Professional Documents
Culture Documents
MAŠINSKI FAKULTET
MOSTAR
Senada Pobrić
SADRŽAJ
UVOD................................................................................................................4
1. METOD KONTROLNIH KARATA.......................................................5
1.1. Primjena metode kontrolnih karata
1.2. Kontrolne granice (granice regulisanja)
1.3. Podjela kontrolnih karata
1.4. X - karte
1.5. Centralne linije i kontrolne granice pojedinih karata
1.6. Nedozvoljeni faktori, dozvoljeni faktori
1.7. Ocjena stabilnosti proteklog procesa
1.8. Analiza tačnosti proteklog procesa
2
4.4. Testiranje signifikantnosti koeficijenta korelacije
4.5. Izračunavanje korelacionog odnosa
4.6. Određivanje krive regresije
4.7. Određivanje intervala povjerenja
7. LITERATURA............................................................................................ 69
PRILOG: TABLICE
3
UVOD
METOD METOD
REGULISANJA SELEKCIJE
Metod analize i sinteze grešaka obrade
regulisanjem
4
Analitički metod upravljanja kvalitetom zasniva se na analitičkoj i eksperimentalnoj analizi
elementarnih ili pojedinačnih grešaka obrade i i postavljanju funkcionalne zavisnosti.
Metode statističkog upravljanja su metode čiji je osnovni cilj upravljanje kvalitetom preko
upravljanja hoda tekućih obradnih i tehnoloških procesa. Krajnji ishod je stabilizacija nivoa
kvaliteta u okviru propisanih (zadatih) granica, i to u cjelokupnom prostornom i vremenskom
toku procesa. U toku eventualnog prekoračenja ovih granica slijede određene tehnološke i
druge modifikacije, odnosno intervencije na procesu radi njegovog regulisanja, tj. vraćanja
propisanog kvaliteta proizvoda u zadate okvire. Naravno ove metode se koriste uz korištenje
statistike, odnosno statističkih pokazatelja (aritmetička sredina, standardna devijacija,
varijansa, raspon, mod, medijana, ...). U ove metode spadaju:
- metod kontrolnih karata,
- metod krivih rasporeda frekvencija,
- metod planova prijema,
- metod statističkih ocjena,
- metod statističkog testiranja hipoteza,
- metod korelacione i regresione analize i to su metode koje ćemo obraditi na
vježbama.
Slika 1.
5
Kontrolne karte omogućavaju praćenje nominalnih varijacija koje ukazuju da je proces
pod kontrolom, ili je izvan kontrole. Koriste se za praćenje i utvrđivanje uzroka varijacija
procesa, sa svrhom smanjenja te iste varijabilnosti i povećanja produktivnosti. Prikazuju da li
se proces nalazi unutar statističkih granica. Izgled i oblik kontrolne karte zavisi od vrste
karakteristike kvaliteta koji se ispituje.
Kontrolne karte su specijalne dijagramske forme čiju osnovu čini mreža horizontalnih
i vertikalnih linija. Na apscisi karte nanosi se vrijeme odvijanja toka procesa ili redni brojevi
uzoraka, koji po određenom planu slijede vremenski proces, a na ordinati karakteristike
kvaliteta ili statističke karakteristike uzorka ( x , , R, p, np, c, itd). Na mrežu se zatim
unose, u vidu tačaka, rezultati mjerenja (kontrole) nivoa i toka kvaliteta procesa (proizvoda)
na osnovu uzorka. Tako se dobije vrlo pregledna slika kvaliteta u vremenskom odvijanju
procesa. Kada se, u ovako formulisani dijagram, ucrtaju još centralna linija i kontrolne
granice ili granice regulisanja (upravljanja) tada je kontrolna karta kompletna, pa se na taj
način dobijaju potpune informacije, ne samo o sposobnosti (stabilnosti i tačnosti) datog
procesa, već i o prirodi i vremenu upravljačkih (regulišućih) dejstava, koje treba zavisno od
tendencija procesa i mjesta i trenutka prekoračenja kontrolnih granica na karti, nužno izvršiti
(u datom trenutku) da bi se proces vratio u granice stabilnosti i tačnosti, tj. da bi se u cijelom
toku vremenske ose procesa, obezbjedio propisani nivo kvaliteta datih proizvoda.
U suštini, upravljačkim dejstvima uklanjaju se oni uzroci koji su uslovili
prekoračenje neke ili nekih tačaka u vangranično područje karte. Otklanjanjem uzroka, tačke
iz vangraničnog područja vraćaju unutar graničnog područja. Tačka odstupanja van
odgovarajućih granica nazivaju se valika ili značajna (signifikantna) odstupanja, pa za takav
proces kažemo da se odvija pod uticajem signifikantnih faktora , odnosno nestabilan je.
Odstupanja koja se javljaju unutar odgovarajućih granica nazivaju se mala ili slučajna
odstupanja, pa za proces kažemo da se odvija pod uticajem slučajnih faktora, tj. stabilan je i
isključuju se bilo kakve intervencije (korekcije) procesa.
Kontrolne karte upotrebljavaju standardnu devijaciju kao mjeru varijacije. Gornja
kontrolna granica nalazi se na udaljenosti + 3σ, a donja na - 3σ od srednje vrijednosti.
Budući da se kontrolne granice nalaze na udaljenosti od ± 3σ od središnje linije, svaki dio
iznad i ispod središnje linije može se podijeliti u tri zone.
Na slici 3. su prikazane karakteristične zone kontrolne karte.
6
Slika 3. Karakteristične zone kontrolne karte
Područje primjene je veoma široko. Neke od osnovnuh mogućnosti ove metode su sljedeće:
7
1.2. Kontrolne granice (granice regulisanja)
Granice regulisanja predstavljaju najvažniji element svake kontrolne karte i objasnit ćemo ih
na primjeru x -kontrolne karte.
Neka je u nekoj seriji proizvoda (osnovnom skupu 1), koja se obrađuje u nekoj proizvodnoj
liniji, srednja aritmentička vrijednost X i standardna devijacija o i neka za date
karakteristike kvaliteta u seriji važi normalni raspored, tada će u granicama ± 3o biti
sadržano Pgs = 99,73 % svih vrijednosti karakteristike kvaliteta x date serije (osnovnog
skupa). To znači isto tako, da će se svako xi (i= 1,k) svih uzoraka (veličine n), izvučenih iz
serije, naći u intervalu povjerenja omeđenom granicama: GKGx i DKGx , (slika4).
x , x
DKGx
6 o
o
6 x 6
n
Slika 4. Veličina intervala povjerenja DKG x , GKG x
3 o
- gornja kontrolna granica: GKGx X 3 x X x A2 R
n
3 o
- donja kontrolna granica: DKG x X 3 x X x A2 R
n
gdje je:
1
Usvojeno je pravilo da se parametri, koji karakterišu osnovni skup označavaju velikim slovima, a koji
karakterišu uzorak da se označavaju malim slovima. Ovo pravilo važi za sve metode koje će biti opisane u ovoj
skripti.
8
1
- statistička ocjena standardne devijacije o R
d2
3 o 3 R
3 x A2 R
n n d2
X E(x) x
9
- kontrolne karte za kontrolu stabilnosti i tačnosti protekle proizvodnje, tj. proizvodnje
po isteku određenog perioda;
- kontrolne karte za kontrolu stabilnosti i tačnosti tekuće proizvodnje.
1.4. X - karte
GKGx = X + 3o x + 3S
DKGx = X - 3o x - 3S
gdje je:
Aritmetička sredina osnovnog skupa ( X ) procjenjena sa aritmetičkom sredinom uzorka ( x
), a standardna devijacija osnovnog skupa (o) procjenjena sa procjenom S, koja se računa na
sljedeći način:
n
S
n 1
gdje je:
- standardna devijacija uzorka.
Nakon ucrtavanja kontrolnih granica, x-karta postaje kompletna za dalju analizu tačnosti
karakteristike kvaliteta.
Granice specifikacije (tolerancije) komada mogu biti unutar ili izvan kontrolnih granica.
