Baixe o app para aproveitar ainda mais
Prévia do material em texto
2012 2 EVOLUÇÃO DA GESTÃO PELA QUALIDADE INSPEÇÃO CONTROLE ESTATÍSTICO GARANTIA DA QUALIDADE QUALIDADE TOTAL INSPEÇÃO INSPECIONAR CONSISTE EM VERIFICAR O RESULTADO DE UM PROCESSO PRODUTIVO, COMPARÁ-LO A UM PADRÃO E DECIDIR SOBRE SUA APROVAÇÃO OU REJEIÇÃO. CONTROLE ESTATÍSTICO A INSERÇÃO DO CONTROLE ESTATÍSTICO TROUXE UMA REDUÇÃO NOS CUSTOS DE INSPEÇÃO, VIABILIZANDO O CONTROLE DA QUALIDADE NAS ATIVIDADES DE VERIFICAÇÃO SOBRE OS LOTES DE PRODUTOS FABRICADOS. GARANTIA DA QUALIDADE ESTA VISÃO SE BASEIA NO PRINCÍPIO DE QUE PARA SE CONSEGUIR A VERDADEIRA GARANTIA DA QUALIDADE DE UM PRODUTO, O CONTROLE DEVE COMEÇAR PELO SEU PROJETO, ESTENDER-SE À SUA ENTREGA, E TERMINAR QUANDO O USUÁRIO DEMONSTRAR SATISFAÇÃO COM O USO DO PRODUTO. 3 QUALIDADE TOTAL TAMBÉM CONHECIDO COMO O "CONTROLE DA QUALIDADE POR TODA A EMPRESA", A QUALIDADE TOTAL SE BASEIA NA INTEGRAÇÃO DAS ATIVIDADES DE FORMA SISTEMÁTICA, INTERFUNCIONALMENTE, SUPRIMINDO A VISÃO DA EMPRESA DEPARTAMENTALIZADA. QUADRO COMPARATIVO INSPEÇÃO CONTROLE ESTATÍSTICO GARANTIA DA QUALIDADE QUALIDADE TOTAL Preocupação básica Verificação Controle Coordenação Impacto Estratégico Ênfase Um problema a ser resolvido Um problema a ser resolvido com menos inspeções Um problema a ser resolvido proativamente Satisfação das necessidades do mercado Atividades Inspeção, classificação, contagem e avaliação Solução de problemas com aplicação de métodos estatísticos Planejamento e coordenação das atividades que influem na qualidade Contribuição efetiva de cada membro da organização 4 COMPARAÇÃO DAS VISÕES SOBRE QUALIDADE TRADICIONAL ATUAL Produtividade e qualidade são objetivos conflitantes Ganhos de produtividade são obtidos com a melhoria da qualidade Qualidade definida como conformidade com os requisitos Qualidade entendida como satisfação das necessidades do usuário Qualidade medida através do grau de não conformidade Qualidade medida pela melhoria contínua do produto, processo e satisfação do usuário Qualidade obtida através da intensiva inspeção de produto Qualidade determinada pelo projeto do produto e acompanhada por efetivas técnicas de controle Alguns defeitos são permitidos se o processo atinge padrões mínimos de qualidade Defeitos são prevenidos através de técnicas preventivas de controle de processo Qualidade como função separada e o foco de atenção em avaliação Qualidade como parte de cada função em todas as fases do ciclo operacional Pessoas são culpadas por má qualidade A gerência é responsável pela qualidade Relações com fornecedores são curtas e orientadas para custo Relações com fornecedores são longas e orientadas para qualidade 5 ESTRATIFICAÇÃO - É uma forma de dividir ou separar um conjunto de dados em vários outros, denominados camadas ou estratos. Finalidade: Possibilitar melhor avaliação das características de um problema por meio de agrupamento de dados. Agrupamentos: Tempo, local, tipo, sintoma, indivíduo, outros ESTRATIFICAÇÃO AS FERRAMENTAS BÁSICAS DA QUALIDADE 6 FOLHA DE VERIFICAÇÃO - É um formulário onde os estratos a serem observados foram previamente definidos e impressos. Finalidade: Facilitar a coleta de dados; Tornar prático o manuseio dos dados em cálculos estatísticos Dicas: O pessoal envolvido na coleta de dados deve estar devidamente informado e treinado; O volume de dados a ser coletado deve ser representativo do todo; Os dados devem ser coletados de modo aleatório; Os dados, sempre que possível, devem ser associados a símbolos, contagens ou marcações O universo sob observação deve ser homogêneo. Se não, deve ser inicialmente estratificado (agrupado) e cada grupo observado individualmente. GRÁFICO DE PARETO - É uma forma especial do gráfico de barras verticais organizadas em ordem decrescente de ocorrências. Finalidade: Identificar as causas que determinam a maioria das perdas (problemas) (poucas causas são vitais e muitas são triviais); Analisar diferentes grupos de dados; Comparar o efeito após mudança no processo. Etapas: 1. Identificar o problema; 2. Coletar dados (folha de verificação); 7 3. Organizar dados (folha de verificação); 4. Calcular os percentuais relativos e acumulados; 5. Elaborar o gráfico de Pareto. GRÁFICO DE PARETO DIAGRAMA DE CAUSA E EFEITO ("ISHIKAWA") - Representa a relação entre o efeito e todas as possibilidades de causas que podem contribuir para este efeito. Finalidade: Identificar de modo simples, rápido e sistemático a relação múltipla entre causa e efeito; É também utilizado para estabelecer os itens de verificação. 8 Etapas: 1. Identificar o problema; 2. Desenhar a cabeça do diagrama (efeito); 3. Listar as causas; 4. Identificar o diagrama de causa e efeito. DIAGRAMA DE CAUSA E EFEITO 9 HISTOGRAMA - É uma ferramenta que envolve a medição de dados e mostra a sua distribuição. Mostra quanto de variação existe em qualquer processo. Finalidade: Verificar a capacidade do processo, ou seja, a quantidade de variação existente no mesmo; Comparar a distribuição dos dados com limites de especificação; Averiguar a existência de dados dissociados dos demais; Checar a forma da distribuição dos dados. Etapas: 1. Identificar a variável; 2. Coletar dados (N > 30); (em geral: 50 < N < 200); 3. Encontrar os valores máximo e mínimo; 4. Definir o número de classes (5 < K < 20); 5. Calcular a largura (intervalo) da classe [h = (Xmáx-Xmin) / K] 6. Calcular os limites de classe; 7. Elaborar a tabela de freqüência; 8. Desenhar o histograma. Número de classes Quantidade de dados (n) Número de classes (K) 40 - 60 6 61 - 80 8 81 - 100 10 101 - 150 12 151 - 200 16 > 200 20 10 Alguns autores indicam também: Quantidade de dados (n) Número de classes (K) < 50 5 a 7 de 50 a 100 6 a 10 de 100 a 250 7 a 12 > 250 10 a 20 São também aceitas as fórmulas: a) k = 1 + 3,222log n b) k = √n 6ª etapa: 1ª classe: Xmin - D 2ª classe: 1ª classe + h 3ª classe: 2ª classe + h ( e assim por diante) última classe = penúltima classe + h 11 12 13 GRÁFICO DE CORRELAÇÃO - Mostra a relação entre duas variáveis quaisquer. Finalidade: Estudar a relação entre duas variáveis quaisquer, que podem ser: duas características de qualidade, uma causa e um efeito ou mesmo duas causas relacionadas a um mesmo efeito; Etapas: 1. Identificar as variáveis; 2. Coletar dados (N > 30 pares); 3. Desenhar as escalas (é conveniente que ambas as escalas tenham o mesmo comprimento); 4. Plotar os pontos; 5. Registrar as informações. Tipos de correlação: 1. Correlação positiva forte; 2. Correlação positiva moderada; 3. Correlação negativa forte; 4. Correlação negativa moderada; 5. Ausência de correlação. 14 GRÁFICOS DE CORRELAÇÃO15 GRÁFICO DE CONTROLE - Permite a representação de uma variável qualquer do processo, entre limites de controle previamente calculados. - Os gráficos de controle são bastante usados no CONTROLE ESTATÍSTICO DO PROCESSO - CEP, pois através de sua análise podemos identificar e corrigir, em tempo hábil, quaisquer variações. NOÇÕES DE AMOSTRAGEM 1. Introdução Estatística é a ciência responsável pelo estudo dos dados. Ela se preocupa com a coleta, organização, descrição, análise e interpretação de dados, de forma a: 1. Evitar a manipulação de números para se obter resultados tendenciosos. 2. Ajudar na tomada de decisões. 3. Ajudar na elucidação de problemas. 4. Contribuir na pesquisa científica. A estatística deve ser vista como uma ferramenta que irá auxiliar no processo de tomada de decisão. Envolve dois diferentes processos: 1 – descrever grande número de informações (dados) 2 – obter conclusões (tomada de decisão, predição, etc.) normalmente baseando-se numa amostra. 