Un istogramma sbilanciato da un lato, una carta di controllo che esce dai limiti, un fornitore che dichiara un tasso di difetti che non riuscite a verificare: sono situazioni che ogni responsabile della qualità o responsabile di produzione si trova ad affrontare regolarmente. Le statistiche descrittive sono lo strumento che permette di trasformare queste osservazioni in decisioni motivate piuttosto che in semplici impressioni. Non servono a fare calcoli matematici per il gusto di farlo: servono a capire se un processo è sotto controllo, se un pezzo è davvero difettoso o se una partita di 10.000 pezzi deve essere smistata dopo un controllo su 60 campioni.
La presente guida illustra gli impieghi concreti delle statistiche descrittive applicate alla produzione industriale, sulla base della metodologia sviluppata da Maurice Pillet, cofondatore di Ellistat, professore emerito e punto di riferimento in Francia nel campo della qualità e del Six Sigma.
Statistiche descrittive, inferenziali, multivariate: a quale di queste categorie appartiene la vostra analisi quotidiana?
Quando si raccolgono dati di produzione, si ottiene generalmente una tabella con le variabili di ingresso (le X, i parametri di processo) e quelle di uscita (le Y, le caratteristiche del prodotto). Esistono tre tipi di analisi statistiche che consentono di interpretare tali dati, ed è utile sapere quale di queste si utilizza quotidianamente.
- Le statistiche descrittive si concentrano su una sola variabile alla volta, X o Y, sia essa quantitativa (una misura) o qualitativa (un difetto, una categoria). Si tratta del livello di analisi più comune e immediato.
- Statistica inferenziale cercano una relazione non casuale tra le variazioni di una variabile Y e di una o più variabili X, generalmente per spiegare o modellare il comportamento della variabile Y.
- Le statistiche multivariate elaborano l'intero quadro senza distinzione tra input e output, per classificare gli individui o individuare le relazioni tra le variabili.
Le statistiche descrittive rappresentano quindi il punto di partenza imprescindibile: prima di cercare una causa (inferenziale) o una struttura globale (multivariata), è necessario saper interpretare correttamente anche una sola colonna di dati. È proprio qui che si decidono la maggior parte delle scelte relative alla qualità nella pratica quotidiana.
Prima di procedere all'analisi, esaminate attentamente i vostri dati
L'individuazione visiva tramite formattazione condizionale
Il primo passo, spesso trascurato, consiste semplicemente nell'osservare la tabella dei dati con la formattazione condizionale. Il principio è semplice: i valori vengono colorati in base alla loro posizione nella distribuzione, passando dal blu al verde e arrivando al rosso.
Un occhio esperto individua immediatamente un problema: una colonna in cui prevale il blu, con poco verde, indica una distribuzione che probabilmente si discosta dalla distribuzione normale. Una colonna in cui predomina il verde, con una densità significativa al centro e gli estremi in blu e rosso, assomiglia invece a una distribuzione normale ben centrata. Questa semplice occhiata, prima ancora di effettuare qualsiasi calcolo, orienta già l’analisi che seguirà.
Il rilevamento automatico dei valori anomali
Un punto situato al di fuori dei "baffi" di un grafico a baffi non è necessariamente un valore anomalo in senso statistico. La distinzione è importante: un vero valore anomalo deve essere identificato tramite un test statistico specifico, non solo attraverso una lettura grafica approssimativa. È questo test, e non l’impressione visiva, che deve determinare l’avvio di un’indagine o l’esclusione del dato dai vostri calcoli di capacità.
L'analisi grafica: istogrammi, diagrammi a box-and-whisker e carte di controllo
Istogramma e diagramma a box-and-whisker per valutare la forma della distribuzione
L'istogramma rimane il punto di partenza per valutare se una distribuzione assomiglia a una legge normale, in particolare quando vi si sovrappone una curva di densità. Il diagramma a baffi completa questa lettura, soprattutto a fini comparativi: consente di affiancare diverse caratteristiche (diversi diametri, diversi lotti, diverse macchine) e di individuare a colpo d’occhio quella che si comporta in modo diverso dalle altre.
Le carte di controllo: monitoraggio continuo della stabilità del processo
I grafici di controllo offrono una visione nel tempo, mentre l’istogramma fornisce una visione statica. Devono essere in grado di adattarsi alla realtà sul campo, piuttosto che il contrario:
- monitoraggio basato sulla media, sulla mediana o su una media mobile ponderata (EWMA), a scelta o in combinazione; ;
- possibilità di centraggio rispetto al bersaglio o rispetto alla media dei dati; ;
- gestione di campioni di dimensioni variabili: se il numero di ripetizioni passa da 3 pezzi a 2, poi a 1 a seconda dei prelievi, la scheda deve adeguare automaticamente i propri limiti, senza necessità di ricalcoli manuali.
È proprio questa flessibilità a fare la differenza tra una carta di controllo che rispecchia realmente il vostro processo e una carta teorica che non corrisponde più alla realtà dell'officina.