Mogu nastupiti sljedeći slučajevi:
1. Ukoliko je T = 6o onda unesene tačke u x- kartu osciluju oko centralne linije X
x , pri čemu ima svega 0,27% tačaka izvan tolerancijskih, odnosno kontrolnih
granica i smatra se odvijanje procesa tačnim;
2. Ukoliko je T 6o onda sve unesene tačke u x- kartu osciluju unutar tolerancijskih
granica, pa se zaključuje da se proces odvija tačno, u dozvoljenim granicama;
3. Ukoliko nastupi slučaj da je T 6o, tj. da su tolerancijske granice unutar kontrolnih
granica, obrada radnog predmeta je netačna, pa se poduzimaju intervencije u dva
pravca:
o koriguje se ili mijenja postojeći proces kako bi odstupanja vrijednosti
karakteristike kvaliteta od nominalnih vrijednosti bili u granicama tolerancije;
o ispitati mogućnost povećanja područja tolerancije u dogovoru sa
konstruktorom, ukoliko je prva intervencija neizvodiva.
10
Treba istaći da se x-karte najčešće koriste pri kontoli onih karakteristika u kojima tačnost
obrade nije osobito kritična (teško ostvarljiva), odnosno granice tolerancije kvaliteta
nisu relativno uske.
PRIMJER 1.
n xi n xi n xi
1 24,15 11 24,14 21 24,18
2 24,13 12 24,15 22 24,12
3 24,17 13 24,12 23 24,15
4 24,11 14 24,14 24 24,16
5 24,15 15 24,16 25 24,14
6 24,16 16 24,14 26 24,17
7 24,13 17 24,13 27 24,15
8 24,14 18 24,15 28 24,16
9 24,15 19 24,14 29 24,13
10 24,17 20 24,16 30 24,19
RJEŠENJE
Aritmetička sredina:
x xi
fd i i
f i
gdje je:
x – nazivna dužina, vrijednost xi sa najvećom frekvencijom pojavljivanja
i – razlika između susjeda (i = xi+1 – xi)
fi – frekvencija pojavljivanja
x x
di – odstupanje od nazivne dužine ( d i i )
i
fd fi di
2
2
i i
i
f i fi
11
xi fi di f i di fi di2
12
24,11 1 -4 -4 16
24,12 2 -3 -6 18
24,13 4 -2 -8 16
24,14 6 -1 -6 6
24,15 7 0 0 0
24,16 5 1 5 5
24,17 3 2 6 12
24,18 1 3 3 9
24,19 1 4 4 16
Suma 30 -6 98
i = xi+1 – xi = 0,01
x xi
fd i i
24,15 0,01
6
24,148mm
f i 30
fd fi di
2
2
2
i
i i
0,01 98 6 0,018mm
f i
f
i
30 30
X x = 24,148 mm
n 30
o S 0,018 0,0183mm
n 1 30 1
13
1.5. Centralne linije i kontrolne granice pojedinih karata
1. X R – karta
1 k
CLR R Ri
k i 1
gdje je:
R- raspon uzorka;
k- broj uzoraka
Kontrolne granice:
DKG x x A2 R
GKG x x A2 R
14
DKG R D3 R
GKG R D4 R
gdje su:
A2, D3, D4 – koeficijenti koji se nalaze u prilogu 5 na kraju skripte, i zavise od broja
primjeraka u uzorku.
2. X - karta
Centralne linije:
1 k
CL x x xi
k i 1
1 k
CL i
k i 1
gdje je:
k- broj uzoraka
Kontrolne granice:
DKG x x A1
GKG x x A1
DKG B3
GKG B4
gdje su:
A1, B3, B4 – koeficijenti koji se nalaze u prilogu 5 na kraju skripte, i zavise od broja
primjeraka u uzorku.
Navedene karte koriste se za kontinuirane vrijednosti karakteristike kvaliteta. Za
diskontinuirane vrijednosti (karakteristike koje se ne mogu izraziti brojem već opisno:
dobar – loš; ide-ne ide, ..), koriste se sljedeće karte.
Centralna linija:
1 k
CLm m mi
k i 1
Kontrolne granice:
15
m
DKGm m 3 m 1
n
m
GKG m m 3 m 1
n
gdje je:
k- broj uzoraka
4. p-karta
Kontrolna karta za praćenje procenta loših komada (p) u odnosu na veličinu uzorka n.
Centralna linija:
1 k
CL p p pi
k i 1
Kontrolne granice:
p 1 p
DKG p p 3
n
p 1 p
GKG p p 3
n
5. u - karta
Kontrolna karta za praćenje broja defekata po jedinici mjere uzorka. Naprimjer, broj
defekata po jedinici dužine neke trake koja se ispituje.
Centralna linija:
1 k
CLu u ui
k i 1
Kontrolne granice:
u
DKGu u 3
n
u
GKGu u 3
n
6. c - karta
Centralna linija:
1 k
CLc c ci
k i 1
16
Kontrolne granice:
DKGc c 3 c
GKGc c 3 c
Ovi uslovi stabilnosti važe za bilo koji tip pojedinačne kontrolne karte. Međutim, ako je riječ
o kombinovanim kartama, tada je protekli proces nestabilan ukoliko jedan od navedenih
uslova nije zadovoljen na bilo kojoj od dotičnih pojedinih karata.
17
Međutim, može se desiti da su navedena pravila zadovoljena, a da proces ipak nije
stabilan. Situacije u kojima, pored navedenih, sistem nije stabilan su:
c) Dvije od tri tačke izvan područja 2σ granica upozorenja, ali ipak unutar
kontrolnih granica.
Ovo stanje se javlja u slučaju promjene procesa, opreme, metoda, materijala,
izvršioca posla, ili promjene mjernog sistema.
18
d) Četiri od pet tačaka izvan 1σ kontrolnih granica.
Često se javljaju veća odstupanja što bi proces moglo dovesti do nestabilnog
stanja.
19
upoređivanju (po veličini i položaju) propisanog tolerancijskog polja (T) i područja prirodne
disperzije (rasipanja) (Tp) vrijednosti date karakteristike kvaliteta.
1. Za x karte:
1 1 k
o
c2
; i
k i 1
gdje je i – standardna devijacija uzorka veličine n
2. Za x R karte:
1 1 k
o
d2
R ; R Ri
k i 1
gdje je Ri – raspona uzorka veličine n
Tp 6 o
1
T T
20
2d – dopuštena vrijednost koeficijenta tačnosti (regulisanja)
T 6 o 1 1
2d
2T 2
Zaključak:
Ako je 1 1 i 2 2d proces obrade je tačan.
Ako bilo koji od ova dva uslova ne zadovoljava proces je netačan.
PRIMJER 2.
RJEŠENJE
21
Radi se o x R - karti.
Centralne linije:
K
1 1
CLx x x i 65 0,025 0,030 ... 0,025 65,022mm
K i 1 25
K
1 1
CLR R R i 0,030 0,023 ... 0,034 0,0248mm
K i 1 25
22
Na osnovu konstruisane kontrolne karte zaključuje se sljedeće: svih 25 tačaka se
nalazi unutar graničnog područja x i R karte, što nas navodi na zaključak da je tehnološki
proces stabilan.
x g xd 65,074 65,000
xs 65,037 mm
2 2
23
ZADATAK ZA VJEŽBU
Ciljevi metode krivih rasporeda frekvencija postižu se kroz tri osnovne etape:
- U prvoj etapi utvrđuju se predmet i osnovni zadaci ispitivanja (npr. ispitivanje
sposobnosti nekog obradnog procesa, i sl., a zatim se definiše veličina empirijskog
skupa ili empirijskih skupova, zavisno od ciljeva ispitivanja, zajedno sa mjernim
sistemom i drugim uslovima ispitivanja.
24
- 2. etapa obuhvata statističku obradu empirijskog skupa, tj. izračunavanje statističkih
parametara rasporeda, kojima se određuje lokacija, disperzija i oblik rasporeda
frekvencija date slučajne varijable (karakteristike kvaliteta).
- 3. etapa sadrži analize i konačne zaključke o polaznim ciljevima ispitivanja (npr. o
nivou kvaliteta u odnosu na specifirane okvire ili tehnološkoj sposobnosti).
Aritmetička sredina određuje srednji položaj rasporeda frekvencija oko koga se raspoređuju
ostale vrijednosti.
1 k
x E x xi f i
n i 1
gdje su:
n- veličina uzorka
xi – vrijednost posmatrane karakteristike kvaliteta
fi – frekvecija ponavljanja posmatrane karakteristike kvaliteta
Mod predstavlja onu vrijednost xj iz skupa podataka, koja ima najveću frekvenciju fj,
odnosno koja se u skupu najčešće pojavljuje.
