Escolar Documentos
Profissional Documentos
Cultura Documentos
Dissertao
apresentada
Universidade Federal de Santa Catarina para obteno do ttulo de Mestre Produo em Engenharia de
FICHA CATALOGRFICA
AUTOR:
TTULO: UM MODELO PARA A ANLISE DA CAPACIDADE DE PROCESSOS COM NFASE NA TRANSFORMAO DE DADOS, 114p
Esta dissertao foi julgada e aprovada e aprovada para a obteno do ttulo de Mestre em Engenharia de Produo no Programa de Ps-Graduao em Engenharia de Produo da Universidade Federal de Santa Catarina Florianpolis, 14 de Fevereiro de 2005.
_______________________________________ Prof. Edson Pacheco Paladini, Dr. Coordenador do Programa de Ps-Graduao em Engenharia de Produo
_______________________________________ Prof. Robert Wayne Samohyl, Ph. D Universidade Federal de Santa Catarina Orientador
BANCA EXAMINADORA
_______________________________________ Prof. Pedro Alberto Barbeta, Dr. Universidade Federal de Santa Catarina Presidente
_______________________________________ Prof. Marcelo Menezes Reis, Dr. Eng. Universidade Federal de Santa Catarina
_______________________________________ Prof. Willy Arno Sommer, Dr. Universidade Federal de Santa Catarina
DEDICATRIA
Dedico
este
trabalho
aos
AGRADECIMENTOS
A realizao deste trabalho s foi possvel com a ajuda e colaborao das pessoas que venho a agradecer: ao professor e orientador Robert Wayne Samohyl, pela grande orientao e confiana; Universidade Federal de Santa Catarina e o Departamento de Engenharia de Produo e Sistemas, pelas oportunidades oferecidas e condies de estudo; ao CNPQ, pela bolsa concedida; aos membros da banca examinadora, pelas sugesto feitas para a melhoria do trabalho; aos colegas do NNQ, Rubson, der, Gueibi, Manoel, Adauto, Andra, Ary e Custdio pelo apoio e incentivo.
RESUMO O estudo da capacidade de processos se tornou uma ferramenta fundamental do controle estatstico da qualidade, tendo como principal objetivo verificar se a mdia e a variabilidade do processo esto de acordo com o alvo e os limites de especificao de projeto. A verificao permite o ajuste do processo de maneira que se reduzam as chances da fabricao de produtos defeituosos. Esta produo de produtos defeituosos calculada com a utilizao de ndices desenvolvidos para medir a capacidade de processos, onde os mais utilizados so C p e C pk . Estes ndices so calculados estimando-se a mdia e o desvio padro de dados coletados de amostras do processo, portanto no se sabe com certeza o seu valor real. Neste trabalho foram estimados estes ndices de capacidade de processo considerando-se o tamanho da amostra e o risco (probabilidade) do ndice ser menor ou igual a aquele estabelecido como ideal. Desta forma foi verificado se o processo realmente capaz, se o tamanho de amostras coletadas adequado, se so necessrias algumas alteraes no processo (ajuste da mdia ao alvo e reduo da variabilidade) e se a capacidade estabelecida como ideal alcanvel. Foram abordados tambm os casos de no normalidade e autocorrelao nos dados, situaes que precisam de um tratamento para que se possam utilizar os ndices corretamente. A aplicao da metodologia de anlise utilizada foi realizada atravs de um estudo de caso em uma indstria do setor automotivo. Palavras-chave: ndices de capacidade, no normalidade, autocorrelao, transformao de dados
ABSTRACT The study of process capability has become a basic tool of statistical quality control, having as its main objective to verify if the process average and variability are in accordance with the target and the specification limits of the project. The verification allows that if the process was adjusted then the possibilities of the manufacture of defective products will be reduced. The percentage of produced defective products is measured with the use of indices to measure the capacity of processes, where the most common are C p and C pk . These indices are calculated with the estimation of the average and the standard deviation of collected data from samples of the process and therefore its real value is not known with certainty. In this work these process capability indices were estimated considering the sample size and the risk (probability) of the index being less or equal to that established as ideal. In this way it could be verified if the process is really capable in a statistical sense, if the collected sample size is adequate, if some alterations in the process are necessary (adjustment of the average to the target and reduction of the variability) and if the capacity established as ideal is feasible. The presence of non normality and autocorrelation in the data will also be analyzed, situations that require special treatment for the correct use of the indices. The application of methodology proposed here will be tested through a real case study in the automotive industry. Key-Words: capability index, non normality, autocorrelation, data transformation
LISTA DE FIGURAS
FIGURA 1 CURVA NORMAL ...................................................................................................................... 21 FIGURA 2 DIFERENA ENTRE A VARIABILIDADE DE CURTO E LONGO PRAZO ............................................ 36 FIGURA 3 COMPARAO DOS LIMITES DE ESPECIFICAO COM A VARIABILIDADE DO PROCESSO ............ 38 FIGURA 4 RELAO DA VARIABILIDADE DO PROCESSO EM RELAO A MDIA COM OS LIMITES DE ESPECIFICAO E A MDIA. ............................................................................................................... 41 FIGURA 5 PERCENTUAL DE DEFEITUOSOS ................................................................................................ 47 FIGURA 6 HISTOGRAMA DO GANHO DE AMPLIFICADORES ........................................................................ 53 FIGURA 7 GRFICO NORMAL DE PROBABILIDADE PARA O GANHO DE AMPLIFICADORES .......................... 54 FIGURA 8 GRFICO DA FUNO DE DENSIDADE KERNEL PARA OS DADOS DE AMPLIFICADORES ............. 56 FIGURA 9 HISTOGRAMA, GRFICO NORMAL DE PROBABILIDADE E FUNO DE DENSIDADE KERNEL PARA OS DADOS TRANSFORMADOS DO GANHO DE AMPLIFICADORES. ......................................................... 67 FIGURA 10 GRFICO DAS OBSERVAES INDIVIDUAIS DO DIMETRO DOS FUROS DE UMA PEA ............. 73 FIGURA 11 MODELO DE ANLISE DA CAPACIDADE DE PROCESSOS PARA DADOS NORMAIS E INDEPENDENTES (MODELO 1) ............................................................................................................ 83 FIGURA 12 MODELO DA ANLISE DA CAPACIDADE DE PROCESSOS PARA DADOS NO NORMAIS E AUTOCORRELACIONADOS (MODELO 2) .......................................................................................... 85 FIGURA 13 HISTOGRAMA, GRFICO NORMAL DE PROBABILIDADE E FDK DOS DADOS DO PROCESSO 1. .. 88 FIGURA 14 GRFICOS DE CONTROLE PARA O PROCESSO 1........................................................................ 90 FIGURA 15 GRFICO NORMAL DE PROBABILIDADE E FDK DOS DADOS ORIGINAIS E TRANSFORMADOS DO PROCESSO 2....................................................................................................................................... 94 FIGURA 16 GRFICOS DE CONTROLE PARA O PROCESSO 2........................................................................ 96
LISTA DE TABELAS TABELA 1 VANTAGENS E DESVANTAGENS COM O ESTUDO DA CAPACIDADE DE PROCESSOS. ................... 15 TABELA 2 ASPECTOS TERICOS CONSIDERADOS NO ESTUDO DA CAPACIDADE DE PROCESSOS ................. 16 TABELA 3 - C p E A PRODUO DE NO CONFORMES ................................................................................. 38 TABELA 4 RECOMENDAO DE VALORES MNIMOS PARA OS NDICES C p TABELA 5 RELAO DE C p
E E
C pk ................................... 39
C pk
TABELA 6 GANHO DE AMPLIFICADORES (DB) .......................................................................................... 52 TABELA 7 DISTRIBUIO DE FREQNCIA PARA O GANHO DE AMPLIFICADORES ..................................... 53 TABELA 8 COEFICIENTES PARA , y E y PARA O TESTE W . ........................................................... 60 TABELA 9 TRANSFORMAES ASSOCIADAS COM AS FAMLIAS DE CURVAS DE JOHNSON ......................... 62 TABELA 10 DIMETRO DE EIXOS DE UMA PEA ....................................................................................... 73 TABELA 11 FUNO AUTOCORRELAO E TESTE DE LJUNG-BOX PARA OS DADOS DE DIMETROS DO FURO DE UMA PEA ........................................................................................................................... 74 TABELA 12 RESULTADOS DO MODELO AUTOREGRESSIVO PARA OS DADOS DE DIMETROS DO FURO DE UMA PEA. ........................................................................................................................................ 75 TABELA 13 - FUNO DE AUTOCORRELAO E TESTE DE LJUNG-BOX PARA OS RESDUOS DO MODELO AUTOREGRESSIVO DOS DADOS DE DIMETROS DO FURO DE UMA PEA ............................................. 75 TABELA 14 TESTE DE AUTOCORRELAO PARA OS DADOS DO PROCESSO 1............................................. 89 TABELA 15 ESTIMAO DOS NDICES DE CAPACIDADE DO PROCESSO 1 ................................................... 91 TABELA 16 TESTE DE AUTOCORRELAO PARA OS DADOS TRANSFORMADOS DO PROCESSO 2 ................ 93 TABELA 17 ESTIMAO DOS NDICES DE CAPACIDADE DO PROCESSO 2 ................................................... 97 Tabela 1A - Valores dos coeficientes para construo do grfico da mdia.............................................105 Tabela 2A - Valores dos coeficientes para construo do grfico do desvio padro................................106 Tabela 3A - Valores dos coeficientes para construo do grfico da amplitude...................................... 107 Tabela 4A Coeficientes ai para o teste W de Shapiro-Wilk.................................................................109 Tabela 1B Valores obtidos aplicando a transformao de Johnson aos dados de ganho de amplificadores do captulo 3 .............................................................................................................................................110 Tabela 1C Dimetro interno de uma pea usinada no processo 1 (mm) ...............................................111 Tabela 2C Distncia entre faces de uma pea usinada no processo 2 (mm)..........................................111 Tabela 1D Resduos do modelo autoregressivo do processo 1 do captulo 5.........................................112 Tabela 2D Funo de autocorrelao dos resduos do modelo autoregressivo do processo 1 do captulo 5..................................................................................................................................................................112 Tabela 3D Transformao de Johnson aplicada aos dados do processo 2 captulo 5.............................113 Tabela 4D - Resduos do modelo autoregressivo do processo 2 do captulo 5..........................................114
ppm
LC
LSC LIC
LSE
peas por milho linha central limite superior de controle limite inferior de controle limite superior de especificao limite inferior de especificao teste de normalidade mdia populacional mdia amostral desvio padro populacional desvio padro amostral Funo densidade kernel hiptese nula hiptese alternativa
LIE
Teste W
FDK H0 H1
SUMRIO
1 INTRODUO .............................................................................................................................. 14 1.1 1.2 1.2.1 1.2.2 1.3 1.4 2 JUSTIFICATIVA E IMPORTNCIA ............................................................................................ 16 OBJETIVOS DO TRABALHO ..................................................................................................... 17 Objetivo Geral ................................................................................................................... 17 Objetivos especficos.......................................................................................................... 17 DELIMITAES DO TRABALHO .............................................................................................. 18 ESTRUTURA DO TRABALHO ................................................................................................... 18
REVISO TERICA .................................................................................................................... 20 2.1 ESTATSTICA EM CONTROLE ESTATSTICO DE QUALIDADE .................................................. 20 2.1.1 Distribuio de probabilidade ........................................................................................... 20
2.1.1.1 2.1.1.2 2.1.1.3 Distribuio Normal................................................................................................................ 20 Distribuio Chi-Quadrado ( ) .......................................................................................... 22 Distribuio Chi ( ) ............................................................................................................. 23
2
2.1.2 Amostragem ....................................................................................................................... 24 2.1.3 Teste de hiptese ................................................................................................................ 24 2.1.4 Intervalo de confiana ....................................................................................................... 27 2.2 GRFICOS DE CONTROLE....................................................................................................... 27 2.2.1 2.2.2 Grfico de amplitude mvel ( MR ) e medidas individuais ( IX )..................................... 29 Grfico da mdia ( X ) e amplitude ( R ) .......................................................................... 30
2.2.3 Grfico da mdia ( X ) e desvio padro ( S ).................................................................... 32 2.3 NDICE DE CAPACIDADE DE PROCESSOS ................................................................................ 33 2.3.1 Histrico dos ndices.......................................................................................................... 33 2.3.2 Condies necessrias para a utilizao dos ndices de capacidade ................................ 34 2.3.3 Estimao da mdia ( ) e desvio padro ( )................................................................ 35 2.3.4 2.3.5 2.3.6 2.3.7 ndices de Capacidade da Primeira Gerao ( CP , C pk , k , C pl , C pu )....................... 37 Segunda Gerao ( C pm )................................................................................................... 44 Terceira Gerao de ndices.............................................................................................. 46 Relao entre os ndices de capacidade e a produo de no conformes ......................... 47
3 ANLISE DA CAPACIDADE NA PRESENA DE DADOS NO NORMAIS E AUTOCORRELACIONADOS. ............................................................................................................. 50 3.1 CAUSAS PARA NO NORMALIDADE ........................................................................................ 50 3.2 TESTE DE NORMALIDADE ....................................................................................................... 51 3.2.1 Mtodo grfico (histograma, grfico normal de probabilidade e funo de densidade kernel) 51 3.2.2 Mtodo estatstico: o teste W de Shapiro-Wilk .................................................................. 56 3.3 TRANSFORMAO DE JOHNSON. ........................................................................................... 61 3.4 UTILIZAO DOS NDICES DE CAPACIDADE PARA DADOS NO NORMAIS ............................. 67 3.5 ESTIMAO DOS NDICES DE CAPACIDADE NA PRESENA DE DADOS AUTOCORRELACINADOS ....................................................................................................................... 70 3.5.1 Teste estatstico para a autocorrelao ............................................................................. 71 3.5.2 Soluo para o problema de autocorrelao..................................................................... 74 4 MODELOS DE ANLISE DA CAPACIDADE DE PROCESSOS........................................... 78 4.1 MODELO DA ANLISE DA CAPACIDADE DE PROCESSOS PARA DADOS NORMAIS E INDEPENDENTES (MODELO 1) .............................................................................................................. 78 4.2 MODELO DA ANLISE DA CAPACIDADE DE PROCESSOS PARA DADOS NO NORMAIS E AUTOCORRELACIONADOS (MODELO 2)............................................................................................... 84 5 APLICAO DO MODELO EM UMA FBRICA DO SETOR AUTOMOTIVO................ 86 5.1 5.2 PROCESSO 1 CARACTERSTICA AVALIADA: DIMETRO INTERNO ..................................... 87 PROCESSO 2 CARACTERSTICA AVALIADA: DISTNCIA ENTRE FACES .............................. 92
CONCLUSES .............................................................................................................................. 98
REFERNCIA BIBLIOGRFICA ..................................................................................................... 101 APNDICE A CLCULO DOS COEFICIENTES ai E DO W DO TESTE W DE SHAPIROWILK PARA O EXEMPLO DO CAPTULO 3................................................................................. 108 A1. CLCULO DOS COEFICIENTES ai ................................................................................................ 108 A2. CLCULO DE W ........................................................................................................................... 109 APNDICE B TABELA COM OS VALORES DA TRANSFORMAO DE JOHNSON DO EXEMPLO DO CAPTULO 3. ............................................................................................................ 110 APNDICE C DADOS DE MEDIDAS DE PEAS DOS DOIS PROCESSOS DE USINAGEM DO CAPTULO 5. ................................................................................................................................. 111 APNDICE D RESDUOS DOS MODELOS DOS ESTUDOS DE CASO DOS PROCESSOS (1 E 2) APRESENTADOS NO CAPTULO 5............................................................................................. 112 D1. PROCESSO 1 ................................................................................................................................. 112 D2. PROCESSO 2 ................................................................................................................................. 113
14 1 INTRODUO O estudo de capacidade de processos uma das ferramentas existentes do controle estatstico de qualidade, e desde o incio da dcada de 80 vem sendo utilizado nas indstrias do Japo, um dos pases que so referncia quando se fala em qualidade. Com o sucesso obtido por essas empresas japonesas, mais empresas de outras partes do mundo tambm comearam a se utilizar desta ferramenta da qualidade. No setor automotivo, por exemplo, pioneiro na utilizao de ndices de capacidade de processos, exigido em contrato, entre cliente e fornecedor, um valor mnimo de ndice para garantir a qualidade dos produtos (ausncia de defeitos).
A qualidade dos produtos produzidos, conhecida como qualidade de conformao, pode ser atingida quando os processos que a produzem so capazes, isto , produzem as peas de acordo com o que foi especificado em projeto. As especificaes de projeto so os valores alvos de caractersticas de produtos que se querem produzir mais as tolerncias admitidas em torno destes alvos. Esta tolerncia em torno de um alvo definida por que existe variabilidade em processos produtivos, no sendo possvel produzir todas as peas com exatamente as mesmas medidas. Como existe esta variabilidade, o estudo da capacidade estima qual a proporo de produtos produzidos est dentro dos limites de especificao.
