Qualidade na empresa. Fundamentos de CEP. Gráfico por variáveis. Capacidade do processo. Gráficos por atributos. Gráficos com.

Transcrição

1 Roteiro da apresentação 1 Controle de Qualidade Lupércio França Bessegato Gráficos com autocorrelação UFMG Especialização em Estatística Setembro/2008 Gráficos com autocorrelação 5 6 Gráficos com autocorrelação 7 8

2 Atributos Inspeção de qualidade Gráfico de Controle por Atributos Inspeção de qualidade São usados em processo que: Produz itens defeituosos mesmo em controle; Produz itens com pequenos defeitos que podem ser sanados; Produz itens com alguns pequenos defeitos não inutilizam o todo. Tipos de gráficos: Gráfico de np; Gráfico de p; Gráfico de C. São muito usados em controle de qualidade de serviços.

3 Inspeção de qualidade Gráfico de Controle de np Inspeção de qualidade Exemplo Monitoramento de qualidade de serviço em um restaurante Pesquisa diária com 200 clientes sobre o grau de satisfação (BOM/RUIM) para 3 características de qualidade: Comida; Atendimento; Limpeza.

4 : Gráficos de Controle por Atributos 8.1 Gráfico de controle de np 8.1 Gráfico de controle de np Dia da Pesquisa Num. De Clientes Pesquisados=200/dia Figura 8.1: Número de Clientes Insatisfeitos com a Comida Dia da Pesquisa Num. de clientes pesquisados=200/dia Figura 8.2: Número de Clientes Insatisfeitos com o Atendimento Dia da Pesquisa Num. de clientes pesquisados= 200/dia Figura 8.3: Número de Clientes Insatisfeitos com a Limpeza

5 Análise dos Gráficos Comida: Qualidade deixou a desejar nos 10 dias iniciais, equilibrou-se e piorou gradualmente a partir do 21 o dia; Atendimento: Entre o 15 o eo26 o diminuiu a quantidade de clientes insatisfeitos SALÁRIOS ATRASOS POLÍTICA CONFLITO QUALIFICAÇÃO AUDITORIA ROTATIVIDADE TREINAMENTO FORNECEDORES ROTATIVIDADE Limpeza Atendimento Comida Inspeção de qualidade Limpeza: Aparenta sazonalidade (a cada 5 dias há redução na quantidade de insatisfeitos. FUNCIONÁRIOS Figura 8.4: Diagrama de Causa e Efeito- Restaurante F&F

6 Tabela 8.1: Lista de Verificação MATÉRIA PRIMA FALTA QUALIDADE ARMAZENAGEM EXPERIÊNCIA MÃO DE OBRA HIGIÊNE Causa Especial Surgimento de insetos Medida de Prevenção Dedetização periódica ILUMINAÇÃO ESPAÇO Comida Falta de qualidade na matéria prima Auditoria nos fornecedores AMBIENTE EQUIPAMENTOS Conflitos internos Treinamento voltado para o trabalho em equipe Figura 8.5: Diagrama de Causa e Efeito- Restaurante F&F- Quesito Comida

7 8.1.1 Construção do Gráfico de controle de np Construção do Gráfico de controle de np Dia da Pesquisa Tabela 8.2: Número de Clientes Insatisfeitos com a Comida Número de Clientes Insatisfeitos Dia NCI Dia NCI Dia NCI subtotal total 60 subtotal clientes pesquisados: Dia da Pesquisa Num. de clientes pesquisados= 200/dia Figura 8.6: Número de Clientes Insatisfeitos

8 Inspeção de qualidade Parâmetro do Gráfico np Estimador do parâmetro: M i=1 p = D i Mn Em que: p: estimativa da probabilidade de defeituosos (p) D i : Quantidade de defeituosos na i-ésima amostra M: Quantidade de amostras n: Tamanho da amostra Se M é grande (M 30), então p estará próximo de p. Inspeção de qualidade Construção do Gráfico np D: Quantidade de defeituosos (clientes insatisfeitos), então: D binomial(n, p) ( ) n P {D = d} = p d (1 p) n d d Os resultados devem ser independentes (Opinião de um cliente não pode interferir na opinião de outro). Parâmetros de D: µ D = np σ D = np(1 p)

