Controllo statistico di qualità
|
|
- Eugenio Vaccaro
- 8 anni fa
- Visualizzazioni
Transcript
1 Controllo statistico di qualità
2 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 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).
3 Il controllo statistico della qualità consiste in una collezione di strumenti che sono essenziali nelle attività finalizzate al miglioramento della qualità di prodotti e servizi attraverso l analisi della loro variabilità. Es: un rivenditore compra delle cassette di frutta da un produttore e si aspetta che siano imballate e sistemate opportunamente in modo da facilitare l esposizione della merce o la sistemazione in magazzino. Tra il 1920 e il 1945, si sviluppano le tecniche di controllo statistico della qualità dell output grazie a Gorge D. Edwards e a Walter A. Shewhart. Si introdussero tecniche di controllo sull intero processo produttivo, non limitandosi più, quindi, a verificare la difettosità dei prodotti solo alla fine del processo dato che i controlli a tappeto su tut- ti i prodotti stavano iniziando a rivelarsi troppo costosi. Per effettuare questa nuova tipologia di controlli, si fece sempre più ricorso ai criteri statistici. Esaminando pochi prodotti finiti si riusciva a stabilire, mentre si produceva, se il processo presentava delle irregolarità o meno. I controlli basati su criteri statistici ebbero la massima applicazione durante la seconda guerra mondiale, quando per l industria bellica diventò necessario utilizzare in modo massiccio manodopera femminile non specializzata e soggetta, quindi, ad un margine di errore maggiore.
4 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 tollerabiliun 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 medicinale riportate nella tabella
5 I dati Un primo approccio al problema può essere la costruzione di un istogramma. DOMANDA: quale informazione si perde effettuando un istogramma?
6 30 Istogramma 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 potrebbe essere necessaria una azione correttiva sulla variabilità del processo
7 Normal plot dei dati dell esempio precedente Normal Probability Plot 0.75 Probability Data
8 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.
9 Dalla sovrapposizione dell istogramma con la retta del valore obbiettivo si può verificare il posizionamento del valore centrale dei dati rispetto al target assegnato
10
11
12
13 ESEMPIO
14
15
16
17
18 La carta dei 3-sigma Se dovesse essere disponibile una valutazione teorica (storica o di progetto) della varianza della popolazione e della media, usando il teorema del limite σ centrale è possibile sostituire il parametro kcon 3, per la varianza σ W = e per media n si può usare quella della popolazione. Esempio: parametro di flusso monitorato in una azienda con media e varianza nota n=5
19
20
21
22
23
24
25 Costruire la carta di controllo della media in Matlab 1. I dati sono in numero 12*10: ci sono 12 gruppi (i giorni) e ogni gruppo ha numerosità campionaria pari a 10. Quindi N = 120, k = 12 sottogruppi, ciascuno di taglia n = 10, i = 1,..., Organizzare i dati in una matrice e calcolare la media per ogni sottogruppo. i
26 Costruire la carta di controllo della media in Matlab >> x x = >> m=mean(x); Le medie vengono fatte sulle colonne. Queste medie vengono plottatesulla carta di controllo. Quindi sulle ascisse si riportano i giorni (in sequenza).
27 Costruire la carta di controllo della media in Matlab costruzione della carta di controllo La linea centrale è rappresentata dalla media delle medie k mi k = 96 i 1 x = ,6
28 Costruire la carta di controllo della media in Matlab costruzione della carta di controllo Per calcolare i limiti inferiore e superiore: a) Valutare l escursione di ogni sottogruppo R = max( x ) min( x ) j i, j i, j i i >> fori=1:12 r(i)=max(x(:,i))-min(x(:,i)); end Oppure usare range(x) >> r r =
29 Costruire la carta di controllo della media in Matlab 1 k Ri k i = 1 b) Calcolare la media delle escursioni: R = c) Calcolare i limiti usando la seguente tabella: >> rmed=mean(r) rmed= Plot delle linee superiori ed inferiori.
30 110 costruzione della carta di controllo Sovrapponiamo le regole di zona. A questo scopo calcoliamo la varianza media su tutti i sottogruppi: >> s=std(x); Il calcolo delle deviazioni standard viene fatto sulle colonne. >> smean=mean(s); 7.51
31 Le linee di zona sono: x ± 7.51; x ± 2*7.51; x ± 3* costruzione della carta di controllo Per le regole di zona non c è una functionin MATLAB. C è un modo per costruire il grafico direttamente in MATLAB? XBARPLOT X-bar chart for monitoring the mean. XBARPLOT(DATA,CONF,SPECS,SIGMAEST) produces an xbarchart of the grouped responses in DATA. The rows of DATA contain replicate observations taken at a given time. The rows should be in time order.
32 CONF (optional) is the confidence level of the upper and lower plotted confidence limits. CONF is 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 ) Measurements Xbar Chart 106 UCL Samples CL LCL
33 SIGMAEST =? Mentre per la media si ha linea centrale LC = x σ linea superiore LSC = x + 3 n σ linea inferiore LIC = x 3 n E per la varianza?
34 SIGMAEST = std σ 1 k k i= 1 s i dove s è la dev. campionaria di ogni sottogruppo i ji j n 1 j= 1 i n 1 ossia s = ( x x ) 2 maggiori dettagli nel seguito! Problema:
35 SIGMAEST = 'variance' SIGMAEST = range'?
36
37 CONF (optional) is the confidence level of the upper and lower plotted confidence limits. CONF is by default. This means that 99.73% of the plotted points should fall between the control limits if the process is in control. Questo valore è legato al coefficiente 3! >> norminv(0.9987,0,1) ans= >> ( )/ ans=
38 Carta di tolleranza 120 carta di tolleranza >> hold on >> >> c2=2*ones(1,10); >> plot(c2,x(:,2),'g*-') >>
39 Lettura della carta di tolleranza Attenzione a derive nella rappresentazione!
40 Confronto tra le due carte 120 Xbar Chart Measurements UCL CL LCL Samples
41
42 La lettura della carta della media va accompagnata con la lettura della cosiddetta carta dell escursione. La carta dell escursione non è disponibile in MATLAB. Con i medesimi dati, si può calcolare anche la carta per l escursione. Nell esempio la linea superiore è e quella inferiore è
43 45 carta escursione Sulla costruzione dei limiti di controllo
44 [ ] Var W 2 [ ] σ Var R = d = σ σ 2 R Se σ ˆ σ = R d 2 Una tabella maggiormente completa A 2 D D 3 4 corrisponde ad A corrisponde a C corrisponde a B
45 Come si leggono le variazioni sulle carte di controllo Uno spostamento della media del processo produttivo, provoca l appariredi 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 anomalie avvertibili sia sulla carta di controllo della media che su quella della escursione, che tenderanno a distanziarsi tra di loro.
