Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
0.07
f(Xmed )
0.06
0.05
0.04
0.03
0.02
0.01
Xmed
0.9125
0.8125
0.7125
0.6125
0.5125
0.4125
0.3125
0.2125
0.1125
0.0125
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, ben approssimata da una distribuzione normale. La distribuzione del range , come ci si
aspettava, distorta. Il valore atteso del Range, stimato dai dati simulati, R =0.599 cui
corrisponde una stima della deviazione standard della popolazione di = R d 2 = 0. 291 ; il valore
effettivo = 1
12 =0.289.
Lesempio mostra che lerrore nel calcolo dei limiti di controllo della carta x praticamente
trascurabile.
Gestione Industriale della Qualit Controllo statistico di processo a cura di Antonino Passannanti
Capitolo V Distribuzioni non normali
pag 1
2500
freq
2000
1500
1000
500
R
0.9125
0.8125
0.7125
0.6125
0.5125
0.4125
0.3125
0.2125
0.1125
0.0125
Fig. 5-2
Per quanto riguarda la carta R, la Fig. 5-2 indica, come ci si aspettava, che la distribuzione
distorta. Gi con una distribuzione normale i limiti calcolati in base alla regola dei tre sigma non
corrispondono alla probabilit di 0.0027; con i dati dellesempio i limiti calcolati in base ai fattori
della T 2-2 risultano:
LICR = 0
LSCR = D4 R = 2.2820.599 = 1.367
La probabilit che il Range superi tale valore evidentemente nulla.
In pratica ci significa che, se il processo in controllo, non otterremo mai un punto al di sopra
del LSC (probabilit nulla di avere un falso allarme), mentre lunica possibilit di accorgerci di una
diminuzione della variabilit il test sulle sequenze.
In generale, essendo i limiti errati, nellinterpretazione della carta R occorre molta cautela.
Ad analoghe conclusioni si arriva se invece della carta R si utilizza la s.
2. Indici di capacit
Se la non normalit dei dati non porta serie conseguenze nello stabilire i limiti della carta x ,
quando si calcolano gli indici di capacit e da questi la frazione di pezzi difettosi, gli errori
possono essere notevoli.
Riprendendo lesempio, se le specifiche sulla caratteristica fossero:
X = 0.5 0.5
non avremmo pezzi difettosi mentre lindice di capacit Cp sarebbe:
Cp = Toll/(6) = 1/(60.289) = 0.591 a cui corrisponde una frazione minima di pezzi difettosi
(per Cp = Cpk ) del 7.6%.
Per migliorare la stima della frazione di pezzi non conformi si pu eseguire una trasformazione
della variabile. Una serie di trasformazioni, proposta da Box e Cox, :
y (i ) =
y i 1
y& 1
con:
1
y& = exp
log y i
n i
Gestione Industriale della Qualit Controllo statistico di processo a cura di Antonino Passannanti
Capitolo V Distribuzioni non normali
pag 2
y (i )
La Tab. 5-1 riporta 93 valori di rugosit di pezzi torniti. I dati sono stati riportati sul GPN di Fig.
5-3 che mostra la non normalit della variabile.
GPN Rugosit
.99
Probabilit F(x)
.95
.85
.75
.65
.55
.45
.35
.25
.15
.05
.01
-0.5
0.5
1.5
2.5
3.5
Valori Ra
Fig. 5-3
( )
Eseguendo la trasformazione: y i = 1 y i e riportando i dati sul GPN si ottiene la Fig. 5-4 che
mostra che la variabile pu ritenersi distribuita normalmente. Gli indici di capacit e la frazione di
difettosi calcolati su questa nuova variabile sono molto pi aderenti alla realt.
Probabilit F(x)
.99
.95
.95
.85
.75
.65
.55
.45
.35
.25
.15
.85
.75
.65
.55
.45
.35
.25
.15
.05
.05
.01
.01
0
0.2
0.4
0.6
0.8
1.2
Valori 1/Ra
1.4
Fig. 5-4
3. Distribuzione nota
Se conosciamo la distribuzione della variabile possiamo stimare gli indici di capacit e la
frazione di pezzi difettosi in modo corretto.
Supponiamo che siamo interessati non alla dimensione di un diametro, ma alla concentricit di
due superfici cilindriche. In tal caso la distribuzione pi adatta la Rayleigh la cui funzione di
ripartizione data da:
x 2
F(x) = 1 e
Supponiamo di aver gi trovato che il processo in controllo.
Gestione Industriale della Qualit Controllo statistico di processo a cura di Antonino Passannanti
Capitolo V Distribuzioni non normali
pag 3
Eseguiamo cinquanta misure su pezzi prodotti in sequenza e gli errori di concentricit rilevati
siano quelli della Tab. 5-2. Anche in questo caso possiamo eseguire unanalisi grafica o analitica;
illustreremo quella grafica.
Poich la Rayleigh un caso particolare della Weibull utilizzeremo la carta di probabilit di
questa distribuzione. La procedura stata gi illustrata e cio o si raggruppano i dati in classi (ci
2
anche necessario per il test ) o si riportano tutti i dati sulla carta. In questultimo caso i dati
vengono ordinati dal pi piccolo al pi grande e numerati da 1 a 50; successivamente si stima la
distribuzione cumulata con lespressione gi vista:
Fi = (i-0.5)/n
Nella tabella tali operazioni sono state gi eseguite.
