PLAN RADA:

1. UVOD
2. STATISTIKA-POJMOVI I DEFINICIJE
3. OSNOVNE TEHNIKE ZA PRIKUPLJANJE I ANALIZU PODATAKA
-liste podataka
-liste provere (check lists)
-dijagram toka (flow chart)
-Pareto
-histogram
-dijagram uzroka i posledica (Ishikawa)
-kontrolne karte
-dijagram rasprostiranja (scatter)
-analiza mogucih gresaka i ocena rizika (FMEA analiza)
4. OSNOVNE STATISTICKE METODE
Statisticki pokazatelji
-aritmeticka sredina (jednostavna, zajednicka, ponderisana)
-harmonijska
-geometrijska
-medijana-srednja vrednost
-moda-dominantna vrednost
-raspon
-standardna devijacija
-varijansa
-koeficijent varijabilnosti
-standardizovano obelezje ili z vrednost
-koeficijent asimetrije
-koeficijent spljostenosti
-granice pouzdanosti
Raspodele podataka
-normalna (Gausova)
-studentova t
-Johnsonnova
-Poassonova
-binomna
Hipoteze i testovi
-t-test (Studentov)
-F-test (Fisherov)
-Hi-kvadrat (Pearsonov)

1 UVOD
Statistika predstavlja primenu naunih matematikih principa na prikupljanje,
odabiranje, grupisanje, obradu, analizu, predstavljanje i tumaenje numerikih podataka.
Statistiari mogu svoja znanja statistikih metoda da primenjuju u raznim oblastima, kao
to su biologija, ekonomija, inenjerstvo, medicina, javno zdravlje, psihologija,
marketing, obrazovanjei sport. Mnoge ekonomske, socijalne, vojne i politike odluke
nemogue je doneti bez korienja statistikih metoda i tehnika, kao to je dizajn
eksperimenata dase dobije federalna dozvola za proizvodnju novih lekova, i sl. U
industriji, statistiari zauzimaju znaajnu ulogu u upravljanju i kontroli kvalilteta,
koristei se raznim procesima zasnovanim na analizama podataka.
2 STATISTIKA-OSNOVNI POJMOVI I DEFINICIJE
STATISTIKI SKUP- ili populacija, jeste elementarna statistika kategorija; skup svih
sluajeva, elemenata, jedinica koje imaju odreenu osobinu, obeleje koje podlee
statistikom merenju, obradi, analizi. Teorijski, moe biti definisan u bilo kojoj sferi
ivota. Primeri: studenti, socijalni problemi, autobusi, intelektualne ili fizike radnje
jednog oveka....u odreenom prostoru i vremenu (Krneta 1987)

Kao nauna disciplina, statistika se deli na:

-deskriptivnu-sveobuhvatno razmatranje statistikog skupa ija se massa podataka
organizovano prikuplja, odabira, grupie, predoava i tumae dobijeni rezultati analize.
Sirovi statistiki podaci se na osnovu izraunavanja razliitih karakteristika statistikog
skupa svode na jednostavniju i lake razumljivu formu.Ukoliko se istraivanje primenjuje
na sve jedinice skupa (itav skup), skup predstavlja statistiku populaciju;
-interferencijalnu-zasniva se na uzorku jedinica izabranih iz statistikog skupa pomou
kojeg se donose zakljuci o itavom statistikom skupu.
Statistika je neraskidivo vezana za teoriju verovatnoe, o emu svedoi sledea slika:

slika 1- odnos izmeu statistike i verovatnoe

Zakoni verovatnoe predstavljaju most izmeu dekriptivne i interferencijalne statistike.

Verovatnoa podrazumeva ve poznate podatke i uoavanje zakonitosti meu njima, dok

sttatisika predstavlaj prikupljanje, rasporeivnje, obradu i tumaenje rezultata.
STATISTIKA KAO NAUNI METOD

UVOD U POSLOVNU STATISTIKU

Iz knjige

8. STATISTIKE METODE UPRAVLJANJA KVALITETOM

8.1. UVOD U STATISTIKE METODE
Matematika statistika nala je veliku primjenu u industrijskoj praksi, a
naroito u kontroli kavaliteta. Prvi teorijski radovi i praktini pokuaji primjene
matematike stastistike u kontroli kvaliteta datiraju jo 1923 godine SAD, kada je
uveden pojam rizika kupca i rizika potroaa to je obradio HARI DODGE.
Do 1931. godine u SAD su metode statistike metode kontrole kvaliteta
potpuno razraene. Tu je naroito poznat Walter Shewhart, koji istovremeno i tvorac
kontrolnih karata. Meutim praktina primjena ovih metoda u amerikoj industriji je
gotovo neznatan sve do Drugog svjetskog rata. U Engleskoj je situacija vrlo slina.
U Evropi u ehoslovakoj je prvi put donijet standard o metodama statistike
kontrole kvaliteta 1936 godine, ali je on za industriju proao gotovo nezapaen. Ruski
matematiari su takoe pokuali da matematiku statistiku primjene u kontroli
kvaliteta
i tu se naroito istakao Kantarov. Ruski matematiari su pokazali da odlino vladaju
komplikovanim zakonima vjerovatnoe ali praktino, u ono vrijeme za industriju nita
nije uraeno. Znaajnija primjena statistikih metoda unapreenja kvaliteta u
industriji
poinje u SAD za vrijeme Drugog svjetskog rata. Tada je postavljen problem kontrole
kvaliteta u masovnoj proizvodnji ratnog materijala. Problem je bio kako obezbijediti
visoke zahtjeve kvaliteta za potrebe rata kada je pored nestaice radne snage bilo i
drugih oteavajuih okolnosti. Rjeenje ovog problema je naeno u primjeni
stastistikih metoda.
Da bi stastistike metode i tehnike bile to bolje prihvaene, bilo je potrebno
rijeiti sledee:
- prilagoditi matematiku statistiku i metode unapreenja kvaliteta nivou
direktnih uesnika u proizvodnom procedsu, tako da ne prelaze znanja

elementarne matematiake,
- objasniti nov pristup u gledanju na kvalitet i uiniti ovo shvatanje prihvatljivim
za radnike i organe odgovorne za kvalitet i
- sprovesti ozbiljan program obrazovanja uesnika, da bi se upoznali sa
metodama i tehnikama koje e se primjenjivati.
Statistike metode upravljanja kvalitetom doivljavaju punu afirmaciju pedesetih
godina
u Japanu, a u seriji standarda ISO 9000 one su obavezan zahtjev.
Praenje svakog faktora koji utie na kvalitet i uoavanje pojedinanih
sluajeva nije cilj statistikih metoda unapreenja kvaliteta. Ovim nainom praenja
zahvata se ukupno stanje i kretanje kvaliteta proizvoda u cjelini, i u sluaju potrebe,
moe se intervenisati na neke posebne pojave, sa posebnim naglaskom na analizu
procesa i sprovoenju korektivnih mjera.
Zahvaljujui statistikom gledanju na kvalitet, i pored utvrenih granica
(tolerancija) za neku karakteristiku kvaliteta, postoji i dozvoljeni procenat jednica
proizvoda, koje mogu prekoraiti ove granice. Isto tako se odreuje i utvruje
vjerovatnoa tanosti ispitanih karakteristika kvaliteta.
Upravljanje kvalitetom

128
Statistike metode i tehnike unapreenja kvaliteta podrazumevaju prikupljene
podatke, pri emu se stvara dokumentovana tradicija. Registrovanjem podataka
objektivniji je i odgovorniji odnos izvrilaca prema svom poslu.
Koristi od statistikih metoda i tehnika unapreenja kvaliteta su u
mogunostima predvienja, na bazi metoda, u objektivnom ocjenjivanju sposobnosti
procesa, u analizi procesa i donoenja mjera za poboljanje kvaliteta.
Statistike metode i tehnike unapreenja kvaliteta u ovom materijalu su
struktuisane na sljedei nain:
- izdavanje i naini prikazivanja podataka,
- dijagram rasipanja i
- kontrolne karte.
Teorija uzorkovanja i planovi prijema, iako vaan i nezaobilazan segment u
primjeni statistikih metoda i tehnika, zbog svojih specifinosti i obima nisu
obuhvaeni
u ovom materijalu. Ubjeeni smo da e izloene metode i tehnike nai uspenu
primjenu u svakodnevnom naporu koji se ulae u upravljanju procesima i
unapreenju
kvaliteta.

Podruje primjene
Naziv STATISTICKE KONTROLE PROCESA (SPC Statistical Process
Control) sugerie upotrebu statistike. Uobiajeno je razmatranje tri elementa:
STATISTIKE, PROCESA I KONTROLE.
Statistika podrazumijeva prikupljanje, predstavljanje i interpretiranje podataka.
Statistike metode obezbjeuju naine pristupanja neizvjesnim dogaajima i
predvianje rezultata. Rije *statistika* obino stvara utisak o zastraujuoj tematici,
koju mogu da prouavaju samo osobe sa dobro steenim analitikim predznanjem.
Statistiki elementi SPC programa ukljuuju prosto rukovanje podacima a
podrazumijeva tehniko razumijevanje problema . Dakle, struktuirani podaci
predstavljaju osnovu za interpretaciju posmatrane pojave odnosno problema.
Proces praktino predstavlja svaku aktivnost. Na nivou radnog mjesta proces
je kombinacija maina, ljudi, materijala, sredstava rada i okruenja. Postoji tendencija
da SPC asocira procese samo na nivo radnog mjesta, to zanemaruje njegov iri
kontekst, budui da se odnosi na bilo koje odijeljenje ili dio organizacije, bili oni
proizvodnog, uslunog, obrazovnog ili bilo kog drugog karaktera.
Kontrola - SPC poogram ukljuuje kontrolu iza koje slijedi poboljanje. Procesi
se prvo dovode pod kontrolu, a zatim poboljavaju smanjenjem varijabilnosti na

nominalnu vrijednost ili u pogodnim sluajevima na smanjenje nivoa odbacivanja

neispravnih jedinica do nule. Kako se zahtjeva stalno poboljanje kvaliteta to kontrola
sama za sebe nije dovoljna nego predstavlja samo dio ciklusa kontinualnog procesa
poboljanja. U praksi postoje praktina i finansijska ogranienja od kojih je mogue ii
sa poboljanjem, ali konani cilj je perfekcija odnosno bez greke.
Postoje etiri glavna razloga koja opredjeljuju organizaciju prilikom donoenja
odluke o uvoenju SPC programa, a to su
Upravljanje kvalitetom

129
- spoljanji pritisak - esto puta kupci zahtjevaju uvoenje SPC programa kao
preduslov saradnje,
- interna korist koristi od uvoenja SPC programa su razliite, mnogobrojne i
u veini sluajava oigledne,
- opstanak trita konkurencija zahteva stalne promjene unutar preduzea a
prvi preduslov opstanka je prepoznavanje potreba za promjenom to SPC
programi omoguavaju i
- trokovi kvaliteta uvoenje i uvedeni SPC programi pretpostavljaju
poveane preventivne trokove (trokovi vezani za planiranje kvaliteta,
projektovanje i obuku) koji u krajnjoj instanci imaju za posljedicu smanjenje
ukupnih trokova kvaliteta.
Umjesto gaenja poara ili izdvajanja ivih od mrtvih aktivnosti treba da su
usmjerene na preventivu, odnosno na sistem koji, koliko je to mogue, omoguava
pojavljivanja greaka (teiti otklanjanjju problema na samom izvoru njegovog
nastanka). Naime, odreene procjene ukazuju da oko 30% dnevnih aktivnosti su
beskorisne. Gubi se vrijeme na provjeru tuega rada, pronalaenju dijelova koji nisu
na
svom pravom mestu unutar sistema, popravljanju karakteristika koje nisu u
granicama
dozvoljenih odstupanja, izvinjavaju uesnicima u daljem procesu rada, itd. Ova lista je
duga i predstavlja gubitak vremena, sredstava i napora. U tom smislu smanjenje
entropije procesa u direktnoj je proporciji sa smanjenjem predmetnih gubitaka.
SPC programi podrazumijevaju kontrolu i poboljanje procesa a time i tenju ka
manjoj
entropiji procesa u cjelini.
Iz izloenog se da zakljuiti da SPC, isto kao i TOC (Totalna kontrola
kvaliteta), se odnosi na sve procese sistema za razliku od SOC (Statistika kontrola
kvaliteta) koja je predmet panje samo jednog segmenta preduzea (odijelenja za
kvalitet). To nikako ne znai da i SPC i SOC ne mogu da koriste iste metode i tehnike.

