Upload
rafaellomaciel
View
95
Download
4
Embed Size (px)
DESCRIPTION
Apostila que define e explica a Engenharia da Qualidade como um todo. Este é uma matéria pouco divulgada, mas que pode trazer excelentes frutos para um organização
Citation preview
2012
2
EVOLUO DA GESTO PELA QUALIDADE
INSPEO
CONTROLE ESTATSTICO
GARANTIA DA QUALIDADE
QUALIDADE TOTAL
INSPEO
INSPECIONAR CONSISTE EM VERIFICAR O RESULTADO DE UM PROCESSO
PRODUTIVO, COMPAR-LO A UM PADRO E DECIDIR SOBRE SUA
APROVAO OU REJEIO.
CONTROLE ESTATSTICO
A INSERO DO CONTROLE ESTATSTICO TROUXE UMA REDUO NOS
CUSTOS DE INSPEO, VIABILIZANDO O CONTROLE DA QUALIDADE NAS
ATIVIDADES DE VERIFICAO SOBRE OS LOTES DE PRODUTOS FABRICADOS.
GARANTIA DA QUALIDADE
ESTA VISO SE BASEIA NO PRINCPIO DE QUE PARA SE CONSEGUIR A
VERDADEIRA GARANTIA DA QUALIDADE DE UM PRODUTO, O CONTROLE
DEVE COMEAR PELO SEU PROJETO, ESTENDER-SE SUA ENTREGA, E
TERMINAR QUANDO O USURIO DEMONSTRAR SATISFAO COM O USO DO
PRODUTO.
3
QUALIDADE TOTAL
TAMBM CONHECIDO COMO O "CONTROLE DA QUALIDADE POR TODA A
EMPRESA", A QUALIDADE TOTAL SE BASEIA NA INTEGRAO DAS
ATIVIDADES DE FORMA SISTEMTICA, INTERFUNCIONALMENTE, SUPRIMINDO
A VISO DA EMPRESA DEPARTAMENTALIZADA.
QUADRO COMPARATIVO
INSPEO
CONTROLE ESTATSTICO
GARANTIA DA QUALIDADE
QUALIDADE TOTAL
Preocupao
bsica Verificao Controle Coordenao
Impacto
Estratgico
nfase Um problema a
ser resolvido
Um problema a
ser resolvido com
menos inspees
Um problema a
ser resolvido
proativamente
Satisfao das
necessidades do
mercado
Atividades
Inspeo,
classificao,
contagem e
avaliao
Soluo de
problemas com
aplicao de
mtodos
estatsticos
Planejamento e
coordenao das
atividades que
influem na
qualidade
Contribuio
efetiva de cada
membro da
organizao
4
COMPARAO DAS VISES SOBRE QUALIDADE
TRADICIONAL ATUAL
Produtividade e qualidade so objetivos
conflitantes
Ganhos de produtividade so obtidos com a melhoria da qualidade
Qualidade definida como conformidade com os requisitos
Qualidade entendida como satisfao das
necessidades do usurio
Qualidade medida atravs do grau de no
conformidade
Qualidade medida pela melhoria contnua
do produto, processo e satisfao do usurio
Qualidade obtida atravs da intensiva inspeo de produto
Qualidade determinada pelo projeto do produto e acompanhada por efetivas
tcnicas de controle
Alguns defeitos so permitidos se o
processo atinge padres mnimos de qualidade
Defeitos so prevenidos atravs de tcnicas
preventivas de controle de processo
Qualidade como funo separada e o foco
de ateno em avaliao
Qualidade como parte de cada funo em
todas as fases do ciclo operacional
Pessoas so culpadas por m qualidade
A gerncia responsvel pela qualidade
Relaes com fornecedores so curtas e orientadas para custo
Relaes com fornecedores so longas e
orientadas para qualidade
5
ESTRATIFICAO
- uma forma de dividir ou separar um conjunto de dados em vrios outros,
denominados camadas ou estratos.
Finalidade: Possibilitar melhor avaliao das caractersticas de um problema
por meio de agrupamento de dados.
Agrupamentos: Tempo, local, tipo, sintoma, indivduo, outros
ESTRATIFICAO
AS FERRAMENTAS BSICAS DA QUALIDADE
6
FOLHA DE VERIFICAO - um formulrio onde os estratos a serem observados foram previamente definidos e
impressos.
Finalidade:
Facilitar a coleta de dados;
Tornar prtico o manuseio dos dados em clculos estatsticos
Dicas:
O pessoal envolvido na coleta de dados deve estar devidamente
informado e treinado;
O volume de dados a ser coletado deve ser representativo do todo;
Os dados devem ser coletados de modo aleatrio;
Os dados, sempre que possvel, devem ser associados a smbolos,
contagens ou marcaes
O universo sob observao deve ser homogneo. Se no, deve ser
inicialmente estratificado (agrupado) e cada grupo observado
individualmente.
GRFICO DE PARETO
- uma forma especial do grfico de barras verticais organizadas em ordem
decrescente de ocorrncias.
Finalidade:
Identificar as causas que determinam a maioria das perdas
(problemas) (poucas causas so vitais e muitas so triviais);
Analisar diferentes grupos de dados;
Comparar o efeito aps mudana no processo.
Etapas:
1. Identificar o problema; 2. Coletar dados (folha de verificao);
7
3. Organizar dados (folha de verificao); 4. Calcular os percentuais relativos e acumulados; 5. Elaborar o grfico de Pareto.
GRFICO DE PARETO
DIAGRAMA DE CAUSA E EFEITO ("ISHIKAWA") - Representa a relao entre o efeito e todas as possibilidades de causas que podem
contribuir para este efeito.
Finalidade:
Identificar de modo simples, rpido e sistemtico a relao mltipla
entre causa e efeito;
tambm utilizado para estabelecer os itens de verificao.
8
Etapas:
1. Identificar o problema; 2. Desenhar a cabea do diagrama (efeito); 3. Listar as causas;
4. Identificar o diagrama de causa e efeito.
DIAGRAMA DE CAUSA E EFEITO
9
HISTOGRAMA - uma ferramenta que envolve a medio de dados e mostra a sua distribuio. Mostra quanto de variao existe em qualquer processo.
Finalidade:
Verificar a capacidade do processo, ou seja, a quantidade de variao
existente no mesmo;
Comparar a distribuio dos dados com limites de especificao;
Averiguar a existncia de dados dissociados dos demais;
Checar a forma da distribuio dos dados.
Etapas:
1. Identificar a varivel; 2. Coletar dados (N > 30); (em geral: 50 < N < 200); 3. Encontrar os valores mximo e mnimo; 4. Definir o nmero de classes (5 < K < 20); 5. Calcular a largura (intervalo) da classe [h = (Xmx-Xmin) / K] 6. Calcular os limites de classe;
7. Elaborar a tabela de freqncia; 8. Desenhar o histograma.
Nmero de classes
Quantidade de dados (n) Nmero de classes (K)
40 - 60 6
61 - 80 8
81 - 100 10
101 - 150 12
151 - 200 16
> 200 20
10
Alguns autores indicam tambm:
Quantidade de dados (n) Nmero de classes (K)
< 50 5 a 7
de 50 a 100 6 a 10
de 100 a 250 7 a 12
> 250 10 a 20
So tambm aceitas as frmulas: a) k = 1 + 3,222log n
b) k = n
6 etapa:
1 classe: Xmin - D
2 classe: 1 classe + h
3 classe: 2 classe + h ( e assim por diante)
ltima classe = penltima classe + h
11
12
13
GRFICO DE CORRELAO - Mostra a relao entre duas variveis quaisquer.
Finalidade:
Estudar a relao entre duas variveis quaisquer, que podem ser:
duas caractersticas de qualidade, uma causa e um efeito ou mesmo
duas causas relacionadas a um mesmo efeito;
Etapas:
1. Identificar as variveis; 2. Coletar dados (N > 30 pares); 3. Desenhar as escalas ( conveniente que ambas as escalas tenham o
mesmo comprimento); 4. Plotar os pontos; 5. Registrar as informaes.
Tipos de correlao:
1. Correlao positiva forte; 2. Correlao positiva moderada; 3. Correlao negativa forte;
4. Correlao negativa moderada; 5. Ausncia de correlao.
14
GRFICOS DE CORRELAO
15
GRFICO DE CONTROLE - Permite a representao de uma varivel qualquer do processo, entre limites de
controle previamente calculados.
- Os grficos de controle so bastante usados no CONTROLE ESTATSTICO DO
PROCESSO - CEP, pois atravs de sua anlise podemos identificar e corrigir, em
tempo hbil, quaisquer variaes.
NOES DE AMOSTRAGEM 1. Introduo Estatstica a cincia responsvel pelo estudo dos dados. Ela se preocupa com a
coleta, organizao, descrio, anlise e interpretao de dados, de forma a:
1. Evitar a manipulao de nmeros para se obter resultados tendenciosos. 2. Ajudar na tomada de decises.
3. Ajudar na elucidao de problemas.
4. Contribuir na pesquisa cientfica.
A estatstica deve ser vista como uma ferramenta que ir auxiliar no processo de
tomada de deciso.
Envolve dois diferentes processos:
1 descrever grande nmero de informaes (dados)
2 obter concluses (tomada de deciso, predio, etc.) normalmente baseando-se
numa amostra.
16
2. Elementos bsicos de um estudo estatstico
a) Populao: um conjunto de elementos com pelo menos uma caracterstica em
comum (pessoas, objetos, eventos, etc) que se deseja estudar.
Exemplos: (1) todos os trabalhadores do Brasil; (2) todos as pessoas que possuem
ttulo de eleitor do Esprito Santo; (3) todas as plantas de caf em uma propriedade; (4)
os alunos de uma determinada Faculdade, etc.
b) Amostra: uma parte representativa da populao, retirada ou escolhida de forma
aleatria ou sistemtica, por um processo de amostragem, para se poder ter
representado nesta amostra as tendncias da populao.
Exemplo: quando se faz uma pesquisa eleitoral, impraticvel entrevistar toda a
populao de um pas, estados ou municpios, desta forma, seleciona-se, com base em
algumas informaes, uma amostra de pessoas que represente o pas, estado ou
municpio.
c) Variveis: so as caractersticas ou propriedades de interesse no estudo de uma
populao.
Exemplo: avaliao das variveis: idade, sexo e nmero de anos de formao escolar
das pessoas desempregadas em certo municpio, etc.
d) Unidades amostrais ou unidades de observao: so elementos a partir dos
quais so levantadas as informaes.
Exemplo: municpios, propriedades agrcolas, postos meteorolgicos, pontos em fotos
areas, estabelecimentos comerciais ou industriais.
O procedimento estatstico aplicado depender da natureza das variveis.
Quanto a sua natureza, as variveis poder ser classificadas em:
a) Variveis quantitativas discretas e contnuas b) Variveis qualitativas nominais e ordinais
a) Variveis quantitativas
As variveis quantitativas referem-se s quantidades medidas numa escala numrica e
podem ser divididas em dois grupos: discretas e contnuas.
17
a) Variveis quantitativas discretas: referem-se s variveis numricas que assumem
somente nmeros inteiros e positivos, e normalmente podem ser medidas por
processos de contagem: 0, 1, 2, 7, 21, ..., 55,...