16 2. Elementos básicos de um estudo estatístico a) População: é um conjunto de elementos com pelo menos uma característica em comum (pessoas, objetos, eventos, etc) que se deseja estudar. Exemplos: (1) todos os trabalhadores do Brasil; (2) todos as pessoas que possuem título de eleitor do Espírito Santo; (3) todas as plantas de café em uma propriedade; (4) os alunos de uma determinada Faculdade, etc. b) Amostra: é uma parte representativa da população, retirada ou escolhida de forma aleatória ou sistemática, por um processo de amostragem, para se poder ter representado nesta amostra as tendências da população. Exemplo: quando se faz uma pesquisa eleitoral, é impraticável entrevistar toda a população de um país, estados ou municípios, desta forma, seleciona-se, com base em algumas informações, uma amostra de pessoas que represente o país, estado ou município. c) Variáveis: são as características ou propriedades de interesse no estudo de uma população. Exemplo: avaliação das variáveis: idade, sexo e número de anos de formação escolar das pessoas desempregadas em certo município, etc. d) Unidades amostrais ou unidades de observação: são elementos a partir dos quais são levantadas as informações. Exemplo: municípios, propriedades agrícolas, postos meteorológicos, pontos em fotos aéreas, estabelecimentos comerciais ou industriais. O procedimento estatístico aplicado dependerá da natureza das variáveis. Quanto a sua natureza, as variáveis poder ser classificadas em: a) Variáveis quantitativas discretas e contínuas b) Variáveis qualitativas nominais e ordinais a) – Variáveis quantitativas As variáveis quantitativas referem-se às quantidades medidas numa escala numérica e podem ser divididas em dois grupos: discretas e contínuas. 17 a) Variáveis quantitativas discretas: referem-se às variáveis numéricas que assumem somente números inteiros e positivos, e normalmente podem ser medidas por processos de contagem: 0, 1, 2, 7, 21, ..., 55,... Ex: Quantidades de vendas diárias de uma empresa Número de movimento das contas correntes dos clientes de um banco Quantidade de peças defeituosas de um lote de produção b) Variáveis quantitativas contínuas: referem-se às variáveis que podem assumir qualquer valor dentre os números reais. Ex: O valor de vendas diárias de uma empresa; O valor dos movimentos das contas correntes dos clientes de um banco; O consumo mensal de energia elétrica; A altura das plantas de milho de uma plantação; O peso de caixas de bombons. b) - Variáveis qualitativas As variáveis qualitativas referem-se às variáveis não-numéricas e são classificadas em variáveis nominais e variáveis ordinais. a) Variáveis qualitativas nominais: não têm ordenamento nem hierarquia. Ex: O sexo dos funcionários cadastrados em uma empresa; O nome das empresas que têm ações negociadas na bolsa de valores. b) Variáveis qualitativas ordinais: são equivalentes às variáveis nominais, porém incluindo uma ordem ou hierarquia. Ex: O cargo dos funcionários cadastrados em uma empresa: presidente, diretor, gerente, etc. A posição das dez primeiras empresas mais lucrativas que têm ações negociadas na bolsa de valores: primeira, segunda, .... 18 3. Amostragem 3.1 Amostragem intencional: Os indivíduos ou amostras selecionados são considerados típicos ou representativos do total da população. São os “estudos de caso”, muito comuns na geografia, nos quais uma fazenda, município, cidade ou bacia hidrográfica são selecionados e estudados como exemplos de uma área mais abrangente. Deve-se lembrar que amostras intencionais não se prestam a tratamentos estatísticos que levem a inferências sobre a população sendo seus resultados válidos somente dentro dos limites da própria amostra. 3.2 Amostragem probabilística: Caracteriza-se por privilegiar o elemento chance na escolha das unidades amostrais. A aleatoriedade da seleção dos indivíduos amostrados é o princípio básico deste tipo de amostragem que se assenta em teorias e regras matematicamente estabelecidas de tal sorte que os resultados obtidos para a mostra podem ser estendidos para a população com grau de confiança determinado. Há várias maneiras de se proceder quanto à seleção aleatória de amostras. A seleção ou retirada da amostra obedece, de modo geral, à algumas condições. Na seleção casual simples, os elementos da lista são numerados de 1 a n, na ordem em que aparecem, e com auxílio de uma tábua de números aleatórios, os elementos da amostra são retirados. Na seleção sistemática é conveniente que os dados estejam ordenados (por valor, ordem alfabética, etc.) Conhecendo o número total de elementos da população (N) e o número de elementos que se deseja retirar na amostra (A) pode-se estabelecer o intervalo constante (K) para a seleção das unidades amostrais fazendo-se K= A N em que K é o intervalo constante para a seleção; N é o número total de elementos da população; A é o número de elementos que se deseja retirar na amostra. 19 Por exemplo, tem-se uma população de 2000 elementos de deseja-se uma amostra de 200 (10%), tem-se que: K= A N = 200 2000 =10 o que significa que deve ser retirado um elemento em cada 10. 3.3. Tamanho da amostra Qual o tamanho da amostra deve ser utilizado para representar com certo grau de confiança uma determinada população? O tamanho da amostra é basicamente função do número de indivíduos componentes da população, sua variabilidade e nível de precisão desejada para as inferências a partir da amostra. Geralmente, quanto maior o número de indivíduos na população (N) proporcionalmente menor será o número de indivíduos que devem ser selecionados pela amostra. Quanto maior a variabilidade da população, maior deverá ser a amostra. Quanto maior a precisão desejada, maior deverá ser a amostra. Para a determinação do tamanho da amostra, o pesquisador precisa especificar o erro amostral tolerável, ou seja, o quanto ele admite errar na avaliação dos parâmetros de interesse. Por exemplo, na divulgação de pesquisas eleitorais, é comum encontrar no relatório, algo como: “a presente pesquisa tolera um erro de 2%”. Isto significa que, quando a pesquisa aponta determinado candidato com 20% de intenção de voto do eleitorado, está afirmando que a preferência por este candidato é um valor do intervalo de 18% a 22%, ou seja, 20% + 2%. Erro amostral é a diferença entre o valor que a estatística pode acusar e o verdadeiro valor do parâmetroque se deseja estimar. 20 3.3.1. Cálculo do tamanho da amostra Será apresentado um método simples para calcular tamanho de amostra. Mesmo sem conhecer o tamanho da população, pode ser feita uma primeira aproximação do tamanho da amostra, que será utilizado posteriormente para calcular o tamanho da amostra, através da seguinte expressão: En 200 1 em que: n0 = uma primeira aproximação para o tamanho da amostra; E0 = erro amostral tolerável; Conhecendo o tamanho N da população, pode-se corrigir o cálculo anterior por: n n N N n 0 0. em que: n = tamanho (número de elementos) da amostra; N = tamanho (número de elementos) da população; Exemplo 1: Planeja-se um levantamento por amostragem para avaliar diversas características da população das 200 famílias moradoras de um certo bairro. Estas características (parâmetros) são especialmente do tipo percentagens, tais como, a percentagem de famílias que usam programas de alimentação popular, a percentagem de famílias que mora em casas próprias, etc. Qual deve ser o tamanho de uma amostra aleatória simples, tal que se possa admitir que os erros amostrais não ultrapassem 4%? Solução: 200 famílias : N = 200 Erros amostrais de 4% E0 = 0,04 Uma primeira aproximação: En 200 1 = )04,0( 2 1 = 625 famílias 21 Corrigindo, em função do tamanho (N) da população, tem-se: n n N N n 0 0. = 625200 )625).(200( = 825 125000 = 152 famílias Exemplo 2: Considerando os mesmos objetivos e valores do exemplo anterior, qual deveria ser o tamanho da amostra se a pesquisa fosse estendida para toda a cidade, que contém 200.000 famílias residentes? Solução: O valor de n0 continua o mesmo do caso anterior (n0 =625), pois n0 independe do tamanho da população N. Fazendo a correção em termos do novo valor de N, tem-se: n n N N n 0 0. = 625200000 )625).(200000( = 623 famílias No último exemplo pôde-se observar que a correção com o tamanho N da população, praticamente não alterou o cálculo inicial do tamanho da amostra (n0 =625 e n=623). Em geral, se a população for muito grande (dezenas de milhares de elementos), o cálculo do tamanho da amostra pode ser feito pela primeira expressão: En 200 1 = n sem levar em conta o tamanho exato, N, da população. 