Análises Estatísitcas

Guia de bolso de tcnicas
de anlise estatstica
Guia de bolso de tcnicas de

anlise estatstica para uso em
ferramentas de aperto
Captulo..........................................................................Pgina
1. Introduo .........................................................................4
2. Estatstica bsica...............................................................5
2.1 Variao ........................................................................5
2.2 Distribuio ..................................................................6
2.3 Histograma....................................................................6
2.4 Valor mdio...................................................................6
2.5 Desvio-padro...............................................................7
2.6 Estimativa de uma distribuio normal ........................9
Mdia e desvio-padro da amostra...................................10
3. Requisitos de preciso ....................................................11
3.1 Mean shift e disperso combinada .............................11
Exemplo ............................................................................12
4. Processos de compreenso .............................................13
5. Capabilidade ...................................................................14
5.1 Cp................................................................................14
5.2 Cpk..............................................................................15
5.3 Quando um processo capaz? ...................................16
5.4 ndices de capabilidade da mquina...........................18
5.5 O que mais deve ser considerado? .............................18
6. Grficos de controle .......................................................19
6.1 Grficos x-bar.............................................................20
6.2 O subgrupo .................................................................21
6.3 Alarmes.......................................................................22
6.4 Grficos de variao...................................................22
6.5 Concluso do grfico de controle ..............................23
Resumo.............................................................................23
Apndice ..........................................................................24
A1. Exemplo de clculo de estatstica..............................24
A2. Exemplo de clculo de capabilidade .........................28
A3. Exemplo de clculo de grfico de controle...............29
A4. Anlise de desempenho de ferramenta para montagem
Clculo ISO 5393 ......................................................32
Guia de bolso - Estatstica
1. Introduo
O propsito deste guia explicar os fundamentos bsicos da
estatstica e como ela pode ser usada na produo. Voc
aprender que com a ajuda da estatstica podemos comparar
ferramentas, dizer se uma ferramenta adequada para uma
aplicao especfica e, usando o Controle Estatstico do
Processo (CEP), podemos ver como o processo de produo
se desenvolve com o passar do tempo. Esperamos que, aps
ler este guia, voc tenha um conhecimento e compreenso
geral do potencial do uso da estatstica como uma ferramenta
na produo.
4 Guia de bolso - Estatstica
2. Estatstica Bsica
2.1 Variao
Entender estatstica tem muito a ver com entender variao.

A variao est presente em todos os lugares, tanto na natureza como nos processos industriais. Nos processos industriais, mesmo um ligeiro desvio de um valor-alvo, por exemplo,
uma dimenso, pode ter uma grande influncia na funcionalidade do produto acabado. Isso significa que importante
entender e, em alguns casos, controlar a variao.
Existem dois tipos diferentes de variao. As variaes aleatrias so previsveis, esto sempre presentes e apresentam
muitas causas contribuintes. Exemplos de variaes aleatrias so pequenas variaes no dimetro do furo, frico
inconsistente, influncia do operador e variaes na presso
de ar. difcil isolar uma dessas causas. As variaes so
combatidas com o aperfeioamento do processo. Variaes
aleatrias so naturais e dependentes do processo e de seu
ambiente. So tambm chamadas causas comuns.
Variaes sistemticas so espordicas e isoladas. Elas no
so previsveis mas freqentemente fcil determinar a
causa com preciso. Elas so combatidas por meio de controle do processo. A variao sistemtica tem uma causa determinada e pode freqentemente ser identificada e eliminada.
Exemplos so ajustes das mquinas, desgaste das ferramentas
e erro humano. So tambm chamadas causas especiais.
Figura 1. Variaes na presso de ar e a influncia do

operador so exemplos de
variaes aleatrias
Figura 2. Erros humanos

como falta de arruelas e
uso de parafusos errados
so exemplos de variaes
sistemticas.
Tem sido dada grande importncia ao uso de tcnicas de anlise estatstica para controlar a qualidade do processo de
montagem. O mtodo tradicional de usar essas tcnicas
analisar o que j ocorreu e, quando um problema identificado, ajustar o processo de acordo. Est se tornando cada dia
mais comum usar tcnicas estatsticas para prever como o
processo ir se comportar no futuro e identificar variaes
sistemticas e ajustar o processo antes que resulte em produtos defeituosos.
2.2 Distribuio
Considere um processo de aperto no qual medimos o torque

aplicado a um parafuso. Como voc sabe, no obtemos as
mesmas leituras para todos os apertos. Suponha que coletamos leituras suficientes para traar um grfico de freqncia
(o nmero de vezes que uma leitura particular ocorreu) contra as leituras reais de torque. O resultado seria um traado
similar ao mostrado na figura 3 abaixo. Em anlise estatstica, essa curva conhecida como distribuio. Existem
muitos tipos diferentes de distribuio, mas a que melhor
descreve este exemplo (e outros como este) denominada
distribuio Normal ou Gaussiana.
Uma distribuio normal sempre simtrica e determinada
pela mdia e o desvio-padro. Uma distribuio normal ocorre apenas quando variaes aleatrias afetam o resultado.
Freqncia
2.3 Histograma
Torque
Um histograma quando voc divide os resultados em categorias (por exemplo, todos os resultados entre 20-21 Nm).
ento possvel criar um diagrama contando o nmero de
resultados em cada categoria e colocando-os em um diagrama. Dessa forma, possvel visualizar a distribuio com um
nmero razoavelmente limitado de resultados.
2.4 Valor mdio
Figure 3. Histograma.
Figura 4. A distribuio normal pode

ser encontrada em
qualquer lugar. A
altura das pessoas
um exemplo. Um
outro exemplo pode
ser quando voc
tenta cortar varetas
do mesmo tamanho.
Uma distribuio normal pode ser encontrada em qualquer

