Apostila CEP

Controle estatstico do processo - Bsico
Controle estatstico do processo

Bsico
DAEC - Diviso de Assistncia s Empresas e Comunidade
Ncleo de Desenvolvimento Gerencial e Qualidade
SENA
SENA
Controle estatstico do processo
Bsico
DAEC - Diviso de Assistncia s Empresas e Comunidade
SENA
Programa SENAI-SP de Gesto da Qualidade
Trabalho desenvolvido pela
Diviso de Assistncia s Empresas e Comunidade - DAEC
Coordenao: Clayton George Joo
Elaborao: Maria de Melo Ruiz e Sandra Maria Okumura Bulgarelli
Edio: Ademir Miguel Bronzatto
Assessoria tcnica: Luiz Carlos Tricrico
Composio e Arte: Criarte - Comunicao Visual S/C Ltda.
S47c SENA-SP. Controle estatstico do processo - Bsico, por
BULGARELL, Sandra Maria Okumura.
RUZ, Maria de Melo.
So Paulo, 1995, 65 p.
1 - Controle estatstico da Qualidade - Bsico. .t. 658.562.012.7
CDU
BCT/76
SENA - Servio Nacional de Aprendizagem ndustrial
Departamento Regional de So Paulo
Praa Alberto Lion, n
o
100 - Cambuci - So Paulo - SP
CEP 01515-000 - Telefone (011) 3273-5000
E-mail senaisp@eu.ansp.br
SENA
Sumrio
ntroduo............................................................................................................... 07
Conceitos Bsicos.....................................................................................................09
Apresentao dos Dados..................................................................................21
Controle do Processo........................................................................................ 35
Capacidade do Processo..................................................................................83
Pr Controle Grfico do Farol.........................................................................89
mplantao do CEP......................................................................................... 95
Tabelas.............................................................................................................. 99
Simbologia utilizada........................................................................................ 103
Referencias Bibliogrficas...............................................................................105
SENA
SENA
Introduo
O desenvolvimento e utilizao das tcnicas e mtodos estatsticos para anlise e
soluo de problemas passaram a ganhar importncia no campo industrial a partir da
segunda metade dos anos 20, quando o Dr. Walter A. Shewhart desenvolveu uma
teoria de controle estatstico baseada em grficos de controle.
Shewhart apresentou sua teoria em uma srie de palestra, e este material tornou-se
seu famoso livro Economic of Quality of Manufactured Product (1931). Seus grficos
de controle foram utilizados em larga escala nos anos 40 como resultado dos esforos
de perodo de guerra.
Aqueles que os usaram conquistaram ganhos substanciais em qualidade e
produtividade. Assim o CEP surgiu como ferramenta para o eficiente, seguro e rpido
controle e aperfeioamento dos processos.
O controle estatstico do processo (CEP) tem por finalidade desenvolver e aplicar
mtodos estatsticos como parte da estratgia de preveno de defeitos, de melhoria
da qualidade dos produtos e servios e da reduo dos custos de fabricao.
SENA
Sistema de controle de qualidade
SENA
Conceitos bsicos
Controle
Manter algo dentro de padres ou fazer com que se comporte de forma adequada.
Portanto, controle quando se mede o desempenho real, compara com o padro e
age sobre a diferena.
Estatstica
a parte da matemtica que permite tirar concluses a partir de uma srie de dados
observados.
Processo
a combinao especfica de mquinas e equipamentos, mtodos, materiais, meio
ambiente e pessoas que trabalham simultaneamente para produzir um produto ou
servio.
Portanto, controle estatstico do processo um mtodo preventivo de se comparar os
resultados do processo com padres pr-estabelecidos, identificando estatisticamente
as variaes significativas a fim de elimin-las ou minimiz-las.
ariabilidade
Dois elementos nunca so exatamente iguais. A variao est sempre presente: entre
pessoas, na natureza, nos produtos, etc. Todos os processos de manufatura tambm
so afetados pela variao, que influenciam nos resultados finais.
Existem variaes inerentes ao processo e variaes cuja causa acidental,
determinvel.
SENA
aria!es aleat"rias (causas comuns) so as variaes inerentes ao processo; fazem
parte de sua natureza, podem ser controladas e seguem padres normais de
comportamento. Essas variaes no podem ser evitadas, apenas minimizadas.
aria!es causais (causas especiais) so as variaes de causa acidental,
determinvel. Por exemplo: As falhas e enganos so normalmente identificadas e
eliminadas.
Po#ulao
o conjunto de indivduos ou objetos existentes ou possveis de existirem num
processo de fabricao, que apresentam pelo menos uma caracterstica em comum.
Pode ser finito ou infinito.
$ote
o conjunto de peas produzidas em um processo de fabricao durante um intervalo
de tempo, ou at mesmo uma produo programada independente do tempo.
Amostra
um conjunto de elementos extrados da populao. O tamanho da amostra a
quantidade de elementos existentes nela. A amostra simbolizada por n.
Amostragem
um conjunto de amostras retiradas da populao. A quantidade de amostra retirada
da populao simbolizada por K.
%edidas
Para extrair informaes sobre uma grande srie de dados, so necessrias algumas
caractersticas que possibilitem representar os dados de forma relativa e resumida.
Estas caractersticas chamam-se medidas. Existem medidas de posio e de
disperso.
SENA
%edidas de #osio
So chamadas medidas de tendncia central, pois representam os valores em torno
dos quais tende a se concentrar a maior quantidade dos dados em estudo.
Algumas medidas de posio:
- Mdia da amostra, simbolizada por
&
.
- Mdia da amostragem, simbolizada por
&
.
- Mediana, simbolizada por . Colocando-se os valores em ordem crescente ou
decrescente, a mediana o valor que ocupa a posio central.
%edidas de dis#erso
Servem para verificar o quanto representativa a medida de posio. uma medida
do grau de concentrao dos dados em torno da mdia.
Algumas medidas de disperso:
- Amplitude, simbolizada por R.
R = Xmx. - Xmin.
'bser(ao) Apesar dessa medida de disperso ser limitada, por considerar somente
os valores externos e no ser afetada pelos internos, a amplitude total muito utilizada
na prtica devido facilidade de clculo.
- *es(io + #adro da amostras Mede a disperso ou o grau de concentrao dos
valores em torno da mdia, verificando os desvios e cada valor em relao a
mdia.
(Mtodo preciso)
2
d
R
s =
ou
2
d
R
s =
(Mtodo aproximado)
SENA
E,em#lo
1. Clculo da mdia da amostra de 9 elementos da Bateria Delco modelo DD9P!"#
$%& - Opala, cujos pesos em gramas esto relacionados abaixo:
X1 X2 X3 X4 X5 X6 X7 X8 X9
35 34 35 37 36 35 34 33 37
elementos de nmero
elementos dos Somatrio
X = 35,1
9
316

9
...37 34 35
X = =
+ +
=
2. Clculo da mediana da amostra = Valor central
No exemplo, temos a seqncia crescente dos 9 elementos:
33 34 34 35 35 35 36 37 37
4 elementos elemento central 4 elementos
= 35.
3. Clculo da amplitude da amostra
R = Xmx. - Xmn.
R = 37 - 33 = 4
4. Clculo do desvio-padro da amostra
Mtodo preciso: Valor Desvio (Xi - ) (Desvio) (Xi - )
35 -0,1 0,01
34 -1,1 1,21
35 -0,1 0,01
37 1,9 3,61
36 0,9 0,81
35 -0,1 0,01
34 -1,1 1,21
33 -2,1 4,41
37 1,9 3,61
-./01
= 35,1. 36 , 1 1) - (9 / 89 , 14 = = s
Mtodo aproximado
Para amostra com n 100 elementos
s = R/d2, onde d2 fator tabelado (ver tabela da pg. 103).
SENA
No exemplo:
Para n = 9 d2 = 2,97.
s = 4 / 2,97.
s = 1,35.
Faa os exerccios seguintes:
a) Determinar a mdia, mediana, amplitude e o desvio padro pelos mtodos preciso e
aproximado, dos dados abaixo.
10,3 20,2 1,47
10,4 20,7 1,32
10,7 20,9 1,44
10,1 20,5 1,65
10,8 20,7 1,54
10,5 20,7 1,53
10,0 20,4 1,34
10,6 21,0 1,10
10,4 20,2 1,10
10,9 20,7 1,68
b) Determinar a mdia da amostragem dos dados a seguir.
21,5 21,4 21,8 21,5 21,6
21,7 21,6 21,4 21,2 21,7
21,3 21,5 21,4 21,2 21,7
21,5 21,9 21,6 21,3 21,5
21,4 21,5 21,6 21,9 21,5
SENA
*istribuio normal
uma das mais importantes distribuies de probabilidade, aplicada a inmeros
fenmenos e utilizada na prtica como resultado de processos sob controle estatstico
(que apresenta somente variaes do tipo aleatrio). Conhecendo suas propriedades
pode-se fazer estimativas bastante boas sobre muitos fenmenos e tambm acerca
dos processos produtivos que particularmente interessam.
X tem uma distribuio normal se :
+ < <