22 Exercício: Para uma taxa de erro amostral constante (2%), calcule o tamanho da amostra (n), quando a população de interesse apresentar as dimensões (N) listadas no quadro a seguir. Completar o quadro e fazer um gráfico plotando os valores de N no eixo x e n no eixo y. N n0 n 500 1000 5000 10000 50000 100000 500000 1000000 10000000 100000000 23 DEFINIÇÃO DE CONTROLE DE PROCESSO PROCESSO CONTROLE EXEMPLO DE PROCESSO PRODUTIVO E ADMINISTRATIVO Componente Fabricação de Papel Contratação de Funcionário fornecedor (f) fabricante de celulose mercado de trabalho entradas (e) celulose candidatos processo (p) cozimento e calandragem seleção e recrutamento saída (s) papel candidato aprovado cliente (c) empresas do mundo todo área solicitante Todo trabalho executado em uma empresa pode ser visto como um processo, ou seja, um conjunto de atividades realizadas com um determinado propósito; Um processo nada mais é do que a combinação de pessoas, máquinas, métodos, etc. com a finalidade de se obter um produto (bem ou serviço). Processo gerencial de estabelecimento e agrupamento de padrões, visando manter uniforme a QUALIDADE do produto. 24 CONTROLE DO PRODUTO x PROCESSO Tipo de Controle Produto Processo Ênfase Detecção de defeitos Prevenção de defeitos Objetivo Separar itens bons dos ruins Evitar itens ruins Padrão de Comparação Limites de especificação Limites de controle Tipo de Ação Inspeção Controle Responsável Operador ou inspetor Todos os envolvidos CONTROLE ESTATÍSTICO DE PROCESSO É um método preventivo de se comparar, continuamente, os resultados de um processo com padrões, identificando a partir de dados estatísticos, as tendências para variações significativas, a fim de eliminar / controlar essas variações, com o objetivo de reduzi-las cada vez mais. 25 VANTAGENS NA UTILIZAÇÃO DO CEP Diversas são as vantagens da aplicação do CEP nas operações de uma empresa. Provavelmente as mais importantes são: a) Determinar o tipo de ação requerida (local ou no sistema) e, consequentemente, estabelecer a responsabilidade pela sua adoção (operação ou administração); b) Reduzir a variabilidade das características críticas dos produtos de forma a obter-se uma maior uniformidade e segurança dos itens produzidos; c) Permitir a determinação da real viabilidade de atender às especificações do produto ou às necessidades dos clientes, em condições normais de operação; d) Implantar soluções técnicas e administrativas que permitam a melhoria da qualidade de (principalmente) aumento da produtividade; e) Possibilitar o combate às causas dos problemas ao invés de seus efeitos, de modo a erradicá-los definitivamente do sistema de trabalho. 26 O mapa de processo deve descrever: Os limites do processo: onde começa e onde termina (escopo do trabalho). Principais atividades / tarefas. Parâmetros: Parâmetro de produto final (Y maiúsculo): Caracteriza o produto do processo no estágio de produto acabado. Parâmetro de produto em processo (y minúsculo): Caracteriza o produto antes do estágio de produto acabado. Parâmetro de processo (x): Variável mensurável de um processo que pode afetar os parâmetros de produto. MAPAS DE PROCESSO 27 MAPA DO PROCESSO “FURAÇÃO” ALINHAR A PEÇA NA BASE DA FURADEIRA FIXAR A PEÇA NA BASE DA FURADEIRA FURAR (Fazer o furo) PRODUTO EM PROCESSO: PEÇA ALINHADA PRODUTO EM PROCESSO: PEÇA FIXADA PRODUTO FINAL: PEÇA FURADA X = LIMPEZA DA PEÇA X = LIMPEZA DA BASE X = IDADE DOS PINOS DE ALINHAMENTO X = LIMPEZA DOS PINOS DE ALINHAMENTO X = FORÇA DO GRAMPO X = LOCALIZAÇÃO DO GRAMPO X = VELOCIDADE X = TIPO DE REFRIGERANTE X = DESIGN DA FERRAMENTA X = IDADE DA FERRAMENTA X = DUREZA DO MATERIAL y = POSIÇÃO DA PEÇA NA FURADEIRA y = ESTABILIDADE DA PEÇA NA BASE y = PLANICIDADE DA PEÇA NA BASE Y = DIÂMETRO DO FURO Y = CONCENTRICIDADE DO FURO 28 CLASSIFICAÇÃO DOS PARÂMETROS DE PROCESSO Parâmetro de Processo Controlável: Variável que pode ser ajustada em um valor pré-determinado e mantida em torno deste valor. Parâmetro de Ruído: Variável que não pode ser ajustada em um valor pré-determinado e mantida em torno deste valor. MAPA DO PROCESSO “FURAÇÃO”ALINHAR A PEÇA NA BASE DA FURADEIRA FIXAR A PEÇA NA BASE DA FURADEIRA FURAR (fazer o furo) PRODUTO EM PROCESSO: PEÇA ALINHADA PRODUTO EM PROCESSO: PEÇA FIXADA PRODUTO FINAL: PEÇA FURADA (R) LIMPEZA DA PEÇA (R) LIMPEZA DA BASE (C) IDADE DOS PINOS DE ALINHAMENTO (R) LIMPEZA DOS PINOS DE ALINHAMENTO (C) FORÇA DO GRAMPO (R) LOCALIZAÇÃO DO GRAMPO (C) VELOCIDADE (C) TIPO DE REFRIGERANTE (C) DESIGN DA FERRAMENTA (C) IDADE DA FERRAMENTA (R) DUREZA DO MATERIAL y = POSIÇÃO DA PEÇA NA FURADEIRA y = ESTABILIDADE DA PEÇA NA BASE y = PLANICIDADE DA PEÇA NA BASE Y = DIÂMETRO DO FURO Y = CONCENTRICIDADE DO FURO Legenda: (C) = Parâmetro Controlável (R) = Parâmetro de Ruído 29 PARÂMETRO CRÍTICO O mapa de processo é base para a caracterização do processo É a determinação dos relacionamentos existentes entre os parâmetros de processo e os parâmetros de produto: Se a caracterização do processo indica que a variação em um parâmetro controlável ou em um parâmetro de ruído exerce um impacto significativo na performance do produto (medida pelos parâmetros de produto), aquele parâmetro é identificado como um parâmetro crítico. 30 ALINHAR A PEÇA NA BASE DA FURADEIRA FIXAR A PEÇA NA BASE DA FURADEIRA FURAR (fazer o furo) PRODUTO EM PROCESSO: PEÇA ALINHADA PRODUTO EM PROCESSO: PEÇA FIXADA PRODUTO FINAL: PEÇA FURADA (R) LIMPEZA DA PEÇA (R) LIMPEZA DA BASE (C) IDADE DOS PINOS DE ALINHAMENTO *(R) LIMPEZA DOS PINOS DE ALINHAMENTO *(C) FORÇA DO GRAMPO (R) LOCALIZAÇÃO DO GRAMPO *(C) VELOCIDADE (C) TIPO DE REFRIGERANTE (C) DESIGN DA FERRAMENTA (C) IDADE DA FERRAMENTA (R) DUREZA DO MATERIAL y = POSIÇÃO DA PEÇA NA FURADEIRA y = ESTABILIDADE DA PEÇA NA BASE y = PLANICIDADE DA PEÇA NA BASE Y = DIÂMETRO DO FURO Y = CONCENTRICIDADE DO FURO Legenda: (C) = Parâmetro Controlável (R) = Parâmetro de Ruído * = Parâmetro Crítico MAPA DO PROCESSO “FURAÇÃO” 31 C A T E G O R I A S D E V A R I A Ç Õ E S FATORES QUE CONTRIBUEM PARA AS VARIAÇÕES V A R I A Ç Ã O NÃO EXISTEM DOIS OBJETOS EXATAMENTE IGUAIS DENTRO DA PEÇA PEÇA A PEÇA AO LONGO DA PEÇA AMBIENTE OPERADORES INSPEÇÃO PROCESSO MATERIAIS 32 VARIAÇÕES - Qualquer processo apresenta variabilidade, isto é um fato da natureza. As variações que ocorrem num processo de produção podem ser desmembradas em duas componentes: Uma de difícil controle chamada Variação Aleatória ou Comum; E outra controlável, chamada de Causal ou Especial ou Identificável. Pode-se dizer então, que a Variação Total é a soma das Variações Especiais e Comuns. Causas de variação Causa comum: É definida como uma fonte de variação que afeta a todos os valores individuais de um processo. É resultante de diversas origens, sem que nenhuma delas tenha predominância sobre a outra; A variação devido a causas comuns está sempre presente, ela não pode ser reduzida sem mudanças na concepção do processo; Quando somente estas variações estão presentes, a melhoria da qualidade do produto precisa de decisões gerenciais que envolvem, por vezes, investimentos significativos. Causa especial: É um fator que gera variações que afetam o comportamento do processo de maneira imprevisível. Uma ou poucas causas produzem grandes variações no processo; Não é possível obter-se um padrão ou distribuição de probabilidade; Diferencia-se da causa comum pelo fato de produzir resultados totalmente discrepantes com relação aos demais valores; Em geral, a correção pode ser feita na própria linha e não envolve investimentos significativos. Variação Total = Variação Comum + Variação Especial 33 CAUSAS ALEATÓRIAS X CAUSAS IDENTIFICÁVEIS (CAUSAS COMUNS X CAUSAS ESPECIAIS) 34 35 CAUSAS COMUNS E CAUSAS ESPECIAIS DE VARIAÇÃO TIPOS DE CEP As indústrias podem ser classificadas nas seguintes categorias quanto ao seu processo de produção: Produção em massa: caracteriza-se por produzir um ou poucos tipos de produtos, com baixa diferenciação e em grandes quantidades. Normalmente adota arranjo físico linear (linha de montagem) com pouca flexibilidade. Produção intermitente (repetitiva ou sob encomenda): engloba a maior parte da indústria nacional, onde já existe uma diversificação maior do que no caso anterior, podendo possuir uma linha própria de produtos ou fabricando apenas sob 36 especificação do