Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DE CAMPINA GRANDE - Campus de Campina Grande UNIDADE ACADÊMICA DE ESTATÍSTICA Disciplina: Introdução à Estatística Período 2016.1 Professores: Amanda Gomes, Ana Cristina e Grayci-Mary Aluno(a): NOTAS DE AULA PARA O 3o ESTÁGIO Controle Estatístico da Qualidade 1 Introdução O controle permanente dos processos é a condição básica para manutenção da �qualidade� de bens e serviços, ou seja, a condição básica para que estes bens e serviços: sejam ade- quados ao uso; atendam as especificações; atendam e, se possível, excedam às expectativas do consumidor etc. O objetivo do controle estatístico de qualidade é aplicar técnicas estatísticas para o controle de processos industriais que geram bens de consumo e de processos de empresas que prestam serviços. O início formal do controle estatístico de processos (CEP) deu-se por volta de 1924, quando o Dr. Walter A. Shewhart desenvolveu e aplicou os gráficos de controle em aná- lises no Bell Telephone Laboratories. Ele analisou muitos processos diferentes e concluiu: todos os processos de manufatura exibem variação. Shewhart atribuiu variação inerente, normalmente chamada variação aleatória, às causas acidentais e às causas indetermináveis, e a variação intermitente às causas determináveis. Concluiu que as causas determináveis podiam ser economicamente descobertas e eliminadas com um tenaz programa de diag- nóstico, mas que as causas aleatórias não podiam ser economicamente descobertas e não podiam ser removidas sem que se fizessem mudanças básicas no processo. A variação de qualquer característica de qualidade pode ser quantificada pela amos- tragem do resultado do processo e pelas estimativas dos parâmetros da sua distribuição estatística. Mudanças na distribuição podem ser reveladas pelos gráficos destes parâmetros no tempo. A eficácia de um gráfico de controle é medida pela rapidez com que esse dispositivo detecta alterações no processo. 2 Fundamentos do Controle Estatístico de Processos 2.1 Variabilidade dos Processos A expressão variabilidade do processo está relacionada com as diferenças existentes entre as unidades produzidas. 1 2.2 O Conceito de Variação Para que se possa controlar a qualidade de um produto é necessário ter habilidade para se medir as variações que ocorrem no mesmo. Existem três tipos de variações que podem ocorrer em um item produzido: 1. Variação interna: É aquela que ocorre dentro do mesmo item. Por exemplo, o acabamento superficial é diferente em faces opostas da mesma peça, ou o diâmetro de eixo varia ao longo do seu comprimento. 2. Variação item a item: É aquela que ocorre entre itens produzidos em tempos próxi- mos. Por exemplo, a intensidade luminosa de quatro lâmpadas produzidas consecu- tivamente por uma máquina será diferente. 3. Variação tempo a tempo: É aquela que ocorre entre itens produzidos em diferentes períodos durante o dia. Por exemplo, a peça produzida pela manhã será diferente daquela produzida à noite, devido ao desgaste da ferramenta de corte. Existem seis fatores que contribuem para essas variações, são eles: Máquinas, Métodos, Materiais, Meio ambiente, Mão de obra e Medidas. Quando estes seis fatores de variação estão presentes nos processos de uma forma normal ou esperada, dizemos que um padrão de causas comuns ou causas aleatórias está se desenvolvendo. Causas comuns ou causas aleatórias de variação são inevitáveis e são difíceis de serem identificadas, pois são de pequena significância. As causas de variação de grande significância e, portanto, facilmente identificáveis, são classificadas como causas especiais de variação. Quando apenas causas comuns estão presentes no processo, dizemos que o mesmo está sob controle. Contudo, quando causas especiais de variação também estão presentes, a variação se torna excessiva, e o processo é classificado como estando fora de controle ou além da expectativa normal de variação. Observação: As causas especiais têm o efeito de deslocar a distribuição da variável aleatória X (tirando sua média do valor alvo) e ou aumentar sua dispersão. As causas especiais, ao contrário das naturais, são sempre possíveis de eliminar. 3 Monitoramento dos Processos por Gráficos de Con- trole Os processos devem ser permanentemente monitorados, para que se possa detectar possíveis causas especiais de variação. Uma vez detectadas, estas causas devem ser investigadas e eliminadas. A principal ferramenta utilizada para monitorar os processos e sinalizar a presença de causas especiais de variação são os gráficos de controle. Um gráfico de controle de uma característica de um processo consiste em valores grafados sequencialmente ao longo do tempo, uma linha central, um limite inferior de controle (LIC) e um limite superior de controle (LSC). A linha do centro representa 2 um valor central das medidas da característica, e os limites de controle são fronteiras para separar e identificar quaisquer pontos considerados excepcionais. Em geral utiliza-se gráficos de controle 3σ, cujos limites de controle são estabelecidos a ± 3 desvios padrões do valor central. Abordaremos aqui os gráficos de controle por variáveis e os gráficos de controle por atributos. 3.1 Gráficos de Controle por Variáveis Estes gráficos representam o estado de controle de variáveis quantitativas, como por exem- plo, a resistência média de um material, o peso médio de um item produzido, etc. Os principais tipos de gráficos de controle para variáveis são: • Gráficos de Controle X e R, com tamanho de amostra (n) fixo; • Gráficos de Controle X e S, com tamanho de amostra (n) fixo; • Gráficos de Controle X e S, com tamanho de amostra (ni) variável (i = 1, 2, ...,m). Exemplo 1. A carga axial de uma lata de alumínio é o peso máximo que seus lados podem suportar. É importante termos uma carga axial bastante elevada a fim de que a lata não sofra deformação quando a tampa é colocada no lugar sob pressão. Os dados amostrais da Tabela 1 provêm de uma população de latas com 0,0277 cm de espessura. Durante este estágio analisaremos o processo de fabricação, focalizando o padrão de cargas axiais ao longo do tempo. 3 Tabela 1: Cargas Axiais (libras) de latas de alumínio Subgrupo Carga Axial (libras) x¯ R s 1 270 273 258 204 254 228 282 252,7143 78 27,6328 2 278 201 264 265 223 274 230 247,8571 77 29,6616 3 250 275 281 271 263 277 275 270,2857 31 10,5627 4 278 260 262 273 274 286 236 16,3401 5 290 286 278 283 262 277 295 281,5714 33 10,7216 6 274 272 265 275 263 251 289 269,8571 38 11,8382 7 242 284 241 276 200 278 283 257,7143 84 31,4469 8 269 282 267 282 272 277 261 272,8571 21 9 257 278 295 270 268 286 262 273,7143 38 13,4501 10 272 268 283 256 206 277 252 259,1429 25,8742 11 265 263 281 268 280 289 283 275,5714 26 10,0971 12 263 273 209 259 287 269 277 262,4286 78 25,2907 13 234 282 276 272 257 267 204 256 78 27,8149 14 270 285 273 269 284 276 286 277,5714 17 7,3225 15 273 289 263 270 279 206 270 264,2857 83 26,9797 16 270 268 218 251 252 284 278 260,1429 66 22,2593 17 277 208 271 208 280 269 270 254,7143 72 32,1544 18 294 292 289 290 215 284 283 278,1429 79 28,1273 19 279 275 223 220 281 268 272 259,7143 61 26,4683 20 268 279 217 259 291 291 281 269,4286 74 25,8706 21 230 276 225 282 276 289 288 266,5714 64 27,2143 22 268 242 283 277 285 293 248 270,8571 51 19,3169 23 278 285 292 282 287 277 266 26 24 268 273 270 256 297 280 256 271,4286 41 14,2578 25 262 268 262 293 290 274 292 277,2857 31 14,0797 T O T A L 6677,8571 1374 501,0922 3.1.1 Gráfico de Controle X e R O gráfico de controle X é projetado, principalmente, para descobrir mudanças na média do processo. Suponha que os ítens de um processo de produção possuem valores mensuráveis que são independentes e se distribuem normalmente com média µ e variânciaσ2. Sejam os valores produzidos pelo sistema denotados por X1, X2, ..., Xn, em que n é o tamanho comum de todos os subgrupos. Seja X i, i = 1, 2, ...,m, denotando a média do i-ésimo subgrupo. Os X i são normal- mente distribuídos com média e variância dadas por E [ X i ] = µ, V ar [ X i ] = σ2/n. Consequentemente, segue-se que X i − µ√ σ2/n ∼ N (0, 1) . 