lugar, tanto na natureza como em processos industriais. Se
tivermos uma grande amostra de medidas, ou seja, se tivermos feito 1000 apertos com uma ferramenta, podemos fazer
um histograma. Quanto mais apertos tivermos, melhor curva
obteremos. Se fssemos medir a altura dos homens suecos,
obteramos uma mdia (valor mdio) de 1,80. O valor mdio
o valor mais comum numa distribuio normal. No que
h muitos homens realmente altos ou realmente baixos. Um
outro exemplo que poderamos considerar quando voc
corta uma vareta. O valor-alvo 20,00 cm e isso provavelmente tambm seria o valor mdio. Entretanto, algumas partes tero apenas 19,90 cm e outras 20,10, o que devido
variao natural do processo e isso normal.
2.5 Desvio-padro
Se uma ferramenta usada para um grande nmero de apertos, a um ajuste de torque de por exemplo 30 Nm, pouco
provvel que todos os apertos alcancem esse valor exato de
torque. Isso ocorrer mesmo se a ferramenta estiver operando
na mesma junta parafusada, uma fixao de teste. Fatores
aleatrios, tais como desgaste do material e diferentes maneiras de manipular a ferramenta podem fazer com que o torque
aplicado exceda ou fique abaixo do torque pretendido. Diz-se
ento que as leituras se desviam da mdia e medimos esse
desvio com o que conhecido como desvio-padro.
No essencial entender completamente a frmula apresentada mais frente. Mas til saber como calcul-la e fundamental que voc entenda o que ela nos mostra! O desviopadro indica quanto cada leitura pode se desviar da mdia.
Qual o uso prtico do desvio-padro? J dissemos que a
mdia nos indica o valor mdio da distribuio (todos apertos
diferentes) e o desvio-padro indica a disperso. Podemos
us-lo para estimar quantos de nossos valores recairo dentro
de uma certa faixa. O desvio-padro pode ser mais precisamente descrito como o clculo de quanto uma porcentagem
de distribuio conhecida recai fora da mdia.
uma letra do alfabeto grego usada para simbolizar o desvio de qualquer distribuio em relao mdia. Para um
negcio ou um processo de fabricao, o valor ( indica a preciso com que aquele processo est sendo realizado. Um
valor ( baixo indica que a maioria dos valores est prxima
do alvo. Um valor ( alto indica que a disperso grande e
que os valores apresentam um desvio maior em relao ao
valor-alvo.
Freqncia
Se voc tem 20 valores de uma populao, voc pode agrup-los como mostrado na figura. Presumimos que eles pertencem a uma distribuio normal. Isso na verdade, a
rea dentro da qual voc obter o prximo aperto. Existe
uma probabilidade de 100% de recair dentro da faixa total.
matematicamente comprovado que h uma
certeza de 68% de que todos os dados recaem entre +/
certeza de 95% de que todos os dados recaem entre +/ 2 , e
certeza de 99,7% de que todos os dados recaem entre +/ 3 .
uma caracterstica importante da distribuio normal que o
desvio-padro seja simtrico em torno da mdia e sempre
cubra a mesma porcentagem de distribuio. Essa uma
regra matemtica.
Torque
Figura 5. Ns sempre sabemos

quanto por cento de nossos valores recairo dentro de uma certa
faixa.
Isso agora nos leva a algo muito til. Agora que sabemos a
porcentagem dos valores que recairo dentro de um certo
limite (, podemos prever como o processo ir se comportar
no futuro. Voc se lembra da discusso sobre variao aleatria e sistemtica? Dissemos que para uma distribuio normal, todas as variaes sistemticas so eliminadas e apenas
a variao aleatria est presente. Sabemos tambm agora
que 99,7% de todos os valores recaem dentro de 6( (ou ( 3().
Isso nos permite fazer uma importante suposio: embora
0,3% de todos os apertos recaiam fora dos limites 6( numa
distribuio normal, presumimos que todos os apertos fora
desses limites ocorram devido a variaes sistemticas no
processo. Isso significa que algo novo foi inserido no processo - ele no est mais sob controle.
Para tornar as coisas mais claras, presumimos que enquanto
temos apertos dentro dos limites 6(, o processo afetado
apenas por variaes aleatrias e est sob controle. Quando
temos apertos fora dos limites 6(, o processo afetado pela
variao sistemtica e no est sob controle. Quando isso
acontece, significa que alguma coisa nova e estranha comeou a afetar o processo de aperto e precisamos encontrar a
razo disso e elimin-la. Os grficos a seguir mostram uma
comparao de duas distribuies normais diferentes.
Figura 6. A primeira
figura mostra duas
curvas com a mesma
mdia, mas com desvio diferente. A segunda figura mostra duas
curvas com o mesmo
desvio, mas com
mdias diferentes.
2.6 Estimativa de uma distribuio normal
Quando falamos sobre medies ou leituras em uma aplicao,

calculamos uma mdia e um desvio-padro. Se tivssemos
que medir um nmero infinito de apertos, saberamos com
certeza que teramos o valor real da mdia e do desviopadro. Esta a mdia da populao e o desvio-padro da
populao. Porm, na realidade, isso no possvel e temos
que confiar em um nmero limitado de apertos. Em estatstica, falamos em amostra; na rea de apertos falamos em subgrupo ou lote. Isso significa que no podemos de fato ter
certeza se nossos clculos (mdia e desvio-padro) esto corretos, uma vez que so baseados apenas em um nmero limitado de apertos. Na verdade, o que temos uma estimativa
dos valores reais. Quanto mais apertos tivermos para basear
nossos clculos, mais certeza podemos ter de que estamos
prximos da mdia e do desvio-padro da populao.
Figura 7. impossvel
medir a populao
total. Temos que confiar em um nmero
limitado de valores,
uma amostra ou um
lote.
Dizemos que o valor mdio da distribuio a mdia da

populao () e a que disperso representada pelo desviopadro da populao (). A mdia da populao () calculada por:
n
xi
= n
x a soma de todos os apertos, dividida pelo nmero total
de apertos (n).
O desvio-padro da populao () calculado por
i=1
Onde:
xi
n
o valor de cada ocorrncia individual, a medio

ith da varivel x.
o nmero total de ocorrncias na populao
xi
i=1
o valor de todas as ocorrncias juntas

(a soma)
a soma de todos os valores de (xi-)2
Tomamos o valor de cada ocorrncia individual menos m, a

mdia, e elevamos esse novo valor ao quadrado. A seguir,
somamos cada novo valor. Dividimos agora isso pelo nmero

de apertos. Finalmente, precisamos obter a raiz quadrada
desse valor total, uma vez que temos (Nm)2 e precisamos de
Nm, e teremos o desvio-padro da populao. A potncia ao
quadrado e a raiz quadrada existem apenas porque queremos
eliminar desvios positivos e negativos da mdia.
Entretanto, na prtica, muito raro que possamos medir cada
ocorrncia dos dados. Na verdade, n deveria ento ser infinito, o que, com certeza, impossvel. Ao invs disso, usamos
uma amostra representativa para ter uma previso da mdia e
do desvio-padro da populao.
Mdia e desvio-padro da amostra
Calculamos a mdia da amostra ( ) da mesma maneira que

calculamos a mdia da populao ():
n
x=
xi
i=1
O clculo para o desvio-padro da Amostra (s) difere ligeiramente do desvio-padro da populao ():
i
Onde
xi
n
xi
i
o valor de cada ocorrncia individual

na amostra
o nmero total de ocorrncias na amostra
a soma dos valores de todas as
ocorrncias na amostra
a soma de todos os valores de (xi - )2
O uso de (n - 1) ao invs de (n) fornece uma estimativa mais