cliente. O arranjo físico costuma ser funcional, com equipamentos flexíveis. Produção enxuta: nesta categoria estão aquelas indústrias que adotaram os modernos conceitos de produção, tais como sistema just-in-time, células de manufatura, manufatura integrada por computador, etc. Caracteriza-se por possuir baixos estoques, equipamentos versáteis e flexibilidade para mudança de volumes e tipos de produtos. Processo contínuo: esta categoria é representada pelas indústrias químicas e petroquímicas, além de outro sem número de empresas, onde não existem unidades discretas (unidades individuais) de produto durante o processo, mas somente ao final deste, quando da sua embalagem. SISTEMAS DE PRODUÇÃO E TIPOS DE CEP Sistemas de Produção Tipo de CEP Produção em Massa Convencional Produção Intermitente (Repetitiva ou Sob Encomenda) Convencional e Pequenos Lotes Produção Enxuta Pequenos Lotes Processo Contínuo Processo Contínuo Processo em Bateladas Convencional 37 Convencional: Grande quantidade de dados; produtos discretos (unidades individuais). Pequenos lotes: Escassez de dados; grande diversificação de produtos que passam pelo mesmo equipamento. Contínuo ou em Bateladas: Produto de natureza contínua (não é possível definir claramente o que seja uma unidade de produto). As quantidades produzidas são variáveis, podendo haver pouca ou muita diferenciação. Normalmente são produzidos no mesmo equipamento. PROCESSOS "DISCRETOS" E CONTÍNUOS Discreto Contínuo Entradas Materiais manufaturados Materiais da natureza Menor variabilidade Maior variabilidade Controle do Processo Manual ou semi-automático Semi ou totalmente automático Baixa quantidade de controles Alta quantidade de controles Alteração nos controles gera resultado imediato Alteração é lenta e gradual Saídas Peças ou subconjuntos Fluxo contínuo ou lotes de material A saída pode ser alterada instantaneamente A saída muda gradualmente 38 CARACTERIZAÇÃO DE AMOSTRAS Medidas de Centralização: Média: )(x É calculada como sendo a somade todos os valores da amostra, divididos pela quantidade total de valores (n). n x n i ix 1 Mediana: ( x~ ) É calculada como sendo o termo ordenado de ordem (n + 1)/2, quando se tem uma quantidade ímpar de valores, ou a soma do termo de ordem n/2 com o termo de ordem n/2 + 1, divididos por 2, quando a quantidade é par. Medidas de Dispersão Desvio - padrão: (s) É definido como sendo a raiz quadrada da soma dos desvios quadráticos de cada valor com relação à média, divididos por (n - 1). s = 1 1 2)( n i n i xx Amplitude (R) É a diferença entre o maior e o menor valores da amostra. R = xmáx.- xmin. 39 Seja o seguinte conjunto de valores: {12,1; 12,5; 11,7; 13,1; 12,5} Item Fórmula Valor Média 5 5,131,137,115,121,12 x 12,4 Mediana 11,7 - 12,1 - 12,5 - 12,5 - 13,1 12,5 Desvio Padrão 4 )4,125,12(.....)4,121,12( 22 s 0,52 Amplitude R = 13,1 - 11,7 1,4 SÉRIES TEMPORAIS 40 DADOS AGRUPADOS Amostra Valores x-barra R 1 7 24 24 20 25 20,0 18 2 17 37 28 16 26 24,8 21 3 12 22 40 36 34 28,8 28 4 52 34 29 36 24 35,0 28 5 28 28 34 29 48 33,4 20 6 30 27 48 32 25 32,4 23 7 36 21 31 22 28 27,6 15 8 5 33 15 26 42 24,2 37 9 50 34 37 27 34 36,4 23 10 21 17 20 25 16 19,8 9 11 34 18 29 43 24 29,6 25 12 18 35 26 23 17 23,8 18 13 10 28 19 26 21 20,8 18 14 21 23 33 28 38 28,6 17 15 27 41 15 22 23 25,6 26 16 31 19 39 21 38 29,6 20 17 37 46 22 26 25 31,2 24 18 13 32 35 44 45 33,8 32 19 9 44 25 32 39 29,8 35 20 14 27 34 34 52 32,2 38 Total 567,4 475 41 CARACTERIZAÇÃO DA POPULAÇÃO Medidas de Centralização: (µ) ( x ; x ) A média da população costuma ser representada pela letra grega (mi) Na prática, este valor nunca é conhecido e, portanto, deve ser estimada (substituída) pelo valor de x barra, quando se possui uma única amostra ou por x- duas barras, quando se possuir mais de uma amostra. x = k k i ix 1 Medida de Dispersão: () ( R ) ( s ) O desvio-padrão da população é representado pela letra grega (sigma). Como também é desconhecido, costuma ser substituído por R-barra ou, até, por s-barra. Contudo, ao fazer esta substituição, incorre-se em um erro chamado de vício, ou seja, não é possível a simples substituição de um valor pelo outro sem se proceder ao uso de um fator de correção. k R k i iR 1 e cd sR 42 ˆ DISTRIBUIÇÃO DE PROBABILIDADE NORMAL µ 42 Por se tratar de uma distribuição contínua de probabilidade, ou seja, em que a variável pode assumir quaisquer valores, deve-se sempre trabalhar com áreas da distribuição normal. DISTRIBUIÇÃO NORMAL REDUZIDA - N(0,1) FUNÇÃO DENSIDADE DE PROBABILIDADE -4 4 -3 -2 -1 0 1 2 3 0,0 0,1 0,2 0,3 0,4 99,54% 68,26% 99,74% X f(x) 43 CUIDADOS NA AMOSTRAGEM O uso eficaz do CEP depende, sobretudo, do perfeito entendimento de como as amostras devem ser obtidas do processo, de modo a permitir a análise da variação desejada. Alguns cuidados: Amostras Compostas: Em muitos lugares é comum obter-se amostra de hora em hora para que, ao final do dia, compô-las (ou seja, juntá-las) em uma única amostra. Se o objetivo da empresa é ter uma noção da média do dia deste processo, então este procedimento é adequado. Contudo, como o valor da amostra composta constitui-se numa média diária, não será possível avaliar a variabilidade do desempenho global do processo ao longo do dia, já que podem, por exemplo, ter sido obtidos valores muito baixos no princípio da manhã, sendo compensados por valores altos no período da tarde. Logo, a média em nada refletirá este comportamento. Amostras Subdivididas em Amostras Menores: Outra prática comum é a de obter uma única amostra durante um dado período e, então, dividi-la em amostras menores (sub-amostras) para análise pelo laboratório. Se eventualmente forem verificadas diferenças entre resultados, elas devem ser atribuídas tão somente à variação do sistema de medição (instrumento, analista e método) e não ao processo de onde a amostra foi obtida. Misturas de Diferentes Fontes de Variação: Quando existem diversas linhas de fabricação em análise, que ao final se juntam num único fluxo de material, disto decorre que a amostra retirada neste ponto é o resultado médio de desempenho de todas as linhas em conjunto. Neste caso, não é possível ter-se uma idéia se há diferença significativa entre as linhas - ou não - com este procedimento e, portanto, importantes informações podem ser negligenciadas. Mistura de Amostras de Diferentes Lotes: Quando se tem um determinado equipamento funcionando de modo ininterrupto e, acoplado a este, um outro funciona de modo intermitente (em bateladas, por exemplo), na hora de se retirar a amostra não se deve misturar numa mesma amostra materiais de diferentes lotes, ou então esta indicará tanto variação do material do lote, como eventuais 44 diferenças entre lotes. Se esta for excessiva, não haverá meio de identificar qual a origem do problema. Materiais Contínuos: Quando materiais são produzidos em um processo, de forma contínua, tal como laminação de alumínio, tecelagem de tecidos, extrusão de perfis, trefilação de fios metálicos, fabricação de papel, etc. o controle da variação das propriedades no sentido longitudinal se dá de modo totalmente independente do controle no sentido transversal. Não há sentido em se utilizar um tipo de variação como base para a análise da outra. GRÁFICO DE CONTROLE Conceito de Gráfico de Controle Comparação gráfica de dados amostrais com limites de controle estabelecidos, de acordo com técnicas estatísticas. 