Anda di halaman 1dari 96

CENTRO UNIVERSITRIO DE FORMIGA UNIFOR-MG

CURSO DE ENGENHARIA DE PRODUO


BRUNA APARECIDA REZENDE

ANLISE DO CONTROLE ESTATSTICO DA QUALIDADE USANDO O


SOFTWARE R

FORMIGA-MG
2012

BRUNA APARECIDA REZENDE

ANLISE DO CONTROLE ESTATSTICO DA QUALIDADE USANDO O


SOFTWARE R

Trabalho de Concluso de Curso apresentado ao


Curso de Engenharia de Produo do UNIFOR-MG,
como requisito a obteno do ttulo de bacharel em
Engenharia de Produo.
Orientador (a): Prof.Ms. Andra da Silva Peanha
Co-orientador : Prof.Dr. Aladir Horcio dos Santos.

FORMIGA-MG
2012

Bruna Aparecida Rezende

ANLISE DO CONTROLE ESTATSTICO DA QUALIDADE USANDO O


SOFTWARE R

Trabalho de concluso de curso apresentado ao curso


de Engenharia de Produo, como requisito a obteno
do ttulo de bacharel em Engenharia de Produo.

BANCA EXAMINADORA

__________________________________
Prof. Ms. Andra da Silva Peanha
Orientadora

____________________________________
Prof.Dr. Aladir Horcio dos Santos
Co-orientador

____________________________________
Prof. Ms. Jos Antnio Moreira de Rezende
Examinador

Formiga, 03 de Dezembro de 2012.

Dedico esse trabalho Deus, que me deu foras para fosse possvel a sua
concretizao, e aos meus pais Elccia e Joo Batista, que sempre me apoiaram.

AGRADECIMENTOS

Agradeo primeiramente DEUS, por ter me dado sabedoria durante o


desenvolvimento deste trabalho.
Aos meus pais, por toda fora, carinho e pacincia.
minha av Terezinha, por tantas oraes durante os momentos difceis.
Aos meus irmos, em especial ao Joo Pedro e ao Igor, que torceram muito
para a concluso deste trabalho.
Ao meu namorado Joo Paulo, por todo carinho e apoio.
orientadora Andra e ao co-orientador Aladir, por terem acreditado em mim
para a elaborao deste trabalho, por todo conhecimento compartilhado, e pela
pacincia nos momentos difceis. Agradeo tambm a todos os professores que
fizeram parte da minha formao acadmica.
s minhas amigas Fernanda Mara e Rozilene, por todo auxlio nos momentos
difceis. Jamais esquecerei dos momentos de risos, de choros e dos estudos.
Agradeo tambm minha amiga Fernanda Daniela, pela disposio em ajudar.
A todos que de certa forma contriburam para a elaborao deste trabalho,
meu muito obrigada. No chegaria at aqui sem a ajuda dessas pessoas que Deus
colocou em minha vida.

RESUMO

O Controle Estatstico da Qualidade (CEQ) constitudo de ferramentas que podem


ajudar e muito as organizaes quando se busca ter ou melhorar a qualidade nos
produtos e servios. Essas ferramentas devem ser implementadas de forma correta
para que se tenha eficcia na utilizao delas. O CEQ tambm bastante utilizado
no meio acadmico, pois matria imprescindvel nos cursos de engenharia. de
suma importncia que as empresas e as instituies educacionais forneam
softwares estatsticos de qualidade para a elaborao dessas ferramentas, levandose em conta o custo referente aquisio dos mesmos. Alguns softwares
estatsticos so bastante utilizados, como por exemplo, o R e o Minitab, sendo o
primeiro um software livre e gratuito e o segundo um software que apresenta um
custo de aquisio. O presente trabalho apresenta uma biblioteca de rotinas para o
Controle Estatstico da Qualidade atravs do software R e compara sua performance
com a do Minitab. Os resultados mostram que os dois softwares apresentam
performances semelhantes.

Palavras-chave: Controle Estatstico da Qualidade. Software R. Software Minitab.

ABSTRACT

The Statistical Control of the Quality (CEQ) it is constituted of tools that can help and
a lot the organizations when she look for to have or to improve the quality in the
products and services. Those tools should be implemented in a correct way for
effectiveness to be had in his/her use. CEQ is also quite used in the academic
middle, because it is indispensable matter in the engineering courses. It is of addition
importance that the companies and the education institutions supply statistical
softwares of quality for the elaboration of those tools, being taken into account the
cost regarding the acquisition of the same ones. Some statistical softwares are quite
used, as for instance, R and Minitab, being the first a free and free software and the
second a software that presents an acquisition cost. The present work presents a
library of routines for the Statistical Control of the Quality through the software R and
it compares his/her performance with the one of Minitab. The results show that the
two softwares present similar performances.

Word-key: Statistical control of the Quality. Software R. Software Minitab.

LISTA DE FIGURAS

Figura 1 Grfico de Controle .................................................................................. 22


Figura 2 Diagrama de Pareto ................................................................................. 25
Figura 3 Diagrama de Causa e Efeito .................................................................... 27
Figura 4 Diagrama de Concentrao de Defeito .................................................... 27
Figura 5 Diagrama de Disperso............................................................................ 28
Figura 6 Histograma ............................................................................................... 29
Figura 7 Diagrama de ramo-e-folhas ...................................................................... 30
Figura 8 Folha de Verificao................................................................................. 30
Figura 9 Diagrama de concentrao de defeito para tanque de aplicao
aeroespacial .............................................................................................................. 60

LISTA DE QUADROS

Quadro 1 Como construir um diagrama de causa e efeito ..................................... 26

LISTA DE TABELAS

Tabela 1 Anlise de Varincia ................................................................................ 35


Tabela 2 Medidas dos dimetros internos (mm) de anis de pisto de motores de
automveis ................................................................................................................ 44
Tabela 3 Medidas dos dimetros internos (mm) de anis de pisto x e y de
motores de automveis ............................................................................................. 54
Tabela 4 Causa do aumento dos dimetros internos dos anis de pisto de
motores e suas respectivas frequncias ................................................................... 56
Tabela 5 Lista de causas para efeito de falhas na superfcie ................................. 58
Tabela 6 Como construir um diagrama de causa e efeito ...................................... 62
Tabela 7 Dados para os limites de controle tentativos, exemplo 6-1 tamanho da
amostra n=5 .............................................................................................................. 65
Tabela 8 Foras de resistncia ruptura para 100 garrafas de refrigerante de um
litro ............................................................................................................................ 68
Tabela 9 Dados para Delineamento inteiramente casualizado .............................. 70
Tabela 10 Dados para Delineamento em bloco casualizado.................................. 75
Tabela 11 Dados para Delineamento fatorial em bloco casualizado ....................... 78

LISTA DE GRFICOS

Grfico 1 Grfico Xbar dos dimetros internos dos anis de pisto ....................... 46
Grfico 2 Grfico Xbar dos dimetros internos dos anis de pisto ....................... 46
Grfico 3 Grfico R dos dimetros internos dos anis de pisto ............................ 47
Grfico 4 Grfico R dos dimetros internos dos anis de pisto ............................ 47
Grfico 5 Grfico S dos dimetros internos dos anis de pisto ............................ 48
Grfico 6 Grfico S dos dimetros internos dos anis de pisto ............................ 48
Grfico 7 Grfico EWMA dos dimetros internos dos anis de pisto ................... 49
Grfico 8 Grfico EWMA dos dimetros internos dos anis de pisto ................... 49
Grfico 9 Grfico CUSUM dos dimetros internos dos anis de pisto ................. 50
Grfico 10 Grfico CUSUM dos dimetros internos dos anis de pisto ............... 50
Grfico 11 Histograma dos dimetros internos dos anis de pisto ....................... 51
Grfico 12 Histograma dos dimetros internos dos anis de pisto ....................... 51
Grfico 13 Diagrama de ramo e folhas dos dimetros internos dos anis de pisto
.................................................................................................................................. 52
Grfico 14 Diagrama de ramo e folhas dos dimetros internos dos anis de pisto
.................................................................................................................................. 52
Grfico 15 Diagrama de disperso de x e y ........................................................... 55
Grfico 16 Diagrama de disperso de x e y ........................................................... 55
Grfico 17 Diagrama de Pareto do aumento dos dimetros internos dos anis de
pisto ......................................................................................................................... 56
Grfico 18 Diagrama de Pareto do aumento dos dimetros internos dos anis de
pisto ......................................................................................................................... 57
Grfico 19 Diagrama de Causa e Efeito ................................................................. 59
Grfico 20 Diagrama de Causa e Efeito ................................................................. 59
Grfico 21 Grfico NP para embalagens ................................................................ 63
Grfico 22 Grfico NP para embalagens ................................................................ 63
Grfico 23 Grfico P para embalagens .................................................................. 64
Grfico 24 Grfico P para embalagens .................................................................. 64
Grfico 25 Grfico C do n total de no-conformidades ......................................... 66
Grfico 26 Grfico C do n total de no-conformidades ......................................... 66

Grfico 27 Grfico U do n total de no-conformidades ......................................... 67


Grfico 28 Grfico U do n total de no-conformidades ......................................... 67
Grfico 29 Grfico da Anlise de capacidade do processo para resistncia
ruptura de 100 garrafas de vidro de 1 litro de refrigerante ........................................ 69
Grfico 30 Grfico da Anlise de capacidade do processo para resistncia
ruptura de 100 garrafas de vidro de 1 litro de refrigerante ........................................ 69
Grfico 31 Grfico Boxplot para Delineamento inteiramente casualizado .............. 73
Grfico 32 Grfico Bloxplot para Delineamento inteiramente casualizado ............. 75
Grfico 33 Grfico Bloxplot para Delineamento em bloco casualizado .................. 77
Grfico 34 Grfico Bolxplot para Delineamento em bloco casualizado .................. 78
Grfico 35 Grfico Bloxplot para Delineamento Fatorial em bloco casualizado ..... 81

LISTA DE PLANILHAS

Planilha 1 Folha de Verificao para defeitos em um tanque usado em uma


aplicao aeroespacial .............................................................................................. 61

LISTA DE ABREVIATURAS E SIGLAS

CEQ Controle Estatstico da Qualidade


CEP Controle Estatstico de Processos
Cp ndice de Capabilidade do Processo
LSE Limite Superior de Especificao
LIE Limite Inferior de Especificao
QCC Quality Control Charts (Cartas de Controle da Qualidade)
Desvio Padro
Cpk ndice de Capabilidade do Processo
Cps ndice de Capabilidade do Processo (somente especificao superior)
Cpi ndice de Capabilidade do Processo (somente especificao inferior)
Mdia da populao
SQ tratamentos Soma dos quadrados dos tratamentos
SQE Soma dos quadrados dos erros
SQT Soma de quadrados total
MQ tratamentos Mdia quadrtica dos tratamentos
MQE Mdia quadrtica dos erros

SUMRIO

1 INTRODUO ....................................................................................................... 16
1.1 Objetivos ............................................................................................................. 16
1.1.1 Objetivo Geral .................................................................................................. 16
1.1.2 Objetivos Especficos ...................................................................................... 16
1.2 Justificativa .......................................................................................................... 17
1.3 Formulao do problema..................................................................................... 17
1.4 Hiptese .............................................................................................................. 17
2 REFERENCIAL TERICO ..................................................................................... 18
2.1 Histrico da Qualidade ........................................................................................ 18
2.2 Conceito de Qualidade ........................................................................................ 19
2.3 Gesto da Qualidade .......................................................................................... 20
2.4 Controle Estatstico da Qualidade ....................................................................... 21
2.4.1 Controle Estatstico de Processos .................................................................... 21
2.4.1.1 Grfico de Controle ....................................................................................... 22
2.4.1.2 Outras ferramentas da qualidade .................................................................. 24
2.4.1.2.1 Diagrama de Pareto ................................................................................... 25
2.4.1.2.2 Diagrama de Causa e Efeito ...................................................................... 26
2.4.1.2.3 Diagrama de Concentrao de Defeito ...................................................... 27
2.4.1.2.4 Diagrama de Disperso .............................................................................. 28
2.4.1.2.5 Histograma ................................................................................................. 28
2.4.1.2.6 Grfico ramo-e-folhas ................................................................................. 29
2.4.1.2.7 Folha de Verificao ................................................................................... 30
2.4.2 Capacidade do Processo ................................................................................. 30
2.4.2.1 Implementao do CEP................................................................................. 32
2.4.3 Anlise de Varincia ......................................................................................... 34
2.4.3.1 Delineamento inteiramente casualizado ........................................................ 36
2.4.3.2 Delineamento em bloco casualizado ............................................................. 36
2.4.3.3 Ensaios fatoriais ............................................................................................ 37
3 SOFTWARE R ....................................................................................................... 39
4 SOFTWARE MINITAB ........................................................................................... 41

5 METODOLOGIA..................................................................................................... 42
5.1 Tipo de pesquisa ................................................................................................. 42
5.2 Objeto de estudo ................................................................................................. 42
5.3 Coleta de dados .................................................................................................. 42
5.4 Interpretao dos dados ...................................................................................... 43
6 RESULTADOS E DISCUSSES ........................................................................... 44
7 CONCLUSO......................................................................................................... 82
REFERNCIAS ......................................................................................................... 83
APNDICE A Rotinas no R .................................................................................... 86

16

INTRODUO

Nos dias atuais, as organizaes se preocupam e muito em serem competitivas


no mercado, pois a concorrncia relativamente grande. Diante deste cenrio
possvel perceber a importncia da qualidade, sendo que os consumidores buscam
cada vez mais produtos e servios de qualidade, que possam atender s suas
expectativas. preciso avaliar a qualidade que se tem em um determinado produto
ou servio para que se possa melhor-la. O Controle Estatstico da Qualidade
CEQ constitui-se de ferramentas estatsticas que auxiliam na busca pela qualidade
dos processos. Torna-se essencial a escolha e utilizao correta das tcnicas do
Controle Estatstico da Qualidade, pois s assim sero obtidos resultados confiveis.
Para a elaborao das ferramentas de controle da qualidade so utilizados
softwares estatsticos, como o Minitab e o R, os quais merecem destaque na
organizao, visto que na maioria das vezes representam custos para a mesma e
devem ser eficientes.

