‫شرکت رنو در حوزه‬ ‫‪Initial Capability Study‬‬ ‫معرفي سيستم‬

‫مشخصه هاي‪:‬‬

‫‪TAG-N, TAG-NV………….‬‬
‫• کمي (‪)Quantitative‬‬
‫‪TAG-P, TAG-B……………..‬‬
‫(‪)Attributes‬‬ ‫• وصفي‬

‫‪98.02.0‬‬
‫‪7‬‬
‫– مديريت تضمين کيفيت گروه – اداره مهندسي کيفيت و‬ ‫معاونت کيفيت گروه‬
‫تکوين محصول ‪ /‬حوزه فرايندهاي بدنه و پرس‬
 ‫‪DEFINITION‬‬

‫تعاريف ‪:‬‬

‫مطالعه قابليت ‪Initial Capability Study‬‬

‫‪6%‬‬
‫‪...........................................................‬‬
‫‪9.8 %‬‬ ‫اوليه‬
‫‪9.2 %‬‬

‫‪.............................................‬‬ ‫‪8.1 %‬‬

‫آزمون توانمندي ‪TAG : Graphic Aptitude Test‬‬

‫‪4.5 %‬‬
‫گرافيکي‪.........................................................‬‬
‫‪........................‬‬
‫‪4%‬‬ ‫‪12.5 %‬‬ ‫‪4.1 %‬‬
‫محاسبه توانمندي مشخصه هاي کمي پيوسته با ‪7.2 % : TAG-Normal‬‬
‫‪TAG-N‬‬
‫استفاده از توزيع نرمال‪........................‬‬
‫‪5.7 %‬‬ ‫‪14.8 %‬‬
‫محاسبه توانمندي استحکام اتصاالت پيچي با ‪TAG-NV : TAG- Normal Vissage‬‬
‫‪9.4 %‬‬

‫استفاده از توزيع نرمال‪...‬‬

‫محاسبه توانمندي مشخصه هاي وصفي گسسته با ‪TAG-P : TAG-Poisson‬‬
‫استفاده از توزيع پواسون‪...............‬‬
‫‪2 of 27‬‬
TITLE

TAG-N

3 of 27
 DESCRIPTION

TAG-N

α/2 α/2
Severity Cpk TNC (α) PPM
S 1.63 0.0001 1
R 1.47 0.001 10
A 1.47 0.001 10
B 1.3 0.01 100
C 1 0.27 2700

4 of 27
 DESCRIPTION
: ‫منطق محاسباتي‬

𝑪𝑷𝑲 √

𝑻𝑵𝑪 √

𝑼𝑺𝑳 − 𝑳𝑺𝑳
𝝈𝒎𝒂𝒙 =
𝟔 × 𝑪𝑷𝑲

American Standards RENAULT Standard

‫انحراف معيار‬ ‫انحراف معيار‬ 𝑻𝑹𝑨𝑷𝑬𝒁𝑶𝑰𝑫….Secret
𝝈A
𝝈max 𝝈max 𝝈A ⇩
𝑺𝒂𝒎𝒑𝒍𝒆 𝑺𝒊𝒛𝒆 ⇧
𝜃⇧
𝜃

LSL ‫ ميانگين‬USL LSL ‫ ميانگين‬USL

5 of 27
‫‪DESCRIPTION‬‬
‫طراحي و قابليت هاي نرم افزار‪:‬‬

‫امکان مطالعه مشخصه هاي مختلف‬

‫از نظر درجه اهميت‬

‫امکان مطالعه داده هاي منفرد (‪)Individuals‬‬

‫يا ميانيگن داده ها (‪)Mean Values‬‬

‫امکان تعيين معيار پذيرش بر اساس‬

‫‪ TNC‬يا ‪Ppk‬‬

‫فرمت ورود داده ها (‬

‫اطالعات کليدي )‬

‫‪Description‬‬ ‫‪Plot Number‬‬ ‫‪Class‬‬ ‫‪LSL‬‬ ‫‪USL‬‬ ‫‪Value 1‬‬ ‫‪Value 2‬‬ ‫‪Value 3‬‬ ‫‪Value 4‬‬ ‫‪Value 5‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪Value n‬‬

