se fe CapituLo 5 GRAFICOS DE CONTROLE PARA VARIAVEIS EsQUEMA DO CaPiTULO 51. Lwtropucao 52 GrdFicos De ConTROLE Para FER 5:21 A Base Betatistica dos Grafs 5:22 Desenvolvimento e Uso dos Graficos de # @ R 523 Graficos Baseados nos Valores de Referéncia 5:24 Interpretagdo dos Gaticos ¥ eR 5:25 0 Beto da No-normalidade nos Graficos ¥ © R 526 A Fungdo Caracteristica de Operagio 527 0 Comprimento Méstio a Secrléncia para oGratico Uma caracteristica da qualidade que € medida em uma escala ‘wmérica é chamada variavel. Exemplos incluem dimensdes tais ‘como tamanho ou largura, temperatura e volume. Este capitulo ‘presenta os graficos de controle de Shewhart para esse tipo de saractetistica da qualidade. Os grificos de controle ¥ ¢ R sfio ivitas caracterésticas da qualidade podem ser expressas em ter- os de una medida numérica, Por exemplo, o diimetro de umn nancal pode ser medido com um micrémetro ¢ expresso em ilimetros, Uma medida ica de uma caracterstica da quali- de, tal como dimensdo, peso ou volume, ¢ chamada variével \eificos de controle para varidveis sto amplamente utilizados, ‘Ao lidarmos com uma caraceristica da qualidade que é uma sive, € usualmente necessério monitorar tanto o valor medio \2caracteristica da qualidade como a sua variabilidade. O contro- leda média do processo ou do nivel médio da qualidade é usual- nente feito através do grafico de controle para médias, ou grfico | A variabilidade do processo pode ser monitorada tanto através { grifico de controle para o desvio padrio, chamado gritico S, ftwno peto gréfico para amplitude, chamado grafico R. O grfi- [> R é mais usado. Ei geral, mantém-se grificos ¥ e R separa- ‘bs para cada uma das carateristicas da qualidade de interesse. 5-3 GRaricos OF CONTROLE PARA F ES 5-31 Construgéo © Operagso dos Graficos ¥ e $ 5:32 Os Graficos de Controle # @ S com Tamanho de Amostra Variavel 5:83 0 Grifico de Controle S¢ O Grarico ot ConTROLE DE SHEWHART PARA ‘Mepioas InpiviDuAls SumAnto DOS PROCEDIMENTOS Paka OS GRAFICOS ERES APLICAGOES DOS GRAFICOS DE CONTROLE PARA, Vaniavels VISAO DO CAPITULO amplamente utilizados para monitorar a média ea variabilidade de varidveis. Diversas variagdes dos gréficos ¥ e R sio também apresentadas, incluindo um procedimento para adapti-los a me- ddidas individuais. O capitulo termina com aplicagdes tipicas dos _gréficos de controle para varidveis, 5-1 INTRODUGAO (No entanto, se as caracteristicas da qualidade sio estreitamente relacionadas, isso pode levar a resultados enganosos; ver Cap. 11 dda Parte IT.) Os grificos ¥ e R (ou S) estdo entre as mais impor {antes ¢titeistécnicas de contsole e monitoramento de processos. Note que € importante manter controle tanto sobre a média do processo quanto sobre a variabilidade do processo. A Fig. 5- {ilustraa safda de um processo de produgao. Na Fig. 5-laa média 4 0desvio padrao crestdo ambos sob controle nos seus valores rnominais (digamos, 45 € oj); consequentemente, a maior parte da saida do processo esti localizada dentro dos limites de espe- cificagdo. No entanto, na Fig, $-1b a média se deslocou para um valor 1, > oy resullando em uma fragtio maior da produgao fora das especificagdes. Na Fig. 5-Ic 0 desvio padrdo do processo deslocou-se para um valor ¢, > ap, Isso também resultaem uma maior fragio de falla, apesar da média do processo permanecer no seu valor nominal,130 cartruro cinco 5-2 GRAFICOS DE CONTROLE PARA ¥ ER 5-2.1 A Base Estaristica Dos Graricos ‘Suponha que uma caracteristica da qualidade seja normalmente distribuida com média yz ¢ desvio padrdo , senda ambos os valores je o conhecidos. Se xy, x, ... 6 uma amostea de ta ‘manho n, entio a média dessa amostra é wha bet, cesabemos que ¥ énormalmente distribufda com média re des- vio padrio o ; =a Jn. Além disso, hé uma probabitidade 1 ~ cede qualquer média amostral car entre « Ht Zante M+ Zui (Sela) In e b> Zande = b~ Zyn S-1b) Entio, se jt so conhecidos, as Egs. 5-La e 5-1b podem ser uusadas como limites de controle superior e inferior em um grifi- co de controle para médias amostrais. Como observado no Cup 4, € comum substituir Zyq por 3, de modo que 0s limites ti sigma so empregados. Se uma média amostral cai fora dese, limites, isso € uma indicacao de que a média do processo nog mais igual a Assumimos que a distribuigio da caracteristica da qualidaie € normal. No entanto, os resultados acima ainda $40 aproxina. damente corretos mesmo que a distribuigao subjacente nlo sg ‘normal, por causa do teorema central do limite, Na Sega0 5.25 discutiremos o efeito da hipstese de normalidade sobre os grif- ‘cos de controle para variéveis, Na pratica, em geral no conhecemos 41 € o. Entio, cles de vem ser estimados a partir de amostras ou subgrupos prelimina. rs, retiradlos quando o processo supostamente estava sob con tole. Tais estimativas devem se basear em pelo menos 20 0u25 ‘amostras. Suponta que m amostras estejam disponiveis, cada ura ‘com n observagdes da caracteristica da qualidade, Tipicamente, nerd pequeno, frequentemente 4, 5 ou 6, Esses pequenos tana thos de amostra resultam em geral da construgo de subgrupes racionais e do fato de que os custos associados & amostrageme inspegao de medidas de variaveis so relativamente altos, Sejan Kissy aS médias de cada uma das amostras. Entdo, 0 we rmetiorestimador de 1, a média do processo, & a médla gra isto ine ¥e Lie +Ht +k, sponte oereagia 62 Assim, ¥ deve ser usado como a linha central no grfico 7 <0 Para construir os limites de controle, € necesséria uma et: rativa do desvio padro 0. Lembre-se do Cap. 3 (Segao 3-2) que podemos estimar 0, ow através dos desvios padrao, ov das am ee plitudes das m amostras. No momento, vamos n0s concentrarm ete re rétodo da amplitude. Se. %,...., €uma amostra de tamara a anne, ‘,entto a amplitude da amostra € a diferenga entre a maior © menor observagao; isto é, R= Soi ~ San < NS Sejam R,, Ra... Ry as amplitudes das m amostras. A armplitut a = média é Lue Lune secre sper maa ids Rit Rpt os + Ry 63) ™ Fig. SA necessidade de contiolar a méuiae a varablidade do proces ‘50. (a) Média e desvio pads nos niveis nominais (b) Média do processo a> bs (6) Deavio patito do processo 0, > 0 ‘Aptesentamos a seguir as formulas para a construgao dos! | mites de controle para o grafico ¥. Séo as seguintes: 'sti ye sho ea ide Limites de Controle para o Grifico = LsC =¥+4,R (5-4) Aconstante A, encontra-se tabulada para vérios tamanhos de amostra na Tabela VI do Apéndice. A vatiabilidade do processo pode ser monitorada plotando. se0s valores das amplitudes amostrais R em um gréfico de con- tole. A linba central ¢ 0s limites de controle para 0 grafico R slo 0s seguintes: ites de Controle para 0 Grafico R | LSC = DR | Linha central = (5-5) | eae {As constantes D, ¢ D, encontram-se tabuladas para varios valores de n na Tabela VI do Apéndice DepucAo pas EQuacoes 5-4 & 5-5 ‘Adedicdo das equagGes para océlculo dos limites de controle dos srficos Fe R € relativamente simples. No Cap. 3 (Sedo 3-2) vi- nos que existe uma relago bem conhecida entre a amplitude de uma amostra de uma distribuigdo normal eo desvio padi de tal disuibuigdo. A varivel alea6ria W = Rlaré chamada amplitude ‘elativa. Os parmetts da distribuigdo de W so funges do tama- tho da amostra n, A média de W é d,, Consequentemente, um | estimador de o€ o° = Rid,. Valores de d; para diversos tamanhos, | de amosira so apresentados na Tabela VI do Apéndice. Assim, se amplitude média das m amostras preiminares, podemos usar (5-6) para estimar.g. Esse é um estimador nio-viesado de or Usando = como estimador de je R/d, como estimador de | entio os pardmettos do grafico so eon Linha central uc GrAnicos ne Conrnove Pana Vanavers 131 Se definimos 3 A= 5-8) ZAR (8) entdo a Eq. 5-7 se reduz & Eq. 5-4 Consideremos agora o grafico R. A linha central seré R. Para determinar os limites de controte, precisamos de uma estimativa de oy. Supondo que a caracteristica da qualidade seja normal- mente distribuida, é, pode ser determinado a partir da dist buigao da amplitude relativa W = Rr. O desvio padrao de W, digamos d,, é uma fungao conhecida de n, Entdo, como R= Wo o desvio padrio de Ré op= do Como oré desconhecido, devemos estimar ¢, por : R ana (5-9) Conseqtientemente, os pardmetros do gréfico R com os limites usuais trés-sigma si LSC = R + 36% Linha central Lic Definindo a Eq. 5-10 se reduz a Bg, 5-5. Limits pe Controte Tentativos Quando amostras preliminares so usadas para construir 08 gre ficos de controle eR, é costume tratar os limites obtidos pelas Eqs. 5-4 e 5-5 como limites de controle tentativos. Eles nos permitem determinar se o processo estava sob controle quando ‘as m amostra iniciais foram selecionadas, Para testar a hipétese de controle do processo no passado, os valores de ¥ e R de cada amostra so plotados em um grafico, que € analisado, Se todos ‘8 pontos caem dentro dos limites de controle e no se observa qualquer comportamento sistemético, entio pademos concluit132 Cartruo cuca que 0 processo estava sob controle no passado e que os limites de controle tentativos sao apropriados para controle atual ou fu- turo da produedo. Essa andlise dos dados passados € as vezes chamada fase I da anilise. E altamente recomendével que se te= ‘nha 20-25 amostras ou subgrupos de tamanho n tipicamente, n deve estar entre 3e 5) paracalcular os limites de controle tenta- tivos. Naturalmente, €possivel trabalhar com menos dados mas 6s limites de controle ja ndo sero tdo confiveis. Suponha que um ou mais valores de ¥ ou R'se afigurem fora de controle quando comparados com 0s limites de controle tentativos. Obviamente, se os limites de controle para a produ- 620 atual ou futura devem ser significativos, eles tém que ser bbaseados em dados de um processo que esteja sob controle. En tio, se a hipétese de controle passado é rejitada, torna-se ne- cessria uma revisio dos limites de controle tentativos. Isso é feito examinando-se cada um dos pontos fora de controle, pro- cura de uma causa