Introdução ao Controle Estatístico de Processos

1 - Introduo
A seguir apresentamos alguns conceitos e definies importantes para o melhor entendimento do contedo desse mdulo. Processo: a combinao de mquinas, mtodos, material e mo-de-obra envolvidos na produo de um determinado produto ou servio. Controle: o conjunto de decises que tem por objetivo a satisfao de determinados padres ou especificaes por parte dos produtos focados no cliente. O CEP estabelece:
1. 2.
Informao permanente sobre o comportamento do processo; Utilizao da informao para detectar e caracterizar as causas que geram instabilidade no processo; Indicao de aes para corrigir e prevenir as causas de instabilidade; Informaes para melhoria contnua do processo.
3. 4.
Sistema de controle do processo

Quatro elementos destes sistemas so importantes para as discusses a seguir. 1. O Processo Entendemos como processo a combinao de fornecedores, produtores, pessoas, equipamentos, materiais de entrada, mtodos e meio ambiente que trabalham juntos para produzir o resultado (produto), e os clientes correspondem aos elementos que utilizam o resultado (ver Figura 1.1).
Figura 1.1: Sistema de controle do processo.
2. Informaes sobre o desempenho Muita informao sobre o real desempenho do processo pode ser aprendida atravs de estudo do resultado (sada) do processo. A informao mais til sobre o desempenho de um processo vem, entretanto, da compreenso do processo em si, e de sua variabilidade interna. Caractersticas do processo (como temperaturas, tempo de ciclos, taxas de alimentao, taxas de absentesmo, rotatividade de pessoas, atrasos, ou nmero de interrupes) deveriam ser o alvo supremo de nossos reforos. 3. Aes sobre o processo Uma ao sobre o processo geralmente mais econmica quando realizada para prevenir que as caractersticas importantes (do processo ou do produto) variem muito em relao aos seus valores-alvo. Tal ao pode consistir em:
o o
Mudanas nas operaes Treinamento para os operadores; Mudanas nos materiais que entram; Mudanas nos elementos mais bsicos do processo
o o o
Equipamento; A comunicao entre as pessoas; O projeto do processo como um todo - que pode estar vulnervel mudanas de temperatura ou umidade. Os efeitos das aes deveriam ser monitorados, para que uma anlise e ao posterior pudesse ser tomada, se necessria. 4. Aes sobre o resultado Uma ao sobre o resultado freqentemente menos econmica quando se restringe a deteco e correo do produto fora da especificao, no indicando o fato gerador do problema no processo. Infelizmente, se o resultado atual no atinge consistentemente os requisitos exigidos pelo cliente, pode ser necessrio classificar todos os produtos e refugar ou retrabalhar quaisquer itens no-conformes. Esta atitude deve ser mantida at que a ao corretiva necessria sobre o processo tenha sido tomada e verificada, ou at que as especificaes do produto tenham sido alteradas.
Definies
Variabilidade: o conjunto de diferenas nas variveis (dimetros, pesos, densidades, etc.) ou atributos (cor, defeitos, etc.) presentes universalmente nos produtos e servios resultantes de qualquer atividade. Podemos classificlas em comuns ou aleatrias e especiais ou assinalveis. Tabela 1.1: Definies de causas comuns e especiais. Comuns Especiais
Efeito acumulativo de causas no Falhas ocasionais que ocorrem durante o processo, com grande influncia Definio controlveis, com pouca influncia individualmente. individualmente Vibraes,temperatura, umidade, falhas na sistemtica do processo, Exemplos dentre outras. Variaes na matria-prima, erros de operao, impreciso no ajuste da mquina, desgastes de ferramentas, dentre outras.
Variabilidade do processo: Um processo est sob controle estatstico (estvel) quando no existem causas especiais. O fato de um processo estar sob controle estatstico no implica que o mesmo est produzindo dentro de
um nvel de qualidade aceitvel. O nvel de qualidade de um processo estudado via uma tcnica denominada anlise de capacidade/performance. O objetivo desenvolver uma estratgia de controle para o processo que nos permite separar eventos relacionados causas especiais de eventos relacionados causas comuns (falhas na sistemtica do processo). Desta forma, para um dado processo, um grfico de controle pode indicar a ocorrncia de causas especiais de variao.
Figura 1.2: Processo previsvel.
Figura 1.3: Processo no previsvel.
Aes locais e aes gerenciais sobre o sistema

H uma importante relao entre os dois tipos de variao que acabamos de discutir e os tipos de aes necessrias para reduz-las, sendo: Causa especial: requer uma ao local. Causa comum: geralmente requer um ao sobre o sistema ou ao gerencial. Pode ser errado, por exemplo, tomar uma ao local (ex. ajuste de uma mquina) quando uma ao gerencial sobre o sistema necessria (ex. seleo de fornecedores que entreguem materiais de entrada compatveis ao sistema). Entretanto, o trabalho em conjunto entre gerncia e aquelas pessoas ligadas diretamente operao essencial para uma reduo significativa das causas comuns de variao do processo.
O ciclo de melhoria e o controle do processo
Figura 1.4: O ciclo de melhoria e o controle do processo.
1. Analisar o processo Dentre as perguntas a serem respondidas a fim de alcanar um melhor conhecimento do processo, esto:
o o o o o o o
O que o processo deveria estar fazendo? O que est sendo esperado de cada estgio do processo? Quais so as definies operacionais das sadas em potencial? O que pode estar errado? O que pode variar neste processo? O que j sabemos a respeito da variabilidade deste processo? Que parmetros so mais sensveis variao? O que o processo est fazendo? Este processo est gerando refugo ou resultados que requeiram retrabalhos? Este processo produz um resultado que esteja num estado de controle estatstico?
o o
O processo capaz? O processo confivel? Muitas tcnicas discutidas de desenvolvimento de processos podem ser aplicadas para garantir um melhor entendimento do processo. Estas atividades incluem:
Reunies em grupo Consulta a pessoas que desenvolveram e operam o processo Reviso da histria do processo Construo de uma planilha de FMEA As cartas de controle desenvolvidas neste mdulo so ferramentas poderosas que devem ser usadas durante todos os ciclos de melhoria do processo. Esses mtodos estatsticos simples ajudam a distinguir as causas comuns e as causas especiais de variao do processo. Quando um estado de controle do processo alcanado o nvel atual da capacidade do processo pode ser avaliado. 2. Manter o controle do processo Uma vez adquirida uma compreenso melhor do processo, devemos mant-lo dentro de um nvel apropriado de capacidade. Processos so dinmicos e podem mudar, logo o desempenho do processo deve ser monitorado, para que medidas eficazes de preveno contra mudanas indesejveis possam ser executadas. A mudana desejvel deve tambm ser entendida e institucionalizada. Quando sinalizado que uma mudana no processo ocorreu, medidas rpidas e eficientes devem ser tomadas para isolar as causas e agir sobre elas. 3. Aperfeior o processo A melhoria do processo atravs da reduo de variao, especificamente envolve a introduo (proposital) de mudanas dentro do processo, e a avaliao dos efeitos causados. O objetivo uma melhor compreenso do processo, para que as causas comuns de variao possam ser reduzidas posteriormente. A inteno desta reduo a melhoria da qualidade ao menor custo. Assim que novos parmetros do processo tenham sido determinados, o ciclo volta ao estgio de Analisar o Processo. Uma vez que alteraes foram introduzidas, a estabilidade do processo precisa ser reconfirmada. O processo continua ento a se mover em torno do Ciclo de melhoria do processo
2 - Grficos ou Cartas de Controle
Carta de controle um tipo de grfico utilizado para o acompanhamento de um processo. Este grfico determina estatisticamente uma faixa denominada limites de controle, que limitada pela linha superior (limite superior de controle) e uma linha inferior (limite inferior de controle), alm de uma linha mdia. O objetivo verificar, por meio do grfico, se o processo est sob controle, isto , isento de causas especiais.
Grficos de Controle
Para distinguir as variaes do processo que anteriormente chamamos de comuns e especiais, e detectar as especiais, foi desenvolvida uma ferramenta que, desde ento, denominamos Cartas ou Grficos de Controle. As funes destes grficos so:
1.
Mostrar evidncias de que um processo esteja operando em estado de controle estatstico e dar sinais de presena de causas especiais de variao para que medidas corretivas apropriadas sejam aplicadas.
2.
Manter o estado de controle estatstico estendendo a funo dos limites de controle como base de decises. Apresentar informaes para que sejam tomadas aes gerenciais de melhoria dos processos.
3.
Formas de aplicao
A forma mais usual dos grficos de controle envolve registros cronolgicos regulares (dia-a-dia, hora-a-hora, etc) de uma ou mais caractersticas (por exemplo, mdia, amplitude, proporo, etc) calculadas em amostras obtidas de medies em fases apropriadas do processo. Estes valores so dispostos, pela sua ordem, em um grfico que possui uma linha central e dois limites, denominados limites de controle (ver Figura 2.1). Os grficos de controle fornecem assim uma regra de deciso muito simples: pontos dispostos fora dos limites de controle indicam que o processo est fora de controle. Se todos os pontos dispostos esto dentro dos limites e dispostos de forma aleatria, consideramos que no existem evidncias de que o processo esteja fora de controle".
Podemos observar no primeiro grfico que os dados esto dispostos entre os limites do intervalo, exceto uma observao. Observe tambm que h indcios de falta de aleatoriedade no grfico (os ltimos 8 pontos esto abaixo da linha central), entretanto, o grfico da Amplitude apresenta um comportamento supostamente aleatrio.
Figura 2.1: Modelo de grficos de controle.
Benefcios dos grficos de controle

Os grficos de controle, ao distinguir as causas comuns das causas especiais de variao e indicar se o problema local ou merece ateno gerencial, evita frustraes e o custo de erros no direcionamento da soluo de problemas. Ao melhorar o processo os grficos de controle produzem:
1.
Um aumento na porcentagem de produtos capazes de satisfazer aos requisitos do cliente. Uma diminuio do retrabalho e sucata, diminuindo, conseqentemente, os custos de fabricao. Aumenta a probabilidade geral de produtos aceitveis. Informaes para melhoria do processo.
2.
3. 4.
Para que possamos atingir os benefcios da aplicao do CEP, a organizao precisa se preparar:
Filosofia da gerncia As decises da gerncia da empresa podem afetar diretamente os programas de CEP em:
1. 2.
Focar a organizao da empresa na diminuio da variao; Estabelecer um ambiente aberto que minimize as competies internas e de suporte para o trabalho em equipe; Dar suporte e favorecer os treinamentos necessrios; Aplicar o CEP para promover um melhor entendimento das variaes da engenharia de processo; Aplicar o CEP para gerenciar os dados e usar a informao obtida nas decises do dia a dia.
3. 4.
5.
Filosofia da engenharia Como a engenharia usa a informao para poder planejar o desenvolvimento que podem e iro ter influncia no nvel de variao do produto final, apresentamos algumas maneiras de como a engenharia pode mostrar o uso efetivo do CEP:
1.
Focar a organizao na reduo da variao atravs do planejamento do processo, ou seja, nmero de mudanas no design, planejamento da manufatura e montagem;
2.
Estabelecer um ambiente aberto que minimize a competio interna e prevalea o trabalho em equipe; Dar suporte para que os funcionrios envolvidos no processo faam treinamentos adequados; Aplicar o CEP para promover um melhor entendimento das variaes da engenharia de processo; Exigir um melhor entendimento da variao e estabilidade em relao aos dados que so usados no desenvolvimento do projeto; Favorecer as mudanas na engenharia do produto que foram fruto das anlises do CEP que podem ajudar na diminuio da variao.
3.
4.
5.
6.
Manufatura
Como a manufatura desenvolve e opera mquinas e os sistemas de transferncia que podem impactar o nvel e o tipo de variao no produto final.
1.
Focar a organizao da manufatura na reduo da variao, isto , controlar o nmero de diferentes processos, o impacto dos processos multi ferramentais, ferramentas e mquinas de manuteno, etc;
2.
Estabelecer um ambiente de engenharia aberto que possa minimizar a competio interna e dar suporte para o trabalho de equipe; Incentivar, manter e treinar os funcionrios no uso do CEP; Aplicar o CEP para entender a variao e estabilidade dos dados que sero usados no desenvolvimento do processo; Usar as anlises do CEP para promover melhorias no processo; No passar a responsabilidade pelas cartas de controle para os operadores at que o processo esteja sob controle. A transferncia de responsabilidade do processo s deve ocorrer quando o processo estiver sob controle.
3. 4.
5. 6.
Controle da qualidade O controle da qualidade um componente crtico que prov suporte para as melhorias sugeridas pelo uso do CEP.
1. 2. 3. 4.
Dar suporte ao treinamento para manuteno do CEP; Focar as pessoas na aplicao do CEP; Ajudar na identificao das causas de variao do processo; Assegurar que o uso correto das informaes provenientes do programa de CEP estejam sendo corretamente utilizadas.
Produo As pessoas envolvidas na produo esto diretamente relacionadas ao processo e a efetividade da variao do processo. Elas devem:
1.
Estar treinadas na aplicao do programa de CEP para resolver problemas; Ter entendimento da variao e estabilidade em relao aos dados e as informaes que estaro sendo usadas no programa de CEP; Estar alertas! A comunicao entre a equipe importante quando a situao muda;
2.
3.
4.
Atualizar, manter e disponibilizar as cartas de controle com a equipe responsvel; Aprender com as informaes coletadas do processo.
5.
A seguir, apresentamos os grfico mais simples e utilizados nas organizaes.
Tipos de grficos de controle

Existem dois tipos bsicos de grficos de Controle:
o o o o o o o o
Grficos por variveis: Grficos Grficos Grficos e R (mdia e amplitude) e S (mdia e desvio padro) e R (mediana e desvio padro)
Grficos para Valores Individuais (X) e Amplitude Mvel (MR) Grficos por atributos: Grfico p (propores no conforme) Grfico np (unidades no conforme) Grfico c (nmero de no conformidade por unidade) Grfico u (taxa de no conformidade por unidade)
3 - Fase Preparatria e Elaborao dos Grficos
Seja qual for o tipo do grfico que se vai utilizar, necessrio que executem uma srie de etapas preparatrias para a sua aplicao:
1. 2. 3.
Conscientizao e treinamento das pessoas envolvidas no processo. Correta definio do processo (mapeamento do processo). Anlise para escolha das caractersticas de qualidade mais significativas, com foco no cliente. A aplicao do grfico de Pareto pode ter grande utilidade nessa etapa.
4.
Definio e anlise do sistema de medio (unidades, instrumentos, grau de preciso das medidas, mtodo para efetuar as medidas, etc). Escolha da fase do processo onde sero efetuados os registros, a fim de obter informaes que permitam, no caso em que causas especiais sejam detectadas, sua imediata e efetiva correo para evitar os itens defeituosos.
5.
Uma vez efetuada a fase preparatria, a elaborao dos grficos deve obedecer os seguintes passos:
1. 2. 3. 4.
Escolha do tipo de grfico; Coleta de dados; Indicao do estado do processo e sua performance; Determinao da capacidade do processo, depois de se ter atingido o estado de controle; Aes para melhoria do processo.
5.
Os tpicos seguintes descrevem cada um dos itens acima.
Escolha do tipo do grfico Em princpio, o tipo grfico a ser selecionado depende da caracterstica da qualidade a ser controlada. Sendo esta uma caracterstica contnua (peso, dimenso, concentrao, etc) os grficos para valores individuais ou os e (ou e ) podero ser utilizados. Muitas vezes instrumentos passa/no passa so utilizados, o que produz uma discretizao das caractersticas contnuas, permitindo assim a utilizao de grficos p (ou np).
Coleta de dados - subgrupos racionais Para proceder a coleta de dados necessrio escolher o tamanho de cada amostra e a freqncia de amostragem, tambm denominada subgrupo racional, assim como a quantidade de subgrupos racionais. Na amostragem fundamental escolher as amostras que representem subgrupos de itens que sejam os mais homogneos possveis, visando exaltar diferenas entre grupos. " muito importante na aplicao dos grficos de controle escolher de forma cuidadosa os subgrupos racionais." Algumas consideraes a respeito do tamanho dos subgrupos para os grficos e ou e so:
1.
Os subgrupos devem ter o menor tamanho possvel de forma que as suas mdias no mascarem as mudanas. Subgrupos de tamanho 4 ou 5 detectam mudanas no processo mais rapidamente que subgrupos maiores. Subgrupos de 4 ou 5 tens so timos (ou quase) se as causas especiais produzem mudanas de 2 (2 sigma) ou mais no nvel geral do processo. Caso as mudanas sejam pequenas (1 ou menos) ser necessrio, para detect-las, escolher subgrupos maiores (de 15 ou 20
2.
3.
itens). Aplicao de ferramentas como CUSUM propiciam uma anlise de pequenas variaes. Muitas vezes, para que possamos determinar adequadamente os subgrupos racionais, podemos utilizar o diagrama de causa e efeito ou mesmo o FMEA de processo.
Escolha dos limites de controle A escolha dos limites de controle uma deciso a ser tomada com base, essencialmente, em critrios econmicos. O uso dos limites 3 (3 sigma) est bastante generalizado, mas existem situaes onde necessrio aplicar outros critrios.
Clculo da linha central e dos limites de controle O clculo dos limites de controle e da linha central ser considerado caso a caso, para cada tipo de grfico e suas possveis variantes.
Indicao do estado do processo Quando os dados so registrados e comparados com os limites de controle, pontos fora (dentro) destes limites indicaro que o processo est "fora de controle" ("sob controle") estatstico. Depois que aes (geralmente locais) foram tomadas, mais observaes so coletadas e, se necessrio, os limites so recalculados para estudar a presena de outras eventuais causas especiais de variao.
Determinao da capacidade do processo Os limites de controle no so limites de especificao, mas refletem a variabilidade natural do processo, funcionando somente como indicadores de causas especiais de variao. Depois que as causas especiais so eliminadas a capacidade do processo poder ser avaliada. Na Figura 3.1 exemplificamos os limites de controle e a linha central para o grfico .
Figura 3.1: Limites de controle e linha central para o grfico

3.1 - Planejamento para implantao do CEP
Inicialmente defendemos que o CEP somente tem chances de ser implantado adequadamente em um ambiente onde as barreiras e os paradigmas sejam facilmente quebrados, onde haja compromisso gerencial efetivo, a importncia dos clientes reconhecida e outros aspectos fundamentais a implantao de uma metodologia de trabalho sejam tambm relevados. De forma geral, as etapas propostas so:
Etapa 1: Obter compromisso da alta administrao
Obter o compromisso efetivo da alta administrao; Formar um comit de gerentes responsvel pelo programa. Responsvel: Produo, Engenharia de Produto, Engenharia de Processo, Qualidade. Ferramentas: Apresentao de consultores externos e seminrios gerenciais. Etapa 2: Formular uma poltica (diretrizes)
Indicar um facilitador e uma equipe de melhoria; O comit em conjunto com o facilitador deve estabelecer um plano geral que contemple as principais diretrizes do programa de CEP:
1. objetivos 2. as 3. a
gerais;
responsabilidades gerenciais; recursos necessrios para execuo do programa;
estratgia de treinamento;
4. os
5. as
necessidades financeiras;
6. cronograma.
Responsvel: Comit Ferramentas: Reunies de trabalho. Etapa 3: Estabelecer responsabilidades do facilitador e da equipe de melhoria
A principal funo do facilitador estabelecer, desenvolver e monitorar o programa de CEP; Dependendo do tamanho da organizao talvez seja necessrio indicar mais do que um facilitador. Uma das principais responsabilidades do facilitador de ser o treinador, de fornecer suporte s reas que se propem a implantar o CEP. Principais caractersticas ou habilidades que o facilitador deve ter: boa comunicao, habilidades em anlises estatsticas prticas, adequado relacionamento com o cho-de-fbrica, ter a confiana de todos os nveis da organizao e ser um entusiasta do CEP.
A Equipe de Melhoria deve ser composta por representantes de 5 reas: engenharia, gerncia, produo, manufatura, e controle da qualidade. A principal responsabilidade da Equipe de Melhoria a de participar das reunies e sesses de brainstorming na busca e eliminao de causas especiais de variao. Responsvel: Comit Ferramentas: Reunies de trabalho. Etapa 4: Definir uma estratgia de treinamento
Algumas questes ajudam a definir a estratgia:

1. Quantas 2. Quais 3. Quem
pessoas necessitam ser treinadas?
os tipos diferentes de cursos que necessitam ser desenvolvidos? far o treinamento? pessoas sero treinadas?
4. Quantas 5. Os
treinamentos sero feitos fora ou dentro da empresa?
Responsvel: Comit e facilitador Ferramentas: Reunies de trabalho. Etapa 5: Treinar gerentes e supervisores
Aps definida a estratgia de treinamento importante realiz-los inicialmente com os gerentes e, em seguida com os supervisores. importante que o treinamento seja complementado com uma atividade prtica. Responsvel: Comit Ferramentas: Apresentao de consultores externos e seminrios gerenciais. Etapa 6: Informar os operadores
Declarar aos operadores que o CEP ser implantado. importante lembrar que esta atividade de comunicao ainda no envolve treinamento. Responsvel: Diretor, gerente geral. Ferramentas: Tcnicas de apresentao, vdeos. Etapa 7: Envolver fornecedores
Muito provavelmente as melhorias a serem obtidas com a implantao do CEP dependem da participao dos fornecedores. A melhoria dos processos pode, algumas vezes, depender diretamente da melhoria da qualidade da matria-prima. Responsvel: Comit Ferramentas: Seminrios gerenciais, treinamento etc. Etapa 8: Escolha das caractersticas da qualidade para a aplicao do CEP.
Para fazer a escolha das caractersticas de qualidade que sero avaliadas pelo CEP, sugerimos os seguintes pontos:
1. Anlise
das necessidades do cliente e desenhos fornecidos pelo cliente aplicadas (Legislaes) de testes
2. Especificaes 3. Regulaes 4. FMEAs 5. Resultados 6. Lies
aprendidas do passado
Na utilizao de FMEAs sugerimos o seguinte critrio: D-FMEA detecta caractersticas de qualidade potenciais a serem avaliadas quando:
1. 2.
S = 10 ou 9
(S = Severidade)
S = 8 e se Ocorrncia estritamente maior do que 1
P-FMEA transforma caractersticas de qualidade potenciais em caractersticas confirmadas quando:

1. 2.
S = 10 ou 9 S = 8 e se Ocorrncia estritamente maior do que 4
Aplicar MSA s caractersticas escolhidas. Responsvel: Gerentes, tcnicos e facilitador. Ferramentas: FMEA, MSA, Grfico de Pareto. Etapa 9: Coletar dados ( FASE 1 do Modelo de Melhoria)

Escolher o tipo de grfico a ser aplicado Definir o subgrupo racional Coletar os dados: envolver diferentes lotes de produo Elaborar os primeiros grficos: avaliar a estabilidade Avaliar a capacidade/performance do processo Sugesto de regras para a administrao do CEP:
1. Criar
lista de caractersticas que esto sendo monitoradas com o CEP o CEP das caractersticas que tiverem Pp 2 e Ppk 1,5. frequncia de amostragem para as caractersticas que tiverem
2. Eliminar 3. Diminuir
Pp 1,5 e Ppk 1,33.

4. Manter
(e at aumentar) frequncia de amostragem para
caractersticas que no tiverem boa performance.
Responder as perguntas:
1. Pergunta 2. Pergunta
1: O sistema estvel? (sim ou no) 2: O sistema capaz? (sim ou no)
As possveis combinaes so: estvel? sim sim no capaz? sim no sim Etapa 12 11 12
no
no
10
Verificar as combinaes e seguir a etapa (tomar um caminho). Responsvel: Facilitador, Tcnicos e Equipe de Melhoria. Ferramentas: Grficos de controle, Cp, Cpk, Pp, Ppk. Etapa 10: Deteco das causas especiais e aes sobre o processo.
Retirar os pontos fora de controle da fase de coleta de dados e recalcular os limites de controle; Elaborar a carta de CEP com os limites fixados; Definir quais os sinais de falta de controle; Definir o responsvel pela carta de CEP em cada turno de produo; Definir o dirio de bordo apropriado do processo em anlise; Treinar os envolvidos na melhoria do processo; Reiniciar a coleta de dados; Estabilizar o processo com aes de melhoria; Avaliar a capacidade do processo. Vai para a Etapa 9. Responsvel: Manufatura, Facilitador, Tcnicos e Equipe de Melhoria. Ferramentas: Grficos de controle, Cp, Cpk, Pp, Ppk. Etapa 11: Melhoria de Processo
Manter o CEP para monitorar o processo; Aplicao de tcnicas dos Seis Sigmas para melhoria de processo:
1. Identificao 2. Reduo
das causas comuns de variao;
de causas comuns de variao; de DOE.
3. Aplicao
Vai para a Etapa 9. Responsvel: Manufatura, Facilitador, Tcnicos e Equipe de Melhoria. Ferramentas: Grficos de controle, Cp, Cpk, Pp, Ppk. Etapa 12: Monitoramento do Processo
Elaborar o grfico do farol Avaliar a capacidade do processo. V para a Etapa 9.
Responsvel: Manufatura, Facilitador, Tcnicos e Equipe de Melhoria. Ferramentas: Grficos de controle, Cp, Cpk, Pp, Ppk.
4 - Grficos de Controle por Variveis
Muitas caractersticas da qualidade podem ser expressas em termos de valores numricos. Por exemplo, o dimetro de um anel pode ser medido com um micrmetro e expresso em termos de milmetros. As caractersticas da qualidade mensurveis tais como peso, dimenso ou volume so denominadas variveis. Quando analisamos uma caracterstica da qualidade que uma varivel, em geral, controlamos o valor mdio da caracterstica da qualidade e sua variabilidade. O valor mdio controlado atravs do grfico da mdia denominado grfico . Enquanto que a variabilidade do processo pode ser acompanhada atravs do grfico do desvio padro denominado grfico ou o grfico da amplitude denominado grfico .
4.1 - Grficos Mdia e Amplitude
Quando lidamos com uma caracterstica da qualidade que uma varivel, necessitamos monitorar tanto a mdia da caracterstica da qualidade quanto a sua variabilidade. Para isto, supomos que a caracterstica da qualidade tem distribuio de probabilidade com mdia e desvio padro . Assim, para uma amostra aleatria X1, X2, ... , Xn de tamanho n, temos que a mdia amostral dada por:
Com isso, aplicando o Teorema Central do Limite para esta amostra aleatria, quando o tamanho da amostra aumenta, a distribuio amostral da mdia se aproxima de uma distribuio Normal com mdia e desvio padro , ou seja, se o tamanho amostral suficientemente grande, podemos assumir que a mdia amostral tem uma distribuio Consequentemente, o intervalo de confiana da mdia dado por: Normal.
Na prtica, geralmente no conhecemos e , co ntudo, estes parmetros so estimadas partir de amostras preliminares tomadas em subgrupos de pelo
menos 20 a 25 amostras. Suponhamos que temos disponvel m amostras, com cada uma contendo n observaes sobre a caracterstica da qualidade. Nas aplicaes, o nmero de observaes n pequeno e geralmente resultam partir da construo de subgrupos racionais, em que os custos de amostragem e de inspeco associadas com as medies das variveis so altas. Para o grfico da mdia , tomamos as mdias de cada amostra, temos que o melhor estimador de para o processo da mdia dada por:
que a linha central do grfico Agora, necessitamos da estimativa do desvio padro, para isto, vamos estimar nesta seo pela amplitude Assim, para uma amostra aleatria X1, X2, ... , Xn de tamanho n, temos que a amplitude dada por: Agora, seja as amplitudes das m amostras, ento a linha central (LC) ou a mdia das amplitudes dada por:
A seguir, vamos apresentar os principais tpicos para a construo do grfico e
Os
grficos
(mdia
amplitude)
devem
ser
implementados
simultaneamente, pois as funes se complementam.
Objetivo: controlar a variabilidade do processo e detectar qualquer mudana que acontea. Um processo pode sair de controle por alteraes no seu nvel ou na sua disperso. As mudanas no nvel (mdia) e disperso (variabilidade) do processo podem ser consequncias de causas especiais, gerando defeitos.
Clculo dos limites de controle
Para o desenvolvimento dos limites de controle, primeiramente vamos definir a varivel aleatria chamada Amplitude Relativa. A principal propriedade de que sua mdia a constante que depende do tamanho da amostra. Com isso, o estimador no viciado do desvio padro da
distribuio Normal dada por
consequentemente para
temos que o
estimador para o desvio padro dada por:
Agora, temos as ferramentas necessrias para a construo dos limites de controle para o grfico e Logo, usando a equao (4.1.1) e usando obtemos os limites de controle para o grfico da seguinte forma
Assumindo que a caracterstica de qualidade normalmente distribuda, calculada partir da distribuio Amplitude Relativa . Assim, o desvio padro de dado por (para mais detalhes consulte o livro de Montgomery, D.C. (2001)), uma constante que depende do tamanho da amostra . Logo, para o desvio padro de dada por:
Portanto, os limites de controle para o grfico
so dadas por:
Resumindo temos que,
Para as mdias: Limite Superior de Controle:
Linha Central:
Limite Inferior de Controle:
Para as amplitudes: Limite Superior de controle:
Linha Central: Limite Inferior de Controle:
Disposio dos pontos nos grficos
Tendo calculado as Linhas Centrais e os Limites Inferiores e Superiores de Controle para os grficos e , estamos em condies de dispor os pontos que representam as mdias amostrais (no grfico ) e as amplitudes amostrais (no grfico ), respectivamente. Para facilitar a anlise dos resultados tambm recomendvel colocar os grficos um abaixo do outro e marcar os pontos correspondentes a uma mesma amostra na mesma reta vertical.
Fase I: Aplicao dos grficos
Na Fase I, quando amostras preliminares so usadas para construir os grficos e de costume tratar os limites de controle obtidos como limites de controle teste. Eles permitem determinar se o processo estava sob controle quando as m amostras preliminares foram selecionadas. Para determinar se o processo estava sob controle quando amostras preliminares foram coletadas podemos plotar os valores de e de cada amostra nos grficos e analisar o resultado obtido. Se todos os pontos plotados esto dentro dos limites e nenhum comportamento sistemtico evidenciado, ento concluimos que o processo estava sob controle no passado e os limites de controle teste so adequados para controlar a produo atual ou futura. altamente desejvel ter de 20 a 25 amostras ou subgrupos de tamanho n (tipicamente n est entre
3 e 5) para calcular os limites de controle teste. Podemos, claro, trabalhar com menos dados, porm os limites de controle no so to confiveis. Suponha que um ou mais valores de ou de estejam fora de controle quando comparados com os limites de controle teste. Claramente, se os limites de controle para a produo atual ou futura so significativos eles devem ser baseados em dados de um processo que est sob controle. Entretanto, quando a hiptese de controle passada rejeitada necessrio revisar os limites de controle teste. Isso feito examinando cada um dos pontos fora de controle, procurando por uma causa assinalvel. Se uma causa assinalvel encontrada, o ponto descartado e os limites de controle teste so recalculados usando somente os pontos remanescentes. Ento, esses pontos remanescentes so reexaminados para controle. (Note que os pontos que estavam sob controle inicialmente podem agora estar fora de controle, pois os limites de controle teste so geralmente mais severos do que os antigos.) Esse processo continua at que todos os pontos estejam sob controle, pontos para os quais os limites de controle teste so adotados para uso atual. Em alguns casos, pode no ser possvel encontrar uma causa assinalvel para um ponto que caia fora de controle. Dessa forma, h dois caminhos a tomar. O primeiro deles eliminar o ponto caso uma causa assinalvel tenha sido encontrada. No h nenhuma justificativa analtica para escolher essa ao, a no ser a de que os pontos que estejam fora dos limites de controle foram extrados da distribuio de probabilidade de uma caracterstica de um estado fora de controle. A alternativa ento manter o ponto (ou pontos) considerando os limites de controle teste como apropriados para o controle atual. claro, se o ponto realmente no representa uma condio de fora de controle, os limites de controle resultantes sero muito largos. No entanto, se existe um ou dois desses pontos isso no distorcer o grfico de controle significamente. Se amostras futuras ainda indicarem controle ento os pontos inexplicados podem provavelmente ser retirados seguramente. Ocasionalmente, os valores amostrais iniciais de e so plotados contra os limites de controle teste e muitos pontos cairo fora de controle. Claramente, se retirarmos arbitrariamente pontos fora de controle teremos uma situao insatisfatria, com poucos dados remanescentes para recalcular limites de controle confiveis. Suspeitamos que esse tipo de abordagem ignoraria muita informao til nos dados. Porm, procurar por uma causa assinalvel para cada ponto fora de controle improvvel obter sucesso. Achamos que quando
muitas amostras iniciais caem fora de controle contra os limites teste, melhor concentrar sobre um padro formado por esses pontos. Tais padres quase sempre existiro. Geralmente, a causa assinalvel associada com o padro de pontos fora de controle fcil de identificar. A remoo desse problema geralmente resulta em uma melhoria no processo (principal). Reviso dos Limites de Controle e Linhas Centrais O uso eficaz de um grfico de controle requer reviso peridica dos limites de controle e das linhas centrais. Alguns prticos estabelecem perodos regulares para rever e fazer revises dos limites dos grficos de controle tais como toda semana, todo ms ou a cada 25, 50 ou 100 amostras. Ao revisar limites de controle devemos lembrar que altamente desejvel usar pelo menos 25 amostras ou subgrupos (algumas autoridades recomendam de 200 a 300 observaes individuais) no clculo dos limites de controle. Algumas vezes o usurio substitui a linha central do grfico pelo valor alvo, digamos . Se o grfico exibe controle pode ser til deslocar a mdia do processo para o valor desejado, particularmente em processos onde a mdia pode ser mudada por um simples ajuste de uma varivel manipulvel do processo. Se a mdia no facilmente influenciada por um simples ajuste do processo, ento provvel ser uma funo desconhecida e complexa de vrias variveis do processo e um valor alvo pode no ser til, assim como o uso daquele valor poderia resultar em muitos pontos fora dos limites de controle. Nesses casos, no saberamos necessariamente se o ponto estava realmente associado uma causa assinalvel ou se foi plotado fora dos limites por causa de uma m escolha para a linha central. Quando o grfico est fora de controle, eliminamos os pontos fora de controle e recalculamos um valor revisado de . Esse valor ento usado para determinar novos limites e linha central do grfico e novos limites no grfico . Temos assim limites mais severos (apertados) em ambos os grficos, tornando-os consistentes (com um desvio padro consistente) com o uso do revisado na relao . Essa estimativa de poderia ser usada como base das anlises preliminares da capacidade do processo. Exemplo 4.1.1: Para aplicao dos grficos e consideremos dados correspondentes ao comprimento de peas em subgrupos de tamanho 5. Tabela 4.1.1: Dados amostrais de comprimentos de peas.
X1 0,65 0,75 0,75 0,6 0,7 0,6 0,75 0,6 0,65 0,6 0,8 0,85 0,7 0,65 0,9 0,75 0,75 0,75 0,65 0,6 0,5 0,6 0,8 0,65 0,65
X2 0,7 0,85 0,8 0,7 0,75 0,75 0,8 0,7 0,8 0,7 0,75 0,75 0,7 0,7 0,8 0,8 0,7 0,7 0,65 0,6 0,55 0,8 0,65 0,6 0,7
X3 0,65 0,75 0,8 0,7 0,65 0,75 0,65 0,8 0,85 0,6 0,7 0,85 0,75 0,85 0,8 0,75 0,85 0,6 0,85 0,65 0,65 0,65 0,75 0,6 0,7
X4 0,65 0,85 0,7 0,75 0,85 0,85 0,75 0,75 0,85 0,8 0,8 0,65 0,75 0,75 0,75 0,8 0,7 0,7 0,65 0,6 0,8 0,65 0,65 0,6 0,6
X5 0,85 0,65 0,75 0,65 0,8 0,7 0,7 0,75 0,75 0,65 0,7 0,7 0,7 0,6 0,85 0,65 0,8 0,6 0,7 0,65 0,8 0,75 0,65 0,7 0,65 0,7 0,77 0,76 0,68 0,75 0,73 0,73 0,72 0,78 0,67 0,75 0,76 0,72 0,71 0,82 0,75 0,76 0,67 0,7 0,62 0,66 0,69 0,7 0,63 0,66
R 0,2 0,2 0,1 0,15 0,2 0,25 0,15 0,2 0,2 0,2 0,1 0,2 0,05 0,25 0,15 0,15 0,15 0,15 0,2 0,05 0,3 0,2 0,15 0,1 0,1
clique aqui para efetuar o download dos dados utilizados nesse exemplo
Etapas para a coleta das amostras e anlise dos dados:

1.
Seleo da caracterstica de qualidade do processo, focada no cliente.
2.
Registro das observaes obtidas seguindo os critrios de amostragem racional. No exemplo foram escolhidos 5 itens por hora, durante m = 25 horas.
3.
Clculo da mdia amostral 1, 2, , m. Os valores de coluna.
e da amplitude amostral e de
, para cada i =
acompanham os valores em cada
4.
Clculo da mdia das mdias amostrais e da mdia das amplitudes amostrais, os quais so indicados, respectivamente, por e .
Para os dados do nosso exemplo temos:

m = Nmero de amostras = 25 n = Tamanho das amostras = 5
Vamos agora calcular os limites de controle. No Apndice se encontram os valores tabelados das constantes necessrias para o clculo, assim para n = 5 temos, A2 = 0,577; D3 = 0 e D4 = 2,114. Aplicando as frmulas, obtemos:
Para a mdia:
Para a amplitude:
A seguir temos os resultados obtidos pelo Software Action para esse exemplo.
Figura 4.1.1: Grficos
O grfico das amplitudes ( ) se encontra sob controle estatstico. No entanto, o grfico apresenta um ponto a mais de 3 desvios padro da linha central, indicando uma possvel causa especial de variao. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
Fase II: Operao dos grficos
Uma vez que limites de controle confiveis so estabelecidos, usamos o grfico de controle para monitorar a produo futura. Esta a chamada Fase II do uso do grfico de controle. Observando a Figura 4.1.1 notamos que os grficos de controle indicam que o processo est sob controle, at o valor da amostra 15 ser plotado. Uma vez que esse ponto cai acima do limite superior de controle, poderamos suspeitar que uma causa assinalvel tenha ocorrido naquele instante ou antes. O padro geral de pontos no grfico de cerca de 38 subgrupos subsequentes um indicativo de um deslocamento na mdia do processo. Uma vez que o grfico de controle estabelecido e est sendo usado no monitoramento online do processo, muitas vezes tentaramos usar as regras de sensibilidade (oito testes de no aleatoriedade ou as regras da Western Electric) para acelerar a deteco de mudanas. Entretanto, desencorajamos o uso rotineiro dessas regras de sensibilidade para o monitoramento online de um processo estvel porque elas fazem aumentar fortemente a ocorrncia de falsos alarmes. Ao examinarmos os dados de um grfico de controle algumas vezes til construir um grfico de corridas (run chart) das observaes individuais de cada amostra. Esse grfico algumas vezes chamado de tolerance chart ou tier diagram e pode revelar algum padro nos dados ou mesmo mostrar que um valor particular de ou foi produzido por uma ou duas observaes incomuns na amostra. Um boxplot geralmente uma maneira muito simples de construir o tier diagram.
Objetivos e interpretao dos grficos
A funo dos grficos a de identificar/detectar qualquer evidncia de que a mdia do processo e sua disperso no estejam operando a nveis estveis.
Se um ou mais pontos esto fora dos limites de controle (seja no grfico
ou
) ou outro padro de no aleatoriedade, existe um sinal de alerta (ou indicador) de que o processo no est sob controle estatstico. Um dos objetivos da aplicao dos grficos de controle testar se um processo, no conhecido, est sob controle estatstico ou no e, caso o processo seja diagnosticado "fora de controle", orientar as aes para levar o processo ao estado de controle. Para atingir tais objetivos se procede da seguinte maneira:
1.
Dispostos todos os pontos correspondentes s mdias amostrais e s amplitudes amostrais nos respectivos grficos e no existindo nenhum padro de no aleatoriedade, o processo considerado "sob controle".
2.
Se algum ponto fora dos limites de controle ou qualquer outro padro de no aleatoriedade encontrado, consideramos que causas especiais de variao esto presentes. Estas causas devero ser procuradas e corrigidas. Depois de corrigidas as causas que determinam o padro de no aleatoriedade, novos limites e novas linhas centrais so calculadas, eliminando para este clculo os elementos da amostra que determinam o padro de no aleatoriedade. Este processo dever ser repetido, interativamente, at que nenhum padro de no aleatoriedade seja encontrado. Neste momento consideramos que o processo atingiu o estado de controle. Com o processo em estado de controle podemos aplicar os grficos como instrumento para monitorar o processo e realizar melhorias contnuas.
Definindo Sinais "fora de controle"

