Escolar Documentos
Profissional Documentos
Cultura Documentos
SPC avançado
Conceitos de SPC & MSA
Objectivos desta secção
• No final deste workshop, deverão ser capazes de:
- Compreender como utilizar o SPC de forma produtiva
- Compreender os benefícios da utilização do SPC
- Identificar os pontos essenciais para melhorar processos estáveis
- Compreender os princípios da variação
- Analisar os efeitos e custos associados a má utilização do SPC
- Usar o SPC para monitorizar os inputs e outputs de interesse para o projecto
- Seleccionar a carta de controlo correcta para a monitorização
- Construir cartas de controlo
- Interpretar cartas de controlo
- Concluir sobre os factores de sucesso quando existe uma correcta utilização do SPC.
- Compreender a importância de uma correcta análise do sistema de medição.
© ProfitAbility Engineers 2
Simbologia utilizada
Ferramenta Auxiliar Excel
Exemplo prático
Exercício prático
[SPC Avançado]
v4.0
[Introdução ao SPC]
© ProfitAbility Engineers 4
Conteúdo da formação
0–I
0 Introdução ao SPC ntro
duçã
o
ao S
– O PC
1 Compreendendo a variação q u e éoS
PC
– O
bjec
tivos
2 Recolha de dados – N
eces
do S
PC
sida
– D d es
b ási
3 Cartas de controlo ificu
ldad
cas
– R es co
egra mun
s bá s
4 Cartas por variáveis e por atributos sicas
“10
m an
dam
e
5 Capacidade dos processos ntos
”
© ProfitAbility Engineers 5
Uso do SPC no controlo dos processos
© ProfitAbility Engineers 6
Pode não ser a ferramenta ideal…
BOB
• Produto e/ou processo com capacidade Six Sigma ou um
sistema automático de ajuste dos X’s críticos
• Treino e sensibilização
WOW!!!
© ProfitAbility Engineers 7
Mas tem um objectivo…
• Cada processo tem causas de variação,
conhecidas como:
– Causas Comuns: variabilidade natural
– Causas Especiais: variabilidade anormal
• SPC é a ferramenta básica para monitorizar e
melhorar a variação num processo.
• O SPC é usado para detectar causas especiais de
variação, alertando quando o processo está fora
de controlo, mas não nos diz porquê.
• SPC é uma ferramenta de gestão visual para
percepcionar a capacidade do processo.
• SPC é a voz do processo… se efectivamente a
quisermos ouvir!
• E tudo se deve ao Dr. Shewhart…
© ProfitAbility Engineers 8
O que é então SPC?
• É:
– o controlo ou a gestão de processos através da
utilização de métodos estatísticos.
– Centrado na PREVENÇÃO em vez de detecção.
– Uma ferramenta poderosa, quando utilizada no
contexto correcto.
• Não é:
– Engenharia Espacial.
– Uma panaceia para todos os males.
– Um hobby para cientistas.
– Charts-on-walls (C.O.W.’s).
© ProfitAbility Engineers 9
Objectivos do SPC
© ProfitAbility Engineers 11
O que é que o SPC pode fazer?
© ProfitAbility Engineers 13
Modelo Tradicional
Custos de avaliação
e prevenção
Custos de avaliação
e prevenção
© ProfitAbility Engineers 17
As empresas querem “SPC”, porquê?
Porque a concorrência
também tem!
© ProfitAbility Engineers 19
As empresas querem “SPC”, porquê?
Vais ficar Vai ficar bem no nosso É suposto que nos ajude a
responsável pelo prospecto de vendas . Só é ter processos controlados!
nosso programa de pena não sabermos o que
SPC é!! Pois é! Nós
mentimos sempre,
nos prospectos
© ProfitAbility Engineers 21
Necessidades Básicas
• Abordagem PDCA
• Recursos (tempo, pessoas,
equipamento, dinheiro)
• Avaliação (Recursos vs. Benefícios)
• Empenho da Direcção
• Objectivos definidos e conhecidos
• Clareza sobre “O que é que se espera
ganhar com o SPC”
• Que os “Porquês” sejam esclarecidos!
© ProfitAbility Engineers 22
Dificuldades
© ProfitAbility Engineers 24
Os 10 mandamentos do SPC
•Quando utilizado...
no local certo
nas circunstâncias certas
com os objectivos correctos
com os recursos certos
com a filosofia correcta…
•Quando utilizado...
no local errado
nas circunstâncias erradas
com os objectivos errados
com os recursos errados
com a filosofia errada…
[SPC Avançado]
v4.0
[Compreendendo a variação]
© ProfitAbility Engineers 29
Conteúdo da formação
1–C
0 Introdução ao SPC o mp
reen
end d
– N oav
oçõe
1 Compreendendo a variação s ge
rais
aria
ç ão
– A
expe
riên
2 Recolha de dados – C
oncl
cia d
o fun
usõe il
s
3 Cartas de controlo
© ProfitAbility Engineers 30
Compreendendo a Variação
• A variação existe em tudo.
tudo Melhor
capacidade, torna-se uma necessidade,
porque são precisos:
– melhores projectos
– custos mais baixos
– melhor desempenho
• Tudo isto leva a tolerâncias mais
apertadas.
• Isto significa que a capacidade de operar
dentro de tolerâncias apertadas,
apertadas sem
produzir defeitos torna-se numa grande
vantagem.
© ProfitAbility Engineers 31
Compreendendo a Variação
© ProfitAbility Engineers 32
Compreendendo a Variação
• O Dr. Deming usou uma demonstração muito simples, para
ilustrar os efeitos da “adulteração” dos processos: a
experiência do funil.
• O objectivo desta experiência é atingir um alvo com um
berlinde, que se lança através de um funil.
© ProfitAbility Engineers 33
Compreendendo a Variação
© ProfitAbility Engineers 34
Compreendendo a Variação
• Regra 2- Compensação Exacta
– Medir a distância (absoluta) do último
lançamento ao centro do alvo.
– Compensar o erro. Após cada lançamento, sem
mexer no funil, movê-lo essa mesma distância,
no sentido oposto.
Razões
– Esta regra tenta compensar a imprecisão do
funil.
– Se o berlinde falha o alvo, por uma certa
distância, será razoável assumir que se o
movermos na direcção oposta, à mesma
distância, poderemos melhorar os resultados.
– Esta regra exige que se saiba a posição do funil
no último lançamento.
© ProfitAbility Engineers 35
Compreendendo a Variação
• Regra 3 - Sobre Compensação
– Medir a distância (absoluta) do último
lançamento ao centro do alvo.