4 Logo, se o processo permanece em controle, então √ n ( X i − µ ) /σ tem distribuição normal padrão. Sendo Z ∼ N (0, 1) , mostra-se que Z quase sempre estará entre -3 e 3, pois P [−3 < Z < 3] = 0.9973, e esta informação está ilustrada na Figura 1. Figura 1: Gráfico da Distribuição Normal Consequentemente, −3 < √n (X i − µ) /σ < 3, ou equivalentemente, µ− 3σ/√n < X i < µ+ 3σ/√n. Portanto, os limites de controle do gráfico x são dados por LIC = µX−3σX = µX−3 σX√ n , LC = µX = µX e LSC = µX+3σX = µX+3 σX√ n . (1) Desta forma, o processo é considerado fora de controle se algum valor de X i estiver acima de LSC ou abaixo de LIC. Considere, agora, que a média µ e o desvio padrão σ não sejam conhecidos inicialmente; logo, eles terão que ser estimados a partir dos dados. Sejam x1, x2, ..., xm as médias de cada uma das amostras, então o melhor estimador de µ, a média do processo, é a média geral µˆX = x = x1 + · · ·+ xm m . A amplitude (range) é simplesmente a diferença entre o maior e o menor valor de um conjunto de dados: R = x(n) − x(1). Sejam R1, R2, ..., Rm as amplitudes das m amostras. A amplitude média é R = R1 + · · ·+Rm m . Um estimador para σ é R/d2, onde d2 é uma constante. Valores de d2 para diversos tamanhos de amostra se encontram tabulados. Assim, se R é a amplitude média das m 5 amostras preliminares, podemos usar σˆX = R d2 para estimar σX . Desta forma, os limites de controle do gráfico x são dados por LIC = µˆX − 3σˆX = x− 3 R d2 √ n , LC = µˆX = x e LSC = µˆX + 3σˆX = x+ 3 R d2 √ n . Se definirmos A2 = 3 d2 √ n então, os limites de controle para o gráfico x serão dados por LIC = x− A2R, LC = x e LSC = x+ A2R. (2) A constante A2 encontra-se tabulada para vários tamanhos de amostra. Exemplo 2. Considerando os dados do Exemplo 1, para obtermos o gráfico X para a carga axial média das latas de alumínio precisamos calcular a média de cada subgrupo (xi), a amplitude de cada subgrupo (Ri), a média geral de todos os subgrupos (x) e a amplitude média todos os subgrupos (R), e substituir estes valores na expressão (2). Este gráfico se encontra na Figura 2 e observamos que todos os pontos estão dentro dos limites de controle, embora a média do segundo subgrupo esteja bem próxima do limite inferior de controle. Figura 2: Gráfico X para a resistência média das latas 6 Observação: Em muitas situações é importante observar algumas características a mais no gráfico de controle do que simplesmente o fato de os pontos estarem entre os limites de controle. O gráfico de controle nos dá várias informações adicionais, como a tendência da média do processo, a variação, uma sequência de pontos abaixo ou acima da linha central, ou muitos pontos próximos aos limites de controle. A variabilidade do processo pode ser monitorada plotando-se os valores das amplitudes amostrais R em um gráfico de controle. Sob a hipótese de normalidade dos dados, com média µX e variância σ 2 X , então as variáveis aleatórias Zi = (Xi − µX) /σX , i = 1, ..., n são independentes e têm distribuição normal padrão. Adicionando uma constante em cada termo do subgrupo não alteramos o valor da amplitude, logo R = max(σXZ1 + µX , ..., σXZn + µX)−min(σXZ1 + µX , ..., σXZn + µX) = max(σXZ1, ..., σXZn)−min(σXZ1, ..., σXZn) = σX [max(Z1, ..., Zn)−min(Z1, ..., Zn)] = σXRz, onde Rz = max(Z1, ..., Zn)−min(Z1, ..., Zn). Portanto, E [R] = σXd2 e √ V ar [R] = σXd3, onde d2 = E [Rz] e d3 = √ V ar [Rz]. Assim, os limites de controle para o gráfico R são dados por: LIC = µR − 3σR, LC = µR e LSC = µR + 3σR. Como σ é desconhecido, devemos estimar σR por σˆR = d3 R d2 . Logo, os limites de controle do gráfico R se reduzem a LIC = µˆR − 3σˆR = R− 3d3R d2 , LC = µˆR = R e LSC = µˆR + 3σˆR = R + 3d3 R d2 . Definindo D3 = 1− 3d3 d2 e D4 = 1 + 3 d3 d2 , os limites de controle para o gráfico R ficam determinados por LIC = D3R, LC = R e LSC = D4R. (3) As constantes D3 e D4 encontram-se tabuladas para vários valores de n. 7 Exemplo 3. Considerando o exemplo da carga axial das latas de alumínio, para cons- truirmos o gráfico R para monitorar a varição do processo, precisamos inicialmente calcular a amplitude (Ri) de cada subgrupo e a média de todos os subgrupos (R). Em seguida, substituimos estes valores nas expressões (3) para obter os limites de controle do gráfico R. O gráfico R para estes dados se encontram na Figura 3. Observe que nenhum ponto ficou fora dos limites de controle, indicando assim, que a variação do processo está sob controle. Figura 3: Gráfico R para a carga axial das latas de alumínio Observação: Em geral, analisa-se os gráficos x e R conjuntamente. Se o gráfico R não apresentar nenhuma evidência de que a variação do processo está fora de controle, então analisa-se o gráfico x, caso contrário interrompe-se o processo para ajustes. 3.1.2 Gráfico de Controle X e S Embora os gráficos x e R sejam bastante usados, algumas vezes torna-se desejável esti- mar diretamente o desvio padrão do processo em vez de indiretamente através do uso da amplitude R. Se σ2 é a variância desconhecida de uma distribuição de probabilidade, então um estimador não-viesado para σ2 é a variância amostral S2 = 1 n− 1 n∑ i=1 (xi − x)2 = 1 n− 1 n∑ i=1 x2i − nx2. No entanto, o desvio padrão SX não é um estimador não-viesado para σX , S na verdade estima c4σX , onde c4 é uma constante que depende do tamanho da amostra n. Além disso, o desvio padrão de S é σX √ 1− c24, onde σX é o desvio padrão de Xi, em que Xi ∼ N(µX , σ2X). Os limites de controle três-sigma são então 8 LIC = µS − 3σS = c4σX − 3σX √ 1− c24, LC = µS = c4σX e LSC = µS + 3σS = c4σX + 3σX √ 1− c24. Definindo as duas constantes B5 = c4 − 3 √ 1− c24 e B6 = c4 + 3 √ 1− c24, podemos escrever os limites de controle para o gráfico S como LIC = B5σX , LC = c4σX e LSC = B6σX . (4) Valores de c4, B5 e B6 se encontram tabulados para diversos valores de n. Se nenhum valor de referência é dado para σX , então temos que estimá-lo através de dados passados. Suponha que m amostras preliminares estejam disponíveis, cada uma com tamanho n, e seja Si o desvio padrão da i-ésima amostra. A média dos m desvios padrão é S = 1 m m∑ i=1 Si. A estatística S/c4 é um estimador não-viesado de σX . Então, os parâmetros para o gráfico S são LIC = µˆS−3σˆS = S−3S c4 √ 1− c24, LC = µˆS = S e LSC = µˆS+3σˆS = S+3 S c4 √ 1− c24. Definindo as constantes B3 = 1− 3 c4 √ 1− c24 e B4 = 1 + 3 c4 √ 1− c24, podemos escrever os limites de controle para o gráfico S como LIC = B3S, LC = S e LSC = B4S. (5) Note que, B3 = B5/c4 e B4 = B6/c4. Quando S/c4 é usado para estimar σX , podemos definir os limites de controle para o gráfico x correspondente como 9 LIC = µˆX − 3σˆX = x− 3S c4 √ n , LC = µˆX = x e LSC = µˆX + 3σˆX = x+ 3S c4 √ n . Definindo a constante A3 = 3 c4 √ n , os parâmetros do gráfico x se tornam LIC = x− A3S LC = x e LSC = x+ A3S. (6) As constantes B3, B4 e A3 para a construção dos gráficos x e S encontram-se tabuladas para diversos valores de n. Observação: Tradicionalmente, os engenheiros da qualidade preferiam o gráfico R ao gráfico S por causa da simplicidade do cálculo de R para cada amostra. A disponibilidade atual de máquinas de calcular com cálculo automático de S e acrescente disponibilidade de microcomputadores na implementação on-line dos gráficos de controle na estação de trabalho vêm eliminando qualquer dificuldade computacional. Exemplo 4. Vamos construir o gráfico S para os dados do Exemplo 1. Para isto, precisamos calcular o desvio padrão (Si) de cada subgrupo e a média dos desvios de todos os subgrupos (S). Substituindo estes valores nas expressões (5), obtemos os limites de controle do gráfico S. Este gráfico de controle se encontra na Figura 4. Observe que nenhum ponto ficou fora dos limites de controle, indicando assim, que o desvio padrão do processo está sob controle. Figura 4: Gráfico S para a carga axial das latas 10 3.1.3 Gráficos de Controle x e S com tamanho de amostra variável Os gráficos de controle x e S são relativamente simples de usar nos casos onde os tamanhos das amostras são variáveis. Nesse caso, devemos aplicar a abordagem da média ponderada no cálculo de x e S. Se ni é o tamanho do i-ésimo subgrupo, então usamos x = m∑ i=1 nixi m∑ i=1 ni e S = √√√√√√√√√ m∑ i=1 (ni − 1)S2i m∑ i=1 ni −m como linhas centrais nos gráficos x e S respectivamente. Os limites de controle são calcu- lados a partir das expressões (5) e (6), respectivamente, mas as constantes A3, B3 e B4 vão depender do tamanho da amostra usado em cada subgrupo individual. Ou seja, cada subgrupo terá seus próprios limites de controle individualmente. Exemplo 5. Um resumo dos dados sobre medidas de diâmetro internos (mm) de anéis de pistão de motores de automóveis se encontram na Tabela 2 abaixo. Tabela 2: Medidas resumo para os dados dos diâmetros de anéis de pistão Amostra ni xi S 2 i A3 B3 B4 1 5 74,0 0,014 1,427 0 2,089 2 3 73,9 0,005 1,954 0 2,568 3 5 74,0 0,015 1,427 0 2,089 4 5 74,0 0,009 1,427 0 2,089 5 5 74,0 0,012 1,427 0 2,089 6 4 73,9 0,010 1,628 0 2,266 7 4 73,9 0,060 1,628 0 2,266 8 5 73,9 0,012 1,427 0 2,089 9 4 74,0 0,006 1,628 0 2,266 10 5 73,9 0,006 1,427 0 2,089 11 5 73,9 0,003 1,427 0 2,089 12 4 73,9 0,011 1,628 0 2,226 Calcular os limites de controle dos gráficos x e S para os dados da Tabela 2. 