Реферат: Эконометрические методы управления качеством и сертификации продукции

Реферат

По эконометрике

Эконометрические методы управления качеством

и сертификации продукции

Основы статистического контроля качества продукции

Сначала дадим общие сведения о месте статистических методов в управлении качеством и сертификации продукции. Затем рассмотрим центральную тему эконометрики качества - статистический контроль качества продукции. Продемонстрируем его высокую экономическую эффективность.

Качество продукции и рыночная экономика. Руководители и специалисты промышленных предприятий хотят не только выжить, но и выиграть в борьбе с конкурентами. Более частными задачами, которые они хотят решить, обычно являются:

- выйти на международный рынок;

- поднять качество продукции до японского уровня;

- полностью ликвидировать рекламации, и т.д.

Для решения этих задач им надо повышать качество продукции. Все руководители и специалисты промышленных предприятий это хорошо знают, слова "сертификация", "международные стандарты ИСО серии 9000 по системам качества" уже навязли в зубах. Менее осознано, что управление качеством - это прежде всего применение современных статистических методов. На Западе (США) и на Востоке (Япония) это - аксиома. Вот типичное высказывание японского менеджера и инженера: "Методы статистики - именно то средство, которое необходимо изучить, чтобы внедрить управление качеством. Они - наиболее важная составная часть комплексной системы всеобщего управления качеством на фирме. В японских корпорациях все, начиная от председателя Совета Директоров и до рядового рабочего в цехе, обязаны знать хотя бы основы статистических методов." Так считает Каору Исикава, президент промышленного института Мусаси, заслуженный профессор Токийского университета (цитируется по японскому пособию по статистическим методам обеспечения качества [1, с.15]).

Раз все японские работники знают про статистические методы - значит, их научили в школе. Во всем мире - в США, Японии и Ботсване - школьники учат статистические методы как один из обязательных школьных предметов, вместе с физикой, химией, математикой и историей. ЮНЕСКО регулярно проводит конференции по преподаванию статистики в средней школе. И вот всем виден результат - качество компьютеров IBM и японских телевизоров. А отечественные бюрократы десятилетиями "боролись за качество" (вспомните, была "пятилетка эффективности и качества"!), "внедряли" кипы бумаг - КС УКП ... (популярное сочетание в 1970-е и 1980-е годы: КС УКП - это Комплексная Система Управления Качеством Продукции; имелись областные варианты - горьковская, львовская, днепропетровская и т.д.).

Справедливости ради надо отметить, что популярные ныне международные стандарты ИСО серии 9000 ничем принципиально не отличаются от давних документов КС УКП, а в некоторых отношениях КС УКП были более прогрессивными, чем нынешние стандарты ИСО 9000. В очередной раз придуманное в нашей стране попало на Запад, было там оформлено по-другому, а потом стало внедряться у нас как последнее достижение западной цивилизации…

ИТОГ НА СЕГОДНЯ: весь мир, кроме нас, знает статистические методы и повсеместно применяет их для повышения качества. Мы вынуждены догонять. Очевидно, овладение основами статистического контроля качества продукции - неотъемлемая часть экономического и тем более эконометрического образования.

О сертификации. Вслед за т. н. развитыми странами в России намечается всё расширяющаяся тенденция к сертификации продукции, т.е. к официальной гарантии поставки производителем продукции, удовлетворяющей установленным требованиям. Средства массовой информации отмечают, что в условиях рыночной экономики поставщики и продавцы должны иметь сертификаты качества на предлагаемые ими товары и услуги. Маркетинг, т.е. "производственная и коммерческая политика, нацеленная на получение максимальной прибыли на основе изучения рынка, создания конкурентоспособной продукции и её полной реализации" (определение взято из выпущенной нашим Центром брошюры [2, с.64-65]), включает в себя работы по сертификации. За новыми терминами зачастую скрываются хорошо известные понятия, несколько модернизированные в соответствии с современной обстановкой. Так, целесообразно связать комплексную систему управления качеством продукции с маркетингом: "маркетинг в широком смысле - это усовершенствованная, ориентированная на рыночную экономику КС УКП" [2,с.61].

Есть несколько уровней сертификации. Говоря о сертификации продукции, могут иметь в виду качество конкретной её партии. В ряде случаев это оправдано - рядового потребителя интересует качество лишь той единицы продукции, которую он сам приобрёл. Однако установление долговременных хозяйственных связей целесообразно лишь в случае, когда поставщик гарантирует высокое качество не одной, а всех партий своей продукции. Очевидно, для этого должны быть проведены оценка и сертификация технологических процессов и производств, обеспечивающих выпуск этой продукции.

Ещё больше повышается доверие к поставщику, если не только отдельные технологические процессы, но и всё предприятие в целом гарантированно выпускает продукцию высокого качества. Это обеспечивается действующей на предприятии системой качества, удовлетворяющей требованиям Международной организации по стандартизации (International Standartization Organization , сокращенно ISO , по-русски - ИСО), выраженным в системе стандартов ИСО 9000, о которых уже шла речь.

В условиях рыночной экономики основная характеристика товара - его конкурентоспособность. Очевидно, производителю необходимо уметь оценивать конкурентоспособность перед запуском продукции в производство или началом работы по продвижению на зарубежный рынок. Одним из основных компонентов конкурентоспособности является технический уровень продукции. Фирма, обладающая патентом или новой научно-технической разработкой, имеет более высокий излишек производителя по сравнению с другими фирмами. При выборе направления инвестиционных вложений одна из основных учитываемых характеристик - технический уровень продукции.

Из сказанного вытекает, что сертификация продукции - это современная форма управления качеством продукции. На Западе общепринято, что основная составляющая в управлении качеством продукции - это статистические методы (см., например, отчет Комитета ИСО по изучению принципов стандартизации [3]). В нашей стране внедрение комплексных систем управления качеством (КС УКП), как уже отмечалось, сводилось во многом к подготовке документации организационного характера. Статистические методы использовались в промышленности недостаточно, а государственные стандарты по этой тематике зачастую содержали грубейшие ошибки (см. ниже).

Подготовка предприятий к сертификации продукции, технологических процессов и производств, систем качества требует приложения труда квалифицированных специалистов, причем в достаточно большом объеме. Подобную работу обычно проводят специализированные организации.

О развитии статистических методов сертификации в России. Около 150 лет статистические методы применяются в России для проверки соответствия продукции установленным требованиям, т.е. для сертификации. Так, еще в 1846 г. действительный член Петербургской академии наук М.В. Остроградский рассматривал задачу статистического контроля партий мешков муки или штук сукна армейскими поставщиками. С тех пор в России в статистическом контроле качества было сделано многое, особенно в области теории: Так, солидные монографии проф. Ю.К. Беляева и проф. Я.П. Лумельского можно смело назвать классическими. Был выпущен и длинный ряд практических руководств, в основном переводных.

С начала 1970-х годов стали разрабатываться государственные стандарты по статистическим методам. В связи с обнаружением в них грубых ошибок 24 из 31 государственного стандарта по статистическим методам были отменены в 1986-87 гг. (перечень стандартов и описание ошибок приведены в работе [4]). К сожалению, потеряв правовую силу как нормативные документы, ошибочные стандарты продолжают использоваться как научно-технические издания.

В 1989 г. был организован Центр статистических методов и информатики (ЦСМИ) для работ по развитию и внедрению современных статистических методов. Уже к середине 1990 г. ЦСМИ были разработаны 7 диалоговых систем по современным статистическим методам управления качеством, а именно, СПК, АТСТАТ-ПРП, СТАТКОН, АВРОРА-РС, ЭКСПЛАН, ПАСЭК, НАДИС (описания этих систем даны в работе [5]).

Параллельно ЦСМИ вел работу по объединению статистиков. В апреле 1990 г. в Большом Актовом Зале Московского Энергетического института прошла Учредительная конференция Всесоюзной организации по статистическим методам и их применениям. На Учредительном съезде Всесоюзной статистической ассоциации (ВСА) в октябре 1990 г. в Московском экономико-статистическом институте эта организация вошла в состав ВСА в качестве секции статистических методов. В 1992г. после развала СССР и фактического прекращения работы ВСА на основе секции статистических методов ВСА организована Российская ассоциация по статистическим методам (РАСМ), а затем и Российская академия статистических методов, существующие и в настоящее время. В мероприятиях секции статистических методов ВСА и РАСМ активно участвовали несколько сот человек. Основной тематикой работ многих из этих специалистов являются статистические методы в сертификации (управлении качеством). В ЦСМИ и РАСМ, объединивших большинство ведущих российских специалистов, коллективными усилиями разработан единый подход к проблемам применения статистических методов в сертификации и управлении качеством.

Статистический контроль - это выборочный контроль на научной основе. Контроль качества продукции всем знаком хотя бы по названию - им обычно занимается отдел технического контроля (ОТК) предприятия. Есть различные виды контроля - входной контроль, приемочный контроль (готовой продукции), и контроль при передаче полуфабрикатов и комплектующих из цеха в цех. Кроме сплошного контроля всех изделий подряд применяют выборочный, когда о качестве партии продукции судят по результатам контроля некоторой части - выборки.

Зачем нужен выборочный контроль? Чтобы проверить качество спички - надо чиркнуть ею. Загорится - должное качество, не загорится - брак. Но повторно однажды зажженную спичку использовать уже нельзя. Поэтому партию спичек можно контролировать только выборочно. Партии консервов, лампочек, патронов - тоже. Т.е. при разрушающем контроле необходимо пользоваться выборочными методами и судить о качестве партии продукции по результатам контроля её части - выборки.

Выборочные методы контроля могут применяться и из экономических соображений, когда стоимость контроля высока по сравнению со стоимостью изделия. Например, вряд ли целесообразно визуально проверять качество каждой скрепки в каждой коробке.

Для проведения выборочного контроля необходимо сформировать выборку, выбрать план контроля. А если план имеется - полезно знать его свойства. Анализ и синтез планов проводят с помощью математического моделирования на основе теории вероятностей и математической статистики, применяя компьютерные диалоговые системы (пакеты программ).

Зачем нужны диалоговые системы по статистическому контролю? Раньше, действительно, ОТК формально применяли планы контроля из ГОСТов на конкретную продукцию, а реальное качество выпускаемых изделий никого не интересовало. Сейчас - ситуация начинает меняться. С декабря 1990 г. обязательность большинства ГОСТов отменена (в части основных показателей качества, кроме показателей безопасности). У промышленности сняты кандалы. Но - со становлением рыночной экономики появляются конкуренты. В том числе зарубежные. Руководителям производства приходится отлаживать систему контроля качества не для галочки, не по приказу обкома, а для повышения доходов предприятий. А потому - и собственных тоже.

Компьютерные диалоговые системы позволяют прежде всего проводить анализ и синтез планов контроля. Пусть перед Вами - прежний ГОСТ на продукцию, в нем есть раздел "Правила приемки" с планами контроля. Хороша эта система планов или плоха? С помощью диалоговых систем Вы найдете характеристики конкретного плана, приемочный и браковочный уровни дефектности (см. ниже) и т.д. Можно провести и синтез планов, т.е. компьютер подберет план, удовлетворяющий Вашим условиям.

Российской ассоциацией статистических методов были проанализированы сотни стандартов на конкретную продукцию (разделы "Правила приемки") и ГОСТы по статистическим методам. Обнаружено, что более половины и тех и других стандартов содержат грубые ошибки, пользоваться ими нельзя. Причины этого печального положения проанализированы в статье [4]. В отличие от ГОСТов, диалоговым системам ЦСМИ по статистическому контролю верить можно и нужно. И экономически выгодно. По оценкам, полученным в работе [6], применение современных статистических методов позволяет в среднем вдвое сократить трудозатраты на контрольные операции (как известно, на них расходуют примерно 10% от стоимости машиностроительной продукции). Следовательно, от внедрения современных эконометрических методов обеспечения качества продукции Россия может получить более 5 миллиардов долларов США дополнительного дохода в год.

Приведем ещё два сообщения о высокой экономической эффективности статистического контроля. "Мы документально зафиксировали экономию от применения методов статистического контроля и методов разрешения проблем, которым обучили наших сотрудников. Мы приближаемся к степени окупаемости около 30 долларов на 1 вложенный доллар. Вот почему мы получили такую серьезную поддержку от высшего руководства", - сообщает Билл Виггенхорн, ответственный за подготовку специалистов фирмы "Моторола" (цитируем по статье [7]).

По подсчетам профессора Массачусетского технологического института Фримена (см. монографию [8]), только статистический приемочный контроль давал промышленности США 4 миллиарда долларов в 1958 г. (это более 20 миллиарда долларов в ценах 2001 г.), т.е. 0,8% ВВП - Валового Внутреннего Продукта.

На наш взгляд, российским предпринимателям и менеджерам промышленных предприятий целесообразно равняться на японских коллег - знать хотя бы основы статистических методов, т.е. эконометрики, и активно их применять, постоянно консультируясь со специалистами-эконометриками.

