TRABALHO REFERENTE A DISCIPLINA DE METODOS ESTATISTICOS APLICADOS CONTROLE ESTATISTICO DE PROCESSOS
FORTALEZA 16 DE JUNHO DE 2014 FANOR FACULDADES NORDESTE ALUNO EDSON PEDRO ALVES SOARES MATRICULA 10200587 PROFESSOR ROBERTO SENA
METODOS ESTATISTICOS APLICADOS CONTROLE ESTATISTICO DE PROCESSOS
FORTALEZA 16 DE JUNHO DE 2014
INDICE INTRODUO OBJETIVO CONCEITO DE CEP OBJETIVOS DO CEP FERRAMENTAS BASICAS DO CEP VARIAES NO PROCESSO GRAFICOS / DIAGRAMAS HISTOGRAMAS CARTAS DE CONTROLE CAPACIDADE DO PROCESSO DIAGRAMA DE PARETO DIAGRAMA DE CAUSA EFEITO FLUXOGRAMA DISTRIBUIO NORMAL CONCLUSO REFERENCIAS BIBLIOGRAFICAS
CONTROLE ESTATSTICO DE PROCESSOS
INTRODUO
Para se fazer a qualidade no basta realizar apenas a inspeo final do produto, deve-se incentivar o controle em cada posto de trabalho evitando que itens defeituosos continuem na produo gerando custos da m qualidade. Para efetuar estes controles com eficincia pode-se utilizar o Controle Estatstico de Processos - CEP.
OBJETIVO
O presente trabalho tem como objetivo esclarecer o funcionamento das ferramentas do C.E.P. bem como exempla-las a fim de mostrar a a importncia e o passo a passo para desenvolver. Buscaremos com este, deixar claro todas as informaes sobre o processo como um todo no desejo de que as duvidas e nsias sobre o mesmo sejam todas sanadas.
CONCEITO DE CEP
O Controle Estatstico de Processos CEP pode ser definido como um mtodo preventivo de se comparar continuamente os resultados de um processo com um padro, identificando, a partir de dados estatsticos, as tendncias para variaes significativas, eliminando ou controlando estas variaes com o objetivo de reduzi-las cada vez mais. Ou seja, o conjunto de tcnicas utilizadas para o controle da qualidade do produto durante cada etapa de fabricao. O controle estatstico do processo (CEP) uma tcnica estatstica aplicada produo que permite a reduo sistemtica da variabilidade nas caractersticas da qualidade de interesse, contribuindo para a melhoria da qualidade intrnseca, da produtividade, da confiabilidade e do custo do que est sendo produzido. O controle estatstico do processo um sistema de inspeo por amostragem, operando ao longo do processo, com o objetivo de verificar a presena de causas especiais, ou seja, causas que no so naturais ao processo e que podem prejudicar a qualidade do produto manufaturado. Uma vez identificadas as causas especiais, podemos atuar sobre elas, melhorando continuamente os processos de produo e, por conseguinte, a qualidade do produto final. O CEP fornece uma radiografia do processo, identificando sua variabilidade e possibilitando o controle dessa variabilidade ao longo do tempo atravs da coleta de dados continuada, anlise e bloqueio de possveis causas especiais que estejam tornando o sistema instvel.
OBJETIVOS DO CONTROLE ESTATSTICO DO PROCESSO
O principal objetivo do CEP possibilitar um controle eficaz da qualidade, feito pelo prprio operador em tempo real. Isso aumenta o comprometimento do operador com a qualidade do que est sendo produzido e libera a gerncia para as tarefas de melhoria. O CEP possibilita o monitoramento das caractersticas de interesse, assegurando que elas iro se manter dentro de limites preestabelecidos e indicando quando devem ser tomadas aes de correo e melhoria. importante ressaltar a importncia de se detectar os defeitos o mais cedo possvel, para evitar a adio de matria-prima e mo- de-obra a um produto defeituoso. O CEP objetiva aumentar a capacidade dos processos, reduzindo refugo e retrabalho, e, por conseqncia, o custo da m qualidade. Assim, ele proporciona s empresas a base para melhorar a qualidade de produtos e servios e, simultaneamente, reduzir substancialmente o custo da m qualidade.
