24/01/2013

Controllo statistico di qualità

Introduzione
• Un’azienda vorrebbe che tutti i pezzi prodotti
siano uguali: vuole cioè che la produzione sia
affidabile.
• L’affidabilità della produzione è affidata a due
momenti distinti: la progettazione della
produzione (off line) e il controllo che la
produzione sia almeno conforme ai parametri
specificati (on line).

1
 24/01/2013

I 7 strumenti del controllo statistico di qualità

ESEMPIO: Una azienda farmaceutica decide di effettuare un controllo sul processo di iniezione
di un farmaco, per le cure tumorali, all’interno di appositi flaconi. L’azienda assume come tolle-
rabili un quantitativo minimo di medicinale nei flaconi pari a 82 ml e uno massimo di 118 ml e
in fase di progetto stabilisce un quantitativo obbiettivo (target) di 95 ml. Gli operatori addetti
a tale compito hanno a disposizione le misure del contenuto dei flaconi del prodotto medici-
nale riportate nella tabella
3

I dati

Un primo approccio al problema può essere la costruzione di un istogramma.

DOMANDA: quale informazione si perde effettuando un istogramma?

2
 24/01/2013

Istogramma dei dati

30

25

20

15

10

0
80 85 90 95 100 105 110 115 120

Dall’istogramma si può subito notare come i dati seguano approssimativamente una

distribuzione normale, con una piuttosto accentuata variabilità dei dati. Rispetto al target
aziendale il processo è abbastanza centrato, ma la variabilità risulta eccessiva per cui po-
trebbe essere necessaria una azione correttiva sulla variabilità del processo

Normal plot dei dati dell’esempio precedente

Normal Probability Plot
0.997
0.99
0.98
0.95
0.90

0.75
Probability

0.50

0.25

0.10
0.05
0.02
0.01
0.003
80 85 90 95 100 105 110 115
Data

3
 24/01/2013

Un istogramma consente di valutare la precisione del processo produttivo tramite

l’analisi di dispersione della distribuzione dei dati, anche in relazione ai limiti di
tolleranza.

Dalla sovrapposizione dell’istogramma con la retta del valore obbiettivo si può

verificare il posizionamento del valore centrale dei dati rispetto al target assegnato

4
 24/01/2013

10

5
 24/01/2013

11

ESEMPIO

12

6
 24/01/2013

13

14

7
 24/01/2013

15

16

8
 24/01/2013

La carta dei 3-sigma

Se dovesse essere disponibile una valutazione teorica (storica o di progetto) della
varianza della popolazione e della media, usando il teorema del limite centrale
σ
è possibile sostituire il parametro k con 3, per la varianza σ W = e per media
si può usare quella della popolazione. n

Esempio: parametro di flusso monitorato in una azienda con media e varianza nota

n=5

17

18

9
 24/01/2013

19

20

10
 24/01/2013

21

22

11
 24/01/2013

23

Costruire la carta di controllo della media in Matlab

I dati sono in numero 12*10: ci sono 12 gruppi (i giorni) e ogni gruppo ha numerosità
campionaria pari a 10. Quindi

N = 120, k = 12 sottogruppi, ciascuno di taglia ni = 10, i = 1,...,12.

Assegnare i dati ad una matrice.

24

12
 24/01/2013

Costruire la carta di controllo della media in Matlab

>> x

x=
>> xbarplot(x’,0.9973, spec,’range’)

94 97 92 94 106 108 95 98 111 85 109 110

108 118 92 100 109 92 105 111 96 110 108 97
105 97 101 102 93 99 97 109 95 96 103 88
85 96 93 93 94 92 108 99 95 91 88 96
93 103 95 99 101 80 98 101 106 95 103 83
111 100 90 98 110 85 111 109 104 97 115 93
109 92 108 89 103 95 91 99 95 93 105 97
102 99 86 96 110 92 94 99 87 114 100 102
99 115 84 89 110 85 93 101 84 89 113 91
93 104 84 86 109 99 100 100 94 91 113 109

>> m=mean(x’); Le medie vengono

fatte sulle righe.

Queste medie sono quelle plottate sulla carta di controllo. Quindi

sulle ascisse si riportano i giorni (in sequenza). 25

CONF (optional) is the confidence level of the upper and lower plotted confidence
limits. CONF is 0.9973 by default. This means that 99.73% of the plotted points should
fall between the control limits if the process is in control.
SPECS (optional) is a two element vector for the lower and upper specification limits
of the response.
SIGMAEST (optional) specifies how XBARPLOT should estimate sigma. Possible values are
'std' (the default) to use the average within-subgroup standard deviation, 'range' to use the
average subgroup range, and 'variance' to use the square root of the pooled variance.
OUTLIERS =
XBARPLOT(DATA,CONF,
SPECS,SIGMAEST)
returns a vector of indices to
the rows where the mean of
DATA is out of control.