– Após cada lançamento, centrar o funil no
alvo e deslocá-lo no sentido oposto, a mesma
distância.
• Razões
– Neste caso, utilizámos o alvo como base para
os nossos ajustamentos, em vez do último
resultado.
– Esta será a única opção se apenas
conhecermos a posição do alvo e do último
lançamento, mas não soubermos a posição
do funil.
© ProfitAbility Engineers 36
Compreendendo a Variação
• Regra 4 - Consistência
– Centrar o funil por cima do último
lançamento.
• Razões
– O objectivo desta regra é o de manter
resultados constantes.
– Mesmo que se falhe o alvo, os resultados
deverão ser consistentes, uma vez que
apontamos sempre para a posição do
último lançamento.
– Se falharmos, podemos corrigir mais tarde.
© ProfitAbility Engineers 37
Compreendendo a Variação
© ProfitAbility Engineers 38
Compreendendo a Variação
• Regra 1
– Dá-nos os melhores resultados
sem alterar o processo.
– O “funil” permite-nos melhorar
os resultados ajustando a altura
do lançamento
– Quanto mais baixo,
baixo menor será
a variação.
© ProfitAbility Engineers 39
Compreendendo a Variação
• Regra 2
– Vai aumentar a variação em
cerca de 41%.
41%
– Um exemplo desta regra :
• Ajustar um torno, depois de cada
peça, para compensar a diferença
entre o diâmetro conseguido e a
especificação nominal.
© ProfitAbility Engineers 40
Compreendendo a Variação
• Regra 3
– Causa a “explosão” do processo em duas
direcções.
direcções O resultado oscila de um lado
para o outro.
– Exemplo desta regra :
• Estabelecer os objectivos de produção, para
o mês corrente, com base nas encomendas
do mês passado.
© ProfitAbility Engineers 41
Compreendendo a Variação
• Regra 4
– Também causa a “explosão” do
processo.
– Eventualmente, o processo vai
“fugir” numa direcção qualquer, e
cada vez mais longe do alvo.
– Exemplo desta regra :
• Um operador dá formação a outro,
que por sua vez dá a outro, etc...
© ProfitAbility Engineers 42
Compreendendo a Variação
• Conclusão
– Todas as estratégias representadas pelas regras 2, 3 e 4 são, na
realidade, adulteração.
adulteração A adulteração vai sempre piorar as coisas.
coisas
– É claro que existem razões legítimas para se realizarem ajustes aos
processos.
– Se deixarmos um processo funcionar, sem adulteração, vamos saber
primeiro se o processo é estável e, depois, se a média do processo está
desviada do objectivo.
– Se ajustarmos um processo estável, com base na média dos resultados,
vamos melhorar a precisão,
precisão mas os resultados vão sempre variar.
© ProfitAbility Engineers 43
Definição - Processo Estável
Tempo
© ProfitAbility Engineers 44
Definição - Processo Instável
Tempo
© ProfitAbility Engineers 45
2.
© ProfitAbility Engineers
[SPC Avançado]
v4.0
[Recolha de dados]
© ProfitAbility Engineers 46
Conteúdo da formação
2–R
0 Introdução ao SPC ecol
ha d
e
dado
– N s
oçõe
1 Compreendendo a variação s ge
rais
– Q
uest
ões
2 Recolha de dados – C
omo
fund
am e
ntai
reco s
– T l her d
3 Cartas de controlo i p os d
e re
ados
colh
a de
dado
4 Cartas por variáveis e por atributos s
© ProfitAbility Engineers 47
Recolha de Dados - O que é e para que serve
© ProfitAbility Engineers 48
Recolha de Dados - O que é e para que serve
ASSIM...
“Eu penso que o problema é …….”
torna-se
“Os dados indicam que o problema é…..”
© ProfitAbility Engineers 49
Como Recolher Dados
© ProfitAbility Engineers 50
Como Recolher Dados
• Recolha de dados (passo a passo): (cont.)
– A que pergunta temos que responder? 2º Passo
– Perguntar:
– Para que queremos os dados?
– O que vamos fazer com os dados, depois da recolha?
– Basear as decisões sobre a recolha dos dados na análise
do fluxograma do processo e no diagrama causa efeito.
START
LEVEL 2
MAIN MAIN LEVEL 3 CAUSE
CAUSE
CAUSE CAUSE
PROCESS STEP PROCESS STEP
LEVEL 1
CAUSE
NO
DECISION ?
YES NO
DECISION ? PROBLEM TO BE
A RESOLVED
YES (EFFECT)
PROCESS STEP
NO
DECISION ? A
YES
PROCESS STEP
MAIN MAIN
CAUSE CAUSE
FINISH
© ProfitAbility Engineers 51
Como Recolher Dados
• Recolha de dados (passo a passo): (cont.)
– Onde vamos recolher os dados?
3º Passo
• Consultar o fluxograma do processo
• Identificar os passos onde se esperem
mudanças
• Concentrar esforços utilizando os resultados
do diagrama causa-efeito
• Considerar a validação dos dados com os
resultados do final do processo
START
NO
DECISION ?
YES NO
DECISION ?
A
YES
PROCESS STEP
NO
DECISION ? A
YES
PROCESS STEP
FINISH
LEVEL 2
MAIN MAIN LEVEL 3 CAUSE
CAUSE
CAUSE CAUSE
LEVEL 1
CAUSE
PROBLEM TO BE
RESOLVED
(EFFECT)
MAIN MAIN
CAUSE CAUSE
© ProfitAbility Engineers 52
Como Recolher Dados
© ProfitAbility Engineers 53
Como Recolher Dados
© ProfitAbility Engineers 54
Como Recolher Dados
• Recolha de dados (passo a passo): (cont.) 6º Passo
• Como recolhemos os dados correctos?
– utilizar dimensões de amostra adequadas
– recolher frequentemente
– basear as decisões em factores como:
– disponibilidade dos dados
– custos
– consequências
© ProfitAbility Engineers 55
Problemas Possíveis
• Âmbito da análise pouco ou nada definido
• Quando e Quantas vezes se recolhem os dados
• Como recolher os dados
• Unidades de medida e critérios para os defeitos
• Como fazer em caso de múltiplos defeitos num só produto?
Recolha de Dados - O que utilizar para recolher dados
• Os dados são frequentemente
recolhidos utilizando Folhas de
Verificação.
