Sei sulla pagina 1di 7

Capitolo V

DISTRIBUZIONI NON NORMALI

1. Carte di controllo per distribuzioni non normali

Nell’esempio sviluppato nei precedenti capitoli partendo da un processo produttivo insoddisfacente abbiamo analizzato con l’aiuto di grafici e test il sistema mettendo in luce alcuni fattori di cattivo funzionamento controllati i quali siamo pervenuti ad un processo in controllo statistico. Abbiamo quindi verificato se potevamo accettare l’ipotesi di normalità del processo e, poiché la risposta è stata positiva, siamo stati in grado di calcolare la frazione di pezzi difettosi, determinare la necessità di spostare la media e calcolare i due indici di capacità generalmente utilizzati. Dobbiamo però chiederci cosa sarebbe successo se le risposte ottenute fossero state negative. Il primo passo è stato quello di verificare lo stato del processo utilizzando le carte di controllo. Se la distribuzione della variabile non è normale, i limiti non corrispondono ad una probabilità di 0.0027. Se è nota, possiamo determinare la distribuzione campionaria di media e range e quindi calcolare i limiti di controllo della variabile in modo che corrispondano a prefissate probabilità; ciò in pratica può essere estremamente difficoltoso e, se si ritiene che l’ipotesi di non normalità non modifichi sostanzialmente i limiti di controllo, questi sono determinati nel modo usuale. Questa è poi l’unica alternativa possibile se non si conosce la distribuzione della variabile. In ambedue i casi occorre avere un’idea degli errori cui si va incontro. Per quanto riguarda la carta delle medie, a meno che gli scostamenti dalla normalità non siano elevati, i limiti di controllo possono calcolarsi senza apprezzabile errore con la regola del tre sigma.

0.07 f(X med ) 0.06 0.05 0.04 0.03 0.02 0.01 X med 0 0.0125 0.1125
0.07
f(X med )
0.06
0.05
0.04
0.03
0.02
0.01
X med
0
0.0125
0.1125
0.2125
0.3125
0.4125
0.5125
0.6125
0.7125
0.8125
0.9125

Fig. 5-1

La Fig. 5-1, ottenuta con 50000 simulazioni, riporta la distribuzione della media di campioni di dimensione quattro prelevati da una distribuzione uniforme; essa mostra che la media, ai fini pratici, è ben approssimata da una distribuzione normale. La distribuzione del range è, come ci si

aspettava, distorta. Il valore atteso del Range, stimato dai dati simulati, è R =0.599 cui
aspettava,
distorta.
Il
valore
atteso
del
Range,
stimato
dai
dati
simulati,
è
R =0.599 cui
corrisponde una stima della deviazione standard della popolazione di
s =
ˆ
R
d
0.291
; il valore
2 =
effettivo è s = 1
12 =0.289.
L’esempio mostra che l’errore nel calcolo dei limiti di controllo della carta
trascurabile.
x è praticamente
2500 freq 2000 1500 1000 500 R 0 0.0125 0.1125 0.2125 0.3125 0.4125 0.5125 0.6125
2500
freq
2000
1500
1000
500
R
0
0.0125
0.1125
0.2125
0.3125
0.4125
0.5125
0.6125
0.7125
0.8125
0.9125

Fig. 5-2

Per quanto riguarda la carta R, la Fig. 5-2 indica, come ci si aspettava, che la distribuzione è distorta. Già con una distribuzione normale i limiti calcolati in base alla regola dei tre sigma non corrispondono alla probabilità di 0.0027; con i dati dell’esempio i limiti calcolati in base ai fattori della T – 2-2 risultano:

LIC R = 0

LSC R = D 4 R = 2.282 0.599 = 1.367 La probabilità che il Range superi tale valore è evidentemente nulla. In pratica ciò significa che, se il processo è in controllo, non otterremo mai un punto al di sopra del LSC (probabilità nulla di avere un falso allarme), mentre l’unica possibilità di accorgerci di una diminuzione della variabilità è il test sulle sequenze. In generale, essendo i limiti errati, nell’interpretazione della carta R occorre molta cautela. Ad analoghe conclusioni si arriva se invece della carta R si utilizza la s.

