Page 1
24/01/2013
1
Controllo statistico di qualità
1
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).
2
Page 2
24/01/2013
2
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 tabella3
Un primo approccio al problema può essere la costruzione di un istogramma.
DOMANDA: quale informazione si perde effettuando un istogramma?
I dati
4
Page 3
24/01/2013
3
80 85 90 95 100 105 110 115 1200
5
10
15
20
25
30Istogramma dei dati
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
5
80 85 90 95 100 105 110 115
0.003
0.01
0.02
0.05
0.10
0.25
0.50
0.75
0.90
0.95
0.98
0.99
0.997
Data
Pro
babili
ty
Normal Probability Plot
Normal plot dei dati dell’esempio precedente
6
Page 4
24/01/2013
4
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.
7
Dalla sovrapposizione dell’istogramma con la retta del valore obbiettivo si può
verificare il posizionamento del valore centrale dei dati rispetto al target assegnato
8
Page 6
24/01/2013
6
11
ESEMPIO
12
Page 7
24/01/2013
7
13
14
Page 8
24/01/2013
8
15
16
Page 9
24/01/2013
9
La carta dei 3-sigmaSe dovesse essere disponibile una valutazione teorica (storica o di progetto) della
varianza della popolazione e della media, usando il teorema del limite centrale
è possibile sostituire il parametro k con 3, per la varianza e per media
si può usare quella della popolazione.W
n
σσ =
n=5
Esempio: parametro di flusso monitorato in una azienda con media e varianza nota
17
18
Page 10
24/01/2013
10
19
20
Page 11
24/01/2013
11
21
22
Page 12
24/01/2013
12
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
120, 12 sottogruppi, ciascuno di taglia 10, 1,...,12.iN k n i= = = =
Assegnare i dati ad una matrice.
24
Page 13
24/01/2013
13
>> x
x =
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).
Costruire la carta di controllo della media in Matlab
>> xbarplot(x’,0.9973, spec,’range’)
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
Page 14
24/01/2013
14
Le linee di controllo
La linea centrale è rappresentata dalla
media delle medie1
1 k
i
i
x xk =
= ∑
Le linee superiore ed inferiore
corrispondono a (1 )/2CONFx z
n
σ−±
‘range’: si usa l’escursione standard
‘std’: si usa uno stimatore della
deviazione standard
‘variance’: si usa uno stimatore
della deviazione standard pesata
σ⇒
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
Page 15
24/01/2013
15
Opzione ‘range’
29
Con l’opzione ‘range’ >> xbarplot(x’,0.9973,spec,‘range')
Questa è la carta per la media con i limiti di controllo che dipendono dal range
2
per stimare (la variabilità del processo)R
dσ σ←
30
Page 16
24/01/2013
16
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)
[ ]2 2Vale che e invece .
Quindi non può essere valutato con .
E S E S
S
σ σ
σ
= ≠
( ) [ ]2
4 4Se , dove è un parametro che dipende da
X N E S c c nµ σ σ≈ ⇒ =
4
1 !2 12
e ! 1 211 2 2 2 2 2
1 !2
n
n n n nc
nnπ
−
= = − − −− −
⋯
[ ]Pertanto sostituiamo con ed abbiamo cheE S S
14
1dove
k
i
i
SS S
c kσ
=
≈ = ∑
Opzione ‘std’
31
>> xbarplot(x,0.9973,spec,'std')
Questa è la carta per la media con i limiti di controllo che dipendono dalla deviazione
standard.
4
per stimare la variabilità del processoS
cσ ←
32
Page 17
24/01/2013
17
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
REGOLE DI ZONA
33
Per le regole di zona non
c’è una function in
MATLAB.
Le linee di zona sono: 7.58; 2*7.58; 3*7.58x x x± ± ±
34
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')
>>
Page 18
24/01/2013
18
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
carta della deviazione
standard
[ ] [ ]3E S D S∓
[ ] 2
4
2
4
4
1
1
con D S c
sc
c
σ= −
≈ −
>> schart(x)
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
1 k
i
i
R Rk =
= ∑
[ ][ ] 2
2
32 2
RVar R
Var W dσ
σ σ= ⇒ =
3 3
2
R R
Rd d
dσ σ σ
= ⇒ =
36
Page 19
24/01/2013
19
Carta dell’escursione
37
Carta della dev.standard
>> schart(x)
>> 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 di tolleranza
0 2 4 6 8 10 1280
85
90
95
100
105
110
115
120carta di tolleranza
>> hold on
>> …
>> c2=2*ones(1,10);
>> plot(c2,x(:,2),'g*-')
>> …
Page 20
24/01/2013
20
39
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.
