Capitolo I

TECNICHE DI PRESENTAZIONE ED ANALISI DEI DATI

Ad un processo si richiede di dare un prodotto/servizio conforme alle specifiche. Ci,
generalmente, non avviene spontaneamente, ma la conseguenza di una continua opera di
controllo e regolazione. Ogni processo ha una sua variabilit intrinseca dovuta ad innumerevoli
cause; lindividuazione, il controllo e la riduzione di tali cause di variazione lo scopo del
"Controllo di Processo".
Generalmente per gli scopi che il controllo di processo si prefigge necessario procedere al
prelievo ed allanalisi di campioni del prodotto e alla misura di parametri del processo
(temperature, pressioni, portate, composizioni, pH, posizionamenti, etc.) e cio occorre procedere
alla raccolta di dati che saranno quindi analizzati per ottenere le necessarie informazioni sul
processo.
Occorre preliminarmente dare risposte ai seguenti quesiti e cio:
- quali e quanti dati,
- come analizzarli.
Le risposte sembrano ovvie.
Poich stiamo raccogliendo dati per ottenere risposte ai quesiti che ci siamo posti, il tipo di
dati da raccogliere deve darci le informazioni necessarie. Ogni altro dato, inoltre, anche se
facilmente acquisibile, non serve e quindi fa solo sprecare tempo e risorse.
Le informazioni che ci aspettiamo di ottenere dai dati saranno la base delle nostre future
azioni; quindi necessario che queste abbiano un ridotto margine di errore.
Infine per quanto riguarda il come analizzare i dati la risposta ovvia che dobbiamo utilizzare
quelle tecniche che consentano di estrarre il massimo di informazione e ridurre quindi il margine di
errore delle nostre conclusioni.
Occorre precisare che i passi sulla conduzione dellindagine, prima esposti, rappresentano la
successione temporale dellindagine, ma in effetti poich ci serviremo delle tecniche statistiche, e
tra queste sceglieremo le pi potenti, la quantit di dati necessaria determinata dalla precisione
delle risposte e quindi dalla procedura statistica che sar utilizzata (Progettazione degli
Esperimenti).
Generalmente il primo passo quello di esaminare il prodotto finito per il quale, ovviamente,
sono previste delle specifiche (dimensioni, aspetto, difetti, colore, etc.).
Per evitare di restare nel vago, le tecniche di analisi, che verranno illustrate, lo saranno
attraverso lapplicazione ad un ipotetico caso che si pu verificare in produzione.

1. Diagramma di Pareto ed istogramma

Supponiamo, quindi, che, in una industria meccanica, la produzione di un particolare dia una
qualit poco soddisfacente e cio che il numero di pezzi difettosi eccessivamente elevato.
Si tratti, in particolare, di un pezzo il cui schizzo mostrato in Fig. 1-1.

L
Fig. 1-1
Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 1

Le caratteristiche che interessano sono:

Diametro:
D = 50 0.1 mm
Lunghezza:
L = 100 0.2 mm
Rugosit:
Ra = 2
Il pezzo prodotto su due torni a CN ed il grezzo costituito da un pezzo stampato.
Una prima indagine relativa alle tipologie di difettosit. Da una tale indagine risulta che su
450 pezzi scartati 270 lo sono stati perch il diametro era fuori tolleranza, 112 perch lo era la
lunghezza, 45 a causa di una eccessiva rugosit e altri 23 per cause diverse.
500
450
400
350
300
250
200
150
100
50
0
Diam.

Lungh.

Rugos.

Altro

Fig. 1-2
Tali dati sono riportati in un diagramma (Fig. 1-2) in cui, sullasse delle ascisse si riporta la
caratteristica della classe (il motivo della difettosit) e su quello delle ordinate la numerosit della
classe o la frazione. Le classi sono riportate in ordine decrescente di numerosit. Si traccia quindi
una spezzata che rappresenta la cumulata delle difettosit.
Il grafico ottenuto prende il nome di diagramma di Pareto.
Il diagramma mostra sempre che il maggior numero di non conformit sono dovute ad un
numero limitato di fattori e quindi permette di mettere in evidenza le tipologie vitali di non
conformit.
poco efficiente occuparsi contemporaneamente di tutte le difettosit, pertanto si concentrano
le risorse disponibili (uomini e mezzi) per la soluzione di un unico problema. Il diagramma di
Pareto indica che il problema prioritario quello degli scarti dovuti alla mancanza di conformit
alle specifiche del diametro. (Poich le motivazioni delle nostre azioni sono economiche, nel
diagramma si riporta non il numero di difetti, ma i costi relativi; nel caso in esame si sta
supponendo che tutti i tipi di difetti comportino lo stesso costo).
Infatti, se riusciamo a migliorare la produzione riducendo, per esempio del 50%, tale frazione di
pezzi difettosi, riduciamo la difettosit totale del 135/450100 = 33.75%. Se invece ci
preoccupassimo di ridurre la difettosit conseguente ad una non adeguata rugosit, anche se
riuscissimo ad eliminarne completamente la causa, in totale avremmo un miglioramento pari al
45/450100 = 10%. Tale decisione presa prescindendo dalle difficolt, incognite, che
incontreremo nella soluzione del problema.
Per iniziare lindagine occorrono informazioni pi dettagliate sul tipo di difettosit; pertanto
preleviamo un campione della produzione ed eseguiamo il collaudo della grandezza da studiare.
Per una prima analisi i dati saranno riportati su un grafico per un esame visivo; il grafico pi
opportuno listogramma che ci permette di osservare come le misure si distribuiscono ed in che
relazione stanno con le specifiche.
A tale scopo individuiamo il valore pi grande ed il pi piccolo dei dati raccolti (il Range dei
dati) e, fissato un numero di classi k, determiniamo lampiezza di ogni classe dividendo il Range
per il numero delle classi. La scelta del numero delle classi importante perch al se troppo
elevato o molto basso, rispetto al numero dei dati, non si ottengono informazioni significative;

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 2

generalmente tale numero si sceglie pari a n oppure utilizzando la regola k=1+3.3Log n.