Основы статистического контроля. Выборочный контроль, построенный на научной основе, т.е. исходящий из теории вероятностей и математической статистики, называют статистическим контролем. Предпринимателя и менеджера выборочный контроль может интересовать не только в связи с качеством продукции, но и в связи, например, с контролем экологической обстановки, поскольку зафиксированные государственными органами экологические нарушения влекут штрафы и иные "неприятные" последствия. Обсудим основные подходы статистического контроля.

При статистическом контроле решение о генеральной совокупности – об экологической обстановке в данном регионе или о партии продукции - принимается по выборке, состоящей из некоторого количества единиц (единиц экологического контроля или единиц продукции). Следовательно, выборка должна представлять партию, т.е. быть репрезентативной (представительной). Как эти слова понимать, как проверить репрезентативность? Ответ может быть дан лишь в терминах вероятностных моделей выборки.

Наиболее распространенными являются две вероятностные модели—биномиальная и гипергеометрическая. В биномиальной модели предполагается, что результаты контроля n единиц можно рассматривать как совокупность n независимых одинаково распределенных случайных величин Х₁ , Х₂ ,....,Х_n , где Х_i = 1, если i‑ ое измерение показывает, что есть нарушение, т.е. превышено ПДК (предельная норма концентрации) или i‑ ое изделие дефектно, и Х_i = 0, если это не так. Тогда число Х превышений ПДК или дефектных единиц продукции в партии равно

Х= Х₁ + Х₂ +...+ Х_n . (1)

Из формулы (1) и Центральной Предельной Теоремы теории вероятностей вытекает, что при увеличении объема выборки n распределение Х сближается с нормальным распределением. Известно, что распределение Х имеет вид

Р( Х= k) = C_n ^k p^k (1—p)^n-k , (2)

где C_n ^k - число сочетаний из n элементов по k , а p —уровень дефектности (в другой предметной области - доля превышений ПДК в генеральной совокупности), т.е. p = Р( Х_i = 1). Формула (2) задает так называемое биномиальное распределение.

Гипергеометрическое распределение соответствует случайному отбору единиц в выборку. Пусть среди N единиц, составляющих генеральную совокупность, имеется D дефектных. Случайность отбора означает, что каждая единица имеет одинаковые шансы попасть в выборку. Мало того, ни одна пара единиц не должна иметь при отборе в выборку преимущества перед любой другой парой. То же самое —для троек, четверок и т.д. Это условие выполнено тогда и только тогда, когда каждое из сочетаний по n единиц из N имеет одинаковые шансы быть отобранным в качестве выборки. Вероятность того, что будет отобрано заранее заданное сочетание, равна, очевидно, 1/ .

Отбор случайной выборки согласно описанным правилам организуют при проведении различных лотерей. Пусть Y —число дефектных единиц в случайной выборке, организованной таким образом. Известно, что тогда P (Y = k) – гипергеометрическое распределение, т.е.

(3)

Замечательный математический результат состоит в том, что биномиальная и гипергеометрическая модели весьма близки , когда объем генеральной совокупности (партии) по крайней мере в 10 раз превышает объем выборки. Другими словами, можно принять, что

Р( Х = k) = P ( Y = k ), (4)

если объем выборки мал по сравнению с объемом партии. При этом в качестве p в формуле (4) берут D/N . Близость результатов, получаемых с помощью биномиальной и гипергеометрической моделей, весьма важна с философской точки зрения. Дело в том, что эти модели исходят из принципиально различных философских предпосылок. В биномиальной модели случайность присуща каждой единице - она с какой-то вероятностью дефектна, а с какой-то - годна. В то же время в гипергеометрической модели качество определенной единицы детерминировано, задано, а случайность проявляется лишь в отборе , вносится экологом или экономистом при составлении выборки. В науках о человеке противоречие между аналогичными моделями выборки еще более выражено. Биномиальная модель предполагает, что поведение человека, в частности, выбор им определенного варианта при ответе на вопрос, определяется с участием случайных причин. Например, человек может случайно сказать «да», случайно—«нет». Некоторые философы отрицают присущую человеку случайность. Они верят в причинность и считают поведение конкретного человека практически полностью детерминированным. Поэтому они принимают гипергеометрическую модель и считают, что случайность отличия ответов в выборке от ответов во всей генеральной совокупности определяется всецело случайностью, вносимой при отборе единиц наблюдения в выборку.

Соотношение (4) показывают, что во многих случаях нет необходимости принимать чью-либо сторону в этом споре, поскольку обе модели дают близкие численные результаты. Отличия проявляются при обсуждении вопроса о том, какую выборку считать представительной . Является ли таковой выборка, составленная из 20 изделий, лежащих сверху в первом вскрытом ящике? В биномиальной модели - да, в гипергеометрической - нет.

Биномиальная модель легче для теоретического изучения, поэтому будем её рассматривать в дальнейшем. Однако при реальном контроле лучше формировать выборку, исходя из гипергеометрической модели. Это делают, выбирая номера изделий (для включения в выборку) с помощью датчиков псевдослучайных чисел на ЭВМ (см. главу 11) или с помощью таблиц псевдослучайных чисел. Алгоритмы формирования выборки встраивают в современные программные продукты по статистическому контролю.

Планы статистического контроля и правила принятия решений. Под планом статистического контроля понимают алгоритм, т.е. правила действий, на входе при этом—генеральная совокупность (партия продукции), а на выходе—одно из двух решений: «принять партию» либо «забраковать партию». Рассмотрим несколько примеров.

Одноступенчатые планы контроля (n,c) : отобрать выборку объема n ; если число дефектных единиц в выборке X не превосходит c , то партию принять, в противном случае забраковать. Число с называется приемочным.

Частные случаи: план (n ,0) —партию принять тогда и только тогда, когда все единицы в выборке являются годными; план (n ,1) - партия принимается, если в выборке все единицы являются годными или ровно одно - дефектное, во всех остальных случаях партия бракуется.

Двухступенчатый план контроля (n,a,b) + (m,c) : отобрать первую выборку объема n ; если число дефектных единиц в первой выборке X не превосходит a , то партию принять; если число дефектных единиц в первой выборке X больше или равно b , то партию забраковать; во всех остальных случаях, т.е. когда Х больше a , но меньше b , следует взять вторую выборку объема m ; если число дефектных единиц во второй выборке Y не превосходит c , то партию принять, в противном случае забраковать.

Рассмотрим в качестве примера план (20, 0, 2) + (40, 0). Сначала берется первая выборка объема 20. Если все единицы в ней - годные, то партия принимается. Если две или больше - дефектные, партия бракуется. А если только одно - дефектное? В реальной ситуации в таких случаях начинаются споры между представителями предприятия и экологического контроля, или поставщика и потребителя. Говорят, например, что дефектная единица случайно попала в партию, что ее подсунули конкуренты или что при контроле случайно сделан неправильный вывод. Поэтому, чтобы споры пресечь, берут вторую выборку объема 40 (вдвое большего, чем в первый раз). Если все единицы во второй выборке - годные, то партию принимают, в противном случае - бракуют.

В реальной нормативно-технической документации - договорах на поставку, стандартах, технических условиях, инструкциях по экологическому контролю и т.д. - не всегда четко сформулированы планы статистического контроля и правила принятия решений. Например, при описании двухступенчатого плана контроля вместо задания приемочного числа с может стоять загадочная фраза "результат контроля второй выборки считается окончательным". Остается гадать, как принимать решение по второй выборке. Менеджер, администратор (государственный служащий), эколог или экономист, занимающийся вопросами экологического контроля или контроля качества, должен первым делам добиваться кристальной ясности в формулировках правил принятия решений, иначе ошибочные и необоснованные решения, а потому и убытки неизбежны.

Оперативная характеристика плана статистического контроля. Каковы свойства плана статистического контроля? Они, как правило, определяются с помощью функции f(p) , связывающей вероятность p дефектности единицы контроля с вероятностью f(p) положительной оценки экологической обстановки (приемки партии) по результатам контроля. При этом вероятность p того, что конкретная единица дефектна, называется входным уровнем дефектности, а указанная функция называется оперативной характеристикой плана контроля. Если дефектные единицы отсутст вуют, р = 0, то партия всегда принимается, т.е. f (0) = 1. Если все единицы дефектные, р = 1, то партия наверняка бракуется, f (1) = 0. Между этими крайними значениями р функция f(p) монотонно убывает.

Вычислим оперативную характеристику плана (n ,0). Поскольку партия принимается тогда и только тогда, когда все единицы являются годными, а вероятность того, что конкретная единица—годная, равна (1‑р), то оперативная характеристика имеет вид

f(p) = Р(Х=0) = (1—р)ⁿ .(5)

Для плана (n ,1) оперативная характеристика, как легко видеть, такова:

f(p) = Р(Х=0)+Р(Х=1) = (1—р)ⁿ + n (1—р)^n-1 (6)

Оперативные характеристики для конкретных планов статистического контроля не всегда имеют такой простой вид, как в случае формул (5) и (6). Рассмотрим в качестве примера план (20, 0, 2) + (40, 0). Сначала найдем вероятность того, что партия будет принята по результатам контроля первой партии. Согласно формуле (5) имеем:

f₁ (p) = Р(Х=0) = (1—р)²⁰ .

Вероятность того, что понадобится контроль второй выборки, равна

Р(Х=1) = 20(1—р)¹⁹ .

При этом вероятность того, что по результатам её контроля партия будет принята, равна

f₂ (p) = Р(Х=0) = (1—р)⁴⁰ .

Следовательно, вероятность того, что партия будет принята со второй попытки, т.е. что при контроле первой выборки обнаружится ровно одна дефектная единица, а затем при контроле второй—ни одной, равна

f₃ (p) = Р(Х=1) f₂ (p) = 20(1—р)¹⁹ (1—р)⁴⁰ = 20(1—р)⁵⁹ .

Следовательно, вероятность принятия партии с первой или со второй попытки равна

f(p) = f₁ (p) + f₃ (p) = (1—р)²⁰ + 20(1—р)⁵⁹ .

При практическом применении методов статистического приемочного контроля для нахождения оперативных характеристик планов контроля вместо формул, имеющих обозримый вид лишь для отдельных видов планов, применяют численные компьютерные алгоритмы или заранее составленные таблицы.

Риск поставщика и риск потребителя, приемочный и браковочный уровни дефектности. С оперативной характеристикой связаны важные понятия приемочного и браковочного уровней дефектности , а также понятия "риск поставщика" и "риск потребителя". Чтобы ввести эти понятия, на оперативной характеристике выделяют две характерные точки, делящие входные уровни дефектности на три зоны—А , Б и В . В зоне А все почти всегда хорошо, а именно - почти всегда экологическая обстановка признается благополучной, почти все партии принимаются. В зоне В , наоборот, почти всегда все плохо, а именно - почти всегда экологический контроль констатирует экологические нарушения, почти все партии бракуются. Зона. Б - буферная, переходная, промежуточная, в ней как вероятность приемки, так и вероятность браковки заметно отличаются от 0 и 1. Для задания границ между зонами выбирают два малых числа—риск поставщика (производителя, предприятия) и риск потребителя (заказчика, системы экологического контроля) , при этом границы между зонами задают два уровня дефектности - приемочный p _пp и браковочный p _бр , определяемые из уравнений

f(p _пp ) = 1—, f (p _бр ) = . (7)

Таким образом, если входной уровень дефектности не превосходит p _пp , то вероятность забракования партии мала, т.е. не превосходит . Приемочный уровень дефектности выделяет зону А значений входного уровня дефектности, в которой нарушения экологической безопасности почти всегда не отмечаются, партии почти всегда принимаются, т.е. соблюдаются интересы проверяемого предприятия (в экологии), поставщика (при контроле качества). Это - зона комфортности для поставщика. Если он обеспечивает работу (уровень дефектности) в этой зоне, то его никто не потревожит.

Если же входной уровень дефектности больше браковочного уровня дефектности p _бр , то нарушения почти наверняка фиксируются, партия почти всегда бракуется, т.е. экологи узнают о нарушениях, потребитель оказывается защищен от попадания к нему партий со столь высоким уровнем брака. Поэтому можно сказать, что в зоне В соблюдаются интересы потребителей - брак к ним не попадает.

При выборе плана контроля часто начинают с выбора приемочного и браковочного уровней дефектности. При этом выбор конкретного значения приемочного уровня дефектности отражает интересы поставщика, а выбор конкретного значения браковочного уровня дефектности - интересы потребителя. Можно доказать, что для любых положительных чисел и , и любых входных уровней дефектности p _пp и p _бр , причем p _пp меньше p _бр , найдется план контроля (n,c) такой, что его оперативная характеристика f(p) удовлетворяет неравенствам

f (p _пp ) > 1 - , f (p _бр ) < .

При практических расчетах обычно принимают = 0,05 (т.е. 5%) и = 0,1 (т.е. 10%).

Вычислим приемочный и браковочный уровни дефектности для плана (n ,0). Из формул (5) и (7) вытекает, что

(1 - p _пp )ⁿ = 1 - , p _пp = 1 - (1 - )^1/n .

