You are on page 1of 17

39

UNIVERSIDADE FEDERAL DE SANTA CATARINA
DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E SISTEMAS
EPS 7023 - GESTÃO E AVALIAÇÃO DA QUALIDADE
SEGUNDO SEMESTRE DE 2014

10.
CONTROLE ESTATÍSTICO DE PROCESSOS
PRIORIDADE DOS MODELOS DE AVALIAÇÃO DA QUALIDADE



Utilização de bases quantitativas de análise.
A estatística como instrumento básico da avaliação da qualidade em nível de
processos (começo do século XX).
Ferramenta básica: Gráficos de Controle (Walter A. Shewhart).
CEP: Avaliação da eficiência das operações produtivas.

CONCEITOS BÁSICOS
1. PROCESSO

Qualquer conjunto de condições, ou causas que, agindo juntas, geram um
dado resultado.

2. CONTROLE
Diagnóstico:

Confronto entre padrões (objetivos) fixados e medidas obtidas (produtos).
Planejado x produzido.

Ação:

Preservar entre limites.
Impor comportamentos.

3. ABORDAGEM ESTATÍSTICA

Avaliação quantitativa.
Análises e conclusões a partir de números.

4. QUALIDADE

Característico do processo em estudo.

. Método próprio para determinar as tolerâncias naturais do processo. CONTROLE DE PROCESSOS  Atividades planejadas e desenvolvidas com a finalidade de conhecer o processo em estudo. Controle da qualidade: Decisões gerais sobre o processo a partir de amostras. quando operando em estado de controle estatístico (situação operacional ideal).40 5. 6. POR QUE A ESTATÍSTICA É ÚTIL AO CONTROLE DA QUALIDADE? Estatística: Metodologia que permite definir números que representam um conjunto de dados. Controle da qualidade: Visão objetiva da variabilidade da produção. Estatística: Análise baseada em números. a fim de fazê-lo comportar-se de certo modo. Conjunto de técnicas que analisam as alterações no processo produtivo para determinar sua natureza e a freqüência com que elas ocorrem. Controle da qualidade: Decisões gerais sobre o processo tomadas a partir de dados relativos à produção. procurar estudar os característicos do processo. CONTROLE ESTATÍSTICO DA QUALIDADE  Com o auxílio de números ou dados. ESTUDO E ANÁLISE DAS ALTERAÇÕES  Mensuração de variáveis fundamentais do processo ou dos defeitos por peças ou número de peças defeituosas por amostra. Tolerâncias naturais do processo (valores assumidos quando em estado de controle estatístico). Controle da qualidade: Base quantitativa de análise Estatística: Análise evolutiva dos fenômenos com base numérica. CAPABILIDADE    Comportamento normal de um processo. Estatística: Inferir propriedades com base em amostras representativas. CONTROLE ESTATÍSTICO DE PROCESSOS (CEP)    Utilização de métodos estatísticos para avaliar o processo de forma quantitativa. 8. 7. Capacidade de avaliar tendências (ação preventiva). 10. 9.

O CEP trabalha com as variações de um processo e está restrito a áreas determinadas do processo. Tolerâncias naturais do processo definido. apenas rotulado. 12. AVALIAÇÃO POR VARIÁVEIS   O característico é medido. Variabilidade conhecida e sob controle. Avaliação intuitiva. Variabilidade não determinada formalmente. Comportamento pouco previsível. CARACTERÍSTICAS RELEVANTES DO CEP:    A determinação da capabilidade do processo e a avaliação da situação controle ou fora de controle do processo utilizam métodos científicos. Há muitas decisões técnicas que envolvem a implantação do CEP. AVALIAÇÃO DA QUALIDADE EM NÍVEL DE CARACTERÍSTICOS 14.2. 13.41 11. Estudo com base científica. Comportamento previsível. CARACTERÍSTICOS DA QUALIDADE     Requisitos necessários ao perfeito funcionamento do produto Propriedades relevantes . Isto requer: um nível adequado de conhecimento técnico. utiliza-se uma escala contínua. Descrição qualitativa do característico (adjetivo). 14.inerentes ao produto ou ao serviço Item sob atenção Elemento fundamental de decisão.1. . AVALIAÇÃO POR ATRIBUTOS   O característico não é medido. CAPACIDADE X CAPABILIDADE CAPACIDADE Nenhum processo estatístico ou formal de controle detectado. Descrição quantitativa do característico (número). 14. CAPABILIDADE Controle estatístico. Decisões equivocadas podem comprometer a avaliação. Avaliação imprecisa do comportamento do processo. sem improvisações ou ações intuitivas.

