Controle Estatistico da Qualidade ESQUEMA DO CAPITULO 15.1. MELHORIA E ESTATISTICA DA QUALIDADE 15.2. CONTROLE ESTATISTICO DA QUALIDADE, 15.3 CONTROLE ESTATISTICO DE PROCESSO 15.4 INTRODUGAO AOS GRAFICOS DE CONTROLE 15.4.1. Principios Bésicos 15.4.2 Projeto de um Grifico de Controle 15.4.3. Subgrupos Racionais 15.44 Anilise de Padres de Comportamento para Grificos de Controle 15.5 15.6 GRAFICOS DE CONTROLE ¥ ER GRAFICOS DE CONTROLE PARA MEDIDAS INDIVIDUAIS. 15.7 CAPACIDADE DE PROCESSO 15.8 GRAFICOS DE CONTROLE PARA ATRIBUTOS 15.8.1 Grifico P (Grafico de Controle para Proporcées) 15.8.2 Gréfico U (Grafico de Controle para Defeitos por Unidade) 15.9 DESEMPENHO DO GRAFICO DE CONTROLE. 15.10 GRAFICO DE CONTROLE DA SOMA. CUMULATIVA, 15.11 OUTRAS FERRAMENTAS PARA RESOLVER PROBLEMAS DE CEP 15.12. IMPLEMENTANDO 0 CEP 15.1 MELHORIA E ESTATISTICA DA QUALIDADE Hoje em dia, a qualidade de produtos e de servigos tem se tor- nado um importante fator de decisio na maioria dos negécios. Independente do consumidor ser ou nfo um individuo, uma corporagdo, um programa de defesa militar ou uma loja de va- rejo, quando o consumidor estiver fazendo decisées de com- pra, ele ou ela estard propenso a considerar 4 qualidade com a ‘mesma importancia que 0 custo € o prazo de entrega. Conse- qiientemente, 2 methoria da qualidade tem se tornado uma preocupacao importante para muitas corporagdes americanas. Este capitulo & sobre controle estatistico da qualidade, uma colegao de ferramentas que sio essenciais nas atividades de melhoria da qualidade. (Qualidade significa adequagio ao uso. Por exemplo, vocé ou eu podemos comprar automéveis que esperamos estar livres de defeitos de fabricagao e que devem prover transporte confiavel € econdmico, um varejista compra itens acabados na esperanca, de que eles estejam embalados apropriadamente e arrumados de ‘modo a se ter ficil estocagem e disposigao, ou um fabricante compra matéria-prima ¢ espera processé-la sem retrabalho ou perda. Em outras palavras, todos os consumidores esperam en- contrar produtos e servigos que eles compram nos seus requer- ‘mentos, aqueles que definem a adequacdo para uso. ‘A qualidade ou a adequagao ao uso é determinada através da interagdo de qualidade de projeto e qualidade de conformi- dade. Por qualidade de projeto, queremos dizer os diferentes ‘aus ou niveis de desempenho, de confiabilidade, de servigo ¢ de fungio que sio o resultado de decisies deliberadas de enge- niharia e de geréncia, Por qualidade de conformidade, queremos dizer a redugao sistemstica de variabilidade ea climinagao de defeitos até que cada unidade produzida seja idéntica ¢ livre de defeit. Existe alguma confusio em nossa sociedade acerca da me- Ihoria da qualidade; algumas pessoas ainda pensam que ela sig- nifica revestir de ouro um produto ou gastar mais dinheiro para desenvolver um produto ou processo. Esse pensamento esta er- rado. Melhoria da qualidade significa a eliminagao de residu- (os, Exemplos de residuos incluem perda e retrabalho na fabri- cagdo, inspegao ¢ teste, erros em documentos (tais como dese- thos de engenharia, cheques, ordens de pagamento e planos),servigo de atendimento a consumidores, custos de garantia e 0 tempo requerido para repetir coisas que poderiam ter sido fei- tas direito desde a primeira vez. Um esforgo vitorioso de me- Ihoria da qualidade pode eliminar muito desse residuo e con- duzir a custos menores, produtividades maiores, consumidores satisfeitos, aumento da reputagao dos negécios, maior i0 de mercado e, por iltimo, maiores lucros para'a com= panbia ‘Meétodos estatisticos desempenham um papel vital na melho- ria da qualidade. Algumas aplicagdes sio dadas a seguir: 1. No planejamento ¢ desenvolvimento de produtos, méto- dos estatisticos, incluindo experimentos planejados, podem ser usados para comparar diferentes materiais, componen- tes ou ingredientes, eajudara determinar as tolerincias do sistema e dos componentes. Essa aplicago pode baixar, ignficativamente, os custos de desenvolvimento e redu Zir 0 tempo de desenvolvimento; 2. Métodos estatisticos podem ser usados para determinar a capacidade de um processo de fabrieagdo. Controle esta- tistico de processo pode ser usado para melhorarsistema- ticamente um processo pela reduio da variabilidade; 3. Métodos de planejamento de experimentos podem ser usa dos para investigar melhorias no processo. Essas melhori- as podem conduzir a rendimentos maiores e menores cus- tos de fabricagio; 4. Testes de vida fornecem confiabilidade e outros dados de desempenho sobre o produto. Isso pode levar a no- ‘vos e melhores projetos e produtos que tenham vidas liteis mais longas menores custos operacionais e de ‘manutengio. Algumas dessas aplicagées foram ilustradas em capitulos an- teriores deste livro. E essencial que engenheiros, cientistas e ge- rentes tenham um profundo entendimento dessas ferramentas cstatisticas em qualquer indiistria ou negécio que queiram ser produtores de alta qualidade e baixo custo, Neste capitulo, for- hneceremos uma introdugio aos métodos basicos de controle es- tatistico da qualidade que, juntamente com planejamento de ex- perimentos, formam a base de um esforgo vitorioso de methoria dda qualidade 15.2 CONTROLE ESTATISTICO DA QUALIDADE ‘Ocampo de controle estatistico da qualidade pode ser largamente definido como aqueles métados estaisticos e de engenharia que so usados na medida, na monitorizagiio, no controle e na me- Ihoria da qualidade. Controle estatistco da qualidade & um eam- po relativamente novo, datando dos anos 20. Dr. Walter A. ‘Shewhart, dos Laboratérios da Companhia Telefonica Bell (Bell Telephone Laboratories), foi um dos pioneiros do campo. Em 1924, ele escreveu um memorando mostrando um moderno grit- fico de controle (ou carta de controle), uma das ferramentas bi- sivas de controle estatistico de processo, Harold F, Dodge e Harry G. Romig, dois empregados do Sistema Bell (Bell System), for- neceram muito da lideranga no desenvolvimento da amostragem ‘com base estatistica e métodos de inspecao. O trabalho desses ‘és homens forma muito da base do campo modemno do contro- Ie estatistico da qualidade. A II Guerra Mundial viu a larga in- trodugdo desses métodos nas indiistrias americanas. Dr. W. Edwards Deming e Dr. Joseph M, Juran tém sido instrumentos na difusio de métodos de controle estatistico da qualidade des- de aI Guerra Mundial ‘Conrnour Estatisnco pA QuALIDADE 361 Os japoneses foram particularmente vitoriosos na aplicagao ddos métodos de controle estatistico da qualidade e usaram mé todos estatisticos para ganhar vantagem significativa sobre seus competidores. Nos anos 70, a indistria americana sofreu bastante com os competidores japoneses (e outros estrangeiros); isso a levou, por sua vez, a renovaro interesse em métodos de controle estatistico da qualidade nos Estados Unidos. Muito desse inte- resse esta focalizado no controle estatistico de processo e pla nejamento de experimentos. Muitas companhias americanas co- megaram programas extensivos para implementa esses métodos na sua fabricagdo, na engenbaria e em outras organizagdes co- merciais 15.3 CONTROLE ESTATISTICO DE PROCESSO E impraticdvel inspecionar qualidade em um produto; 0 produto tem de ser construfdo corretamente ji na primeira vez. O pro- ccesso de fabricagio tem, por conseguinte, de ser estavel ou ca- paz de ser repetido e capaz de operar com pouca variabilidade a0 redor do alvo ou dimensio nominal. Controle estatistico de processo em tempo real (on-line) uma ferramenta poderosa para encontrar estabilidade de um processo e para melhorar a capa- cidade através da redugao da variabilidade costume pensar sobre controle estatistico de processo (CEP) como um conjunto de ferramentas para resolver proble- mas, que podem ser aplicadas a qualquer processo. AS ferramen- tas mais importantes de CEP' sio 1. Histograma 2. Grifico de Pareto 3. Diagrama de causa-e-efeito 4, Diagrama de defeito-concentragao 5. Grifico de controle 6. Diagrama de dispersio 7. Folha de verificagio Embora essas ferramentas sejam uma parte importante de CEP, clas compreendem apenas o aspecto técnico do assunto. Um ele ‘mento igualmente importante de CEP é a atitude —um desejo de todos os individuos na organizagao para melhoria continua na qualidade e na produtividade através da redugao sistematica de variabilidade. O grifico de controle €a mais poderosa das fer- ramentas de CEP. 15.4 INTRODUCAO AOS GRAFICOS DE CONTROLE 15.4.1 Prineipios Basicos Em qualquer processo de