Escolar Documentos
Profissional Documentos
Cultura Documentos
Fim
ogia telefone
apoiar
Cliente
CSA navega VRU
Chamadas do
VRU cliente
SBS
Cliente encontra
número
produtos
aparência do
O cliente tem cliente para
Com
pergunta número em
eçar
manual
ou programa
F IGURA 7.2 Mapa de processo para entrar em contato suporte técnico por Telefone.
porcentagem dos clientes não consegue encontrar o número de telefone para suporte
técnico. Uma raíz a causa do problema é a localização obscura do número de telefone
do centro de suporte. Melhorando geral cliente satisfação é ligado para fazendo isto
mais fácil para o cliente para localizar o correto número, talvez por colocação a
grande, conspícuo adesivo com o telefone número na capa do manual. O Big Y e a
causa raiz X são separados por diversos níveis, mas o processo mapeamento e SIPOC
análise corrente fornece a metodo- ogy para fazer a conexão.
O SIPOC será revisado posteriormente na fase de Análise para remover saídas,
entradas ou tarefas adicionadas.
Métrica Definição
Um dos principais objetivos do estágio Medir é estabelecer uma linha de base do
processo, conforme discutido mais adiante neste capítulo. A linha de base do processo
fornece uma medida quantificável do processo cessar desempenho antes qualquer
melhoria esforços ter estive iniciado. Em estabelecendo
F IGURA 7.3 SIPOC para fácil para contato BBTM.
Medição escalas
As quatro escalas de medição são: nominal, ordinal, de intervalo e razão. Harrington
(1992) resume o propriedades de cada um escala na tabela 7.1.
Números sobre a nominal escala não são Medidas no todos; eles são apenas categoria
rótulos em numérico forma. Nominal Medidas poder indicar Filiação em a grupo (1
macho, 2 fêmea) ou simplesmente representar a designação (John Corça é 43 sobre o
equipe). Nominal escalas representar o mais simples e mais fraco forma de medição.
Nominal variáveis são talvez melhor visto como a forma de classificação em vez de
que como a medição escala.
Escala Definição Exemplo Estatisticas
Nominal Apenas a presença/ausência de Vai/não vai; Por cento;
um atributo; pode apenas contar sucesso/falha; proporção;
Unid aceitar rejeitar qui-quadrado testes
Ordinal Pode dizer que um item tem mais ou Gosto; ordem de
menos de um atributo que outro item; atratividade classificaçã
pode ordem a definir de Unid o
correlação
Intervalo Diferença entre qualquer dois do calendário ; Correlações;
sucessivos pontos é igual; muitas temperatura testes t; testes F;
vezes tratado como a múltiplo regressão
razão escala até se suposição de
igual intervalos é incorreta; pode
adicionar, subtrair, ordem objetos
Razão Verdadeiro zero apontar indica decorrido teste t; teste F;
ausência de um atributo; pode tempo; correlações;
somar, subtrair, multiplicar e distância; peso múltiplo regressão
dividir
De Harrington (1992). P516. direito autoral © 1992. Usado por permissão de o editora, ASQ Qualidade
Imprensa, Milwaukee, Wisconsin.
MESA _ 7.1 tipos de Medição escalas e Permitida Estatisticas
Idealmente, categorias sobre o nominal escala são construído em tal a caminho que
todos objetos em o universo são membros de uma e apenas uma classe. Dados
coletados em escala nominal são chamado atributo dados . O apenas matemático
operações permitido sobre nominal escalas são (igualdade, que mostra que um
objeto possui o atributo de interesse) ou (desigualdade).
Uma variável ordinal é aquela que possui uma ordenação natural de seus
possíveis valores, mas para quais as distâncias entre os valores são indefinidas. Um
exemplo é a preferência do produto ência classificações tal como bom, melhorar, ou
melhor. Ordinal dados pode ser analisado com o matemática- emático operadores,
(igualdade), (desigualdade), > (maior que), e < (menos que). Lá são a largo
variedade de estatístico técnicas qual pode ser aplicado para ordinal dados inclui- ing
o Pearson correlação, discutido em Indivíduo. 10. Outro ordinal modelos incluir
chances- medidas de razão, modelos log-lineares e modelos logit, ambos usados para
analisar classificações cruzadas de ordinal dados apresentado em contingência
tabelas. Em qualidade gerenciar- mento, os dados ordinais são comumente
convertidos em dados nominais e analisados usando modelos binomiais ou de
Poisson. Por exemplo, se as peças forem classificadas usando uma classificação ruim-
boa pedido excelente, o analista de qualidade pode traçar um gráfico p da proporção
de itens em o categoria ruim.
As escalas intervalares consistem em medições em que as razões das diferenças
são invariáveis. formiga. Por exemplo, 90 C 194 F, 180 C 356 F, 270 C 518
F, 360 C 680 F. Agora 194 F/90 C 356 F/180 C, mas
35 6 ∘ F 19 4 ∘ F
68 0 ∘ F 51 8 ∘ F
18 0 ∘ C 9 0 ∘ C
36 0 ∘ C 27 0 ∘ C
A conversão entre duas escalas intervalares é realizada pela transformação
y _ machado b a>0
Para
exemplo,
∘F 3 2 9 ∘
5 C
onde um 9/5, b 32. Assim como nas escalas de proporção, quando são feitas
transformações permitidas estatísticos, os resultados não são afetados pela escala de
intervalo usada. Além disso, 0 (em qualquer escala) é arbitrário. Em este exemplo,
zero faz não indicar um ausência de aquecer.
de escala de razão são assim chamadas porque as medições de um objeto em dois
diferentes métricas estão relacionadas entre si por uma razão invariante. Por exemplo,
se um objeto de massa era medido em libras ( x ) e quilogramas ( y ), então x/y 2.2
para todos valores de x e y . Isso implica que uma mudança de uma escala de medição
de razão para outra é realizada por uma transformação da forma y = ax, a > 0; por
exemplo, libras 2.2 quilogramas. Quando transformações permitidas são usadas,
resultados estatísticos baseados no os dados são idênticos independentemente da
escala de proporção usada. Zero tem um significado inerente: em neste exemplo
significa uma ausência de massa.
Se qualquer um dos itens acima for respondido “não”, então qual é a causa da
instabilidade? Para ajudar a responder a esta pergunta, pergunte “qual é a natureza
da variação revelada pelo padrões?" quando plotados em seqüência de tempo e
estratificados de várias maneiras.
Se nenhuma das opções acima for respondida “não”, então, e somente então,
podemos perguntar questões como
Distribuição
Tamanho TamanhoTamanhoTamanho
Também pode ser mostrado que a média das médias amostrais será igual à média
dos o universo e que o padrão desvio de o médias é igual a o padrão desvia- ção de o
universo dividido por o quadrado raiz de o amostra tamanho. Shewhart realizado
experimentos que mostraram que pequenos tamanhos de amostra eram necessários
para obter aproximadamente normal distribuições de até descontroladamente
anormal universos. Figura 7.6 era criada por Shewhart usando amostras de quatro
medidas.
As implicações práticas do teorema do limite central são imensas. Considere isso
sem os efeitos do teorema do limite central, teríamos que desenvolver uma estatística
separada cal modelo para todo anormal distribuição encontrado em prática. Esse seria
ser o única maneira de determinar se o sistema estava exibindo variação aleatória. Por
causa do central limite teorema nós pode usar médias de pequeno amostras para
Avalie qualquer processo usando a distribuição normal. O teorema do limite central é a
base para o mais poderoso dos estatístico ferramentas de controle de processo,
controle Shewhart gráficos.
200
Number of observations
150
100
50
0
Universo –2.4 –1.201.22.4
200
Number of observations
150
100
50
0
Universo –1,2 –0,8 –0,4 0 0,4 0,8 1.2 1.6
F IGURA 7.6 Ilustração de o central limite teorema. ( De Shewhart (1931, 1980). Figura 59. direito
autoral © 1931, 1980 por ASQC Qualidade Imprensa. Usado por permissão de o editora .)
The Measur e Phase 21
1
Comum e Especial Causas de Variação
Shewhart (1931, 1980) definido controle como segue:
Um fenômeno será dito controlado quando, através do uso de experiências
passadas, Assim, podemos prever, pelo menos dentro de certos limites, como se
espera que o fenômeno ocorra. variar em o futuro. Aqui isto é entendido que predição
dentro de limites significa que nós pode indicar, pelo menos aproximadamente, a
probabilidade de que o fenômeno observado caia dentro dos limites dados.
O ponto crítico nesta definição é que o controle não é definido como o ausência de
variação. O controle é simplesmente um estado onde toda variação é previsível . um
con- trollado processo não é necessariamente a sinal de bom gerenciamento, nem é um
fora de controle pró- cessar necessariamente produzindo produtos não conformes.
Em todas as formas de previsão há um elemento de risco. Para nossos propósitos,
chamaremos qualquer desconhecido aleatório causa de variação a chance causa ou a
comum causa , o termos são sinônimo e vai ser usado como tal. Se o influência de
qualquer especial chance causa é muito pequeno, e se o número de causas fortuitas de
variação for muito grande e relativamente constante, temos uma situação em que a
variação é previsível dentro de limites. Você pode ver de o definição acima, que a
sistema tal como esse qualifica como a controlada sistema. Onde o Dr. Shewhart usou
o termo causa casual, o Dr. W. Edwards Deming cunhou o termo termo causa comum
para descrever o mesmo fenômeno. Ambos os termos são encontrados em prática.
