Escolar Documentos
Profissional Documentos
Cultura Documentos
QUALIDADE E CEP
Professor Esp. Delfina Maria Alves de Lima
Universidade de Marília
Avenida Hygino Muzzy Filho, 1001
CEP 17.525–902- Marília-SP
ISBN xxxxxxxxxxxxx
CDD – 00000
*Todos os gráficos, tabelas e esquemas são creditados à autoria, salvo quando indicada a referência. Informamos
que é de inteira responsabilidade da autoria a emissão de conceitos.
Nenhuma parte desta publicação poderá ser reproduzida por qualquer meio ou forma sem autorização. A
violação dos direitos autorais é crime estabelecido pela Lei n.º 9.610/98 e punido pelo artigo 184 do Código Penal.
Bons estudos!
4
008 Aula 01: Conceitos e Definições
5
Introdução
Num mundo globalizado, no qual os resultados das empresas devem trazer a maior
lucratividade possível, a gestão da qualidade tem sido um grande aliado nesse
processo, tendo em vista as diversas ferramentas que estão atreladas aos seus
preceitos.
O foco da gestão da qualidade deve ser a busca por acompanhar os resultados das
atividades desenvolvidas pelas empresas, sejam elas a produção de um bem ou a
prestação de serviços, os quais necessitam atingir níveis desejáveis das organizações,
atendendo não somente às expectativas dos seus clientes, mas também de todas as
partes interessadas.
Para se ter uma boa gestão de seus processos, diversas ferramentas e métodos
podem ser utilizados, em que a escolha da ferramenta ideal depende da situação e
etapa em que o processo se encontra.
A tomada de decisão mais assertiva é, sem dúvida, e caz quanto aos processos que
estão bem de nidos nas organizações, nos quais os pro ssionais que atuam no seu
dia a dia os conhecem bem e sabem exatamente o que devem fazer. Isso torna mais
fácil a compreensão quanto processo também e está adequadamente formatado e
compreendido por todos, o que pode promover a busca contínua por oportunidades
de melhoria.
Neste livro, você vai estudar sobre o que é o CEP – Controle Estatístico do Processo e
algumas ferramentas que estão relacionadas com a qualidade.
6
Para alinhar com os conceitos estabelecidos, serão apresentados alguns grá cos de
controle por variáveis e capacidade do processo.
Ainda, serão apresentados os esquemas CUSUM e EWMA, além dos grá cos de
controle por atributos e inspeção por amostragem.
7
01
Conceitos e Definições
8
Nos dias atuais, a qualidade inserida ao produto ou serviço tem papel fundamental
quando se trata de competitividade no mercado. As empresas, cada vez mais,
precisam atender aos requisitos que o produto necessita, mas também aos
requisitos do cliente.
Gestão de Qualidade
A preocupação com a qualidade não é algo novo e data de 2.150 a.C., quando a
qualidade, a durabilidade e a funcionalidade das habitações produzidas na época
eram levadas tão a sério, que se algum imóvel fosse negociado sem a solidez
necessária para sua nalidade e viesse a desabar, o negociador era punido com a
morte (Oliveira et al., 2009).
9
Uma das de nições que se pode dar para qualidade, de acordo com Costa Neto e
Canuto (2010), é a da adequação a um conjunto de atributos ou elementos que
compõem um produto ou serviço, em que se incluem também a conformidade com
requerimentos, o grau de excelência, a adequação ao uso e ao propósito e à
inexistência de defeitos, imperfeições ou contaminação, e consumidores satisfeitos.
10
custos globais e aumentar as margens de lucro; e melhorar o desempenho global da
organização com maior qualidade e produtividade tornando-a mais competitiva e
lucrativa (Pezzatto et al. (2018, p. 18).
Empresas certi cadas e que apresentam normas de qualidade têm grande diferencial
competitivo, além de uma imagem mais positiva diante de seus clientes e
fornecedores (Paladini, 2006).
De acordo com Pezzato et al. (2018, p. 19), a gestão da qualidade se baseia em oito
princípios:
11
Figura 1 – Conceitos de qualidade, gestão da qualidade e seus elementos
Avaliando a gura 1, é possível veri car que a gestão da qualidade (que é o processo
de coordenar o sistema de gestão) é dependente da qualidade (que envolve os
requisitos dos clientes e partes interessadas).
12
Custos da Qualidade
Diferentemente dos custos que estão relacionados com a Contabilidade, os custos da
qualidade estão relacionados aos processos. De acordo com Pezzatto et al. (2008, p.
20), mensurar os custos da qualidade é uma das variadas formas de avaliar o
desempenho de um sistema produtivo. Outras de nições também podem ser
apresentadas relacionadas aos custos da qualidade, como, por exemplo, segundo
Wernke (1998):
[...] os custos da qualidade são aqueles custos que não existiriam se o produto fosse
fabricado perfeito da primeira vez, estando associados com as falhas na produção,
que levam a retrabalho, desperdício e perda da produtividade (JURAN apud WERNKE,
1998, p. 53).
13
citar estudos do design, quali cação do produto, veri cação dos desenhos,
exames de especi cações, treinamento para a qualidade, entre outros.
Custos de avaliação: são os custos que ocorrem na fase de inspeção, testes e
outras avaliações planejadas, visando a veri car se o hardware, o software ou os
serviços estão de acordo com os requisitos, que incluem as especi cações do
marketing e do cliente; documentos de engenharia e informações referentes
aos procedimentos e processos. Ressalta-se que todos os documentos que
descrevem a conformidade do produto ou serviço são relevantes. Dentre os
itens especí cos, destacam-se: a inspeção e o teste do protótipo; a análise de
conformidade com a especi cação da produção; a aceitação do produto; a
inspeção de embalagens; dentre outros.
Custos das falhas: referem-se às coisas que não estão de acordo com os
requisitos, incluindo o desempenho, a avaliação, a disposição e os aspectos dos
negócios com o consumidor dessas falhas, o material e a mão de obra
envolvidos na operação e a perda de credibilidade junto ao cliente. Dentre os
itens especí cos, destacam-se: os custos de ações corretivas; o retrabalho; o
risco do produto; a garantia; dentre outros.
Os custos com prevenção e avaliação são classi cados como custos de controle,
enquanto que as falhas internas e externas são os custos de falhas no controle,
conforme pode ser evidenciado na gura a seguir:
14
Figura 2 – Classi cação dos custos da qualidade
15
Veja quais são os custos de qualidade que devem ser considerados pelas
empresas que buscam elevar a performance de seu produto ou serviço e
manter a competitividade no mercado.
Para Feigenbaum (1994), os custos da prevenção são aqueles que evitam que
defeitos e não conformidades ocorram e que incluem gastos para evitar que
produtos insatisfatórios sejam produzidos. Esses custos têm como nalidade
controlar a qualidade dos produtos, evitando gastos que resultam de erros no
sistema produtivo.
16
Nesse contexto, é possível de nir custos da qualidade como todas as despesas de
fabricação ou de serviço que excedam às despesas que, normalmente teríamos,
fabricando um produto ou prestando um serviço de forma perfeita, na primeira vez
(Mattos, 1997).
Veri ca-se, então, que os custos da qualidade são a junção dos custos da prevenção e
custos de avaliação, que são chamados de inevitáveis, e os custos com falhas internas
e falhas externas chamados de evitáveis.
