Escolar Documentos
Profissional Documentos
Cultura Documentos
CONCEITOS BSICOS
O que o CEP?
Vamos decifrar esta sigla:
.
Controle
No sentido em que vamos aplicar, significa manter algo dentro dos limites estabelecidos, ou
seja, precisamos definir um modelo o mais prximo possvel do que acreditamos ser o ideal e,
a partir deste ponto, agir para que esta tarefa se conserve no padro.
.
Estatstico
a utilizao ou estudo de dados coletados durante a atividade, a fim de fazermos projees e
tirarmos concluses baseadas em fatos. So evidncias sendo utilizadas para anlise do
comportamento de determinada tarefa.
Processo
Ato de transformar entradas (insumos) em sadas (resultados). a juno de uma srie de
tarefas interligadas que visam atingir um objetivo baseado em uma necessidade.
Qualidade
o grau de utilidade de um produto para os fins que se destina e que possvel de ser avaliada atravs de
um conjunto de caractersticas apropriadas.
Controle de Qualidade
o procedimento de verificao sistemtica da obedincia de um produto, ou processo, ao seu padro, e
de realizao dos ajustes necessrios para se atingir esse objetivo.
Qualidade Absoluta
o conjunto de caractersticas que define o produto perfeito, ou seja, o produto com 0% de defeitos.
Qualidade Aceitvel
aquela que pode ser alcanada, em funo das limitaes impostas pelas seguintes variveis:
Matrias primas;
Recursos humanos;
Recursos tecnolgicos;
Custos finais do produto.
CUSTO
NVEL DE QUALIDADE
Infraestrutura e recursos, prprios ou de terceiros, para a execuo dos mtodos de avaliao das
caractersticas:
Instalaes
Equipamentos
Outros materiais de consumo
Recursos humanos
Recursos financeiros
Inspeo 100%
Inspeo por amostragem
Lotes contnuos
Lotes isolados
VARIAO E PREVISIBILIDADE
NO EXISTEM NA NATUREZA DOIS OBJETOS QUE SEJAM ABSOLUTAMENTE IGUAIS.
SEMPRE H VARIAO.
CONTUDO, A VARIAO DEVIDA SOMENTE A CAUSAS COMUNS PREVISVEL.
Disperso ou Variao
a maior ou menor diversificao dos valores de uma varivel em torno de um valor de tendncia central
(mdia ou mediana) tomado como ponto de comparao.
A mdia, ainda que considerada como um nmero que representa uma srie de valores, no pode por si
mesmo, destacar o grau de homogeneidade ou heterogeneidade que existe entre os valores que compem
o conjunto.
Grau de homogeneidade o quo afastado esto os dados em torno da mdia da distribuio.
Exemplo 1: Para que fique mais claro este conceito, atente para a seguinte situao:
Suponha que voc trabalhe numa empresa com vrios ncleos em diferentes cidades do Brasil. De repente
voc recebe uma promoo e ser transferido para outra cidade, que voc poder escolher entre trs
diferentes. Sendo a temperatura amena, o fator que mais lhe agrada numa cidade, voc questiona sobre
esta informao a respeito das cidades que voc deve escolher. Ento te do as seguintes informaes:
4
Entretanto, fcil notar que as temperaturas da cidade Y so mais homogneas que as temperaturas das
cidades X e Z, j que todos os valores so iguais mdia. O conjunto Z, por sua vez, mais homogneo que
o conjunto X, pois h menor diversificao (variao) entre cada um de seus valores e a mdia
representativa.
Conclumos ento que o conjunto Y apresenta disperso nula e que o conjunto Z apresenta uma disperso
menor que o conjunto X.
Exemplo 2: Compare as notas de duas turmas numa mesma prova de estatstica (fictcio). Suas variaes
em torno de suas mdias:
O primeiro grfico mostra uma variao menor dos dados em torno da mdia (mais homognea).
O segundo grfico apresenta uma maior variabilidade ou maior disperso (menos homogneo).
Subgrupo 2
0.66
1.98
1.00
1.14
1.00
0.74
0.44
0.18
1.54
0.90
Subgrupo 3
1.56
0.30
0.76
1.48
0.58
1.68
0.98
1.46
1.02
1.90
Subgrupo 4
1.04
0.70
0.24
1.02
0.72
0.26
1.62
1.58
1.42
0.10
Subgrupo 5
1.60
1.12
1.26
1.08
1.98
0.98
1.06
1.48
0.04
0.86
Subgrupo 6
1.44
1.76
0.34
1.04
0.18
0.58
1.08
1.34
1.64
1.08
Subgrupo 7
1.30
0.68
0.96
0.88
0.76
0.36
0.06
1.22
1.18
1.74
Subgrupo 8
1.82
0.42
1.18
0.60
1.78
1.02
1.80
0.62
0.24
0.30
Para estimarmos o desvio-padro, devemos calcular a amplitude mdia do processo, simbolizada por
,
que igual soma das amplitudes de cada subgrupo dividida pelo nmero de subgrupos.
A amplitude de cada subgrupo simbolizada pela letra R e calculada pela diferena entre o maior e o
menor valor das amostras do subgrupo.
Portanto a amplitude do Subgrupo 1 igual a 1.92, que o maior valor dentro do subgrupo, menos 0.36,
que o menor valor.
O mesmo clculo efetuado para calcular a amplitude dos outros subgrupos.
Observe o clculo da amplitude mdia na seguinte tabela:
Subgrupo 1
Subgrupo 2
Subgrupo 3
Subgrupo 4
Subgrupo 5
Subgrupo 6
Subgrupo 7
Subgrupo 8
0.48
0.66
1.56
1.04
1.60
1.44
1.30
1.82
1.64
1.98
0.30
0.70
1.12
1.76
0.68
0.42
0.38
1.00
0.76
0.24
1.26
0.34
0.96
1.18
1.84
1.14
1.48
1.02
1.08
1.04
0.88
0.60
0.36
1.00
0.58
0.72
1.98
0.18
0.76
1.78
1.44
0.74
1.68
0.26
0.98
0.58
0.36
1.02
1.92
0.44
0.98
1.62
1.06
1.08
0.06
1.80
0.68
0.18
1.46
1.58
1.48
1.34
1.22
0.62
1.08
1.54
1.02
1.42
0.04
1.64
1.18
0.24
1.32
0.90
1.90
0.10
0.86
1.08
1.74
0.30
Aps calcular a amplitude mdia do processo, devemos encontrar na seguinte tabela o fator
d2
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.970
10
3.078
11
3.173
12
3.258
13
3.336
14
3.407
15
3.472
20
3.735
25
3.931
Desvio-padro calculado
Tambm chamado de desvio-padro dos valores individuais, o desvio-padro calculado dado pela
seguinte frmula:
Subgrupo 1
Subgrupo 2
Subgrupo 3
Subgrupo 4
Subgrupo 5
Subgrupo 6
Subgrupo 7
Subgrupo 8
0.48
0.66
1.56
1.04
1.60
1.44
1.30
1.82
1.64
1.98
0.30
0.70
1.12
1.76
0.68
0.42
0.38
1.00
0.76
0.24
1.26
0.34
0.96
1.18
1.84
1.14
1.48
1.02
1.08
1.04
0.88
0.60
0.36
1.00
0.58
0.72
1.98
0.18
0.76
1.78
1.44
0.74
1.68
0.26
0.98
0.58
0.36
1.02
1.92
0.44
0.98
1.62
1.06
1.08
0.06
1.80
0.68
0.18
1.46
1.58
1.48
1.34
1.22
0.62
1.08
1.54
1.02
1.42
0.04
1.64
1.18
0.24
1.32
0.90
1.90
0.10
0.86
1.08
1.74
0.30
Na figura abaixo, efetuado o clculo da mdia do processo: soma das mdias dos subgrupos dividida pelo
nmero de subgrupos.
A primeira impresso que a frmula do desvio-padro calculado gera no das melhores, mas vamos ver
que o clculo do desvio-padro sobre os valores individuais do processo bem simples.
Para cada amostra, devemos calcular o desvio em relao mdia do processo. Esse desvio dado pela
seguinte frmula:
Onde: Xi o valor de cada amostra.
Devemos efetuar esse clculo para todos os valores de amostras do processo. Observe no esquema abaixo:
Amostra
Clculo
(0.48 - 1.025)2
0.297025
(1.64 - 1.025)2
0.378225
(0.38 -
1.025)2
0.416025
(1.84 -
1.025)2
0.664225
(0.62 -
1.025)2
0.164025
79
(0.24 -
1.025)2
0.616225
80
(0.30 - 1.025)2
0.525625
Desvio em relao a
...
78
A soma dos resultados obtidos para cada valor individual do processo e dividida pelo nmero total de
amostras menos 1 chamada de Varincia.
O desvio-padro calculado a raiz quadrada da Varincia.
8
Ento, temos:
curva de Gauss.
: desvio padro
: mdia populacional
Resumindo
10
2passo: Olhar a tabela com valores de z (lembrar de levar essa tabela para a prova).
Olhando a tabela, verificamos que para z=1,00 temos 0,3413. Esta a rea sob a curva
normal entre a mdia e a estatura 177cm; somada a 0,500 que a rea esquerda da
mdia, totaliza 0,8413, que a rea abaixo de z=1,00. Lembrando que as reas sob a curva
representam propores, temos que 84,13% das estaturas de homens adultos so menores
que 177cm.
1-0,8413=0,1587 ou 15,87%
11
Atualmente a inovao fundamental em relao ao CEP que esses princpios e tcnicas devem ser
compreendidos, e aplicados, por todas as pessoas da organizao e no apenas pelos tcnicos e
engenheiros da rea de Qualidade.
APLICAO:
Anlise dimensional de produo seriada de uma determinada pea, anlise de variao de peso, anlise
de variao de horrio, Etc.
Todo o Controle Estatstico da Qualidade baseado na anlise das variaes ou variabilidade, que so
diferentes nas magnitudes (dimetro, peso, densidade, etc.) presentes universalmente nos produtos e
servios resultantes de qualquer atividade, e so considerados a maior inimiga da Qualidade.
As causas que produzem variaes nos processos so classificadas em:
14
espordica diferencia-se da causa comum pelo fato de produzir resultados totalmente discrepantes em
relao aos demais valores.
Exemplos de causas especiais so: desregulagem ocasional da mquina, um lote de matria-prima com
problema, quebra de uma ferramenta e outras.
Causas comuns
uma causa comum definida como uma fonte de variao que afeta a todos os
valores individuais do processo. resultante de diversas origens, sem que nenhuma tenha predominncia
sobre a outra. Um processo dito sob controle, ou estatisticamente estvel, quando somente causas
comuns estiverem presentes.
Na natureza, por exemplo, todas as crianas ao nascerem, tem um peso dentro de uma faixa considerada
normal, mas se uma criana nasce de 7 meses, que uma causa anormal, o seu peso ser inferior a essa
faixa.
Por outro lado, sabido tambm, que nunca encontramos duas folhas ou dois pssaros do mesmo
espcime, exatamente iguais; em um cardume, os peixes parecem todos iguais; mas se analisarmos
detalhadamente, encontra diferenas, minsculas que sejam.
Se nem a natureza consegue criar duas coisas ou seres exatamente iguais, que dir ento as mquinas
criadas pelos seres humanos.
Atravs do histograma podemos analisar se as variaes que ocorrem nos processos, verificar se essas
variaes esto dentro da normalidade ou se existem variaes causais.
Partindo-se de algumas frmulas, na maioria simples, podemos calcular o quanto so essas variaes,
denominadas de DESVIO PADRO e so representados pela letra grega sigma (). Sigma
Tomando-se o valor mdio da amostra (X) e subtraindo-se trs desvios padres (- 3), obtm-se limite
inferior de controle (LIC) e somando-se o mesmo valor (+ 3), obtm-se o limite superior de controle (LSC).
POR QUE CONTROLAR O PROCESSO?
Porque do processo de produo podem resultar itens (produtos) no conformes/ defeituosos ou a
porcentagem de defeituosos pode variar ao longo do tempo.
O que causa a produo de defeituosos a existncia de variao nos materiais, nas condies do
equipamento, nos mtodos de trabalho, na inspeo, nas condies da mo de obra, e em outros insumos,
etc. A variao que ocorre num processo de produo pode ser desmembrada em duas componentes: uma
de difcil controle, chamada variao aleatria, e outra chamada variao controlvel.
Assim a equao da variao total de um processo pode ser escrita como sendo:
O CEP auxilia na identificao e priorizao das causas de variao da qualidade (separao entre as poucas
causas vitais e as muitas triviais) e objetivo controle ou eliminao (aprisionamento) das causas
fundamentais dos defeitos.
Causas comuns ou aleatrias (so inerentes ao prprio processo, so relativamente difceis de serem
identificadas, consistem num nmero muito grande de pequenas causas); e
16
17
18
NDICES:
Qual a diferena entre os ndices de Capacidade e os ndices de Performance de Mquina do processo?
Os ndices de Capacidade informam como o processo poder agir no futuro, j os ndices de performance
informam como o processo agiu no passado ou est agindo no momento.
19
O clculo dos ndices de performance muito semelhante ao dos ndices de capacidade, salvo o que diz
respeito ao desvio-padro utilizado.
Mas qual desvio-padro deve ser usado para o clculo dos ndices?
At 1991, essa pergunta no tinha uma resposta exata. Para eliminar essa confuso, a ASQC - American
Society for Quality Control (Sociedade Americana de Controle da Qualidade) publicou naquele ano "o
manual fundamental de referncia do Controle Estatstico de Processo".
O que est definido no manual publicado pela ASQC que os ndices de capacidade do processo utilizam o
desvio-padro estimado e os ndices de performance utilizam o desvio-padro calculado sobre os valores
individuais do processo.
Voc perceber, em seguida, que o clculo dos ndices de Capabilidade de mquina idntico ao clculo
dos ndices de Capacidade, exceto que o desvio-padro utilizado o calculado.
Cp
Quanto maior o ndice, menos provvel que o processo esteja fora das especificaes;
Um processo com uma curva estreita (um Cp elevado) pode no estar de acordo com as
necessidades do cliente se no for centrado dentro das especificaes.
20
Clculo do ndice
Os ndices de Capacidade do processo utilizam o desvio-padro estimado. Considerando os dados
utilizados anteriormente, temos:
LSE (Limite Superior de Especificao) = 2,5
LIE (Limite Inferior de Especificao) = 0,05
(Desvio-padro estimado) = 0,5385
A frmula do ndice Cp dada por:
Na frmula, percebemos, como foi escrito anteriormente, que este ndice desconsidera a mdia do
processo, retratando apenas sua variao.
O clculo deste ndice em nosso exemplo dado por:
Cpk
Clculo do ndice
Os ndices de Capacidade do processo utilizam o desvio-padro estimado.
Considerando os dados utilizados anteriormente, temos:
LSE (Limite Superior de Especificao) = 2,5
LIE (Limite Inferior de Especificao) = 0,05
(Mdia do processo) = 1,025
(Desvio-padro estimado) = 0,5385
A frmula do ndice Cpk dada por:
21
Agora que j vimos como calcular os ndices, vamos ver em grficos quais os seus significados.
Sabemos que quanto mais estreita a curva da distribuio, menor a variao e maiores os valores dos
ndices Cp e Cpk. Sabemos ainda que quanto maior o valor de Cp e Cpk, melhor o status do processo.
Considerando essa afirmao, vamos entender em quais ocasies temos valores altos e baixos para esses
dois ndices.
Cp baixo
Causa: variao maior que a faixa dos limites de especificao.
Cpk baixo
Causa: a distribuio est centrada, mas h uma variao maior
que a faixa dos limites de especificao.
Processo: incapaz
Cp bom
Causa: variao menor que a faixa dos limites de
especificao.
Cpk bom
Causa a distribuio est centrada e h uma variao menor
que a faixa dos limites de especificao.
Processo: satisfatrio.
Cp alto
Causa: baixa variao em relao faixa dos limites de
especificao
22
Cpk alto
Causa: a distribuio est centrada e h uma baixa variao em relao faixa dos limites de especificao
Processo: capaz
Nos trs exemplos anteriores, os ndices Cp e Cpk receberam os mesmos conceitos, mas nem sempre isso
ocorre.
Veja no prximo exemplo em que h um processo com uma variao bem pequena, que gera um Cp timo
e tambm geraria um Cpk com valor alto, mas a distribuio no est centrada entre os limites de
especificao.
Cp alto
Causa: baixa variao em relao faixa dos limites de
especificao
Cpk baixo
Causa: h uma baixa variao em relao faixa dos limites
de especificao, mas a distribuio no est centrada.
Processo: incapaz
Pelo exemplo anterior, possvel afirmar que, para ser capaz, um processo necessita de centralizao
entre os limites de especificao e baixa variao.
Mas qual ndice dever ser utilizado?
ndice
Cp
Cpk
Uso
Definio
23
Pp
Quanto maior o ndice, menos provvel que o processo esteja fora das especificaes;
Um processo com uma curva estreita (um Pp elevado) pode no estar de acordo com as
necessidades do cliente se no for centrado dentro das especificaes.
Clculo do ndice
Os ndices de Performance do processo utilizam o desvio-padro calculado.
Considerando os dados utilizados anteriormente, temos:
LSE (Limite Superior de Especificao) = 2,5
LIE (Limite Inferior de Especificao) = 0,05
(Desvio-padro calculado) = 0,5350
A frmula do ndice Pp dada por:
Na frmula, percebemos, como foi escrito anteriormente, que este ndice desconsidera a mdia do
processo, retratando apenas sua variao.
24
Ppk
Indica quo prxima a mdia est do valor alvo do processo;
o ajuste do ndice Pp para uma distribuio no-centrada entre os limites de especificao;
sensvel aos deslocamentos (causas especiais) dos dados;
Clculo do ndice
Os ndices de Performance do processo utilizam o Desvio-padro calculado.
Considerando os dados anteriores, temos:
LSE (Limite Superior de Especificao) = 2,5
LIE (Limite Inferior de Especificao) = 0,05
(Mdia do processo) = 1,025
(Desvio-padro calculado) = 0,5350
, j
Tcnicas de Amostragem
O que ?
o estudo de um pequeno grupo de elementos retirado de uma populao que se pretende conhecer.
Esses pequenos grupos retirados da populao so chamados de Amostras.
25
26
Amostragem Estratificada
Quando a populao possui caractersticas que permitem a criao de subconjuntos, as amostras extradas
por amostragem simples so menos representativas. Nesse caso, utilizada a amostragem estratificada.
Como a populao se divide em subconjuntos, convm que o sorteio dos elementos leve em considerao
tais divises, para que os elementos da amostra sejam proporcionais ao nmero de elementos desses
subconjuntos. Observe a figura abaixo:
Exemplo
Em uma populao de 200 alunos, h 120 meninos e 80 meninas. Extraia uma amostra representativa, de
10%, dessa populao.
Nesse exemplo, h uma caracterstica que permite identificar 2 subconjuntos, a caracterstica Sexo.
Considerando essa diviso, vamos extrair a amostra da populao.
SEXO
Masculino
Feminino
Total
POPULAO
120
80
200
AMOSTRA (10%)
12
8
20
Portanto, a amostra deve conter 12 alunos do sexo masculino e 8 do sexo feminino, totalizando 20 alunos,
que correspondem a 10% da populao.
Para selecionar os elementos da populao para formar a amostra, podemos executar os seguintes passos:
1) Numerar os alunos de 1 a 200, sendo os meninos numerados de 1 a 120 e as meninas, de 121 a 200;
2) Escrever os nmeros de 1 a 120 em pedaos de papel e coloc-los em uma urna A;
3) Escrever os nmeros de 121 a 200 em pedaos de papel e coloc-los em uma urna B;
4) Retirar 12 pedaos de papel, um a um, da urna A, e 8 da urna B, formando a amostra da populao.
So exemplos desta tcnica de amostragem as pesquisas eleitorais por regio, cidades pequenas e
grandes, rea urbana e rea rural, sexo, faixa etria, faixa de renda, etc.
27
Amostragem Sistemtica
Esta tcnica de amostragem em populaes que possuem os elementos ordenados, em que no h a
necessidade de construir um sistema de referncia. Nesta tcnica, a seleo dos elementos que comporo
a amostra pode ser feita por um sistema criado pelo pesquisador.
Exemplo
Obter uma amostra de 80 casas de uma rua que contm 2000 casas. Nesta tcnica de amostragem,
podemos realizar o seguinte procedimento:
1) Como 2000 dividido por 80 igual a 25, escolhemos, por um mtodo aleatrio qualquer, um nmero
entre 1 e 25, que indica o primeiro elemento selecionado para a amostra.
2) Consideramos os demais elementos, periodicamente, de 25 em 25.
Se o nmero sorteado entre 1 e 25 for o nmero 8, a amostra ser formada pelas casas: 8, 33, 58, 83,
108, etc.
Apesar de esta tcnica ser de fcil execuo, h a possibilidade de haver ciclos de variao, que tornariam
a amostra no representativa da populao.
Amostragem Acidental
Trata-se da formao de amostras por aqueles elementos que vo aparecendo. Este mtodo utilizado,
geralmente, em pesquisas de opinio, em que os entrevistados so acidentalmente escolhidos.
Exemplo
Pesquisas de opinio em praas pblicas, ruas movimentadas de grandes cidades, etc.
Amostragem Intencional
De acordo com determinado critrio, escolhido intencionalmente um grupo de elementos que comporo
a amostra. O pesquisador se dirige intencionalmente a grupos de elementos dos quais deseja saber a
opinio.
Exemplo
Em uma pesquisa sobre preferncia por determinado cosmtico, o pesquisador entrevista os
frequentadores de um grande salo de beleza.
Agora que j conhecemos as principais tcnicas de amostragem, vamos aprender a calcular o tamanho das
amostras dos estudos estatsticos.
Antes de prosseguir, vamos definir alguns termos:
Parmetro: Caracterstica da populao.
Estatstica: Caracterstica descritiva de elementos de uma amostra.
Estimativa: valor acusado por uma estatstica que estima o valor de um parmetro.
O clculo do tamanho da amostra est diretamente ligado ao erro amostral tolervel.
Erro amostral
a diferena entre o valor que a estatstica pode acusar e o verdadeiro valor do parmetro que se deseja
estimar.
O erro amostral tolervel margem de erro aceitvel em um estudo estatstico. Para esclarecer melhor,
quando o apresentador do telejornal, em ano de eleies, anuncia:
O candidato Fulano de Tal tem 42% das intenes de voto, 2 para mais, 2 para menos.
Quando o apresentador cita 2 para mais, 2 para menos, ele se refere ao erro amostral tolervel para
aquela pesquisa de intenes de voto.
29
Tamanho da Amostra
Obs.: um passo importante antes de iniciar o clculo do tamanho da amostra definir qual o erro amostral
tolervel para o estudo que ser realizado.
, onde:
N o nmero de elementos da populao
n o tamanho da amostra
Observe o seguinte exemplo para compreender melhor:
Exemplo
Em uma empresa que contm 2000 colaboradores, deseja-se fazer uma pesquisa de satisfao. Quantos
colaboradores devem ser entrevistados para tal estudo?
Resoluo
N = 2000
Definindo o erro amostral tolervel em 2%
E0 = 0,02
n0 = 1 / (E0)2
n0 = 1 / (0,02)2
n0 = 2500
n = (N . n0) / (N + n0)
n = (2000 . 2500) / (2000 + 2500)
n = 1111 colaboradores
Com o erro amostral tolervel em 2%, 1111 colaboradores devem ser entrevistados para a pesquisa.
Vamos repetir os clculos, definindo o erro amostral tolervel em 4%.
N = 2000
E0 = 0,04
30
n0 = 1 / (E0)2
n0 = 1 / (0,04)2
n0 = 625
n = (N . n0) / (N + n0)
n = (2000 . 625) / (2000 + 625)
n = 476 colaboradores
Atravs deste segundo clculo, possvel observar que, quando aumentamos a margem de erro, o
tamanho da amostra reduz.
E se houvesse 300.000 colaboradores na empresa?
N = 300.000
E0 = 0,04
n0 = 1 / (E0)2
n0 = 1 / (0,04)2
n0 = 625
n = (N . n0) / (N + n0)
n = (300.000 . 625) / (300.000 + 625)
n = 623 colaboradores
Observe que a diferena entre n e n0, neste ltimo clculo, muito pequena.
Portanto: se o nmero de elementos da populao (N) muito grande, a primeira aproximao do
tamanho da amostra j suficiente.
Observe ainda:
N = 2000
E0 = 0,04
n = 476 colaboradores = 23,8% da populao
N = 300.000
E0 = 0,04
n = 623 colaboradores = 0,2% da populao
Porm, essas cartas de controle no so to sensveis a alteraes do processo quanto s cartas X-R e X-s.
Logo abaixo, ser descrito o procedimento para os clculos dos Limites de Controle, da Mdia e da
Amplitude deste tipo de carta.
Exemplo
Considere os seguintes dados de amostras coletados em um processo homogneo.
1
0,37
0,43
11
0,59
16
0,5
21
0,39
0,38
0,35
12
0,5
17
0,64
22
0,41
0,62
0,44
13
0,5
18
0,52
23
0,42
0,45
0,44
14
0,63
19
0,5
24
0,48
0,49
10
0,5
15
0,46
20
0,37
25
0,49
Como o processo, do qual os dados foram selecionados, homogneo, no necessrio obter mais de
uma amostra por subgrupo. Portanto, h em nosso exemplo 25 subgrupos de tamanho um.
Quando h mais de uma amostra nos subgrupos, a amplitude calculada pela diferena entre o menor e o
maior valor de cada subgrupo. Para suprir essa deficincia em processos que possuem subgrupos de
tamanho um, utilizada a carta de controle de Amplitude Mvel.
Nesta carta, a amplitude calculada entre os subgrupos. Cada ponto na Carta R (Amplitude) dado pelo
valor absoluto (sem o sinal negativo/positivo) da diferena entre o valor da amostra do subgrupo atual e o
valor da amostra do subgrupo anterior. Observe no seguinte esquema como montar uma carta de controle
X-AM.
32
Para construir a carta de controle, necessrio calcular a Amplitude Mdia do processo, que dada pela
seguinte frmula:
Carta X
Para construir a carta X, necessrio calcular a Mdia do processo, que dada pela Mdia das Mdias dos
subgrupos. Em nosso exemplo, a Mdia do subgrupo o prprio valor da amostra que o mesmo contm.
Aps calcular a Mdia do processo, vamos aprender a calcular os Limites de Controle desta carta.
Os Limites de Controle da carta X so calculados pelas seguintes frmulas:
Aps traar os pontos e os Limites de Controle, o grfico ser formatado como mostra a figura abaixo:
Carta R
Aps calcular a Mdia e a Amplitude Mdia do processo, necessrio calcular os Limites de Controle da
carta R, que so definidos pelas seguintes frmulas:
Observao: o Limite Inferior de Controle 0, pois este o menor valor no-negativo possvel para a
diferena entre dois valores de amostras.
Substituindo os valores de nosso exemplo na frmula, temos:
34
Carta X-R
Esse tipo de carta de controle adequado quando so utilizados subgrupos que possuem entre 2 e 9
amostras. Das cartas de controle por variveis essa a mais frequentemente aplicada na indstria.
Invariavelmente, o tamanho do subgrupo situa-se em torno de 4 ou 5 amostras. Na prtica, o tamanho da
amostra deve ser determinado com base na capacidade de deteco de mudanas.
Porm, medida que o tamanho do subgrupo aumenta, diminui a sensibilidade da amplitude R como
estimador do desvio-padro do processo. Montgomery demonstra que, para subgrupos com tamanho
prximo de 10, a amplitude perde significativamente sua sensibilidade como estimadora (MONTGOMERY,
1991, p. 204). A tabela abaixo apresenta a "eficincia relativa" do estimador R em funo do tamanho do
subgrupo "n":
n
Eficincia relativa
1,000
0,992
0,975
0,955
0,930
10
0,850
35
Carta X-S
Esta uma opo para a carta X-R quando o tamanho das amostras maior ou igual a 10. Na prtica esse
modelo de carta de controle no frequentemente utilizado, pois muitas vezes as amostras desse
tamanho so inviveis economicamente. No entanto, assim como para a carta X-R o tamanho da amostra
deve ser calculado com base na capacidade de deteco de mudanas no processo.
Considere os seguintes subgrupos de amostras para o exemplo de desenvolvimento de uma carta X-S que
possui limite de especificao igual a 2,50, e superior igual a 3,5 e alvo igual a 3,0:
O primeiro passo calcular a mdia do processo, que corresponde soma de todas as amostras dividida
pelo nmero de amostras:
O prximo passo calcular o desvio-padro de cada subgrupo, que dado pela seguinte frmula:
Onde:
X1 representa cada amostra do subgrupo
representa a mdia das amostras do subgrupo
36
O mesmo processo deve ser feito para calcular o desvio-padro dos subgrupos 2, 3, 4 e 5, cujos resultados
so os seguintes:
S2 = 0,257 S3 = 0,375 S4 = 0,333 S5 = 0,295
Aps calcular o desvio-padro de cada subgrupo, deve ser calculado o desvio-padro mdio do processo,
que dado pela seguinte frmula:
Onde:
k representa o nmero de subgrupos
Aps calcular o desvio-padro mdio do processo, resta apenas calcular os limites de controle das cartas X
e S.
Onde:
representa a mdia do processo.
S
37
Onde:
representa o desvio-padro mdio do processo.
38
Portanto, percebe-se que o valor do fator A3 para 5 amostras 1,427, o valor de B3 0,000 e o valor do
fator B4 igual a 2,089.
Com todos os valores j conhecidos, o prximo passo calcular os limites das cartas X e S, conforme as
frmulas que foram citadas anteriormente.
Limites de Controle da Carta X
UCLx = X + A3(n) . S
UCLx = 2,94 + 1,427 . 0,3402
UCLx = 3,425
LCLx = X - A3(n) . S
LCLx = 2,94 - 1,427 . 0,3402
LCLx = 2,455
Limites de Controle da Carta S
UCLs = B4(n) . S
UCLs = 2,089 . 0,3402
UCLs = 0,711
LCLs = B3(n) . S
LCLs = 0,000 . 0,3402
LCLs = 0,000
Para finalizar o desenvolvimento da carta X-S, os grficos devem ser construdos. Para facilitar essa etapa,
utilizamos o software para CEP Datalyzer Spectrum. Observe a figura abaixo:
39
Carta c
A carta "c" utilizada quando se deseja controlar o nmero total de defeitos em uma unidade do produto.
Alguns exemplos so:
Carta u
A carta "u" tem a mesma aplicao da carta "c". A nica diferena que o tamanho do subgrupo para a
carta "u" maior do que um. Assim um exemplo seria o controle do nmero de riscos em duas chapas
metlicas. Logo, para esse caso o tamanho do subgrupo de 2 amostras.
Carta np
A carta "np" aplica-se aos mesmos casos da carta "p". Entretanto, essa carta utilizada quando se deseja
saber o nmero de itens no conformes em vez de conhecer a proporo de itens defeituosos.
idntico carta p, exceto por registrar o nmero real de itens no conformes, ao invs de sua proporo
na amostra. Ambas so apropriadas para as mesmas situaes bsicas, com a escolha indo para Np se (a) o
nmero real de no conformidades mais expressivo ou simples de se registrar que a proporo e, (b) o
tamanho da amostra permanece constante de perodo a perodo. Os detalhes das instrues para a carta
Np so virtualmente os mesmos que para a carta p.
Para a coleta de dados, o tamanho da amostra de inspeo deve ser constante. O perodo de formao dos
subgrupos deve ser compatvel com os intervalos de produo e com os sistemas de "feedback" e as
amostras devem ser grandes o suficiente para permitir que vrios itens no-conformes apaream em cada
subgrupo.
Para o clculo dos limites de controle, primeiro calcula-se o nmero mdio de itens no-conformes do
processo
Onde
Com esse dado, o clculo do Limite Superior e Inferior de Controle (LSC, LIC) fica:
Entretanto, a principal vantagem das cartas por variveis sobre as cartas por atributos relacionada ao
controle do processo em si. As cartas por variveis permitem que aes preventivas sejam executadas
antes que muitas peas defeituosas sejam produzidas. J as por atributos permitem que aes corretivas
sejam executadas aps ter sido produzida uma relativa quantidade de itens defeituosos.
41
3) Caso haja pontos fora dos limites de controle e/ou alguma configurao no-aleatria, pode-se concluir
que o processo est fora do estado de controle estatstico. Neste caso, devem ser identificadas as causas
especiais que causaram cada ponto. Aps isso, esses pontos devem ser eliminados da amostragem, novos
limites experimentais devem ser calculados e a anlise deve ser realizada novamente. Esses passos devem
ser executados at que se conclua que o processo est fora ou sob controle estatstico. Em alguns casos, se
os passos forem executados continuamente, podem restar poucos pontos para anlise, o que diminui a
representatividade do processo. A soluo nesses casos coletar novas amostras e reiniciar a anlise.
Encontrar os pontos fora dos limites de controle uma tarefa fcil, mas identificar configuraes no
aleatrias uma tarefa que gera muitas dvidas. Para esclarec-las, mostraremos logo abaixo os padres
apresentados por Werkema (1995, P. 218-222).
Os padres de referncia relativos s configuraes no aleatrias foram estabelecidos para facilitar a
deteco de variaes relativas a causas especiais. Esses padres foram elaborados a partir das
propriedades da distribuio normal, atravs de regras estatsticas relativamente simples.
a) Pontos fora dos limites de controle
uma das formas mais evidentes da falta de controle estatstico de um processo. Neste caso, as causas
especiais podem estar relacionadas a dados gerados por procedimentos incorretos de coleta de dados ou
equipamentos descalibrados.
b) Sequncia
42
c) Periodicidade
Uma tendncia pode ser detectada por 7 ou mais pontos, ascendentes ou descendentes. Algumas causas
dessa configurao so: desgaste de ferramentas, mudana nas condies ambientais (temperatura,
umidade, presso, etc).
e) Aproximao dos limites de controle
Essa configurao caracterizada por 2 ou mais pontos fora dos limites 2-sigma da carta de controle. As
aproximaes dos limites de controle so tpicas de grandes ajustes no processo. Isso ocorre quando os
operadores tentam ajustar o processo frequentemente de acordo com as causas comuns, e no as
especiais.
43
f) Aproximao da mdia
Essa configurao perigosa, pois apesar de aparentar estabilidade, pode representar instabilidades do
processo.
As configuraes exibidas anteriormente so vlidas para todas as cartas de controle convencionais: X-R, XS, carta p, carta np, carta c e carta u. No caso da carta X-AM, a nica configurao vlida a existncia de
pontos fora dos limites de controle, pois os pontos nesta carta guardam uma correlao entre si.
Outro ponto a ser observado que esses padres no sero regras para todos os processos, pois, em um
determinado processo, 7 pontos consecutivos podem ser considerados normais.
Comparaes e Converses
s vezes, em vez de usar a terminologia parte por , as concentraes so relatadas em unidades de
peso; como o peso da impureza comparado ao peso do total.
O sistema mtrico a maneira mais conveniente de expressar isto desde que as unidades mtricas vo por
etapas de dez, de cem e de mil.
Por exemplo, um miligrama um milsimo de um grama e um grama um milsimo de um quilograma.
Assim, um miligrama um milsimo de um milsimo, ou um milionsimo, de um quilograma. Um
miligrama uma parte por milho de um quilograma assim, uma poro por milho (PPM) o mesmo que
um miligrama por quilograma.
A parte por milho abreviada como PPM, um miligrama por quilograma tem sua prpria abreviatura mg/kg. Usando nossas abreviaturas, um PPM igual a um mg/kg.
Quilogramas e miligramas so unidades de peso que no se aplicam a volumes de lquidos ou gases. Em
vez de um quilograma, a unidade de volume de lquido mais usada o litro. Um litro de gua pesa um
quilograma. Se o contaminador um slido, medido em miligramas. Assim, 1 parte por milho de um
slido em um lquido pode ser escrita com um miligrama por litro e abreviado por mg/l.
Estas so as unidades mais comuns que so encontradas. Entretanto, com a habilidade de detectar mesmo
quantidades menores de contaminadores, o termo parte por bilho e a parte por trilho esto se tornando
mais comuns. No sistema mtrico de peso, um micrograma um milsimo de um miligrama.
Desde que um miligrama um milionsimo de um quilograma, e o micrograma mil vezes menor, que
equivalente a um bilionsimo de um quilograma.
BIBLIOGRAFIA
http://www.eps.ufsc.br/disserta98/marcio/cap5c.html,
http://teses.eps.ufsc.br/defesa/pdf/8213.pdf,
Srie "As Sete Ferramentas do Controle da Qualidade" - Carta de Controle
http://www.datalyzer.com.br/site/suporte/administrador/info/arquivos/info52/52.html
Introduo s Cartas por Atributos
http://www.datalyzer.com.br/site/suporte/administrador/info/arquivos/info30/30.html
http://www.eps.ufsc.br/disserta98/marcio/cap5e.html
http://portal.vanzolini-ead.org.br/siteBuilder/upload/br/site_141/arquivos/secao_488/Johnson.pdf.
http://mea.pucminas.br/palma/metrolapostcep.pdf.
http://extoxnet.orst.edu/tibs/partperm.htm
SAMOHYL, ROBERT WAYNE. Controle Estatstico da Qualidade. 1 edio. Campus, 2009.
COSTA, A. F. B., EPPRECHT, E. K., CARPINETTI, L. C. R. Controle estatstico de qualidade. 2 edio. So
Paulo: Atlas,2005.
LAUGENI, F. P. & Martins P. G. Administrao da Produo. 4 ed. So Paulo: Saraiva,
RITZMAN, L. P. & KRAJEWSKI, L. J. Administrao da Produo e Operaes. 8 ed. So Paulo: Pearson.
2009.
NIGEL, Slack & STUART, Chambers & ROBERT, Johnston. Administrao da Produo. 3 ed. So Paulo:
Atlas
BEHNKE, Karl. Improving Process Quality Through Variation Reduction, Farmington, 2004
CAMPOS, V. F. TQC - Controle da Qualidade Total (no estilo japons). 4. ed. Rio de Janeiro: Bloch
Editores S.A., 1994
DEMING, E. The New Economics for Industry, Government and Education. Ed. Cambridge, 2nd Ed., 1994
DEMING, E., citado em Statistical Quality Control, 6th Ed., Eugene L. Grant e Richard S. Leavenworth, New
York, 1988, pg.31
ISHIKAWA, K. Controle de Qualidade Total Maneira Japonesa. Rio de Janeiro, Ed. Campus, 1993
SIQUEIRA, L. Controle Estatstico do Processo. So Paulo, Ed. Pioneira, 1997
WERKEMA, M. Ferramentas Estatsticas Bsicas para o Gerenciamento do Processo. Belo Horizonte, Ed.
FCO-UFMG, V.2, 1995
ABNT. NBR ISO 19011 (2002) Diretrizes para Auditorias de Sistema de Gesto da Qualidade e/ou
Ambiental. Rio de Janeiro, 2002
MONTGOMERY, D. C. Introduo ao Controle Estatstico da Qualidade. 4 Edio. Rio de Janeiro:
Editora LTC Livros Tcnicos e Cientficos S.A, 1994.
PALADINI, E. P. Gesto da Qualidade no Processo. 1 ed. So Paulo: Editora Atlas, 1995.
RAMOS, A. W. Controle Estatstico de Processo. 2000.
SOUZA, F. S.; PEDRINI, D. C.; CATEN, C. S. ndices de capacidade do processo: comparao entre ndices
tradicionais e ndices para grficos de controle de regresso. 16 SIMPEP, 2010.
46