O método de avaliação escolhido determina ações estratégicas (nível da qualidade).3. Avaliações incorretas elevam custos. QUE AVALIAÇÃO UTILIZAR?      Cada tipo de avaliação tem características próprias. Cada característico requer avaliações próprias. Métodos de CEQ específicos para cada caso. B) GRÁFICOS DE CONTROLE POR ATRIBUTOS:     P  frações defeituosas np  número de peças defeituosas / amostra u  número de defeitos por unidade do produto c  número de defeitos por amostra O MODELO BÁSICO DO PLANEJAMENTO E CONTROLE DE PROCESSOS Gráficos de controle     Instrumento para separar causas aleatórias das causas assinaláveis Verificam se o processo é estável Verificam se o processo está sob controle e se permanece assim Permitem a análise das tendências do processo Características dos gráficos de controle   Controle por variáveis Controle por atributos . GRÁFICOS DE CONTROLE – DESENVOLVIMENTO E APLICAÇÃO A) GRÁFICOS DE CONTROLE POR VARIÁVEIS:   Média  tendência central do processo Amplitude e desvio dispersão dos dados em torno desta média. ATRIBUTOS X VARIÁVEIS            Qual o mais rápido? Qual fornece informações mais precisas? Qual execução mais simples? Qual gera conclusões mais imediatas? Qual requer maior número de amostras? Qual requer mais investimentos em equipamentos? Qual requer mais investimentos em recursos humanos? Qual a mais utilizada? Qual mais útil para poucos e relevantes característicos? O que se exige de cada inspetor? Qual o mais caro? 15.42 14.

43        Linha média Linhas de controle Abscissas: amostras Ordenadas: medidas Amostras: Em ordem cronológica K amostras Amostras de tamanho n Processo sob controle:     Variabilidade devida ao acaso Característicos da qualidade adequadamente distribuídos de forma estável (por exemplo: distribuição normal) Causas de variabilidade aleatórias. inerentes ao processo. Eliminação impossível ou antieconômica Processo fora de controle:     Variabilidade anormal . não comprometem o produto.grande dispersão Causa de modificações identificáveis Situação que exige pronta intervenção Significativas diferenças entre a média do processo e as medidas observadas TIPOS DE GRÁFICOS: VARIÁVEIS: Tendência central  Média ==> x Dispersão   Desvio-padrão: s Amplitude: R ATRIBUTOS: Peças defeituosas:   Fração defeituosa: p Número de defeituosas: np Defeitos por unidade:    Defeitos por unidade: u Média de defeitos:u Defeitos por amostras: c .

Intervalo ao redor da média. Amostras com mais de 6 itens.44 O PRIMEIRO MODELO BÁSICO DO PCEP: A AVALIAÇÃO POR VARIÁVEIS Controle por variáveis   Um gráfico para a tendência central (média) Um gráfico para a dispersão (amplitude) Gráfico da média    Distribuição normal Simetria 70% ao redor da média (primeiro desvio) Estimativa da média   Linha média do gráfico Média das médias das amostras Estimativa da dispersão: Método da amplitude:      Cálculo das amplitudes por amostra.3R / [d2 . Amostras pequenas. de até 6 itens. Fator de correção. Método do desvio:      Cálculo dos desvios por amostra. (n)1/2] R = xMAX – xMIN . (n)1/2] LIC = x= . Intervalo ao redor da média. Fator de correção. Gráfico da Média  LM = x= Se n < 6:   LSC = x= + 3R / [d2 . Média dos desvios. Média das amplitudes.

