7 Ferramentas Qualid

F o r m a o e m Q u a l i d a d e To t a l
TQT
As 7 Ferramentas Bsicas da Qualidade
adapt
UNIVERSIDADECATLICAPORTUGUESA
ESCOLASUPERIORDEBIOTECNOLOGIA
MINISTRIO DO TRABALHO E DA SOLIDARIEDADE FSE
NDICE
1 Introduo 1.1 Fluxograma 1.2 Diagrama de Pareto 1.3 Diagrama de causa-efeito (Ishikawa) 1.4 Diagrama de barras ou histograma 1.4.1 Medidas de tendncia central 1.4.2 Medidas de disperso 1.5 Diagrama de disperso 1.6 Folha de verificao 1.7 Carta de controlo 1.7.1 Cartas de controlo por variveis 1.7.1.1 Cartas de controlo de mdias e amplitudes ( X /R) 1.7.1.2 Cartas de controlo de mdias e desvios padro ( X /s) 1.7.1.3 Cartas de controlo de medianas ( X ) 1.7.1.4 Cartas de controlo de valores individuais e amplitudes mveis (Xi/Rm) 1.7.2 Cartas de controlo por atributos 1.7.2.1 Cartas do tipo np e do tipo p 1.7.2.2 Cartas do tipo c e do tipo u 1.7.3 Capacidade do processo 1.8 Exerccios de aplicao 2 Bibliografia
1 3 6 11 12 22 24 25 28 30 32 33
44
45 47 48 51 57 60 63 74
1.
Introduo
A experincia quotidiana demonstra ser inevitvel encontrar diferenas (por mais pequenas que estas sejam) entre duas peas ou objectos que aparentam, primeira vista, ser idnticas. A mediao, quantificao e reduo de tais diferenas, que constituem variaes em torno do valor ou caracterstica pretendida, so o objecto da melhoria de qualquer processo produtivo ou servio. A estatstica revela-se fundamental nesta fase do processo ao se apresentar como uma ferramenta eficaz na recolha, compilao, tratamento e anlise dos dados recolhidos. Por ser impraticvel (em termos de tempo e custos), e na maior parte das vezes impossvel, o conhecimento da caracterstica em questo relativamente a toda a produo, torna-se mais compensatrio fazer a anlise de apenas uma pequena parte desta (amostra) generalizando depois as concluses tiradas ao resto da produo (populao). O recurso amostragem justifica-se sempre que impossvel analisar toda a populao devido sua grande dimenso, quando no existem recursos disponveis ou vantagens em inspeccionar a 100%, quando se utilizam testes destrutivos (por exemplo testes de traco ou de compresso), quando o teste a toda a populao se torna perigoso (por exemplo o teste de um novo medicamento) ou quando os custos associados inspeco se tornam demasiado elevados. A validade das concluses sobre uma populao depende, no entanto, do facto da recolha da amostra ser feita coerentemente e por forma a representar toda a populao:
amostragem aleatria. aqui que comea a interveno da estatstica, interveno essa que
se ir prolongar pelo tratamento e anlise dos dados, pelas concluses e sua generalizao. O grau de confiana depositado nas inferncias efectuadas poder tambm depois ser avaliado atravs de mtodos estatsticos. As ferramentas estatsticas so utilizadas na indstria por se ter a conscincia que ao remover as causas dos problemas se obtm uma maior produtividade e que a resoluo de problemas utilizando tcnicas grficas e especficas produz melhores resultados do que os processos de procura no estruturados. Tais tcnicas, que permitem saber onde esto os problemas, qual a sua importncia relativa e que alteraes iro provocar os efeitos desejados, podem ser divididas em quatro grupos distintos:
a) Ferramentas bsicas (tambm conhecidas pelas seven QC tools)
Grfico de fluxo Diagrama de Pareto Diagrama de Ishikawa ou de Causa e Efeito Folha de verificao Histograma Diagrama de disperso Carta de controlo
b) Ferramentas intermdias
Tcnicas de amostragem Inferncia estatstica Mtodos no paramtricos
c) Ferramentas avanadas
Mtodos de Taguchi (desenho de experincias) Anlises multi-variveis Anlise de sries temporais Tcnicas de investigao operacional
d) Ferramentas de planeamento
Desenvolvimento da funo qualidade (QFD) Anlise modal de falhas e efeitos (AMFE)
As 7 ferramentas referidas no ponto (a) revelam-se de importncia fudamental na anlise estruturada dos dados e factos disponveis e so de aplicao generalizada a quase todos os nveis da empresa. Para a resoluo de um determinado problema necessrio, antes de mais, identific-lo, isto , decidir sobre qual o problema a considerar e caracteriz-lo convenientemente. A fase de resoluo que se segue passa por listar todas as suas potenciais causas, seleccionar as mais importantes, desenvolver um plano para implementar efectivamente as solues, implement-las e, sempre que possvel, avaliar o efeito da sua implementao. A fase em que cada uma das 7 ferramentas bsicas a seguir descritas intervm indicada na figura 1.
Identificao do problema
Anlise do problema
Diagrama do processo Pareto
Histograma Grficos
Folha de verificao Ishikawa Carta de controlo
Figura 1 - A utilizao das ferramentas bsicas na resoluo de problemas
1.1
Fluxograma
O fluxograma (ou flowsheet) uma das primeiras ferramentas a utilizar quando se pretende estudar um processo. Trata-se de um diagrama sistemtico que pretende representar de uma forma bastante simples, ordenada e facilmente compreensvel as vrias fases de qualquer procedimento, processo de fabrico, funcionamento de sistemas ou equipamentos, etc., bem assim como as relaes de dependncia entre elas. Estes diagramas so constitudos por passos sequenciais de aco e deciso, cada um dos quais representado por simbologia prpria que ajuda a compreender a sua natureza: incio, aco, deciso, etc.
Incio do processo
Fase do processo
Controlo
Deciso
Final do processo
Figura 2 - Fases e simbologia utilizada num fluxograma
Exemplo 1
Construir um fluxograma sobre o procedimento de tirar uma fotografia:
Tem mquina? S Tem rolo? S

Escolher o objectivo
Comprar
Comprar
Enquadrar
Mquina automtica?
N N Boa luz? Tem flash? N
S Ligar
Deixar a mquina ajustar a velocidade, abertura e focar
Regular velocidade
Regular abertura
Focar
Tirar a fotografia
A utilizao de fluxogramas permite a identificao de possveis causas e origens para problemas surgidos na linha de fabrico, assim como contribu para, ao detectar passos desnecessrios no processo, efectuar nele simplificaes significativas. Nos fluxogramas dos processos, o controlo de qualidade encontra-se associado aos pontos de deciso.
1.2
Diagrama de Pareto
Foi no sculo passado, ao analisar a sociedade, que o economista italiano Alfredo Pareto concluu que grande parte da riqueza se encontrava nas mos de um nmero reduzido de pessoas. A partir desta observao, e por tal concluso poder ser generalizada a muitas reas da vida quotidiana, foi estabelecido o designado mtodo de anlise de Pareto, tambm chamado mtodo ABC ou dos 20-80%. De uma forma sucinta, este mtodo diz-nos que a grande maioria dos efeitos devida a um nmero reduzido de causas. A grande aplicabilidade deste princpio resoluo dos problemas da qualidade reside precisamente no facto de ajudar a identificar o reduzido nmero de causas que esto muitas vezes por trs de uma grande parte dos problemas e variaes que ocorrem. Uma vez identificadas dever-se- proceder sua anlise, estudo e implementao de processos que conduzam sua reduo ou eliminao. O princpio de Pareto pode ser usado para diferentes tipos de aplicaes em termos de qualidade. Assim, uma vez que os problemas da qualidade aparecem normalmente sobre a forma de perdas (items defeituosos e seus custos), de extrema importncia tentar esclarecer o porqu da sua ocorrncia. A anlise de Pareto diz que, em muitos casos, a maior parte das perdas que se fazem sentir so devidas a um pequeno nmero de defeitos considerados vitais (vital few). Os restantes defeitos, que do origem a poucas perdas, so considerados triviais (trivial many) e no constituem qualquer perigo srio. Por outro lado, este princpio pode tambm ser aplicado reduo dos custos de defeitos. Tais custos compem-se principalmente do custo das reparaes e das rejeies devidos a defeitos nos produtos em curso de fabrico ou devolvidos pelos clientes. Mais uma vez o que se verifica que uma pequena poro (cerca de 20%) dos produtos defeituosos ou do nmero de defeitos de uma mesma produo muitas vezes responsvel pela maior parte (cerca de 80%) do custo global dos defeitos, quer ao nvel da empresa, quer ao nvel do produto considerado. na deteco das 20% das causas que do origem a 80% dos efeitos que o que o diagrama de Pareto se revela uma ferramenta muito eficiente. Trata-se de uma representao
grfica ordenada na qual, para cada causa se representa, sob a forma de barras, a respectiva consequncia (n. de defeitos, custo, etc.). A elaborao deste tipo de diagrama pode ser sistematizada da seguinte forma:
1. decidir o tipo de problema a ser investigado (ex: n. de items defeituosos, perdas em

