Métrica Definição: Tecnol Ogia Apoiar SE Responde Telefone Fim

tecnol SE responde
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.
uma linha de base do processo, uma ou mais métricas de processo adequadas ,

relacionadas ao anteriormente a entrega definida do projeto, é definida e medida.
Essas métricas às vezes são facilmente definido com a experiência de processo
existente. Por exemplo, se os principais clientes estão preocupado com o tempo de
entrega de um pedido, então essa pode ser uma métrica adequada, supondo ing isto
atende o condições discutido abaixo. Em alguns caso, no entanto, o clientes' as
principais métricas não fornecem uma medida significativa do desempenho do
processo, conforme relacionado às entregas previamente definidas. Por exemplo, em
produtos químicos e alguns processos de transformação, não é incomum que as
características-chave dos clientes sejam medições de endpoint de processo, cujas
propriedades são definidas muito antes por configurações de processo desconhecidas
para os usuários finais. Nesses casos, as métricas internas, ou o as próprias entregas
do projeto podem fornecer estimativas adequadas de desempenho do processo. Em
todos os casos, a métrica deve ser avaliada quanto à sua validade e precisão, conforme
discutido mais tarde em esse capítulo.
Uma medição é simplesmente uma atribuição numérica a uma observação.
Medidas transmitir certas informações sobre a relação entre o elemento observado e
outro elementos. Medição envolve a teórico domínio, um área de substantivo
vigarista- cerca representado como um empírico relacional sistema, e a domínio
representado por a par- articulado selecionado numérico relacional sistema. Lá é a
mapeamento função que carrega nós de o empírico sistema em o numérico sistema. O
numérico sistema é manipulado
F IGURA 7.4 SIPOC para indesejável resultados.
e os resultados da manipulação são estudados para ajudar o analista a entender

melhor o sistema empírico.
Na realidade, a medição é problemática: o analista nunca pode saber o
“verdadeiro” valor de o elemento ser medido. O números fornecer Informação
sobre a cer- escala e representam medidas de alguma variável não observável de est.
Algumas medições são mais ricas do que outras, ou seja, algumas medições fornecem
mais informações do que outras medições. O conteúdo de informação de um número
é dependendo da escala de medida utilizada. Esta escala determina os tipos de
estatístico análises que pode ser apropriadamente empregado em estudo o
números. Até um tem determinado o escala de medição, um não pode saber se a
dado método de análise é válido.
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.
Discreto e Contínuo Dados

Uma classificação mais geral das medições também pode ser feita, o que também é útil
cheio em definindo adequado probabilidade distribuições e análise ferramentas
discutido mais tarde neste capítulo. Os dados são considerados discretos quando eles
assumem apenas um número finito de pontos que podem ser representados pelos
inteiros não negativos. Um exemplo de discreto dados é o número de defeitos em uma
amostra. Dados são ditos contínuos quando existem em um intervalo ou em vários
intervalos. Um exemplo de dados contínuos é o medição de pH.
Para a maioria dos propósitos, dados nominais e ordinais são considerados
discretos, enquanto inter- valores e proporções possuem qualidades de dados
contínuos. Enquanto dados discretos podem assumir forma inteira apenas, um valor
de dados contínuo pode ser definido teoricamente para um infinito número de casas
decimais, supondo que possa ser medido como tal. No mundo real, até no entanto
comprimento ou tempo, para exemplo, poderia teoricamente ser medido para um
infinito número de casas decimais, estamos limitados pelo nosso sistema de medição.
Se a varia- ção em comprimento ou tempo é menor do que a menor unidade de
medida, os dados resultantes são essencialmente discreta, uma vez que o mesmo valor
de dados é registrado para a maioria dos dados. Conteúdo de informação semelhante
pode ser obtido contando o número de itens com essa dimensão.
Fundamentalmente, qualquer item medir deve encontrar dois testes:
1. O item mede o que isso é pretendido medir (ou seja, é é válido ).

2. A remedição seria ordem Individual respostas em o mesmo caminho (ou seja, é
é
confiável ).
O restante deste capítulo descreve técnicas e procedimentos desenvolvidos para

garantir que sistemas de medição produzir números com estas propriedades.
Processo Linha de base estimativas
O processo linha de base é melhor descrito como "o que eram coisas como antes o
projeto?" Lá são várias as razões para obter Essa informação:
 Para determinar se o projeto deve ser perseguido - Embora o projeto fretamento

fornece um caso de negócios para o projeto, às vezes acontece que informações
adicionais e detalhadas Informação falha para apoiar isto. Isto poderia ser que
o situação não é como ruim como pessoas pensar, ou o projeto poderia ser
endereçamento um sem importância aspecto de o problema.
 Orientar a equipe do projeto — A linha de base do processo ajuda a equipe a
identificar CTQs e outras métricas rígidas. As informações sobre o
desempenho histórico desses métricas podem apontar a equipe para
estratégias. Por exemplo, se o processo for errático e instável o equipe seria
perseguir a diferente estratégia que se isto era operativo em um nível
consistentemente ruim.
 Para fornecer dados que serão usados para estimar as economias - as informações da
linha de base serão inestimável quando o projeto termina e a equipe está
tentando determinar o magnitude da economia ou melhoria. Muitos Black
Belt descobriram após o fato de que as informações de que precisam não estão
mais disponíveis após o conclusão do projeto, tornando impossível
determinar qual benefício foi obtido. Por exemplo, um projeto que simplificou
um sistema de controle de produção visava melhorar o moral, reduzindo as
horas extras não remuneradas trabalhadas por funcionários isentos. No
entanto, nenhuma medida do moral dos funcionários foi obtida antes do
tempo; nem as horas extras não pagas foram documentadas em qualquer
lugar. Conse- conseqüentemente, o Faixa Preta não foi capaz de fundamentar
suas alegações de melhoria e sua certificação (e aumento salarial) foi adiada.
As linhas de base do processo são uma parte crítica de qualquer esforço de

melhoria de processo, pois fornecem vide o ponto de referência para afirmações de
benefícios alcançados. Na ausência de um adequado estimativa de linha de base, não
pode haver evidência confiável de melhorias sustentáveis, exceto talvez nos casos
mais óbvios. Na grande maioria dos casos, quando o sistema de medição adequado é
aplicado, as observações do processo irão variar na medida que mudanças reais no
processo não podem ser evidenciadas sem o uso de Estatisticas.
Considere o seguinte cenário: Uma equipe de melhoria usa técnicas Lean para
reduzir o tempo de processamento de um pedido. Uma amostra aleatória de 25
pedidos antes da mudança teve um tempo médio de processamento de 3-1/2 horas.
Uma amostra aleatória de 25 pedidos após o mudar tem um média tempo para
processo de 2 horas. O equipe afirma eles ter diminuiu o ordem em processamento
tempo por mais que 40%. É que credível? Seria isto ser mais confiável se um intervalo
de confiança para o tempo de processamento do pedido foi calculado para os 25
originais ordens, e o melhoria afirmou apenas se o novo média de 2 horas caiu fora de
esse intervalo original?
A resposta correta é NÃO , em ambos os casos. Uma melhoria não pode ser
afirmada sem mostrando que o novo processo é significativamente diferente, do ponto
de vista estatístico vista, e o uso de intervalos de confiança é a ferramenta estatística
errada para analisar o processo. Isto faz o erro de aplicando enumerativo estatístico
conceitos para um analítico situação estatística. Não há evidência de que a estimativa
de 3-1/2 horas para as primeiras 25 amostras é uma estimativa válida do processo,
uma vez que não mostramos que o processo é estábulo (consistente sobre tempo). Isto
poderia ser que a parte de o primeiro 25 ordens tive em processamento
vezes um pouco maior que 3-1/2 horas, e outra porção um pouco menor que 3-1/2
horas, talvez porque de o diferença entre clerical funcionários ou o tipo ou número de
linha Unid incluído em o ordem. O confiança intervalo Cálculo assume o dados é de a
solteiro população, ainda falha para provar o processo é em facto estábulo, adequado
de ser representado por uma única distribuição.
Alguns apropriado estatísticas analíticas perguntas podem ser:
 É o processo tendencia central estável sobre tempo?

 É o dispersão do processo estável sobre tempo?
 É o distribuição do processo consistente ao longo tempo?
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
 É o processo reunião o requisitos?

 Pode o processo encontrar o requisitos?
 Pode o processo ser melhorou por recentralização isto?
 Como pode nós reduzir variação em o processo?
enumerativo e analítico Estudos

Deming (1975) define estudos enumerativos e analíticos da seguinte forma:
enumerativo estudar—um estudar em qual Ação vai ser levado sobre o
universo.
Analítico estudar—um estudar em qual Ação vai ser levado sobre a processo para
melhorar desempenho mance no futuro.
O termo “universo” é definido da forma usual: todo o grupo de interesse, por
exemplo, pessoas, material, unidades de produtos, qual possuir certo propriedades de
interesse. Um exemplo de estudo enumerativo seria a amostragem de um lote isolado
para determinar a qualidade do lote.
Em um analítico estudar o foco é sobre a processo e como para melhorar isto. O
foco é o futuro . Assim, diferentemente dos estudos enumerativos que fazem
inferências sobre o versículo na verdade estudado, analítico estudos são interessado
em a universo qual tem ainda para ser produzido. Mesa 7.2 compara analítico
estudos com enumerativo estudos (Pró- mais, 1988).
Deming (1986) aponta que “Análise de variância, testes t, intervalos de confiança,
e outras técnicas estatísticas ensinadas nos livros, por mais interessantes que sejam,
são inadequadas privado porque eles fornecer não base para predição e porque eles
enterrar o informa- ção contida na ordem de produção”. Esses métodos estatísticos
tradicionais têm deles lugar, mas eles são largamente abusado em o real mundo.
Quando esse é o caso, Estatisticas fazer mais para obscurecer a questão do que para
esclarecer.
Os métodos de estudo analítico fornecem informações para o pensamento indutivo ,
em vez do abordagem amplamente dedutiva de estatísticas enumerativas. Os métodos
analíticos são principalmente gráfico dispositivos tal como correr gráficos em o mais
simples caso ou estatístico ao controle gráficos em o mais em geral caso. Analítico
estatísticas fornecem operacional orientações, em vez de que preciso
Item enumerativo Estudar Analítico Estudar
Mirar Parâmetro estimativa Predição
Foco Universo Processo
Método conta, Estatisticas modelos de o processo (por
de acesso exemplo, fluxo gráficos, causa
e efeitos, matemático modelos)
Principal fonte Amostragem variação Extrapolação em o futuro
de incerteza
Incerteza Sim Não
quantificável
Ambiente para o Estático Dinâmico
estudar
MESA _ 7.2 Importante Aspectos dos Estudos Analíticos
cálculos de probabilidade. Assim, afirmações como “Existe uma probabilidade de

0,13% de um erro tipo I ao atuar em um ponto fora de um limite de controle três
sigma” são falsos (o autor admite para tendo feito esse erro em o passado). O futuro
não pode ser previsto com a conhecido nível de confiança. Em vez de, baseado sobre
conhecimento obtido de todo fonte, Incluindo analítico estudos, um pode estado que
um tem a certo grau de crença (por exemplo, alto, baixo) que tal e tal vai resultado de
tal e tal Ação sobre a processo.
Outra diferença entre os dois tipos de estudos é que a estatística enumerativa
procedem de hipóteses predeterminadas enquanto os estudos analíticos tentam ajudar
o analista gerar novas hipóteses. No passado, esta abordagem extremamente valiosa
foi criticado por alguns estatísticos como “pescando” ou “racionalizando”. No
entanto, este autor acredita que usando dados para desenvolver plausível explicações
retrospectivamente é a perfeitamente maneira legítima de criar novas teorias a serem
testadas. Recusar-se a explorar possibilidades sugerido pelos dados é ter uma visão
muito limitada do escopo das estatísticas em qualidade melhoria e controle.
Embora a maioria das aplicações do Seis Sigma sejam analíticas, há momentos em
que o merativo Estatisticas provar útil. Esses enumerativo métodos vai ser discutido
em mais detalhes na fase de análise, onde são úteis na quantificação de fontes de
variação. O analista deve ter em mente que métodos analíticos serão necessários para
validar o conclusões desenvolvidas com o uso dos métodos enumerativos, para
garantir sua relevância avançar ao processo em estudo.
Em o Medir estágio de DMAIC, estatístico processo ao controle (SPC) gráficos
(ou seja, ana- lítico Estatisticas) são usado para definir o processo linha de base. Se o
processo é estatisticamente estábulo, como evidenciado por o CEP gráficos, então
processo capacidade e sigma nível esti- companheiros pode ser usado para
quantificar o desempenho de o processo relativo para requisitos.
Se o processo é não estatisticamente estábulo, como evidenciado por o CEP
análise, então clareza é procurado a respeito de o causas de variação, como discutido
em o seguindo Seções. Se o causas especiais de variação podem ser facilmente
identificadas e removidas, e uma linha de base estável processo estabelecido, então os
requisitos para o objetivo da linha de base foram atendidos. Se não, como costuma
acontecer, então nossa estimativa de linha de base forneceu informações críticas útil
em nossa fase de Análise, onde as causas da instabilidade do processo podem ser
investigadas fechado sob as condições controladas de um experimento planejado.
Obviamente, a estimativa da linha de base dependerá da validade da medição
sistema, que é discutido na seção final deste capítulo. Embora possa parecer óbvio ous
que o medição sistema deve ser avaliado antes esforço é gasto tirando medições de
linha de base, a verificação do sistema de medição é apresentada após o linha de base
seção por dois motivos:
1. Uma técnica analítica chave usada para validar o sistema de medição é a ao

controle gráfico. leitores deve tornar-se familiar com deles usar e aplicativo
em linhas de base do processo antes de sua aplicação especial para o sistema
de medição validação é discutida.
2. Quando os objetivos de um projeto Seis Sigma incluem melhorias no CTQ ou
CTS Métricas, o Medir estágio linha de base fornece validação de o inicial
condições estimado em o Definir estágio. Significativo melhorias ou
mudanças para o significa- garantia sistema antes o linha de base vai viés o
linha de base relativo para o inicial condições. Em vez de, o linha de base deve
ser estimado primeiro usando o existir met- ods, então repetido (depois
melhorias para o medição sistema) se o significa- garantia sistema erro é
significativo. Aderência para esse recomendação vai emprestar avançar
credibilidade para o melhorias, desde o projeto equipe pode demonstrar
replicação de o erro como bem como o resultante melhoria. Em alguns casos,
o medição erro é encontrado para ser o maioria significativo causa de processo
variação. Em aqueles casos, o foco de o Seis Sigma projeto mudanças no esse
estágio para preocupação trate sobre melhoria para o medição sistema, em vez
de que o processo em si.
O gráfico de controle estatístico fornecerá estimativas da localização do processo

(ou seja, sua significar ou mediana) e isso é variação (ou seja, processo padrão desvio).
De chave importância, no entanto, é como esses atual condições comparar com existir
requisitos ou projeto Objetivos. Essas considerações são respondidas com uma
compreensão adequada dos distribuição estatística, como será discutido.
Princípios de estatístico Processo Ao controle

Um conceito central no controle estatístico de processo (SPC) é que todo fenômeno
mensurável enon é uma distribuição estatística. Em outras palavras, um conjunto de
dados observados constitui um amostra dos efeitos de causas comuns desconhecidas.
Segue-se que, depois de termos feito tudo para eliminar as causas especiais de
variações, ainda restará um certo quantidade de variabilidade exibindo o estado de
controle. A Figura 7.5 ilustra a relação navios entre causas comuns, causas especiais e
distribuições.
Existem três propriedades básicas de uma distribuição: localização, dispersão e
forma. O localização refere-se para o típica valor de o distribuição, tal como o significar.
O espalhar de o distribuição é a quantidade pela qual os valores menores diferem dos
maiores. O esta- desvio padrão e variância são medidas de dispersão de distribuição.
A forma de um distrito mas o seu padrão é pico, simetria, etc. Um determinado
fenômeno pode ter qualquer uma das várias formas de distribuição, por exemplo, a
distribuição pode ser em forma de sino em forma, formato retangular, etc.
Central Limite Teorema

O limite central teorema pode ser declarado como segue:
independente de o forma de o distribuição de o população ou universo, o distrito
mas a estimativa dos valores médios das amostras retiradas desse universo tenderá a
uma direção normal. mal distribuição à medida que o tamanho da amostra cresce sem
limite.
210 C h a p t e r Se v e n
Distribuição
Tamanho TamanhoTamanhoTamanho
F IGURA 7.5 Distribuições. ( De Continuando Processo Ao controle e Processo Capacidade

Melhoria,
pág. 4a. direito autoral © 1983 por Ford Motor Empresa. Usado por permissão de o editora .)
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
Retangular universo Média x
200
Number of observations
150
100
50
0
Universo –1,2 –0,8 –0,4 0 0,4 0,8 1.2 1.6
Certo triangular universo Média x
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
Look for a special cause of variation
F IGURA 7.7 tipos de variação.
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 .)
a ação necessária para reduzir a variabilidade em cada caso é de natureza diferente.

