Tabelas

UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE POS-GRADUACAO EM ENGENHARIA DE PRODUCAO E SISTEMAS
Aperfeioamento e Desenvolvimento de Ferramentas c do Controle Estat stico da Qualidade - Utilizando Quartis para Estimar o Desvio Padro a
Edson Marcos Leal Soares Ramos
Orientador: Prof. Robert Wayne Samohyl,Ph.D.
Florianpolis, Abril de 2003 o
Edson Marcos Leal Soares Ramos
Aperfeioamento e Desenvolvimento de Ferramentas c do Controle Estat stico da Qualidade - Utilizando Quartis para Estimar o Desvio Padro a
Tese apresentada ao Programa de Ps-Graduaao em Engenharia de o c Produao da Universidade Federal de c Santa Catarina como requisito parcial para a obtenao do grau de c Doutor em Engenharia de Produo. ca
Area de Concentraao: Gesto da Qualidade e Produtividade c a Orientador: Prof. Robert Wayne Samohyl,Ph.D.
Florianpolis, Abril de 2003 o
FICHA CATALOGRAFICA
R175a
Ramos, Edson Marcos Leal Soares Aperfeioamento e desenvolvimento de ferramentas do controle estat c stico da qualidade - Utilizando quartis para estimar o desvio padro / Edson Marcos a Leal Soares; orientador Robert Wayne Samohyl. - Florianpolis, 2003. o 130 f. : il. ; grfs. ; tabs. a Tese (Doutorado) - Universidade Federal de Santa Catarina, Programa de Ps-Graduao em Engenharia de Produo, 2003. o ca ca Inclui bibliograa. 1. Controle de qualidade - Mtodos estat e sticos. 2. Mtodos grcos. 3. Fere a ramentas - Desenvolvimento. 4. Quartis. I. Samohyl, Robert Wayne. II. Universidade Federal de Santa Catarina. Programa de Ps-Graduao em Engenhao ca ria de Produo. III. T ca tulo. CDU: 658.5
Catalogao na fonte por: Onlia Silva Guimares CRB-14/071 ca e a
Edson Marcos Leal Soares Ramos Aperfeioamento e Desenvolvimento de Ferramentas c do Controle Estat stico da Qualidade - Utilizando Quartis para Estimar o Desvio Padro a
Esta tese foi julgada e aprovada para a obteno do grau de Doutor em Engenharia de ca Produo no Programa de Ps-Graduaao em Engenharia de Produao da Universidade ca o c c Federal de Santa Catarina. Florianpolis, 15 de Abril de 2003 o
Prof. Edson Pacheco Paladini, Dr. (Coordenador do Programa de Ps-Graduaao em Engenharia de Produo) o c ca
Banca Examinadora
Prof. Robert Wayne Samohyl, Ph.D. Universidade Federal de Santa Catarina Orientador
Prof. Gustavo Daniel Donatelli, Dr. Universidade Federal de Santa Cantarina Moderador/Examinador
Prof. Manoel Raimundo de Sena Jnior, Dr. u Universidade Federal de Pernambuco Examinador
Prof. Miguel Angel Verdinelli, Dr. Universidade Federal de Santa Catarina Examinador
Profa. Vernica Maria Costa Romo, Dra. o a Universidade Federal de Pernambuco Examinadora
` A minha lha Yasmin
Agradecimentos
` A Deus que me concedeu a vida e a inspiraao necessria para chegar ao nal deste c a trabalho; Ao meu orientador, Professor Robert Samohyl, por acreditar em minha capacidade e pelo grande apoio dado em todos os momentos de diculdade; Aos professores do PPGEP-UFSC, que de alguma forma contribu ram para o crescimento de meu conhecimento, em especial aos professores Ana Lcia e Miguel Verdinelli; u Aos professores e funcionrios do Departamento de Estat a stica da UFPA, em especial aos professores Ely Ciqueira, Hliton e Regina Tavares, pelo apoio e conana que sempre e c depositaram em mim; Aos amigos de Pernambuco, Gauss Cordeiro, Cludia Regina, Manoel Sena, Tatiene Cora reia, Enivaldo Rocha, Jacira, Cludio, Valria e Cristina Raposo, pelo est a e mulo e amizade; Aos amigos Andra, Edr, Berenice, Daniel, Rubson, Ivanete, Rodrigo, Rafael, Adauto, e e Wesley, Luciana, Ricardo, Luciano e Florence, pela amizade e pelos bons momentos em Floripa; Aos amigos Michel Ferreira, Manoel Domingos e Telma Figueir, pela amizade, amor, o carinho e pela presena constante mesmo de to longe; c a ` A Patr Tavares, pela grande amizade, apoio, compreenso, amor, pelas longas horas cia a de traduo e correes nos textos deste trabalho e pela presena nos bons momentos em ca co c Santa Catarina; ` A Adrilayne Arajo, pela eterna amizade, incentivo, amor, presena constante e incalu c culvel apoio para a realizao deste trabalho; a ca ` As minhas companheiras nesta jornada, Yasmin Ramos, S lvia Almeida e Eliane Silva, pelo amor, compreenso, carinho e por terem participado de todos os momentos que a levaram ` realizaao deste trabalho; a c Aos meus pais, irmos e sobrinhos, por aceitarem a distncia e sempre me demonstrarem a a conana; c Finalmente, a todos que de alguma forma contribu ram para a realizao deste trabalho. ca
H entre o tempo e o destino a um caso antigo, um elo, um par. O que pode acontecer, menino, se o tempo no passar?. a Vital Lima e Nilson Chaves
Resumo
RAMOS, Edson Marcos Leal Soares. Aperfeioamento e Desenvolvimento de Ferramentas c do Controle Estat stico da Qualidade - Utilizando Quartis para Estimar o Desvio Padro. a 2003. Tese (Doutorado em Engenharia de Produo) - PPGEP/UFSC, Florianpolis - SC, ca o Brasil. O objetivo deste trabalho aperfeioar e desenvolver ferramentas do controle estat e c stico da qualidade, atravs da utilizaao de um estimador do desvio padro baseado nos quartis. e c a A teoria utilizada para estimar atravs dos quartis foi desenvolvida e o estimador do e desvio padro apresentado. Resultados de simulaes demonstram que as estimativas de a co , obtidas a partir do estimador baseado nos quartis so, em geral, mais prximas do a o verdadeiro valor do parmetro do que as estimativas produzidas por R/d2 e S/cn . Quando a o estimador proposto de for utilizado nas aplicaoes, a poss falta de capacidade do c vel processo em atender `s exigncias, tende ser mais rapidamente detectada do que quando a e R/d2 utilizado. Durante a aplicaao vericou-se que os limites obtidos para os grcos e c a de controle reduzem a probabilidade de ocorrncia de alarmes falsos (erro tipo I). Na e presena de outliers, o estimador de proposto produz estimativas, para a linha central e c para os limites de controle, mais robustas do que o mtodo padro de Shewhart. De fato, o e a mtodo proposto detecta a presena de observaoes extremas no processo, enquanto que o e c c mtodo de Shewhart no o faz. Quatro e a ndices de capacidade do processo e cinco grcos a de controle foram aperfeioados para monitorar o n e a disperso do processo. Tabelas c vel a com fatores empregados na construao dos grcos de controle, quando estimado a c a e partir dos quartis, so apresentadas. E nalmente, duas novas ferramentas grcas para a a o controle estat stico da qualidade foram desenvolvidas e apresentadas. Palavras Chave: Controle Estat stico da Qualidade, Estimaao e Quartis. c
Abstract
RAMOS, Edson Marcos Leal Soares. Tools Improvement and Development of the Statistical Quality Control - Using Quartiles to Estimate the Standard Deviation. 2003. Thesis (Doctoral in Industrial Engineering) - PPGEP/UFSC, Florianpolis - SC, Brazil. o The objective of this work is to improve and develop tools of the Statistical Quality Control, by using an estimator of the standard deviation based on the quartiles. The theory used to estimate through quartiles was developed and the standard deviations estimator was presented. Results of simulations show that estimates of obtained from the estimator based on quartiles, are in general closer to the parameters true value, than the estimates produced by R/d2 and S/cn . When the proposed estimator was used in applications, the possible lack of the process capability to meet the requirements tended to be more quickly detected than when R/d2 was used. During application it was noted that the limits obtained by the control charts reduces the probability of false alarms occurs (type I error). In the present of outliers, the proposed estimator produces estimates, for the central line and control limits, more robust than the pattern Shewharts method. In fact, the proposed estimator detects the extreme observations present in the process, while Shewharts method fails. Four process capability indices and ve control charts were improved in order to monitor the level and the spread process. Tables with factors used in the control charts construction, when is estimated from the quartiles, are presented. Finally, two new graphic tools for the statistical quality control were developed and presented. Key Words: Statistical Quality Control, Estimation and Quartiles.
Indice
Resumo Abstract Lista de Tabelas Lista de Figuras 1 Introduo ca 1.1 Aspectos Gerais . . . . . . . . 1.2 Justicativa e Importncia do a 1.3 A Hiptese Bsica da Tese . . o a 1.4 Objetivos . . . . . . . . . . . 1.4.1 Objetivo Geral . . . . . 1.4.2 Objetivos Espec cos . 1.5 As Limitaes do Trabalho . co 1.6 Estrutura do Trabalho . . . . . . . . . . Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii ix xii xiv 1 1 3 4 4 4 4 5 5 7 7 8 12 13 15 17 18 19 21 21 23 23 26 28 31 32
2 Viso Geral de Grcos de Controle a a 2.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ca 2.2 Algumas das Principais Pesquisas Envolvendo Grcos de Controle a 2.3 Princ pios dos Grcos de Controle . . . . . . . . . . . . . . . . . . a 2.4 Grco de Controle na Prtica . . . . . . . . . . . . . . . . . . . . a a 2.5 Planejamento de um Grco de Controle . . . . . . . . . . . . . . . a 2.6 Benef cios da Utilizao dos Grcos de Controle . . . . . . . . . . ca a 2.7 Tipos de Grcos de Controle . . . . . . . . . . . . . . . . . . . . . a 2.8 Teste de Hiptese e Grcos de Controle . . . . . . . . . . . . . . . o a 3 Grcos de Controle para Variveis a a 3.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . ca 3.2 Grcos de Controle para Monitorar a Disperso do Processo a a 3.2.1 Grco do Desvio Padro (Grco S) . . . . . . . . . . a a a 3.2.2 Grco da Varincia (Grco S 2 ) . . . . . . . . . . . . . a a a 3.2.3 Grco da Amplitude (Grco R) . . . . . . . . . . . . a a 3.3 Grcos de Controle para Monitorar o N do Processo . . . a vel . . . . . . . . . . . . . . . 3.3.1 Grco da Mdia (Grco X) a e a . . . . . . . . . . . . . . . . . . . . .
xi
3.3.2 Grco da Mediana (Grco X) . . . . . . . . . . . . . . . . . . . . . 35 a a 4 Indices de Capacidade do Processo 4.1 Introduo . . . . . . . . . . . . . . . ca 4.2 Indice Cp . . . . . . . . . . . . . . . . 4.2.1 Teste de Hipteses e o o Indice Cp 4.3 Indices Cpu , Cpl e Cpk . . . . . . . . . 5 Princ pios de Estimao em Controle ca 5.1 Introduo . . . . . . . . . . . . . . . ca 5.2 Propriedades dos Estimadores . . . . . 5.3 Estimando a Disperso do Processo . . a 5.4 Estimando o N do Processo . . . . vel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 42 43 47 47 50 50 51 53 55 58 58 61 62 64 67 73 73 74 74 76 78 80 80 82 85 87 87 89
Estat stico . . . . . . . . . . . . . . . . . . . . . . . . . . . .
da . . . . . . . .
Qualidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6 Estimando o Desvio Padro Amostral Atravs dos Quartis a e 6.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ca 6.2 Funao de Distribuiao Amostral . . . . . . . . . . . . . . . . . c c 6.3 Quantil Populacional e Quantil Amostral . . . . . . . . . . . . . 6.4 Estimador do Desvio Padro Amostral Baseado nos Quartis . . a 6.5 Simulaoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . c
7 Aplicao ca 7.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ca Aplicado aos Grcos de Controle para Variveis para Monitorar a Dis7.2 Q a a perso do Processo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 7.2.1 Q Aplicado ao Grco do Desvio Padro . . . . . . . . . . . . . . . . . a a Aplicado ao Grco da Varincia . . . . . . . . . . . . . . . . . . . 7.2.2 Q a a 7.2.3 Q Aplicado ao Grco da Amplitude . . . . . . . . . . . . . . . . . . . a 7.3 Q Aplicado aos Grcos de Controle para Variveis para Monitorar o N a a vel do Processo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3.1 Q Aplicado ao Grco da Mdia . . . . . . . . . . . . . . . . . . . . . a e Aplicado ao Grco da Mediana . . . . . . . . . . . . . . . . . . . . 7.3.2 Q a 7.4 Q Aplicado aos Indices de Capacidade . . . . . . . . . . . . . . . . . . . . . 7.5 Q Aplicado ao Desenvolvimento de Novas Ferramentas para o CEQ . . . . . 7.5.1 Grco Q . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 7.5.2 Grco Q2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a
8 Consideraoes Finais e Recomendaes c co 94 8.1 Consideraes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 co 8.2 Recomendaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 co A Tabelas dos Fatores para Construo de Grcos de Controle ca a B Tabelas com Exemplos para Aplicao ca Bibliograa 98 104 109
Lista de Tabelas
6.1 Mdias Amostrais das estimativas obtidas por R/d2 , IQ/n e S/cn para o e desvio padro , juntamente com seus respectivos erros quadrticos mdios a a e dentro de parnteses. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 e Mdias Amostrais das estimativas obtidas por S 2 e Q2 para a Varincia e a 2 , juntamente com seus respectivos erros quadrticos mdios dentro de a e parnteses. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 e Linha Central e Limites de Controle para o Grco S - Dados de medidas a o de temperatura do eletrodo ( C), apresentados na Tabela B.2 do Apndice e B. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Linha Central e Limites de Controle para o Grco S 2 - Dados de medidas a o de temperatura do eletrodo ( C), mostrados na Tabela B.2 do Apndice B. e Linha Central e Limites de Controle para o Grco R - Dados de medidas a do dimetro interno (mm) de anis de pistes, mostrados na Tabela B.1 do a e o Apndice B. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e Linha Central e Limites de Controle para o Grco X - Dados de medidas a do dimetro interno (mm) de anis de pistes, mostrados na Tabela B.1 do a e o Apndice B. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e Linha Central e Limites de Controle para o Grco X - Dados do exemplo a da Tabela B.3 do Apndice B. . . . . . . . . . . . . . . . . . . . . . . . . . e Estimativas para os Indices de Capacidade Cpl e Cpu - Dados de medidas de temperatura do leo (o C) do misturador, mostrados na Tabela B.3 do o Apncide B. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e Fatores utilizados na construo do Grco Q2 . . . . . . . . . . . . . . . . ca a
6.2
7.1
76 78
7.2 7.3
79
7.4
81 85
7.5 7.6
7.7
86 91 99 100 101 102 103
A.1 Fatores para construao de grcos de controle para variveis - Grcos de c a a a controle para disperso do processo. . . . . . . . . . . . . . . . . . . . . . . a A.2 Fatores para construao de grcos de controle para variveis - Grcos de c a a a controle para disperso do processo. (continuao) . . . . . . . . . . . . . . a ca A.3 Fatores para construao de grcos de controle para variveis - Grcos de c a a a controle para o n do processo. . . . . . . . . . . . . . . . . . . . . . . . vel A.4 Fatores para construao de grcos de controle para variveis - Grcos de c a a a controle para a disperso do processo. . . . . . . . . . . . . . . . . . . . . . a A.5 Fatores para construao de grcos de controle para variveis - Grcos de c a a a controle para o n do processo. . . . . . . . . . . . . . . . . . . . . . . . vel
xiii
B.1 Medidas do dimetro interno (mm) durante a fabricao de anis de pisto. a ca e a B.2 Medidas de temperatura do eletrodo (o C) durante a produao de alum c nio - Fevereiro/2003. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.3 Medidas de temperatura do leo (o C) do misturador durante a produo o ca de alum nio - Fevereiro/2003. . . . . . . . . . . . . . . . . . . . . . . . . . B.4 Medidas de temperatura do eletrodo (o C) durante a produao de alum c nio - Janeiro/2003. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
105 106 107 108
Lista de Figuras
2.1 4.1 4.2 6.1 6.2 6.3 Grco de Controle de Shewhart com Linhas de Controle e Advertncia a e Bilaterais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 Relaao entre a disperso permitida do c a processo. . . . . . . . . . . . . . . . . . Relaao entre a faixa de especicaao c c conformes produzidas. . . . . . . . . . processo e a disperso natural do a . . . . . . . . . . . . . . . . . . . . 45 utilizada, Cp e as unidades noa . . . . . . . . . . . . . . . . . . . . 46 61 68
6.4 7.1
Comparaao de algumas medidas resistentes numa distribuiao simtrica. . c c e Comparaao entre as estimativas de , obtidas a partir de IQ/n e R/d2 , c para pequenos e moderados tamanhos amostrais (n = 5, 6, 8 e 10). . . . . Comparaao entre os erros quadrticos mdios dos estimadores S/cn , R/d2 c a e 2 e IQ/n , considerando = 1 e m = n, para tamanhos amostrais n = 3, 4, . . . , 25. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Comparaao entre as estimativas de , obtidas a partir de IQ/n e R/d2 , c para grandes tamanhos amostrais (n = 15, 30, 50 e 100). . . . . . . . . . .
70 72 75 77 79 81 82 84 86 88 89 90 92
Grco S para medidas de temperatura do eletrodo (o C) - estimado por a S/cn e IQ/n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.2 Grco S 2 para medidas de temperatura do eletrodo (o C) - 2 estimado a por S 2 e (IQ/n )2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.3 Grco R para medidas do dimetro interno (mm) de anis de pistes - a a e o 2 e IQ/n . . . . . . . . . . . . . . . . . . . . . . . . . . . estimado por R/d 7.4 Grco X para medidas do dimetro interno (mm) de anis de pistes - a a e o estimado por R/d2 , S/cn e IQ/n . . . . . . . . . . . . . . . . . . . . . . . . 7.5 Grco X para medidas de temperatura do leo (o C) do misturador - a o estimado por S/cn e IQ/n . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.6 Grco X para medidas de temperatura do leo (o C) do misturador - a o 2 e IQ/n . . . . . . . . . . . . . . . . . . . . . . . . . . . estimado por R/d 7.7 Histograma para medidas de temperatura do leo (o C) do misturador. . . . o 7.8 Grco S para medidas de temperatura do leo (o C) do misturador. . . . . a o 7.9 Grco Q para medidas de temperatura do leo (o C) do misturador. . . . . a o 7.10 Grco da Distribuio Normal Padro. . . . . . . . . . . . . . . . . . . . a ca a 7.11 Grco Q2 para medidas de temperatura do leo (o C) do misturador. . . . a o
Cap tulo 1
Introduo ca
1.1 Aspectos Gerais
Os mtodos estat e sticos cada vez mais vm sendo reconhecidos como um importante e instrumento para diagnosticar e otimizar a gesto e operao de diversos sistemas, desde a ca os sistemas humanos aos mais complexos sistemas f sicos. As aplicaes destes vm desemco e penhando um papel importante na soluao de muitos problemas, da indstria ` agriculc u a tura, passando pelos setores scio-econmico, administrativo e de sade. Grande parte das o o u mais avanadas pesquisas cient c cas em diversas reas do conhecimento dependem cada a vez mais dos mtodos estat e sticos. Eles so cada vez mais empregados nas engenharias, a sobretudo na Engenharia de Produao. c De fato, os mtodos estat e sticos aplicados ` Engenharia de Produao, mais especia c camente nas indstrias, no constituem novidade, eles so to antigos como a prpria u a a a o indstria. Parte desses mtodos, conhecidos como Controle da Qualidade, foram durante u e muito tempo aplicados sob a forma tradicional denominada inspeao. Somente a partir c de 1924 [veja Shewhart (1931)], no entanto, que se desenvolveu o Controle Estat e stico da Qualidade (CEQ), cuja aplicao vem se tornando generalizada nos pa industrialica ses zados. Desde sua introduo por Shewhart, os grcos de controle tm sido a ferramenta ca a e do CEQ mais amplamente utilizada para monitorar e manter o controle estat stico dos processos. Grcos de controle so aplicados para distinguir num processo as variaes a a co que no podem ser economicamente identicadas e corrigidas (causas aleatrias), daquelas a o que podem ser (causas assinalveis). a Dentre os diversos tipos de grcos de controle, os grcos de controle para variveis so, a a a a certamente, os mais empregados no controle estat stico da qualidade, mais especicamente,
1.1 Aspectos Gerais
os grcos desenvolvidos para monitorar o n do processo, como por exemplo, o grco a vel a da mdia (grco X), o grco da mediana (grco X) e os grcos desenvolvidos para e a a a a monitorar a disperso do processo, como por exemplo, o grco do desvio padro (grco a a a a S), o grco da varincia (grco S 2 ) e o grco da amplitude (grco R). a a a a a Os ndices de capacidade so outro exemplo de ferramentas bastante comuns do CEQ, a utilizadas primordialmente para avaliar a habilidade de um processo em satisfazer `s a especicaes exigidas. O controle estat co stico da qualidade no simplesmente uma coleao a e c de tcnicas estat e sticas, mas uma forma de pensar que essencial para a melhoria cont e nua da qualidade. Comprovadamente, mtodos estat e sticos como o CEQ so ferramentas ecazes no proa cesso de investigao, anlise e inferncias nos mais variados tipos de ocorrncias nas ca a e e diversas reas do conhecimento humano. Por exemplo, parece razovel supor que a disa a tribuio das alturas dos brasileiros adultos possa ser representada por um modelo normal. ca Mas esta armao no suciente para determinar qual a distribuiao normal corresca a e c pondente; seria necessrio conhecer os parmetros (mdia e varincia) desta distribuiao a a e a c normal para que ela casse caracterizada. Se fosse poss vel medir a altura de todos os brasileiros adultos, haveriam meios de obter a sua distribuiao exata e, da produzir os c , correspondentes parmetros. Contudo, raramente se consegue obter a distribuio exata a ca de alguma varivel, ou porque isto muito dispendioso, ou muito demorado ou `s vezes a e a porque consiste num processo destrutivo. Por exemplo, se fosse observada a durabilidade de lmpadas e se todas fossem testadas at queimarem, no restaria nenhuma para ser a e a vendida. Assim, a soluao selecionar parte dos elementos (amostra), analis-los, obter c e a estimativas para os parmetros desejados e inferir propriedades para o todo (populaao). a c Seguramente, no controle estat stico da qualidade, um dos maiores interesses obter e estimativas para o desvio padro populacional . Logo, se o valor de da disperso do a a processo no conhecido, pode-se estim-lo dos dados observados. Estimadores comuns a e a de , utilizados no CEQ, baseiam-se no desvio padro amostral S e na amplitude amostral a R. Entretanto, apesar da presena obrigatria dos mtodos de estimao no controle esc o e ca tat stico de qualidade, lacunas no processo de estimaao do desvio padro , ainda prec a cisam ser preenchidas. Assim, esse trabalho procura apresentar uma alternativa para esRamos, Edson M. L. S. PPGEP/UFSC
1.2 Justicativa e Importncia do Trabalho a
timao de atravs dos quantis amostrais, mais especicamente, baseando-se nos quartis ca e amostrais. O estimador proposto possui a vantagem de reduzir a probabilidade de ocorrncia de e alarmes falsos (erro tipo I), quando aplicado aos grcos de controle para variveis, e a a tambm de melhorar a sensibilidade do processo de avaliaao de capacidade na detecao e c c de um no atendimento dos processos `s especicaoes exigidas. Ainda, novas ferramentas a a c para o controle estat stico de qualidade podem ser desenvolvidas a partir do estimador de baseado nos quartis.
1.2 Justicativa e Importncia do Trabalho a

A pesquisa justicada em virtude dos constantes avanos na tecnologia empregada nos e c processos produtivos industriais, que exigem, alm de um quadro de pessoal qualicado, e mtodos de controle estat e stico da qualidade capazes de monitorar, detectar e avaliar mudanas nas caracter c sticas de qualidade, durante o processo de produo, to logo ca a quanto poss vel. A quanticao da disperso do processo fundamental para entender a qualidade ca a e das unidades produzidas num processo fabril. Infelizmente, a total falta de compreenso a estat stica, a respeito dos estimadores de , por alguns usurios do controle estat a stico de qualidade, pode conduzir ao no comprometimento destes no processo de melhoria a cont nua dos processos industriais, no assegurando desta forma a qualidade das unidades a produzidas. A utilizaao de um estimador para baseado nos quartis melhora o entendimento c dos usurios do CEQ a respeito do conceito de variabilidade do processo. Alm disso, a e possibilita melhorias nas estimativas dos ndices utilizados para avaliar a capacidade dos processos e nos tradicionais grcos de controle Shewhart para variveis. a a Finalmente, a metodologia proposta possibilita aos usurios e pesquisadores do CEQ o a desenvolvimento e aperfeioamento de muitas ferramentas para o controle estat c stico da qualidade. Ramos, Edson M. L. S. PPGEP/UFSC
1.3 A Hiptese Bsica da Tese o a
1.3 A Hiptese Bsica da Tese o a

Parte-se da hiptese de que o estimador para , baseado nos quartis, reduz a probabilio dade de ocorrncia de alarmes falsos (erro tipo I), quando aplicado aos grcos de controle e a para variveis e tambm melhora a sensibilidade dos a e ndices de capacidade em detectar um no atendimento dos processos `s especicaes exigidas. Ainda, possibilita o desena a co volvimento de novas ferramentas para o controle estat stico de qualidade, contribuindo desta forma para o aperfeioamento e desenvolvimento do CEQ. c
1.4 Objetivos
1.4.1 Objetivo Geral
Este trabalho tem como objetivo aperfeioar e desenvolver ferramentas do controle c estat stico da qualidade, atravs da utilizao de um estimador para o desvio padro e ca a baseado nos quartis.
1.4.2 Objetivos Espec cos

Como objetivos espec cos podem-se enumerar: Dar uma viso geral a respeito de grcos de controle; a a Demonstrar o processo de construao e avaliaao dos grcos de controle para c c a variveis; a Desenvolver a teoria de estimaao de atravs dos quartis; c e Mostrar a metodologia de construao e avaliaao de grcos de controle para monic c a torar o n e a disperso do processo, quando for estimado a partir dos quartis; vel a Criar tabelas com fatores para construao dos grcos de controle da mdia, mediac a e na, amplitude, desvio padro e varincia, quando o estimador de baseado nos a a e quartis; Utilizar o estimador de baseado nos quartis, durante a avaliaao da capacidade c dos processos, pelos ndices Cp , Cpl , Cpu e Cpk ; Ramos, Edson M. L. S. PPGEP/UFSC
1.5 As Limitaes do Trabalho co
Avaliar o desempenho do estimador de baseado nos quartis, quando este for utilizado nos ndices de capacidade e nos grcos de controle; a a vel Apresentar um novo grco de controle para monitorar e avaliar o n do processo, quando o estimador de baseado nos quartis utilizado; e Realizar a construo de um novo grco de controle para monitorar e avaliar a ca a disperso do processo, utilizando o estimador de baseado nos quartis. a
1.5 As Limitaoes do Trabalho c

Como principais limitaoes deste trabalho tm-se: c e A escassez de material bibliogrco referente ` teoria dos quantis, mais especicaa a mente referentes aos quartis; A falta de acompanhamento in loco da aplicao dos grcos de controle e dos ca a ndices de capacidade desenvolvidos dicultou a interpretao e anlise dos mesmos; ca a A aplicao em poucos processos reduziu a capacidade de anlise e interpretaao da ca a c metodologia proposta.
1.6 Estrutura do Trabalho

Esta tese de doutorado encontra-se dividida em oito cap tulos, a saber: Cap tulo 1: refere-se ` introduao do trabalho, onde so englobados a justicativa e a c a importncia do trabalho, a hiptese do trabalho, objetivos geral e espec a o cos, alm e das suas limitaoes; c Cap tulo 2: traz uma viso geral a respeito dos grcos de controle; a a tulo 3: mostra os grcos para variveis utilizados no monitoramento do n a a vel Cap e da disperso do processo; a Cap tulo 4: apresenta os principais ndices para avaliao da capacidade dos procesca sos; Ramos, Edson M. L. S. PPGEP/UFSC
1.6 Estrutura do Trabalho
Cap tulo 5: faz uma breve apresentao dos princ ca pios de estimao em controle ca estat stico da qualidade; Cap tulo 6: traz toda estrutura de estimaao do desvio padro amostral atravs dos c a e quartis; Cap tulo 7: mostra a aplicao do estimador de baseado nos quartis, aos principais ca grcos de controle para variveis, a a ndices de capacidade e na construao de novos c grcos de controle para monitorar o n e a disperso do processo; a vel a Cap tulo 8: apresenta as consideraoes nais e recomendaoes para trabalhos futuros. c c
Ramos, Edson M. L. S.
PPGEP/UFSC
Cap tulo 2
Viso Geral de Grcos de Controle a a