11 3.2 Gráficos de Controle por Atributos Muitas características da qualidade não podem ser representadas numericamente de modo conveniente. Em tais casos, usualmente classificamos cada item inspecionado como con- forme ou não-conforme em relação às especificações para aquela característica da quali- dade. As características de qualidade desse tipo são chamadas atributos. Os gráficos de atributos não são, em geral tão informativos quanto os gráficos de variáveis porque há, tipicamente, mais informação em uma medida numérica do que em uma mera classificação como conforme ou não-conforme. No entanto, os gráficos de atributos tem, sim, aplica- ções importantes. Eles são particulamente úteis nas indústrias de serviços e nos esforços de melhoria da qualidade não-industrial, porque muitas das características da qualidade encontradas nesses ambientes não são facilmente mensuráveis em uma escala numérica. 3.2.1 Gráfico de Controle para a Fração Não-Conforme (p) A fração não-conforme é definida como a razão entre o número de itens não-conformes em uma população e o total de itens naquela população. Suponha que o processo de produção esteja operando de maneira estável, de tal modo que a probabilidade de que uma unidade não esteja de acordo com as especificações seja p, e que as sucessivas unidades produzidas sejam independentes. Entao, cada unidade produzida é uma realização de uma variável aleatória de Bernoulli com parâmetro p. Se uma amostra aleatória de n unidades do produto é selecionada, e se D é o número de unidades não-conformes, então D tem uma distribuição Binomial com parâmetros n e p, isto é, P (D = x) = ( n x ) px(1− p)n−x, x = 0, 1, ..., n. A fração amostral não-conforme é definida como a razão entre o número de unidades não-conformes na amostra D e o tamanho n da amostra, isto é, pˆ = D n . Sabemos que a média e a variância de pˆ são E(pˆ) = p e Var(pˆ) = p(1− p) n . Suponha que a verdadeira fração não-conforme, p seja conhecida ou é um valor padrão especificado pela gerência. Assim, os limites de controle 3-sigma para o gráfico de controle da fração não-conforme devem ser LIC = µpˆ−3σpˆ = p−3 √ p(1− p) n , LC = µpˆ = p e LSC = µpˆ+3σpˆ = p+3 √ p(1− p) n . (7) A operação real desse gráfico consistiria na tomada de amostras subsequentes de n unidades, no cálculo da fração amostral não-conforme pˆ, e na marcação da estatística pˆ 12 no gráfico. Enquanto pˆ permanece dentro dos limites de controle e a sequência de pontos plotados não exibe qualquer padrão não-aleatório sistemático, podemos concluir que o processo está sob controle. Se um ponto se localiza fora dos limites de controle, ou caso se observe um padrão não-aleatório nos pontos plotados podemos concluir que a fração não-conforme do processo provavelmente passou para um novo nível e que o processo está fora de controle. Quando a fração não-conforme do processo, p, não é conhecida, deve, então ser es- timada a partir dos dados observados. O procedimento usual é a seleção de m amostras preliminares, cada uma de tamanho n. Então, se há Di unidades não-conformes na amostra i, calculamos a fração não-conforme na i-ésima amostra como pˆi = Di n , i = 1, ...,m e a média dessas frações não-conformes das amostras individuais é p = 1 m m∑ i=1 pˆi = 1 mn m∑ i=1 Di. A estatística p estima a fração não-conforme desconhecida, p. Assim, os limites de controle para o gráfico da fração não-conforme com p desconhecido são dados por LIC = µˆpˆ−3σˆpˆ = p−3 √ p(1− p) n , LC = µˆpˆ = p e LSC = µˆpˆ+3σˆpˆ = p+3 √ p(1− p) n . (8) Os limites de controle definidos nas expressões (8) devem ser encarados como limites de controle tentativos. Os valores amostrais de pˆi devem ser plotados versus os limites tentativos para testar se o processo estava sob controle quando os dados preliminares foram coletados. Quaisquer pontos que excedam os limites de controle tentativos devem ser investigados. Se forem descobertas causas atribuíveis para esses pontos, eles deverão ser descartados e novos limites de controle tentativos deverão ser determinados. Observação: Para que se considere que os limites de controle tentativos são apro- priados para controle atual ou futuro, é altamente recomendável que se tenha, pelo menos, entre 20 e 25 amostras ou subgrupos de tamanho n (tipicamente, n deve estar entre 3 e 5). Naturalmente, é possível trabalhar com menos dados, mas os limites de controle já não serão tão confiáveis. Exemplo 6. O suco de laranja concentrado e congelado é embalado em latas de pa- pelão. Essas embalagens são feitas enrolando-se o papelão e colocando-se um fundo de metal. Pela inspeção de uma dessas embalagens, pode-se determinar se, quando cheia, poderá vazar ao longo da junta lateral do papelão ou em volta da junção do fundo. Tal embalagem não-conforme tem uma vedação imprópria ou na junção lateral ou na junção do fundo. Desejamos estabelecer um gráfico de controle para reduzir a fração de embalagens não-conformes produzidas por esta máquina. Para estabelecer o gráfico de controle, selecionaram-se 30 amostras com 50 em- balagens cada, a intervalos de meia hora, por um período de três turnos, no qual a máquina operou continuamente. Os dados estão mostrados na Tabela 3. 13 Tabela 3: Dados para os limites de controle tentativos. Exemplo 6. Amostra Di pˆi Amostra Di pˆi Amostra Di pˆi 1 12 0,24 11 5 0,10 21 20 0,40 2 15 0,30 12 6 0,12 22 18 0,36 3 8 0,16 13 17 0,34 23 24 0,48 4 10 0,20 14 12 0,24 24 15 0,30 5 4 0,08 15 22 0,44 25 9 0,18 6 7 0,14 16 8 0,16 26 12 0,24 7 16 0,32 17 10 0,20 27 7 0,14 8 9 0,18 18 5 0,10 28 13 0,269 14 0,28 19 13 0,26 29 9 0,18 10 10 0,20 20 11 0,22 30 6 0,12 Total 105 2,1 Total 109 2,18 Total 133 2,66 A Figura 5 mostra o gráfico de controle para estes dados. Figura 5: Gráfico p para a fração não-conforme das embalagens de sucos Observe que existem dois pontos fora dos limites de controle, os das amostras 15 e 23. Estes pontos devem ser investigados para ver se uma causa atribuível pode, ou não, ser determinada. A análise dos dados da amostra 15 indica que um novo fardo de papelão foi colocado na produção naquela meia hora. Além disso, duarante a meia hora durante a qual a amostra 23 foi extraída, um operador relativamente inexperiente foi temporariamente designado para aquela máquina. Consequentemente, eliminando-se as amostras 15 e 23 e calculando-se os novos limites de controle, obtemos p = 0, 2150; LIC = 0, 0407 e LSC = 0, 3893. 14 A Figura 6 mostra a linha central e os limites de controle revistos. Note, que agora a fração não-conforme da amostra 21 excede o limite superior de controle. No entanto, a análise dos dados não fornece qualquer causa atributível razoável ou lógica para isso, e decidimos conservar o ponto. Concluímos portanto, que os novos limites de controle da Figura 6 podem ser usados para futuras amostras. Figura 6: Gráfico p para a fração não-conforme das embalagens de sucos excluindo as amostras 15 e 23 Suponha que baseado nestes dados a empresa tome diretivas que visem melhorar o desempenho da máquina que embala os sucos. Durante os próximos três turnos que se seguiram aos ajustes da máquina e à introdução do gráfico de controle, foram coletadas 24 amostras adicionais, com 50 observações cada. A Tabela 4 mostra esses dados e as frações não-conformes estão plotadas Figura 7. Tabela 4: Dados das embalagens de suco de laranja concentrado (amostras 31 a 54). Amostra Di pˆi Amostra Di pˆi Amostra Di pˆi 31 9 0,18 39 7 0,14 47 8 0,16 32 6 0,12 40 6 0,12 48 5 0,10 33 12 0,24 41 2 0,04 49 6 0,12 34 5 0,10 42 4 0,08 50 7 0,14 35 6 0,12 43 3 0,06 51 5 0,10 36 4 0,08 44 6 0,12 52 6 0,12 37 6 0,12 45 5 0,10 53 3 0,06 38 3 0,06 46 4 0,08 54 5 0,10 Total 51 1,02 Total 37 0,74 Total 45 0,9 15 Figura 7: Gráfico p para a fração não-conforme das embalagens de sucos amostras 31 a 54 3.2.2 Gráfico de Controle u Um item não-conforme é uma unidade do produto que não satisfaz uma ou mais das es- pecificações para aquele produto. Cada ponto particular em que uma especificação não é satisfeita, resulta em um defeito ou não-conformidade. Consequentemente, um item não-conforme conterá pelo menos uma não-conformidade. No entanto, dependendo de sua natureza e gravidade, é bem possível que um item contenha várias não-conformidades e não seja classificado como não-conforme. Como exemplo, suponha que estamos fabri- cando microcomputadores. Cada unidade poderia ter uma ou mais falhas no acabamento do gabinete, mas como essas falhas não afetam a operação funcional da unidade, essa unidade poderia ser classificada como conforme. No entanto, se há muitas dessas falhas, o computador seria classificado como não-conforme, uma vez que as falhas seriam muito visíveis para o comprador, o que dificultaria sua venda. Há várias situações práticas nas quais preferimos trabalhar diretamente com o número de defeitos ou não-conformidades do que com a fração não-conforme. Por exemplo: • Na fabricação de produtos como geladeiras e automóveis, que são constituídos por uma série de equipamentos (componentes), sendo normal que alguns deles apresentem um ou outro componente danificado ou mesmo faltante; • Nos processos contínuos como de produção de tecidos em que, digamos, ocorram um ou mais pequenos defeitos em um rolo de 100 metros de tecido, tais defeitos não o inutilizam, mas a frequência média de ocorrência de defeitos é uma medida de qualidade; • Na produção de tubulações com 100 metros para oleoduto, quando o interesse é analisar o número de soldas defeituosas; • Na fabricação de asas de aviões, quando se quer analisar o número de rebites que- brados; etc. Se o processo estiver sob controle, é de se esperar que as não-conformidades ocorram de maneira aleatória e com baixa frequência. 