книги из ГПНТБ / Контроль качества продукции машиностроения учебное пособие
..pdfт. е. вероятности того, что случайная величина принимает зна
чение, меньшее х. |
Эта вероятность Р(Х < х) является функ |
||
цией от х'. Обозначим ее через F (х): |
|
||
|
F(x) = |
P { X < x ) . |
(9) |
Функцию F (х) |
называют |
и н т е г р а л ь н ы м |
з а к о н о м |
р а с п р е д е л е н и я |
или функцией распределения |
случайной |
величины.
Зная закон распределения случайной величины, можно ука зать, где располагаются ее возможные значения и какова ве роятность появления ее в том или ином интервале. Однако при решении многих практических задач нет необходимости харак теризовать случайную величину полностью, достаточно иметь только некоторое общее представление о случайной величине.
В теории вероятностей для общей характеристики случай ной величины используются числовые характеристики. Основ ное их назначение — в сжатой форме выразить наиболее су щественные особенности того или иного распределения.
О каждой случайной величине необходимо прежде всего знать ее некоторое среднее значение, около которого группи руются возможные значения случайной величины, а также
какое-либо число, характеризующее |
степень |
разбросанности |
этих значений относительно среднего. |
|
|
Важнейшей характеристикой положения случайной вели |
||
чины является м а т е м а т и ч е с к о е |
о ж и д а н и е или сред |
|
нее значение случайной величины. |
|
|
Рассмотрим сначала дискретную |
случайную величину X, |
|
имеющую возможные значения хи х2 . . ., .v„ |
с вероятностями |
р и р 2 - . . , р п . Тогда математическое ожидание случайной вели чины X, которое мы обозначим р [Л'] или просто р, определяет ся равенством
П
!А I * 1 = *iPi — W o + . . . - хпрп = V Xj>t. ( Ю)
/=|
Итак, математическим ожиданием случайной величины X называется сумма произведений всех возможных значений слу чайной величины на вероятности этих значений. Математиче ское ожидание приближенно равно среднему арифметическому наблюдаемых значений случайной величины и тем точнее, чем больше число опытов.
Если производится несколько серий опытов, то математи ческое ожидание есть такое постоянное число, около которого будут колебаться средние арифметические значения случайной величины, вычисленные для каждой серии опытов.
Для непрерывной случайной величины математическое ожи дание вычисляется по формуле
50
p[ X] = j xf[x)dx, |
( 11) |
” 00 |
|
где f(x) — плотность распределения случайной величины. |
|
В практике контроля качества продукции |
применяются и |
другие характеристики положения — мода и медиана случай ной величины.
М о д о й М0 дискретной случайной величины называется ее наиболее вероятное значение. Для непрерывной случайной ве
личины мода есть такое значение случайной |
величины, |
при |
котором кривая распределения имеет |
максимум, |
т. е. |
.f(/W0)= m a x (рис. 5). |
|
|
Рис. 5. Моды на кривых распределения случайных величин:
а — дискретной; б — непрерывной
Если кривая распределения имеет два или несколько мак симумов, то распределение называется двухмодальным или лмпогомодальным (рис. 6).
Рис. 6. Двухмодальное распределение случайных величин:
а— дискретной; б — непрерывной
Ме д и а н о й х случайной величины X называется такое ее значение, относительно которого равновероятно получение «большего или меньшего значения случайной величины, т. е.
4 * |
51 |
р [ Х < х ) = р [ Х > х ) . |
(12) |
Геометрически медиана — это абсцисса точки, в которой площадь, ограниченная кривой распределения, делится попо лам (рис. 7). Так как вся площадь, ограниченная кривой рас
пределения, равна единице, функция распределения в точке д; будет
F(x) |
= р { Х < х ) = 0,5. |
(13) |
Если распределение |
одномодальное и |
симметричное, то |
все три характеристики положения случайной величины — ма тематическое ожидание, мода и медиана — совпадают.
