Controle Estatstico de Processos com R

CONTROLE ESTATSTICO DE PROCESSOS COM O R

Elisa Henning dma2eh@joinville.udesc.br Vilson Vieira da Silva Junior vilson@void.cc Setembro / 2006

Controle Estatstico de Processos com R

NDICE 1. Introduo 2. O pacote QCC 3. Ferramentas do CEP 3.1. Histograma 3.2. Grfico de Pareto 3.3. Diagrama de Causa e Efeito 3.4. Diagrama de Disperso 3.5. Grficos de Controle 3.5.1.Grficos X e R 3.5.2.Grficos X e S 3.5.3.Grficos de controle para atributos 3.5.3.1. Grfico P (para propores) 3.5.3.2. Grfico C (defeitos por unidade) 3.6. Grficos de controle de Shewhart para medidas individuais 4. Referncias

Controle Estatstico de Processos com R

1. INTRODUO O campo de controle estatstico da qualidade pode ser definido como aqueles mtodos estatsticos e de engenharia que so utilizados na medida, monitoramento, controle e na melhoria da qualidade (MONTGOMERY & RUNGER). O Controle Estatstico de Processo (CEP) pode ser considerado um conjunto de ferramentas para a resoluo de problemas que pode ser aplicado a qualquer processo, seja industrial ou no. As ferramentas mais importantes do CEP, de acordo com MONTGOMERY & RUNGER so: 1. 2. 3. 4. 5. 6. 7. Histograma Grfico de Pareto Diagrama de causa-e-efeito Diagrama de defeito-concentrao Grfico de Controle Diagrama de Disperso Folha de Verificao

Neste documento apresentamos como trabalhar com o ambiente R algumas ferramentas do CEP. O ambiente R possui um pacote especfico denominado QCC Quality Control Charts , desenvolvido por Lucca Scrucca, do Departamento de Cincias Estatsticas da Universidade de Pergia, Itlia. Este pacote permite gerar grficos de controle Shewhart para variveis, discretas, contnuas e atributos. Constri tambm grficos CUSUM e EWMA. Alm disto, curvas caractersticas de operao, o grfico de Pareto e o diagrama de causa-e-efeito tambm podem ser construdos. Auxilia tambm na Anlise de Capacidade de Processos. Esperamos que este documento auxilie aos acadmicos que estiverem interessados neste assunto. A utilizao de pacotes computacionais contribui para economizar tempo e esforo nos procedimentos, podendo dedicar-se mais interpretao dos resultados. Apesar de apresentarmos uma pequena introduo terica sobre cada tem, no objetivo deste explicar o que o CEP, ou cada uma de suas ferramentas. Nas referncias bibliogrficas voc certamente encontrar excelentes fontes de consulta. Os exemplos deste tutorial so, na maioria, provenientes dos livros de estatstica bsica e aplicada recomendados para cursos de graduao. Para a elaborao deste material utilizamos a verso 2.3.0 do R e ambiente Windows.

Controle Estatstico de Processos com R

O PACOTE QCC O pacote qcc Quality Control Charts foi desenvolvido por Luca Scrucca inicialmente para ser uma ferramenta auxiliasse seus alunos no estudo dos conceitos de Controle Estatstico da Qualidade [6]. Pode ser baixado diretamente da Internet no endereo: http: www.r-project.org/CRAN/continuar . Material impresso em ingls est disponvel junto com o pacote, com explicaes sobre as funes do qcc e alguns exemplos. Alguns conjuntos de dados (circuit, dyedcloth, pistonrings, orangejuice, orangejuice2) tambm fazem parte do pacote. Estes conjuntos podem ser encontrados em [4]. INSTALAO Para instalar o pacote na barra de ferramentas clique em Pacotes. Escolha entre carregar diretamente da rede (I), ou de arquivos zip locais (II) Se voc escolheu (I) opte ento por um dos espelhos disponveis e ento selecione o pacote qcc Optando por (II) indique o caminho onde est o arquivo de instalao.

Figura 1: Instalao do pacote qcc Uma vez instalado, voc pode acessar o pacote da seguinte forma: > require (qcc)

Controle Estatstico de Processos com R

No Windows possvel tambm acessar o pacote atravs da barra de ferramentas (figura 2).