=

X - , e -
2
1
(X) f

2
) - (x

2
1
-
onde a mdia da distribuio e o desvio-padro da distribuio.
O grfico de uma varivel normal tem a forma de um sino e simtrico em relao
mdia (). Fixando a mdia (), verifica-se que o ac'atamento est diretamente ligado
ao desvio-padro ().
3onas de #robabilidade
A rea sob a curva normal costuma ser dividida em zonas de probabilidades, onde
cada uma tem a mesma base de um desvio padro.
SENA
A figura abaixo mostra reas representativas sob a curva de distribuio normal.
*istribuio normal #adroni4ada
Para o clculo das reas sob a curva normal surgem alguns problemas, que exigem
grandes clculos matemticos. Esses problemas so solucionados por meio de uma
mudana de varivel, obtendo-se assim a distribuio normal padronizada ou reduzida,
com mdia.
= 0 e o
2
= 1.
Notao: X ~ N ( . o
2
).
SENA
A distribuio normal pode ser transformada na distribuio normal padro com =0 e
o
2
=1 usando-se a seguinte transformao:
=
- X
Z
A mdia da varivel Z 0 (zero) e o desvio-padro 1.
Notao: Z ~ N (0,1).
A tabela da cur(a normal
Neste material utiliza-se a tabela da faixa central, a mais comumente usada (Tabela 4,
pg.104). Essa tabela fornece a rea sob a curva normal padro entre z = 0 e qualquer
valor positivo de z. Devido simetria em torno de z = 0, pode-se obter a rea de
quaisquer valores de z (positivo ou negativo).
Exemplo de clculo de rea sob a curva.
Seja X uma varivel onde X ~ N (1,60; 0,30
2
). Acharemos a pro(a(ilidade de termos
elementos entre 1,35 e 1,92.
SENA
5esoluo
X ~ N (1,60; 0,30
2
). Reduzir para Z ~ N (0,1).
= 1,60.
o
2
= 0,30
2
X =
0,30
= 0,55.
Zabaixo
0,45 -
55 , 0
1,60 - 1,35
= =
na tabela = 0,1736.
Zacima
0,58
55 , 0
1,60 - 1,92
= =
na tabela = 0,2190.
'bser(ao
Verificando a tabela 4, nota-se que s apresenta valores positivos para z. Como a
curva simtrica em relao mdia, procura-se o valor de z em mdulo.
A probabilidade de termos elementos no intervalo de 1,35 a 1,92
0,1735 + 0,2190 = 0,3926 39,26%.
E,erccios
SENA
1. Sabendo-se que a espessura de um disco de freio segue uma distribuio normal,
com
= 15mm e = 0,07mm, determinar:
a) A probabilidade de ocorrncia de discos com espessura entre 14,90mm e
15,15mm.
b) A probabilidade de ocorrncia de discos com espessura entre 15,05mm e
15,20mm.
SENA
c) A probabilidade de ocorrncia de discos com espessura abaixo de 14,80mm e
acima de 15,25mm.
2. Calcule as reas de probabilidade sob a curva normal.
a) Sendo X = 35 = 2.
Calcular a probabilidade de X 6 39,5.
SENA
b) Sendo X = 35 = 5.
Calcular a probabilidade de X 6 37.
SENA
A#resentao dos dados
- + Coleta de dados
Uma informao sobre o processo pode ser obtida agrupando-se os dados
convenientemente. Deve-se considerar o propsito da coleta de dados, j que os
mesmos formaro a base para aes e decises em uma empresa.
A forma de dados a serem analisados uma considerao muito importante,
lembrando que todos os dados necessitam de uma reviso cuidadosa.
No se pode esquecer, que os dados devem refletir a realidade dos fatos, pois a partir
deles que sero tomadas as aes. Para isso deve-se determinar:
- escolha do tamanho da amostra;
- freqncia da retirada de amostras;
- quantidade de subgrupos.
Os subgrupos devem ser formados por amostras no inferior a 4.
As amostras de tamanho 5 so bastante convenientes tanto quando se utiliza a
mediana como a mdia.
'bser(a!es
1. A freqncia com que as amostras so tomadas deve ser suficiente para que
mudanas ocorridas no processo sejam percebidas o mais rapidamente possvel. A
princpio, no estudo inicial de um processo, os subgrupos so tomados mais
freqentemente, para que possibilitem detectar a presena ou no de causas
especiais de variao, em curtos intervalos de tempo. Uma vez que o processo
esteja estabilizado, a freqncia pode ser reduzida.
SENA
2. Dois aspectos merecem ser considerados para se estabelecer a quantidade
adequada de subgrupos numa carta de controle.
Primeiro, a quantidade deve ser tal que todas as possveis fontes de variao
tenham possibilidades de mostrar os seus efeitos. Por exemplo, deve-se considerar
a troca de operador, a substituio de ferramentas, a mudana de partida de
matria prima ou qualquer outra fonte capaz de provocar uma substancial alterao
no processo.
3. Do ponto de vista estatstico, recomendvel trabalhar com o mnimo de 125
valores individuais, divididos em 25 ou mais subgrupos, para proporcionar uma
interpretao confivel acerca da estabilidade do processo, sua centralizao e
disperso.
2 + 7istograma
A organizao dos dados denomina-se srie estatstica.
Sua apresentao pode ser feita por meio de tabelas, grficos e distribuio de
freqncia.
A forma mais utilizada a distribuio de freqncia ou histograma.
28- + *e9inio
Histograma um grfico de colunas que representa a distribuio de freqncia.
282 + :inalidades
dentificar tipo de distribuio estatstica e anormalidades no processo; comparar os
resultados com especificaes ou padres; obter de forma clara concluses
necessrias para aes e decises no processo.
SENA
E,em#lo
28; + Construo de <istograma
Dada a amostragem ao lado 337 334 338 332 333 328 334 331 333 334
329 336 330 331 333 334 334 336 339 334
335 336 330 332 333 335 335 334 332 338
332 337 334 338 336 337 336 331 333 330
335 333 338 337 344 332 336 332 329 335
338 339 334 332 330 339 336 340 332 333
329 341 327 336 341 337 336 337 333 336
331 333 335 334 335 334 331 336 337 335
340 335 337 332 335 336 338 335 331 334
335 336 339 331 331 330 335 333 335 331
28;8- + Passos #ara a construo de <istograma
-
o
Passo
Calcular a amplitude da amostra, simbolizada por R.
R = Xmx. - Xmn.
No exemplo: R = 344 327
R = 17
2
o
Passo
Determinar o nmero de classes (K). No h frmula exata para o clculo, ento sero
apresentadas trs solues:
a) K
N
e K = 5 para n = 25;
b) Frmula de Struges K = 1 + 3,22 log N;
c) Uso de uma tabela
K
30 a 50 5 a 7
51 a 100 6 a 10
101 a 250 7 a 12
Para o exemplo, que contm 100 elementos, utilizam-se de 6 a 10 classes.
Escolhe-se entre 6 e 10, por exemplo 7.
SENA
;
o
Passo
Calcular a amplitude das classes, simbolizada por h.
No exemplo: com R = 17 e K = 7 tem-se h = 2,4.
'bser(ao
A amplitude das classes dever ter a mesma quantidade de casas decimais dos dados
originais, sem acrscimo de novas casas decimais.
No exemplo todos os valores dos dados coletados so inteiros. A amplitude calculada
das classes (h), tem uma casa decimal, (2,4). Logo, deve-se arredondar o resultado.
Neste caso o h = 2.
.
o
Passo
Determinar os limites das classes.
Existem vrias maneiras de expressar os limites de classes, a forma que ser utilizada
neste material 327 329, que compreende o intervalo entre 327 e 329,
excluindo o 329.
=
o
Passo
Tabular os dados.
Distribuio de freqncia:
Classes Inter(alo de classes >abulao :req?@ncia Ponto mAdio BPiC
1 327 329 02 328
2 329 331 08 330
3 331 333 18 332
4 333 335 22 334
5 335 337 27 336
6 337 339 14 338
7 339 341 06 340
8 341 343 02 342
9 343 345 01 344
SENA
D
o
Passo
Construir o histograma.
Histograma uma representao grfica de uma distribuio de freqncia, por meio
de retngulos justapostos.
E
o
#asso
Determinar o polgono de freqncia.
Ligue os pontos mdios superiores das colunas por segmentos de reta.
Inter#retao de <istogramas
E,em#lo -
Aps a medio das peas liberadas por uma empresa de componentes eletrnicos,
obteve-se o histograma abaixo:
SENA
Nota-se um histograma truncado.
Provavelmente houve inspeo de 100%, sendo que as peas com determinados
valores foram retiradas.
E,em#lo 2
O histograma foi obtido a partir de dados coletados sobre o ndice de viscosidade de
um leo automotivo.
Nota-se grande variao nas alturas das colunas.
E,em#lo ;
O histograma abaixo mostra as caractersticas de carga de micro rels. Tendo-se
observado a mdia muito prxima ao limite superior de especificao e disperso
muito grande, analisaram-se esses problemas atravs de grficos de controle e
mtodos estatsticos, conseguindo-se uma reduo no nmeros de defeitos, devido
caracterstica de carga dos micro rels.
sso mostra como o histograma pode ajudar na soluo de problemas e melhoria da
capacidade do processo.
SENA
E,em#lo .
Nota-se:
- dois picos;
- uma coluna isolada;
- amplitude grande.
Se tivssemos mais dados a respeito, provavelmente concluiramos que existiram:
a) dois ou mais tipos de matria prima;
b) duas ou mais mquinas fora do controle estatstico;
c) dois ou mais operadores;
d) a barra isolada estaria indicando o uso de aparelhos de medio inadequados ou
descalibrados.
Aps estudos e melhoramentos, o histograma apresentou-se dentro de uma curva
normal, conforme mostrado no mesmo grfico em linhas pontilhadas.
SENA
E,em#lo =
Uma filial fabrica painis com chapas fornecidas pela matriz. Testes de dureza foram
efetuados nos painis fabricados e os resultados esto no histograma a seguir.
Nota-se:
- dois picos;
- grande amplitude.
SENA
E,em#lo D
O histograma a seguir foi obtido a partir de dados coletados do comprimento de uma
pea que estava sendo produzida em 6 tornos automticos.
*esmembramento em relao F mquina
Nos histogramas de todas as mquinas nota-se uma amplitude muito grande. No
desmembramento por mquina verifica-se que as mquinas 1, 4 e 5 so as que mais
contribuem para o aumento da amplitude, com peas fora da especificao.
Comentrio - Quando a distribuio de freqncia no se apresentar normal, deve-se:
- verificar se houve problemas nos meios de medio;
- verificar se houve problemas na coleta de dados;
- identificar as causas provveis.
Todas estas verificaes devem ser feitas antes de dar prosseguimento aos clculos
dos parmetros estatsticos.
SENA
E,em#lo E
Comparao entre vrios histogramas.
Mudanas na mdia ( ) e no desvio padro ( X).
a) Nota-se desvio padro constante.
Mudana irregular na mdia.
b) Nota-se desvio padro constante.
Tendncia crescente na mdia.
c) Nota-se mdia constante.
Acrscimo no desvio padro.
d) Nota-se mdia irregular. Desvio
padro irregular.
SENA
E,erccio
Com base na coleta de dados abaixo, construa o histograma e faa a anlise.
Dimetro da ponta de eixo-valor especificado 17,453 + 0,005
- 0,006
Amostras &- &2 &; &. &=
1 17,448 17,450 17,449 17,452 17,450
2 17,449 17,453 17,451 17,452 17,452
3 17,451 17,448 17,450 17,451 17,452
4 17,452 17,453 17,454 17,455 17,453
5 17,451 17,456 17,455 17,452 17,451
6 17,451 17,451 17,452 17,450 17,452
7 17,450 17,450 17,455 17,450 17,453
8 17,452 17,453 17,452 17,454 17,457
9 17,450 17,451 17,445 17,452 17,451
10 17,453 17,452 17,450 17,450 17,450
11 17,448 17,450 17,449 17,452 17,450
12 17,449 17,453 17,451 17,452 17,452
13 17,451 17,448 17,450 17,451 17,452
14 17,452 17,453 17,454 17,455 17,453
15 17,451 17,446 17,455 17,447 17,451
16 17,451 17,451 17,452 17,450 17,452
17 17,450 17,450 17,455 17,450 17,453
18 17,452 17,458 17,452 17,454 17,451
19 17,450 17,451 17,450 17,452 17,451
20 17,458 17,452 17,450 17,459 17,450
SENA
:ol<a de controle #ara <istogramas
X mximo =________________________LSE =___________________________
X mnimo =_________________________LE =____________________________
Amplitude =________________________Tolerncia =______________________
N = _________________ K =____________________ h =____________________
Classes Inter(alo de
classes
>abulao :req?@ncia Ponto mAdio
BPiC
SENA
Construo do <istograma
SENA
SENA
Controle do #rocesso
Introduo
Os mtodos vistos at agora utilizam dados de um perodo passado, que so
expressos de forma esttica. Entretanto, necessrio obter informaes sobre o
comportamento do processo em perodo especfico de tempo de uma forma dinmica,
com projees futuras.
Quaisquer mudanas no material, no trabalhador, na mquina, enfim, no processo,
devem ser detectadas rapidamente para que as aes corretivas sejam tomadas. sso
conseguido atravs dos grficos de controle.
- + Gr9ico de controle
Grfico de controle uma ferramenta para se alcanar o estado de controle estatstico.
Por exemplo, o histograma abaixo foi construdo a partir da coleta de dados feita em 15
dias, num total de 75 valores.
SENA
Neste histograma no se pode verificar o que acontece com o processo no transcorrer
do tempo (diariamente). Para tanto, necessrio construir um outro tipo de grfico.
Usando os mesmos dados do histograma, calculou-se a mdia dos 5 valores dirios (
) e a amplitude da amostra (R). O eixo horizontal mostra os dias e o eixo vertical
mostra a amplitude e a mdia.
Observa-se neste grfico que existe uma tendncia crescente da mdia, fato este, no
observvel no histograma.
-8- + >i#os de gr9icos de controle
H duas classes principais de grficos de controle:
a) controle de variveis utilizado no estudo de caractersticas que podem ser
medidas. Podem ser quatro tipos:
- s (mdia e desvio padro).
- R (mdia e amplitude).
- R (mediana e amplitude).
X - Rm (valores individuais e amplitudes mveis).
b) controle de atributos so aqueles que se baseiam na verificao da presena ou
ausncia de um atributo; podem ser de dois tipos:
-Controle de defeituosos
- frao defeituoso (p).
- quantidade de defeituosos (np ou pn).
-Controle de defeitos
-Total de defeitos na amostra (c).
- mdia de defeitos por unidade na amostra (u).
SENA
-8; + :inalidade dos gr9icos de controle
a) conhecimento do processo: quando se deseja saber se o processo apresenta ou
no variaes do tipo causal;
b) controle do processo: quando se deseja manter o processo sob controle estatstico,
isto , apresentando apenas variaes do tipo aleatrio, ao longo do tempo.
c) anlise da capabilidade do processo.
-8. + antagens dos gr9icos de controle
Estando o processo sob controle estatstico, seu desempenho pode ser ainda
melhorado, reduzindo-se sua variao. Os efeitos, mesmo decorrentes de pequenas
modificaes, so notadas nos grficos. As melhorias no processo possibilitam:
- aumentar a porcentagem de produtos que atendem s especificaes (melhoria da
qualidade);
- diminuir o refugo e retrabalho (melhoria do custo unitrio);
- aumentar, ao longo do processo, a quantidade de peas aceitveis (melhoria da
capacidade de produzir);
- fornecer uma linguagem comum entre a linha de produo, manuteno, controle
de produo, engenharia de processo, controle de qualidade e ainda entre
fornecedores e compradores;
- separar variaes causais das inerentes ao processo.
-8= + Princ#ios dos gr9icos de controle
Os grficos de controle so baseados na distribuio normal.
A linha central dos grficos de controle a mdia da distribuio; os limites superior e
inferior de controle so estabelecidos a partir da mdia + 3 desvios padro da
distribuio.
SENA
-8=8- + Gr9ico de controle + distribuio normal
Quando se deseja conhecer um processo produtivo para saber se os produtos por ele
fabricados atendem ou no as especificaes de projeto, necessrio saber como as
caractersticas o(ser)adas nos produtos fabricados se distribuem em relao s
tolerncias estabelecidas.
certo que dois produtos fabricados nunca sero exatamente iguais, porm preciso
saber quo uniformes tais produtos sairo para poder prever se as exigncias sero
satisfeitas.
O conhecimento das variaes que a caracterstica observada apresenta e do quanto
ela ocupa do intervalo estabelecido para a tolerncia s possvel se for conhecida
sua distribuio populacional. Para determinar os parmetros populacionais
necessrio conhecer como toda a populao se distribui, o que se torna impraticvel.
Por isso determinam-se parmetros utilizando mtodos estatsticos baseados na coleta
da amostra retiradas da populao em processo.
Gr9ico de controle das mAdias e am#litudes B - 5C
magine que exista uma grande quantidade de observaes de uma populao.
Tomando-se a mdia de 2 observaes e plotando os valores em uma distribuio de
probabilidades, obtm-se uma nova curva, porm mais fechada que a distribuio dos
valores individuais. Repetindo o procedimento para a mdia de 3, 4, 5 ou mais
observaes, a curva vai tornando-se mais e mais fechada, quando comparada com a
curva dos valores individuais.
Esse comportamento uma regra geral: *uanto maior o taman'o da amostra+ mais
rapidamente a distri(ui,-o das m.dias tende para a normal.

