Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Documentos relacionados
Cap. 5. Testes de Hipóteses

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Macroeconometria Aula 3 Revisão de estatística e teste de hipótese

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

Estatística: Aplicação ao Sensoriamento Remoto SER ANO Estimação Pontual

Construção e Análise de Gráficos

x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População

Econometria: 3 - Regressão Múltipla

MAE0229 Introdução à Probabilidade e Estatística II

Avaliação da qualidade do ajuste

Introdução à Teoria dos Números Notas 1 Os Princípios da Boa Ordem e de Indução Finita Prof Carlos Alberto S Soares

Estatística. 2 - Estatística Descritiva

REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA

NOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling

Gráficos de Controle para Processos Autocorrelacionados

Estatística - exestatmeddisper.doc 25/02/09

ESTATÍSTICA Exame Final 1ª Época 3 de Junho de 2002 às 14 horas Duração : 3 horas

DISTRIBUIÇÃO HIPERGEOMÉTRICA

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.

Inferência Estatística e Aplicações I. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Regressão Simples. Parte III: Coeficiente de determinação, regressão na origem e método de máxima verossimilhança

Prof. Janete Pereira Amador 1

Capítulo 5: Ajuste de curvas pelo método dos mínimos quadrados

Distribuições de Probabilidades

Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

Estimação pontual, estimação intervalar e tamanho de amostras

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

Métodos iterativos. Capítulo O Método de Jacobi

MEDIDAS DE TENDÊNCIA CENTRAL I

? Isso é, d i= ( x i. . Percebeu que

ESTATÍSTICA APLICADA À ZOOTECNIA

Regressao Simples. Parte II: Anova, Estimação Intervalar e Predição

Modelo de Regressão Simples

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Confiabilidade Estrutural

MEDIDAS DE DISPERSÃO:

NOTAS DE AULA DA DISCIPLINA CE076 = 2. ], T 2 = conhecido como T 2 de Hotelling

6.1 - PROCEDIMENTO DE AVALIAÇÃO DE INCERTEZA EM MEDIÇÕES DIRETAS

CEDEPLAR - UFMG Nivelamento em Estatística 2013 Prof a Sueli Moro. Variáveis aleatórias

Organização; Resumo; Apresentação.

Tópicos Extras 2ª parte. Análise de Correlação e Regressão

Estatística Descritiva. Medidas estatísticas: Localização, Dispersão

Revisão de Estatística X = X n

7 Análise de covariância (ANCOVA)

Nas Instituições de Ensino Superior(IES), há uma relação direta entre a qualidade do ensino e a taxa de inadimplência. A taxa de inadimplência das

HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia

Testes não-paramétricos

O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.

Estudo do intervalo de confiança da regressão inversa utilizando o software R

REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi

Ex: Cálculo da média dos pesos dos terneiros da fazenda Canoas-SC, à partir dos dados originais: x = 20

Difusão entre Dois Compartimentos

Total Bom Ruim Masculino

NOTA: ESCREVA AS RESPOSTAS COMO FRAÇÕES OU COM 4 CASAS DECIMAIS NOTA 2: O FORMULÁRIO ESTÁ NO FINAL DA PROVA

ANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS

a) 1,8 e 4,6. b) 2,0 e 2,2. c) 1,8 e 5,2. d) 2,0 e 4,6. e) 2,0 e 1,9.

2. MODELO DETALHADO: Relações de Recorrência. Exemplo: Algoritmo Recursivo para Cálculo do Fatorial Substituição Repetida

Centro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola

13 ESTIMAÇÃO DE PARÂMETROS E DISTRIBUIÇÃO AMOSTRAL

Dados Experimentais. Isto é chamado de experimento controlado. Uma das vantagens

Relatório 2ª Atividade Formativa UC ECS

Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f

Probabilidades e Estatística LEE, LEIC-A, LEIC-T, LEMat, LERC, MEBiol, MEBiom, MEEC, MEFT, MEMec, MEQ

CAPÍTULO 5: AMOSTRAGEM

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Medidas Numéricas Descritivas:

Estabilidade no Domínio da Freqüência

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

MÓDULO 8 REVISÃO REVISÃO MÓDULO 1

UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA APOSTILA DE ESTATÍSTICA PARA CURSOS DE ENGENHARIA

TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL

ESTATÍSTICA MÓDULO 2 OS RAMOS DA ESTATÍSTICA

5 Critérios para Análise dos Resultados

8 Programação linear 78

CONHECIMENTOS ESPECÍFICOS

Estatística: uma definição

Caracterização de Partículas. Prof. Gerônimo

d s F = m dt Trabalho Trabalho

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:

Capitulo 1 Resolução de Exercícios

50 Logo, Número de erros de impressão

Grande Conjuntos de Dados. Organização; Resumo; Apresentação. Amostra ou População. Defeitos em uma linha de produção

9 Medidas Descritivas

Análise de Regressão

1. Conceito de variável aleatória Podemos estudar, por exemplo, algumas características dos alunos do Curso de estatística.

( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.

Estatística: uma definição

Estatística: uma definição

1. Conceitos básicos de estatística descritiva 1.3. Noção de extracção aleatória e de probabilidade

Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.

3 Análises Probabilísticas de Estabilidade

6. Inferência para Duas Populações USP-ICMC-SME 2013

Oitava Lista de Exercícios

Apêndice 1-Tratamento de dados

MATERIAL DE ESTATÍSTICA II PROF. MÁRIO ROBERTO

Aula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação

3 Procedimento Experimental

Transcrição:

Cotrole Estatístco de Qualdade Capítulo 6 (motgomery)

Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem specoado como coforme ou ão-coforme Tas característcas são chamadas de atrbutos. Exemplos: Haste empeada, Chps que ão fucoam, Embalages com defetos. Os gráfcos de atrbutos ão são tão formatvos quato o de varáves. Uma medda umérca retém mas formação do que uma classfcação: coforme ou ão-coforme

Gráfcos de Cotrole para Atrbutos Itrodução Por outro lado, esses gráfcos tem aplcações mportates: Na dústra de servços ou a melhora da qualdade fora da dústra mutas característcas ão são mesuradas em escala umérca. Por exemplo: Satsfação com um servço. Iremos estudas 3 gráfcos para atrbutos Gráfco p: aalsa a fração de tes ão-coformes Gráfco c: aalsa o úmero de defetos ou ão-coformes Gráfco u: aalsa o úmero de defetos por udade produzda

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Itrodução Fração ão coforme: defda como a razão etre o úmero de tes ão-coformes em uma população e o total de tes aquela população; Um tem pode ter váras característcas da qualdade que são examadas. Se ao meos uma ão satsfaz o padrão, ele é classfcado como ãocoforme; Os prcípos estatístcos para costrução do Gráfco p se baseam a dstrbução Bomal.

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Suposções p probabldade de que uma udade (tem) ão esteja detro dos padrões de especfcação As sucessvas udades produzdas são depedetes Logo, cada udade produzda segue uma dstrbução de Beroull (p) Se uma amostra aleatóra de udades é selecoada e se D é o úmero de udades ão coformes, etão D ~ Bomal (, p)

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Logo ode E(D) p e Var(D) p(1-p)., 0,1,, ) (1 ) ( x p p x x D P x x K

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Suposções Fração amostral ão-coforme: razão etre o úmero de udades ão-coformes a amostra (D) e o tamaho da amostra () D p ˆ Da aproxmação da Bomal para Normal, temos que p(1 p) pˆ ~ Normal p,

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Desevolvmeto e Operação Supoha que a verdadera fração ão-coforme (p) é cohecda ou especfcada. Logo, a lha cetral e os lmtes de cotrole do Gráfco p são defdos por p(1 p) LSC p + 3 LM p p(1 p) LIC p 3 O desvo padrão do processo é dado por p( 1 p) σ p

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Desevolvmeto e Operação No etato, ormalmete a fração ão-coforme (p) ão é cohecda e precsa ser estmada a partr dos dados observados. A operação deste gráfco cosste em: Tomada de amostras subsequetes de tamaho ; Calculo da fração amostral ão coforme ; pˆ Marcação de o gráfco; Verfcar se o processo se ecotra sob cotrole (dêtco ao gráfco para varáves). pˆ