17
02
Ferramentas Básicas da
Qualidade: Folha de Verificação
e Diagrama de Pareto
18
Folha de Verificação
Nas organizações, entender quais são as demandas de seus processos é um fator
fundamental para o sucesso ou fracasso empresarial.
A folha de veri cação é uma ferramenta de fácil aplicação, e uma das mais
utilizadas na gestão da qualidade, correspondendo ao início de muitos controles de
processos (Losada, 2017, p. 14). A autora dita, ainda, que consiste em um
formulário planejado que facilita a coleta e análise de dados, gerando informação e
servindo como início da maioria dos controles de processos.
De acordo com Miguel apud Carpenedo (2014), a folha de veri cação corresponde
a uma planilha através da qual se pode coletar e agrupar dados de forma sistêmica,
registrando-os, uniformemente, facilitando a interpretação dos resultados.
De acordo com (Losada, 2017, p. 15), a folha de veri cação pode ser utilizada para
diversas situações e objetivos. Entre as motivações de sua recorrente utilização
podem-se citar:
19
A seguir, é apresentado um modelo de uma folha de veri cação para classi cação
de um produto defeituoso.
20
a. Quais dados precisam ser coletados?
b. Os dados podem ser analisados por diversas óticas?
c. Como e quando os dados serão coletados?
d. Quem irá realizar as coletas de dados? Esta pessoa está
capacitada para isso?
21
Na indústria, dados registrados em folhas de veri cação ajudam a
entender se os produtos têm as especi cações exigidas. Por exemplo, é
comum folhas de veri cação para:
• Localização de defeito
• Contagem de quantidades
• Tipos de reclamações
• Causas de efeitos
• Causas de defeitos
22
Diagrama de Pareto
O Diagrama de Pareto corresponde a um método grá co para apresentação
ordenada dos dados, considerando seu tamanho, relevância ou prioridade (Losada,
2017, p. 17).
23
Passo 2 – Organização dos dados: dispor os dados em uma tabela em ordem
decrescente de categorias, conforme a gura 3 a seguir. Itens menos expressivos
podem ser agrupados na categoria “outros”, sendo informados sempre ao nal,
devendo esta categoria apresentar menor representatividade que as demais (caso
contrário, deve ser novamente avaliada, extraindo dela os itens mais expressivos);
Passo 3 – Cálculo dos percentuais por item: apurar a relação entre a quantidade de
um item e o total geral: percentual = quantidade do item X 100/total geral;
Passo 5 – Elaboração do grá co: traçar duas linhas verticais e uma horizontal entre
elas (conforme gura 2). O eixo vertical esquerdo corresponde às quantidades,
sendo graduado do zero até o total. O eixo vertical direito corresponde ao
percentual acumulado, sendo graduado de zero até 100%. O eixo horizontal
corresponde às categorias de dados, representadas por colunas devidamente
nomeadas, dispostas em ordem crescente da esquerda para a direita.
24
Figura 6 – Exemplo de uma planilha preliminar para elaboração do grá co de
Pareto
Nesse contexto, vê-se a simplicidade para identi car a relação de peças defeituosas
utilizando-se o Diagrama de Pareto.
25
03
Assim, tem-se que o histograma é uma ferramenta fundamental para ser aplicado
em Sistema de Gestão de Qualidade.
De acordo com Ramos, Almeida e Araújo (2013, p. 18), o histograma tem como
utilidades:
27
O histograma é usado para analisar a frequência de vezes que as
saídasmde um processo estão padronizadas, atendendo aos requisitos
estabelecidos e qual a variação que elas sofrem. Com os dados
dispostos, gra camente, o Histograma permite, facilmente, a
visualização de resultados históricos e a análise de evidências para a
tomada de decisão da variação de frequências de maneira visual.
Estude mais em:
De acordo com Losada (2017, p. 33), as seguintes etapas devem ser seguidas para
se construir um histograma:
Etapa 1: coleta dos dados: corresponde à etapa mais básica de qualquer processo
de controle ou análise, podendo ser realizada com o auxílio de outras ferramentas
da qualidade (como a folha de veri cação). Os dados coletados poderão
corresponder à totalidade das informações ou uma parte delas, denominada
amostra;
28
iniciado no menor valor dos dados (que será seu limite inferior), e a ele será
somado o valor da amplitude do intervalo (determinando seu limite superior). O
valor dos limites interior e superior também pode ser ligeiramente arredondado.
Este processo é repetido, sucessivas vezes, até que o maior valor dos dados seja
atingido, formando a última classe;
Etapa 5: montagem do grá co: são traçados os dois eixos do grá co (x e y) e, com
base na tabela de frequência, são adicionadas suas informações. Sobre o eixo “y”
são informadas as xas de frequências, com o mesmo intervalo entre cada uma
delas (como de 5 em 5, 10 em 10 ou outro), sendo o maior valor correspondente ao
total dos dados, sobre o eixo “x” são adicionados os intervalos das classes (de
acordo com a tabela de frequência) e, então, desenhadas as colunas que
representam as classes e suas respectivas frequências (também conforme a
tabela).
Fonte: FERRAMENTAS...([200-?]).
29
Tabela 2 – Classes, amplitudes e limites (etapas 2 e 3)
Fonte: FERRAMENTAS...([200-?]).
Fonte: FERRAMENTAS...([200-?]).
30
Figura 7 – Histograma resultante (etapa 5)
Diagrama de Dispersão
O diagrama de correlação ou diagrama de dispersão é um grá co que permite
veri car a relação entre duas variáveis quaisquer de um processo. Normalmente,
as variáveis são denominadas X e Y, onde X é considerada a variável independente,
e Y a variável dependente (Ramos; Almeida; ARAÚJO, 2013, p. 21). Ainda, segundo
os autores, o grá co de correlação é bastante utilizado quando se quer saber a
relação linear entre um valor (causa) e a característica da qualidade (efeito), ou
entre fatores de um diagrama de Ishikawa relacionados a uma única característica
da qualidade.
Como exemplo, vamos considerar uma amostra aleatória das notas de Cálculo e
Estatística de 12 estudantes do curso de Engenharia Elétrica de determinada
universidade.
31
Tabela 4 – Grá co de dispersão
32
Figura 8 – Grá co de Dispersão
Com base no grá co de dispersão apresentado na gura acima, é possível veri car
que há uma relação entre as notas de Estatística e Cálculo, nas quais,
aparentemente, os alunos com maiores notas em Cálculo obtêm melhores notas
em Estatística e vice-versa. Nesse contexto, podemos a rmar que as variáveis são
correlacionadas.
Para Ramos, Almeida e Araújo (2013, p. 22), a relação entre as variáveis pode ser
classi cada, basicamente, em três tipos:
33
Correlação linear positiva: quando o aumento da variável independente X implica
um aumento na variável dependente Y.
Correlação não linear: quando parece ter algum tipo de relação entre as variáveis,
em formato de ‘curva’.
34
O diagrama de dispersão permite a análise de duas variáveis
quantitativas, avaliando o comportamento de uma função da outra,
revelando a relação existente entre elas e sinalizando causas e efeitos.
35
04
Introdução ao Controle
Estatístico do Processo
36
Introdução ao CEP
Paladini (2012) e Slack et al. (2006) a rmam que a qualidade deve ser obtida no
processo produtivo, pois com o controle do processo podemos controlar a
qualidade na construção/fabricação do produto em vez de ser inspecionada no
nal, quando todos os custos estão auferidos ao produto e, consequentemente, o
prejuízo é maior.