produgdo, independente de quiio bem projetado ou cuidadosamente mantido ele seja, uma certa quan- tidade de variabilidade inerente ou natural sempre existird, Essa variabilidade natural ou “ruido de fundo" é o efeito cumulativo cde muita causas pequenas, essencialmente inevitéveis. Quando © muido de fundo em um processo for relativamente pequeno, "alguns prefeom incur os métodos de planejamento de experiments, dscut- dos peviameont, come pare do fi de feramestas de CEP. Néo fzem0s assim. porque pensamos o CEP como uma abordagem on-line para melhoria da qual fade, usando tGenicas fundamentadss em observagbes pesivss do proceso, tenquanto o planejamento de experimentos & uma abordagem atva, em que mi ‘danas deliberadas so fetas nas variveis de proceso, Como tal os experimentos Planjados sia feqientementereeridos como controle de qualidade af-ine362 ‘Cosmnote EstasTisrco BA QUALIDADE geralmente 0 consideramos em um nivel aceitivel de desempe- ‘ho do processo. No ambito de controle estatistico da qualida- de, essa variabilidade natural éfreqiientemente chamada de “um sistema estvel de causas casuais”. Um processo que esteja ope- rando somente com eausas easuas de variagdo presente & dito estar sob controle estatistico. Em outras palavras, as causas ¢ suais s40 uma parte inerente do processo. Outros tipos de variabilidade podem ocasionalmente estar presentes na saida de um process, Essa variabilidade nas carac- teristicas chaves da qualidade geralmente aparecem de trés fon- tes: miquinas nao propriamente ajustadas, eros dos operadores ou matérias-primas defeituosas. Tal variabilidade é geralmente grande quando comparada a0 ruido de fundo,representando usu- almente um nivel inaceitavel de desempenho de processo. Referimo-nos a essas fontes de variabilidade, que no sio parte do padrio de causas comuns, como eausas atribufdas. Um pro- ‘cesso que esteja operando na presenga de causas atribuidas € dito estar fora de controle." Processos de produgio operario, freqiientemente, em um es- tado sob controle, produzindo produtos aceitaveis durante pe- riodos relativamente longos de tempo. Ocasionalmente, no en- tanto, causas atribuidas ocorrerio, aparentemente a0 acaso, sultando em uma “mudanga” para um estado fora de controle, em que uma grande proporcio da saida do processo ndo atende ‘a0s requerimentos. Um objetivo importante de controle esta- tistico da qualidade ¢ detectar rapidamente @ ocorréncia de causas atribudas ou mudangas no processo, de modo que uma investigagdo do proceso ¢ uma agao corretiva possam ser cempreendidas antes que muitas unidades ndo conformes sejam fabricadas. O grifico de controle & uma técnica de monitori- zagiio on-line do processo, largamente usada para essa finali- dade. Lembre o seguinte fato do Cap. 1. As Figs. 1-172) ¢(b)ilus- tram que ajustes as causas comuns de variago aumentam a va- riagdo de um processo, enquanto as Figs. 1.18(a) (b) ilustram que ages devem ser tomadas em resposta as causas atribuidas de variagdo. Grificos de controle podem também ser usados para estimar parametros de um processo de produgdo e, atra- vés dessa informagio, determinar a capacidade de um proc so de atingir as especificagdes. O grifico de controle pode tam- bbém fornecer informagao que seja tit! na melhoria de um pro- cesso. Finalmente, lembre-se de que o objetivo final de con- ‘role estatistico de processo € eliminagdo de variabilidade no proceso, Embora possa niio ser possivel eliminar completa- mente a variabilidade, 0 gréfico de controle ajuda a reduzi-la tanto quanto possivel Um grafico tipico de controle é mostrado na Fig. 15.1, que & uma disposigdo grafica de uma caracteristica da qualidade, que foi medida ou calculada a partir de uma amostra contra o nime~ 10 da amostra ou tempo. Freqiientemente, as amostras so sele- cionadas em intervalos periédicos, tal como a cada hora. O gri- fico contém uma linha central (LC), que representa 0 valor mé- dio da caracteristica da qualidade correspondendo ao estado sob controle. (Ou seja, somente causas casuais esto presentes.) Duas outras linhas horizontais, chamadas de limite superior de trole (LSC) e de limite inferior de controle (LIC), sio também mostradas no grifico. Esses limites de controle sao eseolhidos 2 teminologa caussscasuaise atribuidas foi desenvolvia pelo Dr. Waker [A Shewhart Hoje em di, alguns eseritoes usm eausacomumt em vee de cau ss casual ecaush especial em ver de causa abibuida Lite superior de controle =F VV A Ww mite v. concn Ccaracorsien da quaade daamost Nomoro de amosts ou tmp Fig. 18.1 Grafica pico: de modo que, se 0 processo estiver sob controle, aproximada- ‘mente todos os pontos da amostra cairdo entre eles. Em geral, desde que os pontos estejam plotados dentro dos limites de con- trole, o proceso & considerado estar sob controle e neninuma ago € necessiria. Entretanto, um ponto que caia fora dos limites de controle é interpretado como evidéncia de que o provesso esti fora de controle, necessitando-se de investigagio e ago corret- va para encontrar e eliminar a causa atribuida ou causas respon stiveis para esse comportamento. Os pontos da amostra no grifi- code controle so geralmente conectados com segmentos de li- nha reta, de modo que é mais facil visualizar como a seqiiéncia de pontos tem evoluido ao longo do tempo. Mesmo que todos os pontos estejam dentro dos limites de controle, se eles se comportarem de maneira sistemtica ou nio aleat6ria, entdo isso é uma indicagdo de que o provesso esti fora de controle. Por exemplo, se 18 dos 20 iiltimos pontos estives- sem acima da linha central, porém abaixo do limite superior de controle, e somente dois desses pontos estivessem abaixo da li- nha central, porém acima do limite inferior de controle, ficaria- ‘mos muito desconfiados de que alguma coisa estaria errada. Se © processo estiver sob controle, todos os pontos plotados deve- rio ter um padriio de comportamento essencialmente aleatério, Métodos planejados para encontrar seqiéncias ou padres no aleat6rios podem ser aplicados aos grficos de controle como uma ajuda na detec¢o de condigdes fora de controle, Um determina- do padrio de comportamento nao aleatdrio geralmente aparece tem um grifico de controle por uma razao, ¢ se essa razio puder ser eneontrada e eliminada o desempenho do processo podera ser melhorado. HA uma forte conexao entre graficos de controle e testes de hip6teses. Essencialmente, o grifico de controle & um teste da haipdtese de que 0 processo est em um estado de controle esta- tistico. Um ponto situado dentro dos limites de controle & equi- valente a falhar em rejeitar a hipotese de controle estatistico, € tum ponto situado fora dos limites de controle & equivalente are jeitar a hipétese de controle estatistico. Podemos dar um modelo geral para um grafico de controle. aga W ser uma estatistica da amostra que mede alguma carac- teristica da qualidade de interesse, e suponha que a média de W seja j1p-© 0 desvio-padrao de W seja oy.’ Entio a linha cen- ‘Note gue “sigma” se refer ao desvio-padro da estas potada no grit (isto), 6 no 30 desvio-padrBo da caacterstica da qualidade.tral, o limite superior de controle ¢ o limite inferior de controle se tornam LSC = jy + how LC = py UC = wy ~ ow sendo ka “distancia” dos limites de controle a parti da linha cen- tral, expressa em unidades de desvio-padrio. Uma escolha co- mum ¢ = 3. Essa teoria geral de grificos de controle foi p meito proposta pelo Dr. Walter A. Shewhart e os grificos de controle desenvolvidos de acordo com esses principios sio fre- giientemente chamados de graficos de controle de Shewhart. grafico de controle é um instrumento para descrever exata- mente o que se entende por controle estatistico; como tal ele pode serusado em uma variedade de maneiras. Em muitas aplicagik ele é usado para monitorizagdo on-line de processo. Ou seja, dados da amostra sio coletados ¢ usados para construit 0 grifi- co de controle, ¢ se 0s valores amostrais de 7 (por exemplo) ca- {rem dentro dos limites de controle e nao exibirem qualquer pa- rio sistematico de comportamento, dizemos que.o processo esti sob controle no nivel indicado pelo grfico. Note que podemos estar interessados aqui em determinar ambos: se os dados pas- sados vieram de um processo que estava sob controle e se as amostras futuras, provenientes desse processo, indicam contro- Ie estatistico, (0 uso mais importante de um grifico de controle & melhorar © processo. Encontramos que, geralmente: 1. A maioria dos processos nao opera em um