. k): xi Pontos: xi = (x1 + x2 + .2. 2..3s / [c2 .45 Se n > 6:   LSC = x= +3s / [c2 . ESTRUTURA GERAL DOS GRÁFICOS DE CONTROLE POR VARIÁVEIS Número de amostras: k Número de itens (ou tamanho) de cada amostra: n Medidas individuais do característico da peça j (j = 1..n): xj Média aritmética das medidas da amostra i (i = 1.. Linha média: x= = [xi ] / k Desvio [  / (n)1/2 ] . (n)1/2] LIC = x= .... Gráfico da amplitude Calcula–se a amplitude para cada amostra i conforme a fórmula abaixo: R = xMAX – xMIN     Linha média: R LSC = R D4 LIC = R D3 n menor ou igual a 6. (n)1/2] Gráfico do desvio Calcula-se o desvio para cada amostra i conforme a fórmula abaixo:     Linha média: s LSC = s C4 LIC = s C3 USO: n maior que 6. ... + xn) / n.

4... Para cada amostra i (i=1.2. 5. (n)1/2] Se n > 6: LSC = x=+ 3s / [c2 .. há dois métodos: Método do desvio-padrão s 1. 2. 2..2. Fator de correção  c2. LIC = x= . 4. R = (1/k) (R1 + R2 + . O gráfico terá. (n)1/2].k)  x i = (1/n) (x1 + x2 + .. Para cada amostra i calcula-se 2. Desvio médio: s = (1/k) (s1 + s2 + . + sk). Para estimar o valor da dispersão ao redor da média. 3.n).. n maior que 6.. 4... + xk ).. 7.. LIC = x= . 5. x= = (1/k) . Tamanho da amostra: n Número de amostras k Medidas xj (j=1.. A linha média do gráfico será dada por x=. 5.3s / [c2 . 6. [n] ½ ). n menor ou igual a 6. (n)1/2].3R / [d2 . + Rk ) Fator de correção  d2. + xn ). (n) 1/2 ).. Método da amplitude R 1. os seguintes pontos notáveis no eixo das ordenadas: LM = x= Se n < 6: LSC = x= + 3R / [d2 ..46 ROTEIRO 1. 3. 3. (n)1/2] .xmín). (tabelado para cada n) Desvio amostral  R / (d2.. então.. (tabelado para cada n) Desvio amostral: T = s / (c2 . Para cada amostra i calcula-se Ri = (xmáx . (x1 + x2 + . Amplitude média.

.GRÁFICO DA AMPLITUDE 1.. + sk ) (Linha média) LM = s. j = 1. 8.. 6.  n menor ou igual a que 6. . 5.. R = (1/k) (R1 + R2 + . 2. Para cada amostra i (i = 1.. 2. 2.. 4. 2. 6. 3.... GRÁFICO R . LIC = s (C3) LSC = s (C4)  n maior que 6. . . 3. 8. k) calcula-se si como 5. .. 3. k (número de amostras) n (tamanho das amostras) Medidas xj .. s = (1/k) (s1 + s2 + . n.. 7. . n.. + Rk ) (Linha média) LM = R LIC = R (D3) LSC = R (D4).. k (número de amostras) n (tamanho das amostras) Medidas xj . j = 1. 7.. 2. 2. k) calcula-se Ri como Ri = (xmáx ..xmín). 4. 3.47 GRÁFICO S – GRÁFICO DO DESVIO AMOSTRAL 1. Para cada amostra i (i = 1.

689 3.348 1.425 1.459 1.704 2.059 2.329 1.445 0.48 TABELA DOS FATORES DE CORREÇÃO Valores para o cálculo de linhas médias e limites dos Gráficos de Controle por Variáveis n 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 DESVIO PADRÃO c2 C3 C4 0.572 0.575 0.931 AMPLITUDE D3 D4 0 3.679 0.777 0.379 1.9810 0.443 1.640 3.761 0.586 0.534 0.448 1.510 1.9727 0.9400 0 2.588 3.497 1.118 1.566 0.7979 0 3.9854 0.532 3.9869 0.548 0.621 0.864 0.9835 0.407 3.482 1.552 0.185 1.9754 0.9892 0.9845 0.308 1.428 1.267 0.970 0.434 1.030 1.392 1.858 3.847 2.9882 0.477 0.267 0 2.472 3.608 0.523 1.136 1.652 0.256 1.466 1.9594 0.924 0.223 1.455 0.9896 0.9823 0.716 0.816 0.326 2.518 0.534 1.9776 0.8862 0 2.555 1.404 1.414 1.076 1.716 0.266 0.004 0.282 0 2.575 0 2.9862 0.778 3.819 3.9650 0.636 0.541 .382 1.895 3.284 1.568 0.503 0.9693 0.9887 0.128 1.735 3.466 0.618 0.744 0.173 3.490 0.534 2.596 0.693 2.671 0.336 3.646 0.815 0.692 0.545 1.882 0.089 0.184 1.9794 0.078 3.321 1.364 1.9213 0 2.557 0.970 3.239 1.284 1.354 1.9876 0.258 3.115 0 2.9515 0.594 0.435 d2 1.565 1.452 1.406 1.