valores monetrios, ocorrncia de acidentes);
2. identificar e listar o tipo de causas que lhe d origem (ex. processo, mquina,
operador, mtodo);
3. recolher dados e, para cada tipo de causa, registar o n. de vezes que estes
contribuem para o efeito em questo;
4. ordenar as causas por ordem decrescente da respectiva frequncia comeando pela

classe com maior frequncia. Se vrias das causas apresentarem uma frequncia de ocorrncia de defeitos muito baixa quando comparadas com as outras, elas podero ser reunidas numa nica classe denominada outros;
5. construir um diagrama de barras por esta ordem decrescente; 6. desenhar a curva acumulada (curva de Pareto) ao unir com segmentos de recta os
valores percentuais acumulados at cada item;
7. descobertas as causas das no-conformidades mais importantes h depois que tomar

as aces correctivas apropriadas para as eliminar.
Exemplo 2
Num processo de fabrico de peas de plstico aparecem os defeitos abaixo indicados com as respectivas ocorrncias e custos associados. Construir o respectivo diagrama de Pareto.
Tipo de defeitos
N. de peas defeituosas
Custo unitrio reparao/sucata
Fissuras Bolhas Rebarbas Falta de material Descolorao Borbotos Picadelas
10 2 56 3 3 24 2
50 50 5 50 50 30 50
Resoluo:
Tipo de defeitos
N. de peas defeituosas
% de peas defeituosas
% acumulada de peas defeituosas
Rebarbas Borbotos Fissuras Falta de material Descolorao Bolhas Picadelas
56 24 10 3 3 2 2
56 24 10 3 3 2 2
56 80 90 93 96 98 100
Diagrama de Pareto de defeitos
60 50 N. de peas defeituosas 40 30 20 10 0
100 90 80 % acumulada de peas defeituosas 70 60 50 40 30 20 10 0 Tipo de defeitos
Pela anlise do grfico verifica-se que, dos 7 defeitos, 2 deles (29%) so responsveis por 80% do nmero de peas defeituosas.
Sempre que possvel, e uma vez que as implicaes financeiras de um problema so da mxima importncia, dever-se- associar um valor monetrio aos dados no traado dos diagramas de Pareto. Desta forma conseguir-se-o detectar quais as razes responsveis pela grande maioria dos custos e, por conseguinte, aquelas que sob o ponto de vista financeiro convm reduzir. Voltando ao exemplo anterior teremos que
Tipo de defeitos
Custo unitrio reparao/sucata
Custo total
5 30 50 50 50 50 50
280 720 500 150 150 100 100
Fazendo agora a ordenao por ordem decrescente de custos a tabela acima transformar-se- em
Tipo de defeitos
Custo total
% do custo total
% acumulada do custo total
Borbotos Fissuras Rebarbas Falta de material Descolorao Bolhas Picadelas
720 500 280 150 150 100 100
36 25 14 7,5 7,5 5 5
36 61 75 82,5 90 95 100
Diagrama de Pareto de custos
800 700 600 Custo total 500 400 300 200 100 0
Borbotos Fissuras Rebarbas Falta de material Descolorao Bolhas Picadelas
100 90 % acumulada do custo total 80 70 60 50 40 30 20 10 0 Tipo de defeitos
Apesar dos borbotos constituirem apenas 24% das peas defeituosas e as fissuras 10% destas, so eles os principais responsveis pela grande maioria dos custos: 36% dos custos so devidos s peas com borbotos e 25% dos custos s peas com fissuras. As rebarbas que, como visto atrs totalizavam 56% das peas defeituosas, so apenas responsveis por 14% dos custos.
10
1.3
Diagrama de causa-efeito (Ishikawa)
O diagrama de causa-efeito, tambm chamado diagrama de Ishikawa (por ser esse o nome da pessoa que primeiro o usou) ou de espinha de peixe (por ser esta a forma que apresenta), uma ferramenta simples muito utilizada em qualidade. Trata-se de um processo que permite a identificao e anlise das potenciais causas de variao do processo ou da ocorrncia de um fenmeno, bem assim como da forma como essas causas interagem entre si. Este tipo de diagrama mostra a relao entre a caracterstica da qualidade em questo e essas causas que podem, usualmente, ser de 5 naturezas diferentes (tambm designadas por 5 Ms): materiais, mtodos, mo de obra, mquinas e meio ambiente. Casos h, no entanto, em que so de uma outra natureza qualquer. O procedimento a seguir para elaborar um diagrama deste tipo pode ser sistematizado da forma seguinte:
1. Determinar a caracterstica de qualidade cujas causas se pretendem identificar; 2. Atravs da investigao e discusso com um grupo de pessoas (brainstorming),
determinar quais as causas que mais directamente afectam essa caracterstica, isto , aquelas que tm uma influncia directa no problema a ser resolvido (causas primrias ou causas de nvel 1);
3. Traar o esqueleto do diagrama colocando, numa das extremidades, a caracterstica

da qualidade em questo. A partir desta dever partir a espinha do peixe, isto , uma linha horizontal de onde devero irradiar as ramificaes com as causas consideradas como primrias;
4. Identificar as causas (secundrias ou causas de nvel 2) que afectam as causas