Verificare la normalità prima di calcolare gli indici di capacità
Gli indici di capacità (Cp, Cpk, Pp, Ppk) e la maggior parte dei calcoli relativi alla percentuale di prodotti non conformi si basano su un'ipotesi di distribuzione, nella maggior parte dei casi la distribuzione normale. Prima di calcolarli, è quindi necessario verificare che tale ipotesi sia valida; in caso contrario, gli indici ottenuti non hanno alcun valore.
Tre test di normalità coprono la quasi totalità delle situazioni che si verificano in produzione:
- il test del chi², indicato quando i dati sono stratificati e non si dispone dei valori individuali
- il test di Shapiro-Wilk, valido per campioni di piccole dimensioni, fino a una trentina di pezzi
- il test di Anderson-Darling, più robusto al di là di questa dimensione del campione
Un buon strumento di analisi non si limita a calcolare tutte e tre le distribuzioni: identifica ed evidenzia quella realmente pertinente in base alle dimensioni e alla struttura dei dati, per evitare interpretazioni errate. E se l’ipotesi di normalità viene respinta, non bisogna fermarsi qui: alcune caratteristiche, in particolare quelle limitate a zero (planarità, circolarità, ovalizzazione), seguono naturalmente un’altra distribuzione, come la distribuzione di Rayleigh, che ne modella quindi molto meglio il comportamento reale.
Il MAD: un indicatore affidabile che pochi strumenti di controllo qualità offrono
La deviazione standard è molto sensibile ai valori anomali: un solo pezzo misurato in modo errato o effettivamente difettoso può farla aumentare artificialmente, fino a moltiplicarla per un fattore significativo su un campione che per il resto è perfettamente stabile. Il MAD (deviazione assoluta mediana, o mediana delle deviazioni dalla mediana) non presenta questo difetto: rimane praticamente invariata in presenza di un valore anomalo, proprio perché è calcolata sulla base delle mediane anziché delle medie.
In pratica, il MAD è l’equivalente non parametrico della deviazione standard. Risulta particolarmente utile per i test di confronto della variabilità tra lotti, macchine o fornitori, quando i dati contengono — o potrebbero contenere — valori anomali che potrebbero falsare un confronto basato sulla deviazione standard classica.
Schede degli attributi: gestire la qualità quando si contano i difetti, non le misure
Non tutti i dati relativi alla qualità sono misure continue. Numero, tasso di difetti, non conformità per lotto: questi dati attributivi vengono gestiti con una serie di carte dedicate (P, NP, C, U), e la scelta della carta corretta ha un impatto diretto sull’affidabilità del monitoraggio.
La carta P, ad esempio, parte dall’ipotesi che l’unica fonte di variabilità sia il campionamento. Tuttavia, non appena le dimensioni dei lotti variano da un periodo all’altro, questa ipotesi non è più valida e la carta P genera allarmi fuori controllo che non riflettono la realtà del processo. La carta U, che mette in relazione il numero di difetti con un’unità di opportunità, risulta quindi molto più adatta alla maggior parte dei contesti industriali reali — ed è del resto la carta più utilizzata nella pratica non appena le dimensioni dei lotti non sono rigorosamente costanti.
Utilizzare le leggi di distribuzione discreta per garantire la correttezza di una decisione di smistamento o di accettazione
Ci sono due domande che ricorrono molto spesso sul campo, e le leggi della distribuzione discreta vi rispondono direttamente, senza bisogno di consultare una tabella statistica.
Primo caso: decidere se è necessario smistare le scorte. Avete 10.000 pezzi in magazzino, avviate un controllo e prelevate 60 pezzi, di cui 2 non conformi. È necessario smistare tutto? La legge ipergeometrica (adattata quando si ragiona in termini di numero di pezzi in un lotto finito) consente di fornire una risposta con un intervallo di confidenza: in questo esempio, si può stimare che, con un livello di confidenza del 95%, lo stock non conterrebbe più di circa 1.010 pezzi non conformi su 10.000. Si tratta di un dato ben più utile ai fini decisionali rispetto a una semplice regola del tre basata sul tasso osservato.
Secondo caso: valutare il rischio legato all’accettazione di una partita fornita dal fornitore. Un fornitore dichiara un tasso di difetti pari a 3 %. Prelevate 50 pezzi per il controllo. Il legge binomiale permette di calcolare che la probabilità di non trovare alcun pezzo difettoso in questo campione, anche se il tasso reale di 3 % fosse esatto, si aggira intorno a 21 %. In altre parole: il fatto di non trovare nulla durante il controllo non garantisce affatto che il lotto sia conforme. È proprio questo tipo di calcolo che permette di definire correttamente un piano di campionamento, anziché stabilirlo a caso.
Prevedere un fenomeno periodico grazie alla decomposizione di Fourier
Alcuni problemi di qualità presentano un andamento periodico che un semplice grafico non riesce a spiegare, anche quando è chiaramente visibile. È il caso, ad esempio, di un movimento orologiero di cui si misura l’ampiezza ogni sei secondi: il grafico mostra oscillazioni regolari, senza che la causa sia evidente.
