FANOR FACULDADES NORDESTE

GRADUAO EM ENGENHARIA DE PRODUO

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

3. Determine o Intervalo de Classe (h)

h = Amplitude/k
k = nmero de classes

TAMANHO DA AMOSTRA NMERO DE CLASSES (K)
< 50 5 - 7
50 100 6 10
100 250 7 12
> 250 10 20

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 :

Cp = ( LSE LIE ) / 6
Cp = ( 7,16 7,04 ) / 6 X 0,0117
Cp = 1,71

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:

Podemos:

Melhorar?
Mudar?
Combinar?
Simplificar?
Modificar?

FLUXOGRAMA DO PROCESSO

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.

[8] QS 9000, Manual de CEP, Segunda edio.

FONTES

http://www.aedb.br/seget/artigos08/194_evandro%20elvis%20e%20claudia%20-
%20CEP.pdf
http://pt.slideshare.net/harbor11/introduo-ao-cep
http://www.psi-ambiental.net/pdf/PasqCap03.pdf
http://www.madeira.ufpr.br/portal12/downloads/ghislaine/cep.pdf