primrias anteriormente identificadas, bem assim como aquelas (causas tercirias) que afectam as causas secundrias, etc. Cada um destes nveis ir constituir ramificaes nas causas de nvel imediatamente inferior.
11
Exemplo 3
Traar um diagrama de Causa-Efeito para o excesso de consumo de um automvel
Tipo de conduo
Excesso velocidade Subidas e descidas Conduo irregular lcool Urgncia lcool leo Velas Filtros Pneus Escape Piso Mau estado
Mecnico
Peso vs. Potncia Cilindrada Motor Aerodinmica
Excesso carga
Tipo e condio do piso Clima
Excesso de consumo de combustvel
Presso Trnsito
Condies atmosfricas
Manuteno
Altura do ano / ms /dia
Ambiente exterior
Um outro tipo de diagrama de causa e efeito que se pode construir o diagrama de classificao do processo. Tal consiste em, a partir do diagrama de fluxo do processo em causa, ir identificando para cada fase todas as potenciais causas ou caractersticas que influenciam a qualidade. A combinao dos diagramas de Causa e Efeito e diagramas de Pareto revela-se extremamente til na resoluo de problemas.
1.4
Diagrama de barras ou histograma
A anlise dos dados recolhidos ao longo de qualquer processo ir permitir avaliar a forma como este est a decorrer, bem assim como tirar concluses sobre ele. No entanto, caso o nmero dos dados recolhidos seja grande, o seu tratamento e anlise tornar-se- difcil a menos que se recorra a mtodos que permitam a sua fcil ordenao e apresentao. Os histogramas apresentam-se como um mtodo de simples elaborao que, atravs da representao grfica do nmero de vezes que determinada caracterstica ou fenmeno ocorre (distribuio de frequncia), permitem obter uma impresso visual objectiva sobre a disperso e localizao dos valores recolhidos e, caso a amostra seja representativa, da
12
totalidade da populao. Tais diagramas podem assim ser utilizados para o controlo e melhoria do processo.
A construo dos histogramas passa pelas seguintes fases:
1. recolha dos valores; 2. clculo da amplitude total da amostra; 3. caso necessrio, diviso em classes e clculo da amplitude e limites de cada classe; 4. determinao da frequncia (absoluta ou relativa) de cada valor ou classe; 5. para cada valor da caracterstica, desenhar uma barra cuja altura seja proporcional
frequncia com que esse valor ocorre. As barras correspondentes a valores consecutivos devem estar todas unidas e todas elas apresentam normalmente larguras semelhantes.
Exemplo 4
Construir um histograma que represente o nmero de clientes de um dado restaurante ao longo de 15 dias
12 10 12 9 12
13 15 11 12 13
10 11 14 13 12
13
Tabela de frequncia
Valor
Frequncia absoluta
Frequncia absoluta acumulada
Frequncia relativa (%)
Frequncia relativa acumulada (%)
9 10 11 12 13 14 15
| || || ||||| ||| | |
1 2 2 5 3 1 1
1 3 5 10 13 14 15
6,7 13,3 13,3 33,3 20,0 6,7 6,7
6,7 20 33,3 66,6 86,6 93,3 100
Histograma de frequncias absolutas
5 Frequncia absoluta 4 3 2 1 0 9 10 11 12 N. clientes 13 14 15
Histograma de frequncias absolutas acumuladas
15
10
0 9 10 11 12 N. clientes 13 14 15
14
A forma dos histogramas de frequncias absolutas e de frequncias relativas, assim como os de frequncias absolutas acumuladas e frequncias relativas acumuladas, so iguais. A nica diferena reside na escala de valores abrangida. Para o exemplo considerado anteriormente os valores das frequncias relativas e relativas acumuladas encontram-se j marcados na tabela de frequncias.
Histograma de frequncias relativas
35 Frequncia relativa (%) 30 25 20 15 10 5 0 9 10 11 12 N. clientes 13 14 15
Histograma de frequncias relativas acumuladas
Frequncia relativa acumulada (%)
100 90 80 70 60 50 40 30 20 10 0 9 10 11 12 N. clientes 13 14 15
A utilizao de classes (intervalos de valores) comum quando as variveis so do tipo contnuo ou quando a amplitude dos valores muito grande. No primeiro dos casos torna-se muito difcil a contagem da frequncia com que cada valor ocorre, enquanto que no segundo
15
se corre o risco de perder ao definio da forma da distribuio devido ao grande nmero de valores com frequncias muito semelhantes. Os intervalos das classes so usualmente de igual amplitude por forma a que a altura das barras seja proporcional frequncia que representam. Um dos aspectos a ter em conta no estabelecimento das classes que se dever sempre garantir que o limite inferior da primeira classe seja menor ou igual ao menor dos valores observados, da mesma forma que o limite superior da ltima classe dever ser maior ou igual ao maior dos valores observados. Por outro lado, dever ficar desde logo estabelecido se os limites das classes so inclusivos ou exclusivos, isto , cada valor s poder pertencer a um nico intervalo, razo pela qual se os limites superiores das classes forem fechados (i.e. o mximo dos valores encontra-se includo nesse intervalo), os limites inferiores das classes que a sucedem devero ser abertos e vice-versa. No existem regras exactas sobre a forma de determinar o nmero e a amplitude das classes a considerar. Como referncia, sendo N o nmero total de dados, poder-se-o utilizar as frmulas seguintes para a determinao do nmero aproximado de classes:
n de classes = 1 +
ou
log N log 2
n de classes =
sendo depois a amplitude de cada classe calculada atravs da frmula
Amplitude =
valor maximo - valor minimo n classes
Outra forma possvel ser determinar o nmero de classes em funo do nmero total de dados recorrendo tabela seguinte
16
N. de observaes
N. de classes
20 a 50 51 a 100 101 a 200 201 a 500 501 a 1000 > 1000
6 7 8 9 10 11 a 20
Como foi referido, estes mtodos permitem estimar um nmero aproximado de classes a utilizar. A correcta amplitude de cada uma (e consequentemente o nmero de classes) poder tambm ser determinada por simples inspeco dos dados da forma que mais convenha para estabelecer a amplitude dos intervalos (por exemplo de 5 em 5 ou de 0,02 em 0,02) desde que da no resulte um nmero de classes exageradamente grande ou pequeno que conduza total perda de definio da forma do histograma.
Exemplo 5
Construir o histograma das frequncias absolutas e frequncias absolutas acumuladas que represente a variao do dimetro de uma pea
2,525 2,527 2,527 2,534 2,520 2,515 2,533 2,520 2,510
2,543 2,529 2,536 2,518 2,522 2,519 2,542 2,514 2,524
2,532 2,518 2,506 2,538 2,524 2,527 2,530 2,512 2,521
2,510 2,527 2,541 2,543 2,545 2,542 2,522 2,534 2,535
2,517 2,528 2,512 2,528 2,531 2,528 2,540 2,526 2,528
2,522 2,521 2,515 2,519 2,519 2,540 2,535 2,530 2,523
2,519 2,519 2,521 2,523 2,519 2,522 2,526 2,532 2,525
2,510 2,531 2,536 2,523 2,529 2,526 2,532 2,526 2,522
2,511 2,511 2,529 2,529 2,522 2,520 2,502 2,523 2,530
2,522 2,519 2,524 2,523 2,513 2,525 2,522 2,520 2,514
Neste caso existem 90 dados que variam entre 2,502 e 2,545 (amplitude total = 0,043). Por forma a estabelecer o nmero e a amplitude das classes, de ter em ateno que os valores 2,502 e 2,545 devem tambm estar includos, pelo que ser razovel que a gama total coberta pelas classes varie entre 2,500 e 2,550. Ao utilizar as frmulas anteriores para prever o nmero de intervalos, verifica-se que este pode variar entre 7 (pela tabela) e 9. H tambm que ter em linha de considerao a melhor forma de estipular a sua amplitude por forma a que seja lgica a marcao dos seus limites. Por simples inspeco dos valores apresentados
17
parece apropriado fazer uma diviso em classes com uma amplitude de 0,005. Mais uma vez importante relembrar a necessidade de definir desde logo a natureza dos limites inferiores e superiores (i.e. abertos ou fechados). Apresenta-se de seguida a tabela de frequncias bem como os histogramas de frequncias absolutas e frequncias absolutas acumuladas contruidos a partir desta.
Classe [2,500;2,505[ [2,505;2,510[ [2,510;2,515[ [2,515;2,520[ [2,520;2,525[ [2,525;2,530[ [2,530;2,535[ [2,535;2,540[ [2,540;2,545[ [2,545;2,550[
25 20
Frequncia absoluta
Frequncia absoluta
Frequncia absoluta acumulada 1 2 12 24 47 66 77 82 89 90
\ \ \\\\\\\\\\ \\\\\\\\\\\\ \\\\\\\\\\\\\\\\\\\\\\\ \\\\\\\\\\\\\\\\\\\ \\\\\\\\\\\ \\\\\ \\\\\\\ \
1 1 10 12 23 19 11 5 7 1
15 10
5 0
2,500 2,505 2,510 2,515 2,520 2,525 2,530 2,535 2,540 2,545 2,550
Dimetro (cm)
90 80
70 60 50 40 30 20 10 0
2,500 2,505 2,510 2,515 2,520 2,525 2,530 2,535 2,540 2,545 2,550
Dimetro (cm)
18
possvel obter informaes teis sobre a populao pela anlise da forma do histograma. De seguida apresentam-se algumas das formas mais tpicas bem como algumas possveis interpretaes para elas conforme se pretende avaliar a centralidade (Figura 3) ou a disperso (Figura 4). No que respeita centralidade, podemos considerar os diagramas de tendncia central representados nas figuras 3a. Neste tipo de representaes (muitas vezes simtricas) a maior frequncia corresponde ao valor mdio que se encontra centrado relativamente aos restantes dados. Tendncias no centrais podem ser observadas nos histogramas representados na figura 3c e 3d. O primeiro destes apresenta uma tendncia assimtrica do tipo negativo (deslocado para a direita) verificando-se que a diminuio da frequncia abrupta para a direita e mais lenta para o lado esquerdo. Tendncias assimtricas do tipo positivo correspondem a histogramas deslocados para a esquerda. Na figura 3d encontra-se representado um histograma truncado. Neste tipo de histogramas o valor ou classe qual corresponde a maior frequncia coincide com uma das extremidades do histograma.
50 45 40 35 30
45 40 35 30 25
25 20 20 15 10 5 0 A B C D Caracterstica E F G 15 10 5 0 A B C D E F G H I
Categoria
60
60
50
50
40
40
30
30
20
20
10
10
0 A B C D E F G H I
0 A B C D E F G H I
Caracterstica
Caracterstica
Figura 3 - Possveis formas de distribuio que um histograma pode apresentar em torno do valor com maior frequncia
19
Na figura 3b encontra-se representada um histograma multi-modal (i.e. apresenta mais do que um valor mximo) tambm conhecido como histograma do tipo pente. Estes histogramas so particularmente importantes uma vez que podem indicar que a esto representadas duas populaes distintas, cada uma das quais apresentando distribuies de frequncias que se sobrepem mas que apresentam mximos no coincidentes. Quando as frequncias dos valores ou classes so mais ou menos idnticas, o histograma pode ainda tomar um aspecto achatado. Se se estiver a trabalhar com classes, o ideal neste tipo de situaes ser tentar redifinir os intervalos por forma a conseguir procurar uma forma no histograma com base na qual seja possvel tirar concluses. ainda de referir a possibilidade de surgir nos histogramas um pico isolado. Tal comum quando se verifica uma pequena incluso de dados provenientes de uma distribuio diferente que podem, por exemplo, ser devidos ocorrncia de causas especias no processo conducentes a valores atpicos.
80
80 70 60 50 40 30 20 10 0 A B C D E F G H I J K L M N O Caracterstica P Q R
70 60 50 40
30 20 10 0
S T U
Caracterstica
Figura 4 - Possveis formas de um histograma em termos de disperso em torno do valor com maior frequncia
Em termos de disperso, os valores podem ser bastante concentrados em torno do valor com maior frequncia (Figura 4a) ou, alternativamente, apresentar apresentar uma grande disperso em torno dele (Figura 4b). Tal como anteriormente referido, importante que o produto apresente caractersticas o mais uniformes possvel pelo que h que continuamente tentar reduzir a variabilidade do processo. Desta forma, ser possvel concluir que de todo o interesse que os histogramas apresentem uma forma semelhante ao da Figura 4a em que a amplitude dos valores observados pequena. Histogramas semelhantes ao da Figura 4b querem dizer que existe ainda um grande nmero de causas comuns a afectar o processo, causas essas que necessrio reduzir e eliminar.
20
Outra das utilidades dos histogramas consiste na possibilidade de, dados os limites de especificao (tolerncias), verificar em que medida essas especificaes esto a ser obedecidas.
LIE
Caracterstica
LSE
LIE
Caracterstica
LSE
LIE
Caracterstica
LSE
LIE
Caracterstica
LSE
LIE
Caracterstica
LSE
Figura 5 - Comparao entre o histograma e os limites de especificao
Nos casos retratados nas Figuras 5a e 5b os limites de especificao so obedecidas pelo, partida, a produo obedece s especificaes pr-definidas. No entanto, enquanto que na Figura 5a existe uma folga que permite que a eventual ocorrncia de pequenas variaes no conduza a uma produo fora dos limites, o mesmo no se verifica na Figura 5b. Aqui, uma vez que no existe qualquer margem extra, de todo o interesse tentar reduzir a variao da caracterstica do produto considerada por forma a evitar produtos fora das especificaes.
21
Nas restantes Figuras (5c, 5d e 5e) o histograma no obedece s especificaes pelo que h que tomar medidas para centrar o processo para valores prximos do valor nominal ptimo (Figura 5c) e para reduzir a variao (Figuras 5d e 5e). Juntamente com os histogramas, existe todo um conjunto de estatsticas amostrais que possvel calcular e que no s so medidas da centralidade e disperso dos dados como tambm ajudam a interpretar os histogramas do processo.
1.4.1 Medidas de tendncia central

