Ugo Cardamone/Laura Deldossi STMicroelectronics

Slides:



Advertisements
Presentazioni simili
Test delle ipotesi Il test consiste nel formulare una ipotesi (ipotesi nulla) e nel verificare se con i dati a disposizione è possibile rifiutarla o no.
Advertisements

STATISTICA DESCRITTIVA
Confronto tra 2 campioni Nella pratica è utilissimo confrontare se 2 campioni provengono da popolazioni con la stessa media: Confronti tra produzioni di.
Il chi quadro indica la misura in cui le
Variabili casuali a più dimensioni
Woodward: la tecnologia
Soil Organic Carbon Dati ed elaborazioni sul contenuto in Carbonio organico dei suoli dell’Emilia-Romagna.
ERRORI L'errore è presente in ogni metodo analitico e può essere dovuto a cause diverse. L’errore può essere definito come la differenza tra il valore.
Il Controllo Statistico di Processo
Metodi Quantitativi per Economia, Finanza e Management Lezione n°8
Metodi Quantitativi per Economia, Finanza e Management Lezione n°9.
Metodi Quantitativi per Economia, Finanza e Management Lezione n° 11.
Ipotesi e proprietà dello stimatore Ordinary Least Squares (OLS)
INFERENZA NEL MODELLO DI REGRESSIONE LINEARE MULTIPLA (parte 1)
Dip. Economia Politica e Statistica
VALUTAZIONE DEI RISCHI
Processi Aleatori : Introduzione – Parte I
Appunti di inferenza per farmacisti
Metodi Quantitativi per Economia, Finanza e Management Lezione n° 9.
Alcune domande agli autori Lo studio affronta un argomento scientifico e/o clinico importante? Lo studio è originale? Lo studio è volto a provare le ipotesi.
Introduzione Tratto da schemi di P.Bordonio. 1 Alcune domande preliminari Perché si vuole valutare? Cosa si vuole valutare? Quale scopo persegue la valutazione?
STATISTICA a.a METODO DEI MINIMI QUADRATI REGRESSIONE
Area: la gestione dei progetti complessi
incertezza di misura prove chimiche
Analisi della varianza
Statistica economica (6 CFU)
Analisi dell’output di una simulazione
Statistica economica (6 CFU)
Introduzione Statistica descrittiva Si occupa dellanalisi dei dati osservati. Si basa su indicatori statistici (di posizione, di variazione, di concentrazione,
“Analisi delle serie storiche e applicazioni”
TECNICHE DI CAMPIONAMENTO DI POPOLAZIONI RARE O IN MANCANZA DI LISTE
STATISTICA PER LE DECISIONI DI MARKETING
Statistica economica (6 CFU)
Statistica economica (6 CFU)
Statistica economica (6 CFU)
STATISTICA PER LE DECISIONI DI MARKETING
Uso dei Modelli in Statistica
TRATTAMENTO DEI DATI ANALITICI
CAMPIONAMENTO PER CENTRI
“Gestione della Qualità”
STATISTICA PER LE DECISIONI DI MARKETING
Errori casuali Si dicono casuali tutti quegli errori che possono avvenire, con la stessa probabilità, sia in difetto che in eccesso. Data questa caratteristica,
La teoria dei campioni può essere usata per ottenere informazioni riguardanti campioni estratti casualmente da una popolazione. Da un punto di vista applicativo.
STATISTICA PER LA RICERCA SPERIMENTALE E TECNOLOGICA
Sintesi della lezione Il concetto di variabilità Campo di variazione Differenza interquartile La varianza La deviazione standard Scostamenti medi VARIABILITA’
STATISTICA La statistica è la scienza che ha come fine lo studio quantitativo e qualitativo di un "collettivo". Studia i modi (descritti attraverso formule.
STATISTICA PER LE DECISIONI DI MARKETING Andrea Cerioli Sito web del corso IL MODELLO DI REGRESSIONE LINEARE MULTIPLA Selezione.
LABORATORIO DI ANALISI AVANZATA DEI DATI Andrea Cerioli Sito web del corso IL MODELLO DI REGRESSIONE LINEARE MULTIPLA Esempio (d)istruttivo.
LABORATORIO DI ANALISI AVANZATA DEI DATI Andrea Cerioli Sito web del corso ESTENSIONI DEL MODELLO DI REGRESSIONE LINEARE MULTIPLA.
Metodi Quantitativi per Economia, Finanza e Management Lezione n°3.
La verifica d’ipotesi Docente Dott. Nappo Daniela
Lezione B.10 Regressione e inferenza: il modello lineare
Un insieme limitato di misure permette di calcolare soltanto i valori di media e deviazione standard del campione, ed s. E’ però possibile valutare.
Corso di Analisi Statistica per le Imprese
IL CAMPIONE.
STATISTICA DEI MERCATI FINANZIARI a.a 2006/07
Aspetti Principali: Metodo scientifico
Analisi e Gestione del Rischio Lezione 7 Prodotti con pay-off non lineare.
Def : uno stimatore è una statistica T n le cui determinazioni servono a fornire delle stime del parametro ignoto  della v.c. X in cui sono state effettuate.
1 RE.VE.N.GE CORBA REliver and VErsatile News delivery support for aGEncies. Sistema per la creazione di notizie e la loro trasmissione sul sistema di.
Università degli Studi di Ferrara Facoltà di Scienze MM.FF.NN. CdL in Tecnologie Fisiche Innovative Sistemi di Qualità, collaudi e controlli Prof. Renato.
TRATTAMENTO STATISTICO DEI DATI ANALITICI
analisi bidimensionale #2
L’analisi di regressione e correlazione Prof. Luigi Piemontese.
DATA MINING PER IL MARKETING (63 ore) Marco Riani Sito web del corso
FINGERPRINTING DI PIANTE E FIORI: UTILE STRUMENTO PER LA CERTIFICAZIONE GENETICA DEL MATERIALE PROPAGATO DAI VIVAISTI.
Strumenti di controllo costi-qualità Da: Stefano Tonchia Università di Udine Progettare e gestire il sistema aziendale di misurazione delle prestazioni.
Regressione: approccio matriciale Esempio: Su 25 unità sono stati rilevati i seguenti caratteri Y: libbre di vapore utilizzate in un mese X 1: temperatura.
DATA MINING PER IL MARKETING (63 ore) Marco Riani Sito web del corso
Autocorrelazione dei residui
Transcript della presentazione:

Ugo Cardamone/Laura Deldossi STMicroelectronics Strumenti di controllo dell’impatto ambientale in presenza di dati autocorrelati Ugo Cardamone/Laura Deldossi STMicroelectronics U. Cardamone - STMicroelectronics

SPC (Statistical Process Control) Il controllo statistico tradizionale si basa sull’assunzione di osservazioni indipendenti e identicamente distribuite. Nel caso di osservazioni provenienti dal campo ambientale tale condizione non è sempre verificata. PERCHÈ? U. Cardamone - STMicroelectronics

U. Cardamone - STMicroelectronics Cause correlazione I processi ambientali sono spesso processi di natura chimica (tipicamente correlati) Inerzia di alcune procedure Utilizzo di strumenti di misura automatica (alta frequenza delle rilevazioni e possibile correlazione tra le osservazioni) U. Cardamone - STMicroelectronics

Come si può verificare che non sussiste la condizione di indipendenza? Diagramma di dispersione Correlogramma (ACF) U. Cardamone - STMicroelectronics

Esempio di correlazione Diagramma di dispersione Correlogramma Se le osservazioni non sono indipendenti, come fare a controllare il processo? U. Cardamone - STMicroelectronics

U. Cardamone - STMicroelectronics Esempio 1: Resistività ACF tutti i dati (n=2266) LSL PreAl ACF prime 500 oss. U. Cardamone - STMicroelectronics

Osservazioni correlate – Cause Speciali Carta di controllo di Shewart Out Of Control Carta EWMA l=0.2 L=2.958 U. Cardamone - STMicroelectronics

Eliminando le osservazioni fuori controllo Non sempre la correlazione è dovuta all’insorgere di una causa speciale. Spesso essa è intrinseca al processo. U. Cardamone - STMicroelectronics

Correlazione intrinseca al processo Non utilizzabili le Carte di Controllo Standard! Stimatori della varianza distorti Se correlazione positiva (frequente), gli stimatori della varianza sottostimano il suo vero valore. Elevato numero falsi allarmi Sfiducia ed Inefficaci Oneri Economici U. Cardamone - STMicroelectronics

