Contr de Qual PDF

Exemplos
Gráficos de Controle por Variáveis
Controle Estatı́stico de Qualidade
William Lima Leão
April 3, 2019
2019-01
Exemplos
Exemplos
Linha de empacotamento de Leite
Variabilidade do Processo

Análise de desempenho dos gráficos de controle de X̄ e R
Regras Suplementares de Decisão
2019-01
Exemplos Linha de empacotamento de Leite
Gráficos de Controle por Variáveis Variabilidade do Processo
Em uma linha de empacotamento de leite, se medirmos o volume de cada

caixa, vamos descobrir que nenhuma delas contém exatamente uma mesma
quantidade de leite.
É logico que para fins de comercialização, pouco importa se uma caixa contém
um pouco a mais ou um pouco menos de leite que o valor especificado, no
entanto, existem restrições que devem ser respeitadas.
A especificação determina que cada caixa contenha 1000ml de leite; na prática,

contudo, o que se espera é que a média dos volumes dos saquinhos fique em
torno do valor especificado de 1000ml, e que não exista grande variabilidade
entre esses volumes.
2019-01
A tabela a seguir apresenta a quantidade de leite de 100 caixas de um mesmo

lote.
Table: Valores da variável X
998.8 994.9 1001.0 1005.1 1004.8 1006.9 991.3 999.1 1004.4 995.7
997.2 993.2 992.6 996.1 996.9 991.5 997.7 998.4 1005.5 998.5
998.7 998.5 1005.4 999.7 999.3 997.9 1007.9 1003.5 1009.5 997.4
1006.6 993.6 1002.2 1003.6 1007.7 999.7 997.9 1002.7 998.5 1003.0
994.2 996.6 993.9 998.5 999.9 1000.1 998.7 1008.8 993.0 997.1
989.7 1005.8 994.9 997.4 1003.0 1001.9 1003.5 1002.4 994.5 995.5
1002.8 1001.3 996.2 999.0 1000.5 1002.2 1000.6 996.4 1007.5 1001.9
1000.3 1003.3 1003.4 997.5 996.3 1004.4 995.2 993.8 1002.8 1002.6
1008.8 1005.8 1005.2 1000.5 1000.0 1001.8 999.9 995.8 992.9 1003.3
1001.8 1002.5 1000.9 995.9 1005.0 998.8 996.6 996.7 998.3 998.2
X̄ = 999.8
S = 4, 32
2019-01
Histograma dos Valores de X

30
25
20
Frequency
15
10
5
0
985 990 995 1000 1005 1010
2019-01
Processo Isento de Causas Especiais

1020
1010
●
● ●
● ● ●
● ●
● ● ● ●
● ● ● ●
● ●
● ● ● ● ● ●
● ●
1000
● ● ● ● ● ●
● ● ● ● ● ●
● ● ●
● ● ● ●
● ●
X
● ● ● ● ●
● ● ● ●
● ● ● ● ● ● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ●
● ● ●
● ●
● ● ●
● ● ●
●
990
● ●
●
980
0 20 40 60 80 100
Número da Observação
2019-01
Seja uma causa especial uma alteração indesejada da pressão de operação nas
tubulações do sistema de empacotamento de leite.
Table: Valores da variável X
1010.2 1002.3 1003.8 1000.2 1008.8 992.1 1008.9 999.4 1011.3 1014.0
1010.5 995.0 994.0 1011.2 1008.1 1008.3 1017.6 1005.3 1003.8 1019.6
995.0 1010.2 999.9 1009.5 1017.9 1012.9 1008.5 1003.1 1010.5 1009.5
994.1 991.2 1001.6 1002.1 1010.5 1009.0 992.3 1002.3 1012.7 1006.9
994.8 989.1 1002.5 1008.7 1014.6 1004.9 1002.2 1007.3 1002.4 1011.7
980.2 999.4 1002.0 1011.9 997.8 997.5 986.6 1014.4 1024.0 1006.9
992.0 1004.4 1005.3 1003.2 1016.5 1015.3 1003.3 992.6 1013.1 1016.1
997.2 994.5 1006.9 1012.8 1014.5 1021.7 1007.2 996.1 1008.8 1000.2
1004.5 998.7 1002.4 1012.9 1011.1 1007.8 994.2 1012.0 1017.8 1018.4
988.2 991.1 1004.3 1010.6 1009.9 1011.3 989.9 1002.9 997.5 1002.0
X̄ = 1004, 9
S = 8, 55
2019-01
Histograma dos Valores de X