Поскольку риск поставщика мал, то из известного соотношения математического анализа

вытекает приближенная формула

p _пp

Для браковочного уровня дефектности имеем

p _бр = 1 - ^1/n .

При практическом применении методов статистического приемочного контроля для нахождения приемочных и браковочных уровней дефектности планов контроля вместо формул, имеющих обозримый вид лишь для отдельных видов планов, применяют численные компьютерные алгоритмы или заранее составленные таблицы, имеющиеся в нормативно-технической документации или научно-технических публикациях.

Предел среднего выходного уровня дефектности. Обсудим судьбу забракованной партии продукции. В зависимости от ситуации эта судьба может быть разной. Партия может быть утилизирована. Например, забракованная партия гвоздей может быть направлена на переплавку. У партии может быть понижена сортность, и она может быть продана по более низкой цене (при этом результаты выборочного контроля будут использованы не для проверки того, что выдержан заданный уровень качества, а для оценки реального уровня качества). Наконец, партия продукции может быть подвергнута сплошному контролю (для этого обычно привлекают инженеров из всех заводских служб). При сплошном контроле все дефектные изделия обнаруживаются и либо исправляются на месте, либо извлекаются из партии. В результате в партии остаются только годные изделия. Такая процедура называется "контроль с разбраковкой".

При среднем входном уровне дефектности р и применении контроля с разбраковкой с вероятностью f(p) партия принимается (и уровень дефектности в ней по-прежнему равен р ) и с вероятностью (1- f(p) ) бракуется и подвергается сплошному контролю, в результате чего к потребителю поступают только годные изделия. Следовательно, по формуле полной вероятности средний выходной уровень дефектности равен

f₁ (p)= pf(p) +0(1 - f(p) ) = pf(p) .

Средний выходной уровень дефектности f₁ (p) равен 0 при р =0 и р =1, положителен на интервале (0;1), а потому достигает на нем максимума, который в теории статистического контроля называется пределом среднего выходного уровня дефектности (сокращенно ПСВУД):

ПСВУД =

Пример. Рассмотрим план (n,0). Для него f(p) = (1 - p)ⁿ и f₁ (p) = p(1-p)ⁿ . Чтобы найти ПСВУД, надо приравнять 0 производную среднего выходного уровня дефектности по среднему входному уровню дефектности:

В полученном уравнении корень р = 1 соответствует минимуму, а не максимуму. Поскольку непрерывная функция на замкнутом отрезке достигает максимума, то максимум достигается при

Следовательно,

ПСВУД = (8)

По выражению (8) могут быть проведены конкретные расчеты. Однако оно довольно громоздко. Его можно упростить, используя один замечательный предел из курса математического анализа, а именно:

(9)

Сравнивая соотношения (8) и (9), видим, что

ПСВУД =

Первая скобка равна 1/n , а вторая согласно соотношению (9) приближается к 0,368 при росте объема выборки. Поэтому получаем простую асимптотическую формулу

ПСВУД

Для более сложных планов ПСВУД рассчитывают с помощью более или менее сложных компьютерных программ.

При рассмотрении основ статистического контроля в настоящем пункте расчетные формулы удалось получить лишь для простейших планов, в основном для планов вида (n, 0). Если ослабить требования и рассчитывать не на точные формулы, а на асимптотические, при , то можно справиться и с одноступенчатыми планами вида (n, c).

Асимптотическая теория одноступенчатых планов

статистического контроля

Пусть Х - число дефектных единиц продукции в выборке объема n. Как уже отмечалось, распределение Х является биномиальным и имеет вид

Р (Х= k) = C_n ^k p^k (1—p)^{n - k} ,

где C_n ^k - число сочетаний из n элементов по k , а p - входной уровень дефектности.

Пусть используется одноступенчатый план контроля (n, c). Тогда оперативная характеристика этого плана имеет вид

Пусть Тогда по Закону Больших Чисел теории вероятностей (по теореме Бернулли)

(сходимость по вероятности). Значит, если с/n окажется заметно меньше входного уровня дефектности р , то партии будут почти всегда приниматься, а если с/n окажется заметно больше входного уровня дефектности р , то партии будут почти всегда отклоняться. Ситуация будет нетривиальной только там, где величины с/n и р близки друг к другу.

Хотя оперативная характеристика приближается с помощью сумм биномиальных вероятностей, целесообразно найти для нее приближение с помощью теоремы Муавра-Лапласа. Имеем цепочку тождественных преобразований:

Однако справа строит именно то выражение, которое участвует в теореме Муавра-Лапласа. Воспользовавшись равномерной сходимостью в этой теореме, можно записать, что

где (х) - функция стандартного нормального распределения с математическим ожиданием 0 и дисперсией 1. Поскольку параметры в этой формуле связаны соотношением

то можно указать альтернативный вариант асимптотического выражения для оперативной характеристики:

Последняя формула позволяет без труда написать асимптотические выражения для приемочного и браковочного уровней дефектности. Действительно, согласно определениям этих понятий

откуда с помощью элементарных преобразований получаем, что

Поскольку при практическом применении статистического приемочного контроля, как уже отмечалось, принимают = 0,05, =0,10, то в предыдущие формулы следует подставить =1,64 и Итак, итоговые формулы для приемочного и браковочного уровней дефектности имеют вид

(10)

Из формул (10) следует, в частности, что

(11)

Следовательно, оценкой приемочной доли (отношения приемочного числа к объему выборки) является

.(12)

Из формулы (10) следует, что

(13)

Следовательно, из формул (12) и (13) вытекает способ оценивания необходимого объема выборки:

(14)

Итак, по формуле (12) можно рассчитать оценку выборочной доли, затем по формуле (14) - объем выборки, после чего, вернувшись к выборочной доле, найти приемочное число. Необходимо отметить, что результаты расчетов по рассматриваемым асимптотическим формулам отнюдь не всегда дают натуральные числа, поэтому необходима корректировка полученных результатов.

Рассматриваемые формулы позволяют решить сформулированную выше задачу - по заданным приемочному и браковочному уровням дефектности подобрать такой одноступенчатый план контроля, что его оперативная характеристика f(p) удовлетворяет неравенствам

f (p _пp ) > 1 - , f (p _бр ) < .

Поэтому при практической работе корректировка асимптотических результатов должна быть направлена на выполнение указанных неравенств.

Пример. Пусть p _пp = 0,02, p _бр = 0,09. Тогда по формуле (12) приемочная доля равна

Необходимый объем выборки рассчитывается по формуле (14):

Полученное число не является натуральным, поэтому вполне естественно откорректировать объем выборки до ближайшего целого, т.е. до 97. Тогда

Заменив с на ближайшее натуральное число, получаем в результате асимптотических расчетов одноступенчатый план (97, 6).

Некоторые практические вопросы статистического контроля

качества продукции и услуг

Познакомившись с некоторыми основными понятиями, подходами, и идеями теории статистического контроля качества, обсудим более практические стороны этой технико-экономической области.

Анализ и синтез планов контроля. На основе теории статистического контроля можно проанализировать планы контроля качества, имеющиеся в нормативно-технической документации (стандартах, технических условиях) и в договорах на поставку продукции и оказание услуг. Достаточно часто оказывается, что формулировки соответствующих разделов (разделов "Правила приемки", "Методы контроля" и др.) имеют различные недостатки и неточности, что может послужить в дальнейшем причиной к возникновению арбитражных ситуаций (т.е. решаемых через арбитражные или иные суды).

Если обсуждаемая система контроля качества выдерживает чисто логическую проверку, то наступает вторая стадия - анализ с точки зрения теории статистического контроля. На этой стадии рассчитывают характеристики применяемых планов контроля. О некоторых из них уже шла речь - приемочный и браковочный уровни дефектности, предел среднего выходного уровня дефектности. Есть и иные показатели, например, средний используемый объем выборки, средняя стоимость контроля, и т.п. Особенно важна прогнозируемая доля арбитражных ситуаций (споров между предприятиями) при используемой системе контроля.

На стадии анализа возможны неожиданные "открытия". Например, может оказаться, что существующая система контроля качества, хотя и является формально безупречной, но защищает лишь от партий продукции, в которой более половины единиц продукции дефектно (т.е. для применяемых планов контроля браковочный уровень дефектности больше 0,5). Или что система контроля защищает интересы поставщиков, у которых каждое пятое изделие является бракованным (приемочный уровень дефектности равен 0,2).

Замечание. До сих пор постоянно говорилось о контроле единиц и партий продукции. Однако нет никакого принципиального отличия с контролем услуг (медицинских, туристических, транспортных, образовательных, банковских и иных) или документации. Поэтому теория и практика статистического контроля качества продукции дает полезные рекомендации для банковского дела и бухгалтерского аудита. Надо только аккуратно заменить слова, описывающие предметную область применения теории статистического контроля.

После анализа ситуации с системой контроля естественно перейти к улучшению этой системы, к обоснованному выбору планов, к этапу синтеза. В зависимости от конкретных условий используются разнообразные подходы к выбору планов. Например, задают приемочный и браковочный уровни дефектности. В случае контроля с разбраковкой естественно использовать ограничения на предел среднего выходного уровня дефектности.

Обсудим подробнее оптимизационные постановки в статистическом приемочном контроле. Очевидно, имеется три вида затрат и потерь:

- затраты непосредственно на проведение контроля единиц продукции, включенных в выборку,

- потери в случае неверного решения о забраковании партии продукции (в которой на самом деле доля дефектной продукции соответствует требованиям нормативно-технической документации):

- потери в случае неверного решения о принятии партии продукции (в которой на самом деле доля дефектной продукции не соответствует требованиям нормативно-технической документации).

При этом первые два вида затрат непосредственно связаны с деятельностью предприятия, на котором производится продукция, третий вид затрат формируется там, где она потребляется. С этим связана принципиальная сложность подсчета затрат третьего вида. Особенно эта сложность проявляется тогда, когда попадание к потребителю дефектных изделий может привести к авариям с человеческими жертвами. Тогда в очередной раз возникает уже обсуждавшийся вопрос: сколько стоит человеческая жизнь? Только оценив потери здоровья и жизни в денежных единицах, можно сформировать функционал качества плана статистического контроля и затем оптимизировать его. К счастью, для большинства видов продукции вопрос о денежной оценке человеческой жизни не возникает. Проблема обычно "всего лишь" в том, что выпущенная продукция используется разнообразными конечными потребителями, а потому оценить эффект повышения доли ее дефектности затруднительно.

Поэтому наряду с функционалом качества, включающим все три вида затрат, рассматривают "условный" функционал на основе затрат первых двух типов, а на вероятность принятия партии продукции, в которой доля дефектной продукции не соответствует требованиям нормативно-технической документации, накладывают ограничение, т.е., грубо говоря, третий вид затрат учитывают в качестве ограничения.

Естественно также по-разному проводить контроль у поставщика (производителя) и потребителя (заказчика). Пусть для определенности поставщик используют план а потребитель - Тогда естественно зафиксировать в договоре о поставке, что Такая договоренность обеспечит тщательный контроль со стороны изготовителя и почти автоматическое подтверждение приемки со стороны потребителя (т.е. отсутствие спора).

Одна из распространенных догм состоит в том, что изготовитель и потребитель должны проводить контроль по одним и тем же планам контроля. Если план контроля и входной уровень контроля таков, что ситуация контроля относится к буферной зоне Б, т.е. вероятность приемки партии заметно отличается от 0 и 1, то указанная догма приводит к высокой вероятности спорных ситуаций. Пусть, например, оперативная характеристика равна 0,5. Пусть изготовитель принял партию (с вероятностью 0,5). После этого при независимом контроле у потребителя с той же вероятностью 0,5 она может быть отклонена и с вероятностью 0,5 принята. Значит, общий итог таков: 59% за то, что партия будет забракована у поставщика, 25% - за спорную ситуацию (поставщик принял, потребитель забраковал), 25% - за принятие и поставщиком и потребителем. Конечно, рассмотрен крайний случай - наиболее частое появление спорных ситуаций. Но реальное появление 10-15% арбитражных споров - это типовая ситуация в 1980-е годы.

Один из вариантов выбора планов контроля поставщиком и потребителем выглядит так. Стороны договариваются о некотором "приемлемом" входном уровне дефектности р*. Затем поставщик выбирает план контроля, используя р* как браковочный уровень дефектности, а потребитель - рассматривая р* как приемочный уровень дефектности. Подробнее об анализе, синтезе и оптимизации планов статистического контроля рассказано в специальной литературе, в частности, в работах [6,8].

Усеченные планы. Рассмотрим план статистического контроля (60, 3). Пусть при проверке единицы продукции появляются в таком порядке: дефектная, дефектная, дефектная, дефектная,… Четыре дефектные единицы подряд! Надо ли дальше проверять выборку? Исходя из здравого смысла - нет. Ведь совершенно неважно, каковы будут результаты по остальным 59-и единицам продукции, окажутся они годными или дефектными - 4 дефектные единицы уже есть, и партию следует забраковать. Контроль мог бы быть перекрашен и тогда, когда при проверке 60 единиц все 60 окажутся годными - независимо от качества остальных 3 партию надо принимать.

