A NEW ACCEPTANCE SAMPLING DESIGN USING BAYESIAN MODELING AND BACKWARD INDUCTION

چكيده تصميم گيري در مورد پذيرش يا رد يك انباشته توليدي در طرح هاي نمونه گيري پذيرش كماكان يك مسيله چالش برانگيز است. در اين مقاله، به منظور فراهم كردن سطح مطلوبي از اطمينان براي مشتريان و براي توليد كنندگان يك محصول، يك طرح نمونه گيري پذيرش پيشنهاد شده است كه از روش بيزي براي تعيين تابع توزيع احتمالي پسين درصد قطعات ناسالم استفاده مي كند. علاوه بر اين، براي تعيين اندازه مناسب نمونه از روش استنتاج رو به عقب كه در درخت تصميم گيري مطرح است استفاده شده است. تحليل حساسيت روي بعضي از پارامترهاي روش پيشنهادي نشان مي دهد كه طرح بهينه به مقادير ابتدايي پارامترها وابسته است. به علاوه، در مواقعي كه به دلايل محدوديت بودجه و زمان، حداكثر اندازه نمونه از قبل مشخص است نيز طرح بهينه ارايه شده است.

Abstract In acceptance sampling plans, the decisions on either accepting or rejecting a specific batch is still a challenging problem. In order to provide a desired level of protection for customers as well as manufacturers, in this paper, a new acceptance sampling design is proposed to accept or reject a batch based on Bayesian modeling to update the distribution function of the percentage of nonconforming items. Moreover, to determine the required sample size the backwards induction methodology of the decision tree approach is utilized. A sensitivity analysis that is carried out on the parameters of the proposed methodology shows the optimal solution is affected by initial values of the parameters. Furthermore, an optimal design is determined when there is a limited time and budget available and hence the maximum sample size is specified in advance.