39 22.03 2.00 25.40 24.02 4.02 4.40 24.32 23. verifique em que situação o processo se situa. os limites naturais para a avaliação por variáveis de um processo do qual foram retiradas quatro amostras de cinco peças cada uma.10 3.30 04 25.44 26.00 05 25. Os dados obtidos estão na tabela abaixo.02 4.00 02 22.04 cm Tolerâncias: + 0.30 26.03 4.55 23.11 Item 2 4.04 3. Uma vez sendo possível a comparação.00 22.02 4.00 4.30 26. Medida nominal: 4.30 03 24.99 4.30 .03 24. verifique se o processo que eles representam possui limites naturais adequados ao projeto cuja medida nominal e tolerâncias são fornecidas.03 4. Peças Medidas – Amostra 1 Medidas – Amostra 2 Medidas – Amostra 3 Medidas – Amostra 4 01 22.49 EXEMPLOS PRÁTICOS CONTROLE POR VARIÁVEIS 1.03 4. Determine.03 Item 3 4.02 Item 4 4.09 25.10 4. Supondo que eles sejam suficientes.20 cm Número de amostras considerado: 05 Tamanho das amostras: 04 Amostra 1 Amostra 2 Amostra 3 Amostra 4 Amostra 5 Item 1 4.04 4.22 33.40 25.11 4. Considere os dados abaixo.98 4.00 4.33 26. se possível.

 GRÁFICO p 1..padrão: SQRT (p q / n) q=1–p Linhas de controle: p +3 SQRT (p q / n) Estimativa de p: di /  ni (para cada amostra i).. adota-se a distribuição de Poisson como aproximação da distribuição binomial. . onde q = 1 . . 4.q / n ] 1/2.. 2.uk u= = u/k c1. 5. npk np u u1.q / n] 1/2. ck c Limite superior de controle Limite inferior de controle np + 3[np(1 .. u2. .. 3. Fração defeituosa média  p = (1/k ) (p1 + p2 + . np2. p2 . + pk)..50 O SEGUNDO MODELO DO PCEP: A AVALIAÇÃO POR ATRIBUTOS Gráfico p Amostra N D P       Lote N D P Processo P p=d/n Variável binomial Média: p (linha média) Desvio. LSC = p + 3 [p.p.. OUTROS GRÁFICOS DA AVALIAÇÃO POR ATRIBUTOS Os demais gráficos da avaliação por atributos têm estrutura muito similar. Assim. c2. Pontos do gráfico: p1 ..3 [p...p)]1/2 np – 3 [np (1 ..... Cálculo de linhas médias e limites para Gráficos de Controle por Atributos Gráfico Pontos do gráfico Linha Média Np np1. pk ... u2. ... onde q = 1 . tem-se a tabela abaixo. LIC = p . uk u = c/n u C u1.. Fração defeituosa da amostra  p = (d/n).. Nos três últimos gráficos.p)]1/2 u + 3 (u / n)1/2 u – 3 (u / n)1/2 u= + 3( u= ) ½ u= – 3( u= ) 1/2 c + 3 (c ) ½ c – 3 (c ) 1/2 .p.