Quando a produo de defeituosos ocorre acima do admitido, o processo considerado incapaz, basicamente por dois motivos: a variabilidade do processo muito grande em relao aos limites de especificao e a mdia do processo no est centrada no alvo. Tendo conhecimento destas informaes, pode-se ento tomar medidas corretivas no processo, reduzindo a produo de defeituosos, com conseqentes redues de custos.
15 Para facilitar esta estimao da proporo de defeituosos produzidos foram desenvolvidos ndices de capacidade, que relacionam o seu valor com a produo de defeituosos. Os primeiros ndices desenvolvidos foram C p e C pk , sendo os mais utilizados na indstria e constituem a base de estudo deste trabalho. A vantagem da utilizao destes ndices que eles so adimensionais, facilitando a comparao de processos produtivos, independente do que se esteja produzindo.
Segundo um estudo realizado por Deleryd (1999a) em 97 empresas da Sucia as principais vantagens e desvantagens apontadas com a anlise da capacidade de processos so descritos na Tabela 1.
Vantagens Desvantagens Ter conhecimento sobre o processo Consumo de recursos Tomar decises baseadas em fatos Dificuldade terica Identificar prioridades para realizao de Difcil de motivar o trabalho em equipe melhorias Melhorar a qualidade dos produtos Demora em obter resultados Foco nas melhorias Dificuldade de anlise Aumento da motivao para o trabalho em Muito tempo e esforo gasto com treinamento equipe
Fonte: Deleryd (1999a)
A segunda desvantagem indicada na pesquisa (dificuldade terica) o foco deste trabalho. Esta dificuldade terica foi tema de outro artigo publicado com este mesmo estudo Deleryd (1998), onde foram apontados quais so os principais aspectos tericos que as empresas tm que trabalhar no dia-dia, e qual o percentual delas que sabiam trabalhar com cada um deles.
16
Tabela 2 Aspectos tericos considerados no estudo da capacidade de processos
Aspecto terico Calibrao dos instrumentos de medio Estabelecer controle estatstico antes de conduzir o estudo Coleta de dados consistente Utilizar vrios ndices de capacidade simultaneamente Usar limites de confiana e testes de hiptese Checar suposies sobre a distribuio dos dados e lidar com assimetria
Fonte: Deleryd (1998)
Percentual de empresas que sabiam lidar com o aspecto terico 33% 25% 50% 70% 10% 10%
Dentre os aspectos citados, os que sero abordados neste trabalho com maior nfase so os dois ltimos da Tabela 2, os que menos as empresas sabiam trabalhar. A utilizao de limites de confiana e teste de hiptese e a no normalidade dos dados. Ainda outro tema que ser estudado e no foi citado na pesquisa, a autocorrelao nos dados.
1.1 Justificativa e importncia O estudo da capacidade de processos se mostrou ao longo das dcadas de 80 e 90 uma ferramenta fundamental do controle estatstico de processos (CEP). Muitas empresas adotaram a sua prtica aps o sucesso obtido pelo setor automotivo, pioneiro neste tipo de estudo e na utilizao de ndices de capacidade de processo. A montadora Ford, por exemplo, exige que 904 de seus 1188 fornecedores comprovem a qualidade de seus produtos via estudo de capacidade. So 4569 de 10735 processos de seus fornecedores monitorados e sua capacidade avaliada (Kotz e Lovelace, 1998). So centenas, s vezes milhares de componentes que precisam ser montados e todos devem seguir as especificaes de projeto para que o produto final funcione como planejado. Outro grande exemplo do sucesso obtido por este tipo de estudo, muito citado na
17 literatura, o programa de qualidade da Motorola, que admite apenas 3,4 defeitos por milho em seus produtos fabricados.
Mesmo com o sucesso obtido por estas empresas, que realizaram a anlise da capacidade de processos e utilizaram os ndices desenvolvidos para este fim, existem ainda muitas crticas e descrena ao uso da estatstica e ndices de capacidade para avaliar a capacidade de processos produtivos. Estas crticas surgem principalmente pela utilizao incorreta dos ndices, que necessitam do conhecimento de suas propriedades estatsticas para avaliao mais correta da real capacidade. Neste trabalho pretende-se apresentar vrias destas propriedades, pois se considera que esta uma ferramenta de qualidade valiosa. A oportunidade de se reduzir a fabricao de produtos defeituosos justifica o empenho em se mostrar a teoria existente at o momento para o uso da estatstica e ndices de capacidade.
1.2 Objetivos do trabalho Os objetivos do trabalho podem ser divididos em dois grupos, o objetivo geral e os especficos.
1.2.1
Objetivo Geral
Criar um modelo e propor solues quando necessrio para avaliar a capacidade de processos, utilizando a estimao de ndices de capacidade.
1.2.2
Objetivos especficos
Fazer uma reviso sobre a literatura referente a ndices de capacidade de processos e como utiliz-los na presena de no normalidade e autocorrelao.
Aplicar o modelo desenvolvido em um estudo de caso em uma empresa do setor automotivo considerando os seguintes aspectos:
18 o Verificar a normalidade dos dados coletados no processo e quando esta no ocorrer utilizar a transformao de dados; o Verificar a independncia dos dados coletados no processo e quando esta no ocorrer utilizar modelos autorregressivos; o Calcular o tamanho de amostra necessria para um certo intervalo de confiana do ndice estimado.
Apenas foram estudados os casos de distribuio contnua de dados, no sendo considerado os casos para dados discretos.
No incluso dos erros de medio na estimao dos ndices de capacidade. A falta de um modelo de custos para a deciso, quando vrias solues proposta.
1.4 Estrutura do trabalho O trabalho proposto est estruturado em 6 captulos, que so descritos a seguir:
captulo 1 apresenta o tema abordado, as justificativas e importncia do tema escolhido, os objetivos a serem alcanados e as limitaes;
captulo 2 apresenta a reviso terica referente a conceitos de estatstica utilizados no controle estatstico de qualidade que compreendam os grficos de controle e
19 ndices de capacidade. A nfase da reviso deste captulo so os ndices de capacidade (como se estimar, intervalos de confiana, teste de hiptese). captulo 3 apresenta a reviso terica e as tcnicas para que se possa utilizar os ndices de capacidade quando os dados no so normais e possuem autocorrelao. captulo 4 apresenta um modelo para avaliao da capacidade de processos; captulo 5 apresenta um estudo de caso de capacidade de processo, em uma fbrica do setor automotivo, onde foram aplicados os conceitos vistos na reviso terica dos captulos 3 e 4 e o modelo desenvolvido no captulo 4; captulo 6 apresenta as concluses do trabalho e recomendaes para trabalhos futuros.
20
2 REVISO TERICA
Neste captulo ser apresentada a reviso terica referente a conceitos sobre estatstica, que so utilizados no controle estatstico de qualidade, seo 2.1. Na seo 2.2 uma reviso sobre grficos de controle e na seo 2.3 ndices de capacidade de processo. Esta ltima seo o foco central deste captulo, sendo o seu contedo abordado com mais profundidade.
2.1 Estatstica em controle estatstico de qualidade Nesta seo ser apresentada uma reviso de conceitos estatsticos utilizados em controle estatstico de qualidade. Na seo 2.1.1 sero apresentadas algumas distribuies de probabilidades contnuas, na seo 2.1.2 o processo de amostragem, na seo 2.1.3 teste de hiptese e na seo 2.1.4 intervalos de confiana. Uma grande fonte de informaes onde se podem encontrar os conceitos que sero apresentados aqui o livro de Montgomery e Runger (2003).
2.1.1
Distribuio de probabilidade
As distribuies de probabilidade apresentadas aqui so utilizadas na estimao de parmetros e seus intervalos de confiana utilizados no controle estatstico de processo. Tanto na parte de grficos de controle quanto em ndices de capacidade.
2.1.1.1 Distribuio Normal o modelo de distribuio de probabilidade mais importante, pois a maior parte da teoria de controle estatstico de qualidade foi desenvolvida considerando que os dados seguem esta distribuio ou podem ser aproximadas pelo teorema central do limite. Uma notao utilizada para definir a distribuio x ~ N ( , 2 ) , onde significa
21 que a varivel x aleatria normalmente distribuda com mdia e varincia 2 . Os estimadores amostrais naturais para a mdia , varincia 2 e desvio padro so respectivamente:
X=
n
n i =1
Xi
2
n
i X)
(2.1)
S2
(X =
i =1
n i =1
n 1
i
(2.2)
2
S=
(X
X)
n 1
(2.3)
A funo de densidade da distribuio normal descrita pela equao (2.4) e sua forma pode ser vista na Figura 1, simtrica em relao mdia.
1 f ( x) = e 2 2
1 x
< x <
(2.4)
Observa-se que 68,26 % da populao esto contidos entre os limites de 1 , 95,46% entre 2 e 99,73% entre 3 . Existe uma relao direta entre o nmero
22 de desvios padro em relao mdia e a probabilidade de ocorrncia de um determinado valor. Por exemplo, a probabilidade de um valor ocorrer acima de + 2 de 2,27% e + 3 de apenas 0,135%.
Uma outra maneira de se representar distribuio normal atravs de sua forma padronizada, em que se faz uma mudana de varivel.
z=
(2.5)
possu mdia zero e varincia igual a um. A funo de distribuio cumulativa da distribuio normal padronizada recebe a notao de ( ) e sua tabela pode ser encontrada em qualquer livro de estatstica. Como exemplo da utilizao da forma padronizada, a probabilidade de x ser menor ou igual a a
a a P { x a} = P z
No estudo da capacidade de processos este calculo utilizado para se definir qual o percentual da populao que est alm dos limites de especificao. 2.1.1.2 Distribuio Chi-Quadrado ( 2 ) Neste trabalho este modelo de distribuio utilizado para o clculo de intervalo de confiana da varincia da distribuio normal e no teste estatstico de autocorrelao (equao (3.37) da pgina 71). Se x1 , x2 , ..., xn forem variveis aleatrias independentes e normalmente distribudas com mdia zero e varincia um, ento a varivel
23
2 2 aleatria y = x12 + x2 + ... + xn distribuda como uma distribuio 2 com n graus de
liberdade.
A funo de densidade
f ( y) =
1 n 2n 2 2
y ( n 2)1e y
(2.6)
onde ( ) a funo gama definida pela equao (2.7) e ( ) = ( 1) ! para todos os inteiros positivos .
( ) = y 1e y dy
0
(2.7)
=n 2 = 2n
(2.8) (2.9)
Os pontos percentuais da distribuio 2 podem ser encontrados em livros de estatstica. 2.1.1.3 Distribuio Chi ( ) Na estimao dos ndices de capacidade necessrio que se estime o desvio padro das amostras do processo. O intervalo de confiana para o desvio padro segue este modelo de distribuio. A funo de densidade
f ( x) =
x e n 2
n 2
n 1
x2 2
(2.10)
(2.11)
(2.12)
2.1.2 Amostragem O objetivo da amostragem a reduo de custos para a determinao de algum parmetro que se deseja saber. Em processos produtivos quer se saber a tendncia central e a variabilidade do processo. Poderiam se medir todas as peas para descobrir o valor destes parmetros, mas com algumas amostras possvel atingir este objetivo com certo risco de se errar. Este risco de errar (que depende do tamanho da amostra) tambm tem um custo associado e pode ser calculado. Deve-se ento encontrar um equilbrio entre estes custos para determinar qual o tamanho da amostra necessria.
No estudo da capacidade de processos as amostras devem representar todas as fontes de variabilidade do processo, como o set-up, mudanas ambientais, mudana de operadores, possveis ciclos e tendncia que podem afetar na estimao do desvio padro. O tamanho de amostra mnimo recomendado para o estudo da capacidade de 100 amostras pelo menos Kotz e Lovelace (1998).
2.1.3 Teste de hiptese O teste de hiptese realizado quando se quer saber se o valor de algum parmetro de alguma populao igual ou diferente de um valor pr-estabelecido. Como a
25 populao modelada por uma distribuio de probabilidade, testam-se os parmetros desta distribuio. O teste feito considerando-se duas hipteses, a nula H 0 e uma alternativa H1 . Segundo Montgomery (1996, p.96), geralmente existem trs maneiras de se especificar o valor de um parmetro para o teste de hiptese:
1. O valor resulta de um estudo passado. Este procedimento utilizado em grficos de controle, onde se estimam os valores da mdia e desvio padro (ou amplitude) e fazse o teste para saber se estes valores se modificaram ao longo do tempo. 2. O valor resulta de alguma teoria ou modelo. 3. O valor escolhido resultado de um contrato com especificaes de projeto entre o cliente e o fabricante. Este procedimento muito utilizado na escolha do valor dos ndices de capacidade de processo no setor automotivo, onde se definem o valor dos ndices em contrato.
Antes de se definir se a hiptese nula no pode ou pode ser rejeitada necessria definio de alguns conceitos:
Regio crtica: so os valores de probabilidades das caudas da distribuio que levam a rejeio da hiptese nula.
Valor crtico: so os valores que delimitam at aonde o parmetro estimado pode estar contido antes que se rejeite a hiptese nula.
Regio de aceitao: a regio em que no se rejeita a hiptese nula. Se o valor estimado estiver dentro do intervalo formado pelos valores crticos ento no se rejeita a hiptese nula.
Existem dois erros que podem ser cometidos quando se testa uma hiptese. O primeiro rejeitar a hiptese nula quando ela verdadeira, e o segundo falhar em
26 rejeitar a hiptese nula quando ela falsa. As probabilidades destes dois tipos de erro podem ser definidas como mostradas abaixo:
= P {erro tipo I} = P {rejeitar H 0 | H 0 verdadeiro} = P {erro tipo II} = P {falhar em rejeitar H 0 | H 0 falso}
Outra definio utilizada tambm o poder do teste, que a probabilidade de se rejeitar a hiptese nula corretamente.
Poder do teste = 1 - = P {rejeitar H 0 | H 0 falso}
O teste pode ser definido como bilateral ou unilateral (superior e inferior). No primeiro caso, por exemplo, se a mdia 0 de um processo fosse testada as duas hipteses seriam:
H 0 : = 0 H1 : 0
Nota-se neste caso que o valor da hiptese alternativa pode ser tanto 0 maior ou menor que por isto o teste bilateral. A regio crtica separada em duas partes, cauda superior e inferior da distribuio de probabilidade. No unilateral superior e inferior os testes seriam respectivamente:
H 0 : = 0 H1 : > 0 H 0 : = 0 H1 : < 0
No unilateral superior a regio crtica esta na cauda superior e no unilateral inferior na cauda inferior da distribuio de probabilidade.
Quando se deseja estimar parmetros de uma populao retirando amostras desta, no se tem certeza sobre o verdadeiro valor do parmetro da populao. Ento se calcula um intervalo de valores na qual o verdadeiro valor do parmetro est contido com certa probabilidade. Existem trs intervalos de confiana 100 (1 ) % possveis de serem construdos:
O bilateral, onde se encontra um limite superior S e inferior I para o parmetro. Este utilizado nos limites do grfico de controle (seo 2.2).
P {S parmetro I } = 1
(2.13)
(2.14)
O unilateral inferior, onde se encontra um limite inferior I para o parmetro. Este utilizado na estimao de ndices de capacidade, quando se quer saber qual o menor valor estimado do ndice para que o processo seja considerado capaz (nmero mximo de defeituosos admitidos).
P { I parmetro} = 1
(2.15)
Nesta seo ser apresentada uma breve reviso de grficos de controle, um texto mais detalhado pode ser encontrado em Montgomery (1996) no captulo 5. O grfico uma forma visual de se testar a estabilidade do processo, tanto da mdia
28 quanto da variabilidade, foi desenvolvido por Shewhart na dcada de 20 e continua sendo utilizado at os dias de hoje. a ferramenta mais importante do controle estatstico de processos. O grfico formado por uma linha central (LC), limite superior (LSC) e inferior de controle (LIC). Quando uma observao ocorre alm dos limites de controle e se encontra uma explicao para isto, se diz que processo no est sob o controle estatstico ou instvel. Esta instabilidade se deve ao que foi denominado como causas especiais. Estas causas so responsveis por variaes (tanto na mdia quanto na variabilidade) no aleatrias do processo.
Quando a variao aleatria se diz que o processo est sob efeito de causas comuns. Este efeito resultado do somatrio de pequenas causas que no so identificveis e so inerentes ao processo. Quando o processo est apenas sob o efeito de causas comuns (todas as observaes esto dentro dos limites de controle e so distribudas aleatoriamente), se diz que est sob o controle estatstico ou estvel. A grande vantagem de se monitorar e atingir a estabilidade que se sabe o que vai acontecer no futuro, isto , que as observaes vo ocorrer dentro de uma faixa de valores com uma certa probabilidade.
