Baixe o app para aproveitar ainda mais
Prévia do material em texto
Controle Estatístico da Qualidade e Auditoria da Qualidade 1 Controle Estatístico da Qualidade e Auditorais da Qualidade Professor Dr. Reinaldo Azevedo Vargas Controle Estatístico da Qualidade e Auditoria da Qualidade 2 Introdução 3 Breve histórico e objetivos 3 Conceitos iniciais 4 A estatística descritiva 6 O que é estatística? 6 Estatística descritiva e indutiva 6 Organização dos Dados Numéricos 8 Variável discreta 8 Variável contínua 9 Distribuição de Frequências 13 Frequência relativa 13 Frequência acumulada 14 Frequência acumulada relativa 14 Medidas de Tendência Central 16 Medidas de Dispersão ou Variabilidade 18 Gráficos: Diagrama das Medianas e Histograma 22 Gráficos de Controle 24 O gráfico das médias 25 O gráfico da variabilidade 27 O gráfico Xiindividual e amplitude móvel 28 O gráfico do tipo p 30 Gráficos para defeitos 33 Gráficos dos deméritos 34 O gráfico de controle certo para cada situação 36 Aproveitando ao Máximo os Gráficos de Controle 36 A ISO 9001-2000 e o Controle Estatístico do Processo 38 Auditorias da Qualidade 40 Referências 42 Sumário Controle Estatístico da Qualidade e Auditoria da Qualidade 3 introdução Para iniciarmos o curso, precisamos definir intuitivamente o conceito de qualidade. Entretanto, este pode ser definido de várias maneiras, dependendo dos propósitos de cada análise, como por exemplo, “adequação ao uso” (1) ou como “grau de excelência a um preço aceitável” (2), entre outros. Neste texto, foi enfatizado como as características mais importantes do produto ou do processo devem ser definidas concretamente e mensuradas como tamanho ou peso ou algum outro índice considerado de desempenho, ou simplesmente contadas como o número de defeitos numa peça (numero de peças defeituosas) ou em determinada operação. A suposição básica é que a qualidade será assegurada principalmente com a minimização da variabilidade das características importantes. Como Crosby(3) sempre enfatizava, “qualidade é a conformidade às especificações”, e conformidade neste texto significa fazer corretamente repetidas vezes as tarefas necessárias, utilizando material de qualidade consistente para conseguir resultados do processo de produção que refletem o desejo e o interesse do consumidor. Breve histórico e objetivos O conceito de aplicar algumas ferramentas estatísticas para melhorar a qualidade começou com Walter Shewhart(4), que colocou pela primeira vez em prática nas fábricas, alguns conceitos básicos da Estatística e também da Metodologia Científica na década de 1930 nos Estados Unidos da América (EUA). Ele foi o pioneiro da área de Controle Estatístico de Processo (CEP). Atualmente, não existe fábrica no mundo que não aplica pelo menos algumas ferramentas básicas e mais simples de CEP com a finalidade de melhorar os processos industriais. O objetivo principal neste curso é de apresentar uma introdução ao assunto destas ferramentas, esclarecendo alguns pontos teóricos e indicando como a sua utilização pode melhorar os processos da fábrica continuamente no sentido de reduzir custos e elaborar um produto com melhor qualidade. A percepção extraordinária do Shewhart é de que a qualidade e a variabilidade são conceitos antagônicos no sentido de que onde tem muito de um terá necessariamente pouco do outro. Esta ideia funciona tanto para um processo quanto para um produto. Uma tarefa dentro de um processo que leva um período de tempo irregular para completar pode causar tanta confusão na linha de produção como, por exemplo, a irregularidade das medidas de uma peça, uma hora saindo grande demais e outra hora pequena demais. Foi assim que Shewhart entendeu que medindo, analisando e monitorando a questão da variabilidade das informações, seria necessário entender a estatística, e que, através de aplicações desta ciência nas fábricas, os processos e produtos poderiam chegar a melhores níveis de qualidade. Para alcançar este objetivo, do ponto de vista da estatística, isso simplesmente significa menor variabilidade nas medidas do processo e do produto e mais exatidão em alcançar metas e alvos. Em seguida, Shewhart também propôs a aplicação da Metodologia Cientifica na linha de produção. Simplificando a terminologia, ele sugeriu que a metodologia poderia ser conceituada em quatro fases: (fase 1) - identificação da problemática e o planejamento de experimentos, (fase 2) - experimentação em si, (fase 3) - análise dos resultados dos experimentos e, finalmente, (fase 4) - reação do gerente para melhorar o processo(4). As ferramentas do CEP apresentados neste texto estão inseridas também nas quatro fases: (fase 1) - identificação de pontos críticos na linha de produção e a escolha da ferramenta adequada e mais relevante para aplicar no ponto crítico, (fase 2) - aplicação da ferramenta na linha de produção, (fase 3) - análise dos dados e (fase 4) - reação do gerente para melhorar o processo. É importante enfatizar que a busca por qualidade não termina nunca, e consequentemente na realidade as quatro fases nunca terminam, mas sim, continuam como um ciclo permanente(1-4). Controle Estatístico da Qualidade e Auditoria da Qualidade 4 Conceitos iniciais A ideia principal do CEP é que melhores processos de produção com menos variabilidade propiciam níveis melhores de qualidade nos resultados da produção. E surpreendentemente quando se fala em melhores processos, isso significa não somente qualidade melhor, mas também custos menores. Os custos diminuem principalmente em função de duas razões: a inspeção por amostragem e a redução dos rejeitos(5). Um dos pilares dos estudos que envolvem os conceitos da Estatística é a amostragem. Populações (na fábrica, o engenheiro utiliza a palavra “lotes”) em geral são grandes demais para ser analisadas em grandes detalhes item por item. Em muitos casos a inspeção a 100% é uma regra da fábrica, mas na realidade este procedimento não funciona adequadamente. Imagine o operador que possui a responsabilidade de verificar o nível de preenchimento de um lote de garrafas de cerveja. O lote contém 50.000 unidades. Depois de inspecionar apenas 100 garrafas, é muito provável que o operador já não está mais pensando em níveis de preenchimento, mas sim no próximo jogo do seu time de futebol, na próxima oportunidade de tomar uma cerveja, ou na próxima namorada. No final, inspeção a 100% tem custos elevados e resultados péssimos. A seleção de amostras de tamanho muito menor que a população enxuga os custos e paradoxalmente acaba representando melhor as características daquela população. A amostragem também é necessária quando a inspeção necessita da destruição do item amostrado (ensaio destrutivo). Neste caso poucos itens vão para o laboratório para sofrer a verificação dos técnicos. No próximo capítulo serão discutidos esses conceitos para o entendimento das ferramentas que serão utilizadas (5). Uma segunda razão pela qual a aplicação de CEP impulsiona os custos para baixo é que o número e percentagem de peças defeituosas produzidas na fábrica vão diminuir com as melhorias na linha de produção. Portanto, com menos refugo e menos retrabalho o custo por peça produzida vai diminuir. Enfatiza-se que existe somente uma razão para utilizar CEP na fábrica, a saber, aumentar o resultado financeiro da empresa, se possível no curto prazo, mas também, e talvez mais importante, no longo prazo. No entanto, CEP não é nenhum milagre e consequentemente deve ser abordado na empresa como qualquer projeto de investimento nos quais os custos são contabilizados e os benefícios previstos e medidos(5,6). É muito comum nas fábricas que processos industriais não são otimizados no sentido de ser caracterizados por altos níveis de eficiência, no entanto, dentro do CEP existem ferramentas para monitorar o processo e, portanto, melhorá-lo. O monitoramentotem como requisitos amostragem feita periodicamente, e tamanho da amostra adequado. Este assunto será abordado no capítulo que contém os denominados gráficos de controle (5). A ideia de controlar um processo é totalmente diferente da ideia de inspecionar peças para identificar as que são consideradas “não conformes”, embora os dois procedimentos utilizem em parte as mesmas ferramentas estatísticas. A inspeção de peças individuais tem como objetivo a eliminação de peças de baixa qualidade que não alcançam as expectativas do consumidor e não devem ser colocadas no mercado. Com constante inspeção do produto ao longo da linha de produção, a empresa pode identificar o produto que precisa ser melhorado ou até mesmo rejeição total. Neste caso, a fábrica estará gastando desnecessariamente para corrigir erros os quais, numa fábrica melhor organizada, não aconteceriam com tanta frequência. Em uma fábrica considerada melhor, foi feita a coisa certa desde a primeira vez e, em uma fábrica realmente eficiente, não se exige inspeção a toda hora porque possui confiança que o produto já está saindo dentro das especificações. É muito comum na indústria que a fabricação de peças não conformes ocorra porque os processos da empresa são instáveis (irregulares) no ponto de proporcionar produto fora das especificações (6,7). Em outras palavras, a fábrica não está controlando o processo para melhorar constantemente a qualidade do produto. Para estabilizar os processos da empresa utilizam-se as ferramentas do CEP necessitando apenas de pequenas amostras sempre muito menores que os lotes. Controle Estatístico da Qualidade e Auditoria da Qualidade 5 Assim, as investigações do gerente estarão em direção das grandes causas atrás das grandes irregularidades da linha de produção. Cada vez que uma nova causa é identificada