Você está na página 1de 36

Guia de bolso de tcnicas de anlise estatstica

Guia de bolso de tcnicas de anlise estatstica para uso em ferramentas de aperto


Captulo..........................................................................Pgina 1. Introduo .........................................................................4 2. Estatstica bsica...............................................................5 2.1 Variao ........................................................................5 2.2 Distribuio ..................................................................6 2.3 Histograma....................................................................6 2.4 Valor mdio...................................................................6 2.5 Desvio-padro...............................................................7 2.6 Estimativa de uma distribuio normal ........................9 Mdia e desvio-padro da amostra...................................10 3. Requisitos de preciso ....................................................11 3.1 Mean shift e disperso combinada .............................11 Exemplo ............................................................................12 4. Processos de compreenso .............................................13 5. Capabilidade ...................................................................14 5.1 Cp................................................................................14 5.2 Cpk..............................................................................15 5.3 Quando um processo capaz? ...................................16 5.4 ndices de capabilidade da mquina...........................18 5.5 O que mais deve ser considerado? .............................18 6. Grficos de controle .......................................................19 6.1 Grficos x-bar.............................................................20 6.2 O subgrupo .................................................................21 6.3 Alarmes.......................................................................22 6.4 Grficos de variao...................................................22 6.5 Concluso do grfico de controle ..............................23 Resumo.............................................................................23 Apndice ..........................................................................24 A1. Exemplo de clculo de estatstica..............................24 A2. Exemplo de clculo de capabilidade .........................28 A3. Exemplo de clculo de grfico de controle...............29 A4. Anlise de desempenho de ferramenta para montagem Clculo ISO 5393 ......................................................32
Guia de bolso - Estatstica
3

1. Introduo
O propsito deste guia explicar os fundamentos bsicos da estatstica e como ela pode ser usada na produo. Voc aprender que com a ajuda da estatstica podemos comparar ferramentas, dizer se uma ferramenta adequada para uma aplicao especfica e, usando o Controle Estatstico do Processo (CEP), podemos ver como o processo de produo se desenvolve com o passar do tempo. Esperamos que, aps ler este guia, voc tenha um conhecimento e compreenso geral do potencial do uso da estatstica como uma ferramenta na produo.

4 Guia de bolso - Estatstica

2. Estatstica Bsica
2.1 Variao

Entender estatstica tem muito a ver com entender variao. A variao est presente em todos os lugares, tanto na natureza como nos processos industriais. Nos processos industriais, mesmo um ligeiro desvio de um valor-alvo, por exemplo, uma dimenso, pode ter uma grande influncia na funcionalidade do produto acabado. Isso significa que importante entender e, em alguns casos, controlar a variao. Existem dois tipos diferentes de variao. As variaes aleatrias so previsveis, esto sempre presentes e apresentam muitas causas contribuintes. Exemplos de variaes aleatrias so pequenas variaes no dimetro do furo, frico inconsistente, influncia do operador e variaes na presso de ar. difcil isolar uma dessas causas. As variaes so combatidas com o aperfeioamento do processo. Variaes aleatrias so naturais e dependentes do processo e de seu ambiente. So tambm chamadas causas comuns. Variaes sistemticas so espordicas e isoladas. Elas no so previsveis mas freqentemente fcil determinar a causa com preciso. Elas so combatidas por meio de controle do processo. A variao sistemtica tem uma causa determinada e pode freqentemente ser identificada e eliminada. Exemplos so ajustes das mquinas, desgaste das ferramentas e erro humano. So tambm chamadas causas especiais. Tem sido dada grande importncia ao uso de tcnicas de anlise estatstica para controlar a qualidade do processo de montagem. O mtodo tradicional de usar essas tcnicas analisar o que j ocorreu e, quando um problema identificado, ajustar o processo de acordo. Est se tornando cada dia mais comum usar tcnicas estatsticas para prever como o processo ir se comportar no futuro e identificar variaes sistemticas e ajustar o processo antes que resulte em produtos defeituosos.
Figura 1. Variaes na presso de ar e a influncia do operador so exemplos de variaes aleatrias

Figura 2. Erros humanos como falta de arruelas e uso de parafusos errados so exemplos de variaes sistemticas.

Guia de bolso - Estatstica

2.2 Distribuio

Considere um processo de aperto no qual medimos o torque aplicado a um parafuso. Como voc sabe, no obtemos as mesmas leituras para todos os apertos. Suponha que coletamos leituras suficientes para traar um grfico de freqncia (o nmero de vezes que uma leitura particular ocorreu) contra as leituras reais de torque. O resultado seria um traado similar ao mostrado na figura 3 abaixo. Em anlise estatstica, essa curva conhecida como distribuio. Existem muitos tipos diferentes de distribuio, mas a que melhor descreve este exemplo (e outros como este) denominada distribuio Normal ou Gaussiana. Uma distribuio normal sempre simtrica e determinada pela mdia e o desvio-padro. Uma distribuio normal ocorre apenas quando variaes aleatrias afetam o resultado.
Freqncia

2.3 Histograma

Torque

Um histograma quando voc divide os resultados em categorias (por exemplo, todos os resultados entre 20-21 Nm). ento possvel criar um diagrama contando o nmero de resultados em cada categoria e colocando-os em um diagrama. Dessa forma, possvel visualizar a distribuio com um nmero razoavelmente limitado de resultados.
2.4 Valor mdio

Figure 3. Histograma.

Figura 4. A distribuio normal pode ser encontrada em qualquer lugar. A altura das pessoas um exemplo. Um outro exemplo pode ser quando voc tenta cortar varetas do mesmo tamanho.

Uma distribuio normal pode ser encontrada em qualquer lugar, tanto na natureza como em processos industriais. Se tivermos uma grande amostra de medidas, ou seja, se tivermos feito 1000 apertos com uma ferramenta, podemos fazer um histograma. Quanto mais apertos tivermos, melhor curva obteremos. Se fssemos medir a altura dos homens suecos, obteramos uma mdia (valor mdio) de 1,80. O valor mdio o valor mais comum numa distribuio normal. No que h muitos homens realmente altos ou realmente baixos. Um outro exemplo que poderamos considerar quando voc corta uma vareta. O valor-alvo 20,00 cm e isso provavelmente tambm seria o valor mdio. Entretanto, algumas partes tero apenas 19,90 cm e outras 20,10, o que devido variao natural do processo e isso normal.

