Controle de Qualidade

Noes bsicas de estatstica.
Tipos de distribuio.
Introduo a probabilidade.
Medidas de tendncia central e disperso.
Princpios do CEP.
Noes Gerais e Aplicaes.
Ferramentas para controle de processos.
Construo de grfico.
Anlise de grficos.
Controle de Processo e sua Aplicabilidade.
ndice de capacidade de processo
Inspeo por amostragem.

Cartas de controle para atributos.
Tipos de distribuio
Poisson
x = valor da v. a. node ocorrncias do evento em um

Intervalo
= taxa de ocorrncia do evento x (no esperado de
eventos)
A distribuio de Poisson utilizada quando no
prtico ou mesmo possvel determinarmos o nmero

de fracassos ou o nmero total de provas de um
experimento. muito til para descrever as
probabilidades do nmero de ocorrncias num campo
ou intervalo contnuo (em geral de tempo ou espao).
Uma central telefnica tipo PABX recebe uma mdia
de 5 chamadas por minuto. Qual a probabilidade deste

PABX no receber nenhuma chamada durante um
intervalo de 1 minuto?
R
> dpois(0,5)
[1] 0.006737947
Num trabalho de campo realizado por um topgrafo
h, em mdia, 4 erros grosseiros por Km2 levantado.

Pergunta-se:
a) Qual a probabilidade de que um Km2 contenha pelo
menos 1 erro grosseiro?
dpois(0,4)
b) Estime o nmero provvel de Km2que no contm
erros numa rea de 100 Km2
dpois(0,4)*100
Tipos de Distribuio
Distribuio Binomial
Conformidade de itens saindo da linha de produo

Tiros na mosca numa sequncia de disparos contra um
alvo
Respostas de pessoas pergunta sobre se vai ou no
viajar nas prximas frias
O que estes experimentos tm em comum ?
Condies iguais em cada prova

Sucesso vs Falha
Independentes entre si
Suponha que 4 componentes so testados por

um perodo de tempo
Se a probabilidade de sucesso p, qual a probabilidade
de se ter X sucessos em uma prova?

Note que:
q=1-p: a probabilidade de falha
n: nmero de repeties do experimento
X (maisculo): varivel aleatria

x (minsculo): valor que a varivel aleatria assume
Quantos modos de X sucessos em cada prova?
Um sistema de segurana consiste em 4 alarmes
(idnticos) de presso alta, com probabilidade de

sucesso p = 0,8 (cada um).
Qual a probabilidade de se ter exatamente 3 alarmes
soando quando a presso atingir o valor limite ?
E no Software R????
> dbinom(3,4,0.8)
[1] 0.4096
A distribuio Binomial tem os parmetros:
Um sistema de segurana de uma casa possui 03
alarmes, todos com probabilidade de funcionar no

momento certo de 0,8.
Qual o nmero mdio de alarmes que devero soar no
caso de uma invaso detectada?
Dado que 10% das pessoas so canhotas, qual a

probabilidade de obtermos exatamente 3 estudantes
canhotos numa turma com 15 estudantes.
> dbinom(3,15,0.1)
[1] 0.1285054
Uma empresa area possui 20% de todas as linhas
domsticas. Supondo que todos os vos domsticos

deste pas tenham a mesma chance de um acidente,
escolhendo 7 acidentes aleatoriamente, qual o nmero
mdio de acidentes com esta empresa e o desvio
padro.
O mtodo Ericsson de seleo de sexo tem uma taxa
admitida de 75% de sucesso. Suponha que 100 casais

utilizem este mtodo, com o resultado de que, dentre
100 recm-nascidos, h 75 meninas.
A) Se o mtodo no produz efeito, e ento meninos e
meninas so igualmente provveis, determine a mdia e

o desvio padro do nmero de meninas em um grupo de
100 crianas.
B) Considere o mtodo como eficaz e recalcule.
C) Podemos considerar o mtodo como eficaz? Por qu?
Tipos de distribuio
Distribuio Normal
Uma varivel aleatria contnua tem uma distribuio
normal se sua distribuio :
Simtrica
Grfico na forma de sino
Note que a distribuio normal especificada por dois
parmetros
Mdia
Desvio Padro
Distribuio Normal Padronizada

Resduos
A distribuio normal padronizada facilita os clculos de

probabilidade, evitando o uso da frmula e projetando
qualquer anlise mediante utilizao de ESCORES (Z)
Se x uma observao de uma distribuio que tem
mdia e desvio-padro , o valor padronizado de x :
Note que o valor padroniza do representa o nmero de
desvios-padro pelo qual um valor x dista da mdia

(para mais ou para menos)
Uma empresa fabrica termmetros que devem acusar a
leitura de 0 C no ponto de congelamento da gua. Testes

feitos em uma grande amostra desses termmetros
revelaram que alguns acusavam valores inferiores a 0 C e
alguns acusavam valores superiores.
Supondo que a leitura mdia seja 0Ce que o desvio-padro
das leituras seja 1,00 C, qual a probabilidade de que, no

ponto de congelamento, um termmetro escolhido
aleatoriamente marque entre 0 e 1,58 C?
Admita que a frequncia de erros se assemelhe a uma
distribuio normal.
> pnorm(1.58,0,1)-0.5
[1] 0.4429466
Com os termmetros do exemplo anterior, determine a
probabilidade de se selecionar aleatoriamente um

termmetro que acuse (no ponto de congelamento da
gua), uma leitura entre -2,43 C e 0 C?
> 0.5-pnorm(-2.58,0,1)
[1] 0.49506
Com os termmetros do exemplo anterior, determine a
probabilidade de se selecionar aleatoriamente um

termmetro que acuse (no ponto de congelamento da
gua), uma leitura entre -2,43 C e 0 C?
> 0.5-pnorm(-2.58,0,1)
[1] 0.49506
Qual a probabilidade de que o termmetro escolhido
acuse (no ponto de congelamento da gua), uma

leitura superior a +1,27 C?
Qual a probabilidade de que o termmetro escolhido
acuse (no ponto de congelamento da gua), uma

leitura superior a +1,27 C?
> 1-pnorm(1.27,0,1)
[1] 0.1020423
A probabilidade de ocorrncia de um valor menor que 20

em uma distribuio normal de
mdia 50 e desvio padro igual a 15 pode ser obtida com
o cdigo abaixo:
> pnorm(20,50,15)
[1] 0.02275013
Experimente agora tentar encontrar o valor da

probabilidade de ocorrncia de valores
menores ou iguais ao valor da mdia. Qual seria o
resultado esperado?
Suponha que um pesquisador coletou dados de estatura

de jovens em idade de alistamento militar. Sabendo-se
que a estatura de um acerta populao segue a
distribuio normal o pesquisador pode escrever que
X~N(170;36), onde X a varivel aleatria altura com
unidades em centmetros. Pede-se:
a) Qual a probabilidade de encontrarmos um jovem com
mais de 1,79 metros de altura?