• As principais utilizações são: Time Defects
© ProfitAbility Engineers 57
Recolha de Dados - Tipos e Utilização
• 1. Tabela
− Também conhecida por “folha de
verificação” TV SET MODEL 1013
Integrated Circuits
medição CRT
© ProfitAbility Engineers 58
Recolha de Dados - Tipos e Utilização
• 2. Localização
− Permite marcar no diagrama a localização física exacta do defeito ou
característica
− Normalmente é uma figura onde se registam ocorrências
x x
x x
x
x x
x
x
x x
x x
x
x
x
x
x
x
xx
x x x x x x
xxxx
© ProfitAbility Engineers 59
Recolha de Dados - Tipos e Utilização
• 3. Gráficos
− Permite que os dados sejam registados e visualizados ao
mesmo tempo
− Dados “em bruto” podem ser registados no gráfico
Te m p e ra tu re (°C )
250
240
230
220
210
200
08:00 09:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00
Time of Day
© ProfitAbility Engineers 60
Recolha de Dados - Pontos chave
• Conselhos e dicas de utilização:
– Utilize uma lista de verificação para:
• Facilitar a recolha de dados na observação de
amostras, de forma a detectar padrões
• Ajudar a responder estas questões:
– a) Que situação está a ocorrer?
– b) Quando e quantas vezes ocorrem as situações?
– c) Onde ocorrem as situações?
– d) As situações ocorrem conjuntamente com
mudanças ou outras situações?
– e) Esquecemos algo?
• Iniciar o processo de traduzir opiniões em factos
• Preparar os dados para o Pareto
© ProfitAbility Engineers 61
Recolha de Dados - Pontos chave
© ProfitAbility Engineers 62
3.
© ProfitAbility Engineers
[SPC Avançado]
v4.0
[Cartas de controlo]
© ProfitAbility Engineers 63
Conteúdo da formação
3–C
0 Introdução ao SPC art a
s de
o nt r c
– T olo
ipos
1 Compreendendo a variação de c
arta
– S s
ub-g
rupo
2 Recolha de dados – In
terp
s no
SPC
reta
ção
de c
3 Cartas de controlo arta
sd e co
ntro
lo
4 Cartas por variáveis e por atributos
© ProfitAbility Engineers 64
Elementos das cartas de controlo
• As cartas de controlo foram desenvolvidas por Dr Walter A. Shewhart dos Bell
Laboratories em 1924 como parte integrante do SPC.
• Permitem verificar graficamente (visualmente) variações ao longo do tempo.
– Isto é necessário para ter gestão visual do nosso processo.
• As cartas de controlo foram concebidas como sendo uma metodologia para indicar
variações na performance, através de variações da média ou da mediana.
• As cartas têm uma linha central e limites de controlo para auxiliar na detecção de
causas especiais de variação.
Causas especiais
detectadas
Centro do processo
Limites Controlo (tipicamente a média)
© ProfitAbility Engineers 65
Tipos de cartas de controlo
Atributos:
• Esta categoria de cartas de controlo mostra dados que resultam
da contagem do número de ocorrências ou eventos, numa única
categoria de itens similares. Estas contagens podem ser
expressas em termos de “passa/não-passa”, “sim/não” ou
presença/ausência de um defeito.
Variáveis:
• Esta categoria de cartas de controlo mostra dados que
resultam da medição de uma variável contínua.
Exemplos : tempo, temperatura, dimensões, etc…
© ProfitAbility Engineers 66
Sub-grupos no SPC
© ProfitAbility Engineers 67
O impacto da variação
Fontes variação Fontes variação Fontes variação
- Variação natural do -Variação natural do processo - Variação natural do processo
processo, definida pela
-Diferentes operadores - Diferentes operadores
selecção do sub-grupo
- Diferentes fornecedores
-LSC
-LIC
Primeiro, seleccionar a
dispersão que vamos
considerar como variação
natural do processo, de forma Logo, quando surge uma
a que cada vez que um ponto segunda fonte de variação, E, claro, se surgirem duas novas fontes
sai dos limites, o alarme vai nós iremos saber! de variação, nós iremos detectá-las
soar. também!
© ProfitAbility Engineers 68
Definição de sub-grupo
• A variação dentro dos grupos ou variação a curto prazo é encontrada entre dados de
um sub-grupo e conhecida como variação devido a causas comuns.
• A variação dentro dos sub-grupos é a base para estimar o desvio padrão do processo.
• A variação entre grupos é procurar causas especiais, padrões ou tendências.
x
x x x
x x
x x x
x x
x Tempo
x x x x
x x x x
x x x
x
x
© ProfitAbility Engineers 69
Definir o tamanho do sub-grupo
• Seleccione sub-grupos de forma a que causas especiais sejam perceptíveis entre grupos,
e não dentro dos grupos.
• Sub-grupos são tipicamente formados de duas formas:
– Amostras sucessivas são retiradas para medir a variação a curto prazo (dentro grupo).
• Ex. Uma pessoa do “drive thru” tem os seus tempos de resposta medidos em 5 clientes consecutivos.
• Ex. Retirar medições de 3 peças consecutivas de uma prensa.
– Amostras são retiradas de fontes que são aceites como tendo variação devido a causas
comuns.
• Ex. Medir várias cablagens de diferentes operadores.
• Ex. Sub-agrupar 5 tempos de resposta de diferentes operadores.
x
x x x
x x
x x x
x x
x Tempo
x x x x
x x x x
x x x
x
x
© ProfitAbility Engineers 70
Tamanho dos sub-grupos
• Tipicamente os sub-grupos têm 3-12 elementos para dados variáveis
– Se existir dificuldade em recolher as amostras (tempo, dinheiro), o tamanho n, é mais pequeno.
– 3, 5, e 10 são os tamanhos mais comuns de sub-grupos por uma questão de facilidade a fazer os
cálculos, quando se utiliza o SPC sem computador.
• O tamanho dos sub-grupos ajuda na detecção de variações ou desvios da média, indicando
a presença de causas especiais.
• Quanto maior o tamanho do sub-grupo, maior a hipótese de detectar causas especiais.
• Para dados por atributos o tamanho da amostra é tipicamente 50 – 200.
Longo prazo
(dentro & entre sub-grupos)
17
V o lu m e
12
7
1 2 3 4 5
Curto prazo Sub Group
(dentro sub-grupos)
© ProfitAbility Engineers 71
Frequência da amostragem
• A frequência da amostragem é um balanço entre custo de amostragem
versus o custo de não detectar as variações no processo.
• Conhecimento do processo é um input para a selecção da frequência de
amostragem depois do tamanho do sub-grupo ter sido decidido.
– Se as variações de um processo não conseguem ser detectadas devido a baixa
frequência, o cliente acaba por sofrer
– Se for possível escolher entre ter um sub-grupo grande com pouca frequência,
ou um sub-grupo pequeno com maior frequência, a maioria prefere a opção
com maior frequência
– Se a recolha for automática, então torna-se tudo mais fácil!