20
15
Frequency
10
5
0
980 990 1000 1010 1020 1030
2019-01
Processo Sob Influência de Causas Especiais
●
1020
●
●
● ● ●
● ●
●
● ● ●
●
● ● ●
1010
● ●
● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ●
● ● ● ● ●
● ● ●
●
● ● ● ● ●
● ● ●
● ● ●
● ●
● ● ● ●
1000
● ● ● ● ● ● ●
● ● ●
● ●
X
●
● ●
●
● ● ●
●
●
● ● ●
● ● ●
●
● ●
●
990
●
● ●
●
●
●
●
980
0 20 40 60 80 100
Número da Observação
2019-01
2019-01
2019-01
2019-01
Figure: Distribuição do volume das caixas de leite ao longo do tempo (processo

instável)
2019-01
Na tabela abaixo são gerados valores de um distribuição normal com média 1000
e desvio-padrão igual 4.
Table: Valores de Xij ∼ N (1000, 42 )
Amostra (i) Xi1 Xi2 Xi3 Xi4 Xi5 X̄i Ri Si

1 992.9 1006.7 1002.7 1005.4 998.3 1001.2 13.8 5.6
2 1001.3 995.3 999.0 999.1 996.5 998.2 6.0 2.4
3 1001.2 1001.4 999.0 997.8 994.2 998.7 7.2 2.9
4 993.3 1002.1 998.7 993.6 996.6 996.9 8.8 3.7
5 996.8 1006.4 1006.9 994.5 998.4 1000.6 12.4 5.7
6 1000.9 1004.2 999.2 997.8 997.9 1000.0 6.4 2.7
7 1000.2 1002.6 998.3 1006.4 1005.8 1002.7 8.1 3.5
8 1003.3 996.1 1000.5 995.2 1005.8 1000.2 10.6 4.6
SA = 4.1
SB = 4.2
SC = 4.1
SD = 3.9
2019-01
Table: Valores de Xij ∼ N (1000, 42 ) com exceção do subgrupo (2) que vem de uma
N (1010, 42 )
Amostra (i) Xi1 Xi2 Xi3 Xi4 Xi5 X̄i Ri Si

1 992.9 1006.7 1002.7 1005.4 998.3 1001.2 13.8 5.6
2 1008.2 1009.3 1010.8 1008.4 1010.8 1009.5 2.6 1.3
3 1001.2 1001.4 999.0 997.8 994.2 998.7 7.2 2.9
4 993.3 1002.1 998.7 993.6 996.6 996.9 8.8 3.7
5 996.8 1006.4 1006.9 994.5 998.4 1000.6 12.4 5.7
6 1000.9 1004.2 999.2 997.8 997.9 1000.0 6.4 2.7
7 1000.2 1002.6 998.3 1006.4 1005.8 1002.7 8.1 3.5
8 1003.3 996.1 1000.5 995.2 1005.8 1000.2 10.6 4.6
Estiamdor Em controle Instável

SA 4.1 5.1
SB 4.2 8.7
SC 4.1 4.0
SD 3.9 3.8
2019-01
Exemplos Análise de desempenho dos gráficos de controle de X̄ e R
Gráficos de Controle por Variáveis Regras Suplementares de Decisão
i Xi1 Xi2 Xi3 Xi4 Xi5 Ri

