Controle Estatístico de Qualidade

Capítulo 6
(montgomery)
Gráficos de Controle para Atributos

Introdução
– Muitas características da qualidade não podem ser
representadas numericamente.
– Nestes casos, classificamos cada item
inspecionado como conforme ou não-conforme
– Tais características são chamadas de atributos.

Exemplos: Haste empenada, Chips que não funcionam,
Embalagens com defeitos.
– Os gráficos de atributos não são tão informativos
quanto o de variáveis.

Uma medida numérica retém mais informação do que uma
classificação: conforme ou não-conforme
Gráficos de Controle para Atributos

Introdução
– Por outro lado, esses gráficos tem aplicações
importantes:

Na indústria de serviços ou na melhoria da qualidade fora
da indústria muitas características não são mensuradas
em escala numérica. Por exemplo: Satisfação com um
serviço.
– Iremos estudas 3 gráficos para atributos

Gráfico p: analisa a fração de itens não-conformes

Gráfico c: analisa o número de defeitos ou não-conformes

Gráfico u: analisa o número de defeitos por unidade
produzida
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Introdução
– Fração não conforme: definida como a razão entre
o número de itens não-conformes em uma
população e o total de itens naquela população;
– Um item pode ter várias características da
qualidade que são examinadas. Se ao menos uma
não satisfaz o padrão, ele é classificado como não-
conforme;
– Os princípios estatísticos para construção do
Gráfico p se baseiam na distribuição Binomial.
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Suposições
– p = probabilidade de que uma unidade (item) não
esteja dentro dos padrões de especificação
– As sucessivas unidades produzidas são
independentes
– Logo, cada unidade produzida segue uma
distribuição de Bernoulli (p)
– Se uma amostra aleatória de n unidades é
selecionada e se D é o número de unidades não
conformes, então
D ~ Binomial (n, p)
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

– Logo

n x
P ( D = x) =   p (1 − p) n − x , x = 0,1,K, n.
 x

– onde E(D) = np e Var(D) = np(1-p)

Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Suposições
– Fração amostral não-conforme: razão entre o
número de unidades não-conformes na amostra (D)
e o tamanho da amostra (n)
D
pˆ =
n
– Da aproximação da Binomial para Normal, temos
que
 p (1 − p ) 
pˆ ~ Normal  p, 
 n 
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Desenvolvimento e Operação
– Suponha que a verdadeira fração não-conforme (p)
é conhecida ou especificada. Logo, a linha central e
os limites de controle do Gráfico p são definidos
por
p(1 − p )
LSC = p + 3
n
LM = p
p (1 − p )
LIC = p − 3
n
p (1 − p )
– O desvio padrão do processo é dado por σ p = n
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Desenvolvimento e Operação
– No entanto, normalmente a fração não-conforme
(p) não é conhecida e precisa ser estimada a partir
dos dados observados.
– A operação deste gráfico consiste em:

Tomada de amostras subsequentes de tamanho n;

Calculo da fração amostral não conforme p̂ ;

Marcação de p̂ no gráfico;

Verificar se o processo se encontra sob controle (idêntico
ao gráfico para variáveis).
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Estimando a fração não conforme (p)

– Seleção de m amostras preliminares (20 a 25),
cada uma de tamanho n.
– Se há Di unidades não conformes na amostra i,
calculamos a fração não conforme na i-ésima
amostra como D i
pˆ i = , i = 1, K, m.
n
– e a média dessas
m
fraçõesm como
∑ D ∑ pˆ
i =1
i
i =1
i
p= =
m.n m
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Estimando a fração não conforme (p)

– A estatística p estima a fração não conforme
desconhecida p
p (1 − p )
LSC = p + 3
n
LM = p
p (1 − p )
LIC = p − 3
n
– Lembre que esses limites são, inicialmente, os
limites tentativos de controle e devem ser validados
(idêntico ao gráfico para variáveis).
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Gráfico p: Cálculo do tamanho de amostra

– Abordagem 1: Escolher n tal que a probabilidade
de encontrar ao menos 1 unidade defeituosa seja
pelo menos γ
P(D ≥ 1) ≥ γ
– Exemplo: suponha p = 0,01 e que P(D ≥ 1) ≥ 0,95.
Usando a aproximação da Poisson para Binomial
λ=np), ou seja, D agora será
(λ
e − λ λk
P( D = k ) =
k!
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Gráfico p: Cálculo do tamanho de amostra

