se fe CapituLo 5 GRAFICOS DE CONTROLE PARA VARIAVEIS EsQUEMA DO CaPiTULO 51. Lwtropucao 52 GrdFicos De ConTROLE Para FER 5:21 A Base Betatistica dos Grafs 5:22 Desenvolvimento e Uso dos Graficos de # @ R 523 Graficos Baseados nos Valores de Referéncia 5:24 Interpretagdo dos Gaticos ¥ eR 5:25 0 Beto da No-normalidade nos Graficos ¥ © R 526 A Fungdo Caracteristica de Operagio 527 0 Comprimento Méstio a Secrléncia para oGratico Uma caracteristica da qualidade que € medida em uma escala ‘wmérica é chamada variavel. Exemplos incluem dimensdes tais ‘como tamanho ou largura, temperatura e volume. Este capitulo ‘presenta os graficos de controle de Shewhart para esse tipo de saractetistica da qualidade. Os grificos de controle ¥ ¢ R sfio ivitas caracterésticas da qualidade podem ser expressas em ter- os de una medida numérica, Por exemplo, o diimetro de umn nancal pode ser medido com um micrémetro ¢ expresso em ilimetros, Uma medida ica de uma caracterstica da quali- de, tal como dimensdo, peso ou volume, ¢ chamada variével \eificos de controle para varidveis sto amplamente utilizados, ‘Ao lidarmos com uma caraceristica da qualidade que é uma sive, € usualmente necessério monitorar tanto o valor medio \2caracteristica da qualidade como a sua variabilidade. O contro- leda média do processo ou do nivel médio da qualidade é usual- nente feito através do grafico de controle para médias, ou grfico | A variabilidade do processo pode ser monitorada tanto através { grifico de controle para o desvio padrio, chamado gritico S, ftwno peto gréfico para amplitude, chamado grafico R. O grfi- [> R é mais usado. Ei geral, mantém-se grificos ¥ e R separa- ‘bs para cada uma das carateristicas da qualidade de interesse. 5-3 GRaricos OF CONTROLE PARA F ES 5-31 Construgéo © Operagso dos Graficos ¥ e $ 5:32 Os Graficos de Controle # @ S com Tamanho de Amostra Variavel 5:83 0 Grifico de Controle S¢ O Grarico ot ConTROLE DE SHEWHART PARA ‘Mepioas InpiviDuAls SumAnto DOS PROCEDIMENTOS Paka OS GRAFICOS ERES APLICAGOES DOS GRAFICOS DE CONTROLE PARA, Vaniavels VISAO DO CAPITULO amplamente utilizados para monitorar a média ea variabilidade de varidveis. Diversas variagdes dos gréficos ¥ e R sio também apresentadas, incluindo um procedimento para adapti-los a me- ddidas individuais. O capitulo termina com aplicagdes tipicas dos _gréficos de controle para varidveis, 5-1 INTRODUGAO (No entanto, se as caracteristicas da qualidade sio estreitamente relacionadas, isso pode levar a resultados enganosos; ver Cap. 11 dda Parte IT.) Os grificos ¥ e R (ou S) estdo entre as mais impor {antes ¢titeistécnicas de contsole e monitoramento de processos. Note que € importante manter controle tanto sobre a média do processo quanto sobre a variabilidade do processo. A Fig. 5- {ilustraa safda de um processo de produgao. Na Fig. 5-laa média 4 0desvio padrao crestdo ambos sob controle nos seus valores rnominais (digamos, 45 € oj); consequentemente, a maior parte da saida do processo esti localizada dentro dos limites de espe- cificagdo. No entanto, na Fig, $-1b a média se deslocou para um valor 1, > oy resullando em uma fragtio maior da produgao fora das especificagdes. Na Fig. 5-Ic 0 desvio padrdo do processo deslocou-se para um valor ¢, > ap, Isso também resultaem uma maior fragio de falla, apesar da média do processo permanecer no seu valor nominal,130 cartruro cinco 5-2 GRAFICOS DE CONTROLE PARA ¥ ER 5-2.1 A Base Estaristica Dos Graricos ‘Suponha que uma caracteristica da qualidade seja normalmente distribuida com média yz ¢ desvio padrdo , senda ambos os valores je o conhecidos. Se xy, x, ... 