1 1004.6 997.3 1003.0 1005.9 995.8 10.1
2 1001.6 1008.6 997.9 1001.3 999.1 10.7
3 999.1 992.6 1001.1 1001.6 1002.9 10.3
4 1007.9 997.5 991.3 997.8 1000.8 16.5
5 999.5 995.6 1004.3 995.6 991.4 13.0
6 1003.3 996.8 997.2 993.6 1000.1 9.7
7 999.7 1012.1 995.2 1001.8 1002.2 16.9
8 1000.1 995.3 990.0 997.5 1003.2 13.2
9 1004.3 1001.4 1001.6 999.1 996.4 7.9
10 999.0 995.8 989.9 995.1 1002.8 12.9
11 1003.2 1004.4 993.5 994.6 997.6 10.9
12 996.2 1017.3 993.6 996.5 1003.7 23.7
13 1014.0 1008.9 1004.1 1007.9 1000.7 13.3 R̄ = 11.0
14 1002.2 996.6 1002.7 1004.2 1001.8 7.6
15 998.3 997.5 1006.1 996.5 998.1 9.6
16 995.8 1000.8 999.1 1002.5 1001.0 6.7
17 1004.1 1003.0 1004.8 997.9 999.9 6.9
18 1000.1 994.9 1000.1 1004.9 997.3 10.0
19 1000.2 996.1 998.0 1006.1 999.4 10.0
20 1002.3 999.0 1000.8 1000.7 998.0 4.3
21 998.3 998.1 1004.2 1002.1 991.3 12.9
22 997.1 1000.7 999.8 1000.6 1001.7 4.6
23 1003.6 996.1 1001.4 998.0 991.8 11.9
24 999.9 1006.4 1005.1 999.8 1003.0 6.6
25 1007.3 999.8 992.5 996.2 998.2 14.8
2019-01
R̄ 11.0
σ̂0 = SD = = = 4.729
d2 2.326
LSCR = (d2 + 3d3 )σ̂0 = (2.326 + 3 × 0.864) × 4.729 = 23.26

LMR = d2 σ̂0 = 2.326 × 4.729 = 11.0
LICR = (d2 − 3d3 )σ̂0 = (2.326 − 3 × 0.864) × 4.729 = −1.26
Como LICR < 0 definimos LICR = 0.

30
25
23.26
●
20
Amplitude R
●
●
15
● ●
● ● ●
●
11
●
10
●
● ●
● ●
● ●
●
●
● ●
●
5
●
●
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Número da amostra
2019-01
Retirando-se a 12o amostra tem-se:

R̄ 10.5
σ̂0 = SD = = = 4.514
d2 2.326
LSCR = (d2 + 3d3 )σ̂0 = (2.326 + 3 × 0.864) × 4.514 = 22.20

LMR = d2 σ̂0 = 2.326 × 4.514 = 10.5
LICR = (d2 − 3d3 )σ̂0 = (2.326 − 3 × 0.864) × 4.514 = −1.20
Ainda adota-se LICR = 0

30
25
22.21
20
Amplitude R
●
●
15
● ●
● ● ●
10.5
●
●
10
●
● ●
● ●
● ●
●
●
● ●
●
5
●
●
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Número da amostra
2019-01
i Xi1 Xi2 Xi3 Xi4 Xi5 X̄i

1 1004.6 997.3 1003.0 1005.9 995.8 1001.3
2 1001.6 1008.6 997.9 1001.3 999.1 1001.7
3 999.1 992.6 1001.1 1001.6 1002.9 999.5
4 1007.9 997.5 991.3 997.8 1000.8 999.1
5 999.5 995.6 1004.3 995.6 991.4 997.3
6 1003.3 996.8 997.2 993.6 1000.1 998.2
7 999.7 1012.1 995.2 1001.8 1002.2 1002.2
8 1000.1 995.3 990.0 997.5 1003.2 997.2
9 1004.3 1001.4 1001.6 999.1 996.4 1000.5
10 999.0 995.8 989.9 995.1 1002.8 996.5
11 1003.2 1004.4 993.5 994.6 997.6 998.7
13 1014.0 1008.9 1004.1 1007.9 1000.7 1007.1 ¯ = 1000