e documentada para análise e, portanto, eliminação, o processo de produção é estabilizado e a qualidade garantida e/ou melhorada(6,7). As causas são divididas em três grupos básicos(7): Causas especiais - Uma causa especial é assinalável e em geral é única, no entanto suficientemente grande para produzir perturbações fortes no processo. É um evento que ocorre uma vez ou ocasionalmente e é imprevisível. Estas causas têm que ser eliminadas ou, se por alguma razão não são elimináveis, então sua influência pode ser reduzida por ações consideradas compensatórias. Exemplos de causas especiais são: trovoada e relâmpago, vento de uma janela deixada aberta, funcionário intoxicado, treinamento onde faltou um ensinamento importante, uma substância estranha na matéria prima, um atraso na chegado dos funcionários porque o ônibus quebrou, entre outros. Causas estruturais - Como a causa especial, a estrutural é também eliminável ou compensável, mas a diferença é que esta causa ocorre periodicamente. Quando o período entre ocorrências é relativamente grande, a causa estrutural se confunde com uma causa especial, mas se o gerente for atento, ele vai acabar percebendo sua natureza repetitiva. Para entender melhor o conceito, um exemplo simples é apresentado em seguida. Um gerente já entendeu que para algumas segundas-feiras (não todas), a produtividade da fábrica é sofrível. Então ele mandou avisar que a ocorrência de preguiça na fábrica não seria mais tolerada. Infelizmente, o tal evento preguiça continuou e até mesmo após várias advertências. O gerente notou que a sua própria produtividade nestas segundas-feiras também foi muito baixa. Às vezes é necessário procurar as causas às quais causam as causas estruturais. O problema é que foram segundas-feiras que caem depois do grande clássico de domingo na capital. Em termos de produtividade, este tipo de segunda-feira é intrinsecamente um dia diferente que todas as outras, independentemente de quem ganha ou quem perde o jogo. Resultado: hoje em dia há um consenso na fábrica de que, embora o atraso não seja tolerado, segunda-feira de manhã depois do clássico é um período na fábrica que exige uma gerência diferenciada com mais café, sucos de vários tipos e dois ou três períodos curtos de exercícios e alongamento. A causa estrutural assim não é eliminada porque a tradição do futebol no Brasil dificilmente irá desaparecer, mas é compensada por normas de gerenciamento mais sensatas. Causas comuns - Estas causas são relativamente pequenas, mas ocorrem quase sempre e em grande número. É o acúmulo destas causas num certo período de tempo que gera a existência da variável aleatória. Por que uma simples jogada de uma moeda homogênea (considerada justa em ambas as faces) pode às vezes cair cara ou coroa? A realidade é que tantas coisas podem afetar a jogada de uma moeda, e cada uma é tão pequena, que uma análise cientifica deste resultado é praticamente impossível. As ferramentas de CEP não são apropriadas em geral na análise e eliminação de causas comuns. E embora as causas comuns possam ser reduzidas, elas sempre vão existir, enquanto que a natureza na sua totalidade possui uma diversidade tão grande e tão incompreensível pelo ser humano. A redução destas causas vem apenas com muito sacrifício em tempo e recursos. Para diminuir irregularidades das causas comuns é necessário investimentos em novas e melhores máquinas, melhor matéria prima, treinamento intensivo, um ambiente de trabalho mais confortável, entre outros. Neste caso qualidade e custo andam juntos. Assim, é fácil entender por que o carro popular custa barato e o carro de famosos jogadores de futebol custa cem vezes mais. Exemplos de causas comuns são: uma fábrica no sertão do Ceará sem ar condicionado; matéria prima de baixa qualidade, mas de baixo preço; gerente de produção sem nenhum estudo na área de produção; maquinaria velha; a combinação errada de ingredientes num processo químico; entre outras. Com estes conceitos básicos do CEP, serão introduzidas algumas ferramentas simples para melhorar a qualidade que se encontra em utilização generalizada na manufatura e em algumas instancias da administração. Controle Estatístico da Qualidade e Auditoria da Qualidade 6 A eStAtíStiCA deSCritivA Quando o gerente de produção mede e analisa uma característica, por exemplo, da linha de produção, uma característica física do produto ou uma medida do desempenho do processo, ele tem em mente a melhoria do processo. Ele vê uma combinação dos insumos do processo, a atuação dos operadores juntos com a combinação dos insumos e as atividades das máquinas, e finalmente o produto final. A visão do gerente é de aspectos concretos da sua linha de produção e em termos sistêmicos(8). O Estatístico por outro lado vai ver este mesmo processo como algo mais abstrato, como um gerador de números. O profissional vai ver se os números gerados são centrados e simétricos ao redor de uma tendência central, se existir ou não alguns dados muito discrepantes dos outros, se tiver ou não relações entre variáveis(6,8). É fácil ver que o gerente trabalhando sem a ajuda do Estatístico não vai captar todas as informações disponíveis nos dados, e o Estatístico sozinho não vai saber onde ele deve concentrar seus esforços para melhorar o processo. Portanto, o Gerente de Produção e o Estatístico têm muito para ganhar trabalhando em conjunto(7). o que é estatística? No início de estudo de uma disciplina ou de um curso é costume definir ou tentar definir uma definição da disciplina ou curso que se vai apresentar ou que é essencial para o completo entendimento de uma disciplina mais específica e direcionada, como é o caso da disciplina Estatística com a disciplina Controle Estatístico do Processo de Qualidade. Assim, para Kachigan(8) a estatística é a ciência que consiste na “recolha, organização e interpretação de dados de acordo com procedimentos bem definidos”. Outro importante autor da área, Murtera(9)também discutiu algumas ideias no mesmo sentido: “A estatística é um repositório de instrumentos adequados para recolher, explorar e descrever, ou seja, interpretar conjuntos de dados numéricos”. A análise de qualquer uma destas duas definições revela que na base da Estatística está um conjunto de dados sendo esta constituída pelos métodos que são utilizados para recolhê-los, organizar, descrever e interpretar, além de auxiliar para uma tomada de decisão (8,9). A estatística é, portanto, um conjunto de métodos adequados para recolher, organizar e explorar, descrever e interpretar conjuntos de dados numéricos (5). Para melhor se compreender a natureza desta disciplina, mas também o que se entende por dados, os próximos capítulos se referem às principais fases para a compreensão do processo da análise estatística. estatística descritiva e indutiva A Estatística Descritiva reúne um conjunto de técnicas para sumarizar os dados (tabelas e gráficos) e medidas descritivas que permitem tirar inúmeras informações contidas nos dados numéricos que foram coletados. A Estatística indutiva (ou Estatística Inferencial) produz informações sobre uma dada característica da população, de interesse, a partir de informações colhidas de uma parte dessa população(5,6). Em ambos os casos, a finalidade da pesquisa é coletar dados para obter informações que podem ser de extrema valia para a tomada de uma decisão(5,9). É importante saber que dos dados numéricos utilizados na estatística são decorrentes de uma pesquisa ou observações de uma ou mais variáveis. Por sua vez, variável é tudo aquilo que se deseja pesquisar ou observar para se tirar algum tipo de conclusão, por exemplo, idade, sexo, peso, salário, quantidade de defeitos, entre outras. Os dados usualmente provem de uma amostra, a qual representa uma população de interesse(5). Controle Estatístico da Qualidade e Auditoria da Qualidade 7 O conceito de população pode ser definido como o conjunto de indivíduos (ou objetos) que apresentam pelo menos uma característica em comum, cujo comportamento deseja-se analisar ou inferir. Para entender o que significa amostra, basta saber que é uma parte da população, ou seja, um subconjunto (5,6). Mas qual o papel da estatística na ciência ou para a empresa? O principal propósito da investigação é responder a uma questão científica ou de interesse da empresa. Na ciência, são realizados estudos experimentais ou observacionais, levando a coleta de dados numéricos. O padrão de variação entre os dados faz com que a resposta não seja óbvia, tornando o conhecimento da estatística essencial para a validação do resultado. Existem basicamente dois tipos diferentes de pesquisas e que os conceitos podem ser estendidos para diversas aplicações. A primeira é conhecida como pesquisa de levantamento e corresponde quando a característica de interesse de uma população é levantada (observada ou medida), mas sem a manipulação dos dados coletados. A segunda é conhecida como pesquisa experimental e corresponde ao tipo de pesquisa realizada quando a característica de grupos de indivíduos (por exemplo animais ou objetos) é levantada e depois manipulados para se avaliar o efeito de diferentes tratamentos dos dados coletados. De qualquer forma, uma pesquisa deve conter as fases: (1) definição do problema; (2) planejamento; (3) coleta dos dados; (4) apuração; (5) apresentação e (6) análise e interpretação(6,7). Os processos estatísticos de abordagem avaliam de uma forma direta ou indireta um parâmetro que está sendo analisado de uma determinada população. Em estatística, parâmetro pode ser entendido como sendo uma grandeza mensurável que permite apresentar, de forma mais simples, as características