Medijana skupa podataka (xi), i=1, ...n, predstavlja onu vrijednost xm od koje je polovina
vrijednosti xi datog skupa manja, a druga polovina veća. Medijana se dobije jednostavnim
uređenjem skupa po veličini.
n i 1
2
1 k
Pa je standardna devijacija 2 xi x 2 f i
n i 1
25
Vrijednosti aritmetičke sredine x predstavljaju nepristrasnu ocjenu nepoznate vrijednosti
aritmetičke sredine osnovnog skupa X , odnosno:
E x X x
o
Donja granica : g 1 x t x x t
n
Gornja granica: g 2 x t x x t o
n
gdje je:
t – parametar Laplasove funkcije (tabela 1.)
x – standardna devijacija aritmetičke sredine uzorka
o – standardna devijacija osnovnog skupa
n – veličina uzorka (broj elemenata u uzorku)
gdje je:
t - Laplasova funkcija (tabela 1.)
2 t - vjerovatnoća tačnosti ocjene:
o
X x t
n
26
PRIMJER 3.
U jednom normalnom osnovnom skupu poznata je standardna devijacija osnovnog skupa o=
2. Ako je slučajnim izborom izvučen uzorak od n=36 elemenata sa aritmetičkom sredinom
x 42 , izračunati stvarnu vrijednost aritmetičke sredine osnovnog skupa, odnosno odrediti
granice intervala povjerenja unutar kojih će se nalaziti aritmetička sredina osnovnog skupa
X sa vjerovatnoćom 99,73 %.
RJEŠENJE
0 2
g1 x t 42 3 41
n 36
0 2
g2 x t 42 3 43
n 36
n
S
n 1
Tada jednačina statističke pouzdanosti glasi:
27
S S
Px tp X x tp 2 tS p,k (1)
n n
ili
S
X x tp
n
gdje je:
tp – parametar Studentove raspodjele
S(tp , k) – funkcija studentovog rasporeda ili
t- rasporeda sa k= n-1 stepena slobode (tablica 3.)
S S
txP xX t 2t (2)
n n
gdje je:
t – parametar normalnog zakona raspodjele
Gornja jednačina (2) važi za n 30 i kada je o nepoznato.
PRIMJER 4.
Pri regulisanju alata dobijene su sljedeće mjere probne grupe obradaka: 20,14; 20,18; 20,20;
20,17; 20,10 mm. Ocijeniti tačnu vrijednost radne mjere (na koju je regulisan alat) sa
vjerovatnoćom 99,0 %.
RJEŠENJE
Statistički parametar koji predstavlja radnu mjeru, odnosno mjeru na koju je regulisan alat, je
aritmetička sredina osnovnog skupa. Znači, potrebno je ocijeniti aritmetičku sredinu
osnovnog skupa na osnovu datog uzorka, odnosno odrediti njene granice tačnosti.
S
X x tp
n
28
20,14 20,18 20,20 20,17 20,10
x 20,158mm
5
1
xi x 2 f i
n
1
5
20,14 20,158 2 20,18 20,158 2 20,20 20,158 2 20,17 20,158 2 20,10 20,158 2 1
0,0348mm
n 5
S 0,0348 0,039mm
IP 20,077;20,239
2.3.4. Statističke granice tolerancije
x2 x x1 x
P x1xx2 t2 t1
29
gdje su:
t1 i t2 – standardizovani parametri normalnog zakona raspodjele (tabela 1).
PRIMJER 5.
RJEŠENJE
Zaključak: 32,17% svih vrijednosti dimenzija izradaka nalazit će se u intervalu (30,1 ; 30,5).
PRIMJER 6.
Nakon mjerenja izvjesne dimenzije na određenom dovoljno velikom uzorku, uzetom iz serije
obrađenih izradaka, izračunati su parametri x 15mm i 0 0,016mm i ustanovljeno
da raspored dimenzija slijedi teorijsku normalnu distribuciju frekvencija. Ako je propisana
širina tolerancijskog polja T=80 m, simetrično raspoređena oko aritmetičke sredine x ,
izračunati procenat vjerovatnog škarta koji će se javljati pri nastavku proizvodnje, pod
30
pretpostavkom da se neće izmijeniti polazni faktori i uslovi obrade pri kojima su obrađeni
primjerci uzorka.
RJEŠENJE
T 0,08
x1 x 15 14,96mm
2 2
T 0,08
x 2 x 15 15,04mm
2 2
Vjerovatnoća tačno obrađenih dijelova, odnosno onih dijelova koji se nalaze unutar intervala
(14,96 ; 15,04) :
x 2 x 15,04 15
t 2,5
0,016
Tada će procenat vjerovatnog škarta (ustvari ono što se i traži zadatkom) biti:
ZADACI ZA VJEŽBU
31
3. METOD PLANOVA PRIJEMA
Oznake sa slike:
32
n – broj dijelova u uzorku izvučenog iz serije čiji je broj dijelova N
C – broj dozvoljenih defektnih dijelova u uzorku (broj prihvatanja)
K – broj defektnih dijelova u uzorku
Prije upoznavanja sa matematičkim osnovama plana potrebno je da se definišu osam
osnovnih pojmova vezanih za ovaj i ostale planove prijema:
1. Nivo kvaliteta p se definiše, u slučaju atributivnih karakteristika kvaliteta, dijelom
defektnih dijelova u seriji, izražen procentualno ili u obliku decimalnog razlomka.
2. Prihvatljivi nivo kvaliteta p1=p predstavlja onaj nivo kvaliteta serije koji se dopušta i
prihvata. Ako nivo kvaliteta p serije odgovara prihvatljivom nivou kvaliteta p 1=p ,
tada se po pravilu prihvataju sve serije dijelova za naredni proizvodni proces. U
obratnom slučaju serije se po pravilu ne prihvataju. Serija nivoa kvaliteta p1=p zove
se još i serija dobrog kvaliteta. Veličinu nivoa kvaliteta p 1=p definiše skoro uvijek
proizvođač.
3. Odbijajući nivo kvaliteta p2=p p1=p označava granični tolerisani nivo kvaliteta
iznad kojeg se serija dijelova, kao serija lošeg kvaliteta odbija. To je, sa stanovišta
kupca, maksimalno dopušteni procenat defektnih dijelova u seriji. Veličinu nivoa
kvaliteta p2=p = pt definiše kupac (naručilac).
4. Vjerovatnoća odbijanja serije p definiše se vjerovatnoćom odbijanja neke serije
dijelova čiji je nivo kvaliteta p, p=f(p).
5. Rizik proizvođača predstavlja vjerovatnoću odbijanja serije dijelova čiji je nivo
kvaliteta p1=p. To je dakle rizik (prve vrste) odbacivanja istinite hipoteze. Ovaj rizik
je relativno mali = 5%, rjeđe 10%.
6. Vjerovatnoća prihvatanja serije p definiše se vjerovatnoćom prihvatanja serije
dijelova nivoa kvaliteta p. Tj. p= f(p) =1-p i p predstavlja operativnu krivu ili
radnu karakteristiku plana prijema.
7. Rizik kupca označava vjerovatnoću da će kupac prihvatiti seriju dijelova čiji je nivo
kvaliteta p2=p . To je dakle rizik (druge vrste) prihvatanja neistinite hipoteze.
Veličina ovog rizika iznosi najčešće =10% i smatra se zadovoljavajućom granicom
zaštite kupca od serije dijelova lošeg kvaliteta.
8. Oštrina plana prijema (p2 - p1 = p - p) jeste ona neodlučna oblast, koja se sa
stanovišta prihvatanja ili odbijanja neke serije, nalazi između p1 = p i p2 = p.
33
SLIKA 1
Naravno, idealni oblik krive, pri stopostotnoj kontroli izgledala bi kao na sljedećoj slici i to
za primjer da je određeni (zadati) nivo kvaliteta p*=0,02 (2%). Tada je:
1 za p p*
L p
0 za p p *
34
Bez obzira kakav je odnos stvarnog i dozvoljenog nivoa kvaliteta serije, ostaje sigurno to da
operativna kriva definiše vjerovatnoću prihvatanja, odnosno odbijanja dotične serije dijelova.
