Escolar Documentos
Profissional Documentos
Cultura Documentos
2007
Norma Portuguesa
o
ida nic
Lignes directrices pour les techniques statistiques relatives à l’ISO 9001:2000
(ISO/TR 10017:2003)
oib tró
Guidance on statistical techniques for ISO 9001:2000
pr lec
(ISO/TR 10017:2003)
ão o e
uç ent
pr um
re doc
od
ICS APROVAÇÃO
IP de
03.120.30 2007-04-13
empresas; métodos estatísticos de análise; controlo estatístico da prazo de 30 dias conforme indicado na publicação do Instituto
Q
qualidade; estatística; planeamento; bibliografia Português da Qualidade “Lista Mensal Projectos de Normas”.
Eventuais críticas ou sugestões devem ser enviadas ao Instituto
s
EDIÇÃO
Abril de 2007
Im
CÓDIGO DE PREÇO
X009
em branco
od
uç ent
ão o e
pr lec
oib tró
ida nic
o
prNP 4463
2007
p. 3 de 35
Índice Página
o
Preâmbulo ................................................................................................................................................. 4
ida nic
Introdução................................................................................................................................................. 5
oib tró
2 Referências normativas......................................................................................................................... 6
pr lec
3 Identificação de necessidades potenciais de técnicas estatísticas ...................................................... 6
ão o e
4 Descrições de técnicas estatísticas identificadas ................................................................................. 11
Bibliografia ............................................................................................................................................... 32
prNP 4463
2007
p. 4 de 35
Preâmbulo
A ISO (Organização Internacional de Normalização) é uma federação mundial de organismos nacionais de
o
normalização (organismos membros da ISO). O trabalho de preparação das Normas Internacionais é,
ida nic
normalmente, executado pelos comités técnicos da ISO. Cada organismo membro interessado numa
determinada matéria, para a qual tenha sido criado um comité técnico, tem o direito de se fazer representar
nesse comité. As organizações internacionais, governamentais e não governamentais, em ligação com a ISO,
oib tró
participam igualmente nos trabalhos. A ISO colabora estreitamente com a Comissão Electrotécnica
Internacional (IEC) nos assuntos de normalização electrotécnica.
pr lec
As Normas Internacionais são preparadas de acordo com as regras constantes, na Parte 2, das directivas
ISO/IEC.
A tarefa principal dos comités técnicos consiste na preparação de Normas Internacionais. Os projectos das
ão o e
Normas Internacionais adoptados pelos comités técnicos são submetidos aos organismos membros para
votação. A publicação como Norma Internacional requer a aprovação de pelo menos 75% dos organismos
membros com direito a voto.
uç ent
Em circunstâncias excepcionais, quando um comité técnico tiver reunido dados de teor diferente dos que
normalmente são publicados numa Norma Internacional ("estado da arte”, por exemplo) esse comité poderá
decidir publicar um Relatório Técnico com a maioria simples dos votos dos seus membros participantes. Um
pr um
Relatório Técnico é inteiramente informativo por natureza e não tem que ser revisto até que se considere que
os dados que proporciona já não são válidos ou úteis.
re doc
Chama-se a atenção para a possibilidade de alguns elementos deste documento poderem estar sujeitos a
direitos patenteados. A ISO não deve ser considerada responsável pela identificação de parte ou da totalidade
od
Este Relatório Técnico pode ser actualizado para reflectir revisões futuras da ISO 9001. Os comentários ao
Q
conteúdo deste Relatório Técnico poderão ser enviados ao Secretariado Central da ISO para consideração em
s
revisão futura.
es
pr
Im
prNP 4463
2007
p. 5 de 35
Introdução
A finalidade deste Relatório Técnico é ajudar as organizações a identificar as técnicas estatísticas que podem
o
ser úteis para desenvolver, implementar, manter e melhorar um sistema de gestão da qualidade de acordo
ida nic
com os requisitos da ISO 9001:2000.
Neste contexto, a utilidade das técnicas estatísticas provém da variabilidade que poderá ser observada no
comportamento e no resultado de praticamente todos os processos, mesmo sob condições de aparente
oib tró
estabilidade. Tal variabilidade pode ser observada nas características quantificáveis dos produtos e dos
processos, e a sua existência pode ser vista em várias etapas ao longo de todo o ciclo de vida dos produtos,
pr lec
desde a pesquisa de mercado até ao serviço ao cliente e destino final.
As técnicas estatísticas podem ajudar a medir, descrever, analisar, interpretar e modelar essa variabilidade,
mesmo com uma quantidade relativamente limitada de dados. A análise estatística desses dados poderá
ão o e
proporcionar uma melhor compreensão da natureza, da extensão e das causas da variabilidade. Isto poderia
ajudar a resolver, e até a evitar, problemas que poderiam resultar dessa variabilidade.
As técnicas estatísticas podem, pois, permitir uma melhor utilização dos dados disponíveis para suportar a
uç ent
tomada de decisão, ajudando, desse modo, a melhorar continuamente a qualidade dos produtos e dos
processos para atingir a satisfação do cliente. Estas técnicas estatísticas são aplicáveis a um espectro largo de
actividades, tais como pesquisa de mercado, concepção, desenvolvimento, produção, verificação, instalação
pr um
As técnicas estatísticas descritas neste Relatório Técnico são também aplicáveis a outras normas da família
da ISO 9000, em particular a ISO 9004:2000.
IP de
© ão
Q
s
es
pr
Im
prNP 4463
2007
p. 6 de 35
o
poderão ser úteis a uma organização para desenvolver, implementar, manter e melhorar um sistema de gestão
ida nic
da qualidade em conformidade com a ISO 9001. Isto é feito examinando os requisitos da ISO 9001 que
envolvem o uso de dados quantitativos, e depois identificando e descrevendo as técnicas estatísticas que
podem ser úteis quando aplicadas a tais dados.
oib tró
A lista das técnicas estatísticas citadas neste Relatório Técnico não é completa nem exaustiva, e não impede
o uso de quaisquer outras técnicas (estatísticas ou outras) que a organização considere úteis. Além disto, este
pr lec
Relatório Técnico não tem intenção de prescrever quais as técnicas estatísticas a usar, nem de recomendar o
modo de as implementar.
Este relatório técnico não se destina a fins contratuais, regulamentares ou de certificação/registo. Não se
ão o e
pretende que seja usado como uma lista de comprovação mandatória da conformidade com os requisitos da
ISO 9001:2000. A justificação para o uso de técnicas estatísticas é que a sua aplicação ajudaria a melhorar a
eficácia do sistema de gestão da qualidade.
uç ent
NOTA1. Os termos “técnicas estatísticas” e “métodos estatísticos” são frequentemente utilizados de forma indiferenciada.
NOTA2. Referências neste Relatório Técnico a “produto” são aplicáveis às categorias genéricas de produto (serviços, software,
pr um
hardware e materiais processados, ou uma combinação destes), de acordo com a definição de “produto” na ISO 9000:2000.
2 Referências normativas
re doc
Os documentos a seguir referenciados são indispensáveis para a aplicação deste documento. Para referências
od
datadas, apenas se aplica a edição citada. Para referências não datadas, aplica-se a última edição do
documento referenciado (incluindo quaisquer alterações).
ISO 9000:2000 i)
IP de
A necessidade de dados quantitativos que, razoavelmente, se poderão associar à implementação das cláusulas
Q
e subcláusulas da ISO 9001 está identificada na Tabela 1. Para cada necessidade de dados quantitativos
s
assim identificada lista-se uma ou mais técnicas estatísticas que, quando adequadamente aplicadas a esses
es
em dados quantitativos.