>> xbarplot(x’,0.9973,
spec,’range’)

26

13
 24/01/2013

Le linee di controllo
1 k
La linea centrale è rappresentata dalla x = ∑ xi
media delle medie k i =1

Le linee superiore ed inferiore σ

x ± z(1−CONF )/ 2
corrispondono a n
‘range’: si usa l’escursione standard
‘std’: si usa uno stimatore della
deviazione standard ⇒σ
‘variance’: si usa uno stimatore
della deviazione standard pesata

27

>> xbarplot(x’,0.9973,spec,'variance’)')

Questa è la carta per la

media con i limiti di con-
trollo che dipendono
dalla pooled variance
che sostituisce diretta-
mente la deviazione standard.

28

14
 24/01/2013

Opzione ‘range’

29

>> xbarplot(x’,0.9973,spec,‘range')
Con l’opzione ‘range’

Questa è la carta per la media con i limiti di controllo che dipendono dal range
R
σ← per stimare σ (la variabilità del processo)
d2 30

15
 24/01/2013

Opzione ‘std’
Se la dimensione campionaria è abbastanza grande (>10,12) l’uso del range R è poco
efficiente per la stima della varianza.
Stesse considerazioni valgono nel caso di dimensione variabile (poiché si potrebbe
perdere in efficienza)

Vale che E  S 2  = σ 2 e invece E [ S ] ≠ σ .

Quindi σ non può essere valutato con S .
Se X ≈ N ( µ , σ 2 ) ⇒ E [ S ] = σ c4 dove c4 è un parametro che dipende da n
n 
 − 1 !
c4 =
2  2  e  n  ! =  n  n − 1 n − 2 ⋯  1  π
       
n −1  n −1   2   2  2  2  2
 − 1  !
 2 
Pertanto sostituiamo E [ S ] con S ed abbiamo che
S 1 k
σ ≈ dove S = ∑ Si
c4 k i =311

>> xbarplot(x,0.9973,spec,'std')

Questa è la carta per la media con i limiti di controllo che dipendono dalla deviazione
standard.
S
σ← per stimare la variabilità del processo
c4 32

16
 24/01/2013

REGOLE DI ZONA

Per le regole di zona non

c’è una function in
MATLAB.

Possiamo sovrapporre le linee per la lettura del grafico, usando la variabilità stimata
per il processo. Se si usa una carta dell’escursione: >> mean(range(x))/3.078

ans =

7.5807
33

Le linee di zona sono: x ± 7.58; x ± 2*7.58; x ± 3*7.58

Usare il comando hold on

per sovrapporre le regole
di zona.

>> x1low=mean(mean(x))-ones(12,1)*7.58;
>> x1up=mean(mean(x))+ones(12,1)*7.58;
>> x2low=mean(mean(x))-2*ones(12,1)*7.58;
>> x2up=mean(mean(x))+2*ones(12,1)*7.58;
>> x3low=mean(mean(x))-3*ones(12,1)*7.58;
>> x3up=mean(mean(x))+3*ones(12,1)*7.58;
>> hold on
>> plot([1:12],x1low,'-b',[1:12],x1up,'-b',[1:12],x2low,'-p',[1:12],x2up,'-p',[1:12],
x3up,'-k',[1:12],x3low,'-k')
>> 34

17
 24/01/2013

La carta della media va letta assieme ad una carta che restituisca la va-
riabilità del campione casuale.

Carta dell’escursione Carta della dev.standard

Esiste una procedura in MATLAB per generarla

I limiti di controllo della >> schart(x)
carta della deviazione
standard

E [ S ] ∓ 3D [ S ]

con D [ S ] = σ 1 − c42
s
≈ 1 − c42
c4 35

Non c’è una procedura per costruire la carta di controllo per l’escursione.
>> r=range(x)

r=

26 26 24 16 17 28 20 13 27 29 27 27

Calcolare la media delle escursioni:

1 k
R= ∑ Ri
k i =1

Var [ R ] σ R2
Var [W ] = ⇒d = 2
2
3
σ2 σ
R
σ R = d3σ ⇒ σ R = d3  
 d2 
36

18
 24/01/2013

Carta dell’escursione >> lcent=mean(range(x))*ones(12,1);

>> lup=lcent*1.777;
>> ldown=lcent*0.223;
>> plot([1:1:12],range(x),'-*b',[1:1:12],lcent,
'-r',[1:1:12],lup,'-g',[1:1:12],ldown,'-g')
>> axis([1,12,0,45])

Carta della dev.standard

>> schart(x)

37

Carta di tolleranza
carta di tolleranza
120

115

110

105

100
>> hold on
95 >> …
90
>> c2=2*ones(1,10);
>> plot(c2,x(:,2),'g*-')
85 >> …
80
0 2 4 6 8 10 12

19
 24/01/2013

La carta della tolleranza è una carta sulla distribuzione della variabile che si sta monitorando.
La carta della media è una carta sulla distribuzione della media campionaria della variabile
che si sta monitorando.

39

La carta di controllo e il processo stocastico relativo alla produzione…

40

20
 24/01/2013

Come si leggono le variazioni sulle carte di controllo

Uno spostamento della media del

processo produttivo, provoca l’ap-
parire di una anomalia sulla carta
di controllo della media: anche
quando tale variazione sarà minima
i punti della carta di controllo
reagiranno in maniera apprezzabile

Una variazione nella dispersione del processo produttivo provocherà ano-

malie avvertibili sia sulla carta di controllo della media che su quella della
escursione , che tenderanno a distanziarsi tra di loro.