atribuivel, Se uma causa atribuivel éidentfi- cada, 0 ponto€ descartado e os limites de controle tentativos sto recalculados, usando apenas os pontos restantes. Esses pontos restantes sfo, em seguida, reexaminados. (Note que os pontos que estavam inicialmente sob controle podem agora estar fora de controle, porque os novos limites de controle tentaivas em ge- ral serdo mais restritivos que os anteriores.) Prossegue-se com esse processo até que todos os potas estejam sob controle, quan- do 0s limites de controle tentativos séo adotados como limites para uso atual. Em alguns casos, ¢ possivel que nio se identfique uma causa atribuivel para um ponto que esteja fora de controle. Hi dois ramos de ago abertos para nds. O primeiro ¢eliminar 0 ponto, 5-2.2 DESENVOLVIMENTO E Na segdo anterior apresentamos a base estatistica para os gréfi- cos de controle ¥ R, Hustraremos agora a construgdo.e aplica- a Anis de pistio para motores de automéveis so produzidos por ‘um processo de forja, Queremos estabelecer um controle esta- tistico para o didmetro intemo dos anéis produzidos por esse processo usando grificos ¥ € R. Vinte e cinco amostras, cada uma de tamanho cinco, foram extraidas desse processo quan- do se pensava que 0 mesmo estava sob controle. As medidas, dos diaimetros intemnos para essas amostras so exibidas na Tabela 5-1 Quando construimos gréficos de controle ¥ € R é melhor ‘comegar com o gréfico R. Como os limites de controle no gré- fico ¥ dependem da variabilidade do processo,tais limites nfo serdo significativos, a no ser que a variabilidade esteja sob tal como se uma causa aribuive tivesse sido determinada. Nj, ‘hd nenhuma justficativa analitica para escother tal acio, 2 3, ser Fato de 0s pontos fora de controle terem provavelmente oriundos de uma distribuigao de probabilidade caracteristca ‘um processo fora de controle. A alternativa € reter 0 ponto fy ;pontos) tomando os limites de controle tentativos como aprope, ‘dos para uso atual, Naturalmente, se o ponto de fato represen, ‘uma situagao fora de controle, os limites de controle resultant, sero muito folgados. No entanto, se hé apenas um ou dois de. ses pontos, isso nao resultard em distorgdes significativas dy arifico de controle. Se amostras futuras ainda indicarer o cop {role do processo, entio os pontos inexpliedveis podem ser. uramente descartados. Ocasionalmente, quando 0s valores ¥ e R das amostras i ciais so plotados em termos dos limites de controle tentativn, ‘pode acontecer que vérios pontos caiam fora dos limites. E clay ue, se descartarmos aritrariamente todos esses pontos, trees ‘uma situagio insatisfatsria, uma vez que restardo poucos dado pa recalcular limites de controle confidveis. Suspeitamos ta bbém de que essa abordagem jgnoraré informagio relevante coe tida nos dados. Por outto lado, € pouco provével que a procus de uma causa aributvel para cada um dos pontos fora de con trole tenha sucesso, Temos constatado que, quando mits és amostrasinicals resulta em pontos fora dos limites de con. le tentativos, é melhor nos concentrarmos no padro formado po esses pontos. Tal pedro quase sempre existiré. Geralmente, 2 causa atribufvel associada com o padtdo dos pontos fora de car trole é facilmente identificada. A remogdo deste problema en 74,050} \ ) +10 ( Meezamn) 0.0099 = M-5,15) + 1 = 4,04) = 0 +1 ~ 0,99998 = 0,00002, to cere 9008 (20 pares por mio (ppm) dos anis se is etr fora das expecticgtes Sua fone de exprestaracapactade do proceso 6m sou sn rao (ou fee) da capacidade do processo (RCP) 1 da parm ura caren da qualidade com ites Cena infro de especifeasso LSCe LIC como Isc = Lic * 60 sete que a extens 6 do proceso & a definiao Wisin daca pune do process. Como oem gral esconesido, tos era rae aire ee a Rid, como estimativa de a, resultando em uma estimativa ano process de produto Je aren de ps, come (1008, enconvumes que (sl) = _ 7405 ~ 73.95 © =~ 5050088) 0,10 0,0594 = 168 sso significa que os limites de toleréncia “naturais” (trés-sigma ‘cima ¢ abaixo da média) estio dentro dos limites inferior e su- perior de especificagio. Conseqientemente, um niimero relati- vamente baixo de anéis de pistio ndo-conformes serd produc: do. A RCP G, pode ser interpretada de outra forma. A quan- tidade r-(2)om é simplesmente 2 percentagem da faixa de especificagdo sada pelo sistema, Para o processo de produgdo de anéis de pistlo, uma tstimativa de P & Grinicos 96 ConTROLE Pana Vartivess 135 ew te Ke Sit ise Jae —rhe— 30 | w SS Thr ar oan o Fig. 6 Discordancia do processo wa ranto da capacidade do process0 C, Isto 6,0 processo usa aproximadamente 60% da faixa de especi- ficagao. A Fig. 5-5 ilustra tr8s casos de interesse relativos a RCP 28s especificagdes do proceso. Na Fig. 5-Sa, aRCP C, €mai- for que um. Iss0 significa que 0 processo usa menos de 100% da faixa de tolerancia, Conseqilentemente, relativamente pou- 0s itens ndo-conformes serdo produzidos por esse processo. A Fig. 5-5b mostra um processo para o qual a RCP C, = 1; isto 6,0 processo usa toda a faixa de tolerdincia. Para uma distribui- ‘so normal, isso implicaria em cerca de 0,27% (ou 2700 ppm) de unidades ndo-conformes, Finalmente, a Fig. $-Se apresenta ‘um processo para o qual aRCP C, < 1; isto 6, © processo usa mais de 100% da faixa de tolerdncia. Nesse caso, o processo muito sensivel e um grande mimero de pegas ndo-conformes serd produzido. Note que todos os casos na Fig. 5-5 assumem que 0 processo cesta centrado no ponto médio da faixa de especificago. Em rmuitas situagdes este ndo serd 0 caso e, conforme veremos 10 Cap. 7 (que é dedicado a um tratamento mais extensivo da ana lise da capacidade do processo), alguma modificagio da RCP C, serd necesséria para descrever adequadamente a situagao. Revisio Dos Lawrres pe Conraoce & Livias CENTRAIS Devemos sempre tratar 0 conjunto inicial de limites de controle como limites renarivos, sujeitos a tevisio posterior. Em geral, 0 uso efetive de qualquer gréfico de controle exigiré revisio pe-136 carte creo ridiea dos limites de contoee tnhas cents. Alguns prt ‘antes estabelecem perfodos regulars pra aevisio dos limites do grtico de contoe, tis como toda semana, todo més, ou a cala 25,50 00 100 amostas. Quando da revisio dos limites de controle, lembre-se de qu €altamenterecomendavel a utiliza co de pelo menos 25 amostas ou subgrupos(algumas autor Gades ecomendam 200-300 abservagdesndividis) no csleu- to dos limites de controle. ‘Algumas vezes ousuétio poder substtuir a linha central 90 ardfico ¥ por um valor-alvo, digamos Se grafico Rexibe contoe, iso pode ser tl no desloeamento da media do proeesso parao valor desejado,parcularmenteem proessos onde amédia pode ser alterada por um simples ajuste de uma vatidvel Imanipulével no process, Sea media no faitmeneinfuen- ciada por um simples ajuste do processo, enti ¢ povivel que Sejauma fungfo complexa edesconhecida de vivias variveis do processo ¢ um valor-alvo i, serd de poucautilidade, uma vez gue 0 uso de tal vaor poderdresultar em muitos pontos fora dos limites de conte. Emtais casos no saheremos necesaramente se opontocstava realmente assoiado a uma causa atbufve ou se ele caiu fora dos limites por causa de uma escolha infeliz para a linha central Quando o sritico Rest fora de canoe, em geral scart: sos 08 ponts fre de controle e reclelamos um valor revisto de B. Esse valor é eno sade para deteminar novos limites © linha central no grifico R e novos limites no grafico Z. Isso estritardos limites em ambos os grficos, tomando-os consi tentes com um desvio padrio o do processo compativel com o uso do revisto na relagdo Rid. Essa estimativa de o pode serusada como base da andlise pr cesto TApeLA 5-2 Amostras Adicionais para o Exemplo 5-1 Contiwuagéo bos Graticos T&R ‘Uma vez definido um conjunto confivel de limites de come, © grfico de controle ¢ usado para monitorar a producio fut, Tal etapa é chamada as vezes de fase 2 da utilizago dos si cos de controle. Quinze amosteasadicionais do processo de produglo deans, {de pistdo foram coletadas depois de estabelecidis os pratico je ‘controle. Os dados para essas novas amostras estéo na Tabelys 2s continuagdes dos grificas ¥ ¢ R so dadas na Fig. 5.6.0, ttificos de controle indicam que © processo esté sob contr, até a exibigdo do valor de ¥ para a trigésima sétima amosin Como esse pont e os trés subsegiientes caem acima do liniy superior de controle, devemos suspeitar que uma causa ary, vel ocorreu naquele momento. O padrdo geral dos pontos mp aritico ¥ a partir do subgrupo 34 au 35 6 indicativo de um dy Jocamento na média do processe. Uma vez que o grifico de controle é estabelecido e esta sp do usado no monitoramento on-line do processo, € sempre tn tador usar as regras sensibilizantes (ou regras da Wester Elect) discutidas no Cap. 4 (Seea0 4-3.6) para acelerar 2 detecgao de locani} cetes. Por outro lado, se queremos detectar pequenos deslo- Je entr nents, entdo amostras maiores com tamanhos variando de pO) €H = 15 an = 20 serdo necessérias. Quando amostras menores ‘aria usadas, hd menor risco de ocorer uma mudanga no processo tempt eaquanto a amostra esta sendo retirada. Se ocorre uma mudan: we qu durante areirada da amostra, a média amostal pode ocul- ‘fics jj tr esse fato. Conseqiientemente, esse é um argumento que fa- sstiml rece ouso de amostras to pequenas quanto onecessério para 0 dosF rani a consisténcia com a magnitude da mudanga do pro- ‘entrodl cesso que se queira detectar. Uma alternativa ao aumento do is). Cot} umanho da amostra é usar limites de alerta e outras técnicas Dilidad)sibitizantes para acentuar a habilidade do grafico de controle >a 69} en detectar pequenos deslocamentos no proceso, No entanto, |oinforme discusso no Cap. 4, nés nfo favorecemos 0 uso r0- taeio de tas regras sensbilizantes. Se voc? est interessado ‘em pequenas mudangas, use 0s gréficos CUSUM ou MMEP amresentados no Cap. 8 | O grafico R é relativamente insensivel a mudangas no desvio \ mario do processo para pequenas amostras, Por