Amostras de tamanho n = 5 Distribuies
SENA
Se o o desvio da curva do processo, o desvio padro da curva das mdias dado
por:
A distribuio das mdias de amostras tem uma disperso menor que a distribuio
dos valores individuais. Ento,
Dessa forma, ao estabelecer os limites de controle para as mdias de amostras
( + 3 ), determina-se um intervalo de confiana de 99,73% para a mdia da
populao. Enquanto as mdias das amostras ( ) estiverem dentro do intervalo de 6
, alternadamente para cima e para baixo da mdia das mdias amostrais ( ), isso
significa que:
- desde que no apresente tendncias, o processo est sob controle estatstico,
sujeito apenas s variaes aleatrias inerentes ao processo.
- a mdia da distribuio populacional no apresenta alteraes, ou seja, permanece
constante em = .
Se, por outro lado, pontos comearem a cair fora dos limites de controle ou
apresentarem tendncia a sair de controle, significa que:
- processo est sofrendo variaes no aleatrias, ou seja, variaes causais, que
precisam ser determinadas e corrigidas para que o processo volte situao de
controle estatstico;
- a distribuio populacional est se alterando, havendo deslocamento da mdia
= . Podem existir produtos fora das especificaes.
O mesmo pode-se dizer das amplitudes. Quando o grfico das amplitudes se
apresenta sob controle estatstico, ou seja, 5 variando dentro do intervalo de 6 ,
significa que a variao da distribuio populacional G permanece constante. Se, por
outro lado, pontos 5 comearem a cair fora do limite do controle, tem-se uma mudana
no parmetro G da distribuio populacional, podendo novamente gerar produtos fora
da especificao.
SENA
Assim, durante todo o processo, o grfico de controle indica prontamente qualquer
mudana que pode afetar a distribuio populacional. Porm, cabe lembrar que nunca
se pode comparar diretamente os limites da especificao, j que o primeiro
calculado com base nas mdias, enquanto o segundo representa a exigncia sobre
todos os produtos individualmente.
Uma segunda boa razo para trabalharmos com distribuio de mdias amostrais
derivada tambm do /eorema do limite central, que garante:
Qual*uer *ue se0a a distri(ui,-o dos indi)duos 1distri(ui,-o da popula,-o2+ a
distri(ui,-o das m.dias de amostras desses indi)duos ser sempre normal 1condi,-o3
amostras com n 45 $ unidades2.
Dessa forma, pode-se utilizar grficos de controle tambm para distribuies no
normais, (como as que regem os atributos, binomiais, de Poisson, etc.), fa6endo-se as
de)idas apro7ima,8es e tra(al'ando com amostras de taman'o suficiente para
9arantir a ader:ncia.
Aproima!o da distri"ui!o "inomial para a distri"ui!o normal
A distribuio binomial o modelo matemtico que descreve a distribuio de
probabilidades, quando se controla a frao defeituosa de um processo.
possvel constatar que, se o tamanho da amostra for grande o suficiente, a
distribuio binomial pode ser aproximada para a normal sem comprometimento dos
resultados.
sso traz vantagens prticas significativas, pois simplifica o procedimento dos clculos,
uma vez que se pode utilizar a tabela da normal reduzida, onde:
se X ~ B (x, n, p), ento
npq
np - x
Z =
aproximadamente (0,1)
sso pode ser feito considerando-se a mdia e o desvio padro da binomial como se
fossem a mdia e o desvio padro da normal, ou seja:
n =
SENA