La scomposizione di Fourier consente di ricostruire il segnale a partire dalle sue frequenze dominanti e di identificare quale di esse contribuisca maggiormente alle variazioni osservate. In questo esempio, l’analisi evidenzia una periodicità corrispondente a una rotazione di circa un minuto e mezzo — il che indirizza direttamente verso il componente meccanico in questione, una ruota che ruota a questa frequenza e genera le perturbazioni misurate. Si tratta di uno strumento prezioso ogni volta che si sospetta una causa meccanica ciclica alla base di una deriva apparentemente casuale.
Definire con chiarezza i propri limiti di controllo: tra limiti tradizionali e limiti ampliati
Si tratta di un aspetto spesso trascurato, nonostante influisca direttamente sull’efficacia di un grafico di controllo. I limiti di controllo classici, calcolati a più o meno 3 deviazioni standard sulla legge delle medie, non devono mai essere ristretti ulteriormente: farlo significa rischiare di destabilizzare un processo che funziona correttamente, reagendo al normale rumore statistico.
Al contrario, si può decidere di lasciare un certo margine di variazione al processo, fissando un obiettivo minimo di capacità (ad esempio, un Cpk limite) e un rischio beta accettabile — ovvero la percentuale di casi in cui si tollera di non rilevare immediatamente il superamento di tale obiettivo. Ciò consente di definire dei limiti ampliati, più ampi rispetto ai limiti tradizionali.
La buona pratica consiste nel fissare i propri limiti di controllo tra questi due valori: mai più ristretti dei limiti classici, mai più ampi dei limiti estesi. È proprio questo tipo di calcolo che permette di determinare la dimensione del campione effettivamente necessaria per garantire un determinato obiettivo di capacità — e non è raro scoprire che è sufficiente un campione di un solo pezzo, quando la deviazione standard a breve termine del processo è sufficientemente bassa, evitando così prelievi superflui.
Approfondimenti: intervalli di dispersione e di previsione
Ecco un errore comune: partendo da un campione di pre-produzione (ad esempio 15 pezzi), si calcolano la media e la deviazione standard, quindi si stima la dispersione del lotto reale applicando semplicemente questi valori a una distribuzione normale, come se la media e la deviazione standard del campione fossero esattamente quelle dell'intera popolazione.
Questa ipotesi è troppo restrittiva: la media e la deviazione standard calcolate su 15 pezzi possono a loro volta variare da un campione all’altro. Il metodo definito dalla norma ISO 16269 ne tiene conto, e l’intervallo di dispersione Il risultato così ottenuto è sistematicamente più ampio di quello ottenuto con un calcolo approssimativo basato su più o meno X deviazioni standard. Ignorare questa sfumatura porta a sottostimare la reale dispersione prevista in produzione, con il rischio di scoprire il problema solo una volta avviata la serie, anziché in fase preliminare.
Si distinguono due concetti affini: l’intervallo di dispersione indica l’intervallo che contiene una data percentuale di individui, mentre l’intervallo di previsione limita la varianza attesa su una popolazione futura di dimensioni definite (ad esempio, un lotto di 500 pezzi futuri). Esiste inoltre un calcolo non parametrico per i casi in cui l'ipotesi di normalità non sia valida.
Perché centralizzare queste analisi in uno strumento di gestione della qualità piuttosto che in fogli Excel?
Ciascuna di queste analisi è accessibile singolarmente; molti responsabili della qualità le effettuano già, spesso utilizzando formule Excel ricostruite manualmente o tabelle statistiche cartacee. La difficoltà non risiede nel metodo in sé, ma nella sua disponibilità rapida, affidabile e riproducibile quotidianamente, su dati in continua evoluzione.
Questo è il ruolo del modulo Analisi dei dati della suite Ellistat: centralizza tutte queste statistiche descrittive: analisi grafica, carte di controllo, test di normalità, MAD, grafici degli attributi, leggi di distribuzione, decomposizione di Fourier, strumenti per il calcolo dei piani di campionamento conformi alle norme ISO 2859 e ISO 3951, limiti di controllo e intervalli di dispersione… il tutto in un’unica interfaccia progettata per rimanere di facile accesso, senza mai superare i due livelli di menu. L’obiettivo non è quello di aggiungere complessità statistica, ma al contrario di eliminarla, rendendo questi metodi direttamente fruibili dai team di qualità e produzione, senza necessità di competenze statistiche preliminari.
Conclusione
Le statistiche descrittive non sono un esercizio accademico riservato agli esperti di qualità: rispondono a domande molto concrete che i responsabili della produzione e della qualità si pongono ogni giorno: questo valore è davvero anomalo? Questo processo è stabile? Questo lotto del fornitore è affidabile? È necessario smistare questa scorta? Se utilizzate correttamente, le statistiche descrittive industriali trasformano i dati grezzi in decisioni rapide e fondate, anziché in intuizioni non verificabili. La difficoltà non risiede mai nella teoria statistica in sé, ma nella sua applicazione semplice e affidabile, giorno dopo giorno, sui dati reali della vostra officina.