• Uma regra geral diz que “devemos recolher amostras pelo menos 10X
mais que a frequência das condições fora de controlo”.
© ProfitAbility Engineers 72
Frequência da amostragem
Outputpossíveis
• Uma amostragem demasiado Todas as amostras
7,5
pequena não vai permitir a 7,0
6,5
detecção de variação no processo 6,0
devido a causas especiais. 5,5
5,0
1 7 13 19 25 31 37
© ProfitAbility Engineers 73
SPC Passo a passo
Passo 1: Seleccione o X ou Y apropriado para controlar e monitorizar
Passo 2: Estabeleça o tamanho do sub-grupo e frequência de recolha de dados
Passo 3: Seleccione a carta de controlo apropriada
Passo 4: Implemente o processo de recolha de dados
Passo 5: Calcule a linha média e os limites de controlo
Passo 6: Coloque os dados de X ou Y na carta de controlo
Passo 7: Verifique se há situações fora de controlo, tendências e padrões
Passo 8: Interprete os resultados, investigue as razões para causas especiais e tome as
acções necessárias
- Fazer isto para cada situação anómala
Passo 9: Refazer passos 1 a 8 se houve uma alteração conhecida e que possa ser provada
por testes de hipóteses
- Uma alteração da média
- Uma redução na variação
© ProfitAbility Engineers 74
Recolha de dados e registo de ocorrências
• Com o processo em operação (sem alterações) recolha os dados.
• Registe os dados nos campos apropriados do formulário.
• Nunca deixar de registar qualquer ocorrência anormal.
anormal
• Um registo de ocorrências rigoroso pode ajudar a entender o comportamento do processo e
identificar possíveis causas.
© ProfitAbility Engineers 75
Calcular Média e Amplitude
• As características que vão aparecer nos gráficos são a média e a
amplitude de cada sub-grupo.
• Para cada sub-grupo, calcular:
calcular
X
i 1
i
X Escreva na carta
n de controlo
R = X Maior - X Menor
© ProfitAbility Engineers 76
Seleccione escalas apropriadas
© ProfitAbility Engineers 77
Traçar os gráficos
© ProfitAbility Engineers 78
Calcular os limites de controlo
© ProfitAbility Engineers 79
Médias e limites de controlo
© ProfitAbility Engineers 80
Limites de controlo para o estudo contínuo
© ProfitAbility Engineers 81
Interpretação de cartas de controlo
© ProfitAbility Engineers 83
7 pontos consecutivos por cima ou por baixo da linha média
© ProfitAbility Engineers 84
7 pontos consecutivos a subir ou a descer
© ProfitAbility Engineers 85
Pontos muito próximos da linha média
© ProfitAbility Engineers 86
Pontos muito próximos dos limites
© ProfitAbility Engineers 87
Ciclos repetitivos ou padrões
© ProfitAbility Engineers 88
Saltos de Nível
© ProfitAbility Engineers 89
Interpretação de Cartas de Controlo
• Perguntas comuns:
– Existem diferenças na precisão dos instrumentos / métodos utilizados?
– Existem diferenças nos métodos utilizados?
– O processo é afectado pelo ambiente (temperatura, humidade)?
– O processo é afectado por condições previsíveis (ex. desgaste de ferramentas)?
– Estava presente algum operador sem formação?
– Houve alterações aos “inputs” do processo (ex. matérias-primas)?
– O processo é afectado pela fadiga dos operadores?
– Houve qualquer alteração às normas ou aos procedimentos (ex. manutenção) ?
– O processo é ajustado frequentemente?
– As amostras vieram de diferentes partes do processo? turnos? Indivíduos?
– Os operadores têm medo de dar “más notícias”?
© ProfitAbility Engineers 90
Regras Básicas
© ProfitAbility Engineers 91
Regras Básicas
* Antes de recalcular novos limites devemos ser capazes de responder estas questões!
© ProfitAbility Engineers 92
Regras Básicas
© ProfitAbility Engineers 93
Exercício
© ProfitAbility Engineers 94
4.
© ProfitAbility Engineers
[SPC Avançado]
v4.0
© ProfitAbility Engineers 95
Conteúdo da formação
4–C
0 Introdução ao SPC art a
s po
r va
atrib riáv
utos ei s e
1 Compreendendo a variação cart
as p
– T or
ipos
de c
2 Recolha de dados – C
arta
arta
s
s po
r var
fórm iáve
3 Cartas de controlo u las is e
resp
– C ectiv
arta as
s po
4 Cartas por variáveis e porfóatributos
rmu
r atr
i bu t
os e
las resp
ectiv
5 Capacidade dos processos as
© ProfitAbility Engineers 96
Selecção de cartas de controlo
Amostra
(*) Defeito: =1 I/Rm
Não cumpre o critério de
aceitação.
Uma unidade defeituosa
Variáveis
Amostra
3a5 X/R
pode ter vários defeitos.
Amostra
≥10 X/s
Característica / Amostra
Parâmetro a Controlar Constante
(>50 )
c
Defeito
(*)
(**) Defeituoso:
Amostra
variável u
Não cumpre o critério de Atributos
aceitação, Amostra
independentemente do Constante
(>50 )
np
número de defeitos na peça. Defeituoso
(**) Amostra
variável
(>50 )
p
© ProfitAbility Engineers 97
Selecção de cartas de controlo
Amostra
(*) Defeito: =1 I/Rm
Não cumpre o critério de
aceitação.
Uma unidade defeituosa
Variáveis
Amostra
3a5 X/R
pode ter vários defeitos.
Amostra
≥10 X/s
Característica / Amostra
Parâmetro a Controlar Constante
(>50 )
c
Defeito
(*)
(**) Defeituoso:
Amostra
variável u
Não cumpre o critério de Atributos
aceitação, Amostra
independentemente do Constante
(>50 )
np
número de defeitos na peça. Defeituoso
(**) Amostra
variável
(>50 )
p
© ProfitAbility Engineers 98
Porquê Variáveis?
© ProfitAbility Engineers 99
Carta de Indivíduos e Amplitudes Móveis – I/MR
x i R i
UCL x X E 2 MR UCL MR D 4 MR
X i 1 MR i
k k -1 LCL x X E 2 MR LCL MR D 3 MR
Onde:
X: Média dos indivíduos, torna-se a linha média no gráfico
Xi: Pontos individuais
k: Número de pontos individuais
Ri : Amplitude móvel entre indivíduos, calculada usando a diferença entre cada par de leituras.