Opis
Uvoenje SPC programa podrazumijeva poznavanje i korienje niza postupaka,
metoda i tehnika. U tom smislu u nastavku je dat jedan krai pregled.
- Prikupljanje i prikazivanje podataka (vrsta podataka, nain prikupljanja oblici
obrazaca, oblikovanje histograma i poligona),
- Posebne metode rjeavanja problema (ABC analiza, dijagram uzrok
posljedica, Brainstorming, FMEA, FMECA, .),
- Odreivanje mjera centralne tendencije i rasipanja (srednja vrijednost, mod,
medijana, raspon, devijacija),
- Kontrolne karte za atributivne karakteristike kvaliteta,
- Kontrolne karte za numerike karakteristike kvaliteta,
- Analiza sposobnosti procesa, itd.
Neke od metoda i tehnika, uz podrku raunarske opreme i odgovarajueg
softvera, mogu se znatno efikasnije primjenjivati. U tom pogledu potrebno je
prihvatiti
sljedee pretpostavke:
Upravljanje kvalitetom

130
- sa raunarom radite bre,
- sa raunarom radite lake,
- sa raunarom uesnik ostvaruje vie,
- vremena odgovora raunara su prihvatljiva,
- vjerovatnoa rjeenja zadataka raunarom bliska je jedinici,
- programske tehnike se izrauju modularno i dobro su dokumentovane i
- rad sa raunarom ne zahvata puteve ljudske komunikacije u radnim procesima
Kljuni aspekt SPC programa je da se dobije predvidiv proces a time predvidiv
rezultat. Polaznu osnovu za donoenje suda o predvidljivosti procesa predstavljaju
podaci, izdvojeni i obraeni na nain koji omoguava donoenje relevantnih
zakljuaka. Mogunost blieg upoznavanja naina rukovanja podacima i tumaenja
prepoznatljivih struktura podataka preduslov su uspjenog uvoenja SPC programa u
procese i sisteme.

Postupak
Bez obzira o kojoj metodi ili tehnici je rije postupak obuhvata sljedee korake:
- izbor problema i/ili procesa koji se eli analizirati,
- izbor metode ili tehnike primjerene predmetnoj potrebi,
- izdvajanje podataka,
- primjena metode ili tehnike,
- analiza dobijenih rezultata,
- predlaganje korektivnih mjera
- sprovoenje korektivnih mjera.

8.2. IZDVAJANJE I NAINI PRIKAZIVANJA PODATAKA

Raspoloivost informacije, koja direktno ili indirektno oznaava stanje procesa
je preduslov za pokretanje akcija na poboljanju i unapreenju sistema kvaliteta. U
prolosti, a i u mnogim sluajevima i danas, podaci se prikupljaju u cilju gaenja
poara.
Vie

Vie nije primjereno govorit uopteno, davati iskaze koji su na miljenju, ve je

u cilju rjeavanja problema potrebno izdvojiti (prikupiti) relevantne, stvarne i tane
podatake. Nakon izdvajanja podataka, moe se desiti da ono to je izgledalo da
predstavlja problem to uopte i nije. Posmatramo sa drugog aspekta, podaci su
potrebni u cilju mjerenja razliitosti i rasipanja. Naprimjer, ne postoje dvije indentine
osobe.One se razlikuju u veoj ili manjoj mjeri po teini, visini, boji, ponaanju i slino.

Razlika moe biti mala, ali ona postoji i mjerljiva je. Isto vai i u poslovnom ili
industzrijskom svijetu.
Pretjerano rasipanje (variranje) predstavlja glavni uzrok mnogih problema u
procesima rada, koji se prevazilaze tek nakon upoznavanja prirode rasipanja i naina
njegovog mjerenja .
Poto je ustanovljena neophodnost podataka iz procesa, treba naglasiti da u
mnogim organizacijama ti podaci ve postoje. Oni se mogu pojaviti u vidu listinga
(raunarom tampanih lista) koji su esto u obliku neupotrebljivom za brzo rjeavanje
problema. Na drugoj strani, mogu predstavljati parametre (karakteristike) unijete
Upravljanje kvalitetom

132
gotovo sluajnim redoslijedom u za to pripremljene obrasce. esto ovi parametri
(karakteristike), zbog pogrenog pristupa nainu izdvajanja podataka, mogu dati
pogrene analize. Namjera je bila dobro zamiljena, ali su analize bile beskorisne.
Prema tome, podaci koje je potrebno izdvojiti zavise od konkretnog tipa
problema.
U realizaciji bilo kog procesa, preporuuje se pridravanje sljedeih pravila:
nikako proces bez izdvajanja podataka,
nikako izdvajanje podataka bez analize,
nikako analize bez odluka i
nikako odluke bez akcija koje podrazumijevaju odreena
unapreenja.
U osnovi u svim procesima postoje razni oblici izdvajanja podataka ukljuujui:
-veliine direktnog izlaza ili ulaza,
-trokove neusaglaenog kvaliteta,
-podatke ekonomske prirode,
-komentare i albe korisnika,
-informacije od dobavljaa,
-preglede i izvjetaje zaposlenih itd.
Niko ne moe formirati generiku listu veliina koje treba pratiti, ali jednom,
kada se odrede objekti praenja, moraju se pretvoriti u indikatore za posmatrane
procese. Ovo ukljuuje odnose, skale, rangiranja i finansijske ili vremenske indikatore.
Nezavisno od vrste insikatora, oni moraju tano odraavati karakteristike procesa
prema razumljivoj terminologiji korisnika.
Proces izdvajanja podataka podrazumijeva da e ljudska, tehnika i poslovna
komponenta ovog procesa imati adekvatan tretman.
Ljudska komponenta je, jasno, od najvee vanosti, a kljuna podruja
provjere (gdje se izdvajanje podataka vri) su da li su:
-postupci izdvajanja podataka razumljivi za sve zaposlene u posmatranom
procesu,
-prihvaeni sa njihove strane,
-kompatibilni sa sistemema nagraivanja i
-projektovani da pruaju minimum mogunosti za manipulaciju.
Tehnika komponenta mora realno reprezentovati aspekte procesa iz koga se
izdvajaju podaci. Ona takoe mora biti tana, precizna i aurna.
Poslovna komponenta treba da zahtijeva objektivne, aurne, rezultatima
orijentisane podatke i iznad svega podatke koji imaju jasno znaenje onima koji rade
u
okviru ili oko procesa.
Izdvajanje podataka, kao i bilo koji drugi podsistem u okviru upravljanja,
zahtijeva faze projektovanja, analize, razvoja, procjene i preispitivanja .
Sistem mora biti projektovan tako da daje mogunost ocjene promjena i progresa,
inae nee inicirati ciklus poboljanja i unapreenja.
Upravljanje kvalitetom

133

VRSTE PODATAKA

Podaci se u optem sluaju javljaju u dva oblika, kao atributivni i numeriki (slika 1.1).

Kontinualni ili numeriki podaci se odnose na veliine koje se mjere, dok se

diskretni ili atributivni podaci odnose na prebrojive jedinice. Nisu ba svi podaci u
jednom od ovih oblika.
Kljuna osobina svih programa poboljanja i unapreenja sistema kvaliteta je
da se svaka mjerljiva karakteristika (nasuprot karakteristikama tipa ide- ne ide ili
dobro-loe) u sutini treba izmjeriti. To znai da ocjene tipa ide-ne ide ili
dobroloe,
kao integralni dio procesa rada, treba da postane prolost [3].
Kratak osvrt na racionalnost ocjena tipa ide- ne ide ili dobro-loe omoguie
da to postane oiglednije. Naime, opasnosti zbog korienja ovog tipa ocjenjivanja
karakteristika mogu se vidjeti iz datog priloga na slici 1.2.
Nepostojanje mjerljivih i izdvojenih podataka uskrauju nam mogunost
odgovora i na slijedee pitanja:
Upravljanje kvalitetom

134
-Da li su granice kontrole postavljene korektno?
-Da li je varijabilitet smanjen?
-Da li je proces sposoban?
-Da li je u funkciji osobine koja se provjerava?
-Da li se radi o tehnolokom sistemu sa jednim ili vie vretena?
-Da li su proizvodi dva dobavljaa izmjeani?
-Da li su prisutne nelogine vrijednosti?
-Da li
Prema tome jedini pravi nain da se doe do korisnih informacija, koja inae
prua proces, je da se izdvajaju mjerljive vrijednosti, a potom u postupku poboljanja
procesa smanji njihovo variranje oko nominalne vrijednosti.

Stoga je potrebno izmjeriti odreenu karakteristiku u cilju odreivanja

karakteristika procesa. No i pored toga, ostaje jo dosta karakteristika koje treba
mjeriti i analizirati kao atributne veliine.

IZDVAJANJE PODATAKA
Kao prvi korak pri izdvajanju podataka treba razrijeit slijedea pitanja:
-Da li postoje podaci?
-Ako postoje, da li su raspoloivi u korektnom obliku?
-Odakle i na koji nain izdvojiti podatke?
-Koliko osoblja je raspoloivo za izdvajanje podataka i ko e to da uini?
-Kada e se i kako obaviti izdvajanje podataka?
Pitanja poput navedenih zahtijevaju to hitnije razrjeenje.
Odluke bazirane na nekim od prethodno navedenih pitanja e imati uticaja na
duinu vremenskog perioda izdvajanja podataka. Ekstremne vremenske skale
oznaavaju da je potrebno obratiti panju na nain izdvajanja podataka.
Projektovanje
odgovarajueg obrasca za izdvajanje podataka, otuda postaje znaajan faktor.
Oblik obrasca za izdvajanje podataka u sutini zavisi od tipa podataka: da li su

oni numeriki ili atributivni.

Za atributivne podatke obrazac mora da obuhvati razliite tipove moguih
pojava (kvarova). Kao primjer, sa odreenim sugestijama za oblikovanje obrasca, na
slici 1.4 dat je primjer obrasca-tabele za evidentiranje problema pri fotokopiranju.
Obrasci za prikupljanje podataka treba da omogue:
-da se ve prilikom unoenja podataka oni grupiu na nain koji olakava dalju
analizu,
-eliminaciju potrebe za prepisivanjem podataka,
-uoavanje trendova,
-dobijanje odgovorakoliko esto se deava odreena pojava? itd.

U tom smislu potrebno je pridravati se sljedeih koraka:

Korak 1: Definisati problem
Potrebno je, na osnovu pojavnih oblika, definisati problem koji e se
prouavati.
Korak 2: Utvrditi vrstu i strukturu podataka koji e se izdvajati
Na osnovama svrhe izdvajanja podataka i predviene dalje obrade
podataka utvrditi vrstu i strukturu podataka koji e se izdvajati.
Korak 3: Odrediti period izdvajanja podataka
Korak 4: Oblikovati obrazac za izdvajanje podataka
Pri oblikovanju obrasca za izdvajanje podataka uvaavati principe

preglednosti, redoslijednosti, sveobuhvatnosti, komfornosti, jednostavnosti i

odreenog
stepena standardizovanosti.
Korak 5: Odrediti gdje e se izdvajati podaci
Korak 6: Odrediti ko e izdvajati podatke
Upravljanje kvalitetom

137
Korak 7: Odrediti kako e se izdvajati podaci
Za numerike podatke, obrazac treba da omogui unoenje vrijednosti odgovarajuih
veliina, teina, duina, visina i sl., koje se javljaju na izabranom uzorku.
PRIMJER 1: ANALIZA IZDVOJENIH PODATAKA
Uobiajeno je da prvi korak treba da predstavlja prosto biljeenje podataka
kako oni postaju raspoloivi. Na slici 1.5 je prikazan tipian skup podataka.

