CHƯƠNG 7

7.1

117
Ta có n=100, m=20, tổng lỗi là 117, ta ước lượng ṕ= =0.0585
100 x 20

Control Limits Based on an Average Sample Size

ṕ ( 1− ṕ )
UCL= ṕ+ 3
√ n
=0.1289

ṕ ( 1− ṕ )
LCL= ṕ−3
√ n
=−0.0119=¿ 0

Mẫu số 12 out of control, vì thế xóa điểm này trong bộ dữ liệu và tính lại giới hạn
N=100, m=19, tổng lỗi 102, tỉ lệ lỗi trung bình ṕ=0.0537
UCL=0.1213
LCL=-0.0139 => 0

1
7.2

n=150, m=20, ṕ=0.023

UCL=0.0597
LCL=0

Chart Title
0.12
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Mẫu số 9 và số 17 out of control, ta loại 2 điểm này và tính lại giới hạn trung tâm
n=150, m=18, ṕ=0.046
UCL=0.097
LCL=0

Chart Title
0.12
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

2
7.3

Ta có m=10, tổng số sản phẩm được kiểm tra 1000, tổng số sản phẩm lỗi 60, tỉ lệ lỗi trung
60
bình ṕ= =0.06 .
1000

LCL,UCL được tính như công thức ở câu 7.1, tuy nhiên giá trị n (số lần quan sát) khác
nhau, nên mỗi mẫu sẽ có 1 UCL,LCL riêng biệt
Sample Unit Nonconformin Fraction LCL Central UCL
Numbe inspecte g Line
r d
1 80 4 0.05 0.13965551 0.06 0
2 110 7 0.063636364 0.12793045 0.06 0
3 90 5 0.055555556 0.13509993 0.06 0
4 75 8 0.106666667 0.14226786 0.06 0
5 130 6 0.046153846 0.12248692 0.06 0
6 120 6 0.05 0.12503845 0.06 0
7 70 4 0.057142857 0.14515532 0.06 0
8 125 5 0.04 0.12372441 0.06 0
9 105 8 0.076190476 0.12952903 0.06 0
10 95 7 0.073684211 0.13309691 0.06 0
Từ bảng số liệu trên, ta có control chart như sau

Chart Title
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10

Fraction LCL Central Line UCL

3
Như vậy quá trình nằm trong kiểm soát.
7.4
a.
50
ṕ= =0.0167
150 x 20

ṕ ( 1− ṕ )
UCL= ṕ+ 3
√ n
=0.048

ṕ ( 1− ṕ )
LCL= ṕ−3
√ n
=−0.0146=¿ 0

Chart Title
0.12
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Tỉ lệ UCL
Central line LCL

b.
1− p 2
n> L
p
Với p=0.0167, L=3 => n>531
7.5
a) Tính giới hạn kiểm soát ban đầu của kiểm đồ PCC
Với ṕ=0.1228 ,n=2500

ṕ ( 1− ṕ )
UCL= ṕ+ 3
√ n
=0.1425

ṕ ( 1− ṕ )
LCL= ṕ−3
√ n
=0.1031

Sử dụng phần mềm Minitab, lần lượt chọn như hình sau:
4
 P Chart
0.2 of C1
00 1
1
0.1 1 1
75 1
0.1
UCL=0.1425
50
0.125 _
P=0.1228
0.1 LCL=0
00 1 1 1 1
.1031
0.0 1
75
0.0 1
50 1 3 5 7 9 11 13151719
Sa
mpl
b. Kết quả kiểm đồ cho thấy 11 trên tổng số 20 mẫu nằm ngoài giới hạn
e kiểm soát,

vậy nên giới hạn kiểm soát này không nên sử dụng trong tương lai. Cần tìm
nguyên nhân những điểm ngoài kiểm soát và điều chỉnh
7.6
10

∑ Di 0.4
i=140 ; ṕ= =0.0008
n ṕ= = =0.4 500
m 10

UCL=n ṕ+ 3 √ n ṕ ( 1− ṕ )=2.2966

LCL=n ṕ−3 √ n ṕ (1− ṕ )=0

7.7

ṕ=0.02, n=50

ṕ ( 1− ṕ )
UCL= ṕ+ 3
√ n
=0.0794

ṕ ( 1− ṕ )
LCL= ṕ−3
√ n
=0

Bởi vì ṕ' =0.04 <0.1 , n=50 đủ lớn , sử dụng xấp xỉ Poisson với γ =n ṕ' =2

Với POI là phân phối poisson tích lũy

5
7.8

7.9

Giả sử L=3 (giới hạn kiểm soát 3 sigma)

6
7.10
ṕ=0.1. n=64

ṕ ( 1− ṕ )
UCL= ṕ+ 3
√ n
=0.2125

ṕ ( 1− ṕ )
LCL= ṕ−3
√ n
=0

β=P ( D<13.6 )−P ( D<0 )=P ( D< 13 )−P(D<0)

Trong đó D có phân bố nhị thức với tham số n = 64

D ~ B(n=64,p)

Với các giá trị p ta tính được các giá trị β

tương ứng. Với β = 0.5 thì p = 0.21

p Pr{D <13|p} Pr{D < 0|p} P ( D<13 )−P( D< 0)
0.05 0.999999 0.037524 0.962475
0.10 0.996172 0.001179 0.994993
0.20 0.598077 0.000000 0.598077
0.21 0.519279 0.000000 0.519279
0.22 0.44154 0.000000 0.44154
0.215 0.480098 0.000000 0.480098
0.212 0.503553 0.000000 0.503553

Tính cỡ mẫu với L =3, sao cho LCL dương, ta có:

(1  p ) 2
n  L
p
(1  0 .1 0 )
 (3 )2
0 .1 0
 81

7
7.11

7.12
a.

b.

