Estatística no Controle da

qualidade
Profa. Luciane
Ementa
 Bibliografia
• Introdução ao controle estatístico da
qualidade
• Douglas C. Montgomery
• Ed. LTC – 4ª. Ed.
 Software
• Faremos uso do programa estatístico R
disponível em http://cran.r-project.org/
• Pacote utilizado: qcc
 Avaliação
• Constará de uma prova escrita, uma prova
prática mais trabalhos desenvolvidos ao longo
do curso.
• Faltar a uma prova marcada ou deixar de
entregar trabalhos poderá levar o aluno a VS.
Não há reposição de prova ou trabalho,
mesmo em casos justificados.
 Significado de qualidade
Consulte a bibliografia e responda as perguntas. Entregar na
próxima aula.
• O que é qualidade? Apresente uma definição.
• Relacione qualidade com variabilidade
• O que é um valor nominal ou valor alvo?
• O que estabelece a ISO 9000?
• O que estabelece o programa seis sigma?
• Quais as 8 dimensões da qualidade?
 Definição de qualidade
• Definição tradicional: qualidade significa
adequação ao uso.

• Definição moderna: qualidade é inversamente

proporcional à variabilidade

• Melhoria da qualidade é a redução da

variabilidade nos processos e produtos
 Características da qualidade
• Físicas: comprimento, largura, voltagem,
viscosidade
• Sensoriais: gosto, aparência, cor
• Orientação temporal: confiabilidade,
durabilidade, praticidade
 CEP: Controle Estatístico do Processo
• Trata-se de um conjunto de ferramentas para a resolução
de problemas aplicadas a algum tipo de processo.
• As sete ferramentas principais são:
1. Histograma ou ramo e folhas
2. Gráfico de Pareto
3. Diagrama de causa-e-efeito
4. Diagrama de concentração de defeito
5. Gráfico de Controle
6. Diagrama de Dispersão
7. Folha de Verificação