6 uma amostea de ta ‘manho n, entio a média dessa amostra é wha bet, cesabemos que ¥ énormalmente distribufda com média re des- vio padrio o ; =a Jn. Além disso, hé uma probabitidade 1 ~ cede qualquer média amostral car entre « Ht Zante M+ Zui (Sela) In e b> Zande = b~ Zyn S-1b) Entio, se jt so conhecidos, as Egs. 5-La e 5-1b podem ser uusadas como limites de controle superior e inferior em um grifi- co de controle para médias amostrais. Como observado no Cup 4, € comum substituir Zyq por 3, de modo que 0s limites ti sigma so empregados. Se uma média amostral cai fora dese, limites, isso € uma indicacao de que a média do processo nog mais igual a Assumimos que a distribuigio da caracteristica da qualidaie € normal. No entanto, os resultados acima ainda $40 aproxina. damente corretos mesmo que a distribuigao subjacente nlo sg ‘normal, por causa do teorema central do limite, Na Sega0 5.25 discutiremos o efeito da hipstese de normalidade sobre os grif- ‘cos de controle para variéveis, Na pratica, em geral no conhecemos 41 € o. Entio, cles de vem ser estimados a partir de amostras ou subgrupos prelimina. rs, retiradlos quando o processo supostamente estava sob con tole. Tais estimativas devem se basear em pelo menos 20 0u25 ‘amostras. Suponta que m amostras estejam disponiveis, cada ura ‘com n observagdes da caracteristica da qualidade, Tipicamente, nerd pequeno, frequentemente 4, 5 ou 6, Esses pequenos tana thos de amostra resultam em geral da construgo de subgrupes racionais e do fato de que os custos associados & amostrageme inspegao de medidas de variaveis so relativamente altos, Sejan Kissy aS médias de cada uma das amostras. Entdo, 0 we rmetiorestimador de 1, a média do processo, & a médla gra isto ine ¥e Lie +Ht +k, sponte oereagia 62 Assim, ¥ deve ser usado como a linha central no grfico 7 <0 Para construir os limites de controle, € necesséria uma et: rativa do desvio padro 0. Lembre-se do Cap. 3 (Segao 3-2) que podemos estimar 0, ow através dos desvios padrao, ov das am ee plitudes das m amostras. No momento, vamos n0s concentrarm ete re rétodo da amplitude. Se. %,...., €uma amostra de tamara a anne, ‘,entto a amplitude da amostra € a diferenga entre a maior © menor observagao; isto é, R= Soi ~ San < NS Sejam R,, Ra... Ry as amplitudes das m amostras. A armplitut a = média é Lue Lune secre sper maa ids Rit Rpt os + Ry 63) ™ Fig. SA necessidade de contiolar a méuiae a varablidade do proces ‘50. (a) Média e desvio pads nos niveis nominais (b) Média do processo a> bs (6) Deavio patito do processo 0, > 0 ‘Aptesentamos a seguir as formulas para a construgao dos! | mites de controle para o grafico ¥. Séo as seguintes: 'sti ye sho ea ide Limites de Controle para o Grifico = LsC =¥+4,R (5-4) Aconstante A, encontra-se tabulada para vérios tamanhos de amostra na Tabela VI do Apéndice. A vatiabilidade do processo pode ser monitorada plotando. se0s valores das amplitudes amostrais R em um gréfico de con- tole. A linba central ¢ 0s limites de controle para 0 grafico R slo 0s seguintes: ites de Controle para 0 Grafico R | LSC = DR | Linha central = (5-5) | eae {As constantes D, ¢ D, encontram-se tabuladas para varios valores de n na Tabela VI do Apéndice DepucAo pas EQuacoes 5-4 & 5-5 ‘Adedicdo das equagGes para océlculo dos limites de controle dos srficos Fe R € relativamente simples. No Cap. 3 (Sedo 3-2) vi- nos que existe uma relago bem conhecida entre a amplitude de uma amostra de uma distribuigdo normal eo desvio padi de tal disuibuigdo. A varivel alea6ria W = Rlaré chamada amplitude ‘elativa. Os parmetts da distribuigdo de W so funges do tama- tho da amostra n, A média de W é d,, Consequentemente, um | estimador de o€ o° = Rid,. Valores de d; para diversos tamanhos, | de amosira so apresentados na Tabela VI do Apéndice. Assim, se amplitude média das m amostras preiminares, podemos usar (5-6) para estimar.g. Esse é um estimador nio-viesado de or Usando = como estimador de je R/d, como estimador de | entio os pardmettos do grafico so eon Linha central uc GrAnicos ne Conrnove Pana Vanavers 131 Se definimos 3 A= 5-8) ZAR (8) entdo a Eq. 5-7 se reduz & Eq. 5-4 Consideremos agora o grafico R. A linha central seré R. Para determinar os limites de controte, precisamos de uma estimativa de oy. Supondo que a caracteristica da qualidade seja normal- mente distribuida, é, pode ser determinado a partir da dist buigao da amplitude relativa W = Rr. O desvio padrao de W, digamos d,, é uma fungao conhecida de n, Entdo, como R= Wo o desvio padrio de Ré op= do Como oré desconhecido, devemos estimar ¢, por : R ana (5-9) Conseqtientemente, os pardmetros do gréfico R com os limites usuais trés-sigma si LSC = R + 36% Linha central Lic Definindo a Eq. 5-10 se reduz a Bg, 5-5. Limits pe Controte Tentativos Quando amostras preliminares so usadas para construir 08 gre ficos de controle