2. Indici di capacità

Se la non normalità dei dati non porta serie conseguenze nello stabilire i limiti della carta x , quando si calcolano gli indici di capacità e da questi la frazione di pezzi difettosi, gli errori possono essere notevoli. Riprendendo l’esempio, se le specifiche sulla caratteristica fossero:

X = 0.5 ± 0.5 non avremmo pezzi difettosi mentre l’indice di capacità C p sarebbe:

C p = Toll/(6 s) = 1/(6 0.289) = 0.591 a cui corrisponde una frazione minima di pezzi difettosi (per C p = C pk ) del 7.6%. Per migliorare la stima della frazione di pezzi non conformi si può eseguire una trasformazione della variabile. Una serie di trasformazioni, proposta da Box e Cox, è:

y

i

con:

y&

(

l

)

=

y

l

i

-

1

l & y

l- 1

È 1

= exp Í

Í

Î

n

Â

i

log y

i

˘

˙

˙

˚

media geometrica delle y i . Questa trasformazione contiene quelle più comunemente utilizzate quali la radice quadrata (l=0.5), l’inversa (l= -1), la logaritmica (l=0). Il valore di l può calcolarsi imponendo che sia minima la somma:

Â

1

È

Í y i

Î

(

l

) ˘

˙

˚

2

La Tab. 5-1 riporta 93 valori di rugosità di pezzi torniti. I dati sono stati riportati sul GPN di Fig. 5-3 che mostra la non normalità della variabile.

GPN Rugosità

.99 .95 .85 .75 .65 .55 .45 .35 .25 .15 .05 .01 -0.5 0 0.5
.99
.95
.85
.75
.65
.55
.45
.35
.25
.15
.05
.01
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
Valori Ra
Fig. 5-3
(
l
)
Eseguendo la trasformazione:
y
= 1
y
e riportando i dati sul GPN si ottiene la Fig. 5-4 che
i
i
Probabilità F(x)

mostra che la variabile può ritenersi distribuita normalmente. Gli indici di capacità e la frazione di difettosi calcolati su questa nuova variabile sono molto più aderenti alla realtà.

GPN Valori Inversi Rugosità

.99 .95 .85 .75 .65 .55 .45 .35 .25 .15 .05 .01 0 0.2 0.4
.99
.95
.85
.75
.65
.55
.45
.35
.25
.15
.05
.01
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Probabilità F(x)

3. Distribuzione nota

Valori 1/Ra

.99

.95

.85

.75

.65

.55

.45

.35

.25

.15

.05

.01

Fig. 5-4

Se conosciamo la distribuzione della variabile possiamo stimare gli indici di capacità e la frazione di pezzi difettosi in modo corretto. Supponiamo che siamo interessati non alla dimensione di un diametro, ma alla concentricità di due superfici cilindriche. In tal caso la distribuzione più adatta è la Rayleigh la cui funzione di ripartizione è data da:

Ê

Á

Ë

g

ˆ

˜

¯

2

x

-

-

a

F(x) = 1 Supponiamo di aver già trovato che il processo è in controllo.

-

e

Eseguiamo cinquanta misure su pezzi prodotti in sequenza e gli errori di concentricità rilevati siano quelli della Tab. 5-2. Anche in questo caso possiamo eseguire un’analisi grafica o analitica; illustreremo quella grafica. Poiché la Rayleigh è un caso particolare della Weibull utilizzeremo la carta di probabilità di questa distribuzione. La procedura è stata già illustrata e cioè o si raggruppano i dati in classi (ciò

è anche necessario per il test c 2 ) o si riportano tutti i dati sulla carta. In quest’ultimo caso i dati vengono ordinati dal più piccolo al più grande e numerati da 1 a 50; successivamente si stima la distribuzione cumulata con l’espressione già vista:

F i = (i-0.5)/n

Nella tabella tali operazioni sono state già eseguite.

Possiamo quindi riportare i dati sulla carta (Fig. 5-5); questi mostrano una concavità verso destra. Ciò è indice del fatto che il parametro di posizione g non è nullo. Come primo tentativo, che

generalmente dà ottimi risultati, possiamo sottrarre, da tutti i dati, il valore più piccolo, nel nostro caso 0.051 (= g). Eseguita una tale operazione i nuovi punti, riportati in Fig 5-6, mostrano che la concavità, molto più piccola, è ora verso sinistra e cioè la correzione è stata eccessiva. Si continua per tentativi e, sottraendo 0.05 dai dati originari, si ottengono i punti riportati in Fig. 5-7 Poiché si reputa che l’andamento sia sufficientemente rettilineo il procedimento viene interrotto. Si traccia quindi una retta che interpola bene i dati e con questa si stimano i parametri della distribuzione. Nelle figure, avendo utilizzato MINITAB, la stima di massima verosimiglianza dei parametri è calcolata da tale programma; si ottiene b = 1.998 e a = 0.03. Se si utilizzano le carte commerciali

le stime si eseguono utilizzando le indicazioni relative.