6 Guia de bolso - Estatstica

2.5 Desvio-padro

Se uma ferramenta usada para um grande nmero de apertos, a um ajuste de torque de por exemplo 30 Nm, pouco provvel que todos os apertos alcancem esse valor exato de torque. Isso ocorrer mesmo se a ferramenta estiver operando na mesma junta parafusada, uma fixao de teste. Fatores aleatrios, tais como desgaste do material e diferentes maneiras de manipular a ferramenta podem fazer com que o torque aplicado exceda ou fique abaixo do torque pretendido. Diz-se ento que as leituras se desviam da mdia e medimos esse desvio com o que conhecido como desvio-padro. No essencial entender completamente a frmula apresentada mais frente. Mas til saber como calcul-la e fundamental que voc entenda o que ela nos mostra! O desviopadro indica quanto cada leitura pode se desviar da mdia. Qual o uso prtico do desvio-padro? J dissemos que a mdia nos indica o valor mdio da distribuio (todos apertos diferentes) e o desvio-padro indica a disperso. Podemos us-lo para estimar quantos de nossos valores recairo dentro de uma certa faixa. O desvio-padro pode ser mais precisamente descrito como o clculo de quanto uma porcentagem de distribuio conhecida recai fora da mdia. uma letra do alfabeto grego usada para simbolizar o desvio de qualquer distribuio em relao mdia. Para um negcio ou um processo de fabricao, o valor ( indica a preciso com que aquele processo est sendo realizado. Um valor ( baixo indica que a maioria dos valores est prxima do alvo. Um valor ( alto indica que a disperso grande e que os valores apresentam um desvio maior em relao ao valor-alvo. Se voc tem 20 valores de uma populao, voc pode agrup-los como mostrado na figura. Presumimos que eles pertencem a uma distribuio normal. Isso na verdade, a rea dentro da qual voc obter o prximo aperto. Existe uma probabilidade de 100% de recair dentro da faixa total. matematicamente comprovado que h uma certeza de 68% de que todos os dados recaem entre +/ certeza de 95% de que todos os dados recaem entre +/ 2 , e certeza de 99,7% de que todos os dados recaem entre +/ 3 . uma caracterstica importante da distribuio normal que o desvio-padro seja simtrico em torno da mdia e sempre cubra a mesma porcentagem de distribuio. Essa uma regra matemtica.

Freqncia

Torque

Figura 5. Ns sempre sabemos quanto por cento de nossos valores recairo dentro de uma certa faixa. 7

Guia de bolso - Estatstica

Isso agora nos leva a algo muito til. Agora que sabemos a porcentagem dos valores que recairo dentro de um certo limite (, podemos prever como o processo ir se comportar no futuro. Voc se lembra da discusso sobre variao aleatria e sistemtica? Dissemos que para uma distribuio normal, todas as variaes sistemticas so eliminadas e apenas a variao aleatria est presente. Sabemos tambm agora que 99,7% de todos os valores recaem dentro de 6( (ou ( 3(). Isso nos permite fazer uma importante suposio: embora 0,3% de todos os apertos recaiam fora dos limites 6( numa distribuio normal, presumimos que todos os apertos fora desses limites ocorram devido a variaes sistemticas no processo. Isso significa que algo novo foi inserido no processo - ele no est mais sob controle. Para tornar as coisas mais claras, presumimos que enquanto temos apertos dentro dos limites 6(, o processo afetado apenas por variaes aleatrias e est sob controle. Quando temos apertos fora dos limites 6(, o processo afetado pela variao sistemtica e no est sob controle. Quando isso acontece, significa que alguma coisa nova e estranha comeou a afetar o processo de aperto e precisamos encontrar a razo disso e elimin-la. Os grficos a seguir mostram uma comparao de duas distribuies normais diferentes.

Figura 6. A primeira figura mostra duas curvas com a mesma mdia, mas com desvio diferente. A segunda figura mostra duas curvas com o mesmo desvio, mas com mdias diferentes.

8 Guia de bolso - Estatstica

2.6 Estimativa de uma distribuio normal

Quando falamos sobre medies ou leituras em uma aplicao, calculamos uma mdia e um desvio-padro. Se tivssemos que medir um nmero infinito de apertos, saberamos com certeza que teramos o valor real da mdia e do desviopadro. Esta a mdia da populao e o desvio-padro da populao. Porm, na realidade, isso no possvel e temos que confiar em um nmero limitado de apertos. Em estatstica, falamos em amostra; na rea de apertos falamos em subgrupo ou lote. Isso significa que no podemos de fato ter certeza se nossos clculos (mdia e desvio-padro) esto corretos, uma vez que so baseados apenas em um nmero limitado de apertos. Na verdade, o que temos uma estimativa dos valores reais. Quanto mais apertos tivermos para basear nossos clculos, mais certeza podemos ter de que estamos prximos da mdia e do desvio-padro da populao. Dizemos que o valor mdio da distribuio a mdia da populao () e a que disperso representada pelo desviopadro da populao (). A mdia da populao () calculada por: = n x a soma de todos os apertos, dividida pelo nmero total de apertos (n). O desvio-padro da populao () calculado por
i=1
i

Figura 7. impossvel medir a populao total. Temos que confiar em um nmero limitado de valores, uma amostra ou um lote.

x i

Onde: xi n
i=1

o valor de cada ocorrncia individual, a medio ith da varivel x. o nmero total de ocorrncias na populao o valor de todas as ocorrncias juntas (a soma) a soma de todos os valores de (xi-)2

x i
i

Tomamos o valor de cada ocorrncia individual menos m, a mdia, e elevamos esse novo valor ao quadrado. A seguir,
Guia de bolso - Estatstica
9

somamos cada novo valor. Dividimos agora isso pelo nmero de apertos. Finalmente, precisamos obter a raiz quadrada desse valor total, uma vez que temos (Nm)2 e precisamos de Nm, e teremos o desvio-padro da populao. A potncia ao quadrado e a raiz quadrada existem apenas porque queremos eliminar desvios positivos e negativos da mdia. Entretanto, na prtica, muito raro que possamos medir cada ocorrncia dos dados. Na verdade, n deveria ento ser infinito, o que, com certeza, impossvel. Ao invs disso, usamos uma amostra representativa para ter uma previso da mdia e do desvio-padro da populao.
Mdia e desvio-padro da amostra

Calculamos a mdia da amostra ( ) da mesma maneira que calculamos a mdia da populao (): x=
i=1

x i
n

O clculo para o desvio-padro da Amostra (s) difere ligeiramente do desvio-padro da populao ():
i

Onde xi n xi
i

o valor de cada ocorrncia individual na amostra o nmero total de ocorrncias na amostra a soma dos valores de todas as ocorrncias na amostra a soma de todos os valores de (xi - )2