Sem orientação estatística, poderia haver um debate interminável sobre se especial ou
comum causas foram os culpados para variabilidade.
Estimativa Processo Linhas de base Usando Processo Capacidade Análise

Esta seção apresenta vários métodos de análise dos dados usando um controle
estatístico gráfico Para determinar o medida em que o processo atende requisitos.
214 C h a p t e r Se v e n
1. coletar amostras de 25 ou mais subgrupos de consecutivamente produzido

unidades.
2. Plote os resultados no gráfico de controle apropriado. Se todos os grupos
estiverem em estatística controle, vá para a etapa 3. Caso contrário, tente
identificar a causa especial do variação observando as condições ou períodos
de tempo em que ocorrem. Se possível, pegar Ação para eliminar o especial
causa e documento isto como papel de o esforço de melhoria do processo.
Observe que uma causa especial pode ser benéfica. As atividades benéficas
podem ser “eliminadas” como causas especiais, fazendo-as todas A Hora.
Uma causa especial é “especial” apenas porque vem e vai, não porque seu
impacto é bom ou ruim.
3. Usando o ao controle limites de o anterior etapa (chamado operacional ao
controle limites ), colocar o ao controle gráfico para usar para a período de
tempo. Uma vez você são satisfeito que su- já passou um tempo suficiente
para que a maioria das causas especiais tenha sido identificada e eliminado,
conforme verificado pelos gráficos de controle, vá para a etapa 4.
4. A capacidade do processo é estimada usando os cálculos fornecidos no Cap. 6.
Esta estimativa deve validar as taxas de erro originalmente estimadas no
Definir estágio que justificado o projeto Implantação. Observação que quando
processo variação é limitado a causas comuns (ou seja, o processo está sob
controle estatístico), “problema resolvendo” (por exemplo, estudo cada
defeituoso) não vai ajuda, e isto poderia resultado em adulterar- ing. É
comprovado que adulterar um processo estável aumenta a variação do
processo, qual é claro que exatamente o efeito oposto que tenta corrigir.
CAPÍTULO 8
Processo
Comportamento Gráficos
Ao controle Gráficos para Variáveis Dados
No controle estatístico do processo (SPC), a média, a faixa e o desvio padrão são os
estatísticas mais usadas para analisar dados de medição. As cartas de controle são
usadas para monitorar essas estatísticas. Um ponto fora de controle para qualquer
uma dessas estatísticas é uma indicação ção de que uma causa especial de variação
está presente e que uma investigação imediata devem ser feitas para identificar a
causa especial.
Médias e Gamas Ao controle Gráficos

Gráficos de médias são ferramentas estatísticas usadas para avaliar a tendência central
de um processo ao longo do tempo. Os gráficos de intervalos são ferramentas
estatísticas usadas para avaliar a dispersão ou propagação de um processo ao longo
do tempo.
Os gráficos de médias respondem à pergunta: “Uma causa especial de variação
causou a central tendência de esse processo para mudar sobre o tempo período
observado?” Gamas gráficos responda à pergunta: “Existe uma causa especial de
variação que causou a distribuição do processo para tornar-se mais ou menos
consistente?" Médias e gamas gráficos pode ser aplicado para muitos contínuo
variáveis como peso, tamanho, tempo de resposta, etc.
O base de o ao controle gráfico é o racional subgrupo . Racional subgrupos (ver
"Razão- Amostragem de Subgrupo Nacional”) são compostos de itens que foram
produzidos sob condições essencialmente as mesmas condições. A média e o intervalo
são calculados para cada subgrupo separadamente, então traçado sobre o ao controle
gráfico. Cada do subgrupo Estatisticas são comparado para o limites de controle, e
padrões de variação entre subgrupos são analisados.
Subgrupo equações para Médias e Gamas Gráficos
soma de subgrupo Medidas

x subgrupo tamanho (8.1)
R  maior em subgrupo  menor em subgrupo (8.2)
Ao controle Limite equações para Médias e Gamas Gráficos

Os limites de controle para os gráficos de médias e intervalos são calculados de forma
que seja altamente improvável que uma média de subgrupo ou intervalo de um
processo estável cairia lado dos limites. Todos os limites de controle são definidos em
mais e menos três desvios padrão de o Centro linha de o gráfico. Por isso, o ao
controle limites para subgrupo médias são mais e menos três padrão desvios de o
significar de o grande média; o ao controle
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).
Ao controle Limite equações para Gamas Gráficos

soma de subgrupo gamas
R  número de subgrupos (8.3)
LCL  D3R _ _ (8.4)

UCL  D4R _ _
(8.5)
Ao controle Limite equações para Médias Gráficos Usando R
soma do subgrupo médias
X número de subgrupos (8.6)
LCL  x  A 2R _
(8.7)
UCL  x  A 2R _
(8.8)
Exemplo de Médias e Gamas Ao controle Gráficos
Mesa 8.1 contém 25 subgrupos de cinco observações cada.
O ao controle limites são calculado de esses dados como segue:
Gamas ao controle gráfico exemplo

soma de subgrupo gamas 369
R 
14.76  
número de subgrupos 25
LCL R  D3R _ _  0  14.76  0
UCL R  D4R _ _  2.115  14.76  31.22
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
LCL  x  A 2R _  99,5  0,577  14..76  90,97

x
UCL  x  A 2R _  99,5  0,577  14.76  108,00

x
O concluído médias e gamas Gráficos de controle são mostrado em Figo. 8.1.

O gráficos mostrando em Figo. 8.3 mostrar a processo em estatístico ao controle.
Esse apenas significa que nós pode prever o limites de variabilidade para esse
processo. Para determinar o capacidade
Pr o c e s s B e h a v i o r C h a r t s 217
Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 X -Bar Faixa Sigma

110 93 99 98 109 101,8 17 7.396
103 95 109 95 98 100,0 14 6.000
97 110 90 97 100 98,8 20 7.259
96 102 105 90 96 97,8 15 5.848
105 110 109 93 98 103,0 17 7.314
110 91 104 91 101 99,4 19 8.325
100 96 104 93 96 97,8 11 4.266
93 90 110 109 105 101.4 20 9.290
90 105 109 90 108 100,4 19 9.607
103 93 93 99 96 96,8 10 4.266
97 97 104 103 92 98,6 12 4.930
103 100 91 103 105 100,4 14 5.550
90 101 96 104 108 99,8 18 7.014
97 106 97 105 96 100,2 10 4.868
99 94 96 98 90 95,4 9 3.578
106 93 104 93 99 99,0 13 6.042
90 95 98 109 110 100,4 20 8.792
96 96 108 97 103 100,0 12 5.339
109 96 91 98 109 100,6 18 8.081
90 95 94 107 99 97,0 17 6.442
91 101 96 96 109 98,6 18 6.804
108 97 101 103 94 100,6 14 5.413
96 97 106 96 98 98,6 10 4.219
101 107 104 109 104 105,0 8 3.082
96 91 96 91 105 95,8 14 5.718
MESA _ 8.1 Dados para X-Bar, Gamas e Sigma Ao controle Gráficos
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 e Padrão Desvio (Sigma) Ao controle Gráficos

Gráficos de controle de médias e desvio padrão são conceitualmente idênticos às
médias e gráficos de controle de intervalos. A diferença é que o desvio padrão do
subgrupo é usado para medir a dispersão em vez do alcance do subgrupo. O padrão
do subgrupo desvio é estatisticamente mais eficiente do que o intervalo de subgrupo
para tamanhos de subgrupo maior que 2. Essa vantagem de eficiência aumenta à
medida que o tamanho do subgrupo aumenta. O ineficiência de o faixa estatística
torna-se significativo se o subgrupo tamanho é 10 ou maior,
Médias ao controle
110 gráfico
108,00
105
100
99,5
95
90,97
90
Gamas ao controle gráfico

40
35
31.22
30
25
20
15 14,76
10
0
0 510152025
F IGURA 8.1 Concluído médias e gamas ao controle gráficos.
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.
Subgrupo equações para Médias e Sigma Gráficos

soma de subgrupo Medidas
x subgrupo tamanho (8.9)
n 2
 (Xi  X)
i1
s (8.10)
n1
O padrão desvio, s , é calculado separadamente para cada subgrupo, usando o

sub- média do grupo em vez da média geral. Esse é um ponto importante; usando o
média geral introduziria variação de causa especial se o processo estivesse fora de
controle trole, deste modo subestimando o processo capacidade, talvez
significativamente.
Ao controle Limite equações para Médias e Sigma Gráficos

Os limites de controle para as médias e os gráficos sigma são calculados de modo que
seja altamente improvável que a subgrupo média ou sigma de a estábulo processo
seria cair fora- lado dos limites. Todos os limites de controle são definidos em mais e
menos três desvios padrão de o Centro linha de o gráfico. Por isso, o ao controle
limites para subgrupo médias são mais e menos três desvios padrão da média da
média geral. O controle os limites para os sigmas do subgrupo são mais e menos três
desvios padrão de sigma de o média sigma. Esses ao controle limites são bastante
robusto com respeito para não normalidade em o processo distribuição.
Para facilitar os cálculos, constantes são usadas nas equações de limite de controle.
Apên- dix 9 fornece gráfico de controle constantes para subgrupos de 25 ou menos.
Ao controle Limite equações para Sigma Gráficos Baseado Ons s

soma de subgrupo sigmas
s número de subgrupos (8.11)
LCL  B 3 s
(8.12)
UCL  B 4 s
(8.13)
Ao controle Limite equações para Médias Gráficos Baseado

sobre s
soma do subgrupo médias (8.14)
X número de subgrupos
(8.15)
LCL  x  A 3 s
(8.16)
UCL  x  A 3 s
Exemplo de Médias e Padrão Desvio Ao controle Gráficos

Para ilustrar os cálculos e comparar o método de alcance com o desvio padrão
resultados da análise, os dados usados no exemplo anterior serão reanalisados usando
o subgrupo desvio padrão em vez de o intervalo do subgrupo.
O ao controle limites são calculado de esse dados como segue:
Sigma ao controle gráfico
soma de subgrupo sigmas 155,45
s  número de subgrupos  25  6.218
LCLs _  B3s _ _  0  6.218  0
UCL _  B 4 s  2.089  6.218  12.989
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.
Médias ao controle
gráfico
soma de subgrupo médias 2, 487,5

x número de subgrupos  25  99,5
LCL  x  A 3 s  99,5  1.427  6.218  90,63

X
UCL  x  A 3 s  99,5  1.427  6.218  108,37

X
As médias completas e os gráficos de controle sigma são mostrados na Fig. 8.2.

Observe que o ao controle limites para o médias gráfico são apenas um pouco
diferente que o limites cálculo lada usando intervalos.
Observação que o conclusões alcançado são o mesmo como quando intervalos eram
usado.
Médias ao controle
110 gráfico
108,37
105
100
99,5
95
90,63
90
Sigma ao controle gráfico

15
12,99
10
6.218
5
0
0 5 10152025
F IGURA 8.2 Concluído médias e sigma ao controle gráficos.

Ao controle Gráficos para Individual Medidas ( X Gráficos)

indivíduos ao controle gráficos são estatístico ferramentas usado para Avalie o central
tendência de a processo ao longo do tempo. Eles também são chamados de gráficos X
ou gráficos de alcance móvel . Indivíduos con- controlar gráficos são usado quando isto é
não viável para usar médias para processo ao controle. Lá são muitos possível razões
por que médias ao controle gráficos poderia não ser desejável: observações pode ser
caro para obter (por exemplo, testes destrutivos), a saída pode ser muito homogênea
em curtos intervalos de tempo (por exemplo, pH de uma solução), a taxa de produção
pode ser lenta e o intervalo entre observações sucessivas longo, etc. Gráficos de
controle para indivíduos são freqüentemente usados para monitorar processos em
lote, como processos químicos, onde o lote variação _ _ é então pequeno relativo para
entre lotes variação que o ao controle limites sobre um X padrão gráfico ficaria muito
próximo. Gráficos de alcance (às vezes chamados de gráficos de movimento) ing faixa
gráficos em esse aplicativo) são usado para monitor dispersão entre o sucesso-
indivíduo ativo observações. 
cálculos para Movendo Gamas Gráficos

Assim como nos gráficos de médias e intervalos, o intervalo é calculado conforme
mostrado na seção,
R  maior em subgrupo − menor em subgrupo

Onde o subgrupo é a consecutivo par de processo Medidas. O faixa vigarista- O
limite de controle é calculado conforme descrito para gráficos de médias e faixas,
usando o D 4 constante para subgrupos de 2, que é 3,267. Aquilo é,
LCL  0 (para n = 2)
UCL  3.267  R -
barra
Ao controle Limite equações para indivíduos Gráficos

soma de Medidas
x  número de Medidas (8.17)
LCL  x  E 2 R  x  2.66  R
(8.18)
UCL  x  E 2 R  x  2.66  R
(8.19)
C aqui E 2  2.66 é o constante usado quando Individual Medidas são plotado, e
R é baseado em subgrupos de n = 2.
Exemplo de indivíduos e Movendo Gamas Ao controle Gráficos

Mesa 8.2 contém 25 Medidas. Para facilitar comparação, o Medidas são o primeiras
observações em cada subgrupo usado nas médias/intervalos anteriores e média/
padrão exemplos de gráficos de controle de desvio.
 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
fornecem de valor informações adicionais úteis na solução de problemas.
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
MESA _ 8.2 Dados para indivíduos e Movendo Gamas Ao controle Gráficos
O ao controle limites são calculado de esse dados como segue:

Movendo gamas ao controle gráfico ao controle limites
soma de gamas 196
R  número de intervalos
  8.17 24
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.
indivíduos ao controle gráfico ao controle limites
soma de Medidas 2, 475

x  número de medidas  99,0
25
LCL X  x  E 2 R  99,0  2.66  8.17  77,27
UCL X  x  E 2 R  99,0  2.66  8.17  120,73
O concluído indivíduos e em movimento gamas ao controle gráficos são

mostrando em Figo. 8.3. Em esse caso, o conclusões são o mesmo como com
médias gráficos. No entanto, aver-
idades gráficos sempre fornecer mais apertado ao controle que x gráficos. Em alguns
casos, o adicional
Individual Medidas ao controle gráfico

140
130 120,73
120
100
99,0
90
80
77,27
70
Movendo gamas ao controle

gráfico
30
26.69
25
20
15
10
8.17
0
0 510152025
F IGURA 8.3 Indivíduos concluídos e em movimento gráficos de controle de intervalos.