eR, é costume tratar os limites obtidos pelas Eqs. 5-4 e 5-5 como limites de controle tentativos. Eles nos permitem determinar se o processo estava sob controle quando ‘as m amostra iniciais foram selecionadas, Para testar a hipétese de controle do processo no passado, os valores de ¥ e R de cada amostra so plotados em um grafico, que € analisado, Se todos ‘8 pontos caem dentro dos limites de controle e no se observa qualquer comportamento sistemético, entio pademos concluit132 Cartruo cuca que 0 processo estava sob controle no passado e que os limites de controle tentativos sao apropriados para controle atual ou fu- turo da produedo. Essa andlise dos dados passados € as vezes chamada fase I da anilise. E altamente recomendével que se te= ‘nha 20-25 amostras ou subgrupos de tamanho n tipicamente, n deve estar entre 3e 5) paracalcular os limites de controle tenta- tivos. Naturalmente, €possivel trabalhar com menos dados mas 6s limites de controle ja ndo sero tdo confiveis. Suponha que um ou mais valores de ¥ ou R'se afigurem fora de controle quando comparados com 0s limites de controle tentativos. Obviamente, se os limites de controle para a produ- 620 atual ou futura devem ser significativos, eles tém que ser bbaseados em dados de um processo que esteja sob controle. En tio, se a hipétese de controle passado é rejitada, torna-se ne- cessria uma revisio dos limites de controle tentativos. Isso é feito examinando-se cada um dos pontos fora de controle, pro- cura de uma causa atribuivel, Se uma causa atribuivel éidentfi- cada, 0 ponto€ descartado e os limites de controle tentativos sto recalculados, usando apenas os pontos restantes. Esses pontos restantes sfo, em seguida, reexaminados. (Note que os pontos que estavam inicialmente sob controle podem agora estar fora de controle, porque os novos limites de controle tentaivas em ge- ral serdo mais restritivos que os anteriores.) Prossegue-se com esse processo até que todos os potas estejam sob controle, quan- do 0s limites de controle tentativos séo adotados como limites para uso atual. Em alguns casos, ¢ possivel que nio se identfique uma causa atribuivel para um ponto que esteja fora de controle. Hi dois ramos de ago abertos para nds. O primeiro ¢eliminar 0 ponto, 5-2.2 DESENVOLVIMENTO E Na segdo anterior apresentamos a base estatistica para os gréfi- cos de controle ¥ R, Hustraremos agora a construgdo.e aplica- a Anis de pistio para motores de automéveis so produzidos por ‘um processo de forja, Queremos estabelecer um controle esta- tistico para o didmetro intemo dos anéis produzidos por esse processo usando grificos ¥ € R. Vinte e cinco amostras, cada uma de tamanho cinco, foram extraidas desse processo quan- do se pensava que 0 mesmo estava sob controle. As medidas, dos diaimetros intemnos para essas amostras so exibidas na Tabela 5-1 Quando construimos gréficos de controle ¥ € R é melhor ‘comegar com o gréfico R. Como os limites de controle no gré- fico ¥ dependem da variabilidade do processo,tais limites nfo serdo significativos, a no ser que a variabilidade esteja sob tal como se uma causa aribuive tivesse sido determinada. Nj, ‘hd nenhuma justficativa analitica para escother tal acio, 2 3, ser Fato de 0s pontos fora de controle terem provavelmente oriundos de uma distribuigao de probabilidade caracteristca ‘um processo fora de controle. A alternativa € reter 0 ponto fy ;pontos) tomando os limites de controle tentativos como aprope, ‘dos para uso atual, Naturalmente, se o ponto de fato represen, ‘uma situagao fora de controle, os limites de controle resultant, sero muito folgados. No entanto, se hé apenas um ou dois de. ses pontos, isso nao resultard em distorgdes significativas dy arifico de controle. Se amostras futuras ainda indicarer o cop {role do processo, entio os pontos inexpliedveis podem ser. uramente descartados. Ocasionalmente, quando 0s valores ¥ e R das amostras i ciais so plotados em termos dos limites de controle tentativn, ‘pode acontecer que vérios pontos caiam fora dos limites. E clay ue, se descartarmos aritrariamente todos esses pontos, trees ‘uma situagio insatisfatsria, uma vez que restardo poucos dado pa recalcular limites de controle confidveis. Suspeitamos ta bbém de