> 1-pnorm(179,170,6)
[1] 0.0668072
b) Encontre o valor da estatura para qual a probabilidade de

encontrarmos valores menores que o deste seja de 80%.
> qnorm(0.8,170,6)
[1] 175.0497
Explorando o exerccio
95%
> qnorm(0.95,170,6)
[1] 179.8691
>curve(dnorm(x,170,6),152,188,main="X~N(170,36)",ylab
="probabilidade")
> lines(c(179,179),c(0,0.06),col=2)
> qnorm(0.95,170,6) [1] 179.8691
> lines(c(179.8691,179.8691),c(0,0.06),col=3)
Medidas de Posio e Disperso
Mdia
Varincia
Desvio Padro
Desvio Padro =S = 2
Coeficiente de Variao CV(%)
CV(%) =
Distribuio de Frequncia
Determine a Quantidade de Classes(k)

Regra de Sturges(Regra do Logaritimo)
K=1+3,3log(n)
Regra da Potncia de 2
K= menor valor inteiro tal qual 2k n
Raiz Quadrada
K=
Bom senso!!
Decida a quantidade de classes que Garanta observar

como os valores se distribuem.
Calcule a amplitude das classes (h)

Calcule a amplitude do conjunto de dados
L = Xmx Xmin
Calcule a amplitude (largura) da classe

h = L/k
Arredonde convenientemente
Calcule os Limites das Classes

1 classe: Xmin at Xmin + h
2 classe: Xmin + h at Xmin +2.h
................
K classe: Xmin + (K-1) at Xmin + k.h
Limites das classes

Utilize a notao:
[x,y) intervalo de X(fechado) at y(aberto
Frequentemente temos que arredondar a amplitude das
classes e, consequentemente, arredondar tambem os limites

das classes.
Como sugesto, podemos tentar, se possvel, um ajuste
simtrico nos limites das classes das das pontas(i.e., primeira
e ultima) nas quais, usualmente a quantidade de dados
menor.
Ponto mdio das classes
Xk = Linferior + (Lsuperior Linferior)/2
Do nosso exemplo
Ordenamos os dados
Por Sturges, temos:
N=18; k=5 (nmero de classes)
Amplitude de classes
Amplitude do conjunto de dados

1,88-1,60=0,28
Amplitude de classes
0,28/5=0,056
Arredondando h = 0,06m
defect<-c(10,4,2,1,1)
> names(defect)<-c("1.71 - 1.77","1.77 - 1.83","1.83 - 1.89","1.61 -
1.71","1.59 - 1.65")
> pareto.chart(defect, ylab = "Error frequency")
Pareto chart analysis for defect

Frequency Cum.Freq. Percentage Cum.Percent.
1.71 - 1.77
10
10 55.555556 55.55556
1.77 - 1.83
4
14 22.222222 77.77778
1.83 - 1.89
2
16 11.111111 88.88889
1.61 - 1.71
1
17 5.555556 94.44444
1.59 - 1.65
1
18 5.555556 100.00000
> altura<c(1.60,1.69,1.72,1.73,1.73,1.74,1.75,1.75,1.75,1.75,1.75,1.76,1.78,
1.80,1.82,1.82,1.84,1.88)
> hist(altura)
Boxplot
Quartil
Mediana
Boxplot
altura<-
c(1.60,1.69,1.72,1.73,1.73,1.74,1.75,1.75,1.75,1.75,1.75,1.76,1.78,1.8
0,1.82,1.82,1.84,1.88)
Diagrama de Causa e Efeito

Investigar as provveis causas de um problema de
qualidade.
Passo 1: identificar o problema que se quer investigar
Passo 2:escrever as causas primrias do problema sob
investigao
Passo 3:identificar as causas secundrias
A partir pesquisa de opinio feita a funcionrios de um
frigorfico da regio, observou-se que 48,7% apontam

a falta de ateno como principal motivo para que
os acidentes de trabalho aconteam.
cause.and.effect(cause=lista(a<-c(
, ),b <-c( ,
)), effect= , title= ,

cause.and.effect(cause=list(Medidas=c("Micrmetro","
Microscpio","Inspetor"),
Material=c("Ligas","Lubrificantes","Fornecedor"),
Pessoal=c("Supervisor","Treinamento","Operao"),
Meio_Ambiente=c("Umidade", "Mistura"),
Mtodos=c("Padro","Alternativo")), effect="Superfcie
de Acabamento", title="Causa e Efeito",cex = c(1.2, 0.9,
1), font = c(4, 1, 3))
Noes Gerais de Controle

As medidas de um conjunto de peas variam uma para outra...
... mas, elas formam uma aglomerao, que se estvel, pode ser descrita como
uma distribuio normal, que pode diferir quanto a:
Localizao
Disperso
Ou quaisquer combinao entre essas.
Forma
Causas comuns
Referem-se as muitas fontes de variao dentro de um processo
estatisticamente estvel ao longo do tempo. Isto chamado Sob