A presena de um ou mais pontos alm dos limites de controle a primeira evidncia de uma causa especial de variao no processo. Um ponto fora dos limites de controle em muitos casos significa que um ou mais dos pontos seguintes ocorreram:
O limite de controle ou o ponto no grfico pode ter sido calculado errado ou plotado de maneira duvidosa; O sistema de medio foi alterado, isto , um avaliador diferente ou instrumento; O sistema de medio no discrimina de maneira apropriada.
Existem muitos critrios para identificar causas especiais. Os mais usados sero discutidos a seguir. A deciso de qual critrio usar depende do processo que est sendo estudado/controlado. Em geral, comeamos de forma simples, apenas avaliamos pontos fora das linhas de controle. Conforme ganhamos experincia sobre o processo podemos aumentar os critrios para determinar mais causas especiais de variao Nota 1: Com exceo feita ao primeiro critrio, os nmeros associados com os critrios no estabelecem uma ordem de uso. A determinao de qual critrio usar depende das caractersticas do processo e das causas especiais e prioridades com o processo. Nota 2: Devemos ter cuidado ao se aplicar muitos critrios, exceto naqueles em que fez sentido o uso de determinado critrio. Portanto, concluiremos que um processo est fora de controle se um ou mais dos critrios listados abaixo forem encontrados nos grficos de controle. Os critrios so:

1 ponto mais do que 3 desvios padro a partir da linha central; 7 pontos consecutivos no mesmo lado da linha central; 6 pontos consecutivos, todos aumentando ou diminuindo; 14 pontos consecutivos, alternando acima e abaixo; 2 de 3 pontos consecutivos maior que 2 desvios padro a partir da linha central (mesmo lado); 4 de 5 pontos consecutivos maior que 1 desvio padro a partir da linha central (mesmo lado); 15 pontos consecutivos dentro de 1 desvio padro da linha central (qualquer lado); 8 pontos consecutivos maior que 1 desvio padro a partir da linha central (qualquer lado). A seguir sero ilustrados alguns exemplos dos testes.
Figura 4.1.2: Exemplo de 1 ponto mais do que 3 desvios padro da linha central.
Figura 4.1.3: Exemplo de 7 pontos em sequncia a partir da linha central.
Figura 4.1.4: Exemplo de 14 pontos em sequncia alternando-se ao longo da linha central.
Figura 4.1.5: Exemplo de 2 de 3 pontos consecutivos, do mesmo lado da LC, maiores que 2 desvios padro.
Figura 4.1.6: Exemplo de 7 pontos, em linha, crescentes.
A Funo Caracterstica de Operao

A habilidade dos grficos e de detectar deslocamentos na qualidade do processo descrita por suas curvas caractersticas de operao (CCO). A seguir apresentamos as CCO para grficos usados para monitorar a fase II de um processo. Considere a CCO para um grfico com o desvio padro conhecido e
constante. Se a mdia desloca-se do valor sob controle, digamos para outro valor a probabilidade de no detectar esse deslocamento na primeira amostra subsequente ou risco dada por
Uma vez que
e os limites superior e inferior de controle so
podemos reescrever a equao 4.1.1 como
em que temos
denota a funo distribuio acumulada normal padro. Com isso,
Para ilustrar a equao 4.1.2 vamos supor um grfico com L = 3 (os limites usuais trs sigma) e tamanho de amostra n=5. Queremos determinar a probabilidade de detectar um deslocamento para na primeira amostra seguinte ao deslocamento. Ento, desde que L=3, k=2 e n=5 temos
Este o risco ou a probabilidade de no detectar o deslocamento. Dessa forma, a probabilidade que esse deslocamento seja detectado na primeira amostra subsequente dada por Para construir a CCO para o grfico devemos plotar o risco contra a magnitude do deslocamento que queremos detectar, expresso em unidades (k) do desvio padro, para vrios tamanhos de amostra n. Essas probabilidades podem ser calculadas diretamente da equao 4.1.2. Exemplo 4.1.2: Consideremos L=3, n variando de 2 a 10 e diferentes valores para k obtemos as CCO apresentadas na Figura 4.1.7.
Figura 4.1.7: CCO para o grfico Tabela 4.1.2: Valores de
com limites 3-sigma.
para diferentes valores de k e n.
A Figura 4.1.7 indica que para tamanhos de amostras tpicos de quatro, cinco e seis o grfico no particularmente eficiente em detectar um deslocamento pequeno (da ordem de ou menos) na primeira amostra aps deslocamento. Por exemplo, se o deslocamento de e n=5, ento da
Figura 4.1.7 temos que
aproximadamente. Assim, a probabilidade de na a o o
que o deslocamento seja detectado na primeira amostra Entretanto, a probabilidade de que o deslocamento seja detectado segunda amostra enquanto que probabilidade de que ele seja detectado na terceira amostra . Assim, a probabilidade de que deslocamento seja detectado na -sima amostra subsequente simplesmente ( ) vezes a probabilidade de no se detectar deslocamento em cada uma das amostras iniciais, ou
Em geral, o nmero esperado de amostras tomadas antes que o deslocamento seja detectado simplesmente o average run length (comprimento mdio das corridas) ou
Portanto, no nosso exemplo temos
Em outras palavras, o nmero esperado de amostras tomadas para detectar o deslocamento de com n=5 4. A discusso acima fornece um argumento que d suporte para o uso de amostras de tamanhos pequenos para o grfico . Muito embora tamanhos pequenos de amostras sempre resultam em um risco relativamente grande, uma vez que as amostras so coletadas e testadas periodicamente existe uma boa chance de que o deslocamento seja detectado razoavelmente rpido, talvez no na primeira amostra seguinte ao deslocamento. CCO para o grfico com limites
Para construir a CCO para o grfico utilizamos a distribuio da amplitude relativa Suponhamos que o valor do desvio padro do processo original seja Ento, a CCO descreve a probabilidade de no detectar um deslocamento para um novo valor de digamos na primeira amostra subsequente ao deslocamento. Contudo, para determinarmos a chance de que tal deslocamento seja apanhado pelo grfico em uma nica amostra, devemos calcular a probabilidade de que uma amostra (por exemplo de cinco
itens) venha a ter uma amplitude menor ou igual ao LSC (limite superior de controle). Assim, basta calcular
em que A probabilidade de que seja menor ou igual a
uma constante tabelada no Apndice.
seja menor ou igual ao LSC a mesma de que ou seja,
Podemos notar que para as CCO apresentam probabilidades muito prximas de 1 para uma vez que nesses casos no h limite inferior. Dessa forma, a probabilidade de no detectar um deslocamento dada pela equao 4.1.3. Para o grfico limite inferior e ento calculado como com limites tem um
Portanto, com os clculos apresentados acima obtemos as CCO's para o grfico para n variando de 2 a 10, como mostra a Figura 4.1.8.
Observando a Figura 4.1.8 podemos notar que o grfico
no muito
eficiente para detectar deslocamentos do processo para tamanhos pequenos de amostras. Por exemplo, se o desvio padro do processo dobra (isto , ), que um deslocamento razoavelmente grande, ento
amostras de tamanho 5 tm somente cerca de 40% de chance de detectar esse deslocamento em cada uma das amostras subsequentes. Muitos engenheiros da qualidade dizem que o grfico insensvel para deslocamentos pequenos ou moderados para os usuais subgrupos de tamanhos n=4, 5 ou 6. Se n > 10 ou 12, o grfico deveria ser usado ao invs do grfico As CCO's das Figuras 4.1.7 e 4.1.8 assumem que os grficos e so usados para monitorar processos online, isto , monitorar processo na fase II. ocasionalmente til estudar a performance estatstica de um grfico usado para analisar dados do passado (fase I). Isto pode dar alguma indicao de como o nmero de subgrupos preliminares usados para estabelecer o grfico de controle afeta a habilidade do grfico em detectar condies de fora de controle que pudesse existir quando os dados foram coletados. de tais estudos analticos, assim como da experincia prtica que a recomendao para usar cerca de 20 a 25 subgrupos preliminares para estabelecer os grficos e faz sentido.
Average Run Length (ARL) para o grfico

O Average Run Length uma medida de equilbrio do erro de Tipo I, que representa o controle excessivo ou alarme falso ou ento do erro de Tipo II, que o controle inadequado. representado pelo nmero de amostras esperada de subgrupos entre os sinais "fora de controle". O Average Run Length pode ser expresso como
ou
para o ARL "sob controle", e
para o ARL "fora de controle". Esses resultados so realmente intuitivos. Se as observaes plotadas no grfico de controle so independentes, ento o nmero de pontos que devem ser plotados at o primeiro ponto exceder os limites de controle uma varivel aleatria geomtrica com parmetro p. A mdia dessa distribuio
simplesmente 1/p, que o comprimento mdio das corridas ( average run length). Uma vez que relativamente fcil desenvolver uma expresso geral de para o grfico detectar um deslocamento na mdia de (equao 4.1.2), ento no difcil construir um conjunto de curvas ARL para o grfico A Figura 4.1.9 apresenta as curvas ARL para amostras de tamanhos n=2, 3, 4, 5, 6, 7, 8, 9 e 10 para o grfico sendo o ARL dado em termos do nmero esperado de amostras tomadas para detectar o deslocamento. Para ilustrar o uso da Figura 4.1.9 suponha que queremos detectar um deslocamento de usando uma amostra de tamanho n=3, ento o nmero mdio de amostras requeridas ser Note tambm que se quisssemos reduzir o para aproximadamente 1 deveramos aumentar o tamanho da amostra para n=16.
Figura 4.1.9: Average Run Length (amostras) para o grfico com limites 3sigma quando a mdia do processo desloca-se em Tabela 4.1.4: Valores de ARL para diferentes valores de k e n.
Os ARL's so objetos de algum criticismo como medidas de performance para grficos de controle. Notamos que a distribuio do comprimento de corrida para um grfico de controle de Shewhart geomtrica e que ela pode ser uma distribuio muito assimtrica, tal que a mdia (isto , o ARL) pode no ser a melhor medida de um tpico comprimento de corrida. H outra questo referente ao ARL relacionada ao fato de que os clculos para um grfico de controle especfico so geralmente baseados em estimativas dos parmetros do processo. Isto resulta em inflao de ambos e Por exemplo, suponha que a linha central do grfico seja estimada perfeitamente mas o desvio padro do processo seja superestimado em 10%. Isto resultaria em consideravelmente mais afastado do valor "terico" ou nominal de 370. Agora, com um processo normalmente distribudo, de maneira anloga vamos subestimar o desvio padro do processo em 10%, o que resulta em um um valor consideravelmente menor do que 370. A mdia ento (268+517)/2=392,5 , sugerindo que erros ao estimar o desvio padro do processo resulta em ARL's superestimados. Duas outras medidas de performance baseadas no ARL so algumas vezes de interesse. Uma delas o tempo mdio at o sinal, dado pelo nmero de perodos de tempo que ocorre at que um sinal seja gerado no grfico de controle. Se amostras so tomadas em intervalos de tempo h (em horas), ento o tempo mdio at o sinal ou ATS (average time to signal) dado por Pode tambm ser til expressar o ARL em termos do nmero esperado de unidades individuais amostradas - digamos I - ao invs do nmero de amostras tomadas para detectar um deslocamento. Se o tamanho da amostra n, a relao entre I e ARL dada por A Figura 4.1.10 apresenta um conjunto de curvas que descrevem o nmero esperado de unidades individuais (I) que devem ser amostradas para o grfico para detectar um deslocamento de Note que para detectar um
deslocamento de
por exemplo, um grfico
com n=16 requer que
aproximadamente 16 unidades sejam amostradas, sendo que se o tamanho da amostra fosse n=3 , somente cerca de 9 unidades seria requerida, em mdia.
Figura 4.1.10: Average Run Length (unidades individuais) para o grfico com limites 3-sigma quando a mdia do processo desloca-se em Tabela 4.1.5: Valores de I (unidades individuais) para diferentes valores de k e n.
Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
4.2 - Grficos Mdia e Desvio Padro
Como dito na seo anterior, na prtica, geralmente no conhecemos e , contudo, elas so estimadas partir de amostras preliminares tomadas em subgrupos de pelo menos 20 a 25 amostras. Suponhamos que temos disponvel m amostras, com cada uma contendo n observaes sobre a caracterstica da qualidade. Nas aplicaes, o nmero de observaes n pequeno e geralmente resultam partir da construo de subgrupos racionais, em que os custos de amostragem e de inspeco associadas com as medies das variveis so altas. Com isso, nestes casos a mdia e a varincia so estimadores no viciados para a mdia populacional e varincia populacional ou seja, e Porm, neste tipo de situao, o desvio padro um estimador viciado para o desvio padro populacional (para mais detalhes consulte o livro de Montgomery, D.C. (2001)). Assim, seu valor esperado dado por:
Portanto, obtemos que o estimador no viciado para o desvio padro dada por:
Para o grfico da mdia , tomamos amostra, e com isso temos que o melhor estimador de mdia dada por:
as mdias de cada para o processo da
que a linha central do grfico
Suponhamos que m amostras preliminares
esto disponveis, cada um de tamanho n, e seja o desvio padro da i-sima amostra . Assim, a mdia dos m desvios padro dada por:
com
um estimador no viciado para o desvio padro populacional
A seguir, vamos apresentar os principais tpicos para a construo do grfico e
A nica diferena na aplicao do grfico invs do e no clculo da estimativa de Estimamos amostral. O grfico
e .
(mdia e desvio padro), ao
de forma direta, ou seja, atravs do clculo do desvio padro e utilizado quando o tamanho da amostra grande (> 10 ou
12). Alm disso, o tamanho da amostra ou subgrupo pode ser varivel.
Do ponto de vista prtico, a aplicao deste grfico pode ser invivel para dados que no so coletados de forma eletrnica, pois o operador deve calcular os desvios padro para cada ponto.
Clculo dos limites de controle
Para a construo dos limites de controle para o grfico de ser o estimador de so dadas por: mdia
usamos o fato
Assim, os limites de controle para o grfico da
Para a construo dos limites de controle para o grfico necessitamos do teorema de Cochran. Assim, como consequncia direta deste teorema, obtemos que Logo, a varincia de dada por:
Com isso, temos que
Portanto, obtemos os limites de controle da seguinte forma:
Resumindo temos que:
Para as mdias: Limite superior de controle:
Linha Central:
Limite inferior de controle:
Para os desvios padro: Limite superior de controle:
Linha Central: Limite inferior de controle:
Disposio dos pontos nos grficos
Tendo calculado as Linhas Centrais e os Limites Inferiores e Superiores de Controle para os grficos e , estamos em condies de dispor os pontos que representam as mdias amostrais (no grfico amostrais (no grfico ), respectivamente. ) e os desvios padro
Para facilitar a anlise dos resultados recomendvel colocar ambos os grficos um abaixo do outro, e marcar os pontos correspondentes a uma mesma amostra na mesma reta vertical .
Exemplo 4.2.1: Considere um processo de usinagem de um pino onde o dimetro medido em subgrupos de 10 peas ao longo do tempo, conforme a Tabela 4.2.1. Vamos construir os grficos e . Tabela 4.2.1: Conjunto de dados do dimetro de pinos. X1 9,8323 9,0219 X2 X3 X4 X5 X6 X7 X8 X9 X10 S
10,473 10,836 10,028 10,936 10,0175 0,55316 9,5178 9,9201 9,6272 9,6664 9,3373 5 1 4 2 3 6 10,621 10,617 11,460 10,126 10,355 10,540 10,1353 0,76193 8,9944 9,6835 9,9313 7 6 4 4 6 4 2 2
10,743 10,962 10,247 10,057 10,581 10,0641 0,61621 9,4968 10,17 8,9321 9,6742 9,7774 1 1 1 5 6 9 3 10,054 11,011 10,436 11,406 10,132 11,389 10,461 10,465 10,5171 0,57072 9,9963 9,8184 3 5 3 8 1 7 4 1 9 9 9,6915 9,9209 9,6343 11,225 10,747 10,104 11,148 10,162 10,644 10,3350 0,56356 9,8063 9,9117 9,9081 7 8 8 2 4 2 7 7 10,030 10,528 10,987 10,131 10,063 11,128 11,293 10,3647 9,8168 9,7451 0,57731 9 5 8 7 3 8 7 5 11,047 11,146 10,776 10,053 11,661 10,2789 0,82056 9,8212 9,115 9,7394 9,7941 4 8 2 4 7 5 1
10,203 10,494 11,218 10,714 10,177 10,441 10,1828 0,64899 10,515 9,415 9,5438 9,1048 5 1 8 8 7 2 7 3 10,666 10,783 10,244 11,613 10,016 10,046 10,910 11,113 10,3822 0,80026 8,9035 9,523 7 2 2 8 3 7 9 9 2 1 10,489 10,629 10,690 10,174 11,021 10,603 10,4098 0,58722 11,387 9,5808 9,6638 9,8581 2 1 5 6 6 7 4 1 10,664 11,168 11,019 10,286 10,018 10,622 11,638 10,4993 0,64363 9,8607 9,5741 10,139 9 8 8 8 6 3 1 1 7 10,568 10,539 10,176 10,198 10,056 10,978 10,544 10,203 10,3178 0,49846 10,75 9,1627 2 3 5 9 4 5 6 7 8 8 10,843 11,296 11,544 10,665 10,944 10,4123 0,79837 9,1263 9,9808 9,385 9,9193 10,417 2 6 8 9 9 8 3 9,6101 9,8 10,416 10,437 10,338 10,014 9,5798 9,9084 9,758 9,9967 9,986 7 4 2 7 0,31852 9
10,132 10,827 10,437 10,877 10,897 10,188 10,553 10,339 10,3751 0,55709 10,507 8,9913 5 1 1 9 5 2 8 2 6 2 10,370 11,232 10,468 10,645 10,2698 0,52703 9,7624 9,9547 9,7824 9,7726 9,8423 10,868 2 8 1 3 8 4
9,5008 9,5963 10,349 9,8528
12,011 10,169 11,121 10,3097 0,80085 10,877 9,8602 9,7677 9,8443 1 4 4 2 7
10,042 10,026 10,782 10,105 10,232 10,798 10,940 10,2345 0,44706 9,9032 9,6603 6 9 8 4 3 3 6 2 9 10,2943 0,38171 5
10,400 10,723 11,001 10,441 10,205 10,077 10,238 9,7682 9,7861 10,3 5 8 9 7 3 4 6 9,7635 11,202 9,5674
10,170 10,335 10,233 10,376 10,827 10,410 10,2670 0,49562 9,7851 5 3 1 8 1 1 9 3
10,341 10,165 10,049 11,459 10,451 10,808 0,52955 10,326 9,8483 9,7066 9,7909 10,2947 2 5 4 5 5 1 8 10,293 10,944 10,362 11,192 10,103 10,2235 0,64065 9,9962 9,7957 10,759 9,7833 9,006 1 2 3 3 7 8 6 10,280 10,885 10,294 10,816 10,1602 0,58705 10,912 9,8223 9,8758 9,1255 9,7107 9,8788 8 8 2 4 3 5 9,8984 9,4126 11,042 10,398 11,012 10,208 10,307 10,1823 0,54464 9,2655 9,8238 9,8925 9,9735 4 8 7 2 4 2 6 11,988 10,949 10,139 10,070 10,942 10,2526 0,81133 9,3897 9,7375 9,9912 9,9054 2 9 4 4 1 4 3
10,255 10,667 10,607 11,122 10,827 11,130 10,2634 0,72757 9,6405 9,7188 9,6877 8,976 4 8 4 9 5 6 6 9 9,763 10,939 11,458 10,573 10,304 10,527 11,072 10,101 10,3086 9,8399 9,6746 9,7708 0,60328 7 5 9 7 2 3 6 10,356 10,733 11,104 10,047 11,068 10,262 10,277 10,5123 0,44142 10,531 9,802 2 9 3 7 8 9 6 4 7
1.
A seleo da caracterstica de qualidade do processo focada no cliente. Registro das observaes obtidas segue os critrios de amostragem racional. No exemplo foram escolhidos 10 itens por dia durante m = 28 dias.
2.
3.
Clculo da mdia amostral
e do desvio padro
, para cada i = 1, 2, e de esto dispostos
, m das m amostras escolhidas. Os valores de nas duas ltimas colunas da tabela.