Podaci sa slike 1.5 predstavljaju realna oitavanja 100 jedinica koje su bile
prouavane. Oni mogu predstavljati direktna oitanja sa instrumanata za mjerenje,
zabiljeeno runo, ili rezultat oitavanja odtampan na raunaru, emu je prethodilo
njihovo unoenje u raunar. Alternativno (to je sve ei sluaj), oni mogu biti
vrijednosti
prikazane na ekranu, kao rezultat postavljenog interfejsa (sprege raunara sa
tehnolokim
sistemom) .
Raspoloiv je skup od 100 oitavamja to ne znai da veliina uzorka mora biti
uvijek 100. Na primjer, studije o sposobnosti maine ili procesa se obino izvode na
uzorcima veliine 50, jer uzorci manjih veliina ne bi pruili dovoljno informacija.
utorci
veliine 100 su dovoljno veliki da daju potrebnu sliku. Meutim nee uvijek biti
moguedobiti broj izdvojenih podataka, poput 50 ili 100, pa se u okviru tih granica
treba
iskljuivo usredsreditina sutinu informacijedobijene na bazi podataka, a ne voditi
brigu
to nema ukupno 100 izdvojenih podataka.
Izdvojeni podaci sa slike 1.5, sami za sebe, ne daju mogunost lakog
zakljuivanja o posmatranoj pojavi.
Meutim, ukoliko se posmatrani podaci poredaju po rastuem nizu (slika1.6)
odreeni zakljuci se mogu sa lakoom donijeti.

Tako naprimjer mogu se odrediti:

-Interval statistikog skupa I, kao razlika maksimalne xmax i minimalne xmin
vrijednosti:

I x x 120,78 120,26 0,52mm

max min

===

-Vrijednost sa najveom uestalou moda koja u konkretnom sluaju iznosi

120,56 mm za uestalost I=11 i
-Medijanu-vrijednost oko koje postojipodjednak broj podataka sa manjom i veom
vrijednou. Za konkretan sluaj, gdje postoji paran broj podataka, medijana
predstavlja aritmetiku sredinu dva srednja podataka-120,52 mm.
Ako je broj podataka n veliki, kao i broj podataka koje uzima obiljeje x i, tada
prosta distribucija frekvencija (slika 1.7) daje nepreglednu sliku statistikog skupa. U
tom sluaju interval I statistikog skupa se dijeli na r podintervala jednake irine
tako da je

I=ir
Potpuno odreena pravila za izbor broja podintervala r ne postoje, ali
iskustva istraivaa preporuuju da se broj r izraunava preko nekog od, u nastavku
datih obrazaca

r=n
r = 23 n

r = 1+ 3,32logn
r = 5logn

Pri
izboru broja podintervala r treba se pridravati osnovnog principa: to je
vei broj izdvojenih podataka, to treba da bude vie podintervala. Treba
izbjegavati prazne podintervale a za sluaj pretpostavljene simetrine
raspodjele preporuuje se usvajanje neparnog broja podintervala. Na primjer:

Na osnovu tako odreenih vrijednosti za r i i moe se oblikovati tabela

(Slika 1.8) a na slinim osnovama i obrazac za izdvajanje podataka (Slika 1.9).
Prilikom generisanja izdvojenih podataka treba obratiti panju na otkrivanje
prisustva divljih (neloginih) podataka.
Na primjer, izdvojeni podatak od 120,94, ukoliko postoji, dovoljno se razlikuje
od ostalih izdvojenih podataka, da sugerie da on ne pripada uzorku. Moda je on
posljedica:
-greke mjerenja,
-greke u oitavanju,
-greke u prepisivanju, itd.
Meutim, korisno je iskljuiti pomenute nelogine podatke prilikom crtanja
dijagrama, istraiti uzorke njihovog prisustva i eliminisati ih.

Grupisani podaci, pored prethodno navedenog, grafiki se kogu prikazati i

preko histograma, poligona ili dijagrama sa stupcima (slika 1.9).
U mnogim sluajevima mogue je sainiti histogram od fizikih karakzeristika
posmatrane pojave. Na primjer, mogue je dobiti histogram tvrdoe nakon se teniske
ili
golf loptice odbiju od ploe i upadnu u odgovarajuu pregradu, kao na slici 1.10.
Slino, kuglice ili valjii za leajeve se mogu kategorisati po teini ili preniku.

PRIKAZIVANJE PODATAKA
Na osnovama objektivnih, aurnih i rezultatima orjentisanih podataka, mogue
je sistemski i sistematski uloenim naporom predmetne podatke uiniti razumljivim i
irem krugu zainteresovanih primjenjuji advekatan nain prikazivanja podataka i to,
Histogram
Dijagram sa stupcima,
Kruni dijagram,
Polarni dijagram,
Linijski dijagram.

Slika 1.10 Vizuelno generisanje varijabilnosti

Histogram
Histogram se koristi za prikazivanje rasipanja i raspodjele izdvojenih, uglavnom
numerikih, karakteristika procesa. Ukazuje na postojanje i znaaj variranja u
procesima, daje mogunost poreenja rasipanja sa zadatim specifikacijama (podloga
za analizu sposobnosti procesa), odnosno daje odgovor na pitanje kako su podaci
grupisani u odnosu na nominalnu mjeru.
Postupak oblikovanja histograma se sastoji iz est koraka, i to:
Korak 1:Oznaavanje horizontalne skale
Na papiru oznaite skalu horizontalne ose. Skala ne treba da bude bazirana na
intervalu u kojem se nalaze klase podataka, ali preporuuje se da se skala na
mjernim
jedinicama u kojima se izraavaju podaci.
Na ovaj nain je olakano uporeivanje sa mnogim histogramima koji opisuju
sline karakteristike kao i poreenje sa specifikacijama (standardima). Ostavite
prazninu, priblino jednaku veliini intervala podataka, na horizontalnoj osi ispred
prvog intervala i posle poslednjeg intervala.
Korak 2: Oznaavanje vertikalnih osa
Oznaite lijevu vertikalnu osu sa skalom uestanosti, i ukoliko je potrebno,
nacrtajte desnu vertikalnu osu sa skalom relativnih uestanosti. Visina intervala sa
maksimalnom uestanou treba da bude od 0.5 do 2 puta vea od raspona.
Korak 3: Oznaavanje intervala

Oznaite horizontalnu osu sa skalom koja sadri granine vrijednosti intervala.

Korak 4: Crtanje stubova
Koristei veliinu intervala podatka kao osnovu, nacrtajte pravougaonike ija
visina odgovara uestanosti odgovarajueg intervala.
Korak 5: Unoenje srednje i graninih vrijednosti
Na histogramu ucrtajte liniju koja oznaava srednju vrijednost kao i linije koje
prestavljaju specifine granice(ukoliko ih ima).
Korak 6: Navoenje legende
U praznom dijelu histograma navedite legendu podataka (period,),veliinu
uzorka , srednju vrijednost i standardnu devijaciju.
Tabela 1.11 Mogui naini tumaenja histograma

Slika 1.12 Primjer za histogram

Dijagram sa stupcima
Dijagram sa stupcima se koristi za poreenje podataka razliitih entiteta.
Postupak oblikovanja dijagrama se sastoji iz sledea 3 koraka:
Korak 1: Odreivanje predmeta analize
Donijeti odluku koji su entiteti predmet analize i poreenja.
Korak 2: Crtanje osnove linijskog dijagrama
Zavisno od prirode, vrste i vrijednosti posmatranih entiteta, oblikovati ose i
njima pripadajue skale.
Korak 3: Unoenje vrijednosti za entitet
U dijagram, jasno, po opadajuem redoslijedu, u vidu odvojenih stubova unijeti
pripadajue vrijednosti analiziranih entiteta.
Na slici 1.13, sa odreenim sugestijama za oblikovanje, dat je primjer
dijagrama sa stupcima.

Slika 1.13 Primjer za dijagram sa stupcima

Kruni dijagram
Kruni dijagram se koristi za vizuelne prikaze procentualnog uea vrste
podataka u ukupnoj masi podataka. Udio svake vrste podataka prikazuje se isjekom
odgovarajue, srazmjerne veliine.
Postupak oblikovanja krunog dijagrama se sastoji iz etiti koraka:
Korak 1: Izvoenje i razvrstavanje podataka po vrstama
Korak 2: Izraunavanje procentualnog uea u odnosu na ukupnu masu
Korak 3: Izraunavanje pripadajuih uglova
Prema obrascu

Korak 4: Crtanje kruga i odgovarajuih krunih isjeaka

Na slici 1.14, sa odreenim sugestijama za oblikovanje, dat je primjer krunog
dijagrama.

Slika 1.14 Primjer krunog dijagrama

Polarni dijagram
Polarni dijagram se koristi za vizuelne prikaze intenziteta promjena
posmatranih entiteta (proces, pojava, karaktewristika,...) u vremenu.
Postupak oblikovanja polarnog dijagrama se sastoji iz etiri koraka i to:
Korak 1: Odreivanje predmeta prikaza
Korak 2: Crtanje osnove polarnog dijagrama
Zavisi od vrste i broja izabranih entiteta, unijeti nazivne entitete i nacrtati skalu.
Korak 3: Unoenje vrijednosti na entitet na skalu
Za svaki entitet unijeti pripadajue vrijednosti.
Korak 4: Crtanje dijagrama
Spajanje taaka koje pripadaju istom vremenskom trenutku oblikovati konaan
oblik polarnog dijagrama.

Linijski dijagram
Linijski dijagram se koristi za vizuelni prikaz promjene posmatranog entiteta
(obileja, karakteristike, parametara) u vremenu.
Vrijednost posmatranog entiteta, izvorno dobijeneili sraunate, unose se u
koordinatni sistem (dijagram) ije ose predstavljaju:
Apscisa-vremenska skala (minuti,sati, dana, mjeseci, kvartali, godine) i
Ordinata-vrijednost posmatranog entiteta.
Poreenje unijetih vrijednosti se vri sa:
Vrijednostima iz prethodnog perioda,
Srednjom vrijednou ili
eljenom (ciljnom) vrijednou,
mogue je izvesti odreeno zakljuke o promjenama, odnosno
trendovima.
Postupak oblikovanja linijskog dijagrama se sastoji iz 4 koraka, i to:
Korak 1: Odrivanje predmeta prikaza

Donijeti odluku koji je entitet predmet analize i praenja u odreenom

vremenskom periodu.
Korak 2: Crtanje osnove linijskog dijagrama
Zavisno od perioda praenja , vrste i vrijednosti posmatranog entiteta,
oblikovati ose i njima pripadajue skale.
Korak 3: Unoenje vrijednosti za entitet
U dijagram, jasno, putem taaka, unijeti pripadajue vrijednosti za entitet.
Korak 4: Crtanje dijagrama
Spajanje taaka dati konaan oblik linijskom dijagramu.
Na slici 1.15, sa odreenim sugestijama za oblikovanje, dat je primjer linijskog
dijagrama.

Slika 1.16. Primjer linijskog dijagrama

Zakljuak
Svaka od metoda ili tehnika zahtijevaju:
specifine naine izdvajanja podataka,
posebno oblikovanje obrasca za tu namjenu,
poznavanje statistike i
niz drugih relativnih inilaca.
U tom smislu do izdvojenih podataka, xavisno od metoda i tehnika koje se
koriste, moemo doI putem:
vremenske slike stanja,
intervjua,
upitnika,
mjerenja,
karte toka procesa (za numerike antributivne podatke),
karte od kuda, itd.
Dobro postavljen sistem izdvajanja i obrade podataka podazumijeva da e on
oguhvatiti kupce /korisnike, istraivanje trita, razvoj, pripremu pa sve do praenja
proizvoda i/ili usluge u ekspoatacionim uslovima.
Ako su svi zaposleni i uesnici procesa izdvajanja podataka, postoji manji
otpor sistemu i ostvaruje se pozitivan uticaj na promjene koje e natati. Uee u
procesima izdvajanja podataka jaa vezu u lancu korisnik-snadbjeva i daje timovima
za unapreivanje kvaliteta jasnije ciljeve.
Postoje vie moguih razloga loem funkcionisanju sistema izdvajanja
podataka:

 ne dovodi u vezu karakteristike i procese,

granice procesa nisu dobro definisane,
podaci se pogreno prihvataju ili se zloupotrebljavaju,
nema komplementarnosti izmeu izdvajanja podataka i unapreenja,
postoji strah od prezentacije loih i suvie dobrih podataka o karakteristikama
procesa,
na njega se gleda kao na teret u pogledu vremena i obima izvjetavanja, itd.
Ovi i ostali problemi esto nastaju usljed loeg planiranja u fazi implementacije
ili greke pri ocjenjivanju postojeeg sistema izdvajanja podataka.

