Minitab 14

ESTATSTICA
INDUSTRIAL
www.minitabbrasil.com.br
globaltech@minitabbrasil.com.br
Material Revisado e Adaptado por:
Julia Pinto de Carvalho - Coordenadora Tcnica

Maria Luza Guerra de Toledo - Especialista
Mriam Mrcia Carvalho da Conceio - Especialista
suporte@minitabbrasil.com.br
Copyright Minitab Inc. 2003. All rights reserved. Rel 14 Ver 1.0 / www.minitabbrasil.com.br
Objetivos do curso
Neste curso, temos como principal objetivo:
z Avaliar o sistema de medio e inspeo de processos;
z Aprender os fundamentos bsicos do Controle Estatstico de Processos (CEP);
z Verificar se o processo capaz de atender as especificaes do cliente;

cliente
z Identificar fatores com efeitos significantes em uma resposta.
Tpicos abordados: Gage R&R, Testes Destrutivos, Vcio, Linearidade, Estabilidade, Anlise de
Atributos, Anlise de Capacidade Normal, No-normal e para atributos, Experimentos Fatoriais
Completos e Fracionados.
O Minitab
H mais de 30 anos, a Minitab Inc. oferece softwares e servios

para melhoria da qualidade, educao e pesquisa.
MINITAB Statistical Software:

Facilidade de uso;
Confiabilidade dos resultados obtidos;
Conjunto de mtodos eficazes e altamente abrangentes.
Desenvolvimento de projetos com abordagem Seis Sigma e/ou

de qualquer outro projeto que vise manuteno ou melhoria da
qualidade.
Histria
Minitab Statistical Software:
Desenvolvido em 1972, na Pennsylvania State University;
Objetivo: Auxiliar professores no ensino de Estatstica;
Utilizado por aproximadamente 4.000 escolas e universidades

pelo mundo;
Ferramenta preferida para as empresas que focam esforos na

melhoria da qualidade.
Minitab Quality Companion
Avaliao do Sistema de Medio e Inspeo (MSA)
OBJETIVOS
CAPTULO
Determinar a adequacidade dos sistemas de medio;

Determinar a estabilidade do sistema de medio em horas-extras
usando o MSA;
Calcular estatsticas para acessar a linearidade e o vcio do sistema de
medio.
Avaliao do Sistema de Medio
O QUE AVALIAR UM SISTEMA DE MEDIO?
A anlise do sistema de medio: avalia as propriedades deste sistema, assegurando-nos da

adequacidade do mesmo para execuo da funo para a qual ele foi pr-destinado.
Considere que a variao do processo devido s fontes:
o Part-to-part variation:
variation que a variao natural do processo;
o Measurement system variation:
variation que a variao do sistema de medio.
QUANDO AVALIAR O SISTEMA DE MEDIO
O sistema de medio deve discriminar a diferena entre os itens adequadamente para um

monitoramento do processo mais efetivo.
Use a Avaliao do Sistema de Medio para confirmar se este sistema apresenta consistncia,
acurcia e se capaz de discriminar a diferena natural existente entre itens.
PORQUE AVALIAR O SISTEMA DE MEDIO
Responder pelo menos uma das seguintes questes:

O sistema de medio capaz de discriminar adequadamente a diferena entre os itens?
O sistema de medio apresenta-se estvel ao longo do tempo?
O sistema de medio apresenta-se exato ao abranger todos os itens?
Por exemplo:
Um viscmetro capaz de discriminar adequadamente a viscosidade de diferentes amostras
de tinta?
A escala precisa ser periodicamente recalibrada para que a balana seja capaz de preencher
todos os pacotes de batata chips com exatido?
O termmetro capaz de medir adequadamente todas as temperaturas usadas durante um
processo?
Gage R&R Study (crossed)
O QUE UM GAGE R&R STUDY (CROSSED)
O Gage R&R Study (crossed): expto usado para estimar o quanto da variao total do processo
devido ao sistema de medio;
Variao do sistema de medio subdividida em:

o Repetibilidade: (cada operador mede cada item pelo menos duas vezes). Variao devido
ao aparelho de medio, ou variao observada quando um mesmo operador efetua as
medies de um mesmo item repetidamente;
o Reprodutibilidade: (pelo menos dois operadores devem estimar o mesmo item). Variao
devido aos diferentes operadores designados para efetuar as medies dos mesmos itens.
Proceder as medies aleatoriamente.
QUANDO USAR O GAGE R&R STUDY (CROSSED)
Use o Gage R&R Study (crossed):

Para avaliar ou qualificar previamente um sistema de medio,
o adotando-o posteriormente no
monitoramento do processo ou em atividades de melhoria;
Quando cada item de um estudo mensurado mltiplas vezes.
Comparar a variao de um sistema de medio com a variao total do processo e/ou tolerncia.
PORQUE USAR O GAGE R&R STUDY (CROSSED)
O Gage R&R Study pode responder questes tais como:

A variabilidade de um sistema de medio pequena se comparada com a variao natural do
processo?
A variabilidade de um sistema de medio pequena se comparada com os limites de especificao
do processo?
Quanto da variabilidade do sistema de medio devido diferena entre os operadores?
O sistema de medio capaz de discriminar a diferena natural existente entre os itens?
Por exemplo:
Quanto da variabilidade dos dimetros mensurados com uma certa tendncia devido
calibrao?
Quanto da variabilidade dos dimetros mensurados com uma certa tendncia devido ao
operador?
O sistema de medio capaz de realizar a discriminao entre itens produzidos com tamanhos
diferentes?
Erros do Sistema de Medio
Os erros de um sistema de medio podem ser classificados dentro de duas categorias:

Acurcia: a diferena entre as medies realizadas por um instrumento de medio para um
item e os valores reais destes mesmos itens.
Preciso: a variao observada quando medimos um mesmo item repetidas vezes com um
mesmo equipamento.
ACURCIA (EXATIDO)
Composta por trs componentes:

Vcio: diferena entre o valor observado e o valor real ou padro (obtido por um
equipamento ou operrio padro).
Linearidade: diferena entre os valores viciados observados e as medies dos valores
esperados para essas taxas mensuradas.
Estabilidade: a mensurao de quo boa ser o desempenho do sistema ao longo do
tempo. A variao total obtida com resultados provenientes de um mesmo aparelho, no
qual mensuramos uma nica caracterstica ao longo do tempo.
PRECISO
A preciso que pode ser chamada de medio da variao composta por dois componentes:
Repetibilidade:
Repetibilidade variao observada em 2 medies com um mesmo aparelho, ou quando
um mesmo operador procede com a leitura de um mesmo item repetidamente com o mesmo
aparelho.
Reprodutibilidade variao observada em 2 medies do sistema, ou a variao
Reprodutibilidade:
observada quando diferentes operadores mensuram um mesmo item com o mesmo
aparelho.
Acessando o Sistema de Medio
Use o Gage R&R Study (Crossed) para acessar:

Quanto que o sistema de medio capaz de distinguir os diferentes itens;
Verificar se os operadores esto efetuando as medies de forma consistente.
TOLERNCIA
a amplitude do limite de especificao definido pelo cliente.
Fornecendo o valor da tolerncia do processo, podemos estimar qual proporo da tolerncia devido
variao no sistema de medio.
EXEMPL0 1: DIMETRO DO BOCAL DA BOMBA DE
COMBUSTVEL
PROPOSTA
Acessar como a preciso de um aparelho de medio e do operador afeta a variabilidade

do sistema de medio, usando o Estudo Cruzado de Medio R&R (Gage R&R Study).
PROBLEMA
O elaborador de um bocal para bomba de combustvel instalou um novo sistema digital

de medio. Especialistas da rea desejam determinar o quo eficiente este sistema.
COMBUSTVEL
DADOS COLETADOS
9 bocais foram selecionados aleatoriamente ao longo do incio de todos processos que podem
provocar algum tipo de variao (mquina, tempo, turno, troca de turno) que representam
todos os bocais tipicamente produzidos.
O 1 operador efetuou as medies para cada um dos 9 bocais em ordem completamente

aleatria.
Os 9 bocais foram aleatorizados e um 2 operador efetuou novamente as medies dos
mesmos bocais.
Este processo foi repetido 2 vezes para cada operador, totalizando 36 medies.
COMBUSTVEL
A especificao para o dimetro dos bocais de: 9012 + 4 microns (tolerncia de oito microns).
FERRAMENTAS UTILIZADAS
Gage R&R Study (Crossed).
ARQUIVO DE DADOS: NOZZLE.MPJ
COMBUSTVEL
GAGE R&R STUDY (CROSSED)
1. Abra o arquivo NOZZLE.MPJ

2. Escolha Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed);
3. Complete a caixa de dilogo, como mostramos abaixo:
4. Clique em Options;
5. Em Process tolerance, digite 8;
6. Clique em OK em cada todas as caixas de dilogo.
Consideraes Finais
RESUMO E CONCLUSES
A variao devido ao sistema de medio contribui muito pouco com a variao total do processo,
confirmada por meio do estudo Gage R&R, por tabelas e por grficos.
A contribuio da variao do sistema de medio pode ser observada tanto pelo %StudyVar quanto pelo
%Tolerance. Neste caso como ambos os percentuais foram menores que 10%, o sistema de medio pode
ser considerado aceitvel de acordo com as normas da AIAG.
CONSIDERAES ADICIONAIS
A seguir apresentamos o guia da AIAG para um sistema de medio aceitvel.
Consideraes Finais
Resultados desejveis de serem observados na anlise grfica para estudo da variao do sistema de medio:
IMPORTANTE: Assim como ocorre em outros estudos de MSA e de Planejamentos de Experimentos,

absolutamente necessrio que a anlise realizada, bem como a coleta de dados,
dados seja completamente
aleatria para o Gage R&R, a fim de que os resultados obtidos sejam vlidos e no apresentem
nenhuma espcie de vcio.
TOLERNCIA
A tolerncia para a espessura dos itens de 0,5mm. Entre com o valor da tolerncia para comparar a
variao do sistema de medio com as especificaes do cliente (USL - LSL = Tolerance).
VARIAO HISTRICA DO PROCESSO
Se forarmos a obteno de uma amostra que reflita a variao tpica do processo, a variao part-to-
part estimada para o processo poder no refletir a variao natural do processo, retornando valores
superestimados ou subestimados devido amostra ter sido obtida com vcio. Como resultado, seu
sistema poder aparentar ser melhor (ou pior) do que realmente o .
Neste caso, a estimao da variao histrica do processo nos bastante til. Com ela, o MINITAB
calcula o %Process que compara a variao do sistema de medio com a variao histrica do
processo.
EXEMPLO 2: ESPESSURA DO STILLCORD
PROPOSTA
Identificar problemas no sistema de medio, usando o Estudo Cruzado da Medio R&R (Gage R&R
Study) e um Grfico de Colunas Emparelhadas.
PROBLEMA
Um produtor de pneus de bicicletas BMX est avaliando o sistema de medio utilizado para mensurar a
espessura do stillcord. O stillcord introduzido no interior dos pneus para proteg-lo de perfuraes. A
tolerncia para a espessura do stillcord de 0,05mm. O desvio padro do processo de 0,078mm.
DADOS COLETADOS
Uma amostra aleatria de 10 stillcords foi extrada do processo de produo para este estudo. Os itens
foram mensurados por trs operadores diferentes, e cada operador mensurou o mesmo item duas vezes,
totalizando em 60 leituras. Os itens foram fornecidos para cada operador em ordem aleatria.
EXEMPLO 2: ESPESSURA DO STILLCORD
Gage R&R Study (Crossed).