Ex: Quantidades de vendas dirias de uma empresa
Nmero de movimento das contas correntes dos clientes de um banco
Quantidade de peas defeituosas de um lote de produo
b) Variveis quantitativas contnuas: referem-se s variveis que podem assumir
qualquer valor dentre os nmeros reais.
Ex: O valor de vendas dirias de uma empresa;
O valor dos movimentos das contas correntes dos clientes de um banco;
O consumo mensal de energia eltrica;
A altura das plantas de milho de uma plantao;
O peso de caixas de bombons.
b) - Variveis qualitativas
As variveis qualitativas referem-se s variveis no-numricas e so classificadas em
variveis nominais e variveis ordinais.
a) Variveis qualitativas nominais: no tm ordenamento nem hierarquia.
Ex: O sexo dos funcionrios cadastrados em uma empresa;
O nome das empresas que tm aes negociadas na bolsa de valores.
b) Variveis qualitativas ordinais: so equivalentes s variveis nominais, porm
incluindo uma ordem ou hierarquia.
Ex: O cargo dos funcionrios cadastrados em uma empresa: presidente, diretor,
gerente, etc.
A posio das dez primeiras empresas mais lucrativas que tm aes negociadas na
bolsa de valores: primeira, segunda, ....
18
3. Amostragem 3.1 Amostragem intencional:
Os indivduos ou amostras selecionados so considerados tpicos ou representativos
do total da populao. So os estudos de caso, muito comuns na geografia, nos quais
uma fazenda, municpio, cidade ou bacia hidrogrfica so selecionados e estudados
como exemplos de uma rea mais abrangente.
Deve-se lembrar que amostras intencionais no se prestam a tratamentos estatsticos
que levem a inferncias sobre a populao sendo seus resultados vlidos somente
dentro dos limites da prpria amostra.
3.2 Amostragem probabilstica:
Caracteriza-se por privilegiar o elemento chance na escolha das unidades amostrais. A
aleatoriedade da seleo dos indivduos amostrados o princpio bsico deste tipo de
amostragem que se assenta em teorias e regras matematicamente estabelecidas de tal
sorte que os resultados obtidos para a mostra podem ser estendidos para a populao
com grau de confiana determinado.
H vrias maneiras de se proceder quanto seleo aleatria de amostras. A seleo ou retirada da amostra obedece, de modo geral, algumas condies.
Na seleo casual simples, os elementos da lista so numerados de 1 a n, na ordem
em que aparecem, e com auxlio de uma tbua de nmeros aleatrios, os elementos da
amostra so retirados.
Na seleo sistemtica conveniente que os dados estejam ordenados (por valor,
ordem alfabtica, etc.)
Conhecendo o nmero total de elementos da populao (N) e o nmero de elementos
que se deseja retirar na amostra (A) pode-se estabelecer o intervalo constante (K) para
a seleo das unidades amostrais fazendo-se K= AN
em que
K o intervalo constante para a seleo;
N o nmero total de elementos da populao;
A o nmero de elementos que se deseja retirar na amostra.
19
Por exemplo, tem-se uma populao de 2000 elementos de deseja-se uma amostra de
200 (10%), tem-se que:
K= AN =
2002000 =10
o que significa que deve ser retirado um elemento em cada 10.
3.3. Tamanho da amostra
Qual o tamanho da amostra deve ser utilizado para representar com certo grau de
confiana uma determinada populao?
O tamanho da amostra basicamente funo do nmero de indivduos componentes
da populao, sua variabilidade e nvel de preciso desejada para as inferncias a
partir da amostra.
Geralmente, quanto maior o nmero de indivduos na populao (N) proporcionalmente
menor ser o nmero de indivduos que devem ser selecionados pela amostra.
Quanto maior a variabilidade da populao, maior dever ser a amostra. Quanto maior
a preciso desejada, maior dever ser a amostra.
Para a determinao do tamanho da amostra, o pesquisador precisa especificar o erro
amostral tolervel, ou seja, o quanto ele admite errar na avaliao dos parmetros de
interesse. Por exemplo, na divulgao de pesquisas eleitorais, comum encontrar no
relatrio, algo como: a presente pesquisa tolera um erro de 2%. Isto significa que,
quando a pesquisa aponta determinado candidato com 20% de inteno de voto do
eleitorado, est afirmando que a preferncia por este candidato um valor do intervalo
de 18% a 22%, ou seja, 20% + 2%.
Erro amostral a diferena entre o valor que a estatstica pode acusar e o verdadeiro
valor do parmetro que se deseja estimar.
20
3.3.1. Clculo do tamanho da amostra
Ser apresentado um mtodo simples para calcular tamanho de amostra.
Mesmo sem conhecer o tamanho da populao, pode ser feita uma primeira
aproximao do tamanho da amostra, que ser utilizado posteriormente para calcular o
tamanho da amostra, atravs da seguinte expresso:
En 2001
em que:
n0 = uma primeira aproximao para o tamanho da amostra;
E0 = erro amostral tolervel;
Conhecendo o tamanho N da populao, pode-se corrigir o clculo anterior por:
nn
NN
n0
0.
em que:
n = tamanho (nmero de elementos) da amostra;
N = tamanho (nmero de elementos) da populao;
Exemplo 1: Planeja-se um levantamento por amostragem para avaliar diversas
caractersticas da populao das 200 famlias moradoras de um certo bairro. Estas
caractersticas (parmetros) so especialmente do tipo percentagens, tais como, a
percentagem de famlias que usam programas de alimentao popular, a percentagem
de famlias que mora em casas prprias, etc. Qual deve ser o tamanho de uma amostra
aleatria simples, tal que se possa admitir que os erros amostrais no ultrapassem
4%?
Soluo:
200 famlias : N = 200
Erros amostrais de 4% E0 = 0,04
Uma primeira aproximao: En 2001
= )04,0( 2
1 = 625 famlias
21
Corrigindo, em funo do tamanho (N) da populao, tem-se:
nn
NN
n0
0.
= 625200
)625).(200(
= 825
125000 = 152 famlias
Exemplo 2: Considerando os mesmos objetivos e valores do exemplo anterior, qual
deveria ser o tamanho da amostra se a pesquisa fosse estendida para toda a cidade,
que contm 200.000 famlias residentes?
Soluo: O valor de n0 continua o mesmo do caso anterior (n0 =625), pois n0
independe do tamanho da populao N. Fazendo a correo em termos do novo valor
de N, tem-se:
nn
NN
n0
0.
= 625200000
)625).(200000(
= 623 famlias
No ltimo exemplo pde-se observar que a correo com o tamanho N da populao,
praticamente no alterou o clculo inicial do tamanho da amostra (n0 =625 e n=623).
Em geral, se a populao for muito grande (dezenas de milhares de elementos), o
clculo do tamanho da amostra pode ser feito pela primeira expresso: En 2001
= n
sem levar em conta o tamanho exato, N, da populao.
22
Exerccio:
Para uma taxa de erro amostral constante (2%), calcule o tamanho da amostra (n),
quando a populao de interesse apresentar as dimenses (N) listadas no quadro a
seguir. Completar o quadro e fazer um grfico plotando os valores de N no eixo x e n
no eixo y.
N n0 n
500
1000
5000
10000
50000
100000
500000
1000000
10000000
100000000
23
DEFINIO DE CONTROLE DE PROCESSO
PROCESSO
CONTROLE
EXEMPLO DE PROCESSO PRODUTIVO E ADMINISTRATIVO
Componente Fabricao de Papel Contratao de Funcionrio
fornecedor (f) fabricante de celulose mercado de trabalho
entradas (e) celulose candidatos
processo (p) cozimento e calandragem seleo e recrutamento
sada (s) papel candidato aprovado
cliente (c) empresas do mundo todo rea solicitante
Todo trabalho executado em uma empresa pode ser visto
como um processo, ou seja, um conjunto de atividades realizadas com um determinado propsito;
Um processo nada mais do que a combinao de pessoas, mquinas, mtodos, etc. com a finalidade de se obter um
produto (bem ou servio).
Processo gerencial de estabelecimento e agrupamento de
padres, visando manter uniforme a QUALIDADE do produto.
24
CONTROLE DO PRODUTO x PROCESSO
Tipo de Controle Produto Processo
nfase Deteco de defeitos Preveno de defeitos
Objetivo Separar itens bons dos ruins Evitar itens ruins
Padro de Comparao Limites de especificao Limites de controle
Tipo de Ao Inspeo Controle
Responsvel Operador ou inspetor Todos os envolvidos
CONTROLE ESTATSTICO DE PROCESSO
um mtodo preventivo de se comparar, continuamente, os resultados de um
processo com padres, identificando a partir de dados estatsticos, as tendncias para
variaes significativas, a fim de eliminar / controlar essas variaes, com o objetivo de
reduzi-las cada vez mais.
25
VANTAGENS NA UTILIZAO DO CEP
Diversas so as vantagens da aplicao do CEP nas operaes de uma empresa. Provavelmente as mais importantes so:
a) Determinar o tipo de ao requerida (local ou no sistema) e, consequentemente, estabelecer a responsabilidade pela sua adoo (operao ou administrao);
b) Reduzir a variabilidade das caractersticas crticas dos produtos de forma a obter-se uma maior uniformidade e segurana dos itens produzidos;
c) Permitir a determinao da real viabilidade de atender s especificaes do produto ou s necessidades dos clientes, em condies normais de operao;
d) Implantar solues tcnicas e administrativas que permitam a melhoria da qualidade de (principalmente) aumento da produtividade;
e) Possibilitar o combate s causas dos problemas ao invs de seus efeitos, de modo a erradic-los definitivamente do sistema de trabalho.
26
O mapa de processo deve descrever:
Os limites do processo: onde comea e onde termina (escopo do trabalho). Principais atividades / tarefas. Parmetros:
Parmetro de produto final (Y maisculo):
Caracteriza o produto do processo no estgio de produto acabado.
Parmetro de produto em processo (y minsculo):
Caracteriza o produto antes do estgio de produto acabado.
Parmetro de processo (x):
Varivel mensurvel de um processo que pode afetar os parmetros de produto.
MAPAS DE PROCESSO
27
MAPA DO PROCESSO FURAO
ALINHAR A PEA NA BASE DA
FURADEIRA
FIXAR A PEA NA BASE DA
FURADEIRA
FURAR (Fazer o furo) PRODUTO
EM PROCESSO: PEA ALINHADA
PRODUTO EM PROCESSO: PEA FIXADA
PRODUTO FINAL: PEA FURADA
X = LIMPEZA DA PEA X = LIMPEZA DA BASE X = IDADE DOS PINOS DE
ALINHAMENTO X = LIMPEZA DOS PINOS
DE ALINHAMENTO
X = FORA DO GRAMPO X = LOCALIZAO DO
GRAMPO
X = VELOCIDADE X = TIPO DE
REFRIGERANTE X = DESIGN DA
FERRAMENTA X = IDADE DA
FERRAMENTA X = DUREZA DO
MATERIAL
y = POSIO DA PEA NA FURADEIRA
y = ESTABILIDADE DA PEA NA BASE
y = PLANICIDADE DA PEA NA BASE
Y = DIMETRO DO FURO
Y = CONCENTRICIDADE DO FURO
28
CLASSIFICAO DOS PARMETROS DE PROCESSO
Parmetro de Processo Controlvel: Varivel que pode ser ajustada em um valor pr-determinado e mantida em torno deste valor.