9 8.1.1 Construção do Gráfico de controle de np Inspeção de qualidade Limites 3σ São dados por: LSC np = np 0 +3 np 0 (1 p 0 ) LM np = np 0 LIC np = np 0 3 np 0 (1 p 0 ) p 0 : valor de p para processo em controle (se for desconhecido, adota-se p) Se LIC np < 0, adota-se LIC np =0 Numero de Clientes Insatisfeitos com a Comida LSC= 6, LM= 2, Dias da Pesquisa Figura 8.7: Gráfico de controle de np Construído com os Dados da Tabela 8.2

10 8.1.1 Construção do Gráfico de controle de np Inspeção de qualidade Comentários O Processo está em estado de controle estatístico, pois, os 30 pontos estão dentro dos limites de controle, com um comportamento aleatório em torno da média; Se mais de 6 clientes mostrarem-se insatisfeitos com a comida, devem-se buscar causas especiais Se LIC np < 0, adota-se LIC np =0 Numero de Clientes Insatisfeitos com a Comida LSC= 6, LM= 2, Dias da Pesquisa Figura 8.8: Gráfico de controle de np: Quesito Comida

11 Análise de Desempenho do Gráfico de np Inspeção de qualidade Hipóteses associadas: H 0 : p = p 0 vs H 1 : p p 0 Se o interesse é identificar causas especiais para eliminação, usa-se hipótese unilateral; caso se queira identificar as causas benéficas, usa-se hipótese bilateral Riscos: α = 1 P { LIC D LSC } p = p0 β = P { LIC D LSC } p = p1 Inspeção de qualidade Cálculo de Probabilidades para o Gráfico de np As probabilidades podem ser calculadas pela binomial ou aproximadas pela Poisson, nos casos em que p 0, 10 e n 50; Para a aproximação pela Poisson usa-se a Tabela C, em que: P { D d } d e λ λ x λ = x! x=0 O emprego de limites 3σ leva a limites demasiado estreitos, gerando alarmes falsos com uma freqüência maior que a nominal (α =0, 0027).

12 Inspeção de qualidade Cálculo de α e β No caso em que LSC =3, 98 e n = 100, então: α = 1 P { D 3 λ =1 } =1 0, 9810 = 0, 019 NMAF = 52, 6 Nesta situação, para p 1 =0, 02, teremos: β = P { D 3 λ =2 } = 0, 857 Tomando LSC =4, 50 para reduzir α, temos: α = 1 P { D 4 λ =1 } =1 0, 963 = 0, 0037 NMAF = 270, Análise de Sensibilidade do Gráfico de controle de np H 0 : p = 0, 01 (8.11) H1 : p 0, 01 (8.12) Tabela 8.3: Valores de α = β = 1 Pr[ LIC D LSC p = p0 ] Pr[ LIC D LSC p = p1 ] α e β para n=100 e LSC=3,98 p np Pr[D 3] α β 0,01 1 0,981 0,019 0,02 2 0,857 0,857 0,03 3 0,647 0,647 0,05 5 0,265 0,265 0, ,01 0,01