1.1 Objetivos

1.1.1 Objetivo Geral

Desenvolver uma rotina para fazer anlise do controle estatstico da qualidade


utilizando o software R.

1.1.2 Objetivos Especficos

Criar uma biblioteca de rotinas no software R para elaborao de cada


ferramenta da qualidade, da anlise de capacidade do processo e anlise de
varincia;
Comparar a performance do software R para o controle estatstico da
qualidade com a do software Minitab.

17

1.2

Justificativa

A maior parte dos softwares estatsticos comercializada, isto , so pagos.


No entanto, o Software R de livre acesso, alm de ser por linhas de comando.
Assim, o presente trabalho prope realizar uma anlise do controle de
qualidade atravs do software R e do Minitab, utilizando exemplos de conjunto de
dados. Isso significa que o trabalho ir verificar se a performance do software R
igual ou semelhante a do Minitab, alm de propor um modelo de rotinas para a
elaborao no R.

1.3

Formulao do problema

De modo geral, as instituies de ensino que lecionam cursos de engenharia


precisam disponibilizar aos alunos muitos softwares para resolver problemas e
situaes diversos, fazendo com que o custeio da mensalidade torne-se mais
elevado. As empresas em geral tambm utilizam softwares estatsticos para controle
da qualidade, o que no deixa de gerar custo para elas.
Tendo-se em mente que o uso de softwares livres pode minimizar os custos,
a problemtica do presente trabalho a seguinte: A performance do software livre R
igual do software Minitab, o qual comercializado?

1.4

Hiptese

O Software R no apresenta performance diferente do Minitab.

18

REFERENCIAL TERICO

Para embasar o presente trabalho, a pesquisa ir definir alguns termos


bsicos como qualidade, bem como seu histrico, gesto da qualidade, controle
estatstico da qualidade, ferramentas da qualidade, anlise de capacidade e anlise
de varincia.

2.1

Histrico da Qualidade

A qualidade uma varivel de extrema importncia nas organizaes atuais,


uma vez que ela capaz de definir e diferenciar produtos oferecidos e servios
prestados aos clientes. Manter o nvel de qualidade demanda um trabalho de
controle, anlise e acompanhamento dentro dessas empresas.
Segundo Oliveira et al. (2006), a qualidade passou por trs eras de evoluo:
Era da Inspeo: os produtos eram inspecionados pelos prprios produtores
ou clientes. O objetivo desta Era focava-se na identificao de falhas ou defeitos
presentes no que foi fabricado, sendo de produto a produto.
Era do controle estatstico: houve um significativo aumento da demanda, e
passou a ser utilizado o controle por amostras, onde se utilizava certa quantidade de
itens para se calcular a qualidade na produo toda. Esse controle era feito a partir
de tcnicas estatsticas.
Era da qualidade total: era de atual vivncia. O principal foco da qualidade o
cliente. A empresa, seus funcionrios e todos os seus setores so responsveis pela
qualidade dos produtos e servios.
Entender a histria da qualidade auxilia na compreenso de sua importncia
junto s empresas atuais. Apesar de no ser tangvel, ela se torna um diferencial,
aumentando as chances frente aos concorrentes e auxiliando no desenvolvimento
de novos produtos ou servios.
Na mesma medida, aumenta-se a competitividade entre as organizaes.
Para ser competitiva no mercado, uma empresa precisa oferecer ao cliente um
produto ou servio de qualidade. Segundo Alvarez (2001), as primeiras
preocupaes com o termo qualidade tm registro em 1920, nos Estados Unidos.

19

Segundo Alvarez (2001), a evoluo do conceito de qualidade pode ser


definida da seguinte forma:
Em 1950, focava-se nos padres, numa produo em massa, cuja qualidade
resumia-se no atendimento aos padres estabelecidos no projeto do produto. A
nfase era interna empresa, dando importncia aos interesses do fabricante e
produtor, cujos instrumentos eram a padronizao, inspeo e controle estatstico do
processo;
Em 1960, o foco estava nos usos, tendo o consumidor como fator gerador e o
atendimento quilo que ele pretendia para o produto oferecido. A nfase era externa,
sendo o cliente e seus interesses o mais importante. Os instrumentos eram a
pesquisa de mercado, anlise de tendncias, incio do envolvimento interfuncional
na empresa e estrutura matricial;
Nos anos de 1970, o foco eram os custos, devido crise do petrleo. A
qualidade atendia o mercado consumidor com custos de produo mais baixos,
enfatizando o aspecto interno da empresa e o controle do processo. Os instrumentos
eram o controle total de qualidade, crculos de controle de qualidade e novas
prticas de qualidade;
Em 1980, focavam-se os desejos, devido s mudanas sociais e polticas. A
qualidade antecipava-se s necessidades do cliente, com nfase externa, onde o
mais importante era o cliente, a integrao e a competio. Gesto do processo,
sondagens de mercado, controle da qualidade gerencial, novas aplicaes e novas
formas de estruturas organizacionais eram os instrumentos;
Por fim, nos anos de 1990, o foco estava no investidor, com ateno para a
globalizao e cuja qualidade reconhecia o valor do produto. Com nfase mista
(interna e externa empresa) e na economia global, os instrumentos eram, alm de
todos os anteriores: anlise global, decises estratgicas, importncia das pessoas,
preocupao ambiental e quebra de paradigmas.

2.2 Qualidade

A qualidade um fator de seleo que se destaca no processo de deciso


dos consumidores de produtos e servios. Corra e Corra (2008) explicam que:

20

A qualidade formada durante o processo de produo, ou seja, a


qualidade no um kit que possa ser instalado no produto (resultado de um
processo), mesmo que estocvel, aps sua produo. As aes de
qualidade, portanto devem ter como alvo os processos, e no os produtos
deles resultantes. (CORRA E CORRA, 2008, p. 182).

A qualidade pode ser definida de diversas formas. Juran (1988) apud Corra
e Corra (2008) define o termo como a caracterstica que os produtos que atendem
necessidade do cliente possuem, ficando eles satisfeitos com os produtos ou ainda
como a no existncia de deficincias.
J para Juran (2001, p. 9) a qualidade uma adequao para uso.
Podem-se unir todas essas definies e terminologias, transformando a
qualidade em algo intangvel e, ao mesmo tempo, primordial para um produto ou
servio; trata-se de algo inerente ao que vendido ou prestado por uma empresa,
desde que atenda (ou supere) as necessidades do cliente, seja adequada ao uso e
represente a solidez qual se preste.
Para que isso seja realizado, necessrio que essa qualidade seja
gerenciada, administrada, de modo que o resultado seja sempre o esperado.

2.3

Gesto da Qualidade
Para Toledo (2001, p. 483), a Gesto da Qualidade entendida como o

conjunto de prticas utilizadas, nas diversas reas funcionais da empresa, para


obter-se, de forma eficiente e eficaz, a qualidade pretendida para o produto.
A gesto da Qualidade apresenta-se como uma filosofia gerencial orientada
para a reestruturao das organizaes, tendo como pontos bsicos:
a) Cliente como foco;
b) O trabalho em equipe envolvendo toda a organizao;
c) Tomada de decises com base em fatos e dados;
d) Constante busca da soluo de problemas; e
e) Minimizao ou eliminao de erros. (AGUAYO, 1993).
Assim, a gesto ou o gerenciamento consistem em administrar, controlar,
analisar, ser eficaz. Dessa forma, a gesto da qualidade se caracteriza por fazer
com que todas as reas da empresa trabalhem em conjunto, visando a qualidade e
a eficincia.

21

2.4

Controle Estatstico da Qualidade (CEQ)

Moreira (2001) descreve que controle uma maneira utilizada para manter
um determinado fenmeno de acordo com o que foi programado. E os produtos
resultantes de determinado processo tem caractersticas que podem ou no estarem
dentro do planejado, o que definido por qualidade.
O controle estatstico da qualidade pode ser compreendido pela juno das
palavras acima, utilizando a estatstica como forma de anlise para a medida da
qualidade.
Segundo Reis (2001, p. 48), o Controle Estatstico da Qualidade (CEQ) um
dos ramos do Controle da Qualidade.
Samohyl (2009) afirma que a principal idia do Controle Estatstico da
Qualidade que processos que apresentam uma menor variabilidade so capazes
de atingir melhores nveis de qualidade.
Woodall e Montgomery (1999) trazem a definio de CEQ como sendo uma
rea da Estatstica Industrial, focada em inspecionar, planejar os experimentos e
estudar a capabilidade do processo.

2.4.1

Controle Estatstico de Processos (CEP)

O Controle Estatstico de Processos pode ser entendido da seguinte maneira:


O Controle Estatstico de Processos (CEP) envolve basicamente o
desenvolvimento e interpretao dos resultados de grficos de controle de
processos e a utilizao de tcnicas para identificao de causas de
problemas e oportunidades de melhoria da Qualidade. (REIS, 2001, p.49).

A importncia do CEP justificada pela preciso de estar analisando a


variabilidade do processo para que se possa ter qualidade necessria nos produtos
e servios.
Costa, Eugenio e Carpinetti (2005) relata que em 1924 foi marcado o incio do
controle estatstico de processos, quando Shewhart aplicou nos Bell Telephone
Laboratories os grficos de controle.

22

2.4.1.1 Grfico de Controle

Como o grfico de controle foi a primeira ferramenta do CEP a ser


desenvolvida, merece um certo destaque em relao s outras ferramentas. A
ferramenta do CEP que tem maior poder o grfico de controle. (MONTGOMERY e
RUNGER, 2009).
O grfico de controle permite que se obtenha a diferena entre tipos de causa
de variao, ou seja, so capazes de informar se o processo est sob controle
estatstico. (WERKEMA, 2006).
Para Juran et al. (1979) apud Reis (2001) os grficos de controle so
comparaes de forma grfica do comportamento de um determinado processo,
sendo plotados um limite inferior de especificao e um limite superior de
especificao, e os pontos devem estar distribudos de acordo com padres
aleatrios. Nestas condies, o processo deve ser considerado sob controle
estatstico. Porm, se estiverem pontos fora dos limites de especificao ou no
existirem padres aleatrios, h motivo para questionar se o processo est fora de
controle estatstico. A plotagem dos dados para a elaborao do grfico de controle
deve ser feita de acordo com o nmero da amostra, para identificar quais as
variaes, de acordo com o tempo.
Os grficos de controle so compostos por dois eixos cartesianos, onde o
eixo das ordenadas representa a amostra da caracterstica da qualidade e o
eixo das abscissas representa o nmero da amostra ou unidade de tempo,
por uma linha central que representa o valor mdio da caracterstica da
qualidade e por duas linhas horizontais que representam os limites inferior e
superior de controle. (NAZRIO, 2008, p. 34).

Figura 01 Grfico de Controle

Fonte: Montgomery (2004)

23

Existem diferentes tipos de grficos de controle. Eles so classificados


conforme avaliao dos caractersticos da qualidade. Montgomery (2004) classifica
os grficos de controle em dois tipos principais: Grficos de controle para variveis e
grfico de controle para atributos.
Os grficos de controle para variveis so:
Grfico X (Grfico da Mdia): neste tipo de grfico o valor mdio da
caracterstica da qualidade controlado pelas mdias da caracterstica em
estudo, atravs da forma como ela plotada. A caracterstica da qualidade
deve seguir uma distribuio normal.
Grfico R (Grfico da Amplitude): neste tipo de grfico plotado a diferena
entre o maior valor e o menor da caracterstica da qualidade de cada amostra,
ou seja, a amplitude da amostra, de forma a monitorar a variabilidade da
caracterstica da qualidade. O grfico R deve ser estudado juntamente com o
grfico X para que seja possvel um acompanhamento mais preciso da
caracterstica estudada.
Grfico S (Grfico de Desvio de Padro): neste tipo de grfico so plotados os
desvios padres da caracterstica da qualidade de forma a obter o controle da
variabilidade da caracterstica da qualidade. Tem o mesmo objetivo do grfico
R (amplitude).