Utilizzando la prima regola k=10
Spesso per semplicit si preferisce sottrarre da tutte le misure una quantit costante che pu
essere la moda, il valore nominale o una qualunque altra dimensione. Nel nostro caso abbiamo
sottratto da tutte le misure 45 mm.
I risultati delle misure siano quelli riportati nella seguente Tab. 1-1.

5.12
4.97
5.08
4.99
4.93
5.00
5.05
5.07
4.99
5.19

5.16
5.02
5.08
5.07
5.04
5.01
5.03
5.02
5.03
5.01

5.00
5.07
5.06
5.04
5.03
5.16
4.99
5.08
5.06
5.11

4.98
5.08
5.11
5.02
5.03
5.10
5.11
5.07
5.05
5.01

5.11
5.00
5.01
5.09
5.01
5.09
5.02
4.92
5.05
5.11

5.10
5.02
5.10
5.08
5.01
5.05
5.16
5.02
5.05
5.01

5.06
5.04
5.06
5.07
5.11
5.10
5.09
5.09
5.00
5.03

5.02
5.03
5.02
5.09
5.06
5.02
5.10
5.02
5.04
5.04

5.04
4.98
5.01
5.07
5.05
5.03
5.18
5.06
5.00
5.04

5.05
5.08
5.02
5.00
5.02
5.07
5.11
5.04
5.09
5.01

xm

xM

4.98
4.97
5.01
4.99
4.93
5.00
4.99
4.92
4.99
5.01

5.16
5.08
5.11
5.09
Tab. 1-1
5.11
5.16
5.18
5.09
5.09
5.19

Nelle ultime due colonne sono riportati i valori minimo xm e massimo xM di ogni riga. La
differenza tra il valore massimo della colonna xM (=5.19) ed il minimo della colonna xm (=4.92) d
il Range del campione. Divi dendo ora il Range per k (=10) otteniamo lampiezza di ogni classe h.
Con i dati della tabella si ha:
h = R/k = (5.19 - 4.92)/10=0.027
Per comodit opportuno che h abbia una cifra significativa in pi delle misure; in tal modo
non ci saranno incertezze nella classificazione dei dati. (Se ci non possibile allora qualche
dato coincider con il limite superiore di una classe e con quello inferiore di quella successiva; il
dato va assegnato alla prima classe).
Lampiezza delle classi quindi 0.027 ed i conseguenza i limiti superiori delle classi saranno:
I classe 4.92 + h = 4.947
II classe 4.92 + 2h = 4.979
................................
X classe 4.92 +10h = 5.190
Il limite superiore calcolato dellultima classe, per problemi di arrotondamento, non sempre
coincide con il valore massimo misurato; porremo sempre il limite superiore dellultima classe pari
al massimo valore misurato.
Siamo allora in condizione di costruire una tabella delle frequenze che, per i dati esaminati,
riportata in Fig. 1-3.
Centro
classe
4.934
4.961
4.988
5.015
5.042
5.069
5.096
5.123
5.150
5.177

Limiti classi
4.920-4.947
4.947-4.974
4.974-5.001
5.001-5.028
5.028-5.055
5.055-5.082
5.082-5.109
5.109-5.136
5.136-5.163
5.163-5.190

//
/
/////
/////
/////
/////
/////
/////
///
//

/////
/////
/////
/////
///
/////

/
///// ///// //
///// ///// //
///// ////

tot.

2
1
11
22
22
19
8
10
3
2
100

Fig. 1.3

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 3

Nella tabella nella prima colonna riportato il valore centrale della classe e nella seconda i
limiti della classe. Per costruire il diagramma delle frequenze basta, per ogni valore, aggiungere
una barretta alla classe che lo contiene (talvolta la quinta barretta posta trasversalmente sulle
prime quattro per comodit di conteggio).
sempre opportuno verificare che il numero dei dati riportati sia pari al totale disponibile
perch gli errori sono molto frequenti.
Si riporta quindi centro classe e frequenza in un diagramma a barre (istogramma) mostrato in
Fig. 1-4.
In tale figura sono anche riportati il valore nominale (x med ed i due limiti di tolleranza (LST e
LIT).
25

Xmed

20
LST

LIT

15
10
5

5.177

5.15

5.123

5.096

5.069

5.042

5.015

4.988

4.961

4.934

4.9

Fig. 1-4
Da essa possiamo trarre le seguenti conclusioni:
- le misure non sono centrate rispetto al campo di tolleranza,
- non esistono pezzi con dimensioni inferiori al limite inferiore di tolleranza,
- tutti i pezzi difettosi sono tali perch le dimensioni sono superiori al limite superiore di tolleranza,
- non si rilevano punti isolati,
- la dispersione dei dati troppo elevata per la tolleranza richiesta,
- sembra che la distribuzione sia distorta.
Lesame della figura indica quindi che per ridurre la frazione di pezzi fuori tolleranza occorre
spostare la media del processo e ridurre la dispersione.
Mentre nel caso in esame semplice spostare la media del processo, non altrettanto pu dirsi
della dispersione.
In seguito mostreremo dei diagrammi molto utili allo scopo e cio i diagrammi causa-effetto;
subito ci occuperemo di altri diagrammi utili per lo studio e la presentazione dei dati e
precisamente dei diagrammi ramo-foglia e dei diagrammi a scatola.
Utilizzeremo i dati della Tab. 1-1.
2. Diagramma ramo foglia
In questo diagramma le classi vengono determinate dalla penultima cifra significativa dei dati. Il
primo dato della tabelle 5.12; le ultime due cifre significative sono 1 e 2. La prima cifra indica
una classe; individuata la classe riportiamo in corrispondenza tutte le ultime cifre significative. Il
dato appartiene alla classe (5)1 foglia 2. Esaminando i dati si vede che abbiamo in tutto tre classi
o rami e precisamente 49, 50 e 51.
Raccogliendo i dati secondo le classi individuate si ottiene il seguente diagramma.