que essa abordagem jgnoraré informagio relevante coe tida nos dados. Por outto lado, € pouco provével que a procus de uma causa aributvel para cada um dos pontos fora de con trole tenha sucesso, Temos constatado que, quando mits és amostrasinicals resulta em pontos fora dos limites de con. le tentativos, é melhor nos concentrarmos no padro formado po esses pontos. Tal pedro quase sempre existiré. Geralmente, 2 causa atribufvel associada com o padtdo dos pontos fora de car trole é facilmente identificada. A remogdo deste problema en 74,050} \ ) +10 ( Meezamn) 0.0099 = M-5,15) + 1 = 4,04) = 0 +1 ~ 0,99998 = 0,00002, to cere 9008 (20 pares por mio (ppm) dos anis se is etr fora das expecticgtes Sua fone de exprestaracapactade do proceso 6m sou sn rao (ou fee) da capacidade do processo (RCP) 1 da parm ura caren da qualidade com ites Cena infro de especifeasso LSCe LIC como Isc = Lic * 60 sete que a extens 6 do proceso & a definiao Wisin daca pune do process. Como oem gral esconesido, tos era rae aire ee a Rid, como estimativa de a, resultando em uma estimativa ano process de produto Je aren de ps, come (1008, enconvumes que (sl) = _ 7405 ~ 73.95 © =~ 5050088) 0,10 0,0594 = 168 sso significa que os limites de toleréncia “naturais” (trés-sigma ‘cima ¢ abaixo da média) estio dentro dos limites inferior e su- perior de especificagio. Conseqientemente, um niimero relati- vamente baixo de anéis de pistio ndo-conformes serd produc: do. A RCP G, pode ser interpretada de outra forma. A quan- tidade r-(2)om é simplesmente 2 percentagem da faixa de especificagdo sada pelo sistema, Para o processo de produgdo de anéis de pistlo, uma tstimativa de P & Grinicos 96 ConTROLE Pana Vartivess 135 ew te Ke Sit ise Jae —rhe— 30 | w SS Thr ar oan o Fig. 6 Discordancia do processo wa ranto da capacidade do process0 C, Isto 6,0 processo usa aproximadamente 60% da faixa de especi- ficagao. A Fig. 5-5 ilustra tr8s casos de interesse relativos a RCP 28s especificagdes do proceso. Na Fig. 5-Sa, aRCP C, €mai- for que um. Iss0 significa que 0 processo usa menos de 100% da faixa de tolerancia, Conseqilentemente, relativamente pou- 0s itens ndo-conformes serdo produzidos por esse processo. A Fig. 5-5b mostra um processo para o qual a RCP C, = 1; isto 6,0 processo usa toda a faixa de tolerdincia. Para uma distribui- ‘so normal, isso implicaria em cerca de 0,27% (ou 2700 ppm) de unidades ndo-conformes, Finalmente, a Fig. $-Se apresenta ‘um processo para o qual aRCP C, < 1; isto 6, © processo usa mais de 100% da faixa de tolerdncia. Nesse caso, o processo muito sensivel e um grande mimero de pegas ndo-conformes serd produzido. Note que todos os casos na Fig. 5-5 assumem que 0 processo cesta centrado no ponto médio da faixa de especificago. Em rmuitas situagdes este ndo serd 0 caso e, conforme veremos 10 Cap. 7 (que é dedicado a um tratamento mais extensivo da ana lise da capacidade do processo), alguma modificagio da RCP C, serd necesséria para descrever adequadamente a situagao. Revisio Dos Lawrres pe Conraoce & Livias CENTRAIS Devemos sempre tratar 0 conjunto inicial de limites de controle como limites renarivos, sujeitos a tevisio posterior. Em geral, 0 uso efetive de qualquer gréfico de controle exigiré revisio pe-136 carte creo ridiea dos limites de contoee tnhas cents. Alguns prt ‘antes estabelecem perfodos regulars pra aevisio dos limites do grtico de contoe, tis como toda semana, todo més, ou a cala 25,50 00 100 amostas. Quando da revisio dos limites de controle, lembre-se de qu €altamenterecomendavel a utiliza co de pelo menos 25 amostas ou subgrupos(algumas autor Gades ecomendam 200-300 abservagdesndividis) no csleu- to dos limites de controle. ‘Algumas vezes ousuétio poder substtuir a linha central 90 ardfico ¥ por um valor-alvo, digamos Se grafico Rexibe contoe, iso pode ser tl no desloeamento da media do proeesso parao valor desejado,parcularmenteem proessos onde amédia pode ser alterada por um simples ajuste de uma vatidvel Imanipulével no process, Sea media no faitmeneinfuen- ciada por um simples ajuste do processo, enti ¢ povivel que Sejauma fungfo complexa edesconhecida de vivias variveis do processo ¢ um valor-alvo i, serd de poucautilidade, uma vez gue 0 uso de tal