei Weiterverwendung auch als
Eingangskontrolle interpretiert werden)
Inhalt dieser Veranstaltung: Aspekte der statistischen Endkontrolle und der
statistischen Prozesskontrolle.


Statistische Grundlagen Seite 2
1. Statistische Grundlagen
1.1. Wahrscheinlichkeitsraum, Zufallsvariable,
Zufallsstichprobe
Sei die Menge der Elementarereignisse (Stichprobenraum), S die -Algebra
der Ereignisse A (System von Teilmengen von ; abgeschlossen bez.
,
, , , S, S) und P ein Wahrscheinlichkeitsma auf S (nicht negativ:
( )
> 0 P A fr alle A S, normiert:
( )
1 P O = und total-additiv: A
1
, A
2
, S mit
{ }
= C =
i j
A A fr alle
( )
| |
= =
|
\ .
U i i
i i
i j P A P A ), dann heit (, S, P) ein
Wahrscheinlichkeitsraum.
( )
P A wird interpretiert als relative Hufigkeit des Eintretens von A bei sehr
vielen unabhngigen Versuchen.
Spezialfall:
O endlich:
{ }
e e e O = K
1 2
, , ,
n
.
( )
= P O S (
( )
P O : Menge aller Teilmengen von O, Potenzmenge von O).
= S Anzahl der Ereignisse = 2
n
.
Falls auerdem { } ( ) { } ( ) { } ( )
e e e = = = = K
1 2
1
n
P P P
n
gilt, so heit ( O, S, P) ein
Laplacescher Wahrscheinlichkeitsraum.
Hier gilt:
( )
= =
O
Anzahl der fr A "gnstigen" Mglichkeit
Anzahl aller Mglichkeiten
A
P A .
Sei ( O
,
S, P) ein Wahrscheinlichkeitsraum und seien e
1 2
, A A S zwei Ereignisse:
1
A und
2
A heien (statistisch, stochastisch) unabhngig, falls
( ) ( ) ( )
=
1 2 1 2
P A A P A P A gilt.


{ } ( ) { } { } { } { }
e O = P = C
1 1
1,2 ; , 1 , 2 , 1,2
{ } ( ) { } { } { } { } { } { } { } { }
e O = P = C
2 2
1,2,3 ; , 3 , 1 , 1,3 , 2 , 2,3 , 1,2 , 1,2,3
( )
( )
( )

= |
P A B
P A B
P B


Statistische Grundlagen Seite 3
( ) { } ( ) ( )
e e s = s | P X x P X x
Grundgesamtheit (GG): X

Stichprobe: K
1
, , ~
n
x x X , K
1
, ,
n
x x unabhngig
Ferner heit jede reellwertige Funktion
( )
e X , definiert fr jedes e eO, eine
Zufallsvariable, falls ihre Verteilungsfunktion
( ) ( ) { } ( )
e e = s | F x P X x fr jedes
reelle x definiert ist (
( ) { }
e e s e | X x S fr jedes e x ).
Zwei Zufallsvariablen
( )
e X und
( )
e Y heien (stochastisch, statistisch)
unabhngig, falls
( ) ( ) { } ( ) ( ) { } ( ) ( ) { } ( )
e e e e e e e s s = s s | und | | P X x Y y P X x P Y y gilt fr jede
Wahl von e , x y R, falls also die gemeinsame Verteilungsfunktion
( ) ( ) ( ) { } ( )
e e e = s s , | und Y F x y P X x y der
beiden Zufallsvariable X und Y gleich dem
Produkt der beiden einzelnen Verteilungsfunktion ist.
Bemerkung:
Die Definition der Unabhngigkeit von Ereignissen und Zufallsvariablen kann auf
endlich viele (und sogar auf unendlich viele) Ereignisse bzw. Zufallsvariable
verallgemeinert werden.
1. Modell einer Zufallsstichprobe: Unabhngige Zufallsstichprobe
(Ziehen mit Zurcklegen oder ziehen aus einer unendlichen Grundgesamtheit)
Das Merkmal X sei in der Grundgesamtheit nach der Verteilungsfunktion
( )
F x
verteilt (oder kurz: die Grundgesamtheit sei nach der Verteilungsfunktion
( )
F x
verteilt). Das heit, das zufllige Ziehen eines
Elements wird beschrieben durch eine nach F
verteilten Zufallsvariablen X.
Eine unabhngige Zufallsstichprobe vom Umfang n wird beschrieben durch n
unabhngige, nach F verteilte Zufallsvariablen K
1
, ,
n
x x .
Dabei ist ein Stichprobenergebnis eine Realisation K
1
, ,
n
x x der Zufallsvariablen
K
1
, ,
n
X X .

Statistische Grundlagen Seite 4
2. Modell einer Zufallsstichprobe: Zufallsstichprobe ohne Zurcklegen
Jede der
| |
|
\ .
N
n
mglichen Teilmengen (Stichproben) vom Umfang n aus der
endlichen Grundgesamtheit vom Umfang N wird mit derselben
Wahrscheinlichkeit, nmlich
| |
|
\ .
1
N
n
, ausgewhlt.
N, n beim Lotto:
| | | |
=
| |
\ . \ .
49
6
N
n

| |
= =
|

\ .
49 49! 49 48 47 46 45 44
6! 43! 1 2 3 4 5 6 6

( )
( ) ( )
+
| |
= =
|

\ .
K 1 1
!
! ! !
N N N n N N
n N n n n


Statistische Grundlagen Seite 5
( )
( )
4
2
1,1,0,0,0,0 6; 2
6
1
2
n m
p p
= =
| |

|
\ .

1.2. Binomialverteilung
Unabhngige Zufallsstichprobe (Zufallsstichprobe mit Zurcklegen) vom Umfang
n.
p
i
: Ausschussanteil in der Grundgesamtheit, auch Partie genannt
(p: Anteil der schlechten Stcke in der Partie)
1, falls das i-te geprfgte Stck schlecht ist
0, falls das i-te geprfte Stck gut ist
i
X

=


( )
1
i
P X p = =
( )
0 1
i
P X p = =
1
n
i
i
X X
=
=

: Anzahl der schlechten Stcke in der Stichprobe
Es gilt
( ) ( )
1
n m
m
n
P x m p p
m
| |
= =
|
\ .
fr alle 0,1,2, , m n = K .
Daher ist X binomialverteilt mit den Parametern n und p:
( )
~ , X Bi n p
Es gilt:
( )
E X n p = und
( ) ( )
1 V X n p p = .
Bemerkung:
( )
~ , X Bi n p mit
( )
1 9 n p p > . Folgende Approximation der
Verteilungsfunktion von X durch die Verteilungsfunktion der
Standardnormalverteilung ist dann hinreichend genau:
( )
( )
1
2
1
c n p
P x c
n p p
| |
+
|
s ~ u
|
|
|
\ .

Dabei ist c eine ganze Zahl zwischen 0 und n: 0 c n s s .


Statistische Grundlagen Seite 6
1.3. Hypergeometrische Verteilung
N: Umfang der Partie
M: Anzahl der schlechten Stcke in der Partie
N-M: Anzahl der guten Stcke in der Partie
M
p
N
= : Ausschussanteil in der Partie ( 0 1 p s s )
n: Umfang einer Zufallsstichprobe ohne Zurcklegen
X: Anzahl der schlechten Stcke in einer Zufallsstichprobe ohne Zurcklegen
Mit der Vereinbarung 0
a
b
| |
=
|
\ .
fr 0 oder b b a < > (

gilt dann
( )
M N M
m n m
P X m
N
n
| | | |

| |

\ . \ .
= =
| |
|
\ .
fr alle 0,1,2, , m n = K .
Also ist X hypergeometrisch verteilt mit den Parametern N, n und p;
( )
~ , , X H N n p . Es gilt
( )
E X n p = und ( ) ( )
1
1
N n
V X n p p
N

.


Statistische Grundlagen Seite 7
1.4. Approximation von H(N,n,p) durch Bi(n,p)
Sei m eine ganze Zahl mit 0 m n s s und
M
p
N
= . Dann gilt:
( ) ( ) ( ) ( ) ( ) ( ) ( )
( )
( ) ( ) ( )
1 1 1 1
...
! !
!
1 1
1 1 1 1
1 1 1
1
...
M N M
m n m
N
n
M M M m N M N M N M n m
m n m
n
N N N n
M M M m M M M n m
N N N N N N N N N N n
m
=
| | | |

| |

\ . \ .
| |
|
\ .
( (


=


( ( | | | | | | | | | |

( ( | | | | |
| |
\ . \ . \ . \ . \ .

|
\ .
K K
K
K K
( )
1 1
1 1
lim 1
n m
m
N
n
N N
M N M
n m n m
p p
N m
n

| | | |

| |
\ . \ .
| | | |

| |
| |
\ . \ .
=
|
| |
\ .
|
\ .
K
wobei
M
p
N
= konstant bleiben soll.
Faustregel:
H(N,n,p) kann hinreichend genau durch Bi(n,p) approximiert werden, falls gilt:
10
N
n s bzw. 0,1
n
N
s .


Statistische Grundlagen Seite 8
1.5. Approximation von Bi(n,p) durch die Poisson-
verteilung Po(np)
Sei 0 n p a = > eine feste reelle Zahl. Dann gilt:
( )
( )
( ) ( ) ( )
1 fr
1 1
! 1
1
! !
1
1 1
1
1
!
1
1 1
. 1 1 . 1
!
m n m
n m
m
n
m
m m
n
m
m m
m
n
n n a a
p p
n n m m
n a a
m n m n n
a
n
n n n m
a a
m n n
a
n
a n
m n n


| | | | | | | |
=
| | | |
\ . \ . \ . \ .
| |
=
|

\ . | |

|
\ .

| |
=
|
\ . | |

|
\ .
( | | | |
=
( | |
\ . \ .
K
K
1 4 4 4 4 4 2 4 4 4 4 4 3
1 fr
1
1
1
a
n
m
e
n
a
n
a
n


| |

|
\ . | |

|
\ .
14 2 43
1 4 2 43

Allgemeine Formel:
lim 1
lim 1
n
x
n
n
x
n
x
e
n
x
e
n

| |
+ =
|
\ .
| |
=
|
\ .

lim 1
!
m n m
m
a
n
n a a a
e
m n m m

(
| | | | | |
= (
| | |
\ . \ . ( \ .


Da eine Zufallsvariable x, welche genau die Werte m=0, 1, 2... mit den
Wahrscheinlichkeiten
( )
!
m
a
a
p x m e
m

= = annehmen kann, wobei 0 a > eine
1
lim 1
lim 1 fr alle
n
n
n
x
n
e
n
x
e x
n

| |
+ =
|
\ .
| |
+ = e
|
\ .


( )
~ X Po a :
( )
!
m
a
a
P X m e
m

= = ( 0,1,2, m = K )

Statistische Grundlagen Seite 9
gegebene reelle Zahl ist, possionverteilt mit dem Parameter 0 a > ist, kann man
( )
; Bi n p durch
( )
Po np approximieren.
Faustregel:
( )
; Bi n p kann hinreichend genau durch
( )
Po np approximiert werden, falls
1
10
p s
gilt. Es ist dann:
( )
( )
1
!
m
n m
m n p
n p n
p p e
m m

| |
~
|
\ .
.
Bemerkung:
( ) ( )
( ) X Po a E X Var X a = = :



Statistische Grundlagen Seite 10


Statistische Eingangs- und Endkontrolle Seite 11
2. Statistische Eingangs- und Endkontrolle
2.1. Testen einer Hypothese ber den Ausschussanteil p
in einer Partie
N: Umfang der Partie (bekannt)
M: Anzahl der schlechten Stcke in der Partie (unbekannt)
M
p
N
= : Ausschussanteil in der Partie (unbekannt)
p
0
: gegebene, geforderte Qualitt
n: Umfang einer Zufallsstichprobe
X: Anzahl der schlechten Stcke in einer Zufallsstichprobe vom Umfang n
c: Annahmezahl
(n, c): Prfplan

Nullhypothese:
0 0
: H p p s ; Alternative:
1 0
: H p p >
Testvorschrift (Alternativtest)
Falls X c s , so wird die Partie angenommen
Falls X c > , so wird die Partie abgelehnt
Man betrachtet (prinzipiell) die Werte c=0, 1, ..., n-1.
Man bezeichnet (n, c) als einen (einfachen, einstufigen und attributiven)
Prfplan.
Die Operationscharakteristik (OC) L(p) des Prfplans (n, c) ist die
Wahrscheinlichkeit fr die Annahme der Partie in Abhngigkeit vom
Ausschussanteil p:

Statistische Eingangs- und Endkontrolle Seite 12
( ) ( ) ( )
0
c
m
L p p X c p X m
=
= s = =

.
Bemerkung: Es ist
( )
1 Gtefunktion L p = .
Beim (zuflligen) Ziehen ohne Zurcklegen gilt:
( )
, ,
0
.
c
N n c
m
M N M
m n m
L p
N
n
=
| | | |
| |

\ . \ .
=
| |
|
\ .

.
( )
, , N n c
L p ist definiert fr
1 2
0, , ,...,1 p
N N
= .
Beim (zuflligen) Ziehen mit Zurcklegen (Partieumfang spielt keine Rolle) gilt:
( ) ( )
,
0
1
c
n m
m
n c
m
n
L p p p
m

=
| |
=
|
\ .

, definiert fr alle reellen p mit 0 1 p s s .


Mindestanforderungen an die Operationscharakteristik eines Prfplanes:
( )
0 1 L =
;
( )
1 0 L = ; L ist monoton fallend.


Statistische Eingangs- und Endkontrolle Seite 13
2.2. Die Operationscharakteristik L
n,c
(p)
( ) ( )
,
0
1
c
n m
m
n c
m
n
L p p p
m

=
| |
=
|
\ .


Seien n und c ganze Zahlen mit 0 c n s < , dann ist
( ) ( )
,
0
1
c
n m
m
n c
m
n
L p p p
m

=
| |
=
|
\ .

fr alle 0;1 p e (

. Auerdem muss c a < gelten,
da der Test sonst nicht sinnvoll ist.
Es gilt:
( )
,
0 1
n c
L =
( )
,
1 0
n c
L =
( ) ( ) ( ) ( )
( ) ( ) ( )
1
1
,
0
1
1
0 0
1 1
1 1
c
n m n m
m m
n c
m
c c
n m n m
m m
m m
n d
L p m p p n m p p
dp m
n n
m p p n m p p
m m

= =
| |
(
=
|

\ .
| | | |
=
| |
\ . \ .