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.
Ao controle Gráficos para Atributos Dados

Ao controle Gráficos para Proporção Defeituoso ( p Gráficos)
p são ferramentas estatísticas usadas para avaliar a proporção defeituosa, ou
proporção não conforme, produzido por um processo.
p gráficos pode ser aplicado para qualquer variável onde o apropriado
desempenho medir é uma unidade de contagem. Os gráficos p respondem à pergunta:
“Existe uma causa especial de variação causada o central tendência de esse processo
para produzir um anormalmente grande ou pequeno número de unidades defeituosas
durante o período de tempo observado?”
p Gráfico Ao controle Limite equações

Como todos os gráficos de controle, os gráficos p consistem em três diretrizes: linha
central, um controle inferior limite, e um superior ao controle limite. O Centro linha é
o média proporção defeituoso e o dois ao controle limites são definir no mais e menos
três padrão desvios. Se o processo está sob controle estatístico, então virtualmente
todas as proporções devem estar entre o controle limites e eles devem flutuar
aleatoriamente sobre a linha central.
subgrupo defeituoso contar
p _subgrupo tamanho (8.20)
soma do subgrupo contagens

p _ defeituosas soma de (8.21)
subgrupo tamanhos
p(1  p)
LCL  p  3 (8.22)
n
p(1  p)
UCL  p  3 (8.23)
n
Em Eqs. (8.22) e (8.23), n é o subgrupo tamanho. Se o subgrupo tamanhos

varia, o ao controle limites vai também variam, tornando-se ainda mais juntos como n
aumenta.
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.
Exemplo de p Gráfico cálculos

Os dados da Tabela 8.3 foram obtidos abrindo caixotes selecionados aleatoriamente de
cada envio e contando o número de machucado pêssegos. Lá são 250 pêssegos por
engradado. Normalmente, amostras consiste de um caixote por envio. No entanto,
quando tempo parcial ajuda é disponível, amostras de duas caixas são retiradas.
envio Não. Caixotes Pêssegos Machucado P

1 1 250 47 0,188
2 1 250 42 0,168
3 1 250 55 0,220
4 1 250 51 0,204
5 1 250 46 0,184
6 1 250 61 0,244
7 1 250 39 0,156
8 1 250 44 0,176
9 1 250 41 0,164
10 1 250 51 0,204
11 2 500 88 0,176
12 2 500 101 0,202
13 2 500 101 0,202
14 1 250 40 0,160
15 1 250 48 0,192
16 1 250 47 0,188
17 1 250 50 0,200
18 1 250 48 0,192
19 1 250 57 0,228
20 1 250 45 0,180
21 1 250 43 0,172
22 2 500 105 0,210
23 2 500 98 0,196
24 2 500 100 0,200
25 2 500 96 0,192
Totais 8.000 1.544
MESA _ 8.3 Dados brutos para p Gráfico
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.
n _ 250 (1 caixa):
LCL  p  p(1  p) 0.193  (1  0.193)

 0,193  3  0,118
3 n 250
p(1  p) 0.193  (1  0.193)

 0,193  3  0,268
UCL  p  n 250
3
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.
ponteiros para Usando p Gráficos

Determinar se “em movimento ao controle limites” são realmente necessário. Isto
poderia ser possível para usar o tamanho médio da amostra (número total
inspecionado dividido pelo número de subgrupos) para calcular limites de controle.
Por exemplo, com nosso exemplo, o tamanho da amostra dobrou de 250 pêssegos para
500, mas os limites de controle quase não mudaram. A Tabela 8.4 ilustra o diferente ao
controle limites baseado sobre 250 pêssegos, 500 pêssegos, e o média amostra
tamanho que é 8.000 ÷ 25  320 pêssegos.
Perceber que o conclusões a respeito de processo desempenho são o mesmo
quando usando o média amostra tamanho como eles são usando o exato amostra
tamanhos. Esse é geralmente o caso se o variação em amostra tamanho não é também
ótimo. Lá são muitos regras de dedão, mas maioria de eles são extremamente
conservadores. A melhor forma de avaliar os limites com base na média amostra
tamanho é para verificar isto fora como mostrando acima. CEP é todos sobre melhorou
tomando uma decisão. Em em geral, usar o maioria simples método que pistas para
correto decisões.
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
5 10152025
F IGURA 8.4 Concluído p ao controle gráfico.

Amostra Tamanho Mais baixo Ao controle Limite Superior Ao controle Limite

250 0,1181 0,2679
500 0,1400 0,2460
320 0,1268 0,2592
MESA _ 8.4 Efeito de Usando Média Amostra Tamanho
Ao controle Gráficos para Contar de Defeituosos ( np Gráficos)

np são ferramentas estatísticas usadas para avaliar a contagem de defeituosos ou
contagem de itens não conforme, produzido por a processo. np gráficos pode ser
aplicado para qualquer variável onde a medida de desempenho apropriada é uma
contagem de unidades e o tamanho do subgrupo é mantido constante. Note que
sempre que um gráfico np pode ser usado, um gráfico p pode ser usado também.
Ao controle Limite equações para np Gráficos

Como todos os gráficos de controle, os gráficos np consistem em três diretrizes: linha
central, um controle inferior limite e um limite superior de controle. A linha central é a
contagem média de defeitos- por subgrupo e o dois ao controle limites são definir no
mais e menos três padrão devi- ações. Se o processo estiver sob controle estatístico,
praticamente todas as contagens de subgrupos serão entre os limites de controle, e
eles irão flutuar aleatoriamente sobre a linha central.
np  subgrupo defeituoso contagem (8,24)
soma do subgrupo contagens (8.25)

np  defeituosas número de
subgrupos
(8.26)
LCL  np  3 np(1 
p) (8.27)
UCL  np  np(1 
Observaç
p)
ão que 3
(8.28)
np
p n
Exemplo de np Gráfico Cálculo

cada envio e contando o número de machucado pêssegos. Lá são 250 pêssegos por
caixote (constante n é necessário para gráficos np ).
segue:
soma de subgrupo defeituoso conta 838

np    27,93
número de subgrupos
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)
30 42,88
 12,99 
O ao controle limites e o subgrupo defeituoso conta são mostrando na Fig. 8.5.

envio Não. Machucado Pêssegos

1 20
2 28
3 24
4 21
5 32
6 33
7 31
8 29
9 30
10 34
11 32
12 24
13 29
14 27
15 37
16 23
17 27
18 28
19 31
20 27
21 30
22 23
23 23
24 27
25 35
26 29
27 23
28 23
29 30
30 28
Total 838
MESA _ 8.5 Cru Dados para np Gráfico

Carta de controle de contagem

defeituosa ( gráfico
np )
45
40
35
30
25
20
15
10
5
0
0 51015202530
F IGURA 8.5 Concluído np ao controle gráfico.
Ao controle Gráficos para Média Ocorrências-por-unidade ( você Gráficos)

u são ferramentas estatísticas usadas para avaliar o número médio de ocorrências-por-
unidade produzido por a processo. você gráficos pode ser aplicado para qualquer
variável onde o apropriado Uma medida de desempenho é uma contagem de quantas
vezes um determinado evento ocorre. gráficos u responder à pergunta: “Uma causa
especial de variação causou a tendência central de processo para produzir um número
anormalmente grande ou pequeno de ocorrências ao longo do período de tempo
observado?” Observe que, ao contrário dos gráficos p ou np , os gráficos u não
necessariamente envolvem a contagem de itens físicos. Em vez disso, envolvem a
contagem de eventos . Por exemplo, ao usar um gráfico p , contaríamos pêssegos
machucados. Ao usar um gráfico u um seria conte o hematomas .
Ao controle Limite equações para você Gráficos

Como todos os gráficos de controle, os gráficos u consistem em três diretrizes: linha
o média número de ocorrências- por unidade e o dois ao controle limites são definir
no mais e menos três padrão desvios. Se o processo estiver sob controle estatístico,
então praticamente todas as ocorrências de subgrupo por unidade devem estar entre
os limites de controle e devem flutuar aleatoriamente sobre o linha central.
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
Nas Eqs. (8.31) e (8.32), n é o tamanho do subgrupo em unidades. Se o tamanho do

subgrupo variar, o limites de controle serão também variam.
Um caminho de ajudando determinar se ou não a especial definir de dados é
adequado para uma carta u ou uma carta p é para examinar a equação usada para
calcular a linha central para o ao controle gráfico. Se o unidade de medir é o mesmo
em ambos o numerador e o denomina- nator, então a p gráfico é indicado, caso
contrário, um gráfico u é indicado. Para exemplo, se
contusões por
Centro linha 
caixote (8.33)
número de caixotes
então o numerador é em termos de hematomas enquanto o denominador é em termos
de caixotes, indicando um gráfico de vc .
O unidade tamanho é arbitrário mas uma vez determinado isto não pode ser
mudado sem recalculando todas as ocorrências de subgrupo por unidade e limites de
controle. Por exemplo, se o ocorrências foram acidentes e uma unidade foi de 100.000
horas trabalhadas, então um mês com 250.000 horas trabalhadas seriam 2,5 unidades e
um mês com 50.000 horas trabalhadas seria ser 0,5 unidades. Se o unidade tamanho
eram 200.000 horas então o 2 meses seria ter
1,25 e 0,25 unidades, respectivamente. As equações para a linha central e os limites de
controle seria “automaticamente” pegar em conta o unidade tamanho, então o ao
controle gráficos seria dar idêntico resultados sem considerar de qual unidade
tamanho é usado.
Análise de você Gráficos

controle limite. Análise de você gráfico padrões entre os limites de controle são
extremamente complicados quando o tamanho da amostra varia e geralmente é não
realizado.
Exemplo de você Gráfico

cada remessa e contando o número de hematomas nos pêssegos. Há 250 pêssegos por
engradado. O tamanho da nossa unidade será considerado como uma caixa cheia, ou
seja, estaremos contando as caixas em vez dos próprios pêssegos. Normalmente, as
amostras consistem em uma caixa por navio. mento. No entanto, quando tempo
parcial ajuda é disponível, amostras de dois caixotes são levado.
segue:
contagem de subgrupo de
você  ocorrências subgrupo tamanho
em unidades
Esses valores são mostrando em o durar coluna de Mesa 8.6.
soma de subgrupo contar de ocorrências 1, 544
você  soma de subgrupo unidade tamanhos 32= = 48,25
qual é constante para todos subgrupos.

n _ 1 unidade:
LCL  você
u
 48,25  3
n

u 27.41
 48,25  3 48.25
n 1
1
48.25

1
69.08
9
envio Não. Unidades Imperf Defeitos-por-

(Caixotes) eições unidade
1 1 47 47
2 1 42 42
3 1 55 55
4 1 51 51
5 1 46 46
6 1 61 61
7 1 39 39
8 1 44 44
9 1 41 41
10 1 51 51
11 2 88 44
12 2 101 50,5
13 2 101 50,5
14 1 40 40
15 1 48 48
16 1 47 47
17 1 50 50
18 1 48 48
19 1 57 57
20 1 45 45
21 1 43 43
22 2 105 52,5
23 2 98 49
24 2 100 50
25 2 96 48
Totais 32 1.544
MESA _ 8.6 Dados não tratados para você Gráfico
n2
unidades:
48.25
LCL  48,25  3  33.514
2
48.25
UCL  48,25  3  6 2 .986
2
O ao controle limites e o subgrupo ocorrências por unidade são mostrando em Figo.

8.6.
Gráfico de controle de ocorrências

por unidade ( gráfico u
)
75
69.089
62.986
60
48,25
45
33.514
30 27.411
15
0
0 510152025
F IGURA 8.6 Concluído você ao controle gráfico.
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.
Ao controle Gráficos para conta de Ocorrências-por-unidade ( c Gráficos)

c são ferramentas estatísticas usadas para avaliar o número de ocorrências por
unidade de pro- produzido por um processo. Os gráficos c podem ser aplicados a
qualquer variável onde o desempenho apropriado medida de desempenho é uma
contagem de quantas vezes um determinado evento ocorre e amostras de tamanho
constante são usados. Os gráficos c respondem à pergunta: “Tem uma causa especial
de variação causaram a tendência central desse processo de produzir um tamanho
anormalmente grande ou pequeno. número de ocorrências sobre o tempo período
observado?” Observação que, diferente p ou np gráficos, c gráficos fazer não envolver
contando físico Unid. Em vez de, eles envolver contando de eventos . Por exemplo, ao
usar um gráfico np , contaríamos pêssegos machucados. Ao usar um c gráfico um
contaria o hematomas .
Ao controle Limite equações para c Gráficos

Como todos os gráficos de controle, os gráficos c consistem em três diretrizes: linha
o média número de ocorrências- por unidade e o dois ao controle limites são definir no
mais e menos três padrão desvios. Se o processo é em estatístico ao controle então
virtualmente todos subgrupo ocorrências por unidade deve ser entre o ao controle
limites e eles deve flutuar aleatoriamente sobre o Centro linha.
soma das ocorrências do

c subgrupo número de
subgrupos (8.34)
LCL  c  3 (8,35)
c
UCL  c  3 c (8,36)
Um caminho de ajudando determinar se ou não a especial definir de dados é

adequado para a c gráfico ou um np gráfico é para examinar o equação usado para
calcular o Centro linha para o ao controle gráfico. Se o unidade de medir é o mesmo
em ambos o numerador e o denomina- tor, então a p gráfico é indicado, de outra
forma a c gráfico é indicado. Para exemplo, se
hematomas
Centro eu ina =
número de caixotes
então o numerador é em termos de hematomas enquanto o denominador é em termos

de caixotes, indicando um c gráfico.
O unidade tamanho é arbitrário mas, uma vez determinado, isto não pode ser
mudado sem recom- colocando todas as ocorrências de subgrupo por unidade e
limites de controle.
Análise de c Gráficos
controle limite. Análise de c gráfico padrões entre o limites de controle é mostrado
mais adiante neste capítulo.
Exemplo de c Gráfico
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.
segue:
soma de subgrupo ocorrências 1, 006

c número de subgrupos  30  33.53
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.
Ao controle Gráfico Seleção

Selecionando o apropriado ao controle gráfico para a especial dados definir é a
simples matéria se aproximou-se apropriadamente. O abordagem adequada é
ilustrado na Fig. 8.8.
Para usar a árvore de decisão, comece no nó mais à esquerda e determine se os
dados são medições ou contagens. Se medições, selecione o gráfico de controle com
base no subgrupo tamanho. Se o dados são conta, então determinar se o conta são de
ocorrências ou pedaços. Uma ajuda para fazer essa determinação é examinar a
equação para o pro- média de processo. Se o numerador e o denominador envolverem
as mesmas unidades, então a p ou np gráfico é indicado. Se diferentes unidades de
medida estiverem envolvidas, então um gráfico u ou c é indicado. cated. Por exemplo,
se a média for em acidentes por mês, então um gráfico c ou u é indicado porque o
numerador está em termos de acidentes, mas o denominador está em termos de
tempo.
envio Não. Imperf

eições
1 27
2 32
3 24
4 31
5 42
6 38
7 33
8 35
9 35
10 39
11 41
12 29
13 34
14 34
15 43
16 29
17 33
18 33
19 38
20 32
21 37
22 30
23 31
24 32
25 42
26 40
27 21
28 23
29 39
30 29
Total 1.006
MESA _ 8.7 Cru Dados para c Gráfico

Ocorrências ao controle gráfico

( c gráfico)
60
50 50,9
40
30 33,5
20
16.2
10
0
0 510152025 30
F IGURA 8.7 Concluído c ao controle gráfico.
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
Racional Subgrupo Amostragem

A base de todos os gráficos de controle é o subgrupo racional . Subgrupos racionais são
compostos posou de Unid qual eram produzido sob essencialmente o mesmo
condições. O estatis- tiques, por exemplo, a média e o intervalo, são calculados para
cada subgrupo separadamente, então traçado sobre o ao controle gráfico. Quando
possível, racional subgrupos são formado por
usando unidades consecutivas. As estatísticas de cada subgrupo são comparadas com

os limites de controle, e os padrões de variação entre os subgrupos são analisados.
Observe o forte contraste entre esta abordagem e a abordagem de amostragem aleatória
usada para estatísticas enumerativas tical métodos.
A ideia de subagrupamento racional torna-se um pouco confusa ao lidar com
cartas X , ou gráficos de controle individuais. O leitor pode muito bem se perguntar
sobre o significado do prazo subagrupamento quando o "subgrupo" é a solteiro
medição. O básico ideia sob- gráficos de controle de todos os tipos é identificar a
capacidade do processo. A meca- nismo por qual esse é realizado é cuidadoso
formação de racional subgrupos como definiram acima. Quando possível, os
subgrupos racionais são formados usando unidades consecutivas. O medir de
processo variabilidade, qualquer o subgrupo padrão desvio ou o subgrupo faixa, é o
base de o ao controle limites para médias. Conceitualmente, esse é aparentado para
baseando o ao controle limites sobre curto prazo variação. Esses ao controle limites
são usado para monitor vari- ação ao longo do tempo.
Na medida do possível, esta abordagem também forma a base do estabelecimento
de limites de controle para medições individuais. Isso é feito formando quase-
subgrupos usando pares de medições consecutivas. Esses “subgrupos de 2” são
usados para calcular intervalos. O gamas são usados calcular o controle limites para o
indivíduo Medidas.
Ao controle Gráfico Interpretação