Рис. 7. Медиана на кривой распределения
Значения наблюдаемых в практике случайных величин всегда более или менее колеблются около среднего значения. Это явление называется рассеянием случайной величины около ее среднего значения. Числовые характеристики, харак теризующие рассеяние случайной величины, т. е. показываю щие, насколько тесно сгруппированы возможные значения случайной величины около центра рассеяния (математиче ского ожидания), называются х а р а к т е р и с т и к а м и р а с с е я н и я .
Основными характеристиками рассеяния случайной вели чины являются дисперсия и среднее квадратическое отклоне
ние. При их определении используется |
разность |
между слу |
чайной величиной X и ее математическим ожиданием ц. |
||
Д и с п е р с и е й случайной величины X, обозначаемой а2, |
||
называется математическое ожидание |
квадрата |
отклонения |
величины X от ее математического ожидания, т. е. |
|
|
а2 = jx [X — ц]2. |
|
(14) |
Дисперсия выражается:
для дискретной случайной величины
52
П
( 1 5 )
для непрерывной случайной величины
а2 = |
[х — tx)2/ (дс) dx. |
(16) |
Дисперсия случайной величины является очень удобной ха рактеристикой рассеяния возможных значений случайной величины. Однако она лишена наглядности, так как имеет раз мерность квадрата случайной величины.
Для большего удобства желательно иметь характеристику, по размерности совпадающую с размерностью случайной вели чины. Такой характеристикой является среднее квадратиче ское отклонение случайной величины ь.
а |
(17) |
§ 9. Законы распределения дискретных случайных величин
При контроле качества наиболее распространены три типа распределения дискретных случайных величин: гипергеомет рическое, биномиальное и закон Пуассона. Знание параметров этих законов позволяет обоснованно назначать границы регу лирования для контрольных карт по альтернативному призна ку, рассчитывать планы выборочного контроля, производить статистические оценки.
Гипергеометрическое распределение. Дискретная случайная величина X называется распределенной по гипергеометриче скому закону, если ее возможные значения 0, 1,2 ........п, а ве роятность того, что X = d выражается формулой
(18)
где D u d — количество дефектных единиц продукции в партии и выборке;
Л,ти п — объем партии и выборки.
Расчет вероятности того, что в выборку объемом п, взятой из партии объемом N, попадет d бракованных изделий (если всего их в партии D штук), производимый с помощью гипер геометрического закона распределения, соответствует опреде лению вероятности события классическим методом.
1 В литературе по контролю качества вместо термина «среднее квадратическое отклонение» широко применяется термин «стандартное откло нение».
53
Математическое ожидание и дисперсия числа дефектных единиц продукции из п проконтролированных изделий опре деляются из выражений:
|
[А= П |
D |
|
|
|
П9) |
|
N |
|
|
|||
|
|
|
|
|
||
|
D (N— D) |
1 — |
|
( 20) |
||
|
N- |
|
|
|||
|
|
|
|
|
|
|
Однако вычисления, |
осуществляемые |
по формуле |
(18), гро |
|||
моздки. Поэтому для |
определения вероятности используют |
|||||
формулу биномиального закона. |
|
|
|
|
|
|
Биномиальное распределение. |
|
Рассмотрим такой случай. |
||||
В партии содержится |
/V изделий |
(D — бракованных, N—D — |
||||
годных). Вероятность извлечения |
|
годного изделия |
Р = |
N — D |
||
|
N ’ |
|||||
|
|
|
|
|
|
|
бракованного ^ = 1 —р = — . Из партии |
берут изделие, прове |
ряют его качество, после чего возвращают в партию и переме шивают. Затем берут наугад второе изделие, производят те же самые операции и т. д. Вероятность извлечения (п—d) годных изделий из проконтролированных определяется по формуле
Рп - а . п = |
п\ |
рп-d qd_ |
( 21) |
C"~d p n ~ d q d = d\ (п—(/)' |
|
|
Математическое ожидание ц и дисперсию а2 биномиально го распределения находят по формулам:
и. = nq- |
(22) |
|
с2 = |
nqp. |
(23) |
П р и м е р 8. В партии имеются |
бракованные |
детали, доля которых |
составляет 0,1. Последовательно берут 10 деталей и обследуют, после чего их возвращают в партию, т. е испытания носят независимый характер. Какова вероятность того, что при проверке 10 деталей попадется одна бра кованная?