Mit
( )
!
! !
n n
m n m m
| |
=
|

\ .
folgt:
( ) ( ) ( ) ( )
( )
( )
( )
( ) ( )
( ) ( )
( )
( )
( )
1
1
,
0
1
1
1 0
1
1
1 0
Setzung: 1
1
1 1
! !
1 1
! ! ! !
! !
1 1
1 ! ! ! 1 !
c
n m n m
m m
n c
m
c c
n m n m
m m
m m
c c
n m n m
m m
m m
m m
m m
n d
L p m p p n m p p
dp m
n n
m p p n m p p
m n m m n m
n n
p p p p
m n m m n m

= =

= =
= +
=
| |
(
=
|

\ .
=

=



1 4 4 4 4 4 2 4 44 4 4 4 4 4 4 4 43
( )
( ) ( )
( )
( ) ( )
( )
1
1 1
,
1 1
! !
1 1
1 ! ! 1 ! !
c c
n m n m
m m
n c
m m
d n n
L p p p p p
dp m n m m n m
+


= =
=


( )
( )
( )
1
,
!
1
! 1 !
n c
c
n c
d n
L p p p
dp c n c

=




Statistische Eingangs- und Endkontrolle Seite 14
( )
,
0
n c
d
L p
dp
< fr alle p mit 0 1 p < < . Also ist
( )
, n c
L p streng monoton fallend
in 0,1 (

.

Fr 0 c = , 1 n = ist
( )
1,0
1 L p p =

Fr 0 c = , 1 n > ist
( ) ( )
,
1
n
n c
L p p =
( ) ( )
1
,
0 fr 0 1
1
0 fr 1
n
n o
p d
L p n p
dp p
< s <
=

= =


( ) ( ) ( )
2
2
, 2
1 1 0
n
n o
d
L p n n p
dp

= > fr 0 1 p s < .

1
L
1,0
(p)
p
1
1
L
n,0
(p)
p
1
( ) ( )
,
0
1
c
n m
m
n c
m
n
L p p p
m

=
| |
=
|
\ .



Statistische Eingangs- und Endkontrolle Seite 15
Fr 0 1 c n < < gilt:
( )
( )
( )
1
,
0 fr 0
!
1 0 fr 0 1
! 1 !
0 fr 1
n c
c
n c
p
d n
L p p p p
dp c n c
p

= =

= < < <



= =


Ferner ist:
( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( )
2
1 2
1
, 2
2 1
1
2
1
!
1 1 1
! 1 !
!
1 1 1
! 1 !
!
1 1
! 1 !
n c n c
c c
n c
n c n c
c
n c
c
d n
L p c p p p n c p
c n c dp
n
p p c p n c p
c n c
n
p p n p c
c n c

(
=


(
=


( =



( )
2
, 2
0 fr 0
1
0 fr
1
0 fr 1
1
n c
c
p
n
d c
L p p
n dp
c
p
n

< < <

= =

> < <


Bemerkung
Es lsst sich fr 1 n > zeigen:

, ,
1 1
1 2 1
n c n c
c c
L L
n n
+ | | | |
> >
| |
+
\ . \ .
, falls
1
0
2
n
c

s <

, ,
1 1
1 2 1
n c n c
c c
L L
n n
+ | | | |
= =
| |
+
\ . \ .
, falls
1
2
n
c

=

, ,
1 1
1 2 1
n c n c
c c
L L
n n
+ | | | |
< <
| |
+
\ . \ .
, falls
1
1
2
n
c n

< s

Statistische Eingangs- und Endkontrolle Seite 16
2.3. Die Operationscharakteristik L
N,n,c
(p)
Hier ist
M
p
N
= . Fr 0,1,2,..., M N = ist
1 2
0, , ,...,1 p
N N
= und
( )
, , , ,
0
c
N n c N n c
m
M N M
m n m M
L p L
N N
n
=
| | | |

| |
| |
\ . \ .
= =
|
| |
\ .
|
\ .

.
Es gilt:

, ,
1
N n c
M
L
N
| |
=
|
\ .
fr alle 0,1,2,..., M c = wegen 1.
, ,
0 1
0
1
n n
N n c
m m c
M N M M N M
m n m m n m M
L
N N N
n n
= = +
=
| | | | | | | |

| | | |
| |
\ . \ . \ . \ .
= = +
|
| | | |
\ .
| |
\ . \ .

1 4 4 4 2 4 4 4 3
und 0
M
m
| |
=
|
\ .
.
Fr m c M > > folgt die Behauptung

, ,
0
N n c
M
L
N
| |
=
|
\ .
fr alle 1,..., M N n c N = + + . 2.
Mit M N n c > + folgt N M n c < .
Fr alle m mit m c s gilt also N M n m < und daher 0
N M
n m
| |
=
|

\ .
.
Daraus folgt die Behauptung:
1 n = , 0 c = 3.
( )
,1,0 1,0
0 1
1 1
1
N
M N M
M N M M
L p L p
N N N N
| | | |

| |
| |
\ . \ .
= = = = =
|
| |
\ .
|
\ .

n N = , c beliebig 4.
, ,
1 fr 0,1,...,
0 fr 1,...,
N n c
M c M
L
N M c N
= | |
=

|
= +
\ .


Statistische Eingangs- und Endkontrolle Seite 17

, , N n c
M
L
N
| |
|
\ .
ist als Funktion von M monoton fallend: 5.
, , , ,
1
0 fr 0,1,..., 1
1 1
0 fr ,...,
0 fr 1,..., 1
N n c N n c
M N M
M c
c n m M M
L L M c N m c
N N N
M N n c N
n
| | | |
= =
| |
+ | | | |
\ . \ .
= < = +

| |
| |
\ . \ .

= = + +
|

\ .

Beweis: Vollstndige Induktion nach c (Induktionsanfang: 0 c = )
, ,0 , ,0
1 1
0 0 1
1 1
1
1
0 0 1
N n N n
M N M M N M
n n M M
L L
N N N
n
N M N M N M
n n n
N N
n n
M N M
n
N
n
+ | | | | | | | |

| | | |
+ | | | |
\ . \ . \ . \ .
=
| |
| |
\ . \ .
|
\ .
| | | | | |

| | |

\ . \ . \ .
=
| | | |
| |
\ . \ .
| | | |

| |

\ . \ .
=
| |
|
\ .

Behauptung gilt fr c:
, , , ,
1
1 1
N n c N n c
M N M
c n c M M
L L
N N N
n
| | | |

| |
+ | | | |
\ . \ .
=
| |
| |
\ . \ .
|
\ .



Statistische Eingangs- und Endkontrolle Seite 18
Daraus folgt:
, , 1 , , 1 , , , ,
1 1
1 1
1 1 1 1
1 1 1
1 1 1 1
N n c N n c N n c N n c
M M M M
L L L L
N N N N
M N M M N M
c n c c n c
N
n
M N M M N M M N
c n c c n c c
+ +
+ + | | | | | | | |
=
| | | |
\ . \ . \ . \ .
+ | | | | | | | |

| | | |
+ +
\ . \ . \ . \ .
+
| |
|
\ .
+ | | | | | | | | | |
+
| | | | |
+ +
\ . \ . \ . \ . \ .
=
1
1 1
1 1 1 1
M
n c
N
n
M M N M M N M
c c n c c n c
N
n
| |
|

\ .
| |
|
\ .
( + | | | | | | | | | |

( | | | | |
+ +
\ . \ . \ . \ . \ .
=
| |
|
\ .

, , 1 , , 1
1
1 1 1 1 1
1
1 1 1
1
1 2
N n c N n c
M N M M N M
c n c c n c M M
L L
N N N
n
M N M N M
c n c n c
N
n
M N M
c n c
N
n
+ +
| | | | | | | |

| | | |
+ + + | | | |
\ . \ . \ . \ .
=
| |
| |
\ . \ .
|
\ .
( | | | | | |

( | | |
+
\ . \ . \ .
=
| |
|
\ .
| | | |

| |
+
\ . \ .
=
| |
|
\ .

Dies ist jedoch die Behauptung fr c+1.


Statistische Eingangs- und Endkontrolle Seite 19
2.4. Vergleich von L
N,n,c
(p) und L
n,c
(p)
1. 1 n = , 0 c = :
( ) ( )
,1,0 1,0
1
N
L p p L p = =
2. 1 n > , 0 c = :
( ) ( )
,0
1
n
n
L p p = und
( )
( ) ( ) ( )
( ) ( )
( )
, ,0
0
1 ... 1 !
! 1 ... 1
1 1
1 1 ... 1 9
1 1
1 1 ... 1
N n
M N M
n
L p
N
n
N M N M N M n n
n N N N n
n
p p
N N
n
N N
| | | |

| |
\ . \ .
=
| |
|
\ .
+
=
+
| | | |

| |
\ . \ .
=
| | | |

| |
\ . \ .

Fr beliebige reelle Zahlen x und p mit 0 1 x < < und 0 1 p < < gilt:
( ) ( )
1 1 1 1
1
1
1
p x p x x p p x
p x
p
x
< + =

<


Daraus folgt:
( )
( )
( )
( )
,0
, ,0 ,0
,0
1 fr 0
fr 0< 1
0 fr 1
n
N n n
n
L p p
L p L p p
L p p
= = =

< <

= = =


Es gilt:
( ) ( )
,0
1
n
n
L p p = .
3. Sei 0 1 c n N < < < , dann gilt:
( )
( )
( )
( ) ( )
( )
( ) ( )
( )
,
,
, ,
,
,
1 fr 0
fr 0<p<
1 1 1
1
fr + 1
1 1 1
0 fr 1
n c
n c
N n c
n c
n c
L p p
c c
L p
n n N
L p
c n c
L p p
n n N
L p p
= = =

>

> s <

= = =



Statistische Eingangs- und Endkontrolle Seite 20
Wegen
( ) ( ) ( ) ( ) ( ) ( )
( ) ( )
1 1
1 1 1 1 1 1 1 1
1
1 1
1
1
c n c c c n c c
n n N n n N n N
n
n N
N
| |
+
+ = |
|
+ + +
\ .

=
+
=
+

wird also hchstens fr einen Punkt der Operationscharakteristik
( )
, , N n c
L p
keine Aussage gemacht.


Statistische Eingangs- und Endkontrolle Seite 21
2.5. Approximation von L
N,n,c
(p) und L
n,c
(p) durch
L
n,c
*
(p)
Approximation von H(N,n,p) durch Bi(n,p) und von Bi(n,p) durch Po(n,p). Man
erhlt dann die Operationscharakteristik:
( )
*
,
0
( )
!
m
c
n p
n c
m
n p
L p e
m

=

.
Es gilt:
1.
( )
*
,
0 1
n c
L = ;
( )
*
,
1 0
n c
L = , jedoch nahe bei 0
2.
( )
*
, n c
L p ist in p streng monoton fallend
( )
( ) ( )
( )
( )
( )
( )
1
* .
,
0 0
1
1 0
1
! !
1 ! !
!
0 fr alle 0
!
m m
c c
n p n p
n c
m m
m m
c c
n p n p
m m
c
n p
c c
n p
m n p n n p
d
L p e n e
dp m m
n p n p
n e n e
m m
n p
n e
c
n p
e p
c


= =


= =

+


=

=

= < >



3. Fr 0 c > gilt:
2 1
* 1
, 2
1
1
1
1
( )
!
!
!
c
c n p c n p
n c
c
c n p
c
c n p
d n
L p c p e n p e
c dp
n
p e c n p
c
n
p e n p c
c
+

+

+

( =

= (

= (


( )
2
, 2
0 fr 0
0 fr
0 fr
n c
c
p
n
d c
L p p
n dp
c
p
n

< < <

= =

> <


Also hat L
n,c
*
(p) bei
c
p
n
= ihre maximale Steigung


Statistische Eingangs- und Endkontrolle Seite 22
4. Vergleich von L
n,c
*
(p) und L
n,c
(p)

Sei 0 1 c n s < , dann gilt:
( )
( )
( )
( )
*
,
*
, ,
*
,
1 fr 0
fr 0
1
fr 1 1
n c
n c n c
n c
L p p
c
L p L p p
n
c
L p p
n n

= = =

> < <

| |
< + < s
|
\ .

Ferner haben die beiden Operationscharakteristiken C L
n,c
*
(p) und L
n,c
(p) fr
0 1 c n < < im offenen Intervall (0,1) genau einen Schnittpunkt.

L
n,0
(p)
p

Statistische Eingangs- und Endkontrolle Seite 23
2.6. Verbesserung der Approximation L
n,c
*
(p)
Eine gute Approximation von
( )
, ,
0
c
N n c
m
M N M
m n m
L p
N
n
=
| | | |

| |

\ . \ .
=
| |
|
\ .

mit
M
p
N
= ist
( ) ( )
( ) ( )
( )
, ,
, ,
*
, , ,
0
!
N n c
m
c
N n c n p
n c N n c
m
n p
L p e
m
t
t
t

=

mit ( )
( ) ( )
( )
, ,
2 2
2 2 1
N n c
Np c n c
p
n N Np n
t

=
+
.
( )
( )
( )
( )
( )
( )
, ,
2 2
2 2 2
lim lim
1 2 2 2
2 2
N n c
N N
c
p n c
p n c p n c
N
p
n n p n p
n p
N N
t

| |

|

\ .
= = =
| |
+
|
\ .

Mit der Setzung ( )
( )
( )
,
2
2
n c
p n c
p
n p
t

=

erhlt man die etwas grbere Nherung:
( ) ( ) ( )
( ) ( )
( )
,
,
*
, , , , ,
0
!
n c
m
c
n c n p
N n c N n c n c
m
n p
L p L p e
m
t
t
t

=

~ =

.
Bemerkung: Fr kleine p und kleine c ( 1 p = ; c n = ) gilt:
( )
( )
( )
,
2
2
2 2
n c
p n c
p n
p p
n p n
t


= = =


Dies fhrt zur Nherung
( )
*
, n c
L p .