Figura 2: Acesso ao pacote qcc Desejando mais informaes sobre o pacote qcc consulte a ajuda do R, digitando help (qcc). Uma janela ir aparecer na tela com informaes sobre o pacote (Figura 3).

Figura 3: Ajuda do R

Controle Estatstico de Processos com R FERRAMENTAS DO CEP HISTOGRAMA

Um histograma consiste em um grfico com uma escala horizontal para os valores dos dados a serem representados, uma escala vertical para as freqncias e barras para representar os valores das freqncias das diversas classes. Em geral a construo de um histograma precedida de uma tabela de freqncias dos valores dos dados que se pretende representar [8]. Na escala vertical pode ser representada a freqncia absoluta, a freqncia relativa ou a densidade de freqncia. A sintaxe no R :
hist(x) hist (x, probability=T) hist (dados,breaks=n) constri um histograma (freq absoluta) densidade de freqncia no eixo y n= nmero de barras

Uma descrio mais completa, alm de outras opes permitidas, est na ajuda do R.
> help (hist)

Para ilustrar como construir um histograma no R, iremos utilizar dados referentes ao tempo (em segundos) para carga de um aplicativo, num sistema compartilhado [1]. Entrada dos dados1:
>x=c (5.2,6.4,5.7,8.3,7.0,5.4,4.8,9.1,5.5,6.2,4.9,5.7,6.3,5.1,8.4,6.2,8.9, 7.3,5.4,4.8,5.6,6.8,5.0,6.7,8.2,7.1,4.9,5.0,8.2,9.9,5.4,5.6,5.7,6.2,4 .9,5.1,6.0,4.7,14.1,5.3,4.9,5.0,5.7,6.3,6.0,6.8,7.3,6.9,6.5,5.9) > hist(x)

Histograma gerado pelo R:

Histogram of x

Frequency

10

15

8 x

10

12

14

Figura 4: Histograma
1

Dados de: BARBETTA, REIS & BORNIA. Estatstica para Cursos de Engenharia e Informtica. Editora Atlas. So Paulo: 2004. Pgina 60.

Controle Estatstico de Processos com R GRFICO RAMO-E-FOLHAS

um grfico que permite visualizar a distribuio dos dados sem a perda de informao no processo. Classificam-se os dados segundo um padro que revela a distribuio subjacente. O padro consiste em separar o nmero em duas partes: em geral o primeiro ou os dois primeiros algarismos , e o restante. Os ramos consistem nos algarismos mais esquerda e as folhas no algarismo mais direita. [8] No R, ramo-e-folhas so construdos da seguinte forma: stem(x) Onde x = conjunto de dados EXEMPLO: utilizaremos os mesmos dados do exemplo anterior.
> stem(x) The decimal point is at the | 4 5 6 7 8 9 10 11 12 13 14 | | | | | | | | | | | 7889999 000112344456677779 0022233457889 0133 22349 19

GRFICO DE PARETO um grfico de colunas ou barras ordenadas de acordo com a freqncia. As categorias so ordenadas decrescentemente pelas freqncias observadas. No R , o diagrama de Pareto construdo da seguinte forma: pareto.chart(x, ylab = "Frequency", xlab, ylim, main, col = heat.colors(length(x)), ...) Onde: x: ylab: xlab: main: col: vetor com os valores; names(x) usado para rotular as categorias rotula o eixo y rotula o eixo x ttulo valor correspondente a cor desejada, um vetor de cores. Veja a ajuda para cores help(colors) e help (palette)

Controle Estatstico de Processos com R

EXEMPLO2: De 75.200 mortes por acidente nos EUA, em um ano recente, 43.500 foram causadas por veculos motorizados, 12.200 por quedas, 6.400 por envenenamento, 4.600 por afogamento, 4.200 por incndios, 2.900 por ingesto de alimentos ou de um objeto, e 1400 por armas de fogo. Construir um diagrama de Pareto para os dados.
#exemplo pareto 1 triolla pag 30 x=c(43500,12200,6400,4600,4200,2900,1400) names(x)=c("Veculo motorizado","Quedas","Envenenamento","Afogamento","Incndio","Ingest o de Alimentos ou Objetos","Armas de fogo") pareto.chart(x,ylab="Frequencia",main="Causas de Mortes Acidentais", col=rainbow(length(x)))