– Temos que
−λ
P( D ≥ 1) = 1 − P( D = 0) = 1 − e ≥ 0,95
1− e −λ
≥ 0,95 ⇒ 0,05 ≥ e ⇒ ln(0,05) ≥ −λ
−λ

λ ≥ − ln(0,05) ⇒ λ ≥ 2,99 ≅ 3,00

– Lembrando que pela aproximação da Poisson para
Binomial, λ=np, então
3
np = λ ⇒ n = ⇒ n = 300
0,01
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Gráfico p: Cálculo do tamanho de amostra

– Abordagem 2 (Duncan – 1986): Escolher n de
modo que uma mudança de tamanho δ na fração
não conforme indique que o processo está fora de
controle.

Logo, basta escolher n de modo que a mudança δ na
fração não conforme coincida com o limite de controle
p(1 − p)
δ =L
n
2
L

Assim, n =   p(1 − p)
δ 
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Gráfico p: Cálculo do tamanho de amostra

– Abordagem 2 (Duncan – 1986)
– Exemplo:

p = 0,01

L=3

δ = 0,04 (mudança de p0 = 0,01 p1 = 0,05)
2 2
L  3 
n =   p(1 − p) =   0,01(1 − 0,01) ≅ 56
δ   0,04 
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Gráfico p: Cálculo do tamanho de amostra

– Abordagem 3: Escolher n grande o bastante para
que LIC seja positivo (maior que zero)

Isso garante que iremos investigar um número mínimo de
itens não conformes

p (1 − p )
LIC = p − L >0
n

Logo
(1 − p ) 2
n> L
p
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Gráfico p: Cálculo do tamanho de amostra

– Abordagem 3

– Exemplo:

p = 0,05

L=3

(1 − p ) 2 (1 − 0,05) 2
n> L = (3) ≅ 171
p 0,05
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Considerações
– O Gráfico p não é um modelo universal para
monitorar dados sobre fração de não conformes;
– Lembre-se que o Gráfico p baseia-se no modelo
Binomial

Probabilidade de ocorrência de uma unidade não
conforme é constante

As unidades de produção sucessivas são independentes
– O Gráfico p não é válido quando, por exemplo,

Probabilidade de uma unidade não conforme depende da
unidade anterior ter sido não conforme (ou não)
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Considerações
– Deve-se ter cautela ao analisar pontos que se
localizam abaixo do limite inferior de controle. Tais
pontos podem não representar melhoria real na
qualidade do processo. Segundo Montgomery, isso
pode ocorrer devido

Erros no processo de inspeção

Inspetores inadequadamente treinados ou inexperientes

Equipamentos de inspeção inadequadamente calibrados

Omissão de unidades não conformes por inspetores
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Exemplo
– Suco de Laranja é embalado em caixas de papelão.
O vazamento do suco devido a uma falha de
vedação na caixa caracteriza-se como uma
característica da qualidade.
– Deseja-se estabelecer um gráfico de controle para
melhorar a fração de embalagens não-conforme
produzidas por uma máquina.
– Considere que foram selecionadas 30 amostras,
com n=50 embalagens cada.
Gráficos de Controle para Fração
de Não Conformes (Gráfico p)

Exemplo
m

∑D
i =1
i
347
p= = = 0,2313
mn (30)(50)

p (1 − p ) 0,2313(1 − 0,2313)
LSC = p + 3 = 0,2313 + 3 = 0,4102
n 50
LM = p = 0,2313
p (1 − p ) 0,2313(1 − 0,2313)
LIC = p − 3 = 0,2313 − 3 = 0,0524
n 50
 Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)
P Chart
0.5 1 Nov o Operador

1 Nov o Material

0.4 UCL=0.4102
Proportion

0.3
_
P=0.2313
0.2

0.1
LCL=0.0524

0.0
1 4 7 10 13 16 19 22 25 28
Sample

Revisão dos Limites Tentativos Retirando os Pontos Fora de Controle

 Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)
P Chart
0.5 1
Nov o Operador
1
Nov o Material
1
0.4 UCL=0.3893
Proportion

0.3

_
P=0.215
0.2

0.1

LCL=0.0407
0.0
1 4 7 10 13 16 19 22 25 28
Sample

Na amostra 21 não foi identificada causa atribuível. Assim, o ponto será

conservado e esses limites serão usados para monitorar o processo.
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Tamanho de Amostra Variável