Os grficos de controle para atributos (conforme e no-conforme) so:

Grfico np: neste grfico deve-se plotar o nmero de itens no-conformes e


no a frao no-conforme. Para este grfico Costa, Eugenio e Carpinetti
(2005) dizem que a distribuio dos dados binomial, considerando que a
no-conformidade seja eventos comuns.
Grfico p: neste grfico deve-se plotar a frao de itens no-conformes da
amostra (diviso entre o nmero de itens no-conformes pelo nmero total da
amostra). Segue a mesma distribuio do grfico np.
Grfico c: neste tipo de grfico plotada a quantidade de no-conformidades
da amostra. A distribuio dos dados segue a distribuio de Poisson, sendo

24

que a no-conformidade vista como um evento raro, descreve Costa,


Eugenio e Carpinetti (2005).
Grfico u: neste grfico plotado o valor da diviso entre a quantidade de
no-conformidade e a quantidade de unidades que foram inspecionadas. Os
dados seguem a mesma distribuio que os dados a serem plotados no
grfico c.

Montgomery (2004) descreve que a desvantagem da utilizao dos grficos


de controle de Shewhart que eles ignoram informaes do restante da sequncia
dos pontos, ou seja, utilizam apenas informaes do ltimo ponto que foi plotado no
grfico. H alternativas aos grficos de Shewhart: Grfico CUSUM e Grfico EWMA
(RYAN, 2009). As descries acerca dos outros tipos de grficos de controle esto
relacionadas abaixo:

Grfico EWMA (Mdia Mvel Exponencialmente Ponderada): Denominados


grficos da mdia mvel exponencialmente ponderada, alm da caracterstica
de monitoramento do processo, este tipo de grfico pode prever onde pode
estar a mdia do processo em estudo no prximo intervalo de tempo.
(MONTGOMERY, 2004).
Grfico CUSUM (Soma Cumulativa): Nos grficos denominados de controle
de somas cumulativas deve ser plotada a soma dos desvios das mdias de
forma cumulativa. Essa soma refere-se caracterstica da qualidade que est
sendo estudada. Como se trata de soma cumulativa, pequenos desvios
podem ser considerveis ao longo do processo. (MONTGOMERY, 2004).

2.4.1.2 Outras Ferramentas da Qualidade

Montgomery e Runger (2003) afirmam que o controle estatstico da qualidade


como um conjunto de ferramentas da qualidade para a resoluo de problemas.
Assim, as ferramentas so capazes de apoiar e auxiliar na tomada de
decises para a resoluo de um problema ou melhoramento de situaes. Essas
ferramentas foram desenvolvidas com o objetivo de ajudar no controle e resolues
de problemas relacionados qualidade.

25

Corra e Corra (2008) citando Ishikawa destaca a importncia dessas


ferramentas ao afirmar que problemas que esto relacionados com a qualidade,
sendo cerca de noventa e cinco por cento, podem ser resolvidos atravs delas.

2.4.1.2.1 Diagrama de Pareto

Segundo Rotondaro (2010), o Diagrama de Pareto uma descrio, na forma


de grfico, demonstrando que os esforos devem ser concentrados onde se tem
maior oportunidade de melhoria.
um grfico de barras verticais, que apresenta as seguintes caractersticas:

As diversas classes de causas devem ser dispostas na horizontal;


A frequncia de ocorrncia de cada causa deve ser disposta na vertical e de
maneira decrescente;
direita das colunas deve ser traada uma curva da porcentagem das
ocorrncias de forma acumulada.
Abaixo segue um exemplo do Diagrama de Pareto.

Figura 02 Diagrama de Pareto

Fonte: Marshall Junior et al. (2006)

26

2.4.1.2.2 Diagrama de Causa e Efeito

O Diagrama de Causa e Efeito, ou Espinha de Peixe, tambm conhecido


como diagrama de Ishikawa, sendo ele o criador, no ano de 1943.
De acordo com Paladini (1997), para a anlise das causas potenciais do
efeito indesejvel, necessrio que se tenha identificado primeiramente o problema,
e colocar esse efeito do lado direito do diagrama.
Conforme Montgomery (2004), alguns passos so importantes para a
elaborao de um Diagrama de Causa e Efeito:
Quadro 01 Como construir um Diagrama de Causa e Efeito

Como construir um Diagrama de Causa e Efeito

1. Defina o problema ou efeito a ser analisado;


2. Forme a equipe para realizar a anlise. Em geral, essa equipe descobrir
causas potenciais sem sesses brainstorming;
3. Desenhe a caixa de efeito e a linha central;
4. Especifique as principais categorias de causas potenciais e coloque-as em
caixas, ligadas linha central;
5. Identifique as causas possveis e classifique-as nas categorias do passo
anterior. Crie novas categorias se necessrio;
6. Ordene as causas para identificar aquelas que parecem mais provveis de
causar impacto sobre o problema;
7. Adote aes corretivas
Fonte: Montgomery (2004)

Na figura a seguir possvel visualizar o formato do Diagrama e seus


componentes:

27

Figura 03 Diagrama de Causa e Efeito

Fonte: Werkema (1995)

2.4.1.2.3 Diagrama de Concentrao de Defeito

Montgomery (2004, p.111) define o Diagrama de Concentrao de Defeito


como uma figura da unidade mostrando todas as vistas relevantes. Este diagrama
analisado para determinar se a localizao dos defeitos na unidade fornece alguma
informao til sobre as causas potenciais dos defeitos.
A figura a seguir representa um diagrama de concentrao de defeito:
Figura 04 Diagrama de Concentrao de Defeito

Fonte: Montgomery (2004)

28

2.4.1.2.4 Diagrama de Disperso

O diagrama de disperso utilizado para identificar a relao existente entre


duas variveis que podem estar correlacionadas. Paladini (1997, p.74) relata que os
diagramas de disperso so resultantes de:
[...] simplificaes efetuadas em procedimentos estatsticos usuais e so
usuais e so modelos que permitem rpido relacionamento entre causas e
efeitos. O diagrama cruza informaes de dois elementos para os quais se
estuda a existncia (ou no) de uma relao. (PALADINI, 1997, p.74).

Ainda segundo Paladini (1997), para a elaborao de um diagrama de


disperso os dados coletados devem estar ordenados de dois a dois.
A figura abaixo retrata o esquema do diagrama de disperso:
Figura 05 Diagrama de Disperso

Fonte: Davis, Aquilano e Chase (2001)

2.4.1.2.5 Histogramas

Para Rotondaro (2010) o histograma uma forma quantitativa de descrever


os dados graficamente, sendo esses dados agrupados de acordo com a frequncia
das classes.

29

Histograma um grfico formado por retngulos contguos com base nas


faixas de valores da varivel em estudo, e com altura definida pela frequncia de
ocorrncia dos dados no intervalo definido pela base do retngulo. (ROTONDARO,
2010, p. 146).
Uma forma genrica do histograma mostrada na figura abaixo:
Figura 06 Histograma

Fonte: Brassard (2000)

2.4.1.2.6 Grfico ramo-e-folhas

O grfico ramo-e-folhas uma representao grfica dos dados atravs de


um ramo e de vrias folhas.
Para construir um grfico deste tipo, considerando que os dados sejam
representados por n1, n2, n3,..., nx, e que cada nmero contenha no mnimo dois
dgitos, deve-se dividir o nmero em duas partes: um ramo e uma folha. O ramo
formado pelos dgitos iniciais, e a folha formada pelos dgitos restantes.
(MONTGOMERY, 2004).
A figura a seguir demonstra um exemplo do grfico ramo-e-folhas.

30

Figura 07 Grfico ramo-e-folhas


Ramo
1

Folha
12345

Frequncia
5

123456

6634

1698465

23

Fonte: Prprio autor (2012)

2.4.1.2.7 Folhas de verificao

Werkema (2006) relata que a folha de verificao uma ferramenta que tem o
objetivo de organizar e melhorar a forma de coleta e de registro dos dados, para que
se aperfeioe a operao de anlise posterior desses dados.
Para a elaborao de uma folha de verificao ou folha de controle deve-se
levar em considerao a natureza dos dados que sero coletados, a data da
operao e nmero, qual o responsvel por ela e outras informaes que forem
julgadas necessrias.
A prxima figura apresenta um exemplo de Folha de Verificao.
Figura 08 Folha de Verificao

Fonte: Brassard (2000).

2.4.2 Capacidade do Processo


A

capacidade

do

processo

(MONTGOMERY, 2004, p. 220).

diz

respeito

sua

uniformidade.

31

A variabilidade do processo a medida dessa uniformidade.


Medir a capacidade de um processo analisar a performance dele durante
seu estado de controle.
As principais tcnicas para o clculo da anlise de capacidade do processo
so descritas a seguir, define (MONTGOMERY, 2004).
Uma das formas mais usuais atravs do histograma. Com ele pode-se ter
uma viso rpida da forma como o processo est desempenhando. Com o
histograma avalia-se o tipo de distribuio da caracterstica da qualidade,
comparando com os nveis de especificaes exigidos.
Uma segunda maneira seria o clculo dos ndices de capacidade. Os mais
usuais so o Cp e o Cpk. O Cp pode ser definido pela frmula:

Onde:

LSE = limite superior de especificao


LIE = limite inferior de especificao
= desvio padro
J o Cpk obtido pela escolha do menor valor das seguintes equaes a
seguir:

Onde:
LSE = limite superior de especificao
= mdia
= desvio

32

LIE = limite inferior de especificao


= mdia
= desvio padro
Uma terceira maneira, especialmente aplicvel quando a avaliao feita por
atributos, consiste simplesmente em comparar o valor mdio do caracterstico com
um valor limite, geralmente superior (um percentual mximo de itens defeituosos).
(REIS, 2001, p.61).
Montgomery (2004) relata que a avaliao da capacidade de um processo
relativamente significante para a existncia de roteiro para a melhoria da qualidade.
Com isso as utilizaes mais importantes dos dados dessas anlises so:

1.

Antecipar uma ideia do nvel de tolerncia do processo

2.

Ajudar os trabalhadores responsveis pelo planejamento na escolha ou


alterao do processo

3.

Favorecer o estabelecimento de espao entre amostras, afim de monitorar o


processo

4.

Estabelecer ndices para um aparelho/equipamento desempenhar

5.

Optar entre os fornecedores concorrentes

6.

Estabelecer ordem do processo de produo, quando esse interferir nas


tolerncias

7.

Minimizar as variaes na fabricao de produtos

2.4.2.1 Implementao do CEP

As tcnicas do controle estatstico da qualidade, se implementadas de


maneira correta, podem contribuir e muito para o sucesso de uma organizao.
Segundo Montgomery e Runger (2009, p. 426) o envolvimento gerencial e
compromisso com o processo de melhoria da qualidade so os componentes mais
vitais do sucesso potencial do controle estatstico do processo.
A gerncia um fator do CEP bem sucedido. Assim como ela, outros fatores
tambm se configuram em importantes agentes desse processo, como por exemplo,
o modo de trabalho em equipe, o nvel de informao dos funcionrios de forma

33

holstica, foco na minimizao da variabilidade do processo, anlise da eficcia do


CEP a nvel econmico e procedimento para divulgao dos resultados satisfatrios
que a empresa pode ter. (MONTGOMERY, 2004).
Montgomery e Runger (2009) ainda descrevem que para a implementao do
controle estatstico da qualidade tenha xito, W. Edwards Deming elaborou 14
pontos que norteiam a execuo dessa tcnica, sendo os seguintes:

1.

Crie uma constncia de finalidade focada na melhoria de produtos e servios.


necessrio o investimento em pesquisas e projetos inovadores para a
melhoria contnua do produto ou servio.

2.

Adote uma nova filosofia de rejeitar acabamento pobre, produtos defeituosos


ou servios ruins.
preciso buscar metodologias que abandonem a possibilidade da existncia
de retrabalho.

3.

No confie na inspeo em massa para controlar a qualidade.


A qualidade deve ser tratada de forma preventiva, a fim de eliminar defeitos
ou erros que os produtos podem vir a apresentar. Inspecionar apenas uma
forma de detectar os problemas e no de preveni-los.

4.

No faa negcios com os fornecedores, com base somente no preo, mas


tambm considere a qualidade.
A considerao do produto envolve o preo e a qualidade deste, sendo assim,
o seu custo total dependente desses dois aspectos.

5.

Foque na melhoria contnua.


O aperfeioamento do sistema e do servio deve ser visado de maneira
constante.

6.

Pratique os mtodos modernos de treinamento e invista no treinamento de


todos os empregados.
O treinamento com mtodos modernos, alm de permitir que os funcionrios
apropriem de suas tcnicas de trabalho, encoraja estes a pratic-los dia a dia.

7.

Pratique mtodos modernos de superviso.


A superviso tem por finalidade melhorar cada vez mais o servio e o produto.

8.

Expulse o medo.

34

A gerncia encarregada de deixar seus funcionrios vontade para,


frequentemente, tirarem dvidas, resolver problemas e at sugerir ideias que
visem melhoria do trabalho.
9.

Quebre as barreiras entre as reas funcionais do negcio.


Todos os setores da organizao devem trabalhar em conjunto, para que haja
produtividade.

10.

Elimine alvos, lemas (slogans) e objetivos numricos para a fora de trabalho.


Alm do alvo preciso ter um plano de ao para que se alcance o objetivo
desejado.