Os gráficos de controle fornecem a definição operacional do termo causa especial . Um
especial causa é simplesmente qualquer coisa que leve a uma observação além de um
limite de controle. Como- No entanto, esse uso simplista de gráficos de controle não
faz justiça ao seu poder. Ao controle gráficos são correndo registros de o desempenho
de o processo e, como tal, eles conter um vasto estoque de informações sobre possíveis
melhorias. Embora algumas diretrizes sejam pré- enviado aqui, ao controle gráfico
interpretação é um arte que pode apenas ser desenvolvido por olhando em muitos
gráficos de controle e sondando os padrões para identificar o sistema subjacente de
causas no trabalho.
Padrões anormais são a situação clássica de causa especial (Fig. 8.9). Freaks
resultam de causas que têm um grande efeito, mas que ocorrem com pouca
frequência. Ao investigar aberração valores olhar no o causa e efeito diagrama para
Unid que encontrar esses critério. O chave para identificar causas anormais é
cronogramas na coleta e registro dos dados. Se você tem dificuldade, tentar
amostragem mais freqüentemente.
O desvio é geralmente visto em processos onde o valor atual do processo é
parcialmente determinado. minado por o anterior processo estado. Para exemplo, se o
processo é a chapeamento banho, o vigarista- barraca de o tanque não pode mudar
instantaneamente, em vez de isto vai mudar gradualmente (Figo. 8.10). Outro comum
exemplo é ferramenta vestir: o tamanho de o ferramenta é relacionado para isso é
anterior tamanho. Uma vez que a causa do desvio tenha sido determinada, a ação
apropriada pode ser tomada. Em qualquer momento economicamente viável, o deriva
deve ser eliminado, para exemplo, instalar um dispensador químico automático para
o banho de galvanização, ou fazer compensação automática ajustes para correto para
ferramenta vestir. Observação que o total processo variabilidade aumenta quando
deriva é permitido, qual acrescenta custo. Quando deriva eliminação é não possível, o
ao controle gráfico pode ser modificado em um de dois caminhos:
1. Fazer o declive de o Centro linha e ao controle limites corresponder o natural

processo deriva. O gráfico de controle irá então detectar partidas de o natural
deriva.
2. Trama desvios de o natural ou esperado deriva.
Ferra
menta se soltou em
quebr dispositivo
ado elétrico
F IGURA 8.9 Ao controle gráfico padrões:

malucos.
Actual
Add chemical
distribution
to solution
Process
capability
0
F IGURA 8.10 Ao controle gráfico padrões: deriva .
Os ciclos geralmente ocorrem devido à natureza do processo. Ciclos comuns

incluem hora de o dia, dia de o semana, mês de o ano, trimestre de o ano, semana de o
conta- ciclo de alimentação, e assim por diante (Fig. 8.11). Os ciclos são causados pela
modificação das entradas do processo ou métodos de acordo com uma programação
regular. A existência deste cronograma e seu efeito sobre o processo pode ou não ser
conhecido antecipadamente. Uma vez que o ciclo foi descoberto erguido, Ação pode
ser levado. O Ação poder ser para ajustar o ao controle gráfico por plotagem
F IGURA 8.11 Ao controle gráfico padrões: ciclos .
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 8.12 Ao controle gráfico padrões: recorrente padrões.

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).
Antes mudança depois da mudança
F IGURA 8.14 Ao controle gráfico padrões: planejado mudanças .

T T T T T
M M M M MM M
T = TED
M = MARY
0
F IGURA 8.15 Ao controle gráfico padrões: suspeito diferenças .
Padrões aparentemente aleatórios em um gráfico de controle são evidências de

causas desconhecidas de variação, que não é o mesmo que variação não causada . Deve
haver um contínuo esforço para reduzir a variação dessas chamadas causas comuns.
Fazer isso requer que o desconhecido causas de variação ser identificado. Um
caminho de fazendo esse é a retrospec- tivo avaliação de ao controle gráficos. Esse
envolve debate e preparando causa e diagramas de efeitos e, em seguida,
relacionando os padrões do gráfico de controle com as causas listadas no diagrama.
Por exemplo, se “operador” for uma causa suspeita de variação, coloque uma etiqueta
no ao controle gráfico pontos produzido por cada operador (Figo. 8.15). Se o rótulos
Exibir a padrão, há evidências que sugerem um problema. Faça uma investigação
sobre as razões e definir acima controlada experimentos (prospectivo estudos) para
teste qualquer teorias proposto. Se o experimentos indicar a verdadeiro causa e efeito
relação, fazer o apropriado processo melhorias. Manter em mente que a estatístico
Associação é não o mesmo coisa como a causal correlação . O observado Associação
deve ser Apoiado acima com sólido assunto experiência- dados experimentais.
A mistura existe quando os dados de dois sistemas de causa diferentes são
plotados em um controle único gráfico (Figo. 8.16). Isso indica a falha em criação
racional subgrupos. O
F IGURA 8.16
Ao controle gráfico padrões: mistura.
diferenças subjacentes devem ser identificadas e ações corretivas tomadas. A natureza

de o ação corretiva irá determinar como o gráfico de controle deve ser modificado.
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.
F IGURA 8.17 percentis para a normal distribuição.

F IGURA 8.18 zonas sobre a ao controle gráfico.
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.
adulteração efeitos e Diagnóstico

adulteração ocorre quando ajustes são feito para a processo que é em estatístico ao
controle. Ajustar um processo controlado sempre aumentará a variabilidade do
processo, obviamente resultado indesejável. O melhor meio de diagnosticar
adulteração é conduzir um processo estudo de capacidade e usar um gráfico de
controle para fornecer diretrizes para ajustar o processo.
Talvez o melhor análise de o efeitos de adulteração é de deming (1986). deming
descreve quatro tipos comuns de adulteração desenhando a analogia de apontar um
funil para bater a alvo desejado. Esses “regras do funil” são descrito por deming
(1986, p. 328):
"Deixar o funil fixo, destinado a o alvo, sem ajuste”.

"No derrubar k ( k  1, 2, 3, ...) o mármore vai vir para descansar no apontar z k ,
medido de o alvo. (Em outras palavras, z k é o erro na queda k .) Mova o funil a
distância – z k de a última posição. Memória 1.”
“Defina o funil em cada queda bem sobre o ponto z k , medido a partir do alvo.
Não memória."
“Coloque o funil em cada gota exatamente sobre o ponto (z k ) onde parou pela
última vez. Não memória."
F IGURA 8.19 testes para fora de controle padrões sobre ao controle gráficos. De Nelson (1984)
237–239.
A regra 1 é a melhor regra para processos estáveis. Ao seguir esta regra, o

processo a idade permanecerá estável e a variância será minimizada. A regra 2 produz
um estável saída, mas uma com o dobro da variação da regra 1. A regra 3 resulta em
um sistema que “explode”, ou seja, um padrão simétrico aparecerá com uma variação
que aumenta sem vinculado. Regra 4 cria a padrão que constantemente movimentos
ausente de o alvo, com- limite externo (ver Fig. 8.20).
À primeira vista, pode-se questionar sobre a relevância de tão aparentemente
abstrato regras. No entanto, após uma consideração mais cuidadosa, encontram-se
muitas situações práticas onde essas regras se aplicam.
25 1–50 Rule 1 101–150 Rule 3

51–100 Rule 2 151–200 Rule 4
20
15
10
0
0 50 100 150 200
–5
F IGURA 8.20 Funil regra simulação resultados.
A regra 1 é a situação ideal e pode ser aproximada usando gráficos de controle

para orientar a tomada de decisão. Se os ajustes de processo forem feitos apenas
quando causas especiais forem indicado e identificado, um padrão semelhante para
isso produzido por regra 1 vontade resultado.
A regra 2 tem um apelo intuitivo para muitas pessoas. É comumente encontrado
em tais atividades como calibração do medidor (verifique o padrão uma vez e ajuste o
medidor de acordo ingly) ou em alguns automatizado equipamento (usando um
automático calibrar, verificar o tamanho de o último recurso produzido e fazer um
ajuste de compensação). Desde que o sistema produz um resultado estável, esta
situação pode passar despercebida indefinidamente. No entanto, como mostrado por
Taguchi (1986), o aumento da variância se traduz em pior qualidade e maior custo.
A lógica que leva à regra 3 é mais ou menos assim: “Uma medição foi tomado e foi
encontrado 10 unidades acima do alvo desejado. Isso aconteceu porque o processo foi
definido 10 unidades muito alto. Eu quero que a média seja igual ao alvo. para acom-
Para fazer isso, devo tentar fazer com que a próxima unidade seja 10 unidades muito
baixa. Isso pode ser usado, por exemplo, na preparação de uma solução química.
Embora razoável à primeira vista, o resultado de esse abordagem é um sistema
altamente oscilante.
Um exemplo comum da regra 4 é o método “train-the-trainer”. Um mestre gasta
um pouco tempo treinando um grupo de “especialistas”, que depois treinam outros,
que treinam outros, etc. Um exemplo é no trabalho treinamento. Outro é criando a
configurar por usando a pedaço de o último emprego. Ainda outro é um sistema de
calibração de medidores onde os padrões são usados para criar outros padrões, que
são usados para criar outros ainda, e assim por diante. Quão longe a final resultado
será do ideal depende de quantos níveis de profundidade o esquema tem pro-
gressed.
Curto Correr estatístico Processo Ao controle Técnicas

Ciclos curtos de produção são um modo de vida em muitas empresas de manufatura.
No futuro, este será o caso ainda mais frequente. A tendência na fabricação tem sido
para execuções de produção menores com produtos adaptados às necessidades
específicas de cada clientes. Os dias de Henry Ford de “o cliente pode ter qualquer
cor, desde que seja preto” há muito tempo desde que passou.
Métodos SPC clássicos, como X e gráficos R , foram desenvolvidos na era da

massificação produção de peças idênticas. Os ciclos de produção geralmente duravam
semanas, meses ou até mesmo anos. Muitos de o “SPC regras de dedão" atualmente
em usar eram criada para esse situação. Por exemplo, a regra de que os limites de
controle não devem ser calculados até que os dados estejam disponíveis no no ao
menos 25 subgrupos de cinco. Esse poderia não ter estive a problema em 1930, mas
isto certamente é hoje. Em facto, muitos inteiro Produção corre envolver menos peças
que obrigatório para começar a gráfico de controle padrão!
Muitos vezes o habitual S PC métodos pode ser modificado um pouco para
trabalhar com curto e pequenas corridas. Por exemplo, gráficos de controle X e R
podem ser criados usando médias móveis e amplitudes móveis (Pyzdek, 1989). No
entanto, existem métodos SPC que são específicos principalmente adequado para
aplicação em tiragens curtas ou pequenas.
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:
1. Método exato . Tabelas de constantes de gráficos de controle especiais são

usadas para criar X , X e gráficos R que compensam o fato de que um número
limitado de subgrupos estão disponíveis para calcular os limites de controle.
O método exato também é usado para calcular ao controle limites quando
usando a código valor gráfico ou estabilizado x ou x e R gráficos (veja abaixo).
O método exato permite o cálculo dos limites de controle que estão corretos
quando apenas uma pequena quantidade de dados está disponível. Quanto
mais dados tornar disponível o método exato atualiza os limites de controle
até que, finalmente, não lá atualizações são obrigatório e padrão ao
controle gráfico fatores pode ser usado (Pyzdek, 1992a).
2. Gráficos de valor de código . Cartas de controle criadas pela subtração
nominal ou outras valores-alvo das medições reais. Esses gráficos geralmente
são padronizados para que as unidades de medida sejam convertidas em
números inteiros. Por exemplo, se as medições estão em milésimos de
polegada uma leitura de 0,011 polegadas acima nominal seria registrado
simplesmente como “11”. Os gráficos de valor de código permitem que o
usuário plotar várias partes de um determinado processo em um único
gráfico ou plotar várias características de uma única peça no mesmo gráfico
de controle. O método exato pode ser usado para ajustar os limites de controle
quando os gráficos de valor de código são criados com limites citado dados.
3. Cartas de controle estabilizadas para variáveis . Os estatísticos sabem sobre o
nor- realizando transformações por muitos anos. Esta abordagem pode ser
usada para criar gráficos de controle que são independentes da unidade de
medida e dimensionados de tal forma forma que várias características
diferentes podem ser plotadas no mesmo controle gráfico. Como os gráficos
de controle estabilizados são independentes da unidade de medida, eles
podem ser considerados verdadeiros gráficos de controle de processo . O método
exato ajusta o limites de controle para estabilizado gráficos criados com
limitado dados.
Exato Método de Informática Ao controle Limites para Curto e Pequeno Corre

Esse procedimento, adaptado de Hillier (1969) e Proschan e Selvagem (1960), aplica-se
para curto corre ou qualquer situação onde a pequeno número de subgrupos vai ser
usado para definir acima a ao controle gráfico. É composto de três etapas:
1. Encontrando o processo (estabelecendo estatístico ao controle)

2. Contexto limites para o restante do inicial correr
3. Contexto limites para futuro corre
O procedimento corretamente compensa para o incertezas envolvido quando

computa- ing limites de controle com pequenas quantidades de dados.
Estágio Um: Encontrar o Processo

1. Colete uma amostra inicial de subgrupos ( g ). Os fatores recomendados
número mínimo de subgrupos são mostrados no Apêndice 10 em um fundo
escuro caixa. Se não for possível obter o número mínimo de subgrupos, use o
constante da carta de controle apropriada para o número de subgrupos que
você realmente ter.
2. Usando o Apêndice 10, calcule os limites de controle do gráfico de alcance
usando a equação superior ao controle limite para gamas (UCL R )  D 4 F  R.
_ Comparar o subgrupo gamas para a UCL R e elimine quaisquer grupos fora
de controle. Repita o processo até que todos restante intervalos de subgrupo
são menores do que UCL R.
3. Usando o valor de R encontrado na etapa 2, calcule os limites de controle para
as médias ou gráfico de indivíduos. Os limites de controle são encontrados
adicionando e subtraindo A 2F _  R da média geral. Elimine quaisquer
subgrupos que estejam fora de controle médias e recalcular. Continue até que
todos os valores restantes estejam dentro do ao controle limites. Vá para o
estágio dois.
Estágio Dois: Definir Limites para Restante de o Inicial Correr

1. Usando Apêndice 10 co m pute o ao controle limites para o restante de o
correr. Usar o A 2 S fatores para o X e o D 4S fatores para a carta R ; g _ o
número de grupos usado para calcular estágio um ao controle limites.
Estágio Três: Definir Limites para a Futuro Correr

1. Após a conclusão da execução, combine os dados brutos de toda a execução e
per- forma o análise como descrito em estágio um acima. Usar o resultados de
esse analis- mana para definir limites para o próximo correr, seguindo o
estágio dois procedimento. Se mais que 25 grupos Estão disponíveis, usar um
padrão mesa de controle constantes do gráfico.
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
quando
suficiente
dados são
acumulados.
3. As constantes do gráfico de controle para o primeiro estágio são A 2 F e D4F _ _

(o subscrito F significa primeiro estágio); para o segundo estágio, use A 2 S e D 4
S
. Esses fatores correspondem correspondem aos fatores A 2 e D 4 normalmente
utilizados, exceto que são ajustados para o pequeno número de subgrupos
realmente disponíveis.
Configurar Aprovação Procedimento

O procedimento a seguir pode ser usado para determinar se uma configuração é
aceitável usando um número relativamente pequeno de unidades amostrais.
1. Depois o configuração inicial, correr 3 para 10 peças sem ajustando o processo .

