8 And@lise da Capacidade de Processos e Sistemas de Medida Esauema Do CapiTULO 8.1 INTRODUGAO 8.2 ANALISE DA CAPACIDADE DE UM PROCESSO UTILIZANDO UM HISTOGRAMA OU UM GRAFICO DE PROBABILIDADE 8.2.1. Utilizando © Histograma 8.2.2 Grafico de Probabilidade 8.3 RAZOES DA CAPACIDADE DE UM PROCESSO 8.3.1 Usoe Interpretagio de C, 8.3.2 Razo da Capacidade do Proceso para um Processo Descentrado 8.3.3 Normalidade e Razéo da Capacicdade de um Proceso 8.3.4 Mais Detalhes sobre Centralizagdo de Processos 8.3.5 _Intervalos de Confianca e Testes sobre Razdes da Capacidade de um Processo 8.4 ANALISE DA CAPACIDADE DE UM PROCESSO UTILIZANDO UM GRAFICO DE CONTROLE 8.5 _ANALISE DA CAPACIDADE DE UM PROCESSO UTILIZANDO EXPERIMENTOS PLANEJADOS. 8.68 _ANALISE DA CAPACIDADE DE UM PROCESSO COM DADOS DE ATRIBUTO 8.7 ESTUDOS SOBRE A CAPACIDADE DE UM MEDIDOR E DE UM SISTEMA DE MEDIDAS 8.7.1 Concsitos Basicos da Capacidade de um Medidor 87.2 _ O Método da Andlise de Variancia 8.7.3 _Intervalos de Confianga em Estudos de Medidor R & R 8.7.4 Defeituosos Falsos e Defeituosos que Passam 87.5 Capacidade do Medidor de Atributo 8.7.6 Comparagdo entre os Sistemas de Medida do Cliente e do Fomecedor 8.8 FIXAGAO DE LIMITES DE ESPECIFICAGAO SOBRE COMPONENTES DISCRETOS 8.8.1 Combinagées Lineares 8.8.2 Combinacées Nao Lineares 8.9 ESTIMANDO OS LIMITES NATURAIS DE TOLERANCIA DE UM PROCESSO 8.9.1 _Limites de Tolerdncia Baseados na Distribuigao Normal 8.9.2 _Limites de Tolerancia Nao Paramétricos Material Suplementar para 0 Capitulo 8* MS8.1_ Fatores Fixos Versus Fatores Aleatorios na Andlise da Variancia MS8.2_ Mais sobre Métodos de Anélise da Variancia para Estudos da Capacidade de Sistemas de Medida *O material suplementar esta disponivel no site da LTC Editora, mediante cadastro,VisAo GERAL DO CAPITULO E OBJETIVOS DE APRENDIZAGEM No Capitulo 6, introduzimos formalmente o conceito de capacidade de um processo, ou seja, como a variabilidade inerente ‘4 um processo se compara com as especificagdes ou exigéncias para o produto. A andlise da capacidade do processo ¢ uma ferramenta importante do processo DMAMC, com aplicagio em ambos os passos Analisar e Melhorar. Neste capitulo, apresentamos uma discussao mais ampla da capacidade de um processo, inclusive varias maneiras de estudé-la ou analisé- la, Acreditamos que o grifico de controle seja uma técnica simples e eficiente de andlise da capacidade de um processo. Ampliamos, também, a apresentagdo das razBes da capacidade de um processo, iniciada no Capitulo 6, mastrando como interpretar essas razies © discutindo seus perigos. Este capitulo contém, também, informagdes sobre avaliagio do desempenho de um sistema de medidas, ilustrando métodos gréficos, assim como téenicas baseadas na andlise de varidncia, A anilise dos sistemas de medida ¢ usada extensivamente no DMAMC, prineipalmente durante o passo Medir. Discutimos, também, o estabelecimento de especificagdes sobre partes ou componentes individuais diseretos e a estimago dos limites naturais de tolerdncia de um processo. Depois do cuidadoso estudo deste capitulo, vooé deve ser capaz de: Investigar e analisar a capacidade de processo usando grificos de controle, histogramas e gréficos de probabilidade Compreender a diferenga entre capacidade do processo e potencial do provesso Calcular ¢ interpretar adequadamente as razdes da capacidade do proceso Compreender o papel da distribuigo normal na interpretago da maioria das razdes de capacidade de processo . Calcular intervalos de confianga para razdes de capacidade de processo 6. Realizar e analisar um experimento da capacidade de sistemas de medidas (ou medidor R & R) 7. Estimar os componentes da vatiabilidade em um sistema de medida 8, Estabelecer especificagtes de componentes em um sistema que envolve componentes de interagio para garantir que 0s requisitos gerais do sistema sejam satisfeitos 9, Estimar os limites naturais de um processo a partir de uma amostra de dados do proceso 8.1 _Introdugao AAs téenicas estatisticas podem ser titeis em todo 0 ciclo do produto, inclusive no desenvolvimento de atividades anteriores 4 fabricagdo, para quantificar a variabilidade do processo, para analisar esta variabilidade em relagio as exigéncias ou especificagSes do produto, e para ajudar o desenvolvimento e a fabricago na eliminagdo ou redugdo dessa variabilidade. Esta atividade geral & chamada de anélise da eapacidade do processo, A capacidade do proceso diz respeito 4 sua uniformidade. Obviamente, a variabilidade de caracteristicas criticas para a qualidade no proceso ¢ uma medida da uniformidade da produgdo. Hé duas maneiras de se encarar esta variabilidade: 1. A variabilidade natural ou inerente @ uma caracteristica critica para a qualidade em um instante especifico ~ isto & a variabilidade “instantanea” 2. A variabilidade em uma caracteristica critica para a qualidade ao longo do tempo Vamos apresentar métodos para investigasio e avaliagio de ambos os aspectos da capacidade de um processo. A determinagdo da capacidade do processo é uma parte importante no processo DMAMC. & usada principalmente no passo Analisar, mas pode ser ttil em outros passos, tais como Melhor. E costume tomar-se como medida da capacidade de um processo a dispersiio de Seis Sigmas na distribuigao da caracteristica da qualidade do produto. A Figura 8.1 mostra um processo para o qual a caracteristica da qualidade tem 1 desvio-padrio @. Os limites naturais de toleriincia do processo — superior e inferior distribuigdo normal com m situam em 1+ 30 ¢ s— 3a, respectivamente; isto LSNT = +30 LINT = 4-30 Para uma distribuigao normal, os limites naturais de tolerdncia incluem 99,73% da varidvel, ou, dito de outra forma, apenas 0,27% da safda do processo fica fora dos limites naturais de tolerdncia, Devemos ter em mente dois pontos:1. 0,27% fora dos limites naturais de tolerdncia pode parecer pouco, mas isso corresponde a 2.700 pegas nilo conformes por milhao. 2. Se a distribuigio da salda do proceso nfo for normal, entiio a porcentagem de produgtio que fica fora de ys = 3 poderd ser consideravelmente diferente de 0,27%. Definimos a anilise da eapacidade de um processo como um estudo formal para se estimar a eapacidade do proceso. A estimativa da capacidade de um proceso pode ser apresentada através de uma distribuigdo de probabilidade, com uma forma, um centro (média) e uma dispersio (desvio-padrdo) especificados. Por exemplo, podemos determinar que a saida do processo tenha distribuigao normal com média = 1,0 em e desvio-padrao @ = 0,001 em. Nesse sentido, uma andlise da capacidade do processo pode ser feita sem atentarmos para especificagdes sobre a caracteristica da qualidade. Alternativamente, podemos expressar a capacidade do processo como uma porcentagem fora das especificagdes. Todavia, as especificagdes niio sto necessdriay para fazermos uma andlise da capacidade de um processo. Um estudo da capacidade de um processo, em geral, avalia pardmetros funcionais ou caract. qualidade do produto, e no 0 processo em si. Quando o analista pode observar diretamente 0 processo e pode controlar ou cas criticas para a monitorar a atividade de coleta de dados, 0 estudo € um verdadeiro estudo da capacidade de um proceso, porque, controlando a coleta de dados ¢ conhecendo a sequéncia temporal dos dados, ele pode fazer inferéncias sobre a estabilidade do processo ao longo do tempo, Entretanto, quando dispomos apenas de unidades amostrais do produto, eventualmente fornecidas pelo vendedor, ¢ nio hd observagio direta do processo ou histéria temporal da produgdo, endo o estudo & chamado mais apropriadamente de earacterizagio do produto, Em um estudo de caracterizagio de um produto podemos apenas estimar a distribuigdo da caracteristica da qualidade do produto ou a produso do processo (fragio em conformidade com as especificagdes); nada podemos dizer sobre o comportamento dindmico do processo ou seu estado de controle estatistico. Para fazermos uma estimativa confidvel da capacidade do processo, este deve estar sob controle estatistico, Caso contrério, a inferéncia preditiva sobre o desempenho do processo pode estar seriamente etrada. Dados coletados em periods de tempo diferentes poderiam levar a conclusGes diferentes. 0.9973 0,00135 0.00135 }_—_________ , —__,| uNT ae ae LSNT Média do processo m= FIGURA 8.1 _Limites naturais de tolerincia, superior e inferior, na distribuigo normal, ‘A anélise da capacidade de um processo € uma parte vital de um programa global de melhoria da qualidade, Entre as principais utilizagdes de dados de uma andlise da capacidade de um processo destacam-se: Predizer até que ponto 0 processo manterd as tolerancias Auniliar 0s elaboradores/planejadores do produto na selego ou modificagio de um processo ‘Auxiliar @ estabelecer um intervalo entre amostras para monitoramento de um processo ’specificar exigéncias de desempenho para um equipamento novo .. Selecionar entre vendedores concorrentes e outros aspectos do gerenciamento da cadeia de suprimentos 6. Planejar a sequéncia de processos de produgo quando ha um efeito interativo de processos sobre as tolerancias, 7. Reduzir a variabilidade em um processo Assim, a andlise da capacidade de um processo é uma técnica que tem aplicagdes em muitos setores do ciclo do produto, inclusive planejamento do produto e do provesso, gerenciamento da cadeia de suprimento, planejamento da produgao ou da fabricagdo, e a propria fabricagdo. Tres t fundamentais so utilizadas na and probabilidade, grificos de controle ¢ experimentos planejados. Nas proximas trés segSes, vamos discutir e ilustrar ise da capacidade de um processo: histogramas ou grifficos de cada um desses métodos, Discutiremos, também, a razo da capacidade de um processo (RCP) introduzida no Capitulo 6 e algumas variantes tteis dessa razao,lade de um Processo Ut idade 8.2 Analise da Capaci Grafico de Probal zando um Histograma ou um 8.2.1 Utilizando o Histograma (© histograma pode ajudar na estimagio da capacidade de um processo, Alternativamente, o histograma pode ser substituido por um diagrama de ramo-e-folhas. Devemos dispor de, pelo menos, 100 observagdes para que o histograma (ou o ramo-e-folhas) seja moderadamente estivel, a fim de obtermos uma estimativa razoavelmente confidvel da capacidade do processo. Se o engenheiro da qualidade tiver acesso ao processo e puder controlar o trabalho de coleta de dados, os passos a seguir devem ser seguidos antes da coleta de dados: 1. Escolher a méquina (ou méquinas) a ser sada. Se os resultados baseados em uma méquina (ou varias méquinas) tiverem que ser estendidos a uma populagio maior de maquinas, a méquina escolhida deverd ser representativa das méquinas na populagio. Além disso, se a méquina tiver miltiplas estagdes de trabalho ou caberas, pode ser importante coletarem-se os dados de maneira que se possa isolar a variabilidade cabeca-a-cabesa. Isso pode implicar uso de experimentos planejados. 