Академический Документы
Профессиональный Документы
Культура Документы
br/content/9-ap%C3%AAndice
CEP
1 - Introduo
A seguir apresentamos alguns conceitos e definies importantes para o melhor entendimento do contedo desse
mdulo.
Processo: a combinao de mquinas, mtodos, material e mo-de-obra envolvidos na produo de um
determinado produto ou servio.
Controle: o conjunto de decises que tem por objetivo a satisfao de determinados padres ou especificaes por
parte dos produtos focados no cliente.
O CEP estabelece:
1. Informao permanente sobre o comportamento do processo;
2. Utilizao da informao para detectar e caracterizar as causas que geram instabilidade no processo;
3. Indicao de aes para corrigir e prevenir as causas de instabilidade;
4. Informaes para melhoria contnua do processo.
Sistema de controle do processo
Quatro elementos destes sistemas so importantes para as discusses a seguir.
1. O Processo
Entendemos como processo a combinao de fornecedores, produtores, pessoas, equipamentos, materiais
de entrada, mtodos e meio ambiente que trabalham juntos para produzir o resultado (produto), e os clientes
correspondem aos elementos que utilizam o resultado (ver Figura 1.1).
Equipamento;
O projeto do processo como um todo - que pode estar vulnervel mudanas de temperatura ou
umidade.
Os efeitos das aes deveriam ser monitorados, para que uma anlise e ao posterior pudesse ser tomada, se
necessria.
4. Aes sobre o resultado
Uma ao sobre o resultado freqentemente menos econmica quando se restringe a deteco e correo do
produto fora da especificao, no indicando o fato gerador do problema no processo. Infelizmente, se o resultado
atual no atinge consistentemente os requisitos exigidos pelo cliente, pode ser necessrio classificar todos os
produtos e refugar ou retrabalhar quaisquer itens no-conformes. Esta atitude deve ser mantida at que a ao
corretiva necessria sobre o processo tenha sido tomada e verificada, ou at que as especificaes do produto
tenham sido alteradas.
Definies
Variabilidade: o conjunto de diferenas nas variveis (dimetros, pesos, densidades, etc.) ou atributos (cor,
defeitos, etc.) presentes universalmente nos produtos e servios resultantes de qualquer atividade. Podemos
classific-las em comuns ou aleatrias e especiais ou assinalveis.
Tabela 1.1: Definies de causas comuns e especiais.
Definio
Comuns
Especiais
Exemplo
s
individualmente.
individualmente
Variabilidade do processo: Um processo est sob controle estatstico (estvel) quando no existem causas
especiais. O fato de um processo estar sob controle estatstico no implica que o mesmo est produzindo dentro de
um nvel de qualidade aceitvel. O nvel de qualidade de um processo estudado via uma tcnica denominada
anlise de capacidade/performance.
O objetivo desenvolver uma estratgia de controle para o processo que nos permite separar eventos relacionados
causas especiais de eventos relacionados causas comuns (falhas na sistemtica do processo). Desta forma, para
um dado processo, um grfico de controle pode indicar a ocorrncia de causas especiais de variao.
Este processo produz um resultado que esteja num estado de controle estatstico?
O processo capaz?
O processo confivel?
Muitas tcnicas discutidas de desenvolvimento de processos podem ser aplicadas para garantir um melhor
entendimento do processo. Estas atividades incluem:
Reunies em grupo
2. Manter o estado de controle estatstico estendendo a funo dos limites de controle como base de
decises.
3. Apresentar informaes para que sejam tomadas aes gerenciais de melhoria dos processos.
Formas de aplicao
A forma mais usual dos grficos de controle envolve registros cronolgicos regulares (dia-a-dia, hora-a-hora, etc) de
uma ou mais caractersticas (por exemplo, mdia, amplitude, proporo, etc) calculadas em amostras obtidas de
medies em fases apropriadas do processo. Estes valores so dispostos, pela sua ordem, em um grfico que possui
uma linha central e dois limites, denominados limites de controle (ver Figura 2.1).
Os grficos de controle fornecem assim uma regra de deciso muito simples: pontos dispostos fora dos limites de
controle indicam que o processo est fora de controle. Se todos os pontos dispostos esto dentro dos limites e
dispostos de forma aleatria, consideramos que no existem evidncias de que o processo esteja fora de controle".
Podemos observar no primeiro grfico que os dados esto dispostos entre os limites do intervalo, exceto uma
observao. Observe tambm que h indcios de falta de aleatoriedade no grfico
abaixo da linha central), entretanto, o grfico da Amplitude apresenta um comportamento supostamente aleatrio.
Para que possamos atingir os benefcios da aplicao do CEP, a organizao precisa se preparar:
Filosofia da gerncia
As decises da gerncia da empresa podem afetar diretamente os programas de CEP em:
1. Focar a organizao da empresa na diminuio da variao;
2. Estabelecer um ambiente aberto que minimize as competies internas e de suporte para o trabalho em
equipe;
3. Dar suporte e favorecer os treinamentos necessrios;
4. Aplicar o CEP para promover um melhor entendimento das variaes da engenharia de processo;
5. Aplicar o CEP para gerenciar os dados e usar a informao obtida nas decises do dia a dia.
Filosofia da engenharia
Como a engenharia usa a informao para poder planejar o desenvolvimento que podem e iro ter influncia no nvel
de variao do produto final, apresentamos algumas maneiras de como a engenharia pode mostrar o uso efetivo do
CEP:
1. Focar a organizao na reduo da variao atravs do planejamento do processo, ou seja, nmero de
mudanas no design, planejamento da manufatura e montagem;
2. Estabelecer um ambiente aberto que minimize a competio interna e prevalea o trabalho em equipe;
3. Dar suporte para que os funcionrios envolvidos no processo faam treinamentos adequados;
4. Aplicar o CEP para promover um melhor entendimento das variaes da engenharia de processo;
5. Exigir um melhor entendimento da variao e estabilidade em relao aos dados que so usados no
desenvolvimento do projeto;
6. Favorecer as mudanas na engenharia do produto que foram fruto das anlises do CEP que podem ajudar
na diminuio da variao.
Manufatura
Como a manufatura desenvolve e opera mquinas e os sistemas de transferncia que
podem impactar o nvel e o tipo de variao no produto final.
1. Focar a organizao da manufatura na reduo da variao, isto , controlar o nmero de diferentes
processos, o impacto dos processos multi ferramentais, ferramentas e mquinas de manuteno, etc;
2. Estabelecer um ambiente de engenharia aberto que possa minimizar a competio interna e dar suporte para
o trabalho de equipe;
3. Incentivar, manter e treinar os funcionrios no uso do CEP;
4. Aplicar o CEP para entender a variao e estabilidade dos dados que sero usados no desenvolvimento do
processo;
5. Usar as anlises do CEP para promover melhorias no processo;
6. No passar a responsabilidade pelas cartas de controle para os operadores at que o processo esteja sob
controle. A transferncia de responsabilidade do processo s deve ocorrer quando o processo estiver sob
controle.
Controle da qualidade
O controle da qualidade um componente crtico que prov suporte para as melhorias sugeridas pelo uso do CEP.
1. Dar suporte ao treinamento para manuteno do CEP;
2. Focar as pessoas na aplicao do CEP;
3. Ajudar na identificao das causas de variao do processo;
4. Assegurar que o uso correto das informaes provenientes do programa de CEP estejam sendo
corretamente utilizadas.