n
) p - (1 p
=
para tamanhos de amostras suficientemente grandes.
E,em#lo de situao
O estudo prvio da produo de peas defeituosas oriundas de um certo equipamento
revelou 0,20 (ou 20%) de itens fora da especificao.
magine que sejam retiradas amostras aleatrias de tamanho 10 em intervalos de
tempos regulares e que sejam avaliados os itens defeituosos em cada uma delas.
Aparentemente poder-se-ia obter 2 itens defeituosos em cada amostra. No entanto,
no isso que ocorre. Pode-se encontrar amostras com 0, 1, 2, 3, 4... etc. e, at com
10 itens defeituosos. Os resultados, porm no surgem com a mesma freqncia
relativa. A probabilidade de ocorrncia de cada caso dada na Tabela seguinte.
N
o
de de9eituosos Probabilidade
0 0,1074
1 0,2684
2 0,3020
3 0,2013
4 0,0881
5 0,0264
6 0,0055
7 0,0008
8 0,0001
9 0,0000
10 0,0000
Probabilidade de ocorrncia de itens defeituosos em amostra de tamanho 10.
Representao grfica da distribuio binomial para n = 10 e = 0,2.
SENA
Distribuio binomial para diversos valores de e n.
SENA
A distribuio possui uma cauda alongada para a direita quando a proporo
defeituosa da populao menor que 0,5. Quando esta proporo for maior que 0,5 a
cauda se alongar para a esquerda. Quando, finalmente, a proporo for 0,5 a
distribuio ser simtrica.
A#ro,imao da distribuio de Poisson #ara a distribuio normal
Considere a situao em que o interesse maior seja controlar o nmero de defeitos
que ocorrem nos produtos. diferente da situao anterior, quando considerou-se a
quantidade de produtos defeituosos. mais conveniente, nesses casos, considerar
amostras de tamanho constante para permitir sempre a mesma possibilidade de
ocorrncia de defeitos. As amostras podem ser de qualquer espcie, desde um simples
item, como uma roda de automvel, at um conjunto de rodas. Pode ser tambm uma
unidade de comprimento, rea, volume ou tempo. O importante que, uma vez
definido o tamanho da amostra, esta permanea constante.
E,em#lo de situao
O estudo prvio do nmero de defeitos incidentes em rolos de tecidos para assentos
de automvel revelou uma mdia de 7 defeitos por rolo. Se inspecionarmos amostras
constitudas de 1 rolo de tecido sempre do mesmo comprimento, em intervalos de
tempo regulares, qual a probabilidade de encontrarmos rolo com 0, 1, 2, 3, 4, ...,
defeitos?
Aparentemente espera-se obter 7 defeitos em cada rolo inspecionado. No entanto, no
ocorre isso. A probabilidade de ocorrncia de defeitos caracterizada por um
comportamento que pode ser descrito pelo modelo de distribuio de Poisson.
A tabela a seguir fornece a probabilidade de ocorrncia de defeitos em um rolo de
tecido de tamanho constante.
N
o
de de9eitos Probabilidade
0 0,0009
1 0,0064
2 0,0223
3 0,0521
4 0,0912
SENA
5 0,1277
6 0,1490
7 0,1490
8 0,1304
9 0,1014
10 0,0710
11 0,0452
12 0,0264
13 0,0142
14 0,0070
15 0,0033
16 0,0014
17 0,0006
18 0,0000
*istribuio de Poisson + 5e#resentao gr9ica
'utros e,em#los #ara di(ersos (alores de e n
a) Mdia de defeitos = 2
Tamanho da amostra n = 5
SENA
b) Mdia de defeitos = 4
c) Mdia de defeitos = 6
d) Mdia de defeitos = 10
SENA
importante observar que, com o crescimento da mdia de defeitos, a distribuio
tende a uma simetria em torno dos valores de maior freqncia. Portanto, a
distribuio de Poisson pode ser aproximada para a distribuio normal, sem
comprometimento dos resultados, desde que se faa uma escolha conveniente do
tamanho da amostra.
A tabela da normal reduzida pode ser utilizada, bastando para isso considerar e
como sendo, respectivamente, a mdia ( ) e o desvio padro ( ) da curva normal.
Existem critrios que indicam o grau de aproximao das distribuies Binomial e
Poisson da curva normal. Esses critrios podem servir de orientao para a escolha
conveniente do tamanho das amostras e, desse modo, permitir a utilizao da
aproximao, com nvel de confiabilidade adequado.
A tabela seguinte fornece esses critrios.
CritArio Hinomial Poisson
Fraco 5
Mdia de ocorrncia
5
Mdio 10
Mdia de ocorrncia
10
Forte 15
Mdia de ocorrncia
15
Gr9icos de controle #or (ari(eis
Os grficos de controle por variveis so utilizados no estudo de caractersticas
contnuas ou mensurveis. Exemplo: (peso, dimenso, concentrao, etc.).
Construo do gr9ico das mAdias e das am#litudes B - 5C
SENA
1. Coletar dados de acordo com as tcnicas j descritas. Calcular as mdias e .
2. Calcular as amplitudes R e .
3. Calcular os limites de controle LC, LSC e LC.
Para o grfico
LC = LSC = + A2 .
LC = - A2 . onde A2 um fator tabelado.
Para o grfico
LC = LSC5 = D. .
LC5 = D; . onde D; e D. so fatores tabelados.
5. Construir o grfico, colocando os limites de controle, os pontos mdios e suas
respectivas amplitudes.
6. Marcar no grfico todos os pontos e R de cada subgrupo.
E,em#lo de a#licao
A tabela abaixo registra os dimetros de eixos que foram fabricados por um torno,
valores estes tomados de uma amostragem composta de 25 amostras de cinco peas
cada.
1. Coleta de dados em subgrupos e clculos de , , R e .
Sub-
*ia 7ora gru#o nI &- &2 &; &. &= R
1
o
6:00 1 14.0 12.6 13.2 13.1 12.1 13.00 1.9
10:00 2 13.2 13.3 12.7 13.4 12.1 12.94 1.3
14:00 3 13.5 12.8 13.0 12.8 12.4 12.90 1.1
18:00 4 13.9 12.4 13.3 13.1 13.2 13.18 1.5
22:00 5 13.0 13.0 12.1 12.2 13.3 12.72 1.2
2
o
6:00 6 13.7 12.0 12.5 12.4 12.4 12.60 1.7
10:00 7 13.9 12.1 12.7 13.4 13.0 13.02 1.8
14:00 8 13.4 13.6 13.0 12.4 13.5 13.18 1.2
18:00 9 14.4 12.4 12.2 12.4 12.5 12.78 2.2
22:00 10 13.3 12.4 12.6 12.9 12.8 12.80 0.9
SENA
3
o
6:00 11 13.3 12.8 13.0 13.0 13.1 13.04 0.5
10:00 12 13.6 12.5 13.3 13.5 12.8 13.14 1.1
14:00 13 13.4 13.3 12.0 13.0 13.1 12.96 1.4
18:00 14 13.9 13.1 13.5 12.6 12.8 13.18 1.3
22:00 15 14.2 12.7 12.9 12.9 12.5 13.04 1.7
4
o
6:00 16 13.6 12.6 12.4 12.5 12.2 12.66 1.4
10:00 17 14.0 13.2 12.4 13.0 13.0 13.12 1.6
14:00 18 13.1 12.9 13.5 12.3 12.8 12.92 1.2
18:00 19 14.6 13.7 13.4 12.2 12.5 13.28 2.4
22:00 20 13.9 13.0 13.0 13.2 12.6 13.14 1.3
5
o
6:00 21 13.3 12.7 12.6 12.8 12.7 12.82 0.7
10:00 22 13.9 12.4 12.7 12.4 12.8 12.84 1.5
14:00 23 13.2 12.3 12.6 13.1 12.7 12.78 0.9
18:00 24 13.2 12.8 12.8 12.3 12.6 12.74 0.9
22:00 25 13.3 12.8 12.0 12.3 12.2 12.72 1.1
2. Clculo dos limites de controle.
Para o grfico
LC = =12.94
LSC = + A2 .
LSC = 12.94 + 0.577 . 1,35
LSC = 13,7
LC = - A2 .
LC = 12.94 - 0,577 . 1,35
LC = 12,2
Para o grfico R
LC = = 1,35
LSC = D. .
LSC = 2,115 . 1,35
LSC = 2,9
SENA
LC = D; .
LC =
__
'bser(a!es
Os valores A2 ,D; e D. so encontrados na tabela 1, pg. 177: #alores para clculo dos
limites de controle da carta + R.
Existindo pontos fora dos limites de controle, conclui-se que existem variaes causais
nesses pontos. Neste caso, temos que consultar o dirio de bordo e aplicar tcnicas de
soluo de problemas.
Quando o grfico apresenta todos os pontos dentro dos limites de controle, sem
apresentar sinais de instabilidade, pode-se utilizar esses limites de controle como
representativos do processo.
E,erccio n
o
- + >r9ego o#era!es + :rota de carga
A folha de controle seguinte mostra os dados referentes ao tempo gasto por ciclo de
viagem que compreende o itinerrio de ida e volta - So Caetano do Sul a So Jos
dos Campos.
SENA
Com base nessas informaes, construa o grfico de controle ( - R) e faa uma
anlise do fluxo de viagens e carga dos caminhes.
Sabe-se que o tempo mnimo de viagem pr-estabelecido 6,5 horas; o maior tempo
de viagem tolerado de 7,5 horas, embora se espere que o ciclo seja completado em
7,0 horas.
Leva-se em considerao o carregamento e o descarregamento do caminho, a
liberao da documentao, amarrao e cobertura da carga (quando houver) e
abastecimento.
>r9ego o#era!es - :rota de carga
Coleta de dados re9erente a 9e(ereiro de -11=
*ia &- &2 &; &. &= 5 & m,8 & mn8
01 7,40 6,83 6,42 5,00 5,58 6,25 2,40 7,40 5,00
02 7,50 6,95 7,67 6,63 5,58 6,87 2,09 7,67 5,58
03 6,70 6,67 7,67 5,92 5,17 6,43 2,50 7,67 5,17
04 7,92 6,42 6,03 6,25 4,67 6,26 3,25 7,92 4,67
05 7,00 6,25 6,60 4,17 5,92 5,99 2,83 7,00 4,17
06 7,08 8,92 6,75 5,50 6,25 6,90 3,42 8,92 5,50
07 8,75 7,00 7,00 5,42 8,00 7,23 3,33 8,75 5,42
08 6,57 5,95 7,40 5,50 5,83 6,25 1,90 7,40 5,50
09 7,17 7,00 6,17 5,50 5,42 6,25 1,75 7,17 5,42
10 7,77 7,92 6,50 6,17 5,75 6,82 2,17 7,92 5,75
SENA
11 7,75 6,92 7,17 5,83 5,08 6,55 2,67 7,75 5,08
12 6,92 7,12 7,50 7,33 6,33 7,04 1,17 7,50 6,33
13 7,67 6,92 7,25 5,92 6,25 6,80 1,17 7,67 5,92
14 8,67 7,42 6,30 6,33 5,17 6,78 3,50 8,67 5,17
15 6,58 9,92 7,00 6,17 6,08 7,15 3,84 9,92 6,08
16 8,17 8,08 6,50 4,92 5,00 6,53 3,25 8,17 4,92
17 7,42 6,23 8,08 6,13 5,50 6,67 2,58 8,08 5,50
18 9,25 7,38 7,03 5,75 4,43 6,77 4,82 9,25 4,43
19 7,58 6,08 6,78 7,43 5,92 6,76 1,66 7,58 5,92
20 8,33 6,40 6,87 6,08 5,58 6,65 2,75 8,33 5,58
SENA
SENA
SENA
E,erccio N
o
2
A coleta de dados que segue foi obtida junto ao equipamento de teste de presso da
bomba de leo dos motores famlia - Monza.
As especificaes referentes ao ensaio so:
Especificaes: 70 a 90psi a 3.200rpm.
Construa o grfico - R de controle e faa a anlise do processo.
>este da bomba de "leo conJunto
eri9icar a #resso de abertura da (l(ula
7ora Amostra &- &2 &; &. &= & mn/ & m,/ 5
15:00 01 74,0 72,0 74,0 78,0 70,0 70,0 78,0 73,6 8,0
16:00 02 74,0 70,0 74,0 76,0 72,0 70,0 76,0 73,2 6,0
17:00 03 80,0 76,0 72,0 74,0 74,0 72,0 80,0 75,2 8,0
18:00 04 74,0 70,0 76,0 72,0 72,0 70,0 76,0 72,8 6,0
19:00 05 76,0 74,0 70,0 78,0 74,0 70,0 78,0 74,4 8,0
20:00 06 70,0 80,0 78,0 72,0 78,0 70,0 80,0 75,6 10,0
21:00 07 76,0 76,0 76,0 74,0 80,0 74,0 80,0 76,4 6,0
23:00 08 74,0 76,0 74,0 78,0 74,0 74,0 78,0 75,2 4,0
24:00 09 76,0 78,0 74,0 74,0 76,0 74,0 78,0 75,6 4,0
01:00 10 72,0 76,0 76,0 74,0 76,0 72,0 76,0 74,8 4,0
02:00 11 74,0 82,0 78,0 76,0 70,0 70,0 82,0 76,0 12,0
06:00 12 73,0 72,0 72,0 80,0 80,0 72,0 80,0 75,4 8,0
07:00 13 76,0 78,0 76,0 76,0 76,0 76,0 78,0 76,4 2,0
08:00 14 74,0 80,0 80,0 78,0 76,0 74,0 80,0 77,6 6,0
09:00 15 72,0 78,0 80,0 78,0 76,0 72,0 80,0 76,8 8,0
10:00 16 80,0 80,0 76,0 78,0 76,0 76,0 80,0 78,0 4,0
11:00 17 72,0 78,0 74,0 72,0 80,0 72,0 80,0 75,2 8,0
13:00 18 74,0 76,0 74,0 70,0 72,0 70,0 76,0 73,2 6,0
14:00 19 78,0 74,0 74,0 76,0 72,0 72,0 78,0 74,8 6,0
15:00 20 78,0 76,0 74,0 72,0 76,0 72,0 78,0 75,2 6,0
-=K=/. -;K/K
= 75,3 = 6,5.
SENA
SENA
SENA
Gr9ico #ara (alores indi(iduais e am#litudes m"(eis B&- 5mC
Existem casos em que o controle do processo deve ser realizado por leituras
individuais. sto ocorre quando as medies so dispendiosas, como nos ensaios
destrutivos, ou quando o resultado num ponto, apresenta-se homogneo, como por
exemplo: viscosidade, PH, temperatura, etc.
Embora seu uso seja indicado, deve-se considerar que:
- a sensibilidade a alteraes do processo menor do que na carta - R.
- como as amostras so constitudas de um nico valor individual, os valores de X e
Rm podem ter grande variao, mesmo com o processo estvel.
Construo do gr9ico de controle #ara (alores indi(iduais B&/ 5mC
Os limites so calculados conforme as frmulas:
Grfico X
Grfico Rm
LC = m
LSC5 = D4. m
LC5= D;. m
LC5 = -
Usualmente, a amplitude mvel calculada pela diferena entre cada par de valores
sucessivos. Exemplo: Diferena entre a primeira e a segunda leitura, segunda e
terceira, etc. Nesse caso utiliza-se n=2 para os fatores d2 e D..
Os valores para as constantes utilizadas na carta (X - Rm), encontram-se na tabela 3,
pg. 103.
SENA
E,em#lo
Coleta de dados:
- leo para motor
viscosidade mnima: 320 SSU 38C.
Amostras & 5 m
1 330 -
2 340 10
3 330 10
4 360 30
5 350 10
6 325 25
7 345 20
8 350 5
9 320 30
10 315 5
11 325 10
12 345 20
13 330 15
14 335 5
15 330 5
16 320 10
17 320 0
18 340 20
19 325 15
20 345 20
21 350 5
22 320 30
23 320 0
24 330 10
25 335 5
K
X
X