Estes grficos nada mais so do que se fazer testes de hiptese sobre a estabilidade do processo. Quando ocorre um ponto fora dos limites de controle, e existe uma causa, est se rejeitando a hiptese nula de estabilidade. Nos testes definidos na seo 2.1.3 existem dois erros cometidos, o erro tipo um e dois. Em grficos de controle quando se comete o erro tipo um, significa dizer que o processo est fora do controle, quando na verdade no est. Este erro definido pela escolha dos limites de controle. J quando o erro tipo dois cometido, est se dizendo que o processo est sob controle,
29 quando na verdade no est. Este erro depende da escolha dos limites de controle e do tamanho das amostras, quanto maior menor a chance de se errar.
Estas amostras podem ser coletadas individualmente ou em subgrupos (m) , quanto maior o tamanho do subgrupo menor o erro tipo dois cometido. A escolha do tamanho das amostras vai depender das caractersticas de cada processo e com custos associados ao processo de amostragem. Em processos qumicos, por exemplo, o tamanho das amostras igual a um, onde se produz uma batelada e retirada uma amostra. Na produo de bens com alto valor agregado e quando o teste destrutivo, o tamanho das amostras tende a ser de tamanho um tambm. J em processos de produo de parafusos, com baixo valor agregado e fcil medio, o tamanho das amostras pode ser maior que um.
Para estes diversos tamanhos de subgrupos existem trs opes de grficos (grficos Shewhart) que podem ser utilizados e sero mostrados na prxima seo. Dentre estas trs opes esto: o grfico da amplitude mvel e medidas individuais, mdia e amplitude, mdia e desvio padro. Para a construo destes grficos recomenda-se utilizar pelo menos 25 subgrupos.
2.2.1 Grfico de amplitude mvel ( MR ) e medidas individuais ( IX ) Quando as amostras retiradas do processo so de tamanho igual a um ( n = 1 ) os grficos a serem utilizados so: amplitude mvel e medidas individuais. O primeiro controla a variabilidade do processo e consiste em se medir a amplitude mvel de duas observaes consecutivas. O segundo controla a mdia das observaes individuais. Os limites de controle respectivamente so:
LSC = D4 MR LC = MR LIC = 0
MRi = xi xi 1
(2.16)
(2.17)
LSC = x + 3 LC = x LIC = x 3
MR d2
(2.18)
MR d2
Quando o tamanho das amostras ( n ) retiradas do processo so maiores que 1 e menores que 6 recomenda-se utilizar estes dois grficos. A vantagem do grfico da amplitude a facilidade com que se realizam os clculos necessrios (pois so utilizados apenas o maior e o menor valor de cada amostra para a estimao da variabilidade, equao (2.21)), podendo facilmente ser utilizado no cho de fbrica. A amplitude de cada amostra Ri e a amplitude mdia R so definidas nas equaes abaixo.
R1 + R2 + + Rm m
R d2
(2.21)
b) Grfico da mdia
Xi = e
X=
X 1 + X 2 + ... X n n
(2.24)
X 1 + X 2 + ... + X m m
(2.25)
O valor de A2 tabelado (tabela 1A do anexo A), mas seu valor tambm pode ser encontrado por
32 A2 =
3 d2
(2.26)
Quando o tamanho das amostras ( n ) retiradas do processo so maiores que 7 recomendam-se utilizar estes dois grficos. Para estes tamanho de amostras o grfico da amplitude tem uma perda de eficincia considervel para medir a variabilidade do processo. Ento se utiliza o grfico do desvio padro. O desvio padro de cada amostra
Si e o desvio mdio S so definidos nas equaes abaixo.
Si =
( x x )
i =1 i
n 1
1 m Si m i =1
(2.27)
S=
(2.28)
LSC = B4 S LC = S LSC = B3 S
(2.29)
b) Grfico da mdia.
33
LSC = x + A3 S LC = x LIC = x A3 S
(2.30)
Nesta seo ser apresentada a reviso terica referente a ndices de capacidade de processos. O histrico do desenvolvimento dos ndices, sua estimao e os seus intervalos de confiana.
O primeiro estudo publicado foi feito por Juran et al. (1974), onde se considerou um relacionamento entre a variabilidade do processo e as especificaes do cliente. Foi criada uma razo de capacidade, onde se compara a variabilidade do processo com os limites de especificao (tolerncia admitida). variao de 6 Limites de tolerncia
Razo de capacidade =
(2.31)
Aps este primeiro estudo surgiram os primeiros ndices de capacidade no Japo, que tiveram seu uso nas indstrias apenas no incio da dcada de 80. Originalmente foram cinco os ndices criados: C p , C pk , k , C pu e C pl . Estes so classificados como pertencentes primeira gerao, e ainda so os mais utilizados nas indstrias. A segunda gerao foi desenvolvida por Taguchi, quando ele criou o conceito de funo de perda em 1985, onde se tm uma penalidade por estar longe do alvo de especificao (HSIANG e TAGUCHI, 1985). Esta perda foi definida atravs de
34 uma funo quadrtica e foi incorporada ao ndice C pm (BOYLES, 1991). Ento quando a mdia est fora do alvo se tem uma penalizao.
Para que se possam utilizar os ndices de capacidade da primeira gerao corretamente algumas condies devem ser satisfeitas Kotz e Lovelace (1998, p. 35):
a) O processo deve ser estvel. Caso esta condio no seja cumprida o ndice estimado s representa uma fotografia daquele momento do processo, no se podendo tirar concluses sobre a capacidade no futuro. b) Os dados devem seguir a distribuio normal. Caso esta condio no seja cumprida existir vis na estimativa dos ndices, j que estes so baseados nas estimativas da mdia e desvio padro de uma distribuio normal. Como utilizar os ndices na condio de no normalidade ser visto no captulo 3. c) Os dados devem ser independentes. Caso esta condio no seja cumprida existir a subestimao do desvio padro, causando a superestimao do ndice de capacidade. O processo parece ser melhor do que na realidade .
Para se utilizar os ndices de capacidade que sero vistos no decorrer deste captulo, so necessrias as estimaes da mdia e desvio padro , baseados nas amostras retiradas do processo. A mdia pode ser estimada da maneira clssica, como na equao (2.32).
=X=
n i =1
Xi
(2.32)
R d2
(2.33)
ou
S=
(X
n i =1
X)
n 1
(2.34)
Mas afinal qual a diferena entre as duas equaes mostradas acima? A equao (2.33) utilizada no clculo do desvio padro em grficos de controle da amplitude e estima a variabilidade dentro de cada amostra. conhecida tambm como variabilidade de curto prazo ou instantnea. Esta estimao utilizada principalmente pelos prticos, pela facilidade que se tem em calcular e por ter sido implementada na origem dos grficos de controle.
J os estatsticos utilizam a equao (2.34) como estimao do desvio padro do processo, onde se est estimando a variabilidade de longo prazo, pois considerada a
36 variabilidade de todas as observaes individuais e no apenas a variabilidade dentro de cada subgrupo. Outra explicao para a utilizao de S por parte dos estatsticos o fato
de ser tratvel estatisticamente, enquanto que considerado intratvel (KOTZ e
LOVELACE,1998).
A diferena entre S e pode ser representa na Figura 2, onde S o desvio
R2 R3 S
R1
Figura 2 Diferena entre a variabilidade de curto e longo prazo Fonte: Shore (1997).
Esta diferena entre os dois estimadores descritos acima um tema de grande discusso na literatura, pois quando se estima o desvio padro por S , o ndice de capacidade chamado de ndice de performance de processo ( Pp e Ppk ), definido no manual AIAG (1995), que serve de referncia para muitos cursos de qualidade hoje em dia. sugerido que se utilizem estes ndices quando o processo no est em controle
estatstico. Segundo o mesmo manual, se a estimao feita por , o ndice chamado
37 Kotz e Lovelace (1998, p. 252) apontado que quando o processo est em controle
estatstico S = , portanto C p = Pp e C pk = Ppk . J Rodriguez em Kotz et. al (2002, p.
29) argumenta que mesmo um processo estando em controle estatstico, no perfeitamente estvel e existem variaes de subgrupo para subgrupo que os grficos de controle no detectam. Por isto recomenda que se utilize S como um estimador mais fiel de toda a variabilidade do processo. Pelas definies descritas acima o grfico da Figura 2 representaria um processo instvel, um exemplo bem diferente que o autor gostaria de demonstrar, quando abordou o assunto.
A primeira gerao foi o desenvolvimento dos ndices CP , C pk , k , C pl , e C pu no Japo e largamente empregados na indstria automotiva. Depois se tornaram os mais utilizados em outros tipos de indstrias tambm, e continuam at os dias de hoje sendo os mais populares. Isto se deve a sua simplicidade de clculo, interpretao e aplicao no cho de fbrica, com bons resultados obtidos.
a) O ndice CP .
O ndice CP foi o primeiro a ser desenvolvido, em 1974 por Juran, mas sua utilizao s comeou de fato no comeo da dcada de 80. Sua forma pode ser vista na equao (2.35).
38 Cp = LSE LIE 6
(2.35)
Onde LSE o limite superior de especificao, LIE o limite inferior de especificao e o desvio padro dos dados coletados. Este ndice mede apenas a variabilidade do processo em comparao com as tolerncias admitidas nas especificaes de projeto (Figura 3) e por isto tambm conhecido como ndice de capacidade potencial, pois no leva em considerao o local da mdia em relao ao alvo do processo ou os limites de especificao.
LSE
Se a mdia do processo estiver centrado no alvo e a distribuio dos dados for perfeitamente normal a relao do ndice com a produo de no conformes pode ser vista na Tabela 3.
Tabela 3 -
C p e a produo de no conformes
Cp Produo de no conformes por milho 0,5 133.614,403 1 2.699,79606 1,33 66,0732953 1,5 6,79534627 1,67 0,54430051 2 0,00197318
39 A definio em que nvel o processo considerado capaz (valor de CP ) fica a cargo da escolha da empresa, pois cada processo vai admitir custos com a produo de defeituosos diferentes. Mas, em geral, Montgomery (1996) recomenda os seguintes valores mnimos para C p e C pk (que ser apresentado no item b desta seo) apresentados na Tabela 4.
C p e C pk
Especificaes Unilaterais 1,25 1,45
Processos existentes Novos processos Processos existentes que envolvam caractersticas de segurana, fora, ou parmetros crticos Processos novos que envolvam caractersticas de segurana, fora, ou parmetros crticos
Fonte: Montgomery (1996)
1,50
1,45
1,67
1,60
Tanto o valor do ndice quanto o percentual de no conformes produzidos so valores sujeitos as variaes devido amostragem. Neste caso o nico valor estimado
, que se for por S, tem uma distribuio (qui). O intervalo de confiana para C p foi
desenvolvido por Kane (1986) e pode ser visto na equao (2.36).
n 1, / 2 n 1,1 / 2 Cp , Cp n 1 n 1
(2.36)
Mas, na prtica, o mais interessante no o intervalo de confiana bilateral, e sim qual a probabilidade do ndice ser menor do que aquele desejado como alvo ( C |pc| ). Ento se utiliza apenas o limite inferior de confiana (1 - )100%.
C |pc| = C p
n21( )
n 1
(2.37)
40 Como utilizando esta expresso no possvel isolar n , que o tamanho da amostra, foi desenvolvida uma aproximao. Franklin (1999) demonstra que:
2 3 C |pc| 1 2 2 +1 n 1) Z ( ) = ( Cp n 1 9 ( n 1) 9 ( n 1)
(2.38)
n = 1+
2 1 2 9 2/3 2 C |pc| Z ( ) + 1 + Z ( ) 2 2 Cp
(2.39)
Agora possvel calcular o tamanho da amostra necessria para um intervalo de confiana, baseado no valor estimado de C p e o alvo C |pc| .
Exemplo 2.1: um processo com ndice alvo C |pc| = 1,33 obteve uma estimativa de
C p = 1,5 com uma amostra de tamanho n = 47. Com este tamanho de amostra existe uma probabilidade de 85% que o valor estimado seja maior ou igual a 1,33. Se o objetivo for ter uma confiana de 95%, aplicando a equao (2.39), a amostra necessria deve ser de n = 109 . Se o objetivo for ter uma confiana de 95% com uma amostra de n = 47 , o valor estimado deve ser C p = 1.61 . Isto demonstra que se pode escolher entre aumentar o tamanho da amostra ou mudar o processo para que se tenha uma confiana no valor estimado.
41 b) O ndice C pk .
Como o ndice C p no leva em considerao a localizao da mdia do processo foi desenvolvido o ndice C pk , que mede a distncia entre a mdia do processo e os limites de especificao (superior e inferior) em relao a metade da variabilidade do processo (3 ). Dentre todos os ndices existentes o mais utilizado para medir a capacidade de processos. Quando o processo est centrado, isto , o valor da mdia igual ao alvo, C p = C pk . medida que C pk menor que C p , indica que o processo est se distanciando do valor alvo.
LSE LIE C pk = min , 3 3
(2.40)
LIE - 3 - LIE
Alvo + 3 LSE-
LSE
Figura 4 Relao da variabilidade do processo em relao a mdia com os limites de especificao e a mdia.
Tambm foram desenvolvidos intervalos de confiana para este ndice, mas a distribuio de C pk envolve a distribuio conjunta de duas distribuies t no centradas, fazendo com que apenas aproximaes fossem desenvolvidas at hoje. Uma
42 delas a equao (2.41) Heavlin (1988) e o limite inferior de confiana (1- )100% visto em (2.42) (FRANKLIN e WASSERMANS, 1992).
1/ 2 n 1 1 6 z 2 C pk 1 / 2 + C pk 1 + , 2 ( n 3) n 1 9n ( n 3 ) 1/ 2 n 1 1 6 2 + C pk C + z 1 + , pk 1 / 2 9n ( n 3) 2 ( n 3) n 1
(2.41)
c C |pk| = C pk Z ( )
C pk 1 + 9n 2n 2
( )
(2.42)
A equao (2.42) valida para n 30 , pois para valores menores a estimao viesada. Franklin (1999) isolou n e obteve:
1 9 C pk + 1/ 2
2
n = ( Z ( ) )
( )
c C |pk| 1 C pk
(2.43)
Exemplo 2.2: um processo com ndice alvo C pk = 1,33 obteve uma estimativa de
C pk = 1,5 com uma amostra de tamanho n = 47. Com este tamanho de amostra existe uma probabilidade de 85% que o valor estimado seja maior ou igual a 1,33. Se o objetivo for ter uma confiana de 95%, aplicando a equao (2.43), a amostra necessria deve ser de n = 116. Se o objetivo for ter uma confiana de 95% com uma amostra de n = 47 , o valor estimado deve ser C pk = 1.615 .
43 c) Os ndices C pu e C pk .
Para os casos onde s existe um limite de especificao, superior ou inferior, existem os ndices C pu e C pl respectivamente. LSE 3
C pu = C pl =
(2.44)
LIE 3
(2.45)
(2.46)
Intervalos de confiana e testes de hiptese podem ser encontrados em Pearn e Chen (2002) e Pearn e Shu (2003).
d) O ndice k .
Por fim, ltimo ndice que faz parte dos cinco originais o k. Nem C p e C pk medem a distncia entre a mdia do processo e o alvo, por isto este foi desenvolvido. Quando k = 0 o processo est centrado no alvo. Quando k = 1 a mdia do processo est localizado em um dos limites de especificao. Quando 0 < k < 1 a mdia est localizada entre o alvo e um limite de especificao.
2 k=
(2.47)
44 Existe uma relao direta entre C p , C pk e k, que pode ser vista na equao (2.48).
C pk = (1 k ) C p
(2.48)
Os ndices da primeira gerao no consideravam o alvo do processo para a sua estimao. Para resolver este problema em Hsiang e Taguchi, (1985) foi desenvolvido a funo de perda quadrtica, que penaliza por estar fora do alvo T de especificao.
2 2 2 = E ( X T ) = 2 + ( T )
(2.49)
considerado que no basta apenas produzir peas dentro dos limites de especificao, mas sim tambm estar o mais prximo possvel do alvo, desta maneira o processo se torna mais robusto, pois um desvio na mdia implicar em um nmero menor de defeituosos produzidos.
O ndice desenvolvido a partir da funo de perda foi o C pm definido pela equao (2.50). Se o processo estiver centrado no alvo C pm = C p = C pk .
C pm =
(2.50)
45 Cp 1 + 9 ( C p C pk )
2
C pm =
(2.51)
Uma aproximao para o intervalo de confiana inferior (1- )100% para C pm visto na equao (2.52) .
| c| pm
2 ( ) = C pm
(2.52)
v=
2 1 2 9 23 2 | c| Z ( ) + 1 + Z ( ) C pm 2 2 C pm
(2.53)
(1 + 2 ) 2 n= (1 + ) 9 Z ( )
2 2 2
1
c| Z ( ) C |pm + 1+ 2 C pm 2 23
(2.54)
( T )
(2.55)
46 - O custo para manter o processo no alvo pode no compensar. Em processos em que a mdia se desloca ao longo do tempo (por desgaste de ferramentas por exemplo), pode ser interessante ela no estar centrada no alvo. O custo para se trocar a ferramenta pode ser maior que manter o processo no alvo.