11. Elimine cotas numricas e padres de trabalho.


Modelos de trabalho e nmeros no so as melhores opes para que a
gerncia execute um bom trabalho. Eles evidenciam a incapacidade do gestor
em melhorar o processo.
12.

Remova as barreiras que desencorajam empregados de fazer os seus


trabalhos.
O trabalhador deve ser um participante ativo no planejamento e execuo do
processo produtivo.

13.

Institua um programa continuado de treinamento e de educao para todos os


empregados.
A educao deve estar difundida entre todos os empregados. Esses devem
conhecer das ferramentas bsicas do controle estatstico da qualidade para
que possam intervir nas causas da falta de qualidade e a propor medidas de
melhoria.

14.

Crie uma estrutura na gerncia que defender vigorosamente os 13 primeiros


pontos.

A empresa deve ter responsveis para desenvolver o planejamento e supervisionar


a execuo desses 13 passos.

2.4.3 Anlise de Varincia

Segundo Werkema (1996) decidir se exemplos de fatores como operadores,


matrias primas e turnos diferentes apresentam considervel distino entre si, um

35

dos problemas mais frequentes durante a averiguao estatstica no controle dos


processos. Uma das tcnicas mais utilizadas para esse tipo de procedimento a
Anlise de Varincia.
Para Costa (2003), a Anlise de Varincia ou ANAVA, uma forma de
analisar os dados, tendo como objetivo a decomposio da variao total das
parcelas em causas, referente a diferentes tipos de efeitos.
Segundo Fisher (1935) apud Costa (2003) h trs conceitos em que os
delineamentos experimentais so baseados, sendo: repetio (um mesmo
tratamento deve ser aplicado em vrias parcelas, ou seja, a repetio seria esse
nmero), casualizao (distribuio dos tratamentos de forma que a probabilidade
das parcelas receberem um mesmo tratamento seja igual) e controle local (idia de
diviso das parcelas em blocos mais semelhantes possveis). As parcelas so as
unidades experimentais e os tratamentos so os mtodos em estudo.
Abaixo segue modelo da tabela da anlise de varincia:
Tabela 1 Anlise de Varincia
Anlise de Varincia para um Experimento de um Fator
Fonte de

Soma de

Graus de

Mdia

variao

quadrados

liberdade

quadrtica

Tratamentos

SQ tratamentos

a-1

MQ tratamentos

Erro

SQE

a(n-1)

MQE

Total

SQ T

an-1

Fonte: Montgomery (2004)

Onde:
SQ tratamentos = Soma dos quadrados dos tratamentos
SQE = Soma dos quadrados dos erros
SQT = Soma de quadrados total
MQ tratamentos = Mdia quadrtica dos tratamentos
MQE = Mdia quadrtica dos erros
a = nmero de tratamentos
n = nmero de replicaes dentro de cada tratamento

Fo
MQ tratamentos
MQE

36

A seguir so explicitados os trs modelos de experimentos mais simples onde


se utiliza a anlise de varincia.

2.4.3.1 Delineamento inteiramente casualizado

De acordo com Silva (2007, p. 4), para esse tipo especfico de delineamento
necessrio a completa homogeneidade das condies ambientais e do material
experimental, sendo os tratamentos distribudos nas parcelas de forma inteiramente
casual (aleatria).
Costa (2003) define que este tipo de delineamento mais utilizado em
experimentos laboratoriais, e em bandejas e vasos em casa de vegetao.
A expresso do modelo estatstico para o delineamento inteiramente
casualizado , de acordo com Silva (2007):

(equao 4)

Onde:
: o valor observado na parcela experimental que recebeu o i -simo tratamento
na j -sima repetio ( j = 1,..., r) ;
: representa uma constante geral associada a esta varivel aleatria
: o efeito do tratamento i i 1,2,...,t ;
: o erro experimental associado a observao

, suposto ter distribuio normal

com mdia zero e varincia comum.

2.4.3.2 Delineamento em blocos casualizados

De acordo com Gomes e Garcia (2002), O delineamento em blocos


casualizados, ou em blocos ao acaso, utilizado sempre que verificada a falta de
homogeneidade entre as parcelas do experimento.
Costa (2003) relata que neste tipo de experimento a quantidade de
tratamentos deve ser igual quantidade de parcelas em cada bloco, e possuem os
trs conceitos bsicos da experimentao, os quais j foram mencionados
anteriormente. Sua utilizao mais presente em condies de campo.

37

A expresso do modelo estatstico para o delineamento em blocos


casualizados , de acordo com Silva (2007):

Onde:
: o valor observado na parcela experimental que recebeu o tratamento i no
bloco
j;
: representa uma constante geral associada a esta varivel aleatria;
: o efeito do tratamento i (i =1,2,...,t ) ;
: o efeito do bloco j ( j =1, 2,...,b) ;
: o erro experimental.

2.4.3.3 Ensaios fatoriais

Yates (1937) apud Gomes e Garcia (2002), p. 117, define ensaios fatoriais:
Experimentos fatoriais so aqueles que incluem todas as combinaes de vrios
conjuntos de tratamentos ou fatores.
J Costa (2003) define este na situao em que o estudioso realiza a
avaliao de dois ou mais tratamentos e deseja a averiguar se os tratamentos
interagem entre si.
Costa (2003, p.66) ainda ressalta uma importante vantagem dos ensaios
fatoriais que este permite estudar os efeitos principais dos fatores e os efeitos das
interaes entre eles.
A expresso do modelo estatstico para os ensaios fatoriais , de acordo com
Silva (2007):

Onde:
: o valor observado na parcela experimental que recebeu o nvel i do fator
e o nvel j do fator na repetio k ;

38

: representa uma constante geral;


: o efeito do nvel i do fator

(i =1,2,...,a) ;

: o efeito do nvel j do fator ( j =1, 2,..., ) ;


: o efeito da interao entre o nvel i do fator
: o erro experimental.

e o nvel j do fator ;

39

SOFTWARE R

O R um software de livre distribuio, ou seja, sem custo de aquisio.


Souza, Peternelli e Mello (2006) afirmam que o software foi criado em 1966 por Ross
Ihaka e Robert Gentleman. Ele permite a manipulao de dados, realizao de
clculos e gerao de grficos. O R permite tambm a manipulao de vetores e
matrizes e a realizao de operaes matemticas simples, alm da elaborao de
grficos diversificados.
De acordo com R-PROJECT (2012) o software comeou a ser desenvolvido
no Departamento de Estatstica da Universidade de Auckland em Nova Zelndia e
passou a ser conhecido por R & R, devido ao nome de seus elaboradores,
originando o nome R do programa.
Ainda segundo R-PROJECT (2012) a primeira distribuio do R foi em 1993,
quando cpias foram disponibilizadas no StatLib, sendo este um sistema de
distribuio de softwares estatsticos. O primeiro usurio deste programa Martin
Mchler do ETH Zrich, que era do Instituto Federal de Tecnologia Zurique da
Sua, juntamente com R & R, em 1995, difundiram o cdigo fonte do R, sob a
autorizao de Free Software Foundations GNU general license, sendo uma licena
para softwares livres. Em 1997 foi formado um grupo de profissionais que tm
acesso ao cdigo fonte do R, possibilitando assim a atualizao mais rpida do
software. Um dos fatores para o aumento da transmisso do R a sua capacidade
de ser compatvel com quase todos os sistemas operacionais.
De acordo com Peternelli e Mello (2007), o software estatstico R pode ser
obtido atravs do site www.r-project.org, podendo ser encontrado nos sistemas
operacionais Windows, UNIX e Macintosh. Diferentes profissionais do mundo todo
podem estar incluindo recursos para o aprimoramento desse software.
As funes que o software disponibiliza ficam disponveis no diretrio
R_HOME/library (R_HOME o diretrio onde foi instalado o R). No diretrio existem
pacotes de funes, que so os pacotes principais do R. Porm h muitos outros
que esto no CRAN (Comprehensive R Archive Network). O chamado pacote BASE
como se fosse o ncleo do R, pois contm funes bsicas. Cada pacote tem seu
prprio diretrio. Por exemplo, para o pacote BASE o caminho o seguinte:
R_HOME/library/base/R/base, onde se encontra tudo sobre esse pacote e as

40

funes que ele possui. Existem pacotes que podem ser carregados, atravs do
comando library(nome_do_pacote), que pode ser digitado na linha de comando do
software.

Atravs da comando search() possvel saber quais os pacotes

carregados do software R. (SOUZA; PETERNELLI; MELLO, 2006).


Como o trabalho visa a elaborao de uma rotina para o controle estatstico
do processo atravs do software R, no sero detalhadas as funes do software.

41

SOFTWARE MINITAB

De acordo com o site Lder Softwares (2012) O Minitab foi desenvolvido por
Barbara F. Ryan, Thomas A. Ryan, Jr., e Brian L. Joiner, do corpo docente da
Universidade Penn State. A sua primeira verso foi o Minitab Statistical Software,
sendo este mostrado em um encontro da American Statistical Association
(Associao Americana de Estatstica) no ano de 1972. Atravs do Minitab era
possvel a execuo de clculos estatsticos. As primeiras distribuies do software
foram feitas caixas de cartes perfurados.
No ano de 2010 foi lanada a mais nova verso do software: o Minitab 16 com
funcionalidades e caractersticas novas. A verso se encontra disponvel em
diversas lnguas como ingls, espanhol, alemo, francs, japons, chins
simplificado, e coreano.
Em 2012 o Minitab completa 40 anos, sendo assunto da Conferncia Mundial
da American Society for Quality (Sociedade Americana para Qualidade) na
Califrnia.
Cymrot, Manin e Lara (2006) comentam que o Minitab usado por mais de
4000 instituies de ensino de todo o mundo e referenciado por cerca de 450 livros
texto. O software utilizado em 80 pases e em diversas empresas de destaque no
Brasil.
Campos (2003) descreve que o Minitab capaz de fornecer ferramentas da
qualidade como grfico de Pareto, diagrama de causa e efeito, alm da anlise da
capacidade do processo.

42

METODOLOGIA

A metodologia apresentada neste trabalho consiste em apresentar o tipo de


pesquisa, o objeto de estudo, a forma da coleta de dados e a forma de interpretao
dos dados.

5.1 Tipo de pesquisa

De acordo com Gil (2009), a pesquisa definida como sendo um


procedimento que objetiva responder as propostas problemas.
A pesquisa do presente trabalho pode ser definida como descritiva. Tal tipo de
pesquisa tem como objetivo estabelecer relao entre variveis ou descrever de
uma determinada populao as caractersticas. (GIL, 2009).

5.2 Objeto de estudo

O objeto a ser estudado o pacote QCC do software R, que significa Quality


Control Charts, desenvolvido por Lucca Scrucca, do Departamento de Cincias
Estatsticas da Universidade de Pergia, Itlia. Este pacote permite gerar grficos de
controle Shewhart para variveis, discretas, contnuas e atributos. Constri tambm
grficos CUSUM e EWMA. Alm disto, curvas caractersticas de operao, e
ferramentas da qualidade podem ser construdos. Auxilia tambm na Anlise de
Capacidade de Processos.

5.3 Coleta de dados


Os exemplos foram coletados do livro Introduo ao Controle Estatstico da
Qualidade, do autor Montgomery (2004), do conjunto de dados do pacote QCC do
software R e outros exemplos foram elaborados pelo prprio autor.

43

5.4 Interpretao dos dados

A metodologia apresentada neste trabalho consiste em apresentar como


trabalhar com o ambiente R algumas ferramentas do Controle Estatstico da
Qualidade.
Para a elaborao deste material utilizar-se- a verso 2.15.1 do R e
ambiente Windows.
Este trabalho apresenta todas as rotinas do pacote com os devidos
comentrios e a implementao de novas rotinas que permitira aos usurios do CEQ
o desenvolvimento de seus trabalhos. Tambm foi feita uma comparao entre as
ferramentas do R e as do Minitab verso 15, com o objetivo de comparar suas
sadas, isto , comparar os resultados. Para a comparao dos resultados, sero
feitos exemplos envolvendo grficos das ferramentas da qualidade, capacidade do
processo e anlise de varincia.
A interpretao dos dados ser feita atravs dos grficos gerados pelos
softwares R e Minitab.

44

RESULTADOS E DISCUSSES

Foram realizadas comparaes das ferramentas da qualidade, capacidade do


processo e anlise de varincia. Os grficos foram confeccionados atravs do
Minitab 15 e do R 2.15.1, estando respectivamente nesta ordem.

Ferramentas da Qualidade

Grficos de Controle
Exemplo 01: Elaborar os grficos de controle para a Mdia, Amplitude, Desvio
Padro, EWMA e CUSUM das medidas dos dimetros internos (mm) de anis de
pisto de motores de automveis.