exemplo, amos- médid ts de tamanho n= 5 terfo apenas 40% de chance de detectar ito great primeira amostra uma mudanca no desvio padrao do proces- var fod de ¢ para 2. Amostras maiores serio mais efiientes, mas 40 € unl bemos também que o método da amplitude para estimar odes- as vat o padrio perde eficiéncia rapidamente quando n aumenta trole d* Assim, para valores grandes de n — digamos, n> 10 ou 12 — 4 amot éprovavelmente melhor usar 0 gréfico de controle para $ ou 2s suplto ugar do grafico R. Detalhes da construgso de tis grficos sio dados nas Segbes 53.1 € 5-32. cont 139 CGnArtc0s 06 CowTROLE PARA VARLAVEIS De um ponto de vista estatistico, as curvas caracterfsticas de coperagio dos graficos © e R podem ser iteis na escotha do ta- ‘manho da amostra. Eas fornecem ao analista uma iia sobre a ‘magnitude do deslocamento no processo que ser detectada com ‘uma determinada probabilidade para qualquer tamanho de amos- tka n, Essas curvas caractersticas de operacao serdo discutidas na Segio 5-26. A escolha do tamanho da amostra€ da frequéncia de amos- tragem é um dos problemas de alocagio dos esforcos de amos- tragem, Em geral,o decisor teré apenas um numero limitado de recursos para alocar ao processo de inspecdo. As estratégias di pontveis sfo, ou tomer pequenas e frequentes amostras, ou to- mar amostras maiores menos freqientemente. Por exemplo, a cescolha poderia recair entre trar amostras de tamanho 5 a cada meia hora ov trar amostras de tamanho 20 a cada 2 horas. E impossivel dizer qual estratégia ser melhor em todos 0s cas0s, ‘mas aindstia atualmentefavorece pequenas e frequentes amos- tras. O sentimento geral € que, seo intervalo entre as amostras € ‘muito grande, muitos itens defeituosos serdo produzidos até que corr a préxima oportunidade para detectar a mudanga no pro- cesso, Do ponto de vista econdmico, seo custo associado & pro- dugio de itens defeituosos é alto, o sorteio de menores ¢ mais, frequentes amostras é melhor. Intervalos de amostragem varid- ves ¢ tamanhos de amostras também variveis podem, natural- mente ser usados. Vide Cap. 9. ‘A taxa de producio também influencia aescolha do tamanho dda amostra eda freqiiéncia de amostragem. Se a taxa de produ- gio € alta — digamos, 50.000 unidades por hora — entéo uma amostragem mais frequente é mais recomendvel do que a uma taxa muito baixa de produglo. A taxas alts de produgio, muitos itens nio-conformes podem ser produzidos em um pequeno in- tervalo de tempo quando o pracesso softe alteragio, Além dis- $0, a taxasaltas de produglo, € as vezes possivel obter amostras razoavelmente grandes de maneira econémica, Por exemplo, se 0 processo opera a uma taxa de 50.000 pesas por hora, néo deve haver grande diferenga no tempo para coletar uma amostra de tamanho 20 comparado com o tempo para coletar uma amostra de tamanho 5. Se 03 custos de inspegao teste por unidade no so muito altos, processos de produgio de alta velocidade so «em geral monitorados com amostras de tamanhos moderadamen- te grandes, © uso dos limites de controle trés-sigma nos graficos ¥ e Ré ‘uma prética generalizada. H4situagOes, no entanto, que desvios dessa escolha costumeira podem ser benéficos. Por exemplo, se alarmes falsos ou erros tipo I (um alerta de fora de controle € gerado quando o processo esté de fato sob controle) s80 muito ccaros para serem investigados, entio é melhor usar limites de controle mais largos que trés-sigma — talvez ao largos quanto 3,5-sigma. No entanto, se 0 processo € tal que os alertas de fora de conirole sto fécil erapidamente investigados com uma perda minima de tempo e custo, entaa limites mais estreits,talvez 2,5- sigma, sio mais apropriados.140 castrurocnsco ‘Mupaxbo 0 Tamanto Da AMosrea Nos Grsricos ¥ &R Aptesentamos 0 desenvolvimento dos gréficos de controle ¥ € RR supondo que o tamanho da amostra permanecia constante de amostra para amostra. No entanto, hé situagbes nas quais o ta- manho n da amostra nio € constante. Uma situagéo é ade tama- nho de amostra varidvel; isto €, cada amostra pode consistir de uum nimero diferente de observacbes. Os gréficos ¥ e Rem ge- ral no so usados nessas situagGes porque eles levam a uma ‘mudanga da linha central no gréfico R, © que é dificil de inter- pretar para muitos usuérios. Os gréficos ¥ e S, discutidos na Segto 5-32, serdo preferidos nesses casos utra situagao & a de fazer uma mudanca permanente (ou semipermanente) no taranho da amostra por causa dos custos ‘ou porque o processo apresentou boa estabilidade e menos re- cursos esto sendo alocados 20 monitoramento do pracesso. Neste caso €fécilrecaleular os novos limites de controle a partir dos antigos, sem coletar amostras adicionais baseadas no novo tamanho amostral. Sejam Russ = amplitude média para 0 tamanho anvostral 5 antigo Reo = amplitude média para o novo tamanho amostral age = tamanho antigo da amostra aon = tamanho novo da amostra gentigo) dxaovo) = fator dy para o tamanho amostral antigo, fator d, para 0 novo tamanho amostral Para o grafico ¥ os novos limites so -— dxnovo) = + | Be] Rane n [ d{novo) (antigo) | ane | eee nde alinha ental ¥ permanece inalterada¢ 0 ftor A, cionado para o novo tamanho amostal. Par gréfico eave vos partmetros sho ee d,{novo) a = Da) ima) | Ramee. vse = 0 ies oe d{novo) JR dfamigo) * axfnovo) HC = max fo ee af scon. subje ladass ent, Me ny ek outs algua| o pro ©, des sig} thamos teori “essa sre of Vérios autores tm estudado 0s efeitos do afastamento da semalidade sobre os graficos de controle, Burr (1967) salienta {yrs limites de controle baseados na teoria normal so assaz sabustos com relaedo & hipdtese de normalidade e podem ser fapregados a nlo Ser que a populacio seja extremamente nlo- formal. Schilling ¢ Nelson (1976), Chan, Hapuarachchi e ocpherson (1988) e Yourstone e Zimmer (1992) também es- paramo efeito da ndo-normalidade sobre 0s limites de contro- [edo grafico ¥. Schilling e Nelson investigaram as dstribuigdes swiforme, triangular diceita, gama (com A= Ler= 4, 1.23¢ 4jeduas distribuigdes bimodais formadas como misturas cle duas o%—na primeira amostra depois do deslocamento. A Fig. 5-16 apresenta a curva C0, qual 8 € potado versus A= aif (arazio do novo para oars 10.00 12,0 grins apresentado na Seco 5-3.1 ser, em geral, preferido a0 gréfico, ‘As curvas CO nas Figs. 5-15 e 5-16 supdem que 0s grtcy | ¥ e R sio usados no controle on-line do processo. As veos (il usar a curva CO para o gréfico empregado para analisar dy dos passados. [sso pode dar alguma indicago de como 0 nine rode subgrapos preliminares usado paraestabelecero grticn controle afetaahabilidade do gréfico em detectar condiges on de controle que existiam quando 0s dados foram coletados. partir desses estudos analiticos,¢ também da experiéncia pri a, que evoluiu arecomendagdo para se usar entre 20 €25 subg: ‘os preliminares na definicao dos gréficas ¥ eR. A aly arta da novo para eho (esto paran oo process Fig. 5-16 Curvas caracteristicas de operago parao grafico R comunies teés-sigma (Adapiado de A, J. Duncan, “Operating Charactecscs Chars", industrial Qusity Control, vol. 7, no. 5, pp. Al, 1961, om Bi isso da American Society for Quality Contcl) Parat Cus: pura ur inwitiv tole s8 ser plot role € Cap. 2) ip,0¢ Con para B med conjunt i 4 i ig. 5.1 ‘on i, dept aM wepereasar we mere be & to a 7 Gnénicos o& CovrnoLs pata VARIAVEIS 5-2.7 O CompRIMENTO MEDIO DA SEQUENCIA PARA O GRAFICO ¥ para qualquer grifico de controle de Shewhart, observamos que ‘9 CMS pode ser expresso como 1 oe P(um ponto aparece fora de controle) ow CMs, (5-20) yara um CMS sob controle € (6-21) gara um CMS fora de controle. Esses resultados sio bastante intuitvos. Se as observagdes representadas no grfico de con- tole sio independentes, entio o nimero de pontos que devem, serplotados até que um primeiro ponto exceda um limite de con- tole € uma varidvel aleatéria geométrica com pardmetro p (ver Cap. 2). A média desta distibuigdo geométrica ésimplesmente vp. comprimento médio da seqiéncia. ‘Como é relativamente fécil desenvolver uma expresso geral pata B para o gréfico de controle ¥ detectar um deslocamento na média de ko (ver Eq, 5-19), entao nfo € dificil construir um conjunto de curvas CMS para o gréfico ¥. A Fig. 5-17 apresen- Cmprmento miso dl sagatncie (mess) "ora dtactardoscaments, CS Fig. 5-17 Comprimerto médio da sequéncia (amosttas) para o grafico ¥ ‘um limites ués-sigma, onde a média do processo est deslocada por ke. (Adaptado de Modem Methods for Quality Contrl and improvemant, de FLAC Wedsworth. S. Stephens eA. Godoy, John Wiley & Sons, 1988) ta essas curvas para tamanhos de amostra de n = 1,2, 3,4,5, 7, 9, € 16 para o grafico de controle X, onde 0 CMS esté em ter- ‘mos do niimero esperado de amostras retiradas para detectar © deslocamento. Para ilustrar 0 uso da Fig. 5-17, note que, se qui- sermos detectar um deslocamento de 1,5 usando um tamanko de amostra de n = 3, entio o mimero médio de amostras rtequeridas ser CMS, = 3. Note também que poderiamos redu- zit CMS, para aproximadamente 1 se aumentéssemos © tama- ‘nho da amostra para n = 16. Lembre-se da discussio no Cap. 4 (Seg 4-3.4) indicando que (05 CMSs esto sujeitos a alguma critica como medida do desem- penho para gréficos de controle. Observamos Ia (e também aci- ma) que a distribuigdo do comprimento médio para um grafico de controle de Shewhart é geométrica ¢ esta pode ser uma distri- buigdo bastante assimétrica, de modo que a média (isto 6, o CMS) pode ndo ser a melhor medida de um “tipico” comprimento de seqiléncia. Ha uma outra questo concernente ao CMS relacio- nada ao fato de que os célculos para um grafico de controle es- pecifico so usualmente baseados em estimativas dos parame- tos do processo, Isso resulta em valores inflados de ambos CMS, € CMS,. Por exemplo, suponha que a linha central do grafico esteja perfeitamente estimada, mas que o desvio padrio do pro- ‘cesso esteja superestimado em 10%. Isso resultaria em CM: 517, consideravelmente maior que o valor