40
La carta di controllo e il processo stocastico relativo alla produzione…
Page 21
24/01/2013
21
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)
42
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.
Page 22
24/01/2013
22
43
In Matlab >> for i=1:14 mr(i)=abs(x(i+1)-x(i)); end
>> 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')
3
1.128
3
1.128
UCL X MR
CL X
LCL X MR
= +
=
= −
1
1
1
1
n
i
i
MR MRn
−
=
=−∑
44
Per l’escursione si usano gli
stessi limiti della carta dell’
escursione classica, sostituendo
l’ escursione media con la media
della moving average.
Page 23
24/01/2013
23
Curva caratteristica operativa
Diremo che il processo è in controllo statistico se per ogni
, indice dei sottogruppi, ( , ).t
t x LimInf LimSup∈
Regione di accettazione
45
Curva caratteristica operativa
Diremo che il processo è in controllo statistico se per ogni
, indice dei sottogruppi, ( , ).t
t x LimInf LimSup∈
Regione di accettazione
0 0
1 0
(rigettare | )
(rigettare | )
P H
P H
α µ µ
β µ µ
= =
= ≠
0
0
( ( , ) | )
( ( , ) | )
t
t
P x LCL UCL
P x LCL UCL
µ µ
µ µ
= ∉ =
= ∈ ≠
FALSO ALLARMEMANCATO ALLARME46
Page 24
24/01/2013
24
Non avendo ipotesi alternative certe, immaginiamo che l’ipotesi alterna-
tiva possa essere strutturata come segue: 1 0 kµ µ µ σ= = +
Se la popolazione è gaussiana, allora
0( ( , ) | )tP x LCL UCL kβ µ µ σ= ∈ = +
( ) ( )0 0
/ /
UCL k LCL k
n n
µ σ µ σ
σ σ
− + − + = Φ − Φ
Il plot dei valori assunti da questo parametro per un opportuno valore
di k, si chiama curva caratteristica operativa.
0 0Se e , alloraUCL L LCL L
n n
σ σµ µ= + = −
( ) ( )L k n L k nβ = Φ − − Φ − −
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
0 L
n
σµ ± 2
dove 3, 10 e / allora si haL n R dσ= = ≈
( ) ( )3 10 3 10k kβ = Φ − − Φ − −
>> k=[0.1:0.2:3];
>> z=normcdf(3-k.*sqrt(10))-
normcdf(-3-k.*sqrt(10));
>> plot(k,z)
0 0.5 1 1.5 2 2.5 30
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1Curva operativa
Per k=1, vale circa 0.3 la proba-
bilità di un mancato allarme.
Per valori di k inferiori, aumenta
la probabilità di un mancato
allarme.
48
Page 25
24/01/2013
25
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.
( ) ( )3 3k n k nβ = Φ − − Φ − −
Ogni plot corrisponde
ad un valore di n.
0 0.5 1 1.5 2 2.5 30
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1Curve operative al variare di n
n=8
n=5
n=12
49
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.
Altro uso della curva operativa
( ) ( )Si fissa , e si cerca quel valore di tale che ossia,
ricordando le proprietà della gaussiana...
z z zβ β ββ βΦ − Φ − =
( )2 1zβ βΦ − =1 1
2zβ
β− + ⇒ = Φ
3
è possibile ricavare
z k n
n
β⇒ = −
⇒
Per k=1 0.3β = >> ((3-norminv((0.3+1)/2,0,1)))^2 6n =50
Page 26
24/01/2013
26
Strategia di scelta dei sottogruppi
…ma sono costosi!
La pratica industriale corrente preferisce la prima strategia – aumentan-
do la frequenza
51
Approccio SNAPSHOT Approccio RANDOM
Approcci per la costruzione dei sottogruppi
Quanti k?
52
Page 27
24/01/2013
27
ARL (average long run)
Sia la variabile aleatoria che indica il numero di sottogruppi da
estrarre prima di avere un punto fuori i limiti della carta di controllo.
ha legge...
T
T1...geometrica, ( ) (1 ) , 1,2,...k
P T k p p k−= = − =
[ ]1
ARL, tempo medio per avere un fuori controlloE Tp
=
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)
ans =
0.9973
Quindi la probabilità che il processo
vada fuori controllo è
>> 1-0.9973
ans =
0.0027[ ] 370E T = 53
Nell’esempio dei flaconi prodotti per l’ospedale, i limiti di specifica
stabiliti in fase di progettazione erano 82 ml e 118 ml.
La carta di controllo può essere utilizzata per descrivere la capacità del
processo di produrre all’interno dei valori di specifica.
