Carta Di Controllo Per Variabili

Controllo Statistico della Qualità Prof.ssa P.
Vicard
Le carte di controllo
Carte di controllo
per variabili
per variabili
Queste note NON sostituiscono il testo
di riferimento ma sono finalizzate ad
agevolare lo studio del testo stesso.
Controllo Statistico della Qualità Prof.ssa P. Vicard
Le carte di controllo per variabili si usano per monitorare un processo

mediante caratteristiche “continue” (misurabili) della qualità del prodotto.
In tale contesto, si tengono sotto controllo: la media ( x ) e la variabilità
(misurata mediante il range R o la deviazione standard S).
In particolare le carte utilizzate sono
carta x che rappresenta come la media x del processo cambia
nel tempo. (Infatti se la media si sposta dal valore normale
allora si produrrà una frazione più elevata di non conformi)
carta R, dove R è il range (valore massimo – valore minimo).
Questa carta riflette la dispersione all’interno del campione
osservato. (Anche in questo caso, se la variabilità si sposta
verso valori più alti, pur rimanendo inalterata la media,
aumenta la produzione di pezzi non conformi).
Generalmente queste due carte vengono usate contemporaneamente per
tenere sotto controllo sia la media sia la variabilità del processo.
Vediamo come si costruiscono...
2
Carta x
Sia X la caratteristica quantitativa rilevata (si assume abbia distribuzione
normale di media µ e deviazione standard σ).
Generalmente i dati sono divisi in sottogruppi (piccoli campioni di
numerosità compresa tra 2 e 10).
Indichiamo con
- m il numero dei campioni1 (ad es. relativi a m periodi di tempo) e
- con n il numero di unità che compongono ogni singolo campione2.
Per ognuno degli m campioni calcoliamo la media aritmetica
x1 + + xn
xi = i = 1,...,m
n
x ha distribuzione normale di media µ e deviazione standard σ x . µ e σ
non sono note e quindi è necessario stimarle.
1
Generalmente, se si è nella fase I di applicazione delle carte, allora m = 20 (o 25).
2
n è generalmente molto piccola (4, 5, o 6). Ciò è giustificabile se si usano sottogruppi razionali oppure se il costo di campionamento e di ispezione
per unità è elevato.
3
Stimiamo la media µ del processo calcolando la media generale (ovvero la

media aritmetica delle m medie dei campioni) come segue
x1 + + xm
x=
m
La linea centrale è data da x
I limiti di controllo sono dati da

LSC = x + A2⋅ R
LIC = x − A2⋅ R
La costante A2 è tabulata per diversi valori di n.
Con R si vuole stimare la variabilità del processo.
4
Per calcolare R , si calcola R per ogni sottogruppo così:
R = valore massimo nel sottogruppo – valore minimo nel sottogruppo.
Quindi il range generale si calcola facendo la media aritmetica dei range

dei sottogruppi
R1 + + Rm
R=
m
Osservazione 1: i limiti superiore e inferiore corrispondono alla regola

del +3σ e −3σ. Quindi questa carta di controllo come la carta R (che
vediamo ora) denota se una variazione è rilevante al punto di farci
concludere che il processo è fuori controllo.
5
Osservazione 2: la possibilità di usare il range3 per stimare σ deriva dal

fatto che esiste ed è nota la relazione che lega R e σ nel caso in cui la
variabile X sia normale.
In particolare per la stima di σ si ha σˆ = R d 2 4.
Quindi i parametri della carta di controllo sono
σˆ 3
LSC = x + 3 =x+ R
n d2 n
σˆ 3
LIC = x − 3 =x− R
n d2 n
3
Ossia A2⋅=
d2 n
3
L’uso del range è legato a tempi precedenti in cui la potenza degli strumenti di calcolo era limitata e quindi si preferiva usare stimatori di facile
calcolo. Lo stimatore basato sul range è meno efficiente ma per dimensione campionarie minori di 10 ha una performance accettabile e per questo
continua ad essere utilizzato.
4
La costante d2 è tabulata per diversi valori di n.
6
La carta R
È necessaria per far individuare fonti straordinarie di variabilità.
Abbiamo già individuato tutti gli strumenti per costruire questa carta.
La linea centrale è data da R .

LSC = D4⋅ R
LIC = D3⋅ R
Le costanti D3 e D4 sono tabulate per diversi valori di n. LIC non va preso
in considerazione quando la dimensione n dei sottogruppi è minore di 7.
7
Vediamo da dove derivano D3 e D4.