MR: A média da amplitude móvel, a linha média da carta das amplitudes
UCLX: Upper control limit (Limite superior de controlo)
LCLX: Lower control limit (Limite inferior de controlo)
UCLMR: Upper control limit (Limite superior de controlo)
LCLMR : Lower control limit (Limite inferior de controlo. Não aplicável para amostras abaixo de 7)
E2, D3, D4: Constantes que variam de acordo com o tamanho da amostra usado a obter a amplitude móvel
MR
x i R i UCL x X A 2 R UCL R D 4 R
X i 1
R i
LCL x X A 2 R LCL R D 3 R
k k
Onde:
Xi: Média das médias dos sub-grupos, torna-se a linha média da carta
Xi: Média de cada sub-grupo
k: Número de sub-grupos
Ri : Amplitude de cada sub-grupo (Valor máximo – Valor mínimo)
R: A amplitude média dos sub-grupos, a linha média da carta das amplitudes
UCLX: Upper control limit (Limite superior de controlo)
LCLX: Lower control limit (Limite inferior de controlo)
UCLR: Upper control limit (Limite superior de controlo carta R)
LCLR : Lower control limit (Limite inferior de controlo carta R. Se negativo, é zero)
A2, D3, D4: Constantes que variam de acordo
R com o tamanho do sub-grupo
x i s i UCL x X A 3 S UCL S B 4 S
X i 1
S i 1
k k LCL x X A 3 S LCL S B3 S
Onde:
Xi: Média das médias dos sub-grupos, que se torna a linha média da carta
Xi: Média de cada sub-grupo
k: Número de sub-grupos
si : Desvio padrão de cada sub-grupo
S: A média dos desvios padrões de cada sub-grupo, a linha média do gráfico S
UCLX: Upper control limit (Limite superior de controlo)
LCLX: Lower control limit (Limite inferior de controlo)
UCLS: Upper control limit (Limite superior de controlo carta S)
LCLS : Lower control limit (Limite inferior de controlo carta S)
A3, B3, B4: Constantes que variam de acordo S com o tamanho da amostra dos sub-grupos
Amostra
(*) Defeito: =1 I/Rm
Não cumpre o critério de
aceitação.
Uma unidade defeituosa
Variáveis
Amostra
3a5 X/R
pode ter vários defeitos.
Amostra
≥10 X/s
Característica / Amostra
Parâmetro a Controlar Constante
(>50 )
c
Defeito
(*)
(**) Defeituoso:
Amostra
variável u
Não cumpre o critério de Atributos
aceitação, Amostra
independentemente do Constante
(>50 )
np
número de defeitos na peça. Defeituoso
(**) Amostra
variável
(>50 )
p
p (1 p )
Número total de itens defeituosos
UCL p p 3
p= ni
Número total de itens inspeccionados p (1 p )
LCL p p 3
Onde: ni
p: Proporção média defeituosa (0.0 – 1.0)
ni: Número inspeccionado em cada sub-grupo
LCLp: Lower control limit (Limite superior de controlo)
UCLp: Upper control limit (Limite inferior de controlo)
Onde:
c: Número total defeitos dividido pelo número total de sub-grupos
LCLc: Lower control limit (Limite superior de controlo)
UCLc: Upper control limit (Limite inferior de controlo)
n 2 3 4 5 6 7 8 9 10
~A 2
1.880 1.187 0.796 0.691 0.548 0.508 0.433 0.412 0.362
[SPC Avançado]
v4.0
Enviesado à direita
Pode ser causado pela existência de uma tolerância superior, e
pela triagem de eventos que a ultrapassem ou;
A natureza física do processo não permite valores maiores do que
um determinado valor máximo.
Enviesado à esquerda
Pode ser causado pela existência de uma tolerância inferior, e pela
triagem de eventos que a ultrapassem ou;
A natureza física do processo não permite valores menores do que
um determinado valor mínimo.
Bi-modal
O histograma tem 2 modas distintas (valores mais frequentes);
Pode ser causado pela mistura de dados provenientes de fontes
diferentes: turnos, operadores, locais, processos;
Os dados devem ser tratados e analisados em gráficos diferentes.
Truncada
Uma forma assimétrica, com o “pico” num dos extremos da
distribuição;
Acontece, quando há remoção de uma parte de uma distribuição
normal (inspecção a 100%, ou selecções unitárias) ou há um erro
na construção do histograma (classes a menos).
Ou 3
# Valores < 50 50 - 100 100 - 250 > 250
# Classes 5-7 6 - 10 7 - 12 10 - 20
Amplitude
Dim Dimensão do
Intervalo = = Intervalo 4
No. de
Intervalos
Classe #
1
NºTotal de Valores Lim da Classe
Frequência
5
• Só tem um pico?
• Tem uma queda abrupta? 30
Frequency
• Qual é o valor médio? 20
10
0
98 99 100 101 102 103
Histogram
Dotplot of Granular
• Comandos no Minitab: 44 46 48 50 52 54 56
Granular
Stat>Graph>Dotplot…
LSE - X X - LIE
C pk = ou C pk =
3σ 3σ
{
C pk = min C pkLIE , C pkLSE }
Onde está o
nosso processo ?
Tolerância Tolerância
6 6
Tolerância Tolerância
6 6
Tolerância Tolerância
6 6
X
2
LSE - LIE X
Pp =
i
, onde S n 1
6S
LSE - X X - LIE
Ppk = ou P pk =
3S 3S
{
P pk = min P pk , P pk
LIE LSE
}
© ProfitAbility Engineers 146
Exercício Cpk
Tolerância Tolerância
Cp = 1 e Cpk = 1 Cp = 1 e Cpk = 0
Tolerância Tolerância
Cp > 1 e Cpk = 1
Tolerância Tolerância
Z ST 2,61
C pk 0,87
3 3
Z LT 1,11
Ppk 0,37
3 3
[SPC Avançado]
v4.0
Gestão
do Medição Análise Decisão
Processo
Valor
• Pressupostos
– As ferramentas de medição são perfeitas e precisas
– Não há variações de dia para dia
– Não há variação entre operadores
• Realidade
Qual é o erro de medição?
Qual é a fonte do erro de medição?
A ferramenta é estável ao longo do tempo?
A ferramenta é capaz, para esta medição?
O que temos de fazer para melhorar o processo de
medição?
