costruzione ed uso delle carte di controllo
TRANSCRIPT
Michele Fiore – ARPA Sicilia
Validazione dei metodi ed incertezza di misura nei laboratori di prova addetti al
controllo di alimenti e bevande
Costruzione ed uso delleCarte di Controllo
Bologna 25 novembre 2004
Michele Fiore – ARPA Sicilia
IntroduzioneGrafico su cui sono tracciati dei limiti di controllo insieme ai valori di un parametro statistico al fine di valutare se un processo è tale da garantire, per tutta la durata dello svolgimento, il realizzarsi delle caratteristiche iniziali
Le carte di controllo sono uno strumento statistico per valutare la stabilità di un processo
“PROCESSO”
Qualunque attività che utilizza risorse per trasformare elementi in entrata in elementi in uscita
(ISO 9000:2000 p. 2.4)
Michele Fiore – ARPA Sicilia
Introduzione
ESIGENZE
ESIGENZE
CLIENTE PROCESSO CLIENTE
STRUMENTI MATERIALI
PROCEDUREISTRUZIONI
METODICAPACITÀ
CONOSCENZA
Michele Fiore – ARPA Sicilia
Introduzione
Obiettivi del controllo di processo:
prodotti che sistematicamente rispondano ai requisiti
soddisfazione delle esigenze del cliente
miglioramento continuo
Come si colloca il controllo statistico dei processi in relazione al significato di qualità?
Michele Fiore – ARPA Sicilia
Il concetto di QualitàConformance to requirements W. E. Deming
Fitness for use J. M. Juran
Qualità: inversamente proporzionale alla variabilità
Insieme delle caratteristiche di un entità che ne determinano la capacità di soddisfare esigenze espresse ed implicite
UNI EN ISO - 8402:1995
Grado in cui un insieme di caratteristiche intrinseche soddisfa i requisiti (3.1.2) UNI EN ISO 9000:2000
Michele Fiore – ARPA Sicilia
Il concetto di QualitàLa qualità migliora se c’è riduzione nella variabilità!
Le carte di controllo sono uno strumento statistico mediante il quale si può migliorare la qualità di un processo.
a. autovalutazione dell’attività;
b. monitoraggio costante della qualità erogata;
c. rilevazione eventi critici;
d. ritorno tempestivo dell’informazione.
Michele Fiore – ARPA Sicilia
Il controllo statistico dei processi
Il controllo di processo nasce con la rivoluzione industriale, con Eli Whitney (1793) nel momento in cui si teorizza la possibilitàdi costruire e produrre pezzi di ricambio, anche in serie.
Michele Fiore – ARPA Sicilia
Il controllo statistico dei processi
IL PRODUTTORE VUOLE VENDERE
TUTTO
IL CLIENTE VUOLE PRODOTTI SEMPRE PIÙ
RIPETIBILI
In questo contesto si colloca il controllo statistico di processo
(SPC)
SPC: risolvere a monte il problema, per cercare di far si che siproducano oggetti sempre uguali, costanti, con una certa stabilità nel tempo.
Michele Fiore – ARPA Sicilia
W. Shewhart
… tutti i processi hanno una variabilità, alcuni mostrano una variabilità controllata, altri, invece, una variabilità incontrollata.
La variabilità controllata è caratterizzata da un insieme di variazioni che sono stabili e costanti nel tempo (Shewhartattribuì queste variazioni a cause aleatorie, casuali)
La variabilità incontrollata è caratterizzata da un insieme di variazioni instabili nel tempo (Shewhart attribuì queste modifiche a cause “specifiche”)
Michele Fiore – ARPA Sicilia
La variabilità secondo ShewhartLa variabilità controllata (casuale) è dovuta a “cause non identificabili” ciascuna delle quali è una componente molto piccola della variabilità totale. Tuttavia la somma degli effetti di tutte questa cause di variazione è misurabile e si assume essere intrinseca al processo
E … se non ci soddisfa ???