Per costruire i limiti di controllo della carta R abbiamo bisogno di σR.
Sotto l’ipotesi di normalità di X, sappiamo che il range relativo, W=R/σ,
ha deviazione standard d3 (funzione nota di n).
Allora da R=Wσ, segue che
σR= σW σ = d3σ
σ non è noto e lo stimiamo con σˆ = R d 2 quindi
σˆ R = d3 R d 2
R  d3 
LSC = R + 3σˆ R = R + 3d3 = 1 + 3  R = D4⋅ R
d2  d2 
R  d 
LIC = R − 3σˆ R = R − 3d3 = 1 − 3 3  R = D3⋅ R
d2  d2 
8
Nota: i limiti di controllo per x e R così calcolati andrebbero considerati

come limiti di prova (in quanto non noti a priori e quindi calcolati
nella cosiddetta fase I dell’impiego delle carte di controllo).
I valori x e R degli m campioni usati vanno rappresentati sulla carta

rispettiva per verificare se il processo era in stato di controllo quando sono
stati presi gli m campioni.
Se tutti i punti sono all’interno dei limiti allora si può concludere che il
processo è sotto controllo e i limiti (inferiore e superiore) possono essere
usati per valutare la produzione futura (in fase II).
9
Se uno o più di questi è al di fuori dei limiti

a) vanno esaminate le ragioni di tale situazione
b) il dato (o i dati) corrispondenti vanno eliminati
c) vanno ricalcolati i limiti escludendo i punti eliminati.
d) si deve verificare che i nuovi limiti di controllo siano tali da
contenere i punti rimasti. Se ciò non accade è necessario
procedere ad ulteriori esami fintantoché tutti i punti cadono tra
i limiti di controllo.
Se molti punti prova sono fuori controllo allora vuole dire che il
campionamento di prova è stato fatto in un periodo fuori controllo.
10
Esempio: supponiamo di avere monitorato per sei giorni (da sabato a

giovedì) il peso in grammi di pezzi prodotti da un processo
Giorno Osservazioni x R
Sab. 22 19 20 20.3 3
Dom. 21 20 17 19.3 4
Lun. 16 17 18 17 2
Mar. 20 16 21 19 5
Mer. 23 20 20 21 3
Gio. 19 16 21 18.7 5
m=6
n=3
20.3 + 19.3 + 17 + 19 + 21 + 18.7
x= = 19.22
6
3+ 4+ 2+5+3+5
R = = 3.67
6
11
5
Le costanti sono
A2 = 1.023 D3 = 0 D4 = 2.574
Carta x Carta R
Valore centrale x = 19.22 R = 3.67
19.22−1.023⋅3.67= 0
LIC
=15.47
19.22+1.023⋅3.67= =2.574⋅3.67=
LSC
=22.97 =9.44
5
Queste costanti sono tabulate e sono fornite in fondo al libro di testo. Quando le carte vengono costruite con l’ausilio di un software (ad es.
Minitab), la procedura di calcolo stessa elebora i dati e usa le tavole implementate nel software.
12
R Chart for peso

10
LSC=9.44
Sample Range
5
R=3.67
0 LIC=0
1 2 3 4 5 6
Sample Number
13
X-bar Chart for peso
23 LSC=22.97
22
21
Sample Mean
20
19
18
17
16 LIC=15.47
15
1 2 3 4 5 6
Sample Number
Esempio:stiamo rilevando la soddisfazione dei partecipanti ad un corso.