principais de um conjunto de dados. O Censo é um processo estatístico de abordagem que avalia diretamente um parâmetro, utilizando todos os componentes da população e a Estimação é um processo estatístico de abordagem que avalia indiretamente um parâmetro, com base em um estimador envolvendo probabilidades(6,7). A Tabela I compara sucintamente as principais vantagens e desvantagens entre a aplicação do censo e da estimação. Fonte: Adaptado de Silva, H.M. (2010). Uma pesquisa de coleta de dados retorna, normalmente, números desorganizados e que são conhecidos como dados brutos. A primeira atitude de qualquer profissional que trabalhe com estatística será a de organizar estes dados na forma crescente ou decrescente e que é conhecido como rol, para facilitar a aplicação das ferramentas estatísticas. Tabela I - Comparação entre censo e estimação. Censo Estimação Admite erro processual zero e possui confiabilidade de 100% Admite erro processual positivo e possui confiabilidade menor que 100% É mais caro É mais barato É demorado (mais lento para obter) É rápido É quase sempre desatualizado É atualizado Nem sempre é viável economicamente É viável economicamente Controle Estatístico da Qualidade e Auditoria da Qualidade 8 orgAnizAção doS dAdoS numériCoS Após os conceitos iniciais e que são essenciais para um melhor entendimento das partes seguintes, vamos organizar os dados numéricos na forma de tabelas, com o objetivo de facilitar os cálculos posteriores e de interpretar os valores de uma maneira simples e objetiva. Na Estatística Descritiva, existem formas diversas de construir uma tabela, de acordo com cada situação de pesquisa e também com a experiência adquirida pelo especialista no decorrer do estudo e da prática. Entretanto, para não estendermos muito o assunto, trataremos de duas das mais importantes tabelas: a variável discreta e a variável contínua. Caso necessite de informações mais específicas sobre a organização de dados numéricos na forma de tabelas, consulte as referências que tratam de estatística no final da apostila. variável discreta A variável discreta é uma série estatística que contêm dados ou conjunto de dados na forma de uma simples tabela prática e organizada (10). Conceitualmente, é uma representação tabular de um conjunto de valores em que colocamos na primeira coluna, em ordem crescente, apenas os valores distintos (diferentes) da série e, na segunda coluna, os valores das frequências simples correspondentes (Tabela II). É importante entender que a frequência simples é o número de vezes que um dado aparece no conjunto de dados, ou seja; o número de vezes que se repetiu após a realização da pesquisa. Exemplo 1 - Uma pesquisa retornou os seguintes dados numéricos: 3,5 5 4,5 4 4,5 5 3,5 4.5 2 3 4,5 3,5 4 4,5 3 3 3,5 3,5 3,5 4 4 3 4 5 Após a organização dos valores acima na forma da variável discreta, temos: Fonte: elaborada pelo autor. É importante informar que o exemplo acima não possui uma aplicação (exemplo meramente conceitual) e foi apresentado com o intuito de compreender a simples montagem da tabela e os significados das colunas valores distinto (representado por xi) e frequência simples (representada por fi). Dependendo da pesquisa, se torna dispendioso e inviável construir a variável discreta, em decorrência de a mesma começar a possuir uma quantidade de linhas que dificulte cálculos posteriores e que seja cansativa para a interpretação dos valores contidos na tabela(10,11). Não existe uma regra rígida para a construção deste tipo de tabela, mas cabe ao especialista ou estudioso no assunto definir com a experiência se será ou não de extrema valia e praticidade. De uma maneira geral, a variável discreta é utilizada quando o número de elementos distintos da série (série é uma maneira que os especialistas denominam uma sequência de números após a realização da pesquisa) for relativamente pequeno se comparado com o número de repetições (frequência simples) de cada (10,11).Se após a realização da pesquisa o número de elementos distintos da série for relativamente maior que o número de repetições de cada um deles, entenda que a construção da variável discreta irá resultar em uma tabela longa e de difícil interpretação. Tabela II - Representação tabular contendo os valores distintos com as frequências simples. Valores distintos (xi) Frequência simples (fi) 2 1 3 4 3,5 6 4 5 4,5 5 5 3 Controle Estatístico da Qualidade e Auditoria da Qualidade 9 Principalmente por este motivo existe uma tabela alternativa e que é conhecida como variável contínua. Esta tabela simplifica a anterior na maioria das aplicações, facilitando a interpretação de determinadas medidas e a tomada de alguma decisão. variável contínua A variável contínua também é uma série estatística que contêm dados ou conjunto de dados na forma de uma tabela organizada. Entretanto, é uma representação tabular de um conjunto de valores em que colocamos na primeira coluna, em ordem crescente, os intervalos de classes da série e, na segunda coluna, os valores das frequências simples correspondentes aos números presentes nos respectivos intervalos de classes (Tabela III)(5,10,11). Exemplo 2 - Uma pesquisa retornou os seguintes dados numéricos: 13 5 9 8 10 14 6 15 16 8 3 17 2 4 3 11 12 2 8 19 13 15 2 7 3 6 5 15 3 4 10 12 18 12 17 4 Após a organização dos valores acima na forma da variável contínua, temos: Fonte: elaborada pelo autor. A diferença deste tipo de tabela, se comparada com a variável discreta, está na coluna denominada intervalo de classe, que significa faixa de valores numéricos. Como o exemplo anterior, este também não possui uma aplicação e foi apresentado com o intuito de compreender o significado da tabela. Para este caso, existe uma teoria para a sua construção, de forma a adequar os dados numéricos e distribuí-los homogeneamente (distribuir os números em partes iguais por toda a tabela) em cada linha (na variável contínua, cada linha é chamada de classe) da tabela. Uma teoria para a construção da variável contínua é apresentada a seguir, mas para informações mais específicas, consulte às Referências(5,10). A elaboração de tabelas para dados que apre- sentam grande quantidade de números distintos e, consequentemente, grande dispersão entre eles, pouco pode ajudar nos cálculos envolvendo os dados e principalmente na interpretação dos mesmos. Por isso, para entender a construção da tabela apresentada acima, vamos trabalhar com um exemplo envolvendo uma pesquisa realizada para levantar a variável Renda de 25 funcionários (Tabela IV)(7). Tabela III - Representação tabular contendo intervalos de valores com as frequências simples. Classe Intervalo de classe Frequência simples (fi) 1 2 ├ 5 10 2 5 ├ 8 5 3 8 ├ 11 6 4 11 ├ 14 6 5 14 ├ 17 5 6 17 ├ 20 4 Tabela IV - Pesquisa da renda na forma tabular da variável discreta. Renda (em $) Número de funcionários 910,00 2 920,00 1 930,00 1 940,00 2 950,00 2 960,00 1 1.010,00 1 1.040,00 1 1.090,00 1 1.120,00 1 1.615,00 1 1.640,00 1 1.690,00 1 1.890,00 1 Controle Estatístico da Qualidade e Auditoria da Qualidade 10 Fonte: Adaptado de Bruni, A. L. (2010). Analisando a tabela acima, percebe-se que os 25 casos originais foram agrupados em 22 categorias (linhas) de rendas. A análise resultante da tabela prova que não adiantou muita coisa à construção da tabela na forma de uma variável contínua para organizar os dados numéricos, com o objetivo de construir uma tabela mais curta para facilitar os cálculos e mais simples para a interpretação. A redução de um total de 25 casos para 22 categorias é, de fato, muito pequena. Quando variáveis quantitativas com alta dispersão, marcadas pela presença de muitos valores diferentes, são analisadas, um resultado mais adequado pode ser obtido por meio do agrupamento dos dados numéricos em classes, isto é, agrupar os números em faixas de valores, ao invés de apenas um valor diferente em cada linha da tabela(5). Alguns textos e autores mais conservadores da Estatística ainda sugerem procedimentos formais para a construção de classes ou também chamadas de classes de frequências. Neste sentido, a determinação do número de classes, representado pela letra K, depende, fundamentalmente, do número de elementos pesquisados e/ou estudados (ou número total de elementos da série), representado pela letra n. No geral, os procedimentos formais envolvem os seguintes conceitos (5,10): (1) Se n ≤ 25: devem ser criadas cinco classes na tabela; (2) Se n > 25: o número mais adequado de classes pode ser obtido mediante dois procedimentos distintos: K=√n ou K=1+3,32log(n). A primeira fórmula é conhecida como método da raiz quadrada e a última é chamada de fórmula de Sturges. Normalmente, as fórmulas anteriores resultam em números não inteiros (decimais), mas grande parte dos especialistas indica o seguinte procedimento: (a) Se K for um número inteiro, será o número de classes (linhas) que a tabela conterá. (b) Se K for à metade de dois números inteiros (por exemplo: a metade entre 3 e 4 é 3,5), o número de classes será um desses números inteiros. (c) Se K for um número decimal diferente da metade de dois números inteiros, o número de classes será definido entre três aproximações resultando em números inteiros. A primeira aproximação será o número inteiro mais próximo do decimal obtido. A segunda será o número inteiro anterior ao inteiro mais próximo do decimal obtido. A terceira será o número inteiro posterior ao inteiro mais próximo do decimal obtido. Exemplo 3: Se n = 40, K=√n=√40=6,32 (com duas casas decimais). De acordo com o ítem (c) da página anterior, as três aproximações resultando em números inteiros são: 5, 6 ou 7. Se aplicarmos a fórmula de Sturges, temos K=1+3,32log(40)=6,1586=6,16 com as mesmas aproximações: 5, 6 ou 7. Com um número de classe definido ou entre duas ou três aproximações obtidas, pode-se calcular a amplitude total da série (At). Essa amplitude é a diferença existente entre o maior (Xmáximo) e o menor (Xmínimo) número da série, ou seja; At=Xmáximo - Xmínimo. Para o nosso exemplo, o cálculo resulta: At=2235 - 910=1325. O processo de construção de classes demanda o estabelecimento de convenções que representem os limites de cada uma das classes construídas. 