Усеченные планы - это планы статистического контроля, в которых контроль разрешается прекращать, если итог (принятие или забракование партии) становится ясен ранее, чем проведен контроль всех включенных в выборку единиц продукции. Усеченные планы применяются, когда единицы продукции поступают на контроль последовательно, одна за другой (или группа за группой). Это не всегда так. Если, например, план (60, 3) применяется для контроля качества электролампочек, и все 63 лампочки ввернуты в гнезда на испытательном стенде и одновременно включены, то подход на основе усеченных планов применить нельзя.

Возможность применения усеченных планов должна быть явным образом указана в нормативно-технической документации и в договорах на поставку. Опишем юридический казус, связанный с усеченными планами. В ГОСТе на штангенциркули был предусмотрен план контроля (20,0). Органы Госстандарта проверяли завод "Точнометр" (название изменено). Проверили первый штангенциркуль - дефектен, второй - дефектен,…, десятый - дефектен. На этом комиссия остановилась, вполне резонно (с точки зрения здравого смысла) решив, что партия штангенциркулей должна быть забракована. Органы Госстандарта наложили на завод "Точнометр" штраф за выпуск некачественной продукции (в соответствии с действующим в то время правопорядком). Однако завод опротестовал это решение в суд. И суд удовлетворил протест, ссылаясь на то, что порядок проведения контроля качества штангенциркулей был нарушен! Бракоделы не смогли бы уйти от наказания, если бы в соответствующих документах была бы прописана возможность использования усеченных планов.

Выделение единиц бесформенной (жидкой, газообразной) продукции. Во всем предыдущем изложении постоянно встречается термин "единица продукции". Он вполне ясен, если речь идет об отдельных изделиях - дискетах, коробках спичек, патронах, бутылках минеральной воды, электробритвах, или отдельных деталях - болтах, гвоздях, пластмассовых дисках… Совершенно ясно, что многие виды продукции имеют иной вид - газообразный, жидкий или, как говорят, бесформенный (порошкообразный, желеобразный,…). Как быть с ним? В работе [9] предложен подход, позволяющий применить к бесформенной продукции методы статистического контроля качества.

Основное - это выделить единицу продукции. Она не должна быть очень малой, поскольку ясно, что в бесформенной продукции свойства вещества в близких точках близки. Основная идея состоит в том, чтобы взять некоторое количество пар точек, отстоящих друг от друга на определенное расстояние, и выяснить, есть связь (т.е. значим ли ранговый коэффициент корреляции Спирмена - см. главу 5) между значениями изучаемого свойства в этих парах точек или нет. Если связь есть, значит, точки разнесены на недостаточное расстояние, другими словами, точки относятся к одной и той же единице продукции. Поэтому расстояние между точками надо увеличить. Если связь уже не обнаруживается, то это значит, что они относятся к разным единицам продукции. В процессе увеличения расстояния тем самым была оценена величина ребра куба, в виде которого условно представляем себе единицу бесформенной продукции. Разбив бесформенную продукцию на единицы, можно применять описанные выше подходы для контроля ее качества (подробнее см. [9]).

Отбор случайной выборки при статистическом контроле качества продукции. Как и при любом выборочном обследовании, при статистическом контроле качества продукции остро строит проблема отбора репрезентативной (представительной) выборки (см. главу 2 выше). Эта проблема усугубляется экономической заинтересованностью участников процесса. В соответствии с обсуждениями главы 11 наиболее научно-обоснованным является использование датчиков псевдослучайных чисел. С другой стороны, исходя из экономической и технической целесообразности, популярна схема многоступенчатой выборки. Например, из 15 вагонов отобрать вагон № 5, из него - контейнер №3 около двери (из 12 контейнеров), из контейнера №3 - ящики №№ 7, 15 и 23, а из этих ящиков - каждое пятое изделие. При этом описании составления выборки совершенно ясно, что реально классическая случайная выборка организуется лишь при контроле контейнера №3, и остается только надеяться, что он является типичным для всей партии.

Всегда ли нужен контроль качества продукции?

Чем выше достигнутый уровень качества, тем больше необходимый объем контроля - таков парадокс классической теории статистического контроля. Возможный выход состоит в переходе к расширению возможностей менеджера при выборе технической политики на основе учета экономических рисков. Перекладывание контроля на потребителя может быть экономически выгодно, если производитель организовал защиту от риска методом пополнения партий или путем развития технического обслуживания.

В государственных стандартах, технических условиях, другой нормативно-технической документации, относящейся к потребительским товарам и услугам, различным изделиям, веществам, материалам, иным видам продукции, а также в договорах между поставщиками и потребителями обычно присутствуют разделы "Правила приемки и методы контроля". Поэтому, в частности, методы статистического контроля качества продукции являются важной составной частью статистических методов сертификации, которым посвящена работа [4]. Как уже говорилось, имеется соответствующая вероятностно-статистическая теория, посвященная анализу и синтезу (выбору) планов контроля. Однако эта теория вообще не предусматривает отказа от контроля, поскольку игнорирует возможность перехода на иную стратегию организации взаимоотношений поставщика и потребителя, например, на стратегию технического обслуживания, при которой выходной контроль не проводится, а обнаруженные потребителями дефектные изделия заменяются годными или ремонтируются. Основная обсуждаемая в настоящем пункте идея - обоснование необходимости включения теории статистического приемочного контроля в более широкую технико-экономическую теорию взаимоотношений поставщиков и потребителей и целесообразности перехода при повышении качества продукции от контроля качества к иным способам защиты потребителя, например, к развитому техническому обслуживанию или к поставке запасных единиц продукции.

Использование экономических показателей при выборе планов статистического (выборочного) контроля пропагандировалось давно, но делалось это в рамках парадигмы обязательности контроля. Здесь рассматривается более широкая система взглядов, согласно которой контроль качества продукции - лишь один из способов урегулирования взаимоотношений между поставщиками и потребителями.

В более широком плане речь идет об отказе от получения детальной информации, если она стоит слишком дорого, и переходе к использованию иных механизмов управления. Так, качественные методы химического анализа часто используют именно потому, что соответствующие количественные методы более трудоемки и дороги, но не намного полезнее с практической точки зрения. Пример из всем знакомой области: в средней школе знания учащихся контролируются еженедельно, в высшей же - один или несколько раз в семестр, однако разница с точки зрения эффективности управления процессом обучения невелика. Другой пример: как показано в статистике интервальных данных (см. главу 9), из-за погрешностей измерений нецелесообразно увеличивать их число сверх некоторого "рационального объема выборки", а для увеличения точности оценивания характеристик вероятностных распределений необходимо использовать более точные средства измерения. С учетом сказанного описываемый в настоящем пункте подход представляется менее необычным.

Оценка снизу необходимого объема выборки. Как известно, в теории статистического приемочного контроля качества продукции разработано много подходов к выбору планов контроля:

- на основе приемочного и браковочного уровней дефектности;

- исходя из предела среднего выходного уровня дефектности (при контроле с разбраковкой);

- с использованием экономических показателей, относящихся к предприятию (см., например, ГОСТ 24660-81);

- с использованием экономических показателей, относящихся к народному хозяйству в целом; и т.д. (см. предыдущий пункт).

Имеется обширная литература, посвященная обоснованию и сравнению этих подходов, разработке соответствующей математической теории и программного обеспечения. Не углубляясь в эти проблемы, сосредоточим внимание на одном парадоксальном явлении: при повышении качества выпускаемой продукции теория рекомендует увеличивать объем контроля!

Действительно, при повышении качества выпускаемой продукции требования потребителя, очевидно, обеспечиваются все лучше. Следовательно, должен уменьшаться браковочный уровень дефектности, т.е. то значение входного уровня дефектности, при котором вероятность приемки партии равна риску потребителя. Из всех планов с общим объемом контроля n минимум вероятности приемки партии (т.е. оперативной характеристики) достигается на одноступенчатом плане (n,0). (Напомним, что согласно этому плану партия принимается тогда и только тогда, когда из n проверенных единиц продукции все оказываются годными.) Другими словами, оперативная характеристика для плана (n,0) является огибающей (снизу) множества всех оперативных характеристик. Следовательно, из всех планов с общим объемом контроля n минимум браковочного уровня дефектности достигается также на плане (n,0).

В дальнейшем будем исходить из биномиальной модели выборки, согласно которой число дефектных единиц продукции в выборке объема n имеет биномиальное распределение с параметрами n и p , где p - входной уровень дефектности. Как хорошо известно, эта модель является приближением для модели простой случайной выборки из партии, согласно которой указанное число имеет гипергеометрическое распределение. Напомним, что гипергеометрическая модель переходит в биномиальную, если объем партии безгранично возрастает, а доля дефектных единиц продукции в партии приближается к p . Если объем выборки составляет не более 10% объема партии, то с достаточной для практики точностью принимают, что соответствующее биномиальное распределение хорошо приближает гипергеометрическое.

Примем обычное предположение о том, что риск потребителя равен 0,10. Как известно, браковочный уровень дефектности p_бр для плана (n,0) определяется из условия

(1 - p_бр )n = 0,10 .

Это соотношение дает возможность по заданному браковочному уровню дефектности p_бр найти необходимый объем выборки:

n = ln 0,10 / ln (1 - p_бр ) = - 2,30 / ln (1 - p_бр ) .

Поскольку в силу сказанного ранее представляют интерес малые значения браковочного уровня дефектности, воспользуемся тем, что при малых x согласно правилам математического анализа

ln (1 + x ) = x + O (x2) .

Вторым слагаемым в правой части последней формулы, как обычно в асимптотических рассуждениях, можно пренебречь. Следовательно, необходимый объем выборки с достаточной точностью может быть найден по формуле

n = 2,30 / p_бр .(15)

(При конкретных расчетах надо, очевидно, правую часть округлить до ближайшего целого числа.) Например, при довольно низком (с точки зрения мирового рынка) качестве выпускаемой продукции можно задать p_бр = 0,01, т.е. потребовать, чтобы почти все (точнее, не менее 90%) партии, в которых дефектных единиц больше, чем 1 из 100, были забракованы и не достигли потребителя. Тогда объем контроля должен составлять не менее n = 230.

Основной парадокс теории статистического приемочного контроля. Как следует из сказанного выше, необходимый объем выборки, определяемый для какого-либо плана контроля по заданному браковочному уровню дефектности p_бр , будет не меньше, чем для плана (n,0), т.е. не меньше, чем 2,30 / p_бр .Таким образом, если достигнут достаточно высокий уровень качества, такой, что потребителю может попасть не более 1 дефектной единицы продукции из 10000, т.е. p_бр = 0,0001, то объем контроля должен быть не меньше n = 23000. Если же качество повысится в 100 раз, т.е. потребителю сможет попасть не более 1 дефектной единицы продукции из 1000000, то объем контроля и затраты на него возрастут также в 100 раз, и минимально необходимый объем контроля составит 2,3 миллиона единиц продукции. Поскольку объем партий большинства видов продукции существенно меньше этого числа, то проведенные выше расчеты говорят о необходимости перехода на сплошной контроль.

Итак, выводы парадоксальны: если качество выпускаемой продукции не очень хорошее, то целесообразно проводить статистический (выборочный) контроль, если же качество возрастает, то объем контроля и затраты на него увеличиваются, вплоть до перехода на сплошной контроль. Если это возможно, т.е. контроль не является разрушающим. А если невозможно, то попадаем в тупиковую ситуацию - высокое качество не может быть подтверждено.

В реальных ситуациях объемы контролируемых выборок - единицы или десятки, но обычно отнюдь не сотни и тысячи. Если контролируются 100 изделий, то согласно формуле (15) браковочный уровень дефектности равен 2,3 %. И это - предел для реально используемых объемов контроля. Следовательно, статистический приемочный контроль (в том числе выходной или входной) может быть применен для контроля лишь такой продукции, в которой из 50 изделий хотя бы одно дефектно. Другими словами, этот метод управления качеством предназначен лишь для продукции сравнительно низкого качества (входной уровень дефектности не менее 1-2%) или при обслуживании потребителя, согласного на довольно высокий браковочный уровень дефектности (не менее 2,3%).

Следовательно, для повышения качества необходимо использовать контрольные карты и другие методы статистического регулирования технологических процессов на предприятии (о них подробно рассказано, например, в монографиях [1,10]), методы "всеобщего (в другом переводе - тотального) контроля качества" и др. Недаром этим методам уделяется больше внимания в зарубежных методических изданиях, чем собственно статистическому приемочному контролю.

От контроля к пополнению партии. Рассмотрим простую идею: отказываемся от контроля качества вообще, но зато по первому требованию потребителя заменяем дефектную единицу продукции на новую. При этом экономим на контроле, но вместо этого тратим средства на замену продукции. Выгодно это или не выгодно?