Alla fine di ogni settimana (per 8 settimane) viene dato un questionario in
cui i corsisti devono dare un voto tra 1 e 7 al docente della settimana. Si
scelgono a caso 5 studenti a settimana. Ecco i dati
Settimana x R
1 4 5 6 5 5 5 2
2 5 6 3 4 6 4.8 3
3 6 7 7 6 5 6.2 2
4 4 4 2 4 3 3.4 2
5 3 5 5 4 5 4.4 2
6 6 5 5 7 5 5.6 2
7 6 4 6 7 4 5.4 3
8 4 5 6 6 7 5.6 3
m=8
n=5
15
5 + 4.8 + 6.2 + 3.4 + 4.4 + 5.6 + 5.4 + 5.6
x= = 5.05
8
2+3+ 2+ 2+ 2+ 2+3+3
R= = 2.375
8
Le costanti sono
A2 = 0.577 D3 = 0 D4 = 2.114
Carta x Carta R
Valore centrale 5.05 2.375
5.05−0.577⋅2.375= 0
LIC
=3.68
5.05+0.577⋅2.375= =2.114⋅2.375=
LSC
=6.42 =5.02
16
Xbar/RChart for voto
7
LSC=6.42
Sample Mean
5 Mean=5.05
4
LIC=3.68
1
3
Settimana 1 2 3 4 5 6 7 8
5 LSC=5.02
Sample Range
4
3
R=2.375
2
1
0 LIC=0
17
Come si può notare la carta Xbar mostra un punto fuori controllo. La valutazione
del docente nella quarta settimana di rilevazione è stata particolarmente bassa ed
è al di sotto del limite di controllo inferiore. Occorre, quindi, eliminare il
campione che si riferisce alla quarta settimana e calcolare le nuove stime del
voto medio e della varianza del voto e contestualmente costruire la nuova carta
che non tenga conto della settimana anomala.
Xbar-R Chart of voto
7 Come scelta grafica, si è
U C L=6,687
deciso di lasciare il gap
Sample M ean
6
_
_
bianco per mostrare dove si
5
X=5,286
trova il campione che è
uscito dell’analisi.
4 LC L=3,885 Si noti che, essendo stato
1 2 3 4
Sample
5 6 7 8
eliminato il campione che
aveva la media
particolarmente bassa, ora
U C L=5,135
4,8
le media globale è salita a

Sample Range
3,6
2,4
_
R=2,429 5,286 (mentre prima era
1,2 5,05).
0,0 LC L=0
1 2 3 4 5 6 7 8
Sample
18
Capacità del processo

In precedenza avevamo parlato di “limiti di specifica” del processo.
Non esiste alcun legame tra i limiti di controllo delle carte x e R e i limiti
di specifica.
I limiti di controllo vengono individuati in base alla variabilità

naturale del processo (data dalla deviazione standard σ del processo).
Si ricordi che esiste una relazione tra range medio R e deviazione
standard σ di una variabile che ha distribuzione normale.
I limiti di controllo quindi altro non sono che dei limiti di tolleranza
naturali del processo e vengono solitamente posti, come abbiamo
visto, a una distanza pari a 3σ dal valore medio.
I limiti di specifica sono individuati indipendentemente dal
comportamento naturale del processo: vengono in genere definiti dal
management, dagli ingegneri, dalla clientela,...
19
È interessante analizzare dove si colloca il nostro processo rispetto ai

limiti di specifica (LSS = limite superiore di specifica,
LIS = limite inferiore di specifica).
Quest’analisi può essere condotta solamente dopo che,

mediante le carte di controllo, si è stabilito che il processo
è sotto controllo
(ossia quando si può assumere che le variazioni nel prodotto/servizio sono
dovute solamente alle “cause comuni”.)
20
La capacità del processo

è la capacità che un processo ha di produrre beni o servizi che soddisfano
i limiti di specifica.
Perché i limiti naturali devono essere confrontati con i limiti di specifica?

Immaginiamo un processo sotto controllo in cui, quindi, la distribuzione
della nostra caratteristica di interesse è normale. Sappiamo che è pari a
0.0027 la probabilità che un valore sia fuori controllo (ossia fuori
dell’intervallo -3σ, +3σ. Se immaginiamo un milione di pezzi prodotti,
allora si ha che 0.0027⋅1000000=2700, cioè su un milione di pezzi
prodotti 2700 sono non conformi.
Se la distribuzione non fosse normale e/o portasse ad avere limiti naturali
lontani da quelli di specifica, il numero di pezzi non conformi potrebbe
essere molto più elevato.
21
La capacità del processo si riferisce all’uniformità generale di

comportamento del processo. Questa uniformità può essere intesa come
uniformità del prodotto di tale processo. In tal senso l’analisi della
variabilità riveste un ruolo fondamentale. La variabilità viene intesa come:
a) variabilità naturale o relativa ad un preciso istante
b) variabilità rispetto al tempo
In genere si assume l’ampiezza 6σ della distribuzione della caratteristica

di qualità come misura della capacità del processo.
In ogni caso la capacità del processo viene misurata sulla base di
indicatori della distribuzione di probabilità della caratteristica monitorata.
22
Dal momento che le cause speciali non agiscono, possiamo ritenere che il
nostro processo operi in condizioni “normali”; in particolare segua una
distribuzione normale con
- media = x
R
- deviazione standard σˆ =
d2
Possiamo calcolare (usando un software o le tavole della normale

standardizzata) la probabilità che un prodotto del nostro processo non
rispetti i limiti di specifica.
Come si fa???
23
Gli istogrammi (o, in alternativa, i diagrammi ramo-foglia).

