_____________________________________________________________________________________

Akademik Sosyal Araştırmalar Dergisi, Yıl: 6, Sayı: 65, Şubat 2018, s. 524-532

Yayın Geliş Tarihi / Article Arrival Date Yayınlanma Tarihi / The Publication Date
14.01.2018 15.02.2018

Yrd. Doç. Dr. Murat TANIK

Dokuz Eylül Üniversitesi, Ekonometri Bölümü
murat.tanik@deu.edu.tr

Ar. Gör. Hatem ÇOBAN

Dokuz Eylül Üniversitesi, Ekonometri Bölümü
hatemcbn@gmail.com

Prof. Dr. İpek DEVECİ KOCAKOÇ

Dokuz Eylül Üniversitesi, Ekonometri Bölümü
ipek.deveci@deu.edu.tr

ÇOK DEĞİŞKENLİ İSTATİSTİKSEL SÜREÇ KONTROL VE SÜREÇ

YETENEK ANALİZİ UYGULAMA PROSEDÜRÜ ÜZERİNE BİR
ÇALIŞMA
Öz
Bazı süreçler tarafından oluşturulan ürünler bir veya daha çok kalite karakteristiği
bakımından sürekli olarak izlenmekte ve kalite kontrolü sağlanmaya çalışılmakta-
dır. Çoğu zaman bu ürüne ait kalite karakteristikleri birbirinden bağımsız olarak tek
tek ele alınmakta ve her birinin kalite kontrolü ayrı olarak sağlanmaktadır. Ancak
kalite karakteristiklerinin tek tek ele alınması oldukça hatalı sonuçlara varılmasına
yol açabilir. Bu makalenin amacı bir ürünün korelasyonlu karakteristiklerinin bera-
berce ele alınmasını sağlayacak çok değişkenli istatistiksel kalite kontrol metotları-
nı tanıtmak ve bir uygulama yardımı ile süreci iyileştirmede kullanılacak çok de-
ğişkenli istatistiksel kalite kontrol prosedürünü anlaşılır kılmaktır. Bu amaçlara
ulaşılırken çok değişkenli istatistiksel süreç kontrol tekniklerinden biri olan Hotel-
ling’in T2’si ve çok değişkenli süreç yetenek indekslerinin en sık kullanılanları olan
MCp ve MCpm gibi temel istatistiksel araçlar ve bunların pratikte nasıl kullanılabi-
leceği ile ilgili konular incelenmiş bir uygulama üzerinde tanıtılmıştır.
Anahtar kelimeler: Çok değişkenli istatistiksel kalite kontrol, çok değişken-
li yeterlilik indeksleri, korelasyonlu kalite karakteristikleri, Hotelling T2
Çok Değişkenli İstatistiksel Süreç Kontrol ve Süreç Yetenek Analizi Uygulama Prosedürü Üze-
rine Bir Çalışma

A STUDY ON THE APPLICATION PROCEDURE

OF MULTIVARIATE STATISTICAL PROCESS CONTROL AND
PROCESS CAPABILITY INDICES
Abstract
Products evolving through various processes have been continually monitored by
means of one or many quality characteristics to ensure quality control. Many times,
the quality characteristics and regarding quality control procedures are handled in-
dividually and regardless of each other. However, the case in which these charac-
teristics are studied independently, may lead to false results.The purpose of this
study is to explain multivariate statistical quality control techniques that will allow
us to investigate correlated characteristics jointly; making use of an application ex-
ample to make the multivariate procedure used in process improvement more un-
derstandable. While reaching for the purpose of this study, multivariate statistical
process control techniques such as Hotelling’s T 2 which is a popular multivariate
quality control method and multivariate process capability indices such as MCp
and MCpm and their practical uses are studied with the help of an application.
Keywords: Multivariate statistical process control, multivariate process
capability indices, correlated quality characteristics Hotelling’s T2. 525
1. Giriş
Bazı süreçler tarafından oluşturulan ürünler bir veya daha çok kalite karakteristiği bakımından
sürekli olarak izlenmekte ve kalite kontrolü sağlanmaya çalışılmaktadır. Çoğu zaman bu ürüne
ait kalite karakteristikleri birbirinden bağımsız olarak tek tek ele alınmakta ve her birinin kalite
kontrolü ayrı olarak sağlanmaktadır. Ancak kalite karakteristiklerinin tek tek ele alınması ol-
dukça hatalı sonuçlara varılmasına yol açabilir (Kotz ve Lovelace, 1998).
Bir rulmanın iç çapı ile dış çapı rulmana ait iki adet kalite karakteristiğidir ve bu iki karakteris-
tik muhtemelen birbiri ile kuvvetle ilişkilidir. Aşağıdaki şekle dikkat edilecek olursa her iki
karakteristik ayrı ayrı izlenirken tüm ölçümlerin kontrol altında olduğu gözlenecektir. Ancak
yine de gözlemlerin biri bariz olarak sıra dışı bir değer almıştır. Demek ki aralarında korelasyon
bulunan kalite karakteristiklerinin beraberce incelenmesi daha bilgilendirici olacaktır (Kotz ve
Lovelace, 1998).