precisa do desvio-padro da populaco, , e muito importante
quando so usados pequenos tamanhos de amostra. Portanto,
lembre-se de que nunca podemos usar a populao total em nossos clculos; isso impossvel. Devemos usar amostras menores
e calcular estimativas da mdia real e do desvio-padro real.
Portanto, a mdia da amostra ( ) uma estimativa da mdia
da populao ().
O desvio-padro da amostra (s) uma estimativa do desviopadro da populao ().
3. Requisitos de preciso
Em uma aplicao de apertos h freqentemente requisitos
de preciso das ferramentas. Os requisitos de preciso so
indicados como um torque-alvo prximo de um desvio mximo aceitvel do valor alvo, por exemplo +/ 10%. A preciso
de uma ferramenta freqentemente calculada como 50% da
variao natural (3) dividida pelo valor-alvo. Isso torna possvel comparar diferentes ferramentas a um determinado
valor-alvo, sem relacion-las a uma determinada aplicao
(tolerncias). Como voc ver no prximo captulo, os clculos de preciso so similares a alguns clculos de capabilidade (nos clculos de preciso, comparamos a variao natural
ao valor mdio, nos clculos de capabilidade comparamos a
variao natural s demandas de tolerncia na aplicao)!
Se os requisitos de preciso forem 40 Nm +/ 10%, devemos
verificar se 3s est dentro de 10%, ou se 100* 3/Med inferior
a 10%. Vamos presumir que testamos a ferramenta e alcanamos um valor mdio de 40 Nm e um desvio-padro de 1,2 Nm.
Ento, calculamos a preciso: (3*1,2 / 40) = 9%. Sabemos agora
que a ferramenta precisa o suficiente para realizar o trabalho.
3.1 Mean shift e disperso combinada
Mean shift o que ocorre quando uma ferramenta usada

tanto em junta rgida como flexvel. Voc muito provavelmente obter dois valores mdios diferentes, um valor mais
alto para a junta rgida, com duas distribuies diferentes. A
diferena entre esses dois valores mdios o mean shift.
Queremos encontrar os limites (comparveis distribuio
normal) onde a probabilidade de obter um torque fora desses
limites de 99,7% na junta rgida ou flexvel. Isto a disperso combinada e corresponde a 6 na distribuio normal.
Uma vez que temos a disperso combinada, podemos relacionar isso mdia combinada. Isso nos d algo freqentemente referido como preciso.
Expressa como uma frmula, ela seria da seguinte forma:
Preciso = 100 x 0,5 ((Medrgida + 3rgida) - (Medflexvel 3flexvel))/Med
Onde Med = (Medflexvel + Medrgida)/2 (a mdia combinada).
Figura 8. Mean shift a diferena

entre os valores mdios das juntas rgidas e flexveis.
Freqncia
Flexvel
Junta
Rgida
Junta
Torque
MED flexvel MED=0,5x(MEDflexvel+ MEDrgida) MEDrgida
-3s flexvel Disperso combinada +3srgida
Figura 9. Mdia combinada e disperso combinada.
11
Isso normalmente verdadeiro, mas no podemos saber com

certeza se a distribuio ser semelhante a isso. Podemos, por
exemplo, ter um mean shift negativo. Precisamos verificar
quais dos limites esto mais distantes dos limites predefinidos.
Ajustada, a frmula seria assim:
Preciso = 100 * 0.5 Desvio/Med
Onde Desvio = max (Medrgida + 3rgida, Medflexivel+ 3flexvel) - min
(Medflexvel - 3flexvel, Medrgida - 3rgida)
Med = (Medflexvel + Medrgida)/2 (a mdia combinada)
Exemplo:
Testes realizados em uma junta rgida (30 graus) e em uma

junta flexvel (800 graus) produziram os seguintes dados:
Junta rgida:
Junta flexvel:
Med = 61 Nm e = 1.2 Nm
Med = 60.2 Nm e = 1.0 Nm
Desvio = Max (61+3*1.2, 60.2+3*1.0) min (61-3*1.2,

60.2-3*1.0) = 7.4 Nm
Med = (61+60.2)/2 = 60.6 Nm
Preciso = 100*0.5*7.4/60.6 = 6.1%
difcil fazer uma estimativa da preciso de ferramentas
devido a:
Preciso diferente em aplicaes em juntas rgidas, flexveis e combinadas.
Preciso diferente se a ferramenta for usada em um nvel
alto da faixa de torque ou em um nvel mais baixo.
4. Processos de compreenso
Toda organizao produz alguma coisa, sejam produtos ou servios, e isso feito de muitas maneiras diferentes. Porm, o que
todas as organizaes tm em comum que a maneira como elas
trabalham pode ser descrita na forma de mtodos e atividades.
Um processo simplesmente um conjunto estruturado de atividades destinadas a produzir um produto especfico para um
determinado cliente ou mercado. Ele tem um comeo e um fim e
inseres e resultados claramente identificados. Um processo, ,
portanto, uma estrutura para a ao, para a forma como o trabalho realizado. Dentro da rea de qualidade, o conceito de processo definido como um conjunto de atividades que so repetidas dentro de um perodo, com o propsito de criar valor para
um cliente. Como voc percebe agora, a abordagem do processo implica em adotar o ponto de vista do cliente. Os processos
tambm tm dimenses de desempenho, tais como custo, tempo,
qualidade do resultado e satisfao do cliente. Tenha em mente
que todas essas dimenses podem ser medidas e melhoradas.
Processos de operao
criam valor
Cliente satisfeito
Figura 10. Um processo um conjunto de atividades destinadas a

produzir um produto para um
cliente ou um mercado.
Necessidade do
cliente
Em uma planta automobilstica moderna, a linha de produo

um processo de operao tpico, ou seja, cria valor para a pessoa que compra o carro. Ao longo da linha, os carros so montados com diferentes tipos de apertadeiras, todas com funcionalidade, desempenho e confiabilidade diferentes. No processo de
montagem h muitas coisas que afetam o resultado do aperto. Os
operadores, os parafusos, os furos e muitas outras coisas afetam
os apertos. Todos contribuem para a variao do processo
total em cada aplicao. Lembre-se da discusso sobre
variao no captulo 1.
As dimenses com as quais medimos o desempenho das
apertadeiras so torque e, algumas vezes, ngulo. Usando
a estatstica, podemos analisar o desempenho do processo (apertos) e podemos monitorizar, controlar e melhorar o processo de
montagem. A longo prazo, isso significa apertos mais precisos,
carros melhores e mais seguros e melhor valor para os clientes.
Figura 11. A produo industrial

um processo de operao. Muitas
coisas contribuem para a variao
do processo.
13
5. Capabilidade
Abordamos anteriormente neste guia a estatstica e a preciso.
A preciso de uma ferramenta nos indica alguma coisa sobre
o desempenho, mas isso no suficiente. O aspecto importante para nossos clientes como a ferramenta se comporta em
uma aplicao, na linha de produo. Portanto, de alguma
forma, devemos relacionar a preciso da ferramenta aplicao. Cada junta tem um valor-alvo, mas tem tambm alguma
tolerncia que aceitvel para o cliente.Relacionando a mdia
e o desvio-padro ao valor-alvo e aos limites de tolerncia de
uma aplicao, podemos dizer como uma ferramenta est se
comportando onde realmente interessa, em sua aplicao. Isso
possvel graas aos diferentes ndices de capabilidade.
Existem muitos ndices diferentes de capabilidade, alguns
deles bastante simples e alguns mais intrincados. Este guia
de bolso aborda aqueles mais comumente usados, aqueles
que nossos clientes usam.
Como mostrado anteriormente, sabemos que uma distribuio normal definida por sua mdia e seu desvio-padro.
Lembramos tambm nossa suposio de que, quando o processo est sob controle, todos os valores esto dentro dos
limites 6(, embora apenas 99,7% realmente estejam. Isso
denominado variao natural do processo.
5.1 Cp
O primeiro e mais comumente usado ndice de capabilidade