‫‪GAP‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪-0.7‬‬ ‫‪+0.7‬‬ ‫‪0.5‬‬ ‫‪0.6‬‬ ‫‪0.5‬‬ ‫‪0.7‬‬ ‫‪0.5‬‬

‫‪6 of 27‬‬
DESCRIPTION

7 of 27
TITLE

TAG-NV

8 of 27
 DESCRIPTION

TAG-NV
: ‫ در سايپا‬TMI ‫مختصري از سيستم در حال اجرا در حوزه شاخص‬

0.55 LL 0.75 LL 0.9 LL LL UL 1.2 UL 1.3 UL 1.5 UL 1.75 UL

GRADE : S A B C OK C B A S

POINTS : 120 50 20 10 0 10 20 50 120

‫ تنها به اتصاالت ايمني و با رعايت حدود تعيين شده فوق اختصاص مي‬S ‫ گريد‬:1 ‫توجه‬
.‫يابد‬
‫ نوع شاخص‬: 2 ‫توجه‬
TMI = Sum of all measure points
Quality Index : nA⁺ = Sum of count A and S grades .‫ است‬Demerit
nB = Sum of count B grades

‫معيار ارزيابي‬
‫گشتاور اتصاالت در‬
KIA Motors ‫شرکت‬

9 of 27
 ‫‪DESCRIPTION‬‬

‫‪TAG-NV‬‬ ‫منطق محاسباتي ‪:‬‬

‫قوانين و فرموالسيون محاسبات متکي بر منطق داده هاي کمي پيوسته است و‬
‫هيچگونه تفاوتي با ‪ TAG-N‬ندارد‪.‬‬

‫طراحي و قابليت هاي نرم افزار‪:‬‬

‫قوانين و فرموالسيون محاسبات متکي بر منطق داده هاي کمي پيوسته است و‬
‫هيچگونه تفاوتي با ‪ TAG-N‬ندارد‪.‬‬
‫تعيين معيار پذيرش بر‬
‫اساس ‪TNC‬‬

‫امکان مطالعه اتصاالت‬

‫با محدوده هاي پذيرش‬
‫مختلف از نظر بازه‬
‫تلرانسي‬

‫فرمت ورود داده ها (‬

‫اطالعات کليدي )‬

‫‪Comment‬‬ ‫‪Designation‬‬ ‫‪Nominal‬‬ ‫‪Value 1‬‬ ‫‪Value 2‬‬ ‫‪Value 3‬‬ ‫‪Value 4‬‬ ‫‪Value 5‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪Value n‬‬

‫‪1‬‬ ‫‪RR UPR Door‬‬ ‫‪3‬‬ ‫‪0.5‬‬ ‫‪0.6‬‬ ‫‪0.5‬‬ ‫‪0.7‬‬ ‫‪0.5‬‬

‫‪10 of 27‬‬
 ‫‪DESCRIPTION‬‬
‫توزيع بازه هاي گشتاور اتصاالت‬
‫محصوالت سايپا ‪:‬‬

‫حدود پذيرش گشتاور‬ ‫تلرانس گذاري بدون احتساب‬ ‫تلرانس گذاري متقارن با‬
‫تلرانس گذاري نامتقارن با احتساب ‪1.2UL‬‬
‫اتصاالت‬ ‫‪1.2UL‬‬ ‫احتساب ‪1.2UL‬‬
‫𝐞𝐜𝐧𝐚𝐫𝐞𝐥𝐨𝐓‬ ‫𝐞𝐜𝐧𝐚𝐫𝐞𝐥𝐨𝐓‬ ‫𝐞𝐜𝐧𝐚𝐫𝐞𝐥𝐨𝐓 𝐫𝐞𝐩𝐩𝐔‬ ‫𝐞𝐜𝐧𝐚𝐫𝐞𝐥𝐨𝐓 𝐫𝐞𝐰𝐨𝐋‬
‫‪LL‬‬ ‫‪UL‬‬ ‫‪1.2UL‬‬ ‫‪Nominal‬‬ ‫‪Tolerance‬‬ ‫‪%‬‬ ‫‪Nominal‬‬ ‫‪Tolerance‬‬ ‫‪%‬‬ ‫‪Nominal Upper Tolerance Lower Tolerance‬‬ ‫‪%‬‬ ‫‪%‬‬
‫𝐥𝐚𝐧𝐢𝐦𝐨𝐍‬ ‫𝐥𝐚𝐧𝐢𝐦𝐨𝐍‬ ‫𝐥𝐚𝐧𝐢𝐦𝐨𝐍‬ ‫𝐥𝐚𝐧𝐢𝐦𝐨𝐍‬