46 Sostituisce la R chart Carte MR (movingrange)
47
48 Curva caratteristica operativa Diremo che il processo è in controllo statistico se per ogni t, indice dei sottogruppi, x ( LimInf, LimSup). t Regione di accettazione
49 Test di Ipotesi H H : µ = µ 0 0 : µ µ 1 0 = funzione dei dati E' possibile accettare? l'ipotesi nulla H0 A 2 code REGIONE CRITICA REGIONE DI ACCETTAZIONE REGIONE CRITICA A 1 coda REGIONE DI ACCETTAZIONE REGIONE CRITICA
50 α = P Test di ipotesi ( si rigetta H 0 - a posteriori - quando H 0 è vera - a priori) ERRORE DI I TIPO α livello di significatività del test ( ) α = P si accetta H - a posteriori - quando H è vera - a priori
51 Le regione di accettazione e µ = µ 0 µ 0
52 Si rigetta l ipotesi nulla µ 0 Statistica osservata
53 Non si rigetta l ipotesi nulla µ 0 Statistica osservata
54 Test di ipotesi REGIONE DI ACCETTAZIONE α livello di significatività del test?? P STATISTICA regione di accettazione = 1 α ( ) α = 0.10,0.05,0.01
55 β = P Test di ipotesi ( si rigetta H1- a posteriori - quando H 1 è vera - a priori) ERRORE DI II TIPO 1 β potenza del test ( 1 1 ) ( 0 0 ) 1 β = P si accetta H - a posteriori - quando H è vera - a priori 1 β = P si rigetta H - a posteriori - quando H è falsa - a priori DEVE ESSERE ALTA
56 L errore di II tipo µ = µ 0 µ = µ 1 µ µ 0 1 Statistica osservata
57 La potenza del test µ = µ 0 µ = µ 1 µ 0 1 µ Statistica osservata
58 Curva caratteristica operativa Diremo che il processo è in controllo statistico se per ogni t, indice dei sottogruppi, x ( LimInf, LimSup). t α = P(rigettare H µ = µ ) 0 0 β = P(rigettare H µ µ ) 1 0 Regione di accettazione = P( x ( LCL, UCL) µ = µ ) t = P( x ( LCL, UCL) µ µ ) t 0 0 FALSO ALLARME MANCATO ALLARME
59 Non avendo ipotesi alternative certe, immaginiamo che µ = µ 1 = µ 0 + kσ Se la popolazione è gaussiana, allora β = P( x ( LCL, UCL) µ = µ + kσ ) t UCL ( µ ) ( ) 0 + kσ LCL µ 0 + kσ = Φ Φ σ / n σ / n Il plot dei valori assunti da questo parametro per un opportuno valore di k, si chiama curva caratteristica operativa. σ σ Se UCL = µ 0 + L e LCL = µ 0 L, allora n n β = Φ L k n Φ L k n ( ) ( ) e quindi perdiamo la dipendenza sia dalla deviazione standard che dalla media (che magari sono incognite!). Per usare le curve operative è necessario avere qualche informazione in più sulla natura del processo (ad esempio che la popolazione è gaussiana). 0
60 Torniamo al nostro esempio dei flaconi. Siccome i limiti che abbiamo usato sono di tipo σ µ 0 ± L dove L = 3, n = 10 e σ R / d2 allora si ha n β = Φ 3 k 10 Φ 3 k 10 ( ) ( ) Curva operativa >> k=[0.1:0.2:3]; >> z=normcdf(3-k.*sqrt(10))- normcdf(-3-k.*sqrt(10)); >> plot(k,z) Per k=1, vale circa 0.3 la probabilitàdi un mancato allarme Per valori di k inferiori, aumenta la probabilità di un mancato allarme.
61 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 k n ) ( 3 k n ) β = Φ Φ Curve operative al variare di n n=8 n=5 n=12 Ogni plot corrisponde ad un valore di n
62 Altro uso della curva operativa 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. ( ) ( ) Si fissa β, e si cerca quel valore di z tale che Φ z Φ z = β ossia, ricordando le proprietà della gaussiana... ( z β ) 2Φ 1 = β 1 β + 1 z β = Φ 2 β β β z = 3 k n β è possibile ricavare n Per k=1 β = 0.3 >> ((3-norminv((0.3+1)/2,0,1)))^2 n = 6
63 Strategia di scelta dei sottogruppi ma sono costosi! La pratica industriale corrente preferisce la prima strategia aumentando la La pratica industriale corrente preferisce la prima strategia aumentando la frequenza
64 Approcci per la costruzione dei sottogruppi Approccio SNAPSHOT Quanti k? Approccio RANDOM
65 ARL (average long run) Sia T la variabile aleatoria che indica il numero di sottogruppi da estrarre prima di avere un punto fuori i limiti della carta di controllo. T ha legge... k 1...geometrica, P( T = k) = p(1 p), k = 1,2,... 1 ARL, tempo medio per avere un fuori controllo p [ ] = ARL, tempo medio per avere un fuori controllo E T = 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= Quindi la probabilità che il processo vada fuori controllo è >> E [ T ] = 370 ans=
66 Negli ultimi anni, l uso di questo parametro è stato oggetto di critiche: a) Deviazione standard q [ ] = =370 la deviazione standard è molto ampia D T p b) La distribuzione geometrica è molto asimmetrica 2.8 x 10-3 Pdf geometrica con p=
67 Se α è la probabilità di avere un falso segnale di fuori controllo e se indichiamo con T la v.a. che indica il numero di campioni da estrarre prima di avere r falsi r allarmi, essa ha legge......di Pascal r ( = k ) = ( 1 ) P T r k 1 α α r 1 Il ricorso al range per la stima della deviazione standard fornisce una stima sufficientemente precisa, solo per piccole numerosità campionarie inferiori a 5. Se la dimensione campionaria è abbastanza grande (>10,12) l uso del ranger è poco efficiente per la stima della varianza. k r e qui abbiamo un altro problema!! 2 2 Vale che E S = σ e invece E[ S] σ. Quindi σ non può essere valutato con S. S chart
68 2 ( ) [ ] Se X N µ, σ E S = σ c dove c è un parametro che dipende da n 4 4 c 4 n 1! 2 2 n n n n 1 = e! 1 2 n 1 n 1 = ! 2 π Intanto cambiano i limiti di controllo della carta della media µ ± σ 3 n σ X c4 S dove S k 1 = S k i = 1 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. i
69 [ ] >> schart(x)...e al posto di E S si usa S 14 S Chart UCL 12 Standard Deviation CL Sample Number LCL Invece i limiti di controllo della carta della deviazione standard [ ] 3D[ S] E S S D S = σ 1 c 1 c [ ] c4
