Indici di capacità di processo in presenza di situazioni che si allontanano dalla legge normale Process Capability Indices for Situations that Differ from the Normal Law Paola M. Chiodini Dip. di Scienze Economiche e Sociali, Università Cattolica del Sacro Cuore - sede di Piacenza e-mail: [email protected] Umberto Magagnoli Istituto di Statistica, Università Cattolica del Sacro Cuore di Milano e-mail: [email protected] Abstract: The aim of this paper is to evaluate process capability indices when the process variables are non normal distributed. A study is made for the Cs index, given by Wright, where new parameter is introduced in order to obtain a more sensible index and to try to relate the index to the fraction of non conform items. Parole chiave: Process Capability Indices, Skewed distributions, Weibull distribution, Gamma distribution. 1. Introduzione Negli ultimi anni si è andata sviluppando nei consumatori una sempre maggiore attenzione alla percezione della qualità. Questo fatto ha indotto i produttori di beni e i fornitori di servizi ad adottare strumenti di controllo della qualità sempre più sofisticati. Risalgono, infatti, agli Anni’80 i primi studi riguardanti gli indici di capacità di processo; tali indici nella loro formulazione iniziale forniscono semplicemente un’informazione di quanto il processo sia “capace”, cioè di quanto sia in grado di produrre elementi che rispettino le specifiche e i valori di riferimento richiesti. La più semplice proposta di indice è la seguente (v. Kotz e Lovelace, (1998), pp. 34-47): Cp USL LSL d , 6 3 (1) dove USL (Upper Specification Limit) ed LSL (Lower Specification Limit) rappresentano i cosiddetti “limiti di specificazione”, d=(USL-LSL)/2, mentre 2 è la varianza della caratteristica X oggetto di studio. Tale indice può interpretarsi come rapporto tra l’ampiezza dell’intervallo di specificazione e un intervallo a cui è associata, per la variabile X, un’elevata probabilità (pari a 99,73%, se si distribuisce normalmente con media pari a M=(USL+LSL)/2, valore centrale dell’intervallo di specificazione). L’indice Cp si è dimostrato essere insoddisfacente in quanto, tra l’altro, si basa sulla assunzione di distribuzione normale per la caratteristica X e nulla viene richiesto per quanto riguarda la locazione in termini di media. Altre critiche sono seguite quando si è tentato di applicare a questa metodologia le idee proprie della valutazione della qualità di un processo produttivo secondo le tecniche di Taguchi che comportano l’introduzione di un valore di riferimento T (target) e della perdita media R (risk), che fornisce una misura di non rispondenza delle unità prodotte al valore di target T. L’espressione per R più frequentemente 2 2 impiegata è la seguente: R 2 E X T 2 T che risulta essere una funzione quadratica non solo dei parametri e 2 di X ma anche del valore di target T. Tra gli indici che sono stati proposti in letteratura (v. Kotz e Lovelace, (1998)) che tengono conto dell’entità del rischio abbiamo C pm USL LSL 6 2 ( T ) 2 min (USL ; LSL ) d M d ; C pmk .