1. INTRODUZIONE......................................................................................................

2. CAPACITÀ, LIMITI NATURALI E LIMITI DI SPECIFICAZIONE ................ 3

3. L'INDICE C p ........................................................................................................... 6
3.1. STIMA DI C p ......................................................................................................... 9
Michele Scagliarini 3.2. INTERVALLI DI CONFIDENZA. ............................................................................... 14
3.3. VERIFICA DI IPOTESI SU Cp ................................................................................. 15

4. L’INDICE C pk ........................................................................................................ 18
INDICI DI CAPACITA'
4.1. STIMA DI C pk ..................................................................................................... 22
4.2. INTERVALLI DI CONFIDENZA PER C pk ................................................................. 24
5. L’INDICE C pm ........................................................................................................ 26

6. RELAZIONI TRA C p , C pm , C pk ........................................................................ 30

7. INDICI DI CAPACITÀ E NON-NORMALITÀ................................................... 32

Serie Strumenti per la Didattica 1998, n.3 7.1 EFFETTI DELLA NON NORMALITÀ .......................................................................... 32
7.2 IL METODO DI CLEMENTS...................................................................................... 34
RIFERIMENTI BIBLIOGRAFICI............................................................................ 40

Dipartimento di Scienze Statistiche “Paolo Fortunati”

Università degli Studi di Bologna

2
1. Introduzione
La norma UNI EN ISO 8402 definisce un processo come “un insieme
di risorse e di attività tra loro interconnesse che trasformano degli
elementi in ingresso in elementi in uscita”. La norma chiarisce inoltre
che le “risorse” possono comprendere personale, disponibilità finanziaria,
mezzi, apparecchiature, tecnologie e metodologie. In generale, qualsiasi
tipologia di processo si consideri, l’obiettivo è realizzare elementi in
uscita (d’ora in poi per comodità li chiameremo prodotti o elementi) che
siano il più possibile conformi a delle specifiche definite in fase di
progetto. Il termine capacità di un processo indica l’abilità dello stesso a
produrre elementi conformi alle specifiche. L’analisi della capacità dei
processi (Process Capability Analysis) è un insieme di attività che,
utilizzando tecniche statistiche, consente di quantificare la capacità e
fornisce indicazioni per eventuali interventi migliorativi sul processo.
L’importanza dell’analisi della capacità dei processi è sottolineata anche
nella norma UNI EN ISO 9004-4 che al punto 10.2 afferma quanto segue
“Si dovrebbe verificare che i processi siano in grado di realizzare
prodotti conformi alle specifiche. Dovrebbero essere identificate le
operazioni associate con le caratteristiche del prodotto o del processo
che possono avere un effetto significativo sulla qualità del prodotto.
Dovrebbe essere stabilito un controllo appropriato per assicurare che
queste caratteristiche rimangano nei limiti di specifica o che siano
seguite modifiche o cambiamenti appropriati. La verifica dei processi
dovrebbe comprendere materiali, attrezzature, sistemi di elaborazione
dati e software, procedure e personale.”.
2. Capacità, limiti naturali e limiti di specificazione
In un processo solitamente è ben individuabile una grandezza
misurabile, detta caratteristica di qualità, strettamente legata con il
prodotto finale. Di tale caratteristica sono di norma noti il valore
obiettivo (detto anche valore target) ed i limiti di specificazione. In linea
generale una caratteristica di qualità è caratterizzata da una variabilità
intrinseca al processo produttivo, che si manifesta in oscillazioni rispetto
al valore target. Quando il processo si trova in uno stato di controllo
3 4
statistico questa “variabilità naturale” può spesso essere descritta, almeno
in modo approssimativo, dalla distribuzione normale. Indicando con
X∼ N (µ , σ ) la caratteristica di qualità si possono definire i limiti
naturali di tolleranza del processo UNTL e LNTL1 (figura 2.1):
UNTL = µ + 3σ LNTL = µ − 3σ
Figura 2.1. Limiti naturali di tolleranza nella distribuzione normale
Nel caso di distribuzione normale i limiti naturali di tolleranza includono
il 99.73% dei valori della variabile, o in altre parole, solo lo 0.27%
dell’output del processo cade esternamente all’intervallo naturale di
tolleranza: UNTL-LNTL. A differenza dei limiti di tolleranza, che
dipendono esclusivamente dalle caratteristiche intrinseche del processo, i
limiti di specificazione sono fissati generalmente su indicazioni derivanti
dal progetto (in alcuni casi dall’esperienza o da studi empirici). Tali limiti
vengono indicati con LSL e USL, limite di specificazione inferiore e
superiore. Un elemento è definito non conforme (NC) se la misura
riferita alla caratteristica di qualità non rientra nell’intervallo di
specificazione: USL-LSL. Definiti i limiti naturali e di specificazione,
per impostare l’analisi della capacità dei processi è opportuno ricordare
che una scarsa capacità di un processo è sempre dovuta ad almeno una
delle due cause seguenti (Montgomery, 1997): a) la variabilità del
processo ( σ ) è troppo grande relativamente alla lunghezza dell’intervallo
di specificazione (figura 2.2); b) il livello del processo è troppo lontano
1
UNTL (Upper Natural Tolerance Limit) LNTL (Lower Natural Tolerance Limit)
 USL + LSL
dal punto centrale dell’intervallo di specificazione M =
2 3. L'indice C p
(figura 2.3).
Una semplice misura dell’abilità del processo a produrre elementi
all’interno dei limiti di specificazione è l’indice di capacità C p , detto
anche indice di capacità potenziale:

USL − LSL
Cp = (3.1)
6σ
Figura 2.2. Processo centrato con elevata variabilità
dove σ denota la deviazione standard di X. L’indice è dato dal rapporto
tra l’intervallo di specificazione e l’intervallo naturale di tolleranza della
caratteristica di qualità X. Sono desiderabili valori elevati dell’indice
(almeno maggiori di 1) che indicano che il processo, se centrato, produce
un’elevata frazione di elementi con misure comprese nell’intervallo di
æ 1ö
Figura 2.3. Processo non centrato specificazione. Interessante è anche l’interpretazione di P = çç ÷÷ 100
è Cp ø
Gli studi sulla capacità dei processi possono essere condotti seguendo che rappresenta la percentuale dell’intervallo di specificazione utilizzato
linee diverse. Per esempio, si può verificare se la caratteristica di qualità USL + LSL
segue una distribuzione di probabilità con prefissate media e deviazione dal processo. Se X∼ N (µ , σ ) e µ = -il punto centrale
2
standard. Alternativamente, la capacità può essere misurata in termini di dell’intervallo di specificazione- allora la proporzione attesa, p, di
frazione di elementi non conformi, cioè la frazione di elementi in uscita elementi non conformi (NC) è data da
che non rispetta le specifiche, oppure si può ricorrere a delle semplici
misure quantitative dette indici di capacità. æ dö
p = 2Φ ç − ÷ (3.2)
è σø
USL − LSL
dove d = e Φ indica la funzione di ripartizione della
2
normale standard. Segue dalla (3.1) che

d
Cp = (3.3)
3σ

USL + LSL
e se µ = allora
2
p = 2Φ(−3C p ) (3.4)