Statistische Eingangs- und Endkontrolle Seite 24
2.7. Besondere Punkte einer Operationscharakteristik

p
90%
: Annahmegrenze
p
10%
: Ablehnungsgrenze
p
50%
: Indifferenzpunkt

Bei der Operationscharakteristik
( )
, n c
L p liegt fr 1 n > der Indifferenzpunkt p
50%

zwischen
1
c
n
und
1
1
c
n
+
+
.
Im Folgenden soll ein Prfplan mit kleinstmglichem n derart bestimmt werden,
dass
( )
L p
o
o > und
( )
L p
|
| s gilt, wobei , , und p p
o |
o | vorgegebene reelle
Zahlen sind mit 0 1 p p
o |
< < < und
1
1
2
o | > > > > 0 . (Vorgabe zweier Punkte
der Operationscharakteristik)
L(p)
p
100%
90%
50%
10%
p
90%
p
50%
p
10%

Produzentenrisiko
Konsumentenrisiko

Statistische Eingangs- und Endkontrolle Seite 25
2.8. Zusammenhang zwischen der Poisson- und der _-
Verteilung
1. Dichte einer Zufallsvariablen y, welche nach der _-Verteilung mit
Freiheitsgrad k (k=1, 2, 3, ) verteilt ist.
( )
1
2 2
2
0 fr y 0
1
fr y>0
2
2
k y
k
k
g y y e
k

s

| |

I
|

\ .

Dabei ist
( )
1
0
y t
y t e dt


I =
}
fr alle 0 y > .
( ) ( )
1
1 ! fr 1,2,...;
2
n n n t
| | | |
I = = I =
| |
\ . \ .

Fr 0 1 s s und 1,2,... k = ist
( )
*
, 0 G k > definiert durch
( )
( ) ,
0
k
G k
k
g y dy

=
}


2. Fr 0,1,2,... c = und jedes reelle 0 x > ist:
2
2
1
0
0
1
1
! 2 !
x y m c
x c
c
m
x
e y e dy
m c

+
=
=

}
.
Beweis:
Sei ( )
0
!
m c
x
m
x
f x e
m

=
=

und
( )
2
2
1
0
1
1
2 !
x y
c
c
h x y e dy
c

+
=

}
fr 0 x > .
Dann gilt:
g
k
(y)
y


G
*
(,t)

Statistische Eingangs- und Endkontrolle Seite 26
a)
( )
0 1 f = ;
( )
0 1 h =
f und h sind fr alle 0 x > stetig und differenzierbar. Wenn also die
beiden Ableitungen ' f und ' h fr alle 0 x > bereinstimmen, dann sind
die beiden Funktionen wegen
( ) ( )
0 0 f h = identisch fr alle 0 x > .
b)
( )
( )
'
df x
f x
dx
=
( )
( )
1
0 1 0
1
1 0
'
! ! !
1 ! ! !
m m m c c c
x x x
m m m
m m c c c
x x x
m m
x m x x
f x e e e
m m m
x x x
e e e
m m c


= = =


= =
(
= =
(

= =




c)
( )
( )
'
dh x
h x
dx
=
( )
( )
2
2
1
0
2 2
2 2
1
1
1
1
' 1
2 !
1
2 2
2 !
2
! 2 !
x y
c
c
x x
c
c
c c x c
x
c
d
h x y e dy
dx c
x e e
c
x e x
e
c c

+

+
+

+
(
=
(


= =

}

Also gilt
( ) ( )
f x h x = fr alle 0 x > .
3. Mit Hilfe obiger Bezeichnung gilt:
( )
( )
( )
( )
2
*
2
, 1
0
0
2
2 1
0
1
1
! 2 !
1
m
np y
c
np c
n c c
m
np
c
np
L p e y e dy
m c
g y dy

+
=
+
= =

}
}

( )
( )
( )
( )
( )
2
*
, 2 1
0
2
2 1
0
1
1
pn
n c c
np
c
L p g y dy
g y dy

+
+
= s
s
}
}



Statistische Eingangs- und Endkontrolle Seite 27
Also gilt:
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
* *
,
* *
,
* *
,
2 1 ; 2 1
2 1 ; 2 1
2 1 ; 2 1
n c
n c
n c
L p np G c
L p np G c
L p np G c



= = +
s > +
> s +

Bemerkung:
Einer Tabelle entnimmt man, dass approximativ gilt:
( )
*
0,5; 0,66 G k k ~ . Fr
den Indifferenzpunkt p
50%
von L
n,c
*
(p) gilt also nherungsweise:
( ) ( ) ( )
50%
2 * 0,5; 2 1 2 1 0,66 np G c c = + ~ + .
Damit ist
50%
2 2 0,66 1 0,33 0,67
2
c c c
p
n n n
+ + +
~ = = .


Statistische Eingangs- und Endkontrolle Seite 28
2.9. Vorgabe zweier Punkte der
Operationscharakteristik
( )
| p
o
o und
( )
| p
|
| seien vorgegeben mit 0 1 p p
o |
< < < und
1
1
2
o | > > > > 0 .
bliche Werte: 0,1 p
|
s ; 0,9 o = oder 0,95 o = ; 0,1 | = oder 0,05 | =
Gesucht ist ein Prfplan (n,c) mit 0 c n s < derart, dass n mglichst klein ist mit
den Eigenschaften
( )
, , N n c
L p
o
o > und
( )
, , N n c
L p
|
| s .
Bemerkung:
Hierbei muss
1
p
N
o
= und
b
p
N
|
= mit , a b e und a b < gelten. Die Existenz
eines solchen Prfplans ist gesichert: Man whlt n N = und c derart, dass
c
p
N
o
s
und
1 c
p
N
|
+
s gilt. Es ist nmlich:
, ,
1 fr 0,1,2,...,
0 fr 1,...,
N n c
M c M
L
N M c N
= = | |

|
= = +
\ .
1,..., M N n c N = + + (


1. Nherung (zur Findung eines Prfplans)
Approximation von
( )
, , N n c
L p durch
( )
*
, n c
L p
Gesucht ist ein Prfplan (n,c) mit 0 c n s < derart, dass n mglichst klein ist und
mit den Eigenschaften
( )
*
, n c
L p
o
o > und
( )
*
, n c
L p
|
| s .
Dies ist wegen des Zusammenhangs zwischen Poisson- und _-Verteilung
quivalent zu folgender Aufgabe: Bestimme n kleinstmglich mit
( ) ( )
*
2 1 ;2 1 np G c
o
o s + und ( ) ( )
*
2 1 ;2 1 np G c
|
| > +
n ist also mglichst klein zu bestimmen mit
( ) ( ) ( ) ( )
* 1 ;2 1 * 1 ;2 1
2 2
G c G c
n
p p
| o
| o + +
s s .

Statistische Eingangs- und Endkontrolle Seite 29
Man prft der Reihe nach fr 0,1,2,... c = , ob es eine solche natrliche Zahl n
gibt. Das kleinste c und das kleinste n, welche obigen Ungleichungen gengt,
fhren zum gesuchten Prfplan (n,c).
Beispiel:
0,01 p
o
= ; 0,9 o = ; 0,03 p
|
= ; 0,1 | =
( ) ( ) ( ) ( )
* *
0,9;2 1 0,1;2 1
0,06 0,02
G c G c
n
+ +
s s
cs durchprobieren, bis die Ungleichung stimmt.
2. Nherung (zur Findung eines Prfplans)
Approximation von
( )
, , N n c
L p durch
( ) ( )
*
, , , n c N n c
L p t mit
( )
( ) ( )
( )
, ,
2 2
2 2 1
N n c
Np c n c
p
n N Np n
t

=
+
.
Gesucht ist ein Prfplan (n,c) mit 0 c n s < derart, dass n mglichst klein ist mit
den Eigenschaften ( ) ( )
*
, , , n c N n c
L p
o
t o > und
( ) ( )
*
, , , n c N n c
L p
|
t | > . Diese
Eigenschaften sind gleichbedeutend mit
( ) ( ) ( )
*
, ,
2 1 ; 2 1
N n c
n p G c
o
t o s + und
( ) ( ) ( )
*
, ,
2 1 ; 2 1
N n c
n p G c
|
t | > + .
Es gilt nun:
( )
( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( )
( )
* *
, ,
* *
* *
*
*
2 2
2
2 1
2 2 2 2 1
2 " 2 1 2
2 1 2
2 2
N n c
Np c n c
n p G G
N Np n
Np c n Np c c N Np G n G
n Np c G N Np G Np c c
N Np G Np c c
n
Np c G
t
s s

+ > >
s
+
>
s
( + + +

>
+ + s

> +

Also: n ist mglichst klein zu whlen mit

Statistische Eingangs- und Endkontrolle Seite 30
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
*
*
*
*
2 1 1 ; 2 1 2
2 2 1 ; 2 1
2 1 1 ; 2 1 2
2 2 1 ; 2 1
N Np G c Np c c
n
Np c G c
N Np G c Np c c
n
Np c G c
| |
|
o o
o
|
|
o
o
+ + +
s
+ +
+ + +
s
+ +

3. Nherung (zur Findung eines Prfplans)
Approximation von
( )
, , N n c
L p durch
( ) ( )
*
, , n c n c
L p t mit ( )
( )
( )
,
2
2
n c
p n c
p
n p
t

=

. Gesucht
ist ein Prfplan (n,c) mit 0 c n s < derart, dass n mglichst klein ist mit den
Eigenschaften
( ) ( )
*
, , n c n c
L p
o
t o > und
( ) ( )
*
, , n c n c
L p
|
t | s . Diese Eigenschaften sind
gleichbedeutend mit
( ) ( ) ( )
*
,
2 1 ; 2 1
n c
n p G c
o
t o s + und
( ) ( ) ( )
*
,
2 1 2 1
n c
n p G c
|
t | > ; + .
Es gilt nun:
( )
( )
( )
( )
* *
,
*
*
*
2 2
2
2
2
2
2
2
4 2
1
2 2 2
n c
p n c
n p G G
p
p G
n c
p
p G
c
n
p
p G c
n
p
t
s s

> >
s

>
s
+
>
s| |
+
|
>
\ .

Also: n ist mglichst klein zu whlen, so dass gilt:
( ) ( ) ( ) ( )
* *
1 ; 2 1 1 ; 2 1
1 1
2 2 2 2 2 2
G c G c p
p c c
n
p p
|
o
| o
| o + +
| |
| |
+ s s +
|
|
|
\ .
\ .
.
Bemerkungen
a) Bei der 1. und 3. Nherung muss N nicht bekannt sein.
b) Man erhlt die 3. Nherung aus der 2. Nherung durch den Grenzbergang
N .

Statistische Eingangs- und Endkontrolle Seite 31
( ) ( )
( )
( )
*
*
* *
*
*
1
2 2
2 1 2
lim lim
2 2
2 2
2 2
4
1
2 2 2
N N
c
p G p c
N Np G Np c c
N N
Np c G c G
p
N N
p G pc
p
p G c
p

| | | |
+
| |
+ +
\ . \ .
=
+ | |
+
|
\ .
+
=
| |
= +
|
\ .



Statistische Eingangs- und Endkontrolle Seite 32
2.10. Kosten-Nutzen-berlegungen
Gewinne werden als negative Verluste aufgefasst
N: Umfang der Partie
M: Anzahl der schlechten Stcke in der Partie
M
p
N
= : Ausschussanteil in der Partie
1
o : Verlust durch ein gutes Stck bei Annahme der Partie ohne Kontrolle
(in der Regel negativ)
1
| : Verlust durch ein schlechtes Stck bei Annahme der Partie ohne
Kontrolle (in der Regel positiv)
V
1
: Gesamtverlust bei Annahme der Partie (ohne Kontrolle)

Es gilt:
( ) ( ) ( )
1
1
1 1 1 1 1 1 1 1 1
i.d.R. negativ
a
b
V N M M N M N N p o | o | o o | o = + = + = +
1 2 3
1 44 2 4 43 1 44 2 4 43


( )
1 1 1
V p a b p = +

2
o : Verlust durch ein gutes Stck bei Ablehnung der Partie ohne
Kontrolle
2
| : Verlust durch ein schlechtes Stck bei Ablehnung der Partie ohne
Kontrolle
V
2
: Gesamtverlust bei Ablehnung der Partie ohne Kontrolle


Statistische Eingangs- und Endkontrolle Seite 33
Es gilt

( ) ( ) ( )
2
2
2 2 2 2 2 2 2 2 2
a
b
V N M M N M N N p o | o | o o | o = + = + = +
1 2 3
1 44 2 4 43


2 2 2
V a b p = +
Wir setzen voraus:
( ) ( )
1 2
0 0 V V < und
( ) ( )
1 2
1 1 V V > .
( )
1 1 1
V p a b p = + ;
( )
2 2 2
V p a b p = +
( ) ( )
1 2 1 2 2 1
0 0 0 V V a a a a < < >
( ) ( )
1 2 1 1 2 2 1 2 2 1
0
1 1 V V a b a b b b a a
>
< + > + >
14 2 43

Es gibt eine eindeutig bestimmte Schnittstelle p
0
von
( )
1
V p und
( )
2
V p . Es gilt:
( ) ( )
( )
1 0 2 0
1 1 0 2 2 0
1 2 0 2 1
2 1
0
1 2
V p V p
a b p a b p
b b p a a
a a
p
b b
=
+ = +
=


Ferner ist
0
0 1 p < < , p
0
heit Trennqualitt.
Ist
0
p p < , so sollte die Partie angenommen werden,
ist
0
p p > , so sollte die Partie abgelehnt werden,
V
1
(p)
(Annahme)

1
Verlust
p
p
0 p=0

V
2
(p)
(Ablehnung)


Statistische Eingangs- und Endkontrolle Seite 34
ist
0
p p = , so fhren beide Entscheidungen zum selben Verlust.
Leider ist p im Allgemeinen unbekannt.
Kosten einer Stichprobe vom Umfang n:
1 2
d n d + mit
1
0 d > und
2
0 d >
d
1
: Prfkosten pro Stck
d
2
: fixe Prfkosten
Ferner sei L(p) die Operationscharakteristik des verwendeten Prfplans (n,c).
Damit ergibt sich der durchschnittliche Gesamtverlust V
g
(p) bei Verwendung des
Prfplans (n,c) zu:
( ) ( ) ( ) ( ) ( ) ( )
1 2 1 2
1
g
V p V p L p V p L p d n d = + + + .