estado de con- trole estatistico; 2. Por conseguinte, o uso rotineiro e cauteloso dos grificos de controle identificaro causas atribuidas. Se essas caut- sas puderem ser eliminadas do processo, a variabilidade seri reduzida e 0 processo sera melhorado; Essa atividade de melhoria de um processo, usando graficos de controle, & ilustrada na Fig. 15.2. Note que: 3. O grifico de controle somente detectari causas atribuidas, A agiio do gerente, do operador e do engenheiro seré ge- ralmente necesséria para eliminar a causa atribuida. E vi- tal um plano de ago para responder os sinais do grafico de controle. Na idemtificagdo e na eliminagio das causas atribuidas, é impor- tante encontrar a causa raiz em foco do problema eatacé-la, Uma solucdo cosmética nao resultard, a longo prazo, em qualquer melhoria real do processo. O desenvolvimento de um sistema efetivo para ago corretiva é um componente essencial de uma implementaglo efetiva de CEP. Podemos também usar o grafico de controle como um instru- mento de estimagao. Isto &, a partir de um grafico de controle que exiba controle estatistico, podemos estimar certos parime- tros de processo, tas como a média, 0 desvio-padrio e a fragio no conforme, Essas estimativas podem, entio, ser usadas para ddeterminara capacidade do processo para produzir produtos acei- tivcis. Tais estudos de capacidade de processo tm impacto considerdvel em muitos problemas de decisio de geréncia que ‘cortem a0 longo do ciclo do produto, incluindo decisdes fazer- ‘ou-comprar, melhorias da planta e de processo que reduzam a (Conmnote EsraTisnico na Quatioans 363 = [ee | | L— Sietema do medida — Vorigue 0 Deiat ree atvibuida. a N\ inane NN conti N Monique a causa taiz do problema, Fig. 18.2 Memoria Ge processo usando ogrifco de controle Variabilidade do processo e concordncias contractuais com con- sumidores ou fornecedores relativos & qualidade do produto. s grificos de controle podem ser classificados em dois ti pos gerais. Muitas caracteristicas da qualidade podem ser medi das © expressas como niimeros em alguma eseala continua de m dida, Em tais casos, & conveniente descrever a caracteristica da qualidade com uma medida de tendéncia central e uma medida de variabilidade. Gréficos de controle para tendéncia central e variabilidade so coletivamente chamados de grificos de con- trole para varidveis. O grifico ¥ ¢ grifico mais largamente uusado para monitorar a tendéncia central, enquanto gréficos ba- seados na amplitude da amostra ou no desvio-padrio da amos- tra slo usados para controlar a variabilidade do processo. Mui tas caracteristicas da qualidade niio so medidas em uma escala continua ou mesmo em uma escala quantitativa, Nesses casos, podemtos julgar cada unidade do produto como conforme ou no conforme, com base no fato de possuir ou no certos atributos, ‘ou podemos contar 0 niimero de nio conformidades (defeitos) aparecendo em uma unidade do produto. Graficos de controle para tais caracteristicas da qualidade sfio chamados de gréficos de controle para atributos. Os grificos de controle tém tido uma longa historia de uso na, industria, Ha, no minimo, cinco razées para sua popularidade, 1, Grificos de controle sio uma téenica comprovada para melhoria da produtividade. Um programa vitorioso de grifico de controle reduziré a perda ou o retrabalho, que So os prineipais destruidores da produtividade em qual quer operagao. Se voce reduzir a perda e o retrabalho, en lo a produtividade aumenta, 0 custo diminui e a capaci- dade de produgdo (medida no nimero de itens bons por hora) aumenta. Grificos de controle sio efetivos na prevengio de de- feitos. O grfico de controle ajuda a mantero proceso sob controle, o que & consistente com a filosofia de “faca cer- to na primeira vez". Nunca & mais barato separar depois, as unidades “boas” das unidades “ruins”, em vez de fazé- lo correto desde o inicio, Se vocé nfo tiver um controle efe- tivo de processo, vooé esté pagando a alguém para fazer tum produto nfo conforme Grificos de controle previnem ajustes desnecessirios no processo, Um grifico de controle pode distinguir en- tre ruido de fundo e variagdo abnormal; nenhum outro ins- trumento, incluindo um operador humano, é tio efetivo 2 3,364 sT109 DA QUALIDADE em fazer essa distingao, Se os operadores ajustarem 0 pro- cess0, baseados em testes periédicos nao relacionados a tum programa de gréfico de controle, eles freqiientemen- te reagirdo em demasia ao ruido de fundo ¢ fario ajustes desnecessarios. Esses ajustes desnecessérios podem ge- ralmente resultar em uma deterioragao do desempenho do processo. Em outras palavras, 0 grafico de controle é consistente com a filosofia de “se ele nao estiver quebra- do, nao 0 conserte” 4. Gréficos de controle fornecem informagio sobre diag- néstico. Freqiientemente, o padrdo de comportamento dos pontos em um grafico de controle conters informagao que tem um valor de diagndstico para um engenheiro ou ope- rador experiente. Essa informagao permite ao operador implementar uma mudanca no processo que melhorara seu desempenho. 5. Graficos de controle fornecem informagio sobre a ¢a- acidade de proceso. O sgrifico de controle fomece formagio sobre o valor de importantes pardmetros de pro- ‘e830 € sua estabilidade ao longo do tempo. Isso permite fazer uma estimativa da capacidade de processo, Essa in- formagiio € de tremendo uso para projetistas de produto ¢ processo, Grificos de controle esto entre as ferramentas mais efetivas, de controle gerencial, sendo importantes como controladoras de custo e de materiais. A tecnologia modema computacional tor- nou ficil a implementagao de grificos de controle em qualquer tipo de processo ¢ para colegio de dados, podendo a anilise ser feita em um mictocomputador ou em um terminal de rede local «em tempo real no centro de trabalho. 15.4.2 Projeto de um Grifico de Controle Para ilustrar essas idéias, damos um exemplo simplificado de um arifico de controle. Na fabricagio de anéis de pistao de motores automotivos, o didmetro intemo dos angis ¢ uma caracterstica critica da qualidade. O didmetro médio intemo do anel no pro- cess0 é de 74 mm, e sabe-se que o desvio-padrio do didmetro do anel é de 0,01 mm. Um grifico de controle para o didmetro mé- dio do anel é mostrado na Fig. 15.3. A cada hora, uma amostra aleatéria de cinco anéis éretirada, o didmetro,médio (3) do anel da amostra & calculado e ¥ € plotado no grifico. Devido a esse grifico de controle utilizara média amostral Y para monitorar a média do processo, ele ¢ geralmente chamado de um grafico de controle , Note que todos 0s pontos caem dentro dos limites de controle, de modo que o grafico indica que 0 processo esti sob controle estatistico, Considere como os limites de controle foram determinados A média do processo é de 74 mm e 0 desvio-padrio do processo €0 = 0,01 mm, Agora, se amostras de tamanho n = 5 forem re- tiradas, 0 desvio-padrio da média amostral sera Conseqiientemente, se 0 processo estiver sob controle com um diimetro médio de 74 mm, usando o teorema central do limite para considerar que ¥ seja distribuido de forma aproximadamen- ‘te normal, esperariamos que, aproximadamente, 100(1 — a)% dos didmetros médios ¥ das amostras caissem entre 74 + 2, (0,045) e 74 ~ z,(0,0045). Como discutido anteriormente, estamos acostumados a escolher a constante z,, como 3, de modo {que os limites superior ¢ inferior de controle se tomnam jaoias ASC= 740135. 