Tabela 2- Medidas dos dimetros internos (mm) de anis de pisto de motores de


automveis (parte 1)
N amostra

X1

X2

X3

X4

X5

83

81,2

78,7

75,7

77

88,6

78,3

78,8

71

84,2

85,7

75,8

84,3

75,2

81

80,8

74,4

82,5

74,1

75,7

83,4

78,4

82,6

78,2

78,9

75,3

79,9

87,3

89,7

81,8

74,5

78

80,8

73,4

79,7

79,2

84,4

81,5

86

74,5

80,5

86,2

76,2

64,1

80,2

10

75,7

75,2

71,1

82,1

74,3

11

80

81,5

78,4

73,8

78,1

12

80,6

81,8

79,3

73,8

81,7

13

82,7

81,3

79,1

82

79,5

14

79,2

74,9

78,6

77,7

75,3

15

85,5

82,1

82,8

73,4

71,7

16

78,8

79,6

80,2

79,1

80,8

Fonte: Adaptado de Montgomery (2004)

45

Tabela 2- Medidas dos dimetros internos (mm) de anis de pisto de motores de


automveis (parte 2)
N amostra

X1

X2

X3

X4

X5

17

82,1

78,2

75,5

78,2

82,1

18

84,5

76,9

83,5

81,2

79,2

19

79

77,8

81,2

84,4

81,6

20

84,5

73,1

78,6

78,7

80,6

21

68,9

81,5

78,2

80,8

81,5

22

69,8

68,6

80,4

84,3

83,9

23

78,5

85,2

78,4

80,3

81,7

24

76,9

86,1

86,9

94,4

83,9

25

93,6

81,6

87,8

79,6

71

26

65,5

86,8

72,4

82,6

71,4

27

78,1

65,7

83,7

93,7

93,4

28

74,9

72,6

81,6

87,2

72,7

29

78,1

77,1

67

75,7

76,8

30

78,7

85,4

77,7

90,7

76,7

31

85

60,2

68,5

71,1

82,4

32

86,4

79,2

79,8

96

75,4

33

78,5

99

78,3

71,4

81,8

34

68,8

62

82

77,5

76,1

35

83

83,7

73,1

82,2

95,3

Fonte: Adaptado de Montgomery (2004)

46

Grfico 1 Grfico Xbar dos dimetros internos dos anis de pisto


Grfico Xbar dos dimetros internos dos anis de pisto
88

UCL=87,53

86

Mdia das amostras

84
82
_
_
X=79,43

80
78
76
74
72

LCL=71,33

70
1

10

13

16
19
22
Amostras

25

28

31

34

Fonte: Prprio autor (2012)


Grfico 2 Grfico Xbar dos dimetros internos dos anis de pisto

Fonte: Prprio autor (2012)

O grfico 1 mostra a carta de controle para a mdia realizada no software


Minitab, enquanto que o grfico 2 mostra a mesma carta realizada no software R.

47

Observa-se que os grficos de controle para a mdia da varivel estudada


apresentam uma configurao bem semelhante, divergindo apenas nos valores dos
limites de especificao, o que ocorre devido escala diferente. Tal diferena se d
tambm a arredondamentos decimais. Atravs dos grficos nota-se que o processo
est sob controle estatstico, pois nenhuma amostra se mostra fora dos limites de
especificao.
Grfico 3 Grfico R (Amplitude) dos dimetros internos dos anis de pisto
Grfico R dos dimetros internos dos anis de pisto
30

UCL=29,69

Amplitude das amostras

25
20
_
R=14,04

15
10
5
0

LCL=0
1

10

13

16
19
22
A mostras

25

28

31

34

Fonte: Prprio autor (2012)


Grfico 4 Grfico R (Amplitude) dos dimetros internos dos anis de pisto

Fonte: Prprio autor (2012)

48

O grfico 3 mostra a carta de controle para a amplitude realizada no software


Minitab, enquanto que o grfico 4 mostra a mesma carta realizada no software R.
Percebe-se tambm uma configurao semelhante, do mesmo modo que para a
mdia.
Grfico 5 Grfico S (Desvio Padro) dos dimetros internos dos anis de pisto
Grfico S dos dimetros internos dos anis de pisto
12

UCL=11,85

Desvio das amostras

10
8
_
S=5,67

6
4
2
0

LCL=0
1

10

13

16
19
22
Amostras

25

28

31

34

Fonte: Prprio autor (2012)


Grfico 6 Grfico S (Desvio Padro) dos dimetros internos dos anis de pisto

Fonte: Prprio autor (2012)

49

O grfico 5 mostra a carta de controle para o desvio padro realizada no


software Minitab, enquanto que o grfico 6 mostra a mesma carta realizada no
software R. Pode-se notar as mesmas observaes dos dois tipos de grficos
anteriores. Porm uma amostra se encontra fora dos limites de especificao, o que
no justifica uma causa especial, e sim uma causa aleatria, podendo ser explicada
pelos limites de especificao.
Grfico 7 Grfico EWMA dos dimetros internos dos anis de pisto
Grfico EWMA para dimetros internos dos anis de pisto
UCL=82,128

82
81

EWMA

80

_
_
X=79,429

79
78
77

LCL=76,729

76
1

10

13

16
19
22
A mostras

25

28

31

34

Fonte: Prprio autor (2012)


Grfico 8 Grfico EWMA dos dimetros internos dos anis de pisto

Fonte: Prprio autor (2012)

50

O grfico 7 mostra a carta de controle para a mdia mvel exponencialmente


ponderada realizada no software Minitab, enquanto que o grfico 8 mostra a mesma
carta realizada no software R. Nota-se que as performances dos dois so
semelhantes e o processo est sob controle estatstico.
Grfico 9 Grfico CUSUM dos dimetros internos dos anis de pisto
Grfico CUSUM para os dimetros internos dos anis
15
UCL=12,58

Soma cumulativa

10
5
0

-5
-10
LCL=-12,58
1

10

13

16
19
22
Amostras

25

28

31

34

Fonte: Prprio autor (2012)


Grfico 10 Grfico CUSUM dos dimetros internos dos anis de pisto

Fonte: Prprio autor (2012)

51

O grfico 9 mostra a carta de controle da soma cumulativa realizada no


software Minitab, enquanto que o grfico 10 mostra a mesma carta realizada no
software R. Os grficos apresentam considerveis semelhanas, indicando que o
processo est sob controle estatstico.
Histograma
Exemplo 02: Elaborar um histograma das medidas dos dimetros internos (mm) de
anis de pisto de motores de automveis.
Grfico 11 Histograma dos dimetros internos dos anis de pisto
Histograma dos dimetros internos dos anis de pisto
30

Frequncia

25
20
15
10
5
0

60

66
72
78
84
90
96
A mostras dos dimetros internos dos anis de pisto

Fonte: Prprio autor (2012)


Grfico 12 Histograma dos dimetros internos dos anis de pisto

Fonte: Prprio autor (2012)

52

O grfico 11 mostra o histograma realizado no software Minitab, enquanto que


o grfico 12 mostra a mesmo histograma realizado no software R.
Atravs da observao dos dois histogramas pode-se observar que a
frequncia de ocorrncia dos dados concentra-se em intervalos semelhantes. No
histograma gerado pelo Minitab esse intervalo corresponde de 72-86 e no
histograma gerado pelo R corresponde de 70-90. Essa diferena ocorre devido
escala diferente utilizada por cada software.

Diagrama de ramo-e-folhas
Exemplo 03: Elaborar o diagrama de ramo e folha para as medidas dos dimetros
internos (mm) de anis de pisto de motores de automveis.

Grfico 13 Diagrama de ramo e folha dos dimetros internos dos anis de pisto
N = 175
Leaf Unit = 1,0
3

6 024

11 6 55788889
34 7 11111112223333334444444
(60) 7 555555555556666667777778888888888888888888888899999999999999
81 8 000000000000111111111111111112222222222222333333334444444
24 8 5555566666677789
8

9 03334

9 569

Fonte: Prprio autor (2012)

Grfico 14 Diagrama de ramo e folha dos dimetros internos dos anis de pisto
Diagrama de ramo e folha no R:
O ponto referente a nmero decimal representado por |.
60 | 2
62 | 0

53

64 | 157
66 | 0
68 | 56898
70 | 0011447
72 | 467114488
74 | 134559922334577778
76 | 127899015778
78 | 0111222233444556677788901122223566789
80 | 02234566888802223555566677888
82 | 001111245667800457799
84 | 233445502457
86 | 012489238
88 | 67
90 | 7
92 | 467
94 | 43
96 | 0
98 | 0
Fonte: Prprio autor (2012)

O grfico 13 mostra o diagrama de ramo-e-folhas realizado no software


Minitab, enquanto que o grfico 14 mostra o mesmo diagrama realizado no software
R. Os diagramas apresentam configuraes diferentes, porm demonstram o
mesmo significado. O que foi elaborado no Minitab representa na primeira coluna a

54

frequncia dos dados, a segunda coluna representa a dezena, por exemplo, 6=60. O
diagrama feito no R tambm representa todos os dados, sendo a maior frequncia
na dezena 78.

Diagrama de Disperso
Exemplo 04: Elaborar o diagrama de disperso para as variveis x e y.

Tabela 3- Medidas dos dimetros internos (mm) de anis de pisto x e y de motores


de automveis.
N amostra

N amostra

83

81,2

19

79

77,8

88,6

78,3

20

84,5

73,1

85,7

75,8

21

68,9

81,5

80,8

74,4

22

69,8

68,6

83,4

78,4

23

78,5

85,2

75,3

79,9

24

76,9

86,1

74,5

78

25

93,6

81,6

79,2

84,4

26

65,5

86,8

80,5

86,2

27

78,1

65,7

10

75,7

75,2

28

74,9

72,6

11

80

81,5

29

78,1

77,1

12

80,6

81,8

30

78,7

85,4

13

82,7

81,3

31

85

60,2

14

79,2

74,9

32

86,4

79,2

15

85,5

82,1

33

78,5

99

16

78,8

79,6

34

68,8

62

17

82,1

78,2

35

83

83,7

18

84,5

76,9

Fonte: Adaptado de Montgomery (2004)

55

Grfico 15 Diagrama de disperso de x e y


Diagrama de disperso x versus y
100

90

80

70

60
65

70

75

80
x

85

90

95

Fonte :Prprio autor (2012)


Grfico 16 Diagrama de disperso de x e y

Fonte: Prprio autor (2012)

O grfico 15 mostra o diagrama de disperso realizado no software Minitab,


enquanto que o grfico 16 mostra o mesmo diagrama realizado no software R. A
plotagem dos pares ordenados apresentam performances idnticas.

56

Diagrama de Pareto
Exemplo 05: Elaborar um Diagrama de Pareto para os dados do aumento dos
dimetros internos dos anis de pisto de motores.
Tabela 4 Causa do aumento dos dimetros internos dos anis de pisto de
motores e suas respectivas frequncias.
Causa do aumento

Frequncia

Matria prima

65

Meio ambiente

50

Mo-de-obra

20

Mquina

20

Mensurao

10

Mtodo

10

Fonte: Prprio autor (2012)


Grfico 17 Diagrama de Pareto do aumento dos dimetros internos dos anis de
pisto
Diagrama de Pareto do Aumento do dimetro interno do anel do pisto
200

Frequncia

150

80
60

100

40
50

Aumento do dimetro interno do

t
Ma
Quantidade
Percentual
Cumulativo %

Fonte: Prprio autor (2012)

20

ia
r

a
rim

te

o
en
bi
em
-d
a
o
M
e io
M

65
37,1
37,1

50
28,6
65,7

a
br

q
M

20
11,4
77,1

na
ui

ns
Me

20
11,4
88,6

o
a
ur

t
M

do

10
10
5,7
5,7
94,3 100,0

Percentual

100

57

Grfico 18 Diagrama de Pareto do aumento dos dimetros internos dos anis de


pisto

Fonte: Prprio autor (2012)

O grfico 17 mostra o Diagrama de Pareto realizado no software Minitab,


enquanto que o grfico 18 mostra o mesmo diagrama realizado no software R. Os
grficos apresentam algumas divergncias, sendo que o gerado pelo Minitab
apresenta exatamente a quantidade que cada causa representa, e tambm fornece
a porcentagem referente a esse valor e a porcentagem cumulativa, sendo que o R
no explicita essas informaes, deixando-as apenas obscuras para que o usurio
possa identific-las. Nota-se que o tipo de matria prima e o meio ambiente so
responsveis por mais de 50% do aumento dos dimetros internos dos anis de
pisto.

Diagrama de causa e efeito


Exemplo 06: Elaborar um diagrama de causa e efeito, de acordo com a tabela
apresentada.

58

Tabela 5 Lista de causas para efeito de falhas na superfcie


Efeito: Falhas de superfcie
Possveis causas para o efeito
Micrmetros
Mensurao

Microscpios
Inspetores
Ligas

Materiais

Lubrificantes
Provedores
Supervisores

Pessoal

Treinamento
Operadores

Meio ambiente

Mtodos

Umidade
Condensao
ngulo
Freio
Covas

Mquinas

Pedaos
Tornos mecnicos
Acelerao

Fonte: Exemplo adaptado do software R 2.15.1

59

Grfico 19 Diagrama de causa e efeito


Diagrama de causa e efeito
Mensurao

Materiais

M icrmetros

Pessoal

Ligas

M icroscpios

S uperv isores

Lubrificantes

Inspetores

Treinamento

P rov edores

O peradores

Falhas de
superfcie
A celerao
C ondensao

F reio

U midade

Tornos mecnicos
P edaos

ngulo

C ov as

Meio ambiente

Mtodos

Mquinas

Fonte: Prprio autor (2012)


Grfico 20 Diagrama de causa e efeito

Fonte: Prprio autor (2012)

60

O grfico 19 mostra o diagrama de causa e efeito realizado no software


Minitab, enquanto que o grfico 20 mostra o mesmo diagrama realizado no software
R. Ambos apresentam configuraes bastante semelhantes, sendo que a diferena
existente que as palavras Mensurao, Materiais, Pessoal, Meio Ambiente,
Mtodos, e Mquinas, que representam as principais categorias das causas, esto
em ingls no diagrama gerado pelo R.

