UNIVERZITET „DŽEMAL BIJEDIĆ“

MAŠINSKI FAKULTET
MOSTAR

MATERIJAL ZA VJEŽBE IZ PREDMETA:

UPRAVLJANJE KVALITETOM

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. METOD KRIVIH RASPOREDA FREKVENCIJA............................ 20

2.1. Područje primjene metode
2.3. Osnovne jednačine metode
2.3. Osnovne jednačine metode
2.3.1. Parametri lokacije i disperzije (parametri rasporeda)
2.3.2. Granice tačnosti aritmetičke sredine osnovnog skupa (poznata
vrijednost standardne devijacije osnovnog skupa o)
2.3.3. Granice tačnosti aritmetičke sredine osnovnog skupa (nepoznata
vrijednost standardne devijacije osnovnog skupa o)
2.3.4. Statističke granice tolerancije

3. METOD PLANOVA PRIJEMA.............................................................. 27

3.1. Planovi prijema za atributivne karakteristike kvaliteta –
jednostruki planovi prijema
3.1.1. Matematičke osnove jednostrukih planova prijema
3.1.2. Prosječni izlazni nivo kvaliteta
3.2. Dvostruki plan prijema
3.3. Sekvencijalni planovi prijema
3.3.1 Matematičke osnove
3.4. Planovi prijema za numeričke karakteristike kvaliteta
3.4.1. Plan prijema sa donjom granicom tolerancije i poznatom
varijansom serije za 1. kriterij ( x L , n )
3.4.2. Plan prijema sa donjom i gornjom granicom tolerancije i
poznatom varijansom serije za drugi kriterij

4. METOD KORELACIONE I REGRESIONE ANALIZE....................... 47

4.1. Jednostruka linearna regresija
4.2. Izračunavanje statističkih parametara
4.3. Određivanje koeficijenta korelacije

2
 4.4. Testiranje signifikantnosti koeficijenta korelacije
4.5. Izračunavanje korelacionog odnosa
4.6. Određivanje krive regresije
4.7. Određivanje intervala povjerenja

5. METOD STATISTIČKIH OCJENA........................................................ 56

5.1. Ocjena tačnosti aritmetičke sredine osnovnog skupa
5.2. Ocjena tačnosti standardne devijacije osnovnog skupa
5.3. Ocjena tačnosti standardne devijacije osnovnog skupa na osnovu
raspona malih uzoraka
5.4. Ocjena proporcije osnovnog dvoslojnog skupa

6. METOD STATISTIČKOG TESTIRANJA HIPOTEZA....................... 62

6.1. Provjera hipoteze o jednakosti aritmetičkih sredina dva osnovna
skupa na osnovu njihovih uzoraka
6.2. Provjera hipoteze o jednakosti varijansi dva osnovna skupa na
osnovu njihovih uzoraka
6.3. Provjera hipoteze o pripadnosti dvaju uzoraka istom osnovnom
skupu
6.4. Provjera hipoteze o proporciji osnovnog skupa na osnovu velikog
uzorka
6.5. Provjera hipoteze o jednakosti proporcija elemenata dvaju
osnovnih skupova na osnovu uzoraka

7. LITERATURA............................................................................................ 69

PRILOG: TABLICE

3
UVOD

Metodi upravljanja kvalitetom predstavljaju značajni dio tehnologije upravljanja kvalitetom

bilo kog proizvoda. Jedna od mogućih klasifikacija metoda upravljanja kvalitetom data je na
sljedećoj slici.

METODE UPRAVLJANJA KVALITETOM

METOD METOD
REGULISANJA SELEKCIJE
Metod analize i sinteze grešaka obrade

Metod korelacione i regresione analize

Metod statističkog testiranja hipoteza
Metod krivih rasporeda frekvencija
Adaptivno upravljanje sa optimalnim
Adaptivno upravljanje sa graničnim

Analitički Metod Metod Metod Metod

Metod statističkih ocjena

metod adaptivnog statističkog potpune
Metod kontrolnih karata

Metod planova prijema statističke

upravljanja upravljanja kontrole kontrole
regulisanjem

regulisanjem

Metodama regulisanja postiže se propisani kvalitet neprekidnim ili povremenim

(periodičnim) automatskim regulisanjem (upravljanjem) procesa na osnovu rezultata
mjerenja karakteristika kvaliteta ili drugih veličina koje su sa ovima povezane.

Metodama selekcije postiže se obezbjeđenje propisanog kvaliteta selekcijom mase

izrađenih proizvoda na dobre (kvalitetne, tačne) i loše (nekvalitetne, netačne).

4
Analitički metod upravljanja kvalitetom zasniva se na analitičkoj i eksperimentalnoj analizi
elementarnih ili pojedinačnih grešaka obrade i i postavljanju funkcionalne zavisnosti.

Metode adaptivnog upravljanja su novije upravljačke metode i tehnike koje su sposobne

da u radnom ciklusu obrade izvršavaju četiri osnovne funkcije:
- funkciju identifikacije (mjerenja),
- funkciju komparacije (upoređenja),
- funkciju odlučivanja i
- funkciju modifikacije (promjene, regulisanja).

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.

1. METOD KONTROLNIH KARATA

Kontrolne karte su jedna od najstarijih i najvažnijih tehnika statističke kontrole

procesa. Prva kontrolna karta poznata pod imenom „Sherwhartova kontrolna karta“, pojavila
se 1924. godine, kada je dr. Walter Shewhart prvi put primijenio Gaussovu krivulju u
konstrukciji kontrolne karte za praćenje kvaliteta proizvodnje (Slika 1.)

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.

Slika2. Izgled kontrolne karte

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

Te zone, nazvane A, B i C, polaze od središnje linije, iako se ne ucrtavaju na karte,

upotrebljavaju se u tumačenju kontrolne karte. Pored kontrolnih granica postoje i takozvane
granice upozorenja koje se nalaze, gornja na udaljenosti +2σ i donja na udaljenosti -2σ od
središnje (centralne) linije. Te granice ustvari upozoravaju da trenutno stabilan proces može
postati nestabilan, odnosno biti van kontrole. Svrha čitanja kontrolnih karata je uočiti koje
tačke pokazuju da je proces izvan kontrole, dakle podložan varijacijama. Ispitivanje
stabilnosti procesa pomoću kontrolne karte bit će objašnjeno u poglavlju 1.7.

1.1. Primjena metode kontrolnih karata

Područje primjene je veoma široko. Neke od osnovnuh mogućnosti ove metode su sljedeće:

1. Upravljanje kvalitetom obradnih i tehnoloških procesa na bazi prostorne i vremenske

slike stanja, promjena i tendencija kvaliteta sadržanih na kontrolnoj karti;
2. Kontrola kvaliteta proizvoda u pojedinim fazama proizvodnje, fazi pripreme i fazi
završetka proizvodnje;
3. Stabilizacija procesa na osnovu otkrivanja i isključivanja iz njihovog toka sistema
nedopuštenih faktora;
4. Identifikacija nivoa kvaliteta proizvoda duž vremenske ose toka procesa;
5. Analiza tačnosti i stabilnosti obradnih i tehnoloških procesa;
6. Inoviranje i usavršavanje obradnih i tehnoloških procesa;
7. Analiza sistema grešaka obrade u toku odvijanja obradnih i tehnoloških procesa;
8. Primjena u svim fazama nekog procesa (prijemna, procesna, završna kontrola i
kontrola u eksploataciji), svim tipovima proizvodnje (maloserijskoj, srednjeserijskoj i
masovnoj, izuzev pojedinačne).

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 ± 3o 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

GKGx Osnovni skup

(,  o)
x

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

- odnosno, standardna devijacije slučajne promljenjive x na uzorku veličine n

3 o 3 R
3 x    A2 R
n n d2

- Matematičko očekivanje aritmetičke sredine osnovnog skupa je aritmetička sredina

aritmetičkih sredina posmatranih uzoraka kojih ima k, a veličine su n, odnosno:

X  E(x)  x

- Aritmetička sredina raspona posmatranih uzoraka:

1 k
R   Ri
k i 1

- koeficijenti d2 , A2 dati su u tablici 5. priloga koja je data na kraju skripte.

1.3. Podjela kontrolnih karata

Postoji više kriterija:

1. Vrsta karakteristike kvaliteta;

2. Karakter objekta kontrole;
3. Statistički tretman ili vrijeme odvijanja proizvodnog procesa;
4. Složenost kontrolne karte.

Prema 1. kriteriju (vrsti karakteristike kvaliteta) imamo:

- kontrolne karte za numeričke karakteristike kvaliteta (x, x , R, , ...)
- kontrolne karte za atributivne karakteristike (dobro – loše, ide – ne ide, sa defektom –
bez defekta, ...) kvaliteta (np, p, c, u, ...)
gdje je:

np – broj loših komada u uzorku;

p – procenat loših komada u uzorku;
c – ukupan broj defekata na proizvodu;
u – prosječan broj defekata po jedinici proizvoda u uzorku.

Prema 2. kriteriju (karakteru objekta kontrole) imamo:

- kontrolne karte za karakteristike kvaliteta primjeraka (x) (izražavaju kvaliteta
pojedinih primjeraka);
- kontrolne karte za statističke mejre uzoraka ( x , R, ,...) (izražavaju zajednički
kvalitet svih primjeraka u jednom uzorku, kao cjelini).