13 8.1.2 Análise de Sensibilidade do Gráfico de controle de np Tabela 8.3: Valores de α e β para n=100 e LSC=3,98 p np Pr[D 3] α β 0,01 1 0,981 0,019 0,02 2 0,857 0,857 0, ,01 0, Análise de Sensibilidade do Gráfico de controle de np Tabela 8.3: Valores de α e β para n=100 e LSC=3,98 p np Pr[D 3] α β 0,01 1 0,981 0,019 0,02 2 0,857 0,857 0,03 3 0,647 0,647 0,05 5 0,265 0,265 Tabela C: Distribuição de Poisson Acumulada d λ 1,90 2,00 2,20 0 0,1496 0,1353 0, ,4337 0,4060 0, ,7037 0,6767 0, ,8747 0,8571 0, ,9559 0,9473 0,9275 Tabela 8.4: Valores de α e β para n=100 e LSC=4,50 p np Pr[D 4 ] α β 0,01 1 0,996 0,004 0,02 2 0,947 0,947 0,03 3 0,815 0,815 0,05 5 0,440 0,440

14 8.1.2 Análise de Sensibilidade do Gráfico de controle de np Tabela 8.4: Valores de α e β para n=100 e LSC=4,50 p np Pr[D 4 ] α β 0,01 1 0,996 0,004 0,02 2 0,947 0,947 0,03 3 0,815 0,815 0,05 5 0,440 0,440 Tabela 8.5: Valores de α e β para n=200 e LSC=6,20 p np Pr[D 6] α β 0,01 2 0,995 0,005 0,02 4 0,889 0,889 0,03 6 0,606 0,606 0, ,130 0,130 0, Inspeção de qualidade Curva de Probabilidade de Não-detecção São comparadas as velocidades de detecção para p fixo. Lê-se no eixo vertical a chance de ainda não ter sido percebida alteração até a amostra desejada; No exemplo, para detecção de p =3%, as curvas são para: n = 100 e LSC =4, 5, e n = 200 e LSC =6, 2. Em termos de proteção contra alarmes falsos os gráficos estão em igualdades de condições: α =0, 04 para n = 100, e α =0, 05 para n = 200 A taxa de amostragem (volume de inspeção) da amostra com n = 200 é o dobro do gráfico com n = 100.

15 8.1.2 Análise de Sensibilidade do Gráfico de controle de np Probabilidade (%) n=100 n= Número da Amostra Figura 8.9: Curva de Probabilidades de Não-Detecção (p=3%) Inspeção de qualidade Determinação do Gráfico para α e β Fixos Supondo-se LIC =0e d = LSC, temos: 1 α = 1 P { D LSC p = p0 } NMAF = d ( ) n = p j 0 j (1 p 0) n j j=0 β = P { D LSC } p = p1 d j=0 ( ) n p j 1 j (1 p 1) n j Para α e β não exceder os valores especificados, devem-se utilizar um tamanho amostral (n) e um LSC que satisfaçam simultaneamente as duas equações. A solução não é trivial.

16 Gráficos com autocorrelação Roteiro para Solução Analítica Dados α e β, cálculos efetuados através da Poisson acumulada: Escolher um valor inicial para d (d 0 ); Procurar p 0 ac, tal que p 0 ac 1 α e ler o valor de λ correspondente (λ 0 ); Calcular n = λ 0 p 0 ; Calcular λ 1 = np 1 ; Procurar p 1 ac para λ 1 e d 0 ; Se p 1 ac = β ou pouco menor, a solução foi encontrada; Se p 1 ac >β, aumente d 0 e reinicie; Se p 1 ac β, diminua d 0 e reinicie. Encontrada a solução, usar LSC = d o +0, 5 Este algoritmo nem sempre leva a uma solução ótima, mas sempre leva a uma boa solução LSC da solução ótima, mas aumn um pouco maior Determinação dos Parâmetros do Gráfico de controle de np que levam a valores para α e β especificados LSC n j n j 1 α = Pr[ D LSC p = p 0 ] = p 0 ( 1 p 0 ) (8.13) j = 0 j LSC n j n j β = Pr[ D LSC p = p1 ] = p1 ( 1 p1 ) (8.14) j = 0 d p 0 =0,01; α 0,002; p 1 =0,05; β 0,50 LSC=? n=?