74,0090 — 74,0085 AA r\ 7 14,0000 +f VAR ANY 73.9958, JY whom V 73,9868 739820 1 i Sites se “HC = 73,9865, Diametio mécio 60 ane = 23456 Namere de amosta Fig. 183 Grifico de controle F para o diimetto do ane! do pst. LSC = TA + 3(0,0045) = 74,0135 LIC 74 — 30,0045) 73,9865 como mostrado no grifico de controle, Esses so os limites de controle 3 sigmas, referidos anteriormente. Note que o uso dos limites 3 sigmas implica que a = 0,0027; ou seja, a probabilida- de do ponto eair fora dos limites de controle quando o processo estiver sob controle & 0,0027. A langura dos limites de controle estdinversamente relacionada ao tamano n da amostra, para um dado miltiplo de sigma. A escotha dos limites de controle & equi- valente a estabelecer a regio critica para o teste de hipsteses How 74 Hyp ts senido o = 0,01 conhecido, Essencialmente, o grifico de controle testa essa hipstese, repetidamente, em diferentes pontos no tempo. No projeto de um grfico de controle, temos de especificar tanto © tamanho da amostra a usar como a freqiiéncia de amostragem, Em geral, amostras maiores tornardo mais fécil detectar pequenas ‘mudangas no processo. Quando escothemos o tamanho da amos- tra, temos de manter em mente o tamanho da mudanga que esta- ‘mos tentando detectar, Se estivermos interessados em detectar uma ‘mudanga relativamente grande no processo, ento usamos amos- tras de tamanhios menores do que aquela que empregariamos se a ‘mudanga de interesse fosse relativamente pequena. Temos também de doterminar a freqiiéncia de amostragem. A situagdo mais desejvel, do ponto de vista de detectar mudangas, seria retirar amostras grandes muito freqlentemente, Entretanto, isso nao 6 em geral, economicamente vidvel. O problema geral équele de alocar esforco de amostragem. sto 6, retiramos pequenas amostras «em curtos intervalos ou amostras maiores em intervalos mais on- ‘gos. A pritica corrente nas indistria tende a favorecer amostras ‘menores e mais freqientes, particularmente em processos de fabri cago de alta produgo ou onde muitos tipos de causas atribuidas possain ocorrer. Além disso, & medida que sensores autométicos & a tecnologia de medigao se desenvolvem, torna-se possivel aumen- tar grandemente as freqiiéncias, Por iltimo, eada unidade pode ser teslada & medida que ela for fabricada. Essa capacidade nfo elimi- nara necessidade de grificos de controle porque o sistema de teste nfo prevenir defeitos. Mais dados aumentario a eficiéncia do con- trole de processo e aumentario a qualidade. 15.4.3 Subgrupos Racionais Uma idéia fundamental no uso de graficos de controle é coletar dados amostrais de acordo com o que Shewhart chamou de con-ceito de subgrupo racional, Geralmente, isso significa que subgrupos ou amostras devam ser selecionados de modo que, a medida do possivel, a variablidade das observagies dentro de tum subgrupo deva incluir toda a variabilidade casual ou natural € excluir a vatiabilidade atribuida, Entdo, os limites de controle representardo fronteiras para toda 2 variabilidade casual e no & variabilidade atribuida, Por conseguinte, causas atribuidas ten- derdo a gerar pontos que estejam fora dos limites de controle, enquanto a variabilidade casual tenderd a gerar pontos que este- {jam dentro dos limites de controle. Quando grificos de controle sio aplicados a provessos de pro- dugao, a ordem horaria de produgdo € uma base logica para subgrupar racionalmente. Muito embora a ordem horéria seja pre- servada, ainda ¢ possivel formar erroneamente subgrupos. Se al- sgumas das observagdes no subgrupo forem retiradas no final de ‘uma mudanga de 8 horas, eas observagdes restantes forem reti- radas no comego da préxima mudanga de 8 horas, entdo qual- quer diferenga entre as mudangas nao deve ser detectada, A or- dem horaria ¢freqtientemente uma boa base para formar subgru- pos, porque ela nos permite detectar causas atribuidas que ocor- rem ao longo do tempo. Duas abordagens gerais so usadas com o objetivo de cons- truir subgrupos racionais. Na primeira abordagem, cada subgru- po consiste em unidades que foram produzidas a0 mesmo tem- po (ou tao proximas quanto possivel). Essa abordagem é usada quando a finalidade priméria do grifico de controle & detectar ‘mudanga no processo. Isso minimiza a variabilidade devido as causas atribuidas dentro (within) de uma amostra e maximiza a variabilidade entre (between) amostras, se causas atribuidas tiverem presentes. Ela também fomece estimativas melhores do desvio-padrao do processo no caso de grificos de controle para variaveis. Essa abordagem de subgrupar racionalmente fornece essencialmente um instantineo do processo em cada ponto no tempo onde a amostra é coletada. ‘Na segunda abordagem, cada amostra consiste em unidades de produtos que so representativas de todas as unidades que foram produzidas desde a tltima amostra ter sido coletada. Es- sencialmente, cada subgrupo é uma amostra aleatéria de toda a saida do processo ao longo do intervalo de amostragem. Esse método de subgrupar racionalmente é freqientemente usado quando o grafico de controle for empregado para tomar decisoes acerca da aceitagao de todas as unidades do produto que foram produzidas desde a iltima amostra. De fato, se 0 processo mu- darpara um estado fora de controle ¢ entio voltara ficar sob con- ‘role entre amostras, prova-se, algumas vezes, que o primero m todo de subgrupar, definido anteriormente, nio seri efetivo contra esses tipos de mudangas, tendo-se de usar 0 segundo método. Quando o subgrupo racional for uma amostra aleatbria de to- das as unidades produzidas ao longo do intervalo de amostragem, cuidado considerdvel tem de ser tomado na interpretagto dos grit ficos de controle, Se a média do processo mudar entre varios ni veis durante o intervalo entre amostras, a amplitude das obser- vvagdes dentro da amostra pode conseqiientemente ser relativa- mente grande. E a variabilidade dentro da amostra que determi- naa largura dos limites de controle em um gréfico ; assim, essa pritica resultard em limites mais largos no grifico ¥ Isso torna mais dificil detectar mudangas na média. De fato, podemos fre- gilentemente fazer qualquer processo parecer estar sob controle estatistico, apenas distendendo o intervalo entre observagdes na amostra. E sempre possivel, para mudangas na média do proces- S0, ter pontos no grifico de controle para a amplitude ou para o desvio-padrao que estejam fora de controle, muito embora ne- nhuma mudanga na variabilidade do processo tenha existido Contmout Esrarismico ox Quatina 365 Existem outras bases para formar subgrupos racionais. Por cexemplo, suponha que um processo consista de varias méquinas «que combinem sua saida em uma corrente comum. Se amostrar- ‘mos a partir dessa corrente comum de saida, seré muito dificil 1 antes de serem ana~ lisadas, 3. Medidas repetidas no provesso diferem somente por eau- sa do erro no laboratério ou na andlise, como em muitos processos quimicos. 4, Em plantas de processo, tal como na fabrica de papel, me- didas de alguns parametros, como a espessura de rove timento através do rolo, dferirio muito pouco, produzin- do um desvio-padrio que serd muito pequeno se o obje- tivo for controlar a espessura do revestimento ao longo do rolo, Em tais situagdes, 0 grifico de controle para medidas indi- viduais ¢ ttl. O grafico de controle para medidas individuais usa amplitude mével de duas observagdes sucessivas para estimar a variabilidade do processo. A amplitude mével é definida como =X Uma estimativa de o & a 1128 CConrTmott EstaTisTiCo BA QUALIDADE a7 (©) Use os limites tentativas de controle do item (a) para iden- tifiear pontos fora de controle. Liste os niimeros das amos- {ras com pontos fora de controle. 15.7. O teor de cobre de um banho de chapeamento & medido t's ‘vezes ao da, sendo os resultados reportados em ppm. Os valo- res de T er para 25 dias sio mostrados na seguinte tabela Dia ria r 1 543 1214 2011s 2 539° 095 S583 17 3 68514316 108 4 678 12907 083 5 13518 1,35, 6 oss 19 109 7 639° 092-20 122 8 1B 21 S50 098 9 12522632124 10 10523655 0.76 Ho 645098 245.90 1.20 DR $38 13625 S119 1B 603083 (@)_Usando todos os dados, enconte os limites tentativas de controle paraos grificos Y e R, construao grtico e plote (0 dados. O processo esti sob controle esttistico? (). Senecessario, reveja os limites de controle calculados no item (2), considerando que qualquer amosta fora dos i- ‘mites de controle poderi ser climinada, porque d; = 1,128 quando duas observagdes consecutivas so Usauas para calcular uma amplitude mével. E também possivel estabelecer um grifice de controle para a amplitude mével, usan- do D, e Dy para n = 2, Os parimetros para definidos como segue. ‘A linha central ¢ 0s limites superior ¢ inferior de controle para o gréfico de controle para as medidas individuals sio LSC Lc uc (15.9) € para o grifico de controle para amplitudes méveis LSC = Daa = 3.267am% LC =a | LIC = Dari procedimento é ilustrado no seguinte exemplo.372 Contmots Estaristioo pA QUALIDADE EXEMPLO 15.2 ‘A Tabela 15.3 mostra 20 observacdes da concentragio na sa- ida de um proceso quimico. As observagdes sao retiradas em intervalos de uma hora. Se varias observagGes forem retira- das ao mesmo tempo, 2 leitura da concentracdo observada diferira somente por causa do erro de medida. Uma vez que 0 erro de medida é pequeno, somente uma observagao € retita- daa cada hora. Coma finalidade de estabelecer o grifico de controle para ‘medidas individuais, note que a média amostral das 20 leitu- ras da concentragao 7 = 99,1 e que a média das amplitudes méveis das duas observagdes mostradas na diltima coluna da Tabela 15.3 am = 2,59. De modo a estabelecer 0 griico da amplitude mével, notamos que D; = 0 ¢ D, = 3,267 para n = 2. Logo, o gréfico da amplitude mével tem linha central ai 59, LIC = 0 € LSC = D, ai = (3,267)(2,59) = 8,46. 