Sei sulla pagina 1di 17

Capitolo I

TECNICHE DI PRESENTAZIONE ED ANALISI DEI DATI

Ad un processo si richiede di dare un prodotto/servizio conforme alle specifiche. Ciò, generalmente, non avviene spontaneamente, ma è la conseguenza di una continua opera di controllo e regolazione. Ogni processo ha una sua variabilità intrinseca dovuta ad innumerevoli cause; l’individuazione, il controllo e la riduzione di tali cause di variazione è lo scopo del "Controllo di Processo". Generalmente per gli scopi che il controllo di processo si prefigge è necessario procedere al prelievo ed all’analisi di campioni del prodotto e alla misura di parametri del processo (temperature, pressioni, portate, composizioni, pH, posizionamenti, etc.) e cioè occorre procedere alla raccolta di dati che saranno quindi analizzati per ottenere le necessarie informazioni sul processo. Occorre preliminarmente dare risposte ai seguenti quesiti e cioè:

- quali e quanti dati,

- come analizzarli. Le risposte sembrano ovvie. Poiché stiamo raccogliendo dati per ottenere risposte ai quesiti che ci siamo posti, il tipo di dati da raccogliere deve darci le informazioni necessarie. Ogni altro dato, inoltre, anche se facilmente acquisibile, non serve e quindi fa solo sprecare tempo e risorse. Le informazioni che ci aspettiamo di ottenere dai dati saranno la base delle nostre future azioni; è quindi necessario che queste abbiano un ridotto margine di errore. Infine per quanto riguarda il come analizzare i dati la risposta ovvia è che dobbiamo utilizzare quelle tecniche che consentano di estrarre il massimo di informazione e ridurre quindi il margine di errore delle nostre conclusioni. Occorre precisare che i passi sulla conduzione dell’indagine, prima esposti, rappresentano la successione temporale dell’indagine, ma in effetti poiché ci serviremo delle tecniche statistiche, e tra queste sceglieremo le più potenti, la quantità di dati necessaria è determinata dalla precisione delle risposte e quindi dalla procedura statistica che sarà utilizzata (Progettazione degli Esperimenti). Generalmente il primo passo è quello di esaminare il prodotto finito per il quale, ovviamente, sono previste delle specifiche (dimensioni, aspetto, difetti, colore, etc.). Per evitare di restare nel vago, le tecniche di analisi, che verranno illustrate, lo saranno attraverso l’applicazione ad un ipotetico caso che si può verificare in produzione.

1. Diagramma di Pareto ed istogramma

Supponiamo, quindi, che, in una industria meccanica, la produzione di un particolare dia una qualità poco soddisfacente e cioè che il numero di pezzi difettosi è eccessivamente elevato. Si tratti, in particolare, di un pezzo il cui schizzo è mostrato in Fig. 1-1.

D L Fig. 1-1
D
L
Fig. 1-1

Le caratteristiche che interessano sono:

Diametro:

D = 50 ± 0.1 mm

Lunghezza:

L = 100 ± 0.2 mm

Rugosità:

R a = 2 m

Il pezzo è prodotto su due torni a CN ed il grezzo è costituito da un pezzo stampato. Una prima indagine è relativa alle tipologie di difettosità. Da una tale indagine risulta che su 450 pezzi scartati 270 lo sono stati perché il diametro era fuori tolleranza, 112 perché lo era la lunghezza, 45 a causa di una eccessiva rugosità e altri 23 per cause diverse.

500 450 400 350 300 250 200 150 100 50 0 Diam. Lungh. Rugos. Altro
500
450
400
350
300
250
200
150
100
50
0
Diam.
Lungh.
Rugos.
Altro

Fig. 1-2

Tali dati sono riportati in un diagramma (Fig. 1-2) in cui, sull’asse delle ascisse si riporta la

caratteristica della classe (il motivo della difettosità) e su quello delle ordinate la numerosità della classe o la frazione. Le classi sono riportate in ordine decrescente di numerosità. Si traccia quindi una spezzata che rappresenta la cumulata delle difettosità. Il grafico ottenuto prende il nome di diagramma di Pareto.

Il diagramma mostra sempre che il maggior numero di non conformità sono dovute ad un

numero limitato di fattori e quindi permette di mettere in evidenza le tipologie vitali di non conformità.

È poco efficiente occuparsi contemporaneamente di tutte le difettosità, pertanto si concentrano

le risorse disponibili (uomini e mezzi) per la soluzione di un unico problema. Il diagramma di Pareto indica che il problema prioritario è quello degli scarti dovuti alla mancanza di conformità alle specifiche del diametro. (Poiché le motivazioni delle nostre azioni sono economiche, nel diagramma si riporta non il numero di difetti, ma i costi relativi; nel caso in esame si sta supponendo che tutti i tipi di difetti comportino lo stesso costo). Infatti, se riusciamo a migliorare la produzione riducendo, per esempio del 50%, tale frazione di pezzi difettosi, riduciamo la difettosità totale del 135/450 100 = 33.75%. Se invece ci preoccupassimo di ridurre la difettosità conseguente ad una non adeguata rugosità, anche se riuscissimo ad eliminarne completamente la causa, in totale avremmo un miglioramento pari al 45/450 100 = 10%. Tale decisione è presa prescindendo dalle difficoltà, incognite, che incontreremo nella soluzione del problema.

Per iniziare l’indagine occorrono informazioni più dettagliate sul tipo di difettosità; pertanto preleviamo un campione della produzione ed eseguiamo il collaudo della grandezza da studiare. Per una prima analisi i dati saranno riportati su un grafico per un esame visivo; il grafico più

opportuno è l’istogramma che ci permette di osservare come le misure si distribuiscono ed in che relazione stanno con le specifiche.