Indicata con X la variabile normale del nostro processo, questa probabilità
è data da
Prob(X > LSS) + Prob(X < LIS)
Per calcolare queste probabilità dobbiamo stimare, a partire dai dati
osservati, la media e la deviazione standard della nostra caratteristica di
interesse.
Se calcoliamo manualmente le nostre probabilità allora si procede come
segue.
Dobbiamo ricorrere alla standardizzazione e calcoliamo, indicata con
X −x
Z= la normale standardizzata N(0,1),
σˆ
LIS − x  LSS − x 
P  Z <  + P 
 Z > =
 σˆ   σˆ 
LIS − x    LSS − x  
= Φ   + 1 − Φ  
 σˆ    σˆ 
24
Esempio (del peso)

m=6
n=3
x = 19.22 R = 3.67
R 3.67
σˆ = = = 2.17
d 2 1.693
Supponiamo che
LSS = 19.22 + 5.78 = 25
LIS = 19.22 − 6.22 = 13
P(X < 13) + P(X > 25) =
 13 − 19.22   25 − 19.22 
= P Z <  + P Z > =
 2.17   2.17 
= Φ(Z < −2.87) + P(Z > 2.66) = 0.00208 + 0.00387 = 0.00595
Circa lo 0.6% (6 ogni mille pezzi prodotti) dei pezzi prodotti sarà fuori dei
limiti di specifica.
Si giunge al medesimo risultato se, stimate la media e la deviazione
standard, si usa un software per il calcolo delle probabilità.
25
Alcune osservazioni
Per usare questo strumento è necessario disporre di almeno 100
osservazioni in modo da avere indicazioni efficienti sulla media, la
deviazione standard e la forma del processo (visualizzata mediante
l’istogramma).
Bisogna prestare attenzione nella raccolta dei dati.
Occorre:
1. scegliere la macchina o le macchine da utilizzare (attenzione, se si
vogliono estendere i risultati a tutte le macchine allora è necessario
che le macchine prescelte siano rappresentative della popolazione di
macchine).
2. selezionare le condizioni operative/ambientali di riferimento
3. selezionare un operatore rappresentativo
4. controllare che sia bene eseguita la rilevazione dei dati e registrato
l’ordine temporale delle osservazioni.
26
Una volta raccolti i dati e disegnato l’istogramma, si può vedere se la

sua forma è vicina alla forma della distribuzione normale. In caso
affermativo si può stimare (grazie alle proprietà della normale) che è
 
pari al 99.73% la percentuale di beni prodotti all’interno di  x − 3s,x + 3s  .
 
L’osservazione dell’istogramma dà anche informazioni sulla prestazione

generale del processo e sulle eventuali ragioni di scarsa qualità dello
stesso.
27
Grafici di probabilità.
Sono un’alternativa agli istogrammi e non richiedono numeri elevati di
osservazioni. Il grafico di probabilità più diffuso è il normal probability
plot.
In sostanza, una volta raccolti i dati, si costruisce il normal probability
plot in modo tale da verificare se il processo sta lavorando sotto un
modello normale.
In caso affermativo, la media e la deviazione standard si calcolano dal
grafico come segue: la media è uguale alla mediana (ossia corrisponde
al 50° percentile); la deviazione standard si stima mediante la differenza
tra l’84° percentile e il 50° percentile.
Attenzione: se il grafico avesse mostrato che la distribuzione del

processo non è normale allora non sarebbe corretto usare
lo stesso grafico (basato sulla normale) per calcolare media
e deviazione standard.
28
Nota: l’analisi del grafico di probabilità è molto soggettiva. Può essere,

pertanto, opportuno accompagnarla con test statistici (per la
verifica della normalità) oppure con il calcolo (sulla base dei dati
campionari) dei seguenti parametri di asimmetria e di curtosi.
asimmetria M3 M4 curtosi
β1 =
ˆ
32
β2 = 2
ˆ
  M2
M 
 2
 
n  
j
∑ xi − x






dove M j = i=1 n , j =1,2,3,4 .
Si consideri che questi due indici assumono valori ben precisi nel
caso in cui la distribuzione è normale.
Infatti sotto normalità si ha: β1 = 0 e β2 = 3
29
Possiamo anche valutare la capacità del processo come rapporto tra