denominado Cp. A frmula para Cp :
Figure 12. When calculating Cp,

the tolerance interval is related to
the 6.
Cp = Intervalo de tolerncia
= ALTO BAIXO
6
6
Se voc analisar a frmula, poder ver que ela simplesmente
relaciona o intervalo de tolerncia (AL-BAI), variao natural
do processo! Se tivermos uma ferramenta com uma grande disperso e uma aplicao com demandas muito altas (limites de
tolerncia rigorosos), teremos um valor Cp baixo. De modo
inverso, se tivermos uma ferramenta com disperso muito pequena (pequeno ), mas com limites de tolerncia muito amplos,
teremos um Cp alto. Com certeza isso que queremos, porque
quanto menor for a variao em relao aos limites de tolerncia, menor o risco de apertos fora da tolerncia. Os requisitos de
Cp variam. O mais comum que o valor Cp deve ser superior a
1,33. Isso indica que 6 vezes o desvio-padro no abrange mais
do que 75% do intervalo de confiana.
Mas isso suficiente para dizermos se a ferramenta boa ou

ruim para uma aplicao especfica? Precisamos de mais alguma coisa? Sim. O Cp no considera se a mdia da distribuio
est prxima ou no do valor-alvo. Esse ndice no garante que
a distribuio recai na metade do intervalo de tolerncia. Na
figura abaixo, voc pode ver a mesma ferramenta na mesma
aplicao, mas antes e depois do ajuste do torque. Nos dois
casos, teramos o mesmo Cp. Se estivermos fora do alvo, possvel que os apertos estejam fora de um dos limites de tolerncia, mesmo se a disperso for pequena em relao ao intervalo
de tolerncia (Cp alto). Portanto, precisamos de alguma coisa a
mais que tambm relacione a distribuio ao valor-alvo.
BAI
ALVO
AL
BAI
ALVO
AL
Figura 13. Cp alto no garante que estamos prximos do valor-alvo.
5.2 Cpk
O Cpk tambm relaciona a mdia da distribuio ao valoralvo da aplicao. A maneira de fazer isso dividir a distribuio e a aplicao em duas partes diferentes e fazer um
clculo para cada lado. A frmula a seguinte:
MED-BAI
Cpk = min [(AL MED) / 3 , (MED BAI) / 3]

Primeiro relacionamos a diferena entre o limite superior de
tolerncia e a mdia metade da variao natural (3). A
seguir, fazemos outro clculo, relacionando a diferena entre
a mdia e o limite inferior de tolerncia a 3. Temos agora
dois valores potencialmente diferentes e o MENOR dos dois
o Cpk. Se voc acha que difcil, pense alguns minutos
sobre isso. Se a mdia maior do que o valor-alvo, ento a
diferena entre o limite superior de tolerncia e a mdia
menor do que a diferena entre a mdia e o limite inferior
de tolerncia. Se for este o caso, o clculo superior nos
MED-AL
Torque
ALVO
BAI
ALTO
MED
Figura 14. Quando o Cpk

calculado, o valor-alvo tambm considerado.
15
dar o Cpk, porque estamos mais prximos do limite superior de tolerncia.

If this is the case, the upper calculation will give us the Cpk,
because we are closer to the upper tolerance limit.
O que acontece ao Cpk se estivermos exatamente no alvo? Bem,
neste caso, estamos to prximos do limite superior de tolerncia
como do inferior e os dois clculos nos daro o mesmo resultado.
Neste caso, podemos ver tambm que o Cpk tem o mesmo
valor do Cp.
Ruim
Ruim
Cp
Bom
Processo no capaz. Processo capaz ,

Mudar ferramenta
mas a mdia preciou ajustar para
sa ser ajustada.
obter boa preciso.
Cpk
Figura 15. A relao entre

Cp e Cpk.
No possvel.
Bom
Processo capaz e
bem ajustado.
Apresentamos agora o Cp e o Cpk. Estudando as frmulas fcil

ver que o Cp relaciona apenas o intervalo de tolerncia ao 6 do
processo. O Cpk tambm considera o valor-alvo. Queremos
que os dois, o Cp e o Cpk sejam superiores a 1,33. Se nossa
mdia estiver exatamente no alvo, o Cp e o Cpk so idnticos.
Quanto mais fora do alvo estivermos, maior a diferena entre
Cp e Cpk. Obviamente, o Cpk nunca pode ser superior ao Cp.
5.3 Quando um processo capaz ?
A pergunta quo bom preciso ser para ser capaz? no foi

ainda definitivamente respondida. Como Cp foi usado primeiro, o valor Cp de 1,33 tornou-se o critrio mais comumente aceito como um limite inferior. Os requisitos de Cpk
variam. O mais comum que o Cpk deve ser superior a 1,33.
Um processo com Cpk abaixo de 1,00 nunca capaz .
muito importante que voc entenda porque usamos Cp e
Cpk. Se usarmos apenas o Cp, no sabemos se estamos no
alvo ou no. Se usarmos apenas o Cpk, no podemos saber
se um valor Cpk bom ou ruim devido centralizao do
processo ou disperso. Portanto, devemos usar os dois.
Juntos, eles podem nos fornecer uma indicao muito boa
sobre com que eficincia uma ferramenta especfica est realizando uma aplicao especfica. Eles so tambm a maneira perfeita de comparar ferramentas diferentes.
Veja os alvos para dardos abaixo:
O primeiro alvo para dardos mostra um processo inadequadamente centralizado, mas com baixa disperso (alta preciso) .
Neste caso, o Cp alto e o Cpk baixo. No segundo alvo
para dardos, os dardos esto aleatoriamente dispersos em
torno do centro do alvo, mas a disperso muito ampla em
relao s tolerncias. O Cp no provavelmente to bom,
mas se o valor mdio estiver no alvo, o Cpk tem o mesmo
valor do Cp. O terceiro alvo para dardos mostra um processo
bem centralizado, com alta preciso. Isso significa que tanto
o Cp como o Cpk so altos; o processo capaz.
Figura 16.
Alvo para dardos 1:
Cp alto e Cpk baixo.
Alvo para dardos 2:
Cp baixo e Cpk baixo.
Alvo para dardos 3:
Cp alto e Cpk alto.
Um exemplo:
Uma junta deve ser apertada a 70 Nm 10%. Uma ferramenta

testada e obtemos uma mdia de 71 Nm e um de 1,2 Nm.
Cp =
Cpk =
(77-63) / 6*1.2 = 1.95