4.
Clculo da mdia das mdias amostrais e da mdia dos desvios padro amostrais, os quais so indicados, respectivamente, por e .
Para os nossos dados temos:

Nmero de amostras: m = 28 Tamanho das amostras: n = 10
Vamos agora calcular os limites de controle. No Apndice podemos encontrar os valores tabelados das constantes necessrias para o clculo, assim para n = 10 temos, A3 = 0,975; B3 = 0,284; B4 = 1,716. Aplicando as frmulas, obtemos:
Para a mdia:
Para o desvio padro:
Podemos notar nos grficos que todos os pontos esto dispostos dentro dos limites de controle e alm disso, apresentam aleatoriedade o que indica que o processo est sob controle. Porm, no grfico de podemos verificar um perodo de variao aleatria seguido de um perodo com pouca variao
aleatria, o que indica por exemplo, que algo relacionado a mquina pode ter ocorrido neste perodo. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
A Funo Caracterstica de Operao

Como j vimos no estudo das curvas caractersticas de operao na seo anterior - Grficos Mdia e Amplitude, o grfico relativamente insensvel diante de deslocamentos pequenos ou moderados para tamanhos de amostra pequenos. Dessa forma, em muitas situaes prticas em que h necessidade de um controle mais severo da variabilidade do processo, tamanhos de amostras moderadamente grandes so necessrios e ento nesses casos o grfico deve ser usado. As CCO's para o grfico so as mesmas apresentadas na Seo anterior (Funo Caracterstica de Operao). Portanto, basta calcular as CCO's para o grfico em que a probabilidade de no detectar um deslocamento para um novo valor de dada por
em que Entretanto,
uma constante tabelada no Apndice.
E ainda,
sendo Logo,
: distribuio qui-quadrado com (n-1) graus de liberdade.
Podemos notar que para
o grfico
unilateral, ou seja, sem limite
inferior de controle. Dessa forma, a probabilidade de no detectar um deslocamento dada pela equao (1). Para o grfico tem limite inferior e superior e com isso, calculado como
Na Figura 4.2.2 apresentamos as CCO's para o grfico 10 e diferentes valores de k.
para n variando de 2 a
4.3 - Grficos para Valores Individuais e Amplitudes Mveis
H muitas situaes onde o tamanho amostral usado para o controle do processo n = 1. Assim, por exemplo, na fabricao de ao, celulose e outros elementos qumicos, o controle do processo realizado retirando-se amostras de uma unidade para se medir por exemplo PH, viscosidade etc. Como no possvel estimar a variabilidade atravs da amplitude ou do desvio padro de cada amostra (eles no esto definidos para amostras de tamanho 1), usamos como estimativa da variabilidade a amplitude mvel de duas (ou mais) observaes sucessivas.
Clculo dos limites de controle para os grficos I-MR

Para o Clculo dos Limites de Controle usaremos as seguintes frmulas:
Para os valores individuais (I):
Para as amplitudes mveis (MR):
em que
= Mdia das Amplitudes Mveis = para i = 1, 2, ..., m
Exemplo 4.3.1: Vamos construir os grficos I-MR utilizando os dados da Tabela 4.3.1. Tabela 4.3.1: Dados de viscosidade Lote 1 Viscosidade 33,75 Amplitude Mvel -
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
33,05 34 33,81 33,46 34,02 33,68 33,27 33,49 33,2 33,62 33 33,12 34,84 33,79 33,85 34,05 34,02 33,89 34,12 34,1 33,99 34,11 = 33,75
0,7 0,95 0,19 0,35 0,56 0,34 0,41 0,22 0,29 0,42 0,62 0,12 1,72 1,05 0,06 0,2 0,03 0,13 0,23 0,02 0,11 0,12 = 0,40
Antes de construirmos os grficos I-MR importante realizamos um teste de normalidade para os dados, com isso no corremos o risco de encontrar resultados distorcidos.
Como o p-valor associado a estatstica de Anderson-Darling maior do que 0,05, dizemos que os dados seguem distribuio normal. Dessa forma, podemos construir os grficos I-MR para os dados do nosso exemplo. OBS.: Caso os dados no sejam normais podemos utilizar a transformao de Box-Cox com o objetivo de encontrar normalidade. Se, mesmo transformados os dados no forem normais ento uma opo tirar a mdia mvel de cada duas observaes e trabalhar com esses novos dados, pois a normalidade nesse caso importante. Utilizando o Apndice obtemos os valores tabelados das constantes necessrias para o clculo, assim para n = 2 temos, d2=1,128; D3 = 0; D4 = 3,267 e com o valor da constante d2 obtemos E2 = 3/d2 = 2,6596. Aplicando as frmulas obtemos:
Figura 4.3.1: Grficos I-MR. Podemos observar em ambos os grficos que existe um ponto fora dos limites de controle. Notamos tambm que estes pontos desencadearam uma sequncia nos valores mdios observados em seguida, indicando a presena de uma causa especial de variao. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio. Exemplo 4.3.2: Neste exemplo vamos realizar um estudo de CEP usando as cartas de controle I-MR para dados referentes a gramatura de papis. Tabela 4.3.2: Dados de gramatura de papis. Lote 1 2 3 4 Gramatura (g/m2) 88,20 88,90 90,50 90,30 Amplitude Mvel 0,70 1,60 0,20
5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
90,00 90,20 91,20 91,00 91,50 91,40 91,30 90,20 91,40 89,90 90,20 90,10 90,80 91,40 91,30 89,00 90,70 89,50 91,20 90,50 90,60 = 90,45
0,30 0,20 1,00 0,20 0,50 0,10 0,10 1,10 1,20 1,50 0,30 0,10 0,70 0,60 0,10 2,30 1,70 1,20 1,70 0,70 0,10 = 0,75833
Vamos verificar a normalidade dos dados atravs do teste abaixo.
Como o p-valor associado a estatstica de Anderson-Darling maior do que 0,05, podemos dizer que os dados seguem distribuio normal. Dessa forma, podemos construir os grficos I-MR para os dados do nosso exemplo. Inicialmente calculamos os valores para e .
Utilizando o Apndice temos, para n = 2, d2 = 1,128; E2 = 3/d2 = 2,6595; D3 = 0; D4 = 3,267. Aplicando as frmulas obtemos:
Figura 4.3.2: Grficos I-MR. Verificamos no grfico de amplitude mvel que todos os valores esto dentro dos limites de controle e apresentam um corportamento aleatrio, indicando controle do processo estatstico. Porm, no grfico de valores individuais a primeira observao se encontra fora do limite inferior de controle, sendo que os pontos subsequentes apresentam variao aleatria, o que pode indicar a presena de uma causa especial de variao no processo. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
4.4 - Grficos de Valores Individuais com variao entre e dentro dos subgrupos
Os grficos de valores individuais com variao entre e dentro dos subgrupos so utilizados nos casos em que medimos a mesma caracterstica da pea ou produto em diversos pontos. Neste caso, tomamos uma pea ou produto, a cada unidade de tempo (exemplo, a cada uma hora), e medimos uma
caracterstica da qualidade (exemplo, dimetro) em diversos pontos. Assim, aplicamos:
Um grfico para valores individuais (mdia das medies de cada pea tratada como um valor individual); Um grfico para amplitudes mveis (variao entre as mdias); Um grfico R ou S (variao dentro de cada pea). Quando coletamos dados em subgrupos, erros aleatrios podem no ser a nica fonte de variao. Por exemplo, se coletamos 5 peas a cada hora a nica variabilidade dentro do subgrupo devida ao erro aleatrio. Ao longo do tempo, o processo pode mudar ou variar tal que a prxima amostra de 5 cinco peas pode ser diferente da amostra anterior. Sob estas condies, a variao total do processo devido ao erro aleatrio e variao entre as amostras. A variao dentro de cada amostra tambm pode contribuir para a variao total do processo. Suponha que amostramos uma pea a cada hora e medimos 5 regies desta mesma pea. Enquanto as peas podem variar hora a hora, as medidas tomadas nas 5 regies podem tambm ser consistentemente diferentes em todas as peas. Esta variao devido regio no explicada, o desvio-padro amostral dentro no difere muito da estimativa do erro aleatrio, mas na realidade a estimativa do erro aleatrio o efeito da regio. Este resultado em um desvio-padro que muito grande causa limites de controle que so muito "largos" com a maioria dos pontos do grfico de controle prximos linha central. Exemplo 4.4.1: Consideremos uma placa que compe uma determinada embreagem. importante verificar o balanceamento dessa placa. Atravs de uma mquina balanceadora determinamos um ponto de acumulao "excessivo" de massa. A partir desse ponto tomamos 3 pontos no sentido antihorrio e 4 pontos no sentido horrio (conforme Figura 4.4.2), totalizando 8 pontos. A medio da espessura QD feita no ponto a 0 e a espessura QND feita no ponto a 180 do primeiro. O segundo ponto tomado a partir do primeiro a 80 no sentido horrio, no qual medida a espessura QD e a espessura QND correspondente feita no ponto a 180 deste. Analogamente medimos a 90 e 270, assim como a 160 e 340. Isto realizado para cada uma das 25 peas selecionadas. Nesse caso analisamos a diferena entre as espessuras QD e QND, conforme mostra a Tabela 4.4.1.
Figura 4.4.1: Exemplo das medies em cada pea.
Figura 4.4.2: Medies da pea. A seguir temos os dados de cada pea amostrada e os respectivos clculos para os grficos de controle. Tabela 4.4.1: Dados de cada pea amostrada. Peas 1 1 1 1 2 2 2 2 QND 2,316 2,687 2,429 2,201 1,87 1,959 2,168 2,432 QD 1,882 1,99 1,427 2,048 1,906 2,072 2,097 2,457 ngulo QND 180 260 270 340 180 260 270 340 ngulo QD 0 80 90 160 0 80 90 160 QND-QD -0,434 -0,697 -1,002 -0,153 0,036 0,113 -0,071 0,025
3 3 3 3
1,543 1,086 1,246 1,344
1,605 1,554 1,677 1,661
180 260 270 340
0 80 90 160
0,062 0,468 0,431 0,317
25 25 25
1,356 1,374 1,388
1,685 2,756 2,612
260 270 340
80 90 160
0,329 1,382 1,224
Na tabela abaixo temos calculado para cada amostra sua respectiva mdia, amplitude mvel, desvio padro e amplitude amostral. Amostras 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Mdias -0,5715 0,02575 0,3195 0,08575 -0,53825 -0,43425 -0,401 0,14125 0,5555 0,295 0,07625 0,05575 -0,29 -0,34875 0,60525 0,5055 0,6235 0,02475 Amplitudes Mveis Desvio padro Amplitudes Amostrais 0,59725 0,29375 0,23375 0,624 0,104 0,03325 0,54225 0,41425 0,2605 0,21875 0,0205 0,34575 0,05875 0,954 0,09975 0,118 0,59875 0,362918 0,075451 0,183300 0,166752 0,333951 0,312888 0,256792 0,359694 0,170087 0,324166 0,063484 0,106747 0,262268 0,383962 0,215803 0,191660 0,120229 0,011442 0,849 0,184 0,406 0,39 0,705 0,766 0,512 0,821 0,407 0,653 0,135 0,223 0,589 0,895 0,482 0,448 0,287 0,027
19 20 21 22 23 24 25
-0,1245 -0,43675 0,08225 0,11325 -0,284 0,8155 0,804
0,14925 0,31225 0,519 0,031 0,39725 1,0995 0,0115
0,416743 0,185922 0,269447 0,272834 0,270475 0,307342 0,580126
0,901 0,426 0,604 0,575 0,638 0,648 1,101
Em nosso exemplo temos:

m: nmero de amostras = 25 n: tamanho das amostras = 4 Assim, utilizando as frmulas acima obtemos
Clculo dos limites de controle para os grficos I-MR-R e I-MR-S (Between-Within)

H muitas situaes onde o tamanho amostral usado para o controle do processo n > 1. Assim, estimamos a variabilidade atravs da amplitude ou do desvio padro do subgrupo de cada amostra, usamos como estimativa da variabilidade a amplitude mvel de duas (ou mais) mdias de observaes (amostras) sucessivas. 1. Grfico de amplitudes mveis: (variao entre as mdias das peas)
Os limites de controle so calculados a seguir:
Utilizando o Apndice temos D3 = 0 e D4 = 3,267 (para n = 2: quantidade de valores para o clculo das amplitudes mveis). 2. Grfico para valores mdios inviduais: Os limites so dados por:
em que
e utilizando o Apndice temos d2 = 1,128 (para n = 2:
quantidade de valores para o clculo das amplitudes mveis). 3. Grfico do desvio padro: Usaremos inicialmente os desvios padro amostrais como Medida de Disperso. Dessa forma, os limites de controle so dados por:
Utilizando o Apndice temos B3 = 0 e B4 = 2,266 (para n = 4: tamanho das amostras). 4. Grfico da amplitude: (variao dentro de cada pea) Usaremos as amplitudes amostrais como Medida de Disperso. Aplicando as frmulas obtemos:
Utilizando o Apndice temos D3 = 0 e D4 = 2,282 (para n = 4: tamanho das amostras).
Estimativas do desvio padro: dentro dos subgrupos, entre os subgrupos e total
1. Para os grficos I-MR-R. Clculo do desvio padro dentro de cada subgrupo O desvio padro de cada subgrupo dado por
em que d2 = 2,059 (para n = 4). Estimativa do desvio padro de curto prazo Usado para estimar o desvio padro em grficos de amplitudes mveis
em que d2 = 1,128 (para n = 2). Clculo do desvio padro entre os subgrupos O desvio padro entre os subgrupos dado por:
em que n = tamanho de cada subgrupo. Clculo do desvio padro entre/dentro de cada subgrupo
2. Para os grficos I-MR-S. Clculo do desvio padro dentro de cada subgrupo O desvio padro de cada subgrupo dado por:
em que c4 = 0,9213 (para n = 4). Estimativa do desvio padro de curto prazo Usado para estimar o desvio padro em grficos de amplitudes mveis.
em que d2 = 1,128 (para n = 2). Clculo do desvio padro entre os subgrupos O desvio padro entre os subgrupos dado por:
em que n = tamanho de cada subgrupo. Clculo do desvio padro entre/dentro de cada subgrupo
A seguir temos os resultados obtidos pelo Software Action para esse exemplo. 1. Comparativo dos grficos de Valores Individuais, Amplitudes Mveis e Amplitudes (I-MR-R).
Figura 4.4.3: Grficos I-MR-R. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio. 2. Comparativo dos grficos de Valores Individuais, Amplitudes Mveis e Desvio Padro (I-MR-S).
Figura 4.4.4: Grficos I-MR-S. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
5 - Grficos de Controle por Atributo
Muitas caractersticas da qualidade no podem ser expressas em termos de valores numricos. Por exemplo, dizer se uma pea ou no defeituosa. Caractersticas deste tipo so denominadas atributos.
5.1 - Grfico p - proporo ou frao de defeituosos 5.2 - Grfico np - nmero de defeituosos 5.3 - Grfico c - nmero de defeitos por amostra 5.4 - Grfico u - taxa de defeitos por unidade
5.1 - Grfico p - proporo ou frao de defeituosos
A frao de defeituosos p se define como o nmero de itens defeituosos (no conformes) na amostra dividido pelo nmero de itens da amostra. O valor amostral de p registra-se como uma frao do tamanho do subgrupo. A frao de defeituosos p poder estar referida a amostras de tamanhos fixos n coletadas regularmente, ou tambm poder se referir ao 100% da produo num determinado intervalo de tempo (por exemplo, uma hora, um dia, etc.). Isso significa que os subgrupos podem, em princpio, ter tamanho varivel. Como consequncia da variabilidade do tamanho amostral os limites de controle tambm tero amplitude varivel. A caracterizao de um item como defeituoso ou no defeituoso poder depender da observao de uma ou de vrias caractersticas de qualidade. Neste caso o item poder ter vrios tipos de defeitos, e, em muitas circunstncias ser relevante a classificao dos defeitos por importncia diferenciada, sugerindo a utilizao de grficos por demrito. Assim, podemos construir os grficos para proporo das seguintes formas
1. 2. 3. 4.
Tamanho amostral constante; Tamanho amostral varivel; Com a mdia amostral ( ); Com a mdia dos defeituosas ( ).
A construo dos grficos p s possvel se as seguintes condies forem satisfeitas:
1. Tamanho amostral constante A Linha Central e os Limites de Controle so determinados, na forma:
2. Tamanho amostral varivel Os limites de controle so (para a i-sima amostra):
em que ni = tamanho da i-sima amostra. 3. Com a mdia amostral ( ) Definimos
em que ni = tamanho da i-sima amostra e m o nmero de amostras. Os limites de controle so:
4. Com a mdia dos defeituosos ( ) Definimos
onde pi = proporo de defeituosos na i-sima amostra e m o nmero de amostras. Assim, os limites de controle (de amplitude 3 ) e linha mdia so:
Exemplo 5.1.1: Uma fbrica de suco de laranja apresentou os seguintes dados quanto ao nmero de latas amassadas (defeituosas), (ver Tabela 5.1.1). Nesse exemplo temos tamanho da amostra n = 50. Tabela 5.1.1: Latas amassadas na fbrica de suco de laranja Amostras 1 2 3 Nmero de Defeituosos (Di) 12 15 8 Frao de Defeituosos (pi) 0,24 0,30 0,16
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
10 4 7 16 9 14 10 5 6 17 12 22 8 10 5 13 11 20 18 24 15 9 12 7 13 9 6
0,20 0,08 0,14 0,32 0,18 0,28 0,20 0,10 0,12 0,34 0,24 0,44 0,16 0,20 0,10 0,26 0,22 0,40 0,36 0,48 0,30 0,18 0,24 0,14 0,26 0,18 0,12
Notao: Aqui consideraremos ni como sendo o tamanho de cada amostra e m o nmero de amostras. Para este exemplo temos ni = 50 para todo i (tamanhos iguais) e m = 30. Verificao para grandes amostras:
Grfico p
Figura 5.1.1: Grfico p. Verificamos, no grfico de proporo para refugo, que os pontos 15 e 23 encontram-se fora do limite superior de controle indicando a existncia de causas especiais de variao. Aps a anlise destes pontos eles foram retirados da amostras e novos limites de controle foram calculados.
Com isso, os limites de controle so
Para efetuar o download dos dados sem os pontos 15 e 23 clique aqui.
A seguir temos os resultados obtidos pelo Software Action e o grfico sem os pontos 15 e 23, com os limites de controle revisados.
Figura 5.1.2: Grfico p, com os limites revisados. Podemos notar que, apesar da retirada dos pontos fora dos limites de controle e o clculo dos limites de controle revisados, ainda existe um ponto fora dos novos limites indicando a presena de causa especial de variao. Aps a tomada de uma ao para a correo dessa causa especial, novos dados foram
coletados e um novo grfico foi gerado. Estes novos dados so mostrados na tabela a seguir. Tabela 5.1.2: Dados adicionais Amostras 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 Defeituosos 9 6 12 5 6 4 5 3 7 6 2 4 3 6 5 4 8 5 6 7 5 6 3 4 Frao de Defeituosos (pi) 0,18 0,12 0,24 0,1 0,12 0,08 0,1 0,06 0,14 0,12 0,04 0,08 0,06 0,12 0,1 0,08 0,16 0,1 0,12 0,14 0,1 0,12 0,06 0,08
Assim, os limites de controle para os novos dados so
A seguir temos os resultados obtidos pelo Software Action.
Figura 5.1.3: Grfico p, com dados adicionados. Podemos verificar no grfico da Figura 5.1.3 que, aps a ao sobre a causa especial de variao seguida da coleta de novos dados o processo encontra-se sob controle estatstico. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio. Exemplo 5.1.2: Temos a seguir dados sobre defeitos de incluso de areia de moldes de eixo-comando. Tabela 5.1.3: Defeitos de incluso de areia Amostras 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 Total Fundido (ni) 1536 1536 1536 1536 1536 1536 1520 1488 1344 944 1152 1152 1683 1700 1700 1870 1140 1152 1140 1128 1152 Defeitos de incluso (Di) 33 49 31 52 30 26 51 25 41 18 22 13 13 25 62 15 30 26 4 23 10
22 23 24 25 26 27 28 29 30
1128 1152 1152 1152 1152 1152 1140 1140 1128
6 21 21 7 22 23 16 15 18
Notao: Aqui consideraremos ni como sendo o tamanho de cada amostra e n o nmero de amostras. Para este exemplo, ni assume valores diferentes para cada amostra e n = 30. Grfico p Calculamos agora o Limite Superior e o Limite Inferior para a primeira amostra (Amostra 1) em que ni = 1536.
O mesmo procedimento deve ser feito para todas as outras amostras. A seguir apresentamos os resultados obtidos pelo Software Action para todas essas amostras.
Figura 5.1.4: Grfico p. Podemos verificar no grfico da Figura 5.1.4 a existncia de vrios pontos fora do limite de controle indicando que o processo no est sob controle estatstico. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
5.2 - Grfico np - nmero de defeituosos
O nmero de defeituosos np se define como o nmero de itens defeituosos (no conformes) na amostra. O nmero de defeituosos np pode estar referido amostras de tamanhos fixos n coletadas regularmente ou ento a 100% da produo num determinado intervalo de tempo, como por exemplo, uma hora, um dia, etc. Isso significa que os subgrupos podem, em princpio ter tamanho varivel. Como
consequncia da variabilidade do tamanho amostral os limites de controle tambm tero amplitude varivel. A construo dos grficos np tambm tem por base a distribuio binomial, e este grfico de controle s pode ser construdo quando lidamos com amostras de tamanhos iguais. Os Limites de Controle so obtidos diretamente da carta p e esto descritos a seguir:
Exemplo 5.2.1: Ilustraremos a aplicao da carta np com os dados do Exemplo 5.1.1.