vaor poderdresultar em muitos pontos fora dos limites de conte. Emtais casos no saheremos necesaramente se opontocstava realmente assoiado a uma causa atbufve ou se ele caiu fora dos limites por causa de uma escolha infeliz para a linha central Quando o sritico Rest fora de canoe, em geral scart: sos 08 ponts fre de controle e reclelamos um valor revisto de B. Esse valor é eno sade para deteminar novos limites © linha central no grifico R e novos limites no grafico Z. Isso estritardos limites em ambos os grficos, tomando-os consi tentes com um desvio padrio o do processo compativel com o uso do revisto na relagdo Rid. Essa estimativa de o pode serusada como base da andlise pr cesto TApeLA 5-2 Amostras Adicionais para o Exemplo 5-1 Contiwuagéo bos Graticos T&R ‘Uma vez definido um conjunto confivel de limites de come, © grfico de controle ¢ usado para monitorar a producio fut, Tal etapa é chamada as vezes de fase 2 da utilizago dos si cos de controle. Quinze amosteasadicionais do processo de produglo deans, {de pistdo foram coletadas depois de estabelecidis os pratico je ‘controle. Os dados para essas novas amostras estéo na Tabelys 2s continuagdes dos grificas ¥ ¢ R so dadas na Fig. 5.6.0, ttificos de controle indicam que © processo esté sob contr, até a exibigdo do valor de ¥ para a trigésima sétima amosin Como esse pont e os trés subsegiientes caem acima do liniy superior de controle, devemos suspeitar que uma causa ary, vel ocorreu naquele momento. O padrdo geral dos pontos mp aritico ¥ a partir do subgrupo 34 au 35 6 indicativo de um dy Jocamento na média do processe. Uma vez que o grifico de controle é estabelecido e esta sp do usado no monitoramento on-line do processo, € sempre tn tador usar as regras sensibilizantes (ou regras da Wester Elect) discutidas no Cap. 4 (Seea0 4-3.6) para acelerar 2 detecgao de locani} cetes. Por outro lado, se queremos detectar pequenos deslo- Je entr nents, entdo amostras maiores com tamanhos variando de pO) €H = 15 an = 20 serdo necessérias. Quando amostras menores ‘aria usadas, hd menor risco de ocorer uma mudanga no processo tempt eaquanto a amostra esta sendo retirada. Se ocorre uma mudan: we qu durante areirada da amostra, a média amostal pode ocul- ‘fics jj tr esse fato. Conseqiientemente, esse é um argumento que fa- sstiml rece ouso de amostras to pequenas quanto onecessério para 0 dosF rani a consisténcia com a magnitude da mudanga do pro- ‘entrodl cesso que se queira detectar. Uma alternativa ao aumento do is). Cot} umanho da amostra é usar limites de alerta e outras técnicas Dilidad)sibitizantes para acentuar a habilidade do grafico de controle >a 69} en detectar pequenos deslocamentos no proceso, No entanto, |oinforme discusso no Cap. 4, nés nfo favorecemos 0 uso r0- taeio de tas regras sensbilizantes. Se voc? est interessado ‘em pequenas mudangas, use 0s gréficos CUSUM ou MMEP amresentados no Cap. 8 | O grafico R é relativamente insensivel a mudangas no desvio \ mario do processo para pequenas amostras, Por exemplo, amos- médid ts de tamanho n= 5 terfo apenas 40% de chance de detectar ito great primeira amostra uma mudanca no desvio padrao do proces- var fod de ¢ para 2. Amostras maiores serio mais efiientes, mas 40 € unl bemos também que o método da amplitude para estimar odes- as vat o padrio perde eficiéncia rapidamente quando n aumenta trole d* Assim, para valores grandes de n — digamos, n> 10 ou 12 — 4 amot éprovavelmente melhor usar 0 gréfico de controle para $ ou 2s suplto ugar do grafico R. Detalhes da construgso de tis grficos sio dados nas Segbes 53.1 € 5-32. cont 139 CGnArtc0s 06 CowTROLE PARA VARLAVEIS De um ponto de vista estatistico, as curvas caracterfsticas de coperagio dos graficos © e R podem ser iteis na escotha do ta- ‘manho da amostra. Eas fornecem ao analista uma iia sobre a ‘magnitude do deslocamento no processo que ser detectada com ‘uma determinada probabilidade para qualquer tamanho de amos- tka n, Essas curvas caractersticas de operacao serdo discutidas na Segio 5-26. A escolha do tamanho da amostra€ da frequéncia de amos- tragem é um dos problemas de alocagio dos esforcos de amos- tragem, Em geral,o decisor teré apenas um numero limitado de recursos para alocar ao processo