FERRAMENTAS BSICAS DO CEP Histogramas Diagramas Curva de Distribuio Normal Cartas de Controle Capacidade do Processo Grfico de Pareto Diagrama de Causa-Efeito/Ishikawa
VARIAES NO PROCESSO
No existem dois produtos ou dois processos exatamente iguais; as diferenas sempre existem, embora s vezes no possam ser medidas. As causas das variaes no processo podem ser divididas em dois grandes grupos:
Causas comuns ou aleatrias: so fontes de variaes inerentes a um processo que se encontra sob controle estatstico, as quais so difceis de identificar, porm juntas criam um sistema constante de variao. Exemplos: mudanas na temperatura ou umidade; operao normal de uma mquina em boas condies, porm no adequada ao processo.
Causas especiais: so fontes relativamente grandes de variaes, as quais so identificveis e ocorrem fora do sistema constante de variao. Exemplos: desgaste anormal da ferramenta de corte; falha no mancal da mquina, operador inexperiente.
Processo estatisticamente controlado: As variaes so menores (controladas) Pode-se prever o que ser produzido adiante; Tm-se maior homogeneidade entre os itens produzidos; Detecta-se a possibilidade de ocorrncia de falhas; O operador o responsvel pela qualidade Existe um histrico de cada processo (visvel e de fcil compreenso) O PROCESSO PREVISVEL
Processo sem controle estatstico: As variaes so maiores e no so controladas No se pode prever a produo futura; No h homogeneidade entre os itens; No h como prever/detectar falhas, pois no exige o acompanhamento do processo; O operador apenas opera a mquina; O PROCESSO NO PREVISVEL.
A FIGURA 02 mostra a representao grfica de um processo sob controle estatstico (A) e outro fora de controle estatstico (B). Observa-se que o processo A centralizado e com a disperso homognea caracterizando-se como um processo estvel, ou seja, previsvel.. No processo B mostrada a heterogeneidade dos lotes caracterizando um processo imprevisvel.
GRFICOS / DIAGRAMAS
Grficos e diagramas so muito teis para demonstrar a correlao entre duas ou mais variveis, ou ainda, verificar o comportamento de uma ou mais variveis ao longo do tempo. A Figura 03 mostra alguns tipos de grficos:
HISTOGRAMAS
um tipo de grfico de barras que apresenta de forma clara a distribuio de um grupo de dados. A altura ou o comprimento das barras em um histograma correspondem ao numero de vezes ou freqncia que um determinado dado ocorre. Os histogramas so muito teis na visualizao do padro de distribuio dos valores observados. Eles mostram tanto o grau de disperso quanto a localizao (tendncia central) das amostras coletadas.
COMO CONSTRUIR UM HISTOGRAMA
1. Colete os dados
2. Determine a Amplitude das Amostras Coletadas Amplitude = Maior Valor Menor Valor
4. Estabelea os intervalos de classe e classifique os dados coletados.
5. Determine as freqncias relativas e construa o histograma. Anote no grfico todas as informaes disponveis (fornecedor, mdia, desvio padro, especificaes, etc).
CARTAS DE CONTROLE
So grficos de anlise e ajuste da variao de um processo em funo do tempo, atravs de duas caractersticas bsicas: sua centralizao e sua disperso. A Centralizao pode ser verificada atravs da mdia do processo e a Disperso estimada atravs do desvio-padro ou da amplitude dos dados.
CARTAS DE CONTROLE POR VARIVEIS
Baseadas nas distribuies contnuas apresentam dados que podem ser medidos ou que sofrem variaes contnuas. Exemplos: variaes na altura de um talho, resistncia trao.
CARTAS DE CONTROLE POR ATRIBUTOS
Baseadas em distribuies discretas, possuem um carter dicotmico, ou seja, os dados s podem ser contados ou classificados. Exemplos|: passa/no passa; mole/duro; conforme/no-conforme.
PRINCIPAIS TIPOS DE CARTAS DE CONTROLE POR VARIVEIS - carta de mdia e desvio-padro ( X e s); - carta de mdia e amplitude ( X e R) Observa-se que a anlise deve ser feita aos pares, observando a centralizao e a disperso.