5 6
 In questa situazione le frazioni attese pu e pl di elementi NC sono
Quindi se C p = 1 la proporzione attesa di NC è pari a 0.27%, tale valore rispettivamente
è talvolta indicato come il valore minimo accettabile. Spesso nella pratica
sono richiesti valori dell’indice pari a 1, 1.33, o 1.5, corrispondenti æ USL − µ ö
pu = 1 − Φ ç ÷ = Φ (−3C pu ) (3.7)
rispettivamente a USL-LSL=6σ, 8σ o 9σ. è σ ø
E’ importante notare che C p = 1 non garantisce che la proporzione di pl = Φ( −3C pl ) (3.8)
NC sia effettivamente pari a 0.27%. Infatti quello che è garantito è che
con l’assunzione X∼ N (µ , σ ) , la proporzione di NC non è inferiore a si noti che quando C pu = 1 si ha pu = 0.135% e USL-µ=3σ.
USL + LSL Nella tabella 3.2 sono riportati alcuni valori “guida” (Montgomery,
0.27%. Solo nel caso in cui µ = il valore della proporzione
2 1997) degli indici di capacità con riferimento alla tipologia del processo
attesa è del 0.27%. Di conseguenza, si nota che generalmente elevati al quale sono collegati.
valori di C p , in assenza di informazioni sulla media, non garantiscono
un’elevata capacità del processo. Tipo di processo Cp C pu ( C pl )
L’andamento, sotto l’ipotesi di normalità, della proporzione minima
possibile ( 2Φ( −3C p ) ) di elementi NC al variare dei valori di C p è Processo esistente 1.33 1.25
illustrato nella tabella. 3.1. Nuovo processo 1.50 1.45
Caratteristiche di qualità
critiche o legate a parametri 1.50 1.45
Cp 2.00 12/3 11/3 1.00 2/3 1/3 di sicurezza per un
processo esistente
2Φ( −3C p ) 0.062% 0.0457% 0.0063% 0.27% 4.55% 31.73% Caratteristiche di qualità
0.002 0.57 63 2700 45500 317300 critiche o legate a parametri 1.67 1.60
ppm ppm ppm ppm ppm ppm di sicurezza per un
Tabella 3.1. Proporzioni attese “minime” di elementi NC (ppm parti per processo nuovo
milione). Fonte Kotz-Johnson (1993) Tabella 3.2. Valori raccomandati di degli indici di capacità.

Quando viene fornito un solo limite di specificazione si usano gli indici Esempio 3.1
unilaterali Si consideri un processo che produce pistoni per automobili. La
caratteristica di qualità è il diametro del pistone. Il valore target T è
USL − µ 74 mm, la variabilità del processo è supposta nota σ = 0.01 ed i
C pu = (3.5)
3σ limiti di specificazione sono: USL=74.05 e LSL=73.95. L’indice di
capacità potenziale del processo vale:
µ − LSL
C pl = (3.6) USL − LSL 74.05 − 73.95
3σ Cp = = = 1.667
6σ 6(0.01)

7 8
Una misura di utilità pratica che si può ricavare è la percentuale 3s s −1 1
C p−1 = = Cp ∼ χ n −1C p−1 (3.12)
dell’intervallo di specificazione occupato dal processo: d σ n −1
æ 1ö
P = çç ÷÷ 100
è Cp ø dove χ n−1 = ( χ 2n −1 ) 1/ 2 , segue che la distribuzione di C p è data da
Nel nostro caso
1 n −1
P= 100 =59.98 C p ∼ C p (3.13)
1.667 χ n −1
il processo occupa circa il 60% dell’intervallo di specificazione.•
Dalla (3.13) risulta che la forma della densità di C p è influenzata da varie
3.1. Stima di C p componenti: n, ampiezza del campione; d-semiampiezza dell’intervallo
di specificazione; σ- variabilità del processo; C p - valore vero dell’indice
Quando la variabilità del processo non è nota è necessario ricorrere ad di capacità. La figura 3.4 illustra il grafico di tale distribuzione per alcuni
una stima basandosi su dati campionari. Tipicamente si utilizza come d
valori di n e = 3C p .
stimatore di σ la deviazione standard campionaria: σ

1/ 2
é 1 n ù
s=ê
n − 1
å=1 ( X j − X )2 ú (3.9)
ë j û

1 n
dove X = åXj.
n j =1
Uno stimatore per C p è quindi

USL − LSL d σ
C p = = = Cp (3.10)
6s 3s s

Al fine di ricavare la distribuzione di C p è utile ricordare che se X è

distribuita normalmente con varianza σ 2 , allora

1 Figura 3.4. Densità di probabilità di C p per diversi valori dell’ampiezza

s2 ∼ σ 2 χ 2n−1 (3.11)
n −1 campionaria e di d / σ . Fonte: Kotz-Johnson, 1993

e ricordando che

9 10
 Per ricavare i momenti di C p è sufficiente ricordare che dalla (3.13) si 1 æfö
Γç ÷
ha æ 2ö2 è 2ø
bf = ç ÷ (3.19)
èfø æ f − 1ö
Γç ÷
f è 2 ø
C p ∼ C p (3.14)
χf
Da quando esposto segue che lo stimatore
dove f=n-1. L’espressione del momento r-esimo risulta quindi
1 C p = b f C p (3.20)
r
E (C pr ) = f C pr E ( χ −f r ) =
2
è stimatore corretto per C p , la cui varianza vale
r
é ù −
r
= f C pr E ê( χ 2f ) ú
2 2
(3.15)
ë û é fb 2f ù
Var ( 1 C p ) = ê − 1úC p2 (3.21)
é1 ù êë f − 2 úû
r Γ ( f − r )ú
æ f ö 2 r êë 2 û
= ç ÷ Cp A scopo illustrativo, nella tabella 3.3 sono riportati alcuni valori del
è 2ø æfö
Γç ÷ fattore di correzione b f al variare di f=n-1. Quando f > 14 una semplice
è 2ø
In particolare la media, la media quadratica e la varianza, risultano formula approssimata per b f è
rispettivamente 3 −1
bf ≅ 1− f (3.22)
1 Γ
æ f − 1ö 4
ç ÷
 æ f ö2 è 2 ø 1
E (C p ) = ç ÷ Cp = Cp (3.16) f 4 9 14 19 24 29
è 2ø æfö bf
Γç ÷ bf 0.798 0.914 0.945 0.960 0.968 0.974
è 2ø f 34 39 44 49 54 59
bf 0.978 0.981 0.983 0.985 0.986 0.987
f Tabella 3.3. Valori del fattore di correzione b f (Kotz e Johnson, 1993)
E (C p2 ) = C p2 (3.17)
f −2
Si nota che al crescere della numerosità campionaria il fattore di
æ f ö correzione si avvicina all’unità.
Var (C p ) = ç − b f−2 ÷ C p2 (3.18) Utilizzando l’approssimazione (3.22) è possibile riscrivere le varianze
è f −2 ø
(3.18) e (3.21) utilizzando espressioni più semplici:
dove il termine b f , detto fattore di correzione, è pari
f (8 f + 9)
Var (C p ) ≅ C p2 (3.23a)
( f − 2)(4 f − 3) 2