Statistische Eingangs- und Endkontrolle Seite 35
2.11. Minimax-Regret-Prinzip
Von Prfplnen (n,c) kann man lediglich verlangen, dass sie zu Entscheidungen
fhren, die den Entscheidungen mglichst nahe kommen, die man treffen wrde
wenn man den Ausschussanteil kennen wrde. Es ist daher sinnvoll, von dem
durchschnittlichen Gesamtverlust V
g
(p) den unvermeidbaren Verlust
( ) ( ) ( ) { }
1 2
min ;
u
V p V p V p = zu subtrahieren. Damit erhlt man den
durchschnittlichen vermeidbaren Verlust
( ) ( ) ( )
v g u
V p V p V p = (Regret-Funktion).
Gesucht ist nun ein Prfplan (n,c), der das Maximum
( )
0 1
max
v
p
V p
s s
des
durchschnittlich vermeidbaren Verlustes minimiert.
Es ist
( )
( )
( )
1 0
2 0
fr 0
fr p 1
u
V p p p
V p
V p p
s s

=

s s


und
( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
2 1 1 2 0
1 2 1 2 0
1 fr 0
fr 0
V
V p V p L p d n d p p
V p
V p V p L p d n d p p

+ + s s

=

+ + s s


Daher ist:
( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
2 1 1 2 1 2 0
1 2 2 1 1 2 0
1 fr 0
fr 1
v
a a b b p L p d n d p p
V p
b b p a a L p d n d p p

+ + s s

=

+ + s s


wobei
2 1
0
1 2
a a
p
b b

gilt.
In Abhngigkeit vom Prfplan (n,c) und vom Ausschussanteil p wird die
Regretfunktion (=durchschnittlicher, normierter, vermeidbarer Verlust) R
n,c
(p)
wie folgt definiert: ( )
( )
( )
2
,
2 1 0 0
2
2
v
n c
V p d
R p
a a p p

=


V
1
(p)
(Annahme)

1
Verlust
p
p p=0

V
2
(p)
(Ablehnung)

V
u
(p)

Statistische Eingangs- und Endkontrolle Seite 36
Da
2 1
0 a a > gilt, minimiert ein Prfplan, der das Maximum
( )
0 1
max
v
p
V p
s s
des
durchschnittlich vermeidbaren Verlustes minimiert, auch das Maximum
( )
,
0 1
max
n c
p
R p
s s
der Regretfunktion (und umgekehrt). Mit der Setzung
( )
1
2 1 0 0
2
2
d
d
a a p p
=

gilt:
( )
( )
( ) ( ) ( )
( )
( ) ( )
0 0 2
0 0
,
0 0 2
0 0
2
1 fr 0
2
2
fr p 1
2
n c
p p L p d n p p
p p
R p
p p L p d n p
p p

+ s s

+ s s


Dadurch haben wir die 6 Eingangsparameter auf 2 (p
0
und d) reduziert.
Definition:
Ein Prfplan (n
*
,c
*
) heit kostenoptimal, falls er das Maximum
( ) ( )
,
0 1
, max
n c
p
M n c R p
s s
= minimiert.
( ) ( )
* *
, , M n c M n c s fr jeden Prfplan (n,c) mit 0 c n s s .
Bemerkung:
( ) ( )
* *
,
, 0 1
, min max
n c
n c p
M n c R p
s s
= [Minimax-Regret-Prinzip]
Bei obiger Definition sind nur Prfplne (n,c) mit 0 c n s s zur Konkurrenz
zugelassen. Daher ist noch ein Vergleich erforderlich mit Entscheidung ohne
Kontrolle, also mit 0 n = (hier ist
2
0 d = ).
Fr die Annahme ohne Kontrolle gilt wegen
( )
1 L p :
( )
( )
( )
0, 0 2
0 1
0 0
2
max 1
2
p
R p p
p p

s s
=

und
( ) ( ) ( ) ( ) ( )
1 2 2 1 1 2 0
0 1
max 1
v
p
V p b b a a b b p
s s
= =
Fr die Ablehnung ohne Kontrolle gilt wegen
( )
0 L p :

Statistische Eingangs- und Endkontrolle Seite 37
( ) ( )
( ) ( )
0, 0, 0 2
0 1
0 0 0 0
2 2
max 0
2 2
p
R p R p
p p p p

s s
= = =

und
( ) ( )
2 1 1 2 0
0 1
max
v
p
V p a a b b p
s s
= = .
Der Vergleich eines kostenoptimalen Prfplans mit der Entscheidung ohne
Kontrolle muss wegen
2
0 d = im Falle der Entscheidung ohne Kontrolle anhand
des Maximums der durchschnittlichen vermeidbaren Verlustes erfolgen es sei
denn, es gilt
2
0 d = auch bei Stichprobenkontrollen.
Bemerkung:
Es existiert stets ein kostenoptimaler Prfplan.
Begrndung:
Da der erste Summand von
( )
, n c
R p beschrnkt ist, scheiden groe
Stichprobenumfnge wegen
( )

, n c
R p fr n aus. Es gibt also eine obere
Schranke fr n. Damit sind nur endlich viele Prfplne zur Konkurrenz
zugelassen.
Bemerkung:
In [0; p
0
] und in [p
0
; 1] hat
( )
, n c
R p je (genau) eine
Maximalstelle. Diese liegt nahe
bei p
0
. Bei festen n und
wechselndem c steigt das
rechte Maximum und fllt das
linke Maximum. Also kommen
nur solche Prfplne (n,c) fr
Kostenoptimalittsbetrachtungen
in Frage, fr die
( ) ( )
s s s s
~
0 0
, ,
1 1
max max
n c n c
p p p p
R p R p gilt.

1
R
n,c
(p)
p
p
0

Statistische Eingangs- und Endkontrolle Seite 38
2.12. Nherung fr einen kostenoptimalen Prfplan nach
van der Waerden
Die Operationscharakteristik L(p) wird mit Hilfe der Normalverteilung
approximiert. Es gilt:
( ) ( ) ( )
( )
| |
+
|
= ~ ~ u
|
|
|
\ .
, , ,
1
2
1
N n c n c
c n p
L p L p L p
n p p
.
Hierbei ist u die Verteilungsfunktion der Standardnormalverteilung N(0; 1).
Dann gilt:
( )
( )
( )
( )
( )
( )
( )
| |
+
|
u + s s |

|
|

\ .
=

| |

+
|

u + s s
|

|
\ .
0 0 2
0 0
0 0
,
0 0 2
0 0
0 0
1
2
2
fr 0
2
1
1
2
2
fr p 1
2
1
n c
c np
p p dn p p
p p
np p
R p
c np
p p dn p
p p
np p

Setzung:
( )
( )
( )

= = +

0 0 0
0
0 0
1
1
p p n p p
x p p x
n
p p

Daraus folgt:
( )
( )
( )
( )
( )
( )
( )
( )
( )
|
|
| |
+ +
|
+
|
|
|
\ .
s s s
| |

|
+ ~
|
\ .
| |
+
|
+
|
|
|
\ .
s s >
0 0 0
0 0
2
0 0 0 0
0
0 0
, 0
0 0 0
0 0
2
0 0 0 0
0
1
1
2 1
2

2 1
fr 0 und 0
1
1
1
2 1
2

2 1
fr p 1 und 0
n c
c np x np p
p p
x dn
p p n np p
p p x
p p
R p x
n
c np x np p
p p
x dn
p p n np p
p x

Wegen

= ~
+
0 0
2
0 0 0
2 1 4 4
1
2 4 4
p p
p p p
gilt:

Statistische Eingangs- und Endkontrolle Seite 39
( )
( )
( )
|
|

| |
+ s s s


|
+ ~

|

\ .
+ s s >

3 1
2 2
0 0
0 0
, 0
3 1
2 2
0 0
fr 0 und 0
1
fr p 1 und 0
n c
x p n x dn p p x
p p
R p x
n
x p n x dn p x

Fr
0
1
0
2
c np + > wre das rechte Maximum grer als das linke.
Fr
0
1
0
2
c np + < wre das linke Maximum grer als das rechte.
Wir setzen also
0
1
0
2
c np + = ;
0
1
2
c
p
n
+
= ;
50%
0,67 c
p
n
+
= . Damit ist p
0
also
ungefhr gleich dem Indifferenzpunkt p
50%
eines kostenoptimalen Prfplans.
Es gilt also:
( )
( )
( )
3 1
2 2
0
0 0
, 0
3 1
2 2
0
mit 0
1
0
mit 0
n c
x p n x dn x
p p
R p x
x p n x dn x
|
|

| |
+ s


|
+ =

|

\ .
+ >


Wegen
( ) ( ) ( ) ( )
0 0
max max 0,1700
x x
x x x x | |
s >
= = gilt fr
0
1
2
c np = :
( )
( )
3 1
0 0
2 2
, , 0 0
0 1
1
max max 0,1700
n c n c
p x
p p
R p R p x p n dn
n

s s e
| |

|
= ~ +
|
\ .

.
Nun muss n so gewhlt werden, dass
( )
3 1
2 2
0
: 0,1700 f n p n dn

= + minimal wird.
Dazu wird n als positive reelle Variable aufgefasst. Es gilt:
( )
3 2
2 1
0
1
0,1700
2
df n
p n d
dn

= + und
( )
2
3 5
2 2
0 2
3
0,1700 0
4
d f n
p n
dn

= > fr alle
0 n > .
( )
0
df n
dn
= fhrt also zum globalen Minimum.

Statistische Eingangs- und Endkontrolle Seite 40
( )
3 3
2 2
0
3 3
2 2
0
2
2
3
1
3
0
2
1
3
0
0
1
0,1700
2
2
0,1700
2
0,1700
0,193
df n
dn
p n d
n p d
n d p
n p d

=
=
=
| |
=
|
\ .
=

Ferner ist:
( )
1 2 3 1 1
1
3 3 2 2 2
0 0
0
min 0,1700 0,193 0,193
n
f n p p d d p d


>
= +
( )
3 1
2 2
0,1700 f n p n dn

= +
( )
1 1 1
1 1 1
3 3 3
0 0
0
min 0,387 0,193 0,580
n
f n p d p d p d

>
= + =
Damit erhlt man folgende Nherung nach van der Waerden: Die Trennqualitt
2 1
0
1 2
a a
p
b b

und die relativen Prfkosten


( )
1
2 1 0 0
2
2
d
d
a a p p
=

seien gegeben.
Sei c die zu
2
3
1
0,193
2
c d

= nchstgelegene nichtnegative ganze Zahl und n


die zu
0
1

2
c
n
p
+
= nchstgelegene ganze Zahl 1 > , so ist der Prfplan
( )
, n c
nherungsweise kostenoptimal. Fr diesen Prfplan
( )
, n c ist das Maximum der
Regretfunktion nherungsweise gleich
1
1
3
0

0,580 M p d

= .


Statistische Eingangs- und Endkontrolle Seite 41
2.13. Nherung fr einen kostenoptimalen Prfplan nach
von Collani
Diese Nherung basiert auf folgender diskreten Approximation der exakten
Operationscharakteristik
( )
, , N n c
L p durch
( ) ( )
( ) ( )
( )
, ,
, ,
*
, , ,
0
!
N n c
m
c
N n c n p
n c N n c
m
n p
L p e
m
t
t
t

=

, wobei ( )
( ) ( )
( )
, ,
2 2
2 2 1
N n c
Np c n c
p
n N Np n
t

=
+

ist.
Wie oben sei
2 1
0
1 2
a a
p
b b

und
( )
1
2 1 0 0
2
0
2
d
d
a a p p
= >

. Wir beschrnken uns
auf den Fall
2
0 d = und
0
1 1
2
p
N
< < .
Dann erhlt man folgende Nherungslsung:
Fall I:
0
2
0,38274
2
p
d

>
Zu gegebenem
0
2
2
p
d

bestimmt man die Gleichung eindeutig


bestimmte positive reelle Zahl
0,2
(s. Tabelle).
Fall I, 1:
0,2
1 0,2
0
0,2
2 1
2
p e

+
| |
s |
|
+
\ .

Ablehnung ohne Kontrolle ist nherungsweise kostenoptimal.

V
1
(p)
1
p
p
0
V
2
(p
)

V
u
(p)

Statistische Eingangs- und Endkontrolle Seite 42
Fall I, 2:
0,2
1 0,2
0
0,2
2 1
2
p e

+
| |
> |
|
+
\ .

*
( ,0) n ist nherungsweise kostenoptimal, wobei
*
0 n > die zu
0
0,2
0
2
2
r
p
n
p

= nchstgelegene ganze Zahl ist.


Ferner ist
( )
( ) 0,2
1
* *
0 0,2
1
,0 M n e dn
p

+
= +

nherungsweise das Maximum


der zugehrigen Regretfunktion.
Fall II:
0
2
0,38274
2
p
d

s
Hier verwendet man die Tabelle der Gren
( ) c t ,
( )
0
c und
( )
m c . Man
bekommt zunchst den Prfplan
( )
* *
, n c mit
*
0 c = , falls
( )
0 d t > .
Ansonsten
*
1 c > als diejenige ganze Zahl mit
( ) ( )
* *
1 c d c t t > > und
*
0 n > als die zu
( )
*

s
n c nchstgelegene ganze Zahl, wobei
( )
( ) ( ) ( )
( ) ( )
* * *
0 0 0
*
* *
0 0
2 2 1 2

2 2 2
s
N Np c c Np c
n c
Np c c

+ +
=
+
ist.
Ferner berechnet man nherungsweise das Maximum der Regretfunktion
* *
, n c
R zu.
( )
( )
( )
( )
( )
2
*
0
* * * *
2 * *
* *
0 0
2 2 1
2 1
, .
2 2 4 2 2
N n Np
M n c m c dn
p p n c
N n c N
+
= +

+

Fall II, 1:
Falls
( )
( )
0 * *
0
1 , falls Np ganzzahlig ist
,
, falls nicht ganzzahlig ist
N d
M n c
Nd Np

gilt, so ist der Prfplan


( )
* *
, n c nherungsweise kostenoptimal.