2.1 Introduo ca
A busca por mtodos mais rigorosos de controle da qualidade que pudessem gerar mais e conana nos produtos e servios conduziu ` formaao do Departamento de Engenharia e c c a c Inspeo dos laboratrios da Bell Telephone, em 1924. Neste mesmo ano, Walter Andrew ca o Shewhart introduz o conceito de grcos de controle atravs de um memorando tcnico a e e nos laboratrios Bell, nele Shewhart apresenta um grco de controle, o qual mais tarde o a veio a ser chamado o primeiro grco de controle de Shewhart [veja Banks, 1989]. a Os grcos de controle so instrumentos que mostram a evoluao do n de operaao a a c vel c do processo e de sua variaao ao longo do tempo. Alm disso, os grcos de controle so c e a a ferramentas extremamente uteis para identicar se as variaes observadas num processo co so decorrentes de causas comuns de variaao, conseqentemente, de pequena importncia, a c u a ou decorrentes de causas especiais de variao, e portanto, de grande importncia, que ca a necessitam ser identicadas e eliminadas do processo. Um grco de controle um registro a e grco da qualidade de uma caracter a stica particular de um produto. O procedimento de construo de grcos de controle envolve, de forma geral, tomar ca a amostras de tamanhos xos em intervalos amostrais e atravs destas, obter estimativas e para o n e para a disperso do processo. Estas estimativas so ento utilizadas para vel a a a determinar os limites de controle (superior e inferior) e a linha central dos grcos. a Avanos na tecnologia exigem dos usurios e pesquisadores dos grcos de controle c a a interesse em pr estimadores cada vez mais precisos, tanto para o n o vel quanto para a disperso do processo. Assim, uma das proposies deste trabalho obter um estimador a co e para a disperso do processo baseado nos quartis para ser utilizado na construo de a ca grcos de controle. a
2.2 Algumas das Principais Pesquisas Envolvendo Grcos de Controle a
Neste cap tulo um breve relato dos diferentes tipos de grcos de controle ser feito, a a destacando a peculiaridade de cada um, mas considerando que eles tm o propsito e o primrio de monitorar o processo. Para a utilizaao na prtica, os aspectos bsicos para a c a a se aplicar um grco de controle so descritos. E destacado na fase de planejamento de a a um grco de controle, o cuidado na escolha do tamanho amostral e da especicaao dos a c limites de controle, dentre outros, visto que estes passos constituem-se como fundamentais para a correta aplicao desta ferramenta do controle estat ca stico da qualidade. Alm disso, e alguns dos benef cios advindos da aplicaao dos grcos de controle so citados. c a a Por m, esse cap tulo encontra-se estruturado em oito sees que discutiro os seguintes co a aspectos: a seo 2.2 apresentar algumas das principais pesquisas envolvendo a utilizao ca a ca e o desenvolvimento dos grcos de controle; a Seo 2.3 tecer breves consideraes acerca a ca a co dos princ pios dos grcos de controle; a Seo 2.4 abordar a utilizao do grco de a ca a ca a controle na prtica; a Seo 2.5 falar sobre o planejamento de um grco de controle; a a ca a a Seo 2.6 trar um breve relato acerca dos benef ca a cios da utilizaao dos grcos de controle; c a a Seao 2.7 mostrar os tipos de grcos de controle e, nalmente, a Seo 2.8 enfocar c a a ca a brevemente a relaao entre teste de hiptese e grcos de controle. c o a
2.2 Algumas das Principais Pesquisas Envolvendo Gra cos de Controle

A aceitaao dos grcos de controle de Shewhart nas indstrias em parte devido c a u e ` sua simplicidade. Seguramente, melhorar o desempenho destes grcos e/ou propor a a novas metodologias de construao e utilizaao, tornou-se um desao dos pesquisadores e c c usurios do controle estat a stico da qualidade. Shewhart (1941), por exemplo, prope testes o adicionais para tornar os grcos de controle sens a veis ` pequenas mudanas na mdia do a c e processo. Moore (1957) mostra o efeito da no-normalidade quando grcos de controle a a so utilizados. Ennerson e Manning (1959) apresentam um grco de controle para avaliar a a o desempenho do processo de forma rpida e simples. Dentre as vantagens da utilizao a ca da metodologia proposta, verica-se a reduo do retrabalho e sucateamento, alm da ca e melhoria na conabilidade do produto. Freud (1960) considera a utilizaao dos grcos c a de controle de Shewhart na indstria qu u mica, comparando-os com grcos de controle de a aceitao. ca Ramos, Edson M. L. S. PPGEP/UFSC
O grco de controle de regresso apresentado por DiPaola (1945) para descrever e a a e representar o controle simultneo das relaes entre duas variveis. Mandel (1969) utiliza a co a o grco de controle de regresso para estudar as relaes entre o nmero de homensa a co u horas trabalhadas e o volume de cartas processadas nas 74 maiores agncias de correios e dos EUA. Mitra (1988) utiliza a amplitude amostral como estimador de para construao c dos limites de controle do grco de regresso. a a Comumente, durante a construo de grcos de controle so utilizados tamanhos de ca a a amostras constantes. Mitra (1957) tabela valores para construao de limites de controle, c onde o tamanho amostral n constante, baseados na mdia e amplitude de uma populaao e e c normal. Porm, existem situaes em que o tamanho amostral n no constante. Numa e co a e situao em que o tamanho amostral varivel, cada amostra pode conter um nmero ca e a u diferente de observaes. Neste contexto, Ferrell (1964) prope construir grcos de conco o a trole utilizando tamanhos de subgrupos variveis. Neles so plotadas as amplitudes de a a variaao do tamanho amostral, Rv , e as meias variaes do tamanho amostral, Mv (uma c co medida de tendncia central do subgrupo, um tipo de mdia, isto corresponde a plotar e e R e X em grcos de controle convencionais. Outra proposta, vista em Ferrell (1964), a e utilizar a mediana das amplitudes de variaao do tamanho amostral, Rv , e a mediana c das meias variaoes do tamanho amostral, Mv , para estabelecer os limites de controle e c estimar as caracter sticas populacionais. Isto corresponde ao uso de R e X em grcos de a controle convencionais. Segundo Alloway e Raghavachari (1991), os limites de controle destes grcos convena cionais so exatos somente se a caracter a stica do processo em considerao normalmente ca e distribu da. Entretanto, Burr (1967) verica que os usuais limites de controle para os grcos X R so robustos `s suposies de normalidade e podem ser empregados a a a a co menos que a populaao seja extremamente no-normal. Schilling e Nelson (1976) mostram c a a que amostras de tamanhos quatro e cinco, para o grco X, so sucientes para assegurar, a razoavelmente, a robustez para a suposiao de normalidade. c Contudo, se a verdadeira distribuiao do processo desconhecida, ento, grcos de c e a a controle que so baseados em suposioes distribucionais menos restritivas so uteis. Coa c a mumente, muitas distribuioes das caracter c sticas de qualidade monitoradas tm mais e volume na cauda (distribuioes caudalosas) do que a distribuio normal. Vrios esc ca a Ramos, Edson M. L. S. PPGEP/UFSC
10
tat sticos envolvidos na aplicaao de grcos de controle nos processos, por exemplo c a Gunter (1989), crem que estas distribuies ocorrem mais freqentemente na prtica e co u a do que a distribuiao normal. Conhecidamente, o desempenho de estimadores robustos c e no-paramtricos so freqentemente melhores estimadores do que estimadores tradia e a u cionais para distribuioes caudalosas. c Um nmero limitado de grcos de controle no-paramtricos tem sido relatado na liteu a a e ratura. Farnum e Stanton (1986) propem a utilizaao de grcos de controle baseados no o c a teste de sinal. Consideraes econmicas para um grco baseado em testes de sinais so co o a a apresentadas por Arnold (1986). Alloway e Raghavachari (1991) apresentam um grco a de controle baseado no estimador Hodges-Lehmann associado com a estat stica de rank de Wilcoxon, sua ecincia estat e stica quase to boa quanto a aproximao paramtrica se e a ca e as suposioes Gaussianas so consideradas, e pode ser mais eciente quando a normalidade c a no considerada. Saad e Reynolds (1979) utilizam uma estat a e stica de rank para testar a simetria em torno de um n xado, enquanto que Hackl e Ledolter (1991) descrevem vel um procedimento baseado em ajustes exponencialmente rankeados para construao de c limites de controle. Outro fator relevante que, freqentemente, erros signicantes de medidas esto pree u a sentes em aplicaes de controle de qualidade. O efeito dos erros de medidas nas caracteco r sticas monitoradas pelo grco X, considerando que somente a mdia do processo muda, a e discutida por Bennett (1954). O efeito de erros de medida sobre o poder do grco X R e a em detectar mudanas no processo, quando a mdia e a varincia do processo mudam, c e a so apresentadas por Kanazuka (1986). Ele mostra que o poder dos grcos de controle a a depende da magnitude da mudana do processo. Um grande erro de medida resulta na c reduo do poder, assim, a utilizao de um tamanho de amostra maior e/ou reduao dos ca ca c erros de medida podem cobrir a perda. Tricker et al. (1998) mostram o efeito do erro de medida quando o grco R utilizado. Linna e Woodall (2001) apresentam o efeito do a e erro de medida em grcos de controle de Shewhart. Um modelo considerando o custo e a um plano timo de amostragem tambm dado. o e e Um problema comum na utilizaao de grcos de controle o baixo poder que estes c a e apresentam em detectar pequenas mudanas na caracter c stica de qualidade monitorada. Uma soluao para este problema a utilizaao dos grcos de controle CUSUM (soma c e c a Ramos, Edson M. L. S. PPGEP/UFSC
11
acumulada) e EWMA (mdias mveis ponderadas exponencialmente), que possuem alta e o probabilidade de detectar pequenas mudanas. Entretanto, uma aproximao proposta c ca por Burr (1969), que utiliza tamanhos amostrais adaptveis, isto , utiliza qualquer grco a e a de controle permitindo que o tamanho amostral mude dependendo do valor estat stico, obtido em anlises da amostra prvia, vem sendo utilizada por alguns pesquisadores como a e soluo para este problema. Por exemplo, Daudin (1992) apresenta a primeira comparaao ca c entre os dois esquemas de construao de grcos de controle (tamanhos amostrais xos c a versus tamanhos amostrais adaptveis). Prabhu et al. (1993) e Costa (1994) propem a o esquemas similares `quele dos tamanhos amostrais de Daudin (1992), porm mais simples a e para operaao do usurio. c a O grco de controle T 2 de Hotelling [veja Hotelling (1947)], com tamanhos amostrais a adaptveis, apresentado por Aparisi (1996). Seus resultados mostram intensa melhoria a e em comparaao com esquemas de tamanhos amostrais univariados. Os ganhos de poder c so at melhores que aqueles obtidos com grcos de controle multivariados CUSUM, a e a mostradas por Pignatiello e Runger (1990), e com grcos de controle multivariados a EWMA, apresentadas por Lowry et al. (1992), mas mantm a simplicidade do grco e a T 2 de Hotelling. Costa (1998) desenvolve um procedimento que utiliza os grcos X e R conjuntamente, a quando os parmetros so adaptveis. Um modelo de Markov para determinar as proa a a priedades da unio dos grcos de controle X e R com tamanhos amostrais variveis a a a e visto em Costa (1999). O planejamento econmico do grco X, quando os parmetros o a a so adaptveis, obtido por Costa e Rahim (2001). O esquema do tamanho amostral a a e adaptvel utilizado por Aparisi et al. (2001) em grcos de controle de varincia generaa e a a lizada |S|, para detectar mais rapidamente mudanas na matriz de varincia-covarincia. c a a Epprecht e Costa (2001) apresentam uma metodologia para construao de grcos de c a controle para atributos com amostras adaptveis. Magalhes et al. (2001) mostram um a a modelo de custo da qualidade para um grco X, quando todos os parmetros de planejaa a mento so adaptveis. O modelo proposto viabiliza a seleao tima e de forma econmica a a c o o os parmetros de planejamento do grco. a a O grco de controle para propores de duas variveis desenvolvido por Spisak (1990), a co a o grco de controle baseado na distribuio geomtrica mostrado por Kaminsky et al. a ca e Ramos, Edson M. L. S. PPGEP/UFSC
2.3 Princ pios dos Grcos de Controle a
12
(1992) e o grco de seleo de causas de Wade e Woodall (1993), so algumas das mais a ca a recentes linhas de pesquisa sobre grcos de controle. a Finalmente, na ultima dcada, uma nova classe de grcos de controle para a moni e a torao dos processos sujeitos a distrbios moderados tem sido desenvolvida. Estes grcos ca u a so chamados de dinmicos porque alguns de seus parmetros so permitidos variar dua a a a rante a operaao. Por enquanto, o tamanho das amostras varia entre dois tamanhos, c grandes e pequenos, dependendo do que observado do processo. Se um ponto amostral e situa-se perto mas no fora dos limites de controle (indicando que o processo poderia ser a ajustado), ento a prxima amostra escolhida para ser grande (para aperfeioar o poder a o e c do grco). Inversamente, se um ponto amostral situa-se perto ao alvo, ento a prxima a a o amostra escolhida para ser pequena (para compensar grandes amostras). A motivaao do e c esquema dinmico associada com o ganho em velocidade com o qual o grco sinalizar a e a a condies fora de controle. co
2.3 Princ pios dos Grcos de Controle a

A fabricaao de um produto sempre envolve uma certa quantidade de variaao nas c c condies de produo. De uma forma geral, diversos fatores so responsveis pela variao co ca a a ca estocstica das caracter a sticas de qualidade de interesse, observadas nas unidades produzidas. Num processo de produo implementado e planejado cuidadosamente, estas variaoes ca c inerentes so pequenas e no podem ser atribu a a das a fatores isolados controlveis. Sob a estas condioes diz-se que o processo de produao est sob controle estat c c a stico ou que ocorre sem distrbios. Durante a produao cont u c nua, pode acontecer que estas variaes co aumentem ou excedam uma quantidade razovel, devido a mudanas signicantes nos a c fatores controlveis do processo. Por exemplo, fadiga do pessoal ou desgaste de uma fera ramenta poderia levar a uma mudana sistemtica no n do processo. Ento conclui-se c a vel a que o processo est fora de controle estat a stico ou est perturbado. a Mantendo o foco nessas caracter sticas, os grcos de controle foram desenvolvidos com a o propsito primrio de monitorar continuamente se o processo de produo est sob o a ca a controle estat stico. Quando trabalha-se com grcos de controle sempre se supe que o a o estado de controle estat stico caracterizado por um processo que pode ser representado e Ramos, Edson M. L. S. PPGEP/UFSC
2.4 Grco de Controle na Prtica a a
13
por variveis aleatrias independentes e identicamente distribu a o das (i.i.d.). Em particular, esta suposiao implica em falta de autocorrelao. c ca Os grcos de controle so denidos atravs de estat a a e sticas e se baseiam em certas distribuies de probabilidade, principalmente na distribuio normal. Assim, supe-se co ca o que, quando um processo industrial est sob controle, uma caracter a stica de qualidade observvel em sa a das sucessivas se comporta como uma seqncia de variveis aleatrias ue a o independentes com distribuiao normal de mdia e varincia 2 , pelo menos aproxic e a madamente.

Ao se aplicar um grco de controle, geralmente, extraem-se amostras de tamanhos a xos n de um processo de produao em pontos espec c cos de tempo. Os intervalos entre estes pontos de tempo so em geral constantes. Os valores observveis X1 , X2 , . . . , Xn das a a caracter sticas de qualidade monitoradas so resumidos no vetor amostral X e so tambm a a e utilizados nas suas formas originais ou so condensados numa estat a stica amostral, por exemplo, a soma amostral, a mdia amostral, a mediana amostral, a varincia amostral, e a o desvio padro amostral ou a amplitude amostral. Um grco de controle uma gura a a e grca desses resultados amostrais, constru de forma manual ou atravs do processaa do e mento eletrnico dos dados. o Os resultados so plotados no eixo vertical contra os pontos de tempo espec a cos de suas observaes ou contra o nmero de co u ndices amostrais no eixo horizontal. Em adiao c a esses dois eixos o sistema de coordenadas contm vrias linhas xas. Um grco de e a a controle tipo Shewhart usualmente contm uma linha central paralela a abscissa. A altura e desta linha central (LC) dada pelo valor alvo do processo de produo. Este valor e ca pode, por exemplo, ser um valor nominal exigido por lei, um padro ou especicaes de a co produo. Pode ser tambm um valor baseado na experincia passada do processo ou um ca e e valor estimado tomado de uma pr-produao do processo produtivo sob condioes sem e c c perturbaes. co E absolutamente necessrio um grco de controle possuir uma ou duas linhas de cona a trole. Dependendo se desejvel monitorar os desvios das caracter e a sticas de qualidade acima e abaixo do valor alvo ou somente desvios unilaterais, respectivamente, trabalha-se Ramos, Edson M. L. S. PPGEP/UFSC
14
com duas ou uma linha de controle. De acordo com isto h uma distino entre grcos de a ca a controle bilaterais e grcos de controle unilaterais. As linhas de controle so chamadas a a de limite superior de controle e limite inferior de controle, abreviadas por LSC e LIC, respectivamente. Estas linhas tm o propsito de decidir se o processo est sob controle ese o a tat stico ou se distrbios possam ter ocorrido. Alm dessas linhas de controle, os grcos de u e a controle de Shewhart algumas vezes contm uma ou duas linhas adicionais de advertncia. e e Os n veis correspondentes a estas linhas so chamados limite de advertncia superior e a e limite de advertncia inferior (LSA e LIA, respectivamente) e a distncia entre eles e a e a linha central menor do que aquelas entre as linhas de controle LSC e LIC. e A Figura 2.1 mostra um grco de controle de Shewhart com linhas de controle e a advertncia bilaterais. Para facilitar a orientaao os pontos amostrais so ligados por e c a linhas retas. Figura 2.1 Grco de Controle de Shewhart com Linhas de Controle e Advertncia Bilaa e terais.
Resultados Amostrais
LSC LSA LC LIA LIC

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Nmero das Amostras (Pontos de Tempo)
Durante a aplicaao de um grco de controle existem trs eventos poss c a e veis para cada amostra. No primeiro, o resultado amostral pode situar-se dentro dos limites de advertncia, neste caso assume-se que o processo de produo ocorre sob controle estat e ca stico, da no necessrio tomar qualquer aao particular. No segundo evento, o resultado a e a c amostral pode situar-se entre os limites de controle e os limites de advertncia, havendo e assim a suspeita de uma perturbaao no processo. Neste caso, uma segunda amostra c e extra imediatamente, e se o novo resultado situar-se dentro dos limites de advertncia, da e a suspeita descartada, entretanto, se o novo resultado situar-se fora dos limites de ade vertncia a suspeita justica-se e uma ao corretiva dever ser tomada objetivando tornar e ca a o processo produtivo sob controle estat stico. Finalmente, no terceiro evento, o resultado Ramos, Edson M. L. S. PPGEP/UFSC
2.5 Planejamento de um Grco de Controle a
15
amostral pode situar-se sobre ou fora dos limites de controle. Se isto ocorrer, uma intervenao no processo produtivo dever ser feita imediatamente. Numa situao concreta, c a ca esta interveno depende particularmente do processo produtivo, do conhecimento sobre ca ele e do tipo de perturbaao indicada na inspeo. Sob certas circunstncias pode at ser c ca a e necessrio separar todas as unidades que foram produzidas depois da ultima amostragem. a Quando grcos de controle sem limites de advertncia so utilizados, o primeiro evento a e a refere-se aos limites de controle e o segundo evento omitido. e Para Mittag e Rinne (1993) a utilizao de limites de advertncia modica consideca e ravelmente as propriedades estat sticas de um grco de controle. Em particular, no a a e poss controlar sua curva de poder. vel

O planejamento de um grco de controle envolve principalmente a escolha adequada a do tamanho da amostra, o intervalo de tempo entre amostras consecutivas e a especicaao c dos limites de controle e, quando apropriado, dos limites de advertncia. Durante a fase e de planejamento de um grco de controle, testes tericos e consideraoes econmicas a o c o so importantes. Woodall (1985) planeja grcos de controle, baseando-se no desempenho a a estat stico destes sobre algumas regies de controle previamente especicadas. Caulcutt o (1995) mostra os principais tipos de erros e acertos, usualmente cometidos por usurios dos a grcos de controle. Woodall (2000) arma que o planejamento dos grcos de controle a a desenvolvidos por Shewhart so bastante uteis em muitas aplicaoes atuais, entretanto, a c ele considera que a introduo de novas idias relacionadas ao controle estat ca e stico da qualidade, como por exemplo, mtodos multivariados e planos amostrais, tm sido muito e e lentamente introduzidos no ambiente industrial. Quando se quer determinar o tamanho da amostra e o intervalo amostral, pode-se utilizar critrios econmicos, como por exemplo, custos de inspeao, custos de produo e o c ca parada devido ` interrupao do processo para realizar ajustes necessrios e custos de a c a perturbaes no detectadas. Na prtica o tamanho amostral n e a freqncia amostral so co a a ue a escolhidos arbitrariamente, geralmente, baseados em experincias passadas. O tamanho e amostral n raramente maior que 15 e, por razes numricas, um nmero e o e u mpar. Ramos, Edson M. L. S. PPGEP/UFSC
16
Proschan e Savage (1960) do boas recomendaoes de como iniciar o processo de consa c truo de grcos de controle. Consideraes a respeito do tamanho amostral ideal e do ca a co n de signicncia utilizados no desenvolvimento dos limites de controle, tambm so vel a e a mostradas. A especicaao dos limites de controle o assunto central no planejamento de um grco c e a de controle. Os limites de controle so especicados de forma que a estat a stica de teste g(X) alcance ou exceda seus valores somente com uma pequena probabilidade , quando o processo ocorre sem perturbaoes. Para um grco de controle, com ambos LSC e LIC, c a isto signica que: P [g(X) (LSC; LIC)|processo est sob controle estat / a stico] = . (2.1)
Na prtica utilizam-se testes estat a sticos com distribuioes simtricas e, conseqentec e u mente, sempre se proceder como descrito na Figura 2.1, especicando-se os limites LSC a e LIC com a mesma distncia da linha central (LC). A probabilidade (2.1) ento consiste a a de duas probabilidades iguais, dadas por: P [g(X) LSC|processo est sob controle estat a stico] = /2 e P [g(X) LIC|processo est sob controle estat a stico] = /2. (2.3) (2.2)
Quando se planeja um grco de controle unilateral se procede de forma anloga. Soa a mente no se divide a probabilidade em duas probabilidades e se determina o LSC ou a LIC, respectivamente, atravs das seguintes equaes: e co P [g(X) LSC|processo est sob controle estat a stico] = ou P [g(X) LIC|processo est sob controle estat a stico] = . (2.5) (2.4)
E importante no especicar os limites de controle muito prximos da linha central, a o porque a variaao natural no tempo, quando o processo est em estado de controle esc a tat stico, pode induzir a uma interveno. A probabilidade de interferir num processo ca sem perturbaoes (alarme falso) aumenta, quando a distncia entre os limites de controle c a diminui. Entretanto, se as linhas de controle esto muito distantes da linha central ento a a ocorre o risco de se responder muito tarde a uma perturbao sistemtica no processo. ca a Ramos, Edson M. L. S. PPGEP/UFSC
2.6 Benef cios da Utilizao dos Grcos de Controle ca a
17
A probabilidade de no interferir em um processo perturbado (alarme negligenciado) a aumenta quando a distncia entre as linhas de controle e a linha central aumenta. Gerala mente, os limites de controle so calculados de forma que a estat a stica amostral g(X) de um processo sem perturbaes situe-se dentro das linhas de controle com probabilico dade de 99%. Conseqentemente, para determinao das linhas de controle geralmente u ca estabelece-se um = 0, 01 em (2.1) e, respectivamente, em (2.4) ou (2.5). A estat stica amostral g(X), supostamente, possui uma distribuiao simtrica e cont c e nua, por exemplo a distribuio normal. Supe-se tambm que sua densidade exista. Se o teste ca o e escalar Y = g(X) possui condioes sob controle e distribuio com esperana Y (n c ca c vel da linha central LC) e desvio padro Y , ento os limites de controle LSC e LIC so a a a colocados no n Y 3Y . vel
2.6 Benef cios da Utilizao dos Grcos de Controle ca a

Um grco de controle monitora a conformidade entre o estado desejado e o atual de a um processo com relaao a certas caracter c sticas de qualidade. A aplicao de um grco ca a de controle supe possuir o efeito de que mudanas indesejveis no comportamento da cao c a racter stica de qualidade, por exemplo, uma mudana na mdia, um aumento na disperso, c e a um aumento no nmero de unidades no-conformes ou um aumento de no-conformidades, u a a sejam descobertas e corrigidas to logo quanto poss a vel. Como conseqncia, a fraao ue c defeituosa do processo, ou respectivamente, a quantidade de reparos de no-conformidades a reduzida e conseqentemente a produtividade aumenta. e u Grcos de controle que j cumpriram seu propsito como instrumento do controle de a a o um processo, servem para a empresa como prova e documentaao dos esforos da garantia c c da qualidade do produtor para o consumidor. Finalmente, os grcos de controle da qualidade podem tambm ser utilizados para a e avaliaoes internas da preciso do maquinrio e ferramentas. Ainda, podem servir como c a a aux nas decises sobre investimentos adicionais ou na programaao de manutenao lio o c c e/ou vistorias gerais. Ramos, Edson M. L. S. PPGEP/UFSC
2.7 Tipos de Grcos de Controle a
18
2.7 Tipos de Grcos de Controle a

Existem vrios critrios utilizados para classicar os grcos de controle, como por a e a exemplo, quanto ao nmero de linhas de controle, os grcos distinguem-se entre grcos u a a de controle unilaterais e bilaterais. Dependendo se os clculos dos limites de controle ena volvem ou no especicaoes tcnicas, os grcos de controle de Shewhart so classicados a c e a a em clssicos ou modicados, respectivamente. a Um grco de controle dito ser de rastreamento unico, quando o grco contm soa e a e mente um sistema de coordenadas no qual os resultados da inspeao, para monitorar um c aspecto do processo de produo (locao ou disperso), so introduzidos. Um grco ca ca a a a de controle de rastreamento duplo contm dois sistemas de coordenadas para monitorar e simultaneamente a locao e a disperso. Grcos de controle com rastreamento duplo ca a a so nada mais que dois grcos de controle com rastreamento simples aplicados simula a taneamente, ambos relacionados a mesma caracter stica de qualidade. Diferentes destes, grcos de controle multivariados monitoram vrias caracter a a sticas de qualidade ao mesmo tempo. De acordo com o tipo de caracter stica de qualidade, os grcos de controle distina guem-se entre grcos de controle para atributos e grcos de controle para variveis. a a a Termos sinnimos so grcos de controle para dados contveis e grcos de controle para o a a a a medidas. Grcos de controle para atributos sempre utilizam uma estat a stica de teste com distribuio discreta, enquanto a estat ca stica amostral de um grco para variveis possui a a uma distribuiao cont c nua. Finalmente, pode-se diferenciar os grcos de controle dependendo se a deciso de ina a terferir no processo baseada unicamente no resultado amostral apresentado ou tambm e e em amostras precedentes. Grcos de controle do tipo Shewhart somente utilizam o resula tado amostral atual, sendo conhecidos como grcos de controle sem memria. Grcos a o a de controle com memria, por exemplo CUSUM e EWMA, utilizam os resultados das o amostras precedentes. A notaao dos grcos de controle depende, freqentemente, da estat c a u stica de teste e do tipo de rastreamento do grco. Na prtica, as seguintes notaoes mais usuais foram a a c estabelecidas: Ramos, Edson M. L. S. PPGEP/UFSC
2.8 Teste de Hiptese e Grcos de Controle o a
19
Grco X - Grco de controle simples para atributos onde a estat a a stica teste acumula as no-conformidades por unidades produzidas ou o nmero de unidades noa u a conformes na amostra; Grco p - Grco de controle para atributos, o qual utiliza a proporao de unidades a a c no-conformes na amostra como sua estat a stica de teste; a a stica de teste o acmulo e u Grco u - Grco de controle para atributos. Sua estat de no-conformidades por unidade f a sica; Grco de X e Grco X - Grcos de controle para variveis com a mdia amostral a a a a e e a mediana amostral, respectivamente, como a estat stica de teste. Por conseguinte, estes grcos so tambm chamados de grco da mdia e grco da mediana. a a e a e a Ambos tm o propsito de monitorar o n do processo; e o vel a a a a a Grco de R, Grco S e Grco S 2 - Grcos de controle para variveis onde a estat stica de teste a amplitude amostral, ou o desvio padro amostral ou a e a varincia amostral, respectivamente. Estes grcos so tambm chamados de grco a a a e a da amplitude, grco do desvio padro e grco da varincia, respectivamente. Eles a a a a monitoram a disperso do processo de produo; a ca a a a a a Grco de X S, Grco X R, Grco X M R, Grco X S, Grco X R e Grco X M R - Grco de controle para variveis com rastreamento duplo e a a a que utilizam a mdia amostral ou a mediana amostral para monitorar o n do e vel processo e o desvio padro amostral, a amplitude amostral ou a amplitude mvel a o para controlar a disperso do processo. Estes grcos so apropriadamente chamados a a a como acima, por exemplo, grco da mdia-amplitude no caso do grco X R. a e a

Conforme mencionado na Seao 2.5, grcos de controle so principalmente uma forma c a a grca de uma estat a stica amostral g(X) como uma funao do tempo. Todos os grcos de c a controle tm em comum que suas aplicaes so equivalentes a repetidamente desempenhar e co a um teste de hipteses da seguinte forma: o H0 : o processo produtivo est sob controle estat a stico H1 : o processo produtivo est fora do controle estat a stico. Ramos, Edson M. L. S. (2.6)
PPGEP/UFSC
20
Se a realizaao da funo amostral alcana ou excede os limites de controle LSC e LIC c ca c (grcos de controle bilaterais) ou um deles (no caso de grcos de controle unilaterais), a a ento a hiptese H0 rejeitada e ajustes no processo so realizados. A regio de aceitaao a o e a a c (RA) para H0 dada pelo conjunto de todas as realizaoes da estat e c stica de teste que se situam dentro dos limites de controle. Conseqentemente, a regio de rejeiao (RR) para u a c H0 denida como sendo o complementar de RA. Logo, a regra de deciso do teste l-se e a e como segue: Se a estat stica de teste g(X) situa-se sobre ou fora das linhas de controle, necessrio e a intervir no processo. Se a estat stica de teste g(X) situa-se dentro das linhas de controle, ento no a a e necessrio tomar nenhuma ao. a ca Numa dada situao a hiptese H0 diz que um parmetro de locao (, digamos) ou um ca o a ca parmetro de disperso (, digamos) da caracter a a stica de qualidade monitorada concorda com um desejado valor. Este valor alvo pode ainda ser um valor nominal ou estimado de uma produao prvia do processo. c e No que segue este trabalho estar restrito a grcos de controle univariados para a a variveis. a Este cap tulo procurou proporcionar uma viso geral acerca dos grcos de controle, a a destacando algumas das principais pesquisas envolvendo a utilizao e o desenvolvimento ca destes grcos. Alm dos tipos, os princ a e pios, a utilizaao na prtica e o planejamento c a dos grcos de controle, foram mostrados testes de hipteses por trs da utilizaao de tal a o a c ferramenta, bem como, os seus benef cios. Todos estes aspectos so de extrema importncia, pois atravs deles sero obtidas mea a e a lhores estimativas para o n e disperso do processo. Tais estimativas para a disperso vel a a do processo, constituem um dos principais objetivos deste trabalho, ou seja, buscar por estimadores cada vez mais precisos a serem utilizados na construo de grcos de controle. ca a Finalmente, este cap tulo serve como embasamento para o entendimento a respeito dos grcos de controle para variveis implementado no prximo cap a a o tulo.
PPGEP/UFSC
Cap tulo 3
Grcos de Controle para Variveis a a