de inspecdo. As estratégias di pontveis sfo, ou tomer pequenas e frequentes amostras, ou to- mar amostras maiores menos freqientemente. Por exemplo, a cescolha poderia recair entre trar amostras de tamanho 5 a cada meia hora ov trar amostras de tamanho 20 a cada 2 horas. E impossivel dizer qual estratégia ser melhor em todos 0s cas0s, ‘mas aindstia atualmentefavorece pequenas e frequentes amos- tras. O sentimento geral € que, seo intervalo entre as amostras € ‘muito grande, muitos itens defeituosos serdo produzidos até que corr a préxima oportunidade para detectar a mudanga no pro- cesso, Do ponto de vista econdmico, seo custo associado & pro- dugio de itens defeituosos é alto, o sorteio de menores ¢ mais, frequentes amostras é melhor. Intervalos de amostragem varid- ves ¢ tamanhos de amostras também variveis podem, natural- mente ser usados. Vide Cap. 9. ‘A taxa de producio também influencia aescolha do tamanho dda amostra eda freqiiéncia de amostragem. Se a taxa de produ- gio € alta — digamos, 50.000 unidades por hora — entéo uma amostragem mais frequente é mais recomendvel do que a uma taxa muito baixa de produglo. A taxas alts de produgio, muitos itens nio-conformes podem ser produzidos em um pequeno in- tervalo de tempo quando o pracesso softe alteragio, Além dis- $0, a taxasaltas de produglo, € as vezes possivel obter amostras razoavelmente grandes de maneira econémica, Por exemplo, se 0 processo opera a uma taxa de 50.000 pesas por hora, néo deve haver grande diferenga no tempo para coletar uma amostra de tamanho 20 comparado com o tempo para coletar uma amostra de tamanho 5. Se 03 custos de inspegao teste por unidade no so muito altos, processos de produgio de alta velocidade so «em geral monitorados com amostras de tamanhos moderadamen- te grandes, © uso dos limites de controle trés-sigma nos graficos ¥ e Ré ‘uma prética generalizada. H4situagOes, no entanto, que desvios dessa escolha costumeira podem ser benéficos. Por exemplo, se alarmes falsos ou erros tipo I (um alerta de fora de controle € gerado quando o processo esté de fato sob controle) s80 muito ccaros para serem investigados, entio é melhor usar limites de controle mais largos que trés-sigma — talvez ao largos quanto 3,5-sigma. No entanto, se 0 processo € tal que os alertas de fora de conirole sto fécil erapidamente investigados com uma perda minima de tempo e custo, entaa limites mais estreits,talvez 2,5- sigma, sio mais apropriados.140 castrurocnsco ‘Mupaxbo 0 Tamanto Da AMosrea Nos Grsricos ¥ &R Aptesentamos 0 desenvolvimento dos gréficos de controle ¥ € RR supondo que o tamanho da amostra permanecia constante de amostra para amostra. No entanto, hé situagbes nas quais o ta- manho n da amostra nio € constante. Uma situagéo é ade tama- nho de amostra varidvel; isto €, cada amostra pode consistir de uum nimero diferente de observacbes. Os gréficos ¥ e Rem ge- ral no so usados nessas situagGes porque eles levam a uma ‘mudanga da linha central no gréfico R, © que é dificil de inter- pretar para muitos usuérios. Os gréficos ¥ e S, discutidos na Segto 5-32, serdo preferidos nesses casos utra situagao & a de fazer uma mudanca permanente (ou semipermanente) no taranho da amostra por causa dos custos ‘ou porque o processo apresentou boa estabilidade e menos re- cursos esto sendo alocados 20 monitoramento do pracesso. Neste caso €fécilrecaleular os novos limites de controle a partir dos antigos, sem coletar amostras adicionais baseadas no novo tamanho amostral. Sejam Russ = amplitude média para 0 tamanho anvostral 5 antigo Reo = amplitude média para o novo tamanho amostral age = tamanho antigo da amostra aon = tamanho novo da amostra gentigo) dxaovo) = fator dy para o tamanho amostral antigo, fator d, para 0 novo tamanho amostral Para o grafico ¥ os novos limites so -— dxnovo) = + | Be] Rane n [ d{novo) (antigo) | ane | eee nde alinha ental ¥ permanece inalterada¢ 0 ftor A, cionado para o novo tamanho amostal. Par gréfico eave vos partmetros sho ee d,{novo) a = Da) ima) | Ramee. vse = 0 ies oe d{novo) JR dfamigo) * axfnovo) HC = max fo ee af scon. subje ladass ent, Me ny ek outs algua| o pro ©, des sig} thamos teori “essa sre of Vérios autores tm estudado 0s efeitos do afastamento da