Şekil 1: İki Kalite Karakteristiğine Ait Ölçümlerin Bağımsız Kontrol Limitleri İçindeki Dağılımı
(Firuzan ve Şen, 1999)

The Journal of Academic Social Science Yıl:6, Sayı: 65, Şubat 2018, s. 524-532
Çok Değişkenli İstatistiksel Süreç Kontrol ve Süreç Yetenek Analizi Uygulama Prosedürü Üze-
rine Bir Çalışma

Bu gerçek hatalı parça oranlarının tahmin edilmesi sırasında ortaya çıkabilecek hatalı durumlar
incelenerek kuvvetlendirilebilir. Bir sürecin sonunda ortaya çıkan bir ürüne ait iki kalite karak-
teristiği x kartları ile takip ediliyor olsun. x1 veya x 2 nın herhangi birinin kontrol limitlerini
aşması olasılığı 0,0027 olacaktır. Eğer bu iki karakteristik birbirinden bağımsız olsaydı sürecin
her iki kalite karakteristiği bakımından kontrol altında olması olasılığının;
(1-0,0027) (1-0,0027) = (0,9973) (0,9973) = 0,99460729
olması gerekirdi. Ancak gerçekte bir ürüne ait pek çok kalite karakteristiği birbiri ile ilişkilidir
ve bunların birbirinden bağımsız olarak izlenmesi 1.tip hata olasılıklarının veya uygun süreç
çıktılarının hesaplanmasında hatalı sonuçlar bulunmasına neden olacaktır. Bu durum kalite ka-
rakteristiği sayısının çok fazla olması durumunda daha da ciddi sonuçlara yol açar (Firuzan ve
Şen, 1999).
Çok değişkenli süreç kontrolü ve çok değişkenli süreç yeterlilik analizinin vazgeçilmezliği, bir
ürünün kalitesinin iyileştirilmesi için süreç üzerinde yapılan iyileştirme çalışmalarında çok daha
fazla ortaya çıkmaktadır. Kalitenin iyileştirilmesinden bahsedebilmek için sürecin mevcut ve
iyileştirme sonrasındaki yeterliliklerinin doğru bir şekilde hesaplanması gerekir. Yapılan bazı
iyileştirme faaliyetleri bazı karakteristiklerin kalitelerinin artmasına yol açarken bazılarının
düşmesine yol açabilir. Bunu anlayabilmek için bir otomobil boyası üreten sürecin iyileştirilme-
si çalışmasını incelemek uygun olabilir. Parlaklık ve aşınma dayanımı boyanın iki farklı kalite 526
karakteristiğidir. Üretim sırasında bazı kimyasal maddelerin boyanın içine katılması dayanımı
arttırırken parlaklıkta azalmaya veya tam tersine yol açabilmektedir. Yani süreç kalitesini ölçer-
ken tüm karakteristiklerin topluca dikkate alınacağı kriterlere ihtiyaç vardır (Kotz ve Lovelace,
1998).
Çok değişkenli kalite kontrol yöntemleri değişkenler arasındaki korelasyonu da dikkate aldığı
için tercih edilmektedir. Şekil 2’de bir süreçteki iki değişken için uygulanan tek değişkenli kont-
rol ve çok değişkenli kontrol arasındaki ayrım görülmektedir

Şekil 2: İki Değişken İçin Uygulanan Tek Değişkenli Kontrol ve Çok Değişkenli Kontrol Arasındaki Ayrım
(Montgomery, 2005)