3.1 Introduo ca
Conforme pde ser visto no cap o tulo anterior, existe um crescente interesse de pesquisadores e usurios de grcos de controle na obtenao de estimadores cada vez melhores a a c para o n e disperso do processo. vel a De fato, as caracter sticas importantes de um processo produtivo, no controle para variveis, so o n e a disperso natural do processo. Mudanas signicativas no n a a vel a c vel e/ou na disperso do processo produtivo podem originar alteraoes signicativas na fraao a c c no-conforme, por esta razo, no controle para variveis, o n e disperso do processo, a a a vel a comumente so controlados simultaneamente. Isto geralmente conseguido utilizando o a e grco X ou o grco X, para o controle do n e o grco S, o grco S 2 ou o grco R, a a vel a a a para o controle da variabilidade. Quando utilizados em conjunto, estes grcos constituem a um procedimento razoavelmente eciente para o controle de um processo. Os grcos para a disperso monitoram a variabilidade dentro da amostra, enquanto que, os grcos para o a a n monitoram a variabilidade entre as amostras. vel Deve car claro que para o controle da variabilidade (e indiretamente do n vel) de um processo, a caracter stica de qualidade deve ser normalmente distribu da. Nas aplicaes co prticas do controle da qualidade, esta restriao no demasiadamente sria, uma vez que a c a e e caracter sticas qualitativas medidas em escala continua tm, em geral, distribuio normal e ca ou aproximadamente normal. Se os grcos de controle vo ser estabelecidos para um novo a a processo, do qual no se tm informaoes prvias, antes de procurar estabelecer os grcos a e c e a deve ser feito um teste de normalidade para a caracter stica de interesse. Eventualmente pode ser necessrio efetuar uma transformaao na varivel, visando a normalidade. a c a A indicaao bsica de falta de controle de um processo a ocorrncia de pontos fora c a e e
3.1 Introduo ca
22
dos limites de controle, quer nos grcos para o n a vel, quer nos grcos para a disperso. a a Porm, mesmo com todos os pontos entre os limites de controle, a presena de tendncias, e c e ciclos ou alguma outra congurao t ca pica dos pontos pode revelar descontrole do processo. Algumas recomendaoes prticas tm sido apresentadas por vrios estudiosos, por exemc a e a plo Kume (1993) e Montgomery (2001), para a vericaao do estado de controle de um c processo. Segundo Bravo (1995), geralmente aceito que no grco de um processo sob e a controle estat stico, cerca de 2/3 do nmero total de pontos devem estar localizados no u tero central do grco. Se para 25 amostras mais de 90% ou menos de 40% dos pontos c a estiverem situados no tero central do grco de controle, tem-se uma indicao de desc a ca controle do processo. Evidncias de deslocamento da mdia do processo ou de tendncia e e e dos pontos so geralmente aceitas se ocorrerem 7 pontos consecutivos de um dos lados a da linha central do grco ou 7 pontos consecutivos no crescentes ou no decrescentes. a a a Nelson (1984) apresenta oito testes grcos simples para detectar falta de controle atravs a e do grco X. a Durante o processo de construo dos grcos de controle para variveis, o grco ca a a a para disperso constru em primeiro lugar, uma vez que ele fornece uma estimativa a e do da variabilidade do processo, a qual usada para construo do grco para o n e ca a vel. Evidentemente, esta estimativa s deve ser usada quando o processo estiver sob controle o em relao a variabilidade. Nas aplicaoes em conjunto, o grco para a disperso ca c a a e usualmente apresentado depois do grco para o n a vel. Neste cap tulo ser abordado o processo de construao e implementao dos grcos a c ca a de controle para variveis, mais especicamente, os grcos para monitorar o n e a a a vel disperso do processo. O processo de obtenao dos limites de controle e da linha central a c para os grcos do desvio padro, da varincia, da amplitude, da mdia e da mediana sero a a a e a detalhadamente vistos. Tabelas com fatores para construo dos limites sero mostradas. ca a Algumas das principais pesquisas envolvendo os grcos de controle para variveis sero a a a apresentadas. Portanto, nas seoes seguintes sero abordados as seguintes classes de grcos de conc a a trole para variveis: a Seao 3.2 mostrar os trs grcos de controle mais comuns (grco a c a e a a do desvio padro, grco da varincia e grco da amplitude), utilizados no monitoraa a a a Ramos, Edson M. L. S. PPGEP/UFSC
3.2 Grcos de Controle para Monitorar a Disperso do Processo a a
23
mento da disperso do processo, e a Seao 3.3 apresentar o grco da mdia e o grco a c a a e a da mediana, ambos, utilizados no monitoramento do n do processo. vel
3.2 Grcos de Controle para Monitorar a Disperso a a do Processo

Quando se constri grcos de controle para a disperso do processo, tem-se que decidir o a a primeiramente se o grco para detectar mudanas em ambas as direoes ou se somente a e c c numa direao. Neste ultimo caso um grco de controle unilateral para disperso do c a a processo utilizado. e Se o teste de hiptese escolhido da seguinte forma o e H0 : t H1 : t > , (3.1)
somente de interesse uma mudana crescente (grco de controle unilateral com limite e c a superior), em um tempo t, na caracter stica de qualidade monitorada X (X N (, 2 )). Certamente, grcos de controle que detectam mudanas na disperso do processo em ama c a bas as direoes podem ser constru c dos. A aplicaao de tal grco de controle corresponde c a a realizaao de um teste de hipteses do tipo c o H0 : t = H1 : t = . (3.2)
Finalmente, a seguir, trs diferentes grcos de controle para a disperso do processo e a a so apresentados. O grco do desvio padro amostral, o grco da varincia amostral e a a a a a o grco da amplitude amostral. a
3.2.1 Grco do Desvio Padro (Grco S) a a a

Com a relativa facilidade com que poss e vel calcular os desvios padres utilizando o calculadoras com funes embutidas, o grco S est crescendo em uso como grco de co a a a controle para medir a disperso do processo. Davis (1999) fornece um programa computaa cional simples que determina o tamanho amostral timo e o limite superior de controle o para grcos S unilaterais. Logo, se algum desvio padro amostral observado est acima a a a do LSC, ento o grco sinalizar que o processo pode ter problemas. Enquanto que, se o a a a desvio padro amostral observado estiver abaixo do LSC, sinais no sero gerados. Para a a a Ramos, Edson M. L. S. PPGEP/UFSC
24
Montgomery (2001) o grco do desvio padro oferece maior ecincia na estimaao da a a e c disperso e mais ex para aplicaes que envolvam tamanhos de subgrupos maiores a e vel co e/ou diferentes que o grco R. a Para determinar os limites de controle do grco S, necessrio supor que os valores a e a observados da caracter stica de qualidade monitorada so normalmente distribu a dos com mdia e varincia 2 . Se Sj o desvio padro amostral do j-simo subgrupo, ento e a e a e a
n
Sj =
i=1
(Xi X)2 . n1
(3.3)
No entanto, o desvio padro amostral Sj no um estimador no-viesado de (veja a a e a

2 Cap tulo 5). Como (n 1)Sj / 2 tem distribuio qui-quadrado com n 1 graus de liberca
dade, pode-se vericar que Sj = E[Sj ] = cn e Sj = V ar[Sj ] = 2 c2 2 = n 1 c2 , n (3.5) (3.4)
onde n o tamanho do subgrupo amostral e e cn = 2 n1

1/2
(n/2) . [(n 1)/2]
(3.6)
Baseando-se nas frmulas (3.4) e (3.5), a linha central e os limites de controle 3 sigmas o para o grco S, quando um valor padro dado por , so obtidos atravs das seguintes a a e a e expresses: o LSC = cn + 3 LC = cn LIC = cn 3 Comumente, deni-se B5 = c n 3 1 c 2 n e B6 = c n + 3 Ramos, Edson M. L. S. 1 c2 , n PPGEP/UFSC 1 c2 . n 1 c2 n
25
tal que, a linha central e os limites de controle para o grco S, quando um valor padro a a dado por , passam a ser expressos por e LSC = B6 LC = cn LIC = B5 . Valores de cn , B5 e B6 , obtidos a partir de Montgomery (2001), esto tabulados para a alguns tamanhos amostrais na Tabela A.1 do Apndice A. e Se nenhum padro dado para , ento ele deve ser estimado. Logo, supe-se que m a e a o amostras sejam analisadas, cada uma com tamanho n, e que Sj o desvio padro da e a j-sima amostra. Assim, a mdia dos m desvios padro dada por e e a e 1 S= m
m
(3.7)
Sj .
j=1
(3.8)
A estat stica S/cn um conhecido estimador no-viesado de . Portanto, a linha central e a e os limites de controle 3 sigmas do grco S, quando nenhum padro dado para , so a a e a S LSC = S + 3 1 c2 n cn LC = S (3.9) S 1 c2 . LIC = S 3 n cn Denindo-se as constantes B3 = 1 e B4 = 1 + 3 cn 1 c2 , n 3 cn 1 c2 n
a linha central e os limites de controle para o grco S, quando nenhum valor padro a a e dado para , so a LSC = B4 S LC = S LIC = B3 S. Valores de B3 e B4 , obtidos a partir de Montgomery (2001), esto tabulados para alguns a tamanhos amostrais na Tabela A.1 do Apndice A. e Ramos, Edson M. L. S. PPGEP/UFSC (3.10)
26
3.2.2 Grco da Varincia (Grco S 2 ) a a a

O grco S, apresentado na seo anterior, baseado na estat a ca e stica S que um estie mador tendencioso de . Uma outra forma de monitorar a variabilidade de um processo consiste em controlar a varincia 2 , e isto pode ser feito com base no seu estimador a no-tendencioso S 2 . O grco resultante denominado grco S 2 . a a e a Wludyka e Nelson (1997) mostram um procedimento grco, baseado na varincia a a amostral S 2 , para testar a hiptese de homogeneidade das varincias de k-amostras, o a para amostras de populaoes normais. Wludyka et al. (2001) apresentam alguns aperc feioamentos realizados no teste grco de Wludyka e Nelson (1997). O novo procedimento c a utiliza um grco S 2 para determinar o poder do teste de homogeneidade de varincias, a a para vrias combinaoes de k, graus de liberdade () e n de signicncia (). O poder a c vel a dos grcos apresentado para = 0, 10; 0, 05; 0, 01. a e Em textos clssicos do controle estat a stico da qualidade que abordam o grco S 2 , por a exemplo em Duncan (1974) e Montgomery (2001), os limites de controle so determinados a de forma probabil stica, naturalmente supondo normalidade nos valores observados da caracter stica de qualidade monitorada. Aqui os limites de controle so determinados como a feito para o grco S. Portanto, novamente supe-se que os valores observados da caraca o ter stica de qualidade monitorada so normalmente distribu a dos com mdia e varincia e a
2 2 . Se Sj a varincia amostral do j-simo subgrupo, ento e a e a n 2 Sj
=
i=1
(Xi X)2 . n1
(3.11)
2 A partir da estat stica (n 1)Sj / 2 que tem distribuiao qui-quadrado com n 1 graus c
de liberdade, pode-se vericar que

2 2 Sj = E[Sj ] = 2
(3.12)
2 4 = =V . (3.13) n1 2 2 Se m amostras so analisadas, cada uma com tamanho n, e suas varincias S1 , S2 , . . ., a a

2 S 2 j 2 ar[Sj ] m 2 Sj . j=1
2 a e Sm calculadas, um estimador no-tendencioso de 2
1 S2 = m Ramos, Edson M. L. S.
(3.14) PPGEP/UFSC
27
2 A partir de (3.13) e (3.14), um estimador no-tendencioso para o desvio padro de Sj a a e
Sj = S 2 2
2 . n1
(3.15)
Portanto, a linha central e os limites de controle 3 sigmas do grco S 2 so obtidos a a atravs das seguintes expresses: e o LSC = S 2 + 3S 2 LC = S 2 LIC = S 2 3S 2 Denindo-se as constantes B7 = 1 3 e B8 = 1 + 3 2 , n1 2 n1 2 n1 (3.16) 2 . n1
a a linha central e os limites de controle para o grco S 2 so dados por a LSC = B8 S 2 LC = S 2 LIC = B7 S 2 . Valores de B7 e B8 , obtidos a partir de Mittag e Rinne (1993), esto tabulados para a alguns tamanhos amostrais na Tabela A.2 do Apndice A. e a A linha central e os limites de controle probabil sticos para o grco S 2 , so dados por a LSC = 2 2 n 1 n1;0,99865 LC = 2 2 2 , LIC = n 1 n1;0,00135 (3.17)
onde 0,99865 e 0,00135 so, respectivamente, os percentis 1 /2 e /2 da distribuio a ca qui-quadrado com (n 1) graus de liberdade. Ramos, Edson M. L. S. PPGEP/UFSC
28
Quando o parmetro 2 for desconhecido, pode-se estim-lo atravs de (3.11). E utia a e lizando os procedimentos anteriores, a linha central e os limites de controle probabil sticos a para o grco S 2 , so estimados por a LSC = S2 2 n 1 n1; 0,99865 LC = S 2 S2 2 LIC = . n 1 n1; 0,00135
(3.18)
3.2.3 Grco da Amplitude (Grco R) a a

Certamente, o mais comum dos grcos de controle para medir a disperso na disa a tribuio bsica de uma caracter ca a stica de qualidade o grco da amplitude ou grco e a a R. Sua popularidade principalmente devido a facilidade com que as amplitudes so cale a culadas. Logo, quando mtodos estat e sticos so implementados em problemas industriais, a seguramente um estimador bastante utilizado para a amplitude amostral R. e Consideraes a respeito da amplitude em controle de qualidade foram feitas inicialco mente por Shewhart em 1924 com o surgimento dos grcos de controle e a partir da vm a e sendo amplamente difundidas por vrios pesquisadores na rea de controle da qualidade. a a Um dos primeiros pesquisadores a fazer srias consideraoes sobre o uso da amplitude e c amostral como medida de disperso foi Tippett (1925), que tabula a amplitude mdia, a e em termos do desvio padro populacional, para amostras de tamanho n = 2, 3, . . . , 1000, a atravs de uma populaao normal. Uma extenso desse trabalho pode ser vista em Peare c a son (1926), que mostra como calcular valores modicados para 1 e 2 (pontos de um diagrama constru a partir da distribuiao das amplitudes), para n = 60 e 100. do c Student (1927) ajusta as curvas de Pearson (1926) para os quatro primeiros momentos da amplitude para alguns valores de n. A partir dos resultados de Student (1927), com pequenas modicaoes, Pearson (1932) calcula pontos inferiores e superiores a 0, 5%, 1%, c 5% e 10%, para n = 2, 3, . . . , 30 e tambm para n = 35, 40, 45, . . . , 100. Mckay e Pearson e (1933) encontram a distribuio exata, para as amplitudes amostrais de tamanho 3, de ca uma populaao normal e do novos resultados relativos ` forma da curva da amplitude. c a a No artigo publicado por Pearson (1938), observa-se que o pioneiro na proposta de utilizar a razo da amplitude (amplitude padronizada ou amplitude relativa), Q = W/R , a Ramos, Edson M. L. S. PPGEP/UFSC
29
como uma estimativa do desvio padro populacional foi Student. A proposta de usar a a razo da amplitude, idealizada por Student, foi desenvolvida por Newman (1939), que a tabula um nmero de pontos de 1% e 5% de Q, que ele obteve atravs da quadratura da u e distribuio de probabilidade aproximada de W = R/R , onde W a amplitude popuca e lacional dada por Pearson (1932), exceto para n = 3, cuja distribuiao exata foi obtida c por Mckay e Pearson (1933). Newman (1939) props um mtodo sistemtico, aplicando a o e a amplitude padronizada, para mltiplas comparaoes no tratamento de mdias em experu c e imentos. A funo de probabilidade da amplitude foi primeiro tabulada por Pearson e Hartley ca (1942), para n = 2, 3, . . . , 20. A base terica computacional destes clculos pode ser vista o a em Hartley (1942). Nos trabalhos de Patnaik (1950), Hartley (1950) e David (1951), so constatadas a aplicaes da amplitude em anlise de varincia. Assim, uma das notveis ocorrncias co a a a e para o aprimoramento terico da amplitude foi o desenvolvimento de vrios procedimeno a tos de comparaes mltiplas, baseados na amplitude padronizada. Tais procedimentos co u so encontrados no teste de Newman-Keuls [que uma modicaao feita por Keuls (1952) a e c no teste proposto inicialmente por Newman (1939)], nos testes propostos por Tukey (1952) e em um teste para amplitudes mltiplas proposto por Ducan (1955). u Aplicaes da amplitude amostral como estimador de , tambm, podem ser vistas em co e textos clssicos, por exemplo, Juran e Gryna (1992), Kume (1993) e Montgomery (2001). a Recentemente, Ramos et al. (2002) fazem consideraes sobre a amplitude amostral como co estimador de e sua utilizaao no controle estat c stico de qualidade. Resultados de simulaoes proporcionam uma discusso a respeito do tamanho de subgrupo ideal. Ainda, c a fornecem uma expanso da tabela dos fatores A, A2 , A3 , d2 (n), d3 (n), D3 e D4 , para a n = 2, 3, . . . , 100, utilizados na construao de grcos de controle para variveis e tambm c a a e para os coecientes de assimetria 3 (n) e curtose 4 (n). Para determinar os limites de controle do grco R, necessrio supor que os valores a e a observados da caracter stica de qualidade monitorada so normalmente distribu a dos com mdia e varincia 2 . Se R a amplitude amostral de uma amostra de tamanho n, ento e a e a
R = Xmax Xmin , Ramos, Edson M. L. S.
(3.19) PPGEP/UFSC
30
onde Xmax o maior valor observado na amostra e Xmin o menor valor observado na e e amostra. Se m amostras so analisadas, cada uma com tamanho n, e suas amplitudes R1 , R2 , . . ., a Rm obtidas, ento a mdia das amplitudes dada por a e e R1 + R2 + . . . + Rm . R= m (3.20)
Existe uma importante relao entre a amplitude amostral (R) e o desvio padro () ca a de uma distribuio normal, dada por W = R/R e conhecida como amplitude relativa ca [Montgomery, 2001]. A mdia e o desvio padro de W so, respectivamente, as constantes e a a d2 e d3 e so funo do tamanho amostral n [veja Ramos et al. (2002)]. a ca A partir da estat stica W , obtm-se um estimador de da seguinte forma: e = R . d2 (3.21)
Wadsworth et al. (1986) mostram que a ecincia de (3.21) em estimar a disperso do e a processo, principalmente para pequenos tamanhos de subgrupos, quase to alta quanto e a a do desvio padro amostral. a Usando as propriedades de W e as equaoes (3.20) e (3.21), obtm-se c e R = E[R] = R e (3.22)
R . (3.23) d2 Conseqentemente, a linha central e os limites de controle 3 sigmas do grco R so u a a R = V ar[R] = d3 = d3 R LSC = R + 3d3 d2 LC = R R LIC = R 3d3 . d2 Denindo-se as constantes D3 = 1 3 d3 d2
(3.24)
e D4 = 1 + 3 Ramos, Edson M. L. S. d3 , d2 PPGEP/UFSC
3.3 Grcos de Controle para Monitorar o N a vel do Processo a linha central e os limites de controle para o grco R passam a ser estimados por a LSC = D4 R LC = R LIC = D3 R.
31
(3.25)
Valores de d2 , d3 , D3 e D4 , obtidos a partir de Mittag e Rinne (1993), esto tabulados a para alguns tamanhos amostrais na Tabela A.2 do Apndice A. e
3.3 Grcos de Controle para Monitorar o N a vel do Processo

Antes de aplicar um grco de controle para o n do processo , em um tempo t, tema vel se que decidir se desejvel detectar mudanas crescentes e decrescentes ou uma mudana e a c c em somente uma direao, na caracter c stica de qualidade monitorada X (X N (, 2 )). Se o interesse no ultimo caso, utiliza-se um grco de controle unilateral para o n do e a vel processo. O teste de hiptese escolhido para este grco do tipo o a e H 0 : t H1 : t > , ou H 0 : t H1 : t < , (3.27) (3.26)
dependendo se desejvel uma mudana crescente ou decrescente, respectivamente, no e a c processo. Entretanto, se movimentos crescentes e decrescentes no n do processo so vel a relevantes, ento implementa-se um grco de controle bilateral para o n do processo. a a vel Seu teste de hipteses da forma o e H 0 : t = H1 : t = . (3.28)
No que segue, dois diferentes grcos de controle para o n do processo so introa vel a duzidos. O grco da mdia e o grco da mediana, dependendo se a mdia amostral X a e a e ou a mediana amostral X, respectivamente, escolhida como estat e stica de teste. Ramos, Edson M. L. S. PPGEP/UFSC
32
3.3.1 Grco da Mdia (Grco X) a e a

O mais comum dos grcos de controle para estudar e controlar a tendncia central a e na distribuio bsica de uma caracter ca a stica de qualidade o grco da mdia, ou grco e a e a X. Sua relativa facilidade de clculo e aplicao, aliada a sua excelente sensibilidade na a ca deteco de mudanas na mdia da distribuiao, contam para a sua popularidade. ca c e c Uma recomendao prevalecente que, por fortes razes estat ca e o sticas, os limites de controle devem ser baseados no m nimo em 25 subgrupos amostrais, comumente com cinco observaoes cada. King (1954) mostra um procedimento para estabelecer limites de conc trole iniciais em grcos X, com o propsito de testar se o processo estava sob controle a o estat stico, enquanto os subgrupos iniciais estavam sendo extra dos. Duncan (1956) faz o planejamento econmico do grco X para monitorar o processo. o a Roberts (1959) utiliza o grco de controle X para gerar mdias mveis geomtricas. a e o e O procedimento mostra que as observaes ponderadas so pouco afetadas quando a co a suposio de normalidade no satisfeita. Hill (1964) desenvolve a idia de se utilizar ca a e e limites de controle adaptveis em grcos X. a a Hiller (1964) apresenta um mtodo para construao de limites de controle em grcos e c a X baseado em um pequeno nmero de subgrupos amostrais. O mtodo de Hiller (1964) u e proporciona a construao de limites de controle para grcos X estatisticamente fortes, c a independentes do pequeno nmero de subgrupos amostrais observados. A simplicidade do u mtodo exige somente a utilizao de uma tabela, e a interpretaao dos resultados a e ca c e mesma como para grcos X com limites de controle convencionais. Ott (1967) fornece a um mtodo grco, semelhante ao grco de controle de Shewhart, para avaliar a mdia e a a e amostral X. Ghosh et al. (1981) apresentam as propriedades do grco X quando os limites de a controle so constru a dos a partir da estimao de 2 das observaoes amostrais. Davis et ca c al. (1993) desenvolvem um procedimento grco para determinar as chances do grco X a a detectar uma mudana na mdia do processo. Klein (2000) fornece esquemas baseados nas c e seqncias amostrais plotadas nos grcos de controle X, para melhorar o desempenho ue a na detecao de pontos fora dos limites de controle nestes grcos. Nedumaran e Pignatiello c a (2001) propem a construao de limites de controle para o grco X, utilizando os pontos o c a percentuais da distribuiao Run Length (comumente, utilizada para determinar o nmero c u Ramos, Edson M. L. S. PPGEP/UFSC
33
de amostras selecionadas antes de um ponto situar-se fora dos limites de controle). Marcel lus (2001) verica as propriedades dos grcos X quando limites de controle assimtricos a e so utilizados. a O grco de controle de Shewhart para mdia uma das mais importantes ferramentas a e e do controle estat stico de qualidade. Podendo ser utilizado inicialmente para determinar a capacidade de um processo de produao em produzir consistentemente entre os limites de c especicao pr-estabelecidos. Tambm utilizado para indicar quando o processo est ca e e e a fora de controle estat stico, isto , quando causas assinalveis de utuaoes irregulares e a c entraram no processo. Para o processo de construao de grcos X assume-se novamente, que a caracter c a stica da qualidade monitorada X normalmente distribu com mdia e varincia 2 . Se e da e a e X a mdia de uma amostra de tamanho n, ento e a 1 X= n
n
Xi .
i=1
(3.29)
a Seja Xi , i = 1, 2, . . ., denotando a mdia do i-simo subgrupo. Sabe-se que os Xi so e e normalmente distribu dos com mdia e varincia dadas por e a E[Xi ] = e V ar[Xi ] = Assim, segue-se que Z= Xi 2 /n 2 . n (3.30)
(3.31)
N (0, 1).
(3.32)
Se o processo permanece em controle, ento a Z < 3] = 0, 9973. Conseqentemente, u P 3 < ou similarmente, P Ramos, Edson M. L. S.
n(Xi )/ tem distribuio normal ca
padro. Portanto, demonstra-se que Z quase sempre estar entre 3 e 3, pois P [3 < a a
n Xi < 3 = 0, 9973,
3 + 3 < Xi < = 0, 9973. n n
(3.33) PPGEP/UFSC
34
O intervalo dentro dos colchetes em (3.33) conhecido como intervalo de variaao e c bilateral da estat stica de teste X com n 1 , e possui a propriedade de que (1 vel a )100% de todas as realizaes de X so esperadas situarem-se dentro deste intervalo, co no caso de uma produao sem perturbaoes. Desta forma, a linha central e os limites de c c a controle do grco X so dados por a LSC = + 3 n LC = LIC = 3 . n
(3.34)
Considere agora que a mdia e o desvio padro no sejam conhecidos inicialmente, e a a logo eles tero de ser estimados a partir dos dados. Assim, suponha que m amostras so a a analisadas, cada uma com tamanho n, e suas mdias X1 , X2 , . . . , Xm calculadas, ento e a um estimador no-tendencioso de a mdia das mdias, obtida atravs de a e e e e X1 + X2 + . . . + Xm X= . m (3.35)
Para estimar , usualmente recorre-se `s estat a sticas S/cn e R/d2 , baseadas no desvio padro amostral e na amplitude amostral, respectivamente. a Portanto, a linha central e os limites de controle 3 sigmas do grco X, quando o desvio a padro amostral usado para estimar so dados por a e a S LSC = X + 3 cn n LC = X S LIC = X 3 . cn n Denindo-se a constante A3 = 3 , cn n
(3.36)
a linha central e os limites de controle para o grco X passam a ser estimados por a LSC = X + A3 S LC = X LIC = X A3 S. Ramos, Edson M. L. S. PPGEP/UFSC (3.37)
35
Valores de A3 , obtidos a partir de Montgomery (2001), esto tabulados para vrios a a tamanhos amostrais na Tabela A.3 do Apndice A. e Conseqentemente, quando a amplitude amostral utilizada para estimar , a linha u e central e os limites de controle 3 sigmas do grco X, so obtidos atravs de a a e R LSC = X + 3 d2 n LC = X R LIC = X 3 . d2 n Denindo-se a constante A2 = 3 , d2 n
(3.38)
a linha central e os limites de controle para o grco X passam a ser estimados por a LSC = X + A2 R LC = X LIC = X A2 R. Valores de A2 , obtidos a partir de Montgomery (2001), esto tabulados para alguns a tamanhos amostrais na Tabela A.3 do Apndice A. e (3.39)
3.3.2 Grco da Mediana (Grco X) a a