45 Uso dos Gráficos de Controle Determinar as causas de variação dos dados √ Aleatórias (ou comuns) √ Identificáveis (ou especiais) Conceito de Atributos Avaliação baseada numa classificação: √ Cor √ "Maior ou menor" √ Presença ou ausência de "defeitos" Conceito de Variáveis Resultados numéricos baseados em medições. √ Comprimento de um eixo √ Diâmetros interno e externo de um tubo √ Resistência elétrica √ Tempo de fusão Vantagens do Controle por Atributos √ Rapidez √ Simplicidade Vantagens do Controle por Variáveis √ Amostras menores √ Precisão (Cálculos aritméticos) 46 ESQUEMA GERAL DOS GRÁFICOS DE CONTROLE LIMITES DE CONTROLE 2 4 5 3 6 7 8 9 10 1 LSC = LIMITE SUPERIOR DE CONTROLE LM = LINHA MÉDIA LIC = LIMITE INFERIOR DE CONTROLE + 3 - 3 M éd ia d as A m os tr as (u n. ) Número da Amostra 47 ESQUEMA GERAL DOS GRÁFICOS DE CONTROLE FAIXA DE VARIABILIDADE "NORMAL" 2 4 5 3 6 7 8 9 10 1 FORA DE CONTROLE SOB CONTROLE + 3 - 3 M éd ia d as A m os tr as (u n. ) Número da Amostra FORA DE CONTROLE 3 3 48 GRÁFICOS DE CONTROLE GRÁFICOS DE CONTROLE PARA VARIÁVEIS Gráfico da Média e Amplitude (x- barra e R) Gráficos da Média e Desvio-Padrão (x - barra e s) Gráficos do Valor Individuale Amplitude Móvel (x e Rm) Gráficos da Média e Amplitude Móveis (xm - barra e Rm) Gráfico por Bateladas Gráfico por Grupos GRÁFICOS DE CONTROLE PARA ATRIBUTOS Gráfico da Fração defeituosa (p) Gráfico do Número de Defeituosos na Amostra (np) Gráfico do Número de Defeitos na Amostra (c) Gráfico do Número de Defeitos por Unidade de Inspeção (u) GRÁFICOS DE CONTROLE- OBJETIVOS - Os gráficos de controle possuem três objetivos básicos: √ Verificar se processo estudado é estatisticamente estável, ou seja, se não há presença de causas especiais de variação; √ Verificar se o processo estudado permanece estável, indicando quando é necessário atuar sobre o mesmo; e √ Permitir o aprimoramento do processo, mediante a redução de sua variabilidade. 49 GRÁFICOS DE CONTROLE - REGRAS - No cálculo dos limites de controle e obtenção de amostras as seguintes regras devem ser obedecidas: √ O desvio-padrão utilizado deve ser sempre estimado com base na variação dentro da amostra; √ Os gráficos sempre utilizam limites de controle localizados à uma distância de três desvios-padrões da linha média; Os dados devem ser obtidos e organizados em amostras (ou subgrupos) segundo algum critério racional, visando permitir a obtenção das respostas necessárias; O conhecimento obtido através dos gráficos de controle deve ser empregado para modificar as ações, conforme adequado. √ Permitir o aprimoramento do processo, mediante a redução de sua variabilidade. PLANEJAMENTO DE GRÁFICOS DE CONTROLE Para planejar um gráfico de controle, é preciso saber: a) o tamanho da amostra; b) a freqüência de amostragem. Não existem “fórmulas” para determinar esses valores, mas, em geral, é possível escolher uma das duas estratégias: a) tomar amostras pequenas e freqüentes; b) tomar amostras grandes e pouco freqüentes. Nem sempre é possível dizer qual é a melhor estratégia, mas a indústria usa, preferencialmente, amostras pequenas e freqüentes. Então são mais comuns as 50 indústrias que coletam amostras de tamanho 4 ou 5 a cada meia hora do que as indústrias que coletam amostras de tamanho 20 a cada 2 horas. É preciso considerar, também, a taxa de produção. As indústrias que produzem 50.000 unidades por hora devem amostrar com mais freqüência do que as indústrias que produzem 500 unidades por hora. SUBGRUPOS RACIONAIS A coleta dos dados que serão usados para elaboração de um gráfico de controle exige alguns cuidados. Assim, cada amostra deve ser obtida: a) em período de tempo relativamente curto; b) sob as mesmas condições de trabalho. Para entender estas recomendações, suponha que o diâmetro de uma peça foi escolhido como característico dde qualidade num processo de fabricação. Suponha ainda que o diâmetro dessa peça é afetado pelos seguintes fatores: a) material usado; b) ajuste da máquina; c) habilidade do operador. Se cada partida do material dura 15 dias e a máquina é ajustada toda manhã, cada amostra deve ser tomada;: a) Em um mesmo dia; b) da produção de um mesmo operador. A variação dos diâmetros das peças “dentro” de cada amostra é aleatória porque não pode ser explicada por nenhuma das causas de variação identificadas (material usado, ajuste da máquina e habilidade do operador). Já a variação dos diâmetros das peças de diferentes amostras deve ser explicada por um ou mais desses fatores. A amplitude mede a variação “dentro” de cada amostra. Então, o gráfico de controle R monitora a variação “dentro” de amostras, que é a variação em um dado momento. O 51 gráfico de controle x-barra monitora a variação “entre” amostras, que a variação do processo ao longo do tempo. Para controlar um processo com uso de gráficos, é preciso maximizar a probabilidade de ocorrer variação “entre” amostras (variação ao longo do tempo) e minimizar a probabilidade de acorrer variação “dentro” de amostras (variação em um dado momento). As amostras obtidas com esses critérios são chamadas de subgrupos racionais. GRÁFICOS DE CONTROLE PARA VARIÁVEIS GRÁFICO DA MÉDIA E AMPLITUDE (x-barra e R) Fundamentos Para a média amostral têm-se os seguintes limites de controle: )(.3)( xx Como não se conhece a média )(x , será então utilizada a média das médias das amostras, ou seja, x e, no lugar de (x) será empregada a média das amplitudes: LSC x = x + 3. nd R 2 = x + A2 R LM x = x LIC x = x - 3. nd R 2 = x - A2 R Obs.: A2 e d2 encontram-se tabulados no anexo Analogamente têm-se para a amplitude amostral os seguintes limites de controle: (R) + 3.(R) ou ainda, LSCR = (d2 + 3.d3). 2d R = D4 R LMR = R LICR = (d2 - 3.d3). 2d R = D3 R Obs.: 52 1) D3 e D4 encontram-se tabulados no anexo 2) Para tamanhos de amostra menores que 7, não existe o fator D3. GRÁFICO DA MÉDIA E AMPLITUDE (x-barra e R) - Exemplo - Na fabricação de misturas de pós, uma característica importante é sua umidade, já que ela tem papel fundamental na qualidade do produto. Sua especificação é de 10% + 0,5%. Decidiu-se acompanhar a fabricação de 20 (vinte) lotes consecutivos e monitorar a umidade mediante a retirada de amostras. Lote Valores x - barra R 1 10,69 - 10,80 - 10,39 10,627 0,41 2 10,20 - 10,30 - 10,72 10,407 0,52 3 10,42 - 10,61 - 10,54 10,523 0,19 4 10,98 - 10,27 - 10,50 10,583 0,71 5 10,61 - 10,52 - 10,67 10,600 0,15 6 10,57 - 10,46 - 10,50 10,510 0,11 7 10,44 - 10,29 - 9,86 10,197 0,58 8 10,20 - 10,29 - 10,41 10,300 0,21 9 10,46 - 10,76 - 10,74 10,653 0,30 10 10,11 - 10,33 - 10,98 10,473 0,87 11 10,29 - 10,57 - 10,65 10,503 0,36 12 10,83 - 11,00 - 10,65 10,827 0,35 13 10,35 - 10,07 - 10,48 10,300 0,41 14 10,69 - 10,54 - 10,61 10,613 0,15 15 10,44 - 10,44 - 10,57 10,483 0,13 16 10,63 - 9,86 - 10,54 10,343 0,77 17 10,54 - 10,82 - 10,48 10,613 0,34 18 10,50 - 10,61 - 10,54 10,550 0,11 19 10,29 - 10,79 - 10,74 10,607 0,50 20 10,57 - 10,44 - 10,52 10,510 0,13 Total 210,222 7,30 53 Cálculo das estatísticas básicas x = k x = 20 222,210 = 10,511 R = k R = 20 30,7 = 0,365 Cálculo dos limites de controle Para o gráfico da amplitude (R) LSCR = D4 R = 2,574 x 0,365 = 0,940 LMR = R = 0,365 LICR = D3 R = nenhum Para o gráfico da média (x-barra) LSC x = x + A2 R = 10,511 +1,023 x 0,365 = 10,855 LM x = x = 10,511 LIC x = x - A2 R = 10,511 -1,023 x 0,365 = 10,138 10,0 10,1 10,2 10,3 10,4 10,5 10,6 10,7 10,8 10,9 11,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 10,885 10,138 10,511 M éd ia s 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 0,940 0,365A m pl itu de s Amostras 54 GRÁFICO DA MÉDIA E DESVIO-PADRÃO (x-barra e s) Fundamentos Estes gráficos são similares aos gráficos x-barra e R. São aplicados quando são adotadas amostras de tamanhos maiores (n>10) LSC x = x + 3. nc s 4 = x + A3 s LM x = x LIC x = x - 3. nc s 4 = x - A3 s Obs.: A3 e c4 encontram-se tabulados no anexo Para o desvio-padrão, seus limites de controle são: (s) + 3.(s), ou ainda, LSCs = (c4+ 3.c5). 4c s = B4. s LMs = s LICs = (c4 - 3.c5). 4c s = B3. s Exercício: Recalcular as estatísticas do exemplo anterior e comparar os resultados. GRÁFICO DO VALOR INDIVIDUAL E AMPLITUDE MÓVEL (X e Rm) Fundamentos Utilizado quando somente valores individuais estiverem disponíveis. A amplitude móvel (Rm) é definida como sendo a diferença (em módulo) entre m valores individuais consecutivos. Os limites de controle destes gráficos são: LSCx = x + E2. R m LMx = x LICx = x - E2. R m e 55 LSCRm = D4. R m LMRm = R m LICRm = D3. R m Obs.: Os valores de E2 encontram-se tabulados no anexo Exemplo: No refino de petróleo, amostras são retiradas a cada duas horas, na linha de bombeamento, e nestas é determinado o seu teor de parafina. Os dados obtidos ao longo de diversos dias são apresentados na tabela a seguir. Amostra Valor Rm 1 22,7 - 2 20,7 2,0 3 21,2 0,5 4 19,7 1,5 5 18,7 1,0 6 24,2 5,5 7 26,8 2,6 8 18,9 7,9 9 24,5 5,6 10 24,9 0,4 11 19,2 5,7 12 16,8 2,4 13 23,0 6,2 14 19,8 3,2 15 18,8 1,0 16 19,1 0,3 17 22,6 3,5 18 20,9 1,7 19 17,4 3,5 20 25,6 8,2 21 22,0 3,6 22 21,8 0,2 23 23,2 1,4 24 23,5 0,3 25 26,0 2,5 Total 542,0 70,7 56 Cálculo das estatísticas básicas x = k x = 25 0,542 = 21,68 Rm = 1 k Rm = 24 7,70 = 2,95 Cálculo dos limites de controle Para o gráfico Rm LSCRm = D4. R m = 3,267 x 2,95 = 9,64 LMRm = R m = 2,95 LICRm = D3. R m = nenhum Para o gráfico x LSCx = x + E2. R m = 21,68 + 2,660 x 2,95 = 29,527 LMx = x = 21,68 LICx = x - E2. R m = 21,68 - 2,660 x 2,95 = 13,833 Avaliação da estabilidade do processo Analisando-se inicialmente o gráfico Rm, verifica-se que não há causas especiais de variação atuando na dispersão (variabilidade) do processo, já que não há pontos fora dos limites de controle e estes se distribuem aleatoriamente (ao acaso) em torno da linha média. 