=
K
R
m R

=
333,4 X = 13,1 m R =
SENA
LSCx = + E2 . m LCx = - E2 . m
LC = 333,4 LCx = 333,4 - 2,660 . 13
LSCx = 333,4 + 2,660 . 13 LCx = 298,8
LSCx = 368
LSCR = D4 . m LCR = D3. m
LSCR= 3,267 . 13 LCR = 0.
LSCR= 42,4
SENA
Gr9ico da mediana e da am#litude B / 5C
Shewhart estudou as medianas e as mdias das amostras como estimadores de .
Concluiu que a mdia um estimador mais sensvel que as medianas. Porm, devido
facilidade nos clculos a mediana bastante utilizada.
Construo
Clculo dos limites de controle dos grficos das medianas e amplitudes ( - R).
Os limites de controle so pr-estabelecidos, devendo-se utilizar, no mnimo, 125
dados.
Grfico
LC =
LSCx = + 2 m
LCx = - 2 m
Grfico R
LSCR = D4
LCR = D3
onde = mdia das medianas;
= mdia das amplitudes;
2, D3 e D4 so constantes tabeladas em funo do tamanho da amostra.
'bser(a!es
1. as amostras devem ser sempre mpares para que a mediana possa ser determinada
diretamente. Para isso, basta ordenar os elementos e tomar o valor central.
2. usualmente, recomenda-se que as amostras contenham cinco elementos (n = 5).
>abela
>aman<o da amostra L2 *; *.
3 1,19 - 2,575
= K/D1 - 2/--=
7 0,51 0,076 1,92
9 0,41 0,18 1,816
SENA
E,em#lo
Para os dados constantes da folha de controle abaixo, levantar o grfico ( - R).
Folha de controle _______________________________________
Nome da pea ___________________________ N
o
____________
Mquina n
o
5 __________________________________________
nsp. _________________________________________________
Amostra &- &2 &; &. &= 5
9:00 7 3 3 5 8 5
10:00 5 4 8 8 7 4
11:00 10 3 3 4 4 7
13:00 3 4 7 8 9 6
14:00 3 8 2 5 10 8
15:00 4 7 1 4 1 6
9:00 4 1 6 7 1 6
10:00 5 4 8 7 8 4
11:00 4 5 5 2 1 4
13:00 2 3 5 8 8 6
14:00 7 9 5 4 11 6
15:00 13 2 1 5 11 12
9:00 6 5 7 5 13 8
10:00 7 3 7 3 5 4
11:00 8 5 2 5 9 7
13:00 8 5 4 6 8 4
14:00 8 10 5 5 6 5
15:00 9 6 4 7 9 5
9:00 3 4 7 5 9 6
10:00 1 4 6 1 7 6
11:00 1 8 5 9 5 8
13:00 3 3 5 7 8 5
9:00 1 1 4 6 7 6
10:00 8 8 5 3 2 6
11:00 9 8 2 1 1 8
SENA
SENA
SENA
Gr9icos de controle B / sC
As cartas e s tambm so utilizadas em pares. O desvio padro da amostra (s)
melhor indicador da variabilidade do processo, principalmente quando empregado para
amostras de tamanho maior
As cartas s so utilizadas para substituir as cartas R quando se dispe de recursos
computacionais adequados e operadores treinados no uso desses recursos. Tambm
adequada quando o tamanho da amostra grande.
As instrues para as cartas e s so semelhantes s das cartas e R.
O clculo de cada um dos desvios padro das amostras (s) feito empregando a
seguinte frmula:
Nota: n - 1 para amostras com tamanho 30.
Onde Xi, e n representam os valores individuais da amostra, a mdia desta amostra
e o tamanho da mesma, respectivamente.
Clculo dos limites de controle #ara a carta de mAdias e dos des(ios #adro
(LSC , LC , LSCs, LCs).
LSC = Limite superior de controle da mdia.
LC = Limite inferior de controle da mdia.
LSCs = Limite superior de controle do desvio padro.
LCs = Limite inferior de controle do desvio padro.
LSC = + A; .
LC = - A; .
LSCs = B. .
LCs = B; .
Onde a mdia dos desvios padro das amostras e B., B;, e A; so fatores que
dependem do tamanho da amostra, conforme indicado na tabela 2, pg. 102 .
SENA
Ca#acidade do #rocesso
A capacidade do processo nas cartas e s calculada e interpretada de forma
semelhante quela utilizada na carta e R, com exceo da estimativa do desvio
padro do processo ( ) que determinado como se segue:
Onde a mdia dos desvios padro das amostras (para perodos com o processo
sob controle) e c. um fator que depende do tamanho da amostra, conforme tabela 2,
pg. 102.
Gr9icos de controle #or atributos
Nos casos em que no possvel realizar medies das caractersticas que se deseja
controlar, recorre-se aos grficos de controle por atributos, cuja distribuio representa
variveis aleatrias discretas.
Esses grficos so utilizados quando:
- nmero de caractersticas a controlar em cada pea elevado;
- a mensurao das caractersticas anti-econmica diante do custo de cada pea;
- a verificao da qualidade feita por simples inspeo visual.
Gr9ico #n ou n# de controle #or atributos
O grfico pn pode ser utilizado quando se deseja controlar a quantidade de elementos
discrepantes (ou defeituosos) em uma amostra de taman'o n constante.
SENA
Passos #ara a construo do gr9ico #n de controle
-
o
Passo
Coletar os dados e registrar o nmero de produtos defeituosos pn.
2
o
Passo
Achar a mdia de produtos defeituosos .
n
pn
p ou
dos inspeciona produtos de total n
defeituoos podutos de total n
p
= =
;
o
Passo
Calcular os limites de controle
LC =
p
. n
) p - (1 n p 3 - n p C L
) p - (1 n p 3 n p LSC
=
+ =
.
o
Passo
Construir o grfico colocando no mesmo os pontos que representam o nmero de
defeituosos (pn) de cada amostra.
E,em#lo
SENA
Mecanismo levantador de vidro, defeituoso.
Subgru#o
n
o
Subgru#o
taman<o n
o
NMmero de
de9eituosos #n
1 100 1
2 100 6
3 100 5
4 100 5
5 100 4
6 100 3
7 100 2
8 100 2
9 100 4
10 100 6
11 100 2
12 100 1
13 100 3
14 100 1
15 100 4
16 100 5
17 100 4
18 100 1
19 100 6
20 100 15
21 100 12
22 100 6
23 100 3
24 100 4
25 100 3
26 100 3
27 100 2
28 100 5
29 100 7
30 100 4
Total 3000 129
Mdia 100 4,3
Da tabela temos:
SENA
K = 30 n = 100
p
n
= =
30
129