Possiamo quindi riportare i dati sulla carta (Fig. 5-5); questi mostrano una concavit verso
destra. Ci indice del fatto che il parametro di posizione non nullo. Come primo tentativo, che
generalmente d ottimi risultati, possiamo sottrarre, da tutti i dati, il valore pi piccolo, nel nostro
caso 0.051 (= ). Eseguita una tale operazione i nuovi punti, riportati in Fig 5-6, mostrano che la
concavit, molto pi piccola, ora verso sinistra e cio la correzione stata eccessiva. Si
continua per tentativi e, sottraendo 0.05 dai dati originari, si ottengono i punti riportati in Fig. 5-7
Poich si reputa che landamento 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
calcolata da tale programma; si ottiene = 1.998 e = 0.03. Se si utilizzano le carte commerciali
le stime si eseguono utilizzando le indicazioni relative.
Poich il valore di prossimo al valore due, e poich sappiamo che la variabile deve essere
distribuita secondo una Rayleigh, assumeremo =2
La stima della frazione di difettosi pu eseguirsi direttamente dalla carta o per via analitica.
Supponiamo che lerrore massimo ammesso sia di 0.1 mm; allora la frazione di difettosi si
ottiene calcolando la probabilit 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 (1-0.9378) =
0.062 = 6.2%
Se si corregge lerrore sistematico ( = 0) allora la frazione di difettosi praticamente nulla.
Possiamo definire indici di capacit del processo procedendo in modo analogo a quanto fatto
con la distribuzione normale. Nel caso di questultima distribuzione lindice di capacit Cp dato
dal rapporto tra la tolleranza e sei sigma. Poich a sei sigma corrisponde una probabilit di
difettosi pari a 0.27% per definire un analogo indice calcoliamo il rapporto tra la tolleranza ed il
valore della variabile corrispondente alla probabilit (1-0.0027) (per dati corretti per il fattore di
posizione). Eseguendo i calcoli si ottiene x = 0.073 e quindi: Cp = 0.1/0.073 = 1.37
Se invece ci riferiamo ai dati non corretti, si pu calcolare lindice Cpk 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 lindice di capacit Cpk
vale 1.5382/3=0.513.
Il procedimento seguito pu essere utilizzato, con le opportune modifiche, con qualunque tipo
di distribuzione.
In generale si pu calcolare lindice Cp dal rapporto tra la tolleranza e la differenza tra i valori
della variabile corrispondenti rispettivamente alle probabilit 0.99865 e 0.00135:
Cp = Toll/(x .99865 x .00135)
Analogamente lindice Cpk si calcola come il minore tra i due rapporti:
Cpk sup = (LST - x med)/(x .99865 - x med)
Occorre per che la scelta della distribuzione sia fatta in base a fondati motivi e ci
specialmente quando si vogliono stimare le frazioni di difettosi. Nel caso precedentemente
studiato (distribuzione di Rayleigh) sapevamo, in base a considerazione teoriche, che la
Gestione Industriale della Qualit Controllo statistico di processo a cura di Antonino Passannanti
Capitolo V Distribuzioni non normali
pag 4
distribuzione della variabile non era normale. Se mancano tali informazioni il test 2, gli
istogrammi ed il grafico di probabilit normale, come abbiamo gi detto, consentono di decidere
sulla normalit o meno dei dati; questultimo pu indirizzarci verso la distribuzione pi verosimile.
Gestione Industriale della Qualit Controllo statistico di processo a cura di Antonino Passannanti
Capitolo V Distribuzioni non normali
pag 5
.7 0
6 3 .2 %
.5 0
.3 0
.2 0
S cale Pa ramete r
Probability
.9 0
.1 0
.0 5
.0 2
.0 1
0.06
0.07
0.08
0.09
0.10
Misure
Fig. 5-5
.5 0
.3 0
.2 0
S cale Pa ramete r
Probability
.7 0
.1 0
.0 5
.0 2
.0 1
0. 0020
0. 0040
0. 0060
0. 0080 0.0100
0.0200
0.0400
0.0600
I Corr.
Fig. 5-6
.5 0
.3 0
.2 0
S cale Pa ramete r
Probability
.7 0
.1 0
.0 5
.0 2
.0 1
0.004
0.006
0.008
0.010
0. 020
0.040
0.060
II Corr.
Fig. 5-7
Gestione Industriale della Qualit Controllo statistico di processo a cura di Antonino Passannanti
Capitolo V Distribuzioni non normali
pag 6
.831
.897
.923
.963
.965
.970
.991
1.011
1.026
1.041
1.091
1.146
1.158
1.166
1.170
1.181
1.187
1.200
1.206
1.210
1.221
1.223
1.232
1.235
1.236
1.237
1.242
1.242
1.243
1.255
1.280
1.282
1.289
1.293
1.300
1.304
1.312
1.337
1.340
1.354
1.375
1.375
1.383
1.387
1.399
1.418
1.423
1.440
1.450
1.454
1.456
1.462
1.470
1.481
1.488
1.509
1.517
1.533
1.536
1.563
1.577
1.587
1.591
1.609
1.624
1.629
1.635
1.645
1.677
1.685
1.701
1.710
1.749
1.773
1.809
1.826
1.877
1.878
1.974
2.002
2.169 3.364
2.347 3.522
2.413 3.560
2.459
2.514
2.578
2.688
2.949
2.984
3.219
Tab. 5-1
Gestione Industriale della Qualit Controllo statistico di processo a cura di Antonino Passannanti
Capitolo V Distribuzioni non normali
pag 7