Obs.: As ferramentas a seguir, Diagrama de Concentrao de Defeito e Folha


de Verificao, foram elaborados a ttulo de ilustrao das ferramentas da qualidade,
visto que no so elaboradas pelos softwares estudados.

Diagrama de Concentrao de Defeito


Exemplo 07: Elaborar um diagrama de concentrao de defeito para um tanque
usado em uma aplicao aeroespacial.
Figura 9 Diagrama de concentrao de defeito para tanque de aplicao
aeroespacial

Fonte: Montgomery (2004)

61

Folha de Verificao
Exemplo 08: Elaborar uma folha de verificao para defeitos em um tanque usado
em uma aplicao aeroespacial.

Planilha 1 Folha de Verificao para defeitos em um tanque usado em uma


aplicao aeroespacial
Folha de Verificao
Dados de defeitos para 1988
Parte n: TAX-41
Localizao: Bellevue
Data do estudo: 6/5/12
Analista: TCB
1988
Ms

1 2 3 4

Partes danificadas

5 1

Partes enferrujadas

Pintura fora dos limites

8
2

9 10 11

12 TOTAL

22

Porosidade na fundio
Dimenses incorretas

27

0
1

12

18

Processamento fora de
ordem

Problemas de mquina

Solda desalinhada
Falha do adesivo

1
1

1
1

Composto delaminado

Tinta danificada por


produto qumico
TOTAL

2
4 3 8 5 13 4

Fonte: Adaptado de Montgomery (2004)

2
5 15 9

80

62

Grficos de controle para atributos


Exemplo 09: Elaborar os grficos de controle p e np para amostras de embalagens
no-conformes.

Tabela 6 - Dados para os limites de controle tentativos, tamanho da amostra n=50


N de
Amostra

embalagens
no-

N de
Amostra

conformes

embalagens
no-

N de
Amostra

conformes

embalagens
noconformes

12

19

13

37

15

20

11

38

21

20

39

10

22

18

40

23

24

41

24

15

42

16

25

43

26

12

44

14

27

45

10

10

28

13

46

11

29

47

12

30

48

13

17

31

49

14

12

32

50

15

22

33

12

51

16

34

52

17

10

35

53

18

36

54

Fonte: Adaptado de Montgomery (2004)

63

Grfico 21 Grfico NP para embalagens


Grfico NP para embalagens
25

1
1
1

Conta de amostras

20

UCL=17,00

15

__
NP=8,89

10

5
LCL=0,78

0
1

11

16

21

26
31
Amostras

36

41

46

Fonte: Prprio autor (2012)


Grfico 22 Grfico NP para embalagens

Fonte: Prprio autor (2012)

51

64

O grfico 21 mostra a carta de controle para o nmero de embalagens noconformes realizada no software Minitab, enquanto que o grfico 22 mostra a
mesma carta realizada no software R.
Observa-se que os grficos de controle para atributos np apresentam uma
configurao bem semelhante, sendo que o que difere que o primeiro grfico
apresenta cinco pontos fora de controle e o segundo apenas quatro.
Grfico 23 Grfico P para embalagens
Grfico P para embalagens
0,5

1
1
1

0,4

Proporo

UCL=0,3400

0,3

_
P=0,1778

0,2

0,1
LCL=0,0156

0,0
1

11

16

21

26
31
A mostras

36

41

46

Fonte: Prprio autor (2012)


Grfico 24 Grfico P para embalagens

Fonte: Prprio autor (2012)

51

65

O grfico 23 mostra a carta de controle para a frao amostral de embalagens


no-conformes realizada no software Minitab, enquanto que o grfico 24 mostra a
mesma carta realizada no software R.
Os grficos p no demonstram performances diferenciadas, apenas
divergncias devido a arredondamentos. Isto mostra que o primeiro grfico
apresenta cinco pontos fora de controle e o segundo apenas quatro.

Exemplo 09: Elaborar os grficos de controle c e u para amostras de tecidos tingidos

Tabela 7 - Ocorrncia de no-conformidades em tecido tingido


N unidades de

N no-conf. p/

inspeo no rolo

unid. de

inspeo

14

10

1,4

400

12

1,5

650

20

13

1,54

500

11

10

1,1

475

9,5

0,74

500

10

10

600

21

12

1,75

525

16

10,5

1,52

600

19

12

1,58

10

625

23

12,5

1,84

N do

N metros

N total no-

rolo

quadrados

conformidades

500

Fonte: Montgomery (2004)

66

Grfico 25 Grfico C do n total de no-conformidades


Grfico C do n total de no-conformidades
30
UCL=27,03

Conta de Amostras

25

20
_
C=15,3

15

10

LCL=3,57
1

5
6
Amostras

10

Fonte: Prprio autor (2012)


Grfico 26 Grfico C do n total de no-conformidades

Fonte: Prprio autor (2012)

67

O grfico 25 mostra a carta de controle para no-conformidades realizada no


software Minitab, enquanto que o grfico 26 mostra a mesma carta realizada no
software R. Os grficos gerados pelo Minitab e pelo R apresentam performance
relativamente semelhantes, divergindo nos valores devido arredondamentos
decimais de cada software.
Grfico 27 Grfico U do n total de no-conformidades
Grfico U do n total de no-conformidades

Conta de amostra por unidade

0,06
0,05

UCL=0,04871

0,04
_
U=0,02847

0,03
0,02
0,01

LCL=0,00822

0,00
1

5
6
Amostras

10

Tests performed with unequal sample sizes

Fonte: Prprio autor (2012)


Grfico 28 Grfico U do n total de no-conformidades

Fonte: Prprio autor (2012)

68

O grfico 29 mostra a carta de controle para o nmero de no-conformidades


por unidade realizada no software Minitab, enquanto que o grfico 30 mostra a
mesma carta realizada no software R. Os grficos u demonstram bastante
semelhantes, divergindo nos valores devido a arredondamentos.

Capacidade do Processo

Exemplo 10: Calcular a capacidade do processo, utilizando USL= 360 e LSL= 168.
Tabela 8 Foras de resistncia ruptura para 100 garrafas de refrigerante de um
litro.
265

197

346

280

265

200

221

265

261

278

205

286

317

242

254

235

176

262

248

250

263

274

242

260

281

246

248

271

260

265

307

243

258

321

294

328

263

245

274

270

220

231

276

228

223

296

231

301

337

298

268

267

300

250

260

276

334

280

250

257

260

281

208

299

308

264

280

274

278

210

234

265

187

258

235

269

265

253

254

280

299

214

264

267

283

235

272

287

274

269

215

318

271

293

277

290

283

258

275

251

Fonte: Montgomery (2004)

69

Grfico 29 Grfico da Anlise de capacidade do processo para resistncia


ruptura de 100 garrafas de vidro de 1 litro de refrigerante
Anlise de Capacidade do processo para resistncia ruptura
LSL

Target

USL

P rocess D ata
LS L
168
Target
264
USL
360
S ample M ean
264,06
S ample N
100
S tD ev (Within)
32,0091
S tD ev (O v erall) 32,0179

W ithin
Ov erall
P otential (Within) C apability
Cp
1,00
C PL
1,00
C P U 1,00
C pk
1,00
O v erall C apability
Pp
PPL
PPU
P pk
C pm

180
O bserv ed P erformance
P P M < LS L
0,00
P P M > U S L 0,00
P P M Total
0,00

210

E xp. Within P erformance


P P M < LS L
1345,38
P P M > U S L 1362,04
P P M Total
2707,42

240

270

300

330

1,00
1,00
1,00
1,00
1,00

360

E xp. O v erall P erformance


P P M < LS L
1349,04
P P M > U S L 1365,73
P P M Total
2714,77

Fonte: Prprio autor (2012)


Grfico 30 Grfico da Anlise de capacidade do processo para resistncia
ruptura de 100 garrafas de vidro de 1 de refrigerante

Fonte: Prprio autor (2012)

70

O grfico 29 mostra a anlise de capacidade do processo realizada no


software Minitab, enquanto que o grfico 30 mostra a mesma anlise realizada no
software R. A configurao dos histogramas so semelhantes, sendo os limites de
especificao so 168 e 360, que geralmente so especificaes dos clientes.
A diferena entre os dois se consolida no fato de que o primeiro apresenta a
quantidade de itens fora das especificaes em ppm (partes por milho), de acordo
com a capacidade efetiva e com a capacidade potencial, sendo que o segundo
apenas informa a porcentagem relativa a esses itens, para limites superior e inferior
de especificao.

Anlise de Varincia
Exemplo 11: Determinar as sadas para anlise de varincia dos delineamentos.
Delineamento inteiramente casualizado
Tabela 9 Dados para Delineamento inteiramente casualizado (parte 1)
amostra valor amostra valor amostra valor amostra valor amostra valor
1

15,8

16,3

16,2

16,1

16,6

16,3

15,9

15,9

16,2

16,4

16,1

16,2

16,5

16,4

16,3

16,3

16,2

15,9

16,4

16,2

16,1

16,1

16,4

16,5

16

16,1

15,8

16,7

16,6

16,4

16,1

16,3

16,5

16,1

16,5

16,2

16,1

16,2

16,1

16,3

16,3

16,2

16,4

16,3

16,5

16,6

16,3

16,4

16,1

16,5

16,2

16,4

15,9

16,3

16,4

15,9

16,6

16,7

16,2

16,5

16,4

16,1

16,6

16,4

16,1

16,5

16,3

16,2

16,3

16,4

16,4

16,1

16,3

16,2

16,2

16

16,2

16,3

16,3

16,2

Fonte: Adaptado de Montgomery (2004)

71

Tabela 9 Dados para Delineamento inteiramente casualizado (parte 2)


amostra valor amostra Valor amostra valor amostra valor amostra valor
1

16,4

16,2

16,4

16,3

16,2

16

16,2

16,4

16,5

16,1

16,4

16

16,3

16,4

16,4

16,4

16,4

16,5

16

15,8

Fonte: Adaptado de Montgomery (2004)

Abaixo se tem as sadas dos dois softwares, ambos apresentam inicialmente


a tabela da anlise de varincia. O Minitab faz um teste de comparao mltipla e
um intervalo de confiana amostra por amostra, enquanto que o R solta uma
comparao mltipla usando o teste Tukey (diferena mnima significativa) e os
intervalos de confiana, todos em uma nica tabela, facilitando a interpretao. Em
seguida ambos apresentam o grfico box-plot, sendo que o do Minitab apresenta
uma linha ligando as mdias, o que facilita a interpretao.

Sada do Minitab
One-way ANOVA: valor versus amostra

Source DF

SS

MS

amostra 4

0,2596 0,0649 1,64 0,170

Error

95

3,7580 0,0396

Total

99

4,0176

S = 0,1989 R-Sq = 6,46% R-Sq(adj) = 2,52%

Sendo que:
DF: Graus de liberdade
SS: Soma dos quadrados
MS: Mdia quadrtica
F: Relao entre a mdia quadrtica dos tratamentos e a mdia quadrtica dos erros
P: Nvel de significncia
R-Sq: R
R-Sq(adj): R ajustado

72

Individual 95% CIs For Mean Based on


Pooled StDev
Level N

Mean

StDev -------+---------+---------+---------+--

20

16,225 0,210

(----------*----------)

20

16,195 0,179 (----------*----------)

20

16,335 0,237

20

16,285 0,160

(----------*----------)

20

16,300 0,200

(----------*-----------)

(----------*----------)

-------+---------+---------+---------+-16,160

16,240

16,320

16,400

Pooled StDev = 0,199


Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons among Levels of amostra
Individual confidence level = 99,34%

amostra = 1 subtracted from:


amostra

Lower Center Upper

+---------+---------+---------+---------

-0,2048 -0,0300 0,1448

-0,0648 0,1100 0,2848

-0,1148 0,0600 0,2348

(----------*----------)

-0,0998 0,0750 0,2498

(----------*----------)

(----------*----------)
(----------*----------)

+---------+---------+---------+---------0,32

-0,16

0,00

0,16

amostra = 2 subtracted from:


amostra

Lower Center Upper

+---------+---------+---------+---------

-0,0348 0,1400 0,3148

(----------*----------)

-0,0848 0,0900 0,2648

(----------*----------)

-0,0698 0,1050 0,2798

(----------*---------)
+---------+---------+---------+---------

-0,32

-0,16

0,00

0,16

73

amostra = 3 subtracted from:


amostra

Lower Center Upper

+---------+---------+---------+---------

-0,2248 -0,0500 0,1248

(----------*----------)