Замена продукции может проводиться различными способами. Для многих видов товаров народного потребления это делается с помощью системы гарантийного обслуживания, гарантийных сроков и мастерских, через сеть розничной торговли и т.д.

Другой вариант - к партии поставляемой продукции добавляется некоторое количество единиц продукции для замены имеющихся, возможно, в ней дефектных единиц. Сначала обсудим подробнее именно этот вариант идеи замены продукции.

Пусть поставщик выпускает продукцию с известным ему уровнем дефектности p . Тогда число Х дефектных единиц в партии объема N имеет биномиальное распределение с параметрами N и p . По теореме Муавра-Лапласа Х не превосходит (при достаточно большом N ) величины

D₀ (t) = Np + t (Np(1-p))1/2

с вероятностью Ф(t ). где Ф(.) - функция стандартного нормального распределения с математическим ожиданием 0 и дисперсией 1. Поскольку Ф(4) = 0,999968329, то для практических целей достаточно положить t = 4, при этом более чем D₀ (4) дефектных единиц продукции попадет в партию лишь в 3 случаях из 100000.

Пусть С₀ - цена одной единицы продукции, С₁ - стоимость неразрушающего контроля одной единицы продукции (с исправлением дефектов при их обнаружении). Сравним сначала две стратегии технико-экономических отношений поставщика с потребителями:

сплошной контроль (затраты С₁ N )

и пополнение партии дополнительными изделиями в числе D₀ (4) (затраты С₀ D₀ (4) ). Вторая стратегия лучше (экономически выгоднее), если

(16)

Поделим на получим равносильное неравенство

.

Поскольку p(1-p) не превосходит 1/4 при всех p , то из неравенства

С₁ /С₀ > p + 2 / N1/ 2 (17)

вытекает неравенство (16). Ясно, что в случае, если

С₁ /С₀ > p ,

неравенство (17) (а потому и неравенство (16)) выполняется при достаточно больших объемах партии, а именно, при

N > {2 С₀ / (С₁ - С₀ p)} 2 .

Например, если стоимость контроля составляет 10% от стоимости продукции (типовая ситуация в машиностроении), т.е. С₁ /С₀ = 0,1, а уровень дефектности p = 0,01, то последнее неравенство дает N >493. В то же время нетрудно проверить, что неравенство (16) выполняется при

0,1 > 0.01 + 4 (0.01*0,99)1/ 2 / N 1/ 2 ,

т.е. при N > 19. Расхождение более чем на порядок (в 26 раз) объясняется заменой при переходе от формулы (16) к формуле (17) величины p(1-p) на 1/4, т.е. на гораздо большую величину - при малом входном уровне дефектности p .

Выгодно ли введение статистического контроля? Пусть рассматривается описанная выше стратегия пополнения партий. Мы сравнивали ее со стратегией сплошного контроля, которая во многих случаях оказалась хуже. Может быть, поставщику имеет смысл использовать статистический контроль? Понятно, что речь может идти лишь о (неразрушающем) контроле с разбраковкой, поскольку только в этом случае меняется доля дефектности в потоке партий, направляемых потребителям.

Пусть используется план (n,0) с приемочным уровнем дефектности, равным реально достигнутому предприятием уровню дефектности p . Как известно, тогда объем выборки определяется из условия

(1-p)n = 0,95,

т.е.

n = ln 0,95 / ln (1 - p ) = - 0,0513 / ln (1 - p ) .

При малом p уже не раз применявшееся соотношение из математического анализа дает с достаточной для практики точностью

n = 0,05 / p .

С вероятностью (1-p)n = 0,95 партия принимается, с вероятностью 0,05 подвергается разбраковке. В первом случае партия поступает к потребителю с тем же уровнем дефектности, что и до контроля, но при этом добавляются затраты на контроль, равные С₁ n. Партию необходимо пополнить D₀ (4) изделиями (затраты С₀ D₀ (4) ), общие затраты (в среднем на одну выпущенную партию) равны

0,95 (С₁ n + С₀ D₀ (4)) .

Во втором случае фактически проводится сплошной контроль с исправлением дефектов и затратами С₁ N. Суммарные затраты при использовании выборочного контроля равны

0,95 (С₁ n + С₀ D₀ (4)) + 0,05 С₁ N .

Он более выгоден, чем отсутствие контроля (с добавлением "запасных" изделий), в случае справедливости неравенства

0,95 (С₁ n + С₀ D₀ (4)) + 0,05 С₁ N < С₀ D₀ (4),

что эквивалентно неравенству

19 С₁ n + С₁ N < С₀ D₀ (4) .

Сравнение с формулой (16) показывает, что если контроль не является разрушающим, то выборочный контроль менее выгоден, чем сплошной (по сравнению с формулой (16) добавляется первое слагаемое в левой части последней формулы), и тем более весьма проигрывает в экономической эффективности по сравнению с отсутствием контроля в сочетании с пополнением партии.

Итак, введение статистического контроля в схеме пополнения партии не выгодно.

От системы контроля к системе технического обслуживания. Вернемся к первому из указанных ранее вариантов замены продукции. Что выгоднее - сплошной контроль на предприятии или замена дефектных изделий, обнаруженных потребителями? Реальное перекладывание контроля на потребителей влечет потери, связанные с удовлетворением их претензий, но при малой доле дефектных изделий эти потери малы по сравнению с затратами на контроль.

Действительно, пусть W - средние потери поставщика, связанные с пропуском потребителю дефектной единицы продукции. Сюда входят, в частности, такие виды потерь:

- стоимость новой единицы продукции (при замене изделия или возврате его стоимости);

- расходы системы распределения продукции и гарантийного ремонта, включая издержки на устранение дефектов;

- потери из-за нежелательного изменения предпочтений потребителя, из-за снижения имиджа фирмы;

- затраты на возмещение ущерба, понесенного потребителем, страховые сборы, судебные издержки, и т.д.

Потери W в несколько раз (по экспертной оценке - обычно в 5-10 раз) превышают расходы С₀ на изготовление единицы продукции. Кроме того, для быстрого решения проблем потребителей, связанных с обнаружением дефектов, необходима развитая система технического обслуживания.

Пусть изготовлена партия продукции объема N. Тогда расходы на сплошной (неразрушающий) контроль составляют С₁ N (при этом дефектные единицы продукции извлекаются и утилизируются, расходами на утилизацию или доходами от нее в настоящем изложении пренебрегаем). Пусть p - доля дефектных единиц продукции в партии. Тогда Np - математическое ожидание числа дефектных единиц продукции в партии, а WNp - математическое ожидание потерь. Если

WNp < С₁ N, p < С₁ / W, (18)

то выгоднее отказаться от сплошного контроля. При повышении качества, т.е. снижении доли дефектности, целесообразно переходить к поиску и устранению дефектов не непосредственно на предприятии, а в пунктах системы технического обслуживания.

В формуле (18) участвует математическое ожидание WNp . Реальные потери могут быть больше, но не намного. Как и выше, с помощью теоремы Муавра-Лапласа можно утверждать, что практически наверняка они не превышают WD₀ (4 ), а потому преимущество решения об отказе от контроля неоспоримо при

WD₀ (4) < С₁ N, p + 4 (p(1-p))1/ 2 / N1/ 2 < С₁ / W. (19)

Аналогично выводу неравенства (17) заключаем, что неравенство (19) наверняка будет выполнено, если

p + 2 / N1/ 2 < С₁ / W. (20)

Пусть С₁ / W = 0,1, выпускается партия объема N = 1600. Тогда согласно неравенству (20) отказ от контроля выгоден уже при p < 0,05, т.е. граничное значение соответствует довольно низкому уровню качества - 1 единица продукции из 20.

Выгодно ли в рассматриваемой ситуации вводить выборочный контроль? Пусть объем контроля равен n , приемочное число с = 0, с вероятностью y партия принимается, а с вероятностью 1 - y бракуется (и затем подвергается разбраковке). В первом случае расходы на контроль равны С₁ n , а остальная часть партии содержит в среднем (N - n) p дефектных единиц продукции, и средние издержки равны y{С₁ n + W(N - n)p}. Во втором случае суммарные затраты равны (1 - y)С₁ N . Следовательно, введение контроля выгодно, если

y{С₁ n + W(N - n)p} + (1 - y)С₁ N < WNp .

Преобразуем это неравенство к виду

yn{С₁ - Wp}(1 - y)-1 + С₁ N < WNp. (21)

Если выполнено неравенство p<С₁ /W , то второе слагаемое в левой части неравенства (21) больше правой части этого неравенства, в то время как первое слагаемое в левой части (21) положительно. Следовательно, неравенство (21) неверно, и введение выборочного контроля нецелесообразно - как и в разобранном ранее случае метода пополнения партий.

Выше приведен базовый (простейший, исходный) метод сравнения различных систем взаимоотношений поставщиков и потребителей. Целесообразно дальнейшее его развитие, которое предоставляем читателю.

Отметим в заключение, что реально статистический контроль качества продукции, осуществляемый поставщиком (выходной контроль), решает две основные задачи: обеспечение интересов потребителя и обнаружение разладок собственных технологических процессов (по результатам контроля последовательности партий). Как показано выше, для решения первой из этих задач он не всегда оптимален. Вторую из названных задач также часто эффективнее решать с помощью иных методов, например, обнаруживать разладку технологических процессов с помощью тех или иных контрольных карт. Таким образом, область применения методов статистического приемочного контроля является довольно ограниченной. Очевидно, однако, что нельзя исключать эти методы из арсенала менеджеров по качеству, в частности, при использовании концепции "всеобщего управления качеством (TQM - Total Quality Management)". Хотя бы потому, что они незаменимы при использовании разрушающих методов контроля.

Наиболее перспективным представляется использование результатов настоящего пункта в рамках концепции контроллинга - современной концепции системного управления организацией, в основе которой лежит стремление обеспечить ее долгосрочное эффективное существование (см., например, [11-13]).

Итак, в настоящем пункте сформулирован основной парадокс теории статистического приемочного контроля - повышение качества выпускаемой продукции приводит к увеличению объема контроля. Описан способ разрешения этого парадокса на основе перехода от чисто технической политики выбора плана контроля к технико-экономической, основанной на сравнении по экономическим показателям схем контроля и схем технического обслуживания и пополнения партий. Проанализирован базовый метод такого сравнения, позволяющий выделить область экономического преимущества схемы пополнения партий и схемы технического обслуживания по сравнению со схемой контроля.

Статистический контроль по двум альтернативным признакам

и метод проверки их независимости по совокупности малых выборок

В настоящем пункте рассмотрим статистический приемочный контроль по двум альтернативным признакам одновременно. Обсуждается соотношение входного уровня дефектности изделия в целом с входными уровнями дефектности отдельных контролируемых параметров. На основе результатов статистики объектов нечисловой природы (глава 8) рассмотрен метод проверки независимости двух альтернативных признаков. Метод нацелен на применение прежде всего в задачах статистического контроля качества продукции. При этом проверка независимости проводится по совокупности малых выборок, т.е. в так называемой асимптотике А.Н.Колмогорова, когда число неизвестных параметров распределения не является постоянным, а растет пропорционально объему данных.

При статистическом контроле качества продукции, в частности, при сертификации, чаще всего используют контроль по альтернативным признакам. При этом устанавливается, соответствует ли контролируемый параметр единицы продукции (изделия, детали) заданным в нормативно-технической документации требованиям или не соответствует. Если соответствует - единица продукции признается годной. Примем для определенности, что в этом случае результат контроля кодируется символом 0. Если же не соответствует - единица продукции признается дефектной, а результат контроля кодируется символом 1.

Таким образом, в рассматриваемой нами математической модели контроля альтернативный признак - это функция X = X(w), определенная на множестве единиц продукции W = {w} и принимающая два значения 0 и 1, причем X(w) = 0 означает, что единица продукции w является годной, а X(w) = 1 - что она является дефектной.

Методы статистического контроля, в частности, включенные в государственные стандарты и иную нормативно-техническую документацию (НТД), как правило, используют контроль по одному признаку. В НТД указывают правила выбора планов контроля и расчета различных их характеристик, приводят графики оперативных характеристик и т.п.

Однако на производстве контроль нередко проводится по нескольким альтернативным признакам. Возникает проблема выбора плана контроля и расчета его характеристик. В настоящее время для решения этой проблемы нет достаточно обоснованных и общепринятых рекомендаций.

Рассмотрим сначала контроль по двум альтернативным признакам X(w) и Y(w). В вероятностной модели X(w) и Y(w) - случайные величины, принимающие два значения - 0 и 1. Пусть, пользуясь стандартной терминологией,

p₁ = P ( X(w) = 1)

- входной уровень дефектности для первого признака, а

p₂ = P ( Y(w) = 1)

- для второго. Вероятности результатов контроля по двум признакам одновременно описываются четырьмя числами:

P ( X(w) = 0, Y(w) = 0) = p₀₀ , P ( X(w) = 1, Y(w) = 0) = p₁₀ ,

P ( X(w) = 0, Y(w) = 1) = p₀₁ , P ( X(w) = 1, Y(w) = 1) = p₁₁ ,

при этом справедливы соотношения:

p₀₀ + p₁₀ + p₀₁ + p₁₁ = 1, p₁₀ + p₁₁ = p₁ , p₀₁ + p₁₁ = p₂ .