Figura 5.2.1: Grfico np. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
5.3 - Grfico c - nmero de defeitos por amostra
Dependendo do tipo de produto mais natural considerar o nmero de defeitos por unidade amostral e no o nmero de itens defeituosos. Cada unidade pode consistir de vrios itens, isto , ela pode ser definida como sendo um subgrupo de itens. O essencial que nas diferentes unidades amostrais exista a mesma chance de ocorrerem defeitos. O grfico c empregado considerando o nmero de defeitos por subgrupos, quando todos estes subgrupos forem do mesmo tamanho, isto , tiverem o mesmo nmero de itens. Duas situaes onde o grfico c tipicamente aplicvel:
1.
Quando os defeitos esto distribudos num fluxo mais ou menos contnuo de algum produto onde poder-se-ia definir o nmero mdio de defeitos;
2.
Quando defeitos de diferentes tipos e origens podem ser encontrados na unidade amostral.
Os limites de controle so:
em que
, sendo que
so o nmero de
defeitos em cada um dos k subgrupos. Exemplo 5.3.1: A Tabela 5.3.1 apresenta o nmero de no-conformidades observadas em 26 amostras sucessivas de 100 circuitos impressos. Note que por comodidade limitou-se em 100 o nmero de no-comformidades possveis, desta forma temos 26 amostras com 516 no-comformidades. Tabela 5.3.1: Dados dos circuitos impressos. Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 No conformidades 21 24 16 12 15 5 28 20 31 25 20 24 16 19 10 Frao de defeituosos 0,21 0,24 0,16 0,12 0,15 0,05 0,28 0,2 0,31 0,25 0,2 0,24 0,16 0,19 0,1
16 17 18 19 20 21 22 23 24 25 26
17 13 22 18 39 30 24 16 19 17 15
0,17 0,13 0,22 0,18 0,39 0,3 0,24 0,16 0,19 0,17 0,15
Desta forma os limites de controle so dados pela seguinte forma
Figura 5.3.1: Carta de controle. Aps avaliar a carta de controle (Figura 5.3.1), o engenheiro responsvel pelo controle de qualidade do setor constatou que existem dois pontos fora de controle. Ento foi verificado que a mquina estava descalibrada, foi ento proposto que fossem removidas do conjunto de dados as observaes 6 e 20 e revisados os limites de controle. Para efetuar o donwload dos dados sem as observaes 6 e 20 clique aqui.
Desta forma temos os limites de controle:
Logo, a carta de controle com os limites de controle ajustados dada na Figura 5.3.2. A seguir temos os resultados obtidos pelo Software Action.
Figura 5.3.2: Carta de controle com os limites ajustados. Retirando as observaes 6 e 20 podemos observar que os dados encontram-se dentro dos limites de controle. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
5.4 - Grfico u - taxa de defeitos por unidade
Frequentemente o nmero de unidades que compem os subgrupos varivel. Nesses casos estamos interessados em controlar a taxa de defeitos por unidade e, o grfico a ser utilizado ser o Grfico u.
O valor da varivel u num subgrupo que contenha ni unidades amostrais onde sejam encontrados c defeitos, dado por
Para os grficos u os limites de controle so:
em que nmeros de defeitos e
sendo que
representam os
representam os tamanhos dos k subgrupos.
Apresentaremos no Exemplo 5.4.1 o procedimento de como calcular e interpretar um caso onde as amostras tm tamanhos diferentes. Exemplo 5.4.1: Em uma empresa textil as roupas tingidas so inspecionadas para a ocorrncia de defeitos por 50 metros quadrados. Os dados dos 10 lotes de inspeo esto na Tabela 5.4.1. Usaremos estes dados para ajustar uma carta de controle para as no-conformidades por unidades. Tabela 5.4.1: Dados da inspeo. Lote 1 2 3 4 5 6 7 8 9 10 TOTAL Qtde metros quadrados 500 400 650 500 475 500 600 525 600 625 NoNo-conformidades Unidades conformidades inspecionadas (n) por unidade (u=c/n) (c) 14 12 20 11 7 10 21 16 19 23 153 10 8 13 10 9,5 10 12 10,5 12 12,5 107,5 1,400 1,500 1,538 1,100 0,737 1,000 1,750 1,524 1,583 1,840
Notamos que
equivale a razo entre o total de no-conformidades em
relao ao nmero total de inspees por unidade. Os limites de controle sero calculados individualmente em relao ao tamanho da amostra (ver Tabela 5.4.2). Os limites de controle para a amostra 1 (Lote 1), considerando tamanho da amostra ni = 10, so dados por
O clculo dos limites de controle anlogo para as outras amostras. Tabela 5.4.2: Limites de controle calculados para cada amostra. Lote i 1 2 3 4 5 6 7 8 9 10 ni 10 8 13 10 9,5 10 12 10,5 12 12,5 LSC 2,550486621 2,683922466 2,411502357 2,550486621 2,5798548 2,550486621 2,451988372 2,523241976 2,451988372 2,431137973 LIC 0,289513379 0,156077534 0,428497643 0,289513379 0,2601452 0,289513379 0,388011628 0,316758024 0,388011628 0,408862027
Figura 5.4.1: Carta de controle para o exemplo. Para entender como executar essa funo do Software Action, voc pode
consultar o manual do usurio. Exemplo 5.4.2: Consideremos na tabela a seguir o nmero de noconformidades observadas em 26 amostras sucessivas de 100 circuitos impressos. Note que por comodidade limitou-se em 100 o nmero de nocomformidades possveis, desta forma temos 26 amostras com 516 nocomformidades. Tabela 5.4.3: Dados dos circuitos impressos. Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 No-conformidades 21 24 16 12 15 5 28 20 31 25 20 24 16 19 10 17 13 22 18 39 30 24 16
24 25 26 TOTAL
19 17 15 516
Podemos notar que equivale a razo entre o total de no-conformidades em relao ao nmero total de inspees por unidade. Neste exemplo as 26 amostras tm tamanhos constantes e iguais a 100, ou seja, ni = 100 para todo i. Com isso, os limites de controle so dados por
Podemos observar que foram detectados dois pontos a mais de 3 desvios padro da linha central, indicando uma possvel causa especial de variao. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
6 - Cartas de Controle para Pequenos Lotes
Para evitar custos desnecessrios os fabricantes esto produzindo quantidades menores de modo mais frequente. Para atingir as eficincias dos processos para pequenos lotes essencial que os mtodos de CEP possam verificar se o processo est verdadeiramente sob controle estatstico, ou seja, se ele previsvel e se pode detectar variaes devido as causas especiais durante esses pequenos "lotes".
Wheeler (1991) descreve quatro requisitos para um "Estado Ideal" da operao do processo que essencial para a concorrncia nessa rea:
1. 2. 3. 4.
O processo deve ser estvel ao longo do tempo. O processo deve ser operado de forma estvel e consistente. A meta do processo deve ser definida e mantida no nvel adequado. Os limites naturais do proceso devem estar dentro dos limites da especificao.
possvel criar cartas de controle efetivas mesmo com quantidades pequenas de dados. As cartas orientadas para pequenos lotes permitem que uma nica carta seja usada para o controle de vrios produtos. Existem inmeras variaes sobre esse tema. Entre as cartas para pequenos lotes mais descritivas, esto: a carta nominal (DNOM) e a carta padronizada e R.
6.1 - Carta Nominal - DNOM
Quando h uma variao comum e constante entre os produtos podemos usar o DNOM. Essa abordagem se baseia na utilizao de apenas uma carta para o controle dos produtos. Isso porque, os processos de produo para pequenos lotes de diferentes produtos podem se caracterizar facilmente em uma nica carta pela marcao, na carta, das diferenas existentes entre a medio do produto e seu valor alvo. Sua idia consiste em codificar os dados obtidos, como desvios, a partir de um ponto de referncia comum: a medida nominal N da especificao. A base para esse procedimento reside em que, sendo X a varivel gerada na operao e N a sua respectiva medida nominal, uma constante, ento esta codificao de dados somente afeta a mdia mas no a amplitude, nem a varincia e nem o desvio-padro. Admitindo-se que o processo em estudo esteja sob o controle estatstico e que os diferentes tipos de produtos produzidos tenham iguais varincias, se forem empregados os grficos da mdia e da amplitude ( e R), os limites de controle para o grfico da amplitude, segundo o CEP convencional, so: e como a codificao de dados anteriores no afeta a disperso das medidas, temos
No grfico da mdia, como j visto anteriormente, os limites de controle do CEP convencional so
ou
Subtraindo-se N de todos os termos da desigualdade anterior temos
e, fazendo-se
segue que
ou ainda,
resultando em
Assim, medida que as amostras forem sendo coletadas, suas medidas individuais sero codificadas, conforme (equao 6.1.1), e os valores de sero marcados nos seus respectivos grficos de controle. As seguintes etapas devem ser executadas para a correta utilizao desta tcnica em grficos de controle da mdia e da amplitude ( e R):
1.
eR
Determinar a medida nominal N do tipo do produto em produo, a partir da sua especificao de engenharia; Coletar amostras de tamanho n (n > 1) constante; Calcular a mdia Codificar as mdias N (equao 6.1.2); e a amplitude R das amostras; subtraindo de cada uma delas a medida nominal
2. 3. 4.
5.
Repetir as etapas de 1 a 5, segundo a frequncia de coleta de amostras pr-estabelecida, enquanto o mesmo produto estiver sendo produzido; Quando o equipamento for ajustado para a produo de outro tipo de produto a nica mudana no procedimento ser a determinao da nova medida nominal. Os valores da mdia codificada e da amplitude R do novo produto continuam sendo marcados no mesmo grfico;
6.
7.
Quando houver um nmero mximo e suficente de amostras calcular os limites de controle por meio das frmulas convencionais, porm empregando as mdias codificadas.
Exemplo 6.1.1: Na usinagem bruta de dimetros externos (eixos) em torno mecnico foram retiradas 25 amostras, cada uma constituda de 3 peas, obtendo-se os valores da Tabela 6.1.1. Tabela 6.1.1: Dimetros externos (eixos) em torno mecnico. Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 N 220 220 220 220 220 260 260 260 260 260 320 320 320 320 320 240 240 240 240 240 300 300 300 Pea 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5 5 P1 P2 P3 R
219,7838 220,0287 220,0922 219,9682 0,308384 -0,0318 219,9046 220,1229 220,2368 220,0881 0,332242 0,088082 219,8345 220,0862 219,9268 219,9492 0,251692 -0,05079 219,7302 220,001 220,0357 219,9223 0,305502 -0,07769 220,1644 220,3151 219,9806 220,1534 0,33448 0,153371 259,8635 260,1847 259,867 259,9718 0,321234 -0,02825 259,7917 259,9042 259,908 259,868 0,116253 -0,13203 259,8264 259,8535 259,6465 259,7755 0,20696 -0,22452 259,6421 260,0869 259,9488 259,8926 0,444791 -0,10744 259,8945 260,0154 260,3685 260,0928 0,474033 0,092769 319,7366 319,5236 319,7053 319,6552 0,213026 -0,34481 319,8834 319,415 319,8163 319,7049 0,468446 -0,29508 320,2431 320,1935 319,9893 320,142 0,253778 0,141982 319,9805 320,0828 320,0418 320,035 0,102364 0,035019 320,4944 320,4552 320,0477 320,3324 0,446676 0,332414 239,8076 239,7787 240,2064 239,9309 0,427712 -0,06909 240,1663 240,1888 240,2023 240,1858 0,036012 0,185776 240,1662 240,1382 240,1141 240,1395 0,052086 0,139503 240,017 239,9212 240,0397 239,9926 0,118577 -0,00737 240,2081 240,0484 239,9119 240,0562 0,296133 0,056153 300,0479 300,1325 299,9955 300,0587 0,137019 0,058656 300,2815 299,9451 300,0365 300,0877 0,336475 0,087714 299,7173 300,383 300,4608 300,187 0,743451 0,187028
24 25
300 300
5 5
300,0009 300,0487 300,0038 300,0178 0,047797 0,017781 299,5822 300,4351 299,7919 299,9364 0,852914 -0,06362 Total 7,628039 0,143761
Sero empregados os grficos da mdia codificada portanto:
e da amplitude R,
Utilizando o Apndice temos, para n = 3 (tamanho de cada amostra), D4 = 2,574; D3 = 0 e A2 = 1,023. Dessa forma, os limites de controle para o grfico da amplitude R so dados por:
Os limites de controle para a mdia codificada controle para o grfico so dados por:
ou seja, os limites de
A segui temos os resultados obtidos pelo Software Action para esse exemplo.
A Figura 6.1.1 apresenta estes grficos de controle, com os pontos marcados. Percebe-se que h causas especiais atuando em algumas amostras, com relao mdia codificada.
e amplitude.
6.2 - Carta Padronizada Xbar e R
A abordagem DNOM assume uma variao comum e constante entre os produtos controlados por uma nica carta. Quando existem diferenas substanciais nas variaes desses produtos, o uso do desvio do alvo do processo torna-se problemtico. Nesses casos os dados podem ser padronizados para compensar as diferentes mdias do produto e a variabilidade. Essa classe de carta s vezes chamada de carta Z ou Zed.
No caso da utilizao dos grficos de controle da mdia e da amplitude (
), admitindo-se que o processo est sobe controle e so conhecidas sua mdia e sua disperso tem-se, para a amplitude, segundo o CEP convencional:
ou
Como o termo uma estimativa do desvio-padro populacional , a expresso anterior pode ser reescrita na forma
e, padronizando a expresso anterior, obtemos que
Para o grfico de controle da mdia, tem-se
em que a mdia ponderada das mdias amostrais por tipo de pea, usando como pesos os seus respectivos tamanhos de amostras
e como o tamanho da amostra pode ser varivel, ento
em que i o nmero de diferentes peas e j o nmero de peas analisadas em cada amostra. Padronizando-se a expresso anterior temos
As etapas para a aplicao da metodologia, em grficos de mdias e da amplitude (

1.
), so as seguintes:
Traar nos grficos os limites de controle para as mdias e para as amplitudes padornozadas: -3 e 3, em ambos os casos; Determinar as estimativas da mdia e do desvio-padro populacionais, e a serem empregadas na padronizao das medidas do produto em produo;
2.
3.
Coletar amostras de tamanho qualquer (n > 1), de acordo com a frequncia pr-estabelecida; Calcular a mdia e amplitude dos valores;
4. 5.
Para cada amostra, padronizar a sua mdia (equao 6.2.2) e a sua amplitude (equao 6.2.1); Marcar os pontos nos respectivos grficos de controle; Quando um novo tipo de produto entrar em produo, devem-se obter novas estimativas para a mdia e o desvio-padro populacionais.
6. 7.
Exemplo 6.2.1: Consideremos os mesmos valores da tabela do Exemplo 6.1.1. Admitimos e como sendo as estimativas para a mdia e para o desvio-padro populacionais, respectivamente.
Para o tipo de pea 1 temos:
em que d2 = 1,693 (para n = 3), tabelado no Apndice. Para os outros tipos de pea o clculo anlogo e os valores encontram-se na tabela abaixo. Tabela 6.2.1: Mdias e desvios-padro por tipo de pea. Tipo de Pea (p) 1 2 3 4 5 220,016 259,92 319,974 240,061 300,057 0,306 0,312 0,297 0,186 0,423 0,181 0,185 0,175 0,11 0,25
Vamos obter agora os valores codificados: Tipo de pea 1
Mdia padronizada:
Amostra 1
Amostra 2
Amostra 3
Amostra 4
Amostra 5
Amplitude padronizada: Amostra 1
Amostra 2
Amostra 3
Amostra 4
Amostra 5
Para os outros tipos de pea e outras amostras o clculo anlogo. A seguir temos os resultados obtidos pelo Software Action para esse exemplo.
Figura 6.2.1: Grficos da mdia padronizada e amplitude padronizada. Observao: Em alguns processos para pequenos lotes, o volume total da produo pode ser pequeno demais para que a formao de subgrupos seja utilizada efetivamente. Nesses casos as medies da formao de grupos podem funcionar ao contrrio do conceito de controle do processo e podem reduzir a carta de controle a uma funo de relatrio de dados. Mas quando a formao de subgrupos possvel, as medies podem ser padronizadas para acomodar esse caso.
Cartas de controle para atributos padronizados
As amostras dos dados para atributos, incluindo aquelas de tamanho varivel, podem ser padronizadas para que vrios tipos de peas sejam marcadas em uma nica carta. A estatstica tem a forma:
Por exemplo, uma estatstica u suficiente para a taxa de defeitos deve ser padronizada como:
Este mtodo tambm se aplica s cartas np, p, c e u.