As medidas de tendncia central indicam o valor mdio em torno do qual se agrupam os dados. A mais conhecida destas medidas , sem sombra de dvida, a mdia aritmtica ( X ). O seu clculo permite a determinao do valor central relativamente ao qual os dados que constituem a amostra se distribuem. O clculo da mdia aritmtica pode ser feita por vrias formas diferentes consoante os dados so do tipo discreto ou contnuo e se se encontram ou no agrupados em classes. Assim, no caso dos dados no se encontrarem agrupados em classes, a sua mdia aritmtica determinada simplesmente somando-os todos e dividindo pelo nmero total de dados (n) de acordo com a seguinte frmula: 1
n
X=
n i=1
xi
ou, alternativamente por

n
X = fi xi
i= 1
em que fi representa a frequncia relativa de cada valor xi e n o nmero total de valores cuja mdia se est a calcular. No caso dos valores se encontrarem agrupados em J classes o clculo da sua mdia aproximado atravs da frmula
J
X fj M j
j=1
22
onde fj representa agora a frequncia relativa da classe j cujo ponto mdio (ponto representativo da classe) Mj. O smbolo utiliza-se precisamente por se considerar o ponto mdio como representativo da respectiva classe.
A mediana outra das medidas de tendncia central a considerar. Este parmetro estatstico definido como sendo o valor que, numa srie de n valores observados e ordenados por ordem crescente os divide em dois grupos com o mesmo nmero de elementos. Assim, se o nmero total de valores for mpar, a mediana ser o valor central do conjunto. Por exemplo, para o conjunto de valores 2 2 5 7 7 10 19 30 31
a mediana ser o valor 7 uma vez que sua direita ficam o mesmo nmero de valores que sua esquerda (i.e. 4). No caso do nmero total de valores ser par, a mediana ser a mdia aritmtica dos dois valores que dividem a srie (previamente ordenada) em dois grupos iguais: Assim, para o conjunto de valores 2 4 4 5 9 10 15 16 16 20
a mediana ser a mdia dos valores 9 e 10, isto 9,5. Quando estamos em presena de variveis do tipo contnuo ordenadas em classes h que, numa fase inicial, definir a classe mediana como sendo a que contm o termo central dos dados. Se f representar a frequncia relativa dessa classe, LI for o seu limite inferior, D a sua amplitude e fa- a frequncia relativa acumulada da clula que a precede, a mediana poder ser estimada atravs da frmula 0, 5 fa Md LI + f
A ltima medida de tendncia central que interessa para j considerar a moda. Esta indica o valor ou gama de valores na qual a concentrao dos dados mxima. Quando os dados amostrais so realizaes de uma varivel discreta, a moda ser o valor dos dados que ocorre com maior frequncia, isto , o valor que mais se repete. Em ambos os atrs apresentados existem ento duas modas: no primeiro caso estas so 2 e 7 e no segundo 4 e 16.
23
Se estivermos a tratar com variveis contnuas agrupadas em classes, pode-se, por aproximao, dizer que a moda coincide com o ponto mdio da classe modal, isto , da classe com maior frequncia. No exerccio 6 a classe modal seria a classe [2,520;2,525] cujo ponto mdio (assumido como sendo a moda) 2,5225.
Se um histograma for perfeitamente simtrico verifica-se que mdia, mediana e moda coincidem. Tal j no acontece no caso de histogramas assimtricos. Se a assimetria for positiva (histograma deslocado para a esquerda) o que acontece na maior parte dos casos que a mediana < mdia < moda. Esta situao inverte-se para histogramas com assimetria negativa.
1.4.2 Medidas de disperso