Из условия задачи
<7=0,1; /г=10 и d = 1.
Очевидно, что р — 1—<7=1—0,1=0,9. Тогда
10
Р ( 10; 1 ) = ----- -0,1 -0,9°-9=0,387.
'1! 9!
Полученный результат можно отнести и к тому случаю, когда извле кается подряд 10 деталей без возврата их обратно в партию. При достаточ но большой партии, например 1000 шт., вероятность извлечения годной или негодной детали после каждого из 10 извлечений деталей изменится нич тожно мало. Поэтому при таких условиях извлечение бракованной детали можно рассматривать как событие, не зависящее от результатов предшест вующих испытаний.
54
Закон редких событий (Пуассона). Если вероятность q со бытия А очень мала ( q ^ 0 , \ ) , а число испытаний велико, то вероятность того, что событие А наступит d раз в п испыта ниях, будет равна
Р in> d) = ^ 7 е~ а, |
(24) |
ал |
|
где a —nq = n[m] — математическое ожидание случайной вели чины.
Уравнение (24) определяет собой распределение редких со бытий, или распределение Пуассона.
Когда число испытаний п велико, a q мало, то закон бино миального распределения и закон редких событий практически
совпадают. |
Это имеет |
место |
тогда, когда ^ ^ 0 ,1. |
При |
||
этих условиях |
вместо формулы |
(2 1 ) можно применить |
фор |
|||
мулу (24). |
|
|
|
|
|
|
Принимая a = nq, формула (24) примет вид |
|
|||||
|
|
Р К |
d) = |
^ |
е-"*. |
(25) |
П р и м е р |
9. |
В партии имеется |
1 % |
бракованных деталей. Какова |
веро |
ятность того, что при взятии из партии выборки объемом 50 единиц продук
ции в ней будет находиться 0, |
1, 2, |
3, 4 дефектные детали. |
Здесь <7=0,01; |
||||
я =50; «9=50-0,01=0,5: |
Р( 50; |
0) = |
0,5° |
'5 = 0,607; Р( 50; |
1) = |
0,5 |
|
е |
-yj-e-s-5 = |
||||||
0,52 |
е -°.5=0,075; |
Я(50; |
0,5з |
е "°'5=0,012; |
Я(50; 4) = |
||
= 0,303; Я (50; 2) = — |
3) = — |
||||||
0,5» |
|
|
|
|
|
|
|
= —— е- °.5 = 0,001. |
|
|
|
|
|
|
|
4! |
|
|
|
|
|
|
|
Закон редких событий применяется в машиностроении для |
|||||||
выборочного контроля готовой продукции, |
когда |
по техниче |
ским условиям в принимаемой партии продукции допускается некоторый процент брака (обычно небольшой) и поэтому всег да <7< 0 ,1.
При помощи закона редких событий можно вычислить ве роятность того, что в выборке из п единиц продукции будет со держаться: 0 ; 1; 2 ; 3 и т. д. бракованных деталей, т. е. задан ное число d раз. Можно также вычислить вероятность появле ния в такой выборке d штук дефектных деталей и более. Эта вероятность на основании правила сложения вероятностей бу дет равна
Р (п, d. и более) = 1 — VJ Р [п, X] = |
1 — enq У] (nq)/x\. (26) |
,г=0 |
л'=0 |
Закон Пуассона и функция распределения Пуассона табули рованы.