Ribeiro e Caten (2012, p. 5), ao citarem Taguchi, relatam que “[...] um produto ou
serviço de qualidade é aquele que atende perfeitamente às especi cações,
atingindo o valor alvo com a menor variabilidade possível em torno dele”.
37
De certa forma, podemos considerar que as variações são naturais e inerentes a
qualquer processo, em maior ou menor grau de ocorrência e abrangência. Neste
sentido, é importante ter em mente que a variabilidade está presente em qualquer
processo, mesmo aqueles que geram produtos ou serviços de qualidade (Pezzatto
et al., 2018, p. 219).
Neste contexto, os métodos utilizados pelo CEP são fundamentais para auxiliar na
tomada de decisão quanto a possíveis desvios dos processos de produção.
38
Gráficos ou Cartas de Controle
Quando falamos em CEP, uma das representações grá cas mais conhecidas são as
cartas ou grá cos de controle, em que é possível analisar o comportamento do
processo em relação ao padrão preestabelecido bem como seus limites de
controle.
A gura a seguir mostra dois processos sendo que o primeiro se encontra sob
controle de acordo com os padrões estabelecidos. Já no segundo, é possível
veri car que o processo está fora dos limites de controle.
39
Figura 10 – Exemplo de grá cos de controle de processo
40
Fonte: Ribeiro e Caten (2012, p. 45).
Causas especiais: não naturais e de comportamento não aleatório, fazem com que
o processo saia de suas condições normais de operação (como erros de set up,
problemas com equipamentos ou ferramentas, lote de matéria-prima com
características muito diferentes).
41
Figura 11 – Padrão Estatístico de Causas Comuns
42
falhas de operação, o que pode fazer com que o processo que fora de seu padrão
natural. Assim, essas causas provocam alterações na forma ou na distribuição da
tendência central do processo. Veja a seguir o padrão aleatório de causas especiais
e identi cação de processo não previsível.
43
05
O Controle Estatístico de
Processo
44
Implantação do CEP
Um ponto importante exposto por Paladini (2012) é que o CEP tem um enfoque mais
preventivo de resolução dos problemas do que a visão imediatista da gestão. Nesse
contexto, a implantação do CEP é de suma importância, pois com prevenção as
organizações podem reduzir seus custos.
45
Ribeiro e Caten (2012) estabelecem que a implantação do controle estatístico de
processos costuma representar investimento de tempo e recursos, além de
mudanças na loso a da organização. Assim, é recomendável que sua implantação
observe os seguintes aspectos:
De acordo com Losada (2017, p. 116), a implantação do CEP pode ser dividida nas
seguintes fases:
46
Implantação efetiva: composta por duas subetapas que correspondem ao
início do monitoramento e ao cálculo dos limites de controle;
Acompanhamento e consolidação: envolvem três subetapas, que
correspondem à avaliação da sistemática de ação, análise da estabilidade dos
processos e análise da capacidade dos processos. Inclui, ainda, a avaliação dos
resultados obtidos através da implantação do CEP, e a identi cação de
melhorias futuras dela advindas.
47
Responsáveis pela ação (no caso de o sistema sinalizar descontrole);
Ações a serem tomadas (também no caso de descontrole).
Pezzatto et al. (2018, p. 226) ainda sugerem a seguinte sequência de etapas, devido à
importância da adequação e de nição dos pontos já estabelecidos para o sucesso da
implantação do CEP.
48
controle, onde os dados podem ser organizados em formato de banco de dados, o
que pode ajudar nas demandas futuras e tomada de decisão.
Após a implantação, um ponto que deve ser avaliado ao CEP é que ele está
diretamente ligado à estatística e também à probabilidade. Paladini (2012) descreve
que a estatística em que devemos buscar conhecimentos é a estatística descritiva,
relembrando o seu conceito: é a que se refere a procedimentos que resumem e
apresentam dados quantitativos, principalmente, servindo para revelar
características da distribuição de dados analisados.
49
06
Introdução às Cartas de
Controle
50
Controlar o processo de produção é de suma importância para as organizações,
tendo em vista a necessidade de se fazer um produto da forma correta desde a
primeira vez evitando, assim, os custos envolvendo a qualidade e satisfazendo aos
requisitos de clientes. Para obter um nível de qualidade nos processos, é
importante a utilização de ferramentas que promovam a melhoria contínua desses
processos e as Cartas de Controle são fundamentais.
Variação na matéria-prima;
Condições do equipamento;
Ferramental;
Métodos de trabalho;
Mão de obra;
Processo industrial, etc.
Para promover uma relação bem-sucedida com o processo, é importante identi car
quais informações devem ser utilizadas para facilitar a identi cação de possíveis
desvios na produção. Ribeiro e Caten (2012, p. 8) descrevem que as informações
devem ser obtidas a partir do estudo cruzado dos itens a seguir:
51
Processo de Elaboração de uma
Carta de Controle
As cartas de controle (CC) têm, geralmente, um padrão de de nição estatístico, o
qual é de nido por uma faixa de controle que denominamos de limites de controle,
que compreendem uma linha superior, denominada como limite superior de
controle (LSC), e uma linha inferior chamada de limite inferior de controle (LIC),
além de uma linha central referencial chamada de limite central (LC) (Pieritz, 2017,
p. 75).
52
Grá co 2 – Elementos que compõem uma carta de controle
De acordo com Pieritz (2017, p. 76), o signi cado de cada um dos pontos
identi cados no grá co é:
53
quantitativa, temos que contar o número de defeitos existentes no
produto/processo, ou ainda, se o processo é conforme ou não conforme,
logo, podemos entender como características que são comparadas com um
padrão/especi cação assumindo, assim, apenas valores discretos. São
exemplos de medições por atributos: existência de manchas na peça;
continuidade de uma costura; número de atendimentos por hora; número de
reclamações por hora; número de ligações do telemarketing por hora;
número de acidentes por hora, etc. Conforme Paladini (2012), as medições
são realizadas via inspeção visual, calibradores passa não passa, painéis de
testes, dentre outros meios. Estes grá cos são chamados de cartas de
controle por atributos (CCA).
7) Linhas que unem dois pontos consecutivos do grá co. Auxiliam para entender e
analisar os grá cos de controle.
54
Passos para Elaboração de uma
Carta de Controle
Para elaborar uma carta de controle é necessário seguir alguns passos e vários
autores estabelecem uma sequência básica para a sua montagem, como, por
exemplo, Paladini (2012), Ribeiro e Caten (2012), e Montgomery (2004), sendo:
55
É importante destacar que se os limites calculados estão dentro dos
limites estabelecidos para o processo, então, eles estarão sob controle.
No entanto, se os limites calculados estiverem fora dos limites
especi cados no processo, então, é necessário ajustá-los a m de trazer
os limites calculados para dentro do controle.
56
Considerando o grá co apresentado, podemos veri car que pode ocorrer que os
LSC e os LIC calculados quem além dos limites estabelecidos pelos limites do
projeto. Isso indica que o processo não se encontra em conformidade com as
especi cações e, nesse caso, é necessário realizar um ajuste para trazê-lo para os
limites do projeto. Outro ponto pode ser a realização da revisão dos limites
de nidos no projeto.