17 8.1.3 Determinação dos Parâmetros do Gráfico de Controle de np que levam a valores para α e β especificados p 0 =0,01; α 0,002; p 1 =0,05; β 0,50 d 0 P ac (=α) λ 0 =np 0 n λ 1 =np 1 3 0,9982 0, , Determinação dos Parâmetros do Gráfico de Controle de np que levam a valores para α e β especificados p 0 =0,01; α 0,002; p 1 =0,05; β 0,50 d λ 1 =np 1 1 P ac (=β) 3 2,50 entre 0,7360 e 0,7787 (>0.5) Tabela C: Distribuição de Poisson Acumulada d λ 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 0 0,7788 0,7408 0,7047 0,6703 0,6376 0,6065 0,5769 0, ,9735 0,9631 0,9513 0,9384 0,9246 0,9098 0,8943 0, ,9978 0,9964 0,9945 0,9921 0,9891 0,9856 0,9815 0, ,9999 0,9997 0,9995 0,9992 0,9988 0,9982 0,9975 0, ,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0, ,0000 1,0000 1,0000 1,0000 1,0000 Tabela C: Distribuição de Poisson Acumulada d λ 1,90 2,00 2,20 2,40 2,60 2,80 2 0,7037 0,6767 0,6227 0,5697 0,5184 0, ,8747 0,8571 0,8194 0,7787 0,7360 0, ,9559 0,9473 0,9275 0,9041 0,8774 0,8477

18 8.1.3 Determinação dos Parâmetros do Gráfico de Controle de np que levam a valores para α e β especificados p 0 =0,01; α 0,002; p 1 =0,05; β 0, Determinação dos Parâmetros do Gráfico de Controle de np que levam a valores para α e β especificados Planilha do Excel Tabela 8.6: Determinação dos Parâmetros do Gráfico de np pelo algoritmo que utiliza a tabela da distribuição de Poisson d 0 P ac (=α) λ 0 n λ 1 =np 1 1 P ac (=β) 3 0,9982 0, ,50 entre 0,7360 e 0,7787 (>0.5) 4 0,9982 0, ,25 entre 0,5512 e 0,5898 (>0.5) 5 0,9985 1, ,00 0,4457 (<0,5 solução) n= 50 po= 0,010 p1= 0,050 alfa= 0,002 beta=0,500 LSC=5,5 n=120 d= alfa 0,002 0,000 0,000 0,000 0,000 0,000 0,000 0,000 beta 0,077 0,279

19 8.1.3 Determinação dos Parâmetros do Gráfico de Controle de np que levam a valores para α e β especificados Determinação dos Parâmetros do Gráfico de Controle de np que levam a valores para α e β especificados Planilha do Excel Planilha do Excel n= 113 n= 114 po= 0,010 p1= 0,050 alfa= 0,002 beta=0,500 po= 0,010 p1= 0,050 alfa= 0,002 beta= 0,500 d= alfa 0,001 0,000 0,000 0,000 0,000 0,000 beta 0,003 0,021 0,074 0,178 0,328 d= alfa 0,001 0,000 0,000 0,000 0,000 0,000 beta 0,003 0,020 0,072 0,173 0,321 0,492

20 8.1.3 Determinação dos Parâmetros do Gráfico de Controle de np que levam a valores para α e β especificados Planilha do Excel n= 116 po= 0,010 p1= 0,050 alfa= 0,002 beta=0,500 Gráfico de Controle de p d= alfa 0,001 0,000 0,000 0,000 0,000 0,000 beta 0,003 0,019 0,067 0,163 0,306 0,475 Inspeção de qualidade

21 Construção do Gráfico de Controle de p Plotam-se as frações de defeituosos de cada amostra de tamanho n, ou seja, D/n; Gráfico de Controle de p Limites de Controle: Dividir por n os limites do gráfico de np; Limites 3σ: p0 (1 p 0 ) LSC p = p 0 +3 n LM p = p 0 p0 (1 p 0 ) LIC p = p 0 3 n