7 - Grficos de Controle Multivariados
Um grfico de controle multivariado mostra como as variveis conjuntamente influenciam o processo. So utilizados quando h correlao nas variveis em estudo. Uma desvantagem deste tipo de grfico refere-se a uma dificuldade maior quanto sua interpretao, uma vez que os pontos fora de controle no revelam especificamente qual ou quais variveis, ou a combinao delas, causam o problema. Ento, para analisar dados multivariados um procedimento que pode ser utilizado verificar a correlao entre eles e ento trabalhar apenas com aquelas variveis que so correlacionadas. Com isso, podemos plotar em um grfico de controle os valores da estatstica T2 de Hotelling e da varincia generalizada para essas variveis. Esse procedimento definido adiante. A seguir vamos discutir a construo dos grficos de controle multivariados. Para a construo desses grficos vamos considerar dois casos: um caso em que temos observaes individuais (no se tem rplicas) e outro caso em que temos rplicas para cada observao.
7.1 - Grficos de controle multivariados para observaes individuais
A seguir vamos apresentar a construo dos grficos de controle multivariados para observaes individuais, ou seja, para as observaes que no possuem rplicas. Para introduzir e ilustrar esse conceito vamos considerar dados dispostos de maneira geral como na Tabela 7.1.1.
Tabela 7.1.1: Entrada de dados Variveis Amostra 1 2 3
m Mdia Desvio padro amostral
Grfico de controle T2 de Hotelling

Para o clculo da estatstica T2 de Hotelling devemos seguir os passos abaixo. 1. Calcular a mdia para cada varivel
2. Calcular as varincias e covarincias amostrais
3. Calcular a estatstica T2 para cada amostra
em que

p o nmero de variveis m o nmero de amostras S a matriz de covarincia amostral S-1 a matriz inversa de covarincia amostral Assim, os limites de controle so dados por
em que
indicam os quantis correspondentes distribuio Beta. A linha central do grfico de controle definido utilizando-se a mediana (isto , o quantil de 50%) da distribuio Beta correspondente, indicado por
Grfico de controle para a varincia generalizada

O procedimento utilizado para construir os grficos de controle para a varincia generalizada padronizar os dados utilizando o vetor de mdias e a matriz de covarincias amostrais. A padronizao feita da seguinte forma (Montgomery (2001)
Desta forma, teremos uma matriz conforme apresentado no quadro a seguir Variveis Amostra 1 2 3 Desvio padro amostral
m Com os dados normalizados podemos construir um grfico de controle utilizando o mesmo procedimento usado na construo do grfico de controle usual do desvio padro . Dessa froma, os limites de controle so dados por
Limite superior de controle: Linha Central: Limite inferior de controle:
Exemplo 7.1.1: Temos um molde de areia onde peas de ferro so moldadas. Neste caso, nossas variveis de interesse so a compactibilidade, o coeficiente de RCV1 e a plasticidade. Os dados so apresentados na tabela a seguir. Tabela 7.1.2: Variveis de Areia sem rplicas. corrida E188 E189 E190 E191 E192 E193 E194 E195 E196 E197 E198 E199 E200 E201 E202 E203 E204 E205 E206 E207 E208 E209 E210 E211 E212 pea M20700300 M20900200 M20701400 M20600400 M20900900 M20900900 M20701201 M20700300 M20900900 M20701500 M20700600 M20701301 M20900200 M20404400 M20701500 M20900900 M20701500 M20701201 M20900200 M20600400 M20700300 M20900200 M20900900 M20701201 M20600400 Qtde Prod 6288 655 1290 3176 8052 4436 6424 6000 7986 9024 1680 4248 1190 2400 4752 3072 564 1192 1275 2056 7816 1040 1968 5016 1656 Qtde Refugo 182 128 33 316 129 49 245 79 183 108 41 48 32 8 126 43 19 28 25 537 85 44 16 52 524 Compactabilidade RCV1 Plasticidade 36,5 36,571 36,167 36,5 37,4 37,333 37,167 38 38 36,5 38,25 37,643 37,667 36,833 37,333 37,167 38 37,667 37,667 36 39 36,333 38 36,333 37,667 22,026 21,12 21,182 22,134 21,93 21,507 23,132 19,653 19,653 20,993 20,733 19,513 20,613 22,423 20,29 21,083 20,363 21,147 21,147 22,89 20,24 19,9 19,547 19,9 20,937 28,87 29,924 29,368 29,822 28,774 28,812 29 30,885 30,885 30,568 28,84 28,818 29,035 26,685 28,527 26,24 29,843 29,273 29,273 27,753 29,57 27,89 27,84 27,633 27,84
Para construir os grficos de controle multivariados precisamos primeiramente saber quais variveis so correlacionadas, com isso podemos trabalhar apenas com aquelas variveis que conjuntamente influenciam o processo. Para obter a correlao entre as variveis podemos utilizar a ferramenta Matriz de Correlao disponibilizada pelo Software Action. Neste exemplo vamos considerar que as 3 variveis esto correlacionadas para mostrar os clculos com detalhes. Cuidado! A correlao deve sempre ser analisada no caso multivariado para que os resultados no sejam mascarados. A seguir apresentamos os passos para a construo dos grficos de controle multivariados (T2 e Varincia generalizada). As mdias das variveis Compactabilidade, RCV1 e Plasticidade so, respectivamente, 37,267 ; 20,962 e 28,878. A matriz de covarincias (S) e a matriz inversa (S-1) so dadas por
Clculo dos limites de controle para T2 de Hotelling O clculo de T2 para a primeira corrida ( E188 ) dado por
Para as outras amostras (corridas E189 a E212) o procedimento anlogo. Os valores de T2 para todas as amostras esto dispostos no quadro abaixo. corrida E188 E189 E190 E191 E192 T2 1,52595 2,21678 2,91648 2,99512 1,33373
E193 E194 E195 E196 E197 E198 E199 E200 E201 E202 E203 E204 E205 E206 E207 E208 E209 E210 E211 E212
0,4124 5,42531 3,82223 3,82223 4,18464 1,93979 2,09762 0,28603 4,73986 0,64975 5,34417 1,29344 0,56833 0,56833 4,47276 5,32076 5,28861 3,68312 5,68977 1,40279
Os limites de controle com um nvel de confiana de 3 = 99,73% so dados por
sendo

m = nmero de amostras = 25 p = nmero de variveis correlacionadas = 3
Clculo dos limites de controle para a varincia generalizada
Vamos agora construir os limites de controle para a varincia generalizada. Primeiramente calculamos a mdia e varincia, da procedemos a padronizao de cada varivel. Assim temos Para Compactabilidade (X1)
Padronizao:
Para RCV1 (X2)
Padronizao:
Para Plasticidade (X3)
Padronizao:
As variveis padronizadas para todas as amostras so dadas na Tabela 7.1.3. Tabela 7.1.3: Variveis padronizadas. Compactabilidade -1,00746 -0,91431 -1,44433 -1,00746 0,17328 RCV1 1,027 0,15231 0,21217 1,13127 0,93432 Plasticidade -0,00746 0,89471 0,4188 0,8074 -0,08964 Desvios Padro 1,01728 0,90934 1,02127 1,15273 0,53179
0,08538 -0,1324 0,96044 0,96044 -1,00746 1,28842 0,49208 0,52356 -0,57058 0,08538 -0,1324 0,96044 0,52356 0,52356 -1,66342 2,27236 -1,22655 0,96044 -1,22655 0,52356
0,52594 2,09478 -1,264 -1,264 0,0297 -0,22132 -1,39916 -0,33717 1,41028 -0,64901 0,11659 -0,57853 0,17838 0,17838 1,86115 -0,69728 -1,02553 -1,36634 -1,02553 -0,02437
-0,05711 0,10381 1,71728 1,71728 1,44594 -0,03314 -0,05197 0,13377 -1,87772 -0,30106 -2,25862 0,82538 0,33748 0,33748 -0,96356 0,5917 -0,8463 -0,88909 -1,06628 -0,88909
0,30396 1,22339 1,54967 1,54967 1,23157 0,82272 0,97363 0,43101 1,65546 0,36736 1,3054 0,85222 0,17277 0,17277 1,86598 1,48912 0,19023 1,22898 0,10626 0,71222
A ltima coluna da Tabela 7.1.3 o desvio-padro das variveis padronizadas em relao a X1, X2 e X3, ou seja,
Para a primeira linha, o valor 1,01728 obtido atravs do clculo de S, dado por
Precisamos ainda calcular
dado por
ou seja,
Assim a linha central do grfico de controle dado pela mdia dos desvios padro, ou seja, para este exemplo a mdia da ltima coluna da Tabela 7.1.3, obtendo assim o valor 0,913472. Com isso, o grfico da varincia generalizada com observaes individuais segue o mesmo raciocnio do grfico usual. Aplicando as frmulas e utilizando o Apndice para obter os valores de B3 = 0 e B4 = 2,266 (para n = 4) encontramos os limites de controle, que so dados por
Figura 7.1.1: Grficos T2 de Hotelling e Varincia Generalizada. Observando a Figura 7.1.1 percebemos que nenhum ponto est fora dos limites de controle e a varincia permanece estvel ao longo do perodo observado. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio. Exemplo 7.1.2: A Tabela 7.1.4 apresenta dados da rea industrial referentes espessura de engrenagens de cmbio automotivo. A Figura 7.1.2 ilustra o formato da engrenagem.
Figura 7.1.2: Detalhe da engrenagem do cmbio. Tabela 7.1.4: Dados referentes espessura de engrenagens. Posio1 98,208 98,209 98,206 98,206 98,204 98,209 98,202 98,196 98,215 98,194 98,200 98,206 98,212 98,211 98,212 98,191 98,206 98,192 98,203 98,195 Posio2 98,209 98,220 98,204 98,206 98,214 98,203 98,212 98,221 98,201 98,227 98,210 98,207 98,200 98,200 98,199 98,166 98,205 98,207 98,202 98,206 Posio3 21,996 22,002 21,999 21,998 21,998 21,983 21,981 21,980 21,986 21,993 21,981 21,983 22,004 22,009 22,008 22,008 22,009 21,982 21,993 21,990
98,207 98,188 98,219 98,196 98,220 98,193 98,194 98,200 98,199 98,199 98,199 98,196 98,203 98,201 98,197 98,192 98,208 98,175 98,176 98,172 98,197 98,195 98,196 98,201
98,204 98,199 98,222 98,205 98,227 98,213 98,217 98,200 98,199 98,197 98,198 98,206 98,207 98,206 98,161 98,205 98,172 98,195 98,196 98,195 98,201 98,211 98,206 98,219
21,999 21,989 21,997 21,998 22,001 21,985 21,988 21,983 21,980 21,985 21,984 21,982 21,984 21,986 21,989 21,984 22,011 21,983 21,983 21,983 21,999 21,993 21,993 21,989
Primeiramente vamos verificar se as variveis Posio1, Posio2 e Posio3 so correlacionadas. Para obter a correlao entre elas vamos utilizar a ferramenta Matriz de Correlao do Software Action. Dessa forma, temos
Podemos ver que a correlao positiva (0,471) entre a Posio1 e a Posio3 significativa, comprovada pelo p-valor de 0,001 que menor do que o nvel de significncia adotado de 5%. Portanto, podemos concluir que apenas as variveis Posio1 e Posio3 influenciam conjuntamente no processo, com isso vamos construir os grficos de controle multivariados considerando apenas essas duas variveis. A seguir apresentamos os passos para a construo dos grficos de controle multivariados (T2 de Hotelling e Varincia generalizada). As mdias das variveis Posio1 e Posio3 so, respectivamente, 98,2 e 21,992. A matriz de covarincias (S) e a matriz inversa (S-1) so dadas por
Clculo dos limites de controle para T2 de Hotelling O clculo de T2 para a primeira linha do conjunto de dados, considerando agora apenas as variveis correlacionadas (Posio1 e Posio3), da seguinte forma
Para as outras linhas o procedimento para o cculo da estatstica T2 anlogo.
Portanto, os limites de controle com um nvel de confiana de 3 = 99,73% so dados por
sendo

m = nmero de amostras = 44 p = nmero de variveis correlacionadas = 2
Clculo dos limites de controle para a varincia generalizada Vamos agora construir os limites de controle para a varincia generalizada. Primeiramente calculamos a mdia e varincia, da procedemos a padronizao de cada varivel. Assim temos Para Posio1 (X1)
Padronizao para o primeiro valor da varivel Posio1:
Para Posio3 (X2)
Padronizao para o primeiro valor da varivel Posio3:
O procedimento para a padronizao dos outros valores das variveis Posio1 e Posio3 anlogo. O desvio-padro das variveis padronizadas em relao a X1 e X2 dado por
Logo, para a primeira linha o valor de S obtido da seguinte forma
Para as outras linhas do conjunto o clculo anlogo. Precisamos ainda calcular dado por
ou seja,
Assim a linha central do grfico de controle dado pela mdia dos desvios padro. Com isso, o grfico da varincia generalizada com observaes individuais segue o mesmo raciocnio do grfico usual. Aplicando as frmulas e utilizando o Apndice para obter os valores de B3 = 0 e B4 = 2,568 (para n = 3) encontramos os limites de controle, que so dados por
Podemos notar que o processo no manteve-se estvel ao longo do perodo considerado. Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
7.2 - Grficos de controle multivariados para observaes com rplicas
A seguir apresentamos a construo dos grficos de controle multivarados para observaes com rplicas. Para introduzir o conceito desses grficos vamos considerar a entrada de dados, de forma geral, conforme a Tabela 7.2.1. Podemos observar agora que esses dados possuem rplicas. Tabela 7.2.1: Entrada de dados. Variveis
Amostra 1 1
1 2 2
2 3 3
3 m m
m refere-se a k-sima observao na j-sima amostra da i-sima varivel. Aqui i = 1, ..., p ; j = 1, ..., m e k = 1, ..., n. Para o clculo da estatstica T2 de Hotelling devemos seguir os passos abaixo:
Calcular a mdia dentro de cada amostra para cada varivel
Calcular o vetor de mdias gerais por
Calcular o vetor de varincias amostrais para cada amostra
Calcular as p(p - 1)/2 covarincias amostrais, denotadas por amostra
para cada
Construir a matriz de covarincia amostral S da seguinte forma
em que
Calcular a estatstica T2 da seguinte forma
Limites de Controle para o grfico de T2

Temos que a estatstica (ver Johnson (2002)). Limite inferior de controle (Montgomery (2001)): para n > 1
Linha Central (Montgomery (2001)):
Limite superior de controle (Montgomery (2001)):
em que n = tamanho de cada amostra, m = nmero de amostras e p = quantidade de caractersticas.
Limites de Controle para a varincia generalizada

determinante da matriz de covarincia amostral, varincia generalizada (Johnson (2002)). Limite inferior de controle (Montgomery (2001)):
Linha Central (Montgomery (2001)):
Limite superior de controle (Montgomery (2001)):
em que
sendo p = nmero de variveis e n = nmero de observaes em cada grupo. Exemplo 7.2.1: Um qumico est interessado em verificar a relao entre a quantidade de horas que determinados corpos-de-prova ficam submetidos uma estufa e a porcentagem (%) de umidade neles contida. A estufa foi mantida a temperatura constante e tomamos amostras de tamanho 5 para cada dia. Os dados esto dispostos na Tabela 7.2.2. Tabela 7.2.2: Dados do experimento. Data da Medio 1/1/2001 CP 1 2 3 4 5 1/2/2001 1 2 Nmero Data da Umidade(%) de horas Medio 1 2 4 6 4 2 2 7 6,5 6 7 7 7 7 1/7/2001 1/6/2001 CP 1 2 3 4 5 1 2 Nmero Umidade(%) de horas 3 3 2 2 5 4 6 5,8 5,6 4 4 5,8 5,2 6,4
3 4 5 1/3/2001 1 2 3 4 5 1/4/2001 1 2 3 4 5 1/5/2001 1 2 3 4 5
4 1 1 5 2 5 3 2 4 4 4 2 2 3 3 2 4 3
6,2 6 5,2 7 5,4 7 7 1,4 6 6,2 3,5 4,5 3 4,2 6,5 2,2 5,5 6 1/10/2001 1/9/2001 1/8/2001
3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
2 3 3 6 3 7 4 3 5 4 2 1 3 3 4 6 3 2
4,5 1,5 5,6 6 5,8 7 4,5 5,2 5,6 4,5 4,5 6 2 5,2 6 5,5 7 6,5
Primeiramente precisamos verificar se as variveis a serem analisadas so correlacionadas. Para isso podemos utilizar a ferramenta Matriz de Correlao do Software Action. Neste exemplo consideraremos que existe correlao entre as variveis Nmero de horas e Umidade apenas para trabalhar com as mesmas conjuntamente e exemplicar os clculos com detalhes. Cuidado! A correlao deve sempre ser analisada no caso multivariado para que os resultados no sejam mascarados. Para a primeira amostra (1/1/2001), temos:
Clculo dos limites de controle para T2 de Hotelling O clculo da estatstica T2 para a primeira amostra dado por
Na tabela a seguir temos as mdias e varincias para o grfico T2 calculadas para todas as amostras. Tabela 7.2.3: Mdias e Varincias para o grfico T2. Amostra 1 2 3 4 5 6 7 8 9 10 soma mdia 3,4 2 3,4 3,2 3 3 3,6 4,6 3 3,6 32,8 3,28 6,7 6,28 5,56 4,64 4,88 5,04 4,64 5,7 4,52 6,04 54 5,4 3,8 1,5 2,3 1,2 0,5 1,5 2,3 3,3 2,5 2,3 21,2 2,12 0,2 0,572 5,888 2,073 2,977 0,908 3,553 0,87 2,427 0,533 20,001 2,0001 0,025 0,3 2,52 0,89 0,825 0,9 1,495 1,225 -0,2 -0,53 7,45 0,745 4,58479 8,95074 0,0739 1,55585 0,69618 0,38176 2,43094 4,18667 1,9421 1,04202 25,84495 2,584495
Com isso, podemos construir os limites de controle do grfico T2, com um nvel de confiana 3 = 99,73%, dados a seguir. Limite inferior de controle
Limite central
Limite superior de controle
Clculo dos limites de controle para a varincia generalizada Vamos agora construir os limites de controle para a varincia generalizada, os quais so dados por
Como o valor obtido para o LIC foi negativo, tomamos como valor mnimo o zero. Sendo assim, assumimos LIC = 0.
Figura 7.2.1: Grficos T2 e Varincia generalizada. Podemos notar pelos grficos que o processo manteve-se estvel ao longo do perodo.
- Grficos de Pr-Controle
Os grficos de controle
e R, mdia e amplitude, servem essencialmente
para analisar a natureza da variabilidade nos processos e para diagnosticar as causas que levam ao estado de "Fora de Controle". Por sua vez, as tcnicas chamadas de Pr-Controle (P.C.) visam a deteco de alteraes no nvel ou na disperso do processo que levam a fabricao de produtos defeituosos ou fora das especificaes. O Pr-Controle foi inicialmente concebido com o intuito de ser, ao mesmo tempo, uma simplificao e melhoria das cartas CEP clssicas. Desenvolvido na dcada de 50, ele permite avaliar se as peas produzidas esto dentro da especificao e d um alarme quando h uma tendncia de produzir-se peas no-conformes. Ele nada tem a ver com estabilidade do
processo, porm tem uma certa relao com a capacidade do processo, ou seja, mesmo que o processo seja instvel, mas esteja produzindo peas dentro da tolerncia (conforme as regras do Pr-Controle) nenhum alarme ser dado. Caso o processo no seja capaz, o Pr-Controle nada far para mudar esta situao.
Justificativa do grfico de pr-controle

Consideremos a seguir um processo centrado cuja varivel seja (aproximadamente) normalmente distribudo e cujos limites naturais ( ), coincidam com os limites de especificao da caracterstica de interesse. Temos que:
em que
a mdia e
o desvio padro de um amostra de tamanho n.
Para um processo nestas condies verifica-se que:
Para implementar o P.C. devem ser estabelecidos limites de Pr-Controle; estes limites sero equidistantes entre (mdia do processo) e os limites de especificao, dividindo assim o intervalo de tolerncia em regies, segundo indica a Figura 8.1.
Figura 8.1: Limites do grfico de Pr-Controle. Consideramos:

LIE = Limite inferior de especificao; LIPC = Limite inferior de pr-controle; LSPC = Limite superior de pr-controle; LSE = Limite superior de especificao. A regio entre os limites de P.C. abrange metade do intervalo de tolerncia, e chamado de rea alvo ou nominal (target area). Na Figura 8.2 esta rea representada pela regio verde, que equivale aproximadamente a 86% das observaes.
Figura 8.2: Faixas do grfico de Pr-Controle. Pode-se observar tambm que nas condies de nossas hipteses - processo normal, centrado e de capacidade 1 - a probabilidade de uma observao ter valores fora de uma das linhas de P.C. de aproximadamente 14%. Como consequncia, quando dois itens consecutivos ficam fora do mesmo limite de P.C., o mais provvel que o processo tenha mudado de nvel. Neste caso recomendvel o reajuste do processo a seu nvel nominal. Por outro lado, se um item cair fora dos limites de P.C. e o item seguinte cair fora do outro limite mais provvel que tenha acontecido uma mudana de disperso no processo, causada talvez pela introduo de algum fator indesejvel. Nestas circunstncias os operadores do processo devero tomar medidas para imediata correo do mesmo. Descreveremos a seguir os passos para o Pr-Controle clssico.
8.1 - Regras para operar com a tcnica de Pr-Controle
1. Divida o intervalo de especificao em regies como indicado na Figura 8.1.1; 2. Comece o trabalho; 3. Sempre que uma pea cair fora dos limites de especificao (ficar na regio vermelha), conforme Figura 8.1.1, reajuste o processo;
Figura 8.1.1: Reestabelea o processo. 4. Se uma pea cair dentro das especificaes mas fora de um dos limites de P.C. (regio amarela), conforme Figura 8.1.2, verifique a prxima pea;
Figura 8.1.2: Check o prximo item. 5. Se a pea seguinte ficou tambm fora do mesmo limite de P.C. reajuste o processo, conforme Figura 8.1.3;
Figura 8.1.3: Reestabelea o processo. 6. Se aps o passo 4 (Figura 8.1.2) a pea seguinte est dentro dos limites de P.C., continue com o trabalho e reajuste somente no caso em que duas peas sucessivas estejam fora do mesmo limite de P.C;
Figura 8.1.4: Continue o processo. 7. Se duas peas sucessivas aparecerem de ambos os lados dos limites de P.C. (em ambas as regies amarelas), conforme a Figura 8.1.5, o processo deve ser imediatamente corrigido para diminuir sua disperso;
Figura 8.1.5: Reestabelea o processo. 8. Se 5 valores sucessivos ficarem dentro dos limites de P.C. (regio verde),conforme mostra a Figura 8.1.6, passe a amostrar com a frequncia habitual (amostragem regular). Enquanto espera por 5 peas consecutivas na regio verde, cada vez que uma pea sair fora dessa regio recomece a contagem;
Figura 8.1.6: Aumente o espaamento entre os itens amostrados. 9. Quando o processo estiver sob amostragem regular no interfira nele at que uma pea fique na regio amarela. Neste caso observe a prxima pea e proceda como na etapa 6 (Figura 8.1.4);
10. Aps cada reajuste, 5 peas consecutivas devem ser observadas apresentando valores dentro dos limites de P.C. antes de passar amostragem regular; 11. Se o operador registra 25 amostras sem ter tido necessidade de reajustar o processo, ver Figura 8.1.7, a frequncia de amostragem regular pode ser diminuda permitindo que mais peas sejam fabricadas entre cada amostra observada. Se ao contrrio, o operador deve reajustar o processo antes que 25 amostras sejam observadas, ver Figuras 8.1.8, 8.1.9, 8.1.10, 8.1.11, e aumentar-se- a frequncia de observao. Uma mdia de 25 amostras observadas entre reajustes um indicador de que a frequncia de amostragem regular correta.
Figura 8.1.7: Processo sob controle - continue.
Figura 8.1.8: Reestabelea o processo.

8.2 - Pr-Controle de 2 estgios
O Pr-Controle clssico refere-se formulao original, j o Pr-Controle de 2 estgios uma modificao que melhora as caractersticas operacionais do mtodo por coletar uma amostra adicional se a amostra inicial fornecer resultados ambguos. O Pr-Controle Modificado, por outro lado, representa um distanciamento da filosofia adotada nos outros 2 tipos, ele tenta obter um compromisso entre a filosofia das cartas de controle e a simplicidade de aplicao do Pr-Controle.
Para ambas as verses o processo aprovado na qualificao ( set-up) se so observadas 5 unidades consecutivas na zona verde. A diferena substancial entre eles est no mtodo de classificao de grupo. A primeira verso baseia-se na tolerncia de engenharia ou limites de especificao, enquanto o Pr-Controle Modificado classifica as unidades usando limites de controle como nas cartas de controle. Tem sido sugerido que os Pr-Controle Clssico e de 2 Estgios sejam aplicveis somente se a disperso atual do processo (6 desvios-padro do processo) cobrir menos que 88% da faixa de tolerncia. Com limites de especificao a 1, esta condio corresponde restrio < 0,2933, ou seja, < 0,1467 Tolerncia, ou ainda (6 < 88% da Tolerncia). A diferena importante o critrio de deciso. Para o Pr-Controle de 2 Estgios, amostrando-se 2 unidades, temos:
Se qualquer pea cair dentro da regio vermelha, conforme Figura 8.2.1, parar e ajustar.
Se ambas as peas carem dentro da regio verde, conforme Figura 8.2.2, continuar a operao.
Figura 8.2.2: Processo sob controle - continue.
Se qualquer pea (ou ambas) esto na regio amarela, continue a amostrar mais 3 peas, at no mximo 5. Continuar a operao se a amostra combinada contm 3 peas na regio verde e parar quando exitir 3 peas na regio amarela, ou ainda, se observamos uma pea na regio vermelha, vide Figuras (8.2.3, 8.2.4, 8.2.5, 8.2.6, 8.2.7, 8.2.8, 8.2.9, 8.2.10).
Figura 8.2.3: Continue a amostrar mais 3 peas.
Figura 8.2.4: Continue a amostrar mais 3 peas.
Figura 8.2.5: Continue o processo.
Figura 8.2.6: Continue o processo.

8.3 - Observaes importantes sobre os grficos de Pr-Controle
Recomendvel em processos com alta capacidade (por ex. Cpk > 1,67 - longo prazo) podendo tambm ser usado em processos com boa capacidade (por ex. Cpk > 1,33 - longo prazo);
Aplicvel em situaes em que no se tem controle sobre a caracterstica medida (no fcil tomar uma ao sobre o sistema) ou em que no haja preocupao com a mesma (independentemente do resultado obtido a qualidade do produto no afetada);
No recomendvel em processos no capazes (por ex. Cpk < 1,33 - longo prazo) pois poder provocar "tampering" ou "over-control" (reajuste excessivo do processo aumentando ainda mais a disperso);
No recomendvel para processos instveis, pois no identifica se a causa de variao comum ou especial, o que pode gerar aes equivocadas, custos desnecessrios e descrena. Vantagens:
Bastante simples, treinamento quase desnecessrio Baixo custo operacional Comparao direta com a tolerncia especificada para o produto Incorpora procedimento de verificao de set-up Desvantagens:
No indica condies de instabilidade do processo
No separa causas comuns de causas especiais, podendo gerar aes incorretas e custos decorrentes Inadequado para estabilizar um processo Se utilizado em processos no capazes pode piorar ainda mais o desempenho dos mesmos
Processos estveis porm incapazes

O procedimento de set-up de aprovao do grfico de Pr-Controle denomina um processo capaz se cada uma das 5 observaes consecutivas "carem" na regio verde. Dessa forma, para um dado Cp podemos calcular a probabilidade que o processo aceito como capaz.
A Tabela 8.3.1 mostra a probabilidade de aceitarmos um processo como capaz em funo dos valores de Cp. Tabela 8.3.1: Tabela de Cps Cp 0,5 P(aceitar) P(rejeitar) 0,0489 0,9511 0,75 0,221 0,779 1 0,4882 0,5118 1,5 0,8836 0,1164 2 0,9886 0,0134 2,5 0,9928 0,0072
Observamos na Tabela 8.3.1 que ao tomarmos 5 amostras consecutivas, a probabilidade de classificarmos incorretamente um processo com alta capacidade (Cp = 2,0) como sendo um processo de baixa capacidade menor que 1,34%. Entretanto, a probabilidade de classificarmos processos com baixa capacidade como sendo bons muito grande, como o caso de um processo com capacidade igual a 1, pois a probabilidade de aceitao de 48,82% muito prxima de rejeio, que igual a 51,18%. A vantagem est na maior quantidade de informaes sobre o status do processo, portanto erros de deciso so menos provveis. O objetivo do Pr-Controle Modificado detectar desvios de estabilidade. Ele requer estimao dos parmetros correntes do processo para determinar os limites de controle.
Para o grfico de Pr-Controle estar sob controle temos:
Todos os pontos entre as linhas de pr-controle (rea verde), conforme mostra a Figura 8.3.1.
Figura 8.3.1: Grfico de pr-controle - sob controle.
Somente um ponto entre os limites de especificaes e os limites de prcontrole (rea amarela), conforme mostra a Figura 8.3.2.
Figura 8.3.2: Grfico de pr-controle - sob controle. Para o grfico de Pr-Controle estar fora de controle temos:
Qualquer ponto fora dos limites de especificao (rea vermelha), conforme mostra a Figura 8.3.3.
Figura 8.3.3: Grfico de pr-controle - fora de controle.

