Baixe o app para aproveitar ainda mais
Prévia do material em texto
Controle Estatístico de Qualidade Capítulo 5 (montgomery) Gráficos de Controle para Variáveis � Relembrando – Dois objetivos do CEP: � Manter o processo operando em condição estável durante maior parte do tempo; � Reduzir a sua variabilidade – As Cartas de Controle (introduzidas por Shewhart na década de 20) são ferramentas para alcançar tais objetivos. – Além disso, o uso de cartas de controle facilita: � Reconhecer desvios em relação ao comportamento normal; � Identificação de oportunidades de melhoria; � Verificação da eficácia das ações tomadas com o intuito de corrigir esses desvios. Gráficos de Controle para Variáveis � Introdução – No contexto do Controle de Qualidade, uma característica da qualidade que é medida em uma escala numérica é chamada variável. � Ex: Tamanho, Largura, Temperatura, Volume, etc; – Os gráficos e R foram desenvolvidos por Shewhart para monitorar a média e a variabilidade de variáveis numéricas. – Posteriormente, serão introduzidas algumas variações destes gráficos. X Gráficos de Controle para Variáveis � Base Estatística dos Gráficos e R – Suponha que a característica de interesse, X, é normalmente distribuída com média µ e desvio X normalmente distribuída com média µ e desvio padrão σ, conhecidos; – Seja x1, ..., xn uma amostra de tamanho n, então a média amostral é dada por – Também sabemos que é normalmente distribuído com média µ e desvio padrão σ/√n n x x n i i∑ = = 1 x Gráficos de Controle para Variáveis � Base Estatística dos Gráficos e R – Além disso, há uma probabilidade de 1-α de qualquer média amostral cair entre X qualquer média amostral cair entre – Assim, se µ e σ são conhecidos, podemos usar a expressão acima para obter os LIC e LSC em um gráfico de controle para média amostral. – Vimos também que é comum utilizar Zα/2 = 3. n Z σµ α 2 ± Gráficos de Controle para Variáveis � Base Estatística dos Gráficos e R – Se uma média amostral cair fora desses limites, X – Se uma média amostral cair fora desses limites, isso é uma indicação que a média do processo não é mais igual a µ. – Vale ressaltar que os resultados acima ainda continuam aproximadamente corretos, mesmo na hipótese de não-normalidade da variável X, devido ao Teorema Central do Limite. Gráficos de Controle para Variáveis � Base Estatística dos Gráficos e RX X 1 2 3 4 5 6 7 Amostra n/3LIC 00 σ−µ= 0LM µ= n/3LSC 00 σ+µ= Gráficos de Controle para Variáveis � Base Estatística dos Gráficos e R – No entanto, na prática µµµµ e σσσσ são desconhecidos e X precisam ser estimados a partir de amostras ou subgrupos, coletados quando o processo estava sob controle. – Shewhart sugere a coleta de m subgrupos (20 a 25) de tamanho n pequeno (4, 5, ou 6 cada), objetivando a construção de subgrupos racionais com baixo custo de amostragem. Gráficos de Controle para Variáveis � Gráfico – Sejam as médias de cada uma das amostras, em m subgrupos. Então, o melhor X mxxx ,,, 21 K amostras, em m subgrupos. Então, o melhor estimador para média do processo (µµµµ) é dado por – onde, é a média amostral do i-ésimo subgrupo. – Logo, deverá ser usado como a linha central do gráfico m x x m i i∑ = = 1 x X ix Gráficos de Controle para Variáveis � Gráfico – Para construir os limites de controle, precisamos de um estimador para σσσσ X um estimador para σσσσ � σσσσ pode ser estimado pelos desvios-padrões ou pelas amplitudes das m amostras; – No momento, vamos optar pelas amplitudes. Defina a amplitude de uma amostra por R = xmax - xmin – Seja as amplitudes das m amostras, temos que a amplitude média é dada por – . mRRR ,,, 21 K m R R m i i∑ = = 1 Gráficos de Controle para Variáveis � Gráfico – Apresentamos a seguir as expressões para construção dos limites de controle para o gráfico X Xlimites de controle para o gráfico A constante A2 encontra-se no Apêndice VI do livro: Introd. ao Controle de Qualidade - Montgomery (4ª Ed.) X RAxLIC xLM