22 Proporção de clientes insatisfeitos com a comida 0,035 0,030 0,025 UCL=0,03111 Análise do Gráfico 0,020 0,015 0,010 0,005 0, LSC LIC p p = 0,01+ 3 = Dia da pesquisa ,01(1 0,01) / 200 = 0,031 _ P=0,01 LCL=0 30 Para um mesmo valor de n, ele equivale ao gráfico de np (risco α, poder e forma). Diferem apenas na escala do eixo vertical; LM informa diretamente o nível de qualidade ; Opta-se pelo gráfico de p quando o tamanho amostral não pode ser mantido constante.

23 Variação do Tamanho Amostral Exemplo Quando n varia, o gráfico apresentará vários limites de controle; Se a variação for pequena, pode-se adotar os limites baseados na maior amostra. Sempre que um ponto cair na região de ação do gráfico, compara-se então com o limite exato (considerar o n da amostra que gerou o ponto); Quando p 0 é desconhecido, usamos como estimador: M i=1 p = D i M i=1 n i em que: n i : tamanho da i-ésima amostra D i : quantidade de defeituosos da i-ésima amostra Gráficos com autocorrelação Processo que quando isento de causa especiais produz 5% de defeituosos; Amostras de tamanhos ; Cálculo do limite de controle superior: 0, 05(1 0, 05) LSC p =0, n Amostra n i D i ˆp LIC p LSC p , , , , , , , , , , , , , , , 0962

24 Gráfico p com limites diferenciados 0,10 0,08 UCL=0,0962 Comentários Proporção 0,06 0,04 _ P=0,05 Pode-se construir o gráfico p com base na amostra de maior tamanho (n = 240); O intervalo assim calculado é mais conservativo; 0,02 0, Amostra Limites de controle calculados com diferentes tamanhos amostrais 5 LCL=0,0038 Gráficos com autocorrelação Caso haja sinal de alarme, deve-se comaprar o valor de ˆp com os limites de controle exatos.

25 Gráfico p com Limite Superior Fixo Proporção 0,10 0,08 0,06 0,04 0,02 0, Número da amostra Limite superior baseado na maior amostra (n = 240) UCL=0,0922 _ P=0,05 LCL=0,0078 Gráficos com autocorrelação Análise do Gráfico A5 a amostra apresentou-se com D 5 =19, n 5 = 200 e p 5 =0, 095, logo: LSC p = 0, 05 0, 95 0, = Não se confirma o sinal de alarme, pois, ˆp 5 <LSC 5.

26 Gráfico de Controle de C Gráfico de Controle de C Também conhecido como gráfico do número de defeitos ou do número de não-conformidades Monitora o número de não-conformidades na amostra; Em produtos com muitos componentes pode-se monitorar o processo pelo número de não-conformidades (a freqüência média de defeitos é medida de qualidade); Consideramos unidade de inspeção a quantidade básica de produto em que a freqüência de defeitos é expressa Tamanho amostral n está condicionada ao custo, poder desejado, etc. n não é obrigatoriamente inteiro.

27 Carcterística de Qualidade Se o processo estiver em controle, espera-se que as não-conformidades ocorram de maneira aleatória e com baixa freqüência. Se C: quantidade de não-conformidades por unidade de inspeção, espera-se que C P oisson(λ), em que λ éa média de não-conformidades na quantidade de produto considerada, ou seja: Construção do Gráfico Parâmetros de C: µ C = σc 2 = λ, com λ: média de não-conformidades por amostra Limites 3σ: P {C = c} = e λ λ c c! Requisitos para se considerar uma Poisson: independência na ocorrência de não-conformidades; evento raro associado à não-conformidade, com uma infinidade de chances de ocorrências. Gráficos com autocorrelação LSC C = λ 0 +3 λ 0 LM p = λ 0 LIC p = λ 0 3 λ 0