11 12
 Var ( 1 C p ) ≅
(8 f + 9)
C p2 (3.23b) Se n è piccolo, per esempio n = 5 e C p = 1.33, D.S.( C p ) = 0.87: si noti
16 f ( f − 2) che questa deviazione standard rappresenta più della metà del valore di
C p . Da quanto esposto si può concludere che la stima di C p per n
Al fine di esaminare alcuni importanti aspetti riguardo alle prestazioni
piccolo non è molto precisa, mentre si può affermare che stime accurate
degli stimatori di C p , nella tabella 3.4 sono riportati i valori attesi e le
dell’indice si possono ottenere quando n>50.
relative deviazioni standard (D.S.) dello stimatore C p per diversi valori
di f e d / σ = 3C p . Si noti che dal momento che E (C p ) C p e
Var (C p ) C p2 non dipendono da C p , tutti i valori della tabella 3.4 si 3.2. Intervalli di confidenza.
possono dedurre da quelli relativi alla combinazione C p =1 (d / σ = 3) .
In alcuni casi è importante ricavare un intervallo di confidenza per
Si può osservare che quando f = 24 (n = 25) si ha che D.S. ( C ) è circa il p C p . Riprendendo la (3.10) e la (3.11) si può scrivere
14-15% di E( C p ). Questo rappresenta ancora una dispersione rilevante,
quindi si otterrebbe una stima poco precisa. Se invece C p = 1.33 (d/σ = é C p ù
Pr ê > cú = Pr[ χ 2n −1 < (n − 1)c −2 ] (3.24)
4), corrispondente al valore raccomandato dell’indice per un processo C
êë p ûú
esistente (Tab. 3.2), e f = 19 si ha E( C p ) = 1.389 con D.S.( C p ) = 0.240.
Questo significa che è elevato il rischio di sovrastimare C p , infatti dalla Poiché Pr[ χ 2n −1 ≤ χ 2n −1,ε ] = ε , si può scrivere
é C p ù é σ2 2 σ2 2 ù
(3.10) e (3.11) si ha Pr ê > cú = Pr[ χ 2f < fc −2 ] e con c = 1 Pr ê χ n −1,α / 2 ≤ s 2 ≤ χ n −1,1−α / 2 ú =
C
êë p úû ë n − 1 n − 1 û
l’espressione precedente diventa: Pr[C p > 133
. ] = Pr[ χ 19 2
< 19] =53.3%. éUSL − LSL χ n −1,α / 2 USL − LSL USL − LSL χ n −1,1−α / 2 ù
Pr ê ≤ ≤ ú=
ë 6s n −1 6σ 6s n −1 û
d/σ (3Cp) 2 3 4 5 6
é χ χ ù
4
f=n-1 E
0.836
D.S
0.437
E
1.253
D.S
0.655
E
1.671
D.S.
0.874
E
2.089
D.S.
1.092
E
2.507
D.S.
1.310
Pr êC p n −1,α / 2 ≤ C p ≤ C p n −1,1−α / 2 ú = 1 − α
9 0.729 0.198 1.094 0.297 1.459 0.396 1.824 0.496 2.189 0.594 ë n − 1 n − 1 û
14 0.705 0.145 1.058 0.218 1.410 0.291 1.763 0.364 2.116 0.436
19 0.694 0.120 1.042 0.180 1.389 0.240 1.736 0.300 2.083 0.360
24 0.688 0.104 1.033 0.156 1.377 0.209 1.721 0.261 2.065 0.313 quindi
29 0.685 0.094 1.027 0.140 1.369 0.187 1.711 0.234 2.054 0.281
34 0.682 0.086 1.023 0.128 1.364 0.171 1.705 0.214 2.046 0.257
39 0.680 0.079 1.020 0.119 1.360 0.159 1.700 0.198 2.039 0.238 æ ö
44 0.678 0.074 1.017 0.111 1.357 0.148 1.696 0.186 2.035 0.223 ç  χ n −1,α / 2  χ n −1,1−α / 2 ÷
49 0.677 0.070 1.016 0.105 1.354 0.140 1.693 0.175 2.031 0.210 çç C p 1
; C p 1 ÷÷ (3.25)
54 0.676 0.067 1.014 0.100 1.352 0.133 1.690 0.166 2.028 0.199
59 0.675 0.063 1.013 0.095 1.351 0.127 1.688 0.158 2.026 0.190
è (n − 1) 2 (n − 1) 2 ø
∞ 0.667 - 1.000 - 1.333 - 1.667 - 2.000 -

Tabella 3.4. Momenti di C p :E =E[ C p ]; D.S = D.S.( C p / C p ). (Kotz e è un intervallo di confidenza 100(1-α)% per C p .
Johnson, 1993)

13 14
Esempio 3.2 In questo modo rifiutare H0 equivale a dimostrare che il processo
Si supponga che un processo abbia limiti di specificazione raggiunge i requisiti richiesti in termini di capacità. Questo tipo di test
superiore ed inferiore rispettivamente a: USL=62 e LSL=38. Un statistico è stato studiato da Kane (1986) il quale determina una serie di
campione di ampiezza n=20 rivela che il processo è centrato valori critici K che consentono di rifiutare H0 se C p > K . L’autore
approssimativamente sul punto centrale dell’intervallo di
specificazione e che la deviazione standard campionaria è pari a costruisce il test definendo C p ( HIGH ) come il valore di capacità di un
s=1.75. La stima di C p è pertanto: processo che si desidera accettare con probabilità 1 − α e C p ( LOW ) come il
valore di capacità di un processo che si desidera rifiutare con probabilità
USL − LSL 62 − 38 1 − β . Nella tabella 3.5 sono riportati i valori di C p ( HIGH ) C p ( LOW ) e
C p = = = 2.29 .
6s 6(175
. ) K C p ( LOW ) per varie ampiezze campionarie e α = β = 0.05 e
L’intervallo di confidenza al 95% per C p è ricavabile come segue: α = β = 01 . . L’esempio 3.3 chiarisce l’uso della tabella 3.5.
USL − LSL χ α2 ;n −1 USL − LSL χ 12−α ;n −1
2
≤ Cp ≤ 2
Esempio 3.3
6s n −1 6s n −1 Un’azienda per concludere un contratto di fornitura richiede al
χ 20.025;19 χ 20.975;19 fornitore di dimostrare che la capacità del suo processo è
2.29 ≤ C p ≤ 2.29 maggiore di C p = 133
. . Il fornitore è quindi interessato ad
19 19
implementare una procedura per verificare il seguente sistema
essendo χ 20.025;19 = 8.91 e χ 20.975;19 = 32.85 si ricava che d’ipotesi:
. ≤ C p ≤ 3.01 è l’intervallo di confidenza al 95% per C p .•
157 H 0 : C p < 133
.