2. Calcular a média e o intervalo da amostra.
3.  média  alvo 
Calcular T   
 alcance 
Use valores absolutos (ou seja, ignore quaisquer sinais de menos). O valor
alvo é geralmente o ponto médio de especificação ou nominal.
4. Se T é menos que o crítico T em Mesa 8.8 aceitar o configurar. De outra
forma ajustar o configurar para trazer isto mais perto para o alvo.
OBSERVAÇÃO: lá é aproximadamente 1 chance em 20 que um no alvo
processo vai falhar esse teste.
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
MESA _ 8.8 Crítico Valor para Configurar Aceitação
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
MESA _ 8.9 Cru Dados para Exemplo de Exato Método

Usando o dados em Mesa 8.9 nós pode calcular o grande média e média faixa
como grande média  0:10053
Média faixa ( R )  0:00334

De Apêndice 10 nós obtivermos o primeiro estágio constante para o faixa gráfico
de D 4 F 
2.4 em o linha para g  5 grupos e a subgrupo tamanho de 3.
Por isso,
UCL R  D 4 F  R  2.4  0,00334  0,0080
Todas as faixas estão abaixo deste limite de controle, então podemos proceder à
análise de o médias gráfico. Se qualquer R era acima o ao controle limite, nós seria
tentar para determinar por que antes processo.
Para o gráfico de médias que obtemos
LCL  grande média  A 2F _  R

X
 0,10053  1.20  0,00334  0,09652 (arredondado)
UCL  grande média  A 2F _  R

X
 0,10053 + 1.20  0,00334  0,10454 (arredondado)

Todas as médias dos subgrupos estão entre esses limites. Agora estabelecendo
limites para o restante da corrida usamos D4S _ _  3.4 e A 2 S  1.47. Isso dá, após o
arredondamento,
UCL R  0,01136
LCLX  0,09562
UCLX  0,10544
Se desejado, este procedimento pode ser repetido quando um número maior de

subgrupos torna-se disponível, dizer 10 grupos. Esse seria fornecer de alguma forma
melhorar estimativas de o ao controle limites, mas isto envolve considerável
administrativo a sobrecarga. Quando o inteiro correr é finalizado você vai ter 10
subgrupos de 3 por subgrupo. O dados de todos de esses subgrupos deve ser usado
para calcular estágio um e estágio dois ao controle limites. O resultante estágio dois ao
controle limites seria então ser aplicado para o próximo correr de esse papel número.
Aplicando este método em conjunto com os gráficos de valores de código ou
estabilizados gráficos descritos abaixo, os limites de controle podem ser aplicados às
próximas peças produzidas em este processo (assumindo que a diferença entre partes
pode ser desprezível). Note que se os fatores do gráfico de controle padrão foram
usados, os limites para ambos os estágios seriam (valores são arredondado)
UCL R  0,00860
LCLX  0,09711
UCLX  0,10395
Como o número de subgrupos disponível para Informática o ao controle limites

aumenta, o "curto correr" ao controle limites abordagem o padrão ao controle limites.
No entanto, se o padrão ao controle limites são usado quando apenas pequeno
quantidades de dados são disponível lá é a maior chance de erroneamente rejeitando
a processo que é na verdade em ao controle (Hilier, 1969).
Código Valor Gráficos

Esse procedimento permite o ao controle de múltiplo características com a solteiro
ao controle gráfico. Isto consiste em fazer uma simples transformação nos dados, ou
seja,
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.)
F IGURA 8.21 Alguns de o engrenagem espaços em branco para ser usinado.
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
MESA _ 8.10 Desvio de Alvo em Centésimos milésimos
Com base nessas conclusões, a tabela de valores do código é recomendada.

Usando o código valor gráfico o quantia de papelada vai ser reduzido e mais dados
vai ser aproveitar- capaz para contexto ao controle limites. Também, o processo
história vai ser mais fácil para seguir desde o Informação não vai ser fragmentado
entre diversos diferente gráficos. O dados em Mesa 8.10 mostrar alguns dos primeiros
resultados.
Observação que o processo deve ser capaz para produzir o mais apertado tolerância
de  0,0005 polegadas. O capacidade análise deve indicar isso é habilidade para fazer
esse; que é, C PK deve ser no ao menos
1.33 baseado sobre o mais apertado tolerância. Isto vai não ser permitido para deriva
ou deteriorar quando
o menos rigorosamente tolerado peças são produzido. Processo ao controle é
independente de o requisitos do produto. Permitir que o processo se degrade ao seu
pior nível aceitável (da perspectiva do produto) cria pesadelos de engenharia quando
o mais firmemente tolerado peças vir junto de novo. Isto também confunde e
desmoraliza operadores e outro- ers tentando manter altos níveis de qualidade. Na
verdade, pode ser melhor publicar apenas o processo desempenho requisitos e para
manter o produtos requisitos segredo.
O gráfico de controle dos dados da Tabela 8.10 é mostrado na Fig. 8.22. Desde
apenas nove grupos estavam disponíveis, o método exato foi usado para calcular os
limites de controle. Observação que o gráfico de controle mostra os desvios no x e eixos
do gráfico R , não o real medido dimensões, Para exemplo, o valor de Papel A,
subgrupo 1, amostra 1 era
 0,00004 polegadas do valor alvo de 1,0000 polegadas e é mostrado como um desvio
de  4 centésimos de milésimo; ou seja, a peça verificada 1,00004 polegadas. O
controle do primeiro estágio gráfico mostra que o processo está obviamente sob
controle estatístico, mas está produzindo peças que são consistentemente também
grande sem considerar de o nominal dimensão. Se o processo eram no alvo, a média
geral seria muito próxima de 0. O problema de configuração teria estive detectou por
o segundo subgrupo se o configurar aprovação procedimento descrito mais cedo
neste capítulo foram seguidos.
Essa capacidade de ver o desempenho do processo em diferentes números de peça
é uma das vantagens dos gráficos de valor de código. É uma boa prática realmente
identificar as mudanças no números de peças nas tabelas, como é feito na Fig. 8.22.
valor do código Tabela SPC

desvios de nominal em centésimos de milésimos
30
UCL
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
F IGURA 8.22 Código valor gráfico de Mesa 8.10 dados.
estabilizado Ao controle Gráficos para Variáveis

Todos ao controle limites, para padrão tamanho corre ou curto e pequeno corre, são
baseado sobre métodos que determinam se uma estatística de processo cai dentro dos
limites que podem ser esperados de variação casual (causas comuns) sozinha. Na
maioria dos casos, a estatística é baseada em medições do processo e está na mesma
unidade de medida do processo Medidas. Como vimos com gráficos de valor de
código, às vezes é útil transformar os dados de alguma forma. Com gráficos de valor
de código, usamos uma transformação simples que removeu o efeito de alterar as
dimensões nominais e de destino. Embora útil, este abordagem ainda exige que todas
as medições estejam nas mesmas unidades de medida, por por exemplo, todas as
polegadas, todas as gramas, etc. Por exemplo, todas as variáveis no gráfico de controle
para o diferente engrenagem espaços em branco tive para ser em unidades de
centésimos de milésimos de um polegada. Se nós também queria traçar, por exemplo,
a perpendicularidade de duas superfícies na engrenagem em branco, precisaríamos
de um gráfico de controle separado porque as unidades estariam em graus em vez de
polegadas.
Gráficos de controle estabilizados para variáveis superam o problema das
unidades de medida converter todas as medições em unidades padrão não
dimensionais. Essa “padronização “transformações” não são novas, elas existem há
muitos anos e são comumente usado em todos os tipos de análises estatísticas. As
duas transformações que seremos usando aqui são mostrados nas Eqs. (8.38) e (8.39).
RR
( X  grande média)
R
(8.38)
(8.39)
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
( X  grande média) (8.40)


AA  
2 2
R
para o indivíduos ou médias gráfico. Limites de controle são

R
D  D
(8.41)
3 4
R
para o gráfico de alcance. Duncan (1974) descreveu uma transformação semelhante
para atributo gráficos, gráficos p em particular (veja abaixo), e chamou o gráfico
resultante de “ p estabilizado gráfico." Nós vai chamar gráficos de o transformado
variáveis dados estabilizado gráficos como bem.
estabilizado gráficos permitir você para trama múltiplo unidades de medição sobre
o mesmo ao controle gráfico. O procedimento descrito em esse capítulo para
estabilizado variáveis gráficos requer que todos subgrupos ser de o mesmo tamanho. 
O procedimento para estabilizado atributo gráficos, descrito
mais tarde em esse capítulo permite variando subgrupo tamanhos. Quando usando
estabilizado gráficos o vigarista- os limites de controle são sempre fixos. Os dados
brutos são “transformados” para corresponder à determinação da escala. minado por
o ao controle limites. Quando apenas limitado quantidades de dados são disponível, o
constantes em Apêndice Mesa 12 deve ser usado para Informática ao controle limites
para estabilizado variáveis gráficos. Como mais dados tornar-se disponível, o Apêndice
Mesa 9 constantes abordagem o vigarista- constantes em padrão mesas de ao controle
gráfico fatores. Mesa 8.11 resume o ao controle limites para estabilizado médias,
estabilizado gamas, e estabilizado indivíduos ao controle gráficos. O valores para A 2 ,
D 3 , e D 4 pode ser encontrado em padrão ao controle gráfico fator tabelas.
Exemplo
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
 O procedimento para gráficos de atributos estabilizados, descritos posteriormente neste capítulo,

permite variar tamanhos.
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
MESA _ 8.11 Ao controle Limites para estabilizado Gráficos
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
para o gamas ao controle gráfico. O real valores de o constantes A 2 , D 3 , e D 4

depender sobre o tamanho do subgrupo; para subgrupos de três A 2  1.023, D 3  0 e
D 4  2.574.
O capacidades são mostrando em Mesa 8.12.
Uma amostra de três será tomada para cada recurso. Os três padrões de
concentração de chumbo as amostras são tiradas em três locais diferentes no tanque.
Os resultados de um desses conjuntos de amostra Medidas é mostrando em Mesa
8.13, junto com deles estabilizado valores.
Sobre o ao controle gráfico apenas o extremo valores são plotado . Figura 8.23 shows a
estabilizado ao controle gráfico para diversos subgrupos. Observar que o recurso
responsável para o traçado ponto está escrito no gráfico de controle. Se uma longa
série de valores maiores ou menores vier de o mesmo recurso isto é um indicação que
o recurso tem mudado. Se o processo é em controle estatístico para todas as feições, a
feição responsável pelos valores extremos será variar aleatoriamente.
Recurso Código Recurso GrandeAvg. média Faixa

A Liderar % 10% 1%
B Revestimento grossura 0,005 em 0,0005 em
C Resistência 0,1  0,0005 
MESA _ 8.12 Processo Capacidades para Exemplo

Número Liderar % (A) Espessura (B) Resistência (C)

1 11% 0,0050 em 0,1000 
2 11% 0,0055 em 0,1010 
3 8% 0,0060 em 0,1020 
10% 0,0055 em 0,1010 
x
R 3% 0,0010 em 0,0020 
( x  x )/ R 0 1 2
R/ R 3 2 4
MESA _ 8.13 Amostra Dados para Exemplo
F IGURA 8.23 estabilizado ao controle gráfico para variáveis.
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
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
MESA _ 8.14 PWB fabuloso Processo Capacidades e CEP Plano
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.
Atributo CEP para Pequeno e Curto Corre

Quando os dados são difíceis de obter, como é usual quando pequenas ou curtas
tiragens estão envolvidas, variáveis SPC devem ser usadas se possível. Uma medição
de variáveis em um contínuo A escala global contém mais informações do que uma
classificação de atributos discretos fornece. Por exemplo, uma máquina está cortando
um pedaço de tubo de metal no comprimento. as especificações chamar para o
comprimento para ser entre 0,990 e 1.010 polegadas com o preferido comprimento ser
1.0 polegada exatamente. Lá são dois métodos disponível para verificando o
processo. Método 1 envolve medindo o comprimento de o tubo com a micrômetro e
gravação o resultado para a 0,001 polegada mais próxima. O método 2 envolve
colocar a peça acabada em uma posição “go/no-go”. calibrar." Com método 2 a papel
que é mais curta que 0,990 polegada vai ir em o "não vá" por- ção de o calibrar,
enquanto a papel que é mais longo que 1.010 polegadas vai falhar para ir em o "ir"
parte de o calibrar. Com método 1 nós pode determinar o tamanho de o papel para
dentro de 0,001 polegada. Com método 2 nós pode apenas determinar o tamanho de o
papel para dentro de 0,020 polegada; que é, qualquer isto é dentro de o tamanho
tolerância, isso é também curto, ou isso é também longo. Se o processo poderia
segurar a tolerância de menos que 0,020 polegada, método 1 seria fornecer o necessário
informa- ção para manter o processo na variabilidade que ele é capaz de suportar. O
método 2 não detectar a processo deriva até fora de tolerância peças eram na verdade
produzido.
Outra maneira de olhar para os dois métodos diferentes é considerar cada parte
como pertencentes a uma categoria distinta, determinada pelo comprimento da peça.
O método 1 permite qualquer parte que está dentro da tolerância para ser colocada
em uma das vinte categorias. quando fora de peças de tolerância são consideradas, o
método 1 é capaz de colocar peças em ainda mais do que vinte categorias diferentes.
O método 1 também nos diz se a peça está na melhor categoria, ou seja, dentro de 
0,001 polegada de 1,000 polegada; caso contrário, sabemos a que distância a peça está
do melhor categoria. Com o método 2, podemos colocar uma determinada peça em
apenas três categorias: muito curto, dentro da tolerância ou muito longo. Uma parte
muito curta será colocada no mesmo categoria como uma parte que é apenas um pouco
curta. Uma peça que mal esteja dentro da tolerância ser colocado na mesma categoria
como uma peça com exatamente 1.000 polegadas de comprimento.
Apesar das desvantagens, às vezes é necessário usar dados de atributos. Espec-

métodos sociais devem ser usados para dados de atributos usados para controlar
processos de curto prazo. Nós descreverá dois desses métodos:
 estabilizado atributo ao controle gráficos

 Demérito ao controle gráficos
estabilizado Atributo Ao controle Gráficos

Quando plotagem atributo dados Estatisticas de curto correr processos dois
dificuldades são tipo- icamente encontrado:
1. variando subgrupo tamanhos

2. A pequeno número de subgrupos por execução de produção
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 três Uma operação de soldagem em oficina produz pequenas quantidades de

“um pedido apenas" Unid. No entanto, o Operação sempre envolve juntando-se peças
de semelhante material e semelhante tamanho. O processo ao controle estatística é
soldar imperfeições por 100 polegadas de soldar.
O técnicas usado para criar estabilizado atributo ao controle gráficos são todos
baseado sobre cor- respondendo a métodos clássicos de gráficos de controle de
atributos. Existem quatro tipos básicos de controlar gráficos envolvidos:
1. estabilizado p gráficos para proporção de defeito unidades por amostra

2. estabilizado gráficos np para o número de unidades defeituosas por amostra
3. estabilizado c gráficos para o número de defeitos por unidade
4. estabilizado você gráficos para o número médio de defeitos por unidade
Todos destes gráficos são baseado em a transformação

estatística de amostra  processo
Z média processo padrão desvio (8.42)
Em outras palavras, gráficos estabilizados são gráficos do número de desvios

padrão (mais ou menos) entre a estatística da amostra e a média do processo de longo
prazo. Desde ao controle limites são convencionalmente definir no  3 padrão desvios,
estabilizado ao controle gráficos sempre tenha o limite de controle inferior em -3 e o
limite de controle superior em  3. Tabela 8.15 resume o controle equações limite para
controle estabilizado gráficos para atributos.
Quando aplicados a corridas longas, os gráficos de atributos estabilizados são
usados para compensar variando amostra tamanhos; processo médias são assumiu
para ser constante. No entanto, estabilizado gráficos de atributos podem ser criados
mesmo que a média do processo varie. Isso é feito frequentemente ao aplicar esta
técnica a pequenas tiragens de peças que variam muito em média qualidade. Por
exemplo, um processo de soldagem por onda usado para vários mísseis tinha placas
que variou em complexidade de menos de 100 juntas de solda para mais de 1.500
juntas de solda. Tabelas 8.16 e 8.17 mostrar como o situação é manuseado para criar a
estabilizado você gráfico. O o tamanho da unidade é de 1.000 derivações, definido
arbitrariamente. Não importa o tamanho da unidade definido, o os cálculos ainda
produzirão o resultado correto, pois o número real de derivações é dividido pelo
tamanho da unidade selecionada. você é o número médio de defeitos por 1.000 leads.
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
por unidade )/ 
MESA _ 8.15 estabilizado Atributo Gráfico Estatisticas

Míssil Quadro Pistas Unidades/Conselho você

Fénix A 1.650 1,65 16
B 800 0,80 9
C 1.200 1.20 9
REBOCAR D 80 0,08 4
E 50 0,05 2
F 100 0,10 1
MESA _ 8.16 Dados de a Aceno Solda Processo
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:
1. Eles converter a número que é fácil para entender, o número de defeitos ou

defeituosos, em uma estatística confusa sem significado intuitivo.
2. Eles envolvem cálculos tediosos.
Não. Quadro você Unidad amostrado n r Defeitos você Z

es
1 E 2 0,05 10 0,50 2,00 3 6,00 2,00
2 A 16 1,65 1 1,65 3.11 8 4,85  3,58
3 A 16 1,65 1 1,65 3.11 11 6.67  3,00
4 B 9 0,80 1 0,80 3.35 0 0,00  2,68
5 F 1 0,10 2 0,20 2.24 1 5,00 1,79
6 E 2 0,05 5 0,25 2.83 2 8h00 2.12
7 C 9 1.20 1 1.20 2.74 25 20.83 4.32
8 D 4 0,08 5 0,40 3.16 5 12h50 2.69
9 B 9 0,80 1 0,80 3.35 7 8,75  0,07
10 B 9 0,80 1 0,80 3.35 7 8,75  0,07
MESA _ 8.17 estabilizado você Gráfico Dados para Aceno Solda