È impossibile eliminare queste cause comuni!!!
Possiamo soltanto ridurle. Tuttavia tale riduzione richiede “risorse” per migliorare il processo.
È utile ???
Michele Fiore – ARPA Sicilia
La variabilità secondo ShewhartLa variabilità incontrollata (sistematica) è più insidiosa in quanto rappresenta una reale alterazione del processo. Tale alterazione può essere attribuita a cause identificabili che nonsono intrinseche al processo.
… ogni tanto succede qualcosa di discontinuo nei confronti del tempo … quando queste sorgenti di variabilità si instaurano all’interno del mio processo avviene una sorta di rottura per cui ciò che è successo fino oggi, domani potrà essere completamente diverso.
Cosa fare ???
Identificarle ed eliminarle!!!
Michele Fiore – ARPA Sicilia
La variabilità secondo ShewhartUn processo è in controllo statistico quando la variabilitàdipende solo da cause non assegnabili
Una volta “fissato” questo livello di “variazione accettabile”ogni deviazione da tale target è ritenuta essere il risultato di cause assegnabili che dovrebbero essere individuate ed eliminate.
Il processo è stabile e coerente. Le variazioni sono dovute solo a ciò che è inerente al processo stesso
Michele Fiore – ARPA Sicilia
… la filosofia del SPC …
Il controllo statistico di processo, cosi come inteso dai fondatori, è: un modo di pensare al quale sono “attaccate” alcune tecniche statistiche
non basta accontentarsi di un processo con “zero difetti”, occorre fare di più che rispettare le specifiche:
studiare il processo
monitorarlo costantemente
cercare e ridurre al minimo le cause di variabilità con l’obiettivo del miglioramento continuo
Michele Fiore – ARPA Sicilia
… la filosofia del SPC …Il concetto di controllo di Shewhart e il concetto di controllo della variabilità nella gestione della produzione non hanno nulla in comune
Obiettivi e risultati sono concettualmente differenti:
Il concetto di controllo della variabilità ha come scopo il rispetto delle tolleranze; i limiti della tolleranza diventano l’obiettivo e non più il limite tollerato
Secondo Shewhart, l’obiettivo deve essere il miglioramento del processo
un prodotto che sfrutta tutto l’intervallo di tolleranza permesso, perché tutto quello che è dentro le specifiche è “abbastanza buono”
un prodotto per quanto possibile uniforme
Michele Fiore – ARPA Sicilia
… la filosofia del SPC …Spetta a noi decidere quale strategia vogliamo seguire:
il rispetto delle tolleranze o il miglioramento continuo dei processi?
Focalizzare tutto sul rispetto formale delle specifiche è un blocco al progresso
Soltanto l’approccio al miglioramento continuo permette di guardare al futuro.
Ogni punto fuori controllo diventa una opportunità. Queste opportunità devono essere sfruttate come dei catalizzatori per quel processo mentale che è la ricerca delle cause ed il miglioramento continuo (W. Shewhart).
Michele Fiore – ARPA Sicilia
obiettivo: miglioramento continuo
come si misura il progresso verso l’obiettivo?
Fornire prodotti che siano tutti conformi ???
Raggiungere uno stato di controllo statistico per il processo???
Nessuno dei due risultati, una volta raggiunti, è permanente!
Michele Fiore – ARPA Sicilia
obiettivo: miglioramento continuoIl
proc
esso
è in
co
ntro
lloIl
proc
esso
non
è in
co
ntro
llo
Alcuni prodotti non conformi Tutti i prodotti conformi
Stato limiteun processo in questo stato
dimostra ancora un ragionevole livello di controllo statistico, ma produce anche dati non conformi
Stato idealeun processo in questo stato è in controllo statistico o meglio la variabilità è costante nel tempo.