70 >> schart(x) 14 S Chart UCL 12 Standard Deviation CL Sample Number LCL
71 Riepilogando >> xbarplot(x,0.9973,spec, range') Xbar Chart 106 UCL Measurements CL Samples LCL Questa è la carta per la media con i limiti di controllo che dipendono dal range σ R d 2 per stimare σ (la variabilità del processo)
72 >> xbarplot(x',0.9973,spec,'std') Xbar Chart 106 UCL Measurements CL Samples LCL Questa è la carta per la media con i limiti di controllo che dipendono dalla deviazione standard. S σ c 4 per stimare la variabilità del processo
73 >> xbarplot(x',0.9973,spec,'variance )') Questa è la carta per la media con i limiti di controlloche dipendono dalla pooled variance che sostituisce direttamente la deviazione standard. Measurements Xbar Chart 106 UCL CL LCL Samples
74 ESERCIZIO Una azienda che produce semiconduttori vuole monitorare il processo di produzione, controllando la larghezza di flusso delle resistenze. Sono stati raccolti 25 sottogruppi di misurazione, ciascuno di dimensione 5, uno ogni ora (file dati2.m). Costruire le carte di controllo. Cosa e possibile dire circa le probabilità di falso allarme e di mancato allarme? Quanto vale il parametro ALR? Commentare opportunamente i risultati ottenuti
75
76 Siccome i sottogruppi sono di taglia n=5, per l escursione possiamo usare la R-chart. L output è 1.75 xbarplot(wafers,0.9973,spec,'range') Xbar Chart 1.7 UCL 1.65 Measurements USL CL 1.4 LSL 1.35 LCL Samples I valori dei limiti sono UCL = e LCL = Possiamo anche costruire le regole di zona, scegliendo come stimatore per la deviazione standard R-bar/d_2. In questo caso le linee A, sono quelle corrispondenti ai limiti di controllo.
77 Siccome >> normcdf(2,0,1)-normcdf(-2,0,1) ans = >> xbarplot(wafers,0.9545,spec,range ) Xbar Chart Measurements UCL UCL CL LCL Samples LCL
78 Siccome >> normcdf(1,0,1)-normcdf(-1,0,1) ans = Xbar Chart >> xbarplot(wafers,0.6827,spec, range ) Vengono segnalati i sottogruppi che escono dai limiti Measurements UCL UCL LCL Samples UCL CL LCL LCL A B C C B A
79 Per costruire la R-chart, calcoliamo il range della matrice wafers. >> range(wafers') Poi calcoliamo la media di questo vettore, che restituisce la linea centrale. >> mean(range(wafers')) Calcoliamo i limiti B e C dalla tabella: Ossia B=2.114 C=0 La stima della variabilità del processo di produzione risulta /2.326= >> k=[1:1:25]; >> rbar=0.3252*ones(1,25); >> upperbar=2.114*ones(1,25); >> lowerbar=zeros(1,25); >> plot(k,range(wafers'),'b*-',k,rbar,'r-',k,lowerbar,'r-',k,upperbar,'r-') >> title('r chart')
80 2.5 R chart α = P( x ( LCL, UCL) µ = µ ) = t Per la probabilità di mancato allarme possiamo costruire la curva operativa caratteristica ( 3 k 5) ( 3 k 5) β = Φ Φ 0
81 curva operativa >> k=[-3.:0.1::3]; >> z=normcdf(3-k.*sqrt(5))- normcdf(-3-k.*sqrt(15); >> plot(k,z) Ora poniamoci un altro tipo di problema Supponiamo che i limiti di specifica stabiliti in fase di progettazione siano 1.5+/-0.5. La carta di controllo può essere utilizzata per descrivere la capacità del processo di produrre wafersall interno dei parametri specificati.
82 In che modo? Basta calcolare P( X < 1.00) + P( X > 2.00) ipotizzando che... X N(1.5056,0.1398) che sono le stime trovate con la carta di controllo per µ e σ. >> inf=( )/0.1398; >> sup=( )/0.1398; >> normcdf(inf,0,1)+1-normcdf(sup,0,1) ans= e-004 Ossia circa lo per cento (350 parti per millione) di wafersprodotti cadranno al di fuori delle specifiche, stante la produzione osservata e monitorata dalla carta di controllo. Più in generale indichiamo con TL x TU x pe = P( X < TL ) + P( X > TU ) = Φ 1 ˆ σ + Φ ˆ σ
83 Il valore minimo p lo si ha quando la media coincide con il centro dell'intervallo di TU + TL tolleranza me =. 2 e 3.64 x 10-4 Capacità produttiva del processo al variare della media campionaria Il valore effettivo di non conformi deve essere tale che p < p dove p è il e T T livello di difettosità tollerabile TL TU e questo valore minimo vale pmin = 2Φ 2 ˆ σ
84 INDICE DI CAPACITA DEL PROCESSO Altro modo per misurare l indice di capacità del processo è il cosidetto PCR (process capability ratio) : C p = T U T 6σ Si noti che 6 σ è la definizione di base della capacità del processo. L In genere la deviazione standard non si conosce e quindi va stimata dai dati
85 Andamento indice PCR Se il processo non è centrato, avere PCR>1 non garantisce che il processo produca la quasi totalitàdei prodotti entro i limiti di specifica (è capace di farlo, ma non è detto che lo faccia) Ci vuole un indice che tenga conto della centratura. C pk TU µ µ TL = min, 3σ 3σ
86 Relazioni tra i due indici
87 Un impiegato esce di casa tutti i giorni alle 8.00 e deve entrare al lavoro alle 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 conveniente, 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 campagna 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 medianon è un indicatore significativo per questo studio. Infatti l impiegato è penalizzato quando arriva in ritardo, ma non ha alcun beneficio quando arriva in anticipo. L uomo definirebbe come difettosi i percorsi che richiedono più di 30 minuti di viaggio. Quindi si deve analizzare l intera distribuzionedei 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 decisamente preferibile dal punto di vista dell impiegato.