H1 : C p ≥ 133
. .
3.3. Verifica di ipotesi su Cp
Il fornitore vuole essere sicuro che qualora il processo abbia una
Una pratica sempre più frequente nelle industrie è richiedere ad un capacità inferiore a 1.33 la probabilità di accettare H 0 sia elevata
fornitore di dimostrare la capacità dei suoi processi produttivi come parte (0.9), mentre se la capacità del processo supera 1.66 la
integrante degli accordi contrattuali. Questo significa dimostrare che probabilità di accettare H1 sia elevata (ancora 0.9). Questo
l’indice di capacità è uguale o superiore ad particolare valore target significa definire C p ( LOW ) = 133
. , C p ( HIGH ) = 166
. e α = β = 01
. . Per
indicato con C p0 . Questo problema può essere riformulato in termini di trovare l’ampiezza campionaria ed il valore critico per il test si
verifica d’ipotesi: calcola il rapporto
C p ( HIGH ) 1.66
H0 : C p < C p 0 (il processo ha scarsa capacità) = = 125
.
C p ( LOW ) 133
.
H1: C p ≥ C p 0 (il processo ha buona capacità)

15 16
ed in corrispondenza di α = β = 01 . sulla tabella 3.5 si trova n=70 quindi per accettare l’ipotesi H1 : C p ≥ 133
. il fornitore deve
K realizzare un campione di n=70 elementi e l’indice C p calcolato
e = 110
. . Utilizzando questi risultati si può calcolare
C p ( LOW ) sulla base del campione deve risultare superiore a K=1.46.•

α = β = 0.1 α = β = 0.05 4. L’indice Cpk

Ampiezza C p ( HIGH ) K C p ( HIGH ) K
L’indice di capacità C p non considera la posizione della media µ del
C p ( LOW ) C p ( LOW ) C p ( LOW ) C p ( LOW )
camp. n processo rispetto ai limiti di specificazione, infatti Cp misura
semplicemente l’ampiezza dell’intervallo di specificazione relativamente
10 1.88 1.27 2.26 1.37 all’ampiezza dell’intervallo naturale di tolleranza (6-sigma) del processo.
Di conseguenza può accadere che processi con il medesimo valore di C p
20 1.53 1.20 1.73 1.26
abbiano una frazione di elementi NC diversa, come illustrato
30 1.41 1.16 1.55 1.21 nell’esempio 4.1.

40 1.34 1.14 1.46 1.18 Esempio 4.1

Si considerino i seguenti processi:
50 1.30 1.13 1.40 1.16 processo (a) LSL=43, USL=57, µ=50, σ=2;
processo (b) LSL=43, USL=57, µ=53, σ=2.
60 1.27 1.11 1.36 1.15 I due processi hanno gli stessi valori dei limiti di specificazione e
stessa variabilità, segue che hanno il medesimo valore di C p :
70 1.25 1.10 1.33 1.14

80 1.23 1.10 1.30 1.13 57 − 43 14

Cp = = = 1166
. .
6*2 12
90 1.21 1.10 1.28 1.12
Tuttavia, il comportamento in termini di frazione di elementi non
100 1.20 1.09 1.26 1.11 conformi è notevolmente diverso a causa del fatto che il processo
(b) ha un valore medio non centrato rispetto ai limiti di
Tabella 3.5. Ampiezze campionarie e valori critici per test su C p specificazione.
(Montgomery 1997) Processo (a):p=frazione di elementi NC

p=pr(X<43)+pr(X>57)
K = C p ( LOW ) 110
. = 133 . ) = 146
. (110 . æ 43 − 50 ö æ 57 − 50 ö
p = Φç ÷ + 1 − Φç ÷
è 2 ø è 2 ø
p = Φ( −3.5) + 1 − Φ( 3.5) = 2Φ( −3.5) = 0.000466

17 18
Processo (b):p=frazione di elementi NC 1
C pk = [|USL − LSL|−|USL + LSL − 2µ |] / 3σ
2
p=pr(X<43)+pr(X>57) 1 USL + LSL
æ 43 − 53ö æ 57 − 53ö |USL − LSL|−| µ − |
p = Φç ÷ + 1 − Φç ÷ = 2 2
è 2 ø è 2 ø 3σ
p = Φ( −5) + 1 − Φ(2) = ( ≅ )0 + 0.022775 = 0.02275 1
d −| µ − ( LSL + USL)| (4.2)
• = 2
Dalle considerazioni precedenti risulta evidente la mancanza di una 3σ
relazione diretta tra C p e la probabilità di ottenere un elemento NC. In é 1 ù
altre parole, anche con valori C p > 1 si possono avere delle frazioni di ê | µ − 2 ( LSL + USL)|ú
= ê1 − úC p
elementi NC elevate, se la media del processo non è centrata rispetto ai ê d ú
limiti USL e LSL. La situazione può essere migliorata definendo una êë úû
nuova misura di capacità che tenga conto della posizione di µ rispetto a
USL e LSL, in modo da fornire una relazione diretta tra l’indice e la d
Inoltre, ricordando che C p = si ha
frazione di NC. Questo indice, denominato C pk è definito nel modo 3σ
seguente:
1
|µ − (USL + LSL)|
C pk = min(C pu , C pl ) C pk = C p − 2 (4.3)
3σ
æ USL − µ µ − LSL ö Esempio 4.2
= minç , ÷ (4.1)
è 3σ 3σ ø Per il processo (a) dell’esempio 4.1 C p = C pk = 1166
. , in quanto il
min(USL − µ , µ − LSL) processo risulta centrato.
=
3σ Per il processo (b) invece,
C pk = min(C pu , C pl )
1
Utilizzando la relazione min(a ,b) = (|a + b|−|a − b|) è possibile æ USL − µ µ − LSL ö
2 = minç , ÷
è 3σ 3σ ø
esprimere l’indice C pk secondo un’espressione equivalente:
æ 57 − 53 53 − 43ö
= minç , ÷ = min( 0.666,1.766) = 0.666
è 3(2) 3(2) ø
•
L’indice C pk è una misura della capacità effettiva del processo a
differenza di C p che misura la capacità potenziale. La capacità del
processo aumenta al crescere del valore di C pk ed è interessante far
notare che il numeratore dell’indice è la distanza (con segno) di µ dal