Fonte: Montgomery, Cap4, pág 95

 1.1-Histograma
• Um histograma consiste em um gráfico com uma
escala horizontal para os valores dos dados a serem
representados, uma escala vertical para as freqüências
e barras para representar os valores das freqüências
das diversas classes. Na escala vertical pode ser
representada a freqüência absoluta, a freqüência
relativa ou a densidade de freqüência.
• A sintaxe no R é:
• hist(x) constrói um histograma (freq absoluta)
• hist (x, probability=T) densidade de freqüência no eixo
y
• hist (x,breaks=n) n= número de barras
 Exercício 1
• Construa um histograma dos dados da tabela
2.2 (ref. Bibliográfica) sobre o diâmetro
interno de anéis de pistons. Use as 125
observações.
 1.2-Ramo e folhas
• É um gráfico que permite visualizar a distribuição
dos dados sem a perda de informação no
processo. Classificam-se os dados segundo um
padrão que revela a distribuição subjacente. O
padrão consiste em separar o número em duas
partes: em geral o primeiro ou os dois primeiros
algarismos , e o restante. Os ramos consistem nos
algarismos mais à esquerda e as folhas no
algarismo mais à direita.
• No R: stem(x)
 Exercício 2
• Construa um ramo e folhas dos dados da
tabela 2.2 (ref. Bibliográfica) sobre o diâmetro
interno de anéis de pistons. Use as 125
observações.
 Exercícios Cap2 pag 49 e 50
• Resolva com o auxilio do R os exercícios 2-1
até 2-8 do livro do Montgomery.
• Entregar o script e os resultados obtidos em
arquivo doc.
 2-Gráfico de Pareto
• É um gráfico de colunas ou barras ordenadas
de acordo com a freqüência. As categorias são
ordenadas decrescentemente pelas
freqüências observadas. No R , o diagrama de
Pareto é construído utilizando o pacote qcc:
• require(qcc)
• pareto.chart(x, ylab = "Frequency", xlab, ylim,
main,
• col = heat.colors(length(x)), ...)
 Exemplo
• Utilize os comando abaixo para gerar o gráfico
de pareto.
• require(qcc)
• x=c(43500,12200,6400,4600,4200,2900,1400)
• names(x)=c("Veículo
motorizado","Quedas","Envenenamento","Afogamento","Incêndio","Ingestão de
Alimentos ou Objetos","Armas de fogo")
• pareto.chart(x,ylab="Frequencia",main="Causas de Mortes Acidentais",
• col=rainbow(length(x)))
Exemplo: visualizando o gráfico
 3-Diagrama de causa e efeito
• Compõe-se de uma caixa de efeito e a linha
central, sendo especificadas as principais
categorias de causas potenciais, ligadas à linha
central.
• No R, pacote qcc
• cause.and.effect(cause, effect, title = "Cause-
and-Effect diagram“, cex = c(1, 0.9, 1), font =
c(1, 3, 2))
 Exemplo
• cause.and.effect(cause=list(saúde=c('boa
alimentacao','sono adequado','atividade física
regular'),estudo=c('concentração','2h estudo
por dia','pesquisa em outras fontes'),
ambiente=c('agradável','silencioso','confortáv
el','limpo'),outros=c('conhecimento do
professor','perseverança')), effect='aprovação',
title='Diagrama de causa e efeito para
aprovação em curso')
Visualizando o diagrama causa e efeito
 4-Diagrama de concentração de
defeitos
• Um diagrama de concentração de defeito é uma figura do
produto, mostrando todas as vistas relevantes. Então, os
vários tipos de defeitos são desenhados na figura e o
diagrama é analisado para determinar a localização dos
defeitos do produto e assim fornecer alguma informação
útil sobre as causas potenciais dos defeitos.
• Estes diagramas são importantes ferramentas para
resolução de problemas em varias industrias, incluindo
chapeamento, pintura e revestimento, operações de
fundicao, maquinaria e montagem eletrônicas, pois quando
os dados sobre defeitos são retratados sobre um numero
suficiente de produtos, frequentemente surgem padrões, e
as localizações desses padrões contem, em geral, muita
informação sobre as causas dos defeitos.
Exemplo
 5-Gráfico de controle
• Um gráfico de controle de uma característica
de um processo consiste em valores grafados
seqüencialmente 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 característica, e os limites de
controle são fronteiras para separar e
identificar quaisquer pontos considerados
excepcionais.
 Critérios para gráfico de controle
• Critérios de utilização de gráficos de controle para determinar
se um processo está fora de controle estatístico:
• Há um padrão, uma tendência ou um ciclo que obviamente não é
aleatório.
• Há um ponto fora dos limites superior ou inferior de controle.
• Há oito pontos consecutivos, todos acima ou todos abaixo, da reta central
– Regra ou seqüência de 8.
• Seis pontos consecutivos, todos crescentes ou todos decrescentes.
• Quatorze pontos consecutivos se alternando entre para cima e para baixo.
• Dois ou três pontos consecutivos estão fora dos limites de controle fixados
à distância de um desvio-padrão a contar da reta central.
• Quatro dentre cinco pontos consecutivos estão fora dos limites de
controle fixados à distância de dois desvios-padrão a contar da reta
central.
 Gráfico de controle no R
• qcc(data, type, sizes, center, std.dev, limits, target,data.name, labels,
newdata, newsizes, newlabels, nsigmas= 3,confidence.level, rules =
shewhart.rules, plot =TRUE, ...)
• Data: conjunto de dados, vetor ou matriz contendo os dados das variáveis
• Type: especifica o tipo de gráfico (veja slide seguinte)
• sizes: valor ou vetor especificando o tamanho da amostra associado a
• cada grupo. obrigatório para os gráficos ‘p’,’np’, ‘c’ e ‘u’
• center: valor especificando o centro
• std.dev: vetor especificando os limites de controle
• target: valor especificando o “objetivo” do processo
• newdata: dados novos a serem plotados, não computados inicialmente
• newsizes: argumento com o novo tamanho
• nsigmas: número de desvios a serem utilizados
• confidence.level grau de confiança ( entre 0 e 1 )
• rules: regras a serem aplicadas aos gráficos (default = 'shewhart.rules')
Tipos de gráficos
 Exemplo: tipo xbar
Vamos construir um gráfico de controle para a média das medidas dos
diâmetros internos (mm) de anéis de pistão de motores de
automóveis. O pacote qcc contém o conjunto de dados necessário.
• require(qcc) #carrega o pacote qcc
• data(pistonrings) #acessa o conjunto de dados
• attach(pistonrings) #acessa as variáveis do conjunto de dados
• diameter=qcc.groups(diameter,sample) # agrupa os diâmetros de
acordo com o número da amostra. Cada amostra contém 5
observações. Temos um total de 40 amostras.
• q<-qcc(diameter[1:25,],type="xbar") #armazenando os dados para
gráfico de controle em objeto de nome q
• Summary(q) #mostra um sumário com as medidas descritivas e os
limites.
• Plot(q) #plota o gráfico de controle xbar
Gráfico de controle xbar
 Incluindo novos dados
• qnew <- qcc(diameter[1:25,], type="xbar“,
newdata=diameter[26:40,])
 Exemplo: tipo R (amplitude)
Vamos construir um gráfico de controle para a amplitude das medidas
dos diâmetros internos (mm) de anéis de pistão de motores de
automóveis. O pacote qcc contém o conjunto de dados necessário.
• require(qcc) #carrega o pacote qcc
• data(pistonrings) #acessa o conjunto de dados
• attach(pistonrings) #acessa as variáveis do conjunto de dados
• diameter=qcc.groups(diameter,sample) # agrupa os diâmetros de
acordo com o número da amostra. Cada amostra contém 5
observações. Temos um total de 40 amostras.
• q<-qcc(diameter[1:25,],type=“R”) #armazenando os dados para
gráfico de controle em objeto de nome q
• summary(q) #mostra um sumário com as medidas descritivas e os
limites.
• Plot(q) #plota o gráfico de controle xbar
Gráfico de controle R
 6- Diagrama de dispersão
• O diagrama de dispersão é um gráfico de
dados emparelhados (x,y) com um eixo
xhorizontal e um eixo y vertical. É útil para a
identificação de relações potenciais entre
estas duas variáveis. 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)
 7-Folha de verificação
• A folha de verificação é uma ferramenta de grande
utilidade na coleta de dados. Trata-se de um
documento para registro de falhas orientadas no
tempo, e torna-se extremamente valiosa na pesquisa
de tendências e de outros padrões significativos.
• Segundo MONTGOMERY ao se planejar uma folha de
controle deve-se especificar claramente o tipo de
dados a serem coletados, o número da parte ou
operação, a data, o analista, e quaisquer outras
informações úteis ao diagnóstico da causa de um fraco
desempenho.
Exemplo
 Base estatística dos gráficos de
controle: Capítulo 5, Montgomery
• Hipóteses:
– Característica da qualidade é normalmente distribuída com
média mi e desvio padrão sigma conhecidos.
• Na prática
– Estimamos os valores da média e do desvio padrão através de
amostras preliminares retiradas quando o processo ainda estava
sob controle.
– Suponha m amostras de tamanho n cada uma.
– O estimador da média do processo será a média das m médias
relativas a cada uma
m
das m amostras
n
de tamanho n.
x i x ij
x i 1
xi 
j 1