Prema 3. kriteriju (vremenu odvijanja proizvodnog procesa) imamo:

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.

Prema 4. kriteriju (složenosti kontrolne karte) imamo:

- proste (x, x , R, ,...);
- kombinovane ( x R, x, ...) – paralelno

1.4. X - karte

Po jedan primjerak uzima se iz tehnološkog procesa, radnog mjesta ili operacije, u

određenim vremenskim razmacima, koji se po redu uzimanja numerišu. Izmjerene
karakteristike kvaliteta xi svakog numerisanog primjerka unose se u X-kartu, pri čemu je
ordinata ove karte nosilac vrijednosti karakteristike kvaliteta, a apscisa redni broj
numerisanog primjerka. Svakom primjerku, odnosno karakteristici kvaliteta, odgovara jedna
tačka. Da bi se na osnovu ucrtanih tačaka mogla izvršiti kontrola kvaliteta potrebno je još
unijeti granične linije (GKGx i DKGx).

GKGx = X + 3o  x + 3S
DKGx = X - 3o  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 = 6o 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  6o 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  6o, 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.

U određenim vremenskim razmacima uzeti su pojedinačni primjerci i na njima izmjerene

vrijednosti posmatrane karakteristike kvaliteta, koje su prikazane u sljedećoj tabeli. Na
osnovu ovih podataka konstruisati x- kontrolnu kartu.

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  xi
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

Standardna devijacija uzorka:

fd   fi di
2
2

 
i i
 i  
f i   fi 

Da bi se izračunala aritmetička sredina i standardna devijacija pomoću navedenih izraza, kao

pomoć, formirat ćemo sljedeću tabelu:

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  xi
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 

Procjena aritmetičke sredine osnovnog skupa X je x to jest:

X  x = 24,148 mm

Procjena standardne devijacije osnovnog skupa je:

n 30
o  S   0,018  0,0183mm
n 1 30  1

Kontrolne karte na kraju glase:

GKG x  X  3 o  x  3S  24,148  3  0,0183  24,203mm

DKG x  X  3 o  x  3S  24,148  3  0,0183  24,093mm

Nakon ovog računa pristupa se konstrukciji kontrolne karte.

13
1.5. Centralne linije i kontrolne granice pojedinih karata

1. X R – karta

Koriste se za uzorke čiji je broj elemenata manji od 10.

Centralne linije:
1 k
CL x  x   xi
k i 1

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

Koristi se uzorke čiji je broj elemenata veći od 10

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.

3. m – karta ili np-karta

Kontrolna karta za praćenje broja loših komada (m) na uzorku veličine n.

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

Kontrolna karta za praćenje broja defekata na proizvodu (po komadu).

Centralna linija:
1 k
CLc  c   ci
k i 1

16
 Kontrolne granice:

DKGc  c  3 c

GKGc  c  3 c

1.6. Nedozvoljeni faktori, dozvoljeni faktori

Nedozvoljenim faktorima ili nedozvoljenim uzrokom varijacije karakteristike kvaliteta

smatra se onaj faktor koji se može utvrditi i ukloniti iz proizvodnog procesa ne čineći pri
tome suštinske izmjene u samom procesu. U nedozvoljene faktore, naprimjer, pri obradi
šipkastog materijala na automatu, spadaju: nepravilnosti u bregastim vođicama, greške pri
regulisanju mašine, namještanje alata i graničnika, nestručnost proizvodnih radnika, itd.
Faktori ove grupe vrše relativno velik uticaj na varijacije karakteristike kvaliteta, lako se
utvrđuju i otklanjaju.
Dozvoljena grupa faktora sastoji se iz dvije podgrupe, pri čemu prvu sačinjavaju slučajni
faktori za koje je karakteristično da se ne mogu utvrditi (ili je otežano) i da su uvijek prisutni
u proizvodnom procesu. Druga grupa obuhvata skup faktora koji su utvrdivi, no njihovo
uklanjanje izaziva suštinske izmjene u dotičnom proizvodnom procesu.
Iz prethodnog primjera automata, u dozvoljene faktore ulaze: tolerantne greške izrade,
pohabanost i istrošenost elemenata u obradnom sistemu, itd.
Uticaj dozvoljenih faktora na varijacije karakteristike kvaliteta manji je u odnosu na
nedozvoljenu grupu faktora.
Stabilnost i tačnost procesa izrade nekog proizvoda, koji inače određuju sposobnost tog
procesa (sposobnost da održi zadate tolerancije), predstavljaju ključne pojmove (i ciljeve) u
metodi kontrolnih karata i uopšte u nauci o upravljanju kvalitetom.
Pod dejstvom dozvoljenih faktora u proizvodnom procesu, obično se unutar određenih
granica, formira stalni (nepromjenjivi) model varijacije kvaliteta, pa se za takav proces kaže
da je stabilan ili statistički ovladan.
Ako se pri tome varijacija karakteristike odvija u propisanim granicama njene tolerancije, tj.
ako su prirodne granice tolerancije procesa manje od zadatih, tada je proces pored
stabilnosti, još i tačan ili kažemo proces je pod kontrolom.
Odavde proizilazi da će neki proces biti stabilan ako su iz njega uklonjeni nedozvoljeni
faktori.

1.7. Ocjena stabilnosti proteklog procesa

Proces se smatra stabilnim ukoliko se:

1. od posljednjih 25 tačaka svaka nalazi u okvirima kontrolnih granica;

2. među posljednjih 35 tačaka samo jedna pada izvan kontrolnih granica;
3. od posljednjih 100 tačaka samo se najviše dvije nalaze izvan kontrolnih granica.

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:

a) Uzastopni rast ili pad srednjih vrijednosti uzoraka.

Ukoliko 7 tačaka uzastopno raste ili opada proces nije u stabilnom stanju.
Ukoliko se desi da 5 uzoraka uzastopno raste ili opada tada imamo sistem u
kritičnom stanju. Dakle sistem je i dalje stabilan, ali je to znak da se može
pojaviti nestabilno stanje.
Ovakvo situacija obično izaziva pomjeranje centralne linije, što uzrokuje njeno
odstupanje od osnovne mere koja je zadana projektom.

b) Zadržavanje srednjih vrijednosti uzoraka ispod ili iznad centralne linije.

Ukoliko se 7 uzastopnih tačaka nalazi ispod ili iznad centralne linije, proces
nije stabilan. Ovo stanje označava da je proces pomjeren, jer tačke ne variraju
oko željene (CL) vrijednosti.
Također, vrijedi i pravilo ukoliko se desi da je 5 uzastopnih uzoraka ispod ili
iznad centralne linije tada je sistem u kritičnom stanju. Dakle, sistem je i dalje
stabilan ali je to znak da se može pojaviti nestabilno stanje.

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.

e) Prevelik broj uzastopnih tačaka blizu centralne linije (obično se uzima 14

tačaka).
Ovaj slučaj nam ne pokazuje da je proces izvan kontrole. Naprotiv, pod potpunom je
kontrolom. Međutim, troškovi koji se stvaraju pri ovakvom slučaju su veoma veliki pa
je potrebno analizirati proces i podesiti ga tako da funkcioniše u dozvoljenim granicama što će
stvarati prihvatljive troškove.

1.8. Analiza tačnosti proteklog procesa

Tačnost se ispituje samo u onim slučajevima kada su za karakteristike kvaliteta propisane

tolerancije (kontinuirane karakteristike kvaliteta). Suština kontrole tačnosti sastoji se u

19
upoređivanju (po veličini i položaju) propisanog tolerancijskog polja (T) i područja prirodne
disperzije (rasipanja) (Tp) vrijednosti date karakteristike kvaliteta.

Područje (širina) prirodnog rasipanja je Tp = 6 o

gdje je:
o – standardna devijacija osnovnog skupa, koja se računa:

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

c2, d2 – koeficijenti koji se nalaze u tabeli priloga 5.

Tačnost se izražava koeficijentima tačnosti 1, 2 na sljedeći način:

Koeficijentom tačnosti 1 izražava se odnos širine polja prirodne tolerancije Tp i polja

propisane tolerancije T.

Tp 6 o
1  
T T

- Ako je 1  1 , tj. Tp  T slijedi da je proces netačan.

- Ako je 1 = 1, tj. Tp = T proces je tačan uz dodatni uslov da se centralna linija x i

x g  xd
sredina tolerantnog polja x s  poklope. Tada je teorijski procentualni broj
2
netačno obrađenih predmeta 0,27%.

- Ako je 1  1, tj. Tp  T proces je tačan, ali pod dodatnim uslovom da se centralna

x g  xd
linija x i sredina tolerantnog polja x s  poklope ili da budu dovoljno bliske
2
jedna drugoj, što se uslovljava koeficijentom tačnosti 2.

Dodatni uslov će biti da je 2  2d , gdje je:

2 – koeficijent tačnosti (regulisanja)

x  xs
2 
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.