Desnecessário para dizer, não todos fenômenos surgir de constante sistemas de
comum causas. No vezes, o variação é causado por a fonte de variação que é não
papel de o constante sistema. Essas fontes de variação foram chamadas de causas
atribuíveis por Shewhart, especial causas de variação por Deming. Experiência indica
que especial causas de variação pode geralmente ser encontrado sem indevido
dificuldade, principal para a processo que é menos variável.
estatístico ferramentas são necessário para ajuda nós efetivamente separado o
efeitos de especial causas de variação do acaso causa variação. Isso nos leva a outra
definição: Estatística processo controle - o usar de válido analítico estatístico métodos
para identificar o existência de causas especiais de variação em um processo.
O básico regra de estatístico processo ao controle é variação de causa comum
sistemas devem ser deixadas ao acaso, mas causas especiais de variação devem ser
identificadas e eliminadas nated.
Esse é Shewhart's original regra. No entanto, o regra deve não ser mal
interpretado como significado que variação de comum causas deve ser ignorado. Em
vez de, causa comum variação é explorado "desligada." Que é, nós olhar para longo
prazo processo melhorias para endereço variação de causa comum.
A Figura 7.7 ilustra a necessidade de métodos estatísticos para determinar a
categoria de variação.
O responder para o pergunta "deve esses variações ser esquerda para chance?"
pode apenas ser obtido através o usar de estatístico métodos. Figura 7.8 ilustra o
básico conceito. Em suma, a variação entre os dois “limites de controle” designados
pelas linhas tracejadas vai ser considerado como variação de o causa comum
sistema. Qualquer variabilidade além esses fixo limites vai ser assumiu para ter vir
de especial causas de variação. Nós vai chamar qualquer sistema exibindo apenas
causa comum variação, “estatisticamente controlada." Isto deve ser observado que o
ao controle limites são não simplesmente retirado fora de o ar, eles são calculado de
real processo dados usando válido estatístico métodos. Figura 7.7 é mostrando como
Fig. 7.9, apenas com o limites de controle desenhar em isto; perceber esse processo (a)
é exibindo variações de especial causas, enquanto processo (b) é não. Esse implica
que o tipo de
Look for a special cause of variation
Performance measure
Leave
these
variations
to chance
0,04
0,03
Fraction defective
0,02
0,01
0,00
J FMAMJJASOND
(a) Meses
0,04
0,03
Fraction defective
0,02
0,01
0,00
J FMAMJJASOND
(b) Meses
F IGURA 7.8 Deve esses variações ser esquerda para chance? ( De Shewhart (1931, 1980). P 13.
direito autoral © 1931, 1980 por ASQC Qualidade Imprensa. Usado por permissão de o editora .)
212
The Measur e Phase 213
0,04
0,03
Fraction defective
0,02
0,01
0,00
J FMAMJJASOND
(a) Meses
0,04
0,03
Fraction defective
0,02
0,01
0,00
J FMAMJJASOND
(b) Meses
F IGURA 7.9 Gráficos de Figo. 7.7 com ao controle limites mostrando. ( De Shewhart (1931, 1980).
P 13. direito autoral © 1931, 1980 por ASQC Qualidade Imprensa. Usado por permissão de o
editora .)
215
216 C h a p t e r Ei g h t
limites para as faixas de subgrupo são mais e menos três desvios padrão do faixa de o
média faixa. Esses ao controle limites são bastante robusto com respeito para não-
normalidade na distribuição do processo.
Para facilitar os cálculos, constantes são usadas nas equações de limite de controle.
Apên- dix 9 fornece ao controle gráfico constantes para subgrupos de 25 ou menos. O
derivação de o vários As constantes do gráfico de controle são mostradas em Burr
(1976, pp. 97-105).
Desde isto é não possível para ter a subgrupo faixa menos que zero, o LCL é
não mostrando na carta de controle para intervalos.
Médias ao controle gráfico exemplo
soma de subgrupo médias 2, 487,5
x número de subgrupos 25 99,5
de o processo com respeito para requisitos um deve usar o métodos descrito mais
tarde em o seção de análise de capacidade do processo.
Médias ao controle
110 gráfico
108,00
105
100
99,5
95
90,97
90
35
31.22
30
25
20
15 14,76
10
0
0 510152025
então faixa gráficos são não recomendado para esses grande subgrupo tamanhos. No
entanto, desde Seis Os analistas da Sigma invariavelmente usarão software de
computador em suas análises, o padrão desvio gráfico é recomendado para todos os
tamanhos de subgrupo.
Desde isto é não possível para ter a subgrupo sigma menos que zero, o LCL é
não mostrando no gráfico de controle para sigma para este exemplo.
220 C h a p t e r Ei g h t
Médias ao controle
gráfico
Médias ao controle
110 gráfico
108,37
105
100
99,5
95
90,63
90
12,99
10
6.218
5
0
0 5 10152025
LCL 0 (para n = 2)
UCL 3.267 R -
barra
Há algum debate sobre o valor dos gráficos R móveis . Pesquisadores acadêmicos falharam em
mostrar valor estatístico em seu uso. No entanto, muitos praticantes afirmam que os gráficos R móveis
222 C h a p t e r Ei g h t
fornecem de valor informações adicionais úteis na solução de problemas.
Pr o c e s s B e h a v i o r C h a r t s 223
Amostra 1 Faixa
110 Nenhum
103 7
97 6
96 1
105 9
110 5
100 10
93 7
90 3
103 13
97 6
103 6
90 13
97 7
99 2
106 7
90 16
96 6
109 13
90 19
91 1
108 17
96 12
101 5
96 5
LCL R
D3R _ _ 0 8.1 7 0
UCL R
D4R _ _ 3. 26 7 8 .1 7 2 6 .6 9
Desde isto é não possível para ter a subgrupo faixa menos que zero, o LCL é
não mostrando na carta de controle para intervalos.
224 C h a p t e r Ei g h t
130 120,73
120
100
99,0
90
80
77,27
70
26.69
25
20
15
10
8.17
0
0 510152025
sensibilidade oferecido por médias gráficos poderia não ser justificado sobre qualquer
um econômico ou um base de engenharia. Quando isso acontecer, o uso de gráficos de
médias apenas levará a desperdiçando dinheiro investigando causas especiais que são
de menor importância.
p(1 p)
LCL p 3 (8.22)
n
p(1 p)
UCL p 3 (8.23)
n
Análise de p Gráficos
Como acontece com todos os gráficos de controle, uma causa especial provavelmente
está presente se houver algum ponto além qualquer o superior ou o mais baixo ao
controle limite. Análise de p gráfico padrões entre os limites de controle são
extremamente complicados se o tamanho da amostra varia porque a distribuição
butão de p varia com o tamanho da amostra.
Usando o dados acima o Centro linha e limites de controle são encontrado como
segue:
subgrupo defeituoso contar
p _ subgrupo tamanho
Esses valores são mostrando em o durar coluna de Mesa 8.3.
soma de subgrupo defeituoso conta 1, 544
p soma de subgrupo 8, 000 0,193
tamanho
qual é constante para todos subgrupos.
228 C h a p t e r Ei g h t
n _ 250 (1 caixa):
n 500 (2
caixotes):
0.193 (1 0.193)
LCL 0,193 3 0,140
500
0.193 (1 0.193)
UCL 0,193 3 0,246
500
O ao controle limites e o subgrupo proporções são mostrando em Figo. 8.4.
Gráfico de controle de
proporções
0,30 ( gráfico p )
0,268
0,25 0,246
0,20 0,193
0,15
0,140
0,10 0,118
0,05 0,00
0
Pr o c e s s B e h a v i o r C h a r t s 229
5 10152025
np
p n
LCL np np(1
27.93 1 27,93 3
250
p)
3 UCL np np(1
27.93 1 27,93 3
250
p)
Pr o c e s s B e h a v i o r C h a r t s 231
30 42,88
12,99
40
35
30
25
20
15
10
5
0
0 51015202530
subgrupo contar de
você ocorrências subgrupo
tamanho em unidades (8.29)
soma de subgrupo
vocêocorrências soma de subgrupo (8.30)
tamanhos em unidades
u
LCL você 3 (8,31)
n
u
UCL você 3 (8,32)
n
230 C h a p t e r Ei g h t
LCL você
Pr o c e s s B e h a v i o r C h a r t s 231
u
48,25 3
n
u 27.41
48,25 3 48.25
n 1
1
48.25
1
69.08
9
232 C h a p t e r Ei g h t
n2
unidades:
48.25
LCL 48,25 3 33.514
2
48.25
UCL 48,25 3 6 2 .986
2
48,25
45
33.514
30 27.411
15
0
0 510152025
O leitor pode notar que os dados usados para construir a carta u foram os mesmos
que aqueles usados para o gráfico p , exceto que consideramos as contagens como
sendo contagens de ocorrências (hematomas) em vez de contagens de itens físicos
(pêssegos machucados). A prática- cal implicações de usando a você gráfico quando a
p gráfico deve ter estive usado, ou vício versa, geralmente não são graves. As decisões
baseadas nos gráficos de controle serão bastante semelhantes em maioria casos
encontrados em seis Sigma não obstante se um você ou a gráfico p é usado.
Análise de c Gráficos
Como acontece com todos os gráficos de controle, uma causa especial provavelmente
está presente se houver algum ponto além qualquer o superior ou o mais baixo ao
controle limite. Análise de c gráfico padrões entre o limites de controle é mostrado
mais adiante neste capítulo.
Exemplo de c Gráfico
Os dados da Tabela 8.7 foram obtidos abrindo caixotes selecionados aleatoriamente de
cada envio e contando o número de contusões. Lá são 250 pêssegos por engradado.
Nosso unidade tamanho será considerado como uma caixa cheia, ou seja, estaremos
contando as caixas em vez do próprios pêssegos. Cada subgrupo consiste em uma
caixa. Se o tamanho do subgrupo variasse, um gráfico u seria usado.