Onde não se possa associar prontamente a necessidade de dados quantitativos a uma cláusula ou subcláusula
Im
i)
À data da publicação da versão portuguesa da ISO/TR 10017:2003, a norma ISO 9000:2005 substitui a norma ISO 9000:2000,
que se encontra anulada.
prNP 4463
2007
p. 7 de 35
o
ISO 9001:2000 utilização de dados quantitativos
ida nic
4 Sistema de gestão da qualidade
4.1 Requisitos gerais Ver introdução a este Relatório
Técnico
oib tró
4.2 Requisitos da documentação
4.2.1 Generalidades Nenhuma identificada
pr lec
4.2.2 Manual da qualidade Nenhuma identificada
4.2.3 Controlo dos documentos Nenhuma identificada
4.2.4 Controlo dos registos Nenhuma identificada
ão o e
5 Responsabilidade da gestão
5.1 Comprometimento da gestão Nenhuma identificada
uç ent
5.2 Focalização no cliente Necessidade de determinar os Ver 7.2.2 nesta tabela
requisitos do cliente
Necessidade de avaliar a satisfação Ver 8.2.1 nesta tabela
do cliente
pr um
comunicação
5.5.1 Responsabilidade e autoridade Nenhuma identificada
5.5.2 Representante da gestão Nenhuma identificada
© ão
da auditoria
Im
p. 8 de 35
o
6.2 Recursos humanos
ida nic
6.2.1 Generalidades Nenhuma identificada
6.2.2 Competência,
consciencialização e formação
oib tró
6.2.2 a) Nenhuma identificada
6.2.2 b) Nenhuma identificada
pr lec
6.2.2 c) Avaliar a eficácia das acções Necessidade de avaliar competências Estatística descritiva; amostragem
empreendidas e eficácia da formação
6.2.2 d) Nenhuma identificada
ão o e
6.2.2 e) Nenhuma identificada
6.3 Infra-estrutura Nenhuma identificada
6.4 Ambiente de trabalho Necessidade de monitorizar o Estatística descritiva; cartas CEP
uç ent
ambiente de trabalho
7 Realização do produto
7.1 Planeamento da realização do Nenhuma identificada
pr um
produto
7.2 Processos relacionados com o
cliente
re doc
7.2.2 Revisão dos requisitos Necessidade de avaliar a capacidade Estatística descritiva; análise de
relacionados com o produto da organização para atingir os medições; análise de capacidade do
IP de
desenvolvimento
7.3.3 Saídas da concepção e Necessidade de verificar que as Estatística descritiva; planeamento de
desenvolvimento saídas da concepção satisfazem os experiências; teste de hipóteses;
pr
p. 9 de 35
o
7.3.6 Validação da concepção e Necessidade de validar que o produto Estatística descritiva; planeamento de
desenvolvimento satisfaz a utilização e as necessidades experiências; teste de hipóteses;
ida nic
declaradas análise de medições; análise de
capacidade do processo; análise de
regressão; análise de fiabilidade;
oib tró
amostragem; simulação
7.3.7 Controlo das alterações na Necessidade de avaliar, verificar e Estatística descritiva; planeamento de
concepção e desenvolvimento validar os efeitos das alterações na experiências; teste de hipóteses;
pr lec
concepção análise de medições; análise de
capacidade do processo; análise de
regressão; análise de fiabilidade;
ão o e
amostragem; simulação
7.4 Compras
7.4.1 Processo de compra Necessidade de assegurar que o Estatística descritiva; teste de
uç ent
produto comprado está em hipóteses; análise de medições; análise
conformidade com os requisitos de de capacidade do processo; análise de
compra especificados regressão; análise de fiabilidade;
amostragem
pr um
p. 10 de 35
o
7.6 Controlo dos dispositivos de Necessidade de assegurar a Estatística descritiva; análise de
ida nic
monitorização e medição consistência do processo e do medições; análise de capacidade do
equipamento de monitorização e processo; análise de regressão;
medição com os requisitos amostragem; cartas CEP;
toleranciamento estatístico; análise de
oib tró
séries cronológicas
Necessidade de avaliar a validade das Estatística descritiva; teste de
pr lec
medições anteriores, quando hipóteses; análise de medições; análise
requerido de regressão; amostragem;
toleranciamento estatístico; análise de
ão o e
séries cronológicas
8 Medição, análise e melhoria
8.1 Generalidades Nenhuma identificada
uç ent
8.2 Monitorização e medição
8.2.1 Satisfação do cliente Necessidade de monitorizar e analisar Estatística descritiva; amostragem
a informação relativa à percepção do
pr um
cliente
8.2.2 Auditoria interna Necessidade de planear o programa Estatística descritiva; amostragem
de auditoria interna e relatar os dados
da auditoria
re doc
8.2.3 Monitorização e medição dos Necessidade de monitorizar e medir Estatística descritiva; planeamento de
od
séries cronológicas
8.3 Controlo do produto não Necessidade de determinar a Estatística descritiva; amostragem
pr
p. 11 de 35
o
d) Fornecedores Ver 7.4.1 nesta tabela
ida nic
8.5 Melhoria
8.5.1 Melhoria contínua Necessidade de melhorar os
processos do sistema de gestão da
oib tró
qualidade através do uso de dados
quantitativos nas áreas de
- Concepção e desenvolvimento Ver 7.3.3, 7.3.5, 7.3.6 nesta tabela
pr lec
- Compras Ver 7.4.1, 7.4.3 nesta tabela
- Produção e fornecimento do serviço Ver 7.5.1, 7.5.2, 7.5.5 nesta tabela
ão o e
- Controlo dos dispositivos de Ver 7.6 nesta tabela
monitorização e medição
8.5.2 Acção correctiva Necessidade de analisar dados Estatística descritiva; planeamento de
relativos às não-conformidades para experiências; teste de hipóteses análise
uç ent
ajudar a compreender as suas causas de capacidade do processo; análise de
regressão; amostragem; cartas CEP;
análise de séries cronológicas
pr um
cronológicas
4.1 Generalidades
© ão
Na Tabela 1 estão identificadas as técnicas estatísticas, ou famílias de técnicas, que se seguem, as quais
Q
− estatística descritiva;
es
− planeamento de experiências;
− teste de hipóteses;
pr
− análise de medições;
Im
p. 12 de 35
Das várias técnicas estatísticas listadas anteriormente, vale a pena referir que a estatística descritiva (que
inclui métodos gráficos) constitui um elemento importante para muitas das outras técnicas listadas
o
Como já referido, os critérios usados para seleccionar as técnicas listadas anteriormente são que as técnicas
ida nic
sejam bem conhecidas e largamente usadas e que da sua aplicação tenham resultado benefícios para os
utilizadores.
A escolha da técnica e a maneira como é aplicada dependerão das circunstâncias e da finalidade do exercício,
oib tró
que diferirão de caso para caso.
Uma descrição breve de cada técnica estatística, ou família de técnicas, encontra-se nas secções 4.2 a 4.13.
pr lec
As descrições pretendem ajudar os leitores iniciados a ajuizar da aplicabilidade e dos benefícios potenciais
do uso das técnicas estatísticas ao implementar os requisitos de um sistema de gestão da qualidade.
ão o e
A aplicação real das técnicas estatísticas aqui referidas requererá mais orientações e experiência qualificada
do que os fornecidos por este Relatório Técnico. Há um vasto conjunto de informação sobre técnicas
estatísticas disponível no domínio público, tais como livros, jornais, relatórios, manuais da indústria e outras
fontes de informação, que poderão ajudar a organização na utilização eficaz das técnicas estatísticas . No
uç ent
entanto, está para além do âmbito deste Relatório Técnico a citação destas fontes, deixando-se à iniciativa
individual a pesquisa dessa informação.
pr um
4.2.1 O que é
od
O termo estatística descritiva refere-se a procedimentos para resumir e apresentar de forma compreensível a
informação contida em dados.
No caso de dados quantitativos, normalmente as características de interesse são o valor central (mais
IP de
frequentemente descrito pela média) e a dispersão (geralmente medida pela amplitude ou pelo desvio
padrão). Outra característica de interesse é a distribuição dos dados, para a qual há medidas quantitativas que
descrevem a forma da distribuição (tal como o grau de “assimetria” que descreve a simetria).
© ão
Muitas vezes, a informação fornecida pela estatística descritiva pode ser pronta e eficazmente
Q
disponibilizada por uma variedade de métodos gráficos, que incluem representações de dados relativamente
s
− gráfico de tendência (também chamado “gráfico de linhas”), que é uma representação gráfica de uma
característica de interesse ao longo de um período de tempo, para observar o seu comportamento no
pr
tempo,
− diagrama de dispersão, que ajuda a avaliar a relação entre duas variáveis ao representar uma variável no
Im
p. 13 de 35
apresentação, de uma forma eficaz, de dados complexos ou de relações entre dados, especialmente para
audiências de não especialistas.
o
A estatística descritiva (incluindo os métodos gráficos) é implicitamente invocada em muitas das técnicas
estatísticas referidas neste Relatório Técnico e deverá ser considerada como uma componente fundamental
ida nic
da análise estatística.
oib tró
4.2.2 Para que é utilizada
A estatística descritiva é utilizada para resumir e caracterizar dados. É, em geral, o passo inicial na análise de
pr lec
dados quantitativos e constitui muitas vezes o primeiro passo na utilização de outros procedimentos
estatísticos.