Parmetro de Rudo:
Varivel que no pode ser ajustada em um valor pr-determinado e mantida em torno deste valor.
MAPA DO PROCESSO FURAO
ALINHAR A PEA NA BASE DA
FURADEIRA
FIXAR A PEA NA BASE DA
FURADEIRA
FURAR (fazer o furo)
PRODUTO EM PROCESSO: PEA ALINHADA
PRODUTO EM PROCESSO: PEA FIXADA
PRODUTO FINAL: PEA FURADA
(R) LIMPEZA DA PEA (R) LIMPEZA DA BASE (C) IDADE DOS PINOS DE
ALINHAMENTO (R) LIMPEZA DOS PINOS
DE ALINHAMENTO
(C) FORA DO GRAMPO (R) LOCALIZAO DO
GRAMPO
(C) VELOCIDADE (C) TIPO DE
REFRIGERANTE (C) DESIGN DA
FERRAMENTA (C) IDADE DA
FERRAMENTA (R) DUREZA DO
MATERIAL
y = POSIO DA PEA NA FURADEIRA
y = ESTABILIDADE DA PEA NA BASE
y = PLANICIDADE DA PEA NA BASE
Y = DIMETRO DO FURO
Y = CONCENTRICIDADE DO FURO
Legenda: (C) = Parmetro Controlvel (R) = Parmetro de Rudo
29
PARMETRO CRTICO
O mapa de processo base para a caracterizao do processo
a determinao dos relacionamentos existentes entre os parmetros
de processo e os parmetros de produto:
Se a caracterizao do processo indica que a variao em um parmetro
controlvel ou em um parmetro de rudo exerce um impacto significativo na performance do produto (medida pelos parmetros de produto), aquele parmetro identificado como um parmetro crtico.
30
ALINHAR A PEA NA BASE DA
FURADEIRA
FIXAR A PEA NA BASE DA
FURADEIRA
FURAR (fazer o furo) PRODUTO
EM PROCESSO: PEA ALINHADA
PRODUTO EM PROCESSO: PEA FIXADA
PRODUTO FINAL: PEA FURADA
(R) LIMPEZA DA PEA (R) LIMPEZA DA BASE (C) IDADE DOS PINOS
DE ALINHAMENTO *(R) LIMPEZA DOS PINOS
DE ALINHAMENTO
*(C) FORA DO GRAMPO (R) LOCALIZAO DO
GRAMPO
*(C) VELOCIDADE (C) TIPO DE
REFRIGERANTE (C) DESIGN DA
FERRAMENTA (C) IDADE DA
FERRAMENTA (R) DUREZA DO
MATERIAL
y = POSIO DA PEA NA FURADEIRA
y = ESTABILIDADE DA PEA NA BASE
y = PLANICIDADE DA PEA NA BASE
Y = DIMETRO DO FURO
Y = CONCENTRICIDADE DO FURO
Legenda: (C) = Parmetro Controlvel (R) = Parmetro de Rudo * = Parmetro Crtico
MAPA DO PROCESSO FURAO
31
C A T E G O R I A S D E V A R I A E S
FATORES QUE CONTRIBUEM PARA AS VARIAES
V A R I A O
NO EXISTEM DOIS
OBJETOS EXATAMENTE IGUAIS
DENTRO DA PEA
PEA A PEA
AO LONGO DA PEA
AMBIENTE
OPERADORES
INSPEO
PROCESSO
MATERIAIS
32
VARIAES - Qualquer processo apresenta variabilidade, isto um fato da natureza. As variaes
que ocorrem num processo de produo podem ser desmembradas em duas
componentes:
Uma de difcil controle chamada Variao Aleatria ou Comum;
E outra controlvel, chamada de Causal ou Especial ou Identificvel.
Pode-se dizer ento, que a Variao Total a soma das Variaes Especiais e
Comuns.
Causas de variao
Causa comum:
definida como uma fonte de variao que afeta a todos os valores individuais de um processo. resultante de diversas origens, sem que
nenhuma delas tenha predominncia sobre a outra;
A variao devido a causas comuns est sempre presente, ela no pode ser reduzida sem mudanas na concepo do processo;
Quando somente estas variaes esto presentes, a melhoria da qualidade do produto precisa de decises gerenciais que envolvem, por vezes,
investimentos significativos.
Causa especial:
um fator que gera variaes que afetam o comportamento do processo de maneira imprevisvel. Uma ou poucas causas produzem grandes variaes
no processo; No possvel obter-se um padro ou distribuio de probabilidade; Diferencia-se da causa comum pelo fato de produzir resultados totalmente
discrepantes com relao aos demais valores;
Em geral, a correo pode ser feita na prpria linha e no envolve investimentos significativos.
Variao Total = Variao Comum + Variao Especial
33
CAUSAS ALEATRIAS X CAUSAS IDENTIFICVEIS
(CAUSAS COMUNS X CAUSAS ESPECIAIS)
34
35
CAUSAS COMUNS E CAUSAS ESPECIAIS DE VARIAO
TIPOS DE CEP
As indstrias podem ser classificadas nas seguintes categorias quanto ao seu processo
de produo:
Produo em massa: caracteriza-se por produzir um ou poucos tipos de produtos,
com baixa diferenciao e em grandes quantidades. Normalmente adota arranjo
fsico linear (linha de montagem) com pouca flexibilidade.
Produo intermitente (repetitiva ou sob encomenda): engloba a maior parte da
indstria nacional, onde j existe uma diversificao maior do que no caso anterior,
podendo possuir uma linha prpria de produtos ou fabricando apenas sob
36
especificao do cliente. O arranjo fsico costuma ser funcional, com equipamentos
flexveis.
Produo enxuta: nesta categoria esto aquelas indstrias que adotaram os
modernos conceitos de produo, tais como sistema just-in-time, clulas de
manufatura, manufatura integrada por computador, etc. Caracteriza-se por possuir
baixos estoques, equipamentos versteis e flexibilidade para mudana de volumes
e tipos de produtos.
Processo contnuo: esta categoria representada pelas indstrias qumicas e
petroqumicas, alm de outro sem nmero de empresas, onde no existem
unidades discretas (unidades individuais) de produto durante o processo, mas
somente ao final deste, quando da sua embalagem.
SISTEMAS DE PRODUO E TIPOS DE CEP
Sistemas de Produo Tipo de CEP
Produo em Massa Convencional
Produo Intermitente (Repetitiva ou Sob Encomenda)
Convencional e Pequenos Lotes
Produo Enxuta Pequenos Lotes
Processo Contnuo Processo Contnuo
Processo em Bateladas Convencional
37
Convencional: Grande quantidade de dados; produtos discretos (unidades individuais).
Pequenos lotes: Escassez de dados; grande diversificao de produtos que passam pelo mesmo equipamento.
Contnuo ou em Bateladas: Produto de natureza contnua (no possvel definir
claramente o que seja uma unidade de produto). As quantidades produzidas so variveis, podendo haver pouca ou muita diferenciao. Normalmente so produzidos no mesmo equipamento.
PROCESSOS "DISCRETOS" E CONTNUOS
Discreto Contnuo
Entradas Materiais manufaturados Materiais da natureza
Menor variabilidade Maior variabilidade
Controle do Processo
Manual ou semi-automtico
Semi ou totalmente automtico
Baixa quantidade de controles
Alta quantidade de controles
Alterao nos controles gera resultado imediato
Alterao lenta e gradual
Sadas
Peas ou subconjuntos Fluxo contnuo ou lotes de material
A sada pode ser alterada instantaneamente
A sada muda gradualmente
38
CARACTERIZAO DE AMOSTRAS Medidas de Centralizao:
Mdia: )(x
calculada como sendo a soma de todos os valores da amostra, divididos pela
quantidade total de valores (n).
n
x
n
iix
1
Mediana: ( x~ )
calculada como sendo o termo ordenado de ordem (n + 1)/2, quando se tem
uma quantidade mpar de valores, ou a soma do termo de ordem n/2 com o termo
de ordem n/2 + 1, divididos por 2, quando a quantidade par.
Medidas de Disperso
Desvio - padro: (s)
definido como sendo a raiz quadrada da soma dos desvios quadrticos de
cada valor com relao mdia, divididos por (n - 1).
s = 1
1
2)(
ni
n
ixx
Amplitude (R)
a diferena entre o maior e o menor valores da amostra.
R = xmx.- xmin.
39
Seja o seguinte conjunto de valores:
{12,1; 12,5; 11,7; 13,1; 12,5}
Item Frmula Valor
Mdia
55,131,137,115,121,12
x 12,4
Mediana 11,7 - 12,1 - 12,5 - 12,5 - 13,1 12,5
Desvio Padro 4
)4,125,12(.....)4,121,12( 22 s 0,52
Amplitude R = 13,1 - 11,7 1,4
SRIES TEMPORAIS
40
DADOS AGRUPADOS
Amostra Valores x-barra R
1 7 24 24 20 25 20,0 18
2 17 37 28 16 26 24,8 21
3 12 22 40 36 34 28,8 28
4 52 34 29 36 24 35,0 28
5 28 28 34 29 48 33,4 20
6 30 27 48 32 25 32,4 23
7 36 21 31 22 28 27,6 15
8 5 33 15 26 42 24,2 37
9 50 34 37 27 34 36,4 23
10 21 17 20 25 16 19,8 9
11 34 18 29 43 24 29,6 25
12 18 35 26 23 17 23,8 18
13 10 28 19 26 21 20,8 18
14 21 23 33 28 38 28,6 17
15 27 41 15 22 23 25,6 26
16 31 19 39 21 38 29,6 20
17 37 46 22 26 25 31,2 24
18 13 32 35 44 45 33,8 32
19 9 44 25 32 39 29,8 35
20 14 27 34 34 52 32,2 38
Total 567,4 475
41
CARACTERIZAO DA POPULAO Medidas de Centralizao: () ( x ; x )
A mdia da populao costuma ser representada pela letra grega (mi)
Na prtica, este valor nunca conhecido e, portanto, deve ser estimada
(substituda) pelo valor de x barra, quando se possui uma nica amostra ou por x-
duas barras, quando se possuir mais de uma amostra.
x = k
k
iix
1
Medida de Disperso: () ( R ) ( s )
O desvio-padro da populao representado pela letra grega (sigma). Como
tambm desconhecido, costuma ser substitudo por R-barra ou, at, por s-barra.
Contudo, ao fazer esta substituio, incorre-se em um erro chamado de vcio, ou
seja, no possvel a simples substituio de um valor pelo outro sem se proceder
ao uso de um fator de correo.
k
R
k
iiR
1 e cdsR
42
DISTRIBUIO DE PROBABILIDADE NORMAL
42
Por se tratar de uma distribuio contnua de probabilidade, ou seja, em que a varivel
pode assumir quaisquer valores, deve-se sempre trabalhar com reas da distribuio
normal.
DISTRIBUIO NORMAL REDUZIDA - N(0,1)
FUNO DENSIDADE DE PROBABILIDADE
-4 4 -3 -2 -1 0 1 2 3
0,0
0,1
0,2
0,3
0,4
99,54%
68,26%
99,74%
X
f(x)
43
CUIDADOS NA AMOSTRAGEM
O uso eficaz do CEP depende, sobretudo, do perfeito entendimento de como as
amostras devem ser obtidas do processo, de modo a permitir a anlise da variao
desejada.