processo (rappresentato dai limiti di specifica) e capacità produttiva
(rappresentata dai limiti di controllo). In tal caso si costruiscono
indici della capacità del processo
Possiamo calcolare questi indici quando:
i) il processo è sotto controllo e sono state rimosse tutte le cause che
determinano variazioni speciali;
ii) il processo ha distribuzione normale (importanza del normal
probabilità plot)
iii) i dati analizzati sono quantitativi
I tre elementi fondamentali nella costruzione e analisi di questo indice
sono:
1. i limiti di specifica (LSS e LIS)
2. il centro naturale del processo x
3. la variabilità naturale del processo σ
30
Abbiamo i seguenti indici di capacità del processo.
LSS − LIS
Cp =
6σ
Cp si calcola quando sono definiti sia il limite inferiore che il limite
superiore di specifica. Il denominatore costituisce la base per la
definizione della capacità produttiva. Poiché σ è generalmente non nota,
allora lo si sostituisce con la sua stima σˆ . Inoltre si ha che
1
100 indica la percentuale di specifica usata dal processo.
Cp
************************
31
LSS − x
C ps =
3σ
Cps si calcola quando è definito solamente il limite superiore di specifica.
(Ad esempio le poste devono far sì che una raccomandata arrivi a
destinazione entro due giorni dalla spedizione). In questo caso la base per
la definizione per la capacità produttiva è 3σ.
x − LIS
C pi =
3σ
Cpi si calcola quando è definito solamente il limite inferiore di specifica.
(Ad esempio posso imporre solo LIS nel caso della valutazione dei
docenti). Anche in questo caso la base per la definizione per la capacità
produttiva è 3σ.
Come interpretare questi indici???
32
L’interpretazione dell’indice Cp risiede nel fatto che questo ci informa

direttamente sulla numero sulla proporzione di prodotti difettosi che
dovranno essere eliminati o rilavorati.
Consideriamo l’indice Cp (quanto diciamo vale anche per Cps e Cpi).

Cp = 1 quando LSS – LIS = 6σ cioè quando, se il processo è
correttamente centrato, i limiti di specifica ed i limiti di controllo
coincidono. (Si veda la curva (c) della figura seguente).Circa lo 0.27%
di unità prodotte sarà non conforme.
Cp > 1 quando LSS – LIS > 6σ. Ciò significa che, se il processo è
correttamente centrato, i limiti di controllo (ovvero i limiti di
tolleranza naturali del processo) sono interni ai limiti di specifica. (Si
veda la curva (a) della figura seguente). Un processo di questo tipo
produce un numero estremamente basso di unità non conformi alle
specifiche.
33
Cp < 1 quando LSS – LIS < 6σ. Ciò significa che, se il processo è
correttamente centrato, i limiti di controllo (ovvero i limiti di
tolleranza naturali del processo) sono esterni ai limiti di specifica. (Si
veda la curva (b) della figura seguente). Un processo di questo tipo
produce un numero notevole di unità non conformi alle specifiche.
Nota: è necessario sottolineare che le considerazioni sull’interpretazione

dell’indice Cp poggiano sull’assunzione di normalità della distribuzione
della nostra caratteristica di interesse
34
(a) N(0,1) (b) N(0,2.5) (c) N(0,1.5)

0.45
0
-10 -5 0 5 10
µ
↑ ↑ ↑
LIS Media del LSS
processo
35
Difettosità in parti per milione

Specifiche unilaterali Specifiche
Cp bilaterali
(nel caso di
processo centrato)
0.5 66807 133614
0.6 35931 71861
0.8 8198 16395
0.9 3467 6934
1 1350 2700
1.1 484 967
1.3 48 96
1.4 14 27
1.5 4 7
1.6 1 2
1.8 0.03 0.06
2 0.0009 0.0018
36
E se il processo non è correttamente centrato???
In altre parole, come ci possiamo accorgere se il processo non è

posizionato sul valore centrale tra gli intervalli di specifica?
Un modo per vedere se esiste un problema di questo tipo consiste nel

calcolare anche Cps e Cpi in aggiunta a Cp.
Se il processo non è correttamente centrato, uno dei due indici unilaterali
risulterà inferiore ad 1.
In sostanza abbiamo un altro indice bilaterale di capacità del processo.