55
§ 10. Нормальный закон распределения непрерывной случайной величины
При контроле н регулировании технологических и произ водственных процессов по количественному признаку обычно действует нормальный закон распределения. В технике конт рольных карт для количественного признака на основании этого закона назначаются допустимые отклонения параметров и определяются границы регулирования.
По нормальному закону могут распределяться значения величин, колеблющихся от множества случайных факторов, при условии, что ни один из них не преобладает над другими. К таким величинам относятся размеры деталей, обрабатывае мых инструментами из стойкого материала, объем, вес изде лий, электрические и магнитные показатели, ошибки измере ний и т. п.
Закон и функция нормального распределения выражаются следующими формулами:
|
(.V—!Ы2 |
|
||
I Xi = |
е |
212 |
(27) |
|
|
; |
|||
Ф 1 |
2г. |
|
|
|
У |
|
|
|
|
/-'С(А- = — ! = - |
1 е |
232 |
dx, |
(28) |
= I 2, |
. |
|
|
|
где ц и о2 — математическое ожидание |
и дисперсия |
соответ |
||
ственно. |
|
|
|
|
Закон нормального распределения |
графически |
представ |
||
ляет собой колокообразную кривую, |
симметричную |
относи |
тельно точки х = р. Это значит, что равные по абсолютной ве личине, но разные по знаку отклонения от математического ожидания равновозможны. При этом меньшие отклонения бо лее вероятны, чем большие.
Положение кривой относительно начала координат и ее форма определяются двумя параметрами ц и о. С изменением ц форма кривой не меняется, но изменяется ее положение от носительно начала координат (рис. 8, а). С изменением а не меняется положение кривой, но изменяется форма (рис. 8, б).
Область, лежащую в пределах Зсг-границ, называют «ста тистически допустимой областью», а Зо-границы — «статисти ческим допуском». Итак, расстояние между статистическими допусками составляет 6а.
Практическое применение таблицы функции распределения нормального закона. Определение величины статистической
56
надежности (доверительной вероятности) производится с по мощью функции нормального распределения.
Вероятность того, что случайная величина, подчиняющаяся закону нормального распределения, примет значения в преде лах Х\—Х2, может быть записана следующим образом:
Р ( х , < х < х 2) = Ф(/2) - Ф ( / х) = ф ( ^ т ^ ) - ф ( £^ ) . (29)
t _t*_
Функция |
Ф (/) |
= |
| е |
2 dt |
(30) |
|
|
|
6 |
|
|
носит название |
нормированной |
функции |
Лапласа. Ее |
||
значения для различных |
, |
X —х |
приведены |
в приложе |
|
t = |
------ |
нии 1. Эта функция нечетная, следовательно Ф (—£)=Л—Ф (0 и для отрицательных значений t табличные данные берутся со знаком минус.
Рис. 8. Влияние значений ц и а |
на положение и форму кривой |
||||||
П р и м е р 10. Проверить значения |
случайной величины X , которые бу |
||||||
дут лежать в интервале х —Зо до х+Зсг с вероятностью, |
равной 0,9973. |
||||||
В этом случае Р ( х |
— За |
X |
< х -f- За) = |
Ф (<2) — Ф (^i), |
|||
где |
|
|
|
|
|
|
|
|
к = |
|
(X |
■ За) |
х ------ч. |
|
|
|
------- ----------- i, |
|
|||||
|
. |
_ |
(X + Зз) — X |
_ |
|
||
|
|
|
|
а |
|
— •3- |
|
Следовательно, |
|
|
|
|
|
|
|
р ( х — За < |
X |
< |
х + |
За) = |
Ф (3) - |
Ф (—3) = |
2Ф (3). |
Согласно приложению 1, 2Ф(3) =0,9973. |
|
|
57
П р и м е р 11. Пусть случайной нормально распределенной величиной Судет размер детали с математическим ожиданием ц.=5 см и средним квад
ратическим отклонением о = 3 см. Найти вероятность того, |
что измеренное |
||
значение отклоняется от 5 см не более чем на 2 см. |
|
|
|
В данном случае |
|
|
|
Р [ ( р - 2 ) < Л ' < ( а + 2)] = Ф 4^ + 2) — |
(А ~ Г ( И |
-2) - |
(Л |
г |
|
|
|
|
0,9942. |
|
|
Понятие о центральной предельной теореме. Широкое применение зако на нормального распределения в технике обосновано русским математиком А. М. Ляпуновым (центральная предельная теорема теории вероятностей). Приведем лишь следствие из теоремы Ляпунова: если случайная величина X представляет собой сумму очень большого числа взаимно независимых слу чайных величин, влияние каждой из которых на всю сумму ничтожно мало, то Л' имеет распределение, близкое к нормальному.