RAxLSC 2 2 −= = += Gráficos de Controle para Variáveis � Gráfico R – A variabilidade do processo pode ser monitorada através das amplitudes amostrais R, em um gráfico de controle:amplitudes amostrais R, em um gráfico de controle: – Lembrando que o estimador não viesado para σ é dado por As constantes D3 e D4 encontram-se no Apêndice VI do livro: Introd. ao Controle de Qualidade - Montgomery (4ª Ed.) RDLIC RLM RDLSC 3 4 = = = 2 ˆ d R =σ Gráficos de Controle para Variáveis Limites de Controle Tentativos – Quando amostras preliminares são usadas para a construção dos gráficos, é comum tratar os limites de controles obtidos como limites de controle tentativos. – Se todos os pontos caem dentro dos limites de controle e não se observa nenhum comportamento sistemático, conclui-se que o processo estava sob controle no passado e que os limites tentativos são apropriados Gráficos de Controle para Variáveis Limites de Controle Tentativos – Caso algum ponto se configure fora de controle quando comparado com os limites tentativos, quando comparado com os limites tentativos, torna-se necessária uma revisão de tais limites. – Revisão 1. Identificar uma causa atribuível; 2. Se não for encontrada uma causa, eliminar o ponto supondo que o mesmo provem de um processo fora de controle ou 3. Não eliminar o ponto, caso ele não altere significativamente os valores dos limites de controle. Gráficos de Controle para Variáveis Revisão dos Limites Tentativos e Linhas Centrais – Em geral, todos os gráficos de controle necessitam uma revisão periódica dos limites necessitam uma revisão periódica dos limites tentativos e linhas centrais � A cada: semana, mês, 25, 50 ou 100 amostras. – Na revisão lembre-se de usar pelo menos 25 amostras ou subgrupos. Desenvolvimento e Uso dos Gráficos e R – Na construção dos gráficos e R é aconselhável iniciar com o gráfico R. – Como os limites de controle do gráfico dependem X X X– Como os limites de controle do gráfico dependem da variabilidade do processo, tais limites não serão significativos no caso da variabilidade do processo não estar sob controle. – Dicas � O gráfico monitora a média da característica da qualidade de um processo � O gráfico R monitora a variabilidade dessa característica. � Nunca tente interpretar o gráfico quando o gráfico R indicar alguma condição fora de controle X X X Desenvolvimento e Uso dos Gráficos e R Exemplo – Anéis de pistão para motores de automóveis são X – Anéis de pistão para motores de automóveis são fabricados por um processo. Deseja-se estabelecer um controle estatístico para o diâmetro interno dos anéis. – 25 amostras (m), cada uma de tamanho 5 (n), foram extraídas quando o mesmo estava sob controle. – As medidas são exibidas a seguir Desenvolvimento e Uso dos Gráficos e R Exemplo – Anéis de Pistão Construção do gráfico R X – A linha central do gráfico R é obtida por onde Ri = xmax – xmin, i = 1, ..., m – Para n = 5, obtemos do Apêndice VI os valores D3 = 0 e D4 = 2,115. – Logo, 023,0 25 581,0 25 1 === ∑ = m R R i i 049,0)115,2.(023,0 0)0.(023,0 4 3 === === DRLSC DRLIC Desenvolvimento e Uso dos Gráficos e R X Nenhum ponto fora dos limites de controle Nenhum padrão não aleatório foi identificado Desenvolvimento e Uso dos Gráficos eR Exemplo – Anéis de Pistão Construção do gráfico – Como o gráfico R indica que a variabilidade do X X – Como o gráfico R indica que a variabilidade do processo está sob controle, podemos agora construir o gráfico – A linha central do gráfico é obtida por – Para n = 5, obtemos do Apêndice VI A2 = 0,577. – Logo, 001,74 25 0294,1850 25 1 === ∑ = m x x i i 014,74)023,0.(577,0001,74 988,73)023,0.