O uso de (n - 1) ao invs de (n) fornece uma estimativa mais precisa do desvio-padro da populaco, , e muito importante quando so usados pequenos tamanhos de amostra. Portanto, lembre-se de que nunca podemos usar a populao total em nossos clculos; isso impossvel. Devemos usar amostras menores e calcular estimativas da mdia real e do desvio-padro real. Portanto, a mdia da amostra ( ) uma estimativa da mdia da populao (). O desvio-padro da amostra (s) uma estimativa do desviopadro da populao ().
10 Guia de bolso - Estatstica

3. Requisitos de preciso
Em uma aplicao de apertos h freqentemente requisitos de preciso das ferramentas. Os requisitos de preciso so indicados como um torque-alvo prximo de um desvio mximo aceitvel do valor alvo, por exemplo +/ 10%. A preciso de uma ferramenta freqentemente calculada como 50% da variao natural (3) dividida pelo valor-alvo. Isso torna possvel comparar diferentes ferramentas a um determinado valor-alvo, sem relacion-las a uma determinada aplicao (tolerncias). Como voc ver no prximo captulo, os clculos de preciso so similares a alguns clculos de capabilidade (nos clculos de preciso, comparamos a variao natural ao valor mdio, nos clculos de capabilidade comparamos a variao natural s demandas de tolerncia na aplicao)! Se os requisitos de preciso forem 40 Nm +/ 10%, devemos verificar se 3s est dentro de 10%, ou se 100* 3/Med inferior a 10%. Vamos presumir que testamos a ferramenta e alcanamos um valor mdio de 40 Nm e um desvio-padro de 1,2 Nm. Ento, calculamos a preciso: (3*1,2 / 40) = 9%. Sabemos agora que a ferramenta precisa o suficiente para realizar o trabalho.
3.1 Mean shift e disperso combinada

Mean shift o que ocorre quando uma ferramenta usada tanto em junta rgida como flexvel. Voc muito provavelmente obter dois valores mdios diferentes, um valor mais alto para a junta rgida, com duas distribuies diferentes. A diferena entre esses dois valores mdios o mean shift. Queremos encontrar os limites (comparveis distribuio normal) onde a probabilidade de obter um torque fora desses limites de 99,7% na junta rgida ou flexvel. Isto a disperso combinada e corresponde a 6 na distribuio normal. Uma vez que temos a disperso combinada, podemos relacionar isso mdia combinada. Isso nos d algo freqentemente referido como preciso. Expressa como uma frmula, ela seria da seguinte forma: Preciso = 100 x 0,5 ((Medrgida + 3rgida) - (Medflexvel 3flexvel))/Med Onde Med = (Medflexvel + Medrgida)/2 (a mdia combinada).

Figura 8. Mean shift a diferena entre os valores mdios das juntas rgidas e flexveis.

Freqncia

Flexvel Junta

Rgida Junta

Torque MED flexvel MED=0,5x(MEDflexvel+ MEDrgida) MEDrgida -3s flexvel Disperso combinada +3srgida

Figura 9. Mdia combinada e disperso combinada.

Guia de bolso - Estatstica

11

Isso normalmente verdadeiro, mas no podemos saber com certeza se a distribuio ser semelhante a isso. Podemos, por exemplo, ter um mean shift negativo. Precisamos verificar quais dos limites esto mais distantes dos limites predefinidos. Ajustada, a frmula seria assim: Preciso = 100 * 0.5 Desvio/Med Onde Desvio = max (Medrgida + 3rgida, Medflexivel+ 3flexvel) - min (Medflexvel - 3flexvel, Medrgida - 3rgida) Med = (Medflexvel + Medrgida)/2 (a mdia combinada)
Exemplo:

Testes realizados em uma junta rgida (30 graus) e em uma junta flexvel (800 graus) produziram os seguintes dados: Junta rgida: Junta flexvel: Med = 61 Nm e = 1.2 Nm Med = 60.2 Nm e = 1.0 Nm

Desvio = Max (61+3*1.2, 60.2+3*1.0) min (61-3*1.2, 60.2-3*1.0) = 7.4 Nm Med = (61+60.2)/2 = 60.6 Nm Preciso = 100*0.5*7.4/60.6 = 6.1% difcil fazer uma estimativa da preciso de ferramentas devido a: Preciso diferente em aplicaes em juntas rgidas, flexveis e combinadas. Preciso diferente se a ferramenta for usada em um nvel alto da faixa de torque ou em um nvel mais baixo.

12 Guia de bolso - Estatstica

4. Processos de compreenso
Toda organizao produz alguma coisa, sejam produtos ou servios, e isso feito de muitas maneiras diferentes. Porm, o que todas as organizaes tm em comum que a maneira como elas trabalham pode ser descrita na forma de mtodos e atividades. Um processo simplesmente um conjunto estruturado de atividades destinadas a produzir um produto especfico para um determinado cliente ou mercado. Ele tem um comeo e um fim e inseres e resultados claramente identificados. Um processo, , portanto, uma estrutura para a ao, para a forma como o trabalho realizado. Dentro da rea de qualidade, o conceito de processo definido como um conjunto de atividades que so repetidas dentro de um perodo, com o propsito de criar valor para um cliente. Como voc percebe agora, a abordagem do processo implica em adotar o ponto de vista do cliente. Os processos tambm tm dimenses de desempenho, tais como custo, tempo, qualidade do resultado e satisfao do cliente. Tenha em mente que todas essas dimenses podem ser medidas e melhoradas.
Processos de operao criam valor Cliente satisfeito

Necessidade do cliente

Figura 10. Um processo um conjunto de atividades destinadas a produzir um produto para um cliente ou um mercado.

Em uma planta automobilstica moderna, a linha de produo um processo de operao tpico, ou seja, cria valor para a pessoa que compra o carro. Ao longo da linha, os carros so montados com diferentes tipos de apertadeiras, todas com funcionalidade, desempenho e confiabilidade diferentes. No processo de montagem h muitas coisas que afetam o resultado do aperto. Os operadores, os parafusos, os furos e muitas outras coisas afetam os apertos. Todos contribuem para a variao do processo total em cada aplicao. Lembre-se da discusso sobre variao no captulo 1. As dimenses com as quais medimos o desempenho das apertadeiras so torque e, algumas vezes, ngulo. Usando a estatstica, podemos analisar o desempenho do processo (apertos) e podemos monitorizar, controlar e melhorar o processo de montagem. A longo prazo, isso significa apertos mais precisos, carros melhores e mais seguros e melhor valor para os clientes.