Svakoj određenoj kombinaciji elemenata n i c, odnosno pojedinim jednostrukim planovima
prijema, odgovara određena operativna kriva.
Za razvijanje sistema kontrole i upravljanja kvalitetom, na bazi planova prijema, na
raspolaganju stoje tri osnovna modela distribucije frekvencija P p; n, k P X k i to:
n k nk
- BINOMNI P p;n;k p q ; k=0,1,2,...
k
- POASONOV P p; n; k
np k
e np ; k=0,1,2,...
k!
pN N pN
k
n k
- HIPERGEOMETRIJSKI
;;; kNnpP
; k=0,1,2,...
N
gdje je k – broj defektnih dijelova
k
Koji će se i kad od ovih modela koristiti zavisi kao prvo od stepena međusobne saglasnosti
uslova modela i tehnološko – kontrolnih uslova onih proizvodnih tokova za koje se razvija
35
odnosni sistem kontrole i upravljanja kvalitetom. Mi ćemo vježbe radi koristiti Poasonov
model.
Nakon izbora adekvatnog modela formira se jednačina vjerovatnoće prihvatanja serije, tj.
Operativna kriva jednostrukog plana prijema:
c
Pa L p; n; c P p; n; k (1)
k 0
i to naprimjer, ako su proizvodni i drugi uslovi dovoljno bliski uslovima pod kojima je
razvijen Poasonov model, bit će tada operativna kriva određena jednačinom:
Pa L p; n; c
c
np k e np
k 0 k!
Ova jednačina definiše vjerovatnoću prihvatanja serije za date elemente jednostrukog plana
prijema (n; c) i određeni nivo kvaliteta serije p. Vjerovatnoća P a izražava istovremeno i
vjerovatnoću Pa P x c , da će u uzorku biti k c defektnih dijelova.
Vrijednosti vjerovatnoće L p; n; c P x c Poasonovog rasporeda date su u tabeli broj 7
u zavisnosti od elemenata plana n i c.
Obrnut je postupak kada se na osnovu datih vrijednosti funkcije L(p; n; c) određuju elementi
plana (n, c). Na osnovu slike 1 i jednačine 1 može se napisati sistem:
C
L p ; n; c P p ; n; k 1
k 0
L p ; n; c P p ; n; k
C
k 0
Prosječni izlazni nivo kvaliteta Ppik predstavlja veoma važnu dopunsku informaciju nekom
planu prijema, jer se veličinom Ppik iskazuje realni nivo kvaliteta prihvaćenih serija dijelova
nekog izvršenog ispitivanja (kontrole). Pri tome se u ovom slučaju pod prihvaćenim serijama
podrazumjevaju serije koje su prihvaćene sistemom uzoraka (serije dobrog kvaliteta) uz
zamjenu defektnih, ispravnim dijelovima u uzorcima, kao i one serije koje su odbijene (serije
lošeg kvaliteta), ali je nad njima izvršena stopostotna kontrola i svi defektni dijelovi
zamjenjeni ispravnim. U svakoj seriji iz 1. grupe ostao je izvjestan procenat defektnih
dijelova, dok su iz serija 2. grupe isključeni defektni dijelovi.
Vrijednost prosječnog izlaznog nivoa kvaliteta predstavlja, dakle, procenat defektnih dijelova
u jednom skupu prihvaćenih serija, čiji je tzv. Ulazni nivo kvaliteta prije procesa kontrole
nepoznat, a koji treba da se primjenom sistema uzoraka identifikuje i preobrazi u izlazni nivo
kvaliteta.
Na sljedećoj slici data je kriva prosječnog izlaznog kvaliteta za određeni plan prijema (n, c).
36
Jednačina prosječnog izlaznog kvaliteta glasi:
n
Ppik 1 p L p; n; c
N
PRIMJER 7.
Proizvođač je naručiocu odjednom isporučio 100 pojedinačnih serija dijelova. U svakoj seriji
nalazi se po 10 000 dijelova. Prijemna kontrola se obavlja jednostrukim planom prijema:
n=300 i c=5.
Odrediti:
1. Operativnu krivu na bazi Poasonove distribucije frekvencija;
2. Prihvatljivi p1 i odbijajući p2 nivo kvaliteta za utvrđene vrijednosti rizika prve =0,05 i
druge vrste =0,10;
3. Vjerovatnoću prijema serija dijelova pretpostavljenog ulaznog kvaliteta p=0,025;
4. Prosječni izlazni nivo kvaliteta cjelokupne isporučene produkcije (svih 100 serija) ulaznog
kvaliteta p=0,025 (grafički predstaviti krivu prosječnog izlaznog kvaliteta);
5. Broj defektnih dijelova (nakon procesa ispitivanja) u svih 100 isporučenih serija dijelova
pretpostavljenog ulaznog kvaliteta.
RJEŠENJE
37
p np L(p;n,c)
0,005 1,5 0,996
0,010 3,0 0,916
0,015 4,5 0,703
0,020 6,0 0,446
0,025 7,5 0,240
0,030 9,0 0,116 2.
0,040 12,0 0,020 p1
0,050 15,0 0,003 =?
p2=?
=0,05
=0,10
L(p1; 300; 5)=1-=1-
0,05=0,95
L(p2; 300; 5)= =0,10
TABLICA 7.
n p1 =2,6 n p2 =9,6
p1=2,6/300=0,0086 p2=9,6/300=0,032
(prihvatljivi nivo kvaliteta) (odbijajući nivo kvaliteta)
3.
p=0,025 – ulazni kvalitet serija. Tada je vjerovatnoća prijema isporučenih serija:
Znači da će 24% od 100 serija, dakle 24 serije biti prihvaćene, dok će nad preostale 76
isporučene serije biti izvršena stopostotna kontrola.
4.
n 300
p= 0,025 ; Ppik 1 p L p; n; c 1 0,025 0,240 0,0058
N 10000
Za grafički prikaz krive prosječnog izlaznog kvaliteta koristit ćemo tabelu 7. za vrijednosti
L(p; 300; 5) za izabrane proizvoljne vrijednosti p, a zatim izračunati Ppik za iste vrijednosti p,
po sljedećoj formuli:
300
Ppik 1 p L p;300;5
10000
38
Vrijednošću Ppik=0,0058 se tvrdi da u
isporuci od 100 serija dijelova, poslije
procesa kontrole i zamjene (u uzorcima i
stopostotno ispitanim serijama) defektnih
ispravnim dijelovima, ima ukupno 0,58%
defektnih dijelova.
RJEŠENJE
Nacrtat ćemo sve zadate operativne krive, a zatim odgovoriti na postavljeno pitanje. Za
grafički prikaz formirana je donja tabela uz korištenje tabele 7. na kraju skripte.
39
ZAKLJUČAK: Operativna kriva koja je najpogodnija sa stanovišta isporučioca je kriva L 1(p,30,2)
jer je njen rizik odbijanja 1 najmanji.
Strukturna šema (data na sljedećoj slici): UZORAK 1 (n1, c1) ; UZORAK 2 (n2, c2)
Uvijek se uzima da je c2 > c1 i n2 > n1
40
Pošto je proračun kod dvostrukih i višestrukih planova složeniji u odnosu na
sekvencijalne planove, prednost ćemo dati (radi vježbe) sekvencijalnim planovima, pa stoga
ćemo se zadržati na njima.
41
Osnovna i velika prednost sekvencijalnog jednoelementnog plana, u odnosu na jednostruki,
dvostruki ili sekvencijalni višeelementni plan, sastoji se, bez obzira kakav je nivo kvaliteta
serije, u manjem broju izvučenih i ispitanih dijelova iz serije, a time i u manjem obimu
troškova i kraćem trajanju kontrolnog procesa.
p 2,n 2
1. (prekida se proces kontrole i prihvata hipoteza H1 ;
p1,n 1 1
tj. prihvata se data serija)
p 2 ,n 1
2. 2 (prekida se proces kontrole i prihvata hipoteza H2 ;
p1,n 1
tj. odbija se data serija)
p 2, n 1
3. (ispitivanje kvaliteta serije se nastavlja)
1 p1,n
42
n k n n k n n k n n k n
p1,n p q11 11pp 1 (vjerovatnoća da će biti prihvaćena serija)
kn kn
n k n n kn n k n n kn
p2,n p q22 21pp 2 (vjerovatnoća da će biti odbijena serija)
kn kn
p1 – prihvatljivi nivo kvaliteta
p2 – odbijajući nivo kvaliteta
kn – broj defektnih dijelova
(n- kn) – broj ispravnih dijelova
kn nkn
p 2,n p 1 p2
2
p1,n p1 1 p1
Pošto su rizici 1. i 2. vrste ( i ) dati dobit će se iz uslova (1) i (2) sljedeće jednačine:
kn n kn
p2 1 p2
p1 1 p1 1
kn n kn
p2 1 p2 1
p1 1 p1
43
An h1 b n
i linije odbijanja:
R n h2 b n
gdje su:
1 1 1 1 1 q p2 q1
h1 log ; h2 log ; b log 1 ; r log
r r r q2 p1 q2
Linije An i Rn dijele ravan Onkn na tri oblasti. Ovako formulisan plan dopušta, u trenutku
sukcesivno izvučenih n dijelova, da se:
44
h1 h2
max E n max n
b 1 b
PRIMJER 9.