8
7.13
a) Giới hạn kiểm soát trên và dưới:

𝑝 ̄= 0 .0 7 ; 𝑘 = 3 ; 𝑛 = 4 0 0
𝑝 (1 − 𝑝 ) 0 .0 7 ( 1 − 0 .0 7 )
U C L = 𝑝 ̄+ 3 √ = 0 .0 7 + 3 √ = 0 .1 0 8
𝑛 400

𝑝 (1 − 𝑝 ) 0 .0 7 ( 1 − 0 .0 7 )
L C L = 𝑝 ̄− 3 √ = 0 .0 7 − 3 √ = 0 .0 3 2
𝑛 400

b)

P1: Xs phát hiện dịch chuyển trên mẫu đầu tiên = 0.297

P2: Xs không phát hiện trên mẫu 1 mà phát hiện trên mẫu 2 = (1-0.297).0.297

P = P1+P2 = 0.506

7.21
(a) Calculate the upper and lower control limits.

ṕ=0.07, k = 3 sigma control limits, n =400

ṕ(1− ṕ) 0.07(1−0.07)

UCL = ṕ + 3
√ n
= 0.07+3
√ = 0.108
400

ṕ(1− ṕ) 0.07 (1−0.07)

LCL = ṕ - 3
√ n
= 0.07−3
√ = 0.0317
400

(b) If the process average should suddenly shift to 0.10, what is the probability that
the shift would be detected on the first subsequent sample?

D = np(new) = 400(0.10) = 40 > 30  Normal approximation.

Pr{detect on 1st sample} = 1 - Pr{not detect on 1st sample}
= 1 – [Pr { ^p <UCL } - Pr { ^p ≤ LCL}]
UCL− p LCL−p
= 1 - ∅( ) + ∅( )
√ p (1− p)/n √ p (1− p)/n
9
 0.108−0.1 0.0317−0.1
= 1 - ∅( ) + ∅( )
√ 0.1(1−0.1)/ 400 √ 0.1(1−0.1)/ 400
= 1 - ∅ (0.533) + ∅ ¿)
= 1 – 0.703 + 0.000 = 0.297
(c) What is the probability that the shift in part (b) would be detected on the first or
second sample taken after the shift?

Pr{detect on 1st sample or 2st sample } = Pr{detect on 1st } + Pr{not detect on 1st
sample}x Pr{detect on 2st sample }
= 0.297 + (1-0.297) x 0.297 = 0.506
7.22

p = 0.20 and L = 3 sigma control limits

(1− p) (1−0.2)
n > L2 . = 32 . > 36
P 0.2
Pr{detect} = 0.50 , p = 0.26
new
δ = pnew – p = 0.25 – 0.2 = 0.06
n = ¿
= ¿=400

10
7.23

(a) Set up a control chart for the number nonconforming in samples of n = 100.
10
10
∑ Di ¿ 164
m = 10, n=100, ∑ D i = 164 , 1 = 0.164
1 ṕ= 10.100
mn
UCL =n ṕ + 3√ n ṕ ¿ ¿ = 100. 0.164+3 √ 100.0.164 (1−0.164) = 27.51
UCL =n ṕ - 3√ n ṕ ¿ ¿ = 100. 0.164−3 √100. 0.164(1−0.164) = 2.792
(b) For the chart established in part (a), what is the probability of detecting a shift in
the process fraction nonconforming to 0.30 on the first sample after the shift has
occurred?

Pnew = 0.3, p = 0.30 < 0.50, and n = 100 > 30 -> the normal approximation.

Pr{detect on 1st sample} = 1 - Pr{not detect on 1st sample}

= 1 – [Pr { D<UCL } - Pr { D ≤ LCL}]
1 1
UCL+ −np LCL+ −np
= 1 - ∅( 2 2
) + ∅( )
√ np( 1− p) √np (1− p)
1 1
27.51+ −100(0.3) 2.792+ −100(0.3)
= 1 - ∅( 2 2
) + ∅( )
√ 0.3 .100(1−0.3) √ 0.3 .100(1−0.3)
= 1 - ∅ (−8.903) + ∅ ¿)
= 1 - 0.187+ 0.000 = 0.813

11
7.24
(a) Find the three-sigma control limits for the control chart.
ṕ(1− p) 0.03(1−0.03)
UCL = ṕ + 3
√ n
= 0.03+3
√ = 0.0662
200

ṕ(1− p) 0.03(1−0.03)
LCL = ṕ - 3
√ n
= 0.03−3
√ =0
200

(b) What is the probability that a shift in the process average to 0.08 will be detected
on the first subsequent sample? What is the probability that this shift will be
detected at least by the fourth sample following the shift?
pnew = 0.08, p = 0.08 < 0.10, and n = 200 > 30 -> Poisson approximation
Pr{detect on 1st sample} = 1 - Pr{not detect }
= 1 – [Pr { ^p <UCL } - Pr { ^p ≤ LCL}]
= 1 – [Pr { D<200( 0.0662)} - Pr { D ≤200.0 }]
= 1 - POI (13.16) + POI ¿)
= 1 – 0.2745 + 0.000 = 0.7255
4
Pr{detect by at least 4th} = 1 – Pr{detect after 4th} = 1 – (1 – 0.7255) = 0.9943
7.25
30