o o
Dois pontos consecutivos alm das linhas de pr-controle: mesma rea amarela reas amarelas opostas Veja a Figura 8.3.4.
Figura 8.3.4: Grfico de pr-controle - fora de controle.
O Pr-Controle foi desenvolvido como uma alternativa s cartas de controle para manufatura de pequenos lotes. O Pr-Controle, como originalmente concebido, orientado ao produto (e no ao processo), ele qualifica o processo e mantm sua sada dentro das especificaes.
O paradigma do Pr-Controle pode ser modificado para limites do processo ao invs de limites de especificao. Isto permite que as virtudes da ferramenta sejam aplicadas a processos que tenham inicialmente sido qualificados em um estado de controle estatstico.
Usar os valores de 3 do processo como limites (passagem das zonas amarelas para vermelhas) e ento usar 1,5 como limites de alerta (passagem da zona verde para amarelas). Usando amostra de tamanho igual a 5, as regras de deciso se tornam: Passo 1: inspecionar 2 peas
Se ambas estiverem no verde, continuar o processo Se 1 ou ambas estiverem no vermelho, implementar plano de reao e reiniciar passo 1 Se 1 ou ambas estiverem no amarelo, ir para o passo 2. Passo 2: inspecionar mais 3 peas
Se qualquer delas estiver no vermelho, implementar plano de reao e reiniciar passo 1 Se 3/5 estiverem no amarelo, implementar plano de reao e reiniciar passo 1 Se 3/5 estiverem no verde, continuar. Ao modificar o Pr-Controle para limites de processo sua grande fraqueza removida porm, suas virtudes permanecem. O Pr-Controle Modificado outra ferramenta estatstica para nossa considerao. A Ford afirma no Q - 101 que h certos mtodos estatsticos que so contraprodutivos para a filosofia de melhoria contnua, incluindo o Pr-Controle; estes mtodos no so evidncia de melhoria contnua.
9 - Exerccios
Exerccio 9.1: Na usinagem de peas uma caracterstica importante o comprimento das mesmas. A Tabela 9.1 apresenta as medies na produo de 20 amostras com 3 peas. Analise a estabilidade do processo. Tabela 9.1: Medies do comprimento. Lote 1 2 10,69 10,20 Medies 10,80 10,30 10,39 10,72 Mdia Amplitude 10,627 10,407 0,41 0,52
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
10,42 10,98 10,61 10,57 10,44 10,20 10,46 10,11 10,29 10,83 10,35 10,69 10,44 10,63 10,54 10,50 10,29 10,57
10,61 10,27 10,52 10,46 10,29 10,29 10,76 10,33 10,57 11,00 10,07 10,54 10,44 9,86 10,82 10,61 10,79 10,44
10,54 10,50 10,67 10,50 9,86 10,41 10,74 10,98 10,65 10,65 10,48 10,61 10,57 10,54 10,48 10,54 10,74 10,52
10,523 10,583 10,600 10,510 10,197 10,300 10,653 10,473 10,503 10,827 10,300 10,613 10,483 10,343 10,613 10,550 10,607 10,510
0,19 0,71 0,15 0,11 0,58 0,21 0,3 0,87 0,36 0,35 0,41 0,15 0,13 0,77 0,34 0,11 0,5 0,13
Exerccio 9.2: Realize um estudo de estabilidade de um processo utilizando os dados de umidade apresentados na Tabela 9.2. Tabela 9.2: Dados de Umidade. Lote 1 2 3 4 5 6 7 Umidade 3,2 3,1 2,9 2,9 2,8 3 3 Amplitude Mvel 0,1 0,2 0 0,1 0,2 0
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
2,5 3,3 2,8 3,3 3 3,3 3,26 2,6 3,1 3,3 3,1 2,81 3,3 3,5 3,5 3,7 4,2 4
0,5 0,8 0,5 0,5 0,3 0,3 0,04 0,66 0,5 0,2 0,2 0,29 0,49 0,2 0 0,2 0,5 0,2
Exerccio 9.3: Os dados da Tabela 9.3 se referem a um processo de usinagem de pinos, em que os dimetros so medidos por amostragem de 5 peas em 25 lotes. Analise a estabilidade do processo. Tabela 9.3: Medies do dimetro de um pino. Lote 1 2 3 4 5 6 2,08495 2,44288 2,08819 1,42411 1,43307 1,2113 2,09203 1,84913 0,34567 1,04348 0,22926 0,63715 Medies 1,01425 1,02012 0,67246 1,15683 1,51612 0,97815 0,47627 1,5103 2,14641 0,9108 0,82627 2,30782 1,75308 0,5167 0,51528 1,23562 1,29935 1,0003 Mdia 1,48412 1,46782 1,1536 1,15417 1,06081 1,22694 Desvio padro 0,714 0,7421 0,8875 0,1943 0,536 0,6383
7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
2,14731 2,02444 1,4743 1,09096 1,90879 0,81791 0,58784 2,12184 1,2819 0,82836 0,14026 2,19158 0,93195 0,84523 1,84098 1,15648 2,21913 1,41393 1,5938
1,95837 1,60384 1,93916 2,09033 1,274 1,89952 1,57195 0,90374 0,89479 0,16347 1,0432 0,87777 1,82231 2,79753 2,37729 2,5689 0,91997 0,71069 1,19839
0,95294 1,64667 1,06107 0,62161 1,46827 1,24044 0,73316 0,59773 1,05394 2,12864 0,76948 0,955 1,2179 2,30041 1,89976 0,90064 2,15777 0,63707 0,88228
1,35384 1,66449 1,55396 1,45256 1,36343 0,72729 1,05367 1,63101 1,25779 1,69732 1,72083 1,50304 1,72608 0,47693 1,2079 3,7548 1,48548 1,71835 1,23019
0,73037 0,92746 0,8049 1,77208 1,06161 1,44959 3,29273 0,82706 0,99451 0,90752 3,95445 1,1604 1,45375 0,58081 3,2343 1,24616 0,25288 1,52855 0,41643
1,42857 1,57338 1,36668 1,40551 1,41522 1,22695 1,44787 1,21628 1,09659 1,14506 1,52564 1,33756 1,4304 1,40018 2,11205 1,9254 1,40704 1,20172 1,06422
0,6157 0,3985 0,4425 0,5742 0,3139 0,4793 1,0983 0,6371 0,1683 0,7734 1,4715 0,5352 0,3658 1,0718 0,7526 1,2107 0,8364 0,4946 0,4412
Exerccio 9.4: A seguir apresentamos os dados referentes ao controle da distncia entre dentes de uma engrenagem do cmbio. A cada trinta peas produzidas a ltima pea foi levada ao laboratrio para ser medida em uma mquina de medio por coordenadas. As especificaes para esses dados so LSE = 98,25 e LIE = 98,15. Avalie a capacidade/peformance do processo. Tabela 9.4: Dados Mercedes-Benz. Data 3/10/2007 3/10/2007 3/10/2007 3/10/2007 Horrio 09:16:47 11:50:33 13:39:07 13:42:14 Pea n 1 30 60 90 Dimetro Externo 98,212 98,23 98,218 98,215
3/10/2007 3/10/2007 3/10/2007 3/10/2007 4/10/2007 4/10/2007 4/10/2007 4/10/2007 4/10/2007 4/10/2007 5/10/2007 5/10/2007 5/10/2007 5/10/2007 5/10/2007 5/10/2007 5/10/2007 5/10/2007 5/10/2007 8/10/2007 8/10/2007 24/10/2007 24/10/2007 24/10/2007 24/10/2007 24/10/2007 24/10/2007 25/10/2007 25/10/2007 25/10/2007 25/10/2007
18:12:52 19:29:54 21:28:47 22:26:35 08:41:10 08:50:53 08:55:51 13:23:37 13:26:14 22:49:48 08:50:18 08:57:52 12:45:56 13:13:10 13:24:35 18:23:46 21:43:05 21:46:40 22:59:42 07:18:23 09:09:06 06:50:06 10:59:44 12:50:13 15:08:16 18:13:40 22:07:46 07:24:32 09:24:54 12:26:39 16:49:41
120 150 180 210 240 270 300 330 360 390 420 450 480 510 540 570 600 630 660 690 720 1 30 60 90 120 150 180 210 240 270
98,216 98,22 98,219 98,216 98,207 98,208 98,216 98,215 98,192 98,193 98,171 98,186 98,187 98,197 98,191 98,198 98,187 98,199 98,192 98,207 98,21 98,209 98,193 98,204 98,202 98,222 98,214 98,204 98,166 98,168 98,169
25/10/2007 25/10/2007 26/10/2007 26/10/2007 29/10/2007 29/10/2007 29/10/2007 29/10/2007 29/10/2007 29/10/2007 29/10/2007 30/10/2007 30/10/2007 30/10/2007
19:38:17 22:44:45 08:51:41 11:49:26 06:14:28 06:17:54 08:39:19 12:43:09 17:11:26 17:48:53 20:48:24 06:47:31 09:30:37 13:05:12
300 330 360 390 420 450 480 510 540 570 600 630 660 690
98,175 98,175 98,191 98,19 98,181 98,179 98,187 98,192 98,208 98,195 98,196 98,176 98,186 98,194
Exerccio 9.5: A seguir temos uma amostra de 25 dados referentes a concentrao (gr/l) de um determinado produto. Avalie a estabilidade do processo. Tabela 9.5: Dados de concentrao (gr/l). Amostra 1 2 3 4 5 6 7 8 9 10 Concentrao 1,19704 1,27774 1,29062 1,2084 1,18415 1,2303 1,21312 1,23794 1,10243 1,13184 0,081 0,013 0,082 0,024 0,046 0,017 0,025 0,136 0,029 Amplitude
11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Mdia
1,16285 1,20232 1,30562 1,24223 1,17811 1,15798 1,2363 1,26707 1,21276 1,17929 1,18989 1,24922 1,17928 1,22236 1,23954 1,2119
0,031 0,039 0,103 0,063 0,064 0,02 0,078 0,031 0,054 0,033 0,011 0,059 0,07 0,043 0,017 0,0488
Exerccio 9.6: A Tabela 9.6 apresenta os dados, ao longo de 15 dias, referentes ao nmero de pedidos de compras que foram preenchidos de forma errada. Analise a estabilidade do processo. Tabela 9.6: Pedidos de compra. Dia 1 2 3 4 5 6 7 8 Verificados 200 200 200 200 200 200 200 200 Com Erros 22 25 17 18 37 29 21 17 p 0,110 0,125 0,085 0,090 0,185 0,145 0,105 0,085
9 10 11 12 13 14 15 Total
200 200 200 200 200 200 200 3000
20 25 8 24 29 18 22 332
0,100 0,125 0,040 0,120 0,145 0,090 0,110
Exerccio 9.7: O departamento tcnico de uma empresa deseja estabelecer um grfico de controle para a no-conformidade por unidade no final da linha de produo. A Tabela 9.7 apresenta o nmero de no-conformidades observados em 20 amostras de 5 peas. Analise a estabilidade do processo. Tabela 9.7: Unidades no-conformes no final de uma linha de produo. Amostra tamanho da amostra n de no-conformes 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 10 12 8 14 10 16 11 7 10 15 9 5 7 11 12 mdia de no-conformes 2 2,4 1,6 2,8 2 3,2 2,2 1,4 2 3 1,8 1 1,4 2,2 2,4
16 17 18 19 20
5 5 5 5 5
6 8 10 7 5 total = 193
1,2 1,6 2 1,4 1 total = 38,6
Exerccio 9.8: Em um processo de fabricao de papel estamos interessados em acompanhar o total de manchas por rea de papel produzido. Para isso coletamos os dados conforme a Tabela 9.8. Faa uma anlise da estabilidade do processo. Tabela 9.8: Manchas por rea de papel produzido. Nmero do Metragem do lote rolo 131910 131938 131982 131988 132008 122033 132043 132064 132094 132119 132140 132166 132193 132218 132226 132266 132293 56,1 53 56,04 56,09 56,04 56,014 28,04 56,04 56,04 56,16 56,04 56,16 56,17 56,17 56,211 56,04 56,14 Largura do rea do rolo rolo 4,142 4,143 4,147 4,145 4,144 4,145 4,142 4,143 4,142 4,143 4,142 4,147 4,142 4,142 4,143 4,145 4,144 232 220 232 232 232 232 116 232 232 233 232 233 233 233 233 232 233 Total de manchas 2 0 1 4 0 3 1 11 2 11 8 6 10 3 0 0 0 Manchas por rea 0,009 0 0,004 0,017 0 0,013 0,009 0,047 0,009 0,047 0,034 0,026 0,043 0,013 0 0 0
132314 132347 131373 132397 132430 132452 132482 132495
56,11 56,11 55,03 56,03 56,11 56,08 55,13 56,04
4,143 4,142 4,146 4,147 4,143 4,143 4,143 4,142
232 232 228 232 232 232 228 232
6 4 3 3 5 2 7 2
0,026 0,017 0,013 0,013 0,022 0,009 0,031 0,009
Exerccio 9.9: Medies do dimetro do cilindro nmero 2, medies feitas com sbito com relgio centesimal, pegando 5 peas a cada 20 produzidas. Analise a estabilidade do processo. Tabela 9.9: Medies do dimetro. Data 16/abr 16/abr 17/abr 18/abr 22/abr 22/abr 22/abr 22/abr 22/abr 23/abr 23/abr 23/abr 23/abr 23/abr 23/abr 23/abr Hora 19:25 22:30 02:00 02:00 08:45 12:05 13:35 17:30 21:00 01:00 04:00 07:20 09:45 12:40 17:30 19:20 Chapa 11380 11380 13310 13310 985 985 985 11380 11380 13310 13310 985 985 985 11380 11380 0,1 0,15 0,08 0,16 0,13 0,17 0,19 0,12 0,14 0,13 0,17 0,14 0,16 0,17 0,17 0,12 0,08 0,15 0,07 0,19 0,12 0,16 0,17 0,14 0,14 0,12 0,14 0,15 0,15 0,16 0,18 0,14 Medies 0,14 0,12 0,09 0,13 0,12 0,17 0,18 0,14 0,12 0,1 0,16 0,16 0,16 0,17 0,18 0,14 0,1 0,12 0,09 0,14 0,11 0,16 0,18 0,13 0,12 0,15 0,1 0,16 0,16 0,17 0,16 0,12 0,08 0,14 0,11 0,09 0,14 0,16 0,17 0,13 0,16 0,14 0,05 0,16 0,18 0,17 0,16 0,14 Mdia Amplitude 0,1 0,136 0,088 0,142 0,124 0,164 0,178 0,132 0,136 0,128 0,124 0,154 0,162 0,168 0,17 0,132 0,06 0,03 0,04 0,1 0,03 0,01 0,02 0,02 0,04 0,05 0,12 0,02 0,03 0,01 0,02 0,02
24/abr 24/abr 24/abr 24/abr 24/abr 24/abr 24/abr 25/abr 25/abr
01:00 04:00 07:10 09:20 12:20 18:00 21:00 01:00 04:00
13310 13310 985 985 985 11380 11380 13310 13310
0,14 0,2 0,18 0,19 0,21 0,2 0,18 0,16 0,19
0,13 0,2 0,17 0,2 0,22 0,22 0,18 0,19 0,17
0,15 0,19 0,18 0,18 0,22 0,22 0,22 0,2 0,16
0,19 0,15 0,16 0,18 0,23 0,2 0,2 0,2 0,1
0,22 0,1 0,17 0,19 0,23 0,18 0,2 0,22 0,08
0,166 0,168 0,172 0,188 0,222 0,204 0,196 0,194 0,14
0,09 0,1 0,02 0,02 0,02 0,04 0,04 0,06 0,11
Exerccio 9.10: Foram feitas medies do dimetro de um cilindro em duas posies (em cima e em baixo), medies feitas com sbito com relogio centesimal, pegando 1 pea a cada 10 produzidas. Avalie a estabilidade do processo. Tabela 9.10: Medies do dimetro. Amostras 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Medies (em cima) 0,15 0,16 0,09 0,16 0,14 0,18 0,19 0,13 0,14 0,11 0,17 0,13 0,16 0,16 Medies (em baixo) 0,09 0,15 0,08 0,18 0,12 0,16 0,15 0,14 0,12 0,12 0,11 0,15 0,15 0,16
15 16 17 18 19 20 21 22 23 24 25
0,17 0,12 0,14 0,2 0,18 0,17 0,21 0,2 0,15 0,16 0,19
0,19 0,14 0,16 0,2 0,17 0,21 0,22 0,2 0,18 0,13 0,16
Exerccio 9.11: Neste exemplo vamos considerar medies do dimetro do cilindro nmero 2, sendo essas medies feitas com sbito com relgio centesimal pegando 5 peas a cada 20 produzidas. Analisar a capacidade do processo. Tabela 9.11: Medies do dimetro - MWM International. Data 16/abr 16/abr 17/abr 18/abr 22/abr 22/abr 22/abr 22/abr 22/abr 23/abr 23/abr 23/abr Hora 19:25 22:30 02:00 02:00 08:45 12:05 13:35 17:30 21:00 01:00 04:00 07:20 Chapa 11380 11380 13310 13310 985 985 985 11380 11380 13310 13310 985 0,1 Medies 0,08 0,14 0,1 0,08 Mdia 0,1 0,136 0,088 0,142 0,124 0,164 0,178 0,132 0,136 0,128 0,124 0,154 Amplitude 0,06 0,03 0,04 0,1 0,03 0,01 0,02 0,02 0,04 0,05 0,12 0,02
0,15 0,15 0,12 0,12 0,14 0,08 0,07 0,09 0,09 0,11 0,16 0,19 0,13 0,14 0,09 0,13 0,12 0,12 0,11 0,14 0,17 0,16 0,17 0,16 0,16 0,19 0,17 0,18 0,18 0,17 0,12 0,14 0,14 0,13 0,13 0,14 0,14 0,12 0,12 0,16 0,13 0,12 0,1 0,15 0,14 0,1 0,05
0,17 0,14 0,16
0,14 0,15 0,16 0,16 0,16
23/abr 23/abr 23/abr 23/abr 24/abr 24/abr 24/abr 24/abr 24/abr 24/abr 24/abr 25/abr 25/abr
09:45 12:40 17:30 19:20 01:00 04:00 07:10 09:20 12:20 18:00 21:00 01:00 04:00
985 985 11380 11380 13310 13310 985 985 985 11380 11380 13310 13310
0,16 0,15 0,16 0,16 0,18 0,17 0,16 0,17 0,17 0,17 0,17 0,18 0,18 0,16 0,16 0,12 0,14 0,14 0,12 0,14 0,14 0,13 0,15 0,19 0,22 0,2 0,2 0,19 0,15 0,1
0,162 0,168 0,17 0,132 0,166 0,168 0,172 0,188 0,222 0,204 0,196 0,194 0,14 = 0,15552
0,03 0,01 0,02 0,02 0,09 0,1 0,02 0,02 0,02 0,04 0,04 0,06 0,11 = 0,0448
0,18 0,17 0,18 0,16 0,17 0,19 0,2 0,18 0,18 0,19
0,21 0,22 0,22 0,23 0,23 0,2 0,22 0,22 0,2 0,2 0,2 0,1 0,18 0,2 0,22 0,08
0,18 0,18 0,22 0,16 0,19 0,2
0,19 0,17 0,16
Exerccio 9.12: Considere os dados referentes ao controle da distncia entre dentes de uma engrenagem do cmbio. A cada trinta peas produzidas a ltima pea foi levada ao laboratrio para ser medida em uma mquina de medio por coordenadas. As especificaes para esses dados so LSE = 40,015 e LIE = 40. Avalie a estabilidade do processo. Tabela 9.12: Dados Mercedes-Benz. Data 08/01/07 08/01/07 08/01/07 08/01/07 08/01/07 08/01/07 08/01/07 08/01/07 09/01/07 Horrio 12:48:53 12:55:01 16:15:56 17:12:58 20:04:07 21:42:30 21:48:03 21:52:32 06:16:34 Pea n 1 30 60 90 120 150 180 210 240 Dimetro Externo 40,005 40,005 40,005 40,012 40,010 40,010 40,006 40,011 40,011
09/01/07 09/01/07 09/01/07 09/01/07 09/01/07 22/01/07 23/01/07 23/01/07 23/01/07 23/01/07 23/01/07 23/01/07 23/01/07 23/01/07 23/01/07 23/01/07 23/01/07 24/01/07 24/01/07 24/01/07 24/01/07 24/01/07 24/01/07 24/01/07 24/01/07 24/01/07 25/01/07 25/01/07 25/01/07 25/01/07 25/01/07
07:53:56 07:57:40 11:50:21 11:54:18 12:04:26 22:43:06 10:15:08 10:18:26 10:27:06 12:23:36 14:52:46 15:17:29 16:35:09 18:08:59 18:13:11 21:22:24 21:24:55 07:55:50 10:47:56 15:41:05 17:06:58 17:10:54 19:48:54 19:54:12 21:47:01 21:54:39 07:11:10 08:04:26 11:22:54 11:39:31 11:47:32
270 300 330 360 390 1 30 60 90 120 150 180 210 240 240 300 330 360 390 420 450 480 510 540 570 600 630 660 690 720 750
40,007 40,010 40,005 40,005 40,009 40,012 40,008 40,008 40,005 40,008 40,007 40,014 40,011 40,014 40,011 40,013 40,013 40,007 40,014 40,015 40,015 40,013 40,011 40,010 40,011 40,007 40,013 40,012 40,011 40,006 40,008
25/01/07 25/01/07 26/01/07 26/01/07 26/01/07 26/01/07 26/01/07 26/01/07 26/01/07 26/01/07 26/01/07 26/01/07 29/01/07 29/01/07 29/01/07 29/01/07 29/01/07 29/01/07 29/01/07 29/01/07 29/01/07
16:21:19 18:06:51 07:54:10 08:05:50 10:43:18 13:38:40 17:11:21 17:14:05 17:20:08 17:27:45 21:08:30 21:14:21 06:47:32 09:12:12 09:15:57 11:34:05 11:46:26 16:42:37 16:45:52 17:41:12 19:48:37
780 810 840 870 900 930 960 990 1020 1050 1080 1110 1140 1170 1200 1230 1260 1290 1320 1350 1380
40,015 40,011 40,012 40,008 40,012 40,010 40,009 40,010 40,012 40,012 40,010 40,011 40,010 40,010 40,011 40,009 40,012 40,011 40,009 40,009 40,009
Exerccio 9.13: Consideremos os dados da tabela 9.13 referentes s medies de uma pea enviada para anlise. Os limites de especificao para essa pea so: LSE = 720 e LIE = 480. Avaliar a capacidade e performance do processo. Tabela 9.13: Fixao das rodas do terceiro eixo lado direito - Mercedes-Benz. Coleta de dados Subgrupo X1 1 2 623,00 618,00 X2 589,00 604,00 X3 618,00 594,00 X4 620,00 618,00 X5 613,00 606,00
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
637,00 618,00 587,00 608,00 599,00 584,00 584,00 623,00 589,00 592,00 604,00 611,00 589,00 628,00 606,00 613,00 596,00 581,00 608,00 616,00 632,00 620,00 608,00
584,00 635,00 606,00 601,00 589,00 637,00 606,00 632,00 611,00 726,00 613,00 596,00 709,00 592,00 584,00 604,00 587,00 604,00 623,00 599,00 618,00 587,00 582,00
608,00 618,00 604,00 601,00 664,00 599,00 587,00 604,00 599,00 580,00 599,00 611,00 592,00 608,00 604,00 618,00 613,00 580,00 604,00 616,00 611,00 580,00 599,00
608,00 630,00 616,00 606,00 618,00 628,00 584,00 580,00 592,00 589,00 611,00 580,00 625,00 637,00 592,00 592,00 618,00 611,00 584,00 714,00 584,00 613,00 604,00
608,00 608,00 608,00 580,00 728,00 606,00 620,00 601,00 589,00 618,00 599,00 613,00 687,00 656,00 620,00 584,00 592,00 613,00 606,00 611,00 592,00 608,00 604,00
10 - Apndice
Nesse apndice apresentamos as tabelas com os fatores utilizados para o clculo dos limites de controle.
Fatores para clculos de linhas centrais e limites de controle 3
Grfico de Mdias
Fatores para Limites de Controle Nmero de Elementos na Amostra (n) A1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 2,121 1,732 1,5 1,342 1,225 1,134 1,061 1 0,949 0,905 0,866 0,832 0,802 0,775 A2 1,880 1,023 0,729 0,577 0,483 0,419 0,373 0,337 0,308 0,285 0,266 0,249 0,235 0,223 A3 2,659 1,954 1,628 1,427 1,287 1,182 1,099 1,032 0,975 0,927 0,886 0,850 0,817 0,789
Grfico de Desvios Padro Nmero de Elementos na Amostra (n) Fatores para Linha Central c4 2 3 4 5 6 7 8 9 0,7979 0,8862 0,9213 0,9400 0,9515 0,9594 0,9650 0,9693 1/c4 1,2533 1,1284 1,0854 1,0638 1,0510 1,0423 1,0363 1,0317 Fatores para Limites de Controle B3 0 0 0 0 0,030 0,118 0,185 0,239 B4 3,267 2,568 2,266 2,089 1,970 1,882 1,815 1,761 B5 0 0 0 0 0,029 0,113 0,179 0,232 B6 2,606 2,276 2,088 1,964 1,874 1,806 1,751 1,707
10 11 12 13 14 15
0,9727 0,9754 0,9776 0,9794 0,9810 0,9823
1,0281 1,0252 1,0229 1,0210 1,0194 1,0180
0,284 0,321 0,354 0,382 0,406 0,428
1,716 1,679 1,646 1,618 1,594 1,572
0,276 0,313 0,346 0,374 0,399 0,421
1,669 1,637 1,610 1,585 1,563 1,544
Grfico de Amplitudes Nmero de Fatores para Linha Central Fatores para Limites de Controle Elementos na d2 1/d2 d3 D1 D2 D3 D4 Amostra (n) 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1,128 1,693 2,059 2,326 2,534 2,704 2,847 2,970 3,078 3,173 3,258 3,336 3,407 3,472 0,8865 0,5907 0,4857 0,4299 0,3946 0,3698 0,3512 0,3367 0,3249 0,3152 0,3069 0,2998 0,2935 0,2880 0,853 0,888 0,880 0,864 0,848 0,833 0,820 0,808 0,797 0,787 0,778 0,770 0,763 0,756 0 0 0 0 0 0,204 0,388 0,547 0,687 0,811 0,922 1,025 1,118 1,203 3,686 4,358 4,698 4,918 5,078 5,204 5,306 5,393 5,469 5,535 5,594 5,647 5,696 5,741 0 0 0 0 0 0,076 0,136 0,184 0,223 0,256 0,283 0,307 0,328 0,347 3,267 2,574 2,282 2,114 2,004 1,924 1,864 1,816 1,777 1,744 1,717 1,693 1,672 1,653
1 - Referncias Bibliogrficas
[1] Breyfogle, F. W. (1999 ) - Implementing Six Sigma: Smarter Solution Using Statistical Methods, John Wiley and Sons, INC.
[2] Fundamentos do Controle Estatstico do Processo - Manual de Referncia, IQA. [3] ISO 21747 - Statistical methods - Process performance and capability statistics for measured quality characteristics, First Edition, 2006. [4] Johnson, R. A. and Wichern, D. W. (2002) - Applied Multivariate Statistical Analysis, Prentice Hall, New Jersey. [5] Montgomery, D. C. (1985) - Introduction to Statistical Quality Control, John Wiley and Sons, New York . [6] Montgomery, D.C. (2001) - Introduction to Statistical Quality Control, 4th edition, John Wiley and Sons. [7] Schmidt, S. R. and Launsby, R. G. (1997) - Understanding Industrial Designed Experiments, Air Academic Press, Colorado Springs, CO. [8] QS 9000, Manual de CEP, Segunda edio.

Introdução ao Controle Estatístico de Processos

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Introdução ao Controle Estatístico de Processos

Caricato da

Copyright:

Formati disponibili

1 - Introduo

Sistema de controle do processo

Figura 1.1: Sistema de controle do processo.

Figura 1.2: Processo previsvel.

Figura 1.3: Processo no previsvel.

Aes locais e aes gerenciais sobre o sistema

O ciclo de melhoria e o controle do processo

Figura 1.4: O ciclo de melhoria e o controle do processo.

2 - Grficos ou Cartas de Controle

Figura 2.1: Modelo de grficos de controle.

Benefcios dos grficos de controle

A seguir, apresentamos os grfico mais simples e utilizados nas organizaes.

Tipos de grficos de controle

Os tpicos seguintes descrevem cada um dos itens acima.

Figura 3.1: Limites de controle e linha central para o grfico

responsabilidades gerenciais; recursos necessrios para execuo do programa;

Algumas questes ajudam a definir a estratgia:

pessoas necessitam ser treinadas?

treinamentos sero feitos fora ou dentro da empresa?

2. Especificaes 3. Regulaes 4. FMEAs 5. Resultados 6. Lies

S = 8 e se Ocorrncia estritamente maior do que 1

P-FMEA transforma caractersticas de qualidade potenciais em caractersticas confirmadas quando:

S = 10 ou 9 S = 8 e se Ocorrncia estritamente maior do que 4

Pp 1,5 e Ppk 1,33.

(e at aumentar) frequncia de amostragem para

caractersticas que no tiverem boa performance.

1: O sistema estvel? (sim ou no) 2: O sistema capaz? (sim ou no)

das causas comuns de variao;

de causas comuns de variao; de DOE.

Elaborar o grfico do farol Avaliar a capacidade do processo. V para a Etapa 9.

4 - Grficos de Controle por Variveis

A seguir, vamos apresentar os principais tpicos para a construo do grfico e

simultaneamente, pois as funes se complementam.

Clculo dos limites de controle

distribuio Normal dada por

estimador para o desvio padro dada por:

Portanto, os limites de controle para o grfico

Resumindo temos que,

Para as mdias: Limite Superior de Controle:

Limite Inferior de Controle:

Para as amplitudes: Limite Superior de controle:

Linha Central: Limite Inferior de Controle:

Disposio dos pontos nos grficos

Fase I: Aplicao dos grficos

Etapas para a coleta das amostras e anlise dos dados:

Seleo da caracterstica de qualidade do processo, focada no cliente.

Clculo da mdia amostral 1, 2, , m. Os valores de coluna.

acompanham os valores em cada

Para os dados do nosso exemplo temos:

m = Nmero de amostras = 25 n = Tamanho das amostras = 5

Figura 4.1.1: Grficos

Fase II: Operao dos grficos

Objetivos e interpretao dos grficos

Se um ou mais pontos esto fora dos limites de controle (seja no grfico

Definindo Sinais "fora de controle"

Figura 4.1.3: Exemplo de 7 pontos em sequncia a partir da linha central.

Figura 4.1.4: Exemplo de 14 pontos em sequncia alternando-se ao longo da linha central.

Figura 4.1.6: Exemplo de 7 pontos, em linha, crescentes.

A Funo Caracterstica de Operao

Uma vez que

e os limites superior e inferior de controle so

podemos reescrever a equao 4.1.1 como

denota a funo distribuio acumulada normal padro. Com isso,