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 4

49 23788999
000000111111112222222222233333334444444455555556666
50
6677777778888889999999
51 000001111111266689

Fig. 1-5a

Poich il numero delle classi ottenuto molto piccolo costruiamo il diagramma "stirato" che si
ottiene dividendo ciascun ramo in due parti la prima che contiene i dati la cui ultima cifra
compresa tra 0 e 4 e la seconda tra 4 e 9; la prima classe si indicher con un asterisco.
49*
49
50*
50
51*
51

23
788999
00000011111111222222222222333333344444444
555555566666677777778888889999999
0000011111112
66689

Fig. 1-5b

Per aumentare ulteriormente il numero delle classi ciascun ramo originario si pu dividere in
cinque nuovi rami; evidentemente al primo appartengono i dati in cui lultima cifra 0 o 1, alla
seconda 2 o 3, alla terza 4 o 5, alla quarta 6 o 7 e alla quinta 8 o 9. I rami si indicano con : il
primo con un asterisco, il secondo con una t, il terzo con una f, il quarto con una s ed infine il
quinto con un punto. Si ottiene il diagramma ramo e foglie "schiacciato" di Fig. 1-5c.
49*
49t
49f
49s
49.
50*
50t
50f
50s
50.
51*
51t
51f
51s
51.

23
7
88999
00000011111111
222222222222333333333
444444445555555
6666667777777
8888889999999
000001111111
2

Fig. 1-5c

666
89

Il diagramma molto simile allistogramma, ma ottenuto con minore fatica (si suppone di
operare manualmente).
Per determinare il numero dei rami, e quindi se utilizzare il diagramma normale, stirato
(stretched) o schiacciato (squeezed) si usa la relazione:
M = 10Log n
Il numero di rami che si utilizza il pi prossimo, ma minore, di M. Nel nostro caso M=20 e
quindi dobbiamo utilizzare lultimo diagramma che contiene 15 classi. Evidentemente tracceremo
solo il diagramma che serve.
Il diagramma ramo e foglie ha il vantaggio che si riportano i valori numerici e ci pu evitare
discussioni sulla correttezza dei dati e questi, inoltre, sono riportati ordinati.

3. Diagrammi a scatola (e baffi)

Un altro metodo di presentare i dati con luso di diagrammi a scatola. Per ottenere un tale

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 5

diagramma si determinano la mediana (M) ed i quartili inferiore (Q1) e superiore (Q3). (La mediana
il valore tale che il 50% dei dati ha un valore inferiore ed, evidentemente, il 50% superiore; il
quartile inferiore il valore tale che un quarto dei dati ha valore inferiore ed i tre quarti superiore,
viceversa per il quartile superiore).
Ordinati i dati in ordine crescente si ottiene:
Me = 5.05
Q1 = 5.02
Q3 = 5.08
(La mediana, essendo il numero dei dati 100 la media tra il 50-esimo ed il 51-esimo dato, Q1
la media tra il 25-esimo ed il 26-esimo, e Q3 la media tra il 75-esimo ed il 76-esimo)
Si determina:
RIQ = Q3 - Q1 = 0.06
(rango inter-quartile)
Q3 + RIQ = 5.08+0.06 =5.14
Q1 - RIQ = 5.02-0.06 = 4.96
Si costruisce quindi il diagramma di Fig. 1-6 in cui i lati orizzontali del rettangolo sono tracciati
in corrispondenza dei due quartili (Q1 il lato inferiore e Q3 il lato superiore); dentro il rettangolo si
riporta un segmento orizzontale in corrispondenza della mediana.
5.2
x3

5.15
5.1
5.05

5
4.95
4.9

Fig. 1-6
A partire dal lato inferiore del rettangolo si riporta un segmento verticale (baffo) la cui lunghezza
il minimo tra (Q1 - Xmin) e RIQ e a partire dal lato superiore un segmento pari al pi piccolo tra
(Xmax - Q3) e RIQ. Nel nostro caso:
Xmax - Q3 = 5.02 - 4.92 = 0.10
Q1 - Xmin = 5.19 - 5.08 = 0.11
e quindi le lunghezze dei baffi saranno RIQ = 0.06. Si riportano inoltre:
a) i punti che cadono tra (Q1-1.5RIQ) e (Q1 - RIQ) oppure tra (Q3+1.5RIQ) e (Q3 + RIQ), che si
indicano con una "o",
b) i punti che cadono al di sotto di (Q1-1.5RIQ) o al di sopra di (Q3+1.5RIQ) che si indicano con
un asterisco.
Con i dati della tabella si ha:
Q3+1.5RIQ = 5.08+0.09 = 5.17
Q1 -1.5RIQ = 5.02-0.09 = 4.93
Pertanto il dato 4.92 va riportato con un asterisco ed il dato 4.93 con una o; superiormente i tre