Statistische Eingangs- und Endkontrolle Seite 43
Fall II, 2:
Falls
( )
( )
0 * *
0
1 , falls Np ganzzahlig ist
,
, falls nicht ganzzahlig ist
N d
M n c
Nd Np

>

gilt, so ist der Prfplan


( )
* *
, n c
% %
nherungsweise kostenoptimal, wobei
*
c
%
die grte ganze Zahl
kleiner als
0
Np und
0 *
0
1, falls ganzzahlig
, falls nicht ganzzahlig
N Np
n
N Np

=

%
ist.
Bemerkung: Falls die Tabelle der
( ) c t ,
( )
0
c ,
( )
m c nicht ausreicht, so soll die
Nherung nach van der Waerden verwendet werden.

Statistische Eingangs- und Endkontrolle Seite 44
2.14. Andere Optimalittsprinzipien
Beim Minimax-Regret-Prinzip geht man davon aus, dass man keine Aussage ber
den Ausschussanteil machen kann. Bei Anwendung des bayesschen Prinzips
nimmt man an, dass man die Verteilungsfunktion F des Ausschussanteils p
kennt. Hier wird ein Prfplan derart bestimmt, dass das Integral
( ) ( )
1
0
v
V p dF p
}

minimal wird. Das Bayessche Prinzip ist also optimistisch (man kennt die
Verteilungsfunktion F des Ausschussanteils p).
Das -Minimax-Prinzip stellt eine Mglichkeit eines Kompromisses zwischen den
beiden Prinzipien dar. Hier wird von der Verteilungsfunktion F des
Ausschussanteils p lediglich angenommen, dass sie in einer bekannten Menge
von Verteilungsfunktionen liegt. Ein Prfplan wird auf Grund dieses Prinzips
derart bestimmt, dass
( ) ( )
1
0
sup
v
F
V p dF p
e
}
minimal wird.
Eine andere Mglichkeit des Kompromisses zwischen dem Minimax-Prinzip und
dem Bayesschen Prinzip stellen die sogenannten o-optimalen Prfplne dar.
Hier wird lediglich angenommen, dass man den Anteil der guten
Warenlieferungen, als der Partien mit
0
p p s kennt. Dieser Anteil wir mit o
(Vertrauensparamter) bezeichnet. Dadurch besteht die Mglichkeit, die beiden
Maxima der Regretfunktion zu gewichten. Ein o-optimaler Prfplan minimiert die
Gre
( ) ( ) ( )
0 0
, ,
0 1
max 1 max
n c n c
p p p p
R p R p o o
s s s s
+ .

Statistische Prozesskontrolle Seite 45
3. Statistische Prozesskontrolle
In der Prozesskontrolle werden neben reinen Inspektionsprozeduren auch
Stichprobenkontrollen mit Testprozeduren angewendet. In der Praxis wird der
zweiseitige Gautest in der Form einer Shewhart-, x- oder Mittelwertkarte hufig
angewandt.
Zweiseitiger Gausstest:
Test ber den Mittelwert einer normalverteilten Grundgesamtheit x bei
bekannter Varianz o. GG:
( ) ( )
2
~ , x N o
Sollwert des Mittelwertes:
0
, bekannt
0 0
: H = ;
1 0
: H =
Unabhngige Zufallsstichprobe: x
1
, , x
n
vom Umfang n (n=3, 4, 5)
Testschranke: c (c=1,96; c=2,58)
Ablehnung von H
0


0
0 0
0 0
oder
x
H n c x c
n
x c x c
n n
o

o
o o

> >
> + >

Annahme von H
0
:

0
0
0 0
x
H c n c
c x c
n n

o
o o

s s
s s +


Statistische Prozesskontrolle Seite 46



h

t (Zeit)



h h
Kontrollabstnde mssen gleich sein

Statistische Prozesskontrolle Seite 47
t
F(t)
1
3.1. Ein Prozessmodell (Schockmodell)
x sei das interessierende Merkmal. Die Folge der produzierten Stcke wird
dargestellt durch eine Folge x
1
, x
2
, unabhngiger Zufallsvariablen. Der Prozess
startet im Zustand 1 (in-control state), dem Zustand zufriedenstellender
Produktion. Nach Ablauf der Zeit t
1
tritt ein Zwischenfall (Schock) ein, nachdem
der Prozess in Zustand 2 (out-of-control state) produziert, dem Zustand
schlechter Produktion. Der Prozess bleibt in diesem Zustand 2, bis eine
Neueinstellung, Reparatur oder hnliches vorgenommen worden ist, nach der der
Prozess wieder wie neu im Zustand 1 arbeitet. Man bezeichnet daher diese
Neueinstellunge, Reparatur als eine Erneuerung. Nach Ablauf der Zeit t
2
tritt
wiederum ein Schock ein und der Prozess arbeitet wieder im Zustand 2.
Erneuerung Zustand 1- t
3
- Zustand 2 Erneuerung -
Wir nehmen an, dass die Zufallsvariablen
1
t ,
2
t ,
3
t , unabhngig sind und alle
nach derselben Exponentialverteilung
( )
Exp mit dem bekannten
Parameter 0 > verteilt sind.
Verteilungsfunktion F einer nach
( )
Exp -verteilten Zufallsvariablen t :
( )
0 fr 0
1 fr 0
t
F t
e t
t
s
=

>

( ) ( )
F t p t t ( = s


( ) ( )
1
Exp E t t

~ =
Ferner wird vorausgesetzt, dass die
Produktionsgeschwindigkeit v, also die

t (Zeit)
Zustand

2
1

Statistische Prozesskontrolle Seite 48
Anzahl der pro Zeiteinheit produzierten Stcke konstant und bekannt ist.


Statistische Prozesskontrolle Seite 49
3.2. Kontrollprozeduren
Man unterscheidet zwischen reinen Inspektionsprozeduren und Inspektionen mit
vorgeschalteten Stichprobenkontrollen. Bei reinen Inspektionsprozeduren wird
nach je h Zeiteinheiten eine Inspektion des Prozesses vorgenommen.
Bei Inspektionen mit vorgeschalteten Stichprobenkontrollen wird nach je h
Zeiteinheiten eine unabhngige Zufallsstichprobe vom Umfang n der laufenden
Produktion entnommen (n hintereinander produzierte Stcke) und mit Hilfe einer
Vorschrift entschieden, ob eine Inspektion des Prozesses vorgenommen
werden soll. In beiden Fllen wird angenommen, dass man aufgrund einer
Inspektion den wirklichen Zustand (Zustand 1 oder Zustand 2) des Prozessen mit
Sicherheit erkennt.
Fr das Folgende ist der Begriff durchschnittliche Laufzeit ARL (average run
length) einer Kontrollprozedur von Bedeutung. Sie gibt die durchschnittliche
Anzahl von Zeitintervallen der Lnge h an, bis eine Inspektion des Prozesses
durchgefhrt wird. Sie hngt i.a. von dem Zustand des Prozesses ab. Man
unterscheidet daher die durchschnittliche Laufzeit ARL 1 im Zustand 1 und die
durchschnittliche Laufzeit ARL 2 im Zustand 2.
Fr reine Inspektionsprozeduren gilt: ARL 1=ARL 2=1.
Spezialfall: x -Karten
Das interessierende Qualittsmerkmal x sei normalverteilt mit der konstanten
und bekannten Varianz
2
o .
Zustand 1:
( )
2
0
~ ; x N o ,
0
ist der bekannte Sollwert
Zustand 2:
( )
2
0
~ ; x N oo o , 0 o > ist der bekannte Verschiebungs oder
Shiftparameter.
Nach je h Zeiteinheiten
( )
0 h > werden der laufenden Produktion n Stcke
( )
1 n >
entnommen und das arithmetische Mittel x berechnet. Falls sich
0
x
n c

>
ergibt, so wird eine Inspektion des Prozesses durchgefhrt, ansonsten wird ohne
Inspektion weiter produziert. Dabei wird 0 c > als die Kontrollgrenze bezeichnet.

Statistische Prozesskontrolle Seite 50
Eine solche x -Karte ist also durch die Angabe des Tripels (h, n, c) mit n
+
e ,
n e und
0
c
+
e eindeutig bestimmt.
o : Wahrscheinlichkeit fr den Fehler 1. Art
| : Wahrscheinlichkeit fr den Fehler 2. Art
Es gilt:
( )
( )
( ) ( ) ( )
( )
( )
( )
0
0
0
~ 0,1
Probability Inspektion|Zustand 1
| Zustand 1
1 | Zustand 1
1 | Zustand 1
1
1 )
2
N
c
x
P n c
x
P n c
x
P c n c
c c
c c
c
|
o

o
| |
| |
|
=
=
| |
= >
|
\ .
| |
= s
|
\ .
| |
= s s
|
|
\ .
=
= + (
=
1 44 2 4 43
14 2 43

wobei | die Verteilungsfunktion der Standardnormalverteilung ist.

( )
( )
2
0
2
0
0
~ ;
~ ;
~ 0;1
x N
x N
n
x
n N
o
o

o
| |
|
\ .



Statistische Prozesskontrolle Seite 51
Ferner ist:
( )
0
keine Inspektion | Zustand 2
| Zustand 2
P
x
P n c
|

o
=
| |
= s
|
\ .

a)
( )
( )
( )
( )
( ) ( )
2 0
0
2 0
0
2 0
0
~ 0;1
| ~ ;
| ~ ;
| ~
N
x
P n c x N
x
P c n c x N
x
P c n n c n x N
c n c n

| o o o
o

o o o
o
o o
o o o o o
o
| o | o
| |
= s +
|
\ .
| |
= s s +
|
\ .
| |
|

= s s + ; |
|
|
\ .
=
1 4 4 4 2 4 4 4 3


b)
( )
( )
( )
( )
( ) ( )
( ) ( ) ( )
( ) ( )
2 0
0
2 0
0
2 0
0
~ 0;1
| ~ ;
| ~ ;
| ~
1 1
N
x
P n c x N
x
P c n c x N
x
P c n n c n x N
c n c n
c n c n
c n c n

| o o o
o

o o o
o
o o
o o o o o
o
| o | o
| o | o
| o | o
| |
= s
|
\ .
| |
= s s
|
\ .
| |
|
+
= + s s + ; |
|
|
\ .
= + +
=
=
1 4 4 4 2 4 4 4 3

( ) ( )
c n c n | | o | o =
Kontrollabstand: h

0
x
n c

> : Alarm

Statistische Prozesskontrolle Seite 52
(h, n, c): Prfplan
Zustand 1:
( )
2
0
~ ; x N o
Zustand 2:
( )
2
0
~ x N o o o ;
( )
( ) ( )
c
c n c n
o |
| | o | o
= 2
=

Es gilt:
1
ARL 1
i
i P

=
=


(Die erste Inspektion findet nach genau i Kontrollabstnden statt | Zustand 1)
( ) ( )
1 1
1 1
ARL 1 1 1
i i
i i
i i o o o o


= =
= =


Einschub:
Fr alle x e mit 1 x < gilt
( )
1
2
1
1
1
i
i
i x
x

=
=


Beweis:
Es gilt:
0
1
1
i
i
x
x

=
=

.
Daraus folgt:
( ) ( )
2 2
0
1 1
1 1
i
i
d
x
dx
x x

= =

.
Dieses ist aber
( )
1
2
1
1
1
i
i
i x
x

=
=

.
Also ist
2
1 1
ARL 1 o
o o
= = .


Statistische Prozesskontrolle Seite 53
Es gilt:
1
ARL 2
i
i P

=
=


(Die erste Inspektion findet nach genau i Kontrollabstnden statt | Zustand 2)
( ) ( ) ( )
( )
1 1
2
1 1
1
ARL 2 1 1 1
1
i i
i i
i i | | | | |
|


= =
= = =



Also ist
1
ARL 2
1 |
=




Statistische Prozesskontrolle Seite 54
3.3. Kosten-Nutzen-berlegungen
Eine Kontrollprozedur soll derart bestimmt werden, das der durchschnittliche
Profit
*
t pro produziertem Stck auf lange Sicht maximal wird.
Folgende Gren sind bekannt:
1
0 g > : Gewinn pro Stck, welches im Zustand 1 produziert wird
2 1
g g < : Gewinn pro Stck, welches im Zustand 2 produziert wird
Erstrebenswert ist
*
1
g t = . Bei dem von uns betrachteten
Produktionsmodell (Schockmodell) ist dies unmglich. Es gilt aber sicherlich:
*
2 1
g g t s < .
Der kleinstmgliche Wert von
*
t ist
2
g . Dieser Wert wird genau dann
angenommen, wenn nicht kontrolliert und der Prozess sich selbst berlassen
wird, falls also h = ist. Fixe Stichprobenkosten sollen nicht anfallen.
* 0 a > : Kosten fr die Erhebung und Auswertung eines Stckes
*
n
a : Kosten einer Stichprobe vom Umfang n
* 0 e > : Kosten einer irrtmlichen Inspektion (Kosten einer Inspektion im
Zustand 1, Kosten eines Fehlalarms)
* 0 b > : Durchschnittlicher Nutzen einer Erneuerung
*, *, * a e b bekannt

Zur Berechnung von * b :
* b = Gewinn, erwirtschaftet durch Produktion im Zustand 1 statt im Zustand 2
whrend einer Dauer von durchschnittlich
1

Zeiteinheiten, abzglich der


Gesamtkosten einer Erneuerung (inkl. einer Inspektion im Zustand 2).
( )
1 2
1
* Gesamtkosten einer Erneuerung b g g v

=

Statistische Prozesskontrolle Seite 55
Bemerkung:
Falls
*
0 b s wird, so wre eine Kontrolle des Prozesses sinnlos. Fr * 0 b s ist
also h = mit
*
2
g t = optimal.