The Journal of Academic Social Science Yıl:6, Sayı: 65, Şubat 2018, s. 524-532
Çok Değişkenli İstatistiksel Süreç Kontrol ve Süreç Yetenek Analizi Uygulama Prosedürü Üze-
rine Bir Çalışma

Shewhart çizelgelerinin yakalayamadığı kontrol-dışı noktaları Hotelling T 2 çizelgesinin yaka-

lamasının nedeni, değişkenler arasındaki korelasyon yapısını hesaba katan, T 2 istatistiğine
dayalı eliptik bir kontrol bölgesi kullanmasıdır. Şekil 2’deki elips iki değişken arasında kuvvetli
pozitif korelasyon olduğunu göstermektedir ve dikdörtgen alandan çok farklıdır (Çetin ve Bir-
gören, 2007).
2. Çok Değişkenli İstatistiksel Süreç Kontrolü ve Hotelling’in T2 İstatistiği
Sürecin iyileştirilmesinden bahsedebilmek için öncelikle sürecin mevcut yeteneğinin doğru bir
şekilde ortaya konması gerekir. Bunun yapılabilmesi için de bazı koşulların sağlandığından
emin olunmalıdır. Kontrol edilmesi gereken ilk varsayım sürecin özel sebepli varyasyonlar
içermemesidir (Bothe, 1997). Diğeri de sürecin çok değişkenli normal dağılım göstermesi var-
sayımdır (Kotz ve Lovelace, 1998).
Çok değişkenli süreç kontrolünde, eşzamanlı görüntüleme sayesinde kalite karakteristikleri
hakkında daha çok bilgi elde edilebilmekte ve değişkenler arasındaki korelasyon belirlenebil-
mektedir. Tek değişkenli kontrol grafiklerinde ise değişkenlerin bağımsız oldukları varsayıl-
makla birlikte, gerçekte, değişkenler arası ilişkiler sürecin tanımlanmasında önemli bir rol üst-
lenmektedir. Eşzamanlı görüntülemenin ya da iki veya daha fazla kalite karakteristiğinin kontro-
lünün gerekli olduğu durumlarda, kalite karakteristiklerini birbirinden bağımsız olarak incele-
mek yanıltıcı sonuçlara neden olabilmektedir. Birbirleriyle ilişkileri bulunan kalite karakteristik-
leri, farklı kontrol grafikleri kullanılarak ayrı ayrı incelendiğinde süreç kontrol altında görünür- 527
ken, değişkenler eşzamanlı olarak incelendiğinde, kalite karakteristiklerinin normal olmayan
davranış gösterdiği görülebilmektedir (Yılmaz, 2012).
T2 istatistiği çok değişkenli normal dağılıma dayalı istatistiksel uzaklığın bir ölçütüdür; tek de-
ğişkenli student-t istatistiğinin çok değişkenli duruma genişletilmiş halidir. T2 istatistiği çok
değişkenli normal dağılıma sahip bir ortalama vektörünün bir sabit değere eşit olup olmadığının
test edildiği hipotez testlerinde kullanılır. Bu istatistiğin çizelgelere uyarlanması ile geliştirilen
Hotelling T2 çizelgeleri ortalama vektöründeki kaymanın belirlenmesinde kullanılır. Çizelge,
süreç kontrol altındayken toplanan çok değişkenli verilerle oluşturulur. Süreç ortalama vektörü
ve varyans-kovaryans matrisi tahmin edildikten sonra çizelgenin üst kontrol sınırı hesaplanır.
Bu işleme birinci aşama adı verilir. Ardından gelen ikinci aşamada süreçten alınan gözlemler-
den elde edilen T2 istatistik değerleri gözlem sırasıyla çizelgeye yerleştirilerek üst kontrol sınırı-
nın üstünde bir değer bulunup bulunmadığı takip edilir. Böyle bir değer kontrol-dışı durum sin-
yali olarak değerlendirilir ve olası hata kaynakları araştırılır (Çetin ve Birgören, 2007).
Hotelling’ in T2 kartı için (1. aşama) üst ve alt kontrol limitleri

(m  1) 2
ÜKL    , p / 2,( m p 1) / 2 (1)
m
AKL  0
olarak hesaplanır (Montgomery, 2005). T2 istatistiği ise bireysel gözlemler için

T 2  (x  x)S 1 (x  x) (2)

formülü ile bulunabilir (Montgomery, 2005). Burada S, örnek varyans-kovaryans matrisidir.