∑ Di ¿ 1200
n = 400, m = 30, 1 = 0,1, n ṕ = 400. 0,1 = 40
ṕ= 30.400
mn
UCL =n ṕ + 3√ n ṕ (1− ṕ) = 40+ 3 √ 40(1−0.1) = 58
UCL =n ṕ - 3√ n ṕ (1− ṕ) = 40−3 √ 40(1−0.1) = 22

(b) Suppose the process average fraction nonconforming shifted to 0.15. What
is the probability that the shift would be detected on the first subsequent sample?
npnew = 400.0,15 = 60 > 30 -> normal approximation
Pr{detect on 1st sample} = 1 - Pr{not detect on 1st sample}
=1-β
= 1 – [Pr { D<UCL } - Pr { D ≤ LCL}]
1 1
UCL+ −np LCL+ −np
= 1 - ∅( 2 2
) + ∅( )
√ np( 1− p) √np (1− p)
1 1
58+ −60 22+ −60
= 1 - ∅( 2 2
) + ∅( )
√ 60(1−0.15) √ 60(1−0.15)
= 1 - ∅ (−0.21) + ∅ ¿)
= 1 – 0.147 + 0.000 = 0.583

12
7.26
a) If three-sigma limits are used, find the sample size for the control chart.
p(1− p) 0.1(1−0.1)
LCL= p - 3
√ n
= 0.1−3
√ n
= 0.01  n = 100

(b) Use the Poisson approximation to the binomial to find the probability of type I
error.
Using the Poisson approximation to the binomial, λ = np = 100(0.10) = 10
Pr{type I error = Pr { ^p < LCL∨λ } - Pr { ^p >UCL∨ λ}
= Pr { D<nLCL∨λ } – [1 - Pr { D ≤ nUCL∨λ }]
= Pr { D<100(0.1)∨10 } – [1 - Pr { D ≤100( 0.19)∨10}]
= POI ( 0.1 )+ 1−¿ POI ¿)
= 0.00 + 1 - 0.996 = 0.04
(c) Use the Poisson approximation to the binomial to find the probability of type II
error if the process fraction defective is actually p = 0.20.
pnew = 0.2, Using the Poisson approximation to the binomial, λ = np = 100(0.2) = 20.
Pr{type II error} = Pr { ^p <UCL∨ λ } - Pr { ^p ≤ LCL∨λ }
= Pr { D<nUCL∨λ } – Pr { D ≤ nLCL∨λ }
= Pr { D<100( 0.19)∨20} – Pr { D ≤2000.1∨20}
= POI (18.2 ) −¿ POI ¿) = 0.381 – 0.000 = 0.381
7.27
From 7-25(b), 1 – β = 0.583
ARL1 = 1/ (1 –β) = 1/ (0.583) = 1.715 ≅ 2

13
7.29

(a) Find trial control limits for this process.

20

∑ Di 83
1
For a p chart with variable sample size: ṕ= ¿ = 0.0221
20
3750
∑ ni
1

(b) Design a control chart for controlling future production

ṕ ± 3√ ṕ (1− ṕ)/n = 0.02213 ± 3 √ 0.0216 /n

Z = ( ṕ−0.02213) ± √ 0.02213(1−0.02213) /n
7.31
0.02 (1−0.02 )
UCL=0.02+ 3
√ 100
=0.062

LCL=¿ 0. Chọn LCL=0

14
 7.33
n=150, m=20, ∑ D=50, ṕ=0.0167
CL= n ṕ=2.505
UCL=n ṕ+ 3 √ n ṕ(1−ṕ)=7.213
LCL< 0. Chọn LCL=0
7.34
CL= n ṕ=307
UCL=n ṕ+ 3 √ n ṕ(1−ṕ)=356.23
LCL=n ṕ−3 √ n ṕ (1− ṕ )=257.77
7.37

Tính đường trung tâm và giới hạn kiểm soát:

Với mỗi n khác nhau, tính được khoảng giới hạn như

sau: Bảng khoảng giới hạn tương ứng với mỗi giá trị n.
ni [LCLi, UCLi]
18 [0.1088, 1.2926]
20 [0.1392, 1.2622]
21 [0.1527, 1.2487]
22 [0.1653, 1.2361]
24 [0.1881, 1.2133]

Nhập dữ liệu vào minitab.

Kết quả kiểm đồ UCC như hình dưới.

