Escolar Documentos
Profissional Documentos
Cultura Documentos
10.3 Qual foi a diferença aplicada entre os dois cálculos apresentados? ........................................................................................ 9
11 Recalculo considerando que os dados são parte de uma amostra e não de uma população ............. 10
12 Outras formas de calcular desvio padrão: usando fator de correção d2 .............................................. 11
12.1 Desvio padrão com d2: ......................................................................................................................................................... 11
2 O que é estatística.
Estatística é uma disciplina da matemática que lida com a coleta, análise, interpretação, apresentação e
organização de dados.
É uma ferramenta poderosa para coletar e analisar dados, tornando-os úteis para a tomada de decisões e
compreensão de fenômenos em uma ampla gama de áreas.
3 O controle de qualidade.
• O controle da qualidade depende de quatro elementos fundamentais:
4 Variabilidade: o que é?
A variabilidade está sempre presente em qualquer processo produtivo. Se compararmos duas unidades
quaisquer, produzidas pelo mesmo processo, elas jamais serão exatamente idênticas. Contudo, a diferença
entre peças pode ser grande, ou pode ser quase imperceptível.
Além disso, as fontes (ou causas) de variabilidade podem agir de forma diferente sobre o processo.
Conforme a fonte de variabilidade, o resultado pode ser:
a) Pequenas diferenças peça-a-peça (habilidade do operador, diferenças na matéria-prima, etc.)
b) Alteração gradual no processo (desgaste de ferramentas, temperatura do dia, etc.)
c) Alteração brusca no processo (mudança de procedimento, queda de corrente, troca de set up etc.).
Para o gerenciamento do processo e redução da variabilidade, é importante investigar as causas da
variabilidade no processo. O primeiro passo é distinguir entre causas comuns e causas especiais.
5 Causas Comuns.
• As causas comuns são as diversas fontes de variação que atuam de forma aleatória no processo,
gerando uma variabilidade inerente do processo.
• Essa variabilidade representa o padrão natural do processo, pois é resultante do efeito cumulativo de
pequenas fontes de variabilidade (causas) que acontecem diariamente, mesmo quando o processo está
trabalhando sob condições normais de operação.
• Um processo que apresenta apenas as causas comuns atuando é dito um processo estável ou sob
controle, pois apresenta sempre a mesma variabilidade ao longo do tempo.
• As causas comuns, em geral, só podem ser resolvidas por uma ação global sobre o sistema, e
muitas vezes a correção pode não se justificar economicamente.
6 Causas Especiais.
• As causas especiais são causas que não seguem um padrão aleatório (erros de set up, problemas
nos equipamentos ou nas ferramentas, um lote de matéria prima com características muito diferentes, etc.) e
por isso são consideradas falhas de operação.
• Elas fazem com que o processo saia fora de seu padrão natural de operação, ou seja, provocam
alterações na forma, tendência central ou variabilidade das características de qualidade.
• Elas reduzem significativamente o desempenho do processo e devem ser identificadas e
neutralizadas, pois sua correção se justifica economicamente.
Esses limites são calculados (não são aleatórios) a partir dos dados históricos do processo e são
usados para identificar quando o processo está fora de controle.
A carta de controle X-barra é uma ferramenta importante para garantir a qualidade do processo e reduzir a
variabilidade do produto ou serviço produzido.
• Um processo sob controle estatístico é um processo estável, ou seja, um processo que ao longo do
tempo segue sempre uma mesma distribuição de probabilidade.
• Importante: Os gráficos de controle em sua forma original não servem para acompanhar o
cumprimento de metas ou para verificar o atendimento de especificações de projeto.
• Em outras palavras, cartas de controle verificam, através da análise de uma variável, se o processo
produz é estável (“produz sempre a mesma coisa”), mas não verifica se o produto atende às especificações
de projeto.
Processo estável
Processo instável
8.1 Como é calculado o Limite Superior e Inferior de controle de uma carta de controle?
O Limite Superior de Controle (LSC) e o Limite Inferior de Controle (LIC) de uma carta de controle são
calculados utilizando estatísticas básicas dos dados coletados.
Existem diferentes métodos para calcular esses limites, dependendo do tipo de carta de controle e da
distribuição dos dados.
Um método comum para calcular os limites é utilizando a média (X̄) e o desvio padrão (σ) dos dados.
Para uma carta de controle com base na média, o LSC é geralmente calculado como X̄ + 3σ, enquanto o LIC
é calculado como X̄ - 3σ. “σ” = é o desvio padrão da amostra
No entanto, para cartas de controle baseadas em outras estatísticas, como a amplitude (R, “range”) ou o
desvio padrão médio (S), os cálculos podem ser diferentes. É importante consultar as especificações do
método utilizado e as referências relevantes para obter os cálculos específicos.