1.940,00 1 1.955,00 1 1.980,00 1 2.030,00 1 2.045,00 1 2.155,00 1 2.175,00 1 2.235,00 1 Soma: (Ʃ) = 25 Controle Estatístico da Qualidade e Auditoria da Qualidade 11 Assim, por exemplo, se no agrupamento em classes das idades o especialista resolver construir uma classe que compreenda as idades entre 10 e 14 anos, ele precisará estabelecer se os limites inferiores (número antes do intervalo) e superiores (número depois do intervalo) serão do tipo inclusive ou exclusive. Os limites do tipo inclusive, como o próprio nome revela, incluem o valor representado. Os limites exclusive não incluem o valor representado. De acordo com a literatura(5,10,11), uma das convenções mais empregadas na representação dos limites de intervalos de classes envolve a colocação de barras verticais (simbolizadas por “|“) juntamente com barras horizontais (simbolizadas por “―“). A barra horizontal representa o intervalo entre os limites inferior e posterior, enquanto que a barra vertical ao lado do número indica se tratar de um limite do tipo inclusive. A ausência da barra caracteriza limites do tipo exclusive. A Tabela V contém as principais representações. Fonte: Adaptado de Bruni, A. L. (2010). Para direcionarmos o estudo e não se estender nos conceitos mais específicos sobre a construção da variável contínua, será adotado a representação da classe com o limite inferior sendo do tipo inclusive e o limitesuperior do tipo exclusive, ou seja: 2 ├ 5. Este intervalo de classe pode ser interpretado considerando todos os elementos iguais e maiores que dois e menores que cinco (5). É importante considerar que na última classe da tabela, quando se adota o limite superior como do tipo exclusive, não se pode excluir o maior elemento da série na contagem das frequências e na interpretação dos resultados, pois o mesmo faz parte da pesquisa. Neste caso, realizaremos um ajuste na fórmula da amplitude total. Para o nosso exemplo, o cálculo resultou em: At=2235- 910=1325. Uma maneira prática e simples de não desconsiderar o maior elemento da série na estatística é acrescentar uma unidade no maior elemento, ou seja, ajustar a fórmula da amplitude total para At=X (+1) máximo - Xmínimo ou At=(2235+1) - 910=2236-910=1326. Dessa forma, se o 2236 fechar o último intervalo de classe, não será descartado o 2235. Após a definição do número de classes e da amplitude total da série, poderemos definir a amplitude de cada intervalo de classe (h) dividindo simplesmente a amplitude total por cada um dos números de classes definidos anteriormente, através da seguinte fórmula: Como temos três possíveis números de classes (K = 5, 6 ou 7), precisaremos dividir a amplitude total por cada um dos três valores de K. A divisão que resultar em um valor inteiro é adotada por padrão, pois amplitudes com valores inteiros são mais fáceis de serem construídas e interpretadas, além de facilitar cálculos posteriores. Se duas das três divisões resultarem em números inteiros, pode-se adotar o caminho que considerar mais adequado. Entretanto, se nenhuma divisão resultar em um número inteiro, considere os seguintes ajustes: Tabela V - As quatro principais formas de representação dos intervalos de classes. Representação Interpretação intuitiva 2 ├ 5 A barra vertical está presente apenas no limite inferior. Desse modo, o elemento 2 faz parte do intervalo de valores (classe) e o elemento 5 não será incluído nesta classe, pois é do tipo exclusive. 2 ┤ 5 A barra vertical está presente apenas no limite superior. Desse modo, o elemento 5 faz parte da classe e o elemento 2 não será incluído nesta classe. 2 ― 5 A ausência da barra em ambos os limites os caracteriza como do tipo exclusive. Os dois elementos não serão incluídos nesta classe. 2 ├┤ 5 A presença de barras verticais em ambos os limites indica que são do tipo inclusive. Os dois elementos serão incluídos nesta classe. Controle Estatístico da Qualidade e Auditoria da Qualidade 12 (1) Na fórmula da amplitude total, como o valor do maior elemento da série foi ajustado uma unidade para cima, ajuste o menor elemento da série uma unidade para baixo. Esse procedimento é usado, pois o menor elemento da série começa na primeira classe e do lado do símbolo com a barra vertical, ou seja, é do tipo inclusive. Não se pode ajustar o menor elemento uma unidade acima, pois o mesmo seria desconsiderado da estatística. (2) Se não for suficiente para obter um h igual a um número inteiro, ajuste novamente o maior elemento da série uma unidade para cima. (3) Se novamente não for suficiente, diminua outra unidade do menor elemento da série. (4) Repita o ciclo até que se consiga dividir a nova amplitude total pelos valores de K e resultar um número inteiro. No exemplo, aplicando a fórmula da amplitude de cada intervalo de classe, temos: Para K = 5 Para K = 6 Para K = 7 A divisão de 1326 por 6 resultou em um número inteiro igual a 221. Com isso temos todas as informações necessárias para a construção da variável contínua do exemplo discutido. Após os conceitos apresentados e cálculos realizados, temos a Tabela VI: Tabela VI - Pesquisa da renda na forma tabular da variável contínua. K=6 Xmínimo=910 Xmáximo=2236 h=221 At=1326 Fonte: Adaptado de Bruni, A. L. (2010). Para uma melhor compreensão sobre o assunto abordado neste capítulo, uma lista de exercícios referentes às construções das variáveis discreta e contínua, com o intuito de organizar os dados numéricos na forma destas tabelas, será disponibilizada no sistema de Ensino a Distância (EAD) da Universidade Gama Filho (UGF) durante o período do curso. Tabela VI - Pesquisa da renda na forma tabular da variável contínua. Classe Renda (em $) Número de funcionários 1 910 ├ 1131 13 2 1131 ├ 1352 0 3 1352 ├ 1573 0 4 1573 ├ 1794 3 5 1794 ├ 2015 4 6 2015 ├ 2236 5 Controle Estatístico da Qualidade e Auditoria da Qualidade 13 diStriBuição de FrequênCiAS Uma vez que o interessado tenha colocado os dados na forma de uma variável discreta ou contínua (na forma de tabelas), ele poderá rapidamente obter algumas informações adicionais e úteis para a compreensão da série, se considerar os seguintes conceitos: Frequência relativa A frequência relativa (fri) de um elemento da série é a divisão da frequência simples (fi) deste elemento pelo número total de elementos da série (n) (10,11). Para converter o valor em percentual, basta multiplicar o resultado da divisão anterior por 100: Exemplo 4: Considere a seguinte variável discreta: O total de elementos desta série é 25. Portanto, a frequência relativa do primeiro elemento distinto da série, que é 2, vale: No caso anterior, a numeração que acompanha as siglas de frequência relativa e frequência simples representa o cálculo para o elemento que ocupa a primeira linha da tabela. Da mesma forma, determinamos a frequência relativa dos demais elementos da tabela: Note que estes valores representam a participação percentual de cada elemento distinto na série. Assim, podemos escrever e compreender às seguintes interpretações: • 1º linha: 12% dos valores da série são iguais a 2. • 2º linha: 28% dos valores da série são iguais a 3. • 3º linha: 32% dos valores da série são iguais a 4. • 4º linha: 24% dos valores da série são iguais a 6. • 5º linha: 4% dos valores da série são iguais a 7. O conceito apresentado se torna mais fácil quando construímos uma coluna adicional na tabela para calcular e interpretar a frequência relativa de cada elemento da série. xi fi 2 3 3 7 4 8 6 6 7 1 xi fi fri (%) 2 3 12 3 7 28 4 8 32 6 6 24 7 1 4 Controle Estatístico da Qualidade e Auditoria da Qualidade 14 Como a frequência relativa representa a participação percentual de cada elemento distinto da série, a soma de todas às frequências relativas representa a participação percentual da série toda, ou seja, é igual a 100%. Portanto, ∑fri=100%. A frequência simples e a frequência relativa representam a quantidade de vezes e o percentual (respectivamente) de cada elemento distinto. Entretanto, em determinadas situações, precisaremos saber a quantidade de vezes e o percentual não somente para um único elemento, mas também para dois ou mais ao mesmo tempo. Frequência acumulada A frequência acumulada (Fi ou FA) de cada elemento da série é a soma da frequência simples desse elemento com as frequências simples dos elementos anteriores (10,11): Fi = f1 + f2 + f3+ … + fi Desta forma, a frequência acumulada para cada um dos elementos 3, 4, 6 e 7 é: Estes valores podem ser interpretados da seguinte forma: • 1º linha: 3 elementos componentes da série são valores menores ou iguais a 2. • 2º linha: 10 elementos componentes da série são valores menores ou iguais a 3. • 3º linha: 18 elementos componentes da série são valores menores ou iguais a 4. • 4º linha: 24 elementos componentes da série são valores menores ou iguais a 6. • 5º linha: 25 elementos componentes da série são valores menores ou iguais a 7. O procedimento, assim como o anterior, se torna mais simples quando construímos uma coluna adicional na tabela para calcular e interpretar a frequência acumulada. A principal finalidade de utilizar a frequência acumulada nas tabelas que contém a frequência simplesé quando se