15
Kiểm đồ UCC cho lỗi giấy hoàn thiện ở xưởng sản xuất giấy.
7.38
ń=20.55
0.677 0.677
UCL=0.677+3
√ ni
LCL=0.677−3
√ ni
C=0.677
7.39
UCL=3
C=0
LCL=-3
Quá trình trong kiểm soát

7.44

Trung bình số lỗi đơn vị được tính trong bảng sau:

i Ci Ui

1 1 0.25

2 3 0.75

3 2 0.5

4 1 0.25

5 0 0

6 2 0.5

7 1 0.25

8 5 1.25

9 2 0.5

10 1 0.25

11 0 0

12 2 0.5

13 1 0.25

14 1 0.25

16
 15 2 0.5

16 3 0.75

Tổng 27 6.75

Trung bình trung bình số lỗi tính được:

U = 6.75/16 = 0.4219

Đường tâm các giới hạn kiểm soát của UCC tính được như sau:
UCL=U +3 √U /n=0.4219+3 √ 0.4219/ 4=1.3962
CL=U =0.4219
U 0.4219
LCL=U−3
√
n
=0.4219−3
√ 4
=−0.5524< 0.

Nên lấy LCL=0. Dùng Minitab vẽ kiểm đồ UCC:

Nhận thấy rằng, quá trình nằm trong kiểm soát.

Khi thay đổi cỡ mẫu kiểm tra, số lỗi chắc chắn sẽ bị thay đổi nên ta không thể sử dụng
bảng 7E.14 để thiết kế kiểm đồ cho câu hỏi này. Tuy nhiên, vì đây là kiểm đồ trung
bình số lỗi nên dù thay đổi cỡ mẫu, trung bình số lỗi vẫn sẽ gần như không đổi, chỉ có
tổng số lỗi là thay đổi. Vì vậy, kiểm đồ UCC đã thiết lập vẫn có thể được sử dụng tiếp
cho sản xuất.

17
 7.45
a. C Chart với trung bình quá trình bằng 4
UCL=4+ 3 √ 4=10
LCL=0
7.46
UCL=c+ z α √ c=16+1.96 √ 16=23.84
2
C=16
LCL=16−1.96 √16=8.1 6
7.47
a. C Chart với trung bình quá trình bằng 9

UCL=c+ 3 √ c=9+9=18

CL = c = 9

UCL=Max [ 0 , c−3 √ c ] =0

b. U Chart với c = 16 và n = 4
c 16
CL=Ú = = =4
n 4
Ú 4
UCL=Ú +3
n √
=4+3
4
=7
√
Ú 4
UCL=Ú −3
√ n
=4−3
4 √
=1

7.48
UCL=6+1.645 √ 6 /3=8.33
C=6
LCL=6−1.645 √6 /3=3.67

7.49
UCL=c+ z α √ c=7.6+1.96 √ 7.6=13
2
C=7.6
LCL=7.6−1.96 √ 7.6=2.2
7.50
UCL=c+ z α √ c=1.4+1.645 √ 1.4/3=2.52
2
C=1.4
1.4
LCL=1.4−1.645
7.51
√ 3
=0.28

Ú 7.32
UCL=Ú +3
√ ni
=7.32+3
ni √
18
CL=Ú =7.32
Ú 7.32
LCL=Ú−3

i
√ ni
n
=7.32−3
√ ni
Ci Ui UCL LCL

1 2 10 5.00 13.05 1.58 Trong kiểm soát

2 4 30 7.50 11.37 3.26 Ngoài kiểm soát

3 2 18 9.00 13.05 1.58 Ngoài kiểm soát

4 1 10 10.00 15.43 0 Trong kiểm soát

5 3 20 6.67 12.00 2.63 Ngoài kiểm soát

6 4 24 6.00 11.37 3.26 Ngoài kiểm soát

7 2 15 7.50 13.05 1.58 Ngoài kiểm soát

8 4 26 6.50 11.37 3.26 Ngoài kiểm soát

9 3 21 7.00 12.00 2.63 Ngoài kiểm soát

10 1 8 8.00 15.43 0 Trong kiểm soát

Trung bình U 7.32

7.52

a) Tra bảng Poisson tích lũy, Pr {x ≤ 6 | c = 2,0} = 0,995. Vì vậy, thiết lập UCL =
6.0

b) Pr {hai điểm kiểm soát liên tiếp} = (0,005) (0,005) = 0,003003

7.53

C chart với một đơn vị kiểm tra bằng 50 đơn vị sản xuất là phù hợp. c =850/100 =
8.5

UCL=c+ z 0.97 √ c=8.5+1.88 √ 8.5=13.98

LCL=c−z 0.97 √ c=8.5−1.88 √8.5=3.02

7.56

Các giới hạn kiểm soát 3 – sigma cho kiểm đồ tổng số lỗi CCC được tính

như sau:

19
 UCL=c+ 3 √ c=2.714

CL = c = 16/30 = 0.53

LCL=Max [ 0 ,c −3 √c ] =0

Xác suất α để một điểm nằm ngoài giới hạn kiểm soát là:

α = P{C > UCL|c} + P{C < LCL|c}

= P {C > 2.714|0.533} + P {C < 0|0.533}

= P {C > 2|0.533} (vì phân phối Poisson là phân phối rời rạc)
2
e−0.533 x 0.533 x
= 1−∑ =1−0.9829=0.017
x=0 x!

Xác suất phát hiện dịch chuyển khi c=2:

β=P ¿

¿ P¿

2
e−2 × 2x
¿∑ =0.5413
x=1 x!

Khoảng báo động trung bình khi c=2 (trung bình quá trình đã bị dịch chuyển)

1 1
ARL1= = =2.18
1−β 1−0.5413

7.58

CL=ć=0.5 x 10=5

UCL= ć+ 3 √ ć=11.708

LCL=0

7.59 A control chart for nonconformities is maintained on a process producing desk

calculators. The inspection unit is defined as two calculators. The average number of
nonconformities per machine when the process is in control is estimated to be two.