A tale scopo individuiamo il valore più grande ed il più piccolo dei dati raccolti (il Range dei

dati) e, fissato un numero di classi k, determiniamo l’ampiezza di ogni classe dividendo il Range per il numero delle classi. La scelta del numero delle classi è importante perché al se troppo elevato o molto basso, rispetto al numero dei dati, non si ottengono informazioni significative;

generalmente tale numero si sceglie pari a ÷n oppure utilizzando la regola k=1+3.3 Log n. Utilizzando la prima regola è k=10 Spesso per semplicità si preferisce sottrarre da tutte le misure una quantità costante che può essere la moda, il valore nominale o una qualunque altra dimensione. Nel nostro caso abbiamo sottratto da tutte le misure 45 mm. I risultati delle misure siano quelli riportati nella seguente Tab. 1-1.

 

x m

x M

5.12

5.16

5.00

4.98

5.11

5.10

5.06

5.02

5.04

5.05

4.98

5.16

4.97

5.02

5.07

5.08

5.00

5.02

5.04

5.03

4.98

5.08

4.97

5.08

5.08

5.08

5.06

5.11

5.01

5.10

5.06

5.02

5.01

5.02

5.01

5.11

4.99

5.07

5.04

5.02

5.09

5.08

5.07

5.09

5.07

5.00

4.99

5.09

4.93

5.04

5.03

5.03

5.01

5.01

5.11

5.06

5.05

5.02

4.93

5.11

5.00

5.01

5.16

5.10

5.09

5.05

5.10

5.02

5.03

5.07

5.00

5.16

5.05

5.03

4.99

5.11

5.02

5.16

5.09

5.10

5.18

5.11

4.99

5.18

5.07

5.02

5.08

5.07

4.92

5.02

5.09

5.02

5.06

5.04

4.92

5.09

4.99

5.03

5.06

5.05

5.05

5.05

5.00

5.04

5.00

5.09

4.99

5.09

5.19

5.01

5.11

5.01

5.11

5.01

5.03

5.04

5.04

5.01

5.01

5.19

Tab. 1-1

Nelle ultime due colonne sono riportati i valori minimo x m e massimo x M di ogni riga. La differenza tra il valore massimo della colonna x M (=5.19) ed il minimo della colonna x m (=4.92) dà il Range del campione. Divi dendo ora il Range per k (=10) otteniamo l’ampiezza di ogni classe h. Con i dati della tabella si ha:

h = R/k = (5.19 - 4.92)/10=0.027 Per comodità è opportuno che h abbia una cifra significativa in più delle misure; in tal modo non ci saranno incertezze nella classificazione dei dati. (Se ciò non è possibile allora qualche dato coinciderà con il limite superiore di una classe e con quello inferiore di quella successiva; il dato va assegnato alla prima classe). L’ampiezza delle classi è quindi 0.027 ed i conseguenza i limiti superiori delle classi saranno:

I

classe

4.92 + h

= 4.947

II

classe

4.92 + 2 h

=

4.979

X

classe

4.92 +10 h = 5.190

Il limite superiore calcolato dell’ultima classe, per problemi di arrotondamento, non sempre coincide con il valore massimo misurato; porremo sempre il limite superiore dell’ultima classe pari al massimo valore misurato. Siamo allora in condizione di costruire una tabella delle frequenze che, per i dati esaminati, è riportata in Fig. 1-3.

Centro

Limiti classi

             

classe

4.934

4.920-4.947

//

       

2

4.961

4.947-4.974

/

       

1

4.988

4.974-5.001

/////

/////

/

   

11

5.015

5.001-5.028

/////

/////

/////

/////

//

22

5.042

5.028-5.055

/////

/////

/////

/////

//

22

5.069

5.055-5.082

/////

/////

/////

////

 

19

5.096

5.082-5.109

/////

///

     

8

5.123

5.109-5.136

/////

/////

     

10

5.150

5.136-5.163

///

       

3

5.177

5.163-5.190

//

       

2

 

tot.

100

Fig. 1.3

Nella tabella nella prima colonna è riportato il valore centrale della classe e nella seconda i limiti della classe. Per costruire il diagramma delle frequenze basta, per ogni valore, aggiungere una barretta alla classe che lo contiene (talvolta la quinta barretta è posta trasversalmente sulle prime quattro per comodità di conteggio). È sempre opportuno verificare che il numero dei dati riportati sia pari al totale disponibile perché gli errori sono molto frequenti. Si riporta quindi centro classe e frequenza in un diagramma a barre (istogramma) mostrato in Fig. 1-4. In tale figura sono anche riportati il valore nominale (x med ed i due limiti di tolleranza (LST e LIT).

25 Xmed 20 LST 15 LIT 10 5 0 Da essa possiamo trarre le seguenti
25
Xmed
20
LST
15
LIT
10
5
0
Da essa possiamo trarre le seguenti conclusioni:
4.9
4.934
4.961
4.988
5.015
5.042
5.069
5.096
5.123
5.15
5.177

Fig. 1-4

- le misure non sono centrate rispetto al campo di tolleranza,

- non esistono pezzi con dimensioni inferiori al limite inferiore di tolleranza,

- tutti i pezzi difettosi sono tali perché le dimensioni sono superiori al limite superiore di tolleranza,

- non si rilevano punti isolati,

- la dispersione dei dati è troppo elevata per la tolleranza richiesta,

- sembra che la distribuzione sia distorta. L’esame della figura indica quindi che per ridurre la frazione di pezzi fuori tolleranza occorre spostare la media del processo e ridurre la dispersione. Mentre nel caso in esame è semplice spostare la media del processo, non altrettanto può dirsi della dispersione. In seguito mostreremo dei diagrammi molto utili allo scopo e cioè i diagrammi causa-effetto; subito ci occuperemo di altri diagrammi utili per lo studio e la presentazione dei dati e precisamente dei diagrammi ramo-foglia e dei diagrammi a scatola. Utilizzeremo i dati della Tab. 1-1.

