Beruflich Dokumente
Kultur Dokumente
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
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
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.
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)
Q1 - RIQ -2
Q3 + RIQ + 2
Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati
pag 7
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
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
1 2
0 .06 0
0.0488
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 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
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.
Gestione Industriale della Qualit: Controllo statistico di processo a cura di Antonino Passa
Capitolo I - Tecniche di presentazione ed analisi dei dati
pag 13
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
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
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