(a) Find the appropriate three-sigma control limits for this size inspection unit.

(b) What is the probability of type I error for this control chart?

Solution

20
a. The average average number of nonconformities per machine when the process is in
control is estimated to be two. Therefore ć=2∗2=4.

UCL= 4+3*2=10

LCL= 0

b. The probability of type I error for this control chart is 0.03%

7.60 A production line assembles electric clocks. The average number of

nonconformities per clock is estimated to be 0.75. The quality engineer wishes to
establish a c chart for this operation, using an inspection unit of six clocks. Find the
three-sigma limits for this chart.

Solution

Các giới hạn kiểm soát 3 – sigma cho kiểm đồ tổng số lỗi CCC được tính như sau:

CL=0.75

UCL=c+3√ c =0.75+3*√ 0.75=3.348

LCL= Max[0, c − 3√ c ] = Max[0, − 1.848] = 0

7.61 Suppose that we wish to design a control chart for nonconformities per unit with
L-sigma limits. Find the minimum sample size that would result in a positive lower
control limit for this chart

L2
n>
c

21
7.63 Suggest at least two nonmanufacturing scenarios in which attributes control
charts could be useful for process monitoring.

Tác động bởi các rủi ro xuất hiện từ các yếu tố bên trong hoặc bên ngoài. Do đó, hệ thống
kiểm soát nội bộ cần có phần xác định các rủi ro.

7. 64 What practical difficulties could be encountered in monitoring time-between-

events data?
Dữ liệu thay đổi đột ngột, các sự liện về dữ liệu không có liên quan với nhau

7.65 A paper by R. N. Rodriguez (“Health Care Applications of Statistical Process

Control: Examples Using the SAS® System,” SAS Users Group International:
Proceedings of the 21st Annual Conference, 1996) illustrated several informative
applications of control charts to the health care environment. One of these showed how
a control chart was employed to analyze the rate of CAT scans performed each month
at a clinic. The data used in this example are shown in Table 7E.17. NSCANB is the
number of CAT scans performed each month and MMSB is the number of members
enrolled in the health care plan each month, in units of member months. DAYS is the
number of days in each month. The variable NYRSB converts MMSB to units of
thousand members per year, and is computed as follows: NYRSB =
MMSB(Days/30)/12000. NYRSB represents the “area of opportunity.” Construct an
appropriate control chart to monitor the rate at which CAT scans are performed at this
clinic

Biến NYRSB có thể được coi như một “đơn vị kiểm tra”, đại diện cho một “khu vực cơ
hội” giống hệt nhau cho mỗi “mẫu”. “Đặc tính quy trình” cần được kiểm soát là tốc độ
quét CAT. Biểu đồ u theo dõi số lần quét CAT trung bình trên mỗi NYRSB là phù hợp.

7.67 The data in Table 7E.19 are the number of information errors found in customer
records in a marketing company database. Five records were sampled each day.

Dựa vào bảng số liệu ta tính được

c=6

UCL= c+3√ c = 13.348

LCL= c-3√ c =0
22
Quá trình nằm ngoài vùng kiểm soát

23
 Chương 8
8.1 Consider the piston ring data in Table 6.3. Estimate the process capability
assuming that specifications are 74.00 ± 0.035 mm

Ta có: độ lệch chuẩn ước lượng từ mẫu là 𝑠̅=0.0094 hoặc 𝜎 = 𝑅̅/d2, với d2 được tra từ
bảng phụ lục VI

USL−LSL (74+ 0.035)−(74−0.035)

Cp = = = 1.24
6σ 6.0 .0094

Giá trị trung bình µ = 74.001

(74+ 0.035)−(74−0.035) 4.001−73.965

Cpk = Min ( , ) = 1.21
3∗0.0094 3.0 .0094

8.3 Estimate process capability using and R charts for the power supply voltage data in
Exercise 6.2. If specifications are at 350 ± 5 V, calculate Cp, Cpk, and Cpkm. Interpret
these capability ratios.

Ŕ 6.25
^μ= x́=10.375; Ŕ x = 6.25; σ x = = =3.04
d 2 2.059

UCL x =[ ( 350+5 )−350 ]∗10=50 ; LCL x =[ ( 350−5 )−350 ]∗10=−50

x i=( obs i−350 )∗10

UCLx −LCL x 50−(−50)

C p= = =5.48
6∗σ x 6∗3.04

UCL x −^μ 50−10.375

C pu= = =4.34
3∗σ x 3∗3.04

^
μ−LCL x 0.375+50
C pl = = =6.62
3∗σ x 3∗3.04

C pm=4.34

8.5 A process is in control with 𝑿̿ = 𝟏𝟎𝟎, 𝑺̅ = 𝟏. 𝟎𝟓, and n = 5. The process

specifications are at 95 ± 10. The quality characteristic has a normal distribution.

(a) Estimate the potential capability.

(b) Estimate the actual capability.