O R tambm retorna uma matriz contendo os valores utilizados para a construo do grfico.
Pareto chart analysis for x Frequency Cum.Freq. Percentage Cum.Percent. Veculo motorizado Quedas Envenenamento Afogamento Incndio Ingesto Armas de fogo 43500 12200 6400 4600 4200 2900 1400 43500 55700 62100 66700 70900 73800 75200 57.845745 16.223404 8.510638 6.117021 5.585106 3.856383 1.861702 57.84574 74.06915 82.57979 88.69681 94.28191 98.13830 100.00000

Causas de Mortes Acidentais

100% 60000 Afogamento Incndio Quedas Veculo motorizado Envenenamento

Figura 5: Grfico de Pareto

Extrado de TRIOLA, M. Introduo Estatstica. 7 Edio. Rio de Janeiro: LTC, 1999. Pgina 27

Ingesto de Alimentos ou Objetos

Armas de fogo

0%

Cumulative Percentage

Frequencia

20000

25%

50%

75%

Controle Estatstico de Processos com R DIAGRAMA DE CAUSA E EFEITO

Uma vez identificado, um defeito, erro ou problema este diagrama procura identificar reas problemticas potenciais neste processo. Compe-se de uma caixa de efeito e a linha central, sendo especificadas as principais categorias de causas potenciais, ligadas linha central.
cause.and.effect(cause, effect, title = "Cause-and-Effect diagram", cex = c(1, 0.9, 1), font = c(1, 3, 2))

Onde: cause: effect: title: cex: font: lista de causas potenciais efeito ttulo vetor com valores especificando tamanho da fonte vetor especificando a fonte

EXEMPLO: Neste exemplo os dados provm de uma brincadeira feita em sala de aula, com uma turma no ano de 2005, sobre as possveis causas para um aluno tirar nota baixa numa prova.
>cause.and.effect(cause=list(sade=c('m alimentacao','falta de sono','stress'),estudo=c('dificuldade nos exerccios','pouco tempo','falta de base'), ambiente=c('calor','frio','barulho','acomodacoes ruins'),outros=c ('humor do professor','nervosismo')

Diagrama de causa-e-efeito para notas

sade
m alimentacao falta de sono stress

estudo
dificuldade nos exerccios pouco tempo falta de base

nota baixa
acomodacoes ruins barulho frio calor nervosismo humor do professor

ambiente

outros

Figura 6: Diagrama de causa e efeito

Controle Estatstico de Processos com R

10

DIAGRAMA DE DISPERSO O diagrama de disperso um grfico de dados emparelhados (x,y) com um eixo x horizontal e um eixo y vertical. til para a identificao de relaes potenciais entre estas duas variveis. No R:
plot(x, y, ...)

EXEMPLO:
x=c(2,2,3,4,4,5,6,6,8,8,9,11) y=c(6,7,7,8,9,10,15,17,15,16,17,28) plot(x,y)

[Fig. 3]