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 6

dati 5.16 sono riportati con una o, ed i due dati 5.18 e 5.19 con un asterisco.
I diagrammi a scatola consentono di:
a) confrontare diverse serie di dati;
b) avere una indicazione della forma della distribuzione. Se la mediana, come in questo caso,
cade al centro dei due quartili allora la distribuzione simmetrica (per es. normale), se pi vicina
a Q1 allora i dati hanno una distorsione positiva, negativa se pi vicina a Q3.
c) avere informazioni sulla lunghezza delle code. Lunghezza dei baffi (whiskers) elevata significa
code molto estese.
d) rilevare dati anomali; generalmente, ma non sempre, valori oltre i baffi sono sintomo di
anomalie. [Spesso vero il contrario e cio un valore anomalo esterno allintervallo (Q11.5RIQ)(Q3+1.5RIQ)]
Per meglio interpretare un diagramma a scatola utile il confronto con la distribuzione normale
(di media e scarto quadratico medio ).
Q1 = - 0.675
Q3 = + 0.675
Me= = (Q3 + Q1)/2
RIQ = Q3 - Q1 1.35

(distribuzione simmetrica)

(laltezza del rettangolo proporzionale allo scarto quadratico medio)

1.5RIQ 2

Q1 - RIQ -2

Q3 + RIQ + 2

La probabilit che un punto cada esternamente allintervallo (Q1-1.5RIQ)(Q3+1.5RIQ) pari a

0.0055 e cio un punto ogni 200 circa.

4. Diagrammi causa effetto

Per mettere in luce le cause di variabilit, ma non solo per questo, un mezzo molto utilizzato,
specialmente nei circoli di qualit (QC), e che si dimostrato molto potente, il diagramma
causa-effetto proposto per la prima volta in Giappone da Ishikawa.
Per la sua costruzione si seguono i seguenti passi:
1- determinare la caratteristica qualitativa da analizzare ed indicarla sulla destra del foglio,
racchiudendola in un rettangolo, e tracciare una freccia con doppia linea dalla destra della pagina
sino al rettangolo.
2- Segnare i fattori principali che influenzano la caratteristica qualitativa superiormente ed
inferiormente al foglio dentro dei rettangoli.
1- Per ognuno di questi fattori individuare i fattori che li influenzano (le cause delle cause) e
collegarli con frecce a quella del fattore.
Procedere individuando, per ogni fattore, i fattori che lo influenzano.
I diagrammi causa-effetto sono una utilissima guida sia per la discussione che per la ricerca
delle cause di qualunque problema di produzione.
Ogni volta che si verifica una variazione nella qualit, istogrammi o altri diagrammi permettono
di evidenziare ci che accaduto, ma non perch accaduto; il perch deve essere ricercato ed il
diagramma causa-effetto adatto allo scopo.
Riprendendo lesempio prima riportato, la caratteristica che interessa la dimensione del
diametro.
Le cause di variazione possono essere:
- semilavorato (materiale);
- macchine utensili, utensili, attrezzature;
- operatori;
- sistema di misura (ispezione).

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 7

Consideriamo le cause di variazione dovute al semilavorato. Possiamo avere:

- variazioni di durezza;
- variazioni dimensionali;
- ...................................
Le variazioni di durezza del semilavorato possono essere dovute a:
- processo di lavorazione (del semilavorato);
- caratteristiche del materiale;
- ..................................
Le variazioni di durezza dovute al processo di lavorazione del semilavorato possono dipendere
da:
- differenti condizioni di raffreddamento;
- ...........................................................
Si sono indicate solo alcune delle cause per mostrare come procedere nellanalisi.
Il diagramma causa-effetto riportato nella Fig. 1-7.
Raffr.
Operatori

Materiale

Proc
Car. Mat.
Durezza

Dimens.

Diametro

Controllo

Macchine

Fig. 1-7
In base ad esso si analizzano tutte le cause di variazione del diametro; eventualmente durante
lanalisi si pu completare il diagramma.
Supponiamo di esaminare, inizialmente, il ramo:
- macchine utensili, utensili, attrezzature.
In mancanza di dati si comincia con lesaminare quei rami che si ritiene siano responsabili
delle maggiori variazioni nella caratteristica sotto studio.
Macchine utensili
Nella lavorazione si sono utilizzati due torni a CN. Quando si prelevato il campione non si
prestata attenzione a tale fatto e pertanto non pi possibile distinguere i pezzi lavorati dalle due
macchine; occorre indagare se la notevole dispersione dei dati sia da imputare a ci.
Le Fig. 1- (810) mostrano cosa succede quando si mescolano campioni di popolazioni
normali aventi uguali varianze e differenti medie (50% dei pezzi da ogni popolazione).
In tali figure f(x 1) ed f(x 2) indicano le densit di probabilit delle due popolazioni, mentre f(x)
quella che si ottiene miscelando le due popolazioni.
Le figure sono relative a differenze nelle medie di 1, 2 e 3 rispettivamente. Evidentemente la
popolazione non pi normale; quello che le figure mostrano che inizialmente si ha un aumento
della varianza, successivamente si ha una insellatura e quindi, tracciando listogramma dei dati, si
rileva un doppio picco nelle frequenze.