16 Seja yi o número total de defeitos no processo de inspeção, numa amostra de tamanho n de um certo produto e λ o número médio de defeitos por unidade inspecionada neste processo, i = 1, 2, . . .m. Considere que yi segue (aproximadamente) uma distribuição de Poisson de média igual a nλ. Sendo λ conhecido, o processo pode ser monitorado considerando ui = yi/n, i = 1, 2, ...,m o número médio de defeitos por unidade de inspeção na amostra. Desta forma, os limites de controle da carta u são obtidos por LIC = µu − 3σu = λ− 3 √ λ n , LC = µu = λ e LSC = µu + 3σu = λ+ 3 √ λ n . (9) Se λ é desconhecido, podemos estimá-lo por u o número médio de não-conformidades por unidade de inspeção em uma amostra de n itens. Assim, os limites de controle do Gráfico u para λ desconhecido são dados por LIC = µˆu−3σˆu = u−3 √ u n , LC = µˆu = u e LSC = µˆu+ 3σˆu = u+ 3 √ u n , (10) em que u = 1 m m∑ i=1 ui = 1 m m∑ i=1 yi n = 1 mn m∑ i=1 yi. Exemplo 7. Um fabricante de microcomputadores deseja estabelecer um gráfico de controle para não-conformidades por unidade na linha de montagem final. O tamanho da amostra é escolhido como 5 computadores. A Tabela 5 mostra dados sobre o número de não-conformidades em 20 amostras de 5 computadores cada. Tabela 5: Dados sobre o número de defeitos em computadores pessoais. Amostra yi ui Amostra yi ui 1 10 2,0 11 9 1,8 2 12 2,4 12 5 1,0 3 8 1,6 13 7 1,4 4 14 2,8 14 11 2,2 5 10 2,0 15 12 2,4 6 16 3,2 16 6 1,2 7 11 2,2 17 8 1,6 8 7 1,4 18 10 2,0 9 10 2,0 19 7 1,4 10 15 3,0 20 5 1,0 Total 113 22,6 20 80 16 Por esses dados, estimamos o número médio de não-conformidades por unidade como u = 20∑ i=1 ui 20 = 38, 6 20 = 1, 93. 17 Portanto, os limites de controle do gráfico u são dados pela expressão (10) LIC = 1, 93− 3 √ 1, 93 5 = 0, 07 e LSC = 1, 93 + 3 √ 1, 93 5 = 3, 79. O gráfico de controle u para estes dados está representado na Figura 8. Figura 8: Gráfico u para o número de não-conformidades por computador produzido Exemplo 8. O gerente de uma linha de montagem de placas de circuitos quer contro- lar estatisticamente seu processo, usando como característica de qualidade o número de componentes montados erroneamente. Definiu-se a unidade de inspeção como consis- tindo de 5 placas. A tabela a seguir fornece o número de não conformidades encontradas nas 20 primeiras amostras: Tabela 6: Dados sobre o número de componentes montados erroneamente nas placas de circuito. Exemplo 8. Amostra yi Amostra yi 1 1 11 0 2 2 12 2 3 0 13 0 4 3 14 2 5 1 15 1 6 1 16 1 7 5 17 2 8 1 18 3 9 0 19 0 10 3 20 2 Encontre os limites de controle para o número médio de não conformidades por item. 18 3.2.3 Tamanho de Amostra Variável Em algumas aplicações do gráfico de controle tanto para a fração não-conforme como para o número de não-conformidades por item, a amostra pode ter tamanhos diferentes. Uma das abordagens para tratar este problema é considerar um gráfico de controle padronizado. Tal gráfico de controle tem linha central em zero e limite de controle superior e inferior em +3 e −3, respectivamente. Para o gráfico da fração não-conforme, a variável plotada é Zi = pˆi − p√ p(1−p) ni , i = 1, 2, ...,m, (11) onde ni é o tamanho do i-ésimo subgrupo e p (ou p, se não for dado qualquer padrão) é a fração não-conforme do processo sob controle. Quando não for dado nenhum padrão para a fração não-conforme, esta pode ser estimada através de p = m∑ i=1 Di m∑ i=1 ni , i =1, 2, ...,m, onde Di é o número de unidades não conformes da i-ésima amostra de tamanho ni. Para o gráfico do número de não-conformidades por item (u), a variável plotada é Zi = ui − u√ u ni , (12) sendo u = m∑ i=1 yi m∑ i=1 ni , em que ni é o tamanho da i-ésima amostra e yi é o número total de defeitos na i-ésima amostra de tamanho ni, para i = 1, 2, ...,m. Exemplo 9. Em uma fábrica de acabamento de tecido, pano tingido é inspecionado procurando-se a ocorrência de defeitos por 50 metros quadrados. Os dados relativos a dez rolos de tecido são exibidos na Tabela 7. Usaremos estes dados para estabelecer um gráfico de controle para não-conformidades por unidade. Para estes dados temos u = 153 107, 5 = 1, 42. O gráfico de controle para a variável padronizada está representado na Figura 9. 19 Tabela 7: Ocorrência de não-conformidades em tecido tingido Amostra Número de m 2 yi ni ui zi 1 500 14 10,0 1,40 2 400 12 8,0 1,50 3 650 20 13,0 1,54 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 1,84 153 107,5 Figura 9: Gráfico para o número padronizado de não-conformidades por m 2 de tecido 4 Análise de Desempenho dos Gráficos de Controle Os gráficos de controle podem ser comparados com os testes de hipóteses, sendo que no caso dos gráficos de controle, estamos realizando vários testes simultaneamente. Assim, como podemos cometer erros nos testes de hipóteses, também estamos sujeitos a cometê- los quando usamos gráficos de controle. Um dos erros mais comuns é o alarme falso, ou seja, considerar o processo fora de controle quando, na verdade, o processo está sob controle. Este erro é semelhante ao erro tipo-I do teste de hipótese. Assim, uma das formas de analisar o desempenho de um gráfico de controle é através da probabilidade de um gráfico emitir um alarme falso. Uma outra forma de analisar o desempenho de um gráfico de controle é através da avaliação da sua habilidade em detectar mudanças nos parâmetros do processo. Esta habilidade é descrita pelas suas curvas características de operação (CO). Existem ainda outras maneiras de verificar a eficácia de um gráfico de controle como, por exemplo, através do cálculo de alguns índices de capacidade do processo, cuja interpre- tação deve ser bastante cautelosa. 20 4.1 Especificações Nesse momento é importante discutir os conceitos de limites de controle e limites de es- pecificação, a fim de evitar confusões futuras. Os limites de controle são estabelecidos em função da média e do desvio padrão do processo, e são calculados para as médias dos subgrupos. Por outro lado, especificações são tolerâncias permitidas em cada produto e, portanto, são definidas para valores individuais e são estabelecidas pela engenharia de pro- duto, em função das necessidades do projeto. As especificações são definidas independente de outras características do processo, enquanto que os limites de controle, a distribuição das médias, a variabilidade do processo e a distribuição dos valores individuais são dependentes. O estabelecimento das especificações é feito pela engenharia do produto, independen- temente da variabilidade do processo. Assim, existem três situações que podem ocorrer quando se comparam as especificações do produto com a variabilidade do processo: caso I - quando a variabilidade do processo é menor que a diferença entre as especificações; caso II - quando a variabilidade do processo é igual à diferença entre as epecificações; e caso III - quando a variabilidade do processo é maior que a diferença entre as especificações. • Caso I (6σ < LSE − LIE): Esta situação, onde a variabilidade do processo é menor do que a diferença entre as especificações, é a mais desejada. Uma vez que a diferença entre as especificações é apreciavelmente maior do que a variabilidade do processo, nenhuma dificuldade é encontrada na produção, mesmo quando ocorre algum deslocamento na média do processo ou algum aumento na sua dispersão. O caso I é mais vantajoso do ponto de vista econômico, uma vez que, mesmo quando o processo sai de controle, não ocorre produção de itens defeituosos. Outra vantagem desta situação é que não são necessários ajustes frequentes e busca de causas especiais de variação no processo. Esta situação permite que a utilização de gráficos de