U toku obrade izvjesnih obradaka na kojima se kontroliše dimenzija x = d = 65 H9mm,

izabrano je po planu kontrole 25 uzoraka od po pet primjeraka i na svakom primjerku
izmjerena odstupanja od date nominalne mjere, koja su prikazana u donjoj tabeli, zajedno sa
izračunatom aritmetičkom sredinom x i rasponom R pojedinih uzoraka. Konstruisati
odgovarajuću kontrolnu kartu i na osnovu nje ocijeniti stabilnost i tačnost procesa.

Redni Redni broj primjerka x R

broj
1 2 3 4 5 (m) (m)
uzorka
1 19 25 45 21 15 25 30
2 43 40 21 26 20 30 23
3 12 10 11 45 7 17 38
4 29 13 20 33 15 22 20
5 5 15 28 32 20 20 27
6 28 27 36 40 24 33 13
7 11 10 17 32 10 16 22
8 24 8 28 17 38 25 30
9 24 10 27 28 26 23 18
10 40 5 30 42 13 26 37
11 7 32 13 4 14 14 28
12 6 11 13 39 21 18 33
13 24 30 18 28 15 23 15
14 2 8 15 36 4 13 34
15 34 20 36 37 42 34 22
16 18 10 22 30 20 20 20
17 28 11 24 41 23 25 30
18 19 7 16 14 24 16 17
19 33 13 33 34 42 31 29
20 18 32 24 22 24 24 14
21 35 20 7 25 43 26 36
22 6 13 27 12 2 12 25
23 20 22 14 20 34 22 20
24 15 8 17 24 11 15 16
25 8 27 25 22 42 25 34

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

GKG x  x  A2 R  65,022  0,577  0,0248  65,036mm

DKG x  x  A2 R  65,022  0,577  0,0248  65,008mm

GKG R  D4 R  2,115  0,0248  0,0525mm

DKG R  D3 R  0  0,0248  0mm

Zaključak o stabilnosti procesa:

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.

Da bi se utvrdila tačnost procesa potreban je sljedeći račun:

-standardna devijacija osnovnog skupa:

1 1
0  R   0,0248  0,0107mm
d2 2,326
gdje je d2 koeficijent koji zavisi od veličine uzorka, a dobije se iz tabele 5 (koja se nalazi na
kraju skripte) i to za veličinu uzorka n= 5 koeficijent d2=2,326.

-Prirodna tolerancija procesa:

T p  6 0  6  0,0107  0,0642mm

-Zadata tolerancija je H9 koja iznosi T= 0,074 mm

-Prvi koeficijent tačnosti procesa:

Tp 6 0 0,0642
1     0,87
T T 0,074

1  1  prvi koeficijent tačnosti zadovoljava tačnost, ali potrebno je provjeriti da li se xs i

x poklapaju, gdje je xs sredina tolerancijeskog polja H9:

x g  xd 65,074  65,000
xs    65,037 mm
2 2

Kao što se da primijetiti xs i x se ne poklapaju pa zbog toga je potrebno ispitati

njihovu bliskost preko dopunskog uslova za tačnost, odnosno pomoću drugog koeficijenta
tačnosti:

-Dopuštena vrijednost drugog koeficijenta tačnosti:

1  1 1  0,87
 2d    0,065
2 2

-Stvarna vrijednost drugog koeficijenta tačnosti:

x  xs 65,022  65,037
2    0,203
T 0,074

Vidimo da je  2   2 d  drugi koeficijent tačnosti ne zadovoljava tačnost.

Na kraju slijedi zaključak tačnosti :

Prvi uslov tačnosti je zadovoljen, ali nije drugi pa se zaključuje da je posmatrani tehnološki
proces, čija je stabilnost dokazana, netačan u periodu izvršene kontrole.
Netačnost se javlja npr. zbog grešaka položaja graničnika, grešaka fiksatora alata, itd.
i te greške se lako otklanjaju.

23
ZADATAK ZA VJEŽBU

1. Završna strugarska obrada čaure na 34 h8 (iznos tolerancije h8 za prečnik 34 iznosi

T=39m) izvodi se na revolver strugu. Mjerenje odstupanja od nominalne mjere vrši se
pomoću Zeiss-ovog optičkog komparatora u vidu tastera. Planom kontrole predviđeno je da
se kontrolisanje kvaliteta izvodi pomoću x R kontrolne karte, pri čemu se uzimaju uzorci od
po n=5 primjeraka. Nakon potrebnih priprema pristupilo se kontroli stabilnosti i tačnosti
tekuće obrade čaura. Konstruisati kontrolnu kartu i ispitati stabilnost i tačnost procesa, na
osnovu uzetih 25 uzoraka od po 5 primjeraka. Izračunate statističke mjere uzoraka ( x i R)
date su u donjoj tabeli.

Red.broj x R Red.broj x R Red.broj x R

uzorka (mm) (m) uzorka (mm) (m) uzorka (mm) (m)
1 33,987 10 10 33,977 20 19 33,988 15
2 33,977 15 11 33,980 13 20 33,997 9
3 33,985 5 12 33,987 15 21 34,001 13
4 33,980 11 13 33,983 19 22 33,980 15
5 33,977 20 14 33,979 7 23 33,989 7
6 33,982 15 15 33,977 13 24 33,978 19
7 33,978 5 16 33,988 11 25 33,984 13
8 33,978 10 17 33,983 23 ---- ---- ---
9 33,985 23 18 33,978 5 --- ---- ---

2. METOD KRIVIH RASPOREDA FREKVENCIJA

2.1. Područje primjene metode

Metoda se koristi u sljedećim područjima nauke o kvalitetu:

- Prijemnoj kontroli (materijala, alata, ...),
- Završnoj kontroli (određenih dijelova i proizvoda),
- Međufaznoj kontroli (između tehnoloških faza),
- Upravljanju kvalitetom proizvoda u procesu obrade proizvoda,
- Podešavanju proizvodne opreme na početku i u toku procesa,
- Definisanju tolerancija i performansi novog proizvoda,
- Preventivnoj kontroli stabilnih procesa i procesa pod kontrolom (tačnih), i sl.

2.2. Osnovne etape metode

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).

2.3. Osnovne jednačine metode

2.3.1. Parametri lokacije i disperzije (parametri rasporeda)

U parametre lokacije spadaju: aritmetička sredina, mod i medijana.

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.

Parametri disperzije predstavljaju mjeru varijabilnosti slučajne veličine x. Takvi parametri su

raspon i standardna devijacija.

Raspon se računa na sljedeći način:

R = xmax - xmin
Standardna devijacija (σ) se računa iz varijanse (σ2) – srednjeg kvadratnog odstupanja.
 
1 k
 2  E  x  x     xi  x  f i
2

n i 1
2

1 k
Pa je standardna devijacija    2    xi  x  2 f i
n i 1

2.3.2. Granice tačnosti aritmetičke sredine osnovnog skupa (poznata vrijednost

standardne devijacije osnovnog skupa o)

25
Vrijednosti aritmetičke sredine x predstavljaju nepristrasnu ocjenu nepoznate vrijednosti
aritmetičke sredine osnovnog skupa X , odnosno:

E x  X  x

Garnice tačnosti veličine X , procjenjene gornjom jednačinom, definisane su intervalom

povjerenja:
IP = g1 ; g2
uz vjerovatnoću (statističku pouzdanost):

gP X g 2t

1 2
pod uslovom da je osnovni skup normalno raspoređen. Pri tome su:

1. Granice intervala povjerenja:

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)

2. Standardna devijacija aritmetičke sredine uzorka

o
x 
n

3. Statistička pouzdanost (vjerovatnoća)

t t2
2 
2  t    2
 dt
2 o

gdje je:
  t  - Laplasova funkcija (tabela 1.)
2   t  - vjerovatnoća tačnosti ocjene:
o
X  x t
n

4. Vrijednost rizika (vjerovatnoća rizika):

  1  2  t 
da će vrijednost nepoznate veličine X biti izvan intervala povjerenja IP = g1 ; g2.

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

Pg1Xg2  2t  9,9 73%  tabela 1.  t = 3

0 2
g1  x  t  42  3  41
n 36

0 2
g2  x  t  42  3  43
n 36

Interval povjerenja će glasiti: IP = 41;43, odnosno 41 X  43 sa vjerovatnoćom 99,73%.

Vrijednost rizika je tada   1  2  t   1  99,73%  0,27% , to jest postoji vjerovatnoća od

0,27% da će se X naći izvan intervala povjerenja IP = 41;43.

2.3.3. Granice tačnosti aritmetičke sredine osnovnog skupa (nepoznata

vrijednost standardne devijacije osnovnog skupa o)

U prethodnom primjeru pretpostavljeno je da je vrijednost standardne devijacije o osnovnog

skupa poznata. Međutim, ako je o nepoznata tada se ona ocjenjuje veličinom S, odnosno
ocjenom standardne devijacije osnovnog skupa preko standardne devijacije uzorka  :

n
S 
n 1
Tada jednačina statističke pouzdanosti glasi:

27
  S S
Px 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.)

Studentov raspored se koristi za veličine uzorka n 30.