Controle Estatstico do Processo. Se, e somente se, causas comuns de
variao estiverem presentes, o resultado do processo torna-se
previsvel.
Causas especiais
Referem-se a quaisquer fatores causadoras de variao que no estejam
sempre atuando no processo, quando ocorrem, fazem a distribuio do

processo mudar. Se causas especiais esto presentes, o resultado do
processo no estvel ao longo do tempo.
Se apenas causas comuns esto presentes podemos ter uma previso de

como o nosso processo se comportar ao longo do tempo.
Em um processo com presena de causas especiais ocorre exatamente o
contrrio: O processo se torna altamente instvel e imprevisvel.
Variabilidade: causas comuns x causas especiais
Se causas especiais de variao estiverem

presentes, o resultado do processo no
estvel e ao longo do tempo imprevisvel.
Linha objetivo.
Predio.
Se apenas causas comuns estiverem

presentes, o resultado do processo forma
uma distribuio que estvel ao longo do
tempo e previsvel
Influncias
Processo
Entradas
Sadas
Observaes
Grficos de
Controle
Atributo
P / pn
pn - nmero
de itens
defeituosos
P - frao
defeituosa
Varivel
c/u
c nmero
defeitos
u - frao
defeitos/uni
dade
XeR
xeR
X mdia
Ramplitude
x valor
individual
R
amplitude
EGT (Instrumento que indica a temperatura

dos gases de exausto)
EGT (Instrumento que indica a temperatura

dos gases de exausto)
EGT (oC)
Dia
Partida
296
312
294
299
293
283
300
322
292
309
301
303
299
303
313
...
...
...
...
...
...
289
298
311
307
286
312
307
301
316
306
Mdia
297.3
303.7
304.5
300.6
298.3
Dia
Partida
296
312
294
299
293
283
300
322
292
309
301
303
299
303
313
...
...
...
...
...
...
289
298
311
307
286
312
307
301
316
306
Mdia
297.3
303.7
304.5
300.6
298.3
95.5%
(n = 8)
Linha central
Distribuio de Probabilidade e Controle da Capabilidade
Curva Normal Padro
-3
3
-2
2
-1
68,26%
95,44%
99.73%
Abertura da curva (por definio) = 6
(n = 8)
Upper Control
Limit (UCL)
Upper Warning
Limit (UWL)
Lower Warning
Limit (LWL)
Lower Control
Limit (LCL)
Western Electric rules

Conjunto de regras (tipo OU) para declarar
uma anomalia (processo fora de controle).
Padro estatisticamente improvvel
Um ponto fora do intervalo de

Probabilidade de ocorrncia: 1 0.997 = 0.003
(n = 8)
UCL
LCL
Dois dentre trs pontos fora do intervalo de

Probabilidade de ocorrncia = 0.003
(n = 8)
UWL
LWL
Nove pontos consecutivos do mesmo lado da linha central

Probabilidade de Ocorrncia = 0.004
(n = 8)
Linha central
Seqncia crescente (ou decrescente) de seis pontos consecutivos
(n = 8)
Sequncia alternada de catorze pontos consecutivos.
(n = 8)
Grfico X e R
Salva como
TXT( separado por tabulaes)
diam<read.table("C:/Users/Douglas/Desktop/resolvido/t
esteqcc.txt", sep="", header=TRUE, dec=",")
> diam
data(diam)
attach(diam)
diam <- qcc.groups(dados, amostra)
qcc(diam, type="xbar")
Salva como TXT( sep tab)
qcc(diam, type=R")
Grfico R e S
Salva como TXT( sep tab)
qcc(diam, type=S")
Grfico X e AM ( Individual)
ind<-
read.table("C:/Users/Douglas/Desktop/re
solvido/pureza.txt", sep="", header=TRUE,
dec=",")
> qcc(ind, type="xbar.one")
ind<-
read.table("C:/Users/Douglas/Desktop/re
solvido/pureza.txt", sep="", header=TRUE,
dec=",")
> qcc(ind, type="xbar.one")
Noes bsicas de estatstica.

Tipos de distribuio.
Introduo a probabilidade.
Medidas de tendncia central e disperso.
Princpios do CEP.
Noes Gerais e Aplicaes.
Ferramentas para controle de processos.
Construo de grfico.
Anlise de grficos.
Controle de Processo e sua Aplicabilidade.
Inspeo por amostragem.

Cartas de controle para atributos.
Caso 1 Banco do Dinheiro S/A

Caso 1 Banco do Dinheiro S/A O Banco do
Dinheiro S/A quer avaliar a espera na fila

de atendimento preferencial no primeiro
dia til de cada ms. Por isso, resgatou
dados dos ltimos 2 anos, tomando
amostras
em
4
momentos
de
atendimento: 10h30, 12h, 13h30e 15h. Faa
a anlise por Cartas de Controle e, aplicando
o CEP a este caso, conclua sobre o estudo.
X-Barra(xbar)
Amplitude (R)
Desvios
Caso1
caso1<-
read.table("C:/Users/Douglas/Desktop/EXERCICIOS_
CEP/txttabulao/caso1.txt", sep="", header=TRUE,
dec=",")
attach(caso1)
caso1<-qcc.groups(dados, amostras)
qcc(caso1, type=xbar")
qcc(caso1, type="R")
6.60 6.65
6.50 6.55
UCL
6.35 6.40 6.45
Group summary statistics
xbar Chart
for caso1
CL
LCL
1
11
13
15
17
19
21
23
Group
Number of groups = 24
Center = 6.41
LCL = 6.345345
StdDev = 0.04310345 UCL = 6.474655
Number beyond limits = 4

Number violating runs = 0
0.25
0.20
0.10
0.15
UCL
0.05
CL
0.00
0.30
R Chart
for caso1
LCL
1
11
13
15
17
19
21
23
Group
Center = 0.08875
LCL = 0
StdDev = 0.04310345 UCL = 0.2025186 Number violating runs = 0
0.00 0.02 0.04 0.06 0.08 0.10 0.12
S Chart
for caso1
UCL
CL
LCL
1
11
13
15
17
19
21
23
Group
Center = 0.0392756
LCL = 0
Caso 2 Fbrica de Tecidos da Amlia

A Fbrica de Tecidos da Amlia verifica a
resistncia das malhas produzidas em

algodo de hora em hora. Para isto, coleta
amostras de 3 pontos do rolo-jumbo e, com
eles, fabrica o corpo de prova para avaliao
do ponto de ruptura (resistncia) em um
dinammetro. Faa a anlise por Cartas de
Controle e, aplicando o CEP a este caso,
conclua sobre o estudo.
Caso 2
caso2<-
read.table("C:/Users/Douglas/Desktop/EXERCICIOS
_CEP/txttabulao/caso2.txt", sep="",
header=TRUE, dec=",")
attach(caso2)
qcc(caso2, type="xbar")
qcc(caso2, type="S")
19.0
UCL
18.0
CL
17.0
20.0
xbar Chart
for caso2
LCL
1
11
13
15
17
19
21
23
Group
Center = 18.34861
LCL = 16.66055
StdDev = 0.9746013 UCL = 20.03667