‫‪7‬‬ ‫‪9‬‬ ‫‪10.8‬‬ ‫‪8‬‬ ‫‪±1‬‬ ‫‪±12.5%‬‬ ‫‪8.9‬‬ ‫‪±1.9‬‬ ‫‪±21%‬‬ ‫‪8‬‬ ‫‪+2.8‬‬ ‫‪-1‬‬ ‫‪+35%‬‬ ‫‪-13%‬‬
‫‪CERATO‬‬ ‫‪22‬‬ ‫‪27‬‬ ‫‪32.4‬‬ ‫‪24.5‬‬ ‫‪±2.5‬‬ ‫‪±10%‬‬ ‫‪27.2‬‬ ‫‪±5.2‬‬ ‫‪±19%‬‬ ‫‪24.5‬‬ ‫‪+7.9‬‬ ‫‪-2.5‬‬ ‫‪+32%‬‬ ‫‪-10%‬‬
‫‪38‬‬ ‫‪42‬‬ ‫‪50.4‬‬ ‫‪40‬‬ ‫‪±2‬‬ ‫‪±5%‬‬ ‫‪44.2‬‬ ‫‪±6.2‬‬ ‫‪±14%‬‬ ‫‪40‬‬ ‫‪+10.4‬‬ ‫‪-2‬‬ ‫‪+26%‬‬ ‫‪-5%‬‬

‫‪3.5‬‬ ‫‪4.2‬‬ ‫‪5.04‬‬ ‫‪3.85‬‬ ‫‪±0.35‬‬ ‫‪±9%‬‬ ‫‪4.27‬‬ ‫‪±0.77‬‬ ‫‪±18%‬‬ ‫‪3.85‬‬ ‫‪+1.19‬‬ ‫‪-0.35‬‬ ‫‪+30%‬‬ ‫‪-9%‬‬
‫‪8‬‬ ‫‪14‬‬ ‫‪16.8‬‬ ‫‪11‬‬ ‫‪±3‬‬ ‫‪±27%‬‬ ‫‪12.4‬‬ ‫‪±4.4‬‬ ‫‪±35%‬‬ ‫‪11‬‬ ‫‪+5.8‬‬ ‫‪-3‬‬ ‫‪+53%‬‬ ‫‪-27%‬‬
‫‪9‬‬ ‫‪13‬‬ ‫‪15.6‬‬ ‫‪11‬‬ ‫‪±2‬‬ ‫‪±18%‬‬ ‫‪12.3‬‬ ‫‪±3.3‬‬ ‫‪±27%‬‬ ‫‪11‬‬ ‫‪+4.6‬‬ ‫‪-2‬‬ ‫‪+42%‬‬ ‫‪-18%‬‬
‫‪18‬‬ ‫‪27‬‬ ‫‪32.4‬‬ ‫‪22.5‬‬ ‫‪±4.5‬‬ ‫‪±20%‬‬ ‫‪25.2‬‬ ‫‪±7.2‬‬ ‫‪±29%‬‬ ‫‪22.5‬‬ ‫‪+9.9‬‬ ‫‪-4.5‬‬ ‫‪+44%‬‬ ‫‪-20%‬‬
‫‪X200‬‬
‫‪18‬‬ ‫‪32‬‬ ‫‪38.4‬‬ ‫‪25‬‬ ‫‪±7‬‬ ‫‪±28%‬‬ ‫‪28.2‬‬ ‫‪±10.2‬‬ ‫‪±36%‬‬ ‫‪25‬‬ ‫‪+13.4‬‬ ‫‪-7‬‬ ‫‪+54%‬‬ ‫‪-28%‬‬
‫‪19‬‬ ‫‪23‬‬ ‫‪27.6‬‬ ‫‪21‬‬ ‫‪±2‬‬ ‫‪±10%‬‬ ‫‪23.3‬‬ ‫‪±4.3‬‬ ‫‪±18%‬‬ ‫‪21‬‬ ‫‪+6.6‬‬ ‫‪-2‬‬ ‫‪+31%‬‬ ‫‪-10%‬‬
‫‪19‬‬ ‫‪26‬‬ ‫‪31.2‬‬ ‫‪22.5‬‬ ‫‪±3.5‬‬ ‫‪±16%‬‬ ‫‪25.1‬‬ ‫‪±6.1‬‬ ‫‪±24%‬‬ ‫‪22.5‬‬ ‫‪+8.7‬‬ ‫‪-3.5‬‬ ‫‪+39%‬‬ ‫‪-16%‬‬
‫‪24‬‬ ‫‪32‬‬ ‫‪38.4‬‬ ‫‪28‬‬ ‫‪±4‬‬ ‫‪±14%‬‬ ‫‪31.2‬‬ ‫‪±7.2‬‬ ‫‪±23%‬‬ ‫‪28‬‬ ‫‪+10.4‬‬ ‫‪-4‬‬ ‫‪+37%‬‬ ‫‪-14%‬‬