88 Il six-sigma program della Motorola anni 80 Obbiettivi: USL LSL > 12σ { USL LSL} min µ, µ > 4.5σ E se la popolazione non è gaussiana? C C p pk > 2 e > 1.5 e nel caso gaussiano π 6 = Il denominatore diventa 6σ nel caso gaussiano. Quantili = P Z 3, = P Z 3 ( ) ( )
89 Intervalli di confidenza per il parametro PCR In Matlab USL LSL χ USL LSL χ 6S n 1 6S n α /2, n 1 α /2, n 1 C p >> spec=[ ]; >> [p,cp,cpk]=capable(mean(wafers),spec) p = Cp= Cpk= Cp > 1, quindi il processo è capace (ossia rientra nei limiti specificati) Cpk<1, il processo non è centrato rispetto Cosa descrive p? >> p=1-diff(normcdf(spec,mean(mean(wafers)),std(mean(wafers)))) >> diff(spec)/(6*std(mean(wafers)))*sqrt(chi2inv(0.975,25-1)/24) ans= >> diff(spec)/(6*std(mean(wafers)))*sqrt(chi2inv(0.025,25-1)/24) ans= Attenzione alla stima di S
90 Cosa succede se le dimensioni dei sottocampioni non sono uguali? strategia di campionamento dati mancanti Quando i k sottogruppi hanno numerosità diverse, vengono usate la carta della media e la S-chart, con limiti che dipendono dalla taglia. n x ( n 1) S i= 1 i= 1 Per le linee centrali si ha: x = e S = k k n ( n 1) k i i i i k i i= 1 i= 1 Per i limiti 3-sigma si ha che B e C dipendono da ni, così come D i S
91 Classificazione carte di controllo Carte di controllo per variabili Se la caratteristica del prodotto è rappresentabile su una scala continua di valori essa è detta variabile. Si usano misure di centralità e variabilità. Carte di controllo per attributi L unità prodotta viene valutata conforme in base al numero dei difetti o in presenza di certi attributi.
92 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.
93 D La percentuale di pezzi non conformi è data da pˆ =, dove D ha legge... n...binomiale di parametri n e p. I limiti di controllo sono: p(1 p) p ± 3 (se np > 5, n(1- p) > 5 D è approx. gaussiana) n Se p non è nota, si può sostituire con una stima k 1 Di num.pezzi non conformi p = pi dove pi = = k n n i= 1 p
94 Esempio: Un concentrato di succo d'arancia è congelato e imballato in lattine di cartone 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 lattina, 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 Columns 18 through
95 I valori da plottare sulla carta sono le percentuali di non conformità >> p=d/50 p = Columns 1 through Columns 11 through Columns 21 through I limiti sono >> mean(p)+3*sqrt(mean(p)*(1-mean(p))/50) ans = >> mean(p)-3*sqrt(mean(p)*(1-mean(p))/50) ans=
96 >> 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-') P chart Nuovo operatore Nuova partita di cartone Il campione 15 e 23 sono fuori controllo statistico: questi vanno monitorati. Ricalcoliamo la carta eliminando questi campioni.
97 >> d1(1:14)=d(1:14) >> d1(15:21)=d(16:22) >> d1(22:28)=d(24:30) E ripetiamo tutta la procedura P chart Sottogruppo 20 (no. 21 nel vecchio campione)
98 Questa è la carta senza aver eliminato il sottogruppo 15 e P 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.
99 Supponiamo che siano stati campionati altri 23 sottogruppi: per monitorare il processo usiamo i limiti di controllo che sono stati calcolati prima P 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
100 se mettiamo tutti i dati assieme 0.5 P chart Cambiamento della macchina per imballaggio? Possiamo dire con maggiore precisione se le percentuali di non conformità sono effettivamente diverse?
101 H : p = p H : p p La statistica test risulta: p p n p + n p 1 1 n1 + n2 p(1 p) + n1 n > Z= dove p = La regione critica è : Z > z = p p (senza sottogruppi 15 e 23) n =?, n =? 1 2 p p 1 2 D = = = i 301 pi i= 1 i= Di 133 pi i= 31 i= 31 = = = e facendo i conti si ha p = e Z = 7.10 Pertanto si rigetta l'ipotesi nulla...
102 Visto che c è stato un miglioramento nella produzione, si ricalcolano anche i limiti di controllo 0.6 New P-chart
103 Il limite inferiore è negativo: !! Quindi bisogna prendere il limite inferiore pari a 0. * Se pè piccolo, nva scelto grande!! Ad esempio per p=0.01, abbiamo n=500!! 0.5 New P-chart * Siccome lo shift da p vale δ =3 2 ( 1 ) n p p 3 n = ( 1 p ) p δ δ = 0.04, p = 0.01 n = ( ) 1 p p 9(1 p) * p 3 > 0 n > n p p = 0.05 n = 171
104 Carta np Si lavora non con la percentuale dei pezzi non conformi, ma con il numero di pezzi non conformi. D La percentuale di pezzi non conformi è data da pˆ =, dove D ha legge... n...binomiale di parametri n e p. Si lavora con D N ( np, np (1- p )) I limiti della carta di controllo sono dunque: np ± 3 np(1 p) p Tornando all esempio di prima viene sostituito con p
105 25 Np chart Se le taglie dei sottogruppi sono diverse, una tecnica molto diffusa consiste nel k 1 sostituire a n la media campionaria delle taglie n = n k i = 1 i
106 β = P( p ( LCL, UCL) p = p ) i = P( D ( nlcl, nucl) p = p ) i 1 1 Usando la cdf binomiale β = P( D (2.62, 20.51) p = p ) i 1 >> p=[0.01:0.02:1]; >> app=binocdf( ,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 Curva caratteristica per P-chart
107 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.
108 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 c ± 3 c dove c è la costante di Poisson. In mancanza di un valore teorico per c si utilizza la media campionaria. 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; C chart Esercizio: eliminare il campione 20 e 6 e rifare la carta di controllo
109 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 circuiti. Carta U Si calcola il numero di non conformità totale e lo si rapporta al numero di lotti esaminati. Siccome x rappresenta il num. di pezzi non conformi totali, è una v.a. di Poisson, di cui x / n rappresenta la media campionaria. x u = n u = u 3 u n
110 1 rotolo=50 m^2 di tessuto La tabella riporta il numdi difetti. Num. Num. m^2 Num.dif. Num.Di rotoli ispez =500/ =400/ Totale u = u ± u
111 Limiti carte Shewhart Caratteristica principale delle carte di Shewhartè 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 Shewartrelativamente 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 esponenzialmente.
112 Queste due carte funzionano bene nei confronti di piccoli salti di livello mentre non reagiscono così velocemente come la carta di Shewarth per salti di livello elevato. Può quindi risultare utile combinare l uso della carta di Shewartcon 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 Shewart chart controllo statistico La carta della media non segnala subito la variazione!
113 Nella carta CUMSUM si effettua il grafico di i ( ) ( ) S = x µ = x µ + S i j 0 i 0 i 1 j= 1 >> s(1)=x(1)-10; >> for i=2:30 s(i)=s(i-1)+(x(i)-10) end carta cumsum Quali sono i limiti di controllo?