Usando o dados acima o Centro linha e limites de controle são encontrado como
segue:
LCL c 3
c 33.53 3 33.53 16.158
UCL c 3
8c 33.53 3 33.53 50.902
O ao controle limites e o ocorrência conta são mostrando em Figo. 8.7.
50 50,9
40
30 33,5
20
16.2
10
0
0 510152025 30
Média, faixa
n=2
to 9
n = 10 or more
Média, sigma
n
Non-normal Correr gráfico
Measureme = data
nts
1 Normal x ao controle gráfico
data
np ao controle gráfico
n
fix
Count e
pieces
or nd p gráfico
Co uni vari
unt C ts es
occurren c gráfico
s oces n
u fix
nt e
nd você gráfico
vari
F IGURA 8.8 Ao controle gráfico seleção decisão árvore.
es
Ferra
menta se soltou em
quebr dispositivo
ado elétrico
Actual
Add chemical
distribution
to solution
Process
capability
0
a medida de controle contra uma base variável. Por exemplo, se um ciclo de dia da
semana existe para erros de remessa devido à carga de trabalho, você pode plotar
erros de remessa por 100 pedidos enviados em vez de erros de envio por dia.
Alternativamente, pode valer a pena enquanto para mudar o sistema para suavizar o
ciclo. A maioria dos processos opera mais eficientemente quando as entradas são
relativamente estáveis e quando os métodos são alterados conforme pequeno como
possível.
A controlada processo vai Exibir apenas "aleatório olhando" variação. A padrão
onde todo nº _ item é diferente é, obviamente, não aleatório (Figo. 8.12). Esses padrões
são alguns- vezes bastante sutis e difíceis de identificar. Às vezes é útil ver se a média
a fração defeituosa está próxima de algum múltiplo de um número conhecido de
fluxos de processo. Para exemplo, se a máquina for uma enchedora com 40 estações,
procure problemas que ocorram 1/40, 2/40, 3/40, e então sobre, de o tempo.
Ao plotar dados de medição, a suposição é que os números existem em um
contínuo, que é, lá vai ser muitos diferente valores em o dados definir. Em o real
mundo,
Station 6 Station 6
Station 6 Station 6 Station 6
F IGURA 8.13
Ao controle gráfico padrões: discreto dados.
os dados nunca são completamente contínuos (Fig. 8.13). Geralmente não importa
muito se lá são, dizer, 10 ou mais diferente números. No entanto, quando lá são
apenas a alguns num- bers que aparecem repetidamente podem causar problemas
com a análise. Um comum problema é que a carta R vai subestimar o alcance médio,
fazendo com que o controle os limites nos gráficos de média e intervalo sejam muito
próximos. O resultado será muitos “alarmes falsos” e uma perda geral de confiança no
SPC.
O habitual causa de esse situação é inadequado calibrar resolução. O ideal solução
é para obtivermos a calibrar com maior resolução. Às vezes o problema ocorre porque
ópera- tores, inspetores, ou computadores são arredondamento o números. O solução
aqui é para registro dígitos adicionais.
A razão pela qual o SPC é feito é para acelerar o processo de aprendizagem e,
eventualmente, pro- doce um melhoria. Ao controle gráficos servir como histórico
registros de o aprendizado processo e podem ser usados por outros para melhorar
outros processos. Quando uma melhoria é percebeu o mudar deve ser escrito sobre o
velho ao controle gráfico; isso é efeito vai mostrar acima como um processo menos
variável. Esses gráficos também são úteis para comunicar os resultados aos líderes,
fornecedores, clientes, e outros interessado em qualidade melhoria (Figo. 8.14).
T T T T T
M M M M MM M
T = TED
M = MARY
0
F IGURA 8.16
Ao controle gráfico padrões: mistura.
Pr o c e s s B e h a v i o r C h a r t s 241
Mistura exemplo 1
A mistura representa dois operadores diferentes que podem se tornar mais consistentes. Um único
controle gráfico pode ser usado para monitorar o processo novo e consistente.
Mistura exemplo 2
A mistura está no número de casos de emergência recebidos no sábado à noite, versus o número
recebido durante uma semana normal. Gráficos de controle separados devem ser usados para
monitorar carregar durante os dois períodos de tempo diferentes.
Correr testes
Se o processo for estável, então a distribuição das médias dos subgrupos será
aproximadamente mately normal. Com isso em mente, também podemos analisar os
padrões no controle gráficos para ver se eles podem ser atribuídos a uma causa especial
de variação. Para fazer isso, nós divide uma distribuição normal em zonas, com cada
zona com um desvio padrão de largura. A Figura 8.17 mostra a porcentagem
aproximada que esperamos encontrar em cada zona de um estábulo processo.
Zona C é a área da média para a média mais ou menos um sigma, a zona B é de
mais ou menos um sigma para mais ou menos dois sigma, e a zona A é de mais ou
menos dois sigma para mais ou menos três sigma. Claro, qualquer ponto além de três
sigma (ou seja, fora de o limite de controle) é um indicação de um fora de controle
processo.
Desde o ao controle limites são no mais e menos três padrão desvios, encontrando
o um e dois sigma linhas sobre a ao controle gráfico é como simples como dividindo o
distância entre a média geral e qualquer limite de controle em terços, o que pode ser
feito usando uma régua. Isso divide cada metade do gráfico de controle em três zonas.
As três zonas são rotuladas A, B e C, como mostrado na Fig. 8.18.
Baseado sobre o esperado porcentagens em cada zona, confidencial correr testes
pode ser desenvolver- operado para analisando o padrões de variação em o vários
zonas. Lembrar, o existe- tensão de a não aleatório padrão significa que a especial
causa de variação era (ou é) provavelmente presente. As médias, np ec testes de
execução do gráfico de controle são mostrados na Fig. 8.19. Observação que, quando
um ponto responde para um descontrole teste é marcado com um “X”
para fazer o interpretação de o gráfico mais fácil. Usando esse convenção, o padrões
sobre o ao controle gráficos podem ser usados como uma ajuda em solução de
problemas.
F IGURA 8.19 testes para fora de controle padrões sobre ao controle gráficos. De Nelson (1984)
237–239.
15
10
0
0 50 100 150 200
–5
Variáveis Dados
Dados variáveis, às vezes chamados de dados contínuos, envolvem medidas como
tamanho, peso, pH, temperatura, etc. Em teoria, os dados são dados variáveis se não
houver dois valores exatamente o mesmo. Na prática, isso raramente acontece. Como
regra geral, você pode considere os dados como dados variáveis se pelo menos 10
valores diferentes ocorrerem e repita os valores representam no máximo 20% do
conjunto de dados. Se não for esse o caso, seus dados podem ser muito discreto para
usar gráficos de controle padrão. Considere tentar um procedimento de atributo como
o demérito gráficos descrito mais tarde em esse capítulo. Nós vai discutir o seguindo
abordagens ao SPC para tiragens curtas ou pequenas:
Notas
1. O estágio três assume que não há causas especiais de variação entre as
execuções. Se houver, o processo pode ficar fora de controle ao usar a
configuração do estágio três. controlar limites. Em esses casos, remover o
especial causas. Se esse não é possível, aplicar esse procedimento para cada
executar separadamente (ou seja, iniciar cada vez).
2. Esse abordagem vai liderar para o usar de padrão ao controle gráfico mesas
248 C h a p t e r Ei g h t
quando
suficiente
dados são
acumulados.
Pr o c e s s B e h a v i o r C h a r t s 249
Exemplo
Presumir nós desejar para usar CEP para a processo que envolve produzindo a
papel em grande quantidade de 30 peças cada. As peças são produzidas
aproximadamente uma vez por mês. O controle recurso sobre o papel é o
profundidade de a sulco e nós vai ser medindo todo pedaço. Decidimos usar
subgrupos de tamanho três e calcular os limites de controle do primeiro estágio
depois o primeiro cinco grupos. O Medidas obtido são mostrando em Mesa 8.9.
n 3 4 5 6 7 8 9 10
Crítico T 0,885 0,529 0,388 0,312 0,263 0,230 0,205 0,186
Amostra Número
–
Subgrupo Número 1 2 3 x R
1 0,0989 0,0986 0,1031 0,1002 0,0045
2 0,0986 0,0985 0,1059 0,1010 0,0074
3 0,1012 0,1004 0,1000 0,1005 0,0012
4 0,1023 0,1027 0,1000 0,1017 0,0027
5 0,0992 0,0997 0,0988 0,0992 0,0009
Usando o dados em Mesa 8.9 nós pode calcular o grande média e média faixa
como grande média 0:10053
LCLX 0,09562
UCLX 0,10544
UCL R 0,00860
LCLX 0,09711
UCLX 0,10395
x unidade
xˆ _ alvo _ _ _ _ (8.37)
_ de medir
o _ resultante _ valores são usado para calcular o ao controle limites e como traçado
xˆ _ pontos
no X e cartas R. Isso torna a dimensão de destino irrelevante para fins de CEP e
possibilita a utilização de um único gráfico de controle para diversas características ou
números de peça.
Exemplo
A torno é usado para produzir diversos diferente tamanhos de engrenagem
espaços em branco, como é indicado em Figo. 8.21.
produtos Engenharia quer todos de o engrenagem espaços em branco para ser
produzido como aproximar como possível ao seu tamanho nominal. A engenharia de
processo acredita que o processo terá o mínimo de desvio para tamanhos maiores,
assim como para tamanhos menores. A engenharia de qualidade acredita que o
sistema de inspeção produzirá aproximadamente a mesma quantidade de medição
erro para tamanhos maiores como para tamanhos menores. Estudos e medição de
capacidade de processo estudos de erro confirmam essas suposições. (Espero que você
esteja começando a entender que um número de suposições estão sendo feitas e que
devem ser válidas antes de usar o código tabelas de valores.)