8.3. DIJAGRAM RASIPANJA

Podruje primjene
DIJAGRAM RASIPANJA predstavlja grafiki prikaz rezultata regresione i
korelacione analize, dakle statistikih metoda u analizi veza izmeu promjenljivih.
Podruje primjene predmetne metode svodi se na analizu meuzavisnosti dva skupa
podataka za koje nije utvrena eksplicitna matematika funkcionalna zavisnost,
nego
je data meuzavisnost statistika ili korelaciona.
Kako su u empirijskim istraivanjima, kao to je sluaj veeg dijela istraivanja
u podruju kvaliteta proizvoda/usluga i procesa rada, veze skupova podataka po
prirodi stohastikog karaktera, metode korelacione analize, ija je jedna grafika
interpretacija DIJAGRAM RASIPANJA, nalaze primjenu svuda gdje je potrebno:
- utvrditi postojanje meuzavisnosti dva skupa podataka koji imaju odreeno
zajedniko obiljeje (npr. da su iz istog vremenskog intervala),
- ocjeniti intenzitet meuzavisnosti data dva skupa podataka.

OPIS
Osnovni pojmovi
U primjeni dijagrama rasipanja postoje dva vida problema, zavisno od toga
da li se istrauje:
-ZAVISNOST izmeu dvije promjenljive(dva skupa podataka),kada nezavisna
promjenljiva(X) utie i uslovljava veliinu zavisne promjenljive(Y). Tada je rije o
regresiji. Pri datom nezavisna promjenljiva je uzrok, a zavisna promjenljiva posljedica
i
cilj regresione analize je sagledavanje oekivane vrijednosti promjenljive na osnovu
date nezavisne promjenljive-na osnovu jednaine regresije, ili
-MEUZAVISNOST ili veza izmeu dvije promjenljive (dva skupa podataka),
promjenjljive(X) i promjenjljive(Y). Tada je rije o korelaciji. Cilj korelacione analize je
sagledavanje jaine veze izmeu promjenljivih na osnovu koeficijenata korelacije i
koeficijenata determinacije.
Predmet daljih razmatranja e biti korelaciona analiza i primjena dijagrama
rasipanja u analizi meuzavisnosti skupova podataka za koje se ne moe utvrditi
funkcionalna zavisnost, niti se moe iskazati precizno odreenje koji od data dva
skupa podataka predstavlja nezavisnu, a koji zavisnu promjenljivu.

Korelacija
Kako je naglaeno, korelacionom analizom moe se odrediti pokazatelj koji
samo ukazuje na jainu kvantitativnog slaganja dvije promjenljive-dva skupa
podataka
za koje je prethodnom kvalitativnom analizom utvren smisao datog istraivanja.
Upravljanje kvalitetom

151

Korelacionu analizu korisno je poeti crtanjem DIJAGRAMA RASIPANJA koji

prikazuje parove podataka(veliina)dva skupa za koje se korelacija utvruje kao
oblak taaka
u pravougaonom koordinatnom sistemu. Karakter korelacije utvruje se na osnovu
izgleda

dijagrama, kako je dato na slici 2.1.

a)

Kako pokazuje slika 2.1, korelacija-meuzavisnost dva skupa veliina, ako

postoji, moe biti linearna (pravolinijski oblik dijagrama rasipanja) ili nelinearna
(krivolinijska). Intenzitet veze se ocjenjuje na osnovu poloaja oblaka taaka u
dijagramu.
Za sagledavanje intenziteta veze meuzavisne promjenljive X i Y (skupa
podataka) najee se upotrebljava koeficijent korelacije, koji se izraunava prema
obrascu:

zavisno od oblika korelacione veze, pri emu:

-pozitivan koeficijent korelacije oznaava upravo proporcionalnu vezu izmeu
promjenljivih (porast jedinica jedne promjenljive daje istovremeno porast jedinica
druge
promjenljive-slika 2.1,a),
-negativan koeficijent korelacije pokazuje da je meuzavisnost promjenljivih
obrnuto proporcionalna (slika 2.1,b).
Ako postoji potporna meuzavisnost izmeu promjenljivih ,onda se njihova
veza izjednaava sa funkcionalnom-tada je koeficijent korelacije 1 ili 1, to je
teorijska
mogunost koja znai da je prethodnom kvalitativnom analizom pogreno utvreno
da
promjenljive stoje u korelacionoj, a ne u funkcionalnoj vezi.
U potpunom odsustvu meuzavisnosti koeficijent korelacije je jednak 0 (nuli) i
da to stanje oznaava nezavisnost jedna promjenljiveod druge.Mjera meuzavisnosti
se, dakle, odreuje na osnovu veliine koeficijenta korelacije i to je on blii jedinici
utoliko je jaa veza izmeu promjenljivih.
Za izvoenje detaljnijih zakljuaka o karakteru korelacione veze odreuje se
koeficijent determinacije, koji predstavlja kvadrat koeficijenta korelacije, r 2. Ako je, na
primjer
promjenljivosti veliine Yobjanjava se njenom vezom sa promjenljivom X.
Ispitivanje meuzavisnosti ili veze promjenljivih ne mora da se ogranii na
samo dvije promjenljive kada se primjenjuju metode viestruke regresije i korelacije,
odnosno multivarijacione analize. Kada se radi o linearnoj korelaciji i normalnoj
raspodjeli , u sluaju tri promjenljive, metodom proste linearne korelacije mogue je
odrediti koeficijente korelacije r12 , r13, r23 odnosno koeficijente korelacije izmeu prve
i
druge, prve i tree i druge i tree promjenljive.
Veza prve i druge promjenljive u uslovima da sve jedinice tree promjenljive
imaju nepromijenjenu velienu(i u sluaju ostalih kombinacija) izraava se parcijalnim
koeficijentima korelacije, prema obrascima:

K
ada je jedna promjenljiva uzeta kao konstantna veliina onda se radi o
parcijalnom koeficijentu korelacije prvog reda. Kod dvije promjenljive kao konstantne
veliine rije je o parcijalnom koeficijentu drugog reda itd.
Tako se na primjer, parcijalni koeficijent korelacije drugog reda izmeu prve i
druge promjenljive, uz konstantan uticaj tree i etvrte promjenljive, izraunava
pomou parcijalnih koeficijenata korelacije prvog reda prema obrascu:

Linearni model, na koji su se odnosila prethodna razmatranja vezana za

utvrivanje meuzavisnosti i jaine veze izmeu skupova veliina ne izraava uvijek

stvarnu prirodu datih veza, kako je prikazano na slici 2.1,c. Tad se radi o krivolinijskoj
regresiji za iju analizu se koriste metode transformacije jedne ili obe promjenljive
kako
bi se uspostavila linearna veza. Najee se primjenjuje logaritamska transformacija
kada se podaci skupova promjenljivih zamjenjuju njihovim logaritmima. Primjenom,
dalje, metode linearne korelacije izraava se karakter i jaina meuzavisnosti, ali
koeficijent linearne korelacije (r) u datom sluaju nije sasvim podesan pokazatelj,
nego
se izraunava indeks krivolinijske korelacije, prema obrascu:

gdje je
2
Y ,X varijansa regresije izraunata na osnovu empirijskih podataka, a
2

varijansa promjenljive Y. Kao to se vidi, za razliku od linearne regresije i

korelacije, u datom sluajno je znaajno koja je od promjenljivih uzeta za X, a koja za
Y.
Kao metoda za povienje kvaliteta proizvoda i procesa rada preduzee i
uslunih organizacija, korelaciona analiza se vrlo esto svodi samo na utvrivanje
postojanja meuzavisnosti dva skupa podataka za koje je prethodnom kvalitativnom
analizom utvren smisao vaze. U datim sluajevima je dovoljno, posjedovanjem
relevantnog uzorka sa veliinama podacima za predmetne skupove , nacrtati
DIJAGRAM RASIPANJA i na osnovu njegovog oblika ocijeniti karakter
meuzavisnosti.
Y

Preporuke za broj parova taaka u dijagramu rasipanja se obino svode na

broj ne manji od 30 taaka.

POSTUPAK
Nain primjene metode
Primjena metode DIJAGRAMA RASIPANJA sastoji se u izvoenju sljedeih
koraka:
Korak 1: Prikupljanje podataka
Potrebno je, za dva skupa veliina (X,Y) za koje postoje pokazatelji da su u
meusobnoj vezi i koje su predmet analize, prikupiti podatke za parove podatakatake
(x,y) u dijagramu rasipanja.
Preporuuje se da bude oko 30 parova podataka, a podaci se moraju zasnivati
na odreenom zajednikom obiljeju- isti uzorak, isti dio procesa rada, isti vremenski
period i slina obiljeja.
Korak 2: Crtanje dijagrama rasipanja
Postupak crtanja dijagrama rasipanja obuhvata zahtjave:
-Nacrtati koordinatni sistem (x-y), uzimajui u obzir preporuke o razmjeri
datih osa,
-Pronai maksimalnu i minimalnu veliinu podataka x i y i upotrijebiti ih za
podjelu odgovarajuih osa koordinatnog sistema;obe ose bi trebalo da budu iste
duine,
-Ucrtati parove podataka u koordinatni sistem (x-y) u obliku, na pregledan
nain oznaenih taaka.
Korak 3: Analiza oblika dijagrama

Koristei karakteristine oblike dijagrama rasipanja, date na slici 2.1, utvrditi

postojanje i karakter meuzavisnosti dva analizirana skupa podataka.
Korak 4: Odreivanje intenziteta meuzavisnosti
Za korektno utvrivanje postojanja meuzavisnosti i odreivanje intenziteta
veze potrebno je odrediti, u funkciji karaktera utvrene meuzavisnosti, sljedee
parametre:
-koeficijent korelacije,
-koeficijent determinacije,
-indeks krivolinijske korelacije u sluaju da je utvren krivolinijski oblik
korelacije
Nakon oblikovanja DIJAGRAMA RASIPANJA i odreivanja intenziteta
vezemeuzavisnosti
analiziranih skupova veliina potrebno je izvesti potrebne zakljuke u
smislu preporuka za uvaavanje istraenih odnosa u odgovarajuem dijelu procesa
rada preduzea ili uslune organizacije.

Praktine preporuke
U cilju obezbjeenja preglednosti i mogunosti donoenja pouzdanih ocena o
postojanju i karakteru meuzavisnosti skupova podataka, u primeni metode
DIJAGRAM RASIPANJA potrebno je voditi rauna o odreenim praktinim
elementima , datim u nastavku.
Veliina uzorka, izbor osa, razmjera dijagrama,oznaavanje
-Uzorak (broj parova podataka taaka) koji je uzet za osnovu crtanja
dijagrama rasipanja mora da odslikava karakteristike osnovnih skupova veliina ija
se analiza vri. Preporuuje se da bude ne manje od 30 sluajno uzetih parova
podataka,
-Podaci se moraju zasnivati na odreenom zajednikom obiljeju-isti uzorak,
isti dio procesa rada, isti vremenski period i slina obiljeja.Ako dato zajedniko
obiljeje odreuje i meusobnu uslovljevnost promjenljivih onda je za promjenljivu X
(horizontalna osa) potrebno izabrati uzorke, a za promjenljivu Y (vertikalna osa )
posljedice,
-Pri izboru razmjere dijagrama rasipanja (dimenzionisanja promjenljivih)
potrebno je zadovoljiti princip jednakosti osa . Na osama dijagrama treba da budu,u
odreenoj razmeri i podjeli , predstavljeni rasponi izmeu minimalne i maksimalne
veliine promjenljivih,
-Naglasiti razliku, ukoliko ona postoji, izmeu taaka u * oblaku taaka * na
pogodan nain. Na primjer:
- sluaj jednostruke pojave para taaka oznaka ,a
- sluaj viestruke pojave para taka oznaka
Slika 2.2.