28 Estimativa dos Parâmetros Quantidades amostrais: u: número médio de não-conformidades por unidade de inspeção; n: quantidade de unidades de inspeção na amostra λ: média de não-conformidades por amostra, com λ = nu Se λ 0 = nu 0 é desconhecido, então ū estima u 0 com: Limites 3σ Os limites 3σ serão dados por: LSC C = C +3 C LM C = C LIC C = C 3 C C = nū estima λ 0 ū = m i=1 C i mn,e

29 Gráficos com autocorrelação Exemplo Não conformidades em 40 amostras de 5 geladeiras; Amostra C i Amostra C i Amostra C i Amostra C i Gráficos com autocorrelação Unidade de inspeção: 1 geladeira Tamanho amostral: n =5 Quantidade de defeitos em 40 amostras (m =40): 40 i=1 C i = 100 ū: número médio de não conformidades por unidade de inspeção m i=1 ū = C i =0, 5 mn c: número médio de não conformidades por amostra m i=1 c = nū = C i =2, 5 m

30 Gráfico de controle para número de não-conformidades na amostra 8 7 UCL=7,243 Comentários Número de não conformidades LSC LIC C C = 2,5 + 3 = Amostra 2,5 = 7, _ C=2,5 LCL=0 Gráficos com autocorrelação No gráfico verificamos que o processo permaneceu em controle (todos os pontos dentro dos limites); Hipóteses: H 0 : u =0, 5 vs H 1 : u 0, 5, com n =5e LSC =2, 5+3 2, 5=7, 24; Distribuição das não-conformidades: C i P oisson(λ 0 ), λ 0 =5 0, 5=2, 5

31 Gráficos com autocorrelação Cálculo do Risco α Para LSC =7, 24 e λ 0 =2, 5: α = 1 P { C i 7 λ 0 =2, 5 } =1 0, = 0, 0043 Risco α para gráficos C, com u 0 =5; n λ 0 = nu 0 LSC = λ 0 +3 λ 0 α(%) 1 0, 5 2, 62 1, 5 5 2, 5 7, 24 0, , 0 11, 70 0, 5 Gráficos com autocorrelação Cálculo do Poder Pd Para u 1 =2, tem-se que λ 1 =2 5=10e o poder Pd será: Pd = P { C i > 7 λ1 =10 } = 1 0, 2202 = 0, 7798 Poder para gráficos C, com u 0 =5; n =1 n =5 n =10 LSC C =2, 62 LSC C =7, 24 LSC C =11, 70 u 1 λ 1 P {C >2} λ 1 P {C >7} λ 1 P {C >11} 1 1 0, , , 304 1, 5 1, 5 0, 192 7, 5 0, , , , , 979

32 Poder (%) Poder do Gráfico de Controle de C ,50 0,75 Variable n=1 n=5 n=10 1,00 u 0 = 0,5 1,25 1,50 1,75 2,00 Número de não conformidades por unidade de inspeção 2,25 Determinação do Gráfico para α e β Fixos Dados α e β, deseja-se n e LSC; Supondo-se LIC =0e d = LSC, temos: 1 α = 1 P { C i LSC λ = λ0 } d e λ 0 λ j 0 = j! j=0 β = P { C i LSC } λ = λ 1 = d j=0 e λ 1 λ j 1 j! Para α e β não exceder os valores especificados, devem-se utilizar um tamanho amostral (n) e um LSC que satisfaçam simultaneamente as duas equações. A solução não é trivial.