4,3 ou
0,043
3000
129
p = =
LC =
p
. n = 0,043 . 100 = 4,3
LSC = 4,3 + 3
0,043) - (1 4,3
= 10,39
LC = 4,3 - 3
0,043) - (1 4,3
= 1,78 LC = -
SENA
E,erccio
Construir o grfico pn.
nspeo equipamento Farmer.
Amostra #n n
01 10 50
02 08 50
03 12 50
04 14 50
05 06 50
06 08 50
07 06 50
08 08 50
09 12 50
10 08 50
11 10 50
12 09 50
13 13 50
14 08 50
15 11 50
16 12 50
17 11 50
18 09 50
19 13 50
20 07 50
SENA
SENA
SENA
Gr9ico # de controle #or atributos
O grfico p dever ser utilizado quando se deseja controlar a porcentagem ou
proporo defeituosa na amostra. As peas, de acordo com o critrio estabelecido, so
classificadas em perfeitas ou defeituosas.
Admitindo-se que o processo seja mantido sob controle estatstico, a probabilidade de
se produzir uma pea defeituosa mantm-se constante. Conseqentemente a
distribuio estatstica dentro da qual o grfico p e pn trabalha a binomial.
Passos #ara a construo do gr9icos de controle
-
o
Passo
Proceder coleta de dados obtendo o nmero de dados suficientes, que indique o
nmero de peas inspecionadas (n) e o nmero de defeituosas (pn).
2
o
Passo
Calcular a frao defeituosa para cada sub-grupo, empregando a equao p = pn/n.
;
o
Passo
Achar a mdia da frao defeituosa.
das inspeciona unidades de total n
defeituoas unidade de total n
p =
ou
n
pn
p
=
.
o
Passo
Calcular os limites de controle.
LC =
p
LSC =
n
p - 1
p 3 p +
L C =
n
p - 1
p 3 - p
'bser(ao
Estas frmulas so utilizadas para amostras de tamanho constante ou com variao de
at 20%.
SENA
=
o
Passo
Construir o grfico desenhando os limites de controle e plotando, no grfico, os pontos
que representam os valores mdios das amostras.
E,em#lo de a#licao - gr9ico #
A fim de estabelecer o controle de atributos, foram extradas K = 25 amostras de n = 50
peas cada uma. De acordo com o critrio pr-fixado, as peas foram classificadas em
perfeitas ou defeituosas, assumindo os resultados conforme tabela.
Resultados de K = 25 amostras de tamanho n = 50 peas.
Amostra #n
9rao de9eituosa
# N #nOn
1 1 0,02
2 2 0,04
3 3 0,06
4 3 0,06
5 5 0,10
6 4 0,08
7 4 0,08
8 1 0,02
9 2 0,04
10 2 0,04
11 4 0,08
12 4 0,08
13 4 0,08
14 5 0,10
15 4 0,08
16 4 0,08
17 5 0,10
18 1 0,02
19 5 0,10
20 2 0,04
21 0 0,00
22 5 0,10
23 3 0,06
24 3 0,06
25 4 0,08
Total 80
SENA
0,064
1250
80
p
n
pn
p
= =
=
Calculamos LSC e LC.
LSC =
n
p - 1
p 3 p +
LSC =
50
0,064) - (1 0,064
3 064 , 0 +
LSC = 0,167
L C =
n
p - 1
3 - p
LSC =
50
0,064) - (1 0,064
3 - 064 , 0
L C = 0,064 - 0,103 = - +;9 valor negativo.
Neste caso, temos:
LSC = 0,167.
LC = -
O grfico de controle ser:
SENA
Gr9ico u
O grfico u de controle usado para controlar o nmero mdio de defeitos que
aparecem por unidade. Ele empregado nos casos em que a ocorrncia de defeitos
no se mantm constante ao longo do processo. A distribuio estatstica em que
trabalha o grfico u a distribuio de Poisson.
Passos #ara a construo do gr9ico u de controle
-
o
Passo
Coletar os dados, registrando o nmero mdio de defeitos por amostra.
u =
(n) amostra da Tamanho
(c) amostra da defeitos de Total
2
o
Passo
Calcular os limites de controle.
) observados elementos de total (n
defeitos) de total (n

n
c
u LC
= =
ou ainda
) (
amostrgem) da defeitos de mdias das (total

K
u
u
amostras de quantidade
LC

= =
Limites de controle = u A
u
ou u 3
u
u
onde:
A =
n
3
uma constante tabelada (ver tabela 3 da pgina 103).
;
o
Passo
Construir o grfico, desenhando os limites de controle e plotando, os pontos que
representam os valores mdios das amostras (u).
'bser(ao
SENA
(total das mdias de defeitos da amostragem)
Quando a amostra for fixa, pode-se tambm projetar o prprio nmero de defeitos (c).
Nesse caso, estaremos trabalhando com o grfico c de controle, cujos limites de
controle so:
LC =
c
onde
K
c
c

=
Limites de controle =
c 3 c
E,em#lo
Grfico u de controle - linha de montagem - tapearia.
Amostra &- &2 &; &. &=
>otal de
de9eitos BcC
%Adia
de9eitos
n
c
1 2 3 6 4 2 17 3,4
2 3 8 2 4 5 22 4,4
3 5 3 4 2 2 16 3,2
4 3 3 3 4 4 17 3,4
5 3 4 3 4 1 15 3,0
6 5 4 4 5 4 22 4,4
7 8 0 3 3 2 16 3,2
8 4 1 3 2 5 15 3,0
9 2 4 3 4 4 17 3,4
10 3 4 5 2 3 17 3,4
11 4 3 2 4 3 16 3,2
12 5 5 4 2 2 18 3,6
13 4 3 4 3 2 16 3,2
14 4 2 4 3 4 17 3,4
15 3 4 5 3 3 18 3,6
16 4 4 3 4 3 18 3,6
17 4 4 3 2 4 17 3,4
18 5 4 2 3 4 18 3,6
19 1 2 4 5 6 18 3,6
20 5 4 2 6 2 19 3,8
349 69,8
(c) (u)
K
(u)
u

=
ou
(n)
(c)
u
=
Limites de controle
SENA
LC =
(n)
(c)
u
=
=
elementos de total n
defeitos) de total n (
LC =
100
349
portanto,
LC = 3,49
ou
LC =
K
(u)
u

