Gestione Industriale della Qualità
|
|
|
- Bartolomeo Boni
- 9 anni fa
- Просмотров:
Транскрипт
1 Esempio Gestione Industriale della Qualità -IX-23 A) Si consideri un piano di campionamento doppio con rettifica caratterizzato dai seguenti parametri: n=2 n2=6 c= c2=4 Si valuti la probabilità di accettazione del campione e la qualita media risultante (AOQ); nell ipotesi che il lotto, composto da 5 elementi, presenti una difettosità p pari al 4%. prob. di accettazione n = prob. di accettazione n = p p c n=2 n= nota: si riporta la formula corretta per il calcolo di P a II II a P = c2 c d P * d = c + d = 2 ( d ) P( d ) 2 2 B) Una procedura di controllo per schede a circuiti stampati consiste nel campionamento di 5 schede per ora e nel rilievo del numero totale di difetti (non conformita ) nel campione. di circuito. I dati raccolti sono riportati nella tabella seguente. Si costruisca una carta u (per numero medio di difetti) sulla base dei dati, estraendo dal campione stesso le informazioni necessarie a definire i limiti di controllo.
2 N. del campione Numero totale di non conformita N. del campione Numero totale di non conformita C) Discutere le seguenti carte x
3 Esempio 2 Gestione Industriale della Qualità 23-VII-24 A) Si consideri un piano di campionamento doppio con rettifica caratterizzato dai seguenti parametri: n =5 c = n2 = 8 c2 = 4 Si valuti la probabilita' di accettazione (P), la qualita media risultante (AOQ) e il numero di ispezioni minimo, massimo e medio (ATI); si faccia l ipotesi che il lotto, di dimensioni N = 9 presenti una difettosità p pari al 3%. c n=5 n= nota: si riporta la formula corretta per il calcolo di P a II : c2 c d II Pa = P * d= c+ d2= 2 2 ( d ) P( d ) B) Si costruisca (qualitativamente) una carta x-mr sulla base dei dati della tabella seguente relativi ad una dimensione diametrale di un componente meccanico, espressi in millimetri. Si supponga che: - i limiti di specifica siano 2±.2; - siano gia stati valutati i valori x med =2., MR med =.68. Si richiede: - una stima dell indice di capacita di processo c p ; - la costruzione delle carte x-mr.
4 oss.n. x oss.n. x C) Discutere le seguenti carte x
5 Esempio 3 Gestione Industriale della Qualità 4-IX-25 A) Si consideri un piano di campionamento doppio con rettifica caratterizzato dai seguenti parametri: n =5 c = n2 = 8 c2 = 4 Si valuti la probabilita' di accettazione (P), la qualita media risultante (AOQ) e il numero di ispezioni minimo, massimo e medio (ATI); si faccia l ipotesi che il lotto, di dimensioni N = 9 presenti una difettosità p pari al 3%. c n=5 n= nota: si riporta la formula corretta per il calcolo di P a II : c2 c d II Pa = P * d= c+ d2= 2 2 ( d ) P( d ) B) Si costruisca (qualitativamente) una carta p sulla base dei dati della tabella seguente, che riporta il numero di pezzi non conformi rilevati su campioni costituiti da 8 pezzi ciascuno. Si stimi la frazione media di non conformi dai dati forniti.
6 N. del campione Numero di pezzi non conformi N. del campione Numero di pezzi non conformi C) Discutere le seguenti carte x
7 Esempio 4 Gestione Industriale della Qualità 6-XII-23 A) Si consideri un piano di campionamento doppio (senza rettifica) caratterizzato dai seguenti parametri: n = 8 c = 2 n2 = 6 c2 = 5 Si valuti la probabilita di accettazione totale, e la dimensione media del campione (ASN) nell ipotesi che il lotto, di presenti una difettosità p pari al 3.5%. Si faccia riferimento ad un lotto di dimensione N = 5: c n=5 n= nota: si riporta la formula corretta per il calcolo di P a II : c2 c d II Pa = P * d= c+ d2= 2 2 ( d ) P( d ) B) Si costruisca una carta x-mr sulla base dei dati seguenti. Quali altri strumenti potrebbero essere usati in questo caso (si consideri che i dati sono distribuiti con media.7 e range medio.77)? N. del campione valore N. del campione valore
8 C) Discutere le seguenti carte x UCL LCL UCL LCL