Pouzdanost podataka i ocjene meuzavisnosti

U prikupljanju podataka mogua je pojava greke u podacima koja se ne moe
utvrditi prije nego to se nacrta oblak taaka. Ako se u dijagramu rasipanja pojave
take koje znatno odstupaju od ostalih parova podataka (slika 2.2) njih treba iskljuiti
iz razmatranja kao grube greke jer e deformisati sliku o karakteru meuzavisnosti
i umanjiti pouzdanost ocjene.
Ako se ocena o intenzitetu meuzavisnosti ne moe donijeti samo na osnovu
izgleda dijagrama rasipanja prii odreivanju koeficijenta korelacije, determinacije ili
indeksa krivolinijske korelacije.
Razlaganje podataka (stratification)
Ako se ne vodi dovoljno rauna o karakteru veliina u skupovima mogua je
pojava iskrivljene slike o karakteru meuzavisnosti i pogrenih zakljuaka. Primer na
slici 2.3 pokazuje da se razlaganjem podataka po karakteru promjenljive X (na
posebne uzorke A i B) ocjena o nepostojanju meuzavisnosti mjenja u ocenu
postojanju pozitivne linearne korelacione veze za pojedinane uzorke.

Rangiranje promjenljivih
U odreenim sluajevima potrebno je detaljno analizirati oblik oblaka taaka
u DIJAGRAM RASIPANJA i podataka na kojima je zasnovano njegovo crtanje u
pogledu mogunosti podjele (rangiranja) promjenljivih na vie podruja. Primjer na
slici
2.4 pokazuje da se podjelom promjenljive X na dva podruja A i B ocjena o utvrenoj
meuzavisosti mijenja na sljedei nain:
-U sluaju analize bez rangiranja promjenljive X ocjena je da postoji
krivolinijska korelacija iji intenzitet bi trebalo posebno istraiti;
-U sluaju rangiranja promjenljive X na dva podruja A i B ocjena se mijenja
tako da u oba sluaja postoji pravolinijska korelacija. Potrebno je naglasiti da je

rangiranje mogue samo ako podruja A i B imaju odreeni fiziki smisao.

Slika 2.4 Rangiranje promjenljivih u primjeni metode DIJAGRAMA RASIPANJA

Primjer dijagrama rasipanja

U cilju praktine ilustracije mogunosti analize veliina predmetnom metodom,
u nastavku je dat primjer oblikovanja DIJAGRAMA RASIPANJA za sluaj analize
meuzavisnosti parametara kvaliteta.
Utvrivanje problema
Kvalitet tolerancijskog polja i hrapavost obraene povrine kod predmeta rada
koji podlijeu obradi skidanjem strugotine u industriji prerade metala su veliine ija
meuzavisnost nije jednoznano utvrena.
Poznato je, u praksi razrade konstrukciono-tehnoloke dokumentacije za
proizvode iz predmetnog podruja, da date dvije grupe (skupa) veliina stoje u
odreenoj meuzavisnosti koja ne moe biti iskazana kao strogo funkcionalna.
Postoje
i standardima (JUS M.A1.025) odreene preporuke u datom smislu, prema tabeli 2.1.
Tabela 2.1. Zavisnosti kvaliteta povrinske obrade I kvaliteta tolerancijskog polja

Nazivne mjere u vrijednostima za Ra su date u mikrometrima

Primjer je odabran u cilju dobijanja saznanja da li se predmetna
meuzavisnost, za koju je iskustveno utvreno da neosporno postoji ,primjenjuje u
postupcima konstruisanja predmeta rada u mainstvu.
Podaci
Za izvoenje analize odabran je uzorak - odreeni broj sluajno uzetih crtea
predmeta rada koji sadre podatke o 300 mjera predmeta rada za koji je u postupku
konstruisanja utvren:
X - kvalitet tolerancije i
Y - kvalitet povrinske obrade,
odnosno dva skupa podataka, kako je dato u tabeli 2.2, na osnovu kojih je
mogue izvesti analizu prema naprijed datom postupku.
Potrebno je naglasiti da je u datom primjeru, veliina mjere predmeta rada
iskljuena iz razmatranja kao trei skup veliina koji, i onako utie na veliine
parametara datih skupova podataka, ne utie na karakter njihove medjuzavisnosti
Tabela 2.2 Podaci iz uzorka

Podaci i na osnovu njih nacrtani dijagrami rasipanja za dati primjer pokazuje da

se u postupcima konstruisanja predmeta rada u mainstvu koristi veoma jaka
pozitivna
korelaciona veza posmatranih skupova veliina.

Zakljuak
Dijagram rasipanja, kako je naprijed iznijeto,ima iroku primjenu kao poseban
vid matematiko-statistkih metoda u istraivanju meuzavisnosti skupova veliina
za
koje, u skladu sa prirodom procesa rada preduzea i uslunih organizacija, ne postoje
pouzdani dokazi da stoje u direktnoj funkcionalnoj vezi.
Bezbroj je primjera procesa rada razliitih funkcija preduzea ili uslune
organizacije u kojima uesnici imaju potrebu da ocjene meuzavisnost veliina koje
su
predmet njihovog rada i za koje poseduju relevantne podatke. U najveem broju
sluajeva dovoljno je saznanje da veza o kojoj je rije postoji i saznanje o optem
karakteru veze, odnosno dovoljno je nacrtati "oblak taaka", to je zahvat za ije
izvrenje je potrebno utroiti, kako pokazuju slika 2.6 nesrazmjerno malo vremena u
odnosu na efekte koji mogu da se ostvare.

Posebno je znaajna primjena dijagrama rasipanja u kombinaciji sa drugim,

prije svega kvalitativnim metodama i tehnikama za povienje kvaliteta proizvoda i
usluga procesa rada.

8.4. KONTROLNE KARTE

UVOD
Kontrolne karte spadaju u statistike metode kontrole kvaliteta. U sutini to je
grafikon na kome apscisa predstavlja redoslijed kontrolisanja, a na ordinatu se
ubiljeavaju vrijednosti parametara, koje kontroliemo preko uzoraka odreene
veliine. Pomou kontrolne karte utvrujemo variranje kvaliteta, a s tim u vezi
stabilnost i sposobnost procesa proizvodnje u odnosu na utvrene kontrolne granice.
Dr juhart, koji se moe smatrati tvorcem kontrolnih karata, kae da je njihov
zadatak:
1. da odravaju proces proizvodnje u stanju kontrole
2. da dovedu proces proizvodnje u stanje kontrole
3. da pokae da li je postignuto stanje kontrole.
Po Dr juhartu ''za neku pojavu se kae da je pod kontrolom ako na osnovu
dosadanjih podataka moemo predvidjeti, bar u izvjesnim granicama, kako e se
pojava mjenjati u budunosti. Ovdje se pod predvianjem unutar izvjesnih granica
podrazumjeva da moemo utvrditi, bar priblino, vjerovatnou da e se pojava nai
unutar datih granica''.
Kontrolna karta je dijagram gdje na vertikalnoj osi unosimo vrijednosti
karakteristike kvaliteta ije variranje prouavamo. Svaku kontrolnu kartu karakteriu
centralne linije (prosjeci) i kontrolne granice. Kada se variranje procesa odvija u
okviru
kontrolnih granica, onda se za proces kae da je pod kontrolom. U suprotnom nije pod

kontrolom.
Kada je proces pod kontrolom to znai da je variranje kvaliteta normalno i da je
proces proizvodnje stabilan. Kad proces nije pod kontrolom imamo nenormalno
variranje kvaliteta, ija je posledica nestabilnost procesa proizvodnje.
Kod novog proizvoda najznaajnije je ustanovljavanje tolerancija. Konstruktor
odreuje tolerancije koje esto proces proizvodnje nije u stanju da zadovolji.
Konstruktor je preko kontrolnih karata upoznat sa stvarnom sposobnou procesa i
tako moe da ''optimizira'' meusobni odnos tolerancija i sposobnost raspoloivih
sredstava za proces izrade. Uloga kontrolne karte u ovom sluaju je koordinatorska
izmeu radnika, kontrolora, tehnologa i konstruktora, to je veoma znaajno u
sistemu
upravljanja kvalitetom.
Pored svega toga, kontrolne karte pruaju objektivnu informaciju o stanju kvaliteta
rukovodeem osoblju u proizvodnji. One imaju i psiholoko dejstvo, jer proizvodni
radnik, podeiva, kontrolor, poslovoa i tehnolog dobijaju vizuelnu predstavu o
valjanosti i sposobnosti procesa proizvodnje pa doivljavaju linu satisfakciju za
Upravljanje kvalitetom

163

uspjeno obavljene poslove, ili osjeaju potrebu da preduzmu ili pokrenu korektivnu
aktivnost za otklanjanje uzroka loeg kvaliteta.
Karakteristike kvaliteta se prema nainu ocjenjivanja djele na:
numerike i
atributivne.
Numerike karakteristike kvaliteta su takva svojstva koja se ocjenjuju brojnim
vrijednostima kao na primjer: temperatura, pritisak, duina, gustina, snaga itd.
Obino
se pri tome koristi odgovarajua mjerno-kontrolna i ispitna oprema.
Atributivne karakteristike kvaliteta su takva svojstva koja se ocjenjuju opisno pa se
kae da je neto dobro ili loe, da odgovara ili ne, da ide ili ne ide itd. Vizuelna
kontrola
kvaliteta je tipino atributivno ocjenjivanje. Meutim i kod atributivnih svojstava
kvaliteta postoje mogunosti ocjenjivanja putem odgovarajue mjerno-kontrolne i
ispitne opreme.
Materija kontrolnih karata obuhvata slijedee:
podruje primjene,
osnovne matematiko statistike relacije,
kontrolne karte za numerike karakteristike kvaliteta,
kontrolne karte za atributivne karakteristike kvaliteta,
analizu sposobnosti procesa i
obradu kontrolnih karat pomou raunara.