semalidade sobre os graficos de controle, Burr (1967) salienta {yrs limites de controle baseados na teoria normal so assaz sabustos com relaedo & hipdtese de normalidade e podem ser fapregados a nlo Ser que a populacio seja extremamente nlo- formal. Schilling ¢ Nelson (1976), Chan, Hapuarachchi e ocpherson (1988) e Yourstone e Zimmer (1992) também es- paramo efeito da ndo-normalidade sobre 0s limites de contro- [edo grafico ¥. Schilling e Nelson investigaram as dstribuigdes swiforme, triangular diceita, gama (com A= Ler= 4, 1.23¢ 4jeduas distribuigdes bimodais formadas como misturas cle duas o%—na primeira amostra depois do deslocamento. A Fig. 5-16 apresenta a curva C0, qual 8 € potado versus A= aif (arazio do novo para oars 10.00 12,0 grins apresentado na Seco 5-3.1 ser, em geral, preferido a0 gréfico, ‘As curvas CO nas Figs. 5-15 e 5-16 supdem que 0s grtcy | ¥ e R sio usados no controle on-line do processo. As veos (il usar a curva CO para o gréfico empregado para analisar dy dos passados. [sso pode dar alguma indicago de como 0 nine rode subgrapos preliminares usado paraestabelecero grticn controle afetaahabilidade do gréfico em detectar condiges on de controle que existiam quando 0s dados foram coletados. partir desses estudos analiticos,¢ também da experiéncia pri a, que evoluiu arecomendagdo para se usar entre 20 €25 subg: ‘os preliminares na definicao dos gréficas ¥ eR. A aly arta da novo para eho (esto paran oo process Fig. 5-16 Curvas caracteristicas de operago parao grafico R comunies teés-sigma (Adapiado de A, J. Duncan, “Operating Charactecscs Chars", industrial Qusity Control, vol. 7, no. 5, pp. Al, 1961, om Bi isso da American Society for Quality Contcl) Parat Cus: pura ur inwitiv tole s8 ser plot role € Cap. 2) ip,0¢ Con para B med conjunt i 4 i ig. 5.1 ‘on i, dept aM wepereasar we mere be & to a 7 Gnénicos o& CovrnoLs pata VARIAVEIS 5-2.7 O CompRIMENTO MEDIO DA SEQUENCIA PARA O GRAFICO ¥ para qualquer grifico de controle de Shewhart, observamos que ‘9 CMS pode ser expresso como 1 oe P(um ponto aparece fora de controle) ow CMs, (5-20) yara um CMS sob controle € (6-21) gara um CMS fora de controle. Esses resultados sio bastante intuitvos. Se as observagdes representadas no grfico de con- tole sio independentes, entio o nimero de pontos que devem, serplotados até que um primeiro ponto exceda um limite de con- tole € uma varidvel aleatéria geométrica com pardmetro p (ver Cap. 2). A média desta distibuigdo geométrica ésimplesmente vp. comprimento médio da seqiéncia. ‘Como é relativamente fécil desenvolver uma expresso geral pata B para o gréfico de controle ¥ detectar um deslocamento na média de ko (ver Eq, 5-19), entao nfo € dificil construir um conjunto de curvas CMS para o gréfico ¥. A Fig. 5-17 apresen- Cmprmento miso dl sagatncie (mess) "ora dtactardoscaments, CS Fig. 5-17 Comprimerto médio da sequéncia (amosttas) para o grafico ¥ ‘um limites ués-sigma, onde a média do processo est deslocada por ke. (Adaptado de Modem Methods for Quality Contrl and improvemant, de FLAC Wedsworth. S. Stephens eA. Godoy, John Wiley & Sons, 1988) ta essas curvas para tamanhos de amostra de n = 1,2, 3,4,5, 7, 9, € 16 para o grafico de controle X, onde 0 CMS esté em ter- ‘mos do niimero esperado de amostras retiradas para detectar © deslocamento. Para ilustrar 0 uso da Fig. 5-17, note que, se qui- sermos detectar um deslocamento de 1,5 usando um tamanko de amostra de n = 3, entio o mimero médio de amostras rtequeridas ser CMS, = 3. Note também que poderiamos redu- zit CMS, para aproximadamente 1 se aumentéssemos © tama- ‘nho da amostra para n = 16. Lembre-se da discussio no Cap. 4 (Seg 4-3.4) indicando que (05 CMSs esto sujeitos a alguma critica como medida do desem- penho para gréficos de controle. Observamos Ia (e também aci- ma) que a distribuigdo do comprimento médio para um grafico de controle de Shewhart é geométrica ¢ esta pode ser uma distri- buigdo bastante assimétrica, de modo que a média (isto 6, o CMS) pode ndo ser a melhor medida de um “tipico” comprimento de seqiléncia. Ha uma outra questo concernente ao CMS relacio- nada ao fato de que os célculos para um grafico de controle es- pecifico so usualmente baseados em estimativas dos parame- tos