Alguns cuidados:
Amostras Compostas: Em muitos lugares comum obter-se amostra de hora em
hora para que, ao final do dia, comp-las (ou seja, junt-las) em uma nica
amostra. Se o objetivo da empresa ter uma noo da mdia do dia deste
processo, ento este procedimento adequado. Contudo, como o valor da amostra
composta constitui-se numa mdia diria, no ser possvel avaliar a variabilidade
do desempenho global do processo ao longo do dia, j que podem, por exemplo,
ter sido obtidos valores muito baixos no princpio da manh, sendo compensados
por valores altos no perodo da tarde. Logo, a mdia em nada refletir este
comportamento.
Amostras Subdivididas em Amostras Menores: Outra prtica comum a de
obter uma nica amostra durante um dado perodo e, ento, dividi-la em amostras
menores (sub-amostras) para anlise pelo laboratrio. Se eventualmente forem
verificadas diferenas entre resultados, elas devem ser atribudas to somente
variao do sistema de medio (instrumento, analista e mtodo) e no ao
processo de onde a amostra foi obtida.
Misturas de Diferentes Fontes de Variao: Quando existem diversas linhas de
fabricao em anlise, que ao final se juntam num nico fluxo de material, disto
decorre que a amostra retirada neste ponto o resultado mdio de desempenho de
todas as linhas em conjunto. Neste caso, no possvel ter-se uma idia se h
diferena significativa entre as linhas - ou no - com este procedimento e, portanto,
importantes informaes podem ser negligenciadas.
Mistura de Amostras de Diferentes Lotes: Quando se tem um determinado
equipamento funcionando de modo ininterrupto e, acoplado a este, um outro
funciona de modo intermitente (em bateladas, por exemplo), na hora de se retirar a
amostra no se deve misturar numa mesma amostra materiais de diferentes lotes,
ou ento esta indicar tanto variao do material do lote, como eventuais
44
diferenas entre lotes. Se esta for excessiva, no haver meio de identificar qual a
origem do problema.
Materiais Contnuos: Quando materiais so produzidos em um processo, de forma
contnua, tal como laminao de alumnio, tecelagem de tecidos, extruso de
perfis, trefilao de fios metlicos, fabricao de papel, etc. o controle da variao
das propriedades no sentido longitudinal se d de modo totalmente independente
do controle no sentido transversal. No h sentido em se utilizar um tipo de
variao como base para a anlise da outra.
GRFICO DE CONTROLE
Conceito de Grfico de Controle Comparao grfica de dados amostrais com limites de controle estabelecidos, de acordo com tcnicas estatsticas.
45
Uso dos Grficos de Controle Determinar as causas de variao dos dados
Aleatrias (ou comuns)
Identificveis (ou especiais)
Conceito de Atributos Avaliao baseada numa classificao:
Cor "Maior ou menor" Presena ou ausncia de "defeitos"
Conceito de Variveis Resultados numricos baseados em medies.
Comprimento de um eixo Dimetros interno e externo de um tubo Resistncia eltrica Tempo de fuso
Vantagens do Controle por Atributos
Rapidez
Simplicidade
Vantagens do Controle por Variveis
Amostras menores Preciso
(Clculos aritmticos)
46
ESQUEMA GERAL DOS GRFICOS DE CONTROLE
LIMITES DE CONTROLE
2 4 5 3 6 7 8 9 10 1
LSC = LIMITE SUPERIOR DE CONTROLE
LM = LINHA MDIA
LIC = LIMITE INFERIOR DE CONTROLE
+ 3
- 3
Md
ia d
as A
mos
tras
(un.
)
Nmero da Amostra
47
ESQUEMA GERAL DOS GRFICOS DE CONTROLE
FAIXA DE VARIABILIDADE "NORMAL"
2 4 5 3 6 7 8 9 10 1
FORA DE CONTROLE
SOB CONTROLE
+ 3
- 3
Md
ia d
as A
mos
tras
(un.
)
Nmero da Amostra
FORA DE CONTROLE
3
3
48
GRFICOS DE CONTROLE
GRFICOS DE CONTROLE PARA VARIVEIS
Grfico da Mdia e Amplitude (x- barra e R) Grficos da Mdia e Desvio-Padro (x - barra e s) Grficos do Valor Individual e Amplitude Mvel (x e Rm)
Grficos da Mdia e Amplitude Mveis (xm - barra e Rm) Grfico por Bateladas Grfico por Grupos
GRFICOS DE CONTROLE PARA ATRIBUTOS
Grfico da Frao defeituosa (p)
Grfico do Nmero de Defeituosos na Amostra (np) Grfico do Nmero de Defeitos na Amostra (c) Grfico do Nmero de Defeitos por Unidade de Inspeo (u)
GRFICOS DE CONTROLE- OBJETIVOS - Os grficos de controle possuem trs objetivos bsicos:
Verificar se processo estudado estatisticamente estvel, ou seja, se no h
presena de causas especiais de variao;
Verificar se o processo estudado permanece estvel, indicando quando
necessrio atuar sobre o mesmo; e
Permitir o aprimoramento do processo, mediante a reduo de sua variabilidade.
49
GRFICOS DE CONTROLE - REGRAS -
No clculo dos limites de controle e obteno de amostras as seguintes regras devem
ser obedecidas:
O desvio-padro utilizado deve ser sempre estimado com base na variao
dentro da amostra;
Os grficos sempre utilizam limites de controle localizados uma distncia de
trs desvios-padres da linha mdia;
Os dados devem ser obtidos e organizados em amostras (ou subgrupos)
segundo algum critrio racional, visando permitir a obteno das respostas
necessrias;
O conhecimento obtido atravs dos grficos de controle deve ser empregado
para modificar as aes, conforme adequado.
Permitir o aprimoramento do processo, mediante a reduo de sua variabilidade.
PLANEJAMENTO DE GRFICOS DE CONTROLE
Para planejar um grfico de controle, preciso saber:
a) o tamanho da amostra;
b) a freqncia de amostragem.
No existem frmulas para determinar esses valores, mas, em geral, possvel
escolher uma das duas estratgias:
a) tomar amostras pequenas e freqentes;
b) tomar amostras grandes e pouco freqentes.
Nem sempre possvel dizer qual a melhor estratgia, mas a indstria usa,
preferencialmente, amostras pequenas e freqentes. Ento so mais comuns as
50
indstrias que coletam amostras de tamanho 4 ou 5 a cada meia hora do que as
indstrias que coletam amostras de tamanho 20 a cada 2 horas.
preciso considerar, tambm, a taxa de produo. As indstrias que produzem 50.000
unidades por hora devem amostrar com mais freqncia do que as indstrias que
produzem 500 unidades por hora.
SUBGRUPOS RACIONAIS
A coleta dos dados que sero usados para elaborao de um grfico de controle exige
alguns cuidados. Assim, cada amostra deve ser obtida:
a) em perodo de tempo relativamente curto;
b) sob as mesmas condies de trabalho.
Para entender estas recomendaes, suponha que o dimetro de uma pea foi
escolhido como caracterstico dde qualidade num processo de fabricao. Suponha
ainda que o dimetro dessa pea afetado pelos seguintes fatores:
a) material usado;
b) ajuste da mquina;
c) habilidade do operador.
Se cada partida do material dura 15 dias e a mquina ajustada toda manh, cada
amostra deve ser tomada;:
a) Em um mesmo dia;
b) da produo de um mesmo operador.
A variao dos dimetros das peas dentro de cada amostra aleatria porque no
pode ser explicada por nenhuma das causas de variao identificadas (material usado,
ajuste da mquina e habilidade do operador). J a variao dos dimetros das peas
de diferentes amostras deve ser explicada por um ou mais desses fatores.
A amplitude mede a variao dentro de cada amostra. Ento, o grfico de controle R
monitora a variao dentro de amostras, que a variao em um dado momento. O
51
grfico de controle x-barra monitora a variao entre amostras, que a variao do
processo ao longo do tempo.
Para controlar um processo com uso de grficos, preciso maximizar a probabilidade
de ocorrer variao entre amostras (variao ao longo do tempo) e minimizar a
probabilidade de acorrer variao dentro de amostras (variao em um dado
momento). As amostras obtidas com esses critrios so chamadas de subgrupos
racionais.
GRFICOS DE CONTROLE PARA VARIVEIS
GRFICO DA MDIA E AMPLITUDE (x-barra e R) Fundamentos
Para a mdia amostral tm-se os seguintes limites de controle:
)(.3)( xx Como no se conhece a mdia )(x , ser ento utilizada a mdia das mdias das
amostras, ou seja, x e, no lugar de (x) ser empregada a mdia das amplitudes:
LSC x = x + 3. ndR
2
= x + A2 R
LM x = x
LIC x = x - 3. ndR
2
= x - A2 R
Obs.: A2 e d2 encontram-se tabulados no anexo
Analogamente tm-se para a amplitude amostral os seguintes limites de controle:
(R) + 3.(R)
ou ainda,
LSCR = (d2 + 3.d3). 2d
R = D4 R
LMR = R
LICR = (d2 - 3.d3). 2d
R = D3 R
Obs.:
52
1) D3 e D4 encontram-se tabulados no anexo
2) Para tamanhos de amostra menores que 7, no existe o fator D3.
GRFICO DA MDIA E AMPLITUDE (x-barra e R) - Exemplo - Na fabricao de misturas de ps, uma caracterstica importante sua umidade, j que
ela tem papel fundamental na qualidade do produto. Sua especificao de 10% +
0,5%. Decidiu-se acompanhar a fabricao de 20 (vinte) lotes consecutivos e monitorar
a umidade mediante a retirada de amostras.
Lote Valores x - barra R
1 10,69 - 10,80 - 10,39 10,627 0,41
2 10,20 - 10,30 - 10,72 10,407 0,52
3 10,42 - 10,61 - 10,54 10,523 0,19
4 10,98 - 10,27 - 10,50 10,583 0,71
5 10,61 - 10,52 - 10,67 10,600 0,15
6 10,57 - 10,46 - 10,50 10,510 0,11
7 10,44 - 10,29 - 9,86 10,197 0,58
8 10,20 - 10,29 - 10,41 10,300 0,21
9 10,46 - 10,76 - 10,74 10,653 0,30
10 10,11 - 10,33 - 10,98 10,473 0,87
11 10,29 - 10,57 - 10,65 10,503 0,36
12 10,83 - 11,00 - 10,65 10,827 0,35
13 10,35 - 10,07 - 10,48 10,300 0,41
14 10,69 - 10,54 - 10,61 10,613 0,15
15 10,44 - 10,44 - 10,57 10,483 0,13
16 10,63 - 9,86 - 10,54 10,343 0,77
17 10,54 - 10,82 - 10,48 10,613 0,34
18 10,50 - 10,61 - 10,54 10,550 0,11
19 10,29 - 10,79 - 10,74 10,607 0,50
20 10,57 - 10,44 - 10,52 10,510 0,13
Total 210,222 7,30
53
Clculo das estatsticas bsicas
x = k
x = 20
222,210 = 10,511 R = k
R = 2030,7 = 0,365
Clculo dos limites de controle
Para o grfico da amplitude (R)
LSCR = D4 R = 2,574 x 0,365 = 0,940
LMR = R = 0,365
LICR = D3 R = nenhum
Para o grfico da mdia (x-barra)
LSC x = x + A2 R = 10,511 +1,023 x 0,365 = 10,855
LM x = x = 10,511
LIC x = x - A2 R = 10,511 -1,023 x 0,365 = 10,138
10,010,110,210,310,410,510,610,710,810,911,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
10,885
10,138
10,511
Md
ias
00,10,20,30,40,50,60,70,80,9
11,1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0,940
0,365Am
plitu
des
Amostras
54
GRFICO DA MDIA E DESVIO-PADRO (x-barra e s)
Fundamentos
Estes grficos so similares aos grficos x-barra e R. So aplicados quando so
adotadas amostras de tamanhos maiores (n>10)
LSC x = x + 3. ncs
4
= x + A3 s
LM x = x
LIC x = x - 3. ncs
4
= x - A3 s
Obs.: A3 e c4 encontram-se tabulados no anexo
Para o desvio-padro, seus limites de controle so:
(s) + 3.(s), ou ainda,
LSCs = (c4 + 3.c5).4c
s = B4. s
LMs = s
LICs = (c4 - 3.c5).4c
s = B3. s
Exerccio: Recalcular as estatsticas do exemplo anterior e comparar os resultados.