So duas as formas mais simples de medir a variabilidade ou disperso dos dados. A
amplitude (R) consiste unicamente na diferena entre o valor mximo e o valor mnimo dos n
valores observados e permite ter uma ideia da largura da gama de valores observados. R = xmax - xmn
A outra medida do grau de disperso dos n valores xi observados o desvio padro (s) que pode ser calculado atravs da frmula
n
( xi X ) s=
i= 1
n 1
ou
s=
n 1 i= 1
fi ( xi X ) 2
em que n representa o nmero total de dados e f a sua frequncia relativa de ocorrncia. Se considerarmos por exemplo os valores 2 5 8 1
24
cuja mdia vale 4 e a amplitude 7, o seu desvio padro ser calculado da seguinte forma
s=
( 2 4 ) 2 + ( 5 4 ) 2 + ( 8 4 ) 2 + (1 4 ) 2 41
4 + 1 + 16 + 9 3
30 3
= 10 = 3 ,16
Quanto maior for o desvio padro maior ser a disperso dos valores em torno da mdia. medida que o nmero de dados aumenta (n>30) torna-se, na frmula do desvio padro, indiferente dividir por n ou por n-1, pelo que vlido fazer a aproximao de n n-1. Neste caso o desvio padro da amostra (s) tender para o desvio padro da populao (s).
1.5
Diagrama de disperso
Na prtica muitas vezes importante verificar se duas variveis (por exemplo concentrao e pH) esto ou no relacionadas e, caso positivo, qual o tipo de relao que existe entre elas. Os diagramas de disperso tornam-se uma ferramenta extremamente poderosa para atingir esse objectivo. Caso exista, essa relao usualmente do tipo causaefeito no sendo no entanto possvel, atravs dos diagramas de disperso, identificar qual das variveis a causa e qual o efeito. A construo destes diagramas passa por recolher os pares de dados (x,y) entre os quais se pretende analisar a relao, organizar esses dados numa tabela, encontrar os valores mximos e mnimos para x e para y, marcar as escalas respectivas por forma a que sejam mais ou menos iguais e marcar os pontos no grfico. Na anlise destes grficos a primeira coisa a fazer ser verificar se existem ou no pontos nitidamente afastados do grupo principal (pontos com comportamento atpico). O afastamento desses pontos poder ser explicado por eventuais erros na medio ou registo de dados, bem assim como por variaes ocorridas durante o processo. Pontos atpicos devero ser excludos da anlise, no sem no entanto tentar descobrir a causa de tal comportamento. Da marcao dos pontos podero surgir uma das trs situaes ilustradas abaixo: (a) correlao positiva (em que o aumento de uma varivel conduz ao aumento da outra), (b) correlao negativa (em que o aumento de uma varivel conduz diminuio da outra) e (c) ausncia de correlao (quando no parece haver qualquer tipo de ligao entre as variveis consideradas).
25
Figura 6 - Tipos de correlao que se podem obter: (a) positiva, (b) negativa e (c) sem qualquer tipo de correlao
Exemplo 6
Verificar se existe algum tipo de relao entre as alturas e os pesos de um grupo de pessoas
Altura (m) 1,57 2,00 1,67 1,90 1,50 1,75 1,63 1,78 1,94 1,82 1,77 1,59
100 90 80 70 60 50 40 1,4 1,6
Peso (kg) 60 95 66 85 45 78 64 75 92 80 75 60
1,8 Altura (m)
26
Por simples inspeco do grfico resultante parece ser bvio que o peso das pessoas parece aumentar com a sua altura tratando-se, por isso, de uma correlao do tipo positivo. No entanto, e dado que a altura no a nica condicionante do peso, verifica-se a existncia de situaes em que uma menor altura implica, no entanto, um maior peso.
As correlaes entre as variveis podem ser de vrios tipos: lineares, quadrticas, cbicas, logartmicas, etc. Por forma a poder prever o comportamento de uma das variveis em funo da outra til conseguir encontrar aquilo a que se chama funo ou equao de
ajuste. Trata-se da equao matemtica que melhor ajusta o comportamento e a dependncia

dos dados e que funo do tipo de dependncia que existe entre elas. Por exemplo, quando o aumento de uma varivel implica o aumento da outra (tal como no exerccio anterior) a funo de ajuste assume normalmente a equao de uma recta do tipo y = a + b x em que y representa a varivel dependente (no caso do exerccio anterior y seria o peso) e x a varivel dependente (no caso do exerccio anterior x seria a altura). Desta forma, e se conseguirmos uma recta que aproxime a evoluo dos pontos de uma forma razovel, ser possvel prever y (i.e. o peso de uma pessoa) se soubermos o valor x (i.e. a sua altura) e vice versa. Tal previso poder ser mais ou menos exacta consoante o modelo se ajusta melhor ou pior aos dados. O coeficiente de correlao (r) um parmetro que permite avaliar se o ajuste feito ou no bom. Os valores admissveis para r variam entre -1 e 1 (-1 r 1). Se r assumir valores negativos (-1 r < 0) isso significa que a correlao do tipo negativo, isto , que o aumento de uma varivel implica a diminuio da outra. Se, pelo contrrio, r estiver compreendido entre 0 e 1 (0 < r 1) isso querer dizer que a correlao do tipo positivo. Quanto mais prximo de 1 ou de -1 estiver r, melhor o ajuste. Se r = 0 (ou prximo dele) isso quer dizer que no h qualquer tipo de correlao. Voltando ao exemplo 6, se tentarmos passar uma recta pelos vrios pontos veremos que aquela que melhor os ajusta a que tem por equao
27
peso (kg) = - 86,8 + 91,6 x altura (m)

100 90 80 70 60 50 40 1,4 1,6 1,8 Altura (m) 2
O coeficiente de correlao (r) para este ajuste de 0,9839 pelo que se pode dizer que se trata de um ajuste bastante aceitvel. Se agora pretendessemos prever o peso de uma pessoa que mede 1,70 m bastaria substituir este valor na equao acima. O valor por ela estimado seria de 69,1 kg.
1.6
Folha de verificao
importante garantir bastante objectividade na recolha de dados sendo para tal, antes de mais, necessrio definir com preciso quais os dados que necessrio recolher. Avaliar parmetros ou fazer leituras que no nos interessam apenas conduz a perdas de tempo e a uma maior confuso em termos do seu armazenamento. Por forma a que isso no acontea convm dispr de um formulrio/ficha bastante simples e convenientemente elaborado onde as perguntas para as quais se deseja a resposta se encontram perfeitamente definidas e que permita a qualquer utilizador identificar correctamente quais os items a medir/registar e em que altura e sequncia tal dever ser feito. As folhas de verificao no s facilitam a recolha de dados como tambm a sua organizao. Com base nelas ser mais fcil posteriormente encontrar dados que sejam necessrios, bem assim como fazer estudos retrospectivos. No existe uma folha de verificao standard uma vez que estas devem ser elaboradas em funo do fim a que se destinam. Na figura 7 d-se o exemplo de uma folha de verificao que poderia ser utilizada na realizao de ensaios s matrias primas recepcionadas.
28
EMPRESA ABC
Resultados dos ensaios s matrias primas
Nome do produto: ______________________________________________________________ Fornecedor: __________________________________________________________________ Endereo: ___________________________________________________________________ ________________________________________ Telefone: ___________________________ Data de recepo: _____ / _____ / _____
Resultados dos ensaios laboratoriais:

Caractersticas:
Observaes:
O responsvel do DQ:
Data: ____ / ____ / ____
Resultados dos ensaios industriais:

Caractersticas:
Observaes:
O responsvel do DP:
Data: ____ / ____ / ____
Apreciao global:
Assinatura:
Data: ____ / ____ / ____
Figura 7 - Exemplo de um boletim de ensaio s matrias primas
29
1.7
Carta de controlo
Um dos mtodos mais utilizados para ficar a conhecer, no s a forma como as causas comuns provocam variaes nos processos mas tambm de identificar a existncia de causas especiais, consiste na utilizao de cartas de controlo e foi desenvolvido nos anos 20 pelo Dr. Walter Shewhart dos laboratrios Bell. Uma carta de controlo trata-se de um mtodo grfico em que se marcam pontos representativos de vrias fases consecutivas de um processo, permitindo assim seguir a sua evoluo. O controlo estatstico do processo (do ingls, S.P.C.) baseia-se na utilizao das cartas de controlo e o modo de, seguindo essa evoluo, conseguir interpretar as variaes que ocorrem por forma a se poder decidir se devem ou no ser feitas alteraes. A primeira fase da construo destes grficos consiste na recolha de uma srie de dados relativos caracterstica a ser estudada (dimenses, n. de peas defeituosas, n. de defeitos nas peas produzidas, tempos, etc.). Uma vez que, quer por uma questo de dinheiro como de tempo, na grande maioria das vezes impossvel fazer o controlo de todas as peas, h que seleccionar apenas algumas que sejam representativas das restantes (amostragem). Para ser feito de forma correcta, tal dever seguir um plano e, uma vez que existem vrios tipos de planos de amostragem disponveis, importante escolher aquele que d mais e melhor informao. Amostragens bem feitas iro permitir que, verificando apenas uma pequena quantidade de peas, seja possvel dizer o que se passa com a totalidade delas. Numa fase seguinte os dados recolhidos devero ser reunidos e, dependendo do tipo da carta de controlo a usar, convertidos numa forma tal que permita a sua marcao. A utilizao das cartas de controlo frequentemente vista como um processo de monitoragem. No entanto, para poderem assumir esse papel, tero antes que ser definidos quais os limites de controlo para alm dos quais as caractersticas avaliadas do produto, processo ou servio no podero passar. de ter em ateno que os limites de controlo no so especificaes limites nem objectivos. De facto, cada caracterstica (por exemplo o dimetro de um parafuso) tem um valor objectivo em torno do qual, devido s causas comuns, os valores realmente observados se iro dispr. Consciente de que impossvel que todos os produtos apresentem esse valor objectivo, o cliente estabelece ainda as especificaes mximas admissveis (tolerncias) para alm das quais os produtos no devero passar: limites mximo e mnimo de especificao. Por outro lado, o produtor tem que dispr de meios que garantam a qualidade e homogeneidade do seu produto. Com esse objectivo marca nas
30
cartas de controlo limites para alm dos quais considera que o seu produto no suficientemente bom para seguir para o cliente: limite mximo e mnimo de controlo. Estes limites de controlo utilizados pelo produtor devero ser inferiores aos admitidos pelo cliente por forma a evitar que cheguem a este produtos fora das especificaes O conjunto de dados recolhidos que ir constituir a primeira das cartas de controlo tambm utilizado para, atravs de frmulas baseadas na variabilidade natural do processo e no plano de amostragem, determinar os limites de controlo das cartas subsequentes. O controlo e melhoria do processo usando cartas de controlo deve ser encarado como um processo iterativo em que se repetem as fases fundamentais de recolha de dados, controlo e anlise. De facto, calculados os limites de controlo com esse primeiro conjunto de dados, se for evidente a existncia de causas especiais de variao que leve pontos para fora dos limites ou que tornem evidentes tendncias na variao dos pontos, o processo dever ser estudado para se conseguir determinar o que o est a afectar e se tomarem depois as devidas aces para eliminar essas causas especiais. Aps eliminadas, dever-se-o recolher mais dados e recalcular os limites de controlo, fundamentais para interpretar os dados para o controlo estatstico. A partir do momento em que todas as causas especiais tenham sido eliminadas e o processo se encontrar em controlo estatstico, a carta ir servir de ferramenta de monitorizao. Sempre que algum ponto saia fora dos limites de controlo ou que apresentem alguma tendncia marcada de variao, o processo dever ser interrompido e a razo de ser de tal ocorrncia ser investigada uma vez que no vale a pena estar a produzir peas que provavelmente iro ter defeitos ou estar fora das especificaes. Identificadas as causas especiais que levaram ocorrncia destes pontos fora de controlo o processo dever ser alterado por forma a contornar os problemas que as originaram. O ciclo recomea novamente medida que mais dados so recolhidos, interpretados e usados como base de actuao. Nesta fase, o processo poder ser interpretado em termos da sua capacidade. Ser ento possvel prever a performance do processo podendo, quer o produtor quer o cliente, confiar em nveis de qualidade consistentes e em custos estveis para atingir esse nvel de qualidade. Por outro lado, atingido o controlo estatstico no se deve ficar por a. Caso a variao oriunda das causas comuns seja excessiva, o resultado do controlo do processo no ir de encontro s necessidades uma vez que o produto continuar a apresentar pouca homogeneidade. O processo em si dever ser investigado e corrigido por forma a eliminar e/ou reduzir essas comuns e, para isso, tipicamente, uma atitude superior a nvel das chefias
31
dever ser tomada para melhorar o sistema. O objectivo que os produtos se tornem cada vez mais homogneos e, consequentemente, que os limites de controlo se vo tornando mais estreitos. As cartas de controlo, que se apresentam assim como uma ferramenta de controlo e de melhoria do processo, podem ser de dois tipos distintos consoante o controlo que efectuado: controlo por variveis ou controlo por atributos. Cada um destes tipos de cartas ser de seguida desenvolvido.
1.7.1 Cartas de controlo por variveis

As cartas de controlo por variveis so usadas quando a caracterstica que est a ser estudada se pode medir. Por exemplo, no caso de se estar a controlar o dimetro de um veio, o comprimento de uma chapa, o tempo necessrio para completar uma operao, o peso das garrafas numa linha de enchimento, etc.. O processo seguido para elaborar este tipo de cartas passa por, ao longo do tempo, ir recolhendo amostras da produo, processar os dados recolhidos, marcar na carta de controlo os pontos correspondentes, analisar o seu comportamento e generalizar as concluses restante produo. As cartas de controlo por variveis permitem explicar os dados processuais em termos da localizao central das medidas e da sua variabilidade, razo pela qual cartas de controlo por variveis so sempre construdas aos pares: uma para uma medida de tendncia central e outra para uma medida de variabilidade. As cartas de controlo por variveis mais comuns so as cartas de controlo de mdias ( X ), de valores individuais (Xi), de medianas ( X ), de amplitudes (R) e de desvios padro (s). As cartas de controlo de mdias e amplitudes so as que aparecem mais frequentemente e, normalmente, em conjunto. As cartas de controlo de desvios padro (s), menos utilizadas que as cartas de controlo de amplitudes (R), aparecem normalmente como um substituto destas e em conjunto com as cartas de controlo de mdias ( X ). As cartas de controlo por medianas ( X ) aparecem normalmente individualmente por substituirem simultaneamente as cartas de mdias e as de amplitudes. Todas estas cartas so construdas com base na recolha de amostras ou subgrupos com mais do que um elemento (o tamanho de amostra mais comum 5). No entanto, sempre que por algum motivo as decises tenham que ser tomadas com base em valores individuais ou que o prprio processo no permita a recolha de mais do que um valor de cada vez usam-se as cartas de controlo por valores individuais. Cada um destes tipo de cartas de controlo ir ser de seguida analisado.
32
1.7.1.1
Cartas de controlo de mdias e amplitudes ( X /R)
Como para qualquer outra, a primeira fase de construo de uma carta do tipo mdias/amplitudes consiste na recolha de dados que, como j anteriormente referido, para ser feita de uma forma correcta, dever ser baseada num plano. O primeiro passo ser decidir qual o tamanho das amostras a retirar. Essas amostras devero ser representativas do resto da produo (populao) e so normalmente constitudas por 4 ou 5 elementos cada. Uma vez que o objectivo ser detectar as variaes no processo ao longo do tempo, as amostras devero ser recolhidas suficientes vezes e a tempos apropriados por forma a poderem refectir as eventuais alteraes que esto a ocorrer (por exemplo: diferenas dos turnos, variaes de temperatura, lotes de materiais, diferenas entre a produo diurna e nocturna, etc.). Geralmente 25 grupos so suficientes para construir uma carta de controlo pois contm j leituras suficientes que permitam avaliar a variabilidade e localizao do processo. Ao elaborar uma carta do tipo
X /R a carta das mdias aparece normalmente na parte
superior e a carta das amplitudes imediatamente abaixo. Na figura 8 pode-se ver um exemplo deste tipo de cartas.
33
CONTROLO ESTATSTICO DO PROCESSO - CARTA X/R