Lembrando que os limites de controle são usados para identificar variações estatisticamente significativas
nos processos e ajudar a determinar se o processo está sob controle estatístico.
Onde:
$\sigma$ é o desvio padrão da população
$N$ é o número de valores na população
$x_i$ é o i-ésimo valor da população
$\mu$ é a média dos valores da população
Onde:
$s$ é o desvio padrão da amostra
$n$ é o número de valores na amostra
$x_i$ é o i-ésimo valor da amostra
$\bar{x}$ é a média dos valores d
A diferença entre os dois cálculos apresentados está no denominador utilizado para calcular a média dos
quadrados das diferenças.
No primeiro cálculo (População), foi utilizado o denominador "n", que representa o tamanho da população.
Esse cálculo é adequado quando todos os membros da população estão disponíveis para serem medidos.
No segundo cálculo (Amostral), foi utilizado o denominador "n-1", que representa o tamanho da amostra
menos um. Esse cálculo é adequado quando você tem apenas uma amostra dos membros da população e
deseja estimar o desvio padrão da população com base na amostra.
O uso do denominador "n-1" no cálculo do desvio padrão amostral é uma correção estatística que leva em
consideração a incerteza associada à estimativa da média da amostra. A correção ajuda a garantir que o
desvio padrão amostral seja uma estimativa não tendenciosa e mais precisa do desvio padrão populacional.
Para calcular o desvio padrão da população de dados fornecida, você precisa seguir os seguintes passos:
Calcule a média dos dados:
Soma dos valores: 5 + 6 + 5 + 10 + 9 = 35
Número de valores: n= 5 (amostra)
Média = soma dos valores / número de valores (n)= 35 / 5 = 7
No Excel: =Média()
Calcule o desvio padrão como a raiz quadrada da média dos quadrados das diferenças:
Desvio padrão = √4.4 ≈ 2.097
No Excel: =DesvPad.P
11 Recalculo considerando que os dados são parte de uma amostra e não de uma população
O cálculo do desvio padrão para uma amostra é ligeiramente diferente do cálculo para uma população.
Para calcular o desvio padrão amostral da amostra de dados fornecida, você precisa seguir os seguintes
passos:
Desvio padrão amostral: é utilizado quando se tem apenas uma parte dos valores da população, ou seja,
uma amostra. A fórmula para o cálculo é dada por:
Onde:
$s$ é o desvio padrão da amostra
$n$ é o número de valores na amostra
$x_i$ é o i-ésimo valor da amostra
$\bar{x}$ é a média dos valores d
Em resumo, o cálculo do desvio padrão com d2 é mais preciso, mas requer o uso de um fator de correção
encontrado em tabelas estatísticas. Por outro lado, o cálculo do desvio padrão sem d2 é mais simples e
direto, mas é menos preciso. A escolha do método depende do contexto em que os dados estão sendo
analisados e da precisão desejada.
15 Tabela D2 para n = 20
A tabela D2 é usada para ajustar o desvio padrão amostral para que ele seja uma estimativa não tendenciosa
do desvio padrão populacional.
Em resumo, a tabela D2 é usada para ajustar o desvio padrão amostral para que ele seja uma estimativa
não tendenciosa do desvio padrão populacional. A tabela D2 varia de acordo com o número de dados e o
nível de confiança desejado e é encontrada em tabelas estatísticas.
A Carta R é um tipo de gráfico de controle que é usado para monitorar a variabilidade de um processo ao
longo do tempo. A carta R é usada para monitorar a amplitude de cada amostra, que é a diferença entre a
maior e a menor observação em cada amostra. A finalidade desta carta de controle é a mesma que a da
carta para média e desvio padrão. Porém, a carta média e amplitude é mais adequada quando o tamanho
das amostras (tamanho do subgrupo) é menor ou igual a 8. Para analisar um gráfico de amplitudes carta R, é
necessário observar os seguintes pontos:
• A linha central representa a média das amplitudes.
• Os limites de controle superior e inferior são calculados usando a média das amplitudes e as
constantes D3 e D4, que dependem do tamanho da amostra.
• Se a parte inferior da carta (amplitude) apresenta pontos fora de controle, ou seja, apresentar causas
especiais, você não deve considerar os resultados na parte da média, já que os limites de controle
em ambos os casos, média e amplitude, são calculados usando os mesmos dados.
• Os pontos fora de controle podem influenciar as estimativas dos parâmetros do processo e evitar que
limites de controle de representem verdadeiramente o seu processo. Se os pontos fora de controle
forem devidos a causas especiais, considere a omissão desses pontos dos cálculos.
Para construir uma carta R, é necessário seguir os seguintes passos:
1. Crie uma coluna com a quantidade de amostras e outras colunas com a quantidade de medições que
foram feitas nessas amostras.