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 8

0.4
0.35

f(x1)

f(x2)

0.3
0.25
f(x)
0.2
0.15
0.1
0.05

0
Fig. 1-8

0.4
0.35
f(x1)
0.3

f(x2)

0.25
f(x)

0.2
0.15
0.1
0.05

0
Fig. 1-9
0.4
0.35

f(x1)

f(x2)

0.3
0.25
0.2

f(x)

0.15
0.1
0.05
0

X
Fig. 1-10

Ne deriva che listogramma mostrer pi picchi solo se la differenza tra le medie di alcuni .
Evidentemente quando si preleva un campione da una di tali popolazioni, occorre tener presenti gli
effetti del campionamento per cui pu succedere che campioni estratti da pi popolazioni mostrino
un solo picco e viceversa. Ci pu anche essere dovuto ad una scelta non appropriata del numero

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 9

delle classi (troppo poche o troppo numerose).

Quindi solo se listogramma mostra pi picchi ben separati possiamo avere un ragionevole
dubbio che i dati si sono ottenuti campionando da pi popolazioni.
Ad analoghe conclusioni si perviene esaminando i grafici di probabilit normale.
indicativo il comportamento dello scarto quadratico medio quando si mescolano due
popolazioni con medie diverse ed uguali varianze.
Se il 50% dei dati preso da ognuna delle due popolazioni, la media il valore medio delle due
medie, mentre lo scarto quadratico medio assume i valori sotto riportati.
/
12/

0.5
1
1.5
2
2.5
3
3.5
4
1.03 1.12 1.25 1.41 1.60 1.80 2.02 2.24

Quindi, per esempio, se le medie delle due popolazioni differiscono di 3 si ha un aumento

dell80% dello scarto quadratico medio.
Listogramma di Fig. 1-4 sembra somigliare alla densit di probabilit di Fig. 1-9 e pertanto, se
le popolazioni relative alle due macchine hanno medie diverse, la differenza deve essere di pochi
.

5. Test sulle varianze e sulle medie

Il test utilizzato per la verifica dellipotesi diverso a seconda che le varianze siano o meno
note ed in questultima ipotesi se sono uguali o no. Supporremo di non conoscere le varianze delle
due popolazioni e testeremo lipotesi della loro uguaglianza (test di omogeneit della varianza).
Dobbiamo, quindi, testare lipotesi:
H0: 1 = 2
con lipotesi alternativa:
H1: 1 2
Si ritiene inoltre che una differenza tra le medie di 0.06 mm non sia significativa.
Passiamo quindi alla progettazione del piano. A tale scopo si utilizza la Tabella riportata nei
Richiami. Occorre fissare i rischi di prima e di seconda specie ed il valore della differenza tra le
medie a cui far corrispondere il rischio . Tale valore evidentemente 0.06 mm. Occorre ancora
conoscere le varianze delle due popolazioni.
Come base per la progettazione possiamo assumere quale valore di quello calcolato dal
precedente campione. Se fosse vera lipotesi di due popolazioni allora la di ciascuna dovrebbe
essere minore di tale valore; poich la dimensione campionaria diminuisce con , il piano
progettato utilizzando il valore vero della Dev. St. richiede una dimensione campionaria pi
piccola; in definitiva, utilizzando il valore di del precedente campione avremmo dei rischi pi
piccoli.
In base ai dati della Tab. 1-1 la stima dello scarto quadratico medio :
s = 0.0488
Fissando =0.05, =0.1 ed essendo:
=

1 2

0 .06 0
0.0488

1.2

dalla Tabella (Richiami) ricaviamo (test bilaterale) n = 8.

I dati della tabella sono relativi al confronto di una media con un valore costante; nel caso di
confronto di due medie occorre raddoppiare la numerosit dei campioni.
Avendo utilizzato per il progetto un valore di maggiore di quello effettivo, non si effettua
lincremento della dimensione campionaria previsto per il caso di varianza incognita.
Prelevati e collaudati due campioni, ciascuno di numerosit 16, si sono ottenuti i seguenti
risultati

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 10

Media
5.0492
5.0534

SQM
0.05078
0.04933

Preliminarmente, come abbiamo detto, dobbiamo testare lipotesi di uguaglianza delle varianze
e cio eseguire il test:
H0: 12 = 22
con lipotesi alternativa:
H1: 12 22
Sappiamo che, se vera lipotesi nulla, allora il rapporto delle due varianze campionarie segue
una distribuzione F con gli opportuni gradi di libert. Fissando =0.05 i valori critici di F
(corrispondenti ad aree nelle due code pari a 0.025) valgono:
0.349 e 2.862
Il rapporto tra le due varianze campionarie [5.0782/4.9332] = 1.06
Pertanto non ci sono elementi per rigettare lipotesi nulla.
In queste condizioni il test sar basato sulla statistica:
x 1 x 2 ( 1 2 )

S 2p (1 / n1 + 1 / n 2 )

dove n1 ed n2 sono le dimensioni dei due campioni ed S2p calcolato con lespressione:
2

Sp =

(n1 1) S 21 + (n 2

1) S 22

n1 + n 2 2

Risulta:
S 2p = 25.0610-4

x 1 x 2 ( 1 2 )
S 2p

(1 / n1 + 1 / n 2 )

0.0042 0
25 .06 10 4 (1 / 16 + 1 / 16 )