The Journal of Academic Social Science Yıl:6, Sayı: 65, Şubat 2018, s. 524-532
Çok Değişkenli İstatistiksel Süreç Kontrol ve Süreç Yetenek Analizi Uygulama Prosedürü Üze-
rine Bir Çalışma

3. Çok Değişkenli Süreç Yeterlilik Analizleri

Süreç yetenek analizinin ana hedefi olan uygunsuz parça sayısının minimum olması çok değiş-
kenli analizin de ana hedefidir. Ayrıca, çok değişkenli süreç yetenek indekslerinde yine tek de-
ğişkenli durumlarda olduğu gibi ölçülen karakteristiklerin dağılımların sadece varyansları değil
korelâsyonları da hesaba katılmalıdır. (Taam ve diğ; 1993) bu ve benzeri görüşleri çok değiş-
kenli koşullara adapte etmiş ve çok değişkenli süreç yeterlilik indekslerini, çok değişkenli süre-
cin spesifikasyonlarına göre olan durumunu incelemiştir. Böyle bir çalışmada, tolerans bölgesi,
süreç çıktısının dağılışına uygun olarak bir düzeltilmiş tolerans bölgesi haline getirilir ve süreç
çıktılarının yayılım bölgesi %99,73’lük kısmı içerecek şekilde ölçeklendirilir. Düzeltilmiş tole-
rans bölgesi orijinal tolerans bölgesinin tam orta noktasına merkezlenmiş en büyük elipsoid
olarak tanımlanır. Çok değişkenli süreç yeterlilik indeksi (M pm), tek değişkenli süreç yeterlilik
indeksleri ile aynı özellikleri göstermektedir. Diğer bir deyişle, süreç çıktıları tam hedef değeri-
ne merkezlendiğinde ve süreç yeterliliği 1’e eşit olduğunda süreç çıktılarının %99,73’ünün tole-
rans sınırları içinde olmaktadır(Taam ve diğ. 1993). Dolayısıyla, çok değişkenli süreç yeterlilik
indeksinin 1’den fazla olduğu durumlarda, sürecin yeterli olduğu söylenebilmektedir (Alpaykut
ve diğ.,2011).

Daha sonra ise sürecin mevcut yeteneği (Taam ve diğ., 1993)’ın önerdiği MCˆ p ve MCˆ pm in-
deks değerleri aşağıdaki formüller kullanılarak hesaplanır.
528

R1 = Düzeltilmiş Tolerans Bölgesi

R2  ((x  μ) T1 (x  μ)   m2 , 0.9973 )

R3  ((x  μ) 01 (x  μ)   m2 , 0.9973 )

4
Vol(R1 )  Tolerans Elipsoidi Hacmi = abc
3

Vol(R 2 )  Vol(R 3 )  [1  (  T)  -10 (  T)]1/2

1
ˆ
1/ 2   m 
Vol(R̂ 3 )   0 ( K ( m)) m/2
   2  1  (3)
  

Vol (R 1 ) Vol ( R 1 )
MCˆ pm  , MCˆ p 
Vol (R̂ 2 ) Vol ( R̂ 3 )
1 / 2
Vol (R 1 )  n ˆ 1 ( X  T )
MCˆ pm  1 ( X  T )  
Vol (R 3 )  n  1
0


The Journal of Academic Social Science Yıl:6, Sayı: 65, Şubat 2018, s. 524-532
Çok Değişkenli İstatistiksel Süreç Kontrol ve Süreç Yetenek Analizi Uygulama Prosedürü Üze-
rine Bir Çalışma