(577,0001,74 2 2 =+=+= =−=−= RAxLSC RAxLIC X Desenvolvimento e Uso dos Gráficos e R X 74.015 74.010 74.005n UCL=74.01444 Xbar Chart Nenhum ponto fora dos limites de controle Nenhum padrão não aleatório foi identificado 252321191715131197531 74.005 74.000 73.995 73.990 Sample S a m p l e M e a n __ X=74.00118 LCL=73.98791 Desenvolvimento e Uso dos Gráficos e R Exemplo – Anéis de Pistão – Conclusão X – Conclusão � Como ambos os gráficos exibem controle, podemos concluir que o processo está sob controle nos níveis estabelecidos e adotar os limites tentativos para um controle estatístico on-line do processo Estimando a Capacidade do Processo Os gráficos de controle fornecem informação sobre o desempenho do processo. Uma forma de expressar a capacidade do processo é em termos da razão (ou índice) da capacidade do processo (RCP) C , definida para uma característica da qualidadeprocesso (RCP) Cp, definida para uma característica da qualidade com limites superior e inferior de especificação LSE e LIE como em que σˆ6 ˆ LIELSEC p − = 2 ˆ d R =σ Estimando a Capacidade do Processo A RCP Cp pode ser interpretado de uma outra forma. A quantidade é simplesmente a percentagem da faixa de especificação usada pelo sistema. %100 ˆ 1 ˆ = pC P Estimando a Capacidade do Processo Estimando a Capacidade do Processo Os gráficos de controle pode ser usado para descrever a capacidade do processo de produzir peças relativa as especificações. No exemplo dos pistões temos que . = 74,001 mm. O desvio padrão pode ser estimado por 023,0 ˆ === R σ x Os limites de especificação para os anéis de pistão são 74 ± 0,05 mm. Supondo que o diâmetro dos anéis de pistão seja uma variável aleatória normalmente distribuída, com média 74,001 e desvio padrão 0,0099, podemos estimar a fração de anéis não-conformes como Isto é, cerca de 0,002% [20 partes por milhão (ppm)] dos anéis produzidos estará fora das especificações. 00002,099998,010)04,4(1)15,5( 0099,0 001,7405,741 0099,0 001,7495,73)05,74()95,73()( =−+=Φ−+−Φ= −Φ−+ −Φ=>+<= XPXPNCP 0099,0 326,2 023,0 ˆ 2 === d R σ Para o exemplo dos anéis, temos: Estimando a Capacidade do Processo 95,7305,74 − 68,1 0099,06 95,7305,74 ˆ = × − =pC %5,59%100 68,1 1 ˆ = =P Desenvolvimento e Uso dos Gráficos e R Limites de Controle e Limites de Especificação X Especificação – Não existe nenhuma relação entre os limites de controle e os limites de especificação do processo – Limites de Controle (ou limites naturais de tolerância): são guiados pela variabilidade natural do processo (medido pelo desvio padrão) Desenvolvimento e Uso dos Gráficos e R Limites de Controle e Limites de Especificação X Especificação – Limites de Especificação: são determinados externamente, ou seja, podem ser especificados pela gerência, engenheiros, clientes, etc. – Não há relação matemática ou estatística entre limites de controle e especificação – O objetivo do CEP, é manter os limites de controle dentro dos limites de especificação Desenvolvimento e Uso dos Gráficos e R Limites Naturais de Tolerância X – São determinados pela variabilidade natural do processo. – É definido como os limites 3σ acima (LSNT) e abaixo (LINT) da média do processo. Limites de Controle, Limites de Especificação e Limites Naturais de Tolerância Desenvolvimento e Uso dos Gráficos e R Efeito da Não-Normalidade nos Gráficos – A suposição de normalidade é fundamental no desenvolvimento dos gráficos de controle. X desenvolvimento dos gráficos de controle. – Uma saída caso se conheça que a distribuição amostral da média e da amplitude não é normal, é utilizar limites probabilísticos para os gráficos de controle. – No entanto, mesmo para populações não-normais, vários autores atestam que a utilização de amostras de tamanho (n>3) já são suficientes para garantir robustez em relação a hipótese de normalidade para o gráfico (Teorema Central do Limite)X Desenvolvimento e Uso dos Gráficos e R Efeito da Não-Normalidade nos Gráficos – Em relação ao gráfico R é importante ressaltar que: X – Em relação ao gráfico R é importante ressaltar que: � Mesmo que a característica da qualidade tenha distribuição normal, o risco αααα para esse gráfico não será 0,0027. Isso deve ao fato da distribuição de R não ser simétrica . Além disso, note que o gráfico