8 Ferramentas da Qualidade

8.1 INTRODUO Com a finalidade de estudar mtodos estatsticos utilizados em Controle Estatstico de Processo (CEP), faremos inicialmente uma breve abordagem aos conceitos bsicos de estatstica. Os mtodos que a Estatstica utiliza so aplicveis a todas as cincias, sendo que alguns so mais utilizados em uma rea do que em outra. Assim, por exemplo, os mtodos de controle estatstico da qualidade so mais utilizados nas indstrias e em servios. Na indstria sua utilizao vai desde o recebimento de matria-prima, passando por todas as etapas de transformao, inspeo de qualidade do produto (na fase do acabamento), e terminando na colocao do produto acabado no mercado consumidor. Pode-se dizer que a utilizao dos mtodos estatsticos de controle de qualidade hoje a grande responsvel pelo sucesso da indstria japonesa em todos os setores de atividade. claro que estes mtodos no constituem nenhuma novidade, mas o que deve ressaltar o carter srio e racional com que os japoneses os impuseram em seu programa industrial, com o emprego de profissionais capacitados. 8.2 COLETA DE DADOS No existem na natureza dois elementos exatamente iguais; sempre h variao. Esta uma das razes dos projetos de engenharia inclurem tolerncia em especificaes; o reconhecimento de que a variao est presente nos produtos. Existem basicamente dois tipos de variao: a aleatria (tambm chamada de variao comum ao processo) e a no aleatria que tem origem em causas especiais que devem ser eliminadas a fim de que se consiga uma maior uniformidade nos produtos ou servios produzidos. Para estudar a variao existente nos processos1 necessrio fazer observaes, isto , coletar dados. Os principais mtodos que permitem coletar dados estatsticos so o levantamento completo e a amostragem. No levantamento completo estuda-se as variveis de interesse em todos os elementos que compem um universo (populao) claramente definido. Por exemplo, algumas indstrias fazem inspeo completa considerando cada item como defeituoso ou no defeituoso em toda sua produo (aqui o universo toda a produo). As desvantagens mais srias deste mtodo so o elevado custo, pois significa trabalhar com volumes de informaes muito grandes (toda produo) e a consequente demora na obteno dos resultados, alm de cometer erros na leitura e no tratamento dos dados. A amostragem entendida como um levantamento parcial das variveis de interesse dos elementos que compem o universo. dito parcial uma vez que se considera uma frao do universo, isto , uma amostra. Suas grandes vantagens so, obviamente, o custo, que em geral muito inferior ao do levantamento completo, o tempo gasto na coleta dos dados e fidedignidade das informaes que ela traz. Ao se desenvolver uma pesquisa de opinio pblica, por exemplo, uma pesquisa

Observao: Entende-se por processo uma srie de aes ou operaes, influenciada por vrios fatores que contribuem para um eventual resultado. Por exemplo, na indstria, processo a combinao de mquinas, mtodos, mo-de-obra, medio, meio ambiente e materiais (6M) 8. 1

sobre aceitabilidade de um determinado produto no mercado consumidor. Utiliza-se um questionrio para se fazer a coleta de dados. Na indstria, quando se est acompanhando o processo atravs de grficos de controle, no se faz questionrio algum; mas deve ser confeccionado um impresso apropriado, prevendo tomar as informaes do equipamento, nome do operrio que est fazendo a coleta de dados, nome ou nmero da operao, especificao de engenharia, critrios do depto. De mtodos e processos, enfim, tudo o que seja relevante para identificao dos registros efetuados. Em outras situaes necessrio apenas a confeco de uma simples planilha para sistematizar a coleta de dados. Na prtica, a coleta de dados feita utilizando as chamadas folhas de verificao. 8.3 FOLHA DE VERIFICAO As folhas de verificao so uma ferramenta de fcil compreenso, usada para responder a pergunta: Com que frequncia certos eventos acontecem?. Ela inicia o processo transformando opinies em fatos. A construo da folha de verificao envolve as seguintes etapas: Estabelecer exatamente qual evento est sendo estudado. Todos tm que estar observando a mesma coisa; Definir sobre o perodo durante o qual os dados sero coletados; Construir um formulrio claro e de fcil manuseio, certificando-se de que todas as colunas esto claramente utilizadas e que h espao suficiente para registro de dados; Coletar os dados honestamente. Certifique-se de haver tempo para a tarefa de coleta de dados. Para ilustrar a coleta de dados (folha de verificao), observe um exemplo atravs da tabela abaixo: Problema 1 A B C Total 8 5 7 2 Ms 3 Total 5 3 12 20