2. Diagramma ramo foglia

In questo diagramma le classi vengono determinate dalla penultima cifra significativa dei dati. Il primo dato della tabelle è 5.12; le ultime due cifre significative sono 1 e 2. La prima cifra indica una classe; individuata la classe riportiamo in corrispondenza tutte le ultime cifre significative. Il dato appartiene alla classe (5)1 foglia 2. Esaminando i dati si vede che abbiamo in tutto tre classi o rami e precisamente 49, 50 e 51. Raccogliendo i dati secondo le classi individuate si ottiene il seguente diagramma.

49

23788999

 

000000111111112222222222233333334444444455555556666

50

6677777778888889999999

51

000001111111266689

Fig. 1-5a

Poiché il numero delle classi ottenuto è molto piccolo costruiamo il diagramma "stirato" che si ottiene dividendo ciascun ramo in due parti la prima che contiene i dati la cui ultima cifra è compresa tra 0 e 4 e la seconda tra 4 e 9; la prima classe si indicherà con un asterisco.

49*

23

49

788999

50*

00000011111111222222222222333333344444444

50

555555566666677777778888889999999

51*

0000011111112

51

66689

Fig. 1-5b

Per aumentare ulteriormente il numero delle classi ciascun ramo originario si può dividere in cinque nuovi rami; evidentemente al primo appartengono i dati in cui l’ultima cifra è 0 o 1, alla seconda 2 o 3, alla terza 4 o 5, alla quarta 6 o 7 e alla quinta 8 o 9. I rami si indicano con : il primo con un asterisco, il secondo con una t, il terzo con una f, il quarto con una s ed infine il quinto con un punto. Si ottiene il diagramma ramo e foglie "schiacciato" di Fig. 1-5c.

49*

   

49t

23

49f

 

49s

7

49.

88999

50*

00000011111111

50t

222222222222333333333

50f

444444445555555

Fig. 1-5c

50s

6666667777777

50.

8888889999999

51*

000001111111

51t

2

51f

 

51s

666

51.

89

Il diagramma è molto simile all’istogramma, ma è ottenuto con minore fatica (si suppone di operare manualmente). Per determinare il numero dei rami, e quindi se utilizzare il diagramma normale, stirato (stretched) o schiacciato (squeezed) si usa la relazione:

M = 10 Log n

Il numero di rami che si utilizza è il più prossimo, ma minore, di M. Nel nostro caso è M=20 e quindi dobbiamo utilizzare l’ultimo diagramma che contiene 15 classi. Evidentemente tracceremo solo il diagramma che serve. Il diagramma ramo e foglie ha il vantaggio che si riportano i valori numerici e ciò può evitare discussioni sulla correttezza dei dati e questi, inoltre, sono riportati ordinati.

3. Diagrammi a scatola (e baffi)

Un altro metodo di presentare i dati è con l’uso di diagrammi a scatola. Per ottenere un tale

diagramma si determinano la mediana (M) ed i quartili inferiore (Q 1 ) e superiore (Q 3 ). (La mediana

è il valore tale che il 50% dei dati ha un valore inferiore ed, evidentemente, il 50% superiore; il

quartile inferiore è il valore tale che un quarto dei dati ha valore inferiore ed i tre quarti superiore, viceversa per il quartile superiore). Ordinati i dati in ordine crescente si ottiene:

M e = 5.05 Q 1 = 5.02 Q 3 = 5.08

(La mediana, essendo il numero dei dati 100 è la media tra il 50-esimo ed il 51-esimo dato, Q 1

è la media tra il 25-esimo ed il 26-esimo, e Q 3 la media tra il 75-esimo ed il 76-esimo)

Si

determina:

RIQ = Q 3 - Q 1

= 0.06

(rango inter-quartile)

Q

3 + RIQ = 5.08+0.06 =5.14

Q

1 - RIQ = 5.02-0.06 = 4.96

Si costruisce quindi il diagramma di Fig. 1-6 in cui i lati orizzontali del rettangolo sono tracciati in corrispondenza dei due quartili (Q 1 il lato inferiore e Q 3 il lato superiore); dentro il rettangolo si riporta un segmento orizzontale in corrispondenza della mediana.

5.2 x3 5.15 5.1 5.05 5 4.95 4.9
5.2
x3
5.15
5.1
5.05
5
4.95
4.9

Fig. 1-6

A partire dal lato inferiore del rettangolo si riporta un segmento verticale (baffo) la cui lunghezza

è il minimo tra (Q 1 - X min ) e RIQ e a partire dal lato superiore un segmento pari al più piccolo tra

(X max - Q 3 ) e RIQ. Nel nostro caso:

X max - Q 3 = 5.02 - 4.92 = 0.10

Q 1 - X min = 5.19 - 5.08 = 0.11

e quindi le lunghezze dei baffi saranno RIQ = 0.06. Si riportano inoltre:

a) i punti che cadono tra (Q 1 -1.5 RIQ) e (Q 1 - RIQ) oppure tra (Q 3 +1.5 RIQ) e (Q 3 + RIQ), che si

indicano con una "o",

b) i punti che cadono al di sotto di (Q 1 -1.5 RIQ) o al di sopra di (Q 3 +1.5 RIQ) che si indicano con

un asterisco. Con i dati della tabella si ha:

Q

3 +1.5 RIQ = 5.08+0.09 = 5.17

Q

1 -1.5 RIQ = 5.02-0.09 = 4.93

Pertanto il dato 4.92 va riportato con un asterisco ed il dato 4.93 con una o; superiormente i tre

dati 5.16 sono riportati con una o, ed i due dati 5.18 e 5.19 con un asterisco.

I diagrammi a scatola consentono di:

a) confrontare diverse serie di dati;

b) avere una indicazione della forma della distribuzione. Se la mediana, come in questo caso,

cade al centro dei due quartili allora la distribuzione è simmetrica (per es. normale), se è più vicina

a

Q 1 allora i dati hanno una distorsione positiva, negativa se più vicina a Q 3 .

c)

avere informazioni sulla lunghezza delle code. Lunghezza dei baffi (whiskers) elevata significa

code molto estese. d) rilevare dati anomali; generalmente, ma non sempre, valori oltre i baffi sono sintomo di anomalie. [Spesso è vero il contrario e cioè un valore anomalo è esterno all’intervallo (Q 1 -

1.5 RIQ) (Q 3 +1.5 RIQ)]

Per meglio interpretare un diagramma a scatola è utile il confronto con la distribuzione normale (di media m e scarto quadratico medio s).