9 Esempio 5 Gestione Industriale della Qualità 6-XII-23 A) Si consideri un piano di campionamento doppio con rettifica caratterizzato dai seguenti parametri: n = 5 c = n2 = c2 = 4 Si valuti la probabilita di accettazione senza rettifica (P), la qualita media risultante (AOQ), il numero medi di ispezioni totali (ATI) e la probabilita di prendere una decisione dopo l ispezione del primo campione (PI); nell ipotesi che il lotto, di dimensioni N = 3 presenti una difettosità p pari al 2%. Si consideri poi lo stesso caso senza rettifica e si valutino la probabilita di accettazione totale, la qualita in uscita (simile ad AOQ ) e la dimensione media del lotto (ASN) per questo caso. c n=5 n= nota: si riporta la formula corretta per il calcolo di P a II : c2 c d II Pa = P * d= c+ d2= 2 2 ( d ) P( d ) B) Si costruisca una carta x med -S sulla base dei dati seguenti, sapendo che sono stati campionati da una distribuzione con media µ=2 e deviazione standard σ=
10 C) Discutere le seguenti carte x UCL LCL UCL LCL
Gestione Industriale della Qualità
Gestione Industriale della Qualità 8-II-6 esempio A) Si consideri un piano di campionamento doppio con rettifica caratterizzato dai seguenti parametri: n = c = n = c = 4 Si valuti la qualità media risultante
Statistical Process Control
Statistical Process Control ESERCIZI II Esercizio 1. Una ditta che produce schermi a cristalli liquidi deve tenere in controllo il numero di pixel non funzionanti. Vengono ispezionati venti schermi alla
L AFFIDABILITA NELLA FASE DI PRODUZIONE
9. L AFFIDABILITA NELLA FASE DI PRODUZIONE Ed.1 del 14/09/98 Rev. 3 del 08/09/00 AFFIDABILITA' DI COMPONENTI E SCHEDE ELETTRONICHE-sez 9 1 L AFFIDABILITA IN PRODUZIONE ATTIVITA CHIAVE PER L AFFIDABILITA
Statistica Applicata all edilizia Lezione: carte di controllo
Lezione: carte di controllo E-mail: [email protected] 24 maggio 2007 Programma 1 Fonti di variabilità e controllo di un fenomeno 2 Programma 1 Fonti di variabilità e controllo di un fenomeno 2 Fonti
Test per l omogeneità delle varianze
Test per l omogeneità delle varianze Le carte di controllo hanno lo scopo di verificare se i campioni estratti provengono da un processo produttivo caratterizzato da un unico valore dello s.q.m. σ. Una
Da: Stefano Tonchia Università di Udine Progettare e gestire il sistema aziendale di misurazione delle prestazioni.
Strumenti di controllo costi-qualità Da: Stefano Tonchia Università di Udine Progettare e gestire il sistema aziendale di misurazione delle prestazioni. Controllo costi Le difficoltà di un accurato e affidabile
Variabili casuali ad una dimensione Testi degli esercizi. Variabili casuali ad una dimensione a.a. 2012/2013 1
Variabili casuali ad una dimensione Testi degli esercizi 1 Costruzione di variabile casuale discreta Esercizio 1. Sia data un urna contenente 3 biglie rosse, 2 biglie bianche ed una biglia nera. Ad ogni
UNIVERSITÀ DEGLI STUDI DI PERUGIA
SIGI, Statistica II, esercitazione n. 3 1 UNIVERSITÀ DEGLI STUDI DI PERUGIA FACOLTÀ DI ECONOMIA CORSO DI LAUREA S.I.G.I. STATISTICA II Esercitazione n. 3 Esercizio 1 Una v.c. X si dice v.c. esponenziale
GESTIONE INDUSTRIALE DELLA QUALITÀ A
GESTIONE INDUSTRIALE DELLA QUALITÀ A Lezione 10 CAMPIONAMENTO (pag. 62-64) L indagine campionaria all interno di una popolazione consiste nell estrazione di un numero limitato e definito di elementi che
1/34. Campionamento di accettazione Acceptance Sampling
1/34 Campionamento di accettazione Acceptance Sampling P Contents 1 Ispezioni di accettazione 5 2/34 2 Ispezioni di accettazione - 2 6 3 Accettazione per campionamento 7 4 Piano di campionamento 8 5 Possibilità
ESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE
ESERCITAZIONE 21 : VARIABILI ALEATORIE CONTINUE e-mail: [email protected] web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114 7 Maggio 2013 Esercizio
Funzione Operativa Caratteristica per la media
Funzione Operativa Caratteristica per la media Se X N(µ 0, σ 0 ) allora il processo all istante t è considerato sotto controllo se calcolata x t risulta µ 0 z 1 α/2 σ 0 n < x t < µ 0 + z 1 α/2 σ 0 n Denotiamo
Probabilità e Statistica
Probabilità e Statistica Stima puntuale di parametri Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 018/019 Marco Pietro Longhi Prob. e Stat.