24
(c) How much could the fallout in the process be reduced if the process were corrected
to operate at the nominal specification?

a) Cp = (𝑈𝑆𝐿−𝐿𝑆𝐿)/ 6𝜎 = (105−85)/ 6*1.05 = 3.17

b) Với trị trung bình X̿ = 100

Cpk = Min ((105−100)/3*1.05 , (100−85)/ 3*1.05 ) = 1.59

c) Giới hạn tự nhiên của quá trình được ước lượng như sau:

LNL = 𝑋̅ -3S = 100-3.1.05 = 96.85

UNL = 𝑋̅ +3S = 100+3.1.05 = 103.15

Xấp xỉ phân bố chuẩn, ta có: P (96.85<X<103.15) = P(x<103.15) - P(X<96.85) =

99.73%. Khoảng nằm ngoài dùng sai: 0.0027%

8.6 Một qúa trình trong trạng thái kiểm soát thống kê với 𝒙̿ = 𝟏𝟗𝟗 𝒗à 𝑹̅ = 𝟑. 𝟓. Kiểm
đồ sử dụng cỡ mẫu n = 4. Tiêu chuẩn kĩ thuật là 200 ±8. Đặc tính chất lượng có phân
bố normal.

Ước lượng chỉ số năng lực có thể của quá trình – Cp.

Ước lượng chỉ số năng lực thực tế của quá trình – Cpk.

Chỉ số năng lực quá trình có thể tăng lên bao nhiêu nếu trị trung bình trùng với giá trị
danh nghĩa?

3 3
Ta có: n=4, d 2=2.059, 𝐴2 = = =¿ 0.7285
d2√ n 2.059∗√ 4

R̅ 3.5
𝜎= d = = 1.7
2 2.059

USL−LSL 8+8
Chỉ số năng lực có thể của quá trình 𝐶𝑝 = = = 1.57
6σ 6 σ 6∗1.7

Chỉ số năng lực thực tế của quá trình 𝜇 = 199 ≠ 𝑇 = 200, quá trình lệch tâm dung sai cho
phép nên công thức tính chỉ số năng lực quá trình như sau:

μ−LSL μ 199−192
𝐶𝑝𝐿 = = = 1.37
3σ 3 σ 3∗1.7

25
 USL−μ 208−199
𝐶𝑝𝑈 = =¿ = 1.76
3σ 3∗1.7

𝐶𝑝𝑘 = min(𝐶𝑝𝐿, 𝐶𝑝𝑈) = 1.37 𝐶𝑝𝑘 = 𝐶𝑝 = 1.57 khi T≡ 𝜇.

Vậy khi đó, chỉ số năng lực quá trình tăng (1.57 – 1.37) = 0.2 nếu trị trung bình trùng với
giá trị danh nghĩa

8.7 Một quá trình trong kiểm soát với 𝑿̿ = 𝟑𝟗. 𝟕 và 𝑹̅ = 𝟐. 𝟓. Cỡ mẫu n = 2, giới hạn kỹ
thuật 40 ± 5, các đặc tính chất lượng phân bố chuẩn

a. C p=0.75

b. C pk =0.71

c. C pkm=0.7

d. P Actual =0.025348

P potential =0.024220

8.8 A process is in control with 𝒙̿ = 𝟕𝟓 and 𝒔̅ = 2.The process specifications are at 80 ±

8. The sample size n = 5. Estimate the potential capability. Estimate the actual
capability. How much could process fallout be reduced by shifting the mean to the
nominal dimension? Assume that the quality characteristic is normally distributed.

Độ lệch chuẩn của quá trình được ước lượng bằng công thức:

s̅
𝜎= = 2/0.94 = 2.1277 (n = 5)
c4

USL−LSL 88−72 6
Chỉ số năng lực quá trình khi không dịch chuyển: PCR = = = 1.25
6σ 6∗2.1277

Nhận thấy 𝑥̿= 75 nên quá trình đã dịch chuyển, ta tính lại chỉ số năng lực quá trình khi

USL− x̿ 88−75
lệch tâm: PCRU = = = 2.0366
3σ 3∗2.1277

x̿ −LSL 75−72
PCRL = = = 0.4699
3σ 3∗2.1277

PCRk = min (PCRU, PCRL) = 0.4699

Khi quá trình trong kiểm soát (𝜇 = 80), tỉ lệ lỗi của quá trình sản xuất là:

26
 USL−μ
𝑝̂= 1 – P{LSL < x < USL} = 1 – P{x < USL} + P{x < LSL} = 1 - Φ ( ) + Φ (¿ ¿ )
σ
= 1 - Φ ( (88−80)/ 2.1277) + Φ ( (72−80)/ 2.1277) = 1 – 0.99992 + 0.00009 = 0.000089

8.9 Consider the two processes shown in Table 8E.1 (the sample size n = 5):

Specifications are at 100 ± 10. Calculate Cp, Cpk, and Cpm and interpret these ratios.

Which process would you prefer to use?

Quá trình A:

USL−LSL 110−90
Cp = = = 1.11
6σ 6∗3

110−100 100−90
Cpk = Min ( , ) = 1.11
3∗3 3∗3

T = 100 ∆ = |𝑇 − 𝜇| = 100 – 100 = 0

Cpm =Min( (𝑈𝑆𝐿 − 𝜇)/(3√ σ 2 +∆ 2), (𝜇 − 𝐿𝑆𝐿)/( 3√ σ 2 +∆ 2) = (110-100)/ 3√ 9+0 = 1.11

Quá trình B:

USL−LSL 110−90
Cp = = = = 3.33
6σ 6∗1

110−105 105−90
Cpk = Min ( , ) = 1.67
3∗1 3∗1

T = 100 ∆ = |𝑇 − 𝜇| = |100 − 105| = 5

Cpm =Min( 𝑈𝑆𝐿 − 𝜇)/(3√ σ 2 +∆ 2), (𝜇 − 𝐿𝑆𝐿)/( 3√ σ 2 +∆ 2) = (110-105)/ 3√ 1+25= 0.32

Nên chọn quá trình B vì Cp, Cpk của quá trình B lớn hơn quá trình A, và độ lệch chuẩn
của quá trình B là xác định không đổi, nên có thể định tâm được.