2. Calcule a média e a amplitude das suas amostras e suas respectivas medições.
3. Calcule a média geral de todo o processo juntamente com a média das amplitudes. A média das
amplitudes na carta de controle recebe o nome de R barra (R de “Range” que significa amplitude em
inglês).
4. Calcule o limite superior central, o limite central e o limite inferior central da amplitude (R barra).
5. Faça a construção do gráfico das amplitudes das amostras.
Ao analisar um gráfico de amplitudes carta R, é possível identificar se o processo está sob controle ou se há
causas especiais que precisam ser investigadas.
Sample Range
1 5
2 1
3 5
Sample Range
4 10
5 9
A média do intervalo (R-barra) é 6, e o limite de controle superior (LCS) é 12,684 e o limite de controle inferior
(LCI) é 0.
O R-Chart pode ser usado para monitorar a variabilidade do processo ao longo do tempo e detectar
quaisquer pontos fora de controle que possam indicar um problema com o processo.
O desvio padrão é uma medida de dispersão dos dados em relação à média, que indica o quanto os dados
estão afastados da média.
A seguir estão algumas orientações para ajudar na interpretação do desvio padrão em relação à média:
Um desvio padrão igual a zero significa que todos os valores do conjunto de dados são iguais à média e não
há variação. Os dados são perfeitamente uniformes.
Um baixo desvio padrão indica que os dados estão próximos da média ou do valor esperado, ou seja, há
pouca dispersão nos dados.
Um alto desvio padrão indica que os dados estão espalhados, ou seja, há maior dispersão nos dados em
relação à média.
Uma boa regra de ouro é que:
• aproximadamente 68% dos valores estão dentro de um desvio padrão da média ( 1 sigma pra cima,
1 sigma pra baixo);
• 95% dos valores estão dentro de dois desvios padrão e (2x sigma pra cima, 2x sigma pra baixo);
• 99,7% dos valores estão dentro de três desvios padrão (3 sigmas pra cima, 3 sigmas pra
baixo).
• Valores que estão além de três desvios padrão da média são considerados outliers
O desvio padrão é normalmente mais fácil de interpretar do que a variância, pois está nas mesmas unidades
que os dados.
Em resumo, o desvio padrão é uma medida importante para avaliar a variabilidade dos dados em relação à
média, e sua interpretação depende do contexto em que está sendo utilizado.
Outra maneira é usar o método de Tukey, que define um limite superior e inferior para os valores que estão
dentro do intervalo interquartil (IQR), que é a diferença entre o terceiro e o primeiro quartil. Valores que estão
acima do limite superior ou abaixo do limite inferior são considerados outliers
Um valor que está a uma distância significativa do restante dos valores pode ser considerado um outlier. A
distância pode ser definida como um múltiplo do desvio padrão, por exemplo, três desvios padrão acima ou
abaixo da média
.
É importante lembrar que a identificação de outliers depende do contexto em que os dados estão sendo
analisados e que nem todos os valores que estão fora do intervalo interquartil ou além de três desvios padrão
são necessariamente outliers
O z-score é uma medida estatística que indica quantos desvios padrão um valor está acima ou abaixo
da média de um conjunto de dados. Ele pode ser usado para identificar outliers em um conjunto de dados.
Aqui está como calcular o z-score para identificar outliers:
Calcule a média e o desvio padrão do conjunto de dados.
Subtraia a média do valor que você deseja calcular o z-score e divida pelo desvio padrão.
O resultado é o z-score para esse valor.
Valores com z-score acima de 3 ou abaixo de -3 são considerados outliers.
Por exemplo, suponha que você tenha um conjunto de dados com a seguinte distribuição:
10 12 14 16 18 20 22 24 26 28
Para identificar o outlier (40), você pode calcular o z-score da seguinte maneira:
A média é 19 e o desvio padrão é 6,05.
Em resumo, o z-score é uma medida útil para identificar outliers em um conjunto de dados, e valores com z-
score acima de 3 ou abaixo de -3 são considerados outliers.
Se o processo é instável, aparecem pontos fora dos limites de controle ou uma sequência de pontos
não- aleatória indicando a presença de causas especiais.
Em geral, no início do monitoramento, os processos apresentam várias causas especiais. Devido às ações
dirigidas pelas cartas de controle, aos poucos as causas especiais vão sendo identificadas e eliminadas uma
a uma. Com o passar do tempo, obtém-se um processo estável e previsível.
Se os pontos plotados nas cartas apresentam um comportamento não aleatório ou sistemático também são
um forte indício de causa especial.
22 Padrões de causas especiais
A observação de padrões pode disparar uma ação antecipada sobre o sistema antes mesmo que um ponto
apareça fora dos limites de controle.
Alguns padrões podem ser favoráveis e podem fornecer a pista para eventuais melhorias permanentes no
processo.
Exemplos:
24 Fontes Bibliográficas