Stato di caosil processo è fuori dal controllo
statistico e produce risultati non conformi
Soglia del caosil processo è fuori dal controllo
statistico e produce risultati conformi
Michele Fiore – ARPA Sicilia
ed infine … anche l’entropiaTutti i processi appartengono ad uno dei quattro stati ma non rimangono stabilmente in uno di essi
l’entropia agisce su ogni processo e lo sposta incessantemente verso lo stato di caos (deterioramento, usure, interruzioni, guasti, …)
Il solo modo di bloccare questa deriva è quello di contrastare continuamente gli effetti dell’entropia
intervenire efficacemente effetti sul processo
CARTE DI CONTROLLO
Michele Fiore – ARPA Sicilia
… in laboratorio …
Le carte di controllo sono pertanto strumenti che dobbiamousare nei nostri laboratori non solo per monitorare lo strumento ma per prevenire l’insorgenza di una causa di variabilità non controllata nel processo ed anticipare il momento in cui esso non produce risultati validi
Michele Fiore – ARPA Sicilia
Le carte di controllo
disporre di un numero adeguato di informazioni
calcolare dei limiti di variabilità
verificare se i dati relativi al processo rientrano nei limiti
previsione sulle osservazioni future
Un processo è prevedibile se è in uno stato di controllo statistico; è imprevedibile se non è in controllo statistico.
Michele Fiore – ARPA Sicilia
Le carte di controlloIpotizzare che il
processo abbia una variabilità controllata
Valutare la media, l’escursione e calcolare i
limiti di controllo
Confrontare medie ed escursioni con i limiti di controllo
i dati osservati sono coerenti con le
previsioni
i dati osservati non sono coerenti con le
previsioni
Il processo è stabile.Si può continuare ad
operare
Il processo è instabile.Occorre individuare ed
eliminare le cause sistemiche
Michele Fiore – ARPA Sicilia
Le carte di controllo
Il supporto metodologico su cui si fondano gli aspetti teorici epratici delle carte di controllo è la conoscenza del comportamento della variabilità casuale
La costruzione di una carta di controllo richiede il campionamento dei dati del processo ad intervalli regolari
Tecnica statistica inferenziale: il cui obiettivo è quello di descrivere un fenomeno dalla conoscenza di una serie di dati storici
Michele Fiore – ARPA Sicilia
Le carte di controllostatistica descrittiva caratterizza il processo
l’inferenza statistica comportamento futuro
La possibilità di fare dell’inferenza statistica su un processo si basa su due assunzioni:
esiste una popolazione concettuale
il campione è rappresentativo della popolazione
Michele Fiore – ARPA Sicilia
probabilità e statisticaLa popolazione concettuale è caratterizzata da alcuni parametri statistici peculiari che resteranno sempre ignoti poiché non èpossibile effettuare una misurazione esaustiva della popolazioneconcettuale stessa
Mediante i metodi statistici, in termini probabilistici, è possibile estrapolare dal campione le informazioni relative alla popolazione
distribuzioni di probabilità
La distribuzione più frequentemente incontrata in natura e piùusata in statistica è quella normale o di Gauss.
Michele Fiore – ARPA Sicilia
le stime⎥⎥⎦
⎤
⎢⎢⎣
⎡⎟⎠⎞
⎜⎝⎛ −
−
=
2
21
21 σ
µ
πσ
x
eP
σµ, possono essere stimati mediante le misure di localizzazione e di dispersione del campione
Media della popolazioneMedia o mediana campionarie
Range e scarto tipo Scarto tipo della popolazione
Michele Fiore – ARPA Sicilia
misure di posizionePregi o difetti:
n
xx
n
ii∑
== 1media
risponde molto rapidamente a dati anomali
È più stabile della media nel senso che
risponde piùlentamente alla presenza di dati
anomali
mediana
È il valore assunto dalla misura centrale dopo che queste sono state ordinate
Michele Fiore – ARPA Sicilia
misure di dispersioneLa sola misura di tendenza centrale non è sufficiente a darci una visione completa del comportamento della variabile in una distribuzione
σ1
σ2
σ 2 > σ 1
Michele Fiore – ARPA Sicilia
misure di dispersione
Range
minmax xx −( )
11
2
−
−=∑=
n
xxs
n
ii
Scarto tipo
Coefficiente di variazione
100xsCV =
Michele Fiore – ARPA Sicilia
intervallo di fiduciaSe (x) è una variabile casuale con media µ e varianza σ2 si definisce intervallo di fiducia l’intervallo che racchiude il valore vero del parametro con una data probabilità.
