Controllo statistico di qualità. Introduzione

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Controllo statistico di qualità. Introduzione"

Transcript

1 Controllo statistico di qualità 1 Introduzione Un azienda vorrebbe che tutti i pezzi prodotti siano uguali: vuole cioè che la produzione sia affidabile. L affidabilità della produzione è affidata a due momenti distinti: la progettazione della produzione (off line) e il controllo che la produzione sia almeno conforme ai parametri specificati (on line). 2 1

2 I 7 strumenti del controllo statistico di qualità ESEMPIO: Una azienda farmaceutica decide di effettuare un controllo sul processo di iniezione di un farmaco, per le cure tumorali, all interno di appositi flaconi. L azienda assume come 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 3 I dati Un primo approccio al problema può essere la costruzione di un istogramma. DOMANDA: quale informazione si perde effettuando un istogramma? 4 2

3 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 5 Normal plot dei dati dell esempio precedente Normal Probability Plot 0.75 Probability Data 6 3

4 Un istogramma consente di valutare la precisione del processo produttivo tramite l analisi di dispersione della distribuzione dei dati, anche in relazione ai limiti di tolleranza. 7 Dalla sovrapposizione dell istogramma con la retta del valore obbiettivo si può verificare il posizionamento del valore centrale dei dati rispetto al target assegnato 8 4

5 9 10 5

6 11 ESEMPIO 12 6

7

8

9 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 centrale σ è possibile sostituire il parametro kcon 3, per la varianza σ e per media W = si può usare quella della popolazione. n Esempio: parametro di flusso monitorato in una azienda con media e varianza nota n=

10

11

12 23 Costruire la carta di controllo della media in Matlab I dati sono in numero 12*10: ci sono 12 gruppi (i giorni) e ogni gruppo ha numerosità campionaria pari a 10. Quindi N = 120, k = 12 sottogruppi, ciascuno di taglia n = 10, i = 1,...,12. Assegnare i dati ad una matrice. i 24 12

13 Costruire la carta di controllo della media in Matlab >> x x = >> xbarplot(x,0.9973, spec, range ) >> m=mean(x ); Le medie vengono fatte sulle righe. Queste medie sono quelle plottate sulla carta di controllo. Quindi sulle ascisse si riportano i giorni (in sequenza). 25 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 ) 26 13

14 Le linee di controllo La linea centrale è rappresentata dalla media delle medie Le linee superiore ed inferiore corrispondono a x ± z x 1 k xi k i = 1 = (1 CONF )/2 σ n range : si usa l escursione standard std : si usa uno stimatore della deviazione standard variance : si usa uno stimatore della deviazione standard pesata σ 27 >> xbarplot(x,0.9973,spec,'variance )') Questa è la carta per la media con i limiti di controlloche dipendono dalla pooled variance che sostituisce direttamente la deviazione standard

15 Opzione range 29 Con l opzione range >> xbarplot(x,0.9973,spec, range') Questa è la carta per la media con i limiti di controllo che dipendono dal range R σ d 2 per stimare σ (la variabilità del processo) 30 15

16 Se la dimensione campionaria è abbastanza grande (>10,12) l uso del ranger è poco efficiente per la stima della varianza. Stesse considerazioni valgono nel caso di dimensione variabile (poiché si potrebbe perdere in efficienza) [ ] 2 2 Vale che E S = σ e invece E S σ. Quindi σ non può essere valutato con S. 2 ( ) [ ] Opzione std Se X N µ, σ E S = σ c dove c è un parametro che dipende da n 4 4 n 1! 2 2 n n n n 1 c4 = e! 1 2 n 1 n 1 = ! 2 Pertanto sostituiamo E S con S ed abbiamo che [ ] 4 π k S 1 σ dove S = S c k 31 i= 1 i >> xbarplot(x,0.9973,spec,'std') 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 32 16

17 REGOLE DI ZONA Per le regole di zona non c è una functionin MATLAB. Possiamo sovrapporre le linee per la lettura del grafico, usando la variabilità stimata per il processo. Se si usa una carta dell escursione: >> mean(range(x))/3.078 ans= Le linee di zona sono: x ± 7.58; x ± 2*7.58; x ± 3*7.58 Usare il comando holdon per sovrapporre le regole di zona. >> x1low=mean(mean(x))-ones(12,1)*7.58; >> x1up=mean(mean(x))+ones(12,1)*7.58; >> x2low=mean(mean(x))-2*ones(12,1)*7.58; >> x2up=mean(mean(x))+2*ones(12,1)*7.58; >> x3low=mean(mean(x))-3*ones(12,1)*7.58; >> x3up=mean(mean(x))+3*ones(12,1)*7.58; >> hold on >>plot([1:12],x1low,'-b',[1:12],x1up,'-b',[1:12],x2low,'-p',[1:12],x2up,'-p',[1:12], x3up,'-k',[1:12],x3low,'-k') >> 34 17

18 La carta della media va letta assieme ad una carta che restituisca la variabilità del campione casuale. Carta dell escursione Carta della dev.standard I limiti di controllo della carta della deviazione standard [ ] 3D[ S] E S Esiste una procedura in MATLAB per generarla >> schart(x) con D S s c 4 2 [ ] = σ 1 c 1 c Non c è una procedura per costruire la carta di controllo per l escursione. >> r=range(x) r = Calcolare la media delle escursioni: 1 k Ri k i = 1 R = [ ] Var W 2 [ ] σ Var R = d = σ σ 2 R R R = d3 R = d3 d2 σ σ σ 36 18

19 Carta dell escursione >> lcent=mean(range(x))*ones(12,1); >> lup=lcent*1.777; >> ldown=lcent*0.223; >> plot([1:1:12],range(x),'-*b',[1:1:12],lcent, '-r',[1:1:12],lup,'-g',[1:1:12],ldown,'-g') >> axis([1,12,0,45]) Carta della dev.standard >> schart(x) 37 Carta di tolleranza 120 carta di tolleranza >> hold on >> >> c2=2*ones(1,10); >> plot(c2,x(:,2),'g*-') >>

20 La carta della tolleranza è una carta sulla distribuzione della variabile che si sta monitorando. La carta della media è una carta sulla distribuzione della media campionaria della variabile che si sta monitorando. 39 La carta di controllo e il processo stocastico relativo alla produzione 40 20

21 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. 41 Carte MR (moving range) Non avendo più a disposizione gruppi di misurazioni, ma singoli valori, i limiti della carta di controllo cambiano. In Matlabnon c è una procedura

22 In Matlab >> for i=1:14 mr(i)=abs(x(i+1)-x(i)); end n 1 1 MR = MRi n 1 i= 1 3 UCL = X + MR CL = X 3 LCL = X MR >> lineup=ones(15,1)*(mean(x)+3/1.128*mean(mr)); >> linedown=ones(15,1)*(mean(x)-3/1.128*mean(mr)); >> linecenter=ones(15,1)*mean(x); >> plot([1:1:15],x,'r',[1:1:15],lineup,'-g',[1:1:15],linedown,'-g',[1:1:15],linecenter,'-p') 43 Per l escursione si usano gli stessi limiti della carta dell escursione classica, sostituendo l escursione media con la media della moving average

23 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 45 Curva caratteristica operativa Diremo che il processo è in controllo statistico se per ogni t, indice dei sottogruppi, x ( LimInf, LimSup). α = P(rigettare H µ = µ ) 0 0 β = P(rigettare H µ µ ) 1 0 t Regione di accettazione = P( x ( LCL, UCL) µ = µ ) t = P( x ( LCL, UCL) µ µ ) t 0 0 FALSO ALLARME MANCATO ALLARME 46 23

24 Non avendo ipotesi alternative certe, immaginiamo che l ipotesi alternativa possa essere strutturata come segue: µ = µ 1 = µ 0 + kσ Se la popolazione è gaussiana, allora β = P( x ( LCL, UCL) µ = µ + kσ ) t ( µ σ ) ( µ σ ) UCL 0 + k LCL 0 + k = 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 ( L k n ) ( L k n ) β = Φ Φ e quindi perdiamo la dipendenza sia dalla deviazione standard che dalla media (che magari sono incognite!). NB: Per usare le curve operative è necessario avere qualche informazione in più sulla natura del processo (ad esempio che la popolazione è gaussiana) Torniamo al nostro esempio dei flaconi. Siccome i limiti che abbiamo u- satosono di tipo σ µ 0 ± L dove L = 3, n = 10 e σ R / d2 allora si ha n ( 3 k 10 ) ( 3 k 10 ) β = Φ Φ 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

25 Spesso sui testi si incontrano famiglie di curve operative. Questo perché si cerca di capire al variare della taglia del sottogruppo come varia la probabilità di un mancato allarme ( 3 k n ) ( 3 k n ) β = Φ Φ Curve operative al variare di n n=8 n=5 n= Ogni plot corrisponde ad un valore di n. 49 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 β β β 1 β + 1 z β = Φ zβ = 3 k n 2 è possibile ricavare n Per k=1 β = 0.3 >> ((3-norminv((0.3+1)/2,0,1)))^2 n =

26 Strategia di scelta dei sottogruppi ma sono costosi! La pratica industriale corrente preferisce la prima strategia aumentando la frequenza 51 Approcci per la costruzione dei sottogruppi Approccio SNAPSHOT Quanti k? Approccio RANDOM 52 26

27 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 E [ T ] = ARL, tempo medio per avere un fuori controllo p 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 [ ] 370 >> ans= E T = Strategia six-sigma La carta di controllo può essere utilizzata per descrivere la capacità del processo di produrre all interno dei valori di specifica. Nell esempio dei flaconi prodotti per l ospedale, i limiti di specifica stabiliti in fase di progettazione erano 82 ml e 118 ml. >>h=(max(mean(x))-min(mean(x)))/4; >> c(1)=min(mean(x)); >> for i=2:5 c(i)=c(i-1)+h; end >>n=histc(mean(x),c); >>centri(1)=(c(1)+c(2))/2; >> for i=2:4 centri(i)=(c(i)+c(i-1))/2; end >>bar(centri,n(1:4)) 54 27

28 In che modo? Basta calcolare P( X < 82) + P( X > 118) ipotizzando che... X N(98.6,7.51) che sono le stime trovate con la carta di controllo per µ e σ. >> inf=( )/7.51; >> sup=( )/7.51; >> 1-(normcdf(sup)-normcdf(inf)) ans= p=1-diff(normcdf(spec,mean(mean(x)),7.51)) Ossia circa lo per cento (184 parti su ) di flaconi prodotti 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 p = e P( X < TL ) + P( X > TU ) = Φ 1 ˆ σ + Φ ˆ σ 55 Il valore minimo p lo si ha quando la media coincide con il centro dell'intervallo di TU + TL tolleranza me =. 2 e >> x=[90:0.1:110]; >> y=normcdf(88,x,7.51)+ (1-normcdf(112,x,7.51)); >> plot(x,y) 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 56 28

29 INDICE DI CAPACITA DEL PROCESSO Altro modo per misurare l indice di capacità del processo è il cosidetto PCR (process capability ratio) : TU TL C p = 6σ Si noti che 6 σ è la definizione di base della capacità del processo. In genere la deviazione standard non si conosce e quindi va stimata dai dati (carta dell'escursione) R d 2 (S-chart) S c 4 57 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 Da solo, non basta! 58 29

30 Relazioni tra i due indici 59 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 preferibile dal punto di vista dell impiegato

31 Il six-sigma program della Motorola anni 80 Obbiettivi: USL LSL > 12σ { USL LSL} min µ, µ > 4.5σ C C p pk > 2 e > 1.5 In Matlab >> spec=[82 118]; >> [p,cp,cpk]=capable(vec,spec) p = cp= cpk= Cp< 1, quindi il processo non è capace (ossia rientra nei limiti specificati) Cpk< 1, il processo non è centrato rispetto alla media Cosa descrive p? La capacità che il processo produca entro i limiti specificati 61 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

32 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 p k 1 Di num.pezzi non conformi p = pi dove pi = = k n n i= 1 Il MATLAB non ha una procedura per la costruzione della carta p 63 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

33 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 = >> cent=mean(p)*ones(1,30); >> upp=(mean(p)+3*sqrt(mean(p)*(1-mean(p))/50))*ones(1,30); >> low=(mean(p)-3*sqrt(mean(p)*(1-mean(p))/50))*ones(1,30); >> plot(k,p,'b*-',k,low,'r-',k,upp,'r-',k,cent,'g-') >> title( P-chart ) P chart Nuovo operatore Nuova partita di cartone Il campione 15 e 23 sono fuori controllo statistico: questi vanno monitorati. Rieffettuiamo il grafico della carta eliminando questi campioni

34 Costruiamo un nuovo vettore d1, che contiene la difettosità registrata, eliminando i due valori critici. >> 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) Questa è la carta senza aver eliminato i sottogruppi 15 e 23 ma con i limiti upper and lower calcolati al secondo giro: 0.5 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

35 Supponiamo che siano stati campionati altri 24 sottogruppi: per monitorare il processo usiamo i limiti di controllo che sono stati calcolati prima. d2=[9,6,12,5,6,4,6,3,7,6,2,4,3,6,5,4,8,5,6,7,5,6,3,5]; 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 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? 70 35

36 H : p = p H : p > p La regione critica risulta: 1 1 n p + n p Z > z0.05 p(1 p) + dove p = n1 n2 n1 + n p (senza sottogruppi 15 e 23) p n =?, n =? 1 2 p p Di 301 pi 28 i= 1 28 i= Di 133 pi 24 i= i= = = = = = = Pertanto si rigetta l'ipotesi nulla......e facendo i conti si ha p = e la regione critica (0.0241, ) 71 Visto che c è stato un miglioramento nella produzione, si ricalcolano anche i limiti di controllo >> hold on >> lcent1=ones(24,1)*mean(d2/50); >> lup1=ones(24,1)*(mean(d2/50)+3*sqrt(mean(d2/50)*(1-mean(d2/50))/24)); >> llow1=ones(24,1)*(mean(d2/50)-3*sqrt(mean(d2/50)*(1-mean(d2/50))/24)); >> plot([31:1:54],d2/50,'-b*',[31:1:54],lcent1,'-g',[31:1:54],lup1,'-r, [31:1:54],llow1,'-g') 0.6 New P-chart

37 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 (media almeno 5)!! * Siccome lo shift da p vale δ =3 2 ( 1 ) 3 n = ( 1 p) p δ p p n δ = 0.04, p = 0.01 n = New P-chart ( ) 1 p p 9(1 p) * p 3 > 0 n > n p p = 0.05 n = 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......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) Tornando all esempio di prima p viene sostituito con p n 74 37

38 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 = ni k i = 1 75 Effettuare un grafico della curva caratteristica operativa 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

39 Carta c Misura il numero di difetti in un lotto controllato. Il campionamento deve essere costante. E utile quando vi è da controllare un materiale con un flusso di produzione continuo (rullo di tessuto o un cavo elettrico). La non conformità è da esprimersi per unità da definire (difetti al m^2, etc.) Il lotto è inscindibile. 77 La v.a. che conta il numero di difetti per unità di misura è......una v.a. di Poisson I limiti della carta di controllo sono 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; Esercizio: eliminare il campione 20 e 6 e rifare la carta di controllo C chart

40 Nell esempio precedente, è stato preso in considerazione un solo lotto. Tuttavia questo tipo di scelta non è statisticamente significativa. Sarebbe meglio ispezionare più lotti, perché c è maggiore possibilità di incontrare non conformità. Ad esempio potremmo essere interessati ad ispezionare 2 lotti e mezzo, ossia 250 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 79 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 ± 3 m k 1 con m = ni k i =

41 I valori della linea blu sono il numero di difetti diviso il numero di lotti esaminati (ultima colonna). >> punt=[14/10,12/8,20/13,11/10,7/9.5,1,21/12,16/10.5,19/12,23/12.5]; >> taglie=[10,8,13,10,9.5,10,12,10.5,12,12.5]; >> cent=ones(10,1)*153/107.5; >> lineup= ones(10,1)*(153/ *sqrt(153/(107.5*mean(taglie)))); >> linedown= ones(10,1)*(153/ *sqrt(153/(107.5*mean(taglie)))); >>plot([1:10],punt, b-*,[1:10],cent, g-,[1:10],lineup, r-,[1:10],linedown, r- ) 81 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

42 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. Shewart chart Esempio: i dati che andiamo ad 14 esaminare sono stati costruiti al 13 seguente modo. I primi 20 sono stati selezionati da una popolazione gaussiana di media 10 e deviazione standard 1. I rimanenti 10 sono stati selezionati da una 10 popolazione gaussiana di media 9 11 e di deviazione standard 1. Questi ultimi si possono 8 pensare come selezionati da un 7 processo che è andato fuori controllo statistico La carta della media non segnala subito la variazione! 83 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? Utile per misurazioni uniche. Altrimenti si usa la media campionaria dei sottogruppi

43 Exponential chart 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 85 >>ewmaplot(x ) 11.5 Exponentially Weighted Moving Average (EWMA) Chart 11 EWMA CL Sample Number Attenzione: per vettori di misurazioni uniche, il vettore dei dati va passato sotto forma di vettore colonna

44 DIAGRAMMI DI CORRELAZIONE Consideriamo 10 coppie di dati che mettono in relazione la percentuale di riuscita di un certo esperimento in laboratorio con la temperatura alla quale l esperimento è condotto. >> x=[100, 110, 120, 130, 140, 150, 160, 170, 180, 190]; >> y=[45, 52, 54, 63, 62, 68, 75, 76, 92, 88]; Il coefficiente di correlazione di Pearson esprime il grado di relazione lineare esistente tra due campioni casuali. >> r=corrcoef(x,y) E un numero adimensionale. i Assume valori tra -1 e 1. r = Uno strumento grafico utile per visualizzare il grado di dipendenza lineare esistente tra i due campioni, è lo scatterdiagram(o diagramma di dispersione). >>polytool(x,y) E una function del MATLAB che consente di approssimare i punti dello scatter-diagram con un polinomio. 87 I punti sul grafico si riferiscono alle coppie ( x, y ) La retta in verde è la retta di regressione lineare. i i I coefficienti della retta sono determinati con il metodo dei mnimi quadrati. Le rette rosse sono i limiti dell intervallo di confidenza

45 Per conoscere i coefficienti della retta di regressione: >> beta beta = La retta di regressione è y = x >> residuals residuals = Se la retta di regressione lineare è y = α x + β e si indica con y = α x + β l'ordinata sulla retta in corrispondenza del dato i esimo, il residuo i-esimo è e = y y. i i i i i 90 45

46 Riprendendo l esperimento condotto in laboratorio, detta Y la v.a. che descrive la percentuale di riuscita dell esperimento e detta X la temperatura alla quale l esperimento è condotto, si ha Y = α X + β Per effetto degli errori di misurazione yi = α xi + β + ε i ε rappresenta lo scostamento del dato sperimentale dal valore i ottenuto usando il modello lineare in assenza di bias il valore ε proviene da una gaussiana di media 0. i Adeguatezza del modello: validazione E necessario verificare che i residui provengano da una popolazione gaussiana: a) Normplot b) Test di Kolmogorov-Smirnov 91 Adeguatezza del Modello ANALISI DEI RESIDUI Normal Probability Plot >> [H,P,KSSTAT,CV] = KSTEST(residuals/standard) H = 0 Probability P = KSSTAT = Data CV = >> 92 46

47 Il coefficiente di correlazione non è una misura generale della relazione tra due variabili, ma esprime solo il grado di linearità della correlazione in un grafico a dispersione. C è un solo caso in cui, quando il coefficiente di correlazione è nullo, allora le variabili aleatorie sono addirittura indipendenti: quando X e Y sono congiuntamente gaussiane. Gaussiana (congiunta) bidimensionale Esempio : La f XY ( x, y) = 2πσ for ( x, y) R funzione densità di probabilità di una normale bivariata è : exp σ ρ 2(1 ρ ) Y X,( µ, µ ) R X Y 2, con parametri σ 2 ( x µ ) 2ρ( x µ )( y µ ) ( y µ ) X σ X 2 X > 0, σ Y σ X X σ > 0 e ρ (-1,1). Y Y + 2 Y 2 Y σ µ = E X µ = E Y Y 2 X 2 Y [ X ] [ ] [ X ] [ Y ] σ = Var σ = Var ρ ( 1,1) 94 47

Statistical Process Control

Statistical Process Control Statistical Process Control 1 Introduzione SPC si occupa del miglioramento della qualità. I metodi per il miglioramento della qualità possono essere applicati a qualsiasi area in una fabbrica o organizzazione

Dettagli

Esercitazioni di Statistica

Esercitazioni di Statistica Esercitazioni di Statistica Test d ipotesi sul valor medio e test χ 2 di adattamento Prof. Livia De Giovanni statistica@dis.uniroma1.it Esercizio 1 Si supponga che il diametro degli anelli metallici prodotti

Dettagli

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi :

Università del Piemonte Orientale. Corso di laurea in biotecnologia. Corso di Statistica Medica. Analisi dei dati quantitativi : Università del Piemonte Orientale Corso di laurea in biotecnologia Corso di Statistica Medica Analisi dei dati quantitativi : Confronto tra due medie Università del Piemonte Orientale Corso di laurea in

Dettagli

IL CONTROLLO STATISTICO DI QUALITA

IL CONTROLLO STATISTICO DI QUALITA IL CONTROLLO STATISTICO DI QUALITA 1. Introduzione Realizzare un prodotto di qualità significa produrre rispettando certe specifiche e livelli di tolleranza prestabiliti, sulla base delle aspettative e

Dettagli

RELAZIONE 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 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

Dettagli

Capitolo 12 La regressione lineare semplice

Capitolo 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

Dettagli

iovanella@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 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

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

Evoluzione competitiva dei controlli in produzione nelle filiere dei mezzi di trasporto. Torino, Centro Congressi Lingotto 14 15 aprile 2010

Evoluzione competitiva dei controlli in produzione nelle filiere dei mezzi di trasporto. Torino, Centro Congressi Lingotto 14 15 aprile 2010 Evoluzione competitiva dei controlli in produzione nelle filiere dei mezzi di trasporto INDICI E PIANI DI PROCESS CAPABILITY Prof. Biagio Palumbo (Università di Napoli Federico II - Dipartimento Ingegneria

Dettagli

MINIMI QUADRATI. REGRESSIONE LINEARE

MINIMI 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

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

Stima 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

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA Pag 1 di 92 Francesco Sardo ELEMENTI DI STATISTICA PER VALUTATORI DI SISTEMI QUALITA AMBIENTE - SICUREZZA REV. 11 16/08/2009 Pag 2 di 92 Pag 3 di 92 0 Introduzione PARTE I 1 Statistica descrittiva 1.1

Dettagli

La variabile casuale Binomiale

La 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

Dettagli

3. Confronto tra medie di due campioni indipendenti o appaiati

3. 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

Dettagli

Dott.ssa Caterina Gurrieri

Dott.ssa Caterina Gurrieri Dott.ssa Caterina Gurrieri Le relazioni tra caratteri Data una tabella a doppia entrata, grande importanza riveste il misurare se e in che misura le variabili in essa riportata sono in qualche modo

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

Dimensione di uno Spazio vettoriale

Dimensione 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

Dettagli

1x1 qs-stat. Pacchetto Software per la Soluzione di Problemi Statistici nel Controllo Qualità. Versione: 1 / Marzo 2010 Doc. n.

1x1 qs-stat. Pacchetto Software per la Soluzione di Problemi Statistici nel Controllo Qualità. Versione: 1 / Marzo 2010 Doc. n. 1x1 qs-stat Pacchetto Software per la Soluzione di Problemi Statistici nel Controllo Qualità Versione: 1 / Marzo 2010 Doc. n.: PD-0012 Copyright 2010 Q-DAS GmbH & Co. KG Eisleber Str. 2 D - 69469 Weinheim

Dettagli

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Analisi statistica di dati biomedici Analysis of biologicalsignals II Parte Verifica delle ipotesi (a) Agostino Accardo (accardo@units.it) Master in Ingegneria Clinica LM in Neuroscienze 2013-2014 e segg.

Dettagli

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,

Dettagli

RELAZIONE TRA DUE VARIABILI QUANTITATIVE

RELAZIONE TRA DUE VARIABILI QUANTITATIVE RELAZIONE TRA DUE VARIABILI QUANTITATIVE Quando si considerano due o più caratteri (variabili) si possono esaminare anche il tipo e l'intensità delle relazioni che sussistono tra loro. Nel caso in cui

Dettagli

Legge del Raffreddamento di Newton

Legge del Raffreddamento di Newton Legge del Raffreddamento di Newton www.lepla.eu Obiettivo L'obiettivo di questo esperimento è studiare l'andamento temporale della temperatura di un oggetto che si raffredda e trovare un modello matematico

Dettagli

if t>=0 x=1; else x=0; end fornisce, nella variabile x, il valore della funzione gradino a tempi continui, calcolata in t.

if t>=0 x=1; else x=0; end fornisce, nella variabile x, il valore della funzione gradino a tempi continui, calcolata in t. Il programma MATLAB In queste pagine si introduce in maniera molto breve il programma di simulazione MAT- LAB (una abbreviazione di MATrix LABoratory). Introduzione MATLAB è un programma interattivo di

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI

Dettagli

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n 1 Medie La statistica consta di un insieme di metodi atti a elaborare e a sintetizzare i dati relativi alle caratteristiche di una fissata popolazione, rilevati mediante osservazioni o esperimenti. Col

Dettagli

Integrazione numerica

Integrazione numerica Integrazione numerica Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ Lezione 6-20-26 ottobre 2009 Indice 1 Formule di quadratura semplici e composite Formule di quadratura

Dettagli

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni.

MATEMATICA. { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un numero x ed un numero y che risolvano entrambe le equazioni. MATEMATICA. Sistemi lineari in due equazioni due incognite. Date due equazioni lineari nelle due incognite x, y come ad esempio { 2 x =12 y 3 y +8 x =0, si pone il problema di trovare, se esistono, un

Dettagli

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato.

1a) Calcolare gli estremi dell intervallo di confidenza per µ al 90% in corrispondenza del campione osservato. Esercizio 1 Sia X 1,..., X un campione casuale estratto da una variabile aleatoria normale con media pari a µ e varianza pari a 1. Supponiamo che la media campionaria sia x = 2. 1a) Calcolare gli estremi

Dettagli

Preprocessamento dei Dati

Preprocessamento dei Dati Preprocessamento dei Dati Raramente i dati sperimentali sono pronti per essere utilizzati immediatamente per le fasi successive del processo di identificazione, a causa di: Offset e disturbi a bassa frequenza

Dettagli

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1 FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE ED IL TERRITORIO CORSO DI STATISTICA E CALCOLO DELLE PROBABILITA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N ARGOMENTO: CALCOLO DELLE PROBABILITA

Dettagli

Esercizi su lineare indipendenza e generatori

Esercizi su lineare indipendenza e generatori Esercizi su lineare indipendenza e generatori Per tutto il seguito, se non specificato esplicitamente K indicherà un campo e V uno spazio vettoriale su K Cose da ricordare Definizione Dei vettori v,,v

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

Principal Component Analysis (PCA)

Principal Component Analysis (PCA) Principal Component Analysis (PCA) Come evidenziare l informazione contenuta nei dati S. Marsili-Libelli: Calibrazione di Modelli Dinamici pag. Perche PCA? E un semplice metodo non-parametrico per estrarre

Dettagli

Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 14: Analisi della varianza (ANOVA)

Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 14: Analisi della varianza (ANOVA) Corso di laurea in Scienze Motorie Corso di Statistica Docente: Dott.ssa Immacolata Scancarello Lezione 4: Analisi della varianza (ANOVA) Analisi della varianza Analisi della varianza (ANOVA) ANOVA ad

Dettagli

La distribuzione Normale. La distribuzione Normale

La 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

Dettagli

Rapida Introduzione all uso del Matlab Ottobre 2002

Rapida Introduzione all uso del Matlab Ottobre 2002 Rapida Introduzione all uso del Matlab Ottobre 2002 Tutti i tipi di dato utilizzati dal Matlab sono in forma di array. I vettori sono array monodimensionali, e così possono essere viste le serie temporali,

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

Rapporto CESI. Cliente: Oggetto: Ordine: Contratto CESI n. 71/00056. Note: N. pagine: 13 N. pagine fuori testo: Data: 30.05.2000.

Rapporto CESI. Cliente: Oggetto: Ordine: Contratto CESI n. 71/00056. Note: N. pagine: 13 N. pagine fuori testo: Data: 30.05.2000. A0/010226 Pag.1/13 Cliente: Ricerca di Sistema Oggetto: Determinazione della tenacità di acciai eserciti - Correlazioni per stime di FATT da prove Small Punch Ordine: Contratto CESI n. 71/00056 Note: DEGRADO/GEN04/003

Dettagli

INCERTEZZA DI MISURA

INCERTEZZA DI MISURA L ERRORE DI MISURA Errore di misura = risultato valore vero Definizione inesatta o incompleta Errori casuali Errori sistematici L ERRORE DI MISURA Errori casuali on ne si conosce l origine poiche, appunto,

Dettagli

LA CORRELAZIONE LINEARE

LA 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

Dettagli

Se si insiste non si vince

Se si insiste non si vince Se si insiste non si vince Livello scolare: 2 biennio Abilità interessate Valutare la probabilità in diversi contesti problematici. Distinguere tra eventi indipendenti e non. Valutare criticamente le informazioni

Dettagli

Statistica. Lezione 6

Statistica. 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

Dettagli

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys.

METODO DEI MINIMI QUADRATI. Quest articolo discende soprattutto dai lavori di Deming, Press et al. (Numerical Recipes) e Jefferys. METODO DEI MINIMI QUADRATI GIUSEPPE GIUDICE Sommario Il metodo dei minimi quadrati è trattato in tutti i testi di statistica e di elaborazione dei dati sperimentali, ma non sempre col rigore necessario

Dettagli

Compito di SISTEMI E MODELLI. 19 Febbraio 2015

Compito di SISTEMI E MODELLI. 19 Febbraio 2015 Compito di SISTEMI E MODELLI 9 Febbraio 5 Non é ammessa la consultazione di libri o quaderni. Le risposte vanno giustificate. Saranno rilevanti per la valutazione anche l ordine e la chiarezza di esposizione.

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

4. Operazioni elementari per righe e colonne

4. Operazioni elementari per righe e colonne 4. Operazioni elementari per righe e colonne Sia K un campo, e sia A una matrice m n a elementi in K. Una operazione elementare per righe sulla matrice A è una operazione di uno dei seguenti tre tipi:

Dettagli

Q-DAS S.R.L. D - 69469 Weinheim Via San Martino, 31

Q-DAS S.R.L. D - 69469 Weinheim Via San Martino, 31 Esempi Copyright 2003 Q-DAS GmbH Q-DAS S.R.L. Eisleber Str. 2 25025 Manerbio (BS) D - 69469 Weinheim Via San Martino, 31 Germany Italia Tel.: ++49/6201/3941-0 Tel.: ++39/030 9382176 Fax: ++49/6201/3941-24

Dettagli

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.

INTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito. INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati

Dettagli

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)

Dettagli

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione

Dettagli

Politecnico di Bari Facoltà di Ingegneria

Politecnico di Bari Facoltà di Ingegneria Politecnico di Bari Facoltà di Ingegneria Dispensa per il Corso di Controlli Automatici I Uso del software di calcolo Matlab 4. per lo studio delle risposte nel tempo dei sistemi lineari tempoinvarianti

Dettagli

Corso di Analisi Matematica. Polinomi e serie di Taylor

Corso di Analisi Matematica. Polinomi e serie di Taylor a.a. 2013/14 Laurea triennale in Informatica Corso di Analisi Matematica Polinomi e serie di Taylor Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità degli

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco

SCHEDA DI PROGRAMMAZIONE DELLE ATTIVITA EDUCATIVE DIDATTICHE. Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco Disciplina: Matematica Classe: 5A sia A.S. 2014/15 Docente: Rosito Franco ANALISI DI SITUAZIONE - LIVELLO COGNITIVO La classe ha dimostrato fin dal primo momento grande attenzione e interesse verso gli

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

Curve di risonanza di un circuito

Curve di risonanza di un circuito Zuccarello Francesco Laboratorio di Fisica II Curve di risonanza di un circuito I [ma] 9 8 7 6 5 4 3 0 C = 00 nf 0 5 0 5 w [KHz] RLC - Serie A.A.003-004 Indice Introduzione pag. 3 Presupposti Teorici 5

Dettagli

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i DISTRIBUZIONE di PROBABILITA Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che uò assumere i valori: ; ;, n al verificarsi degli eventi incomatibili e comlementari: E ; E ;..;

Dettagli

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA)

4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) 4.2. IL TEST F DI FISHER O ANALISI DELLA VARIANZA (ANOVA) L analisi della varianza è un metodo sviluppato da Fisher, che è fondamentale per l interpretazione statistica di molti dati biologici ed è alla

Dettagli

La MKT (Mean Kinetic Temperature) come criterio di accettabilità sui controlli della temperatura

La MKT (Mean Kinetic Temperature) come criterio di accettabilità sui controlli della temperatura La (Mean Kinetic Temperature) come criterio di accettabilità sui controlli della temperatura Come funzionano i criteri di valutazione sulla temperatura Vi sono 5 parametri usati per la valutazione del

Dettagli

1. Scopo dell esperienza.

1. 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

Dettagli

Equilibrio Termico tra Due Corpi

Equilibrio Termico tra Due Corpi Equilibrio Termico tra Due Corpi www.lepla.eu OBIETTIVO L attività ha l obiettivo di fare acquisire allo sperimentatore la consapevolezza che: 1 il raggiungimento dell'equilibrio termico non è istantaneo

Dettagli

Confronto tra gruppi (campioni indipendenti)

Confronto tra gruppi (campioni indipendenti) Confronto tra gruppi (campioni indipendenti) Campioni provenienti da una popolazione Normale con medie che possono essere diverse ma varianze uguali campioni: Test z or t sulla differenza tra medie 3,

Dettagli

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 1 RAPPRESENTARE I DATI: TABELLE E GRAFICI Un insieme di misure è detto serie statistica o serie dei dati 1) Una sua prima elementare elaborazione può

Dettagli

Introduzione Metodo POT

Introduzione Metodo POT Introduzione Metodo POT 1 Un recente metodo di analisi dei valori estremi è un metodo detto POT ( Peak over thresholds ), inizialmente sviluppato per l analisi dei dati idrogeologici a partire dalla seconda

Dettagli

Quando troncare uno sviluppo in serie di Taylor

Quando troncare uno sviluppo in serie di Taylor Quando troncare uno sviluppo in serie di Taylor Marco Robutti October 13, 2014 Lo sviluppo in serie di Taylor di una funzione è uno strumento matematico davvero molto utile, e viene spesso utilizzato in

Dettagli

Appunti sull uso di matlab - I

Appunti sull uso di matlab - I Appunti sull uso di matlab - I. Inizializazione di vettori.. Inizializazione di matrici.. Usare gli indici per richiamare gli elementi di un vettore o una matrice.. Richiedere le dimensioni di una matrice

Dettagli

4. Confronto tra medie di tre o più campioni indipendenti

4. Confronto tra medie di tre o più campioni indipendenti BIOSTATISTICA 4. Confronto tra medie di tre o più campioni indipendenti Marta Blangiardo, Imperial College, London Department of Epidemiology and Public Health m.blangiardo@imperial.ac.uk MARTA BLANGIARDO

Dettagli

VALORE DELLE MERCI SEQUESTRATE

VALORE 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

Dettagli

Matematica B - a.a 2006/07 p. 1

Matematica B - a.a 2006/07 p. 1 Matematica B - a.a 2006/07 p. 1 Definizione 1. Un sistema lineare di m equazioni in n incognite, in forma normale, è del tipo a 11 x 1 + + a 1n x n = b 1 a 21 x 1 + + a 2n x n = b 2 (1) = a m1 x 1 + +

Dettagli

Metodi numerici per la risoluzione di equazioni. Equazioni differenziali ordinarie

Metodi numerici per la risoluzione di equazioni. Equazioni differenziali ordinarie Metodi numerici per la risoluzione di equazioni differenziali ordinarie Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ Lezione 5-31 ottobre 2005 Outline 1 Il problema di Cauchy Il problema

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

La Funzione Caratteristica di una Variabile Aleatoria

La Funzione Caratteristica di una Variabile Aleatoria La Funzione Caratteristica di una Variabile Aleatoria La funzione caratteristica Φ densità di probabilità è f + Φ ω = ω di una v.a., la cui x, è definita come: jωx f x e dx E e j ω Φ ω = 1 La Funzione

Dettagli

Studio sperimentale della propagazione di un onda meccanica in una corda

Studio sperimentale della propagazione di un onda meccanica in una corda Studio sperimentale della propagazione di un onda meccanica in una corda Figura 1: Foto dell apparato sperimentale. 1 Premessa 1.1 Velocità delle onde trasversali in una corda E esperienza comune che quando

Dettagli

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE

EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE EQUAZIONI E DISEQUAZIONI POLINOMIALI E COLLEGAMENTI CON LA GEOMETRIA ELEMENTARE 1. EQUAZIONI Definizione: un equazione è un uguaglianza tra due espressioni letterali (cioè in cui compaiono numeri, lettere

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

UN CASO CONCRETO DI VALUTAZIONE DELLA SODDISFAZIONE DEL CLIENTE

UN CASO CONCRETO DI VALUTAZIONE DELLA SODDISFAZIONE DEL CLIENTE Tratto dal corso Ifoa UN CASO CONCRETO DI VALUTAZIONE DELLA SODDISFAZIONE DEL CLIENTE Recentemente, si sono sviluppati numerosi modelli finalizzati a valutare e a controllare il livello di soddisfazione

Dettagli

ORDINALI E NOMINALI LA PROBABILITÀ. Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile.

ORDINALI E NOMINALI LA PROBABILITÀ. Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile. ORDINALI E NOMINALI LA PROBABILITÀ Statistica5 23/10/13 Nell ambito della manifestazione di un fenomeno niente è certo, tutto è probabile. Se si afferma che un vitello di razza chianina pesa 780 kg a 18

Dettagli

La corrente elettrica La resistenza elettrica La seconda legge di Ohm Resistività e temperatura L effetto termico della corrente

La corrente elettrica La resistenza elettrica La seconda legge di Ohm Resistività e temperatura L effetto termico della corrente Unità G16 - La corrente elettrica continua La corrente elettrica La resistenza elettrica La seconda legge di Ohm Resistività e temperatura L effetto termico della corrente 1 Lezione 1 - La corrente elettrica

Dettagli

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 = 1

Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 = 1 Diaz - Appunti di Statistica - AA 2001/2002 - edizione 29/11/01 Cap. 3 - Pag. 1 Capitolo 3. L'analisi della varianza. Il problema dei confronti multipli. La soluzione drastica di Bonferroni ed il test

Dettagli

Principal Component Analysis

Principal Component Analysis Principal Component Analysis Alessandro Rezzani Abstract L articolo descrive una delle tecniche di riduzione della dimensionalità del data set: il metodo dell analisi delle componenti principali (Principal

Dettagli

Appendice III. Criteri per l utilizzo dei metodi di valutazione diversi dalle misurazioni in siti fissi

Appendice III. Criteri per l utilizzo dei metodi di valutazione diversi dalle misurazioni in siti fissi Appendice III (articolo 5, comma 1 e art. 22 commi 5 e 7) Criteri per l utilizzo dei metodi di valutazione diversi dalle misurazioni in siti fissi 1. Tecniche di modellizzazione 1.1 Introduzione. In generale,

Dettagli

LOGISTICA APPUNTI DI STATISTICA

LOGISTICA APPUNTI DI STATISTICA Cos'é la Statistica LOGISTICA APPUNTI DI STATISTICA La statistica è la disciplina che applica metodi scientifici alla raccolta di dati e informazioni per una loro classificazione, elaborazione e rappresentazione

Dettagli

Moto sul piano inclinato (senza attrito)

Moto sul piano inclinato (senza attrito) Moto sul piano inclinato (senza attrito) Per studiare il moto di un oggetto (assimilabile a punto materiale) lungo un piano inclinato bisogna innanzitutto analizzare le forze che agiscono sull oggetto

Dettagli

Esercizio 1. Svolgimento

Esercizio 1. Svolgimento Esercizio 1 Vengono lanciate contemporaneamente 6 monete. Si calcoli: a) la probabilità che si presentino esattamente 2 testa ; b) la probabilità di ottenere almeno 4 testa ; c) la probabilità che l evento

Dettagli

Studente: SANTORO MC. Matricola : 528

Studente: SANTORO MC. Matricola : 528 CORSO di LAUREA in INFORMATICA Corso di CALCOLO NUMERICO a.a. 2004-05 Studente: SANTORO MC. Matricola : 528 PROGETTO PER L ESAME 1. Sviluppare una versione dell algoritmo di Gauss per sistemi con matrice

Dettagli

Metodi e Strumenti per la Caratterizzazione e la Diagnostica di Trasmettitori Digitali RF ing. Gianfranco Miele g.miele@unicas.it

Metodi e Strumenti per la Caratterizzazione e la Diagnostica di Trasmettitori Digitali RF ing. Gianfranco Miele g.miele@unicas.it Corso di laurea magistrale in Ingegneria delle Telecomunicazioni Metodi e Strumenti per la Caratterizzazione e la Diagnostica di Trasmettitori Digitali RF ing. Gianfranco Miele g.miele@unicas.it Trasmettitore

Dettagli

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1.

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1. Capitolo 6 Integrali curvilinei In questo capitolo definiamo i concetti di integrali di campi scalari o vettoriali lungo curve. Abbiamo bisogno di precisare le curve e gli insiemi che verranno presi in

Dettagli

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1

LEZIONE 14. a 1,1 v 1 + a 1,2 v 2 + a 1,3 v 3 + + a 1,n 1 v n 1 + a 1,n v n = w 1 LEZIONE 14 141 Dimensione di uno spazio vettoriale Abbiamo visto come l esistenza di una base in uno spazio vettoriale V su k = R, C, permetta di sostituire a V, che può essere complicato da trattare,

Dettagli

Esercizi per il corso di Algoritmi e Strutture Dati

Esercizi per il corso di Algoritmi e Strutture Dati 1 Esercizi per il corso di Algoritmi e Strutture Dati Esercizi sulla Tecnica Divide et Impera N.B. Tutti gli algoritmi vanno scritti in pseudocodice (non in Java, né in C++, etc. ). Di tutti gli algoritmi

Dettagli

STUDI CLINICI 1. Che cosa è uno studio clinico e a cosa serve? 2. Come nasce la sperimentazione clinica e che tipi di studi esistono?

STUDI CLINICI 1. Che cosa è uno studio clinico e a cosa serve? 2. Come nasce la sperimentazione clinica e che tipi di studi esistono? STUDI CLINICI 1. Che cosa è uno studio clinico e a cosa serve? Si definisce sperimentazione clinica, o studio clinico controllato, (in inglese: clinical trial), un esperimento scientifico che genera dati

Dettagli

Consideriamo due polinomi

Consideriamo due polinomi Capitolo 3 Il luogo delle radici Consideriamo due polinomi N(z) = (z z 1 )(z z 2 )... (z z m ) D(z) = (z p 1 )(z p 2 )... (z p n ) della variabile complessa z con m < n. Nelle problematiche connesse al

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

ESAME DI STATO 2002 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO

ESAME DI STATO 2002 SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO ARCHIMEDE 4/ 97 ESAME DI STATO SECONDA PROVA SCRITTA PER IL LICEO SCIENTIFICO DI ORDINAMENTO Il candidato risolva uno dei due problemi e 5 dei quesiti in cui si articola il questionario. PROBLEMA In un

Dettagli

Flusso a costo minimo e simplesso su reti

Flusso a costo minimo e simplesso su reti Flusso a costo minimo e simplesso su reti La particolare struttura di alcuni problemi di PL può essere talvolta utilizzata per la progettazione di tecniche risolutive molto più efficienti dell algoritmo

Dettagli

Esperimentatori: Durata dell esperimento: Data di effettuazione: Materiale a disposizione:

Esperimentatori: Durata dell esperimento: Data di effettuazione: Materiale a disposizione: Misura di resistenza con il metodo voltamperometrico. Esperimentatori: Marco Erculiani (n matricola 454922 v.o.) Noro Ivan (n matricola 458656 v.o.) Durata dell esperimento: 3 ore (dalle ore 9:00 alle

Dettagli