Cpk = Min (Cps e Cpi)
Se il processo non è ben centrato allora o Cps < 1 o Cpi <1.
quindi
Min (Cps e Cpi) < 1
37
In sostanza Cpk è un indice Cp unilaterale rispetto al limite di specifica più

vicino alla media del processo.
Se Cpk = Cp allora il processo è centrato rispetto all’intervallo di
specifica.
Se Cpk < Cp allora il processo non è centrato rispetto all’intervallo
di specifica.
Può, pertanto, accadere che se da un lato Cp ci fa sembrare che il processo
ha un’ottima capacità, l’analisi della centratura ci può mostrare che nella
realtà questo non è centrato e quindi ha una performance effettiva
peggiore.
Per queste considerazioni generalmente: Cp viene detto indice di capacità

potenziale del processo; Cpk viene detto indice di capacità effettiva del
processo.
38
Nota: l’indice Cpk è inadeguato da solo come misura di centratura del

processo. Una conclusione corretta in merito alla centratura del processo
si può avere solo confrontando Cpk con Cp. Questo perché per struttura
Cpk non dà informazioni sulla posizione della media del processo
nell’intervallo di specifica. Inoltre Cpk è inversamente proporzionale a σ.
Questo problema può essere superato usando l’indice seguente:
C pkm = LSS − LIS Deviazione attesa rispetto
2 al valore di riferimento T
2  
6 σ +  µ −T 
 
dove T = (LSS-LIS)/2 è il valore di riferimento.

con ξ 2 = T σ− µ
6 Cp
Si può anche scrivere C pkm =
1+ξ 2
µ e σ 2 non sono noti e quindi Cpkm può essere stimato come segue
Ĉ p
Ĉ pkm = con V 2 = T − x .
1+V 2 S
6
basta moltiplicare e dividere il denominatore di Cpkm per σ
39
Nelle applicazioni si sta diffondendo la pratica di richiedere al

fornitore, tra le clausole contrattuali, di dimostrare la capacità del
proprio processo. In particolare si chiede di dimostrare che l’indice
Cp soddisfa o supera un particolare valore di riferimento, diciamo
Cp0. Questo problema può essere formulato direttamente come una
verifica di ipotesi
H0: Cp ≤ Cp0 (il processo non ha capacità adeguata)
H1: Cp > Cp0 (il processo ha capacità adeguata)
Per dimostrare che il processo va bene dobbiamo rifiutare l’ipotesi
nulla. La decisione viene basata sulla stima di Cp. in particolare, si
rifiuterà H0 quando la stima di Cp supera un certo valore critico C.
Sono state studiate (Kane, 1986) le proprietà di questo test ed è
stata fornita una tavola contenente numerosità campionarie e valori
critici C. In particolare, per eseguire questo test è necessario
stabilire Cp(sup), ossia la capacità del processo che accettiamo con
significatività (1-α), e Cp(inf), generalmente coincidente con Cp0,
ossia la capacità che viene rifiutata con probabilità (1-β).
40
Da questi valori, a partire da apposite tavole disponibili, si può

determinare: 1) il valore critico C oltre il quale si può rifiutare H0
(ossia accettare H1); 2) la numerosità campionaria per effettuare
correttamente il test coerentemente con Cp(sup), Cp(inf), α e β
prefissati.
Infatti, fissati Cp(sup) e Cp(inf) e α e β, si calcola Cp(sup)/Cp(inf).
Leggendo apposite tavole7si trova C/Cp(inf) = k e questa
espressione può essere risolta per C dando luogo a: C = kCp(inf).
Si noti che k è un numero maggiore di 1 (tanto più grande quanto
più piccolo è il campione selezionato) quindi C > Cp(inf). Questo
significa che per mostrare la capacità del processo bisogna
controllare che il valore di Cp calcolato sul campione sia più grande
di quello Cp(inf) definito come linea di demarcazione tra capcità
inadeguata e capacità accettabile.
7
si veda ad es. pag 298 del libro di testo
41
Osservazione: in alcune situazioni si può disporre dei valori della media e

della deviazione standard della popolazione.
Proprio questi valori µ e σ possono essere usati per costruire le carte di
controllo.
Con riferimento alla carta x abbiamo:
La linea centrale è data da µ
LSC = µ+ 3σ n
LIC = µ − 3σ n
42
Con riferimento alla carta R abbiamo che possiamo ricavare il valore del
range a partire da σ.
Infatti sappiamo che: σ=R/d2 e σR=d3σ. Quindi
La linea centrale è data da d2σ