Gage Run Chart
ARQUIVO DE DADOS: RIMSTRIP.MPJ
Consideraes Finais
RESUMO E CONCLUSES
O sistema de medio adotado necessita de algumas melhorias.

Os operadores apresentaram problemas com o dcimo item. Deve-se investigar o porque das dificuldades.
Talvez a variao entre os itens seja a fonte do efeito de interao observado.

Implementar um procedimento padro que especifique o local exato no qual a espessura ser lida.
Evite utilizar sempre o Gage R&R Study para avaliar a qualidade do sistema de medio:
No utilize o Gage R&R Study para avaliar a qualidade do sistema de medio de variveis binrias
ou de atributos em escala.
escala Ex: escalas de 1 a 5, defeito e no defeito, etc.
No utilize esta metodologia para investigar outros processos, como o efeito que diferentes mquinas
ou operadores provocam nos itens produzidos.
EXERCCIO A: ACESSANDO A CONSISTNCIA EM
APARELHOS DE COLORIMETRIA
PROPOSTA
Identificar problemas no sistema de medio, usando o Estudo Cruzado de Medidas R&R (Gage R&R
Study).
PROBLEMA
Uma companhia de polmeros produz grnulos que so usados na fabricao de cases de computadores.
A consistncia de cor desses grnulos muito importante para o cliente. Vrios tcnicos mensuram
amostras desses plsticos regularmente.
O objetivo deste estudo Gage R&R determinar o quanto da variao dos aparelhos de colorimetria
(leitores da cor) deve-se s leituras repetidas do aparelho (repetibilidade), e o quanto deve-se aos
diferentes tcnicos que operaram o aparelho (reprodutibilidade).
EXERCCIO A: ACESSANDO A CONSISTNCIA EM
APARELHOS DE COLORIMETRIA
DADOS COLETADOS
A fim de verificar a cor dos grnulos, tcnicos extraram amostras para teste. Cada amostra foi obtida
prensando os grnulos de cada um dos 10 diferentes lotes de plstico dentro de um wafer que armazena
estes grnulos. Um total de 10 amostras, sendo uma de cada lote, foi extrada para anlise.
Para este estudo, o L (branco-preto) a escala para mensurar a resposta de interesse. A tolerncia para este
processo de duas unidades (2L).
INSTRUES
1. Use o Gage R&R Study (Crossed) para analisar os dados coletados.

2. Comente a adequacidade do sistema de medio.
ARQUIVO DE DADOS: GAGECOLOR.MPJ
EXERCCIO B: RESISTNCIA DO PAPEL QUEBRA
PROPOSTA
Identificar adequacidade do sistema de medio quando as medidas so obtidas por meio de testes
destrutivos, usando o Gage R&R Study.
PROBLEMA
Uma fbrica de papel conduziu um estudo Gage R&R para verificar se o sistema de medio utilizado capaz
de detectar a variao da resistncia de seus produtos. O objetivo verificar o quanto da variao da
resistncia quebra deve-se repetibilidade (o mesmo aparelho ou o mesmo tcnico efetuar as mesmas
medies) e o quanto se deve reprodutibilidade (diferentes operadores medindo os mesmos itens) do
processo.
DADOS COLETADOS
Trs tcnicos, aleatoriamente escolhidos, mediram a resistncia de 20 maos selecionados do processo. Para
cada mao, uma nica folha de papel foi aleatoriamente extrada. Supondo que as propriedades fsicas se
mantm constantes em toda a extenso da folha, cada uma delas foi dividida em seis partes. Cada par de
amostra foi entregue a um tcnico diferente, que procedeu com a leitura da resistncia.
EXERCCIO B: RESISTNCIA DO PAPEL QUEBRA
A seqncia na qual o tcnico procedeu com a leitura tambm foi completamente aleatorizada. Um total
de duas amostras de cada folha dos 20 maos de papel foram entregues a cada tcnico, totalizando na
leitura de 40 amostras.
NOTA: Sempre que o teste for destrutivo, cada mao testado pelo operador; por isso o cruzamento
durante a anlise muito importante.
A resistncia quebra, medida em km, o comprimento no qual o papel se quebra quando submetido
ao seu prprio peso enquanto suspenso. A tolerncia para este processo de 0,5km.
INSTRUES
3. Use o Gage R&R Study (Crossed) para analisar os dados coletados.

4. Comente a adequacidade do sistema de medio.
ARQUIVO DE DADOS: PAPER.MPJ
Gage R&R Study (Nested)
O QUE UM GAGE R&R STUDY (NESTED)
Estima quanto da variao observada em um sistema de medio pode ser atribuda repetibilidade e
reprodutibilidade,
reprodutibilidade quando os vrios operadores no efetuaram medies nos mesmos itens.
Compara a magnitude da variao entre os itens (part-to-part) e, opcionalmente, a tolerncia e/ou a
variao histrica do processo.
QUANDO USAR O GAGE R&R STUDY (NESTED)
Use quando quiser compreender a variao associada ao sistema de medio, mas os vrios operadores no
mensuraram os mesmos itens. Ex: testes destrutivos ou em testes em que h mudana fsica das
caractersticas de interesse.
O tamanho da amostra demasiadamente pequeno para que sejam fornecidas amostras
provenientes de um mesmo lote para cada operador.
Os operadores mensuram itens provenientes de diferentes lotes selecionados aleatoriamente.
PORQUE USAR O GAGE R&R STUDY (NESTED)
O Gage R&R Study (Nested) pode responder questes como:

A variabilidade do sistema de medio pequena se comparada com a variabilidade natural do
processo de produo?
A variabilidade do sistema de medio pequena se comparada com com os limites de
especificao do cliente?
Quanto da variabilidade do sistema de medio causada pela diferena entre os operadores?
O atual sistema de medio capaz de captar a diferena natural existente entre os itens?
Por exemplo:
Quanto da variabilidade da resistncia dos elsticos causada pelo extensmetro?
Quanto da variabilidade da resistncia dos elsticos causada pelo operador que efetuou a
medio?
O sistema de medio capaz de discriminar a diferena natural de resistncia existente entre os
itens?
EXEMPLO 3: TESTE DE IMPACTO DO ALUMNIO
PROPOSTA
Identificar adequacidade do sistema de medio quando as medidas so obtidas atravs de testes
destrutivos, usando o Gage R&R Study.
PROBLEMA
Um fornecedor de componentes automotivos compra lingotes de alumnio para produzir os componentes
das trancas das portas;
A resistncia ao impacto do alumnio uma propriedade crtica que deve ser monitorada;
Certificar se cada carregamento est dentro das especificaes;
O teste de impacto destrutivo.
DADOS COLETADOS
Selecionou-se aleatoriamente 9 lingotes de alumnio da produo;
Cada grupo de 3 lingotes foi entregue a um operador, sendo 3 operadores;
Para cada lingote, 3 tipos de testes destrutivos de impacto foram preparados;
Os operadores seguem procedimentos padres;
Foram utilizados 27 testes para conduzir o estudo Gage R&R.
EXEMPLO 3: TESTE DE IMPACTO DO ALUMNIO
FERRAMENTAS
ARQUIVO DE DADOS: INGOTI1.MPJ
Consideraes finais
RESUMO E CONCLUSES
Devemos compreender melhor o sistema de medio, bem como corrigir a diferena existente entre os
operadores.
Devemos assumir que os itens testados so idnticos o suficiente para serem tratados como iguais. Se
esta suposio for razoavelmente satisfeita, podemos prosseguir a anlise.
Independente do tipo de estudo Gage R&R que for executado, sempre importante que os itens
amostrais sejam mensurados aleatoriamente para que eles representem da melhor maneira possvel
todos os resultados que podem ser observados no processo.
EXERCCIO C: PROMOVENDO MELHORIAS NO SISTEMA DE
MEDIO
PROPOSTA
Identificar adequacidade do sistema de medio quando as medidas so obtidas atravs de testes

destrutivos, usando oGage R&R Study.
PROBLEMA
Os resultados de uma pr-anlise indicam uma alta variao entre os operadores de um processo. Em
particular, o operador 2 se destacou por apresentar valores sempre maiores que os demais operadores
envolvidos no estudo.
Uma reviso nos procedimentos de medio adotados pelos operadores revelou que o operador 2 no
estava utilizando a mesma ferramenta que os demais operadores. Sendo assim, foi necessrio que todo
experimento fosse repetido para que os operadores utilizassem a mesma ferramenta.
EXERCCIO C: PROMOVENDO MELHORIAS NO SISTEMA DE
MEDIO
DADOS COLETADOS
Como antes, nove lingotes foram amostrados aleatoriamente da produo, sendo que cada grupo de trs
foi alocado a um operador diferente. Os operadores prepararam os itens para o teste, que foram
codificados de acordo com o local do lingote no qual foi efetuada a medio no respectivo item. Em
particular, o lingote 2 representa sempre a medio efetuada no meio do lingote.
Os 27 dados coletados foram testados e a resistncia de impacto foi anotada.
INSTRUES
1. Use o Gage R&R Study (Nested) para analisar os dados coletados.

2. Construa um Scatterplot do Strength vs. Ingot agrupado por Specimen para acessar a suposio de
homogeneidade dos lotes.
ARQUIVO DE DADOS: INGOT2.MPJ
Estudo da Linearidade e do Vcio
O QUE O ESTUDO DA LINEARIDADE E DO VCIO?
Acessa o vcio potencial e a linearidade da operao quando um sistema de medio utilizado.