54
Strategia six-sigma
>>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))
Page 28
24/01/2013
28
In che modo?
Basta calcolare ( 82) ( 118) ipotizzando che...P X P X< + >
>> inf=(82-98.6)/7.51;
>> sup=(118-98.6)/7.51;
>> 1-(normcdf(sup)-normcdf(inf))
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
( ) ( ) 1ˆ ˆ
ULe L U
T xT xp P X T P X T
σ σ
−− = < + > = Φ + − Φ
(98.6,7.51) che sono le stime trovate con la carta di controllo per
e .
X N
µ σ
≈
55
p=1-diff(normcdf(spec,mean(mean(x)),7.51))
Il valore minimo lo si ha quando la media coincide con il centro dell'intervallo di
tolleranza .2
e
U Le
p
T Tm
+=
e questo valore minimo vale min 2ˆ2
L UT T
pσ
− = Φ
Il valore effettivo di non
conformi deve essere tale
che dove è il
livello di difettosità
tollerabile
e T Tp p p<
56
>> x=[90:0.1:110];
>> y=normcdf(88,x,7.51)+
(1-normcdf(112,x,7.51));
>> plot(x,y)
Page 29
24/01/2013
29
Altro modo per misurare l’indice di capacità del processo è il cosidetto
PCR (process capability ratio) :
6
U Lp
T TC
σ
−=
Si noti che 6 è la definizione di base della capacità del processo.σ
In genere la deviazione standard non si conosce e quindi va stimata
dai dati
INDICE DI CAPACITA’ DEL PROCESSO
57
2
(carta dell'escursione) R
d
4
(S-chart) S
c
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.
min ,3 3
U Lpk
T TC
µ µ
σ σ
− − =
58
Da solo, non basta!
Page 30
24/01/2013
30
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
Page 31
24/01/2013
31
61
Il six-sigma program della Motorola – anni ‘80
Obbiettivi: 12USL LSL σ− >
{ }min , 4.5USL LSLµ µ σ− − >
2
e
1.5
p
pk
C
C
>
>
In Matlab
>> spec=[82 118];
>> [p,Cp,Cpk]=capable(vec,spec)
p = 0.0351
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
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
Page 32
24/01/2013
32
ˆLa percentuale di pezzi non conformi è data da , dove ha legge...D
p Dn
=
...binomiale di parametri e p.n
I limiti di controllo sono:
(1 )3 (se 5, (1- ) 5 D è approx. gaussiana)
p pp np n p
n
−± > >
Se non è nota, si può sostituire con una stima p p
1
1 num.pezzi non conformi dove
ki
i i
i
Dp p p
k n n=
= = =∑
63
Il MATLAB non ha una procedura per la costruzione della carta p
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 9 664
Page 33
24/01/2013
33
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)
ans = 0.4102
>> mean(p)-3*sqrt(mean(p)*(1-mean(p))/50)
ans = 0.0524
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’)
0 5 10 15 20 25 300.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5P chart
Il campione 15 e 23 sono fuori controllo statistico: questi vanno monitorati.
Nuovo
operatore
Nuova
partita di
cartone
Rieffettuiamo il grafico della carta eliminando questi campioni. 66
Page 34
24/01/2013
34
>> d1(1:14)=d(1:14)
>> d1(15:21)=d(16:22)
>> d1(22:28)=d(24:30)
E ripetiamo tutta la procedura
0 5 10 15 20 25 300
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4P chart Sottogruppo 20
(no. 21 nel vecchio
campione)
67
Costruiamo un nuovo vettore d1, che contiene la difettosità registrata, eliminando i due valori
critici .
Questa è la carta senza aver eliminato i sottogruppi 15 e 23 ma con i limiti upper and lower
calcolati al secondo giro:
0 5 10 15 20 25 300
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5P chart
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
Page 35
24/01/2013
35
Supponiamo che siano stati campionati altri 24 sottogruppi: per monitorare il processo usiamo
i limiti di controllo che sono stati calcolati prima.
30 35 40 45 50 550
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4P chart
>> cent2=
mean(p1)*ones(1,24);
>> low2=
low1(1)*ones(1,24);
>> upp2=
upp1(1)*ones(1,24);
>> plot(k2,p2,'b*-',
k2,low2,'r-',k2,upp2,'r-',
k2,cent2,'g-')
Il processo è in controllo
statistico.
Ma…
69
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];
…se mettiamo tutti i dati assieme…
0 10 20 30 40 50 600
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5P chart
Cambiamento
della macchina
per imballaggio?
Possiamo dire con maggiore precisione se le percentuali di non conformità sono effetti-
vamente diverse?