Produo
As pessoas envolvidas na produo esto diretamente relacionadas ao processo e a efetividade da variao do
processo. Elas devem:
1. Estar treinadas na aplicao do programa de CEP para resolver problemas;
2. Ter entendimento da variao e estabilidade em relao aos dados e as informaes que estaro sendo
usadas no programa de CEP;
3. Estar alertas! A comunicao entre a equipe importante quando a situao muda;
4. Atualizar, manter e disponibilizar as cartas de controle com a equipe responsvel;
5. Aprender com as informaes coletadas do processo.
A seguir, apresentamos os grfico mais simples e utilizados nas organizaes.
Tipos de grficos de controle
Existem dois tipos bsicos de grficos de Controle:
Grficos
e R (mdia e amplitude)
Grficos
Grficos
4. Definio e anlise do sistema de medio (unidades, instrumentos, grau de preciso das medidas, mtodo
para efetuar as medidas, etc).
5. Escolha da fase do processo onde sero efetuados os registros, a fim de obter informaes que permitam, no
caso em que causas especiais sejam detectadas, sua imediata e efetiva correo para evitar os itens
defeituosos.
Uma vez efetuada a fase preparatria, a elaborao dos grficos deve obedecer os seguintes passos:
1. Escolha do tipo de grfico;
2. Coleta de dados;
3. Indicao do estado do processo e sua performance;
4. Determinao da capacidade do processo, depois de se ter atingido o estado de controle;
5. Aes para melhoria do processo.
Os tpicos seguintes descrevem cada um dos itens acima.
(ou
) podero ser utilizados. Muitas vezes instrumentos passa/no passa so utilizados, o que produz uma
discretizao das caractersticas contnuas, permitindo assim a utilizao de grficos p (ou np).
ou
so:
1. Os subgrupos devem ter o menor tamanho possvel de forma que as suas mdias no mascarem as
mudanas.
2. Subgrupos de tamanho 4 ou 5 detectam mudanas no processo mais rapidamente que subgrupos maiores.
3. Subgrupos de 4 ou 5 tens so timos (ou quase) se as causas especiais produzem mudanas de 2 (2
sigma) ou mais no nvel geral do processo. Caso as mudanas sejam pequenas (1 ou menos) ser
necessrio, para detect-las, escolher subgrupos maiores (de 15 ou 20 itens). Aplicao de ferramentas
como CUSUM propiciam uma anlise de pequenas variaes.
Muitas vezes, para que possamos determinar adequadamente os subgrupos racionais, podemos utilizar o diagrama
de causa e efeito ou mesmo o FMEA de processo.
A escolha dos limites de controle uma deciso a ser tomada com base, essencialmente, em critrios econmicos. O
uso dos limites 3 (3 sigma) est bastante generalizado, mas existem situaes onde necessrio aplicar outros
critrios.
O comit em conjunto com o facilitador deve estabelecer um plano geral que contemple as principais
diretrizes do programa de CEP:
1. objetivos gerais;
2. as responsabilidades gerenciais;
3. a estratgia de treinamento;
4. os recursos necessrios para execuo do programa;
5. as necessidades financeiras;
6. cronograma.
Responsvel: Comit
Ferramentas: Reunies de trabalho.
Etapa 3: Estabelecer responsabilidades do facilitador e da equipe de melhoria
Dependendo do tamanho da organizao talvez seja necessrio indicar mais do que um facilitador.
Uma das principais responsabilidades do facilitador de ser o treinador, de fornecer suporte s reas que se
propem a implantar o CEP.
Principais caractersticas ou habilidades que o facilitador deve ter: boa comunicao, habilidades em anlises
estatsticas prticas, adequado relacionamento com o cho-de-fbrica, ter a confiana de todos os nveis da
organizao e ser um entusiasta do CEP.
A Equipe de Melhoria deve ser composta por representantes de 5 reas: engenharia, gerncia, produo,
manufatura, e controle da qualidade.
Muito provavelmente as melhorias a serem obtidas com a implantao do CEP dependem da participao
dos fornecedores.
A melhoria dos processos pode, algumas vezes, depender diretamente da melhoria da qualidade da matriaprima.
Responsvel: Comit
Ferramentas: Seminrios gerenciais, treinamento etc.
Etapa 8: Escolha das caractersticas da qualidade para a aplicao do CEP.
Para fazer a escolha das caractersticas de qualidade que sero avaliadas pelo CEP, sugerimos os seguintes
pontos:
1. Anlise das necessidades do cliente
2. Especificaes e desenhos fornecidos pelo cliente
3. Regulaes aplicadas (Legislaes)
4. FMEAs
5. Resultados de testes
6. Lies aprendidas do passado
(S = Severidade)
Responder as perguntas:
1. Pergunta 1: O sistema estvel? (sim ou no)
2. Pergunta 2: O sistema capaz? (sim ou no)
As possveis combinaes so:
estvel?
sim
sim
no
no
capaz?
sim
no
sim
no
Etapa
12
11
12
10
Retirar os pontos fora de controle da fase de coleta de dados e recalcular os limites de controle;
V para a Etapa 9.
Responsvel: Manufatura, Facilitador, Tcnicos e Equipe de Melhoria.
Ferramentas: Grficos de controle, Cp, Cpk, Pp, Ppk
4 - Grficos de Controle por Variveis
Muitas caractersticas da qualidade podem ser expressas em termos de valores numricos. Por exemplo, o dimetro
de um anel pode ser medido com um micrmetro e expresso em termos de milmetros. As caractersticas da
qualidade mensurveis tais como peso, dimenso ou volume so denominadas variveis.
Quando analisamos uma caracterstica da qualidade que uma varivel, em geral, controlamos o valor mdio da
caracterstica da qualidade e sua variabilidade. O valor mdio controlado atravs do grfico da mdia denominado
grfico
. Enquanto que a variabilidade do processo pode ser acompanhada atravs do grfico do desvio padro
denominado grfico
Quando lidamos com uma caracterstica da qualidade que uma varivel, necessitamos monitorar tanto a mdia da
caracterstica da qualidade quanto a sua variabilidade. Para isto, supomos que a caracterstica da qualidade tem
distribuio de probabilidade com mdia e desvio padro . Assim, para uma amostra aleatria X 1, X2, ... , Xn de
tamanho n, temos que a mdia amostral dada por:
Com isso, aplicando o Teorema Central do Limite para esta amostra aleatria, quando o tamanho da amostra
aumenta, a distribuio amostral da mdia se aproxima de uma distribuio Normal com mdia e desvio padro
, ou seja, se o tamanho amostral suficientemente grande, podemos assumir que a mdia amostral tem
uma distribuio Normal. Consequentemente, o intervalo de confiana da mdia dado por:
para o processo da
Agora, seja
Assim,
dada por:
as amplitudes das m amostras, ento a linha central (LC) ou a mdia das amplitudes
dada por:
Os grficos
complementam.
Um processo pode sair de controle por alteraes no seu nvel ou na sua disperso. As mudanas no nvel
(mdia) e disperso (variabilidade) do processo podem ser consequncias de causas especiais, gerando defeitos.
Para o desenvolvimento dos limites de controle, primeiramente vamos definir a varivel aleatria
Amplitude Relativa. A principal propriedade de
chamada
Agora, temos as ferramentas necessrias para a construo dos limites de controle para o grfico
usando a equao (4.1.1) e usando
Logo,
da seguinte forma
dado por
Montgomery, D.C. (2001)), uma constante que depende do tamanho da amostra . Logo, para
padro de
dada por:
Para as mdias:
Limite Superior de Controle:
Linha Central:
so dadas por:
o desvio
Para as amplitudes:
Limite Superior de controle:
Linha Central:
Tendo calculado as Linhas Centrais e os Limites Inferiores e Superiores de Controle para os grficos
em condies de dispor os pontos que representam as mdias amostrais (no grfico
(no grfico
, estamos
) e as amplitudes amostrais
), respectivamente.