LSC = d2σ + 3 d3σ = (d2 + 3 d3) σ
LIC = d2σ − 3 d3σ = (d2 − 3 d3) σ
43
Carte di controllo x e S
In presenza di dimensioni campionarie sufficientemente grandi (più di 10)
oppure se la dimensione campionaria varia da campione a campione, è
opportuno stimare σ con la deviazione standard campionaria S.
n
2
(
∑ ix − x )
La varianza campionaria corretta è data da S 2 = i =1
n −1
Mentre S2 è uno stimatore corretto della varianza, S non è uno stimatore

corretto della deviazione standard.
Se la distribuzione è normale allora S è uno stimatore corretto di c4σ dove

c4 è una costante tabulata che dipende da n.
Inoltre la deviazione standard di S è σ 1 − c42 .
44
Nel caso in cui a σ sia assegnato un valore standard, si può

immediatamente calcolare la carta per lo scarto quadratico medio.
Allora le linee della carta S sono:
LSC = c4σ + 3σ 1 − c42 ( )

= 1 + 3 1 − c42 σ = B6 S
LC = c4σ
( )
LIC = c4σ − 3σ 1 − c42 = 1 − 3 1 − c42 σ = B5 S
45
Supponiamo, come del resto effettivamente accade, che σ sia non noto.
Allora deve essere stimato usando m campioni preliminari ciascuno di n
unità. Sia Si la deviazione standard dell’i-esimo campione. Si calcola
1 m
S = ∑ Si
m i =1
S è uno stimatore corretto di c4σ , pertanto abbiamo che S c4 è uno
2 S
stimatore corretto di σ. σˆ S = σˆ 1 − c4 = 1 − c42
c4
Allora le linee della carta S sono:
S
LSC = S + 3 1 − c42
c4
LC = S
S
LIC = S − 3 1 − c42
c4
46
3 3
ponendo B3 = 1 − 1 − c42 e B4 = 1 + 1 − c42 si ha
c4 c4
LSC = B4 S
LC = S
LIC = B3 S
47
Quando S viene usato per monitorare la variabilità allora può essere anche
usato per definire corrispondentemente i limiti di controllo della carta x .
σˆ S
LSC = x + 3 = x +3 = x + A3 S
n c4 n
LC = x
σˆ S
LIC = x − 3 = x −3 = x + A3 S
n c4 n
Nota: B3, B4 e A3 sono tabulati per diversi valori di n.
E se la dimensione campionaria è variabile?
48
Nel caso di dimensione campionaria variabile gli m campioni hanno

numerosità n1, n2,…,nm. Allora x e S vengono calcolati mediante le
seguenti medie ponderate
1
m  m 
 2
∑ ni −1 Si2
 
∑ ni xi 





x = i=m
1 e S = i=1m





∑ ni 
 ∑ ni − m 

i=1 

i=1 

Le linee di controllo vengono calcolate con le formule viste per le carte a

dimensione fissa, ossia
3S
LSC = x + = x + A3 S
LSC = B4 S c4 ni
LC = S LC = x
LIC = B3 S 3S
LIC = x − = x + A3 S
c4 ni
49
La differenza è che nel caso a dimensione variabile le costanti B3, B4 e A3

dipenderanno dalla dimensione campionaria usata per ogni singolo
sottogruppo.
In alternativa si possono costruire le carte di controllo basandosi sulla

dimensione campionaria media n (se questa non è troppo diversa tra gli m
campioni).
50
Carte di controllo per variabili

in un contesto non manifatturiero
Le carte di controllo per variabili possono essere usate anche in un
contesto non industriale se si riesce ad avere una misura quantitativa della
qualità del servizio.
Un differenza è data dal fatto che in tale contesto sono difficilmente
definibili limiti di specifica e quindi molto spesso la capacità del processo
non è calcolabile.
51
Alcune note sulle carte di controllo per variabili
Nota 1: Ogni carta di controllo prevede una revisione periodica dei limiti
di controllo e della linea centrale. Queste revisioni possono essere
eseguite ad intervalli di tempo regolari.
A volte si sostituisce la linea centrale della carta x con un valore
obiettivo, diciamo x0 . Se la carta R mostra una situazione di
controllo allora riposizionare la linea centrale su un valore
obiettivo può essere utile per raggiungere livelli di produzione
desiderati dal management. (Questa operazione ha senso quando
la media può essere modificata con semplici interventi sul
processo).
Nota 2: Un altro strumento di supporto è dato dalla carta di tolleranza.