8. 2

8.4 GRFICO DE PARETO O Grfico de Pareto um tipo especial de grfico que possibilita separar os poucos problemas que so realmente importantes, em termos de quantidade ou em termos de custo, daqueles muitos que no tm grande importncia, de modo que seja possvel concentrar a ateno nos aspectos realmente prioritrios. Elaborado atravs de uma folha de verificao ou em uma outra fonte de coleta de dados, nos ajuda a dirigir nossa ateno a esforos para problemas verdadeiramente importantes. Em geral, teremos ento melhores resultados se atuarmos na barra mais alta do grfico do que nos embaraando nas barras menores. Exemplo: Numa fbrica de auto-rdios, em um determinado perodo de tempo, observou-se os seguintes problemas: Identificao A C B E D Problema Sintonia com jogo Parafuso solto Ponteiro pulando Material estranho Outros problemas Total Freqncia (no de vezes) 253 69 146 29 52 549

A anlise de Pareto consiste em relacionar os problemas em ordem de importncia. Nesse exemplo estamos interessados em ordenar os problemas quanto as suas quantidades (freqncias). Calcula-se ento as porcentagens de contribuio de cada um: Sintonia com jogo Parafuso Ponteiro pulando Material estranho Outros problemas (253/549)X100% = 46,1% (69/549)X100% = 12,6% (146/549)X100% = 26,6% (29/549)X100% = 5,3 % (52/549)X100% = 9,4%

O prximo passo ordenar os problemas, do maior (o que tem maior porcentagem) para o menor (que tem menor porcentagem) Identificao A B C D E Problema Sintonia com jogo Ponteiro pulando Parafuso solto Outros problemas Material Estranho Porcentagem 46,1% 26,6% 12,6% 9,4% 5,3%

8. 3

Faamos agora o grfico de Pareto, que nada mais do que um grfico de colunas ordenadas, colocando-se no eixo horizontal os problemas ordenados e no eixo vertical as porcentagens:
Pareto Chart for Problemas
100 500 400 80 60 40 20 0
A B C D E

300 200 100 0

Defect
Count Percent Cum %

253 46,1 46,1

146 26,6 72,7

69 12,6 85,2

52 9,5 94,7

29 5,3 100,0

Exemplo de Grfico de Pareto

Reclamaces de clientes em servios externos

100 50 80 40

Count

30 20 10 0

60 Transporte Instalao Expedio Administrativo Outros

er s Oth

40 20 0

Defect
Count Percent Cum %

22

19

22 39,3 39,3

19 33,9 73,2

8 14,3 87,5

5 8,9 96,4

2 3,6 100,0

8. 4

Percent

Percent

Count

Considerando o exemplo anterior, faa agora o grfico de Pareto considerando o custo total para o reparo de cada defeito. Problema Sintonia com jogo Parafuso solto Ponteiro pulando Material Estranho Outros problemas Total Frequncia Custo de reparo Por unidade 253 69 146 29 52 0,25 0,10 0,60 0,05 0,25 (em mdia) total Classificao Porcentagem