Kada n raste Studentov raspored teži Normalnom rasporedu, tj. za dovoljno veliko n  30
jednačina (1) prelazi u:

 S S
 txP xX  t  2t (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

Pg1Xg2  2 tS p,k  0,9

n 1 5 1

Za datu vjerovatnoću i za broj stepeni slobode studentovog rasporeda

k=n-1 = 5-1 = 4 iz tabele 3. dobije se vrijednost parametra tp= 4,6.

Sada imamo sve potrebne veličine za zaključak:

Sa vjerovatnoćom od 99 % zaključuje se da je tražena vrijednost radne mjere na koju je
regulisan alat:
S 0,039
X  x tp  20,158  4,6  20,158  0,081mm
n 5

odnosno, interval povjerenja je:

IP   20,077;20,239
2.3.4. Statističke granice tolerancije

Poslije određivanja parametara rasporeda X i o određuju se statističke granice tolerancije

ili prirodne granice procesa, odnosno interval povjerenja. Ona predstavlja interval ili oblast
ograničenu granicom 3o i unutar tog intervala, tj. X  3 0 nalazit će se 99,73% svih
vrijednosti slučajne veličine (posmatrane karakteristike kvaliteta). To znači, ako je riječ o
tačnosti obrade dijelova u nekom tehnološkom procesu, da će od 1000 dijelova 997 biti tačno
obrađeni, a samo 3 će biti škart. Uslov je da se pod tačno obrađenim dijelom smatra dio kod
kojeg je dopušteno da se posmatrana veličina kreće unutar granica X  3 0 .
Vjerovatnoća da će se posmatrana karakteristika kvaliteta naći unutar zadatih granica x1;x2:

 x2  x   x1  x 
P x1xx2   t2   t1      
 
29
gdje su:
t1 i t2 – standardizovani parametri normalnog zakona raspodjele (tabela 1).

Px1 x2 P tx x tx  t  t tt2t

Ako su x1 i x2 simetrični u odnosu na x tada je t1=t2 pa je tada:

Procenat mogućeg škarta: q  1  2  t    100%

PRIMJER 5.

U jednom dovoljno velikom uzorku izradaka, nakon mjerenja posmatrane dimenzije i

izračunavanja, ustanovljena je x  30mm i    0  0,25mm . Utvrđeno je također, da se
vrijednosti date dimenzije pokoravaju zakonu normalne raspodjele. Kolika je vjerovatnoća
da će vrijednost dimenzije pasti u interval (x1=30,1; x2=30,5) ?

RJEŠENJE

P30,1x30,5  t2  t1  2  0,4  0,47 2 0,15 5 0,3217

x1  x 30,1  30
t1    0,4 ; iz tabele 1.   0.4   0,1555
 0,25
x  x 30,5  30
t2  2  2 ; iz tabele 1.   2   0, 4772
 0,25

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

Tačno obrađeni dijelovi su dijelovi koji se nalaze u intervalu (x1 , x2):

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) :

P 4,1 96 x 5,1 04  2t  22,5  0,98758 (tabela 1.)

x 2  x 15,04  15
t   2,5
 0,016

Tada će procenat vjerovatnog škarta (ustvari ono što se i traži zadatkom) biti:

q  1  2 t    100%  1  0,98758  100%  1,24%

ZADACI ZA VJEŽBU

1. Za jedan empirijski raspored utvrđena je aritmetička sredina x  40mm i standardna

devijacija    0  0,17mm . Odrediti granice intervala, simetrično raspoređenog oko
aritmetičke sredine, u kojem se nalaze 96% vrijednosti datog rasporeda.
0,08
0,04
48
2. Jedan mašinski dio na kome se nalazi tolerisana dimenzija obrađuje se na

automatu. Motodom uzoraka ustanovljeno je da se ova dimenzija obrađenih komada

na automatu pokorava zakonu normalnog rasporeda N( x  48mm;   0,02mm ).
Odrediti:
a) granice intervala simetrično raspoređenog oko aritmetičke sredine u kojem se
nalazi 96,6% vrijednosti datog rasporeda;
b) procentualni broj dijelova, koji će pasti izvan tolerancijskog polja;
c) granice novog simetrično raspoređenog tolerancijskog polja u kojem će biti
sadržano 99,9% obrađenih dijelova s obzirom na karakteristiku kvaliteta
 48mm .

31
3. METOD PLANOVA PRIJEMA

Metode planova prijema su u izvijesnim proizvodnim stanjima i tehnologijama kontrole

efikasniji od metoda analize frekvencija karakteristike kvaliteta. U osnovi ovih metoda
sadržani su specifični planovi, koji predstavljaju određeni sistem uzoraka, pomoću kojih se
testira hipoteza o nivou kvaliteta cjelokupne serije dijelova, a zatim se prihvata ili odbija
serija već prema tome da li ili ne posjeduje propisani nivo kvaliteta. Pri tome je nivo
kvaliteta neke serije dijelova određen procentom p defektnih (neispravnih) dijelova u toj
seriji. Ako je vrijednost parametra p manja bit će nivo kvaliteta viši, i obratno. Planovi
prijema se koriste u početku proizvodnog procesa, u toku odvijanja i na kraju procesa. Prema
vrsti karakteristike kvaliteta dijele se na:
1. Planove prijema za numeričke karakteristike kvaliteta i
2. Planove prijema za atributivne karakteristike kvaliteta.
Drugi kriterij podjele čine: veličina serije, veličina uzorka, visina troškova kontrole, itd.
Prema ovom kriteriji planovi prijema se dijele na :
1. Jednostruke planove prijema,
2. Dvostruke planove prijema,
3. Višestruke planove prijema i
4. Sekvencijalne planove prijema.

3.1. Planovi prijema za atributivne karakteristike kvaliteta – jednostruki

planovi prijema

Osnovna karakteristika jednostrukog plana prijema sastoji se u tome da se hipoteza o nivou

kvaliteta neke serije dijelova testira, odnosno donosi odluka o prihvatanju, odnosno
odbijanju serije, na osnovu svega jednog uzorka izvučenog iz serije dijelova. Uzorak,
naravno, mora biti veći u odnosu na druge planove. Struktura jednostrukog plana prijema
prikazana je na sljedećoj slici.

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.

3.1.1. Matematičke osnove jednostrukih planova prijema

Na osnovu elemenata plana n i c može se odrediti vjerovatnoća prihvatanja  p  L  L p 

neke serije dijelova, kvaliteta p. Grafički reprezent vjerovatnoće L(p; n; c) naziva se
operativna kriva.
Osobine vjerovatnoće L(p):
1. L(p) = L(0) = 1
2. L(p) = L(1) = 0
3. p  L(p)
4. p  L(p)

Funkcija L= L(p) data je na sljedećoj slici, gdje je:

A- nivo rizika proizvođača

B- nivo rizika kupca

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 nk
- 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

kojima se uspostavlja međusobna zavisnost između datih veličina p , p  ,  ,  i elemenata

jednostrukog plana prijema (n, c). Dovoljno su dakle dvije vrijednosti funkcije L(p ; n; c), tj.
1- i  da bi se odredili nepoznati elementi plana n i c.

3.1.2. Prosječni izlazni nivo kvaliteta

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

1. Operativna kriva jednostrukog plana prijema (n=300 ; c=5) određena je izrazom:

L  p , n, c   
5
 300  p  300 p
k
e
k 0 k!
Za pojedine (proizvoljne) nivoe kvaliteta p uzete su vrijednosti funkcije L(p,n;c) iz tabele 7. i
prezentirane u donjoj tabeli radi crtanja grafičkog prikaza.

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:

L(p;n,c) = L(0,025; 300; 5)= 0,24

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 

Rezultati i grafički prikaz dati su u donjoj tabeli, odnosno na donjem grafiku.

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.

5. Pošto u 76 serija dijelova nema

defektnih dijelova (poslije 100% kontrole
zamjenjeni su defektni ispravnim
dijelovima), to će u K=24 serije, koje su prihvaćene sistemom uzorka, biti ukupno defektnih
dijelova:
Nd = K· p · (N – n) = 24· 0,025 · (10 000 – 300) = 5 820 kom

(N – n) - predstavlja broj nepregledanih dijelova u 24 serije.

p L(p,300,5) pL(p,300,5) Ppik
0,005 0,996 0,0050 0,0048
0,010 0,916 0,0092 0,0089
0,015 0,703 0,0105 0,0102 PRIMJER 8.
0,020 0,446 0,0089 0,0086
0,025 0,240 0,0060 0,0058
Potrebno je isporučiti seriju koja ne smije imati
0,030 0,116 0,0035 0,0034
više od 2% škarta. Broj dijelova u seriji je
0,040 0,020 0,0008 0,0008
N=1000 komada. U tu svrhu uporediti
0,050 0,001 0,0001 0,0001 operativne krive n=30, c=2; n=50, c=2; n=50,
c=1. Ocijeniti koja je operativna kriva najpogodnija sa stanovišta isporučioca.

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.

p np L1(p,30,2) np L2(p,50,2) np L3(p,50,1)

0,01 0,3 0,996 0,5 0,986 0,5 0,910
0,02 0,6 0,977 1,0 0,920 1,0 0,736
0,03 0,9 0,940 1,5 0,808 1,5 0,558
0,04 1,2 0,879 2,0 0,667 2,0 0,406
0,06 1,8 0,731 3,0 0,423 3,0 0,199

39
ZAKLJUČAK: Operativna kriva koja je najpogodnija sa stanovišta isporučioca je kriva L 1(p,30,2)
jer je njen rizik odbijanja 1 najmanji.