DI CONFORMITA NEI PRODUTTIVI. Prof. Marcantonio Catelani Scuola di Ingegneria - Dipartimento di Ingegneria dell Informazione - Firenze
VERIFICHE DI CONFORMITA NEI PROCESSI PRODUTTIVI Prof. Marcantonio Catelani Scuola di Ingegneria - Dipartimento di Ingegneria dell Informazione - Firenze [email protected] 1 Qualità secondo
standardizzazione dei punteggi di un test
DIAGNOSTICA PSICOLOGICA lezione! Paola Magnano [email protected] standardizzazione dei punteggi di un test serve a dare significato ai punteggi che una persona ottiene ad un test, confrontando la
Statistica Inferenziale
Statistica Inferenziale a) L Intervallo di Confidenza b) La distribuzione t di Student c) La differenza delle medie d) L intervallo di confidenza della differenza Prof Paolo Chiodini Dalla Popolazione
Statistica 1- parte II
Statistica 1- parte II Esercitazione 3 Dott.ssa Antonella Costanzo 25/02/2016 Esercizio 1. Verifica di ipotesi sulla media (varianza nota) Il preside della scuola elementare XYZ sospetta che i suoi studenti
STATISTICA AZIENDALE Modulo Controllo di Qualità
STATISTICA AZIENDALE Modulo Controllo di Qualità A.A. 009/10 - Sottoperiodo PROA DEL 14 MAGGIO 010 Cognome:.. Nome: Matricola:.. AERTENZE: Negli esercizi in cui sono richiesti calcoli riportare tutte la
Lezione 16. Statistica. Alfonso Iodice D Enza Università degli studi di Cassino. Lezione 16. A. Iodice. Ipotesi statistiche
Statistica Alfonso Iodice D Enza [email protected] Università degli studi di Cassino () Statistica 1 / 23 Outline 1 2 3 4 5 6 () Statistica 2 / 23 La verifica delle ipotesi Definizione Un ipotesi statistica
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 5
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE Dott.ssa Antonella Costanzo [email protected] Esercizio 1. Approssimazione normale della Poisson (TLC) In un determinato tratto di strada il numero di incidenti
05. Errore campionario e numerosità campionaria
Statistica per le ricerche di mercato A.A. 01/13 05. Errore campionario e numerosità campionaria Gli schemi di campionamento condividono lo stesso principio di fondo: rappresentare il più fedelmente possibile,
Statistica. Esercitazione 14. Alfonso Iodice D Enza Università degli studi di Cassino. Statistica. A. Iodice. Verifica di ipotesi
Esercitazione 14 Alfonso Iodice D Enza [email protected] Università degli studi di Cassino () 1 / 14 Ex.1: Verifica Ipotesi sulla media (varianza nota) Le funi prodotte da un certo macchinario hanno una
Probabilità e Statistica
Probabilità e Statistica Intervalli di confidenza Marco Pietro Longhi C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica a.s. 2018/2019 Marco Pietro Longhi Prob. e Stat. 1
Corso di Statistica Esercitazione 1.8
Corso di Statistica Esercitazione.8 Test su medie e proporzioni Prof.ssa T. Laureti a.a. 202-203 Esercizio Un produttore vuole monitorare i valori dei livelli di impurità contenute nella merce che gli
Esercitazione 5 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione del corso di Statistica Prof. Domenico Vistocco Alfonso Iodice D Enza May 30, 007 1 Esercizio Si consideri una popolazione caratterizzata dai numeri, 3, 6, 8, 11. Si considerino tutti i possibili
Probabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
4. Si supponga che il tempo impiegato da una lettera spedita dall Italia per arrivare a destinazione segua una distribuzione normale con media
Esercizi sulle distribuzioni, il teorema limite centrale e la stima puntuale Corso di Probabilità e Inferenza Statistica, anno 007-008, Prof. Mortera 1. Sia X la durata in mesi di una valvola per radio.
Corso di Laurea in Infermieristica "S" A.A. 2015/2016 Orario Lezioni III Anno - I Semestre Nuovo Ordinamento (D.M. 270/04)
I^ Settimana 12 ottobre 16 ottobre II^ Settimana 19 ottobre 23 ottobre III^ Settimana 26 ottobre 30 ottobre IV^ Settimana 2 novembre 6 novembre V^ Settimana 9 novembre 13 novembre VI^ Settimana 16 novembre
Questo calcolo richiede che si conoscano media e deviazione standard della popolazione.