Para facilitar a anlise dos resultados tambm recomendvel colocar os grficos um abaixo do outro e marcar os
pontos correspondentes a uma mesma amostra na mesma reta vertical.
Fase I: Aplicao dos grficos
de controle obtidos como limites de controle teste. Eles permitem determinar se o processo estava sob controle
quando as m amostras preliminares foram selecionadas. Para determinar se o processo estava sob controle quando
amostras preliminares foram coletadas podemos plotar os valores de
o resultado obtido. Se todos os pontos plotados esto dentro dos limites e nenhum comportamento sistemtico
evidenciado, ento concluimos que o processo estava sob controle no passado e os limites de controle teste so
adequados para controlar a produo atual ou futura. altamente desejvel ter de 20 a 25 amostras ou subgrupos de
tamanho n (tipicamente n est entre 3 e 5) para calcular os limites de controle teste. Podemos, claro, trabalhar com
menos dados, porm os limites de controle no so to confiveis.
Suponha que um ou mais valores de
ou de
controle teste. Claramente, se os limites de controle para a produo atual ou futura so significativos eles devem ser
baseados em dados de um processo que est sob controle. Entretanto, quando a hiptese de controle passada
rejeitada necessrio revisar os limites de controle teste. Isso feito examinando cada um dos pontos fora de
controle, procurando por uma causa assinalvel. Se uma causa assinalvel encontrada, o ponto descartado e os
limites de controle teste so recalculados usando somente os pontos remanescentes. Ento, esses pontos
remanescentes so reexaminados para controle. (Note que os pontos que estavam sob controle inicialmente podem
agora estar fora de controle, pois os limites de controle teste so geralmente mais severos do que os antigos.) Esse
processo continua at que todos os pontos estejam sob controle, pontos para os quais os limites de controle teste
so adotados para uso atual.
Em alguns casos, pode no ser possvel encontrar uma causa assinalvel para um ponto que caia fora de controle.
Dessa forma, h dois caminhos a tomar. O primeiro deles eliminar o ponto caso uma causa assinalvel tenha sido
encontrada. No h nenhuma justificativa analtica para escolher essa ao, a no ser a de que os pontos que
estejam fora dos limites de controle foram extrados da distribuio de probabilidade de uma caracterstica de um
estado fora de controle. A alternativa ento manter o ponto (ou pontos) considerando os limites de controle teste
como apropriados para o controle atual. claro, se o ponto realmente no representa uma condio de fora de
controle, os limites de controle resultantes sero muito largos. No entanto, se existe um ou dois desses pontos isso
no distorcer o grfico de controle significamente. Se amostras futuras ainda indicarem controle ento os pontos
inexplicados podem provavelmente ser retirados seguramente.
Ocasionalmente, os valores amostrais iniciais de
pontos cairo fora de controle. Claramente, se retirarmos arbitrariamente pontos fora de controle teremos uma
situao insatisfatria, com poucos dados remanescentes para recalcular limites de controle confiveis. Suspeitamos
que esse tipo de abordagem ignoraria muita informao til nos dados. Porm, procurar por uma causa assinalvel
para cada ponto fora de controle improvvel obter sucesso. Achamos que quando muitas amostras iniciais caem
fora de controle contra os limites teste, melhor concentrar sobre um padro formado por esses pontos. Tais
padres quase sempre existiro. Geralmente, a causa assinalvel associada com o padro de pontos fora de
controle fcil de identificar. A remoo desse problema geralmente resulta em uma melhoria no processo (principal).
Reviso dos Limites de Controle e Linhas Centrais
O uso eficaz de um grfico de controle requer reviso peridica dos limites de controle e das linhas centrais. Alguns
prticos estabelecem perodos regulares para rever e fazer revises dos limites dos grficos de controle tais como
toda semana, todo ms ou a cada 25, 50 ou 100 amostras. Ao revisar limites de controle devemos lembrar que
altamente desejvel usar pelo menos 25 amostras ou subgrupos (algumas autoridades recomendam de 200 a 300
observaes individuais) no clculo dos limites de controle.
Algumas vezes o usurio substitui a linha central do grfico
. Se o grfico
exibe
controle pode ser til deslocar a mdia do processo para o valor desejado, particularmente em processos onde a
mdia pode ser mudada por um simples ajuste de uma varivel manipulvel do processo. Se a mdia no
facilmente influenciada por um simples ajuste do processo, ento provvel ser uma funo desconhecida e
complexa de vrias variveis do processo e um valor alvo
poderia resultar em muitos pontos fora dos limites de controle. Nesses casos, no saberamos necessariamente se o
ponto estava realmente associado uma causa assinalvel ou se foi plotado fora dos limites por causa de uma m
escolha para a linha central.
Quando o grfico
est fora de controle, eliminamos os pontos fora de controle e recalculamos um valor revisado de
. Esse valor ento usado para determinar novos limites e linha central do grfico
Temos assim limites mais severos (apertados) em ambos os grficos, tornando-os consistentes (com um desvio
padro
revisado na relao
. Essa estimativa de
em subgrupos de tamanho 5.
Tabela 4.1.1: Dados amostrais de comprimentos de peas.
X1
X2
X3
X4
X5
0,65
0,7
0,65
0,65
0,85
0,7
0,2
0,75
0,85
0,75
0,85
0,65
0,77
0,2
0,75
0,8
0,8
0,7
0,75
0,76
0,1
0,6
0,7
0,7
0,75
0,65
0,68
0,15
0,7
0,75
0,65
0,85
0,8
0,75
0,2
0,6
0,75
0,75
0,85
0,7
0,73
0,25
0,75
0,8
0,65
0,75
0,7
0,73
0,15
0,6
0,7
0,8
0,75
0,75
0,72
0,2
0,65
0,8
0,85
0,85
0,75
0,78
0,2
0,6
0,7
0,6
0,8
0,65
0,67
0,2
0,8
0,75
0,7
0,8
0,7
0,75
0,1
0,85
0,75
0,85
0,65
0,7
0,76
0,2
0,7
0,7
0,75
0,75
0,7
0,72
0,05
0,65
0,7
0,85
0,75
0,6
0,71
0,25
0,9
0,8
0,8
0,75
0,85
0,82
0,15
0,75
0,8
0,75
0,8
0,65
0,75
0,15
0,75
0,7
0,85
0,7
0,8
0,76
0,15
0,75
0,7
0,6
0,7
0,6
0,67
0,15
0,65
0,65
0,85
0,65
0,7
0,7
0,2
0,6
0,6
0,65
0,6
0,65
0,62
0,05
0,5
0,55
0,65
0,8
0,8
0,66
0,3
0,6
0,8
0,65
0,65
0,75
0,69
0,2
0,8
0,65
0,75
0,65
0,65
0,7
0,15
0,65
0,6
0,6
0,6
0,7
0,63
0,1
0,65
0,7
0,7
0,6
0,65
0,66
0,1
clique aqui para efetuar o download dos dados utilizados nesse exemplo
e da amplitude amostral
e de
m = Nmero de amostras = 25
Vamos agora calcular os limites de controle. No Apndice se encontram os valores tabelados das constantes
necessrias para o clculo, assim para n = 5 temos, A2 = 0,577; D3 = 0 e D4 = 2,114.
