Baixe o app para aproveitar ainda mais
Prévia do material em texto
3. Gráficos de Controle para Variáveis (parte 1) Disciplina: Controle Estatístico da Qualidade (ESA-1077-4) Profa.: Maria Luíza Guerra de Toledo maria.toledo@ibge.gov.br mailto:maria.toledo@ibge.gov.br Introdução • Variável – característica de qualidade medida em uma escala numérica (tamanho, largura, temperatura, volume,…). • Monitora-se tanto o valor médio quanto a variabilidade da característica de qualidade. Gráficos de controle para X-barra e R A Base Estatística dos Gráficos • Suponha que uma característica de qualidade seja normalmente distribuída com média m e desvio-padrão s, sendo ambos conhecidos. • Se x1, x2, ..., xn é uma amostra de tamanho n, então a média dessa amostra é e sabemos que é normalmente distribuída com média m e desvio-padrão • Além disso, há uma probabilidade 1-a de qualquer média amostral cair entre (a) e (b). A Base Estatística dos Gráficos • Então, se m e s são conhecidos, as equações (a) e (b) podem ser usadas como limites de controle superior e inferior em um gráfico de controle para médias amostrais. • Vimos que é comum substituir Za/2 por 3, de modo que os limites três-sigma sejam empregados. • Pelo TCL, tais resultados são aproximadamente corretos mesmo que a distribuição da variável não seja normal. • Porém, • na prática, em geral, não conhecemos m e s. • Eles devem ser estimados a partir de amostras ou subgrupos preliminares, retirados quando o processo supostamente estava sob controle. • Tais estimativas devem se basear em pelo menos 20 ou 25 amostras. A Base Estatística dos Gráficos • Sejam as médias de cada uma das amostras. • Então, o melhor estimador de m, a média do processo, é a média geral, isto é • Assim, deve ser usado como a linha central no gráfico X-barra. • Para construir os limites de controle, é necessária uma estimativa do desvio-padrão s. • Sabemos que podemos estimar s, ou através dos desvios-padrão, ou das amplitudes das m amostras. A Base Estatística dos Gráficos • No momento, vamos nos concentrar no método da amplitude. • Se é uma amostra de tamanho n, então a amplitude da amostra é a diferença entre a maior e a menor observação; isto é, • Sejam as amplitudes das m amostras. A amplitude média é A Base Estatística dos Gráficos • Limites de Controle para o Gráfico X-barra: • A variabilidade do processo pode ser monitorada plotando-se os valores das amplitudes amostrais R em um gráfico de controle. A linha central e os limites de controle para o gráfico R são os seguintes: A Base Estatística dos Gráficos Dedução das Equações: • Existe uma relação bem conhecida entre a amplitude de uma amostra de uma distribuição normal e o desvio-padrão de tal distribuição. • A variável aleatória W=R/s é chamada amplitude relativa. • Os parâmetros da distribuição de W são funções do tamanho da amostra n. A Base Estatística dos Gráficos • A média de W é d2. • Consequentemente, um estimador de s é • Valores de d2 para diversos tamanhos de amostra: A Base Estatística dos Gráficos • Assim, se é a amplitude média das m amostras preliminares, podemos usar para estimar s. Esse é um estimador não-viciado de s. • Usando como um estimador de m e como estimador de s, então os parâmetros do gráfico X-barra são A Base Estatística dos Gráficos • Se definirmos então chegamos às equações finais: A Base Estatística dos Gráficos • Consideremos agora o gráfico R. • A linha central será • Para determinar os limites de controle, precisamos de uma estimativa de sR. • Supondo que a característica de qualidade seja normalmente distribuída, pode ser determinado a partir da distribuição da amplitude relativa, W=R/s. • O desvio-padrão de W, digamos, d3, é uma função conhecida de n. A Base Estatística dos Gráficos A Base Estatística dos Gráficos • Então, como o desvio-padrão de R é • Como s é desconhecido, devemos estimar sR por • Consequentemente, os parâmetros do gráfico R com os limites usuais três-sigma são: A Base Estatística dos Gráficos • Definindo