Figura 11. A produo industrial um processo de operao. Muitas coisas contribuem para a variao do processo.

Guia de bolso - Estatstica

13

5. Capabilidade
Abordamos anteriormente neste guia a estatstica e a preciso. A preciso de uma ferramenta nos indica alguma coisa sobre o desempenho, mas isso no suficiente. O aspecto importante para nossos clientes como a ferramenta se comporta em uma aplicao, na linha de produo. Portanto, de alguma forma, devemos relacionar a preciso da ferramenta aplicao. Cada junta tem um valor-alvo, mas tem tambm alguma tolerncia que aceitvel para o cliente.Relacionando a mdia e o desvio-padro ao valor-alvo e aos limites de tolerncia de uma aplicao, podemos dizer como uma ferramenta est se comportando onde realmente interessa, em sua aplicao. Isso possvel graas aos diferentes ndices de capabilidade. Existem muitos ndices diferentes de capabilidade, alguns deles bastante simples e alguns mais intrincados. Este guia de bolso aborda aqueles mais comumente usados, aqueles que nossos clientes usam. Como mostrado anteriormente, sabemos que uma distribuio normal definida por sua mdia e seu desvio-padro. Lembramos tambm nossa suposio de que, quando o processo est sob controle, todos os valores esto dentro dos limites 6(, embora apenas 99,7% realmente estejam. Isso denominado variao natural do processo.
5.1 Cp

O primeiro e mais comumente usado ndice de capabilidade denominado Cp. A frmula para Cp : Cp = Intervalo de tolerncia = ALTO BAIXO 6 6 Se voc analisar a frmula, poder ver que ela simplesmente relaciona o intervalo de tolerncia (AL-BAI), variao natural do processo! Se tivermos uma ferramenta com uma grande disperso e uma aplicao com demandas muito altas (limites de tolerncia rigorosos), teremos um valor Cp baixo. De modo inverso, se tivermos uma ferramenta com disperso muito pequena (pequeno ), mas com limites de tolerncia muito amplos, teremos um Cp alto. Com certeza isso que queremos, porque quanto menor for a variao em relao aos limites de tolerncia, menor o risco de apertos fora da tolerncia. Os requisitos de Cp variam. O mais comum que o valor Cp deve ser superior a 1,33. Isso indica que 6 vezes o desvio-padro no abrange mais do que 75% do intervalo de confiana.

Figure 12. When calculating Cp, the tolerance interval is related to the 6.

14 Guia de bolso - Estatstica

Mas isso suficiente para dizermos se a ferramenta boa ou ruim para uma aplicao especfica? Precisamos de mais alguma coisa? Sim. O Cp no considera se a mdia da distribuio est prxima ou no do valor-alvo. Esse ndice no garante que a distribuio recai na metade do intervalo de tolerncia. Na figura abaixo, voc pode ver a mesma ferramenta na mesma aplicao, mas antes e depois do ajuste do torque. Nos dois casos, teramos o mesmo Cp. Se estivermos fora do alvo, possvel que os apertos estejam fora de um dos limites de tolerncia, mesmo se a disperso for pequena em relao ao intervalo de tolerncia (Cp alto). Portanto, precisamos de alguma coisa a mais que tambm relacione a distribuio ao valor-alvo.

BAI

ALVO

AL

BAI

ALVO

AL

Figura 13. Cp alto no garante que estamos prximos do valor-alvo.

5.2 Cpk

O Cpk tambm relaciona a mdia da distribuio ao valoralvo da aplicao. A maneira de fazer isso dividir a distribuio e a aplicao em duas partes diferentes e fazer um clculo para cada lado. A frmula a seguinte: Cpk = min [(AL MED) / 3 , (MED BAI) / 3] Primeiro relacionamos a diferena entre o limite superior de tolerncia e a mdia metade da variao natural (3). A seguir, fazemos outro clculo, relacionando a diferena entre a mdia e o limite inferior de tolerncia a 3. Temos agora dois valores potencialmente diferentes e o MENOR dos dois o Cpk. Se voc acha que difcil, pense alguns minutos sobre isso. Se a mdia maior do que o valor-alvo, ento a diferena entre o limite superior de tolerncia e a mdia menor do que a diferena entre a mdia e o limite inferior de tolerncia. Se for este o caso, o clculo superior nos
MED-BAI MED-AL

Torque ALVO BAI MED ALTO

Figura 14. Quando o Cpk calculado, o valor-alvo tambm considerado.

Guia de bolso - Estatstica

15

dar o Cpk, porque estamos mais prximos do limite superior de tolerncia. If this is the case, the upper calculation will give us the Cpk, because we are closer to the upper tolerance limit. O que acontece ao Cpk se estivermos exatamente no alvo? Bem, neste caso, estamos to prximos do limite superior de tolerncia como do inferior e os dois clculos nos daro o mesmo resultado. Neste caso, podemos ver tambm que o Cpk tem o mesmo valor do Cp.
Ruim

Cp

Bom

Ruim
Figura 15. A relao entre Cp e Cpk.

Processo no capaz. Processo capaz , Mudar ferramenta mas a mdia preciou ajustar para sa ser ajustada. obter boa preciso. No possvel. Processo capaz e bem ajustado.

Cpk
Bom

Apresentamos agora o Cp e o Cpk. Estudando as frmulas fcil ver que o Cp relaciona apenas o intervalo de tolerncia ao 6 do processo. O Cpk tambm considera o valor-alvo. Queremos que os dois, o Cp e o Cpk sejam superiores a 1,33. Se nossa mdia estiver exatamente no alvo, o Cp e o Cpk so idnticos. Quanto mais fora do alvo estivermos, maior a diferena entre Cp e Cpk. Obviamente, o Cpk nunca pode ser superior ao Cp.
5.3 Quando um processo capaz ?