RJEŠENJE
1.
p 2 q1 0,4 0,7 1 1 1 1 0,2
r log log 0,192 ; h1 log log 4,709
p1 q 2 0,3 0,6 r 0,192 0,1
1 1 1 1 0,1 1 q 1 0,7
h2 log log 3,406 ; b log 1 log 0,349
r 0,192 0,2 r q 2 0,192 0,6
Dalji proračun plana izveden je tabelarno (u sljedećoj tabeli), dok je na sljedećoj slici
razvijen plan prijema u definitivnom obliku za aplikativnu upotrebu sa jasnim računskim i
upotrebnim granicama oblasti prihvatanja, odbijanja i nastavljanja ispitivanja dotične serije
dijelova.
Uk. Uk.
Računski Prihvatljivi Računski Odbijajući Računski Prihvatljivi Računski Odbijajući
sek. sek.
broj An broj An broj Rn broj Rn broj An broj An broj Rn broj Rn
uzor. uzor.
0 -4,71 - 3,41 - 16 0,88 0 8,99 9
1 -4,36 - 3,76 - 17 1,22 1 9,34 10
2 -4,01 - 4,10 - 18 1,57 1 9,69 10
3 -3,66 - 4,45 - 19 1,92 1 10,03 11
4 -3,31 - 4,80 - 20 2,27 2 10,39 11
5 -2,96 - 5,15 - 21 2,62 2 10,74 11
6 -2,62 - 5,50 6 22 2,97 2 11,08 12
7 -2,27 - 5,85 6 23 3,32 3 11,43 12
8 -1,92 - 6,20 7 24 3,67 3 11,78 12
9 -1,57 - 6,55 7 25 4,02 4 12,13 13
10 -1,22 - 6,90 7 26 4,36 4 12,48 13
11 -0,87 - 7,24 8 27 4,71 4 12,83 13
12 -0,52 - 7,59 8 28 5,06 5 13,18 14
13 -0,17 - 7,94 8 29 5,41 5 13,53 14
14 0,18 0 8,29 9 30 5,76 5 13,88 14
15 0,53 0 8,64 9 - - - - -
45
samo za pozitivne računske vrijednosti, pošto za negativne vrijednosti nema smisla
posmatrati. Tako vrijednost nD iznosi 14, odnosno za n nD =14 prihvatljivi broj An ima
smisla posmatrati.
Odbijajući broj Rn dobije se zaokruživanjem njegovih računskih vrijednosti na veći cio broj i
ima ga smisla posmatrati za one vrijednosti za koje je R n n, u suprotnom nema smisla (ne
može se naći više defektnih dijelova nego što je veličina ukupnog sekvencijalnog uzorka).
Tako vrijednost nG iznosi 6, odnosno za n nG = 6 odbijajući broj Rn ima smisla posmatrati.
Grafički prikaz sekvencijalnog jednoelementnog plana prijema dat je na sljedećoj slici.
2.
Koristeći 5 karakterističnih tačaka datih u tabeli 1. konstruisat će se operativna kriva plana
L(p). Konkretne vrijednosti tih 5 karakterističnih tačaka date su u sljedećoj tabeli.
x p(x) L(x)
1 + 0 1
2 +1 p1=0,300 1-=0,800
3 0 b=0,349 h2/(h1+ h2)=0,420
4 -1 p2=0,400 =0,100 3.
5 - 1 0 Iz
tabele 2. računamo 5 karakterističnih tačaka za
konstrukciju funkcije prosječnog broja
dijelova sekvencijalnog uzorka:
46
h1 4,709
1. tačka (p = 0) n1 13,5 14
b 0,349
h1 1 h2
2. tačka (p=p1=0,3) n2 63
b p1
h1 h2
3. tačka (p=b=0,349) n3 70,5 71 max vrijednost
b1 b
h1 1 h2
4. tačka (p=p2=0,4) n4 50,9 51
p2 b
h
5. tačka (p=1) n5 2 5,23 6
1 b
47
2. Ako je manja veličina uzorka, a time u izvjesnoj mjeri niži troškovi kontrolne
operacije, duži je proces mjerenja i relativno složenija struktura planova prijema.
3. Planovi se koriste samo za kontrolu samo jedne karakteristike kvaliteta.
4. Koncepcija planova zasniva se na zakonu normalne raspodjele frekvencija, pa se pri
primjeni ovih planova polazi od pretpostavke da se respektivna numerička
karakteristika kvaliteta pokorava ovom teorijskom modelu rasporeda.
Struktura i metodologija nekog plana prijema za numeričke karakteristike kvaliteta zavisi od
toga:
a) Da li se kriterijum prihvatanja ili odbijanja serije zasniva na statističkoj mjeri
x , , R, itd . (1. kriterijum), ili na procentu defektnih dijelova koji prelazi tehničke
granice tolerancije ili tehičke norme (2. kriterijum);
b) Postoji li jedna (gornja ili donja) ili obe tehničke granice tolerancije date numeričke
karakteristike kvaliteta;
c) Da li je poznata ili ne varijansa osnovnog skupa (serije).
2
K K
n 2
0
X1 X 2
PRIMJER 10.
Tvrdoćom se iskazuje kvalitet jedne serije dijelova koju treba prihvatiti ili odbiti. Prihvatljivi
nivo kvaliteta X 1 = HB =300 kN/cm2, dok je specifirana donja granica tolerancije X 2 =
HB=290 kN/cm2. Ako je poznata standardna devijacija tvrdoće dijelova u seriji
48
o=14,5kN/cm2, pri čemu vjerovatnoća odbijanja prihvatljivog nivoa kvaliteta nije veća od
= 0,04, a vjerovatnoća prihvatanja kvaliteta ispod specifirane donje granice tolerancije ne
prekoračuje vrijednost =0,08, utvrditi oblast prihvatanja serije dijelova, odnosno formirati
plan prijema serije i konstruisati operativnu krivu.
RJEŠENJE
VJEROVATNOĆA
PRIHVATANJA
x Pa
(kN/cm2) x- x xL
xL o / n
Pa f (t )dt
xL
49
3.4.2. Plan prijema sa donjom i gornjom granicom tolerancije i poznatom
varijansom serije za drugi kriterij
X nije poznato pa se primjenjujući teoriju uzoraka dotična serija dijelova prihvata ako je:
o
x x L L K p1 o K
n
x x L L K p2 o K o
n
odnosno:
o
x xU U K p1 o K
n
x xU U K p2 o K o
n
zavisno od toga da li je specifirana donja L ili gornja U granica tolerancije posmatrane
numeričke karakteristike kvaliteta serije dijelova.
Plan prijema serije definisan je sa dva elementa: ( x L i n), odnosno ( xU i n). Za date
veličine: , , p1, p2 i poznati parametar o dobija se naprimjer za specifiranu donju
granicu tolerancije L, plan prijema serije:
2
K K p2 K K p1 K K
x xL L o ; n
K K Kp Kp
1 2
ili
2
K K p2 K K p1 K K
K ; n
K K Kp Kp
1 2
50
x - aritmetička sredina uzorka izvučenog iz serije
n – veličina uzorka
K – konstanta prijema (normalno odstupanje)
K , K p , K , K p - iz tablica Laplasove funkcije za vjerovatnoće
1 2
PRIMJER 11.