Pr o c e s s B e h a v i o r C h a r t s 253
F IGURA 8.21 Alguns de o engrenagem espaços em branco para ser usinado.
250 C h a p t e r Ei g h t
Amostra Número
Papel Nominal Não. 1 2 3 x R
A 1,0000 1 4 3 25 10.7 22
2 3 3 39 15,0 36
3 16 12 10 12.7 6
B 0,5000 4 21 24 10 18.3 14
5 6 8 4 6.0 4
6 19 7 21 15.7 14
C 2,0000 7 1 11 4 5.3 10
8 1 25 8 11.3 24
9 6 8 7 7,0 2
20
Averages Média
10
0
LCL
–10
60
45
UCL
Ranges
30
15 R-
0 barra
1 2 3
4 5 6 7 8 9
Papel A LCL
Papel B Papel C
(8.38)
(8.39)
254 C h a p t e r Ei g h t
Como você pode ver, Eq. 8.38 envolve subtraindo o grande média de cada
subgrupo média (ou de cada medição individual se o tamanho do subgrupo for um) e
divisão r o resultado por R Note que esta não é a transformação estatística usual onde
o denominador é . Ao usar R como nosso denominador em vez de s, estamos
sacrificando alguns propriedades estatísticas desejáveis, como normalidade e
independência, para obter simplicidade. No entanto, os gráficos de controle
resultantes permanecem válidos e o risco de falso alarme com base em pontos além o
ao controle limites é idêntico para padrão ao controle gráficos. Também, como com
todos transformações, essa abordagem sofre porque envolve a plotagem de números
que não são nas unidades de engenharia usuais com as quais as pessoas estão
acostumadas a trabalhar. isso faz com que mais difícil de interpretar os resultados e
local erros de entrada de dados.
Equação (8.39) divide cada subgrupo faixa por o média faixa. Desde o numero-
denominador e o denominador estão ambos na mesma unidade de medida, a unidade
de medida mento cancela e ficamos com um número que é em termos do número de
média gamas, R 's. Isto voltas fora que ao controle limites são também em o mesmo
unidades, que é, para calcular padrão ao controle limites nós simplesmente
multiplicar R por o apropriado mesa constante para deter- meu a largura entre os
limites de controle.
Hillier (1969) observou que isso é equivalente a usar as transformações mostradas
em Eqs. (8.38) e (8.39) com limites de controle definidos em
Exemplo
Pr o c e s s B e h a v i o r C h a r t s 255
Uma placa de circuito é produzida em uma linha de galvanoplastia. Três parâmetros
são considerados importante para CEP propósitos: liderar concentração de o solda
chapeamento banho, chapeamento
Gráfi
co Apêndice
Estágio Disponível Grupos Mesa
x R x
Um 25 ou menos LCL A 2F _ Nenhum A 2F _ 12
Média 0 1 0
UCL A 2F D 4F A 2F
Dois 25 ou menos LCL A 2S Nenhum A 2S 12
Média 0 1 0
UCL A 2S D4S _ _ A 2S
Um ou dois Mais que 25 LCL A2 D3 _ 2,66 9
Média 0 1 0
UCL A2 D4 2,66
grossura, e resistência. Processo capacidade estudos ter estive feito usando mais que
25 grupos; por isso, baseado em Tabela 8.11 o limites de controle são
A 2 x A 2
para o médias ao controle gráfico,
e
D3 _ R D 4
( x x )/ R 0 1 2
R/ R 3 2 4
Quando usando estabilizado gráficos isto é possível para ter a solteiro ao controle
gráfico acompanhar uma determinada peça ou lote de peças ao longo de toda a
sequência de produção. Por exemplo, as placas de circuito descritas acima poderiam
ter um gráfico de controle que mostrasse os resultados de medição de processo e
produto para características em todas as fases da produção. O o gráfico mostraria o
“histórico de processamento” da peça ou lote. A vantagem seria ser a coerente registro
de o Produção de a dado papel. Mesa 8.14 ilustra a processo ao controle plano que
poderia possivelmente usar esta abordagem.
Um cuidado é necessário se a abordagem do histórico de processamento for
usada. quando pequeno e tiragens curtas são comuns, o histórico de um determinado
processo pode se perder entre os gráficos de muitas partes diferentes. isso pode ser
evitado por manter um gráfico separado para cada distinto
258 C h a p t e r Ei g h t
Operação Recurso x R n
Limpar Banho pH 7.5 0,1 3/h
Limpar contaminação 100 ppm 5 ppm 3/h
Limpeza qualidade avaliação 78 4 3
unidades
/h
Laminado Riston grossura 1,5 min 0,1 milímetros 3
unidades
/h
Adesão 7 em-lb 0,2 em-lb 3
unidades
/h
Revestimento Banho liderar % 10% 1% 3/h
Grossura 0,005 em 0,0005 em 3
unidades
/h
Resistência 0,1 0,0005 3
unidades
/h
processo; adicional papelada é envolvido, mas isto poder ser valor o esforço. Se o adi-
a carga burocrática tradicional torna-se grande, soluções computadorizadas podem
valer a pena investir tigating.
O item 1 resulta em gráficos confusos com diferentes limites de controle para cada
subgrupo, escalas de gráficos irregulares que mascaram variações significativas e
padrões de gráficos que são difíceis interpretar porque eles são afetados por
mudanças no tamanho da amostra e processo verdadeiro mudanças. O item 2 dificulta
o rastreamento de tendências de processo de longo prazo porque as tendências são
divididos entre muitos gráficos de controle diferentes para peças individuais. Por
causa de essas coisas, muitas pessoas acreditam que o SPC não é prático, a menos que
grandes e longas corridas estão envolvidos. Este não é o caso. Em muitos casos,
gráficos de atributos estabilizados podem ser usados para eliminar esses problemas.
Embora de alguma forma mais complicado que clássico vigarista- controlar gráficos,
estabilizado atributo ao controle gráficos oferecer a caminho de percebendo o
benefícios de CEP com processos que são difícil controlar qualquer outro caminho.
Gráficos de atributos estabilizados podem ser usados se um processo estiver
produzindo características de peça que são essencialmente os mesmos de um número
de peça para outro. Tamanhos de lote de produção e amostra os tamanhos podem
variar sem afetar visivelmente o gráfico.
Exemplo Um Um torno está sendo usado para usinar terminais de diferentes tamanhos.
Amostras (de tamanhos diferentes) são retirados periodicamente e inspecionados
quanto a rebarbas, cortes, marcas de ferramentas e outros defeitos visuais.
Exemplo Dois Uma operação de montagem manual de placa de circuito impresso envolve
a colocação de componentes cal em um grande número de placas de circuito
diferentes. Embora as placas diferem acentuadamente entre si, a operação de
montagem manual é semelhante para todos os diferente Pranchas.
Exemplo Quatro A partir do processo descrito na Tabela 8.16, dez placas de mísseis
TOW do tipo E são amostrado. Três defeitos eram observado em o amostra. Usando
Tabelas 8.15 e 8.16, Z é calculado para o subgrupo da seguinte forma:
u / n , nós pegar você 2 de Mesa 12.17.
50 10
n 0,5 unidades
1, 000
2/ 4 2
número de defeitos 3
0.5
você 6 defeitos por unidade
número de unidades 0,5
você você 6 2 4
Z 2
2
2
Amostra
Atributo Gráfico Estatísti ProcessAverage Processo r Z
ca
Proporção de p gráfico p p ( p p )/
p (1 p )/
defeituoso
n
unidades
Número de np gráfico np np ( np np )/
np (1 p )
defeituoso
unidades
Defeitos por c gráfico c c ( c c )/
c
unidade
Média defeitos você você você ( você u
u/n
gráfico
Pr o c e s s B e h a v i o r C h a r t s 263
por unidade )/
Desde Z é entre −3 e 3 nós concluir que o processo tem não perdido fora de
vigarista- controle; ou seja, não está sendo influenciado por uma causa especial de
variação.
A Tabela 8.17 mostra os dados de várias amostras desse processo. O con- controlar
gráfico é mostrando em Figo. 8.24. Observação que o ao controle gráfico indica que o
processo era melhor que a média quando produziu os subgrupos 2 e 3 e talvez 4. Z
negativo valores significam que a taxa de defeitos está abaixo (melhor do que) a média
do processo de longo prazo. Os grupos 7 e 8 mostram uma aparente deterioração no
processo com o grupo 7 sendo eliminado de controle. Valores Z positivos indicam
uma taxa de defeitos acima (pior do que) a longo prazo processo média.
A capacidade de ver facilmente tendências de processo e mudanças como essas,
apesar da mudança números de peça e tamanhos de amostra é a grande vantagem dos
gráficos de controle estabilizados. O desvantagens das cartas de controle estabilizadas
são:
Subgrupo Número 1 2 3
Atributo Peso Frequ Pontua Freque Pontua Frequ Pontua
encia. ção ncia. ção encia. ção
Luz mancha 1 3 3
Escuro mancha 5 1 5 1 5
Pequeno bolha 1 2 2 1 1
Médio bolha 5 1 5
Poço: 0,01–0,05 1 3 3
milímetros
Poço: 0,06–0,10 5 2 10
milímetros
Poço: maior que 0,10 10 1 10
milímetros
Total deméritos 18 17 9
pontuação para a dado amostra é o soma de o pesos vezes o frequências de cada cate-
sangrento. Mesa 8.18 ilustra esse abordagem para o substrato exemplo.