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Estmado a fração ão coforme (p) Seleção de m amostras prelmares (20 a 25), cada uma de tamaho.. Se há D udades ão coformes a amostra, calculamos a fração ão coforme a -ésma amostra como, 1, K, m. e a méda dessas frações como p pˆ m D m. D m 1 1 m pˆ

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Estmado a fração ão coforme (p) p A estatístca estma a fração ão coforme descohecda p p(1 p) LSC p + 3 LM p p(1 p) LIC p 3 Lembre que esses lmtes são, calmete, os lmtes tetatvos de cotrole e devem ser valdados (dêtco ao gráfco para varáves).

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Abordagem 1: Escolher tal que a probabldade de ecotrar ao meos 1 udade defetuosa seja pelo meos γ P(D 1) γ Exemplo: supoha p 0,01 e que P(D 1) 0,95. Usado a aproxmação da Posso para Bomal (λp), ou seja, D agora será P( D k) e λ k λ k!

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Temos que λ P( D 1) 1 P( D 0) 1 e 0,95 λ λ 1 e 0,95 0,05 e λ l( 0,05) λ 2,99 l(0,05) λ Lembrado que pela aproxmação da Posso para Bomal, λp, etão 3 p λ 0,01 300 3,00

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Abordagem 2 (Duca 1986): Escolher de modo que uma mudaça de tamaho δ a fração ão coforme dque que o processo está fora de cotrole. Logo, basta escolher de modo que a mudaça δ a fração ão coforme cocda com o lmte de cotrole Assm, δ L L δ p( 1 2 p(1 p) p)

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Abordagem 2 (Duca 1986) Exemplo: p 0,01 L 3 δ 0,04 (mudaça de p 0 0,01 p 1 0,05) 2 L p(1 p) δ 3 0,04 2 0,01(1 0,01) 56

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Abordagem 3: Escolher grade o bastate para que LIC seja postvo (maor que zero) Isso garate que remos vestgar um úmero mímo de tes ão coformes LIC p L p(1 p) > 0 Logo > (1 p) p L 2

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Gráfco p: Cálculo do tamaho de amostra Abordagem 3 Exemplo: p 0,05 L 3 ( 1 p) 2 (1 0,05) 2 > L (3) p 0,05 171

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Cosderações O Gráfco p ão é um modelo uversal para motorar dados sobre fração de ão coformes; Lembre-se que o Gráfco p basea-se o modelo Bomal Probabldade de ocorrêca de uma udade ão coforme é costate As udades de produção sucessvas são depedetes O Gráfco p ão é váldo quado, por exemplo, Probabldade de uma udade ão coforme depede da udade ateror ter sdo ão coforme (ou ão)

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Cosderações Deve-se ter cautela ao aalsar potos que se localzam abaxo do lmte feror de cotrole. Tas potos podem ão represetar melhora real a qualdade do processo. Segudo Motgomery, sso pode ocorrer devdo Erros o processo de speção Ispetores adequadamete treados ou experetes Equpametos de speção adequadamete calbrados Omssão de udades ão coformes por spetores

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Exemplo Suco de Laraja é embalado em caxas de papelão. O vazameto do suco devdo a uma falha de vedação a caxa caracterza-se como uma característca da qualdade. Deseja-se estabelecer um gráfco de cotrole para melhorar a fração de embalages ão-coforme produzdas por uma máqua. Cosdere que foram selecoadas 30 amostras, com 50 embalages cada.