As características dos dados amostrais poderão servir como base para fazer inferências a respeito das
ão o e
características das populações das quais as amostras foram retiradas, com margem de erro e nível de
confiança determinados.
uç ent
4.2.3 Benefícios
A estatística descritiva oferece uma maneira eficiente e relativamente simples de resumir e caracterizar
pr um
dados, bem como uma maneira conveniente de apresentar essa informação. Em particular, os métodos
gráficos são uma maneira muito eficaz de apresentar dados e comunicar informação.
Potencialmente, a estatística descritiva é aplicável a todas as situações que envolvam o uso de dados. Pode
re doc
média e o desvio padrão). Contudo, estas medidas estão sujeitas às limitações da dimensão da amostra e do
método de amostragem utilizado. Adicionalmente, estas medidas quantitativas não podem ser assumidas
como estimativas válidas das características da população de onde foi retirada a amostra, a menos que os
© ão
A estatística descritiva tem aplicação útil em quase todas as áreas onde se recolhem dados quantitativos.
Pode fornecer informação sobre o produto, o processo ou algum outro aspecto do sistema de gestão da
pr
qualidade, e poderá ser usada nas revisões pela gestão. Alguns exemplos dessas aplicações são os seguintes:
− resumo de medidas-chave de características do produto (tais como o valor central e a dispersão);
Im
p. 14 de 35
− avaliação da possível relação entre uma variável de um processo (por exemplo, temperatura) e um
resultado, através de um diagrama de dispersão.
o
ida nic
4.3 Planeamento de experiências
4.3.1 O que é
oib tró
O planeamento de experiências refere-se a investigações realizadas de maneira planeada e que se suportam
numa avaliação estatística dos resultados para tirar conclusões com um determinado nível de confiança.
pr lec
Normalmente, o planeamento de experiências envolve a indução de alteração(ões) ao sistema sob
investigação e a avaliação estatística do efeito dessa(s) alteração(ões) sobre o sistema. O seu objectivo
ão o e
poderá ser validar alguma(s) característica(s) de um sistema ou poderá ser investigar a influência de um ou
mais factores sobre alguma(s) característica(s) de um sistema.
O arranjo específico e a maneira como as experiências se vão realizar constituem o plano da experiência e
uç ent
este plano é orientado pelo objectivo do exercício e pelas condições em que as experiências serão
conduzidas.
Há várias técnicas que poderão ser usadas para analisar dados de experiências. Estas vão desde as técnicas
pr um
analíticas, tal como a “análise de variância” (ANOVA), até a outras de natureza mais gráfica, como sejam os
“gráficos de probabilidade”.
re doc
O planeamento de experiências poderá ser usado para avaliar uma característica de um produto, processo ou
sistema para efeitos de validação em relação a um referencial especificado ou de avaliação comparativa de
diversos sistemas.
IP de
O planeamento de experiências é particularmente útil para investigar sistemas complexos cujo resultado
poderá ser influenciado por um número de factores potencialmente elevado. O objectivo da experiência
© ão
poderá ser maximizar ou optimizar uma característica de interesse ou reduzir a sua variabilidade. O
planeamento de experiências poderá ser usado para identificar os factores mais influentes num sistema, a
Q
magnitude da sua influência e as relações (i.e. interacções), se existirem, entre os factores. As constatações
s
poderão ser usadas para facilitar a concepção e o desenvolvimento de um produto ou de um processo ou para
es
poderá ser usada para formular um modelo matemático que descreva a(s) característica(s) de interesse do
sistema como uma função dos factores de influência. Esse modelo poderá ser usado para efeitos de previsão.
Im
4.3.3 Benefícios
Ao estimar ou validar uma característica de interesse, é necessário assegurar que os resultados obtidos não
são simplesmente devidos ao acaso. Isto aplica-se às avaliações feitas em relação a um referencial
especificado e, mais ainda, à comparação de dois ou mais sistemas. O planeamento de experiências permite
fazer tais avaliações com um nível de confiança pretendido.
Uma grande vantagem do planeamento de experiências é a sua relativa eficiência e economia na investigação
dos efeitos de múltiplos factores num processo, quando comparado com a investigação de cada factor
individualmente. A sua capacidade para identificar as interacções de determinados factores pode, também,
conduzir a uma compreensão mais profunda do processo. Estes benefícios são especialmente evidentes
prNP 4463
2007
p. 15 de 35
quando se lida com processos complexos (i.e. processos que envolvem um grande número de factores
potencialmente influentes).
o
Finalmente, quando se investiga um sistema há o risco de presumir incorrectamente causalidade onde poderá
haver somente uma correlação entre duas ou mais variáveis que é devida ao acaso. O risco de tal erro pode
ida nic
ser reduzido com o uso de princípios sólidos de planeamento de experiências.
oib tró
4.3.4 Limitações e cuidados
Em todos os sistemas está presente um determinado nível de variação inerente (descrito frequente e
pr lec
correctamente como "ruído") que pode por vezes encobrir os resultados das investigações e conduzir a
conclusões incorrectas. Outras fontes potenciais de erro incluem o efeito de confundimento de factores
desconhecidos (ou simplesmente não reconhecidos) que poderão estar presentes, ou o efeito de
ão o e
confundimento de dependências entre os vários factores num sistema. O risco colocado por estes erros pode
ser mitigado por experiências bem planeadas através, por exemplo, da escolha da dimensão da amostra ou de
outras considerações no plano da experiência. Estes riscos nunca podem ser eliminados e consequentemente
deverão ser tidos em consideração ao tirar as conclusões.
uç ent
Também, em sentido restrito, as constatações da experiência são válidas só para os factores e para a gama de
valores considerada na experiência. Consequentemente, deverá ter-se cuidado ao extrapolar (ou ao
interpolar) muito além da gama de valores considerada na experiência.
pr um
exemplo na validação do efeito de tratamento médico, ou na avaliação da eficácia relativa de diversos tipos
de tratamento. Exemplos de aplicação na indústria incluem testes de validação de produtos em relação a
determinados padrões de desempenho especificados.
© ão
complexos e, desse modo, controlar ou melhorar o valor médio, ou reduzir a variabilidade, de alguma
s
característica de interesse (tais como resultado do processo, resistência do produto, durabilidade, nível de
es
4.4.1 O que é
O teste de hipóteses é um procedimento estatístico para determinar, com um nível de risco prescrito, se um
conjunto de dados (normalmente de uma amostra) é compatível com uma dada hipótese. A hipótese poderá
dizer respeito ao pressuposto de uma determinada distribuição estatística ou modelo, ou poderá dizer respeito
ao valor de algum parâmetro de uma distribuição (tal como o seu valor médio).
O procedimento para o teste de hipóteses envolve avaliação da evidência (sob a forma de dados) para decidir
se deverá ou não ser rejeitada uma dada hipótese relativa a um modelo estatístico ou a um parâmetro.
prNP 4463
2007
p. 16 de 35
O teste de hipóteses é explícita ou implicitamente invocado em muitas das técnicas estatísticas citadas neste
Relatório Técnico, tais como amostragem, cartas CEP, planeamento de experiências, análise de regressão e
o
análise de medições.
ida nic
4.4.2 Para que é utilizado
O teste de hipóteses é largamente utilizado para permitir concluir, com um determinado nível de confiança,
oib tró
se é ou não válida uma hipótese a respeito de um parâmetro de uma população (conforme estimado a partir
de uma amostra). O procedimento poderá, portanto, ser aplicado para testar se um parâmetro da população
pr lec
satisfaz ou não um determinado padrão; ou poderá ser usado para testar as diferenças entre duas ou mais
populações. É, portanto, útil na tomada de decisão.
O teste de hipóteses também é usado para testar pressupostos de modelos, tais como se a distribuição de uma
ão o e
população é ou não normal ou se os dados amostrais são aleatórios.
O procedimento do teste de hipóteses poderá também ser usado para determinar a gama de valores
(designada “intervalo de confiança”) que se pode dizer que contém, com um determinado nível de confiança,
uç ent
o verdadeiro valor do parâmetro em questão.
pr um
4.4.3 Benefícios
O teste de hipóteses permite que se faça uma afirmação sobre algum parâmetro de uma população com um
nível de confiança conhecido. Deste modo, o teste de hipóteses pode ser uma ajuda na tomada de decisões
re doc
Similarmente, o teste de hipóteses pode permitir que se façam afirmações relativas à natureza da distribuição
de uma população, bem como às propriedades dos próprios dados amostrais.