min [ (77-71) / (3*1.2) , (71-63) / (3*1.2) ] =
min [ 1.67, 2.22 ] = 1.67
Os valores Cp e Cpk so superiores a 1,33 e o processo

capaz e no precisa ser ajustado.
17
5.4 ndices de capabilidade da mquina
Como voc sabe agora, Cp e Cpk so ndices de capabilidade

do processo. Tudo o que afeta o processo afeta esses ndices.
Porm, se tirarmos todas as variaes que afetam o processo
de montagem, exceto a variao na prpria ferramenta, obteremos o que chamamos de ndices de Capabilidade da
Mquina. Isso deve ser feito sob circunstncias muito controladas, preferivelmente com a ferramenta em um suporte. Os
testes devem ser realizados na mesma junta e pelo mesmo
operador (ou melhor ainda, coloque a ferramenta em um
suporte fixo a fim de eliminar toda a influncia do operador).
Os clculos so os mesmos para Cm e Cp, e os mesmos para
Cmk e para Cpk.
Portanto, lembre-se, Cp e Cpk determinam se o processo
capaz. Cm e Cmk determinam se a mquina (ferramenta)
capaz.
5.5 O que mais deve ser considerado?
Quando voc analisa a capabilidade de uma ferramenta, o

tamanho da amostra de grande importncia para obter clculos confiveis da mdia e do desvio-padro. Um tamanho
de amostra de pelo menos 25 bastante recomendado.
E lembre-se, se algum disser algo como Eu tenho uma ferramenta que pode sempre atender uma demanda de Cpk de
2,0, h duas opes:
1. Ele no sabe sobre o que est falando, porque no tem
sentido falar sobre ndices de capabilidade sem relacionar
o desempenho da ferramenta em uma aplicao com as
exigncias do cliente (limites de tolerncia)!
2. Ele sabe sobre o que est falando e est tentando fazer a
ferramenta parecer melhor do que realmente .
6. Grficos de controle
Falamos sobre estatstica e preciso, sobre processos e capabilidade. Agora vamos abordar os grficos de controle.
Estatstica, desempenho da ferramenta e ambiente de produo (variao do processo) so elementos importantes para
entender esses grficos.
O grfico de controle uma ferramenta importante dentro do
Controle Estatstico do Processo. A idia coletar repetidamente um nmero de observaes (amostras) do processo a
intervalos determinados. Com a ajuda dessas observaes
(medies) queremos calcular algum tipo de indicador de
qualidade e tra-los em um diagrama. O indicador normalmente usado na indstria de aperto a mdia de subgrupo
e/ou a variao de subgrupo.
Voc se lembra da diferena entre variao especial e aleatria?
Se no se lembra, volte e leia a seo novamente, porque isso
muito importante. Se o indicador de qualidade traado em grfico estiver dentro dos limites 6, dizemos que o processo est
sob controle estatstico, apenas variao aleatria afeta os apertos. Quando usamos esses limites nos grficos de controle, eles
so denominados limites de controle. Temos tambm um nvel
ideal, um valor-alvo marcado entre os limites de controle e,
certamente, deve ser igual ao nosso valor-alvo no processo de
montagem. Se alguma variao especial for inserida no processo, ela pode afetar os apertos de duas maneiras diferentes; pode
afetar a mdia dos apertos, a disperso ou ambas.
Temos os seguintes requisitos num grfico de controle:
Deve ser possvel detectar rapidamente mudanas sistemticas no processo, permitindo que identifiquemos as fontes
de variao.
Deve ser fcil de usar.
A chance de obter um alarme falso deve ser muito pequena (se usamos os limites 6( como limites de controle, a
chance de 0,3%).
Deve ser possvel saber quando a mudana comeou a afetar o processo.
Deve ser provado que o processo estava sob controle.
Deve ser motivador e chamar constantemente a ateno
para variaes no processo e questes relacionadas qualidade.
19
6.1 Grficos x-bar
AL
Subgrupo
BAI
Figura 17. Coletamos do

processo vrias medies,
um subgrupo, e traamos
as mdias no diagrama.
Primeiro introduzimos um grfico de controle para controlar

o nvel mdio de uma determinada unidade. Pode ser o dimetro de um parafuso, ou o torque aplicado a uma junta.
chamado grfico-x e quando usado ns traamos a mdia
das observaes (medies) em um diagrama. A intervalos
pr-definidos, coletamos do processo um nmero de medies, um subgrupo. Ento calculamos a mdia para cada subgrupo e usamos esse valor como nosso indicador de qualidade.
Sabemos que as aplicaes de aperto podem ser descritas
como uma distribuio normal. Sabemos que a mdia e o
desvio-padro nos ajudam a fazer isso. Tambm sabemos que
todos os processos variam com o passar do tempo, devido a
diferentes tipos de variao, ou seja, diferenas de material,
influncia do operador, etc. O limite 6( torna possvel dizer
se a variao do processo devida a causas aleatrias ou
especiais, portanto os limites de controle so normalmente
baseados nos limites 6(, a variao natural do processo. O
procedimento para traar esses grficos direto, a varivel
relevante (em nosso caso torque ou ngulo) medida a intervalos regulares (pode ser uma vez por hora ou uma vez por
dia) e so realizadas tipicamente 5 leituras consecutivas a
cada vez.
Quando os limites de controle so determinados, os valores
de cada grupo de leituras pode ser traado nos grficos.
Quando o processo de montagem est sob controle (apenas
variao aleatria afeta os apertos), as mdias dos subgrupos
se dispersaro aleatoriamente em torno da mdia geral ( ).
6.2 O subgrupo
Distribuio para mdias de subgrupos,
Vamos presumir que a varivel de qualidade (no nosso caso

os apertos) que queremos controlar tem a mdia e o desviopadro quando o processo est sob controle. Lembre-se que o
nosso indicador de qualidade a mdia do subgrupo, .
Preferencialmente, as medies individuais e as mdias dos subgrupos devem ter o mesmo valor mdio (ver figura). Mas tambm podemos ver que a disperso entre as medies individuais
() maior do que entre as mdias dos subgrupos o que, na realidade, /n, onde n o nmero de medies em cada subgrupo. Portanto, a chance de detectar um desvio em relao a
maior quando estudamos os subgrupos ao invs das medies
individuais. Portanto, na verdade, os limites de controle so normalmente ajustados para (os limites-6 do subgrupo):
UCL = + 3/n
LCL = 3/n
Distribuio para medies individuais, x
Figura 18: A disperso entre as

medies individuais maior
do que entre as mdias de subgrupos.
Estimado por
meio de:
Mas que tamanho o subgrupo deve ter? Se voc analisar a

figura abaixo, ver que medida que aumentamos o tamanho
dos subgrupos (n), o desvio-padro no diminui muito quando
ultrapassamos 4 ou 5. Isso explica porque 4, 5 ou 6 so escolhas muito comuns de tamanhos de subgrupos. Historicamente,
um subgrupo de 5 uma escolha muito comum.
Desvio-padro para as
mdias de subgrupo dependendo
do tamanho do subgrupo n
Figura 19. O uso de um tamanho de subgrupo 5 muito comum na indstria.
21
6.3 Alarmes
Vamos agora parte boa; o que acontece se alguma coisa