C pm e comeou no inicio da dcada de 90. O primeiro foi o C pmk introduzido por Pearn et al. (1992) que mais sensvel a desvios do alvo do que C pm , seguido de uma
quantidade enorme de ndices desenvolvidos principalmente para casos especiais de dados.
Em Kotz e Lovelace (1998) e Kotz et al (2002) existe uma grande reviso sobre estes ndices, que muitas vezes so modificaes dos ndices da primeira e segunda gerao para os casos de no normalidade, autocorrelao dos dados e processos de montagem. Mas segundo Hubele existe um grande problema com o desenvolvimento destes ndices:
Um dos maiores problemas, at mesmo para o mais educado e bem intencionado usurio, que existem tantos tipos de ndices de capacidade de processo sendo utilizados por vrias organizaes que existe um estado de confuso e, consequentemente, um abandono. Pretendendo-se originalmente fazer a vida mais simples, agora ns temos uma estimativa conservativa do Drs. Kotz e Johnson que existem aproximadamente 20 variaes de ndices
47
univariados e 7 multivariados. No existe mistrio em porque a ateno est sendo gasta em escolher o ndice correto e pouca ateno sendo gasta em apropriadamente us-los em conjunto com uma estimativa de variabilidade. Ns devemos parar de desenvolver outros ndices ou focar convencimento dos prticos para utilizar os j existentes mais responsavelmente? Kotz et al (2002, p. 20, traduo nossa).
A quantidade produzida de itens no conformes o foco de estudo da capacidade de processos. Quer se produzir o mximo de itens de acordo com o especificado, tentando minimizar o nmero de produtos defeituosos. Para se calcular a produo de no conformes pode-se utilizar diretamente a distribuio de probabilidades dos dados coletados nas amostras.
LIE LSE p = + 1
(2.56)
A primeira parte da equao (2.56) representa cauda esquerda (percentual de defeitos abaixo do LIE) e a segunda a cauda direita (percentual de defeitos acima do LSE) da distribuio normal.
LIE
LSE 1
LIE
LSE
48 Se o nmero de defeituosos pode ser calculado diretamente assim, qual a vantagem em se utilizar os ndices ento? Os ndices so adimensionais e representam tambm a quantidade de defeituosos produzidos. Por serem adimensionais pode-se comparar a capacidade de processos totalmente diferentes, seja na unidade ou grandeza de medida. Por outro lado utilizando a frmula (2.56), a mdia e desvio padro so caractersticas de cada processo, ficando difcil a comparao.
Os ndices C p e C pk sozinhos no indicam a quantidade de defeituosos produzidos, mas em conjunto sim. O p da equao (2.57) representa o mesmo valor da equao (2.56). Uma demonstrao para o desenvolvimento da equao pode ser encontrado em Kotz e Lovelace (1998, p.65)
p = 3 ( 2C p C pk ) + ( 3C pk )
(2.57)
Tabela 5 Relao de C p e C pk com a produo de no conformes por milho Cp/Cpk 1 1.15 1.2 1.25 1.3 1.35 1.4 1.45 1.5 1.55 1.6 1 2700 1398 1363 1353 1351 1350 1350 1350 1350 1350 1350 1.15 561 369 306 287 282 281 280 280 280 280 1.2 1.25 1.3 1.35 1.4 1.45 1.5 1.55 1.6
177 114 95 90 89 88 88 88
96 61 51 49 48 48 48
51 32 27 26 26 26
27 17 14 14 13
14 8 7 7
7 4 4
3 2
Outra forma ainda de se calcular a quantidade de defeituosos atravs dos ndices C pl e C pu . (equao (2.58)).
49
p = ( 3C pl ) + 1 ( 3C pu )
(2.58)
Com o ndice C pm necessrio que o seu valor, o da mdia e o desvio padro sejam calculados para se estimar o percentual de defeituosos produzidos. Kotz & Johnson (1993) encontraram esta relao de defeituosos com ndice.
LSE = LIE = d
(2.59)
d p = 2 2
d + 1 2 2
d 3C pm
(2.60)
(2.61)
Neste captulo foram vistos os ndices de capacidade, como estim-los, o clculo de intervalos de confiana e a relao deles com a produo de no conformes. Mas, para isto, as condies apontadas na seo 2.3.2 devem ser satisfeitas. Quando isto no ocorre preciso aplicar os conceitos que sero vistos no prximo captulo.
50
3 ANLISE DA CAPACIDADE NA PRESENA DE DADOS NO NORMAIS E AUTOCORRELACIONADOS.
Neste captulo ser apresentado como realizar o estudo da capacidade de processos, utilizando ndices de capacidade, para dois casos especiais: quando os dados no seguem a distribuio normal e quando so autocorrelacionados. Na seo 3.1 ser apresentado as causas para no normalidade, na 3.2 alguns testes de normalidade, tanto na forma grfica como estatstica, na 3.3 a transformao de Johnson (transformao dos dados para normalidade), na 3.4 e 3.5 como utilizar os ndices para dados no normais (mtodo de Clements) e autocorrelacionados respectivamente.
Como discutido na seo 2.3.2 os dados devem seguir a distribuio normal para que se estimem os ndices de capacidade da primeira gerao corretamente. Existem vrias causas que podem levar a no normalidade dos dados, mas na maioria das vezes a limitao fsica (superior ou inferior) da caracterstica que est sendo produzida. Esta limitao pode gerar assimetria nos dados, sendo este o problema mais encontrado nos processos. Em Kotz e Lovelace (1998, p. 133) so descritos alguns exemplos de caractersticas que podem ter sua distribuio no normal:
Distncia entre coordenadas, eixos e centros; Paralelismo, perpendicularidade e ngulo; Rugosidade, perfil, redondeza e nivelamento.
Por exemplo, a rugosidade tem como limite inferior de sua caracterstica o valor zero, fazendo com que a distribuio tenha assimetria para a direita. Em Deleryd (1999b) so apontados alguns efeitos de distribuies no normais na estimao do
51 nmero de defeituosos. Considerando trs distribuies diferentes, uma 2 com 4.5 graus de liberdade, uma t com 8 graus de liberdade e uma uniforme, a quantidade de itens no conformes respectivamente (considerando 3 de limite) 14.000, 4.000 e 0 unidades. Utilizando a distribuio normal a quantidade de 2.700. Portanto, se a normalidade fosse considerada existente nos trs primeiros processos, ocorreria um erro na estimao do nmero de no conformes.
Na prxima seo sero vistas tcnicas para se testar a normalidade, depois a transformao de dados para distribuies no normais e a aplicao de ndices de capacidade sob estas condies. Por fim, ser tratado o caso de autocorrelao nos dados.
A normalidade pode ser verificada tanto na forma grfica (seo 3.2.1) como na forma de um teste de hiptese (seo 3.2.2). Neste captulo sero vistas as duas formas e o indicado que se utilizem ambas.
3.2.1 Mtodo grfico (histograma, grfico normal de probabilidade e funo de densidade kernel) Nesta seo sero apresentadas trs formas grficas para se verificar a normalidade. So elas: o histograma, o grfico normal de probabilidade e a funo densidade kernel. A primeira a forma mais bsica de demonstrao grfica da distribuio de dados, a segunda j envolve alguns conhecimentos em estatstica e a terceira a forma mais complexa de se trabalhar.
52 a) Histograma
No histograma divide-se a srie de dados em classes. O nmero de classes escolhido pode ser a raiz quadrada do nmero de observaes, ficando entre 4 e 20 classes (MONTGOMERY, 1996, p.40). Por exemplo, se forem cem observaes, dividir a srie em 10 classes. No exemplo a seguir, que ser utilizado ao longo do captulo, existem 120 observaes do ganho de amplificadores (dB) (Tabela 6), calculando a raiz quadrada obtiveram-se 10 classes.
Tabela 6 Ganho de amplificadores (dB) 8.1 10.4 8.8 9.7 7.8 9.9 11.7 8 9.3 9 8.2 8.9 10.1 9.4 9.2 7.9 9.5 10.9 7.8 8.3 9.1 8.4 9.6 11.1 7.9 8.5 8.7 7.8 10.5 8.5 11.5 8 7.9 8.3 8.7 10 9.4 9 9.2 10.7 9.3 9.7 8.7 8.2 8.9 8.6 9.5 9.4 8.8 8.3 8.4 9.1 10.1 7.8 8.1 8.8 8 9.2 8.4 7.8 7.9 8.5 9.2 8.7 10.2 7.9 9.8 8.3 9 9.6 9.9 10.6 8.6 9.4 8.8 8.2 10.5 9.7 9.1 8 8.7 9.8 8.5 8.9 9.1 8.4 8.1 9.5 8.7 9.3 8.1 10.1 9.6 8.3 8 9.8 9 8.9 8.1 9.7 Fonte: (The Tools ...,1990)
Depois de determinada o nmero de classes ( k ), o prximo passo determinar o tamanho de cada classe ( h ) e a freqncia de ocorrncia das observaes dentro de cada uma. ( xmax xmin ) + 0,1 k
h=
(3.1)
Substituindo os dados da Tabela 6 ( xmax = 11, 7 , xmin = 7,8 e k = 10 ) na equao (3.1) foi obtido h = 0, 4 .
Na Tabela 7 apresentada a freqncia de ocorrncia dos valores dos amplificadores em cada classe.
53
Tabela 7 Distribuio de freqncia para o ganho de amplificadores Classe Ganho (dB) Freqncia Freqncia acumulada 1 7,8 x < 8,2 24 24 2 8,2 x < 8,6 22 46 3 8,6 x < 9,0 21 67 4 9,0 x < 9,4 17 84 5 9,4 x < 9,8 12 96 6 9,8 x < 10,2 12 108 7 10,2 x < 10,6 5 113 8 10,6 x < 11,0 4 117 9 11,0 x < 11,4 1 118 10 11,4 x < 11.8 2 120
Utilizando os dados calculados na Tabela 7, foi construdo o histograma da Figura 6, onde no eixo x temos o intervalo de cada classe e no eixo y a freqncia de ocorrncia. Observando o histograma percebe-se que existe assimetria positiva nos dados (para a direita).
Histograma dos dados de ganho de Amplificadores (dB) 30 25 Frequncia 20 15 10 5 0 8.2 8.6 9 9.4 9.8 10.2 10.6 11 11.4 11.8 5 4 1 2 24 22 21 17 12 12
A outra forma grfica utilizada o grfico normal de probabilidade, no qual se compara o valor esperado normal e o valor ordenado das observaes, esperando-se uma relao linear entre as duas variveis, quando existir normalidade. Blom (1958) props uma aproximao para calcular o valor esperado normal, que pode ser obtido por meio da equao (3.2), onde i a ordem dos dados observados, e vai de 1 at n , 1
54 a distribuio cumulativa normal inversa. A Figura 7 um exemplo de grfico normal de probabilidade feito com os dados da Tabela 6 (p.52).
i 3 8 mi = 1 n +1 4
Grfico Normal de Probabilidade 4 3 2 1 0 -1 -2 -3 -4 7.5 8.5 9.5 Ganho (dB) 10.5 11.5 Valor Esperado Normal
(3.2)
Nos dois grficos mostrados acima possvel verificar que os dados no seguem a distribuio normal. Existe uma grande assimetria positiva (para a direita). Mas em outros casos no se chega a uma concluso sobre a normalidade dos dados utilizando os grficos, ento se utiliza um teste estatstico, descrito na prxima seo.
A funo de densidade kernel definida pela equao (3.3), onde n o tamanho da amostra, h o parmetro de suavizao, K ( x ) a funo kernel e X i a srie de dados (SILVERMAN, 1986). 1 n x Xi K nh i =1 h
f ( x) =
(3.3)
55
K ( x ) dx = 1
(3.4)
Existem vrias funes que podem ser escolhidas que satisfazem equao (3.4) e a escolhida neste trabalho foi a normal.
1
1 2 x2 K ( x) = e 2
(3.5)
f ( x) =
1 nh 2
e
i =1
(3.6)
Depois de escolhida a funo necessrio definir o nmero de pontos ( M ) e a faixa de valores para x que se quer utilizar para construo do grfico. Os valores de x so calculados da seguinte maneira: X XL xi = X L + i U , M
para i = 0,1,...M 1
(3.7)
O maior valor X U foi calculado usando + 4S da srie de dados X i e o menor valor X L usando 4S . O parmetro h que controla a suavizao da funo de densidade estimada calculado segundo a equao (3.8), onde R amplitude entre quartis (3 quartil 1quartil). Quanto maior o valor de h menor a suavizao da funo (SILVERMAN, 1986). R h = 0,9n 1 5 min S , 1,34
(3.8)
56 Aplicando os procedimentos descritos acima aos dados da Tabela 6 (p. 52), obteve-se: 1,125 = 0,3026 . Este valor encontrado h = 0,9 1201 5 min 0,876; 1,34
aplicado equao (3.6). As duas curvas da Figura 8 mostram como a funo de densidade para os dados de ganho de amplificadores. A curva de linha cheia representa uma normal perfeita, com a mdia e desvio padro estimados pelos dados observados. A curva de linha pontilhada representa a funo de densidade kernel dos dados observados na Tabela 6. Quando no se testa a normalidade, considera-se que os dados seguem a distribuio da curva 1, quando na realidade eles seguem a distribuio da curva 2. Assim como observado nos outros grficos acima, percebe-se que existe uma assimetria dos dados para a direita. A vantagem deste grfico que a visualizao de no normalidade mais evidente que no histograma.
Funo de Densidade Kernel 0.5 0.4 0.3 0.2 0.1 0 4 6 8 Curva Normal 10 FDK 12 14
Existem muitos testes estatsticos para se verificar a normalidade dos dados e basicamente podem ser divididos em trs classes. Testes baseados na assimetria e curtose dos dados, na funo de distribuio emprica (EDF) e regresso. Os testes baseados em assimetria e curtose comparam estatisticamente o valor destes parmetros
57 da distribuio a ser testada, com o valor da distribuio normal, que deve ser de 0 para assimetria e 3 para curtose. Os testes baseados na EDF a comparam com a funo cumulativa normal (CDF). Os testes baseados em regresso comparam estatisticamente a relao entre a distribuio a ser testada com os valores normais esperados de uma distribuio normal. Esta relao deve ser linear, como foi comentado na seo sobre o grfico normal de probabilidade.
Em Seier (2002), foi realizado um estudo comparando os diversos mtodos existentes, e o que se mostrou melhor em detectar no normalidade corretamente, na maioria das situaes, foi o Teste W, criado por (SHAPIRO e WILK, 1965). O estudo realizou uma simulao de Monte Carlo com 50.000 amostras, de tamanho pequeno (20), mdio (50) e grande (100), para diversos casos de no normalidade. Como este teste apresentou o melhor resultado e o mais utilizado na rea de qualidade foi escolhido para ser utilizado neste trabalho. Porm, o teste original s admitia amostras de tamanho no mximo igual a 50, por isto, Royston (1982) fez uma modificao no teste e ampliou o tamanho para 2000. esta verso modificada que ser apresenta a seguir.
O teste W baseado na correlao entre a varivel de estudo e o valor esperado normal, que depende do tamanho da amostra. A varivel y ~ N ( , 2 ) pode ser expressa como y = + x onde x ~ N ( 0,1) . Esta a forma que se utiliza no grfico normal de probabilidade, e quer se testar a linearidade entre y e x . Quanto maior esta correlao, maior a probabilidade de no se rejeitar a normalidade. As duas hipteses neste caso so:
O teste expresso pela equao (3.9), onde y(i ) uma amostra aleatria ordenada em que se quer fazer o teste, y(1) < y(2) < ... < y( n ) .
n ai y( i ) W= 1 n 2 ( yi y )
1
(3.9)
Os coeficientes ai so os melhores coeficientes lineares, no viesados, normalizados tabulados, que dependem do tamanho da amostra. Os procedimentos para o clculo dos coeficientes so descritos abaixo. Primeiro calcular os valores de ai .
i = 2,3,..., n 1 a i =2
n 1
2 i
12
i = 1, i = n,
(3.10)
n 20 n > 20
(3.11)
e
1 [ n + 1] 2 g ( n) = 1 2 n + 1 2
(3.12)
ai =
ai n 2 ai i =1
1 2
(3.13)
Aps o clculo dos coeficientes possvel encontrar o valor de W . Para calcular o nvel de significncia do teste necessrio utilizar uma transformao para normalizao de W (ROYSTON, 1982).
y = (1 W )
(3.14)
z=
(y )
y
(3.15)
Onde z a varivel padro da distribuio normal, y e y so respectivamente a mdia e o desvio padro de y . Para se estimar os valores de , y e y necessrio utilizar os coeficientes do polinmio da Tabela 8 que tm a forma
60
Tabela 8 Coeficientes para
, y e y
-0,0241665 -0,199422 0,1066339 1,558776 0,1773538
para o teste W .