‫‪7‬‬ ‫‪12‬‬ ‫‪14.4‬‬ ‫‪9.5‬‬ ‫‪±2.5‬‬ ‫‪±26%‬‬ ‫‪10.7‬‬ ‫‪2.77‬‬ ‫‪±26%‬‬ ‫‪9.5‬‬ ‫‪+4.9‬‬ ‫‪-2.5‬‬ ‫‪+52%‬‬ ‫‪-26%‬‬
‫‪8‬‬ ‫‪11‬‬ ‫‪13.2‬‬ ‫‪9.5‬‬ ‫‪±1.5‬‬ ‫‪±16%‬‬ ‫‪10.6‬‬ ‫‪7.77‬‬ ‫‪±73%‬‬ ‫‪9.5‬‬ ‫‪+3.7‬‬ ‫‪-1.5‬‬ ‫‪+39%‬‬ ‫‪-16%‬‬
‫‪9‬‬ ‫‪13‬‬ ‫‪15.6‬‬ ‫‪11‬‬ ‫‪±2‬‬ ‫‪±18%‬‬ ‫‪12.3‬‬ ‫‪6.77‬‬ ‫‪±55%‬‬ ‫‪11‬‬ ‫‪+4.6‬‬ ‫‪-2‬‬ ‫‪+42%‬‬ ‫‪-18%‬‬
‫‪X100‬‬
‫‪16‬‬ ‫‪28‬‬ ‫‪33.6‬‬ ‫‪22‬‬ ‫‪±6‬‬ ‫‪±27%‬‬ ‫‪24.8‬‬ ‫‪5.77‬‬ ‫‪±23%‬‬ ‫‪22‬‬ ‫‪+11.6‬‬ ‫‪-6‬‬ ‫‪+53%‬‬ ‫‪-27%‬‬
‫‪18‬‬ ‫‪30‬‬ ‫‪36‬‬ ‫‪24‬‬ ‫‪±6‬‬ ‫‪±25%‬‬ ‫‪27‬‬ ‫‪4.77‬‬ ‫‪±18%‬‬ ‫‪24‬‬ ‫‪+12‬‬ ‫‪-6‬‬ ‫‪+50%‬‬ ‫‪-25%‬‬
‫‪55‬‬ ‫‪69‬‬ ‫‪82.8‬‬ ‫‪62‬‬ ‫‪±7‬‬ ‫‪±11%‬‬ ‫‪68.9‬‬ ‫‪3.77‬‬ ‫‪±5%‬‬ ‫‪62‬‬ ‫‪+20.8‬‬ ‫‪-7‬‬ ‫‪+34%‬‬ ‫‪-11%‬‬

‫‪11 of 27‬‬
 ‫‪DESCRIPTION‬‬

‫‪TAG-NV‬‬ ‫طراحي و قابليت هاي نرم افزار‪:‬‬

‫فرمت گرافيکي گزارشات خروجي‬

‫‪12 of 27‬‬
TITLE

TAG-P

13 of 27
 ‫‪DESCRIPTION‬‬

‫‪TAG-P‬‬
‫توزيع پواسون (‪: )POISSON‬‬

‫يک توزيع احتمالي گسسته است که احتمال اينکه يک حادثه به تعداد‬

‫مشخصي در فاصله زماني يا مکاني ثابتي رخ دهد را شرح مي دهد؛ به‬
‫شرط اينکه اين حوادث با نرخ ميانگين مشخصي و مستقل از زمان آخرين‬
‫حادثه رخ دهند‪.‬‬
‫توزيع پواسن در هر زمينه اي استفاده مي شود براي مثال ‪:‬‬