– Existem três abordagens para construção de um
gráfico de controle com tamanho de amostra variável.
– Abordagem 1
• Essa abordagem leva um consideração o tamanho da amostra
em cada subgrupo (ni).
p (1 − p )
m LSC = p + 3
∑D i
ni
p= i =1 LM = p
m

∑n
i =1
i
LIC = p − 3
p (1 − p )
ni
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Tamanho de Amostra Variável

– Abordagem 2 – Tamanho Médio de Amostra

Essa abordagem leva um consideração o tamanho médio
das amostras ni

Pode ser interessante caso os futuros tamanhos de
amostras não sejam muito diferentes

m p (1 − p )
LSC = p + 3
∑n
i =1
i n
n= p (1 − p )
m LIC = p − 3
n
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Tamanho de Amostra Variável

– Abordagem 3 – Gráfico de Controle Padronizado

Neste gráfico, teremos
– LSC = 3
– LM = 0
– LIC = -3

A variável plotada no gráfico será
pˆ i − p
Zi =
p (1 − p )
ni

p (ou p, caso seja dado um valor padrão) é a fração não-
conforme do processo sob controle.
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Tamanho de
Amostra
Variável
– Exemplo
Abordagem 1
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Exemplo Abordagem 1
m

∑D
i =1
i
234
p= m
= = 0,096
2450
∑n
i =1
i

p (1 − p ) 0,096(0,904)
LSC = p + 3 = 0,096 + 3
ni ni
LM = p = 0,096
p (1 − p ) 0,096(0,904)
LIC = p − 3 = 0,096 − 3
ni ni
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)
P Chart

0.2
3.0SL=0.1885
Proportion

0.1 P=0.09551

0.0 -3.0SL=0.002565

0 5 10 15 20 25
Sample Number

Amostra 11 encontra-se acima do LSC

Revisar os Limites Tentativos
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Exemplo
Abordagem 3
pˆ i − p
Zi = =
p (1 − p )
ni
pˆ i − 0,096
Zi =
0,096(0,904)
ni
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)
Gráfico de Controle Padronizado
4

1
Escore Z

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

-1

-2

-3

-4
Subgrupo

Amostra 11 encontra-se acima do LSC

Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Considerações

– Aplicações não-industriais

O gráfico p pode ser aplicado em várias características da

qualidade em ambientes não industriais

– Ex: Número de entregas feitas fora do prazo.

Gráficos de Controle para Fração
de Não Conformes (Gráfico p)

Função Característica de Operação

– Será uma visualização gráfica da probabilidade de erro tipo II
versus a fração não conforme do processo.
– A probabilidade de erro tipo II é dada por
β = P( LIC < pˆ < LSC | p ) =
β = P( pˆ < LSC | p ) − P( pˆ ≤ LIC | p ) =
β = P( D < nLSC | p ) − P( D ≤ nLIC | p )
– Como D ~ Binomial (n,p), β pode ser calculado a partir da
distribuição binomial acumulada.
Gráficos de Controle para Fração
de Não Conformes (Gráfico p)

Função Característica de Operação

– Exemplo

Considere um gráfico de controle para fração não
conforme com LIC = 0.0303, LSC = 0.3697, p = 0.20 e
n=50

β = P( D < (50)(0.3697) | p ) − P( D ≤ (50)(0.0303) | p ) =

β = P( D < 18.49 | p) − P( D ≤ 1.52 | p) =
β = P( D ≤ 18 | p) − P ( D ≤ 1 | p )
Gráficos de Controle para Fração
de Não-Conformes (Gráfico p)

Função Característica de Operação

p P(D<=18) P(D<=1) Beta
0.01 1.0000 0.9106 0.0894
0.03 1.0000 0.5553 0.4447
0.05 1.0000 0.2794 0.7206
0.10 1.0000 0.0338 0.9662
0.15 0.9999 0.0029 0.9970
0.20 0.9975 0.0002 0.9973
0.25 0.9713 0.0000 0.9713
0.30 0.8594 0.0000 0.8594
0.35 0.6216 0.0000 0.6216
0.40 0.3356 0.0000 0.3356
0.45 0.1273 0.0000 0.1273
0.50 0.0325 0.0000 0.0325
0.55 0.0053 0.0000 0.0053
 Curva CO
(p_barra=0.2; LIC=0.0303 e LSC=0.3697)

1.0

0.9

0.8

0.7

0.6
Beta

0.5

0.4

0.3

0.2

0.1

0.0
0.01 0.03 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55
p
Gráficos de Controle para o
Número de Defeitos (Gráfico c)