=
=
) amostragem ou amostras de quantidade (
) amostragem da defeits de mdias das (total
LC =
20
69,8
portanto,
LC = 3,49
LSC =
u
+ A
u
LSC = 3,49 + 1,342
3,49
LSC = 3,49 + 1,342 . 1,87
LSC = 3,49 + 2,51
LSC = 6,0
LC =
u
- A
u
LC = 3,49 - 1,342
3,49
LC = 3,49 -1,342 . 1,87
LC = 3,49 - 2,51
LC = 1,0
Grfico u - Verificao de defeitos (tapearia)
SENA
(total das mdias de defeitos da amostragem)
E,erccio
Para este exerccio foram transcritos os dados dos defeitos reportados pelo inspetor de
uma mquina de injeo de plstico, no sendo os mesmos distinguidos pela
gravidade e sim pela freqncia.
Com base nestas informaes construa o grfico u de controle.
Amostra &- &2 &; &. &=
>otal de
de9eitos BcC
%Adia de
de9eitos u N cOn
01 3 4 3 4 1 15 3,0
02 1 1 2 1 1 6 1,2
03 2 3 4 2 0 11 2,2
04 1 3 1 1 2 8 1,6
05 3 4 3 2 1 13 2,6
06 5 2 3 3 3 16 3,2
07 1 3 4 2 3 13 2,6
08 2 2 4 4 1 13 2,6
09 2 6 4 4 1 17 3,4
10 3 2 2 1 1 9 1,8
11 2 5 3 3 1 14 2,8
12 6 2 2 3 1 14 2,8
13 4 2 2 1 1 10 2,0
14 2 2 5 5 2 16 3,2
SENA
15 3 1 1 2 1 8 1,6
16 3 3 4 1 2 13 2,6
17 1 3 5 2 3 14 2,8
18 2 2 4 1 1 10 2,0
19 1 1 3 4 4 13 2,6
20 1 6 3 3 1 14 2,8
c = 247 u = 49,4
SENA
SENA
-8 Estabilidade
Se nenhuma causa especial de variao estiver agindo sobre um processo,
estatisticamente espera-se que ele possa ser representado por uma normal que
se mantm praticamente inalterada ao longo do tempo, sem flutuaes
significativas na sua centralizao ou disperso. Neste caso, o processo dito
estvel; os pontos, nos grficos de controle, distribuem-se segundo uma lgica
probabilstica e nenhum sinal estatstico percebido.
O processo sobre o qual age alguma causa especial dito instvel. Nesse
caso, problemas so percebidos atravs dos grficos de controle, a partir de
sinais estatsticos evidentes. A seguir, algumas situaes que indicam
instabilidade no processo.
E,em#los de situa!es)
Pontos fora dos limites de controle
Processo no sob controle
a) Pontos demasiadamente perto da
mdia do processo.
SENA
b) Pontos demasiadamente perto dos
limites de controle.
'bser(ao
Qualquer outra no aleatoriedade.
>end@ncias
a) Seqncia de 7 pontos
consecutivos crescentes.
b) Seqncia de 7 pontos
acima da mdia.
c) Seqncia de 7 pontos
consecutivos decrescentes.
SENA
d) Seqncia de 7 pontos
abaixo da mdia.
2.
3.
d) Capailidade do pro!esso
Em todas as atividades os produtos devem satisfazer aos requerimentos de qualidade
estabelecidos pelos clientes. Para satisfazer esses requerimentos, h a necessidade
de que as caractersticas de qualidade atendam as especificaes pr-estabelecidas.
Denomina-se capabilidade capacidade que o processo tem de produzir produtos
cujos valores encontram-se dentro dos limites de tolerncia especificados.
A capacidade do processo somente pode ser estabelecida quando nenhum fator
estranho contaminar o processo, ou seja, o mesmo apresenta apenas variaes
aleatrias.
SENA
A anlise da capacidade do processo tem por objetivo quantificar as causas comuns de
variabilidade e verificar a capacidade potencial do processo em atender a uma
determinada especificao, conforme critrios que constam da tabela abaixo.
CritArio
P de #rodutos dentro
da es#eci9icao
P de re9ugo eOou
retrabal<o
5elao
1
68,26 31,74 317:1000
2 95,44 4,56 45:1000
3
99,73 0,27 3:1000
4 99,994 0,006 6:100.000
5
99,99994 6,10
-E
6:10
E
Exemplo de uma empresa que adotou como critrio de aceitao 3 :
'bser(ao
SENA
O valor de pode ser estimado utilizando a informao fornecida pelos grficos
de controle, lembrando que, um estimador obtido a partir de pela relao:
onde d2 uma constante tabelada (tabela pg. 103).
Para cumprir mais adequadamente a funo de predizer quanto do produto
fabricado pelo processo vai satisfazer as especificaes, foi criado o <ndice de
Capacidade Potencial do Processo que relaciona a variabilidade natural do
processo (6 ) com a amplitude da Tolerncia (LE at LSE).
Inter#retando o C#
Cp 1 processo potencialmente capaz.
Cp 1 processo incapaz.
A capacidade pode ser definida pela distncia que a mdia do processo ( )
apresenta em relao dos limites especificados, obtidos em unidades de
des)io padr-o (Z).
Para maior tolerncia unilateral, calcula-se:
Para tolerncias bilaterais, calcula-se:
Para avaliar a capacidade real de um processo em relao mdia e limites
especificados, foi desenvolvido o Cpk (ndice de capacidade).
SENA
Cpk =
3
Z
min
onde Zmin o menor valor entre Zi e Zs .
#nterpretando o Cp$
Cpk 1 processo capaz.
Cpk 1 processo incapaz.
E,em#lo de clculo do C# e C#Q
Num processo produtivo sob controle estatstico, observou-se que:
= 15 = 2 LSE = 40 LE = 10
Avalie o Cp e o Cpk.
Como Cp > 1 processo capaz.
Cpk < 1 processo incapaz.
Para transformarmos esse processo incapaz em capaz, devemos deslocar a mdia do
processo ( ) para um valor maior mantendo a sua normalidade. Para estimarmos o
valor dessa mdia, calculamos da seguinte maneira:
LSE = + 3
LE = - 3
= LE + 3
SENA
= 10 + 3.2
= 16
A mdia do processo dever ser no mnimo 16.
interessante considerar, a respeito dos ndices Cp e Cpk, os aspectos que seguem.
O ndice Cp mede apenas a performance potencial do processo e no sua capacidade
real, porque relaciona a disperso do processo aos limites de especificao. Alm
disso, como a localizao da mdia do processo no considerada, possvel que
grande porcentagem de itens produzidos fiquem fora dos limites de especificao,
ainda que Cp > 1. Para que isso ocorra, basta que a mdia do processo se localize
suficientemente perto de um dos limites de especificao. Portanto, a interpretao da
capacidade do processo relacionada ao ndice Cp s tem valor se a mdia estiver bem
centralizada no intervalo estabelecido pelos limites de especificao.
Embora seja semelhante ao Cp, o ndice Cpk tem a vantagem de usar a mdia do
processo. Portanto leva em conta sua centralizao e pode ser considerado como uma
medida da performance do processo.
C# e C#Q #ara algumas situa!es
a) Cp = 1
Cpk < 1

SENA
b) Cp > 1
Cpk < 1

c) Cp > 1
Cpk > 1
As situaes (a) e (b) mostram como possvel ocorrer a produo de itens fora da
especificao ainda que Cp > 1. O ndice Cpk coerente em todos os casos.
SENA
4.
5.
e) "r# $ !o%trole ou gr&fi!o do
farol
O Pr-controle ou Grfico de farol s pode ser utilizado em processos que
estejam sob controle estatstico, ou seja, s apresente variaes aleatrias e
excelente capacidade em atender as especificaes de projeto.
Quando um processo apresenta condies de utilizar a tcnica do Pr-controle
ou Grfico de farol, transferirmos para o operador responsabilidade de julgar a
qualidade do mesmo em relao aos padres e especificaes reduzindo os
SENA
custos de controle e permitindo ao operador acompanhar o seu prprio
trabalho. Chamamos essa atividade de auto-inspeo.
Para que os resultados da auto-inspeo sejam corretos, so necessrios os
requisitos a seguir:
- aplicabilidade tecnolgica do processo;
O processo precisa ser de natureza tal que permita a clara definio das
responsabilidades para a tomada de deciso. Geralmente os processos mais
simples so os mais indicados. Ex.: tornear, furar, etc..
- processo sob condies de autocontrole;
O processo deve conter os meios e condies para que o trabalhador possa:
- saber exatamente o que deve fazer e quais os resultados esperados;
- ajustar o processo quando houver divergncias relevantes.
- treinamento do operador
O operador deve ser capacitado tanto no controle do processo, como na tomada de
decises.
- confiana mtua entre a superviso e o operador.
- Tanto para a delegao ao operador da importante responsabilidade de decidir
sobre a qualidade do produto e do trabalho, como para assumir esta
responsabilidade.
O objetivo do Grfico do farol detectar mudanas significativas no processo atravs
de um sistema rpido, econmico e que pode ser utilizado pelo prprio operador,
enriquecendo o contedo de seu trabalho.
Para aplicar o pr-controle, procede-se da seguinte maneira:
- ajuste da mquina (set-up).
Verifica-se todas as peas. A ajustagem estar correta quando cinco peas
seguidas estiverem na regio verde do grfico.
- produo.
Mede-se duas peas consecutivas e segue-se as instrues do =rfico do farol.
PrA-controle ou Gr9ico do 9arol
SENA
Passos
-8

- 'erifi(ue dois produtos) *e amos esti+erem %a regi,o +erde, !o%ti%ue %ormalme%te a produ-,o)
28

- *e um ou dois produtos esti+erem %a regi,o +ermel.a, a+ise o respo%s&+el para as pro+id/%!ias
!orreti+as e sele!io%e o material e0iste%te) 1ua%do os rea2ustes forem feitos, +olte ao passo um)
SENA
;8

- *e um ou dois produtos esti+erem %a regi,o amarela, +erifi(ue mais tr/s produtos)
A8 Se trs ou mais produtos estiverem na regio verde, continue normalmente a
produo.

H8 Se trs ou mais produtos estiverem na regio amarela, avise o responsvel para as
providncias corretivas. Quando os ajustes forem feitos, volte ao passo um.

C8 Se qualquer produto estiver na regio vermelha, avise o responsvel para as
providncias corretivas e selecione o material. Aps os necessrios ajustes, volte
ao passo 1.