no aleatria comea a afetar os apertos? O que acontece se
a qualidade dos parafusos de repente deteriorar? Bem, talvez
isso afete a mdia dos subgrupos. Talvez afete a disperso
dentro dos subgrupos. Talvez o torque aplicado s juntas
diminua gradualmente. Agora, tudo isso pode ser detectado.
O aspecto positivo dos grficos de controle que o engenheiro de qualidade ou, com freqncia, o operador, podem
detectar problemas potenciais em um estgio inicial antes
que os apertos fiquem fora dos limites de tolerncia, antes
que montagens defeituosas sejam feitas.
A forma mais fcil de detectar que algo no aleatrio comeou a afetar o processo quando obtemos valores fora dos
limites de controle. Isso um ALARME e temos que verificar imediatamente o que aconteceu antes que tenhamos apertos fora dos limites de tolerncia!
Tendncias
Alarme
Aumento mdio
Figura 20. Exemplos de

como os grficos de controle podem parecer quando
uma variao sistemtica
foi inserida no processo.
Na figura esquerda, voc pode ver como um grfico de

controle PODE parecer quando uma variao especial comea a afetar o processo de montagem. Os dois primeiros casos
mostram alarmes de tendncia. A produo pode continuar
durante a investigao. O quarto caso quando a mdia
geral( ) comea a desviar do valor-alvo. Devemos descobrir
porque isso aconteceu, porm talvez um ajuste da ferramenta
seja suficiente; isso depende do motivo da mudana.
6.4 Grficos de variao
Para controlar a disperso no processo, podemos usar o desvio-padro ou a variao dentro dos subgrupos. A variao
(R) a diferena entre o maior e o menor valor de cada subgrupo. O desvio-padro , com certeza, baseado em todos os
valores dentro do subgrupo, ao passo que a variao baseada em apenas dois. Isso significa que o grfico-s mais confivel e nos fornece mais dados sobre a disperso.
Entretanto, a variao mais fcil de calcular e, embora
agora ns tenhamos ferramentas muito boas, que calculam
tudo para ns, o grfico-R ainda o grfico mais popularmente usado.
A variao R nos ajuda a estimar a disperso do subgrupo.

Isso pode ser feito com a ajuda de diferentes testadores que
podem ser encontrados em manuais de controle estatstico do
processo. Se voc quiser que a linha central seja , os limites de controle para o grfico de controle sero:
UCL = D4*
LCL = D3*
O grfico-R indica como a disperso se desenvolve dentro
dos subgrupos. Isso torna possvel detectar quando uma
mudana sistemtica no processo afeta a disperso do subgrupo.
6.5 Concluso do grfico de controle
Os limites de controle devem ser baseados em um nmero

grande e confivel de apertos e devem ser re-calculados,
usando os resultados reais da produo, a intervalos regulares, a fim de obter grficos confiveis.
Este captulo pretende ser apenas uma introduo aos grficos de Controle do Processo e no abrange todos os aspectos
desses grficos.
Resumo
Este guia explica os pontos bsicos da estatstica, tais como
distribuio, valor mdio e desvio-padro. Descreve tambm
como isso pode estar relacionado a uma aplicao por meio
de clculos de capabilidade. O processo pode ser monitorizado e controlado usando o CEP e isso tambm descrito e
explicado.
Este guia de bolso no explica todos os aspectos e o potencial da estatstica. uma introduo ao assunto e se houver
necessidade de estudos mais aprofundados, recomendamos
que voc consulte literatura especializada.
As diferentes ofertas de produtos que Atlas Copco pode fornecer para ajudar seus clientes a utilizar o potencial da estatstica na produo no so abordadas neste guia. Se voc
precisar discutir a linha de produtos Atlas Copco, por favor
entre em contato com seu representante de vendas Atlas
Copco local.
23
Apndice
A1. Exemplo de clculo bsico de estatstica
O exemplo a seguir o ajudar a entender os pontos bsicos da

estatstica. Neste exemplo, comparamos os nveis de torque
de duas ferramentas diferentes. Voc ento pode obter os
valores de torque mostrados abaixo: O torque-alvo 10.
Ferramenta Atlas Copco
Outra ferramenta
10
10
10.1
11
10.2
9.7
10.0
12
10.2
10
10.1
9.7
12
9.8
10.2
11
Qual dessas ferramentas a mais precisa? Para responder a

isso, calculamos primeiro o valor mdio das duas sries. O
valor mdio nos fornece uma mdia de todos os valores
recebidos de diferentes apertos e usamos o smbolo . O
valor mdio calculado somando todos os dados de aperto,
, e dividindo pelo nmero de apertos, n.
n
x=
xi
i=1
Valor mdio,
10
Outra ferramenta
10
As duas ferramentas tm um valor mdio de 10. Se uma ferramenta tivesse um valor mdio de 15, saberamos que aquela
ferramenta no to boa quanto a que est dentro do torquealvo. As duas ferramentas tm a mesma preciso? A preciso
nos indica quo precisa a ferramenta , ou seja, com que preciso atinge o alvo. o grau ao qual um valor indicado se equipara ao valor real de uma varivel medida.
Como vemos agora a diferena? Vamos ver a variao dos valores das duas ferramentas. A variao, R, nos indica entre quais
valores recebemos nossos apertos e calculada como a diferena entre o valor mais alto e o valor mais baixo na variao.
R = xmax xmin.
Variao, R
0.5
Outra ferramenta
4
Com a ferramenta Atlas Copco, nossos valores de aperto

diferem em 0,5 Nm entre o valor mais alto e o mais baixo,
enquanto a outra ferramenta apresenta um desvio de 4 Nm.
Mas, se voc realizar 1000 apertos com a ferramenta Atlas
Copco e obtiver um valor totalmente fora da variao, p.ex.
5, voc obtm uma variao de 5,5 para a ferramenta Atlas
Copco. Ento, a ferramenta Atlas Copco torna-se a ferramenta ruim. Precisamos encontrar uma funo para eliminar a
influncia daquele aperto especifico.
25
O desvio-padro um ndice estatstico de variabilidade que

descreve o desvio e nos indica a diferena mdia entre o
valor de uma varivel especfica e um valor desejado, geralmente um ponto determinado no processo. Vamos calcular o
desvio para cada valor recebido e som-los.
Torque
xi -
Outra ferramenta
Torque
xi -
10
10
10.1
0.1
11
10.2
0.2
-1
9.7
-0.3
-2
10.0
12
10.2
0.2
10
10.1
0.1
-1
9.7
-0.3
12
9.8
-0.2
-2
10.2
0.2
11
=10
=0
=10
=0
O resultado 0 para as duas ferramentas. O que causa um

problema neste caso? Temos valores tanto positivos como
negativos. Precisamos descartar o menos, para obter valores
absolutos de cada desvio. Para retirar matematicamente o
menos, podemos elevar ao quadrado cada valor.
i

xi -
(xi -
Outra ferramenta
xi -
(xi -
)2
10
10
10.1
0.1
0.01
11
10.2
0.2
0.04
-1
9.7
-0.3
0.09
-2
10.0
12
10.2
0.2
0.04
10
10.1
0.1
0.01
-1
9.7
-0.3
0.09
12
9.8
-0.2
0.04
-2
10.2
=10
0.2
(xi
)=0
(xi
0.04
11
)2= 0.036
=10
1
(xi
)=0
1
(xi
)2=2
Agora temos um valor com o qual comparar que o Nm2.