Pea: Caracterstica: Carta N: Freq.: Subgr.: Especificao: LCSX = LCIX = LCSR =
Mquina: Processo:
G E S
D A
Figura 8 - Exemplo de uma carta de controlo do tipo mdias/amplitudes
34
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Q U A L
A M P L I T U D E
15 16 17 18 19 20 21 22 23 24 25
I D A
AMOSTRA DATA HORA RUBRICA
D E
X1 X2 X3 X4 X5
Somatrio Mdia
Amplitude
Como se pode ver, no eixo das ordenadas marcam-se as escalas das mdias e das amplitudes, respectivamente, enquanto que na escala das abcissas se vai marcando a sua evoluo ao longo do tempo. Na maioria das cartas de mdias e amplitudes, aparecem na parte inferior e verticalmente abaixo das linhas verticais sobre as quais devem ser marcados os pontos relativos a cada uma das amostras, espaos disponveis para registar os valores das vrias leituras para cada uma das amostras sequenciais. Dado que se trata de uma carta de mdias e amplitudes, existe ainda uma clula para marcar o valor da soma das leituras da amostra respectiva, bem como a mdia e a amplitude dos seus valores. A mdia e a amplitude so ento os valores representativos de cada amostra e iro ser marcados nas cartas respectivas. Para uma amostra (ou subgrupo) constituda por n leituras (por exemplo 5) estas estatsticas sero calculadas por
x + x + ...+ x X =
1 2
R = xmx xmn
em que x1, x2, ... so os valores individuais, n o tamanho da amostra e xmx e xmn representam, respectivamente, o valor mximo e o valor mnimo dos n valores da amostra. Consideremos, a ttulo de exemplo, um conjunto de amostras constituda cada uma por 5 leituras. Para a primeira das amostras, os valores das 5 leituras so 14,2; 14;4; 14,0; 14,3 e 14,2.
A mdia destes valores ser calculada por 14,2 + 14,4 + 14,0 + 14,3 + 14,2 5
X=
= 14,22
e a amplitude por
R = 14,4 - 14,0 = 0,4
35
A primeira das colunas na parte inferior do grfico da Figura 8 dever, assim, apresentar a seguinte aparncia:
AMOSTRA DATA HORA RUBRICA X1 X2 X3 X4 X5 Somatrio Mdia (X) Amplitude (R)
1 8/9 22 h
14,2 14,4 14,0 14,3 14,2 71,1 14,2 0,4
Relativamente a esta amostra, dever-se- agora representar na linha vertical respectiva o valor de 14,2 para a mdia e 0,4 para a amplitude. O mesmo procedimento dever ser seguido para as restantes amostras. Com base nos resultados das 25 amostras recolhidas para a primeira das cartas de controlo sero calculados os denominados limites de controlo. Tambm a marcao das escalas para a carta das mdias e para a carta das amplitudes dever ser feita aps a obteno de todos os resultados relativos a essas amostras pois s assim se saber a amplitude das escalas a traar. Uma vez marcados todos os pontos, estes devero depois ser unidos com linhas por forma a melhor visualizar as variaes e tendncias que esto a ocorrer. Numa fase seguinte sero determinados o limites de controlo superior (LCS), a linha central (LC) e o limite de controlo inferior (LCI). Cada tipo de carta tem frmulas apropriadas para a determinao dos limites de controlo e da linha central. Para as cartas de controlo de mdias e amplitudes estas encontram-se na Tabela I.
36
Tabela I Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo por mdias e amplitudes
Carta X
LCS X = LC X = LCI X =
Carta R
X X X
+ A2
LCSR = D4 LCR =
R R
- A2
LCIR = D3
Nestas frmulas,
X e R representam, respectivamente, a mdia dos valores das mdias
das amostras e a mdia das amplitudes das vrias amostras que constituem a carta de controlo (normalmente 25). Os parmetros A2, D3 e D4 so valores que se encontram tabelados (Tabela II) e que so funo do tamanho das amostras recolhidas.
Tabela II Parmetros a utilizar nas frmulas de clculo dos limites de controlo das cartas de controlo por mdias e amplitudes
Grfico X 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 A2 1,880 1,023 0,729 0,577 0,483 0,419 0,373 0,337 0,308 0,285 0,266 0,249 0,235 0,224 0,212 0,203 0,194 0,187 0,180 0,173 0,167 0,162 0,157 0,153 D3 0 0 0 0 0 0,076 0,136 0,184 0,223 0,256 0,284 0,308 0,329 0,348 0,364 0,380 0,391 0,404 0,414 0,425 0,434 0,443 0,452 0,459
Grfico R D4 3,267 2,575 2,282 2,115 2,004 1,924 1,864 1,816 1,777 1,744 1,716 1,692 1,671 1,652 1,636 1,621 1,608 1,596 1,586 1,575 1,566 1,557 1,548 1,541
37
As linhas centrais
X e R devero ser marcadas a cheio nas cartas de controlo e os
limites de controlo superior e inferior a tracejado. Por forma a facilitar a sua identificao, a cada uma das linhas dever-se- fazer corresponder as iniciais dos limites a que correspondem. Caso a variabilidade no processo seja apenas devida a causas comuns, os pontos representativos das mdias e das amplitudes das amostras no devero sair fora dos limites de controlo e dispr-se-o aleatoriamente em torno do valor mdio. Neste caso esses limites poder-se-o manter como limites de controlo para a carta seguinte. Caso tal no acontea, i.e. se algum dos pontos ficar fora dos limites de controlo ou caso apresentem alguma tendncia que possa parecer no natural dever-se- tentar investigar se algo est a correr mal no processo, corrigir e, aps retirar novas amostras, recalcular os limites de controlo. A alternativa ser retirar os pontos que se encontram fora de controlo e recalcular os limites com os restantes pontos. Caso algum dos pontos continue fora dos limites, o processo dever ser repetido at que tal no acontea. No entanto, se tal no for conseguido ao fim de 2 ou 3 tentativas isso querer significar que a variao a que o processo est sujeito no apenas devida a causas comuns. Devero tambm existir causas especiais a afectar a sua performance. As frmulas e os factores usados para calcular os limites de controlo (Tabelas I e II) foram determinados de modo a garantir que a variao dentro dos limites de controlo praticamente devida apenas a causas comuns (existem 3 desvios padres entre cada um dos limites e linha central, num total de 6 desvios padres o que significa que, se o processo estiver a ser afectado apenas por causas comuns, 99,73% dos pontos devero ficar entre os limites de controlo). Deste modo, qualquer ponto fora dos limites de controlo ser de levantar suspeitas devendo-se prestar especial ateno e tentar averiguar se algo est a correr mal (ex. inadvertncia dos operadores, mudana de turno, mquina defeituosa, etc.). No entanto, no so apenas os pontos fora de controlo que devem ser alvo de especial ateno. Como j se referiu, tambm tendncias no traado dos pontos devero ser foco de estudo, nomeadamente: padres oscilantes; tendncias continuamente crescentes ou decrescentes (7 pontos seguidos a aumentar ou a diminuir); padres em zig-zag; alterao do valor mdio em torno do qual os pontos oscilam;
38
7 pontos seguidos do mesmo lado da linha central; 2 em 3 pontos acima de 4 em 5 pontos entre
X + 2s ou abaixo de X - 2s;
X + 2s e X + s ou entre X - 2s e X - s.
As linhas
X 2s so designadas por limites de vigilncia e, por vezes, so tambm
marcadas nas cartas de controlo juntamente com os limites de controlo.
Exemplo 7
Traar as cartas de controlo de mdias e amplitudes para o conjunto de 25 amostras representadas abaixo. Determinar para cada uma das cartas os limites de controlo e verificar se o processo est ou no sob controlo estatstico.
Amostra n. 1 2 3 4 5 6 7 8 9 10 11 12 28,0 26,4 27,0 27,8 26,0 27,4 27,8 26,8 28,8 26,6 26,6 27,2
Valores observados 25,2 26,6 25,6 24,8 26,0 24,0 24,2 27,2 24,8 24,8 25,6 25,0 26,4 25,4 26,0 26,6 24,2 25,0 25,4 26,0 24,4 25,2 26,0 26,6 26,2 26,8 25,6 26,2 24,4 24,8 26,8 24,8 24,8 25,8 26,0 27,0 24,2 24,2 24,8 26,4 26,6 24,8 26,0 27,0 25,0 25,6 26,2 25,6
39
(continuao)
Amostra n. 13 14 15 16 17 18 19 20 21 22 23 24 25 26,8 27,8 28,4 27,2 28,0 26,2 29,2 27,8 26,6 27,8 26,4 26,4 26,6 Valores observados 26,6 26,2 25,4 25,2 26,4 25,8 27,4 26,0 25,4 24,8 24,6 25,6 25,6 24,0 27,0 25,8 24,8 24,8 27,0 26,8 26,0 25,2 25,4 25,2 25,6 26,0 26,0 25,2 25,8 25,0 26,0 24,6 24,4 26,4 25,6 24,8 26,2 24,6 24,6 26,2 25,6 25,0 24,4 26,0 25,6 25,0 25,2 25,4 25,6 25,4 25,2 24,4
Numa primeira fase dever-se-o calcular as mdias e amplitudes para cada uma das amostras:
Amostra n. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 28,0 26,4 27,0 27,8 26,0 27,4 27,8 26,8 28,8 26,6 26,6 27,2 26,8 27,8 28,4 27,2
Valores observados 25,2 26,6 25,6 24,8 26,0 24,0 24,2 27,2 24,8 24,8 25,6 25,0 26,6 26,2 25,4 25,2 26,4 25,4 26,0 26,6 24,2 25,0 25,4 26,0 24,4 25,2 26,0 26,6 24,0 27,0 25,8 24,8 26,2 26,8 25,6 26,2 24,4 24,8 26,8 24,8 24,8 25,8 26,0 27,0 26,0 25,2 25,8 25,0 24,2 24,2 24,8 26,4 26,6 24,8 26,0 27,0 25,0 25,6 26,2 25,6 26,2 25,6 25,0 24,4
X
26,0 25,9 25,8 26,4 25,4 25,2 26,0 26,4 25,6 25,6 26,1 26,3 25,9 26,4 26,0 25,3
R 3,8 2,6 2,2 3,0 2,4 3,4 3,6 2,4 4,4 1,8 1,0 2,2 2,8 2,6 3,4 2,8
40
(continuao)
Amostra n. 17 18 19 20 21 22 23 24 25 28,0 26,2 29,2 27,8 26,6 27,8 26,4 26,4 26,6
Valores observados 26,4 25,8 27,4 26,0 25,4 24,8 24,6 25,6 25,6 24,8 27,0 26,8 26,0 25,2 25,4 25,2 25,6 26,0 26,0 24,6 24,4 26,4 25,6 24,8 26,2 24,6 24,6 26,0 25,6 25,0 25,2 25,4 25,6 25,4 25,2 24,4
X
26,2 25,8 26,6 26,3 25,6 25,7 25,6 25,5 25,4
R 3,2 2,4 4,8 2,6 1,4 3,0 1,8 1,8 2,2
O passo seguinte ser calcular o valor mdio das vrias mdias X bem assim como o valor mdio das amplitudes R . Somando todas 25 e as 25 amplitudes tem-se que
25
i=1
X i = 647 e R = 67,6
i=1
25
e, portanto, X = 25,9 e R = 2,7
Aplicando agora as frmulas para a determinao dos limites de controlo para cartas do tipo X /R temos que, dado que o tamanho da amostra 5, da tabela III A2 = 0,577, D3 = 0 e D4 = 2,115 e, portanto:
Carta das mdias: L CS = X + A2 R = 25,9 + 0,577x 2,7= 27,5 LC = X = 25,9 LCI = X - A R = 25,9 - 0,577 x 2 = 24,3 ,7
2
41
Carta das amplitudes: LCS = D R = 2,115 x 2 = 5,71 ,7 4 LCI = R = 2,7 LCI = D R = 0 x 2,7 = 0 3 Traando as cartas de controlo verifica-se que, em qualquer delas, no s no existem quaisquer pontos fora dos limites de controlo como tambm estes no apresentam qualquer tendncia na sua variao. assim possvel concluir que o processo se encontra sob controlo estatstico no sendo evidente a existncia de causas especiais a afect-lo. As linhas de controlo calculadas sero utilizadas nas cartas de controlo seguintes.
42
CONTROLO ESTATSTICO DO PROCESSO - CARTA X/R