nominal ou “te6rico” 8 Uniades mtv esperadas pra detsctar desaeamen,H Fig. 5-18 Comprimento médio da sequéncia(unidades indwidvas) para ‘ogtafico % com limites wés-sigma, onde a méeia do processo esta daslo- cada por kor (Adeptado de Modern Methods for Quality Control and Improvement, de HM. Wadsworth, KS. Stephens © A.B. Gedfey, Joba Wiley & Sons, 1985148 Carine Covco ‘de 370. Agora, com um processo normalmente distribuido, esta- ‘mos igualmente propensos a subestimar o desvio padrao em 10% ¢ isso resultaria em CMS, = 268, um valor consideravelmente ‘menor que 370. A média ¢ (268 + 517V/2 = 392, o que sugere que erros na estimacio do desvio padrio do processo resultam em CMSs superestimados. ‘Duas outras medidas de desempenho bascadas no CMS sio as vezes ites. O tempo médio para alerta € 0 niimero de perio dos de tempo que ocorrem até que seja gerado um sinal no gra fico de controle. Se as amostras so tradas a intervalos igual- ‘mente espagados de tempo h, entio o tempo médio para alerta cmmayé TMA = CMSh (5-22) ode ser dtl expressar 0 CMS em termos do mimero espe. do de wnidades individuais amostradas — digamos, #—emye, do nimero de amostrasretradas para detectar um deslocany, to, Se o amanho da amostra én, arelagdo entre He CMS ¢ H = nCMS 5.2 po AA Fig. 5-18 apresenta um conjunto de curvas que representayg nimero esperado de unidades individuais H que devem w amostradas para que um grafico ¥ detecte um deslocamenta ge ko. Para ilustraro uso da curva, note que para detectar une Jocamento de 1,50, um grafico ¥ com n = 16 iré requeter que aproximadamente 16 unidades sejam amostradas,enquano gue seo tamanho da amostra é n = 3, apenas cerce de 9 unidae, serio necessérias, em média, 5-3 GRAFICOS DE CONTROLE PARA x ES Embora os grficos 7 e R sejam bastante usados, algumas ve~ 22s toma-se desejavel estimar diretamente 0 desvio padrao do processo em vez de indiretamente através do uso da amplitude R. Isso leva aos gréficos de controle ¥ e S, onde S € 0 desvio padrdo amostral.' Em geral 0s grificos ¥ e S sto preferidos aos seus semelhantes ¥ € R quando 1. ou 0 tamanho da amostra n é moderadamente grande — ddigamos, n > 10 ou 12; (Lembre-se de que 0 método da amplitude para estimar o perde eficiéncia estatistica par tamanhos de amostras moderadas ou grandes.) 2, ou 0 tamanho da amostra n & varidvel. [Nesta sego, vamos ilustrar a construgdo e operagdo dos gr. cos de controle ¥ e S. Mostraremos também como lidar com tamanho de amostra varidvel e discutiremos uma alternativa pan © grafico S. 5-3.1 CoNSTRUCAO E OPERACAO DOS GRAFICOS ¥ ES A construgio e operacio dos gréficos de controle ¥ € $ reque- rem mais ou menos a mesma seqiiéncia de etapas que a dos gré- ficos ¥ eR, exceto que, para cada amostra, temos que calcular a ‘média amostral ¥ e o desvio padrdo amostral S. Por exemplo, a ‘Tabela 5-3 para 0 Exemplo 5-3 apresenta as medidas dos diéme- 119s internos dos anis de pistdo usadas no Exemplo 5-1, Note ‘que calculamos a média amostral S e 0 desvio padrio amostral para cada uma das 25 amostras, Usaremos esses dados para ilustrar a construgio e operagio dos graficos Z eS. Se 0? €a varidncia desconhecida de uma distribuigo de pro- babilidade, entio um estimador ndo-viesado para o° €a varidncia amostral 3 HF "Algonssoores efremse 0 grafico S como grfico a. No entanto, o desvio padrdo S nao 6 um estimador nAo-viesalb para g. No Cap. 3 (Segdo 3-2) vimos que, se a distribuigio sub jacente & normal, entdo S na verdade estima ca, onde ¢, um? constante que depende do tamanho da amostra. Além diss.¢ ddesvio padr3o de'$ é @ Ji — cd. Essainformagdo pode se use para definir os gréficos de controle para ¥ ¢ S. Considere 0 caso onde um valor de referénci € dado purse Como £(S) = ca, linha central para ogratica €c,a. Os lite de controle trés-sigma so entéo LSC = eyo + 30-Vi = ch LIC = eo ~ 301 E costume defini as duas constantes Bs =cy-3V1— (5-240 ‘Ts Nir Valor vans respe Se stim Prelit SodGaificos ve Conrnote pasa Vanidves 149) [tenets 5-3 Medidas dos Diametros Internos (mm) de Anéis de Pistao de Motores de Automéveis 1 | wimaro da Amostra Observagbes i 5 1 74030 74002 4019 -73.992 74008 74010148 2 73995 73992 74011 74008 74.001 0.0075, 3 73988 74008 74.005 74072 74008147 4 74,002 73995 74015 74,009 74003 .0091 ° 5 73.992 74007 73.989 74014 74003 ooizz x 6 74,009 73,994 73.985 73.993 73996 0.0087 ke 7 73.995 74,006 74000 74005 74,000———0.005s + 8 73.985 74.003 393 74015, 73.988 73.997 0.0123 5 5 74,008 73.995 74,009 74,008 74008 74,008 0.0055 10 73.998 74,000 73.990 74007 73,995 73.998 0,003, : u 73.994 73998 73,994 73.995 79% 73994 0,009 * 2 74.008 745000 74,007 7400073996 74001 0.0042 B 73983 74002 73.998 m3957 mor 73998 a,atas. 4 74,008 73967 73.994 74.000 73.988 739900153 13 mon 74014 73.998 73.999 74007 74008 0,003, 16 74.000 7984 74,005 73,998 73.996 3997078 1” T3994 012 73,986 74.005 74007 74001 0.0106 5 18 74.006 74010 74018 74,003 74000 74007 -——0,0070 19 73.984 74.002 74.003 74.005 73.997 73.998 0,085, 20 74,000 74010 73013 74020 74.003 74,009 0,0080, a 74,982 74,001 ra015 74,005 73,996 74.900 oz 4 2 74,004 73,999 73,980 74,006 74,009 74,002 oor A 23 74010 73,989 73,990 74,009 vao14 74,002 oous a ey 74015 74.008 73993 74,000 74010-74008. ———(0,0087 25 73982 T3984 73.995 74917 4013 73.98 162 X= 1850028 0.2350 F=nor F ale A estaistica Sic, € um estimador ndo-viesado de 0. Entdo, 08 & Bere es =r (5-24b) _parameteos para o grafico sio 10 | Conseqtientemente, os pardmetros do grafico S com um valor de it | *eréncia dado para o se tornam 3 LSC = Boo Linha central = eyo (5-25) ee LIC = By Linha central = 5 Lic lores de 8, B, sdo tabulados para vériostamanhos de amos- [na Tabela VI do Apéndice, Os parimettos do grifico ¥ cor. E usual defini as constantes lpondente sio dados na Eq. 5-15, Segio 5-23. Se nenhurn valor de referéncia € daco para o, entiotemos que B=1-2Vi~8 (5-26a) [Simé-1o através de dados passados. Suponha que m amostras ce |eliminares estejam disponiveis, cada urna de tamanho n,© seja g [!odesvio padrio da i*amostra. A média dos m desvios padto & ans vind (5-266)150 Carituro cinco Consegiientemente, obtemos os parametros do gréfico S como LSC = Bs! Linha central = 5 LIC = BS (6-27) Note que By = Buexe By = Bye, Quando Sic, é usado para estimar 2, podemos definir 0s li- mites de controle para o gréfico ¥ correspondente como 3 LSC =k + can Linha central = © LIC = # - ok Definindo a constante A; = 3(c, Vn), 0s pardmetros do grafico se tomam. Isc Linha central (3-28) uc =F -a,5 ——— EXEMPLO 5-3 ‘Vamos ilustrar a construgio dos graficos ¥ ¢ $ usando as me~ didas dos didmetros internos dos anéis de pistao na Tabela 5-3. Amédia. seal 0 desvio padro médio so $ Es 3, = Gg (1850,028) = 74,001 3 s- (02350) = 0,0094 respectivamente. Entio, 08 parimetros para o grafico ¥ so LSC = F + 4,5 = 74,001 + (1,427)(0,0094) = 74,014 74,001 5 = 74,001 ~ (1,427(0,0094) = 73,988 r As constantes By, By €A, para.a construc dos gréficos 7, | S, obtidas através de dados passados, encontram-se listjy | na Tabela VI do Apéndice para diversos tamanhos dean, | tra, Note que fizemos a suposigdo de que o desvio padre aman std definido como | (529 ‘Alguns autores definem $ com n no denominador da Eq. $29, fem vez den ~ 1. Quando este ¢ 0 caso, as definiges das con. tantes cy, By, By € A, sio alteradas. As constantes correspon tes baseadas no uso de n para o cdlculo de S sio chamadas., 8, ByeA,,respectivamente, Veja Bowker e Lieberman (1972) pan, suas definigSes. “Tradicionalmente, os engenheiros da qualidade preferiany | grifico R a0 grafico S por causa da simplicidade do céleuloder ppara cada amostra. A disponibilidede atwal de méquinas dec cular com célculo automatico de Se a crescente disponibile de microcomputadores na implementacio on-line dos gréfew de controle na estagio de trabalho vém eliminando qualquer: ficuldade computacional. e para. grafico S Lsc Lc 0.0094 LIC = B35 = (0)(0,0094) = 0 B45 = (2,089(0,0094) 0,0196 0s grificos de controle sto exibidos na Fig 5-19. [Note que os limites de controle para o gfico ¥ baseados ‘em § sao idénticos aos limites de controle do grifico 7 10 Exemplo 5-1 onde os limites se baseavam em Este niosti sempre 0 caso e, em geral, os limites de controle baseados 0 5 serio um pouco diferentes daqueles baseados em &. Fg 541 Est. Eposs Sleyser paraar ilo de 5- Os gra 0s cas 180, d culo de nto ¢ Cons. dosd os tar usar ¢ deco medic comoada, a. 29 53 en ond, > para ‘amo oder lecat lidate ‘fies er de ceades Em osen rao1sf_isc= 74014 2010 ‘ 74,005| 7000 rss 73980 _yo=73.988 73,985) Ta 5 7 9 11318 17 19 2 23 25 Nato aa amos « Graricas oe Covrnots rata VaRikves — 151 0093] s cork _1sc= 0.0196 oan] ° rye 7 9 Wa is 17 19 21 23 2S timer da areste w Fg.549 Os gtaicosde contiole % e SparaoBxemploS3 (3) gr de controle % com tmites de controle baseados em 5. (b)O grafico de conte. L Emmagao DE Epossivelestimaro desvio padrdo do provesso usando ofato de Si, serum estimador nio-viesado de o: Entio, como c, = 0,9400 fara amostras de tarmanho cinco, nossa estimativa do desvio pa- a do processo 0094. BE 001 ce 0,9400 Essa estimativa € muito préxima aquela obtida pelo método da amplitude no Exemplo 5-1 5-3.2 Os Graricos pe CONTROLE ¥ ES. COM TAMANHO DE AMOSTRA VARIAVEL Osgrificos de controle ¥ eS sio relativamente simples de usar tos casos onde os tamanhos das amostras so varidveis. Nesse «980, devemos aplicar # abordagem da média ponderada no cél- lode ¥ ¢ 5. Se n,€é 0 mimero de observaghes na i.