114 Exponentialchart Serve a monitorare un processo che media i dati in modo che a questa media viene dato sempre meno peso, mano manoche il tempo passa Viene valutata su tutto il processo e non sui sottogruppi razionali Più sensibile ai driftnel tempo Robusta nel caso non normale
115 zi = λxi + (1 λ) zi Per λ=1, si riottiene la carta 1 X -bar. λ (0,1) Peso alle medie dei sottogruppi tra 0 e 1. Il valore iniziale è µ 0. Se non si conosce µ, al suo posto si può usare x. i 1 µ 0 Sostituendo ricorsivamente i valori z in z = λx + (1 λ) z ( ) j 1 i si ottiene z = λ 1 λ x + (1 λ) z i i j j= 0 i i i i 1 0
116 Applichiamoli all esempio Precedente. >>ewmaplot(x )
117 11.5 Exponentially Weighted Moving Average (EWMA) Chart 11 EWMA CL Sample Number
118 12 Exponentially Weighted Moving Average (EWMA) Chart EWMA CL Sample Number Ci restano da esaminare solo i diagrammi di correlazione!
119 Teorema : Se X e Y sono indipendenti, E[ XY ] = E[ X ] E[ Y ] Cosa si può dire sul viceversa? Def : Si definisce covarianza di X e Y, la quantità cov(x, Y) = E [( X µ )( Y X µ Y )] cov( X, Y ) = E[ XY ] µ µ X Y Teorema : Se X e Y sono indipendenti, Cov( X, Y ) = Il viceversa non vale. X p( x) Y = X 2
120 Teorema : Var( X ± Y ) = Var( X ) + Var( Y ) ± 2cov( X, Y ) Definizion e La correlazio ne tra le variabili aleatorie cov( X, Y ) σ XY ρ = = Var ( X ) Var ( Y ) σ σ X Y X e Y è la quantità : Se la covarianzatra due variabili aleatorie è positiva, negativa o nulla, anche la correlazione sarà positiva, negativa o nulla. Teorema La correlazione tra le variabili aleatorie -1 ρ 1 X e Y gode della seguente proprietà : Teorema : Se ρ = ± 1 P( Y = ax ± b) = 1
121 La covarianza è una misura della relazione lineare tra due variabili aleatorie. (A) Covarianza positiva (C) Covarianza nulla (B) Covarianza negativa (D) Covarianza nulla Teorema Due variabili aleatorie sono incorrelate. X e Y indipendenti Il viceversa non vale a meno che X e Y non siano congiuntamente normali.
122 ( ) ( )( ) ( ) (-1,1). e 0 0, con parametri, ),,( ), for ( 2 ) 2(1 1 exp ), ( normale bivariata è : una di probabilità di La funzione densità > > + = ρ σ σ µ µ σ µ σ σ µ µ ρ σ µ ρ ρ σ πσ Y X Y X Y Y Y X Y X X X Y X XY R R y x y y x x y x f Esempio : Gaussiana (congiunta) bidimensionale [ ] = µ X E[ ] [ ] [ ] [ ] 1,1) ( 2 Y 2 X = = = = ρ σ σ µ µ Y Var X Var E Y X E Y X
123 σ X = 1, σ = 1, µ = 0, µ = 0, ρ = 0 Y X Y Contour plots σ = 1, σ = 1, µ = 0, µ = 0, ρ = 0.9 X Y X Y σ X = 1, σ Y = 1, µ X = 0, µ Y = 0, ρ = 0
124 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]; >> r=corrcoef(x,y) r = >>polytool(x,y) Scatter diagram Diagramma di dispersione Retta in verde
125 È la retta di regressione dei minimi quadrati Per conoscere i coefficienti >> beta beta =
126 >> betaci betaci =
127 >> residuals residuals =
128 Adeguatezza del Modello ANALISI DEI RESIDUI Normal Probability Plot >> [H,P,KSSTAT,CV] = KSTEST(residuals/standard) H = 0 Probability P = KSSTAT = CV = Data >>
Controllo statistico di qualità. Introduzione
Controllo statistico di qualità 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
DettagliControllo statistico di qualità. Introduzione
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
DettagliStatistical Process Control
Statistical Process Control ESERCIZI Esercizio 1. Per la caratteristica di un processo distribuita gaussianamente sono note media e deviazione standard: µ = 100, σ = 0.2. 1a. Calcolare la linea centrale
DettagliStatistical Process Control
Statistical Process Control ESERCIZI Esercizio 1. Per la caratteristica di un processo distribuita gaussianamente sono note media e deviazione standard: µ = 100, σ = 0.2. 1a. Calcolare la linea centrale
DettagliCarte di controllo per attributi
Carte di controllo per attributi Il controllo per variabili non sempre è effettuabile misurazioni troppo difficili o costose troppe variabili che definiscono qualità di un prodotto le caratteristiche dei
DettagliANALISI GRAFICHE PER IL CONTROLLO DELLA QUALITA : ESEMPI DI APPLICAZIONI
ANALISI GRAFICHE PER IL CONTROLLO DELLA QUALITA : ESEMPI DI APPLICAZIONI (sintesi da Prof.ssa Di Nardo, Università della Basilicata, http://www.unibas.it/utenti/dinardo/home.html) ISTOGRAMMA/DIAGRAMMA
DettagliUniversità degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI
Università degli Studi di Milano Bicocca CdS ECOAMM Corso di Metodi Statistici per l Amministrazione delle Imprese CARTE DI CONTROLLO PER VARIABILI 1. L azienda Wood produce legno compensato per costruzioni
DettagliEsercitazione #5 di Statistica. Test ed Intervalli di Confidenza (per una popolazione)
Esercitazione #5 di Statistica Test ed Intervalli di Confidenza (per una popolazione) Dicembre 00 1 Esercizi 1.1 Test su media (con varianza nota) Esercizio n. 1 Il calore (in calorie per grammo) emesso
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliLE CARTE DI CONTROLLO (4)
LE CARTE DI CONTROLLO (4) Tipo di carta di controllo Frazione difettosa Carta p Numero di difettosi Carta np Dimensione campione Variabile, solitamente >= 50 costante, solitamente >= 50 Linea centrale
DettagliLa variabile casuale Binomiale
La variabile casuale Binomiale Si costruisce a partire dalla nozione di esperimento casuale Bernoulliano che consiste in un insieme di prove ripetute con le seguenti caratteristiche: i) ad ogni singola
DettagliPRODUZIONE DI LENTI A CONTATTO
1 PRODUZIONE DI LENTI A CONTATTO Per monitorare il processo di produzione di un determinato tipo di lenti a contatto viene misurato, ad intervalli di tempo regolari di h 15 minuti, il diametro X (in mm)
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliFacciamo qualche precisazione
Abbiamo introdotto alcuni indici statistici (di posizione, di variabilità e di forma) ottenibili da Excel con la funzione Riepilogo Statistiche Facciamo qualche precisazione Al fine della partecipazione
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliProbabilità condizionata: p(a/b) che avvenga A, una volta accaduto B. Evento prodotto: Evento in cui si verifica sia A che B ; p(a&b) = p(a) x p(b/a)
Probabilità condizionata: p(a/b) che avvenga A, una volta accaduto B Eventi indipendenti: un evento non influenza l altro Eventi disgiunti: il verificarsi di un evento esclude l altro Evento prodotto:
DettagliAnalisi di dati di frequenza
Analisi di dati di frequenza Fase di raccolta dei dati Fase di memorizzazione dei dati in un foglio elettronico 0 1 1 1 Frequenze attese uguali Si assuma che dalle risposte al questionario sullo stato
DettagliControllo Statistico della Qualità. Qualità come primo obiettivo dell azienda produttrice di beni