Aplicando as frmulas, obtemos:
Para a mdia:
Para a amplitude:
A seguir temos os resultados obtidos pelo Software Action para esse exemplo.
de 3 desvios padro da linha central, indicando uma possvel causa especial de variao.
Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
Uma vez que limites de controle confiveis so estabelecidos, usamos o grfico de controle para monitorar a
produo futura. Esta a chamada Fase II do uso do grfico de controle.
Observando a Figura 4.1.1 notamos que os grficos de controle indicam que o processo est sob controle, at o
valor
da amostra 15 ser plotado. Uma vez que esse ponto cai acima do limite superior de controle, poderamos
suspeitar que uma causa assinalvel tenha ocorrido naquele instante ou antes. O padro geral de pontos no grfico
de cerca de 38 subgrupos subsequentes um indicativo de um deslocamento na mdia do processo.
Uma vez que o grfico de controle estabelecido e est sendo usado no monitoramento online do processo, muitas
vezes tentaramos usar as regras de sensibilidade (oito testes de no aleatoriedade ou as regras da Western Electric)
para acelerar a deteco de mudanas. Entretanto, desencorajamos o uso rotineiro dessas regras de sensibilidade
para o monitoramento online de um processo estvel porque elas fazem aumentar fortemente a ocorrncia de falsos
alarmes.
Ao examinarmos os dados de um grfico de controle algumas vezes til construir um grfico de corridas (run chart)
das observaes individuais de cada amostra. Esse grfico algumas vezes chamado de tolerance chart ou tier
diagram e pode revelar algum padro nos dados ou mesmo mostrar que um valor particular de
ou
foi produzido
por uma ou duas observaes incomuns na amostra. Um boxplot geralmente uma maneira muito simples de
construir o tier diagram.
Objetivos e interpretao dos grficos
A funo dos grficos a de identificar/detectar qualquer evidncia de que a mdia do processo e sua disperso no
estejam operando a nveis estveis.
Se um ou mais pontos esto fora dos limites de controle (seja no grfico
ou
) ou outro padro de no
aleatoriedade, existe um sinal de alerta (ou indicador) de que o processo no est sob controle estatstico.
Um dos objetivos da aplicao dos grficos de controle testar se um processo, no conhecido, est sob controle
estatstico ou no e, caso o processo seja diagnosticado "fora de controle", orientar as aes para levar o processo
ao estado de controle. Para atingir tais objetivos se procede da seguinte maneira:
1. Dispostos todos os pontos correspondentes s mdias amostrais e s amplitudes amostrais nos respectivos
grficos e no existindo nenhum padro de no aleatoriedade, o processo considerado "sob controle".
2. Se algum ponto fora dos limites de controle ou qualquer outro padro de no aleatoriedade encontrado,
consideramos que causas especiais de variao esto presentes. Estas causas devero ser procuradas e
corrigidas. Depois de corrigidas as causas que determinam o padro de no aleatoriedade, novos limites e
novas linhas centrais so calculadas, eliminando para este clculo os elementos da amostra que determinam
o padro de no aleatoriedade. Este processo dever ser repetido, interativamente, at que nenhum padro
de no aleatoriedade seja encontrado. Neste momento consideramos que o processo atingiu o estado de
controle. Com o processo em estado de controle podemos aplicar os grficos como instrumento para
monitorar o processo e realizar melhorias contnuas.
O limite de controle ou o ponto no grfico pode ter sido calculado errado ou plotado de maneira duvidosa;
2 de 3 pontos consecutivos maior que 2 desvios padro a partir da linha central (mesmo lado);
4 de 5 pontos consecutivos maior que 1 desvio padro a partir da linha central (mesmo lado);
8 pontos consecutivos maior que 1 desvio padro a partir da linha central (qualquer lado).
A seguir sero ilustrados alguns exemplos dos testes.
Figura 4.1.2: Exemplo de 1 ponto mais do que 3 desvios padro da linha central.
Figura 4.1.5: Exemplo de 2 de 3 pontos consecutivos, do mesmo lado da LC, maiores que 2 desvios
padro.
caractersticas de operao (CCO). A seguir apresentamos as CCO para grficos usados para monitorar a fase II de
um processo.
Considere a CCO para um grfico
sob controle, digamos
dada por
em que
na primeira
amostra seguinte ao deslocamento. Ento, desde que L=3, k=2 e n=5 temos
Este o risco
detectar, expresso em unidades (k) do desvio padro, para vrios tamanhos de amostra n. Essas probabilidades
podem ser calculadas diretamente da equao 4.1.2.
Exemplo 4.1.2: Consideremos L=3, n variando de 2 a 10 e diferentes valores para k obtemos as CCO apresentadas
na Figura 4.1.7.
A Figura 4.1.7 indica que para tamanhos de amostras tpicos de quatro, cinco e seis o grfico
particularmente eficiente em detectar um deslocamento pequeno (da ordem de
aps deslocamento. Por exemplo, se o deslocamento de
no
amostras iniciais, ou
Em geral, o nmero esperado de amostras tomadas antes que o deslocamento seja detectado simplesmente o
average run length (comprimento mdio das corridas) ou
com n=5 4.
A discusso acima fornece um argumento que d suporte para o uso de amostras de tamanhos pequenos para o
grfico
relativamente grande,
uma vez que as amostras so coletadas e testadas periodicamente existe uma boa chance de que o deslocamento
seja detectado razoavelmente rpido, talvez no na primeira amostra seguinte ao deslocamento.
CCO para o grfico
com limites
digamos
Suponhamos que o
Contudo, para determinarmos a chance de que tal deslocamento seja apanhado pelo grfico
em uma nica
amostra, devemos calcular a probabilidade de que uma amostra (por exemplo de cinco itens) venha a ter uma
amplitude menor ou igual ao LSC (limite superior de controle). Assim, basta calcular
em que
A probabilidade de que
ou seja,
uma vez
que nesses casos no h limite inferior. Dessa forma, a probabilidade de no detectar um deslocamento dada pela
equao 4.1.3. Para
o grfico
com limites
calculado como
processo para tamanhos pequenos de amostras. Por exemplo, se o desvio padro do processo dobra (isto ,
), que um deslocamento razoavelmente grande, ento amostras de tamanho 5 tm somente cerca
de 40% de chance de detectar esse deslocamento em cada uma das amostras subsequentes. Muitos engenheiros da
, monitorar processo na fase II. ocasionalmente til estudar a performance estatstica de um grfico usado para
analisar dados do passado (fase I). Isto pode dar alguma indicao de como o nmero de subgrupos preliminares
usados para estabelecer o grfico de controle afeta a habilidade do grfico em detectar condies de fora de controle
que pudesse existir quando os dados foram coletados. de tais estudos analticos, assim como da experincia
prtica que a recomendao para usar cerca de 20 a 25 subgrupos preliminares para estabelecer os grficos
faz sentido.
Average Run Length (ARL) para o grfico
O Average Run Length uma medida de equilbrio do erro de Tipo I, que representa o controle excessivo ou alarme
falso ou ento do erro de Tipo II, que o controle inadequado. representado pelo nmero de amostras esperada de
subgrupos entre os sinais "fora de controle". O Average Run Length pode ser expresso como
ou
para o grfico
detectar um deslocamento
(equao 4.1.2), ento no difcil construir um conjunto de curvas ARL para o grfico
4.1.9 apresenta as curvas ARL para amostras de tamanhos n=2, 3, 4, 5, 6, 7, 8, 9 e 10 para o grfico
A Figura
sendo o ARL
dado em termos do nmero esperado de amostras tomadas para detectar o deslocamento. Para ilustrar o uso da
Figura 4.1.9 suponha que queremos detectar um deslocamento de
o nmero mdio de amostras requeridas ser
para
desloca-se em
Tabela 4.1.4: Valores de ARL para diferentes valores de k e n.