Q 1 = m - 0.675 s

Q 3 = m + 0.675 s M e = m = (Q 3 + Q 1 )/2 RIQ = Q 3 - Q 1 1.35 s

(distribuzione simmetrica)

(l’altezza del rettangolo è proporzionale allo scarto quadratico medio)

1.5 RIQ 2 s

Q 1 - RIQ m -2 s

Q 3 + RIQ m + 2 s

La probabilità che un punto cada esternamente all’intervallo (Q 1 -1.5 RIQ) (Q 3 +1.5 RIQ) è pari a 0.0055 e cioè un punto ogni 200 circa.

4. Diagrammi causa effetto

Per mettere in luce le cause di variabilità, ma non solo per questo, un mezzo molto utilizzato, specialmente nei circoli di qualità (QC), e che si è dimostrato molto potente, è il diagramma causa-effetto proposto per la prima volta in Giappone da Ishikawa. Per la sua costruzione si seguono i seguenti passi:

1- determinare la caratteristica qualitativa da analizzare ed indicarla sulla destra del foglio, racchiudendola in un rettangolo, e tracciare una freccia con doppia linea dalla destra della pagina sino al rettangolo. 2- Segnare i fattori principali che influenzano la caratteristica qualitativa superiormente ed inferiormente al foglio dentro dei rettangoli. 1- Per ognuno di questi fattori individuare i fattori che li influenzano (le cause delle cause) e collegarli con frecce a quella del fattore.

Procedere individuando, per ogni fattore, i fattori che lo influenzano.

I diagrammi causa-effetto sono una utilissima guida sia per la discussione che per la ricerca delle cause di qualunque problema di produzione.

Ogni volta che si verifica una variazione nella qualità, istogrammi o altri diagrammi permettono

di evidenziare ciò che è accaduto, ma non perché è accaduto; il perché deve essere ricercato ed il

diagramma causa-effetto è adatto allo scopo. Riprendendo l’esempio prima riportato, la caratteristica che interessa è la dimensione del diametro. Le cause di variazione possono essere:

- semilavorato (materiale);

- macchine utensili, utensili, attrezzature;

- operatori;

- sistema di misura (ispezione).

Consideriamo le cause di variazione dovute al semilavorato. Possiamo avere:

-

variazioni di durezza;

-

variazioni dimensionali;

-

 

Le variazioni di durezza del semilavorato possono essere dovute a:

-

processo di lavorazione (del semilavorato);

-

caratteristiche del materiale;

-

 

Le variazioni di durezza dovute al processo di lavorazione del semilavorato possono dipendere

da:

-

differenti condizioni di raffreddamento;

-

Si sono indicate solo alcune delle cause per mostrare come procedere nell’analisi. Il diagramma causa-effetto è riportato nella Fig. 1-7.

Raffr. Operatori Materiale Proc Car. Mat. Durezza Dimens. Diametro Controllo Macchine
Raffr.
Operatori
Materiale
Proc
Car. Mat.
Durezza
Dimens.
Diametro
Controllo
Macchine

Fig. 1-7

In base ad esso si analizzano tutte le cause di variazione del diametro; eventualmente durante l’analisi si può completare il diagramma. Supponiamo di esaminare, inizialmente, il ramo:

- macchine utensili, utensili, attrezzature. In mancanza di dati si comincia con l’esaminare quei rami che si ritiene siano responsabili delle maggiori variazioni nella caratteristica sotto studio.

Macchine utensili Nella lavorazione si sono utilizzati due torni a CN. Quando si è prelevato il campione non si è prestata attenzione a tale fatto e pertanto non è più possibile distinguere i pezzi lavorati dalle due macchine; occorre indagare se la notevole dispersione dei dati sia da imputare a ciò. Le Fig. 1- (8 10) mostrano cosa succede quando si mescolano campioni di popolazioni normali aventi uguali varianze e differenti medie (50% dei pezzi da ogni popolazione). In tali figure f(x 1 ) ed f(x 2 ) indicano le densità di probabilità delle due popolazioni, mentre f(x) è quella che si ottiene miscelando le due popolazioni. Le figure sono relative a differenze nelle medie di 1, 2 e 3 s rispettivamente. Evidentemente la popolazione non è più normale; quello che le figure mostrano è che inizialmente si ha un aumento della varianza, successivamente si ha una insellatura e quindi, tracciando l’istogramma dei dati, si rileva un doppio picco nelle frequenze.

0.4

f(x2) f(x1)
f(x2)
f(x1)

0.35

0.3

0.25

f(x)

0.2

0.15

0.1

0.05

X

0

0.25 f(x) 0.2 0.15 0.1 0.05 X 0 0.4 0.35 0.3 0.25 f ( x 1

0.4

0.4 0.35 0.3 0.25 f ( x 1 ) f(x2) 0.2 f(x) 0.15 0.1 0.05 x

0.35

0.3

0.25

f(x1)

f(x2)

0.2

f(x)

0.15

0.1

0.05

x

0

0.4

0.4 0.35 0.3 f(x1) f(x2) 0.25 f(x) 0.2 0.15 0.1 0.05 X 0

0.35

0.3

f(x1)

f(x2)

0.25

f(x)

0.2

0.15

0.1

0.05

X

0

Fig. 1-8

Fig. 1-9

Fig. 1-10

Ne deriva che l’istogramma mostrerà più picchi solo se la differenza tra le medie è di alcuni s. Evidentemente quando si preleva un campione da una di tali popolazioni, occorre tener presenti gli effetti del campionamento per cui può succedere che campioni estratti da più popolazioni mostrino un solo picco e viceversa. Ciò può anche essere dovuto ad una scelta non appropriata del numero

delle classi (troppo poche o troppo numerose). Quindi solo se l’istogramma mostra più picchi ben separati possiamo avere un ragionevole dubbio che i dati si sono ottenuti campionando da più popolazioni. Ad analoghe conclusioni si perviene esaminando i grafici di probabilità normale. È indicativo il comportamento dello scarto quadratico medio quando si mescolano due popolazioni con medie diverse ed uguali varianze. Se il 50% dei dati è preso da ognuna delle due popolazioni, la media è il valore medio delle due medie, mentre lo scarto quadratico medio assume i valori sotto riportati.