Controllo Statistico della Qualità Qualità come primo obiettivo dell azienda produttrice di beni Qualità come costante aderenza del prodotto alle specifiche tecniche Qualità come controllo e riduzione
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 12-Il t-test per campioni appaiati vers. 1.2 (7 novembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliMetodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli
Programma dell insegnamento di Metodi Statistici di Controllo della Qualità Prof. Paolo Cozzucoli Corso di Laurea in Metodi Quantitativi per l Economia e la Gestione delle Aziende A.A. 2007-08 Disciplina
DettagliRegressione Mario Guarracino Data Mining a.a. 2010/2011
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliCAPACITÀ DI PROCESSO (PROCESS CAPABILITY)
CICLO DI LEZIONI per Progetto e Gestione della Qualità Facoltà di Ingegneria CAPACITÀ DI PROCESSO (PROCESS CAPABILITY) Carlo Noè Università Carlo Cattaneo e-mail: cnoe@liuc.it 1 CAPACITÀ DI PROCESSO Il
DettagliRelazioni statistiche: regressione e correlazione
Relazioni statistiche: regressione e correlazione È detto studio della connessione lo studio si occupa della ricerca di relazioni fra due variabili statistiche o fra una mutabile e una variabile statistica
DettagliEsercizi test ipotesi. Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010
Esercizi test ipotesi Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Verifica delle ipotesi - Esempio quelli di Striscia la Notizia" effettuano controlli casuali per vedere se le pompe
DettagliGESTIONE INDUSTRIALE DELLA QUALITÀ A
GESTIONE INDUSTRIALE DELLA QUALITÀ A Lezione 10 CAMPIONAMENTO (pag. 62-64) L indagine campionaria all interno di una popolazione consiste nell estrazione di un numero limitato e definito di elementi che
DettagliMINIMI QUADRATI. REGRESSIONE LINEARE
MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliI ESERCITAZIONE. Gruppo I 100 individui. Trattamento I Nuovo Farmaco. Osservazione degli effetti sul raffreddore. Assegnazione casuale
I ESERCITAZIONE ESERCIZIO 1 Si vuole testare un nuovo farmaco contro il raffreddore. Allo studio partecipano 200 soggetti sani della stessa età e dello stesso sesso e con caratteristiche simili. i) Che
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
DettagliInferenza statistica. Statistica medica 1
Inferenza statistica L inferenza statistica è un insieme di metodi con cui si cerca di trarre una conclusione sulla popolazione sulla base di alcune informazioni ricavate da un campione estratto da quella
DettagliLa categoria «ES» presenta (di solito) gli stessi comandi
Utilizzo delle calcolatrici FX 991 ES+ Parte II PARMA, 11 Marzo 2014 Prof. Francesco Bologna bolfra@gmail.com ARGOMENTI DELLA LEZIONE 1. Richiami lezione precedente 2.Calcolo delle statistiche di regressione:
DettagliAbbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).
ANALISI DI UNA SERIE TEMPORALE Analisi statistica elementare Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). Si puo' osservare una media di circa 26 C e una deviazione
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
DettagliVALORE DELLE MERCI SEQUESTRATE
La contraffazione in cifre: NUOVA METODOLOGIA PER LA STIMA DEL VALORE DELLE MERCI SEQUESTRATE Roma, Giugno 2013 Giugno 2013-1 Il valore economico dei sequestri In questo Focus si approfondiscono alcune
DettagliANALISI DI CORRELAZIONE
ANALISI DI CORRELAZIONE Esempio: Dati raccolti da n = 129 studenti di Pavia (A.A. 21/2) Altezza (cm) Peso (Kg) Voto Algebra e Geometria Voto Fisica I Valutare la correlazione delle seguenti coppie: Peso
DettagliL analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELLA ROLE Six Sigma Master Black Belt
L analisi dei rischi: l aspetto statistico Ing. Pier Giorgio DELL ROLE Six Sigma Master lack elt Dicembre, 009 Introduzione Nell esecuzione dei progetti Six Sigma è di fondamentale importanza sapere se
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliIl campionamento statistico
Lezione 13 Gli strumenti per il miglioramento della Qualità Il campionamento statistico Aggiornamento: 19 novembre 2003 Il materiale didattico potrebbe contenere errori: la segnalazione e di questi errori
DettagliProva scritta di Complementi di Probabilità e Statistica. 31 Ottobre 2012
Prova scritta di Complementi di Probabilità e Statistica 31 Ottobre 2012 1. In un processo per accrescere uno strato sottile di biossido di silicio sopra fette di silicio utilizzate per la fabbricazione
Dettagli13. Campi vettoriali
13. Campi vettoriali 1 Il campo di velocità di un fluido Il concetto di campo in fisica non è limitato ai fenomeni elettrici. In generale il valore di una grandezza fisica assegnato per ogni punto dello
DettagliIndici di dispersione
Indici di dispersione 1 Supponiamo di disporre di un insieme di misure e di cercare un solo valore che, meglio di ciascun altro, sia in grado di catturare le caratteristiche della distribuzione nel suo
DettagliIl confronto fra proporzioni
L. Boni Il rapporto Un rapporto (ratio), attribuendo un ampio significato al termine, è il risultato della divisione di una certa quantità a per un altra quantità b Il rapporto Spesso, in maniera più specifica,
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Nella verifica delle ipotesi è necessario fissare alcune fasi prima di iniziare ad analizzare i dati. a) Si deve stabilire quale deve essere l'ipotesi nulla (H0) e quale l'ipotesi
DettagliSTATISTICA IX lezione
Anno Accademico 013-014 STATISTICA IX lezione 1 Il problema della verifica di un ipotesi statistica In termini generali, si studia la distribuzione T(X) di un opportuna grandezza X legata ai parametri
DettagliIl Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO. Pasquale Iandolo
Il Controllo Interno di Qualità dalla teoria alla pratica: guida passo per passo IL MODELLO TEORICO Pasquale Iandolo Laboratorio analisi ASL 4 Chiavarese, Lavagna (GE) 42 Congresso Nazionale SIBioC Roma
DettagliIL COLLAUDO DI ACCETTAZIONE
IL COLLAUDO DI ACCETTAZIONE Il collaudo di accettazione 1 Popolazione Campione Dati MISURA Processo Lotto Campione DATI CAMPIONAMENTO INTERVENTO MISURA Lotto Campione DATI CAMPIONAMENTO INTERVENTO Il collaudo
DettagliTemi di Esame a.a. 2012-2013. Statistica - CLEF
Temi di Esame a.a. 2012-2013 Statistica - CLEF I Prova Parziale di Statistica (CLEF) 11 aprile 2013 Esercizio 1 Un computer è collegato a due stampanti, A e B. La stampante A è difettosa ed il 25% dei
DettagliControllo statistico di qualità. Introduzione
Controllo statistico di qualità 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
DettagliIntroduzione all analisi dei segnali digitali.