* amostra, ‘ato usamos Sen,- vs? |” =|) (5-31) Lan-m ‘como linhas centrais nos graficos ¥ e $ respectivamente. Os li- (5-30) mites de controle so calcvlados a partir das Eq. 5-27 e 5-28, respectivamente, mas as constantes A, B, € B, vlo depender do, tamanho da amostra usado em cada subgrupo individual r EXEMPLO 5-4 ———— Considere os dados na Tabela 5-4, que so uma modificagio {os dados dos antis de pistio usados anteriormente, Note que os tamanhos das amostras variam de n = 3 an = 5. Podemos “sar 0 procedimento descrito acima para construir os gréficos de controle ¥ e S. A média geral ponderada eo desvio padtio ‘édio ponderado sao calculados a partir das Eqs, 5-30 e 5-31 como ee : 5(74.010) + 3(73,996) + + + 5(73,998) Sh, 534-045 _ 8362075 113 = 74,001152 castrocico TapeLa 5-4 Medidas dos Diametros Internos (mm) de Anéis de Pistio de Motores de Automéveis [Nimero da Amostra 1 14020 2 73995 3 13988 4 74002 5 73992 6 74,009 7 73995 8 73985 9 74,008 0 73998 " 13994 2 74,008 B 73983 4 74,006 5 74012 16 74,000 0 73,998 1 74,06 % ra98 20 74000 21 13982 2 74,008 2 74010 24 74015 25 73982 = 2 Dt, ~ Ds? . - [#2 01.48)? + 2(0,0046)" + 3434 0.008426 |]! 88 0,098, Entdo, «linha central para o gréfico ¥ € 7 central para o gréfico Sé 5 Observactes R 5 74,002 74919 3992 74,008 74010 ois T3992 74,001 73,996 0.0046 T4028 74921 74.005, 74,002 74,008 Opis 73.996 73.993, 74015, 74,009 74.003, 0.0081 74,007 74015 73989 74018 74,008 0.0122 998 3997 73,985 73,999 0.0089 74,006 73998 74,000 73,999 0.0055 74.003, 73.993 74015 73988 B99 0.0123 73,995 74,009 74,008 74.008 0.064 74,000 73,990 74,007 73,995 73,998 0.0063 73.998 73,994 73.995 73.990 73,994 o.0009 74,000 74007 74,000 73.996 74001, 0.0082 74002 73,998 73,998 0.0100 73,967 73,994 74,000 984 73,990 oss 74014 73.998 74,008 0.087 73,984 74,005 73,998, 73,996 73997 0.0073 rao 73986 74,005 73,989 ous 74010 74018, 74,003 74,000 74,007 .0070 74.002 74,003 74,005 73997 73.998 0.0085 74010 74013 74,008 0.0068 74.001 74015 14,005 73.996 74,000 oom 73.999 73990 74.006 74,009 74002 0.0074 3,989 73,990 74,009 74014 74,002 oou19 74,008 73.993, 74,000 74010 74005 0087 73,984 73,995 74017 74013 73.998 oot62 agora sio facilmente calculados, Para ilustrar, considere a p- rmeira amostra. Os limites de controle para o gréfico F sao LSC = 74,001 + (1,427)(0,0098) = 74,015 LC = 74,001 LIC = 74,001 ~ (1,427)(0,0098) = 73,987 ‘0s limites de controle para o grafico S so + 4(0,0162)" + 5-25 r 74,001 e ainda ,0098. Os limites de controle LSC = (2,089)(0,0098) = 0,020 LC = 0,098 LIC = 0(0,0098) = 0 Note que usamas os valores de A,, By € By para n, = 5. Os it tes para a segunda amostra devem ser calculados usando valores das constantes param, = 3.Os limites de controle po todas as 25 amostras sio apresentados na Tabela 5-5. Os gf os de controle estio na Fig. 5-20. = i ” 7 7155 as act ea [UNIFEM Centro Ginversivara Lr dose 5: 74910 73.996 74,008 74003 74,003 73,996 999) 73997 740004 73,998 994 74001 73.994 73,990 74,008 73997 73,999 74,007 73998 74,008 74,000 74,002 74002 74,005 73,998 wi i. 5-20 Os qrticos de contiale % e Spat u de Sete Lagos Bi s 1a 0.0086 ooua7 0.0091 0.122 0.0099 0.0035 00123 0,064 0.0063 0.0029 0.0082 0.0100 0.0153 0,0087 0.0078 ous 0.0070 0,008 0,068 122 0074 opus 0.0087 oo162 is a ‘os dadas das andis de A, 1427 1.954 L427 1427 1437 1628 1,628 1427 1,628 1427 Lan Lan 954 Laz 1954 1427 1628 1427 1az 1954 1427 1427 Lan 1427 az SOTECA CENTRAL osa de Melo Sa i] Grafica ¥ uc Lsc 73.987 74015 73.982 74,020 73987 74015, 73987 74,015 73987 74015, 73985 74.017 73985 74,017 73987 74.015 73985 74,017 98774015, 73.987 74,015 73987 74015 73.982 74,020 73987 74015 73982 74020 7398] 74015 7398574017 7398174015 987 74015, 73982 74,020 98? 74015, 73987 74015, 73987 74015, 73987 74015 73.987 74015 2S oa) 92 091 GGraricas be Cowrnote rara Vaniivets 183, zB a 2,089 2.568 2.089 2,089 2,089 2.266 22266 2.089 2,266 2,089 2,089 2,089 2,568 2.089 2.368 2,089 2226 2,089 2,089 2,568 2.089 2.089 2.089 2,089 2,089, 7 9 Ws 1s 7 Nomero aa ames to com tamarlho de amaeta variavel, Exemple 5-4 JE 5-5. Caleulo dos Limites de Controle para os Gréficos 7 e $ com Tamanho de Amostra Variavel Gritico $ Lic is 2 Ls 0,020 0.025 0,020 0,020 0,020 0.022 Bs154 Cartrura creo Uma alternativa para 0 uso de limites de controle varidveis nos gréficos ¥ e S € basear os célculos dos limites de controle fem um tamanho médio de amostra #, Se os n, nao sé0 muito diferentes, essa abordagem pode ser satisfat6ria em algumas si- twagdes; ela é particularmente itil se os gréficos ao ser usados ‘em uma apresentagdo para a geréncia. Como a média dos tama- thos das amostras n, pode nao ser um nlimero inteiro, uma alter nativa é construir esses limites de controle aproximados basean- do-se no tamanho de amostra modal (mais frequente), EstIMAGAo DE E possivel estimar 0 desvio padrio do processo, 0, a partir dos valores amostras individuais, 5, Primeiro,tomamos a media de 5-3.3 O Grarico ‘Muitos engenheiros da qualidade usam ou o grafico R ou 0 gré- fico S para monitorar a variabilidade do proceso, com $ sendo preferido nos casos de tamanhos de amostra moderados ou gran- des. Alguns praticantes recomendam um grafico de controle bbaseado diretamente na varifncia amostral S*. Os pardmetros para © grafico de controle S* si0 Lsc = a pay Mette Linha central = 5? Xteima-1 T todos 0s S, para os quais n, = 5 (0 valor den, de maior fi cia). Isso da “sn 051605 7 0.0094 A estimativa do o do processo é 5 0,094 0.9400 oot ‘onde o valor de c, usado € aquele correspondendo 20 tamaniy de amostran = 5 DE CONTROLE S? onde XJi2n-1 © X Fasain-1 denotam os valores crticos af? perior € 1 ~ (a2) inferior da distribuigdo qui-quadrado com n — 1 graus de liberdade, e 5? 6 uma varidncia amostral méa obtida da andlise de dados preliminares. Um valor de referencia o* pode ser usado na Eq, 5-32 no lugar de 5, caso esteja disp, nivel. Note que esse grifico de controle é definido com limites de probabilidade, 5-4 O GRAFICO DE CONTROLE DE SHEWHART PARA MEDIDAS INDIVIDUAIS Ha muitas situagdes onde o tamanho da amostra para monito- Tamento do processoé n = 1, isto é, a amostra consiste de uma tinica unidade individual. Alguns exemplos dessas situagbes 1, Tecnologia de inspecdo e medigio automética é usada & toda unidade fabricada € inspecionada, de modo que no 1nd razio para formar subgrupos racionais. 2. A taxa de produgao é muito lenta e € inconveniente acu- ‘ular tamanhos de amostra n> 1 para andlise. O longo intervalo entre observacbes pode causar problema na for- magao dos subgrupos, 3. Medidas repetidas do processo diferem apenas por causa de erto de laboratério ou analise, como em muitos proces- ‘sos quimicos, 4, Vérias medidas so tomadas em uma mesma unidade do produto, como espessura do éxido em uma placa na mt ‘nufatura de semicondutores. ‘5. Em maquinaria de processos, tais como o de fabricagioé papel, medidas sobre algum pardmetro, como a espessu do revestimento ao longo do rolo, diferem muito poco? produzem um desvio padrao muito pequeno, caso 0 obj tivo seja controlar a espessura do revestimento ao lone! do rolo. Em tais situacdes, o grafico de controle para unidades individ ais € util. (Os gréticos de controle da soma cumulativa e dam dia mével exponencialmente ponderada discutidos no Cap. sero uma altemativa mais apropriada quando a magnitude & deslocamento na média do processo de interesse for pequent Em muitas aplicagdes dos graficos de controle para unidads individuais usamos a amplitude mével de duas observagdes co Avis portar loves produ quew Tabel Pa vidua dade + obser tude 1 Asin 048, ficod exced o grat dade. Ag. 6.2Grésicas De Cowrnove paRa Vanivess — 155 wwe etvas como ase par estar varibilidad do proesso. Af possvel também consrutgrificos de controle para a am- Soplitude mOvel €definida como plitude mével. 0 procedimento ¢ ilustrado no exemplo seguin- te r MR, = [x= 4-11 Se EE o-oo EXEMPLO 5° HH} viscosidade da tnta de base (primer) para avides € uma im- rants caracteristica da qualidade. O produ febricadoem TABSLA 5-6. Viscosidade da Tinta de Base Jrtes como cada lote leva horas para ser produzido, ataxade P#met) para Avides tala produgio€ muito lenta para permitir amostras de tamanto maior Viscosidade Amplitude Mével | Gueum. A viscosidade dos quinze otes anteriores &exibida na Numero do Lote x MR ‘abel 5-6, 1 sa7s Para construiro gréfico de controle para observagdes ind 4 a siduais, note que a média amostral das 15 letras de viscosi 3 Scnm aa dade € ¥ = 33,52 ¢ a média das amplitudes méveis de duas 4 saat ous det chservagdes € MR = 0,48, Para construiro gréfico da ampli- 5 346 035 mx] tude mével, obtemos que D, = 0 ¢ Dy = 3,267 para n = 2. 6 34.02 056 i) Assim, o grafico da amplitude mével tem linha central MR 7 33.68 034 ncn 9,48, LIC = Oe LSC = DMR = (3,267)0,48 = 1,57. O gré- 8 oe o4L sp} code controle é exibido na Fig. 5-214. Como nenhum ponto ha ay a i 028 ate} excede o limite superior de controle, podemos agora construit at va a ‘grafico de controle para as medidas individuais de viscosi- 2 3300 nied sade. 1B 3354 ose 4 33112 15 33.8 1.5] gp Bows bog aon Eos oe os ode st 5 3 7 rn a) s sua mao dots eat é bie ss00f__iscu a0 ge 3450 “4.00 a sa.00 oo a0) pf 220 oe am + o 7 ras al Nie okt 50% | ig. 6-21 Graficos de contole para (a) a amplitude mével e para (b) observagdes individusais da viscosidade, +156 cartruva cisco Para o grifico de controle das medidas individuais, os para metros 30) LSC +3 Linha central (533) Lic = ‘Se uma amplitude mével de n = 2 observagiies é usada, entio dy = 1,128. Para os dados da Tabela 5-6 temos L 3224 O gritico de controle para as medidas de viscosidade dos toes individuais ¢ exibido na Fig. 5-21, Nao hi indicaso de ung condicao fora de controle. InteReRetacho Dos Graricos O grafico para observagées individuais€ interpretado de manei- ra andloga ao gréfico de controle ¥ usual. Um deslocamento na :média do processo resultaré ou de um ponto (ou pontos) fora dos limites de controte ou de um padi consistindo de uma seqién- cia em um dos lados da linha central, [A Tabela 5-7 contém os dados da viscosidade da tnta de base para avides para 0s lotes 16-30. Esses dados estio plotads na Fig. 5-22.em continuagio aos grficos de controle para observa- ¢8es individuais e amplitudes méveis desenvolvidos no Exem- plo 5-5. Como a figura toma claro, ocorreu um deslocamento ascendente na viscosidade média em torno do lote 200u21, uma ‘vez que hd um padrio dbvio de “deslocamento no nivel