С прикладной точки зрения наиболее интересна вероятность p₀₀ того, что единица продукции является годной (по всем параметрам), и вероятность ее дефектности (1-p₀₀ ), т.е. входной уровень дефектности для изделия в целом.

В табл.1 сведены вместе введенные выше вероятности.

Табл. 1. Вероятности результаты испытаний

при контроле по двум альтернативным признакам

Есть три важных частных случая - поглощения, несовместности и независимости дефектов, другими словами, поглощения, несовместности и независимости событий {w: X(w) = 1} и {w: Y(w) = 1}. В случае поглощения одно из этих событий содержит другое, а потому

p₀₀ = 1 - max ( p₁ , p₂ ) .

В случае несовместности

p₀₀ = 1 - p₁ - p₂ .

В случае независимости

p₀₀ = (1 - p₁ )(1 - p₂ ) = 1 - p₁ - p₂ + p₁ p₂ .

Ояевидно, что вероятность годности изделия всегда заключена между значениями, соответствующими случаям поглощения и несовместности. Кроме того, известно, что при большом числе признаков и малой вероятности дефектности по каждому из них случаи поглощения и независимости дают (в асимптотике) крайние значения для вероятности годности изделия, т.е. формулы, соответствующие независимости и несовместности, асимптотически совпадают.

Рассмотрим несколько примеров. Пусть некоторая продукция, скажем, гвозди, контролируются по двум альтернативным признакам, для определенности, по весу и длине. Пусть результаты контроля 1000 единиц продукции представлены в табл.2

Табл. 2. Результаты 1000 испытаний

по двум альтернативным признакам (случай поглощения)

Судя по данным табл.2, дефекты всегда встречаются парами - если есть один, то есть и другой. Входной уровень дефектности как по каждому показателю, так и по обоим вместе - один и тот же, а именно, 0,048. Получив по результатам статистического наблюдения данные типа приведенных в табл.2, целесообразно перейти к контролю только одного показателя, а не двух. Каково именно? Видимо, того, контроль которого дешевле. Однако совсем иная ситуация в случае несовместности дефектов (табл.3).

Табл. 3.

Результаты 1000 испытаний

по двум альтернативным признакам (случай несовместности )

Судя по данным табл.3, дефекты всегда встречаются поодиночке - если есть один, то другого нет. В результате входной уровень дефектности по каждому признаку по-прежнему равен 0,048, в то время как доля дефектных изделий (т.е. имеющих хотя бы один дефект) вдвое выше, т.е. входной уровень дефектности для изделия в целом равен 0,096.

Случай независимости результатов контроля по двум независимым признакам (табл.4) лежит между крайними случаями поглощения и несовместности. Независимость альтернативных признаков обосновывается путем статистической проверки с помощью описанного ниже критерия n1/2V, значение которого для данных табл.4 равно 1,866.

Табл. 4.

Результаты 1000 испытаний

по двум альтернативным признакам (случай независимости)

Согласно данным табл.4, входной уровень дефектности для каждого из двух альтернативных признаков по-прежнему равен 0,048, в то время как для изделий в целом он равен 0,091, т.е. на 5,5% меньше, чем в случае несовместности, и на 47% больше, чем в случае поглощения.

Проблема состоит в том, что таблицы и стандарты по статистическому приемочному контролю относятся обычно к случаю одного контролируемого параметра. А как быть, если контролируемых параметров несколько? Приведенные выше примеры показывают, что входной уровень дефектности изделия в целом не определяется однозначно по входным уровням дефектности отдельных его параметров.

Как должны соотноситься характеристики планов контроля по отдельным признакам с характеристиками плана контроля по двум (или многим) признакам одновременно? Рассмотрим распространенную рекомендацию - складывать уровни дефектности, т.е. считать, что уровень дефектности изделия в целом равен сумме уровней дефектности по отдельным его параметрам. Она, очевидно, опирается на гипотезу несовместности дефектов, а потому во многих случаях преувеличивает дефектность, а потому ведет к использованию излишне жестких планов контроля, что экономически невыгодно.

Зная специфику применяемых технологических процессов, в ряде конкретных случаев можно предположить, что дефекты по различным признакам возникают независимо друг от друга. Это предположение необходимо обосновывать по статистическим данным. Если же оно обосновано, следует рассчитывать входной уровень дефектности по формуле

1 - p₀₀ = p₁ + p₂ - p₁ p₂ ,

соответствующей независимости признаков.

Итак, необходимо уметь проверять по статистическим данным гипотезу независимости двух альтернативных признаков. Речь идет о статистической проверке нулевой гипотезы

Н₀ : p₁₁ = p₁ p₂ (22)

(что эквивалентно проверке равенства p₀₀ = (1 - p₁ )(1 - p₂ )). Нетрудно проверить, что гипотеза о справедливости равенства (22) эквивалентна гипотезе

Н₀ : p₀₀ p₁₁ - p₁₀ p₀₁ = 0. (23)

В простейшем случае предполагается, что проведено n независимых испытаний (Xi , Yi), i = 1,2,...,n, в каждом из которых проконтролированы два альтернативных признака, а вероятности результатов контроля не меняются от испытания к испытанию. Общий вид статистических данных приведен в табл.5.

Табл. 5.

Общий вид результатов контроля

по двум альтернативным признакам.

В табл.5 величина a - число испытаний, в которых (Xi , Yi) = (0,0), величина b - число испытаний, в которых (Xi , Yi) = (1,0), и т.д.

Случайный вектор (a, b, c, d) имеет мультиномиальное распределение с числом испытаний n и вектором вероятностей исходов (p₀₀ , p₁₀ , p₀₁ , p₁₁ ). Состоятельными оценками этих вероятностей являются дроби a/n, b/n, c/n, d/n соответственно. Следовательно, критерий проверки гипотезы (23) может быть основан на статистике

Z = ad - bc . (24)

Как вытекает из известной формулы для ковариаций мультиномиального вектора (см., например, формулу (6.3.5) в учебнике С.Уилкса [14] на с. 153),

М(Z) = n (p₁₀ p₀₁ - p₀₀ p₁₁ ), (25)

что равно 0 при справедливости гипотезы независимости (23).

Связь между переменными X и Y обычно измеряется коэффициентом, отличающимся от Z нормирующим множителем:

V = (ad - bc) { (a + b)(a + c)(b + d)(c + d) } - 1/2 (26)

(см. классическую монографию М. Дж. Кендалла и А. Стьюарта [15, с.723], на которую уже были ссылки, в частности, в главе 5). При справедливости гипотезы Н₀ и больших n случайная величина nV2 имеет хи-квадрат распределение с одной степенью свободы, а n1/2V имеет стандартное нормальное распределение с математическим ожиданием 0 и дисперсией 1 (см. [15, с.736]).

Рассмотрим еще один пример. Пусть проведено 100 испытаний, результаты которых описаны в табл.6. Тогда

V = (50 . 20 - 10 . 20) (60 . 70 . 30 . 40)-1/2 =

= (1000 - 200) . 5940000-1/2 = 800 / 2245 = 0,35635,

n1/2V = 3,5635 .

Табл. 6.

Результаты 100 испытаний

по двум альтернативным признакам.

Поскольку полученное значение n1/2V превышает критическое значение при любом применяемом в статистике уровне значимости, то гипотезу о независимости признаков необходимо отклонить.

К сожалению, приведенный простой метод годится не всегда. При статистическом анализе реальных данных возникают проблемы, связанные с отсутствием достаточно больших однородных выборок, т.е. выборок, в которых постоянны параметры вероятностных распределений. Реально единицы продукции представляются на контроль партиями, из каждой партии контролируются лишь несколько изделий, т.е. малая выборка. При этом от партии к партии меняются параметры p₀₀ , p₁₀ , p₀₁ , p₁₁ , описывающие уровень дефектности. Поэтому необходимы статистические методы, позволяющие проверять гипотезу независимости признаков по совокупности малых выборок. Построим один из возможных методов.

Рассмотрим вероятностную модель совокупности k малых выборок объемов n₁ , n₂ ,..., nk соответственно. Пусть j -я выборка (Xjt , Yjt), t = 1, 2,..., nj , имеет распределение, задаваемое вектором параметров (p₀₀ j, p₁₀ j, p₀₁ j, p₁₁ j) в соответствии с ранее введенными обозначениями, j = 1,2,...,k . Будем проверять гипотезу

Н₀ : p₁₁ j = (p₁₀ j + p₁₁ j) (p₀₁ j + p₁₁ j), j = 1,2,...,k, (27)

или в эквивалентной формулировке

Н₀ : p₁₁ j p₀₀ j - p₁₀ j p₀₁ j , j = 1,2,...,k . (28)

Основная идея состоит в нахождении асимптотического распределения статистики типа n1/2V при росте числа k малых выборок, а именно, статистики

S = g1 Z1 + g2 Z2 + ... + gk Zk , (29)

где Z1 , Z2 ,..., Zk - статистики, рассчитанные по формуле (24) для каждой из k выборок, т.е. Zj = ajdj - bjcj , j = 1,2,...,k, а g₁ , g₂ , ... , gk - некоторые весовые коэффициенты, которые, в частности, могут совпадать. Поскольку

М(S) = g₁ М(Z₁ ) + g₂ М(Z₂ ) + ... + gk М(Zk), (30)

то при справедливости гипотезы независимости (27) - (28) имеем М(S) = 0 согласно соотношению (25). Поскольку слагаемые в сумме (29) независимы, то при росте k случайная величина S в силу Центральной Предельной Теоремы является асимптотически нормальной. Дисперсия этой величины равна сумме дисперсий слагаемых:

D(S) = g₁ 2 D(Z₁ ) + g₂ 2 D(Z₂ ) + ... + gk2 D(Zk) . (31)

Для оценивания дисперсии S необходимо использовать несмещенные оценки дисперсий в каждой из k выборок (и в этом одна из основных "изюминок" разбираемого метода). Предположим, что построены статистики Tj такие, что

М(Tj) = D(Zj) , j = 1,2,...,k . (32)

Тогда при некоторых математических "условиях регулярности", на которых нет необходимости здесь останавливаться, несмещенная оценка дисперсии статистики S , имеющая согласно формулам (31) и (32) вид

L = g₁ 2 T₁ + g₂ 2 T₂ + ... + gk2 Tk , (33)

в силу закона больших чисел такова, что дробь D(S) / L приближается к 1 при росте числа выборок (сходимость по вероятности). Отсюда следует, что распределение случайной величины Q = S L-1/2 приближается при росте числа выборок к стандартному нормальному распределению с математическим ожиданием 0 и дисперсией 1. Следовательно, критерий проверки гипотезы (27) - (28) независимости признаков, состоящий в том, что при - 1,96 < Q < 1,96 гипотеза принимается, а при Q , выходящих за пределы интервала (- 1,96; 1,96) , гипотеза отклоняется, имеет уровень значимости, приближающийся к 0,05 при росте числа выборок. Мощность этого критерия зависит от величины М(S)D(S)-1/2 при альтернативе.

Для реализации намеченного плана осталось научиться несмещенно оценивать D(Zj). К сожалению, в литературе по несмещенному оцениванию не рассматривают случай мультиномиального распределения, поэтому кратко опишем процедуру построения несмещенной оценки D(Zj). Поскольку согласно формулам (24) и (25)

D(Zj) = М( Zj2 ) - (М( Zj ))2 = М (aj2dj2) - 2 М (ajbjcjdj) +

+ М (bj2cj2) + nj2 (p₁₁ j p₀₀ j - p₁₀ j p₀₁ j)2, (34)

то для вычисления D(Zj ) достаточно найти входящие в правую часть формулы (34) начальные смешанные моменты мультиномиального распределения (четвертого порядка). Теоретически это просто - известен вид характеристической функции мультиномиального распределения (см., например, формулу (6.3.4) в монографии [14, с.152]), а начальные смешанные моменты равны значениям ее соответствующих производных в 0, деленным на нужную степень мнимой единицы (формула (5.2.3) в монографии [4, с.131]). Например, с помощью описанной процедуры после некоторых вычислений получаем, что (для упрощения записи здесь и далее опустим индекс j )

М (a2d2) = n(n-1)(n-2)(n-3)p₁₁ 2p₀₀ 2 + n(n-1)(n-2)(p₁₁ 2p₀₀ +

+ p₁₁ p₀₀ 2 ) + n(n-1)p₁₁ p₀₀ . (35)

Формула (35) показывает, что начальные смешанные моменты мультиномиального распределения являются многочленами от параметров p₁₁ , p₀₀ , p₁₀ , p₀₁ этого распределения, однако конкретный вид этих многочленов достаточно громоздок, поэтому не будем их здесь выписывать, ограничившись формулой (35) в качестве образца.