Outro grco que usa uma medida de tendncia central da distribuio bsica de uma a e ca a caracter stica de qualidade, utilizado para estudar e controlar o n do processo o grco vel e a da mediana ou grco X. O uso dos grcos de controle da mediana e amplitude mdia, a a e com tamanhos de subgrupos xos, podem ser prefer veis ao habitual grco X R para a controlar certas situaoes, de acordo com Ferrel (1953). Cliord (1959) utiliza o grco c a de controle da mediana para estabelecer limites de controle atravs de um processo de e medida e contagem. Osinski (1962) relata como a companhia borracheira de Chicago reduziu a variabilidade do processo em 30% e o desgaste do maquinrio em 50%, atravs a e da utilizaao de grcos X. c a O grco da mediana geralmente usado em conjunto com o grco das amplitudes, a e a Ramos, Edson M. L. S. PPGEP/UFSC
36
para tambm monitorar a disperso na distribuiao bsica de uma importante carace a c a ter stica de qualidade. Conseqentemente, o grco da mediana freqentemente associau a e u do com pequenos subgrupos amostrais, assim como os grcos de controle X e R. Segundo a Dixon e Massey (1969) a ecincia da mediana em estimar a verdadeira mdia populae e cional cai com o aumento do tamanho da amostra ou do subgrupo amostral. Eles mostram que a ecincia maior para tamanhos de nmeros pares que para nmeros e e u u mpares. Para grandes tamanhos amostrais a ecincia aproximada de 0,637 em comparao com a e e ca mdia aritmtica. Isto , a mdia amostral de uma amostra de tamanho 64 poderia ter a e e e e mesma preciso para estimar a mdia populacional como a mediana de uma amostra de a e tamanho 100. Janacek e Meikle (1997) propem modicaes nos grcos de controle da mediana o co a quando distribuioes no-normais so utilizadas. Apesar da perda de poder quando disc a a tribuies normais so utilizadas, o mtodo bastante robusto quando as caracter co a e e sticas de qualidade monitoradas apresentam distribuioes no-normais, alm disso, possui a vanc a e tagem de no exigir clculos trabalhosos do usurio. Porm, Ryan e Howley (1999) fazem a a a e duras cr ticas a metodologia proposta por Janacek e Meikle (1997), principalmente em relao a falta de demonstraao de que a no-normalidade seja realmente um problema ca c a durante a utilizao de grcos de controle. Janacek e Meikle (1999) respondem as cr ca a ticas atravs de um contra-exemplo, no qual a suposiao de normalidade dos dados parece no e c a ser a melhor escolha. Nelson (1982) recomenda a utilizao de grcos de controle X, para monitorar o n ca a vel do processo, sempre que o clculo da mdia for considerado trabalhoso para o usurio. a e a Uma tabela comparando os erros padro da mediana para populaoes normais em relao a c ca aos erros padro da mdia e suas ecincias, para tamanhos amostrais n = 3, 5, 7, 9 e 11, a e e tambm fornecida. e e O grco da mediana possui vrias vantagens, dentre as quais, pode-se citar: a a a folha dos dados e a aritmtica envolvida em encontrar X e R so eliminadas; e a desde que, ambas, a mediana de X e a mediana de R no sejam grandemente afetadas a por observaoes fora de controle estat c stico, os reclculos das linhas centrais e dos a limites de controle praticamente nunca so necessrios; a a Ramos, Edson M. L. S. PPGEP/UFSC
37
a linha central no grco a adequada para seqncias abaixo e acima da mediana; a e ue desde que os resultados individuais sejam plotados, poss mostrar os limites e vel de controle e os limites de especicao; ca comparaoes entre a capacidade do processo e a realizaao do processo so fceis c c a a para realizar; o grco pode ser facilmente resumido; a o grco de controle para medianas pode ser facilmente adaptado para um procedia mento sem grcos. a Assumindo que a caracter stica de qualidade monitorada X normalmente distribu e da e com mdia e varincia 2 , e que X a mediana de uma amostra de tamanho n, ento e a a pode-se deni-la como: 1 X = X(i) , i = (n + 1) 2 (3.40)
onde X(i) representa o elemento de ordem i. Quando o nmero de observaoes par, u c e utiliza-se como mediana a mdia aritmtica das duas observaes centrais. Ou seja, a e e co mediana o valor que ocupa a posio central da srie de observaes, quando estas esto e ca e co a ordenadas segundo suas grandezas (em ordem crescente ou decrescente). a Seja Xi , i = 1, 2, . . . , denotando a mediana do i-simo subgrupo, sabe-se que as Xi so e normalmente distribu das como mdia e varincia dadas por e a E[Xi ] = e 2 V ar[Xi ] = n 2 Assim, segue-se que Z= Xi 2 2 /4n N (0, 1). (3.43)
2
(3.41)
(3.42)
Se o processo permanece em controle, ento 2 n(X )/() tem distribuiao normal a c padro. Conseqentemente, o intervalo de variao bilateral da estat a u ca stica de teste X com n 1, que possui a propriedade de que (1)100% de todas as realizaes de X sejam vel co Ramos, Edson M. L. S. PPGEP/UFSC
38
esperadas situarem-se dentro deste intervalo, no caso de uma produo sem perturbaes ca co da forma e P Z1/2 Xi + Z1/2 = 1 . n2 n2 (3.44)
a Portanto, a linha central e os limites de controle do grco X so dados por a LSC = + 3 n2 LC = LIC = 3 . n2 Denindo-se a constante hn = , 2 n
(3.45)
a linha central e os limites de controle para o grco X passam a ser estimados por a LSC = + 3hn LC = LIC = + 3hn Valores de hn so desenvolvidos neste trabalho e esto tabulados para alguns tamanhos a a amostrais na Tabela A.3 do Apndice A. e Considere agora que a mediana e o desvio padro no sejam conhecidos inicialmente, a a logo eles tero de ser estimados a partir dos dados. Assim, supe-se que m amostras so a o a analisadas, cada uma com tamanho n, e suas medianas X1 , X2 , . . . , Xm calculadas, ento a dois estimadores no-tendenciosos de so a mdia das medianas amostrais e a mediana a a e das medianas amostrais, obtidas, respectivamente, atravs de e X1 + X2 + . . . + Xm X= m e (3.47) (3.46)
1 X = X(i) ; i = (m + 1), (3.48) 2 onde X(i) representa a mediana de ordem i. Quando o nmero de amostras par, utiliza-se u e como mediana das medianas amostrais a mdia aritmtica das duas medianas centrais. e e Para estimar , usualmente, recorre-se as estat sticas S/cn e R/d2 , baseadas no desvio padro amostral e na amplitude amostral, respectivamente. a Ramos, Edson M. L. S. PPGEP/UFSC
39
Portanto, a linha central e os limites de controle 3 sigmas do grco X, quando o a desvio padro usado para estimar e a mdia das medianas amostrais ou mediana das a e e medianas amostrais usada para estimar , so dados, respectivamente, por e a S LSC = X + 3hn cn LC = X S LIC = X 3hn cn ou S LSC = X + 3hn cn LC = X S LIC = X 3hn . cn Denindo-se a constante H3 = 3hn , cn (3.51)
(3.49)
(3.50)
a linha central e os limites de controle para o grco X passam a ser estimados por a LSC = X + H3 S LC = X LIC = X H3 S ou LSC = X + H3 S LC = X LIC = X H3 S. Valores de H3 so desenvolvidos neste trabalho e esto tabulados para alguns tamanhos a a amostrais na Tabela A.3 do Apndice A. e Conseqentemente, quando a amplitude amostral utilizada para estimar , e a mdia u e e das medianas amostrais ou mediana das medianas amostrais usada para estimar , a e Ramos, Edson M. L. S. PPGEP/UFSC
(3.52)
(3.53)
3.3 Grcos de Controle para Monitorar o N a vel do Processo linha central e os limites de controle 3 sigmas so dadas, respectivamente, por a R LSC = X + 3hn d2 LC = X R LIC = X 3hn d2 ou R LSC = X + 3hn d2 LC = X R LIC = X 3hn . d2 Denindo-se a constante H4 = 3hn , d2
40
(3.54)
(3.55)
(3.56)
a linha central e os limites de controle para o grco X passam a ser estimados por a LSC = X + H4 R LC = X LIC = X H4 R ou LSC = X + H4 R LC = X LIC = X H4 R. Valores de H4 so desenvolvidos neste trabalho e esto tabulados para alguns tamanhos a a amostrais na Tabela A.3 do Apndice A. e Neste cap tulo foram apresentados os principais grcos de controle para monitorar a a disperso e o n a vel do processo. Algumas das principais pesquisas responsveis pelo a desenvolvimento da teoria de construao e utilizaao destes grcos foram mostradas. O c c a processo de construo de cada grcos tambm foi enfocado. ca a e E importante salientar que o cumprimento de todas as fases, durante a construo dos ca Ramos, Edson M. L. S. PPGEP/UFSC
(3.57)
(3.58)
41
grcos de controle para variveis, ser determinante para o xito do emprego de tal a a a e ferramenta estat stica, principalmente no estabelecimento dos estimadores. Finalmente, no cap tulo subseqente, tpicos acerca dos principais u o ndices de capacidade do processo sero abordados. A nfase ser no mtodo de construao e interpretao destes a e a e c ca ndices.
PPGEP/UFSC
Cap tulo 4
Indices de Capacidade do Processo

4.1 Introduo ca
Devido a sua simplicidade de obtenao e avaliaao, os c c ndices de capacidade so outro a bom exemplo de ferramenta do controle estat stico de qualidade com ampla utilizaao c industrial. Tal qual os grcos de controle, a determinaao da capacidade do processo a c depende de estimativas para a disperso e para o n (em alguns casos) do processo. a vel Assim, a obteno de estimadores para a disperso do processo, capazes de melhorar a ca a sensibilidade dos ndices, so de grande interesse para pesquisadores e usurios dos a a ndices de capacidade do processo. A capacidade de um processo, segundo Prazeres (1996), pode ser denida como: Habilidade intr nseca de um processo em desempenhar suas funoes nas condies de trabalho, c co satisfazendo certas especicaes e tolerncias. E uma medida da uniformidade inerente co a ao processo. A quanticao do n ca vel e da disperso do processo fundamental para entender a a e qualidade das unidades produzidas em um processo industrial. A utilidade dos limites de controle no estudo da capacidade do processo mostrada por Bingham (1962), quando a e amplitude e amplitude mdia so utilizadas. Kane (1986) apresenta algumas aplicaoes dos e a c ndices de capacidade, juntamente com consideraes de amostragem estat co stica. Bissell (1990) obtm aproximaes para o erro padro e intervalos de conana para alguns e co a c ndices de capacidade. Rodriguez (1992) utiliza mtodos grcos e outras tcnicas estat e a e sticas para mostrar a evoluo da anlise da capacidade do processo. Kushler e Hurley (1992) constroem ca a limites de controle de conana para alguns c ndices de capacidade, quando o tamanho amostral pequeno. Shore (1997) analisa a capacidade do processo quando as observaes e co
4.2 Indice Cp
43
so autocorrelacionadas. Parlar e Wesolowsky (1999) fornecem um mtodo simples para a e determinar os limites de especicaao e os c ndices de capacidade do processo para fornecedores de componentes industriais, em termos do Cpk desejado num processo de montagem. Nelson (1999) mostra a importncia da normalidade das observaes quando a co ndices de capacidade so utilizados. Testes para vericao da normalidade e simetria so sugeridos, a ca a consideraes a respeito do tamanho amostral n tambm so feitas. co e a Basicamente, o estudo da capacidade visa vericar se o processo consegue atender `s a especicaes, ou no. Ou seja, avaliado se a disperso natural (6) de um processo co a e a est dentro dos limites de especicao. Assim, considerando a situao onde a mdia do a ca ca e processo , e o desvio padro , so desconhecidos e estimados por e , respectivamente, a a e que este processo comporta-se conforme a distribuiao normal, pode-se imediatamenc te determinar a porcentagem de defeituosos a partir das especicaoes fornecidas e dos c parmetros e . Porm, mais simples avaliar o processo atravs dos a e e e ndices de capacidade. Apesar da grande variedade de ndices de capacidade [veja, por exemplo, Kotz e Lovelace (1998)], quatro ndices so mais freqentemente utilizados para mensurar a capacidade a u de um processo em atender `s especicaoes. Estes a c ndices de capacidade so comumente a conhecidos como Cp , Cpu , Cpl e Cpk . Este cap tulo mostrar os quatro principais a ndices de capacidade utilizados na avaliao ca dos processos. Suas formas de obteno e anlise sero detalhadas e a necessidade de ca a a estimativas para , quando ndices de capacidade so utilizados, ser vista. Portanto, a a nas seoes seguintes consideraes a respeito destes c co ndices sero abordadas. A Seo 4.2 a ca apresentar o a ndice de capacidade do processo Cp e a Seao 4.3 mostrar os c a ndices Cpu , Cpl e Cpk .
4.2 Indice Cp
O Cp foi o primeiro dentre os cinco ndices de capacidade do processo desenvolvidos pelos japoneses. Projetado para dar uma medida indireta da habilidade do potencial do processo em satisfazer as exigncias (especicaoes). Sua deniao da forma e c c e Cp = Ramos, Edson M. L. S. LSE LIE , 6 (4.1) PPGEP/UFSC
4.2 Indice Cp
44
onde LSE o limite superior de especicaao, LIE o limite inferior de especicao e e c e ca e o desvio padro do processo. Finley (1992) refere-se a este a ndice como ICP, chamando-o de capacidade potencial ou ndice de capacidade potencial. Montgomery (2001) refere-se ao Cp como P CP , denominando-o de proporo da capacidade do processo (para no ca a confund com a estat -lo stica Cp de Mallow, utilizada na anlise de regresso). O a a ndice Cp pode ser redenido de forma simples como Cp = Especicao do Produto ca Capacidade do Processo (4.2) = Disperso Permitida do Processo a . Disperso Natural do Processo a
O numerador do Cp d o tamanho da amplitude sobre a qual as observaes do processo a co podem variar. O denominador d o tamanho da amplitude sobre a qual o processo est a a atualmente variando. Obviamente, deseja-se que o processo monitorado possua um Cp to a grande quanto poss vel. Nem o numerador, nem o denominador, referem-se ao n do vel processo, isto , o Cp compara somente disperses (amplitudes), no levando em conta e o a onde o processo est centrado. a Kotz e Johnson (1993) alertam que o ndice Cp deve ser utilizado somente para processo sob controle estat stico e cujas observaoes so independentes e normalmente distribu c a das. Quando Cp utilizado sob quaisquer outras condioes estimativas incorretas da capacidade e c do processo sero produzidas. a A Figura 4.1 mostra claramente a desejada relao entre a disperso permitida do ca a processo e a disperso natural do processo. a Para o processo ser considerado capaz, o ndice Cp deve ser igual ou maior do que 1,00, o que equivale a dizer que pelo menos 99,73% das unidades produzidas sero conformes, a admitindo-se a distribuiao normal para a variabilidade das unidades produzidas e que a c mdia do processo seja centralizada na especicao. Entretanto, Cp = 1, 00 no comue ca a e mente usado como um valor m nimo aceitvel. Uma estimativa de Cp = 1, 33 se tornou a o critrio mais comumente aceito como limite inferior para determinaao da capacidade e c de um processo. Esta estimativa assegura que os dados do processo utilizam aproximadamente 75% ou menos da amplitude de especicaao. Isto assegura uma taxa muito baixa de c rejeio (0,007%) e , portanto uma estratgia efetiva para preveno de itens defeituosos. ca e e ca Ramos, Edson M. L. S. PPGEP/UFSC
4.2 Indice Cp
45
Usando 1,33 d-se alguma garantia que um Cp = 1, 00 ser poss quando fontes adia a vel cionais de variaao forem experimentadas no processo de produao. Juran e Gryna (1980), c c por exemplo, recomendam um valor m nimo do Cp = 1, 33 para um processo produtivo cont nuo. Entretanto, alguns processos exigem maior rigor com relaao ao controle da vac riabilidade que outros, neste sentido Kotz e Johnson (1993) recomendam valores m nimos de 1,50 para processos existentes e 1,67 para novos processos. Montgomery (2001) cita valores m nimos de 1,33 para um processo existente e 1,50 para um novo processo. Figura 4.1 Relao entre a disperso permitida do processo e a disperso natural do proca a a cesso.
L IE
LS E
V ariao Natural do P roces s o = V N V ariao P ermis s vel do P roces s o = LS E - LIE
Entretanto, uma regra usual para a anlise do a ndice de capacidade do processo e descrita da seguinte forma: Cp < 1, 00 - A capacidade do processo inadequada ` especicao exigida. O e a ca processo considerado vermelho. Nesta situao, o responsvel pela produao dever e ca a c a tentar diminuir a variabilidade do processo ou realizar o trabalho em outro processo que atenda as especicaes; co 1, 00 Cp 1, 33 - A capacidade do processo est dentro da especicao exigida. a ca O processo considerado amarelo. Nesta situaao, o responsvel pela produao e c a c dever tentar diminuir a variabilidade do processo. Grcos de controle so uteis a a a para manter o processo sob controle estat stico, evitando a produao de unidades c no-conformes; a Cp > 1, 33 - A capacidade do processo adequada ` especicao exigida. O processo e a ca Ramos, Edson M. L. S. PPGEP/UFSC
4.2 Indice Cp
46
considerado verde. Nesta situao, o responsvel pela produo no precisa tomar e ca a ca a maiores cuidados com o processo, a menos que se queira reduzir a variabilidade para aumentar a qualidade dos produtos.
A Figura 4.2 mostra que quando a disperso natural do processo utiliza toda a faixa de a e especicao (disperso permitida do processo), Cp = 1, 00 e esperado que o processo ca a produza 27 unidades no-conformes a cada 10000 unidades produzidas. Quando apenas a 60% da faixa de especicao utilizada pela disperso natural do processo Cp = 1, 66 e ca e a esperado que o processo produza somente 6 unidades no-conformes a cada 10000000 e a de unidades produzidas.
Figura 4.2 Relao entre a faixa de especicao utilizada, Cp e as unidades noca ca a conformes produzidas.
LIE
10
12
Cp =1,00
6 LSE Rejeitos
Cp =1,33
Cp =1,66
Cp = 2,00
Percentagem de Especificao
100% 0,27%
75% 64 PPM
60% 0,6 PPM
50% > 0,1 PPM
Contudo, o ponto de referncia de 1,00 foi escolhido para relacionar Cp ` variao e a ca natural seis sigmas usada nos grcos de controle. Se um processo exatamente capaz, a e ento LSC = LSE/ n e LIC = LIE/ n, onde n o tamanho amostral. a e Na Figura 4.2 a porcentagem da faixa de especicaao utilizada obtida atravs de c e e P = (1/Cp ) 100%. Testes de hipteses apropriados devem ser utilizados para determinar se os valores do o ndice de capacidade verdadeiros excedem o limite inferior para determinao da capacica dade. Ramos, Edson M. L. S. PPGEP/UFSC
4.3 Indices Cpu , Cpl e Cpk
47
4.2.1 Teste de Hipteses e o o Indice Cp

Na anlise da capacidade do processo o interesse desempenhar um teste de hipteses a e o da seguinte forma: H0 : o processo no capaz a e H1 : o processo capaz. e determinao da capacidade, . Isto , ca e H0 : Cp H1 : Cp > , (4.4) (4.3)
Para fazer isto, estima-se o valor do ndice, Cp , e compara-o com um limite inferior para
onde comumente 1,33, como mencionado anteriormente. A hiptese H0 rejeitada e e o e a hiptese alternativa H1 a aceita se Cp > . o e
4.3 Indices Cpu, Cpl e Cpk

O ndice Cpk foi desenvolvido, tambm no Japo, para suprir algumas das lacunas e a deixadas pelo Cp , principalmente com relao ao fato de que o ca ndice Cp mede a capacidade somente em termos da disperso do processo e no leva o n a a vel do processo em considerao. ca A denio de Cpk obedece um procedimento de dois passos, conforme mostrado a ca seguir. Primeiro considere a situao de especicaao unilateral, isto , onde somente um ca c e limite de especicao dado. Relacionando as disperses natural e permitida do processo, ca e o dois novos ndices so obtidos. Estes a ndices so denidos por a Cpu = Disperso Superior Permitida no Processo a Disperso Superior Natural no Processo a (4.5) = e Cpl = Disperso Inferior Permitida no Processo a Disperso Inferior Natural no Processo a (4.6) = LIE . 3 LSE 3
onde LSE o limite superior de especicao, LIE o limite inferior de especicao e e ca e ca Ramos, Edson M. L. S. PPGEP/UFSC
48
o desvio padro do processo. Estes e a ndices so denominados de a ndices de capacidade superior e inferior, respectivamente. Finalmente, a partir das Equaoes (4.5) e (4.6), um c ndice natural para o caso de especicao bilateral, denominado de Cpk , denido por ca e Cpk = min{Cpu , Cpl } (4.7) = d | M | , 3
onde d = (LSE LIE)/2 o comprimento da metade do intervalo de especicao e e ca M = (LSE + LIE)/2 o ponto mdio do intervalo de especicao. e e ca Observando a deniao do Cpk , nota-se que este c ndice quantica a capacidade em funo da pior metade dos dados do processo. Isto , o ca e ndice Cpk , alm de avaliar a e variabilidade natural do processo em relaao a variabilidade permitida, verica tambm c e a posiao do processo em relao aos limites (superior e inferior) de especicaao. Ou c ca c seja, o ndice Cpk relaciona a distncia escalar entre a mdia do processo e o limite de a e especicao mais prximo. ca o Para o processo ser considerado capaz, o Cpk deve ser igual ou superior a um. Os valores de Cp e Cpk estabelecidos como critrio para ser o limite inferior durante a avaliao da e ca capacidade de um processo, no possuem nenhum embasamento estat a stico, so apenas a uma margem de segurana que visa assegurar que os valores de Cp ou Cpk tenham alta c probabilidade de serem no m nimo superiores a um. Os ndices Cpu e Cpl esto relacionados com Cp por Cp = (Cpu + Cpl )/2, que usado a e para medir capacidade do processo na situaao de um unico limite de especicaao. Claro c c que, no caso de um unico limite, por exemplo, Cpu = 1, 00 implica numa metade com muitos itens no-conformes (0,136%) como quando Cp = 1, 00 no caso dos dois limites a (duas metades). Este cap tulo procurou proporcionar uma viso geral acerca dos principais a ndices utilizados para avaliar a capacidade de um processo, destacando suas metodologias de construo, formas de interpretao e algumas das principais pesquisas envolvendo a utilizaao ca ca c e o desenvolvimento destes ndices. Ramos, Edson M. L. S. PPGEP/UFSC
49
A correta avaliaao da capacidade de um processo, que deve satisfazer certas especic caes, ser decisiva para a qualidade das unidades produzidas num processo industrial, co a da sua importncia na rea do controle da qualidade e especicamente, neste trabalho. a a Finalmente, o cap tulo subseqente abordar os principais estimadores para a disperso u a a e para o n do processo, bem como, as suas propriedades. vel
PPGEP/UFSC
Cap tulo 5
Princ pios de Estimao em Controle ca Estat stico da Qualidade

5.1 Introduo ca
A estat stica pode ser divida didaticamente em duas partes: (1) estat stica descritiva, que tem por objetivo descrever caracter sticas importantes de dados populacionais conhecidos e (2) a estat stica indutiva ou inferencial, que utiliza dados amostrais para fazer inferncias (ou generalizaoes) sobre uma populao. As duas principais aplicaoes da e c ca c estat stica inferencial envolvem a utilizaao de dados amostrais (a) para estimar o valor c de um parmetro populacional e (b) para formular uma concluso sobre uma populaao. a a c Considerando X como sendo uma varivel aleatria com funo de densidade (ou de a o ca probabilidade) denotada por f (x|), onde um parmetro desconhecido, diz-se que e a uma populaao o conjunto de valores de uma caracter c e stica (observvel) associada a a uma coleao de indiv c duos de interesse. Logo, uma seqncia X1 , . . . , Xn de n variveis ue a aleatrias independentes e identicamente distribu o das (i.i.d.) com funo de densidade ca (f.d.p) ou, no caso discreto, funao de probabilidade (f.p.) dita ser uma amostra aleatria c e o de tamanho n da distribuiao X. c E qualquer caracter stica dos elementos da populao chamada de parmetro, isto ca e a , uma quantidade numrica desconhecida (que se deseja estimar). Como por exemplo a e e mdia = E(X) ou a varincia 2 = V ar(X). O conjunto em que toma valores e a e denominado espao paramtrico. Por exemplo, seja X1 , . . . , Xn uma amostra aleatria da c e o varivel X, onde X N (, 2 ). Se 2 = 1, ento = o parmetro desconhecido e a a e a = {, < < }. Qualquer estat stica que assuma valores em um estimador para , isto , estimador e e n uma estat e stica amostral (como a mdia amostral X = (1/n) i=1 Xi ) utilizada para e
5.2 Propriedades dos Estimadores
51
obter uma aproximao de um parmetro populacional. Estimativa um valor espec ca a e co, ou um intervalo de valores, usado para aproximar um parmetro populacional. a Agora considere que, com base nos valores amostrais, se pretende estimar a mdia de e uma determinada caracter stica de qualidade de todos os produtos de um processo fabril qualquer. Poderia se utilizar uma estat stica como a mediana amostral, o ponto mdio, e ou a moda como estimativa dessa mdia populacional , mas a mdia amostral X em e e geral a melhor estimativa de uma mdia populacional. A escolha de X se baseia em um e e estudo e uma anlise cuidadosa das distribuies das diferentes estat a co sticas que poderiam ser usadas como estimadores. As razes que explicam porque uma mdia amostral um melhor estimador de uma o e e mdia populacional do que quaisquer outros estimadores, como a mediana e a moda, e sero apresentadas mais adiante. Portanto, nas prximas seoes breves consideraes a a o c co respeito dos principais estimadores para a disperso e para o n a vel do processo, bem como, as suas propriedades sero abordadas. A Seao 5.2 tecer um breve relato acerca a c a das propriedades dos estimadores. A Seo 5.3 mostrar os principais estimadores para ca a a disperso do processo e, nalmente, a Seo 5.4 apresentar os principais estimadores a ca a para o n do processo. vel
5.2 Propriedades dos Estimadores

Na seo anterior iniciou-se uma discusso em torno de X, como sendo um melhor ca a estimador de uma mdia populacional do que outros estimadores. Basicamente, pode-se e destacar a presena de importantes qualidades (propriedades) em X que o torna um bom c estimador para . Primeiro, para muitas populaoes, a distribuiao de mdias amostrais c c e X tende a ser mais consistente (apresenta menor variao) do que as distribuies de ca co outras estat sticas amostrais. Uma estat stica T (X) = (X1 , . . . , Xn ) consistente para se e somente se P (|T (X) e | > ) 0, quando n , onde > 0. Ou seja, T (X) (T (X) converge em
p
probabilidade para , veja James (1996)). Alternativamente, T (X) consistente para se e e somente se, lim E[T (X)] = e lim V ar[T (X)] = 0.
n n
PPGEP/UFSC
5.2 Propriedades dos Estimadores Considerando X1 , . . . , Xn uma amostra aleatria da varivel X N (, 2 ), tem-se o a 1 lim E X = lim E n n n e 1 lim V ar X = lim V ar n n n
n n
52
Xi = lim
i=1
1 (n) = n n
(5.1)
Xi = lim
i=1
1 (n 2 ) = 0. 2 n
(5.2)
Portanto, se mdias amostrais so utilizadas para estimar a mdia populacional , e a e essas mdias amostrais tero menor desvio padro do que outras estat e a a sticas amostrais, tais como mediana ou a moda. Outra propriedade importante que, para todas as populaoes, diz-se que a mdia e c e e amostral X um estimador no-viesado da mdia populacional . Um estimador T (X) a e dito no-viesado (no-tendencioso) de se E[T (X)] = , . A partir da expresso e a a a e (5.1) pode-se vericar facilmente que X realmente um estimador no-tendencioso de . a Basicamente, isto signica que a distribuio de mdias amostrais tende a centrar-se em ca e torno da mdia populacional . Isto , as mdias amostrais no tendem a sobreestimar e e e a nem a subestimar sistematicamente o valor de , ao contrrio, tendem para o valor-alvo a que o prprio valor de . e o Uma das formas comumente utilizada para se avaliar o desempenho de um estimador e atravs de seu erro quadrtico mdio (EQM ), obtido por e a e EQM [] = V ar[] + B 2 (), (5.3)
e onde B() = E[] denominado o vis do estimador . Portanto, como X um e e estimador no-viesado da mdia populacional , seu EQM avaliado por EQM [X] = a e e V ar[X] = 2 /n. A ecincia outra importante propriedade dos estimadores. Assim, se T (X) e T (X) e e so dois estimadores no-viesados de um mesmo parmetro , e V ar[T (X)] < V ar[T (X)], a a a ento, T (X) dito mais eciente do que T (X). a e Conforme visto na Seao 3.3, X N (, 2 /n) e X N (, 2 /2n). Observa-se facilc a mente que X e X so estimadores no-viesados de . Entretanto, V ar(X)/V ar(X) = /2. a e Portanto V ar(X) < V ar(X). Logo, X um estimador mais eciente que X, para estimar a mdia populacional . e Ramos, Edson M. L. S. PPGEP/UFSC
5.3 Estimando a Disperso do Processo a
53
e Por estas razes a mdia amostral X utilizada como a melhor estimativa da mdia o e e e populacional . Como a mdia amostral X um valor unico que corresponde a um ponto e na escala numrica, ela comumente chamada de estimativa pontual. Isto , um valor e e e (ou ponto) unico usado para aproximar um parmetro populacional. Quando uma ampli a tude (ou um intervalo) de valores que tem probabilidade de conter o verdadeiro valor da populao determinada, esta comumente denominada de intervalo de conana (ou ca e e c estimativa intervalar). Um intervalo de conana est associado a um n de conana que uma medida da c a vel c e nossa certeza de que o intervalo contm o parmetro populacional. O n de conana e a vel c a probabilidade 1 (comumente expressa como o valor percentual equivalente) de o e intervalo de conana conter o verdadeiro parmetro populacional. So escolhas comuns c a a para o grau de conana: 90% (com = 0, 10), 95% (com = 0, 05) e 99% (com = 0, 01). c
5.3 Estimando a Disperso do Processo a

No controle estat stico da qualidade, um dos maiores interesses obter estimativas e para o desvio padro populacional . Logo, se os valores amostrais so conhecidos, podea a se calcular o desvio padro amostral S. Contudo, como as habituais varincias amostrais a a S 2 tendem a centrar-se no valor da varincia populacional 2 , diz-se que S 2 tambm a e um estimador no-tendencioso de 2 . Quando a suposiao de normalidade nos dados e a c observados vericada, S 2 torna-se a melhor estimativa pontual de 2 . Portanto, seria e natural esperar que S fosse o melhor estimador pontual de , mas isso no ocorre, porque S a um estimador tendencioso de . Entretanto, vale ressaltar que se o tamanho da amostra e grande, a tendenciosidade to pequena que pode-se utilizar S como uma estimativa e e a razoavelmente boa de . Outro estimador de bastante utilizado baseia-se na amplitude amostral R. Porm, e apesar da presena obrigatria na literatura de controle estat c o stico da qualidade, sua denio, e ainda consideraoes a seu respeito deixam a desejar. ca c Portanto, se o valor de da disperso do processo no conhecido, pode-se estim-lo dos a a e a dados observados. No que segue, quatro possibilidades para estimar sero apresentadas. a Os estimadores de mostrados, so todos no-viesados, mas diferem com relaao as a a c suas varincias. a Ramos, Edson M. L. S. PPGEP/UFSC
5.3 Estimando a Disperso do Processo a Primeiro Estimador - Desvio Padro Amostral Corrigido a
54
Seja X1 , . . . , Xn uma amostra aleatria da caracter o stica de qualidade X, onde X N (, 2 ). Se Si , conforme Equao (3.3), o desvio padro amostral do i-simo subgrupo, ca e a e
2 ento, a mdia e a varincia de Si so obtidas pela Equaao (3.4) e Si = 2 (1 c2 ), a e a a c n
respectivamente. Facilmente, se verica que Si no um estimador no-viesado de . a e a Assim, um estimador no-viesado para dado por a e I = onde V ar [I ] = V ar Si = (1 c2 ) 2 . n cn (5.5) Si , cn (5.4)
Valores de cn esto tabulados para alguns tamanhos amostrais na Tabela A.1 do Apndice a e A. e a Segundo Estimador - Mdia dos Desvios Padro Amostrais Corrigidos Considera-se que m amostras da caracter stica de qualidade X (X N (, 2 )) so a analisadas, cada uma com tamanho n, e que Si seja o desvio padro amostral da i-sima a e amostra. Ento S, conforme Equao (3.8), a mdia dos m desvios padro amostrais. a ca e e a Logo, um estimador no-viesado para dado por a e II = onde V ar [II ] = V ar (1 c2 ) 2 S n = . cn c2 n (5.7) S , cn (5.6)
Terceiro Estimador - Mdia das Amplitudes Amostrais Corrigidas e Supondo-se que m amostras da caracter stica de qualidade X (X N (, 2 )) so a analisadas, cada uma com tamanho n, e que Ri seja a amplitude amostral da i-sima e amostra, ento R, conforme Equao (3.20), a mdia das m amplitudes amostrais. a ca e e Portanto, um estimador no-viesado para dado por a e III = Ramos, Edson M. L. S. R , d2 (5.8) PPGEP/UFSC
5.4 Estimando o N vel do Processo onde V ar [III ] = V ar R d2 3 = 2 2. d2 d2
55
(5.9)
Valores de d2 e d3 esto tabulados para alguns tamanhos amostrais na Tabela A.2 do a Apndice A. e Quarto Estimador - Mediana das Amplitudes Amostrais Corrigidas Supondo-se que m amostras da caracter stica de qualidade X (X N (, 2 )) so a analisadas, cada uma com tamanho n, e suas amplitudes R1 , . . . , Rm calculadas, ento a a amplitude mediana obtida atravs de e e 1 R = R(i) , i = (m + 1), 2 (5.10)
para m mpar, onde R(i) representa a amplitude de ordem i. Quando o nmero de amu plitudes par, utiliza-se como mediana a mdia aritmtica das duas amplitudes centrais, e e e quando estas esto ordenadas segundo suas grandezas (em ordem crescente ou decresa cente). Portanto, um estimador no-viesado para dado por a e IV = onde V ar [IV ] = V ar R d2 = 2 . 4d2 3 (5.12) R , d2 (5.11)
Valores de d2 e d3 esto tabulados para alguns tamanhos amostrais na Tabela A.2 do a Apndice A. e
5.4 Estimando o N vel do Processo