do pro- cesso" no gréfico das observagbes individuais. Note que ogréfi- ccodas amplitudes méveis também reage aesse deslocamento no TaBELA 5-7 _Viscosidade da Tinta de Base (Rrimer) para ‘vibes, Lotes 16-30 Viscosidade Amplitude Mével [Naimero de Lote x MR 16 33,50 034 7 3325 025 18 33,40 ous 9 3327 03, 20 3465 138 a 34,80 ons 2 3455 025 2 35,00 os, 4 3495 025 25 34550 025 26 34370 020 n 34,29 oa 28 3461 0232 29 34,49 02 30 35.03 054 “Aanpliude move pra ee 16 fl cleats comaa cifecega nas eta da Vio ‘sae ses 162150 & MR = y= = 3.50 3884 = O38 — nfvel com um grande pico na amostra 20, Esse pico no grin das médias méveis algumas vezes 6 itil na identificacko exe, do ponto onde ocorreu 0 deslocemento na média do proces, AAlgun cuidado deve ser tomado na interpretagio de pads no grafico das amplitudes méveis. As amplitudes méveis sp correlacionadas e essa correlacdo pode muitas vezes induzirut padrdo de seqilencias ou ciclos no grafico. Tal padrio & evidee no grafico das amplitudes mOveis da Fig. 5-22. Entretano, se pe-se que as medidas individuais no grfico x sejam nio cone lacionadas e qualquer padrlo aparente nesse grafico deve x cuidadosamente investigado. Alguns analistas recomendam que nio se use 0 gréfico ds amplitudes méveis. les salientam (corretamente, necessériod: 721) que 0 grifico das amplitudes méveis nlo pode realmente necer informagao stil sobre um deslocamento na variabilidie do processo. De fato, deslocamentas na média do processo tae ‘bém aparecem no grafico das amplitudes méves, Nossosenties to€ que, desde que o analist seja cuidadoso na interpretacioese baseieprimeiramente no grifico das observagbesindividuais poe €25 dificuldades resultardo do uso de ambos os grificos. ‘Compunmesvro MEpi0 Da Segutivcia ‘Crowder (19876) estudou 0 comprimento médio da sequénca ;para a combinago dos graficos de controle das obsecvag6es it dividuais e das amplitudes méveis. Ele caleulou CMSs para vi 0s conjuntos de limites de controle ¢ deslocamentos na méia « desvio padrio do processo. Em gera, seu trabalho mostra it ‘0 CMS, do procedimento combinado sera em geral muito m= nor que o CMS, de um grafico de controle de Shwehart padtia ‘quando o proceso esté sob controle (Lembre-se de que 0 CMS, para um grifico de Shewhart é de 370 amostras), se usarmos & limites trs-sigma convencionais nesses grificos, Em ger, sultados mais préximos dos CMSs sob controle de Shewhart so ‘btidos quando usamos 0s limites tr8s-sigma no grfico das oD servagdes individuais e calculamos o limite superior de conto para o grafico das amplitudes méveis como LSC = DMR onde aconstante D deve ser escolhida de modo que 4 = D = Fig. 5-22 Pode le das ot processo CMS na individus “Tamanh Note que individue ena. Pe do qual a eum de: scima no tetectar¢ fugéo co iéncias Algun ssiteitos indvidua 2s deslo limites ms eaument Bificos s fessados187 GrAticos De ConrROLE Paka VARIAvEls r v T2545 67 8 a IOI IZ1S1eS161715192021227324252627 282920 sro te * sa sce 3ee0 nah LN : uces02e oe 2 200 , pee vit pie Dera : ° Pode-se ter uma boa idéia da habilidade do grafico de contro- Jedas observagOes individuais para detectar deslocamentos no rocesso analisando as curvas CO na Fig. 5-15 ou as curvas do. (CMS na Fig, 5-17. Para um gréfico de controle das observagbes indviduais com limites tés-sigma, podemos calcular 0 seguinte: tun ‘times ‘do Destocamento 8 cus, le 9772 43.96 2 08413 620 30, 10,5000 2,00 Note que a habilidade do grafico de controle das observasies indviduais para detectar pequenos deslocamentos & muito pe- ‘nena. Por exemplo, considere um proceso quimico continuo, 4 qual amostras so tiradas a cada hora, Se um deslocamento «eum desvio padrio ocorre na média do processo, a informacio ‘tima nos diz que serio necessérias, em média, 44 amostras para nectar 0 deslocamento, Isso significa quase dois dias de pro- ‘go continua fora de controle, uma situagéo que tem conse- ‘ifncias econémicas potencialmente devastadoras. Algumas pessoas sugerem o uso de limites de controle mais tsceitos que trés-sigma no grafico de controle para observagbes incividuais para acentuar sua habilidade na detecgo de peque- 10s deslocamentos. Essa € uma sugestio perigosa, uma vez que limites mais estreitos reduzirdo dramaticamente 0 valor de CMS. aumentardo a ocorréncia de falsos alarmes a tal ponto que 0s traficos serdo ignorados, tomando-se indteis. Se estamos inte- "ssados em detectar pequenos deslocamentos, ento a aborda- TO 94S 67 @ 9 lOLiTZisTeIs1617 18192021 z2252NeS2627 89 amr do ote 1g, § 22 Continuagio dos gidficos de controle para obenvagées individuais e amplitudes meveis usando os dadosadicionis da Tabela 57. ‘gem correta é usar ou 0 grfico da soma cumulativa ou 0 grifico de controle da média mével exponencialmente ponderada (ver Cap. 8). NokMALIDADE ‘A discussio desta seso baseou-se na suposigdo de que as ob- servagbes seguem uma distribuigo normal, Borror, Montgomery Runger (1999) estudaram 0 comportamento dos gréficos de controle de Shewhart para observagbes individuais quando os dados do proceso ndo s4o normais. Eles investigaram varias distribuigdes gama para representar dados de processo assimé- {ricos e a distribuigo # para representar dados simétricos seme- Thantes a dados normais, Eles descobriram que o CMS sob con- ‘woe 6 dramaticamente afetado por dads ndo-normais, Por exem- plo, se o grafico das observacdes individuais tem limites trés- ‘sigma de modo que CMS, = 370, o CMS, efetivo para dados de distribuigSes gama esté entre 45 e 97, dependendo do parimetro de forma da distribuigdo (quanto mais fortemente assimeéttica a distribuiglo, pior o desempenho). Para a distribuigdo 1, 0s valo- res de CMS, variam de 76 a 283 a medida que o mimero de graus de liberdade varia de 4 a 50 (isto 6, & medida que a distribuigo + se torna mais parecida com a normal) Em vista desses resultados, concluimos que, se 0 processo presenta evidéncia de mesmo um moderado desvio da normali- dade, 08 limites de controle dados aqui podem ser totalmente inapropriados. Uma abordagem para lidar com o problema da rnao-normalidade seria determinar 0s limites de controle para 0 igréfico das observagdes individuais com base nos percentis da distribuigao subjacente correta, Esses percentis podem ser obti-158 Cato arco Grtteo da probabiace namal s—— eee Percentage acunulaa cmeayss2eeeeaa 0 Fig. §-29 Grdlico da probabilidads normal para os dados sobre a viscosidade da tinta de base (primer) da Tabela 5-6, Exempo $5, dos a partir de um histogranma se uma grande amostra (pelo me- nos 100, mas de preferéncia 200 observagées) estiver disponi- velou a partirde uma distribuicao de probabilidade ajustada aos dads. Veja Willemain e Runger (1996) para detalhes do plane~ jamento de gréficos de controle a partir de distribuigbes de refe- réncia empiricas. Outra abordagem é transformar a variével ori- ginal em uma nova varidvel que seja aproximadamente normal «, entio, aplicar os grificos de controle a essa nova varidvel Borror, Montgomery ¢ Runger (1999) mostram como um grafi- co de controle MMEP apropriadamente construsdo € bastante insensivel & hip6tese de normalidade. Essa abordagem seré dis- cutida no Cap. 8 - ‘A Tabela 5-8 apresenta medidas sucessivas da resistibilidade ES?) gammas de apsto BE mento aio pase sprangénci seada pos sear até povel de ¢ maiva de bangénci cia és al S6.Us ica obse 55! tconvenie ionais par; seis discu [las para jpe 0 sao /ABELA alores de Grstie ued Ror dado) S(e dado) SOP | imuitas a) ives. N Ke ‘Oso det Frocessos tim grande Iwiges de c ‘em variabsnag ganas de computador para gréficos de controle oferecem essa Imig | {pao E fil mostrar que isso levaré sempre a um potencial ref hemo no vies da estimativa de ¢ quando causas aribuives, Sq} ago presentes. Note que se usarmos uma amplitude mével de ‘dig; | Sprangéncia trés e houver uma tinica observagao cuja média é sexe} spn por uma causa atributvel, entlo essa tnica observacdo nm} ,etaré até trés das amplitudes méveis, Assim, uma amplitude ‘agin| vel de abrangéncia tes resultard em um maior viés na esti- ‘if putiva de 0, quando comparamos com a amplitude mével de in eat saangencia dois Além disso, duas amplitudes méveis de abran- 2s. gicia és serdoafetadas por um deslocamento continuado, Em 950}, gal, se usamos uma amplitude mével de abrangencia we uma | (hice observacdo tem média afetada por uma causa alribuivel, indo} GPE) convenient resumir em um sic lugar as f6rnulas computa aaa} seta pra os principals tposdegrfico de controle para vai- fis discutidos neste capitulo, A Tabela 5-9 apresenta as for Tent bs es idea aulas para os gréficos Z, Re Squando valores de refer€ncia para mE ye si ‘abela 5-10 fornece o sumario correspon- raat | #2 7 S10 dads. A Tabela 5-10 fe pot nada Joe a |Tapeca 5-9 Férmulas para Gréficos de Controle, KDE alors de Referéncia Dados Linha iinie] — Gratico Cental Limites de Contole Mol 5 (ue adades) Ho pedo ventio} R(dado) do LSC = Dig, LIC = Dr S(o-dado) ee LSC = Bye, LIC= Bo bran acer 1 | afets} Hémuitas aplicagdes interessantes dos grficos de controle para coum! varigveis. Nesta segao, algumas delas serdo descritas para dar a0 3 aj vuand aust amédis agies | 0 Uso de Graficos de Controle para Aperfeigoamento dos buivel) Processos de Fornecedores ‘Um grande fabricante aeroespacial compra pegas para 0s seus et! avides de dois fornecedores. Essas pegas freqientemente exi- 1S Pro! bem variabilidade excessiva em uma dimensdo-chave, que toma 161 GGRARICOS DE CONTROLE PARA VARLAVERS até w dessas amplitudes méveis serdo afetadas por essa obser vago, Também se hé um deslocamento continuado na média, até w ~ 1 das amplitudes méveis serio afetadas por esse des Jocamento na média. Consequentemente, aumentar a abrangén- cia de uma amplitude mével para mais de dois resulta em um aumento no viés na estimativa de @ se houver causas atribut- veis presentes, que produzam deslocamentos continuados na média do processo ou que afetem uma dnica observacdo (ou poucas observagdes