Vcio: compara o processo com o padro (referncia);
Linearidade: acessa as mudanas no vcio sob os diferentes nveis de operao.
Para conduzirmos o estudo da linearidade e do vcio do processo, importante que:
1. Os itens amostrais representem bem todas as situaes que sero observadas no processo,
processo
(no mnimo, 5 itens);
2. Efetuadas leituras repetidas de um mesmo item (no mnimo, 10 leituras de cada item);
3. As leituras em ordem completamente aleatria. ria
Estudo da Linearidade e do Vcio
POR QUE EFETUAR O ESTUDO DA LINEARIDADE E DO VCIO?
Responder as seguintes questes:

Os resultados de leitura apresentam algum vcio agregado durante o processo de medio?
o
O equipamento utilizado deve ser recalibrado,
recalibrado a fim de que as medies efetuadas no
apresentem algum tipo de vcio?
Por exemplo:
O termmetro est efetuando medies no-viciadas da temperatura durante o processo?
O micrmetro deve ser recalibrado sempre devido ao fato de estarmos sempre registrando um
pequeno vcio no processo?
QUANDO DEVEMOS USAR O ESTUDO DA LINEARIDADE E DO VCIO?
Sempre que formos avaliar a qualidade do sistema de medio do processo.
EXEMPLO 4: ASSENTAMENTO DOS AZULEIJOS NO CHO
PROPOSTA
Determinar a linearidade e o vcio de um sistema de medio usando o Gage Linearity and Bias Study.
PROBLEMA
Proceder um estudo Gage para mensurar o assentamento dos azuleijos no cho;

Validar os resultados obtidos e prosseguir com uma subseqente anlise de qualidade;
Estimou-se o vcio e a linearidade.
= 0,75
DADOS COLETADOS
5 azulejos, com nvel de assentamento conhecido, foram selecionados;

Cada item foi medido 12 vezes em ordem aleatria.
EXEMPLO 4: ASSENTAMENTO DOS AZULEIJOS NO CHO
FERRAMENTAS
Gage Linearity and Bias Study
ARQUIVO DE DADOS: GAGELIN.MPJ
Consideraes finais
RESUMO E CONCLUSES
O processo apresenta um comportamento viciado, (superestimao comparado ao padro).
No h problemas com a linearidade no sistema de medio do processo, o no significativo

(o sistema no apresentou tendncia linear).
barras 0,4% para a linearidade e 3,5% para o vcio.

Grfico de barras:
Vcio - possveis razes:

Valores padres (de referncia) incorretos;
Calibrao incorreta dos aparelhos;
Uso inadequado dos instrumentos de medio pelos operadores.
Consideraes finais
A mensurao global do vcio pode no ser significativa, porm, o clculo dos vcios
individuais sempre sero significativos.
significativos
regresso bem como do intercepto do

O valor estimado para o coeficiente angular da reta de regresso,
eixo-y, devem ser utilizados para investigar potenciais problemas no sistema de medio
relacionados linearidade.
linearidade
Anlise de Atributos
OBJETIVOS
z Acesso consistncia das diferentes medies de cada operador

entre os diferentes operadores;
operadores
z Acesso ao nvel de acertividade dos operadores por meio da
comparao das medies com um padro conhecido, por
CAPTULO
intermdio da anlise de vrias amostras;

z Clculo de estatsticas para acesso ao nvel de concordncia entre os
diferentes operadores;
operadores
z Clculo de estatsticas para expressar o grau de associao entre os
diferentes operadores.
operadores
Anlise de Atributos
O QUE UMA ANLISE DE ATRIBUTOS?
Acessa a consistncia das respostas do operador e entre os operadores e compara as mensuraes

efetuadas com os valores padro ou referncia;
Classifica os itens,
itens como atributos, ou seja, como defeituosos ou perfeitos.
perfeitos
Os dados podem ser binrios, nominais ou ordinais:
Anlise de Atributos
QUANDO USAR A ANLISE DE ATRIBUTOS?
z Comparar 2 ou mais operadores ou instrumentos que mensuram os mesmos itens;

z Acessar a consistncia quando um mesmo operador ou instrumento de medio avalia o
mesmo item mais de uma vez;
vez
z Avaliar a exatido quando um operador mensura os itens apenas uma vez,
vez e as taxas so
comparadas com um padro.
Anlise de Atributos
POR QUE USAR A ANLISE DE ATRIBUTOS?
Acessar a consistncia ou o grau de acertividade (respostas so dados de atributos).
z Acessar a concordncia de cada operador individualmente,

individualmente (cada operador deve medir o
mesmo item 2 vezes ou mais);
z Acessar a concordncia das respostas entre os operadores;
operadores
z Comparar a respostas dos operadores com uma resposta padro conhecida.
Por exemplo:
z Os operadores so concordantes em todas as mensuraes de um mesmo item?

z Os operadores esto corretos em suas mensuraes, quando comparadas com o padro
fornecido pelo coordenador da qualidade?
Usando a estatstica Kappa
Representa o grau absoluto de concordncia entre as mensuraes;
Ela trata todas as classificaes erradas igualmente,

igualmente desconsiderando as suas magnitudes.
Usada quando a classificao for binria, nominal ou ordinal;

ordinal
Como ela no levar em conta a magnitude da diferena observada, tambm podemos

considerar outras estatsticas na anlise.
lise
Usando a estatstica Kappa
INTERPRETANDO A ESTATSTICA DE KAPPA
H0: Kappa = 0.
O nvel mais forte de concordncia absoluta representado pelo maior o valor da estatstica Kappa:
Kappa
z Se Kappa = 1, concordncia perfeita muito maior do que a esperada;

z Se Kappa = 0, concordncia a mesma que estava sendo esperada por oportunidade de
acerto;
z Se Kappa < 0, concordncia mnima muito menor do que a esperada.
esperada Isto raramente
acontece.
Sugesto (AIAG): o valor para o coeficiente de Kappa deve ser superior a 0,75;
Valores inferiores a 0,40 indicam uma concordncia muito pobre,
pobre apontando srios problemas
no sistema de medio por atributos do processo.
Exibindo avaliao da concordncia
O Minitab mostra a seguinte avaliao, dependendo do estudo:
EXEMPLO 5: CONVERTEDOR CATALTICO
DE SUBSTRATO
PROPOSTA
Acessar a consistncia e a exatido da qualidade do substrato, usando a anlise de atributos.
PROBLEMA
Companhia de cermica;
cermica
Substrato convertedor cataltico de cermica: estrutura em forma de favo de mel que suporta o
material do catalisador, o que reduz as emisses do escapamento.
No estgio final da produo, a parte rachada considerada defeituosa, devendo ser quebrada.
Operadores seguram as partes contra a luz e para procurar por rachaduras.

Novo operador est efetuando as mensuraes das rachaduras nos diferentes itens efetivamente?
Depto de qualidade: forneceu as mensuraes padro para cada item amostral.
EXEMPLO 5: CONVERTEDOR CATALTICO
DE SUBSTRATO
DADOS COLETADOS
4 operadores inspecionaram os 10 itens amostrais em ordem aleatria;

Os itens foram reordenados e inspecionados novamente por cada operador;
As respostas foram reportadas como Pass (perfeito) ou Fail (discordante com o padro).
FERRAMENTAS
z Attribute Agreement Analysis.
ARQUIVO DE DADOS: SUBSTRATE.MPJ
Consideraes finais
RESUMO E CONCLUSO
z Para cada seqncia, 2 de 4 operadores avaliaram todos os 10 itens corretamente;
z Brian discordou de si mesmo em um item, enquanto Anne deu um falso/positivo tambm em

um item.
Investigar por que esses erros ocorreram.
Consideraes finais
z A aleatorizao muito importante, pois evitamos um possvel vcio causado pela

memorizao da ordem dos resultados pelos operadores;
z Estudamos a concordncia para avaliar o desempenho dos operadores ao longo dos
diferentes itens produzidos.
produzidos Ex: mais apropriado avaliar um operador com menos
repeties dos itens do que inspecionar de todos os itens produzidos.
z O Automotive Industry Action Group (AIAG) nos informa que:
Kappa > 0,75 excelente concordncia - Kappa < 0,40 concordncia pobre
z Muitas empresas possuem suas prprias faixas de interpretao para valores da estatstica de
Kappa.
EXERCCIO D: CONVERTEDOR CATALTICO
DE SUBSTRATO
PROPOSTA
Acessar a consistncia e a exatido da qualidade do substrato, usando a anlise de atributo.
PROBLEMA
Uma companhia de cermica produz substrato convertedor cataltico para uma empresa de
automveis. O substrato de cermica uma estrutura em forma de favo de mel que suporta o
material do catalisador, o que reduz as emisses do escapamento.
No estagio final da produo, um operador checa cada substrato procurando por rachaduras. A
parte rachada considerada defeituosa, devendo ser quebrada.
Operadores seguram as partes contra a luz e para procurar por rachaduras. Os inspetores da
qualidade desejam saber se um novo operador est efetuando as mensuraes das rachaduras nos
diferentes itens efetivamente. O departamento de qualidade acessou as amostras usadas neste
estudo, para ento fornecer as mensuraes consideradas padro para cada item da amostra.
EXERCCIO D: CONVERTEDOR CATALTICO
DE SUBSTRATO
DADOS COLETADOS
Para esta anlise, quatro operadores inspecionaram os 20 itens amostrais em ordem

completamente aleatria. Os itens foram reordenados e inspecionados novamente por cada
operador. As respostas foram reportadas como Pass (perfeito) ou Fail (discordante com o
padro).
INSTRUES
1. Use Attribute Agreement Assessment para avaliar o sistema de medio.

2. Comente a adequao do sistema de mediao.
ARQUIVO DE DADOS: SUBSTRATE2.MPJ
EXEMPLO 6: AVALIAO DA BOLA DE FUTEBOL
PROPOSTA
Acessar a consistncia e a exatido quando os dados forem nominais,

nominais usando anlise de
atributos.
PROBLEMA
Inspeo visual de vrias caractersticas;

sticas
O fabricante separa os produtos baseado nas necessidades dos clientes.
DADOS COLETADOS
4 operadores selecionaram aleatoriamente 20 bolas de futebol, representando a produo.

Cada operador avalia ou bola uma vez, classificando-a como: liga Jnior, Profissional ou
Amador.
As bolas de futebol foram apresentadas em uma ordem aleatria.

