Baixe o app para aproveitar ainda mais
Prévia do material em texto
Controle Estatístico de Qualidade Capítulo 6 (montgomery) Gráficos de Controle para Atributos � Introdução – Muitas características da qualidade não podem ser representadas numericamente.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: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 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 especificaçãoesteja 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 – onde E(D) = np e Var(D) = np(1-p) .,,1,0,)1()( nxpp x n xDP xnx K=− == − 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) número de unidades não-conformes na amostra (D) e o tamanho da amostra (n) – Da aproximação da Binomial para Normal, temos que n Dp =ˆ − n pppNormalp )1(,~ˆ 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 é conhecida ou especificada. Logo, a linha central e os limites de controle do Gráfico p são definidos por – O desvio padrão do processo é dado por n pppLIC pLM n pppLSC )1(3 )1(3 − −= = − += n pp p )1( − =σ 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 (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 ; � Marcação de no gráfico; � Verificar se o processo se encontra sob controle (idêntico ao gráfico para variáveis). pˆ pˆ 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.cada uma de tamanho n. – Se há Di unidades não conformes na amostra i, calculamos a fração não conforme na i-ésima amostra como – e a média dessas frações como .,,1,ˆ mi n Dp ii K== m p nm D p m i i m i i ∑∑ == == 11 ˆ . Gráficos de Controle para Fração de Não-Conformes (Gráfico p) � Estimando a fração não conforme (p) – A estatística estima a fração não conforme desconhecida p p desconhecida p – Lembre que esses limites são, inicialmente, os limites tentativos de controle e devem ser validados (idêntico ao gráfico para variáveis). n pppLIC pLM n pppLSC )1(3 )1(3 − −= = − += 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 de encontrar ao menos 1 unidade defeituosa seja pelo menos γγγγ – Exemplo: suponha p = 0,01 e que P(D ≥ 1) ≥ 0,95. Usando a aproximação da Poisson para Binomial (λλλλ=np), ou seja, D agora será γ≥≥ )1(DP ! )( k ekDP kλλ− == Gráficos de Controle para Fração de Não-Conformes (Gráfico p) � Gráfico p: Cálculo do tamanho de amostra – Temos que 95,01)0(1)1( ≥−==−=≥ −λeDPDP – Lembrando que pela aproximação da Poisson para Binomial, λλλλ=np, então 95,01)0(1)1( ≥−==−=≥ −λeDPDP λλλ −≥⇒≥⇒≥− −− )05,0ln(05,095,01 ee 300 01,0 3 =⇒=⇒= nnnp λ 00,399,2)05,0ln( ≅≥⇒−≥ λλ 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 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 δδδδ na fração não conforme coincida com o limite de controle � Assim, n ppL )1( −=δ )1( 2 ppLn − = δ Gráficos de Controle para Fração de Não-Conformes (Gráfico p) � Gráfico p: Cálculo do tamanho de amostra – Abordagem 2 (Duncan – 1986) Exemplo:– Exemplo: � p = 0,01 � L = 3 � δδδδ = 0,04 (mudança de p0 = 0,01 p1 = 0,05) 56)01,01(01,0 04,0 3)1( 22 ≅− =− = ppLn δ 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)que LIC seja positivo (maior que zero) � Isso garante que iremos investigar um número mínimo de itens não conformes � Logo 0)1( >−−= n ppLpLIC 2)1( L p p n − > Gráficos de Controle para Fração de Não-Conformes (Gráfico p) � Gráfico p: Cálculo do tamanho de amostra – Abordagem 3 – Exemplo: � p = 0,05 � L = 3 171)3( 05,0 )05,01()1( 22 ≅−=−> L p p n 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;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 347∑D m i 2313,0)50)(30( 3471 === ∑ = mn D p i i 0524,0 50 )2313,01(2313,032313,0)1(3 2313,0 4102,0 50 )2313,01(2313,032313,0)1(3 = − −= − −= == = − += − += n pppLIC pLM n pppLSC Gráficos de Controle para Fração de Não-Conformes (Gráfico p) 0.5 0.4 UCL=0.4102 1 1 P Chart Novo Material Novo Operador Revisão dos Limites Tentativos Retirando os Pontos Fora de Controle 28252219161310741 0.3 0.2 0.1 0.0 Sample P r o p o r t i o n _ P=0.2313 LCL=0.0524 Gráficos de Controle para Fração de Não-Conformes (Gráfico p) 0.5 0.4 UCL=0.3893 1 1 1 P Chart Novo Material Novo Operador Na amostra 21 não foi identificada causa atribuível. Assim, o ponto será conservado e esses limites serão usados para monitorar o processo. 