2, Selecionar as condigdes de operas do processo. Definir cuidadosamente as condigdes, tais como velocidades de corte, taxas de alimentagdo ¢ temperaturas, para referencia futura, Pode ser importante o estudo dos efeitos da variagio desses fatores sobre a capacidade do processo. 3. Selecionar um operador representative, Em alguns estudos, & importante estimar-se a variabilidade do operador. ‘Nesses casos, 05 operadores devem ser selecionados aleatoriamente dentro da respectiva populagao. 4, Monitorar cuidadosamente 0 provesso de coleta de dados e registrar a ordem temporal em que cada unidade & produzida. histograma, juntamente com a média amostral X eo desviopadrao amostral s, proporcionam informagdes sobre a capacidade do processo. A esta altura, o leitor deve rever as diretrizes do Capitulo 3 para a construgao de histogramas. E, XEMPLO 8.1 [ERIE ebeken inet lees ene eae ‘A Figura 8.2 apresenta um histograma da resisténcia & ruptura de 100 garrafas de vidro. Os dados constam da Tabela 8.1, Qual é a capacidade do processo? Sovugao A anilise das 100 observasies dé = 264,06 s 32,02 Consequentemente, a capacidade do processo seria estimada como x 43s ou 264,06 + 3(32,02) = 264 + 96 psi Além disso, a forma do histograma implica que a distribuigdo da forga de resisténcia ruptura é aproximadamente normal. Assim, podemos estimar que aproximadamente 99,73% das garrafas fabricadas por esse processo romperdo entre 168 e 360 psi, Note que podemos estimar a capacidade do proceso independentemente das especificacdes sobre a forca de resistencia a ruptura,40 - 30 Frequéncia 20 - 10 - = = ee 170 190 210 230 250 270 200 310 390 350 Resisténcia & ruptura (psi) m= FIGURA 8.2 Histograma dos dados referentes & resisténeia & ruptura u TABELA 8.1 Forgas de Resisténcia 4 Ruptura para 100 Garrafas de Vidro 265 197 346 280 265 200 221 265 261 278 205 286 317 242 284 235 176 262 248 250 263 274 242 260 281 246 248 an 260 265 307 243 258 321 294 328 263 245 274 270 220 231 276 228 223 296 231 301 337 298 268 267 300 250 260 276 334 280 250 257 260 281 208 299 308 264 280 274 278 210 234 265 187 258 235 269 265 253 254 280 299 214 264 287 283 235 272 287 274 269 215 318 an 293 277 290 283 258 275 251 Uma vantagem do uso do histograma para se estimar a capacidade do processo & que ele dé uma impressio visual ¢ imediata do desempenho do proceso. Ele pode também mostrar imediatamente a razo de um fraco desempenho do processo, Por exemplo, a Figura 8.34 mostra um proceso com capacidade potencial adequada, mas o alvo do processo esti mal colocado, enquanto a Figura 8.3 mostra um proceso com capacidade pobre, resultante de variabilidade excessiva, Histogramas no fornecem qualquer informagdo sobre o estado de controle estatistico do processo. Assim, conclusdes sobre a capacidade com base no histograma dependem da hipstese de que o processo esteja sob controle. 8.2.2 Grafico de Probabilidade © grifico de probabilidade € uma alternativa ao histograma, que pode ser usado para a determinagdo da forma, centro e ispersdo da distribuigdo. Tem a vantagem de tornar desnecesséria a divistio da amplitude da variével em intervalos de classe, ¢ frequentemente produz resultados razodveis para amostras moderadamente pequenas (0 que ndo ocorre com ohistograma). Em geral, um gréfico de probabilidade ¢ um grafico dos dados ordenados em postos versus a frequéncia amostral acumulada, feito em um papel especial, com uma escala vertical escolhida de modo que a distribui¢ao acumulada do tipo suposto seja uma linha reta, No Capitulo 3, discutimos ¢ ilustramos os gréficos de probabilidade normal. Esses grificos sdo de grande utilidade em estudos da capacidade de processos Para ilustrar 0 uso de um grafico de probabilidade normal em um estudo da capacidade de um processo, consideremos as 20 observagdes seguintes sobre a resisténcia de garrafas & ruptura: 197, 200, 215, 221, 231, 242, 245, 258, 265, 265, 271, 275, 277, 278, 280, 283, 290, 301, 318 © 346, A Figura 8.4 € 0 grifico de probabilidade normal da resisténcia, Note que 0s dados se dispdem préximos de uma linha reta, 0 que implica que a distribuigdo da resisténcia & ruptura é normal. Lembre-se, do Capitulo 4, de que a média da distribuigdo normal & 0 quinquagésimo percentil, que podemos estimar, pela Figura 8.4, em aproximadamente 265 psi, ¢ © desvio-padrio da distribuigo & a inclinagdo da linha reta conveniente estimar-se 0 desvio-padréo como a diferenga entre 0 84° e o 50° percentis. Para os dados da resisténcia acima e usando a Figura 8.4, encontramos que G = 84° percentil — 50° percentil = 298 — 265 psi = 33 psi Note que fl = 265 psi e G = 33 psi ndo diferem muito da média amostral 7 = 264,06 e do desvio-padrao amostral s =32,02, grifico de probabilidade normal também pode ser usado para se estimar a produgdo e as falhas de um processo. Por exemplo, a especificagao sobre a resisténcia das garrafas € LIE ~ 200 psi. Pela Figura 8.4, estimariamos que cerea de 5% das garrafas fabricadas por este processo se romperiam abaixo deste limite, Como o gréfico de probabilidade ndo fornece nenhuma informagdo sobre o estado de controle estatistico do processo, deve-se ter cuidado ao se tirarem essas conclusdes. Se processo ndo estiver sob controle, as estimativas podem ndo ser confidveis. L L UE yw LSE UE x LSE (a) (6) = FIGURA 8.3 Algumas razSes para capacidade pobre do processo. (a) Ma centralizagao do processo. (b) Excesso de variabilidade no processe. 29,9 99 - 95 - 80 50 - 20 5- Percentual acumulado 1 ——— 190 230 270 Resisténcia das garrafas = FIGURA 8.4 Grifico de probabilidade normal dos dados de resisténeia das garafas 310 350 Devemos ter cuidado ao utilizar grificos de probabilidade. Se os dados ndo provém da distribuigdo suposta, as inferéncias sobre a capacidade do processo extraidas do gréfico podem apresentar erro sério, A Figura 8.5 apresenta um {grafico de probabilidade normal de tempos de ocorréneia de falha (em horas) de uma valvula em um complexo quimico. Examinando este grifico, vemos que a distribuigdo dos tempos de ocorréncia de falha nao é normal.‘Uma desvantagem dbvia do grafico de probabilidades é que ele no é um procedimento objetivo. E possivel que dois analistas cheguem a conclusdes diferentes, utilizando os mesmos dados. Por este motivo, & conveniente a suplementagao dos grficos de probabilidade com testes de aderéneia mais formais com base estatfstica. Uma boa introdugdo a esses testes encontra-se em Shapiro (1980). A ampliagio da interpretagdo de um grafico de probabilidade normal com o teste de Shapiro- Wilk para normalidade pode tornar o procedimento muito mais poderoso e objetivo. ‘A escolha da distribuigao a ser ajustada aos dados constitui, também, um passo importante na construgdo de gréficos de probabilidade, Por vezes, podemos utilizar nosso conhecimento dos fendmenos fisicos, ou nossa experiéncia passada, para sugerir a escotha da distribuigdo, Em outras situagGes, a apresentagdo da Figura 8.6 pode ser til na escolha de uma distribuigdo que descreva os dados. Essa figura mostra as regides no plano A), 8 para varias distribuigdes-padrdo de probabilidade, em que f, ¢ fy so medidas de assimetria e curtose, respectivamente. Para utilizar a Figura 8.6, caleulamos cstimativas de assimetria e de curtose a partir da amostra — digamos 99,9 99/- os 80 Percentual acurulado 0 200 400 600 800 1000 1200 Tempo para falha = FIGURA 8.8 Grifico de probabilidade normal do tempo de falha de uma vilvula (1) em que ‘e marcamos o ponto (;. 2) no grafico, Se o ponto assim marcado se situa préximo de um ponto, uma reta ou uma regio que corresponda a uma das distribuigdes na figura, entdo esta distribuigao € uma escolha I6gica para ser usada como modelo para os dados. Se © ponto se situa em regides do plano fy, fy onde nenkuma das distribuigdes parece apropriada, ento podem ser necessrias outras distribuigbes mais gerais de probabilidade, como as familias de as estatisticas de assimetria e curtose ndo {des de Johnson ou Pearson. Um aviso de cuidado deve ser dado ag so confidveis, a menos que sejam calculadas a partir de amostras muito grandes. Em Hahn e Shapiro (1967) encontramos, procedimentos andlogos aos da Figura 8.6 para o ajuste dessas distribuigdes e graficos.Area impossivel be Distribuigéio , © Sy | oe anf | "age 0 1 2 3 4 A = FIGURA 8.6 Regides no plano 6,, f para varias distribuig6es. (De Statistical Models in Engineering de G. J. Hahn ¢ 8. S. Shapiro, John Wiley, New York, 1967.) 8.3 Razées da Capacidade de um Processo 8.3.1 Uso e Interpretagao de C, Frequentemente, convém termos uma forma simples, quantitativa, de expressar a capacidade de um processo. Para tanto, ‘uma forma é a razio da capacidade de um processo (RCP) G,introduzida pela primeira vez no Capitulo 6, Lembre-se de que LSE-LIE 6 (8.4) em que LSE e LIE sao 0s limites superior e inferior de especificagao, respectivamente, C,, e outtas razies da capacidade de um processo sao amplamente utilizadas na indistria, E sao também erroneamente utilizadas, com frequéncia. Vamos apontar alguns abusos mais comuns das razBes da capacidade de um processo. Um excelente livro sobre o assunto, que recomendamos vivamente, ¢ Kotz ¢ Lovelace (1998). Hé, também, extensa literatura técnica sobre andlise da capacidade de Kotz e Johnson (2002) e bibliografia (artigos) do processo e raves da capacidade de um processo. 