Analisesestatisticas PDF

Guia de bolso de técnicas
de análise estatística
Guia de bolso de técnicas de
análise estatística para uso em
ferramentas de aperto
Capítulo..........................................................................Página
1. Introdução .........................................................................4
2. Estatística básica...............................................................5
2.1 Variação ........................................................................5
2.2 Distribuição ..................................................................6
2.3 Histograma....................................................................6
2.4 Valor médio...................................................................6
2.5 Desvio-padrão...............................................................7
2.6 Estimativa de uma distribuição normal ........................9
Média e desvio-padrão da amostra...................................10
3. Requisitos de precisão ....................................................11
3.1 Mean shift e dispersão combinada .............................11
Exemplo ............................................................................12
4. Processos de compreensão .............................................13
5. Capabilidade ...................................................................14
5.1 Cp................................................................................14
5.2 Cpk..............................................................................15
5.3 Quando um processo é capaz? ...................................16
5.4 Índices de capabilidade da máquina...........................18
5.5 O que mais deve ser considerado? .............................18
6. Gráficos de controle .......................................................19
6.1 Gráficos x-bar.............................................................20
6.2 O subgrupo .................................................................21
6.3 Alarmes.......................................................................22
6.4 Gráficos de variação...................................................22
6.5 Conclusão do gráfico de controle ..............................23
Resumo.............................................................................23
Apêndice ..........................................................................24
A1. Exemplo de cálculo de estatística..............................24
A2. Exemplo de cálculo de capabilidade .........................28
A3. Exemplo de cálculo de gráfico de controle...............29
A4. Análise de desempenho de ferramenta para montagem –
Cálculo ISO 5393 ......................................................32
Guia de bolso - Estatística 3

1. Introdução
O propósito deste guia é explicar os fundamentos básicos da

estatística e como ela pode ser usada na produção. Você
aprenderá que com a ajuda da estatística podemos comparar
ferramentas, dizer se uma ferramenta é adequada para uma
aplicação específica e, usando o Controle Estatístico do
Processo (CEP), podemos ver como o processo de produção
se desenvolve com o passar do tempo. Esperamos que, após
ler este guia, você tenha um conhecimento e compreensão
geral do potencial do uso da estatística como uma ferramenta
na produção.
4 Guia de bolso - Estatística

2. Estatística Básica
2.1 Variação
Entender estatística tem muito a ver com entender variação.
A variação está presente em todos os lugares, tanto na natu-
reza como nos processos industriais. Nos processos industri-
ais, mesmo um ligeiro desvio de um valor-alvo, por exemplo,
uma dimensão, pode ter uma grande influência na funcionali-
dade do produto acabado. Isso significa que é importante
entender e, em alguns casos, controlar a variação.
Figura 1. Variações na pres-
Existem dois tipos diferentes de variação. As variações alea- são de ar e a influência do
operador são exemplos de
tórias são previsíveis, estão sempre presentes e apresentam variações aleatórias
muitas causas contribuintes. Exemplos de variações aleatóri-
as são pequenas variações no diâmetro do furo, fricção
inconsistente, influência do operador e variações na pressão
de ar. É difícil isolar uma dessas causas. As variações são
combatidas com o aperfeiçoamento do processo. Variações
aleatórias são naturais e dependentes do processo e de seu
ambiente. São também chamadas causas comuns.
Variações sistemáticas são esporádicas e isoladas. Elas não

são previsíveis mas é freqüentemente fácil determinar a
causa com precisão. Elas são combatidas por meio de contro-
Figura 2. Erros humanos
le do processo. A variação sistemática tem uma causa deter- como falta de arruelas e
minada e pode freqüentemente ser identificada e eliminada. uso de parafusos errados
são exemplos de variações
Exemplos são ajustes das máquinas, desgaste das ferramentas sistemáticas.
e erro humano. São também chamadas causas especiais.
Tem sido dada grande importância ao uso de técnicas de aná-

lise estatística para controlar a qualidade do processo de
montagem. O método tradicional de usar essas técnicas é
analisar o que já ocorreu e, quando um problema é identifi-
cado, ajustar o processo de acordo. Está se tornando cada dia
mais comum usar técnicas estatísticas para prever como o
processo irá se comportar no futuro e identificar variações
sistemáticas e ajustar o processo antes que resulte em produ-
tos defeituosos.

2.2 Distribuição
Considere um processo de aperto no qual medimos o torque
aplicado a um parafuso. Como você sabe, não obtemos as
mesmas leituras para todos os apertos. Suponha que coleta-
mos leituras suficientes para traçar um gráfico de freqüência
(o número de vezes que uma leitura particular ocorreu) con-
tra as leituras reais de torque. O resultado seria um traçado
similar ao mostrado na figura 3 abaixo. Em análise estatísti-
ca, essa curva é conhecida como “distribuição”. Existem
muitos tipos diferentes de distribuição, mas a que melhor
descreve este exemplo (e outros como este) é denominada
distribuição Normal ou Gaussiana.
Uma distribuição normal é sempre simétrica e determinada

pela média e o desvio-padrão. Uma distribuição normal ocor-
re apenas quando variações aleatórias afetam o resultado.
Freqüência
2.3 Histograma
Um histograma é quando você divide os resultados em cate-
gorias (por exemplo, todos os resultados entre 20-21 Nm).
É então possível criar um diagrama contando o número de
resultados em cada categoria e colocando-os em um diagra-
Torque
ma. Dessa forma, é possível visualizar a distribuição com um
número razoavelmente limitado de resultados.
2.4 Valor médio

Figure 3. Histograma.
Uma distribuição normal pode ser encontrada em qualquer
lugar, tanto na natureza como em processos industriais. Se
tivermos uma grande amostra de medidas, ou seja, se tiver-
mos feito 1000 apertos com uma ferramenta, podemos fazer
um histograma. Quanto mais apertos tivermos, melhor curva
obteremos. Se fôssemos medir a altura dos homens suecos,
obteríamos uma média (valor médio) de 1,80. O valor médio
é o valor mais comum numa distribuição normal. Não é que
há muitos homens realmente altos ou realmente baixos. Um
outro exemplo que poderíamos considerar é quando você
corta uma vareta. O valor-alvo é 20,00 cm e isso provavel-
mente também seria o valor médio. Entretanto, algumas par-
tes terão apenas 19,90 cm e outras 20,10, o que é devido à
Figura 4. A distribu- variação natural do processo e isso é normal.
ição normal pode
ser encontrada em
qualquer lugar. A
altura das pessoas é
um exemplo. Um
outro exemplo pode
ser quando você
tenta cortar varetas
do mesmo tamanho.