‫• در سيستم هاي الکتريکي ‪ :‬تعداد دفعاتي که زنگ يک تلفن به صدا در‬

‫مي آيد‬
‫• در نجوم ‪ :‬فوتون هايي که تلسکوپ مي رسند‬
‫• در صنعت ‪ :‬تعداد محصوالت معيوب يک کارخانه‬
‫• در فيزيک ‪ :‬تعداد ذرات ‪ alpha‬انتشار يافته در يک ثانيه‬
‫• در زيست شناسي ‪ :‬تعداد جهش ها روي يک رشته ي معين از ‪ DNA‬داراي‬
‫‪λ𝑋 𝑒 −λ‬‬ ‫توزيع پواسن است‪.‬‬
‫= ‪𝑓 𝑋; λ‬‬
‫!𝑋‬
‫اگر اميد رياضي ظهورها در اين بازه ‪ λ‬باشد‪ ،‬احتمال اينکه دقيقا ‪X‬‬
‫ظهور داشته باشيم ( ‪ X‬عدد صحيح نامنفي است‪ ) X=0, 1, 2, … ،‬برابر است‬
‫با‪:‬‬

‫‪114 of‬‬
 ‫‪DESCRIPTION‬‬

‫‪TAG-P‬‬ ‫توزيع پواسون (ادامه) ‪:‬‬

‫اگر تابع احتمال مربوط به متغير تصادفي پواسون را براي ‪λ=1,4,10‬‬
‫براساس تکيهگاه آن ترسيم کنيم نمودار مربوطه به صورت زير در خواهد‬
‫آمد‪.‬‬

‫همانطور که ديده ميشود با افزايش مقدار ‪ λ‬منحني به سمت توزيع‬

‫نرمال با ميانگين و واريانس ‪ λ‬نزديک ميشود‪ .‬مقدار نما ( نقطهاي‬
‫احتمال )‬
‫ايرادات‬ ‫تابع( بروز‬ ‫براي‬
‫حوادث‬ ‫مقداروقوع‬
‫يا عدم‬‫حداکثر‬ ‫تصادفي با‬
‫احتمال وقوع‬ ‫متغير توزيع‬
‫گاهدر اين‬ ‫نکتهتکيه‬
‫مهم ‪:‬‬ ‫از‬
‫از‪ .‬اين حالتها برابر با ‪ λ‬و ‪ λ−1‬است‪.‬‬ ‫نيست‬
‫برابريک‬ ‫) ‪،‬‬
‫براي هر‬
‫‪15 of 27‬‬
 ‫‪DESCRIPTION‬‬

‫‪TAG-P‬‬ ‫طراحي و قابليت هاي نرم افزار‪:‬‬

‫امکان مطالعه تعداد عدم‬

‫انطباق مشاهده شده در‬
‫واحد براساس تعداد عيب‬
‫قابل قبول با فرض توزيع‬
‫‪Poisson‬‬

‫فرمت ورود داده ها (‬

‫اطالعات کليدي )‬

‫‪Comment‬‬ ‫‪Designation‬‬ ‫‪Value 1‬‬ ‫‪Value 2‬‬ ‫‪Value 3‬‬ ‫‪Value 4‬‬ ‫‪Value 5‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪Value n‬‬

‫‪1‬‬ ‫‪Bonnet‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫‪5‬‬

‫‪16 of 27‬‬
 ‫‪DESCRIPTION‬‬

‫‪TAG-P‬‬
‫ميزان عيب قابل انتظار براساس ‪ X‬ها و‪ λ‬هاي مختلف در توزيع ‪Poisson‬‬
‫‪:‬‬