0 artigo de revi de Spiring, Leong, Cheng e Yeung (2003) e Yum e Kim (2011) so excelentes fontes Em aplicag6es préticas, o desvio-padrdo do processo 0 & quase sempre desconhecido e deve ser substitulde por uma estimativa G. Para estimar 0, tipicamente utilizamos 0 desvio-padrdo amostral s ou R id; (quando se utilizam gréficos de controle de variaveis em um estudo de capacidade). Isso resulta em uma estimativa de C,~ digamos, @ —LSE-LIE pe 6.5)Para ilustrar 0 calculo de C,, recordemos 0 processo de cozimento em semicondutores, analisado pela primeira vez.no Exemplo 6.1 com a utilizagdo de graficos X ¢ R. As especificagdes para a largura do fluxo so LSE = 1,0 micron e LIE = 2,00 micron e, do grafico R, estimamos G= R/d; = 0, 1398, Assim, nossa estimativa da RCP C;, é LSE-LIE _ 2.00-1.00 €, = —— = 1192 e 66 6(0.1398) 15 - « 2 10+ 3 E 5. ( Ee 12 18 14 16 16 17 18 19 Largura do jluxo (micron) = FIGURA 8.7 Histograma da largura do fluxo do Exemplo 6. No Capitulo 6, supusemos que a distribuigdo da largura do fluxo era aproximadamente normal (suposigio razodvel, ‘com base no histograma da Figura 8.7), tendo sido utilizada a tabela da distribuigdo normal acumulada no Apéndice para se estimar que 0 processo produz. aproximadamente 350 ppm (pegas por milhdo) de defeituosas. Por favor, note que essa conclusdio depende da hipétese de que o processo esteja sob controle estatistico, ARCP C, na equaedo 8.4 admite uma interpretagdo pratica ttl, a saber, p=|— hoo (8.6) Pp a percentagem da faixa de especiticagao utilizada pelo proceso. O processo do cozimento utiliza P (55 ino =83:89 1,192 por cento da faixa de especificasao. AS equagdes 8.4 € 8.5 supdem que o processo tenha ambos os limites de especificagdo — superi especificagdes unilaterais, usam-se razdes de eapacidade do proceso unilaterais. RCPs unilaterais sdo calculadas como e inferior, Para a seguir, _ LSE-u 3 (apenas especificagao superior) (8.7) lon pe Ge coe (apenas especificagao inferior) (8.8) o As extimaivas G., © G, slo obits subtiuindose y © # ns egingdes 8:7 © RE plas estimatvas © dh respectivamente.PE ROEEA rares sa Craccnie ce Proceso Unewas | Construa a razao unilateral da capacidade do processo para os dados da resisténcia & ruptura das garrafas do Exemplo 8.1, Suponha que o limite inferior de especificagdo da resisténcia & ruptura seja de 200 psi Sowucdo Usaremos X= 264 € = 32 como estimativas de jo, respectivamente; a estimativa resultante da razo unilateral inferior da capacidade do processo & —LIE _ 264-200 36 3(32) 0,67 ‘pt Estimamos a fragdo de garrafas defeituosas produzidas por este processo determinando a drea a esquerda de (LIE ~ sila = (200 ~ 264)/32 = -2 sob a distribuigdo normal padrdo. A ocorréncia estimada é de cerca de 2,28% de defeituosas, ou seja, 22.800 garrafas ndo conformes por milhdo, Note que, se a distribuigdo normal nao fosse um modelo adequado para a resisténcia, entdo teriamos de fazer 0 tltimo célculo utilizando a distribuigao apropriada. Esse célculo também supse um processo sob controle. ‘A razio da capacidade de um processo € uma medida da habilidade de 0 processo fabricar um produto que atenda as especificagdes. A Tabela 8.2 apresenta diversos valores da RCP C,juntamente com a ocorréncia dos valores associados das falhas do processo, expressos em pegas defeituosas ou unidades ndo conformes do produto por milhdo (ppm). Para ilustrar o uso da Tabela 8.2, note que uma RCP para um proceso estvel normalmente distribuido de C, = 1,00 implica uma taxa de falhas de 2700 ppm para especificagdes bilaterais, enquanto uma RCP C,, = 1,50 para este processo implica ‘uma taxa de falhas de 4 ppm para especificagdes unilateras. ‘As quantidades ppm na Tabela 8.2 foram calculadas com base nas seguintes suposigdes importantes: 4. Acaracteristica da qualidade tem distribuigao normal. 2. 0 processo esta sob controle estatistico. 3. No caso de especificagées bilaterais, a média do processo esta centrada entre os limites de especificagao superior e inferior. = TABELA 8.2 Valores da Razdio da Capacidade de um Processo (C,) e Falhas Associadas (em ppm Defeituosas) para um Proceso Normalmente Distribuido que Esta sob Controle Estatistico Falhas do Processo (em ppm defeituosas) RCP Especificagées Unilaterais Especificagées Bilaterais 0,25 226.628 453.255 0,50 66.807 133.614 0.60 36.931 71.861 0,70 17.865 35.7290,80 8.198 16.395 0,90 3.467 6.934 1,00 1.350 2.700 4,10 484 967 4,20 159 318 1,30 48 96 1,40 14 27 1,50 4 7 1,60 1 2 4,70 017 0,34 1,80 0,03 0,08 2,00 0.0009 0.0018 Essas suposigdes so absolutamente eriticas para a exatidio e validade dos valores relatados, e se elas nfo forem validas, entao esses valores podem estar seriamente errados. Por exemplo, Somerville « Montgomery (1996) relatam uma ampla pesquisa dos erros decorrentes da utilizagdo da suposigao de normalidade pata fazer inferéncias sobre o nivel ppm de um processo, quando, na realidade, a distribuigdo subjacente no ¢ normal. Eles investigaram varias distribuig6es no normais © constataram que podem ocorrer erros de diversas ordens de grandeza na predigio de ppm se fizermos suposigdes erréneas de normalidade. Mesmo quando utilizamos uma distribuigdo t com até 30 graus de liberdade, ocorrem cerros substanciais. Assim, mesmo que uma distribuigio ¢ com 30 graus de liberdade seja simétrica e, visualmente, quase no se distinga da normal, as caudas mais longas ¢ mais pesadas da distribuigao 1 fazem diferenea significativa quando estimamos as ppm. Consequentemente, a simetria na distribuigao do resultado do proceso, por si sé, & insuficiente para assegurar que qualquer RCP daré uma predigdo confidvel das ppm do proceso. Na Segio 8 ‘maiores detalhes a questio da ndo normalidade. ., discutiremos com A estabilidade ou 0 controle estatistico do processo também é essencial para uma interpretagio correta de qualquer RCP. Infelizmente, é bastante comum a pratica de se calcular uma RCP a partir de uma amostra de dados histéricos de um proceso, sem se levar em conta se 0 processo esté, ou ndo, sob controle estatistico. Se 0 proceso nfo esta sob controle, centdo, naturalmente, seus parémetros so instéveis ¢ seus valores futuros sdo incertos. Perdem-se, assim, os aspectos preditivos da RCP relativos ao desempenho das ppm do pri Finalmente, tenha em mente que que efetivamente observamos ¢ uma estimativa da RCP. a estimativa esta sujeita ‘erro na estimagio, pois depende das estatisticas amostrais. English e Taylor (1993) relatam a possibilidade de ocorréneia de grandes erros a0 estimarmos RCPs com base em dados amostrais, de modo que a estimativa disponivel efetivamente pode nao ser muito confidvel. E sempre uma boa ideia reportar-se a estimativa de qualquer RCP em termos de um intervalo de confianga, Na Seyio 8.3.5, mostraremos como fazer isso para algumas das RCPs comumente usadas. ‘A Tabela 8.3 apresenta algumas diretrizes recomendaveis para valores minimos da RCP. A caracteristica resisténcia da garrafa é um parimetro estreitamente icionado com a seguranga do produto; garrafas com uma resisténcia inadequada pressdo podem romper-se ¢ ferir os consumidores. Isso implica que a RCP deve ser de, no minimo, 1,45, Talvez, uma forma de melhorar a RCP seja aumentar a resisténcia média das garrafas ~ por exemplo, pondo-se mais vidro no molde, = TABELA 8.3, ‘Valores Mit imos Recomendados da Razio da Capa jade do ProcesoEspecificagées Bilaterais Especificacées Unilaterais Processos existentes 1,33 1,25 Novos processos 1,50 1.45 Seguranga, forga, ou parametro 1,50 1,45 critico, proceso existente Seguranga, forga, ou pardmetro 1.87 1,60 critico, processo novo Salientamos que os valores da Tabela 8.3 so apenas minimos. Em anos recentes, muitas companhias adotaram critérios para avaliar seus processos que incluem objetivos de capacidade do processo mais rigidos do que os da Tabela 8.3. Por exemplo, uma empresa Seis Sigmas exige essencialmente que, quando a média do processo esté sob controle, estard a menos de seis desvios-padrdo do limite de especificagio mais proximo. E isso exige, na realidade, que a razio da capacidade do processo seja, no minimo, 2,0 8.3.2 Raz&o da Capacidade do Processo para um Processo Descentrado ‘A razio da capacidade de um processo C,,niio leva em conta onde a média do processo esté localizada em relagio as especificagdes. C, mede simplesmente a dispersio das especificagdes em relagdo a dispersio Seis Sigmas no processo. Por exemplo, as duas primeiras distribuigSes normais da Figura 8.8 tém, ambas, C, = 2,0, mas © processo no painel (b) da figura tem claramente capacidade inferior & do processo do painel (a), porque no esta operando no ponto médio do intervalo entre as especificagdes Essa sittagdo pode ser refletida com maior precisio mediante definigao de uma nova razdo da capacidade (RCP) ~ Cx do processo que leve em conta a centralizagdo do processo. Esta grandeza é Cy =min(Cye Gr ) (8.9) Note que Cy» ada mais € do que a RCP unilateral para o limite de especificagao mais préximo da média do processo. Para o processo exibido na Figura 8.86, terfamos Cyn =min(Cy. Cy) =nin(G, Sta ES De modo geral, se C, = Cyis 0 provesso esta centrado no ponto médio das especificagdes, © quando Cy < C,, 0 provesso est descentrado, ‘A magnitude de C,, em relagdo a C, & uma medida direta de quao fora de centro o processo esté operando, A Figura 8.8 ilustra vérios casos encontrados comumente, Note, no paitel (c) da Figura 8.8, que Cy = 1,0, enquanto C, = 2,0. Pode-se usar a Tubela 8.2 para uma estimativa répida da melhoria potencial que seria possivel mediante a centralizagao do proceso. Se tomarmos C, = 1,0 na Tabela 8.2 € lermos a ocorréncia de falhas na coluna de especificagées unilaterais, poderemos estimar a ocorréncia de falhas efetiva como 1350 ppm. Entretanto, se pudermos centralizar 0 processo, ento poderemos obter C, = 2,0, € a Tabela 8.2 (tomando C, = 2,0 e especificagdes bilaterais) sugere que a ocorréncia defalhas potencial & 0,0018 ppm, uma melhoria de varias ordens de grandeza no desempenho do processo. Por isso, costumamos dizer que C, mede a eapacidade potencial no processo, enquanto Cy, mede a capacidade efetiva. © painel (d) da Figura 8.8 ilustra 0 caso em que a média do processo & exatamente igual a um dos limites de especificagdo, conduzindo a Cj. = 0. Conforme ilustra o painel (¢), quando C,. <0, a implicagdo & que a média do processo esté fora das especificagdes. Obviamente, se Cyy <1, todo 0 proceso esta fora dos limites de especificagio. Alguns autores definem C,,como ndo negativa, de modo que os valores inferiores a zero sto definidos como zero, Muitos especialistas em engenharia da qualidade tém se manifestado contra o uso rotineiro de razdes da capacidade de um proceso tais como C, € Cx (ou outras abordadas mais adiante nesta segdo), pelo fato de elas serem uma supersimplificagdo de um fenémeno complexo. Certamente, qualquer estatistica que combine informagdes tanto sobre @ localizagao (a média e a centralizagdo do processo) quanto sobre a variabilidade, e que exija a hipétese de normalidade para sua interpretagao significativa, tem alguma chance de ser mal utilizada (ou abusada). Além disso, como veremos, as cestimativas pontuais de razdes da capacidade de um processo so virtualmente indteis, quando calculadas com base em pequenas amostras. Obviamente, essas razdes devem ser usadas e interpretadas com grande cuidado. ue LSE 6, =2.0 oe ©) 384d (a 280 44 BOCSSCD. © } a8 4450S = FIGURA 8.8 Relagdo entre C,e Cri 8.3.3 Normalidade e Razio da Capacidade de um Processo Uma suposigdo importante subjacente & nossa discussdo da capacidade de um processo ¢ as razies C, oU Cy, € que suas interpretagdes usuais se baseiam em uma distribuigao normal da saida do processo. Se a distribuigo subjacente no for normal, entio, como ji advertimos, as afirmagdes sobre as falhas esperadas do proceso atribuidas a um valor particular de C, ou C,upoderdo nao ser verdadeiras. Para ilustrar este ponto, consideremos os dados da Figura 8.9, que é um histograma de 80 medidas da aspereza de uma superficie em uma pega fabricada por uma méquina (medida em micropolegadas). © limite superior de especificagao & 35, LSE ~32 micopolegadss. A média eo dssvio-pardo amostais so 7 = 10,44.