Se o subgrupo tamanho é mantido constante, o média para o demérito ao
controle gráfico é calculado como segue (Burr, 1976):
soma de subgrupo
Média = D
deméritos (8.43)
número de subgrupos
Ao controle limites são calculado em dois passos. Primeiro calcular o pesada média
defeito avaliar para cada categoria. Para exemplo, lá poder ser o seguindo categorias e
pesos:
Categoria Peso
Principal 10
Menor 5
Incidental 1
Três média defeito cotações, um cada para principal, menor, e incidental, poderia
ser com- colocados com as seguintes designações:
c 1 média _ _ _ _ _ número _ _ _ _ _ o f m a jo r _ defeitos _ _ _ _ _ _ p e
rs u bgrou p
c 2 média _ _ _ _ _ número _ _ _ _ _ o f min ou r _ _ defeitos _ _ _ _ _ _
p e r s u bg r o u p
c 3 média _ _ _ _ _ número _ _ _ _ _ o f inc i d e n t a l _ _ defeitos _ _ _
_ _ _ per s u bg r o u p _ _
D _ Para o
W12 c1 + W22 c2 + W3 2 3c
Pr o c e s s B e h a v i o r C h a r t s 261
caso Geral o padrão desvio é
(8.44)
D _
(8.45)
262 C h a p t e r Ei g h t
O ao controle limites
são
LCL D 3 (8.46)
D (8.47)
UCL D 3
D
1. Classifique cada parte do subgrupo nas seguintes classes (os pesos são
arbitrário).
Esse abordagem funciona multar como longo como o processo restos estático. No
entanto, o significa de muitos processos de fabricação automatizados muitas vezes se
desviam devido ao processo inerente fatores. Em outras palavras, a deriva é
produzida por causas comuns . Apesar disso, há poderia ser conhecido caminhos de
intervindo em o processo para compensar para o deriva. Tradição- analistas diriam
que a intervenção deve ser feita de forma que o controle gráfico exposições apenas
aleatório variação. No entanto, esse poderia envolver adicional custo. Mente- menos
aplicando arbitrário regras para alcançar alguns abstrato resultado, como a estábulo
ao controle gráfico, é má prática. Todas as opções devem ser consideradas.
Um alternativa é para permitir o deriva para continuar até o custo de intervenção
é igual a o custo de correndo fora do alvo. Esse alternativa pode ser implementado
através o usar de a “tabela de causa comum”. Essa abordagem, descrita em Alwan e
Roberts (1989) e Abraão e O que é (1990), envolve criando a gráfico de o processo
significar. No entanto, aocontrário do X tradicional gráficos, não há limites de controle. Em
vez disso, os limites de ação são colocados sobre o gráfico. Limites de ação diferem dos
limites de controle de duas maneiras:
1. Eles são calculado baseado sobre custos em vez de que sobre estatístico teoria.
Desde o gráfico shows variação de comum causas, violando um Ação limite faz não
resultar em uma busca por uma causa especial. Em vez disso, uma ação prescrita é
tomada para trazer o processo mais próximo do valor alvo.
Esses gráficos são chamados de “gráficos de causa comum” porque o nível
variável do processo é devido às características internas do processo. A média do
processo é rastreada usando exponencialmente _ _ pesada em movimento médias
(EWMA). Enquanto de alguma forma mais complicado do que X gráficos tradicionais,
os gráficos EWMA têm várias vantagens para fabricação:
E W M A yˆ t ( y t
yˆ t )
Pr o c e s s B e h a v i o r C h a r t s 267
(8.48)
268 C h a p t e r Ei g h t
1.000
0,900
X Chart
0,800
0,600
Weight
0,500
0,400
0,300
0,200
0,100
0,000
0 1 2 3 4 567
Períodos de tempo desde amostrado
os dados apontam como provenientes de um processo que não muda sua tendência
central (implícito quando a previsão é sempre a grande média).
Quando usando um x gráfico isto é não essencial que o amostragem intervalo ser
mantido constante. Depois todos, o processo é suposto para comportar-se como se isto
eram estático. No entanto, o EWMA gráfico é projetado para conta para processo deriva e,
portanto, o amostragem intervalo deve ser mantido constante quando usando EWMA
gráficos. Esse é geralmente não a problema com automatizado fabricação.
Exemplo
Krisnamoorthi (1991) descreve uma linha de moldes que produz moldes de areia
verde na taxa de cerca de um por minuto. Os moldes são usados para vazar blocos de
cilindros de grande porte motores. A aplicação do SPC ao processo revelou que o
processo tinha um valor atribuível causa que não pôde ser eliminada do processo. A
areia de molde, que foi parcialmente reciclado, cuidado para aumentar e diminuir em
temperatura baseado sobre o tamanho de o bloquear sendo produzido e o número de
blocos no pedido. A temperatura da areia é importante porque afeta o percentual de
compactabilidade, um parâmetro importante. A areia tem- perature poderia não ser
melhorar controlada sem adicionando um automático areia resfriador, qual não foi
considerado econômico. No entanto, o efeito da temperatura da areia sobre o a
porcentagem de pacabilidade pode ser desprezível modificando a quantidade de água
adicionada para a areia, de modo que o controle de feed-forward era viável.
Embora Krishnamoorthi não indique que cartas EWMA foram usadas para isso
processo, isto é um excelente aplicativo para EWMA comum causa gráficos. O nível
de o a temperatura da areia realmente não importa, desde que seja conhecida. A
temperatura da areia tende a flutuar em ciclos porque a quantidade de areia aquecida
depende do tamanho do elenco e quantos são ser produzido. A tradicional ao controle
gráfico para o tempera- A temperatura indicaria que a temperatura da areia está fora
de controle, o que já sabemos. O que é realmente necessário é a método para prever o
que o areia temperatura vai ser o próximo vez que é verificado, então o operador
pode adicionar a quantidade correta de água para que o efeito na porcentagem de
compactabilidade da areia pode ser minimizada. Isso produzirá um controle ao
controle gráfico para compactabilidade por cento, que é o que realmente importa.
O dados em Mesa 8.19 mostrar o EWMA cálculos para o areia temperatura dados.
Usando a planilha programa, Microsoft excel para Janelas, o ótimo valor de , que é o
valor qual oferecido o "melhor ajustar" em o senso que isto produzido o menor soma
dos erros quadrados, foi encontrado próximo a 0,9. A Figura 8.26 mostra o com-
gráfico de causa mon para esses dados e os dados brutos de temperatura também. O
EWMA é um previsão de qual será a temperatura da areia na próxima vez que for
verificada. O operador pode ajustar a taxa de adição de água com base nesta previsão.
2EWMA 2 (8.49)
(2
)
Pr o c e s s B e h a v i o r C h a r t s 271
Nós não são ditado esse situação na verdade existe, nós são apenas ditado que o x guloseimas o
processo como se isso era verdade. Estudar os padrões de variação geralmente revela pistas para
tornar o processo mais consistente, mesmo que a variação do processo permaneça dentro os limites de
controle.
Areia Temperaturas EWMA Erro
125 125,00 0,00
123 125,00 −2,00 †
118 123,20 ‡ −5,20s
116 118,52 −2,52
108 116,25 −8,25
112 108,83 3.17
101 111,68 −10,68
100 102.07 −2.07
98 100,21 −2.21
102 98,22 3,78
111 101,62 9.38
107 110.6 −3.06
112 107.31 4,69
112 111,53 0,47
122 111,95 10.05
140 121,00 19h00
125 138.10 −13.10
130 126,31 3,69
136 129,63 6.37
130 135,36 −5,36
112 130,54 −18,54
115 113,85 1.15
100 114,89 −14,89
113 101,49 11.51
111 111,85 −0,85
128 111.08 16.92
122 126,31 −4,31
142 122,43 19.57
134 140,64 −6.04
130 134,60 −4,60
131 130,46 0,54
104 130,95 −26,95
84 106,69 −22,69
86 86,27 −0,27
99 86.03 12.97
90 97,70 −7,70
91 90,77 0,23
90 90,98 −0,98
101 90,10 10,90
266
Pr o c e s s B e h a v i o r C h a r t s 273
Pr o c e s s B e h a v i o r C h a r t s 267
2EWMA 2
0,9 2
(2 0.9)
2 é estimado usando todos de o dados. Para o areia temperatura dados
15.37 então
EWMA EWMA 15.37 0,82 13.92. O 3 ao controle limites para o EWMA
gráfico
são colocada no o grande média mais e menos 41,75. Figura 8.27 shows o ao controle
gráfico para esses dados. A linha EWMA deve permanecer dentro dos limites de
controle. Desde o O EWMA contabiliza o “desvio normal” na linha central do
processo, desvios além do os limites de controle implicam causas atribuíveis
diferentes daquelas explicadas pelo desvio normal. Novamente, uma vez que os
efeitos das mudanças de temperatura podem ser atenuados ajustando-se a avaliar de
entrada de água, o EWMA gráfico de controle não deve ser necessário.
Escolhendo o Valor de t
A escolha de é assunto de muita literatura. Um valor de quase 0 fornece mais
“suavização” dando maior peso aos dados históricos, enquanto um valor próximo a
1 dá maior peso para atual dados. Maioria autores recomendar a valor em o faixa de
0,2 para
0,3. A justificativa para esse intervalo de valores é provavelmente baseado em
aplicações do Técnica EWMA no campo da economia, onde os métodos EWMA estão
em uso generalizado usar. Aplicações industriais são menos comuns, embora o uso de
técnicas EWMA seja crescente rapidamente.