Desta forma. dados de sua ocorrência. Seria razoável fixar em 1 azulejo riscado a cada 1000 produzidos como norma para esta situação? Número de amostras: 10 Tamanho de amostras: 1200 Amostra 1 2 3 4 5 Peças defeituosas 134 132 135 136 137 Amostra 6 7 8 9 10 Peças defeituosas 138 139 30 47 45 Em nova avaliação da mesma fábrica acima.51 EXEMPLOS DE APLICAÇÃO CONTROLE POR ATRIBUTOS 1. sua norma de controle e sua tendência para os próximos períodos. Os resultados da inspeção estão descritos abaixo. A avaliação da qualidade de azulejos centrou-se na ação de detecção de riscos de face. facilmente. de 1200 itens cada uma. foram encontrados os números de azulejos defeituosos conforme a tabela abaixo. Como avaliar esta nova situação? Número de amostras: 10 Tamanho de amostras: 860 Amostra 1 2 3 4 5 Peças defeituosas 93 92 95 96 97 Amostra 6 7 8 9 10 Peças defeituosas 98 99 90 96 95 2. para a linha de produção. Como consultor desta empresa. Cada automóvel produzido em uma linha de montagem entre cinco e dez horas da manhã é examinado para análise de manchas na porta dianteira esquerda. vistas a olho nu. que sugestões você pode fazer à empresa? . Estas manchas não podem ser. Analisando peças em 10 amostras. foram encontrados os seguintes dados. mas um inspetor treinado com uma luz especial pode detectá-las. a empresa de ter uma ideia do nível médio de ocorrência destes defeitos de modo a informar.

08 07 0.62 06 9 1. Que norma adotar? Amostra 1 2 3 4 5 6 7 8 9 10 Número de não conformidades 10 12 08 14 10 16 11 07 10 15 Amostra 11 12 13 14 15 16 17 18 19 20 Número de não conformidades 09 05 07 11 12 06 08 10 07 05 4. Os dados constam abaixo.62 02 Carro 11 12 13 14 15 16 17 18 19 20 Superfície analisada Número de em metros quadrados manchas 0.84 03 2 0. Pedaços de igual tamanho de tecido são analisados para verificar a presença de áreas danificadas por repuxos de fios. Qual a norma de controle para este caso? Filmes 1 2 3 4 5 6 7 8 9 10 Número de manchas 9 10 7 8 8 7 10 8 7 6 Filmes 11 12 13 14 15 16 17 18 19 20 Número de manchas 4 5 6 8 9 4 7 6 6 5 5. Detectou-se certo número de falhas (manchas claras) conforme a tabela abaixo. Qual a norma de controle para este caso? Amostra analisada Áreas danificadas 1 5 2 4 3 4 4 5 5 6 6 6 7 7 8 3 9 10 .62 04 5 1.84 07 0.08 05 6 0.84 04 4 0.84 08 0. As amostras são de 5 itens cada. Vinte rolos de filmes foram avaliados.62 05 1.08 06 1.62 04 3.08 06 0.84 12 0.08 05 10 0. Um fabricante de computadores deseja estabelecer um gráfico de controle de não conformidades por unidade para a linha de montagem. Vinte amostras foram analisadas (ver dados abaixo).52 Carro Superfície analisada em Número de metros quadrados Manchas 1 0.62 03 7 0.62 01 1.62 02 0.84 02 8 0.62 02 3 0.

A idéia completa do processo só é obtida se observarmos ambos os gráficos. é fácil construir gráficos de controle.média e amplitude – estiverem sob controle. Útil para analisar mistura de efeitos ou instabilidade Sensível para detectar variações rápidas Fora de controle: variações ocorrem de forma rápida e intensa Detecta causas que aparecem e somem. Interpretação dos gráficos de controle  Informação básica: O processo está ou não sob controle. Situação ideal: fechado sobre zero. GRÁFICO DA MÉDIA:          Tendência central do processo Verifica se o processo está centrado Situação natural: centro não muda Situação ideal: fechado sobre a medida básica (especificação) Carga na média: distribuição normal. Verifica situações críticas – falta de preparo da mão-de-obra. perto de zero. Verifica a consistência e / ou a uniformidade do processo.JUNTOS:      Considerar centro e distribuições. por exemplo. GRÁFICO DA AMPLITUDE:          Dispersão do processo. Situação natural: gráfico estreito. Não guardam correlação entre si se o processo estiver sob controle. Verifica se o projeto do produto é viável Útil para analisar particularidades de produtos Fora de controle: variação inter-amostral Falta de controle: causas que atuam por longo tempo (consistentes). Gráficos da média e amplitude . Assimetria dos dados do processo: correlação entre as curvas. Falta de controle: comece com o gráfico da amplitude. A avaliação por variáveis exige que sejam considerados os gráficos da média e amplitude   Juntos e ao mesmo tempo A avaliação por variáveis só pode avaliar corretamente o processo se ambos os gráficos . .53 INTERPRETAÇÃO DOS MODELOS PARA A AVALIAÇÃO POR VARIÁVEIS Interpretação dos gráficos de controle   Em princípio. Daí a atenção devida à sua implantação e interpretação.