¢s ~ 3,053, © que implica G, = 2.35, € fa Tabela 8.2 sugere que as falhas so inferiores a uma parte por bilhdo, Todavia, como o histograma é fortementeassimétrico, podemos ter bastante certeza de que @ distribuigo ndo & normal. Assim, esta estimativa da capacidade tem pouca chance de ser correta, Uma forma de se abordar esta situagio ¢ através da transformago dos dados, de modo que, na nova métrica transformada, os dados tenham a aparéncia de uma distribuigio normal. Ha vérias abordagens grificas e analiticas para a escolha de uma transformagdo, Nesse exemplo, utilizouese a transformagio recfproca, A Figura 8.10 exibe um histograma dos valores reciprocos x* = I/x. Na escala transformada, * = 0,1025 ¢ s* = 0,024, eo limite superior de especificagao se torna 1/32 = 0,03125. Isso nos dé & = 0,97, o que implica que cerca de 1350 ppm estdo fora das especificagdes. Esta cstimativa do desempenho do proceso ¢ obviamente muito mais realista do que a resultante da suposigdo usual de “teoria normal”. Outras abordagens tém sido consideradas ao se lidar com dados nfo normais. Tem havido varias tentativas de ampliagdo das definigdes dos indices-padrao de capacidade a casos de distribuigdes nao normais. Lucefto (1996) introduziu o indice C,., definido como Frequéncia 8 0 6 10 14 18 22 Pontos médios das calas m= FIGURA 8.9 Aspereza de uma superficie em micropolegadas para uma pega fabricads em uma maquina 20); $$ ————. « 3 10 é a Vid eSheQe-anTO sessecsessge Pontos médios das calas = FIGURA 8.10 Recfprocos da aspereza de uma superficie. (Adaptado de dados constantes da coluna “Statistics Comer” em Quality Progress, mato de 1989, com permissio da American Society for Quality Control.) ¢ = SSE (8.10) ne = 6/Fax-71 1 em que 0 valor-alvo do processo é T=! (LSE LIF). Luvefio usa o segundo indice em C,. para representar a confianga, € enfatiza que os intervalos de confianga baseados em Cyy sd0_confiéveis; naturalmente, esta afirmagio deve ser interpretada com cautela. © autor usou também a constante 6 V 7/2 7.52 no denominador, para tornélo igual a 60 ‘quando a distribuigao subjacente é normal. Na Sep 8.3.5, daremos o intervalo de confianga para Cy. Tem sido feitas, também, tentativas para a modificagio dos indices usuais de capacidade, de modo que eles sejam apropriados para duas familias gerais de distribuigdes: as familias de Pearson ¢ de Johnson, Isso tornaria as RCPsamplamente aplicéveis a distribuigGes tanto normais quanto no normais. Em Rodriguez (1992) e Kotz e Lovelace (1998) ‘encontram-se boas discussdes dessas abordagens. A ideia geral consiste na utilizagdo de quantis apropriados da distribuigdo do processo ~ digamos 90135 € Xo 9o46s — para se definir uma RCP baseada em quantis ~ digamos, LSE-LIE C,(q)=——————_ (8.11) 9.99865 — 0.00135 Ora, como na distribuigdo normal xopo138 = - 3 € Xoosnss = M+ 3e, Vemos que, no caso de uma distribuigdo normal, C,(q) se reduz a C,, Clements (1989) propds um método para a determinago dos quantis com base na familia de distribuigdes de Pearson. De modo geral, entretanto, poderfamos ajustar qualquer distribuigo aos dados do processo, determinar seus quantis xosoees © Xyoorss, € aplicar a equacio 8.11, Consulte Kotz e Lovelace (1998) para mais informagves. 8.3.4 Mais Detalhes sobre Centralizagao de Processos ‘A razio da capacidade de um processo Cy foi criada inicialmente porque C, nio aborda de maneira adequada 0 caso de tum proceso com média que ndo esteja centrada entre os limites de especificagio. Entretanto, C4 por si s6 ainda é uma ‘medida inadequada de centralizagio de um proceso. Por exemplo, considere os dois processos mostrados na Figura 8.11 Ambos os processos, Ae B, tém Cj = 1,0, mas sua centralizagio & nitidamente diferente. Para se caracterizar satisfatoriamente a centralizagdo de um processo, Cre deve ser comparada com C,. Para o Proceso A, Cu = Cy = 1,0, 0 que implica que o processo esté centrado, enquanto para 0 processo B, C, = 2,0> Cy.= 1,0, 0 que implica que 0 processo esti descentrado. Para qualquer valor fixo de 1 no intervalo de LIE a LSE, Cyx depende inversamente de 6 e aumenta ‘quando o tende para zero, Esta caracteristica pode tornar Cy, ittadequada como medida de centralizagao. Isto é um grande valor de Cy< nada nos diz sobre a localizagao da média no intervalo de LIE a LSE, dg = 575 9 =2: ue Hi, =80 tse a8 s x I 6 © 70 m= FIGURA 8.11 Dois processos com C, Lina rma de se conor esa fel onsite mlz uma soda capac d poeso que Siam melhor indicador de centralizagao. Tal razio é Cpy = SE=EE (12) 6t 1 em que t é a raiz quadrada do desvio quadritico esperado a partir do alvo T= 3 (LSE + LIE), 1-7] Ela — n+ (wT =o + W- TP Assim, a equagdo 8.12 pode ser escrita como LSE -LIE T (8.13) pm 6yo° +(u- ) em queo= (8.14) Uma forma légica de se estimar Cy, 6 através de C (8.15) pm = em que (8.16) Chan, Cheng e Spring (1988) estudaram esta razio, diversos estimadores de Cym, € suas propriedades amostrais. Boyles (1991) elaborou uma andlise definitiva de Cp, e de sua utilidade na medida da centralizagdo de um processo. Boyles observa que tanto Cy quanto C,acoincidem com C, quando w= 7, e diminuem quando y se afasta de T. Entretanto, Cy < O para > LSE ou «. Boyles mostra, também, ‘que a Cpa de um processo com | — 7] = A > 0 € estritamente limitada acima pelo valor C, de um proceso com o = A, isto é, LSE-LIE a (8.17) pm < Assim, uma condigdo necesséiria para que Cyy 2 1 € w-n<4 se -LiB) Esta estatistica nos diz que, se 0 valor-alvo T for o ponto médio das especificagdes, uma Cade um ou mais implicaré que a média se situe no tergo médio da faixa de especificagao, Pode-se fazer afirmagdo andloga para qualquer valor de Coy. Por exemplo, Cyn = 4 implica | ~ 7] Cyo (ou 0 processo € capaz) Gostariamos de rejeitar Hy (recorde que, no teste de uma hipétese est istica, a rejeigdo de Hy & sempre uma conclusio forte), demonstrando, assim, que o processo ¢ capaz. Podemos formularo teste estatstico em termos de C., de modo que rejetaremos Hy se Cy, exceder um valor critica C. Kane (1986) investigou este teste, ¢ elaborou uma tabela de tamanhos amostrais e valores eriticos C para auxiliar no teste da capacidade de um processo. Definimos C,(Alto) como a capacidade de um processo que aceitariamos com probabil 8.4 dé valores de C,(Alto)/C,(Baixo) e C/C,(Baixo) para diversos tamanhos amostrais € a =. ‘exemplo a seguir ilustra o uso dessa tabela. idade 1 — a e C,(Baixo) como a capacidade de um processo que rejeitarfamos com probabilidade 1 - f. A Tabela B= 0,05 ov a=f = 0,10, 0 Exempto 8.6 eros Um cliente informou a um fornecedor que, para se qualificar para negécios com sua firma, ele deve demonstrar que a capacidade de seu processo supera C, = 1,33. Assim, o fornecedor deseja estabelecer um procedimento para testar as hipsteses Hg: Cy = 1,33 Hy: Cp> 1,33 © fornecedor deseja ter a certeza de que, se a capacidade do processo for inferior a 1,33, havera alta probabilidade (digamos, 0,90) de detectar este fato, enquanto se a capacidade do processo exceder 1,66, haverd grande probabilidade de 0 proceso ser julgado capaz (novamente, digamos, 0,90). Isso implicaria C,(Baixo) = 1,33, C,(Alto) = 1,66 €a =f = 0,10, Para achar 0 tamanho da amostra e 0 valor critico C na Tabela 8.5, ealeule C,(Allta) C,Baixa) € levamos o valor ao painel (a) da tabela, em que a = = 0,10. Obtivemos, entio, 1,66 n=10 CIC,(Baixa) = 1, de onde calculamos CIC, (Baixa) 1.10 -33(1,10) = 1,46 = TABELA 8.4 Determinago do Tamanho da Amostra e do Valor Critico para o Teste de Hy: C, = Gyo (a) (b) a= B=0,10Tamanho, (Alta)/C,(Baixa) _C/C, (Baixa) C, (Alta)/C,(Baixa) —C/C, (Baixa) Amostral,n 10 1,88 1,27 2,26 1.37 20 1,53 1,20 4,73 1,26 30 141 1,16 1,55 1.21 40 1,34 114 1,46 118 50 1,30 113 1,40 1.16 60 1.27 41 1,36 115 70 1,25 1,10 1,33 114 80 1,23 1,10 1,30 113 90 1.21 1,10 1,28 112 100 1,20 1,09 1,26 41 Fonte Adaptado de Kane (1886), com permisséo da American Society for Qualty Control Assim, para demonstrar a capacidade, o fornecedor deve tomar uma amostra den = 70 pegas, € a razio da capacidade do processo amostral Cy, deve exceder C < 1,46, Esse exemplo mostra que, para se demonstrar que a capacidade do processo é, no minimo, igual a 1,33, a é amostral observada deve exceder consideravelmente 1,33. Isso ilustra que algumas préticas industriais comuns podem ser estatisticamente questiondveis. Por exemplo, é pritica bastante comum aceitar-se um processo como capaz no nivel C, > 1,33 se a Cyamostral for superior & 1,33 com base em um tamanho amostral 30 as ias (03). (Fp) (73). Supona que of resultados se apresentem como na Figura 8.13. Come wna porsto substacial da variailidade total e varias andlises em cada garrafa, o que permitiria a estimagio das vari maquina, e fazendo- observada no Brix & decorrente da variabilidade entre tomeiras, isso indica que o proceso talvez possa ser melhorado ‘mediante redugao da variabilidade tomeira-a-torneira. Isso pode ser conseguido mediante uma estrutura ou um controle mais cuidadosos da operagao da maquina. 