IP de
estatísticos subjacentes sejam adequadamente satisfeitos, nomeadamente que as amostras sejam recolhidas
de forma independente e aleatória. Adicionalmente, o nível de confiança com que se pode tirar a conclusão é
Q
A um nível teórico, há alguma controvérsia a respeito de como o teste de hipóteses pode ser usado para fazer
es
inferências válidas.
pr
O teste de hipóteses tem uma aplicação genérica quando se tem que fazer uma afirmação sobre um parâmetro
ou sobre a distribuição de uma ou mais populações (como estimados a partir de uma amostra) ou na
avaliação dos próprios dados . Por exemplo, o procedimento poderá ser usado para:
− testar se a média (ou o desvio padrão) de uma população satisfaz um dado valor, tal como uma meta ou
um padrão;
− testar se as médias de duas (ou mais) populações são diferentes, como quando se comparam diferentes
lotes de componentes;
− testar se a proporção de uma população com defeitos não ultrapassa um dado valor;
− testar se há diferenças na proporção de unidades defeituosas nos resultados de dois processos;
− testar se os dados de uma amostra foram retirados aleatoriamente de uma única população;
prNP 4463
2007
p. 17 de 35
o
questionável;
ida nic
− testar se houve uma melhoria em alguma característica do produto ou do processo;
− determinar a dimensão da amostra requerida para aceitar ou rejeitar uma hipótese, com um determinado
oib tró
nível de confiança;
− determinar um intervalo de confiança dentro do qual se poderá encontrar a média populacional, usando os
pr lec
dados de uma amostra.
4.5.1 O que é ão o e
uç ent
A análise de medições (também referida como “análise de incerteza de medições” ou “análise do sistema de
medição”) é um conjunto de procedimentos para avaliar a incerteza de sistemas de medição, sob a gama de
condições na qual operam os sistemas. Os erros de medição poderão ser analisados pelos mesmos métodos
que são usados para analisar características de produtos.
pr um
A incerteza da medição deverá ser tida em conta sempre que se recolhem dados. A análise de medições é
od
usada para avaliar, com um determinado nível de confiança, se o sistema de medição é adequado para o fim
em vista. É usada para quantificar a variação causada por várias fontes, tais como a variação devida ao
avaliador (i.e. a pessoa que faz a medição), ou a variação causada pelo processo de medição ou pelo próprio
IP de
instrumento de medição. Também é usada para descrever a variação devida ao sistema de medição como
uma proporção da variação total do processo, ou a variação tolerável total.
© ão
4.5.3 Benefícios
Q
A análise de medições proporciona uma base para comparar e reconciliar diferenças na medição, pela
quantificação da variação das várias fontes nos próprios sistemas de medição.
pr
A análise de medições necessita de ser conduzida por especialistas treinados, excepto nos casos mais
simples. Se não houver cuidado e experiência qualificada na sua aplicação, os resultados da análise de
medições podem encorajar um falso e potencialmente caro excesso de optimismo, tanto em relação aos
resultados das medições como à aceitabilidade do produto. Inversamente, um excesso de pessimismo pode
resultar na substituição desnecessária de sistemas de medição adequados.
prNP 4463
2007
p. 18 de 35
o
4.5.5.1 Determinação da incerteza da medição
ida nic
A quantificação de incertezas de medição pode servir para suportar a garantia dada por uma organização aos
seus clientes (internos ou externos) de que os seus processos de medição são capazes de medir
adequadamente o nível de qualidade a ser atingido. A análise da incerteza da medição pode frequentemente
oib tró
relevar variabilidade em áreas que são críticas para a qualidade do produto e, deste modo, orientar a
organização na alocação de recursos a essas áreas para melhorar ou manter a qualidade.
pr lec
4.5.5.2 Selecção de novos instrumentos
A análise de medições pode ajudar a orientar a escolha de um novo instrumento ao examinar a proporção de
ão o e
variação que está associada ao instrumento.
uç ent
4.5.5.3 Determinação das características de um método particular (veracidade, precisão, repetibilidade,
reprodutibilidade, etc.)
Permite a selecção do(s) método(s) de medição mais apropriado(s) a usar como suporte para garantir a
pr um
qualidade do produto. Poderá também permitir a uma organização ponderar o custo e a eficácia de vários
métodos de medição face ao seu efeito na qualidade do produto.
re doc
O sistema de medição de uma organização poderá ser avaliado e quantificado comparando os seus resultados
de medição com os obtidos por outros sistemas de medição. Para além de dar garantia aos clientes, isto
poderá também ajudar uma organização a melhorar os seus métodos ou a formação do seu pessoal no que diz
IP de
4.6.1 O que é
es
Quando os dados são variáveis mensuráveis (do produto ou do processo), a variabilidade inerente ao
Im
processo é expressa em termos da “dispersão” do processo quando este está na situação de controlo
estatístico (ver 4.11) e é normalmente medida como seis desvios padrão (6σ) da distribuição do processo. Se
os dados do processo são uma variável com uma distribuição normal (“em forma de sino”), esta dispersão
envolverá (em teoria) 99,73% da população.
A capacidade do processo pode ser convenientemente expressa como um índice, o qual relaciona a
variabilidade real do processo com a tolerância permitida pelas especificações. Um índice de capacidade
muito usado para dados variáveis é o “Cp” (razão entre tolerância total e 6σ), que é uma medida da
capacidade teórica de um processo perfeitamente centrado entre os limites da especificação. Outro índice
muito usado é o “Cpk”, que descreve a capacidade real de um processo que pode ou não estar centrado; o
“Cpk” é especialmente aplicável a situações que envolvem especificações unilaterais. Outros índices de
capacidade têm sido concebidos para considerar melhor a variabilidade de longo e curto prazo e a variação
em torno do valor alvo pretendido para o processo.
prNP 4463
2007
p. 19 de 35
Quando os dados do processo envolvem “atributos” (por exemplo, percentagem de não conformes, ou
número de não-conformidades), a capacidade do processo é definida como a proporção média de unidades
não conformes ou a taxa média de não-conformidades.
o
ida nic
4.6.2 Para que é utilizada
A análise da capacidade do processo é usada para avaliar a capacidade de um processo para produzir
oib tró
resultados que sejam consistentemente conformes com as especificações e para estimar a quantidade de
produto não conforme que pode ser esperada.
pr lec
Este conceito pode ser aplicado na avaliação da capacidade de qualquer subconjunto de um processo, como
seja uma máquina específica. A análise da “capacidade da máquina” pode ser usada, por exemplo, para
avaliar um determinado equipamento ou para avaliar a sua contribuição para a capacidade de todo o
ão o e
processo.
4.6.3 Benefícios
uç ent
A análise da capacidade do processo proporciona uma avaliação da variabilidade inerente a um processo e
uma estimativa da percentagem de itens não conformes que podem ser esperados. Isto permite à organização
estimar os custos das não-conformidades e pode ajudar na tomada de decisões relativamente a melhorias do
pr um
processo.
O estabelecimento de padrões mínimos para a capacidade do processo pode orientar a organização na
selecção de processos e de equipamento que deverão produzir produtos aceitáveis.
re doc
od
análise da capacidade do processo deverá ser realizada em conjunto com métodos de controlo, de modo a
fornecer uma verificação contínua do controlo.
As estimativas da percentagem de produtos não conformes estão sujeitas a pressupostos de normalidade.
© ão
Quando a normalidade estrita não se verifica na prática, tais estimativas deverão ser tratadas com cuidado,
Q
Os índices de capacidade podem levar a conclusões erradas quando a distribuição do processo não é
es
francamente normal. As estimativas da percentagem de unidades não conformes deverão ser baseadas em
métodos analíticos desenvolvidos para distribuições apropriadas para esses dados. Do mesmo modo, no caso
pr
de processos que estão sujeitos a causas sistemáticas de variação, tais como desgaste de ferramentas, deverão
ser usadas abordagens especializadas para calcular e interpretar a capacidade.
Im
p. 20 de 35
A análise da capacidade da máquina é usada para avaliar a aptidão de uma máquina para produzir ou
desempenhar de acordo com requisitos expressos. Isto é útil na tomada de decisões de compra ou de
o
reparação.
ida nic
Os fabricantes de componentes para as indústrias automóvel, aeroespacial, electrónica, alimentar,
farmacêutica e de dispositivos médicos usam rotineiramente a capacidade do processo como um critério
importante para avaliar fornecedores e produtos. Isto permite ao fabricante minimizar a inspecção directa dos
oib tró
produtos e materiais comprados.