Introdução
– Dependendo de sua natureza e gravidade, é
possível que um item contenha vários defeitos de
fabricação (não conformidades)
– Há várias situações práticas onde é preferível
trabalhar com o número de defeitos ao invés da
fração não conforme

Exemplo: nº de soldas com defeitos em 100m de oleoduto,

nº de defeitos em um equipamento eletrônico, etc.
Gráficos de Controle para o
Número de Defeitos (Gráfico c)

Introdução
– É possível construir gráficos de controle tanto para
o número total de defeitos em uma unidade,
quanto para o número médio de defeitos por
unidade.
– Uma unidade de inspeção pode ser um subgrupo
(de tamanho constante) de itens

5 rádios

1 TV

Uma área de 4m2
Gráficos de Controle para o
Número de Defeitos (Gráfico c)

Suposições
– Esses gráficos supõem que o número de defeitos
por unidade de inspeção é bem modelado pela
distribuição de Poisson
– Além disso,

O número de locais potenciais para defeitos deve ser
grande

Probabilidade de ocorrência de um defeito em qualquer
local é a mesma (constante)

A unidade de inspeção deve ser a mesma para cada
amostra
Gráficos de Controle para o
Número de Defeitos (Gráfico c)

Suposições
– Considere que X = número de defeitos em uma
inspeção segue a distribuição Poisson
unidade de inspeção,
com parâmetro “c”
−c x
e c
P ( X = x) = , x = 0,1,2, K
x!
– Sabe-se que, E(X) = c e Var(X) = c
Gráficos de Controle para o
Número de Defeitos (Gráfico c)

Desenvolvimento e Operação
– Suponha conhecido ou especificado o verdadeiro
número de defeitos. Logo, a linha central e os
limites(*) de controle do Gráfico c são definidos por

LSC = c + 3 c
LM = c
LIC = c − 3 c
– (*) O risco α não é igualmente alocado para LIC/LSC já que a distribuição de Poisson é
assimétrica. Alguns autores sugerem o uso de limites probabilísticos.
Gráficos de Controle para o
Número de Defeitos (Gráfico c)

Desenvolvimento e Operação
– O desvio padrão do processo é dado por

σc = c
– Entretanto, normalmente o verdadeiro número de defeitos (c)
não é conhecido e precisa ser estimado. Seja c o número
médio de defeitos observado em uma amostra preliminar de
unidades de inspeção, temos que
LSC = c + 3 c
LM = c
LIC = c − 3 c
Gráficos de Controle para o
Número de Defeitos (Gráfico c)

Desenvolvimento e Operação

– Tais limites são considerados como limites

tentativos de controle.

– Deve-se examinar as amostras preliminares para

verificar se o processo estava sob controle, ou seja,
validar os limites tentativos.
Gráfico c

Exemplo
– Considere o número de
defeitos observados em
26 amostras sucessivas
de 100 placas de
circuito impresso. (1
amostra = 1 unidade de
inspeção)

516
c= = 19,85
26
Gráficos de Controle para o
Número de Defeitos (Gráfico c)

Exemplo
– Assim, os limites de controles tentativos são dados
por
LSC = c + 3 c = 19,85 + 3 19,85 = 33,22
LM = c = 19,85
LIC = c − 3 c = 19,85 − 3 19,85 = 6,48
– O desvio padrão do processo pode ser estimado
por
σˆ c = c = 19,85 = 4,46
Gráficos de Controle para o
Número de Defeitos (Gráfico c)
C Chart
40 1 Controle de
Temperatura

UCL=33.22
30
Sample Count

_
20 C=19.85

10
LCL=6.48
1 Erro de inspeção

0
1 4 7 10 13 16 19 22 25
Sample

Amostra 6 e 20 encontram-se fora dos limites de controle

Revisar os Limites Tentativos
Gráficos de Controle para o
Número de Defeitos (Gráfico c)
C Chart (without samples 6 and 20)
35
UCL=32.97

30

25
Sample Countt

_
20 C=19.67

15

10

LCL=6.36
5
1 3 5 7 9 11 13 15 17 19 21 23
Sample

Novos Limites Tentativos

Nenhum padrão não aleatório foi identificado
Gráficos de Controle para o
Número de Defeitos (Gráfico c)
C Chart (20 new samples)
35
UCL=32.97