do processo, Isso resulta em valores inflados de ambos CMS, € CMS,. Por exemplo, suponha que a linha central do grafico esteja perfeitamente estimada, mas que o desvio padrio do pro- ‘cesso esteja superestimado em 10%. Isso resultaria em CM: 517, consideravelmente maior que o valor nominal ou “te6rico” 8 Uniades mtv esperadas pra detsctar desaeamen,H Fig. 5-18 Comprimento médio da sequéncia(unidades indwidvas) para ‘ogtafico % com limites wés-sigma, onde a méeia do processo esta daslo- cada por kor (Adeptado de Modern Methods for Quality Control and Improvement, de HM. Wadsworth, KS. Stephens © A.B. Gedfey, Joba Wiley & Sons, 1985148 Carine Covco ‘de 370. Agora, com um processo normalmente distribuido, esta- ‘mos igualmente propensos a subestimar o desvio padrao em 10% ¢ isso resultaria em CMS, = 268, um valor consideravelmente ‘menor que 370. A média ¢ (268 + 517V/2 = 392, o que sugere que erros na estimacio do desvio padrio do processo resultam em CMSs superestimados. ‘Duas outras medidas de desempenho bascadas no CMS sio as vezes ites. O tempo médio para alerta € 0 niimero de perio dos de tempo que ocorrem até que seja gerado um sinal no gra fico de controle. Se as amostras so tradas a intervalos igual- ‘mente espagados de tempo h, entio o tempo médio para alerta cmmayé TMA = CMSh (5-22) ode ser dtl expressar 0 CMS em termos do mimero espe. do de wnidades individuais amostradas — digamos, #—emye, do nimero de amostrasretradas para detectar um deslocany, to, Se o amanho da amostra én, arelagdo entre He CMS ¢ H = nCMS 5.2 po AA Fig. 5-18 apresenta um conjunto de curvas que representayg nimero esperado de unidades individuais H que devem w amostradas para que um grafico ¥ detecte um deslocamenta ge ko. Para ilustraro uso da curva, note que para detectar une Jocamento de 1,50, um grafico ¥ com n = 16 iré requeter que aproximadamente 16 unidades sejam amostradas,enquano gue seo tamanho da amostra é n = 3, apenas cerce de 9 unidae, serio necessérias, em média, 5-3 GRAFICOS DE CONTROLE PARA x ES Embora os grficos 7 e R sejam bastante usados, algumas ve~ 22s toma-se desejavel estimar diretamente 0 desvio padrao do processo em vez de indiretamente através do uso da amplitude R. Isso leva aos gréficos de controle ¥ e S, onde S € 0 desvio padrdo amostral.' Em geral 0s grificos ¥ e S sto preferidos aos seus semelhantes ¥ € R quando 1. ou 0 tamanho da amostra n é moderadamente grande — ddigamos, n > 10 ou 12; (Lembre-se de que 0 método da amplitude para estimar o perde eficiéncia estatistica par tamanhos de amostras moderadas ou grandes.) 2, ou 0 tamanho da amostra n & varidvel. [Nesta sego, vamos ilustrar a construgdo e operagdo dos gr. cos de controle ¥ e S. Mostraremos também como lidar com tamanho de amostra varidvel e discutiremos uma alternativa pan © grafico S. 5-3.1 CoNSTRUCAO E OPERACAO DOS GRAFICOS ¥ ES A construgio e operacio dos gréficos de controle ¥ € $ reque- rem mais ou menos a mesma seqiiéncia de etapas que a dos gré- ficos ¥ eR, exceto que, para cada amostra, temos que calcular a ‘média amostral ¥ e o desvio padrdo amostral S. Por exemplo, a ‘Tabela 5-3 para 0 Exemplo 5-3 apresenta as medidas dos diéme- 119s internos dos anis de pistdo usadas no Exemplo 5-1, Note ‘que calculamos a média amostral S e 0 desvio padrio amostral para cada uma das 25 amostras, Usaremos esses dados para ilustrar a construgio e operagio dos graficos Z eS. Se 0? €a varidncia desconhecida de uma distribuigo de pro- babilidade, entio um estimador ndo-viesado para o° €a varidncia amostral 3 HF "Algonssoores efremse 0 grafico S como grfico a. No entanto, o desvio padrdo S nao 6 um estimador nAo-viesalb para g. No Cap. 3 (Segdo 3-2) vimos que, se a distribuigio sub jacente & normal, entdo S na verdade estima ca, onde ¢, um? constante que depende do tamanho da amostra. Além diss.¢ ddesvio padr3o de'$ é @ Ji — cd. Essainformagdo pode se use para definir os gréficos de controle para ¥ ¢ S. Considere 0 caso onde um valor de referénci € dado purse Como £(S) = ca, linha central para ogratica €c,a. Os lite de controle trés-sigma so entéo LSC = eyo + 30-Vi = ch LIC = eo ~ 301 E costume defini as duas constantes Bs =cy-3V1— (5-240 ‘Ts Nir Valor vans respe Se stim Prelit Sod