0 grifico de controle & mostrado na parte inferior da Fig. 15.10 Esse grafico de controle foi construtdo pelo Minitab. Pelo fato de nenhum ponto exceder o limite superior de controle, po- ‘demos agora estabelecer 0 grifico de controle para medidas individuais de concentrago. Se uma amplitude mével de observagdes for usada, entdo d; = 1,128. Para os dados na Tabela 15.3, temos 4g 2.59 F497 = 99 + 3 = 10599 99.1 mm 259 GF = 98 ~ Bing = 92.21 Tabela 15.3 Medidas de Concentragdes do Processo Quimico Concentragio Amplitude Mével Observagiio x am 1 1020 2 948 72 3 983 35 4 os a s 1020 36 6 98,5 38 7 99.0 os 8 077 13. 9 1000 23 10 98,1 19 n 1013 32 2 987 26 B 101.1 24 4 984 27 Is 970 14 16 96,7 03 7 100;3 36 18 1014 ri 19 972 42 20 1010 38 259 99,1 am grifico de controle para medidas individuais de concen- trago 6 mostrado na parte superior na Fig. 15.10. Nao ha indi- ‘cago de uma condicao fora de controle. 107, 1s¢= 105,99) 104 Modidas nevis 95 92| 4 = 12 1620 10 ‘Ample vel (2) 12 1620 ‘Subgrup Fig. 1.10 Gréfcos de contole para meds individu para amp mvet {(€@ Minitab), para os dados de concentagde do process quisico no Exemplo 152. © grifico para medidas individuais pode serinterpretado como uum grifico de controle comum X. Uma mudanga na média do ‘processo resultaré em um ponto (ou pontos) fora dos limites de ‘controle, ou em um padrao de comportamento consistindo em ‘uma corrida em um lado da linha central. ‘Algum cuidado se deve terna intepretagao dos padres de com- portamento do grifico da amplitude mével. Asamplitudes méveis esto correlacionadas e essa correlagao pode freqiientemente in- uzir a um padrdo de comportamento de corridas ou ciclos no _gtifico. As medidas individuais so consideradas nao correlacio- ‘nadas; no entanto, qualquer padrio aparente no grifico de comtro- le das medidas individuais deve ser investigado cuidadosamente. (0 grafico de controle para medidas individuais € muito in- sensivel a pequenas mudangas na média do processo. Por exem- plo, seo tamanho da mudanga na média for um desvio-padrio, 0 ‘mimero médio de pontos para detectar essa mudanga & 43,9, Esse resultado serd mostrado mais adiante no capitulo. Enquanto 0 de- ‘sempenho do grifico de controle para medidas individuais € mui- to melhor para grandes mudangas, om muitas situagSes, a mu- ‘danga de interesse nao € grande e uma deteceo mais répida da, rmudanga & desejivel. Nesses casos, recomendamos 0 grafico de controle da soma cumulativa ou um gréfico da média mével pon- derada exponencialmente (Montgomery, 1996). Alguns individuos sugeriram que limites mais estreitos do que 3 sigmas sejam usados no grdfico para medidas individuais para aumentar a sua habilidade de detectar pequenas mudangas no pprocesso, Essa é uma sugestio perigost, pois limites mais estrei- {os aumentario dramaticamente os alarmes falsos tal que 0s gri- ficos possam ser ignorados e se tomarem iniieis. Se vocé esti ver interessado em detectar pequenas mudangas, use o grafico de controle da soma cumulativa ou da média mével ponderada exponencialmente, referido anteriormente.158, a 189. EXERCICIOS PARA A SECAO 15.6 - ‘Vinte medidas sucessivas de dureza so feitas em uma liga me- tilica, sendo os dados mostrados na seguintetabela, 1 st 2 32 3 54 4 35 5 55 6 31 7 2 8 30 9 31 10 56 nL 31 2 37 B 38 14 30 13 3 16 32 7 34 18 50 19 56 20 3 (a) Usandio todos os dados, caleule os limites tentativas de controle para os griicos das observagbes individuais ¢ da amplitude movel. Construa o grifico ¢ plote os dados. Determine seo processo est sob controle eiatistoo, Seno, ‘considere que causa atribuidas possam ser encontradas para LSE) = PL > (LSE ~ pyle) EXEMPLO 15.3 Para uum provesso eletronico de fabricagio, uma corrente tem especificagdes de 100 + 10 miliampéres. A média © 0 des-376 CoNTROLE EsTatistico DA QUALIDAE Unicadas nfo Ror>4 one) Unidad no ‘envormes / _* “ne ue Ise ® ered Unde no i aca to efomnoe hc “Sinomes TA © Fig. 18.13 Frage nfo conforme do processo e razlo a capacidade de proceso (RCP) vio-padrio ¢ do processo so 107,00 ¢ 1,5 respectivamente, A média do processo est mais perto de LSE. Por conseguinte, RCP = (110 ~ 90) 1,5) = 2.22 € RCP, = (110 ~ 107)/G-1,5) = 0.67 ‘A pequena RCP, indica que o processo esté propenso a produzir ccorrentes fora dos limites de especificagdes. A partir da distri- ‘buigdo normal na Tabela II do Apéndice PUX < LIE) = PZ < (90 ~ 107)/1,5)=PZ< -1 P(X > LSE) = P(Z > (110 ~ 107/15) = P(Z> 2 0,023 Para esse exemplo, a probabilidade relativamente alta de exceder LSE é uma adverténcia de problemas potenciais com esse critério, ‘mesmo se nenhuma das observagGes medidas em uma amostrapreli- ‘minar exceder esse limite. Enfatizamos que o cilculo da fragao ndo conforme considera que as observagBes sejam normalmente disti- buidas ¢ 0 processo esteja sob controle. Desvios da normalidade podem afetar seriamente os resultados. O célculo deve ser interpre- tado como uma norma aproximada para o desempenho do proces- so, De modo a tomar a questio pior, we necessitam ser estimados «partir dos dados dispontveis e uma amostra de tamanho pequeno pode resultar em estimativas pobres que degradam mais 0 célculo. Montgomery (1996) forece normas sobre os valores apropria- dos da RCP e uma tabela relacionando os itens nio conformes para ‘um processo normalmente distribuido sob controle estatistico ¢ 0 valor de RCP. Muitas companhias americanas usam RCP = 1,33 conto um alvo minimo aceitavel e RCP = 1,66 como um alvo mi- rimo para resistencia, seguranca ou caracteristicas criticas. Algu- ‘mas companhias requerem que os processos intemos e aqueles nos fornecedores atinjam uma RCP, = 2,0. A Fig. 15.14 ilustra um pro- cesso com RCP = RCP, = 2,0, Considerando uma distribuigio normal, a sada nfo conforme para esse processo é0,0018 parte por illo. Um processo com RCP, = 2,0 éreferido como um proces- so ses sigmas, porque a distincia a partir da média do processo até «a expecificagdo mais proxima é seis desvios-padrio. A razdo pela qual tal capacidade grande de processo seja freqtientemente requerida € que € dificil manter uma média do processo no centro das especificagées por longos petiodos de tempo. Um modelo co- ‘mum que é usado para justificar a importéncia de um processo seis sigmas ¢ ilustrado na Fig. 15.14. Se a média do processo se deslo- car do centro por 1,5 desvio-padrio, o RCP, diminuiré para 4,50/ 3o = 1,5. Considerando um processo distribuido normalmente, a ‘ragdo no conforme do provesso deslocado ¢ 3,4 partes por mi- thao. Por conseguinte, a média de um processo seis sigmas pode se deslocar de 1,5 desvio-padrao do centro das especificagdes e ainda ‘manter uma fragao no conforme de 3,4 partes por milho, Em adigZo, algumas companhias americanas, particularmen- ‘ea industria automobilistica, tem adotado a terminologia japo- ICP e Cy. = RCP, Devido a G, ter um outro si istica (em regressio miltipla) preferimos a nota- ao tradicional RCP e RCP, Repetimos que os célculos da capacidade de processo so sig- nificativos somente para processos estaves, isto 6, processos que estejam sob controle. Uma razio da capacidade de processo in- dica se a variabilidade natural ou casual em um proceso & ou niio aceitdvel em relagiio as especificagies.Conrnaus Estarisnco pa Quaupane 377 3o—s) Fig. 15.14 Deslocamento da mii de um processo ss sigmas por 1.5 desvio-padiro, EXERCICIOS PARA A SECAO 15.7 15.12. Um processo normalmente disribuido usa 66,7% da banda de especificaglo. Ele esté centralizado na dimensio nominal, lo- calizada na metade do camino entre os limites superior ¢ in- ferior de especificasio. (a) Estime RCP e RCP,. Interprete essasrazdes. (©) Qual o nivel produzido de fragdo defeituosa fallout)? 18.13. Reconsidere o Exercicio 15.1. Use os limites revistos de con- role e as estimativas de processo, (a) Estime RCP e RCP,.Interprete essa razses (©) Qual a peroentagem de itens defeituosos que esti sendo produzida por esse processo? 1S14, _Reconsidere o Exercicio 15.2, em que 0s limites de especitica- glo sho 14,50 * 0550, (2) Que conclusdes podem ser tiradas sobre a habilidade do processo para operar dentro desses limites? Estime a per= centagem de itens defeituosos que serio produzides. (6) Estime RCP e RCP,,Interpreteessas razbes. 