m n
– Para os limites de controle, usando o método das amplitudes
devemos obter
m

R i Ri  max j 1 ( xij )  min j 1 ( xij )

n n

R i 1
m
Limites de controle para o gráfico Xbar
LSC  x  A2 R
Linha central  x
LIC  x  A2 R

Para exemplificar, conforme vimos no slide Gráfico de controle xbar

A linha central = 74.00118
Fazendo os cálculos obtemos Rbarra = 0.02276
Consultando o anexo A obtemos A2 = 0,577
Portanto
A2 R  0,013
Logo
LSC = 74,01418
LIC = 73,98818

O método da amplitude funciona bem quando n<=6. (veja Montgomery pag.59).

Para n>6 o gráfico xbar e S são preferíveis ou quando o tamanho das amostras forem
variáveis
Limites de controle para o gráfico R
LSC  D4 R
Linha central  R
LIC  D3 R

Para exemplificar, conforme vimos no slide Gráfico de controle R

A linha central = 0.02276
Consultando o Anexo A obtemos D4 =2,115 e D3=0
Portanto
D4 R  0,0481374
Logo
LSC = 0,04814
LIC = 0
Anexo A
 Exercícios Cap.5 pág 165 e 166
• Resolva com o auxilio do R os exercícios 5-1
até 5-4 do livro do Montgomery.
• Entregar o script e os resultados obtidos em
arquivo doc.