CARTA DE CONTROLE PARA MDIAS E DESVIO PADRO
Estas cartas so construdas a partir de dados do processo. Observa-se que o desvio-padro um melhor indicador da disperso do processo que a amplitude, porm o seu clculo mais complexo.
Construo - Coleta de dados Em cartas de controle temos o conjunto de itens tomados para traar os grficos que so as Amostras (k). Cada amostra deve possuir o mesmo nmero de itens, isto , o nmero de repeties ou tamanho da amostra (n) deve permanecer constante.
Aconselha-se que sejam tomados no mnimo 100 valores individuais, ou seja, o produto dos valores k * n 100. A freqncia da amostragem selecionada de modo que a variao entre as amostras seja maximizada. Exemplo: se o processo apresenta muitos itens no conformes o intervalo entre amostragens deve ser curto: uma vez por hora. Caso seja rara a ocorrncia de no-conformidade o intervalo entre amostragens deve ser estendido. Exemplo: uma vez por turno, uma vez por dia.
Limite Inferior de Controle (LIC) = X A3 * s
6.2. Para o desvio padro: Limite Superior de Controle = B4 * s Limite Inferior de Controle (B3 * s s = desvio-padro mdio do processo A3, B3 e B4 so fatores que dependem do tamanho da amostra (Tabela 01)
CARTA DE MDIAS E AMPLITUDE
Construo
1. Coleta de dados
6.2. Para a amplitude
Limite Superior de Controle (LSC) = R * D4 Limite Inferior de Controle = R * D3 Obs. D3 e D4 = Tabela em funo de n.
7. Construir as duas cartas: de mdias e de amplitudes
Conforme exemplo da Figura 05
INTERPRETAO DAS CARTAS DE CONTROLE
Processo sob controle estatstico A distribuio dos pontos nas cartas apresenta: Nenhum ponto fora dos limites de controle Mais ou menos o mesmo nmero de pontos acima ou abaixo da linha mdia; Aproximadamente 70% dos pontos localizados no tero central da rea entre os limites de controle, ou seja, no intervalo de + X )11
OBS: Do ponto de vista terico considera-se que a distribuio amostral das mdias normal. Se a populao tiver uma distribuio normal.
LIC=
Np= mdia do processo N= tamanho das amostras CAPACIDADE DO PROCESSO
1. INTRODUO
Se o processo estiver sob controle estatstico, ou seja, se estiver estvel, apesar dos valores individuais assumidos pelas caractersticas da qualidade variarem de um ponto para outro, eles seguiro um padro, o qual conhecido como DISTRIBUIO;
DISTRIBUIO um modelo estatstico para o padro de ocorrncia dos valores de uma determinada populao;
O estudo da CAPACIDADE DO PROCESSO consiste em avaliar se o PROCESSO atende s ESPECIFICAES ESTABELECIDAS.
Somente processos ESTVEIS devem ter sua capacidade avaliada:
A capacidade do processo definida a partir da faixa 3s, a qual denominada FAIXA CARACTERISTICA DO PROCESSO; sendo:
a mdia da distribuio que avalia a CENTRALIZAO do processo. s = o desvio padro que avalia a DISPERSO do processo.
(2). A curva representa a distribuio de todos os elementos que constituem a populao dizemos que curvas deste tipo representam a distribuio de probabilidade de uma populao;
3. ANLISE GRFICA DA CAPACIDADE DE PROCESSOS
Consiste na comparao de histogramas e/ou grficos seqenciais construdos para a caracterstica da qualidade de interesses com os limites de especificao.
Um processo pode NO SER CAPAZ por apresentar:
(1). Elevada VARIABILIDADE;
(2). MDIA deslocada em relao ao PONTO MDIO DOS LIMITES DE ESPECIFICAO (valor nominal);
EXEMPLO 1. Uso da Anlise Grfica da capacidade de Processos na etapa de Verificao do Ciclo PDCA para Manter Resultados.
Dados:
Limites das especificaes: 7,10 0,06 mm [LES; LEI] Mdia do processo : 7,10 mm Desvio do processo : 0,0117 mm
Clculo da faixa caracterstica do processo: [ 3s; +3s]
[ 3s; +3s] = [7,1000 3 x 0,0117; 7,1000 + 3 x 0,0117]
Limites = [7,065; 7,135]
4. NDICE DE CAPACIDADE
Os ndices da capacidade processam as informaes de forma que seja possvel avaliar se um processo capaz de gerar produtos que atendam s especificaes;
Para utilizar os NDICE DE CAPACIDADE necessrio que:
(1). O processo esteja sob controle estatstico;
(2). A varivel de interesse tenha distribuio prxima da NORMAL.