Introduzione all analisi dei segnali digitali. Lezioni per il corso di Laboratorio di Fisica IV Isidoro Ferrante A.A. 2001/2002 1 Segnali analogici Si dice segnale la variazione di una qualsiasi grandezza
DettagliVARIANZA CAMPIONARIA E DEVIAZIONE STANDARD. Si definisce scarto quadratico medio o deviazione standard la radice quadrata della varianza.
VARIANZA CAMPIONARIA E DEVIAZIONE STANDARD Si definisce varianza campionaria l indice s 2 = 1 (x i x) 2 = 1 ( xi 2 n x 2) Si definisce scarto quadratico medio o deviazione standard la radice quadrata della
DettagliStatistiche campionarie
Statistiche campionarie Sul campione si possono calcolare le statistiche campionarie (come media campionaria, mediana campionaria, varianza campionaria,.) Le statistiche campionarie sono stimatori delle
DettagliMetodi statistici per l economia (Prof. Capitanio) Slide n. 9. Materiale di supporto per le lezioni. Non sostituisce il libro di testo
Metodi statistici per l economia (Prof. Capitanio) Slide n. 9 Materiale di supporto per le lezioni. Non sostituisce il libro di testo 1 TEST D IPOTESI Partiamo da un esempio presente sul libro di testo.
DettagliPROGRAMMA SVOLTO NELLA SESSIONE N.
Università C. Cattaneo Liuc, Corso di Statistica, Sessione n. 1, 2014 Laboratorio Excel Sessione n. 1 Venerdì 031014 Gruppo PZ Lunedì 061014 Gruppo AD Martedì 071014 Gruppo EO PROGRAMMA SVOLTO NELLA SESSIONE
DettagliCAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI
VERO FALSO CAPITOLO 8 LA VERIFICA D IPOTESI. I FONDAMENTI 1. V F Un ipotesi statistica è un assunzione sulle caratteristiche di una o più variabili in una o più popolazioni 2. V F L ipotesi nulla unita
DettagliCalcolo del Valore Attuale Netto (VAN)
Calcolo del Valore Attuale Netto (VAN) Il calcolo del valore attuale netto (VAN) serve per determinare la redditività di un investimento. Si tratta di utilizzare un procedimento che può consentirci di
DettagliLA CORRELAZIONE LINEARE
LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione
DettagliCAPITOLO 7 LE DISTRIBUZIONI CAMPIONARIE E GLI INTERVALLI DI CONFIDENZA
SOLUZIONI 7.1 7.2 7.3 7.4 7.5 a) X=6,3 minuti b) 3,7 minuti CAPITOLO 7 LE DISTRIBUZIONI CAMPIONARIE E GLI INTERVALLI DI CONFIDENZA a) Quantitativo,discreto b) P=502/1004=0,5 o 50% c) Età,tipo di lavoro,
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 8 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi sulla varianza In un azienda che produce componenti meccaniche, è stato
Dettagliiovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi
iovanella@disp.uniroma2.it http://www.disp.uniroma2.it/users/iovanella Verifica di ipotesi Idea di base Supponiamo di avere un idea del valore (incognito) di una media di un campione, magari attraverso
Dettagli2 + (σ2 - ρσ 1 ) 2 > 0 [da -1 ρ 1] b = (σ 2. 2 - ρσ1 σ 2 ) = (σ 1
1 PORTAFOGLIO Portafoglio Markowitz (2 titoli) (rischiosi) due titoli rendimento/varianza ( μ 1, σ 1 ), ( μ 2, σ 2 ) Si suppone μ 1 > μ 2, σ 1 > σ 2 portafoglio con pesi w 1, w 2 w 1 = w, w 2 = 1- w 1
DettagliTest d ipotesi. Statistica e biometria. D. Bertacchi. Test d ipotesi
In molte situazioni una raccolta di dati (=esiti di esperimenti aleatori) viene fatta per prendere delle decisioni sulla base di quei dati. Ad esempio sperimentazioni su un nuovo farmaco per decidere se
DettagliLa distribuzione Gaussiana
Università del Piemonte Orientale Corso di Laurea in Biotecnologie Corso di Statistica Medica La distribuzione Normale (o di Gauss) Corso di laurea in biotecnologie - Corso di Statistica Medica La distribuzione
DettagliLABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE
LABORATORIO-EXCEL N. 2-3 XLSTAT- Pro Versione 7 VARIABILI QUANTITATIVE DESCRIZIONE DEI DATI DA ESAMINARE Sono stati raccolti i dati sul peso del polmone di topi normali e affetti da una patologia simile
DettagliESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE
ESERCITAZIONE 13 : STATISTICA DESCRITTIVA E ANALISI DI REGRESSIONE e-mail: tommei@dm.unipi.it web: www.dm.unipi.it/ tommei Ricevimento: su appuntamento Dipartimento di Matematica, piano terra, studio 114
DettagliAnalisi e diagramma di Pareto
Analisi e diagramma di Pareto L'analisi di Pareto è una metodologia statistica utilizzata per individuare i problemi più rilevanti nella situazione in esame e quindi le priorità di intervento. L'obiettivo
Dettagli3. Confronto tra medie di due campioni indipendenti o appaiati
BIOSTATISTICA 3. Confronto tra medie di due campioni indipendenti o appaiati Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO
DettagliLe Carte di Controllo del Processo
ISI MANUALE PER CORSI QUALITÀ dispensa data modifica del livello Q-051 01.06.94 01 25.07.95 BLU Le Carte di Controllo del Processo MANUALE DI UTILIZZO ISI CARTE DI CONTROLLO pagina 2 di 13 Introduzione.