Operadores Produto
Deformação elástica
Competência Limpeza
Compreensão Relação entre características
Limitações Procedimentos standard Geometria
Variação do
Temperatura
Sistema de
Poluição Design Medição
Vibrações Humidade Construção
Manutenção
Ergonomia
Ambiente Ferramentas
Variação Observada
no processo
Variação devida
Variação a Variação a Variação dentro Variação devida
aos operadores
Longo-Prazo Curto-Prazo da amostra ao instrumento
(reprodutibilidade)
Variação do Processo
+
Variação da Medição
=
Variação Total
Localização Médias
Precisão Variabilidade
2 2 2
total = produto + Sistema de medição
2 2 2 2
total = produto + repetibilidade + reprodutibilidade
Avaliado pelo
programa
de calibração
Desvio da medição
2 2 2
total = produto + Sistema de medição
Processo A
2 2 2
produto + Sistema de medição = total
Processo B
Resolução
Localização
Linearidade
Estabilidade
Calibração
Precisão
Localização
Linearidade
Estabilidade
Calibração
Precisão
0.144
UCL=0.1431
Médias
0.142
0.140 Avg=0.1403
0.138 LCL=0.1375
0.136
5 10 15 20 25
0.020
Amplitudes
0.015
0.010 UCL=0.0102
0.005 Avg=0.0048
0.000
5 10 15 20 25
0.138 LC L=0.1375
• A única excepção é quando a dimensão da 0.136
5 10 15 20 25
Resolução ≤ 5% de T ? Resolução ≤ 5% T = OK
Localização
Calibração
Precisão
Localização (Bias)
Centrado?
xxxxxxxx
Centrado?
Sim Não Sim Não
Preciso?
xx Preciso?
xxxxxxx
Sim Não Sim Não
xx
x
x x
x x
Centrado? x x Centrado?
Sim Não x x x Sim Não
Preciso? x x x x Preciso?
Sim Não x Sim Não
x
x x
max( x i ) min( x i ) R
r *
r *
d 2 d 2
Localização
r
b Fórmula para usar com apenas um sub-grupo, sendo n o
n tamanho da amostra
r
b Fórmula para usar com vários sub-grupos, sendo g o número
g de sub-grupos
bias
t Fórmula para calcular o valor de t estatístico
b
Localização
d 2 b d 2 b
bias * t ,1 zero bias * t ,1
d2 2
d2 2
Existem também indicadores de capacidade, que são por vezes utilizados para avaliar o
sistema de medição. Estes são o Cg e Cgk.
0,2 T 0,1 T X X m
Cg C gk
6S 3S
Onde T é a tolerância, X a média, Xm o valor de referência e S o desvio padrão da
amostra.
Os valores são aceitáveis se,
Cg e Cgk ≥ 1,33
© ProfitAbility Engineers 184
Exemplo de fórmula especifica de bias
Também são utilizadas (por algumas organizações), fórmulas directas para avaliar se a
localização (bias) é significativa.
X – Xm > 0,413 × S
Para n = 50, a localização é significativa se:
X – Xm > 0,284 × S
Localização
Linearidade
Estabilidade
Calibração
Precisão
Valor
Real
min max
min max
Linearidade
Linearidade
1,0
0,5 Regressão
95% IC
* Localização média
Bias
0,0
0,00 2,00 4,00 6,00 8,00 10,00 12,00
-0,5
-1,0
Reference Values
Localização
Linearidade
• A distribuição das medições permanece
Estabilidade constante e é previsível ao longo do
tempo?
– para médias e desvios padrão
Calibração • Sem desvios, saltos ou ciclos?
• Avalia-se com cartas de controlo X&R ou
Precisão X&S.
Tempo
Valor
Referência
Bias
Bias
Bias
Localização
Linearidade
Estabilidade
Calibração
Precisão
Estudos R&R
Resolução
• Estimativa limitada da variação total, presente no
Localização sistema de medição
– “Limitada” porque podem existir outras fontes de
variação
Linearidade • É uma medida da variação natural de medições
repetidas envolvendo vários operadores
Estabilidade • Inclui a Repetibilidade e a Reprodutibilidade
Calibração 2
R&R = 2
+ 2
repetibilidade reprodutibilidade
Precisão
2 2 2
reprodutibilidade
= operador
+ Interacção operador-peça
1 2 3
Rácio P/T % R&R Índice
(Precisão / Tolerância) (Contribuição) Discriminação
R&R como %
R&R como % Número de
da variação total
da tolerância categorias distintas
do processo
• Repetibilidade (EV)
– “Equipment Variation” - variação que é contribuída pelo instrumento de medida.
• Reprodutibilidade (AV)
– “Appraiser Variation”- variação que é contribuída pela técnica do operador.
• Variação Peça-a-Peça (P/PV)
– A variação real contribuída pelo produto em avaliação.
• % Tolerância (P/T)
– A percentagem da tolerância da peça, que é consumida por um componente de medição
estimado como sendo 99% da distribuição normal desse componente dividida pela tolerância
(também conhecido como o rácio precisão tolerância – Rácio P/T).
• Índice de Discriminação (ndc)
– O número de divisões da variação observada do processo, que o sistema de medição pode
medir com precisão.
• %GRR
– Estimativa da variação combinada de repetibilidade e reprodutibilidade.
Nome da peça
C a ra c te rístic a / e sp e c ific a ç ã o Tip o d e DMM In sp e c to r C
Insp e c to r/
Te nta tiva # no estudo
1 2 3 4 5
PEÇA
6 7 8 9 10
Mé d ia
Inspector A, B, C
O nome dos inspectores /
1. A 1
2, 2
Nome de DMM
operadores que vão ser
3, 3
4, AVE Xa =
O nome do dispositivo que
diç ã o po r va riá ve qualificados
5, R Ra =
6. B
7,
1
2
Aná lise de Siste ma vai
deserMe
usado is
Ta be la pa ra re g isto de re sulta do s
8, 3
Característica /
9, AVE Xb =
10, R Rb =
Número de DMM
Especificação
11. C 1
12, 2
O número de
Nú m e ro pda
Nome
13,
e ç acaracterística e
3
No m e d e DMM In sp e c to r A
14, AVE Xc =
Rc =
referência do DMM
especificação
15, R
16. PART X=
Rp =
No m(Re+ Rd+aR ) /Pe ça Nú m e ro DMM In sp e c to r B
AVE ( Xp )
17, (# O F APPRAISERS) = R=
Tipo de DMM
a b c
Data
18, (Ma x X - Min X) = XDIFF=
19, R x D 4* = UC LR=
C Classificação
20, R x D 3* =
a ra c te rístic a / e sp e c ific a ç ã o
LC LR=
Tip o d e DMM
O tipo de dispositivo
In sp e c to r C A data em que o
* D4 =3.27 fo r 2 tria ls a n d 2.58 fo r 3 tria ls; D 3 = 0 fo r u p to 7 tria ls. UC LR re p re se n ts th e lim it o f in d ivid u a l R's. C irc le tho se tha t a re
A classificação da
b e yo nd this lim it. Id e n tify the c a use a n d c o rre c t. Re p e a t th e se re a d in g s using the sa m e a p p ra ise r a n d u nit a s o rig in a lly u se d o r d is-
c a rd va lue s a n d re -a ve ra g e a n d re c o m p u te R a nd th e lim iting va lu e fro m th e re m a in ing o b se rva tio n s.
