Interpretar os principais resultados para Estudo de medição por atributos (método analítico)

Conclua as etapas a seguir para interpretar um estudo da medição de atributos. A saída principal inclui métricas de vício, indicadores de ajuste de modelo e curva de desempenho de medição.

Etapa 1: Avaliar se o vício está presente no sistema de medição

O vício é uma medida da precisão de um sistema de medição. O vício é calculado como a diferença entre o valor padrão conhecido de uma peça de referência e a medição média observada. Um valor de vício baixo indica que o atributo das peças medem perto de seus valores de referência.

Para determinar se vício no sistema de medição é estatisticamente significativo, compare o valor-p com o nível de significância (denotado como α ou alfa). Geralmente, um nível de significância (denotado como α ou alfa) de 0,05 funciona bem. Um nível de significância de 0,05 indica um risco de 5% de concluir que existe vício quando não há nenhum vício significativo.

Resultados principais: valor de p

Para este exemplo, o vício é 0,0097955, e o valor de p é 0,0000021. Como o valor de p é menor que o nível de significância de 0,05, rejeite a hipótese nula de que o vício é igual a 0. Conclua que o vício neste sistema de medição é estatisticamente significativo.

Observação

Se você alterar a configuração padrão para usar o método de regressão em vez do método AIAG, o valor de p pode ser um pouco diferente.

Etapa 2: Avaliar o gráfico de linha ajustada

O gráfico de probabilidade normal mostra a porcentagem de aceitações para cada valor de referência. Como não há medições reais do medidor disponíveis para estimar o vício e a repetibilidade, o Minitab calcula o vício e a repetibilidade ajustando a curva de distribuição normal usando as probabilidades de aceitação calculadas e os valores de referência conhecidos para todas as peças.

Se os erros de medição seguem uma distribuição normal, as probabilidades calculadas caem ao longo de uma linha reta. A linha de regressão se ajusta às probabilidades.

O valor de R-sq (R2) para a linha de regressão ajustada indica a porcentagem da variação na probabilidade de respostas de aceitação que é explicada pelo modelo de regressão. R2 varia de 0 a 100%. Normalmente, quanto mais alto o valor de R2 melhor o modelo se ajusta aos seus dados. Os valores de R2 que são maiores do que 90% normalmente indicam um ajuste muito bom dos dados.

Resultado principal: R-sq

Para este exemplo, R-sq é 0,969376. A linha ajustada se ajusta aos dados muito bem, e o modelo é responsável por quase 97% da variância.

Etapa 3: Avaliar a curva de desempenho de medição

A curva de desempenho de medição mostra a probabilidade estimada de aceitação como uma função do valor de referência para o produto. A linha de referência vertical indica o(s) limite(s) inserido(s) para a análise.

Por esses dados, a probabilidade de aceitação de um item no limite de tolerância inferior de -0,020 é relativamente alta (aproximadamente 0,84). No entanto, a taxa de aceitação também é relativamente alta a valores de apenas abaixo do limite de tolerância. Se o limite inferior de tolerância for crítico, então alguma melhoria é necessária.