19 20
più vicino limite di specificazione. Generalmente C pk ≤ C p , 4.1. Stima di C pk
l’uguaglianza vale solo nel caso in cui il processo è centrato
æ USL + LSL ö Nel caso in cui il livello del processo µ e/o la varianza σ 2 non siano
çµ = ÷ , quindi C pk se confrontato con C p fornisce una
è 2 ø noti occorre stimarli dai dati campionari. Uno stimatore naturale di C pk è
misura della non centratura del processo. Valori negativi dell’indice
indicano che il processo è completamente inadeguato, infatti si verificano USL − LSL
quando µ > USL o µ < LSL . d −| X − |
C pk = 2 (4.7)
Partendo dal valore dell’indice C pk è possibile determinare la frazioni
3s
di elementi NC associata al processo. Se X è distribuita normalmente, la
frazione, p, di elementi NC è data da Ricordando che se X∼ N ( µ , σ 2 ) segue che X ∼ N ( µ , σ / n) ,
2

s∼ χ f σ f 1/ 2
, con X e s indipendenti. Sfruttando questi risultati è
æ LSL − µ ö æ USL − µ ö
p = Φç ÷ + 1 − Φç ÷ (4.4)
è σ ø è σ ø possibile ricavare i momenti di C pk , in particolare il momento r-esimo
risulta:
1 USL − µ æ 1ö
r
nel caso in cui (USL + LSL) ≤ µ ≤ USL si ha C pk = ed E (C pk
r
) = ç ÷ E ( s−r )
2 3σ è 3ø
essendo
r r
j æ ö r− j
æ LSL + USL
j
ö
å ( −1) ç ÷ d E çç X − ÷÷
LSL − µ (USL − µ ) − (USL − LSL) j=0 è jø è 2 ø
= = C pk − 2C p
3σ 3σ r
æd f ö
=ç ÷ E ( χ −f r ) (4.8)
si ottiene che la frazione di elementi NC risulta è 3σ ø
é é 1 ù ù
j

p = Φ[ −3(2C p − C pk )] + Φ( −3C pk ) (4.5) ê n ê X − (USL + LSL) ú ú

j
r r
jæ öæ σ ö ë 2 û ú
å ( −1) ç ÷ ç ÷ Eê
Inoltre, dato che 2C p − C pk ≥ C pk (perché C pk ≤ C p ), segue che la
j=0 è jø è d n ø ê σ ú
ê ú
proporzione attesa di elementi non conformi è contenuta nell’intervallo êë úû

Φ( −3C pk ) ≤ p ≤ 2Φ( −3C pk ) (4.6) Per r = 1, 2 si ottengono la Media

e p = 2Φ( −3C pk ) solo quando il processo è centrato, cioè C pk = C p . In

1
modo analogo si può trattare il caso in cui LSL ≤ µ ≤ (USL + LSL) .
2

21 22
 æ f − 1ö L’aspetto importante che si desidera sottolineare è che lo stimatore risulta
Γç ÷ é 1
distorto: E (C pk ) ≠ C pk . Di conseguenza nelle situazioni reali risulta
 1æ f ö è 2 ø ê d − æç 2 ö÷ ×
2
E (C pk ) = ç ÷
3è 2ø æfö ê σ è πn ø necessario considerare l’entità dell’errore che si può commettere, per non
Γç ÷ ë
è 2ø correre il rischio di prendere decisioni aziendali sbagliate. Uno studio
dettagliato, al quale si rimanda, sul comportamento dello stimatore è
ì é æ USL + LSL ö ù ü
2
USL + LSL ö
ï nêµ − ç ÷ ú ï µ − æç ÷
riportato in Kotz e Johnson (1993). Qui è sufficiente ricordare che con
ï êë è 2 ø úû ï è 2 ø piccoli campioni, n < 10, è assolutamente sconsigliato tentare di stimare
× exp í− ý− × (4.9) C pk ed anche quando n è circa 40 non è prudente prendere decisioni
ï 2σ 2
ï σ
ï ï aziendali riguardo al processo in esame basandosi solo su C pk .
î þ
ì æ USL + LSL ö üù
ïï ç nµ− ÷ ïú 4.2. Intervalli di confidenza per C pk
× í1 − 2Φç
2 ÷ ïýú
ï ç σ ÷ ïú
ç ÷ ú
ïî è ø ïþû Come per C p , può risultare utile e/o necessario costruire un intervallo
di confidenza per C pk . La costruzione di un intervallo di questo tipo non
e la Varianza è semplice e può essere fatta seguendo due linee:

é é 1
a) utilizzare la distribuzione esatta di C pk
f êæç d ö÷ − 2æç d ö÷ êæç 2 ö÷ 2 ×
Var (C pk ) =
9 ( f − 2 ) êè σ ø è σ ø êè πn ø
êë ë b) ricorrere ad intervalli di confidenza approssimati.
ì é æ USL + LSL ö ù ü
2
USL + LSL ö
ï nêµ − ç ÷ ú ï µ − æç ÷ Generalmente, la prima possibilità è poco operativa perché la
ï ëê è 2 ø úû ï è 2 ø distribuzione da esaminare è molto complicata. In via alternativa, per
× exp í− ý+ ×
2σ 2
σ avere un’idea della regione di incertezza per C pk si possono costruire
ï ï
ï ï (4.10) separatamente gli intervalli di confidenza, al livello 100(1-α)%, per µ e σ
î þ
(in quanto C pk = f ( µ ,σ ) ):
ì æ USL + LSL ö üù é æ USL + LSL ö ù
2
ù
ïï ç− nµ− ÷ ïú ê µ − çè ÷ú
ø
ú
2 ï
÷ ýú + ë 2 1
û + ú X − t f ,1−α × s ≤ µ ≤ X − t f ,1−α × s intervallo di confidenza per µ
× í1 − 2Φç
nú
2 2
ï ç σ ÷ ïú σ 2

ç ÷ ú ú
ïî è ø ïþû úû s f s f
≤σ ≤ intervallo di confidenza per σ
[ ]
2
− E (C pk ) χ f ,1−α χ f ,α
2 2

23 24
Utilizzando tali intervalli è possibile quindi individuare una regione di
confidenza, R, per la coppia (µ σ) del tipo visualizzato in figura 4.1 e di 1
ì n−1 1 æ 6 öü2
conseguenza scegliere come estremi dell’intervallo di confidenza per C pk ± z1− α 2 í + C pk
2
ç1 + ÷ý
C pk : î 9 n ( n − 3) 2 ( n − 3) è n − 1ø þ
(Heavlin,1998)
1
min(C pk ) = f ( µ ,σ ) ìï 1 C pk
2
üï 2
C pk ± z1− α 2 í + C pk
2
ý per n≥30
ïî 9 n 2 (n − 1) ïþ
max(C pk ) = f ( µ ,σ )
(Franklin e Wasserman, 1992)
con (µ σ)∈R.

5. L’indice C pm

L’indice C pk considera la posizione della media del processo rispetto

ai limiti di specificazione, quindi costituisce un miglioramento
dell’indice C p . Tuttavia, C pk utilizzato senza ulteriori integrazioni è
ancora una misura inadeguata della centratura del processo, in particolare
della posizione della media del processo rispetto al valore target. Inoltre,
C pk dipende inversamente da σ diventando sempre più grande per
σ →0, pertanto un valore elevato dell’indice non è molto informativo
sulla posizione di µ all’interno dell’intervallo di specificazione.