41

Carte MR (moving range)

Non avendo più a disposizione gruppi di

misurazioni, ma singoli valori, i limiti della
carta di controllo cambiano.

In Matlab non c’è una procedura.

42

21
 24/01/2013

In Matlab >> for i=1:14 mr(i)=abs(x(i+1)-x(i)); end

1 n −1
MR = ∑ MRi
n − 1 i =1

3
UCL = X + MR
1.128
CL = X
3
LCL = X − MR
1.128

>> lineup=ones(15,1)*(mean(x)+3/1.128*mean(mr));
>> linedown=ones(15,1)*(mean(x)-3/1.128*mean(mr));
>> linecenter=ones(15,1)*mean(x);
>> plot([1:1:15],x,'r',[1:1:15],lineup,'-g',[1:1:15],linedown,'-g',[1:1:15],linecenter,'-p')
43

Per l’escursione si usano gli

stessi limiti della carta dell’
escursione classica, sostituendo
l’ escursione media con la media
della moving average.

44

22
 24/01/2013

Curva caratteristica operativa

Diremo che il processo è in controllo statistico se per ogni

t , indice dei sottogruppi, xt ∈ ( LimInf , LimSup ).
Regione di accettazione

45

Curva caratteristica operativa

Diremo che il processo è in controllo statistico se per ogni

t , indice dei sottogruppi, xt ∈ ( LimInf , LimSup ).
Regione di accettazione
α = P (rigettare H 0 | µ = µ0 ) = P( xt ∉ ( LCL, UCL) | µ = µ0 )
β = P(rigettare H1 | µ ≠ µ0 ) = P( xt ∈ ( LCL, UCL) | µ ≠ µ0 )
FALSO ALLARME
MANCATO ALLARME
46

23
 24/01/2013

Non avendo ipotesi alternative certe, immaginiamo che l’ipotesi alterna-

tiva possa essere strutturata come segue: µ = µ1 = µ0 + kσ
Se la popolazione è gaussiana, allora
β = P ( xt ∈ ( LCL, UCL) | µ = µ0 + kσ )
 UCL − ( µ0 + kσ )   LCL − ( µ0 + kσ ) 
= Φ −Φ 
 σ/ n   σ/ n 
Il plot dei valori assunti da questo parametro per un opportuno valore
di k, si chiama curva caratteristica operativa.
σ σ
Se UCL = µ0 + L e LCL = µ0 − L , allora
n n
(
β = Φ L − k n − Φ −L − k n ) ( )
e quindi perdiamo la dipendenza sia dalla deviazione standard che dal-
la media (che magari sono incognite!).
NB: Per usare le curve operative è necessario avere qualche informazio-
ne in più sulla natura del processo (ad esempio che la popolazione è
gaussiana). 47

Torniamo al nostro esempio dei flaconi. Siccome i limiti che abbiamo u-

sato sono di tipo
σ dove L = 3, n = 10 e σ ≈ R / d 2 allora si ha
µ0 ± L
n
( ) (
β = Φ 3 − k 10 − Φ −3 − k 10 )
Curva operativa
1 >> k=[0.1:0.2:3];
0.9 >> z=normcdf(3-k.*sqrt(10))-
0.8 normcdf(-3-k.*sqrt(10));
0.7
>> plot(k,z)
0.6

0.5
Per k=1, vale circa 0.3 la proba-
bilità di un mancato allarme.
0.4

0.3

0.2 Per valori di k inferiori, aumenta

0.1
la probabilità di un mancato
allarme.
0
0 0.5 1 1.5 2 2.5 3

48

24
 24/01/2013

Spesso sui testi si incontrano famiglie di curve operative. Questo

perché si cerca di capire al variare della taglia del sottogruppo come
varia la probabilità di un mancato allarme.

(
β = Φ 3 − k n − Φ −3 − k n ) ( )
Curve operative al variare di n
1
n=8
0.9 n=5 Ogni plot corrisponde
n=12
0.8
ad un valore di n.
0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0 0.5 1 1.5 2 2.5 3

49

Altro uso della curva operativa

Nella progettazione delle carte di controllo è necessario specificare sia la
dimensione del campione che la frequenza di campionamento.
• Più grande è il campione più è sensibile il rilevamento di una variazione
all’interno del processo.
• La pratica corrente tende a diminuire la dimensione del campione e ad
aumentare la frequenza di campionamento.

Si fissa β , e si cerca quel valore di z β tale che Φ ( zβ ) − Φ ( − zβ ) = β ossia,

ricordando le proprietà della gaussiana...
 β +1  ⇒ z = 3 − k n
2Φ ( z β ) − 1 = β ⇒ z β = Φ 
−1
 β
 2 
⇒ è possibile ricavare n

Per k=1 β = 0.3 >> ((3-norminv((0.3+1)/2,0,1)))^2 n=6

50

25
 24/01/2013

Strategia di scelta dei sottogruppi

…ma sono costosi!