Algumas companhias das indústrias de transformação e de serviços monitorizam índices da capacidade do
pr lec
processo para identificar a necessidade de melhorias do processo ou para verificar a eficácia de tais
melhorias.
ão o e
4.7 Análise de regressão
4.7.1 O que é
uç ent
A análise de regressão relaciona o comportamento de uma característica de interesse (geralmente chamada
“variável dependente”) com potenciais factores causais (geralmente chamados “variáveis explicativas”). Esta
pr um
relação é especificada por um modelo científico, económico, de engenharia, etc. ou pode ser derivada
empiricamente. O objectivo é ajudar a compreender a causa potencial da variação na resposta e explicar
quanto cada factor contribui para essa variação. Isto é conseguido relacionando estatisticamente a variação
na variável dependente com a variação nas variáveis explicativas e obtendo o melhor ajustamento com a
re doc
explicativa;
Q
− prever o valor da variável dependente para valores específicos das variáveis explicativas;
s
− prever (com um determinado nível de confiança) a gama de valores dentro da qual se espera que esteja a
es
tal associação não implique causação). Esta informação poderia ser usada, por exemplo, para determinar o
Im
efeito da alteração de um factor, como seja a temperatura no resultado de um processo, enquanto outros
factores são mantidos constantes.
4.7.3 Benefícios
A análise de regressão pode permitir compreender a relação entre vários factores e a resposta de interesse,
podendo assim ajudar a orientar as decisões relacionadas com o processo em estudo e, finalmente, com a sua
melhoria.
O discernimento que resulta da análise de regressão decorre da sua capacidade de descrever, de forma
concisa, padrões nos dados da resposta, comparar subgrupos de dados diferentes mas relacionados e analisar
potenciais relações de causa/efeito. Quando as relações são bem modeladas, a análise de regressão pode
proporcionar uma estimativa das magnitudes relativas do efeito das variáveis explicativas, assim como das
prNP 4463
2007
p. 21 de 35
forças relativas dessas variáveis. Esta informação é potencialmente valiosa no controlo ou na melhoria dos
resultados dos processos.
o
A análise de regressão pode também proporcionar estimativas da magnitude e da fonte de influências sobre a
resposta que vêm de factores que, ou não são medidos, ou são omitidos na análise. Esta informação pode ser
ida nic
usada para melhorar o sistema ou o processo de medição.
A análise de regressão pode ser usada para prever o valor da variável dependente para determinados valores
oib tró
de uma ou mais variáveis explicativas; pode, identicamente, ser usada para prever o efeito das alterações nas
variáveis explicativas sobre uma resposta existente ou prevista. Poderá ser útil proceder a essas análises antes
de investir tempo ou dinheiro num problema quando a eficácia da acção não seja conhecida.
pr lec
4.7.4 Limitações e cuidados
ão o e
Quando se modela um processo, é necessário saber-fazer para especificar um modelo de regressão adequado
(por exemplo, linear, exponencial, multivariada) e para usar diagnósticos para melhorar o modelo. A
existência de variáveis omissas, erro(s) de medição e outras fontes de variação não explicada na resposta
uç ent
podem complicar a modelação. Para além do modelo de regressão em questão, os pressupostos específicos e
as características dos dados disponíveis determinam qual a técnica de estimação mais apropriada num
problema de análise de regressão.
pr um
Um problema que por vezes surge quando se desenvolve um modelo de regressão é a presença de dados cuja
validade é questionável. A validade de tais dados deverá, sempre que possível, ser investigada, uma vez que
a inclusão ou omissão dos dados na análise poderiam influenciar as estimativas dos parâmetros do modelo e,
re doc
consequentemente, a resposta.
od
A análise de regressão é usada para modelar características de produção, tais como rendimento, capacidade
de produção, qualidade do desempenho, tempo de ciclo, probabilidade de falhar um teste ou inspecção e
s
vários padrões de deficiências em processos. A análise de regressão é usada para identificar os factores mais
es
A análise de regressão é usada para prever os resultados de uma experiência ou de um estudo prospectivo ou
retrospectivo controlado da variação de materiais ou de condições de produção.
Im
A análise de regressão é usada para verificar a substituição de um método de medição por outro, por
exemplo, a substituição de um método destrutivo ou moroso por um outro não destrutivo ou mais expedito.
Exemplos de aplicações de regressão não linear incluem modelação da concentração de fármacos em função
do tempo e do peso dos participantes; modelação de reacções químicas em função de tempo, temperatura e
pressão.
prNP 4463
2007
p. 22 de 35
o
4.8.1 O que é
ida nic
A análise de fiabilidade é a aplicação de métodos de engenharia e analíticos à avaliação, previsão e garantia
de desempenho sem problemas ao longo do tempo de um produto ou sistema em estudo.
oib tró
As técnicas utilizadas em análise de fiabilidade requerem frequentemente o uso de métodos estatísticos para
lidar com incertezas, características aleatórias ou probabilidades de ocorrência (de falhas, etc.) ao longo do
tempo. Normalmente, estas análises envolvem o uso de modelos estatísticos apropriados para caracterizar as
pr lec
variáveis de interesse, tais como tempo até à falha ou tempo entre falhas. Os parâmetros destes modelos
estatísticos são estimados a partir de dados empíricos, obtidos em testes laboratoriais ou fabris ou em
operação no campo.
ão o e
A análise de fiabilidade envolve outras técnicas (tais como a análise modal de falhas e seus efeitos) que se
focalizam na natureza física e causas da falha e na prevenção ou redução de falhas.
uç ent
4.8.2 Para que é utilizada
A análise de fiabilidade é usada com os seguintes objectivos:
pr um
− Verificar se são atingidas as medidas de fiabilidade especificadas, com base nos dados de um teste de
duração limitada e envolvendo um determinado número de unidades de teste;
re doc
− Prever a probabilidade de uma operação sem problemas ou outras medidas de fiabilidade, tais como a
taxa de falha ou o tempo médio entre falhas de componentes ou sistemas;
od
probabilística;
− Identificar componentes críticos ou de alto risco e prováveis modos e mecanismos de falha e sustentar a
© ão
As técnicas estatísticas empregues na análise de fiabilidade permitem atribuir níveis de confiança estatística
s
às estimativas dos parâmetros dos modelos de fiabilidade que são desenvolvidos e às previsões feitas usando
es
tais modelos.
pr
4.8.3 Benefícios
A análise de fiabilidade proporciona uma medida quantitativa do desempenho do produto e do serviço face a
Im
p. 23 de 35
o
− A possibilidade de melhorar a concepção para atingir economicamente um objectivo de fiabilidade.
ida nic
4.8.4 Limitações e cuidados
Um pressuposto básico da análise de fiabilidade é que o desempenho de um sistema em estudo pode ser
oib tró
razoavelmente caracterizado por uma distribuição estatística. A exactidão das estimativas de fiabilidade
dependerá, portanto, da validade desse pressuposto.
pr lec
A complexidade da análise de fiabilidade é agravada quando estão presentes múltiplos modos de falha, os
quais podem ou não seguir a mesma distribuição estatística. Além disso, quando o número de falhas
observado num teste de fiabilidade for baixo, a confiança e a precisão estatísticas das estimativas de
ão o e
fiabilidade podem ser severamente afectadas.
As condições em que o teste de fiabilidade é conduzido são de importância crítica, especialmente quando o
uç ent
teste envolve alguma forma de “tensão acelerada" (i.e. um tensão que é significativamente maior do que
aquela a que o produto estará sujeito em condições normais de utilização). Pode ser difícil determinar a
relação entre as falhas observadas em teste e o desempenho do produto em condições normais de operação,
ao que se junta incerteza das previsões de fiabilidade.
pr um
falhas projectadas,
Q
as versões de software, e
− Determinação das características dominantes de desgaste do produto para ajudar a melhorar a concepção
pr
4.9 Amostragem
4.9.1 O que é
A amostragem é uma metodologia estatística sistemática para obter informação acerca de algumas
características de uma população através do estudo de uma fracção representativa da população (amostra).