Figura 4.1
E’ importante sottolineare che la probabilità che l’intervallo per C pk ,
individuato seguendo la procedura sopra illustrata, includa effettivamente
il valore vero è minore di 1 − α . Ad esempio, se ciascun intervallo
separato è al livello di confidenza 100(1 − α )% e i due eventi sono
indipendenti, allora la probabilità complessiva
è:100(1 − α ) 2 % < 100(1 − α )% . Inoltre, possono esistere coppie di valori
(µ σ)∉R. che portano a valori di C pk entro l’intervallo.
Alcuni autori hanno studiato formule approssimate per ricavare gli
intervalli di confidenza per C pk ad esempio:
Esempio 5.1
LSL=35 USL=65 Valore target T=50
Processo A: µ A = 50 , σ A = 5 , C p = 1 , C pk = 1
Processo B: µ B = 57.5 , σ B = 2.5 , C p = 2 , C pk = 1
Il processo B, pur non essendo centrato, ha lo stesso indice C pk
di A. Tale risultato dipende dal fatto che B presenta una variabilità
ridotta rispetto ad A.•
Una strada per superare i problemi illustrati è quella di utilizzare una
nuova misura di capacità: l’indice C pm (Chan, Cheng e Spring 1988).
L’indice è definito come segue

25 26
 USL − LSL USL − LSL d
C pm = = = (5.1)
6[σ + ( µ − T ) ]
2 2 12
6τ 3τ
dove T è il valore target, che molto spesso coincide con il punto centrale
dell’intervallo di specificazione, e τ 2 = σ 2 + ( µ − T ) 2 . Le figure 5.1 e
5.2 illustrano il diverso comportamento di C pk e C pm al variare di µ e
σ : si può notare che l’indice C pm tende ad essere meno sensibile di C pk
a variazioni di σ .

Figura 5.2. Indice C pm come funzione di µ e σ (LSL=5.5, USL=8.5).

Fonte: Mittag e Rinne (1993)

E’ interessante notare che τ 2 si può esprimere come somma di due

componenti che esprimono la “variabilità totale” del processo attorno al
valore target:

τ 2 = σ 2 + (µ − T ) 2 = E ( X − T ) 2 = E ( X − µ) 2 + (µ − T ) 2 (5.2)

Anche l’indice C pm può essere scritto come funzione di C p , infatti dalla

d
(5.1) e ricordando che C p = segue che:
Figura 5.1. Indice C pk come funzione di µ e σ (LSL=5.5, USL=8.5) 3σ
Fonte: Mittag e Rinne (1993)
σ 1
C pm = C p = Cp =
τ σ 2 + (µ − T) 2
(5.3)
σ2
− 12
= C p (1 + ζ 2 )

27 28
 µ−T 6. Relazioni tra C p , C pm , Cpk
dove ζ = , risulta quindi che C pm ≤ C p con C pm = C p solo se
σ
µ =T.
Tra gli indici di capacità esaminati intercorrono relazioni2 utilizzabili
per ricavare ulteriori informazioni sulla capacità del processo.
Esempio 5.2 Ricordando le definizioni di C p (3.1), C pk (4.2) e C pm (5.1) si ha
LSL=35 USL=65 Valore target T=50
Si considerino 3 processi
Processo A: µ A = 50 , σ A = 5 , C p = 1 , C pk = 1 , C pm = 1 é | µ − m| ù
C pk = ê1 − Cp ≤ Cp (6.1)
Processo B: µ B = 57.5 , σ B = 2.5 , C p = 2 , C pk = 1 , C pm = 0.63 ë d úû
− 21
Processo C: µ c = 6125
. , σ c = 1.25 , C p = 4 , C pk = 1 , C pm = 0.44 é æ µ − mö 2 ù
C pm = ê1 + ç ÷ ú Cp ≤ Cp (6.2)
In questo esempio si nota che all’allontanarsi della media del êë è σ ø úû
processo dal valore target C pm tende a ridursi, mentre risulta
insensibile a questo aspetto, l’indice C p . Infatti, l’indice C p da cui segue che: max( C pm , C pk )≤ C p e C p = C pm = C pk quando µ = m .
aumenta essenzialmente perché si riduce la variabilità del Combinando la (6.1) e la (6.2) si può scrivere
processo. L’indice C pk invece, rimane costante nonostante i tre
processi presentino caratteristiche completamente differenti. •
1

é | µ − m|ù é æ µ − m ö ù
2 2

C pk = C pm ê1 − ú ê1 + ç ÷ ú (6.3)
E’ utile sottolineare che l’indice C pm è una misura adeguata di capacità di ë d û êë è σ ø úû
un processo solo quando il valore target coincide con il punto centrale
dell’intervallo di specificazione: T = m = 21 (USL + LSL ) . Infatti, si può da cui risulta:
1

é | µ − m| ù é æ µ − m ö ù
2 2
notare che C pm rimane inalterato se E ( X ) = T − δ o E ( X ) = T + δ
C pk ≥ C pm se ê1 − ê1 + ç ÷ ú ≥1 (6.4a)
(δ>0): ë d ûú êë è σ ø úû
d d 1
C pm = = é | µ − m| ù é æ µ − m ö
2
ù2
3[σ 2 + ( µ − T ) 2 ] 2 3[σ 2 + δ 2 ] 2
1 1
C pk ≤ C pm se ê1 − ê1 + ç ÷ ú ≤1 (6.4b)
ë d úû êë è σ ø úû
mentre la proporzione attesa di elementi non conformi può cambiare,
anche consistentemente, se T ≠ m . Partendo dalla relazione precedente, (6.4), è possibile ricavare espressioni
Per esempio, supponendo che X abbia una distribuzione simmetrica, se µ−m
più semplici ed utili, infatti ponendo3 k = segue che
T = 43 USL + 41 LSL e δ = 41 (USL − LSL ) = 21 d , quando d
E ( X ) = T + δ = USL , ci si attende almeno il 50% di elementi NC.
Mentre, se E ( X ) = T − δ = m la proporzione di NC risulta molto più
piccola, pertanto le proprietà di C pm valgono quando T = m . 2
Le relazioni ricavate nel seguito valgono nel caso in cui il valore target coincide con il
punto centrale dell’intervallo di specificazione
3
Usualmente k<1, altrimenti µ sarebbe oltre i limiti di specificazione

29 30
 • C p2 > 123
. ( C p > 111
1

é æ d ö 2 ù2 . ) allora si può avere C pk > C pm , purché k non sia

C pk ≥ C pm se (1 − k ) ê1 + ç ÷ k 2 ú ≥ 1 (6.5a) troppo vicino a 0 o 1.
êë è σ ø úû
1