PODRUJE PRIMJENE

Kontrolne karte imaju primjenu u ulaznoj kontroli kvaliteta, u toku tehnolokog

procesa, u kontroli kvaliteta gotovog proizvoda, u labaratorijama, na probnim
stolovima, kod osvajanja novih proizvoda, u ocjeni sposobnosti procesa i kod
istraivako razvojnih poslova. Sve ove aktivnosti su sastavni dio procesa koji se
odvija u raznim segmentima i na raznim nivoima.
Kontrolne karte podrazumjevaju izvjesno predznanje iz statistike to obuhvata
prikupljanje, predstavljanje i interpretiranje podataka.
Statistike metode obezbjeuju naine pristupanja neizvjesnim dogaajima i
predvianje rezultata. Rije ''statistika'' obino stvara utisak o zastraujuoj tematici,
koju mogu da prouavaju samo osobe sa dobro steenim analitikim predznanjem.
Statistiki elementi SPC programa ukljuuje prosto rukovanje podacima, a
podrazumjeva tehniko razumjevanje problema. Dakle, strukturisani podaci
predstavljaju osnovu za interpretaciju posmatrane pojave, odnosno problema.
Procesi se najprije dovode pod kontrolu, a zatim poboljavaju smanjenjem

varijabilnosti na normalnu vrijednost ili u pogodnim sluajevima na smanjenje nivoa

odbacivanja neispravnih jedinica do nule. Kako se zahtjeva stalno poboljanje
kvaliteta
Upravljanje kvalitetom

164
to kontrola sama za sebe nije dovoljna nego predstavlja samo dio ciklusa
kontinualnog
procesa poboljavanja. U praksi postoje praktina i finansijska ogranienja do kojih je
mogue ii sa poboljanjima, ali konani cilj je perfekcija, odnosno rad bez greke.
Postoje etiri glavna razloga koja opredjeljuju organizaciju prilikom donoenja
odluke o uvoenju kontrolnih karata, a to su:
spoljanji pritisak kupci zahtjevaju uvoenje programa kao preduslov
saradnje,
interna korist korisne implikacije su razliite, mnogobrojne i u veini
sluajeva oigledne,
opstanak trina konkurencija zahtjeva stalne promjene unutar preduzea, a
prvi preduslov opstanka je prepoznavanje potrebe za primjenom kontrolnih
karata i
trokovi kvaliteta uvoenje kontrolnih karata pretpostavlja poveane
preventivne trokove (trokovi vezani za planiranje kvaliteta, projektovanje i
obuku) koji u krajnjoj instanci imaju za posledicu smanjenje ukupnih trokova
kvaliteta.
Umjesto ''gaenja poara'' ili ''izdvajanja ivih od mrtvih'' aktivnosti treba da su
usmjerene na preventivu, odnosno na sistem, koji onemoguava pojavljivanja
greaka
(teiti otklanjanju problema na samom izvoru njegovog nastanka).
Naime, odreene procjene ukazuju da oko 30 % dnevnih aktivnosti su beskorisne.
Gubi se vrijeme na provjeru tueg rada, pronalaenju djelova koji nisu na svom
pravom mjestu unutar sistema, popravljanju karakteristika koje nisu u granicama
dozvoljenih odstupanja, izvinjavanju uesnicima u daljem procesu rada, itd. Ova lista
je
duga i predstavlja gubitak vremena, sredstava i napora. U tom smislu smanjuje
entropije procesa u direktnoj je proporciji sa smanjenjem predmetnih gubitaka.
SPC programi podrazumjevaju kontrolu i poboljanje procesa, a time i tenju ka
manjoj entropiji procesa i sistema u cjelini.
Iz izloenog se da zakljuiti da se kontrolne karte odnose na sve procese sistema.
Kontrolne karte, uz podrku raunarske opreme i odgovarajueg softvera, mogu se
znatno efikasnije primjenjivati. U tom pogledu potrebno je prihvatiti sledee
pretpostavke:
sa raunarom radite bre,
sa raunarom radite lake,
sa raunarom uesnik ostvaruje vie,
vremena odgovora raunara su prihvatljiva,
vjerovatnoa rjeenja zadatka raunarom bliska je jedinici,
programske tehnike se izrauju modularno i dobro su dokumentovane i
rad sa raunarom ne zatvara puteve ljudske komunikacije u radnim procesima.
Upravljanje kvalitetom

165

Kljuni aspekt kontrolnih karata je da se dobije predvidiv proces,a time predvidiv

rezultat. Pokaznu osnovu za donoenje suda o predvidljivosti procesa predstavljaju
podaci, izdvojeni i obraeni na nain koji omoguava donoenje relevantnih
zakljuaka.
Mogunost blieg upoznavanja naina rukovanja podacima i tumaenja
prepoznatljivih struktura podataka preduslov su uspjenog uvoenja kontrolnih karata
u procese i sisteme.

Cilj istraivanja sposobnosti procesa je ocjena saglasnosti procesa sa zadatim

zahtjevima kvaliteta (na crteima, specifikacijama, procesnim parametrima,
probanjem
proizvoda itd.) i to primjenom matematiko statistikog instrumentarija. Ispitivanje
sposobnosti procesa obino se obavlja prije poetka serijske proizvodnje.
Ako su kod odreenog procesa u potrebnoj mjeri eliminiu sistematski uticaji
(posebni uticaji ili uzorci) na rasipanje i ako u tom procesu djeluju jo samo sluajni
uticaji na rasipanje onda se taj proces u matematiko statistikom smislu moe
oznaiti kao stabilan ili ovladan.
Za ocjenu stanja ''ovladan proces'' koriste se odgovarajue kontrolne karte.

OSNOVNE MATEMATIKO STATISTIKE RELACIJE

Kod praenja bilo koje karakteristike kvaliteta dobijaju se razne vrijednosti koje
imaju svoju distribuciju (raspodjelu). Neke vrijednosti imaju veu, a neke manju
uestalost.

Osnovne karakteristike rasporeda frekvencija

Raspored frekvencija definie se sa dvije osnovne karakteristike:
vrijednost oko koje se frekvencija nagomilava,
rasipanje ili disperzija izmjerenih rezultata.
Ove dvije osnovne karakteristike rasporeda frekvencija odreene su sa nekoliko
veliina.
Karakteristika srednje vrijednosti
Postoje vie naina za izraavanje srednje vrijednosti.
Mod je vrijednost sa najveom frekvencijom.
Medijan je vrijednost od koje je jednak broj i manjih i veih rezultata. U sluaju
da je paran broj rezultata, medijan je aritmetika sredina dve vrijednosti od kojih ima
jednak broj i manjih i veih rezultata.

Medijan je prikladan podatak za srednju vrijednost

kada podataka nema mnogo.
U sluaju gdje postoji mogunost subjektivnog ocjenjivanja takoe je podesan
medijan, jer je neosjetljiv na ekstremne vrijednosti.
Prosjek ili srednja vrijednost je aritmetika sredina svih izmjerenih rezultata i
izraunava se po obrascu :

Prosjek kao karakteristika srednje

vrijednosti najee se upotrebljava u kontroli
kvaliteta.
Karakteristike za rasipanje
Raspon je razlika izmeu najmanjeg i najveeg izmjerenog rezultata.
Kod velikog broja podataka ova karakteristika nije znaajna jer mogui pojedinani
ekstremi daju pogrenu predodbu stvarnog stanja, zato znaaj ove karakteristike
opada ako je vie od deset podataka.
Standardna devijacija je takoe karakteristika rasipanja i data je sledeim izrazom:

Standardna devijacija ima istu dimenziju kao i izmjereni rezultat. Ona je podesna kao
karakteristika rasipanja kod veeg broja rezultata.
Koeficijent varijacije je odnos standardne devijacije prema srednjoj vrijednosti i dat je
izrazom:

i obino se izraava procentima.

Varijansa je kvadrat standardne devijacije.

Varijansa se esto koristi u statistikim analizama.

Karakteristika za kosost
Teorijski i idealni raspored frekvencija je simetrian, meutim, praktino lijeva
strana moe imati due prostiranje od desne u odnosu na srednju vrijednost i
obratno.
Ova karakteristika rasipanja frekvencija se definie koeficijentom kososti, koji je dat
izrazom:

Vrijednost za k moe biti >0 ili <0. Kod simetrinog rasporeda je k = 0. Ako
vrijednost za koeficijente kososti nisu vee od 0,5, onda je uticaj takve kososti
zanemarljiv. Kod veeg broja podataka ova karakteristika nema znaaja i rjee se
koristi.
Na slici 3.1 prikazani su nesimetrini rasporedi frekvencija sa pozitivnom i
negativnom vrijednou koeficijenta kososti.

Slika 3.1: Pozitivna i negativna vrijednost koeficijenta kososti

Rasporedi frekvencija
Kontrolom kvaliteta utvruju se numerike karakteristike kvaliteta koje su u optem
sluaju promjenljive i vrijednosti njihovih relativnih frekvencija mogu se prikazati
funkcijom. Ova kriva daje vjerovatnou pojavljivanja pojedinih promjenljivih i
uglavnom
se koriste etiri teorijska rasporeda frekvencija: hipergeometrijski, binomni, poasonov
(Poisson) i normalni (Gauss) raspored.
Kao najosnovniji raspored sa najveom primjenom u kontroli kvaliteta je Gaussov
ili normalni raspored.

GAUSSOV NORMALNI RASPORED

Ako se posmatra neka pojava i registruje numerike vrijednosti promatrane
karakteristike, onda se uoava zakonitost javljanja ovih vrijednosti. Uestalost
javljanja
pojedinih promjenljivih je vea, a drugih je manja.
Vjerovatnoa javljanja promjenljive x kod normalne distribucije moe se izraziti
sledeom funkcijom:

Znai da je normalni raspored potpuno odreen ako nam je poznata

standardna devijacija i prosjek. Grafik ove funkcije dat je na slici 3.2.
Iz grafikog prikaza krive moemo konstatovati da je ona simetrina, da je
jednotjemena i da se asimprotski pribliava x-osi. Kriva ima prevojne take za
vrijednosti promjenljive x = x0 0
Za vrijednost x = x0 30 kriva se sasvim pribliava x-osi i y ima vrijednost y =
0,0044.Ako elimo da traimo integral ove funkcije u granicama onda dobijamo
povrinu F = 1, jer suma svih vjerovatnoa, odnosno relativnih frekvencija je ravna
jedinici, odnosno 100%.

Sika 3 .2. Normalni raspored

Vrijednosti integrala ispod krive normalne distribucije u odreenim granicama su
slijedee:

Slika 3.3. Povrine ispod Gauss-ove krive

Za razne vrijednosti parametra t moe se iz tabele (u prilogu) oitati vrijednost
povrine ograniene Gauss-ovom krivom linijom i x-osom, a u granicama od x 0 do
veliine parametra t, koji predstavlja relativno udaljenje u standardnim devijacijama.

2.Proraun kontrolnih granica procesa

Kontrolne granice procesa pokazuju kvalitativno kretanje procesa, njegovu
stabilnost i sposobnost. To su granice mogunosti jednog procesa i predstavljaju
normalne varijacije, koje se mogu oekivati.
Korienjem relacija izme|u ukupne populacije i uzorka, izraunavaju se
kontrolne granice procesa.
Kontrolne granice za srednje vrijednosti x .

KONTROLNA KARTA ZA INDIVIDUALNO PRAENJE KVALITETA

Ova kontrolna karta se jo i naziva kontrolna karta sa pominim rasponom.
Kod sprovo|enja 100% kontrole kvaliteta, npr. Kod sloenih proizvoda, skupih
agregata (turbine, generatori, pumpe) koje se rade u malim koliinama, onda se
registruju parametri kvaliteta i prate se putem ove kontrolne karte .
Pored toga, ima i takvih tehnolokih procesa gdje je dovoljno izvriti jedno ispitivanje
da bi se ocijenila itava proizvedena masa. Ovaj sluaj u procesnoj i hemijskoj
industriji, npr. U proizvodnji piva, alkoholnih pia i hemikalija. Da bi se izvrila
statistika obrada, potrebno je imati bar 20 posmatranja ( k>20) (82).
Naziv karta sa pominim rasponom dat je otuda to se raspon izraunava izme|u dva

uzastopna ispitivanja, tako da je raspona za jedan manje od broja izmjerenih veliina.

Proraun se sastoji:

KONTROLNE KARTE ZA ATRIBUTIVNE KARAKTERISTIKE

KVALITETA
Od kontrolnih karata za atributivne karakteristike kvaliteta obradie se sledee:
p-kontrolna karta
m-kontrolna karta
u-kontrolna karta
c-kontrolna karta

p-kontrolna karta
Ova kontrolna karta se koristi za praenje proporcije loih. Kod ocjenjivanja
kvaliteta proizvodi se razvrstavaju na dobre i loe, bez obzira na razlike koje postoje
na
njihovim kvalitativnim karakteristikama. Proporcija loih se obiljeava sa p i
predstavlja :

8.5. ANALIZA SPOSOBNOSTI PROCESA

Ako se sve take dijagrama nalaze u okviru granica procesa, a sve to u granicama
izraunatih zadatim standardom, onda kaemo da je takav proces pod kontrolom.