70
Page 36
24/01/2013
36
0 1 2
1 1 2
:
:
H p p
H p p
=
>1 1 2 2
0.05
1 2 1 2
La regione critica risulta:
1 1Z > (1 ) dove
n p n pz p p p
n n n n
+− + =
+
1
2
0.2150 (senza sottogruppi 15 e 23)
0.1108
p
p
←
←1 2?, ?n n= =
28 28
1
1 1
54 54
2
31 31
1 1 301
28 28 50 1400
1 1 133
24 24 50 1200
ii
i i
i
i
i i
Dp p
Dp p
= =
= =
= = =
= = =
∑ ∑
∑ ∑...e facendo i conti si ha 0.1669 e
la regione critica (0.0241, )
p =
∞
Pertanto si rigetta l'ipotesi nulla...71
1.645
Visto che c’è stato un miglioramento nella produzione, si ricalcolano anche i limiti di controllo
0 10 20 30 40 50 60-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6New P-chart
72
>> 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')
Page 37
24/01/2013
37
Il limite inferiore è negativo!! Quindi bisogna prendere il limite inferiore pari a 0.
5 10 15 20 25 30 35 40 45 500
0.1
0.2
0.3
0.4
0.5
New P-chart
* Se p è piccolo, n va scelto
grande!! Ad esempio per
p=0.01, abbiamo n=500 (media
almeno 5)!!
( )
( )2
* Siccome lo shift da
1 vale =3
31
p
p p
n
n p p
δ
δ
−⇒
= −
( )1 9(1 )* 3 0
p p pp n
n p
− −− > ⇒ >
0.04, 0.01 56p nδ = = ⇒ =
0.05 171p n= ⇒ =
73
Carta npSi lavora non con la percentuale dei pezzi non conformi, ma con il numero di pezzi non
conformi.
ˆLa percentuale di pezzi non conformi è data da , dove ha legge...D
p Dn
=
...binomiale di parametri e p.n
Si lavora con ( , (1- ))D N np np p≈
I limiti della carta di controllo sono dunque: 3 (1 )np np p± −
viene sostituito con p p
Tornando all’esempio di prima…
74
Page 38
24/01/2013
38
0 5 10 15 20 25 300
5
10
15
20
25Np chart
1
Se le taglie dei sottogruppi sono diverse, una tecnica molto diffusa consiste nel
1sostituire a la media campionaria delle taglie
k
i
i
n n nk =
⊗
= ∑
75
1
1
( ( , ) | )
= ( ( , ) | )
i
i
P p LCL UCL p p
P D nLCL nUCL p p
β = ∈ =
∈ =
Usando la cdf binomiale
1 ( (2.62, 20.51) | )
iP D p pβ = ∈ =
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1Curva caratteristica per P-chart
>> p=[0.01:0.02:1];
>> app=binocdf(20.5120,50,p)-
binocdf(2.6214,50,p);
>> plot(p,app)
Con gli stessi ragionamenti
si possono calcolare gli
altri parametri che abbiamo
incontrato nelle precedenti
lezioni.
76
Effettuare un grafico della curva caratteristica operativa
Page 39
24/01/2013
39
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 3 dove è la costante di Poisson.c c c±
In mancanza di un valore teorico per si utilizza la media campionaria.c
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=[21,24,16,12,15,5,28,20,31,
25,20,24,16, 19,10,17,13,22,18,
39,30,24,16,19,17,15];
>> central=mean(c) = 19.67;
>> upp=central+3*sqrt(central)=32.97;
>> low=central-3*sqrt(central)=6.36;
0 5 10 15 20 25 305
10
15
20
25
30
35
40C chart
Esercizio: eliminare il campione 20 e
6 e rifare la carta di controllo.
78
Page 40
24/01/2013
40
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.
xu
n=
Siccome rappresenta il num.
di pezzi non conformi totali,
è una v.a. di Poisson, di cui /
rappresenta la media cam-
pionaria.
x
x n3
uu u
n= ∓
79
1 rotolo=50 m^2 di tessuto – La tabella riporta il num di difetti.
Num. Num. m^2 Num.dif. Num. Di
rotoli ispez.
1 500 14 10.0=500/50
2 400 12 8.0=400/50
3 650 20 13.0
4 500 11 10.0
5 475 7 9.5
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
153
107.5u =
1
3
1con
k
i
i
uu
m
m nk =
±
= ∑
80
Page 41
24/01/2013
41
81
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-’)
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
Page 42
24/01/2013
42
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.