U. Cardamone - STMicroelectronics Possibili Approcci Modellizzazione del processo + controllo sui residui “Aggiustamento” dei limiti di controllo Carte di controllo ad “hoc” Controllo di tipo “ingegneristico” Esempio 2: Toc Esempio 3: pH U. Cardamone - STMicroelectronics

Modellizzazione e controllo dei residui Approccio tradizionale Procedimento: - si modella il processo - se il modello è corretto Residui sono i.i.d. Applicazione delle carte di controllo usuali Necessità di identificare il modello, stimare i parametri ed ottenere residui i.i.d. U. Cardamone - STMicroelectronics

U. Cardamone - STMicroelectronics PROBLEMI Le carte applicate ai residui, anche se i.i.d., non hanno un comportamento analogo alle carte sulle osservazioni. La rottura di media che interviene sul processo viene riassorbita dallo stesso con modalità e tempi differenti a seconda della tipologia di modello sottostante e del tipo ed entità della rottura (FORECAST RECOVERY) U. Cardamone - STMicroelectronics

U. Cardamone - STMicroelectronics Il problema del FORECAST RECOVERY rende più problematica la rilevazione della rottura. A ciò si aggiungono problemi di robustezza legati alla stima dei parametri del modello (necessità di serie numerose) NONOSTANTE QUESTO Carte di controllo sui residui risultano essere le migliori qualora il processo sia caratterizzato da correlazione alta e si vogliano rilevare rotture di media di grande entità U. Cardamone - STMicroelectronics

Esempio 2: Total Organic Carbon Numero Osservazioni = 13595 USL = 5 ppb PreAllarme = 3 ppb U. Cardamone - STMicroelectronics

U. Cardamone - STMicroelectronics Total Organic Carbon Limitandosi alle osservazione rilevate nel mese di marzo (4464 osservazioni) il processo si modella secondo un IMA(1,1) ACF Calcolata sui residui U. Cardamone - STMicroelectronics

TOC – Carta Shewart + EWMA sui residui (Lin e Adams (1996)) Nell’ipotesi che TOC (mese marzo) sia in controllo, utilizziamo il modello individuato per fare previsioni sul futuro. La carta di controllo è costruita in modo tale che: - ARL (Average Run Lenght) in controllo = 2000 - per individuare una rottura di entità 6s=(6*0.0591=0.3546)=0.3546 Tenendo conto che per il modello adottato l’errore di previsione atteso subito dopo una rottura di entità 6s è pari a (6*0.7227*0.0591) 0.256269, i limiti di controllo per la carta di Shewhart sono fissati a 4s (per garantire ARL=2000) e quelli per la EWMA a Ls=3s, essendo L=3.5 e l=0.85. U. Cardamone - STMicroelectronics

U. Cardamone - STMicroelectronics Esempio 3: pH Osservazioni = 2266 USL = 9.5 LSL = 5.5 PreAl inf = 6.5 PreAl sup = 8.5 U. Cardamone - STMicroelectronics

Estrazione sottoserie stazionaria pH Osservazioni = 900 USL = 9.5 LSL = 5.5 PreAl inf = 6.5 PreAl sup = 8.5 Carta EWMAST per processi stazionari (Zhang (1998)) Carta EWMAST dà buoni risultati per processi non altamente correlati e per rotture di media entità U. Cardamone - STMicroelectronics

U. Cardamone - STMicroelectronics

U. Cardamone - STMicroelectronics Conclusioni Le metodologie proposte in letteratura sono tra loro assai differenti. Non esiste una metodologia che valga per qualsiasi tipo di processo correlato. E’ necessario conoscere “bene” il processo per poter individuare lo strumento più idoneo. Necessità di competenze statistiche e di software che consenta implementazione semiautomatica dei procedimenti. U. Cardamone - STMicroelectronics

Modellizzazione del processo Vantaggi: Non richiesta Stazionarieta’ Svantaggi: Richiede di modellare il processo Utilizzando i residui Trend shift” in input Rilevare rottura di media “C” “Step Shift” in output Rilevare rottura di media “C” Rischio “Forecast Recovery” U. Cardamone - STMicroelectronics

U. Cardamone - STMicroelectronics Forecast Recovery By Lin & Adams 1996 U. Cardamone - STMicroelectronics