Existem várias técnicas de amostragem que podem ser utilizadas (tais como amostragem aleatória simples,
amostragem estratificada, amostragem sistemática, amostragem sequencial, amostragem por lotes não
exaustivas) sendo a escolha da técnica determinada pelo objectivo da amostragem e pelas condições em que
vai ser conduzida.
prNP 4463
2007
p. 24 de 35
o
aceitação” e “amostragem de inquérito”.
ida nic
A amostragem de aceitação preocupa-se com a tomada de decisão em relação à aceitação ou à não aceitação
de um “lote” (i.e. um grupo de artigos) baseada nos resultados de uma(s) amostra(s) seleccionada(s) desse
lote. Uma grande variedade de planos de amostragem de aceitação está disponível para satisfazer requisitos e
oib tró
aplicações específicos.
A amostragem de inquérito é utilizada em estudos enumerativos ou analíticos para estimação dos valores de
pr lec
uma ou mais características numa população, ou para estimação de como essas características estão
distribuídas na população. A amostragem de inquérito está frequentemente associada a votações para recolha
de informação sobre as opiniões das pessoas acerca de um assunto, como nos inquéritos a clientes. Pode ser
ão o e
igualmente aplicada para recolher dados com outros fins, tais como auditorias.
Uma forma especializada da amostragem de inquérito é a amostragem exploratória, usada em estudos
enumerativos para obter informação sobre uma(s) característica(s) de uma população ou de um seu
uç ent
subconjunto. É o caso da amostragem de produção, que pode ser levada a cabo na condução, por exemplo, de
uma análise de capacidade do processo.
pr um
Outra aplicação é a amostragem de conjunto (por exemplo, minerais, líquidos e gases) para a qual foram
desenvolvidos planos de amostragem.
re doc
4.9.3 Benefícios
od
Um plano de amostragem devidamente elaborado oferece ganhos em tempo, custos e mão-de-obra quando se
compara quer com um recenseamento geral da população quer com uma inspecção de um lote a 100%.
Quando a inspecção do produto envolve testes destrutivos, a amostragem é a única maneira prática de obter
IP de
informação pertinente.
A amostragem é uma maneira acessível e rápida de obter informação preliminar sobre o valor ou a
distribuição de uma característica de interesse numa população.
© ão
Q
Quando se elabora um plano de amostragem, deverá ser dada atenção redobrada às decisões relacionadas
es
A amostragem requer que a amostra seja escolhida de forma não-enviesada (i.e. que a amostra seja
representativa da população da qual é extraída). Caso contrário, serão más as estimativas das características
Im
da população. No caso da amostragem de aceitação, as amostras não representativas podem resultar quer na
rejeição desnecessária de lotes de qualidade aceitável quer na aceitação não desejada de lotes de qualidade
inaceitável.
Mesmo que as amostras sejam não-enviesadas, a informação obtida a partir de amostras está sujeita a um
certo grau de erro. A magnitude deste erro pode ser reduzida com uma amostra de maior dimensão, mas não
pode ser eliminada. Dependendo da questão específica e do contexto da amostragem, a dimensão da amostra
necessária para atingir o nível de confiança e de precisão desejado pode ser demasiado grande para que seja
praticável.
prNP 4463
2007
p. 25 de 35
o
parte da população poderia comprar determinado produto. Outra aplicação é em auditorias de inventários
para estimar a percentagem de artigos que cumprem os critérios especificados.
ida nic
A amostragem é usada para conduzir verificações de processos em termos de operadores, máquinas ou
produtos, para monitorizar a variação e definir acções correctivas e preventivas.
oib tró
A amostragem de aceitação é muito utilizada na indústria para dar alguma garantia de que o material
recebido satisfaz os requisitos preestabelecidos.
pr lec
Nos materiais a granel, a amostragem de conjunto permite estimar a quantidade e as propriedades dos
elementos constituintes desses materiais (por exemplo minerais, líquidos e gases).
4.10. Simulação
ão o e
uç ent
4.10.1. O que é
Simulação é uma designação colectiva para procedimentos pelos quais um sistema (teórico ou empírico) é
representado matematicamente por um programa de computador para encontrar a solução de um problema.
pr um
No contexto da ciência teórica, a simulação é usada quando não é conhecida nenhuma teoria abrangente para
a solução de um problema (ou, se conhecida, é impossível ou difícil de resolver) e onde a solução possa ser
obtida através de cálculo computacional. No contexto empírico, a simulação é usada se o sistema pode ser
IP de
adequadamente descrito por um programa de computador. A simulação é também uma ferramenta útil no
ensino da estatística.
© ão
4.10.3. Benefícios
Nas ciências teóricas, a simulação (em particular o método de Monte-Carlo) é usada se os cálculos explícitos
de soluções para problemas são impossíveis ou muito difíceis de fazer directamente (por exemplo, integração
pr
p. 26 de 35
o
Carlo. As aplicações não estão limitadas a qualquer tipo específico de indústria. Áreas típicas de aplicações
ida nic
incluem toleranciamento estatístico, simulação de processos, optimização de sistemas, teoria da fiabilidade e
previsão. Algumas aplicações específicas são
− modelação da variação em submontagens mecânicas,
oib tró
− modelação dos perfis de vibração em montagens complexas,
pr lec
− determinação de programas de manutenção preventiva optimizados, e
− condução de análises de custos e outras nos processos de concepção e produção para optimizar a alocação
de recursos.
ão o e
4.11 Cartas de controlo estatístico do processo (CEP)
uç ent
4.11.1 O que são
Uma carta CEP ou “carta de controlo” é um gráfico de dados obtidos de amostras recolhidas periodicamente
pr um
num processo e representados sequencialmente num gráfico. Nas cartas CEP são também assinalados os
“limites de controlo”, que descrevem a variabilidade inerente ao processo quando estabilizado. A função da
carta de controlo é ajudar a avaliar a estabilidade do processo, o que se faz pela análise dos dados
re doc
Qualquer variável (dados de medição) ou atributo (dados de contagem) que represente uma característica de
interesse de um produto ou processo pode ser representada graficamente. No caso do controlo por variáveis,
normalmente é usada uma carta para monitorizar alterações no valor médio do processo e outra para
IP de
A forma convencional da carta de controlo por variáveis é denominada carta de “Shewhart”. Existem outras
Q
formas de cartas de controlo, cada uma com propriedades adequadas à aplicação em circunstâncias especiais.
s
São exemplos destas cartas as cartas de somas acumuladas (“cartas cusum”), que permitem maior
es
sensibilidade a pequenas alterações no processo e as “cartas de média móvel” (simples ou ponderada), que
servem para atenuar variações em prazos curtos e revelar tendências persistentes.
pr
Uma carta CEP é usada para detectar alterações num processo. Os dados representados, que podem ser uma
leitura individual ou uma estatística tal como a média amostral, são comparados com os limites de controlo.
No nível mais simples, um ponto que “caia” fora dos limites de controlo indicia uma possível alteração no
processo, talvez devida a alguma “causa sistemática”. Isto identifica a necessidade de investigar a causa da
leitura “fora-de-controlo” e de efectuar ajustes ao processo onde necessário. Isto ajuda a manter a
estabilidade do processo e a melhorar os processos a longo prazo.
O uso de cartas de controlo pode ser aperfeiçoado para obter uma indicação mais rápida das alterações do
processo, ou para aumentar a sensibilidade a pequenas alterações, através do recurso a critérios adicionais na
interpretação de tendências e padrões nos dados representados.
prNP 4463
2007
p. 27 de 35
4.11.3. Benefícios
Além de apresentar os dados de forma visual ao utilizador, as cartas de controlo facilitam a resposta
o
apropriada à variação do processo ao ajudar o utilizador a distinguir a variação aleatória que é inerente a um
processo estável da variação que pode ser devida a “causas sistemáticas” (i.e. à qual pode ser atribuída uma
ida nic
causa específica), cuja detecção e correcção em tempo oportuno podem ajudar a melhorar o processo.
Exemplos do papel e do valor das cartas de controlo em actividades relacionadas com processos são dados a
seguir:
oib tró
− Controlo do processo: as cartas de controlo por variáveis são usadas para detectar alterações no valor
médio ou na variabilidade do processo e para despoletar uma acção correctiva, mantendo-se ou
pr lec
restaurando-se assim a estabilidade do processo.
− Análise da capacidade do processo: se o processo está num estado estável, os dados da carta de controlo
ão o e
podem ser usados a seguir para estimar a capacidade do processo.
− Análise do sistema de medição: se incorporar limites de controlo que reflictam a variabilidade inerente ao
sistema de medição, uma carta de controlo pode mostrar se o sistema de medição é capaz de detectar a
uç ent
variabilidade do processo ou do produto em causa. As cartas de controlo podem também ser usadas para
monitorizar o próprio processo de medição.