Hunter (1989) propõe um EWMA ao controle esquema gráfico onde 0,4. Este
valor de
fornece _ _ a ao controle gráfico com aproximadamente o mesmo estatístico
propriedades como a tradicional cional x gráfico combinado com os testes de execução
descritos no AT&T Statistical Quality Manual de Controle (comumente chamado de
Western Electric Rules). Também tem a vantagem objetivo de fornecer limites de
controle que são exatamente metade da largura dos limites de controle em um
tradicional x gráfico. Por isso, para calcular o _ ao controle limites para um EWMA
gráfico quando é
0.4 você simplesmente calcula o X tradicional limites de controle de gráfico (ou gráfico X
) e divisão a distância entre os limites de controle superior e inferior em dois. O
EWMA deve permanecer dentro destes limites.
Como mencionado acima, o valor ótimo de pode ser encontrado usando alguma
planilha programas. A soma dos erros quadrados é minimizada alterando o valor de
. Se sua planilha não encontra automaticamente o mínimo, pode ser aproximado
manualmente alterando a célula que contém ou configurando um intervalo de
valores e observando o que acontece com a célula que contém a soma dos erros
quadrados. Um gráfico da soma dos erros dos quadrados versus diferentes valores
podem indicar onde a opção mãe mentiras.
140
120
EWMA
100
90 LCL = 93,60
80
0 1020
30 40
Amostra número
140
120
100
LCL = 94,23
90
80
0 1020
30 40
Observação número
40,00
Error in forecast
30,00
20h00
10.00
0,00
10.00
20h00
30,00
40,00
yˆ t1
y ˆ t e t 2_ _ (8.51)
e.t_ _ 3 e t
distribuições
Métodos de Enumeração
272 C h a p t e r Ei g h t
Enumeração envolve contando técnicas para muito grande números de possível
resultados. Isso ocorre até mesmo para tamanhos de amostra surpreendentemente
pequenos. No Seis Sigma, esses métodos são comumente usado em a largo variedade
de estatístico procedimentos.
Pr o c e s s B e h a v i o r C h a r t s 273
O 3 combinações são XY, XZ, e YZ. Perceber que esse método faz não contar
reverso- ing o cartas como separado combinações, que é, XY e YX são considerado para
ser o mesmo.
1,0
0,9
Probability rod equal or smaller than X
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0,9815 0,98950.99751.00551.01351.0215
x (diâmetro da haste)
276 C h a p t e r Ei g h t
F IGURA 8.33 Ogiva de haste diâmetro dados.
Pr o c e s s B e h a v i o r C h a r t s 277
Amostragem distribuições
Na maioria dos projetos Seis Sigma envolvendo estatísticas enumerativas, lidamos
com amostras, não populações. Nós agora considerar o estimativa de certo
características ou parâmetros de o distribuição dos dados.
A distribuição empírica atribui a probabilidade 1/ n a cada X i na amostra, assim a
média dessa distribuição é
n
1
x x
(8.54)
eu
eu 1
n
(Xi X)2
S S2 i1
(8,56)
n
1
Outro amostragem estatística de especial interesse em Seis Sigma é o padrão
desvio da média da amostra, também conhecido como erro padrão da média ou
simplesmente padrão erro. esta estatistica É dado por
S
S (8.57)
X
n
Como pode ser visto, o erro padrão da média é inversamente proporcional ao raiz
quadrada do tamanho da amostra. Ou seja, quanto maior o tamanho da amostra,
menor o padrão. desvio padrão da média da amostra. Essa relação é mostrada na Fig.
8.34. Pode ser visto que as médias de n 4 têm uma distribuição com metade da
variação da população de qual as amostras são retiradas.
binômio Distribuição
Suponha que um processo esteja produzindo alguma proporção de unidades não
conformes, que vamos chamar p . Se estivermos baseando p em uma amostra,
encontraremos p dividindo o número de não- unidades conformes na amostra pelo
número de itens amostrados. a equação que vai dizer nós o probabilidade de
recebendo x defeituosos em a amostra de n unidades é mostrando por Eq. (8,58).
P ( x ) xC n p x (1 p ) n x (8,58)
Distribuição de
médias de
n=4
População
distribuição
Poisson Distribuição
Outro situação encontrado muitas vezes em qualidade ao controle é que nós são não
apenas preocupado com unidades que não conforme para requisitos, em vez de nós
são preocupado com o num- número de não-conformidades em si. Por exemplo,
digamos que estamos tentando controlar o qualidade de um computador. Uma
auditoria completa do computador acabado quase certamente revelam claramente
algumas não conformidades, mesmo que essas não conformidades possam ser de
importância menor (por exemplo, um decalque no painel traseiro pode não ser
perfeitamente direto). Se tentássemos usar distribuições de probabilidade
Pr o c e s s B e h a v i o r C h a r t s 279
hipergeométricas ou binomiais para Avalie amostragem planos para esse situação,
nós seria encontrar eles não trabalhar porque nosso
280 C h a p t e r Ei g h t
lote ou processo seria composto por 100% de unidades não conformes. Obviamente,
nós somos interessado não em o unidades por se, mas em o não conformidades eles
mesmos. Em outro casos, isto não é até possível para contar amostra unidades por se.
Para exemplo, o número de acidentes devem ser contadas como ocorrências. A
distribuição de probabilidade correta para avaliar conta de não conformidades é o
Poisson distribuição . O pdf é dado em Eq. (8,59).
x
e
p(x) (8,59)
x!
Em Eq. (8.59), é o média número de não conformidades por unidade, x é o
número de não conformidades em o amostra, e e é o constante aproximadamente
igual para 2.7182818. P ( x ) dá a probabilidade de exatamente x ocorrências no
amostra.
hipergeométrico Distribuição
Suponha que recebemos um lote de 12 peças de um distribuidor. Precisamos muito
das peças e estão dispostos a aceitar o lote se ele tiver menos de 3 peças não
conformes. Nós decidimos para inspecionar apenas 4 peças, pois não podemos perder
tempo para verificar todas as peças. verificando o amostra, encontramos 1 peça que
não está em conformidade com os requisitos. Devemos rejeitar o restante do lote?
Esse situação envolve amostragem sem substituição. Nós empate a unidade de o
muito, inspecione-o e tire outra unidade do lote. Além disso, o lote é bastante
pequeno, o amostra é 25% de o inteiro muito. O Fórmula necessário para calcular
probabilidades para esse
C N m
Cm _ _ (8,60)
p ( x ) n xC N x
n
C 12 3 126
C3 0,255
P (0) 4 120 0 1
C4
495 252
C 123 3 84 3
C
41 1
P (1) 12 0,509
C4 495
495
P (1 ou menos) P (0)
P (1)
Normal Distribuição
O maioria comum contínuo distribuição encontrado em Seis Sigma trabalhar é, por
distante, o distribuição normal. Às vezes, o próprio processo produz uma
aproximadamente normal distribuição, outras vezes uma distribuição normal pode
ser obtida realizando uma matemática emático transformação sobre o dados ou por
284 C h a p t e r Ei g h t
usando médias. O probabilidade densidade fun- ção para a distribuição normal é
dada pela Eq. (8.61).
1 2
/2 2
f(x) e ( x )
(8.61)
2
Pr o c e s s B e h a v i o r C h a r t s 285
Exemplo de Calculando µ , um 2 , e a
Encontre , 2 , e para os seguintes dados:
Mesa 8.20 dá o equação para o população significar como:
eu x eu
1 17
2 23
3 5
N
1
x
(8.62)
eu
N eu 1
N ( x eu ) 2
2
eu eu N (8.63)
2
eu
1 17 2 4
2 23 8 64
3 5 −10 100
Soma 168
2 168 / 3 56
2 56 7.483
x i
Z (8.64)
Pr o c e s s B e h a v i o r C h a r t s 281
para população
dados, ou
x eu
Z (8,65)
x
s
para dados de
amostra.
Usando a transformação Z , podemos converter qualquer distribuição normal em
uma distribuição normal. distribuição mal com uma média de 0 e um desvio padrão
de 1. Assim, podemos usar uma solteiro tabela normal para encontrar probabilidades.
Exemplo
A distribuição normal é muito útil para prever os rendimentos do processo a longo
prazo. Presumir nós ter verificado o quebra força de a ouro arame União processo
usado em microcir- cuit Produção e nós ter encontrado que o processo média força é
9# e o stan- dard desvio é 4#. O processo distribuição é normal. Se o Engenharia
especificação é 3# mínimo, o que percentagem de o processo vai ser abaixo o baixo
especificação?
Desde nossos dados são uma amostra, nós deve calcular Z usando Eq. (8,65).
39 6
Z 1,5
4 4
6.68%
Z = –1,5
Exponencial Distribuição
Outra distribuição frequentemente encontrada no trabalho de controle de qualidade é
a distribuição exponencial. tribuição. A distribuição exponencial é especialmente útil
na análise da confiabilidade. O equação para a função de densidade de probabilidade
de a distribuição exponencial é
1
f ( x ) e x/, x 0
(8.66)
Ao contrário da distribuição normal, a forma da distribuição exponencial é
altamente distorcida e há uma área muito maior abaixo da média do que acima dela.
Na verdade, acabou 63% da distribuição exponencial cai abaixo da média. A Figura
8.41 mostra uma exposição essencial pdf.
Ao contrário da distribuição normal, a distribuição exponencial tem uma forma
fechada cumulativo densidade função (cdf), que é, lá é um equação qual dá o cumula-
probabilidades positivas diretamente. Uma vez que as probabilidades podem ser
determinadas diretamente a partir da equação, sem mesas são necessários. Ver Eq.
(8,67).