8.6 Analise da Capacidade de um Processo com Dados de Atributo Muitas vezes, 0 desempenho de um processo & medido em termos de dados de atributo — isto é, unidades nao conformes ‘ou defeituosas, ou ndo conformidades ou defeitos. Quando uma fragao no conforme & a medida do desempenho, & tipico ‘6 uso de pegas defeituosas por milhdo (ppm) como uma medida da capacidade do provesso. Em algumas organizagses, cessas ppm defeituosas sto convertidas em um nivel sigma equivalente. Por exemplo, um processo que produ. 2.700 ppmdefeituosas seria equivalente a um processo trés sigmas (sem o “usual” deslocamento de 1,5 6 na média que muitas onganizagdes Seis Sigmas empregam nos célculos que fazem). ‘Ao se lidar com nao conformidades ou defeitos, usa-se, em geral, uma estatistica de defeitos por unidade (DPU) como uma medida de capacidade, em que , _ Numero total de defeitos ‘Numero total de unidades DPI Aqui, a unidade € algo que ¢ entregue a um cliente e que pode ser avaliado ou julgado em relagdo a sua adequacao. Alguns ‘exemplos incluem: ‘Uma fatura Um carregamento Um pedido do cliente Uma averiguagdo ou chamada (Os defeitos ou nio conformidades so quaisquer coisas que ndo correspondam aos requisitos do cliente, tais como: 1. Um erro em uma fatura 2. Um carregamento incorreto ou incompleto 3. Um pedido do cliente incorreto ou incompleto 4, Uma chamada que nao é satisfatoriamente completada Obviamente, essas quantidades so estimadas a partir de dados amostrais. Grandes amostras precisam ser usadas para a obtengdo de estimativas confiveis ‘A medida DPU nao leva em conta diretamente a complexidade da unidade, Uma maneira muito usada para se fazer isso Eatravés da medida de defeitos por milhdo de oportunidades (DPMO) Numero total de defeitos DYMO = simmer de unidaties x Numero de oportunidades Oportunidades séo 0 nlimero de chances potenciais em uma unidade para a ocorréncia de um defeito. Por exemplo, em ‘uma ordem de compra, 0 nimero de oportunidades seria 0 dobro do mimero de campos a serem preenchidos, porque cada ‘campo pode ser preenchido incorretamente ou em branco (informagao ausente). E importante a consisténcia em relagao a ‘como as oportunidades s20 definidas, uma vez que um processo pode ser artificialmente methorado pelo simples aumento ro niimero de oportunidades ao longo do tempo. 8.7 Estudos sobre a Capacidade de um Medidor e de um Sistema de Medidas 8.7.1 Conceitos Basicos da Capacidade de um Medidor ‘A determinagao da capacidade de um sistema de medidas ¢ um aspecto importante de muitas atividades de melhoria da qualidade © do proceso. Geralmente, em uma atividade que envolve medigdes, alguma variabilidade observada seré inerente as unidades ou itens que estdo sendo medidos, ¢ alguma variabilidade seré resultado do sistema de medida usado. sistema de medida consistird (minimamente) de um instrumento, ou medidor, ¢ normalmente tem outros componentes, tais como operadores que 0 usam e as condigdes sob as quais & usado, ou diferentes instantes de uso no tempo. Pode hhaver outros fatores que impactam o desempenho do sistema de medida, tais como atividades de instalagdo ou ealibragao. © objetivo da maioria dos estudos da capacidade dos sistemas de medida é 1. Determinar quanto da variabilidade total observada & decorrente do medidor ou instrumento 2. Isolar os componentes da variabilidade no sistema de medida 3. Avaliar se o instrumento ou medidor & capaz (isto é se € adequado ao que se pretende) Medigdes sto um componente significante de qualquer sistema da qualidade. Medigao € um componente integrante do processo de resolugdo de problemas DMAMC, mas é ainda mais importante do que isso. Um sistema de medida ineficaz pode impactar consideravelmente o desempenho do negécio, pois leva a tomadas de decisdo ndo informadas (em geral, ruins).Nesta sego, introduziremos os dois R da capacidade de sistemas de medida: repetibilidade (Obteremos 0 mesmo valor ‘observado se meditmos a mesma unidade varias vezes sob condigdes idénticas?) e reprodutibilidade (Quanta diferenga vemos nos valores observados quando as unidades so medidas sob condigbes diferentes, tais como operadores, perfodos de tempo, ¢ outros”) Essas quantidades respondem apenas indiretamente & questio fundamental: © sistema é capaz de distinguir entre unidades boas e ruins? Isto é, qual é a probabilidade de que uma unidade boa seja considerada defeituosa e, inversamente, qual & a probabilidade de que uma unidade ruim seja repassada ao cliente como boa? Essas probabilidades de classificagdes erradas sao de célculo bastante facil a partir dos resultados de um estudo-padrao da capacidade de sistemas de medida, ¢ fornecem informagio confivel, tl e de facil entendimento sobre desempenho de sistemas de medida, ‘Além da repetibilidade © reprodutibilidade, hi outros aspectos importantes da capacidade de sistemas de medida, A linearidade de um sistema de medida reflete as diferencas na exatiddo e/ou preciso observada ao longo da amplitude das medigdes feitas pelo sistema. Um modelo de regressdo linear simples é em geral, usado para a descrigdo dessa caracteristica, Problemas com a linearidade sfio quase sempre resultado de problemas de calibragao. e ‘manutengao. Estabilidade, ou niveis diferentes de variabilidade em diferentes regimes de operag30, podem resultar de efeitos de aquecimento, fatores ambientais, desempenho inconsistente do operador, ¢ procedimento de operagio-padrao inadequado. Viés reflete a diferenga entre medidas observadas © um “verdadeiro” valor obtido de um padrio méster ou ‘ouro, ou de uma téenica de medida diferente que se sabe produzir valores precisos. Monitoramento, controle, melhoria ou gerenciamento eficazes de um processo s20 muito dificeis com um sistema de medida inadequado, £ algo andlogo a pilotar um navio através da neblina sem radar — eventualmente, pode-se bater em um iceberg! Mesmo que nao ocorra qualquer catéstrofe, sempre se gastaré tempo e dinheiro & procura de problemas onde no cexistem, e tendo de tratar com clientes insatisfeitos que receberam produtos defeituosos. Como excessiva variabilidade de ‘medigdo se torna parte da variabilidade geral do produto, ela também impacta negativamente muitas outras atividades de methoria do processo, tais como a exigéncia de grandes amostras em estudos comparativos ou observacionais, mais, replicagdo em experimentos planejados destinados 4 methoria do processo e mais testes extensivos do produto. Para a introdugdo de ideias bésicas da anélise de sistemas de medida (ASM), considere um modelo simples, mas razodvel, para estudos da capacidade de sistemas de medida xte (8.23) y ‘em que y é a medida observada total, x & 0 verdadeiro valor da medida em uma unidade do produto, ¢ ¢ é a medida do erro. Suporemos que x € © sejam variéveis normal e independentemente distribuidas, com médias ze 0, e variéncias (G2) & (OReeasane> Tespectivamente. A variéncia da medigdo observada total, v, &ento 3 + O2redidor (8.24) Gréficos de controle ¢ outros métodos estatisticas podem ser usados para separar esses componentes da varidncia, bem ‘como para dar uma avaliagdo da capacidade do medidor. Exeueco 2.7 (aera Deve-se usar um instrumento como parte de uma implementagdo de proposta de CEP. Seria conveniente que a equipe envolvida no projeto de methoria da qualidade obtivesse uma avaliagio da capacidade do medidor. Obtém-se vinte unidades do produto, ¢ o operador do provesso, que efetivamente toma as medidas para o gréfico de controle, utiliza © instrumento para medir cada unidade do produto duas vezes. Os dados sao apresentados na Tabela 8.6. Sowugao A Fig ra 8.14 exibe os grificos ¥ e R para esses dados. Note que o grafico X apresenta muitos pontos fora controle, Isso j4 era de se esperar, porque, nesta situagdo, o grafico X tem uma interpretagiio que ¢ algo diferente da imterpretagto usual, © grifico X neste exemplo mostra 0 poder discriminative do instrumento — fiteralmente, acapacidade do medidor em distinguir entre unidades do produto, grifico R mostra diretamente a magnitude do erro de medida, ou a capacidade do medidor, Os valores de R representam a diferenga entre medidas tomadas sobre a ‘mesma unidade, utilizando-se 0 mesmo instrumento. Neste exemplo, 0 gréfico R esti sob controle. Isso indica que © operador nao esté tendo qualquer dificuldade em fazer mensuragdes consistentes. Pontos fora-de-controle no grifico R indicariam que o operador estaria tendo dificuldade em utilizar o instrumento. = TABELA 8.6 Dados sobre Medidas de Pegas Medidas Numero da Pega 1 2 R 1 24 20 20.5 1 2 24 23 23,5 1 3 20 24 20,5 1 4 27 27 27.0 0 5 19 18 18,5 1 6 23 21 22,0 2 7 22 24 215 1 8 19 7 18,0 2 9 24 23 23,5 1 10 25 23 24,0 2 " 2 20 20,5 1 12 18 19 18,5 1 13 23 25 24,0 2 14 24 24 24,0 0 15 29 30 29.5 1 16 26 26 26,0 0 17 20 20 20,0 ° 18 19 2 20,0 2 19 25 26 25.5 1 20 19 19 19.0 0 223 Roto © desvio-padrio do erro de mensuragd0, Oysaisor pode ser estimado como se segue:0.887 A distribuigo do erro de mensuragdo usualmente & bem aproximada pela normal. Assim, o°yido& uma boa estimativa dda capacidade do medidor. 