Kvalitet jedne isporučene serije reznih alata izražava se preko veličine vremenskog perioda
rezanja (postojanosti T). Prema rezultatima ispitivanja ranijih serija ovog alata u standardnim
režimskim uslovima utvrđeno je da postojanost alata slijedi model normalnog rasporeda sa
praktično konstantnom standardnom devijacijom o=3,38 min. Donja tehnička granica
tolerancije postojanosti iznosi L=Tmin=120 min, tako da se dio serije alata sa postojanosti
T120 min smatra defektnim alatima. Definisati plan prijema serije pod sljedećim uslovima:
1. najviše u 5% slučajeva neće biti prihvaćena serija alata u kojoj se nalazi, među 100 alata,
samo jedan alat postojanosti ispod 120 min;
2. najviše u 10% slučajeva neće biti odbijena isporučena serija u kojoj se nalazi 9, u 100
alata, sa postojanošću ispod 120 minuta.
RJEŠENJE
2
K K 2
Dakle, ako se nakon ispitivanja, pri standardnim režimskim uslovima, pokaže da je u uzorku
od n=9 komada alata, srednja aritmetička vrijednost postojanosti alata T x x L 126 min ,
serija alata se prihvata, a u suprotnom se odbija.
51
Da bi konstruisali operativne krive Pa Pa x i Pa Pa p izvršen je, kao prvo, proračun
za neke tačke, čije vrijednosti su prikazane tabelarno (donja tabela), a zatim konstruisane
krive.
Osnovni ciljevi:
1. otkrivanje veza među pojavama
2. utvrđivanje oblika i stepena (jačine) ovih veza
3. postavljanje regresione jednačine
4. upisivanje regresiopne krive u dijagramu na koji je unesen empirijski skup (sistem tačaka
izmjerenih rezultata)
5. disperziona analiza datog empirijskog skupa
6. identifikacija statističkih granica tolerancije.
52
4.1. Jednostruka linearna regresija
1. funkcionalna (jednoznačna,
deterministička) zavisnost
2. stohastička zavisnost
(slabija i jača, pozitivna i negativna)
53
4.2. Izračunavanje statističkih parametara
2. Disperzija
1 n 1 k
2
x xi x ; x f i xi2 x 2
2 2
n i 1 n i 1
1 n
1 l
y2 y i y ; y2 f j y 2j y 2
2
n i 1 n j 1
54
a) 0 rxy 0,2 praktično nema korelacione zavisnosti
b) 0,2 rxy 0,5 slaba zavisnost
c) 0,5 rxy 0,75 srednja zavisnost
d) 0,75 rxy 0,95 vrlo jaka zavisnost
e) 0,95 rxy 1,00 praktično funkcionalna zavisnost
Za slučajeve kada je rxy između 0 i 1, a nije im dovoljno blizak treba testirati signifikantnost
ovog koeficijenta da bi se tek tada zaključilo da li ili ne postoji stvarna linearna korelacija
između odnosnih veličina.
Računska vrijednost parametra tr :
n2
t r rxy
1 rxy2
Tablična vrijednost tt se dobija:
Za dati prag značajnosti 1 Pgs , na primjer, =5% i stepen slobode n-2 iz tablica za
Gausov (n 30) tabela 1., odnosno Studentov raspored (n 30), tabela 3.
Ako je tr > tt rxy je signifikantan, tj. između odnosnih karakteristika postoji određena
korelacija.
Ako smo poslije tačke 4.4. zaključili da je r xy nesignifikantan, tj. ne postoji linearna zavisnost
između x i y, to ne znači da ne postoji ni krivolinijska korelaciona zavisnost. Da bi se to
saznalo koristi se korelacioni odnos:
y
y , gdje je:
y
y - srednje kvadratno odstupanje pojedinih sredina y i od opšte sredine y
2
1 k
y f i yi y
n i 1
Slijede zaključci:
1. Ako je y 0 između x i y ne postoji nikakva zavisnost (ni linearna ni krivolinijska);
2. Ako je y 1 između x i y postoji jednoznačna zavisnost;
3. Ako je y bliže jedinici, između x i y postoji jača korelaciona veza;
4. Ako je y rxy između x i y postoji linearna korelacija.
Ovu tačku ćemo posmatrati za najjednostavniji slučaj, odnosno za slučaj jednostruke linearne
regresije oblika:
yˆ a 0 a1 x (1)
Parametri a 0 i a1 se računaju na sljedeći način:
55
a 0 y a1 x
(2)
y
a1 rxy
x
(2) (1) jednačina regresije:
y
yˆ y rxy x x
x
Osim IPy možemo odrediti i interval povjerenja IPyˆ , oko regresione prave ŷ :
t pS n2 x x
2
yˆ 1 2
GG yˆ yˆ yˆ n2 n
n
n x xi
2
i
i 1 i 1
56
tpS n2 x x
2
yˆ 1 2
DG yˆ yˆ yˆ n2 n
n
n x xi
2
i
i 1 i 1
gdje su:
tp – parametar koji se za izabrano Pgs i k=n-2 određuje iz tabele 3.
S- standardna devijacija:
1 n
S yi yˆ 2
n i 1
PRIMJER 12.
fij xi , i=1,4
fj
1 2 3 4
1 2 - - - 2
2 2 1 -. - 3
yj , j=1,5 3 1 1 2 - 4
4 - 1 2 1 4
5 - - - 2 2
fi 5 3 4 3 15
RJEŠENJE
Kao prvo izračunat ćemo aritmetičke sredine posmatranih parametara x i y, odnosno obim
uzorka n:
4 5
n f i f j 15
i 1 j 1
1 k 1
x f i xi 5 1 3 2 4 3 3 4 2,3
n i 1 15
l
1 1
y f j y j 2 1 3 2 4 3 4 4 2 5 3,07
n j 1 15
1. Koeficijent korelacije:
C xy
rxy
x y
x2
1 k
n i 1
f i xi2 x 2
1
15
5 12 3 2 2 4 3 2 3 4 2 2,3 2 1,44 ; x 1,2
57
f j y 2j y 2 2 12 3 2 2 4 3 2 4 4 2 2 5 2 3,07 2 1,49 ; y 1,22
1 l 1
y2
n j 1 15
1 k l 1
C xy x f y x y 1 2 1 2 2 1 3 0 0 2 0 1 2 1 3 1 4 0
n i 1
i ij j
j 1 15
3 0 0 2 3 2 4 0 4 0 0 0 1 4 2 5 2,3 3,07 1,28
C xy 1,28
rxy 0,875
x y 1,2 1,22
3. Korelacioni odnos
Egzistenciju linearne korelacije potvrđuje i korelacioni odnos, odnosno ako je y rxy , pa
imamo:
y
y
y
2
1 k 1
y f i yi y 15 5 1,8 3,07 2 3 3 3,07 2 4 3,5 3,07 2 3 4,67 3,07 2
n i 1
y 1,06
gdje su:
1 2 2 2 3 1 0 0
y1 1,8
5
0 1 2 1 3 1 4 0
y2 3
3
0 0 23 24 0
y3 3,5
4
0 0 0 1 4 2 5
y4 4,67
3
y 1,06
y 0,87 y 0,87 rxy potvrđuje se linearna regresija.