L limite di fiducia inferiore
U limite di fiducia superiore
{ } αµ −=≤≤ 1ULP
( )%1100 α−UL ≤≤ µ
Michele Fiore – ARPA Sicilia
intervallo di fiducia
nZx
nZx σµσ
αα 2/2/ +≤≤−
95% z = 1.96
99% z = 2.58
99.7% z = 2.97
),( 2σµN
Possiamo affermare di essere certi al (1-α)100% che la media della popolazione sia compresa tra: n
zx σα 2/±
Michele Fiore – ARPA Sicilia
intervallo di fiducia
),( 2σµN
2, sx
Considerato che s è una buona stima di α quando il numero di misure è grande, Z non può essere utilizzato come parametro per stabilire l’intervallo di confidenza
nsZx
nsZx 2/2/ αα µ +≤≤−
Michele Fiore – ARPA Sicilia
La distribuzione di Gosset (student)
n
xZ σµ−
=
ns
xt nµ−
≈− )1(
nstx
nstx nn )1(,2/)1(,2/ −− +≤≤− αα µ
Per n > 30 t Z
Michele Fiore – ARPA Sicilia
… costruiamo le carte di controllo
nella pratica del controllo di qualità si applicano gli stessi concetti probabilistici
Dopo un certo periodo di tempo, se il processo rimane sotto controllo statistico, lo scarto tipo è “sufficientemente noto” per cui la sua stima s può essere sostituita dallo scarto tipo della popolazione σ
95% z = 1.96 ≈ 2
99.7% z = 2.97 ≈ 3
Michele Fiore – ARPA Sicilia
tipi di carte di controlloEsistono due modi principali per costruire carte di controllo
posizione
carte delle medie
Viene usato lo stesso numero (n>1) di campioni di controllo
carte delle osservazioni singole
Viene usato lo stesso numero (n=1) di campioni di controllo
dispersione
carta dei range carta dei range mobili
max-min coppie consecutive di valori
Michele Fiore – ARPA Sicilia
Carte di controlloLa carta di controllo delle medie si costruisce riportando in grafico il valore medio di un prestabilito numero (n) di campioni di controllo analizzati con una certa frequenza.
La carta di controllo dei range si costruisce riportando in grafico i valori dei range di un prestabilito numero (n) di campioni di controllo analizzati con una certa frequenza.