Statistische Prozesskontrolle Seite 56
3.4. Die Zielfunktion
Zur Darstellung der Zielfunktion ist der Begriff eines Erneuerungszyklus von
Bedeutung. Ein Erneuerungszyklus stellt das Geschehen zwischen zwei
aufeinander folgende Erneuerungen dar. Folgende Zufallsvariablen werden
eingefhrt:
P : Gesamtprofit whrend eines Erneuerungszyklus (Zeit zwischen zwei
aufeinanderfolgenden Erneuerungen)
N : Anzahl der produzierten Stcke whrend eines Erneuerungszyklus
1
A : Anzahl der Kontrollabstnde whrend eines Erneuerungszyklus, an deren
Ende der Prozess im Zustand 1 ist
2
A : Anzahl der Kontrollabstnde whrend eines Erneuerungszyklus, an deren
Ende der Prozess im Zustand 2 ist
F
A : Anzahl der irrtmlichen Inspektionen (Fehlalarme) whrend eines
Erneuerungszyklus
Sei nun eine Kontrollprozedur mit dem Kontrollabstand h, dem
Stichprobenumfang n und den durchschnittlichen Lauflngen ARL 1 und ARL 2
gegeben, dann gilt:
1.
( )
( )
*
E P
E N
t =
2.
( ) ( ) ( ) ( )
* * *
1 2 2 1 2 F
E P b E A A h v g E A e E A A a n = + + +
3.
( ) ( )
1 2
E N E A A h v = +
4.
( )
( )
1
ARL 1
F
E A
E A = (in guter Nherung, exakt z.B. fr x -Karten)
5.
( )
1
1
1
h
E A
e


6.
( )
2
ARL 2 E A = (in guter Nherung, exakt z.B. fr x -Karten)
t : Lebensdauer von Zustand 1 whrend eines Erneuerungszyklus
( )
~ Exp t


Statistische Prozesskontrolle Seite 57


Statistische Prozesskontrolle Seite 58
Zu 5
( ) ( ) ( ) ( )
( )
( )
( ) ( ) ( ) ( )
1
1 1
0 0 0
1
0 0 1
1
1 1 1
i h i h
i i i
i
i h h h i h h h h
i i i
E A i P A i i P i h i h i e e
i e e e i e e e i e


t

+
= = =



= = =
= = = < s + =
= = =



( )
1
x
P e

t

s =
( ) ( )
2 1 1 2
1 2
1 1
x x x x
P x x e e e e

t

< s = =
Wegen
1
2
1
1
1
i
i
i x
x

=
=

fr alle x mit 1 x < gilt:


( ) ( )
( )
1 2
1
1
1
1
h
h h
h
h
e
E A e e
e
e





= =


und mit
h
e

erweitert:
( )
1
1
1
h
E A
e


Zu 6
| : Wahrscheinlichkeit fr den Fehler 2. Art (Kontrollkarte ohne Gedchtnis)
( ) ( ) ( )
( )
( )
1 1
2
1 1
2
1 1
1 1
1 ARL 2
1
1
i i
i i
E A i i | | | |
|
|
|


= =
= =
= = =



Zu 4
o : Wahrscheinlichkeit fr den Fehler 1. Art (Kontrollkarte ohne Gedchtnis)

( ) ( ) ( ) ( )
( ) ( )
( )
( )
1 1
1 1
1
1 1
1
1
|
1
ARL 1
F F i
i i
i
E A E A A i P A i i P A i
E A
i P A i E A
E A
o
o o
o

= =

=
= = = = =
= = = =
=



Statistische Prozesskontrolle Seite 59
Damit gilt
( )
( )
( ) ( ) ( )
( )
( )
( )
* * *
1 2 2 1 2 *
1 2
* *
*
2
1 2
F
F
E P b E A A h v g E A e E A A a n
E N E A A h v
b E A e
a n
g
E A A h v h v
t
+ + +
= =
+


= +
+

Daraus folgt (zumindest in guter Nherung, exakt z.B. fr x -Karten):
( )
( )
( )
( )
( )
( )
( )
*
*
1 * *
* *
*
2 2
1 2
* *
*
* * *
*
2 2 *
1 ARL 1
ARL 1
1
ARL 2
1
1
1 1
ARL 1 ARL 1
1 1 ARL 2 1 1 ARL 2
h
h
h t
h t
e
E A
b
b e
e
a n a n
g g
E A A h v h v h v
h v
e
b e
e b e
a n e a
e
g g n
h v h v e
e e h v




= + = +
+ | |
+
|

\ .
| |

|

| = + = +
( + +


\ .
|
|

Wir setzen
*
*
b
b
e
= und
*
*
a
a
e
=
b: relativer durchschnittlicher Nutzen einer Erneuerung
a: relative Prfkosten
Ferner sei
( )
*
2 *
v
g
e
t t

die standardisierte Zielfunktion. Die Maximierung


von
*
t und die Maximierung von t sind gleichbedeutend, da t weniger
Parameter enthlt.
Misst man die Zeit noch in Einheiten der durchschnittlichen Lebensdauer
1

des
Zustandes 1, so erhlt man den standardisierten
Kontrollzustand x:
1
h
x h

| |
= =
|
\ .
.
Damit gilt:
( )
( )
( )
1
1
1
ARL 1
, ,
1 1 ARL 2
x
x
b e
x n a n
x
e
t
| |

|
=
|
|
+
\ .


Statistische Prozesskontrolle Seite 60
Fr den Spezialfall von Kontrollkarten ohne Gedchtnis mit definierten
Wahrscheinlichkeiten o und | fr die Fehler 1. Art bzw. 2. Art (also z.B. fr x -
Karten) erhlt man:
( )
( )
( )
( )
( )
1 1
1 1
, , 1
1
1 1
1
x x
x
x
b e b e
x n a n a n
x x e
e
o o
t |
|
|
| |
| | |

| | = =
| |
+
\ .
|

\ .

Fr den Spezialfall der reinen Inspektionsprozeduren erhlt man mit 0 n = ,
ARL 1 ARL 2=1 = bzw. mit 1 o = , 0 | = :

( )
( )
1 1
,0,
x
x
b e
x
x e
t

=



x


Statistische Prozesskontrolle Seite 61
3.5. Optimale reine Inspektionsprozeduren
fr x
Zu gegebenem 0 b > ist die standardisierte Zielfunktion
( )
( )
1 1
,0,
x
x
b e
x
x e
t

=


In Abhngigkeit von 0 x > zu maximieren.
Es gilt
( )
0
lim ,0,
x
x t

= und
( )
lim ,0, 0
x
x t

= .
Ferner ist:

( ) ( )
( )
( ) ( )
2 2
2
2 2
2 2
2
1 1
1 1 1
1 1
1
1 1
x x x x
x
x x
x
x x
x x x
x
x
b e x e b e e x e
d
dx x e
b x e b e x
x e
b x e b e b x
x e
b x e b e b b x e b x x
x e
b e b x
x e
t

(
+

=

(
+ (


=

( + (


=

( +

=

+ + +
=


( ) ( )
1
0 1 1
1
x
x
d x b
b e b x
dx b e
t +
= = + + =
+

Sei
( )
1
x
x
f x
e
+
= .
Es gilt
( )
0 1 f = und
( )
lim 0
x
f x

= .
Ferner ist
( ) ( )
2 2
1
0
x x
x
x x x
df x e x e
x e x
dx e e e

+

= = = < fr alle 0 x > . Also ist f
stetig monoton fallend. Es gibt also genau eine positive reelle Zahl
*
0
x fr die
*
0
*
0
1
1
x
x b
b
e
+
=
+
gilt.
*
0
x kann nur eine Maximalstelle von t sein, die zugleich die
Stelle eines absoluten Maximums von t ist.

Statistische Prozesskontrolle Seite 62
Wegen
( )
*
0
*
0
1
1
x
b
e x
b
+
= + gilt:
( ) ( )
( ) ( )
( ) ( ) ( ) ( )
( )
*
0
0
*
0
* *
0 0
*
0
1 1
1
1 1 1 1 1 1
1 1 1 1 1 ( 1)
1
x
x
b x b
b
b e b x b
b b
b x b b x b
b x
+ +
+ | |
= + =
|
\ .
= + + = + + +
= +

Und somit:
( )
( )
( )
*
0
* * *
0 0 0
*
0 *
0
* *
0 0
*
0
1
1 1 1
,0,
1
x
x x x
b x
b e b
x
x e x e e
b
x
t
+
+
= = =

=
+

Damit erhlt man:
Zu vorgegebenem 0 b > wird
( )
,0, x t an der eindeutig durch die Gleichung
*
0
*
0
1
1
x
x b
b
e
+
=
+
bestimmten Stelle
*
0
0 x > maximal. Der Maximalwert ist
( )
*
0 *
0
,0,
1
b
x
x
t =
+
. Die Maximalstelle
*
0
x kann einfach mit Hilfe eines
Nomogramms ermittelt werden.
Also: Zu vorgegebenem 0 b > und 0 > ist
*
* 0
x
h

= der optimale
Kontrollabstand einer reinen Inspektionsprozedur.
*
0
,0,
x

| |

|
\ .
ist also die optimale
reine Inspektionsprozedur. Der Zugehrige Wert der standardisierten
Zielfunktion t ist
*
0
1
b
x +
.

Statistische Prozesskontrolle Seite 63
Beispiel:
50 b =
;
1
100
=
Durchschnittlicher Nutzen einer Erneuerung ist 50x so gro wie die die Kosten
eines Fehlalarms
Man erhlt
*
0
0,22 x = und
*
* 0
0,22
22
1
100
x
h

= = = .
Ferner gilt
( )
*
0 *
0
50
,0, 40,98
1,22 1
b
x
x
t = = =
+
.
Nach je 22 Zeiteinheiten wird also der Prozess inspiziert.


Statistische Prozesskontrolle Seite 64
3.6. Nherungsweise optimale zweiseitige x -Karten
(v. Collanische Nherung)
Zustand 1:
( )
2
0
~ ; x N o
Zustand 2:
( )
2
0
~ ; x N o o o
Stichprobe vom Umgang n
0
x
n c

> Inspektion
0
x
n c

s keine Inspektion
( )
2 c o | =
( ) ( )
c n c n | | o | o =
mit | : Verteilungsfunktion von
( )
0;1 N
Standardisierte Zielfunktion:
( )
( )
( )
1
1
1
ARL 1
, ,
1 1 ARL 2
x
x
b e
x n c a n
x
e
t
| |

|
=
|
+
|
|
\ .

mit
1
ARL 1=
o
und
1
ARL 2
1 |
=

.
Eine (standardisierte) zweiseitige x -Karte
( )
* * *
, , x n c heit optimal, falls fr alle
standardisierten zweiseitigen x -Karten
( )
, , x n c gilt:
( ) ( )
* * *
, , , , x n c x n c t t > .
Bemerkung:
Die von Collanische Nherung beruht auf der Tatsache, dass die Gren
*
n und
*
c nahezu unabhngig sind vom Parameter b.

Statistische Prozesskontrolle Seite 65
1. Schritt
Bestimmung der Nherung
( )
* *
, n c fr
( )
* *
, n c
Gegeben seien die Parameter a und o .
a) Man berechne
0 2
a
a
o
=
b) Man bestimme
*
y und
*
z mit Hilfe des entsprechenden Nomogramms (S.
53 Standardized sampling cost a
0
).
( )
* *
oben, unten y z
c)
*
n ist die zu
2
*
y
o
| |
|
\ .
nchstgelegene positive ganze Zahl.
* *
c z =
2. Schritt
Bestimmung des optimalen standardisierten Kontrollabstandes
*
x zur
Nherung
( )
* *
, n c
Gegeben seien die Parameter a und b sowie die durchschnittlichen Laufzeiten
1
ARL 1 A
o
| |
= =
|
\ .
und
1
ARL 2
1
B
|
| |
= =
|

\ .
der Nherung
( )
* *
, n c .
a) Man berechne
*
b B a n
c
B
b
A

=
+

b) Man bestimme den optimalen, standardisierten Kontrollabstand
*
x mit
Hilfe des entsprechenden Nomogramms. (S. 38 Standardized sampling
interval)
Zu gegebenem Parameter 0 > ist die nherungsweise optimale
zweiseitige x -Karte also gegeben zu
*
* *
; ,
x
n c

| |
|
\ .
.
Beispiel: (Ablesebung)
100 b = ;
1
100
= ; 0,1 a = ; 10; n =
ARL 1 250 A = = ; ARL 2 2,5 B = =

Statistische Prozesskontrolle Seite 66
Man erhlt
100 2,5 0,1 10
0,9749 0,975
2,5
100
250
b B a n
C
B
b
A

= = = ~
+ +

Mit Hilfe des Nomogramms ergibt sich
*
0,084 x = (abgelesen S. 38) und damit
erhlt man fr den optimalen Kontrollabstand
*
*
100 0,084 8, 4
x
h

= = = .
Nach 8,4 Stunden wird Stichprobe vom Umfang 10 n = entnommen,
angesehen und entschieden ob man inspiziert.

Statistische Prozesskontrolle Seite 67
3.7. Bemerkungen
Exponentialverteilte Lebensdauer t des Sollzustandes 3.7.1.
(Zustand 1)
Modellannahme:
( )
~ Exp t
Sei
( )
F die Mengen aller Lebensdauerverteilungen F
%
mit Erwartungswert
1

:
( ) ( )
1
| ist Verteilungsfunktion mit 0 fr alle 0 und mit Erwartungswert F F F F x x


= = <
`
)
% % %
Sei
( )
, , h n eine gegebene Kontrollprozedur. Die Zielfunktion
( )
*
, ,
F
h n t
%
hngt
nun auch von der vorliegenden Verteilungsfunktion F
%
ab:
( )
( )
( ) ( ) ( )
* *
*
*
2
1 2
, ,
F
F
b E A e
a n
h n g
h v E A E A h v
t


= +
+
%
.
( )
1
E A und
( )
F
E A hngen von F
%
ab,
( )
2
E A dagegen nicht. Nach wie vor gilt
( )
( )
1
ARL 1
F
E A
E A = (zumindest in guter Nherung, exakt z.B. fr x -Karten). Ferner
gilt stets
( )
1
1
h E A

s , d.h.
( )
1
1
E A
h
s

und
( )
1
ARL 1
F
E A
h
s

. Dabei ist die
Gleichung
( )
1
1
h E A

= fr solche Verteilungsfunktionen
( )
F F e
%
erfllt, welche
von diskretem Typ sind und deren Sprungstellen hchstens bei den ganzzahligen
Vielfachen k h von h liegen, wobei 0 k > gilt (Ungnstige Verteilungsfunktion
aus
( )
F ). Damit gilt:
( )
( )
*
*
*
*
2
ARL 1
min , ,
1
ARL 2
F
F F
e
b
a n h
h n g
h v
h v
h


= +
| |
+
|

\ .
%
%
und

Statistische Prozesskontrolle Seite 68
( )
( ) ( )
*
*
*
*
2 * *
*
ARL 1
min , ,
1
ARL 2
1
ARL 1
1
ARL 2
1
1
ARL 1
1 ARL 2
F
F F
e
b
v a n h
h n g
e h e
h v e
h
b
a n
x
x
x
x
b x
a n
x x


=
| |
+
|

\ .