P ( X x ) 1 e x/ (8,67)
Nós ter 500 vazamentos por ano, qual nós deve converter para vazamentos
por hora. Lá são 365 dias de 24 horas cada um em um ano, ou 8760 horas. Assim, o
tempo médio entre falhas (MTBF) é 8760/500 17h52. São 60 horas entre as 18h00 de
sexta-feira e as 06h00 Segunda-feira. Assim x 60. Usando a Eq. (8.67) dá
1 1 11 1
UCL = 55,89
50
Significar =
18,79
0
LCL = –18,32
0 100200300400500
Observação número
sobre lidar tempo, isto é impossível para obtivermos qualquer resultado que é menos
que zero. A razoável processo proprietário poder discutir que se o LCL é em o errado
lugar (qual isto obviamente é), então o superior ao controle limite (UCL) poderia ser
como bem. Também, o dados aparecer para ser estranhamente cortar aproximar o
fundo. Aparentemente o indivíduos gráfico é não o melhor caminho para analisar
dados como estes.
Mas o que pode ser feito? Desde nós não saber se especial causas eram presente,
nós não pode determinar o apropriado distribuição para o dados. Da mesma maneira,
se nós não saber o distribui- dos dados, não podemos determinar se causas especiais
estão presentes porque o controle os limites podem estar no lugar errado. Este pode
parecer um caso clássico de “que veio primeiro, a galinha ou o ovo?” Felizmente há
uma saída. O teorema do limite central diz nós que estábulo distribuições produzir
normalmente distribuído médias, até quando o os dados individuais não são
normalmente distribuídos. Uma vez que “estável” significa sem causas especiais,
então um processo com médias não normais seria aquele que é influenciado por
causas, que é precisamente o que procuramos. Criamos subgrupos de 10 em Minitab
(ou seja, as observações 1 a 10 estão no subgrupo 1, as observações 11 a 20 estão no
subgrupo grupo 2, etc.) e testou a normalidade das médias. O gráfico de
probabilidade na Fig. 8.44 indica que o médias são normalmente distribuído.
(Observação que EWMA gráficos e mover- ing média gráficos são ambos válido
alternativas para o usar de X -barra gráficos em esse exemplo, desde o limite central
teorema se aplica igualmente bem aos seus grupos traçados).
A Figura 8.45 mostra o gráfico de controle para o processo usando médias em vez
de indi- indivíduos. O gráfico indica que o processo é em estatístico ao controle. O
processo média é estável em 18,79 minutos. O LCL está confortavelmente acima de
zero em 5,9 minutos; qualquer aver- idade abaixo disso é uma indicação de que as
coisas estão melhores do que o normal e gostaríamos de saber por que, caso possamos
fazê-lo o tempo todo. Qualquer média acima de 31,67 minutos indica apresenta um
comportamento pior do que o normal e gostaríamos de encontrar o motivo e corrigi-
lo. Médias entre esses dois limites são normais para esse processo.
.999
0,99
0,95
.80
Probability
.50
.20
0,05
.01
0,001
10 2030
Significar 1
Média: 18.7867 F IGURA 8.44 Normalidade
StDev: 4,49645
teste de subgrupos de n
N : 50
10.
Pr o c e s s B e h a v i o r C h a r t s 287
Teste de normalidade de Anderson-Darling A ao quadrado: 0,209
P -Valor: 0,856
288 C h a p t e r Ei g h t
25
Sample mean
Significar = 18,79
15
5 LCL = 5.908
0 10 20 30 40 50
Amostra número
Fase 2—Examine a distribuição: Agora que a estabilidade foi determinada, podemos confiar
o histograma de observações individuais para nos dar uma exibição precisa da
distribuição ção de tempos de manuseio. O histograma mostra a distribuição dos
tempos reais de atendimento, que podemos comparar com o limite de especificação
superior de 45 minutos. Isso não poderia ser feito com o ao controle gráfico em Figo.
8.45 porque isto shows médias, não Individual vezes. A Figura 8.46 mostra o
histograma do tempo de atendimento com o requisito superior de gerenciamento
mento de 45 minutos retirou em. Obviamente a muito de chamadas ultrapassarem o
45 minuto requerimento. Desde o ao controle gráfico é estábulo, nós saber que esse é o
que nós pode esperar de esse pró- cess. Lá é não apontar em Perguntando por que a
especial chamar pegou mais longo que 45 minutos.
100
Frequency
50
0
0 10
20 30 40 50 60 708090 100
Lidar tempo
.999
0,99
0,95
Probability
.80
.50
.20
0,05
.01
0,001
2 122232425262728292
Lidar tempo
Média: 18.7867 Teste de normalidade de
StDev: 13.6330 Anderson-Darling A ao quadrado:
N : 500 21.587
P -Valor: 0,000
F IGURA 8.47 Normalidade teste de lidar
tempo.
A resposta é “É de se esperar para este processo, a menos que façamos uma mudança
no processo”. Se a administração não gostar da resposta, eles precisarão patrocinar
um ou mais Seis Sigma projetos para melhorar o processo.
Fase 3 - Prevendo a taxa de defeitos de longo prazo para o processo: o histograma torna
visível claro que a distribuição do processo não é normal. Esta conclusão pode ser
testada estatisticamente com o Minitab indo para Stats > Basic Statistics > Teste de
normalidade. MinitabName apresenta os dados em um gráfico especialmente
dimensionado para que os dados normalmente distribuídos sejam plotados como a
direto linha (Figo. 8.47). O vertical eixo é escalado em cumulativo probabilidade e o
horizontal em real medição valores. O trama shows que o dados são não até
perto de cair na linha reta, e o valor P de 0 confirma que os dados não são normal.
Para fazer a predição sobre o defeito avaliar nós precisar para encontrar a
distribuição que encaixa o dados razoavelmente bem. O Minitab oferece uma opção
que executa análise de capacidade usando o weibull em vez de que o normal
distribuição. Escolher Estado > Qualidade Ferramentas > Capacidade Analysis
(Weibull) e insira o nome da coluna para os dados de tempo de manipulação. A saída
é mostrando em Figo. 8.48.
MinitabName calcula processo desempenho índices em vez de que processo
capacidade indi- ces (ou seja, P PK em vez de de C PK ). Esse significa que o
denominador para o índices é o geral desvio padrão em vez do desvio padrão com
base no gráfico de controle variabilidade dentro do subgrupo. Isso é chamado de
capacidade de processo de longo prazo, que MinitabName rótulos como "Geral (LT)
Capacidade." Quando o processo é em estatístico ao controle, como esse um é, lá vai
ser pequeno diferença em o estimativas de o padrão desvio. Quando
O nulo hipótese é que o dados são normalmente distribuído. O P -valor é o probabilidade de obtendo
o resultados observados se o hipótese nula era verdadeira. Neste caso, o probabilidade é 0.
290 C h a p t e r Ei g h t
Processo dados
USL 45,0000
Alvo *
LSL 0,0000 Processo capacidade análise para lidar tempo
Significar 18.9618 cálculos baseado sobre weibull distribuição modelo
Sample N 500
USL
Shape 1.5237
Scale 21.0433
F IGURA 8.48 Capacidade análise de lidar vezes baseado sobre o weibull distribuição.
A
um bom sistema de medição possui certas propriedades. Em primeiro lugar,
deve pro- produzir um número “próximo” da propriedade real que está
sendo medida, ou seja, deve ser preciso . Segundo, se o medição sistema é
aplicado repetidamente para
mesmo objeto, as medidas produzidas devem ser próximas umas das outras, ou seja,
deve ser repetível . Terceiro, o medição sistema deve ser capaz para produzir preciso e
consistente resultados sobre o inteiro faixa de preocupação, que é, isto deve ser linear .
Quarto, o sistema de medição deve produzir os mesmos resultados quando usado por
qualquer indivíduo treinado, ou seja, os resultados devem ser reprodutíveis .
Finalmente, quando aplicado a os mesmos itens o sistema de medição deve produzir
os mesmos resultados no futuro como no passado, ou seja, deve ser estável . O restante
desta seção é dedicado para discutindo caminhos para verificar esses propriedades
para especial medição sistemas. Em em geral, o métodos e definições apresentado
aqui são consistente com aqueles descrito por o Automotivo Indústria Grupo de ação
(AIAG) MSA Manual de referencia (3º ed.).
Definições
Viés: A diferença entre o valor médio medido e um valor de referência é conhecido
como viés . O valor de referência é um padrão acordado, como um padrão rastreável a
um organismo de normalização nacional (ver abaixo). Quando aplicado à inspeção de
atributos ção, viés refere-se para o habilidade de o atributo inspeção sistema para
produzir acordo sobre inspeção padrões. Viés é controlada por calibração , qual é o
processo de comparando Medidas aos padrões. O conceito de viés é ilustrado em Fig.
9.1.
Repetibilidade: AIAG define repetibilidade como o variação em Medidas obtido
com um medição instrumento quando usado diversos vezes por um avaliador,
enquanto medindo o idêntico característica sobre o mesmo papel. Variação obtido
quando o sistema de medição é aplicado repetidamente sob as mesmas condições é
geralmente causado por condições inerentes ao sistema de medição.
A ASQ define precisão como “a proximidade de concordância entre medições
individuais ou resultados de testes. NOTA: O desvio padrão do erro de medição é
algumas vezes chamada de 'imprecisão'”. Isso é semelhante ao que estamos chamando
repetibilidade. Repetibilidade é ilustrado na Fig. 9.2.
Reprodutibilidade: Reprodutibilidade é o variação em o média de o Medidas feito
por diferente avaliadores usando o mesmo medindo instrumento quando medindo o
idêntico característica sobre o mesmo papel. Reprodutibilidade é ilustrado em Figo.
292 C h a p t e r Ei g h t
9.3.