Теорема Ляпунова дает теоретическое объяснение тому факту, что при устойчивом процессе обработки деталей на настроенных станках и при от сутствии изменяющихся во времени систематических погрешностей действи тельные размеры деталей часто подчиняются закону нормального распреде ления, так как результирующая погрешность обработки представляет собой сумму большого числа погрешностей, зависящих от станка, приспособления, инструмента и заготовки.
Г л а в а IV
ЭЛЕМЕНТЫ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ
§ 11. Выборочный метод
Существует два основных метода сбора статистических дан ных — путем непосредственного наблюдения и при помощи уст ного или письменного опроса. Последний метод широко приме няется для изучения спроса на продукцию. При контроле каче ства в большинстве случаев используется метод непосредст венного наблюдения. Суть этого метода состоит в том, что во прос о качестве изделия (является ли оно годным или дефект ным) решается на основе непосредственных показаний измери тельного прибора или на основе специфической для данного изделия числовой характеристики (параметра), устанавливае мой также при помощи показаний измерительного прибора.
Сбор данных для контроля качества производится или пу тем контроля всех 100% изделий (сплошной метод) или путем
58
отбора некоторых единиц продукции из партии (выборочный метод). Под единицей продукции понимается испытуемый от дельный экземпляр штучной продукции или определенное ко личество нештучной продукции (одна деталь, конструкцион ный узел, 1 м2 поверхности, 1 м провода).
В большинстве случаев выборочный метод является более целесообразным и экономичным, чем сплошной метод кон троля. Если производится испытание с разрушением, то сплошной контроль практически не имеет смысла. В таких слу чаях отбирают из всей совокупности случайным образом огра ниченное число ениниц продукции и подвергают каждую еди ницу контролю.
В ы б о р о ч н а я с о в о к у п н о с т ь или просто в ы б о р к а — это совокупность единиц продукции, взятых из исследуе мой совокупности. Если исследуется нештучная продукция, то ее часть называется п р о б о й .
Генеральной совокупностью называется множество единиц продукции, из которого производят выборку.
В теории и практике контроля качества генеральную сово купность обычно отождествляют с понятием партии, которая поставляется потребителю и качество которой должно быть установлено. Заключение о качестве партии на основе выборки составляет один из важнейших предметов исследования мате матической статистики.
На результат контроля большое влияние может оказать способ выборки.
П о в т о р н о й называют выборку, при которой отобранная единица продукции (перед отбором следующей) возвращается в партию. Б е с п о в т о р н о й называют выборку, при которой отобранная единица продукции в партию не возвращается. На практике обычно пользуются бесповторным случайным отбо ром.
Чтобы по данным выборки можно было достаточно уверен но судить об интересующем нас признаке генеральной сово купности, выборка должна быть представительной. В силу за кона больших чисел можно утверждать, что выборка будет представительной, если ее осуществить случайно: каждая еди ница продукции выборки отобрана случайно из партии, если все единицы продукции имеют одинаковую вероятность по пасть в выборку.
Если объем партии достаточно велик, а выборка составляет лишь незначительную часть этой совокупности, то различие между повторной и бесповторной выборками стирается; в пре дельном случае, когда рассматривается бесконечная генераль ная совокупность, а выборка имеет конечный объем, это раз личие исчезает.
59