é æ dö2 ù 2
• k=0, ( µ = m) allora C pk = C pm = C p .
C pk ≤ C pm se (1 − k ) ê1 + ç ÷ k 2 ú ≤ 1 (6.5b)
êë è σ ø úû

da cui con semplici passaggi si ricava

7. Indici di capacità e non-normalità

2 Un'operazione necessaria prima del calcolo degli indici di capacità, è

ædö 2−k
C pk ≥ C pm se ç ÷ ≥ controllare che la caratteristica di qualità X relativa al processo segua la
èσ ø k (1 − k ) 2 distribuzione Normale. Questo perché le proprietà enunciate nelle pagine
2
ædö 2−k precedenti, riguardanti gli indici di capacità, rimangono valide solo se
C pk ≤ C pm se ç ÷ ≤
èσ ø k (1 − k ) 2 non si rifiuta l’ipotesi di normalità. Quando si presenta un
d allontanamento significativo dalla distribuzione Gaussiana si possono
e ricordando che C p = l’espressione precedente diventa seguire due strade: la prima consiste nello studiare le proprietà degli
3σ
indici di capacità e dei relativi stimatori quando la distribuzione assume
specifiche forme distributive; la seconda prevede di sviluppare
2−k
C pk ≥ C pm se C p2 ≥ (6.6a) metodologie che consentono di trattare la non normalità, giungendo alla
9 k (1 − k ) 2 costruzione di indici di capacità robusti cioè non troppo influenzati dalla
2−k forma distributiva.
C pk ≤ C pm se C p2 ≤ (6.6b)
9 k (1 − k ) 2

2−k 7.1 Effetti della non normalità

Si può notare, Tab. 6.1, che la funzione raggiunge un minimo
9 k (1 − k ) 2
Si considerino, a titolo esemplificativo, le seguenti distribuzioni per
di 1.23 per k≈0.4.
una caratteristica di qualità X (Gunter, 1989):
k 0 0.2 0.4 0.5 0.6 0.8 1
1. un chi-quadrato con 4.5 gradi di libertà ( χ 24.5 ) (distribuzione
2−k ∞ 1.56 1.23 1.33 1.62 4.17 ∞
asimmetrica con limite inferiore finito)
9 k (1 − k ) 2
Tabella 6.1. Alcuni valori della funzione 2− k 9 k (1− k )2 2. una t con 8 gradi di libertà (distribuzione con code pesanti)

Pertanto se 3. una distribuzione uniforme.

• C p ≤ 1 allora C pk ≤ C pm 4 una distribuzione normale X∼ N ( µ , σ 2 )

31 32
I grafici delle distribuzioni standardizzate sono riportati nella figura 7.1. Sempre a scopo illustrativo si consideri la seguente situazione. Sia
ϕ ( x; µ ; σ ) la funzione di densità di una variabile casuale normalmente
distribuita, con media µ e scarto σ , e si consideri il processo
“contaminato” con funzione di densità data da

pϕ ( x ; µ 1 ;σ 1 ) + ( 1 − p )ϕ ( x ; µ 2 ;σ 2 ) (7.1)

con 0<p<1, ( µ 1 ,σ 1 ) ≠ ( µ 2 ,σ 2 ) .
Se p è prossimo a 1, 1-p è piccolo e la seconda componente della (7.1)
rappresenta la contaminazione della distribuzione base rappresentata
dalla prima componente. Il risultato è che con i test convenzionali è
spesso difficile distinguere questo tipo di non normalità, tuttavia il
comportamento di C pk può variare anche sostanzialmente (Gunter, 1989).

7.2 Il metodo di Clements

Un metodo per costruire gli indici C p e C pk , basato sull’assunzione

che la distribuzione del processo possa essere adeguatamente
Figura 7.1: Fonte: Kotz e Johnson (1993) rappresentata da una variabile casuale appartenente al sistema delle
distribuzione di Pearson è stato proposto da Clements (1989).
Per costruzione le distribuzioni hanno la stessa media µ e la stessa Il sistema di distribuzioni di Pearson è definito per funzioni di densità,
deviazione standard σ, di conseguenza hanno gli stessi valori per C pk e f(x), che soddisfano l’equazione differenziale:
C p . Tuttavia, le proporzioni (in parti per milione ppm) di elementi NC al
d (log f ( x )) − (a + x )
di fuori dei limiti ±3σ sono notevolmente diverse: = (7.2)
dx c0 + c1 x + c2 x 2
nel caso 1) 14000 (tutti al di sopra di 3σ );
nel caso 2) 4000 (metà sopra 3σ e metà sotto −3σ ); Il valore dei parametri c0 , c1 , c2 , determina la forma del grafico di f(x).
nel caso 3) 0; La forma delle curve può variare sensibilmente e dipende dalle radici
nel caso 4) 2700 (metà sopra 3σ e metà sotto −3σ ). dell’equazione di secondo grado:

Dall’esempio si comprende che si corre il rischio di giungere a c0 + c1 x + c2 x 2 = 0 (7.3)

conclusioni errate se si valuta la capacità di un processo con gli indici
tradizionali quando la caratteristica di qualità non segue la distribuzione Alcune distribuzioni appartenenti al sistema di curve di Pearson sono:
normale.

33 34
- c0 > 0; c1 = c2 = 0 (distribuzione Normale)
U p = µ + θ uσ e Lp = µ + θ lσ
- ; c1 ≠ 0; c2 = 0 (distribuzione Gamma)
e quindi U p − L p = (θ u − θ l )σ = θσ con θ u − θ l = θ
- radici reali, ma di segno opposto (distribuzione Beta)
per cui
- c1 = 0; c0 , c2 > 0 (distribuzione t-Student).
USL − LSL
Ricordando che Cp = (7.6)
θσ
USL − LSL d Il metodo ha i seguenti meriti: quando la distribuzione è Normale gli
Cp = =
6σ 3σ indici sono esattamente gli stessi di quelli ottenuti con il metodo
tradizionale ( θ u = 3 θ l = −3 e θ = 6 ); è relativamente facile da calcolare
dove 6σ rappresenta l’intervallo naturale di tolleranza, manualmente o con un calcolatore; non richiede una trasformazione
µ + 3σ − ( µ − 3σ ) che nel caso di X∼ N ( µ , σ 2 ) è tale che matematica dei dati.
Pr{ X ∉ ( µ + 3σ , µ − 3σ )} = 0.0027 , Clements propone come intervallo Nella tabella 7.1 (Kotz e Johnson 1993) sono riportati i percentili
di tolleranza naturale standardizzati θ U e θ l per distribuzioni appartenenti alla famiglia della
curve di Pearson. I percentili sono tabulati in funzione dei valori
U p − Lp (7.4) dell’indice di asimmetria β 1 , e del coefficiente di Kurtosi4 β 2 .
Riguardo a C pk Clements propone di calcolarlo nel seguente modo
{ }
Dove U p è il percentile U 99 .865 , cioè Pr X ≥ U p = 0.00135 , e Lp è il
percentile L0.135 { }
( Pr X ≤ Lp = 0.00135 ) della distribuzione della (
C pk = min C pl , C pu ) (7.7)
considerata.
L’indice di capacità calcolato secondo il metodo di Clements risulta dove
quindi

USL − LSL
Cp = (7.5)
U p − Lp 4
L’indice di asimmetria è dato dall’espressione:
n
1
β1 = µ3 σ 3 dove µ3 = M [( x − x ) 3 ] = å(x − x)
i
3

Se si considerano i percentili standardizzati, n i =1

mentre l’indice di Kurtosi si determina in questo modo:
Up − µ Lp − µ
θu = e θl = β2 = µ4 σ 4
σ σ
si ha dove µ4 è calcolato in maniera analoga a µ3 .