e os limites de controle do gráfico R se reduzem a: Exemplo 1 • Um processo de cozimento pós-exposição é utilizado na fabricação de semicondutores. • Queremos estabelecer um controle estatístico para a largura do fluxo nesse processo usando gráficos X-barra e R. • m=25 amostras, cada uma de tamanho n=5, foram extraídas desse processo quando se pensava que o mesmo estava sob controle. • O intervalo entre as amostras foi de uma hora. Exemplo 1 Dados de medições da largura do fluxo (em microns) a partir das amostras: Exemplo 1 • Ao trabalhar com gráficos X-barra e R, é melhor começar com a carta R. • Como os limites de controle na carta X-barra dependem da variação do processo, tais limites só terão sentido se a variabilidade do processo estiver sob controle. • A partir dos dados da tabela, a linha central da carta R é • Um processo de cozimento pós-exposição é utilizado na fabricação de semicondutores. Exemplo 1 • Na tabela, para n=5 temos: Exemplo 1 Exemplo 1 • Como o gráfico R indica que a variabilidade do processo está sob controle, podemos construir o gráfico X-barra. A linha central é • Para calcular os limites, usamos A2=0,577 (n=5): Exemplo 1 Como ambos os gráficos exibem estado de controle estatístico, concluímos que o processo está sob controle. Podemos então utilizar esses limites de controle para monitorar a produção futura. Estimando a Capacidade do Processo • As cartas X-barra e R fornecem informações sobre o desempenho ou capacidade do processo. • Pela carta X-barra, podemos estimar a largura média do fluxo no processo como microns. • O desvio-padrão do processo pode ser estimado como: onde d2 é tabelado. • Os limites de especificação para a largura do fluxo são 1,50 ± 0,50 microns. Estimando a Capacidade do Processo • O gráfico de controle pode ser usado para descrever a capacidade do processo de produzir semicondutores relativa a essas especificações. • Supondo que a largura do fluxo é uma variável aleatória normalmente distribuída, com média 1,5056 e desvio-padrão 0,1398, pode estimar a fração de não-conformes produzidos como • Ou seja, aproximadamente 0,035% [350 partes por milhão (ppm)] dos semicondutores produzidos estarão fora das especificações. Estimando a Capacidade do Processo • Outra forma de expressar a capacidade do processo é em termos da razão (ou índice) da capacidade do processo (RCP) Cp, definida para uma característica de qualidade com limites superior e inferior de especificação LSC e LIC como • Como s em geral é desconhecido, temos que substituí-lo por uma estimativa. Nesse caso, temos , resultando em uma estimativa de Cp. • Para os semicondutores, , portanto 𝑪𝒑 = 𝑳𝑺𝑪 − 𝑳𝑰𝑪 𝟔𝝈 Estimando a Capacidade do Processo Estimando a Capacidade do Processo • A quantidade é simplesmente a percentagem da faixa de especificação usada pelo processo. • Para os semicondutores, uma estimativa de P é Ou seja, o processo usa aproximadamente 84% da faixa de especificação. Limites de Controle, Limites de Especificação e Limites Naturais de Tolerância Exercício • A espessura de uma placa de circuito impresso é um parâmetro importante da qualidade. • Dados sobre a espessura (em polegadas) são dados aqui para m=10 amostras de n=3 placas cada. Número da amostra X1 x2 x3 1 0,0629 0,0636 0,0640 2 0,0630 0,0631 0,0622 3 0,0628 0,0631 0,0633 4 0,0634 0,0630 0,0631 5 0,0619 0,0628 0,0630 6 0,0613 0,0629 0,0634 7 0,0630 0,0639 0,0625 8 0,0628 0,0627 0,0622 9 0,0623 0,0626 0,0633 10 0,0631 0,0631 0,0633 Exercício a) Construa gráficos X-barra e R para o processo. O processo está sob controle estatístico? b) Estime o desvio-padrãodo processo. c) Quais são os limites que você esperaria que contivessem aproximadamente todas as medidas do processo? d) Se as especificações são 0,0630±0,0015 polegadas, qual é o valor da RCP Cp? MONTGOMERY, Douglas. Métodos e filosofia do controle estatístico do processo. In: Introdução ao controle estatístico da qualidade. 4ª edição. Rio de Janeiro: LTC, 2004. p. 95-128. Referência:
Compartilhar