Questa consente di scoprire se ci sono dati anomali in un singolo
campione tali da restituire valori di x o di R fuori controllo.
52
Nota 3: per interpretare correttamente le carte di controllo si deve avere

sia una buona conoscenza statistica sia una buona conoscenza
delle specificità e delle caratteristiche del processo produttivo in
esame.
Inoltre, ai fini di una interpretazione corretta della carta x
bisogna prima accertarsi che la carta R sia sotto controllo.
Mettere innanzitutto sotto controllo il processo dal punto di vista
della variabilità, può servire ad eliminare anche fattori che
possono distorcere x .
53

Carta Di Controllo Per Variabili

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Carta Di Controllo Per Variabili

Caricato da

Copyright:

Formati disponibili

Controllo Statistico della Qualità Prof.ssa P.

Le carte di controllo per variabili si usano per monitorare un processo

Stimiamo la media µ del processo calcolando la media generale (ovvero la

La linea centrale è data da x

I limiti di controllo sono dati da

La costante A2 è tabulata per diversi valori di n.

Con R si vuole stimare la variabilità del processo.

Per calcolare R , si calcola R per ogni sottogruppo così:

R = valore massimo nel sottogruppo – valore minimo nel sottogruppo.

Quindi il range generale si calcola facendo la media aritmetica dei range

Osservazione 1: i limiti superiore e inferiore corrispondono alla regola

Osservazione 2: la possibilità di usare il range3 per stimare σ deriva dal

La linea centrale è data da R .

I limiti di controllo sono dati da

Vediamo da dove derivano D3 e D4.

Nota: i limiti di controllo per x e R così calcolati andrebbero considerati

I valori x e R degli m campioni usati vanno rappresentati sulla carta

Se uno o più di questi è al di fuori dei limiti

Esempio: supponiamo di avere monitorato per sei giorni (da sabato a

R Chart for peso

X-bar Chart for peso

Esempio:stiamo rilevando la soddisfazione dei partecipanti ad un corso.

Xbar/RChart for voto

le media globale è salita a

Capacità del processo

I limiti di controllo vengono individuati in base alla variabilità

È interessante analizzare dove si colloca il nostro processo rispetto ai

Quest’analisi può essere condotta solamente dopo che,

La capacità del processo

Perché i limiti naturali devono essere confrontati con i limiti di specifica?

La capacità del processo si riferisce all’uniformità generale di

In genere si assume l’ampiezza 6σ della distribuzione della caratteristica

Possiamo calcolare (usando un software o le tavole della normale

Gli istogrammi (o, in alternativa, i diagrammi ramo-foglia).

Esempio (del peso)

Una volta raccolti i dati e disegnato l’istogramma, si può vedere se la

L’osservazione dell’istogramma dà anche informazioni sulla prestazione

Attenzione: se il grafico avesse mostrato che la distribuzione del

Nota: l’analisi del grafico di probabilità è molto soggettiva. Può essere,

Possiamo anche valutare la capacità del processo come rapporto tra

Abbiamo i seguenti indici di capacità del processo.

Come interpretare questi indici???

L’interpretazione dell’indice Cp risiede nel fatto che questo ci informa

Consideriamo l’indice Cp (quanto diciamo vale anche per Cps e Cpi).

Nota: è necessario sottolineare che le considerazioni sull’interpretazione

(a) N(0,1) (b) N(0,2.5) (c) N(0,1.5)

Difettosità in parti per milione

E se il processo non è correttamente centrato???

In altre parole, come ci possiamo accorgere se il processo non è

Un modo per vedere se esiste un problema di questo tipo consiste nel

In sostanza abbiamo un altro indice bilaterale di capacità del processo.

In sostanza Cpk è un indice Cp unilaterale rispetto al limite di specifica più

Per queste considerazioni generalmente: Cp viene detto indice di capacità

Nota: l’indice Cpk è inadeguato da solo come misura di centratura del

dove T = (LSS-LIS)/2 è il valore di riferimento.

Nelle applicazioni si sta diffondendo la pratica di richiedere al

Da questi valori, a partire da apposite tavole disponibili, si può

Osservazione: in alcune situazioni si può disporre dei valori della media e

Con riferimento alla carta x abbiamo:

La linea centrale è data da µ

I limiti di controllo sono dati da

La linea centrale è data da d2σ

I limiti di controllo sono dati da