8. 5

8.5 DIAGRAMA DE CAUSA E EFEITO O Diagrama de Causa e Efeito uma ferramenta utilizada para apresentar a relao existente entre um resultado de um processo (efeito) e os fatores (causas) do processo que, por razes tcnicas, possam afetar o resultado considerado. Freqentemente, o resultado de interesse do processo constitui um problema a ser solucionado e ento o diagrama de causa e efeito utilizado para sumarizar e apresentar as possveis causas do problema considerado, atuando como um guia para a identificao da causa fundamental deste problema e para a determinao das medidas corretivas que devero ser adotadas. Para cada efeito existem, seguramente, inmeras categorias de causas. As causas principais podem ser agrupadas sobre seis categorias conhecidas como 6M: mtodo, mo-deobra, material, medio, meio ambiente e mquina. Um diagrama de causa e efeito bem detalhado tomar a forma de uma espinha de peixe e da o nome alternativo de diagrama espinha de peixe. A partir de uma bem definida lista de possveis causas, as mais provveis so identificadas e selecionadas para uma melhor anlise. Quando examinar cada causa, observe fatos que mudaram, como, por exemplo, desvios na norma ou dos padres. Lembre-se de eliminar a causa e no o sintoma do problema. Investigue a causa e seus contribuidores to a fundo quanto possvel. Etapas na construo do Diagrama de Causa e Efeito: 1. Comece o processo estabelecendo de comum acordo uma definio que descreva o problema selecionado em termos claros do que seja, onde ocorres, quando ocorre e sua extenso. 2. A pesquisa das causas para construo do diagrama de causa e efeito feita por um dos seguintes mtodos: Um brainstorming conduzido sobre as possveis causas, sem preparao prvia Incentive os membros do grupo a dispender algum tempo, entre as reunies, no uso da folha de verificao para detectar causas e examinar a etapas do processo mais de perto. 3. Construa o diagrama de causa e efeito atual: Colocando o problema j definido no quadro direita Desenhando as tradicionais categorias de causas (6M), para o processo produtivo e/ou qualquer outra causa que auxilie a organizao dos fatos mais importantes Aplicando o resultado do brainstorming para as apropriadas categorias principais Para cada causa questione: Por que isto acontece?, relacionando as respostas como contribuidores da causa principal

8. 6

4. Interpretao Observe as causas que aparecem repetidamente Obtenha o consenso do grupo Colete os dados para determinar a frequncia relativa das diferentes causas. Interpretao/Utilizao tpica para o diagrama de causa e efeito: Procure no sair fora da rea de responsabilidade do grupo a fim de minimizar frustraes Se as idias surgem muito lentamente, use as categorias principais das causas como catalisadores. Ex: O que em material causador? Utilize o mnimo de palavras possvel Certifique-se da concordncia geral quanto definio do problema A figura abaixo apresenta a estrutura de um diagrama de causa e efeito. Como a sua forma lembra o esqueleto de um peixe, ele tambm conhecido como Diagrama Espinha de Peixe.

Cause-and-Effect Diagram
Measurements
No aferido Micrmetro Ausente Medida de vazo Composio qumica Ao Temperatura Habilidade Treinamento Ateno Moral Concentrao Trinca no ncleo das placas
Montagem das cunhas

Materials

Men

Educao

Limpeza
Procedimento incorre Alterao da velocidade

Sistema hidrulico Empeno e desgaste

Alta Temperatura

Temperatura do ao Falta de controle

Rolos Espaamento entre rolos superiores e inferiores incorreto

Environment

Methods

Machines

8. 7

Escolha uma das alternativas abaixo e monte um Diagrama de Causa e Efeito:Elevado consumo de combustvel de um automvel, Atraso para um encontro, elevado consumo de gua em um edifcio residencial, Discagem do nmero de telefone errado, Erros de datilografia, outros

5 causas principais 1 2 3 4 5

5 Por qus 1 2 3 4 5

Who

Why

What

When

Where

How

8. 8

8.5

DIAGRAMA

DE

DISPERSO,COEFICINTE

DE

CORRELAO

REGRESSO Em algumas situaes interessante considerar duas variveis para dar resposta a alguma investigao. Por exemplo, ser que existe associao entre horas de treinamento e produtividade para os operrios de uma determinada fbrica? Bem, se tivermos dados de ambas as variveis ao longo do tempo, isto , pares de valores, por exemplo, ms a ms, poderemos usar um grfico, chamado diagrama de disperso, e verificar qual o comportamento. Vamos supor que temos os dados apresentados na tabela a seguir: Operrio 1 2 3 4 5 6 7 8 9 10 Horas de treinamento (X) 2 4 6 8 10 12 14 16 18 20 Produtividade (Y) 1000 unidades 20 28 35 48 54 58 60 61 60 62