R Chart
for caso2
3
2
1
CL
UCL
LCL
1
11
13
15
17
19
21
23
Group
Center = 1.65
LCL = 0
StdDev = 0.9746013 UCL = 4.247419

S Chart
for caso2
1.5
1.0
0.5
CL
0.0
2.0
UCL
LCL
1
11
13
15
17
19
21
23
Group
Center = 0.8434203
LCL = 0
StdDev = 0.9516978 UCL = 2.166046

Caso 3 Posto Pralavar

O Posto Pralavar oferece o servio de lavagem de
carros, que funciona de Segunda Sbado. Tentando

aprimorar seus servios e aumentar a eficincia da
equipe de lavagem, foram coletadas amostras do
tempo de lavagem em 6 horrios do dia, durante o ms
de Fevereiro. As amostras foram coletadas tendo como
base automveis de mesmo porte. Faa a anlise por
Cartas de Controle e, aplicando o CEP a este caso,
conclua sobre o estudo.
caso3
caso3<-
attach(caso3)
30
25
UCL
20
CL
LCL
15
xbar Chart
for caso3
10
12
15
17
19
22
24
26
Group
Center = 21.5625
LCL = 15.64177
StdDev = 4.834254
UCL = 27.48323

15
20
UCL
10
CL
25
R Chart
for caso3
LCL
1
10
12
15
17
19
22
24
26
Group
Center = 12.25
LCL = 0
StdDev = 4.834254
UCL = 24.54898

S Chart
for caso3
6
2
CL
LCL
UCL
10
12
15
17
19
22
24
26
Group
Center = 4.538449
LCL = 0.1378019
StdDev = 4.769619
UCL = 8.939097

Caso 4 Plsticos Prticos

Os dados abaixo so referentes certadimenso de
uma pea plstica, que deve ser controlada. Os dados

foram coletados em subgrupos (n) de tamanho
igual a 6. Encontre os limites de controle para
uma carta X(barra) R. Diga se o processo est ou
no sob controle estatstico explicando sua
resposta. Caso necessrio, recalcule o processo.
Caso4
caso4<-
attach(caso4)
20.4
20.5
UCL
20.3
CL
LCL
20.2
20.6
xbar Chart
for caso4
11
13 15
17 19
21
23 25
Group
Center = 20.4004
LCL = 20.23607
StdDev = 0.1341752 UCL = 20.56473

0.7
R Chart
for caso4
0.5
0.4
0.1
0.2
0.3
CL
0.0
0.6
UCL
LCL
1
11
13 15
17 19
21
23 25
Group
Center = 0.34
LCL = 0
0.15
0.20
0.25
UCL
0.05
0.10
CL
0.00
0.30
S Chart
for caso4
LCL
1
11
13 15
17 19
21
23 25
Group
Center = 0.1520526
LCL = 0.004616806Number beyond limits = 0
Caso 5 Qumica Lavoisier

Considere os dados de viscosidade apresentados a
seguir. Os dados foram coletados em subgrupos

(n) de tamanho igual a 5. Ache os limites de controle
para uma carta X(barra) s e avalie se o processo est
sob controle estatstico ou no.
Caso 5
caso5<-
attach(caso5)
qcc(caso5, type="xbar") #
qcc(caso5, type="R") #
xbar Chart
for caso5
75
70
CL
65
80
UCL
LCL
1
11
13
15
17
19
Group
Center = 73.15
LCL = 64.60295
StdDev = 6.370593
UCL = 81.69705

R Chart
for caso5
25
20
15
5
10
CL
30
UCL
LCL
1
11
13
15
17
19
Group
Center = 14.818
LCL = 0
StdDev = 6.370593
UCL = 31.33221

S Chart
for caso5
10
5
CL
15
UCL
LCL
1
11
13
15
17
19
Group
Center = 7.409
LCL = 0
StdDev = 7.882036
UCL = 15.47739

Caso 6 Supermercado R-t-t

O Supermercado R-t-t, no ms passado, foi
autuado pela Vigilncia Sanitria Municipal de

Bom Retiro do Sul pois seu refrigerador de laticnios
estava com temperatura inadequada. Logo, neste ms,
foram realizadas algumas intervenes de
manuteno e decidiu-se controlar a temperatura
do refrigerador durante as 24 horas de determinado
dia. Foram instalados data-loggers em 3 pontos do
refrigerador e, as medidas obtidas foram as abaixo
apresentadas. Faa a anlise por Cartas de
Controle e, aplicando o CEP a este caso, conclua
sobre o estudo.
Caso6
caso6<-
attach(caso6)
6.40
6.45
UCL
CL
6.35
6.50
xbar Chart
for caso6
LCL
11
13
15
17
19
Group
Center = 6.401667
LCL = 6.33261
StdDev = 0.03987005 UCL = 6.470724

R Chart
for caso6
0.10
0.05
CL
0.00
0.15
UCL
LCL
1
11
13
15
17
19
Group
Center = 0.0675
LCL = 0
StdDev = 0.03987005 UCL = 0.173758

0.04
0.06
0.08
UCL
0.02
CL
0.00
0.10
S Chart
for caso6
LCL
1
11
13
15
17
19
Group
Center = 0.03768633 LCL = 0
Caso 7 Cimento Marrento

A Cia. de Cimento Marrento tem recebido muitas
reclamaes de seus clientes em relao ao peso

dos sacos de cimento. Alguns clientes reclamam
que esto recebendo muito menos do que
deveriam e, inclusive, que esta situao visvel,
pois o saco chega vazio ao seu estabelecimento. Com
isto, foram retirados 5 sacos de cada lote de produo,
de maneira aleatria. Faa a anlise por Cartas de
Controle e, aplicando o CEP a este caso, conclua sobre
o estudo.
Caso 7
caso7<-
attach(caso7)
18
16
CL
14
UCL
12
LCL
10
xbar Chart
for caso7
9 10
12
14
Group
Center = 15.97333
LCL = 13.66613
StdDev = 1.71969
UCL = 18.28054

UCL
CL
10
R Chart
for caso7
LCL
1
9 10
12
14
Group
Center = 4
LCL = 0
StdDev = 1.71969
UCL = 8.457879

S Chart
for caso7
3
2
1
CL
UCL
LCL
1
9 10
12
14
Group
Center = 1.629809
LCL = 0
StdDev = 1.733865
UCL = 3.404667

Caso 8 Med Mdica

Os dados abaixo so referentes a medio de umidade
no estoque de uma distribuidora de produtos mdicos.

Os produtos l armazenados devem ficar em um
ambiente com umidade controlada, entre 50% e 70 %.
Fora destes limites, no h como garantir a segurana
e eficcia no uso destes produtos. As medies dizem
respeito a um dia de trabalho dentro desta
distribuidora. Faa a anlise e diga: voc, como analista
de garantia da qualidade desta distribuidora, se
sentiria confivel em relao distribuio destes
produtos ao mercado? Justifique.
Caso 8
caso8<-
qcc(caso8, type="xbar.one")
qcc(caso8, type="xbar.one",label.limits=c(50,70))
qcc(caso8, type="xbar.one",limits=c(50,70))
65
70
60
CL
55
50
50
70
xbar.one Chart
for caso8
11
13
15
17
19
21
23
Group
Center = 60.41667
LCL = 55.32879
StdDev = 1.695961
UCL = 65.50455

65
UCL
60
CL
55
LCL
50
70
xbar.one Chart
for caso8
11
13
15
17
19
21
23
Group
Center = 60.41667
LCL = 55.32879
StdDev = 1.695961
UCL = 65.50455

65
UCL
55
60
CL
50
70
xbar.one Chart
for caso8
LCL
1
11
13
15
17
19
21
23
Group
Center = 60.41667
LCL = 50
StdDev = 1.695961
UCL = 70

Caso 9 Fbrica Portuguesa de

Fsforos
A Fbrica Portuguesa de Fsforos testa
completamente sua produo, retirando uma

amostra por lote de fabricao e verificando o
ponto de ignio do mesmo. Abaixo so
apresentados estes dados. Faa a anlise por Cartas
de Controle e, aplicando o CEP a este caso, conclua
sobre o estudo.
Caso 9
caso9<-
qcc(caso9, type="xbar.one")
105
110
UCL
100
CL
95
115
xbar.one Chart
for caso9
LCL
1
11
13
15
17
19
Group
Center = 103.94
LCL = 93.69364
StdDev = 3.415454
UCL = 114.1864

105
110
UCL
100
CL
95
115
xbar.one Chart
for caso9
LCL
1
11
13
15
17
19
Group
Center = 103.94
LCL = 93.69364
StdDev = 3.415454
UCL = 114.1864

ndice de Capacidade de Processo

CPK
Cp>2
EXCELENTE
1,99>CP>1,33
CAPAZ
1,33>CP>1,00
ADEQUADO
1>CP
INCAPAZ
ndice de Capacidade de Processo
Caso 10
10.4
Utilizando os resultados da tabela abaixo,
considerando as especificaes como sendo 18

7,5mm, calcule Cp e Cpk e tire suas concluses sobre
este processo.
Caso 10
caso10<-
read.table("C:/Users/Douglas/Desktop/EXERCICIOS_CEP/txtt
abulao/caso10.txt", sep="", header=TRUE, dec=",")
attach(caso10)
q <- qcc(caso10, type="xbar", nsigmas=3, plot=FALSE)
process.capability(q, spec.limits=c(25.5,10.5))
process.capability(q, spec.limits=c(25.5,10.5), target=18.5)
24
20
22
UCL
18
CL
16
26
28
xbar Chart
for caso10
LCL
1
10
Group
Center = 19.5
LCL = 15.71466
StdDev = 2.18547
UCL = 23.28534

UCL
CL
10
R Chart
for caso10
LCL
1
10
Group
Center = 3.7
LCL = 0
StdDev = 2.18547
UCL = 9.524515

S Chart
for caso10
4
3
2
1
CL
UCL
LCL
1
10
Group
Center = 2.014193
LCL = 0
StdDev = 2.272774
UCL = 5.17279

Process Capability Analysis

for caso10
LSL
10
Target
15
Number of obs = 30
Center = 19.5
StdDev = 2.18547
USL
20
Target = 18
LSL = 10.5
USL = 25.5
25
Cp = 1.14
Cp_l = 1.37
Cp_u = 0.915
Cp_k = 0.915
Cpm = 0.943
30
35
Exp<LSL 0%
Exp>USL 0.3%
Obs<LSL 0%
Obs>USL 6.7%
Call:
process.capability(object = q, spec.limits = c(25.5, 10.5))
Number of obs = 30
Center = 19.5
StdDev = 2.18547
Capability indices:
Value 2.5% 97.5%

Cp 1.1439 0.8509 1.436
Cp_l 1.3727 1.0598 1.686
Cp_u 0.9151 0.6936 1.137
Cp_k 0.9151 0.6511 1.179
Cpm 0.9431 0.6707 1.215
Exp<LSL 0% Obs<LSL 0%
Exp>USL 0.3% Obs>USL 6.7%
Target = 18
LSL = 10.5
USL = 25.5

for caso10
LSL
10
Target
15
Number of obs = 30
Center = 19.5
StdDev = 2.18547
USL
20
Target = 18
LSL = 10.5
USL = 25.5
25
Cp = 1.14
Cp_l = 1.37
Cp_u = 0.915
Cp_k = 0.915
Cpm = 0.943
30
35
Exp<LSL 0%
Exp>USL 0.3%
Obs<LSL 0%
Obs>USL 6.7%
ALVO = 18,5
process.capability(q, spec.limits=c(25.5,10.5),
target=18.5)

for caso10
LSL
10
Target
15
Number of obs = 30
Center = 19.5
StdDev = 2.18547
USL
20
Target = 14
LSL = 10.5
USL = 25.5
25
Cp = 1.14
Cp_l = 1.37
Cp_u = 0.915
Cp_k = 0.915
Cpm = 0.422
30
35
Exp<LSL 0%
Exp>USL 0.3%
Obs<LSL 0%
Obs>USL 6.7%

for caso10
LSL
Target
USL
process.capability(q, spec.limits=c(25.5,10.5), target=14)

10
Call:
process.capability(object = q, spec.limits = c(25.5, 10.5), target = 14)
Number of obs = 30
Center = 19.5
StdDev = 2.18547
Capability indices:
Value 2.5% 97.5%

Cp 1.1439 0.8509 1.4363
Cp_l 1.3727 1.0598 1.6856
Cp_u 0.9151 0.6936 1.1367
Cp_k 0.9151 0.6511 1.1791
Cpm 0.4224 0.2780 0.5667
Exp<LSL 0% Obs<LSL 0%
Exp>USL 0.3% Obs>USL 6.7%
Target = 14
LSL = 10.5
USL = 25.5
15
Number of obs = 30
Center = 19.5
StdDev = 2.18547
20
Target = 14
LSL = 10.5
USL = 25.5
25
Cp = 1.14
Cp_l = 1.37
Cp_u = 0.915
Cp_k = 0.915
Cpm = 0.422
30
35
Exp<LSL 0%
Exp>USL 0.3%
Obs<LSL 0%
Obs>USL 6.7%
10.7
Os dados abaixo so referentes a uma certa
dimenso de uma pea plstica, que deve ser

controlada. Os dados foram coletados em
subgrupos (n) de tamanho igual a 5. Sabendo que
a especificao dessa dimenso 20,30 0,3mm,
calcule Cp e Cpk e diga se esse processo capaz ou no
justificando sua resposta.
caso10b
caso10b<-
read.table("C:/Users/Douglas/Desktop/EXERCICIOS_CE
P/txttabulao/caso10b.txt", sep="", header=TRUE,
dec=",")
attach(caso10b)
caso10b<-qcc.groups(dados, amostras)
q <- qcc(caso10b, type="xbar", nsigmas=3, plot=FALSE)
qcc(caso10b, type="xbar")
qcc(caso10b, type="R")
qcc(caso10b, type="S")

for caso10b
LSL
Target
USL
20.1
20.2
Number of obs = 75
Center = 20.46053
StdDev = 0.144454
20.3
20.4
Target = 20.3
LSL = 20.27
USL = 20.33
20.5
20.6
20.7
Cp = 0.0692 Exp<LSL 9.4%

Cp_l = 0.44 Exp>USL 82%
Cp_u = -0.301 Obs<LSL 16%
Cp_k = -0.301 Obs>USL 79%
Cpm = 0.0463
Caso 10b
Call:
Number of obs = 75
Center = 20.46053
StdDev = 0.144454
Capability indices:
Value 2.5% 97.5%

Cp 0.06923 0.05809 0.08034
Cp_l 0.43966 0.35282 0.52651
Cp_u -0.30121 -0.22593 -0.37649
Cp_k -0.30121 -0.21151 -0.39091
Cpm 0.04631 0.03709 0.05550
Exp<LSL 9.4% Obs<LSL 16%

Exp>USL 82% Obs>USL 79%
Target = 20.3
LSL = 20.27
USL = 20.33

for caso10b
LSL
Target
USL
20.1
20.2
Number of obs = 75
Center = 20.46053
StdDev = 0.144454
20.3
20.4
Target = 20.3
LSL = 20.27
USL = 20.33
20.5
20.6
20.7
Cp = 0.0692 Exp<LSL 9.4%

Cp_l = 0.44 Exp>USL 82%
Cp_u = -0.301 Obs<LSL 16%
Cp_k = -0.301 Obs>USL 79%
Cpm = 0.0463
10.8
Considerando as especificaes como sendo 25
5,5mm, calcule Cp e Cpk. Defina a capacidade ou no

do
processo.
Caso 10c
caso10c<-
P/txttabulao/caso10c.txt", sep="", header=TRUE,
dec=",")
attach(caso10c)
caso10c<-qcc.groups(dados, amostras)
q <- qcc(caso10c, type="xbar", nsigmas=3, plot=FALSE)
qcc(caso10c, type="xbar")
qcc(caso10c, type="R")
qcc(caso10c, type="S")

for caso10c
LSL
18
20
Target
22
Number of obs = 40
Center = 23.275
StdDev = 1.554153
24
Target = 25
LSL = 19.5
USL = 30.5
USL
26
28
Cp = 1.18
Cp_l = 0.81
Cp_u = 1.55
Cp_k = 0.81
Cpm = 0.79
30
32
Exp<LSL 0.76%
Exp>USL 0%
Obs<LSL 0%
Obs>USL 0%
Call:
Number of obs = 40
Center = 23.275
StdDev = 1.554153
Target = 25
LSL = 19.5
USL = 30.5

for caso10c
LSL
Capability indices:
Value 2.5% 97.5%

Cp 1.1796 0.9187 1.4401
Cp_l 0.8097 0.6357 0.9836
Cp_u 1.5496 1.2483 1.8510
Cp_k 0.8097 0.6024 1.0169
Cpm 0.7896 0.5752 1.0036

18
20
Target
22
Number of obs = 40
Center = 23.275
StdDev = 1.554153
24
Target = 25
LSL = 19.5
USL = 30.5
USL
26
28
Cp = 1.18
Cp_l = 0.81
Cp_u = 1.55
Cp_k = 0.81
Cpm = 0.79
30
32
Exp<LSL 0.76%
Exp>USL 0%
Obs<LSL 0%
Obs>USL 0%
10.9
Os dados abaixo so referentes a uma certa
dimenso de uma pea plstica, que deve ser

controlada. Os dados foram coletados em
subgrupos (n) de tamanho igual a 5. Sabendo que
a especificao dessa dimenso 50,00 1,5mm,
calcule Cp e Cpk e diga se esse processo capaz ou
no. Justifique.
Caso 10d
caso10d<-
P/txttabulao/caso10d.txt", sep="", header=TRUE,
dec=",")
attach(caso10d)
caso10d<-qcc.groups(dados, amostras)
q <- qcc(caso10d, type="xbar", nsigmas=3, plot=FALSE)
qcc(caso10d, type="xbar")
qcc(caso10d, type="R")
qcc(caso10d, type="S")

for caso10d
LSL
48
Target
49
Number of obs = 50
Center = 50.549
StdDev = 1.008598
50
Target = 50
LSL = 48.5
USL = 51.5
USL
51
52
Cp = 0.496
Cp_l = 0.677
Cp_u = 0.314
Cp_k = 0.314
Cpm = 0.435
53
Exp<LSL 2.1%
Exp>USL 17%
Obs<LSL 4%
Obs>USL 20%
Call:
Number of obs = 50
Center = 50.549
StdDev = 1.008598
Capability indices:
Value 2.5% 97.5%

Cp 0.4957 0.3978 0.5935
Cp_l 0.6772 0.5405 0.8138
Cp_u 0.3143 0.2208 0.4078
Cp_k 0.3143 0.2029 0.4257
Cpm 0.4354 0.3411 0.5295

Target = 50
LSL = 48.5
USL = 51.5
ATRUBUTOS
P frao defeituosa
Em um Subgrupo
NP - nmero de defeitos
Em um Subgrupo
C - nmero de defeitos em um produto
Vrios defeitos em uma Unidade
U - nmero de defeitos em uma amostra
Frao No-Conforme
Caso 11 Fbrica de Malas Malalala
Caso 11
caso11<-
attach(caso11)
qcc(dados, sizes=tamanho, type="p")
qcc(dados, sizes=tamanho, type="np")
15
UCL
10
CL
20
np Chart
for dados
LCL
1
9 11
14
17
20
23
26
29
Group
Center = 11.2
LCL = 2.355748
StdDev = 2.948084
UCL = 20.04425

p Chart
for dados
0.35
0.25
0.15
CL
0.05
UCL
LCL
1
9 11
14
17
20
23
26
29
Group
Center = 0.224
LCL = 0.04711495 Number beyond limits = 0
Caso 12Retfica de Motores Jaguaro

Os dados a seguir representam o resultado da
inspeo de 10 amostras de lotes de tamanho 50.

Ache os limites de controle para uma carta p e avalie
se o processo est ou no sob controle estatstico. (use
3 casas aps a virgula).
Caso 12
caso12<-
attach(caso12)
qcc(dados, sizes=tamanho, type="p")
np Chart
for dados
15
10
CL
UCL
LCL
1
10
Group
Center = 9.9
LCL = 1.446705
StdDev = 2.817765
UCL = 18.3533

p Chart
for dados
0.25
0.15
CL
0.05
0.35
UCL
LCL
1
10
Group
Center = 0.198
LCL = 0.0289341 Number beyond limits = 0
Caso 13 Boteco do Xixo

Os dados abaixoso referentes ao resultado da pesquisa
de satisfao em um bar. Encontre os limites de

controle para uma carta np e construa o grfico.
Caso 13
caso13<-
attach(caso13)
np Chart
for dados
25
20
15
CL
10
30
UCL
LCL
1
10
Group
Center = 18.8
LCL = 6.290957
StdDev = 4.169681
UCL = 31.30904

Caso 14 Montadora de Hlices do

Zzimo
Uma montadora de deseja controlar o nmero de
NCs observadas no setor de montagem do painel

de controle. Construa uma carta c e verifique se o
processo est sob controle estatstico.
Caso 14
caso14<-
attach(caso14)
qcc(dados, type="c")
c Chart
for dados
6
4
2
CL
UCL
LCL
1
11
13
15
17
19
Group
Center = 3.4
LCL = 0
StdDev = 1.843909
UCL = 8.931727

c Chart
for dados
6
4
2
CL
UCL
LCL
1
11
13
15
17
19
Group
Center = 3.4
LCL = 0
StdDev = 1.843909
UCL = 8.931727

Caso 15
caso15<-
attach(caso15)
2.0
1.5
1.0
0.5
0.0
qcc(dados, sizes=tamanho, type="u")
2.5
3.0
u Chart
for dados
10
Group
Center = 1.464115
LCL is variable
StdDev = 4.017903
UCL is variable
Number beyond limits

Number violating runs
Caso 15 Fbrica de Vidros Vidroroc
CUSUM
Shewhart problema para pequenas mudanas
Grfico de controle da soma cumulativa
0 = 10
1 = 11
=1
H Intervalo de deciso H=5
CUSUM
somaacumulativa<read.table("C:/Users/Douglas/Desktop/EXERCICIOS_C
EP/txttabulao/cusum.txt", sep="", header=TRUE,
dec=",")
q <- cusum(somaacumulativa, decision.interval = 5,
se.shift =1,center=10,std=1)
cusum Chart
for somaacumulativa
4
2
-4
-2
Above target
Below target
Cumulative Sum
UDB
LDB
1
9 11
14
17
20
23
26
29
Group
Center = 10
StdDev = 1
Decision interval (std. err.) = 5

Shift detection (std. err.) = 1
No. of points beyond boundaries = 2
Cusum
data(pistonrings)
attach(pistonrings)
diameter <- qcc.groups(diameter, sample)

q <- cusum(diameter[1:25,], decision.interval = 4,
se.shift = 1)
UDB
-4
-2
Above target
Below target
Cumulative Sum
cusum Chart
for diameter[1:25, ]
LDB
1
11
13 15
17 19
21
23 25
Group
Center = 74.00118
StdDev = 0.009785039

q <- cusum(diameter[1:25,],
newdata=diameter[26:40,])
cusum Chart
for diameter[1:25, ] and diameter[26:40, ]
New Data in diameter[26:40, ]
10
5
Above target
UDB
-5
Below target
Cumulative Sum
15
Calibration Data in diameter[1:25, ]
LDB
1
10
14
18
22
26
30
34
38
Group
Center = 74.00118
StdDev = 0.009785039

plot(q, chart.all=FALSE)
10
5
Above target
UDB
-5
Below target
Cumulative Sum
15
cusum Chart
LDB
26
28
30
32
34
36
38
40
Group
Center = 74.00118
StdDev = 0.009785039

Mdia Mvel Exponencialmente

Ponderada (EWMA)
Controle Individual
Pequenas Mudanas
e L
> q<-ewma(somaacumulativa,lambda=0.1,
nsigmas=2.7,std=1,center=10)
11
10
UCL
LCL
Group Summary Statistics
12
EWMA Chart
for somaacumulativa
11 13
15 17
19 21
23 25
27 29
Group
Center = 10
StdDev = 1
Smoothing parameter = 0.1

Control limits at 2.7*sigma
No. of points beyond limits = 2
q<-ewma(somaacumulativa)
10
11
UCL
LCL
12
EWMA Chart
for somaacumulativa
9 11
14
17
20
23
26
29
Group
Center = 10.315
StdDev = 1.199865

Control limits at 3*sigma
EWMA
data(pistonrings)
attach(pistonrings)
diameter <- qcc.groups(diameter, sample)

q <- ewma(diameter[1:25,], lambda=0.2, nsigmas=3)
74.005
74.000
UCL
73.995
LCL
73.990
74.010
EWMA Chart
11
13 15
17 19
21
23 25
Group
Center = 74.00118
StdDev = 0.009785039