deseja não somente saber a quantidade de vezes que um elemento se repete, mas também ganha importância conhecer a quantidade de elementos que são iguais ou menores que o elemento de referência. Frequência acumulada relativa A frequência acumulada relativa (FRi) de cada elemento da série, também conhecida como frequência relativa acumulada, é a divisão da frequência acumulada deste elemento, pelo número total de elementos da série (10,11): Assim, às frequências acumuladas relativas dos elementos 3, 4, 6 e 7 são: xi fi fri (%) Fi 2 3 12 3 3 7 28 10 4 8 32 18 6 6 24 24 7 1 4 25 Controle Estatístico da Qualidade e Auditoria da Qualidade 15 Estes valores podem ser interpretados da seguinte forma: • 1º linha: 12% dos valores da série são menores ou iguais a 2. • 2º linha: 40% dos valores da série são menores ou iguais a 3. • 3º linha: 72% dos valores da série são menores ou iguais a 4. • 4º linha: 96% dos valores da série são menores ou iguais a 6. • 5º linha: 100% dos valores da série são menores ou iguais a 7. O conceito se torna mais fácil quando construímos uma coluna adicional na tabela para calcular e interpretar a frequência acumulada de cada elemento da série. Quando acrescentamos todos os valores de frequências à tabela original, a mesma passa a se chamar distribuição de frequências. O procedimento acima foi aplicado na variável discreta, mas é aplicado da mesma forma na variável contínua. No caso da variável contínua, pelo fato de se utilizar intervalos de classe, as interpretações são diferentes. Exemplo 5: Considere a seguinte variável contínua: Em primeiro lugar, calcule o número total de elementos da série (n). Para calcular, some a coluna que contém as frequências simples. Aplicando os conceitos da distribuição de frequências, da mesma forma que apresentado para à variável discreta, temos: xi fi fri (%) Fi FRi (%) 2 3 12 3 12 3 7 28 10 40 4 8 32 18 72 6 6 24 24 96 7 1 4 25 100 Exemplo 5 Classe Intervalo de classe fi 1 2 ├ 4 6 2 4 ├ 6 18 3 6 ├ 8 10 4 8 ├ 10 6 n = Ʃfi = 40 Classe Intervalo de classe fi fri (%) Fi FRi (%) 1 2 ├ 4 6 15 6 15 2 4 ├ 6 18 45 24 60 3 6 ├ 8 10 25 34 85 4 8 ├ 10 6 15 40 100 n = 40 100 Controle Estatístico da Qualidade e Auditoria da Qualidade 16 Observe na tabela acima que os valores das frequências relativas(fri) representam o percentual dos elementos por classe. Desse modo, podemos fazer a seguinte interpretação: • 1º classe: 15% dos valores da série são maiores ou iguais a 2 e menores que 4. • 2º classe: 45% dos valores da série são maiores ou iguais a 4 e menores que 6. • 3º classe: 25% dos valores da série são maiores ou iguais a 6 e menores que 8. • 4º classe: 15% dos valores da série são maiores ou iguais a 8 e menores que 10. Com relação à frequência acumulada(Fi), podemos interpretar da seguinte forma: • 1º classe: 6 elementos da série são valores menores que 4. • 2º classe: 24 elementos da série são valores menores que 6. • 3º classe: 34 elementos da série são valores menores que 8. • 4º classe: 40 elementos da série são valores menores que 10. E finalmente, com relação à frequência acumulada relativa(FRi), sendo todos os elementos maiores ou iguais a 2, podemos interpretar da seguinte forma: • 1º classe: 15% dos valores da série são menores que 4. • 2º classe: 60% dos valores da série são menores que 6. • 3º classe: 85% dos valores da série são menores que 8. • 4º classe: 100% dos valores da série são menores que 10. Para uma melhor compreensão sobre o assunto abordado neste capítulo, uma lista de exercícios sobre distribuição de frequências, será disponibilizada no sistema de Ensino a Distância (EAD) da Universidade Gama Filho (UGF) durante o período do curso. medidas de tendência Central Em qualquer área de investigação onde números aparecem com frequência, os profissionais estudam conceitos e metodologias gráficas de estatística para expressar estes números de uma forma mais clara e resumidamente. Isso é um dos objetivos principais do trabalho dos gerentes e estatísticos. Por exemplo, existem várias maneiras de medir a tendência central dos dados, e nenhuma maneira é necessariamente a melhor, pois depende de cada situação e principalmente da característica dos dados numéricos. O cálculo de uma medida de tendência central é importante porque consegue representar uma série de dados em apenas um único número ou elemento. Certamente a mais popular é a média, que os conhecedores do assunto usualmente denominam de média aritmética (pode ser simples ou ponderada), e que representa a soma de uma série de dados dividida pelo número total de dados que foram somados entre si(10,11). Na Tabela VII, são informadas 60 medidas do comprimento (em milímetros) de uma peça, sendo a princípio, uma das características essenciais da peça. Uma tabela contendo números nem sempre é interessante para um engenheiro ou gerente. Por outro lado, a média das medidas da tabela pode ser calculada facilmente aplicando as fórmulas: ou Controle Estatístico da Qualidade e Auditoria da Qualidade 17 Após o cálculo, o especialista agora pode saber se o produto está sendo fabricado dentro da especificação desejada, mantendo a qualidade da produção. Tabela VII - Medidas do comprimento (em milímetros) de uma peça. Fonte: Adaptado de Bruni, A. L. (2010). Para a tabela acima, temos uma média de 101,4993 milímetros (mm) ou 101,50 mm (com a precisão de apenas duas casas decimais). Para o especialista, se diversas peças apresentarem comprimentos muito diferentes do valor da média, as peças não estão sendo fabricadas rigorosamente e, consequentemente, diminui a qualidade da linha de produção. Um problema que pode ocorrer em determinadas situações é que a média perde a sua representatividade se existir valores muito diferentes entre os dados numéricos, pois valores discrepantes levam a média a se afastar da tendência central dos dados. Uma maneira de resolver o problema da distorção seria simplesmente descartando estes números, no entanto o Estatístico não recomenda este procedimento por causa de certo grau de arbitrariedade. Por exemplo, o gerente ou especialista pode sentir uma necessidade de eliminar o valor 98,1239 em decorrência de ser o menor dos números, mas por qual razão faria isso? Para resolver a distorção de números discrepantes, utiliza-se a mediana, que é o número que está no meio dos números quando a quantidade de elementos da série é ímpar ou a média dos dois números do meio quando a quantidade de elementos da série é par. Para calcular de forma correta a mediana, os números precisam estar organizados na forma crescente ou decrescente, ou seja, posicionados seguindo um ordenamento numérico. Numa relação de números ordenados do menor para o maior (ou vice versa) existe um número que separa todos os números em dois grupos iguais (quando n é ímpar), os números maiores que a mediana e os números menores(6,7). No exemplo apresentado, temos dois números e não apenas um, que separa a série em duas partes iguais (quando n é par). Neste caso, deve-se calcular uma média simples entre os dois números centrais para encontrar um valor que melhor representa o centro da sequência. Na lista dos 60 números, como n = 60 (número par), temos os seguintes números no centro da sequência quando a mesma está ordenada: 101,8990 e 101,9989. Para encontrar a mediana neste caso, basta calcular a média: (101,8990 + 101,9989) /2 = 101,9489. E como se interpreta este valor? A mediana é o número que divide uma sequência ordenada em duas partes iguais, ou seja: 50% dos valores da série são menores que a mediana e 50% são maiores. Podemos concluir no exemplo utilizado que 50% dos comprimentos da peça são inferiores a 101,9489mm e 50% são superiores. É importante reforçar que quando o número de dados numéricos ou elementos da série (n) é ímpar a mediana é exatamente o número no meio dos números ordenados, sem a necessidade de calcular a média dos dois números posicionados no meio da sequência. Os especialistas argumentam que a mediana é melhor do que a média para representar a tendência central dos números na presença de dados muito diferentes nos dois extremos da sequência. Isso ocorre porque a mediana é insensível aos valores muito grandes ou muito pequenos. 103,2345 99,0003 102,8121 101,4367 101,9899 102,9011 102,8764 99,7684 102,3494 102,4356 101,0009 101,2341 102,2340 102,2030 101,2556 102,1976 102,0012 100,8765 103,4566 102,2068 101,9989 102,4355 101 101,1212 99,8650 103,0894 99,1009 101,8768 99,6783 102,2332 100,7865 101,8990 99,9886 101,7864 98,8990 102,1498 98,1239 102,2457 100,2358 101,5555 101,5983 102,2526 101,6784 102,3476 100,1114 102 102,5445 102,3468 101,2344 103,0200 101,2113 102,4671 102,3356 100,7682 100,0046 99,9897 102,2223 102,3322 102,1215 101,5689 Controle Estatístico da Qualidade e Auditoria da Qualidade 18 Por exemplo: se for alterado o maior valor da sequência para de 1.695.850,0 (um número bem maior que ele), o valor da mediana não muda, porque a mediana ainda continua tendo metade dos dados acima e metade abaixo de seu valor (7). A diferença numérica entre a mediana e a média em nosso exemplo (101,9489 – 101,4993) = 0,4496 pode ser considerada razoavelmente grande por algum engenheiro, se considerar uma variabilidade pequena dos números, e significaria que a média é realmente distorcida como medida de tendência central, levando o engenheiro a utilizar à mediana. Partindo da mediana, os quartis são calculados. Com a mediana os dados foram divididos em dois grupos, acima e abaixo da mediana. Para cada grupo encontra- se sua própria mediana e esta mediana secundária é denominada quartil. Obviamente tem um quartil inferior, o primeiro quartil, e um quartil superior, o terceiro