3.2. Dvostruki plan prijema

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.

3.3. Sekvencijalni planovi prijema

Jednačine sekvencijalnih planova prijema baziraju se na modelu binomne raspodjele

frekvencija pošto su serije dijelova često veoma velike u odnosu na veličinu uzorka, tako da
je praktično konstantna vjerovatnoća događaja ( a to je uslov za primjenu binomne
raspodjele).
Imamo:
1. Sekvencijalne jednoelementne planove prijema;
2. Sekvencijalne višelementne planove prijema.
Mi ćemo se zadržati na jednoelementnim planovima.
Kod jednoelementnih sekvencijalnih planova prijema izvlače se (jedan za drugim) pojedini
dijelovi iz serije, pri čemu se poslije svakog izvučenog dijela i odgovarajuće analize donosi
odluka o prekidu daljeg ispitivanja ili o nastavljanju procesa kontrole (izvlačenja narednog
dijela iz serije). To znači da se na osnovu informacija iz prethodno izvučenog dijela (i onih
prije ovog) odlučuje o prirodi daljeg procesa kontrole (nastavak – odlaganje odluke o
prihvatanju serije ili prekid – definitivno prihvatanje ili odbijanje dotične serije
dijelova).Odavde sijedi da se na kraju svake ove faze mogu pojaviti tri moguće odluke, od
kojih se prihvata samo jedna. Ovim odlukama odgovaraju tri karakteristične oblasti
sekvencijalnog jednoelementnog plana prijema (date na sljedećoj slici), dobijene
konstrukcijom linije odbijanja i linije prijema u koordinatnom sistemu Onkn.

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.

3.3.1 Matematičke osnove

Postoje dvije alternativne hipoteze:

H1 : p = p1 (stvarni nivo kvaliteta odgovara prihvatljivom nivou kvaliteta)

H2 : p = p2 (stvarni nivo kvaliteta odgovara odbijajućem nivou kvaliteta)

od kojih se prihvata samo jedna.

n- broj sukcesivno izvučenih dijelova i ispitanih iz serije (nije unaprijed utvrđen već je to
promjenjiva veličina plana)
Plan se zasniva na kriterijumu odnosa vjerovatnoća p1,n i p2,n , tj. p2,n / p1,n , odakle proizilazi i
metodologija plana:
Nakon izvlačenja i ispitivanja svakog dijela iz serije izračunava se vrijednost,
odnosno vjerovatnoća p2,n / p1,n . Ova vrijednost obuhvata, pored rezultata ispitivanja
posljednjeg izvučenog dijela, i rezultate svih dijelova izvučenih prije posljednjeg dijela. Da
bi se na osnovu izračunatog odnosa mogao izvršiti završni dio plana, potrebno je da se
prethodno utvrde ili da budu date veličine  (rizik prve vrste) i  (rizik druge vrste). Sada su
poznati svi elementi i metodologija plana.
U posmatranom trenutku kontrolnog procesa moguća su tri slučaja:

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 

Binomni zakon raspodjele:

42
  n  k n n k n  n  k n n k n
p1,n p q11   11pp 1 (vjerovatnoća da će biti prihvaćena serija)

kn kn
 n  k n n  kn  n  k n n  kn
p2,n p q22   21pp 2 (vjerovatnoća da će biti odbijena serija)

kn kn
p1 – prihvatljivi nivo kvaliteta
p2 – odbijajući nivo kvaliteta
kn – broj defektnih dijelova
(n- kn) – broj ispravnih dijelova
kn nkn
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  

i nakon logaritmovanja i sređivanja dobija se konačna jednačina linije prijema:

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:

1. PRIHVATI SERIJA AKO JE kn  An ;

2. ODBIJE SERIJA AKO JE kn  Rn ;
3. NASTAVI ISPITIVANJE AKO JE An  kn  Rn.
Dati elementi plana (p1, p2, , ) definišu respektivnu operativnu funkciju (operativnu krivu)
čija je jednačina:
x
1  
x
 1  p2 
  1 1   
    1  p1 
L x   x x ; p x   x x
1       p2   1  p2 
        
   1    p1   1  p1 
Napomena: Za negativne vrijednosti parametra x proračun L(x) i p(x) se pojednostavljuje
upotrebom sljedećih relacija:
x
  
x
p 
L  x      L x  ; p  x    2   p x 
1    p1 

Matematička veza L=L(p) uspostavljena je indirektno preko pomoćnog parametra x.

Variranjem x u intervalu - do + dobija se operativna kriva L=L(p), odnosno njenih 5
karakterističnih tačaka (tabela 1), dovoljnih za kontrukciju operativne krive.

x p(x) L(x) p E(n)=n

1 + 0 1 Tabela1. 1 0 h1 / b Tabela
2 +1 p1 1- 2. 2 p1 h1 1     h2
3 0 b h2/(h1+ h2) b  p1
4 -1 p2  Prosječni broj
dijelova n 3 b h1 h2 / b1  b  
5 - 1 0
sekvencijalnog uzorka , može se približno izraziti 4 p2 h1 1     h2 
relacijom: p2  b
5 1 h2 / 1  b 
1  L p   log 1    L p  log

E  n  n   1
p2 1  p2
p log  1  p  log
p1 1  p1
U tabeli 2. dato je 5 karakterističnih tačaka za crtanje grafika prosječnog broja dijelova.
Maksimalna vrijednost postiže se u apscisi p=b pri čemu je uvijek p 1 b p2 , pa se ova
vrijednost izračunava na sljedeći način:

44
 h1 h2
max E  n   max n 
b 1  b 
PRIMJER 9.

Za date vrijednosti p1=0,3; p2=0,4; =0,2; =0,1 treba da se :

1. Razvije sekvencijalni jednoelementni plan prijema;
2. Definiše operativna funkcija i konstruiše respektivna operativna kriva plana;
3. Odredi kriva funkcije prosječnog broja dijelova sekvencijalnog uzorka.

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

LINIJA PRIJEMA: An   h1  b  n  4,709  0,349  n

LINIJA ODBIJANJA: Rn  h2  b  n  3,406  0,349  n

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 - - - - -

Objašnjenje: Računske brojeve An i Rn izračunali smo koristeći dobivene jednačine za liniju

prijema i liniju odbijanja. Na osnovu njih određujemo prihvatljivi broj A n i odbijajući broj Rn.
Prihvatljivi broj An dobije se zaokruživanjem računskih vrijednosti na manji cio broj i to

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
b1  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

Grafički prikaz funkcije prosječnog broja dijelova sekvencijalnog uzorka (koristeći

izračunate vrijednosti 5 karakterističnih tačaka) dat je na sljedećoj slici.

Na gotovom grafiku možemo tačno odrediti za određenu veličinu sekvencijalnog uzorka,

koliko je maksimalno dozvoljeno defektnih komada da bi se serija primila, a koliko
minimalno da bi se serija odbila. Primjera radi, za veličinu uzorka od 30 komada dozvoljeno
je maksimalno 15%, odnosno 5 defektnih komada da se serija primi, minimalno 45%,
odnosno 14 defektnih komada da bi se serija odbila i naravno sve što se dobije između 5 i 14
defektnih komada nastavlja se ispitivanje, odnosno odluka o odbijanju i primanju serije se
odlaže radi daljeg ispitivanja.
3.4. Planovi prijema za numeričke karakteristike kvaliteta

Karakteristike ovih planova, u odnosu na prethodne planove su sljedeće:

1. Veći obim informacija ( x ,  , R, itd .)

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).

3.4.1. Plan prijema sa donjom granicom tolerancije i poznatom varijansom

serije za 1. kriterij ( x L , n )

Strukturu plana prijema čine dva elementa:

Prosjek prihvatanja x L i broj dijelova u uzorku n. Kriterijum prihvatanja zasniva se na
statističkoj mjeri uzorka x . Prvi element x L definiše donju granicu oblasti prihvatanja
serije dijelova čiji se nivo kvaliteta izražava numeričkom karakteristikom kvaliteta x .
Ako je x  x L serija se prihvata, a u obrnutom slučaju se odbija.
Elementi plana prijema, odnosno oblast prihvatanja serije dijelova, računa se na sljedeći
način:
K  X 1  K X 2
x  xL 
K  K 

2
 K  K  
n   2
0

 X1  X 2 

pri čemu se vrijednosti K  i K  dobijaju iz tablica Laplasove funkcije (tabela 1) za date

rizike 1. i 2. vrste, odnosno za vjerovatnoće 0,5- i 0,5-, dok je o poznata. Vjerovatnoća
prihvatanja serije zavisi od nivoa kvaliteta dotične serije, koji se u ovom slučaju iskazuje
preko vrijednosti statističke mjere serije x . Vrijednost ove vjerovatnoće definiše operativna
kriva ili operativna karakteristika, čija je jednačina:

 x  xL 
Pa  P x  x L , x    f  x  dx  0,5   
 / n 
xL  o 

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

Na osnovu poznatih vjerovatnoća 0,5- =0,46 i 0,5-=0,42, određuje se iz tablice 1. K=1,75

i K=1,405. (Napomena u tabeli 1. oznaka t odgovara vrijednostima K i K).