Se o valor do n vel do processo no conhecido, pode-se estim-lo a partir dos a e a dados observados. Existem vrias possibilidades para fazer isto. A seguir, quatro mtodos a e diferentes para estimar sero mostrados. Todos os estimadores de , apresentados, so a a no-viesados e no m a nimo distribu dos assintoticamente de modo normal. Entretanto, os estimadores de possuem varincias diferentes, isto signica que eles no tm a mesma a a e ecincia em estimar o verdadeiro n do processo . e vel Ramos, Edson M. L. S. PPGEP/UFSC
5.4 Estimando o N vel do Processo Primeiro Estimador - Mdia das Mdias Amostrais e e
56
Considera-se que m amostras da caracter stica de qualidade X (X N (, 2 )) so a analisadas, cada uma com tamanho n, e que suas mdias amostrais X1 , . . . , Xm calculadas, e a partir da Equaao (3.29). Ento, um estimador distribu normalmente e no-viesado c a do a e para dado pela Equao (3.35). A varincia de X obtida atravs de e ca a e V ar X = onde 2 a varincia do processo. e a Segundo Estimador - Mediana das Medianas Amostrais Se m amostras de uma caracter stica de qualidade X (X N (, 2 )) so analisadas, a cada uma com tamanho n, e suas medianas amostrais X1 , . . . , Xm calculadas, a partir da Equao (3.40), para n ca mpar e utilizando a mdia aritmtica das duas observaes e e co centrais quando n for par, quando estas esto ordenadas segundo suas grandezas (em a ordem crescente ou decrescente). Assim, a Equao (3.48) apresenta um estimador com distribuio aproximadamente ca ca normal e no-viesado para , quando m a e mpar. Quando o nmero de amostras par o esu e timador de obtido utilizando-se a mdia aritmtica das duas medianas centrais, quando e e e estas esto ordenadas segundo suas grandezas (em ordem crescente ou decrescente). a e A varincia de X obtida atravs de a e 2 V ar X = c4 , m n amostrais na Tabela A.1 do Apndice A. e Terceiro Estimador - Mdia das Medianas Amostrais e Supondo-se que m amostras de uma caracter stica de qualidade X (X N (, 2 )) so a analisadas, cada uma com tamanho n, e suas medianas amostrais X1 , . . . , Xm calculadas, a partir da Equaao (3.40) para n c mpar e utilizando a mdia aritmtica das duas obsere e vaoes centrais quando n for par, quando estas esto ordenadas segundo suas grandezas c a (em ordem crescente ou decrescente). Ramos, Edson M. L. S. PPGEP/UFSC (5.14) 1 m
m
i=1
2 Xi = , m
(5.13)
onde 2 a varincia do processo e valores de cn esto tabulados para alguns tamanhos e a a
5.4 Estimando o N vel do Processo
57
Portanto, um estimador distribu aproximadamente normal e no-viesado para do a e obtida atravs de dado pela Equao (3.47). A varincia de X e ca a e 2 V ar X = c2 , m n amostrais na Tabela A.1 do Apndice A. e Quarto Estimador - Mediana das Mdias Amostrais e Seja X1 , . . . , Xm as mdias amostrais de m amostras, cada uma com tamanho n, de e uma caracter stica de qualidade X (X N (, 2 )), calculadas utilizando-se a Equao ca (3.29), ento, um estimador distribu aproximadamente normal para dado por a do e 1 = X = X(i) ; i = (m + 1), 2 (5.16) (5.15)
para m mpar, onde X(i) representa a mdia de ordem i. Quando o nmero de amostras e u par, utiliza-se como mediana das mdias amostrais a mdia aritmtica das duas mdias e e e e e centrais, quando estas esto ordenadas segundo suas grandezas (em ordem crescente ou a e decrescente). A varincia de X obtida atravs de a e 2 V ar X = c2 , m n amostrais na Tabela A.1 do Apndice A. e A escolha por um destes quatros estimadores para , depender do critrio de deciso a e a adotado. Por exemplo, quando a ecincia do estimador considerada, a mdia das mdias e e e e dever ser a escolha mais apropriada. Se o critrio for a robustez do estimador, isto , a a e e sensibilidade com relao aos outliers (pontos extremos), a mediana das medianas ser ca a prefer vel. Neste cap tulo os princ pios de estimaao no controle estat c stico da qualidade foram mostrados. As principais propriedades dos estimadores, bem como, os estimadores para o n e para a disperso do processo, tambm, foram abordados. vel a e Finalmente, o cap tulo servir como suporte ao bom entendimento acerca do processo de a estimao do desvio padro, quando quartis so utilizados. Este assunto ser apresentado ca a a a no cap tulo posterior. Ramos, Edson M. L. S. PPGEP/UFSC (5.17)
Cap tulo 6
Estimando o Desvio Padro a Amostral Atravs dos Quartis e

6.1 Introduo ca
A idia de obter estimativas para o desvio padro populacional , conforme abordado e a no cap tulo anterior, um dos maiores interesses entre os pesquisadores e estudiosos do e controle estat stico da qualidade. Tippett (1950), por exemplo, mostra que tanto a amplitude R, como o desvio padro S, so estimadores vlidos de somente se os subgrupos so a a a a tomados ao acaso de uma populaao estvel. Como comum tomar subgrupos periodicac a e mente e no ao acaso, h um risco de que a freqncia de amostragem seja combinada a a ue com a ao de alguma varivel desconhecida e produza uma amplitude ou desvio padro ca a a irreal para . Entretanto, ele recomenda a utilizao da amplitude R para tamanhos de ca subgrupos n 20. Juran e Gryna (1992) comentam que, se o tamanho de amostra for n = 2, o mtodo da e amplitude pode ser considerado como um bom estimador do desvio padro , tal como a o habitual estimador S, uma vez que ambas as estat e sticas utilizam todos os dados dispon veis. Para n 3, S torna-se uma estat stica mais eciente, pois S usa todos os pontos de dados em cada subgrupo, enquanto que, a amplitude utiliza apenas os dois pontos extremos e assim ignora as informaoes centrais. c A aproximaao padro para estimar , durante a construao de grcos de controle c a c a X (grcos de controle para observaoes individuais), baseada em amplitudes mveis a c e o (M R) de tamanho dois. Supondo que os dados observados possuem distribuio, pelo ca menos aproximadamente normal, os limites de controle so obtidos por X 3(M R/d2 ), a e onde X a mdia das n observaoes, M R a mdia de n 1 amplitudes mveis e e c e e o
6.1 Introduo ca
59
d2 = 1, 128 para subgrupos de tamanho dois. Cryer e Ryan (1990) mostram que M R/d2 menos eciente em estimar , do que o estimador no-viesado S/cn . e a Quando as observaoes so positivamente correlacionadas, M R/d2 pode subestimar c a muito . Se as observaoes so negativamente correlacionadas, M R/d2 tende a sobreestic a mar . Assim, Cryer e Ryan (1990) sugerem no utilizar M R/d2 e sim S/cn para estimar a , durante o processo de construo de limites em grcos de controle X. ca a Supondo que o processo est sob controle e que as observaoes dentro de um subgrupo a c so normalmente e independentemente distribu a das com mdia e varincia 2 , ento e a a entre todas as estat sticas com valor esperado igual a , X possui a menor varincia, 2 /n, a conforme visto no Cap tulo 5. Por esta razo, o uso de X como a medida estat a stica para a tendncia central, faz com que o grco de controle possua limites mais apertados do e a que aqueles obtidos utilizando alguma estat stica alternativa, imparcial para , quando as observaoes so extra c a das de uma distribuiao que , pelo menos, aproximadamente c e normal. Por esta razo, os limites dos grcos X, X, S, S 2 e R de Shewhart so baseados inteiraa a a mente sobre mdias, especicamente sobre X, X, S, S 2 e R. Entretanto, aqui acredita-se e que a melhor medida estat stica para representar os subgrupos pode no ser a medida a mais apropriada para calcular os limites de controle. Este argumento baseado sobre a e propriedade das medidas estat sticas chamada resistncia. Uma estimaao chamada de e c e resistente se no indevidamente inuenciada por algumas observaoes extremas. A ama e c plitude, o desvio padro e a mdia amostral so claramente no resistentes. Por exemplo, a e a a supondo que X1 , X2 , . . . , Xn1 so aproximadamente iguais a alguma constante, digamos a zero, enquanto Xn = , ento X /n e R . Ou seja, se a maioria das observaoes a c so razoavelmente prximas uma das outras, enquanto uma observaao difere, ento a a o c a observaao extrema possui grande inuncia no valor da mdia amostral e amplitude, c e e particularmente se n no for grande. a Esta falta de resistncia de X, S e R torna-os especialmente uteis na plotagem de e seqncias de pontos nos grcos X, S e R. A mdia amostral baseada sobre um pequeno ue a e nmero de observaes muito sens u co e vel a valores extremos, e uma excelente escolha e para identicar mudanas no n do processo e observaoes fora de controle estat c vel c stico. Limites de controles derivados da ecincia de X, baseados sobre a suposiao que o proe c Ramos, Edson M. L. S. PPGEP/UFSC
6.1 Introduo ca
60
cesso est sob controle, tornam a mdia amostral uma medida de subgrupo ideal para as a e mdias do processo em grcos de controle para variveis. Argumentos similares podem e a a ser considerados para o desvio padro, S, e a amplitude amostral, R. a Por outro lado, a construao dos limites de controle no deve ser indevidamente inuc a enciada por valores no usuais de subgrupos. Por esta razo, vantajoso utilizar medidas a a e mais resistentes no clculo de tais limites. a Tukey (1977) sugere que cinco medidas sejam utilizadas para representar um conjunto de observaoes. Elas so: a mediana X, os extremos, isto , X(1) e X(n) , o menor e o c a e maior valor do conjunto de dados, respectivamente, e os quartis. O primeiro quartil (Q1 ) um valor que deixa um quarto dos dados abaixo e trs quartos acima dele. J o terceiro e e a quartil (Q3 ) um valor que deixa trs quartos dos dados abaixo e um quarto acima dele. e e O segundo quartil (Q2 ) a mediana. e Estas cinco medidas so chamadas estat a sticas de ordem (estas no so as unicas; h a a a outras) e so medidas resistentes de uma distribuio. Para ilustrar o fato de que, por a ca exemplo, a mediana uma medida resistente, considere o seguinte conjunto de dados: 5; e 7; 8; 10; 12 e 15, dos quais obtemos X = 9, 5 e X = 9, 0. Suponha agora, que o valor 15 passa a ser 150. Obtm-se ento, X = 32, enquanto a mediana no se altera. Observe que e a a a mdia aumentou mais de duas vezes. Note ainda, que o desvio padro para o primeiro e a caso S = 3, 62 e aps a mudana de 15 para 150, tem-se S = 57, 86, ou seja, aumentou e o c mais de quinze vezes do anterior. A comparaao destas distncias pode fornecer informaoes sobre a forma da distribuio. c a c ca De fato, observe na Figura 6.1 como seriam estas distncias para uma distribuiao simtrica. a c e Espera-se, intuitivamente que: (a) a disperso inferior seja aproximadamente igual a a disperso superior; (b) Q2 Q1 Q3 Q2 ; (c) Q1 X(1) X(n) Q3 e (d) as distncias a a = = entre a mediana e os quartis sejam menores que as distncias entre os extremos e os a quartis. Neste contexto, este trabalho prope que os tradicionais estimadores de , como por o exemplo, S/cn e R/d2 sejam substitu dos por medidas mais resistentes. De imediato, espera-se que este procedimento reduza a inuncia dos valores extremos na construao e c dos limites de controle. Uma medida de disperso mais resistente o intervalo interquartil, a e Ramos, Edson M. L. S. PPGEP/UFSC
6.2 Funo de Distribuio Amostral ca ca IQ. Onde IQ = Q3 Q1 .
61
(6.1)
Figura 6.1 Comparao de algumas medidas resistentes numa distribuio simtrica. ca ca e
50% das observaes
Portanto, nas sees seguintes ser abordada a construo de um estimador para o co a ca desvio padro , baseado nos quartis amostrais, mais especicamente utilizando (6.1). a Assim, a Seo 6.2 mostrar a funao de distribuio amostral e suas propriedades; a Seo ca a c ca ca 6.3 enfocar os quantis populacionais e amostrais; a Seao 6.4 apresentar o estimador para a c a o desvio padro amostral baseado nos quartis e, nalmente, a Seao 6.5 trar resultados a c a de simulaes. co
6.2 Funo de Distribuio Amostral ca ca

ca ca Denio 6.2.1. Seja X um valor real com f.d. (funo distribuio) F (x) : x R. ca Supondo que uma amostra de tamanho n, {X1 , . . . , Xn }, i.i.d. extra e da, a funo de ca distribuio emprica associada a amostra acima dada por ca e 1 (# de Xi x na amostra) Fn (x) = n n 1 = I(,x] (Xi ) n i=1 1 = n onde I a funo indicadora dada por e ca I(,x] (Xi ) = 1{Xi x} = Ramos, Edson M. L. S. 1, se Xi x 0, caso contrrio. a PPGEP/UFSC
n
1{Xi x} ,
i=1
(1)
( )
(6.2)
6.3 Quantil Populacional e Quantil Amostral O valor esperado e a varincia de Fn (x) so dados, respectivamente, por a a 1 E [Fn (x)] = n e 1 V ar [Fn (x)] = 2 n
n
62
E I{Xi x}
i=1 n
1 = n
P {Xi x} = F (x)
i=1
(6.3)
V ar I{Xi x} =
i=1
1 F (x)[1 F (x)] . n 4n
(6.4)
Observe que V ar[Fn (x)] 0 quando n . Utilizando o teorema central do limite (veja, por exemplo, James (1986)), pode-se concluir facilmente, que para cada x xado n {Fn (x) F (x)} N (0, F (x)[1 F (x)]).
D
(6.5)
6.3 Quantil Populacional e Quantil Amostral

Inicialmente, considere as trs seguintes situaes: (i) se F cont e co e nua e no-decrescente, a ento F 1 dada por a e F 1 (p) = x, (6.6)
quando p = F (x), para 0 < p < 1, onde p o p-simo quantil; (ii) se F possui uma e e descontinuidade em x0 , suponha que F (x ) < p < F (x0 ) = F (x+ ), neste caso, embora 0 0 no exista x para que p = F (x), F 1 (p) denida como sendo igual a x0 ; (iii) (6.6) a e e amb gua quando F decrescente, ento, qualquer valor a x b pode ser escolhido para e a x = F 1 (p). A convenao neste caso para denir c e F 1 (p) = a, isto , como o menor valor x para que F (x) = p. Esta condiao assegura que F 1 seja e c cont nua ` esquerda. a Estas trs situaoes podem ser combinadas em uma simples deniao dada a seguir. e c c Denio 6.3.1. Seja F (x) uma funo distribuio para 0 < p < 1. O p-simo quantil ca ca ca e populacional de F (x) denido por e Qp = F 1 (p) = inf{x : F (x) p}. Logo, Ramos, Edson M. L. S. PPGEP/UFSC (6.7)
6.3 Quantil Populacional e Quantil Amostral
63
Denio 6.3.2. Seja X uma varivel aleatria com funo de distribuio F (x). Se F ca a o ca ca contnua (sem saltos), ento e a P = F (Qp ) = P (x qp ). (6.8)
Em particular, q1/4 , q2/4 , q3/4 so, respectivamente, o 1o quartil, a mediana e o 3o quartil a de F . Agora considere que dada uma amostra aleatria i.i.d., X1 , . . . , Xn de F , o p-simo o e quantil amostral qn,p , (0 < p < 1) , denido como o p-simo quantil da funo emp e e ca rica Fn (x). Logo, X1 , X2 , X3 , = . . . X , n1 X ,
n
qn,p
para para para . . .
0 1/n 2/n . . .
< p < p < p . . .
1/n 2/n 3/n . . .
(6.9)
para (n 2)/n < p (n 1)/n para (n 1)/n < p 1.
A funao de distribuiao do p-simo quantil amostral, no caso discreto, denida por c c e e

n
Fqn,p (x) =
i=[np]+1
n i
[F (x)]i [1 F (x)]ni ,
(6.10)
onde F (x) a funo distribuiao de X e [np] denota o maior inteiro menor que (n p). e ca c Para o caso cont nuo, a funo de distribuio do p-simo quantil amostral, dada por ca ca e e Fqn,p (x) = k onde k = [np] + 1. Supondo F absolutamente cont nua com f.d.p. f . Ento, a f.d.p. de qn,p a e fqn,p (x) = dF qn,p (x) dx dF qn,p (x) dF (x) = dF (x) dx n1 = n [F (x)]k1 [1 F (x)]nk f (x). k1 n k
F(x) 0
tk1 (1 t)nk dt,
(6.11)
(6.12)
Sen e Singer (1993) mostram que a consistncia da seqncia {n,p }n1 dada pela e ue q e denio a seguir. ca Ramos, Edson M. L. S. PPGEP/UFSC
6.4 Estimador do Desvio Padro Amostral Baseado nos Quartis a
64
Denio 6.3.3. Seja {Xn }n1 uma seqncia de variveis aleatrias i.i.d. com funo ca ue a o ca distribuio F e 0 < p < 1. Supondo que o p-simo quantil, qp de F , seja o unico ponto ca e x, tal que F (x ) p F (x), ou seja, apenas qp satisfaz
xqp lim F (x) = F qp p F (qp ) ,
(6.13)
onde x aproxima-se de qp pela esquerda. Ento, a qn,p qn,p ,

q.c
(6.14)
isto , qn,p converge quase certamente para qn,p . Logo, converge em probabilidade, ou seja, e qn,p qn,p . Segundo Cadwell (1952) para qualquer populao cont ca nua, o quantil de uma amostra de tamanho n possui distribuiao assintoticamente normal. Lehmann (1999) mostra que c a normalidade assinttica dos quantis multivariados obtida atravs da deniao dada a o e e c seguir. Denio 6.3.4. Seja {Xn }n1 uma seqncia de variveis aleatrias i.i.d. com funo ca ue a o ca distribuio F e 0 < p1 < p2 < . . . < pm < 1. Suponha que F possua f.d.p., f cont ca nua e estritamente positiva (> 0) em qp1 , . . . , qpm . Logo, qn,p1 qp1 . . N . D n . m . . qn,pm qpm onde
ji ,
P
P 0 ,
(6.15)
ij 1i,jm ,
com
ij
= Pi (1 Pj )/f (qpi )f (qpj ) para i j(Pi pj ),
ij
para i j.
6.4 Estimador do Desvio Padro Amostral Baseado a nos Quartis

Considere inicialmente que, q = q3/4 q1/4 IQ = , n n (6.16)
seja um estimador de cujas propriedades so desconhecidas. Onde q3/4 e q1/4 so o 3o a a e o 1o quartil, respectivamente, e n uma constante que depende do tamanho amostral e n. Ramos, Edson M. L. S. PPGEP/UFSC
6.4 Estimador do Desvio Padro Amostral Baseado nos Quartis a
65
Agora, suponha que X1 , . . . , Xn uma amostra de tamanho n, i.i.d. com distribuio e ca N (, 2 ). Assim, utilizando (6.15), tem-se que onde F (q1/4 ) = 1/4 = 0, 25 q1/4 = Z(1/4) 0, 67 q1/4 0, 67. n qn,1/4 q1/4 qn,3/4 q3/4 N2
D
0 0
11 21
12 22
(6.17)
Analogamente, q3/4 + 0, 67. Portanto, as varincias e covarincias em (6.17), so obtidas por a a a =

11
1/4 (1 1/4) 1/4 3/4 3 = 2 = ; 2 (q 2 (q f 1/4 ) f (q1/4 ) 16f 1/4 )
(6.18)
=
12
1/4 (1 3/4) 1/4 1/4 1 = = ; f (q1/4 )f (q3/4 ) f (q1/4 )f (q3/4 ) 16f (q1/4 )f (q3/4 ) =
21 12
(6.19) (6.20) (6.21)
=
22
3/4 (1 3/4) 3/4 1/4 3 = 2 = . 2 (q 2 (q f 3/4 ) f (q3/4 ) 16f 3/4 )
A varincia do segundo quartil para n = 3, 4 e 5 foi obtida por Person e Adyanthya a a (1928). Como X N (, 2 ), ento a 1 1 f (x) = exp 2 2 f (q1/4 ) = f (q3/4 ) = x
2
1 1 exp (0, 67)2 , 2 2
1 1 exp (0, 67)2 , 2 2 0, 319 . f (q1/4 ) = f (q3/4 ) 1 3 2 , 16 0, 102 =

21
(6.22)
Assim, substituindo (6.22) nas equaoes (6.18)-(6.21) obtm-se c e =

11
=
12
1 2 , 16 0, 102 PPGEP/UFSC
6.4 Estimador do Desvio Padro Amostral Baseado nos Quartis a e =

22
66
1 3 2 . 16 0, 102
Portanto, n qn,1/4 q1/4 qn,3/4 q3/4 N2

D
0 0
2 1, 625n
3 1 1 3
(6.23)
Observe que 1 n 1 n qn,1/4 q1/4 qn,3/4 q3/4 = qn,3/4 qn,1/4 qn,3/4 qn,1/4 n n qn,3/4 qn,1/4 = . n
(6.24)
Utilizando os resultados dos quantis multivariados, tem-se que n 1 n 1 n qn,1/4 q1/4 qn,3/4 q3/4 = = = Logo, n
1,34 n
qn,3/4 qn,1/4 n 2 0, 67 n 1, 34 . n
1/n 1/n
0 2 ; 1,625n 1/n 1/n 0
3 1 1 3
1/n 1/n
ou seja, quando n n 1, 34 n N
D
0;
4 2 1, 625nn
(6.25)
Agora, observe que 4/1, 625 (/2)2 . Assim, n 1, 34 n N

D
0;
2 2 nn
(6.26)
Conseqentemente, para um tamanho de amostra nito, pode-se fazer, para o estimador u de proposto na Equaao (6.16), as seguintes aproximaoes: c c E [q ] e V ar [q ] Ramos, Edson M. L. S. 2 . 2 nn (6.27)
(6.28) PPGEP/UFSC
6.5 Simulaes co
67
A partir da Equaao (6.27) pode-se vericar que assintoticamente q um estimador c e no-viesado de . Observe ainda que, na Equaao (6.28) quando n a V ar [q ] 0, a c ou seja, q um estimador consistente para . e Agora, supondo-se que m amostras da caracter stica de qualidade X (X N (, 2 )) so analisadas, cada uma com tamanho n, e seus desvios padro 1 , 2 , . . . , m obtidos a a a partir da Equaao (6.16), ento a mdia dos desvios padro estimada por c a e a e q + q2 + . . . + qm Q = q = 1 = m onde qj = q3/4;j q1/4;j /n , j = 1, . . . , m. a Verica-se facilmente que a mdia e a varincia de Q so expressas por e a E Q =E e V ar Q = V ar =
m i=1 m i=1 m j=1
IQj
mn
IQ , n
(6.29)
IQi
mn
1 = m
E
i=1
q3/4 q1/4 IQi 1 = mE = n m n
(6.30)
IQi
mn
1 = 2 m
V ar
i=1
IQi n
2
q3/4 q1/4 1 1 mV ar = 2 m n m 2
2 . 2 nn
(6.31)
e A partir da Equaao (6.30) pode-se vericar que Q um estimador no-viesado de . c a e Observe ainda que, na Equaao (6.31) quando n a V ar[Q] 0, ou seja, Q um c estimador consistente para .
6.5 Simulaoes c
Para o estudo da adequaao do estimador do desvio padro baseado nos quartis, aprec a sentado na Equaao (6.29), foram simuladas amostras com tamanhos n = 5, 6, 8, 10, 15, c 30, 50, e 100, supondo que so independentes e normalmente distribu a das com = 0 e 2 = 1. Para cada valor do tamanho amostral n xado, foram geradas 5000 amostras, divididas em 200 seqncias amostrais, com 25 amostras cada. Da foram calculadas R, S e IQ para ue cada amostra, de onde obtm-se R, S, IQ, R/d2 , S/cn e IQ/n . Para as 200 seqncias e ue amostrais encontram-se as mdias amostrais das estimativas obtidas por S/cn , R/d2 e e Ramos, Edson M. L. S. PPGEP/UFSC
6.5 Simulaes co
68
IQ/n e seus erros quadrticos mdios, calculados utilizando-se as Equaes (5.7), (5.9) e a e co (6.31), respectivamente. A simulaao foi feita utilizando o simulador do aplicativo Minitab c 13.0 for Windows, da Minitab Inc. Utilizando procedimento similar, as mdias amostrais das estimativas de 2 geradas e a partir de S 2 e Q2 , tambm foram obtidas e seus erros quadrticos mdios calculados, e a e respectivamente, pelas equaoes (3.13) e c 2 2 2 2 +4 . (6.32) 2 2 2 mnn 2 mnn Nas Figuras 6.2 e 6.4 as estimativas obtidas atravs do estimador baseado na amplitude e V ar Q2 = 2 amostral esto denominadas de Amplitude, enquanto que, as estimativas obtidas pelo a estimador baseado nos quartis esto denominadas de Quartil. a A Figura 6.2 apresenta as estimativas de , obtidas a partir de IQ/n e R/d2 , para pequenos e moderados tamanhos amostrais (n = 5, 6, 8 e 10). A principal concluso a a partir dos dados desta gura que as estimativas de ambos os estimadores apresentam e comportamento semelhante. Entretanto, observa-se uma melhora no comportamento do estimador baseado nos quartis. Figura 6.2 Comparao entre as estimativas de , obtidas a partir de IQ/n e R/d2 , para ca pequenos e moderados tamanhos amostrais (n = 5, 6, 8 e 10).
1,40 1,30
Desvio Padro
1,40
1,10 1,00 0,90 0,80 0,70 0,60