quartil. Para completar o raciocínio, pode chamar a mediana do grupo de segundo quartil. Os quartis dividem os dados em quatro grupos distintos, cada grupo possuindo exatamente um quarto dos dados. No exemplo apresentado, cada um dos dois grupos tem aproximadamente 60/4 elementos e os quartis são fáceis de se encontrar. Os quartis podem ser utilizados também para definir a variabilidade dos dados(10,11). Caso a série contenha um número que se repete muito mais do que os demais, pode-se calcular a moda. A moda é conceituada como sendo o valor de maior frequência em um conjunto de dados estatísticos(10,11). Entretanto, em decorrência de ser uma medida aplicada somente em casos muito específicos, este assunto não será abordado nesta apostila. Para consultar informações, verifique os livros de estatística localizados na seção Referências. medidAS de diSperSão ou vAriABilidAde As medidas de dispersão ou também conhecidas como medidas de variabilidade são igualmente importantes como às medidas de tendência central e representam como os dados numéricos se dispersam (ou se afastam) da média. Quando os números são sempre próximos à média, isso significa que a tendência central representa bem os dados. No entanto, se alguns números ficarem longe da média, então a média não irá representar muito bem todos os dados numéricos da sequência(5,6,10,11). A ideia de variabilidade é importante na área da engenharia de qualidade, como foi, porque oferece uma definição operacional para qualidade, uma definição que daria para medir e analisar, e discutir com os demais colegas do curso. Por exemplo, peças fabricadas e que exibem mensurações muito espalhadas não têm qualidade, pois muitas peças vão acabar rejeitadas ou retrabalhadas, significando custos maiores de fabricação e uma posição fraca em termos da competição empresarial do mercado(5,7). O desvio ao redor da média é definido como a diferença entre um número individual e a média de todos os dados numéricos. Vale informar que para o conceito de um desvio (uma distância), não existe sentido se o valor for um número negativo. Por exemplo, a Tabela VIII(7) contém dados numéricos referentes ao tempo gasto (expresso em minutos) por uma empresa para solucionar problemas dos clientes desde o momento do recebimento da queixa até a solução apresentada. A média de tempo gasto é 182,89 minutos (ou min), um pouco mais do que 3 horas. Controle Estatístico da Qualidade e Auditoria da Qualidade 19 O primeiro desvio calculado (na terceira coluna) é 100– 182,89 = -82,89, ou seja: (Xi - ) que representa o desvio de um elemento (um dado) com relação à média. Normalmente, é comum os estatísticos colocarem na expressão do desvio a média depois do dado numérico individual. Assim, quando a média é menor que o dado, o desvio é positivo e vice-versa. É muito interessante calcular a média dos desvios que representaria a variabilidade dos dados. Como é demonstrada na tabela anterior, a soma dos desvios é igual a zero, e, portanto a média dos desvios também é igual a zero. Então a questão é como calcular a média dos desvios de uma maneira consistente e esclarecedora. A quarta coluna da tabela contém os mesmos desvios da terceira coluna, mas sem os sinais, representando o chamado módulo ou valor absoluto de cada desvio. A média dos desvios nesta coluna é de 75,83 min. Código da reclamação Tempo gasto (em minutos) Desvio da média Módulo do desvio (valor absoluto) Desvio ao quadrado 123 100,00 -82,89 82,89 6871,36 872 216,01 33,11 33,11 1096,46 478 113,42 -69,47 69,47 4826,37 123 287,33 104,43 104,43 10906,22 301 221,47 38,58 38,58 1488,33 261 194,95 12,06 12,06 145,42 222 161,55 -21,35 21,35 455,70 182 325,89 142,99 142,99 20447,30 143 292,62 109,73 109,73 12040,82 104 266,38 83,49 83,49 6970,70 164 106,19 -76,70 76,70 5882,76 158 307,56 124,66 124,66 15541,31 169 255,49 72,59 72,59 5269,52 179 203,39 20,50 20,50 420,24 190 148,71 -34,19 34,19 1168,83 200 17,00 -165,89 165,89 27520,70 211 66,78 -116,11 116,11 13481,55 222 165,34 -17,55 17,55 308,07 232 95,20 -87,70 87,70 7690,68 243 102,95 -79,94 79,94 6390,97 253 427,43 244,53 244,53 59796,28 264 186,34 3,45 3,45 11,91 275 82,04 -100,85 100,85 10171,11 285 59,00 -123,89 123,89 15349,64 296 36,00 -146,89 146,89 21577,74 306 168,89 -14,00 14,00 195,97 317 207,95 25,05 25,05 627,58 328 217,94 35,05 35,05 1228,18 338 225,79 42,90 42,90 1840,23 349 227,19 44,30 44,30 1962,51 Média = 182,29 0,00 75,83 8722,82 Amplitude = 410,43 Desvio padrão = 94,99 Tabela VIII - Minutos decorrentes até a solução referente à reclamação do cliente. Fonte: Adaptado Samohyl, R. W. (2009). Controle Estatístico da Qualidade e Auditoria da Qualidade 20 Por razões históricas e em decorrência de algumas características matemáticas serem difíceis de compreender, mas importantes para o entendimento teórico, a média dos desvios sem sinal não é tipicamente utilizada em estudos estatísticos(7). Para resolver o problema do sinal, é preferível utilizar o quadrado dos desvios, que acabou sendo o motivo da elaboração da fórmula da variância, que nada mais é do que a média dos quadrados de todos os desvios: Onde: (σ2) é a variância, (Xi) representa um elemento da série ou dado numérico, ( ) é a média, (fi) é a frequência simples ou número de vezes que o respectivo dado numérico se repete e (n) é o número total de elementos da série ou dados numéricos. A fórmula acima é aplicada quando se trabalha com toda a população. Para os casos que já foram mencionados no capítulo inicial da apostila e que necessitam trabalhar com uma amostra (parte da população), a fórmula acima recebe uma adaptação: A variância é um valor elevado ao quadrado e, dependendo da aplicação, não possui interpretação. Para chegar a uma medida do desvio médio é necessárioaplicar a raiz quadrada da variância. Esse desvio médio é conhecido como desvio padrão (σ): Para os dados da tabela anterior, o desvio padrão é de 94,99 min. Em determinadas situações, a soma dos quadrados não e dividida pelo número de dados, mas sim por um número denominado grau de liberdade, um conceito que será brevemente discutido adiante. O desvio padrão é extremamente importante para o entendimento dos gráficos de controle de uma coleção ou agrupamento de médias, e leva o nome de erro padrão. É calculado dividindo o desvio padrão pela raiz quadrada do tamanho da amostra. Por fim, considerando o tamanho da média (182,89), a diferença entre o desvio absoluto médio (75,83) e o desvio padrão (94,99) não é considerada muito grande (para esta aplicação de tempo em minutos). Com isso, podemos afirmar que ambas as medidas são apropriadas para medir a variabilidade dos dados, mas como já foi mencionado anteriormente, o desvio padrão é preferível. Para o Controle Estatístico de Processo (CEP) há mais uma maneira de calcular o desvio padrão, através de uma formula desenvolvida pelo próprio Shewhart para facilitar os cálculos no chamado “chão da fábrica”. Como será visto nos próximos capítulos, a utilização de amostras muito pequenas é a principal regra para um grande conjunto de gráficos de controle. Por exemplo, o operador pode estar mensurando (medindo) apenas cinco peças por hora (tamanho da amostra n = 5 elementos) de lotes muito maiores. Será então calculada a amplitude de cada amostra e depois calculada também a média das amplitudes ( ). Shewhart desenvolveu uma tabela contendo coeficientes e denominados de d2, para converter qualquer valor de em um desvio padrão equivalente(7): É importante notar, analisando a Tabela IX, que o valor de d2 aumenta com o tamanho da amostra. Os outros coeficientes nas demais colunas da tabela são também muito importantes e serão utilizados mais adiante. A tabela contém os coeficientes que serão utilizados para a construção de um determinado tipo de gráfico de controle. Controle Estatístico da Qualidade e Auditoria da Qualidade 21 E finalmente, outra medida de variabilidade é o desvio quartílico, que é a diferença entre o quartil inferior e o quartil superior já discutido anteriormente no capítulo sobre as medidas de tendência central. Voltando para a tabela referente ao comprimento das peças (em mm), pode ser calculado o desvio quartílico da seguinte forma: 101,8100 – 98,5717 = 3,2383. Como a mediana, o desvio quartílico possui a vantagem de não ser afetado por valores muito discrepantes. No entanto, a sua utilização não é muito comum, constando em alguns pacotes de software especializado, mas na prática desprezado a favor do desvio padrão. No entanto, no famoso gráfico da caixa das medianas (box-plot, em inglês) a sua presença é implícita(5,7). Com relação ao exemplo sobre as reclamações dos clientes, o gerente da empresa possui pelo menos duas medidas para analisar o desempenho frente aos clientes com queixas: a média do tempo gasto para solucionar a reclamação e o desvio padrão. Um procedimento prático pode ser colocado nos manuais da empresa, onde semanalmente médias e desvios padrão são calculados, tendências analisadas e providências tomadas caso sejam necessárias. Por exemplo, a média tendendo a subir ou o desvio padrão aumentando através do tempo são sinais claros de deterioração do desempenho da empresa e deve causar preocupação na parte da gerência(7). Os dados individuais devem sofrer também análises cuidadosas, especialmente para os dados que se destacam longe dos demais ou muito diferentes da maioria dos dados. Tabela IX - Coeficientes calculados para os gráficos de controle - Fonte: Adaptado Samohyl, R. W. (2009). n = d2 D1 (DP) D2 (DP) D3 (R) D4 (R) A2 (X) 2 1,128 0 3,686 0 3,267 1,880 3 1,693 0 4,358 0 2,575 1,023 4 2,059 0 4,698 0 2,282 0,729 5 2,326 0 4,918 0 2,115 0,577 6 2,534 0 5,078 