Gráfcos de Cotrole para Fração de Não Coformes (Gráfco p) Exemplo p m D 347 (30)(50) 1 m 0,2313 p(1 LSC p + 3 LM p 0,2313 p) 0,2313 + 3 0,2313(1 0,2313) 50 0,4102 LIC p 3 p(1 p) 0,2313 3 0,2313(1 0,2313) 50 0,0524

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) 0.5 P Chart 1 Novo Materal 1 Novo Operador 0.4 UCL0.4102 Proporto 0.3 0.2 _ P0.2313 0.1 LCL0.0524 0.0 1 4 7 10 13 16 Sample 19 22 25 28 Revsão dos Lmtes Tetatvos Retrado os Potos Fora de Cotrole

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) P Chart 0.5 0.4 1 Novo Materal 1 1 Novo Operador UCL0.3893 Proporto 0.3 0.2 _ P0.215 0.1 LCL0.0407 0.0 1 4 7 10 13 16 Sample 19 22 25 28 Na amostra 21 ão fo detfcada causa atrbuível. Assm, o poto será coservado e esses lmtes serão usados para motorar o processo.

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Tamaho de Amostra Varável Exstem três abordages para costrução de um gráfco de cotrole com tamaho de amostra varável. Abordagem 1 Essa abordagem leva um cosderação o tamaho da amostra em cada subgrupo ( ). p(1 p) m LSC p + 3 p 1 m 1 D LM LIC p p 3 p(1 p)

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Tamaho de Amostra Varável Abordagem 2 Tamaho Médo de Amostra Essa abordagem leva um cosderação o tamaho médo das amostras Pode ser teressate caso os futuros tamahos de amostras ão sejam muto dferetes m 1 m LSC p + 3 LIC p 3 p(1 p) p(1 p)

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Tamaho de Amostra Varável Abordagem 3 Gráfco de Cotrole Padrozado Neste gráfco, teremos LSC 3 LM 0 LIC -3 A varável plotada o gráfco será p Z pˆ p(1 p) p (ou p, caso seja dado um valor padrão) é a fração ãocoforme do processo sob cotrole.

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Tamaho de Amostra Varável Exemplo Abordagem 1

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Exemplo Abordagem 1 p m 234 2450 1 m 1 D 0,096 LSC p + 3 LM LIC p(1 p) p 0,096 p(1 p) p 3 0,096 + 3 0,096 3 0,096(0,904) 0,096(0,904)

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) P Chart 0.2 3.0SL0.1885 Proporto 0.1 P0.09551 0.0-3.0SL0.002565 0 5 10 15 20 25 Sample Number Amostra 11 ecotra-se acma do LSC Revsar os Lmtes Tetatvos

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Exemplo Abordagem 3 Z Z pˆ p(1 p) pˆ p 0,096 0,096(0,904)

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) 4 Gráfco de Cotrole Padrozado 3 2 Escore Z 1 0-1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25-2 -3-4 Subgrupo Amostra 11 ecotra-se acma do LSC

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Cosderações Aplcações ão-dustras O gráfco p pode ser aplcado em váras característcas da qualdade em ambetes ão dustras Ex: Número de etregas fetas fora do prazo.

Gráfcos de Cotrole para Fração de Não Coformes (Gráfco p) Fução Característca de Operação Será uma vsualzação gráfca da probabldade de erro tpo II versus a fração ão coforme do processo. A probabldade de erro tpo II é dada por β β β P( LIC < pˆ < LSC p) P( pˆ < LSC p) P( pˆ LIC p) P( D < LSC p) P( D LIC p) Como D ~ Bomal (,p), β pode ser calculado a partr da dstrbução bomal acumulada.

Gráfcos de Cotrole para Fração de Não Coformes (Gráfco p) Fução Característca de Operação Exemplo Cosdere um gráfco de cotrole para fração ão coforme com LIC 0.0303, LSC 0.3697, p 0.20 e 50 β P( D < (50)(0.3697) p) P( D (50)(0.0303) p) β P( D < 18.49 p) P( D 1.52 p) β P( D 18 p) P( D 1 p)

Gráfcos de Cotrole para Fração de Não-Coformes (Gráfco p) Fução Característca de Operação p P(D<18) P(D<1) Beta 0.01 1.0000 0.9106 0.0894 0.03 1.0000 0.5553 0.4447 0.05 1.0000 0.2794 0.7206 0.10 1.0000 0.0338 0.9662 0.15 0.9999 0.0029 0.9970 0.20 0.9975 0.0002 0.9973 0.25 0.9713 0.0000 0.9713 0.30 0.8594 0.0000 0.8594 0.35 0.6216 0.0000 0.6216 0.40 0.3356 0.0000 0.3356 0.45 0.1273 0.0000 0.1273 0.50 0.0325 0.0000 0.0325 0.55 0.0053 0.0000 0.0053