La pratica industriale corrente preferisce la prima strategia – aumentan-

do la frequenza

51

Approcci per la costruzione dei sottogruppi

Quanti k?
Approccio SNAPSHOT Approccio RANDOM

52

26
 24/01/2013

ARL (average long run)

Sia T la variabile aleatoria che indica il numero di sottogruppi da
estrarre prima di avere un punto fuori i limiti della carta di controllo.
T ha legge...
...geometrica, P(T = k ) = p(1 − p)k −1 , k = 1, 2,...
1
E [T ] = ARL, tempo medio per avere un fuori controllo
p
Quanto vale p? Nella carta 3-sigma, la probabilità che il processo sia in
controllo statistico è data dalla legge dei 3-sigma, ossia
>> normcdf(3,0,1)-normcdf(-3,0,1) Quindi la probabilità che il processo
ans = vada fuori controllo è
0.9973 >> 1-0.9973

ans =
E [T ] = 370 0.0027 53

Strategia six-sigma
La carta di controllo può essere utilizzata per descrivere la capacità del
processo di produrre all’interno dei valori di specifica.
Nell’esempio dei flaconi prodotti per l’ospedale, i limiti di specifica
stabiliti in fase di progettazione erano 82 ml e 118 ml.

>>h= (max(mean(x))-min(mean(x)))/4;
>> c(1)=min(mean(x));
>> for i=2:5 c(i)=c(i-1)+h; end
>>n=histc(mean(x),c);
>>centri(1)=(c(1)+c(2))/2;
>> for i=2:4 centri(i)=(c(i)+c(i-1))/2; end
>>bar(centri,n(1:4))

54

27
 24/01/2013

In che modo?
Basta calcolare P ( X < 82) + P( X > 118) ipotizzando che...
X ≈ N (98.6, 7.51) che sono le stime trovate con la carta di controllo per
µ e σ.
>> inf=(82-98.6)/7.51;
>> sup=(118-98.6)/7.51;
>> 1-(normcdf(sup)-normcdf(inf))
p=1-diff(normcdf(spec,mean(mean(x)),7.51))
ans =

0.0184

Ossia circa lo 0.0184 per cento (184 parti su 10.000) di flaconi prodotti
cadranno al di fuori delle specifiche, stante la produzione osservata e
monitorata dalla carta di controllo.
Più in generale indichiamo con
T − x   TU − x 
pe = P( X < TL ) + P ( X > TU ) = Φ  L  + 1 − Φ  σˆ 
 σˆ    55

Il valore minimo pe lo si ha quando la media coincide con il centro dell'intervallo di

TU + TL
tolleranza me = .
2
>> x=[90:0.1:110];
>> y=normcdf(88,x,7.51)+
(1-normcdf(112,x,7.51));
>> plot(x,y)

Il valore effettivo di non

conformi deve essere tale
che pe < pT dove pT è il
livello di difettosità
tollerabile

 TL − TU 
e questo valore minimo vale pmin = 2Φ  
 2σˆ  56

28
 24/01/2013

INDICE DI CAPACITA’ DEL PROCESSO

Altro modo per misurare l’indice di capacità del processo è il cosidetto

PCR (process capability ratio) :
TU − TL
Cp =
6σ
Si noti che 6σ è la definizione di base della capacità del processo.
In genere la deviazione standard non si conosce e quindi va stimata
dai dati
R
(carta dell'escursione)
d2
S
(S-chart)
c4
57

Andamento indice PCR

Se il processo non è centrato, avere PCR>1 non

garantisce che il processo produca la quasi tota-
lità dei prodotti entro i limiti di specifica (è capa-
ce di farlo, ma non è detto che lo faccia)

Ci vuole un indice che tenga conto della centratura.

 T − µ µ − TL 
C pk = min  U , 
 3σ 3σ 

Da solo, non basta!

58

29
 24/01/2013

Relazioni tra i due indici

59

Un impiegato esce di casa tutti i giorni alle 8.00 e deve entrare al lavoro alle 8.30. Per
raggiungere l’ufficio in auto ha due possibilità: attraversare la città, o seguire un percorso
di campagna, più lungo ma meno trafficato. Per decidere quale sia il percorso più con-
veniente, misura il tempo di percorrenza più volte su entrambi i percorsi e trova che
attraversando la città impiega mediamente 25 minuti, mentre per il percorso in cam-
pagna occorrono in media 28 minuti. Quale percorso gli conviene seguire?
Vecchia risposta: l’uomo dovrebbe scegliere il percorso cittadino, che in media è più veloce

Risposta Sei Sigma: la media non è un

indicatore significativo per questo studio.
Infatti l’impiegato è penalizzato quando
arriva in ritardo, ma non ha alcun benefi-
cio quando arriva in anticipo. L’uomo de-
finirebbe come difettosi i percorsi che
richiedono più di 30 minuti di viaggio.
Quindi si deve analizzare l’intera distri-
buzione dei dati nei due casi, riportata
in figura. Come si vede, il percorso cittadino presenta una forte variabilità dei dati, perché
è molto influenzato (oltre che poco prevedibilmente) dal traffico; il percorso di campagna
invece richiede un tempo praticamente costante. Visto l’alto numero di difetti nel caso
del percorso cittadino, è evidente che quello di campagna è preferibile
dal punto di vista dell’impiegato.
60

30
 24/01/2013

Il six-sigma program della Motorola – anni ‘80

Cp > 2
Obbiettivi: USL − LSL > 12σ
e
min {USL − µ , µ − LSL} > 4.5σ C pk > 1.5

In Matlab

>> spec=[82 118]; p = 0.0351

>> [p,Cp,Cpk]=capable(vec,spec) cp = 0.7119
cpk = 0.6565

Cp < 1, quindi il processo non è capace (ossia rientra nei limiti specificati)
Cpk< 1, il processo non è centrato rispetto alla media

Cosa descrive p?