2.5 Desvio-padrão
Se uma ferramenta é usada para um grande número de aper-
tos, a um ajuste de torque de por exemplo 30 Nm, é pouco
provável que todos os apertos alcancem esse valor exato de
torque. Isso ocorrerá mesmo se a ferramenta estiver operando
na mesma junta parafusada, uma fixação de teste. Fatores
aleatórios, tais como desgaste do material e diferentes manei-
ras de manipular a ferramenta podem fazer com que o torque
aplicado exceda ou fique abaixo do torque pretendido. Diz-se
então que as leituras se desviam da média e medimos esse
desvio com o que é conhecido como desvio-padrão.
Não é essencial entender completamente a fórmula apresen-
tada mais à frente. Mas é útil saber como calculá-la e funda-
mental que você entenda o que ela nos mostra! O desvio-
padrão indica quanto cada leitura pode se desviar da média.
Qual é o uso prático do desvio-padrão? Já dissemos que a
média nos indica o valor médio da distribuição (todos apertos
diferentes) e o desvio-padrão indica a dispersão. Podemos
usá-lo para estimar quantos de nossos valores recairão dentro
de uma certa faixa. O desvio-padrão pode ser mais precisa-
mente descrito como o cálculo de quanto uma porcentagem
de distribuição conhecida recai fora da média.
σ é uma letra do alfabeto grego usada para simbolizar o des-
vio de qualquer distribuição em relação à média. Para um
negócio ou um processo de fabricação, o valor ( indica a pre-
cisão com que aquele processo está sendo realizado. Um
valor ( baixo indica que a maioria dos valores está próxima
do alvo. Um valor ( alto indica que a dispersão é grande e
que os valores apresentam um desvio maior em relação ao Freqüência
valor-alvo.
Se você tem 20 valores de uma população, você pode agru-

pá-los como mostrado na figura. Presumimos que eles per-
tencem a uma distribuição normal. Isso na verdade, é a Torque
“área” dentro da qual você obterá o próximo aperto. Existe

uma probabilidade de 100% de recair dentro da faixa total.
É matematicamente comprovado que há uma
• certeza de 68% de que todos os dados recaem entre +/– σ
• certeza de 95% de que todos os dados recaem entre +/– 2 σ, e
• certeza de 99,7% de que todos os dados recaem entre +/– 3 σ.
É uma característica importante da distribuição normal que o

desvio-padrão seja simétrico em torno da média e sempre
cubra a mesma porcentagem de distribuição. Essa é uma Figura 5. Nós sempre sabemos
quanto por cento de nossos valo-
regra matemática. res recairão dentro de uma certa
faixa.

Isso agora nos leva a algo muito útil. Agora que sabemos a
porcentagem dos valores que recairão dentro de um certo
limite (, podemos prever como o processo irá se comportar
no futuro. Você se lembra da discussão sobre variação aleató-
ria e sistemática? Dissemos que para uma distribuição nor-
mal, todas as variações sistemáticas são eliminadas e apenas
a variação aleatória está presente. Sabemos também agora
que 99,7% de todos os valores recaem dentro de 6( (ou ( 3().
Isso nos permite fazer uma importante suposição: embora
0,3% de todos os apertos recaiam fora dos limites 6( numa
distribuição normal, presumimos que todos os apertos fora
desses limites ocorram devido a variações sistemáticas no
processo. Isso significa que algo novo foi inserido no proces-
so - ele não está mais sob controle.
Para tornar as coisas mais claras, presumimos que enquanto

temos apertos dentro dos limites 6(, o processo é afetado
apenas por variações aleatórias e está sob controle. Quando
temos apertos fora dos limites 6(, o processo é afetado pela
variação sistemática e não está sob controle. Quando isso
acontece, significa que alguma coisa nova e estranha come-
çou a afetar o processo de aperto e precisamos encontrar a
razão disso e eliminá-la. Os gráficos a seguir mostram uma
comparação de duas distribuições normais diferentes.
Figura 6. A primeira
figura mostra duas
curvas com a mesma
média, mas com des-
vio diferente. A segun-
da figura mostra duas
curvas com o mesmo
desvio, mas com
médias diferentes.

2.6 Estimativa de uma distribuição normal
Quando falamos sobre medições ou leituras em uma aplicação,
calculamos uma média e um desvio-padrão. Se tivéssemos
que medir um número infinito de apertos, saberíamos com
certeza que teríamos o valor real da média e do desvio-
padrão. Esta é a média da população e o desvio-padrão da
população. Porém, na realidade, isso não é possível e temos
que confiar em um número limitado de apertos. Em estatísti-
ca, falamos em amostra; na área de apertos falamos em sub-
grupo ou lote. Isso significa que não podemos de fato ter
certeza se nossos cálculos (média e desvio-padrão) estão cor-
retos, uma vez que são baseados apenas em um número limi-
Figura 7. É impossível
tado de apertos. Na verdade, o que temos é uma estimativa medir a população
dos valores reais. Quanto mais apertos tivermos para basear total. Temos que confi-
ar em um número
nossos cálculos, mais certeza podemos ter de que estamos limitado de valores,
próximos da média e do desvio-padrão da população. uma amostra ou um
lote.
Dizemos que o valor médio da distribuição é a média da

população (µ) e a que dispersão é representada pelo desvio-
padrão da população (σ). A média da população (µ) é calcu-
lada por:
n
Σ xi
µ= n i=1
Σx – a soma de todos os apertos, dividida pelo número total

de apertos (n).
O desvio-padrão da população (σ) é calculado por
Onde:
xi é o valor de cada ocorrência individual, a medição
ith da variável x.
n é o número total de ocorrências na população

n
Σ xi é o valor de todas as ocorrências juntas
i=1
(a soma)
i
é a soma de todos os valores de (xi-µ)2
Tomamos o valor de cada ocorrência individual menos m, a

média, e elevamos esse novo valor ao quadrado. A seguir,

somamos cada novo valor. Dividimos agora isso pelo número
de apertos. Finalmente, precisamos obter a raiz quadrada
desse valor total, uma vez que temos (Nm)2 e precisamos de
Nm, e teremos o desvio-padrão da população. A potência ao
quadrado e a raiz quadrada existem apenas porque queremos
eliminar desvios positivos e negativos da média.
Entretanto, na prática, é muito raro que possamos medir cada

ocorrência dos dados. Na verdade, n deveria então ser infini-
to, o que, com certeza, é impossível. Ao invés disso, usamos
uma amostra representativa para ter uma previsão da média e
do desvio-padrão da população.
Média e desvio-padrão da amostra

Calculamos a média da amostra ( ) da mesma maneira que
calculamos a média da população (µ):
n
Σ xi
i=1
x= n
O cálculo para o desvio-padrão da Amostra (s) difere ligeira-
mente do desvio-padrão da população (σ):
Onde
xi é o valor de cada ocorrência individual
na amostra
n é o número total de ocorrências na amostra
Σ xi é a soma dos valores de todas as

ocorrências na amostra
i é a soma de todos os valores de (xi - )2
O uso de (n - 1) ao invés de (n) fornece uma estimativa mais

precisa do desvio-padrão da populacão, σ, e é muito importante
quando são usados pequenos tamanhos de amostra. Portanto,
lembre-se de que nunca podemos usar a população total em nos-
sos cálculos; isso é impossível. Devemos usar amostras menores
e calcular estimativas da média real e do desvio-padrão real.
Portanto, a média da amostra ( ) é uma estimativa da média

da população (µ).
O desvio-padrão da amostra (s) é uma estimativa do desvio-
padrão da população (σ).