28252219161310741 0.3 0.2 0.1 0.0 Sample P r o p o r t i o n _ P=0.215 LCL=0.0407 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.gráfico de controle com tamanho de amostra variável. – Abordagem 1 • Essa abordagem leva um consideração o tamanho da amostra em cada subgrupo (ni). i i n pppLIC pLM n pppLSC )1(3 )1(3 − −= = − += ∑ ∑ = = = m i i m i i n D p 1 1 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 � Essa abordagem leva um consideração o tamanho médio das amostras ni � Pode ser interessante caso os futuros tamanhos de amostras não sejam muito diferentes n pppLIC n pppLSC )1(3 )1(3 − −= − += m n n m i i∑ = = 1 Gráficos de Controle para Fração de Não-Conformes (Gráfico p) � Tamanho de Amostra Variável – Abordagem 3 – Gráfico de Controle Padronizado � Neste gráfico, teremos� Neste gráfico, teremos – LSC = 3 – LM = 0 – LIC = -3 � A variável plotada no gráfico será � (ou p, caso seja dado um valor padrão) é a fração não- conforme do processo sob controle. i i i n pp ppZ )1( ˆ − − = p Gráficos de Controle para Fração de Não-Conformes (Gráfico p) � Tamanho de Amostra Amostra Variável – Exemplo Abordagem 1 Gráficos de Controle para Fração de Não-Conformes (Gráfico p) � Exemplo Abordagem 1 ∑ m D ii ii nn pppLIC pLM nn pppLSC )904,0(096,03096,0)1(3 096,0 )904,0(096,03096,0)1(3 −= − −= == += − += 096,0 2450 234 1 1 === ∑ ∑ = = m i i i i n D p Gráficos de Controle para Fração de Não-Conformes (Gráfico p) 0.2 P Chart 3.0SL=0.1885 Amostra 11 encontra-se acima do LSC Revisar os Limites Tentativos 2520151050 0.1 0.0 Sample Number P r o p o r t i o n P=0.09551 -3.0SL=0.002565 Gráficos de Controle para Fração de Não-Conformes (Gráfico p) � Exemplo Abordagem 3 i i i i i i n pZ n pp ppZ )904,0(096,0 096,0ˆ )1( ˆ − = = − − = Gráficos de Controle para Fração de Não-Conformes (Gráfico p) Gráfico de Controle Padronizado 2 3 4 Amostra 11 encontra-se acima do LSC -4 -3 -2 -1 0 1 2 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 Subgrupo E s c o r e Z 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.versus a fração não conforme do processo. – A probabilidade de erro tipo II é dada por – Como D ~ Binomial (n,p), β pode ser calculado a partir da distribuição binomial acumulada. )|()|( )|ˆ()|ˆ( )|ˆ( pnLICDPpnLSCDP pLICpPpLSCpP pLSCpLICP ≤−<= =≤−<= =<<= β β β Gráficos de Controle para Fração de Não Conformes (Gráfico p) � Função Característica de Operação – Exemplo � Considere um gráfico de controle para fração não � Considere um gráfico de controle para fração não conforme com LIC = 0.0303, LSC = 0.3697, e n=50 )|1()|18( )|52.1()|49.18( )|)0303.0)(50(()|)3697.0)(50(( pDPpDP pDPpDP pDPpDP ≤−≤= =≤−<= =≤−<= β β β 20.0=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 0.08940.01 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) 0.7 0.8 0.9 1.0 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 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 B e t a 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 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 defeitosdefeitos em uma uma – Considere que X = número de defeitosdefeitos em uma uma unidade de inspeçãounidade de inspeção, segue a distribuição Poisson com parâmetro “c” – Sabe-se que, E(X) = c e Var(X) = c K,2,1,0,! )( === − x x ce xXP xc 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 número de defeitos. Logo, a linha central e os limites(*) de controle do Gráfico c são definidos por – (*) 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. ccLIC cLM ccLSC 3 3 −= = += Gráficos de Controle para o Número de Defeitos (Gráfico c) � Desenvolvimento e Operação – O desvio padrão do processo é dado por =σ – Entretanto, normalmente o verdadeiro número de defeitos (c) não é conhecido e precisa ser estimado. Seja o número médio de defeitos observado em uma amostra preliminar de unidades de inspeção, temos que cc =σ c ccLIC cLM ccLSC 3 3 −= = += 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 defeitos observados em 26 amostras sucessivas de 100 placas de circuito impresso. (1 amostra = 1 unidade de inspeção) 85,19 26 516 ==c Gráficos de Controle para o Número de Defeitos (Gráfico c) � Exemplo – Assim, os limites de controles tentativos são dados porpor – O desvio padrão do processo pode ser estimado por 46,485,19ˆ === ccσ 48,685,19385,193 85,19 22,3385,19385,193 =−=−= == =+=+= ccLIC cLM ccLSC Gráficos de Controle para o Número de Defeitos (Gráfico c) 40 30 UCL=33.22 1 Temperatura Controle de C Chart 252219161310741 20 10 0 Sample S a m p l e C o u n t _ C=19.85 LCL=6.48 1 Erro de inspeção 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) 35 30 25 t UCL=32.97 C Chart (without samples 6 and 20) Novos Limites Tentativos Nenhum padrão não aleatório foi identificado 2321191715131197531 25 20 15 10 5 Sample S a m p l e C o u n t _ C=19.67 LCL=6.36 Gráficos de Controle para o Número de Defeitos (Gráfico c) 35 30 25 t UCL=32.97 C Chart (20 new samples) Processo continua sob controle. No entanto, o número de defeitos ainda é alto. Necessária ação da gerência para melhorar o processo. 