A pergunta quo bom preciso ser para ser capaz? no foi ainda definitivamente respondida. Como Cp foi usado primeiro, o valor Cp de 1,33 tornou-se o critrio mais comumente aceito como um limite inferior. Os requisitos de Cpk variam. O mais comum que o Cpk deve ser superior a 1,33. Um processo com Cpk abaixo de 1,00 nunca capaz . muito importante que voc entenda porque usamos Cp e Cpk. Se usarmos apenas o Cp, no sabemos se estamos no alvo ou no. Se usarmos apenas o Cpk, no podemos saber se um valor Cpk bom ou ruim devido centralizao do processo ou disperso. Portanto, devemos usar os dois. Juntos, eles podem nos fornecer uma indicao muito boa sobre com que eficincia uma ferramenta especfica est realizando uma aplicao especfica. Eles so tambm a maneira perfeita de comparar ferramentas diferentes.
16 Guia de bolso - Estatstica

Veja os alvos para dardos abaixo:

O primeiro alvo para dardos mostra um processo inadequadamente centralizado, mas com baixa disperso (alta preciso) . Neste caso, o Cp alto e o Cpk baixo. No segundo alvo para dardos, os dardos esto aleatoriamente dispersos em torno do centro do alvo, mas a disperso muito ampla em relao s tolerncias. O Cp no provavelmente to bom, mas se o valor mdio estiver no alvo, o Cpk tem o mesmo valor do Cp. O terceiro alvo para dardos mostra um processo bem centralizado, com alta preciso. Isso significa que tanto o Cp como o Cpk so altos; o processo capaz.
Um exemplo:

Figura 16. Alvo para dardos 1: Cp alto e Cpk baixo. Alvo para dardos 2: Cp baixo e Cpk baixo. Alvo para dardos 3: Cp alto e Cpk alto.

Uma junta deve ser apertada a 70 Nm 10%. Uma ferramenta testada e obtemos uma mdia de 71 Nm e um de 1,2 Nm. Cp = Cpk = (77-63) / 6*1.2 = 1.95 min [ (77-71) / (3*1.2) , (71-63) / (3*1.2) ] = min [ 1.67, 2.22 ] = 1.67

Os valores Cp e Cpk so superiores a 1,33 e o processo capaz e no precisa ser ajustado.

Guia de bolso - Estatstica

17

5.4 ndices de capabilidade da mquina

Como voc sabe agora, Cp e Cpk so ndices de capabilidade do processo. Tudo o que afeta o processo afeta esses ndices. Porm, se tirarmos todas as variaes que afetam o processo de montagem, exceto a variao na prpria ferramenta, obteremos o que chamamos de ndices de Capabilidade da Mquina. Isso deve ser feito sob circunstncias muito controladas, preferivelmente com a ferramenta em um suporte. Os testes devem ser realizados na mesma junta e pelo mesmo operador (ou melhor ainda, coloque a ferramenta em um suporte fixo a fim de eliminar toda a influncia do operador). Os clculos so os mesmos para Cm e Cp, e os mesmos para Cmk e para Cpk. Portanto, lembre-se, Cp e Cpk determinam se o processo capaz. Cm e Cmk determinam se a mquina (ferramenta) capaz.
5.5 O que mais deve ser considerado?

Quando voc analisa a capabilidade de uma ferramenta, o tamanho da amostra de grande importncia para obter clculos confiveis da mdia e do desvio-padro. Um tamanho de amostra de pelo menos 25 bastante recomendado. E lembre-se, se algum disser algo como Eu tenho uma ferramenta que pode sempre atender uma demanda de Cpk de 2,0, h duas opes: 1. Ele no sabe sobre o que est falando, porque no tem sentido falar sobre ndices de capabilidade sem relacionar o desempenho da ferramenta em uma aplicao com as exigncias do cliente (limites de tolerncia)! 2. Ele sabe sobre o que est falando e est tentando fazer a ferramenta parecer melhor do que realmente .

18 Guia de bolso - Estatstica

6. Grficos de controle
Falamos sobre estatstica e preciso, sobre processos e capabilidade. Agora vamos abordar os grficos de controle. Estatstica, desempenho da ferramenta e ambiente de produo (variao do processo) so elementos importantes para entender esses grficos. O grfico de controle uma ferramenta importante dentro do Controle Estatstico do Processo. A idia coletar repetidamente um nmero de observaes (amostras) do processo a intervalos determinados. Com a ajuda dessas observaes (medies) queremos calcular algum tipo de indicador de qualidade e tra-los em um diagrama. O indicador normalmente usado na indstria de aperto a mdia de subgrupo e/ou a variao de subgrupo. Voc se lembra da diferena entre variao especial e aleatria? Se no se lembra, volte e leia a seo novamente, porque isso muito importante. Se o indicador de qualidade traado em grfico estiver dentro dos limites 6, dizemos que o processo est sob controle estatstico, apenas variao aleatria afeta os apertos. Quando usamos esses limites nos grficos de controle, eles so denominados limites de controle. Temos tambm um nvel ideal, um valor-alvo marcado entre os limites de controle e, certamente, deve ser igual ao nosso valor-alvo no processo de montagem. Se alguma variao especial for inserida no processo, ela pode afetar os apertos de duas maneiras diferentes; pode afetar a mdia dos apertos, a disperso ou ambas. Temos os seguintes requisitos num grfico de controle: Deve ser possvel detectar rapidamente mudanas sistemticas no processo, permitindo que identifiquemos as fontes de variao. Deve ser fcil de usar. A chance de obter um alarme falso deve ser muito pequena (se usamos os limites 6( como limites de controle, a chance de 0,3%). Deve ser possvel saber quando a mudana comeou a afetar o processo. Deve ser provado que o processo estava sob controle. Deve ser motivador e chamar constantemente a ateno para variaes no processo e questes relacionadas qualidade.
Guia de bolso - Estatstica
19

6.1 Grficos x-bar

AL

Subgrupo

Primeiro introduzimos um grfico de controle para controlar o nvel mdio de uma determinada unidade. Pode ser o dimetro de um parafuso, ou o torque aplicado a uma junta. chamado grfico-x e quando usado ns traamos a mdia das observaes (medies) em um diagrama. A intervalos pr-definidos, coletamos do processo um nmero de medies, um subgrupo. Ento calculamos a mdia para cada subgrupo e usamos esse valor como nosso indicador de qualidade. Sabemos que as aplicaes de aperto podem ser descritas como uma distribuio normal. Sabemos que a mdia e o desvio-padro nos ajudam a fazer isso. Tambm sabemos que todos os processos variam com o passar do tempo, devido a diferentes tipos de variao, ou seja, diferenas de material, influncia do operador, etc. O limite 6( torna possvel dizer se a variao do processo devida a causas aleatrias ou especiais, portanto os limites de controle so normalmente baseados nos limites 6(, a variao natural do processo. O procedimento para traar esses grficos direto, a varivel relevante (em nosso caso torque ou ngulo) medida a intervalos regulares (pode ser uma vez por hora ou uma vez por dia) e so realizadas tipicamente 5 leituras consecutivas a cada vez. Quando os limites de controle so determinados, os valores de cada grupo de leituras pode ser traado nos grficos. Quando o processo de montagem est sob controle (apenas variao aleatria afeta os apertos), as mdias dos subgrupos se dispersaro aleatoriamente em torno da mdia geral ( ).