La capacità che il processo produca entro i limiti specificati

61

Carta p
• Si basa sulla percentuale di pezzi non conformi
nel sottogruppo monitorato.
• La numerosità campionaria dei sottogruppi
può essere non costante.
• La numerosità campionaria deve essere
elevata. Perché?
• La v.a. binomiale (e di Bernoulli) gioca un
ruolo fondamentale.

62

31
 24/01/2013

D
La percentuale di pezzi non conformi è data da pˆ = , dove D ha legge...
n
...binomiale di parametri n e p.
I limiti di controllo sono:

p(1 − p)
p±3 (se np > 5,n(1- p) > 5 D è approx. gaussiana)
n
Se p non è nota, si può sostituire con una stima p
1 k D num.pezzi non conformi
p = ∑ pi dove pi = i =
k i =1 n n

Il MATLAB non ha una procedura per la costruzione della carta p

63

Esempio: Un concentrato di succo d'arancia è congelato e imballato in lattine di car-

tone da 180ml. Queste lattine sono costruite usando una macchina che avvolge il
cartone e poi lo appoggia su un pannello inferiore in metallo. Ispezionando una lat-
tina, possiamo stabilire se, quando è piena, si può avere una perdita del succo dalla
cucitura laterale o dal pannello inferiore. Tale non conformità può comportare un
sigillo improprio sulla guarnizione laterale oppure sul pannello inferiore.
Vogliamo costruire una carta di controllo per migliorare la percentuale di lattine non
conformi prodotte dalla macchina.
A questo scopo vengono selezionati 30 campioni di n = 50 lattine ciascuno, ogni
mezz’ora su 3 periodi della giornata in cui la macchina è sempre in funzione.

>> d

d=

Columns 1 through 17

12 15 8 10 4 7 16 9 14 10 5 6 17 12 22 8 10

Columns 18 through 30

5 13 11 20 18 24 15 9 12 7 13 9 6
64

32
 24/01/2013

I valori da plottare sulla carta sono le percentuali di non conformità

>> p=d/50

p=

Columns 1 through 10

0.2400 0.3000 0.1600 0.2000 0.0800 0.1400 0.3200 0.1800 0.2800 0.2000

Columns 11 through 20

0.1000 0.1200 0.3400 0.2400 0.4400 0.1600 0.2000 0.1000 0.2600 0.2200

Columns 21 through 30

0.4000 0.3600 0.4800 0.3000 0.1800 0.2400 0.1400 0.2600 0.1800 0.1200

I limiti sono
>> mean(p)-3*sqrt(mean(p)*(1-mean(p))/50)
>> mean(p)+3*sqrt(mean(p)*(1-mean(p))/50)
ans = 0.0524
ans = 0.4102
65

>> cent=mean(p)*ones(1,30);
>> upp=(mean(p)+3*sqrt(mean(p)*(1-mean(p))/50))*ones(1,30);
>> low=(mean(p)-3*sqrt(mean(p)*(1-mean(p))/50))*ones(1,30);
>> plot(k,p,'b*-',k,low,'r-',k,upp,'r-',k,cent,'g-')
>> title(‘P-chart’)
P chart
0.5 Nuovo
0.45
operatore

0.4

0.35
Nuova
partita di
0.3
cartone
0.25

0.2

0.15

0.1

0.05
0 5 10 15 20 25 30

Il campione 15 e 23 sono fuori controllo statistico: questi vanno monitorati.

Rieffettuiamo il grafico della carta eliminando questi campioni. 66

33
 24/01/2013

Costruiamo un nuovo vettore d1, che contiene la difettosità registrata, eliminando i due valori
critici .