15.15. Reconsidere o Exercicio 15.3, Usando as estimativas do proces- 0, qual sera onivel de ago defeituosa se as especificagdes co- dificadas forem 10 5 mm? Estime RCP einterprete essa ro, 15.8 GRAFICOS DE CONTROLE PARA ATRIBUTOS 15.8.1 Gréfico P (Gréfico de Controle para Proporcées) Fregiientemente, deseja-se classificar um produto como de- feituoso ou nao defeituoso, baseado na comparagdo com um padrao. Essa classificagao € geralmente feita para atingir eco- ‘nomi e simplicidade na operagio de inspegio. Por exemplo,, © didmetro de um mancal de esferas pode ser verificado de- terminando-se se ele passa através de um medidor consistin- do em orificios eirculares cortados em um molde. Esse tipo de medida seria muito mais simples que medir diretamente 0 diametro com um instrumento tal como o micrdmetro. Grafi- cos de controle para atributos so usados nessas situacdes. Graficos de controle para atributos requerem constantemente ‘uma amostra de tamanho consideravelmente maior do que as, correspondentes medidas de varidveis. Nesta segao, discuti- remos 0 grafico de controle da fracio defeituosa ou grifi- co P. Algumas vezes, o grifico P & chamado de grafico de controle para a fragio no conforme. Suponha que D seja o mimero de unidades defeituosas em uma mostra aleat6ria de tamanho n. Consideramos que D seja uma variével aleatéria binomial, com parimetro desconhecido p. A fragio defeituosa p-2 15.16. Um processo normalmente distibuldo usa 85% da banda de cespecificagdo. Fle esté contralizado na dimensio nominal, lo- calizada na metade do caminho entre os limites superior ¢ in ferior de especificagao. (a) Estime RCP e RCP,, Interprete essas razies. (b) Qual o nivel produzido de fraglo defeituosa? Reconsidere o Exercicio 15.5. Suponba que a caracterstica da ‘qualidade seja normalmente distribuida, com especificasio em 220 = 40. Qual é o nivel de fragdo defeituasa? Estime RCP ¢ RCP, interpreteessas razbes, 15,7. 15.18, Reconsidere 0 Exerccio 154. Considerando que ambos 0s grii- «0s exibam controle estatstico e que as especificagdes de proces- 0 sejam 20 = 5, estime RCP e RCP, cintexpreteessas raze. 15.19, Reconsidere o Exercicio 15.7. Dado que as especificagies se. jam 6,0 * 10, estime RCP RCP, interprete essas razbes, 15.20. Reconsidere 15.6, Quais si os limites naturais de tolerincia esse processo? 15.21. Reconsidere 15.11. As especificagdes da viscosidade sio 500 = 25. Calcul as estimativas das res das capacidades de proces- CCP, para esse provesso eforneya uma interpretagio, de cada amostra é plotada no grifico. Além disso, a varidncia da cstatistica P é = pil=p) te Conseqiientemente, um grifico P para a fragio defeituosa pode- ria ser construido usando p como a linha central e ds limites de controle em , =D av eee i= (15.12) Entretanto, a verdadeira fragdo defeituosa do processo & quase sempre desconhecida e tem de ser estimada usando os dados das amostras preliminares. ‘Suponha que m amostras preliminares, cada uma de tamanho 1, estejam disponiveis e fagam D, ser o niimero de defeitos na i- ésima amostra. A P = Dn é fragio defeituosa amostral na i- ésima amostra, A frag defeituosa média (15.13) ‘Agora, P pode ser usado como um estimador de p nos céleulos da linha central e dos limites de controle.378 © Contnour Esrarisnico Da QuALIDADE | Definigo ‘A linha central ¢ os limites superior e inferior de controle para o grifico P sio | LSC =pt+3 B= 2) | Von | le=5 | He » FEB asia sendo 7 0 valor observado da fragio defeituosa média. Esses limites de controle sao baseaclos na aproximagio da dis- tribuigdo binomial pela normal, Quando p for pequena, a apro- ximagio normal pode ndo ser sempre adequada. Em tais casos, podemos usar os limites de controle obtidos diretamente de uma tabela de probabilidades binomiais. Se 7 for pequena, o limite inferior de controle, obtido da aproximagio normal, pode serum niimero negativo. Se isso.ocorrer, écomum considerar zero como 6 limite inferior de controle EXEMPLO 15.4 ‘Suponha que desejemos construir um gefico de controle da fragio defeituosa para uma linha de produgio de substrato cerimico. Temos 20 amostras preliminares, cada uma de ta- ‘manho 100; 0 nimero dos defeitos em cada amostra é apre- sentado na Tabela 15.4. Considere que as amostras sejam nnumeradas na seqiiéncia de produgio. Note que 5 = (800/ 2.000) = 0,40; logo, os pardmetros tentativas para o grafico de controle sto [@.40;0.60, 00 LSC = 0,40 +3 = 055 LC = 040 [(Q:40x0,60) LIC = 0,40 ~ 3 5 Vo 100 “ O grifico de controle é mostrado na Fig. 15.15. Todas as amos- tras esto sob controle. Se elas nfo estivessem, procurariamos as causas atribuidas de variagdo e revisariamos os limites. Esse _grifico pode ser usado para controlar a produgao futura, ‘Tabela 15.4 Nimero de Defeitos em Amostras de 100 Substratos Cerimices' Amostra_N.'deDefeitos Amostra_N.* de Defeitos 1 “4 u 36 2 48 2 32 3 32 B 35 4 50 4 4a 5 29 15 2 6 31 16 30 7 46 "7 46 8 52 18 8 9 4 19 26 10 48 20 30 67 @ 9 WM IIs is 151617 18 19 25 Numero da most TPs «Ss ig. 15.18 Grifico P para o substrate cermico, Embora esse processo exiba controle estatistico, sua taxa de defeitos (p = 0,40) & muito pobre. Devemos considerar etapas, apropriadas para investigar 0 processo de modo a determinar por que um ndmero grande de unidades defeituosas esté sendo produzido. Unidades defeituosas devem ser analisadas para determinar os tipos especificos de deteitos presentes. Uma vez, ue 08 tipos de defeitos sejam conhecidos, mudangas no pro- ‘cesso devem ser investigadas para determinar seus impacto nos niveis dos defeitos. Experimentos planejados podem ser itis, esse aspecto. Pacotes computacionais produzem também um griifico NP. Esse ¢ apenas um grafico de controle n® = D,o niimero de de- feitos em uma amostra, Os pontos, a linha central eos limites de controle para esse grifico sao apenas miiltiplos (vezes n) dos elementos correspondentes de um grafico P.O uso de um griti- co NP evita as fragdes em um grifico P. 15.8.2 Grafico U (Grifico de Controle para Defeitos por Unidade) Algumas vezes, é necessirio monitorar 0 nimero de defeitos em uma unidade de produto em vez da fragio defeituosa. Su- ponha que na produgao de tecido seja necessirio controlar o ni- mero de defeitos por jarda, ou que, na montagem de uma asa de avitio, o mimero de rebites perdidos tenha de ser controla- do. Nessas situagdes, podemos usar o grafico de controle para os defeitos por unidade ou o grafico U. Muitas situagdes de de- feitos por unidade podem ser modeladas pela distribuigdo de Poisson. Se cada amostra consistir em m unidades e se houver um total de C defeitos na amostra, entéo u seri o numero médio de defeitos por unidade. Um grafico U’ pode ser construido para tais dados. Se houver m amostras prelimina- res, 0 mimero de defeitos por unidade nessas amostras seri U Us son Us ent 0 estimador do niimero médio de defeitos por unidade é a 0 5.15) (Os parametros do grifico U so definidos a seguir.Definigao A linha central ¢ os limites superior e inferior de controle para o grafico U sio usc =a+3 ft aol sendo i 0 nimero médio de defeitos por unidade. (5.16) uc Seo niimero de defeitos em uma unidade for uma varivel aleatéria de Poisson, com pardimetro 2, ento a média e a vari- ncia dessa distribuiglo serio A. Cada ponto no grafico é U, 0 nimero médio de defeitos por unidade, provenientes de uma amostra de n unidades. Conseqiientemente, a média de Ué de a variincia de U é Nn, Geralmente, \ € desconhecido e U & 0 estimador de A, que ¢ usado para estabelecer os limites de con- trole. = Esses limites de controle io baseados na aproximagao da dis- tribuigao de Poisson pela normal. Quando i € pequeno, a apro- ximagio normal pode nao set sempre adequada. Em tais casos, podemos usar os limites de controle obtidos diretamente de uma tabela de probabilidades de Poisson. Se it for pequeno, o limite inferior de controle, obtido da aproximagio normal, poder ser lum nlimero negativo. Se isso ocorrer, é costume considerar 0 li- mite inferior de controle como zero. EXEMPLO 15.5 Placas de circuito impresso so montadas por uma combi- nado de montagem manual e automética. Uma maquina de soldagem continua é usada para fazer as conexdes mecni- cas ¢ elétricas dos componentes de chumbo na placa. Essas placas so passadas, quase continuamente, através do pro- Tabela 15.5 Numero de Defeitos nas Amostras de Cowrro srarisrico DAQUALIDADE — 379 ccess0 de soldagem ¢, a cada hora, cinco placas sio selecio- nadas ¢ inspecionadas para finalidades de controle de pro-