57
07
Gráfico de Controle
Variáveis
58
Os grá cos de controle para dispersão do processo têm como objetivo principal o
monitoramento da variabilidade dentro da amostra. Quando se constroem grá cos
de controle para dispersão do processo, tem-se que decidir, primeiramente, se o
grá co é para detectar mudanças em ambas as direções ou se somente em uma
direção (Ramos; Almeida; Araújo, 2013, p. 54).
Para Pezzatto et al. (2018, p. 246), através da aplicação dos grá cos de controle
para variáveis torna-se possível detectar e, também, distinguir estas variações que
podem ser comuns ou especiais focando, principalmente, na detecção das causas
especiais.
59
Figura 13 – Exemplo de um grá co de controle
60
Mostrar evidências de que um processo esteja operando em estado de
controle estatístico e dar sinais de presença de causas especiais de variação
para que medidas corretivas apropriadas sejam aplicadas;
Apresentar informações para que sejam tomadas ações gerenciais de
melhoria dos processos;
Neste contexto, entre os principais benefícios promovidos a partir da
aplicação dos grá cos de controle para variáveis, podemos citar:
61
Revisão do valor central e limites de controle (quando necessário): realizada
quando e enquanto o processo se mostra fora de controle, visando detectar
as variações especiais e removê-las da análise, permitindo a construção de
limites baseados em um processo estável;
Análise dos grá cos: realizada na intenção de visualizar o comportamento do
processo, detectando sinais de causas especiais de variação e processo fora
de controle, correspondendo a uma importante etapa.
62
Quando analisamos uma característica da qualidade que é uma
variável, em geral, controlamos o valor médio da característica da
qualidade e sua variabilidade. O valor médio é controlado através do
grá co da média denominado grá co x ̅. Enquanto que a variabilidade
do processo pode ser acompanhada através do grá co do desvio
padrão denominado grá co S ou o grá co da amplitude denominado
grá co R.:
Somente quando o processo está sob controle, os limites obtidos passam a ser
utilizados como instrumento para o monitoramento do processo. Com base nas
informações obtidas, e a partir dos pontos fora dos limites, o gestor deve realizar
as análises para promover as ações necessárias para satisfazer aos requisitos que
envolvem o processo.
63
Para Pezzatto et al. (2018, p. 250), a aplicação desses grá cos permite testar o
processo, sinalizando a ocorrência de causas especiais, fornecendo bases para o
diagnóstico e de nição de ações de melhoria, na intenção de promover o estado de
controle do processo.
Com os grá cos construídos, o gestor pode realizar a análise para veri car como o
processo está se comportando com as variáveis envolvidas. De acordo com
Siqueira (1997, p. 47), nesta etapa, a observação de alguns critérios pode auxiliar,
correspondendo a indícios de processo sob controle:
64
08
De acordo com Siqueira (1997), os grá cos de controle para variáveis mais
utilizados são:
66
[...] o tamanho da amostra também pode ser de nido por meio da
aplicação de alguns passos, que incluem a análise combinada de
diversos fatores. Um deles consiste na veri cação de uma tabela, em
que o tamanho do lote é associado ao nível de inspeção (geral ou
especial) e ao regime de inspeção (normal, severa ou atenuado) a
serem empregados. Esta combinação geral é um código literal, que é
utilizado na aplicação de outras tabelas, onde é possível veri car a
recomendação do tamanho da amostra para cada caso. PEZZATTO et
al. (2018, p. 251).
Na tabela 5, é possível veri car que a segunda coluna corresponde ao total de itens
a serem inspecionados para cada faixa de tamanho de lote, conforme segue:
67
controle para variáveis elas são normalmente apresentadas em duplas, como:
Nesse contexto, a análise dos dados pode ser facilitada quando os grá cos são
colocados um embaixo do outro.
A função dos grá cos para média e amplitude é identi car qualquer evidência de
que a média do processo e sua dispersão estejam operando fora dos níveis de
estabilidade. A existência de um ou mais pontos fora dos limites de controle (seja
no grá co X ou R) indica que o processo não está sob controle estatístico (Pezzatto
et al. (2018, p. 253).
De acordo com Pieritz (2017, p. 88), considerando que uma característica que
pretendemos controlar possua uma distribuição norma e a sua média µ e o seu
desvio padrão σ e seja nito, sendo ambos conhecidos, logo, se tirarmos amostras
de tamanho n dessa população teremos que:
A distribuição das médias amostrais será normal e a sua média será dada
por μX̄ = μ (1)
ρ
σX =
√n
Assim, o intervalo com (1 − % de con ança para a média amostral é dada por:
∞
)
2
p
μ ± Zα
2
√n
68
Consideremos o seguinte exemplo dado por Pieritz (2017, p. 89), onde
considerando a linha de produção de um eixo, a mesma tem um diâmetro crítico,
que deverá possuir a dimensão de 38 mm ± 0,5 mm. Os engenheiros estão
querendo implantar uma carta de controle X̄ - R e retiraram (mediram) 80
amostras, separadas em 20 subgrupos com quatro replicatas cada, as quais estão
apresentadas na tabela a seguir:
69
Tabela 6 – Dados de medição do diâmetro do eixo
70
Fonte: Pieritz (2017, p. 90).
71
Tabela 7 – Identi cação dos dados de medição do diâmetro do eixo fora da
tolerância especi cada
72
Fonte: Pieritz (2017, p. 91).
73
Tabela 8 – Novos dados de medição do diâmetro do eixo
74
Fonte: Pieritz (2017, p. 92).
75
De acordo com Pieritz (2017, p. 93), suponhamos que há m subgrupos de medições
e cada uma com n replicatas da característica que está sendo controlada. Sejam
X̄1, X̄2, X̄3, ..., X̄m os valores das médias calculadas das replicatas de cada
¯
¯¯¯¯
¯
¯¯¯¯ ¯
¯¯¯¯ ¯
¯¯¯¯ ¯
¯¯¯¯
¯
¯¯¯¯
¯¯
¯¯¯
X 1 + X 2 + X 3+. . . +X m
μ ≅X =
m
¯
¯¯¯¯
¯
¯¯¯¯
¯¯
¯¯¯
X = LC
R = XM AX − XM I N
R1 + R2 + R3 + … + Rm
R̄ =
m
R̄ = LC
Para calcular LSC e LIC, é necessário mais alguns valores que advêm do estimador
de σ que é: , em que d2 se obtém da tabela apresentada no Anexo 1, a qual está
R̄
d2
Considerando a equação
p
μ ± Za
2
√n
LC = μ = (X̄)
76
¯
¯¯¯
¯
¯¯¯¯
σ ¯¯
¯¯¯
R
LSC = μ + 3 = X + 3
√n d2 √ n
¯
¯¯¯
¯
¯¯¯¯
σ ¯¯
¯¯¯ R
LI C = μ − 3 = X − 3
√n d2 √ n
d2 √ n
¯
¯¯¯¯
¯¯
¯¯¯ ¯
¯¯¯
LSC = X + A2 R
¯
¯¯¯¯
¯¯
¯¯¯ ¯
¯¯¯
LI C = X − A2 R
LSC = D4 R̄
LI C = D3 R̄
Exemplo:
77
Tabela 9 – Dados de medição do diâmetro do eixo em processo existente
78
Na tabela 9, são apresentados os 20 subgrupos (m = 20), com as cinco replicatas
(medições / n = 5). Estes levantamentos estão apresentados nas primeiras seis
colunas da tabela.