R̄ = 10.5 e X̄
14 1002.2 996.6 1002.7 1004.2 1001.8 1001.5
15 998.3 997.5 1006.1 996.5 998.1 999.3
16 995.8 1000.8 999.1 1002.5 1001.0 999.9
17 1004.1 1003.0 1004.8 997.9 999.9 1001.9
18 1000.1 994.9 1000.1 1004.9 997.3 999.5
19 1000.2 996.1 998.0 1006.1 999.4 999.9
20 1002.3 999.0 1000.8 1000.7 998.0 1000.1
21 998.3 998.1 1004.2 1002.1 991.3 998.8
22 997.1 1000.7 999.8 1000.6 1001.7 1000.0
23 1003.6 996.1 1001.4 998.0 991.8 998.2
24 999.9 1006.4 1005.1 999.8 1003.0 1002.8
25 1007.3 999.8 992.5 996.2 998.2 998.8
2019-01
Limites de controle de X̄ sem a 12o amostra tem-se:

R̄ 10.5
σ̂0 = SD = = = 4.514
d2 2.326
σ̂0 4.514
LSCX̄ = µ̂0 + 3 √ = 1000.0 + 3 × √ = 1006.1
n 5
LMX̄ = µ̂0 = 1000.0
σ̂0 4.514
LICX̄ = µ̂0 − 3 √ = 1000.0 − 3 × √ = 993.9
n 5
1010
1006.1
●
1005
●
●
●
●
●
●
1000
1000
●
●
X
● ● ●
● ●
●
●
● ● ●
● ●
● ●
●
995
993.9
990
1 3 5 7 9 11 13 15 17 19 21 23 25
Número da amostra
2019-01
i Xi1 Xi2 Xi3 Xi4 Xi5 X̄i

1 1004.6 997.3 1003.0 1005.9 995.8 1001.3
2 1001.6 1008.6 997.9 1001.3 999.1 1001.7
3 999.1 992.6 1001.1 1001.6 1002.9 999.5
4 1007.9 997.5 991.3 997.8 1000.8 999.1
5 999.5 995.6 1004.3 995.6 991.4 997.3
6 1003.3 996.8 997.2 993.6 1000.1 998.2
7 999.7 1012.1 995.2 1001.8 1002.2 1002.2
8 1000.1 995.3 990.0 997.5 1003.2 997.2
9 1004.3 1001.4 1001.6 999.1 996.4 1000.5
10 999.0 995.8 989.9 995.1 1002.8 996.5
11 1003.2 1004.4 993.5 994.6 997.6 998.7
¯ = 999.7
R̄ = 10.5 e X̄
14 1002.2 996.6 1002.7 1004.2 1001.8 1001.5
15 998.3 997.5 1006.1 996.5 998.1 999.3
16 995.8 1000.8 999.1 1002.5 1001.0 999.9
17 1004.1 1003.0 1004.8 997.9 999.9 1001.9
18 1000.1 994.9 1000.1 1004.9 997.3 999.5
19 1000.2 996.1 998.0 1006.1 999.4 999.9
20 1002.3 999.0 1000.8 1000.7 998.0 1000.1
21 998.3 998.1 1004.2 1002.1 991.3 998.8
22 997.1 1000.7 999.8 1000.6 1001.7 1000.0
23 1003.6 996.1 1001.4 998.0 991.8 998.2
24 999.9 1006.4 1005.1 999.8 1003.0 1002.8
25 1007.3 999.8 992.5 996.2 998.2 998.8
2019-01
Limites de controle de X̄ sem as 12o e 13o amostras tem-se:
σ̂0 = 4.514
σ̂0 4.514
LSCX̄ = µ̂0 + 3 √ = 999.7 + 3 × √ = 1005.8
n 5
LMX̄ = µ̂0 = 999.7
σ̂0 4.514
LICX̄ = µ̂0 − 3 √ = 999.7 − 3 × √ = 993.6
n 5
1010
1005.8
1005
●
●
●
●
●
●
1000
999.7
●
●
X
● ● ●
● ●
●
●
● ● ●
● ●
● ●
●
995
993.6
990
1 3 5 7 9 11 13 15 17 19 21 23 25
Número da amostra
2019-01
1005.8
1005
1000
999.7
X
995
993.6
990
1 3 5 7 9 11 13 15 17 19 21 23 25
Número da Amostra
25
22.21
20
15
R
10.5
10
5
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Número da Amostra
2019-01
2019-01
2019-01
2019-01
2019-01
2019-01
Curva de probabilidade de não-detecção para n=4
2019-01
Curva de probabilidade de não-detecção para δ = 4
2019-01
Curvas do poder Pd versus λ
2019-01
Curvas de NMA versus λ
2019-01
2019-01
Exemplo A
Suponha que a média do processo aumentou de 0, 5 desvios-padrão (δ = 0, 5) e