4.1 ndice de Capacidade Cp
O ndice de capacidade Cp definido, quando a varivel de interesse tenha especificao bilateral, pela expresso:
Cp = (LSE LIE) / 6s
Onde:
LSE = limite superior especificado LIE = limite inferior especificado s = desvio padro do processo Cp = valor mnimo exigido 1,33
Classificao do processo a partir do cone Cp
EXEMPLO 2. Uso dos ndices de Capacidade de Processos na Etapa de Verificao do Ciclo PDCA para Manter Resultados.
O valor estimado para o ndice Cp associado ao processo do Exemplo 1 :
Processo capaz por 1,71 > 1,33 Ou seja : Cp > 1,33 Faixa de especificao utilizada no processo pode ser estimada por:
( 1 / Cp ) x 100
Para o exemplo 2:
( 1 / Cp ) x 100 = ( 1 / 1,71 ) x 100 = 58,5%
4.2 ndice de capacidade CpK
A definio de Cp assume implicitamente que o processo est centrado no valor nominal da especificao. Se o processo no estiver centrado, sua capacidade real ser menor do que a indicada por Cp. Portanto, conveniente pensar em Cp como uma medida de CAPACIDADE POTENCIAL, isto , a capacidade de um processo centrado no valor nominal. Se o processo no estiver centrado, deve ser utilizado o ndice Cpk.
O ndice Cpk nos permite avaliar se o processo est sendo capaz de atingir o valor nominal da especificao, j que ela leva em considerao o valor da mdia do processo. Logo, o ndice Cpk pode ser interpretado como uma da CAPACIDADE REAL do processo.
Cpk definido pela expresso;
Cpk = MIN [ ( LSE x ) / 3s, ( x LIE) / 3s]
Onde,
LSE = limite superior especificado LIE = limite inferior especificado x = mdia do processo s = desvio padro do processo Cpk calculado em relao ao limite de especificao mais prxima da mdia do processo
Relacionamento entre Cp e Cpk
EXEMPLO 3. O valor estimado para ndice Cpk associado ao processo do Exemplo 1,2:
Cpk = MIN [ ( 7,160 7,100 ) / 3 x 0,0117; ( 7,100 7,040) / 3 x 0,0117]
Cpk = MIN [ 1,71; 1,71]
Neste caso Cp = Cpk porque o processo est bem centrado no valor nominal da especificao. 4.3 ndice de Capacidade para situaes em que h apenas um limite de especificao. Quando existe apenas o limite inferior de especificao: Cpi = ( x - LIE ) / 3s
Cpi = Potencial inferior Quando existe apenas o limite superior de especificao:
Cps = ( LSE x ) / 3s Cps = Potencial superior
SNTESE
Todo PROCESSO apresenta VARIABILIDADE. A variabilidade do processo vai conferir PRODUTOS com VARIABILIDADE. Se o processo apresenta um comportamento ESTVEL ao longo do tempo, apesar dos VALORES INDIVIDUAIS asumidos pelos elementos da produo ( produtos) variarem de um ponto para outro, eles seguiro um PADRO, o qual conhecido como distribuio dos elementos ou simplesmente DISTRIBUIO. A DISTRIBUIO um modelo estatstico para representar o PADRO DE OCORRNCIA dos valores de uma determinada produo. A DISTRIBUIO pode diferir em:
(1) Locao (2) Variabilidade (3) Forma
Se somente CAUSA COMUNS de variao esto presentes, o produto do processo seque uma DISTRIBUIO ESTVEL ao longo do tempo, sendo portanto PREVISVEL; O estudo da CAPACIDADE DO PROCESSO consiste em avaliar se o PROCESSO atende s ESPECIFICAOES ESTABELECIDAS; Somente PROCESSOS ESTVEIS devem ter sua capacidade avaliada; A CAPACIDADE DO PROCESSO definida a partir da faixa 3s.