4 0,00879701 -0,03513666 -0,01638782 5 0,002989646 -0,01504614 -0,03215018 0,003852646 6
ln ( y )
Parmetro
Coeficientes 3
ln ( y )
Como exemplo, foram utilizados os dados da Tabela 6. O valor de W encontrado foi de 0,9379 (demonstrado no Apndice A). O tamanho da amostra
n = 120
y = 0,1969
ln ( y ) = 3, 73538 + ( 1, 015807 )( 0, 2125 ) + ... + ( 0, 003852646 )( 0, 2125 ) = -3,5362
6
y = 0,0291
y = (1 W ) = (1 0,9379 )
0,4129
= 0,3175
z=
0, 0291
p = 1 ( 4,1414 ) = 1 0,999982742=1,7257E-05
61 Com este valor de p rejeita-se a hiptese nula de normalidade. Mas se os dados no seguirem a distribuio normal qual procedimento deve ser adotado ento? Este o assunto que ser visto na prxima seo.
Quando os dados no seguem a distribuio normal podem-se adotar dois procedimentos, o primeiro descobrir a qual distribuio de probabilidades os dados pertencem, mediante o teste de aderncia por exemplo, e o segundo, que ser utilizado neste trabalho, a transformao dos dados para a normalidade. No primeiro caso a desvantagem que se devem testar vrias possibilidades, at que se descubra a distribuio adequada (se existir), e a vantagem que quando se sabe qual a distribuio, possvel fazer todas as inferncias estatsticas.
O outro procedimento a transformao dos dados para a normalidade, que pode ser feita utilizando-se funes simples como a raiz quadrada ou o logaritmo, por exemplo. Existe um grande nmero de transformaes possveis, mas na prtica no se sabe qual utilizar, tendo que testar vrias at que se transformem os dados para a normalidade. Alm disto, muitas vezes estas transformaes no conseguem transformar os dados para a distribuio normal. Por isto ser apresentado um mtodo mais geral, que abrange um nmero maior de distribuies, chamado de transformao de Johnson (Johnson, 1949). O mtodo consiste em transformar uma varivel, X , para a distribuio normal padronizada. A transformao inclui trs famlias de distribuio: Sb , Sl e Su . A primeira pertence famlia limitada (o b significa bounded, que em portugus limitado), a segunda a lognormal e a terceira a ilimitada (o u significa unbounded, que em portugus ilimitado). Na Tabela 9 so apresentadas as trs equaes de transformao para a normal padronizada.
62
Tabela 9 Transformaes associadas com as famlias de curvas de Johnson
Famlia de Johnson SB
Transformao
X Z = + ln + X
Z = + ln ( X )
Condies de parmetro
Condio de X
< X < +
X >
SL
SU
X Z = + sinh 1
< X <
A dificuldade desta transformao escolher qual famlia utilizar e estimar os parmetros , , e . Existem dois mtodos para se fazer isto, o primeiro o dos momentos e o segundo o dos percentis. Neste trabalho s ser abordado o segundo mtodo. Slifker e Shapiro (1980) desenvolveram um mtodo para a seleo da famlia e estimao dos parmetros. Os passos para estimao esto descritos abaixo: 1 - Escolher quatro percentis simtricos da distribuio normal, q1 = ( sz ) ,
q2 = ( z ) , q3 = ( z ) e q4 = ( sz ) , onde o valor s utilizado aqui 3. Chou et al.
(1998) realizou um estudo e verificou que faixa do valor de z varia de 0,25(0,01)1,25 para um valor de p 0, 4 no teste W . Portanto so 101 valores de z para serem testados e a escolha pode ser feita de modo que maximize o valor de p do teste W da varivel transformada. Pode-se variar valores menores que 0,01, como por exemplo 0,001, mas sero testados agora 1001 valores. Na falta de um algoritmo para testar todos estes valores, Slifker e Shapiro (1980) sugerem utilizar z = 0,524 . No exemplo abaixo (para os dados da Tabela 6 (p. 52)), o valor utilizado foi z = 0, 6839 (este o valor que maximiza o valor p do teste W ). Obteve-se ento:
63
q1 = ( 3 0, 6839 ) = 0,0201 q2 = ( 0, 6839 ) = 0,2470 q3 = ( 0, 6839 ) = 0,7530 q4 = ( 3 0, 6839 ) = 0,9799
2 - De acordo com os valores encontrados acima, encontrar os valores de j (posio do dado na amostra que representa aquele percentil). Isto pode ser feito utilizando a equao (3.16).
ji = nqi + 0,5
(3.16)
3 - Achar o valor correspondente de xi da distribuio X original (Tabela 6). Como nenhum valor encontrado de ji foi inteiro deve-se interpolar para encontrar os valores de xi .
64
x1 = 7,8 x2 = 8,31 x3 = 9, 6 x4 = 11,13
4 - Quando s = 3 e utilizando a razo de quartil ( QR ) definida na equao (3.17) pode-se identificar qual famlia de Johnson os dados pertencem seguindo os critrios abaixo (SLIFKER e SHAPIRO, 1980). Se X for uma distribuio Sb , ento QR < 1 ; Se X for uma distribuio Sl , ento QR = 1 ; Se X for uma distribuio Su , ento QR > 1 .
QR =
( x4 x3 )( x2 x1 ) 2 ( x3 x2 )
(3.17)
Para os dados calculados no 3 passo foi obtido QR = 0, 4777 . Com este resultado, verificou-se que a distribuio X da famlia Sb .
5 - Depois de definido a que famlia os dados pertencem utilizar as equaes abaixo para estimar o valor dos parmetros desconhecidos. Estas equaes foram encontradas por (Slifker e Shapiro, 1980). Seja xL = x2 x1 , xM = x3 x2 e xU = x4 x3
e para um dado valor de z escolhido possvel estimar , , e .
65 Para a distribuio Sb ,
z
12 1 cosh (1 + xM xU )(1 + xM xL ) 2
1
(3.18)
12 x M xM xM xM 1+ 4 1+ xU xL xL xU = sinh xM 2 2 xL xU 1
(3.19)
x x 2 xM 1 + M 1 + M 2 4 xU xL = 2 xM xL xU 1
12
(3.20)
= x2 + x3 +
1 2
xM ( xM xL xM xU ) 2 ( xM ( xL xU ) 1)
(3.21)
Para distribuio Sl ,
2z ln ( xU xM )
(3.22)
= ln
xM 1 12 ( xU xM )
U
(3.23)
= x2 + x3 xM
1 2
xU xM + 1 xU xM 1
(3.24)
66 Para a distribuio Su ,
2z
1 cosh ( xU xM + xL xM ) 2
1
(3.25)
x x x x ( ) = sinh L M U M 2 2 ( x x x 2 1)1 U L M
1
(3.26)
2 2 xM ( xU xL xM 1)
12 12
xU xL xU xL + 2 + + 2 xM xM xM xM
(3.27)
= x2 + x3 +
1 2
xM ( xL xM xU xM ) ( xU xM + xL xM 2 )
(3.28)
Para os dados calculados do exemplo acima foi obtido: = 0,9543, =0,9602, =4,6482 e =7,6101 X-7,6101 Z = 0,9602+0,9543ln . 4,6482+7,6101-X
funo
de
transformao
Aplicando esta transformao aos dados da Tabela 6, obtiveram-se os resultados (mostrados na tabela do Apndice B) para a construo dos grficos da Figura 9 (p. 67). Nesta figura observa-se que agora os dados seguem a distribuio normal, tanto o histograma, grfico normal de normalidade e a funo de densidade kernel apontam esta situao.
67
Histograma dos dados transformados 30 25 Frequncia 20 15 10 5 0
07 ,5 6 ,5 8 ,0 9 40 90 39 88 37 86 -1 , -1 -0 -0 0, 0, 1, 1, 2, 2,
25 22 22
10
10
10
11 7 1 1
FDK - Dados Transformados de Amplificadores 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 -6 -4 -2 0 2 FDK 4 6 Curva Normal
Figura 9 Histograma, grfico normal de probabilidade e funo de densidade kernel para os dados transformados do ganho de amplificadores.
O valor do teste W foi W = 0,9789 e p = 0, 4120 , mostrando que os dados transformados seguem a distribuio normal. Aps a transformao dos dados possvel utilizar os ndices mostrados nas sees anteriores e isto o que ser visto na prxima seo.
O mtodo que ser descrito aqui foi desenvolvido por Clements (1989) e sua aplicao pode ser encontrada em diversos artigos Spedding e Rawlings (1994), Pearn e Chen (1997), Pan e WU (1997), Tong e Chen (1998), Pearn et. al (1999), Krishnamoorthi e Khatwani (2000), Kotz et. al (2002) e no captulo 5 do livro de Kotz e Lovelace (1998). Considerando os dados de uma distribuio normal com mdia e desvio padro , podem-se fazer as seguintes substituies:
x0,00135 = 3
68
x0,50 = x0,99865 == + 3 x0,99865 x0,00135 = 6
Quando a distribuio no segue a distribuio normal, devem-se encontrar os quatro valores dos percentis de x demonstrados acima e substituir nos ndices de capacidade. Desta maneira ento, os ndices C p e C pk so definidos da seguinte maneira:
LSE LIE x0,99865 x0,00135
C p(q) =
(3.29)
(3.30)
A forma como se encontra os quatro valores de x pode variar, ou por transformao de dados para a normalidade ou encontrando um modelo de distribuio de probabilidades apropriado para os dados em estudo. Por exemplo, Clements (1989) utilizou as curvas de Pearson para encontrar os quatro percentis, mtodo baseado nos valores de assimetria e curtose. Neste trabalho ser utilizada a transformao de Johnson mostrada na seo anterior. Como exemplo, para os dados da Tabela 6 (p. 52) o
LSE = 12, 2 dB e LIE = 7, 75 dB . Para encontrar os quatro percentis deve-se isolar X
em funo de Z nas equaes da Tabela 9 (p. 62) e substituir Z por 0 ( x0,50 ), 3 ( x0,99865 ) e -3 ( x0,00135 ). As equaes so:
69
Z
X=
( + ) +
Z 1 + e
famlia Sb
(3.31)
Z X = sinh
Z
famlia Su
(3.32)
X =e
famlia Sl
(3.33)
Ento, substituindo estes valores nas equaes (3.29) e (3.30), obtive-se: 12, 20 7, 75 = 1,089 11, 77 7,98
C p( q ) =
Se a normalidade no tivesse sido testada e, portanto, no se fazendo a transformao dos dados, os ndices calculados seriam: 12, 2 7, 75 = 0,8466 6 0,8760
Cp =
70 Quando se transformou os dados e foram aplicados os ndices, o nmero de defeituosos estimado foi de 2456 ppm . J quando no se considerou a possibilidade de no normalidade o nmero de defeituosos estimado foi de 69969 ppm . Portanto, correse o risco, neste caso, de considerar o processo pior do que ele na realidade, quando no considerada a hiptese de no normalidade.
Alguns problemas podem ser encontrados quando os dados no so normais e se utiliza a transformao de Johnson. So apontados por Kotz e Lovelace (1998, p. 145):
- o mtodo dos momentos e mtodo dos percentis no permite estimar a variabilidade e vis nos ndices estimados, no sendo possvel calcular intervalos de confiana.
- Nem todas as distribuies de dados podem ser descritas pelas famlias de curvas de Johnson.
Ainda no existem solues encontradas at o momento para o primeiro problema apontado. Em Tong e Chen (1998) proposto um mtodo para o clculo do limite inferior de confiana, mas exige uma amostra muito grande (>740) no sendo prtica sua utilizao. Para o segundo problema, podem-se utilizar os diversos ndices que foram criados para lidar com a no normalidade, um resumo pode ser encontrado em Kotz e Lovelace (1998), captulo 4. Mais recentemente foi desenvolvido um ndice que tambm trabalha com distribuies no normais e tambm calcula o nmero de no conformes produzidos (Chen e Ding, 2001).
Assim como a no-normalidade, outro problema comum que ocorre nos dados a autocorrelao. As causas para esta ocorrncia geralmente esto associadas a
71 processos de amostragem (em que o intervalo entre as amostras pequeno), desgaste de ferramentas e variveis cclicas como temperatura, por exemplo. Os principais problemas encontrados na estimao dos ndices so apontados em Jagadeesh e Subash (1994) e Shore (1997) e, basicamente, esto relacionados estimao do desvio padro. Quando os dados so autocorrelacionados positivamente existe um vis na estimao do desvio padro, ele subestimado. O valor esperado da varincia na presena de autocorrelao : n n n 1 E (S2 ) = aij aik Cov ( x j , xk ) ( n 1) n 2 i =1 j =1 k =1 onde Cov ( xi , x j ) a covarincia das observaes entre x j e xk e
(3.34)
n 1, aij = 1,
j =1 j 1
(3.35).
Em grficos de controle isto causa um nmero maior de alarmes falsos (os limites do grfico iro ficar mais apertados). Nos ndices de capacidade ocorrer uma superestimao, o processo parecer ser melhor do que realmente . Na seo 3.5.1 ser apresentado como medir e um teste estatstico para a autocorrelao e na seo 3.5.2 uma soluo para este problema.
3.5.1 Teste estatstico para a autocorrelao A funo de autocorrelao pode ser medida segundo a equao (3.36), que correlao de xt com xt k (sendo k o nmero de perodos passados).
72
rk =
t = k +1
( x x )( x
t n t =1 t
t k
x) (3.36)
( x x )
Um teste estatstico para verificar se o coeficiente de autocorrelao estimado significativamente diferente de zero o de Ljung e Box (1978).
Q = n ( n + 2 ) ( n k ) rk2
1
k =1
(3.37)
H 0 : os dados no so autocorrelacionados H1 : os dados so autocorrelacionados O valor de Q distribudo segundo a distribuio 2 com ( h m ) graus de liberdade, onde h o valor mximo de atrasos escolhido e m o nmero de parmetros estimados de um modelo de srie temporal. Nos grficos de controle de Shewhart considerado que o processo tenha o seguinte modelo de srie temporal:
xt = + et t = 1, 2...
(3.38)
O valor da mdia estimado com amostras retiradas do processo e o resduo et deve ser
et ~ N ( 0, e2 ) . Portanto, para o modelo de Shewhart, o valor de m 1.
Depois de realizar o teste descrito acima e se verificar a existncia de autocorrelao necessrio utilizao de um modelo autoregressivo de srie temporal para eliminar a autocorrelao nos resduos, este tpico ser visto na prxima seo. Antes ser apresentado um exemplo numrico para a aplicao dos conceitos vistos
73 acima. Este exemplo ser utilizado ao longo desta seo e foi realizado com os dados do dimetro de um furo em uma pea. Os dados foram coletados em 10 subgrupos de 5 unidades cada e so apresentados na Tabela 10.
Tabela 10 Dimetro de eixos de uma pea Subgrupo Dimetro do furo em milmetros 1 50 2 43 3 46 4 52 5 52 6 46 7 42 8 50 9 49 10 52 Fonte: Shore (1997) 51 42 50 50 46 42 43 51 50 50 50.5 45 52 49 42 44 42 52 49.5 48 49 47 52.5 54 43 43 45 54 51 49.5 50 49 51 51 45 46 49 51 50 49
Calculando a funo de autocorrelao (equao (3.36)) para k = 10 e aplicando o teste de Q* (equao (3.37)) foram obtidos os resultados apresentados na Tabela 11.
74
Tabela 11 Funo autocorrelao e teste de Ljung-Box para os dados de dimetros do furo de uma pea
k (atraso)
1 2 3 4 5 6 7 8 9 10
rk
0.741 0.540 0.337 0.236 0.129 -0.021 -0.086 -0.206 -0.207 -0.308
Q*
29.113 44.898 51.199 54.337 55.299 55.325 55.771 58.408 61.124 67.271
p
0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
3.5.2 Soluo para o problema de autocorrelao A soluo para o problema de autocorrelao utilizar modelos autoregressivos, demonstrados na equao (3.39), onde pode ser estimado pela minimizao da soma dos erros quadrticos. O modelo apresentado de ordem k , pois a varivel independente est k perodos atrasada em relao a varivel dependente.
xt = + 1 xt 1 + 2 xt 2 + ...k xt k + et
(3.39)
Para os dados da Tabela 10, aplicando o modelo da equao (3.39) obteve-se a equao (3.40). Este modelo autoregressivo de ordem 2, com os resultados da regresso apresentados na Tabela 12 e a funo de autocorrelao na Tabela 13.
xt = 12, 437 + 0,741xt 1
(3.40)
75
Tabela 12 Resultados do modelo autoregressivo para os dados de dimetros do furo de uma pea. Varivel
p 0.0111 0.0000
xt 1 R 2 Rajustado
S.E regresso Soma dos quadrados dos resduos
2
Tabela 13 - Funo de autocorrelao e teste de Ljung-Box para os resduos do modelo autoregressivo dos dados de dimetros do furo de uma pea
k (atraso)
1 2 3 4 5 6 7 8 9 10
rk
0.004 0.085 -0.114 0.033 0.140 -0.129 0.074 -0.238 0.127 -0.155
Q*
0.0007 0.3825 1.0905 1.1506 2.2650 3.2331 3.5606 7.0233 8.0252 9.5733
p
0.979 0.826 0.779 0.886 0.811 0.779 0.829 0.534 0.532 0.479
Observa-se que agora os resduos do modelo no apresentam autocorrelao (Tabela 13). Depois de aplicado o modelo, e se os resduos apresentarem a forma et ~ N ( 0, e2 ) , utiliz-los nos grficos de controle para monitorar a estabilidade do processo.