que vai ser usado teste se realiza
C característica a cser
la ssific a ç ã o d a c a ra te rístic a Te n ta tiva s Pe ç a s In sp e c to re s Da ta
No te s:
controlada 0 0 0
Tentativas (2 a 3) Peças (ideal 10) Inspectores (2 a 3)
Número de vezes que se Nº de peças no teste Número de inspectores que
vai repetir a medição vão realizar o estudo
Valores medidos
Aná lise d e Siste ma d e Me d iç ã o po r va riá ve is
Média das médias por operador
GAGE REPEATABILITY AND REPRODUCIBILITY REPORT
Ta be la p a ra re g isto d e re sulta d o s
Colocação dos valores das A média de todas as médias das 3
VARIABLE DATA RESULTS
Insp e c to r/
Te nta tiva # 1 2 3 4 5
PEÇA
6 7 8 9 10
Mé d ia
Média das amplitudes
Média das medições por operador
1. A 1
2, 2
6. B 1
7, 2
8, 3
9, AVE Xb =
Rb =
Amplitude das medições
11. C 1
10, R
11. C
12,
1
2
A amplitude das 3 medições
12,
13,
14,
3
AVE
2 Xc =
aleatórias a cada peça
15, R Rc =
13,
16. PART
AVE ( Xp )
3 X=
Rp =
14,
18, (Ma x X - Min X) = AVE XDIFF=
Média das médias Xc =
19, R x D 4* = UC LR=
15,
20, R x D 3* =
R
LC LR=
A média de todas as Rc =
* D4 =3.27 fo r 2 tria ls a n d 2.58 fo r 3 tria ls; D 3 = 0 fo r u p to 7 tria ls. UC LR re p re se n ts th e lim it o f in d ivid u a l R's. C irc le tho se tha t a re
b e yo nd this lim it. Id e n tify the c a use a n d c o rre c t. Re p e a t th e se re a d in g s using the sa m e a p p ra ise r a n d u nit a s o rig in a lly u se d o r d is- médias
16. PART X=
c a rd va lue s a n d re -a ve ra g e a n d re c o m p u te R a nd th e lim iting va lu e fro m th e re m a in ing o b se rva tio n s.
No te s:
AVE ( Xp ) Rp =
Amplitude das peças
Média da peça A amplitude entre as 10
A média total de todas as peças
medições por peça
No m e d a Pe ç a Núm e ro DMM In sp e c to r B
Amplitude das médias
A diferença entre a maior
C a ra c te rístic a / e sp e c ific a ç ã o Tip o d e DMM In sp e c to r C
Insp e c to r/ PEÇA Mé d ia
Te nta tiva #
1. A 1
1 2 3 4 5 6 7 8 9 10
operador
2, 2
3, 3
4, AVE Xa =
5, R Ra =
17,
6. B 1 (Ra + Rb + Rc ) / (# d e in sp e c to re s) = R=
7, 2
19,
11. C 1
R x D4 * = UC LR=
12, 2
13, 3
20,
14, AVE R x D3 * = Xc = LC LR=
15, R Rc =
16. PART X=
AVE ( Xp ) Rp =
20, R x D 3* = LC LR=
UCL (limite superior de controlo)
* D4 =3.27 fo r 2 tria ls a n d 2.58 fo r 3 tria ls; D 3 = 0 fo r u p to 7 tria ls. UC LR re p re se n ts th e lim it o f in d ivid u a l R's. C irc le tho se tha t a re
b e yo nd this lim it. Id e n tify the c a use a n d c o rre c t. Re p e a t th e se re a d in g s using the sa m e a p p ra ise r a n d u nit a s o rig in a lly u se d o r d is-
c a rd va lue s a n d re -a ve ra g e a n d re c o m p u te R a nd th e lim iting va lu e fro m th e re m a in ing o b se rva tio n s.
Valor do limite superior de
No te s: controlo para a carta das
amplitudes
% Va ria ç ã o To ta l (TV)
Variação Total (TV)
Re p e titib ilida de - Va ria ç ã o e quip a me nto (EV)
EV = R x K1 Te nta tiva s K1 % EV = 100 (EV/ TV)
= 2 0,8862 =
= 3 0,5908 = %
Re p ro duc ibilid a de - Va ria ç ã o Ope ra do r (AV)
AV =
2 2
{(XDIFF x K2 ) - (EV / nr)} 1/ 2
% AV
Variação do equipamento (EV)
= 100 (AV/ TV)
=
=
Ope ra d o re s
Inspe c to r 2 3
Cálculo da repetibilidade, que é o produto da
=
= %
n = n úm e ro d e p e ç a s / r = n úm e ro d e te n ta tiva s
= 2 0,7071 =
= 3 0,5231 valor da constante)
= %
Va ria ç ã o pe ç a (PV) 4 0,4467
PV = RP x K3 5 0,4030 % PV = 100 (PV/ TV)
= 6 0,3742 =
= 7 0,3534 =
Va ria ç ã o To ta l (TV) 8 0,3375 Núme ro de c a te g o ria s d istinta s
TV =
=
{(R&R2 + PV2 )}1/ 2
Aná lise unid a d e s d e m e d iç ã o
9
10
0,3249
0,3146
nd c =
=
1.41(PV/ G RR)
% Va ria ç ã o To ta l (TV)
Re p e titib ilid a d e - Va ria ç ã o e q uip a m e nto (EV)
=
All c a lc u la tio n s a re b a se d u p o n p re d ic tin g 5.15 sig m a (99.0% o f th e a re a u n d e r th e n o rm a l d istrib u tio n c u rve ).