EXEMPLO 6: AVALIAO DA BOLA DE FUTEBOL
FERRAMENTAS
Attribute Agreement Analysis.
ARQUIVO DE DADOS: SOCCER.MPJ
Consideraes finais
RESUMO E CONCLUSES
z Os operadores concordaram em 18 das 20 avaliaes que efetuaram nas bolas de futebol;
z Elaine, Frank e Michael avaliaram as 20 bolas corretamente, enquanto Yvonne cometeu 2

erros;
z Os erros de Yvonne foram determinados quando a bola deveria estar na liga Profissional ou
na liga Jnior.
z Seria apropriado verificar por que os erros foram cometidos.
Usando o coeficiente de concordncia de Kendall
Expressa o grau de concordncia ao longo das mltiplas medies feitas pelos operadores ou
leituras entre diferentes os operadores.
sensvel a desclassificaes.
Usamos o coeficiente de concordncia Kendall quando as classificaes so ordinais.

ordinais
Dados ordinais so variveis categricas ordenadas.
Exemplo: componentes defeituosos podem ser taxados dentro de uma escala que varia de 1 a 5.
Usando o coeficiente de concordncia de Kendall
INTERPRETANDO COEFICIENTE DE CONCORDNCIA KENDALL
H0: Kendall = 0 , que indica a inexistncia de associao entre as taxas.

Quanto mais forte a associao, maior ser o valor do coeficiente de concordncia Kendall.
z Um coeficiente de concordncia Kendall = 1 indica uma associao perfeita;

z Um coeficiente de concordncia Kendall = 0 indica ausncia de associao.
Regra geral:
Kendall < 0,7 o sistema de medio precisa de melhorias;
Kendall > 0,9 considerado muito bom.
EXEMPLO 7: AVALIAO DA PLACA IMPRESSA
PROPOSTA
Acessar a consistncia e a exatido quando os dados forem ordinais,

ordinais usando anlise de atributos.
PROBLEMA
Inspecionou-se visualmente as placas (PCBs) para assegurar sua qualidade;

Eles acessaram amostras aleatrias de PCBs de um carregamento e, baseado-se nos
resultados, determinaram quando, o nvel de qualidade suficientemente alto;
Objetivo verificar o nvel de acordo entre os operadores.
Objetivo:
DADOS COLETADOS
3 inspetores taxaram 10 PCBs representativos da produo;
Escala de 1 a 5;
1 = pssima qualidade e 5 = tima qualidade.
EXEMPLO 7: AVALIAO DA PLACA IMPRESSA
FERRAMENTAS
z Attribute Agreement Analysis.
ARQUIVO DE DADOS: PCBSTUDY.MPJ
Consideraes finais
RESUMO E CONCLUSES
z Judith, Malcolm e Susan concordaram somente em 2 itens dos 10 avaliados;
z O alcance da estatstica de Kappa variou entre -0,1111 a 0,5200;
z Quando consideramos apenas a concordncia absoluta ao longo das taxas, em geral as taxas
especficas de concordncia so muito pobres;
z Devido ao fato dos dados serem ordinais com cinco nveis, mais apropriado usar o coeficiente
de concordncia de Kendall para acessar o quanto que os operadores esto associados;
z Neste exemplo, o coeficiente de concordncia de Kendall (0,940872) bastante alto.
Consideraes finais
Dados ordinais considerar ambas: Kappa e Kendall.
z Kappa:
o Representa apenas as avaliaes absolutas;
o Todas as subclassificaes so tratadas igualmente.
z Kendall:
o Mede a associao entre as taxas;
o Considera-se a magnitude das subclassificaes.
EXERCCIO E: AVALIAO DE MOLHOS DE PIMENTA
PROPOSTA
Acessar as respostas das avaliaes consistentes quando os dados forem ordinais, usando a anlise
de atributos.
PROBLEMA
Durante uma visita a New Orleands, Ryan e Miranda compraram 10 diferentes tipos de pimentas.
Eles desejam testar quando suas avaliaes para os molhos de pimenta atingem o mximo de
concodncia.
DADOS COLETADOS
Ryan e Miranda classificaram os 10 molhos de pimenta de acordo com a seguinte escala de pontos:
1 = fraco, 2 = picante, 3 = muito picante e 4 = incofortavelmente picante.
EXERCCIO E: AVALIAO DE MOLHOS DE PIMENTA
INSTRUES
Use a Anlise de Atributos para verificar quando Ryan e Miranda concordam em suas avaliaes.
ARQUIVO DE DADOS: HOTSAUCE.MPJ
Attribute Gage Study (Mtodo Analtico)
Acessa a repetibilidade e o vcio em um sistema binrio de medio (bom/ruim), quando o sistema

de medio binrio usado no lugar de um sistema de medio para dados contnuos.
Ex: desejamos determinar quando o dimetro do orifcio est dentro da tolerncia, usando a medida
bom/ruim ao invs de obtermos o dimetro em um sistema contnuo atual.
Em quanto o sistema de medio binrio concorda com os resultados do sistema de medio contnuo?
1: Obter os valores padro do sistema de medio contnuo para todos os itens;

2: Estes mesmos itens sero mensurados pelo sistema de medio de atributos mltiplas vezes;
O n de vezes que cada item for aceito dentro da tolerncia contado para cada item de referncia;
A repetibilidade e o vcio de um sistema de medio binrio estimado, usando os resultados.
Minitab:
Minitab Grfico de Probabilidade Normal, repetibilidade e o vcio.
EXEMPLO 8: ESTUDO DA MEDIO DO
DIMETRO DO EMBLO
PROPOSTA
Acessar os vcios e as repeties o sistema de medio, usando o Attribute Gage Study (Mtodo
Analtico).
PROBLEMA
Em uma Anlise de Atributos, mediu-se o dimetro dos mbolos;
100% dos mbolos foram inspecionados pelo operador padro, inspeo esta que pode ser
afetada por repeties e vcios;
Tolerncia de + 0,01 cm.
DADOS COLETADOS
12 itens com valores de referncia entre 0,016cm e 0,002cm so medidos pelo operador
padro 20 vezes.
O nmero de aceitaes para cada item foi gravado como um atributo.
EXEMPLO 8: ESTUDO DA MEDIO DO
DIMETRO DO EMBLO
FERRAMENTAS
z Attribute Gage Study (Analytic Method)
ARQUIVO DE DADOS: ANALYTIC.MPJ
Anlise de Capacidade: Dados contnuos
OBJETIVOS
Entender as suposies do processo de capacidade;

capacidade
Analisar a capacidade de um processo estvel;
vel
CAPTULO
Identificar uma distribuio apropriada para dados com uma

distribuio no-normal;
Analisar a capacidade de um processo, usando as transformaes
Box-Cox e Johnson.
Johnson
Anlise de Capacidade
O QUE UMA ANLISE DE CAPACIDADE?
Nos auxilia a acessar o quo capaz um processo em atingir as especificaes do cliente.

Ferramentas:
Grficos de controle que indicam se o processo est sob controle;
Grficos e o resultado do teste de normalidade - acessar a distribuio dos dados;
Capacidades estimadas, como Cp, Cpk, Pp, Ppk, que apontam o potencial, a capacidade total e
a variabilidade do processo.
POR QUE USAR A ANLISE DE CAPACIDADE?
Para nos ajudar a responder perguntas, tais como:

Qual vendedor mensura a qualidade dos itens de forma mais consistente?
A variabilidade do processo baixa o suficiente para indicar consistentemente se os itens
estaro dentro dos limites de especificao do cliente?
O processo precisa ser mudado para operar mais efetivamente dentro dos limites especificados
pelo cliente?
Verificando as suposies associadas Anlise de Capacidade
Para obter uma estimativa real da capacidade, as seguintes suposies devem ser satisfeitas:
satisfeitas
O processo est sob controle;
Os dados provm de uma distribuio Normal.
Use o Capability Sixpack para verificar as suposies.
Com base nas determinaes do guia AIAG, o Minitab determina qual o grfico de controle deve ser
traado, baseado no tamanho dos subgrupos.
ndices de Capacidade
CAPACIDADE (DENTRO DO SUBGRUPO) POTENCIAL
Os ndices da capacidade potencial so calculados usando a estimativa da mdia e desvio-

padro do processo nos subgrupos.
Cp
Compara a variao tolerada para o processo especificado pelo cliente (tolerncia) com a
regio total ocupada pelo processo sob controle estatstico. A formula :
Se somente o limite superior ou inferior de especificao for avaliado, o Minitab no processa o

Cp.
Devido ao fato do Cp no avaliar se o processo encontra-se centrado no valor alvo, ele
representa teoricamente a capacidade potencial do processo no atual nvel de tecnologia.
CpU e CpL
Se o limite inferior de especificao for fornecido, o Minitab calcular o CpL como:
na qual x representa a mdia amostral.
Se o limite superior de especificao for fornecido, o Minitab calcular o CpU como:
Ambas as estatsticas CPL e CPU avaliam no somente a variabilidade, mas tambm se o processo
encontra-se centrado no valor alvo especificado pelo cliente, ou seja, se est deslocado.
CpK
O Cpk igual ao menor valor entre CpL e CpU.
Se Cpk e Cp forem idnticos, o processo encontra-se centrado nos limites de especificao.
Quanto mais distante o processo estiver do centro da especificao do cliente, menor ser o
valor do Cpk em relao ao Cp.
CCPK
O Cpk a medida da capacidade potencial.
Definio: a mesma do Cpk, exceto pelo fato de que ele no sempre centrado na mdia do
processo.
Alvo conhecido o CCpk centrado no alvo.
Alvo desconhecido CCpk centrado nos limites de especificao.
Especificao desconhecida CCpk centrado na mdia do processo
(CCpk igual Cpk).
CAPACIDADE TOTAL
Ambas as variaes entre os subgrupos dentro de cada subgrupo contribuem com a variao total do
processo;
Quando o processo encontra-se sob controle estatstico, podemos dizer grosseiramente que o desvio-
padro total igual ao desvio-padro nos subgrupos.
As frmulas da Capacidade Total so similares s frmulas da Capacidade Potencial com exceo do

desvio-padro:
, ,
Quando o processo encontra-se sob controle estatstico, Cp e Pp so muito similares, bem como o Cpk e
o Ppk.
CpM
Adotada quando deseja-se operar em torno de um valor alvo que no necessariamente centrado
nos limites de especificao do cliente.
cliente
Neste caso,
caso o Cpk no uma estatstica til e, ao invs disso, usaremos o Cpm.
Cpm
Quando entrarmos com o valor alvo, o Minitab calcular o Cpm como:
EXEMPLO 22: DUREZA DO SAPATO
PROPOSTA
Avaliar a capacidade do processo, usando Capability Sixpack (Normal) e Capability Analysis (Normal).
PROBLEMA
Caracterstica de qualidade que influencia na quebra de sapatos: dureza (escala Rockwell);