>> d1(1:14)=d(1:14)
E ripetiamo tutta la procedura
>> d1(15:21)=d(16:22)
>> d1(22:28)=d(24:30)

0.4
P chart Sottogruppo 20
(no. 21 nel vecchio
0.35 campione)
0.3

0.25

0.2

0.15

0.1

0.05

0
0 5 10 15 20 25 30

67

Questa è la carta senza aver eliminato i sottogruppi 15 e 23 ma con i limiti upper and lower
calcolati al secondo giro:

P chart
0.5

0.45

0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
0 5 10 15 20 25 30

Se non si ritiene significativa la causa che ha portato al fuori controllo statistico nel
sottogruppo 21, allora per future ispezioni si mantengono questi come limiti della
carta di controllo. 68

34
 24/01/2013

Supponiamo che siano stati campionati altri 24 sottogruppi: per monitorare il processo usiamo
i limiti di controllo che sono stati calcolati prima.

d2=[9,6,12,5,6,4,6,3,7,6,2,4,3,6,5,4,8,5,6,7,5,6,3,5]; >> cent2=

mean(p1)*ones(1,24);
>> low2=
P chart low1(1)*ones(1,24);
0.4
>> upp2=
0.35 upp1(1)*ones(1,24);
0.3
>> plot(k2,p2,'b*-',
k2,low2,'r-',k2,upp2,'r-',
0.25 k2,cent2,'g-')
0.2

0.15 Il processo è in controllo

statistico.
0.1

0.05
Ma…
0
30 35 40 45 50 55

69

…se mettiamo tutti i dati assieme…

P chart
0.5

0.45

0.4

0.35

0.3
Cambiamento
della macchina
0.25
per imballaggio?
0.2

0.15

0.1

0.05

0
0 10 20 30 40 50 60

Possiamo dire con maggiore precisione se le percentuali di non conformità sono effetti-
vamente diverse?

70

35
 24/01/2013

H 0 : p1 = p2 La regione critica risulta:

H1 : p1 > p2 1 1 n p +n p
Z > z0.05 p (1 − p )  +  dove p = 1 1 2 2
 n1 n2  n1 + n2

1.645

p1 ← 0.2150 (senza sottogruppi 15 e 23)

n1 = ?, n2 = ?
p2 ← 0.1108

1 28 1 28 D 301
p1 = ∑
28 i =1
pi = ∑ i =
28 i =1 50 1400
54
1 1 54 Di 133
p2 = ∑ i 24 i∑
24 i =31
p =
=31 50
=
1200
...e facendo i conti si ha p = 0.1669 e
la regione critica (0.0241,∞)

Pertanto si rigetta l'ipotesi nulla...

71

Visto che c’è stato un miglioramento nella produzione, si ricalcolano anche i limiti di controllo
>> hold on
>> lcent1=ones(24,1)*mean(d2/50);
>> lup1=ones(24,1)*(mean(d2/50)+3*sqrt(mean(d2/50)*(1-mean(d2/50))/24));
>> llow1=ones(24,1)*(mean(d2/50)-3*sqrt(mean(d2/50)*(1-mean(d2/50))/24));
>> plot([31:1:54],d2/50,'-b*',[31:1:54],lcent1,'-g',[31:1:54],lup1,'-r‘, [31:1:54],llow1,'-g')

New P-chart
0.6

0.5

0.4

0.3

0.2

0.1

-0.1
0 10 20 30 40 50 60
72

36
 24/01/2013

Il limite inferiore è negativo!! Quindi bisogna prendere il limite inferiore pari a 0.

New P-chart
* Se p è piccolo, n va scelto
grande!! Ad esempio per
p=0.01, abbiamo n=500 (media 0.5

almeno 5)!!
0.4
* Siccome lo shift da p

vale δ =3
(1 − p ) p ⇒ 0.3

n 0.2

2
3
n =   (1 − p ) p 0.1

δ 
δ = 0.04, p = 0.01 ⇒ n = 56 0
5 10 15 20 25 30 35 40 45 50

* p −3
(1 − p ) p >0⇒n>
9(1 − p ) p = 0.05 ⇒ n = 171
n p

73

Carta np
Si lavora non con la percentuale dei pezzi non conformi, ma con il numero di pezzi non
conformi.
D
La percentuale di pezzi non conformi è data da pˆ = , dove D ha legge...
n
...binomiale di parametri n e p.

Si lavora con D ≈ N (np, np (1- p ))

I limiti della carta di controllo sono dunque: np ± 3 np (1 − p)
p viene sostituito con p
Tornando all’esempio di prima…

74

37
 24/01/2013

Np chart
25

20

15

10

0
0 5 10 15 20 25 30

⊗ Se le taglie dei sottogruppi sono diverse, una tecnica molto diffusa consiste nel
1 k
sostituire a n la media campionaria delle taglie n = ∑ ni
k i =1

75

Effettuare un grafico della curva caratteristica operativa

β = P( pi ∈ ( LCL,UCL) | p = p1 ) Usando la cdf binomiale

= P( Di ∈ ( nLCL, nUCL) | p = p1 )

β = P( Di ∈ (2.62, 20.51) | p = p1 )
Curva caratteristica per P-chart
1

>> p=[0.01:0.02:1]; 0.9

>> app=binocdf(20.5120,50,p)- 0.8

binocdf(2.6214,50,p); 0.7
>> plot(p,app)
0.6

0.5
Con gli stessi ragionamenti 0.4
si possono calcolare gli
0.3
altri parametri che abbiamo
incontrato nelle precedenti 0.2

lezioni. 0.1

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
76

38
 24/01/2013

Carta c
• Misura il numero di difetti in un lotto
controllato.
• Il campionamento deve essere costante.
• E’ utile quando vi è da controllare un
materiale con un flusso di produzione
continuo (rullo di tessuto o un cavo elettrico).
• La non conformità è da esprimersi per unità
da definire (difetti al m^2, etc.)
• Il lotto è inscindibile.
77

La v.a. che conta il numero di difetti per unità di misura è ....

...una v.a. di Poisson
I limiti della carta di controllo sono c ± 3 c dove c è la costante di Poisson.
In mancanza di un valore teorico per c si utilizza la media campionaria.

Esercizio: Si riporta il numero di non-conformità osservato in 26 campioni prodotti in

una successione di 100 circuiti stampati (100 circuiti stampati = 1 lotto).
C chart
40
>> c=[21,24,16,12,15,5,28,20,31,
25,20,24,16, 19,10,17,13,22,18, 35

39,30,24,16,19,17,15];
30
>> central=mean(c) = 19.67;
>> upp=central+3*sqrt(central)=32.97; 25

>> low=central-3*sqrt(central)=6.36;
20

Esercizio: eliminare il campione 20 e 15

6 e rifare la carta di controllo. 10

5
0 5 10 15 20 25 30
78

39
 24/01/2013

Nell’esempio precedente, è stato preso in considerazione un solo lotto. Tuttavia questo

tipo di scelta non è statisticamente significativa. Sarebbe meglio ispezionare più lotti,
perché c’è maggiore possibilità di incontrare non conformità.

Ad esempio potremmo essere interessati ad ispezionare 2 lotti e mezzo, ossia 250 cir-
cuiti.

Carta U
Si calcola il numero di non conformità totale e lo si rapporta al numero di lotti esaminati.

Siccome x rappresenta il num. x

u=
di pezzi non conformi totali, n
è una v.a. di Poisson, di cui x / n u
u =u ∓3
rappresenta la media cam- n
pionaria.

79

1 rotolo=50 m^2 di tessuto – La tabella riporta il num di difetti.

Num. Num. m^2 Num.dif. Num. Di 153

rotoli ispez. u=
107.5
1 500 14 10.0=500/50
2 400 12 8.0=400/50
u
3 650 20 13.0 u ±3
m
4 500 11 10.0
1 k
5 475 7 9.5 con m = ∑ ni
k i =1
6 500 10 10.0
7 600 21 12.0
8 525 16 10.5
9 600 19 12.0
10 625 23 12.5
Totale 153 107.50

80

40
 24/01/2013

I valori della linea blu sono il numero di difetti diviso il numero di lotti esaminati (ultima
colonna).

>> punt=[14/10,12/8,20/13,11/10,7/9.5,1,21/12,16/10.5,19/12,23/12.5];
>> taglie=[10,8,13,10,9.5,10,12,10.5,12,12.5];
>> cent=ones(10,1)*153/107.5;
>> lineup= ones(10,1)*(153/107.5+3*sqrt(153/(107.5*mean(taglie))));
>> linedown= ones(10,1)*(153/107.5-3*sqrt(153/(107.5*mean(taglie))));
>>plot([1:10],punt,’b-*’,[1:10],cent,’g-’,[1:10],lineup,’r-’,[1:10],linedown,’r-’)
81

Limiti carte Shewhart

Caratteristica principale delle carte di Shewhart è che nel
metodo di calcolo del valore della statistica da inserire nella
carta di controllo, esse fanno uso unicamente
dell’informazione sul processo contenute nel solo ultimo
istante di osservazione, ignorando tutti quelli precedenti.

Ciò rende la carta di Shewart relativamente insensibile alle

piccole variazioni del livello del processo (di ampiezza in
genere non superiore a 1.5 volte la deviazione standard)

Carte CUMSUM (cumulative sum) = somme cumulate

Carte EWMA (Exponential Weighted Moving Average) = medie mobili pesate espo-
nenzialmente.
82

41
 24/01/2013

Queste due carte funzionano bene nei confronti di piccoli salti di livello mentre non rea-
giscono così velocemente come la carta di Shewarth per salti di livello elevato. Può quindi
risultare utile combinare l’uso della carta di Shewart con questi due tipi di carta.

Shewart chart
Esempio: i dati che andiamo ad 14

esaminare sono stati costruiti al

13
seguente modo. I primi 20 sono
stati selezionati da una popola- 12

zione gaussiana di media 10 e 11

deviazione standard 1. I rimanenti
10 sono stati selezionati da una 10

popolazione gaussiana di media 9

11 e di deviazione standard 1.
Questi ultimi si possono 8

pensare come selezionati da un 7

processo che è andato fuori
controllo statistico. 6
5 10 15 20 25 30

La carta della media non segnala subito la variazione! 83

Nella carta CUMSUM si effettua il grafico di

i
Si = ∑ ( x j − µ0 ) = ( xi − µ0 ) + Si −1
j =1

carta cumsum
>> s(1)=x(1)-10; 10

>> for i=2:30

8
s(i)=s(i-1)+(x(i)-10)
end 6

4
Quali sono i limiti
di controllo? 2

-2

-4
0 5 10 15 20 25 30

Utile per misurazioni uniche. Altrimenti si usa

la media campionaria dei sottogruppi. 84

42
 24/01/2013

Exponential chart
• Serve a monitorare un processo che media i
dati in modo che a questa media viene dato
sempre meno peso, mano mano che il tempo
passa
• Viene valutata su tutto il processo e non sui
sottogruppi razionali
• Più sensibile ai drift nel tempo
• Robusta nel caso non normale
85

>>ewmaplot(x’)

Exponentially Weighted Moving Average (EWMA) Chart

11.5

11

10.5
EWMA

CL

10

9.5

9
0 5 10 15 20 25 30
Sample Number

Attenzione: per vettori di misurazioni uniche, il vettore dei dati va passato sotto forma di
vettore colonna. 86

43
 24/01/2013

DIAGRAMMI DI CORRELAZIONE
Consideriamo 10 coppie di dati che mettono in relazione la percentuale di riuscita di un certo
esperimento in laboratorio con la temperatura alla quale l’esperimento è condotto.

>> x=[100, 110, 120, 130, 140, 150, 160, 170, 180, 190];
>> y=[45, 52, 54, 63, 62, 68, 75, 76, 92, 88];

Il coefficiente di correlazione di Pearson esprime il grado di relazione lineare esistente tra due
campioni casuali.
>> r=corrcoef(x,y)
• E’ un numero adimensionale.
i Assume valori tra -1 e 1. r=

Uno strumento grafico utile per visualizzare il grado di dipendenza 1.0000 0.9772
lineare esistente tra i due campioni, è lo scatter diagram (o dia- 0.9772 1.0000
gramma di dispersione) .

>>polytool(x,y)

E’ una function del MATLAB che consente di approssimare i punti dello scatter-diagram con
un polinomio.
87

I punti sul grafico si riferiscono

alle coppie ( xi , yi )

La retta in verde è la retta di

regressione lineare.

I coefficienti della retta sono

determinati con il metodo dei
mnimi quadrati.

Le rette rosse sono i limiti dell’

intervallo di confidenza .

88

44
 24/01/2013

Per conoscere i coefficienti della retta di regressione:

>> beta

beta =

0.4964 -4.4727

La retta di regressione è
y = 0.4964 x − 4.4727

89

>> residuals

residuals =

-0.1636
1.8727
-1.0909
2.9455
-3.0182
-1.9818
0.0545
-3.9091
7.1273
-1.8364

⌢
Se la retta di regressione lineare è y = α x + β e si indica con yi = α xi + β
l'ordinata sulla retta in corrispondenza del dato i − esimo, il residuo
⌢
i -esimo è ei = yi − yi . 90

45
 24/01/2013

Adeguatezza del modello: validazione

Riprendendo l’esperimento condotto in laboratorio, detta Y la v.a. che descrive la percentuale
di riuscita dell’esperimento e detta X la temperatura alla quale l’esperimento è condotto, si ha

Y =αX +β Per effetto degli errori di misurazione yi = α xi + β + ε i

ε i rappresenta lo scostamento del dato sperimentale dal valore
ottenuto usando il modello lineare ⇒ in assenza di bias il va-
lore ε i proviene da una gaussiana di media 0.

E’ necessario verificare che i residui provengano da una popolazione gaussiana:

a) Normplot
b) Test di Kolmogorov-Smirnov

91

Adeguatezza del Modello – ANALISI DEI RESIDUI

Normal Probability Plot

>> [H,P,KSSTAT,CV] =
KSTEST(residuals/standard)
0.95

0.90 H= 0

0.75

P= 0.8054
Probability

0.50

0.25 KSSTAT = 0.1933

0.10

0.05
CV = 0.4093
-4 -2 0 2 4 6
Data
>>

92

46
 24/01/2013

Il coefficiente di correlazione non è una misura generale della relazione

tra due variabili, ma esprime solo il grado di linearità della correlazione
in un grafico a dispersione.

C’è un solo caso in cui, quando il coefficiente di correlazione è nullo, allora le variabili aleatorie
sono addirittura indipendenti: quando X e Y sono congiuntamente gaussiane.

Gaussiana (congiunta) bidimensionale

Esempio : La funzione densità di probabilità di una normale bivariata è :

1  1  ( x − µ X )2 2 ρ ( x − µ X )( y − µ Y ) ( y − µ Y )2  
exp − 
 2(1 − ρ 2 )  σ X2
f XY ( x, y ) = − +
2πσ X σ Y 1 − ρ 2   σ Xσ Y σ Y2  
for ( x, y ) ∈ R 2 , ( µ X , µ Y ) ∈ R 2 , con parametri σ X > 0, σ Y > 0 e ρ ∈ (-1,1).

µ X = E[X ]
µY = E [Y ]
σ X2 = Var[ X ]
σ Y2 = Var[Y ]
ρ ∈ (−1,1)

94

47
 24/01/2013

Contour plots
σ X = 1, σ Y = 1, µ X = 0, µ Y = 0, ρ = 0

σ X = 1, σ Y = 1, µ X = 0, µ Y = 0, ρ = 0.9 σ X = 1, σ Y = 1, µ X = 0, µ Y = 0, ρ = 0

95

Gli outliers possono modificare significativamente il valore

del coefficiente di correlazione.

48
24/01/2013

49