Os ARL's so objetos de algum criticismo como medidas de performance para grficos de controle. Notamos que a
distribuio do comprimento de corrida para um grfico de controle de Shewhart geomtrica e que ela pode ser
uma distribuio muito assimtrica, tal que a mdia (isto , o ARL) pode no ser a melhor medida de um tpico
comprimento de corrida. H outra questo referente ao ARL relacionada ao fato de que os clculos para um grfico
de controle especfico so geralmente baseados em estimativas dos parmetros do processo. Isto resulta em inflao
de ambos
Por exemplo, suponha que a linha central do grfico seja estimada perfeitamente mas o
consideravelmente mais
afastado do valor "terico" ou nominal de 370. Agora, com um processo normalmente distribudo, de maneira anloga
vamos subestimar o desvio padro do processo em 10%, o que resulta em um
um valor
consideravelmente menor do que 370. A mdia ento (268+517)/2=392,5 , sugerindo que erros ao estimar o desvio
padro do processo resulta em ARL's superestimados.
Duas outras medidas de performance baseadas no ARL so algumas vezes de interesse. Uma delas o tempo
mdio at o sinal, dado pelo nmero de perodos de tempo que ocorre at que um sinal seja gerado no grfico de
controle. Se amostras so tomadas em intervalos de tempo h (em horas), ento o tempo mdio at o sinal ou ATS
(average time to signal) dado por
Pode tambm ser til expressar o ARL em termos do nmero esperado de unidades individuais amostradas digamos I - ao invs do nmero de amostras tomadas para detectar um deslocamento. Se o tamanho da amostra n,
a relao entre I e ARL dada por
A Figura 4.1.10 apresenta um conjunto de curvas que descrevem o nmero esperado de unidades individuais (I) que
devem ser amostradas para o grfico
deslocamento de
amostradas, sendo que se o tamanho da amostra fosse n=3 , somente cerca de 9 unidades seria requerida, em
mdia.
processo desloca-se em
Para entender como executar essa funo do Software Action, voc pode consultar MANUAL.
4.2 - Grficos Mdia e Desvio Padro
Como dito na seo anterior, na prtica, geralmente no conhecemos e , contudo, elas so estimadas
partir de amostras preliminares tomadas em subgrupos de pelo menos 20 a 25 amostras. Suponhamos que
temos disponvel m amostras, com cada uma contendo n observaes sobre a caracterstica da qualidade.
Nas aplicaes, o nmero de observaes n pequeno e geralmente resultam partir da construo de
subgrupos racionais, em que os custos de amostragem e de inspeco associadas com as medies das
variveis so altas. Com isso, nestes casos a mdia
mdia populacional
e varincia populacional
e a varincia
ou seja,
consulte o livro de Montgomery, D.C. (2001)). Assim, seu valor esperado dado por:
Portanto, obtemos que o estimador no viciado para o desvio padro dada por:
, tomamos
com
o desvio padro da i-sima amostra . Assim, a mdia dos m desvios padro dada por:
no
Estimamos
O grfico
usamos o fato de
so dadas por:
ser o estimador de
A seguir temos os resultados obtidos pelo Software Action para esse exemplo.
em que
, sendo que
subgrupos.
Exemplo 5.3.1: A Tabela 5.3.1 apresenta o nmero de no-conformidades observadas em 26 amostras sucessivas
de 100 circuitos impressos. Note que por comodidade limitou-se em 100 o nmero de no-comformidades possveis,
desta forma temos 26 amostras com 516 no-comformidades.
No conformidades
Frao de defeituosos
21
0,21
24
0,24
16
0,16
12
0,12
15
0,15
0,05
28
0,28
20
0,2
31
0,31
10
25
0,25
11
20
0,2
12
24
0,24
13
16
0,16
14
19
0,19
15
10
0,1
16
17
0,17
17
13
0,13
18
22
0,22
19
18
0,18
20
39
0,39
21
30
0,3
22
24
0,24
23
16
0,16
24
19
0,19
25
17
0,17
26
15
0,15
clique aqui para efetuar o download dos dados utilizados nesse exemplo
A seguir temos os resultados obtidos pelo Software Action para esse exemplo.
Logo, a carta de controle com os limites de controle ajustados dada na Figura 5.3.2.
A seguir temos os resultados obtidos pelo Software Action.
em que
sendo que
Exemplo 5.4.1: Em uma empresa textil as roupas tingidas so inspecionadas para a ocorrncia de defeitos por 50
metros quadrados. Os dados dos 10 lotes de inspeo esto na Tabela 5.4.1. Usaremos estes dados para ajustar
uma carta de controle para as no-conformidades por unidades.
Tabela 5.4.1: Dados da inspeo.
Qtde metros
quadrados
Lote
No-conformidades
por unidade (u=c/n)
500
14
10
1,400
400
12
1,500
650
20
13
1,538
500
11
10
1,100
475
9,5
0,737
500
10
10
1,000
600
21
12
1,750
525
16
10,5
1,524
600
19
12
1,583
10
625
23
12,5
1,840
153
107,5
TOTAL
clique aqui para efetuar o download dos dados utilizados nesse exemplo
Notamos que
equivale a razo entre o total de no-conformidades em relao ao nmero total de inspees por
unidade. Os limites de controle sero calculados individualmente em relao ao tamanho da amostra (ver Tabela
5.4.2).
Os limites de controle para a amostra 1 (Lote 1), considerando tamanho da amostra n i = 10, so dados por
ni
LSC
LIC
10
2,550486621
0,289513379
2,683922466
0,156077534
13
2,411502357
0,428497643
10
2,550486621
0,289513379
9,5
2,5798548
0,2601452
10
2,550486621
0,289513379
12
2,451988372
0,388011628
10,5
2,523241976
0,316758024
12
2,451988372
0,388011628
10
12,5
2,431137973
0,408862027
A seguir temos os resultados obtidos pelo Software Action para esse exemplo.
Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
No-conformidades
21
24
16
12
15
28
20
31
10
25
11
20
12
24
13
16
14
19
15
10
16
17
17
13
18
22
19
18
20
39
21
30
22
24
23
16
24
19
25
17
26
15
TOTAL
516
clique aqui para efetuar o download dos dados utilizados nesse exemplo
por unidade. Neste exemplo as 26 amostras tm tamanhos constantes e iguais a 100, ou seja, n i = 100 para todo i.
Com isso, os limites de controle so dados por
A seguir temos os resultados obtidos pelo Software Action para esse exemplo.
Podemos observar que foram detectados dois pontos a mais de 3 desvios padro da linha central, indicando uma
possvel causa especial de variao.
Para entender como executar essa funo do Software Action, voc pode consultar
e R.
pequenos lotes de diferentes produtos podem se caracterizar facilmente em uma nica carta pela marcao, na
carta, das diferenas existentes entre a medio do produto e seu valor alvo.
Sua idia consiste em codificar os dados obtidos, como desvios, a partir de um ponto de referncia comum: a medida
nominal N da especificao. A base para esse procedimento reside em que, sendo X a varivel gerada na operao e
N a sua respectiva medida nominal, uma constante, ento esta codificao de dados somente afeta a mdia mas no
a amplitude, nem a varincia e nem o desvio-padro.