0 2,004 0,483 7 2,704 0,205 5,203 0,076 1,924 0,419 8 2,847 0,387 5,307 0,136 1,864 0,373 9 2,970 0,546 5,394 0,184 1,816 0,337 10 3,078 0,687 5,469 0,223 1,777 0,308 11 3,173 0,812 5,534 0,256 1,744 0,285 12 3,258 0,924 5,592 0,284 1,716 0,266 13 3,336 1,026 5,646 0,308 1,692 0,249 14 3,407 1,121 5,693 0,329 1,671 0,235 15 3,472 1,207 5,737 0,348 1,652 0,223 20 3,735 1,548 5,922 0,414 1,586 0,180 25 3,931 1,804 6,058 0,459 1,541 0,153 Controle Estatístico da Qualidade e Auditoria da Qualidade 22 gráFiCoS: diAgrAmA dAS mediAnAS e HiStogrAmA A melhor maneira de analisar uma série de dados não é por sua organização na forma de tabelas, mas graficamente. A tentativa de ver padrões e tendências em uma relação de dados escritos em uma tabela certamente resultará em fracasso especialmente quando o número de dados numéricos for grande. A Figura 1(7) mostra os dados numéricos da tabela referente ao tempo gasto em resolver problemas dos clientes. Figura 1 - Tempo gasto para resolver problemas dos clientes. Fonte: Adaptado Samohyl, R. W. (2009). Entre vários outros pontos, pelo menos dois são destacados, o ponto máximo no dia 21 e o ponto mínimo no dia 16. O que aconteceu nestes dois dias? Será que os eventos que ocorreram no dia 16 são controláveis e que podem ser repetidos nos outros dias para beneficiar toda a situação? E os eventos do dia 21 que causaram um péssimo desempenho, será que eles podem ser evitados no futuro? Um gráfico que reúne as informações da mediana e também dos quartis de uma maneira didática e simples de entender é o diagrama (caixa) das medianas (Figura 2) que foi construído com os valores da Tabela VIII. Figura 2 - Diagrama das medianas so tempo gasto nas reclamações - Fonte: Adaptado Samohyl, R. W. (2009). As duas linhas horizontais da Figura 2 representam os valores mínimos e máximos, respectivamente de toda a série, ou em outras palavras; a distância entre elas é a amplitude total dos dados numéricos (At). O retângulo (ou caixa) no meio da figura representa o quartil inferior e o superior, onde está agrupada a metade central dos dados, e a distância entre estes valores é o desvio quartílico. Finalmente, a linha dentro do retângulo é a mediana(7). Analisando a figura, pode-se verificar que os dados numéricos estão distribuídos com assimetria, tendo mais valores baixos do que altos. Os valores altos são menos frequentes, mas merecem uma investigação cuidadosa, pois representam um péssimo desempenho da empresa em solucionar problemas dos clientes. Estes valores mais altos são críticos para o relacionamento da empresa com o seu público alvo, e a gerência deve garantir que não ocorram no futuro. Diversas empresas constroem esse tipo de gráfico para entender importantes características operacionais em uma base mensal ou semanal, facilitando o monitoramento dessa característica ao longo do tempo. E fácil ver se a característica está inserida no alvo ou evoluindo de uma maneira satisfatória, e se a variabilidade dos dados está aumentando (piorando) ou diminuindo (melhorando). Controle Estatístico da Qualidade e Auditoria da Qualidade 23 Um gráfico que possui todas as características do diagrama das medianas, mas exibe muito mais informações sobre a distribuição dos dados numéricos é o Histograma. Para entender a construção e interpretação desde tipo de gráfico, vamos considerar o seguinte exemplo: Retirou-se de um laticínio, uma amostra contendo 150 sacos plásticos contendo leite, que por norma, deveriam ter exatamente 1 litro cada(7). A Tabela X contém os dados numéricos da amostra escolhida e o histograma é um retrato dos dados presentes nesta tabela. Tabela X - Frequências de medidas em mililitros (ml) de sacos de leite. Fonte: Adaptado Samohyl, R. W. (2009). De acordo com a tabela anterior, na primeira linha, dos 150 sacos investigados, um saco entra na classe de volume de zero até856,44 ml. Na próxima linha, tem a classe de sacos entre 856,45 ml até 878,61 ml, possuindo novamente um único saco plástico. A maior frequência, onde contém 25 sacos de leite é a da classe entre 967,28 até 989,43 ml. A última coluna da tabela contém os valores das frequências acumuladas relativas (em %) até a última classe. Por exemplo, de todos os sacos amostrados, 16,67% possuem um volume de até 945,10 ml. É aparente que isso significa que aproximadamente 83% dos sacos plásticos contendo leite possuem um volume maior. Entretanto, as informações da Tabela X estão presentes na Figura 3, mas de uma maneira mais clara e mais fácil de interpretar. Figura 3 - Histograma das medidas dos sacos plásticos para leite. Fonte: Adaptado Samohyl, R. W. (2009). A forma do histograma, com frequências altas no meio dos números e mais baixas para números distantes da tendência central é muito comum. Este formato da figura é considerado à base da distribuição normal. O histograma apresenta de uma maneira didática a tendência central dos dados e a variabilidade, sendo para este caso, mais interessante e útil que o diagrama das medianas. Este tipo de gráfico é uma ótima ferramenta, sendo muito utilizado para a análise de dados numéricos através do tempo. Por exemplo, um engenheiro trabalhando na linha de produção utilizaria o histograma periodicamente para verificar se a medida está de acordo com o esperado e se a dispersão dos dados não está se desviando de um controle considerado adequado. Se ocorrer discrepâncias, as mesmas devem ser investigadas e o processo corrigido. Muitas vezes o analista não utiliza a frequência simples (ou absoluta) no eixo vertical como foi representada na Figura 3, mas sim a frequência percentual (relativa). Desse modo, cada coluna do histograma representa uma percentagem da amostra ou população, se for o caso a se analisar(7). A soma de todas as percentagens da frequência relativa é naturalmente 100%. Volume de leite: contendo até (ml) Frequência simples Frequência Acumulada relativa (%) 856,44 1 0,67 878,61 1 1,33 900,77 1 2,00 922,94 3 4,00 945,10 19 16,67 967,27 19 29,33 989,43 25 46,00 1011,60 21 60,00 1033,77 23 75,33 1055,93 19 88,00 1078,10 10 94,67 1100,26 4 97,33 mais de 1100,26 4 100 Controle Estatístico da Qualidade e Auditoria da Qualidade 24 Nesta apostila não serão discutidas as distinções entre as várias distribuições de probabilidade, pois esse assunto é tratado em trabalhos mais avançados e para cursos mais específicos, mas são tratados nos livros comentados na introdução e disponíveis na seção de Referências. É suficiente dizer que a análise das distribuições de probabilidade é extremamente importante em uma segunda fase de implantação das ferramentas, na medida em que os processos de monitoramento são aperfeiçoados ao longo do tempo. gráFiCoS de Controle Os gráficos de controle possuem extrema importância para o CEP, pois é utilizado na detecção de alterações inusitadas de uma ou mais características de um processo ou produto. Em outras palavras, é uma ferramenta estatística que alerta para a presença de causas especiais na linha de produção. O paradigma tradicional é o processo industrial analisado através do tempo (também chamado de séries temporais), mas atualmente a ferramenta também é aplicada em processos administrativos e de serviços, e para dados numéricos divididos em seções (por exemplo, diferentes setores na empresa no período de tempo)(5,7). O gráfico (Figura 4) consiste na plotagem de três linhas contendo os pontos que representam as médias de pequenas amostras (conhecidos também como chamados subgrupos racionais), cada uma de tamanho n (onde n= 1, 5, 9, 23, 1000, por exemplo), que representa a quantidade de mensurações periódicas de alguma característica importante de um processo (peso, cumprimento, volume, entre outros.), ou o número ou percentual de peças defeituosas ou número de defeitos. As três linhas representam dois limites de controle, um chamado de superior (ou Limite de Controle Superior - LCS) e outro inferior (ou Limite de Controle Inferior - LCI), e uma linha no meio a qual é a média da variável ou o alvo da característica. Tradicionalmente, as linhas de controle ficam localizadas a uma distancia de três desvios padrão da média da série (ou alvo). A utilização de três desvios é arbitrária, mas na prática funciona na maioria dos casos. Os limites definem uma área considerável que irá evitar problemas que não existem na realidade, pois um profissional que gasta o precioso tempo correndo atrás de causas especiais que não existem, não está sendo um empregado útil para a empresa. O desvio padrão utilizado é o desvio padrão das médias (ou erro padrão), que é o desvio padrão da população dividido pela raiz quadrado do tamanho da amostra: 3σ/√n. Figura 4 - Gráfico de controle conceitual - Fonte: Adaptado Samohyl, R. W. (2009). Na estatística, os dois limites de controle definem um intervalo de confiança com nível de confiança de aproximadamente 99,73%. Este número significa que um “alarme falso” pode ocorrer uma vez em 370 subgrupos. Realmente é o “preço” a ser pago quando se utiliza a técnica de amostragem, mas pelo menos a possibilidade de ocorrência é realmente muito pequena. Se forem tiradas 16 amostras por dia na fábrica, iria ocorrer uma vez a cada 23 dias. Existe um “preço” razoável considerando o grande valor dos gráficos de controle. A estimação dos limites de controle é valida para processos considerados estáveis, quer dizer, que mantem fixos a média e o desvio padrão e, portanto, não estão sob a influencia de causas especiais. No entanto, alguns processos aparentemente controlados podem ser influenciados por uma causa especial e o resultado é que medidas se deslocam para fora dos limites de controle. No gráfico da Figura 4, este