GRFICO DO VALOR INDIVIDUAL E AMPLITUDE MVEL (X e Rm) Fundamentos
Utilizado quando somente valores individuais estiverem disponveis. A amplitude
mvel (Rm) definida como sendo a diferena (em mdulo) entre m valores
individuais consecutivos. Os limites de controle destes grficos so:
LSCx = x + E2. R m
LMx = x
LICx = x - E2. R m
e
55
LSCRm = D4. R m
LMRm = R m
LICRm = D3. R m
Obs.: Os valores de E2 encontram-se tabulados no anexo
Exemplo:
No refino de petrleo, amostras so retiradas a cada duas horas, na linha de
bombeamento, e nestas determinado o seu teor de parafina. Os dados obtidos ao
longo de diversos dias so apresentados na tabela a seguir.
Amostra Valor Rm
1 22,7 -
2 20,7 2,0
3 21,2 0,5
4 19,7 1,5
5 18,7 1,0
6 24,2 5,5
7 26,8 2,6
8 18,9 7,9
9 24,5 5,6
10 24,9 0,4
11 19,2 5,7
12 16,8 2,4
13 23,0 6,2
14 19,8 3,2
15 18,8 1,0
16 19,1 0,3
17 22,6 3,5
18 20,9 1,7
19 17,4 3,5
20 25,6 8,2
21 22,0 3,6
22 21,8 0,2
23 23,2 1,4
24 23,5 0,3
25 26,0 2,5
Total 542,0 70,7
56
Clculo das estatsticas bsicas
x = k
x = 25
0,542 = 21,68 Rm = 1
k
Rm =
247,70 = 2,95
Clculo dos limites de controle
Para o grfico Rm
LSCRm = D4. R m = 3,267 x 2,95 = 9,64
LMRm = R m = 2,95
LICRm = D3. R m = nenhum
Para o grfico x
LSCx = x + E2. R m = 21,68 + 2,660 x 2,95 = 29,527
LMx = x = 21,68
LICx = x - E2. R m = 21,68 - 2,660 x 2,95 = 13,833
Avaliao da estabilidade do processo
Analisando-se inicialmente o grfico Rm, verifica-se que no h causas especiais
de variao atuando na disperso (variabilidade) do processo, j que no h pontos
fora dos limites de controle e estes se distribuem aleatoriamente (ao acaso) em
torno da linha mdia.
1214161820222426283032
1 3 5 7 9 11 13 15 17 19 21 23 25
Val
ores
Indi
vidu
ais
29,527
13,833
21,68
0123456789
10
1 3 5 7 9 11 13 15 17 19 21 23
Amostras
Am
plitu
des
Mv
eis
9,64
2 ,95
57
GRFICO DA MDIA E AMPLITUDE MVEIS (Xm-barra e Rm)
Fundamentos
Extenso do grfico para valores individuais. A vantagem deste tipo de grfico com
relao aos valores individuais que as mdias so mais sensveis presena de
causas especiais.
As mdias so calculadas similarmente ao que foi feito com as amplitudes mveis:
2
1 iiixxmx i= 1, 2, 3, ......, k -1
As frmulas para clculo dos limites de controle so:
LSC mx = x m+ A2. R m
LM mx = x m
LIC mx = x m - A2. R m e
LSCRm = D4. R m
LMRm = R m
LICRm = D3. R m
Exerccio: Recalcular os limites de controle utilizando os mesmos dados do
exemplo anterior.
58
Amostra Valor Xm - barra Rm
1 22,7 - -
2 20,7 21,70 2,0
3 21,2 20,95 0,5
4 19,7 20,45 1,5
5 18,7 19,20 1,0
6 24,2 21,45 5,5
7 26,8 25,50 2,6
8 18,9 22,85 7,9
9 24,5 21,70 5,6
10 24,9 24,70 0,4
11 19,2 22,05 5,7
12 16,8 18,00 2,4
13 23,0 19,90 6,2
14 19,8 21,40 3,2
15 18,8 19,30 1,0
16 19,1 18,95 0,3
17 22,6 20,85 3,5
18 20,9 21,75 1,7
19 17,4 19,15 3,5
20 25,6 21,50 8,2
21 22,0 23,80 3,6
22 21,8 21,90 0,2
23 23,2 22,50 1,4
24 23,5 23,35 0,3
25 26,0 24,75 2,5
Total 542,0 517,65 70,7
59
Resultado das estatsticas bsicas
x = 21,57 R m = 2,95
Resultado dos limites de controle
Para o grfico Rm
LSCRm = 9,64
LMRm = 2,95
LICRm = nenhum
Para o grfico xm-barra
LSC mx = 27,116
LM mx = 21,57
LIC mx = 16,024
Avaliao da estabilidade do processo
O grfico de controle para mdias mveis mostra os pontos dentro dos limites de
controle e tambm deve ser considerado estvel.
14151617181920212223242526272829
1 4 7 10 13 16 19 22 25
Amostras
Md
ias
Mv
eis
27 ,116
16 ,024
21 ,57
60
GRFICO POR BATELADAS
Fundamentos
Quando um determinado processo produz materiais em bateladas (ou lotes),
comum, em termos de variao, que cada batelada seja bastante homognea
havendo, porm, diferenas razoveis entre bateladas.
Significa que diferentes amostras retiradas de uma mesma batelada apresentam
pequena variao, mas quando se comparam as mdias das bateladas, percebe-
se que so completamente distintas.
A conseqncia disto que se construdos grficos do tipo mdia e amplitude
(x-barra e R), enquanto o grfico R se mostrar estvel, o mesmo no acontecendo
com o grfico x-barra.
Observao: diferenas entre bateladas devem ser entendidas como sendo parte
do comportamento do processo e, portanto, devem ser incorporadas no grfico de
controle empregado.
O grfico por bateladas uma mistura de grfico x-barra e R com x e Rm
As frmulas para clculo dos limites de controle so:
LSC x = x + E2. R m
LM x = x
LIC x = x - E2. R m e
LSCRm = D4. R m
LMRm = R m
LICRm = D3. R m
61
Exemplo: Na fabricao de certo tipo de medicamento, emprega-se um misturador
do tipo duplo-cone. O material resultante um p e so geradas cerca de 10
bateladas por dia. Os dados na tabela abaixo mostram os resultados quanto ao teor
ativo. Sabe-se de longa data que existem diferenas acentuadas entre lotes.
Amostra Valores x - barra Rm
1 6,915 - 6,910 6,9125 -
2 6,855 - 6,840 6,8475 0,0650
3 6,860 - 6,855 6,8575 0,0100
4 6,890 - 6,880 6,8850 0,0275
5 6,870 - 6,880 6,8750 0,0100
6 6,925 - 6,920 6,9225 0,0475
7 6,850 - 6,900 6,8750 0,0475
8 6,900 - 6,900 6,9000 0,0250
9 6,880 - 6,890 6,8850 0,0150
10 6,900 - 6,905 6,9025 0,0175
11 6,865 - 6,880 6,8725 0,0300
12 6,910 - 6,920 6,9150 0,0425
13 6,920 - 6,900 6,9100 0,0050
14 6,880 - 6,875 6, 8775 0,0325
15 6,890 - 6,895 6,8925 0,0150
Total 103,3300 0,3900
Clculo das estatsticas bsicas
8887,615
33,103
kx
x 0279,014390,0
1
kRm
mR
Clculo dos limites de controle
Para o grfico Rm
LSCRm = D4 mR = 3,267 x 0,0279 = 0,0911
LMRm = mR = 0,0279
LICRm = D3 mR = nenhum
62
Para o grfico x-barra
LSC x = x + E2 mR = 6,8887 + 2,660 x 0,279 = 6,9629
LM x = x = 6,8887
LIC x = x - E2 mR = 6,8887 - 2,660 x 0,279 = 6,8145
Avaliao da estabilidade do processo
Analisando-se inicialmente o grfico Rm, percebe-se que este estvel. O
grfico de controle para valores individuais tambm mostra uma distribuio
aleatria (ao acaso) dos pontos em torno da linha mdia e tambm deve ser
considerado estatisticamente estvel.
6,786,8
6,82
6,846,866,88
6,96,926,946,966,98
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Md
ias
6 ,8145
6 ,8887
6,9629
00,010,020,030,040,050,060,070,080,090,1
0,11
Amostras
Am
plitu
des
Mv
eis
0,0000
0 ,0279
0,0911
63
GRFICO POR GRUPOS
Fundamentos
H situaes, na prtica, em que existem vrios fluxos de produtos na produo, ou
ainda, onde o mesmo produto fabricado simultaneamente em diferentes conjuntos
de equipamentos.
Exemplos: mquinas com mltiplos cabeotes (enchimento de vasilhames), linhas
de processamento de mquinas dispostas em paralelo, etc..
Um dos princpios bsicos da formao de subgrupos recomenda que no se deve
misturar produtos provenientes de diferentes fontes (fluxos), j que eventuais
diferenas entre estes acusaro causas especiais no grfico de controle, devido ao
problema da estratificao.
Em lugar de se elaborar um grfico para cada fluxo, o grfico de controle por grupos
uma alternativa pois permite o controle de mltiplos fluxos atravs de um nico
grfico.
As frmulas de clculo so idnticas as dos grficos da mdia e amplitude (x-barra
e R). Entretanto os dados so agrupados de modo diferente ao que se adota convencionalmente.
Exemplo:
Em uma empresa, as peas so sinterizadas em fornos contnuos. A cada turno
retirada uma amostra de 6 peas do forno (duas fileiras com trs peas cada uma),
que so medidas quanto a sua dureza. Como o forno possui resistncias eltricas
em somente um lado, desconfia-se que possa haver diferenas entre peas
processadas na lateral esquerda, lateral direita e parte central da esteira
transportadora.
64
Tabela 1: Dureza de peas sinterizadas.