adjacentes). De fato, Wetherill Bro- wn 1991) aconselham a plotar a estimativa de o versus a abran- ‘géncia da amplitude mével usada para obter a estimativa, Uma curva abruptamente crescente indica a presenca de causas atri- butveis 5-5 SUMARIO DOS PROCEDIMENTOS PARA OS GRAFICOS #, RES dente quando nfo se dio valores de referénciae limites de referén- cia tentativos t&m que ser estabelecidos a partir da andlise de dados passados, As constantes dads para o grfico S supGem que n ~ 1 foi usado no denominador de S. Todas as coastantes estio tabula- das para varios tamanhos de amostra na Tabela VI do Apéndice. ‘TaBELA 5-10. Formulas para Graficos de Controle, Limites de Controle Baseados em Dados Passados (Nenhum. Valor de Referéncia & Dado) Linha Grético Cental Limites de Controle F (usando R) F (usando 9) Faas R LSC = DR, LIC= DR s LSC = 85, LIC = BS 5-6 APLICAGOES DOS GRAFICOS DE CONTROLE PARA VARIAVEIS Ieitor uma perspicécia adicional sobre como os griticos de con: trole funcionam, assim como idéias para futuras aplicagbes. a EXEMPLO 5-7 impossivel ajusté-las no produto final. Esse problema sempre resulta em custos excessivos de retifica e as vezes provoca atra- 0s na finalizaco da montagem do avido. (© grupo que recebe o material realizou uma inspego de 100% dessas pegas em um esforgo para melhorar a situacdo.162 Cavtruocnco Eles construiram grificos ¥ ¢ R para a dimens&o de interesse para ambos fornecedores. Eles descobriram que a frago de pe {gas ndo-conformes era praticamente a mesma para os dois for- necedores, mas por razdes muito diferentes. O fornecedor A pro- roblen pts dos Graficos ¥ € R em Ambientes Nao- nfatureiros {fins de controle para variéveis podem ser usados tanto em ‘sis manufatureiros quanto ndo-manufatureiros. Uma nogo fstate difundida mas errada sobre estes gréficos € que eles no adem ser aplicados em ambients nfo-manufatureitos porque [produto ¢ diferente”. Na verdade, se € possfvel fazer medidas foproduto que sejam reflexo da qualidade, funcionalidade ou igsempenho, entG0 a natureza do produto nao tem relagio com ‘oplcabilidade geral dos gréficos de controle. No entanto, hé dass diferengas freqientemente encontradas entre situagdes panvfatureiras e ndo-manufatureiras: (1) no ambiente ndo- sanufatureiro limites de especificagdo dificitmente se apticam saproduto, de modo que a nogao da capacidade do processo & engeral nio-definida; e (2) mais imaginagao pode ser necessé- Squeto. em} EXEMPLO 5-10 GGRAnicos p= CowrnoLe pata VaRiAves — 163 sal «a pagar. A divisio da companhia na qual o problema ocoreu nha vivenciado um aumento considerdvel no volume de negéci- (08 € junto com esta expansio, veio um aumento do tempo que 0 departamento financeiro precisava para processar as requisigBes de cheques. Como resultado, muitos fornecedores estavam sen. «do pagos depois do prazo normal de 30 dias e a companhia esta vvadeixando de ganhar os descontos oferecidos pelos fornecedo- res em troce de pagamento pontual. A equipe de melhoria da ‘qualidade designada para esse projeto usou o tempo de circula- 40 pelo departamento financeiro como varigvel para anslise dos stificos de controle, Cinco requisigdes de cheque concluidas fo- ram sclecionadas cada dia e a média e a amplitude do tempo de circulagao foram plotadas em graficos ¥ e R. Embora a geréncia «© o pessoal operacional é tivessem detectado esse problema ante- rormente, 0 uso dos graticos ¥ e R foi responsével por melhorias contr | gaara selecionar as variéveis apropriadas para medigo. ‘substancias, Dentro de 9 meses, o departamento financeiro redu- ‘acidaée| Uma aplicagéo dos gréficos de controle ¥ ¢ Rem um ambi- zivapercentagem de faturas pagas em atraso, de mais de 90% para bricane| qe nfo-manufatureiro envolveu os esforgos de um grupo finan- menos de 3%, resultando em economia anval de vrias centenas equip | ero para reduzr o tempo necessério para processar suas contas de milhares de délares em descontos ganhos pela companhia, 1 se tr} amen i_-c EXEMPLO 5-11 —————, | ANecessidade de Cuidados na Selegio | deSubgrupos Racionais | Aig. §-27a mostra uma pose fundida usada em uma turbina do motor de avides. Essa montagem & tipica daquelas produzidas por reque-| ambos os processos de usinagem e de fundigao para uso em turbi- didme-| ms de motores ¢ em unidades de energia auxiliares na industria ‘© di. espacial — parts ciindricas criadas pela rotago da seo rans- Iimenie| "#881 em tomo de um eixo central. A altura dos estatores ness tica de | tontagem € uma importante carateristica da qualidade, sresse:! dese tro do ico de! one-| ani abser ‘ficos | sant! econ: | nn adrao | stado. @ Fig. 5-27 Uma montagam aerosspacial Dados sobre alturas dos estatores so coletados selecionan- ddo-se aleatoriamente cinco estatores em cada montagem produ- “ida. Inicialmente, a companhia construiu grificos X eS para esses dados a fim de controlar ¢ melhorar o processo. Isso resul- towem vérios pontos fora de controle no grafico Z, com um ponto ‘casional fora de controle no grifico S. A Fig. 5-28 exibe grafi- cos F e S tipicos para 20 montagens, Uma andlise mais cuida- dosa do procedimento dos grificos de controle revelou que 0 problema principal estava no uso das cinco medidas de uma tni- ena so seer 1 ura do esata164 cartrorocico so 5.775 esa = 5.757 ue 5.738 se «0.02752 0.00 mt AVA KM ney 3001217 uc=0 Fig. 5-28 Graficos de controle e Stipicos (do Minitab) para as alturas dos estatores da montagem da Fig 627, ‘ca montagem como subgrupo racional e que as condigées fora de conirole no grético ¥ ndo fomeciam uma base vélida para agées corretivas. Lembre-se de que o grifico de controle F lida com a questo de consistencia entre a variabilidade entre amostras ¢ a variabi- lidade dentro da amostra. Nesse caso, isso néo acontecia: os ‘estatores em uma tinica montagem so gerados conjuntamente em uma montagem de molde de cera. E provvel que as alturas, dos estatores em um montagem especifica sejam bem semelhan- tes e € razodvel supor que haja maior variagéo na altura média dos estatores entre as montagens. ‘al situac0 foi tratada usando-se o grafico Sina maneira usual para medir a variagao na altura do estator. No entanto, como esse desvio padtao & certamente muito pequeno para fornecer una base valida para 0 controle de , o engenheiro da qualidade decidiu considerar como medida individual a altura média em cada montagem e controlar a altura média dos estatores usando © gréfico de controle para observagGes individuais com o grit co de amplitudes m6veis. Essa solugdo funcionou muito bem m2 pratica e 0 conjunto dos trés grficos de controle forneceu wna excelente base para a melhoria do processo. A Fig, 5-29 mostra esse conjunto de trés grficos de cont- Je gerado pelo Minitab. O pacote Minitab gera esses grticos ‘automaticamente, referindo-se a eles como graficos de contc- Je“entre/dentro” (“between/within"), Note que o grafico das ob- servagoes individuais exibe controle, enguanto o grafico i dt Grafco das Observes Inds das Mécns oot Subarupoe 5 ses se = 5867 i SBN ne etn 3 F568 rs Le = 5,656 Gatco das Altes Mons ae Mics os Stages 3 oxo § oo a F ova ica Spare Ytos os Oa 3 003 arse #02 ail Seo01317 § 000) uceo é a ot ie 7 Fig. 6-29 Graficos de contote para observagées indviduais, amplitude mével © $ para as eltures dos estates da montagem na Fig. -27 ite plo tore por lay iesevesre vvRy fig. 28 nfo. Essencialmente, a amplitude mével das aleuras jas dos estatores fornece uma estimativa muito mais razo- {fel da variabilidade da altura entre montagens. O grafico S pote er vist como uma medida de varabilidade na altura dos ee Siragdes como as descritas no Exemplo 5-11 ocomrem fre- agentemente na aplicagdo dos grificos de controle. Por exem- plo, hé muitos problemas similares na indstia de semicond- foes. Em tas c2s0s, € importante estudar cuidadosamente 0 com- poramento das variéveissendo medidas e ter una compreensio tha do propésto dos graficos de controle. A titulo de ilustr- go, se as Variagdes nas alturas dos estatores em montagens es- 51. Osdados exibidos aqui sfo valores de ¥ € R para 24 amostras de tamanho n= 5 tradas de um processo que produz 1 929345 3 2 328 1 2 & # 3 ‘mancais. As medidas slo feitas no didmetro interno dos mancais, registrando-se apenas as us Ultimas decimais (isto €, 34,5 repre. senta 0,50345), 5-7 EXERCICIOS Gréricos be Cowrnout pata Vaauives — 168 eestatores em uma tinica montagem. Queremos que essa varia bilidade seja lo pequena quanto possivel, de modo que todos fs estatores em uma mesma montagem sejam praticamente idénticos. 1 pecificas fossem totalmente ndo-relacionadas, usar a altura mé- dia como medida individual poderia ser muito inapropriado. Seria necessério (1) usar um grafico de controle para cada estator in dividual inclufdo na amostra, (2) investigar 0 uso da técnica de _grifico de controle para processos multifluxo ou (3) usar algu- mma técnica multivariada de gréfico de controle, Algumas dessas possibilidades serdo discutidas na Parte II deste texto. (8) Construa grificos ¥ e R para esse proceso. O processo parece estar sob controle estatistco? Se necesséro, revise (0s limites de controle tetativos. (©) Scasespeciicagdes par o didmetro sio0,5030 + 0.0010, ache a percentagem de mancas nlo-conformes praduzides par esse processo, Suponba que odidmetro€ normaliente distrbuido 5-2 Um provedor de energia de ata voltagem deve ter una voltagem sominal de sada de 380 V, Uma amostea de quatro unidades € selecionada todo dia testada com o propésito de controle do pro- cesso. Os dados mostram a diferenga, multiptcada por 10, entre a leitura observada em cada unidede a vokagem nominal isto & 2 (voltagem observada na unidade 1 ~ 350)10166 cart cinco (a) Construa grficos de controle ¥ © R pare esse processo.O | “Reimer rocesso esté sob controle estatistico? ness ae (®) Seasespecifcagsessio 350 V = 5 V, oque voce podedi- AONE ‘ a S| a er sobre acapacidade do processo? 