F IGURA 8.24 Ao controle gráfico de Z valores de Mesa 8.17.
O item 1 só pode ser corrigido com treinamento e experiência na aplicação da

técnica. O item 2 pode ser manuseado com computadores; os cálculos são simples de
realizar com um planilha. A Tabela 8.17 pode ser usada como um guia para configurar
a planilha. barato computadores de mão ativos podem ser usados para realizar os
cálculos diretamente no processo, por isso Fazendo o resultados disponíveis
imediatamente.
Demérito Ao controle Gráficos

Conforme descrito acima, existem dois tipos de dados comumente usados para
executar o SPC: variáveis dados de habilidades e dados de atributos. Quando estão
envolvidas corridas curtas, raramente podemos arcar com as Informação perda que
resultados de usando atributo dados. No entanto, o seguindo são caminhos de
extraindo informações adicionais de dados de atributos:
1. Fazendo o atributo dados "menos discreto" por adicionando mais classificação

categorias.
2. Atribuindo pesos para as categorias para acentuar Niveis diferentes de
qualidade
Considerar a processo que envolve fabricando a substrato para a híbrido

microcircuito. O superfície características de o substrato são extremamente importante.
O "ideal papel" vai ter a suave superfície, completamente livre de qualquer visível
imperfeições ou manchas. No entanto, peças são às vezes produzido com manchas,
poços, vazios, rachaduras, e outro superfície defeitos. Embora indesejável, maioria de o
menos que ideal peças são ainda aceitável para o cliente.
Se aplicarmos métodos SPC de atributos convencionais a este processo, os
resultados provavelmente seria decepcionante. Uma vez que muito poucas peças são
realmente rejeitadas como não aceitável, um gráfico p padrão ou gráfico p estabilizado
provavelmente mostraria uma linha plana em “zero defeitos” na maioria das vezes,
mesmo que o nível de qualidade possa ser inferior ao parte ideal alvo. Variáveis
métodos SPC não podem ser usados porque dados de atributos como “manchas” não
são facilmente medidas em uma escala de variáveis. Os gráficos de controle de
demérito oferecem uma eficaz método de aplicação do SPC nesta situação.
Para usar gráficos de controle de demérito, devemos determinar quantas
imperfeições de cada tipo são encontrado em o peças. Pesos são atribuído para o
diferente categorias. O qualidade
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
MESA _ 8.18 Demérito pontuações para Substratos
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 _ _
O correspondente pesos poder ser W 1  10, W 2  5, C 3  1. Usando esse notação nós

calcular o padrão de demérito desvio para estes três exemplo de categoria como
D _  Para o
W12 c1 + W22 c2 + W3 2 3c
caso Geral o padrão desvio é
(8.44)
D _ 
(8.45)
O ao controle limites
são
LCL  D  3  (8.46)
D (8.47)
UCL  D  3 
D
Se o controle inferior limite é negativo, isto está definido para zero.
simplificado Qualidade Pontuação Gráficos

O procedimento acima, embora correto, às vezes pode ser muito pesado para
implementar efetivamente. Quando este for o caso, uma abordagem simplificada pode
ser usada. o simplificado abordagem é resumido da seguinte forma:
1. Classifique cada parte do subgrupo nas seguintes classes (os pesos são
arbitrário).
Aula Descrição Pontos

A Preferido qualidade. Todos produtos características no ou 10
muito aproximar alvos.
B Aceitável qualidade. Alguns produtos características ter 5
partiu significativamente dos níveis de qualidade alvo,
mas são um método seguro distância de o rejeitar
limites.
C Marginal qualidade. Um ou mais produtos 1
características são em iminente perigo de
excedendo rejeitar limites.
D Rejeitar qualidade. Um ou mais produtos 0
características falhar para encontrar mínimo
aceitabilidade requisitos.
2. Trama o total pontuações para cada subgrupo, guardando o subgrupo

tamanhos constante.
3. Trate os escores totais como se fossem dados variáveis e prepare um e em
movimento faixa ao controle gráfico ou um x e R gráfico. Esses gráficos são
descrito em Pyzdek (1989) e na maioria dos textos sobre SPC.
Resumo de Curto Prazo CEP

Pequenas tiragens e tiragens curtas são comuns em ambientes de negócios modernos.
Diferente estratégias são necessárias para lidar com essas situações. O planejamento
prévio é essencial. Espec- oficial variáveis técnicas eram introduzido qual compensar
para pequeno amostra tamanhos e tiragens curtas usando tabelas especiais ou
transformando matematicamente as estatísticas e gráficos. Foram introduzidos
métodos SPC de atributos de curto prazo que criam padrões de processo mais
evidente quando pequenas tiragens são produzidas. Os sistemas de demérito e
pontuação foram introduzidos produzido que extraem mais informações dos dados
de atributo.
CEP Técnicas para automatizado Manufatura
Muitos pessoas erroneamente acreditar que Estatisticas são não necessário quando
automatizado manu- processos de fabricação estão envolvidos. Uma vez que temos
medições de cada unidade produzidos, raciocinam eles, os métodos de amostragem
são inapropriados. Vamos simplesmente corrigir o processo quando a característica
não está no alvo.
Esse atitude reflete a fundamental mal-entendido de o relação entre a processo e o

saída de a processo. Isto também shows a falta de apreciação para o intrínseco
variabilidade de processos e de Medidas. O facto é, até se você ter a "completo" dados
registro de todo recurso de todo papel produzido, você ainda ter apenas a amostra de
o saída do processo. O processo é orientado para o futuro no tempo, enquanto o
registro da certezas é orientada para o passado. A menos que o controle estatístico seja
obtido, você não conseguirá usar o dados de passado Produção para prever o
variabilidade de o processo em o futuro (Ver "Comum e Especial Causas de Ao
controle" para o definição de ao controle). E com- fora estatístico ferramentas você ter
não som base para o crença que estatístico ao controle existe.
Outra razão pela qual o controle do processo deve ser baseado em uma
compreensão e correta o uso de métodos estatísticos é o efeito de fazer mudanças sem
esse entendimento. Considerar, por exemplo, a seguir regra de ajuste do processo:
Medir o diâmetro de o engrenagem haste. Se o diâmetro é acima o nominal tamanho,
ajustar o processo para reduzir o diâmetro. Se o diâmetro é abaixo o nominal tamanho,
ajustar o processo para aumentar o diâmetro.
O problema com essa abordagem é descrito pelas “regras do funil” de Deming

(ver acima). Esta abordagem para o controle do processo aumentará a variabilidade
de um sistema estatisticamente controlada processo por 141%, certamente não o que o
processo ao controle analista tive em mente. A raiz do problema é a falha em perceber
que a medição da peça é uma amostra do processo e, embora forneça informações
sobre o estado do processo, a informação está incompleta. Somente através do uso de
métodos estatísticos adequados é que o informações sejam extraídas, analisadas e
compreendidas.
problemas com Tradicional CEP Técnicas

A fundamental suposição subjacente tradicional técnicas SPC é que o observado os
valores são independentes um do outro. Embora as ferramentas SPC sejam bastante
insensíveis a moderado violações de esse suposição (Rodador, 1991), automatizado
fabricação pró- processos muitas vezes violação o suposição por suficiente para fazer
tradicional métodos falhar (Alwan e Roberts, 1989). Usando diagramas de dispersão,
conforme descrito no Cap. 10, você pode determinar mina se a suposição de
independência for satisfeita para seus dados. Se não, você deve considerar usando o
métodos descrito abaixo em vez de de o tradicional CEP métodos.
Uma reclamação comum sobre os métodos SPC fora do padrão é que eles
geralmente são mais complexos do que os métodos tradicionais (Wheeler, 1991). Isso
geralmente é verdade. Como- sempre, quando se trata de processos de fabricação
automatizados, a análise geralmente é manipulado por um computador. Como a
complexidade da análise é totalmente invisível para o humano operador, isto faz
pequeno diferença. De curso, se o operador vai ser obrigatório para agir baseado
sobre o resultados, ele ou ela deve entender como o resultados são para ser usado. O
técnicas descritas neste capítulo que requerem ação humana são interpretadas em da
mesma forma que as técnicas tradicionais de SPC.
Especial e Comum Causa Gráficos

Quando usando tradicional técnicas de SPC as regras são sempre o mesmo,
nomeadamente
1. Como longo como o variação em o estatística ser traçado restos dentro de o ao
controle limites, deixar o processo sozinho.
2. Se um ponto traçado excede um controle limite, procure a causa.
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:
 Eles pode ser usado quando processos tem inerente deriva.

 EWMA gráficos fornecer a previsão de onde o próximo processo medição vai
ser. Isso permite o controle de feed-forward.
 EWMA modelos pode ser usado para desenvolver procedimentos para
dinâmico processo ao controle, conforme descrito posteriormente nesta seção.
EWMA Comum Causa Gráficos

Ao lidar com um processo essencialmente estático, o valor previsto da média idade de
todo amostra é simplesmente o grande média. EWMA gráficos, sobre o outro mão,
usar o real processo dados para determinar o previsto processo valor para processos
que poderia estar à deriva. Se o processo tiver tendências ou componentes cíclicos, o
EWMA refletirá o efeito desses componentes. Além disso, o gráfico E WMA produz
uma previsão de qual será o próximo amostra significar vai ser; o tradicional x gráfico
apenas shows o que o processo era fazendo no momento em que a amostra foi
coletada. Assim, o gráfico EWMA pode ser usado para tomar medidas preventivas.
ação ativa para prevenir um processo de ir também longe de o alvo.
Se o processo tem inerente não aleatório componentes, um EWMA comum causa
gráfico deve ser usado. Este é um gráfico EWMA com limites de ação econômica em
vez de controle limites. Os gráficos de controle EWMA, descritos na próxima seção,
podem ser usados para monitor processos que variam dentro dos limites de ação.
A equação para calcular o EWMA é
E W M A  yˆ t   ( y t
 yˆ t )
(8.48)
1.000
0,900
X Chart
0,800
0,700 EWMA chart, h = 0.4
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
F IGURA 8,25 X contra EWMA ponderação.
Em esse equação y ˆ t é o predito _ _ valor de y a t período de tempo d t , e t eu sou

o valor real em _ _ tempo período t , e  é a constante entre 0 e 1. Se  é fechar para 1,
Eq. (8,48 ) vai dar pouco peso aos dados históricos; se  está próximo de 0, então as
observações atuais serão dadas pouco peso. EWMA também pode ser pensado como o
valor de processo previsto no tempo período t  1, em outras palavras , E W M A  y ˆ
t1
.
Desde maioria pessoas um já entender o tradicional x gráfico, pensamento sobre o
relação entre gráficos X e gráficos EWMA pode ajudá-lo a entender o EWMA gráfico.
É interessante notar que o X tradicional gráficos dão 100% do peso para o amostra atual
e 0% para dados passados. Isso é aproximadamente equivalente à configuração   1
em um EWMA gráfico. Em outro palavras, o tradicional x gráfico pode ser
pensamento de como a especial tipo do gráfico EWMA onde os dados anteriores são
considerados sem importância (assumindo que os testes de execução não são
aplicadas ao gráfico de Shewhart). Isso é equivalente a dizer que os pontos de dados
são todos independentes uns dos outros. Em contraste, o gráfico EWMA usa as
informações de todas as amostras anteriores. Embora a Eq. (8.48) pode parecer que
está usando apenas o resultados do ponto de dados mais recente, na realidade, o
esquema de ponderação EWMA se aplica progressivamente menos peso para cada
exemplo _ _ resultado como tempo passa. Figura 8.25 compara o esquemas de
ponderação de EWMA e x gráficos.
Em contraste, como  abordagens 0 o EWMA gráfico começa para comportar-se
como a cusum gráfico. Com um gráfico cusum, todos os pontos anteriores recebem o
mesmo peso. Entre os dois extremos, o gráfico EWMA pondera os dados históricos em
importância em algum lugar entre o gráfico de Shewhart tradicional e o gráfico de
cusum. Mudando o valor de  o gráfico de comportamento pode ser “ajustado” para o
processo que está sendo monitorado.
Além da ponderação, existem outras diferenças entre o gráfico EWMA e a x
gráfico. A “previsão” do x gráfico é sempre o mesmo : os próximos dados apontar vai
ser igual para o histórico grande média. Em outro palavras, o x gráfico guloseimas
todos
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.
EWMA Ao controle Limites

Embora isto é não sempre necessário para colocar ao controle limites sobre o EWMA
gráfico, como mostrando por o acima exemplo, isto é possível para fazer então
quando o situação chamadas para isto. Três sigma ao controle limites para o EWMA
gráfico são calculados baseado em
 2EWMA   2     (8.49)
 (2  
)
 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
 O iniciando EWMA é qualquer o alvo, ou, se lá é não alvo, o primeiro observação.

†
Erro = Na verdade observação − EWMA. Realmente,  2  123  125.
‡
Outro que o primeiro amostra, todos EWMA são calculado como EWMA  durar EWMA    erro. Por
exemplo, 123.2 
125  0,9  (  2).
MESA _ 8.19 Dados para EWMA Gráfico de Areia Temperatura
266
F IGURA 8.26 EWMA gráfico de areia temperatura.
Para a areia exemplo de temperatura acima,   0:9 que dá
 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
F IGURA 8.27 EWMA ao controle gráfico de areia temperatura.

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.
MinitabName EWMA Exemplo

O Minitab possui um recurso de análise EWMA integrado. Repetiremos nossa análise
para o dados de temperatura da areia. Escolha Stat > Control Charts > EWMA e você
verá um dia- registro caixa semelhante para o um mostrando em Figo. 8.28. Entrando
o peso de 0,9 e a subgrupo tamanho de 1 e, em seguida, clicando em OK, produz o
gráfico da Fig. 8.29.
Você pode perceber que os limites de controle calculados com o Minitab são
diferentes dos calculados no exemplo anterior. A razão é que a estimativa do Minitab
de sigma é baseado na amplitude móvel média. Este método dá um valor sigma de
7,185517, substancialmente inferior à estimativa de 15,37 obtida pelo simples cálculo
sigma combinando todos os dados. A abordagem do Minitab remove o efeito do
processo deriva. Se esse efeito deve ou não ser removido da estimativa de sigma é
uma questão pergunta interessante. Na maioria das situações, provavelmente
queremos removê-lo para que nosso controle gráfico será mais sensível, permitindo-
nos detectar mais causas especiais para remoção. No entanto, como este exemplo
Pr o c e s s B e h a v i o r C h a r t s
ilustra, a situação nem sempre é clara. na situa- ção descrita pelo exemplo, podemos
269
realmente querer incluir a variação de deriva em o ao controle limite cálculos prevenir
operador adulteração.
F IGURA 8.28 MinitabName EWMA diálogo caixa.
Gráfico EWMA para temperatura da areia
140
130 UCL = 132,6
120
EWMA
110 Significar = 113,1
100
90 LCL = 93,60
80
0 1020
30 40
Amostra número
FIGURAS _ 8.29 MinitabName EWMA gráfico.
EWMA Ao controle Gráficos contra indivíduos Gráficos

Em muitos casos, um gráfico de controle individual ( gráfico I ) fornecerá resultados
comparáveis aos Carta de controle EWMA. Quando este for o caso, geralmente é
melhor optar pelo mais simples I gráfico. Um EU gráfico é mostrando em Figo. 8h30
para comparação com o EWMA gráfico. O resultados são muito semelhante ao
EWMA gráfico do Minitab.
Eu gráfico para temperatura de areia

150
140
130 UCL = 132,0

Individual value
120
110 Significar = 113,1
100
LCL = 94,23
90
80
0 1020
30 40
Observação número
F IGURA 8h30 EU gráfico para areia temperatura.
Especial Causa Gráficos

Se usando a EWMA comum causa gráfico sem ao controle limites ou um EWMA ao
controle gráfico, isto é a bom ideia para manter acompanhar de o previsão erros
usando a ao controle gráfico. O especial causa gráfico é a tradicional x gráfico, criada
usando o diferença entre o EWMA anterior- elenco e o real observado valores. Figura
8.31 shows o especial causa gráfico de o areia temperatura dados analisado acima. O
gráfico indica bom estatístico ao controle.
40,00
Error in forecast
30,00
20h00
10.00
0,00
10.00
20h00
30,00
40,00
F IGURA 8.31 causa especial gráfico de controle da EWMA erros.