Mas o que esse valor nos indica? Ele indica algo sobre desvio. Esse valor depende do nmero de apertos. O que fazemos dividir esse valor pelo nmero de apertos 1 para obter
uma mdia. Temos que obter a raiz quadrada dessa soma para
ter o valor Nm de volta.
i
Outra ferramenta
0.2
1.4
O que fizemos agora foi calcular o desvio-padro da amostra.

O desvio-padro uma forma de medir com que preciso a
ferramenta opera, quo prximo estamos do valor esperado.
Agora podemos ver uma clara diferena. A ferramenta Atlas
Copco apresenta um desvio-padro de 0,2 Nm do alvo; enquanto a outra ferramenta apresenta um desvio-padro de 1,4
Nm. Portanto, o que este exemplo nos indica que embora as
duas ferramentas tenham o mesmo valor mdio, a primeira
ferramenta mais precisa. Os diferentes apertos esto mais
prximos do valor-alvo e o desvio-padro uma forma de
provarmos isso.
27
A2. Exemplo de clculo de capabilidade
Sabemos que a capabilidade de uma ferramenta a forma como

ela se comporta em uma aplicao especfica. Ento, o que fazemos quando calculamos os ndices de capabilidade relacionar
a preciso da ferramenta (valor mdio e desvio-padro) s
demandas da aplicao (valor-alvo e limites de tolerncia).
Vamos presumir que temos uma aplicao com valor-alvo de
15 Nm e tolerncias de +/ 8%. Isso significa que o limite
superior de tolerncia 16,2 Nm e o limite inferior 13,8
Nm. Coletamos resultados de 20 apertos de uma ferramenta
na linha de produo:
15.4
15.6
15.4
15.1
15.1
15.5
15.0
15.3
15.2
15.1
15.5
15.3
15.4
15.3
15.3
15.1
15.2
15.4
15.1
15.2
Agora fcil calcular o valor mdio e o desvio-padro:

n
xi
x= i=1n
fcil agora calcular os valores Cp e Cpk:

Cp = (AL BAI) / 6 = (16.2-13.8)/(6*0.165) = 2.42
Cpk = min [(AL - MED) / 3 , (MED - BAI) / 3] =
min [(16.2-15.275)/3*0.165 , (15.275-13.8/3*0.165] =
min [1.87 , 2.98] = 1.87
Os valores Cp e Cpk so superiores a 1,33 e o processo
capaz e no precisa necessariamente ser ajustado, embora a
mdia esteja ligeiramente fora do alvo.
A3. Exemplo de clculo de grfico de controle
Agora queremos criar um grfico de controle com os mesmos

apertos do exemplo anterior. Vamos presumir que estamos
iniciando um processo de produo aps ele ter sido interrompido por algum tempo. Ento ns realmente no sabemos
o valor mdio ( e o desvio-padro (. Para calcular os limites
de controle para o grfico de controle, os clculos devem ser
baseados em um nmero confivel de apertos. Um bom
mtodo emprico coletar pelo menos 20-25 subgrupos
antes de calcular os limites de controle para um grfico de
controle. A razo que pelo menos 20 subgrupos so necessrios para que possamos dizer se o processo est sob controle ou no. Entretanto, neste exemplo, ns simplificamos e
coletamos apenas 4 subgrupos.
29
Vamos presumir que coletamos esses resultados em 4 ocasies diferentes. Determinamos o tamanho dos subgrupos em
5, portanto, coletamos 5 resultados em cada ocasio:
Dia 1
15.4
15.6
15.4
15.1
15.1
Dia 2
15.5
15.0
15.3
15.2
15.1
Dia 3
15.5
15.3
15.4
15.3
15.3
Dia 4
15.1
15.2
15.4
15.1
15.2
A primeira coisa que fazemos calcular a mdia para cada

subgrupo:
=
=
=
=
15.32
15.22
15.36
15.2
Quando o processo de produo est sob controle, o valoralvo o mesmo do valor mdio geral. fcil calcular a
mdia geral ( ) = 15,275. J vimos anteriormente que os
limites de controle so baseados na variao natural entre os
valores mdios dos subgrupos.
UCL =
LCL =
+ 3s / n = 15.275 + (3*0.165 / 5) = 15.275 + 0.22 = 15.5

3s / n = 15.275 (3*0.165 / 5) = 15.275 0.22 = 15.05
Agora podemos criar nosso grfico de controle. Usamos a

mdia geral como linha central e marcamos tambm os limites de controle no grfico. Agora podemos traar as mdias
dos subgrupos no grfico. Como podemos ver, eles esto
todos dentro dos limites de controle e a produo est sob
controle (embora os valores de aperto individuais estejam
fora dos limites). Lembre-se que os limites so baseados na
variao entre as mdias dos subgrupos, no nos apertos
individuais.
A partir de agora fcil traar uma nova mdia de subgrupo
no grfico a cada dia. Enquanto os valores traados estiverem
aleatoriamente dispersos em torno da linha central, o processo est sob controle.
Torque
Data
Figura 21. O processo est

sob controle quando as
mdias do subgrupo esto
aleatoriamente dispersas
em torno da mdia total.
31
A4. Anlise de desempenho de ferramenta para

montagem - Clculo ISO 5393
Para avaliar o desempenho de diferentes ferramentas e comparar uma ferramenta com outra, h uma norma internacional
(ISO 5393) que determina um procedimento de teste bsico e
anlise dos resultados. Baseados nessa norma, muitos fabricantes de veculos motorizados desenvolveram suas prprias
normas de certificao.
Como exemplo, vamos presumir que testamos uma ferramenta de acordo com o procedimento estabelecido na ISO 5393.
Na junta rgida com ferramenta no ajuste de torque mais alto,
os seguintes resultados so obtidos (em Nm).
31.5 33.2 32.6 33.7 31.4 32.5 33.1 31.2 33.5 32.6 33.1
31.0 32.3 33.2 32.4 31.5 33.5 33.3 31.5 32.6 31.3 33.7
33.0 31.8 33.0
Calculamos agora os valores requeridos para analisar a preciso do aperto da ferramenta, conforme descrito na ISO 5393,
para os dados da junta rgida no mais alto ajuste de torque.
Torque mdio (
= (31.5 +33.2 + 32.6 + 33.7 + ....+ 33.0) / 25