Как вытекает из формул (34) и (35), для построения несмещенной оценки D(Zj) достаточно научиться несмещенно оценивать произведения типа p₁₁ rp₀₀ m , где целые неотрицательные числа r, m не превосходят 2. Эта задача решается, начиная с меньших степеней. Известно, что для ковариации мультиномиального вектора

М (ad) = - n p₀₀ p₁₁ (36)

(см., например, формулу (6.3.5) в монографии [14, с.153]), а потому несмещенной оценкой для p₀₀ p₁₁ является ( - ad / n ). Далее, поскольку справедлива аналогичная (35) формула

М (a2d) = n(n-1)(n-2) p₁₁ p₀₀ 2 + n(n-1)p₁₁ p₀₀ , (37)

то с помощью формулы (36) преобразуем формулу (37) к виду

М (a2d + (n-1)ad) = n(n-1)(n-2)p₁₁ p₀₀ 2 , (38)

т.е. несмещенной оценкой p₁₁ p₀₀ 2 является ad(a + n-1){n(n-1)(n-2)}-1 .

Следующий шаг - аналогичным образом с помощью формул (36) и (38) получаем несмещенную оценку для p₁₁ 2p₀₀ 2 , а затем и для D(Zj) . Промежуточные формулы опущены из-за громоздкости. Окончательный результат таков:

Tj = ( bj + dj )(cj + dj)(aj+ cj)(aj + bj)(n-1)-1 . (39)

Как легко видеть,

Zj / Tj-1/2 = (nj -1)1/2 Vj ,

т.е. в случае одной выборки предлагаемый метод совпадает с классическим.

Общая идея рассматриваемого метода проверки гипотез по совокупности малых выборок состоит в том, что подбирается статистика, математическое ожидание которой для каждой малой выборки равно 0 при справедливости проверяемой гипотезы. Затем для каждой выборки строится несмещенная оценка дисперсии этой статистики. Итоговая статистика критерия для проверки гипотезы - это сумма рассматриваемых статистик для всех малых выборок, деленная на квадратный корень из суммы всех несмещенных оценок дисперсий рассматриваемых статистик. При справедливости нулевой гипотезы эта итоговая статистика имеет в асимптотике стандартное нормальное распределение (при выполнении некоторых математических "условий регулярности", которые обычно выполняются при анализе реальных статистических данных).

Впервые такой способ проверки гипотез по совокупности малых выборок был предложен в монографии [16, раздел 4.5]. Нестандартность постановки состоит в том, что число неизвестных параметров растет пропорционально объему данных, т.е. имеет место т.н. "асимптотика Колмогорова", или асимптотика растущей размерности. Дальнейшее развитие применительно к данных типа "да"-"нет" (или "годен" - "дефектен") шло в рамках теории люсианов как части статистики объектов нечисловой природы (см. главу 8).

Эконометрика качества и сертификация

Как уже отмечалось, вслед за экономически развитыми странами в России намечается всё расширяющаяся тенденция к сертификации продукции, т.е. к официальной гарантии поставки производителем продукции, удовлетворяющей установленным требованиям. Поставщики и продавцы должны иметь сертификаты качества на предлагаемые ими товары и услуги. Маркетинг, т.е. производственная и коммерческая политика, нацеленная на получение максимальной прибыли на основе изучения рынка, создания конкурентоспособной продукции и ее полной реализации, включает в себя работы по сертификации.

Не будем останавливаться на быстро меняющейся организационной стороне процесса сертификации и соответствующих отечественных и зарубежных нормативных документах, а также на различных системах сертификации. Как общие проблемы сертификации, так и выбор схемы сертификации для конкретной продукции активно обсуждаются в печати. Приведем лишь несколько замечаний, необходимых для дальнейшего изложения.

Напомним, что, говоря о сертификации продукции, могут иметь в виду качество конкретной ее партии. В ряде случаев это оправдано - рядового потребителя интересует качество лишь той единицы продукции, которую он приобрел. Однако установление долговременных хозяйственных связей целесообразно лишь в случае, когда поставщик гарантирует высокое качество не одной, а всех партий своей продукции. Другими словами, должны быть проведены оценка и сертификация технологических процессов и производств.

Еще больше повышается доверие к поставщику, если не только отдельные технологические процессы, но и всё предприятие в целом гарантированно выпускает продукцию высокого качества. Это обеспечивается действующей на предприятии системой качества, удовлетворяющей требованиям Международной организации по стандартизации ИСО.

В условиях рыночной экономики одна из основных характеристик товара - его конкурентоспособность. Очевидно, производителю необходимо уметь оценивать конкурентоспособность перед запуском продукции в производство или началом работы по продвижению на зарубежный рынок (подробнее см. рекомендации [2]). Следует отметить, что в литературе имеются различные мнения по поводу понятия "конкурентоспособность". В частности, нельзя согласиться с крайне упрощенным подходом в учебнике [17], в котором конкурентоспособность сводится к соотношению цен на внутреннем и внешнем рынках. Достаточно напомнить о таких приемах конкурентной борьбы, как демпинг и (недобросовестная) реклама, таможенные пошлины и квоты.

Одним из основных компонентов конкурентоспособности продукции является ее технический уровень. В западных учебниках справедливо отмечают, что фирма, обладающая патентом или новой научно-технической разработкой, имеет более высокий “излишек производителя” по сравнению с другими фирмами (см., например, учебники [18-20]). В частности, согласно одному из наиболее популярных западных учебников [21] при выборе направления инвестиционных вложений одна из основных учитываемых характеристик - технический уровень продукции.

Из сказанного вытекает, что сертификация материалов и других видов продукции - это современная форма управления качеством продукции. На Западе общепринято, что основная составляющая в управлении качеством продукции - это статистические методы (см., например, отчет Комитета ИСО по изучению принципов стандартизации [3]). В нашей стране внедрение комплексных систем управления качеством (КС УКП), к сожалению, сводилось во многом всего лишь к подготовке документации организационного характера. Статистические методы использовались в промышленности недостаточно, прежде всего из-за недостаточной подготовки кадров, а государственные стандарты по этой тематике зачастую содержали грубейшие ошибки (см. ниже). Ситуация в области применения статистических методов и причины нашего отставания достаточно подробно разобраны в публикациях [4, 22].

За новыми терминами зачастую скрываются хорошо известные понятия, несколько модернизированные в соответствии с современной обстановкой. Так, "маркетинг в широком смысле - это усовершенствованная, ориентированная на рыночную экономику КС УКП" (см. рекомендации [2, с.61]). Другими словами, идея КС УКП была хороша, а вот ее реализация…

Подготовка предприятий к сертификации продукции, технологических процессов и производств, систем качества требует приложения труда квалифицированных специалистов, причем в достаточно большом объеме. Подобную работу обычно проводят специализированные организации на основе системы методических материалов, охватывающих все стороны подготовки предприятия к сертификации, в частности, с целью выхода на международный рынок.

Как отмечалось в начале главы, около 150 лет статистические методы применяются в России для проверки соответствия продукции установленным требованиям, т.е. для сертификации. С начала 1970-х годов стали разрабатываться государственные стандарты по статистическим методам. В связи с обнаружением в них грубых ошибок в 1985 г. была организована "Рабочая группа по упорядочению системы стандартов по прикладной статистике и другим статистическим методам". В ее работе приняли участие 66 специалистов, в том числе 15 докторов и 36 кандидатов наук. Выводы Рабочей группы кратко отражены в статьях [4, 22]. В соответствии с рекомендациями Рабочей группы 24 из 31 государственного стандарта по статистическим методам были отменены в 1986-87 гг. К сожалению, потеряв правовую силу как нормативные документы, ошибочные стандарты продолжают использоваться инженерами как научно-технические издания. Полученные Рабочей группой результаты и выводы не были широко и подробно опубликованы, ошибки в государственных стандартах не были публично вскрыты, и авторы дальнейших публикаций продолжают ссылаться на издания с грубейшими ошибками. Так, в многочисленных работах пропагандируются ошибочные стандарты, посвященные применению контрольных карт при статистическом регулировании технологических процессов. Продолжает широко использоваться грубо ошибочный ГОСТ 11.006-74 (СТ СЭВ 1190-78) "Прикладная статистика. Правила проверки согласия опытного распределения с теоретическим", хотя разбору ошибок в этом стандарте посвящена уже давняя статья [23] (см. также главу 4). Перечисленные факты делают целесообразным популяризацию результатов и выводов Рабочей группы и в настоящее время, через 15 лет после окончания анализа стандартов по статистическим методам.

В 1988-89 гг. наиболее активная часть Рабочей группы (10 докторов и 15 кандидатов наук) составили "Аванпроект комплекса методических документов и пакетов программ по статистическим методам стандартизации и управления качеством". Это обширное сочинение (около 1600 стр.) и на настоящий момент является наиболее полным руководством по рассматриваемой тематике. Информация о нем приложена к переводу книги японских авторов по аналогичной тематике [1].

К сожалению, Госстандарт не пожелал финансировать реализацию заказанного им "Аванпроекта". Тогда решено было действовать самостоятельно. В 1989 г. был организован Центр статистических методов и информатики (ЦСМИ; в настоящее время - Институт высоких статистических технологий и эконометрики). К середине 1990 г. в ЦСМИ были разработаны 7 диалоговых систем по современным статистическим методам управления качеством, а именно, СПК, АТСТАТ-ПРП, СТАТКОН, АВРОРА-РС, ЭКСПЛАН, ПАСЭК, НАДИС (описания этих систем приведены в работе [5]). В работе участвовали 128 специалистов. В дальнейшем к ЦСМИ присоединялись новые группы научно-технических работников, уже к концу 1991 г. нас было более 300. Информация о программных продуктах и другой деятельности ЦСМИ постоянно помещалась в журналах "Заводская лаборатория" и "Надежность и контроль качества". Программные продукты, разработанные Центром статистических методов и информатики, использовались более чем в 100 организациях и предприятиях. Среди них - производственные объединения "Уралмаш", "АвтоВАЗ", "Пластик", ЦНИИ черной металлургии им. Бардина, НИИ стали, ВНИИ эластомерных материалов и изделий, НИИ прикладной химии, ЦНИИ химии и механики, НПО "Орион", НИЦентр по безопасности атомной энергетики, ВНИИ экономических проблем развития науки и техники, ВНИИ нефтепереработки, МИИТ, Казахский политехнический институт, Ульяновский политехнический институт, Донецкий государственный университет и др.

Как уже отмечалось, параллельно ЦСМИ вел работу по объединению статистиков и эконометриков. В апреле 1990 г. в Большом Актовом Зале Московского Энергетического института прошла Учредительная конференция Всесоюзной организации по статистическим методам и их применениям. На Учредительном съезде Всесоюзной статистической ассоциации (ВСА) в октябре 1990 г. в Московском экономико-статистическом институте эта организация вошла в состав ВСА в качестве секции статистических методов (подробнее о создании и задачах ВСА рассказано, например, в статьях [24, 25]). В 1992 г. после развала СССР и фактического прекращения работы ВСА на основе секции статистических методов ВСА организована Российская ассоциация по статистическим методам (РАСМ), а затем и Российская академия статистических методов, действующие и в настоящее время. В мероприятиях секции статистических методов ВСА и РАСМ активно участвовали несколько сот специалистов по статистическим методам и эконометрике. А одной из основных тематик этих специалистов являются, как следует из сказанного выше, статистические методы в сертификации (управлении качеством). В ЦСМИ и РАСМ, объединивших большинство ведущих российских специалистов, коллективными усилиями разработан единый подход к проблемам применения статистических методов в сертификации и управлении качеством. Именно с позиций ЦСМИ и РАСМ написана настоящая глава.

Классификация статистических методов сертификации. Рассмотрим два основания для классификации. Первый - по виду статистических методов. Второй - по этапам жизненного цикла продукции, на которых соответствующий метод применяется. Первое основание привычно для специалистов по разработке статистических методов и соответствующего программного обеспечения, второе - для тех, кто эти методы применяет на конкретных предприятиях.

В ЦСМИ сложилось пятичленное деление по первому основанию (в скобках указаны наименования диалоговых систем ЦСМИ, рассмотренных, в частности, в работе [5]):

а) прикладная статистика - иногда с дальнейшим выделением статистики случайных величин, многомерного статистического анализа, статистики случайных процессов и временных рядов, статистики объектов нечисловой природы (Система Регрессионного Статистического Моделирования СРСМ, или СТАТМАСТЕР; АДДА, ГРАНТ, КЛАМС, ЭКОНОМЕТРИК, РЕГРЕССИЯ, ЛИСАТИС, ЭКОСТАТ, РЕСТ);

б) статистический приемочный контроль (СПК, АТСТАТ-ПРП, КОМПЛАН);

в) статистическое регулирование технологических процессов, в частности, методом контрольных карт (СТАТКОН, АВРОРА-РС);

г) планирование эксперимента (ПЛАН, ЭКСПЛАН, ПАСЭК, ПЛАНЭКС);

д) надежность и испытания (НАДИС, ОРИОН, СЕНС).