BRAINSTORMING/BRAINWRITTING
Brainstorming a grande percursora e,provavelmente,a mais conhecida das tcnicas de gerao de idias.Foi originalmente desenvolvida por Osborn em 1930.
Fase 1: Gerao de idias
Suspenso do julgamento: fase difcil porque o pensamento humano divide-se entre o criativo e o crtico,usualmente predominando o ltimo Quantidade origina qualidade.Quanto maior o nmero de idias geradas,maior ser a possibilidade de encontrar a soluo do problema. Regras bsicas:
Eliminar qualquer crtica,no primeiro momento do processo,para que no haja inibio nem bloqueios e ocorra o maior nmero de idias. Apresentar as idias tal qual elas surgem na cabea, sem rodeios,elaboraes ou maiores consideraes.As pessoas devem se sentir muito vontade,sem medo de dizer uma bobagem.Ao contrrio,as idias mais desejadas so aquelas que parecem disparatadas,loucase sem sentido,no primeiro momento.
Essas idias costumam oferecer conexes para outras idias criativas e at mesmo representarem solues.Mesmo que mais tarde sejam abandonadas completamente,isso no importante no momento da colheitadas contribuies.
Fase 2:Explorao das idias:
Aquelas idias que possuem potencial devem ser aperfeioadas. Nesse processo,costumam surgir outras idias.Mas lembre-se: derrubar uma idia mais fcil que conceb-la.Novas idias normalmente nascem frgeis: preciso refor- las para que sejam aceitas.
Construo
Grupo de 6 a 12 participantes, com um coordenador e um secretrio escolhidos. Cada participante recebe, antes da reunio, o enunciado do problema com todas as informaes disponveis. A sesso do brainstorming comea com a orientao aos participantes sobre as regras do jogo,a origem e o motivo do problema a ser estudado. A durao aproximada de 40 minutos. Durante esse perodo, cada pessoa do grupo deve estar estimulada e desinibida para oferecer o maior nmero possvel de idias, segundo a regra de ouro: proibido fazer crticas. Todas as idias devem ser anotadas em local bem visvel. O ltimo passo da sesso consiste na seleo das idias, feita por um pequeno grupo de duas a cinco pessoas, que depois prestar contas ao grupo maior de seu trabalho.
BRAINWRITING
Tcnica originada no Instituto Battelle,em Frankfurt, uma variao do brainstorming,com a diferena essencial de que todas as idias so escritas, trazendo como consequncia calma e ordem no processo. Foi planejada para evitar alguns efeitos negativos de reunies, com a influncia da opinio dos coordenadores ou de dificuldades em verbalizar rapidamente as ideias (Greschka,1973). Existem diferentes verses dessa tcnica, sendo mais utilizada a que se convencionou chamar Mtodo 6-3-5.
Um grupo de participantes, sentados ao redor de uma mesa, tem conhecimento do problema atravs do coordenador. Cada um dos participantes, ento, escreve trs idias relacionadas com o problema. Ao fim de cinco minutos, os participantes trocam de papeis, em rodzio.
ESTRATIFICAO
Quando o Diagrama de Pareto bsico no fornecer as informaes suficientes para iniciar a ao, pode ser necessrio estratificar a anlise por Pareto para possuir uma viso mais clara da raiz do problema.
CONSTRUO
PASSO 1
Defina as classificaes e os parmetros que voc ir considerar na conduo do processo de investigao e priorizao.
Exemplos: Anlise das perdas em funo da ocorrncia de defeitos/fornecedor. Anlise de perdas por processos, isto , classificao dos defeitos ou lotes rejeitados em funo do processo a que ele se relaciona. Anlise de perdas em funo dos custos de envolvidos. Anlise de relao entre tempos de parada vs razo de parada, etc.
PASSO 2
Defina o perodo de tempo a ser considerado pelo grfico
primordial que o perodo de tempo seja definido convenientemente (horas, semana, quinzena, ms, trimestre, etc.) para permitir comparao do perfil de comportamento.
PASSO 3
Construa uma tabela de freqncia com base no levantamento de dados executado.