(2) 3 3 3 2 ( T ) 2 Nella molteplicità di indici che vengono proposti in letteratura si osserva la costante caratteristica che la legge di distribuzione di X debba essere normale, lasciando aperto il problema della valutazione della “robustezza” degli indici di fronte a distribuzioni non normali (v. Chiodini e Magagnoli, (1999), nel caso di distribuzioni simmetriche platicurtiche) e non simmetriche quali ad esempio la Weibull e la Gamma che frequentemente si trovano associate ai problemi di valutazione della qualità, in particolare legate all’affidabilità e alla disponibilità di sistemi. Al problema della non simmetria una risposta è data da Wright (1995) con l’indice denominato Cs, la cui espressione può pensarsi un’estensione dell’indice Cpmk della (2): Cs min (USL ; LSL) 3 ( T ) 3 / 2 2 d M 3 1 ( T ) / 1 2 , (3) dove 3 1 3 / 2 è il momento centrale terzo della caratteristica X. Questo indice Cs risulta particolarmente adatto allo studio di tutte le situazioni dove la legge di distribuzione risulta essere asimmetrica in quanto include il parametro 1 che misura il grado di asimmetria di X. La critica fondamentale che si può muovere all’indice Cs consta nel fatto che non esistono relazioni funzionali tra l’indice e la frazione di elementi non conformi , come si verifica invece per gli altri indici, problema che è argomento di questo lavoro. 2. L’indice Cs(h) Si è ritenuto interessante studiare l’andamento dell’indice Cs al variare della frazione di elementi non conformi e per facilitare una tale analisi si è proposta una formulazione più generale dell’indice indicato in (3), come è presentata da Chen e Kotz (1996), ovvero: C s ( h) min (USL ; LSL) 3 2 ( T ) 2 h 3 / d M 3 1 ( T ) / h 1 2 , (4) dove h è un parametro definito positivo che enfatizzando la componente dell’indice Cs legata all’indice di asimmetria 1 consente di ricercare un andamento tra l’indice C s (h) e similare a quello che si ha nel caso di distribuzione normale per la variabile X. Quali distribuzione asimmetriche per la variabile X si sono considerate rispettivamente quella di Weibull(1) e la legge Gamma(2), entrambe a due parametri. È stato condotto uno studio preliminare per confrontare l’impiego di tali modelli, assumendo che le due distribuzioni presentino uguale media e varianza. Nelle Tabelle 1 e 2, rispettivamente per il modello distributivo di Weibull e della legge Gamma, sono dati i valori dell’indice C s (h) e di al variare di ; l’intervallo di specificazione (LSL, USL) ed il valore di target T sono mantenuti costanti e corrispondenti a quelli del caso 0 =1, 0 =0,428 (riportati in grassetto). In Tabella 1 si è assunto un valore costante per =2,5, corrispondente a 1 =0,3586. Nella Tabella 2, ad corrisponde 5,461 e 1 =0,8558, valori assunti costanti. Le Tabelle 1 e 2 riportano anche i valori della frazione ~ di elementi non conformi N , in caso di distribuzione normale per la X, e l’indice C s che è ottenuto sulla base di una opportuna interpolazione lineare a tratti del legame tra C s (h 0) e N , letto in corrispondenza del valore di , proprio della distribuzione asimmetrica considerata. ~ Dal confronto tra gli andamenti di C s (h) e di C s , mediante un opportuno criterio di accostamento, può scegliersi il valore di h. Dall’analisi dei dati riportati nelle Tabelle si ottiene che i valori di h preferibili sono rispettivamente h=0,5 per la distribuzione di Weibull e h=1 per la distribuzione Gamma. Una casistica più generale, che richiede comunque ulteriori completamenti, ha evidenziato, al fine di rendere più simile il valore dell’indice C s (h) nel caso di distribuzioni asimmetriche (Weibull e Gamma) al caso di variabile normale, valori opportuni per h compresi sempre tra 0 ed 1. Tabella 1: Valori dell’indice C (h) e di (=1,00; =0,428; 1=0,3586) s