n=5
∑ Xn 37, 6 + 38, 5 + 38, 4 + 37, 9 + 38, 3
n=1
X̄ = = = 38, 1
n 5
R = XM AX − XM I N = 38, 5 − 37, 6 = 0, 9
Tabela 10 – Amplitude R
Carta de controle de X̄
¯
¯¯¯¯
¯¯
¯¯¯
LC = μ = X
¯
¯¯¯¯
¯¯
¯¯¯ ¯
¯¯¯
LSC = X + A2 R
¯
¯¯¯¯
¯¯
¯¯¯ ¯
¯¯¯
LI C = X − A2 R
Cartas de controle de R
LC = R̄
LSC = D4 R̄
79
LI C = D3 R̄
¯
¯¯¯¯ ¯
¯¯¯¯ ¯
¯¯¯¯ ¯
¯¯¯¯
¯
¯¯¯¯
¯¯
¯¯¯ X1 + X2 + X3 + … + Xm
μ ≅X =
m
R1 + R2 + R3 + … + Rm
¯
R =
m
LC = R̄
¯
¯
¯
¯
¯
¯
¯¯
¯¯
38, 1 + 38, 3+. . . +37, 9
X = = 38, 0180
20
0, 9 + 0, 3 + … + 0, 8
R̄ = = 0, 7500
20
Carta de controle de X̄
¯
¯¯¯¯
¯¯
¯¯¯
LC = μ = (X ) = 38, 0180
80
Tabela 11 – Exemplo de de nição valor variável A2
Para n = 5, A2 = 0, 577
Carta de controle de R
81
LC = R̄ = 0, 7500
82
Depois de termos executado o dimensionamento apresentado, agora é só colocar
as Cartas de Controle em uso na empresa, não se esquecendo de desenvolver um
formulário especí co e treinar os funcionários para seu uso.
83
09
n 2
(xi − x̄)
s = ∑
⎷ n − 1
i=1
O cálculo da média dos desvios padrões dos m subgrupos, deve ser realizado
através da fórmula:
S1 + S2 + S3 + … + Sm
s̄ =
m
LC = s̄
Os limites do controle de X
¯
são dados utilizando-se:
¯
¯¯¯¯
¯¯
¯¯¯
μ = X
85
S̄
σ =
c4
¯
¯¯¯¯
¯¯
¯¯¯
LC = μ = X
¯
¯¯¯¯ ¯
¯¯
σ ¯¯
¯¯¯
s
LSC = μ + 3 = X + 3
√n C4 √ n
¯
¯¯¯¯ ¯
¯¯
σ ¯¯
¯¯¯
s
LI C = μ − 3 = X − 3
√n C4 √ n
Substituindo:
3
A3 =
c 4 √n
¯
¯¯¯¯
¯¯
¯¯¯
LC = μ = X
¯
¯¯¯¯
¯¯
¯¯¯
LSC = X + A3¯
¯
s̄
¯
¯¯¯¯
¯¯
¯¯¯
¯
¯¯
LI C = X − A3 s
LC = s̄
2
s̄ √1 − c
4
LSC = s̄ + 3
c4
2
s̄ √1 − c
4
LI C = s̄ − 3
c4
86
3
√1 = c
4
B4 = 1 + 3
c4
3
√1 = c
4
B4 = 1 − 3
c4
LSC = B4 s̄
LI C = B3 s̄
87
Tabela 13 - Dados do problema
Pelo número de replicatas dado no exercício, onde n=15, veri camos que o grá co
que deve ser utilizado é o X̄ – S. Assim, o primeiro passo é calcular os valores de s
de cada subgrupo através da seguinte fórmula:
n 2
(x1 − x̄)
s = ∑
⎷ n − 1
i=1
88
Tabela 14 – Média e desvio padrão
Para X̄ tem-se:
¯
¯¯¯¯
¯¯
¯¯¯
LC = μ = X
¯
¯¯¯¯
¯¯
¯¯¯
LSC = X + A3¯
¯
s̄
¯
¯¯¯¯
¯¯
¯¯¯
LI C = X − A3¯
¯
s̄
A3 = 0, 789
LC = 1,306
Para S, temos:
LC = s̄
LSC = B4 s̄
LI C = B3 s̄
89
Da tabela do Anexo 1, temos:
B3 = 0,428
B4 = 1,572
Assim,
LC = 0,090
Grá co 6 – Grá co X̄ – S
90
10
Os grá cos de controle para atributos são utilizados para a veri cação da porcentagem
de unidades não conformes na amostra, visando avaliar a proporção de itens defeituosos
em seu processo (Losada, 2017, p. 157).
Losada (2017, p. 157) aponta que uma das versões mais conhecidas dos grá cos de
atributos é o grá co ou carta p, também chamado de grá co de proporção (fração) de
itens defeituosos.
92
A Construção dos Gráficos de
Controle para Atributos Destinados a
Itens Defeituosos
De acordo com Losada (2017, p. 157), os grá cos p para controle de atributos – itens
defeituosos, podem ser elaborados de diferentes formas, sendo de nidos em função das
características da amostra que será analisada. Ainda, segundo a autora, para sua
construção, as amostras não necessitam ser de tamanho constante. O que importa é o
número de itens com algum defeito, independentemente de quantos defeitos haja em
cada item.
n x p̄ ≥ 5
n x(1 − p̄ ≥ 5
Para o tamanho amostral constante, a fração não conforme (pj) corresponde à razão
entre o número de itens não conformes de uma amostra (dj) e o total de itens desta
amostra (n), ou seja:
dj
p
^j = = 1, … , m
n
Se (pj) for conhecido, mas (dj) não, ele pode ser calculado utilizando-se a seguinte
fórmula:
^ = n x p
d j = 1, … m
j j,
Sendo m amostras analisadas, cada uma com tamanho n, e (pj) e sendo a fração não
conforme da j-ésima amostra, a linha central e os limites d e controle são determinados
por:
93
p̄ (1 − p)
LSC = p̄ + k√
n
LC = p̄
p̄ (1 − p)
LI C = p̄ − k√
n
No caso do tamanho amostral variável, a fração não conforme (pj) é estimada por:
dj
^ =
p , j = 1, … , m
j
nj
^ =
d nj xpj
j
p̄ (1 − p)
LSC = p̄ + k√
nj
LC = p̄
p̄ (1 − p)
LI C = p̄ − k√
nj
94
p̄ (1 − p)
LSC = p̄ + k√
n̄
LC = p̄
p̄ (1 − p)
LI C = p̄ − k√
n̄
De acordo com Losada (2017, p. 160), o controle de atributos também pode ser realizado
por meio de grá cos Np. Neste caso, (np) se de ne como o número de itens defeituosos
(não conformes) na amostra. A construção dos grá cos Np tem por base a distribuição
binomial, sendo que este tipo de grá co de controle só pode ser construído quando as
amostras apresentarem tamanhos iguais (n).
LSC = np + 3√np (1 − p)
LC = np
LSC = np − 3√np (1 − p)
95
Gráfico p
Para execução do grá co p, consideramos o exemplo de Losada (2017, p. 162) sobre uma
fábrica de suco de laranja que colheu dados relativos ao número de garrafas amassadas
(defeituosas), que estão dispostas na tabela a seguir. Foram colhidas 30 amostras com 50
itens cada (todas com o mesmo tamanho).
96
Fonte: Portal Action (201-).