-0,2098 -0,0350 0,1398

(----------*----------)
+---------+---------+---------+---------

-0,32

-0,16

0,00

0,16

amostra = 4 subtracted from:


amostra

Lower Center Upper

+---------+---------+---------+---------

-0,1598 0,0150 0,1898

(----------*----------)
+---------+---------+---------+---------

-0,32

-0,16

0,00

0,16

Onde:
Lower: Limite inferior
Center: Limite central
Upper: Limite superior
Grfico 31 Grfico Boxplot para Delineamento inteiramente casualizado
Grfico Boxplot
16,7
16,6
16,5

valor

16,4
16,3
16,2
16,1
16,0
15,9
15,8
1

Fonte: Prprio autor (2012)

3
amostra

74

Sada do R

Df
amostra

Sum Sq

Residuals 95

Mean Sq

0.260

0.06490

3.758

0.03956

F value

Pr(>F)

1.641

0.17

Sendo que:
Df: Graus de liberdade
Sum Sq: Soma dos quadrados
Mean Sq: Mdia quadrtica
F value: Relao entre a mdia quadrtica dos tratamentos e a mdia quadrtica
dos erros
Pr: Nvel de significncia

$amostra

diff

2-1

-0.030

3-1

lwr

upr

p adj

-0.20490266

0.1449027

0.9892681

0.110

-0.06490266

0.2849027

0.4094633

4-1

0.060

-0.11490266

0.2349027

0.8747668

5-1

0.075

-0.09990266

0.2499027

0.7556782

3-2

0.140

-0.03490266

0.3149027

0.1791687

4-2

0.090

-0.08490266

0.2649027

0.6094074

5-2

0.105

-0.06990266

0.2799027

0.4576406

4-3

-0.050

-0.22490266

0.1249027

0.9314779

5-3

-0.035

-0.20990266

0.1399027

0.9808786

5-4

0.015

-0.15990266

0.1899027

0.9992720

Diff: Limite central


p adj: valor de p ajustado

75

Grfico 32 Grfico Boxplot para Delineamento inteiramente casualizado

Fonte: Prprio autor (2012)


Delineamento em bloco casualizado
Tabela 10 Dados para Delineamento em bloco casualizado (parte 1)
Amostra

bloco

valor

amostra bloco

15,8

16,3

16,2

16,3

15,9

15,9

16,1

16,2

16,5

16,3

16,2

15,9

16,1

16,1

16,4

16,1

15,8

16,7

16,1

16,3

16,5

16,2

16,1

16,2

16,3

16,2

16,4

10

16,6

10

16,3

10

16,4

11

16,2

11

16,4

11

15,9

12

15,9

12

16,6

12

16,7

Fonte: Adaptado de Montgomery (2004)

valor

amostra bloco

Valor

76

Tabela 10 Dados para Delineamento em bloco casualizado (parte 2)


A

13

16,4

13

16,1

13

16,6

14

16,5

14

16,3

14

16,2

15

16,4

15

16,1

15

16,3

16

16

16

16,2

16

16,3

17

16,4

17

16,2

17

16,4

18

16

18

16,2

18

16,4

19

16,4

19

16

19

16,3

20

16,4

20

16,4

20

16,5

Amostra

bloco

Valor

16,1

16,6

16,2

16,4

16,4

16,3

16,4

16,2

16,5

16

16,6

16,4

16,1

16,5

16,1

16,3

16,3

16,5

10

16,1

10

16,5

11

16,3

11

16,4

12

16,2

12

16,5

13

16,4

13

16,1

14

16,3

14

16,4

15

16,2

15

16,2

16

16,3

16

16,2

17

16,3

17

16,2

18

16,5

18

16,1

19

16,4

19

16,4

20

16

20

15,8

amostra bloco

Fonte: Adaptado de Montgomery (2004)

valor

77

Abaixo se tem as sadas dos dois softwares para o delineamento em bloco


casualizado, sendo que ambos apresentam inicialmente a tabela da anlise de
varincia. O Minitab faz um teste de comparao mltipla e um intervalo de
confiana amostra por amostra, enquanto que o R solta uma comparao mltipla
usando o teste Tukey (diferena mnima significativa) e os intervalos de confiana,
todos em uma nica tabela, facilitando a interpretao. Em seguida ambos
apresentam o grfico box-plot, sendo que o do Minitab apresenta uma linha ligando
as mdias, o que facilita a interpretao.

Sada do Minitab
Two-way ANOVA: valor versus amostra; bloco
Source

DF

amostra

SS

MS

0,2596

0,0649000 1,49 0,213

bloco

19 0,4496

0,0236632 0,54 0,932

Error

76

3,3084

0,0435316

Total

99

4,0176

S = 0,2086

R-Sq = 17,65% R-Sq(adj) = 0,00%

Grfico 33 Grfico Boxplot para delineamento em bloco casualizado


Grfico Boxplot
16,7
16,6
16,5

valor

16,4
16,3
16,2
16,1
16,0
15,9
15,8
bloco
amostra

1 23 4 56 78 91011121314151617181920 12 34 56 78 91011121314151617181920 12 34 5 67 891011121314151617181920 1 23 45 67 891011121314151617181920 1 23 45 67 8 91011121314151617181920


A

Fonte: Prprio autor (2012)

78

Sada do R

Df

Sum Sq

Mean Sq

F value

Pr(>F)

amostra

0.260

0.06490

1.491

0.213

bloco

19

0.450

0.02366

0.544

0.932

Residuals 76

3.308

0.04353

Grfico 34 Grfico Boxplot para Delineamento em bloco casualizado

Fonte: Prprio autor (2012)

Delineamento fatorial em bloco casualizado


Tabela 11 Dados para Delineamento fatorial em bloco casualizado (parte 1)
Amostra

Dose

bloco

valor

amostra

Dose

bloco

valor

15,8

16,3

16,3

15,9

16,1

16,2

16,3

16,2

Fonte: Adaptado de Montgomery (2004)

79

Tabela 11 Dados para Delineamento fatorial em bloco casualizado (parte 2)


Amostra

Dose

bloco

valor

amostra

Dose

bloco

Valor

16,1

16,1

16,1

15,8

16,1

16,3

16,2

16,1

10

16,3

10

16,2

10

10

16,6

10

10

16,3

10

11

16,2

10

11

16,4

10

12

15,9

10

12

16,6

15

13

16,4

15

13

16,1

15

14

16,5

15

14

16,3

15

15

16,4

15

15

16,1

15

16

16

15

16

16,2

20

17

16,4

20

17

16,2

20

18

16

20

18

16,2

20

19

16,4

20

19

16

20

20

16,4

20

20

16,4

Amostra

Dose

bloco

valor

amostra

Dose

bloco

Valor

16,2

16,1

15,9

16,2

16,5

16,4

15,9

16,4

16,4

16,5

16,7

16,6

16,5

16,1

16,2

16,1

10

16,4

10

16,3

10

10

16,4

10

10

16,1

10

11

15,9

10

11

16,3

10

12

16,7

10

12

16,2

15

13

16,6

15

13

16,4

Fonte: Adaptado de Montgomery (2004)

80

Tabela 11 Dados para Delineamento fatorial em bloco casualizado (parte 3)


C

15

14

16,2

15

14

16,3

15

15

16,3

15

15

16,2

15

16

16,3

15

16

16,3

20

17

16,4

20

17

16,3

20

18

16,4

20

18

16,5

20

19

16,3

20

19

16,4

20

20

16,5

20

20

16

Amostra

Dose

bloco

valor

16,6

16,4

16,3

16,2

16

16,4

16,5

16,3

10

16,5

10

10

16,5

10

11

16,4

10

12

16,5

15

13

16,1

15

14

16,4

15

15

16,2

15

16

16,2

20

17

16,2

20

18

16,1

20

19

16,4

20

20

15,8

Fonte: Adaptado de Montgomery (2004)

Abaixo se tem a sada do software R para o delineamento fatorial em bloco


casualizado, sendo que apresentada inicialmente a tabela da anlise de varincia.

81

O Minitab faz um teste de comparao mltipla e um intervalo de confiana amostra


por amostra, enquanto que o R solta uma comparao mltipla usando o teste
Tukey (diferena mnima significativa) e os intervalos de confiana, todos em uma
nica tabela, facilitando a interpretao. Em seguida apresentado o grfico boxplot. A sada do Minitab e o grfico Box-plot para o Delineamento fatorial em bloco
casualizado possui a mesma configurao que a do Delineamento anterior.
Sada do R

amostra

Df

Sum Sq

0.260

Mean Sq
0.06490

F value
1.491

Pr(>F)
0.213

Dose

0.162

0.04040

0.928

0.452

bloco

15

0.288

0.01920

0.441

0.961

Residuals 76

3.308

0.04353

Grfico 35 Grfico Boxplot para Delineamento fatorial em bloco casualizado

Fonte: Prprio autor (2012)

82

CONCLUSO

O presente trabalho mostrou a performance dos grficos gerados pelo


software Minitab e pelo software R para o Controle Estatstico da Qualidade (CEQ).
O software R pode ser considerado uma alternativa aos softwares comercializados.
Atravs da anlise dos grficos foi possvel concluir que os mesmos apresentam
performances consideravelmente semelhantes. As divergncias ocorrentes so
arredondamentos decimais, que so prprios de cada software, e as especificaes
de limites de controle. Cabe ao profissional ou estudante de controle de qualidade
saber entender essa divergncia, e diferenciar o que realmente indica uma causa
especial, que deve ser realmente considerada, ou o que indica uma causa aleatria.
importante ressaltar que as ferramentas so apenas uma forma de auxlio para o
controle de qualidade. O modelo de rotinas descrito pelo autor representa uma forma
de como elaborar cada uma delas, explicitando o significado de cada comando, de
forma a auxiliar o usurio do software R.
Portanto, torna-se vivel a utilizao do software R, visto que o mesmo livre,
alm de no apresentar diferenas significativas em relao ao software Minitab.

83

REFERNCIAS

AGUAYO, R. D. Deming, o americano que ensinou qualidade total aos


japoneses. So Paulo: Record, 1993.
ALVAREZ, M. E. B. Administrao da qualidade e da produtividade: abordagens
do processo administrativo. So Paulo: Atlas, 2001.
BRASSARD, M. Qualidade: Ferramentas para uma melhoria contnua. Rio de
Janeiro: Qualitymark Ed., 2000.
CAMPOS, M. S. Desvendando o Minitab. Rio de Janeiro: Qualitymark, 2003.
CORRA, H. L.; CORRA, C. A. Administrao de produo e operaes:
manufatura e servios: Uma abordagem estratgica. 2. ed. So Paulo: Atlas, 2008.
COSTA, A. F. B., EUGENIO, E. K.; CARPINETTI, L. C. R.; Controle Estatstico de
Qualidade. 2. ed. So Paulo: Editora Atlas, 2005.
COSTA, J. R. Tcnicas experimentais aplicadas s cincias agrrias.
Seropdica: Embrapa Agrobiologia, 2003.
CYMROT R.; MANIN, I. J.; LARA L. S. Metodologia para implantao de um
laboratrio de Minitab, por meio da utilizao de dados reais obtidos em leitura
de artigos cientficos. In: XXXIV COBENGE 2006, Passo Fundo, Anais 2006.
Disponvel em http://meusite.mackenzie.com.br/raquelc/COBENGEMinitab2006.pdf,
Acesso em 05 Jun. 2012
DAVIS, M. M.; AQUILANO, N. J.; CHASE, R. B. Fundamentos da
administrao da produo. Traduo de Eduardo DAgord Schaan...[et al.] 3 ed.
Porto Alegre: Bookman Editora, 2001. Traduo de: Fundamentals of operations
management, 3/ed.
GIL, A. C.; Como elaborar projetos de pesquisa. 4 ed. So Paulo: Editora Atlas
S.A., 2009.
GOMES, F. P.; GARCIA, C. H. Estatstica aplicada a experimentos agronmicos
e florestais: Exposio com exemplos e orientaes para uso de aplicativos.
Piracicaba: FEALQ, 2002.
JURAN, J. M.; A qualidade desde o projeto: Os novos passos para o planejamento
da qualidade em produtos e servios. So Paulo: Pioneira Thomson Learning, 2001.
LDER SOFTWARES. Disponvel em:
<http://www.lidersoftwares.com.br/minitab/jornada40anos.html > Acesso em: 13 Jun.
2012.
MARSHALL JUNIOR, I. et al. Gesto da qualidade. 8 ed. Rio de Janeiro: Editora
FGV, 2006.