LIE (LSL) = 39; VN = 41; LSE (USL) = 43.
Avaliar a capacidade do processo, certificando que a produo capaz de atingir as metas exigidas
pelo cliente agora e no futuro;
O Cpk de 1,5 requerido para atingir as exigncias do cliente.
EXEMPLO 22: DUREZA DO SAPATO
DADOS COLETADOS
Selecionou-se aleatoriamente 5 sapatos quebrados da linha de produo em intervalos regulares;

Estas amostras representam a variao inerente no processo ao longo do tempo.
Durante as mensuraes, os operadores gravaram a dureza de cada sapato quebrado.
FERRAMENTAS
Capability Sixpack Normal;
Capability Analysis Normal.
ARQUIVO DE PROGRAMAS: BRAKECAP.MPJ
Consideraes finais
RESUMO E CONCLUSES
O processo parece estar estvel, embora a maioria dos sapatos quebrados caiam fora dos limites
de especificao;
Mesmo com o processo centrado nos limites de especificao, 10% dos sapatos quebrados exibem
valores de dureza fora dos limites;
A mdia estimada do processo de 40,27, estando abaixo da mdia desejada. Isto indica que
mais partes caram abaixo do limite inferior de especificao que do limite superior de
especificao;
A mdia do processo deve ser deslocada para o valor desejado e a variabilidade deve ser reduzida
para que seja possvel atingir as especificaes do cliente.
Consideraes finais
O processo deve exibir estabilidade para estimar parmetros que realmente representem a
realidade.
Quando os dados do processo forem normalmente distribudos, os parmetros de interesse so a
mdia (que representa a tendncia central) e o desvio-padro (que representa a variabilidade);
A suposio de normalidade critica no uso do Cp e do Cpk;
O intervalo de confiana fornece uma boa margem de erro para a capacidade estimada. Ele deve
ser usado nas concluses, fixado um nvel de significncia e quando a capacidade do valor alvo
for demonstrada.
EXERCCIO P: MUDANDO O PROCESSO
PROPOSTA
Avaliar a capacidade do processo, usando Capability Sixpack (Normal) e Capability Analysis

(Normal).
PROBLEMA
Como resultado de uma investigao prvia, engenheiros decidiram ajustar o processo de

temperamento para obter uma mdia prxima de 41.
DADOS COLETADOS
Operadores coletaram 50 amostras (cada uma de tamanho cinco) da mesma forma que no
exemplo prvio dos sapatos quebrados.
EXERCCIO P: MUDANDO O PROCESSO
INSTRUES
Analise a capacidade da melhoria do processo, usando os dados coletados em Centering.
ARQUIVO DE DADOS: BRAKECAP.MPJ
EXERCCIO Q: REDUO DA VARIAO
PROPOSTA
Avaliar a capacidade do processo, usando Capability Sixpack (Normal) e Capability

Analysis (Normal).
PROBLEMA
Imagine que o processo esteja aproximadamente centrado no alvo, mas que os valores do
Cp e do Cpk ainda indiquem que o processo no est sendo capaz de alcanar as
exigncias do cliente.
Um experimento indica que grande parte da variao exibida devido temperatura do

leo. Assim, o processo foi alterado para tornar a temperatura mais consistente em um
nvel ideal para os operadores coletarem mais dados.
EXERCCIO Q: REDUO DA VARIAO
DADOS COLETADOS
Operadores coletaram 50 amostras (cada uma de tamanho cinco) da mesma forma que no exemplo prvio
dos sapatos quebrados.
INSTRUES
Analise a capacidade do processo submetido melhoria, usando os dados coletados em Quenching.
ARQUIVO DE DADOS: BRAKECAP.MPJ
EXERCCIO R: ESTUDO DA CAPACIDADE DE UM POLMERO
PROPOSTA
Avaliar a capacidade do processo, usando Capability Sixpack (Normal) e Capability Analysis (Normal).
PROBLEMA
Uma companhia qumica requerida a acessar a capacidade de um dos seus processos para alcanar
as metas exigidas.
DADOS COLETADOS
Os pesos moleculares so gravados a cada duas horas, usando subgrupos racionais de tamanho cinco.
O peso molecular tem um tolerncia aceitvel de 2400 + 300 e so divididos por 100 para a
anlise.
EXERCCIO R: ESTUDO DA CAPACIDADE DE UM POLMERO
INSTRUES
1. Acesse as suposies de capacidade do processo da coluna Weight usando Capability Sixpack

Normal;
2. Depois que a principal causa foi investigada, voc descobriu um incorreto ajuste pra o subgrupo
4/29 s 10 da manh e entradas incorretas devido a problemas de servidos para o subgrupo 4/30 s
4 da tarde. Estes subgrupos foram removidos e guardados na coluna Revised. Acesse novamente a
estabilidade e a capacidade do processo;
3. Compare os resultados dos passos 1 e 2: Cp versus Pp e Cpk versus Ppk.
ARQUIVO DE DADOS: MOLECULAR.MPJ
Checando as suposies para a Anlise de Capacidade
Use o Capability Sixpack Normal para verificar as seguintes suposies:
O processo estvel;
A distribuio normal apropriada.
Caso a suposio de normalidade tenha sido violada, ainda possvel fazer uma anlise
apropriada.
EXEMPLO 23: ISOLADORES DE CERMICA
PROPOSTA
Avaliar a capacidade do processo para dados no-normais, usando transformao Box-Cox e Johnson.
PROBLEMA
Produo de isolamento cermico (cilindro com um buraco em seu centro);

Acessa a capacidade da companhia em atingir as metas do cliente;
As especificaes requerem que o buraco seja concntrico, com o dimetro do isolador com 30 microns.
DADOS COLETADOS
Isoladores de cermica so assados em grandes fornos formando lotes a cada 3 horas;

Por motivos de monitoramento do processo, aps assados, os tcnicos selecionaram aleatoriamente 10
isoladores de cermica de cada lote e mediram sua concentricidade.
EXEMPLO 23: ISOLADORES DE CERMICA
FERRAMENTAS
Capability Sixpack Normal;

Individual Distribution Identification;
Johnson Transformation;
Capability Analysis Nonnormal.
ARQUIVO DE DADOS: CERAMIC.MPJ
Consideraes finais
RESUMO E CONCLUSES
Para os dados, ambas as transformaes Box-Cox e Johnson obtiveram resultados similares;

A capacidade estimada e os intervalos de confiana indicam que o processo no capaz de
atender as especificaes do cliente.
Melhorias devem ser implementadas;
O esforo da melhoria do processo aparenta ser necessrio para mudar a distribuio em
direo a zero (baixos valores concentricidade) para melhorar a taxa de conformidade.
Para produzir uma real estimativada capacidade do processo, o processo deve ser estvel e
os dados devem fluir em uma distribuio adequada para a anlise.
O uso do teste goodness-of-fit e o grfico de probabilidade pode ajudar na determinao do
modelo, embora o conhecimento do processo seja bem til.
EXERCCIO S: SELAMENTO DA SACOLA PLSTICA
PROPOSTA
Avaliar a capacidade do processo para dados no-normais, usando transformao Box-Cox e Johnson.
PROBLEMA
Para um cliente especifico, um lote de sacolas plsticas cheio de componentes de engenharia est
selado. Se o selamento for muito fraco, as sacolas podem abrir durante o transporte. Se o selamento
for muito forte, o cliente pode ter dificuldade para abrir as sacolas.
O selamento feito colocando a sacola plstica entre duas barras de metal e uma delas aquecida.
A fora do selamento a fora requerida para abrir a sacola plstica. O alvo da fora de selamento
de 11 Newtons. O limite inferior de especificao de 4 Newtons, enquanto o limite superior de
especificao de 15 Newtons.
EXERCCIO S: SELAMENTO DA SACOLA PLSTICA
DADOS COLETADOS
Os operadores selecionaram aleatoriamente 200 sacolas de um lote e testaram a fora do

selamento, anotando a fora em Newtons.
INSTRUES
1. Acesse a distribuio mais apropriada para o conjunto de dados, usando o Individual Distribution
Identification e a Johnson Transformation;
2. Avalie a capacidade do processo, usando um modelo apropriado e obtenha um intervalo de
confiana de 95% para a capacidade estimada.
ARQUIVO DE DADOS: BAGSEAL.MPJ
Anlise de Capacidade: Dados contnuos
OBJETIVOS
Entender a Anlise de Capacidade via distribuies Binomial e

Poisson;
Poisson
Acessar a capacidade de um processo quando os dados forem
CAPTULO
provenientes de uma distribuio Binomial;

Binomial
Acessar a capacidade de um processo quando os dados forem
provenientes de uma distribuio Poisson.
Poisson
Anlise de Capacidade Binomial
O QUE ANLISE DE CAPACIDADE BINOMIAL?
Usaremos a Anlise de Capacidade Binomial para produzir relatrio de capacidade de um processo quando
os dados forem provenientes de uma Distribuio Binomial.
SUPOSIES PARA USAR A DISTRIBUIO BINOMIAL?
Cada item submetido a condies idnticas, portanto, a probabilidade de sucesso (ou falha) a
mesma para todos os itens;
itens
Cada item retorna somente dois resultados possveis (pass/fail, go/on-go);
Os resultados dos itens so independentes.
independentes
Anlise de Capacidade Binomial
QUANDO USAR A ANLISE DE CAPACIDADE BINOMIAL?
A Anlise de Capacidade Binomial apropriada quando:

Os itens inspecionados so classificados como perfeitos ou defeituosos (conforme ou no-
conforme);
Pode-se presumir que os dados provm de uma distribuio Binomial;
Binomial
O processo estvel.
vel
POR QUE USAR A ANLISE DE CAPACIDADE BINOMIAL?