33 Planejamento de Gráfico C Roteiro para Solução Analítica Gráficos com autocorrelação Dados α e β, cálculos efetuados através da Poisson acumulada: Arbitre um valor para n e calcule λ 0 = nu 0 ; Procurar p 0 ac, tal que p 0 ac 1 α e ler o valor de d 0 correspondente; Calcular λ 1 = nu 1 ; Procurar p 1 ac para λ 1 e d 0 ; Se p 1 ac = β ou pouco menor, a solução foi encontrada; Se p 1 ac >β, aumente d 0 e reinicie; Se p 1 ac β, diminua n e reinicie. Encontrada a solução, usar LSC = d o +0, 5 Este algoritmo nem sempre leva a uma solução ótima, mas sempre leva a uma boa solução LSC da solução ótima, mas aumn um pouco maior. Gráficos com autocorrelação Processo sob controle com média de não-conformidades por unidade de inspeção dada por u 0 =0, 5; Problema: Determinação do tamanho amostral (n) e do Limite Superior de Controle (LSC C ) de gráfico para monitoramento da quantidade de não-conformidades C; Requisitos: Risco α =0, 2% Poder Pd =1 β =0, 50 para detectar mudança do nível de não-conformidade por unidade de inspeção para u 1 =2, 0.

34 Passo 1 Passo 2 Adotando n =2; Adotando n =3; λ 0 =2 0, 5=1; λ 0 =3 0, 5=1, 5; Gráficos com autocorrelação p 0 ac = P {C i 5 λ 0 =1} =0, 999 > 0, 998; λ 1 = n u 1 =2 2=4; p 1 ac = P {C i 5 λ 1 =4} =0, 785; Gráficos com autocorrelação p 0 ac = P {C i 6 λ 0 =1} =0, 999 > 0, 998; λ 1 =3 2=6; p 1 ac = P {C i 6 λ 1 =6} =0, 606; p 1 ac >β, adotar n =3; p 1 ac >β, adotar n =4;

35 Passo 3 Adotando n =4; λ 0 =4 0, 5=2; Determinação dos Parâmetros do Gráfico de C Gráficos com autocorrelação p 0 ac = P {C i 7 λ 0 =2} =0, 999 > 0, 998; λ 1 =4 2=8; p 1 ac = P {C i 7 λ 1 =8} =0, 453; p 1 ac <β, solução encontrada; Solução: n =4; LSC C =7, 5. Gráficos com autocorrelação n λ 0 = nu 0 d 0 λ 1 = nu 1 p 1 ac > 50% 3 1, > 50% < 50%

36 Determinação Parâmetros do Gráfico de C Entradas u 0 = 0,5 u 1 = 2 alpha = 0,002 beta = 0,5 - n = 4 λ 0 = 2 λ 1 = 8 d = alfa = ,001 0,000 0,000 0,000 beta = 0,000 0,003 0,014 0,042 0,100 0,191 0,313 0, n 4 Planilha: Parâmetros C Gráfico de Controle de u

37 Gráfico de Controle de u Número de não-conformidades por unidade de inspeção (para amostras de tamanho variável) Os pontos do gráfico serão dados por: u i = C i n i Parâmetros da distribuição de u i (em controle): Construção do Gráfico Limites 3σ: LSC u = u0 u 0 +3 n i LM u = u 0 LIC u = u 0 3 u0 n i E(u i ) = E Var(u i ) = Var σ(u i ) = ( Ci u0 n i ) = u 0 n i ( Ci n i ) = E( C i n i ) n i LM é fixo e os limites variam de acordo com o tamanho da amostra; O valor de u 0 é estimado com base em M amostras iniciais de tamanho variável: M i=1 ū = C i M i=1 n i

38 Exemplo Fabricação de PCs Gráfico de controle para não-conformidades para PCs Inspeção de produto acabado, com 20 amostras de 5 computadores Número da Tamanho Qte. Defeitos por amostra (C i ) Média defeitos por unidade (u i ) amostra amostral , , , , , , , , , , , , , , , , , , , ,00 Total ,93 u = 20 i i= 1 = 20 i= 1 C 193 = 100 n i 1,93 Gráfico de Controle para Não-conformidade por Unidade Não-conformidade por unidade, ui LSC = 1,93+ 3 LIC u C u 2 4 = 1, Número da amostra 1,93 = 3, ,93 = 0, UCL=3,794 _ U=1,93 LCL=0,066