DettagliTest statistici di verifica di ipotesi
Test e verifica di ipotesi Test e verifica di ipotesi Il test delle ipotesi consente di verificare se, e quanto, una determinata ipotesi (di carattere biologico, medico, economico,...) è supportata dall
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
Dettaglimatematica probabilmente
IS science centre immaginario scientifico Laboratorio dell'immaginario Scientifico - Trieste tel. 040224424 - fax 040224439 - e-mail: lis@lis.trieste.it - www.immaginarioscientifico.it indice Altezze e
DettagliI Metodi statistici utili nel miglioramento della qualità 27
Prefazione xiii 1 Il miglioramento della qualità nel moderno ambiente produttivo 1 1.1 Significato dei termini qualità e miglioramento della qualità 1 1.1.1 Le componenti della qualità 2 1.1.2 Terminologia
DettagliPrefazione all edizione originale. Prefazione all edizione italiana
Indice Prefazione all edizione originale Prefazione all edizione italiana xiii xv 1 Il miglioramento della qualità nel moderno ambiente produttivo 1 1.1 Significato dei termini qualità e miglioramento
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
DettagliVERIFICA DELLE IPOTESI
VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
DettagliIL MODELLO CICLICO BATTLEPLAN
www.previsioniborsa.net 3 Lezione METODO CICLICO IL MODELLO CICLICO BATTLEPLAN Questo modello ciclico teorico (vedi figura sotto) ci serve per pianificare la nostra operativita e prevedere quando il mercato
DettagliLa Minimizzazione dei costi
La Minimizzazione dei costi Il nostro obiettivo è lo studio del comportamento di un impresa che massimizza il profitto sia in mercati concorrenziali che non concorrenziali. Ora vedremo la fase della minimizzazione
DettagliEsercitazione n.1 (v.c. Binomiale, Poisson, Normale)
Esercizio 1. Un azienda produce palline da tennis che hanno probabilità 0,02 di essere difettose, indipendentemente l una dall altra. La confezione di vendita contiene 8 palline prese a caso dalla produzione
DettagliCorso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V
Corso integrato di informatica, statistica e analisi dei dati sperimentali Altri esercizi_esercitazione V Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows.
DettagliCORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7
CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 7 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Test delle ipotesi per la media (varianza nota), p-value del test Il manager di un fast-food
DettagliLEZIONE 3. Ing. Andrea Ghedi AA 2009/2010. Ing. Andrea Ghedi AA 2009/2010
LEZIONE 3 "Educare significa aiutare l'animo dell'uomo ad entrare nella totalità della realtà. Non si può però educare se non rivolgendosi alla libertà, la quale definisce il singolo, l'io. Quando uno
DettagliLEZIONE n. 5 (a cura di Antonio Di Marco)
LEZIONE n. 5 (a cura di Antonio Di Marco) IL P-VALUE (α) Data un ipotesi nulla (H 0 ), questa la si può accettare o rifiutare in base al valore del p- value. In genere il suo valore è un numero molto piccolo,
DettagliCorso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile
Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione
DettagliUniversità del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Intervalli di confidenza
Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Intervalli di confidenza Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica
Dettagli1. RACCOLTA DEI DATI E FORMAZIONE DEI PRESENTANO, PER CIASCUNA DELLE DUE SOTTOGRUPPI GRANDEZZE (MEDIA ED ESCURSIONE), TRE
CARTE DI CONTROLLO LA CARTA DI CONTROLLO DI TIPO - R VIENE CARTE DI UTILIZZATA PER CONTROLLARE UNA VARIABILE MISURABILE DI UN PROCESSO CONSENTE CONTROLLO IL MONITORAGGIO SIA DELL'ANDAMENTO DEL VALOR MEDIO,
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliRELAZIONE TRA VARIABILI QUANTITATIVE. Lezione 7 a. Accade spesso nella ricerca in campo biomedico, così come in altri campi della
RELAZIONE TRA VARIABILI QUANTITATIVE Lezione 7 a Accade spesso nella ricerca in campo biomedico, così come in altri campi della scienza, di voler studiare come il variare di una o più variabili (variabili
DettagliEsercitazioni 2013/14
Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta
DettagliFinanza Aziendale. Lezione 13. Introduzione al costo del capitale
Finanza Aziendale Lezione 13 Introduzione al costo del capitale Scopo della lezione Applicare la teoria del CAPM alle scelte di finanza d azienda 2 Il rischio sistematico E originato dalle variabili macroeconomiche
DettagliInflazione e Produzione. In questa lezione cercheremo di rispondere a domande come queste:
Inflazione e Produzione In questa lezione cercheremo di rispondere a domande come queste: Da cosa è determinata l Inflazione? Perché le autorità monetarie tendono a combatterla? Attraverso quali canali
Dettagli4 3 4 = 4 x 10 2 + 3 x 10 1 + 4 x 10 0 aaa 10 2 10 1 10 0
Rappresentazione dei numeri I numeri che siamo abituati ad utilizzare sono espressi utilizzando il sistema di numerazione decimale, che si chiama così perché utilizza 0 cifre (0,,2,3,4,5,6,7,8,9). Si dice
Dettaglif(x) = 1 x. Il dominio di questa funzione è il sottoinsieme proprio di R dato da
Data una funzione reale f di variabile reale x, definita su un sottoinsieme proprio D f di R (con questo voglio dire che il dominio di f è un sottoinsieme di R che non coincide con tutto R), ci si chiede
DettagliAnalisi bivariata. Dott. Cazzaniga Paolo. Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Introduzione : analisi delle relazioni tra due caratteristiche osservate sulle stesse unità statistiche studio del comportamento di due caratteri
Dettagli1. Scopo dell esperienza.
1. Scopo dell esperienza. Lo scopo di questa esperienza è ricavare la misura di tre resistenze il 4 cui ordine di grandezza varia tra i 10 e 10 Ohm utilizzando il metodo olt- Amperometrico. Tale misura
DettagliLezione 9: Cambio di base
Lezione 9: Cambio di base In questa lezione vogliamo affrontare uno degli argomenti piu ostici per lo studente e cioè il cambio di base all interno di uno spazio vettoriale, inoltre cercheremo di capire
Dettagli