Curva CO (p_barra0.2; LIC0.0303 e LSC0.3697) 1.0 0.9 0.8 0.7 0.6 Beta 0.5 0.4 0.3 0.2 0.1 0.0 0.01 0.03 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 p

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Itrodução Depededo de sua atureza e gravdade, é possível que um tem coteha város defetos de fabrcação (ão coformdades) Há váras stuações prátcas ode é preferível trabalhar com o úmero de defetos ao vés da fração ão coforme Exemplo: º de soldas com defetos em 100m de oleoduto, º de defetos em um equpameto eletrôco, etc.

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Itrodução É possível costrur gráfcos de cotrole tato para o úmero total de defetos em uma udade, quato para o úmero médo de defetos por udade. Uma udade de speção pode ser um subgrupo (de tamaho costate) de tes 5 rádos 1 TV Uma área de 4m 2

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Suposções Esses gráfcos supõem que o úmero de defetos por udade de speção é bem modelado pela dstrbução de Posso Além dsso, O úmero de locas potecas para defetos deve ser grade Probabldade de ocorrêca de um defeto em qualquer local é a mesma (costate) A udade de speção deve ser a mesma para cada amostra

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Suposções Cosdere que X úmero de defetos em uma udade de speção, segue a dstrbução Posso com parâmetro c c x e c P( X x), x 0,1,2,K x! Sabe-se que, E(X) c e Var(X) c

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Desevolvmeto e Operação Supoha cohecdo ou especfcado o verdadero úmero de defetos. Logo, a lha cetral e os lmtes (*) de cotrole do Gráfco c são defdos por LSC c + 3 LM c LIC c 3 c c (*) O rsco α ão é gualmete alocado para LIC/LSC já que a dstrbução de Posso é assmétrca. Algus autores sugerem o uso de lmtes probablístcos.

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Desevolvmeto e Operação O desvo padrão do processo é dado por σ c c Etretato, ormalmete o verdadero úmero de defetos (c) ão é cohecdo e precsa ser estmado. Seja c o úmero médo de defetos observado em uma amostra prelmar de udades de speção, temos que LSC c + 3 LM LIC c c 3 c c

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Desevolvmeto e Operação Tas lmtes são cosderados como lmtes tetatvos de cotrole. Deve-se examar as amostras prelmares para verfcar se o processo estava sob cotrole, ou seja, valdar os lmtes tetatvos.

Gráfco c Exemplo Cosdere o úmero de defetos observados em 26 amostras sucessvas de 100 placas de crcuto mpresso. (1 amostra 1 udade de speção) c 516 26 19,85

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Exemplo Assm, os lmtes de cotroles tetatvos são dados por LSC c + 3 c 19,85 + 3 19,85 33,22 LM LIC O desvo padrão do processo pode ser estmado por ˆ c 19,85 σ c c 19,85 c 3 c 19,85 3 19,85 4,46 6,48

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) 40 C Chart 1 Cotrole de Temperatura 30 UCL33.22 Sample Cout 20 _ C19.85 10 LCL6.48 1 Erro de speção 0 1 4 7 10 13 Sample 16 19 22 25 Amostra 6 e 20 ecotram-se fora dos lmtes de cotrole Revsar os Lmtes Tetatvos

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) 35 30 C Chart (wthout samples 6 ad 20) UCL32.97 Sample Cout t25 20 15 _ C19.67 10 5 1 3 5 7 9 11 13 Sample 15 17 19 21 23 LCL6.36 Novos Lmtes Tetatvos Nehum padrão ão aleatóro fo detfcado

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) 35 30 C Chart (20 ew samples) UCL32.97 Sample Cout t25 20 15 _ C19.67 10 5 25 27 29 31 33 35 Sample 37 39 41 43 LCL6.36 Processo cotua sob cotrole. No etato, o úmero de defetos ada é alto. Necessára ação da gerêca para melhorar o processo.