84

MONTGOMERY, D. C. Introduo ao controle estatstico da qualidade. 4 ed. Rio


de Janeiro: LTC: 2004.
______ . Estatstica Aplicada e Probabilidade para Engenheiros. 4. ed. Rio de
Janeiro: LTC: 2009.
MOREIRA, D. A. Administrao da produo e operaes. So Paulo: Pioneira
Thomson learning, 2001.
NAZRIO, L. Proposta para implantao de um programa de controle
estatstico de processo na fabricao de painis termoisolantes numa empresa
industrial de mdio porte do ramo de cmaras frigorficas. Joinville, SC:
Universidade do Estado de Santa Catarina, 2008.
Disponvel em
<http://www.producao.joinville.udesc.br/tgeps/2008-01/2008_1_tcc12.pdf >,Acesso
em 24 Jun. 12
PALADINI, E. P. Qualidade total na prtica: implantao e avaliao de sistema de
qualidade total. 2. Ed. So Paulo: Atlas, 1997.
OLIVEIRA, O. J. et al. Gesto da Qualidade: Tpicos Avanados. So Paulo:
Pioneira Thomson Learning, 2006. 243 p.
PETERNELLI, L. A.; MELLO, P. de. Conhecendo o R: Uma viso estatstica.
Viosa: Ed. UFV, 2007. 181p.
REIS, M. M. Um modelo para o Ensino do Controle Estatstico da Qualidade.
2001. 379 folhas. Tese de Doutorado. Universidade Federal de Santa Catarina,
Florianpolis, 2001.
ROTONDARO, R. G. Seis Sigma: estratgia gerencial para a melhoria de
processos, produtos e servios. 1 ed. So Paulo: Atlas, 2010.
R-PROJECT . Disponvel em <http://www.r-project.org.> Acesso em: 10 Jun. 2012
RYAN, T. Estatstica Moderna para Engenharia. Rio de Janeiro: Elsevier, 2009.
SAMOHYL, R. W. Controle Estatstico de Qualidade. Rio de Janeiro: Elsevier,
2009.
SILVA, R. B. V. Curso Bsico de Estatstica Experimental: Uso do SISVAR na
Anlise de Experimentos. Material didtico elaborado para a disciplina Estatstica
Experimental do Programa de Ps-Graduao em Cincias Agrrias da
Universidade Federal de Lavras UFLA, 2007. p. 1-68.
SOUZA, E. F. M.; PETERNELLI, L. A.; MELLO, M. P. Software Livre R: aplicao
estatstica. Disponvel em
<http://www2.ufersa.edu.br/portal/view/uploads/setores/137/Apostilas%20e%20Tutori
ais%20-%20R%20Project/Apostila%20R%20-%20GenMelhor.pdf> Acesso em : 23
jun. 2012.

85

TOLEDO, J.C. Conceitos bsicos de qualidade de produto. In: BATALHA, M.O.


Gesto Agroindustrial. v. 1. 2. ed. So Paulo: Atlas, 2001.
WERKEMA, M. C. C. Ferramentas estatsticas bsicas para o gerenciamento de
processos. Belo Horizonte: Werkema, 1995.
______. Anlise de varincia: Comparao de vrias situaes. Belo Horizonte:
Fundao Christiano Ottoni, 1996.
______. Ferramentas estatsticas bsicas para o gerenciamento de processos.
Belo Horizonte: Werkema Editora Ltda, 2006.
WOODALL, W. H.; MONTGOMERY, D. C. Research Issues and Ideas in Statical
Process Control. Journal of Quality Technology, Volume 31, N. 4, pp. 376-386,
October, 1999.

86

Apndice A Rotinas no R

Para iniciar qualquer trabalho no software R, deve-se instalar o pacote qcc.


Aps a instalao deve-se acessar o pacote usando o seguinte comando:
require(qcc).
Obs.: Nenhum comando no R apresenta espao entre os caracteres.
Aps o acesso ao comando deve-se importar os dados para o console (rea de
trabalho) do software R, usando o seguinte:
x=read.table ("C:/Bruna/x.txt ",header=T),
Onde:
x: representa o nome do conjunto de dados
C:/Bruna/: representa a pasta em que est arquivado o conjunto de dados
txt: expresso que informa que os dados esto em formato de texto, devendo esta
converso j estar feita
Aps a importao dos dados, pode-se iniciar a construo das ferramentas.

Grfico de controle para variveis


Comandos:
data(pistonrings)
*Acessa o conjunto de dados

attach(pistonrings)
*Acessa as variveis do conjunto de dados

x=qcc.groups(x,sample)
*Nomeia as variveis do conjunto de dados

87

qcc(x[1:35,],type="xbar",title="Ttulo do grfico ",ylab="nome do eixo y",xlab="nome


do eixo x")
*Plota o grfico para a mdia com as amostras de 1 a 35

qcc(dimetro[1:35,],type="R",

title="Ttulo

do

grfico

",ylab="nome

do

eixo

do

eixo

y",xlab="nome do eixo x")


*Plota o grfico para a amplitude com as amostras de 1 a 35

qcc(dimetro[1:35,],type="S",title="Ttulo

do

grfico

",ylab="nome

y",xlab="nome do eixo x")


*Plota o grfico para o desvio padro com as amostras de 1 a 35
Onde:
x: representa o nome do conjunto de dados
1:35 representa a quantidade de amostras
type: representa o tipo de grfico
title: ttulo do grfico
ylab: nomeia o eixo y
xlab: nomeia o eixo x
Grfico EWMA
ewma(x, title="Ttulo do grfico",xlab="nome do eixo x",ylab="nome do eixo y")
Onde:
x: representa o nome do conjunto de dados
title: ttulo do grfico
ylab: nomeia o eixo y
xlab: nomeia o eixo x

88

Grfico CUSUM
cusum(x, title="Ttulo do grfico",xlab="nome do eixo x",ylab="nome do eixo y")
Onde:
x: representa o nome do conjunto de dados
title: ttulo do grfico
ylab: nomeia o eixo y
xlab: nomeia o eixo x

Histograma
Para a elaborao do histograma os dados devem ser inseridos da seguinte
maneira:
x=c(dados digitados no word)
Obs.: Os dados devem estar separados por vrgula e sem espao. A representao
dos nmeros decimais devem ser por ponto, como por exemplo, 23.5. interessante
digitar todos os comandos no Word primeiramente. Somente o histograma requer os
dados inseridos conforma a forma descrita acima, mas para as outras ferramentas
os dados podem ser inseridos conforme foram inseridos para o grfico de controle
ou como foram inseridos para o histograma.

A sintaxe para o histograma (frequncia absoluta) :


hist(x,main="Ttulo",xlab="Nomedavarivel",ylab="Frequncia",xlim=c(a,b),ylim=c(d,e
),col="gray")
Onde:
x: representa o conjunto de dados inseridos anteriormente;
main: ttulo do histograma;
xlab: nome da varivel estudada;

89

ylab: frequncia;
a: limite inferior do conjunto de dados;
b: limite superior do conjunto de dados;
d: menor valor da frequncia;
e: maior valor da frequncia;
col: cor do grfico.

Diagrama de ramo e folha


A sintaxe para o grfico de ramo e folhas :
stem(x)
Onde:
x: representa o conjunto de dados inseridos.

Diagrama de Disperso
O diagrama de disperso construdo com o seguinte comando:
plot(x,y,main="nome do diagrama",xlab="nome do eixo x",ylab="nome do eixo y")
Onde:
x: representa a primeira varivel;
y: representa a segunda varivel.
main: nomeia o diagrama
xlab: nomeia o eixo x
ylab: nomeia o eixo y

Obs.: Como nesse caso so conjuntos de dados diferentes, deve-se inserir um e


depois o outro.

Diagrama de Pareto
O diagrama de Pareto construdo da seguinte forma:
names(x)=c("nome1","nome2","nome3")

90

pareto.chart(x,ylab="Frequencia",main="Ttulo",col=cor(length(x))
Onde:
x: conjunto de dados inseridos anteriormente;
names(x): usado para rotular as categorias, por exemplo, os 6Ms;
ylab: rotula o eixo y
main: ttulo do diagrama de Pareto
col: cor do grfico

Diagrama de causa e efeito


Para o diagrama de causa e efeito usa-se a seguinte rotina:
cause.and.effect(cause=list(a=c("...","..."),b=c("...","..."),d=c("...","..."),e=c("...","..."),f=c
("...","..."),g=c("...","..."),effect="efeito causado",title="Diagrama de causa e efeito")
Onde:
a,b,d,e,f,g: representam o nome das causas, por exemplo, os 6Ms (Mensurao,
Materiais, Pessoal, Meio ambiente, Mtodos e Mquinas)
... : representa as subdivises das causas, devendo estar entre aspas, as quais so
prprias do software
effect: efeito
title: ttulo

Grfico de controle para atributos


Para a elaborao do grfico de controle NP utiliza-se a seguinte rotina:
data(x)
*Acessa o conjunto de dados

attach(x)
*Acessa as variveis do conjunto de dados

qcc(x,size=tamanho das amostras, type="np")


*Nomeia as variveis do conjunto de dados

qcc(data=x,size=n,

type="np",title="Ttulo

x",ylab="Nome do eixo y")

do

grfico",xlab="Nome

do

eixo

91

*Plota o grfico np com as amostras de tamanho n


Onde:
x: representa o nome do conjunto de dados
size: tamanho das amostras (ex:54)
type: tipo do grfico
title: ttulo do grfico
xlab: nomeia o eixo y
ylab: nomeia o eixo x

Para a elaborao do grfico de controle P utiliza-se a seguinte rotina:


data(x)
*Acessa o conjunto de dados

attach(x)
*Acessa as variveis do conjunto de dados

qcc(x,size=tamanho das amostras, type="p")


*Nomeia as variveis do conjunto de dados

qcc(data=x,size=n,

type="p",title="Ttulo

do

x",ylab="Nome do eixo y")


*Plota o grfico p com as amostras de tamanho n

Onde:
x: representa o nome do conjunto de dados
size: tamanho de cada amostra (ex:54)
type: tipo do grfico
title: ttulo do grfico

grfico",xlab="Nome

do

eixo

92

xlab: nomeia o eixo y


ylab: nomeia o eixo x
Para a elaborao do grfico de controle U utiliza-se a seguinte rotina:
data(pcmanufact)
*Acessa o conjunto de dados

attach(pcmanufact)
*Acessa as variveis do conjunto de dados

qcc(x, sizes=c(n1,n2,n3,nx), type="u",title="Ttulo do grfico",xlab="Nome do eixo


x",ylab=" Nome do eixo y")
*Plota o grfico u com as amostras de tamanho n1, n2, n3, nx

Onde:
x: representa o nome do conjunto de dados
n1, n2, n3, nx: representa os diferentes tamanhos de cada amostra
type: tipo do grfico
title: ttulo do grfico
xlab: nomeia o eixo y
ylab: nomeia o eixo x

Para a elaborao do grfico de controle C utiliza-se a seguinte rotina:


data(circuit)
*Acessa o conjunto de dados

attach(circuit)
*Acessa as variveis do conjunto de dados

93

qcc(x[1:10], sizes=size[1:10], type="c",title="Ttulo do grfico",xlab="Nome do eixo


x",ylab=" Nome do eixo y ")
Onde:
x: representa o nome do conjunto de dados
1:10 representa o tamanho das amostras
type: tipo do grfico
title: ttulo do grfico
xlab: nomeia o eixo y
ylab: nomeia o eixo x

Anlise de capacidade do processo


Para a anlise de capacidade do processo utiliza-se a seguinte rotina:
data(pistonrings)
*Acessa o conjunto de dados

attach(pistonrings)
*Acessa as variveis do conjunto de dados

x=qcc.groups(x, sample)
*Nomeia as variveis do conjunto de dados

x= qcc(x[1:10,], type="xbar", nsigmas=3, plot=FALSE)


process.capability(capacidade, spec.limits=c(168,360)")
*Plota o grfico para capabilidade do processo com as amostras de 1 a 10
Onde:
x: representa o nome do conjunto de dados
1:10 representa a quantidade de amostras
type: representa o tipo de grfico

94

168: representa o limite inferior de especificao


360: representa o limite superior de especificao

Anlise de Varincia
Delineamento inteiramente casualizado
bru<-read.table("C:/R/bruna.txt",header=TRUE)
bru$amostra<-as.factor(bru$amostra)
plot(valor~amostra,data=bru)
anava<-aov(valor~amostra,data=bru)
summary(anava)
attach(bru)
THSD<-TukeyHSD(anava,wich="amostra",ordered=F,conf.level=0.95)
THSD
Onde:
bru: nome do arquivo
C:/R/: C se refere ao local onde se encontra o arquivo, e o R se refere ao nome da
pasta, estando o arquivo no tipo texto (txt)
conf.level= nvel de confiana (95%)

Delineamento em bloco casualizado


bru1<-read.table("C:/R/bruna1.txt",header=TRUE)
bru1$amostra<-as.factor(bru1$amostra)
bru1$bloco<-as.factor(bru1$bloco)

95

plot(valor~amostra,data=bru1)
plot(valor~bloco,data=bru1)
anava<-aov(valor~amostra+bloco,data=bru1)
summary(anava)
attach(bru1)
THSD<-TukeyHSD(anava,wich="amostra",ordered=F,conf.level=0.95)
THSD

Delineamento fatorial em bloco casualizado


bru2<-read.table("C:/R/bruna2.txt",header=TRUE)
bru2$amostra<-as.factor(bru2$amostra)
bru2$bloco<-as.factor(bru2$bloco)
bru2$Dose<-as.factor(bru2$Dose)
plot(valor~amostra,data=bru2)
plot(valor~bloco,data=bru2)
plot(valor~Dose,data=bru2)
attach(bru2)
anava<-aov(valor~amostra+Dose+bloco,data=bru2)
summary(anava)
THSD<-TukeyHSD(anava,wich="amostra",ordered=F,conf.level=0.95)
THSD