controle seja descontinuada ou a frequência de inspeção diminuída. • Caso II (6σ = LSE −LIE): Neste caso, quando ocorre um deslocamento na média do processo ou um aumento na sua dispersão, valores individuais ficarão fora das especificações, acarretando retrabalho ou refugo de itens produzidos. Por outro lado, se o processo for mantido sob controle, não haverá produção de itens defeituosos. Esta é a situação em que os gráficos de controle devem ser continuamente aplicados, de forma que as causas especiais de variação possam ser imediatamente identificadas e eliminadas do processo. • Caso III (6σ > LSE − LIE): Quando a variabilidade do processo é maior do que a diferença entre as epecificações, ocorre uma situação indesejada. Nesta situação, mesmo com o processo sob controle, alguns valores individuais ficarão fora das espe- cificações, acarretando retrabalho ou refugo de itens produzidos. Em outras palavras, o processo não é capaz de produzir conforme as especificações. Uma solução para este caso é alterar as especificações, tornando-as compatíveis com a variabilidade do processo. A segunda solução é manter as especificações e realizar inspeção 100% nos itens produzidos, para separar aqueles fora das especificações. A terceira solução é atuar no processo de forma a reduzir a sua dispersão, através de mudança no mate- rial, treinamento do operador ou aperfeiçoamento da máquina. Uma outra solução 21 é deslocar a média do processo, de forma que todos os itens fora das especificações possam ser retrabalhados. 4.2 Capacidade do processo A verdadeira capacidade do processo só deve ser determinada após o mesmo ter sido otimizado e estabilizado. A capacidade do processo é a sua própria variabilidade, depois que este foi otimizado e está sob controle. Esta otimização, aqui referida, é aquela realizada sem investimentos significativos. A fórmula mais conhecida para a capacidade básica do processo é: Capacidade básica do processo = 6σ, onde σ é o desvio padrão do processo otimizado e estável (sob controle). A melhor forma de se verificar a adequação de um processo às necessidades da enge- nharia de produto é através do estudo de capacidade do processo ou da relação entre a capacidade básica do processo e a diferença entre os limites de especificação (tolerância do produto). Esta relação, também conhecida como índice de capacidade ou razão de capacidade, é dada pela expressão (13): Cp = LSE − LIE 6σ . (13) Observação: Note que a extensão 6σ do processo é a definição básica da capacidade do processo, e como σ em geral é desconhecido, temos que estimá-lo. Por exemplo, no caso do gráfico X podemos usar como estimativa para σ a quantidade σˆ = R/d2, daí podemos obter uma estimativa Cˆp de Cp. A análise do índice de capacidade é muito útil na tomada de decisões sobre a adequação do processo às especificações. Uma regra prática para esta análise é descrita a seguir: • Processo Vermelho: (Cp < 1) A capacidade do processo é inadequada à tolerân- cia exigida. Nesta situação, o ideal é realizar o trabalho com outro processo mais adequado às especificações. Não sendo possível mudar o processo, deve-se tentar diminuir a sua variabilidade. Por último, resta a possibilidade de se alterar as especi- ficações do produto. • Processo Amarelo: (1 ≤ Cp ≤ 1, 33) a capacidade do processo está em torno da diferença entre as especificações. O tratamento deve ser semelhanteàquele dado ao processo vermelho. Neste caso, gráficos de controle são muito úteis para manter o processo sob controle e evitar a produção de itens fora das especificações. • Processo Verde: (Cp > 1, 33) A capacidade do processo é adequada à tolerância exi- gida. Se a capacidade do processo está entre três quartos e dois terços da tolerância, é aconselhável coletar amostras periódicas para acompanhamento do processo. Se a capacidade do processo é menor do que a metade da tolerância, não é preciso tomar maiores cuidados com o processo, a menos que se queira reduzir a tolerância para aumentar a qualidade do produto. 22 Exemplo 10. Anéis de pistão para motores de automóveis são produzidos por um processo de forja. Vinte e cinco amostras de tamanho 5 foram selecionadas neste processo, obtendo-se 25∑ i=1 xi = 1850, 28 e 25∑ i=1 Ri = 0, 581. Sabendo-se que os limites de especificação para os anéis de pistão são 74, 000± 0, 05 mm, estime a capacidade do processo (Cp). Solução: Temos que R = 0,581 25 = 0, 023 ⇒ σˆ = R d2 = 0,023 2,326 = 0, 0099. Daí, Cˆp = LSE−LIE 6σˆ = 74,05−73,95 6(0,0099) = 0,10 0,0594 = 1, 68 > 1, 33. Isto significa que os limites de tolerância naturais estão dentro dos limites de es- pecificação. Consequentemente, um número relativamente baixo de anéis de pistão não-conformes será produzido. O índice Cp pode ser interpretado da seguinte forma: a quantidade P = 1 Cp × 100% representa a porcentagem da faixa de especificação usada pelo sistema. Para o processo de produção de anéis de pistão, uma estimativa de P é Pˆ = 1 1, 68 × 100% = 59, 5%. Isto é, o processo usa aproximadamente 60% da faixa de especificação. A fórmula do índice de Capacidade (expressão (13)), considera que o processo está sempre centrado na média. Na prática, entretanto, isto nem sempre ocorre, e a utilização da fórmula anterior pode conduzir a conclusões erradas. Para levar em conta a possibilidade de o processo não estar centrado na média, Kane (1986) propôs a utilização do índice de Performance, Cpk, cuja fórmula é: Cpk = min { µ− LIE 3σ , LSE − µ 3σ } . (14) Exemplo 11. Uma máquina de embalar açúcar produz pacotes cujo peso segue uma distribuição normal com média de 1010 gramas e desvio padrão de 6 gramas. Sendo a especificação para o peso 1020 ± 20 gramas, calcule o índice de capacidade e o índice de performance deste processo e compare-os. Solução: Cp = LSE−LIE 6σ = 1040−1000 36 = 40 36 = 1, 11. Cpk = min { µ−LIE 3σ , LSE−µ 3σ } = min { 1010−1000 18 , 1040−1010 18 } = 0, 55. Este resultado ilustra o fato de que quando o processo não está centrado na média das especificações, o índice de performance difere do índice de capacidade do processo. 23 4.3 Probabilidade de Alarme Falso Toda vez que um ponto está fora dos limites de controle, emite-se um sinal informando que algo está errado no processo. Porém o simples fato de um ponto estar fora dos limites de controle não quer dizer necessariamente que o processo está fora de controle. Quando acontece de um ponto estar fora dos limites de controle estando o processo sob controle, nós dizemos que ocorreu um alarme falso. Em geral, para os gráficos 3-sigma, espera-se que a probabilidade de ocorrer um alarme falso, seja de 0,27%. O problema é que na construção dos gráficos de controle, utilizamos fortemente o fato de os dados seguirem distribuição normal, o que nem sempre é verdade. Desta forma, teoricamente, a probabilidade de alarme falso seria 0,27%; mas se a distribuição verdadeira dos dados não for normal, este valor pode estar bastante fora da realidade. Portanto, espera-se que um gráfico de controle 3-sigma tenha probabilidade de alarme falso em torno do valor nominal 0,27%. Se a probabilidade de alarme falso estiver muito abaixo do valor nominal, isto quer dizer que o gráfico tende a aceitar que o processo está sob controle mais do que deveria. Se esta probabilidade é muito elevada, então o gráfico tende a ser muito restritivo, no sentido de rejeitar mais do que deveria. Note que tanto uma situação como a outra não são interessantes, o ideal é que o valor da probabilidade de alarme falso esteja em torno do valor nominal 0,27%. 