y 10 15

20

25

6 x

10

Figura 7: Diagrama de Disperso

Controle Estatstico de Processos com R GRFICOS DE CONTROLE

11

Uma caracterstica da qualidade que medida em uma escala numrica chamada varivel. Exemplos incluem dimenses tais como tamanho ou largura, temperatura e volume. Aqui apresentamos os grficos de controle para variveis. Os grficos de controle x e R so amplamente utilizados para monitorar a mdia e a variabilidade de variveis. Diversas variaes destes grficos e tambm um procedimento para adapt-los a medidas individuais apresentado. A variabilidade do processo pode ser monitorada atravs do grfico de controle para o desvio padro, chamado grfico S, e, tambm pelo grfico da amplitude, denominado R. DEFINIO: Um grfico de controle de uma caracterstica de um processo consiste em valores grafados sequencialmente ao longo do tempo, uma linha central, um limite inferior de qualidade (LIC) e um limite superior de qualidade (LSC). A linha do centro representa um valor central das medidas da caracterstica, e os limites de controle so fronteiras para separar e identificar quaisquer pontos considerados excepcionais. [8] INTERPRETAO DOS GRFICOS DE CONTROLE Critrios de utilizao de grficos de controle para determinar que um processo esteja fora de controle estatstico: l H um padro, uma tendncia ou um ciclo que obviamente no aleatrio. l H um ponto fora dos limites superior ou inferior de controle. l H oito pontos consecutivos, todos acima ou todos abaixo, da reta central Regra ou seqncia de 8. Estes so os trs critrios fora de controle mais utilizados. Relacionamos abaixo outros critrios adicionais: l Existem seis pontos consecutivos, todos crescentes ou todos decrescentes. l Existem quatorze pontos consecutivos se alternando entre para cima e para baixo. l Dois ou trs pontos consecutivos esto fora dos limites de controle fixados distncia de um desvio-padro a contar da reta central. l Quatro dentre cinco pontos consecutivos esto fora dos limites de controle fixados distncia de dois desvios-padro a contar da reta central. Para a construo dos grficos de controle utilizamos a funo qcc (quality control charts) qcc(data, type, sizes, center, std.dev, limits, target, data.name, labels, newdata, newsizes, newlabels, nsigmas = 3,confidence.level, rules = shewhart.rules, plot = TRUE, ...) Argumentos: Data: Type: conjunto de dados, vetor ou matriz contendo os dados das variveis especifica o tipo de grfico

Controle Estatstico de Processos com R Tipo xbar S R xbar.one p np c u sizes: center: std.dev: target: newdata: newsizes: nsigmas: confidence.level rules: Estatstica Mdia Desvio padro Amplitude Mdia Proporo Caracterstica do grfico Mdia de um processo Desvio padro de um processo Amplitude de um processo Medidas individuais Proporo de unidades no conformes Nmero de unidades no conforme No conformes por unidade Valor esperado de no conformidades

12

valor ou vetor especificando o tamanho da amostra associado a cada grupo. obrigatrio para os grficos p,np, c e u valor especificando o centro vetor especificando os limites de controle valor especificando o objetivo do processo dados novos a serem plotados, no computados inicialmente argumento com o novo tamanho nmero de desvios a serem utilizados grau de confiana ( entre 0 e 1 ) regras a serem aplicadas aos grficos (default = 'shewhart.rules')

GRFICOS DE CONTROLE PARA x : Para monitorar mdias Exemplo 13: Vamos construir um grfico de controle para a mdia das medidas dos dimetros internos (mm ) de anis de pisto de motores de automveis. O pacote qcc contm o conjunto de dados necessrio. Para acessar faa:
data(pistonrings) #acessa o conjunto de dados attach(pistonrings) #acessa as variveis do conjunto de dados diameter=qcc.groups(diameter,sample) # qcc(diameter[1:25,],type="xbar") #plota o grfico com as amostras de 1 a 25

O R retorna um sumrio com as medidas descritivas e os limites.

Summary of group statistics: Min. 1st Qu. Median Mean 3rd Qu. 73.99 74.00 74.00 74.00 74.01 Group sample size: 5 Number of groups: 25 Center of group statistics: 74.00282 Standard deviation: 0.01142625 Control limits: LCL UCL 73.9875 74.01815 Max. 74.01

MONTGOMERY, D. Introduo ao Controle Estatstico da Qualidade; RJ: LTC, 2001. Pg 151

Controle Estatstico de Processos com R

xbar Chart for diameter[1:25, ]
UCL

13

Group summary statistics

73.990

74.000 LCL 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 Group

Number of groups = 25 Center = 74.00282 StdDev = 0.01142625

74.010

LCL = 73.98749 UCL = 74.01815

Number beyond limits = 0 Number violating runs = 0

Figura 8: Grfico de Controle para a mdia Pode se perceber que a mdia do processo est sob controle estatstico, pois nenhum dos critrios fora de controle satisfeito. GRFICOS DE CONTROLE PARA R: Para monitorar a amplitude do processo Exemplo: Vamos construir um grfico de controle para a amplitude com os mesmos dados do exemplo anterior:
qcc(diameter[1:25,],type="R") #plota o grfico com as amostras de 1 a 25

0.05

R Chart for diameter[1:25, ]