BAI

Figura 17. Coletamos do processo vrias medies, um subgrupo, e traamos as mdias no diagrama.

20 Guia de bolso - Estatstica

6.2 O subgrupo

Distribuio para mdias de subgrupos, Distribuio para medies individuais, x

Vamos presumir que a varivel de qualidade (no nosso caso os apertos) que queremos controlar tem a mdia e o desviopadro quando o processo est sob controle. Lembre-se que o nosso indicador de qualidade a mdia do subgrupo, . Preferencialmente, as medies individuais e as mdias dos subgrupos devem ter o mesmo valor mdio (ver figura). Mas tambm podemos ver que a disperso entre as medies individuais () maior do que entre as mdias dos subgrupos o que, na realidade, /n, onde n o nmero de medies em cada subgrupo. Portanto, a chance de detectar um desvio em relao a maior quando estudamos os subgrupos ao invs das medies individuais. Portanto, na verdade, os limites de controle so normalmente ajustados para (os limites-6 do subgrupo): UCL = + 3/n LCL = 3/n Estimado por meio de:

Figura 18: A disperso entre as medies individuais maior do que entre as mdias de subgrupos.

Mas que tamanho o subgrupo deve ter? Se voc analisar a figura abaixo, ver que medida que aumentamos o tamanho dos subgrupos (n), o desvio-padro no diminui muito quando ultrapassamos 4 ou 5. Isso explica porque 4, 5 ou 6 so escolhas muito comuns de tamanhos de subgrupos. Historicamente, um subgrupo de 5 uma escolha muito comum.

Desvio-padro para as mdias de subgrupo dependendo do tamanho do subgrupo n

Figura 19. O uso de um tamanho de subgrupo 5 muito comum na indstria.

Guia de bolso - Estatstica

21

6.3 Alarmes

Vamos agora parte boa; o que acontece se alguma coisa no aleatria comea a afetar os apertos? O que acontece se a qualidade dos parafusos de repente deteriorar? Bem, talvez isso afete a mdia dos subgrupos. Talvez afete a disperso dentro dos subgrupos. Talvez o torque aplicado s juntas diminua gradualmente. Agora, tudo isso pode ser detectado. O aspecto positivo dos grficos de controle que o engenheiro de qualidade ou, com freqncia, o operador, podem detectar problemas potenciais em um estgio inicial antes que os apertos fiquem fora dos limites de tolerncia, antes que montagens defeituosas sejam feitas. A forma mais fcil de detectar que algo no aleatrio comeou a afetar o processo quando obtemos valores fora dos limites de controle. Isso um ALARME e temos que verificar imediatamente o que aconteceu antes que tenhamos apertos fora dos limites de tolerncia!
Tendncias Alarme Aumento mdio

Figura 20. Exemplos de como os grficos de controle podem parecer quando uma variao sistemtica foi inserida no processo.

Na figura esquerda, voc pode ver como um grfico de controle PODE parecer quando uma variao especial comea a afetar o processo de montagem. Os dois primeiros casos mostram alarmes de tendncia. A produo pode continuar durante a investigao. O quarto caso quando a mdia geral( ) comea a desviar do valor-alvo. Devemos descobrir porque isso aconteceu, porm talvez um ajuste da ferramenta seja suficiente; isso depende do motivo da mudana.
6.4 Grficos de variao

Para controlar a disperso no processo, podemos usar o desvio-padro ou a variao dentro dos subgrupos. A variao (R) a diferena entre o maior e o menor valor de cada subgrupo. O desvio-padro , com certeza, baseado em todos os valores dentro do subgrupo, ao passo que a variao baseada em apenas dois. Isso significa que o grfico-s mais confivel e nos fornece mais dados sobre a disperso. Entretanto, a variao mais fcil de calcular e, embora agora ns tenhamos ferramentas muito boas, que calculam tudo para ns, o grfico-R ainda o grfico mais popularmente usado.

22 Guia de bolso - Estatstica

A variao R nos ajuda a estimar a disperso do subgrupo. Isso pode ser feito com a ajuda de diferentes testadores que podem ser encontrados em manuais de controle estatstico do processo. Se voc quiser que a linha central seja , os limites de controle para o grfico de controle sero: UCL = D4* LCL = D3* O grfico-R indica como a disperso se desenvolve dentro dos subgrupos. Isso torna possvel detectar quando uma mudana sistemtica no processo afeta a disperso do subgrupo.
6.5 Concluso do grfico de controle

Os limites de controle devem ser baseados em um nmero grande e confivel de apertos e devem ser re-calculados, usando os resultados reais da produo, a intervalos regulares, a fim de obter grficos confiveis. Este captulo pretende ser apenas uma introduo aos grficos de Controle do Processo e no abrange todos os aspectos desses grficos.

Resumo
Este guia explica os pontos bsicos da estatstica, tais como distribuio, valor mdio e desvio-padro. Descreve tambm como isso pode estar relacionado a uma aplicao por meio de clculos de capabilidade. O processo pode ser monitorizado e controlado usando o CEP e isso tambm descrito e explicado. Este guia de bolso no explica todos os aspectos e o potencial da estatstica. uma introduo ao assunto e se houver necessidade de estudos mais aprofundados, recomendamos que voc consulte literatura especializada. As diferentes ofertas de produtos que Atlas Copco pode fornecer para ajudar seus clientes a utilizar o potencial da estatstica na produo no so abordadas neste guia. Se voc precisar discutir a linha de produtos Atlas Copco, por favor entre em contato com seu representante de vendas Atlas Copco local.
Guia de bolso - Estatstica
23

Apndice
A1. Exemplo de clculo bsico de estatstica

O exemplo a seguir o ajudar a entender os pontos bsicos da estatstica. Neste exemplo, comparamos os nveis de torque de duas ferramentas diferentes. Voc ento pode obter os valores de torque mostrados abaixo: O torque-alvo 10.
Ferramenta Atlas Copco 10 10.1 10.2 9.7 10.0 10.2 10.1 9.7 9.8 10.2 Outra ferramenta 10 11 9 8 12 10 9 12 8 11