4.4 Tamanho da Amostra e Frequência de Amostragem No planejamento de um gráfico de controle, devemos especificar tanto o tamanho da amostra a ser usada, quanto a frequência de amostragem. Em geral, amostras maiores tornarão mais fácil detectar pequenas mudanças no processo. Uma maneira de avaliar as decisões relativas ao tamanho da amostra e frequência de amostragem é através do comprimento médio da sequência (CMS) do gráfico de controle. Essencialmente, o CMS é o número médio de pontos que devem ser marcados antes que um ponto indique uma condição de fora de controle. Supondo que as observações no processo são não- correlacionadas, o CMS pode ser calculado facilmente por CMS = 1 p , (15) onde p é a probabilidade de que qualquer ponto exceda os limites de controle. Para um processo sob controle, temos que o CMS, chamado aqui de CMS0, é dado por CMS0 = 1 α , onde α é a probabilidade de um ponto se situar abaixo de LIC ou acima de LSC. Em geral, se o processo está realmente sob controle, então é desejável um alto valor de CMS0. No caso do processo estar fora de controle, o CMS é denotado por CMS1, e temos que CMS1 = 1 1− β , em que β é a probabilidade de que a próxima amostra seja plotada entre LIC e LSC quando, na realidade, o processo se encontra fora de controle. Daí, (1−β) é a probabilidade 24 de que uma mudança no processo seja detectada na primeira amostra após a ocorrência da mudança. Isto é, o processo mudou e um ponto excede LSC ou é inferior a LIC, sinalizando que o processo está fora de controle. Assim, o CMS1 é o número esperado de amostras observadas antes que seja detectada uma mudança no processo. Exemplo 12. Para o gráfico X com os limites 3-sigma, p = 0, 0027 é a probabilidade de que um único ponto caia fora dos limites, quando o processo está sob controle. Portanto, o comprimento médio da sequência do gráfico X, quando o processo está sob controle (chamado CMS0) é CMS0 = 1 α = 1 0, 0027 = 370. Isto é, mesmo que o processo permaneça sob controle, um sinal de fora de controle, será emitido a cada 370 amostras, em média. Ocasionalmente, é conveniente expressar o desempenho do gráfico de controle em termos de seu tempo médio para alerta (TMA). Se as amostras são tomadas a intervalos fixos de tempo de h horas, então TMA = CMSh. (16) Exemplo 13. Estamos usando um gráfico de controle X para monitorar o diâmetro médio dos anéis de pistão de um motor, que sob controle é igual a 74 mm (σ = 0, 01 mm), cujos limites de controle 3-sigma são dados por LIC = 73, 9865 e LSC = 74, 0135. Suponha que estejamos usando uma amostra de tamanho 5 e que, quando o processo sai de controle, a média mude para 74,015 mm. Neste caso, a probabilidade de X estar dentro dos limites de controle é de 0,367 (exercício). Assim, p na expressão (15) é igual a 0,633, e o CMS fora de controle (chamado CMS1) é dado por CMS1 = 1 1− β = 1 0, 633 = 1, 58 ' 2. Isto é, o gráfico de controle exigirá, em média, duas amostras para detectar a mudança no processo. Se utilizarmos um intervalo de uma hora entre as amostras, o tempo médio exigido para detectar essa mudança é TMA = CMS1h = 2(1) = 2 horas. Suponha que isso seja inaceitável, porque a produção de anéis de pistão com diâmetro médio de 74,015 mm resulta em um custo excessivo de sucata e retarda a montagem fi- nal do motor. Como poderíamos reduzir o tempo necessário para detectar uma condição fora de controle? Um método é extrair amostras mais frequentemente. Por exemplo, se a cada meia hora extraímosuma amostra, então o tempo médio de sinalização para esse esquema é TMA = CMS1h = 2(0, 5) = 1 hora. Isto é, apenas 1 hora se passará entre a mudança e sua detecção. A segunda possibili- dade é aumentar o tamanho da amostra. Por exemplo, se aumentarmos para 10 itens cada amostra, então a probabilidade p = 0, 68082 (exercício) e da expressão (15) temos CMS1 = 1 0, 68082 = 1, 47 ' 2. 25 e, se extraírmos amostras a cada hora, o tempo médio para alerta será TMA = CMS1h = 2(1) = 2 horas. Assim, aumentar o tamanho da amostra não necessariamente permitirá a detecção da mudança mais rápido. 4.5 A Função Característica de Operação A curva característica de operação serve para medir a capacidade de um gráfico de controle em detectar mudanças nos parâmetros (do processo) que estão sendo monitorados, em função do tamanho da amostra. Vamos considerar alguns gráficos de controle e para cada um deles iremos construir sua curva de operação (CO). 4.5.1 Gráfico X Considere a curva CO para um gráfico X com desvio padrão σ conhecido e constante. Se a média se desloca do valor sob controle � digamos, µ0 � para um outro valor µ1 = µ0 + kσ, a probabilidade de não se detectar esse deslocamento na primeira amostra subsequente ou risco β é β = P { LIC ≤ X ≤ LSC|µ 6= µ0 } = P { LIC ≤ X ≤ LSC|µ = µ1 = µ0 + kσ } . Como X ∼ N(µ;σ2/n) e os limites de controle superior e inferior são LSC = µ0 + Lσ/ √ n e LIC = µ0 − Lσ/ √ n, podemos escrever a expressão anterior como β = P [ LIC − µ1 σ/ √ n ≤ Z ≤ LSC − µ1 σ/ √ n ] = P [ µ0 − Lσ/ √ n− (µ0 + kσ) σ/ √ n ≤ Z ≤ µ0 + Lσ/ √ n− (µ0 + kσ) σ/ √ n ] = P [ σ/ √ n(−L− k√n) σ/ √ n ≤ Z ≤ σ/ √ n(L− k√n) σ/ √ n ] = P [−L− k√n ≤ Z ≤ L− k√n] . = Φ[L− k√n]− Φ[−L− k√n], onde Φ denota a distribuição acumulada da normal padrão. Desta forma, temos que β = P [−L− k√n ≤ Z ≤ L− k√n] . (17) 26 Exemplo 14. Para ilustrar o uso da expressão (17), suponha que estamos usando o gráfico X com L = 3 (os limites 3-sigma usuais), tamanho amostral n = 5 e que queremos determinar a probabilidade de detectar um deslocamento para µ1 = µ0 + 2σ na primeira amostra depois do deslocamento. Então, da expressão (17) temos β = P [ −3− 2 √ 5 ≤ Z ≤ 3− 2 √ 5 ] = P [−7, 47 ≤ Z ≤ −1, 47] ∼= 0, 07078. Este é o risco β, ou a probabilidade de não se detectar tal deslocamento. A proba- bilidade de esse deslocamento ser detectado na primeira amostra subsequente é 1− β = 1− 0, 0708 = 0, 92922. A quantidade Pd = 1 − β é chamada de poder do teste, e representa o poder de um alarme verdadeiro. Portanto, o número médio de amostras até um alarme verdadeiro é dado pela expressão 1 Pd = 1 1− β . Para analisar o desempenho dos gráficos, queremos verificar quão eficientes eles são em detectar mudanças nos parâmetros. Temos que β é a probabilidade de não detectar as mudanças; então, (1 − β) é a probabilidade de que tais mudanças sejam detectadas. Portanto, o ideal é que tenhamos valores pequenos para β, o que resulta em valores maiores de Pd = 1− β. Para construir a curva CO para o gráfico X, devemos plotar o risco β versus a mag- nitude do deslocamento que queremos detectar, expressa em unidades de desvio padrão, para vários tamanhos de amostra n. A curva CO está ilustrada na Figura 10 para o caso dos limites 3-sigma (L = 3). Esta figura indica que para tamanhos típicos de amostra de quatro, cinco ou seis, o gráfico X não é particulamente eficiente para detectar pequenos deslocamentos � digamos, da ordem de 1, 5σ ou menos � na primeira amostra depois do deslocamento. Por exemplo, se o deslocamento é de 1, 0σ e n = 5, temos que β = P [−L− k√n ≤ Z ≤ L− k√n] = P [ −3− 1 √ 5 ≤ Z ≤ 3− 1 √ 5 ] = P [−5, 24 ≤ Z ≤ 0, 76] = 0, 5 + 0, 27637 = 0, 77637. Este valor pode ser confirmado na Figura 10. Além disso, a probabilidade de se detectar o deslocamento na primeira amostra é de apenas 1 − β = 0, 22363. Entretanto, a probabilidade de que o deslocamento seja detectado na segunda amostra é β(1 − β) = 0, 77637(0, 22363) = 0, 17362. Enquanto a probabilidade de detecção na terceira amostra é β2(1−β) = (0, 77637)2(0, 22363) = 0, 13479. Assim, a probabilidade que um determinado deslocamento seja detectado na r-ésima amostra é simplesmente 1−β vezes a probabilidade de não detectá-lo em cada uma das r − 1 amostras iniciais, ou (1− β)βr−1. 27 Figura 10: Curvas características de operação para o gráfico x com limites 3-sigma Em geral o número esperado de amostras necessárias para se detectar um deslocamento é simplesmente o comprimento médio da sequência ou CMS = ∞∑ r=1 rβr−1(1− β) = 1 1− β . Assim, no nosso exemplo, temos que CMS = 1 0, 22363 = 4, 47 ' 5. Em outras palavras, o número esperado de amostras necessárias para detectar um deslo- camento de 1σ com n = 5 é de 4 amostras. Esta discussão fornece um argumento que suporta o uso de pequenas amostras no gráfico X. Ainda que pequenos tamanhos de amos- tra resultem em valores relativamente grandes do risco β, como as amostras são coletadas e testadas periodicamente, há uma chance muito boa de que o deslocamento seja detectado rapidamente, embora, talvez, não na primeira amostra subsequente ao deslocamento. 