Você também pode gostar

• Controle Estatístico e Auditoria da Qualidade

  

  Ainda não há avaliações

  Controle Estatístico e Auditoria da Qualidade

  42 páginas
• Controle Estatistico.... GPO

  

  Ainda não há avaliações

  Controle Estatistico.... GPO

  14 páginas
• Controle Estatístico Da Qualidade

  

  Ainda não há avaliações

  Controle Estatístico Da Qualidade

  21 páginas
• Cap 15

  

  Ainda não há avaliações

  Cap 15

  54 páginas
• Controle Estatístico de Processos

  

  Ainda não há avaliações

  Controle Estatístico de Processos

  70 páginas
• Carpinetti Luiz ControleQualidadeProcesso 2ed

  

  100% (1)

  Carpinetti Luiz ControleQualidadeProcesso 2ed

  213 páginas
• Graficos de Controle Variaveis Atributos

  

  Ainda não há avaliações

  Graficos de Controle Variaveis Atributos

  17 páginas
• Controle Estatístico 1

  

  Ainda não há avaliações

  Controle Estatístico 1

  320 páginas
• Introdução Ao Controle Estatístico de Processo - Cep

  

  100% (1)

  Introdução Ao Controle Estatístico de Processo - Cep

  34 páginas
• Controle Estatístico do Processo: Fundamentos

  

  Ainda não há avaliações

  Controle Estatístico do Processo: Fundamentos

  30 páginas
• Controle Estatístico de Processo: CEP

  