4. Uygulama ve Bulgular
Uygulama, İzmir’de 2012 yılında 3 ay süresince üretim yapan tekstil örme ve boyama yapan bir
firmada, en çok üretimi yapılan “30/1 VİSKON 40Denye Yarı Dolu Likralı SÜPREM” ürünü-
nün bazı kalite karakteristikleri bakımından sürecin bazı müşterilerin ihtiyaçlarına cevap verme-
de başarısız olduğu gözlenmiştir. Termofiks işlemi ham veya boyalı kumaşların gramajını enini
ve boyunu ayarlamak için yapılan bir işlemdir. Bu işlem sonunda kumaşların Gramaj, En çekme
yüzdesi ve Boy çekme yüzdesi değerlerine ait ölçümler alınmaktadır.
En çekmesi ve boy çekmesi özellikleri şöyle özetlenebilir: Örme kumaşlar ilmeklerden oluşur
ve bunların enine olanlarına sıra boyuna olanlarına çubuk denir. Kumaşların belli standartlara
göre yapılan yıkama testleri sonucu eninde ve boyunda oluşan çekmeler (-) uzamalar (+) şeklin-
de gösterilir. Üç karakteristik birbiriyle belirgin bir şekilde ilişkilidir.
Bu çalışma bu ürünün üretim sürecinin iyileştirilebilmesi amacıyla belirlenen bu üç kalite ka-
rakteristiğinin ve bu karakteristikleri etkileyebileceği düşünülen faktör ve koşulların istatistiksel
süreç kontrolü ile takip edilmesi için uygun prosedürün oluşturulması amacıyla yapılan bir uy-
gulamayı kapsamaktadır.
Karakteristikler (değişkenler) arasındaki korelasyon yapısı incelendiğinde, aralarında anlamlı
derecede korelasyon olduğu görülmüştür (Tablo 1). Özellikle en çekme ile boy çekme, birbirle-
riyle yüksek dereceden negatif ilişkilidir. Korelasyon yapısından dolayı süreç yeteneğinin çok
değişkenli indekslerle incelenmesi uygun olacaktır. 529
Tablo 1: Korelasyonlar

Önce Gramaj Boy çekme En çekme Sonra Gramaj Boy çekme En çekme

0.486 0.088 0.548 0.068

Gramaj 1 Gramaj 1
(0.000) (0.4889) (0.000) (0.598)
-0.462 -0.461
Boy çekme 1 Boy çekme 1
(0.000) (0.000)
1
En çekme En çekme 1

Not: Parantez içindeki değerler, p anlamlılık değerleridir.

Öncelikle sürecin özel sebepli varyasyonlardan mümkün olduğunca arındırılması gerekir. Bu

amaçla sürecin yeteneğini ölçmeden önce Hotelling T2 çok değişkenli kontrol kartı üç karakte-
ristik için oluşturulmuştur. Bu kartların oluşturulması için süreç 64 parti üretimi boyunca izlen-
miş ve bu sürede ürüne ait üç kalite karakteristiğine ait ölçümler, ürünlerde kullanılan hammad-
de özellikleri ve ortam koşulları düzenli olarak kayıt altına alınmıştır. Kullanılan kontrol kartla-
rı, ürün için üretim süresinin uzun sürmesi ve tüm ürünlerin kalite kontrolü ve ölçümlerinin
yapılması sebeplerinden dolayı alt grup sayısı bir olarak alınmıştır.
Gramaj, En çekme ve Boy çekme değişenlerinin ortalamaları, standart sapmaları, tolerans ara-
lıkları ve hedef değerleri Tablo 2’de verilmiştir.

The Journal of Academic Social Science Yıl:6, Sayı: 65, Şubat 2018, s. 524-532
Çok Değişkenli İstatistiksel Süreç Kontrol ve Süreç Yetenek Analizi Uygulama Prosedürü Üze-
rine Bir Çalışma

Tablo 2: Değişkenlerin Özet İstatistikleri

Gramaj (gr) En Çekme (%) Boy Çekme (%)
Ortalama 232.9375 -0.2906 -4.5891
Std.Sapma 12.7825 2.7659 1.9398
Tolerans Aralığı ±11 ±5 ±5
Hedef Değer 230 0 0