5 0 6 2 = FIGURA 8.14 Gritficos de controle para a anélise da capacidade do medidor no Exemplo 8.7. E uma prética bastante comum (embora ndo necessariamente boa) comparar-se a estimativa da capacidade do medidor com a largura das especificagdes, ou a faixa de tolerdncia (LSE — LIE) para a pega que esté sendo medida. A razio de KEG spsson para a faixa de tolerdncia total é chamada frequentemente de razio da preciso para a tolerncia (P/T): KG Medidor PIT = T35 —UE Na equagio 8.25, escolhas populares pata a constante k so k= 5,15 € k= 6. O valor & = 5,15 corresponde ao valor limitante do mimero de desvios-padrdo entre os limites de um intervalo de tolerdncia de 95% que contém, pelo menos, 99% de uma populagio normal, ¢ k = 6 corresponde ao nimero de desviospadrdo entre os limites usuais naturais de tolerancia de uma populago normal ‘A pega ttlizada no Exemplo 8.7 tem LSE ~ 60 e LIE ~ 5. Portanto, fazendo k= 6 na Equacao 8.25, uma estimativa da razio PIT € DIT 60887) _ 5.32 _ gag, ~ 60-5 55 Frequentemente, tomam-se valores de P/T' no maximo iguais a 0,1 a fim de implicar capacidade adequada do medidor. Isso se baseia na regra geralmente izada, que exige que um dispositive de mensurago seja calibrado em unidades um décimo tio grandes quanto a preciso exigida na medida final. Mas devemos ter euidado ao aceitar esta regra empi _geral em todos os casos. Um medidor deve ser suficientemente capaz de medir com exatidio e precisdo tais que permitam 0 analista tomar a decisdo correta, Isso nao precisa exigir necessariamente que P/T'< 0,1 Podemos utilizar os dados do expetimento da capacidade do medidor do Exemplo 8.7 para estimar os componentes da varifincia na equagdo 8.24 associados & vatiabilidade total observada. Pelas medidas amostrais efetivas da Tubela 8.6, podemos calcular s = 3,17, que é uma estimativa do desvio-padrdo da variabilidade total, incluindo tanto a variabilidade do produto quanto a variabilidade do medidor. Portanto,(3.17)? = 10.05 ‘Como da equagdo 8.24 temos que a Toa = OP + Orediden € como dispomos de uma estimativa de Ofteiiier = (0.887) = 0.79. podemos obter uma estimativa de OP como se segue 6} = Gig — Oxtedicor = 10.05 ~ 0.79 = 9,26 Portanto, uma estimativa do desvio-padrao da caracteristica do produto & Gp = v9.26 = 3.04 Hé outras medidas da capacidade do medidor que tém sido propostas. Uma delas & a razo da variabilidade do processo Ppa ge (826) Bs © outra seria a razo da variabilidade do sistema de medida para a variabilidade total: __ FNteir Pu= Fara €27) Obviamente, pp = 1 — py. Para a situagao no Exemplo 8.7, podemos calcular uma estimativa de py como se segue: a2 . _ Omadidor Pm =o Total Assim, a varidncia do instrumento de medida contribui com cerca de 7,86% da variancia total observada nas medigdes. Outra medida da adequagio do instrumento de medida é definida pela AIAG (1995) [note que hé também uma edigao atualizada desse manual, AIAG (2002)] como razio sinal-ruido (RSR): RSR 2Pp (8.28) Pp A AIAG definiu a RSR como o niimero de niveis distintos ou categotias que podem ser obtidas com confianga das ‘medigdes. Recomenda-se um valor de S ou mais, e um valor menor do que 2 indica capacidade inadequada do medidor. Para o Exemplo 87, temos y= 0,0786 ¢, usando fp=1—fpy, vemos que p= 1— Py =1— 0.0786 = 0,9214, de modo que a estimativa de RSR na equagio 8.28 &Exatidao alta Precisdo baixa m FIGURA 8.15 Os conceitos de exatidio e precisio. (a) O medidor & exato e preciso. (4) O medidor € exato, mas ndo preciso. (c) 0 Assim, 0 medidor no Exemplo 8.7 ndo satisfaria as exigéncias sugeridas de um RSR de, pelo menos, 5. No entanto, essa exigéncia para o RSR & arbitréria, de algum modo. Outra medida da capacidade do medidor é a razio de diseriminagio (RD) (8.29) ‘Alguns autores sugeriram que, para um medidor ser capaz, RD deve exceder 4, Essa ¢ uma exigéncia muito arbitrria Para a situagao do Exemplo 8,7, calculamos uma estimativa para a razio de diseriminagao como L+pp_ 140.9214 _ RD= = = 1—pp 1-09214 24.45 Claramente por essa medida, 0 medidor é eapaz. = TABELA 8.7 Dados da Impedincia Térmica (°C/W = 100) para o Experimento de um Medidor R & R. Inspetor 1 Ins petor 2 Inspetor 3 Namero Teste Teste Teste Teste Teste Teste Teste Teste daPeca 1 2 3 1 2 3 1 2 Teste 3 1 373887 41 4140 41 42 44 2 420 4148 42 42042 43 42 43 3 30 34 3 34 31 34 29-30 284 42 43042 43 «43043 42 42 42 5 28 3029 29 «308 31 29 29 6 42 42043 45° «45045 44°46 45 7 2 8626 aT 28 «2830 29007 ar 8 40. 40 40 430 420 4343 4 9 250 2528 27298 26 (26 26 10 3500 3434 3500 (3534 35034 35 ‘Nesta sega, lidamos principalmente com a preciso do medidor, e ndo com sua exatidao, A Figura 8,15 ilustra estes dois conceitos, Nessa figura, 0 “olho de boi” do alvo € considerado como o verdadeiro valor da caracteristica medida, ou a média yw de x na equagdo 8.23. A exatidio se refere A capacidade do instrumento de medir corretamente, em média, o verdadeiro valor, enquanto a preciso é uma medida da variabilidade inerente ao sistema de mensurago. A avaliagdo da exatiddo de um medidor ou sistema de medidas frequentemente exige 0 uso de um padrdo, para 0 qual se conhece o verdadeiro valor da caracteristica medida, Em geral, a caracteristica de exatidao pode ser modificada, fazendo-se ajustes no dispositivo, ou utilizando-se uma curva de calibragem construida adequadamente. ‘Também € possivel o planejamento de estudos da capacidade de um sistema de medida para a investigagao de dois ‘componentes do erro de mensurago, comumente chamados repetibilidade ¢ reprodutibilidade do medidor. Definimos a reprodutibilidade como a variabilidade decorrente do fato de © medidor ser utilizado por diferentes operadores (ou em periodos diferentes de tempo, ou em diferentes ambientes, ou, de modo geral, em condigdes diferentes); ¢ a repetibilidade ‘como refletindo a preciso bisica inerente ao proprio medidor. Isto é, + Frepodubiidnie __(8.30) ade Medién = Pion = Pepe © experimento usado para a medig&o dos componentes de Gxfeaide: € usualmente chamado de estudo R & R, pelos rnomes de seus dois componentes. Agora, mostramos como analisar experimentos para medidor R & R. 8.7.2. O Método da Anilise de Variancia Um exemplo de um estudo de um medidor R & R, extraido do artigo de Houf e Berman (1988) & mostrado na Tabela 8.7. (0s dados s0 medidas de impedéncia térmica (em graus C por Watt x 100) em um médulo de poténeia para um arranque de motor de indugdo. Hé 10 pegas, 3 operadores e 3 medidas por pega, O estudo do medidor R & R é um experimento planejado. Especificamente, é um experimento fatorial, assim chamado porque cada inspetor ou “operador” mede todas as pegas. A anilise de varidneia introduzida no Capitulo 4 pode ser estendida para a andlise dos dados de um experimento de um medidor R & R e para a estimagio dos componentes apropriados da variabilidade de sistemas de medida. Damos, aqui, apenas uma répida visdo do procedimento; para maiores detalhes, consulte Montgomery (2009), Montgomery ¢ Runger (19932, 1993b), Borror, Montgomery ¢ Runge (1997), Burdick ¢ Larsen (1997), o artigo de revistio de Burdick, Borror ¢ Montgomery (2003), 0 livro de Burdick e Montgomery (2005), ¢ 0 material suplementar do texto para este capitulo. Se houver p pegas selecionadas aleatoriamente e o operadores também selecionados aleatoriamente, e se cada operador ‘medir cada pega n vezes, entdo as medidas (= pega, j = operador, k= medida) podem ser representadas pelo modelo Vij = HAP, +O} + (PO); 2 + ep ieem que 0s parimettos do modelo P,, O, (PO), &yx $80, todos cles, variveisaleatrias independentes que representam 0s efeitos das pegas, dos operadores, e a interagdo, ou efeitos conjuntos, de pesas e operadores, eo erro aletério, Este & tum modelo de efeitos aleatérios da an‘lise de varifncin (ANOVA). Algumas vezes, & também chamado de modelo- padrlo para um experimento para um medidor R & R. Supomos que as variéveis aleatorias P,, Q}, (PO), € &y sejam distribuidas normalmente, _ com média zero ¢~—svarifincias = dadas. «spor. «= V(P,) =. VO) = 0%. M(PO),] = O30 © Mee) = Portanto, a varidncia de qualquer observagio & (831) 03.03. 2p € G7 sfo 0s componentes da varifincia que quetemos estimar Podemos usar os métodos da andlise de varidincia para estimar os componentes da varidncia. O procedimento envolve a partigdo da variabilidade total nas medidas nas seguintes partes componentes: SQrorat = SQpegast SCoperadores* S2pxot Serre (832) ‘em que, tal como no Capitulo 4, a notago SQ representa uma soma de quadrados. Embora essas somas de quadrados possam ser calculadas manualmente,' na prética sempre utilizamos um pacote computacional para esta tarefa. Cada soma de quadrados no membro direito da equa ‘lo 8.32 6 dividida pelos seus graus de liberdade para gerar médias quadraticas: SQvecas p-l Mo, Copan o-l SQp.0 (p- I(o-1) $e po(n—1) MO po = MOQ, Pode-se mostrar que os valores esperados das médias quadréticas sfo: E(MQp) = 6° +nopo + bnop E|MQp) = 0° +nopo + anog E(Oj,)=0? +no}9 E(MO;) ‘05 componentes da varidncia podem ser estimados igualando-se, a seus valores esperados, os valores numéricos das médias quadréticas calculados por um programa de anilise da varidncia, ¢ resolvendo-se em relagdo aos componentes da varifincia, Isso nos dé u TABELA 8.8 ANOVA: Impedincia Térmica versus Namero da Pega, OperadorFactor Type Levels Values Num Peca rando 10 1 2 3 4 5 6 7 8 9 19 Operador random 3 1 2 3 Analysis of Variance for Termica Source DF ss MS F Pp Num Peca 9 3.935,96 437,33: 162,27 0,000 Operador 2 39,27 19,63 7,28 0,005 Num Peca*Operador 18 48,51 2,70 5,27 0, 000 Error 60 30,67 0,51 Total 89 4.054, 40 Source Variance Error Expected Mean Square for Each component term Term (using unrestricted model) 1 Num Peca 48,2926 3 (4) + 303) + 9) 2 Operador 0.5646 3 (A) + 303) + 3002) 3 Num Peca*Operador 07280 4 @) +30) 4 Error ,5111 (4) MOpo ~MOp n es MOng pn (8.33) 63 = Mee Mero on A Tabela 8.8 dé a andlise de variéncia para este experimento, Os céleulos foram feitos utilizando-se a rotina “Balanced ANOVA” no Minitab. Com base nos valores P, concluimos que o efeito das peas grande, os operadores podem ter um. feito pequeno, e ndo ha interado significativa pegaoperador. Podemos utilizar a equacio 8.33 para estimar os ‘componentes da variéncia como se segue: » _ 437,33 -2: 42 43733 =2.10 _ 45 9 (3)(G) a2 _ 19.63 —2,70 =~ Tioyay_ = 9° Note que essas estimativas também aparecem na base do resultado do Minitab, Ocasionalmente, veremos que a estimativa de um dos componentes da varidncia é negativa, Isso, certamente, ndo é razodvel, pois, por definigdo, as varidncias sdo nao negativas. Infelizmente, podem resultar estimativas negativas de ‘componentes da varidincia quando usamos o método de estimagdo da andlise de varidncia (o que ¢ considerado como umade suas desvantagens). Hé diversas manciras de lidarmos com essa situagdo. Uma possibilidade consiste em admitirmos ‘que a estimativa negativa signifique que o componente da varidncia € realmente zeto e 0 fazemos igual a zero, deixando inalteradas as outras estimativas nfo negativas. Outra abordagem consiste na estimagdo dos componentes da variéncia com tum método que garanta estimativas ndo negativas. Finalmente, quando ocorrem estimativas negativas dos componentes da varidncia, elas sio, em geral, acompanhadas por fontes de variabilidade ndo significantes do modelo. Por exemplo, s€ Gacy for negativo, usualmente sera porque a fonte de variabilidade da interagio 6 ndo significante, Poderiamos tomar isso com evdineia de que g2, realmente & ero, que no hi eto deinterago e justar um modelo reduzd da forma Von HAP +O, + eye ‘que nao inclua o termo interagdo, Esta é uma abordagem relativamente fécil e que frequentemente funciona tao bem quanto métodos mais sofisticados, Tipicamente, encaramos o” como o componente repetibilidade da varidncia, e a reprodutibilidade do medidor como a soma dos componentes da varidincia do operador e de pega * operador, OReprodreidilieade = TO + Tho Entio OMedider = O Reprodusbitidade “+ O Repetibiidade © 2 estimativa para 0 nosso exemplo & = 051+ 0.56 +0.73 =1.80 As especificagdes superior e inferior para esse médulo de poténcia sdo LIE = 18 e LSI medidor & estimada como 58. Assim, a razdo PIT para 0 6G xsesisor — 6( 1.34) PIT = TE TE 58_18 elas medidas-padrao da capacidade do medidor, esse medidor ndo seria considerado capaz porque a estimativa da razio P/T excede 0,10. 