43413937353331292725 25 20 15 10 5 Sample S a m p l e C o u n t _ C=19.67 LCL=6.36 Gráficos de Controle para o Número de Defeitos (Gráfico c) � Análise Adicional – Dados sobre defeitos são mais informativos que a fração não conforme.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 médiomédio de defeitos por unidade de por unidade de o número médiomédio de defeitos por unidade de por unidade de inspeçãoinspeção – Redefinindo � x = total de defeitos em uma amostra de n unidades de inspeção � Então, o número médio de defeitos por unidade de inspeção será n x u = Gráfico u – Note que u segue a distribuição Poisson. � X ~ Poisson (c), onde E(X) = c e Var(X) = c.� X ~ Poisson (c), onde E(X) = c e Var(X) = c. � Seja n uE n c nn c n xVar uVar n c n xE uE n x u )(1)()( )()( 22 ==== == = Gráfico u – O desvio padrão do processo é dado por uE )( =σ – No entanto, normalmente o verdadeiro número médio de defeitos por unidade “E(u)” não é conhecido e precisa ser estimado. Seja o número médio amostral de defeitos por unidade, temos que n uE u )( =σ u n u uLIC uLM n u uLSC 3 3 −= = += Gráfico u � Exemplo – Número de defeitos em 20 amostras de 5 Número da Tamanho da Não Conf. Amostra Amostra (n) por unidade 1 5 10 2,0 2 5 12 2,4 3 5 8 1,6 4 5 14 2,8 5 5 10 2,0 6 5 16 3,2 u 20 amostras de 5 computadores cada – Temos que 93,1 20 6,381 === ∑ = m u u m i i 7 5 11 2,2 8 5 7 1,4 9 5 10 2,0 10 5 15 3,0 11 5 9 1,8 12 5 5 1,0 13 5 7 1,4 14 5 11 2,2 15 5 12 2,4 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 93,1u – O desvio padrão do processo pode ser estimado por 62,0 5 93,1 ˆ === n u uσ 07,0 5 93,1393,13 93,1 79,3 5 93,1393,13 =−=+= == =+=+= n u uLIC uLM n u uLSC Gráfico u e r U n i t 4 3 UCL=3,794 U Chart Nenhum ponto fora dos limites de controle Nenhum padrão não aleatório foi identificado Sample S a m p l e C o u n t P e 2018161412108642 2 1 0 _ U=1,93 LCL=0,066 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 ∑ ∑ = = = m i i m i i n x u 1 1 i i i n x u = i i n u uLIC uLM n u uLSC 3 3 −= = += Gráfico u – Amostra variável � Exemplo – Número de defeitos a cada Número da Metros Não Conf. Nº unidades Amostra por unidade p/ 50m (n) 1 500 14 10,0 1,40 2 400 12 8,0 1,50 u defeitos a cada 50 metros 3 650 20 13,0 1,544 500 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 42,1 5,107 153 1 1 === ∑ ∑ = = m i i m i i n x u Gráfico u – Amostra variável � Exemplo – Assim, os limites de controles tentativos são dados por i ii nn u uLIC uLM nn u uLSC 42,1342,13 42,1 42,1342,13 −=+= == +=+= Gráfico u – Amostra Variável e r U n i t 3,0 2,5 2,0 UCL=2,436 U Chart (unequal sample sizes) Nenhum ponto fora dos limites de controle Nenhum padrão não aleatório foi identificado Sample S a m p l e C o u n t P e 10987654321 1,5 1,0 0,5 0,0 _ U=1,423 LCL=0,411 “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 curvas características de operação (CO) são obtidas da distribuição de Poisson. – CO: Gráfico c � Probabilidade β vs verdadeiro número médio de defeitos c � onde X ~ Poisson (c) )|()|( )|( cLICxPcLSCxP cLSCxLICP ≤−<= =<<= β β “Gráfico c” e “Gráfico u” � Função Característica de Operação – Exemplo � Considere o gráfico c com LIC = 6,48 e LSC = 33,22� Considere o gráficoc com LIC = 6,48 e LSC = 33,22 � Lembrando que esses limites de controle foram obtidos de um exemplo onde )|6()|33( )|48,6()|22,33( cxPcxP cxPcxP ≤−≤= =≤−<= β β 85,19=c “Gráfico c” e “Gráfico u” � Função Característica de Operação c P(X<=33) P(X<=6) Beta 1 1.0000 0.9999 0.00011 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) 0,7 0,8 0,9 1,0 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 1 3 5 7 10 15 25 33 35 40 c B e t a 85,19=c “Gráfico c” e “Gráfico u” � Função Característica de Operação – CO: Gráfico u � Para o gráfico u podemos gerar uma curva CO a partir de� Para o gráfico u podemos gerar uma curva CO a partir de � onde X ~ Poisson (nu), dado que u=x/n, e 〈nLIC〉 denota o menor inteiro maior ou igual que nLIC. [ ] ∑ = − =≤<= =<<= nLSC nLICx xnu x nue nunLSCxnLICP uLSCxLICP ! )()|( )|( β β 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.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 aa) 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 écorrente 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 doe 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.
Compartilhar