Amostra Fila Turno Esquerdo Centro Direito
1 A 1 115 110 107
B 116 113 108
2 A 2 113 109 107
B 118 110 111
3 A 1 114 109 108
B 114 110 110
4 A 2 114 110 107
B 115 110 109
5 A 1 112 108 105
B 113 107 106
6 A 2 114 107 106
B 115 111 104
7 A 1 112 106 104
B 112 106 105
8 A 2 113 109 110
B 115 108 108
9 A 1 115 111 109
B 116 113 109
10 A 2 113 107 104
B 113 108 105
11 A 1 113 110 108
B 116 108 107
12 A 2 116 113 113
B 118 108 110
65
Clculo das estatsticas bsicas
Na tabela 2, os dados foram rearranjados de modo a permitir o clculo das
mdias e amplitudes de cada amostra. Percebe-se que cada amplitude
calculada deste modo reflete a variao entre duas peas consecutivas no forno
(filas A e B), enquanto que cada mdia representa diferenas entre posies do
forno (lado esquerdo, centro e direito). A cada conjunto de valores obtidos (6 no
total) em dado turno, d-se o nome de grupo.
As estatsticas bsicas, para os dados agrupados dessa nova maneira, ficam:
35,11036
5,3972
kx
x 61,13658
k
RR
Clculo dos limites de controle
Para o grfico R
LSCR = D4 R = 3,267 x 1,61 = 5,26
LMR = R = 1,61
LICR = D3 R = nenhum
Para o grfico x-barra
LSC x = x + A2 R = 110,35 + 1,880 x 1,61 = 113,38
LM x = x = 110,35
LIC x = x - A2 R = 110,35 - 1,880 x 1,61 = 107,32
Construo do grfico
Os grficos so similares aos da mdia e amplitude; contudo no grfico R
somente se coloca a maior amplitude de cada grupo e, no grfico x-barra, so marcadas as maiores e menores mdias de cada grupo.
66
Tabela 2: Dados em Grupos Legenda: E = esquerda; C = centro; D = direita
Grupo Amostra Posio Fila A Fila B x-barra R
1 1 E 115 116 115,5 1
2 C 110 113 111,5 3
3 D 107 108 107,5 1
2 4 E 113 118 115,5 5
5 C 109 110 109,5 1
6 D 107 111 109,0 4
3 7 E 114 114 114,0 0
8 C 109 110 109,5 1
9 D 108 110 109,0 2
4 10 E 114 115 114,5 1
11 C 110 110 110,0 0
12 D 107 109 108,0 2
5 13 E 112 113 112,5 1
14 C 108 107 107,5 1
15 D 105 106 105,5 1
6 16 E 114 115 114,5 1
17 C 107 111 109,0 4
18 D 106 104 105,0 2
7 19 E 112 112 112,0 0
20 C 106 106 106,0 0
21 D 104 105 104,5 1
8 22 E 113 115 114,0 2
23 C 109 108 108,5 1
24 D 110 108 109,0 2
9 25 E 115 116 115,5 1
26 C 111 113 112,0 2
27 D 109 109 109,0 0
10 28 E 113 113 113,0 0
29 C 107 108 107,5 1
30 D 104 105 104,5 1
11 31 E 113 116 114,5 3
32 C 110 108 109,0 2
33 D 108 107 107,5 1
12 34 E 116 118 117,0 2
35 C 113 108 110,5 5
36 D 113 110 111,5 3
Total 3972,5 58
67
Grfico por Grupos
Anlise interpretao da estabilidade estatstica
Embora o grfico R seja estvel, o x-barra apresenta vrios pontos fora dos
limites de controle, evidenciando que o processo no estvel e, portanto, que
existem diferenas estatisticamente significativas entre um lado e outro do forno.
102103104105106107108109110111112113114115116117118
1 2 3 4 5 6 7 8 9 10 11 12
Md
ias
113,38
110,35
107,32
0,00,51,01,52,02,53,03,54,04,55,05,56,0
1 2 3 4 5 6 7 8 9 10 11 12
Grupos
Ampl
itude
s
5,26
1,61
68
GRFICO 3-D Fundamentos
Num grfico convencional para variveis, os valores de R-barra, s-barra ou Rm -
barra determinam a distncia em que os limites de controle ficam com relao
linha mdia no grfico x-barra. Ou seja, a variao dentro da amostra determina o
quanto de diferena pode existir na variao entre amostras, antes que esta seja
considerada estatisticamente significativa.
Contudo, h situaes em que a variao dentro da amostra no serve de boa base
para o estabelecimento dos limites de controle de x-barra. Casos onde isto ocorre
so:
Na fabricao de lotes em bateladas, em que as diferenas entre lotes so
acentuadas em virtude da variao inerente s matrias-primas e no h
possibilidade de reduzi-la;
Na fabricao de produtos contnuos (trefilao, extruso, laminao, etc.) onde a
variao transversal mquina no uma base adequada para estabelecer a faixa
de variao longitudinal mquina, em virtude de suas naturezas totalmente
opostas.
Os grficos de controle 3-D so, na verdade, uma combinao dos grficos x-barra e R
com o grfico x-Rm, de forma que possibilitam o controle de mais de dois tipos de
variao simultaneamente.
O grfico R ir monitorar a variao dentro da amostra. Consequentemente as frmulas
para clculo dos limites de controle so:
LSCR = D4. R
LMR = R
LICR = D3. R
O grfico Rm, por sua vez, servir de base para estabelecer a distncia dos
limites de controle linha mdia, no grfico x-barra. Portanto,
,LSCRm = D4. R m
LMRm = R m
LICRm = D3. R m
69
Finalmente, o grfico x-barra ser calculado atravs das frmulas:
LSCx = x + E2. R m
LMx = x
LICx = x - E2. R m Exemplo: Na fabricao de papel, retira-se uma tira ao final de cada bobina. Nesta tira so cortados transversalmente cinco espcimens que tm a sua gramatura determinada. A tabela a seguir, mostra os resultados de um acompanhamento feito em vinte bobinas
Bobina VALORES x-barra R Rm A B C D E 1 69,7 69,4 68,7 70,6 70,3 69,74 1,9 - 2 70,7 70,2 70,1 71,7 70,6 70,66 1,6 0,92 3 69,2 70,6 70,5 68,5 69,7 69,70 2,1 0,96 4 70,9 70,8 69,7 68,6 70,0 70,00 2,3 0,30 5 69,2 71,0 70,5 70,2 69,9 70,16 1,8 0,16 6 69,7 69,9 71,0 69,4 69,3 69,86 1,7 0,30 7 67,9 69,0 70,1 68,5 69,2 68,94 2,2 0,92 8 71,4 68,6 69,4 70,7 70,3 70,08 2,8 1,14 9 68,3 70,1 70,2 69,7 69,9 69,64 1,9 0,44 10 69,8 69,0 69,2 69,1 71,1 69,64 2,1 0,00 11 69,1 69,6 71,0 70,8 69,9 70,08 1,9 0,44 12 70,5 71,5 69,1 70,3 69,8 70,24 2,4 0,16 13 70,4 70,1 71,1 70,8 69,6 70,48 1,7 0,24 14 68,7 69,9 69,8 70,3 70,3 69,80 1,6 0,68 15 70,7 68,1 69,9 70,2 70,8 69,94 2,7 0,14 16 69,8 70,1 69,3 69,5 71,2 69,98 1,9 0,04 17 70,7 70,5 70,8 69,3 70,1 70,28 1,5 0,30 18 70,4 70,6 70,9 69,8 69,1 70,16 1,8 0,12 19 70,2 69,6 69,7 69,4 70,7 69,92 1,3 0,24 20 68,5 70,8 69,7 71,8 69,2 70,00 3,3 0,08
Total 1399,30 40,5 7,58
70
Clculo das estatsticas bsicas
As mdias, amplitudes e amplitudes mveis j esto calculadas na tabela. Tem-se ainda que:
kx
x = 20
30,399.1 = 69,965 k
RR =
205,40 = 2,03
R = 40,01958,7
1
k
Rm
Clculo dos limites de controle
para o grfico R
LSCR = D4. R = 2,114 x 2,03 = 4,29
LMR = R = 2,03
LICR = D4. R = nenhum
para o grfico Rm
,LSCRm = D4. R m = 3,267 x 0,40 = 1,31
LMRm = R m = 0,40
LICRm = D3. R m = nenhum
para o grfico x
LSCx = x + E2. R m = 69,97 + 2,660 x 0,40 = 71,03
LMx = x = 69,97
LICx = x - E2. R m = 69,97 - 2,660 x 0,40 = 68,91
anlise e interpretao dos grficos
Pela anlise dos grficos de controle, pode-se perceber que o processo estvel
(no h presenas de causas especiais de variao atuando)
71
68,668,869,069,269,469,669,870,070,270,470,670,871,071,271,4
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Amotras
Md
ias
4,29
2,03
0,0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Amotras
Am
plitu
des
mv
eis
4,29
2,03
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
5,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Amotras
Am
plitu
des
4,29
2,03
72
FLUXOGRAMA PARA SELEO DE GRFICO PARA VARIVEIS
Varivel
nn == 11
nn >> 11
xx ee RRmm
nn >> 1100
nn
73
GRFICOS DE CONTROLE PARA ATRIBUTOS
GRFICO DA FRAO DEFEITUOSA (p)
Fundamentos
A frao defeituosa da amostra definida como sendo a razo entre o nmero de
defeituosos encontrados na amostra (d) e o tamanho da amostra (n):
p = nd
Distribuio de probabilidade: Binomial
Quando: n. p > 5 e n.(1- p ) > 5 com p =
i
i
nd
pode-se utilizar a
distribuio normal (aproximao da binomial pela normal):
)(.3)( pp
Como no so conhecidos (p) e (p), ento estes so estimados a partir dos
dados das amostras, passando a ser:
LSCp = p + 3. npp )1(
LMp = p
LICp = p - 3. npp )1(
74
Exemplo:
Numa indstria farmacutica, diariamente so obtidas amostras de produtos
acabados que so examinados quanto a erros de embalagem (falta de bula, falta de
cdigo de lote, falta de prazo de validade, falta de rtulo, manchas de impresso,
etc.).
Coleta de amostras e formao de subgrupo
Cada amostra deve representar adequadamente um dia de produo e, portanto,
deve ser obtida ao longo de todo o perodo. Cada frasco classificado em bom ou
ruim (com ou sem erros).
Amostras iniciais
Como no havia idia de qual a proporo defeituosa mdia deste processo, optou-
se por tomar amostras de 200 itens, ao longo de 15 dias.
Tabela: Processo de embalagem de frascos
Dia Verificados Com erros p
1 200 22 0,110
2 200 25 0,125
3 200 17 0,085
4 200 18 0,090
5 200 37 0,185
6 200 29 0,145
7 200 21 0,105
8 200 17 0,085
9 200 20 0,100
10 200 25 0,125
11 200 8 0,040
12 200 24 0,120
13 200 29 0,145
14 200 18 0,090
15 200 22 0,110
Total 3000 333
75
Clculo dos limites de controle
LSCp = p + 3. npp )1( = 0,111 + 3.
200)111,01(111,0 = 0,1776
LMp = p = 0,111
LICp = p - 3. n
pp )1( = 0,111 - 3.200
)111,01(111,0 = 0,0444
Anlise e interpretao do grfico
Pode-se verificar que h duas causas especiais de variao atuando no
processo: uma no dia 5 e outra, no dia 11.
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0,18
0,20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
DIAS
PRO
POR
O
0,1776
0,111
0,0444
76
GRFICO DA FRAO DEFEITUOSA (p), COM AMOSTRAS DE TAMANHO
VARIVEL
Fundamentos
Se o nmero de itens inspecionados (tamanho do grupo) variar somente de forma
menos pondervel (no mais que 20%), os limites podero ser calculados com base
no nmero mdio de itens inspecionados. Se existir variao maior, limites de
controle tero de ser calculados para cada tamanho de grupo, j que os mesmos
so funo do tamanho do grupo.