Poiché il valore di b è prossimo al valore due, e poiché sappiamo che la variabile deve essere distribuita secondo una Rayleigh, assumeremo b=2 La stima della frazione di difettosi può eseguirsi direttamente dalla carta o per via analitica. Supponiamo che l’errore massimo ammesso sia di 0.1 mm; allora la frazione di difettosi si ottiene calcolando la probabilità che si superi il valore (0.1-0.05)=0.05. Eseguendo i calcoli si ottiene P = 0.9378; ne segue che la frazione di difettosi è (1-0.9378) = 0.062 = 6.2% Se si corregge l’errore sistematico (g = 0) allora la frazione di difettosi è praticamente nulla. Possiamo definire indici di capacità del processo procedendo in modo analogo a quanto fatto con la distribuzione normale. Nel caso di quest’ultima distribuzione l’indice di capacità C p è dato dal rapporto tra la tolleranza e sei sigma. Poiché a sei sigma corrisponde una probabilità di difettosi pari a 0.27% per definire un analogo indice calcoliamo il rapporto tra la tolleranza ed il valore della variabile corrispondente alla probabilità (1-0.0027) (per dati corretti per il fattore di posizione). Eseguendo i calcoli si ottiene x = 0.073 e quindi: C p = 0.1/0.073 = 1.37

Se invece ci riferiamo ai dati non corretti, si può calcolare l’indice C pk dividendo per tre il valore della variabile normale standard corrispondente alla frazione di difettosi effettivi (in questo modo avrebbe significato analogo a quello ottenuto con la distribuzione normale). Nel nostro caso alla frazione di difettosi pari al 6.2% corrisponde una z pari a 1.5382 e quindi l’indice di capacità C pk vale 1.5382/3=0.513.

Il procedimento seguito può essere utilizzato, con le opportune modifiche, con qualunque tipo

di distribuzione. In generale si può calcolare l’indice C p dal rapporto tra la tolleranza e la differenza tra i valori

della variabile corrispondenti rispettivamente alle probabilità 0.99865 e 0.00135:

Cp = Toll/(x .99865 – x .00135 ) Analogamente l’indice Cpk si calcola come il minore tra i due rapporti:

C pk sup = (LST - x med )/(x .99865 - x med )

e

Cpk inf = (x med – LIT)/(x med – x .00135 )

fondati motivi e ciò

specialmente quando si vogliono stimare le frazioni di difettosi. Nel caso precedentemente

studiato

la

Occorre però che la scelta della distribuzione sia fatta

(distribuzione

di

Rayleigh)

sapevamo,

in

base

a

in

base a

considerazione

teoriche,

che

distribuzione della variabile non era normale. Se mancano tali informazioni il test c 2 , gli istogrammi ed il grafico di probabilità normale, come abbiamo già detto, consentono di decidere sulla normalità o meno dei dati; quest’ultimo può indirizzarci verso la distribuzione più verosimile.

 

WeibullProbability Plot

 
 

.999

Scale Parameter
Scale Parameter
 

.99

.90

Probability

.70

6

3.2 %

.50

 

.30

.20

.10

 

.05

.02

.01

 

0.06

0.07

0.08

0.09

0.10

M

aximum Like lihood Estim ates

 

Misure

 

S

hape Parame ter : 5 .26192

 

S

cale Pa ram eter : 0.082349

 

WeibullProbability Plot

 
 

.99

Scale Parameter
Scale Parameter
 

.90

.70

6

3.2 %

.50

 

Probability

.30

.20

.10

.05

 

.02

.01

 

0.0020

0.0040

0.0060

0.0080 0.0100

 

0.0200

0.0400

0.0600

M

aximum Like lihood Estim ates

I

Corr.

S

hape Parame ter : 1 .77371

 

S

cale Pa ram eter : 0.0260421

 

WeibullProbability Plot

 
 

.999

Scale Parameter
Scale Parameter
 

.99

.90

.70

6

3.2 %

Probability

.50

 

.30

.20

.10

 

.05

.02

.01

 

0.004

0.006

0.008

0.010

0.020

0.040

0.060

M

aximum Like lihood Estim ates

 

II

Corr.

S

hape Parame ter : 1 .99751

 

S

cale Pa ram eter : 0.0298205

Fig. 5-5

Fig. 5-6

Fig. 5-7

.831

1.091

1.221

1.280

1.375

1.456

1.577

1.701

2.169

3.364

 

.897

1.146

1.223

1.282

1.375

1.462

1.587

1.710

2.347

3.522

.923

1.158

1.232

1.289

1.383

1.470

1.591

1.749

2.413

3.560

.963

1.166

1.235

1.293

1.387

1.481

1.609

1.773

2.459

 

.965

1.170

1.236

1.300

1.399

1.488

1.624

1.809

2.514

 

.970

1.181

1.237

1.304

1.418

1.509

1.629

1.826

2.578

 

.991

1.187

1.242

1.312

1.423

1.517

1.635

1.877

2.688

 

1.011

1.200

1.242

1.337

1.440

1.533

1.645

1.878

2.949

 

1.026

1.206

1.243

1.340

1.450

1.536

1.677

1.974

2.984

 

1.041

1.210

1.255

1.354

1.454

1.563

1.685

2.002

3.219

 

Tab. 5-1