8.7.3 Intervalos de Confianga em Estudos de Medidores R & R ° pontuais doe componentes da varitnia do modelo experimental © pica Mics studo de medidor R & Re os procedimentos da ANOVA descritos na segdo anterior resultaram em estimativas GRepettvidsde © OReprodtivitade - A obtengao de intervalos de confianga para estudos de medidores R & R pode ser muito informativa. Intervalos de confianga em estudos de capacidade de sistemas de medida so discutidos em Montgomery (2001), Montgomery e Runger (19932, 1993b), Borror, Montgomery e Runger (1997). Burdick e Larsen (1997), no artigo de revisto de Burdick, Borror € Montgomery (2003) e no livro de Burdick, Borror © Montgomery (2005). Entre os diferentes métodos de obteno desses intervalos de confianga, 0 método de grandes amostras modificado (GAM) produz bons resultados e & de implementagao relativamente facil para o experimento-padréo da capacidade do medidor descrito na Seco 8.7.2, em que esas e operadores so, ambos, considerados fatores aleatérios, Outros métodos para a construgdo de intervalos de confianga e programas de computador para a implementagao desses métodos esto em Burdick, Borror ¢ Montgomery (2005). ‘A Tabela 8.9 contém as equagdes para 0 intervalo de confianga do GAM para os parimetros que sto usualmente de interesse em um estudo da capacidade de sistemas de medida. Definigdes das quantidades dadas na Tabela 8.9 esto na Tabel 8.10, As referéncias para todas as equagSes dos intervalos de confianga na Tabela 8.9 esto em Burdick, Borror © Montgomery (2003). Note que 0 ponto percentual da distribuigdo F & definido na Tabela 8.10 como Fay, =X cxgrA Giltima coluna na Tabela 8.9 contém os intervalos de confianga de 95% para cada pardmetro, e a iiltima coluna da Tabela 8.10 mostra os valores numéricos das quantidades usadas no célculo dos intervalos de confianga de 95%, Todos ‘05 intervalos de confianga na Tabela 8.9 so bastante amplos, porque ha apenas trés operadores, ¢ isso resulta em apenas dois graus de liberdade para a estimagdo do efeito do operador. Assim, haverd um impacto do comprimento de qualquer intervalo de confianga para qualquer parimetro que seja uma fungio de g>, Isso sugere que, para obtengio de intervalos de confianga mais estreitos em um estudo de medidor R & R, serd nei jo aumentar-se o nimero de operadores. Uma ‘ver que € pritica-padrdo nesses estudos 0 uso de dois ou trés operadores, & necessério cuidado na consideragdo das consequéncias da aplicagdo de um planejamento-padrao para a estimagao da capacidade do medidor. 8.7.4 Defeituosos Falsos e Defeituosos que Passam Na segdo anterior, introduzimos virias maneiras de se resumir a capacidade de um medidor ou instrumento, inclusive a razio PIT (equagio 8.25), a razio sinaleruido RSR (equacio 8.28), a razio de discriminago RD (equagio 8.29), © pp © pus (equagdes 8.26 € 8.27). Nenhuma dessas quantidades descreve, realmente, a capacidade do medidor em qualquer sentido interpretivel diretamente. A capacidade efetiva de um sistema de medida & melhor descrita em termos de quo bem ele discrimina entre pesas boas e ruins, Considere o modelo proposto na equagao 8.23: yexte em que y € a medida total observada, x € 0 verdadeiro valor da medida, ¢ ¢ € 0 ero da medida, AS varidveis aleatirias x € 2 s¥o normal e independentemente distribuldas, com médias © 0, © varifncias O% & Osy..dor respectivamente. A fungdo de densidad de probabildade eonjunta de y ex, digamos fy»), & normal bivariada com vetor ia (4, ul’ € matriz de covarincia = TABELA 8.9 Intervalos de Confianga 100(1 d Limite Inferior Padrio para Medidor R & R Exemplo de Intervalo de 95% 2 ” IV, a; pe [22,69; 161,64] on on IV, Reesor Ftesidor— 11.20; 27,02] pn a2 V; Fou yy (24,48; 166,23] pon pe L, 0,628; 0.991) Pp 2 l i Pm 1-Up 1-Lp (0.009; 0.372] uu TABELA 8.10 Definigao dos Termos na Tabela 8.9Ws Gy hs Le ue HY MQp + G3 MOpy +1 3MOpMOro G3MQ} + G3(p -1)° MOg + G}p?(n 1)? MOR H3MO} +15 (p—1)? MOpy + Hip" (n —1) "MO; Gp? MOj + G30 M0} +G3(po —p 0)” MOfo + Gi( po)” (n—1) MOE Hip’ MQp + H30°MOp +H3 (po ~p —0) MO py + Hj (pe) "(n—1)" MO; 1-I/Fanp-te I-YR-ae-t0 IY Fa ai2p-t)ont). I= YF ajz:poln-. VE YFaa VFa2(p-t)(o-1),0 7! YE cr:poin tn 1 B THE aiaip trot) ~ ForpAlpNod Mp ~ #-aia:p-Alpllo-1 “Yeo PVF -ap-amMOe +F oppo MO +1? DF app a, Oro o-1) Oro PND Fair Faj2:p-10-14Up +(P =!) Baj2:p-10 Yoo ‘Uma unidade do produto ou peya & uma conformidade em relagdo as especificagdes se LIE Sx ue x Lsc = FIGURA 8.16 Regises de falhas que passam (FP) ¢ falsas falhas (FF) de um sistema de medida mostradas em um contomo de distribuigdo normal bivatiada. (De Burdick, Borror e Montgomery (2003),] = TABELA 8.11 Cédigo SAS para Céleulo de Probabilidades 6 ¢ f de Classificagies Erradas de Sistemas de Medida [De Burdick, Borror e Montgomery (2003)] data misclass; input mu 1s] us] rhop gammap; ganmat-gammap/rhop; cov=gammap ; corr=cov/(sqrt(gammap) “sqrt (gammat)) ; us|-mu) /sart(gammat) ; us]-mu)/sqrt (gammap) ; Isistdy=(is1-mu) /sqrt (ganmat) ; Jsistdx=(1s1-mu) /sqrt (gammap) ; ffl-probbnrm(usistdx, IsIstdy, corr)- probbnrm (Isistdx, Isistdy, corr); Ff2=probnorm(us1stdx)-probbnrm(uststdx, usIstdy, corr) ; mfl=probbnrm(is1stdx, usistdy, corr)- probbarm(sistdx, Isistdy, corr); mf2=probnorm(us1stdy)-probbnrm(us1stdx, uslstdy, corr); delta=(ff1+F2) /(probnorm(us]stdx)- propnorm(1sistax)); beta=(mf1+mf2)/(1-(probnorm(us1stdx)- probnorm(1sistdx)) ; keep mu Ts1 us] rhop gamnap ganmat delta beta; datalines; 35.8 18 58 .628 161.64 proc print data-misclass; run; ta Na sematva de entads, hop bore gmap 6g! A Tabela 8,12 mostra os céleulos do risco do produtor (5) e o risco de consumidor () usando-se as equagdes 8.36 € 8.37 sob os dois cendrios discutidos antes. No cendrio rotulado como “Pessimista’, 05 céleulos consideram 0 pior desempenho possivel, tanto para o proceso de produgdo quanto para o sistema de medida, Isso se faz, caleulando-sed ef com o uso de limite superior para g3 ¢ o limite inferior para pp, Usamos a média amostral 35,8 para 0 valor de 4 6s limites de confianga caleulados na Tabela 8.10, ¢ resolveros em relagHo a gz, usando a relaglo gz, = g2/pp 0 cédigo SAS mostrado na Tabela 8.11 foi usado para fazer esse célculo. O cenétio rotulado como “Otimista” usa a melhor tema de medida, Em particular, usamos 0 limite inferior de g3 ¢ o limite superior condi 0 para o processo e para o's dde pp Assim como com o primeiro cenério, usamos a estimativa pontual fl = 35,8. Note que a amplitude para 0 risco do produtor vai de 0,002% a 15,2%, e 0 risco para o consumidor vai de 12,3% a 31,0%. Esses so intervalos muito amplos, devido principalmente ao pequeno niimero de operadores usados nesse experimento R & R particular. = TABELA 8.12 Taxas de Erro de Sistema de Medida para Dois Cendrios Cenario op Pe a 8 Pessimista 161,64 0,628 15,2% 31,0% Otimista 22,69 0,991 0,002% 12,3% Burdick, Park, Montgomery e Borror (2005) apresentam outro método para a obtengao de intervalos de confianga para taxas de classificagdo errada 5 © 6 com base na abordagem inferencial generalizada, Veja Tsui e Weerahandi (1989) € Weerahandi (1993) para uma discussdo da inferéncia generalizada, Essa ¢ uma abordagem intensiva por computador & rrequer programas especializados. Consulte Burdick, Borror e Montgomery (2005), 8.7.5 Capacidade do Medidor de Atributo Em segdes anteriores, admitimos que as medidas eram numéricas, tais como medidas fisicas, ou propriedades que podiam ser expressas em uma escala numérica, Hé muitas situagdes em que a saida de um medidor ¢ um atributo, tal como passa/ndo passa. Dados nominais ou ordinais so relativamente comuns. As capacidades de medidores de atributos podem ser avaliadas em muitas dessas situagGes Uma situago muito comum ¢ a determinagdo de se o pessoal de operagdo toma consistentemente as mesmas decisde em relagdo a unidades que esto inspecionando ou analisando. Por exemplo, considere um banco que usa anotagSes ‘manuais para analisar pedidos de empréstimos hipotecdrios. Cada agente que analisa deve usar a informagdo fornecida pela pessoa que pede o empréstimo e outras informagdes externas, tais como histéria de crédito, para classificar o pedido ‘em uma de quatro categorias: negado ou ndo financiar, financiar-1, financiar-2 e financiar-3. As categorias financiar-2 ¢ financiar-3 so de pessoas com baixo risco para empréstimo, enquanto financiar-1 & de pessoas de alto risco para empréstimo. Suponha que 30 pedidos sejam selecionados e avaliados por um conjunto de analistas que chegam a uma avaliagdo consensual para cada pedido, e entio se pede a trés diferentes analistas (Sue, Fred e John) que avaliem cada pedido duas vezes. Os pedidos so “cegos” (nomes dos clientes, enderegos © outras informagdes de identificagdo sao removidas) © as duas avaliagGes sdo realizadas com varios dias de intervalo, Os dados so mostrados na Tabela 8.13. A coluna rotulada por “Classificagdo” nessa tabela & 0 consenso a que 0 conjunto de analistas seniores inicial chegou. A anilise da capacidade do medidor de atributo, nesse situagdo, determinaria a proporgdo de vezes em que 0 analista concordaria consigo mesmo na avaliagio do pedido de empréstimo. Essa é uma medida de repetibilidade. Estariamos, também, interessados na proporgao de vezes em que 0 analista concorda com a classificagdo correta. Essa é uma medida de vies. Usande-se © Minitab para o eélculo da porcentagem de concordancia (a rotina Attribute Agreement Analyis — Anélise de Concordancia