Considere o seguinte exemplo, que fornece os dados de um processo de produo:
Tabela: Tamanho da amostra e nmero de itens no-conformes
Dia Nmero de
inspecionados,
n
Nmero de no-conformes,
d (=np) Dia
Nmero de inspecionados,
n
Nmero de no-conformes
d (=np)
1 42 1 11 66 5
2 55 3 12 57 1
3 60 1 13 48 3
4 71 2 14 62 5
5 53 2 15 59 1
6 49 9 16 40 3
7 61 0 17 46 4
8 93 2 18 66 5
9 50 5 19 72 1
10 65 9 20 70 4
= 1285 d = 66
77
p = nd
logo,
nd
p , ou seja, p = 1285
66 = 0,051
LSCp = p + 3. npp )1(
LMp = p
LICp = p - 3. n
pp )1(
Tabela: Clculo de fraes defeituosas
Dia p 3. n
pp )1( LSCp LICp
1 0,024 0,102 0,153 0
2 0,055 0,090 0,141 0
3 0,017 0,086 0,137 0
4 0,028 0,079 0,130 0
5 0,038 0,091 0,142 0
6 0,183 0,095 0,146 0
7 0,000 0,085 0,136 0
8 0,022 0,069 0,120 0
9 0,100 0,094 0,145 0
10 0,138 0,082 0,133 0
11 0,075 0,082 0,133 0
12 0,018 0,088 0,139 0
13 0,063 0,096 0,147 0
14 0,081 0,084 0,135 0
15 0,017 0,086 0,137 0
16 0,075 0,105 0,156 0
17 0,087 0,098 0,149 0
18 0,076 0,082 0,133 0
19 0,014 0,078 0,129 0
20 0,057 0,079 0,130 0
78
Grfico de controle da frao defeituosa com limites variveis
Pode-se observar na tabela acima que as fraes defeituosas para os dias 6 e 10 esto
acima dos limites superiores de controle. Nesses casos, o processo precisa ser
investigado com relao a causas especiais de variao. Se puder ser encontrada uma
explicao, os dados desses dois dias podero ser eliminados, p poder ser recalculado e um novo conjunto de limites para controlar a qualidade de itens
subseqentes poder ser definido.
79
Clculo da frao defeituosa com valores estabilizados Tabela:
Dia p sp pp s ppp
1 0,024 0,034 -0,027 -0,79
2 0,055 0,030 -0,004 +0,13
3 0,017 0,029 -0,034 -1,17
4 0,028 0,026 -0,023 -0,88
5 0,038 0,030 -0,013 -0,43
6 0,183 0,032 +0,132 +4,13
7 0,000 0,028 -0,051 -1,82
8 0,022 0,023 -0,029 -1,26
9 0,100 0,031 +0,049 +1,58
10 0,138 0,027 +0,087 +3,22
11 0,075 0,027 +0,024 +0,83
12 0,018 0,029 -0,033 -0,14
13 0,063 0,032 +0,012 +0,37
14 0,081 0,028 +0,030 +1,07
15 0,017 0,029 -0,034 -1,17
16 0,075 0,035 +0,024 +0,69
17 0,087 0,033 +0,036 +1,09
18 0,076 0,027 +0,025 +0,93
19 0,014 0,026 -0,037 -1,42
20 0,057 0,026 +0,006 +0,23
80
Grfico de controle da frao defeituosa padronizada
81
GRFICO DO NMERO DE DEFEITUOSOS (np)
Fundamentos
Este grfico similar ao anterior, com a diferena de que se deseja marcar o
nmero de defeituosos encontrados na amostra.
Seus limites de controle so:
LSCnp = n. p + 3. )1.(. ppn
LMnp = n. p
LICnp = p - 3. )1.(. ppn
GRFICO DO NMERO DE DEFEITOS (C)
Fundamentos
Distribuio de probabilidade: Poisson
Quando: c > 5 com c = kci , onde k = quantidade total de amostras pode-se
utilizar a distribuio normal (aproximao da Poisson pela normal):
)(.3)( cc Como (c) e (c) so desconhecidos, resulta:
LSCc = c + 3. c LMc = c LICc = c - 3. c Exemplo:
Na fabricao de celulose microcristalina em p, de cada lote produzido extrada
uma amostra de 30 gramas e contado o nmero de pontos pretos nesta existentes.
A tabela a seguir mostra os resultados do acompanhamento de 30 lotes deste
produto.
82
Coleta de amostras e formao de subgrupos
Por se tratar de contagem de pontos pretos, em amostras de tamanho constante
(30 gramas), pode-se empregar o grfico c.
Tabela: Pontos pretos
Lote Pontos Lote Pontos
1 8 16 16
2 12 17 15
3 56 18 6
4 14 19 23
5 10 20 21
6 12 21 36
7 8 22 20
8 10 23 21
9 28 24 35
10 20 25 31
11 10 26 28
12 8 27 10
13 12 28 8
14 35 29 12
15 20 30 10
Clculo das estatsticas bsicas
c = kci =
30555 = 18,5
Clculo dos limites de controle
LSCc = c + 3. c = 18,5 + 3. 5,18 = 31,4
LMc = c = 18,5 LICc = c - 3. c = 18,5 - 3. 5,18 = 5,6
83
Anlise e interpretao da estabilidade do processo
Diversos pontos encontram-se acima do limite superior de controle, indicando
que o processo instvel.
0,00
5,00
10,00
15,00
20,00
25,00
30,00
35,00
40,00
45,00
50,00
55,00
60,00
65,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
LOTES
PONT
OS
PRET
OS
31,4
18,5
5,6
84
GRFICO DO NMERO DE DEFEITOS POR UNIDADE DE INSPEO (u)
Fundamentos
O nmero de defeitos por unidade de inspeo (u) definido como sendo a razo entre o nmero de defeitos na amostra (c) e o tamanho da unidade de inspeo (n):
u = nc
logo, u = nc
Por unidade de inspeo se entende uma certa quantidade de itens, comprimento,
volume, tempo, etc. tomada como adequada para a finalidade de inspeo.
Os limites de controle so:
LSCu = u + 3. u LMu = u LICu = u - 3. u
Exemplo: No exemplo anterior, dos pontos pretos, foi estabelecido um grfico c, pois o
tamanho da amostra era constante e igual a 30 g. Imaginemos agora, que, por
razes de economia, a empresa decidiu reduzir o tamanho da amostra para 15 g.
Pode-se dizer que se originalmente se tinha uma unidade de inspeo (UI), ento
agora h somente meia UI, ou seja, se 30 g = 1 UI 15 g = 0,5 UI
Equivalente, pode-se tambm dizer que antes n = 1 e agora n = 0,5. Logo, os novos limites de controle (com a mudana de n) ficam:
Clculo dos limites de controle
LSCu = u + 3. u = 37,0 + 3. 37,0 = 55,2 LMu = u = 37,0 LICu = u - 3. u = 37,0 - 3. 37,0 = 18,8
85
TAMANHOS MNIMOS DE AMOSTRAS
Quando se trabalha com atributos, necessrio garantir que as amostras
tenham tamanhos mnimos para que haja oportunidade do aparecimento dos
problemas. Amostras muito pequenas fazem com os grficos de controle se tornem
totalmente ineficazes (ver exemplo abaixo)
Grficos por Classificao (p ou np)
Para estes grficos serem eficazes, deve-se ter:
n. p > 5 e n.(1 - p ) > 5
Grficos por Contagem (c ou u)
Para estes grficos serem eficazes, deve-se ter c > 5
0,00
0,05
0,10
0,15
0,20
0,25
0,30
0,35
0,40
1 2 3 4 5 6 7 8 9 10
AMOSTRAS
P
86
FLUXOGRAMA PARA SELEO DE GRFICO PARA ATRIBUTOS
ATRIBUTO
Classifica-o
Contagem
c ou u
n
Constante
u
n
Varivel
p ou np
n
Constante
p
n
Varivel
87
INTERPRETAO DA ESTABILIDADE DO PROCESSO
PROCESSO ESTATISTICAMENTE ESTVEL
Os pontos nos grficos de controle devem distribuir-se aleatoriamente em torno
da linha mdia, sem que padres do tipo:
a) tendncias crescentes ou decrescentes;
b) ciclos;
c) estratificaes ou misturas;
d) pontos fora dos limites de controle
- Alguns exemplos de causas especiais -
88
TESTES DE NO-ALEATORIEDADE
Teste Critrio
1. Ponto fora dos limites de controle
Um nico ponto acima do LSC ou abaixo do LIC
2. Presena de ciclos ou tendncias
Seis pontos consecutivos aumentando ou diminuindo
Pontos oscilando para cima e para baixo, formando ciclos
3. Estratificao ou falta de variabilidade
Quinze pontos consecutivos na zona C Quatorze pontos consecutivos se
alternando para cima e para baixo
4. Seqncia de pontos prximos dos limites de controle
Oito pontos consecutivos fora da zona A Dois em trs pontos consecutivos na zona
A Quatro em cinco pontos consecutivos fora
da zona C 5. Seqncia de pontos do
mesmo lado da linha mdia Nove pontos consecutivos do mesmo lado
da linha mdia
89
PROCESSO FORA DE CONTROLE
90
ANLISE DA CONDIO FORA-DE-CONTROLE
1. TROCA OU SALTO NO NVEL GRFICO DA MDIA: OPERADOR NOVO OU INEFICIENTE; MATERIAIS DIFERENTES; MUDANA NO PROCESSO. GRFICO DA AMPLITUDE: OPERADOR INEXPERIENTE; GRANDE VARIAO NO MATERIAL.
2.TENDNCIA OU TROCA DO ESTADO NO NVEL GRFICO DA MDIA: DETERIORAO GRADUAL DO EQUIPAMENTO; MUDANA DE TEMPERATURA OU UMIDADE. GRFICO DA AMPLITUDE: MAIOR DEDICAO DO OPERADOR; MELHOR HOMOGENEIDADE DO MATERIAL.
91
3.CICLOS RECORRENTES
GRFICO DA MDIA: EFEITOS SAZONAIS; EVENTOS PERIDICOS.
GRFICO DA AMPLITUDE: FADIGA DO OPERADOR; CICLO DE MANUTENO
4.DUAS POPULAES
GRFICO DA MDIA: DIFERENTES MQUINAS, OPERADORES, PROCESSOS OU MATERIAIS.
GRFICO DA AMPLITUDE: MATERIAIS DE FORNECEDORES DIFERENTES.