Çok değişkenli süreç yeterlilik indekslerinin hesaplanabilmesi için sürecin kontrol altında olma-
sı varsayımının sağlanması gerekmektedir. Çok değişkenli kontrol kartı uygulanabilmesi için
de, değişkenlerin Çok Değişkenli Normal (ÇDN) dağılım göstermeleri gerekmektedir (Mont-
gomery, 2005). ÇDN dağılım gösteren değişkenlerin bireysel dağılımlarının da Normal olması
gerekmektedir. Bu yüzden analiz için ilk önce gramaj, en çekme ve boy çekme değişkenlerinin
bireysel olarak Normal dağılımlı olup olmadıkları Kolmogorov-Smirnov ve Ryan Joinder nor-
mallik testleri ile Minitab 13 paket programı kullanılarak araştırılmıştır. Her üç değişkenin de
Normal dağılımlı oldukları varsayımı reddedilememiştir.
Daha sonra değişkenlerin ÇDN dağılım gösterip göstermedikleri, Mardia’nın çok değişkenli
çarpıklık ve basıklık testi (Mardia, 1970), (Mardia 1980) ve (Doornik ve Hansen, 2008)’in om-
nibus testi yardımıyla incelenmiştir. Her iki test de çarpıklık ve basıklığın sıfıra eşit olduğu (ya- 530
ni dağılımın Normal olduğu) hipotezini test etmektedir. Testler, Matlab 6.0 paketiyle yazılmış
programlar (Trujillo-Ortiz, 2003) aracılığıyla yapılmıştır. Tablo 3’de gösterilen testlerin sonuç-
larına göre değişkenlerin ÇDN dağılım gösterdikleri varsayımı reddedilememiştir.
Tablo 3: Çok Değişkenli Normal Dağılım Testlerinin Sonuçları(Önce/Sonra)

Analysis of the Mardia's multivariate skewness and kurtosis. Analysis of the Mardia's multivariate skewness and kurtosis.
------------------------------------------------------------------- ---------------------------------------------------------------
Multivariate Coefficient Statistic df P Multivariate Coefficient Statistic df P
-------------------------------------------------------------------- ---------------------------------------------------------------
Skewness 1.5331 17.5244 10 0.0635 Skewness 1.2214 13.5547 10 0.1943

Kurtosis 14.8950 -0.0767 0.9389 Kurtosis 12.8331 -1.5576 0.1193

-------------------------------------------------------------------- ---------------------------------------------------------------
With a given significance level of: 0.05 With a given significance level of: 0.05
The multivariate skewness results not significative. The multivariate skewness results not significative.
The multivariate kurtosis results not significative. The multivariate kurtosis results not significative

Result of the Monibus Test: Result of the Monibus Test:

omnibus test = 9.8389, pvalue = 0.1316 omnibus test = 4.3074, pvalue = 0.6352

Çok değişkenli kontrol kartı için gereken ve önceki bölümde açıklanan hesaplamalar yapılmış
ve Şekil 2a’daki çok değişkenli kontrol kartı elde edilmiştir. Üst kontrol limiti 7.5157 olan kont-
rol kartında 46. gözlem kontrol dışıdır. Bunun genel değişkenlikten mi, özel değişkenlikten mi
kaynaklandığı araştırılmış ve 46. gözlemin alındığı sırada termofiks makinesinin termometre-
sinde bir sorun olduğu belirlenmiştir. Bu nedenle 46. gözlemin özel bir değişkenlik kaynağın-
dan dolayı ortaya çıktığı kabul edilerek bu gözlem veri setinden çıkarılmış ve kontrol kartı he-
saplamaları 63 gözlem üzerinden tekrar edilmiştir. ÇDN varsayımının bozulmadığı onaylandık-
tan sonra (Tablo 3b) yeniden çizilen ve üst kontrol limiti 7.5109 olan T kartında (Şekil 2b) süre-
cin kontrol altında olduğu görülmektedir.

The Journal of Academic Social Science Yıl:6, Sayı: 65, Şubat 2018, s. 524-532
Çok Değişkenli İstatistiksel Süreç Kontrol ve Süreç Yetenek Analizi Uygulama Prosedürü Üze-
rine Bir Çalışma

20 20

18 18

16 16

14 14

12 12

10 10

8 8

6 6

4 4

2 2

T2
T1

0 0
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61
3 7 11 15 19 23 27 31 35 39 43 47 51 55 59 63 3 7 11 15 19 23 27 31 35 39 43 47 51 55 59 63

Sequence number Sequence number

Şekil 2a: İlk Çizilen Çok Değişkenli Kont- Şekil 2b: İkinci Çok Değişkenli Kontrol
rol Kartı Kartı