‫‪Confidence Interval : 95 %‬‬

‫‪Target‬‬ ‫‪Sample Size = 3‬‬ ‫‪Sample Size = 5‬‬ ‫‪Sample Size = 8‬‬ ‫‪Sample Size = 13‬‬
‫فراواني‬ ‫ميانگين عدم‬ ‫فراواني‬ ‫ميانگين عدم‬ ‫فراواني‬ ‫ميانگين عدم‬ ‫فراواني‬ ‫ميانگين عدم‬
‫تعداد عيب‬
‫‪λ = Target x 3‬‬ ‫تجمعي (‬ ‫انطباق‬ ‫‪λ = Target x 5‬‬ ‫تجمعي (‬ ‫انطباق‬ ‫‪λ = Target x 8‬‬ ‫تجمعي (‬ ‫انطباق‬ ‫‪λ = Target x 13‬‬ ‫تجمعي (‬ ‫انطباق‬
‫در قطعه‬ ‫‪)X‬‬ ‫(‪) X÷3‬‬ ‫‪)X‬‬ ‫(‪) X÷5‬‬ ‫‪)X‬‬ ‫(‪) X÷8‬‬ ‫‪)X‬‬ ‫( ‪) X ÷ 13‬‬

‫‪1‬‬ ‫‪λ=3‬‬ ‫‪6‬‬ ‫‪2‬‬ ‫‪λ=5‬‬ ‫‪9‬‬ ‫‪1.8‬‬ ‫‪λ=8‬‬ ‫‪13‬‬ ‫‪1.6‬‬ ‫‪λ = 13‬‬ ‫‪19‬‬ ‫‪1.5‬‬

‫‪2‬‬ ‫‪λ=6‬‬ ‫‪10‬‬ ‫‪3.3‬‬ ‫‪λ = 10‬‬ ‫‪15‬‬ ‫‪3‬‬ ‫‪λ = 16‬‬ ‫‪23‬‬ ‫‪2.9‬‬ ‫‪λ = 26‬‬ ‫‪35‬‬ ‫‪2.7‬‬

‫‪3‬‬ ‫‪λ=9‬‬ ‫‪14‬‬ ‫‪4.7‬‬ ‫‪λ = 15‬‬ ‫‪22‬‬ ‫‪4.4‬‬ ‫‪λ = 24‬‬ ‫‪32‬‬ ‫‪4‬‬ ‫‪λ = 39‬‬ ‫‪50‬‬ ‫‪3.8‬‬

‫‪4‬‬ ‫‪λ = 12‬‬ ‫‪18‬‬ ‫‪6‬‬ ‫‪λ = 20‬‬ ‫‪28‬‬ ‫‪5.6‬‬ ‫‪λ = 32‬‬ ‫‪42‬‬ ‫‪5.3‬‬ ‫‪λ = 52‬‬ ‫‪64‬‬ ‫‪4.9‬‬

‫‪17 of 27‬‬
 ‫‪DESCRIPTION‬‬

‫‪TAG-P‬‬ ‫طراحي و قابليت هاي نرم افزار‪:‬‬

‫فرمت گرافيکي گزارشات خروجي‬

‫‪18 of 27‬‬
TITLE

TAG-B

19 of 27
 ‫‪DESCRIPTION‬‬

‫‪TAG-B‬‬
‫توزيع دوجمله اي (‪: )Binomial - Binary‬‬
‫توزيعي گسسته است از تعداد موفقيت ها در دنباله اي شامل ‪ n‬آزمايش‬
‫مستقل برنولي همه با احتمال موفقيت ‪ . p‬درواقع متغير تصادفي ‪x‬‬
‫(تعداد موفقيت ها ) را متغير دوجمله اي با پارامترهاي ‪ n‬و ‪ p‬مي‬
‫گويند‪.‬‬

‫يک آزمايش دوجمله اي بايستي داراي ويژگي هاي زير باشد ‪:‬‬
‫ً مشابه باشد‪.‬‬
‫• آزمايش داراي ‪ n‬تعداد آزمون يکسان و عينا‬
‫• نتيجه هر آزمون فقط به يکي از اين دوصورت باشد‪ :‬موفق يا ناموفق‪.‬‬
‫• احتمال موفقيت آزموني را اگر با ‪ p‬نشان دهيم ‪ ،‬از يک آزمون به‬
‫آزمون ديگر يکسان بوده و متغير نباشد‪ .‬احتمال شکست را با ‪ q‬نشان‬
‫𝑘 𝑛‬ ‫داده که برابر است با ‪.q=1-p‬‬
‫= 𝑘 𝑝‬ ‫𝑘‪𝑝 (1 − 𝑝)𝑛−‬‬
‫𝑘‬ ‫• آزمونها مستقل باشند‪.‬‬