12 14 16 18 20 22 24 26 28 30 32 1 3 5 7 9 11 13 15 17 19 21 23 25 V al or es In di vi du ai s 29,527 13,833 21,68 0 1 2 3 4 5 6 7 8 9 10 1 3 5 7 9 11 13 15 17 19 21 23 Amostras A m pl itu de s M óv ei s 9,64 2 ,95 57 GRÁFICO DA MÉDIA E AMPLITUDE MÓVEIS (Xm-barra e Rm) Fundamentos Extensão do gráfico para valores individuais. A vantagem deste tipo de gráfico com relação aos valores individuais é que as médias são mais sensíveis à presença de causas especiais. As médias são calculadas similarmente ao que foi feito com as amplitudes móveis: 2 1 iii xxmx i= 1, 2, 3, ......, k -1 As fórmulas para cálculo dos limites de controle são: LSC mx = x m+ A2. R m LM mx = x m LIC mx = x m - A2. R m e LSCRm = D4. R m LMRm = R m LICRm = D3. R m Exercício: Recalcular os limites de controle utilizando os mesmos dados do exemplo anterior. 58 Amostra Valor Xm - barra Rm 1 22,7 - - 2 20,7 21,70 2,0 3 21,2 20,95 0,5 4 19,7 20,45 1,5 5 18,7 19,20 1,0 6 24,2 21,45 5,5 7 26,8 25,50 2,6 8 18,9 22,85 7,9 9 24,5 21,70 5,6 10 24,9 24,70 0,4 11 19,2 22,05 5,7 12 16,8 18,00 2,4 13 23,0 19,90 6,2 14 19,8 21,40 3,2 15 18,8 19,30 1,0 16 19,1 18,95 0,3 17 22,6 20,85 3,5 18 20,9 21,75 1,7 19 17,4 19,15 3,5 20 25,6 21,50 8,2 21 22,0 23,80 3,6 22 21,8 21,90 0,2 23 23,2 22,50 1,4 24 23,5 23,35 0,3 25 26,0 24,75 2,5 Total 542,0 517,65 70,7 59 Resultado das estatísticas básicas x = 21,57 R m = 2,95 Resultado dos limites de controle Para o gráfico Rm LSCRm = 9,64 LMRm = 2,95 LICRm = nenhum Para o gráfico xm-barra LSC mx = 27,116 LM mx = 21,57 LIC mx = 16,024 Avaliação da estabilidade do processo O gráfico de controle para médias móveis mostra os pontos dentro dos limites de controle e também deve ser considerado estável. 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 1 4 7 10 13 16 19 22 25 Amostras M éd ia s M óv ei s 27 ,116 16 ,024 21 ,57 60 GRÁFICO POR BATELADAS Fundamentos Quando um determinado processo produz materiais em bateladas (ou lotes), é comum, em termos de variação, que cada batelada seja bastante homogênea havendo, porém, diferenças razoáveis entre bateladas. Significa que diferentes amostras retiradas de uma mesma batelada apresentam pequena variação, mas quando se comparam as médias das bateladas, percebe- se que são completamente distintas. A conseqüência disto é que se construídos gráficos do tipo média e amplitude (x-barra e R), enquanto o gráfico R se mostrará estável, o mesmo não acontecendo com o gráfico x-barra. Observação: diferenças entre bateladas devem ser entendidas como sendo parte do comportamento do processo e, portanto, devem ser incorporadas no gráfico de controle empregado. O gráfico por bateladas é uma mistura de gráfico x-barra e R com x e Rm As fórmulas para cálculo dos limites de controle são: LSC x = x + E2. R m LM x = x LIC x = x - E2. R m e LSCRm = D4. R m LMRm = R m LICRm = D3. R m 61 Exemplo: Na fabricação de certo tipo de medicamento, emprega-se um misturador do tipo duplo-cone. O material resultante é um pó e são geradas cerca de 10 bateladas por dia. Os dados na tabela abaixo mostram os resultados quanto ao teor ativo. Sabe-se de longa data que existem diferenças acentuadas entre lotes. Amostra Valores x - barra Rm 1 6,915 - 6,910 6,9125 - 2 6,855 - 6,840 6,8475 0,0650 3 6,860 - 6,855 6,8575 0,0100 4 6,890 - 6,880 6,8850 0,0275 5 6,870 - 6,880 6,8750 0,0100 6 6,925 - 6,920 6,9225 0,0475 7 6,850 - 6,900 6,8750 0,0475 8 6,900 - 6,900 6,9000 0,0250 9 6,880 - 6,890 6,8850 0,0150 10 6,900 - 6,905 6,9025 0,0175 11 6,865 - 6,880 6,8725 0,0300 12 6,910 - 6,920 6,9150 0,0425 13 6,920 - 6,900 6,9100 0,0050 14 6,880 - 6,875 6, 8775 0,0325 15 6,890 - 6,895 6,8925 0,0150 Total 103,3300 0,3900 Cálculo das estatísticas básicas 8887,6 15 33,103 k x x 0279,0 14 390,0 1 k Rm mR Cálculo dos limites de controle Para o gráfico Rm LSCRm = D4 mR = 3,267 x 0,0279 = 0,0911 LMRm = mR = 0,0279 LICRm = D3 mR = nenhum 62 Para o gráfico x-barra LSC x = x + E2 mR = 6,8887 + 2,660 x 0,279 = 6,9629 LM x = x = 6,8887 LIC x = x - E2 mR = 6,8887 - 2,660 x 0,279 = 6,8145 Avaliação da estabilidade do processo Analisando-se inicialmente o gráfico Rm, percebe-se que este é estável. O gráfico de controle para valores individuais também mostra uma distribuição aleatória (ao acaso) dos pontos em torno da linha média e também deve ser considerado estatisticamente estável. 6,78 6,8 6,82 6,84 6,86 6,88 6,9 6,92 6,94 6,96 6,98 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 M éd ia s 6 ,8145 6 ,8887 6,9629 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,1 0,11 Amostras A m pl itu de s M óv ei s 0,0000 0 ,0279 0,0911 63 GRÁFICO PORGRUPOS Fundamentos Há situações, na prática, em que existem vários fluxos de produtos na produção, ou ainda, onde o mesmo produto é fabricado simultaneamente em diferentes conjuntos de equipamentos. Exemplos: máquinas com múltiplos cabeçotes (enchimento de vasilhames), linhas de processamento de máquinas dispostas em paralelo, etc.. Um dos princípios básicos da formação de subgrupos recomenda que não se deve misturar produtos provenientes de diferentes fontes (fluxos), já que eventuais diferenças entre estes acusarão causas especiais no gráfico de controle, devido ao problema da estratificação. Em lugar de se elaborar um gráfico para cada fluxo, o gráfico de controle por grupos é uma alternativa pois permite o controle de múltiplos fluxos através de um único gráfico. As fórmulas de cálculo são idênticas as dos gráficos da média e amplitude (x-barra e R). Entretanto os dados são agrupados de modo diferente ao que se adota convencionalmente. Exemplo: Em uma empresa, as peças são sinterizadas em fornos contínuos. A cada turno é retirada uma amostra de 6 peças do forno (duas fileiras com três peças cada uma), que são medidas quanto a sua dureza. Como o forno possui resistências elétricas em somente um lado, desconfia-se que possa haver diferenças entre peças processadas na lateral esquerda, lateral direita e parte central da esteira transportadora. 64 Tabela 1: Dureza de peças sinterizadas. Amostra Fila Turno Esquerdo Centro Direito 1 A 1 115 110 107 B 116 113 108 2 A 2 113 109 107 B 118 110 111 3 A 1 114 109 108 B 114 110 110 4 A 2 114 110 107 B 115 110 109 5 A 1 112 108 105 B 113 107 106 6 A 2 114 107 106 B 115 111 104 7 A 1 112 106 104 B 112 106 105 8 A 2 113 109 110 B 115 108 108 9 A 1 115 111 109 B 116 113 109 10 A 2 113 107 104 B 113 108 105 11 A 1 113 110 108 B 116 108 107 12 A 2 116 113 113 B 118 108 110 65 Cálculo das estatísticas básicas Na tabela 2, os dados foram rearranjados de modo a permitir o cálculo das médias e amplitudes de cada amostra. Percebe-se que cada amplitude calculada deste modo reflete a variação entre duas peças consecutivas no forno (filas A e B), enquanto que cada média representa diferenças entre posições do forno (lado esquerdo, centro e direito). A cada conjunto de valores obtidos (6 no total) em dado turno, dá-se o nome de grupo. As estatísticas básicas, para os dados agrupados dessa nova maneira, ficam: 35,110 36 5,3972 k x x 61,1 36 58 k R R Cálculo dos limites de controle Para o gráfico R LSCR = D4 R = 3,267 x 1,61 = 5,26 LMR = R = 1,61 LICR = D3 R = nenhum Para o gráfico x-barra LSC x = x + A2 R = 110,35 + 1,880 x 1,61 = 113,38 LM x = x = 110,35 LIC x = x - A2 R = 110,35 - 1,880 x 1,61 = 107,32 Construção do gráfico Os gráficos são similares aos da média e amplitude; contudo no gráfico R somente se coloca a maior amplitude de cada grupo e, no gráfico x-barra, são marcadas as maiores e menores médias de cada grupo. 