R não é contemplado pelo Teorema Central do Limite. � Dessa forma, os limites 3σσσσ para esse gráfico são apenas aproximações. � Segundo Montgomery, o gráfico R é mais sensível que o gráfico a desvios da normalidade.X Função Característica da Operação – A habilidade dos gráficos e R em detectar mudanças na qualidade do processo é descrita pelas curvas característica de operação (CO). X pelas curvas característica de operação (CO). – Considere o gráfico com σ conhecido e constante. Suponha que a média µ0 desloca-se para outro valor µ1 = µ0 + kσ – A probabilidade (ou risco) de NÃO se detectar esse deslocamento na 1ª amostra subseqüente é: X )|( 01 σµµµβ kLSCxLICP +==≤≤= Função Característica da Operação Como nLLSC nLLIC nNX / / )/,(~ 0 2 σµ σµ σµ += −= temos que nLLSC /0 σµ += )|( 01 σµµµβ kLSCxLICP +==≤≤= +−Φ− +−Φ= n kLIC n kLSC / )( / )( 00 σ σµ σ σµβ . / )(/ / )(/ 0000 +−−Φ− +−+Φ= n knL n knL σ σµσµ σ σµσµ Função Característica da Operação Logo Onde Φ denota a distribuição acumulada da normal padrão. )()( nkLnkL −−Φ−−Φ=β Onde Φ denota a distribuição acumulada da normal padrão. Exemplo – Suponha que estamos usando um gráfico com L=3 (limites usuais), tamanho de amostra n=5 e queremos determinar a probabilidade de detectar um deslocamento para µ1 = µ0 + 2σ na primeira amostra. – Logo, temos L=3, n=5 e k=2 X Função Característica da Operação – Logo )()( −−Φ−−Φ= nkLnkLβ – Essa é a probabilidade (ou risco) de NÃO detectar tal deslocamento. – A probabilidade desse deslocamento ser detectado na primeira amostra é 0708,0)37,7()47,1( )523()523( ≅−Φ−−Φ= =−−Φ−−Φ= 9292,00708,011 =−=− β Curvas Característica de Operação para o Gráfico com limites 3σσσσ β X k Prob. de Não detectar um deslocamento na média de “kσσσσ” na 1ª amostra Função Característica da Operação – Devido a suposição de independência, a probabilidade de que o deslocamento seja detectado na r-ésima amostra (subgrupo) é simplesmente (1-β) vezes a probabilidade de não detecta-lo em cada uma das r-1 amostras iniciais. – O comprimento médio da sequência (CMS) é dado por 1/p, onde p = probabilidade que um ponto exceda os limites de controle. Logo, teremos que )1(1 ββ −−r α 1 0 =CMS )1( 1 1 β−=CMS Processo sob controle Processo fora de controle Gráficos de Controle para Variáveis� Base Estatística dos Gráficos e S – Os gráficos e S são preferidos quando: � Tamanho de Amostra n > 10 (moderadamente grande) X X � Tamanho de Amostra n > 10 (moderadamente grande) � Tamanho de Amostra n é variável – A construção de tais gráfico seguem a mesma sequência usada na construção dos anteriores. – Na prática µµµµ e σσσσ são desconhecidos e precisam ser estimados a partir de amostras ou subgrupos, coletados quando o processo estava sob controle. Gráficos de Controle para Variáveis � Dedução dos Limites no Gráfico – Portanto, para µT e σT desconhecidos, temos os limites do gráfico de controle dados por X – Fazendo na expressão acima, obtemos n Zx σ α ) 2 ± nc Z A 4 2 3 α = SAxLIC xLM SAxLSC 3 3 −= = += Gráficos de Controle para Variáveis � Dedução dos Limites no Gráfico – A média dos desvios padrões nas m amostras é definida por X mdefinida por – onde m S S m i i∑ = = 1 1 )( 1 2 − − = ∑ = n xx S n i i i Gráficos de Controle para Variáveis � Gráfico S – Assim, os parâmetros do gráfico S são obtidos por: SBLSC = onde: As constantes B3 e B4 encontram-se no Apêndice VI do livro: Introd. ao Controle de Qualidade - Montgomery (4ª Ed.) SBLIC SLM SBLSC 3 4 = = = 2 4 4 3 1 31 c c B −−= 24 4 4 1 31 c c B −+= Gráficos de Controle para Variáveis � Gráfico – Consequentemente, obtemos os novos limites de controle necessários para construção do gráfico X X SAxLSC += – Lembrando que o estimador não viesado para σ é dado por As constantes A3 e c4 encontram-se no Apêndice VI do livro: Introd. ao Controle de Qualidade - Montgomery (4ª Ed.) SAxLIC xLM SAxLSC 3 3 −= = += 4c S =σ ) Exemplo: Anéis de Pistão 0094,0 25 2350,0 25 1 === ∑ = m S S i i 001,74 25 0294,1850 25 1 === ∑ = m x x i i 0094,0 25 === m S 0196,0)089,2.