=
= 2 0,8862 =
= 3 0,5908 = %
% Va ria ç ã o To ta l (TV)
Variação Total (TV)
Re p e titib ilida de - Va ria ç ã o e quip a me nto (EV)
EV = R x K1 Te nta tiva s K1 % EV = 100 (EV/ TV)
= 2 0,8862 =
= 3 0,5908 Variação do operador/inspector (AV)
= %
Re p ro duc ibilid a de - Va ria ç ã o Ope ra do r (AV)
AV =
2 2
{(XDIFF x K2 ) - (EV / nr)} 1/ 2
Cálculo da reprodutibilidade que é a raiz quadrada da
% AV = 100 (AV/ TV)
= 2 0,7071 =
Va ria ç ã o pe ç a (PV)
= 3
4
0,5231
0,4467 número de tentativas
= %
= 7 0,3534 =
Va ria ç ã o To ta l (TV) 8 0,3375 Núme ro de c a te g o ria s d istinta s
Re pro d uc ib ilid a d e - Va ria ç ã o Op e ra d o r (AV)
TV = {(R&R2 + PV2 )}1/ 2 9 0,3249 nd c = 1.41(PV/ G RR)
= 10 0,3146 =
AV =
= {(XDIFF x K2)2 - (EV2/ n r)}1/ 2
All c a lc u la tio n s a re b a se d u p o n p re d ic tin g 5.15 sig m a (99.0% o f th e a re a u n d e r th e n o rm a l d istrib u tio n c u rve ).
=
% AV = 100 (AV/ TV)
K1 is 5.15/ d 2 , w h e re d 2 is d e p e n d e nt o n th e n u m b e r o f tria ls (m ) a n d th e n u m b e r if p a rts tim e s th e n u m b e r o f o p e ra to rs (g ) w h ic h is
a ssum e d to b e g re a te r th a n 15.
=
AV - If a n e g a tive va lu e is c a lc u la te d un d e r th e sq u a re ro o t sig n , th e a p p ra ise r va ria tio n (AV) d e fa u lts to ze ro (0).
K2 is 5.15/ d 2 , w h e re d 2 is d e p e n d e nt o n th e n u m b e r o f o p e ra to rs (m ) a n d (g ) is 1, sin c e th e re is o n ly o n e ra n g e c a lc u la tio n . =
K2 is 5.15/ d 2 , w h e re d 2 is d e p e n d e nt o n th e n u m b e r o f p a rts (m ) a n d (g ) is 1, sin c e the re is o n ly o n e ra n g e c a lc u la tio n .
d 2 is o b ta in e d fro m Ta b le D 3, "Q ua lity C o n tro l a n d In d u stria l Sta tistic s", A.J. Du n c a n . Op e ra d o re s
= Insp e c to r 2 3 = %
n = n ú m e ro d e p e ç a s / r = n ú m e ro d e te n ta tiva s K2 0,7071 0,5231
No m e d a Pe ç a Nú m e ro DMM In sp e c to r B
= 2 0,8862 =
= 3 0,5908 = %
Re p ro duc ibilid a de - Va ria ç ã o Ope ra do r (AV)
2 2 1/ 2
AV = {(XDIFF x K2 ) - (EV / nr)} % AV = 100 (AV/ TV)
= =
Ope ra d o re s
= Inspe c to r 2 3 = %
n = n úm e ro d e p e ç a s / r = n úm e ro d e te n ta tiva s
quadrado
Va ria ç ã o pe ç a (PV) 4 0,4467
PV = RP x K3 5 0,4030 % PV = 100 (PV/ TV)
= 6 0,3742 =
= 7 0,3534 =
Va ria ç ã o To ta l (TV) 8 0,3375 Núme ro de c a te g o ria s d istinta s
{(EV2 + AV2)}1/ 2
K1 is 5.15/ d 2 , w h e re d 2 is d e p e n d e nt o n th e n u m b e r o f tria ls (m ) a n d th e n u m b e r if p a rts tim e s th e n u m b e r o f o p e ra to rs (g ) w h ic h is
= 2 0,7071 =
= 3 0,5231 = %
= 2 0,8862 =
= 3 0,5908 = %
Re p ro duc ibilid a de - Va ria ç ã o Ope ra do r (AV)
2 2 1/ 2
AV = {(XDIFF x K2 ) - (EV / nr)} % AV = 100 (AV/ TV)
=
=
Ope ra d o re s
Inspe c to r 2
Variação da peça
3
=
= %
n = n úm e ro d e p e ç a s / r = n úm e ro d e te n ta tiva s
= 2 0,7071 =
= 3 menor média da peça) pela constante K3
0,5231 = %
Va ria ç ã o pe ç a (PV) 4 0,4467
PV = RP x K3 5 0,4030 % PV = 100 (PV/ TV)
= 6 0,3742 =
= 7 0,3534 =
Va ria ç ã o To ta l (TV) 8 0,3375 Núme ro de c a te g o ria s d istinta s
Va ria ç ã o p e ç a (PV)
All c a lc u la tio n s a re b a se d u p o n p re d ic tin g 5.15 sig m a (99.0% o f th e a re a u n d e r th e n o rm a l d istrib u tio n c u rve ).
= 6 0,3742 =
= 7 0,3534 =
No m e d a Pe ç a Nú m e ro DMM In sp e c to r B
{(R&R2 + PV2)}1/ 2
= 3 0,5908 = %
TV
Re p ro duc ibilid a de - Va ria ç ã o Ope ra do r (AV)
2 2
{(XDIFF x K2 ) - (EV / nr)} 1/ 2
= 9 0,3249 nd c = 1.41(PV/ G RR)
AV = % AV = 100 (AV/ TV)
= =
= =
Ope ra d o re s
Inspe c to r 2 3 = % 10 0,3146 =
n = n úm e ro d e p e ç a s / r = n úm e ro d e te n ta tiva s K2 0,7071 0,5231
= =
Re p e titib ilida de & Re pro d uc ibilida de (R & R)
G R&R = {(EV2 + AV2 )}1/ 2 Pe ç a s K3 % G R&R = 100 (R&R/ TV)
= 2 0,7071 =
= 3 0,5231 = %
Va ria ç ã o pe ç a (PV) 4 0,4467
PV = RP x K3 5 0,4030 % PV = 100 (PV/ TV)
= 6 0,3742 =
= 7 0,3534 =
Va ria ç ã o To ta l (TV)
9
0,3375
0,3249
Núme ro de c a te g o ria s d istinta s
nd c = 1.41(PV/ G RR)
Número de categorias distintas
=
=
10 0,3146 =
=
(ndc)
All c a lc u la tio n s a re b a se d u p o n p re d ic tin g 5.15 sig m a (99.0% o f th e a re a u n d e r th e n o rm a l d istrib u tio n c u rve ).
Critérios de Aceitação
Decisão Eficácia
Aceitável para o operador
≥ 90%
Marginalmente aceitável para o operador – Pode precisar de
melhoria 80% - 90%
Inaceitável para o operador – Precisa de melhoria < 80%
68,27%
95,45%
99,73%
99,9937%
99,999943%
99,9999998%