UCL

Group summary statistics

0.00

0.01 LCL 1 2 3 4 5 6 7 8 9 10 11 12 13 Group 14 15 16 17 18 19 20 21 22 23 24 25

Number of groups = 25 Center = 0.02276 StdDev = 0.009887547

0.02

0.03

0.04

LCL = 0 UCL = 0.04839106

Number beyond limits = 0 Number violating runs = 1

Figura 9: Grfico de controle para R

Controle Estatstico de Processos com R Assim como o grfico de X, o de R tambm exibe controle. No console do R temos algumas informaes adicionais :
> qcc(diameter[1:25,],type="R") Call: qcc(data = diameter[1:25, ], type = "R") R chart for diameter[1:25, ] Summary of group statistics: Min. 1st Qu. Median Mean 3rd Qu. Max. 0.00800 0.01800 0.02100 0.02276 0.02600 0.03900 Group sample size: 5 Number of groups: 25 Center of group statistics: 0.02276 Standard deviation: 0.009887547 Control limits: LCL UCL 0 0.04839106

14

GRFICOS DE CONTROLE PARA S: Para monitorar o desvio do processo

qcc(diameter[1:25,],type="S") # plota o grfico com as amostras de 1 a 25
S Chart for diameter[1:25, ]
UCL

Group summary statistics

0.000

0.005 LCL 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 Group

Number of groups = 25 Center = 0.009240037 StdDev = 0.009887547

0.010

0.015

0.020

LCL = 0 UCL = 0.01936135

Number beyond limits = 0 Number violating runs = 1

> qcc(diameter[1:25,],type="S") Call:

Controle Estatstico de Processos com R

qcc(data = diameter[1:25, ], type = "S") S chart for diameter[1:25, ] Summary of group statistics: Min. 1st Qu. Median Mean 3rd Qu. Max. 0.002864 0.007314 0.008468 0.009240 0.011930 0.016180 Group sample size: 5 Number of groups: 25 Center of group statistics: 0.009240037 Standard deviation: 0.009887547 Control limits: LCL UCL 0 0.01936135

15

GRFICOS DE CONTROLE PARA ATRIBUTOS: Grfico de Controle para a Frao No - Conforme A frao no - conforme definida por como a razo entre o nmero de elementos noconformes em uma populao e o total de elementos naquela populao. EXEMPLO: Os dados so de Devore4 e constituem de uma amostra de 200 chips ROM de computador selecionados em cada um dos 30 dias consecutivos. Foi anotado o nmero de chips em no conformidade por dia. Vamos construir um grfico p com o R e examinlo. Entrada dos dados >x20=c
(10,18,24,17,37,19,7,25,11,24,29,15,16,21,18,17,15,22,12,20,17,18,12, 24,30,16,11,20)

Sada no console
> qcc(x20,size=200,type='p') Call: qcc(data = x20, type = "p", sizes = 200) p chart for x20 Summary of group statistics: Min. 1st Qu. Median Mean 3rd Qu. Max. 0.03500 0.07500 0.09000 0.09375 0.11250 0.18500 Group sample size: 200 Number of groups: 28 Center of group statistics: 0.09375 Standard deviation: 0.2914806
4

DEVORE, J.L. Probabilidade e Estatstica para Engenharia e Cincias. So Paulo: THOMSON, 2006, pgina 623

Controle Estatstico de Processos com R

Control limits: LCL UCL 0.03191763 0.1555824

16

No grfico gerado, podemos perceber um ponto fora dos limites de controle.

p Chart for x20

Group summary statistics

0.05 LCL 1 2 3 4 5 6 7 8 9 10 12 14 Group 16 18 20 22 24 26 28

Number of groups = 28 Center = 0.09375 StdDev = 0.2914806

0.10

0.15

UCL

LCL = 0.03191763 UCL = 0.1555824

Number beyond limits = 1 Number violating runs = 0

Figura 10 Grfico de controle P Grfico de Controle c para o nmero de defeitos So grficos que permitem analisar situaes nas quais a observao em cada instante no tempo o nmero de defeitos em uma unidade de algum tipo [8]. A unidade pode constituir em um nico tem ou um grupo de tens. EXEMPLO: novamente vamos utilizar dados de Devore5, que correspondem a dados do nmero de defeitos em panelas revestidas com uma mistura contendo cermica em p. So valores correspondentes a 24 observaes amostradas em intervalos de tempos iguais. Entrada dos dados:
> x=c (7,10,9,12,13,6,13,6,13,7,5,11,8,10,13,9,21,10,6,8,3,12,7,11,14,10)