Admitindo-se que o processo em estudo esteja sob o controle estatstico e que os diferentes tipos de produtos
produzidos tenham iguais varincias, se forem empregados os grficos da mdia e da amplitude (
e R), os limites
ou
e, fazendo-se
segue que
ou ainda,
resultando em
Assim, medida que as amostras forem sendo coletadas, suas medidas individuais sero codificadas, conforme
(equao 6.1.1), e os valores de e R sero marcados nos seus respectivos grficos de controle.
As seguintes etapas devem ser executadas para a correta utilizao desta tcnica em grficos de controle da mdia
e da amplitude (
e R):
e da amplitude
Pea
P1
P2
P3
220
219,7838
220,0287
220,0922
219,9682
0,308384
-0,0318
220
219,9046
220,1229
220,2368
220,0881
0,332242
0,088082
220
219,8345
220,0862
219,9268
219,9492
0,251692
-0,05079
220
219,7302
220,001
220,0357
219,9223
0,305502
-0,07769
220
220,1644
220,3151
219,9806
220,1534
0,33448
0,153371
260
259,8635
260,1847
259,867
259,9718
0,321234
-0,02825
260
259,7917
259,9042
259,908
259,868
0,116253
-0,13203
260
259,8264
259,8535
259,6465
259,7755
0,20696
-0,22452
260
259,6421
260,0869
259,9488
259,8926
0,444791
-0,10744
10
260
259,8945
260,0154
260,3685
260,0928
0,474033
0,092769
11
320
319,7366
319,5236
319,7053
319,6552
0,213026
-0,34481
12
320
319,8834
319,415
319,8163
319,7049
0,468446
-0,29508
13
320
320,2431
320,1935
319,9893
320,142
0,253778
0,141982
14
320
319,9805
320,0828
320,0418
320,035
0,102364
0,035019
15
320
320,4944
320,4552
320,0477
320,3324
0,446676
0,332414
16
240
239,8076
239,7787
240,2064
239,9309
0,427712
-0,06909
17
240
240,1663
240,1888
240,2023
240,1858
0,036012
0,185776
18
240
240,1662
240,1382
240,1141
240,1395
0,052086
0,139503
19
240
240,017
239,9212
240,0397
239,9926
0,118577
-0,00737
20
240
240,2081
240,0484
239,9119
240,0562
0,296133
0,056153
21
300
300,0479
300,1325
299,9955
300,0587
0,137019
0,058656
22
300
300,2815
299,9451
300,0365
300,0877
0,336475
0,087714
23
300
299,7173
300,383
300,4608
300,187
0,743451
0,187028
24
300
300,0009
300,0487
300,0038
300,0178
0,047797
0,017781
25
300
299,5822
300,4351
299,7919
299,9364
0,852914
-0,06362
7,628039
0,143761
Total
clique aqui para efetuar o download dos dados utilizados nesse exemplo
so dados por:
A segui temos os resultados obtidos pelo Software Action para esse exemplo.
A Figura 6.1.1 apresenta estes grficos de controle, com os pontos marcados. Percebe-se que h causas especiais
atuando em algumas amostras, com relao mdia codificada.
e amplitude.
Para entender como executar essa funo do Software Action, voc pode consultar o
sobe controle e so conhecidas sua mdia e sua disperso tem-se, para a amplitude, segundo o CEP convencional:
ou
Como o termo
uma estimativa do desvio-padro populacional , a expresso anterior pode ser reescrita na forma
em que
a mdia ponderada das mdias amostrais por tipo de pea, usando como pesos os seus respectivos
tamanhos de amostras
em que i o nmero de diferentes peas e j o nmero de peas analisadas em cada amostra. Padronizando-se a
expresso anterior temos
), so as seguintes:
1. Traar nos grficos os limites de controle para as mdias e para as amplitudes padornozadas: -3 e 3, em
ambos os casos;
2. Determinar as estimativas da mdia e do desvio-padro populacionais,
a serem empregadas na
e amplitude
dos valores;
5. Para cada amostra, padronizar a sua mdia (equao 6.2.2) e a sua amplitude (equao 6.2.1);
6. Marcar os pontos nos respectivos grficos de controle;
7. Quando um novo tipo de produto entrar em produo, devem-se obter novas estimativas para a mdia e o
desvio-padro populacionais.
Exemplo 6.2.1: Consideremos os mesmos valores da tabela do Exemplo 6.1.1. Admitimos
como sendo as
220,016
0,306
0,181
259,92
0,312
0,185
319,974
0,297
0,175
240,061
0,186
0,11
300,057
0,423
0,25
Mdia padronizada:
Amostra 1
Amostra 2
Amostra 3
Amostra 4
Amostra 5
Amplitude padronizada:
Amostra 1
Amostra 2
Amostra 3
Amostra 4
Amostra 5
Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.
Por exemplo, uma estatstica u suficiente para a taxa de defeitos deve ser padronizada como:
Uma desvantagem deste tipo de grfico refere-se a uma dificuldade maior quanto sua interpretao, uma vez que
os pontos fora de controle no revelam especificamente qual ou quais variveis, ou a combinao delas, causam o
problema.
Ento, para analisar dados multivariados um procedimento que pode ser utilizado verificar a correlao entre eles e
ento trabalhar apenas com aquelas variveis que so correlacionadas. Com isso, podemos plotar em um grfico de
controle os valores da estatstica T2 de Hotelling e da varincia generalizada para essas variveis. Esse
procedimento definido adiante.
A seguir vamos discutir a construo dos grficos de controle multivariados.
Para a construo desses grficos vamos considerar dois casos: um caso em que temos observaes individuais
(no se tem rplicas) e outro caso em que temos rplicas para cada observao.
7.1 - Grficos de controle multivariados para observaes individuais
A seguir vamos apresentar a construo dos grficos de controle multivariados para observaes individuais, ou seja,
para as observaes que no possuem rplicas.
Para introduzir e ilustrar esse conceito vamos considerar dados dispostos de maneira geral como na Tabela 7.1.1.
Tabela 7.1.1: Entrada de dados
Variveis
Amostra
1
2
3
m
Mdia
Desvio padro amostral
em que
p o nmero de variveis
m o nmero de amostras
em que
Com os dados normalizados podemos construir um grfico de controle utilizando o mesmo procedimento usado na
construo do grfico de controle usual do desvio padro
Linha Central:
Exemplo 7.1.1: Temos um molde de areia onde peas de ferro so moldadas. Neste caso, nossas variveis de
interesse so a compactibilidade, o coeficiente de RCV1 e a plasticidade. Os dados so apresentados na tabela a
seguir.
Tabela 7.1.2: Variveis de Areia sem rplicas.
corrida
pea
Qtde Prod
Qtde Refugo
Compactabilidade
RCV1
Plasticidade
E188
M20700300
6288
182
36,5
22,026
28,87
E189
M20900200
655
128
36,571
21,12
29,924
E190
M20701400
1290
33
36,167
21,182
29,368
E191
M20600400
3176
316
36,5
22,134
29,822
E192
M20900900
8052
129
37,4
21,93
28,774
E193
M20900900
4436
49
37,333
21,507
28,812
E194
M20701201
6424
245
37,167
23,132
29
E195
M20700300
6000
79
38
19,653
30,885
E196
M20900900
7986
183
38
19,653
30,885
E197
M20701500
9024
108
36,5
20,993
30,568
E198
M20700600
1680
41
38,25
20,733
28,84
E199
M20701301
4248
48
37,643
19,513
28,818
E200
M20900200
1190
32
37,667
20,613
29,035
E201
M20404400
2400
36,833
22,423
26,685
E202
M20701500
4752
126
37,333
20,29
28,527
E203
M20900900
3072
43
37,167
21,083
26,24
E204
M20701500
564
19
38
20,363
29,843
E205
M20701201
1192
28
37,667
21,147
29,273
E206
M20900200
1275
25
37,667
21,147
29,273
E207
M20600400
2056
537
36
22,89
27,753
E208
M20700300
7816
85
39
20,24
29,57
E209
M20900200
1040
44
36,333
19,9
27,89
E210
M20900900
1968
16
38
19,547
27,84
E211
M20701201
5016
52
36,333
19,9
27,633
E212
M20600400
1656
524
37,667
20,937
27,84
clique aqui para efetuar o download dos dados utilizados nesse exemplo
Para construir os grficos de controle multivariados precisamos primeiramente saber quais variveis so
correlacionadas, com isso podemos trabalhar apenas com aquelas variveis que conjuntamente influenciam o
processo. Para obter a correlao entre as variveis podemos utilizar a ferramenta Matriz de Correlao
disponibilizada pelo Software Action.