Donja granica oblasti prihvatanja:

K  X 1  K X 2 1,405  300  1,75  290
xL    294,45kN / cm 2
K  K  1,405  1,75

Broj dijelova u uzorku:

2
 K  K 
2
 1,75  1,405 
n   
2
0
  14,5 2    20,9  21
 X1  X 2   300  290 

Na osnovu dobivenih vrijednosti elementa plana prijema slijedi zaključak:

Serija se prihvata ako je aritmetička sredina uzorka od 21 komad veća od dobivene
vrijednosti x L =294,45 kN/cm2 , odnosno ako je x  x L .
Za konstrukciju operativne krive formirat ćemo tabelu.

VJEROVATNOĆA
PRIHVATANJA
x Pa
(kN/cm2) x- x  xL 

xL o / n
Pa   f (t )dt
xL

290= X 2 -4,45 -1,405 0,080 =

292 -2,45 -0,784 0,217
294,45= x L 0 0 0,500
298 3,55 1,120 0,869
300= X 1 5,55 1,750 0,960 =1-

Napomena : Način na koji se izračunava vjerovatnoća prihvatanja, data u gornjoj tabeli,

pokazan je kroz sljedeći primjer za x =290 kN/cm2

 x  xL 
Pa  P  x  x L , x    f  x  dx  0,5    

xL  o / n
 290  294,45 
 0,5     0,5     1,405  0,5  0,4195  0,080

 14,5 / 21 

(-1,405) = -(1,405) = -0,4195 (iz tabele 1)

49
3.4.2. Plan prijema sa donjom i gornjom granicom tolerancije i poznatom
varijansom serije za drugi kriterij

Kada je poznat tip modela distribucije frekvencija odnosne numeričke karakteristike

kvaliteta x serije, a također i vrijednosti statističkih mjera ili parametara ( X ,  o ) ovog
modela, tada za date granice tolerancije (naprimjer za donju granicu L) postoji jednoznačna
zavisnost između procenta defektnih dijelova p serije i statističkih mjera ( X ,  o ). Ova se
zavisnost, u slučaju modela normalnog rasporeda, lako uspostavlja preko poznate jednačine
(p1=p , X 1  X ).
Procenat defektnih dijelova p računa se na sljedeći način:
Lx  x L
p  P    x  L   0,5     0,5    (ako je poznata donja granica L)
 o   o 
U  x 
p  PU  x     0,5    (ako je poznata gornja granica U)
 o 

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 

Za specifiranu gornju granicu tolerancije U, plan prijema serije će glasiti:

2
K  K p2  K  K p1  K  K  
x  xU  U   o ; n 
K  K   Kp  Kp 
 1 2 
gdje je:

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

0,5 -  ; 0,5 – p1; 0,5 -  i 0,5 – p2

Operativna kriva za plan prijema (za specifiranu donju granicu L) određena je:

 x  xL 
Pa  P x  x L , x    f  x  dx  0,5    

xL  o/ n
odnosno za specifiranu gornju granicu U:
xU
 xU  x 
Pa  P  x  xU , x    f  x  dx  0,5    

  o/ n

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
T120 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

Na osnovu definisanih uslova imamo:

 = 5% = 0,05; p1=1/100 = 0,01
iz tablice 1. za odgovarajuće vjerovatnoće
0,5- ; 0,5- p1 ; 0,5- ; 0,5- p2 
K =1,65 ; Kp1=2,33; K=1,28 ; Kp2 = 1,34
 = 10% = 0,10 ; p2 = 9/100 = 0,09
Granice prihvatanja serije (plan prijema):
K K p  K  K p 1,65  1,34  1,28  2,33
x  xL  L   o 2
 120  3,38
1
 126 min
K  K  1,65  1,28

2
 K  K   2

n    1,65  1,28   9

 Kp  Kp   2,33  1,34 
 1 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.

(min) VJEROVATNOĆA PRIHVATANJA PROCENAT DEFEKTNIH KOMADA U SERIJI

x  xL 
xL
x x  xL Pa   f  t  dt xL p
0 / n t o
120 -6,00 -5,30 0,00 0,00 0,00 0,50
122 -4,00 -3,55 0,00019 2,00 0,59 0,27760
124 -2,00 -1,78 0,03754 4,00 1,19 0,11702
126 0,00 0,00 0,50 6,00 1,78 0,03754
128 2,00 1,78 0,96246 8,00 2,37 0,00889
130 4,00 3,55 0,99981 10,00 2,96 0,00154

4. METOD KORELACIONE I REGRESIONE ANALIZE

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

Vrši se istovremeno mjerenje dvije karakteristike objekta kontrole, tj. dvodimenzionalni

slučajni vektor (x,y) i dobija se empirijski skup od n parova vrijednosti (x1, y1), (x2, y2), ...(xn,
yn) koji predstavljaju realizaciju vektora (x,y).
Postoje tri osnovna tipa odnosa karakteristika x i y nekog objekta kontrole kvaliteta:

1. funkcionalna (jednoznačna,
deterministička) zavisnost

2. stohastička zavisnost
(slabija i jača, pozitivna i negativna)

3. ne postoji nikakva zavisnost

53
4.2. Izračunavanje statističkih parametara

1. Aritmetička sredina karakteristika x i y

1 n 1 n 1 k 1 l
x   xi ; y   y i ; odnosno: x   f i xi ; y  fj yj
n i 1 n i 1 n i 1 n j 1

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

3. Kovarijacije slučajnih tačaka Ni (xi , yi), i=1, ...n

1 n 1 n 
C xy    xi  x  y i  y     xi y i  nx  y 
n i 1 n  i 1 
ili
1 k  l 
C xy    xi   f ij  y j   x  y
n i 1  j 1 

fij – frekvencija pojedinih parova vrijednosti (xi , yj)

4.3. Određivanje koeficijenta korelacije

Koeficijent korelacije veličina x i y :

C xy
rxy 
 x y
Ako je:
1. rxy =  1  postoji deterministička (jednoznačna) linearna zavisnost između veličina x i
y izražena jednačinom y  ao  a1 x
2. rxy = 0  ne postoji linearna korelaciona veza, ali može postojati krivolinijska zavisnost
između x i y
3. rxy se približava  1  postoji sve jača međusobna linearna veza između x i y, i obrnuto
kada se rxy se približava nuli (0)  sve više slabi linearna veza između x i y.

Ispitivanje predznaka korelacije

Ako je:
1. rxy  0, odnosno Cxy  0 i pri tome rxy signifikantan, tada je riječ o pozitivnoj korelaciji
veličina x i y;
2. rxy0, odnosno Cxy0 i rxy signifikantan, tada je riječ o negativnoj korelaciji veličina x i y

Gradacije koeficijenta rxy

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

4.4. Testiranje signifikantnosti koeficijenta korelacije

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 :
n2
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.

4.5. Izračunavanje korelacionog odnosa

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.

4.6. Određivanje krive regresije

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

4.7. Određivanje intervala povjerenja

Unutar intervala povjerenja (IPy) sa određenom statističkom pouzdanošću (vjerovatnoćom)

Pgs, sadržane su sve vrijednosti analizirane karakteristike objekta kontrole. Osnovni pojam u
ovoj analizi jeste disperzija S 32 koja predstavlja ocjenu disperzije  32 rasporeda osnovnog
skupa u odnosu na respektivne regresione vrijednosti ŷ i .
S32 
n
n 1

 y2 1  rxy2 

Ako se odstupanja veličina y i od ŷ i pokoravaju zakonu normalnog rasporeda, tada se

statističke granice tolerancije veličina y nalaze na rastojanju (mjereno u pravcu ordinate):
y  t   3 , od regresione linije ŷ .
Prametar t određuje se u zavisnosti od željene statističke pouzdanosti Pgs.
Disperzija  32 , kojom se ocjenjuje disperzija rasporeda osnovnog skupa slučajnih veličina
y i u odnosu na respektivne vrijednosti ŷ i definiše se jednačinom:
 3    S 3 , gdje je:
 - parametar koji se računa:
z
  1 , gdje je:
2n
n – obim uzorka
z - koeficijent koji zavisi od  , odnosno vjerovatnoće Pgs i određuje se iz tablice 1.
(oznaka u tabeli t)

Na osnovu ovoga mogu se napisati jednačine granica intervala povjerenja IPy :

DG y  yˆ  y  yˆ  t 3  yˆ  t    S 3
GG y  yˆ  y  yˆ  t 3  yˆ  t    S 3

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 n2 n
 n 
n   x    xi 
2
i
i 1  i 1 

56
 tpS n2  x  x
2
 yˆ  1 2
DG yˆ  yˆ  yˆ n2 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.

Za izvjesni izmjereni skup parova, vrijednosti karakteristika x i y prikazane su u donjoj

tabeli. Odrediti koeficijent korelacije i korelacioni odnos i napisati, u slučaju pozitivnog
rezulatata testiranja korelacije između x i y, jednačinu regresije koja povezuje ove dvije
karakteristike.