Para responder perguntas, tais como:
O produtor capaz de entregar os containeres com menos de 0,5% de unidades no-conformes?
O processo produz escadas com taxa de defeito inferior a 0,001, satisfazendo o regulamento de
segurana requerido pelo cliente?
O processo pode satisfazer as especificaes de 4% de itens
no-conformes por carregamento?
EXEMPLO 24: ASSENTO DE COURO DE AUTOMVEL
PROPOSTA
Usar a Anlise de Capacidade Binomial para acessar a capacidade do processo.
PROBLEMA
Fabricante de produtos de couro:

Inspeo visual para decidir se o couro est ou no adequado para forrar assentos de carros.
Aceitao: 1% de taxa de defeito;
Estudo da capacidade: determinar quando o processo alcana a satisfao do cliente.
EXEMPLO 24: ASSENTO DE COURO DE AUTOMVEL
DADOS COLETADOS
100 pedaos de couro foram vistoriados duas vezes por dia durante 25 dias. Os pedaos de couro foram
inspecionados e a quantidade de pedaos rejeitados foi armazenada.
FERRAMENTAS
Capability Analysis Binomial.
Binomial
ARQUIVO DE DADOS: AUTOSEAT.MPJ
Consideraes finais
RESUMO E CONCLUSES
O processo no capaz de atingir as especificaes do cliente;

A meta era de 1,0% de itens no-conformes o processo produz defeituosos entre 1,11% e
1,79% unidades, com 95% de confiana.
Anlise de Capacidade Binomial:

Binomial
Acesso ter acesso capacidade do processo;
O processo deve estar sob controle estatstico (verificado por meio da anlise de cartas de
controle) antes que a capacidade do processo seja estudada.
Anlise de Capacidade de Poisson
O QUE A ANLISE DE CAPACIDADE DE POISSON?
Produzir relatrios da capacidade do processo quando os dados forem provenientes da

distribuio Poisson;
Distribuio Poisson: contagem de itens no-conformes;
A unidade pode ter mais de uma inconformidade.
Suposies referentes distribuio de Poisson:

1. Os n de eventos verificados discreto (contagem);
contagem
2. Os eventos discretos ocorrem dentro de uma rea igual de oportunidade;
oportunidade
3. Os eventos so independentes e a ocorrncia de um evento proporcional ao tamanho da rea
de oportunidade;
oportunidade
4. Os eventos so raros.
raros
Anlise de Capacidade de Poisson
QUANDO USAR DISTRIBUIO DE POISSON?
A Anlise de Capacidade de Poisson apropriada quando:

1. Registra-se o nmero de inconformidades;
2. Podemos deduzir que os dados so provenientes da distribuio de Poisson;
3. O processo estvel.
POR QUE USAR A DISTRIBUIO DE POISSON?
Responder perguntas, tais como:

A probabilidade de ocorrncia por oportunidade inferior a 0.01%?
O nmero de reclamaes do cliente, relacionadas ao servio, inferior a 0,025% do
total produzido?
EXEMPLO 25: DEFEITO NA TELA DA TELEVISO
PROPOSTA
Usar a Anlise de Capacidade Poisson para acessar a capacidade do processo.
PROBLEMA
Fabricante de televises de 50 polegadas;

N de TV's no-conformidades na inspeo final;
Estes defeitos so modelados pela distribuio de Poisson;
Foi feita uma avaliao apropriada do Sistema de Medio e Inspeo;
Na busca de no-conformidades todos os pontos sero analisados de forma similar.
EXEMPLO 25: DEFEITO NA TELA DA TELEVISO
DADOS COLETADOS
Duzentas televises foram selecionadas aleatoriamente do volume total da produo em todos os dias,
no perodo de 12 de maro a 19 de junho. O nmero total de no-conformidades encontradas foi
anotado.
FERRAMENTAS
. Capability Analysis Poisson.

Poisson
ARQUIVO DE DADOS: TVSET.MPJ
Consideraes finais
RESUMO E CONCLUSES
A linha de produo aparenta ter aproximadamente dois defeitos a cada 200 televises inspecionadas;
Esta taxa pode ser excessivamente alta;
A severidade de cada tipo de defeito encontrado deve ser uma parte integral de anlises mais aprofundadas.
Estimativa vlida da capacidade requer um processo estvel;

Quando as caractersticas so conformes ou no-conformes s especificaes, os dados seguem de
acordo com a distribuio Binomial;
Quando consideramos vrias caractersticas de qualidade em conjunto, como arranhes, cascas e
bolhas na superfcie da pintura, os dados coletados fluem em uma distribuio Poisson;
O ponto estimado usado para construir um intervalo de confiana para a atual taxa de defeitos;
Amostras maiores geralmente fornecem um intervalo mais estreito, o que leva a uma estimativa de
capacidade mais precisa.
Introduo ao DOE
OBJETIVOS
Entender a estratgia do Planejamento de Experimentos;

Discutir as diretrizes para o Planejamento de Experimentos;
CAPTULO
Criar um experimento fatorial e aprender sobre princpios e propriedades

de experimentos;
Calcular e interpretar efeitos principais e interaes;
es
Analisar um experimento fatorial completo, gerar grficos, e interpretar
os resultados;
Verificar as suposies dos modelos usando grficos de resduos;
Identificar configuraes timas de fatores usando grficos e otimizao
de resposta.
Viso Geral
APLICAES DO DOE
Determinar quais fatores tm um efeito significativo sobre uma resposta;
Entender o efeito da interao entre duas variveis;
Otimizar a performance de um processo;
Reduzir o tempo de desenvolvimento de novos produtos;
Reduzir a variao de um processo;
Determinar os melhores nveis dos fatores, que otimizam todas as respostas, considerando
tambm segurana e custo.
Diretrizes para DOE
DIRETRIZES GERAIS A SEREM CONSIDERADAS PARA O PLANEJAMENTO DE EXPERIMENTOS:
1. Determine o problema a ser considerado e defina os objetivos do estudo;
2. Escolha os fatores a serem estudados, os intervalos de variao desses fatores e os nveis especficos
de cada um;
3. Determine a varivel resposta apropriada e como mensur-la;
4. Escolha o planejamento experimental adequado;
5. Execute o experimento;
6. Analise estatisticamente os dados resultantes;
7. Tire concluses e faa recomendaes.
Experimentos Fatoriais
O QUE SO EXPERIMENTOS FATORIAIS ?
Experimentos fatoriais permitem o estudo simultneo dos efeitos de vrios fatores em um

processo com um nmero menor de experimentaes;
Os nveis dos fatores variam simultaneamente, ao invs de variar um de cada vez.
QUANDO USAR EXPERIMENTOS FATORIAIS ?
Para estimar de forma eficiente o efeito de cada fator sobre a resposta;

Para estimar os efeitos de interaes entre dois ou mais fatores na resposta;
Para testar a curvatura da resposta pela incluso de pontos centrais no experimento.
Experimentos fatoriais completos
O QUE SO EXPERIMENTOS FATORIAIS COMPLETOS ?
Expto Fatorial Completo: as respostas so medidas em todas as combinaes de fatores experimentais;

Cada condio experimental um ensaio e cada resposta medida uma observao;
O conjunto de todos os ensaios o experimento.
A seguir, experimentos de dois e trs fatores. Os pontos representam uma combinao (ensaio).
Experimentos fatoriais completos
TIPOS DE EXPERIMENTOS
Experimento 2K: cada fator experimental tem apenas dois nveis;

Experimento fatorial completo geral: qualquer fator tem mais de dois nveis.
Por exemplo, o Fator A pode ter dois nveis, o Fator B pode ter trs nveis e o Fator C poder ter cinco
nveis.
POR QUE USAR EXPERIMENTOS FATORIAIS COMPLETOS ?
Os experimentos fatoriais so utilizados para responder a questes como:

Quais variveis tm maior influncia na resposta?
Existem interaes entre dois ou mais fatores que influenciam a resposta?
Quais configuraes de fatores iro otimizar a resposta?
EXEMPL0 13: MAXIMIZANDO A ADESO DE PRIMERS
DE TINTA
PROPOSTA
Calcular e visualizar os efeitos principais e interaes e verificar os pressupostos do modelo.
PROBLEMA
Um fabricante usa primers para melhorar a adeso de tintas para automveis. A equipe de melhoria
do processo quer o tipo de primer e o nvel de presso do spray que maximizam a adeso.
DE TINTA
DADOS COLETADOS
Testar 2 nveis de presso de spray em cada tipo de primer;

Cada combinao de tipo de primer e presso de spray replicada 4 vezes;
Operadores aplicam primer sobre uma superfcie de alumnio usando uma presso de spray
designada. Aps cada unidade experimental ser pintada, eles aplicam uma tinta de acabamento e
medem a fora de adeso.
Create Factorial Design;

Descriptive Statistics;
Analyze Factorial Design;
Residual plots;
Factorial plots.
DE TINTA
ARQUIVO DE DADOS: PRIMER.MPJ
Consideraes finais
RESUMO E CONCLUSES
O experimento indicou que a adeso da tinta maximizada quando o tipo de primer 2 aplicado
usando um spray de baixa presso.
A equipe de qualidade deve considerar o custo de cada tipo de primer;

Pode-se optar por utilizar configuraes de fatores menos timas, se a melhoria no for suficiente
para justificar um aumento substancial nos custos de produo.
EXEMPL0 14: OTIMIZANDO A ADESO DE TINTA
PROPOSTA
Determinar configuraes timas de fatores usando a otimizao da resposta.
PROBLEMA
A equipe de qualidade quer confirmar a melhor configurao para presso de spray e tipo de tinta
identificada no exemplo anterior, no qual foram utilizados mtodos grficos.
DADOS COLETADOS
A equipe decide executar um experimento fatorial completo que teste 2 nveis de presso de spray
em cada tipo de primer;
Cada combinao replicada 4 vezes.
EXEMPL0 14: OTIMIZANDO A ADESO DE TINTA
Response Optimizer.
ARQUIVO DE DADOS: PRIMER.MPJ
Consideraes finais
RESUMO E CONCLUSES
Para otimizar a adeso, use o tipo de primer 2, com a presso de spray baixa;
Nveis mais altos de presso produzem resultados aceitveis, e podem ser necessrios na
produo.
No existe garantia de que existe uma nica configurao tima. Apesar de a otimizao
fornecer uma soluo, pode existir mais de uma regio tima;
A importncia de cada resposta deve ser baseada em seu conhecimento prtico e tcnico do
processo;
Execute experimentos confirmatrios para validar quaisquer concluses.
EXERCCIO J: ASSANDO UM BOLO
PROPOSTA
Analisar um experimento fatorial completo.
PROBLEMA
Um fabricante de bolos precisa determinar o tempo e a temperatura recomendados para assar um