Temos que m = 30 e n = 50
m 30
∑ pi ∑ pi 6, 94
i=1 i=1
p = = = = 0, 2313
m 30 30
LC = p = 0, 2313
97
√p̄ (1 − p) √0, 2313 (1 − 0, 2313)
LI C = p − 3 = 0, 2313 − 3 = 0, 052
ni 50
Grá co 7 – Grá co p
Analisando o grá co, veri camos que os pontos 15 e 23 estão fora do limite superior de
controle, o que indica a existência de causas especiais de variação. Após a veri cação da
ocorrência destes pontos, eles foram retirados das amostras e uma nova veri cação foi
realizada.
98
28
∑ pi 6, 02
i=1
p = = = 0, 215
28 28
p̄ (1 − p̄ 0, 215 (1 − 0, 215
LSC = p̄ + 3 √ = 0, 215 + 3 √ = 0, 389
ni 50
LC = p = 0, 215
p̄ (1 − p̄ 0, 215 (1 − 0, 215
LI C = p̄ − 3 √ = 0, 215 − 3 √ = 0, 041
ni 50
99
Grá co 8 - Novo grá co p com limites revisados
Veri camos que, mesmo com a retirada dos pontos fora dos limites de controle, bem
como a revisão desses limites de controle, ainda existe um ponto que ultrapassa os novos
limites, indicando a presença de causa especial de variação. Assim, fazemos a retirada
deste ponto, faremos uma nova veri cação considerando os dados contidos na tabela a
seguir:
100
Tabela 16 – Nova tabela de dados
101
Com base nos novos dados, realizamos uma nova veri cação:
24
∑ p1 2, 62
i=1
p = = = 0, 10917
24 24
p̄ (1 − p̄ ) 0, 10917 (1 − 0, 10917)
LSC = p̄ + 3 √ = 0, 10917 + 3 √ = 0, 24147
ni 50
LC = p = 0, 10917
p̄ (1 − p̄ ) 0, 10917 (1 − 0, 10917)
LI C = p̄ − 3 √ = 0, 10917 − 3 √ = 0, 0
ni 50
102
Grá co 9 – Novo grá co p, com limites revisados
No grá co 9, veri camosque agora não existem pontos fora dos limites de controle,
também sinalizandoque estes limites de controle estabelecidos estão mais adequados a
um processosob controle estatístico, podendo ser utilizados como limites provisórios.
103
11
A diferença entre defeitos e itens defeituosos, de acordo com Losada (2017, p. 173),
introduz outra importante diferença, relacionada aos grá cos de controle para
atributos aplicáveis a cada um destes casos. Os grá cos para atributos destinados a
defeitos são utilizados para a veri cação da taxa de defeitos em um processo.
De acordo com Ramos, Almeida e Araújo (2013, p. 90), os grá cos para atributos
destinados a defeitos são utilizados “quando o interesse é monitorar e controlar a
quantidade de não conformidades (ou defeitos) em vez da quantidade de itens não
conformes”.
105
Quando comparamos os grá cos de controle para atributos, tanto para defeitos
como para itens defeituosos, pode-se veri car que a principal diferença entre eles é
que os itens defeituosos realizam a contagem de unidades defeituosas e, nesse
caso, não há preocupação com a quantidade de defeitos existentes em cada uma.
De acordo com Losada (2017, p. 174), a aplicação dos grá cos de controle para
atributos/defeitos é tipicamente veri cada nas seguintes situações:
Siqueira (1997) aponta que duas condições devem ser observadas e atendidas:
106
no evento seguinte.
De acordo com Losada (2017, p. 175), entre os principais objetivos dos grá cos de
controle para atributos/defeitos, podem ser citados:
Gráfico C
O Grá co C é destinado à veri cação do número de defeitos, podendo ser
estabelecido para uma característica de qualidade, um grupo de características ou
o produto como um todo. É normalmente aplicado quando todos estes subgrupos
possuem o mesmo tamanho, isto é, têm o mesmo número de itens (Losada, 2017,
p. 175).
Coleta de dados;
Determinação do valor central e limites de controle;
Cálculo do valor central e limites de controle revisados (quando necessário).
Os limites de controle e linha central para construção do Grá co C são dados por:
LSC = c̄ + 3√c
LC = c̄
LI C = c̄ − 3√c
Em que:
(c1 + c2 + … + ck)
c̄ =
k
107
Sendo que k corresponde ao número de subgrupos analisados, e c1, c2, ..., ck
correspondem ao número de defeitos em cada um dos k subgrupos gerando,
assim, o número médio de defeitos dos subgrupos.
Neste contexto, os novos limites de controle e linha central são dados por:
∑c − ∑ cd
Cnew =
g − gd
LSCc = c 0 + 3√c 0
LSCc = c 0 − 3√ c 0
108
Aplicando Gráficos de Controle
para Atributos/Defeitos: Gráfico C
Para exempli car a aplicação do grá co C, consideremos o seguinte exemplo, onde
os dados apresentados na tabela a seguir estabelece o número de não
conformidades, observadas em 26 amostras sucessivas de 100 peças
inspecionadas, totalizando 516 não conformidades.
109
Fonte: Portal Action ([201-?]a).
516
C = = 19, 85
26
LC = c̄ = 19, 85
110
Grá co 10 – Análise de atributos de grá co de controle
111
12
Gráfico de Controle I - MR
112
Até aqui vimos grá cos de controle onde havia a possibilidade de levantar dados e
formar subgrupos com “n” amostras, as quais são chamadas de replicatas
(medições), porém, há situações em que não é possível auferir as replicatas do
processo, mas se conseguem medidas únicas de um determinado evento/processo
que se queira controlar. Como nestas condições não se têm replicatas, temos que n
= 1.
De acordo com Oliveira et al. (2013), são exemplos desta situação processos em
que:
113
da variabilidade utilizando-se a amplitude ou o desvio padrão de cada medição, por
isso, utilizaremos uma amplitude móvel (MR), a qual é obtida ao pegar-se duas
observações sucessivas (medições) para a estimativa da variabilidade do processo.
X1 + X2 + X3 + … + Xm
μ ≅ X̄ =
m
114
X̄ = LC
M Ri = |Xi − Xi−1 |
¯¯
¯¯¯
¯¯¯
¯¯ M R2 + M R3 + … + M Rm
MR =
m − 1
¯¯
¯¯¯
¯¯¯
¯¯
M R = LC
¯
LC = μ = X
¯¯
¯¯¯
¯¯¯
¯¯
σ MR
LSC = μ + 3 = X̄ + 3
√n d2
¯¯
¯¯¯
¯¯¯
¯¯
σ MR
LI C = μ − 3 = X̄ − 3
√n d2
¯¯
¯¯¯
¯¯¯
¯¯
LSC = X̄ + E2 M R
¯¯
¯¯¯
¯¯¯
¯¯
LI C = X̄ − E2 M R
¯¯
¯¯¯
¯¯¯
¯¯
LC = MR
115
¯¯
¯¯¯
¯¯¯
¯¯
¯¯
¯¯¯
¯¯¯
¯¯ MR
LSC = M R + 3d3
d2
¯¯
¯¯¯
¯¯¯
¯¯
¯¯
¯¯¯
¯¯¯
¯¯
MR
LI C = M R − 3d3
d2
d3
D4 = 1 + 3
d2
d3
D4 = 1 − 3
d2
De modo que D3 e D4 são valores tabelados e dependem de n que, neste caso, vale
2, então, temos apresentados no Anexo 1 que D3 =0 e D4 = 3,267.