y 1,22
58
y 1,22
a1 rxy 0,875 0,89
x 1,2
PRIMJER 13
RJEŠENJE
x2
1 n
n i 1 6
xi x 2 1 3,4 6,52 2 4,3 6,52 2 5,4 6,52 2 6,7 6,52 2
8,7 6,52 10,6 6,52
2 2
6,18
x 2,49
y2
1 n
n i 1 6
yi y 2 1 4,5 8,07 2 5,8 8,07 2 6,8 8,07 2 8,1 8,07 2 10,5 8,07 2
12,7 8,07
2
7,755
y 2,78
59
C xy
rxy
x y
1 n 1 n
C xy x i x y i y x i y i nx y
n i 1 n i 1
1
3,4 4,5 4,3 5,8 5,4 6,8 6,7 8,1 8,7 10,5 10,6 12,7 6 6,52 8,07 6,917
6
6,917
rxy 0,99
2,49 2,78
y 2,78
a1 rxy 0,99 1,1
x 2,49
a 0 y a1 x 8,07 1,1 6,52 0,8
Jednačina regresije: yˆ a 0 a1 x 0,8 1,1 x
tpS n2 x x
2
yˆ 1 2
DG yˆ yˆ yˆ n2 n
n
n x xi
2
i
i 1 i 1
Standardna devijacija S:
S
1 n
n i 1 6
yi yˆ 2 1 4,5 4,54 2 5,8 5,53 2 ... 1,27 12,46 2 0,122
xi ŷ xi2
3,4 4,54 11,56
4,3 5,53 18,49
5,4 6,74 29,16
6,7 8,17 44,89
8,7 10,37 75,69
10,6 12,46 112,36
39 --------- 292,
,1 15
60
tpS n2 x x
2
yˆ 1 2
n2 n
n
n x xi
2
i
i 1 i 1
6 2 x 6,52
2
2,78 0,122
0,8 1,1x 1
62 6 292,15 39,12
Za x=5,4 imamo:
36 5,4 6,52
2
GG yˆ 0,8 1,1 5,4 0,17 1 6,92
224,09
Odnosno:
6,55 yˆ 6,92 za tačku x = 5,4
Ocjenjivanje parametara osnovnog skupa vrši se na bazi teorije uzoraka. To jest, iz osnovnog
skupa izdvaja se skup koji je po veličini znatno manji od osnovnog (n N) i naziva se
uzorak. Uzorak mora biti reprezentativan, odnosno dovoljno velik i slučajno odabran i na
osnovu rezultata njegovog ispitivanja, naravno uz određenu vjerovatnoću, donose se
zaključci o svojstvima i statističkim zakonitostima osnovnog skupa.
IP[g1;g2]
61
P 2t , n 30
gs
P g1 X g 2 (1)
Pgs 2Stp,k ,n30
da se X nalazi unutar intervala IP pod uslovom da je osnovni skup normalno raspoređen.
Vrijednost rizika je =1-Pgs .
Granice intervala povjerenja:
g1 x t x x t o x
n
g 2 x t x x t o x
n
pod uslovom da je standardna devijacija osnovnog skupa poznata.
Ako je međutim, standardna devijacija osnovnog skupa nepoznata, tada se ona procjenjuje
veličinom:
n
S
n 1
gdje je:
1 n
xi x 2
n i 1
pa jednačina (1) dobija sljedeći oblik:
S S
Px tp Xx tp 2 tS p,k (2)
n n
odnosno:
S
X x tp x ako je n<30 (Studentov raspored).
n
Kada n raste i to za n 30 , tada Studentov raspored teži normalnom pa jednačina (2) ima
oblik :
62
S S
txP txX 2t
n n
o S
Veličina t , odnosno t p predstavljaju tačnost vrijednosti aritmetičke
n n
sredine osnovnog skupa.
PRIMJER 14.
RJEŠENJE
g1 X g 2
0
x t X x t 0 ; t=?
n n
n
Veličinom S procjenjuje se vrijednost nepoznate standardne devijacije o
n 1
osnovnog skupa na osnovu izračunatih x , i datih n karakteristika uzorka.
Naravno, možemo pisati o S uz određenu grešku (tačnost) i vjerovatnoću Pgs.
Vjerovatnoća da će se vrijednost standardne devijacije sigurno nalaziti u granicama intervala
povjerenja S , tj. da je :
o S , definisana je opštom jednačinom:
63
SP oSPL qL S,k
za q S , k=n-1 iz tablice 4. dobijemo L(qS,k).
S
Na osnovu ovoga mogu se riješiti tri tipa zadataka u statističkoj analizi kvaliteta:
1. Ako je zadata tačnost q S S traži se vjerovatnoća jednakosti o S
2. Kada je zadata vjerovatnoća za koju je sigurno o S , tada se može odrediti
korespodentna tačnost .
3. Ako se želi postići tačnost sa vjerovatnoćom L(qS,k) pri procjeni parametra o ,
moguće je onda odrediti potreban broj elemenata u uzorku (n).
PRIMJER 15.
Pri statističkoj kontroli određene karakteristike kvaliteta u nekoj proizvodnoj seriji, koja se
pokorava zakonu normalnog rasporeda, izvlači se na slučajan način uzorak. Proračunati obim
uzorka n za koji će se S razlikovati od 0 za menje od 0,3S sa pouzdanošću
PL L q S , k 0,978 .
RJEŠENJE
0,3S
0,3S ; qS 0,3 ; k=n-1
S S
Kada se iz istog osnovnog skupa, čiju standardnu devijaciju o treba ocijeniti, izvuče k
nezavisnih uzoraka sa istim brojem elemenata n, tada se na osnovu raspona R 1, R2, ..., Rk
može ocijeniti statistički parametar o osnovnog skupa.
64
R 1 1 k
Pošto je Ri nepristrasna ocjena standardne devijacije o osnovnog skupa, tj.
d 2 d 2 k i 1
R R
E o , tada slijedi približna jednačina: o .
d2
d2
R
Disperzija veličina R i su:
d2
1 k DR a 2 o2
D R D Ri
k i 1 k k
R a 2 o2 b 2 o2 a
D 2
; b
d 2 kd 2 k d2
R b
R D o
d2 d2 k
bo R bo
Po t o t 2t
k d2 k
pri čemu je interval povjerenja:
bR b
o1t o1t
k d2 k
može napisati u sljedećem obliku:
65
R1 R1
o
d2 b d2 b
1 t 1 t
k k
Vrijednost parametra t iz tabele 1.
PRIMJER 16.
Pri kontroli prečnika otvora 26+0,05 mm, koji se obrađuje u velikim serijama operacijom finog
razvrtanja, izvučeno je po planu kontrole dvadeset uzastopnih uzoraka iz proizvodne serije
od po pet radnih predmeta u svakom uzorku. Nakon mjerenja prečnika izračunate su
vrijednosti raspona:
R= xmax-xmin = dmax – dmin , za svaki uzorak.
Razultati su dati u tabeli:
R.br. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
R(m) 5 15 6 22 15 20 17 15 20 8 15 23 10 20 10 22 15 5 15 22
RJEŠENJE
1 20 1
R Ri 5 15 ... 22 15m 0,015mm
k i 1 20
0,015 1 0,015 1
0
2,326 0,371 2,326 0,371
1 2,33 1 2,33
20 20
odnosno:
0,0054mm 0 0,0081mm
66
U statističkoj kontroli atributivnih karakteristika česta je potreba da se ocjeni procentualni
broj loših proizvoda u proizvodnoj seriji. Neka osnovni skup posjeduje N elemenata od kojih
M ima određenu osobinu, a ostalih N-M su bez tog svojstva (npr. M može biti broj loših
proizvoda u seriji, dok je N-M broj dobrih proizvoda). Tada vjerovatnoće:
Predstavljaju proporcije elemenata osnovnog skupa sa i bez određene osobine. Ovakav skup,
kod koga jedan njegov broj elemenata posjeduje izvijesnu ososbinu, a preostali ne, naziva se
dvoslojnim.
Proporcije primijenjene na uzorak su:
P Q
p
N
i ona se procjenjuje sa:
pq
Sp
n
tPP p tP 2t
Prema definiciji vjerovatnoća će biti:
V p p
tpP P tp 2t
ili rješavanjem dvoslojne jednačine intervala po P, bit će:
V p p
Tako interval povjerenja je:
P p tS p
PRIMJER 17.
RJEŠENJE
tj. proizvodna serija sadrži između 1,6 % i 8,4 % loše obrađenih komada uz vjerovatnoću od
95 %.
Neka je iz dva osnovna skupa, koji pripadaju modelu normalnog rasporeda, izvučen po jedan
` ` `
uzorak. Prvi uzorak se sastoji iz elemenata x1 , x 2 ,...x n1 čija je aritmetička sredina x1 i
standardna devijacija 1 , dok drugi obuhvata elemente x1`` , x 2`` ,...x n``2 , sa parametrima x 2 i
2 . Neka je također prethodno dokazano da razlika između standardnih devijacija ( 01 ,
02 ) osnovnih skupova nije signifikantna.
68
Postavljena je hipoteza da su nepoznate aritmetičke sredine X 1 i X 2 osnovnih skupova
međusobno jednake, tj. X 1 = X 2 .
Potrebno je da se ispita hipoteza. Ispitivanje tačnosti hipoteze svodi se na ispitivanje razlike
aritmetičkih sredina uzoraka. Ako je ova razlika slučajna, hipoteza se prihvata, istinita je.