Amplitude Quartil
Desvio Padro
1,20
=5
1,20 1,10 1,00 0,90 0,80 0,70 0,60

Amplitude Quartil
1,40
1,40
1,30 Desvio Padro 1,20 1,10 1,00 0,90 0,80 0,70 0,60
=8
Desvio Padro
1,30 1,20 1,10 1,00 0,90 0,80 0,70
Amplitude
Quartil
Amplitude
0,60
A Tabela 6.1 mostra as mdias amostrais das estimativas obtidas por R/d2 , IQ/n e e Ramos, Edson M. L. S. PPGEP/UFSC
1,30
=6
= 10
Quartil
6.5 Simulaes co
69
S/cn para o desvio padro , juntamente com seus respectivos erros quadrticos mdios a a e dentro de parnteses. A principal concluso a partir desta tabela que os resultados e a e obtidos atravs de IQ/n so, em mdia, mais prximas do verdadeiro valor do parmetro e a e o a do que as produzidas por R/d2 e S/cn . Entretanto, a variabilidade das estimativas obtidas (medida atravs de seu erro quadrtico mdio) a partir de IQ/n , em geral, menor do que e a e e a variabilidade obtida por R/d2 e S/cn . Note que, a partir dos erros quadrticos mdios, a e os valores obtidos por IQ/n convergem mais rapidamente para o verdadeiro valor do parmetro do que os produzidos por R/d2 e S/cn . a Tabela 6.1 Mdias Amostrais das estimativas obtidas por R/d2 , IQ/n e S/cn para o e desvio padro , juntamente com seus respectivos erros quadrticos mdios dentro de a a e parnteses. e Tamanho amostral n 5 6 8 10 15 30 50 100 R/d2 IQ/n S/cn 1,009 (0,117) 1,004 (0,096) 1,000 (0,067) 1,001 (0,054) 1,000 (0,035) 1,001 (0,014) 1,000 (0,010) 1,000 (0,000)
1,007 1,005 (0,139) (0,123) 1,006 1,000 (0,121) (0,061) 1,000 1,000 (0,069) (0,030) 1,000 1,009 (0,064) (0,018) 1,000 1,000 (0,038) (0,007) 1,000 1,000 (0,016) (0,002) 1,000 1,000 (0,010) (0,001) 1,000 1,000 (0,000) (0,000)
Pode ser visto na Figura 6.4 que, para amostras de tamanhos grandes (n = 15, 30, 50 e 100), o estimador baseado nos quartis apesar de apresentar melhor comportamento, como esperado, no difere do estimador baseado na amplitude. a Os resultados sugerem que, quando n os estimadores apresentados so todos a Ramos, Edson M. L. S. PPGEP/UFSC
6.5 Simulaes co
70
equivalentes, ou seja, possuem a mesma ecincia para estimar o verdadeiro valor de . e Entretanto, uma anlise mais cuidadosa indica que o estimador baseado nos quartis produz a melhores estimativas para . De fato, observando a Figura 6.3 constru utilizando os da erros quadrticos mdios de S/cn , R/d2 e IQ/n , obtidos a partir das Equaes (5.7), a e co (5.9) e (6.31), respectivamente, considerando m = n e 2 = 1 e utilizando os valores de cn , d2 e n dados nas Tabelas A.1, A.2 e A.4 do Apndice A, constata-se que IQ/n e produz menores erros quadrticos mdios do que S/cn e R/d2 . Alm disso, estimativas do a e e erro quadrtico mdio obtidas para IQ/n convergem mais rapidamente para zero do que a e estimativas do erro quadrtico mdio obtidas para S/cn e R/d2 . a e Figura 6.3 Comparao entre os erros quadrticos mdios dos estimadores S/cn , R/d2 e ca a e 2 IQ/n , considerando = 1 e m = n, para tamanhos amostrais n = 3, 4, . . . , 25.
0,40 0,30
EQM
Amplitudes
Quartis
0,20 0,10 0,00 2
10
12
14
16
18
20
22
24
Tamanhos Amostrais
Na Figura 6.3, os erros quadrticos mdios obtidos para S/cn , R/d2 e IQ/n esto a e a denominados de S, Amplitudes e Quartis, respectivamente. A Tabela 6.2 mostra as mdias amostrais das estimativas obtidas por S 2 e Q2 para e a varincia 2 , juntamente com seus respectivos erros quadrticos mdios dentro de a a e parnteses. A principal concluso a partir desta tabela que as estimativas obtidas atravs e a e e a de Q2 so mais prximas do verdadeiro valor do parmetro quando o tamanho amostral o a e a pequeno e que as estimativas obtidas utilizando S 2 so mais prximas do verdadeiro valor o do parmetro quando o tamanho amostral moderado. Para grandes tamanhos amostrais a e a Q2 e S 2 so equivalentes. Neste cap tulo foi apresentado o estimador para o desvio padro , baseado nos quara tis. Tpicos a respeito da funao de distribuiao amostral e dos quantis populacionais o c c e amostrais foram mostrados. Resultados de simulaoes demonstram que as estimativas c obtidas so mais prximas do verdadeiro valor do parmetro, quando o estimador para a o a Ramos, Edson M. L. S. PPGEP/UFSC
6.5 Simulaes co
71
baseado nos quartis utilizado, e que as estimativas para 2 obtidas a partir de Q2 e so mais prximas do verdadeiro valor do parmetro para pequenos tamanhos amostrais, a o a a para moderados tamanhos, as estimativas produzidas utilizando S 2 so mais prximas, e o quando o tamanho amostral grande ambos estimadores so equivalentes. e a Tabela 6.2 Mdias Amostrais das estimativas obtidas por S 2 e Q2 para a Varincia 2 , e a juntamente com seus respectivos erros quadrticos mdios dentro de parnteses. a e e Tamanho amostral n 5 6 8 10 15 30 50 100 S2 Q2
1,017 1,000 (0,110) (0,100) 1,008 1,000 (0,078) (0,068) 1,007 1,003 (0,036) (0,025) 1,000 1,000 (0,016) (0,024) 1,001 1,000 (0,009) (0,011) 1,000 1,000 (0,003) (0,002) 1,000 1,000 (0,001) (0,001) 1,000 1,000 (0,000) (0,000)
Finalmente, no cap tulo subseqente, as estat u sticas mostradas neste cap tulo sero a aplicadas em conjuntos de dados reais e tericos, atravs da utilizaao das ferramentas o e c estat sticas, apresentadas nos Cap tulos 3 e 4, para monitorar e avaliar o n vel, a disperso a e a capacidade dos processos.
PPGEP/UFSC
6.5 Simulaes co
72
Figura 6.4 Comparao entre as estimativas de , obtidas a partir de IQ/n e R/d2 , para ca grandes tamanhos amostrais (n = 15, 30, 50 e 100).
1,40
1,40

1,30 Desvio Padro 1,20 1,10 1,00 0,90 0,80 0,70 0,60
1,40
= 15
Desvio Padro
1,30 1,20 1,10 1,00 0,90 0,80 0,70 0,60 1,40
= 30
Amplitude
Quartil
Amplitude
Quartil
Desvio Padro
1,10 1,00 0,90 0,80 0,70 0,60

Amplitude Quartil
Desvio Padro
1,20
1,30
= 50
1,30 1,20 1,10 1,00 0,90 0,80 0,70 0,60
= 100
Amplitude
Quartil
PPGEP/UFSC
Cap tulo 7
Aplicao ca
7.1 Introduo ca
Conforme visto na Seo 2.5, a probabilidade de ocorrer alarmes falsos (erro tipo I) ca aumenta quando a distncia entre os limites de controle diminui. Comumente, os limites a de controle so expressos como um mltiplo do desvio padro. Por exemplo, se o mltiplo a u a u for igual a k, ento os limites de controle so chamados limites k-sigmas, uma escolha a a comum k = 3. e Se a estat stica utilizada possui distribuiao pelo menos aproximadamente normal, podec se obter um do erro tipo I para se escolher o mltiplo de sigma para construao dos u c limites de controle atravs de k = Z/2 , onde Z/2 so os pontos percentuais superior da e a distribuio normal padro. Utilizar limites 3-sigmas na construao de grcos de controle, ca a c a implica numa probabilidade = 0, 0027 de ocorrncia do erro tipo I. e Neste cap tulo, quatro exemplos sero utilizados para ilustrar a aplicaao de IQ/n a c para os grcos de controle para variveis apresentado no Cap a a tulo 3. A capacidade dos processos tambm ser avaliada e comparada quando o estimador de baseado nos e a e quartis e na amplitude. Os exemplos ilustraro tambm, a apresentao do grco Q, a e ca a desenvolvido para monitorar a disperso do processo, e do grco Q2 , constru para a a do monitorar o n do processo. vel Um dos exemplos baseado sobre dados medidos dos dimetros internos de anis de e a e pistes, retirados de Montgomery (2001, p. 213). Este conjunto de dados, mostrado na o Tabela B.1 do Apndice B, utilizado para propsitos ilustrativos, pois no conhecido e e o a e se os dados foram obtidos de um processo controlado estatisticamente. O conjunto de dados consiste de 125 observaes, agrupadas em 25 amostras, de 5 observaes cada. As co co 25 mdias, medianas, amplitudes, desvios padro, varincias e IQs foram obtidas e so e a a a mostradas na Tabela B.1.
7.2 Q Aplicado aos Grcos de Controle para Variveis para Monitorar a a a Disperso do Processo a 74 Outros dois exemplos, apresentados nas Tabelas B.2 e B.3 do Apndice B, respectivae mente, mostram dados de temperatura do eletrodo (o C) e de temperaturas do leo (o C) o do misturador, ambas caracter sticas de qualidade monitoradas no processo de produao c de alum numa indstria brasileira. Os dados provm da aplicaao real da metodologia nio u e c aqui proposta, durante o ms de Fevereiro de 2003. Cada conjunto de dados consiste de 200 e observaoes, agrupadas em 25 amostras, de 8 observaoes cada. As 25 mdias, medianas, c c e amplitudes, desvios padro, varincias e IQs foram obtidas e tambm so mostradas nas a a e a Tabelas B.2 e B.3. O exemplo apresentado na Tabela B.4 do Apndice B, mostra dados de temperaturas e do leo (o C) do misturador monitoradas no ms de Janeiro de 2003. Ao conjunto de o e dados reais foram adicionadas, de forma ct cia, duas amostras caracterizadas como outliers. Cada conjunto de dados consiste de 200 observaoes, agrupadas em 25 amostras, c de 8 observaoes cada. As 25 mdias, desvios padro e IQs foram obtidas e tambm so c e a e a mostradas na Tabela B.4. Assim, a Seao 7.2 mostrar a aplicaao de Q aos grcos de controle para variveis c a c a a para monitorar a disperso do processo; a Seao 7.3 apresentar Q aplicado aos grcos a c a a de controle para variveis para monitorar o n a vel do processo; a Seao 7.4 tratar da c a aplicao de Q durante o processo de avaliaao da capacidade do processo e, nalmente, ca c a Seao 7.5 abordar a utilizao de Q no desenvolvimento de novas ferramentas para o c a ca CEQ.
7.2 Q Aplicado aos Grcos de Controle para Variveis a a para Monitorar a Disperso do Processo a
7.2.1 Q Aplicado ao Grco do Desvio Padro a a
A partir das expresses dadas por (3.9), utilizadas para obtenao da linha central e o c dos limites de controle para o grco S, substitui-se S/cn por IQ/n obtendo-se a IQ LSC = S + 3 n LC = S IQ LIC = S 3 n Ramos, Edson M. L. S. 1 c2 n (7.1) 1 c2 . n PPGEP/UFSC
7.2 Q Aplicado aos Grcos de Controle para Variveis para Monitorar a a a Disperso do Processo a 75 Denido-se a constante E3 = 3 n 1 c2 , n
a linha central e os limites de controle para o grco S, quando estimado por IQ/n a e so a LSC = S + E3 IQ LC = S LIC = S E3 IQ. Valores de E3 esto tabulados para alguns tamanhos amostrais na Tabela A.4 do a Apndice A. e Considerando os dados de temperatura do eletrodo (o C), mostrados na Tabela B.2 do Apndice B, tem-se que S = 1, 984 e IQ = 2, 443. Para amostras de tamanho n = 8, e a partir das Tabelas A.1 e A.4 do Apndice A, encontra-se cn = 0, 965, n = 1, 132 e e E3 = 0, 695. O grco S, para os dados de medidas de temperatura do eletrodo (o C), quando os a limites de controle so constru a dos a partir das expresses (3.9) e (7.1), ou seja, quando o e estimado por S/cn e por IQ/n , respectivamente, mostrado na Figura 7.1. e Figura 7.1 Grco S para medidas de temperatura do eletrodo (o C) - estimado por S/cn a e IQ/n .
LIC, LC e LSC obtidos a partir de (3.9)
Desvios Padro Amostrais
(7.2)
4,0 3,0 2,0 1,0 0,0 1 3 5
11 13 15 Amostras
17
19 21
23
25
A partir desta gura, observa-se que os limites de controle do grco S so mais abertos a a quando estimado por IQ/n do que quando estimado por S/cn . Esta caracter e stica reduz a probabilidade de ocorrncia do erro tipo I durante a utilizaao do grco de controle e c a Ramos, Edson M. L. S. PPGEP/UFSC
7.2 Q Aplicado aos Grcos de Controle para Variveis para Monitorar a a a Disperso do Processo a 76 do desvio padro no monitoramento da disperso do processo. Observe que a disperso a a a do processo estudado (temperatura do eletrodo (o C)) est sob controle estat a stico. A Tabela 7.1 apresenta estimativas para a linha central e para os limites de controle do grco S, obtidas a partir das expresses (3.9) e (7.1), para os dados de medidas de a o temperatura do eletrodo (o C). Tabela 7.1 Linha Central e Limites de Controle para o Grco S - Dados de medidas de a o temperatura do eletrodo ( C), apresentados na Tabela B.2 do Apndice B. e Expresso Utilizada a (3.9) (7.1) LSC LC LIC 3,601 1,984 0,367 3,682 1,984 0,287
7.2.2 Q Aplicado ao Grco da Varincia a a

A partir das expresses dadas por (3.16), utilizadas para obtenao da linha central e o c dos limites de controle para o grco S 2 , substitui-se um dos S 2 , na construo dos limites a ca de controle, por (IQ/n )2 obtendo-se LSC = S 2 + 3 LC = S 2 LIC = S 2 3 Denido-se a constante E6 = 3 2 n 2 , n1 IQ n
2
IQ n
2 n1 (7.3) 2 . n1
a a linha central e os limites de controle para o grco S 2 so dados por a

2 LSC = S 2 + E6 IQ
LC = S 2
2 LIC = S 2 E6 IQ .
(7.4)
PPGEP/UFSC
7.2 Q Aplicado aos Grcos de Controle para Variveis para Monitorar a a a Disperso do Processo a 77 Valores de E6 esto tabulados para alguns tamanhos amostrais na Tabela A.4 do a Apndice A. e Considerando os dados de medidas de temperatura do eletrodo (o C), mostrados na 2 Tabela B.2 do Apndice B, tem-se que S 2 = 4, 400 e IQ = 5.760. Para amostras de e tamanho n = 8, a partir das Tabelas A.1 e A.4 do Apndice A, encontra-se cn = 0, 965, e n = 1, 130 e E6 = 1, 251. O grco S 2 , para os dados de medidas de temperatura do eletrodo (o C), quando os a limites de controle so constru a dos a partir das expresses (3.16) e (7.3), ou seja, quando o 2 2 estimado por S 2 e por (IQ/n ) , respectivamente, mostrado na Figura 7.2. e e
Figura 7.2 Grco S 2 para medidas de temperatura do eletrodo (o C) - 2 estimado por S 2 a e (IQ/n )2 .
LIC, LC e LSC obtidos a partir de (3.16) LIC, LC e LSC obtidos a partir de (7.3)
Varincias Amostrais
15,0 12,0 9,0 6,0 3,0 0,0 1 3 5 7 9 11 13 15 17 19 21 23 25 Amostras
A principal concluso a partir desta gura que a probabilidade de ocorrncia de a e e alarmes falsos reduzida, quando os limites de controle para o grco S 2 constru e a e do utilizando-se (IQ/n )2 para estimar 2 em vez de S 2 . Isto pode ser visto observando que os limites de controle do grco S 2 , so mais abertos quando 2 estimado por (IQ/n )2 a a e do que quando estimado por S 2 . Veja que a disperso do processo estudado (temperatura a do eletrodo (o C)) est sob controle estat a stico. A Tabela 7.2 apresenta estimativas para a linha central e para os limites de controle do grco S 2 , obtidas a partir das expresses (3.16) e (7.3), para os dados de medidas de a o temperatura do eletrodo (o C), mostrados na Tabela B.2 do Apndice B. e Ramos, Edson M. L. S. PPGEP/UFSC
7.2 Q Aplicado aos Grcos de Controle para Variveis para Monitorar a a a Disperso do Processo a 78 Tabela 7.2 Linha Central e Limites de Controle para o Grco S 2 - Dados de medidas de a temperatura do eletrodo (o C), mostrados na Tabela B.2 do Apndice B. e Expresso Utilizada a (3.16) (7.3) LSC LC LIC 11,462 4,402 0,000 11,869 4,402 0,000
7.2.3 Q Aplicado ao Grco da Amplitude a

A partir das expresses dadas por (3.24), utilizadas para obtenao da linha central e o c dos limites de controle para o grco R, substitui-se R/d2 por IQ/n obtendo-se a IQ LSC = R + 3d3 n LC = R IQ LIC = R 3d3 . n Denido-se a constante E2 = 3 d3 , n
(7.5)
a linha central e os limites de controle para o grco S, quando estimado por IQ/n , a e so a LSC = R + E2 IQ LC = R LIC = R E2 IQ. Valores de E2 esto tabulados para alguns tamanhos amostrais na Tabela A.4 do a Apndice A. e Considerando os dados de medidas do dimetro interno (mm) de anis de pistes, a e o mostrados na Tabela B.1 do Apndice B, tem-se que R = 0, 024 e IQ = 0, 011. Para e amostras de tamanho n = 5, a partir das Tabelas A.2 e A.4 do Apndice A, encontra-se e d2 = 2, 326, d3 = 0, 864, n = 0, 991 e E2 = 2, 616. O grco R, para os dados de medidas do dimetro interno (mm) de anis de pistes, a a e o Ramos, Edson M. L. S. PPGEP/UFSC (7.6)
7.2 Q Aplicado aos Grcos de Controle para Variveis para Monitorar a a a Disperso do Processo a 79 quando os limites de controle so constru a dos a partir das expresses (3.24) e (7.5), o e mostrado na Figura 7.3.
Figura 7.3 Grco R para medidas do dimetro interno (mm) de anis de pistes - a a e o estimado por R/d2 e IQ/n .
Amplitudes Amostrais
0,06 0,05 0,04 0,03 0,02 0,01 0,00 1 3 5 7 9 11 13 15 17 19 21 23 25 Amostras
A partir desta gura, nota-se claramente, que os limites de controle do grco R, so a a mais abertos quando estimado por IQ/n do que quando estimado por R/d2 . Esta e caracter stica reduz a probabilidade de ocorrncia do erro tipo I durante a utilizaao do e c grco de controle da amplitude no monitoramento da disperso do processo. Observe a a que a disperso do processo estudado (dimetro interno (mm) de anis de pistes) est a a e o a sob controle estat stico. Tabela 7.3 Linha Central e Limites de Controle para o Grco R - Dados de medidas do a dimetro interno (mm) de anis de pistes, mostrados na Tabela B.1 do Apndice B. a e o e Expresso Utilizada a (3.24) (7.5) LSC LC LIC 0,050 0,024 0,000 0,053 0,024 0,000
A Tabela 7.3 apresenta estimativas para a linha central e para os limites de controle do grco R, obtidas a partir das expresses (3.24) e (7.5), para os dados de medidas do a o dimetro interno (mm) de anis de pistes, mostrados na Tabela B.1 do Apndice B. a e o e Ramos, Edson M. L. S. PPGEP/UFSC
7.3 Q Aplicado aos Grcos de Controle para Variveis para Monitorar o a a N vel do Processo 80
7.3 Q Aplicado aos Grcos de Controle para Variveis a a para Monitorar o N vel do Processo
7.3.1 Q Aplicado ao Grco da Mdia a e
A partir das expresses dadas por (3.36) e/ou (3.38), utilizadas para obteno da linha o ca central e dos limites de controle para o grco X, substitui-se S/cn e/ou R/d2 por IQ/n a obtendo-se IQ LSC = X + 3 n n LC = X IQ LIC = X 3 . n n Denido-se a constante E10 = 3 , n n
(7.7)
a a linha central e os limites de controle para o grco X so a LSC = X + E10 IQ LC = X LIC = X E10 IQ. Valores de E10 esto tabulados para alguns tamanhos amostrais na Tabela A.5 do a Apndice A. e Considerando os dados de medidas do dimetro interno (mm) de anis de pistes, a e o = 74, 001, R = 0, 024, S = 0, 010 e mostrados na Tabela B.1 do Apndice B, tem-se que X e IQ = 0, 011. Para amostras de tamanho n = 5, a partir da Tabelas A.1, A.2, A.4 e A.5 do Apndice A, encontra-se cn = 0, 940, d2 = 2, 326, A2 = 0, 577, n = 0, 991 e E10 = 1, 354. e O grco X, para os dados de medidas do dimetro interno (mm) de anis de pistes, a a e o quando os limites de controle so constru a dos a partir das expresses (3.36), (3.38) e (7.7), o mostrado na Figura 7.4. e Observa-se nesta gura que a probabilidade de ocorrncia do erro tipo I, durante a e utilizao do grco de controle da mdia no monitoramento do n do processo, menor ca a e vel e Ramos, Edson M. L. S. PPGEP/UFSC (7.8)
7.3 Q Aplicado aos Grcos de Controle para Variveis para Monitorar o a a N vel do Processo 81 quando estimado por IQ/n do que quando estimado por R/d2 ou por S/cn . Isto pode e a ser observado analisando a Figura 7.4, pois os limites de controle do grco X, so mais a abertos quando o estimador de baseado nos quartis. Observe que o n do processo e vel estudado (dimetro interno (mm) de anis de pistes) est sob controle estat a e o a stico. Figura 7.4 Grco X para medidas do dimetro interno (mm) de anis de pistes - a a e o 2 , S/cn e IQ/n . estimado por R/d
LIC, LC e LSC obtidos a partir de (3.36) e (3.38) LIC, LC e LSC obtidos a partir de (7.7)
Mdias Amostrais
74,020 74,010 74,000 73,990 73,980 1 3 5 7 9 11 13 15 17 19 21 23 25 Amostras
A Tabela 7.4 apresenta estimativas para a linha central e para os limites de controle do grco X, obtidas a partir das expresses (3.36), (3.38) e (7.7), para os dados de medidas a o do dimetro interno (mm) de anis de pistes, mostrados na Tabela B.1 do Apndice B. a e o e Tabela 7.4 Linha Central e Limites de Controle para o Grco X - Dados de medidas do a dimetro interno (mm) de anis de pistes, mostrados na Tabela B.1 do Apndice B. a e o e Expresso Utilizada a (3.36) (3.38) (7.7) LSC LC LIC 74,015 74,015 74,001 74,001 73,988 73,988 74,016 74,001 73,986
Agora, considerando os dados de temperatura do leo (o C) do misturador, mostradas o na Tabela B.4 do Apndice B, e observando que as amostras 17 e 23 foram modicadas e por valores articialmente produzidos, objetivando criar resultados discrepantes (outliers) no conjunto de dados em estudo, tem-se que X = 250, 50, S = 0, 853 e IQ = 0, 938. Para amostras de tamanho n = 8, a partir da Tabelas A.1, A.3, A.4 e A.5 do Apndice A, e encontra-se cn = 0, 965, A3 = 0, 110, n = 1, 132 e E10 = 0, 937. O grco X, para os dados de temperatura do leo (o C) do misturador, quando os a o Ramos, Edson M. L. S. PPGEP/UFSC
7.3 Q Aplicado aos Grcos de Controle para Variveis para Monitorar o a a N vel do Processo 82 limites de controle so constru a dos a partir das expresses (3.37) e (7.8), mostrado na o e Figura 7.5. Figura 7.5 Grco X para medidas de temperatura do leo (o C) do misturador - estia o n e IQ/n . mado por S/c
LIC, LC e LSC obtidos a partir de (3.37) 252,00

Mdias Amostrais
251,50 251,00 250,50 250,00 249,50 249,00 1 3 5 7 9 11 13 15 17 19 21 23 25
Observa-se nesta gura, que o conjunto de dados modicado articialmente ilustra outra diferena entre os limites de controle constru c dos utilizando = IQ/n e os limites de controle constru dos utilizando = S/cn . O fato dos pontos extremos no afetarem a a construo dos limites de controle, quando IQ/n escolhido para estimar , produz ca e limites de controle mais robustos do que quando S/cn escolhido para estimar . De e fato, nota-se que os limites obtidos a partir de (7.8) so mais apertados do que os limites a correspondentes ao grco padro de Shewhart para a mdia, constru a a e dos a partir de (3.37). O efeito destes limites mais apertados que pontos extremos cairo fora dos limites e a de controle produzidos quando IQ/n utilizado para estimar , sinalizando desta forma, a e necessidade de tomar medidas corretivas apropriadas. Observando a Figura 7.5 verica-se que os dois pontos extremos articialmente produzidos no foram detectados pelo mtodo a e padro de construo do grco X. a ca a
7.3.2 Q Aplicado ao Grco da Mediana a

A partir das expresses dadas por (3.49) ou (3.50), utilizadas para obtenao da linha o c central e dos limites de controle para o grco X, quando o desvio padro amostral a a e utilizado para estimar e a mdia das medianas amostrais, ou mediana das medianas e Ramos, Edson M. L. S. PPGEP/UFSC
7.3 Q Aplicado aos Grcos de Controle para Variveis para Monitorar o a a N vel do Processo 83 amostrais, utilizada para estimar , substitui-se S/cn por IQ/n obtendo-se e IQ LSC = X + 3hn n LC = X IQ LIC = X 3hn n ou IQ LSC = X + 3hn n LC = X IQ . LIC = X 3hn n 3hn , (7.11) n a linha central e os limites de controle para o grco X passam a ser estimados por a E11 = LSC = X + E11 IQ LC = X LIC = X E11 IQ ou LSC = X + E11 IQ LC = X LIC = X E11 IQ. Valores de E11 esto tabulados para alguns tamanhos amostrais na Tabela A.5 do a Apndice A. e Agora considere que, a partir das expresses dadas por (3.54) ou (3.55), utilizadas para o obteno da linha central e dos limites de controle para o grco X, quando a amplitude ca a amostral utilizada para estimar , e a mdia das medianas amostrais, ou mediana das e e medianas amostrais, utilizada para estimar , substitui-se R/d2 por IQ/n obtendo-se e IQ LSC = X + 3hn n LC = X IQ LIC = X 3hn n Ramos, Edson M. L. S. PPGEP/UFSC Denindo-se a constante
(7.9)
(7.10)
(7.12)
(7.13)
(7.14)
7.3 Q Aplicado aos Grcos de Controle para Variveis para Monitorar o a a N vel do Processo 84 ou IQ LSC = X + 3hn n LC = X IQ . LIC = X 3hn n Observe que as expresses dadas por (7.14) e (7.15) so as mesmas que (7.9) e (7.10), o a respectivamente. Conseqentemente, utilizando a constante E11 , a linha central e os limites u de controle para o grco X passam a ser estimados por (7.12) ou (7.13). a Considerando os dados de medidas de temperatura do leo (o C) do misturador, mostrao dos na Tabela B.3 do Apndice B, tem-se que X = 249, 68, R = 3, 661, S = 1, 262 e e IQ = 1, 511. Para amostras de tamanho n = 8, a partir das Tabelas A.1, A.2, A.4 e A.5 do Apndice A, encontra-se cn = 0, 965, d2 = 2, 847, n = 1, 132 e E11 = 1, 092. e O grco X, para os dados de medidas de temperatura do leo (o C) do misturador, a o quando os limites de controle so constru a dos a partir das expresses (3.57) e (7.12), o e mostrado na Figura 7.6. Figura 7.6 Grco X para medidas de temperatura do leo (o C) do misturador - estia o 2 e IQ/n . mado por R/d
Medianas Amostrais
(7.15)
254,00 252,00 250,00 248,00 246,00 1 3 5
11 13 15 17 19 21 23 25 Amostras
Nota-se na Figura 7.6 que quando estimado por IQ/n , os limites de controle do e a grco X so mais abertos do que quando estimado por R/d2 , isto reduz a probabilia e dade de ocorrer o erro tipo I durante a utilizaao do grco da mediana no monitoramento c a do n do processo. Observe que o n do processo estudado (temperatura do leo (o C) vel vel o do misturador) est sob controle estat a stico. Ramos, Edson M. L. S. PPGEP/UFSC
7.4 Q Aplicado aos Indices de Capacidade
85
A Tabela 7.5 apresenta estimativas para a linha central e para os limites de controle do grco X, obtidas a partir das expresses (3.52), (3.57) e (7.12), para os dados de medidas a o de temperatura do leo (o C) do misturador, mostrados na Tabela B.3 do Apndice B. o e Tabela 7.5 Linha Central e Limites de Controle para o Grco X - Dados do exemplo da a Tabela B.3 do Apndice B. e Expresso Utilizada a (3.52) (3.57) (7.12) LSC LC LIC 251,82 251,86 249,68 249,68 247,54 247,50 251,90 249,68 247,54

Considerando que LSE = 260 e LIE = 240 para a caracter stica de qualidade monitorada (temperatura do leo (o C) do misturador), cujos dados so mostrados na Tabela o a c B.3 do Apndice B, e utilizando R/d2 ou IQ/n para estimar na Equaao (4.1), a e capacidade do processo estudado estimada como sendo e LSE LIE LSE LIE 260 240 Cp (R/d2 ) = = = = 2, 592 6 6 1, 286 R 6 d2 ou LSE LIE LSE LIE 260 240 Cp (IQ/n ) = = = = 2, 497. 6 6 1, 335 IQ 6 n (7.17) (7.16)
A partir das estimativas (7.16) e (7.17) para Cp , observa-se que o ndice de capacidade obtido quando estimado por IQ/n , apresenta uma estimativa menor do que quando e estimado por R/d2 . Essa caracter e stica de IQ/n aumentar no usurio de a a ndices de capacidade, a preocupao com a reduo da variabilidade do processo, pois, conforme ca ca visto no exemplo acima, espera-se que quando um processo no for capaz de atender as a especicaes, Cp (IQ/n ) detecte mais rapidamente do que o Cp (R/d2 ). co Note que (7.16) ou (7.17) indica que a temperatura do leo (o C) no misturador est o a adequada ` especicaao exigida, neste caso o processo considerado um processo verde, a c e Ramos, Edson M. L. S. PPGEP/UFSC
86
isto , est sob controle estat e a stico. A Figura 7.7 mostra o histograma para a caracter stica de qualidade monitorada (temperatura do leo (o C) do misturador). Verique o que o processo est centrado na mdia e sua variabilidade muito baixa, de fato, soa e e mente 1/Cp (R/d2 ) = 38, 58% ou 1/Cp (IQ/n ) = 40, 04% da faixa especicaao est sendo c a utilizada pela disperso natural do processo. a Figura 7.7 Histograma para medidas de temperatura do leo (o C) do misturador. o
= 240

= 260
Mdia = 249,7
Conforme apresentado na Seo 4.3, outra forma de medir a capacidade do processo ca e atravs do Cpk , assim para o exemplo acima, a Tabela 7.6 mostra as estimativas para os e ndices de capacidade Cpl e Cpu , necessrios no processo de obtenao da estimativa para a c Cpk . Portanto, a partir da Tabela 7.6, tem-se Cpk (R/d2 ) = min{Cpl (R/d2 ); Cpu (R/d2 )} = 2, 509 ou Cpk (IQ/n ) = min{Cpl (IQ/n ); Cpu (IQ/n )} = 2, 417. (7.19) (7.18)
Tabela 7.6 Estimativas para os Indices de Capacidade Cpl e Cpu - Dados de medidas de o temperatura do leo ( C) do misturador, mostrados na Tabela B.3 do Apncide B. o e Estimado por IQ/n R/d2 Cpl Cpu Ramos, Edson M. L. S. 2,509 2,675 2,417 2,577
PPGEP/UFSC
7.5 Q Aplicado ao Desenvolvimento de Novas Ferramentas para o CEQ
87
Observa-se claramente, que as estimativas para Cpu , Cpl e Cpk quando estimado por e IQ/n apresentam a mesma caracter stica que Cp (IQ/n ), isto , Cpl (IQ/n ), Cpu (IQ/n ) e e Cpk (IQ/n ) mostram estimativas um pouco menores do que Cpl (R/d2 ), Cpu (R/d2 ) e Cpk (R/d2 ). Assim, tambm espera-se que, quando um processo no for capaz de atender e a `s especicaes, as estimativas para Cpl , Cpu e Cpk , utilizando baseado nos quartis, a co detectem mais rapidamente esta falta de capacidade, do que as estimativas para Cpl , Cpu e Cpk utilizando baseado na amplitude.