processo seria considerado sob a possível influência de alguma causa especial, instável, porque um ponto está fora dos limites. Controle Estatístico da Qualidade e Auditoria da Qualidade 25 Um processo é considerado instável somente no momento da descoberta da causa especial. Existem alguns padrões de pontos que assinalam a existência de causas especiais; por exemplo, mais do que cinco pontos consecutivos, sendo todos acima ou abaixo da linha central. Este padrão é raro de acontecer como um ponto que está a uma distância de três desvios padrão da linha central. Para compreender, isto equivalente a sair oito faces caras consecutivas lançando uma moeda justa, que certamente é uma ocorrência rara e, portanto, deverá ser investigada a suposição da justiça no lançamento da moeda da mesma maneira que na influência de causas especiais no processo produtivo. Outro padrão para se investigar é quando ocorrem dois pontos de três dentro dos limites de controle e mais precisamente perto deles. Finalmente, um último padrão que normalmente assinala possíveis problemas na linha de produção, três pontos de um total de quatro, de um dos lados da média, mas no meio da área, ou seja, nem muito perto da linha central nem dos limites de controle. Dependendo da situação e/ ou cultura existente na fábrica, outros padrões podem ser utilizados, mas com cautela, pois o uso de padrões deve ser minimizado uma vez que muitos significam, na prática, alarmes falsos(7). Com base nos conceitos apresentados, serão abordados nas próximas seções vários tipos tradicionais de gráficos de controle e alguns derivados de situações especiais. O gráfico das médias Para compreender os conceitos deste tipo de gráfico de controle, vamos imaginar a seguinte situação: no processo de produção de uma ração para gatos de uma empresa desconhecida, sempre houve problemas no enchimento do pacote de um quilograma (Kg). Com o passar do tempo, os clientes reclamavam sobre os pacotescontendo menos quantidade de ração do que a norma estipulava e, eventualmente, a empresa começou a perder clientes. Após um breve período de tempo, os pacotes de ração foram descobertos por fiscais que encontraram diversos contendo menos que um quilograma, resultando em multas pesadas para a empresa. O gerente então decidiu implantar um gráfico de controle no processo de produção, especificadamente no ponto do enchimento dos pacotes(7). Para a coleta de dados, decidiu-se utilizar amostras periódicas de hora em hora, cada uma com cinco mensurações (n = 5 elementos). Esse perfil de amostragem foi escolhido considerando as informações técnicas disponíveis na empresa. As indústrias normalmente possuem seus perfis para amostragem e, às vezes, devem seguir normas da agência reguladora. Por exemplo, na indústria química, diversas amostras são separadas em bateladas e o tamanho considerado é de um elemento. Essa técnica de amostragem será explicada mais adiante. Após dois dias de coleta de dados, foram separadas 18 amostras com 5 mensurações cada, uma por hora, durante 3 turnos de 6 horas cada. Os resultados estão na Tabela XI. Tabela XI - Resultados de mensurações de 18 amostras horárias - Fonte: Adaptado Samohyl, R. W. (2009). Amostras recolhidas de hora em hora (valores expressos em gramas) 1h 2h 3h 4h 5h 6h 7h 8h 9h 1º 1006 1009,69 1033,68 1051,89 963,31 1021 981,37 987,4 1030,14 2º 1005 1000 1001 1031 993,69 1023,78 1010,28 994,03 1034,07 3º 1006,04 985,31 1000 1027 1022,02 1020 990,56 990,67 973,01 4º 1032,35 1001 1016,9 1026,36 990,05 1046,87 990,46 1025,03 994,89 5º 1011,35 987,81 1033,01 1005,77 968,85 1009,24 954,43 1048,18 973,62 10h 11h 12h 13h 14h 15h 16h 17h 18h 1º 1024,88 1003 999 1015,25 978,48 1021,71 1038,32 1050 1040,13 2º 967,38 1031,54 1039,08 1020 995,55 1026 1013,77 1001,73 1025,99 3º 1018,81 1017,65 1034 1010 989,48 1065,55 1009,32 1045 985,04 4º 984 979,96 1001 1006,9 1006,95 1050 998,27 1023,59 1000 5º 1035,11 1013,52 999,11 1011,67 1002,07 1041,78 980,34 1036 1011 Controle Estatístico da Qualidade e Auditoria da Qualidade 26 Sendo praticamente impossível tirar qualquer conhecimento dos dados presentes na Tabela XI, os mesmos são plotados e ilustrados em formato gráfico (Figura 5). Entretanto, embora o gráfico seja mais esclarecedor, ainda existem duvidas sobre a série. Figura 5 - Todas as 90 mensurações (medidas) dos pacotes de ração. Fonte: Adaptado Samohyl, R. W. (2009). Analisando o gráfico, existem vários pontos que se afastam do “alvo” 1000 gramas (g) ou 1 kg, mas será que os afastamentos são realmente grandes? Qual o critério que deve ser utilizado para medir esse afastamento? Onde é que devem ser colocados os limites de controle para assinalar a presença de causas especiais e melhorar o processo? A construção do gráfico de controle irá auxiliar na resolução deste problema. A linha central do gráfico é a média dos dados ou o alvo do processo. A média neste caso é 1010,62 gramas ( ). O valor parece alto, mas reflete o fato de que a empresa sofreu a perda de clientes, multas, e, dada a instabilidade do processo, está sentindo a necessidade de proporcionar ração de graça para os compradores. No momento que o processo ficar mais estável a média tende a retornar para 1000 gramas, economizando despesas e melhorando os resultados. Os limites de controle são iguais a três desvios padrão da média, ou três erros padrão, desde que na pratica , utiliza-se a amplitude média dos subgrupos racionais e os coeficientes de Shewhart presentes na Tabela IX(7). É muito comum na indústria utilizar o desvio padrão calculado com a média das amplitudes e com o coeficiente d2, um dividindo o outro, ( /d2). Para converter o desvio padrão em erro padrão, basta dividi-lo pela raiz quadrada do número total de elementos da amostra, ou seja, ( /d2)/√n. Portanto, os limites de controle são três erros padrão acima e abaixo da média. De acordo com a Tabela XI, a coluna A2 corresponde a um coeficiente que facilita o cálculo dos limites de controle. Este coeficiente que se modifica com o tamanho da amostra, transforma a média das amplitudes em três erros padrão: A utilização do coeficiente A2 facilita muito o cálculo dos limites de controle para o próprio operador no que está no “chão da fábrica”. Mesmo com as fábricas se tornando cada vez mais informatizada, os coeficientes do Shewhart sobrevivem como a base dos cálculos de variabilidade (dispersão)(7). Desse modo, os limites de controle são: e Onde é a média total (média das médias parciais) e representa a linha central do gráfico. Voltando para nosso exemplo referente aos pacotes de ração, já foi calculada a média de 1010,62 gramas. O valor de A2 da Tabela XI é 0,577 para amostras de tamanho n=5, e o valor da amplitude média que consta na Tabela XII é 47,67. Portanto, o cálculo do limite de controle superior é 1010,62 + (0,577*47,67) = 1038,12 e o cálculo do limite de controle inferior é 1010,62 - (0,577*47,67) = 983,11. Com a tabela montada, basta plotar o gráfico de controle (Figura 6), construído por padrão, contendo as três linhas para facilitar a interpretação. Controle Estatístico da Qualidade e Auditoria da Qualidade 27 Figura 6 - Exemplo do gráfico de controle das médias - Fonte: Adaptado Samohyl, R. W. (2009). O gráfico da Figura 6 contém os valores das médias dos 18 subgrupos, além dos limites de controle superior e inferior, e da média das médias (média total). Nota-se que o subgrupo de número 15 possui a média mais alta que o limite de controle, e, portanto, a média deste subgrupo é suficientemente afastada da média do processo para justificar uma investigação e eventual eliminação de uma causa especial. O gerente analisou a situação e descobriu a presença de um operador substituto e quase sem treinamento no lugar do operador veterano que estava com médico marcado nesse horário. Com isso, ocorreu nos próximos dias um treinamento rápido para garantir o desempenho de todos os operadores nas tarefas mais importantes de toda a linha de produção. Quase sempre, os problemas na fábrica têm origem na gestão das operações. Se o operador foi ensinado de uma maneira inadequada, a culpa é da gerência e não do operador(7). Os gráficos de controle devem ser atualizados periodicamente, uma vez por mês e novos limites deverão ser calculados. No entanto, jamais utilizarão nas atualizações os subgrupos que estavam sob a influência comprovada de causas especiais. Estes dados devem ser arquivados longe dos gráficos de controle, mas lembrados como parte da historia das melhorias e outras conquistas da empresa ao longo do tempo(7). O gráfico da variabilidade É muito importante construir um gráfico de controle para monitorar diretamente a variabilidade do processo, já que a variabilidade contribui para a qualidade do produto. Alguns especialistas defendem que o gráfico R é mais importante que o gráfico das médias. Na prática os limites de controle são calculados usando a teoria já discutida anteriormente a esta seção, além dos coeficientes de Shewhart (Tabela IX). Entre várias alternativas, o gráfico das amplitudes (R) é o mais comum para monitorar a variabilidade. A média das amplitudes ( ) é a linha central do gráfico e os limites de controle são: e Tabela XII - Médias dos subgrupos, média total e média das amplitudes - Fonte: Adaptado Samohyl, R. W. (2009). 1 2 3 4 5 6 Média ( ) 1012,15 996,76 1016,92 1028,4 987,58 1024,18 27,35 24,37 33,68 46,11 58,7 37,62 7 8 9 10 11 12 Média ( ) 985,42 1009,06 1001,15 1006,04 1009,13 1014,43 55,85 60,77 61,06 67,72 51,58 40,08 13 14 15 16 17 18 Média ( ) 1012,76 994,51 1041,01 1008 1031,26 1012,43 13,09 28,47 43,83 57,98 48,26 55,09 Média Total ( ) = 1010,17 Média das amplitudes ( )
Compartilhar