La carta di controllo delle singole osservazioni si costruisce riportando in grafico i valori delle singole osservazioni effettuate sui campioni di controllo nella sequenza con cui vengono analizzati
La carta di controllo delle escursioni mobili si costruisce riportando in grafico il valore assoluto della differenza tra due valori consecutivi effettuate sui campioni di controllo
Michele Fiore – ARPA Sicilia
Definizione dei limiti nelle carteGli approcci per definire i limiti sono diversi a seconda del tipo di carta e della quantità di dati raccolti
Se il numero di dati disponibili è limitato (<50), è bene considerare media e scarto tipo come sconosciuti o quantomeno soggetti a modifiche all’aumentare del numero di dati. In tali casi i limiti vengono calcolati facendo ricorso ad opportuni fattori di normalizzazione
Quando il numero di dati è maggiore di 50 è possibilieassumere che il valore medio e lo scarto tipo siano noti e non più soggetti a variazione. In tal caso i limiti possono essere utilizzati determinando a partire da tali valori
Michele Fiore – ARPA Sicilia
Carta delle medie (µ,σ noti)
),( σµN nxxx ,...,, 21
nσµ,
nxxxx n+++
=...21
nZ σµ α 2/+UCL
nZ σµ α 2/−LCL
( )%1100 α−
Michele Fiore – ARPA Sicilia
Carta delle medie (µ,σ noti)
2/αZ 3 σµ 3±
UCLµ+3σ
UWLµ+2σ
µ CL
LWLµ−2σ
µ−3σ LCL
Michele Fiore – ARPA Sicilia
Carta delle medie (µ,σ incogniti)
Devono essere stimati analizzando almeno 20 - 25 campioni???),( σµN
m campioni n osservazioni (4, 5, 6)
nxxx +++ ...21 mxxxx n+++
=...21
minmax xxrange −=m
RRRR m+++=
...21
Michele Fiore – ARPA Sicilia
il range come stima di σAll’inizio questa scelta venne effettuata per semplificare i calcoli aritmetici necessari per costruire le carte di controllo
n efficienza
2 1.000
3 0.992
4 0.975
5 0.955
6 0.930
10 0.850
Michele Fiore – ARPA Sicilia
Limiti di controllo medie
RAxUCL 2+=
xCL =
RAxLCL 2−=
range
RDUCL 4=
RDUCL 3=
RCL =
Michele Fiore – ARPA Sicilia
Limiti di controllomedie
sAxUCL 3+=
xCL =
sAxLCL 3−=
scarto tipo
RBUCL 4=
RBUCL 3=
sCL =
Michele Fiore – ARPA Sicilia
Coefficienti di normalizzazione
Le distribuzioni delle misure individuali, delle medie dei sottogruppi e dei range dei sottogruppi sono diverse ma strettamente correlate
Distribuzione delle singole misure
Distribuzione delle medie dei sottogruppi
Distribuzione dei range
xx =x )(2 xsdR ⋅=Media
nxsxs )()( =Scarto
tipo)()( 3 xsdRs ⋅=)(xs
Michele Fiore – ARPA Sicilia
Coefficienti di normalizzazione
)(2 xsdR ⋅=
)()( 3 xsdRs ⋅=
nxsxs )()( =
ndRxs
2
)( =
2
3)(d
RdRs ⋅=
Michele Fiore – ARPA Sicilia
Stima di µ e σ
σ2d
Rµx
È importante notare che così facendo la stima dello scarto tipo del processo viene ottenuta in modo indiretto durante la fase preliminare.
Michele Fiore – ARPA Sicilia
Limiti di controllomedia
RAxnd
RxxsxCL 22
3)(3 ±=⋅
⋅±=⋅±=
range
RDRdd
dRdRRsRCL ⋅=⋅⎟⎟
⎠
⎞⎜⎜⎝
⎛+=
⋅+=⋅+= 4
2
3
2
3 313)(3
Michele Fiore – ARPA Sicilia
Riepilogo limitiCarta delle medie Carta dei range
RAx ⋅+ 2
RAx ⋅− 2
x
Parametri sconosciuti
Parametri noti
nσµ 3
+
nσµ 3
−
µ
Parametri sconosciuti
RD ⋅4
R
Parametri noti
σ⋅2d
RD ⋅2
Michele Fiore – ARPA Sicilia
Coefficienti di normalizzazione
n A2 D3 D4 B3
3.268 0
0
0
0
2.574
2.282
2.114
B4
2 1.880 0 3.267
2.568
2.266
2.089
3 1.023 0
4 0.729 0
5 0.577 0
Michele Fiore – ARPA Sicilia
esempio 1
xR
n x1 x2 x3 x4 media range1 1 4 6 4 3.75 52 3 7 5 5 5.00 43 4 5 5 7 5.25 34 6 2 4 5 4.25 45 1 6 7 3 4.25 66 8 3 6 4 5.25 57 7 5 6 6 6.00 28 5 3 4 6 4.50 39 4 5 9 2 5.00 710 7 5 6 5 5.75 211 4 5 6 5 5.00 212 6 7 8 5 6.50 313 3 3 7 3 4.00 414 6 3 2 9 5.00 715 7 3 4 3 4.25 416 6 4 6 5 5.25 217 5 5 0 5 3.75 518 6 4 6 3 4.75 319 6 4 4 0 3.50 620 6 2 5 4 4.25 4
4.763 4.05
984.04059.2
05.4)(2
===nd
Rxs
763.4=x
05.4=R
731.1059.2
05.488.0)(2
3 =⋅
=⋅
=d
RdRs
731.1305.4)( ⋅±=RCL
984.03763.4)( ⋅±=xCL
Michele Fiore – ARPA Sicilia
esempio 2In alcuni casi il tempo o il costo richiesto per una singola misura è così elevato che non si possono prendere in considerazioni i campioni multipli.