Università del Piemonte Orientale Corso di laurea in biotecnologie Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z, riferito
ES.2.3. è pari ad 1. Una variabile aleatoria X che assume valori su tutta la retta si dice distribuita
ES.2.3 1 Distribuzione normale La funzione N(x; µ, σ 2 = 1 e 1 2( x µ σ 2 2πσ 2 si chiama densità di probabilità normale (o semplicemente curva normale con parametri µ e σ 2. La funzione è simmetrica rispetto
Esercizi 6 - Variabili aleatorie vettoriali, distribuzioni congiunte
Esercizi - Variabili aleatorie vettoriali, distribuzioni congiunte Esercizio. X e Y sono v.a. sullo stesso spazio di probabilità (Ω, E, P). X segue la distribuzione geometrica modificata di parametro p
Distribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
Controllo statistico della qualità
Controllo statistico della qualità 1 Senza il controllo della qualità, sia il produttore che l acquirente sono nella stessa posizione dell uomo che scommette in una corsa di cavalli con l unica eccezione
5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana)
5 - Esercizi: Probabilità e Distribuzioni di Probabilità (Uniforme, Gaussiana) Esercizio 1: Una variabile casuale e caratterizzata da una distribuzione uniforme tra 0 e 10. Calcolare - a) la probabilità
Statistical Process Control
Statistical Process Control ESERCIZI Esercizio 1. Per la caratteristica di un processo distribuita gaussianamente sono note media e deviazione standard: µ = 100, σ = 0.2. 1a. Calcolare la linea centrale
Prova Pratica di Statistica I+II - Prof. M. Romanazzi
1 Università di Venezia - Corso di Statistica I + II (Cb-Ga) Prova Pratica di Statistica I+II - Prof. M. Romanazzi 3 Giugno 2008 Cognome e Nome............................................ N. Matricola............
Variabili aleatorie discrete. Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia
Variabili aleatorie discrete Giovanni M. Marchetti Statistica Capitolo 5 Corso di Laurea in Economia 2015-16 1 / 45 Variabili aleatorie Una variabile aleatoria è simile a una variabile statistica Una variabile
Statistica. Lezione 4
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 4 a.a 2011-2012 Dott.ssa Daniela
STATISTICA SERALE (NOF) Appello del 12/07/12 Effettuare i calcoli arrotondando alla seconda cifra decimale A PARTE PRIMA
Appello del 12/07/12 A PARTE PRIMA 1) Enunciare e dimostrare le due proprietà della media aritmetica. 2) Il prospetto che segue si riferisce ad una parte della distribuzione per età delle donne italiane
Statistical Process Control
Statistical Process Control ESERCIZI Esercizio 1. Per la caratteristica di un processo distribuita gaussianamente sono note media e deviazione standard: µ = 100, σ = 0.2. 1a. Calcolare la linea centrale
Test delle Ipotesi Parte I
Test delle Ipotesi Parte I Test delle Ipotesi sulla media Introduzione Definizioni basilari Teoria per il caso di varianza nota Rischi nel test delle ipotesi Teoria per il caso di varianza non nota Test
Esercizi Teoria della Probabilità
Esercizi Teoria della Probabilità Esercizio 1 Durante un corso universitario, uno studente prova a svolgere una serie di esercizi. La risposta agli esercizi è di tipo binario (SI/NO). Supponendo la completa
DISTRIBUZIONI DI CAMPIONAMENTO
DISTRIBUZIONI DI CAMPIONAMENTO 12 DISTRIBUZIONE DI CAMPIONAMENTO DELLA MEDIA Situazione reale Della popolazione di tutti i laureati in odontoiatria negli ultimi 10 anni, in tutte le Università d Italia,
Statistica Corso Base (Serale) Dott.ssa Cristina Mollica
Statistica Corso Base Serale Dott.ssa Cristina Mollica [email protected] Campionamento Esercizio 1. Da una ricerca si è osservato che il peso del prodotto A varia tra i e i 530 grammi. 1 Ipotizzando
Statistica Metodologica
Statistica Metodologica Esercizi di Probabilita e Inferenza Silvia Figini e-mail: [email protected] Problema 1 Sia X una variabile aleatoria Bernoulliana con parametro p = 0.7. 1. Determinare la media
Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota)
STATISTICA (2) ESERCITAZIONE 5 26.02.2014 Dott.ssa Antonella Costanzo Esercizio 1. Stima intervallare: IC per la media incognita (varianza ignota) Il responsabile del controllo qualità di un azienda che
Lezione VII: t-test. Prof. Enzo Ballone
Lezione VII: t-test Cattedra di Biostatistica Dipartimento di Scienze Biomediche, Università degli Studi G. d Annunzio di Chieti Pescara Prof. Enzo Ballone Un terzo problema: si considerino 2 campioni
Università degli studi della Tuscia. Principi di Statistica dr. Luca Secondi A.A. 2014/2015. Esercitazione di riepilogo Variabili casuali
Università degli studi della Tuscia Principi di Statistica dr. Luca Secondi A.A. 014/015 Esercitazione di riepilogo Variabili casuali ESERCIZIO 1 Il peso delle compresse di un determinato medicinale si