92
ANLISE DA CONDIO FORA-DE-CONTROLE - ERROS -
O que ? A autocorrelao nada mais do que um mecanismo existente no processo, que faz com que os dados no sejam mais independentes entre si ao longo do tempo. Identificao da autocorrelao Para se medir o grau e a intensidade da autocorrelao existente entre dados, usualmente utiliza-se o coeficiente de autocorrelao, definido como:
)(
),(2 x
xxt
LttL
COV
L = 1,2,3,......k
onde: L o retardo (do ingles, lag) existente entre os dados no clculo de L COV (xt , xt-L ) a covarincia
2 (xt) a varincia populacional k a quantidade total de amostras
Na prtica, L estimado pelo coeficiente de auto correlao amostral, chamado de L e calculado atravs de:
)( 2
))((
xxxx
i
xx LiiL L= 1,2,3,.........k
Equipamentos de medio mal calibrados; Erros em clculos; Erros no uso de equipamentos de teste; Extrao de amostras de diferentes populaes
AUTOCORRELAO
93
Os valores de L esto sempre entre -1 e +1 (inclusive) e quanto maior o seu valor em mdulo, maior a possibilidade de existncia de autocorrelao entre os dados. Funo de Autocorrelao A funo de autocorrelao (FAC) nada mais do que a representao grfica do coeficiente de autocorrelao em funo dos diversos retardos L que podem ser atribudos aos dados. A figura a seguir apresenta um exemplo deste tipo de funo. No eixo horizontal so colocadas barras cuja altura igual ao valor do coeficiente de autocorrelao, enquanto que, no eixo vertical, esto seus respectivos retardos. Esta funo permite que se entenda melhor o comportamento da dependncia estatstica entre os dados e, posteriormente, ser til quando da determinao de qual srie temporal utilizar para o modelamento do processo. Avaliao da Autocorrelao Para se determinar se a autocorrelao significativa ou no, pode ser feito um teste muito simples que consiste em calcular a seguinte quantidade:
e = k
2
onde k o nmero total de dados empregados no clculo de L . Se algum coeficiente de autocorrelao superar o valor + e, ento a autocorrelao significativa.
94
Grficos de Controle na Presena de Autocorrelao Quando h correlao entre dados, os limites de controle obtidos atravs das frmulas do CEP convencional devem ser calculados de modo diferente, seno o grfico ir apontar causas especiais indevidamente, ou seja, fornecer alarmes falsos. Somente podem ser empregados grficos da mdia e amplitude ( x - barra e R ) ou , de valor individual e amplitude mvel (x e Rm). Grficos da Mdia e Amplitude Os limites de controle para a mdia, ajustados em funo da autocorrelao, ficam:
LSC x = x + 3.csx
*
4
LM x = x
LIC x = x - 3.csx
*
4
Onde s x o desvio-padro das mdias calculado mediante:
s x =
1
2
k
xx e
c*4 o prprio fator de correo c4 , porm baseado na quantidade de amostras (k), e no no tamanho da amostra (n). Os limites de controle do grfico da amplitude permanecem iguais aos do caso convencional, ou seja: LSCR = D4. R LMR = R LICR = D3. R Grficos para Valor Individual e Amplitude Mvel Os limites de controle para valor individual, ajustados em funo da autocorrelao, ficam:
LSCx = x + 3.cs x
*
4
LMx = x
LICx = x - 3.csx
*
4
Onde s x o desvio-padro dos valores individuais, calculado como:
95
1
2
k
xxs ix Os limites de controle do grfico da amplitude mvel no se modificam. Avaliao da Estabilidade Estatstica do Processo Quando o fenmeno de autocorrelao ocorre, os testes de no-aleatoriedade no mais so vlidos. Somente pode-se aplicar o teste do ponto fora dos limites de controle para avaliar a estabilidade do processo.
Exemplo Os dados da tabela a seguir so teores de carbonato de clcio de um certo tipo de produto, obtidos atravs de medies efetuadas em um tanque, de meia em meia hora.
Amostra Valor Amostra Valor Amostra Valor 1 0,044 21 0,033 41 0,041 2 0,036 22 0,037 42 0,040 3 0,034 23 0,040 43 0,040 4 0,036 24 0,037 44 0,041 5 0,031 25 0,037 45 0,043 6 0,036 26 0,035 46 0,042 7 0,034 27 0,035 47 0,044 8 0,039 28 0,034 48 0,041 9 0,043 29 0,036 49 0,038 10 0,041 30 0,032 50 0,039 11 0,047 31 0,030 51 0,039 12 0,048 32 0,031 52 0,039 13 0,041 33 0,034 53 0,039 14 0,036 34 0,033 54 0,041 15 0,036 35 0,034 55 0,042 16 0,030 36 0,039 56 0,038 17 0,032 37 0,043 57 0,035 18 0,034 38 0,039 58 0,034 19 0,034 39 0,040 59 0,033 20 0,035 40 0,038 60 0,035
96
No entanto, ao se levantar a funo de autocorrelao entre amostras, verifica-se que ela existe e, portanto, justifica em parte a existncia de tantos pontos fora dos limites de controle.
97
Clculo dos novos limites de controle
LSCx = x + 3.csx
*
4
= 0,0375 + 3 x 0,0041 = 0,0498
LMx = x = 0,0375
LICx = x - 3.csx
*
4
= 0,0375 - 3 x 0,0041 = 0,0252
Concluso O processo estvel. Isto demonstra que na presena de autocorrelao, os limites de controle no podem ser calculados do modo convencional ou, ento apontaro erroneamente causas especiais.
98
CAPACIDADE DO PROCESSO OBJETIVO
Verificar se um dado processo atende ou no s especificaes do produto.
Cuidados:
1. O processo deve ser estvel ausncia de causas especiais de variao;
2. Os valores individuais devem seguir a distribuio normal.
TESTES PARA DISTRIBUIO NORMAL
Papel de probabilidade normal (PPN)
Consiste em calcular as freqncias relativas acumuladas dos dados e
marc-los no PPN. Se os pontos ficares aproximadamente alinhados
segundo uma linha reta, pode-se admitir que a distribuio normal vlida
para representar a variabilidade do processo. Teste para Distribuio Normal
Exemplo Seja o seguinte conjunto de valores:
CLASSE % % ACUMULADA < 950 0 0
950 < x < 955 5 5 955 < x < 960 23 28 960 < x < 965 36 64 965 < x < 970 27 91 970 < x < 975 8 99 975 < x < 980 1 100
Total 100
99
CAPABILIDADE DO PROCESSO E ESPECIFICAES - Exemplos -
PROCESSO
ESPECIFICAO
-4
PODE SER OUTRA
DISTRIBUIO
( + 3) - ( - 3) = 6
-3 -2 - + +2 +3 +4
99,74%
0,4
0,3
0,2
0,0
0,1
f(x)
LIE = LIMITE INFERIOR DA ESPECIFICAO
10 mm
inches
20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200
0 3 2 4 5 6 7 8 9
LSE = LIMITE SUPERIOR DA ESPECIFICAO
100
CASO I: 6 < LIE LSE
CASO II: 6 = LSE - LIE LSE
LIE
CASO III: 6 > LSE - LIE LSE
LIE
LIE
101
CAPACIDADE DO PROCESSO
- ndices de Capacidade - ndice Cp
definido como sendo a razo entre a tolerncia da especificao e a disperso
total do processo.
Cp = .6
LIELSE , onde LSE e LIE so os limites superior e inferior de
especificao, respectivamente.
Como o desvio-padro do processo desconhecido, ento utiliza-se R e s com
seus fatores de correo d2 e c4, respectivamente.
Cp =
2
.6dR
LIELSE =
4
.6csLIELSE
O ndice Cp compara a variao (disperso) total permitida pela especificao
com a variao consumida pelo processo.
Cp > 1,33 indica que o processo capaz
1,00 < Cp < 1,33 indica que o processo medianamente capaz
Cp < 1,00 indica que o processo no capaz
102
ndice Cpk Cpk avalia a distncia da mdia do processo (x- duas barras) aos limites de
especificao.
O ndice definido como sendo o menor valor entre Cpi e Cps:
Cpk = min [Cpi, Cps], com:
Cpi =
dRLIEx
2
.3
=
csLIEx
4
.3
e
Cps =
dR
xLSE
2
.3
=
cs
xLSE
4
.3
Observao: O ndice Cp somente compara a variao total permitida pela
especificao. Portanto Cpk mais crtico em termos de chances
de serem produzidos itens fora da especificao. Se Cpk > 1,33
ento o processo ser capaz.
ndices Pp e Ppk
Regra geral, devem ser empregados em avaliaes preliminares, normalmente
nas etapas de obteno de amostras ou de fabricao de lote-piloto, quando h
poucos dados disponveis e no h critrio racional para formao de subgrupos.
Estes ndices so similares a Cp e Cpk, porm apresentam no denominador o
desvio-padro da amostra (s).
Pp = sLIELSE
.6
e Ppk = min [Ppi, Pps] com
Ppi = sLIEx.3
e Pps = s
xLSE.3
103
A interpretao de Pp e Ppk idntica dos ndices Cp e Cpk. Ambos devem ser
superiores a 1,00 (ou 1,33, ou at 1,67)
104
INSPEO POR AMOSTRAGEM INTRODUO
Onde se realiza inspeo de qualidade num processo produtivo:
na recepo de matria - prima; em diversos pontos do processo; na verificao do produto final.
Geralmente, a inspeo feita por amostragem porque:
custo da inspeo completa muito elevado; a inspeo completa pode originar maus resultados (!) (monotonia
no processo de inspeo)
Inspeo Destrutiva
situao em que o uso de amostragem torna-se obrigatrio.
Inspeo em Lotes
itens agrupado em lotes. As decises so tomadas em relao aos lotes e no aos itens individuais.
exemplo: lote com 100 lmpadas (caixa) - critrio de aceitao: inspeo em amostra de 8 lmpadas.
105
PLANOS DE AMOSTRAGEM
Lote de N peas, com D defeituosas:
Frao defeituosa do lote
P o nvel de qualidade do lote, expresso em (%)
Amostra de n peas, com d defeituosas:
Frao defeituosa da amostra
Plano de amostragem:
Consiste em obter uma regra de ao que, aplicada a uma srie de lotes, permite aceitar lotes de uma certa qualidade, com um risco calculado.
P = D/N
p = d/n
106
INSPEO POR AMOSTRAGEM TERMINOLOGIA
Nmero de aceitao (a): Nmero mximo de no-conformes (ou de no-conformidades) em amostras com o fim de se aceitar um lote. Nmero de rejeio (r): Nmero mnimo de no-conformes (ou de no-conformidades) em amostras com o fim de se rejeitar um lote
Risco do produtor (P1): Probabilidade de uma partida de boa qualidade ser rejeitada.
Risco do consumidor (P2): Probabilidade de que uma partida de m qualidade ser aceita.
NQA: Percentagem mxima de no-conformidades que, para fins de aceitao por amostragem, possa ser considerada como satisfatria para a mdia do processo. NQI: Nvel de qualidade inaceitvel, isto , de lotes de m qualidade, para fins do consumidor.
Qualidade Mdia Resultante (QMR): Qualidade mdia percentual de no-conformes do produto final, incluindo todos os lotes aceitos. Tambm inclui lotes rejeitados que tenham sido realmente inspecionados 100% com todos os no-conformes substitudos por itens perfeitos. Qualidade Mdia Resultante Limite (QMRL): Valor mximo para a mdia da percentagem no-conforme do produto final quando todos os lotes rejeitados tiverem sido examinados e aps a substituio de no-conformes encontrados (isto , valor mximo de QMR)
107
ACEITAO E REJEIO
N = tamanho do lote n = tamanho da amostra a = nmero de aceitao (nmero mximo de itens defeituosos
que se permite na amostra). r = nmero de rejeio r = a + 1
0 < a < n - 1
1 < r < n
Probabilidade de Aceitao
F (a) = probabilidade de aceitao F (a) = P { 0 < d < a }
Probabil