desvio-padrão dobrou (λ = 2). Então, para n = 4 e LSCR = 5, 25σ0 :
√ √
PdX̄ = P Z < −(k + δ n)/λ + P(Z < (−k + δ n)/λ)
√ √
= P(Z < −(3, 24 + 0, 5 × 4)/2) + P(Z < (−3, 24 + 0, 5 4)/2)
= 0, 0170 + 0, 1314 = 0, 1484,
PdR = 1 − P(W ≤ 5, 25/2) = 1 − 0, 75 = 0, 25
e finalmente,
Pd = 0, 1484 + 0, 25 − 0, 1484 × 0, 25 = 0, 3613.
2019-01
Exemplo B
Suponha agora que a média do processo aumentou de 0, 5 desvios-padrão (δ =

0, 5) e desvio-padrão aumentou somente 20% (λ = 1, 2). Então, para n = 4 e
LSCR = 5, 25σ0 :
√ √
PdX̄ = P Z < −(k + δ n)/λ + P(Z < (−k + δ n)/λ)
√ √
= P(Z < −(3, 24 + 0, 5 × 4)/1, 2) + P(Z < (−3, 24 + 0, 5 4)/1, 2)
= 0, 0307 + 0, 002 = 0, 0309,
PdR = 1 − P(W ≤ 5, 25/1, 2) = 1 − 0, 9890 = 0, 0110
e finalmente,
Pd = 0, 0309 + 0, 0110 − 0, 0309 × 0, 0110 = 0, 04156.
2019-01
2019-01
Exemplos de Regras Suplementares de Decisão:
C2 : (2, 2, 2; ∞) ou (2; 2; −∞; −2)

C3 : (2; 3; 2; ∞) ou (2; 3; −∞; −2)
C4 : (3; 4; 1, 6; ∞) ou (3; 4; −∞; −1, 6)
C5 : (8; 8; 0; ∞) ou (8; 8; −∞; 0)
C6 : (10; 10; 0; ∞) ou (10; 10; −∞; 0)
Table: Frequência de alarmes falsos no gráfico de X̄ com regras suplementares de

decisão (k = 3).
Regras α NMAF
C1 0,0027 370,4
C1 e C2 0,0036 278,0
C1 e C3 0,0044 225,5
C1 e C4 0,0035 286,2
C1 e C5 0,0065 152,8
C1 e C6 0,0037 273,8
2019-01
LSC = µ0 + 3σ0 n
LSA = µ0 + 2σ0 n
LM = µ0
LIA = µ0 − 2σ0 n
LIC = µ0 − 3σ0 n
1 2 3 4 5 6 7 8
Figure: Ocorrência de um alarme pela regra de decisão C3
2019-01
Table: Valores de k que garantem α = 0, 0027.
Regras Novo valor para k

C1 3,0000
C1 e C2 3,1274
C1 e C3 3,3492
C1 e C4 3,1072
C1 e C5 -
C1 e C6 3,1316
2019-01
Table: Valores de NMA com regras suplementares.
δ NMA
(n = 4) C1 C1 e C2 C1 e C3 C1 e C4 C1 e C6
0,2 199 166 147 148 120
0,4 71,6 49,7 41,3 40,1 33,8
0,6 27,80 17,9 15,0 14,3 15,2
0,8 12,40 8,00 7,03 6,82 9,09
1,0 6,30 4,35 4,07 4,08 6,05
1,2 3,65 2,79 2,76 2,84 4,02
1,4 2,38 2,02 2,09 2,16 2,68
1,6 1,73 1,61 1,70 1,71 1,90
1,8 1,38 1,36 1,45 1,41 1,47
2,0 1,19 1,20 1,27 1,22 1,24
2019-01
Table: Tempo esperado até o sinal (TES) (n/h = 8 e h/α = 500)
n = 2; h = 0, 25; n = 4; h = 0, 50; n = 8; h = 1, 00; n = 16; h = 2, 00;