= 0 .237

La statistica utilizzata ha distribuzione t con n1+n2-2 gradi di libert. I valori critici di t avendo
scelto =0.05 sono: -2.042 e 2.042 e pertanto, essendo il valore calcolato della statistica interno
ai due valori critici, possiamo accettare lipotesi nulla.
Si conclude che lelevata variabilit riscontrata non un effetto dellutilizzazione di due distinte
macchine con diverse medie.
Occorre quindi continuare con indagini separate sulle singole macchine.
Per semplicit, da ora in poi, supporremo di analizzare la variabilit di una sola macchina.
Trattandosi di una operazione di tornitura possiamo avere errori dovuti ad ovalizzazione,
conicit ed un errore dovuto al posizionamento dellutensile.
Riesaminando i dati ci si accorge che la procedura di misura non indicava n la sezione in cui
eseguire la misura, n era prevista lesecuzione di pi misure sulla stessa sezione.
Pertanto occorre eseguire un nuovo campionamento (e un nuovo collaudo) per condurre
lanalisi. Occorre preliminarmente determinare quali dati rilevare.
Scopo dellindagine quello di accertare la variabilit:
1 - sullo stesso pezzo in una stessa sezione (errore di rotondit),
2 - del valore medio in una sezione di misura,
3 - del valore medio sulle due sezioni di misura (conicit).
Per rispondere al primo quesito possiamo eseguire, su ciascun pezzo, quattro misure sulla
stessa sezione e calcolare media e varianza. Un test sullomogeneit della varianza permetter di

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 11

accertare se si pu ammettere che le varianze sono tutte uguali e, in caso affermativo, di stimarla.
Ripetendo le misure su pi pezzi, i valori medi ottenuti possono essere utilizzati per rispondere
al secondo quesito.
Per rispondere al terzo occorre ripetere le misure su unaltra sezione che, per meglio mettere
in luce leffetto su cui si indaga, deve essere, per quanto possibile, lontana dalla prima.
Si decide quindi di prelevare e collaudare un nuovo campione di 20 pezzi; su ciascuno si
eseguiranno due serie di quattro misure, ruotando il pezzo approssimativamente di un ottavo di
giro, nelle due sezioni distanti 10 mm dalle due estremit.
I risultati dellindagine sono riportati nella Tab. 1-2 alla fine del capitolo. In essa i dati delle due
righe sono relativi alla due estremit del pezzo.

6. Test di Bartlett
6.1 - Cominciamo con il verificare gli errori di rotondit. Nella Tab. 1.2 lultima colonna riporta gli
scarti quadratici medi calcolati allinterno di ogni campione.
Tali scarti, come si detto, danno una misura degli errori di rotondit in quanto non dipendono
n dal posizionamento dellutensile n da eventuali conicit del pezzo. Analizziamo i soli dati
relativi ad una stessa estremit. Dobbiamo inizialmente verificare che tutti gli scarti quadratici
medi possono assumersi come appartenenti alla stessa popolazione. Dobbiamo cio testare
lipotesi nulla:
H0: 1 = 2 = .... = k
con lipotesi alternativa:
H1: i j
per qualche i e j.
Il test che si adopera quello di Bartlett. Dai dati si calcola la varianza utilizzando tutti i dati;
se vera lipotesi nulla tale varianza data da:
k (n 1) s 2
i
S 2p = i
N

k
i =1
dove ni la numerosit delli-esimo campione, k il numero dei campioni ed N il numero totale di
dati.
Si calcola quindi:
k

Q = (N k ) ln Sp2 (n i 1) ln s i2
i= 1

e quindi la statistica di Bartlett:

B=Q/h
con:
h = 1+

k 1
1
1

3 (k 1) i=1 n i 1 N k

il valore di B si confronta con il valore di (2k 1),1 ; si accetta lipotesi che tutte le varianze
possano ritenersi uguali se:
B< (2k 1),1
Analizzando i dati della tabella, risulta B=31.17; dalle tabelle della distribuzione 2, con
2
2
=0.05, si ottiene: 19
,0.95 =30.1, mentre con =0.005 si ha: 19,0.995 =36.2.
In definitiva, quindi, il valore di B significativo al livello 0.95 e non lo al livello 0.995. Le
conclusioni che possono trarsi che sono necessarie ulteriori indagini.
6.2 - Lanalisi dei dati relativi ai diametri medi in una data sezione consente di mettere in luce
eventuali errori nel riposizionamento dellutensile allinizio della lavorazione di un pezzo (ed
eventualmente degli effetti dellusura dellutensile, ma di ci si parler diffusamente nel seguito).
Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 12

Analizziamo, quindi, i dati sui diametri medi relativi ad una sezione ed in particolare quelli della
seconda riga di ogni pezzo relativi alla sezione di fine lavorazione. Valore medio e varianza
valgono:

x = 5.0497

s x = 0.0291

I risultati mostrano che c un errore nel valore medio del diametro che risulta circa 0.05 mm
pi grande del valore nominale; permettono inoltre di accertare una variabilit, abbastanza elevata,
nel posizionamento dellutensile.
6.3 - Per verificare una conicit nei pezzi si utilizzano i diametri medi misurati alle due estremit.
Poich le misure dei diametri non sono indipendenti, il test verr eseguito sulle differenze tra i
valori medi alle due estremit. Ci consente di ridurre la varianza in quanto tale differenza non
risente degli errori dovuti al posizionamento dellutensile allinizio della lavorazione di ogni pezzo;
in definitiva si elimina una causa di variabilit ed il test pi sensibile. La Tab. 1-3 riporta le venti
differenze nei diametri.
Testiamo lipotesi che la differenza tra i diametri non significativa.
La statistica che viene utilizzata :
D 0
sd / n

t n1

dove con D si indicato il valore medio delle differenze ed sd il corrispondente scarto quadratico
medio.
In base ai dati della tabella si ottiene:

D = 0.0606
s d = 0,0324
Lintervallo di confidenza :

D t n 1, / 2 s d

n = 0.0606 0.0176

Poich lintervallo di confidenza non contiene lo zero, rigettiamo lipotesi nulla e concludiamo
che esiste un errore di conicit; in particolare il diametro cresce spostandosi verso lestremit del
pezzo ammorsata e lerrore, tra i due punti di misura, pari a 0.06 mm. Possiamo pertanto
eseguire un intervento di manutenzione in modo da correggere un tale errore. Un altro intervento
quello derivante dalla constatazione che valore medio e valore nominale differiscono di circa 0.05
mm.
Di una tale necessit avremmo potuto accorgerci prima in quanto era evidenziata
dallistogramma (Fig. 1-4).
Eseguiti gli interventi si preleva un nuovo campione e si verifica il miglioramento.
Supponiamo che i risultati del test siano che il processo migliorato, lerrore di conicit non
significativo e la media non differisce significativamente dal valore nominale. La variabilit del
processo comunque molto alta.