=
| |
+
|
\ .
| |

|
=
|
+ \ .
%
%

wobei x h = der standardisierte Kontrollabstand,
*
*
b
b
e
= der relative
durchschnittliche Nutzen einer Erneuerung und
*
*
a
a
e
= die relativen Prfkosten
sind.
Formal erhlt man
( )
( )
min , ,
F
F F x
x n t
e
%
%
aus
( )
, , x n t , indem man
x
e durch 1 x +
ersetzt. Maximiert man dieses
( )
( )
min , ,
F
F F x
x n t
e
%
%
anstatt von
( )
, , x n t , so erhlt
man sogenannte Maxi-Min-Kontrollprozeduren, die sich insbesondere in den
Werten der beiden Zielfunktionen nur geringfgig von den Kontrollprozeduren
unterscheiden, die man durch maximieren von t erhlt.
Fazit: Das Modell ist robust gegen die der Lebensdauerverteilung des
Sollzustandes, wichtig ist im Wesentlichen nur der Erwartungswert dieser
Lebensdauerverteilung.


Statistische Prozesskontrolle Seite 69
Verschiebungsparameter 3.7.2.
Betrachtet man mehrere mgliche Verschiebungsparameter , so bentigt
man eine Information ber das Auftreten der einzelnen Werte von , das
heit man bentigt eine Pivotverteilung G der Parameter .
Als Zielfunktion verwendet man
( ) ( )
*
, , h n dG t o
}

.
Man erhlt eine gute Nherungslsung, indem man sich auf einen
mittleren Verschiebungsparameter o
%
einstellt und zu diesem o
%
eine
bezglich
*
t optimale Prfprozedur bestimmt. Dabei ist zu
bercksichtigen, dass die Gre
*
b im Allgemeinen von o abhngt:
( )
* *
b b o = .


Statistische Prozesskontrolle Seite 70
Prfprozeduren 3.7.3.
Man kann sowohl die Kontrollabstnde, als auch die Stichprobenumfnge zeitlich
variieren (adaptive Verfahren). Ferner kann man Verfahren mit Gedchtnis,
z.B. CUSUM- oder EWMA-Verfahren betrachten. Diese eigenen sich bei
eingeschrnkten Stichprobenumfngen und bei kleinen
Verschiebungsparametern.


Statistische Prozesskontrolle Seite 71
Normalverteilungsannahme 3.7.4.
Modellannahme: Das Qualittsmerkmal ist univariat normalverteilt.
Bei multivariater Normalverteilungsannahme kann man mehrere univariate
Verfahren parallel verwenden oder ein neues, globales Verfahren konstruieren.
Ist das Merkmal attributiv (gut/schlecht), so verwendet man die Anzahl der
schlechten Stcke in der Stichprobe als Testgre und inspiziert den Prozess,
falls die Testgre eine gewisse Annahmezahl bersteigt.


Statistische Prozesskontrolle Seite 72
Variabilitt des Qualittsmerkmals 3.7.5.
Die Variabilitt eines Prozesses lsst dich mit sogenannten Streuungskosten
berwachen. Als Testgre verwendet man hierbei die Wurzel s aus der
Stichprobenvarianz und inspiziert den Prozess , falls die Testgre gewisse
Schranken ber- oder unterschreitet.


Statistische Prozesskontrolle Seite 73
Six-Sigma 3.7.6.
Six-Sigma-Programm: DMAIC (Define Measure Analyse Improve Control)
a) Methode des Qualittsmanagements
b) Statistischer Hintergrund von Six-Sigma
Qualittsmerkmal:
( )
2
~ , x N o
( ) ( )
( )
( ) ( )
( ) ( ) ( ) ( )
~ 0,1
1 2 1 fr alle 0
N
P x t P t x t
x
P t t t t
t t t t
o o o

| |
o
| | |
s = s s
| |
= s s =
|
|
\ .
= = >
1 2 3

T: Zielwert des Qualittsmerkmals (target value)
( ) ( )
3 2 3 1 0,9973 P x T o | s = =
LSL: Lower spezification limit
USL: Upper spezification limit
Falls LSL 3 o = und USL 3 o = + mit T = gilt, so ist der Ausschussanteil:
( ) ( )
1 3 3 1 0,9973 0,0027 p P x T P x T o o = s = > = =
Also: 2700 p ppm = (part per million)
Fr LSL= 6 o und USL 6 o = + mit T = gilt:

2
=T
T-3 T+3


Statistische Prozesskontrolle Seite 74
( ) ( ) ( )
1 6 1 2 6 1
1 0,999999998 0,000000002 0,002
2
p P x T
ppm
ppb
o | = s =
= = =
=

Der Produktionsprozess soll so gut sein (o soll so klein sein), dass LSL 6 T o s
und USL T+6 o > gilt: Hierbei wird noch toleriert, dass sich der
Erwartungswert um hchstens 1,5 o nach oben oder unten schieben darf.

Ausschussanteil bei der Verschiebung von um 1,5 o nach unten:
( )
( )
( )
( )
( ) ( ) ( )
~ 0;1
1 6 6
1 6 6
1 4,5 1,5 7,5
1,5
1 4,5 7,5
1 7,5 4,5 1 0,99999660
0,0000034 3, 4
N
p P T x T
P x T
P x T
x T
P
ppm
o o
o o
o o o
o
o
| |
= s s +
= s s
= s + s
+ | |
= s s
|
|
\ .
= =
= =
1 4 4 2 4 43

Ausschussanteil bei der Verschiebung von um 1,5 o nach oben:
( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
~ 0;1
1,5
1 7,5 4,5
1 4,5 7,5 1 1 4,5 1 7,5
1 7,5 4,5
0,0000034 3, 4
N
x T
p P
ppm
o
o
| | | |
| |
| |
= s s
|
|
\ .
(
= =

=
= =
1 4 4 2 4 43

T T-6
1,5

1,5
T+6
LSL USL

Statistische Prozesskontrolle Seite 75


Statistische Prozesskontrolle Seite 76
Beispiel:
Ein Gert besteht aus 100 Komponenten, die jeweils auf 3o -Qualitt, soll mit
Hilfe eines Produktionsprozesses mit dem Ausschussanteil 0,0027 p = ,
produziert werden. Das Gert ist genau dann exakt, wenn alle Komponenten
intakt sind. Die Komponenten sollen unabhngig voneinander defekt oder intakt
sein. Dann ergibt sich die Intaktwahrscheinlichkeit des Gertes zu:
( ) ( )
( ) ( ) ( ) ( )
100
100
100 mal
Gert ist intakt Alle Komponenten sind intakt
1 1 ... 1 1 0,9973 0,7631
P P
p p p p
=
= = = =
1 4 4 4 4 4 2 4 4 4 4 4 3

Fr 3,4 p ppm = wrde sich ergeben:
( ) ( )
100
100
Gert ist intakt 1 0,9999966 0,99966 P p = = =



Formelsammlung Seite 77
4. Formelsammlung
Binomialverteilung
( ) ( )
1
n m
m
n
p x m p p
m
| |
= =
|
\ .
fr alle 0,1,..., m n =
Erwartungswert:
( )
E x n p =
Varianz:
( ) ( )
2
1 Var x n p p o = =
Hypergeometrische Verteilung
( )
M N n
m n m
p x m
N
n
| | | |

| |

\ . \ .
= =
| |
|
\ .
fr alle 0,1,..., m n =
Es gilt: 0
a
b
| |
=
|
\ .
, wenn a b < .
Erwartungswert:
( )
E x n p =
Varianz:
( ) ( )
2
1
1
N n
Var x n p p
N
o

= =


Faustregel
( )
, , H N n p kann hinreichend genau durch
( )
, Bi n p approximiert werden, falls
10
N
n s bzw. 0,1
n
N
s gilt!


Formelsammlung Seite 78
Approximation der Binomialverteilung Bi(n,p) durch die
Possionverteilung Po(a)
( )
~ x Po a mit a n p =
( )
( )
1
!
m
n m
m n p
n p n
p p e
m m

| |
=
|
\ .

Erwartungswert:
( )
E x a n p = =
Varianz:
( )
2
Var x n p a o = = =
Faustregel
( )
, Bi n p kann hinreichend genau durch
( )
Po n p approximiert werden falls
1
10
p s gilt!
Binomial verteilte Operationscharakteristik
( ) ( )
,
0
1
c
n m
m
n c
m
n
L p p p
m

=
| |
=
|
\ .

definiert fr alle reellen p mit 0 1 p s s


Approximation durch die Normalverteilung, wenn
( )
1 9 n p p > gilt!

( )
( )
0,5
1
c n p
P x c
n p p
|
| |
+
|
s ~
|

\ .


Hypergeometrisch verteilte Operationscharakteristik
( )
, ,
0
c
N n c
m
M N M
m n m
L p
N
n
=
| | | |

| |

\ . \ .
=
| |
|
\ .

definiert fr
1 2
0, , ,...,1 p
N N
=
Approximation durch die Binomialverteilung, wenn
10
N
n s bzw. 0,1
n
N
s gilt!


Formelsammlung Seite 79
Vergleich von L
n,c
(p) und L
N,n,c
(p)
( )
( )
( )
( )
,0
, ,0 ,0
,0
1 fr 0
fr 0< 1
0 fr 1
n
N n n
n
L p p
L p L p p
L p p
= = =

< <

= = =


( )
( )
( )
( ) ( )
( )
( ) ( )
( )
,
,
, ,
,
,
1 fr 0
fr 0<p<
1 1 1
1
fr + 1
1 1 1
0 fr 1
n c
n c
N n c
n c
n c
L p p
c c
L p
n n N
L p
c n c
L p p
n n N
L p p
= = =

>

> s <

= = =


Approximation von L
n,c
(p) und L
N,n,c
(p) durch L
n,c
*
(p)
Faustregel
Die Approximation ist ausreichend genau, wenn
10
N
n s bzw. 0,1
n
N
s gilt!
( )
( )
*
,
0
!
m
c
n p
n c
m
n p
L p e
m

=


( )
2
*
, 2
0 fr 0
0 fr
0 fr
n c
c
p
n
d c
L p p
n dp
c
p
n

< < <

= =

> >


Verbesserung der Approximation durch L
n,c
*
(p)
Eine gute Approximation von
( )
, , N n c
L p durch
( )
*
, n c
L p ist
( ) ( )
( ) ( )
( )
, ,
, ,
*
, , ,
0
!
N n c
c
N n c n p
n c N n c
m
n p
L p e
m
t
t
t

=


mit ( )
( ) ( )
( )
, ,
2 2
2 2 1
N n c
N p c n c
p
n N N p n
t

=
+
.
Grbere Nherung mit ( )
( )
( )
, ,
2
2
N n c
p n c
p
n p
t

=


Fr kleine p
( )
1 p = und kleine c
( )
c n = : ( )
( )
( )
, ,
2
2
2 2
N n c
p n c
n p
p p
n p n
t


= ~ ~




Formelsammlung Seite 80
Vorgabe zweier Punkte einer Operationscharakteristik
Gesucht ist ein Prfplan (n, c) mit 0 c n s s derart, dass n mglichst klein
ist mit den Eigenschaften
Vorgegebene Punkte der Operationscharakteristik:
p
o
o
| |
|
\ .
und
p
|
|
| |
|
|
\ .
mit
0 1 p p
o |
< < <
und 0 0,5 1 | o < < < < , ( )
, , N n c
L p
o
o > und ( )
, , N n c
L p
|
| > .
Hierbei muss
a
p
N
o
= und
b
p
N
|
= mit , a be und a b < gelten.
o : maximal % p
o
schlechte Stcke enthalten, werden in mindestens % o
angenommen. 1 x o = (

.
| : minimal % p
|
schlechte Stcke enthalten, werden in mindestens % |
angenommen.
Wahrscheinlichkeit eine gute Partie anzunehmen: o
Wahrscheinlichkeit eine gute Partie abzulehnen: 1 o

1. Nherung: Approximation von
( )
, , N n c
L p durch
( )
*
, n c
L p
( ) ( )
*
2 1 ;2 1 n p G c
o
o s + und ( ) ( )
*
2 1 ;2 1 n p G c
|
| > +
( ) ( ) ( ) ( )
* *
1 ;2 1 1 ;2 1
2 2
G c G c
n
p p
| o
| o + +
s s


Man prft der Reihe nach 0,1,2,3,... c = bis die Ungleichung erfllt ist.
Das kleinste c und das kleinster n fhren zum gesuchten Prfplan (n,
c).
Einseitig: ( ) ( ) ( )
*
,
2 1 ;2 1
n c
n p G c L p p
|
| > + s
2. Nherung: Approximation von
( )
, , N n c
L p durch
( ) ( )
*
, , , n c N n c
L p t
mit ( )
( ) ( )
( )
, ,
2 2
2 2 1
N n c
N p c n c
p
n N N p n
t

=
+
.
( ) ( )
*
, , , n c N n c
L p
o
t o > ( ) ( )
*
, , , n c N n c
L p
|
t | s
( ) ( ) ( )
* *
,
2 1 ;2 1
n c
L p n p G c > s + und
( ) ( ) ( )
* *
,
2 1 ;2 1
n c
L p n p G c s > +
Gleichbedeutend mit:

Formelsammlung Seite 81
( ) ( ) ( )
*
, ,
2 1 ;2 1
N n c
n p G c t o s + und
( ) ( ) ( )
*
, ,
2 1 ;2 1
N n c
n p G c t | > + .
Daraus folgt:
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
*
*
*
*
2 1 1 ;2 1 2
2 2 1 ;2 1
2 1 1 ;2 1 2
2 2 1 ;2 1
N Np G c c Np c
n
Np c G c
N Np G c c Np c
n
Np c G c
| |
|
o o
o
|
|
o
o
+ + +
s
+ +
+ + +
s
+ +

3. Nherung: Approximation von
( )
, , N n c
L p durch
( ) ( )
*
, , n c n c
L p t
mit ( )
( )
( )
,
2
2
n c
p n c
p
n p
t

=

.
( ) ( )
*
, , n c n c
L p t o > ( ) ( )
*
, , n c n c
L p t | s
( ) ( ) ( )
*
,
2 1 ;2 1
n c
n p G c
o
t o s + und
( ) ( ) ( )
*
,
2 1 ;2 1
n c
n p G c
|
t | > +
daraus folgt:
( ) ( ) ( ) ( )
* *
1 ;2 1 1 ;2 1
1 1
2 2 2 2 2 2
G c G c p
p c c
n
p p
|
o
| o
| o + +
| |
| |
+ s s +
|
|
|

\ .
\ .