66 Tabela 2: Dados em Grupos Legenda: E = esquerda; C = centro; D = direita Grupo Amostra Posição Fila A Fila B x-barra R 1 1 E 115 116 115,5 1 2 C 110 113 111,5 3 3 D 107 108 107,5 1 2 4 E 113 118 115,5 5 5 C 109 110 109,5 1 6 D 107 111 109,0 4 3 7 E 114 114 114,0 0 8 C 109 110 109,5 1 9 D 108 110 109,0 2 4 10 E 114 115 114,5 1 11 C 110 110 110,0 0 12 D 107 109 108,0 2 5 13 E 112 113 112,5 1 14 C 108 107 107,5 1 15 D 105 106 105,5 1 6 16 E 114 115 114,5 1 17 C 107 111 109,0 4 18 D 106 104 105,0 2 7 19 E 112 112 112,0 0 20 C 106 106 106,0 0 21 D 104 105 104,5 1 8 22 E 113 115 114,0 2 23 C 109 108 108,5 1 24 D 110 108 109,0 2 9 25 E 115 116 115,5 1 26 C 111 113 112,0 2 27 D 109 109 109,0 0 10 28 E 113 113 113,0 0 29 C 107 108 107,5 1 30 D 104 105 104,5 1 11 31 E 113 116 114,5 3 32 C 110 108 109,0 2 33 D 108 107 107,5 1 12 34 E 116 118 117,0 2 35 C 113 108 110,5 5 36 D 113 110 111,5 3 Total 3972,5 58 67 Gráfico por Grupos Análise interpretação da estabilidade estatística Embora o gráfico R seja estável, o x-barra apresenta vários pontos fora dos limites de controle, evidenciando que o processo não é estável e, portanto, que existem diferenças estatisticamente significativas entre um lado e outro do forno. 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 1 2 3 4 5 6 7 8 9 10 11 12 M éd ia s 113,38 110,35 107,32 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 1 2 3 4 5 6 7 8 9 10 11 12 Grupos Am pl itu de s 5,26 1,61 68 GRÁFICO 3-D Fundamentos Num gráfico convencional para variáveis, os valores de R-barra, s-barra ou Rm - barra determinam a distância em que os limites de controle ficam com relação à linha média no gráfico x-barra. Ou seja, a variação dentro da amostra determina o quanto de diferença pode existir na variação entre amostras, antes que esta seja considerada estatisticamente significativa. Contudo, há situações em que a variação dentro da amostra não serve de boa base para o estabelecimento dos limites de controle de x-barra. Casos onde isto ocorre são: Na fabricação de lotes em bateladas, em que as diferenças entre lotes são acentuadas em virtude da variação inerente às matérias-primas e não há possibilidade de reduzi-la; Na fabricação de produtos contínuos (trefilação, extrusão, laminação, etc.) onde a variação transversal à máquina não é uma base adequada para estabelecer a faixa de variação longitudinal à máquina, em virtude de suas naturezas totalmente opostas. Os gráficos de controle 3-D são, na verdade, uma combinação dos gráficos x-barra e R com o gráfico x-Rm, de forma que possibilitam o controle de mais de dois tipos de variação simultaneamente. O gráfico R irá monitorar a variação dentro da amostra. Consequentemente as fórmulas para cálculo dos limites de controle são: LSCR = D4. R LMR = R LICR = D3. R O gráfico Rm, por sua vez, servirá de base para estabelecer a distância dos limites de controle à linha média, no gráfico x-barra. Portanto, ,LSCRm = D4. R m LMRm = R m LICRm = D3. R m 69 Finalmente, o gráfico x-barra será calculado através das fórmulas: LSCx = x + E2. R m LMx = x LICx = x - E2. R m Exemplo: Na fabricação de papel, retira-se uma tira ao final de cada bobina. Nesta tira são cortados transversalmente cinco espécimens que têm a sua gramatura determinada. A tabela a seguir, mostra os resultados de um acompanhamento feito em vinte bobinas Bobina VALORES x-barra R Rm A B C D E 1 69,7 69,4 68,7 70,6 70,3 69,74 1,9 - 2 70,7 70,2 70,1 71,7 70,6 70,66 1,6 0,92 3 69,2 70,6 70,5 68,5 69,7 69,70 2,1 0,96 4 70,9 70,8 69,7 68,6 70,0 70,00 2,3 0,30 5 69,2 71,0 70,5 70,2 69,9 70,16 1,8 0,16 6 69,7 69,9 71,0 69,4 69,3 69,86 1,7 0,30 7 67,9 69,0 70,1 68,5 69,2 68,94 2,2 0,92 8 71,4 68,6 69,4 70,7 70,3 70,08 2,8 1,14 9 68,3 70,1 70,2 69,7 69,9 69,64 1,9 0,44 10 69,8 69,0 69,2 69,1 71,1 69,64 2,1 0,00 11 69,1 69,6 71,0 70,8 69,9 70,08 1,9 0,44 12 70,5 71,5 69,1 70,3 69,8 70,24 2,4 0,16 13 70,4 70,1 71,1 70,8 69,6 70,48 1,7 0,24 14 68,7 69,9 69,8 70,3 70,3 69,80 1,6 0,68 15 70,7 68,1 69,9 70,2 70,8 69,94 2,70,14 16 69,8 70,1 69,3 69,5 71,2 69,98 1,9 0,04 17 70,7 70,5 70,8 69,3 70,1 70,28 1,5 0,30 18 70,4 70,6 70,9 69,8 69,1 70,16 1,8 0,12 19 70,2 69,6 69,7 69,4 70,7 69,92 1,3 0,24 20 68,5 70,8 69,7 71,8 69,2 70,00 3,3 0,08 Total 1399,30 40,5 7,58 70 Cálculo das estatísticas básicas As médias, amplitudes e amplitudes móveis já estão calculadas na tabela. Tem- se ainda que: k x x = 20 30,399.1 = 69,965 k R R = 20 5,40 = 2,03 R = 40,0 19 58,7 1 k Rm Cálculo dos limites de controle para o gráfico R LSCR = D4. R = 2,114 x 2,03 = 4,29 LMR = R = 2,03 LICR = D4. R = nenhum para o gráfico Rm ,LSCRm = D4. R m = 3,267 x 0,40 = 1,31 LMRm = R m = 0,40 LICRm = D3. R m = nenhum para o gráfico x LSCx = x + E2. R m = 69,97 + 2,660 x 0,40 = 71,03 LMx = x = 69,97 LICx = x - E2. R m = 69,97 - 2,660 x 0,40 = 68,91 análise e interpretação dos gráficos Pela análise dos gráficos de controle, pode-se perceber que o processo é estável (não há presenças de causas especiais de variação atuando) 71 68,6 68,8 69,0 69,2 69,4 69,6 69,8 70,0 70,2 70,4 70,6 70,8 71,0 71,2 71,4 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Amotras M éd ia s 4,29 2,03 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Amotras A m pl itu de s m óv ei s 4,29 2,03 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Amotras A m pl itu de s 4,29 2,03 72 FLUXOGRAMA PARA SELEÇÃO DE GRÁFICO PARA VARIÁVEIS Variável nn == 11 nn >> 11 xx ee RRmm nn >> 1100 nn << 1100 xx--bbaarrrraa ee RR xx--bbaarrrraa ee ss xxmm-- bbaarrrraa ee RRmm 73 GRÁFICOS DE CONTROLE PARA ATRIBUTOS GRÁFICO DA FRAÇÃO DEFEITUOSA (p) Fundamentos A fração defeituosa da amostra é definida como sendo a razão entre o número de defeituosos encontrados na amostra (d) e o tamanho da amostra (n): p = n d Distribuição de probabilidade: Binomial Quando: n. p > 5 e n.(1- p ) > 5 com p = i i n d pode-se utilizar a distribuição normal (aproximação da binomial pela normal): )(.3)( pp Como não são conhecidos (p) e (p), então estes são estimados a partir dos dados das amostras, passando a ser: LSCp = p + 3. n pp )1( LMp = p LICp = p - 3. n pp )1( 74 Exemplo: Numa indústria farmacêutica, diariamente são obtidas amostras de produtos acabados que são examinados quanto a erros de embalagem (falta de bula, falta de código de lote, falta de prazo de validade, falta de rótulo, manchas de impressão, etc.). Coleta de amostras e formação de subgrupo Cada amostra deve representar adequadamente um dia de produção e, portanto, deve ser obtida ao longo de todo o período. Cada frasco é classificado em bom ou ruim (com ou sem erros). Amostras iniciais Como não havia idéia de qual a proporção defeituosa média deste processo, optou- se por tomar amostras de 200 itens, ao longo de 15 dias. Tabela: Processo de embalagem de frascos Dia Verificados Com erros p 1 200 22 0,110 2 200 25 0,125 3 200 17 0,085 4 200 18 0,090 5 200 37 0,185 6 200 29 0,145 7 200 21 0,105 8 200 17 0,085 9 200 20 0,100 10 200 25 0,125 11 200 8 0,040 12 200 24 0,120 13 200 29 0,145 14 200 18 0,090 15 200 22 0,110 Total 3000 333 75 Cálculo dos limites de controle LSCp = p + 3. n pp )1( = 0,111 + 3. 200 )111,01(111,0 = 0,1776 LMp = p = 0,111 LICp = p - 3. n pp )1( = 0,111 - 3. 200 )111,01(111,0 = 0,0444 Análise e interpretação do gráfico Pode-se verificar que há duas causas especiais de variação atuando no processo: uma no dia 5 e outra, no dia 11. 