30

25
Sample Countt

_
20 C=19.67

15

10

LCL=6.36
5
25 27 29 31 33 35 37 39 41 43
Sample

Processo continua sob controle. No entanto, o número de defeitos ainda

é alto. Necessária ação da gerência para melhorar o processo.
Gráficos de Controle para o
Número de Defeitos (Gráfico c)

Análise Adicional
– Dados sobre defeitos são mais informativos que a
fração não conforme.
– É possível identificar os diferentes tipos de defeitos.
– Através de um Gráfico de Pareto ou Diagrama de
Causa-Efeito pode-se identificar a causa mais
frequente.
– Tal informação é de grande utilidade no
desenvolvimento de planos de ação que devem
acompanhar os gráficos de controle
Gráfico u

Introdução

– Frequentemente o número de unidades que

compõem os subgrupos é variável. Nesses casos
estamos interessados em controlar a taxa de
defeitos por unidade e, o gráfico a ser utilizado será
o Gráfico u.
Gráfico u

– Redefinir o gráfico de controle, tomando como base

o número médio de defeitos por unidade de
inspeção
– Redefinindo

x = total de defeitos em uma amostra de n unidades de
inspeção

Então, o número médio de defeitos por unidade de
inspeção será
x
u=
n
Gráfico u

– Note que u segue a distribuição Poisson.

X ~ Poisson (c), onde E(X) = c e Var(X) = c.

Seja
x
u=
n
E ( x) c
E (u ) = =
n n
Var ( x) c 1 c E (u )
Var (u ) = 2
= 2 = =
n n nn n
Gráfico u

– O desvio padrão do processo é dado por

E (u )
σu =
n
– No entanto, normalmente o verdadeiro número médio de
defeitos por unidade “E(u)” não é conhecido e precisa ser
estimado. Seja u o número médio amostral de defeitos
por unidade, temos que u
LSC = u + 3
n
LM = u
u
LIC = u − 3
n
Gráfico u Número da Tamanho da Não Conf.
u
Amostra Amostra (n) por unidade
1 5 10 2,0
2 5 12 2,4

Exemplo 3 5 8 1,6
4 5 14 2,8
– Número de defeitos em 5 5 10 2,0
20 amostras de 5 6 5 16 3,2
7 5 11 2,2
computadores cada 8 5 7 1,4
9 5 10 2,0
– Temos que 10 5 15 3,0
11 5 9 1,8
m
12 5 5 1,0
∑u38,6
i =1
i 13
14
5
5
7
11
1,4
2,2
u= = = 1,93 15 5 12 2,4
m 20 16 5 6 1,2
17 5 8 1,6
18 5 10 2,0
19 5 7 1,4
20 5 5 1,0
Gráfico u

Exemplo
– Assim, os limites de controles tentativos são dados por
u 1,93
LSC = u + 3 = 1,93 + 3 = 3,79
n 5
LM = u = 1,93
u 1,93
LIC = u + 3 = 1,93 − 3 = 0,07
n 5
– O desvio padrão do processo pode ser estimado por
u 1,93
σˆ u = = = 0,62
n 5
Gráfico u
U Chart
4
UCL=3,794

3
er Unit
Sample Count Pe

_
2 U=1,93

0 LCL=0,066

2 4 6 8 10 12 14 16 18 20
Sample

Nenhum ponto fora dos limites de controle

Nenhum padrão não aleatório foi identificado
Tamanho de Amostra Variável
– O procedimento é usar um gráfico u que terá linha
central constante, entretanto, os limites de
controle irão variar inversamente proporcional a
raiz quadrada do tamanho da amostra ni
xi u
ui = LSC = u + 3
ni ni
m

∑x
i =1
i
LM = u
u= m u
LIC = u − 3
∑n
i =1
i ni
Gráfico u – Amostra variável

Exemplo Número da Metros Não Conf. Nº unidades

u
Amostra por unidade p/ 50m (n)
– Número de 1 500 14 10,0 1,40
defeitos a cada 2 400 12 8,0 1,50
3 650 20 13,0 1,54
50 metros 4 500 11 10,0 1,10
5 475 7 9,5 0,74
6 500 10 10,0 1,00
7 600 21 12,0 1,75
8 525 16 10,5 1,52
9 600 19 12,0 1,58
10 625 23 12,5 1,84
m 153 107,5

∑x
i =1
i
153
u= m
= = 1,42
107,5
∑n
i =1
i
Gráfico u – Amostra variável

Exemplo
– Assim, os limites de controles tentativos são dados por

u 1,42
LSC = u + 3 = 1,42 + 3
ni ni
LM = u = 1,42
u 1,42
LIC = u + 3 = 1,42 − 3
n ni
Gráfico u – Amostra Variável
U Chart (unequal sample sizes)
3,0