Assim,
¯¯
¯¯¯
¯¯¯
¯¯
LSC = D4 M R
¯¯
¯¯¯
¯¯¯
¯¯
LI C = D3 M R
116
Tabela 19 – Dados do problema
117
Fonte: Pieritz (2017, p. 124).
Grá co de controle de I
¯¯
¯¯¯
¯¯¯
¯¯
LSC = X̄ + E2 M R
LC = X̄
¯¯
¯¯¯
¯¯¯
¯¯
¯
LI C = X − E2 M R
E2 = 2,660 (constante)
d2 = 1,128 (constante)
Então,
LC = 8,04
Grá co de controle de MR
¯¯
¯¯¯
¯¯¯
¯¯
LSC = D4 M R
¯¯
¯¯¯
¯¯¯
¯¯
LC = MR
¯¯
¯¯¯
¯¯¯
¯¯
LI C = D3 M R
118
D3 = 0
D4 = 3,267
Então,
LC = 0,090
Com base nos resultados encontrados, temos os seguintes grá cos de controle,
sendo:
Grá co 11 – Controle de I - MR
119
13
Conceitos Fundamentais
De acordo com Ramos, Almeida e Araújo (2013), a estatística se divide em duas
principais áreas: a descritiva, voltada à organização, interpretação e apresentação
dos dados estatísticos; e a inferencial, voltada para análise e interpretação de
121
dados experimentais e que, partindo de uma amostra, estabelece hipóteses sobre
a população de origem e formula previsões, fundamentando-se na teoria das
probabilidades.
122
Com relação à inspeção, cabe ressaltar que esta corresponde a um processo e,
desta forma, também está sujeita a falhas, como a contagem ou leitura equivocada
de um instrumento, por exemplo (Losada, 2017, p. 90). Ainda, de acordo com a
autora, por conta disso, mesmo que a inspeção seja realizada sobre a totalidade
das unidades produzidas, ainda poderá não ser absolutamente efetiva, ou seja,
inspecionar 100% das unidades não garante a detecção de 100% dos problemas
possíveis.
Métodos de Amostragem
O método utilizado para realizar a amostragem é muito importante para o
processo, pois depende muito da qualidade da amostra. Assim, Doane e Seward
(2014) falam sobre a existência de dois principais métodos de amostragem, sendo:
123
normalmente é igual para todos os elementos, ou seja, dada uma população com N
elementos, a probabilidade de participação de cada um é igual a 1/N (Losada, 2017,
p. 91).
124
elementos onde a seleção dos elementos da amostra é realizada por
intervalos, em que a cada x elementos é selecionado um que fará
parte da amostra. Assim, constitui-se uma amostra de n elementos de
uma população de tamanho N – k, que deve ser menor ou igual a N / n
(N = população e n = número de elementos desejados).
A amostragem sistemática trabalha com os elementos ordenados.
Dadas estas condições, caso o tamanho da população seja
desconhecido, não é possível determinar k. Nesta situação, pode-se
supor um valor de k, para que seja possível se obter uma amostra
signi cativa em relação a um lote de tamanho n. Esta amostragem é
considerada como de mais fácil execução, e menos sujeita a erros por
parte de quem a aplica, devido à constância dos intervalos de seleção
dos elementos da amostra. Isso a torna menos complexa do que a
amostragem aleatória simples (e seus métodos de sorteio), permitindo
que frequentemente resulte em mais informações e melhor custo-
benefício (LOSADA, 2017, p. 92).
125
Qualquer estatística descreve a amostra de sujeitos a partir da qual foi
feito o cálculo. Por este motivo, a dica deste mês irá descrever as
formas de selecionar uma amostra. Esta pode ser caracterizada como
um subconjunto da população que se deseja estudar. Já a amostragem
é de nida como o processo de coleta das informações da amostra:
Agora, vamos falar da amostragem não probabilística, que é [...] menos cientí ca,
mas, algumas vezes, é usada por conveniência” (Doane; Seward, 2014, p. 35).
Consiste em amostragens intencionais em que os elementos da amostra são
deliberadamente escolhidos, o que faz com que as amostras não garantam a
representatividade necessária da população, gerando resultados não
generalizáveis, mas, ainda assim, muito útil em determinadas situações (Losada,
2017, p. 93).
Amostragem acidental;
Amostragem intencional;
Amostragem por quotas.
126
Ainda, de acordo com a autora, na amostragem por quotas, a população é
classi cada de acordo com determinadas propriedades, permitindo a
determinação da proporção da população que apresenta cada uma destas
propriedades (formando quotas), e a seleção não aleatória dos elementos de cada
quota identi cada que integrarão a amostra (ou seja, por conveniência).
127
14
128
A inspeção corresponde ao processo que visa identi car se um produto ou serviço
atende a determinadas especi cações de qualidade. Mais facilmente
compreensível no contexto da manufatura, busca veri car se os produtos atendem
às especi cações de aceitação, normalmente, baseadas nas chamadas
características de qualidade, para as quais são estabelecidos padrões a serem
atingidos (Losada, 2017, p. 94). Ainda, segundo a autora, a estas características são
ainda atribuídos graus de importância que podem determinar a aceitação ou
rejeição do referido produto.
Outra de nição pode ser data por Bertolino (2010, p. 117) na qual o autor diz que a
inspeção por amostragem colabora com o controle estatístico do processo,
geralmente denominado CEP, onde [...] pode ser descrito como uma ferramenta de
monitoramento online da qualidade. A partir da inspeção por amostragem de
características predeterminadas do produto em estudo, o CEP possibilita a
detecção de causas especiais, anômalas ao processo, capazes de prejudicar a
qualidade nal do produto ou sua segurança.
De acordo com Losada (2017, p. 95), existem algumas formas básicas de inspeção,
dentre as quais podemos citar:
129
escala contínua e devidamente anotados;
Inspeção por atributos: avalia a característica da qualidade de forma
qualitativa, veri cando a ocorrência de defeitos, classi cando a unidade de
produto como defeituosa ou não;
Inspeção completa (100%): avalia a totalidade do lote, inspecionando cada
uma de suas peças. Sua aplicação é indicada nos casos em que qualquer
defeito que venha a ser apresentado em uma peça, componente ou material
impeça o funcionamento ou utilização do produto nal, ou traga risco ao seu
usuário.
Inspeção por amostragem: avalia uma fração do lote ou partida (como é por
vezes chamada), que corresponde à amostra. Sua aplicação é indicada
principalmente nos casos de grandes lotes, ou em situações em que sejam
necessários ensaios destrutivos.
Segundo Losada (2017, p. 96), a inspeção por amostragem pode ser de nida como
o processo que vista identi car se uma peça, amostra ou lote atende a
determinadas especi cações da qualidade, e estabelece alguns conceitos
relevantes em seu contexto, sendo:
130
maior o NQ pior o processo. No grá co de controle da fração defeituosa “p”,
a linha média é uma boa estimativa do nível da qualidade.
NQA = nível de qualidade aceitável: nível da qualidade considerado
satisfatório;
FDT = fração defeituosa tolerável:
α = risco do produtor: probabilidade de rejeição de lotes bons;
β = risco do consumidor: probabilidade de aceitação de lotes ruins;
a ou Ac = número de aceitação: máximo de unidades defeituosas admitido
na amostra;
r ou Re = número de rejeição: em geral r = a + 1 ou Re = Ac + 1;
d = número de unidades defeituosas encontradas na amostra.