Obrnuto, ako je razlika signifikantna, hipoteza o jednakosti aritmetičkih sredina osnovnih
skupova, odnosno o pripadnosti uzoraka jednom te istom osnovnom skupu , odbacuje se kao
netačna. Dokaz da je hipoteza istinita znači, sa tehnološkog stanovišta, da se vrijednost
radne mjere na koju je regulisan alat i ostale jedinice obradnog sistema nije promijenila u
trenutku izvlačenja uzorka, već je ostala ista kao i u momentu izvlačenja prethodnog uzorka.
Ispitivanje razlika aritmetičkih sredina uzoraka izvodi se pomoću Studentovog t-testa, gdje
parametar t1 se računa na sljedeći način:
x1 x2 n1n 2 n1 n2 2
t1
n1 1 s12 n2 1 s22 n1 n2
gdje su ocjene standardnih devijacija osnovnih skupova na osnovu uzoraka date izrazima:
s12
1 n1 `
xi x1
n1 1 i 1
2
s 22
1 n2 ``
xi x 2
n2 1 i 1
2
PRIMJER 18.
69
RJEŠENJE
x1 x 2 n1 n 2 n1 n 2 2
t1
n1 1 s12 n2 1 s 22 n1 n 2
25,02 24,48 8 14 8 14 2
1,4
8 1 0,06 14 1 0,10 8 14
PRIMJER 19.
RJEŠENJE
Varijanse:
s12
1 n1 `
xi x1
n1 1 i 1
2
1
6 1
16,08 16,07 2 16,06 16,07 2 ... 0,00057
s
2
2
1 n2 ``
n2 1 i 1
xi x 2 2
1
7 1
16,12 16,09 2 16,07 16,09 2 ... 0,00037
70
Tada je vrijednost veličine t1 :
x1 x 2 n1 n 2 n1 n2 2
t1
n1 1 s12 n2 1 s 22 n1 n 2
16,07 16,09 6 7 6 7 2
1,67
6 1 0,00057 7 1 0,00037 67
P t t1 0,13 0,05
71
tome se stepen slobode u prvoj vrsti tablica X i XI odnosi na veću varijansu (onu u brojniku
s12
jednačine r F ), dok se prva kolona odnosi na stepene slobode varijanse u imeniocu
s 22
pomenute jednačine.
Ako je računska vrijednost Fr Ft , razlika između varijansi s12 i s 22 je slučajna i hipoteza
da posmatrani uzorci pripadaju osnovnim skupovima jednakih varijansi je istinita. I obratno,
ako je Fr Ft , tada se zaključuje da se varijanse uzoraka signifikantno međusobno
razlikuju, pa se postavljena hipoteza o jednakosti varijansi osnovnih skupova odbacuje kao
netačna.
U slučajevima kada se zakon rasporeda osnovnog skupa znatno razlikuje od zakona
normalnog rasporeda može se sa određenom pouzdanošću ispitati da li je razlika varijansi
uzoraka slučajna ili signifikantna. Uslov je da uzorci budu veliki, a ispitivanje se izvodi
pomoću odnosa:
s1 s 2
ts
s12 s2
2
2n1 2n2
PRIMJER 20.
RJEŠENJE
s12 12
n1
1 n1 `
xi x1
n1 1 n1 1 i 1
2
1
7 1
21 20 2 19 20 2 ... 19 20 2 4,67
s 22 22
n2
1 n2 ``
xi x 2
n2 1 n2 1 i 1
2
1
10 1
20 21 2 23 21 2 ... 23 21 2 7
72
Vrijednost Fr s 22 s12 :
2
s 7
Fr 1
2
1,5
s
2 4,67
k1 = n2 – 1 = 10-1=9
k2 = n1 – 1 = 7-1=6
Pri provjeri hipoteze o pripadnosti dvaju uzoraka istom osnovnom skupu potrebno je
i dovoljno da se prvo ispitaju razlike između varijansi, a potom i aritmetičkih sredina
uzoraka. Ukoliko je bar jedna, bilo koja, razlika signifikantna, hipoteza se odbacuje kao
netačna. Hipoteza je, dakle istinita samo tada kada su obe razlike slučajne. Ispitivanje
tačnosti ove hipoteze zasniva se na rezultatima testiranja statističkih hipoteza izloženih pod
tačkama 6.1 i 6.2.
Analiza i utvrđivanje međusobnog stepena tačnosti mjerenja dva kontrolna pomoćna
pribora ili međusobnog stepena tačnosti obrade koja se obavlja na dvjema mašinama
alatkama, itd. poistovjećuje se sa provjerom hipoteze o pripadnosti dvaju uzoraka istom
osnovnom skupu.
p P0
PV P0 t p p P0 t p PV t 0 t 2 t
p
73
gdje je:
P0 Q0
p ; Q0 1 P0
n
2 2 0,9545
2 3 0,9973
Odavde se zaključuje:
1. Ukoliko je izračunato to manje od 2, tada izvučeni uzorak ne
opovrgava hipotezu da je P=Po, tj. razlika p P0 nije signifikantna već slučajna, što znači
da je hipoteza istinita (prihvata se).
2. Ukoliko je to 3 tada je razlika između p i P 0 visoko
signifikantna, tj. hipoteza je netačna (odbacuje se).
3. U slučaju da se dobije 2 to 3 zaključuje se da je razlika
signifikantna, ali ne i visoko signifikantna, pa zbog ove nesigurnosti mogu se donijeti dvije
odluke: ne prihvata se hipoteza, ili izvlači se novi uzorak pa se nakon toga donosi zaključak.
PRIMJER 21.
RJEŠENJE
to je razlika p P0 0,01 slučajna, tj. procenat netačno obrađenih čaura u uzorku slučajno
se razlikuje od dopuštenog, pa je otuda istinita hipoteza P = P0 = 5%, odnosno prihvata se.
Neka su izvučena dva velika uzorka iz dva dvoslojna osnovna skupa sa nepoznatim
proporcijama P1 i P2. U prvom uzorku nađeno je m1 a u drugom m2 elemenata sa
posmatranim svojstvima, pa su proporcije elemenata sa i bez datog svojstva:
m m
p1 1 ; p 2 2
n1 n2
74
q1 1 p1 ; q 2 1 p 2
gdje je n1 i n2 broj elemenata prvog odnosno drugog uzorka.
Treba ispitati da li ova dva uzorka pripadaju osnovnim skupovima jednakih proporcija
elemenata sa datim svojstvom.
Ispitivanje se svodi na utvrđivanje veličine:
p1 p 2
t0
sd
gdje je:
n1 n2
sd p q
n1n2
m1 m2
p ; q 1 p
n1 n 2
Ukoliko je t0 2, tada je istinita hipoteza da su proporcije elemenata osnovnih skupova
međusobno jednake. tj. uzorci pripadaju osnovnim skupovima jednakih proporcija elemenata
sa posmatranim svojstvima. Međutim ako je izračunato t 0 2, hipoteza se odbacuje kao
netačna.
PRIMJER 22.
Serija istih mašinskih dijelova obrađuje se na dvjema različitim mašinama alatkama. Pri
kontroli atributivne karakteristike kvaliteta izvučena su dva slučajna uzorka (po jedan iz
obrađenih dijelova sa svake mašine). Kontrolor je utvrdio podatke u uzorcima koji su dati u
tabeli. Ispitati na osnovu podataka uzoraka da li obe mašine obrađuju dijelove sa istim
kvalitetom (tačnošću) obrade, odnosno sa istim procentualnim brijem loših radnih predmeta,
ili se pak kvaliteti obrade na mašinama signifikantno razlikuju.
RJEŠENJE
m1 24
p1 0,0566
n1 424
m 21
p2 2 0,0775
n 2 271
m m2 24 21
p 1 0,0647
n1 n2 424 271
q 1 p 1 0,0647 0,9353
n1 n2 424 271
sd pq 0,0647 0,9353 0,0192
n1 n2 424 271
75
p1 p 2 0,0566 0,0775
t0 1,09 2
sd 0,0192
7. LITERATURA
1 Joko Stanić: Upravljanje kvalitetom proizvoda, Metodi I, Mašinski fakultet, Beograd,
1995.,
2 Joko Stanić: Upravljanje kvalitetom proizvoda, Metodi II, Mašinski fakultet, Beograd,
1991.
76
77
78
79
80
81
82
83
84
85