Você está na página 1de 24

Pós-Graduação/Especialização –

Engenharia da Qualidade

SPC
Controlo Estatístico Processo

Miguel Araújo

AGENDA

• Apresentações

• Avaliação

• Plano de sessões

• Expectativas

1
Planeamento sessões

• Introdução e conceitos de Estatística


• Identificação de variáveis críticas
• Introdução ao SPC e Cartas Controlo
• Cartas de Controlo de Variáveis e de Atributos
• Capacidade processos
• Implementação do SPC
• Trabalhos de grupo

Avaliação
• Trabalho Grupo – 80%
• Participação – 20%

• Nas próximas sessões sugirir temas para os


trabalhos
• Trabalho individual: se fizer trabalho grupo
também, conta 60/20/20

2
Temas a abordar

• Inferência Estatística
• Planos de Amostragem
– ISO 2859 – procedimentos de amostragem para
inspeção por atributos
– Exemplos

Exercício de aquecimento

• Transforme o número romano 9 num


6, com uma linha

3
Inferência Estatística

• O que vamos abordar


– Distribuição de frequências
– Distribuição Normal

• Analisar dados de uma amostra para inferir


propriedades da população de onde a
amostra foi retirada
– Útil quando os dados da população não estão
disponíveis ou sua obtenção não é praticável.

Inferir – Concluir, Deduzir 8

População e Amostra
• Num estudo estatístico, “população” refere-se a
todos os itens em discussão, análise
– Peças enviadas ao cliente A na passada 4ª-feira
• Tipicamente, não é exequível medir uma
determinada característica em todos os itens da
população.
• Um estudo estatístico irá aleatoriamente escolher
uma amostra a partir da população, medir cada
item da amostra e analisar os dados obtidos.
• Exemplos de estatísticas amostrais:
– Média amostral, mediana amostral, desvio padrão da
amostra, etc.

4
Amostra

• A estatística amostral é usada para estimar os


parâmetros da população correspondente.

Símbolos comuns utilizados


População Amostra
Tamanho amostra N n
Média m X
Desvio padrão s s

10

10

Distribuição de Frequência
Distribuição de Frequência
Idade Frequência

4 3 Histograma
5 1 5
6 3

7 4 4
8 4

9 4
3
10 4

11 3
2

12 4
1
13 4

14 2
0
15 1
4 5 6 7 8 9 10 11 12 13 14 15

11

11

5
Histograma

• Estes diagramas revelam informação acerca da


amostra que não era óbvia com os dados brutos
– A dispersão da amostra
– A forma da amostra
– O centro aproximado da amostra

• Dispersão, forma e centro – estes 3 atributos são


importantes para compreender os dados e o
processo que os gerou

12

12

Padrões típicos de variação


Normal ou forma de sino
Normal – Forma simétrica com um pico no meio da série
de dados
– Desvios nesta forma indicam a presença de
problemas ou influências externas
– Desvios da forma “normal” devem ser
investigados.

Pico duplo Pico duplo

– Existência de um “vale” no meio da série de


dados com dois picos de cada lado
– É normalmente utilizado para combinar duas
formas “normal” e sugerir dois processos distintos
( máquinas diferentes, dois turnos).

13

13

6
Padrões típicos de variação
Planalto
Planalto
• Topo quase plano sem nenhum pico distinto
• Provavelmente representa o resultado de várias
distribuições “normais” com centros bem
divididos.
• A implementação de procedimentos de
operações reduzem este tipo de variação.
Alternado
Alternado

• Valores altos e baixos surgem alternadamente.


• Este padrão indica erros de medição, ou de
construção dos histograma e de
arredondamento dos dados.

14

14

Padrões típicos de variação


Inclinado
Inclinado
– Tem uma forma assimétrica, cujo o pico é fora
do centro da série de dados.
– Ocorre quando o limite de especificação existe
apenas num dos lados (valores máximo e
mínimos) e é demasiado próximo.

Truncado Truncado

– Tem uma forma assimétrica, na qual o pico


está perto de uma das extremidades da série de
dados e a distribuição termina abruptamente
num dos lados e suavemente no outro.
– Acontece normalmente quando parte da forma
“normal” é retirada devida a inspecções a 100%
ou revisões do processo 15

15

7
Padrões típicos de variação
Picos Isolados
Picos Isolados
– Existência de um pequeno grupo de dados
separado e um grupo com grande distribuição.
– Sugere que dois processos diferentes foram
misturados. Contudo, o tamanho pequeno do
segundo pico, indica algo que não acontece
frequentemente

Pico numa das


extremidades Pico numa das extremidades

– Surge um grande pico em relação aos


restantes numa das extremidades
– Este forma indica normalmente, que os dados
foram registados de forma incorrecta.

16

16

Distribuição Normal

• Um dos mais importantes exemplos de uma


distribuição contínua de probabilidade – a
distribuição ou curva normal (ou curva de
Gauss) 2 2
1 -1/2(X-m) /s
Y= e
s√2p

Onde m = média
s = desvio padrão
p = 3,14159… e= 2,71828

17

17

8
Forma reduzida

• A área total limitada pela curva e pelo eixo dos XX


é igual a 1
• Quando a variável X é expressa em termos de
unidade reduzida, z=(X-m)/s, a equação anterior é
substituída pela forma reduzida
2
1 -1/2 z
• Y= e
√2p

• Dizemos então que z é normalmente distribuído,


com média zero e variância 1.

18

18

Gráfico
• Gráfico da curva normal reduzida (figura)
• Estão indicadas as áreas incluídas entre
Z= -1 e +1 Z = -2 e +2 Z= -3 e +3
Iguais a 68,27%, 95,45% e 99,73% da área total que é
unitária.

-3 -2 -1 1 2 3
68,27%
95,45%
99,73%
19

19

9
Distribuição Normal
É a distribuição de valores que representa uma maior
concentração em torno de um valor médio,
representado por uma curva contínua, denominada
como curva do sino ou curva de Gauss.

20

20

Variação

21

21

10
Parâmetros População vs Estatística da
amostra

X = Média da amostra m= média da


população
S = Desvio padrão da
amostra s = desvio padrão da
população

22

22

Medidas da tendência central


• Média
– Média aritmética de um conjunto de valores
– Influenciada por valores extremos
• Mediana
– É o valor do meio
– Não inclui todos os valores no seu cálculo
– É robusta a valores extremos
• Moda
– É o valor mais comum (pico da distribuição)

Média e Mediana são afectadas pelo tipo de distribuição dos dados

23

23

11
Medidas de Variação
• Amplitude
– Diferença entre os valores extremos (Maior-
Menor)
• Variância
– É o desvio quadrático médio de cada ponto em
relação à média
• Desvio Padrão
– É a raiz quadrada da variância
– A mais comum e útil

24

24

Porque estudamos se é normal?


• A forma de distribuição é estudada para verificar se a
variação do processo é simétrica e unimodal e que
segue uma distribuição normal.
• Infelizmente normalidade não garante que não há
causas especiais a atuar no processo.
• Como a distribuição normal é descrita pela sua
localização (média) e dispersão (desvio padrão) do
processo, esta questão coloca-se: a localização e/ou a
dispersão do processo mudou?
• A análise da distribuição normal vai ajudar a identificar
alterações no processo….

25

25

12
Teorema do Limite Central
À medida que o tamanho da amostra se torna suficientemente grande…

A distribuição da amostra
torna-se quase Normal,
sem ter em conta a
distribuição da população

X
X
26

26

Controlo da Qualidade 

- Estabelecer padrões de qualidade

- Verificar se produtos e serviços estão conforme o


padrão;

- Onde verificar?

- Verificar cada produto ou amostra?

- Como verificar?

27

27

13
Onde verificar?
Identificar pontos de controle críticos.
Início do processo (recebimento matéria prima);
Durante o processo
antes de uma série de processos (verificação difícil);
depois do processo com alta taxa de falhas;
antes de processo que possa esconder defeitos;
antes de um “ponto sem retorno”;
antes de uma mudança de responsabilidade funcional.
Depois do processo

28

28

Controlar tudo?
Verificar cada produto e serviço ou usar uma amostra*?
Perigo na verificação da amostra total;
- Verificação total pode destruir a amostra ou interferir
no serviço;
- Consumo excessivo de tempo para verificação total.

*Amostra (n) é o conjunto de elementos extraídos de uma população


aleatoriamente. Ex: um conjunto de parafusos retirados de uma caixa.
** Amostragem é o número de amostras consideradas para um estudo. Ex:
5 grupos de 30 elementos cada
Amostragem=5 x 30 (n) = 150

29

29

14
Tipos de Controlo???
Controle Robusto?

Dispositivo à Prova Controle Estatístico


de Erro de Processo Inspeção 100%
Poka Yoke / Cartas de Controle e Análise
Mistake Proofing de Capacidade

Preferencial Recomendável Contenção (85% eficaz)

30

Amostragem Estatística

• É uma metodologia internacionalmente aceite


para determinar em que medida um lote de
produção está substancialmente de acordo com
os requisitos do produto sem ter de inspecionar
todos os itens do lote.
• Este método garante o melhor resultado possível
ao mais baixo custo.
• Esta abordagem é usada na inspeção de matérias-
primas antes de produzir, componentes, durante o
processo produtivo, produtos e cargas para envio.

31

31

15
ISO 2859
• É um plano de amostragem aleatório que
indica:

– O número de unidades de produto de cada lote


ou carga para ser inspecionado (tamanho da
amostra ou séries de tamanhos de amostra)

– E o critério para determinar a aceitação


(aceitabilidade) do lote ou carga (números de
aceitação ou rejeição) que é composta por:
• Letra código do tamanho da amostra (Sample Size Code Letter)
• AQL – Acceptable Quality Level – nível aceitável de qualidade

32

32

AQL – Acceptable Quality Level

• É a percentagem máxima de defeituosos permitida

• O valor designado de defeitos, expresso como uma


percentagem, de um particular procedimento de
amostragem e nível utilizado

• Vai identificar o que o comprador irá normalmente


aceitar na maioria dos casos

33

33

16
Classificação de defeitos

• Defeitos detectados durante a inspecção


visual são classificados em 3 categorias
• Críticos, Maiores e Menores

CRITICOS MAIORES MENORES


Um defeito que
Um defeito que falha Um defeito que não
provavelmente irá
no cumprimento de deverá reduzir a
resultar na falha do
regras mandatórias utilização do produto,
produto, na redução da
e/ou afecta a mas pode reduzir a
sua utilização, e
segurança do estabilidade, ou é uma
problemas de aparência
consumidor na variação dos requisitos
óbvios que afectam a
utilização do produto de qualidade definidos
estabilidade do produto

34

34

Planos padrão de inspecção

• Em vez de decidir qual o plano de


inspecção podemos recorrer a planos pré-
existentes
– ANSI/ASQC Z.14
– MIL-STD-105D
– ISO 2859
– Dodge-Roming

35

35

17
Tabela – Sample Size Code Letters

36

36

Níveis de inspecção

• Níveis gerais de inspecção I, II, e III


– Dão o mesmo nível de protecção ao fabricante (AQL)
– Dão diferentes níveis de protecção ao consumidor (LQL)
– Geralmente o nível II é utilizado
– O Nível I é menos discriminativo e requer metade da
inspecção
– O Nível III é o mais discriminativo e requer o dobro da
inspecção
• Níveis especiais de inspecção (S-1 a S-4)
– Quando são necessárias amostras pequenas
– Riscos de amostragem elevados são tolerados

37

37

18
Tipos de inspecção

• Normal
– Utiliza-se no início da inspecção (salvo indicação
em contrário)
– Mantém-se enquanto a qualidade é AQL ou
melhor
• Apertada
– Utilizada quando a qualidade piora
• Reduzida
– Quando o histórico de qualidade do fornecedor
é excelente

38

38

AQL

39

39

19
Defeitos criticos/maiores/menores normalmente
usamos 0 / 2,5 / 4

40

40

Lote de 4000 peças

41

41

20
this means that there are 95%
chances to have less than 5%
42

42

Inspeção da qualidade

• CONCEITOS BÁSICOS
– Nivel de Qualidade Aceitável NQA
– Fração defeituosa tolerável FDT
– Risco do produtor α
– Risco do consumidor β
– Número de aceitação a
– Número de rejeição r = a+1
– Tamanho da amostra n

43

43

21
Vantagens dos planos de amostragem
(em relação à amostragem a 100%)
• A amostragem a 100% não é exequível se o método
de inspecção for destrutivo
• A amostragem é mais barata e causa menos estragos
por manuseamento
– Se o custo ou tempo de inspecção for longo, a falta
de recursos pode tornar a amostragem preferível
• A amostragem reduz os erros de inspecção
– A inspecção a 100% pode conduzir a cansaço
– Falhas na detecção de não conformes
• Pode motivar a melhoria da qualidade
– Dado que os lotes ou são aceites ou rejeitados na
sua totalidade

44

44

Desvantagens dos planos de


amostragem (em relação à amostragem a 100%)
• Existem riscos
– Rejeitar um bom lote – Risco do produtor
– Aceitar um mau lote – Risco do consumidor

• Menos informação sobre o produto que na


inspecção a 100%

• A implementação de um plano de
amostragem exige um maior tempo e esforço
de planeamento e documentação

48

48

22
Risco do Produtor
• Risco associado a se rejeitar (não aceitar) um lote de “boa”
qualidade.
– É desejável que a frequência de aceitação de lotes com este
nível de qualidade seja elevada
– Define-se um valor para este “bom” nível de qualidade (AQL)

• Nível aceitável de Qualidade


– Acceptable Quality Level (AQL)
– Valor numérico da qualidade associado ao risco do produtor
– A percentagem ou proporção máxima de itens não conformes
ou não conformidades num lote/batch que possa ser
considerada satisfatória como média do processo.
– O valor de AQL indica uma média para o processo que, no caso
de se manter estável, resultará na aceitação da grande maioria
dos lotes.

49

49

Risco do consumidor

• É o risco de aceitar um “mau” lote


– É pouco desejável aceitar lotes de qualidade tão “má”
– É definido um valor numérico para este “mau/” nível de
qualidade (LQL)

• Nível Limite de Qualidade


– Limiting quality level (LQL)
– Valor numérico associado ao risco do consumidor
– A percentagem ou proporção de itens não conformes ou
não conformidades num lote/batch para o qual o
consumidor deseja que a probabilidade de aceitação
seja igual a um dado (baixo) valor numérico
– RQL (rejectable), UQL (unacceptable), LQL (limiting)

50

50

23
53

53

Histórico das cartas de controlo e SPC


• 1924, Dr. Walter Shewhart : Gráficos de Controlo
• Após 1944, EUA/Europa e Japão (mass production)

• Método:
– Eficiente: aplicação da matemática e estatística
– Seguro: Aplicado no dia-a-dia
– Rápido: pequenas amostras

• Discussões:
– Correção VS Prevenção
– Custos da Produção (qualidade / produtividade /
competitividade)

63

24