2,5 UCL=2,436
er Unit

2,0
Sample Count Pe

1,5 _
U=1,423

1,0

0,5
LCL=0,411

0,0
1 2 3 4 5 6 7 8 9 10
Sample

Nenhum ponto fora dos limites de controle

Nenhum padrão não aleatório foi identificado
“Gráfico c” e “Gráfico u”

Função Característica de Operação

– Tanto para o Gráfico c quanto para o Gráfico u, as
curvas características de operação (CO) são
obtidas da distribuição de Poisson.
– CO: Gráfico c

Probabilidade β vs verdadeiro número médio de defeitos c
β = P( LIC < x < LSC | c) =
β = P( x < LSC | c) − P ( x ≤ LIC | c)

onde X ~ Poisson (c)
“Gráfico c” e “Gráfico u”

Função Característica de Operação

– Exemplo

Considere o gráfico c com LIC = 6,48 e LSC = 33,22

β = P ( x < 33,22 | c) − P( x ≤ 6,48 | c) =

β = P ( x ≤ 33 | c) − P( x ≤ 6 | c)

Lembrando que esses limites de controle foram obtidos de

um exemplo onde c = 19,85
 “Gráfico c” e “Gráfico u”

Função Característica de Operação

c P(X<=33) P(X<=6) Beta
1 1.0000 0.9999 0.0001
3 1.0000 0.9665 0.0335
5 1.0000 0.7622 0.2378
7 1.0000 0.4497 0.5503
10 1.0000 0.1301 0.8699
15 1.0000 0.0076 0.9924
25 0.9502 0.0000 0.9502
33 0.5461 0.0000 0.5461
35 0.4102 0.0000 0.4102
40 0.1514 0.0000 0.1514
45 0.0383 0.0000 0.0383
 Curva CO - Gráfico c
(LIC=6.48 e LSC=33.22)

1,0

0,9

0,8

0,7

0,6
Beta

0,5

0,4

0,3

0,2

0,1

0,0
1 3 5 7 10 15 25 33 35 40

c = 19,85
“Gráfico c” e “Gráfico u”

Função Característica de Operação

– CO: Gráfico u

Para o gráfico u podemos gerar uma curva CO a partir de

β = P ( LIC < x < LSC | u ) =

[nLSC ]
e − nu (nu ) x
β = P (nLIC < x ≤ nLSC | nu ) = ∑
x = nLIC x!

onde X ~ Poisson (nu), dado que u=x/n, e 〈nLIC〉 denota o

menor inteiro maior ou igual que nLIC.
Exercício

Um processo que produz aros de roda de titânio para automóveis

com motores turbinados deve ser controlado pelo uso do gráfico
para a fração não conforme. Inicialmente, uma amostra de
tamanho 150 é retirada a cada dia, durante 20 dias.
a) Estabeleça um gráfico de controle para monitorar a produção
futura.
b) Qual o menor tamanho de amostra que pode ser usado para
esse processo e ainda fornecer um limite inferior de controle
positivo para o gráfico?
c) Trace a curva CO para esse gráfico de controle.
d) Qual a probabilidade a probabilidade de se detectar uma
mudança na fração não conforme para 0,03, na terceira amostra
após a mudança?
Exercício

Os dados a seguir representam o número de não conformidades

por 1000 metros em cabos de telefone.

a) Quais são a linha central e os limites de controle para monitorar a

produção com base no número total de não conformidades? Pela
análise desses dados, você concluiria que o processo está sob
controle estatístico?

b) Quais são a linha central e os limites de controle para um gráfico

de controle para a média de não conformidades por unidade,
usado para monitorar a produção futura?

c) Trace a curva da função característica de operação (CO) para o

número total de não conformidades (Gráfico c).
Exercício
Exercício

Um gráfico de controle indica que a fração

corrente de não conformes do processo é
0,02. Se 50 itens são inspecionados a cada
dia, qual é a probabilidade de se detectar uma
mudança na fração não conforme para 0,04,
no primeiro dia após a mudança? E no terceiro
dia após a mudança?
Exercício

Encontre os limites de probabilidade de 0,999

e 0,001 para um gráfico c quando a média do
processo é igual a 16 não conformidades.
Compare com os limites utilizando a
distribuição normal.