(0094,0 0)0.(0094,0 4 3 === === BSLSC BSLIC 001,74 25 === m x 014,74)0094,0.(427,1001,74 988,73)0094,0.(427,1001,74 3 3 =+=+= =−=−= SAxLSC SAxLIC Exemplo: Anéis de Pistão Nenhum ponto fora dos limites de controle Nenhum padrão não aleatório foi identificado Gráficos de Controle para Variáveis – Considerações � Os limites de controle do gráfico , construído a partir do X� Os limites de controle do gráfico , construído a partir do desvio padrão (S), podem coincidir com os limites obtidos com base na amplitude amostral (R). No entanto, normalmente os limites são um pouco diferentes. � A interpretação do gráfico e também da curva Características de Operação (CO) são idênticas as dos gráficos anteriores X Gráficos de Controle para Variáveis � Gráficos e S com tamanho de amostra variável – São relativamente simples de usar X – São relativamente simples de usar – A linha central dos gráficos será uma média ponderada em função do tamanho ni de cada amostra. ∑ ∑ = = − − = m i i m i ii mn Sn S 1 1 2)1( ∑ ∑ = = = m i i m i ii n xn x 1 1 Gráficos de Controle para Variáveis � Gráficos e S com tamanho de amostra variável – Os limites de controle continuam sendo calculados através X – Os limites de controle continuam sendo calculados através das expressões – No entanto, as constantes A3, B3 e B4 vão depender do tamanho de amostra usado em cada subgrupo individual. SAxLIC xLM SAxLSC 3 3 −= = += SBLIC SLM SBLSC 3 4 = = = Exemplo Os dados a seguir são uma são uma modificação dos dados sobre anéis de pistão usados anteriormente Exemplo: Anéis de Pistão Modificado 001,74 113 075,8362 535 )998,73(5)996,73(3)010,74(51 == +++ +++ == ∑ ∑ = L L m i m i ii n xn x 0098,0 88 008426,0 25535 )0162,0(4)0046,0(2)0148,0(4)1( 222 1 1 2 == = −+++ +++ = − − = ∑ ∑ = = L L m i i m i ii mn Sn S 1 ∑ =i in Exemplo: Anéis de Pistão Modificado – Para ilustrar, considere a primeira amostra onde n1 = 5. Logo, 020,0)089,2.(0098,0 0)0.(0098,0 4 3 === === BSLSC BSLIC 015,74)0098,0.(427,1001,74 987,73)0098,0.(427,1001,74 3 3 =+=+= =−=−= SAxLSC SAxLIC – Os limites para segunda amostra devem ser calculados levando em conta que n2 = 3, e assim sucessivamente. Gráficos de Controle para Variáveis Gráficos de Controle para Variáveis – Considerações � Uma alternativa para o uso de limites de controle variáveis nos gráficos e S é tomar como base um tamanho de amostra médio . X amostra médio . � Tal abordagem pode ser satisfatória se os ni não são muito diferentes. � No entanto, como média dos ni pode não ser um número inteiro, uma saída é construir tais limites baseando-se no tamanho de amostra modal (mais frequente). � Montgomery comenta que tal abordagem pode ser útil em algumas situações como, por exemplo, numa apresentação dos gráficos a gerência. n Gráficos de Controle Shewhart para Amostras Individuais – Existem situações onde o tamanho da amostra para monitoramento do processo é n=1. – Por exemplo:– Por exemplo: � Utilização de inspeção e medição automática de modo que toda unidade fabricada é inspecionada; � Taxa de produção muito lenta torna inconveniente acumular tamanhos de amostras n > 1; � Medidas sobre algum parâmetro diferem muito pouco e produzem um desvio padrão muito pequeno. � Entre outros – Em tais situações o gráfico de controle para unidades individuais é útil. Gráficos de Controle Shewhart para Amostras Individuais – A variabilidade do processo é estimada através da amplitude móvel, definida por: Lote Viscosidade (x) MR 1 33.75 - 2 33.05 0.70 Viscosidade da Tinta de Base para Aviões MRi = | xi – xi-1 | – No exemplo a seguir ilustramos o procedimento para construção dos gráficos de controle para a amplitude móvel e para medidas individuais 2 33.05 0.70 3 34.00 0.95 4 33.81 0.19 5 33.46 0.35 6 34.02 0.56 7 33.68 0.34 8 33.27 0.41 9 33.49 0.22 10 33.20 0.29 11 33.62 0.42 12 33.00 0.62 13 33.54 0.54 14 33.12 0.42 15 33.84 0.72 Média 33.52 