Быстрое развитие компьютерной техники имеет и свою оборотную сторону. Вполне добротные программные продукты устаревают и выходят из обращения просто потому, что они сделаны на отработавшем свой срок операционном (системном) программном обеспечении. "Выжить" может только то программное обеспечение, которое поддерживается соответствующей фирмой и постоянно совершенствуется с чисто программистской точки зрения. Важна система технической поддержки, обучение и, конечно, реклама. При этом чисто научная сторона дела отходит на задний план. Эти простые соображения объясняют, почему за 10 лет (с 1991 г. по 2001 г.) отечественный рынок программных продуктов по эконометрике и статистическим методам стал гораздо более бедным по числу продуктов, научный уровень явно понизился, зато дизайн явно стал более привлекательным.

Перейдем ко второму основанию классификации методов сертификации. Согласно п.5.1 "Петля качества" стандарта ИСО 9004 "Общее руководство качеством и элементы системы качества. Руководящие указания" система качества функционирует "... одновременно со всеми остальными видами деятельности, влияющими на качество продукции или услуг, и взаимодействует с ними. Ее воздействие распространяется на все этапы от первоначального определения и до конечного удовлетворения требований и потребностей потребителя. Эти этапы и виды деятельности включают:

1) маркетинг, поиски и изучение рынка;

2) проектирование и/или разработку технических требований, разработку продукции (опытного образца);

3) поиски поставщиков и оптовых покупателей, организацию материально-технического снабжения (решение задач логистики);

4) подготовку и разработку производственных (технологических) процессов;

5) непосредственно производство продукции;

6) контроль качества продукции, проведение испытаний и обследований;

7) упаковку и хранение продукции;

8) реализацию (сбыт) и распределение (доставку) продукции;

9) монтаж и эксплуатацию продукции у потребителей;

10) технические помощь и обслуживание;

11) утилизацию после использования.

Подробное рассмотрение применения основных типов статистических методов на перечисленных этапах жизненного пути продукции не входит в задачу настоящей книги. Сводка, приведенная в табл. 7, показывает, что статистические методы широко применяются на всех этапах жизненного пути продукции.

Табл. 7.

Применение статистических методов на различных этапах

жизненного цикла продукции по ИСО 9004

Помимо компьютерных диалоговых систем широкого назначения, на каждом конкретном предприятии и на любом конкретном этапе жизненного пути продукции могут быть использованы специальные модели, например, на этапе 3 “материально-техническое снабжение” - модели управления запасами (см. о них, например, главу 5 монографии [16]).

Среди диалоговых систем по статистическому анализу выделим пакеты, ориентированные на восстановление зависимостей (СТАТМАСТЕР, он же СРСМ - Система Регрессионного Статистического Моделирования, и его развитие ЭКОНОМЕТРИК, а также РЕГРЕССИЯ), анализ нечисловых данных на основе методов статистики объектов нечисловой природы (АДДА, КЛАМС, а также ориентированный на экспертное оценивание ГРАНТ, на анализ интервальных данных РЕСТ), прогнозирование (ЛИСАТИС и его развитие ЭКОСТАТ, а также относящиеся к временным рядам разделы пакета АВРОРА-РС - Анализ Временных Рядов и Обнаружение РАзладки).

Для регулярного решения обширных комплексов задач сертификации и управления качеством на конкретном предприятии в ряде случаев целесообразно создать диалоговую систему, предназначенную для использования именно на этом предприятии. В частности, для решения задач этапа 4 используют созданные для конкретного предприятия программные системы, соединяющие в себе банки данных и пакеты статистических методов анализа этих данных. Примерами являются "Автоматизированное рабочее место материаловеда (АРМ материаловеда)" и "Автоматизированное рабочее место математика (АРМ математика)", разработанные Центром статистических методов и информатики для ВНИИ эластомерных материалов и изделий.

Для объединения типовых пакетов в индивидуальную систему полезно программное средство ИНТЕГРАТОР - универсальный инструмент, предназначенный для создания интегрированных программных систем и обеспечивающий возможность совместного использования различных пакетов прикладных программ на персональных компьютерах IBM PC. Так, с помощью ИНТЕГРАТОРА был разработан АРМ математика на основе пакетов СРСМ, ПЛАН, АТСТАТ-ПРП, соответствующей базы данных и ряда программ, ориентированных на специфику ВНИИ эластомерных материалов и изделий.

На всех этапах жизненного цикла продукции, особенно на этапах 3, 8, 10, часто используют специализированные вероятностно-статистические модели, в том числе модели управления запасами (см., например, монографию [16, гл.5]), массового обслуживания и др. Такие модели и их программное обеспечение, как правило, разрабатываются для конкретного предприятия и потому хорошо приспособлены к особенностям этого предприятия.

Как избежать ошибок в нормативно-технической документации и инструктивно-методической документации? Как уже отмечалось, многие ошибочные государственные стандарты по статистическим методам управления качеством были отменены (хотя результаты анализа, проведенного Рабочей группой, так и не были вовремя и полностью опубликованы). Однако эти стандарты продолжают и до сих пор использоваться как авторитетные научно-технические публикации. Почему так происходит? Как вообще могли появиться ошибки в нормативно-технических документах и почему в течение ряда лет эти документы использовались, несмотря на очевидные для специалистов ошибки?

Дело в том, что инженеру, экономисту, менеджеру, работнику прикладной науки (короче - инженеру) несвойственно менять свою специальность, становиться математиком и самостоятельно повторять выкладки и рассуждения, положенные в основу ГОСТа. Поэтому инженер обычно не может самостоятельно обнаружить математические ошибки в ГОСТе, даже грубейшие. Главное - он не хочет этим заниматься. С другой стороны, математику несвойственно анализировать нормативно-техническую документацию. Он также обычно не хочет этим заниматься. "Рабочая группа по упорядочению системы стандартов по прикладной статистике и другим статистическим методам" была уникальным примером совместной работы математиков и инженеров, именно поэтому ей удалось сопоставить тексты стандартов с результатами современной науки.

Вполне естественно, что невежды и бюрократы Госстандарта сделали всё, чтобы помешать признанию и исправлению допущенных ими ошибок в государственных стандартах. До сих пор продолжаются попытки навязать промышленности (в качестве нормативных документов!) тексты, грубая ошибочность которых давно установлена. Кроме того, государственные стандарты, отмененные как нормативно-технические документы, продолжают физически существовать как издания (брошюры) и использоваться при проведении инженерных расчетов, проектировании систем контроля и т.д. Все это делает необходимым пропаганду выводов Рабочей группы относительно ГОСТов по статистическим методам. Они приведены в работе [4].

Обратим внимание только на результаты анализа государственных стандартов по общим вопросам статистических методов управления качеством (они не были отменены в результате деятельности Рабочей группы).

ГОСТ 15895-77 (СТ СЭВ 547-77, СТ СЭВ 3404-81). Статистические методы управления качеством продукции. Термины и определения.

Терминологический стандарт содержит огромное количество грубейших ошибок. Достойно удивления и сожаления, что подготовленные на столь низком научно-техническом уровне документы, как стандарты по терминологии и организации внедрения статистических методов, оказались утвержденными не только в СССР (и затем в России), но и в рамках международной стандартизации (в рамках СЭВ). На чиновников Госстандарта не подействовали ни заключения ведущих специалистов, ни научные публикации. Только общие решения по переводу подобных стандартов на уровень рекомендательных документов избавил академиков и профессоров - авторов учебников по теории вероятностей и математической статистике, по статистическим методам и эконометрике - от "преследования по закону" (!) за использование определений и обозначений, отличающихся от включенных в рассматриваемый стандарт. Наличие подобных "стандартов" - одна из причин появления терминологического "Приложения 1" в настоящей книге. В свое время этот текст был разработан взамен негодного стандарта СТ СЭВ 3404-81, однако справиться с невеждами вовремя не удалось…

ГОСТ 23853-79 (СТ СЭВ 3946-82). Организация внедрения статистических методов анализа, регулирования технологических процессов и статистического приемочного контроля качества продукции. Основные положения.

Документ описывает статистические методы управления качеством лишь в том небольшом и во многом устаревшем объеме, в котором они были стандартизированы к моменту его разработки. В документах Рабочей группы приведены 33 конкретные замечания, показывающие чрезвычайно низкий научно-технический уровень подготовки рассматриваемого документа. Даже в момент разработки его нельзя использовать ни как методический, ни тем более как нормативный документ.

Подведем итоги настоящей главы. В России активно разрабатываются теоретические, программные и практические аспекты эконометрические и статистических методов сертификации и управления качеством продукции. Некоторые из них кратко рассмотрены выше. Ранее разработанные нормативно-техническая и методическая документация, диалоговые компьютерные системы по статистическим методам продолжают использоваться, несмотря на политические преобразования. В частности, стандарты СССР и СЭВ продолжают оставаться широко известными методическими документами, хотя СССР и СЭВ уже нет. Большое значение имеет работа по устранению ошибок в нормативно-технических и инструктивно-методических документах с целью уменьшения числа ошибок в практической работе. Важно создать такую систему, чтобы никто не мог навязать стране свои ошибки в качестве стандартов, проигнорировав протесты ведущих специалистов. При этом условии внедрение современных эконометрических методов сертификации и управления качеством продукции могут дать нашей стране экономический эффект, измеряемый миллиардами долларов США в год.

Используемая литература

1. Статистические методы повышения качества. Перевод с японского. / Под ред. Х. Кумэ. - М.: Финансы и статистика, 1990.- 301 с.

2. Организационно-методические материалы по маркетингу на предприятии. - М.: Всесоюзный центр статистических методов и информатики, 1991. - 91 с.

3. Цели и принципы стандартизации. / Под ред. Т. Сандерса. - М.: Изд-во стандартов, 1974. - 132 с.

4. Орлов А.И. Сертификация и статистические методы // Заводская лаборатория. - 1997. - Т.63 - No.3. - С.55-62.

5. Орлов А.И. Внедрение современных статистических методов с помощью персональных компьютеров // Качество и надежность изделий. No.5(21). - М.: Знание, 1992. - С.51-78.

6. Орлов А.И. Об оптимизации выборочного контроля качества продукции // Стандарты и качество. - 1989. - No. 3. - С. 91-94.

7. Broody M. Helping Workers Work Smarter / Fortune. June 8. 1987. Pp.86-88.

8. Гнеденко Б.В. Математика и контроль качества продукции. - М.: Знание, 1978. - 64 с.

9. Кравченко Г.Г., Орлов А.И. О статистическом приемочном контроле порошкообразных материалов // Надежность и контроль качества. 1991. No.2. С.37-39.

10. Мердок Дж. Контрольные карты. / Пер. с англ. - М.: Финансы и статистика, 1986. - 132 с.

11. Фалько С.Г., Носов В.М. Контроллинг на предприятии. - М.: Об-во "Знание" России, 1995. - 80 с.

12. Хан Д. Планирование и контроль: концепция контроллинга. / Пер. с нем. - М.: Финансы и статистика, 1997. - 800 с.

13. Карминский А.М., Оленев Н.И., Примак А.Г., Фалько С.Г. Контроллинг в бизнесе. Методологические и практические основы построения контроллинга в организациях. - М.: Финансы и статистика, 1998. - 256 с.

14. Уилкс С. Математическая статистика. - М.: Наука, 1967. - 632 с.

15. Кендалл М.Дж., Стьюарт А. Статистические выводы и связи. - М.: Наука, 1973. - 900 с.

16. Орлов А.И. Устойчивость в социально-экономических моделях. - М.: Наука, 1979. - 296 с.

17. Лэйард Р. Макроэкономика. Курс лекций для российских читателей. - М.: "Джон Уайли энд Санз", 1994. - 160 с.

18. Пиндайк Р., Рубинфельд Д. Микроэкономика. - М.: "Экономика” - “Дело", 1992. - 510 с.

19. Varian H.R. Intermediate Microeconomics. A Modern Approach. - New York: W.W.Norton & Company, 1993. - 623 pp.

20. Begg D., Fischer S., Dornbusch R. Economics. - London: McGraw-Hill Book Company, 1991. - 667 pp.

21. Brealey R.A., Myers S.C. Principles of Corporate Finance. - New York: McGraw-Hill, Inc., 1991. - 924 pp.

22. Орлов А.И. О современных проблемах внедрения прикладной статистики и других статистических методов. // Заводская лаборатория. - 1992. - Т.58.- №1. - С. 67-74.

23. Орлов А.И. Распространенная ошибка при использовании критериев Колмогорова и омега-квадрат. // Заводская лаборатория. 1985. Т.51. № 1. С.60-62.

24. Орлов А.И. Создана единая статистическая ассоциация. // Вестник Академии наук СССР. 1991. № 7. С.152-153.

25. Орлов А.И. Всесоюзная статистическая ассоциация - гарантия успешного внедрения современных статистических методов. // Надежность и контроль качества. 1991. № 6. С.54-55.