3. Requisitos de precisão
Em uma aplicação de apertos há freqüentemente requisitos

de precisão das ferramentas. Os requisitos de precisão são
indicados como um torque-alvo próximo de um desvio máxi-
mo aceitável do valor alvo, por exemplo +/– 10%. A precisão
de uma ferramenta é freqüentemente calculada como 50% da
variação natural (3σ) dividida pelo valor-alvo. Isso torna pos-
sível comparar diferentes ferramentas a um determinado
valor-alvo, sem relacioná-las a uma determinada aplicação
(tolerâncias). Como você verá no próximo capítulo, os cálcu-
los de precisão são similares a alguns cálculos de capabilida-
de (nos cálculos de precisão, comparamos a variação natural
ao valor médio, nos cálculos de capabilidade comparamos a
variação natural às demandas de tolerância na aplicação)!
Se os requisitos de precisão forem 40 Nm +/– 10%, devemos
verificar se 3s está dentro de 10%, ou se 100* 3σ/Med é inferior
a 10%. Vamos presumir que testamos a ferramenta e alcança-
mos um valor médio de 40 Nm e um desvio-padrão de 1,2 Nm.
Então, calculamos a precisão: (3*1,2 / 40) = 9%. Sabemos agora
que a ferramenta é precisa o suficiente para realizar o trabalho.
3.1 Mean shift e dispersão combinada
Mean shift é o que ocorre quando uma ferramenta é usada
tanto em junta rígida como flexível. Você muito provavel- Figura 8. Mean shift é a diferença
mente obterá dois valores médios diferentes, um valor mais entre os valores médios das jun-
tas rígidas e flexíveis.
alto para a junta rígida, com duas distribuições diferentes. A
diferença entre esses dois valores médios é o mean shift.
Queremos encontrar os limites (comparáveis à distribuição
Freqüência
normal) onde a probabilidade de obter um torque fora desses
limites é de 99,7% na junta rígida ou flexível. Isto é a disper-
Flexível Rígida
são combinada e corresponde a 6σ na distribuição normal. Junta Junta
Uma vez que temos a dispersão combinada, podemos rela-

cionar isso à média combinada. Isso nos dá algo freqüente-
mente referido como “precisão”.
Expressa como uma fórmula, ela seria da seguinte forma: Torque
MED flexível MED=0,5x(MEDflexível+ MEDrígida) MEDrígida
Precisão = 100 x 0,5 ((Medrígida + 3σrígida) - (Medflexível - -3s flexível Dispersão combinada +3srígida
3σflexível))/Med
Figura 9. Média combinada e dis-
Onde Med = (Medflexível + Medrígida)/2 (a média combinada). persão combinada.

Isso é normalmente verdadeiro, mas não podemos saber com
certeza se a distribuição será semelhante a isso. Podemos, por
exemplo, ter um mean shift negativo. Precisamos verificar
quais dos limites estão mais distantes dos limites predefinidos.
Ajustada, a fórmula seria assim:
Precisão = 100 * 0.5 Desvio/Med

Onde Desvio = max (Medrígida + 3σrígida, Medflexivel+ 3σflexível) - min
(Medflexível - 3σflexível, Medrígida - 3σrígida)
Med = (Medflexível + Medrígida)/2 (a média combinada)
Exemplo:
Testes realizados em uma junta rígida (30 graus) e em uma
junta flexível (800 graus) produziram os seguintes dados:
Junta rígida: Med = 61 Nm e σ = 1.2 Nm

Junta flexível: Med = 60.2 Nm e σ = 1.0 Nm
Desvio = Max (61+3*1.2, 60.2+3*1.0) – min (61-3*1.2,

60.2-3*1.0) = 7.4 Nm
Med = (61+60.2)/2 = 60.6 Nm
Precisão = 100*0.5*7.4/60.6 = 6.1%
É difícil fazer uma estimativa da precisão de ferramentas

devido a:
• Precisão diferente em aplicações em juntas rígidas, flexí-
veis e combinadas.
• Precisão diferente se a ferramenta for usada em um nível
alto da faixa de torque ou em um nível mais baixo.

4. Processos de compreensão
Toda organização produz alguma coisa, sejam produtos ou servi-
ços, e isso é feito de muitas maneiras diferentes. Porém, o que
todas as organizações têm em comum é que a maneira como elas
trabalham pode ser descrita na forma de métodos e atividades.
Um processo é simplesmente um conjunto estruturado de ativi-
dades destinadas a produzir um produto específico para um
determinado cliente ou mercado. Ele tem um começo e um fim e
inserções e resultados claramente identificados. Um processo, é,
portanto, uma estrutura para a ação, para a forma como o trabal-
ho é realizado. Dentro da área de qualidade, o conceito de pro-
cesso é definido como “um conjunto de atividades que são repe-
tidas dentro de um período, com o propósito de criar valor para
um cliente”. Como você percebe agora, a abordagem do proces-
so implica em adotar o ponto de vista do cliente. Os processos
também têm dimensões de desempenho, tais como custo, tempo,
qualidade do resultado e satisfação do cliente. Tenha em mente
que todas essas dimensões podem ser medidas e melhoradas.
Processos de operação
criam valor Cliente satisfeito
Figura 10. Um processo é um con-

Necessidade do junto de atividades destinadas a
cliente produzir um produto para um
cliente ou um mercado.
Em uma planta automobilística moderna, a linha de produção é
um “processo de operação” típico, ou seja, cria valor para a pes-
soa que compra o carro. Ao longo da linha, os carros são monta-
dos com diferentes tipos de apertadeiras, todas com funcionalida-
de, desempenho e confiabilidade diferentes. No processo de
montagem há muitas coisas que afetam o resultado do aperto. Os
operadores, os parafusos, os furos e muitas outras coisas afetam
os apertos. Todos contribuem para a variação do processo
total em cada aplicação. Lembre-se da discussão sobre
variação no capítulo 1.
As dimensões com as quais medimos o desempenho das
apertadeiras são torque e, algumas vezes, ângulo. Usando
a estatística, podemos analisar o desempenho do processo (aper-
tos) e podemos monitorizar, controlar e melhorar o processo de Figura 11. A produção industrial é
um processo de operação. Muitas
montagem. A longo prazo, isso significa apertos mais precisos, coisas contribuem para a variação
carros melhores e mais seguros e melhor valor para os clientes. do processo.