Bemerkungen:
a) Bei der ersten Nherung muss N nicht bekannt sein
b) Man erhlt die 3. Nherung aus der 2. Nherung durch den
Grenzbergang N :

( ) ( )
( ) ( )
*
*
1 ;2 1 linke Seite
1 ;2 1 rechte Seite
G c
G c
| |
o o
+= + = |
|= + = +


( ) ( )
( )
( )
*
*
* *
*
*
1
2 2
2 1 2
lim lim
2 2
2 2
2 2
4
1
2 2 2
N
c
p G c p
N Np G Np c c
N N
N c G c G
p
N N
p G pc
p
p G c
p

| | | |
+ +
| |
+ +
\ . \ .
=
+ | |
+
|
\ .
+
=
| |
= +
|
\ .

Formelsammlung Seite 82
Kosten-Nutzen-berlegungen
Gewinne werden als negative Verluste aufgefasst
N: Umfang der Partie
M: Anzahl der schlechten Stcke in der Partie vom Umfang N
p: Ausschussanteil in der Partie
M
p
N
=
1
o : Verlust, der durch ein gutes Stck bei Annahme der Partie (ohne
Kontrollkosten) entsteht,
1
0 o <
1
| : Verlust, der durch ein schlechtes Stck bei Annahme der Partie (ohne
Kontrollkosten) entsteht,
1
0 | >
V
1
: Gesamtverlust bei Annahme der Partie (ohne Kontrollkosten):
( ) ( )
1 1 1 1 1 1
V N M M V p a b p o | = + = +
2
o : Verlust, der durch ein gutes Stck bei Ablehnung der Partie (ohne
Kontrollkosten) entsteht,
2
0 o >
2
| : Verlust, der durch ein schlechtes Stck bei Ablehung der Partie (ohne
Kontrollkosten) entsteht,
2
0 | <
V
2
: Gesamtverlust bei Ablehung der Partie (ohne Kontrollkosten):
( ) ( )
2 2 2 2 2 2
V N M M V p a b p o | = + = +
Kosten einer Stichprobe vom Umfang n:
1 2
d n d +
mit
1
0 d > und
2
0 d >
Trennqualitt (~Indifferenzpunkt):
2 1
0
1 2
a a
p
b b




Formelsammlung Seite 83
Minimax-Regret-Prinzip
( ) ( ) ( )
V g u
V p V p V p =
2 1
0
1 2
a a
p
b b


( )
1
2 1 0 0
2
2
d
d
a a p p
=

( )
( )
( )
2
,
2 1 0 0
2
2
v
n c
V p d
R p
a a p p

=


Durchschnittlicher Gesamtverlust:
( ) ( ) ( ) ( ) ( ) ( )
1 2 1
1
g
V p V p L p V p L p d n = + +
( )
( )
( )
1 0
2 0
0
1
u
V p p p
V p
V p p p
s s

=

s s


Vermeidbare Verluste
( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
2 1 1 2 0
1 2 1 2 0
1 fr 0
fr 1
v
V p V p p L p d n d p p
V p
V p V p L p d n d p p

+ + s s

=

+ + s s


( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
2 1 1 2 1 2 0
1 2 2 1 1 2 0
1 fr 0
fr 1
v
a a b b p L p d n d p p
V p
b b p a a L p d n d p p

+ + s s

=

+ + s s


Maximalwert des durchschnittlichen vermeidbaren Verlustes
( )
( )
( ) ( )
1
0 0 1
3
2 1 0
0 1
2

max , mit 0,580
2
v
p
p p
V p a a M n c M p d

s s

= =
Maximaler vermeidbarer Verlust bei Annahme (wegen L(p)=1)
( ) ( ) ( ) ( ) ( )
1 2 2 1 1 2 0
0 1
max 1
v
p
V p b b a a b b p
s s
= = und
( )
( )
( )
0, 0
2
0 1
0 0
2
max 1
2
p
R p p
p p

s s
=


Maximaler vermeidbarer Verlust bei Ablehnung (wegen L(p)=0)
( ) ( ) ( )
2 1 1 2 0
0 1
max
v
p
V p a a b b p
s s
= = und
( )
( ) ( )
0, 0
2
0 1
0 0 0 0
2 2
max
2 2
p
R p p
p p p p

s s
= =




Formelsammlung Seite 84
Nherung nach van der Waerden
Vorgehen: 1. Berechnung von
0
p

2. Berechnung von d
3. Berechnung von c , anschlieende Ermittlung von c durch
Rundung auf nchste ganze Zahl
4. Berechnung von n , anschlieende Ermittlung von n durch
Rundung auf nchste ganze Zahl
2 1
0
1 2
a a
p
b b


( )
1
2 2 0 0
2
2
d
d
a a p p
=


2
3
0,193 0,5 c d c

=
0
0,5

c
n n
p
+
=

( )
gesuchter Prfplan , n c
Max. der Regretfunktion ergibt sich nherungsweise zu:
1
1
3
0
0,580 M p d

=
Max. des durchschnittlichen vermeidbaren Verlustes:
( )
( )
( ) ( )
0 0
2 1
0
2

max ,
2
v
p
p p
V p a a M n c
s

=
Annahme ohne Kontrolle: ( ) ( ) ( )
1 2 0
0 1
max 1
v
p
V p b b p
s s
=
Ablehnung ohne Kontrolle: ( ) ( ) ( )
2 1 1 2 0
max
v
V p a a b b p = =



Formelsammlung Seite 85
Nherung nach von Collani
Vorgehen: 1. Prfung der Voraussetzung
0
1
0,5 p
N
< <
2. Prfung der Schwellwertgleichung
0
2
0,38274
2
p
d

s ,
wenn erfllt dann Fall 2, sonst Fall 1
3. Ablesen von
*
c und
0,2
aus Tabelle , S. 134
4. Entscheidung Fall 1 oder Fall 2

2 1
0
1 2
a a
p
b b


( )
1
2 1 0 0
2
2
d
d
a a p p
=


Fall 1
0
0,2
0
2
2
s
p
n
p


*
Rundung n
*
0 n >
Fall I, 1: Ablehnung ohne Kontrolle ist nherungsweise kostenoptimal
0,2
1 0,2
0
0,2
2 1
2
p e

+
| |
s |
|
+
\ .

Fall I, 2:
( )
( )
0,2 0,2
1 1 0,2 * *
0
0,2 0 0,2
1
2 1 ,0
2
p e M n e n d
p


+ +
| |
> = + |
|
+
\ .

Nherungsweise das Maximum der zugehrigen Regretfunktion.
Fall 2
Wenn 1. Ermittlung
*
c , wenn
*
0 c = und
( )
0 d t > , dann
*
0 c = ,
ansonsten
*
1 c > mit
( ) ( )
* *
1 c d c t t > > .
2. Berechnung von
( )
* *
n c
3. Berechnung von
( )
* *
, M n c
4. Unterscheidung der Flle
( )
( ) ( ) ( )
( ) ( )
* * *
0 0 0
* *
* *
0 0
2 2 1 2

2 2 2
N Np c c Np c
n c
Np c c

+ +
=
+

( )
( )
( )
( )
( )
2
*
0
* * *
2 * * * *
0 0
2 2 1
2 1
,
2 2 4 2 2
N n Np
M n c m c dn
p p n c N N n c
+
= +
+

Fall II, 1:

Formelsammlung Seite 86
Falls
( )
( )
0 * *
0
1 falls ganzzahlig
,
falls nicht ganzzahlig
N d N p
M n c
N d N p

so gilt der
Prfplan
( )
* *
, n c nherungsweise kostenoptimal.
Fall II, 2:
Falls
( )
( )
0 * *
0
1 falls ganzzahlig
,
falls nicht ganzzahlig
N d N p
M n c
N d N p

so gilt der Prfplan


( )
* *
, n c nherungsweise kostenoptimal, wobei
*
c die grte ganze
Zahl kleiner als
0
N p und
0 *
0
1 falls ganzzahlig

falls nicht ganzzahlig


N N p
n
N N p

=

ist.
Bemerkung:
Falls die Tabelle der
( ) c t ,
( )
c , und
( )
m c nicht ausreicht, so soll die
Nherungslsung nach van der Waerden verwendet werden.
Antworten:
Der gesuchte nherungsweise kostenoptimale Prfplan lautet


Formelsammlung Seite 87
Statistische Prozesskontrolle
v: Produktionsgeschwindigkeit
g
1
: Gewinn im Zustand 1
g
2
: Gewinn im Zustand 2; wenn Verlust, dann
2
0 g <
h: Kontrollabstand
: Lebensdauer
a
*
: Kosten fr die Erhebung und Auswertung eines Stckes
*
0 a >
gesamt:
*
a n
b
*
: durchschnittlicher Nutzen einer Erneuerung
e
*
: Kosten einer irrtmlichen Inspektion (Kosten einer Inspektion im
Zustand 1)
a: relative Prfkosten
b: relativer durchschnittlicher Nutzen einer Erneuerung
( )
*
1 2
1
Erneuerungskosten b g g v

=
*
*
a
a
e
=
*
*
b
b
e
=
*
0
x mit Hilfe von b aus Tabelle , S. 146
Optimaler Kontrollabstand h
x
h

=
*
* * 0
0 0
1
x
h x

= =
( )
*
0
, , ,0,
x
h n c

| |
=
|
|
\ .

Durchschnittlicher Profit auf lange Sicht
( )
( )
( )
1
1
1 ARL 1
, ,
1 ARL 2 1
x
x
b e
x n a n
x
e
t
| |

|
| =
| +
|
\ .
h x =
bei reiner Inspektionsprozedur
( )
*
0
*
0
,0,
1
b
x
x
t =
+
pro produziertem Stck:
*
*
2
e
g
v

t t

= +

Formelsammlung Seite 88
Antwort:
Kontrollabstand: Nach genau h
( )
*
0
h wird der Prozess inspiziert. Wenn
keine Inspektion und Erneuerung stattfindet, betrgt der Profit pro
Stck auf lange Sicht g
2
.
Durchschnittliche Dauer eines Erneuerungszyklus
( )
*
0
* * *
1 2 0 0 0
1 1
1 1
1
1
x
h
E A A h h h
e
e

| |
| |
+ = + = +
|
|

\ . \ .

Zeit im Zustand 1:
1


Zeit im Zustand 2:
( )
*
1 2 0
1
E A A h

+


Formelsammlung Seite 89
Nherungsweise optimale zweiseitige
X
Karten
(Von Collanische Nherung)
Zustand 1:
( )
2
0
~ ; X N o
0
x
n c

> Inspektion
Zustand 2:
( )
2
0
~ ; X N o o o
0
x
n c

< keine Inspektion


Standardisierte Zielfunktion:
( )
( )
( )
1
1
1
ARL 1
, ,
1 ARL 2 1
x
x
b e
x n a n
x
e
t
| |

|
=
|
| +
\ .

1. Schritt: Nherung fr n
*
und c
*

a) Man berechne die standardisierten Prfkosten
0
2
a
a
o
=
*
*
a
a
e
=
b) Bestimmung von
*
y und
*
z aus Grafik , S. 53
c) Bestimmung von
*
n : nchstgelegene positive Zahl zu
2
*
y
o
| |
|
|
\ .
und
* *
c z =
Standardisierte Prfkosten:
( ) ( ) ( )
( ) ( )
* *
* * * *
1
2 2 1 ARL 1
1
ARL 2
1
c c A
c n c n B
o | |
o
| | o | o
|
= = = =
= = =


2. Schritt:
a) Berechnung von
*
b B a n
C
B
b
A

=
+

b) Bestimmung des optimalen standardisierten Kontrollabstandes x
*

aus Grafik , S. 38
Resultierende x
-
Karte:
*
* *
, ,
x
n c

| |
|
|
\ .

Antwort:
Nach je
*
x

-Stunden wird aus der laufenden Produktionsprozess ein Stichprobe


vom Umfang
*
n

gezogen. Genau dann wird der Prozess inspiziert, falls

Formelsammlung Seite 90
gilt
* 0

x
c

> . Hierbei ist x



das Stichprobenmittel,
0
der Sollwert des
Erwartungswertes des Qualittsmerkmals von x und o die Standardabweichung
von x.

Formelsammlung Seite 91


Wissensfragen Seite 92
5. Wissensfragen
Indifferenzpunkt
50%
p : Der Ausschussanteil ist so gro, dass man die
Warenpartie zu 50% annimmt oder ablehnt. p definiert hier Annahme
oder Ablehnung.
Trennqualitt
0
p : In diesem Punkt ist man kostenmig indifferent
zwischen der Annahme der Warenpartie oder Ablehnung der
Warenpartie. Annahme oder Ablehnung definiert ber die Kosten.
Bei der van der Waerdischen Nherung gilt:
50% 0
p p ~
Herleitung:
0
0,5 c
p
n
+
= bei der van der Waerdischen und der
Indifferenzpunkt bei der Poisson-Verteilung
50%
0,67 c
p
n
+
= . Man sieht
so, dass sie fast gleich sind.
Welche Inhaltliche Bedeutung hat die Regretfunktion?
Die Regretfunktion gib in Abhngigkeit vom Ausschussanteil p der
Partie den geeigneten normierten durchschnittlichen Verlust bei
hufiger Anwendung des Prfplans (n, c) an.
Welche Gre wird bei Anwendung dieses Prinzips bzgl. welcher Variable
maximiert?
Es wird die Regretfunktion bezglich p maximiert. (Minimax-Prinzip!)
Welche Gre wird bei Anwendung dieses Prinzips bzgl. welcher Variablen
minimiert?
Es wird der Maximalwert der Regretfunktion hinsichtlich des
Stichprobenumfangs n und der Annahmezahl c minimiert.
Benennen und beschreiben Sie kurz ein Entscheidungsprinzip, welches
weniger pessimistisch ist als das Minimax-Regret-Prinzip.
Bayssches Prinzip: Hier wird mit dem Maximalwert der Regretfunktion,
sondern ein geeignet definierter durchschnittlicher Wert der
Regretfunktion bezglich n und c minimiert.


Wissensfragen Seite 93