Dm/s

0.5

1

1.5

2

2.5

3

3.5

4

s 12 /s

1.03

1.12

1.25

1.41

1.60

1.80

2.02

2.24

Quindi, per esempio, se le medie delle due popolazioni differiscono di 3 s si ha un aumento dell’80% dello scarto quadratico medio.

L’istogramma di Fig. 1-4 sembra somigliare alla densità di probabilità di Fig. 1-9 e pertanto, se le popolazioni relative alle due macchine hanno medie diverse, la differenza deve essere di pochi

s.

5.

Test sulle varianze e sulle medie

Il test utilizzato per la verifica dell’ipotesi è diverso a seconda che le varianze siano o meno note ed in quest’ultima ipotesi se sono uguali o no. Supporremo di non conoscere le varianze delle due popolazioni e testeremo l’ipotesi della loro uguaglianza (test di omogeneità della varianza). Dobbiamo, quindi, testare l’ipotesi:

H 0 :

m 1 = m 2

con l’ipotesi alternativa:

H 1 : m 1 m 2

Si ritiene inoltre che una differenza tra le medie di 0.06 mm non sia significativa. Passiamo quindi alla progettazione del piano. A tale scopo si utilizza la Tabella riportata nei Richiami. Occorre fissare i rischi di prima e di seconda specie ed il valore della differenza tra le medie a cui far corrispondere il rischio b. Tale valore è evidentemente 0.06 mm. Occorre ancora conoscere le varianze delle due popolazioni. Come base per la progettazione possiamo assumere quale valore di s quello calcolato dal precedente campione. Se fosse vera l’ipotesi di due popolazioni allora la s di ciascuna dovrebbe essere minore di tale valore; poiché la dimensione campionaria diminuisce con s, il piano progettato utilizzando il valore “vero” della Dev. St. richiede una dimensione campionaria più piccola; in definitiva, utilizzando il valore di s del precedente campione avremmo dei rischi più piccoli. In base ai dati della Tab. 1-1 la stima dello scarto quadratico medio è:

s = 0.0488

Fissando a=0.05, b=0.1 ed essendo:

-

D =

m

1

-

m 2

0 06

.

0

=

@

.

12

s

0 0488

.

dalla Tabella (Richiami) ricaviamo (test bilaterale) n = 8.

I dati della tabella sono relativi al confronto di una media con un valore costante; nel caso di

confronto di due medie occorre raddoppiare la numerosità dei campioni. Avendo utilizzato per il progetto un valore di s maggiore di quello effettivo, non si effettua l’incremento della dimensione campionaria previsto per il caso di varianza incognita.

Prelevati e collaudati due campioni, ciascuno di numerosità 16, si sono ottenuti i seguenti risultati

Media

SQM

5.0492

0.05078

5.0534

0.04933

Preliminarmente, come abbiamo detto, dobbiamo testare l’ipotesi di uguaglianza delle varianze e cioè eseguire il test:

H 0 :

s

2

1

=

s

2

2

con l’ipotesi alternativa:

H 1 :

s

2

1

s

2

2

Sappiamo che, se è vera l’ipotesi nulla, allora il rapporto delle due varianze campionarie segue una distribuzione F con gli opportuni gradi di libertà. Fissando a=0.05 i valori critici di F (corrispondenti ad aree nelle due code pari a 0.025) valgono:

0.349

e

2.862

Il rapporto tra le due varianze campionarie è [5.078 2 /4.933 2 ] = 1.06 Pertanto non ci sono elementi per rigettare l’ipotesi nulla. In queste condizioni il test sarà basato sulla statistica:

x

1

-

x

2

-

(

m

1

- m

2

)

S2 p ( 1/ n 1 + 1/ n 2 )

2

p

( 1/ n

1 +

1/ n

2

)

dove n 1 ed n 2 sono le dimensioni dei due campioni ed S

2

p

è calcolato con l’espressione:

S

2

(

n

1

-

1

)

S

2

1

+

(

n

2

-

1

)

S

2

2

p

=

n

1

+

n

2

-

2

 

S 2 p = 25.06 10 -4

 

x

1

-

x

2

-

(

m

1

- m

2

)

 

-

0.0042

-

0

S 2 p ( 1/ n 1 + 1/ n 2 ) = 25.06 10

S

2

p

(

1/ n

1

+

1/ n

2

)

=

S 2 p ( 1/ n 1 + 1/ n 2 ) = 25.06 10 -

25.06

10

-

4

(

1 / 16

+

1/ 16

)

Risulta:

= - 0.237

La statistica utilizzata ha distribuzione t con n 1 +n 2 -2 gradi di libertà. I valori critici di t avendo scelto a=0.05 sono: -2.042 e 2.042 e pertanto, essendo il valore calcolato della statistica interno ai due valori critici, possiamo accettare l’ipotesi nulla. Si conclude che l’elevata variabilità riscontrata non è un effetto dell’utilizzazione di due distinte macchine con diverse medie.

Occorre quindi continuare con indagini separate sulle singole macchine. Per semplicità, da ora in poi, supporremo di analizzare la variabilità di una sola macchina. Trattandosi di una operazione di tornitura possiamo avere errori dovuti ad ovalizzazione, conicità ed un errore dovuto al posizionamento dell’utensile. Riesaminando i dati ci si accorge che la procedura di misura non indicava né la sezione in cui eseguire la misura, né era prevista l’esecuzione di più misure sulla stessa sezione. Pertanto occorre eseguire un nuovo campionamento (e un nuovo collaudo) per condurre l’analisi. Occorre preliminarmente determinare “quali” dati rilevare. Scopo dell’indagine è quello di accertare la variabilità:

1 - sullo stesso pezzo in una stessa sezione (errore di rotondità),

2 - del valore medio in una sezione di misura,

3 - del valore medio sulle due sezioni di misura (conicità).