Neste exemplo vamos considerar que as 3 variveis esto correlacionadas para mostrar os clculos com detalhes.
Cuidado! A correlao deve sempre ser analisada no caso multivariado para que os resultados no sejam
mascarados.
A seguir apresentamos os passos para a construo dos grficos de controle multivariados (T 2 e Varincia
generalizada).
As mdias das variveis Compactabilidade, RCV1 e Plasticidade so, respectivamente, 37,267 ; 20,962 e 28,878. A
matriz de covarincias (S) e a matriz inversa (S-1) so dadas por
T2
E188
1,52595
E189
2,21678
E190
2,91648
E191
2,99512
E192
1,33373
E193
0,4124
E194
5,42531
E195
3,82223
E196
3,82223
E197
4,18464
E198
1,93979
E199
2,09762
E200
0,28603
E201
4,73986
E202
0,64975
E203
5,34417
E204
1,29344
E205
0,56833
E206
0,56833
E207
4,47276
E208
5,32076
E209
5,28861
E210
3,68312
E211
5,68977
E212
1,40279
sendo
m = nmero de amostras = 25
Padronizao:
Padronizao:
Padronizao:
RCV1
Plasticidade
Desvios Padro
-1,00746
1,027
-0,00746
1,01728
-0,91431
0,15231
0,89471
0,90934
-1,44433
0,21217
0,4188
1,02127
-1,00746
1,13127
0,8074
1,15273
0,17328
0,93432
-0,08964
0,53179
0,08538
0,52594
-0,05711
0,30396
-0,1324
2,09478
0,10381
1,22339
0,96044
-1,264
1,71728
1,54967
0,96044
-1,264
1,71728
1,54967
-1,00746
0,0297
1,44594
1,23157
1,28842
-0,22132
-0,03314
0,82272
0,49208
-1,39916
-0,05197
0,97363
0,52356
-0,33717
0,13377
0,43101
-0,57058
1,41028
-1,87772
1,65546
0,08538
-0,64901
-0,30106
0,36736
-0,1324
0,11659
-2,25862
1,3054
0,96044
-0,57853
0,82538
0,85222
0,52356
0,17838
0,33748
0,17277
0,52356
0,17838
0,33748
0,17277
-1,66342
1,86115
-0,96356
1,86598
2,27236
-0,69728
0,5917
1,48912
-1,22655
-1,02553
-0,8463
0,19023
0,96044
-1,36634
-0,88909
1,22898
-1,22655
-1,02553
-1,06628
0,10626
0,52356
-0,02437
-0,88909
0,71222
A ltima coluna da Tabela 7.1.3 o desvio-padro das variveis padronizadas em relao a X 1, X2 e X3, ou seja,
Para a primeira linha, o valor 1,01728 obtido atravs do clculo de S, dado por
dado por
ou seja,
Assim a linha central do grfico de controle dado pela mdia dos desvios padro, ou seja, para este exemplo a
mdia da ltima coluna da Tabela 7.1.3, obtendo assim o valor 0,913472. Com isso, o grfico da varincia
generalizada com observaes individuais segue o mesmo raciocnio do grfico
usual.
Aplicando as frmulas e utilizando o Apndice para obter os valores de B3 = 0 e B4 = 2,266 (para n = 4) encontramos
os limites de controle, que so dados por
A seguir temos os resultados obtidos pelo Software Action para esse exemplo.
Exemplo 7.1.2: A Tabela 7.1.4 apresenta dados da rea industrial referentes espessura de engrenagens de cmbio
automotivo. A Figura 7.1.2 ilustra o formato da engrenagem.
Posio2
Posio3
98,208
98,209
21,996
98,209
98,220
22,002
98,206
98,204
21,999
98,206
98,206
21,998
98,204
98,214
21,998
98,209
98,203
21,983
98,202
98,212
21,981
98,196
98,221
21,980
98,215
98,201
21,986
98,194
98,227
21,993
98,200
98,210
21,981
98,206
98,207
21,983
98,212
98,200
22,004
98,211
98,200
22,009
98,212
98,199
22,008
98,191
98,166
22,008
98,206
98,205
22,009
98,192
98,207
21,982
98,203
98,202
21,993
98,195
98,206
21,990
98,207
98,204
21,999
98,188
98,199
21,989
98,219
98,222
21,997
98,196
98,205
21,998
98,220
98,227
22,001
98,193
98,213
21,985
98,194
98,217
21,988
98,200
98,200
21,983
98,199
98,199
21,980
98,199
98,197
21,985
98,199
98,198
21,984
98,196
98,206
21,982
98,203
98,207
21,984
98,201
98,206
21,986
98,197
98,161
21,989
98,192
98,205
21,984
98,208
98,172
22,011
98,175
98,195
21,983
98,176
98,196
21,983
98,172
98,195
21,983
98,197
98,201
21,999
98,195
98,211
21,993
98,196
98,206
21,993
98,201
98,219
21,989
clique aqui para efetuar o download dos dados utilizados nesse exemplo
Primeiramente vamos verificar se as variveis Posio1, Posio2 e Posio3 so correlacionadas. Para obter a
correlao entre elas vamos utilizar a ferramenta Matriz de Correlao do Software Action. Dessa forma, temos
Podemos ver que a correlao positiva (0,471) entre a Posio1 e a Posio3 significativa, comprovada pelo pvalor de 0,001 que menor do que o nvel de significncia adotado de 5%. Portanto, podemos concluir que apenas
as variveis Posio1 e Posio3 influenciam conjuntamente no processo, com isso vamos construir os grficos de
controle multivariados considerando apenas essas duas variveis.
A seguir apresentamos os passos para a construo dos grficos de controle multivariados (T 2 de Hotelling e
Varincia generalizada).
As mdias das variveis Posio1 e Posio3 so, respectivamente, 98,2 e 21,992.
A matriz de covarincias (S) e a matriz inversa (S-1) so dadas por
sendo
m = nmero de amostras = 44
O procedimento para a padronizao dos outros valores das variveis Posio1 e Posio3 anlogo.
O desvio-padro das variveis padronizadas em relao a X 1 e X2 dado por
dado por
ou seja,
Assim a linha central do grfico de controle dado pela mdia dos desvios padro. Com isso, o grfico da varincia
generalizada com observaes individuais segue o mesmo raciocnio do grfico
usual.
Aplicando as frmulas e utilizando o Apndice para obter os valores de B3 = 0 e B4 = 2,568 (para n = 3) encontramos
os limites de controle, que so dados por
A seguir temos os resultados obtidos pelo Software Action para esse exemplo.
A seguir apresentamos a construo dos grficos de controle multivarados para observaes com rplicas.