Portanto, conforme mostrado no grfico abaixo, verifica-se que h uma tendncia entre horas de treinamento e produtividade, isto , na medida em que horas de treinamento aumentam, tambm cresce a produtividade, e vice-versa. Dizemos ento que h uma correlao positiva. Podemos, tambm, medir o agrupamento dos valores atravs do coeficiente de correlao que ir variar de 1 a 1. Quando r est prximo de 1, existe forte correlao positiva.Quando r est prximo de 1, existe forte correlao negativa. Quando r est prximo de zero, dizemos que no existe correlao. No exemplo anterior considerado, temos r= 0,92 o que significa que horas de treinamento e produtividade esto fortemente correlacionadas positivamente.

60

Produtividade

50

40

30

20 0

Horas de treinamento

10

20

8. 9

Para calcularmos o coeficiente de correlao, basta usarmos a frmula dada por:

(x
r=
i =1

x yi y

)(

) )
2

(x
i =1

) (y
i =1

Para o exemplo anterior, teramos: n 1 2 3 4 5 6 7 8 9 10 x 2 4 6 8 10 12 14 16 18 20 x =11 y 20 28 35 48 54 58 60 61 60 62 y =48,6 r=

(x x ) (1) (y y )(2)
i i

(1)* (2)
257,4 144,2 68 1,8 -5,4 9,4 34,2 62 79,8 120,6 772

(x

(3)

(y

y (4)

-9 -7 -5 -3 -1 1 3 5 7 9

-28,6 -20,6 -13,6 -0,6 5,4 9,4 11,4 12,4 11,4 13,4

81 49 25 9 1 1 9 25 49 81 330

817,96 424,36 184,96 0,36 29,16 88,36 129,96 153,76 129,96 179,56 2138,4

(1) * (2) (3) (4)

772 330 2138

= 0,92

Nesse caso, como h uma forte correlao positiva, podemos ajustar uma equao da reta (regresso) para prever o comportamento deste fenmemo atravs de uma equao. Utilizando a equao abaixo, para a determinao do coeficiente angular:

a=
n 1 2 3 4 5 6 7 8 9 10

n( xy ) ( x )( y ) n x 2 ( x )

=a =

10(6118) (110 )(486 ) 10(1540 ) (110 ) x*y

40 112 210 384 540 696 840 976 1080 1240
2

= 2,33 X2
4 16 36 64 100 144 196 256 324 400

x 2 4 6 8 10 12 14 16 18 20 x =110

y 20 28 35 48 54 58 60 61 60 62 y =486

xy = 6118

1540

8.10

Como a equao da reta descrita por:

y = ax + b y = 2,34 x + b Para acharmos o valor da constante b, devemos utilizar a frmula em seguida:

( y )( x ) ( x )( xy ) (486)(1540) (110)(6118) b= = = 22,9 10(1540 ) (110 ) n( x ) ( x )

2 2 2 2

Portanto, a equao que define a regresso ser da seguinte frmula: y = 2,34 x + 22,9

Exerccio: 1. Com base na tabela abaixo: X Y 2 6 3 9 5 14 5 16 10 30

A. Construa o diagrama de disperso B. Ache o coeficiente de correlao C. Se houver correlao, faa o ajuste da regresso. 2. Com base na tabela abaixo: X Y 2 6 3 0 5 15 5 5 10 2

D. Construa o diagrama de disperso E. Ache o coeficiente de correlao F. Se houver correlao, faa o ajuste da regresso.

8.11

8.6 HISTOGRAMA
Com o objetivo de conhecer as caractersticas da distribuio associada a alguma populao de interesse, retiramos uma amostra desta populao e medimos, para os elementos da amostra, os valores assumidos pela varivel considerada. Portanto, uma ferramenta que nos permite resumir as informaes contidas em um grande conjunto de dados ser muito til neste contexto. O Histograma um grfico de barras no qual o eixo horizontal, subdividido em vrios pequenos intervalos, apresenta os valores assumidos por uma varivel de interesse. Para cada um destes intervalos construda uma barra vertical, cuja rea deve ser proporcional ao nmero de observaes na amostra cujos valores pertencem ao intervalo correspondente. Exemplo: Medidas de 30 arruelas foram realizadas e os seguinte dados foram obtidos: 228 229 230 226 226 230 230 231 228 229 227 228 229 228 227 228 228 230 231 227 228 230 230 231 227 229 229 228 229 228

