Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
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
2
24/01/2013
25
20
15
10
0
80 85 90 95 100 105 110 115 120
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
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
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
I dati sono in numero 12*10: ci sono 12 gruppi (i giorni) e ogni gruppo ha numerosità
campionaria pari a 10. Quindi
24
12
24/01/2013
>> x
x=
>> xbarplot(x’,0.9973, spec,’range’)
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
27
>> xbarplot(x’,0.9973,spec,'variance’)')
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)
>> 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
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
>> 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.
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
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
>> 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
40
20
24/01/2013
41
42
21
24/01/2013
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
44
22
24/01/2013
45
23
24/01/2013
0.5
Per k=1, vale circa 0.3 la proba-
bilità di un mancato allarme.
0.4
0.3
48
24
24/01/2013
(
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
25
24/01/2013
51
Quanti k?
Approccio SNAPSHOT Approccio RANDOM
52
26
24/01/2013
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
TL − TU
e questo valore minimo vale pmin = 2Φ
2σˆ 56
28
24/01/2013
T − µ µ − TL
C pk = min U ,
3σ 3σ
58
29
24/01/2013
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
30
24/01/2013
Cp > 2
Obbiettivi: USL − LSL > 12σ
e
min {USL − µ , µ − LSL} > 4.5σ C pk > 1.5
In Matlab
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?
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
>> 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
>> 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
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.
0.05
Ma…
0
30 35 40 45 50 55
69
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
1.645
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,∞)
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
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.
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
β = P( Di ∈ (2.62, 20.51) | p = p1 )
Curva caratteristica per P-chart
1
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
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
5
0 5 10 15 20 25 30
78
39
24/01/2013
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.
79
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
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
carta cumsum
>> s(1)=x(1)-10; 10
4
Quali sono i limiti
di controllo? 2
-2
-4
0 5 10 15 20 25 30
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’)
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
88
44
24/01/2013
>> 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
91
0.90 H= 0
0.75
P= 0.8054
Probability
0.50
0.05
CV = 0.4093
-4 -2 0 2 4 6
Data
>>
92
46
24/01/2013
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.
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
48
24/01/2013
49