No caso da estimao da capacidade de processo, deve-se estimar a mdia e o desvio padro de xt do modelo da equao (3.39) (SHORE, 1997). Para esta situao, a estimao do desvio padro :
(3.41)
76 Calculando para os dados da Tabela 10 utilizando a equao (3.40) encontrada a partir do modelo da equao (3.39) e dos dados de autocorrelao da Tabela 11 obtevese:
2.385060
(1 0, 74 0, 74 )
12
= 12, 7
Agora, com este valor estimado, podem-se utilizar os ndices de capacidade C p e C pk de forma correta. Se o desvio padro dos dados da Tabela 10 fosse estimado por S o valor seria S = 3,54, um valor bem abaixo do encontrado acima. Os valores dos ndices estimados desta maneira so menores que os estimados sem que se considere a autocorrelao, mas um retrato mais fiel do percentual de defeituosos produzidos.
Neste captulo foi apresentado como se calcular os ndices de capacidade de processo para dados no normais e autocorrelacinados. No caso de no normalidade ainda existem muitas dificuldades tericas, principalmente quando se transformam os dados para a normalidade. Em grficos de controle pode-se trabalhar com os dados transformados sem nenhuma restrio enquanto os dados pertencerem quela populao que gerou a funo de transformao. Se por algum motivo os dados coletados pertencerem outra populao a funo de transformao utilizada no mais vlida.
Quando aplicada a transformao no clculo de ndices de capacidade de processo no possvel trabalhar com os dados transformados, necessrio que eles estejam na sua escala original. Esta necessidade se deve ao fato de no se poder transformar os limites de especificao na funo encontrada, pois no existe nenhuma relao entre os limites e a populao de dados que gerou a transformao. Se fosse
77 utilizado os dados transformados poder-se-ia calcular os intervalos de confiana para a mdia e desvio padro, assim como feito para os grficos de controle, e aplicar nos ndices estimados.
No caso de dados autocorrelacionados a dificuldade a de se estimar o desvio padro corretamente, pois precisa-se estimar primeiro os parmetros de um modelo autoregressivo, calcular o desvio padro dos resduos e depois aplicar a equao (3.41). Mas os resultados obtidos so mais prximos da realidade do que se no tomar estas medidas.
78
4 MODELOS DE ANLISE DA CAPACIDADE DE PROCESSOS
Neste captulo sero apresentados dois modelos de anlise da capacidade de processos, um deles (modelo 1) para quando os dados seguem a distribuio normal e so independentes e outro (modelo 2) para dados no normais e/ou autocorrelacionados. Estes modelos se baseiam nas revises tericas apresentadas nos captulos 2 e 3. A diferena entre um e outro que no primeiro podem-se aplicar intervalos de confiana para a estimao dos ndices e consequentemente determinar o tamanho de amostras necessrias e fazer teste de hiptese. No segundo necessrio aplicar os conceitos do captulo 3, transformao de dados no caso de no normalidade e modelos autoregressivos no caso de autocorrelao, porm no possvel calcular intervalos de confiana para os ndices.
4.1 Modelo da anlise da capacidade de processos para dados normais e independentes (Modelo 1)
Quando as condies de normalidade e independncia so satisfeitas pode-se aplicar o modelo 1 da Figura 11. Neste modelo so quatro as variveis que se podem modificar na anlise da capacidade de processos. So elas: o tamanho das amostras, o valor do ndice estimado, o intervalo de confiana desejado e o valor escolhido como capacidade alvo. Sero exploradas vrias situaes que a empresa pode se encontrar e como atuar sobre cada varivel. As situaes que a empresa pode se encontrar so:
Soluo 1: realizar modificaes no processo. Ajuste da mdia do processo ao alvo e reduo da variabilidade. Geralmente os custos com a reduo da variabilidade so maiores que os do ajuste da mdia do processo ao alvo. Portanto, primeiro se faz o
79 ajuste da mdia do processo em relao ao alvo e, depois, se tenta reduzir a variabilidade. Soluo 2: reduzir o valor especificado como alvo. Quando no se podem realizar modificaes no processo, rever se o especificado como alvo no est muito alm das reais capacidades da empresa. Outra opo rever os limites de especificao de projeto e adequ-los realidade do processo.
Situao2: O ndice estimado maior que o estabelecido como alvo. Dentro desta
Situao 2.1 O intervalo de confiana escolhido maior que o desejado. Propicia a possibilidade da reduo do tamanho das amostras, com conseqentes redues de custo.
est diminuindo o risco de concluir que o processo capaz, quando na realidade ele incapaz. Deve-se avaliar qual o custo de amostragem em relao ao risco que se quer correr.
o Soluo 2: na impossibilidade de aumentar o tamanho das amostras, realizar
modificaes no processo para aumentar o valor estimado do ndice. Se as modificaes realizadas resultarem em um ndice estimado maior, a empresa est diminuindo o risco de concluir que o processo capaz, quando na realidade ele incapaz. Deve-se avaliar qual o custo das modificaes em relao ao risco que se quer correr.
o Soluo 3: na impossibilidade de aumentar o tamanho das amostras e de se
80 Com esta medida a empresa est correndo um risco maior de concluir que o processo capaz, quando na realidade ele incapaz.
modificar o processo e reduzir o valor do intervalo de confiana escolhido, rever se o especificado como capacidade alvo no est muito alm das reais capacidades da empresa. Ou rever os limites de especificao de projeto.
Definidas as situaes em que empresa pode se encontrar so apresentadas as etapas do modelo da Figura 11:
O processo a ser avaliado deve ser aquele que produza produtos com caractersticas consideradas fundamenteis para a empresa.
A diferena do estudo de mquina e processo, que no primeiro tenta-se isolar todas as fontes de variao do processo, deixando apenas a variabilidade da mquina. Troca de ferramentas, troca de operadores, e outras variveis que esto presentes no processo produtivo no so feitas neste tipo de estudo. Alm disto, so retiradas peas consecutivas da mquina. Quando o estudo de processo quer se medir toda a variabilidade presente, ento as amostras so espaadas ao longo de um dia de produo por exemplo, para que a troca de turno, temperatura e outras variveis influenciam nos resultados obtidos. Como se realizar um estudo da capacidade de mquinas pode ser encontrado em (Roth II, 2003).
81 A empresa deve ter todos os seus instrumentos de medio calibrados e a sua escala deve ser adequada grandeza que se quer medir. Os efeitos do erro de medio na avaliao da capacidade podem ser encontrados Kotz e Lovelace (1998, p. 238).
Esta escolha pode ser feita por contrato entre cliente-fornecedor, de referncia do setor onde a empresa trabalha ou de estudos anteriores sobre capacidade. Quando a empresa est iniciando o estudo da capacidade de processos pode escolher o valor por benchmarketing de outras do mesmo setor ou da literatura existente. Com o passar do tempo a empresa reavalia se o valor escolhido vivel ou no de ser atingido.
Para se conduzir o estudo recomendado que as amostras sejam de pelo menos 100 unidades. Na prtica isto pode ser invivel, mas deve-se em um primeiro momento escolher o maior nmero de amostras possveis. Dependendo do valor estimado e do intervalo de confiana escolhido este nmero pode ser reduzido em estudos futuros.
O valor alvo de capacidade largamente indicado na literatura, como sendo por exemplo 1,33. J na escolha de intervalos de confiana no existem ainda recomendaes quanto a um valor. Recomenda-se utilizar pelo menos 95%, com este valor corre-se apenas 5% de chance de concluir que o processo capaz incorretamente.
7. Coletar amostras
82 Deve ocorrer na presena de toda a variabilidade possvel, mudanas de turno, ferramentas, matria prima entre outras. Desta forma a avaliao do processo ser a mais fiel possvel da realidade.
Nesta etapa utilizar os mtodos grficos e o teste de normalidade apresentados seo 3.2 (p. 51).
Nesta etapa utilizar os grficos de controle apresentados na seo 2.2 (p. 27).
10.
Estimar ndice
A estimao dos ndices deve ser feita de acordo com o que foi revisado na seo 2.3.
11.
83
Definir se o estudo de mquina ou processo
Coletar amostras
No
Aplicar modelo 2
No
O processo estatisticamente estvel? Sim Sim Estimar ndice possvel aumentar o tamanho da amostra SIm No
No
No
Sim
Figura 11 Modelo de anlise da capacidade de processos para dados normais e independentes (modelo 1)
Observando o modelo da Figura 11, percebe-se que ele tem um incio mas no tem um fim, a avaliao da capacidade contnua. muito mais confivel a estimao
84 de vrios ndices em vrios momentos diferentes, do que apenas em um. Os dados coletados para verificar a estabilidade do processo esto disponveis e podem ser utilizados na estimao dos ndices. Enquanto o processo for estvel o valor estimado entre um e outro deve ser muito prximo, dentro do intervalo de confiana, mas quando o processo no est sob controle estatstico o resultado ir ser diferente. Esta idia pretende diminuir as chances de manipulao de dados (tentar estimar os ndices at que se obtenha o valor desejado) e serve para guardar um histrico da capacidade do processo ao longo do tempo.
4.2 Modelo da anlise da capacidade de processos para dados no normais e autocorrelacionados (Modelo 2)
Quando as condies de normalidade e independncia no so satisfeitas deve-se aplicar o modelo 2 da Figura 12. Neste modelo necessrio realizar transformaes na varivel de estudo, no caso de no normalidade a transformao de Johnson e para a autocorrelao aplicar o modelo autorregressivo. A restrio deste modelo a no aplicao de intervalos de confiana para os ndices estimados. Os passos para a aplicao do modelo so parecidos com o modelo anterior. As etapas de 1 a 5 so as mesmas, o que difere da 6 em diante.
85
Definir o processo a ser analisado
Definir se o estudo de mquina ou processo O processo capaz? Sim Garantir o sistema de medio
No
Modificar processo
No Escolher o plano de amostragem Estimar os ndices de capacidade Sim O processo estatisticamente estvel ?
Coletar dados
No
Os dados so normais ?
No
Os dados so autocorrelacionados?
Sim
Sim
Os dados so autocorrelacionados?
No
Aplicar o modelo 1
Sim
Figura 12 Modelo da anlise da capacidade de processos para dados no normais e autocorrelacionados (Modelo 2)
Estes dois modelos apresentados neste captulo sero aplicados em uma empresa do setor automotivo de Santa Catarina, os processos analisados em questo foram o de usinagem de peas onde se mediu o dimetro interno (processo 1) e a distncia entre faces (processo 2). Foi necessria a utilizao destes dois modelos para estimao da capacidade de processos.
86
5 APLICAO DO MODELO EM UMA FBRICA DO SETOR AUTOMOTIVO.
Neste captulo sero aplicados os modelos apresentados no Captulo 4 em uma empresa do setor automotivo de Santa Catarina. A empresa em questo uma fornecedora de peas para montadoras de automveis como Audi, Ford e Renaut. Neste setor o fornecedor tem que garantir a capacidade do processo para os clientes com valores fixados em contrato. Por isto de fundamental importncia que capacidade avaliada represente a realidade o mais fielmente possvel. Este estudo serve tanto para fornecedores que desejam melhorar o desempenho de seus processos quanto para os clientes que querem avaliar seus fornecedores.
O estudo analisou o processo de usinagem de duas linhas de produtos diferentes e por pedido da empresa a descrio destes no ser apresentada aqui. As definies das etapas 1 a 7 dos do modelo 1 ficaram a cargo da empresa, pois no fazem parte do escopo deste trabalho definir qual o processo a ser analisado, definir se o estudo de mquina ou processo, garantir o sistema de medio, escolher a capacidade alvo do processo, escolher o tamanho da amostra, escolher o intervalo de confiana e a coleta de amostras. Alm disto, os processos precisavam ser estveis para que a avaliao fosse realizada, portanto na poca do estudo, novembro de 2004, eles apresentaram estabilidade. Isto por que no foi objetivo do trabalho estabilizar processos produtivos, mas apenas analisar capacidade de processos e propor modificaes quando necessrio. A seguir apresentado o estudo em cada processo.
87
5.1 Processo 1 Caracterstica avaliada: dimetro interno
O processo em questo o de usinagem de peas e a caracterstica medida o dimetro interno (mm). Esta medida de dimetro definida pelo cliente.
O estudo de processo.
Foi considerado que o sistema de medio da empresa perfeito. Neste setor geralmente as empresas do setor possuem um bom sistema.
O valor da capacidade alvo definido em contrato entre o fornecedor e o cliente. Os valores so C p = 1,33 , C pk = 1,33 , Pp = 1, 67 e Ppk = 1, 67 . Como discutido na seo 2.3.3 (pg. 35) em processos estveis esta diferena de valores no fazem o menor sentido, j que C p = Pp e C pk = Ppk . Portanto, o valor adotado como alvo neste estudo foi 1,33, equivalente a 66 ppm .
Quando a empresa quer avaliar a sua capacidade, retira uma amostra de cada dez produzidas, em um total de trinta amostras. O valor destas amostras apresentado na tabela 1C do apndice C.
A empresa atualmente no trabalha com a metodologia de encontrar intervalos de confiana para os seus ndices estimados. Para este estudo se escolheu o valor inicial de confiana de 95% tanto para C p quanto para C pk .
7. Coletar amostras
A empresa j pratica o controle de qualidade a bastante tempo e domina a tcnica de coleta de amostras.
Utilizar os passos descritos no captulo 3 das sees (3.2 e 3.5.1). Os grficos gerados para visualizar se os dados so normais encontrados foram:
Grfico Normal de Probabilidade - Processo 1 3 2.5 2 1.5 1 0.5 0 -0.5 -1 -1.5 -2 -2.5 7.98
7.982
7.984
7.986
7.988
7.99
7.992
7.975
- 3s
7.985
Alvo
7.98
7.99
+ 3s
LSE
7.995
8.005
Funo estimada
89 O teste W apresentou o resultado W = 0,9526 e p = 0,2306 levando a no rejeio da hiptese nula de normalidade. A Figura 13 tambm demonstra este resultado.
O teste de autocorrelao apresentado na Tabela 14 e apresenta autocorrelao significativa nos quatro primeiros perodos.
k (atraso)
1 2 3 4 5 6 7
rk
0.489 0.241 -0.032 -0.167 0.038 0.046 0.216
Q
7.9224 9.9102 9.9472 10.975 11.03 11.115 13.06
p
0.005 0.007 0.019 0.027 0.051 0.085 0.071
Como existe autocorrelao nos dados, aplicar os procedimentos descritos na seo 3.5.2 (p. 74). O modelo encontrado foi xt = 4, 059 + 0, 4916 xt 1 . Os resduos resultantes do modelo foram normalmente distribudos e no apresentaram autocorrelao (Apndice D).
10.
As amostras do processo so de tamanho igual a um, portanto os grficos utilizados foram o de amplitude mvel e medidas individuais. A aplicao dos grficos pode ser verificada na Figura 14, que contm tanto os dados originais quanto os resduos do modelo autoregressivo. Quando no considerada a autocorrelao, aparentemente o processo se mostrou fora do controle estatstico, pois no grfico da mdia existe um ponto fora dos limites de controle e as observaes 16 e 17 esto alm de dois desvios padro. Mas quando aplicado o grfico de controle nos resduos o processo se mostrou estvel, tanto na variabilidade quanto na tendncia central.
90
Grficos de controle dos dados originais
Grfico da Amplitude - Processo 1 0.007 0.006 0.005 0.004 0.003 0.002 0.001 0 1 6 11 16 21 26 0.008 0.007 0.006 0.005 0.004 0.003 0.002 0.001 0 1 6 11 16 21 26
Grfico da Mdia - Processo 1 7.992 7.99 7.988 7.986 7.984 7.982 7.98 7.978 1 6 11 16 21 26 0.00800 0.00600 0.00400 0.00200 0.00000 -0.00200 -0.00400 -0.00600 -0.00800
11
16
21
26
11.
Estimar ndice
O alvo, limite superior e inferior de especificao, mdia e desvio padro para esta pea so:
Alvo = 7,988 , LSE = 8,001 , LIE = 7,976 , x = 7,985 e S = 0,002 . Todas as medidas
esto em mm.
Como o processo autocorrelacionado, o valor do desvio padro deve ser corrigido de acordo com o explicado na seo 3.5.2. O desvio padro encontrado foi:
O valor dos ndices estimados e o percentual de defeituosos produzidos para as duas situaes, considerando e no considerando autocorrelao, apresentado na Tabela 15.