1 - Determina-se o maior e menor nmero dos dados brutos, ento, calcula-se a amplitude R, diferena entre o maior e o menor valor daqueles nmeros R = 231 - 226 = 5 2 - Divide-se a amplitude total R em um nmero conveniente de intervalo em classes usando a seguinte tabela: Nmero de elementos < 50 51 - 100 101 - 250 > 250 Nmero de classes (k) 5-7 6 - 10 7 - 12 10 - 20

Para o nosso caso, N = 30 (<50) - K = 5. Dividindo a amplitude R por K (5/5). Encontraremos o valor = 1 3. Calcula-se os intervalos de classe. Para o primeiro, pegar o menor valor (226) e somar 1. Para o segundo, pega-se o prximo valor e soma-se 1. Assim por diante at chegar ao maior valor (231). Em seguida, determina-se o nmero de observaes que caem dentro de cada intervalo e completa-se a tabela abaixo
8.12

Intervalo 226,00 227,00 228,00 229,00 230,00 231,00 < < < < < < 227 228 229 230 231 232

freqncia 2 4 9 6 6 3 ** **** ********* ****** ****** ***

4. Plota-se o grfico

9 8 7 6 5 4 3 2 1 0 226 227 228 229 230 231 232

Frequency

C1

8.13

Exerccio: Dado a tabela abaixo, construir o Histograma correspondente: 14 12 13 11 12 13 16 14 14 15 17 14 11 15 13 12 14 13 14 13 15 16 12 12 13 14

8.14

8.7 A CURVA NORMAL

A variao natural de muitos processos industriais realmente aleatria. Embora as distribuies de muitos processos possam assumir uma variedade de formas, muitas variveis observadas possuem uma distribuio de freqncias que , aproximadamente, uma distribuio de probabilidade normal. Probabilidade a chance real de ocorrer um determinado evento, isto , a chance de ocorrer uma medida em um determinado intervalo. Por exemplo, a freqncia relativa deste intervalo, observada a partir de uma amostra de medidas, a aproximao da probabilidade. E a distribuio de freqncias a aproximao da distribuio de probabilidades Para achar a rea sob a curva normal devemos conhecer dois valores numricos (tambm chamados de parmetros), a mdia e o desvio padro . Para se ter uma magnitude da situao, veja a tabela abaixo:
Sigmas
1

rea
rea de uma fbrica mdia rea de um grande supermercado rea de uma pequena loja de ferragens rea de uma sala de estar tpica Tamanho da base de um telefone

Ortografia
170 erros ortogrficos por pgina em um livro 25 erros ortogrficos por pgina em um livro 1,5 erro ortogrfico por pgina em um livro 1 erro ortogrfico a cada 30 pginas (aprox. 1 captulo do livro) 1 erro ortogrfico em uma enciclopdia 1 erro ortogrfico em todos os livros existentes em uma pequena biblioteca

Tempo
31,75 anos por sculo 4,5 anos por sculo 3,5 meses por sculo 2,5 dias por sculo 30 minutos por sculo

Distncia
Daqui Lua

PPM
-

1,5 vez a volta ao mundo Uma viagem de norte a sul do Brasil 45 minutos dirigindo em uma auto-estrada Uma ida ao posto de gasolina mais prximo 4 passos em qualquer direo

617.075

66.803

6.210

233

Tamanho de um diamante tpico

6 segundos por sculo

3,4

Teste de Normalidade: Imagine a situao tpica onde possumos um conjunto de dados e estamos interessados em constatar se os mesmos so provenientes de uma populao (distribuio) normal. Inicialmente faramos um histograma que nos permitiria ter uma primeira impresso visual, o que extremamente til para detectarmos caso em que as observaes so to divergentes de uma distribuio normal que bastaria apenas esta impresso visual para admitirmos a no-normalidade. Considere o seguinte exemplo:A caracterstica de interesse de uma barra de ao usada numa parte maior era o seu comprimento. Para analis-la foram efetuadas medidas em 200 barras restantes de 40 amostras de tamanho 5 cada uma. Os resultados foram:

8.15

37 37.8 32.3 29 37 37.8 32.3 29 37 37.8 32.3 29 37 37.8 32.3 29 37 37.8 32.3 29

34.2 35.1 31.9 30 34.2 35.1 31.9 30 34.2 35.1 31.9 30 34.2 35.1 31.9 30 34.2 35.1 31.9 30

29.7 33.9 35 29.5 29.7 33.9 35 29.5 29.7 33.9 35 29.5 29.7 33.9 35 29.5 29.7 33.9 35 29.5

30.4 31.7 36.2 29.9 30.4 31.7 36.2 29.9 30.4 31.7 35.2 29.9 30.4 31.7 36.2 29.9 30.4 31.7 36.2 29.9

32 32.3 40.4 30.1 32 32.3 40.4 30.1 32 32.3 40.4 30.1 32 33.4 40.4 30.1 32 32.3 40.4 30.1

33.4 29.8 33.6 32.1 33.4 29.8 33.6 32.1 33.4 29.8 33.6 32.1 33.4 29.8 33.6 32.1 33.4 29.8 33.6 32.1

31 29.2 35 31.8 31 29.2 35 31.8 31 29.2 35 31.8 31 29.2 35 31.8 31 29.2 35 31.8

30.5 30.5 29.3 33.5 30.5 30.5 29.3 33.5 30.5 30.5 29.3 33.5 30.5 30.5 29.3 33.5 30.5 30.5 29.3 33.5

28.5 31.1 31 33.4 28.5 31.1 31 33.4 28.5 31.1 31 33.4 28.5 31.1 31 33.4 28.5 31.1 31 33.4

28.4 30 28.8 35.9 28.4 30 28.8 35.9 28.4 30 28.8 35.9 28.4 30 28.8 35.9 28.4 30 28.8 35.9

40

30

Frequency

20

10

0 30 35 40

C1

Visualmente, no podemos afirmar com exatido atravs do histograma, se essa distribuio normal. Desta maneira, aplicando o teste da normalidade, poderemos encontrar seis tipos de curvas (figura abaixo). As curvas (1,2 e 3) so consideradas como situaes de normalidade. Enquanto as demais (4, 5 e 6) so consideradas como situaes de nonormalidade
8.16

Normal Probability Plot

,999 ,99 ,95

Probability

,80 ,50 ,20 ,05 ,01 ,001 30 35 40

Anderson-Darling Normality Test A-Squared: 4,027 P-Value: 0,000

C1
Average: 32,1305 StDev: 2,77838 N: 200

Como pode-se perceber, atravs do teste da normalidade, esta curva se aproximou da figura 5, o que nos sugere que esta distribuio no normal. Considere, agora, a mdia das mdias de cada sub-grupo de 5 medidas e representadas na tabela abaixo, iremos aplicar o teste da normalidade
34.62 34.78 33.68 33.02 33.08 33.26 33.62 32.24 31.56 32.4 32.62 31.52 31.72 31.98 32.88 31.62 33.36 33.42 35.04 32.98 32.46 31.74 32.50 32.20 31.6 31.24 32.40 31.76 30.86 30.86 30.62 31.46 30.5 31.02 31 31.48 30.30 30.62 30.38 31.80

8.17

Fazendo o Histograma:

8 7 6

Frequency

5 4 3 2 1 0 30,5 31,0 31,5 32,0 32,5 33,0 33,5 34,0 34,5 35,0

C3

Aplicando o teste da normalidade:

Normal Probability Plot

,999 ,99 ,95

Probability

,80 ,50 ,20 ,05 ,01 ,001 30,2 31,2 32,2 33,2 34,2 35,2

C3
Average: 32,155 StDev: 1,21131 N: 40 Anderson-Darling Normality Test A-Squared: 0,417 P-Value: 0,316

Nesta condio, a curva se aproxima do caso 6, o que nos sugere uma situao de normalidade.

8.18