d=1,284; M=T=1,00 USL=2,284; LSL=0,284 1 2 3 4 5 6 7 8 1,00 1,05 1,10 1,15 1,20 1,25 1,30 1,35 0,428 0,449 0,471 0,492 0,513 0,535 0,556 0,578 1,127 1,183 1,240 1,296 1,352 1,409 1,465 1,522 Weibull C s (h) h=0 h=0,5 1,000 0,910 0,820 0,735 0,656 0,584 0,519 0,461 (1) Con funzione di densità: f X ( x; , ) (2) Con funzione di densità: f X ( x; , ) 0,921 0,838 0,758 0,681 0,610 0,545 0,486 0,433 x 1 h=1 h=1,5 0,858 0,782 0,708 0,637 0,572 0,513 0,459 0,410 exp x 1 x ( ) 1 exp x 0,806 0,735 0,666 0,601 0,541 0,486 0,436 0,390 Normale ~ N Cs 0,0029 0,0057 0,0100 0,0162 0,0246 0,0352 0,0482 0,0633 , 0; x 0 , 0; x 0 0,914 0,827 0,744 0,667 0,597 0,535 0,479 0,427 0,0013 0,0030 0,0060 0,0106 0,0174 0,0266 0,0385 0,0530 Tabella 2: Valori dell’indice C s ( h) e di (=5,46;=1,00; =0,428; 1=0,8558) d=1,284; M=T=1,00 USL=2,284; LSL=0,284 1 2 3 4 5 6 7 8 1,00 1,05 1,10 1,15 1,20 1,25 1,30 1,35 0,428 0,449 0,471 0,492 0,513 0,535 0,556 0,578 0,183 0,192 0,201 0,211 0,220 0,229 0,238 0,247 Gamma C s (h) h=0 1,000 0,910 0,820 0,735 0,656 0,584 0,519 0,461 h=0,5 0,837 0,763 0,691 0,623 0,560 0,502 0,450 0,402 h=1 0,734 0,670 0,608 0,550 0,497 0,447 0,402 0,361 h=1,5 0,662 0,604 0,549 0,498 0,451 0,407 0,367 0,331 Normale ~ N Cs 0,0089 0,0133 0,0189 0,0260 0,0345 0,0445 0,0560 0,0691 0,761 0,699 0,642 0,588 0,539 0,493 0,450 0,410 0,0013 0,0030 0,0060 0,0106 0,0174 0,0266 0,0385 0,0530 3. Conclusioni In questo lavoro ci si è limitati a presentare solo il modello adatto alla definizione di un indice di capacità di processo sensibile all’asimmetria della distribuzione della caratteristica del processo, mentre ci si propone di approfondire in seguito anche gli aspetti inferenziali che sono legati ad aspetti campionari, in particolare la stima puntuale ed intervallare dell’indice proposto, le proprietà distributive e asintotiche dei corrispondenti stimatori. Si ritiene opportuno completare l’analisi, in relazione alla forma ed ai valori dei parametri delle distribuzioni di specifico interesse operativo, al fine di determinare il campo degli opportuni valori da assegnare al parametro h presente nell’indice C s (h) . Le indicazioni finora emerse porterebbe a suggerire per h il valore 0,5, che corrisponde ad una posizione intermedia tra l’indice Cpmk della (2) e l’indice Cs di Wright della (3). Riferimenti bibliografici Chen H., Kotz S. (1996) An asymptotic distribution of Wright’s process capability index sensitive to skewness, Journal of Statistical Computation & Simulation, 55, 147-158. Chiodini P.M., Magagnoli U. (1999) Indici di capacità di processo. Modelli e procedure inferenziali: una rassegna e qualche comparazione, in Valutazione della qualità e customer satisfaction: il ruolo della statistica, Università Cattolica del Sacro Cuore, Milano, Parte II, 113-131. Kane V.E. (1986) Process Capability Indices, Journal of Quality Technology, 18, 41-52. Kotz S., Lovelace C.R. (1998), Process Capability Indices in Theory and Practice, Arnold, London. Pearn W.L., Chang C.S. (1997) The Performance of Process Capability Index Cs on Skewed distributions, Communications in Statistics – Simulation and Computation, 26, 13611377. Pearn W.L., Kotz S., Johnson N.L. (1992) Distributional and Inferential Properties of Process Capability Indices, Journal of Quality Technology, 24, 216-231. Wright P.A. (1995) A Process Capability Index sensitive to skewness, Journal of Statistical Computation & Simulation, 52, 195-203.