0,00 0,02 0,04 0,06 0,08 0,10 0,12 0,14 0,16 0,18 0,20 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 DIAS PR O PO RÇ Ã O 0,1776 0,111 0,0444 76 GRÁFICO DA FRAÇÃO DEFEITUOSA (p), COM AMOSTRAS DE TAMANHO VARIÁVEL Fundamentos Se o número de itens inspecionados (tamanho do grupo) variar somente de forma menos ponderável (não mais que 20%), os limites poderão ser calculados com base no número médio de itens inspecionados. Se existir variação maior, limites de controle terão de ser calculados para cada tamanho de grupo, já que os mesmos são função do tamanho do grupo. Considere o seguinte exemplo, que fornece os dados de um processo de produção: Tabela: Tamanho da amostra e número de itens não-conformes Dia Número de inspecionados, n Número de não- conformes, d (=np) Dia Número de inspecionados, n Número de não- conformes d (=np) 1 42 1 11 66 5 2 55 3 12 57 1 3 60 1 13 48 3 4 71 2 14 62 5 5 53 2 15 59 1 6 49 9 16 40 3 7 61 0 17 46 4 8 93 2 18 66 5 9 50 5 19 72 1 10 65 9 20 70 4 = 1285 d = 66 77 p = n d logo, n d p , ou seja, p = 1285 66 = 0,051 LSCp = p + 3. n pp )1( LMp = p LICp = p - 3. n pp )1( Tabela: Cálculo de frações defeituosas Dia p 3. n pp )1( LSCp LICp 1 0,024 0,102 0,153 0 2 0,055 0,090 0,141 0 3 0,017 0,086 0,137 0 4 0,028 0,079 0,130 0 5 0,038 0,091 0,142 0 6 0,183 0,095 0,146 0 7 0,000 0,085 0,136 0 8 0,022 0,069 0,120 0 9 0,100 0,094 0,145 0 10 0,138 0,082 0,133 0 11 0,075 0,082 0,133 0 12 0,018 0,088 0,139 0 13 0,063 0,096 0,147 0 14 0,081 0,084 0,135 0 15 0,017 0,086 0,137 0 16 0,075 0,105 0,156 0 17 0,087 0,098 0,149 0 18 0,076 0,082 0,133 0 19 0,014 0,078 0,129 0 20 0,057 0,079 0,130 0 78 Gráfico de controle da fração defeituosa com limites variáveis Pode-se observar na tabela acima que as frações defeituosas para os dias 6 e 10 estão acima dos limites superiores de controle. Nesses casos, o processo precisa ser investigado com relação a causas especiais de variação. Se puder ser encontrada uma explicação, os dados desses dois dias poderão ser eliminados, p poderá ser recalculado e um novo conjunto de limites para controlar a qualidade de itens subseqüentes poderá ser definido. 79 Cálculo da fração defeituosa com valores estabilizados Tabela: Dia p sp pp s p pp 1 0,024 0,034 -0,027 -0,79 2 0,055 0,030 -0,004 +0,13 3 0,017 0,029 -0,034 -1,17 4 0,028 0,026 -0,023 -0,88 5 0,038 0,030 -0,013 -0,43 6 0,183 0,032 +0,132 +4,13 7 0,000 0,028 -0,051 -1,82 8 0,022 0,023 -0,029 -1,26 9 0,100 0,031 +0,049 +1,58 10 0,138 0,027 +0,087 +3,22 11 0,075 0,027 +0,024 +0,83 12 0,018 0,029 -0,033 -0,14 13 0,063 0,032 +0,012 +0,37 14 0,081 0,028 +0,030 +1,07 15 0,017 0,029 -0,034 -1,17 16 0,075 0,035 +0,024 +0,69 17 0,087 0,033 +0,036 +1,09 18 0,076 0,027 +0,025 +0,93 19 0,014 0,026 -0,037 -1,42 20 0,0570,026 +0,006 +0,23 80 Gráfico de controle da fração defeituosa padronizada 81 GRÁFICO DO NÚMERO DE DEFEITUOSOS (np) Fundamentos Este gráfico é similar ao anterior, com a diferença de que se deseja marcar o número de defeituosos encontrados na amostra. Seus limites de controle são: LSCnp = n. p + 3. )1.(. ppn LMnp = n. p LICnp = p - 3. )1.(. ppn GRÁFICO DO NÚMERO DE DEFEITOS (C) Fundamentos Distribuição de probabilidade: Poisson Quando: c > 5 com c = k ci , onde k = quantidade total de amostras pode-se utilizar a distribuição normal (aproximação da Poisson pela normal): )(.3)( cc Como (c) e (c) são desconhecidos, resulta: LSCc = c + 3. c LMc = c LICc = c - 3. c Exemplo: Na fabricação de celulose microcristalina em pó, de cada lote produzido é extraída uma amostra de 30 gramas e contado o número de pontos pretos nesta existentes. A tabela a seguir mostra os resultados do acompanhamento de 30 lotes deste produto. 82 Coleta de amostras e formação de subgrupos Por se tratar de contagem de pontos pretos, em amostras de tamanho constante (30 gramas), pode-se empregar o gráfico c. Tabela: Pontos pretos Lote Pontos Lote Pontos 1 8 16 16 2 12 17 15 3 56 18 6 4 14 19 23 5 10 20 21 6 12 21 36 7 8 22 20 8 10 23 21 9 28 24 35 10 20 25 31 11 10 26 28 12 8 27 10 13 12 28 8 14 35 29 12 15 20 30 10 Cálculo das estatísticas básicas c = k ci = 30 555 = 18,5 Cálculo dos limites de controle LSCc = c + 3. c = 18,5 + 3. 5,18 = 31,4 LMc = c = 18,5 LICc = c - 3. c = 18,5 - 3. 5,18 = 5,6 83 Análise e interpretação da estabilidade do processo Diversos pontos encontram-se acima do limite superior de controle, indicando que o processo é instável. 0,00 5,00 10,00 15,00 20,00 25,00 30,00 35,00 40,00 45,00 50,00 55,00 60,00 65,00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 LOTES PO NT O S PR ET O S 31,4 18,5 5,6 84 GRÁFICO DO NÚMERO DE DEFEITOS POR UNIDADE DE INSPEÇÃO (u) Fundamentos O número de defeitos por unidade de inspeção (u) é definido como sendo a razão entre o número de defeitos na amostra (c) e o tamanho da unidade de inspeção (n): u = n c logo, u = n c Por unidade de inspeção se entende uma certa quantidade de itens, comprimento, volume, tempo, etc. tomada como adequada para a finalidade de inspeção. Os limites de controle são: LSCu = u + 3. u LMu = u LICu = u - 3. u Exemplo: No exemplo anterior, dos pontos pretos, foi estabelecido um gráfico c, pois o tamanho da amostra era constante e igual a 30 g. Imaginemos agora, que, por razões de economia, a empresa decidiu reduzir o tamanho da amostra para 15 g. Pode-se dizer que se originalmente se tinha uma unidade de inspeção (UI), então agora há somente meia UI, ou seja, se 30 g = 1 UI 15 g = 0,5 UI Equivalente, pode-se também dizer que antes n = 1 e agora n = 0,5. Logo, os novos limites de controle (com a mudança de n) ficam: Cálculo dos limites de controle LSCu = u + 3. u = 37,0 + 3. 37,0 = 55,2 LMu = u = 37,0 LICu = u - 3. u = 37,0 - 3. 37,0 = 18,8 85 TAMANHOS MÍNIMOS DE AMOSTRAS Quando se trabalha com atributos, é necessário garantir que as amostras tenham tamanhos mínimos para que haja oportunidade do aparecimento dos problemas. Amostras muito pequenas fazem com os gráficos de controle se tornem totalmente ineficazes (ver exemplo abaixo) Gráficos por Classificação (p ou np) Para estes gráficos serem eficazes, deve-se ter: n. p > 5 e n.(1 - p ) > 5 Gráficos por Contagem (c ou u) Para estes gráficos serem eficazes, deve-se ter c > 5 0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 1 2 3 4 5 6 7 8 9 10 AMOSTRAS P 86 FLUXOGRAMA PARA SELEÇÃO DE GRÁFICO PARA ATRIBUTOS ATRIBUTO Classifica- ção Contagem c ou u n Constante u n Variável p ou np n Constante p n Variável 87 INTERPRETAÇÃO DA ESTABILIDADE DO PROCESSO PROCESSO ESTATISTICAMENTE ESTÁVEL Os pontos nos gráficos de controle devem distribuir-se aleatoriamente em torno da linha média, sem que padrões do tipo: a) tendências crescentes ou decrescentes; b) ciclos; c) estratificações ou misturas; d) pontos fora dos limites de controle - Alguns exemplos de causas especiais - 88 TESTES DE NÃO-ALEATORIEDADE Teste Critério 1. Ponto fora dos limites de controle Um único ponto acima do LSC ou abaixo do LIC 2. Presença de ciclos ou tendências Seis pontos consecutivos aumentando ou diminuindo Pontos oscilando para cima e para baixo, formando ciclos 3. Estratificação ou falta de variabilidade Quinze pontos consecutivos na zona C Quatorze pontos consecutivos se alternando para cima e para baixo 4. Seqüência de pontos próximos dos limites de controle Oito pontos consecutivos fora da zona A Dois em três pontos consecutivos na zona A Quatro em cinco pontos consecutivos fora da zona C 5. Seqüência de pontos do mesmo lado da linha média Nove pontos consecutivos do mesmo lado da linha média 89 PROCESSO FORA DE CONTROLE 90 ANÁLISE DA CONDIÇÃO FORA-DE-CONTROLE 1. TROCA OU SALTO NO NÍVEL GRÁFICO DA MÉDIA: OPERADOR NOVO OU INEFICIENTE; MATERIAIS DIFERENTES; MUDANÇA NO PROCESSO. GRÁFICO DA AMPLITUDE: OPERADOR INEXPERIENTE; GRANDE VARIAÇÃO NO MATERIAL. 2.TENDÊNCIA OU TROCA DO ESTADO NO NÍVEL GRÁFICO DA MÉDIA: DETERIORAÇÃO GRADUAL DO EQUIPAMENTO; MUDANÇA DE TEMPERATURA OU UMIDADE. GRÁFICO DA AMPLITUDE: MAIOR DEDICAÇÃO DO OPERADOR; MELHOR HOMOGENEIDADE DO MATERIAL. 91 3.CICLOS RECORRENTES GRÁFICO DA MÉDIA: EFEITOS SAZONAIS; EVENTOS PERIÓDICOS. GRÁFICO DA AMPLITUDE: FADIGA DO OPERADOR; CICLO DE MANUTENÇÃO 4.DUAS POPULAÇÕES GRÁFICO DA MÉDIA: DIFERENTES MÁQUINAS, OPERADORES, PROCESSOS OU MATERIAIS. GRÁFICO DA AMPLITUDE: MATERIAIS DE FORNECEDORES DIFERENTES. 92 ANÁLISE DA CONDIÇÃO FORA-DE-CONTROLE - ERROS - O que é? A autocorrelação nada mais é do que um mecanismo existente no processo, que faz com que os dados não sejam mais independentes entre si ao longo do tempo. Identificação da autocorrelação Para se medir o grau e a intensidade da autocorrelação existente entre dados, usualmente utiliza-se o coeficiente de autocorrelação, definido como: )( ),( 2 x xx t Ltt L COV L = 1,2,3,......k onde: L é o retardo (do ingles, lag) existente entre os dados no
Compartilhar