Gráfcos de Cotrole para o Número de Defetos (Gráfco c) Aálse Adcoal Dados sobre defetos são mas formatvos que a fração ão coforme. É possível detfcar os dferetes tpos de defetos. Através de um Gráfco de Pareto ou Dagrama de Causa-Efeto pode-se detfcar a causa mas frequete. Tal formação é de grade utldade o desevolvmeto de plaos de ação que devem acompahar os gráfcos de cotrole

Gráfco u Itrodução Frequetemete o úmero de udades que compõem os subgrupos é varável. Nesses casos estamos teressados em cotrolar a taxa de defetos por udade e, o gráfco a ser utlzado será o Gráfco u.

Gráfco u Redefr o gráfco de cotrole, tomado como base o úmero médo de defetos por udade de speção Redefdo x total de defetos em uma amostra de udades de speção Etão, o úmero médo de defetos por udade de speção será u x

Gráfco u Note que u segue a dstrbução Posso. X ~ Posso (c), ode E(X) c e Var(X) c. X ~ Posso (c), ode E(X) c e Var(X) c. Seja u E c c x Var u Var c x E u E x u ) ( 1 ) ( ) ( ) ( ) ( 2 2

Gráfco u O desvo padrão do processo é dado por σ u E ( u ) No etato, ormalmete o verdadero úmero médo de defetos por udade E(u) ão é cohecdo e precsa ser estmado. Seja u o úmero médo amostral de defetos por udade, temos que u LSC u + 3 LM u LIC u 3 u

Gráfco u Exemplo u Número de defetos em 20 amostras de 5 computadores cada Temos que m 38,6 20 1 m u 1,93 Número da Tamaho da Não Cof. Amostra Amostra () por udade u 1 5 10 2,0 2 5 12 2,4 3 5 8 1,6 4 5 14 2,8 5 5 10 2,0 6 5 16 3,2 7 5 11 2,2 8 5 7 1,4 9 5 10 2,0 10 5 15 3,0 11 5 9 1,8 12 5 5 1,0 13 5 7 1,4 14 5 11 2,2 15 5 12 2,4 16 5 6 1,2 17 5 8 1,6 18 5 10 2,0 19 5 7 1,4 20 5 5 1,0

Gráfco u Exemplo Assm, os lmtes de cotroles tetatvos são dados por u LSC u + 3 LM u 1,93 u 1,93 ˆ 5 σ u 1,93 + 3 1,93 5 u 1,93 LIC u + 3 1,93 3 0,07 5 O desvo padrão do processo pode ser estmado por 0,62 3,79

Gráfco u 4 U Chart UCL3,794 Sample Cout Pe er Ut 3 2 1 _ U1,93 0 LCL0,066 2 4 6 8 10 12 Sample 14 16 18 20 Nehum poto fora dos lmtes de cotrole Nehum padrão ão aleatóro fo detfcado

Tamaho de Amostra Varável O procedmeto é usar um gráfco u que terá lha cetral costate, etretato, os lmtes de cotrole rão varar versamete proporcoal a raz quadrada do tamaho da amostra u u m x 1 m 1 x LSC u LM LIC u u + 3 3 u u

Gráfco u Amostra varável Exemplo u Número de defetos a cada 50 metros m 1 153 107,5 1 m x Número da Metros Não Cof. Nº udades Amostra por udade p/ 50m () u 1 500 14 10,0 1,40 2 400 12 8,0 1,50 3 650 20 13,0 1,54 4 500 11 10,0 1,10 5 475 7 9,5 0,74 6 500 10 10,0 1,00 7 600 21 12,0 1,75 8 525 16 10,5 1,52 9 600 19 12,0 1,58 10 625 23 12,5 1,84 153 107,5 1,42

Gráfco u Amostra varável Exemplo Assm, os lmtes de cotroles tetatvos são dados por LSC u LM u + 3 1,42 u 1,42 + 3 1,42 LIC u + 3 u 1,42 3 1,42