CEP e Automático Processo Ao controle

À medida que o SPC cresceu em popularidade, seu uso foi exigido com mais e mais
pro- processos. Quando essa tendência atingiu os processos de fabricação
automatizados, houve resistência de analistas de controle de processo que estavam
aplicando uma abordagem diferente com sucesso considerável (Palm, 1990). Os
defensores do SPC tentaram forçar o uso de tra- técnicas SPC tradicionais como
mecanismos de feedback para controle de processo. Esta inapropria- A aplicação ate
do SPC foi denunciada corretamente pelos analistas de controle de processos. SPC é
projetado para servir a um propósito fundamentalmente diferente do controle
automático de processo (ACP). CEP advogados corretamente apontado fora que APC
era não a panacéia e que muitos processo controladores adicionado variação por
fazendo ajustes baseado sobre dados análise que foi estatisticamente inválido.
Ambos CEP e APC ter deles legítimo lugar em Seis Sigma. APC tentativas para
dinami- controlar cuidadosamente um processo para minimizar a variação em torno
de um valor alvo. Isso requer válido análise estatística, que é o domínio das ciências
estatísticas. O SPC distingue ção entre causas especiais e causas comuns de variação.
Se a APC responder a todos variação como se isto eram o mesmo isto vai resultado
em perdido oportunidades para reduzir variação atacando-o na fonte. A processo que
opera mais perto para o alvo sem corrigir- ção vai produzir menos variação geral que
a processo que é freqüentemente devolvida para o alvo através da APC. No entanto,
no vezes APC deve responder para comum causa variação que não pode ser
economicamente eliminado , por exemplo, o processo de molde descrito acima.
Apropriadamente usado, O APC pode reduzir bastante a variabilidade na saída.
Caçador (1986) shows que lá é a estatístico equivalente para o PID ao controle
equação comumente usado. A equação kPID é
você ( t )  Quando ( t ) 
e ( s ) ds   d e
KT (8,50)
1
T
1
 0D _
 d t 
O rótulo “PID” vem do fato de que o primeiro termo é um termo proporcional, o o
segundo um termo integral e o terceiro um termo derivado. Hunter modificou o
básico equação EWMA adicionando dois termos adicionais. O resultado é o controle
empírico equação .
yˆ t1
 y ˆ t   e t  2_ _  (8.51)
e.t_ _   3  e t
O termo  e t significa a primeira diferença dos erros e t , ou seja,  e t  e t  e t  1 .

Como a equação PID, a equação de controle empírica tem um proporcional, um
integral e um diferencial prazo. Isto pode ser usado por APC ou o resultados pode ser
traçado sobre a comum causa gráfico e reagiu para por humano operadores, como
descrito acima. A especial causa gráfico pode ser criada para acompanhar o erros em o
previsão de o empírico ao controle equação. Tal um
abordagem poderia ajuda para trazer CEP e APC junto para trabalhar sobre processo
melhoria.
distribuições
Métodos de Enumeração
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.
F IGURA 8.32 Multiplicação princípio aplicado para moeda flips.
O base para todos de o enumerativo métodos descrito aqui é o multiplicação

imprimir cípio. O multiplicação princípio estados que o número de possível resultados
de a Series de experimentos é igual para o produtos de o número de resultados de cada
experimentar. Para exemplo, considerar lançando a moeda duas vezes. Sobre o
primeiro virar lá são dois possível resultados (cara/coroa) e sobre o segundo virar lá
são também dois possível resultados. Por isso, o Series de dois flips pode resultado em
2  2  4 resultados. Figura 8.32 ilustra esse exemplo.
Um ordenou arranjo de elementos é chamado a permutação . Suponha que você ter
quatro objetos e quatro caixas vazias, uma para cada objeto. Considere quantos
diferentes caminhos o objetos pode ser colocada em o caixas. O primeiro objeto pode
ser colocada em qualquer de o quatro caixas. Uma vez esse é feito lá são três caixas
para escolher de para o segundo objeto, em seguida, duas caixas para o terceiro objeto
e, finalmente, uma caixa restante para o último objeto. Usando o princípio da
multiplicação, você descobre que o número total de arranjos dos quatro objetos nas
quatro caixas é 4  3  2  1 _ 24. Em geral, se houver n cargos a serem preenchido
com n objetos existem
n ( n  1) … (2) (1)  n ! (8.52)
possível arranjos. O símbolo n ! é ler n fatorial. Por definição, 0!  1.
Em aplicando probabilidade teoria para discreto variáveis em qualidade ao
controle nós freqüentemente encontram a necessidade de métodos eficientes de
contagem. Uma técnica de contagem que é especialmente úteis são as combinações. A
fórmula de combinação é mostrada na Eq. (8,53).
n!
Cn (8.53)
r
r !( n  r )!
combinações dizer como muitos exclusivo caminhos você pode arranjo n objetos
tirando eles em grupos de r objetos por vez, onde r é um inteiro positivo menor ou
igual a n . Para exemplo, para determinar o número de combinações que podemos
fazer com as letras X, Y, e Z em grupos de 2 cartas no a tempo, nós observação que n 
3 cartas, r  2 cartas no a tempo e use a fórmula acima para encontrar
3! 321 6
C3    3
2
2!(3  2)! (2  1)(1) 2
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.
Frequência e cumulativo distribuições

As distribuições são um conjunto de números coletados de um universo bem definido
de possíveis Medidas surgindo de a propriedade ou relação sob estudar. distribuições
mostrar a maneira como as probabilidades estão associadas aos números que estão
sendo estudados. Assumindo um estado de controle estatístico, consultando a
distribuição apropriada pode determinar a resposta para perguntas como:
 O que é o probabilidade de que x vontade ocorrer?

 O que é o probabilidade de que um valor menos que x vontade ocorrer?
 O que é o probabilidade que um valor maior do que x vai ocorrer?
 O que é a probabilidade que um valor vai ocorre isso é entre x e y ?
Ao examinar os gráficos da forma de distribuição, pode-se determinar com que

rapidez ou devagar probabilidades mudar sobre a dado faixa de valores. Em curto,
distribuições fornecer a grande quantidade de informações.
A frequência distribuição é um empírico apresentação de a definir de observações.
Se o frequência distribuição é não agrupado , isto simplesmente shows o observações e
o frequência de cada número. Se a distribuição de frequência for agrupada , os dados
serão montados em células, cada célula representando a subconjunto de o total faixa
de o dados. O frequência em cada célula completa a distribuição de frequência
agrupada. As distribuições de frequência são geralmente exibidos graficamente em
histogramas ou gráficos de ramo e folha.
Enquanto os histogramas e gráficos de ramo e folha mostram a frequência de
valores específicos ou grupos de valores, os analistas muitas vezes desejam examinar
a frequência cumulativa dos dados. A frequência cumulativa refere-se ao total até e
incluindo um determinado valor. Em o caso de agrupados dados, o cumulativo
frequência é calculado como o total número de observações até e incluindo um limite
de célula. Distribuições de frequência cumulativas são geralmente exibido em uma
ogiva , conforme ilustrado na Fig. 8.33.
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)
F IGURA 8.33 Ogiva de haste diâmetro dados.
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
o _ sim _ bo l x eu sou rua d “ X bar . _ ” desde e o _ empírica l distribuição _ eu

sou determinar d por um amostra, x é simplesmente chamado o amostra significa .
A variância amostral é dada por n
1
2
S   ( X eu X ) 2 (8,55)
n  1 eu  1
Esse equação para S 2 é comumente referido para como o imparcial amostra

variação . O
desvio padrão amostral É dado por
 (Xi  X)2
S  S2  i1
(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)
Essa equação é conhecida como distribuição de probabilidade binomial . além de ser

útil como a distribuição exata de unidades não conformes para processos em contínuo
produção, é também uma excelente aproximação para o complicado hipergeométrico
probabilidade distribuição quando o tamanho da amostra é menor superior a 10% do
tamanho do lote.
Distribuição de
médias de
n=4
População
distribuição
F IGURA 8.34 Efeito de amostra tamanho sobre o padrão erro.
Exemplo de Aplicando o binômio Probabilidade Distribuição

Um processo está produzindo garrafas de vidro em uma base contínua. A história
passada mostra que 1% de o garrafas ter um ou mais imperfeições. Se nós empate a
amostra de 10 unidades de o processo, o que é a probabilidade de que haja serão 0
frascos não conformes?
Usando o acima Informação, n  10, p  0,01, e x  0. Substituindo esses valores em
Eq. (8.58) nos dá
p (0)  C0 10 0,01 0 (1  0,01) 10  0  1  1  0,99 10  0,904  90,4%

Outra forma de interpretar o exemplo acima é que um plano de amostragem
“inspeciona 10 unidades, aceitar o processo se não forem encontradas não
conformidades” tem 90,4% de probabilidade de aceitando um processo com média de
1% de unidades não conformes.
Exemplo de binômio Probabilidade cálculos Usando Microsoft Excel® _

O Microsoft Excel possui um recurso interno para analisar probabilidades binomiais.
Para resolver o acima problema usando Excel, digitar o amostra tamanho, p valor, e x
valor como mostrando em Figo. 8.35. Observação o Fórmula resultado aproximar o
fundo de o tela.
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
hipergeométricas ou binomiais para Avalie amostragem planos para esse situação,
nós seria encontrar eles não trabalhar porque nosso
F IGURA 8.35 Exemplo de encontrando binômio probabilidade usando Microsoft Excel.
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.
Exemplo de aplicar o Poisson Distribuição

Uma linha de produção está produzindo mísseis guiados. Quando cada míssil é
concluído, um auditoria é conduzido por um Ar Força representante e todo não
conformidade para requer- mentos é observado. Até no entanto qualquer principal
não conformidade é causa para rejeição, o melhor o empreiteiro também deseja
controlar as não conformidades menores. Problemas menores como borrado estênceis,
pequeno rebarbas, etc., são gravado durante o auditoria. Passado história shows que
sobre o média cada míssil tem 3 menor não conformidades. O que é o probabilidade
que o próximo míssil terá 0 não conformidades?
Nós ter   3, x  0. Substituindo esses valores em Eq. (8.59) dá nós
3 0 e  3 1  0,05
P (0)    0,05  5%
0! 1
Em outro palavras, 100% − 5%  95% de o mísseis vai ter no ao menos um não
conformidade.
O Poisson distribuição, em Adição para ser o exato distribuição para o número de

não conformidades, também é uma boa aproximação para a distribuição binomial em
certas tain cases. Para usar a aproximação de Poisson, basta deixar   np na Eq.
(8,59). Juran (1988) recomenda considerando o Poisson aproximação se o amostra
tamanho é no ao menos 16, o população tamanho é no ao menos 10 vezes o amostra
tamanho, e o probabilidade de ocorrer- rência p em cada tentativa é menor que 0,1. A
grande vantagem dessa abordagem é que ela permite você para usar o mesas de o
Poisson distribuição, tal como em Apêndice 7. Também, o abordagem é útil para
projetar planos de amostragem.
Exemplo de Poisson Probabilidade cálculos Usando Microsoft excel

O Microsoft Excel possui um recurso interno para analisar as probabilidades de
Poisson. Para resolver o problema acima usando o Excel, insira os valores médios ex
como mostrado na Fig. 8.36. Observação o resultado da fórmula perto da parte
inferior da tela.
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
F IGURA 8.36 Exemplo de encontrando Poisson probabilidade usando Microsoft Excel.

procedimento é conhecido como o hipergeométrico probabilidade distribuição, e isto é

mostrando em Eq. (8,60).
C N m
Cm _ _ (8,60)
p ( x )  n  xC N x
n
Em Eq. (8,60), N é o muito tamanho, m é o número de defeituosos em o muito, n é

o amostra tamanho, x é o número de defeituosos na amostra e P ( x ) é a probabilidade
de obter exatamente x defeituosos na amostra. Observe que o termo numerador C N  m
dá o número- ber de combinações de sem defeitos enquanto Cnxm é o número de
combinações de defeito- tivas. Por isso o numerador
x dá o total número de arranjos de
amostras de grande quantidade de tamanho N com m defeitos onde a amostra n
contém exatamente x defeitos. O termo C N o denominador é o número total de
combinações
n de amostras de tamanho n de lotes de tamanho N , independentemente
do número de defeituosos. Assim, a probabilidade é uma razão entre probabilidade
de obter o resultado sob as condições assumidas.
Para o nosso exemplo, devemos resolver a equação acima para x = 0 assim como x
 1, desde também aceitaríamos o lote se não tivéssemos defeitos. A solução é
mostrada a seguir.
C 12  3 126 
C3  0,255
P (0)  4 120 0  1
C4
495 252
C 123 3 84 3
C
41 1
P (1)  12   0,509
C4 495 
495
P (1 ou menos)  P (0)
 P (1)
A adição das duas probabilidades informa a u0000s a probabilidade de que nosso

plano de amostragem aceitará lotes de 12 com 3 unidades não conformes. O plano de
inspecionar 4 peças e aceitar o lote se tivermos 0 ou 1 não conforme tem uma
probabilidade de 0,255  0,509  0,764, ou 76,4%, de aceitando esse "ruim" qualidade
muito. Esse é o “do consumidor risco" para esse plano de amostragem. Um risco de
amostragem tão alto seria inaceitável para a maioria das pessoas.
Exemplo de hipergeométrico Probabilidade cálculos Usando Microsoft excel

O Microsoft Excel possui um recurso interno para analisar probabilidades
hipergeométricas. Para resolver o acima problema usando Excel, digitar o população e
amostra valores como mostrando em Figo. 8.37. Observação o Fórmula resultado
aproximar o fundo de o tela (0,509) dá o pro- habilidade para x  1. Para encontrar o
cumulativo probabilidade você precisar para soma o probabilidades para x  0 e x  1
etc.
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
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
F IGURA 8.37 Exemplo de encontrando hipergeométrico probabilidade usando Microsoft Excel.
Se f ( x ) é traçado contra x , o bem conhecido "Sino curva" resultados. O normal

distribuição é também conhecido como o gaussiano distribuição. Um exemplo é
mostrando em Figo. 8.38.
Na Eq. (8.61),  é a média da população ou média e  é o padrão populacional
desvio. Esses parâmetros foi discutido anteriormente em este capítulo.
F IGURA 8.38 O normal/gaussiano curva.

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
Para encontrar o significar para nosso dados nós calcular

1
  (17  23  5)  15
3
A variância e o desvio padrão são medidas de dispersão ou dispersão. As
equações para a variância da população  2 e desvio padrão  são dados em Mesa 8.21.
N ( x eu   ) 2
 2

eu  eu N (8.63)
2
 
Referindo-se aos dados acima com uma média  de 15, calculamos  2 e  do

seguinte modo:
x eu 
(eu)
eu x eu
x eu  2
eu
1 17 2 4
2 23 8 64
3 5 −10 100
Soma 168
 2  168 / 3  56
  2  56  7.483
Geralmente nós ter apenas a amostra e não o inteiro população. A população

é o inteiro definir de observações de qual o amostra, a subconjunto, é retirou.
Calcula- ções para o amostra significar, variação, e padrão desvio eram mostrando
mais cedo em esse capítulo.
As áreas sob a curva normal podem ser encontradas integrando a Eq. (8.61)
usando numérico métodos, mas, mais comumente, mesas são usado. Apêndice 2 dá
áreas sob a curva normal. A tabela é indexada usando o transformação Z , que é
x i 
Z  (8.64)
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).
39 6
Z    1,5
4 4
Figura 8.39 ilustra esse situação.

Entrando no Apêndice 2 para Z  −1:5, descobrimos que 6,68% da área está abaixo
deste Z valor. Por isso 6,68% de nosso quebra forças vai ser abaixo nosso baixo
especificação limite de 3. Em aplicações de controle de qualidade, geralmente
tentamos ter a média de pelo menos três padrões. padronizar desvios da
especificação. Para conseguir isso, teríamos que melhorar o processo aumentando a
resistência à ruptura média ou reduzindo o processo desvio padrão, ou ambos.
6.68%
Z = –1,5 
F IGURA 8.39 Ilustração de usando Z mesas para normal áreas.