Clculo dos limites de controle para o Grfico do farol.
-I Passo
Determinar a amplitude da tolerncia, ou seja, LSE - LE;
2I Passo
Dividir a amplitude de tolerncia, ou seja, (LSE - LE)/4.
;I Passo
Marcar os valores no grfico, como segue, e seguir as instrues do Pr-controle.
SENA
E,em#lo
Construir um grfico de pr-controle para o processo de produo de eixos do
mecanismo de levantamento do vidro da janela.
Especificao (15,00 0,10mm).
-
o
Passo
Determina-se o campo da tolerncia:
LSE - LE = 15,10 - 14,90 = 0,20.
2
o
Passo
Calcula-se o valor de um quarto de tolerncia.
1/4 tolerncia = 0,20/4 = 0,05.
;
o
Passo
Coloca-se as linhas de controle no grfico:
Regio
vermelha
Pare
Dim > 15,105
15,10
Regio
amarela
Observe
V 15,005< di
15,055 15,05
Regio
verde V V V V V V V V V V V V 14,995< di 15,00
SENA
Continue V V V V V V V 15,055
14,945< di
14,995
14,95
Regio
amarela
Observe
V 14,895<di
14,945 14,90
Regio
vermelha
Pare
V Dim 14,895
9:00 11:00 13:00 15:00 9:00 11:00 13:00 15:00
Nota
Quando se deseja utilizar o Grfico do farol dentro dos critrios expostos e, ao mesmo
tempo, se deseja controlar tendncias, tais como: desgaste de ferramentas, etc., torna-
se necessrio construir um grfico tal que cada faixa corresponda, no mximo, a um
oitavo da tolerncia especificada (cada regio amarela dividida em, no mnimo, duas
faixas e a regio verde dividida em, no mnimo, quatro faixas).
SENA
Im#lantao do CEP
mplantar o CEP no significa espalhar cartas de controle por toda a fbrica.
SENA
Esse equvoco pode custar o sucesso do projeto. Na verdade, a utilizao das cartas
de controle somente dever ter incio depois que providncias importantes forem
tomadas.
A implantao do CEP envolve trs grandes fases. Se bem desenvolvidas, essas fases
tendem a garantir o sucesso do projeto. So elas:
- conscientizao;
- treinamento;
- implantao.
A conscientizao deve abranger todos os nveis hierrquicos, para que todos fiquem
comprometidos com o projeto. Comprometimento no significa apenas apoiar a
iniciativa, mas fazer parte dela, dedicando parcela do tempo para atuar no processo.
Deve ser desenvolvido um plano de treinamento, considerando que toda a populao
precisa ser treinada, desde o operador at a direo maior da empresa. Cada qual,
certamente, recebendo a mensagem adequada em funo do seu grau de atuao no
projeto. A nvel de piso de fbrica recomendvel que seja treinado, de incio, o
pessoal que far uso imediato do sistema; isso evita especulaes e receios
desnecessrios.
Finalmente, um plano de implantao precisa ser elaborado, para organizar
adequadamente o modo como o CEP ser difundido e utilizado em toda a organizao.
Passos #ara um #lano de im#lantao
-8 Selecionar uma rea #ara iniciar a im#lantao
aconselhvel comear numa rea piloto. medida que os resultados comearem
a aparecer, a empresa ganha confiana na metodologia, facilitando a implantao
em outras reas. Para escolher a rea piloto, deve-se considerar os seguintes
critrios:
- selecionar uma rea que no apresente muitos problemas, para se observar
resultados o mais rapidamente possvel;
- dar preferncia a rea que seja um gargalo, pois o objetivo aumentar a
produtividade;
SENA
- procurar implantar o CEP num processo cujo produto tenha vida relativamente
longa.
28 *e9inir o #rocesso
Definida a rea, deve-se escolher o processo mais crtico em termos de CEP, isto ,
aquele que apresenta a maior variabilidade.
;8 Normali4ar o #rocesso
Significa corrigir problemas que podem ser detectados sem o auxlio das cartas de
controle; por exemplo, aferir instrumentos de medio, treinar operadores que no
conheam o trabalho, fazer manuteno nas mquinas, etc. Em outras palavras,
normalizar quer dizer resolver os velhos problemas j conhecidos do pessoal envolvido
com o processo. Essa atitude de aproximao da gerncia ao local de trabalho,
buscando resolver os problemas, um elemento de motivao importante para o
pessoal de operao.
.8 *eterminar a caracterstica que ser controlada
Por exemplo, dimetro, comprimento, nmero de defeitos, etc.
=8 *e9inir o ti#o de carta de controle mais a#ro#riado
Cumpridas as etapas de implantao, necessrio adotar e seguir um esquema
operacional que garanta a utilizao correta do sistema.
O esquema operacional constitudo fundamentalmente de trs aes:
1. coleta dos dados e projeo na Carta de Controle;
2. anlise da estabilidade;
3. anlise da capabilidade.
A anlise da estabilidade e da capabilidade devem ser acompanhadas de aes locais
e gerenciais e repetidas indefinidamente, de modo a se perseguir o aperfeioamento
contnuo do processo.
SENA
A seguir, esquema de implantao e operacionalizao do CEP, na forma de
fluxograma.
Esquema de im#lantao do CEP

Esquema o#eracional do CEP
SENA
6.
SENA
7.
f)3aelas
>abela - + alores #ara clculo dos limites de controle da carta / 5
Carta das mAdias B C Carta de am#litudes B5C
Observaes
na amostra
Fatores para
limites de
controle
Divisores para
estimativa do
desvio-padro
Fatores para limites de
controle
n A A2 d2 *; *.
2 2.121 1.880 1.128 ----- 3.267
3 1.732 1.023 1.693 ----- 2.574
4 1.500 0.729 2.059 ----- 2.282
5 1.342 0.577 2.326 ----- 2.114
6 1.225 0.483 2.534 ----- 2.004
7 1.134 0.419 2.704 0.076 1.924
8 1.061 0.373 2.847 0.136 1.864
9 1.000 0.337 2.970 0.184 1.816
10 0.949 0.308 3.078 0.223 1.777
11 0.905 0.285 3.173 0.256 1.744
12 0.866 0.266 3.258 0.283 1.717
13 0.832 0.249 3.336 0.307 1.693
14 0.802 0.235 3.407 0.328 1.672
15 0.775 0.223 3.472 0.347 1.653
16 0.750 0.212 3.532 0.363 1.637
17 0.728 0.203 3.588 0.378 1.622
18 0,707 0.194 3.640 0.391 1.608
19 0.688 0.187 3.689 0.403 1.597
20 0.671 0.180 3.735 0.415 1.585
21 0.655 0.173 3.778 0.425 1.575
22 0.640 0.167 3.819 0.434 1.566
23 0.626 0.162 3.858 0.443 1.557
24 0.612 0.157 3.895 0.451 1.548
25 0.600 0.135 3.931 0.459 1.541
LSC = + A2 .
LC = - A2 .
LSC R = D4
LC R = D3

>abela 2 + alores #ara clculo dos limites de controle da carta / s
SENA
Carta das mAdias B C Carta dos des(ios-#adro BsC
Observaes
na amostra
Fatores para
limites de
controle
Divisores para
estimativa do
desvio-padro
Fatores para limites
de controle
n A; C. H; H.
2 2.659 0.7979 ----- 3.267
3 1.954 0.8862 ----- 2.568
4 1.628 0.9213 ----- 2.266
5 1.427 0.9400 ----- 2.089
6 1.287 0.9515 0.030 1.970
7 1.182 0.9594 0.118 1.882
8 0.099 0.9650 0.185 1.815
9 1.032 0.9693 0.239 1.761
10 0.975 0.9727 0.284 1.746
11 0.927 0.9754 0.321 1.679
12 0.886 0.9776 0.354 1.646
13 0.850 0.9794 0.382 1.618
14 0.817 0.9810 0.406 1.594
15 0.789 0.9823 0.428 1.572
16 0.763 0.9835 0.448 1.552
17 0.739 0.9845 0.466 1.534
18 0.718 0.9854 0.482 1.518
19 0.698 0.9862 0.497 1.503
20 0.680 0.9869 0.510 1.490
21 0.663 0.9876 0.523 1.477
22 0.647 0.9882 0.534 1.466
23 0.633 0.9887 0.545 1.455
24 0.619 0.9892 0.555 1.445
25 0.606 0.9896 0.565 1.435
LSC , LC = R A3 .
LSC R = B4
LC R = B3
>abela ; + alores #ara clculo dos limites de controle da carta de indi(iduais
SENA
Carta de indi(iduais B,C Carta de am#litudes B5C
Observaes
na amostra
Fatores para
limites de
controle
Divisores para
estimativa do
desvio-padro
Fatores para limites
de controle
n E2 d2 *; *.
2 2.660 1.128 ------- 3.267
3 1.772 1.693 ------- 2.574
4 1.457 2.059 ------- 2.282
5 1.290 2.326 ------ 2.114
6 1.184 2.534 ------ 2.004
7 1.109 2.704 0.076 1.924
8 1.054 2.847 0.136 1.864
9 1.010 2.970 0.184 1.816
10 0.975 3.078 0.223 1.777
LSC X , LC = E2
LSC R = D4
LC R = D3
>abela . + alores das reas da distribuio normal
SENA
4 8KK 8K- 8K2 8K; 8K. 8K= 8KD 8KE 8K0 8K1
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990
SENA
Simbologia utili4ada
u = Mdia de defeitos por unidade.
c = Nmero de defeitos na amostra.
= Mdia da amostragem (estimativa de ).
S = Desvio padro da mdia.
= Desvio padro do processo (estimativa de ).
S = Desvio padro da amplitude.
A2 = Fator tabelado em funo de n.
n d
3
A
2
2
=
E2 = Fator tabelado em funo de n.
= Mdia das medianas.
= Mdia dos desvios padro das amostras.
A;,B;,B. = Fatores tabelados em funo de n.
n = Tamanho da amostra.
k = Quantidade (amostras ou classes).
= Mdia das observaes numa amostra.
X = Mdia da amostragem.
= Mediana.
R = Amplitude.
s = Desvio padro da amostra.
LE = Limite inferior de especificao.
LSE = Limite superior de especificao.
= Mdia das amplitudes das amostras.
d2 = Fator de correo (depende de n).
= Desvio padro populacional.
x = Valor individual.
= Mdia da populao.
2
= Varincia populacional.
Z = Quantidade de desvio padro entre X e 8
SENA
h = Amplitude da classe.
N = Tamanho da amostragem.
p = Frao ou porcentagem defeituosa na amostra.
np = Nmero de defeituosos numa amostra.
n = Mdia de defeituosos numa amostra.
= Mdia de produtos defeituosos.
A = Constante tabelada
n
3
=
LN = Limites naturais do processo.
LNS = Limite natural superior.
LN = Limite natural inferior.
LC = Linha central.
LSC = Limite superior de controle.
LC = Limite inferior de controle.
Cp = Capacidade potencial do processo.
Cpk = Capacidade real do processo.
LC = Limite inferior de controle do grfico das mdias.
LSC = Limite superior de controle do grfico das mdias.
LC5 = Limite inferior de controle do grfico das amplitudes.
LSC5 = Limite superior de controle do grfico das amplitudes.
LE = Limite de especificao.
SENA
5e9er@ncias bibliogr9icas
Charnet, Eugnia M.R. - Estatstica ndustrial. Departamento de Estatstica, MECC
UNCAMP. So Paulo, 1995.
Ducan, Acheson J. - Quality Control and ndustrial Statistics. USA. llinois, 1959.
Fonseca, Jairo Simon e Martins, Gilberto de Andrade - Curso de Estatstica. 3 Edio.
Editora Atlas, 1987.
Juran, J. e Gryna, F. - Quality Control - Handbook. Mc Graw Hill.
Palmer, Collin F. - Controle Total da Qualidade. Traduo tiro Yida. Edgard Blucher,
1974.
SENA

Apostila CEP

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

Apostila CEP

Caricato da

Copyright:

Formati disponibili

Controle estatstico do processo - Bsico

Controle estatstico do processo

Potrebbero piacerti anche