Qual dessas ferramentas a mais precisa? Para responder a isso, calculamos primeiro o valor mdio das duas sries. O valor mdio nos fornece uma mdia de todos os valores recebidos de diferentes apertos e usamos o smbolo . O valor mdio calculado somando todos os dados de aperto, , e dividindo pelo nmero de apertos, n. x=
i=1

x i
n

Valor mdio,
Ferramenta Atlas Copco 10 Outra ferramenta 10

24 Guia de bolso - Estatstica

As duas ferramentas tm um valor mdio de 10. Se uma ferramenta tivesse um valor mdio de 15, saberamos que aquela ferramenta no to boa quanto a que est dentro do torquealvo. As duas ferramentas tm a mesma preciso? A preciso nos indica quo precisa a ferramenta , ou seja, com que preciso atinge o alvo. o grau ao qual um valor indicado se equipara ao valor real de uma varivel medida. Como vemos agora a diferena? Vamos ver a variao dos valores das duas ferramentas. A variao, R, nos indica entre quais valores recebemos nossos apertos e calculada como a diferena entre o valor mais alto e o valor mais baixo na variao. R = xmax xmin. Variao, R
Ferramenta Atlas Copco 0.5 Outra ferramenta 4

Com a ferramenta Atlas Copco, nossos valores de aperto diferem em 0,5 Nm entre o valor mais alto e o mais baixo, enquanto a outra ferramenta apresenta um desvio de 4 Nm. Mas, se voc realizar 1000 apertos com a ferramenta Atlas Copco e obtiver um valor totalmente fora da variao, p.ex. 5, voc obtm uma variao de 5,5 para a ferramenta Atlas Copco. Ento, a ferramenta Atlas Copco torna-se a ferramenta ruim. Precisamos encontrar uma funo para eliminar a influncia daquele aperto especifico.

Guia de bolso - Estatstica

25

O desvio-padro um ndice estatstico de variabilidade que descreve o desvio e nos indica a diferena mdia entre o valor de uma varivel especfica e um valor desejado, geralmente um ponto determinado no processo. Vamos calcular o desvio para cada valor recebido e som-los.
Ferramenta Atlas Copco Torque 10 10.1 10.2 9.7 10.0 10.2 10.1 9.7 9.8 10.2 xi 0 0.1 0.2 -0.3 0 0.2 0.1 -0.3 -0.2 0.2 Outra ferramenta Torque 10 11 9 8 12 10 9 12 8 11 xi 0 1 -1 -2 2 0 -1 2 -2 1

=10

=0

=10

=0

O resultado 0 para as duas ferramentas. O que causa um problema neste caso? Temos valores tanto positivos como negativos. Precisamos descartar o menos, para obter valores absolutos de cada desvio. Para retirar matematicamente o menos, podemos elevar ao quadrado cada valor.
i

26 Guia de bolso - Estatstica

Ferramenta Atlas Copco

Outra ferramenta
2

10 10.1 10.2 9.7 10.0 10.2 10.1 9.7 9.8 10.2


=10

xi 0 0.1 0.2 -0.3 0 0.2 0.1 -0.3 -0.2 0.2


(xi )=0 (xi

(xi -

10 11 9 8 12 10 9 12 8 11
=10

xi 0 1 -1 -2 2 0 -1 2 -2 1
(xi )=0

(xi -

)2 0 1 1 4 4 0 1 4 4 1

0 0.01 0.04 0.09 0 0.04 0.01 0.09 0.04 0.04


)2= 0.036

(xi

)2=2

Agora temos um valor com o qual comparar que o Nm2. Mas o que esse valor nos indica? Ele indica algo sobre desvio. Esse valor depende do nmero de apertos. O que fazemos dividir esse valor pelo nmero de apertos 1 para obter uma mdia. Temos que obter a raiz quadrada dessa soma para ter o valor Nm de volta.
i

Ferramenta Atlas Copco 0.2

Outra ferramenta 1.4

O que fizemos agora foi calcular o desvio-padro da amostra. O desvio-padro uma forma de medir com que preciso a ferramenta opera, quo prximo estamos do valor esperado. Agora podemos ver uma clara diferena. A ferramenta Atlas Copco apresenta um desvio-padro de 0,2 Nm do alvo; enquanto a outra ferramenta apresenta um desvio-padro de 1,4 Nm. Portanto, o que este exemplo nos indica que embora as duas ferramentas tenham o mesmo valor mdio, a primeira ferramenta mais precisa. Os diferentes apertos esto mais prximos do valor-alvo e o desvio-padro uma forma de provarmos isso.
Guia de bolso - Estatstica
27

A2. Exemplo de clculo de capabilidade

Sabemos que a capabilidade de uma ferramenta a forma como ela se comporta em uma aplicao especfica. Ento, o que fazemos quando calculamos os ndices de capabilidade relacionar a preciso da ferramenta (valor mdio e desvio-padro) s demandas da aplicao (valor-alvo e limites de tolerncia). Vamos presumir que temos uma aplicao com valor-alvo de 15 Nm e tolerncias de +/ 8%. Isso significa que o limite superior de tolerncia 16,2 Nm e o limite inferior 13,8 Nm. Coletamos resultados de 20 apertos de uma ferramenta na linha de produo:
15.4 15.6 15.4 15.1 15.1 15.5 15.0 15.3 15.2 15.1 15.5 15.3 15.4 15.3 15.3 15.1 15.2 15.4 15.1 15.2

28 Guia de bolso - Estatstica

Agora fcil calcular o valor mdio e o desvio-padro: x= i=1 n x i


n

fcil agora calcular os valores Cp e Cpk: Cp = (AL BAI) / 6 = (16.2-13.8)/(6*0.165) = 2.42 Cpk = min [(AL - MED) / 3 , (MED - BAI) / 3] = min [(16.2-15.275)/3*0.165 , (15.275-13.8/3*0.165] = min [1.87 , 2.98] = 1.87 Os valores Cp e Cpk so superiores a 1,33 e o processo capaz e no precisa necessariamente ser ajustado, embora a mdia esteja ligeiramente fora do alvo.
A3. Exemplo de clculo de grfico de controle

Agora queremos criar um grfico de controle com os mesmos apertos do exemplo anterior. Vamos presumir que estamos iniciando um processo de produo aps ele ter sido interrompido por algum tempo. Ento ns realmente no sabemos o valor mdio ( e o desvio-padro (. Para calcular os limites de controle para o grfico de controle, os clculos devem ser baseados em um nmero confivel de apertos. Um bom mtodo emprico coletar pelo menos 20-25 subgrupos antes de calcular os limites de controle para um grfico de controle. A razo que pelo menos 20 subgrupos so necessrios para que possamos dizer se o processo est sob controle ou no. Entretanto, neste exemplo, ns simplificamos e coletamos apenas 4 subgrupos.