PASSO 4 Defina os eixos que comporo o grfico de barras. Defina claramente no eixo horizontal a caracterstica do parmetro que est sendo estudada. Construa dois eixos verticais posicionados nas extremidades de eixo horizontal. No eixo vertical esquerda utilize uma escala de freqncias absolutas de fenmeno observado. No eixo vertical direita utilize uma escala relativa.
PASSO 5
Construa sobre o eixo horizontal as barras representativas das observaes contidas na tabela de freqncias definida anteriormente.
Comece na extremidade esquerda de eixo horizontal construindo a barra relativa observao na ordem decrescente de suas ocorrncias.
PASSO 6
Plote a linha relativa freqncia acumulada das observaes ralizadas (ogiva crescente de freqncia)
PASSO 7
Para a atividade de controle (isto , tomada de decises em funo da anlise de dados) a origem e a obteno dos dados devem ser muito claros. Por isso, inclua sempre todos os fato pertinentes que possam definir os parmetros de observao, tais como, mtodo de inspeo, inspetor, se a observao foi feita antes ou depois que modificaes tenham sido implementados, etc.
DIAGRAMA DE CAUSA EFEITO
1. Conceito
uma tcnica usada para auxiliar na identificao de possveis causas de um problema
Vantagem : registro
2. Aplicao
na definio de um problema na identificao de possveis requisitos (entrada/sada) na identificao de possveis causas na definio dos objetivos a serem alcanados
3. Resultados
forma disciplinada de auxiliar grupos ou indivduos na gerao de idias registro de idias geradas pelo grupo ou pelo individuo revelao de relaes no percebidas anteriormente investigar a origem do problema de forma ordenada fragmentar grandes problemas em problemas menores, de mais fcil manuseio.
CONSTRUO
Passo 1
Estabelecer claramente o problema a ser analisado (efeito indesejado).
Atravs do brainstorming devero ser encontradas o maior nmero possvel de causas que possam contribuir para gerar o efeito indesejado. Construa o diagrama de causa e efeito no formato da espinha de peixe, colocando o efeito que est sendo estudado no quadrado frente.
Faa tantos diagramas de causa e efeito quantos forem os efeitos estudados (mudas ruins, adubao deficiente, produtividade abaixo da meta, etc.).
O estudo em separado dos efeitos possibilita analis-lo com mais detalhe,criando as solues mais adequadas e efetivas.
Para facilitar a anlise, agrupe as causas em categorias conhecidas como os 6Ms: todo, mo-de-obra, material, mquina, meio ambiente e medidas. Se for necessrio, crie outras espinhas para agrupar outros tipos de causas como: recursos financeiros, gerncia etc.
Se for necessrio para entender melhor o problema, poder fazer outros diagramas de causa e efeito para cada uma das causas encontradas. Neste caso, seriam encontradas as causas das causas.
MTODO 5 W2H (ingls) 3Q1P2O1C (portugus)
Ferramenta de anlise cujo objetivo direcionar a discusso em um nico foco, evitando a disperso das idias.
Ferramenta til em duas situaes distintas de anlise: 1. Verificao da ocorrncia de um problema 2. Elaborao de um Plano de Ao
A tcnica consiste em equacionar o problema, descrevendo-o por escrito. A descrio mostra como o problema sentido naquele momento particular: como afeta o processo, as pessoas, que situao desagradvel o problema causa. A descrio deve considerar os seguintes aspectos: o qu, quem, quando, quanto, onde, porqu e o como do problema.
MTODO DE ANLISE DE FALHAS
Tem por objetivo analisar uma atividade, descrever uma situao adotando uma atitude interrogativa sistemtica. Consiste em questionar uma atividade perguntando o porqu desta atividade. Da resposta dever ser originada uma nova pergunta usando o porqu.
Exemplo:
P: Por que a madeira trincou? R: Porque foi usada uma temperatura muito alta na secagem.
P: Por que foi usada uma temperatura muito alta na secagem? As estatsticas demonstram que na quinta ou sexta pergunta chega-se a causa fundamental do problema.
O 5W2H E O MTODO DE ANLISE DE FALHAS
Consiste em misturar as duas tcnicas aperfeioando a anlise.
Este questionrio no exaustivo. Devemos fazer outras perguntas:
Antes de tentar resolver um problema, defina-o. Antes de tentar controlar um processo, entenda-o Antes de tentar controlar tudo, identifique o que mais importante. Comece pela representao grfica (fotografia) do processo. A melhor maneira de entender um processo desenhar uma figura deste processo.