F IGURA 8.40 Exemplo de encontrando normal probabilidade usando Microsoft Excel.
Exemplo de Normal Probabilidade cálculos Usando Microsoft excel

O Microsoft Excel possui um recurso interno para analisar probabilidades normais.
Para resolver o acima problema usando Excel, digitar o média, sigma e x valores como
mostrando em Figo. 8.40. O Fórmula resultado aproximar o fundo de o tela dá o
desejado probabilidade.
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)
Exemplo de Usando o Exponencial cdf

A cidade água empresa médias 500 sistema vazamentos por ano. O que é o
probabilidade que o fim de semana equipe, qual funciona de 6 PM Sexta-feira para 6
sou Segunda-feira, vai pegar não chamadas?
F IGURA 8.41 Exponencial pdf curva.
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
P ( X  60)  1  e  60/17.52  0,967  96,7%
Por isso, a tripulação vai chegar ao pão fora 3,3% de os finais de

semana.
Exemplo de Exponencial Probabilidade cálculos Usando Microsoft excel

O Microsoft Excel possui um recurso interno para analisar probabilidades
exponenciais. Resolver Para resolver o problema acima usando o Excel, insira os
valores médios ex como mostrado na Fig. 8.42. Observação que excel usa "lambda" em
vez de que o média em isso é cálculos; lambda é o recíproco da média. O resultado da
fórmula perto da parte inferior da tela fornece a desejado probabilidade.
Exemplo de Não normal Capacidade Análise Usando MinitabName

O Minitab tem um recurso integrado para executar a análise de capacidade do
processo para dados que serão demonstrados com um exemplo. O processo envolvido
é técnico suporte por telefone. Um call center registrou o tempo total que leva para
“lidar” com 500 chamadas de suporte técnico. O tempo de manuseio é uma métrica de
tempo de ciclo total que inclui coleta informações preliminares, abordando os
problemas do cliente e realizando tarefas de chamada. É uma métrica de CTQ que
também impacta o acionista. foi determinado que o limite superior do tempo de
atendimento é de 45 minutos. Uma vez que os dados são coletados, é pode ser
analisado da seguinte forma:
Fase 1 - Verifique as causas especiais: Para começar, devemos determinar se as causas

especiais de variação eram presente durante nosso estudar. A especial causa é
operacionalmente definiram como
F IGURA 8.42 Exemplo de encontrando exponencial probabilidade usando Microsoft Excel.
EU gráfico para lidar

100 tempo
1
11
1
1
1 1
Handle time (Minutes)
1 1 11 1
UCL = 55,89
50
Significar =
18,79
0
LCL = –18,32
0 100200300400500
Observação número
F IGURA 8.43 indivíduos processo comportamento gráfico para lidar tempo.
pontos além um de o ao controle limites. Alguns autores recomendar que indivíduos

vigarista- controlar gráficos sejam usados para todas as análises, então vamos tentar
isso primeiro, veja a Figura 8.43.
Existem 12 pontos fora de controle no gráfico mostrado na Fig. 8.43, indicando que
especial causas são presente. No entanto, a mais perto olhar vai mostrar que há algo
chance sobre o gráfico. Observação que o mais baixo ao controle limite (LCL) é - 18:32.
Desde nós são conversando
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.
Normalidade teste para médias
.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.
Teste de normalidade de Anderson-Darling A ao quadrado: 0,209
P -Valor: 0,856
X -barra gráfico para lidar

tempo
35
UCL = 31,67
25
Sample mean
Significar = 18,79
15
5 LCL = 5.908
0 10 20 30 40 50
Amostra número
F IGURA 8.45 Médias de alça tempo ( n  10 por subgrupo).
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.
Superior especificação = 45 minutos
100
Frequency
50
0
0 10
20 30 40 50 60 708090 100
Lidar tempo
F IGURA 8.46 Histograma de 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.
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
Geral (LT) capacidade

Pp 0,62
PPU 0,58
PPL 2.40
Ppk 0,58
Observado LT desempenho
PPM <LSL 0,00
PPM > USL 56.000,00
PPM total 56.000,00
Esperado LT
desempenho 0 20406080100
PPM <LSL 0,00
PPM > USL 41422.03
PPM total 41422.03
F IGURA 8.48 Capacidade análise de lidar vezes baseado sobre o weibull distribuição.
o processo é não em estatístico ao controle o curto prazo capacidade estimativas ter

não significar- ing, e o longo prazo estimativas são de duvidoso valor como bem.
Processo desempenho indi- ces são interpretadas exatamente da mesma maneira que
suas contrapartes de capacidade de processo. do Minitab análise indica que o
processo é não capaz ( P PK < 1). O estimado longo- prazo desempenho de o processo é
41.422 defeitos por milhão chamadas. O observado desempenho
mance é até pior, 56.000 defeitos por milhão chamadas. O diferença é a reflexão de
falta de ajustar. O papel de o weibull curva eram maioria interessado em é o cauda
área acima 45, e o curva parece para derrubar desligado mais rapidamente que o real
dados. Quando esse é o caso isto é melhorar para estimativa o longo prazo
desempenho usando o real defeito contar em vez de que do Minitab estimativas.
CAPÍTULO 9
Medição Sistemas
Avaliação
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.
9.3.
289
290 C h a p t e r Ni ne
Bias
Referência Média
valor medição
F IGURA 9.1 Viés ilustrado.
Repeatability
F IGURA 9.2 Repetibilidade ilustrado.

Measur ement Systems Evaluation 291
Frank
Dick
Jane
Reprodutibilidade
F IGURA 9.3 Reprodutibilidade ilustrado.
Estabilidade: A estabilidade é a variação total nas medidas obtidas com uma

medida sistema de garantia no mesmo mestre ou peças ao medir uma única
característica sobre um estendido tempo período. A sistema é disse para ser estábulo
se o resultados são o mesmo no diferente pontos no tempo. A estabilidade é ilustrada
em Fig. 9.4.
Linearidade: o diferença em o viés valores através o esperado operativo faixa de o
medidor. A linearidade é ilustrada na Fig. 9.5.
Historicamente, a calibração tem sido a abordagem padrão para limitar os efeitos
do viés, há muito considerado a fonte fundamental de erro de medição. medição
moderna a análise do sistema vai muito além da calibração. Um medidor pode ser
perfeitamente preciso quando verificar um padrão e ainda ser totalmente inaceitável
para medir um produto ou controlar um processo. Esta seção ilustra técnicas para
quantificar discriminações ção, estabilidade, viés, repetibilidade, reprodutibilidade e
variação para um sistema de medição tem. As cartas de controle são usadas para
fornecer representações gráficas da medição processos, capacitando o analista a
detectar causas especiais que somente os métodos numéricos seria não detectar.
Medição Sistema Discriminação

A discriminação, às vezes chamada de resolução, refere-se à capacidade da medição
sistema para dividir as medições em "categorias de dados". Todas as partes dentro de
um determinado dados categoria vai medir o mesmo. Para exemplo, se a medição
sistema tem a
Sexta-feira
Quarta-feira
Segunda-feira
Estabilidade
F IGURA 9.4 Estabilidade ilustrado.
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.
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
F IGURA 9.5 Linearidade ilustrado.
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 -
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.
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
O valores d 2 e c 4 são constantes de Mesa 9 em o Apêndice.

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.
Exemplo de Informática Viés

A padrão com a conhecido valor de 25.4 milímetros é verificado 10 vezes por um
mecânico inspecionar tor usando a discar paquímetro com a resolução de 0,025
milímetros. O leituras obtido são:
25.425 25.425 25.400 25.400 25.375

25.400 25.425 25.400 25.425 25.375
O média é encontrada adicionando o 10 medições juntas e dividindo por 10,

254.051
x   25,4051 milímetros
10
O viés é a média menos A referência valor, que é,
viés  média  referência valor

 25,4051 milímetros  25.400 milímetros  0,0051 mm
O viés do sistema de medição pode ser declarado como uma porcentagem da

tolerância ou como uma porcentagem da variação do processo. Por exemplo, se este
sistema de medição eram para ser usado em um processo com uma tolerância de 
0,25 mm então
% viés  100  |viés|/tolerância

 100  0,0051/0,5  1%
Isso é interpretado da seguinte forma: esse sistema de medição produzirá, em

média, resultados que são 0,0051 milímetros maior que o real valor. Esse diferença
representa 1% de o variação permitida do produto. A situação é ilustrada na Fig. 9.7.
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,
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.
Exemplo de Estimativa Repetibilidade

Os dados da Tabela 9.1 são de um estudo de medição envolvendo dois inspetores.
Cada inspetor verificado o superfície terminar de cinco peças, cada papel era
verificado duas vezes por cada
Papel Leitura 1 Leitura 2 Média Faixa

inspetor 1
1 111,9 112.3 112.10 0,4
2 108.1 108.1 108.10 0,0
3 124,9 124,6 124,75 0,3
4 118,6 118,7 118,65 0,1
5 130,0 130,7 130,35 0,7
inspetor 2
1 111.4 112,9 112,15 1,5
2 107,7 108.4 108.05 0,7
3 124,6 124.2 124,40 0,4
4 120,0 119.3 119,65 0,7
5 130,4 130.1 130,25 0,3
MESA _ 9.1 Medição Sistema Repetibilidade Estudar Dados

inspetor. O calibrar registros o superfície rugosidade em  -polegadas

(micropolegadas). O calibrar tem uma resolução de 0,1  -polegadas.
Nós calcular:
gráfico de intervalos
R  0,51
UCL  D 4 R  3.267  0,51  1,67
Médias gráfico
x  118,85
LCL  x  Aos 2 R  118,85  1,88  0,51  118,65
UCL  x  A 2 R  118,85  1,88  0,51  119.05
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
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.
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
Relatório o Repetibilidade como por cento de processo sigma por dividindo  e

por Papel para Papel Sigma (veja abaixo).
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
bilidade é calculada dividindo  o por peça a peça Sigma (veja abaixo).

Reprodutibilidade Exemplo (AIAG Método)
Usando o dados mostrando em o anterior exemplo, cada do inspetor média é
calculado e encontramos:
inspetor 1 média  118,79  -polegadas

inspetor 2 média  118,90  -polegadas
Faixa  R o  0,11  -polegadas
Olhando em Mesa 11 em o Apêndice para um subgrupo de dois avaliadores nós
encontrar
d   1.41 ( m  2, g  1), desde lá é apenas um faixa Cálculo g  1. Usando esses
resultados
2

nós encontrar d 2  0,11/1,41  0,078.
Essa estimativa envolve a média dos resultados de cada inspetor em todas as
leituras. ings para que inspetor. No entanto, desde cada inspetor verificado cada papel
repetidamente, esse reprodutibilidade estimativa inclui variação devido para
repetibilidade erro. O reprodutibilidade- A estimativa de idade pode ser ajustada
usando a seguinte equação:
 R  2 ( )2  0.11 2  (0.44)2
 do   ne   52
2
r
 0.0061  0.019  0
Como às vezes acontece, a variância estimada da reprodutibilidade excede o

variância estimada de repetibilidade + reprodutibilidade. Quando isso ocorre, a
estimativa a reprodutibilidade é definida igual a zero, uma vez que as variâncias
negativas são teoricamente impossíveis ble. Assim, estimamos que o
reprodutibilidade é zero.
O medição sistema padrão desvio é
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).
Reprodutibilidade Exemplo (Alternativa Método)

Um problema com o método acima de avaliar o erro de reprodutibilidade é que ele
não não produzir um gráfico de controle para auxiliar o analista na avaliação. O
método pré- enviado aqui faz esse. Esse método começa por reorganizando o dados
em Mesa 9.1 então que todos leituras para qualquer dado papel tornar-se a solteiro
linha. Esse é mostrando em Mesa 9.2.
Observe que, quando os dados são organizados dessa maneira, o valor de R mede
a combinado faixa de repita leituras mais avaliadores. Para exemplo, o menor ler-
ing para papel 3 era de inspetor 2 (124.2) e o maior era de inspetor 1 (124.9).
Por isso, R representa dois fontes de medição erro: repetibilidade e reprodutibilidade.
O ao controle limites são calculado como segue:
gráfico de intervalos
R  100
UCL  D 4 R  2.282  1,00  2.282
Observação que o subgrupo tamanho é 4.

Médias gráfico
x  118,85
LCL  x  Aos 2 R  118,85  0,729  1  188.12
UCL  x  A 2 R  118,85  0,729  1  119,58
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
MESA _ 9.2 Medição Erro Dados para Reprodutibilidade Avaliação

135 2.5
130
2.0
125
1,5
120
1,0
115
110 0,5
105 0,0
F IGURA 9.9 Reprodutibilidade ao controle gráficos.
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
qual implica que
2 2
 reprodutibilidade   repeatabilityreproducibility   repeatability
Em a anterior exemplo, nós calculado  repetibilidade  0,44. Substituindo esses

valores dá
 reprodutibilidade  2 
2
repeatabilityreproducibility repeatability
2 2
 (0.48)  (0.44)  0,19
O resultante  m é estimado como

0,48.
Parte a Parte Variação

O X -barra gráficos mostrar o parte a parte variação. Para repita, se o medição sistema
for adequado, a maioria das peças ficará fora dos limites de controle do gráfico de barras X. Se
menos de metade das peças estão além dos limites de controle, então o sistema de
medição não está capaz de detectar a variação normal de peça a peça para este
processo.
304 Inde x

Métrica Definição: Tecnol Ogia Apoiar SE Responde Telefone Fim

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

Métrica Definição: Tecnol Ogia Apoiar SE Responde Telefone Fim

Enviado por

Direitos autorais:

Formatos disponíveis

tecnol SE responde

uma linha de base do processo, uma ou mais métricas de processo adequadas ,

e os resultados da manipulação são estudados para ajudar o analista a entender

Discreto e Contínuo Dados

1. O item mede o que isso é pretendido medir (ou seja, é é válido ).

O restante deste capítulo descreve técnicas e procedimentos desenvolvidos para

 Para determinar se o projeto deve ser perseguido - Embora o projeto fretamento

As linhas de base do processo são uma parte crítica de qualquer esforço de

 É o processo tendencia central estável sobre tempo?

 É o processo reunião o requisitos?

enumerativo e analítico Estudos

MESA _ 7.2 Importante Aspectos dos Estudos Analíticos

cálculos de probabilidade. Assim, afirmações como “Existe uma probabilidade de

1. Uma técnica analítica chave usada para validar o sistema de medição é a ao

O gráfico de controle estatístico fornecerá estimativas da localização do processo

Princípios de estatístico Processo Ao controle

Central Limite Teorema

F IGURA 7.5 Distribuições. ( De Continuando Processo Ao controle e Processo Capacidade

Retangular universo Média x

Certo triangular universo Média x

Look for a special cause of variation

F IGURA 7.7 tipos de variação.

a ação necessária para reduzir a variabilidade em cada caso é de natureza diferente.

Estimativa Processo Linhas de base Usando Processo Capacidade Análise

1. coletar amostras de 25 ou mais subgrupos de consecutivamente produzido

Médias e Gamas Ao controle Gráficos

Subgrupo equações para Médias e Gamas Gráficos

soma de subgrupo Medidas

R  maior em subgrupo  menor em subgrupo (8.2)

Ao controle Limite equações para Médias e Gamas Gráficos

Ao controle Limite equações para Gamas Gráficos

LCL  D3R _ _ (8.4)

Gamas ao controle gráfico exemplo

UCL R  D4R _ _  2.115  14.76  31.22

LCL  x  A 2R _  99,5  0,577  14..76  90,97

UCL  x  A 2R _  99,5  0,577  14.76  108,00

O concluído médias e gamas Gráficos de controle são mostrado em Figo. 8.1.

Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 X -Bar Faixa Sigma

MESA _ 8.1 Dados para X-Bar, Gamas e Sigma Ao controle Gráficos

Médias e Padrão Desvio (Sigma) Ao controle Gráficos

Gamas ao controle gráfico

F IGURA 8.1 Concluído médias e gamas ao controle gráficos.

Subgrupo equações para Médias e Sigma Gráficos

O padrão desvio, s , é calculado separadamente para cada subgrupo, usando o

Ao controle Limite equações para Médias e Sigma Gráficos

Ao controle Limite equações para Sigma Gráficos Baseado Ons s

Ao controle Limite equações para Médias Gráficos Baseado

Exemplo de Médias e Padrão Desvio Ao controle Gráficos

LCLs _  B3s _ _  0  6.218  0

UCL _  B 4 s  2.089  6.218  12.989

soma de subgrupo médias 2, 487,5

LCL  x  A 3 s  99,5  1.427  6.218  90,63

UCL  x  A 3 s  99,5  1.427  6.218  108,37

As médias completas e os gráficos de controle sigma são mostrados na Fig. 8.2.

Sigma ao controle gráfico

F IGURA 8.2 Concluído médias e sigma ao controle gráficos.

Ao controle Gráficos para Individual Medidas ( X Gráficos)

cálculos para Movendo Gamas Gráficos

R  maior em subgrupo − menor em subgrupo

Ao controle Limite equações para indivíduos Gráficos

Exemplo de indivíduos e Movendo Gamas Ao controle Gráficos

MESA _ 8.2 Dados para indivíduos e Movendo Gamas Ao controle Gráficos

O ao controle limites são calculado de esse dados como segue: