Escolar Documentos
Profissional Documentos
Cultura Documentos
ÍNDICE
ÍNDICE........................................................................................................................ 2
1. TIPOS DE VARIÁVEIS ..................................................................................... 3
2. PROCESSOS COM VARIÁVEIS CONTÍNUAS NORMAIS.............................. 3
2.1. Caso-estudo...................................................................................................................................... 3
2.2. Processo apenas com causas comuns de variação ........................................................... 4
2.3. Processo com causas comuns e especiais de variação .................................................... 5
2.4. Caracterização dos processos ................................................................................................... 6
2.5. Análise de causas comuns e especiais e variação.............................................................. 7
2.5. Análise da variação de curto e longo prazo ......................................................................... 8
2.6. PPM (partes por milhão) ............................................................................................................ 8
3. PROCESSOS CARACTERIZADOS POR ATRIBUTOS .................................. 9
3.1. Especificação ................................................................................................................................... 9
3.2. Fracção de defeituosos ................................................................................................................ 9
3.3. Melhorar a estimativa de π ..................................................................................................... 10
3.4. Previsão de resultados das amostragens .......................................................................... 11
3.5. Métricas para atributos ............................................................................................................ 13
3.3.1 Amostras de uma só observação (n=1) ............................................................................ 13
3.3.2 Amostras de tamanho igual, n>1 ....................................................................................... 15
3.6. Amostras de tamanho diferente ........................................................................................... 16
3.7. Conclusão sobre processos e atributos .............................................................................. 17
4. PROCESSOS CARACTERIZADOS POR DEFEITOS ................................... 18
4.1. Caracterizar o processo ............................................................................................................ 18
4.2. Especificação ................................................................................................................................ 18
4.3. Terminologia, caso-estudo e procedimento ..................................................................... 18
4.4. Distribuição de Poisson em processos 6σ ......................................................................... 21
4.5. Função SS.Defeitos ...................................................................................................................... 22
4.6. Conclusão sobre processos e contagens ............................................................................ 23
5. CONCLUSÃO GERAL ................................................................................... 23
6. BIBLIOGRAFIA .............................................................................................. 23
6.1. Essencial ......................................................................................................................................... 23
6.2. Recomendada ............................................................................................................................... 23
7. ANEXOS ......................................................................................................... 24
7.1. Função SS.Cp ................................................................................................................................. 24
7.2. Função SS.Defeituosos ............................................................................................................... 26
7.3. Função SS.Defeitos ...................................................................................................................... 28
7.4. Bases de dados............................................................................................................................. 30
1. TIPOS DE VARIÁVEIS
Os processos podem ser caracterizados por variáveis (KPI) de três tipos essenciais, que
correspondem a três mundos de dados de natureza muito diferente:
Cada um destes tipos de dados tem o seu tratamento específico, sendo importante
perceber como podem ser estudados, como surgem na prática, que aspectos gráficos são mais
relevantes e quais as estimativas que podem ser feitas para caracterizar os processos.
2.1. CASO-ESTUDO
Numa empresa, um processo consiste em encher garrafas de água no valor nominal de 50 ml.
A lei (Portaria 1198/91) estipula que, para essa situação, o erro admissível por defeito é de
9% do valor nominal. Coloca-se a questão de saber se o processo da empresa consegue
cumprir com as disposições legais.
Admitindo que o processo se desenrola de acordo com as leis de uma distribuição normal,
espera-se que as garrafas tenham conteúdos próximos de 50 ml, embora se admita alguma
variação em torno desse valor. A Portaria admite uma variação de 9%.
Para verificar como o processo estava a trabalhar, simulou-se a recolha de 100 garrafas ao
longo do tempo (1 garrafa a cada 30 minutos), e a medição dos seus conteúdos, tendo-se obtido
os resultados que se mostram na Figura 1. A variável «conteúdos das garrafas» é o KPI de
interesse, que será denominado KPI X. Esta simulação pretende demonstrar um processo a
decorrer apenas com causas comuns de variação.
Numa segunda simulação, para simular causas especiais de variação, criou-se o KPI Y a partir
dos valores do KPI X, do seguinte modo: mantendo os primeiros 33 valores do KPI X,
adicionando 2 aos valores de X entre o 34º e o 66º valores, e subtraindo 3 aos valores de X
entre o 67º e o 100º. Os valores do KPI Y assim criados mostram-se na Figura 2.
Figura 1
Voz do processo (VOP): Resultados da simulação do KPI X (em cima à esquerda) e saída do R com testes à
normalidade (em baixo, a azul). Em cima, à direita, histograma do KPI X, mostrando o que se espera de um
processo que siga uma distribuição normal. Em baixo, à direita, linha temporal do KPI X, mostrando um
processo estabilizado, só com causas comuns de variação.
Para além das causas comuns de variação, podem existir causas especiais que afectem
a dispersão natural do processo. Entre estas causas especiais podem citar-se mudanças de turno,
quebras na tensão eléctrica, más práticas de controlo, descalibrações de máquinas, etc. Os dados
simulados, relativos ao KPI Y, mostram-se na Figura 2.
Os testes à normalidade mostram que o p.value agora se aproxima de 0.05, logo próximo
da zona de rejeição da hipótese de normalidade. O histograma do KPI Y é mais irregular,
afastando-se do esperado se a distribuição dos dados fosse normal, em consonância com os
testes à normalidade. O diagrama temporal mostra que ao longo do tempo se observam
variações não normais, com os valores subitamente a aumentarem na zona central do gráfico e
a diminuírem muito na zona direita (tal como esperado após a simulação efectuada).
Figura 2
Voz do processo (VOP): Resultados do KPI X (em cima à esquerda) e saída do R com testes à normalidade (em
baixo, a azul). Em cima, à direita, histograma do KPI Y, com forma que se afasta do esperado se a distribuição
fosse normal. Em baixo, à direita, linha temporal do KPI Y, mostrando um processo não estabilizado, devido à
existência de causas comuns e de pelo menos duas causas especiais de variação.
Para caracterizar os processos abordados nas secções 2.2 e 2.3, as métricas essenciais
são a média, que dá a localizações do processo, e o desvio padrão, que dá a sua variabilidade.
Decorre do estudo da capacidade dos processos que a amplitude e os limites de variação são
também importantes.
No entanto, existem duas formas de cálculo do desvio padrão:
a) uma, que usa todos os valores existentes, como se se tratasse de uma amostra única, e que
origina o desvio padrão global;
b) outra, que se baseia nos desvios padrão de amostras, ou nas amplitudes entre observações, e
que origina o desvio padrão comum.
Note-se que se referiu o cálculo do desvio padrão global (que pode indicar-se por σglobal,
ou DPglobal), por se usaram todos os 100 valores para o seu cálculo, como se de uma amostra
única se tratasse:
Estes resultados mostram que o processo com causas especiais de variação tem um
desvio padrão global maior que o processo sem causas especiais de variação. Tal resultado é de
esperar, porque a variação é sempre maior quando o processo não está estabilizado: no processo
estabilizado os resultados variaram entre 45.32 e 54.75, ao passo que no processo não
estabilizado variaram entre 42.55 e 56.80, o que fez com que a amplitude quase duplicasse de
um caso (KPI X) para o outro (KPI Y).
Como nos exemplos seguidos os dados se assumem como tendo sido recolhidos ao
longo do tempo, em amostras de uma só observação (analisando 1 só garrafa em cada
momento), uma forma alternativa de calcular o desvio padrão do processo, denominado desvio
padrão comum, identificado por σcomum, ou DPcomum, consiste em:
a) calcular as amplitudes móveis. i.e., as diferenças absolutas entre cada dois valores contíguos;
b) calcular a amplitude móvel média (𝑅̅ ), i.e., a média das 99 amplitudes móveis;
c) calcular o desvio padrão do processo como σcomum = 𝑅̅ /1.128.
No caso do processo estabilizado (sem causas especiais de variação, KPI X), o resultado
é 𝑅̅ = 1.806 e o desvio padrão é σcomum = 1.601:
No caso do processo não estabilizado (com causas especiais de variação, KPI Y), o
̅ = 1.823 e o desvio padrão é estimado como σcomum = 1.616:
resultado é R
r <- c() # variável com amplitudes móveis
for (i in 2:100) r <- c(r,abs(y[i]-y[i-1])) # cálculo das amplitudes móveis
Rmedia <- mean(r); Rmedia # média das amplitudes móveis
[1] 1.823131
DPcomum <- Rmedia/1.128; DPcomum # desvio padrão comum
[1] 1.616251
Pode então observar-se que em contraste com os desvios padrão globais, que eram
bastante diferentes nos dois casos, os desvios padrão comuns são muito semelhantes, sendo
σcomum ≈ 1.6.
É importante notar-se que o desvio padrão global é sempre calculado a partir de todos
os dados disponíveis, ao passo que o desvio padrão comum, de acordo com os dados existentes,
pode ser calculado a partir de (recomendações):
a) amplitudes móveis entre um mínimo de N = 100 amostras de n = 1 só observação;
b) variâncias de um mínimo de N = 20 amostras de n = 5 unidades cada, recolhidas ao longo
do tempo;
c) somas de quadrados de desvios de N amostras de tamanhos ni diferentes, mas sempre com
um total de dados no mínimo igual a 100.
Quando se começa a trabalhar com processos, os desvios padrão σcomum e σglobal devem
ser usados para verificar a eventual existência de problemas e para a verificação da sua
correcção:
a) O desvio padrão comum, σcomum, é uma boa estimativa do que o processo consegue fazer se
não houver perturbações, i.e., se o processo estiver estabilizado, sem causas especiais de
variação. Isto deve-se ao facto de que as medidas do desvio padrão comum são obtidas
através da análise de pequenas partes do processo, não reflectindo, por isso, problemas que
se verifiquem ao longo do tempo.
b) O desvio padrão global, σglobal, é uma boa estimativa da performance do processo ao longo
do tempo, reflectindo não só as causas comuns de variação, como também as causas
especiais. Isto deve-se ao facto de que ao usar todos os valores disponíveis para o cálculo do
desvio padrão, necessariamente o cálculo vai incluir todas as variações observadas.
c) Se não houver causas especiais de variação, as estimativas do desvio padrão do processo,
feitas a partir de σcomum e de σglobal serão iguais, pelo que se pode usar este facto como
evidência de que o processo está estabilizado;
d) Se as estimativas do desvio padrão do processo, feitas a partir de σcomum e de σglobal, forem
diferentes, tal significa que há causas especiais de variação, sendo necessário encontrá-las e
eliminá-las, para estabilizar o processo.
Os defeituosos produzidos num processo com variáveis contínuas normais só podem ser
calculados face a uma especificação. Por exemplo, suponha-se que um processo de enchimento
das garrafas decorre com média µ = 49.5 ml e desvio padrão σ = 1.5. A lei considera defeituosas
garrafas com menos do que VN-EA = 50-4.5 = 45.5 ml. É então necessário calcular a fracção
defeituosa que se estima produzir, o que é feito de duas formas: a primeira forma consiste em
calcular o LIE em termos do seu valor Z e usar as tabelas da distribuição normal, obtendo a
fracção defeituosa, que deverá ser depois multiplicada por 1000000 (ou usando tabelas seis-
sigmas, ver anexo); a segunda forma consiste em calcular directamente essa métrica usando
software estatístico. No exemplo considerado:
Z <- (45.5-49.5)/1.5; z # valor de Z para usar com tabelas
[1] -2.666667
PPM <- 1000000 * pnorm(q=Z,0,1); PPM # utilização do valor Z com software
[1] 3830.381
PPM <- 1000000 * pnorm(45.5,49.5,1.5); PPM # cálculo directo com software
[1] 3830.381
Muitos KPI não se referem a variáveis contínuas, como no caso visto atrás (secção 2),
mas a atributos. Em terminologia 6-sigma, quando se fala em atributos, refere-se o mundo no
qual as unidades da produção são classificadas como “defeituosas/conformes”, ou como “1/0”,
simplesmente. Os processos caracterizam-se pela fracção de unidades defeituosas produzidas,
que se designa por π.
3.1. ESPECIFICAÇÃO
Figura 3
Resultados de N=3 amostras de n=120 unidades cada, num processo de enchimento de garrafas de água mineral.
À esquerda os resultados obtidos por amostra, sendo 1 = defeituosa e 0 = conforme. À direita, dispersão ao longo
do tempo.
O exemplo da secção 3.2 mostra que são necessárias amostras muito grandes para
estimar a fracção defeituosa de um processo com um grau de precisão grande. O tamanho de
amostra necessário para se determinar π com uma determinada precisão estipulada a priori,
pode calcular-se do modo seguinte:
𝑧2
𝑛 = 𝜋(1 − 𝜋) [3]
𝛿2
Com estas recomendações, para se ter 95% de certeza que a estimativa da fracção de
defeituosos do processo não erra por mais de 0.5%, o tamanho de amostra a usar será:
1.962
𝑛 = 0.03 × 0.97 × ≈ 5550
0.0052
π
δ 0.005 0.01 0.05 0.25 0.5
0.005 764 1521 7299 28812 38416
0.01 191 380 1825 7203 9604
0.05 8 15 73 288 384
Nesta tabela verifica-se que em certas situações indicadas com células em fundo branco,
quando π é muito pequeno e δ grande, amostras pequenas podem ser suficientes para proceder
a certas estimativas da fracção de defeituosos. No entanto, porque à medida que o valor de π
decresce a distribuição binomial fica progressivamente mais assimétrica, a partir de certo ponto
não se pode usar a aproximação da distribuição normal à binomial. Esse ponto atinge-se quando
nπ<10 ou n(1-π)<10. Assim, na tabela que se segue, para as situações em que nπ<10, o tamanho
da amostra foi calculado como o mínimo n para o qual nπ=10:
π
δ 0,005 0,01 0,05 0,25 0,5
0,005 2000 1521 7299 28812 38416
0,01 2000 1000 1825 7203 9604
0,05 2000 1000 200 288 384
Verifica-se que quanto menos defeituosos houver no processo, e quanto menor for a
precisão necessária, menores serão os tamanhos das amostras necessários para estimar a fracção
real de defeituosos no processo. Mas também será verdade que o tamanho das amostras a usar
tem sempre de ser muito elevado.
Por exemplo, para estimar com ±0.5% de precisão a percentagem de defeituosos de um
processo que se supõe que não produza mais do que 1% de defeituosos, é necessária uma
amostra de n = 1521 unidades!
Nestes exemplos mostra-se que quanto pior for o processo, i.e., maior o π (andando para
a direita na tabela), maiores têm de ser os tamanhos das amostras a usar para estimar o valor
real de π. Se se pretender que essa estimativa tenha um erro pequeno (subindo na tabela)
aumentam os tamanhos das amostras. Estes exemplos mostram também que para estimar π com
um erro aceitável são sempre necessárias amostras muito grandes.
𝜇 = 𝑛𝜋 𝜎 = √𝑛𝜋(1 − 𝜋) [4]
𝜋(1 − 𝜋)
𝜇=𝜋 𝜎=√ [5]
𝑛
A equação [5] torna claro que a incerteza na previsão dos resultados das amostras, dada
por σ, é tanto menor quanto maior for n (divisor para o cálculo do desvio padrão).
Resumindo: é muito importante notar que nas populações caracterizadas por atributos,
o parâmetro que se calcula na prática é π (a fracção de defeituosos típica do processo). O modelo
para os resultados das amostragens, baseado na distribuição binomial, é calculado em função
de π (se for conhecido através da experiência da organização) ou através da uma estimativa
p=x/n (se não houver conhecimento prévio do processo).
Para calcular o número de defeituosos (x) que podem surgir em amostras (de tamanho
n) quando os processos estão estabilizados, faz-se:
X <- dbinom(x=c(0:10),size=10,prob=0.03)
barplot(X,names.arg=c(0:10),col=2,xlab="
x (nº unidades defeituosas na amostra",
+ ylab="probabilidade",main="caso teórico
para Pi=0.03 e n=10")
abline(h=0)
round(X,3)
0.737 0.228 0.032 0.003 0.000 0.000 0.000
0.000 0.000 0.000 0.000
Figura 4
Caso teórico para uma amostragem de n=10 unidades retiradas de um processo com π=0.03. A azul, à direita,
mostram-se as probabilidades de encontrar 0, 1, …, 10 defeituosos na amostra, sendo essas probabilidades
correspondentes à altura das colunas do gráfico à esquerda.
O que acaba de se expor mostra que a distribuição binomial pode ser usada para
comparar os resultados práticos com os dados teóricos e testar se existem razões para suspeitar
de desvios na fracção defeituosa típica de um processo. Mas, atendendo ao exposto na secção
3.2, para que os testes sejam fiáveis, as amostras a utilizar terão de ser muito grandes, de tal
modo grandes que muitas vezes inviabilizam qualquer prática de rotina fiável.
Considere-se o exemplo:
Garrafas de água são classificadas como “defeituosas” ou “1” se os rótulos estiverem mal
colados e como “conformes” ou “0” no caso contrário. Recolheu-se uma garrafa para análise
a cada 15 minutos. Ao fim de 60 horas (uma semana de trabalho) obtiveram-se os resultados
que se mostram na figura 5.
Para avaliar um processo, embora tal não seja recomendável, pode recolher-se uma só
unidade (amostra com n=1) em determinados períodos de tempo, num total de N amostras (neste
exemplo, N=240). Cada unidade deve então ser classificada como “defeituosa” atribuindo-lhe
o valor “1”, ou como “conforme” atribuindo-lhe o valor “0”. Assim, como resultado desse
trabalho, obtém-se uma sequência de n “zeros” e “uns” (ver Figura 5 ou o ficheiro defeituosos-
igual1.txt).
Uma vez que as amostras têm tamanho n=1, todos os dados recolhidos são considerados
uma amostra única de tamanho 240 e podem usar-se as equações [3] a [6].
A Figura 5, que apresenta o que se espera de um processo estabilizado, mostra que se
registaram 234 “zeros” e 6 “uns”, pelo que o número de defeituosos foi x=6. O valor p=x/n,
indica a fracção de defeituosos no total dados observados, sendo por isso a melhor estimativa
da fracção de defeituosos na produção (π). No exemplo, como x=6 defeituosos em N=240
unidades observadas, a estimativa de defeituosos na população, em fracção de defeituosos,
percentagem de defeituosos, e partes por milhão é, respectivamente:
O desvio padrão e a incerteza (dada por z=3 que induz um intervalo de confiança de
99.74%) são:
0.025 × 0.975
𝜎=√ ≈ 0.01 𝑖𝑛𝑐𝑒𝑟𝑡𝑒𝑧𝑎 = ±1.96 × 0.01 = ±0.0196
240
Figura 5
VOP: função SS.Defeituosos a simular dados de um processo com π=0.03, e um total de N=120
amostras de tamanho n=1. Ilustração dos resultados típicos que se podem obter quando se analisa 1 só unidade
da produção em cada momento, considerando um processo estabilizado. À esquerda: simulação e resultados
estatísticos. À direita gráfico de barras mostrando o total de “não-defeituosos” (zeros) e de “defeituosos” (uns) e
linha temporal, mostrando a distribuição dos “zeros” e “uns” ao longo do tempo
A maioria dos cálculos efectuados ao longo desta secção 3.1 apresenta-se na figura 5,
que apresenta a saída da função SS.Defeituosos, construída no R para estudar processos com
KPIs binomiais. Na figura 5 os dados são uma simulação construída pela própria função a partir
dos argumentos P, N e n. Assim, usando esta função com os argumentos «Simular=“sim”» e
omitindo o argumento «File», pode gerar-se um conjunto de dados provenientes de um processo
e obter todas as métricas e gráficos apropriados.
Garrafas de água são classificadas como “defeituosas” ou “1” se os rótulos estiverem mal
colados e como “conformes” ou “0” no caso contrário. Recolheu-se uma amostra de n=5
garrafas para análise a cada 15 minutos. Ao fim de 60 horas obtiveram-se os resultados que
se mostram na figura 6.
∑𝑁
𝑖=1 𝑥𝑖 ∑𝑁
𝑖=1 𝑝𝑖 𝑝̅(1 − 𝑝̅ )
π ~ 𝑝̅ = ou π ~ 𝑝̅ = e σ=√ [7]
𝑛𝑁 𝑁 𝑛𝑁
Figura 6
VOP (função SS.Defeituosos a ler dados do ficheiro def-n+igu.txt”). Ilustração dos resultados típicos
que se obtêm quando se analisam N=120 amostras de tamanhos iguais. À esquerda: resumo dos dados lidos,
dados lidos e principais métricas. À direita, diagrama de barras relativo ao número de defeituosos por amostra e
gráfico temporal com a evolução ao longo do tempo.
Neste caso, porque as amostras têm tamanhos diferentes, não é interessante o número
de defeituosos por amostra, xi, porque não são comparáveis. Interessa calcular a percentagem
de defeituosos nas amostras, pi, pois assim podem comparar-se os resultados entre amostras.
Também importa substituir o gráfico de barras (relativo ao número de defeituosos por amostra
que se usou anteriormente) por um histograma com a percentagem de defeituosos por amostra.
Sendo os tamanhos de amostra variáveis, i.e., cada amostra com tamanho ni, as equações
são adaptadas em concordância (equações [8]), substituindo n×N pelo somatório de todos os
tamanhos de amostras (i.e., soma dos ni). Note-se que a média aritmética das fracções de
unidades defeituosas por amostra não pode ser usada para estimar π, mas apenas a média
ponderada. No entanto, como a estimativa pode ser feita somando todas as unidades defeituosas
encontradas, dividindo esse valor pelo total de unidades inspeccionadas, a equações seguintes
são suficientes para os cálculos necessários:
∑𝑁
𝑖=1 𝑥𝑖 𝑝(1 − 𝑝)
π~𝑝 = 𝑁 σ=√ [8]
∑𝑖=1 𝑛𝑖 ∑𝑁
𝑖=1 𝑛𝑖
Figura 7
VOP (função SS.Defeituosos a ler dados do ficheiro defeituosos-ndif.txt”). Ilustração dos resultados típicos que
se obtêm quando se analisam N=120 amostras de tamanhos diferentes. À esquerda: resumo dos dados lidos,
dados lidos transformados em percentagem de defeituosos por amostra e principais métricas. À direita,
histograma relativo à percentagem de defeituosos e gráfico temporal com a evolução ao longo do tempo.
Quando se lida com atributos, o único parâmetro que caracteriza o processo é a fracção
de defeituosos produzida, tendo esse valor de ser encontrado na prática, ou estabelecido através
de uma especificação. O seu cálculo na prática, com rigor elevado, é difícil porque exige
amostras de número muito elevado. Se estabelecida por uma especificação, a sua verificação
na prática é também difícil pelas mesmas razões. O desvio padrão, que mede a variabilidade do
processo, não é determinado na prática, mas sim calculado matematicamente, a partir da fracção
de defeituosos e só tem interesse quando se usam amostras grandes, para as quais a similaridade
entre as distribuições normal e a binomial é grande. Os dados que se obtêm nas amostragens
têm de ser analisados com a distribuição binomial.
É indiferente trabalhar com amostras de tamanho 1, de tamanho maior do que 1, ou de
tamanhos diferentes, uma vez que as estimativas do parâmetro do processo, ou do seu
acompanhamento ao longo do tempo, podem ser sempre feitos através da divisão das unidades
defeituosos pelo número total de unidades inspeccionadas.
Os gráficos da evolução dos dados ao longo do tempo não permitem, com facilidade,
detectar desvios no parâmetro da população, a não ser que esses desvios sejam demasiado
grandes. Por essa razão todos os dados recolhidos na prática relativamente a atributos são
sempre considerados de longo prazo.
4.2. ESPECIFICAÇÃO
A especificação deve sempre ter em conta que se pretende a existência de zero defeitos,
embora os processos nunca sejam isentos de defeitos. Assim, tal como visto para os atributos,
a especificação pode ser um número máximo de defeitos médio por unidade produzida, embora
apenas para controlo interno!
A terminologia típica para este tipo de processos pode ser mais facilmente apreciada
com o auxílio de um caso estudo:
Pretende-se avaliar o número de defeitos médios por unidade que o processo faz (λ). Para tal
efectuou-se a recolha de N=13 garrafas. Os resultados obtidos mostram-se na Figura 8..
Figura 8
Leitura e análise de dados com a função SS.Defeitos. Ilustração dos resultados típicos que se podem obter
quando se pesquisam defeitos em N=20 unidades, sabendo que em cada unidade há NO=5 oportunidades de
defeitos. À esquerda cálculo dos NDU (nº defeitos observado por unidade), DPU (nº médio de defeitos por
unidade), DPO (nº médio de defeitos por oportunidade) e DPMO observados, PPM e nível-sigma. À direita (em
cima) gráfico de barras mostrando o total de amostras com 0, 1,…, NO “defeitos”. À direita (em baixo) linha
temporal do processo.
4 Após a determinação dos NDU de todas as unidades, calcula-se o DPU, que é o número
médio de defeitos por unidade, e que se obtém somando todos os NDU e dividindo pelo
número total de unidades analisadas (n). No exemplo:
5 No passo seguinte calcula-se o DPO, que é o número médio de defeitos por oportunidade,
e que se obtém somando todos os NDU e dividindo pelo número total de unidades (n)
multiplicado pelo número total de oportunidades (NO). No caso-estudo:
6 A partir da métrica DPU pode estimar-se a fracção de unidades defeituosas (com pelo
menos um defeito) que serão produzidas. Note-se que ao contrário do estudo de processos
por atributos, aqui as unidades são defeituosas se apresentarem pelo menos 1 defeito no
conjunto dos tipos de defeitos definidos. Essa fracção, indicada por FD, estima-se através
da distribuição de Poisson, como FD = 1−e−DPU. No caso-estudo:
> qnorm(p=1-0.295,0,1)
[1] 0.538836
Alguns autores usam os DPO como fracção de defeitos e calculam o nível sigma a partir
dessa métrica. No entanto, a proceder desse modo, os níveis sigma em processos com variáveis
contínuas, atributos e contagens não ficariam comparáveis.
𝜆𝑥 × 𝑒 −𝜆
𝑃(𝑥 ) =
𝑥!
0.42 × 𝑒 −0.4
𝑃(𝑥 = 2) = ≈ 0.054
2!
𝐷𝑃𝑈 0 × 𝑒 −𝐷𝑃𝑈
𝑃(𝑥 > 0) = 1 − = 1 − 𝑒 −𝐷𝑃𝑈
0!
Por exemplo, se se determinou que um processo opera com (a terrível média de)
DPU=2, então espera-se que seja produzida, no longo prazo, a seguinte fracção defeituosa:
e tal significaria que se esperaria que 86% das unidades produzidas teriam de ser renegociadas,
destruídas ou sujeitas a retrabalho!!!
O desvio padrão da distribuição de Poisson é dado pela raiz quadrada da média, i.e.:
𝜎 = √𝜆
Tal como acontecia com a distribuição binomial, também com a distribuição de Poisson
se coloca a necessidade de usar amostras de tamanho muito grande para conseguir avaliar, na
prática, o número de defeitos por unidade típico do processo. Por essa razão, esse parâmetro
tem de ser avaliado ao longo do tempo e preferencialmente com o auxílio de cartas de controlo
da qualidade.
De qualquer modo, se for considerado necessário e praticável na realidade empresarial,
os tamanhos das amostras a utilizar para a estimativa de λ com um grau de confiança elevado e
um erro pequeno são sempre semelhantes ao abordado para a distribuição binomial.
A função SS.Defeitos pode simular dados ou analisar dados práticos existentes. Como
se pôde ver na Figura 8, a função analisa os dados e gera um relatório com uma tabela de
unidades analisadas por oportunidades de defeitos, calculando em seguida as métricas
discutidas. Além das métricas apresenta um gráfico de barras corresponde ao número de
defeitos por unidade e um gráfico de dispersão ao longo do tempo.
Para além da leitura de dados apresentada na Figura 8, a Figura 9 ilustra o processo de
simulação. Para usar esta modalidade definiu-se um vector, denominado Defeitos (de
oportunidades de defeitos), e um vector Lambdas (de médias de defeitos para a função proceder
à simulação), A função lê estes dois vectores e procede à simulação do caso especificado,
mostrando os dados simulados, e procedendo à sua análise. Esta modalidade permite estudar as
diferentes em face dos parâmetros considerados para cada oportunidade de defeito.
Figura 9
Simulação e análise de dados com a função SS.Defeitos. Exemplo criado com base no caso real da Figura 8, para
efeitos comparativos. Notar a necessária definição de dois vectores, um com os nomes das oportunidades de
defeitos e outro com os lambdas para cada defeito. À esquerda dados gerais, apresentação dos dados simulados,
resumo das contagens e métricas. À direita (em cima) gráfico de barras mostrando a distribuição dos NDU. À
direita (em baixo) linha temporal típica de um processo onde se analisam números de defeitos.
Uma questão muito importante relativamente aos processos estudados por contagens de
defeitos de vários tipos (diferentes oportunidades) diz respeito à correcta definição das
oportunidades de defeitos. Uma vez que as métricas NDU, DPU, DPO e DPMO todas
dependem do número de oportunidades definidas, se essa definição for mal feita, todas as
métricas resultam erradas.
Deve também notar-se que se os processos definidos por contagens tiverem apenas uma
oportunidade de defeitos, reduzem-se a processos por atributos.
A função SS.Defeitos calcula o nível sigma a partir da fracção de unidades defeituosas
estimadas, pois assim é comparável com os níveis sigma calculados nos processos com atributos
ou variáveis contínuas.
5. CONCLUSÃO GERAL
6. BIBLIOGRAFIA
6.1. ESSENCIAL
Pysdek, T.; & Keller, P. (2010). The Six Sigma Handbook. New York: McGraw-Hill.
Wadsworth, H.; Stephens, K.; & Godfrey, B: (2008). Modern Methods For Quality Control and
Improvement. New York: John Wiley and Sons, Inc.
6.2. RECOMENDADA
7. ANEXOS
print.table(Processo)
Cp.table <- round(data.frame(AmpEsp,AmpProc,Cp,Cpi,Cps,Cpk),3)
Disp.table <- data.frame(PPMi,PPMs,PPMt,Disp,Zbench)
names(Disp.table) <- c("PPMi","PPMs","PPMt","D(%)","Zbench")
cat("\n tabela de capacidade do processo \n")
cat(" ---------------------------------------------------\n")
print.table(Cp.table)
cat("\n tabela de desempenho e nível sigma do processo \n")
cat(" ---------------------------------------------------\n")
print.table(Disp.table)
}
# -----------------------------------------------------------------------
# exemplo
SS.Cp(VN=500,EA=15,Media=500,DP=5,Plot=T)
# Exemplos
SS.Defeituosos(Simular="sim",P=0.01,N=10,n=5)
SS.Defeituosos(Simular="não",File="defeituosos-nigual.txt")
SS.Defeituosos(Simular="não",File="defeituosos-ndif.txt")
SS.Defeituosos(Simular="não",File="defeituosos-nigual1.txt")
} else {
cat("\nPara simular dados, fazer «Simular=sim» e omitir «File»\n")
cat("Para ler dados, fazer «Simular=não» e «File=nome-do-ficheiro.txt»\n\n")
break
}
par(mfrow=c(2,1))
barplot(y,names.arg=c(0:Max),horiz=F,col=2,ylim=c(0,max(y)*1.1),
main="contagem de defeitos nas unidades",
xlab="KPI (NDU = nº de defeitos na unidade)",ylab="nº de unidades")
abline(h=0)
plot(NDU,type="b",col=2,ylim=c(-0.5,Max+2),pch=19,
main="gráfico temporal",xlab="tempo",ylab="NDU")
abline(h=0)
# Exemplos
Defeitos <- c("Con","Gar","Rot","Cap","Cra")
Lambdas <- c(0.1,0.01,0.2,0.03,0,05)
SS.Defeitos(Simular="sim",defeitos=Defeitos,lambdas=Lambdas,N=13)
SS.Defeitos(Simular="não",File="defeitos.txt")
n x n x n x
1 1 0 41 1 0 81 1 0
2 1 0 42 1 0 82 1 0
3 1 0 43 1 0 83 1 0
4 1 0 44 1 0 84 1 0
5 1 0 45 1 0 85 1 0
6 1 0 46 1 0 86 1 1
7 1 0 47 1 0 87 1 0
8 1 0 48 1 0 88 1 0
9 1 0 49 1 0 89 1 0
10 1 0 50 1 0 90 1 0
11 1 0 51 1 0 91 1 0
12 1 0 52 1 0 92 1 0
13 1 0 53 1 0 93 1 0
14 1 0 54 1 1 94 1 0
15 1 0 55 1 0 95 1 0
16 1 0 56 1 0 96 1 0
17 1 0 57 1 0 97 1 0
18 1 0 58 1 0 98 1 0
19 1 0 59 1 0 99 1 0
20 1 0 60 1 0 100 1 0
21 1 0 61 1 0 101 1 0
22 1 0 62 1 0 102 1 0
23 1 0 63 1 0 103 1 0
24 1 0 64 1 0 104 1 1
25 1 0 65 1 0 105 1 0
26 1 0 66 1 0 106 1 1
27 1 0 67 1 0 107 1 0
28 1 0 68 1 0 108 1 0
29 1 0 69 1 0 109 1 0
30 1 0 70 1 1 110 1 0
31 1 0 71 1 0 111 1 0
32 1 0 72 1 0 112 1 0
33 1 0 73 1 0 113 1 0
34 1 0 74 1 0 114 1 0
35 1 0 75 1 0 115 1 0
36 1 0 76 1 0 116 1 0
37 1 0 77 1 0 117 1 0
38 1 0 78 1 0 118 1 0
39 1 0 79 1 0 119 1 0
40 1 0 80 1 0 120 1 0
defeituosos-nigual.txt
n x n x n x n x n x n x
1 5 0 41 5 0 81 5 0 121 5 1 161 5 0 201 5 0
2 5 0 42 5 0 82 5 1 122 5 0 162 5 0 202 5 0
3 5 0 43 5 0 83 5 0 123 5 0 163 5 0 203 5 0
4 5 0 44 5 0 84 5 0 124 5 0 164 5 0 204 5 0
5 5 0 45 5 0 85 5 0 125 5 0 165 5 0 205 5 0
6 5 0 46 5 0 86 5 0 126 5 0 166 5 0 206 5 0
7 5 0 47 5 0 87 5 0 127 5 1 167 5 0 207 5 0
8 5 0 48 5 0 88 5 2 128 5 0 168 5 0 208 5 0
9 5 0 49 5 0 89 5 1 129 5 0 169 5 0 209 5 1
10 5 0 50 5 0 90 5 0 130 5 0 170 5 0 210 5 1
11 5 0 51 5 0 91 5 0 131 5 0 171 5 0 211 5 0
12 5 1 52 5 0 92 5 0 132 5 1 172 5 1 212 5 0
13 5 1 53 5 0 93 5 0 133 5 0 173 5 0 213 5 1
14 5 0 54 5 0 94 5 1 134 5 0 174 5 1 214 5 0
15 5 0 55 5 0 95 5 1 135 5 0 175 5 0 215 5 0
16 5 0 56 5 0 96 5 0 136 5 1 176 5 0 216 5 0
17 5 0 57 5 0 97 5 0 137 5 0 177 5 0 217 5 0
18 5 0 58 5 0 98 5 0 138 5 0 178 5 0 218 5 0
19 5 0 59 5 0 99 5 1 139 5 0 179 5 1 219 5 0
20 5 0 60 5 1 100 5 0 140 5 0 180 5 0 220 5 0
21 5 0 61 5 0 101 5 0 141 5 0 181 5 1 221 5 0
22 5 0 62 5 0 102 5 0 142 5 0 182 5 0 222 5 0
23 5 0 63 5 0 103 5 0 143 5 0 183 5 0 223 5 0
24 5 0 64 5 0 104 5 0 144 5 0 184 5 0 224 5 0
25 5 0 65 5 0 105 5 0 145 5 0 185 5 0 225 5 0
26 5 0 66 5 0 106 5 0 146 5 0 186 5 0 226 5 0
27 5 0 67 5 0 107 5 0 147 5 0 187 5 1 227 5 0
28 5 0 68 5 0 108 5 1 148 5 0 188 5 1 228 5 2
29 5 0 69 5 0 109 5 0 149 5 0 189 5 0 229 5 0
30 5 0 70 5 0 110 5 0 150 5 0 190 5 0 230 5 0
31 5 0 71 5 0 111 5 0 151 5 0 191 5 0 231 5 0
32 5 0 72 5 0 112 5 0 152 5 0 192 5 0 232 5 0
33 5 0 73 5 0 113 5 1 153 5 0 193 5 0 233 5 0
34 5 1 74 5 0 114 5 0 154 5 0 194 5 0 234 5 0
35 5 0 75 5 0 115 5 0 155 5 0 195 5 0 235 5 0
36 5 0 76 5 0 116 5 0 156 5 0 196 5 0 236 5 0
37 5 0 77 5 0 117 5 1 157 5 0 197 5 0 237 5 0
38 5 0 78 5 0 118 5 0 158 5 0 198 5 0 238 5 0
39 5 0 79 5 0 119 5 0 159 5 0 199 5 0 239 5 0
40 5 0 80 5 0 120 5 0 160 5 0 200 5 0 240 5 0
defeituosos-ndif.txt
n x n x n x
1 14 0 41 16 0 81 13 0
2 12 1 42 12 0 82 13 0
3 16 0 43 13 0 83 13 0
4 15 1 44 9 0 84 13 0
5 11 1 45 14 0 85 12 0
6 9 2 46 10 2 86 11 0
7 12 2 47 9 0 87 12 0
8 14 1 48 14 0 88 9 2
9 11 1 49 11 0 89 12 0
10 12 0 50 15 2 90 13 0
11 11 1 51 9 0 91 10 1
12 12 0 52 11 0 92 13 1
13 12 0 53 11 0 93 13 1
14 11 0 54 11 0 94 7 0
15 15 0 55 12 0 95 13 0
16 9 0 56 9 1 96 12 0
17 11 3 57 10 1 97 12 1
18 19 0 58 10 0 98 13 0
19 9 2 59 11 2 99 13 0
20 10 1 60 10 1 100 13 1
21 11 0 61 10 0 101 13 0
22 11 1 62 10 0 102 12 0
23 9 0 63 9 1 103 11 0
24 11 0 64 12 0 104 12 0
25 10 0 65 9 1 105 11 0
26 11 1 66 15 0 106 12 1
27 10 0 67 17 1 107 12 0
28 10 0 68 15 1 108 9 1
29 17 0 69 12 0 109 12 0
30 9 0 70 16 1 110 11 2
31 10 0 71 11 1 111 11 0
32 11 0 72 20 2 112 10 1
33 14 0 73 9 0 113 13 0
34 15 0 74 11 1 114 13 3
35 16 0 75 13 0 115 13 0
36 10 0 76 11 1 116 12 1
37 15 0 77 11 2 117 13 1
38 14 1 78 9 0 118 9 1
39 9 0 79 12 3 119 10 0
40 9 0 80 13 1 120 9 1
defeitos.txt