91
Tabela 15 Estimao dos ndices de capacidade do processo 1 Sem considerar autocorrelao Considerando autocorrelao C = 1,90 e C = 1,38 C = 1,88 e C = 1,35
p pk p pk
A autocorrelao pouco afetou a estimao dos ndices, o seu principal impacto aconteceu na verificao da estabilidade do processo. Como comentado no captulo 3 aumenta o nmero de alarmes falso. Para aplicar a utilizao de intervalos de confiana foi desconsiderada a autocorrelao para estimao da mdia e desvio padro.
12.
A empresa se encontra na situao 2 (p. 79), ndice estimado maior que o estabelecido como alvo, mas o intervalo de confiana escolhido menor que o desejado.
Aplicando as equaes (2.38) e (2.42) os intervalos inferiores de confiana encontrados foram de 99,03% para C p e 60.20% para C pk . Valores abaixo do que foi especificado. Para atingir o resultado de 95% podem-se aplicar as solues apresentadas na seo 4.1. A primeira seria aumentar o tamanho das amostras, mas para o valor estimado de C pk = 1,38 seriam necessrias 1275, um valor muito elevado. A segunda realizar modificao no processo. Neste caso a mdia do processo est deslocada em relao ao alvo (Figura 13,p. 88), seria necessrio um deslocamento da mdia do processo em + 0,003 (mm) para centrar o processo. Com este procedimento C p = C pk = 1,90 e o intervalo de confiana para C pk ser de 98,80%. A terceira soluo no fazer nenhuma modificao e ficar com um intervalo de confiana de 60,20%. Porm nesta
92 situao corre-se o risco de considerar o processo capaz em 39,80%, quando na realidade ele no . A quarta soluo reavaliar o valor de capacidade de processo escolhido como alvo. Para 95% de intervalo de confiana e um valor estimado de C pk = 1,38 o valor alvo dever ser de 1,07, equivalente a 1339 ppm .
Para a escolha de alguma das solues apontadas devem-se analisar os custos envolvida com cada uma. A recomendada a soluo 2, modificar o processo, pois centrar o processo no alvo no muito oneroso, ao mesmo tempo em que se est melhorando o processo.
O processo em questo o de usinagem de peas e a caracterstica medida a distncia entre faces (mm). Esta medida de distncia definida pelo cliente. As etapas 2, 3 e 4 so as mesmas do processo anterior.
Foram retiradas 130 amostras consecutivas do processo para avaliar a capacidade. O valor destas amostras apresentado na tabela 2C do apndice C. As etapas 6 e 7 so as mesmas do processo anterior.
93 Utilizar os passos descritos no captulo 3 das sees (3.2 e 3.5.1). O teste W apresentou o resultado W = 0,9260 e p = 7,04E-08 levando a rejeio da hiptese nula de normalidade.
Aplicando a transformao de Johnson (seo3.3, pg. 61) foi obtida a seguinte equao
de transformao: para um z = 0, 7 a famlia foi Su , QR = 1, 601 , = 1,042 , = 1,688 ,
= 0,114 e = 122,421 . A tabela 3D com os resultados da transformao apresentada no apndice D. X 122, 421 Z = 1, 042 + 1, 688sinh 1 0,144 Para esta funo de transformao o teste W apresentou o resultado W = 0,9899 e
10.
Testar autocorrelao.
O teste de autocorreo apresentado na Tabela 16 e apresenta uma correlao significativa no primeiro perodo.
Tabela 16 Teste de autocorrelao para os dados transformados do processo 2
k (atraso)
1 2 3 4 5 6 7
rk
0,419 0,365 0,232 0,172 0,064 0,056 0,076
Q
23,33 41,16 48,44 52,46 53,03 53,46 54,27
p
0,000 0,000 0,000 0,000 0,000 0,000 0,000
94
Dados originais
Grfico Normal de Probabilidade - Processo 2 3 2 1 0 -1 -2 -3 -4 -5 -6 121,6
121,8
122
122,2
122,4
122,6
X0.00135
121,8
0 121,6
LIE
X0.50
122 122,2
Alvo
X0.99865
122,6 FDK 122,8
LSE
122,4
123
Dados transformados
Grfico normal de probalidade dos dados transformados - Processo 2 3 2 1 0 -1 -2 -3 -4 -4 -3 -2 -1 0 1 2 3
FDK dos dados tranformados (Processo 2) 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 -6 -4 -2 0 2 FDK 4 6 Curva Terica Normal
Figura 15 Grfico normal de probabilidade e FDK dos dados originais e transformados do processo 2
95
11.
Como existe autocorrelao nos dados transformados, aplicar os procedimentos descritos na seo 3.5.2. O modelo encontrado foi xt = 0,5015 xt 1 . Os resduos resultantes do modelo foram normalmente distribudos e no apresentaram autocorrelao.
12.
As amostras do processo so de tamanho igual a um, portanto os grficos utilizados foram o de amplitude mvel e medidas individuais. A aplicao dos grficos pode ser verificada na Figura 16, que contm tanto os dados originais quanto os resduos do modelo autoregressivo. Quando no considerada a autocorrelao, aparentemente o processo se mostrou fora do controle estatstico, com vrios pontos fora dos limites de controle, tanto no grfico da mdia quanto no da amplitude. Com a transformao dos dados e a aplicao do modelo autoregressivo, o processo na verdade se mostrou estvel, com apenas um ponto fora dos limites de controle no grfico da amplitude, porm com a transformao de varivel fica difcil determinar uma causa especial.
96
Grfico da mdia dos dados originais (Processo 2) 3 122,6 122,5 122,4 122,3 122,2 122,1 122 121,9 121,8 121,7 1 51 101 2 1 0 -1 -2 -3 1
21
41
61
81
101
121
13.
Estimar ndice
Para se estimar os ndices nestas condies preciso aplicar as tcnicas vistas na seo 3.4. Os valores encontrados de x foram:
x0,00135 = 121,8020 x0,50 = 122,3462555 x0,99865 = 122,5848087
Com estes valores encontrados dos percentis o valor dos ndices estimados so os apresentados na Tabela 17.
97
Tabela 17 Estimao dos ndices de capacidade do processo 2
Observando a Tabela 17 percebe-se que a estimao dos ndices de capacidade sem se considerar a no normalidade dos dados causou um grande vis. Neste caso o processo era considerado muito melhor do a realidade. A diferena de defeituosos produzidos muito diferente do que encontrado na realidade, de 1,6 ppm para 4272 ppm. isto que se observa a Figura 15, o limite inferior de especificao est acima est do percentil
x0,00135 .
14.
Modificar o processo.
Neste caso o processo incapaz, e modificaes no processo so necessrias. Se a mediana do processo for deslocada em + 0,229 mm o processo reduzir a produo de defeituosos para 99 ppm. Este apenas o ajuste na tendncia central do processo. Se a empresa realmente quer ter o processo capaz com 1,33, dever reduzir tambm a variabilidade.
Para finalizar a apresentao deste trabalho no prximo captulo sero apresentadas as concluses, se os objetivos apresentados no captulo 1 foram alcanados e quais as foram as dificuldades encontradas.
98
6 CONCLUSES
O objetivo principal deste trabalho, que foi a criao de modelos para a avaliao da capacidade de processos foi atingindo, a medida que estes foram aplicados com sucesso em um estudo de caso real em uma empresa do setor automotivo. Nos dois processos analisados os dois modelos conseguiram lidar com situaes que no so consideradas ideais para a estimao de ndices de capacidade de processos, autocorrelao e no normalidade. O modelo 1, para dados normais e independentes, se adequou ao processo 1, enquanto que o modelo 2, para dados no normais e autocorrelacionado, ao processo 2. Nos dois processos analisados acredita-se que se tenha chagado a uma avaliao da capacidade mais prxima da realidade quando foram considerados aspectos tericos que geralmente as empresas ignoram. Estes aspectos ignorados estimulam a descrena na utilizao dos ndices e da estatstica.
Por isto, foi realizada uma pesquisa bibliogrfica a fim de se conhecer e organizar este contedo terico em dois captulos (2 e 3) desta dissertao. Nesta reviso da literatura foram abordados assuntos como: estimao de ndices de capacidade, intervalos de confiana para estes ndices, uso dos ndices para dados no normais, uso dos ndices para dados autocorrelacionados. Toda reviso terica feita com exemplos numricos serviram de base para a construo dos modelos e a aplicao em um estudo de caso.
No processo 1 os dados eram normais, porm apresentaram autocorrelao. Para resolver este problema utilizaram-se modelos autoregressivos, e se trabalhou com os resduos deste modelo. Esta autocorrelao afetou muito mais o monitoramento da estabilidade do processo do que a estimao da capacidade do processo. Sem considerla o processo parecia ser instvel, mas quando utilizado os resduos do modelo
99 verificou-se a estabilidade. Os valores estimados dos ndices pouco se alteraram com a autocorrelao, fato este inesperado, pois a principio se achava que eles seriam superestimados.
O valor estimado dos ndices para este processo estavam acima do firmado em contrato, mas a confiana sob o valor calculado foi abaixo da estabelecida, que era de 95%, enquanto que o valor encontrado foi de 60%. Isto quer dizer que existe 40 % de chance de se concluir incorretamente que o processo capaz. Para resolver este problema foram sugeridas vrias solues, que incluam a possibilidade de mudanas no processo, aumento do tamanho das amostras e at mesmo a reavaliao do valor escolhido como alvo.
No processo 2 os dados apresentaram no normalidade e foi necessria a transformao dos dados para utilizao dos grficos de controle e estimao da capacidade. Esta estimao apresentou resultados muito diferentes, quando considerada e no considerada a normalidade. O processo parecia ser melhor do que na realidade era. A situao do processo 2 foi mais grave que a do processo 1, pois o processo se mostrou incapaz, de acordo com o que foi definido Cp = 1,33 e Cpk = 1,33, por isto, foram sugeridas mudana, que em conjunto com a experincia dos funcionrios, podem resultar em melhorias para o processo.
As dificuldades encontradas na aplicao dos modelos se deram na medida em que muitas tcnicas utilizadas exigem a utilizao de recursos computacionais, dificultando a implantao das tcnicas no cho de fabrica.. Alm disto, alguns problemas tericos encontrados ainda no foram resolvidos ou no fizeram parte do escopo deste trabalho e ficam como sugestes para trabalhos futuros.
Aplicar o estudo da capacidade de processos para dados discretos. Aplicar o estudo da capacidade de processo para dados multivariados
Encontrar intervalos de confiana para dados no normais. Incluir os erros de medio na estimao dos ndices de capacidade
Criar um modelo de custos para auxiliar na tomada de decises, quando se tem que fazer modificaes no processo.
101
REFERNCIA BIBLIOGRFICA
AIAG. Statistical Process Control Reference Manual. Automotive Industry Action Group, Southfield, ML, 1995. BLOM, G. Statistical Estimates and Transformed Beta-variables. New York: Wiley, 1958. 69-71 p. BOYLES, R. A. The Taguchi Capability Index. Journal of Quality Technology, vol. 21, n 1, p. 17-26, 1991. CHEN, J. P.; DING C. G. A new process capability index for non-normal distributions. The International Journal of Quality & Reliability Management, v. 18, n 6/7, p. 162-170, 2001. CHOU, Y. M.; POLANSKY, A. M.; MASON, R. L. Transforming Non-Normal Data to Normality in Statistical Process Control. Journal of Quality Technology, v. 30, n 2, p. 133-141, 1998. CLEMENTS, J. A. Process Capability Calculations for Non-Normal Distributions. Quality Progress, 22, p. 95-100, 1989. DELERYD, M. On The Gap between Theory and Practice of Process Capability Studies. International Journal of Quality & Reliability Management, v. 15, n 2, p. 178-191, 1998. DELERYD, M. A Pragmatic View on Process Capability Studies. International Journal of Production Economics, n 58, p. 319-330, 1999a. DELERYD, M. The Effect of Skewness on Estimates of Some Process Capability Indices. International Journal of Applied Quality Management, v. 2, n 2, p. 153-186, 1999b. FRANKLIN, L. A.; WASSERMAN, G. S. A Note on Conservative Nature of The Tables Of Lower Confidence Limits For Cpk With A Suggested Correction. Communications in Statistics: Simulation and Computation, vol. 21, n 4, p. 1165-1169, 1992. FRANKLIN, L. A. Sample size determination for lower confidence limits for estimating process capability indices. Computers & Industrial Engineering, 36, p.603-614, 1999.
102 HEAVLIN, W. D. Statistical properties of capability indices. Thechnical repot n 320, C.A: Thech. Library, Advanced Micro Devices, Inc., Sunnyvale, 1988. HSIANG, T. C.; TAGUCHI, G. A Tutorial on Quality Control and Assurance The Taguchi Methods. ASA Annual Meeting. Las Vegas, Nevada, 1985. JAGADEESH, R.; SUBASH, B. A. Process Capability Assessment with Tool Wear: An Investigative Study. The International Journal of Quality & Reliability Management, v. 11, n 2, p. 51-62, 1994. JOHNSON, N. L. Systems of Frequency Curves Generated by Methods of Translation. Biometrika, 36, p. 149-176, 1949. JURAN, J. M.; GRYNA, F. M.; BINGHAM, R. S. Jr. Quality Control Handbook. New York: McGraw-Hill, 1974. KANE, V. E. Process Capability Indices. Journal of Quality Technology, vol. 18, n 1, p. 41-52, 1986. KOTZ, S.; JOHNSON, N. L. Process Capability Indices. London: Chapman & Hall, 1993. KOTZ, S.; LOVELACE, C. R. Process Capability Indices in Theory and Practice. London: Arnold, 1998. KOTZ, S.; JOHNSON, N. L.; HUBELE, N. F.; SPIRING, F, et al. Process capability indices - a review, 1992-2000 / Discussion / Response. Journal of Quality Technology, v. 34, n 1, p. 2-52, 2002. KRISHNAMOORTHI, K. S.; KHATWANI, S. A Capability Index for All Occasions. Quality Congress. ASQ's ... Annual Quality Congress Proceedings, p. 77-81, 2000. LJUNG, G. M.; BOX, G. E. P. On A Measure of Lack of Fit in Time Series Models. Biometrika, 65, p. 297-303, 1978. MONTGOMERY, D. C.; RUNGER, G. C. Applied Statistics and Probability for Engineers. 3. ed. John Wiley & Sons, 2003. MONTGOMERY, D. C. Introduction to Statistical Quality Control. 3. ed. John Wiley & Sons, 1996. PAN, J. N.; WU, S. L. Process Capability Analysis for Non-Normal Relay Test Data. Microelectronics and Reliability, v. 37, n 3, p. 421-428, 1997. PEARN W. L.; SHU, M.H. An algorithm for calculating the lower confidence bounds of CPU and CPL with application to low-drop-out linear regulators. Microelectronics Reliability, n 43, 495-502, 2003.
103 PEARN W. L.; KOTZ, S.; JOHNSON N. L. Distributional and Inferential Properties of Process Capability Indices. Journal of Quality Technology, vol. 4, n 4, p. 216231, 1992. PEARN, W. L.; CHEN, K. S. Capability Indices for Non-Normal Distributions With an Application in Electrolytic Capacitor Manufacturing. Microelectronics and Reliability, v. 37, n 12, p. 1853-1858, 1997. PEARN, W. L.; CHEN K. S.; LIN, G. H. A Generalization of Clements' Method for Non-Normal Pearsonian Processes with Asymmetric Tolerances. The International Journal of Quality & Reliability Management, v. 16, n 5, p. 507521, 1999. PEARN,W L.; CHEN, K. S. One-sided capability indices C(PU) and C(PL): Decision making with sample information. The International Journal of Quality & Reliability Management; vol. 19, n 2-3, 221-245. PYZDEK, T. Process Capability Analysis Using Personal Computers. Quality Engineering, v. 4, p. 419-440, 1992. ROTH G. II. How to Perform a Machine Capability Study. ASQ Six Sigma Forum Magazine, p. 22-31, Novembro de 2003. ROYSTON, J. P. An extension of Shapiro and Wilks W test for normality to large samples. Applied Statistics, 31, p. 115-124, 1982. SEIER, E. Comparison of Tests for Univariate Normality. InterStat. Janeiro de 2002. Disponvel em: <http://interstat.statjournals.net/>. Acesso em: Dezembro de 2003. SHAPIRO, S. S.; WILK, M. B. An analysis of variance test for normality (complete samples). Biometrika, 52, p. 591-611, 1965. SHORE, H. Process Capability Analysis When Data Are Autocorrelated. Quality Engineering, v. 9, n 4, p. 615-626, 1997. SILVERMAN, B. W. Density Estimation for Statistics and Data Analysis. Chapman & Hall, 1986. SLIFKER, J. F.; SHAPIRO, S. S. The Johnson System: Selection and Parameter Estimation. Technometrics, v. 22, n 2, p. 239-246, 1980. SPEDDING, T. A.; RAWLINGS, P. L. Non-Normality in Statistical Process Control Measurements. International Journal of Quality & Reliability Management, v. 11, n 6, p. 27-37, 1994. THE TOOLS of Quality, Part IV: Histograms. Quality Progress, September, p. 75-78, 1990.