39 Gráficos com autocorrelação Procedimento para Amostras de Tamanho Variável Os gráficos de controle para não-conformidades são formados ocasionalmente através de inspeção de 100% do produto; A quantidade de unidades de inspeção de uma amostra será, usualmente, não-constante; Neste caso o correto é usar gráfico de controle por unidade Linha central constante; Limites de controle variando inversamente com n. Exemplo Defeitos em Tecido Tingido Gráfico de controle para não-conformidades em fabricação de tecido Inspeção procurando defeitos em 50 m 2 de tecido tingido Número do Área do Qte. Defeitos por amostra (C i ) rolo rolo (m 2 ) inspeção por rolo ,0 1, ,0 1, ,0 1, ,0 1, ,5 0, ,0 1, ,0 1, ,5 1, ,0 1, ,5 1,84 Total ,5 1,42 Unidade de inspeção: áreas de Qte. unidades de 50 m 2 Média defeitos por unidade (u i ) u = 20 Ci 153 = 107,5 n i= 1 = 20 i i= 1 1,423

40 Cálculo dos Limites de Controle Gráfico de Controle para Não-conformidade por Unidade Tamanho Variável da Amostra Gráficos com autocorrelação Número do Rolo, i n i LIC u ū 3 ū/n LSC u ū +3 ū/n 1 10, 0 0, 29 2, , 0 0, 16 2, , 0 0, 43 2, , 0 0, 29 2, , 5 0, 26 2, , 0 0, 29 2, , 0 0, 39 2, , 5 0, 32 2, , 0 0, 39 2, , 5 0, 41 2, 43 Não-conformidades por unidade 3,0 2,5 2,0 1,5 1,0 0,5 0, Número do rolo Tests performed with unequal sample sizes UCL=2,436 _ U=1,423 LCL=0,411

41 Cálculo dos Escores Gráficos com autocorrelação Gráfico de Controle Padronizado Estatística padronizada: São dados por: Z i = u i ū ū n i LSC Z = 3 LM Z = 0 LIC Z = 3 Número do rolo Qte. unidades de inspeção por rolo (n i ) ui Z = i u u n Média defeitos por unidade (u i ) i Desvio-padrão por Escore z i amostra 1 10,0 1,40 0,377-0, ,0 1,50 0,422 0, ,0 1,54 0,331 0, ,0 1,10 0,377-0, ,5 0,74 0,387-1, ,0 1,00 0,377-1, ,0 1,75 0,344 0, ,5 1,52 0,368 0, ,0 1,58 0,344 0, ,5 1,84 0,337 1,235 Média global: 1,423

42 Gráfico de Controle Padronizado para Defeitos por unidade bibliográficas 3 2 Escore z Number of runs about median: 4 Expected number of runs: 6,00000 Longest run about median: 3 Approx P-Value for Clustering: 0,08986 Approx P-Value for Mixtures: 0, Número do rolo Number of runs up or down: 5 Expected number of runs: 6,33333 Longest run up or down: 2 Approx P-Value for Trends: 0,13455 Approx P-Value for Oscillation: 0,86545 É a opção preferida; Apropriado quando paralelamente são usados testes seqüenciais e métodos de reconhecimento de padrão Inspeção de qualidade COSTA, A. F. B.; EPPRECHT, E. K. e CARPINETTI, L. C. R. Controle estatístico de qualidade. Atlas, MONTGOMERY, D. C. Introdução ao controle estatístico de qualidade. 4a. Edição LTC, WERKEMA, M. C. C. Ferramentas estatísticas básicas. Fundação Cristiano Ottoni, WERKEMA, M. C. C. Avaliação da qualidade de medidas. Fundação Cristiano Ottoni, 1996.

43 Inspeção de qualidade Controle de Qualidade Lupércio França Bessegato UFMG Especialização em Estatística Abril/2007