Analizom kontrolonih karata mogue je:

- otkriti sistemske uticaje
- ocijeniti sposobnost procesa (preciznost i tanost)

Otkrivanje sistemskih uticaja

Postupak otkrivanja sistemskih uticaja primjenom kontrolnih karata
podrazumjeva korienje odreenih pravila i to najee etiri. Pravila se koriste za
prvih 20 do 25 uzoraka kako bi se izvelo poetno ispitivanje procesa.
Pravilo I: Bilo koja taka izvan kontrolnih granica
Pozicija kontrolnih granica se odreuje tako da se vodi rauna o nivou
vjerovatnoe od priblino 1/1000. ako razlog za ovaj uticaj nije pronaen onda
kaemo
da je ta vrijednost dio skupa vrijednosti na osnovu koga se formiraju granice. Ako se
razlog pak pronae onda se taka uklanja iz skupa od 20 odnosno 25 uzoraka, a
kontrolne granice se ponovo odreuju na osnovu preostalih 19(24) uzoraka.
Ukoliko postoji taka ispod DKGR onda je to poboljanje, a ne pogoranje. Ona
najavljuje potencijalnu promjenu na bolje koja se ogleda u smanjenju varijabilnosti

Ocjena sposobnosti procesa

Ocjenu sposobnosti procesa vrimo na osnovu:
-relativne irine procesa
-indeksa preciznosti i
-indeksa tanosti.
Relatina irina procesa
U normalnim prilikama ona iznosi manje od 75% od tolerancije. Rauna se:

Slika 6.2. Karakteristini sluajevi odnosa cp i cpk

Zakljuak
Primjena kontrolnih karata predstavlja zahvat koji trai strunije osoblje i
vremensko angaovanje, pa poveava trokove i zato kod postavljanja kontrolnih
karata treba biti racionalan.
To su grafiki prikazi variranja kvaliteta posmatrane karakteristike, gdje je
ordinata ocjenjivanje svojstava kvaliteta, a apscisa redosljed kontrolisanja.
Neadekvatna primjena kontrolnih karata u procesu:
-ne predstavlja rjeenje za obezbjeenje kvaliteta i
-dovodi do neekonominog odnosa uloenog rada prema rezultatima koji iz njega
proistiu.
U koncepciji upravljanja kvalitetom kontrolne karte nailaze na korisnu primjenu,
naroito u oblasti kontrole kvaliteta i u djelatnostima poslovanja uopte. Koriste se i
upodaci iz kontrolnih karata ne koriste za korektivne akcije onda su one nepotrebne.
Kontrolne karte treba postavljati na mjestima gdje se mogu pratiti ona svojstva
kvaliteta koja su od presudnog uticaja na upotrebnu vrijednost proizvoda.
Korienjem kontrolnih karata omogueno je:
-objektivno ocjenivanje ostvarenog kvaliteta u procesu
-utvrivanje tehnolokih sistema koji mogu da osvare zahtjevane karakteristike
kvaliteta u propisanim granicama
-utvrivanje karakteristika kvaliteta kod kojih se pojavljuju odstupanja u odnosu na
date
zahtjeve
-analizu uzroka variranja kvaliteta
-objektivno procjenjivanje uvoenja novih tehnologija i novih proizvoda
-ocjenjivanje tanosti, stabilnosti i sposobnosti procesa.

Na sledeoj slici je prikazan primjer opteg modela kontrolne karte:

ISSN 1330-7142
UDK = 311.17: 63

STATISTIKA KONTROLA PROCESA I PROIZVODA U

POLJOPRIVREDI
D. Horvat, Andrijana Eed, . Banaj
Struni lanak
Professional paper

Grafikon 4. Standardna kontrolna karta u provjeri protoka ispitne tekuine

Chart 4. Standard control chart in a testing of nozzle flow

Iz kontrolne karte vidljivo je da protok tekuine kroz mlaznice nije ujednaen

te da kod pojedinih
mlaznica dolazi do otklona u odnosu na kontrolne granice. Takvo stanje
procesa oznaava se
terminom izvan statistike kontrole i ukazuje da pojedine mlaznice, na
kojima dolazi do otklona,
treba podesiti ili zamijeniti. Tako, na primjer, mlaznice 9., 27. i 28. imaju
manju protonost, a 34. i 35.
mlaznica veu protonost, odnosno njihove se vrijednosti nalaze izvan
kontrolnih granica.
ANALIZA KONTROLNIH KARATA
Osim precizne izrade kontrolnih karata, od velike je vanosti i njihovo pravilno
tumaenje.
Najjednostavnije je tumaiti kontrolne karte kod kojih se proces nalazi izvan
statistike kontrole,
odnosno onaj proces kod kojega se vrijednosti pojedinih mjerenja nalaze
izvan kontrolnih granica. To
znai da je u procesu prisutan neki od posebnih uzroka varijacije i da treba
obaviti prilagodbu.
Meutim, smjetaj svih toaka unutar kontrolnih granica, odnosno dobivanje
kontrolne karte na kojoj
je proces unutar statistike kontrole, ne mora znaiti da je takav proces
prihvatljiv od strane
statistiara.
Kod tumaenja kontrolnih karata koristi se niz termina za opisivanje
pojedinoga stanja na kontrolnoj
karti, koja prikazuje proces unutar kontrole (Juran, 1999.):
RUN (tok ili tendencija) javlja se kada se sedam toaka u nizu nalaze s
gornje ili donje strane

sredinje crte, ali unutar kontrolnih granica. Takav izgled kontrolne karte
kazuje nam da u procesu
postoje nepravilnosti koje treba korigirati.
TREND (trend, nagib) ukoliko na kontrolnoj karti postoji sljed toaka ije
vrijednosti kontinuirano
opadaju ili rastu, ukazuje nam da proces izmie kontroli i obino je potrebito
ugoditi stroj.
PERIODICITY (periodinost) evidentna je kada se unutar procesa u istim
razmacima javljaju
promjene ciklikoga tipa.
HUGGING (dranje) nepravilnost koja se javlja kada su izmjerene vrijednosti
smjetene vrlo blizu
sredinje crte ili kontrolnih granica.
Analiziranju svake pojedine kontrolne karte treba pristupiti vrlo ozbiljno i
studiozno. Na osnovi
rezultata kontrolne karte, mogue je unaprijediti proizvodni proces, otkloniti
neeljene uzroke
varijacije, smanjiti trokove proizvodnje, a samim time i poveati dobit.
Kontrolna karta, kao sredstvo
u kombinaciji sa znanjem onih koji vode proces, zamjenjuje intuitivno
odluivanje o procesu,
donoenjem odluka na znanstvenoj osnovi.
ZAKLJUAK
Poboljanje kvalitete proizvoda mogue je postii unaprjeenjem procesa
proizvodnje koji moe biti
uinkovitiji pomou statistike kontrole kvalitete. Ista rabi statistiku analizu u
cilju praenja, kontrole
i neprekidnoga poboljavanja procesa. Niska proizvodnost, proizvodi koji ne
zadovoljavaju potrebe
trita, oteeni proizvodi i drugo rezultat su varijacija u procesu. Procjenjuje
se da je oko 94%
varijacija u procesu rezultat obinih varijacija koje su svojstveni procesu (npr.
genotipske varijacije), a
preostalih 6% varijacija posljedica su posebnih uzroka varijacije. Statistika
kontrola procesa i
kvalitete poljoprivrednih proizvoda unaprjeuje proces tako to smanjuje
uzroke varijacije u njima.
Kao osnovni alat statistike kontrole kvalitete koriste se kontrolne karte. One
slue za usporedbu
podataka o procesnom ispunjavanju funkcije s izraunatim statistikim
kontrolnim granicama
ucrtanim kao granine crte na karti. Postoji veliki broj kontrolnih karata za
mjerljiva i opisna svojstva,
koje nalaze sve vie mogunosti za primjenu u svim podrujima.
Pribliavanjem Republike Hrvatske
Europskoj uniji i prihvaanjem meunarodnih normi ISO 9000 u svakoj
proizvodnoj djelatnosti,
postavljeni su kriteriji, odnosno norme kvalitete, koje svaki proizvod mora
ispunjavati da bi mogao

izii na trite. Statistika kontrola kvalitete, pomou svojih alata, a osobito

kontrolnih karata, uvelike
moe pridonijeti postizanju tih zadanih normi. Ispitivanjem mlaznica na
prskalici Rau Spridomat D2 i
njihovom statistikom analizom ukazano je na neujednaeni protok tekuine
kroz mlaznice, na to
ukazuju izvjesni otkloni u odnosu na kontrolne granice. Sve navedeno
tehnolozi bi trebali uvaiti, a po
potrebi i korigirati protoku, glede poboljanja kvalitete rada prskalice u
narednim radnim procesima.
LITERATURA
1. Juran, J.M., Gryna, M.F. (1999.): Planiranje i analiza kvalitete. MATE, Zagreb:
p. 664.
2. Crosby, P. B. (1996): Quality Is Still Free: Making Quality Certain In
Uncertain Times. McGrawHill. New York: p. 205
3. Deming, W. E. (1986): Out of the crisis. MIT Center for Advanced
Engineering Study. MIT Press,
Cambridge.
4. Enginering Statistics Handbook: How did Statistical Quality Control
Begin?: URL:
http://www.itl.nist.gov/div898/handbook/pmc/section1/pmc11.htm
(11.05.2006.)
5. Hadivukovi, S. (1989.): Statistika. Privredni pregled Beograd: p. 271.
6. Ishikawa, K. (1994): What He thought and Achieved, A Basis for Further
Research. Quality
Management Journal: p. 86- 91
7. StatSoft, Inc. (2004). STATISTICA (data analysis software system), version
7.
8. Woodall, W. H, (2000) : Controversis and Contradictions in Statistical
Process Control. Journal of
Quality technology Session, October 12-13.
9. Zimmerman, S.M., Icenogle M.L. (2003): Statistical quality control using
Excel (Second Edition).
ASQ Quality Press Milwaukee.

UPRAVLJANJE KVALITETOM U LOGISTICI

11 POGLAVLJE

STATISTIKE METODE I TEHNIKE-ZBIRKA ZADATAKA

DISTRIBUCIJE (RASPODELE)
Statistiki modeli u dananje vreme koriste se u raznim poljima nauke
i biznisa. Pa ipak, terminologija se razlikuje od sluaja do sluaja. Na
primer, postavljanje modela na osnovu podataka ima sinonime: kalibracija
(callibration), history matching i asimilacija podataka (data assimilation), to
je sve jedan isti pojam, poznat u statistici kao ocena parametara.
Baza svake organizacije sadri mnotvo podataka, pa ipak, koristi se
uvek samo jedan njen deo. Zaposleni troe silno vreme prikupljajui i
beleei podatke, pri emu donosioci odluka ne mogu izvui u kratkom
vremenu (kada im je to potrebno) iz tog mnotva bitne podatke za donoenje
odluka. Zbog toga se mnoge odluke donose na nagaanjima, a ne na
injenicama, i proputaju se mnoge anse, ako uopte budu prepoznate i
primeene.

Podatak sam po sebi je sirova informacija, a ne znanje. Da bi se

podatak mogao iskoristiti, treba prei put do znanja: od podatka do
informacije, od informacije do injenice, i konano, od injenice do znanja.
Podatak postaje informacija u trenutku kada je od vanosti za dati problem
odluivanja. Informacija postaje injenica, u trenutku kada postoji podatak
koji je potkrepljuje. injenice su ono to otkriva problem. tavie,
instrumentalno (primenjeno) znanje je uvek praeno nekim statistikim
nivoom poverenja. injenica postaje znanje onog trenutka kada se koristi
kao uspean zavretak procesa odluivanja.
Svi podaci mogu se grupisati prema izvesnim pravilima po kojima se
ponavljaju. To se u statiustici naziva raspodela. Prema tome kolio se esto
javljaju u praksi, postoje razne vrste raspodela, od kojih emo ovde nabrojati
samo neke. Na ovom mestu osim navoenja odreene distribuciije,
navodiemo i njihove tipine primene.
Binomna
Primena: daje verovatnou realizovanih dogaaja u n nezavisnih opita, kada
je verovatnoa realizacije pojedinanog opita konstantna. esto se koristi u
upravljanju kvalitetom, pouzdanosti, survey sampling i drugim problemima
u industriji.
Primer: koja je verovatnoa da padne 7 ili vie ''glava'' u 10 bacanja novia?
Komentari: Nekad moe biti aproksimirana Puasonovom raspodelom.
Multinomijalna
Primena: daje verovatnou tano ni izlaza dogaaja i, i=1,2,...k u n
nezavisnih opita, kada je verovatnoa pi dogaaja i u jednom opitu
konstantna. esto se koristi u upravljanju kvalitetom i drugim problemima u
industriji.
Primer: etiri kompanije se nadmeu za svaki od tri ugovora, sa odreenim
verovatnoama uspeha. Koja je verovatnoa da jedna ista kompanija dobije
sve porudbine?
Komentari: Ovo je generalizacija binomne raspodele za vie od dva izlaza.
Hipergeometrijska
Primena: daje verovatnou pojavljivanja tano x jedinica robe u uzorku od n
jedinica iz populacije N jedinica, gde ima k neispravnih (loih) jedinica u
populaciji. Koristi se u upravljanju kvalitetom i srodnim oblastima.