4.5.2 Gráfico p A função característica de operação (CO) do gráfico de controle para a fração não-conforme (p) é uma visualização gráfica da probabilidade de aceitação incorreta da hipótese de con- trole estatístico (i. é, um erro tipo-II ou β) versus a fração não-conforme do processo. A curva CO fornece uma medida da sensitividade do gráfico de controle � isto é, sua capa- cidade de detectar mudança na fração não-conforme do processo, do valor nominal p para 28 qualquer outro valor p. A probabilidade do erro tipo-II para o gráfico de controle para a fração não-conforme pode ser calculada por β = P [LIC ≤ pˆ ≤ LSC|p = p1] = P [ LIC ≤ D n ≤ LSC|p = p1 ] = P [nLIC ≤ D ≤ nLSC|p = p1] , em que D é o número de unidades não conformes dentre as n selecionadas, ou seja, D é uma variável aleatória binomial com parâmetros n e p. Dependendo dos valores de nLIC e nLSC, o cálculo acima pode se tornar trabalhoso. Uma alternativa é usar a aproximação da distribuição binomial pela distribuição normal, resultado do Teorema Central do Limite: β = P [LIC ≤ pˆ ≤ LSC|p = p1] ' P LIC − p1√ p1(1−p1) n ≤ Z ≤ LSC − p1√ p1(1−p1) n . Exemplo 15. A curva CO para um gráfico de controle para a fração não-conforme com parâmetros n = 50, LIC = 0, 0303 e LSC = 0, 3697 é dada por β = P{(50)(0, 0303) ≤ D ≤ (50)(0, 3697)|p = p1} = P{1, 515 ≤ D ≤ 18, 485|p = p1} = P{2 ≤ D ≤ 18|p = p1} = P (D = 2|p = p1) + P (D = 3|p = p1) + · · ·+ P (D = 18|p = p1) = ( 50 2 ) p21(1− p1)48 + ( 50 3 ) p31(1− p1)47 + · · ·+ ( 50 18 ) p181 (1− p1)32 ou β = P [0, 0303 ≤ pˆ ≤ 0, 3697|p = p1] ' P 0, 0303− p1√ p1(1−p1) 50 ≤ Z ≤ 0, 3697− p1√ p1(1−p1) 50 . A Figura 11 esboça a curva CO obtida pela expressão acima. Para p1 = 0, 1, por exemplo, temos que β ' P 0, 0303− 0, 1√ 0,1(1−0,1) 50 ≤ Z ≤ 0, 3697− 0, 1√ 0,1(1−0,1) 50 29 = P [−1, 64 ≤ Z ≤ 6, 36] = 0, 44950 + 0, 5 = 0, 9495. Por outro lado, se p1 = 0, 35, por exemplo, temos que β ' P 0, 0303− 0, 35√ 0,35(1−0,35) 50 ≤ Z ≤ 0, 3697− 0, 35√ 0,35(1−0,35) 50 = P [−4, 74 ≤ Z ≤ 0, 29] = 0, 5 + 0, 11409 = 0, 61409. Figura 11: Curva CO para o gráfico p com LIC = 0, 0303 e LSC = 0, 3697 Podemos também calcular os comprimentos médios de sequências (CMS) para o gráfico de controle para a fração não-conforme. Assim, se o processo está sob controle, o CMS0 é CMS0 = 1 α e se está fora de controle, então CMS1 = 1 1− β . Estas probabilidades (α, β) podem ser calculdas diretamente da distribuição binomialou lidas na curva CO. 30 4.5.3 Gráficos de controle c e u As curvas características de operação (CO), tanto para o gráfico c quanto para o gráfico u podem ser obtidas da distribuição de Poisson. Para o gráfico c, a curva CO plota a probabilidade β de um erro tipo-II versus o verdadeiro número médio de defeitos por unidade, c. A expressão para β é β = P{LIC ≤ Y ≤ LSC|c = c1}, (18) onde Y é o número médio de defeitos por unidade, ou seja, Y é uma variável aleatória de Poisson com parâmetro c. Exemplo 16. Suponha que em um procedimento de qualidade para o numero de de- feitos obtemos os limites LIC = 6, 48, LC = 19, 85 e LSC = 33, 22. Substituindo esses valores na expressão (18), obtemos β = P{6, 48 ≤ Y ≤ 33, 22|c = c1}. Como o número de não-conformidades deve ser inteiro, isso é equivalente a β ' P{7 ≤ Y ≤ 33|c = c1} = P (Y = 7|c = c1) + P (Y = 8|c = c1) + · · ·+ P (Y = 33|c = c1) = e−c1c71 7! + e−c1c81 8! + · · ·+ e −c1c331 33! . A curva CO para esses dados está plotada na Figura 12. Para o gráfico u, podemos gerar a curva CO a partir de β = P [ LIC ≤ Y n ≤ LSC|u = u1 ] (19) = P [nLIC ≤ Y ≤ nLSC|u = u1] = [nLSC]∑ x=〈nLIC〉 e−nu1(nu1)y y! , onde 〈nLIC〉 denota o menor inteiro maior do que ou igual a nLIC e [nLSC] denota o maior inteiro menor do que ou igual a nLSC. Os limites na expressão (19) decorrem do fato de que o número total de não-conformidades observadas em uma amostra de n unidades de inspeção deve ser um inteiro. Note que n não precisa ser necessariamente um inteiro. 31 Figura 12: Curva CO para o gráfico c com LIC = 6, 48 e LSC = 33, 22 32 Lista de Exercícios 1. O gêiser Old Faithful vem sendo monitorado nos últimos 25 anos consecutivos. Em cada ano registram-se seis intervalos (em minutos) entre erupções, com os resultados constando na tabela a seguir. Ano Intervalo (min) 1 65 72 60 69 65 67 2 74 65 60 69 68 59 3 68 66 69 64 70 73 4 73 65 71 77 63 77 5 79 67 64 61 81 77 6 74 76 65 69 76 64 7 70 73 74 77 65 73 8 71 68 70 79 75 82 9 62 63 61 48 59 77 10 60 74 77 57 52 78 11 67 73 47 81 92 57 12 79 84 79 72 61 80 13 83 78 83 74 61 68 14 57 68 72 75 56 79 15 59 76 78 86 64 72 16 63 63 71 77 81 65 17 67 84 72 75 70 70 18 93 83 85 79 90 74 19 81 74 80 65 70 84 20 83 67 71 67 97 88 21 62 61 57 86 70 77 22 67 75 67 89 93 81 23 86 65 70 74 83 74 24 74 67 99 75 41 83 25 97 93 73 81 85 90 a) Construa um gráfico X para o intervalo médio entre erupções usando a amplitude amostral na estimação da variância de X e determine se a média do processo está sob controle. Como uma média fora de controle afetaria os turistas? Resp.: LIC = 61, 58; LC = 72, 48; LSC = 83, 38; Processo fora de controle (amostras 18 e 25). b) Construa um gráfico R e determine se a variação do processo está sob controle. Como uma variação fora de controle afetaria os turistas? Resp.: LIC = 0; LC = 22, 56; LSC = 45, 21; Processo fora de controle (amostra 24). c) Construa um gráfico S e verifique se o desvio padrão do processo está sob controle. Resp.: LIC = 0, 2565; LC = 8, 55; LSC = 16, 8435; Processo sob controle. d) Compare os limites de controle obtidos no item (a) com os limites obtidos a partir das expressões (6). Resp.: LIC = 61, 48; LC = 72, 48; LSC = 83, 48; Processo fora de controle (amostras 18 e 25). 33 2. Um gerente da linha de produção utiliza limites de controle de dois desvios-padrão, contrariando a sugestão do professor dele que sempre insiste em limites a três desvios- padrão da média. O gerente fica muito frustrado porque muitas vezes não encontra causas especiais correspondentes aos pontos fora dos limites de controle. O que está acontecendo? 3. Gráficos de controle x e S devem ser mantidos para as leituras de torque do rolamento usado na montagem do atuador de flap da asa. Amostras de tamanho n = 10 devem ser usadas e sabemos que quando o processo está sob controle, o torque do rolamento tem distribuição normal com média µ = 80 polegadas-libra e desvio padrão σ = 10 polegadas-libra. Ache a linha central e os limites de controle para esses gráficos de controle. Resp.: Gráfico X: LIC = 70, 513; LC = 80; LSC = 89, 49; Gráfico S: LIC = 2, 76; LC = 9, 727; LSC = 16, 69. 4. Amostras de 8 itens são retiradas de um processo de manufatura em intervalos re- gulares. Uma característica da qualidade é medida e valores de x e R são calculados para cada amostra. Depois de 50 amostras, obtemos m∑ i=1 xi = 200 e m∑ i=1 Ri = 250. Suponha que a característica da qualidade seja normalmente distribuída. Calcule os limites de controle para os gráficos de controle x e R. Resp.: Gráfico X: LIC = 2, 135; LC = 4; LSC = 5, 865; Gráfico S: LIC = 0, 68; LC = 5; LSC = 9, 32. 5. Um gráfico x com limites 3σ tem os seguintes parâmetros: LSC = 104, LC = 100, LIC = 96 e n = 5. Suponha que a característica da qualidade do processo sendo controlada seja normalmente distribuída com média verdadeira 98 e desvio padrão 8. Qual é a probabilidade de que o gráfico de controle exiba falta de controle exatamente no terceiro ponto plotado? Resp.: 0,1481. 6. Um gráfico x para uma característica normalmente distribuída deve ser construído com valores de referência µ = 100, σ = 8 e n = 4. Determine: a) Os limites de controle dois-sigma. Resp.: LIC = 92; LC = 100; LSC = 108. b) Os limites de probabilidade 0,005. Resp.: LIC = 88, 76; LC = 100; LSC = 111, 24. 7. Os dados que seguem dão o número de montagens não-conformes em amostras de tamanho 100. Construa um gráfico de controle para a fração não-conforme para esses dados. Se algum ponto for plotado fora de controle, suponha que causas atribuíveis possam ser encontradas e determine os limites de controle revisados. 34 Amostra Di Amostra Di 1 7 11 6 2 4 12 15 3 1 13 0 4 3 14 9 5 6 15 5 6 8 16 1 7 10 17 4 8 5 18 5 9 2 19 7 10 7 20 12 Resp.: LIC = 0; LC = 0, 585; LSC = 0, 1289; Retirando a 12a amostra: LIC = 0; LC = 0, 537; LSC = 0, 1213. 8. Os dados que seguem apresentam os resultados da inspeção de todas as unidades de computadores pessoais produzidas durante os últimos 10 dias. O processo parece estar sob controle? Dia Unidades inspecionadas Di pˆi 1 80 4 0,050 2 110 7 0,064 3 90 5 0,056 4 75 8 0,107 5 130 6 0,038 6 120 6 0,050 7 70 4 0,057 8 125 5 0,040 9 105 8 0,076 10 95 7 0,074 Resp.: Sim. 9. Uma companhia compra pequenas braçadeiras de metal em contêineres de 5000 cada. Dez contêineres chegaram para ser descarregados, e 250 braçadeiras foram selecio- nadas de cada um. As frações não-conformes em cada amostra são: 0; 0; 0; 0,004; 0,008; 0,020; 0,004; 0; 0 e 0,008. Os dados deste carregamento indicam controle estatístico? Resp.: LIC = 0; LC = 0, 0044; LSC = 0, 0170. 10. Um gráfico de controle para a fração não-conforme indica que a média corrente do processo é 0,03. O tamanho da amostra é constante, de 200 unidades. Encontre os limites 3-sigma para este gráfico de controle. Resp.: LIC = 0; LC = 0, 03; LSC = 0, 0662. 35 11. Um gráfico de controle para a fração não-conforme, com linha central 0,10, LSC = 0, 19 e LIC = 0, 01 é usado para controlar um processo. Se são usados limites 3-sigma, ache o tamanho comum da amostra de cada subgrupo para o gráfico de controle. Resp.: n = 100. 12. Um gráfico de controle para não-conformidades por unidade de inspeção usa limites de probabilidade de 0,95. A linha central está em λ = 1, 4. Determine os limites de controle se o tamanho da amostra é 10. Resp.: LIC = 0, 67; LC = 1, 4; LSC = 2, 13. 