de Atributo ~ no Minitab vI5) resulta na saida mostrada na Tabela 8.14. Note que 0 Minitab também calcula € apresenta intervalos de confianga para o percentual de coincidéncias. A Figura 8.17 apresenta gré intervalos de confianga para os percentuais dentre os analistas (uma medida de quo bem os analistas concordam consigo ‘mesmos ao longo das andlises) e para a porcentagem de vezes em que eles concordam com a resposta-padrao (correta). Geralmente, embora haja bastante subjetividade na interpretagdo dos resultados de estudos da capacidade de medidores de atributos, nao hd grande concordéncia nesse estudo. Pode ser necessétio mais treinamento para que os analistas produzam decisdes mais consistentes para pedidos de empréstimos hipotecérios. Boas referéncias para outras abordagens para a realizagio de estudos da capacidade de medidores de atributos so Boyles (2001), De Mast e Van Wieringen (2004, 2007) e Van Wieringen (2003), 1s dos8.7.6 Comparacio entre os Sistemas de Medida do Cliente e do Fornecedor Na relagdo cliente-fornecedor, em geral é importante para as duas partes serem capazes de determinar com seguranga se 0 produto do fornecedor esté dentro das especificagdes do cliente, Para o fornecedor, seus sistemas internos de medida so essenciais pata o controle eficaz do processo e/ou teste final e embarque, O cliente deve ser capaz de verificar as afirmativas do fornecedor relativas & qualidade do produto. Um componente essencial para a relagdo de negécios & a conformidade dos dois sistemas de medida. Se os sistemas de medida do cliente ¢ do fornecedor ndo esto em acordo, centdo diferengas na opini sobre a qualidade do produto podem ocorrer, € a decisdo de aceitar ou recusar um carregamento pode se tornar motivo de disputa entre as duas partes. Isso pe em perigo a relagdo de negécios. Em muitas cadeias de suprimento, é prética comum a comparagao das medidas do fonecedor e do cliente de uma dada caracteristica do produto em um carregamento, usando-se uma técnica de andlise de regressao Linear. O procedimento geral 0 seguinte. Suponha que o carregamento consista em n unidades do produto, As medigdes do fornevedor das m unidades, digamos, yi, ys, «+ Jn Sd0 regredidas sobre as correspondentes n medidas do lente, x1, %), ... , %, (ou vive-Versa) &, centio, calculaese a estatistica usual R°. E: 2 & interpretada como a porcentagem da variagio nas medigdes do fornecedor que & explicada pela variagio nas medigdes do cliente, F usada como medida do grau de conformidade entre os dois, sistemas de medida. Frequentemente, por uma regra empirica, se o valor de R® for menor do que algum valor arbitratio (igamos, 80%), conclui-se que os dois sistemas de medida no estio em conformidade. Nachtsheim e Becker (2011) ‘mostram que a estatistica R” munca & uma estatistica apropriada para se tomar essa devisdo. Eles demonstram que a cstatistica R? pode ser arbitrariamente pequena, mesmo quando os dois sistemas de medida estio em completa conformidade. Eles fornecem um exemplo no qual, mudando-se a capacidade do processo de produgio do fornecedor, a estatistica R® mudard de 19% a 98%, mesmo que os dois sistemas de medida sejam exatamente mesmo (e, portanto, em ‘completa conformidade). ‘Nachtsheim e Becker (2011) mostram, através de uma série de exemplos, que: |. © valor de R? depende diretamente do desvio-padrao da distribuigao das verdadeiras caracteristicas do produto, do desvio-padrao da distribuigdo do erro de medida do fornecedor, ¢ do desvio-padrao da distribuigao do erro de medida do cliente 2. A medida que 0 desvio-padrao da caracteristica da qualidade do fornecedor se aproxima de zero, o valor de R? se aproxima do quadrado da correlagio entre os erros de medida do fornecedor e do cliente, Isso signifi que, sea istribuigdo do processo do fornecedor for fortemente controlada (o que & uma boa coisa), R° se aproximaré do quadrado da correlagao entre os erros de fornecedor e do cliente — 0 que, em geral, serd préximo de zero, Assim, se 0 desvio-padrdo de proceso do fornecedor for pequeno (em relagdo a distribuigdio dos erros de medida), 0 uso de R? como guia do desempenho dos dois sistemas de medida levard, em geral, & conclusdo errada de que os sistemas de medida nio estdo em conformidade. = TABELA 8.13 Dados de Avaliago de Empréstimo para Andlise da Capacidade de Medidor de Atributo Pedido Classificagéo Sue1 © Sue2 — Fredi_—‘Fred2 Jonh1 Jonh2 1 Financ-1 Finane- Financ-3. Finane-2. Financ-2 Finane-1 Financ-3 3 2 Finane-3 Finane- Financ-3. Finane-3 Financ-3 Finane-3 Financ-1 3 3 Finane-1 Finane- Financ-3. Finane-2. Financ-2 Finane-1 Financ-t 3 4 Financ-1 Financ- Financ-1. Financ-2 Financ-1 Finane-1 Financ-1 1 5 Financ-2 Finane- Financ-2. Finane-2 Financ-2 Finane-2 Financ-110 1" 12 13 14 15 16 7 18 19 20 24 22 23 24 25 Finane-3 Finane-3 Finane-3 Financ-1 Finane-2 Negar Finane-2 Finane-2 Finane-2 Finane-t Finane-2 Finane-3 Finane-3 Negar Financ-t Finane-2 Finane-2 Financ-t Finane-3 Finane-3 Financ: 3 Finane- Finane- 3 Finane- 3 Finane- 1 Negar Finane- 3 Finane- Finane- 2 Finane- 1 Financ- 2 Negar Financ- 3 Finane- Finane- 1 Finane- 2 Finane- 1 Finane- Negar Finane-3 Finane-3 Finane-3 Finane-3 Financ-2 Negar Financ-1 Finane-2 Financ-2 Finane-1 Financ-2 Finane-3 Financ-1 Financ-3 Financ-1 Financ-2 Finane-2 Financ-1 Financ-3 Finane-3 Finane-1 Finane-3 Finane-1 Finane-1 Finane-2 Finane-3 Finane-2 Finane-2 Finane-2 Finane-1 Finane-2 Finane-1 Finane-3 Finane-3 Finane-1 Finane-1 Finane-2 Finane-1 Finane-1 Finane-3 Finane-3 Finane-3 Finane-3 Finane-1 Finane-2 Finane-3 Finane-2 Finane-2 Finane-2 Finane-1 Finane-2 Finane-1 Finane-3 Negar Finane-1 Finane-2 Finane-2 Finane-1 Finane-2 Finane-3 Finane-3 Finane-3 Finane-3 Finane-1 Finane-2 Negar Finane-2 Finane-2 Finane-2 Finane-1 Finane-2 Finane-3 Finane-3 Negar Financ-1 Finane-2 Finane-2 Finane-1 Finane-3 Finane-3 Financ-1 Finane-3 Finane-3 Financ-1 Financ-1 Negar Finane-2 Financ-1 Financ-2 Finane-1 Financ-1 Finane-3 Financ-1 Negar Financ-1 Finane-1 Financ-2 Financ-1 Financ-1 Financ-3Finane- 3 26 Financ-3 Financ- Finane-3. Financ-3 Financ-3 Financ-3 Financ-1 3 27 Financ-2 Financ- Finano-2. Financ-2 Finano-1 Financ-2 Financ-2 2 28 Negar Negar Negar Financ-3 Negar Negar Negar 29 Negar Negar Negar Financ-3 Negar Negar Financ-3 30 Financ-2 Financ- Finane-2 Financ-2 Financ-2 Financ-2 Financ-2 2 3. A medida que 0 desvio-padrao da caracteristica da qualidade do produto do fornecedor se aproxima de infinito (se torna muito grande, indicando um processo mal controlado, com muita variabilidade), o valor de R? se aproximaré de um. Assim, se a distribuigdo do processo do fornecedor ndo for fortemente controlada, pode-se concluir que os dois sistemas de medida esto em conformidade. 4. A medida que qualquer dos desvios-pedrio do erro de medida aumenta (em relegio & distribuigdo do processo), 0 valor de R? diminu. = TABELA 8.14 Andlise da Concordaneia em Atributos para os Dados de Avaliagéo de Empréstimos na Tabela 8.13Attribute Agreement Analysis for Suel, Sue2, Fred, Fred2, John!, John2 ‘Within Appraisers Assessment Agreement Appraiser # Inspected # Matched Percent 95% CI Sue 30 23 76.67 (57.72, 90.07) Fred 30 21 70.00 (50.60, 85.27) John 30) 18 60.00 (40.60, 77.34) # Matched: Appraiser agrees with him/herself across trials. Each Appraiser vs Standard Assessment Agreement Appraiser # Inspected # Matched Percent 95% CL Sue 30 19 63.33 (43.86, 80.07) Fred 30 17 56.67 (37.43, 74.54) John 30 18 60.00 (40.60, 77.34) # Matched: Appraiser’s assessment across trials agrees with the known standard Between Appraisers Assessment Agreement # Inspected # Matched Percent 95% CI 3007 23.33 (9.93, 42.28) # Matched: All appraisers’ assessments agree with each other All Appraisers vs Standard Assessment Agreement # Inspected # Matched Percent 95% CI 30 7 23.33 (9.93, 42.28) # Matched: A11 appraisers’ assessments agree with the known standard.Acordo na Avaliagao Data do estudo: Relatado por: Nome do produto: Misc: Within appraisers Appraiser vs. standard 90 90 80 80} = 70 2 70+ € € 8 8 2 2 | & 60 é "| 50 50 40 - ‘Sue Fred John Sue Fred Johi Appraiser Appraiser 950% Percent = FIGURA 8.17 Intervalos de confianga para a andlise da concordancia de aributos. 5, A medida que ambos os desvios-padrao do erro de medida se aproximam de zero, o valor de R® se aproxima de um, Nachtsheim e Becker (2011) sugerem que uma abordagem apropriada para a comparagao de sistemas de medida pode se basear em uma descrita por Hawkins (2002). © procedimento que eles recomendam é 0 seguinte, Suponha, como antes, ‘que as n medidas do cliente sejam xy, x, .. 5, € que a8 medidas correspondentes do fornecedor Sejam yi, Yas. + Jee Entio 1. Calcule as n somas e as n diferengas: SW t HID Zon DiAVnM FAL Doe 2. Marque os valores de D, no eixo y versus os valores de S, no eixo x. Quando os dois sistemas de medida esto em conformidade, esse graf serd semelhante ao grafico-padrdo de resfduos contra valores preditos em um problema de regressiio, em que as hipdteses basicas so satisfeitas — isto é variéncia do erro constante, sem valores nenhuma evidéncia de curvatura e nenhuma inclinagao. Se for esse 0 caso, a conformidade dos sistemas de medida pode ser determinada usando-se um teste ¢ emparelhado da hipstese Mo: sp = 0; isto &, a média das diferengas & zero. Se as diferengas ndo forem distribuidas de maneira aproximadamente normal, ou transformagoes ou o teste dos sinais podem ser usados em lugar do teste £. Métodos de regressto linear podem ser usados para a verificagdo de cada tipo de nao conformidade e so descritos nos préximos passos, 3. Verifique se a varisncia € no constante, Se as varidncias dex e y sfo constantes, a amplitude vertical das diferengas serd aproximadamente constante para todos os valores da soma, Se nao for esse 0 caso, entdo isso aponta para vatidncia desigual para, pelo menos, uma das medigées. Uma forma de megafone, aberto para a direita, & frequentemente uma indicagio de que a varidncia das diferengas esté aumentando com a soma das medidas. 4, Procure por valores atipicos. Isso é indicado por um grande desvio vertical no grafico, 5S. Procure por tendéncia linear: Faga a regressio dos valores de D, versus valores de S; ¢ teste em relago a uma inctinagdo zero. Se a inclinagao for significantemente diferente de zero, isso sugere que a inclinagdo entre x e y no &