289
290 C h a p t e r Ni ne
Bias
Referência Média
valor medição
Repeatability
Frank
Dick
Jane
Reprodutibilidade
Sexta-feira
Quarta-feira
Segunda-feira
Estabilidade
resolução de 0,001 polegada, então Unid medindo 1.0002, 1.0003, 0,9997 seria todos ser
colocada em o dados categoria 1.000, que é, eles seria todos medir 1.000 polegada com
esse especial medição sistema. uma medida do sistema discriminação deve habilitar
isto para dividir o região de interesse em muitos dados categorias. Em Seis Sigma, o
região de inter- Husa é o menor de o tolerância (o alto especificação menos o baixo
especificação) ou seis desvios padrão. Um sistema de medição deve ser capaz de
dividir a região de interesse em pelo menos cinco categorias de dados. Por exemplo,
se um processo for capaz (ou seja, Seis Sigma é menor que a tolerância) e 0,0005,
então um medidor com discriminação de 0,0005 seria ser aceitável (seis dados
categorias), mas um com a discriminação de 0,001 não faria (três categorias de dados).
Quando existe discriminação inaceitável, o intervalo gráfico mostra “saltos” ou
“passos” discretos. Esse A situação é ilustrada na Fig. 9.6.
Observe que nas cartas de controle mostradas na Fig. 9.6, os dados plotados são os
mesmos, exceto que o dados sobre o fundo dois gráficos eram arredondado para o
mais próximo 25. O efeito é mais facilmente visto no gráfico R , que aparece altamente
estratificado. Como às vezes acontece canetas (mas nem sempre), o resultado é fazer
com que o gráfico de barras X fique fora de controle, mesmo embora o processo esteja
sob controle, conforme mostrado pelas cartas de controle com dados não
arredondados. A solução é usar um sistema de medição capaz de discriminação
adicional, que ou seja, adicione mais dígitos significativos. Se isso não puder ser feito,
é possível ajustar o controle limites para o erro de arredondamento usando um
método mais complexo de computar controlar limites, ver Pyzdek (1992a, pp. 37-42)
para detalhes.
Measur ement Systems Evaluation 293
viés menor
quase alto
fim de faixa Referência
valor
Tamanho da
peça quase
alto fim de
faixa
Tamanho da
peça perto
do meio de
faixa
Medidas de uma
parte verificada
repetidamente
Tamanho da
peça quase
pequeno fim
de faixa
Viés maior
quase
pequeno fim
de faixa
Estabilidade
A estabilidade do sistema de medição é a mudança no viés ao longo do tempo ao usar uma
medição sistema para medir a dado mestre papel ou padrão. estatístico estabilidade é a
mais amplo prazo que se refere à consistência geral das medições ao longo do tempo,
incluindo variação de todas as causas, incluindo tendência, repetibilidade,
reprodutibilidade, etc. Estatística de um sistema estabilidade é determinado através o
usar de ao controle gráficos. Médias e faixa gráficos são tipicamente traçado sobre
Medidas de a padrão ou a mestre papel. O padrão é significa- certo repetidamente
sobre a curto tempo, dizer um hora; então o Medidas são repetido no intervalos
predeterminados, digamos semanalmente. A experiência no assunto é necessária para
determinar o tamanho do subgrupo, intervalos de amostragem e procedimentos de
medição a serem seguidos. Os gráficos de controle são então construídos e avaliados.
Um sistema (estatisticamente) estável mostrar não fora de controle sinais sobre um X -
294 C h a p t e r Ni ne
controle gráfico de o médias' leituras. Não “sta- bilidade número" é calculado para
estatístico estabilidade; o sistema qualquer é ou é não estatística- camente estável.
Measur ement Systems Evaluation 295
Cru dados
Intervalos de médias
1000 150
975
100
950
50
925
900 0
dados
arredondados
Gamas
1000 Averages
X X 150
975
100
950
925 50
900
0
F IGURA
9.6 inadequado calibrar discriminação sobre a ao
controle gráfico.
Uma vez alcançada a estabilidade estatística, mas não antes, o sistema de medição
estabilidade pode ser determinada. Uma medida é o desvio padrão do processo
baseado em o R ou s gráfico.
Método gráfico R:
R _
(9.1)
d2
s método gráfico:
s _
(9.2)
c2
Viés
Viés é o diferença entre um observado média medição resultado e a referência valor.
Estimativa viés envolve identificando a padrão para representar o referência valor, em
seguida, obtendo várias medições no padrão. O padrão pode ser um mas- parte cujo
valor foi determinado por um sistema de medição com muito menos erro do que o
sistema em estudo, ou por um padrão rastreável ao NIST. Desde peças e os processos
variam em um intervalo, o viés é medido em um ponto dentro do intervalo. Se o
medidor for não linear, o viés não será o mesmo em cada ponto do intervalo (consulte
a definição de linear idade definida anteriormente).
Viés pode ser determinado por selecionando a solteiro avaliador e a solteiro
referência papel ou padrão. O avaliador então obtém a número de repetido Medidas
sobre o referir- parte ence. O viés é então estimado como a diferença entre a média
dos repetidos medição e a valor conhecido de A referência parte ou padrão.
Repetibilidade
A medição sistema é Repetivel se isso é variabilidade é consistente. Consistente
variabilidade é operacionalizado pela construção de um gráfico de intervalo ou sigma
com base em medições repetidas mentos de peças aquela capa a significativo porção
de o variação do processo ou o tolerância,
Measur ement Systems Evaluation 297
Referência valor =
25.400 milímetros
25.15 milímetros
25,65 milímetros
Média =
25.4051
milímetros
F IGURA 9.7 Viés exemplo ilustrado.
qualquer que seja é maior. Se o faixa ou sigma gráfico é fora de ao controle, então
especial causas são tornando o sistema de medição inconsistente. Se o gráfico de
intervalo ou sigma estiver sob controle então a repetibilidade pode ser estimada
encontrando o desvio padrão com base em o intervalo médio ou o desvio padrão
médio. As equações usadas para estimar sigma são mostrados no exemplo abaixo.
R 0,51
Médias gráfico
x 118,85
O dados e ao controle limites são exibido em Figo. 9.8. O R gráfico análise shows
que todos de o R valores são menos que o superior ao controle limite. Esse indica que
o medir- mento do sistema variabilidade é consistente, que existe não são causas
especiais de variação.
Observe que muitas das médias estão fora dos limites de controle. É assim deveria
estar! Considere que a dispersão dos limites de controle do gráfico de barras X é
baseada no média faixa, qual é baseado sobre o repetibilidade erro. Se o médias eram
dentro de o limites de controle, isso significaria que a variação parte a parte foi menor
que a variação devido ao erro de repetibilidade do medidor, uma situação indesejável.
Como a carta R está em con- controlar nós pode agora estimar o desvio padrão para
repetibilidade ou calibrar variação:
R
e (9,3)
d2
Intervalos de médias
135 2.0
130
1,5
125
120 1.0
115
0,5
110
105
0,0
F IGURA 9.8 Repetibilidade ao controle
gráficos.
Measur ement Systems Evaluation 299
onde d é obtido de Apêndice 11. Observação que nós são usando d não d . O d
são
2 2 2 2
ajustado para o pequeno número de subgrupos normalmente envolvidos em estudos
de medição R&R. Apêndice 11 é indexado por dois valores: m é o número de repita
leituras levado ( m 2 para o exemplo), e g é o número de peças vezes o
número de inspetores ( g 5 2 _ 10 para o exemplo). Isso dá, para o nosso exemplo
R 0,51
0,44
e
d2 1.16
Reprodutibilidade
Um sistema de medição é reproduzível quando diferentes avaliadores produzem
resultados consistentes resultados. Avaliador para avaliador variação representa a viés
devido para avaliadores. O avaliador viés, ou reprodutibilidade, pode ser estimado
comparando a média de cada avaliador com a dos outros avaliadores. O desvio
padrão de reprodutibilidade ( o ) é estimado
por encontrando o faixa entre avaliadores ( R ) e dividindo por d . _ Por cento
Reprodução o 2
R 2 ( )2 0.11 2 (0.44)2
do ne 52
2
r
0.0061 0.019 0
m
e2 o (0.44)2 0 0,44
relatório o Medição Sistema Erro como por cento de processo sigma por dividindo m
por Papel para Papel Sigma (ver abaixo).
R 100
x 118,85
inspetor 1 inspetor 2
Papel Leitura 1 Leitura 2 Leitura 1 Leitura 2 x bar R
1 111,9 112.3 111.4 112,9 112.125 1,5
2 108.1 108.1 107,7 108.4 108.075 0,7
3 124,9 124,6 124,6 124.2 124.575 0,7
4 118,6 118,7 120 119.3 119,15 1.4
5 130 130,7 130,4 130.1 130,3 0,7
Médias 118.845 1
Intervalos de médias
135 2.5
130
2.0
125
1,5
120
1,0
115
110 0,5
105 0,0
O dados e ao controle limites são exibido em Figo. 9.9. O R gráfico análise shows
que todos de o R valores são menos que o superior ao controle limite. Esse indica que
o medir- mento do sistema variabilidade devido para o combinação de repetibilidade
e reprodutibilidade é consistente, ou seja, não há causas especiais de variação.
Usando este método, também podemos estimar o desvio padrão de
reprodutibilidade mais repetibilidade, como2 nós pode encontrar o R o / d * 1/2.08
0,48. Agora nós saber que vari-
ances são aditivo, então
2
2
2 (9.4)
repetibilidade reprodutibilidade repetibilidadereprodutibilidade
2 2
reprodutibilidade repeatabilityreproducibility repeatability
reprodutibilidade 2
2
repeatabilityreproducibility repeatability
2 2
(0.48) (0.44) 0,19