5. Capabilidade
Abordamos anteriormente neste guia a estatística e a precisão.

A precisão de uma ferramenta nos indica alguma coisa sobre
o desempenho, mas isso não é suficiente. O aspecto importan-
te para nossos clientes é como a ferramenta se comporta em
uma aplicação, na linha de produção. Portanto, de alguma
forma, devemos relacionar a precisão da ferramenta à aplica-
ção. Cada junta tem um valor-alvo, mas tem também alguma
tolerância que é aceitável para o cliente.Relacionando a média
e o desvio-padrão ao valor-alvo e aos limites de tolerância de
uma aplicação, podemos dizer como uma ferramenta está se
comportando onde realmente interessa, em sua aplicação. Isso
é possível graças aos diferentes índices de capabilidade.
Existem muitos índices diferentes de capabilidade, alguns

deles bastante simples e alguns mais intrincados. Este guia
de bolso aborda aqueles mais comumente usados, aqueles
que nossos clientes usam.
Como mostrado anteriormente, sabemos que uma distribu-

ição normal é definida por sua média e seu desvio-padrão.
Lembramos também nossa suposição de que, quando o pro-
cesso está sob controle, todos os valores estão dentro dos
limites 6(, embora apenas 99,7% realmente estejam. Isso é
denominado variação natural do processo.
5.1 Cp
O primeiro e mais comumente usado índice de capabilidade é
denominado Cp. A fórmula para Cp é:
Cp = Intervalo de tolerância = ALTO – BAIXO

6σ 6σ
Se você analisar a fórmula, poderá ver que ela simplesmente
relaciona o intervalo de tolerância (AL-BAI), à variação natural
do processo! Se tivermos uma ferramenta com uma grande dis-
Figure 12. When calculating Cp, persão e uma aplicação com demandas muito altas (limites de
the tolerance interval is related to tolerância rigorosos), teremos um valor Cp baixo. De modo
the 6σ.
inverso, se tivermos uma ferramenta com dispersão muito pequ-
ena (pequeno σ), mas com limites de tolerância muito amplos,
teremos um Cp alto. Com certeza é isso que queremos, porque
quanto menor for a variação em relação aos limites de tolerân-
cia, menor o risco de apertos fora da tolerância. Os requisitos de
Cp variam. O mais comum é que o valor Cp deve ser superior a
1,33. Isso indica que 6 vezes o desvio-padrão não abrange mais
do que 75% do intervalo de confiança.

Mas isso é suficiente para dizermos se a ferramenta é boa ou
ruim para uma aplicação específica? Precisamos de mais algu-
ma coisa? Sim. O Cp não considera se a média da distribuição
está próxima ou não do valor-alvo. Esse índice não garante que
a distribuição recai na metade do intervalo de tolerância. Na
figura abaixo, você pode ver a mesma ferramenta na mesma
aplicação, mas antes e depois do ajuste do torque. Nos dois
casos, teríamos o mesmo Cp. Se estivermos fora do alvo, é pos-
sível que os apertos estejam fora de um dos limites de tolerân-
cia, mesmo se a dispersão for pequena em relação ao intervalo
de tolerância (Cp alto). Portanto, precisamos de alguma coisa a
mais que também relacione a distribuição ao valor-alvo.
BAI ALVO AL
BAI ALVO AL
Figura 13. Cp alto não garante que estamos próximos do valor-alvo.
5.2 Cpk
O Cpk também relaciona a média da distribuição ao valor-
alvo da aplicação. A maneira de fazer isso é dividir a distri-
buição e a aplicação em duas partes diferentes e fazer um
cálculo para cada lado. A fórmula é a seguinte:
MED-BAI MED-AL
Cpk = min [(AL – MED) / 3σ , (MED – BAI) / 3σ]
Primeiro relacionamos a diferença entre o limite superior de

tolerância e a média à metade da variação natural (3σ). A
seguir, fazemos outro cálculo, relacionando a diferença entre Torque
a média e o limite inferior de tolerância a 3σ. Temos agora BAI

ALVO
ALTO
MED
dois valores potencialmente diferentes e o MENOR dos dois
é o Cpk. Se você acha que é difícil, pense alguns minutos Figura 14. Quando o Cpk é
calculado, o valor-alvo tam-
sobre isso. Se a média é maior do que o valor-alvo, então a bém é considerado.
diferença entre o limite superior de tolerância e a média
é menor do que a diferença entre a média e o limite inferior
de tolerância. Se for este o caso, o “cálculo superior” nos
dará o Cpk, porque estamos mais próximos do limite supe-
rior de tolerância.
If this is the case, the “upper calculation” will give us the Cpk,
because we are closer to the upper tolerance limit.
O que acontece ao Cpk se estivermos exatamente no alvo? Bem,
neste caso, estamos tão próximos do limite superior de tolerância
como do inferior e os dois cálculos nos darão o mesmo resultado.
Neste caso, podemos ver também que o Cpk tem o mesmo
valor do Cp.
Ruim Cp Bom
Processo não capaz. Processo capaz ,
Mudar ferramenta mas a média preci-
Ruim ou ajustar para sa ser ajustada.
obter boa precisão.
Cpk
Figura 15. A relação entre Não possível. Processo capaz e
Cp e Cpk. Bom bem ajustado.
Apresentamos agora o Cp e o Cpk. Estudando as fórmulas é fácil

ver que o Cp relaciona apenas o intervalo de tolerância ao 6σ do
processo. O Cpk também considera o valor-alvo. Queremos
que os dois, o Cp e o Cpk sejam superiores a 1,33. Se nossa
média estiver exatamente no alvo, o Cp e o Cpk são idênticos.
Quanto mais fora do alvo estivermos, maior a diferença entre
Cp e Cpk. Obviamente, o Cpk nunca pode ser superior ao Cp.
5.3 Quando um processo é capaz ?

A pergunta “quão bom é preciso ser para ser capaz?” não foi
ainda definitivamente respondida. Como Cp foi usado pri-
meiro, o valor Cp de 1,33 tornou-se o critério mais comu-
mente aceito como um limite inferior. Os requisitos de Cpk
variam. O mais comum é que o Cpk deve ser superior a 1,33.
Um processo com Cpk abaixo de 1,00 nunca é capaz .
É muito importante que você entenda porque usamos Cp e

Cpk. Se usarmos apenas o Cp, não sabemos se estamos no
alvo ou não. Se usarmos apenas o Cpk, não podemos saber
se um valor Cpk bom ou ruim é devido à centralização do
processo ou à dispersão. Portanto, devemos usar os dois.
Juntos, eles podem nos fornecer uma indicação muito boa
sobre com que eficiência uma ferramenta específica está rea-
lizando uma aplicação específica. Eles são também a manei-
ra perfeita de comparar ferramentas diferentes.

Veja os alvos para dardos abaixo:
O primeiro alvo para dardos mostra um processo inadequada- Figura 16.

mente centralizado, mas com baixa dispersão (alta precisão) . Alvo para dardos 1:
Neste caso, o Cp é alto e o Cpk é baixo. No segundo alvo Cp alto e Cpk baixo.
Alvo para dardos 2:
para dardos, os dardos estão aleatoriamente dispersos em Cp baixo e Cpk baixo.
torno do centro do alvo, mas a dispersão é muito ampla em Alvo para dardos 3:
relação às tolerâncias. O Cp não é provavelmente tão bom, Cp alto e Cpk alto.
mas se o “valor médio” estiver no alvo, o Cpk tem o mesmo

valor do Cp. O terceiro alvo para dardos mostra um processo
bem centralizado, com alta precisão. Isso significa que tanto
o Cp como o Cpk são altos; o processo é capaz.
Um exemplo:
Uma junta deve ser apertada a 70 Nm ± 10%. Uma ferramenta
é testada e obtemos uma média de 71 Nm e um σ de 1,2 Nm.
Cp = (77-63) / 6*1.2 = 1.95
Cpk = min [ (77-71) / (3*1.2) , (71-63) / (3*1.2) ] =
min [ 1.67, 2.22 ] = 1.67
Os valores Cp e Cpk são superiores a 1,33 e o processo é

capaz e não precisa ser ajustado.

5.4 Índices de capabilidade da máquina
Como você sabe agora, Cp e Cpk são índices de capabilidade
do processo. Tudo o que afeta o processo afeta esses índices.
Porém, se tirarmos todas as variações que afetam o processo
de montagem, exceto a variação na própria ferramenta, obte-
remos o que chamamos de índices de Capabilidade da
Máquina. Isso deve ser feito sob circunstâncias muito contro-
ladas, preferivelmente com a ferramenta em um suporte. Os
testes devem ser realizados na mesma junta e pelo mesmo
operador (ou melhor ainda, coloque a ferramenta em um
suporte fixo a fim de eliminar toda a influência do operador).
Os cálculos são os mesmos para Cm e Cp, e os mesmos para
Cmk e para Cpk.
Portanto, lembre-se, Cp e Cpk determinam se o processo é

capaz. Cm e Cmk determinam se a máquina (ferramenta) é
capaz.
5.5 O que mais deve ser considerado?

Quando você analisa a capabilidade de uma ferramenta, o
tamanho da amostra é de grande importância para obter cál-
culos confiáveis da média e do desvio-padrão. Um tamanho
de amostra de pelo menos 25 é bastante recomendado.
E lembre-se, se alguém disser algo como “Eu tenho uma fer-

ramenta que pode sempre atender uma demanda de Cpk de
2,0”, há duas opções:
1. Ele não sabe sobre o que está falando, porque não tem
sentido falar sobre índices de capabilidade sem relacionar
o desempenho da ferramenta em uma aplicação com as
exigências do cliente (limites de tolerância)!
2. Ele sabe sobre o que está falando e está tentando fazer a
ferramenta parecer melhor do que realmente é.

6. Gráficos de controle
Falamos sobre estatística e precisão, sobre processos e capa-
bilidade. Agora vamos abordar os gráficos de controle.
Estatística, desempenho da ferramenta e ambiente de produ-
ção (variação do processo) são elementos importantes para
entender esses gráficos.
O gráfico de controle é uma ferramenta importante dentro do
Controle Estatístico do Processo. A idéia é coletar repetida-
mente um número de observações (amostras) do processo a
intervalos determinados. Com a ajuda dessas observações
(medições) queremos calcular algum tipo de indicador de
qualidade e traçá-los em um diagrama. O indicador normal-
mente usado na indústria de aperto é a média de subgrupo
e/ou a variação de subgrupo.
Você se lembra da diferença entre variação especial e aleatória?
Se não se lembra, volte e leia a seção novamente, porque isso é
muito importante. Se o indicador de qualidade traçado em grá-
fico estiver dentro dos limites 6σ, dizemos que o processo está
sob controle estatístico, apenas variação aleatória afeta os aper-
tos. Quando usamos esses limites nos gráficos de controle, eles
são denominados limites de controle. Temos também um “nível
ideal”, um valor-alvo marcado entre os limites de controle e,
certamente, deve ser igual ao nosso valor-alvo no processo de
montagem. Se alguma variação especial for inserida no proces-
so, ela pode afetar os apertos de duas maneiras diferentes; pode
afetar a média dos apertos, a dispersão ou ambas.
Temos os seguintes requisitos num gráfico de controle:
• Deve ser possível detectar rapidamente mudanças sistemá-
ticas no processo, permitindo que identifiquemos as fontes
de variação.
• Deve ser fácil de usar.
• A chance de obter um “alarme falso” deve ser muito pequ-
ena (se usamos os limites 6( como limites de controle, a
chance é de 0,3%).
• Deve ser possível saber quando a mudança começou a afe-
tar o processo.
• Deve ser provado que o processo estava sob controle.
• Deve ser motivador e chamar constantemente a atenção
para variações no processo e questões relacionadas à qua-
lidade.

6.1 Gráficos x-bar
Primeiro introduzimos um gráfico de controle para controlar
o nível médio de uma determinada unidade. Pode ser o diâ-
metro de um parafuso, ou o torque aplicado a uma junta. É
chamado gráfico-x e quando é usado nós traçamos a média
das observações (medições) em um diagrama. A intervalos
AL
pré-definidos, coletamos do processo um número de medi-
ções, um subgrupo. Então calculamos a média para cada sub-
Subgrupo
grupo e usamos esse valor como nosso indicador de qualida-
de.
Sabemos que as aplicações de aperto podem ser descritas

como uma distribuição normal. Sabemos que a média e o
desvio-padrão nos ajudam a fazer isso. Também sabemos que
BAI todos os processos variam com o passar do tempo, devido a
diferentes tipos de variação, ou seja, diferenças de material,
influência do operador, etc. O limite 6( torna possível dizer
se a variação do processo é devida a causas aleatórias ou
especiais, portanto os limites de controle são normalmente
baseados nos limites 6(, a variação natural do processo. O
procedimento para traçar esses gráficos é direto, a variável
relevante (em nosso caso torque ou ângulo) é medida a inter-
valos regulares (pode ser uma vez por hora ou uma vez por
dia) e são realizadas tipicamente 5 leituras consecutivas a
cada vez.
Figura 17. Coletamos do
processo várias medições,
um subgrupo, e traçamos Quando os limites de controle são determinados, os valores
as médias no diagrama.
de cada grupo de leituras pode ser traçado nos gráficos.
Quando o processo de montagem está sob controle (apenas
variação aleatória afeta os apertos), as médias dos subgrupos
se dispersarão aleatoriamente em torno da média geral ( ).

6.2 O subgrupo Distribuição para médias de subgrupos,
Distribuição para medições individuais, x
Vamos presumir que a variável de qualidade (no nosso caso
os apertos) que queremos controlar tem a média µ e o desvio-
padrão σ quando o processo está sob controle. Lembre-se que o
nosso indicador de qualidade é a média do subgrupo, .
Preferencialmente, as medições individuais e as médias dos sub-
grupos devem ter o mesmo valor médio (ver figura). Mas tam-
bém podemos ver que a dispersão entre as medições individuais
(σ) é maior do que entre as médias dos subgrupos o que, na rea-
lidade, é σ/√n, onde n é o número de medições em cada subgru-
po. Portanto, a chance de detectar um desvio em relação a µ é Figura 18: A dispersão entre as
medições individuais é maior
maior quando estudamos os subgrupos ao invés das medições do que entre as médias de sub-
individuais. Portanto, na verdade, os limites de controle são nor- grupos.
malmente ajustados para (os limites-6σ do subgrupo):
UCL = µ + 3σ/√n Estimado por

LCL = µ – 3σ/√n meio de:
Mas que tamanho o subgrupo deve ter? Se você analisar a

figura abaixo, verá que à medida que aumentamos o tamanho
dos subgrupos (n), o desvio-padrão não diminui muito quando
ultrapassamos 4 ou 5. Isso explica porque 4, 5 ou 6 são escol-
has muito comuns de tamanhos de subgrupos. Historicamente,
um subgrupo de 5 é uma escolha muito comum.
Desvio-padrão para as
médias de subgrupo dependendo
do tamanho do subgrupo n
Figura 19. O uso de um tamanho de subgrupo 5 é muito comum na indústria.

6.3 Alarmes
Vamos agora à parte boa; o que acontece se alguma coisa
não aleatória começa a afetar os apertos? O que acontece se
a qualidade dos parafusos de repente deteriorar? Bem, talvez
isso afete a média dos subgrupos. Talvez afete a dispersão
dentro dos subgrupos. Talvez o torque aplicado às juntas
diminua gradualmente. Agora, tudo isso pode ser detectado.
O aspecto positivo dos gráficos de controle é que o engen-
heiro de qualidade ou, com freqüência, o operador, podem
detectar problemas potenciais em um estágio inicial antes
que os apertos fiquem fora dos limites de tolerância, antes
que montagens defeituosas sejam feitas.
A forma mais fácil de detectar que algo não aleatório come-

çou a afetar o processo é quando obtemos valores fora dos
limites de controle. Isso é um ALARME e temos que verifi-
car imediatamente o que aconteceu antes que tenhamos aper-
tos fora dos limites de tolerância!
Na figura à esquerda, você pode ver como um gráfico de

Tendências Alarme Aumento médio
controle PODE parecer quando uma variação especial come-
Figura 20. Exemplos de
como os gráficos de contro- ça a afetar o processo de montagem. Os dois primeiros casos
le podem parecer quando mostram “alarmes de tendência”. A produção pode continuar
uma variação sistemática
foi inserida no processo. durante a investigação. O quarto caso é quando a média
geral( ) começa a desviar do valor-alvo. Devemos descobrir
porque isso aconteceu, porém talvez um ajuste da ferramenta
seja suficiente; isso depende do motivo da mudança.
6.4 Gráficos de variação

Para controlar a dispersão no processo, podemos usar o des-
vio-padrão ou a variação dentro dos subgrupos. A variação
(R) é a diferença entre o maior e o menor valor de cada sub-
grupo. O desvio-padrão é, com certeza, baseado em todos os
valores dentro do subgrupo, ao passo que a variação é basea-
da em apenas dois. Isso significa que o gráfico-s é mais con-
fiável e nos fornece mais dados sobre a dispersão.
Entretanto, a variação é mais fácil de calcular e, embora
agora nós tenhamos ferramentas muito boas, que calculam
tudo para nós, o gráfico-R é ainda o gráfico mais popular-
mente usado.

A variação R nos ajuda a estimar a dispersão do subgrupo.
Isso pode ser feito com a ajuda de diferentes testadores que
podem ser encontrados em manuais de controle estatístico do
processo. Se você quiser que a linha central seja , os limi-
tes de controle para o gráfico de controle serão:
UCL = D4*
LCL = D3*
O gráfico-R indica como a dispersão se desenvolve dentro

dos subgrupos. Isso torna possível detectar quando uma
mudança sistemática no processo afeta a dispersão do sub-
grupo.
6.5 Conclusão do gráfico de controle

Os limites de controle devem ser baseados em um número
grande e confiável de apertos e devem ser re-calculados,
usando os resultados reais da produção, a intervalos regula-
res, a fim de obter gráficos confiáveis.
Este capítulo pretende ser apenas uma introdução aos gráfi-
cos de Controle do Processo e não abrange todos os aspectos
desses gráficos.
Resumo
Este guia explica os pontos básicos da estatística, tais como
distribuição, valor médio e desvio-padrão. Descreve também
como isso pode estar relacionado a uma aplicação por meio
de cálculos de capabilidade. O processo pode ser monitoriza-
do e controlado usando o CEP e isso é também descrito e
explicado.
Este guia de bolso não explica todos os aspectos e o potenci-

al da estatística. É uma introdução ao assunto e se houver
necessidade de estudos mais aprofundados, recomendamos
que você consulte literatura especializada.
As diferentes ofertas de produtos que Atlas Copco pode for-

necer para ajudar seus clientes a utilizar o potencial da esta-
tística na produção não são abordadas neste guia. Se você
precisar discutir a linha de produtos Atlas Copco, por favor
entre em contato com seu representante de vendas Atlas
Copco local.

Apêndice
A1. Exemplo de cálculo básico de estatística
O exemplo a seguir o ajudará a entender os pontos básicos da
estatística. Neste exemplo, comparamos os níveis de torque
de duas ferramentas diferentes. Você então pode obter os
valores de torque mostrados abaixo: O torque-alvo é 10.
Ferramenta Atlas Copco Outra ferramenta

10 10
10.1 11
10.2 9
9.7 8
10.0 12
10.2 10
10.1 9
9.7 12
9.8 8
10.2 11
Qual dessas ferramentas é a mais precisa? Para responder a

isso, calculamos primeiro o valor médio das duas séries. O
valor médio nos fornece uma média de todos os valores
recebidos de diferentes apertos e usamos o símbolo . O
valor médio é calculado somando todos os dados de aperto,
, e dividindo pelo número de apertos, n.
n
Σ xi
i=1
x= n
Valor médio,
10 10

As duas ferramentas têm um valor médio de 10. Se uma ferra-
menta tivesse um valor médio de 15, saberíamos que aquela
ferramenta não é tão boa quanto a que está dentro do torque-
alvo. As duas ferramentas têm a mesma precisão? A precisão
nos indica quão precisa a ferramenta é, ou seja, com que preci-
são atinge o alvo. É o grau ao qual um valor indicado se equi-
para ao valor real de uma variável medida.
Como vemos agora a diferença? Vamos ver a variação dos valo-
res das duas ferramentas. A variação, R, nos indica entre quais
valores recebemos nossos apertos e é calculada como a difere-
nça entre o valor mais alto e o valor mais baixo na variação.
R = xmax – xmin.
Variação, R
0.5 4
Com a ferramenta Atlas Copco, nossos valores de aperto

diferem em 0,5 Nm entre o valor mais alto e o mais baixo,
enquanto a outra ferramenta apresenta um desvio de 4 Nm.
Mas, se você realizar 1000 apertos com a ferramenta Atlas
Copco e obtiver um valor totalmente fora da variação, p.ex.
5, você obtém uma variação de 5,5 para a ferramenta Atlas
Copco. Então, a ferramenta Atlas Copco torna-se a ferramen-
ta ruim. Precisamos encontrar uma função para eliminar a
influência daquele aperto especifico.

O desvio-padrão é um índice estatístico de variabilidade que
descreve o desvio e nos indica a diferença média entre o
valor de uma variável específica e um valor desejado, geral-
mente um ponto determinado no processo. Vamos calcular o
desvio para cada valor recebido e somá-los.

Torque xi - Torque xi -
10 0 10 0
10.1 0.1 11 1
10.2 0.2 9 -1
9.7 -0.3 8 -2
10.0 0 12 2
10.2 0.2 10 0
10.1 0.1 9 -1
9.7 -0.3 12 2
9.8 -0.2 8 -2
10.2 0.2 11 1
=10
=0 =10 =0
O resultado é 0 para as duas ferramentas. O que causa um

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

σ xi - (xi - ) 2
σ xi - (xi - )2
10 0 0 10 0 0
10.1 0.1 0.01 11 1 1
10.2 0.2 0.04 9 -1 1
9.7 -0.3 0.09 8 -2 4
10.0 0 0 12 2 4
10.2 0.2 0.04 10 0 0
10.1 0.1 0.01 9 -1 1
9.7 -0.3 0.09 12 2 4
9.8 -0.2 0.04 8 -2 4
10.2 0.2 0.04 11 1 1
=10 (xi – )=0 (xi– )2= 0.036 =10 (xi – )=0 (xi– )2=2
Agora temos um valor com o qual comparar que é o Nm2.

Mas o que esse valor nos indica? Ele indica algo sobre des-
vio. Esse valor depende do número de apertos. O que faze-
mos é dividir esse valor pelo número de apertos –1 para obter
uma média. Temos que obter a raiz quadrada dessa soma para
ter o valor Nm de volta.

0.2 1.4
O que fizemos agora foi calcular o desvio-padrão da amostra.

O desvio-padrão é uma forma de medir com que precisão a
ferramenta opera, quão próximo estamos do valor esperado.
Agora podemos ver uma clara diferença. A ferramenta Atlas
Copco apresenta um desvio-padrão de 0,2 Nm do alvo; enqu-
anto a outra ferramenta apresenta um desvio-padrão de 1,4
Nm. Portanto, o que este exemplo nos indica é que embora as
duas ferramentas tenham o mesmo valor médio, a primeira
ferramenta é mais precisa. Os diferentes apertos estão mais
próximos do valor-alvo e o desvio-padrão é uma forma de
provarmos isso.
A2. Exemplo de cálculo de capabilidade
Sabemos que a capabilidade de uma ferramenta é a forma como
ela se comporta em uma aplicação específica. Então, o que faze-
mos quando calculamos os índices de capabilidade é relacionar
a precisão da ferramenta (valor médio e desvio-padrão) às
demandas da aplicação (valor-alvo e limites de tolerância).
Vamos presumir que temos uma aplicação com valor-alvo de
15 Nm e tolerâncias de +/– 8%. Isso significa que o limite
superior de tolerância é 16,2 Nm e o limite inferior é 13,8
Nm. Coletamos resultados de 20 apertos de uma ferramenta
na linha de produção:
15.4
15.6
15.4
15.1
15.1
15.5
15.0
15.3
15.2
15.1
15.5
15.3
15.4
15.3
15.3
15.1
15.2
15.4
15.1
15.2

Agora é fácil calcular o valor médio e o desvio-padrão:
n
Σ xi
x= i=1n
É fácil agora calcular os valores Cp e Cpk:
Cp = (AL – BAI) / 6σ = (16.2-13.8)/(6*0.165) = 2.42
Cpk = min [(AL - MED) / 3σ , (MED - BAI) / 3σ] =

min [(16.2-15.275)/3*0.165 , (15.275-13.8/3*0.165] =
min [1.87 , 2.98] = 1.87
Os valores Cp e Cpk são superiores a 1,33 e o processo é

capaz e não precisa necessariamente ser ajustado, embora a
média esteja ligeiramente fora do alvo.
A3. Exemplo de cálculo de gráfico de controle

Agora queremos criar um gráfico de controle com os mesmos
apertos do exemplo anterior. Vamos presumir que estamos
iniciando um processo de produção após ele ter sido inter-
rompido por algum tempo. Então nós realmente não sabemos
o valor médio ( e o desvio-padrão (. Para calcular os limites
de controle para o gráfico de controle, os cálculos devem ser
baseados em um número confiável de apertos. Um bom
método empírico é coletar pelo menos 20-25 subgrupos
antes de calcular os limites de controle para um gráfico de
controle. A razão é que pelo menos 20 subgrupos são neces-
sários para que possamos dizer se o processo está sob contro-
le ou não. Entretanto, neste exemplo, nós simplificamos e
coletamos apenas 4 subgrupos.

Vamos presumir que coletamos esses resultados em 4 ocasi-
ões diferentes. Determinamos o tamanho dos subgrupos em
5, portanto, coletamos 5 resultados em cada ocasião:
Dia 1 15.4
15.6
15.4
15.1
15.1
Dia 2 15.5
15.0
15.3
15.2
15.1
Dia 3 15.5
15.3
15.4
15.3
15.3
Dia 4 15.1
15.2
15.4
15.1
15.2

A primeira coisa que fazemos é calcular a média para cada
subgrupo:
= 15.32
= 15.22
= 15.36
= 15.2
Quando o processo de produção está sob controle, o valor-

alvo é o mesmo do valor médio geral. É fácil calcular a
média geral ( ) = 15,275. Já vimos anteriormente que os
limites de controle são baseados na variação natural entre os
valores médios dos subgrupos.
UCL = + 3s / √n = 15.275 + (3*0.165 / √5) = 15.275 + 0.22 = 15.5

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

média geral como linha central e marcamos também os limi- Torque
tes de controle no gráfico. Agora podemos traçar as médias

dos subgrupos no gráfico. Como podemos ver, eles estão
todos dentro dos limites de controle e a produção está sob
controle (embora os valores de aperto individuais estejam
fora dos limites). Lembre-se que os limites são baseados na
variação entre as médias dos subgrupos, não nos apertos
individuais.
Data
A partir de agora é fácil traçar uma nova média de subgrupo
Figura 21. O processo está
no gráfico a cada dia. Enquanto os valores traçados estiverem sob controle quando as
aleatoriamente dispersos em torno da linha central, o proces- médias do subgrupo estão
aleatoriamente dispersas
so está sob controle. em torno da média total.

A4. Análise de desempenho de ferramenta para
montagem - Cálculo ISO 5393
Para avaliar o desempenho de diferentes ferramentas e com-
parar uma ferramenta com outra, há uma norma internacional
(ISO 5393) que determina um procedimento de teste básico e
análise dos resultados. Baseados nessa norma, muitos fabri-
cantes de veículos motorizados desenvolveram suas próprias
normas de certificação.
Como exemplo, vamos presumir que testamos uma ferramen-
ta de acordo com o procedimento estabelecido na ISO 5393.
Na junta rígida com ferramenta no ajuste de torque mais alto,
os seguintes resultados são obtidos (em Nm).
31.5 33.2 32.6 33.7 31.4 32.5 33.1 31.2 33.5 32.6 33.1
31.0 32.3 33.2 32.4 31.5 33.5 33.3 31.5 32.6 31.3 33.7
33.0 31.8 33.0
Calculamos agora os valores requeridos para analisar a preci-

são do aperto da ferramenta, conforme descrito na ISO 5393,
para os dados da junta rígida no mais alto ajuste de torque.
Torque médio ( )
= (31.5 +33.2 + 32.6 + 33.7 + ....+ 33.0) / 25
= 32.5 Nm
Variação
= 33.7 - 31.0
= 2.7 Nm
Desvio-padrão (s)
= 0.863 Nm
Dispersão de torque (6s) sigma

6 x 0.863 = 5.18 Nm
Dispersão 6s como uma porcentagem do torque

médio
= (5.18 / 32.5) x 100
= 15.93 %

Agora vamos presumir que para a mesma ferramenta calcula-
mos os seguintes valores para os dados coletados com outros
ajustes de torque e condições de juntas descritas na ISO 5393.
Para um ajuste de torque mais alto na junta flexível
Uma média de 31,95 e um desvio-padrão de 0,795.
Para um ajuste de torque mais baixo na junta rígida
Para um ajuste de torque mais baixo na junta flexível
Podemos agora fazer os seguintes cálculos para o

ajuste de torque mais alto
a= Média da junta rígida +3S junta rígida
b= Média da junta flexível +3S junta flexível
c= Média da junta rígida – 3S junta rígida
d= Média da junta flexível – 3S junta flexível
a= 32.50 + (3 x 0.863) = 35.09

b= 31.95 + (3 x 0.795) = 34.34
c= 32.50 – (3 x 0.863) = 29.91
d= 31.95 – (3 x 0.795) = 29.56
Torque médio combinado

(35.09 + 29.56) / 2 = 32.33 Nm
Mean shift
32.5 – 31.95 = 0.55 Nm
Dispersão do torque combinada

35.09 – 29.56 = 5.53 Nm
Dispersão do torque combinada como % da média

combinada
(5.53 / 32.33) x 100 = 17.1 %
Ajuste de torque mais baixo

a= Média da junta rígida + 3s junta rígida
b= Média da junta flexível + 3s junta flexível
c= Média da junta rígida– 3s junta rígida
d= Média da junta flexível – 3s junta flexível
a= 23.72 + (3 x 0.892) = 26.40

b= 22.87 + (3 x 0.801) = 25.27
c= 23.72 – (3 x 0.892) = 21.04
d= 22.87 – (3 x 0.801) = 20.47

Torque médio combinado
(26.40 + 20.47) / 2 = 23.44 Nm
Meanshift
23.72 -22.875 = 0.85 Nm
Dispersão do torque combinada

26.40 – 20.47 = 5.93 Nm
Dispersão de torque combinada como % da média

combinada
(5.93 / 23.44) x 100 = 25.3 %
A capabilidade da ferramenta é 25,3 %

uma vez que a maior dispersão do torque foi com o ajuste de
torque mais baixo.
Esta ferramenta em particular irá apertar 99,7 % de todas as

juntas práticas até ± 13 % de seu valor de torque pré-ajusta-
do (ou seja, 99,7% dos resultados recairão dentro de ± 3s da
média).

Guias de bolso Atlas Copco
Título Código
Distribuição da linha de ar 9833 1266 01
Motores pneumáticos 9833 9067 01
Furação com máquinas portáteis 9833 8554 01
Esmerilhamento 9833 8641 01
Ferramentas percussivas 9833 1003 01
Ferramentas de impulso 9833 1225 01
Técnica de rebitagem 9833 1124 01
Parafusamento 9833 1007 01
Técnica de análise estatística 9833 8637 01
A arte da ergonomia 9833 8587 01
Técnica de aperto 9833 8648 01
Vibrações em esmerilhadeiras 9833 9017 01

www.atlascopco.com
9833 8637 XX Recyclable paper. Jetlag 2003:1. Printed in Sweden

Analisesestatisticas PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Analisesestatisticas PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Guia de bolso de técnicas

Guia de bolso - Estatística 3

O propósito deste guia é explicar os fundamentos básicos da

4 Guia de bolso - Estatística

Variações sistemáticas são esporádicas e isoladas. Elas não

Tem sido dada grande importância ao uso de técnicas de aná-

Guia de bolso - Estatística 5

Uma distribuição normal é sempre simétrica e determinada

2.4 Valor médio

6 Guia de bolso - Estatística

Se você tem 20 valores de uma população, você pode agru-

“área” dentro da qual você obterá o próximo aperto. Existe

É uma característica importante da distribuição normal que o

Guia de bolso - Estatística 7

Para tornar as coisas mais claras, presumimos que enquanto

8 Guia de bolso - Estatística

Dizemos que o valor médio da distribuição é a média da

Σx – a soma de todos os apertos, dividida pelo número total

n é o número total de ocorrências na população

Tomamos o valor de cada ocorrência individual menos m, a

Guia de bolso - Estatística 9

Entretanto, na prática, é muito raro que possamos medir cada

Média e desvio-padrão da amostra

Σ xi é a soma dos valores de todas as

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

Portanto, a média da amostra ( ) é uma estimativa da média

10 Guia de bolso - Estatística

Em uma aplicação de apertos há freqüentemente requisitos

Uma vez que temos a dispersão combinada, podemos rela-

Guia de bolso - Estatística 11

Precisão = 100 * 0.5 Desvio/Med

Junta rígida: Med = 61 Nm e σ = 1.2 Nm

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

É difícil fazer uma estimativa da precisão de ferramentas

12 Guia de bolso - Estatística

Figura 10. Um processo é um con-

Guia de bolso - Estatística 13

Abordamos anteriormente neste guia a estatística e a precisão.

Existem muitos índices diferentes de capabilidade, alguns

Como mostrado anteriormente, sabemos que uma distribu-

Cp = Intervalo de tolerância = ALTO – BAIXO

14 Guia de bolso - Estatística

Figura 13. Cp alto não garante que estamos próximos do valor-alvo.

Primeiro relacionamos a diferença entre o limite superior de

a média e o limite inferior de tolerância a 3σ. Temos agora BAI

Apresentamos agora o Cp e o Cpk. Estudando as fórmulas é fácil

5.3 Quando um processo é capaz ?

É muito importante que você entenda porque usamos Cp e

16 Guia de bolso - Estatística

O primeiro alvo para dardos mostra um processo inadequada- Figura 16.

mas se o “valor médio” estiver no alvo, o Cpk tem o mesmo

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

Guia de bolso - Estatística 17

Portanto, lembre-se, Cp e Cpk determinam se o processo é

5.5 O que mais deve ser considerado?

E lembre-se, se alguém disser algo como “Eu tenho uma fer-

18 Guia de bolso - Estatística

Guia de bolso - Estatística 19

Sabemos que as aplicações de aperto podem ser descritas

20 Guia de bolso - Estatística

UCL = µ + 3σ/√n Estimado por

Mas que tamanho o subgrupo deve ter? Se você analisar a

Figura 19. O uso de um tamanho de subgrupo 5 é muito comum na indústria.

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