Control limits at 3*sigma
q <- ewma(diameter[1:25,], lambda=0.2, nsigmas=2.7,
newdata=diameter[26:40,], plot = FALSE)

summary(q)
plot(q)
EWMA Chart
for diameter[1:25, ] and diameter[26:40, ]
74.010
74.020
New Data in diameter[26:40, ]
74.000
UCL
LCL
73.990
Calibration Data in diameter[1:25, ]
10
14
18
22
26
30
34
38
Group
Center = 74.00118
StdDev = 0.009785039

x <- c(33.75, 33.05, 34, 33.81, 33.46, 34.02, 33.68, 33.27,
33.49, 33.20, 33.62, 33.00, 33.54, 33.12, 33.84) # viscosity

data (Montgomery, pag. 242) q <- ewma(x,
lambda=0.2, nsigmas=2.7) summary(q)
34.0
EWMA Chart
for x
33.8
33.6
33.4
33.2
LCL
33.0
UCL
9 10
12
14
Group
Center = 33.52333
StdDev = 0.4261651

34.0
EWMA Chart
for x
33.8
33.6
33.4
33.2
LCL
33.0
UCL
9 10
12
14
Group
Center = 33.52333
StdDev = 0.4261651

Outras Informaes
Teste t
x<-c(30.5,35.3,33.2,40.8,42.3,41.5,36.3,43.2,34.6,38.5)
y<-c(28.2,35.1,33.2,35.6,40.2,37.4,34.2,42.1,30.5,38.4)
> t.test(x,y, conf.level = 0.95)
Welch Two Sample t-test

data: x and y
t = 1.1148, df = 17.999, p-value = 0.2796
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-1.884218 6.144218
sample estimates:
mean of x mean of y
37.62 35.49
>
Teste t
> x<-c(130.5,135.3,133.2,140.8,142.3,141.5,136.3,143.2,134.6,138.5)
> t.test(x,y, conf.level = 0.95)
Welch Two Sample t-test

data: x and y
t = 53.452, df = 17.999, p-value < 2.2e-16
alternative hypothesis: true difference in means is not equal to 0
98.11578 106.14422
sample estimates:
mean of x mean of y
137.62 35.49
Teste f
ma<-c(145,127,136,142,141,137)
mb<-c(143,128,132,138,142,132)
args(var.test)
var.test(ma,mb)
F test to compare two variances
data: ma and mb
F = 1.0821, num df = 5, denom df = 5, p-value = 0.9331
alternative hypothesis: true ratio of variances is not equal to 1
0.1514131 7.7327847
sample estimates:
ratio of variances
1.082056
> ma<-c(145,127,136,142,141,137)
> mb<-c(1,2,2,8,2,1)
> args(var.test)
function (x, ...)
NULL
> var.test(ma,mb)
F test to compare two variances
data: ma and mb
F = 5.6604, num df = 5, denom df = 5, p-value = 0.08009
alternative hypothesis: true ratio of variances is not equal to 1
0.792062 40.451218
sample estimates:
ratio of variances
5.660377
Caso6
caso6<-
attach(caso6)
qcc(caso6[1:20,], type="xbar")

Controle de Qualidade

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Controle de Qualidade

Enviado por

Direitos autorais:

Formatos disponíveis

Noes bsicas de estatstica.

Inspeo por amostragem.

x = valor da v. a. node ocorrncias do evento em um

A distribuio de Poisson utilizada quando no

prtico ou mesmo possvel determinarmos o nmero

Uma central telefnica tipo PABX recebe uma mdia

de 5 chamadas por minuto. Qual a probabilidade deste

Num trabalho de campo realizado por um topgrafo

h, em mdia, 4 erros grosseiros por Km2 levantado.

Conformidade de itens saindo da linha de produo

O que estes experimentos tm em comum ?

Condies iguais em cada prova

Suponha que 4 componentes so testados por

Se a probabilidade de sucesso p, qual a probabilidade

de se ter X sucessos em uma prova?

X (maisculo): varivel aleatria

Quantos modos de X sucessos em cada prova?

Um sistema de segurana consiste em 4 alarmes

(idnticos) de presso alta, com probabilidade de

A distribuio Binomial tem os parmetros:

Um sistema de segurana de uma casa possui 03

alarmes, todos com probabilidade de funcionar no

Dado que 10% das pessoas so canhotas, qual a

Uma empresa area possui 20% de todas as linhas

domsticas. Supondo que todos os vos domsticos

O mtodo Ericsson de seleo de sexo tem uma taxa

admitida de 75% de sucesso. Suponha que 100 casais

meninas so igualmente provveis, determine a mdia e

Note que a distribuio normal especificada por dois

Distribuio Normal Padronizada

A distribuio normal padronizada facilita os clculos de

Se x uma observao de uma distribuio que tem

mdia e desvio-padro , o valor padronizado de x :

Note que o valor padroniza do representa o nmero de

desvios-padro pelo qual um valor x dista da mdia

Uma empresa fabrica termmetros que devem acusar a

leitura de 0 C no ponto de congelamento da gua. Testes

das leituras seja 1,00 C, qual a probabilidade de que, no

Admita que a frequncia de erros se assemelhe a uma

Com os termmetros do exemplo anterior, determine a

probabilidade de se selecionar aleatoriamente um

Com os termmetros do exemplo anterior, determine a

probabilidade de se selecionar aleatoriamente um

Qual a probabilidade de que o termmetro escolhido

acuse (no ponto de congelamento da gua), uma

Qual a probabilidade de que o termmetro escolhido

acuse (no ponto de congelamento da gua), uma

A probabilidade de ocorrncia de um valor menor que 20

Experimente agora tentar encontrar o valor da

Suponha que um pesquisador coletou dados de estatura

a) Qual a probabilidade de encontrarmos um jovem com

mais de 1,79 metros de altura?

b) Encontre o valor da estatura para qual a probabilidade de

Medidas de Posio e Disperso

Coeficiente de Variao CV(%)

Determine a Quantidade de Classes(k)

K= menor valor inteiro tal qual 2k n

Decida a quantidade de classes que Garanta observar

Calcule a amplitude das classes (h)

Calcule a amplitude (largura) da classe

Calcule os Limites das Classes

Limites das classes

[x,y) intervalo de X(fechado) at y(aberto