O fluxograma uma representao grfica que mostra todos os passos do trabalho. Fluxograma a representao grfica das atividades que integram um determinado processo, sob a forma seqencial de passos, de modo analtico caracterizando as operaes e os agentes executores.
Existem vrios tipos de fluxograma, cada um com sua simbologia e seu mtodo prprio. A elaborao da representao grfica (fluxograma) tem como ponto de partida o levantamento da rotina em seus aspectos de: - identificao das entradas e de seus fornecedores - definies de padres de entrada; - identificao das operaes executadas no mbito de cada rgo ou pessoa envolvida; - identificao das sadas e de seus clientes; - definio dos padres de sada.
Distribuio Normal
A distribuio normal conhecida tambm como distribuio gaussiana sem dvida a mais importante distribuio contnua. Sua importncia se deve a vrios fatores, entre eles podemos citar o teorema central do limite, o qual um resultado fundamental em aplicaes prticas e tericas, pois ele garante que mesmo que os dados no sejam distribuidos segundo uma normal a mdia dos dados converge para uma distribuio normal conforme o nmero de dados aumenta. Alm disso diversos estudos prticos tem como resultado uma distribuio normal. Podemos citar como exemplo a altura de uma determinada populao em geral segue uma distribuio normal. Entre outras caractersticas fisicas e sociais tem um comportamento gaussiano, ou seja, segue uma distribuio normal. Definio 6.2.1: Uma varivel aleatria contnua tem distribuio Normal se sua funo densidade de probabilidade for dada por:
Usamos a notao A variao natural de muitos processos industriais realmente aleatria. Embora as distribuies de muitos processos possam assumir uma variedade de formas, muitas variveis observadas possuem uma distribuio de frequncias que , aproximadamente, uma distribuio de probabilidade Normal. Probabilidade a chance real de ocorrer um determinado evento, isto , a chance de ocorrer uma medida em um determinado intervalo. Por exemplo, a frequncia relativa deste intervalo, observada partir de uma amostra de medidas, a aproximao da probabilidade. E a distribuio de frequncias a aproximao da distribuio de probabilidades. A distribuio normal quando tem a forma de "sino":
Para achar a rea sob a curva normal devemos conhecer dois valores numricos, a mdia e o desvio padro . A Figura a seguir mostra algumas reas importantes:
Quando e so desconhecidos (caso mais comum), estes valores sero estimados por e , respectivamente, a partir da amostra, em que e Para cada valor de e/ou temos uma curva de distribuio de probabilidade. Porm, para se calcular reas especficas, faz-se uso de uma distribuio particular: a "distribuio normal padronizada", tambm chamada de Standartizada ou reduzida, o qual a distribuio normal com e . Para obter tal distribuio, isto , quando se tem uma varivel com distribuio normal com mdia diferente de (zero) e/ou desvio padro diferente de (um), devemos reduzi-la a uma varivel , efetuando o seguinte clculo
Assim, a distribuio passa a ter mdia e desvio padro . Pelo fato da distribuio ser simtrica em relao mdia , a rea direita igual a rea esquerda de . Por ser uma distribuio muito usada, existem tabelas a qual encontramos a resoluo de suas integrais. Assim, a tabela fornece reas acima de valores no negativos que vo desde at . Veja o grfico da curva Normal padronizada na Figura abaixo.
Exemplo 6.2.1: Calcular a rea sob a curva para maior que . A rea sob a curva normal para maior do que dada por
ou seja, a probabilidade de ser maior do que .
Exemplo 6.2.2: Determine a rea sob a curva de uma normal padronizada para entre e . Para este clculo, precisamos determinar:
Assim, a rea que procuramos . Exemplo 6.2.3: Suponha que a espessura mdia de arruelas produzidas em uma fbrica tenha distribuio normal com mdia mm e desvio padro mm. Qual a porcentagem de arruelas que tem espessura entre mm e mm? Para encontrar a porcentagem de arruelas com a espessura desejada devemos encontrar a rea abaixo da curva normal, compreendida entre os pontos e mm. Para isso, temos que encontrar dois pontos da distribuio normal padronizada. O primeiro ponto
A rea para valores maiores do que , ou seja, . Portanto, a rea para valores menores do que de . O segundo ponto :
A rea para valores maiores do que , ou seja, . Logo, o que procuramos a rea entre e , que dada por
Logo, a porcentagem de arruelas com espessura entre e (limites de tolerncia da especificao) de .