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

Sada idemo primijeniti analizu redom po tačkama:

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

2. Testiranje signifikantnosti koeficijenta korelacije

Računska vrijednost parametra tr :

n2 15  2
t r  rxy   0,875   6,52
1  rxy2 1  0,875 2
Tablična vrijednost: tabela br.3 (Studentov raspored) za  =5%, odnosno Pgs = 95% i broj
stepeni slobode k=n-2 = 13 dobije se da je tt = 2,16.
Tako imamo da je tr  tt što nas navodi na ZAKLJUČAK:
rxy je signifikantan, tj. između odnosnih karakteristika postoji određena linearna
korelacija.

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  23 24  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

4. Jednačina linearne regresije

yˆ  a 0  a1 x
gdje su koeficijenti:
a 0  y  a1 x  3,07  0,89  2,3  1,26

58
 y 1,22
a1  rxy  0,875  0,89
x 1,2

Jednačina tada glasi:

yˆ  1,26  0,89  x

PRIMJER 13

Mjerenjem izvjesnih međusobno povezanih karakteristika na nekom objektu (proizvodu)

dobijeni su rezultati i prikazani u donjoj tabeli. Odrediti jednačinu linearne regresije i
interval povjerenja (statističke granice tolerancije) u tački x=5,4 regresione prave ako je
Pgs=95%.
Redni broj
x y
mjerenja
1 3,4 4,5
2 4,3 5,8
3 5,4 6,8
4 6,7 8,1
5 8,7 10,5
6 10,6 12,7
 39,1 48,4

RJEŠENJE

1. Jednačina linearne regresije:

yˆ  a 0  a1 x
y
gdje su koeficijenti: a 0  y  a1 x ; a1  rxy
x
Prvo moramo izračunati nepoznate veličine:
1 n 39,1
x   xi   6,52
n i 1 6
1 n 48,4
y   yi   8,07
n i 1 6

 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

2. Interval povjerenja IPyˆ  DG yˆ ; GG yˆ 

t pS n2  x  x
2
 yˆ  1 2
GG yˆ  yˆ  yˆ n2 n
 n 
n   x    xi 
2
i
i 1  i 1 

tpS n2  x  x
2
 yˆ  1 2
DG yˆ  yˆ  yˆ n2 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

gdje su vrijednosti ŷ i xi2 izračunate za date vrijednosti xi i date u tabeli:

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

tp se dobije iz tabele 3. za Pgs =95% i k=n-2=6-2 = 4. Tako imamo tp =2,78

Interval povjerenja zatim glasi:

60
 tpS n2  x  x
2
yˆ  1 2

n2 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
62 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

36 5,4  6,52

2
DG yˆ  0,8  1,1  5,4  0,17 1   6,55
224,09

Odnosno:
6,55  yˆ  6,92 za tačku x = 5,4

5. METOD STATISTIČKIH OCJENA

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.

5.1. Ocjena tačnosti aritmetičke sredine osnovnog skupa

Tačnost, odnosno granice tačnosti veličine X  x   , procjenjene jednačinom E  x   X  x ,

pri čemu x predstavlja ocjenu nepoznate vrijednosti aritmetičke sredine X osnovnog
skupa, definisane su intervalom povjerenja:

IP[g1;g2]

uz statističku pouzdanost (vjerovatnoću):

61
 P  2t , n  30
 gs

P  g1  X  g 2    (1)


Pgs  2Stp,k ,n30
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
Px tp Xx 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 2t
n n
o S
Veličina   t , odnosno   t p predstavljaju tačnost vrijednosti aritmetičke
n n
sredine osnovnog skupa.

PRIMJER 14.

Pomoću metoda statističke kontrole kvaliteta utvrđeno je da se izvjesna dimenzija izradaka,

nakon obrade na jednoj mašini alatki, raspoređuje po zakonu normalnog rasporeda sa
 0  0,08mm . Iz proizvodne serije izvučen je na slučajan način uzorak od 35 primjeraka i
nađena, nakon mjerenja posmatrane dimenzije, aritmetička sredina uzoraka x  52,05mm .
Potrebno je da se ocijeni kooredinata centra grupisanja mjera proizvodne serije, odnosno
aritmetička sredina osnovnog skupa sa rizikom   0,005 .

RJEŠENJE

g1  X  g 2
0 
x t  X x  t 0 ; t=?
n n

P g1  X  g 2   2 t   1    1  0,005  0,995

Za P= 0,995 = 99,5% , iz tabele 1. (uz izvršenu interpolaciju) imamo t = 2,807

Tada je aritmetička sredina osnovnog skupa:

0,08 0,08
52,05  2,807  X  52,05  2,807
35 35
Odnosno:
52,038  X  52,088

5.2. Ocjena tačnosti standardne devijacije osnovnog skupa

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   oSPL  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

SP   oSPL  qL S,k = 0,978

 0,3S
  0,3S ; qS    0,3 ; k=n-1
S S

Iz tablice 4. za q S  0,3 i L q S , k   0,978 dobijemo k= 40 = n-1 iz čega slijedi:

n = k+1 = 41

5.3. Ocjena tačnosti standardne devijacije osnovnog skupa na osnovu

raspona malih uzoraka

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 

odnosno standardna devijacija:

 R  b
 R  D   o
d2  d2  k

Veličine d2, a, b date su u tabeli VI (metodi II) u zavisnosti od veličine uzorka n.

Pod uslovom da je broj uzoraka k dovoljno velik, ocjena R d 2 će se približno raspoređivati
 b o 
po zakonu normalnog rasporeda N   o ,  .
 k 
Ako k nije dovoljno veliko onda obim uzorka mora biti n= 5-10. Možemo pisati:

 bo R bo
Po t  o t 2t
 k d2 k 
pri čemu je interval povjerenja:

 bR  b
o1t  o1t 
 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

Odrediti na osnovu uzoraka, standardna devijacija  0 osnovnog skupa i granice intervala

povjerenja u kojem se sa pouzdanošću od 0,98 nalazi izračunata vrijednost parametra  0 .

RJEŠENJE

1 20 1
R  Ri   5  15  ...  22  15m  0,015mm
k i 1 20

za n=5 iz tablice VI (metodi II) imamo d2= 2,326 ; b = 0,371

Ocjena standardne devijacije osnovnog skupa preko R (približna jednačina):

R 0,015
0    0,0065mm
d2 2,326
Za k=20 i 2  t   0,98 iz tabele 1. dobije se t = 2,33, tako da sada možemo izraziti interval
povjerenja standardne devijacije osnovnog skupa  0 :

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

5.4. Ocjena proporcije osnovnog dvoslojnog skupa

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:

P= M/N ; Q= (N-M)/N = 1-P

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=m/n ; q= (n-m)/n = 1-p

gdje je:
n – broj elemenata u uzorku
m – broj elemenata u uzorku sa nađenom osobinom
(n-m) – broj elemenata u uzorku bez te osobine
Standardna devijacija proporcije P osnovnog skupa je :

P Q
p 
N
i ona se procjenjuje sa:
pq
Sp 
n

 tPP  p  tP  2t
Prema definiciji vjerovatnoća će biti:

V p p

 tpP  P  tp  2t
ili rješavanjem dvoslojne jednačine intervala po P, bit će:

V p p
Tako interval povjerenja je:

p tSp P p tSp

67
odnosno:

P  p  tS p

PRIMJER 17.

Kontrolom je utvrđeno da u uzorku od 160 obrađenih komada na jednoj mašini, koji je

izvučen iz velike proizvodne serije, njih 8 ne zadovoljava propisanu specifikaciju. Treba na
osnovu uzorka ocjeniti proporciju loših komada u proizvodnoj seriji uz vjerovatnoću
2  t   0,95 .

RJEŠENJE

n= 160 ; m = 8; n-m= 152

p=m / n = 8 / 160 = 0,05 ; q = 1-p = 0,95

pq 0,05  0,95

Sp    0,0173
n 160

Iz tabele 1. za 2  t   0,95 dobije se t= 1,96, tako imamo.

p tSp P p tSp

0,05  1,96  0,0173  P  0,05  1,96  0,0173
0,016  P  0,084
1,6% P 8,4%

tj. proizvodna serija sadrži između 1,6 % i 8,4 % loše obrađenih komada uz vjerovatnoću od
95 %.

6. METOD STATISTIČKOG TESTIRANJA HIPOTEZA

6.1. Provjera hipoteze o jednakosti aritmetičkih sredina dva osnovna skupa

na osnovu njihovih uzoraka

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

U tablici IX (Metodi II) navedene su vjerovatnoće P  t  t1  slučajnih veličina t čija brojna

vrijednost nije manja od posmatrane vrijednosti. Ukoliko je vjerovatnoća P  t  t1 
dovoljno velika (jednaka ili veća od nivoa značajnosti   0,05 ), tada je vrijednost t1
slučajna (a time i razlika aritmetičkih sredina uzoraka), pa je hipoteza da su jednake
aritmetičke sredine osnovnih skupova – istinita. U obrnutom slučaju razlika je signifikantna,
pa se hipoteza odbacuje kao netačna.
Izloženi postupak ispitivanja istinitosti hipoteze može se koristiti kako za velike (n30) tako
i za male (n30) uzorke. Jedini uslov koji mora biti ispunjen pre primjene ovog testa jeste da
razlike varijansi uzoraka ne smiju biti signifikantne.
Ako uzorci nisu izvučeni iz osnovnih skupova sa normalnim rasporedom ili iz skupova čiji
zakon rasporeda nije poznat, tada se ispitivanje hipoteze o jednakosti artimetičkih sredina
osnovnih skupova (ili ispitivanje hipoteze o pripadnosti uzoraka istom osnovnom skupu) vrši
približno na taj način što se veličina t1 izračuna i poredi na sljedeći način:
- Ako je t1 3 razlika između aritmetičkih sredina uzoraka je slučajna;
- Ako je t1 3 razlika je signifikantna pa se odbacuje hipoteza kao netačna.