Esempio: i dati che andiamo ad
esaminare sono stati costruiti al
seguente modo. I primi 20 sono
stati selezionati da una popola-
zione gaussiana di media 10 e
deviazione standard 1. I rimanenti
10 sono stati selezionati da una
popolazione gaussiana di media
11 e di deviazione standard 1.
Questi ultimi si possono
pensare come selezionati da un
processo che è andato fuori
controllo statistico. 5 10 15 20 25 30
6
7
8
9
10
11
12
13
14Shewart chart
La carta della media non segnala subito la variazione! 83
( ) ( )0 0 1
1
Nella carta CUMSUM si effettua il grafico di
i
i j i i
j
S x x Sµ µ −=
= − = − +∑
>> s(1)=x(1)-10;
>> for i=2:30
s(i)=s(i-1)+(x(i)-10)
end
0 5 10 15 20 25 30-4
-2
0
2
4
6
8
10carta cumsum
Quali sono i limiti
di controllo?
84
Utile per misurazioni uniche. Altrimenti si usa
la media campionaria dei sottogruppi.
Page 43
24/01/2013
43
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
0 5 10 15 20 25 309
9.5
10
10.5
11
11.5
CL
Exponentially Weighted Moving Average (EWMA) Chart
Sample Number
EW
MA
86
>>ewmaplot(x’)
Attenzione: per vettori di misurazioni uniche, il vettore dei dati va passato sotto forma di
vettore colonna.
Page 44
24/01/2013
44
87
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.
• E’ un numero adimensionale.
Assume valori tra -1 e 1.i
>> r=corrcoef(x,y)
r =
1.0000 0.9772
0.9772 1.0000Uno strumento grafico utile per visualizzare il grado di dipendenza
lineare esistente tra i due campioni, è lo scatter diagram (o dia-
gramma di dispersione) .
>>polytool(x,y)
E’ una function del MATLAB che consente di approssimare i punti dello scatter-diagram con
un polinomio.
88
I punti sul grafico si riferiscono
alle coppie ( , )i ix y
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 .
Page 45
24/01/2013
45
Per conoscere i coefficienti della retta di regressione:
>> beta
beta =
0.4964 -4.4727
89
La retta di regressione è
0.4964 4.4727y x= −
>> residuals
residuals =
-0.1636
1.8727
-1.0909
2.9455
-3.0182
-1.9818
0.0545
-3.9091
7.1273
-1.8364
90
Se la retta di regressione lineare è e si indica con
l'ordinata sulla retta in corrispondenza del dato esimo, il residuo
-esimo è .
i i
i i i
y x y x
i
i e y y
α β α β= + = +
−
= −
⌢
⌢
Page 46
24/01/2013
46
91
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 Xα β= + Per effetto degli errori di misurazione i i iy xα β ε= + +
rappresenta lo scostamento del dato sperimentale dal valore
ottenuto usando il modello lineare in assenza di il va-
lore proviene da una gaussiana di media 0.
i
i
bias
ε
ε
⇒
Adeguatezza del modello: validazione
E’ necessario verificare che i residui provengano da una popolazione gaussiana:
a) Normplot
b) Test di Kolmogorov-Smirnov
-4 -2 0 2 4 6
0.05
0.10
0.25
0.50
0.75
0.90
0.95
Data
Pro
babili
ty
Normal Probability Plot>> [H,P,KSSTAT,CV] =
KSTEST(residuals/standard)
H = 0
P = 0.8054
KSSTAT = 0.1933
CV = 0.4093
>>
Adeguatezza del Modello – ANALISI DEI RESIDUI
92
Page 47
24/01/2013
47
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.
( ) ( )( ) ( )
(-1,1). e 0,0 parametricon ,),(,),(for
2
)1(2
1exp
12
1),(
:è bivariata normale una di àprobabilit di densità funzione La
22
2
2
2
2
22
∈>>∈∈
−+
−−−
−
−−
−=
ρσσµµ
σ
µ
σσ
µµρ
σ
µ
ρρσπσ
YXYX
Y
Y
YX
YX
X
X
YX
XY
RRyx
yyxxyxf
:Esempio
Gaussiana (congiunta) bidimensionale
[ ][ ]
[ ]
[ ] )1,1(
2
Y
2
X
−∈
=
=
=
=
ρ
σ
σ
µ
µ
YVar
XVar
YE
XE
Y
X
94
Page 48
24/01/2013
48
9.0,0,0,1,1 ===== ρµµσσ YXYX
Contour plots0,0,0,1,1 ===== ρµµσσ YXYX
0,0,0,1,1 ===== ρµµσσ YXYX
95
Gli outliers possono modificare significativamente il valore
del coefficiente di correlazione.