Sada no console:
> qcc(x,type='c') Call: qcc(data = x, type = "c")
c chart for x
5

DEVORE, J.L. Probabilidade e Estatstica para Engenharia e Cincias. So Paulo: THOMSON, 2006, pgina 622

Controle Estatstico de Processos com R

17

Summary of group statistics: Min. 1st Qu. Median Mean 3rd Qu. 3.000 7.000 10.000 9.769 12.000 Group sample size: 1 Number of groups: 26 Center of group statistics: 9.76923 Standard deviation: 3.125577 Control limits: LCL UCL 0.3925002 19.14596

Max. 21.000

No grfico verificamos que temos um ponto fora dos limites de controle.

c Chart for x
20 UCL Group summary statistics 5 0 LCL 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 26 Group

Number of groups = 26 Center = 9.769231 StdDev = 3.125577

10

15

LCL = 0.3925002 UCL = 19.14596

Number beyond limits = 1 Number violating runs = 0

Figura 11: Grfico de controle c GRFICOS DE CONTROLE DE SHEWHART PARA MEDIDAS INDIVIDUAIS H diversas situaes onde o tamanho da amostra para monitoramento do processo igual a unidade, a amostra consiste de uma nica unidade individual. No exemplo a seguir os dados so de [4]. Correspondem a dados sobre a viscosidade da Tinta de Base para avies6. Entrada dos dados:
>x=c (33.75,33.05,34,33.81,33.46,34.02,33.68,33.27,33.49,33.20,33.62,33,33 .54,33.12,33.84)
6

MONTGOMERY, D.C. Introduo ao Controle Estatstico de Qualidade. 4 Edio. Rio de Janeiro:LTC, 2004, pgina 155

Controle Estatstico de Processos com R No console:

> qcc(x,type="xbar.one") Call: qcc(data = x, type = "xbar.one") xbar.one chart for x Summary of group statistics: Min. 1st Qu. Median Mean 3rd Qu. 33.00 33.23 33.54 33.52 33.78 Group sample size: 1 Number of groups: 15 Center of group statistics: 33.52333 Standard deviation: 0.4261651 Control limits: LCL UCL 32.24484 34.80183
xbar.one Chart for x
UCL 34.5

18

Max. 34.02

Group summary statistics

32.5 LCL 1 2 3 4 5 6 7 8 Group 9 10 11 12 13 14 15

Number of groups = 15 Center = 33.52333 StdDev = 0.4261651

33.0

33.5

34.0

LCL = 32.24484 UCL = 34.80183

Number beyond limits = 0 Number violating runs = 0

Figura 12: Grfico de controle de Shewhart para medidas individuais Verifica-se observando o grfico acima que o processo est sob controle.

Controle Estatstico de Processos com R Referncias Bibliogrficas:

19

[1] BARBETTA,REIS & BORNIA. Estatstica para cursos de Engenharia e Informtica. Atlas, 2004 [2] DEVORE, J. L. Probabilidade e Estatstica para Engenharia e Cincias. So Paulo: THOMSON, 2006, 691p. [3] MONTGOMERY, D.C. RUNGER, G.C. Estatstica Aplicada e Probabilidade para Engenheiros. 2a Edio. Rio de Janeiro: LTC, 2003, 463p. [4] MONTGOMERY, D.C. Introduo ao Controle Estatstico de Qualidade. 4a Edio. Rio de Janeiro: LTC, 2004, 513p. [5] SCRUCCA, L. Qcc: An R package for quality control charting and statistical process control. R News, Vol 4/1, 2004:pag 11-17. URL: http: www.r-project.org. [6] SCRUCCA, L. The qcc Package: Reference Manual. URL: http://cran.rproject.org/src/contrib/Descriptions/qcc.html. [7] TRIOLLA, M. Introduo Estatstica. 4a Edio. Rio de Janeiro: LTC, 2004, p. [8] R Development Core Team. R: An language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-90005107-8. URL: http//r-project.org.