13. O número de não-conformidades de acabamento observado na inspeção final na mon- tagem de unidades de disco para computador foi tabulado como se mostra aqui. O processo parece está sob controle? Dia ni yi 1 2 10 2 4 30 3 2 184 1 10 5 3 20 6 4 24 7 2 15 8 4 26 9 3 21 10 1 8 Resp.: Sim. 14. A produção de computadores pessoais pode ser monitorada através de cartas de controle para atributos. O tamanho da amostra selecionada é de cinco computadores. Iremos considerar o número de não-conformidades por tamanho amostral. a) Com base nos dados, verifique se o processo está sob controle. Resp.: LIC = 0, 066; LC = 1, 93; LSC = 3, 794 (processo sob controle). b) Construa o gráfico de controle para o numero de não-conformidades por unidade de inspeção, supondo que o valor de referência é λ = 2, 5. Resp.: LIC = 0, 38; LC = 2, 5; LSC = 4, 62. 36 Amostra yi ui Amostra yi ui 1 10 2,0 11 9 1,8 2 12 2,4 12 5 1,0 3 8 1,6 13 7 1,4 4 14 2,8 14 11 2,2 5 10 2,0 15 12 2,4 6 16 3,2 16 6 1,2 7 11 2,2 17 8 1,6 8 7 1,4 18 10 2,0 9 10 2,0 19 7 1,4 10 15 3,0 20 5 1,0 Total 113 22,6 20 80 16 15. Um caso particular do gráfico u é quando inspecionamos apenas o número de não- conformidades em uma única unidade de inspeção. Este gráfico é conhecido como gráfico c onde c é o número médio de não-conformidades encontrado na unidade inspecionada. Suponha que defeitos ou não-conformidades ocorram nessa unidade de inspeção de acordo com a distribuição de Poisson de parâmetro c, ou seja P (X = x) = e−ccx x! , x = 0, 1, 2, ... a) Escreva como seriam os limites de controle 3-sigma para este gráfico supondo o valor c conhecido. Resp.: LIC = c− 3√c; LC = c; LSC = c+ 3√c. b) Reescreva os limites do item anterior supondo que o valor c é desconhecido. Resp.: LIC = c¯− 3√c¯; LC = c¯; LSC = c¯+ 3√c¯. 16. Um fabricante de automóveis deseja controlar o número de não-conformidades em uma área de submontagem que produz transmissões manuais. A unidade de inspeção é definida como quatro transmissões, e os dados para 16 amostras (cada uma de tamanho 4) são mostrados aqui. Amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 ci 1 3 2 1 0 2 1 5 2 1 0 2 1 1 2 3 a) Estabeleça um gráfico de controle para não-conformidades por unidade. Resp.: LIC = 0; LC = 1, 6875; LSC = 5, 5846. b) Esses dados provêm de um processo sob controle? Se não, suponha que causas atribuíveis possam ser encontradas para todos os pontos fora de controle, e calcule os novos limites de controle revisados. Resp.: Processo sob controle. 17. Ache os limites 3-sigma para a) Um gráfico c com média do processo igual a 4 não-conformidades. Resp.: LIC = 0; LC = 4; LSC = 10. b) Um gráfico u, com c = 4 e n = 4. Resp.: LIC = 0; LC = 1; LSC = 2, 5. 37 18. Deve-se estabelecer um gráfico de controle para não-conformidades junto com a inspeção final de um rádio. A unidade de inspeção deve ser um grupo de dez rádios. O número médio de não-conformidades tem sido, no passado, de 0,5 por rádio. Ache os limites de controle 3-sigma para um gráfico c com base nesse tamanho de unidade de inspeção. Resp.: LIC = 0; LC = 5; LSC = 11, 71. 19. A viscosidade do CMC (Carboxi-Metil-Celulose) para uso em fluidos de perfuração de poços tem especificação mínima de 150 cp. A análise da produção do CMC durante vários dias revelou que o processo é estatisticamente estável e que os valores individuais apresentam uma distribuição normal com média igual a 216 cp e desvio padrão 16,5 cp. Este processo é capaz de atender à especificação? 20. Considere o gráfico X para o Exemplo 13 do anel de pistão. Considere que o diâmetro do anel é normalmente distribuído e que o tamanho da amostra é igual a 5. a) Ache os limites de controle 2-sigma para esse gráfico. Resp.: LIC = 73, 9911; LC = 74; LSC = 74, 0089. b) Suponha que tenha sido sugerido o uso dos limites 2-sigma, em vez dos limtes típicos 3-sigma. Que efeito isso teria na ocorrência de alarmes falsos? Resp.: A probabilidade de alarme falso aumenta de 0,27% para 4,55%. c) Que efeito o uso dos limites 2-sigma teriam sobre o CMS0 e o CMS1 (µ = 74, 015)? Qual o tempo médio de detecção de mudança na média no processo, para cada caso, supondo que a cada meia hora será retirada uma amostra? Resp.: Usando limites 2-sigma: CMS0 = 21, 978; CMS1 = 1, 095; TMA0 ' 11 horas; TMA1 ' 33 minutos. Usando limites 3-sigma: CMS0 ' 370, 37; CMS1 = 1, 570. 21. Gráficos de conrtole x e R devem ser mantidos para controlar a força de resistência de uma peça metálica. Suponha que a força de resistência seja normalmente distribuída. Trinta amostras de tamanho 6 são coletadas durante um período com os seguintes resultados: m∑ i=1 xi = 6000 e m∑ i=1 Ri = 150. a) Calcule os limites para os gráficos x e R. Resp.: Gráfico x: LIC = 197, 585; LC = 200; LSC = 202, 415. Gráfico R: LIC = 0; LC = 5; LSC = 10, 02. b) Ambos os gráficos exibem controle. As especificações para a força de resistência são 200 ± 5. Quais são as suas conclusões sobre a capacidade do processo? Resp.: Cˆp = 0, 8447. c) Para os gráficos x e R acima, ache o risco β quando a verdadeira média do processo é 199. Resp.: 0,96799. 22. Um gráfico X é usado para controlar a média de uma carcterística da qualidade normalmente distribuída. Sabe-se que σ = 6, 0 e n = 4. Os limites de controle são LC = 200, LSC = 209 e LIC = 191. Se a média do processo se desloca para 188, 38 ache a probabilidade de que esse deslocamento seja detectado na primeira amostra subsequente. Resp.: 0,84134. 23. Gráficos de controle x e R com n = 4 são usados para monitorar uma característica da qualidade normalmente distribuída. Os parâmetros dos gráficos de controle são: Gráfico x Gráfico R LSC = 815 LSC = 46, 98 LC = 800 LC = 20, 59 LIC = 785 LIC = 0 Ambos os gráficos exibem controle. Qual é a probabilidade de um deslocamento na média do processo para 790 ser detectado na primeira amostra subsequente ao deslocamento? Resp.: 0,15866. 24. Um gráfico de controle para a fração não-conforme, com n = 400, tem os seguintes parâmetros: LIC = 0, 0191, LC = 0, 0500 e LSC = 0, 0809. a) Ache a largura dos limites de controle em unidades de desvio padrão. Resp.: L = 2, 8356 b) Quais seriam os limites correspondentes para um gráfico de controle equivalente com base no número de itens não-conformes? Resp.: LIC = 7, 64, LC = 20 e LSC = 32, 36. c) Qual é a probabilidade de uma mudança para 0,03 na fração não-conforme do processo ser detectada na primeira amostra após a mudança? Resp.: 0,10027. 25. Um gráfico de controle para a fração não-conforme deve ser estabelecido, com linha central de 0,01 e limites de controle 2-sigma. a) Qual deve ser o tamanho da amostra, se o limite inferior de controle deve ser não-nulo? Resp.: n ≥ 397. b) Qual a probabilidade de que uma mudança para 0,04 seja detectada na segunda amostra, considerando o tamanho de amostra mínimo obtido no item anterior? Resp.: 0,0207. c) Qual deve ser o tamanho da amostra, se desejamos que a probabilidade de detectar a mudança para 0,04 na primeira amostra subsequente seja de 0,50, no caso em que LIC = 0? Resp.: n = 44. 26. Deve-se construir um gráfico de controle para não-conformidades com c = 2, 0, LIC = 0 e LSC tal que a probabilidade de um ponto se localizar fora dos limites de controle, quando c = 2, é de apenas 0,005. Ache o LSC. Resp.: LSC=6. 27. Deve-se estabelecer um gráfico de controle para um processo que produz geladeiras. A unidade de inspeção é uma geladeira, e vai ser usado um gráfico comum para não-conformidades. Como dados preliminares, foram contadas 16 não-conformidades na inspeção de 30 geladeiras. 39 a) Quais são os limites de controle 3-sigma? Resp.: LIC = 0, LC = 0, 533 e LSC = 2, 7242. b) Qual é o risco α para esse gráfico de controle? Resp.: α = 0, 017. c) Qual é o risco β, se o número médio de defeitos é, realmente, dois (i. é, c = 2, 0)? Resp.: β = 0, 6767. d) Ache o comprimento médio da sequência se o número médio de defeitos é realmente dois. Resp.: CMS1 = 3, 093. 28. Um processo está sendomonitorado por um gráfico de controle para a fração não- conforme. A média apresentada no processo foi de 0,07. Os limites de controle 3-sigma são usados, e o procedimento exige que se tomem amostras diárias de 400 itens. a) Calcule os limites de controle superior e inferior. Resp.: LIC = 0, 0317, LC = 0, 07 e LSC = 0, 1083. b) Se a média do processo mudasse repentinamente para 0,10, qual a probabilidade de que a mudança fosse detectada na primeira amostra subsequente? Resp.: 0,29116. c) Qual é a probabilidade de que a mudança da parte (b) fosse detectada na primeira ou segunda amostra tomada após a mudança? Resp.: 0,49755. 29. No planejamento de um gráfico de controle para a fração não-conforme com linha central em p = 0, 20 e limites de controle 3-sigma, qual é o tamanho da amostra exigido para resultar em um limite inferior de controle positivo? Resp.: n ≥ 37. 40
Compartilhar