Per rispondere al primo quesito possiamo eseguire, su ciascun pezzo, quattro misure sulla stessa sezione e calcolare media e varianza. Un test sull’omogeneità della varianza permetterà di

accertare se si può ammettere che le varianze sono tutte uguali e, in caso affermativo, di stimarla. Ripetendo le misure su più pezzi, i valori medi ottenuti possono essere utilizzati per rispondere al secondo quesito. Per rispondere al terzo occorre ripetere le misure su un’altra sezione che, per meglio mettere in luce l’effetto su cui si indaga, deve essere, per quanto possibile, lontana dalla prima. Si decide quindi di prelevare e collaudare un nuovo campione di 20 pezzi; su ciascuno si eseguiranno due serie di quattro misure, ruotando il pezzo approssimativamente di un ottavo di giro, nelle due sezioni distanti 10 mm dalle due estremità.

I risultati dell’indagine sono riportati nella Tab. 1-2 alla fine del capitolo. In essa i dati delle due righe sono relativi alla due estremità del pezzo.

6. Test di Bartlett

6.1 - Cominciamo con il verificare gli errori di rotondità. Nella Tab. 1.2 l’ultima colonna riporta gli scarti quadratici medi calcolati all’interno di ogni campione. Tali scarti, come si è detto, danno una misura degli errori di rotondità in quanto non dipendono né dal posizionamento dell’utensile né da eventuali conicità del pezzo. Analizziamo i soli dati relativi ad una stessa estremità. Dobbiamo inizialmente verificare che tutti gli scarti quadratici medi possono assumersi come appartenenti alla stessa popolazione. Dobbiamo cioè testare l’ipotesi nulla:

H 0 : s 1 = s 2 =

=

s k

con l’ipotesi alternativa:

H 1 : s i s j

per qualche i e j.

Il test che si adopera è quello di Bartlett. Dai dati si calcola la varianza utilizzando tutti i dati; se è vera l’ipotesi nulla tale varianza è data da:

S

2

p

=

k

Â

i

=

1

(

n

i

-

1

)

s

2

i

N

-

k

dove n i è la numerosità dell’i-esimo campione, k il numero dei campioni ed N il numero totale di

dati. Si calcola quindi:

Q

=

(

N

-

k

)

ln S

2

p

-

k

Â

i

1

=

(

n

i

-

1

)

ln s

2

i

e quindi la statistica di Bartlett:

con:

B=Q/h

h

=

1

+

1

3

k

-

1

(

)

Ê

Á

Á

Ë

k

Â

i

1

=

1

n

i

-

1

-

1

N

-

k

ˆ

˜

˜

¯

il valore di B si confronta con il valore

possano ritenersi uguali se:

B< c

2

(k-1),1-a

di

c

2

(k-1),1-a

; si accetta l’ipotesi che tutte le varianze

Analizzando i dati della tabella, risulta B=31.17; dalle tabelle della distribuzione c 2 , con a

2

=0.05, si ottiene: c 19 095 =30.1, mentre con a=0.005 si

,

.

2

ha: c 19 0995

,

.

=36.2.

In definitiva, quindi, il valore di B è significativo al livello 0.95 e non lo è al livello 0.995. Le conclusioni che possono trarsi è che sono necessarie ulteriori indagini.

6.2 - L’analisi dei dati relativi ai diametri medi in una data sezione consente di mettere in luce eventuali errori nel riposizionamento dell’utensile all’inizio della lavorazione di un pezzo (ed eventualmente degli effetti dell’usura dell’utensile, ma di ciò si parlerà diffusamente nel seguito).

Analizziamo, quindi, i dati sui diametri medi relativi ad una sezione ed in particolare quelli della seconda riga di ogni pezzo relativi alla sezione di fine lavorazione. Valore medio e varianza valgono:

x = 5.0497

s

x

= 0.0291

I risultati mostrano che c’è un errore nel valore medio del diametro che risulta circa 0.05 mm più grande del valore nominale; permettono inoltre di accertare una variabilità, abbastanza elevata, nel posizionamento dell’utensile.

6.3 - Per verificare una conicità nei pezzi si utilizzano i diametri medi misurati alle due estremità. Poiché le misure dei diametri non sono indipendenti, il test verrà eseguito sulle differenze tra i valori medi alle due estremità. Ciò consente di ridurre la varianza in quanto tale differenza non risente degli errori dovuti al posizionamento dell’utensile all’inizio della lavorazione di ogni pezzo; in definitiva si elimina una causa di variabilità ed il test è più sensibile. La Tab. 1-3 riporta le venti differenze nei diametri.

Testiamo l’ipotesi che la differenza tra i diametri non è significativa. La statistica che viene utilizzata è:

D - 0 s / n d
D
- 0
s
/
n
d

ª t n

- 1

dove con D si è indicato il valore medio delle differenze ed s d è il corrispondente scarto quadratico

medio.

In base ai dati della tabella si ottiene:

D = 0.0606

s

= 0,0324

d

L’intervallo di confidenza è:

D ±

t

n -

1,

a

/ 2

s

d

n
n

= 0.0606 ± 0.0176

Poiché l’intervallo di confidenza non contiene lo zero, rigettiamo l’ipotesi nulla e concludiamo

che esiste un errore di conicità; in particolare il diametro cresce spostandosi verso l’estremità del pezzo ammorsata e l’errore, tra i due punti di misura, è pari a 0.06 mm. Possiamo pertanto eseguire un intervento di manutenzione in modo da correggere un tale errore. Un altro intervento è quello derivante dalla constatazione che valore medio e valore nominale differiscono di circa 0.05

mm.