bolo, para ento imprimir essas informaes na caixa onde o bolo ser embalado. O objetivo desse
estudo maximizar o sabor do bolo.
DADOS COLETADOS
Um experimento fatorial completo replicado duas vezes. Todos os bolos podem ser assados em um
nico forno em um nico dia, ento nenhuma varivel de bloco necessria. O sabor medido em
uma escala de 1-36, onde valores altos so melhores. A pontuao do sabor a mdia das notas de
5 avaliadores.
EXERCCIO J: ASSANDO UM BOLO
INSTRUES
1. Crie um experimento fatorial completo com 2 fatores, tempo e temperatura. Replique o

experimento duas vezes. A tabela abaixo contm os nveis dos fatores.
2. Abra o projeto CAKE.MPJ, que contm os dados da resposta.
3. Ajuste o melhor modelo para os dados.
4. Verifique as suposies do modelo usando grficos de resduos.
5. Crie grficos fatoriais ou use a otimizao de resposta para determinar a melhor configurao
para tempo e temperatura.
ARQUIVO DE DADOS: CAKE.MPJ
Experimentos Fatoriais Completos
OBJETIVOS
CAPTULO
Entender poder e tamanho de amostra no contexto de experimentos

fatoriais;
fatoriais
Avaliar o impacto de adicionar rplicas e pontos centrais no poder;
Examinar o impacto de outliers nos resultados e nos grficos de
resduos.
duos
Definir quantas rplicas so necessrias para detectar a diferena
significativa de um fator na resposta.
EXEMPL0 15: ESCOLHENDO O NMERO DE
RPLICAS
PROPOSTA
Determinar o nmero de rplicas necessrias para se alcanar o poder desejado.
PROBLEMA
Nos estgios finais de produo, uma verruma de ao fundido limpa antes de ser embalada.
Fatores: temperatura, tempo e concentrao da soluo de limpeza;
Tarefa: encontrar a combinao de fatores que produz as peas mais limpas.
Uma melhoria significativa da limpeza a reduo do resduo em 5 unidades.

O desvio-padro do resduo de aproximadamente, 6 unidades.
necessrio determinar o n de rplicas necessrias em um experimento fatorial completo de trs
fatores, para que seja detectada uma diferena de 5 unidades com um poder de pelo menos 80%.
EXEMPL0 15: ESCOLHENDO O NMERO DE
RPLICAS
DADOS COLETADOS
S possvel executar 8 ensaios por lote.
Caso escolha um experimento que requeira mais que 8 ensaios, necessrio adicionar uma varivel de
bloco que leve em conta o lote no qual o experimento executado.
Power and Sample Size 2 Level Factorial Design
ARQUIVO DE DADOS: RESIDUE.MPJ
Consideraes finais
RESUMO E CONCLUSES
So necessrias 2 rplicas para se obter um poder de 80%, se no forem includos pontos

centrais no experimento;
Uma rplica com pontos centrais pode tambm alcanar o poder desejado, com menos ensaios;
O experimento com pontos centrais tambm fornece uma forma de testar a resposta atravs de
uma curvatura.
EXEMPL0 16: MINIMIZANDO RESDUOS EM UM
PROCESSO DE LIMPEZA INDUSTRIAL
PROPOSTA
Analisar um experimento fatorial completo e identificar problemas atravs dos grficos de
resduos.
PROBLEMA
No exemplo anterior, determinamos a necessidade de replicar o experimento 2 vezes para
alcanar o poder necessrio para detectar os efeitos desejados.
ARQUIVO DE DADOS: RESIDUE.MPJ
Consideraes finais
RESUMO E CONCLUSES
Neste caso, os dados incluam um valor arquivado incorretamente na resposta. O resduo medido na
linha 10 foi digitado como 63, mas era na realidade 43. Depois de corrigir o dado, esta resposta
deixou de se apresentar como um outlier.
A concentrao no foi um fator significativo neste experimento.
A interao entre tempo e temperatura foi significativa, pois:

Para a temperatura mais alta, o tempo no tem grande efeito na quantidade de resduo
removido das partes;
Para a temperatura mais baixa, o aumento do tempo remove significativamente mais resduo.
Consideraes finais
Um nico ponto discrepante pode ter um grande impacto no ajuste do modelo e nas concluses
obtidas na anlise.
Caso nenhuma razo prtica possa ser encontrada para a existncia de um ponto discrepante, til
determinar como o ponto discrepante afeta as concluses obtidas. Para isto devemos considerar:
Executar a mesma anlise com e sem as observaes discrepantes - verificar se as concluses
mudam;
Mudar o valor do ponto discrepante para valores menos extremos - observar como a magnitude
do ponto discrepante afeta as concluses;
Repetir o experimento. Se as concluses parecem ser altamente dependentes de uma
observao discrepante, verifique se os resultados so consistentes atravs de mltiplos
experimentos.
EXERCCIO K: INVESTIGANDO O DESGASTE DE
MOTOR
PROPOSTA
Analisar um experimento fatorial completo; identificar problemas em grficos de resduos.
PROBLEMA
A equipe de engenheiros de uma empresa deseja estudar o efeito da viscosidade do leo,

temperatura e um aditivo especial no desgaste dos motores. O objetivo encontrar a configurao
destes fatores que minimiza o desgaste.
DADOS COLETADOS
Os engenheiros esto procurando a configurao que produz o menor desgaste. Para tal, eles
replicaram o experimento a fim de obterem dois ensaios para cada configurao, para testarem
todas as possveis interaes. Para realizar o teste na metade do tempo, eles usaram dois stands de
teste. Como os dois stands poderiam afetar os resultados, o experimento foi blocado.
EXERCCIO K: INVESTIGANDO O DESGASTE DE
MOTOR
INSTRUES
1. Use a tabela de dados abaixo para criar um experimento fatorial completo com trs fatores, duas
rplicas e dois blocos;
2. Abra o projeto ENGWEAR.MPJ;
3. Use anlise de experimentos fatoriais para ajustar um modelo.
4. Inclua um diagrama de Pareto dos efeitos;
5. Avalie a adequao do modelo final usando os grficos de resduos;
6. Use os grficos fatoriais para determinar a melhor configurao.
ARQUIVO DE DADOS: ENGWEAR.MPJ
EXERCCIO L: DEFORMAO DE CHAPAS DE COBRE
PROPOSTA
Analisar um experimento fatorial completo geral.
PROBLEMA
Os dois fatores que podem contribuir para a deformao de chapas de cobre so temperatura e
quantidade de cobre das chapas. Acredita-se que a interao desses dois fatores seja importante.
DADOS COLETADOS
Tem-se 2 fatores com 4 nveis cada um. Portanto, o nmero total de ensaios 16. Para se obter
uma estimativa do erro experimental, so utilizadas 2 rplicas. Devido ao tempo de teste requerido,
apenas 16 ensaios podem ser efetuados por dia. Ser executada uma rplica por dia.
INSTRUES
1. Utilize a tabela de dados para criar um experimento fatorial completo com 2 fatores (cada um
Com 4 nveis) e 2 rplicas. aconselhvel certificar-se de selecionar a opo para General full
Factorial design (Experimento fatorial completo geral) na caixa de dilogo Create Factorial Design
(Criar Experimento Fatorial). Uma vez que os dados foram coletados em 2 dias distintos,
necessrio criar a varivel de blocos para as rplicas;
2. Abra o projeto WARP.MTW para obter os dados da resposta para o experimento. aconselhvel
certificar-se de que o experimento esteja exibido na ordem padro e, em seguida, adicionar os
dados da resposta planilha, usando a opo Merge em Open Worksheet (Abrir Planilha);
3. Use anlise de experimentos fatoriais para ajustar um modelo;
4. Avalie a adequao do modelo final usando grfico de resduos;
5. Utilize o grfico dos fatores para determinar as configuraes que minimizam a deformao.
ARQUIVO DE DADOS: WARP.MPJ
Experimentos Fatoriais Fracionados
OBJETIVOS
CAPTULO
Reduzir o nmero de ensaios experimentais usando experimentos

fatoriais fracionados;
Entender experimentos seqenciais;
Usar pontos centrais para aumentar o poder, detectar a curvatura,
e estimar o erro puro de um modelo.
Experimentos Fatoriais Fracionados
O QUE SO EXPERIMENTOS FATORIAIS FRACIONADOS ?
Os experimentos fatoriais fracionados utilizam um subconjunto (ou frao) de um experimento fatorial

completo para obter informaes sobre os efeitos principais e as interaes de menor ordem.
Desta forma, minimizam custos, o tempo despedido dentre outros para execuo do ensaio.
EXEMPL0 17: PERDA DE GRNULOS EM TELHAS
PROPOSTA
Criar e analisar um experimento fatorial fracionado como objetivo de classificao.
PROBLEMA
Problema: perda de grnulos das telhas durante um teste de frico;
Esta caracterstica afeta o tempo de vida da telha;
Supe-se que 6 variveis poderiam impactar significantemente a perda de grnulos.
DADOS COLETADOS
Um experimento fatorial completo com 6 fatores necessitaria de 64 ensaios.
Os engenheiros selecionaram um experimento fatorial fracionado com 16 ensaios.
Com esse experimento, interaes de segunda ordem sero confundidas entre si.
Pareto Chart.
ARQUIVO DE DADOS: SHINGLES.MPJ
Consideraes finais
RESUMO E CONCLUSES
Baseando-se nos resultados do experimento, quatro dos seis fatores so significantes: Press,
Viscosity, Filler%, e LineSpeed. Estudos adicionais devem incluir esses quatro fatores.
Experimentos fatoriais fracionados so comumente usados para rapidamente identificar o

subconjunto de fatores que so ativos.
Na prtica, experimentos fatoriais fracionados com 4, 8, 16 e 32 ensaios so muito teis.
EXEMPL0 18: MAXIMIZANDO UMA REAO
CATALTICA
PROPOSTA
Criar e analisar um experimento fatorial fracionado.
PROBLEMA
Estudar como uma reao cataltica converte substratos em um produto final;
Eles se restringiram a uma lista de influncias em potencial: taxa de alimentao, catalisador,
agitao, temperatura e concentrao percentual;
O objetivo maximizar o percentual de substrato consumido em uma reao.
CATALTICA
DADOS COLETADOS
Tem-se oramento suficiente para fazer 35 ensaios.
A equipe poderia desenvolver um experimento fatorial completo (25) e usar 32 ensaios no
primeiro experimento.
Mtodo melhor: executar um experimento fracionado e posteriormente, decidir sobre
experimentos subseqentes.
A equipe decide usar uma frao de 16 ensaios, poupando tempo e dinheiro para outros
ensaios que possam ser necessrios.
Display Design;
Analyze Factorial Design.
CATALTICA
ARQUIVO DE DADOS: REACT.MPJ
Consideraes finais
RESUMO E CONCLUSES
Podemos concluir que para maximizar o percentual de substrato consumido na reao:

A taxa de alimentao e agitao no tem um impacto significativo;
O catalisador B, a uma temperatura de 180 e uma concentrao de 3% maximiza o consumo
de substrato.
O trabalho foi iniciado com frao , com 16 ensaios para 5 fatores. Contudo, 2 dos fatores no
foram significativos.
Portanto os 16 ensaios tornaram-se um experimento fatorial completo com 2 rplicas para os 3
fatores significativoso catalisador, a temperatura e a concentrao percentual.
Consideraes finais
Ainda existe dinheiro no oramento para ensaios adicionais. A equipe pode usar o Catalisador B, que
claramente melhor, e continuar a test-lo com novas configuraes de temperatura e
concentrao, com valores prximos de 180 C e 3%, respectivamente. A experimentao
contnua pode permitir aumentar ainda mais a converso de substrato.
CATALTICA
PROPOSTA
Testar a curvatura usando pontos centrais.
PROBLEMA
A equipe responsvel pelo controle de qualidade quer maximizar uma reao cataltica.
Eles decidem usar o Catalisador B do experimento anterior e variar os fatores
significativos Temperature (Temperatura) e Concentration (Concentrao). A equipe sabe
que o ponto timo est prximo das configuraes de 180 F e 3% de concentrao.
CATALTICA
DADOS COLETADOS
O oramento suficiente para a realizao de mais 19 ensaios. A equipe quer executar
um experimento fatorial completo (22) com 2 pontos centrais, e portanto, utilizar 6
ensaios neste segundo experimento. Eles decidem centrar o experimento nas
configuraes timas conhecidas no momento - a temperatura de 180 F e a
concentrao de 3%.
A equipe escolhe fazer 2 novos ensaios a 180 F, 3%. Por que no usar os resultados do
primeiro experimento? Porque a equipe no pode garantir exatamente as mesmas
condies do experimento anterior, portanto melhor efetuar 2 novos ensaios e
consider-los como ensaios confirmatrios do primeiro experimento. Pontos centrais
podem ser usados para determinar se um modelo quadrtico necessrio para descrever
a relao entre temperatura, concentrao e reao percentual prximas do valor mximo
de substrato consumido.
CATALTICA

Pareto Chart;
Residual plots;
Factorial plots.
ARQUIVO DE DADOS: REACT2.MPJ
Consideraes finais
RESUMO E CONCLUSES
Embora no haja evidncia de interaes lineares ou de efeitos principais na reao cataltica

devido temperatura e concentrao, h evidncia da presena de um efeito quadrtico.
Esse experimento tem um poder muito baixo, e no foi a melhor escolha. Um experimento
melhor incluiria 2 replicaes, mas necessitaria de 12 ensaios.
Ao descobrirmos evidncia de curvatura em um modelo fatorial, devemos continuar o experimento

utilizando superfcie de resposta.
EXERCCIO M: QUALIDADE DO SABO EM BARRA
PROPOSTA
Usar pontos centrais para aumentar o poder de um experimento fatorial fracionado.
PROBLEMA
Fbrica de sabes em barra;

Otimizar 4 variveis que afetam a tenso de escoamento: temperatura de extruso, tamanho do
equipamento, temperatura de evaporao, e velocidade da linha de produo;
A tenso de escoamento varia de 3 a 15, com um desvio-padro de 1,15.
Uma diferena to pequena quanto 3 unidades impacta significantemente as caractersticas da
barra.
Uma curvatura pode estar presente no experimento, mas tcnicos nunca verificaram essa
possibilidade.
Idealmente, o fabricante pode produzir barras com uma tenso de escoamento alvo de 8 kPa,
usando um nvel de significncia de 0,05.
DADOS COLETADOS
Devido s consideraes de tempo e custo, no mais que 14 ensaios so possveis durante essa fase
do processo de melhoria.
INSTRUES
1. Calcule o poder para um experimento de frao com apenas 1 replicao.

2. Calcule o nmero de pontos centrais necessrios com o experimento de frao para obter ao
menos 80% de poder.
3. Abra o arquivo de dados YIELDSTRESS.MPJ. Analise os resultados desse experimento de
frao, que inclui 5 pontos centrais. A curvatura est presente? Quais efeitos so
significantes? Quais efeitos significantes esto confundidos?
ARQUIVO DE DADOS: YIELDSTRESS.MTW
EXERCCIO N: MELHORANDO UM PROCESSO DE
SOLDAGEM POR RESISTNCIA ELTRICA
PROPOSTA
Analisar um experimento com 6 fatores e frao.
PROBLEMA
Um processo de soldagem por resistncia eltrica utilizado para unir cabos de ao para formar
uma grade. Durante esta soldagem, altos nveis de corrente eltrica passam atravs de um eletrodo
e pelas peas de metal a serem ligadas. O calor resultante da elevada corrente faz com que as duas
peas se fundam uma na outra.
PROBLEMA
Um estudo da resistncia das juntas soldadas mostra que, em mdia, a resistncia das juntas
soldadas est acima do mnimo requerido (1,150). Contudo, h considervel variabilidade na
resistncia da soldagem. So executadas verificaes do processo a cada hora. Se o operador
obtm falhas abaixo da resistncia alvo, ele deve corrigir o problema.
Os operadores tm controle sobre a corrente, a fora do eletrodo e o tempo de soldagem. Outros
fatores que se acredita que contribuam para a variabilidade na resistncia da solda so a
limpeza das peas, a condio do eletrodo e o alinhamento das peas.
DADOS COLETADOS
Para se investigar os 6 fatores e as interaes em um experimento fatorial completo seriam

necessrios 64 testes. Para minimizar o tempo de parada na produo e o nmero de
unidades testadas destrutivamente, os engenheiros decidiram efetuar um experimento fatorial
com frao.
INSTRUES
1. Utilize a tabela de dados abaixo para criar um experimento fatorial fracionado 2(6-1).
2. Abra o projeto WELD.MPJ para obter o experimento com os dados da resposta.
3. Analise os dados de resistncia e ajuste um modelo apropriado.
4. Verifique a adequao do modelo analisando os grficos de resduos.
5. Gere os grficos de fatores para ajudar na interpretao. Quais so as suas recomendaes
para melhorar a resistncia da soldagem? Com os parmetros de soldagem configurados em
nveis que do altas resistncias de soldagem, quanta variabilidade poder-se-ia ainda esperar
de encontrar nos dados?
ARQUIVO DE DADOS: WELD.MPJ

Minitab 14

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Minitab 14

Uploaded by

Copyright:

Available Formats

ESTATSTICA

Julia Pinto de Carvalho - Coordenadora Tcnica

Neste curso, temos como principal objetivo:

z Avaliar o sistema de medio e inspeo de processos;

z Aprender os fundamentos bsicos do Controle Estatstico de Processos (CEP);

z Verificar se o processo capaz de atender as especificaes do cliente;

z Identificar fatores com efeitos significantes em uma resposta.

H mais de 30 anos, a Minitab Inc. oferece softwares e servios

MINITAB Statistical Software:

Desenvolvimento de projetos com abordagem Seis Sigma e/ou

Minitab Statistical Software:

Desenvolvido em 1972, na Pennsylvania State University;

Objetivo: Auxiliar professores no ensino de Estatstica;

Utilizado por aproximadamente 4.000 escolas e universidades

Ferramenta preferida para as empresas que focam esforos na

Minitab Quality Companion

Determinar a adequacidade dos sistemas de medio;

O QUE AVALIAR UM SISTEMA DE MEDIO?

A anlise do sistema de medio: avalia as propriedades deste sistema, assegurando-nos da

QUANDO AVALIAR O SISTEMA DE MEDIO

O sistema de medio deve discriminar a diferena entre os itens adequadamente para um

Responder pelo menos uma das seguintes questes:

O QUE UM GAGE R&R STUDY (CROSSED)

Variao do sistema de medio subdividida em:

Proceder as medies aleatoriamente.

QUANDO USAR O GAGE R&R STUDY (CROSSED)

Use o Gage R&R Study (crossed):

PORQUE USAR O GAGE R&R STUDY (CROSSED)

O Gage R&R Study pode responder questes tais como:

Os erros de um sistema de medio podem ser classificados dentro de duas categorias:

Composta por trs componentes:

Use o Gage R&R Study (Crossed) para acessar:

a amplitude do limite de especificao definido pelo cliente.

Acessar como a preciso de um aparelho de medio e do operador afeta a variabilidade

O elaborador de um bocal para bomba de combustvel instalou um novo sistema digital

O 1 operador efetuou as medies para cada um dos 9 bocais em ordem completamente

Gage R&R Study (Crossed).

ARQUIVO DE DADOS: NOZZLE.MPJ

1. Abra o arquivo NOZZLE.MPJ

A seguir apresentamos o guia da AIAG para um sistema de medio aceitvel.

IMPORTANTE: Assim como ocorre em outros estudos de MSA e de Planejamentos de Experimentos,

VARIAO HISTRICA DO PROCESSO

Gage R&R Study (Crossed).

ARQUIVO DE DADOS: RIMSTRIP.MPJ

O sistema de medio adotado necessita de algumas melhorias.

Talvez a variao entre os itens seja a fonte do efeito de interao observado.

1. Use o Gage R&R Study (Crossed) para analisar os dados coletados.

ARQUIVO DE DADOS: GAGECOLOR.MPJ

3. Use o Gage R&R Study (Crossed) para analisar os dados coletados.

ARQUIVO DE DADOS: PAPER.MPJ

O QUE UM GAGE R&R STUDY (NESTED)

QUANDO USAR O GAGE R&R STUDY (NESTED)

PORQUE USAR O GAGE R&R STUDY (NESTED)

O Gage R&R Study (Nested) pode responder questes como:

Gage R&R Study (Nested)

ARQUIVO DE DADOS: INGOTI1.MPJ

Identificar adequacidade do sistema de medio quando as medidas so obtidas atravs de testes

Os 27 dados coletados foram testados e a resistncia de impacto foi anotada.

1. Use o Gage R&R Study (Nested) para analisar os dados coletados.

ARQUIVO DE DADOS: INGOT2.MPJ

O QUE O ESTUDO DA LINEARIDADE E DO VCIO?

Acessa o vcio potencial e a linearidade da operao quando um sistema de medio utilizado.