104 TONG, L. I.; CHEN, J. P. Lower Confidence Limits Of Process Capability Indices For Non-Normal Process Distributions. The International Journal of Quality & Reliability Management, v. 15, n 8/9, p. 907-919, 1998.
105
Observaes Coeficientes para os limites de controle na amostra, n A3 A A2 2 2,121 1,880 2,659 3 1,732 1,023 1,954 4 1,500 0,729 1,628 5 1,342 0,577 1,427 6 1,225 0,483 1,287 7 1,134 0,419 1,182 8 1,061 0,373 1,099 9 1,000 0,337 1,032 10 0,949 0,308 0,975 11 0,905 0,285 0,927 12 0,866 0,266 0,886 13 0,832 0,249 0,850 14 0,802 0,235 0,817 15 0,775 0,223 0,789 16 0,750 0,212 0,763 17 0,728 0,203 0,739 18 0,707 0,194 0,718 19 0,688 0,187 0,698 20 0,671 0,180 0,680 21 0,655 0,173 0,663 22 0,640 0,167 0,647 23 0,626 0,162 0,633 24 0,612 0,157 0,619 25 0,600 0,153 0,606
Fonte: Montgomery(1996)
106
Tabela 2A - Valores dos coeficientes para construo do grfico do desvio padro.
Observaes na amostra, n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Coeficientes para linha central c4 1/c4 0,7979 1,2533 0,8862 1,1284 0,9213 1,0854 0,9400 1,0638 0,9515 1,0510 0,9594 1,0423 0,9650 1,0363 0,9693 1,0317 0,9727 1,0281 0,9754 1,0252 0,9776 1,0229 0,9794 1,0210 0,9810 1,0194 0,9823 1,0180 0,9835 1,0168 0,9845 1,0157 0,9854 1,0148 0,9862 1,0140 0,9869 1,0133 0,9876 1,0126 0,9882 1,0119 0,9887 1,0114 0,9892 1,0109 0,9896 1,0105
Coeficientes para os limites de controle B3 B4 B5 B6 0,000 3,267 0,000 2,606 0,000 2,568 0,000 2,276 0,000 2,266 0,000 2,088 0,000 2,089 0,000 1,964 0,030 1,970 0,029 1,874 0,118 1,882 0,113 1,806 0,185 1,815 0,179 1,751 0,239 1,761 0,232 1,707 0,284 1,716 0,276 1,669 0,321 1,679 0,313 1,637 0,354 1,646 0,346 1,610 0,382 1,618 0,374 1,585 0,406 1,594 0,399 1,563 0,428 1,572 0,421 1,544 0,448 1,552 0,440 1,526 0,466 1,534 0,458 1,511 0,482 1,518 0,475 1,496 0,497 1,503 0,490 1,483 0,510 1,490 0,504 1,470 0,523 1,477 0,516 1,459 0,534 1,466 0,528 1,448 0,545 1,455 0,539 1,438 0,555 1,445 0,549 1,429 0,565 1,435 0,559 1,420
Fonte: Montgomery(1996)
107
Tabela 3A - Valores dos coeficientes para construo do grfico da amplitude.
Observaes na amostra, n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Coeficientes para linha central d2 1/d2 1,128 0,8865 1,693 0,5907 2,059 0,4857 2,326 0,4299 2,534 0,3946 2,704 0,3698 2,847 0,3512 2,970 0,3367 3,078 0,3249 3,173 0,3152 3,258 0,3069 3,336 0,2998 3,407 0,2935 3,472 0,2880 3,532 0,2831 3,588 0,2787 3,640 0,2747 3,689 0,2711 3,735 0,2677 3,778 0,2647 3,819 0,2618 3,858 0,2592 3,895 0,2567 3,931 0,2544
Coeficientes para os limites de controle d3 D1 D2 D3 D4 0,853 0,000 3,686 0,000 3,267 0,888 0,000 4,359 0,000 2,575 0,880 0,000 4,698 0,000 2,282 0,864 0,000 4,918 0,000 2,115 0,848 0,000 5,078 0,000 2,004 0,833 0,204 5,204 0,076 1,924 0,820 0,388 5,306 0,136 1,864 0,808 0,547 5,393 0,184 1,816 0,797 0,687 5,469 0,223 1,777 0,787 0,811 5,535 0,256 1,744 0,778 0,922 5,594 0,283 1,717 0,770 1,025 5,647 0,307 1,693 0,763 1,118 5,697 0,328 1,672 0,756 1,203 5,741 0,347 1,653 0,750 1,282 5,782 0,363 1,637 0,744 1,356 5,820 0,378 1,622 0,739 1,424 5,856 0,391 1,608 0,734 1,487 5,891 0,403 1,597 0,729 1,549 5,921 0,415 1,585 0,724 1,605 5,951 0,425 1,575 0,720 1,659 5,979 0,434 1,566 0,716 1,710 6,006 0,443 1,557 0,712 1,759 6,031 0,451 1,548 0,708 1,806 6,056 0,459 1,541
Fonte: Montgomery(1996)
108
Apndice A Clculo dos coeficientes ai e do W do Teste W de Shapiro-Wilk para o exemplo do captulo 3. A1. Clculo dos coeficientes ai
1 passo: calcular os valores de ai* utilizando a equao (3.10) para i = 2,3,..., n 1 . i 0,375 * 1 2 0,375 Para i = 2 tem-se: a2 = 2m2 = 2 1 = 2 120 + 0, 25 = 4, 422 n + 0, 25
M M
119 0,375 * Para i = n 1 = 119 tem-se: a119 = 2m119 = 2 1 = 4, 422 120 + 0, 25 2 2 passo: calcular os valores de a12 e an utilizando a equao (3.12). 1 [120 + 1] 2 = 0, 0911 2 a12 = an = 1 2 120 + 1 2
a
i=2
n 1
*2 i
a
i =2
n 1
*2 i
= 414, 627
4 passo: calcular os valores de ai* utilizando a equao (3.10) para i = 1, i = n . a12 1201 2 = ai 2 1 2an i = 2
12
a = a
* 1
* 120
12
= 6, 796
109
* a1 * a2 6, 796 4, 422 = 0,3018 , a2 = = = 0,1964 1 0,5 120 2 507 5570,5 *2 ai i =1
a1 =
120 *2 ai i =1
=
2
Na tabela 1A esto os coeficientes para o exemplo do captulo 3 (os dados de ganho de amplificadores da Tabela 6 (p. 52). Para o calculo dos coeficientes precisa-se apenas saber qual o tamanho da amostra, que no caso de 120 observaes.
Tabela 4A Coeficientes ai para o teste W de Shapiro-Wilk i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
ai
-0,3018 -0,1964 -0,1792 -0,1669 -0,1571 -0,1490 -0,1419 -0,1356 -0,1300 -0,1248 -0,1200 -0,1155 -0,1114 -0,1074 -0,1036 -0,1001 -0,0967 -0,0934 -0,0902 -0,0872
i 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
ai
-0,0842 -0,0814 -0,0786 -0,0759 -0,0732 -0,0707 -0,0682 -0,0657 -0,0633 -0,0609 -0,0586 -0,0563 -0,0541 -0,0519 -0,0497 -0,0475 -0,0454 -0,0433 -0,0412 -0,0392
i 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
ai
-0,0372 -0,0351 -0,0332 -0,0312 -0,0292 -0,0273 -0,0253 -0,0234 -0,0215 -0,0196 -0,0177 -0,0158 -0,0139 -0,0121 -0,0102 -0,0083 -0,0065 -0,0046 -0,0028 -0,0009
i 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
ai
0,0009 0,0028 0,0046 0,0065 0,0083 0,0102 0,0121 0,0139 0,0158 0,0177 0,0196 0,0215 0,0234 0,0253 0,0273 0,0292 0,0312 0,0332 0,0351 0,0372
i 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
ai
0,0392 0,0412 0,0433 0,0454 0,0475 0,0497 0,0519 0,0541 0,0563 0,0586 0,0609 0,0633 0,0657 0,0682 0,0707 0,0732 0,0759 0,0786 0,0814 0,0842
i 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
ai
0,0872 0,0902 0,0934 0,0967 0,1001 0,1036 0,1074 0,1114 0,1155 0,1200 0,1248 0,1300 0,1356 0,1419 0,1490 0,1571 0,1669 0,1792 0,1964 0,3018
A2. Clculo de W
Com os coeficientes calculados anteriormente e os valores ordenados da Tabela 6 (p.52) possvel agora encontrar o valor de W utilizando a equao (3.9).
n 2 ai y( i ) 1 = ( 0,3018 7,8 ) + ( 0,1964 7,8 ) + ... + ( 0,3018 11, 7 ) W= n 2 2 2 2 ( 7,8 9, 044 ) + ( 7,8 9, 044 ) + ... + (11, 7 9, 044 ) yi y ) (
1 2
W=
110
X-7,6101 Z = 0,9602+0,9543ln , que foi encontrada utilizando os dados da 4,6482+7,6101-X Tabela 6 (p.52) e a transformao de Johnson apresentada no captulo 3.
Tabela 1B Valores obtidos aplicando a transformao de Johnson aos dados de ganho de amplificadores do captulo 3 i x z i x z i x z i x z 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 7,8 7,8 7,8 7,8 7,8 7,9 7,9 7,9 7,9 7,9 8 8 8 8 8 8,1 8,1 8,1 8,1 8,1 8,2 8,2 8,2 8,2 8,3 8,3 8,3 8,3 8,3 8,3 -2,052 -2,052 -2,052 -2,052 -2,052 -1,626 -1,626 -1,626 -1,626 -1,626 -1,321 -1,321 -1,321 -1,321 -1,321 -1,081 -1,081 -1,081 -1,081 -1,081 -0,880 -0,880 -0,880 -0,880 -0,707 -0,707 -0,707 -0,707 -0,707 -0,707 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 8,4 8,4 8,4 8,4 8,4 8,5 8,5 8,5 8,5 8,5 8,5 8,6 8,6 8,6 8,6 8,6 8,7 8,7 8,7 8,7 8,7 8,7 8,8 8,8 8,8 8,8 8,9 8,9 8,9 8,9 -0,553 -0,553 -0,553 -0,553 -0,553 -0,414 -0,414 -0,414 -0,414 -0,414 -0,414 -0,287 -0,287 -0,287 -0,287 -0,287 -0,169 -0,169 -0,169 -0,169 -0,169 -0,169 -0,058 -0,058 -0,058 -0,058 0,047 0,047 0,047 0,047 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 8,9 9 9 9 9 9 9 9,1 9,1 9,1 9,1 9,1 9,2 9,2 9,2 9,2 9,2 9,3 9,3 9,3 9,4 9,4 9,4 9,4 9,5 9,5 9,5 9,5 9,6 9,6 0,047 0,147 0,147 0,147 0,147 0,147 0,147 0,243 0,243 0,243 0,243 0,243 0,336 0,336 0,336 0,336 0,336 0,426 0,426 0,426 0,514 0,514 0,514 0,514 0,599 0,599 0,599 0,599 0,684 0,684 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 9,6 9,6 9,7 9,7 9,7 9,7 9,8 9,8 9,8 9,9 9,9 10 10 10,1 10,1 10,1 10,2 10,2 10,3 10,4 10,5 10,5 10,6 10,7 10,7 10,8 10,9 11,1 11,5 11,7 0,684 0,684 0,767 0,767 0,767 0,767 0,850 0,850 0,850 0,932 0,932 1,014 1,014 1,097 1,097 1,097 1,179 1,179 1,263 1,348 1,434 1,434 1,523 1,613 1,613 1,707 1,804 2,013 2,520 2,860
111
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
122,3788 122,3008 122,2678 122,4354 122,3832 122,1925 122,4191 122,3121 122,3367 122,0712 122,2907 122,3408 122,3652 122,3768 122,4193 122,3615 122,4864 122,4966 122,4786 122,4776 122,4630 122,5003 122,4157 122,3662 122,3483 122,4109
27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
122,3606 122,3851 122,3936 122,2941 122,3139 122,2293 122,2662 122,2790 122,2475 122,3030 122,3689 122,3344 122,3213 122,2138 122,3251 122,2740 122,2817 122,3278 122,3504 122,2689 122,1667 122,2253 122,0287 121,8087 122,1166 122,3394
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78
122,2386 122,2374 122,2403 122,2425 122,2410 122,1517 122,3873 122,3278 122,4171 122,3270 122,4891 122,4153 122,3703 122,3203 122,2082 122,4147 122,2862 122,4179 122,4442 122,4248 122,3176 122,2382 122,2446 122,2425 122,3444 122,3341
122,3489 122,3401 122,3943 122,3392 122,3359 122,3889 122,3714 122,3619 122,3976 122,3020 122,2951 122,3063 122,3858 122,3551 122,3217 122,3156 122,4551 122,5388 122,3893 122,1071 122,2768 122,3091 122,2767 122,2686 122,2956 122,4076
105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130
122,4068 122,4357 122,4349 122,4178 122,3082 122,4278 122,2957 122,2319 122,3497 122,4220 122,3198 122,4130 122,4037 122,3015 122,3699 122,3812 122,3441 122,3676 122,3835 122,1667 122,3718 122,3057 122,3790 122,4114 122,4059 122,3957
112
Apndice D Resduos dos modelos dos estudos de caso dos processos (1 e 2) apresentados no captulo 5. D1. Processo 1
Na tabela 1D so apresentados os resduos do modelo autoregressivo
captulo 5.
Tabela 1D Resduos do modelo autoregressivo do processo 1 do captulo 5. t Resduo t Resduo t Resduo 1 11 -0,000195412 21 0,000262516 0,003787759 12 -0,002212241 22 0,00177093 2 0,003313002 13 0,003262516 23 -0,000212241 3 4 -0,002178583 14 -0,000703827 24 -0,000720655 -0,00022907 5 -0,000720655 15 0,001279345 25 -0,00122907 16 -0,002212241 26 -0,00222907 6 0,000262516 17 0,000262516 27 0,000754101 7 0,00277093 18 -0,00322907 28 -0,00222907 8 9 -0,000703827 19 -0,001754313 29 -0,001245899 10 0,003279345 20 0,000245687 30 0,000754101
k (atraso)
1 2 3 4 5 6 7 8 9 10
rk
-0,060 0,054 -0,068 -0,275 0,167 -0,093 0,208 0,053 -0,134 0,088
Q
0,1167 0,2128 0,3713 3,0941 4,1382 4,4768 6,2380 6,3603 7,1678 7,5374
p
0,733 0,899 0,946 0,542 0,530 0,612 0,512 0,607 0,620 0,674
113
D2. Processo 2
Na tabela 3D est o resultado da transformao de Johnson aplicada aos dados do processo 2 (tabela 2C do apndice C) . A transformao encontrada foi : X 122, 421 Z = 1, 042 + 1, 688sinh 1 0,144 para um z = 0, 7 a famlia foi Su , QR = 1, 601 , = 1,042 , = 1,688 , = 0,114 e
= 122,421 .
114 Na tabela 4D so apresentados os resduos do modelo autoregressivo aplicado aos dados do processo 2 (tabela 1C do apndice C) do captulo 5.
xt = 0,5015 xt 1
Tabela 4D - Resduos do modelo autoregressivo do processo 2 do captulo 5. t resduos t resduos t resduos t resduos 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 -0.7272 -0.5687 1.6678 -0.1385 -1.6464 1.7150 -0.9020 0.0816 -2.0078 0.4230 0.2405 0.2771 0.2788 0.8146 -0.3147 1.8664 1.1078 0.8129 0.9152 0.7232 1.3104 -0.1098 -0.2256 -0.1034 0.8785 -0.2641 0.4253 0.3791 -0.8997 -0.0842 -0.9525 -0.2678 -0.3031 -0.6345 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 0.0106 0.5387 -0.2904 -0.2218 -1.1071 0.3781 -0.6442 -0.3129 0.1304 0.1622 -0.8418 -1.1547 -0.3863 -1.6640 -1.8534 -0.3492 0.8412 -1.0268 -0.5422 -0.5147 -0.5087 -0.5294 -1.1260 1.3768 -0.4950 1.0934 -0.7222 2.1135 -0.0458 -0.1675 -0.4612 -1.1411 1.5963 -1.1315 1.3240 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 0.8836 0.4039 -0.8847 -0.9041 -0.4836 -0.5259 0.4976 -0.1354 0.1066 -0.0918 0.6863 -0.4114 -0.0824 0.6340 0.0406 0.0359 0.5960 -0.8491 -0.3189 -0.1699 0.7553 -0.1527 -0.3451 -0.2114 1.7180 1.7982 -0.7121 -2.1824 0.2049 -0.0528 -0.5317 -0.4447 -0.1542 1.1257 0.4083 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 0.8416 0.6155 0.3684 -0.9337 1.3600 -1.1361 -0.8380 0.6049 1.0341 -0.8397 1.0779 0.3228 -0.8989 0.5599 0.3084 -0.2583 0.2890 0.3562 -1.8117 1.1166 -0.6285 0.6630 0.6823 0.3670 0.2587