Gráfco u Amostra Varável 3,0 U Chart (uequal sample szes) 2,5 UCL2,436 Sample Cout Pe er Ut 2,0 1,5 1,0 _ U1,423 0,5 LCL0,411 0,0 1 2 3 4 5 6 Sample 7 8 9 10 Nehum poto fora dos lmtes de cotrole Nehum padrão ão aleatóro fo detfcado

Gráfco c e Gráfco u Fução Característca de Operação Tato para o Gráfco c quato para o Gráfco u, as curvas característcas de operação (CO) são obtdas da dstrbução de Posso. CO: Gráfco c Probabldade β vs verdadero úmero médo de defetos c β P( LIC β P( x ode X ~ Posso (c) < x < LSC c) < LSC c) P( x LIC c)

Gráfco c e Gráfco u Fução Característca de Operação Exemplo Cosdere o gráfco c com LIC 6,48 e LSC 33,22 β P( x < 33,22 c) P( x 6,48 c) β P( x 33 c) P( x 6 c) Lembrado que esses lmtes de cotrole foram obtdos de um exemplo ode c 19,85

Gráfco c e Gráfco u Fução Característca de Operação c P(X<33) P(X<6) Beta 1 1.0000 0.9999 0.0001 3 1.0000 0.9665 0.0335 5 1.0000 0.7622 0.2378 7 1.0000 0.4497 0.5503 10 1.0000 0.1301 0.8699 15 1.0000 0.0076 0.9924 25 0.9502 0.0000 0.9502 33 0.5461 0.0000 0.5461 35 0.4102 0.0000 0.4102 40 0.1514 0.0000 0.1514 45 0.0383 0.0000 0.0383

Curva CO - Gráfco c (LIC6.48 e LSC33.22) 1,0 0,9 0,8 0,7 0,6 Beta 0,5 0,4 0,3 0,2 0,1 0,0 c 1 3 5 7 10 15 25 33 35 40 19,85 c

Gráfco c e Gráfco u Fução Característca de Operação CO: Gráfco u Para o gráfco u podemos gerar uma curva CO a partr de β β P( LIC < x < LSC u) P( LIC < x LSC u) [ LSC ] x LIC e u ( u) x! x ode X ~ Posso (u), dado que ux/, e LIC deota o meor tero maor ou gual que LIC.

Exercíco Um processo que produz aros de roda de ttâo para automóves com motores turbados deve ser cotrolado pelo uso do gráfco para a fração ão coforme. Icalmete, uma amostra de tamaho 150 é retrada a cada da, durate 20 das. a) Estabeleça um gráfco de cotrole para motorar a produção futura. b) Qual o meor tamaho de amostra que pode ser usado para esse processo e ada forecer um lmte feror de cotrole postvo para o gráfco? c) Trace a curva CO para esse gráfco de cotrole. d) Qual a probabldade a probabldade de se detectar uma mudaça a fração ão coforme para 0,03, a tercera amostra após a mudaça?

Exercíco Os dados a segur represetam o úmero de ão coformdades por 1000 metros em cabos de telefoe. a) Quas são a lha cetral e os lmtes de cotrole para motorar a produção com base o úmero total de ão coformdades? Pela aálse desses dados, você coclura que o processo está sob cotrole estatístco? b) Quas são a lha cetral e os lmtes de cotrole para um gráfco de cotrole para a méda de ão coformdades por udade, usado para motorar a produção futura? c) Trace a curva da fução característca de operação (CO) para o úmero total de ão coformdades (Gráfco c).

Exercíco

Exercíco Um gráfco de cotrole dca que a fração correte de ão coformes do processo é 0,02. Se 50 tes são specoados a cada da, qual é a probabldade de se detectar uma mudaça a fração ão coforme para 0,04, o prmero da após a mudaça? E o tercero da após a mudaça?

Exercíco Ecotre os lmtes de probabldade de 0,999 e 0,001 para um gráfco c quado a méda do processo é gual a 16 ão coformdades. Compare com os lmtes utlzado a dstrbução ormal.