= 32.5 Nm
Variao
= 33.7 - 31.0
= 2.7 Nm
Desvio-padro (s)
= 0.863 Nm
Disperso de torque (6s) sigma
6 x 0.863 = 5.18 Nm
Disperso 6s como uma porcentagem do torque
mdio
= (5.18 / 32.5) x 100

= 15.93 %
Agora vamos presumir que para a mesma ferramenta calculamos os seguintes valores para os dados coletados com outros
ajustes de torque e condies de juntas descritas na ISO 5393.
Para um ajuste de torque mais alto na junta flexvel
Uma mdia de 31,95 e um desvio-padro de 0,795.
Para um ajuste de torque mais baixo na junta rgida
Para um ajuste de torque mais baixo na junta flexvel
Podemos agora fazer os seguintes clculos para o
ajuste de torque mais alto
a=
b=
c=
d=
Mdia da junta rgida +3S

Mdia da junta flexvel
Mdia da junta rgida 3S
Mdia da junta flexvel
a=
b=
c=
d=
32.50 + (3 x 0.863) = 35.09

31.95 + (3 x 0.795) = 34.34
32.50 (3 x 0.863) = 29.91
31.95 (3 x 0.795) = 29.56
junta rgida
+3S
junta flexvel
junta rgida
3S
junta flexvel
Torque mdio combinado
(35.09 + 29.56) / 2 = 32.33 Nm

Mean shift
32.5 31.95 = 0.55 Nm

Disperso do torque combinada
35.09 29.56 = 5.53 Nm

Disperso do torque combinada como % da mdia
combinada
(5.53 / 32.33) x 100 = 17.1 %

Ajuste de torque mais baixo
a=
b=
c=
d=
Mdia da junta rgida + 3s

Mdia da junta flexvel + 3s
Mdia da junta rgida 3s
Mdia da junta flexvel 3s
a=
b=
c=
d=
23.72 + (3 x 0.892) = 26.40

22.87 + (3 x 0.801) = 25.27
23.72 (3 x 0.892) = 21.04
22.87 (3 x 0.801) = 20.47
junta rgida
junta flexvel
junta rgida
junta flexvel
33
Torque mdio combinado
(26.40 + 20.47) / 2 = 23.44 Nm

Meanshift
23.72 -22.875 = 0.85 Nm

Disperso do torque combinada
26.40 20.47 = 5.93 Nm

Disperso de torque combinada como % da mdia
combinada
(5.93 / 23.44) x 100 = 25.3 %

A capabilidade da ferramenta 25,3 %
uma vez que a maior disperso do torque foi com o ajuste de

torque mais baixo.
Esta ferramenta em particular ir apertar 99,7 % de todas as
juntas prticas at 13 % de seu valor de torque pr-ajustado (ou seja, 99,7% dos resultados recairo dentro de 3s da
mdia).
Guias de bolso Atlas Copco

Ttulo
Cdigo
Distribuio da linha de ar
9833 1266 01
Motores pneumticos
9833 9067 01
Furao com mquinas portteis
9833 8554 01
Esmerilhamento
9833 8641 01
Ferramentas percussivas
9833 1003 01
Ferramentas de impulso
9833 1225 01
Tcnica de rebitagem
9833 1124 01
Parafusamento
9833 1007 01
Tcnica de anlise estatstica
9833 8637 01
A arte da ergonomia
9833 8587 01
Tcnica de aperto
9833 8648 01
Vibraes em esmerilhadeiras
9833 9017 01
35
9833 8637 XX
www.atlascopco.com
Recyclable paper. Jetlag 2003:1. Printed in Sweden

Análises Estatísitcas

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Análises Estatísitcas

Enviado por

Direitos autorais:

Formatos disponíveis

Guia de bolso de tcnicas

Guia de bolso de tcnicas de

4 Guia de bolso - Estatstica

Entender estatstica tem muito a ver com entender variao.

Figura 1. Variaes na presso de ar e a influncia do

Figura 2. Erros humanos

Guia de bolso - Estatstica

Considere um processo de aperto no qual medimos o torque

Figura 4. A distribuio normal pode

Uma distribuio normal pode ser encontrada em qualquer

6 Guia de bolso - Estatstica

Figura 5. Ns sempre sabemos

Guia de bolso - Estatstica

8 Guia de bolso - Estatstica

2.6 Estimativa de uma distribuio normal

Quando falamos sobre medies ou leituras em uma aplicao,

Dizemos que o valor mdio da distribuio a mdia da

o valor de cada ocorrncia individual, a medio

o valor de todas as ocorrncias juntas

Tomamos o valor de cada ocorrncia individual menos m, a

somamos cada novo valor. Dividimos agora isso pelo nmero

Calculamos a mdia da amostra ( ) da mesma maneira que

o valor de cada ocorrncia individual

O uso de (n - 1) ao invs de (n) fornece uma estimativa mais

Mean shift o que ocorre quando uma ferramenta usada

Figura 8. Mean shift a diferena

Figura 9. Mdia combinada e disperso combinada.

Guia de bolso - Estatstica

Isso normalmente verdadeiro, mas no podemos saber com

Testes realizados em uma junta rgida (30 graus) e em uma

Desvio = Max (61+3*1.2, 60.2+3*1.0) min (61-3*1.2,

12 Guia de bolso - Estatstica

Figura 10. Um processo um conjunto de atividades destinadas a

Em uma planta automobilstica moderna, a linha de produo

Figura 11. A produo industrial

Guia de bolso - Estatstica

O primeiro e mais comumente usado ndice de capabilidade

Figure 12. When calculating Cp,

14 Guia de bolso - Estatstica

Mas isso suficiente para dizermos se a ferramenta boa ou

Figura 13. Cp alto no garante que estamos prximos do valor-alvo.

Cpk = min [(AL MED) / 3 , (MED BAI) / 3]

Figura 14. Quando o Cpk

Guia de bolso - Estatstica

dar o Cpk, porque estamos mais prximos do limite superior de tolerncia.

Processo no capaz. Processo capaz ,

Figura 15. A relao entre

Apresentamos agora o Cp e o Cpk. Estudando as frmulas fcil

A pergunta quo bom preciso ser para ser capaz? no foi

Veja os alvos para dardos abaixo:

Uma junta deve ser apertada a 70 Nm 10%. Uma ferramenta

(77-63) / 6*1.2 = 1.95

Os valores Cp e Cpk so superiores a 1,33 e o processo

Guia de bolso - Estatstica

5.4 ndices de capabilidade da mquina

Como voc sabe agora, Cp e Cpk so ndices de capabilidade

Quando voc analisa a capabilidade de uma ferramenta, o

18 Guia de bolso - Estatstica

6.1 Grficos x-bar

Figura 17. Coletamos do

Primeiro introduzimos um grfico de controle para controlar

20 Guia de bolso - Estatstica

Distribuio para mdias de subgrupos,

Vamos presumir que a varivel de qualidade (no nosso caso

Desvio = Max (61+31.2, 60.2+31.0) min (61-3*1.2,