  Ainda não há avaliações

  Controle Estatístico de Processo: CEP

  115 páginas
• Controle Estatístico de Processos

  

  Ainda não há avaliações

  Controle Estatístico de Processos

  71 páginas
• Controle Estatístico de Processos e Qualidade

  

  Ainda não há avaliações

  Controle Estatístico de Processos e Qualidade

  26 páginas
• Cap 6 - Ferramentas para o Controle Da Qualidade - Gráfico de Controle

  

  Ainda não há avaliações

  Cap 6 - Ferramentas para o Controle Da Qualidade - Gráfico de Controle

  48 páginas
• Material Estatistica 2022

  

  Ainda não há avaliações

  Material Estatistica 2022

  47 páginas
• Controle Estatístico do Processo: História e Técnicas

  

  Ainda não há avaliações

  Controle Estatístico do Processo: História e Técnicas

  145 páginas
• Quali Dade 5647

  

  Ainda não há avaliações

  Quali Dade 5647

  38 páginas
• 011-Oliveira H P Proposta de Modelo

  

  Ainda não há avaliações

  011-Oliveira H P Proposta de Modelo

  11 páginas
• Controle Estatístico de Processos: Origens e Objetivos

  

  Ainda não há avaliações

  Controle Estatístico de Processos: Origens e Objetivos

  17 páginas
• E-Book Controle Estatístico de Processos PARTE 1

  

  Ainda não há avaliações

  E-Book Controle Estatístico de Processos PARTE 1

  45 páginas
• Controle de Qualidade e CEP em Produção

  

  Ainda não há avaliações

  Controle de Qualidade e CEP em Produção

  23 páginas
• Controle Estatístico de Processos em Mecânica

  

  Ainda não há avaliações

  Controle Estatístico de Processos em Mecânica

  14 páginas
• Controle Estatístico do Processo: Guia Completo

  

  Ainda não há avaliações

  Controle Estatístico do Processo: Guia Completo

  56 páginas
• Controle Estatístico de Processos

  

  Ainda não há avaliações

  Controle Estatístico de Processos

  193 páginas
• Controlo Estatístico da Qualidade: 2ª Edição

  

  Ainda não há avaliações

  Controlo Estatístico da Qualidade: 2ª Edição

  13 páginas
• Semana 1-Videoaula 3-Controle Estatístico e Gestão Da Qualidade - PES320 - DI-SUP-MC - REVISADA

  

  Ainda não há avaliações

  Semana 1-Videoaula 3-Controle Estatístico e Gestão Da Qualidade - PES320 - DI-SUP-MC - REVISADA

  20 páginas
• Controle Estatístico de Processos e Amostras

  

  Ainda não há avaliações

  Controle Estatístico de Processos e Amostras

  22 páginas
• Apostila CEP

  

  Ainda não há avaliações

  Apostila CEP

  30 páginas
• Controle Estatistico de Processo

  

  Ainda não há avaliações

  Controle Estatistico de Processo

  31 páginas
• Apostila Esta

  

  Ainda não há avaliações

  Apostila Esta

  79 páginas
• Controle Estatístico de Processos para Qualidade

  

  Ainda não há avaliações

  Controle Estatístico de Processos para Qualidade

  15 páginas
• Engenharia da Qualidade: Conteúdos e Métodos

  

  Ainda não há avaliações

  Engenharia da Qualidade: Conteúdos e Métodos

  167 páginas
• Gerenciamento Qualidade - Módulo III

  

  Ainda não há avaliações

  Gerenciamento Qualidade - Módulo III

  293 páginas
• Apresentação Legal de Metrologia

  

  Ainda não há avaliações

  Apresentação Legal de Metrologia

  22 páginas
• Controlo Estatístico da Qualidade: Guia Completo

  

  Ainda não há avaliações

  Controlo Estatístico da Qualidade: Guia Completo

  321 páginas
• Controle Estatístico de Processos: Ementa e Conceitos

  

  Ainda não há avaliações

  Controle Estatístico de Processos: Ementa e Conceitos

  29 páginas
• Controle Estatístico de Processo Explicado

  

  Ainda não há avaliações

  Controle Estatístico de Processo Explicado

  2 páginas
• Controle Estatistico de Qualidade CIERJ

  

  100% (1)

  Controle Estatistico de Qualidade CIERJ

  406 páginas
• 1 22 23 24 25 26 Merged

  

  Ainda não há avaliações

  1 22 23 24 25 26 Merged

  48 páginas
• Controle Estatístico de Processos: Guia Completo

  

  Ainda não há avaliações

  Controle Estatístico de Processos: Guia Completo

  19 páginas
• Controle Estatistico Da Qualidade - UFF

  

  100% (1)

  Controle Estatistico Da Qualidade - UFF

  260 páginas
• Capabilidade

  

  Ainda não há avaliações

  Capabilidade

  12 páginas
• Métodos Estatísticos no Controle da Qualidade

  

  Ainda não há avaliações

  Métodos Estatísticos no Controle da Qualidade

  26 páginas
• Controle Estatístico de Qualidade: Benefícios e Ferramentas

  

  Ainda não há avaliações

  Controle Estatístico de Qualidade: Benefícios e Ferramentas

  3 páginas
• Apostila CEP

  

  Ainda não há avaliações

  Apostila CEP

  39 páginas
• 9 - Controle Estátistico Da Qualidade PDF

  

  Ainda não há avaliações

  9 - Controle Estátistico Da Qualidade PDF

  9 páginas
• Controle Estatístico em Química Analítica

  

  Ainda não há avaliações

  Controle Estatístico em Química Analítica

  202 páginas
• Livro Estatistica PDF

  

  Ainda não há avaliações

  Livro Estatistica PDF

  202 páginas
• Cartas de Controle

  

  Ainda não há avaliações

  Cartas de Controle

  64 páginas
• Causas da Variabilidade em Processos de Qualidade

  

  Ainda não há avaliações

  Causas da Variabilidade em Processos de Qualidade

  46 páginas
• Apostila - CEP

  

  Ainda não há avaliações

  Apostila - CEP

  60 páginas
• Métodos Estatísticos para Qualidade Empresarial

  

  Ainda não há avaliações

  Métodos Estatísticos para Qualidade Empresarial

  226 páginas
• Texto Apoio ICQ

  

  Ainda não há avaliações

  Texto Apoio ICQ

  178 páginas
• Controle Estatístico de Processos em Mecânica

  

  Ainda não há avaliações

  Controle Estatístico de Processos em Mecânica

  8 páginas
• Controle Estatístico de Processos e Gráficos

  

  Ainda não há avaliações

  Controle Estatístico de Processos e Gráficos

  55 páginas
• Introdução ao Controle Estatístico de Processos

  

  Ainda não há avaliações

  Introdução ao Controle Estatístico de Processos

  60 páginas
• Introdução ao Controle Estatístico da Qualidade

  

  Ainda não há avaliações

  Introdução ao Controle Estatístico da Qualidade

  5 páginas
• 11 CEP Cartas de Controle

  

  Ainda não há avaliações

  11 CEP Cartas de Controle

  58 páginas
• Unknown 197

  

  Ainda não há avaliações

  Unknown 197

  1 página
• 1 Enoque Nos Bastidores de Crencas Angelologicas Judaico Cristas

  

  100% (1)

  1 Enoque Nos Bastidores de Crencas Angelologicas Judaico Cristas

  115 páginas
• A Vida Por Um Fio

  

  Ainda não há avaliações

  A Vida Por Um Fio

  127 páginas
• A Cadeirada Arrebatadora o Político Mafioso e A Cadeira Senciente

  

  Ainda não há avaliações

  A Cadeirada Arrebatadora o Político Mafioso e A Cadeira Senciente

  88 páginas
• PCMSO: Diretrizes e Exames Ocupacionais

  

  Ainda não há avaliações

  PCMSO: Diretrizes e Exames Ocupacionais

  27 páginas
• Módulo I - Biossegurança Samuel

  

  Ainda não há avaliações

  Módulo I - Biossegurança Samuel

  7 páginas