‫احتمال بدست آوردن ‪ k‬موفقيت با تابع جرم احتمال روبرو مشخص مي شود‬
‫‪:‬‬

‫‪20 of 27‬‬
 ‫‪DESCRIPTION‬‬

‫‪TAG-B‬‬ ‫طراحي و قابليت هاي نرم افزار‪:‬‬

‫امکان مطالعه تعداد عدم‬

‫انطباق مشاهده شده‬
‫براساس درصد قابل قبول‬
‫با فرض توزيع دوجمله اي‬

‫فرمت ورود داده ها (‬

‫اطالعات کليدي )‬

‫‪0 = good‬‬
‫‪1 = bad‬‬

‫‪Comment‬‬ ‫‪Designation‬‬ ‫‪Value 1‬‬ ‫‪Value 2‬‬ ‫‪Value 3‬‬ ‫‪Value 4‬‬ ‫‪Value 5‬‬ ‫‪...‬‬ ‫‪...‬‬ ‫‪Value n‬‬

‫‪1‬‬ ‫‪P1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬

‫‪21 of 27‬‬
 ‫‪DESCRIPTION‬‬

‫‪TAG-B‬‬
‫ميزان عيب قابل قبول در توزيع ‪ Binomial‬و مقايسه با ميزان عيب مورد‬
‫انتظار براساس ‪: NC%‬‬

‫‪Confidence Interval : 95 %‬‬

‫‪Target‬‬ ‫‪Sample Size = 3‬‬ ‫‪Sample Size = 5‬‬ ‫‪Sample Size = 8‬‬ ‫‪Sample Size = 13‬‬ ‫‪Sample Size = 20‬‬ ‫‪Sample Size = 32‬‬
‫فراواني‬ ‫فراواني‬ ‫فراواني‬ ‫فراواني‬ ‫فراواني‬ ‫فراواني‬
‫فراواني‬ ‫فراواني‬ ‫فراواني‬ ‫فراواني‬ ‫فراواني‬ ‫فراواني‬
‫درصد‬ ‫تجمعي بر‬ ‫تجمعي بر‬ ‫تجمعي بر‬ ‫تجمعي بر‬ ‫تجمعي بر‬ ‫تجمعي بر‬
‫تجمعي مورد‬ ‫تجمعي مورد‬ ‫تجمعي مورد‬ ‫تجمعي مورد‬ ‫تجمعي مورد‬ ‫تجمعي مورد‬
‫معيوب‬ ‫اساس شکل‬ ‫اساس شکل‬ ‫اساس شکل‬ ‫اساس شکل‬ ‫اساس شکل‬ ‫اساس شکل‬
‫انتظار‬ ‫انتظار‬ ‫انتظار‬ ‫انتظار‬ ‫انتظار‬ ‫انتظار‬
‫توزيع‬ ‫توزيع‬ ‫توزيع‬ ‫توزيع‬ ‫توزيع‬ ‫توزيع‬

‫‪1%‬‬ ‫‪0‬‬ ‫)‪0 (0.03‬‬ ‫)‪0 (0.2‬‬ ‫)‪0 (0.05‬‬ ‫)‪0 (0.5‬‬ ‫)‪0 (0.08‬‬ ‫)‪0 (0.7‬‬ ‫)‪0 (0.13‬‬ ‫)‪0 (0.8‬‬ ‫)‪0 (0.2‬‬ ‫‪1‬‬ ‫)‪0 (0.32‬‬

‫‪5%‬‬ ‫‪1‬‬ ‫)‪0 (0.15‬‬ ‫‪1‬‬ ‫)‪0 (0.25‬‬ ‫)‪1 (1.2‬‬ ‫)‪0 (0.4‬‬ ‫)‪1 (1.8‬‬ ‫)‪0 (0.65‬‬ ‫)‪2 (2.4‬‬ ‫‪1‬‬ ‫)‪3 (3.4‬‬ ‫)‪1 (1.6‬‬

‫‪10 %‬‬ ‫‪1‬‬ ‫)‪0 (0.3‬‬ ‫)‪1 (1.6‬‬ ‫)‪0 (0.5‬‬ ‫‪2‬‬ ‫)‪0 (0.8‬‬ ‫)‪2 (2.9‬‬ ‫)‪1 (1.3‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫)‪5 (5.9‬‬ ‫)‪3 (3.2‬‬