7.5.1 Grco Q a
e O grco dos quartis, ou grco Q, uma grco para variveis utilizado no monitoraa a a a mento e avaliaao da variabilidade de um processo. O grco dos quartis no denomic a a e nado de grco Q para no confundi-lo com o grco Q de Quesenberry [veja Quesenberry a a a (1991)]. e Para determinar os limites de controle do grco Q necessrio supor que os valores a a observados da caracter stica de qualidade monitorada so normalmente distribu a dos com mdia e varincia 2 . e a A partir das expresses (6.30) e (6.31), a linha central e os limites de controle 3-sigmas o a para o grco Q so dados por a 1 LSC = Q + 3Q 2 n mn LC = Q 1 LIC = Q 3Q , 2 n mn ou alternativamente, LSC = IQ IQ 1 +3 n n 2 n mn IQ LC = n IQ IQ 1 LIC = 3 . n n 2 n mn
(7.20)
(7.21)
PPGEP/UFSC
7.5 Q Aplicado ao Desenvolvimento de Novas Ferramentas para o CEQ Denindo-se as constantes E12 = e E13 = 1 n 1+3 1 2 n mn , 1 n 13 1 2 n mn
88
a linha central e os limites de controle para o grco so a a LSC = IQE13 IQ LC = n LIC = IQE12 .
(7.22)
Valores de E12 e E13 esto tabulados para alguns tamanhos amostrais na Tabela A.4 a do Apndice A. e Considerando os dados de medidas de temperatura do leo (o C) do misturador, mostrao dos na Tabela B.3 do Apndice B, sabe-se que S = 1, 262 e IQ = 1, 511. Para amostras de e tamanho n = 8, a partir das Tabelas A.1 e A.4 do Apndice A, encontra-se cn = 0, 965, e B3 = 0, 185, B4 = 1, 815, n = 1, 132, E12 = 0, 424 e E13 = 1, 343. A Figura 7.8 mostra o tradicional grco S de Shewhart, constru para monitorar os a do dados de medidas de temperatura do leo (o C) do misturador, apresentados na Tabela B.3 o do Apndice B. Lembre que, na Seo 7.4, durante o estudo da capacidade deste processo, e ca vericou-se a adequaao do mesmo ` especicao exigida. c a ca Figura 7.8 Grco S para medidas de temperatura do leo (o C) do misturador. a o
7 2,500
Disperso Amostral
13 20 18
2,000 1,500 1,000 0,500 0,000 1 3 5 7 9 11 6 11 15
22
13 15 17
19 21
23
25
Amostras
Usualmente, os responsveis pelo controle dos processos concentram seus esforos sobre a c Ramos, Edson M. L. S. PPGEP/UFSC
89
processos cuja capacidade estimada considerada baixa ao atendimento das especicaoes e c exigidas. Assim, quando causas assinalveis ocorrem em processos renados (processos a com alta capacidade de atender as especicaes), por exemplo, o processo apresentado co na Figura 7.8, um grande esforo exigido no sentido de buscar as provveis causas. Uma c e a recomendao comum utilizar, em processos renados, ferramentas que detectem pequeca e nas mudanas na caracter c stica de qualidade monitorada. Grcos de controle CUSUM e a EWMA so boas opoes para monitorar pequenas mudanas no n do processo. a c c vel A partir do grco S, mostrado na Figura 7.8, observa-se que a caracter a stica de qualidade monitorada encontra-se sob controle estat stico. Agora, note que os pontos amostrais 6, 7, 11, 13, 15, 18, 20 e 22 indicam a poss presena de pequenas mudanas na disperso vel c c a do processo, entretanto maiores concluses no podem ser tiradas baseando-se apenas no o a grco S. a A Figura 7.9 mostra o grco Q para os dados de medidas de temperatura do leo (o C) a o do misturador, apresentados na Tabela B.3 do Apndice B. Observa-se a partir desta e gura, que os pontos amostrais 6, 7, 11, 13, 15, 18, 20 e 22 esto fora e/ou sobre os limites a de controle. Portanto, a principal concluso a partir desta gura que o grco Q surge a e a como uma simples ferramenta grca capaz de detectar pequenas mudanas na disperso a c a do processo. Figura 7.9 Grco Q para medidas de temperatura do leo (o C) do misturador. a o
3,500 Disperso Amostral 3,000 2,500 2,000 1,500 1,000 0,500 0,000 1 3 6 5 7 9 11 13 15 17 19 21 22 23 25 7 13 18 20
Amostras
7.5.2 Grco Q2 a
O grco da mediana baseado nos quartis, ou grco Q2 , um grco para variveis a a e a a desenvolvido para ser utilizado no monitoramento e avaliaao do n de um processo. c vel Ramos, Edson M. L. S. PPGEP/UFSC
90
Para determinar os limites de controle do grco Q2 necessrio supor que os valores a e a observados da caracter stica de qualidade monitorada so normalmente distribu a dos com mdia e varincia 2 . e a Inicialmente, considere a Figura 7.10, uma curva normal com mdia zero e portanto, e com mediana zero. Assim, utilizando a tabela das probabilidades da distribuio norca mal padro, facilmente encontrada em livros de estat a stica, verica-se que q1/4 = Q1 = 0, 2500 Z1/4 0, 2500 Z3/4 0, 6745; q2/4 = Q2 = 0, 0000 Z2/4 0, 0000, e que q3/4 = Q3 = 1, 349. 0, 6745. A partir do valor esperado de (q3/4 q1/4 )/n , mostrado na
Equao (6.27), tem-se que IQ = Q3 Q1 = 0, 5000 ZIQ ca
Figura 7.10 Grco da Distribuio Normal Padro. a ca a
1 Q1
Q2 50,00% 68,26% 95,46% 99,73%
Q3
+1
+2
+3
Agora, observe que (i) Z/2 = 3 = Q3 + IQ e que (ii) Z/2 = 3 = Q1 IQ, onde = 1, 7239. A rea entre estes dois pontos embaixo da curva 0,9973, isto , 99,73% da a e e distribuio est entre estes dois valores. Valores para so obtidos por ca a a = ou = Z/2 Q3 Z/2 0, 6745 = IQ 1, 349 Q1+ Z/2 0, 6745 + Z/2 = . IQ 1, 349 (7.23)
(7.24)
A Tabela 7.7 mostra alguns valores Z/2 e , com suas respectivas reas embaixo da a curva normal. Ramos, Edson M. L. S. PPGEP/UFSC
91
Tabela 7.7 Fatores utilizados na construo do Grco Q2 . ca a Z/2 3,000 2,698 2,000 1,000 1,7239 1,5000 0,9826 0,2410 Area embaixo da curva normal 99,73% 99,30% 95.46% 68.26%
e e Supondo que Q1 um estimador consistente de Q1 , Q2 um estimador consistente de e Q2 e que Q3 um estimador consistente de Q3 , a linha central e os limites de controle 3-sigmas do grco Q2 so dados por a a LSC = Q3 + IQ LC = Q2 LIC = Q1 IQ. Limites de controle para o grco Q2 utilizando Z/2 = 2, 698 so recomendados para a a detectarem observaes discrepantes (outliers). co O grco Q2 , com limites 3-sigmas, para os dados de medidas de temperatura do leo a o (o C) do misturador, apresentados na Tabela B.3 do Apndice B, mostrado na Figura e e 7.11, juntamente com limites obtidos a partir das expresses padro para o grco de o a a controle da mediana, dadas pela Equao (3.57). A partir desta gura, observa-se que os ca limites de controle do grco Q2 so mais abertos que os tradicionais limites do grco X. a a a Esta caracter stica reduz a probabilidade de ocorrncia do erro tipo I durante a utilizao e ca do grco de controle da mediana no monitoramento do n do processo. Observe que a vel o n vel do processo estudado (temperatura do leo (o C) do misturador) est sob cono a trole estat stico. Entretanto, muitos pontos amostrais situam-se prximos dos limites de o controle constru dos a partir da Equaao (3.57), caracterizando neste caso uma grande c probabilidade de ocorrer alarmes falsos, pois de acordo com a Seao (7.4) este processo c atende `s especicaes com uma certa folga operacional, conforme caracterizado pelos a co limites de controle constru dos utilizando as expresses dadas por (7.25). o Este cap tulo mostrou a aplicao do estimador de proposto, baseado nos quartis, no ca processo de construo de grcos de controle para variveis, utilizados no monitoramento ca a a do n vel e da disperso do processo. Em geral, os limites de controle obtidos, quando a Ramos, Edson M. L. S. PPGEP/UFSC (7.25)
92
IQ/n utilizado para estimar , so mais abertos do que quando constru e a dos utilizando se S/cn , R/d2 e S 2 . Esta propriedade traduzida nos grcos de controle gerados, atravs e a e da reduo da probabilidade de ocorrncia de alarmes falsos. Na presena de outliers, ca e c o estimador de proposto produz estimativas , para a linha central e para os limites de controle, mais robustas do que o mtodo padro de Shewhart. De fato, o mtodo e a e proposto detecta a presena de observaes extremas no processo, enquanto que o mtodo c co e de Shewhart no o faz. a Figura 7.11 Grco Q2 para medidas de temperatura do leo (o C) do misturador. a o
Medianas Amostrais
254,00 252,00 250,00 248,00 246,00 244,00 1 3 5 7 9 11 13 15 17 19 21 23 25 Amostras
Estimativas para Cp , Cpl , Cpu e Cpk , durante a aplicao do estimador de baseado nos ca quartis, na avaliaao da capacidade do processo, apresentaram valores um pouco menores c do que quando R/d2 foi utilizado. A partir destes resultados, espera-se que, quando IQ/n for utilizado como estimador de na avaliao da capacidade dos processos, uma poss ca vel falta de capacidade seja mais rapidamente percebida do que quando R/d2 for utilizado. Portanto, quatro ndices de capacidade do processo e cinco grcos de controle para a monitorar o n e a disperso do processo foram aperfeioados. Duas novas ferramentas vel a c para o controle estat stico da qualidade foram apresentadas. A primeira um grco de e a controle para variveis, denominado grco Q, constru para ser utilizado em processos a a do renados. E a segunda, o grco Q2 , um grco para variveis, desenvolvido para monia a a torar o n do processo, em especial a mediana amostral. Seus limites de controle so vel a um pouco mais abertos do que os limites de controle do grco X, esta caracter a stica do grco Q2 reduz a probabilidade de ocorrncia do erro tipo I, durante o monitoramento e a e avaliaao do n do processo. c vel Finalmente, tabelas com fatores para construo dos grcos de controle da mdia, ca a e Ramos, Edson M. L. S. PPGEP/UFSC
93
mediana, amplitude, desvio padro e varincia, quando o estimador de baseado nos a a e quartis, e para o grco Q foram obtidas a partir da simulaao de 5000 amostras para a c cada tamanho amostral n.
PPGEP/UFSC
Cap tulo 8
Consideraoes Finais e c Recomendaoes c