Essendo 1 la numerosità dei sottogruppi non è possibile calcolare il range dei sottogruppi
Anche se la carta di controllo è “meno ricca di contenuti” è tuttavia possibile sostituire la variabilità a breve termine all’interno del sottogruppo con quella tra misure vicine per definire i limiti di controllo del processo a lungo termine
Michele Fiore – ARPA Sicilia
N x Rm
1 905 -
2 930 25
3 865 65
4 895 30
5 905 10
6 885 20
7 890 5
8 930 40
9 915 15
10 910 5
11 920 10
12 915 5
13 925 10
14 860 65
15 905 45
16 925 20
17 925 0
18 905 20
19 915 10
20 930 15
esempio 2
8.907=x2
3)(dRxxCL ⋅±=
8.21=R RDRDRCL ⋅⋅= 34 ,)(
2n ,, 432 =⇒DDd
Michele Fiore – ARPA Sicilia
controllo ed interpretazioneCarta delle medie:
mostra dove è centrata la media del processo e ne indica la stabilità;
evidenzia variazioni non desiderate tra i sottogruppi nel caso in cui ne sia influenzata la loro media;
può essere influenzata da condizioni fuori controllo nelle carte R poiché la capacità di interpretare gli scostamenti dellemedie dei sottogruppi dipende dalla stima della variabilità
Carta dei range:
è un indicatore della variabilità
rivela ogni variazione non desiderabile entro i sottogruppi
Michele Fiore – ARPA Sicilia
controllo ed interpretazionea. Disegnare per prima la carta R;
b. Confrontare i punti con i limiti di controllo per identificare eventuali fuori controllo o andamenti e tendenze anomale;
c. Escludere tutti i punti influenzati da una causa specificata;
d. Ricalcolare il nuovo R medio ed i nuovi limiti;
e. Confermare che tutti i punti della escursione dimostrino di essere in controllo statistico rispetto ai nuovi limiti ripetendo, se necessario, la sequenza identificazione correzione - ricalcolo;
f. Se qualche sottogruppo viene tolto dalla carta R per cause identificate, esso deve essere escluso anche dalla carta X
Michele Fiore – ARPA Sicilia
controllo ed interpretazione
Quando i range sono in controllo statistico la variabilità del processo è considerata stabile ed è pertanto possibile analizzare le medie per vedere se la posizione si modifica nel tempo
Anche in questo caso, come per la carta dei range occorre analizzare eventuali fuori controllo e intraprendere una AC o AP
Michele Fiore – ARPA Sicilia
revisione limiti di controllo
Prima di calcolare i limiti è meglio effettuare 20-30 determinazioni
Una revisione troppo veloce nasconde (ogni 20-30 sottogruppi) introduce il rischio di nascondere una lenta variazione della media e/o del range
È corretto effettuare la revisione quando:
Il processo è stato cambiato
I primi limiti di controllo sono stati calcolati con pochi sottogruppi
Michele Fiore – ARPA Sicilia
Prove per cause identificabili
Per un uso efficace delle carte di controllo non è sufficiente porre l’attenzione sui limiti a ±3s in quanto dalla disposizione dei punti attorno alla linea centrale è possibile trarre importanti informazioni sull’andamento del processo
Esistono alcune linee guida per interpretare questi andamenti basate su considerazioni di tipo statistico che tuttavia devono essere integrate con la esperienza e la conoscenza dell’analista