ROTEIRO DE IMPLANTAÇÃO DO CEP               Projeto do Sistema de Controle Padrões da qualidade e de desvios e defeitos a eles associados Organização dos dados Cálculo dos parâmetros do modelo escolhido Condição de controle (ou falta dele) Forma e natureza dos gráficos Diagnóstico do processo Ações sugeridas pelos gráficos Análise de casos críticos Correção dos limites e análise do gráfico corrigido Definição dos experimentos Análise dos resultados em processos corrigidos Análise da consistência do processo Análise da sistematização do Controle. Exemplo: Relação clara lote / amostra. por exemplo) O gráfico não mostra:    Dados de característicos específicos Causas de defeitos e a relevância de cada defeito Freqüência com que o defeito ocorre. Desenvolvimento do estudo: detalhado para o geral. . em zero. O gráfico mostra:        Nível da qualidade do processo Concentração ao redor da média Variações do processo Tendência central do processo Processo centrado Distribuição ajustada à binomial Úteis para produtos com característicos muito importantes. que inviabilizam o uso do produto se falharem (lâmpadas. Gráfico de controle por atributos  Situação natural: Fechado.  Curvas sem sentido definido: Causa que atua intensamente em determinados intervalos de tempo. Situação ideal:Fechado.54 Processos fora de controle Regra geral para a ausência de controle:  Pontos fora dos limites e situações especiais. Mas há casos onde é mais recomendado. Gráfico por atributos – interpretação   Avaliação genérica do processo. perto de zero.  Gráfico aplicado em muitas situações.

tomadas com base em informações locais (que se pretendia fossem globais). Estas duas restrições básicas: (1) contexto mais específico e (2) uso de suporte teórico sofisticado. . Decorrência desta armadilha: erros na implementação de modelos estatísticos de avaliação da qualidade. Reflexos em outras áreas da organização e da gestão da qualidade. ARMADILHA 2 – GENERALIZAÇÕES         Excessiva generalização dos resultados obtidos com a aplicação dos modelos. mas não suficientes. os modelos quantitativos do Controle Estatístico de Processos e da Avaliação da Qualidade por Inspeção e Amostragem não possuem. eliminando mecanismos subjetivos ou práticas intuitivas. sim. desvantagens. a que utiliza os Indicadores da Qualidade e da Produtividade. foram criados dispositivos simples de aplicação. MÉTODOS QUANTITATIVOS E MODELOS ESTATÍSTICOS APLICADOS À QUALIDADE . A rigor. Avaliações pessoais baseadas em experiência prática são úteis. Nova concepção gerencial para o processo produtivo: análise de tendências a partir de dados bem estruturados. Decorrência desta armadilha: tomada de decisões equivocadas. armadilhas a evitar. Os modelos não são isolados em relação ao contexto do processo produtivo ou do gerenciamento da organização. mas. Alteração de conceitos (Controle da Qualidade: confrontação entre resultados obtidos com padrões pré-definidos). em si mesmo.RESTRIÇÕES  Não há desvantagens. Análise da tendência do processo: maior contribuição do CEP. Meta: rigor teórico transparente ao usuário. O uso de métodos quantitativos assegurou a base consistente de avaliação da qualidade.55 MÉTODOS QUANTITATIVOS E MODELOS ESTATÍSTICOS APLICADOS À QUALIDADE . Também não podem ser apontados como agentes de melhorias pontuais. motivaram o desenvolvimento de uma nova abordagem para a avaliação da qualidade. Análise de tendências: ações preventivas.VANTAGENS          Efetiva avaliação da qualidade. Necessidade de planejar e medir a qualidade. nem sempre corretamente utilizados. Mas são modelos finitos. que se esgotam. ARMADILHA 1 – SIMPLIFICAÇÕES    Para contornar o excessivo rigor teórico dos modelos. Possuem restrições de uso.