Di una tale necessità avremmo potuto accorgerci prima in quanto era evidenziata dall’istogramma (Fig. 1-4). Eseguiti gli interventi si preleva un nuovo campione e si verifica il miglioramento. Supponiamo che i risultati del test siano che il processo è migliorato, l’errore di conicità non è significativo e la media non differisce significativamente dal valore nominale. La variabilità del processo è comunque molto alta.

7. Test non parametrico sulle medie

Prima di procedere oltre verrà illustrata una procedura alternativa al test t. Questo è basato sull’assunzione di popolazioni normali con varianze incognite ma uguali. Non sempre è ragionevole assumere l’ipotesi di normalità o di uguaglianza delle varianze. Se la numerosità dei campioni è elevata, il test t è abbastanza robusto; se ciò non si verifica è meglio utilizzare un test non parametrico in quanto il test t può portare facilmente a conclusioni erronee. Un test non parametrico ampiamente utilizzato è quello dei segni (sign test). Supponiamo di avere n coppie di osservazioni indipendenti (x i , x i ’) da due distribuzioni di probabilità F 1 (x), F 2 (x); vogliamo verificare che le due popolazioni hanno la stessa distribuzione di

probabilità; testiamo l’ipotesi nulla:

H 0 : F 1 (x)=F 2 (x)

con l’ipotesi alternativa:

H 1 :

Poniamo:

v

i

=

Ï

Ô 1

Ì

Ô 0

Ó

F 1 (x) > F 2 (x)

'

x

i

-

x

altrimenti

i

> 0

oppure: H 1 : F 1 (x) < F 2 (x)

oppure: H 1 :

F 1 (x) = F 2 (x)

e calcoliamo la somma r = Sv i Se H 0 è vera P(v i =1)=0.5 ed essendo le osservazioni indipendenti, la variabile random r ha distribuzione binomiale:

p(r) =

Ê n ˆ

Á

Á

Ë

r

Ê

˜ Á

¯

˜

Ë

1 ˆ

˜

2

¯

n

Diremo che r è significativamente grande, al livello di significatività 100 a%, se r r Ia con r Ia il più piccolo intero tale che:

P(r r Ia ) £a

Analogamente diremo che r è significativamente piccolo se r£r Sa con r Sa il più grande intero

tale che:

P(r r Sa ) £ a

Infine diremo che r non differisce significativamente dal suo valore atteso (n/2) se è compreso tra r a ed n-r a dove r a è il più grande valore tale che:

P(r a £ r £ n-r a ) > 1-a

La Tab. T-1-1 riporta i valori critici di r Ia , r Sa , e r a per a=0.01 e 0.05.

1

2

3

4

5

6

7

8

9

10

 

0,0368

0,0632

-0,0082

0,0484

0,0763

0,0258

0,0500

0,1038

0,0980

0,0267

11

12

13

14

15

16

17

18

19

20

0,1136

0,0359

0,1107

0,0845

0,0927

0,0467

0,0567

0,0427

0,0409

0,0665

Tab. 1-3

L’applicazione del test ai dati della Tab. 1-3, delle differenze tra le medie ai due estremi del pezzo, è banale. Infatti, poiché una sola differenza è negativa è r=1 pertanto r differisce in modo significativo dal valore atteso (n/2=10) e si conclude che si può rigettare l’ipotesi che le due serie di misure siano estratte dalla stessa popolazione.

Sono frequentemente usati molti altri test non parametrici. Tornando ai dati dell’esempio si è rilevato che la variabilità del valore medio del diametro in una sezione è troppo elevata. Sappiamo che la macchina è in grado di assicurare un errore nel

posizionamento di 0.01 mm, mentre, in base ai risultati ottenuti, l’errore sui diametri è di quasi 0.2

mm

Esaminando il diagramma causa-effetto, si cercano le cause di una tale variabilità. Essa, tra l’altro, può essere dovuta ad un mal funzionamento della macchina oppure all’usura dell’utensile. Si decide pertanto di eseguire una manutenzione sul sistema di comando del carrello e di verificare, staticamente, l’errore di posizionamento. L’indagine viene condotta utilizzando le stesse tecniche prima illustrate e pertanto non si riporta. Supponiamo che le conclusioni siano che la variabilità non è dovuta ad un cattivo

(sei volte lo scarto quadratico medio 6 s x =20.086 6 = 0.172 mm).

funzionamento della macchina. Decidiamo, pertanto, di esaminare la seconda causa di variazione, che si era individuata in base al diagramma causa-effetto, e cioè l’usura dell’utensile. Preliminarmente vengono esaminati gli utensili usurati. Si tratta di utensili con inserto in carburo di tungsteno e sono disponibili alcuni inserti sostituiti. Essi mostrano un labbro di usura rilevante oltre che molto variabile da un inserto all’altro. Si rileva altresì che vengono utilizzati inserti di due differenti fornitori; si ritiene che ciò meriti ulteriori indagini. A tale scopo si misurano i labbri di usura di alcuni degli utensili già utilizzati. I risultati delle misure su trenta utensili sono di seguito riportati. Fornitore A

 

.44

.40

.43

.57

.47

.65

.35

.67

.50

.40

.54

.31

.53

.54

.45

.60

.35

.32

.53

.60

.47

.54

.53

.61

.37

.47

.36

.46

.47

.66

Fornitore B

 

.45

,65

,29

.37

.34

.35

.27

.35

.27

.34

.57

.18

.30

.23

.29

.28

.18

.52

.35

.38

.39

.56

.41

.40

.53

.21

.47

.44

.25

.55

Valore medio e varianza valgono rispettivamente:

Fornitore A

Media = 0.486

Varianza = 0.010417

Fornitore B

Media = 0.372

Varianza = 0.01516

Testiamo l’ipotesi di uguaglianza delle varianze. Il rapporto delle varianze campionarie vale:

0.01516/0.010417 = 1.4553.

dalla tavole della distribuzione F si ricava: F 29 29 0025 =

,

;

.

