Escolar Documentos
Profissional Documentos
Cultura Documentos
Controle Prevenção de Desvios de Qualidade
Controle Prevenção de Desvios de Qualidade
Publicado por
Porto Alegre, RS
2012
Catalogao-na-publicao(CIP). UFRGS. Escola de Engenharia. Biblioteca
2012 by Jos Luis Duarte Ribeiro & Carla Schwengber ten Caten
Direitos em lngua portuguesa para o Brasil adquiridos por
Projeto Grfico
Lia Buarque de Macedo Guimares
Editorao Eletrnica
Andria Fabiane Nahra Leal
Fabolla Granata
Gustavo Schroeder
Ilustrao da Capa
Antnio Bandeira, Composio, 1952
aquarela e nanquim s/ papel 22,5 X 30 cm
Coleo Particular
Nenhuma parte deste material deve ser reproduzida de nenhuma forma sem a
autorizao por escrito dos autores
Controle Estatstico do Processo
Introduo ao Controle Estatstico do Processo ................................................................ 5
CONSIDERAES INICIAIS .......................................................................................................5
DEFINIO DO CONTROLE ESTATSTICO DO PROCESSO ...................................................5
Objetivos do controle estatstico do processo ..............................................................................6
Origens histricas das cartas de controle .....................................................................................6
Sistema de controle do processo .................................................................................................7
Variabilidade: causas comuns e causas especiais .......................................................................9
DISTRIBUIO DE PROBABILIDADE ...................................................................................... 11
Tipos de distribuio de Probabilidade ....................................................................................... 11
Anlise das cartas de controle ................................................................................................... 12
Inspeo versus controle estatstico do processo ...................................................................... 17
Planejamento da implantao .................................................................................................... 18
Cartas de Controle para Variveis ................................................................................. 30
Introduo s cartas de variveis ............................................................................................... 30
Cartas de controle para a mdia ................................................................................................ 38
Carta de controle para o desvio-padro ..................................................................................... 67
Carta de controle para a mediana ( ~
x ) e amplitude (R) .............................................................. 70
Carta de controle para valores individuais .................................................................................. 73
Cartas de controle para mdias mveis ..................................................................................... 77
Escolha do tipo de carta de controle .......................................................................................... 79
Exerccios .................................................................................................................................. 80
Carta de Controle para Atributos ................................................................................... 85
Importncia das cartas de controle de atributos ......................................................................... 85
Carta p para frao de no-conformes ..................................................................................... 86
Carta np para nmero de no- -conformes ................................................................ 90
Carta c para nmero de no- -conformidades ........................................................ 92
Carta u para nmero de no-conformidades por unidade ........................................................ 94
Escolha do tipo de carta de controle .......................................................................................... 98
Exerccios .................................................................................................................................. 98
A Funo de Perda Quadrtica .................................................................................... 102
Abordagem Tradicional x Abordagem de Taguchi .................................................................. 102
A Funo de Perda e o Controle do Processo ......................................................................... 102
Determinao do coeficiente de perda ..................................................................................... 104
Vantagens da funo de perda ................................................................................................ 104
Clculo da perda para um lote de produtos .............................................................................. 104
Anlise dos problemas de qualidade ........................................................................................ 105
Tipos de caractersticas de qualidade ...................................................................................... 106
A funo de perda para Maior--melhor .................................................................................. 106
A funo de perda para menor-- -melhor .............................................................. 107
Aplicaes da funo de perda ................................................................................................ 109
Uso da funo de perda na definio de tolerncias ................................................................ 110
Exerccios ................................................................................................................................ 111
Exerccio Final ......................................................................................................................... 113
Anlise de Sistemas de Medio ................................................................................. 115
Introduo ................................................................................................................................ 115
Categorias de dados e discriminao....................................................................................... 115
Estabilidade ............................................................................................................................. 116
Preciso x exatido .................................................................................................................. 119
Tendncia ................................................................................................................................ 119
Exerccio 68 ............................................................................................................................. 120
Linearidade .............................................................................................................................. 121
Exerccio 69 ............................................................................................................................. 123
Exerccio 70 ............................................................................................................................. 123
Reprodutibilidade ..................................................................................................................... 125
R&R - sistema de medio ....................................................................................................... 126
Variao pea-a-pea .............................................................................................................. 126
Estudos de R&R....................................................................................................................... 128
O mtodo da amplitude (estudo rpido de R&R) ...................................................................... 128
Mtodo da mdia e amplitude (estudo formal de R&R) ............................................................ 129
O mtodo da anlise de varincia ............................................................................................ 133
Estudos incluindo a variao prpria da pea .......................................................................... 137
Uso da ANOVA no estudo da variao prpria da pea ........................................................... 141
Sistemas de medio de atributos ........................................................................................... 145
Exerccios ................................................................................................................................ 147
Seis Sigma ..................................................................................................................... 149
Introduo ................................................................................................................................ 149
A Motorola e o Seis Sigma ....................................................................................................... 150
EMPRESAS QUE ADOTARAM O SEIS SIGMA ...................................................................... 151
A MEDIDA SEIS SIGMA .......................................................................................................... 151
os agentes do seis sigma ......................................................................................................... 154
Etapa Analisar .......................................................................................................................... 159
Etapa Melhorar ........................................................................................................................ 159
Etapa Controlar ........................................................................................................................ 160
O MTODO DMAIC E O PDCA ............................................................................................... 161
Caractersticas do Seis Sigma ................................................................................................. 161
Programa de treinamento......................................................................................................... 162
Bibliografia ..................................................................................................................... 164
1
Introduo ao Controle Estatstico
do Processo
Jos Luis Duarte Ribeiro
Carla ten Caten
ORIGENS HISTRICAS O controle da qualidade iniciou na dcada de 20, nos Estados Unidos,
DAS CARTAS DE como resultado de avanos na tecnologia de medio e da aplicao
CONTROLE industrial das cartas de controle, desenvolvidas pelo Dr. Walter A.
Shewhart, da empresa de telefonia Bell Telephone Laboratories.
Ele props o uso das cartas de controle para a anlise dos dados
provenientes de amostragem, substituindo a mera deteco e correo de
produtos defeituosos pelo estudo e preveno dos problemas relacionados
qualidade, visando impedir que produtos defeituosos fossem produzidos.
Figura 1
Detalhamento das
fontes de
variabilidade no
Diagrama de
Causa e Efeito
Figura 2 -
Diagrama de
Causa e Efeito
Aes sobre o processo A coleta de dados e as aes ao longo do processo so orientadas para o
futuro, pois permitem detectar o defeito assim que ele gerado,
possibilitando a atuao sobre o processo no momento e local adequado.
Essas aes podem envolver: controle sobre as matrias primas; ajuste nos
parmetros do processo; manuteno peridica; treinamento de
operadores, etc. Corrigindo-se o processo, evita-se que novas peas
defeituosas sejam produzidas.
Aes sobre o produto As inspees sobre o produto final so orientadas para o passado, pois elas
final permitem apenas separar o produto conforme do produto no-conforme
(refugo) que pode eventualmente ser retrabalhado. As inspees tm
algumas vantagens pois impedem que produtos defeituosos cheguem ao
cliente, mas no so uma forma eficiente de ao. Agir sobre o processo
mais eficaz, pois impede que novas peas defeituosas sejam produzidas.
Controle Estatstico do Processo
1. Introduo ao Controle Estatstico do Processo 9
Causas comuns As causas comuns so as diversas fontes (causas) de variao que atuam
de forma aleatria no processo, gerando uma variabilidade inerente do
processo. Essa variabilidade representa o padro natural do processo, pois
resultante do efeito cumulativo de pequenas fontes de variabilidade
(causas) que acontecem diariamente, mesmo quando o processo est
trabalhando sob condies normais de operao.
Figura 3 - Distribuio de
probabilidade de um processo.
1. Introduo ao Controle Estatstico do Processo
10 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
LSE
LIE
LSE
Comparaao entre mdia A comparao entre mdia e mediana ajuda a identificar o tipo de distribuio de
probabilidade
e mediana
A Distribuio simtrica 10 12 14 16 18 x 14 ~
x 14
x ~
x x x ~
x
~
x
Simtrica Assimtrica Direita Assimtrica Esquerda
Forma de Sino Assimetria Positiva Assimetria Negativa
ANLISE DAS CARTAS No incio de estudos que utilizam cartas de controle, o processo
DE CONTROLE colocado em funcionamento e so coletados dados referentes
caracterstica em estudo. Esses dados podem ser, entre outros: a)
dimenses de uma pea usinada, b) nmero de defeitos em um circuito
impresso, c) viscosidade de um produto qumico, d) resistncia de um
componente e e) peso de um refrigerante.
Dimetro C au sas
L im it e d e
35.2 E s p e c ia is
C o n t r o le
S u p e r io r
C au sas
M d ia X C om uns
L im it e d e
Figura 5 - Exemplo de uma C o n t r o le 31.8 C au sas
carta de controle I n f e r io r 23 28 33 38 43 E s p e c ia is
Amostra
Se apenas as causas
comuns esto presentes,
o comportamento do
processo estvel e
previsvel
Figura 7 Distribuio de
probabilidade de um processo
estvel versus instvel
Dimetro
Se o processo estvel, 35.2
apenas as causas
comuns esto presentes, X
logo as medidas devem
se manter dentro dos 31.8
limites de controle 35 40 45 50 55
Amostra
Se o processo Dimetro
instvel, aparecem 35.2
pontos fora dos limites
de controle ou uma X
seqncia de pontos
Figura 8 Cartas de controle de no-aleatria indicando 31.8
1 6 11 16 21
um processo estvel versus a presena de causas
Amostra
instvel especiais
Dimetro Dimetro
35.2 35.2
X X
31.8 31.8
15 20 25 30 35 35 40 45 50 55
Amostra Amostra
P ro cesso fo ra d o P ro cesso em
co n tro le esta tstico co n tro le esta tstico
Figura 9 - Aes dirigidas pelas
cartas de controle A es d irig id a s p ela s C a rta s d e C o n tro le
Figura 10 Comparao de
capacidades
1. Introduo ao Controle Estatstico do Processo
16 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
0.06
0.05
0.04
f (x )
Estvel 0.03
0.02
0.01
No
0.00
30 40 50 60 70 80 90
80
x: Ttulo
Limites de E specificao
Capaz
A lvo
Mdia
Distribuio de 'titulo'
70
0.06
0.05
60 0.04
f (x )
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 0.03
0.01
0.00
Capaz
Limite de Controle Inferior = 63,0284 30 40 50 60 70 80 90
x: Ttulo
0.06
Instvel 0.05
0.04
No
f (x )
0.03
0.02
0.01
0.00
30 40 50 60 70 80 90 100
Capaz
80 x: Ttulo
Mdia
60
Figura 11- Avaliao da 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
capacidade de um processo
estvel versus instvel
Limite de Controle Superior = 84,5716
Linha Central = 73,80
Limite de Controle Inferior = 63,0284 ?
Procedimento iterativo de As cartas de controle fazem parte de um procedimento iterativo de
melhoria melhoria, como pode-se visualizar na Figura 12.
Clculo dos
limites de controle
MELHORIA
Inspeo No curto prazo, uma inspeo 100% fornece mais resultados na deteco
de unidades defeituosas, pois elas so filtradas e dirigidas para retrabalho
ou sucata.
Resultados do CEP:
Controle estatstico do O CEP, ao contrrio da inspeo 100%, prioriza aes sobre as causas
processo especiais, ou seja, sobre a origem do problema. Ele no utiliza inspeo
massiva, pois isso iria mobilizar os recursos que so importantes para a
soluo das causas especiais.
O CEP opera numa escala de tempo mais longa, pois as causas especiais
vo sendo identificadas e eliminadas aos poucos, ao longo do tempo,
com pacincia e persistncia.
qualidade.
Caractersticas de Qualidade
Tenso de Rasgamento
Resistncia abraso
Quantidade de cola
Falhas no desenho
Tenso de Ruptura
)
Espessura
Qualidade Demandada
Pesos (IDi
Resilincia
Largura
Desempenho 50 9 9 3 9 6 9 6 3 1 6
Acabamento 20 1 9 9 9 3
Facilidade de aplicao 5 3 6 1 1 1
Aderncia na aplicao 10 9
Dimensional 10 9 9
Figura 15 - Exemplo da matriz ndice da Caract. Qual ( ICQj ) 485 660 330 635 300 450 305 245 140 450
da qualidade
n
Eq 1 ICQ j IDi DQij
j 1
onde:
Caractersticas de Qualidade
ndice de Priorizao
ndice de Qualidade
485 Tenso de rasgamento
Conhecimento
Capacidade
305 Resilincia
245 Espessura
140 Largura
Cpkk
IQPk
IPPk
Ck
ndice da C.Q. (ICQj )
Extruso Temperatura das Zonas 9 6 9 6 9 3 17820 1,67 0,7 15244
Extruso Presso do cabeote 3 1 3 1 1 3 4435 1 0,2 22175
Extruso Temperatura da massa 6 9 6 9 6 6 18060 0,63 0,8 35833
Extruso Peso / Metro 6 6 3 3 3 9 9 1 13950 0,5 0,6 46500
Extruso Temperatura de embobinamento 6 9 3 1 6 6 6 16805 0,77 0,9 24250
Extruso Presenca de caroos 1 6 3 6 6 6 11765 0,67 0,9 19511
Vulcanizao Temperatura 3 9 3 3 6 3 9 6 16485 1,13 0,95 15356
Vulcanizao Presso 3 9 3 6 6 3 6 3 17235 1 0,8 21544
Processos desdobrados
de Processo
n
Eq 2 IQPk ( ICQ j Rkj )
j 1
IQPk
Eq 3 IPPk
C pk C
onde :
C. Direcionamento das Esta a ltima etapa que faz uso da estrutura matricial do QFD. Aqui se
aes concretiza o planejamento das melhorias da qualidade que iro reforar o
sistema de qualidade existente. Tambm nesta etapa, os parmetros e
caractersticas de qualidade dos processos crticos para a qualidade so
analisados individualmente quanto s possveis aes de melhoria a
serem adotadas. A anlise leva em conta a voz do cliente, custo e
conhecimento tcnico acerca dos parmetros em estudo.
- treinamento;
- controle estatstico de processos (CEP);
- desenvolvimento de fornecedores;
- projeto de experimentos;
- estudos ergonmicos;
- aquisio de equipamentos;
- definio de procedimentos; e
- automatizao.
Figura 19 - Desenho
esquemtico das primeiras
quatro etapas do planejamento
da implantao do controle
estatstico de processos
G. Definio do Nesta etapa, define-se quem ir coletar os dados, com que freqncia os
procedimento de coleta de dados sero coletados, onde os dados coletados sero armazenados e
dados qual o destino dos dados aps a coleta dos mesmos. Os fatores mais
importantes a serem considerados so a atribuio de responsabilidades e
exatido das informaes coletadas.
I. Definio das Nessa etapa, definem-se os responsveis pela coleta dos dados e registro
responsabilidades na planilha, digitao dos dados (no caso de armazenamento digital de
dados), monitoramento das cartas de controle, clculo dos limites de
controle e estudos de estabilidade e capacidade.
Treinamento em controle O treinamento uma etapa muito importante, pois todos na empresa
estatstico de processos devem ser capazes de interpretar os dados coletados no CEP. O
treinamento deve ser aplicado imediatamente antes da implantao
efetiva do CEP, podendo ser ministrado para diferentes nveis e funes
na empresa.
Figura 20 - Distribuio de
probabilidade dos valores
individuais. Uniforme Exponencial Bimodal
Uma varivel pode sofrer alterao tanto na sua mdia quanto na sua
variabilidade. Na Figura 21, pode-se visualizar que:
f(x)
A B
Figura 21 - Distribuio de
probabilidade de trs
amostras distintas. x
Como visto na Figura 21, uma causa especial pode atuar em um processo
alterando a tendncia central ou a variabilidade do processo. Logo,
necessrio monitorar duas cartas simultaneamente: a carta de mdia para
detectar quando a tendncia central do processo se altera e a carta de
amplitude para detectar a mudana na variabilidade do processo.
Teorema do Limite O Teorema do Limite Central indica que a soma (e, por conseguinte, a
Central mdia) de n variveis independentes seguir o modelo Normal,
independentemente da distribuio das variveis individuais.
Figura 22 - Teorema do
limite central. n
Exemplo A distribuio de probabilidade da varivel resultante do lanamento de um
dado segue a distribuio uniforme, ou seja, qualquer valor (1, 2, 3, 4, 5, 6)
tem a mesma probabilidade (1/6) de ocorrer. No entanto, se ao invs de
lanar um dado, sejam lanados dois dados e calculada a mdia, essa mdia
seguir uma distribuio aproximadamente Normal como pode-se visualizar
no histograma abaixo. Na Tabela 7, apresenta-se as mdias dos
lanamentos de dois dados
Controle Estatstico do Processo
2. Cartas de Controle para Variveis 33
Conforme pode ser visto na Figura 23, o histograma da mdia dos dois
dados resulta aproximadamente Normal. Alm disso, observa-se que a
aproximao da distribuio Normal melhora na medida que se fizesse a
mdia do lanamento de mais dados.
2. Cartas de Controle para Variveis
34 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
f(x)
6/36
5/36
4/36
3/36
2/36
1/36
Figura 23 - Histograma da
mdia dos dois dados.
1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 x
(x i x)2 para n > 30
n
S
(x i x)2
n 1 para n < 30
Eq 1 - Mdia: x
onde:
x representa a mdia das mdias amostrais;
representa a mdia dos valores individuais da populao.
Eq 2 - Desvio-padro: x
n
onde:
x representa o desvio-padro das mdias amostrais;
representa o desvio-padro dos valores individuais da populao;
n representa o tamanho da amostra.
Como pode ser visto, a mdia das mdias amostrais igual a mdia dos
valores individuais e o desvio-padro das mdias menor do que o desvio-
Controle Estatstico do Processo
2. Cartas de Controle para Variveis 35
25, 35, 24, 43, 35, 22, 49, 56, 34, 26, 35, 52, 40, 35, 35,25,
61,42, 58, 56, 45, 40, 38, 45, 33, 53, 22, 35, 23, 25, 36, 39
x i 25 ... 39 38,19
N 32
( xi ) 2
25 38,192 ... 39 38,192 11,11
N 32
1 2 3 4 5 6 7 8
25 35 24 43 35 22 49 56
34 26 35 52 40 35 35 25
61 42 58 56 45 40 38 45
33 53 22 35 23 25 36 39
Mdia( x ) 38,25 39 34,75 46,5 35,75 30,5 39,5 41,25
Desvio(S) 15,69 11,4 16,52 9,40 9,43 8,43 6,45 12,9
11,11
x 4,75 x 5,55
n 4
Exemplo 3 Com base no exemplo 2, supomos que os dados fossem coletados por
amostras de tamanho n=8.
2. Cartas de Controle para Variveis
36 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
1 2 3 4
25 24 35 49
34 35 40 35
61 58 45 38
33 22 23 36
35 43 22 56
26 52 35 25
42 56 40 45
53 35 25 39
Mdia ( x ) 38,62 40,62 33,12 40,37
Desvio (S) 12,71 13,94 8,74 9,50
x x
2
x
i
38,62 38,192 ... 40,37 38,192 3,49
k 1 4 1
11,11
3,49 x 3,93
n 8
Figura 24 -
Distribuio de
probabilidade
dos valores
individuais
versus
distribuio de
probabilidade
das mdias
PL U 99 ,73%
Eq 3 : x Z / 2 x Z / 2
n n
Eq 4
ox 3 x 3 u x 3 x x 3 x
n n
Figura 25 -
Intervalos de
confiana
2. Cartas de Controle para Variveis
38 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
f(x)
Figura 26 - x
Distribuio de LC I x 3 x x LCS x 3 x
probabilidade
das mdias. 6 x 9 9 ,7 3 %
medida;
b) tabela para as anotaes dos valores individuais medidos, com espao
para clculo da mdia e da amplitude de cada subgrupo;
c) espao para a carta de mdias;
d) espao para a carta de amplitudes.
Clculo dos limites de O clculo preliminar dos limites de controle pode ser feito aps a coleta
controle de umas 20 ou 30 amostras (subgrupos) sem indcios de uma situao
fora do controle. Ou seja, coleta-se de 20 a 30 amostras, calcula-se os
limites de controle para a mdia e amplitude e compara-se essas mesmas
amostras com os limites de controle calculados.
Caso haja pontos fora dos limites de controle, deve-se retirar as amostras
correspondentes e recalcular os limites de controle. Esse processo
iterativo acontece no incio, pois os limites de controle devem estar
associados apenas s causas comuns de variabilidade. Vale ressaltar que
os pontos so eliminados do clculo dos limites de controle, mas no dos
grficos de controle.
R R2 .... RK
Eq 5 : R 1
K
x x2 .... x K
Eq 6 : x 1
K
xij x
m n
2
Eq 7 :
i 1 j 1
S
mn 1
Onde:
x ij representa um valor individual;
m representa o nmero de amostras;
n representa o tamanho das amostras.
Eq 8 : LC x 3 x
3
Eq 9 : LC x
n
3 R
Eq 10 : LC x
n d2
3
Substituindo-se A2 na equao anterior, tem-se os limites de
n d2
controle para as mdias:
Eq 11 : LCS x A2 R
Eq 12 : LCI x A2 R
Eq 13 : LC R 3 R
Onde
R
Eq 14 : R d3 d3 .
d2
R
Eq 15 : LCS R 3d 3
d2
R
Eq 16 : LCI R 3d 3
d2
d d
Substituindo D4 1 3 3 e D3 1 3 3 e nas equaes
d2 d2
anteriores, tem-se os limites de controle para as amplitudes:
Eq 17 : LCS D4 R
Eq 18 : LCI D3 R
n 2 3 4 5 6 7 8 9 10 15 20
D4 3,27 2,57 2,28 2,11 2,00 1,92 1,86 1,82 1,78 1,65 1,59
D3 0 0 0 0 0 0,08 0,14 0,18 0,22 0,35 0,42
Tabela 10 - Valores das constantes d2 1,13 1,69 2,06 2,33 2,53 2,70 2,85 2,97 3,08 3.47 3.74
D4 , D3, d2 e A2.
A2 1,88 1,02 0,73 0,58 0,48 0,42 0,37 0,34 0,31 0,22 0,18
2. Cartas de Controle para Variveis
42 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
Mdias:
Amplitudes:
80
Mdia
70
60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
L im it e C o n t . S u p e r io r = 8 4 , 5 6 7 L in h a C e n t r a l = 7 3 , 8
Figura 27 - Exemplo de carta L im it e C o n t . In f e r io r = 6 3 ,0 3 3 C a u s a s E s p e c ia is
de controle para a mdia.
40
Amplitude
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
0,135%
0,135%
Figura 29- Erro tipo 1
16,2 16,2
16,0 16,0
15,8
Dimenso (cm)
Dimenso (cm)
15,8
15,6
15,6
LC = 15,46 15,4 LC = 15,46
15,4
15,2
15,2 15,0
15,0 14,8
14,8 14,6
Dimenso (cm)
15,8 15,8
15,6 15,6
15,4 LC = 15,46 15,4 LC = 15,46
15,2 15,2
Figura 33 - 7 15,0 15,0
14,8 14,8
pontos acima LC / 7 14,6 LCI = 14,71 14,6 LCI = 14,71
pontos abaixo LC. 0 5 10 15 20 0 5 10 15 20
Amostra Amostra
Dimenso (cm)
15,8 15,8
/ 7pontos 15,6 15,6
LC = 15,46 LC = 15,46
descendentes 15,4 15,4
15,2 15,2
15,0 15,0
14,8 14,8
14,6 14,6 LCI = 14,71
LCI = 14,71
0 5 10 15 20 0 5 10 15 20
Amostra Amostra
2. Cartas de Controle para Variveis
46 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
Deteco e correo de Cada ponto fora do controle deve gerar uma anlise das condies
causas especiais operacionais em busca da causa respectiva. Os resultados estatsticos do
partida para a tarefa de anlise, mas a explicao do que est
acontecendo reside no prprio processo e nas pessoas envolvidas.
Figura 35 -
Comportamento de
processos com
causas especiais
Reavaliao dos limites de Se aes de melhoria esto sendo tomadas, o processo deve apresentar
controle um desempenho mais consistente, com reduo da variabilidade
associada s causas comuns. Como pode ser visto na Figura 36, caso os
limites de controle no sejam estreitados, as cartas de controle
consideram causas especiais como sendo causas comuns, ou seja, perde-
se a chance de melhorar o processo agindo sobre essas causas especiais.
Controle Estatstico do Processo
2. Cartas de Controle para Variveis 47
80
M
di
a
70
60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Exerccio 1 Dez amostras, cada uma contendo 5 peas, foram coletadas da produo,
fornecendo medies da caracterstica da qualidade. Construa uma carta
de controle para mdia e amplitude e conclua sobre a estabilidade do
processo.
Amostra 1 2 3 4 5 Mdia R
1 18 16 18 21 18 18,2 5
2 17 18 21 19 19 18,8 4
3 16 17 16 19 20 17,6 4
4 19 19 17 18 20 18,6 3
5 32 21 30 22 34 27,8 13
6 17 22 21 16 17 18,6 6
7 16 16 17 18 19 17,2 3
8 23 24 16 17 21 20,2 8
9 8 9 9 10 8 8,8 2
10 20 20 22 21 16 19,8 6
Soma 185,6 54
R1 ... R k 5 ... 6 54
R 5,4
k 10 10
LCI D 3R 0 , 00 5, 4 0 ,00
Interpretao da Uma vez que o processo esteja em controle estatstico, ainda permanece
capacidade do processo a questo se o processo ou no capaz, isto , o resultado satisfaz s
exigncias dos clientes?
0.0 6
80 0.0 4
f(x )
Mdia
0.0 2
70
0.0 0
50 60 70 80 90 100
60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 x: Ttulo
Estvel No capaz
0.06
80 0.04
f( x )
Mdia
0.02
70
0.00
20 30 40 50 60 70 80 90 100
60
x: Ttulo
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
12,58 12,97 13,45 13,53 13,59 13,61 13,62 13,78 13,97 14,21
14,47 14,51 14,53 14,58 14,65 14,78 14,83 14,97 15,06 15,13
15,17 15,23 15,29 15,37 15,40 15,45 15,51 15,62 15,67 15,73
15,83 15,98 16,01 16,11 16,17 16,23 16,35 16,43 16,49 16,52
16,67 16,83 16,97 17,05 17,13 17,22 17,3 17,48 17,8 18,47
b) Define-se o limite inferior da primeira classe (LI), que deve ser igual
ou ligeiramente inferior ao menor valor das observaes;
Para o exemplo, LI =12,50
c) Define-se o limite superior da ltima classe (LS), que deve ser igual
ou ligeiramente superior ao maior valor das observaes;
Para o exemplo, LS=18,50
freqncia;
Para o exemplo, o nmero de observaes que caem no intervalo
12,50 a 13,50 3.
16 16
12 12
8 8
4 4
Figura 40 - Exemplo de 0 0
12 13 14 15 16 17 18 19 12 13 14 15 16 17 18 19
histograma e polgono de
freqncia.
Distribuio de freqncias A freqncia relativa de uma classe a freqncia dessa classe dividida
relativas pelo total de todas as classes e , geralmente, expressa em percentagem.
freq. da classe
Freq. relativa x100
freq. todas classes
Eq 19
freq. da classe 3
Freq. relativa x 100 x 100 6%
freq. toda s classes 50
32% 32%
24% 24%
16% 16%
8% 8%
0% 0%
Figura 41 - Histograma e 12 13 14 15 16 17 18 19 12 13 14 15 16 17 18 19
polgono de freqncia relativa
para o exemplo anterior
50 100%
40 80%
30 60%
20 40%
10 20%
0 0%
12,5 13,5 14,5 15,5 16,5 17,5 18,5 12,5 13,5 14,5 15,5 16,5 17,5 18,5
Figura 42 - Polgono de
freqncia acumulada absoluta
e relativa
20,4 22,3 23,1 23,5 23,8 24,1 24,3 24,3 24,6 24,8
24,9 25,0 25,1 25,3 25,3 25,4 25,6 25,7 25,8 26,0
26,0 26,1 26,2 26,2 26,3 26,5 26,6 26,7 26,8 26,9
27,1 27,1 27,3 27,5 27,7 27,9 28,0 28,3 28,7 29,6
Teste grfico de Outra forma de verificar a distribuio das variveis atravs do papel
normalidade de probabilidade que permite testar graficamente o ajuste de diferentes
distribuies de probabilidade.
Passos para elaborar o Essa alternativa utiliza os valores tericos de Z esperados para cada valor
teste grfico de valores ordenado de X(i).
tericos de Z
Para elaborar o teste grfico de valores tericos de Z, recomenda-se
seguir os seguintes passos:
i 0,5 i 0,5
i X(i)
F ( X (i ) ) Z
i X(i)
F ( X (i ) ) Z
n terico
n terico
3
x: Espessura
0
-4 -3 -2 -1 0 1 2 3 4
Figura 43 - Exemplo do teste de
normalidade de valores tericos Z - Varivel normal padronizada
de Z.
Clculo dos limites naturais Uma vez identificada a distribuio dos valores individuais calcula-se os
limites naturais.
Eq 20 : LNI - 3
Eq 21 : LNS 3
Eq 22 : R d 2
Eq 23 :
S c4
n 2 3 4 5 6 7 8 9 10 15 20
Tabela 15 - Valores da
d2 1,13 1,69 2,06 2,33 2,53 2,70 2,85 2,97 3,08 3.47 3.74
constante d2 e c4.
c4 0,80 0,89 0,92 0,94 0,95 0,96 0,965 0.969 0,973 0,982 0,987
0,135% 0,135%
9 9 ,7 3 %
9 5 ,4 4 %
6 8 ,2 6 %
Figura 45 - Percentuais
27.6 27.8 28 28.2 28.4 28.6 28.8 29 29.2
associados a faixa de 1 , 2 -1 +1
e 3 da distribuio -2 +2
Normal, para uma populao
-3 +3
com mdia 28,4 e desvio- -
padro 0,20.
ndices de capacidade
Muitas vezes conveniente ter uma maneira simples e quantitativa de
expressar a capacidade do processo. Uma maneira utilizar os ndices
de capacidade que comparam os limites naturais do processo com a
amplitude das especificaes exigidas para o processo.
Figura 47 - Estratgias de
capacitao e centralizao de
processos
Cp=1
Cp>1
Cpk=1
Cpk=1
Cpk=Cp=1
Cp<1
Cp=1
Cpk<1
Cpk<1
Cpk=Cp=<1
Figura 49 - Exemplo de
processo capaz e no-capaz.
L
E
S
LIE
Esp
e
c
if
i
ca~
o
es
Eq 24
: C
p
6 d
i
s
per
s
o
90 30
Cp 1,24
6 8,03
0.06 0.06
0.05 0.05
0.04 0.04
f( x)
f( x)
0.03 0.03
0.02 0.02
0.01 0.01
0.00 0.00
30 40 50 60 70 80 90 100 30 40 50 60 70 80 90
x: T tulo x: Ttulo
Figura 50 - Processo
Processo descentrado Cpk < Cp Processo centrado Cpk = Cp
descentrado versus processo Cpksup= 0,67 < Cp= 1,24 Cpksup = 1,24 =Cpkinf = 1,24 = Cp= 1,24
centrado.
L
E
S
x
xL
EI
Eq 25 : C
p
k
mi
n{ , }
33
x LEI 73,8 30
C pk inf 1,81
3 3 8,03
LES x (90 73,8)
C pk sup 0,67
3 3 8,03
C pk min 0,67;1,81 0,67
Muitas empresas utilizam como padro de qualidade a meta Cpk > 1,33
que garante que a especificao contemple 8sigma do processo ou Cpk
>1,67 que garante 10 sigma dentro da tolerncia
Como pode ser visto na Figura 50, no caso de um processo que possui
um Cpk < 1 e um Cp > 1, basta centrar-se o processo que ele se torna
capaz. Esse um processo que, com pouco investimento consegue-se
torn-lo capaz, pois centrar o processo geralmente uma tarefa fcil.
Dessa forma, processos com Cpk < 1 e Cp > 1 devem ser priorizados nas
aes de melhoria.
Resoluo
R d 2 4 ,88 / 2 , 33 2 , 09
LES LEI 25 ,5 10 ,5
Cp 1, 20
6 6 2 ,09
0.20
f (x )
0.15
0.10
0.05
0.00
10 12 14 16 18 20 22 24 26
x : Ttulo
Clculo do percentual fora interessante estimar o percentual de peas produzidas dentro das
de especificao especificaes e o percentual de refugo e retrabalho, pois dessa forma
tem-se uma estimativa dos custos associados m qualidade.
10
Figura 51 - Distribuio de
probabilidade dos valores reais 30 60 -3,0
e codificados.
forma:
30 73,8
P( X 30) P( Z ) P( Z 5,45)
8,03
P(Z<-5,45) = 0,0000
90 73,8
P( X 90) 1 P( X 90) 1 P( Z ) 1 P( Z 2,017)
8,03
Uma vez calculado o valor de Z, consulta-se a tabela Normal
padronizada:
P(Z<2,017) = 0,9782
0.06
0.05
0.04
f (x )
0.03
0.02
0.01
0.00
30 40 50 60 70 80 90 100
x: Ttulo
Figura 52 - Distribuio de
Li mites de E speci fic ao
probabilidade do exemplo da A lvo
fresa. Distribu i o de 'titul o'
Exemplo 2 Caso o processo seja centrado, ouse seja, a mdia deslocada para o valor
central do intervalo de especificaao (mdia=60) e mantido o desvio-
padro, os percentuais de peas fora de especificao sero reduzidos
30 60
P( X 30) P( Z )
8,03
P( X 30) P( Z 3,74) 0,00
Clculo do % de peas acima do LES=90
90 60
P( X 90) 1 P( X 90) 1 P( Z )
8,03
P( X 90) 1 P( Z 3,74) 1 0,9999 0,00
Clculo do % de peas dentro do LEI=30 e LES=90
0 . 0 6
x
0 . 0 5
0 . 0 4
(
0 . 0 3
f
0 . 0 2
0 . 0 1
0 . 0 0
3 04 05 06 07 08 09 0
x : T t u lo
Figura 53 - Distribuio de
probabilidade do exemplo da L i
m it e s d e E
A lv o
fresa com o processo centrado. D is t r ib u i o d
0.25
0.20
0.15
f (x )
0.10
0.05
0.00
10 12 14 16 18 20 22 24 26
x: T tulo
Distribuies normais O fato de uma distribuio Normal ser completamente caracterizada por
sua mdia e desvio-padro permite que a rea sob a curva entre um
ponto qualquer e a mdia seja funo somente do nmero de desvios-
padres que o ponto est distante da mdia. Como existe uma infinidade
de distribuies normais (uma para cada mdia e desvio-padro),
Controle Estatstico do Processo
2. Cartas de Controle para Variveis 65
Rotina e melhoria no Como pode-se visualizar na Figura 58, o controle estatstico de processo
controle do processo promove melhorias a partir de um procedimento iterativo.
INVESTIGAR
COLETAR DADOS
E ELIMINAR
PLOTAR CARTAS
CAUSAS ESPECIAIS
DE CONTROLE
(AO LOCAL)
MELHORIA
PROCESSO
SOB
CONTROLE? NO
ROTINA
SIM
AGIR SOBRE O
INVESTIGAR SISTEMA PARA
CAPABILIDADE ELIMINAR PARTE DAS
CAUSAS COMUNS
MELHORIA
PROCESSO
CAPAZ ? NO
Figura 58 - Processo iterativo
de melhoria do processo. SIM
CARTA DE CONTROLE Conforme o caso, o monitoramento do desvio-padro (s) pode ser mais
PARA O DESVIO-PADRO apropriado que o monitoramento da amplitude. O desvio-padro um
indicador mais eficiente da variabilidade, principalmente para amostras
grandes. Tipicamente, recomenda-se o uso da carta s quando: a) os
dados forem coletados por computador e for fcil de implementar uma
rotina de clculo, b) os processos forem sofisticados, controlados por
especialistas e c) as amostras forem grandes (subgrupos de tamanho n >
10).
Eq 27 s ( xi x )2 xi2 nx 2
x12 x22 ... xn2 n x 2
n 1 n 1 n 1
Eq 28 LCS x A3 s
Eq 29 LCI x A3 s
Eq 30 : LCS B4 s
Eq 31 : LCI B3 s
n 2 3 4 5 6 8 9 10 15 20 25
B4 3,27 2,57 2,27 2,09 1,97 1,82 1.716 1,72 1,57 1,49 1,43
Tabela 17 - Valores das
B3 0 0 0 0 0,03 0,19 0.239 0,28 0,43 0,51 0,57
constantes B4, B3 e A3.
A3 2,66 1,95 1,63 1,43 1,29 1,10 1.032 0,98 0,79 0,68 0,61
Mdias:
LCS x A3 S 73,8 1,43 x 7,55 86,55
LCS x A3 S 73,8 1,43 x 7,55 60,79
Desvio-padro:
L
C
S
B
S
42
,
0
9
7,
5
5
15
,
7
7
L
C
IB
S
3
0
,
0
0
7,
5
5
0,
0
0
Como pode ser visto nas Figura 59 e Figura 60, o processo estvel ao
longo do tempo.
Controle Estatstico do Processo
2. Cartas de Controle para Variveis 69
80
Mdia
70
60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
15
Desvio Padro
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Dia x1 x2 x3 Dia x1 x2 x3
1 18,0 17,1 19,3 11 16,2 18,5 19,7
2 17,5 18,9 19,1 12 17,5 17,9 18,9
3 16,9 18,2 18,9 13 18,2 17,5 19,3
4 17,0 19,3 18,5 14 19,2 18,8 17,8
5 18,1 18,3 19,2 15 17,7 18,2 19,1
6 19,3 17,3 18,1 16 16,9 17,9 18,5
7 18,2 16,8 18,9 17 18,2 18,6 19,4
8 19,5 17,2 17,9 18 17,8 18,2 19,3
9 18,1 18,8 18,3 19 17,3 19,5 18,1
10 16,1 16,9 18,5 20 18,0 17,2 19,1
Exerccio 6 ( cont.) (a) Calcule a linha central e os limites de controle para a carta de medias
e desvio-padro
CARTA DE CONTROLE Muitas vezes monitorar a mediana ( ~x ) em vez da mdia pode trazer
PARA A MEDIANA ( ~
x)E algumas vantagens, pois: a) a mediana mais fcil de calcular que a
AMPLITUDE (R) mdia e b) a mediana robusta presena de dados atpicos.
Como pode ser visto no exemplo abaixo, se houver um dado atpico, ele
no influencia a mediana, mas influencia a mdia:
A 10 12 14 16 18 x 14; ~
x 14
B 10 12 14 16 38 x 18; ~
x 14
~
Onde A2 uma constante que depende do tamanho de amostra, cujos
valores so apresentados na Tabela 19.
Eq 34 - Amplitude: LCS D4 R
Eq 35 - Amplitude: LCI D3 R
Medianas:
~
LCS ~
x A2 R 755
~
LCI ~
x A2 R 70,79
Amplitudes:
Como pode ser visto nas Figura 61 e Figura 62, o processo estvel ao
longo do tempo.
90
80
Mediana
70
60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
40
Amplitude
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
x1 x2 x3 x4 x5
1 12 18 20 30 20
2 21 8 12 21 12
3 14 16 21 9 21
4 17 17 12 26 12
5 18 20 15 27 15
6 24 21 20 21 20
7 32 19 16 19 16
8 14 9 20 9 20
9 18 13 16 25 16
10 30 31 21 25 21
11 17 24 28 31 28
12 13 26 18 21 18
13 33 18 26 29 26
14 15 26 20 23 20
15 23 14 21 31 21
16 31 20 22 27 22
17 19 16 24 19 24
18 31 14 20 21 20
19 17 12 18 23 18
20 29 30 24 31 24
CARTA DE CONTROLE Algumas vezes preciso realizar o controle do processo usando medidas
PARA VALORES individuais. Esse ser o caso quando: a) taxa de produo muito baixa
(por ex: 1 produto por dia), b) testes muito caros (por ex: testes
INDIVIDUAIS
destrutivos ou que exijam a parada da produo) e c) caractersticas
muito homogneas, que variam muito lentamente (por ex: um digestor
qumico).
Eq 36 - Amplitude: LCS D4 R
2. Cartas de Controle para Variveis
74 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
Eq 37 - Amplitude: LCI D3 R
n 2 3 4 5 6
Tabela 21 - Valores da constante E2..
E2 2,66 1,77 1,46 1,29 1,18
Valores individuais:
Amplitudes:
8
V alor Individual
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
CARTAS DE CONTROLE As cartas de mdias mveis so: a) muito efetivas para detectar pequenas
PARA MDIAS MVEIS mudanas na mdia e b) indicadas para o controle automatizado.
x xt 1 ... xt w1
Eq 40 : Mt t
w
Eq 41 : Mt
nw
3
Eq 42 : LCS x
nw
3
Eq 43 : LCI x
nw
Ou
Eq 44 : LCS x A2 R
Eq 45 : LCI x A2 R
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Figura 65 - Carta de controle
para mdia mvel (retirando L im ite C o n t. S u p e r io r = 7 ,0 2 L in h a C e n tr a l = 5 ,7 3 1 5
Eq 46 : LCS x 3 / nt
Eq 47 : LCI x 3 / nt
t Xt Mt LSC LIC
x xt 1 ... xt w1
Mt t
8
LIC 10 3 5,66 / 8 4 7 ,0
ESCOLHA DO TIPO DE Na Figura 67, apresenta-se um fluxograma que auxilia na escolha do tipo
CARTA DE CONTROLE de carta de controle a ser utilizada no monitoramento de variveis.
Carta para
Os dados so Sim Processo pode No
ser monitorado usando valores individuais
variveis?
suimprprio
subgrupos
para>1 ? ou mdias mveis
Sim
Sim
Sim
EXERCCIOS
50 50
xi 4225 ; Ri 432,6
i 1 i 1
30 30
xi 1539 ; si 105,6
i 1 i 1
Subgrupo Medidas
1 21 21 19 20 24
2 23 20 26 21 23
3 21 23 17 21 19
4 21 22 25 24 20
5 17 18 20 20 20
6 18 15 20 21 20
7 23 23 23 18 22
8 23 20 14 21 20
9 25 24 24 19 19
10 21 21 25 15 19
11 15 21 19 20 21
12 17 15 16 20 19
13 13 17 17 19 17
14 22 20 18 21 16
15 17 21 8 21 21
16 17 20 21 19 21
17 19 21 22 17 20
18 21 18 20 23 22
19 19 26 20 24 28
20 26 26 25 26 24
Pede-se:
Dia 1 2 3 4 5
1,00 6,920 6,790 6,633 7,121 6,634
2,00 6,993 6,678 6,689 6,908 7,084
3,00 6,613 7,165 6,689 6,893 6,944
4,00 6,648 6,952 6,936 6,971 6,691
5,00 6,577 6,647 6,470 7,104 6,436
6,00 7,002 6,780 6,793 7,188 6,868
7,00 6,826 6,794 7,054 6,859 6,718
8,00 6,921 6,542 6,532 7,033 7,132
9,00 6,699 6,452 7,113 7,157 6,549
10,00 6,730 6,939 6,748 6,945 6,536
11,00 6,719 6,505 6,879 6,621 6,829
12,00 6,624 6,919 6,718 6,965 6,834
13,00 6,678 6,708 6,668 6,696 6,866
14,00 6,834 6,849 6,914 6,556 7,078
15,00 7,121 6,656 6,840 6,795 6,691
16,00 6,798 6,537 6,947 6,609 7,088
17,00 6,760 6,777 6,621 7,019 6,575
18,00 7,007 7,092 7,025 6,601 6,808
19,00 6,601 6,513 6,444 6,755 6,757
20,00 6,719 6,816 6,648 6,857 6,858
monitorizao de variveis.
CARTA P PARA FRAO A carta p mede a frao de produtos defeituosos ou produtos no-
DE NO-CONFORMES conformes em uma amostra. O grupo pode ser definido como 100
unidades coletadas duas vezes ao dia ou 80 unidades extradas de cada
lote de produo, etc.
Coleta de dados Cartas de atributo exigem subgrupos de tamanho considervel (em geral,
50 a 200 unidades ou mais) para serem eficientes na deteco de
alteraes no processo.
E ento calcula-se:
Eq 48 - frao de no-conformes: p = d / n
d d 2 ... d k
Eq 49 : p 1
n1 n2 ... nk
Eq 50 : pi p(1 p) ni
Eq 51 : LCS p 3 pi
Eq 52 : LCI p 3 pi
Se o limite inferior resultar negativo, ento ele deve ser fixado em zero.
Eq 53 : p p( 1 p ) n
Padres e Corridas Mesmo com todos os pontos dentro dos limites de controle, podem haver
evidncias de que o processo sofreu alterao. As seguintes constataes
indicam alteraes no processo (vlidas para np 9 ):
Deteco e correo de Quando um resultado fora do controle identificado, o processo deve ser
causas especiais estudado para determinar a causa. No caso de pontos acima do limite de
controle superior, a causa deve ser corrigida e as aes devem ser tais
que impeam a sua recorrncia. No caso de pontos abaixo do limite
inferior, as causas devem ser padronizadas, pois representam uma
melhora no processo.
Reavaliao dos limites de Se aes de melhoria esto sendo tomadas, o processo deve apresentar
controle um desempenho mais consistente, com reduo da frao mdia de no-
-conformes. Assim, periodicamente os limites de controle devem ser
reavaliados e, sempre que houver evidncia para tanto, estreitados. Esse
enfoque dinmico mantm as cartas de controle atualizadas e eficazes na
tarefa de continuar revelando fontes de variabilidade.
Eq 54 : Capacidade = (1 - p ) x 100
pmeta
Eq 55 : Cp
p
Inicialmente, calcula-se p e :
0 .3
0 .2
0 .1
0 .0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Resoluo
60
p d i / ni 0,025
20 120
Amostra N D Amostra N D
1 100 5 16 80 3
2 100 3 17 80 9
3 80 2 18 100 3
4 80 4 19 100 3
5 110 1 20 100 5
6 110 5 21 100 2
7 110 3 22 100 6
8 100 7 23 120 2
9 100 5 24 120 3
10 100 6 25 120 2
11 100 3 26 100 2
12 120 2 27 100 4
13 80 4 28 120 3
14 80 2 29 120 6
15 80 5 30 80 2
CARTA NP PARA A carta np segue a mesma lgica da carta p, mas agora, ao invs da
NMERO DE NO- frao de no-conformes, monitora-se o nmero de no-conformes.
-CONFORMES
Controle Estatstico do Processo
3. Carta de Controle para Atributos 91
d d 2 ... d k
Eq 56 : np 1
k
Eq 57 : np np( 1 p )
onde:
di o nmero de no-conformes no subgrupo i;
k o nmero de subgrupos.
Eq 58 : LCS np 3 np
Eq 59 : LCI np 3 np
Inicialmente, calcula-se np e np :
np d / k 193 20 9,65
Nmero de no conformes np
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
L im ite C o n t. S u p e r io r = 1 8 ,7 4 1 7 L in h a C e n tr a l = 9 ,6 5
Figura 69 - Carta np para o
L im ite C o n t. In fe r io r = 0 ,5 5 8 3 C a u s a s E s p e c ia is
exemplo das peas plsticas.
0 .1 0
0 .0 8
0 .0 6
0 .0 4
0 .0 2
0 .0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Figura 70 - Carta p
L im ite C o n t. S u p e r io r = 0 ,0 9 3 7 L in h a C e n tr a l = 0 ,0 4 8 3
(equivalente a np) para o
L im ite C o n t. In fe r io r = 0 ,0 0 2 8 C a u s a s E s p e c ia is
exemplo das peas plsticas.
c c2 ... ck
Eq 60 : c 1
k
Eq 61 : c c
onde:
ci o nmero de no-conformidades na amostra i ;
k o nmero de subgrupos.
Eq 62 : LCS c 3 c
Eq 63 : LCI c 3 c
c ci / k 173/20 = 8,65
c 8,65 2,94
LCS c 3 c 16,48
LCI c 3 c 0,00
20
Nr. de no conformidades c
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Figura 71 - Carta c para o
exemplo do nmero de defeitos L imite C o n t. Su p e rio r = 1 6 ,4 8 5 3 L in h a C e n tra l = 8 ,
L imite C o n t. In fe rio r = 0 C a u sa s Esp e cia is
de pintura.
Coleta de dados As amostras no precisam ter o mesmo tamanho (mas se esse for o caso,
os clculos ficam facilitados). Conta-se o nmero de no-conformidades
(c) da amostra e registra-se:
Eq 64 : u = c/n
Eq 65 : u
c c 1 c 2 ... c k
n n 1 n 2 ... n k
u
Eq 66 : ui
ni
onde:
ci o nmero de no-conformidades na amostra i;
ni o tamanho da amostra i e k o nmero de subgrupos.
Eq 67 : LCS u 3 u i
Eq 68 : LCI u 3 ui
u
Eq 69 : u
n
2 10 11 1,10
3 10 8 0,80
4 12 20 1,67
5 12 15 1,25
6 10 10 1,00
7 10 13 1,30
8 12 19 1,58
9 8 15 1,88
10 8 9 1,13
Soma 102 133
ni n / k 102 10 10,2
u
c 133 102 1,304
n
u
u 1,304 / 10,2 0,357 (ou varivel)
n
(A) 10 11 17 15 7 11 12 5 12 16 9 18
(B) 10 3 4 8 3 10 2 4 9 8 7 10
(C) 8 16 11 17 9 22 16 16 19 12 22 17
ESCOLHA DO TIPO Na Figura 73, apresenta-se um fluxograma que auxilia na escolha do tipo
DE CARTA DE de carta de controle a ser utilizada no monitoramento de atributos.
CONTROLE
Os dados so
atributos?
Sim
No So do tipo
So do tipo peas
no-conformidades
no-conformes?
por pea?
Sim Sim
Tamanho da Tamanho da No
Use a No amostra amostra Use a
carta p constante? constante? carta u
Sim Sim
Figura 73 - Fluxograma
Use a carta Use a carta
de apoio para escolha das
p ou np c ou u
cartas de controle.
EXERCCIOS
Exerccio 26 Para uma amostra de 100 unidades, com uma frao de defeituosos de
0,05 :
Exerccio 38 Imagine que voc compra um cartucho de tonner para a sua impressora,
mas ele no funciona (a tinta est ressequida e inutilizada). Mostre que
voc perde com isso, o fabricante perde e a sociedade como um todo
tambm perde. A seguir, estime a perda que voc experimenta em
termos monetrios.
Formulao matemtica A funo de perda empregada para quantificar a perda que um produto
impem sociedade pela falta de qualidade.
Eq 70 : Li = k(yi - m)2
onde:
Figura 74 -
Comparao entre
a estimativa de
perdas usando a
abordagem
tradicional e
usando a funo de
perda
4. A Funo de Perda Quadrtica
104 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
DETERMINAO DO
COEFICIENTE DE PERDA
k = Ao / 2
onde:
Ao o custo de reparo ou substituio do produto;
o desvio da meta que exigiria reparo ou substituio.
Exerccio 39 Uma empresa fabrica um tipo de bateria que deve gerar uma voltagem
de sada de 12 volts. Se a voltagem se afasta mais de 2 volts do valor
nominal, ser necessrio realizar um concerto ao custo de R$ 25,00.
Calcule o valor da constante k, para ser usada na frmula da funo de
perda e em seguida, avalie a perda associada a uma unidade que est
gerando 11 volts.
Exerccio 40 Em relao aos dados do exerccio 39, plote a funo de perda para
diversos valores de voltagem.
CLCULO DA PERDA A perda mdia por unidade para um lote de produtos vir dada por:
PARA UM LOTE DE
PRODUTOS
1 n
Eq 71 : L
n i 1
k ( y i m) 2
Eq 72 : L k{ yi2 2m yi m2
}
n n n
A equao acima deixa claro que h duas parcelas que contribuem para a
perda de qualidade:
( y m) Desvio da meta
Controle Estatstico do Processo
4. A Funo de Perda Quadrtica 105
ANLISE DOS Uma estatstica simples que revela a natureza dos problemas de
PROBLEMAS DE qualidade a seguinte:
QUALIDADE
( y m)
Eq 74 : Q
s
-3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3
4. A Funo de Perda Quadrtica
106 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
Perda
14
12
10
L(y) 8
6
4
2
Figura 75 - Funo 0
de perda do tipo 0 3 6 9 12
maior--melhor
y
k
Eq 75 : L( y)
y2
Eq 76 : k y2o L( yo )
Eq 77 : k 2o A o
Perda mdia unitria para No caso de termos muitas unidades do mesmo produto, a perda mdia
um lote unitria para o lote vir dada por:
1 1 1 3s2
Eq 78 : L k( ) ou L k ( 2 )(1 2 )
n yi2 y y
Dados: 975 1040 1110 1150 1250 1410 1650 1900 1915 2080
Perda
30,00
25,00
20,00
L(y)
15,00
10,00
5,00
0,00
Figura 76 - Funo 0 3 6 9 12
de perda do tipo
menor--melhor y
Eq 79 : L( y) k y2
Eq 80 : k L( yo ) / y2o
Eq 81 : k A o / 2o
Perda mdia unitria para No caso de termos muitas unidades do mesmo produto, a perda mdia
um lote unitria para o lote vir dada por:
1
Eq 82 : L
n
k yi2 ou L k (y2 s 2 )
Dados: 0,2 0,4 0,4 0,6 0,7 0,9 1,2 1,6 1,8 2,5 3,2 3,8
APLICAES DA A funo de perda pode ser usada para monitorar melhorias no processo.
FUNO DE PERDA um ndice mais consistente do que os ndices usuais de capacidade, ou
seja, Cp e Cpk.
8,11 8,18 8,21 8,28 8,31 8,33 8,35 8,36 8,38 8,39 8,40
8,41 8,42 8,45 8,46 8,50 8,52 8,56 8,62 8,60 8,64 8,72
Aps as melhorias
8,31 8,34 8,35 8,37 8,38 8,38 8,39 8,39 8,40 8,40 8,40
8,42 8,43 8,45 8,46 8,48 8,49 8,51 8,51 8,52 8,53 8,55
4. A Funo de Perda Quadrtica
110 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
Raio de curvatura: 20 2
19,1 19,7 20,2 20,5 20,8 21,3 21,7 22,0 22,2 22,9
Exemplo para Nominal-- O valor timo da velocidade de um disco rgido 85 rps. Se esse valor
-melhor difere em mais de duas rps, haver problemas na leitura dos dados e o
cliente ter que consertar o disco rgido ao custo de R$ 50,00. Assim:
Exemplo para Maior-- Quanto maior a resistncia trao de certos suportes cermicos
-melhor utilizados como isoladores, melhor. Se a resistncia for inferior a 7,5
KN o suporte romper, acarretando um custo de R$ 80,00 para o cliente.
Ento:
Eq 83 : L(y) = k / y2
y= 4500/ 35 = 11,3 KN
EXERCCIOS
5,22 5,26 5,27 5,29 5,31 5,32 5,33 5,33 5,34 5,35 5,37 5,40
Processo 1: 43,1 43,6 43,8 44,2 44,4 44,5 44,9 45,1 45,5
45,9
Processo 2: 1102 1104 1105 1108 1109 1111 1111 1114 1115
1117
Densidade: 11,8 12,1 12,0 11,9 11,9 12,1 12,2 12,1 12,3 11,9 12,3
11,9 11,8 11,7 11,9 12,2 11,6 11,8 12,3 11,7 11,9 12,0
Elasticidade: 59,4 59,1 58,6 59,3 61,1 58,2 59,1 60,2 58,6 59,5 59,9
59,1 60,4 60,1 59,4 59,4 60,6 61,0 60,5 61,6 59,6 61,7
-0,5-2,2+0,2-0,8-1,7-0,5+0,3+0,5-1,2-0,3
Voc acha que nesse caso a qualidade pode ser melhorada com
facilidade ? argumente.
amostra.
Fornecedor 1: 118,6 120,8 120,2 119,7 119,4 120,5 121,4 121,5 122,5 119,7 123,0
119,5 118,1 117,4 119,2 121,8 115,6 118,1 122,8 116,8 119,7 120,1
Fornecedor 2: 120,2 121,5 119,8 123,1 120,3 123,4 120,4 121,8 121,0 120,3 121,5
120,3 123,4 122,2 122,6 121,8 121,7 119,6 123,0 120,9 122,9 119,5
Fornecedor 3: 122,3 122,0 125,2 124,5 120,6 120,7 121,2 123,5 121,5 121,2 119,8
123,8 119,2 120,9 119,2 121,2 121,5 121,9 122,8 122,7 121,3 121,6
- Estabilidade;
-Tendncia;
-Linearidade;
-Repetitividade;
-Reprodutibilidade.
D is crim ina o 6
4
1 2 3 4 5 6 7 8 9 10 11 1 2 13 1 4 15 16 17 18 19 20
7 4 .0 0
7 3 .9 9
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Discriminao Observaes
26,0 27,0 25,0 25,0 25,0 26,0 26,0 27,0 26,0 27,0 26,0 26,0
26,0 25,0 27,0 26,0 26,0 25,0 26,0 25,0 25,0 26,0 27,0 27,0
26,2 26,7 24,8 25,4 24,6 25,8 25,9 26,8 26,2 27,1 25,9 26,4
25,7 25,1 27,2 26,4 26,0 25,3 26,3 24,8 24,8 26,0 26,7 26,9
Nesse caso, uma pea padro (sempre a mesma pea) medida ao longo
Controle Estatstico do Processo
5. Anlise de Sistemas de Medio 117
Boa 40
Valor Individual
estab ilid ad e 38
36
34
32
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
L i m ite d e C o n tro l e Su p e ri o r = 3 9 ,3 8 3 L i n h a C e n tr a l = 3 5 ,7 4 3 6
40
L im ite d e C o n tro le In fe rio r = 3 2 ,1 0 4 2 C a u s a s E s p e c iai s
Valor Individual
38
P ro b lem a s d e 36
estab ilid ad e 34
32
21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
Exerccio 65
Os dados a seguir tambm se referem dimenso crtica da pea
cermica. O conjunto de dados que segue foi obtido sobre uma mesma
pea de referncia, medida ao longo de todo o mes. Verifique se h
indcios de falta de estabilidade no sistema de medio.
26,2 26,1 26,1 26,2 26,0 26,1 26,1 26,0 26,2 26,1
26,1 26,2 26,0 26,6 26,5 26,5 26,6 26,4 26,5 26,5
26,4 26,1 26,1 26,0 25,9 25,8 25,8 25,9 25,7 25,8
Exerccio 66
Os dados a seguir representam medies feitas sobre um componente
eletrnico usado como referncia. Plote esses dados em uma cartas de
controle de mdia e amplitude e verifique se h indcios de instabilidade.
Sabendo que a variabilidade natural do processo caracterizada por um
desvio padro igual a 8,5 voc acredita que o sistema possui suficiente
repetitividade ?
Controle Estatstico do Processo
5. Anlise de Sistemas de Medio 119
Pea 1 2 3 4 5 6
Valor de 1,01 2,00 3,03 3,98 5,01 6,00
referncia (X)
1 1,01 2,01 3,05 4,01 5,07 6,05
2 1,03 2,05 3,03 4,02 5,05 6,06
3 1,01 2,05 3,04 4,01 5,08 6,05
4 1,02 2,01 3,06 4,00 5,06 6,03
5 1,02 2,03 3,02 4,02 5,09 6,07
Mdia 1,018 2,030 3,040 4,012 5,070 6,052
Tendncia (Y) 0,008 0,030 0,010 0,032 0,060 0,052
5. Anlise de Sistemas de Medio
122 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
Y = tendncia
X = Valor de referncia
a = inclinao
Eq 84 : a = SXY / SXX
Eq 85 : b= Y b1 X
Onde:
Eq 86 : SXX x i2 x i 2 n
Eq 87 : SYY yi2 yi 2 n
SXY x i yi x i yi n
Eq 88 :
SQR yi b0 b1x i 2 SYY b1SXY
[ xy ( x )( y) / n ]
Eq 89 :Ajuste do modelo: R2
[ x ( x ) 2 / n ] [ y 2 ( y) 2 / n ]
2
DPE
Eq 91 :Desvio padro da DPI
inclinao: [ x ( x ) 2 / n ]
2
Eq 92 :Teste de significncia do
modelo:
t = a / DPI
seja [1,00 - 6,00 = 5,00 cm] e que a variao do processo seja 0,10 cm,
resulta:
a = 0,00949; b = -0,00125
SQR = 0,000679
DPE = 0,013
DPI = 0,000746
Exerccio 69
Os dados a seguir representam medies de intensidade luminosa,
realizadas sobre trs modelos de lmpada com diferentes potncias.
Analise esses dados e, para cada modelo, avalie a tendncia observada.
REPETITIVIDADE
A repetitividade ou variao do dispositivo de medio observada
quando um mesmo operador mede a mesma pea mais de uma vez.
m 2 3 4 5 6 7 8 9 10 15
g
1 1,41 1,91 2,24 2,48 2,67 2,83 2,96 3,08 3,18 3,55
5 1,19 1,74 2,10 2,36 2,56 2,73 2,87 2,99 3,10 3,49
10 1,16 1,72 2,08 2,34 2,55 2,72 2,86 2,98 3,09 3,48
15 1,15 1,71 2,07 2,34 2,54 2,71 2,85 2,98 3,08 3,48
Tabela 29- valores de d2:
30 1,128 1,693 2,059 2,326 2,534 2,704 2,847 2,970 3,078 3,472
Operador 1 Operador 2
Ciclo 1 2 1 2
Amostra
1 7,2 7,4 7,5 7,2
2 8,5 7,9 8,1 8,4
3 6,9 7,3 7,0 7,5
4 6,9 7,1 7,3 7,0
5 7,5 7,7 7,3 7,9
6 7,3 6,8 7,1 7,3
VO =
R
2
5,15 o
5,15 e 2
d2 nr
o = VO / 5,15
m = 2 2
e o = 1,1512 0,2172 = 1,18
VARIAO PEA-A-PEA O desvio-padro das peas (variabilidade entre peas) pode ser
determinado atravs de um estudo independente de capacidade do
processo ou pode ser obtido a partir dos dados do estudo do sistema de
medio.
p = Rp / d2
A variao total da pea (VP) estimada usando 5,15 p (99% das peas
devem estar nesse intervalo, supondo distribuio normal).
Exerccio 72 Ainda em relao aos dados do exerccio 71, calcule o desvio padro
pea a pea, a variao pea a pea, o desvio padro total do processo e a
variao total do processo.
Nc = 1,41 x p /m
Nc deve ser maior que cinco para que o sistema de medio seja
aceitvel (efetivo) no controle do processo.
ESTUDOS DE R&R
O Mtodo da amplitude
O Mtodo da ANOVA
Nota: Vejam que nesse caso a amplitude R registrada contm tanto o erro do
instrumento + operador (repetitividade) como o erro entre operadores
(reprodutibilidade). Nesse estudo rpido no se pode distinguir entre
essas fontes de variabilidade.
MTODO DA MDIA E O mtodo da mdia e amplitude permite distinguir entre as duas fontes
AMPLITUDE (ESTUDO de variao (Repetitividade e Reprodutibilidade), quantificando a
FORMAL DE R&R) contribuio de cada uma delas para a variabilidade total. Para que isso
possa ser feito, cada operador deve executar mais de uma medio sobre
a mesma pea (em geral duas ou trs medies).
R
2
5,15 o
5,15 e 2
d2 nr
o = VO / 5,15
Repetitividade e Reprodutibilidade
R&R % = 100 x R&R / VT
m = 2e 2o ou
R&R = 5,15 m ou R&R % = 100 x R&R / Tol.
2 2
R&R = VE VO
Variao pea a pea
Rp = (Xbar max - Xbar min) (entre VP % = 100 x VP / VT
peas) ou
p = Rp / d2 VP % = 100 x VP / Tol.
VP = 5,15 p
Variao total
Tabela 30
VT = R & R 2 VP 2
VE 2 = 5,482
2 2
R 2,45
VO = 5,15 o 5,15 = 6,49
d2 nr 1,91 10 2
Repetitividade e Reprodutibilidade
m = 2 2
e o = 1,0642 1,262 = 1,649
Variao pea-a-pea
Variao total
O MTODO DA ANLISE A anlise de varincia (ANOVA) uma tcnica estatstica que pode ser
DE VARINCIA usada para o estudo da variabilidade de um sistema de medio.
T...2
Eq 93 - Termo de correo: TC
nkr
Eq 95 - SQ Operadores: SQo
T.2j. TC
nr
Operadores
Peas 1 2 3 Totais Ti..
1 x x x x x x T1..
2 x x x x x x T2..
: : : xij1 xij2 : : :
: : : : : : : :
10 x x x x x x T10..
Totais T.j. T.1. T.2. T.3. T...
Peas significativo: Esse um resultado desejvel, indica que a variabilidade entre peas
maior que aquela devida ao dispositivo de medio.
Operadores significativo: Esse resultado no bom ou ruim, mas indica que a variabilidade entre
operadores maior que aquela devida ao dispositivo de medio.
VE 5,15 MQagr
MQo MQagr
VO 5,15
nr R & R VE 2 VO 2
MQp MQagr VT R & R 2 VP 2
VP 5,15
kr
VE 2 8,6752
2 2
Ro 2,30
VO = 5,15 = 5,15 = 5,89
d 2 nr 1,91 10 2
Repetitividade e Reprodutibilidade
m = 2 2
e o = 1,6842 1,1432 = 2,035
Variao pea-a-pea
Operador 1 Operador 2
a
Pea 1 2a 3a 1a 2a 3a
1 Max 124,8 124,7 123,9 123,4 124,1 123,6
Min 122,4 122,2 121,8 121,0 121,9 122,6
2 Max 126,2 127,1 126,8 127,0 127,3 126,7
Min 124,7 126,1 124,5 124,7 125,5 125,0
3 Max 124,2 124,4 124,8 125,1 125,4 124,8
Min 122,8 121,7 121,7 121,7 122,3 121,8
4 Max 126,8 127,7 127,4 127,1 126,4 127,1
Min 124,8 123,9 124,6 124,2 124,7 124,7
5 Max 126,3 126,8 126,9 127,2 127,4 127,3
Min 125,2 125,2 124,5 125,7 125,5 125,2
6 Max 126,1 126,1 126,8 126,4 126,6 126,1
Min 124,6 124,4 123,7 124,3 123,6 123,2
7 Max 125,0 124,6 124,5 124,9 124,1 124,4
Min 123,3 123,1 123,0 123,3 122,9 122,8
8 Max 126,8 127,5 127,2 127,1 127,0 126,4
Min 125,2 124,6 124,5 125,5 125,2 125,1
Controle Estatstico do Processo
5. Anlise de Sistemas de Medio 141
USO DA ANOVA NO A ANOVA tambm pode ser usada na anlise de estudos que
ESTUDO DA VARIAO incorporam a variao dentro da pea. Nesse caso, alm de operadores e
PRPRIA DA PEA peas, tambm se considera um terceiro fator, qual seja, a variabilidade
dentro da pea.
T..1 = 5269
5. Anlise de Sistemas de Medio
142 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
T..2 = 5047
Fonte SQ GL MQ F Sig.
Pea 950,70 9 105,63 25,6 Sim
Operador 122,87 2 61,43 14,9 Sim
Dentro 410,70 1 410,70
Pea * operador 74,30 18 4,13 1,8 no
Pea * dentro 5,80 9 0,64 0,6 no
Operador * dentro 0,80 2 0,40 0,4 no
Pea * operador * dentro 19,70 18 1,09 0,5 no
Erro 141,00 60 2,35
Total 1725,87 119
Fonte Teste F
Pea MQp / MQpo
Operador MQo / MQpo
Dentro No disponvel *
Pea * operador MQpo / MQe
Pea * dentro MQpd / MQpdo
Operador * dentro MQod / MQpdo
Pea * operador * dentro MQpod / MQe
T...2
TC
Eq 106 - Termo de correo: n 2 k r
Controle Estatstico do Processo
5. Anlise de Sistemas de Medio 143
T.2j. o
MQo MQagr
Operador SQo TC n 2 r
n 2 r
Dentro SQd
T..2k TC d
MQd MQagr
nkr nkr
Pea
MQp MQagr 105,6 2,26
p p 2,93
2 k r 23 2
Operador
MQo MQagr 61,4 2,26
o o 1,22
n 2 r 10 2 2
Dentro
MQd MQagr 410,7 2,26
d d 2,61
nkr 10 3 2
Repetitividade e Reprodutibilidade
Variao pea-a-pea
1 1
VDP = XVDP 5,15 VDP = 3,70 + 5,15 0,463 = 4,89
2 2
Variao total
VT = R & R 2 VP 2 VDP 2
Exerccio 77 Analise novamente os dados do exerccio 76, desta vez usando o mtodo
da ANOVA e supondo que as interaes no so significativas.
Verifique se os resultados coincidem aproximadamente.
Repetitividade % = 14 / 36 = 39%
Reprodutibilidade % = 7 / 24 = 29%
Operador 1 Operador 2
Ciclos 1 2 3 1 2 3
Pea
4 0 1 1 1 1 1
8 0 0 1 1 1 1
21 1 1 1 1 1 1
23 1 1 0 1 1 1
30 0 0 0 1 0 0
37 1 1 0 1 1 1
44 1 1 1 1 1 1
61 1 1 1 1 1 1
63 0 0 0 0 1 1
71 1 1 1 1 1 1
88 0 0 0 0 0 1
94 1 1 1 1 1 1
Controle Estatstico do Processo
5. Anlise de Sistemas de Medio 147
EXERCCIOS
Operador 1 Operador 2
Ciclo
1a 2a 3a 1a 2a 3a
Pea
1 max 97,5 95,4 97,7 95,9 95,4 96,4
min 96,2 95,3 95,2 94,6 94,5 96,3
2 max 87,5 87,5 88,7 86,8 86,5 87,4
min 87,1 86,4 86,0 85,3 84,4 85,8
3 max 88,6 89,9 90,2 86,8 88,3 86,4
min 87,0 88,1 87,3 86,0 87,4 85,2
4 max 93,6 92,9 93,9 92,6 93,8 93,2
min 92,5 92,2 91,9 92,1 90,2 93,1
5 max 87,2 85,8 87,3 85,7 85,6 85,3
min 85,9 85,4 84,8 84,9 84,4 84,5
6 max 94,0 94,4 93,1 93,7 91,2 94,0
min 93,2 92,0 92,5 91,4 90,0 89,9
7 max 95,7 95,2 96,0 94,2 93,8 96,0
5. Anlise de Sistemas de Medio
148 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
Operador 1 Operador 2
Avaliao 1 2 3 1 2 3
Pea
23 1 1 1 1 1 1
48 0 1 1 1 1 1
102 1 1 1 1 1 1
155 1 1 1 1 1 1
207 0 0 0 1 0 0
315 1 1 0 1 1 1
345 1 1 1 1 1 1
347 1 1 1 1 1 1
389 0 0 1 0 1 1
434 1 1 1 1 1 1
442 0 0 1 0 0 1
491 1 1 1 1 1 1
634 0 1 1 0 1 1
689 1 1 1 1 1 1
802 1 1 1 1 1 1
855 0 0 0 1 0 0
901 1 1 0 1 0 1
A MOTOROLA E O SEIS
SIGMA
Nos anos 70 o mercado norte-americano sofreu a competitividade de
empresas japonesas. Com veculos mais econmicos, maior durabilidade
e confiabilidade eles conquistaram os consumidores. Assim, o perfil dos
consumidores mudou e as empresas passam a buscar meios de
sobreviverem neste cenrio.
Nos anos 80, por quase uma dcada a Motorola buscou meios para se
tornar competitiva. Em 1981 CEO (Chief Executive Officer), Bob
Galvin, desafiou seus executivos a melhorar sua performance dez vezes
em cinco anos. Em 1985 Bill Smith lanou estudo demonstrando que um
produto sem defeitos no processo dificilmente falha nas mos do cliente.
Em 15 de janeiro de 1987, foi lanado um programa chamado Seis
Sigma em toda organizao Motorola.
EMPRESAS QUE Algumas empresas que adotaram o Seis Sigma: Allied Signal (Motores e
ADOTARAM O SEIS Automao), GE, ABB, Sony, Microsoft, Ford, LG, Dow Chemical, Seagate
SIGMA (Discos Rgidos), Kodak, Navistar (Caminhes e Motores), GenCorp (leos
e Combustveis), Dupont e Samsung.
A MEDIDA SEIS SIGMA O nome Seis Sigma inspirado em um parmetro estatstico que representa a
variabilidade. Variabilidade = defeitos. Muitos processos quando esto
sendo avaliados, apresentam o comportamento de uma curva em forma de
sino, chamada por curva Normal ou curva de Gauss.
A medida Seis Sigma admite que existiro variaes na mdia (p.ex., mdia
desloca em 1,5). Mas mesmo assim o ppm continuar muito baixo.
OS AGENTES DO SEIS Para implementar e desenvolver projetos Seis Sigma, necessrio formar
SIGMA especialistas. A formao de especialistas representa um investimento que
pode fornecer grandes retornos financeiros.
Na organizao deve existir um Champion que deve dar apoio aos times
buscando recursos para que os projetos sejam implantados com sucesso. Mas
ele tambm dever exigir que os times apresentem resultados peridicos
sobre seu trabalho, apresentando esses ao CEO.
(iv) Fase Melhorar Prope, avalia e implanta solues para cada problema
prioritrio.
Ao final dessa etapa, todos devem estar esclarecidos a respeito do estudo que
ser feito e das melhorias que devem ser alcanadas. Perguntaram a Albert
Einstein o que ele faria se tivesse 1 hora para salvar o mundo. Ele respondeu:
Gastaria 55 minutos para definir corretamente o problema e 5 minutos para
resolv-lo.
Figura 90 - Diagrama de
Causa e Efeito
ETAPA MEDIR
Terminada a etapa Definir, o projeto a ser desenvolvido e os objetivos a
serem alcanados esto claros para a equipe. A inclinao natural seria
iniciar as aes. Contudo, a sistemtica Seis Sigma prev duas etapas
Controle Estatstico do Processo
6. Seis Sigma 157
Ferramentas
Folha de Verificao
Figura 92 - Folha de
Verificao
6. Seis Sigma
158 Jos Luis Duarte Ribeiro & Carla ten Caten/PPGEP-UFRGS
Grfico de Pareto
Figura 94 - FMEA
Figura 95 - SIPOC
Figura 96 - ASM
ETAPA ANALISAR A terceira etapa, Analisar, contempla a anlise dos dados. Nessa etapa
so feitos estudos aprofundados, entendendo-se as relaes entre as
variveis e identificando-se as causas razes do problema em estudo
atravs de projeto de experimentos. Esses dados devem ser convertidos
em informaes que sustentem o plano de ao. Em geral isso envolve
identificar e analisar as alternativas de controle e melhoria.
Figura 97 - 5W2H
Matriz de priorizao Estabelece uma ordem de priorizao das possveis solues por meio de
critrios de pesos pr-definidos.
Figura 98 - Mapa de
priorizao
O MTODO DMAIC E O
PDCA
Aps as aes, o DMAIC cobra mais uma etapa: Controlar, que implica
assegurar que os ganhos obtidos sero preservados, enfatizando solues
que conduzam a melhorias de carter permanente.
Exemplos:
Exemplos:
Bibliografia
1. ANG, A.H-S. & Tang, W.H. (1984), Probability Concepts in
Engineering Planning and Design. John Wiley and Sons, New York.
2. BOWKER & Lieberman, (1959), Engineering Statistics. Prentice
Hall, Inc., Englewood Cliffs, New Jersey, USA.
3. BOX, G., Hunter, W.G., and Hunter, J.S. (1978), Statistics for
experimenters, John Wiley and Sons, New York.
4. CLARKE, G.M. & Cook, D. (1983), A Basic Course in Statistics.
2nd ed., Edward Arnold Ltda, London.
5. DUNCAN, A.J. (1974), Quality Control and Industrial Statistics,
4th ed., Irwin, Homewood, ILL.
6. FEIGENBAUM, A. V. Controle da Qualidade Total, Vol 3,
Makron Books, So Paulo, 1994.
7. GUTTMAN, Wilks & Hunter (1971), Introductory Engineering
Statistics. 2nd ed., John Wiley and Sons, New York.
8. HICKS, C.R. (1973), Fundamental Concepts in the Design of
Experiments. John Wiley and Sons, New York.
9. JOHNSON, N.L. & Leone, F.C. (1977), Statistics and Experimental
Design. John Wiley and Sons, New York.
10. KUME, H. Mtodos Estatsticos para Melhoria da Qualidade,
Editora Gente, So Paulo, 1993.
11. MILLER, I. & Freund, J.E. (1977), Probability and Statistics for
Engineers. 2nd ed., Prentice Hall, Inc., Englewood Cliffs, New
Jersey, USA.
12. MONTGOMERY, D.C. (1984), Design and analysis of
experiments. John Wiley and Sons, New York, 2nd ed.
13. MONTGOMERY, D.C. (1985), Introduction to Statistical Quality
Control. John Wiley and Sons, New York.
14. NANNI, L.F. & Ribeiro, J.L. (1991), Planejamento e avaliao de
experimentos. Caderno de Engenharia 17/87, 2a ed.,
CPGEC/UFRGS, Porto Alegre, Brasil.
15. OTT, E.R. (1975), Process Quality Control. McGraw Hill, New
York.
16. SHAPIRO, S.S. & Gross, A.J. (1981), Statistical Modeling
Technique. Marcel Dekker, Inc, New York.
17. SNEDECOR, G.W. & Cochran, W.G. (1980), Statistical Methods.
7th ed., The Iowa State Univ. Press, Iowa, USA.
18. WERKEMA, M. C. C. Ferramentas Estatsticas Bsicas para o
Gerenciamento do Processo, Fundao Christiano Ottoni, Escola de
Engenharia da UFMG, Belo Horizonte, MG,1995
Controle Estatstico do Processo
6. Seis Sigma 165
Nvel de significncia
- alfa
GL 0,250 0,100 0,050 0,025 0,010 0,005
1 1,000 3,078 6,314 12,706 31,821 63,656
2 0,816 1,886 2,920 4,303 6,965 9,925
3 0,765 1,638 2,353 3,182 4,541 5,841
4 0,741 1,533 2,132 2,776 3,747 4,604
5 0,727 1,476 2,015 2,571 3,365 4,032
6 0,718 1,440 1,943 2,447 3,143 3,707
7 0,711 1,415 1,895 2,365 2,998 3,499
8 0,706 1,397 1,860 2,306 2,896 3,355
9 0,703 1,383 1,833 2,262 2,821 3,250
10 0,700 1,372 1,812 2,228 2,764 3,169
11 0,697 1,363 1,796 2,201 2,718 3,106
12 0,695 1,356 1,782 2,179 2,681 3,055
13 0,694 1,350 1,771 2,160 2,650 3,012
14 0,692 1,345 1,761 2,145 2,624 2,977
15 0,691 1,341 1,753 2,131 2,602 2,947
16 0,690 1,337 1,746 2,120 2,583 2,921
17 0,689 1,333 1,740 2,110 2,567 2,898
18 0,688 1,330 1,734 2,101 2,552 2,878
19 0,688 1,328 1,729 2,093 2,539 2,861
20 0,687 1,325 1,725 2,086 2,528 2,845
21 0,686 1,323 1,721 2,080 2,518 2,831
22 0,686 1,321 1,717 2,074 2,508 2,819
23 0,685 1,319 1,714 2,069 2,500 2,807
24 0,685 1,318 1,711 2,064 2,492 2,797
25 0,684 1,316 1,708 2,060 2,485 2,787
26 0,684 1,315 1,706 2,056 2,479 2,779
27 0,684 1,314 1,703 2,052 2,473 2,771
28 0,683 1,313 1,701 2,048 2,467 2,763
29 0,683 1,311 1,699 2,045 2,462 2,756
inf 0,674 1,282 1,645 1,960 2,326 2,576
Distribuio do Qui Quadrado - cauda da direita
Pr (QQ > QQalfa) = alfa
Nvelde
significncia - alfa
GL 0,995 0,990 0,975 0,950 0,900 0,010 0,050 0,025 0,010 0,005
1 0,0000 0,0002 0,0010 0,0039 0,016 6,635 3,841 5,024 6,635 7,879
2 0,010 0,020 0,051 0,103 0,211 9,210 5,991 7,378 9,210 10,597
3 0,072 0,115 0,216 0,352 0,584 11,345 7,815 9,348 11,345 12,838
4 0,207 0,297 0,484 0,711 1,064 13,277 9,488 11,143 13,277 14,860
5 0,412 0,554 0,831 1,145 1,610 15,086 11,070 12,832 15,086 16,750
6 0,676 0,872 1,237 1,635 2,204 16,812 12,592 14,449 16,812 18,548
7 0,989 1,239 1,690 2,167 2,833 18,475 14,067 16,013 18,475 20,278
8 1,344 1,647 2,180 2,733 3,490 20,090 15,507 17,535 20,090 21,955
9 1,735 2,088 2,700 3,325 4,168 21,666 16,919 19,023 21,666 23,589
10 2,156 2,558 3,247 3,940 4,865 23,209 18,307 20,483 23,209 25,188
11 2,603 3,053 3,816 4,575 5,578 24,725 19,675 21,920 24,725 26,757
12 3,074 3,571 4,404 5,226 6,304 26,217 21,026 23,337 26,217 28,300
13 3,565 4,107 5,009 5,892 7,041 27,688 22,362 24,736 27,688 29,819
14 4,075 4,660 5,629 6,571 7,790 29,141 23,685 26,119 29,141 31,319
15 4,601 5,229 6,262 7,261 8,547 30,578 24,996 27,488 30,578 32,801
16 5,142 5,812 6,908 7,962 9,312 32,000 26,296 28,845 32,000 34,267
17 5,697 6,408 7,564 8,672 10,085 33,409 27,587 30,191 33,409 35,718
18 6,265 7,015 8,231 9,390 10,865 34,805 28,869 31,526 34,805 37,156
19 6,844 7,633 8,907 10,117 11,651 36,191 30,144 32,852 36,191 38,582
20 7,434 8,260 9,591 10,851 12,443 37,566 31,410 34,170 37,566 39,997
21 8,034 8,897 10,283 11,591 13,240 38,932 32,671 35,479 38,932 41,401
22 8,643 9,542 10,982 12,338 14,041 40,289 33,924 36,781 40,289 42,796
23 9,260 10,196 11,689 13,091 14,848 41,638 35,172 38,076 41,638 44,181
24 9,886 10,856 12,401 13,848 15,659 42,980 36,415 39,364 42,980 45,558
25 10,520 11,524 13,120 14,611 16,473 44,314 37,652 40,646 44,314 46,928
26 11,160 12,198 13,844 15,379 17,292 45,642 38,885 41,923 45,642 48,290
27 11,808 12,878 14,573 16,151 18,114 46,963 40,113 43,195 46,963 49,645
28 12,461 13,565 15,308 16,928 18,939 48,278 41,337 44,461 48,278 50,994
29 13,121 14,256 16,047 17,708 19,768 49,588 42,557 45,722 49,588 52,335
30 13,787 14,953 16,791 18,493 20,599 50,892 43,773 46,979 50,892 53,672
Distribuio F - cauda da direita
Pr (F > Falfa(n1,n2)) = alfa