0.48 Gráficos de Controle Shewhart para Amostras Individuais – Os limites de controle são adaptações dos utilizados nos gráficos e R, sendo calculados através das expressões X através das expressões – As constantes d2, D3 e D4 são obtidas no Apêndice VI. 2 2 3 3 d RM xLIC xLM d RM xLSC −= = += RMDLIC RMLM RMDLSC 3 4 = = = Gráficos de Controle Shewhart para Amostras Individuais – Note que no exemplo usamos uma amplitude móvel de tamanho 2, logo n será igual 2 no Apêndice VI. – Os limites de controle para o gráfico da amplitude– Os limites de controle para o gráfico da amplitude móvel serão: 00,0)48,0(0 48,0 57,1)48,0(267,3 3 4 === == === RMDLIC RMLM RMDLSC Gráficos de Controle Shewhart para Amostras Individuais – Os limites para o gráfico de controle das medidas individuais serão: 24,32 128,1 48,0352,333 52,33 80,34 128,1 48,0352,333 2 2 =−=−= == =+=+= d RM xLIC xLM d RM xLSC Gráficos de Controle Shewhart para Amostras Individuais 34.5 34.0 33.5 33.0 I n d i v i d u a l V a l u e _ X=33.523 UC L=34.802 I-MR Charts 15141312111098765432132.5 Observation I LC L=32.245 151413121110987654321 1.6 1.2 0.8 0.4 0.0 Observation M o v i n g R a n g e __ MR=0.481 UC L=1.571 LC L=0 Nenhum ponto fora dos limites de controle Nenhum padrão não aleatório foi identificado Gráficos de Controle Shewhart para Amostras Individuais 35 34 33 n d i v i d u a l V a l u e _ X=33.523 UC L=34.802 11 I-MR Chart - Full Dataset Banco de Dados Completo – Processo fora de Controle 28252219161310741 32 Observation I n LC L=32.245 28252219161310741 1.6 1.2 0.8 0.4 0.0 Observation M o v i n g R a n g e __ MR=0.481 UC L=1.571 LC L=0 Gráficos de Controle Shewhart para Amostras Individuais – Considerações � O gráfico para observações individuais é interpretado de maneira análoga ao gráfico .X � Alguns analistas recomendam que não se use o gráfico das amplitudes móveis, visto que elas são correlacionadas. � Segundo Montgomery, gráficos para amostras individuais são extremamente sensíveis a dados não normais ou mesmo com um moderado desvio na normalidade. � Uma saída seria determinar os limites com base na distribuição amostral (ao menos 100 observações). � Outra saída seria transformar a variável original em uma nova variável aproximadamente normal. Exercício Amostras de n=5 unidades são tiradas de um processo a cada hora. Os valores de e R para uma determinada característica da qualidade são calculados. Depois de 25 amostras serem coletadas, obtemos = 20 e . =4,56. X x R. =4,56. a) Quais são os limites três-sigma para e R? b) Ambos os gráficos exibem controle. Estime o desvio padrão do processo. c) Suponha que a saída do processo seja normalmente distribuída. Se as especificações são 19 ± 5, quais são as suas conclusões com respeito à capacidade do processo? d) Se a média do processo se desloca para 24, qual é a probabilidade de não se detectar esse deslocamento na amostra subsequente? X R Exercício Amostras de n=6 itens são retiradas de um processo de manufatura em intervalos irregulares. Uma característica da qualidade, normalmente distribuída, é medida e valores de e S são calculados para cada amostra. Depois de 50 subgrupos serem analisados, obtém-se X amostra. Depois de 50 subgrupos serem analisados, obtém-se a) Calcule os limites de controle para os gráficos de controle e S. b) Quais são os limites naturais de tolerância do processo? c) Se os limites de especificação são 19 ± 4, quais são as suas conclusões com relação à habilidade do processo em produzir itens de acordo com essas especificações? d) Supondo que, se um item excede o limite superior de especificação ele pode ser retrabalhado e se ele está abaixo do limite inferior de especificação ele tem que ser sucateado. Qual a percentagem de sucata e retrabalho que o processo está produzindo? e) Se o processo centrado em µ=19, qual seria o efeito sobre as percentagens de sucata e retrabalho? X ∑ ∑ = = == 50 1 50 1 75 e 1000 i i ii Sx
Compartilhar