2 0923

.

e pertanto non ci sono elementi per

rigettare l’ipotesi nulla. Possiamo allora eseguire il già citato test sulle medie. Risulta:

S 2 p = 12.79 10 -3

x

1

-

x

2

-

(

m

1

- m

2

)

S 2 ( 1/ n + 1/ n ) p 1 2
S 2
(
1/ n
+
1/ n
)
p
1
2

=

0.104

12.79 10 - 3 ( 1 / 30 + 1 / 30 )

12.79

10

- 3

(

1 / 30

+

1 / 30

)

= 3.562

Nelle tavole della distribuzione t leggiamo: t 580 025 = (corrispondente a 60 gradi di libertà).

,

.

2

Concludiamo pertanto che le medie delle due popolazioni sono diverse e precisamente che gli utensili del fornitore A hanno una usura media più elevata. È quindi conveniente acquistare gli utensili dal fornitore B. Poiché il labbro di usura influenza la dimensione dei pezzi, la variabilità, osservata sulle dimensioni, potrebbe essere imputata ad esso.

Si osserva, preliminarmente, che raccogliere i dati e riportarli su un istogramma, o altro diagramma analogo, non permetterebbe di trarre utili informazioni ai fini dell’indagine. Il fenomeno dell’usura che vogliamo indagare necessita di altri diagrammi che non facciano perdere la successione temporale con cui i pezzi sono stati lavorati e li raggruppino in base all’utensile utilizzato per lavorarli. In definitiva, quindi, per rendersi conto del fenomeno da studiare occorre che essi siano analizzati nella loro dinamicità. Solo in questo modo potremo accorgerci dell’influenza dell’usura sulle dimensioni dei pezzi. In generale diagrammi "dinamici" consentono di studiare l’impatto dei vari fattori (materiale, manodopera, attrezzature, etc.) sul processo produttivo e, quindi, di verificarne gli effetti positivi o negativi. I diagrammi che vengono utilizzati per tali scopi prendono il nome di "Carte di controllo".

Nr

x 1

x 2

x3

x 4

x med

s

 

5,007

4,987

5,069

4,979

5,0102

0,0409

1

5,027

5,125

5,049

4,987

5,0471

0,0578

 

4,957

4,934

4,981

5,035

4,9768

0,0436

2

4,969

5,072

5,087

5,032

5,0401

0,0526

 

4,949

4,950

5,044

5,041

4,9960

0,0536

3

4,940

5,008

4,988

5,014

4,9878

0,0334

 

4,983

4,935

5,029

4,990

4,9843

0,0389

4

5,095

4,949

5,060

5,026

5,0327

0,0624

 

4,986

4,979

4,989

5,039

4,9980

0,0276

5

5,039

5,113

5,082

5,063

5,0743

0,0313

 

4,992

5,032

4,932

5,018

4,9937

0,0442

6

5,054

4,969

5,121

4,934

5,0195

0,0842

 

5,013

4,925

5,012

5,008

4,9896

0,0431

7

4,999

5,063

5,000

5,096

5,0396

0,0483

 

5,016

4,990

4,916

5,033

4,9889

0,0516

8

5,115

5,128

5,084

5,044

5,0927

0,0374

 

4,878

5,000

4,927

5,056

4,9651

0,0785

9

5,107

5,041

4,992

5,113

5,0632

0,0575

 

4,917

5,094

5,063

4,902

4,9939

0,0988

10

5,036

5,043

4,976

5,027

5,0206

0,0305

 

4,997

4,896

4,990

5,035

4,9796

0,0591

11

5,048

5,162

5,038

5,125

5,0933

0,0602

 

5,006

5,015

5,015

4,959

4,9987

0,0268

12

5,066

5,015

5,036

5,022

5,0346

0,0224

 

5,004

4,975

4,949

4,976

4,9761

0,0225

13

5,026

5,114

5,164

5,043

5,0868

0,0641

 

5,064

4,919

5,018

4,961

4,9905

0,0639

14

5,090

5,118

5,054

5,038

5,0750

0,0362

 

4,948

4,922

5,041

4,991

4,9756

0,0522

15

5,062

5,037

5,092

5,082

5,0682

0,0241

 

4,947

4,943

4,924

4,994

4,9519

0,0296

16

4,944

5,053

5,009

4,988

4,9985

0,0453

 

4,986

5,051

5,040

4,938

5,0037

0,0522

17

5,118

5,040

5,063

5,021

5,0605

0,0417

 

5,008

5,030

4,976

5,008

5,0056

0,0221

18

5,034

5,094

5,036

5,029

5,0483

0,0307

 

4,981

5,063

5,020

5,019

5,0206

0,0333

19

5,056

5,020

5,107

5,063

5,0615

0,0355

 

5,002

5,021

4,996

4,916

4,9838

0,0463

20

5,092

5,076

5,000

5,032

5,0502

0,0421

Tab. 1-2

 

r Ia

r Sa

r a

 

n\a

.01

.05

.01

.05

.01

.05

5

 

5

 

0

   

6

 

6

 

0

 

1

7

7

7

0

0

 

1

8

8

7

0

1

1

1

9

9

8

0

1

1

2

10

10

9

0

1

1

2

11

10

9

1

2

1

2

12

11

10

1

2

2

3

13

12

10

1

3

2

3

14

12

11

2

3

2

3

15

13

12

2

3

3

4

16

14

12

2

4

3

4

17

14

13

3

4

3

5

18

15

13

3

5

4

5

19

15

14

4

5

4

5

20

16

15

4

5

4

6

21

17

15

4

6

5

6

22

17

16

5

6

5

6

23

18

16

5

7

5

7

24

19

17

5

7

6

7

25

19

18

6

7

6

8

26

20

18

6

8

7

8

27

20

19

7

8

7

8

28

21

19

7

9

7

9

29

22

20

7

9

8

9

30

22

20

8

10

8

10

Tab. T-1-1