35 36
 Mediana − LSL USL − Mediana
C pl = C pu = (7.8)
Mediana − L p U p − Mediana

Nel caso di normalità C pl C pu e C pk calcolati con il metodo di Clements

coincidono con gli indici calcolati nel caso generale

Esempio 7.1
Si supponga che β 1 = 1 e β 2 = 5 . Sulle tavola si trova
θ l = −2.023 e θ u = 4.539 , quindi θ = 2.023 + 4.539 = 6.572 . L’indice
varrà quindi

USL − LSL
Cp = •
6..572σ

A fini operativi per il calcolo degli indici di capacità l’autore propone un

utile foglio di lavoro (Clements 1989), facilmente implementabile in un
qualsiasi foglio elettronico. Nella tabella 7.2 è descritto il foglio di lavoro
e nell’esempio 7.2 si illustra il suo utilizzo. Per le tabelle necessarie al
suo utilizzo si rimanda al lavoro originale.

Esempio 7.2
Relativamente ad un processo produttivo sono dati i seguenti limiti
di specificazione: USL=32, LSL=4. Utilizzando un campione si
calcolano le seguenti statistiche relative al processo:

media X =10.5
scarto quadratico medio s=3.142
indice di asimmetria β 1 =1.14
indice di Kurtosi β 2 =2.58

Utilizzando la tavola 1a (in quanto β 1 è positivo) si determina il

Tabella 7.1. Per ogni combinazione ( β 1 ,β 2) la prima riga contiene il percentile 0.135 standardizzato:
percentile θ l , la seconda θ u . Se β 1 < 0 invertire θ l con θ u . Fonte θ l = 2.026 (mentre effettuando la doppia interpolazione lineare di
ricaverebbe θ l = 1.911).
Kotz e Johnson (1993).

37 38
 Utilizzando la tavola 1b (in quanto β 1 è positivo) si determina il
FOGLIO DI LAVORO PER IL CALCOLO DEGLI INDICI DI percentile 99.865 standardizzato:
CAPACITA’ CON IL METODO DI CLEMENTS. ( 5) θu = 4.736 (mentre effettuando la doppia interpolazione lineare di
ricaverebbe θu = 4.739).
(1) Inserire i limiti di specificazione.
Utilizzando la tavola 2 si determina la mediana standardizzata:
Specifica superiore USL M’=-0.148 (mentre effettuando la doppia interpolazione lineare di
Specifica inferiore LSL ricaverebbe M’=-0.159).
(2) Inserire le statistiche del processo.
Media x Calcolo della stima del percentile 0.135:
Deviazione Standard s Lp= 10.5-(3.142)(2.026)=4.134 (con i valori interpolati 4.496)
Skewness SK
Kurtosi KU
Calcolo della stima del percentile 99.865:
(3) Percentile 0,135 standardizzato. Up= 10.5+(3.142)(4.736)=25.381 (con i valori interp. 25.390)
Per Skewness positivo usa tabella 1a θl Calcolo della stima della mediana:
Per Skewness negativo usa tabella 1b Lp= 10.5+(3.142)(0.026)=4.134 (con i valori interpolati 4.496)
(4) Percentile 99,865 standardizzato. Calcolo di C p :
Per Skewness positivo usa tabella 1b θu
Per Skewness negativo usa tabella 1a
C p =(32-4)/(25.381-4.13)=1.32 (con i valori interpolati 1.34)
(5) Mediana standardizzata (tabella 2). Calcolo di C pl :
Per Skewness positivo cambia segno M’ C pl =(10.035-4)/(10.035-4.134)=1.02 (con i valori interpolati
Per Skewness negativo lascia uguale
(6) Calcolo del percentile 0,135 stimato. 1.09)
x − s θl Lp Calcolo di C pu :
C pu =(32-10.035)/(25.381-10.035)=1.43 (con i valori interpolati
(7) Calcolo del percentile 99,865 Up 1.43)
stimato.
Calcolo di C pk :
x + s θu
(8) Calcolo della mediana stimata.
minimo tra C pl e C pu
x + sM ' M C pk =1.02 (con i valori interpolati 1.02)
(9) Calcolo degli indici di capacità del
processo.
(USL-LSL)/(Up-Lp) Cp
(M-LSL)/(M-Lp) Cpl Riferimenti Bibliografici
(USL-M)/(Up-M) Cpu
MINIMO TRA Cpu E Cpl Cpk
A. F. Bissell (1990), How is reliable your capability index? Appl.
Statist.,vol.39, 331-340
Tabella 7.2. Successione delle operazioni nel metodo di Clements.
L. K. Chan, S. W. Cheng, F.A. Spiring (1988), A New Measure of
Process Capability: Cpm Journal of Quality Technology, vol.20, No.3
5
Nel foglio di lavoro si fa riferimento alle tabelle 1a, 1b e 2. Per consultarle vedere
Quality Progress/ September 1989.

39 40
 L. K. Chen, Z. Xiong, D. Zhang (1990) On asymptotic distribution of UNI EN ISO 9000-1 (1994) “Norme di gestione per la qualità e di
some process capability indices, Commun. Statist-Theor. Meth., vol.19, assiscurazione della qualità- Guida per la scelta e l’utilizzazione” UNI,
11-18 Milano

J. A. Clements (1989), Process capability calculations for non-normal UNI EN ISO 9004-1 (1994) “Gestione per la qualità ed elementi del
distributions, Quality Progress, Vol.22 (2) 49-55. sistema qualità- Guida generale” UNI, Milano

L. A. Franklin, G. S. Wasserman (1992), A note on the conservative UNI EN ISO 9004-4 (1995) “Gestione per la qualità ed elementi del
nature of the tables of lower confidence limits for C pk with a suggested sistema qualità- Guida per il miglioramento della qualità” UNI, Milano
correction, Commun. Statist. Simul. Comp.

E. L. Grant, R. S. Leavenworth (1996) Statistical Quality Control, 7° ed.

McGraw-Hill, New York.

B. H. Gunter (1989) The use and abuse of C pk , Quality Progress,

Vol.22 (3), 108-109.

W. D. Heavelin (1988) Statistical properties of capability indices,

Technical Report No. 320, Tech. Library, Advanced Micro Devices, Inc.
Sunnyvale, California

V. E. Kane (1986), Process Capability Indices, Journal of Quality

Technology, Vol.18, No.1

S. Kotz, N. L. Johnson (1993), Process Capability Indices, Chapman

& Hall, London.

H. J. Mittag, H.Rinne (1993) Statistical Methods of Quality Assurance

Chapman & Hall, London.

D. C. Montgomery (1997), Introduction to Statistical Quality Control,

Third Edition, John Wiley & Sons, New York.

UNI EN ISO 8402 (1995) “ Gestione per la qualità ed assicurazione

della qualità- Termini e definizioni” UNI Milano.

41 42