‫‪30 %‬‬ ‫‪2‬‬ ‫)‪0 (0.9‬‬ ‫‪3‬‬ ‫)‪1 (1.5‬‬ ‫)‪4 (4.4‬‬ ‫)‪2 (2.4‬‬ ‫)‪6 (6.5‬‬ ‫)‪3 (3.9‬‬ ‫‪9‬‬ ‫‪6‬‬ ‫)‪13 (13.6‬‬ ‫)‪9 (9.6‬‬

‫در همگي توزيع هاي احتمالي مانند ‪ Binomial ، Poisson‬و‪ ...‬باتوجه به‬ ‫توجه ‪:‬‬
‫ارائه قانون حد مرکزي و ميل ∞→‪ ، x‬با افزايش نمونه برداري ميزان عيب‬
‫مورد انتظار با ميزان عيب قابل قبول بر اساس توزيع به يکديگر نزديک مي‬
‫شوند‪.‬‬

‫‪22 of 27‬‬
 ‫‪DESCRIPTION‬‬

‫‪TAG-B‬‬ ‫طراحي و قابليت هاي نرم افزار‪:‬‬

‫فرمت گرافيکي گزارشات خروجي‬

‫‪23 of 27‬‬
 ‫‪DESCRIPTION‬‬

‫‪Binomial Application‬‬
‫يکي ديگر از کاربرد هاي توزيع دوجمله اي ‪:‬‬
‫‪N total = N functional + N reliability‬‬
‫محاسبه ‪ N Reliability‬براساس ‪ NQS‬فرايند‪ OFC ،‬و‪N Functional‬‬

‫‪ :Pa‬احتمال پذيرش ناحيه‬

‫‪ :K‬تعداد نقاط جوش نامنطبق‬
‫‪ :p‬متوسط درصد نقاط جوش معيوب در ناحيه (‪ NQS‬فرايند در اين‬
‫ناحيه)‪.‬‬
‫‪ :N‬تعداد نقاط جوش اضافه شده به ناحيه‬

‫محاسبه‪:‬‬
‫) ‪ ≥ N Functional‬تعداد نقاط جوش سالم ( ‪Pa = B‬‬

‫‪ :1-Pa‬احتمال مردود شدن ناحيه‬

‫‪ OFC‬مقايسه شده است‪.‬‬ ‫مقادير ‪ 1-Pa‬براي …‪ N=1,2,3,‬محاسبه شده و با‬
‫‪ N Reliability‬حداقل مقدار ‪ N‬است براي ‪1-Pa ≤ OFC‬‬

‫‪224 of‬‬
 ‫‪DESCRIPTION‬‬

‫‪Binomial Application‬‬
‫يکي ديگر از کاربرد هاي توزيع دوجمله اي (ادامه) ‪:‬‬
‫تشريح روش محاسبه با يك مثال ‪:‬‬

‫داده هاي اوليه براي يك ناحيه ‪ N Functional=20 ، OFC=10-6‬و ‪NQS=1%‬‬

‫‪ Pa‬را مي توان با استفاده از تابع توزيع دوجمله اي (‪ )Binomial‬در نرم افزار ‪ Excel‬محاسبه‬
‫نمود‪:‬‬

‫‪N‬‬ ‫براي ‪: N=1‬‬

‫‪N Functional + N‬‬ ‫‪ 1-Pa=0.0185 ← Pa=0.9814‬كه اين مقدار‬

‫بزرگتر از ‪ 10-6‬است‪.‬‬
‫‪NQS‬‬
‫‪1-Pa=0.00133 > 10-6‬‬ ‫براي ‪← N=2‬‬
‫‪1-Pa=7.6 x 10-5 > 10-6‬‬ ‫براي ‪← N=3‬‬
‫‪1-Pa=3.6 x 10-6 > 10-6‬‬ ‫براي ‪← N=4‬‬
‫‪1-Pa=1.5 x 10-7 < 10-6‬‬ ‫براي ‪← N=5‬‬

‫‪ 1-Pa < OFC‬بنابراين ‪N Reliability = 5‬‬ ‫‪N=5‬‬ ‫براي‬

‫‪25 of 27‬‬
‫با تشکر از‬
‫توجه شما‬