Doane e Seward (2014, p. 743) falam sobre os riscos α e β, e sugerem que devem
ser balanceados, pois há uma relação entre ambos em um determinado tamanho
de amostra.
Na sua forma mais simples, a amostragem de um lote tem por base a distribuição
hipergeométrica, na qual amostras sem reposição de n itens são selecionadas de
um lote de tamanho N contendo s itens não conformes. Curvas de poder e curvas
características de operação podem ser construídas para orientar as decisões a
respeito da aceitação ou da refeição de remessas com base no atributo de
interesse (usualmente, a proporção de itens não conformes) (Doane e Seward,
2014, p. 743).
131
A ABNT – Associação Brasileira de Normas Técnicas possui algumas normas
técnicas que dão as diretrizes para a realização de uma inspeção por amostragem,
onde podemos citar:
NBR 5425: guia para inspeção por amostragem no controle e certi cação de
qualidade (1985a);
NBR 5426: planos de amostragem e procedimentos na inspeção por
atributos (1985b);
NBR 5427: guia para utilização da norma NBR 5426 – Planos de amostragem
e procedimentos na inspeção por atributos (1985c).
Tipos de Amostragem
Segundo Doane e Seward (2014, p. 743), [...] a amostragem simples signi ca que a
decisão é baseada em apenas uma amostra aleatória selecionada de uma remessa.
Amostragem dupla signi ca que a decisão é adiada até que uma segunda amostra
seja selecionada, a menos que os resultados da primeira sejam decisivos.
Uma segunda amostra pode não ser necessária se o resultado da primeira for
extremamente claro. O conceito pode ser generalizado para amostragem múltipla
ou amostragem sequencial se usarmos qualquer quantidade de amostras. As
técnicas também podem ser generalizadas para incluir múltiplos atributos, assim
como métodos de amostragem mais complexos, tais como amostragem
estrati cada ou por conglomerados.
A amostragem dupla considera os parâmetros n1, n2m Ac1, A2, Re1, Re2, utilizando
o seguinte procedimento:
132
Extrair uma primeira amostra de tamanho n1 do lote N;
Inspecionar n1 unidades, anotando o número de peças defeituosas d1.
Se:
Se:
133
15
Plano de Amostragem
134
A Associação Brasileira de Normas Técnicas (ABNT), através da norma NBR 5426:
planos de amostragem e procedimentos na inspeção por atributos (ABNT, 1985b),
tem como objetivo estabelecer planos de amostragem e procedimentos para
inspeção por atributos. Quando especi cada pelo responsável, esta Norma deve
ser citada nos contratos, instruções ou outros documentos, e as determinações
estabelecidas devem ser obedecidas (ABNT NBR 5426, 1985b). A referida norma
ainda traz diferentes tipos de inspeção, sendo:
Losada (2017, p. 99) relata que, geralmente, a inspeção se inicia pelo tipo normal, e
a partir daí pode haver variações ao longo do processo, conforme sua execução e
resultados apurados, considerando-se as seguintes condições:
135
Planos de Amostragem
A ABNT NBR 5426 (1985b) estabelece os planos de amostragem como sendo
simples ou duplo, nos quais:
136
Tabela 20 – Planos de amostragem e procedimentos na inspeção por atributos
137
Tabela 21 – Tabela de tamanho de lotes x níveis de inspeção
138
Figura 1 - Titulo da gura
139
16
Capacidade do Processo
140
Muitos fatores podem in uenciar em processo e, consequentemente, in uenciar
nos resultados. Para solucionar este problema, existem várias ferramentas
disponíveis, e é necessário saber qual utilizar em cada situação tendo em vista que
os processos envolvem muitas variáveis que podem in uenciar, entre elas, as
principais estão os equipamentos, ferramentas e o homem.
Estabilidade do Processo
O Controle Estatístico do Processo (CEP) é uma ferramenta muito importante no
monitoramento das dispersões dos processos, em que estas dispersões podem ser
classi cadas como causas comuns e causas especiais.
Um processo sob controle é aquele que consegue se manter estável quanto ao seu
desempenho, além de buscar a melhoria contínua do mesmo, através de controles
e do gerenciamento de informações (Toledo, 2006)
141
De acordo com Losada (2017, p. 253), o controle das dispersões e monitoramento
do processo no CEP é realizado através das cartas de controle que, como veremos,
a seguir, podem ser orientadas para variáveis ou para atributos. Entre os objetivos
das cartas de controle, estão:
142
Figura 16 – Regras para identi cação do processo não estável
143
organização poderá ou não atender a um pedido com os requisitos solicitados pelo
cliente, e responder sobre assuntos, como prazo de entrega, de planejamento de
custos, entre outros.
Nesse contexto, veri ca-se que as causas especiais devem ser eliminadas do
processo. Assim, Montgomery (2004) descreve que o objetivo da análise de
capacidade de um processo visa identi car e diagnosticar se os mesmos
apresentam capacidade de satisfazer aos requerimentos de necessidades de nidos
pelos clientes. Do mesmo modo, Paladini (2012) descreve que a capacidade do
processo somente é estável quando nenhum fator estranho o esteja
contaminando, ou seja, somente temos ação de causas naturais de variação.
144
Figura 17 – Comparação de capacidades
LES − LEI
CP =
6σ
Onde,
145
Muito semelhante ao Cp, o índice Cpk é um complemento importante na análise,
introduzido a partir da década de 1980, sendo utilizado para trazer maior precisão
e detalhamento na observação de deslocamento do centro do grá co (Losada,
2017, p. 260). Ainda, segundo a autora, considera a tendência de mudança de
limites para um dos limites da especi cação, independentemente de qual deles for
notado, com os valores praticados na realidade do processo, ou seja, mede a
capacidade efetiva do processo.
μ − LEI LES − μ
Cpk = min ,
3σ 3σ
Onde,
146
Tabela 22 – Análises sobre os índices Cp e Cpk
Para aplicar o Cp consideremos o seguinte exemplo dado por Losada (2017, p. 264):
as especi cações para a tensão de saída de um determinado circuito elétrico são
48 e 52 V. O processo está sob controle com σ = 0,482 V (Navidi, 2012, p. 529). Com
base nestas informações, podemos proceder com o cálculo ilustrado a seguir, e
apurar capacidade do processo (Cp). Tendo em vista o resultado obtido, podemos
considerar que a capacidade potencial do processo é boa, pois Cp > 1,33.
LES − LEI 52 − 48
CP = = = 1, 38
6σ (6) (0, 482)
147
Tabela 23 – Fatores para cartas de controle por variáveis
148
Fonte: Siqueira (1997, p. 128).
149
Conclusão
Quando se trata de competitividade, a qualidade, com certeza, é um dos requisitos
fundamentais para que produtos e serviços atendam aos desejos do mercado em que
se encontram.
150
Referências
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 5425: guia para inspeção por
amostragem no controle e certi cação de qualidade. São Paulo: ABNT, 1985a.
151
MONTGOMERY, Douglas C. Introdução ao controle estatístico da qualidade. 4ª ed.
Rio de Janeiro: LTC, 2004.
PALADINI, Edson Pacheco. Gestão da Qualidade. 1ª ed. São Paulo: Atlas, 2000.
152