δ k = 3, 48 k = 3, 29 k = 3, 09 k = 3, 88
Horas Minutos Horas Minutos Horas Minutos Horas Minutos
0,25 89 38 45 11 20 50 9 32
0,75 32 6 13 23 5 31 2 39
1,00 12 46 4 50 2 1 1 18
1,25 5 39 2 5 0 59 1 2
1,50 2 45 1 3 0 39 1 0
2,00 0 51 0 24 0 30 1 0
2019-01

Contr de Qual PDF

Enviado por

Dados do documento

Título 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

Contr de Qual PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Exemplos

Gráficos de Controle por Variáveis

Controle Estatı́stico de Qualidade

William Lima Leão

Gráficos de Controle por Variáveis

Em uma linha de empacotamento de leite, se medirmos o volume de cada

A especificação determina que cada caixa contenha 1000ml de leite; na prática,

A tabela a seguir apresenta a quantidade de leite de 100 caixas de um mesmo

Table: Valores da variável X

Histograma dos Valores de X

985 990 995 1000 1005 1010

Processo Isento de Causas Especiais

Table: Valores da variável X

Histograma dos Valores de X

980 990 1000 1010 1020 1030

Processo Sob Influência de Causas Especiais

Figure: Distribuição do volume das caixas de leite ao longo do tempo (processo

Table: Valores de Xij ∼ N (1000, 42 )

Amostra (i) Xi1 Xi2 Xi3 Xi4 Xi5 X̄i Ri Si

Amostra (i) Xi1 Xi2 Xi3 Xi4 Xi5 X̄i Ri Si

Estiamdor Em controle Instável

i Xi1 Xi2 Xi3 Xi4 Xi5 Ri

LSCR = (d2 + 3d3 )σ̂0 = (2.326 + 3 × 0.864) × 4.729 = 23.26

Como LICR < 0 definimos LICR = 0.

Retirando-se a 12o amostra tem-se:

LSCR = (d2 + 3d3 )σ̂0 = (2.326 + 3 × 0.864) × 4.514 = 22.20

Ainda adota-se LICR = 0

i Xi1 Xi2 Xi3 Xi4 Xi5 X̄i

13 1014.0 1008.9 1004.1 1007.9 1000.7 1007.1 ¯ = 1000

Limites de controle de X̄ sem a 12o amostra tem-se:

i Xi1 Xi2 Xi3 Xi4 Xi5 X̄i

Limites de controle de X̄ sem as 12o e 13o amostras tem-se:

Curva de probabilidade de não-detecção para n=4

Curva de probabilidade de não-detecção para δ = 4

Curvas do poder Pd versus λ

Curvas de NMA versus λ

Suponha que a média do processo aumentou de 0, 5 desvios-padrão (δ = 0, 5) e

PdR = 1 − P(W ≤ 5, 25/2) = 1 − 0, 75 = 0, 25

Pd = 0, 1484 + 0, 25 − 0, 1484 × 0, 25 = 0, 3613.

Suponha agora que a média do processo aumentou de 0, 5 desvios-padrão (δ =

PdR = 1 − P(W ≤ 5, 25/1, 2) = 1 − 0, 9890 = 0, 0110

Pd = 0, 0309 + 0, 0110 − 0, 0309 × 0, 0110 = 0, 04156.

Exemplos de Regras Suplementares de Decisão:

C2 : (2, 2, 2; ∞) ou (2; 2; −∞; −2)

Table: Frequência de alarmes falsos no gráfico de X̄ com regras suplementares de

Figure: Ocorrência de um alarme pela regra de decisão C3

Table: Valores de k que garantem α = 0, 0027.

Regras Novo valor para k

Table: Valores de NMA com regras suplementares.

Table: Tempo esperado até o sinal (TES) (n/h = 8 e h/α = 500)

n = 2; h = 0, 25; n = 4; h = 0, 50; n = 8; h = 1, 00; n = 16; h = 2, 00;

Você também pode gostar