PRIMJER 18.

Nakon izvlačenja po jednog uzorka iz dva osnovna skupa sa normalnim rasporedom

izračunate su sljedeće veličine:
Prvi uzorak: n1  8; x1  25,02; s12  0,06
Drugi uzorak: n2  14; x 2  24,84; s 22  0,10
Ispitati istinitost hipoteze kojom se tvrdi da su aritmetičke sredine osnovnih skupova
jednake.

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

Za broj stepeni slobode k= n1+n2-2 = 8+14-2 = 20 i t 1 = 1,4 iz tablice IX dobije se

vjerovatnoća P= 0,18 koja je veća od nivoa značajnosti  = 0,05 što nas navodi na zaključak
da je razlika između aritmetičkih sredina uzoraka slučajna. Prema tome prihvata se hipoteza
o jednakosti aritmetičkih sredina osnovnih skupova.

PRIMJER 19.

Na revolverskom strugu obrađuju se dijelovi i u raznim vremenima izvučena su dva uzorka

sa n1= 6 i n2= 7 dijelova. Poslije mjerenja prečnika 16 mm dobijeni rezultati su dati u
tabeli. Pošto su uzorci uzeti poslije obrade na istoj mašini, može se pretpostaviti da je s12  s 22
. Isto tako se pretpostavlja da se varijacija mjere 16 0,12 mm pokorava zakonu normalnog
rasporeda. Potrebno je provjeriti hipotezu da se regulisani položaj alata i drugih radnih
organa mašine nije izmijenio u trenutku uzimanja uzoraka.

Red. Br. Prvi Drugi

uzorak uzorak
1 16,08 16,12
2 16,06 16,07
3 16,07 16,09
4 16,11 16,09
5 16,07 16,06
6 16,03 16,11
7 - 16,09

RJEŠENJE

Aritmetičke sredine uzoraka:

1
x1  16,8  16,06  ...  16,03  16,07mm
6
1
x 2  16,12  16,07  ...  16,09  16,09mm
7

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 67

Za broj stepeni slobode k = n1+n2-2 = 6+7-2 = 11 iz tablice IX i za t 1=1,67 slijedi

vjerovatnoća da će se dobiti t veće od izračunatog i iznosi 0,13 tj.:

P t  t1   0,13  0,05

Vidi se da je vjerovatnoća veća od nivoa značajnosti 0,05 odakle proizilazi zaključak:

Nastala razlika između aritmetičkih sredina uzoraka slučajna je pa je i hipoteza o
neizmjenjenom regulisanom položaju alata u trenutcima uzimanja uzoraka istinita, odnosno
prihvata se.

6.2. Provjera hipoteze o jednakosti varijansi dva osnovna skupa na osnovu

njihovih uzoraka

Iz dva osnovna skupa sa normalnim rasporedima izvučen je po jedan uzorak, prvi sa n 1, a

drugi sa n2 elemenata. Varijanse osnovnih skupova nisu poznate. Neka su na bazi podataka
uzoraka izračunate dvije procjene s1 i s2 nepoznatih standardnih devijacija  01 i  02
osnovnih skupova. Varijanse s12 i s 22 najčešće se manje ili više međusobno razlikuju po
svojim numeričkim vrijednostima.
Neka je postavljena hipoteza da su međusobno jednake nepoznate varijanse  01 i  02
2 2

osnovnih skupova iz kojih su izvučeni uzorci. Treba ispitati istinitost hipoteze.

Ako je hipoteza istinita, tada to pokazuje stabilnost varijacije karakteristike kvaliteta,
neizmjenjenu prirodnu toleranciju procesa obrade u datim tehnološkim uslovima. Statistički
gledano, to pokazuje da uzorci pripadaju dvoma osnovnim skupovima sa istim oblikom
rasporeda. Ako se pokaže da je još i X 1  X 2 , tada oba uzorka pripadaju istom osnovnom
skupu.
Ispitivanje istinitosti hipoteze izvodi se pomoću F – rasporeda, gdje je veličina F definisana
odnosom:
s2
Fr  12 (u brojniku se uvijek postavlja varijansa veće numeričke vrijednosti)
s2
gdje su procjene nepoznatih varijansi osnovnih skupova:
n
s12   12 1 
1 n1 `

n1  1 n1  1 i 1
xi  x1
2
 
s 22   22
n2

1 n2 ``

 xi  x 2
n2  1 n2  1 i 1
 2

U tablicama X i XI (Metodi II) se nalaze vrijednosti Ft za vjerovatnoće   0,05 i   0,01 ,

kao nivoe značajnosti, i to za različite vrijednosti stepena slobode k 1= n1 – 1 i k2 = n2 – 1. Pri

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

Pokaže li se da je t s 3 , razlike između varijacija su slučajne, a ako je t s  3 razlike su

signifikantne.

PRIMJER 20.

Prilikom kontrole izvjesne karakteristike kvaliteta izvučena su dva uzorka sa sljedećim

numeričkim vrijednostima te karakteristike:
Prvi uzorak: 21, 19, 20, 24, 17, 20, 19;
Drugi uzorak: 20, 23, 21, 26, 19, 21, 16, 21, 20, 23.
Prethodno je utvrđeno da su osnovni skupovi, iz kojih su uzeti uzorci, raspoređeni po zakonu
normalne raspodjele. Ispitati tačnost hipoteze prema kojoj su varijanse osnovnih skupova
međusobno jednake.

RJEŠENJE

Aritmetičke sredine uzoraka:

1
x1   21  19  20  ...  19  20
7
1
x2   20  23  21  ...  23  21
10
Varijanse:

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

Stepeni slobode (saglasno numeraciji u tablicama X i XI):

k1 = n2 – 1 = 10-1=9
k2 = n1 – 1 = 7-1=6

Za izračunate stepene slobode iz tablice X ( odabran je nivo značajnosti 0,05) imamo da je

tablična vrijednost :
Ft  4,11
Pošto je:
Fr  1,5  Ft  4,11
zaključuje se da je razlika između varijansi uzoraka slučajna, odnosno hipoteza, da su
jednake varijanse osnovnih skupova, je istinita.

6.3. Provjera hipoteze o pripadnosti dvaju uzoraka istom osnovnom skupu

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.

6.4. Provjera hipoteze o proporciji osnovnog skupa na osnovu velikog

uzorka

Često se pri kontroli atributivne karakteristike kvaliteta unaprijed zadata

(specifikacijom, standardom ili ugovorom), ili se želi vrijednost proporcije P 0 elemenata sa
izvjesnim svojstvom u osnovnom skupu. Da bi se provjerila hipoteza da je proporcija P
elemenata osnovnog skupa sa datim svojstvom jednaka unaprijed datoj ili željenoj
vrijednosti P0, izvlači se iz osnovnog skupa velik uzorak (n30). Ako je u uzorku od n
elemenata nađeno m onih koji posjeduju dato svojstvo, a n-m bez njega, tada proporcija
elemenata u uzorku sa ili bez svojstva iznosi:
m nm
p ; q  1 p
n n
Veličina p pokorava se normalnom rasporedu: N  x  p; P;  p  , tako da je:
2

 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.

Na automatu se obrađuju u velikim serijama čaure sa tolerisanim prečnikom otvora.

Dozvoljeni procenat netačno obrađenih čaura (škart) s obzirom na prečnik otvora iznosi 5%.
Kontrolor je u uzorku od 500 čaura našao 30 netačno obrađenih čaura. Provjeriti hipotezu da
procenat netačno obrađenih čaura u proizvodnoj seriji ne prelazi dozvoljeni broj od 5%.

RJEŠENJE

Postavljena hipoteza glasi: P = P0 = 5%, pa kako je:

m 30
- proporcija netačno obrađenih čaura u uzorku: p    0,06
n 500
P0 Q0 0,05  0,95
- standardna devijacija:  p    0,00975
n 500
p  P0 0,06  0,05
- parametar: t 0    1,03  2
p 0,00975

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.

6.5. Provjera hipoteze o jednakosti proporcija elemenata dvaju osnovnih

skupova na osnovu uzoraka

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.

Radni predmeti u uzorku Mašina 1 Mašina 2

Dobri 400 250
Loši 24 21
Suma 424 271

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  pq  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

t0 je dakle manji od 2 pa se zaključuje da je razlika proporcija loše obrađenih dijelova na

objema mašinama alatkama slučajna, odnosno na objema mašinama se postižu isti kvaliteti
obrade, odnosno isti procentualni broj loše obrađenih dijelova.

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