Para introduzir o conceito desses grficos vamos considerar a entrada de dados, de forma geral, conforme a Tabela
7.2.1. Podemos observar agora que esses dados possuem rplicas.
Tabela 7.2.1: Entrada de dados.
Variveis
Amostra
1
1
1
2
2
2
3
3
3
m
m
m
refere-se a k-sima observao na j-sima amostra da i-sima varivel.
Aqui i = 1, ..., p ; j = 1, ..., m e k = 1, ..., n.
Para o clculo da estatstica T2 de Hotelling devemos seguir os passos abaixo:
em que
em que
CP
Nmero de
horas
Umidade(%)
Data da
Medio
CP
1/1/2001
1/6/2001
5,8
6,5
5,6
5,8
5,2
6,4
6,2
4,5
1,5
5,2
5,6
5,4
5,8
4,5
1/2/2001
1/3/2001
1/7/2001
1/8/2001
Nmero de
Umidade(%)
horas
1/4/2001
1/5/2001
1,4
5,2
5,6
6,2
4,5
3,5
4,5
4,5
4,2
5,2
6,5
2,2
5,5
5,5
6,5
1/9/2001
1/10/2001
clique aqui para efetuar o download dos dados utilizados nesse exemplo
Primeiramente precisamos verificar se as variveis a serem analisadas so correlacionadas. Para isso podemos
utilizar a ferramenta Matriz de Correlao do Software Action.
Neste exemplo consideraremos que existe correlao entre as variveis Nmero de horas e Umidade apenas para
trabalhar com as mesmas conjuntamente e exemplicar os clculos com detalhes.
Cuidado! A correlao deve sempre ser analisada no caso multivariado para que os resultados no sejam
mascarados.
Para a primeira amostra (1/1/2001), temos:
Na tabela a seguir temos as mdias e varincias para o grfico T2 calculadas para todas as amostras.
Tabela 7.2.3: Mdias e Varincias para o grfico T2.
Amostra
1
3,4
6,7
3,8
0,2
0,025
4,58479
6,28
1,5
0,572
0,3
8,95074
3,4
5,56
2,3
5,888
2,52
0,0739
3,2
4,64
1,2
2,073
0,89
1,55585
4,88
0,5
2,977
0,825
0,69618
5,04
1,5
0,908
0,9
0,38176
3,6
4,64
2,3
3,553
1,495
2,43094
4,6
5,7
3,3
0,87
1,225
4,18667
4,52
2,5
2,427
-0,2
1,9421
10
3,6
6,04
2,3
0,533
-0,53
1,04202
soma
32,8
54
21,2
20,001
7,45
25,84495
mdia
3,28
5,4
2,12
2,0001
0,745
2,584495
Com isso, podemos construir os limites de controle do grfico T2, com um nvel de confiana 3 = 99,73%, dados a
seguir.
Limite inferior de controle
Limite central
Como o valor obtido para o LIC foi negativo, tomamos como valor mnimo o zero. Sendo assim, assumimos LIC = 0.
A seguir temos os resultados obtidos pelo Software Action para esse exemplo.
8 - Grficos de Pr-Controle
Os grficos de controle
nos processos e para diagnosticar as causas que levam ao estado de "Fora de Controle". Por sua vez, as tcnicas
chamadas de Pr-Controle (P.C.) visam a deteco de alteraes no nvel ou na disperso do processo que levam a
fabricao de produtos defeituosos ou fora das especificaes.
O Pr-Controle foi inicialmente concebido com o intuito de ser, ao mesmo tempo, uma simplificao e melhoria das
cartas CEP clssicas.
Desenvolvido na dcada de 50, ele permite avaliar se as peas produzidas esto dentro da especificao e d um
alarme quando h uma tendncia de produzir-se peas no-conformes. Ele nada tem a ver com estabilidade do
processo, porm tem uma certa relao com a capacidade do processo, ou seja, mesmo que o processo seja
instvel, mas esteja produzindo peas dentro da tolerncia (conforme as regras do Pr-Controle) nenhum alarme
ser dado. Caso o processo no seja capaz, o Pr-Controle nada far para mudar esta situao.
Temos que:
em que
a mdia e
Para implementar o P.C. devem ser estabelecidos limites de Pr-Controle; estes limites sero equidistantes entre
(mdia do processo) e os limites de especificao, dividindo assim o intervalo de tolerncia em regies, segundo
indica a Figura 8.1.
8. Se 5 valores sucessivos ficarem dentro dos limites de P.C. (regio verde),conforme mostra a Figura 8.1.6, passe a
amostrar com a frequncia habitual (amostragem regular). Enquanto espera por 5 peas consecutivas na regio
verde, cada vez que uma pea sair fora dessa regio recomece a contagem;
Se qualquer pea cair dentro da regio vermelha, conforme Figura 8.2.1, parar e ajustar.
Se ambas as peas carem dentro da regio verde, conforme Figura 8.2.2, continuar a operao.
Se qualquer pea (ou ambas) esto na regio amarela, continue a amostrar mais 3 peas, at no mximo 5.
Continuar a operao se a amostra combinada contm 3 peas na regio verde e parar quando exitir 3 peas na
regio amarela, ou ainda, se observamos uma pea na regio vermelha, vide Figuras (8.2.3, 8.2.4, 8.2.5, 8.2.6, 8.2.7,
8.2.8, 8.2.9, 8.2.10).
Recomendvel em processos com alta capacidade (por ex. Cpk > 1,67 - longo prazo) podendo tambm ser
usado em processos com boa capacidade (por ex. Cpk > 1,33 - longo prazo);
Aplicvel em situaes em que no se tem controle sobre a caracterstica medida (no fcil tomar uma
ao sobre o sistema) ou em que no haja preocupao com a mesma (independentemente do resultado obtido a
qualidade do produto no afetada);
No recomendvel em processos no capazes (por ex. Cpk < 1,33 - longo prazo) pois poder provocar
"tampering" ou "over-control" (reajuste excessivo do processo aumentando ainda mais a disperso);
No separa causas comuns de causas especiais, podendo gerar aes incorretas e custos decorrentes
Se utilizado em processos no capazes pode piorar ainda mais o desempenho dos mesmos
A Tabela 8.3.1 mostra a probabilidade de aceitarmos um processo como capaz em funo dos valores de Cp.
Tabela 8.3.1: Tabela de Cps
Cp
0,5
0,75
1,5
2,5
P(aceitar)
0,0489
0,221
0,4882
0,8836
0,9886
0,9928
P(rejeitar)
0,9511
0,779
0,5118
0,1164
0,0134
0,0072
Todos os pontos entre as linhas de pr-controle (rea verde), conforme mostra a Figura 8.3.1.
Somente um ponto entre os limites de especificaes e os limites de pr-controle (rea amarela), conforme
mostra a Figura 8.3.2.
Qualquer ponto fora dos limites de especificao (rea vermelha), conforme mostra a Figura 8.3.3.
O Pr-Controle foi desenvolvido como uma alternativa s cartas de controle para manufatura de pequenos
lotes.
O paradigma do Pr-Controle pode ser modificado para limites do processo ao invs de limites de
especificao. Isto permite que as virtudes da ferramenta sejam aplicadas a processos que tenham inicialmente sido
qualificados em um estado de controle estatstico.
Usar os valores de 3 do processo como limites (passagem das zonas amarelas para vermelhas) e ento
usar 1,5 como limites de alerta (passagem da zona verde para amarelas).
Usando amostra de tamanho igual a 5, as regras de deciso se tornam:
Passo 1: inspecionar 2 peas