Çok değişkenli MCp ve MCpm yeterlilik indeksleri Formül 3’e göre tahminlenmiş ve değerleri
sırasıyla 0.9589 ve 0.2817 olarak bulunmuştur.
5. Sonuç ve Yorumlar
Özellikle MCpm indeksinin değerinin çok düşük olması, sürecin kontrol altında olmasına karşın
hedef değerlerden oldukça uzakta çıktılar vermesinden kaynaklanmaktadır. Firma, kurulan çok 531
değişkenli kontrol kartını da kullanarak süreci takip altına almaya karar vermiş ve hedef değer-
lere yakın üretim yapacak şekilde süreç iyileştirmelerini gerçekleştirecek bir iyileştirme takımı
kurmuştur.
Süreç iyileştirme takımı, bir süre eldeki verileri incelemiş ve hedef değerden sapmalara yol açan
şu kök nedenleri tespit etmiştir: Örmede kullanılan iplik no, iplik cinsi, pamuğun cinsi, brülör-
deki sıcaklık dalgalanması, kumaşın makine içinde kalma süresi, besleme hızı, enzim cinsi, mik-
tarı ve uygulanışı, operatör dikkatsizliği, çekme test yöntemi, Freesteamer buhar dalgalanması,
silikon miktarı, kumaşların aldığı nem, makine ayarlarındaki bozulmalar, iplik tansiyonu, likra
numunesi, iplik uzunluğu, likra tansiyonu.
Bu kök nedenlerden italik yazı ile belirtilmiş olanlar firmanın üzerinde kontrol şansının daha
yüksek olduğu, kolay değiştirilebilir veya düzeltilebilir sebeplerdir. İyileştirme takımı, bu kök
nedenlerdeki hangi değişmelerin ne gibi etkileri olacağına dair çalışmalar başlatmıştır. Herhangi
bir iyileştirme yapıldığında, yeterlilik indeksi yeniden hesaplanarak iyileştirmenin sonuçları
incelenecektir.
KAYNAKLAR
Alpaykut, S; Firuzan, A. R; Kuvvetli, Ü, (2011), “Çok Değişkenli Kalite Kontrolde Regresyon
Düzeltmesi”, Dokuz Eylül Üniv. Sosyal Bilimler Enstitüsü Dergisi, 13(2), ss. 31-41,
İzmir.
Bothe, D. R, (1997), Measuring Process Capability, McGraw Hill, New York.
Çetin, S; Birgören, B, (2007), “Çok Değişkenli Kalite Kontrol Çizelgelerinin Döküm Sanayiin-
de Uygulanması”, Gazi Üniv. Müh. Mim. Fak. Dergisi, 22(4), ss. 809-818, Ankara

The Journal of Academic Social Science Yıl:6, Sayı: 65, Şubat 2018, s. 524-532
Çok Değişkenli İstatistiksel Süreç Kontrol ve Süreç Yetenek Analizi Uygulama Prosedürü Üze-
rine Bir Çalışma

Doornik, J.A; Hansen, H, (2008), “An Omnibus Test for Univariate and Multivariate Norma-
lity”, Oxford Bulletin of Economics and Statistics, 70, ss.927-940,
Firuzan, A. R; Şen, A, (1999), “Çok Değişkenli Kalite Kontrolü”, Dokuz Eylül Üniversitesi
İktisadi ve İdari Bilimler Fak. Dergisi, 14(1), ss. 55-73, İzmir.
Kotz, S; Lovelace, L, (1998), Process Capability Indices in Theory and Practice, Arnold, Lon-
don.
Mardia, K.V, (1970), “Measures of Multivariate Skewness and Kurtosis with Applications”
Biometrika, 57, 519-530, England.
Mardia, K.V. (1980), Tests of Univariate and Multivariate Normality, In P.R. Krishnaiah
(ed.),Handbook of Statistics, Amsterdam.
Montgomery, D. C, (2005), Introduction to Statistical Quality Control, John Wiley & Sons.,
New York.
Taam, W; Subbaiah, P; Liddy, J. W, (1993), “A Note on Multivariate Capability Indices.” Jour-
nal of Applied Statistics, 20, 339-351.
Trujillo-Ortiz, A, (2003), Mskekur: Mardia's Multivariate Skewness and Kurtosis Coefficients
and Its Hypotheses Testing. Erişim adresi:
http://www.mathworks.com/matlabcentral/fileexchange/loadFile.do?objectId=3519&ob
jectType=FILE. 532
Yılmaz, H, (2012), Çok Değişkenli İstatistiksel Süreç Kontrolü: Bir Hastane Uygulaması, İstan-
bul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.

The Journal of Academic Social Science Yıl:6, Sayı: 65, Şubat 2018, s. 524-532