10 0.0631 0.0681 0.0633 (©) Hé algumaevidéncia que suport a afirmagio que «volt u 0.0635 0.0830 a,0634 gem 6 normalmene distribu? 2 0.0623 0.080 00630 5-3. Os dadosexibidos aqui slo desvis do ditmetro nominal de ori- 3 0.0635 0.0631 0.0630 ficios tos enum material composto de fibra de eatbono usado 4% 0.0645 0.0540 0.0631 i na fabricagao de avides. Os valores relatados sfio desvios do va- 13 0.0619 0.0644 0.0632 | lor nominal em décimos de milhares de uma polegeda. 16 0.0631 0.0627 0.0630 con 0 0.0616 0.0623 0,063 teas ue 18 0.0630 0.0630 0.06% ‘Amostra * say oe 19 0.0636 0.0631, 0.0629 3 20 0.0680 0.0535 0.06% 1 30 +50 +10 +30 a 0.0628 0.0625 0.0616 2 0 +50 20 +30 2 0.0615 0.0825 00619 3 = +10 +30 +20 2 0.0630 0.0632 0.0630 4 <0 -10 20450 24 0.0635 0.0629 0.0635 5 +20 40 +20 +10 25 0.9623 0.0629 0,060 6 O- ) =a +20 7 oo -2 “10 : 3 4-20 ro (@) Construa grficos de controle ¥ eR pra esse procesa 0 o ce ao) ay on processo esti sob conto statistic? 0 +10 420 to 430 (b) Estime odesvio padrio do processe, il +400 0 420 (©) Quais so 0s limites que voc esperaria que contivessn ia Pole crac Pink tn aproximadaments todas as medidas doprocesso? 5 on 0 Soh fen (@) Seasespecificagdes 000630 in = 0,0015in,qualé var 4 4300-10 -10 -30 da RCP C,? 3 +0 ae 34) 0-—-«SS__ Ovolume de peenchimento de garafas de refrigerant um: i a Slo importante caracterstica da qualidade. O volume & medi i fk a0 oh en (@proximadamente)colocando-se um gabsito no topo e com ie ia an lee parando-se a altura do liguido no gargao da garrafa com mi , Ao Eto alae scala coiticada. Ness escala, uma leiturade zero corespn Ea ja} ao de bale correte de preenchimento. Quinze amostas de rmanho n= 10 do analisadas eas alturas de preenchimentosi dadas a seguit. (@) Construagrificos de controle F e R para este processo. O processo est sob controle extatistico? ¥ z (0) Estime o desvio padrio do procesto usando o método da NAMIE amplitude. a (6) Se as especificagées sio nominal + 100, 0 que voot pode 1 25 03 29-10 10-10 0s 13 08-18 dizer sobre a capacidade do processo? Caleule a RCP C,, 2 09 99 03 18 13 aia tp is ip 5-4 Acespessura de uma placa de circito impresso é um parimetro Re ONCe ECE ee Jmportante da qualidade. Dados sobre a espessura (em polege- 3 do 00 0-05 as 1a -03-05 00 ‘ 3 5 ry as, in) s8o dados aqui para 25 amostras de és placas cada. D-05 00 00 00 05-10 10-20 10 eee eaten To -t0 -10 19 00 13 a 10 op ao Qo =I5-05 1s 00 00 00-10 03 vs Niimero da 2 TO-15 1S 15 on a0 a5 10 a io ee aS ry “05°33 00-10-15 ~15 -19-10 10 Ameetre % be ice ic eee uw 00 13 ap 9p 20-14 03-05 20-10 1 0.0629 0,0636 0,040 2 0-20-03 on-os 20 ts 00 os y 3 w10 05 05 -i0 09 05 as 1s 10-19, 2 0,0630 0.0631 0.0822 a 05 10-19-05 20-013 oo 13 1S 3 0.0628 0.0631 0.0633 ie 10 00 15 15 19-10 aD 10-20 -15 5. 4 0.0634 60,0630 0.0631 5 0619 0.0628 0.0630 5 G 00613 003 one (@ Consteua gréficos 7 © $ para esse processo, © proces 7 0.0630 0.0639 oss parce econo eco? Se neces. 8 0.0628 0.0827 0.0622 mealies Se comical otanon 9 0.0623 ones 0.0633 (©) Construao gréfico R e compare com 0 grafico S ds pst te (a). L{¢) Construa o gréfico S*e compare como grético Sd par- te@). GGranicas 06 ConTROLE Pata VaRLAvES 167 Suponha que a ceracteristica da qualidade seja normalmeate dis- cribuida 460 peso lguido (em ongas, o2) de um alvejante em p deve ser (@) Calcule os limites de contcole para os grficos de controle 5 rmonitorado pelos grficos de controle ¥ eR usando amostras de er a tamanho m= 5. Dados para 20 amostras preliminares so 0s se- (b) Todos os pontos em ambos os gréficos de controle caem ds -guints: centre 0s limites de controle caleulados em (a). Quais sio os | limites natura de tolertncia do processo? Us (©) Seosimites de espesfiagio sto» 5.0, quai 0s suas 2g hE Sh es conclusdes com relaglo & habilidade do prcesso em pro- Vv 3 aot duzir itens dentro dessas especificagdes? i 158 163 162161166 {@)_Supondo que, se um tem excede limite superior de espe- 3 13 159 159162164 ‘ifieag ele pode ser retrabalhado es ele est abaixo do > Il 1626S 164183 limite inferior de especificagio ele tem que ser sucatesd, > 63 162159164162 ‘qual a percentagem de sucatae retrabalho que o processo 34 Il 161164165160 ests produzindo? > 161 158 167166168 (@) Fuca sugestes de como methorar o desempenho do pro- 3 fel 163165 1616S cxs. 5 16216-16261 1635-11 Amostas dem = 6 tens so retiadas de um processo de manu a4 163 162164163165 fatura em itervalo regulares. Uma caracersica da qualidade, ee 165 1Gg Tel 18 normalmente distributda,¢ medida e valores de ¥ esto cleu- 162 164 15,9 16316 lados para cada amostra. Depois de 50 subgrupos serem anali ‘80.0 139 166 167 6216S dos, obtémse 164 161166164 NGL 165 163 162163164 a. g se les 6118362182 Ss, 10m © Ss=2s 16,0 16,2 163, 163, 162 ' . val 164 16.2 164 163162 (8) Calcule os limites de controle para os grficos de controle | eo te2 tet test Fes Sum 164 160163164168 (©) Suponha que todos os pontos em ambos os gréficos de con- ue 16.4 164 16,5, 16,0 158 ‘role caiam entre os limites de controle. Quais so os limi- coms tes naturas de colrincia do processo? pont fa) Construa grificos de controle ¥ ¢ R usando esses dados, 0 (©) _Seos limites de especificagao slo 19 + 4,0, quais sfo as suas ee ere ancmanecaaen conclusdes com relagéo & habilidade do pocesso em pro- torn] (b) Estime o média e 0 desvio padrao do processo. Oe oe | © Opeso de enchimento parece seguir uma dstbuigdo aor- pando que, se um item excede o limite superior de espe- 1 OCD ain cificago ele pode ser retabalhado ese el est abaixo do 4 eioa limize inferior de espcificago ele tem que ser sueateado, zg (@) Seas especticagdessio 162 + 0,5, quas a suas coneli- Wiieecorccnnees ici etme ren gee mes (©) Que fracio de recipientes produzidos por esse processo es- sid pmaauzn 5 tard provavelmente abaixo do limite inferior de especifica- (©) Seo proceso estivesse centrado em x = 19,0, qual seria 0 Nee Gao de 15.7 oz? feo sobre as percentagens de scala eretrabalho? } | ST Refagao Bxercicio 5.2 usando o grficoS. 5-12 A tabelaapresenta 20 subgrupos de cinco medidas de uma dimen- 1 Sa Retasto Beectio $3 esndoo cafices: so erftica de uma pega produzida por um processo de usinagem. } $9 Geis de controle ¥ eS devem ser mantidos para 38 ets gg ; de torque do olamento usado na montagem do ataador de flap NORE : ) da asa, Amostras de tamanho n = 10 devem ser usadas € sabe- ‘pote He =. . ; mos que quando 0 processo ests sob contole.o torque do rola: = 1 AL 108 130, , tmento tem distribuigdo onmal com média = 80 polegades. = 283.142. tes ; libre desvo peso o = 1Opolegadarlia Achealiacen. 3 ‘IS9. BS ie : tae os lmies de contol pr ces pcs de cont. Mas es us + 5.10. mostra dem = 8 itens sto retiradas de um processo de man eaten tio) i fatura em intervals regulars. Uma carecterisica da qualidade = jaya ‘a3 Hip ves) _—_-Emedidae valores de x eR stocalculads para cada amostra. == $1327 SLL iia ‘eve ——_Depois de SO amostras,obtemos 9 i384 1262 33 1 B30 tis 1336 TS a M1396 1279 as 2D %= 2000 121253 1602 67168 carta cnco Néeto da ‘ 7 “Amour x, 5 g Bo 157 1g 24 500 41386 W441 1381 9.2 151108 1396 1287 sé 1852 173, 127633 139 1059 127429 187 1305 234532 we 1342 147s 383 20 1a a7 98 32 (2) Construa gréficos de controle % © R para esse processo. Verifique se o processo esté sob coatrole estaistico (©) Em seguida a construgdo dos griticas de controle da parte (@), 10 novas amostras foram coletadas. Grafe os valores de 4 € R no grifico de controle da parte (a) e apresente suas, conelusées. Aes 122° 133 1708 818 180.7 1681 1797 240. iss 20277 W741 480 wo 1422 1570 269 16621553 179.3 6o8 921782 1153378 ists m8. 1612 S10 aa 194 1659442 1328 1689) 1570445 20341504 1828530 (©) Suponha que uma causa atribuivel responsivel pela ago de alertas gerados na parte (b) tenha sido identificada ¢ ajustes tenham sido feitos no processo para comrigic seu de- sempenho, Grafe os valores de e R dos seguintes subgeu- ‘pos, que foram obtidos apés o ajuste, contra os limites do rifico de contcole abtidos na parte (a). Quais s80as suas conclusdes? Numero da oe Amoi wR 1 BIS MBL 1185 1032 6 1236 398 2 10 273 104 910 1439 eT S28 3 198 9831340 5,1 133,10 4 4521328 1061 1310992 1228 5 146 1110 1088 075 216 67 6 1252 864 HE BTL TITS 106. 7 59 1095 $49 1298 L108 6. 8 136 1140 54 32 1076 1198 9 $8 1563 1197 962 1530 222 to wors 487 1274 1250 12751272 513 Peas manufaturadas por um processo de moldagem por injego slo submetidas a um teste de forea de compressao. Vinte amos- (cas de cinco pegas cada sio coletadas eas Forgas de compressio (em psi) sho mostradas na seguintetabela ‘Nuimero da, ‘ 7 Amomn R 1 80 812 3a 719 . 2 BBG 783 Tho 842 7 3 887758 752 810 104 4 mR 744 ml 157 ua 5 aad TRA 72789 32 6 153 199 87 ans. Ms 7 143 780 Ta 197 1" 8 2 BA wo 45 ba 9 m5 862 641302 99 wo 187782 mi 43. los mH a0 81S 8 78. 0 2 806 818 Bo s27 B13 BB BLT Aap 820 795 809 3g 4 92 749 m3 3 TM 43 13 855 BL Ba 17 WL BE 1 788796 80.27 -BUB_ THT 2g 7 BL 7 TSS 2 THZ_— 6g 18845 769 «BS 12D BLL TH 19 790 778 812 BHA BG «BOB 6g 2 MS BL 6 787 806 79 HA (2) Construa grificos de controle ¥ e R para a forga de com pressio usando esses dados. O processo esté sob conta cestaistico? (®) Em seguida a construgto dos gréficos de controle da pare (@), 1S novas amostras foram coletadas ¢ as forsas de com pressho so mostradas a seguir. Grae os valores de 7 ef ‘no grfico de controle da parte (a) e apresente suas con Aneta oa a Rk | 1 69 815° 732 808 815782126 2 @8 685 soe MS BO MA IST 3 3 284 HOS BLOG 4 169 1869S Se TS 5 96 86 88 96 710 97 BS 6 65 8 MA m6 TA 59 213 7 Bl 67 87 BT 4 M9 TD 3 m9 6 Bs 2 RI TA 4s 9 0 Tm 619 18 49 110 Bsa 717 67 D0 u 602 685 me Ba 28 BR 2 MS 60 154 0 B 0 783 TA BL m6 4 20 20 75 761 733 199 8 37 BL 8229532 5-14. Reconsidere os dados apresentados no Exercicio 5-13. (a). Refagaas parts (a) (b) do Exercicio 5-13 usando rdf Fes. (8) O gefico S detectao deslocamento na variabilidade dof ‘cesso mais rapidamente que ogréfico Rna pare (b) do Exe cicio 5-13? 5-15 Considere os grificos ¥ e Rconstrutdos no Exercicio 5-1 usa o. 3 516