7. Test non parametrico sulle medie

Prima di procedere oltre verr illustrata una procedura alternativa al test t.
Questo basato sullassunzione di popolazioni normali con varianze incognite ma uguali.
Non sempre ragionevole assumere lipotesi di normalit o di uguaglianza delle varianze. Se la
numerosit dei campioni elevata, il test t abbastanza robusto; se ci non si verifica meglio
utilizzare un test non parametrico in quanto il test t pu portare facilmente a conclusioni erronee.
Un test non parametrico ampiamente utilizzato quello dei segni (sign test).
Supponiamo di avere n coppie di osservazioni indipendenti (x i, xi) da due distribuzioni di
probabilit F1(x), F2(x); vogliamo verificare che le due popolazioni hanno la stessa distribuzione di

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 13

probabilit; testiamo lipotesi nulla:

H0: F1(x)=F2(x)
con lipotesi alternativa:
H1: F1(x) > F2(x) oppure: H1: F1(x) < F2(x) oppure: H1: F1(x) = F2(x)
Poniamo:
1 x x ' > 0
vi =
i
i
0 altrimenti
e calcoliamo la somma r = vi
Se H0 vera P(vi=1)=0.5 ed essendo le osservazioni indipendenti, la variabile random r ha
distribuzione binomiale:
n 1
p(r) =
r 2

Diremo che r significativamente grande, al livello di significativit 100%, se rr I con r I il

pi piccolo intero tale che:
P(r r I)
Analogamente diremo che r significativamente piccolo se rrS con rS il pi grande intero
tale che:
P(r r S)
Infine diremo che r non differisce significativamente dal suo valore atteso (n/2) se compreso
tra r ed n-r dove r il pi grande valore tale che:
P(r r n-r ) > 1-
La Tab. T-1-1 riporta i valori critici di r I, r S, e r per =0.01 e 0.05.
1
2
3
4
5
6
7
8
9
10
0,0368 0,0632 -0,0082 0,0484 0,0763 0,0258 0,0500 0,1038 0,0980 0,0267
11
12
13
14
15
16
17
18
19
20
0,1136 0,0359 0,1107 0,0845 0,0927 0,0467 0,0567 0,0427 0,0409 0,0665

Tab. 1-3

Lapplicazione del test ai dati della Tab. 1-3, delle differenze tra le medie ai due estremi del
pezzo, banale. Infatti, poich una sola differenza negativa r=1 pertanto r differisce in modo
significativo dal valore atteso (n/2=10) e si conclude che si pu rigettare lipotesi che le due serie
di misure siano estratte dalla stessa popolazione.
Sono frequentemente usati molti altri test non parametrici.
Tornando ai dati dellesempio si rilevato che la variabilit del valore medio del diametro in una
sezione troppo elevata. Sappiamo che la macchina in grado di assicurare un errore nel
posizionamento di 0.01 mm, mentre, in base ai risultati ottenuti, lerrore sui diametri di quasi 0.2
mm (sei volte lo scarto quadratico medio 6s x =20.0866 = 0.172 mm).
Esaminando il diagramma causa-effetto, si cercano le cause di una tale variabilit. Essa, tra
laltro, pu essere dovuta ad un mal funzionamento della macchina oppure allusura dellutensile.
Si decide pertanto di eseguire una manutenzione sul sistema di comando del carrello e di
verificare, staticamente, lerrore di posizionamento.
Lindagine viene condotta utilizzando le stesse tecniche prima illustrate e pertanto non si
riporta.
Supponiamo che le conclusioni siano che la variabilit non dovuta ad un cattivo

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 14

funzionamento della macchina.

Decidiamo, pertanto, di esaminare la seconda causa di variazione, che si era individuata in
base al diagramma causa-effetto, e cio lusura dellutensile.
Preliminarmente vengono esaminati gli utensili usurati. Si tratta di utensili con inserto in
carburo di tungsteno e sono disponibili alcuni inserti sostituiti.
Essi mostrano un labbro di usura rilevante oltre che molto variabile da un inserto allaltro. Si
rileva altres che vengono utilizzati inserti di due differenti fornitori; si ritiene che ci meriti ulteriori
indagini.
A tale scopo si misurano i labbri di usura di alcuni degli utensili gi utilizzati. I risultati delle
misure su trenta utensili sono di seguito riportati.
Fornitore A
.44 .40 .43 .57 .47 .65 .35 .67 .50 .40 .54 .31 .53 .54 .45
.60 .35 .32 .53 .60 .47 .54 .53 .61 .37 .47 .36 .46 .47 .66
Fornitore B
.45 ,65 ,29 .37 .34 .35 .27 .35 .27 .34 .57 .18 .30 .23 .29
.28 .18 .52 .35 .38 .39 .56 .41 .40 .53 .21 .47 .44 .25 .55
Valore medio e varianza valgono rispettivamente:
Fornitore A
Fornitore B

Media = 0.486
Media = 0.372

Varianza = 0.010417
Varianza = 0.01516

Testiamo lipotesi di uguaglianza delle varianze. Il rapporto delle varianze campionarie vale:
0.01516/0.010417 = 1.4553.
dalla tavole della distribuzione F si ricava: F29,29;0.025 = 2. 0923 e pertanto non ci sono elementi per
rigettare lipotesi nulla. Possiamo allora eseguire il gi citato test sulle medie.
Risulta:
S 2p = 12.7910-3
x 1 x 2 ( 1 2 )

S 2p (1 / n1 + 1 / n 2 )

0.104
12 .79 10 3 (1 / 30 + 1 / 30 )

= 3 .562

Nelle tavole della distribuzione t leggiamo: t 58,0.025 = 2 (corrispondente a 60 gradi di libert).