8.1 Consideraoes Finais c
Este trabalho teve como objetivo aperfeioar e desenvolver ferramentas do controle c estat stico da qualidade, atravs da utilizao de um estimador para o desvio padro e ca a baseado nos quartis. Para tanto, inicialmente, foi mostrada uma viso geral acerca dos grcos de controle, a a destacando algumas das principais pesquisas envolvendo a utilizao e o desenvolvimento ca desta ferramenta do CEQ. Alm dos tipos, os princ e pios e o planejamento dos grcos a de controle, foram mostrados testes de hipteses, por trs da utilizaao dos grcos de o a c a controle, bem como, os seus benef cios. Os principais grcos de controle para monitorar a disperso e o n do processo foram a a vel vistos. Algumas das principais pesquisas responsveis pelo desenvolvimento da teoria de a construo e utilizao destes grcos foram mostradas. O processo de construao de cada ca ca a c grcos tambm foi enfocado. a e Alm disso, os principais e ndices utilizados para avaliar a capacidade de um processo foram abordados, destacando suas metodologias de construo, formas de interpretao ca ca e algumas das principais pesquisas envolvendo a utilizao e o desenvolvimento destes ca ndices. A teoria de estimao de atravs dos quartis foi desenvolvida e o estimador para ca e o desvio padro baseado nos quartis apresentado. Tpicos a respeito da funo de a o ca distribuio amostral e dos quantis populacionais e amostrais foram vistos. Resultados de ca simulaoes sugerem que as estimativas de , obtidas atravs de IQ/n so, em geral, mais c e a
8.1 Consideraes Finais co
95
prximas do verdadeiro valor do parmetro do que as estimativas produzidas por R/d2 e o a S/cn . Princ pios de estimao no controle estat ca stico da qualidade foram mostrados. As principais propriedades dos estimadores, bem como, os estimadores para o n vel e para a disperso do processo tambm foram abordados. a e A aplicaao do estimador de , baseado nos quartis, no processo de construo de c ca grcos de controle para variveis, utilizados no monitoramento do n e da disperso a a vel a do processo foi detalhadamente mostrada. Em geral, os limites de controle obtidos, quando IQ/n utilizado para estimar , so mais abertos do que quando constru e a dos utilizando se S/cn , R/d2 e S 2 . Esta propriedade traduzida nos grcos de controle gerados, atravs e a e da reduo da probabilidade de ocorrncia de alarmes falsos. Na presena de outliers, ca e c o estimador de proposto produz estimativas , para a linha central e para os limites de controle, mais robustas do que o mtodo padro de Shewhart. De fato, o mtodo e a e proposto detecta a presena de observaes extremas no processo, enquanto que o mtodo c co e de Shewhart no o faz. a Foi visto que as estimativas para Cp , Cpl , Cpu e Cpk , durante a aplicaao do estimador de c baseado nos quartis, na avaliaao da capacidade do processo, apresentaram valores um c pouco menores do que quando R/d2 foi utilizado. A partir destes resultados, espera-se que, quando IQ/n for utilizado como estimador de na avaliao da capacidade dos processos, ca uma poss falta de capacidade seja mais rapidamente percebida do que quando R/d2 vel for utilizado. Quatro ndices de capacidade do processo e sete grcos de controle para monitorar o a n e a disperso do processo foram aperfeioados. vel a c Duas novas ferramentas para o controle estat stico da qualidade foram apresentadas. A primeira um grco de controle para variveis, denominado grco Q, constru e a a a do para ser utilizado no monitoramento da disperso de processos renados. E a segunda, o a grco Q2 , um grco para variveis, desenvolvido para monitorar o n do processo, em a a a vel especial a mediana amostral. Seus limites de controle so um pouco mais abertos do que a os limites de controle do grco X, esta caracter a stica do grco Q2 reduz a probabilidade a de ocorrncia do erro tipo I, durante o monitoramento e avaliaao do n do processo. e c vel Ramos, Edson M. L. S. PPGEP/UFSC
8.2 Recomendaes co
96
Finalmente, tabelas com fatores para construo dos grcos de controle da mdia, ca a e mediana, amplitude, desvio padro e varincia, quando o estimador de baseado nos a a e quartis, e para o grco Q foram obtidas a partir da simulaao de 3000 amostras para a c cada tamanho amostral n.
8.2 Recomendaoes c
Recomenda-se para trabalhos futuros: Obter o ARL (estat stica que dene o nmero de amostras selecionadas antes de u ocorrer um sinal fora dos limites de controle) para os grcos de controle da mdia, a e da mediana, da amplitude, do desvio padro, da varincia, quando o estimador de a a for baseado nos quartis; Avaliar o ARL para os grco de controle Q e Q2 ; a Construir, quando o estimador de for baseado nos quartis, para os grco de a controle da mdia, da mediana, da amplitude, do desvio padro, da varincia, as e a a curvas caracter sticas de operaao (CCO), que indicam a probabilidade de ocorrncia c e do erro tipo II, ou seja, a chance que um ponto amostral, que deveria estar fora dos limites de controle, possui de estar situado entre os limites de controle; a Desenvolver as CCO para os grco de controle Q e Q2 ; Utilizar o estimador de baseado nos quartis para construo de limites de controle ca do grco de regresso; a a Criar grcos de controle para monitorar o n e a disperso do processo quando os a vel a parmetros de construao so adaptveis e o estimador de baseado nos quartis; a c a a e Avaliar a inuncia do erro de medida sobre o poder dos grcos X e R, quando os e a quartis estiverem sendo utilizados para estimar ; Pesquisar a inuncia do estimador de baseado nos quartis na construo de limites e ca de controle quando o processo for no-normal; a Criar o grco de controle para a mdia quando o estimador de a mdia aparada a e e e e o estimador de IQ/n ; e Ramos, Edson M. L. S. PPGEP/UFSC
8.2 Recomendaes co
97
Construir as curvas de poder para os grcos de controle da mdia, da mediana, da a e amplitude, do desvio padro e da varincia, quando o estimador de for baseado a a nos quartis; Obter as curvas de poder para os grcos de controle Q e Q2 ; a E nalmente, estender a aplicaao de IQ/n a outros c ndices de capacidade, como por exemplo, o ndice k e o ndice Cpm .
PPGEP/UFSC
Apndice A e
Tabelas dos Fatores para Construo ca de Grcos de Controle a
99
Tabela A.1 Fatores para construo de grcos de controle para variveis - Grcos de ca a a a controle para disperso do processo. a Grco do Desvio Padro a a Fatores para os Limites Fatores para de Controle Linha Central n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 B3 0 0 0 0 B4 3,267 2,568 2,266 2,089 B5 0 0 0 0 B6 2,606 2,276 2,088 1,964 cn 0,798 0,886 0,921 0,940 0,915 0,959 0,965 0,969 0,973 0,975 0,978 0,979 0,981 0,982 0,984 0,985 0,985 0,986 0,987 0,988 0,988 0,989 0,989 0,990 1/cn 1,253 1,128 1,085 1,064 1,051 1,042 1,036 1,032 1,028 1,025 1,023 1,021 1,019 1,018 1,017 1,016 1,015 1,014 1,013 1,013 1,012 1,011 1,011 1,011
0,030 1,970 0,118 1,882 0,185 1,815 0,239 1,761 0,284 1,716 0,321 0,354 0,382 0,406 0,428 0,448 0,466 0,482 0,497 0,51 0,523 0,534 0,545 0,555 0,565 1,679 1,646 1,618 1,594 1,572
0,029 1,874 0,113 1,806 0,179 1,751 0,232 1,707 0,276 1,669 0,313 0,346 0,374 0,399 0,421 1,637 1,610 1,585 1,563 1,544 1,526 1,511 1,496 1,483 1,470 1,459 1,448 1,438 1,429 1,420
1,552 0,44 1,534 0,458 1,518 0,475 1,503 0,49 1,490 0,54 1,477 1,466 1,455 1,445 1,435 0,516 0,528 0,539 0,549 0,559
Fonte: Montgomery (2001)
PPGEP/UFSC
100
Tabela A.2 Fatores para construo de grcos de controle para variveis - Grcos de ca a a a controle para disperso do processo. (continuao) a ca Grco da Varincia a a Fatores para os Limites de Controle n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 B7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 B8 5,243 4,000 3,449 3,121 2,897 2,732 2,604 2,500 2,414 2,342 2,279 2,225 2,177 2,134 2,095 2,061 2,029 2,000 1,973 1,949 1,926 1,905 1,885 1,866 Grco das Amplitudes a Fatores para Linha Fatores para os Limites Central de Controle d2 1/d2 d2 d3 d3 D3 D4 1,128 1,693 2,059 2,326 2,534 2,704 2,847 2,970 3,078 3,173 3,258 3,336 3,407 3,472 0,886 0,591 0,486 0,430 0,395 0,370 0,351 0,337 0,325 0,315 0,307 0,300 0,294 0,288 0,954 1,588 1,978 2,257 2,472 2,645 2,791 2,915 3,024 3,121 3,207 3,285 3,356 3,422 0,853 0,888 0,880 0,864 0,848 0,833 0,820 0,808 0,797 0,787 0,778 0,770 0,763 0,756 0,750 0,744 0,739 0,733 0,729 0,724 0,720 0,716 0,712 0,708 0,450 0,435 0,445 0,457 0 0 0 0 3,267 2,575 2,282 2,115 2,004 1,924 1,864 1,816 1,777 1,744 1,717 1,693 1,672 1,653
0,468 0 0,477 0,076 4,870 0,136 0,495 0,184 0,503 0,223 0,509 0,515 0,521 0,527 0,532 0,256 0,283 0,307 0,328 0,347
16 0 17 0 18 0 19 0 20 0,027 21 22 23 24 25 0,051 0,074 0,095 0,115 0,134
3,532 0,283 3,382 3,588 0,279 3,538 3,640 0,275 3,591 3,689 0,271 3,640 3,735 0,268 3,686 3,778 3,819 3,858 3,895 3,931 0,265 0,262 0,259 0,257 0,254 -
0,363 1,637 0,378 1,622 0,391 1,609 0,404 1,596 0,415 1,585 0,425 0,435 0,443 0,452 0,459 1,575 1,565 1,557 1,548 1,541
Fonte: Mittag e Rinne (1993)
PPGEP/UFSC
101
Tabela A.3 Fatores para construo de grcos de controle para variveis - Grcos de ca a a a controle para o nvel do processo. Grco da Mdia a e Fatores para os Limites de Controle n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 A 2,121 1,732 1,500 1,342 1,225 1,339 1,061 1,000 0,949 0,905 0,866 0,832 0,802 0,775 0,750 0,728 0,707 0,688 0,671 0,655 0,640 0,626 0,612 0,600 A2 1,880 1,023 0,729 0,577 0,483 0,419 0,373 0,337 0,308 0,285 0,266 0,249 0,235 0,223 0,212 0,203 0,194 0,187 0,180 0,173 0,167 0,162 0,157 0,153 A3 2,659 1,954 1,628 1,427 1,287 1,182 0,110 1,032 0,975 0,927 0,886 0,850 0,817 0,789 0,763 0,739 0,718 0,698 0,680 0,663 0,647 0,633 0,619 0,606 Grco da Mediana a Fatores para os Limites de Controle hn 1,111 0,907 0,785 0,702 0,641 0,594 0,555 0,524 0,497 0,474 0,453 0,436 0,420 0,406 0,393 0,381 0,370 0,360 0,351 0,343 0,335 0,328 0,321 0,314 H3 4,176 3,070 2,557 2,242 2,022 1,856 1,727 1,621 1,532 1,457 1,392 1,334 1,284 1,239 1,198 1,161 1,127 1,096 1,068 1,041 1,017 0,994 0,972 0,952 H4 2,954 1,607 1,144 0,906 0,759 0,659 0,585 0,529 0,484 0,448 0,418 0,392 0,370 0,350 0,334 0,319 0,305 0,293 0,282 0,272 0,263 0,255 0,247 0,240
PPGEP/UFSC
102
Tabela A.4 Fatores para construo de grcos de controle para variveis - Grcos de ca a a a controle para a disperso do processo. a Fatores para os Limites de Controle Grco a Amplitude n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 m 0,564 0,852 0,953 0,991 1,064 1,121 1,132 1,174 1,178 1,193 1,194 1,210 1,212 1,234 1,229 1,235 1,250 1,252 1,260 1,250 1,273 1,272 1,271 1,275 E2 4,535 3,128 2,770 2,616 2,391 2,230 2,173 2,064 2,030 1,980 1,956 1,910 1,889 1,838 1,831 1,807 1,773 1,758 1,735 1,738 1,697 1,688 1,681 1,667 Desvio Padro a E3 3,206 1,631 1,224 1,033 0,867 0,755 0,695 0,628 0,591 0,554 0,529 0,501 0,480 0,455 0,442 0,426 0,409 0,397 0,384 0,377 0,361 0,354 0,346 0,338 Varincia a E6 13,338 4,133 2,697 2,160 1,676 1,378 1,251 1,088 1,019 0,943 0,897 0,837 0,801 0,745 0,725 0,695 0,659 0,638 0,613 0,607 0,571 0,559 0,548 0,533 E12 0 0 0 0,049 0,246 0,356 0,424 0,472 0,509 0,537 0,562 0,579 0,596 0,604 0,619 0,628 0,632 0,640 0,656 0,653 0,660 0,665 0,668 Q E13 9,180 3,338 2,346 1,969 1,634 1,428 1,343 1,232 1,188 1,139 1,113 1,074 1,054 1,017 1,009 0,991 0,968 0,957 0,942 0,944 0,918 0,913 0,908 0,900
PPGEP/UFSC
103
Tabela A.5 Fatores para construo de grcos de controle para variveis - Grcos de ca a a a controle para o nvel do processo. Fatores para os Limites de Controle Grco da a Grco da a Mdia e Mediana E10 E11 3,761 2,033 1,574 1,354 1,151 1,012 0,937 0,852 0,805 0,758 0,725 0,688 0,662 0,628 0,610 0,589 0,566 0,550 0,532 0,524 0,502 0,492 0,482 0,471 5,910 3,194 2,471 2,125 1,807 1,590 1,471 1,339 1,266 1,192 1,138 1,081 1,040 0,987 0,959 0,926 0,888 0,863 0,836 0,823 0,789 0,774 0,758 0,739
n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
PPGEP/UFSC
Apndice B e
Tabelas com Exemplos para Aplicao ca
Tabela B.1 Medidas do dimetro interno (mm) durante a fabricao de anis de pisto. a ca e a
Observaes co 74,019 74,001 74,021 73,993 74,015 73,997 73,994 73,993 74,009 73,990 73,994 74,007 73,998 73,994 73,998 74,005 73,986 74,018 74,003 74,013 74,015 73,990 73,990 73,993 73,995 x = 74, 001 x = 74, 002 R = 0, 024 S = 0, 010 S 2 = 0, 0001 73,992 74,011 74,005 74,015 73,989 73,985 74,000 74,015 74,005 74,007 73,995 74,000 73,997 74,000 73,999 73,998 74,005 74,003 74,005 74,020 74,005 74,006 74,009 74,000 74,017 74,008 74,004 74,002 74,009 74,014 73,993 74,005 73,988 74,004 73,995 73,990 73,996 74,012 73,984 74,007 73,996 74,007 74,000 73,997 74,003 73,996 74,009 74,014 74,010 74,013 74,010 74,001 74,008 74,007 74,003 73,996 74,000 73,997 74,004 73,998 73,994 74,001 73,998 73,990 74,006 73,997 74,001 74,007 73,998 74,009 74,000 74,002 74,002 74,005 73,998 74,008 74,001 74,005 74,009 74,007 73,994 74,000 73,993 74,005 73,998 73,994 74,000 73,998 73,994 74,007 73,998 74,005 74,006 74,002 74,010 74,001 74,004 74,009 74,008 73,995 0,038 0,019 0,036 0,029 0,026 0,024 0,012 0,030 0,014 0,017 0,008 0,011 0,029 0,039 0,016 0,021 0,026 0,018 0,021 0,020 0,033 0,019 0,025 0,022 0,035 0,015 0,008 0,015 0,012 0,012 0,009 0,006 0,012 0,006 0,006 0,003 0,004 0,010 0,015 0,007 0,008 0,011 0,007 0,008 0,008 0,012 0,007 0,012 0,009 0,016 0,0002 0,0001 0,0002 0,0002 0,0001 0,0001 0,0000 0,0002 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0001 0,0001 0,0001 0,0000 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0003 x x Ri Si
2 Si
IQi 0,017 0,009 0,019 0,019 0,022 0,004 0,010 0,015 0,004 0,005 0,001 0,004 0,005 0,016 0,013 0,004 0,013 0,007 0,006 0,010 0,009 0,007 0,020 0,010 0,029 IQ = 0, 011
N mero u da amostra
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
74,030 73,995 73,988 74,022 73,992 74,009 73,995 73,985 74,008 73,998 73,994 74,004 73,983 74,006 74,012 74,000 73,994 74,006 73,984 74,000 73,982 74,004 74,010 74,015 73,982
74,002 73,992 74,024 73,996 74,007 73,994 74,006 74,003 73,995 74,000 73,998 74,000 74,002 73,967 74,014 73,984 74,012 74,010 74,002 74,010 74,001 73,999 73,989 74,008 73,984
PPGEP/UFSC
105
Tabela B.2 Medidas de temperatura do eletrodo (o C) durante a produo de alum ca nio - Fevereiro/2003.
Observaes co 151,2 154,7 153,4 154,7 153,9 148,6 149,1 152,9 154,1 152,7 150,5 150,6 152,5 154,7 155,9 149,7 150,6 151,6 153,4 152,9 151,2 154,7 151,6 153,2 151,6 x = 152, 9 x = 152, 8 R = 5, 8 S = 2, 0 154,7 154,7 154,3 154,6 153,1 150,5 151,4 153,3 153,4 151,4 151,0 150,1 153,9 158,0 155,5 155,5 151,3 158,0 155,5 149,7 152,6 153,8 153,4 152,3 151,0 155,4 150,6 154,5 158,0 152,9 149,9 152,9 156,3 155,2 152,9 151,6 152,6 152,5 150,5 153,4 153,3 152,7 154,6 151,3 153,3 154,2 152,7 149,3 155,6 158,0 152,5 146,8 155,5 149,7 154,0 154,5 153,7 149,7 155,5 154,3 154,6 152,4 154,9 149,7 151,0 152,9 152,0 150,5 154,4 150,6 154,3 152,0 149,5 153,5 153,1 154,0 149,3 155,7 151,0 153,7 155,0 154,3 150,6 152,8 149,7 153,1 154,5 151,8 151,0 155,9 152,7 151,5 149,7 155,3 155,5 154,3 151,9 149,6 152,6 154,6 155,9 151,8 152,9 150,5 152,3 156,4 150,5 155,5 151,0 155,5 149,7 151,9 149,7 151,6 152,8 153,4 152,3 151,0 152,7 156,3 153,0 155,7 155,4 152,5 150,5 152,9 151,9 154,3 152,9 153,6 151,6 151,9 152,9 154,0 152,7 152,7 152,0 152,3 152,9 154,1 153,0 152,0 152,9 154,1 152,9 153,3 153,7 151,9 153,5 152,9 153,2 152,6 154,3 152,4 153,8 150,2 151,8 152,8 154,2 152,8 152,4 152,1 152,1 152,3 154,3 153,1 151,7 152,4 154,6 152,8 153,4 153,6 151,7 153,4 152,3 8,0 7,9 2,9 8,3 2,4 8,4 5,2 6,5 4,9 5,8 8,3 4,4 5,2 8,3 4,9 6,6 4,4 8,3 4,2 6,6 3,1 3,9 6,1 3,3 8,3 2,7 2,9 1,0 2,8 0,8 3,2 1,7 2,2 1,6 1,7 2,7 1,4 1,6 2,8 1,7 2,2 1,4 2,8 1,5 2,2 1,1 1,5 2,3 1,1 2,8 7,1 8,3 1,0 7,6 0,6 10,4 3,0 4,8 2,6 3,0 7,1 1,8 2,6 7,7 2,9 4,9 2,0 7,6 2,3 4,9 1,1 2,3 5,3 1,2 7,7 S 2 = 4, 4 x x Ri Si
2 Si
IQi 3,4 4,1 1,3 3,8 1,0 5,3 2,1 1,9 2,0 1,2 2,6 1,3 1,3 3,7 2,3 1,7 1,2 3,8 2,1 2,0 1,3 2,4 4,0 1,3 3,7 IQ = 2, 4
N mero u da amostra
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
147,9 154,3 154,2 151,6 154,1 149,6 151,1 152,3 154,4 152,9 153,1 152,3 151,6 154,6 154,1 156,3 154,9 153,1 155,4 152,7 153,7 153,5 151,9 154,3 154,7
151,6 153,4 153,5 153,1 154,7 148,0 152,1 152,7 155,9 152,3 158,0 151,4 151,3 153,1 154,4 150,6 150,7 154,7 154,7 152,3 153,0 155,7 154,1 153,7 149,7
PPGEP/UFSC
106
Tabela B.3 Medidas de temperatura do leo (o C) do misturador durante a produo de alum o ca nio - Fevereiro/2003.
Observaoes c 251,3 247,9 248,3 250,0 249,8 249,0 247,3 249,4 248,5 249,4 249,1 247,3 247,7 251,9 251,3 247,7 249,0 251,0 249,0 248,3 250,0 247,1 250,6 250,8 248,7 x = 249, 65 x = 249, 68 R = 3, 661 S = 1, 262 248,3 248,9 249,6 249,8 249,7 248,0 247,7 250,2 250,8 248,2 249,0 247,0 251,1 251,7 251,0 249,7 250,0 248,0 250,3 251,1 248,0 249,1 251,0 251,2 252,6 249,0 249,0 248,0 251,8 250,6 248,3 251,2 249,4 251,9 249,0 248,8 247,4 250,4 250,0 250,8 248,6 251,8 248,0 249,0 248,5 249,1 249,7 250,3 248,3 249,8 249,8 249,6 248,7 249,0 250,0 248,3 251,6 250,6 252,0 249,0 248,7 250,1 248,7 252,9 249,3 249,7 250,0 250,0 249,8 251,1 247,0 249,1 253,4 250,1 251,3 248,3 249,9 249,6 248,4 248,1 248,3 251,1 246,8 249,0 250,0 249,4 248,9 247,6 250,0 251,3 249,7 251,0 249,9 250,3 251,0 248,9 249,7 251,0 248,6 251,4 249,4 248,9 249,5 249,7 249,3 248,6 249,7 249,6 250,9 249,4 249,3 248,6 249,6 250,8 250,7 249,0 250,3 249,8 249,4 249,4 248,7 249,1 250,4 250,5 250,8 249,3 248,9 249,3 249,7 249,7 248,3 249,8 249,4 251,0 249,2 249,1 248,3 249,6 250,9 250,9 249,7 250,0 249,9 249,3 249,3 249,0 249,2 250,5 250,9 251,1 3,0 2,0 5,0 3,3 2,6 2,0 5,0 6,2 4,2 2,3 2,3 5,0 4,3 4,9 2,0 3,0 3,2 3,6 2,0 3,9 5,0 3,9 5,3 3,7 3,9 1,0 0,7 1,6 1,0 1,1 0,7 2,0 1,8 1,4 0,7 0,8 1,7 1,9 1,5 0,7 1,1 1,2 1,4 0,7 1,5 1,6 1,2 1,7 1,3 1,2 1,0 0,5 2,5 1,0 1,2 0,4 4,2 3,1 2,1 0,5 0,6 2,9 3,6 2,4 0,5 1,3 1,4 1,9 0,5 2,4 2,6 1,3 2,8 1,8 1,4 S 2 = 1, 757 x x Ri Si
2 Si
IQi 1,0 1,0 1,1 1,0 2,0 0,8 3,4 1,3 1,6 0,9 0,6 1,9 3,6 1,8 0,8 1,4 1,4 2,3 1,0 2,7 1,7 0,8 1,3 1,5 1,1 IQ = 1, 511
N mero u da amostra
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
250,0 249,2 249,9 250,0 250,5 248,2 247,9 248,5 251,0 250,5 251,0 248,6 251,9 250,2 250,0 247,0 252,0 251,6 249,5 248,4 249,2 248,0 248,3 251,0 251,1
249,6 248,4 253,0 249,6 248,0 250,0 252,4 253,0 251,0 249,0 248,8 248,0 247,7 251,8 250,6 249,9 248,8 249,0 248,3 247,2 246,0 251,0 248,1 251,7 250,4
249,0 248,1 249,0 249,0 248,0 249,0 248,4 249,2 252,7 249,8 249,3 252,0 251,8 248,0 251,3 250,0 250,0 251,0 248,8 250,0 251,0 249,2 250,2 252,0 251,0
PPGEP/UFSC
107
108
Tabela B.4 Medidas de temperatura do eletrodo (o C) durante a produo de alum ca nio Janeiro/2003.
N mero u da amostra 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 250,00 249,20 250,00 250,00 250,00 251,00 251,00 251,00 251,00 250,50 251,00 251,00 251,89 250,17 250,00 251,00 251,00 251,56 250,12 250,00 250,00 250,00 251,20 251,00 250,00 250,00 251,00 253,00 251,00 251,00 251,00 252,37 250,00 250,00 251,00 250,00 250,00 250,00 250,00 250,63 250,00 251,20 250,00 250,18 250,22 251,00 251,00 251,00 250,00 250,38 249,00 251,00 251,00 251,00 250,00 251,00 250,00 252,00 251,67 251,00 252,00 252,00 250,00 251,50 249,33 250,00 250,80 251,00 250,00 250,00 251,00 250,00 251,00 252,00 251,00 Observaes co 251,29 249,00 248,25 251,00 251,00 251,00 247,35 249,38 250,00 251,00 250,00 250,00 250,00 249,00 251,33 249,00 253,00 251,00 251,00 250,30 250,00 250,00 250,63 249,00 250,10 251,00 250,00 250,00 251,00 251,00 251,00 247,69 250,00 250,00 250,00 251,00 250,00 251,11 251,67 250,00 250,68 250,00 249,00 250,25 251,11 250,00 251,40 251,00 251,17 251,40 250,00 251,00 249,00 251,00 250,00 251,00 251,16 251,00 250,00 250,00 251,00 250,00 250,44 251,60 250,78 250,00 251,75 250,00 250,23 251,14 250,00 250,00 251,70 249,00 251,20 250,00 252,00 250,00 249,00 250,00 249,00 251,61 251,00 251,00 250,00 251,00 250,11 251,00 250,00 251,00 252,00 252,00 250,00 251,00 251,11 253,00 250,00 253,44 250,14 250,00 251,00 251,00 251,00 251,00 250,00 249,00 251,13 250,00 249,00 250,00 250,00 250,00 250,00 249,00 251,25 249,71 251,20 249,89 250,04 251,00 248,89 249,67 251,00 249,63 250,00 x 250,29 250,53 250,28 250,63 250,38 250,50 250,29 250,55 250,33 250,44 250,75 250,39 250,56 250,37 250,54 250,30 251,37 250,31 250,35 250,61 250,49 250,26 251,37 250,24 250,51 x = 250, 50 Si 0,756 1,031 1,436 0,744 0,518 0,926 1,833 0,845 0,836 0,496 0,707 0,737 0,710 1,105 0,703 0,912 0,894 0,818 0,409 0,525 1,216 0,602 0,890 1,072 0,595 S = 0, 853 IQi 1,000 1,200 1,250 0,250 1,000 0,500 1,852 1,000 1,000 1,000 1,000 0,333 1,028 1,775 1,063 0,831 0,863 1,028 0,338 0,946 1,000 0,250 0,325 1,569 1,050 IQ = 0, 938
PPGEP/UFSC
Bibliograa
ALLOWAY Jr., James A. e RAGHAVACHARI, M. Control charts based on the HodgesLehmann estimator, Journal of Quality Technology, v. 23, n. 4, p. 336-347, October 1991. APARISI, Francisco. Hotellings T 2 control chart with adaptive samples sizes. International Journal of Production Research, v. 34, p. 2853-2862, 1996. APARISI, Francisco; JABALOYES, Jos e CARRION, Andrs. Generalized variance e e chart design with adaptive samples sizes. The bivariate case, Communications in Statistics - Simulation and Computation, v. 30, n. 4, p. 931-948, 2001. ARNOLD, B. F. Comparison of the approximate and exact optimum economic design of control charts basing on the sign test, Statistische Hee, v. 27, p. 239-241, 1986. BANKS, J. Principles of Quality Control, New York: John Wiley & Sons, 1989. BENNETT, C. A. Eect of measurement error on chemical process control, Industrial Quality Control, v. 10, n. 4, p. 17-20, 1954. BINGHAM Jr., R. S. Tolerance limits and process capability studies, Industrial Quality Control, v. 19, n. 1, p. 36-40, July 1962. BISSEL, A. F. How reliable is your capability index?, Applied Statistics, v. 39, n. 3, p. 331-340, 1990. BRAVO, Paulo C. Controle estat stico de qualidade, In: 40a Reunio Anual da Regio a a o Brasileira da Sociedade Internacional de Biometria (RBRAS) e 6 Simpsio de Eso tat stica Aplicada ` Experimentaao Agronmica (SEAGRO), Ribeiro Preto - So a c o a a Paulo, 18-21/07/1995. Anais da 40a RBRAS e 6o SEAGRO, UNESP - Faculdade de cincias agrrias, Ribeiro Preto, 1995. 1 Livro. e a a BURR, Irving W. The eect of non-normality on constants for X and R charts, Industrial Quality Control, v. 23, n. 11, p. 563-569, May 1967. BURR, Irving W. Control charts for measurements with varying samples sizes, Journal of Quality Technology, v. 1, n. 3, p. 167-163, July 1969. CADWELL, J. H. The distributions of quantiles of small samples, Biometrika, v. 39, p. 207-211, 1952. CAULCUTT, Roland. The rights and wrongs of control charts, Applied Statistics, v.
110 44, n. 3, p. 279-288, 1995. CLIFFORD, P. C. Control charts without calculations - some modications and extensions, Industrial Quality Control, v. 15, n. 11, p. 40-44, May 1959. COSTA, Antnio F. B. X Charts with variable sample size, Journal of Quality Techo nology, v. 26, n. 3, p. 155-163, July 1994. COSTA, Antnio F. B. Joint X and R charts with variable parameters, IIE Transaco tions, v. 30, p. 505-514, June 1998. COSTA, Antnio F. B. Joint X and R charts with variable sample sizes and sampling o intervals, Journal of Quality Technology, v. 31, n. 4, p. 387-397, October 1999. COSTA, A. F. B. e RAHIM, M. A. Economic design of X charts with variable parameters: the Markov chain approach, Journal of Applied Statistics, v. 28, n. 7, p. 875-885, 2001. CRYER, Jonathan D. e RYAN, Thomas P. The estimation of sigma for an X chart: M R/d2 or S/c4 ?, Journal of Quality Technology, v. 22, n. 3, p. 187-192, July 1990. DAUDIN, J. J. Double Sampling X charts, Journal of Quality Technology, v. 24, n. 2, p. 78-87, April 1992. DAVID, H. A. Further applications of range to the analysis of variance, Biometrika, v. 38, p. 393-407, 1951. DAVIS, Robert B. Designing S-charts with two average run length constraints, Journal of Quality Technology, v. 31, n. 2, p. 249-250, April 1999. DAVIS, Robert D.; KAMINSKY, Frank C. e BURKE, Richard J. Detecting process shifts with X-bar charts, Production and Inventory Management Journal, First Quarter, p. 25-30, 1993. DIPAOLA, P. P. Use of correlation in quality control, Industrial Quality Control, v. 2, n. 1, p. 10-14, July 1945. DIXON, W. J. e MASSEY, F. J. Introduction to Statistical Analysis, New York: McGraw-Hill, 3th. ed., 1969. p. 238-239. DUCAN, D. B. Multiple range and multiple F tests, Biometrics, v. 11, p. 1-42, 1955. DUNCAN, Acheson J. The economic design of X charts used to maintain current control of a process, Journal of the American Statistical Association, v. 51, n. 274, p. 228-242, June 1956. DUNCAN, Acheson J. Quality Control and Industrial Statistics, Richard D. Irwin Inc., Homewood, Ill., 1974. ENNERSON, Fred Jr. e MANNING, Mark. Test performance charts, Industrial Quality Control, v. 16, n. 2, p. 8-9, September 1959. Ramos, Edson M. L. S. PPGEP/UFSC
111 EPPRECHT, E. K. e COSTA, Antnio F. B. Adaptive sample size control charts for o attributes, Quality Engineering, v. 13, n. 3, p. 465-473, 2001. FARNUM, N. R. e STANTON, L. W. Using counts to monitor a process mean, Journal of Quality Technology, v. 18, n. 1, p. 22-28, January 1986. FERRELL, Enoch B. Control charts using midranges and medians, Industrial Quality Control, v. 10, n. 5, p. 30-34, March 1953. FERRELL, Enoch B. A median, midrange chart using run-size subgroups, Industrial Quality Control, v. 20, n. 10, p. 22-25, April 1964. FINLEY, J. C. What is capability? Or what is Cp and Cpk , ASQC Congress Transactions, Nashville, p. 186-191, 1992. FREUD, Richard A. A reconsideration of the variables control charts - with special reference to the chemical industries, Industrial Quality Control, v. 16, n. 11, p. 35-41, May 1960. GHOSH, B. K.; REYNOLDS, M. R. Jr. e HUI, Y. V. Shewhart X-charts with estimated process variance, Communications in Statistics - Theory and Methods, v. A10, n. 18, p. 1797-1822, 1981. GUNTER, B. H. The use and abuse of Cpk Part 2, Quality Progress, v. 22, n. 3, p. 108-109, 1989. HACKL, P. e LEDOLTER, J. A control chart based ranks, Journal of Quality Technology, v. 23, n. 2, p. 117-124, April 1991. HARTLEY, H. O. The range in random samples, Biometrika, v. 32, p. 334-348, 1942. HARTLEY, H. O. Use of range in analysis of variance, Biometrika, v. 37, p. 271-280, 1950. HILL, David. Modied control limits, Applied Statistics, v. 5, n. 1, p. 12-19, March 1964. HILLER, Frederick S. X Chart control limits based on a small number of subgroups, Industrial Quality Control, v. 20, n. 8, p. 24-29, February 1964. HOTELLING, H. Multivariate Quality Control - Illustrated by the Air Testing of Sample Bombsights, in Techniques of Statistical Analysis, Eisenhart C., Hastay M. W. and Wallis W. A., eds., New York: McGraw-Hill, 1947. p. 111-184. JAMES, Barry R. Probabilidade um Curso em N vel Intermedirio, Rio de Janeiro: a Instituto de Matemtica Pura e Aplicada - IMPA, 1996. a JANACEK, G. J. e MEIKLE, S. E. Control charts based on medians, Statistician, v. 46, n. 1, p. 19-31, 1997. JANACEK, G. J. e MEIKLE, S. E. Control charts based on medians - Response, Journal Ramos, Edson M. L. S. PPGEP/UFSC
112 of the Royal Statistical Society - Series D - The Statistician, v. 48, n. 3, p. 443-444, 1999. JURAN, J. M. e GRYNA, F. M. Quality Planning and Analysis, London: Chapman & Hall, 2nd. Ed., 1980. JURAN, J. M. e GRYNA, F. M. Controle de Qualidade Handbook, So Paulo: a Makron Books, v. VI, 1992. KAMINISKY, Frank C.; BENNEYAN, James C.; DVAIS, Robert D. e BURKE, Richard J. Statistical control charts based on a geometric distribution, Journal of Quality Technology, v. 24, n. 2, p. 63-69, April 1992. KANAZUKA, Takazi. The eect of measurement error on the power of X R charts, Journal of Quality Technology, v. 18, n. 2, p. 91-985, April 1986. KANE, Victor E., Process capability indices, Journal of Quality Technology, v. 18, n. 1, p. 41-52, January 1986. KEULS, M. The Use of the studentized range in connection with an analysis of variance, Euphytica, v. 1, p. 112-122, 1952. KING, Edgar P. Probability limits for the average chart when process standards are unspecied, Industrial Quality Control, v. 10, n. 6, p. 62-64, May 1954. KLEIN, Morton. Two alternatives to the Shewhart X control charts limits, Journal of Quality Technology, v. 32, n. 4, p. 427-431, October 2000. KOTZ, S. e JOHNSON, N. L. Process Capability Indices, London: Chapman & Hall, 1993. KOTZ, S. e LOVELACE, C. R. Process Capability Indices in Theory and Practice, New York: Arnold, 1998. KUME, H. Mtodos Estat e sticos para Melhoria da Qualidade, So Paulo: Gente, a 1993. KUSHLER, Robert H. e HURLEY, Paul. Condence bounds for capability indices, Journal of Quality Technology, v. 24, n. 4, p. 188-195, October 1992. LEHMANN, Erich L. Elements of Large-Sample Theory, New York: Springer-Verlag, 1999. LINNA, Kenneth W. e WOODALL, William H. Eect of measurement error on Shewhart control charts, Journal of Quality Technology, v. 33, n. 2, p. 213-222, April 2001. LOWRY, C. A.; WOODALL, W. H.; CHAMP, C. W. e RIGDON, S. E. A multivariate exponentially weighted moving average control chart, Technometrics, v. 34, p. 46-53, 1992. MAGALHAES, Maysa S.; EPPRECHT, Eugenio K. e COSTA, Antnio F. B. Economic o Ramos, Edson M. L. S. PPGEP/UFSC
113 design of a V p X chart, International Journal of Production Economics, v. 74, p. 191-200, 2001. MANDEL, B. J. The regression control chart, Journal of Quality Technology, v. 1, n. 1, p. 1-9, January 1969. MARCELLUS, Richard L. Operating characteristics of X-bar charts with asymmetric control limits, IIE Transactions, v. 33, p. 1059-1069, December 2001. McKAY, A. T. e PEARSON, E. S. A note on the distribution of range in samples of n, Biometrika, v. 25, p. 415-420, 1933. MITRA, Amitava. Quality Control and Improvement, 2nd. ed., New Jersey: Prentice Hall, Upper Saddle River, 1988. MITRA, S. K. Tables for tolerance limits for a normal population based on sample mean and range or mean range, Journal of the American Statistical Association, v. 52, n. 277, p. 88-94, March 1957. MITTAG, H. J. e RINNE, H. Statistical Methods of Quality Assurance, London: Chapman & Hall, 1993. MONTGOMERY, Douglas. C. Introduction to Statistical Quality Control. New York: John Wiley & Sons, 4th. ed., 2001. MOORE, Peter G. Normality in quality control charts, Applied Statistics, v. 6, n. 3, p. 171-179, November 1957. NEDUMARAN, Gunabushanam e PIGNATIELLO Jr., Joseph J. On estimating X control charts limits, Journal of Quality Technology, v. 33, n. 2, p. 206-212, April 2001. NELSON, Lloyd S. Control chart for medians, Journal of Quality Technology, v. 14, n. 4, p. 226-227, October 1982. NELSON, Lloyd S. The Shewhart control chart - tests for special causes, Journal of Quality Technology, v. 16, n. 4, p. 237-239, October 1984. NELSON, Lloyd S. The calculation of process capability indices, Journal of Quality Technology, v. 31, n. 2, p. 249-250, April 1999. NEWMAN, D. The distribution of range in samples from a normal population, expressed in terms of an independent estimate of standard deviation, Biometrika, v. 31, p. 20-30, 1939. OSINSKI, Ralph V. Use of median charts in the rubber industry, Industrial Quality Control, v. 19, n. 2, p. 5-8, August 1962. OTT, Ellis R. Analysis of means - a graphical procedure, Industrial Quality Control, v. 23, n.14, p. 101-109, August 1967. PARLAR, Mahmut e WESOLOWSKY, George. Specication limits capability, indices Ramos, Edson M. L. S. PPGEP/UFSC
114 and process centering in assembly manufacture, Journal of Quality Technology, v. 31, n. 3, p. 317-325, July 1999. PATNAIK, P. B. The use of mean range in statistical tests, Biometrika, v. 37, p. 78-87, 1950. PEARSON, E. B. Student as statistician, Biometrika, v. 30, p. 210-250, 1938. PEARSON, E. B. e HARTLEY, H. O. The probability integral of the range in samples of n observations from a normal population, Biometrika, v. 32, p. 301-310, 1942. PEARSON, Egon S. A further note on the distribution of range in samples taken from a normal population, Biometrika, v. 18, p. 173-194, 1926. PEARSON, Egon S. The percentage limits for the distribution of range in samples from a normal population (n 100), Biometrika, v. 24, p. 404-417, 1932. PEARSON, Egon S. e ADYANTHAYA, N. K. The distribution of frequency constants in small samples from symmetrical populations, Biometrika, v. 20A, p. 356-360, 1928. PIGNATIELLO Jr., J. J. e RUNGER, G. C. Comparisons of multivariate CUSUM charts, Journal of Quality Technology, v. 22, n. 3, p. 173-186, July 1990. PRABHU, S. S.; RUNGER, G. C. e HEATS, J. B. X Charts with adaptive sample sizes, International Journal of Production Research, v. 31, p. 2895-2909, 1993. PRAZERES, Paulo M. Dicionrio de Termos da Qualidade. So Paulo: Atlas, 1996. a a p. 56-58. PROSCHAN, F. e SAVAGE, I. R. Starting a control chart, Industrial Quality Control, v. 17, n. 3, p. 12-13, September 1960. QUESENBERRY, Charles P. SPC Q for start-up process and short or long runs, Journal of Quality Technology, v. 23, n. 3, p. 213-224, July 1991. RAMOS, Edson M. L. S.; SILVA, Luciana S. C. V.; SAMOHYL, Robert W.; ALMEIDA, Silvia dos S. Utilizaao da amplitude amostral como estimador do desvio padro: disc a cusso e reviso terica. In: 15o Simpsio Nacional de Probabilidade e Estat a a o o stica, Aguas o de Lindia - So Paulo, 29/07 a 02/08/2002. Anais do 15 SINAPE, v. 1, p. 207, o a So Paulo, 2002. a ROBERTS, S. W. Control charts tests based on geometric moving averages, Technometrics, v. 1, n. 3, p. 239-250, August 1959. RODRIGUEZ, Robert N. Recent developments in process capability analysis, Journal of Quality Technology, v. 24, n. 4, p. 176-187, October 1992. RYAN, T. e HOWLEY, Peter P. Control charts based on medians - Correspondence, Journal of the Royal Statistical Society - Series D - The Statistician, v. 48, n. 3, p. 441-442, 1999. Ramos, Edson M. L. S. PPGEP/UFSC
115 SAAD, T. B. e REYNOLDS, R. A nonparametric procedure for process control, Technometrics, v. 21, p. 175-183, 1979. SCHILLING, E. G. e NELSON, P. R. The eect of non-normality on the control limits of X charts, Journal of Quality Technology, v. 10, n. 5, p. 30-33, May 1976. SEN, Pranab K. e SINGER, Jlio M. Methods in Statistics - An Introduction with u Applications, New York: Chapman & Hall, 1993. SHEWHART, Walter A. Economic Control of Quality of Manufactured Product, Princeton: Van Nostrand Reinhold, 1931. SHEWHART, Walter A. Contributions of Statistics to the Science of Engineering, University of Pennsylvania Press, Philadelphia, PA, 1941. SHORE, Haim. Process capability analysis when data are autocorrelated, Quality Engineering, v. 9, n. 4, p. 615-626, June 1997. SPISAK, Andrew W. A control chart for ratios, Journal of Quality Technology, v. 22, n. 1, p. 34-37, January 1990. STUDENT. Errors of routine analysis, Biometrika, v. 19, p. 151-164, 1927. TIPPETT, L. H. C. On the extreme individuals and the range of samples taken from a normal population, Biometrika, v. 17, p. 364-387, 1925. TIPPETT, L. H. C. Technological Applications of Statistics, New York: John Wiley & Sons, 1950. TRICKER, A.; COATES, E. e OKELL, E. The eect on the R chart of precision of measurement, Journal of Quality Technology, v. 30, n. 3, p. 232-239, July 1998. TUKEY, J. W. Allowances for Various Types of Error Rates, unpublished invited address presented at Blacksburg meeting of Institute of Mathematical Statistics, 1952. TUKEY, J. W. Exploratory Data Analysis, Reading Addison Wesley, Massachusetts, 1977. WADE, Mark R. e WOODALL, William H. A review and analysis of cause-selecting control charts, Journal of Quality Technology, v. 25, n. 3, p. 161-169, July 1993. WADSWORTH Jr., H. ; STEPHENS, K. S. e GODFREY, A. B. Modern Methods for Quality Control and Improvement, New York: John Wiley & Sons, 1986. WLUDYKA, Peter S. e NELSON, Peter R. Analysis of means type tests for variances from normal populations, Technometrics, v. 39, p. 274-285, 1997. WLUDYKA, Peter S., NELSON, Peter R. e SILVA, Peter R. Power curves for the analysis of means for variances, Journal of Quality Technology, v. 33, n. 1, p. 60-65, January 2001. WOODALL, William H. The statistical design of quality control charts, The StatistiRamos, Edson M. L. S. PPGEP/UFSC
116 cian, v. 34, p. 155-160, 1985. WOODALL, William H. Controversies and contradictions in statistical process control, Journal of Quality Technology, v. 32, n. 4, p. 341-350, October 2000.
PPGEP/UFSC

Tabelas

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tabelas

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE POS-GRADUACAO EM ENGENHARIA DE PRODUCAO E SISTEMAS

Edson Marcos Leal Soares Ramos

Orientador: Prof. Robert Wayne Samohyl,Ph.D.

Florianpolis, Abril de 2003 o

Edson Marcos Leal Soares Ramos

Florianpolis, Abril de 2003 o

Catalogao na fonte por: Onlia Silva Guimares CRB-14/071 ca e a

` A minha lha Yasmin

86 91 99 100 101 102 103

105 106 107 108

1.1 Aspectos Gerais

1.2 Justicativa e Importncia do Trabalho a

1.2 Justicativa e Importncia do Trabalho a

1.3 A Hiptese Bsica da Tese o a

1.3 A Hiptese Bsica da Tese o a

1.4.2 Objetivos Espec cos

1.5 As Limitaes do Trabalho co

1.5 As Limitaoes do Trabalho c

1.6 Estrutura do Trabalho

1.6 Estrutura do Trabalho

Viso Geral de Grcos de Controle a a

2.2 Algumas das Principais Pesquisas Envolvendo Grcos de Controle a

2.2 Algumas das Principais Pesquisas Envolvendo Gra cos de Controle

2.2 Algumas das Principais Pesquisas Envolvendo Grcos de Controle a

2.2 Algumas das Principais Pesquisas Envolvendo Grcos de Controle a

2.2 Algumas das Principais Pesquisas Envolvendo Grcos de Controle a

2.3 Princ pios dos Grcos de Controle a

2.3 Princ pios dos Grcos de Controle a

2.4 Grco de Controle na Prtica a a

2.4 Grco de Controle na Prtica a a

2.4 Grco de Controle na Prtica a a

LSC LSA LC LIA LIC

Nmero das Amostras (Pontos de Tempo)

2.5 Planejamento de um Grco de Controle a

2.5 Planejamento de um Grco de Controle a

2.5 Planejamento de um Grco de Controle a

2.6 Benef cios da Utilizao dos Grcos de Controle ca a

2.6 Benef cios da Utilizao dos Grcos de Controle ca a

2.7 Tipos de Grcos de Controle a

2.7 Tipos de Grcos de Controle a

2.8 Teste de Hiptese e Grcos de Controle o a

2.8 Teste de Hiptese e Grcos de Controle o a

2.8 Teste de Hiptese e Grcos de Controle o a

Grcos de Controle para Variveis a a

3.2 Grcos de Controle para Monitorar a Disperso do Processo a a

3.2 Grcos de Controle para Monitorar a Disperso a a do Processo

3.2.1 Grco do Desvio Padro (Grco S) a a a

3.2 Grcos de Controle para Monitorar a Disperso do Processo a a

No entanto, o desvio padro amostral Sj no um estimador no-viesado de (veja a a e a

dade, pode-se vericar que Sj = E[Sj ] = cn e Sj = V ar[Sj ] = 2 c2 2 = n 1 c2 , n (3.5) (3.4)

onde n o tamanho do subgrupo amostral e e cn = 2 n1

(n/2) . [(n 1)/2]

3.2 Grcos de Controle para Monitorar a Disperso do Processo a a

3.2 Grcos de Controle para Monitorar a Disperso do Processo a a

3.2.2 Grco da Varincia (Grco S 2 ) a a a

de liberdade, pode-se vericar que

2 4 = =V . (3.13) n1 2 2 Se m amostras so analisadas, cada uma com tamanho n, e suas varincias S1 , S2 , . . ., a a

2 a e Sm calculadas, um estimador no-tendencioso de 2

3.2 Grcos de Controle para Monitorar a Disperso do Processo a a

2 A partir de (3.13) e (3.14), um estimador no-tendencioso para o desvio padro de Sj a a e

3.2 Grcos de Controle para Monitorar a Disperso do Processo a a

3.2.3 Grco da Amplitude (Grco R) a a

3.2 Grcos de Controle para Monitorar a Disperso do Processo a a