− Análise de causa e efeito: uma correlação entre acontecimentos do processo e padrões da carta de
pr um
controlo pode ajudar a inferir as causas sistemáticas subjacentes e planear uma acção eficaz.
− Melhoria contínua: as cartas de controlo são usadas para monitorizar a variação dos processos e ajudam a
re doc
identificar e a lidar com as causas de variação. São consideradas especialmente eficazes quando
integradas num programa sistemático de melhoria contínua de uma organização.
od
É importante recolher amostras do processo da maneira que melhor revele a variação em causa, sendo essa
amostra designada como “subgrupo racional”. Isto é crucial para o uso e interpretação eficazes das cartas
CEP e para compreensão das fontes de variação do processo.
© ão
Os processos de produção de pequenas séries apresentam dificuldades especiais porque raramente existem
Q
Existe o risco de “falso alarme” quando interpretamos cartas de controlo (i. e. o risco de se concluir que
es
ocorreu uma alteração quando não é esse o caso). Existe também o risco de não detectar uma alteração que
tenha ocorrido. Estes riscos podem ser atenuados mas nunca eliminados.
pr
Fabricantes dos sectores automóvel, electrónico, defesa e outros utilizam frequentemente cartas de controlo
(para características críticas) para atingir e demonstrar estabilidade e capacidade contínuas do processo. Se
forem recebidos produtos não conformes, as cartas são usadas para ajudar a estabelecer o risco e a
determinar o âmbito da acção correctiva.
As cartas de controlo são usadas na resolução de problemas nos locais de trabalho. Têm sido aplicadas a
todos os níveis das organizações como suporte no reconhecimento de problemas e na análise da raiz das
causas.
As cartas de controlo são usadas na indústria mecânica para reduzir intervenções desnecessárias no processo
(excessivas afinações), capacitando o pessoal para distinguir entre a variação que é inerente ao processo e a
variação que pode ser atribuída a uma “causa sistemática”.
prNP 4463
2007
p. 28 de 35
Nas indústrias de serviços são usadas cartas de controlo de características da amostra, tais como tempo
médio de resposta, taxa de erro e frequência de reclamações, para medir, diagnosticar e melhorar o
o
desempenho.
ida nic
4.12 Toleranciamento estatístico
oib tró
4.12.1 O que é
O toleranciamento estatístico é um procedimento baseado em certos princípios estatísticos, usado para
pr lec
estabelecer tolerâncias. Recorre às distribuições estatísticas das dimensões relevantes dos componentes para
determinar a tolerância global da unidade montada.
dimensões de todos os componentes individuais se situarem quer no extremo inferior quer no superior dos
respectivos intervalos de tolerância individuais. No quadro de uma cadeia de tolerâncias, se as tolerâncias
individuais forem somadas de modo a constituírem uma tolerância total para a dimensão, então referimo-nos
re doc
Para determinação estatística de tolerâncias globais, assume-se que, em montagens que envolvam um grande
número de componentes individuais, as dimensões num dos extremos do intervalo das tolerâncias individuais
serão equilibradas por dimensões no outro extremo desses intervalos. Por exemplo, uma dimensão individual
IP de
situada no extremo inferior do intervalo de tolerância poderá ser emparelhada com outra dimensão (ou
combinação de dimensões) no extremo superior do intervalo de tolerância. Em termos estatísticos, em certas
circunstâncias a dimensão total terá uma distribuição próxima da normal. Este facto é bastante independente
© ão
da distribuição das dimensões individuais e pode, portanto, ser usado para estimar o intervalo de tolerância
da dimensão total do módulo montado. Alternativamente, dada a tolerância global da dimensão, esta pode ser
Q
4.12.3 Benefícios
Dado um conjunto de tolerâncias individuais (que não têm de ser as mesmas), o cálculo da tolerância
pr
estatística global gera uma tolerância dimensional global, que, em geral, será significativamente mais
pequena do que a tolerância dimensional global calculada aritmeticamente.
Im
Isto significa que, dada uma tolerância dimensional global, o toleranciamento estatístico permitirá o uso de
tolerâncias maiores para dimensões individuais do que as determinadas pelo cálculo aritmético. Em termos
práticos, isto pode ser um benefício significativo, pois as tolerâncias maiores estão associadas a métodos de
produção mais simples e mais económicos.
prNP 4463
2007
p. 29 de 35
o
montados que seria aceitável ter fora do intervalo de tolerância da dimensão total. Os pré-requisitos seguintes
devem então ser satisfeitos para que o toleranciamento estatístico seja praticável (sem necessidade de
ida nic
métodos avançados):
− as dimensões individuais reais podem ser consideradas como variáveis aleatórias não correlacionadas;
oib tró
− a cadeia dimensional é linear;
− a cadeia dimensional tem pelo menos quatro unidades;
pr lec
− as tolerâncias individuais são da mesma ordem de grandeza;
− as distribuições das dimensões individuais da cadeia dimensional são conhecidas.
ão o e
É óbvio que alguns destes requisitos só podem ser satisfeitos se o fabrico dos componentes individuais em
questão puder ser controlado e continuamente monitorizado. No caso de um produto ainda em
uç ent
desenvolvimento, a experiência e o conhecimento de engenharia deverão orientar a aplicação do
toleranciamento estatístico.
pr um
industriais que usam o toleranciamento estatístico incluem as indústrias mecânica, electrónica e química. A
od
teoria também é aplicada na simulação por computador para determinar tolerâncias optimizadas.
4.13.1 O que é
© ão
A análise de séries cronológicas é uma família de métodos para estudar um conjunto de observações
Q
efectuadas sequencialmente no tempo. A análise de séries cronológicas é usada aqui para referir técnicas
analíticas em aplicações como:
s
es
− encontrar padrões de “desfasagem” olhando estatisticamente para a forma como cada observação está
correlacionada com a observação imediatamente anterior, e repetindo isto para cada período desfasado
sucessivo,
pr
− encontrar padrões cíclicos ou sazonais para compreender como é que os factores causais do passado
Im
p. 30 de 35
compreender os padrões ou para fazer ajustes, quer para detectar pontos de inflexão numa tendência. Outra
utilização é para explicar os padrões de uma série temporal com os de outra série temporal, com todos os
o
objectivos inerentes à análise de regressão.
ida nic
A análise de séries cronológicas é usada para prever valores futuros em séries cronológicas, normalmente
com limites superior e inferior que constituem o chamado intervalo de previsão. Tem grande uso na área do
controlo e é frequentemente aplicada a processos automatizados. Neste caso, um modelo probabilístico é
oib tró
ajustado às séries cronológicas “históricas”, prevêem-se valores futuros e depois ajustam-se os parâmetros
específicos do processo para o manter no objectivo, com a menor variação possível.
pr lec
4.13.3 Benefícios
Os métodos de análise de séries cronológicas são úteis em planeamento, engenharia de controlo,
ão o e
identificação de alterações num processo, geração de previsões e medição do efeito de uma intervenção ou
acção exterior.
A análise de séries cronológicas também é útil para comparar o desempenho projectado de um processo com
uç ent
os valores previstos para a série cronológica se tivesse de ser feita uma dada alteração.
Os métodos das séries cronológicas podem fornecer indicação de possíveis padrões de causa e efeito.
pr um
Existem métodos para separar as causas sistemáticas (ou especiais) das causas aleatórias, e para decompor os
padrões de uma série cronológica em componentes cíclicas, sazonais e tendenciais.