Concludiamo pertanto che le medie delle due popolazioni sono diverse e precisamente che gli
utensili del fornitore A hanno una usura media pi elevata.
quindi conveniente acquistare gli utensili dal fornitore B.
Poich il labbro di usura influenza la dimensione dei pezzi, la variabilit, osservata sulle
dimensioni, potrebbe essere imputata ad esso.
Si osserva, preliminarmente, che raccogliere i dati e riportarli su un istogramma, o altro
diagramma analogo, non permetterebbe di trarre utili informazioni ai fini dellindagine. Il fenomeno
dellusura che vogliamo indagare necessita di altri diagrammi che non facciano perdere la
successione temporale con cui i pezzi sono stati lavorati e li raggruppino in base allutensile
utilizzato per lavorarli. In definitiva, quindi, per rendersi conto del fenomeno da studiare occorre che
essi siano analizzati nella loro dinamicit. Solo in questo modo potremo accorgerci dellinfluenza
dellusura sulle dimensioni dei pezzi. In generale diagrammi "dinamici" consentono di studiare
limpatto dei vari fattori (materiale, manodopera, attrezzature, etc.) sul processo produttivo e,
quindi, di verificarne gli effetti positivi o negativi.
I diagrammi che vengono utilizzati per tali scopi prendono il nome di "Carte di controllo".

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 15

Nr
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

x1
5,007
5,027
4,957
4,969
4,949
4,940
4,983
5,095
4,986
5,039
4,992
5,054
5,013
4,999
5,016
5,115
4,878
5,107
4,917
5,036
4,997
5,048
5,006
5,066
5,004
5,026
5,064
5,090
4,948
5,062
4,947
4,944
4,986
5,118
5,008
5,034
4,981
5,056
5,002
5,092

x2
4,987
5,125
4,934
5,072
4,950
5,008
4,935
4,949
4,979
5,113
5,032
4,969
4,925
5,063
4,990
5,128
5,000
5,041
5,094
5,043
4,896
5,162
5,015
5,015
4,975
5,114
4,919
5,118
4,922
5,037
4,943
5,053
5,051
5,040
5,030
5,094
5,063
5,020
5,021
5,076

x3
5,069
5,049
4,981
5,087
5,044
4,988
5,029
5,060
4,989
5,082
4,932
5,121
5,012
5,000
4,916
5,084
4,927
4,992
5,063
4,976
4,990
5,038
5,015
5,036
4,949
5,164
5,018
5,054
5,041
5,092
4,924
5,009
5,040
5,063
4,976
5,036
5,020
5,107
4,996
5,000

x4
4,979
4,987
5,035
5,032
5,041
5,014
4,990
5,026
5,039
5,063
5,018
4,934
5,008
5,096
5,033
5,044
5,056
5,113
4,902
5,027
5,035
5,125
4,959
5,022
4,976
5,043
4,961
5,038
4,991
5,082
4,994
4,988
4,938
5,021
5,008
5,029
5,019
5,063
4,916
5,032

x med
5,0102
5,0471
4,9768
5,0401
4,9960
4,9878
4,9843
5,0327
4,9980
5,0743
4,9937
5,0195
4,9896
5,0396
4,9889
5,0927
4,9651
5,0632
4,9939
5,0206
4,9796
5,0933
4,9987
5,0346
4,9761
5,0868
4,9905
5,0750
4,9756
5,0682
4,9519
4,9985
5,0037
5,0605
5,0056
5,0483
5,0206
5,0615
4,9838
5,0502

s
0,0409
0,0578
0,0436
0,0526
0,0536
0,0334
0,0389
0,0624
0,0276
0,0313
0,0442
0,0842
0,0431
0,0483
0,0516
0,0374
0,0785
0,0575
0,0988
0,0305
0,0591
0,0602
0,0268
0,0224
0,0225
0,0641
0,0639
0,0362
0,0522
0,0241
0,0296
0,0453
0,0522
0,0417
0,0221
0,0307
0,0333
0,0355
0,0463
0,0421

Tab. 1-2

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 16

r I
n\
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

.01

7
8
9
10
10
11
12
12
13
14
14
15
15
16
17
17
18
19
19
20
20
21
22
22

r S
.05
5
6
7
7
8
9
9
10
10
11
12
12
13
13
14
15
15
16
16
17
18
18
19
19
20
20

.01

0
0
0
0
1
1
1
2
2
2
3
3
4
4
4
5
5
5
6
6
7
7
7
8

r
.05
0
0
0
1
1
1
2
2
3
3
3
4
4
5
5
5
6
6
7
7
7
8
8
9
9
10

.01

.05

1
1
1
1
2
2
2
3
3
3
4
4
4
5
5
5
6
6
7
7
7
8
8

1
1
1
2
2
2
3
3
3
4
4
5
5
5
6
6
6
7
7
8
8
8
9
9
10

Tab. T-1-1

Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati

pag 17