Guia de bolso - Estatstica

29

Vamos presumir que coletamos esses resultados em 4 ocasies diferentes. Determinamos o tamanho dos subgrupos em 5, portanto, coletamos 5 resultados em cada ocasio:

Dia 1

15.4 15.6 15.4 15.1 15.1

Dia 2

15.5 15.0 15.3 15.2 15.1

Dia 3

15.5 15.3 15.4 15.3 15.3

Dia 4

15.1 15.2 15.4 15.1 15.2

30 Guia de bolso - Estatstica

A primeira coisa que fazemos calcular a mdia para cada subgrupo: = = = = 15.32 15.22 15.36 15.2

Quando o processo de produo est sob controle, o valoralvo o mesmo do valor mdio geral. fcil calcular a mdia geral ( ) = 15,275. J vimos anteriormente que os limites de controle so baseados na variao natural entre os valores mdios dos subgrupos. UCL = LCL = + 3s / n = 15.275 + (3*0.165 / 5) = 15.275 + 0.22 = 15.5 3s / n = 15.275 (3*0.165 / 5) = 15.275 0.22 = 15.05

Agora podemos criar nosso grfico de controle. Usamos a mdia geral como linha central e marcamos tambm os limites de controle no grfico. Agora podemos traar as mdias dos subgrupos no grfico. Como podemos ver, eles esto todos dentro dos limites de controle e a produo est sob controle (embora os valores de aperto individuais estejam fora dos limites). Lembre-se que os limites so baseados na variao entre as mdias dos subgrupos, no nos apertos individuais. A partir de agora fcil traar uma nova mdia de subgrupo no grfico a cada dia. Enquanto os valores traados estiverem aleatoriamente dispersos em torno da linha central, o processo est sob controle.

Torque

Data

Figura 21. O processo est sob controle quando as mdias do subgrupo esto aleatoriamente dispersas em torno da mdia total.

Guia de bolso - Estatstica

31

A4. Anlise de desempenho de ferramenta para montagem - Clculo ISO 5393

Para avaliar o desempenho de diferentes ferramentas e comparar uma ferramenta com outra, h uma norma internacional (ISO 5393) que determina um procedimento de teste bsico e anlise dos resultados. Baseados nessa norma, muitos fabricantes de veculos motorizados desenvolveram suas prprias normas de certificao. Como exemplo, vamos presumir que testamos uma ferramenta de acordo com o procedimento estabelecido na ISO 5393. Na junta rgida com ferramenta no ajuste de torque mais alto, os seguintes resultados so obtidos (em Nm).
31.5 33.2 32.6 33.7 31.4 32.5 33.1 31.2 33.5 32.6 33.1 31.0 32.3 33.2 32.4 31.5 33.5 33.3 31.5 32.6 31.3 33.7 33.0 31.8 33.0

Calculamos agora os valores requeridos para analisar a preciso do aperto da ferramenta, conforme descrito na ISO 5393, para os dados da junta rgida no mais alto ajuste de torque.
Torque mdio ( )

= (31.5 +33.2 + 32.6 + 33.7 + ....+ 33.0) / 25 = 32.5 Nm


Variao

= 33.7 - 31.0 = 2.7 Nm


Desvio-padro (s)

= 0.863 Nm
Disperso de torque (6s) sigma

6 x 0.863 = 5.18 Nm
Disperso 6s como uma porcentagem do torque mdio

= (5.18 / 32.5) x 100 = 15.93 %

32 Guia de bolso - Estatstica

Agora vamos presumir que para a mesma ferramenta calculamos os seguintes valores para os dados coletados com outros ajustes de torque e condies de juntas descritas na ISO 5393. Para um ajuste de torque mais alto na junta flexvel Uma mdia de 31,95 e um desvio-padro de 0,795. Para um ajuste de torque mais baixo na junta rgida Uma mdia de 23,72 e um desvio-padro de 0,892. Para um ajuste de torque mais baixo na junta flexvel Uma mdia de 22,87 e um desvio-padro de 0,801.
Podemos agora fazer os seguintes clculos para o ajuste de torque mais alto

a= b= c= d= a= b= c= d=

Mdia da junta rgida +3S Mdia da junta flexvel Mdia da junta rgida 3S Mdia da junta flexvel 32.50 + (3 x 0.863) = 35.09 31.95 + (3 x 0.795) = 34.34 32.50 (3 x 0.863) = 29.91 31.95 (3 x 0.795) = 29.56

junta rgida +3S junta flexvel junta rgida 3S junta flexvel

Torque mdio combinado

(35.09 + 29.56) / 2 = 32.33 Nm


Mean shift

32.5 31.95 = 0.55 Nm


Disperso do torque combinada

35.09 29.56 = 5.53 Nm


Disperso do torque combinada como % da mdia combinada

(5.53 / 32.33) x 100 = 17.1 %


Ajuste de torque mais baixo

a= b= c= d= a= b= c= d=

Mdia da junta rgida + 3s Mdia da junta flexvel + 3s Mdia da junta rgida 3s Mdia da junta flexvel 3s 23.72 + (3 x 0.892) = 26.40 22.87 + (3 x 0.801) = 25.27 23.72 (3 x 0.892) = 21.04 22.87 (3 x 0.801) = 20.47

junta rgida junta flexvel junta rgida junta flexvel

Guia de bolso - Estatstica

33

Torque mdio combinado

(26.40 + 20.47) / 2 = 23.44 Nm


Meanshift

23.72 -22.875 = 0.85 Nm


Disperso do torque combinada

26.40 20.47 = 5.93 Nm


Disperso de torque combinada como % da mdia combinada

(5.93 / 23.44) x 100 = 25.3 %


A capabilidade da ferramenta 25,3 %

uma vez que a maior disperso do torque foi com o ajuste de torque mais baixo. Esta ferramenta em particular ir apertar 99,7 % de todas as juntas prticas at 13 % de seu valor de torque pr-ajustado (ou seja, 99,7% dos resultados recairo dentro de 3s da mdia).

34 Guia de bolso - Estatstica

Guias de bolso Atlas Copco


Ttulo Distribuio da linha de ar Motores pneumticos Furao com mquinas portteis Esmerilhamento Ferramentas percussivas Ferramentas de impulso Tcnica de rebitagem Parafusamento Tcnica de anlise estatstica A arte da ergonomia Tcnica de aperto Vibraes em esmerilhadeiras Cdigo 9833 1266 01 9833 9067 01 9833 8554 01 9833 8641 01 9833 1003 01 9833 1225 01 9833 1124 01 9833 1007 01 9833 8637 01 9833 8587 01 9833 8648 01 9833 9017 01

Guia de bolso - Estatstica

35

www.atlascopco.com

9833 8637 XX

Recyclable paper. Jetlag 2003:1. Printed in Sweden