A análise de séries cronológicas é frequentemente útil para compreender como é que um processo se
re doc
comportará em determinadas condições e que ajustes (se necessários) podem influenciar o processo na
direcção de um valor alvo, ou que ajustes podem reduzir a variabilidade do processo.
od
As limitações e os cuidados citados para a análise de regressão também se aplicam à análise de séries
cronológicas. Ao fazer a modelação de um processo para compreender causas e efeitos, é necessário um
certo nível de competência para seleccionar o modelo mais apropriado e para utilizar ferramentas de
© ão
Uma observação singular ou um pequeno conjunto de observações podem ter uma influência significativa no
s
modelo quando incluídos ou omitidos na análise. Por isso, nos dados, as observações que possam ter
es
dos padrões das séries cronológicas e do número de períodos para os quais se pretendem previsões, em
relação ao número de períodos de tempo para os quais se dispõem de dados de séries cronológicas. A escolha
Im
de um modelo deverá considerar o objectivo da análise, a natureza dos dados, o custo relativo e as
propriedades analíticas e preditivas dos diversos modelos.
p. 31 de 35
A análise causal de séries cronológicas é utilizada para desenvolver modelos de previsão da procura. Por
exemplo, no contexto da fiabilidade, é usada para prever o número de acontecimentos num dado período de
tempo e a distribuição dos intervalos de tempo entre acontecimentos tais como tempos de paragem de
o
equipamentos.
ida nic
oib tró
pr lec
ão o e
uç ent
pr um
re doc
od
IP de
© ão
Q
s
es
pr
Im
prNP 4463
2007
p. 32 de 35
Bibliografia
o
Publicações ISO relacionadas com técnicas estatísticas
ida nic
[1] ISO 2602:1980, Statistical interpretation of test results – Estimation of the mean – Confidence
interval
[2] ISO 2854:1976, Statistical interpretation of data – Techniques of estimation and tests relating to
oib tró
means and variances
[3] ISO 2859-0:1995, Sampling procedures for inspection by attributes – Part 0: Introduction to the ISO
pr lec
2859 attribute sampling system
[4] ISO 2859-1:1999, Sampling procedures for inspection by attributes – Part 1: Sampling plans
indexed by acceptable quality level (AQL) for lot-by-lot inspection
[5]
ão o e
ISO 2859-2:1985, Sampling procedures for inspection by attributes – Part 2: Sampling plans
indexed by limiting quality (LQ) for isolated lot inspection
uç ent
[6] ISO 2859-3:1991, Sampling procedures for inspection by attributes – Part 3: Skip-lot sampling
procedures
[7] ISO 2859-4:2002, Sampling procedures for inspection by attributes – Part 4: Procedures for
pr um
[9] ISO 3301:1975, Statistical interpretation of data – Comparison of two means in the case of paired
od
observations
[10] ISO 3494:1976, Statistical interpretation of data – Power of tests relating to means and variances
IP de
[11] ISO 3534-1:1993, Statistics – Vocabulary and symbols – Part 1: Probability and general statistical
terms
[12] ISO 3534-2:1993, Statistics – Vocabulary and symbols – Part 2: Statistical quality control
© ão
[13] ISO 3534-3:1999, Statistics – Vocabulary and symbols – Part 3: Design of experiments
Q
[14] ISO 3951:1989, Sampling procedures and charts for inspection by variables for percent
s
nonconforming
es
[15] ISO 5479:1997, Statistical interpretation of data – Tests for departure from the normal distribution
pr
[16] ISO 5725-1:1994, Accuracy (trueness and precision) of measurement methods and results – Part 1:
General principles and definitions
Im
[17] ISO 5725-2:1994, Accuracy (trueness and precision) of measurement methods and results – Part 2:
Basic method for determination of repeatability and reproducibility of a standard measurement
method
[18] ISO 5725-3:1994, Accuracy (trueness and precision) of measurement methods and results – Part 3:
Intermediate measures of the precision of a standard measurement method
[19] ISO 5725-4:1994, Accuracy (trueness and precision) of measurement methods and results – Part 4:
Basic methods for the determination of the trueness of a standard measurement method
[20] ISO 5275-5:1998, Accuracy (trueness and precision) of measurement methods and results – Part 5:
Alternative methods for the determination of the precision of a standard measurement method
prNP 4463
2007
p. 33 de 35
[21] ISO 5725-6:1994, Accuracy (trueness and precision) of measurement methods and results – Part 6:
Use in practice of accuracy values
o
[22] ISO 7870:1993, Control charts – General guide and introduction
ida nic
[23] ISO/TR 7871:1997, Cumulative sum charts – Guidance on quality control and data analysis using
CUSUM techniques
[24] ISO 7873:1993, Control charts for arithmetic average with warning limits
oib tró
[25] ISO 7966:1993, Acceptance control charts
pr lec
[26] ISO 8258:1991, Shewhart control charts
[27] ISO 8422:1991, Sequential sampling plans for inspection by attributes
ão o e
[28] ISO 8423:1991, Sequential sampling plans for inspection by variables for percent nonconforming
(known standard deviation)
[29] ISO/TR 8550:1994, Guide for selection of an acceptance sampling system, scheme or plan for
uç ent
inspection of discrete items in lots
[30] ISO 8595:1989, Interpretation of statistical data – Estimation of a median
pr um
measuring equipment
od
[34] ISO 10725:2000, Acceptance sampling plans and procedures for the inspection of bulk materials
[35] ISO 11095:1996, Linear calibration using reference materials
IP de
[36] ISO 11453:1996, Statistical interpretation of data – Tests and confidence intervals relating to
proportions
© ão
[37] ISO 11462-1:2001, Guidelines for implementation of statistical process control (SPC) – Part 1:
Q
Elements of SPC
s
[38] ISO 11648-2, Statistical aspects of sampling from bulk materials – Part 2: Sampling of particulate
es
materials
[39] ISO 11843-1: 1997, Capability of detection – Part 1: Terms and definitions
pr
[40] ISO 11843-2:2000, Capability of detection – Part 2: Methodology in the linear calibration case
[41] ISO/TR 13425: 1995, Guide for the selection of statistical methods in standardization and
Im
specification
[42] ISO 14253-1:1998, Geometric Product Specifications (GPS) – Inspection by measurement of
workpieces and measuring equipment – Part 1: Decision rules for proving conformance or non-
conformance whith specifications
[43] ISO/TS 14253-2:1999, Geometric Product Specifications (GPS) – Inspection by measurement of
workpieces and measuring equipment – Part 2: Guide to the estimation of uncertainty in GPS
measurement, in calibration of measuring equipment and in product verification
[44] ISO 16279-7:2001, Statistical interpretation of data – Part 7: Median – Estimation and confidence
intervals
[45] ISO Guide 33:2000, Uses of certified reference materials
prNP 4463
2007
p. 34 de 35
[46] ISO Guide 35:1989, Certification of reference materials – General and statistical principles
[47] ISO/IEC Guide 43-1:1997, Proficiency testing by interlaboratory comparisons – Part 1:
o
Development and operation of proficiency testing
ida nic
[48] ISO/IEC Guide 43-2:1997, Proficiency testing by interlaboratory comparisons – Part 2: Selection
and use of proficiency testing schemes by laboratory accreditation bodies
oib tró
[49] ISO Standards Handbook:2000, Statistical methods for quality control
Volume 1: Terminology and symbols; Acceptance sampling.
pr lec
Volume 2: Measurement methods and results; Interpretation of statistical data; Process control
Publicações CEI relacionadas com análise de fiabilidade
ão o e
[50] IEC 60050-191:1990, International electrotechnical vocabulary, Chapter 191, Dependability and
quality of service
[51] IEC 60300-1:1993, Dependability management – Part 1: Dependability programme management
uç ent
[52] IEC 60300-2:1995, Dependability management – Part 2: Dependability programme elements and
tasks
pr um
[53] IEC 60300-3-9:1995, Dependability management – Part 3: Application guide -Section 9: Risk
analysis of technological systems
[54] IEC 60812:1985, Analysis techniques for system reliability – Procedure for failure mode and effects
re doc
analysis (FMEA)
od
[59] IEC 61078: 1991, Analysis techniques for dependability - Reliability block diagram method
Q
[60] IEC 61123:1991, Reliability testing – Compliance test plans for success ratio
s
[61] IEC 61124:1997, Reliability testing – Compliance test for constant failure rate and constant failure
es
intensity
[62] IEC 61163-1:1995, Reliability stress screening – Part 1: Repairable items manufactured in lots
pr
[63] IEC 61163-2:Ed 10, Reliability stress screening – Pert 2: Electronic components
Im
[64] IEC 61164:1995. Reliability growth – Statistical test and estimation methods
[65] IEC 61165:1995, Application of Markov techniques
[66] IEC 61649:1997, Goodness-of-fit tests, confidence intervals and lower confidence limits for Weibull
distributed data
[67] IEC 61650:1997, Reliability data analysis techniques – Procedures for comparison of two constant
failure rates and two constant failure (event) intensities
Outras publicações:
[68] ISO 9000-2000, Quality management systems – Fundamentals and vocabulary
prNP 4463
2007
p. 35 de 35
[69] GUM:1993, Guide to the expression of uncertainty in measurement. BIPM, IEC, IFCC, ISO, IUPAC
and OIML
o
ida nic
oib tró
pr lec
ão o e
uç ent
pr um
re doc
od
IP de
© ão
Q
s
es
pr
Im