Exemplo 6.2.4: Suponha que o peso mdio de porcos de uma certa fazenda de kg, e o desvio padro de kg. Supondo que este peso seja distribudo de forma normal, quantos porcos pesaro entre kg e kg. Para resolvermos este problema primeiramente devemos padroniza-lo, ou seja,
Ento o valor padronizado de kg de e de kg de . Assim a probabilidade de
Portanto, o nmero aproximado que se espera de porcos entre kg e kg .
Exemplo 6.2.5: Suponha que siga uma distribuio normal com mdia e varincia , ou seja, . Ento . De fato,
E portanto, conclumos que .
Exemplo 6.2.6: Suponha que seja uma varivel aleatria tal que . Seja , mostremos que tambm tem distribuio normal, sabendo que a e b so constantes reais. De fato,
Fazendo uma mudana de varivel; s=at+b temos que e ento
de onde conclumos que
e, portanto
CONCLUSO
Com base nos estudos realizados para realizao deste artigo, pode-se concluir de maneira efetiva a vital importncia do Cep para as empresas. Aquelas que tm viso de futuro esto implementando de maneira eficiente o Cep on line, e conseguem resultados rpidos e com menos custos. Hoje, entende-se que a qualidade no pode ser obtida somente por meio da inspeo e do controle, mas que necessrio constru-la atravs do desenvolvimento integrado de produto e processo, com aplicao de mtodos da garantia da qualidade preventiva. Os conceitos e as tcnicas estatsticas so importantes para o Cep, mas devem ser vistos apenas como auxiliares. O mais importante desenvolver uma nova cultura na empresa que permita a motivao e a cooperao de todos na busca da melhoria contnua de todo processo. Desta forma o efeito do Cep vai gerar um grande impacto nos indicadores de qualidade e produtividade, agregando muitos ganhos para a organizao, refletindo de forma eficaz nos objetivos da empresa. O controle estatstico do processo tem papel decisivo dentro da qualidade e produtividade, pois quanto menor for a variabilidade no processo produtivo maior sero os ganhos para a empresa. A concorrncia mundial nas ltimas trs dcadas, sofreu mudanas significativas na rea de produo de bens industriais. Essas mudanas, combinadas ou isoladas, exercem presso sobre os sistemas de manufatura no sentido de se buscar novas formas de gerenciamento do trabalho que propiciem o aumento de sua competividade. Obviamente que neste mundo globalizado as mudanas so rpidas e intensas e os resultados na maioria das vezes precisam ser em curto prazo. ai que entra a extrema importncia do controle estatstico do processo, pois atravs do uso efetivo e correto desta ferramenta de qualidade a empresa poder de forma efetiva alavancar ganhos e minimizar perdas.
finalizando, para que tudo isto acontea preciso que haja sinergia de todas as partes envolvidas, porque assim como na vida so as pessoas que fazem as coisas acontecerem.
REFERENCIAS BIBLIOGRAFICAS
[1] Breyfogle, F. W. (1999 ) - Implementing Six Sigma: Smarter Solution Using Statistical Methods, John Wiley and Sons, INC.
[2] Fundamentos do Controle Estatstico do Processo - Manual de Referncia, IQA.
[3] ISO 21747 - Statistical methods - Process performance and capability statistics for measured quality characteristics, First Edition, 2006.
[4] Johnson, R. A. and Wichern, D. W. (2002) - Applied Multivariate Statistical Analysis, Prentice Hall, New Jersey.
[5] Montgomery, D. C. (1985) - Introduction to Statistical Quality Control, John Wiley and Sons, New York .
[6] Montgomery, D.C. (2001) - Introduction to Statistical Quality Control, 4th edition, John Wiley and Sons.
[7] Schmidt, S. R. and Launsby, R. G. (1997) - Understanding Industrial Designed Experiments, Air Academic Press, Colorado Springs, CO.