Primer: Data je partija od 21 dobre (ispravne) jedinice i 4 loe. Koja je

verovatnoa da e uzorak od 5 jedinica sadrati bar jednu lou?
Komentari: Moe se aproksimirati binomnom distribucijom kada je n malo
u odnosu na N.
Geometrijska
Primena: daje verovatnou da se odradi tano x binomnih opita pre nego to
se pojavi prvi traeni element. Koristi se u upravljanju kvalitetom,
pouzdanosti i drugim problemima u industriji.
Primer: odreivanje verovatnoe da se odradi tano 5 testova (five tests
firings) pre nego to se postigne prvi uspean.
Paskalova (Pascal)
Primena: daje verovatnou da se odradi tano x neuspenih opita pre nego
to se pojavi s-ti uspean.
Primer: Koja je verovatnoa da se trei uspeh pojavi u 10-tom opitu?
Negativna Binomna
Primena: daje verovatnou pojavljivanja Poasonove raspodele kada se
dogaaji ne pojavljuju u konstantnom intervalu i period pojavljivanjaje
sluajna promenljiva koja se dobija na osnovu gama raspodele.
Primer: Distribucija broja karijesa za grupu zubnih pacijenata.
Komentari: Generalizacija Paskalove distribucije kada s nije ceo broj.
Mnogi autori ne prave razliku izmeu Paskalove i Negativne Binomne
raspodele.
Puasonova (Poisson)
Primena: daje verovatnou pojavljivanja tano x nezavisnih pojava u datom
periodu vremena ako se dogaaji deavaju nezavisno i u konstantnim
intervalima. Takoe moe predstavljati broj pojavljivanja u konstantnim
oblastima ili zapreminama. esto se koristi u upravljanju kvalitetom,
pouzdanosti, teoriji redova ekanja, itd.
Primer: Koristi se za distribuciju broja defekata materijala, dolazaka
muterija, tvrdnji u osiguranju, dolaznih telefonskih poziva, emitovanih alfa
estica, itd.
Komentari: esto se koristi za aproksimaciju binomne raspodele.

Normalna
Primena: osnovna distribucija u statistici. Mnoge primene potiu od
centralne granine teoreme (prosena vrednost n opita pribliava se
normalnoj distribuciji, bez obzira na oblik originalne distribucije pod optim
uslovima). Kao posledica toga, odgovarajui model za mnoge, ali ne sve,
fizike fenomene.
Primer: Distribucija fizikih merenja na ivim organizmima, testovi
inteligencije, dimenzije proizvoda, prosene temperature, itd.
Komentari: Mnoge statistike metode pretpostavljaju normalnu distribuciju.
A so-called Generalized Gaussian distribution has the following pdf:
A.exp[-B|x|n], where A, B, n are constants. For n=1 and 2 it is Laplacian
and Gaussian distribution respectively. This distribution approximates
reasonably good data in some image coding application.
Slash distribution is the distribution of the ratio of a normal random variable
to an independent uniform random variable, see Hutchinson T., Continuous
Bivariate Distributions, Rumsby Sci. Publications, 1990.
Gama (Gamma)
Primena: Osnovna distribucija u statistici za promenljive koje su ograniene
s jedne strane-na primer x vee ili jednako od nule. Daje distribuciju
vremena potrebnog za pojavljivanje tano k nezavisnih dogaaja u
konstantnim intervalima. esto se koristi u teoriji redova ekanja,
pouzdanosti i drugim primenama u industriji.
Primer: distribucija vremena izmeu ponovnih kalibracija instrumenata
kojima je potrebna rekalibracija posle k korisnika; vrme izmeu ponovnog
popisa; vreme pada sistema sa stendbaj komponentama
Komentari: Erlangian, eksponencijalna, hi-kvadrat distribucija su specijalni
sluajevi ove. Dirihleova je multidimenziona ekstenzija Beta distribucije.
Distribution of a product of iid uniform (0, 1) random? Like many problems
with products, this becomes a familiar problem when turned into a problem
about sums. If X is uniform (for simplicity of notation make it U(0,1)), Y=log(X) is exponentially distributed, so the log of the product of X1, X2, ...

Xn is the sum of Y1, Y2, ... Yn which has a gamma (scaled chi-square)
distribution. Thus, it is a gamma density with shape parameter n and scale 1.
Eksponencijalna (Exponential)
Primena: Daje distribuciju vremena izmeu pojavljivanja dva nezavisna
dogaaja u konstantnom periodu. Ekvivalentno tome, verovatnoa
distribucije ivota, pod pretpostavkom konstantnog uslovnog neuspeha (ili
hazarda????). Primenljiva u mnogim, ali ne svim problemima pouzdanosti.
Primer: Distribucija vremena izmeu dolaska dve estice na brojau.
Takoe, distribucija veka trajanja kompleksnih nonredundant sistema, i
korienja ivota nekih kompomnenti posebno u sluaju, kada su ove
izloene poetnom burn-in, i prevenciono odravanjeeliminie delove pre
wear-out.
Komentari: Specijalni sluaj Weibull i gamma distribucije.
Beta
Primena: Osnovna distribucija u statistici za promenljive koje su ograniene
s obe strane-npr x izmeu 0 i 1. Korisna i za teorijske i za praktine
probleme u mnogim oblastima.
Primer: Distribucija % populacije smetene izmeu najmanje i najvee
vrednosti u uzorku; distribucija dnevnog % yield u procesu proizvodnje,
opis preostalog vremena do zavretka zadatka (PERT).
Komentari: Uniformna, desna trougaona i parabolika distribucija su
specijalni sluajevi. Da bise generisala beta, potrebno je generisati dve
sluajne promenljive iz gama, g1, g2. Razlomak g1/(g1 +g2) se raspodeljuje
po beta distribuciji. Beta distribucija se takoe moeposmatrati kao
distribucija X1 datog (X1+X2), gde su X1 i X2 nezavisne gama sluajne
promenljive.
Takoe postoji veza izmeu beta i normalne distribucije. Uobiajeni raun
dat je kao PERT beta sa najveom vrednosti b i najmanjom a, kao i m,
ekvivalent normalne districbucijeima medijanu i modu (a + 4M + b)/6 i
standardnu devijaciju (b - a)/6.
See Section 4.2 of, Introduction to Probability by J. Laurie Snell (New
York, Random House, 1987) for a link between beta and F distributions
(with the advantage that tables are easy to find).
Uniformna

Primena: Daje verovatnou da e se posmatranje pojaviti u okviru

odreenog intervala kada je verovatnoa pojavljivanja u okviru intervala
direktno proporcionalna duini intervala.
Primer: Koristi se za pravljenje sluajnih vrednosti.
Komentari: Specijalni sluaj beta distribucije.
The density of geometric mean of n independent uniforms(0,1) is:
P(X=x) = n x(n-1) (Log[1/xn])(n-1) / (n-1)!.
zL = [UL-(1-U)L]/L is said to have Tukey's symmetrical l-distribution.
Log-normalna
Application: Permits representation of random variable whose logarithm
follows normal distribution. Model for a process arising from many small
multiplicative errors. Appropriate when the value of an observed variable is
a random proportion of the previously observed value.
In the case where the data are lognormally distributed, the geometric mean
acts as a better data descriptor than the mean. The more closely the data
follow a lognormal distribution, the closer the geometric mean is to the
median, since the log re-expression produces a symmetrical distribution.

Example: Distribution of sizes from a breakage process; distribution of

income size, inheritances and bank deposits; distribution of various
biological phenomena; life distribution of some transistor types.
The ratio of two log-normally distributed variables is log-normal.
Rayleigh
Application: Gives distribution of radial error when the errors in two
mutually perpendicular axes are independent and normally distributed
around zero with equal variances.
Example: Bomb-sighting problems; amplitude of noise envelope when a
linear detector is used.
Comments: Special case of Weibull distribution.

Cauchy
Application: Gives distribution of ratio of two independent standardized
normal variates.
Example: Distribution of ratio of standardized noise readings; distribution
of tan(x) when x is uniformly distributed.
Chi-square
The probability density curve of a chi-square distribution is asymmetric
curve stretching over the positive side of the line and having a long right tail.
The form of the curve depends on the value of the degrees of freedom.
Applications: The most widely applications of Chi-square distribution are:
Chi-square Test for Association is a (non-parametric, therefore can be used
for nominal data) test of statistical significance widely used bivariate tabular
association analysis. Typically, the hypothesis is whether or not two different
populations are different enough in some characteristic or aspect of their
behavior based on two random samples. This test procedure is also known as
the Pearson chi-square test.
Chi-square Goodness-of-fit Test is used to test if an observed distribution
conforms to any particular distribution. Calculation of this goodness of fit
test is by comparison of observed data with data expected based on the
particular distribution.
Weibull
Application: General time-to-failure distribution due to wide diversity of
hazard-rate curves, and extreme-value distribution for minimum of N values
from distribution bounded at left.
The Weibull distribution is often used to model "time until failure." In this
manner, it is applied in actuarial science and in engineering work.
It is also an appropriate distribution for describing data corresponding to
resonance behavior, such as the variation with energy of the cross section of
a nuclear reaction or the variation with velocity of the absorption of
radiation in the Mossbauer effect.
Example: Life distribution for some capacitors, ball bearings, relays, and so
on.

Comments: Rayleigh and exponential distribution are special cases.

Extreme value
Application: Limiting model for the distribution of the maximum or
minimum of N values selected from an "exponential-type" distribution, such
as the normal, gamma, or exponential.
Example: Distribution of breaking strength of some materials, capacitor
breakdown voltage, gust velocities encountered by airplanes, bacteria
extinction times.
t distributions
The t distributions were discovered in 1908 by William Gosset who was a
chemist and a statistician employed by the Guinness brewing company. He
considered himself a student still learning statistics, so that is how he signed
his papers as pseudonym "Student". Or perhaps he used a pseudonym due to
"trade secrets" restrictions by Guinness.
Note that there are different t distributions, it is a class of distributions.
When we speak of a specific t distribution, we have to specify the degrees of
freedom. The t density curves are symmetric and bell-shaped like the normal
distribution and have their peak at 0. However, the spread is more than that
of the standard normal distribution. The larger the degrees of freedom, the
closer the t-density is to the normal density.
Why Is Every Thing Priced One Penny Off the Dollar?

23. 04. 2006.| 20:23

(SCG) Seminar : Istraivanje trita 30.maj - 2.jun.5. 2006, Beograd ADIZES
STATISTIKE METODE I TEHNIKE
za iju primenu se uesnici obuavaju
Osnovna parametarska i neparametarska statistika
Klaster analiza
Faktorska analiza i korespondentna faktorska analiza

 Diskriminaciona analiza
Multidimenzionalno skaliranje
Analiza pridruivanja (Conjoint analysis)
Regresiona analiza
Analitiki hijerarhijski proces
Za svaku od ovih metoda i tehnika se daju konkretna uputstva vezana za:
odreivanje vrste podataka
izbor modela,
pripremu podataka,
izbor parametara obrade,
izbor prikaza rezultata,
tumaenje rezultata,
odluke koje se na osnovu toga mogu doneti