Michele Fiore – ARPA Sicilia
Prove per cause identificabili
9 gruppi consecutivi sopra o sotto la linea
centrale
Modifica della media
6 gruppi consecutivi monotonamente
crescenti/decrescenti
Drift dellamedia
14 gruppi consecutivi alternativamente
sopra/sotto
Due effettiassegnabilialternanti
2 gruppi su 3 sono nella zona A
4 gruppi su 5 sono nella zona B od oltre
modifica della media
Zona C = ± 1 Scarto tipo
Zona B = ± 2 Scarto tipo
Zona A = ± 3 Scarto tipo
Michele Fiore – ARPA Sicilia
Regole di Westgarddati
1,2sNo
Si
Condizioni di controllo statistico
1,3s 2,2s R,4s 4,1s 10,M
Fuori controllo statistico
No No No NoNo
Si Si Si Si
Michele Fiore – ARPA Sicilia
strategia per il miglioramento Obiettivo di un metodo di controllo del processo è fornire un segnale statistico quando sono presenti cause identificabili di variabilità.
L’eliminazione di tali cause porta il processo in condizioni di controllo statistico.
Una volta sotto controllo statistico si può valutare la capacità del processo di soddisfare le specifiche prestabilite.
La valutazione della capacità di un processo inizia dopo che in entrambe le carte R ed X siano state identificate ed eliminate le cause assegnabili, e dopo che il processo sia rimasto in controllo statistico per almeno 25 sotogruppi
Michele Fiore – ARPA Sicilia
strategia per il miglioramento
∧
∆==
σ6processo del edispersiontaprestabili tolleranza tICP
2dR
=∧
σ
ICP = 1 processo appena capace
ICP < 1 processo non capace
ICP > 1.33 processo capace
Michele Fiore – ARPA Sicilia
strategia per il miglioramento
Elementi in uscita dal processo
Valutazione con carte X ed R
Processo in controllostatistico?NO
Eliminare le cause identificabili
Valutare la capacitàdel processo
SI
•Punti casualmente distribuiti intorno alla linea centrale;
•Punti all’interno dei limiti di controllo
•Nessuna tendenza o andamento
•Processo stabile e prevedibile
Michele Fiore – ARPA Sicilia
ICP >1
Esaminare la centratura
strategia per il miglioramento
<1
Processo non capace
Cambiare ???
Migliorare ???
Modificare le specifiche???
Provare a migliorare il processo
ICP > 1.33
Michele Fiore – ARPA Sicilia
bibliografiaD. J. Wheeler – D. S. Chambers - Il Controllo Statistico dei Processi – Franco Angeli
E. Prichard Quality in analitical chemistry laboratory – ACOL
D. C. Montgomery - Introduction to statistical quality control - Wiley
J. N. Miller and J. C. Miller - Statistis and chemometrics for analytical chemistry –
Leopoldo Cortez - Uso di materiali di riferimento nel controllo di qualità – TRAP LRME. Marengo - Dispense corso produzione ed utilizzo MR – ENEA nov. 2001
Westgard et al. - A multi-rule Shewhart control chart for quality control in clinicalchemistry – Clin. Chem 27, 493-501 (1981)
ISO 8258:2004 - Shewhart control chart
ISO 5725 - 6 Accuracy (trueness and precision) of measurements and results
Seminario UNICHIM 27-28/11/2003 – Controllo ed assicurazione della qualità dei dati analitici