8.11 The weights of nominal 1-kg containers of a concentrated chemical ingredient are
shown in Table 8E.2. Prepare a normal probability plot of the data and estimate
process capability.

6 σ =0.1350
27
8.13 The height of the disk used in a computer disk drive assembly is a critical quality
characteristic. Table 8E.3 gives the heights (in mm) of 25 disks randomly selected from
the manufacturing process. Prepare a normal probability plot of the disk height data
and estimate process capability

6 σ =0 05514

8. 14 Khoảng thời gian cần thiết để hoàn trả các yêu cầu chi phí của nhân viên là một
đặc điểm có thể được sử dụng để mô tả hiệu suất của quy trình. Bảng 8E.4 đưa ra thời
gian chu kỳ (tính theo ngày) của 30 yêu cầu chi phí nhân viên được chọn ngẫu nhiên.
Ước tính khả năng của quá trình này. Bảng số liệu thời gian hoàn trả chi phí nhân
viên. Bảng số liệu thời gian chi trả.

𝜇 = 𝑥̅=13.2

6𝜎 = 6𝑠 = 6(4.0971) = 24.58

Vậy năng lực quá trình là 24.58

8.15 An electric utility tracks the response time to customerreported outages. The data
in Table 8E.5 are a random sample of 40 of the response times (in minutes) for one
operating division of this utility during a single month.

(a) Estimate the capability of the utility’s process for responding to customer-reported
outages.

(b) The utility wants to achieve a 90% response rate in under two hours, as response to
emergency outages is an important measure of customer satisfaction. What is the
capability of the process with respect to this objective?

a. 6𝜎=73.2
28
b. C pu=0.58

c. p=0.0410407

8.17 The failure time in hours of 10 LSI memory devices follows: 1210, 1275, 1400,
1695, 1900, 2105, 2230, 2250, 2500, and 2625. Plot the data on normal probability
paper and, if appropriate, estimate process capability. Is it safe to estimate the
proportion of circuits that fail below 1200 h?

Không. Dữ liệu không tuân theo phân bố chuẩn

8.18 Một quá trình có phân bố chuẩn có thông số kĩ thuật LSL=75, USL=85 đối với
đầu ra. Một mẫu gồm 25 bộ phận chỉ ra rằng quá trình ở tâm ung sai cho phép và độ
lệch chuẩn s=1.5.Ước lượng Cp Tìm khoảng tin cậy 95% trên Cp. Nhận xét gì về độ
rộng của khoảng này?

Chỉ số năng lực

𝜎 = 𝑠 = 1.5

USL−LSL 85−75
C p= = = 1.11
6σ 6∗1.5

Khoảng tin cậy 95%

Khoảng tin cậy P = 1 – 𝛼 = 95%; 𝛼 = 0.05

x2 x2 a
Cp
√ a
1− ,n −1
2
n−1
≤ C p≤ Cp
√ 2
n−1
,n −1

x 21−0.025,30−1 x 20.025,30−1
1.11
√ 30−1
≤ C p ≤ 1.11
30−1√
0.83 ≤ 𝐶𝑝 ≤ 1.39

Độ rộng khoảng bằng (1.39 – 0.83) = 0.56, không lớn so với độ lệch chuẩn s = 1.5. Điều
này có nghĩa là, trong thực tế, khoảng tin cậy trên Cp dựa trên các mẫu lớn sẽ nhỏ

29
8.19 Với độ tin cậy 95% khoảng tin cậy của C p là:

2 2
^p. χ 0.975,49 ≤ C p ≤ C
^p. χ 0.025,49
C
√ 49 √
49

→ 1.22 ≤ C p ≤ 1.82

Công ty không thể chứng minh Cp > 1.33

8.20 USL = 100, LSL = 90, N = 30, x́ = 97, s = 1.6

a. Cpk = min((100 – 97)/3x1.6; (97 – 90)/3x1.6) = 0.625

b. Với độ tin cậy 95%, khoảng giá trị của Cpk là

1 1 1 1
0.625[1 – 1.96
√ 9.30. 0.625 2
+
2.29
] ≤ Cpk ≤ 0.625[1 + 1.96
√
9.30. 0.625 2
+
2.29
]

→ 0.425 ≤ Cpk ≤ 0.825

8.21 N = 50, x́ = 2275, x =[2100; 2350], s =60

a. Cpk = min((2350 – 2275)/3x60; (2275 – 2100)/3x60) = 0.417

b. Với độ tin cậy 95%, khoảng giá trị của Cpk là

1 1 1 1
0. 417[1 – 1.96
√ 2
+
9.50. 0.417 2.49
] ≤ Cpk ≤ 0.417[1 + 1.96
√ 2
+
9.50. 0.625 2.49
]

→ 0.293 ≤ Cpk ≤ 0.541

8.25

a)

Part
Measurements
Number
1 2 3 x́ R
1 100 101 100 100.33 1
 2 95 93 97 95 4
3 101 103 100 101.33 3
4 96 95 97 96 2
5 98 98 96 97.33 2
6 99 98 98 98.33 1
7 95 97 98 96.67 3
8 100 99 98 99 2
9 100 100 97 99 3
10 100 98 99 99 2
x́ = 98.199 Ŕ 2.3
=
b)

σ 2total= 1.962 = 3.83

Ŕ 2
σ 2gauge = ( ) = 1.85
d2

σ product = 1.407

c) ρ M = σ 2gauge/ σ 2total = 0.483

6 σ gauge
d) P/T = = 0.272
USL−LSL

8.26

Part Operator 1 Operator 2

Number Measurements Measurements
1 2 3 x́ R 1 2 3 x́ R
1 50 49 50 49.67 1 50 48 51 49.67 3
2 52 52 51 51.67 1 51 51 51 51 0
3 53 50 50 51 3 54 52 51 52.33 3
4 49 51 50 50 2 48 50 51 49.67 3
5 48 49 48 48.33 1 48 49 48 48.33 1
6 52 50 50 67.33 2 52 50 50 50.67 2
7 51 51 51 51 0 51 50 50 50.33 1
8 52 50 49 50.33 3 53 48 50 50.33 5
9 50 51 50 50.33 1 51 48 49 49.33 3
10 47 46 49 47.33 3 46 47 48 47 2
x́ =51.699 Ŕ =1.7 x́ =49.866 Ŕ =2.3
a)
Ŕ = 2

Ŕ
σ repeatability = = 1.773
d 2∨n=2

R x́ = x́ max - x́ min = 1.833

R x́
σ reproducibility = = 1.083
d 2∨n=3

b)

σ 2measurement error = σ 2repeatability + σ 2reproducibility = 4.316

6 σ gauge
c) P/T = = 0.623 > 0.1
USL−LSL

→ Thước đo có khả năng không đáng kể

8.27

a)

Part Measurements
Number x́ R
1 20 0
2 19.5 1
3 21 0
4 22 4
5 21 0
6 25.5 1
7 17.5 1
8 15.5 1
9 20 0
10 22.5 1
11 25 6
12 22 6
13 20.5 1
14 20.5 1
15 18 0
Averag 20.7 1.53
 e

Ŕ 2
σ 2gauge = ( ) = 1.84
d2

6 σ gauge = 8.14

b) Chỉ số R chỉ ra rằng người vận hành không gặp vấn đề gì khi thực hiện các phép đo

8.28

Operator 1 Operator 2 Operator 3

Part Measurements Measurements Measurements
Number
x́ R x́ R x́ R

1 20.5 1 20 0 20 2
2 23.5 1 24 0 23.5 1
3 20.5 1 20 2 21 2
4 27 0 27 2 27.5 1
5 18.5 1 18.5 1 19.5 3
6 22 2 22.5 3 22.5 1
7 21.5 1 23 2 21 2
8 18 2 19 2 18.5 1
9 23.5 1 24 2 24 0
10 24 2 25.5 1 24.5 1
11 20.5 1 20 0 20.5 1
12 18.5 1 18 2 18.5 1
13 24 2 25 0 25 0
14 24 0 24 2 24.5 1
15 29.5 1 29 2 30.5 1
16 26 0 25.5 1 26 2
17 20 0 19.5 1 20 0
18 20 2 19 0 22 2
19 25.5 1 24.5 1 25 0
20 19 0 17.5 1 18 2
Averag
22.3 1 22.275 1.25 22.6 1.2
e
a)
Ŕ = 1.15

Ŕ
σ repeatability = = 1.02
d 2∨n=2

R x́ = x́ max - x́ min = 0.325

R x́
σ reproducibility = = 0.192
d 2∨n=3

b) σ 2measurement error = σ 2repeatability + σ 2reproducibility = 1.077

6 σ gauge
c) P/T = = 0.115
USL−LSL

8.30 μ1 = 100, σ 1 = 4, μ2 = 75, σ 2= 4, μ3 = 75, σ 3 = 2

X1 X2 X3

μ y = μ1+ μ2+ μ3 = 250

σ 2y = σ 12+σ 22+σ 32 = 36

Chuẩn hóa : Y ~ N(250 ;36)

262−250
P(Y>262) = 1 – P(Z≤ ) = 0.5228
6

8.33

V = W.L.T = 600 (cm3) μWeig h t = V.0,08= 48 (g)

8.34
 1
s = (3+0.05x)2 , f(x) = (5x – 2) với 2 ≤ x ≤ 4
26

10.24
s s−3
E(s) = ∫ (5. √ −2)ds = 3.145
9.61 26 0.05

10.24
s2 s−3
Var(s) = ∫ (5. √ −2)ds – (E(s))2 = 21.464
9.61 26 0.05

8.35

μE
μI =
μR1 + μR 2

2 σ 2E μ2 E 2 2
σ I= 2 + 2 (σ R 1+ σ R 2)
(μ R 1+ μ R 2 ) (μ R 1+ μ R 2 )

8.38 Cỡ mẫu cần thiết là

p (1− p)
n = Z2α. ≈ 423
e2