Pea: Caracterstica: Carta N: Freq.: Subgr.: Especificao: LCSX = LCIX = LCSR =
Mquina: Processo:
27,5
27
26,5
26
25,5
25
24,5
43
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
A M P L I T U D E
16
17
18
19
20
21
22
23
24
25
D A
AMOSTRA DATA HORA RUBRICA
D E
X1 X2 X3 X4 X5 26,4 26,6 25,4 26,8 24,2 27,0 25,6 26,0 25,6 24,8 27,8 24,8 26,6 26,2 26,4 26,0 26,0 24,2 24,4 26,6 27,4 24,0 25,0 24,8 24,8 27,8 24,2 25,4 26,8 26,0 26,8 27,2 26,0 24,8 27,0 28,8 24,8 24,4 24,8 25,0
28,0 25,2 26,4 26,2 24,2
26,6 24,8 25,2 25,8 25,6
26,6 25,6 26,0 26,0 26,2
27,2 25,0 26,6 27,0 25,6
26,8 26,6 24,0 26,0 26,2
27,8 26,2 27,0 25,2 25,6
28,4 25,4 25,8 25,8 25,0
27,2 25,2 24,8 25,0 24,4
28,0 26,4 24,8 26,0 26,0
26,2 25,8 27,0 24,6 25,6
29,2 27,4 26,8 24,4 25,0
27,8 26,0 26,0 26,4 25,2
26,6 25,4 25,2 25,6 25,4
27,8 24,8 25,4 24,8 25,6
26,4 24,6 25,2 26,2 24,4
26,4 25,6 25,6 24,6 25,2
26,6 25,6 26,0 24,6 24,4 26,1 26,3 25,9 26,4 26,0 25,3 26,2 25,8 26,6 26,3 25,6 25,7 25,6 25,5 25,4 1,0 2,2 2,8 2,6 3,4 2,8 3,2 2,4 4,8 2,6 1,4 3,0 1,8 1,8 2,2
Somatrio Mdia
Amplitude
26,0 25,9 25,8 26,4 25,4 25,2 26,0 26,4 25,6 25,6 3,8 2,6 2,2 3,0 2,4 3,4 3,6 2,4 4,4 1,8
1.7.1.2
Cartas de controlo de mdias e desvios padro ( X /s)
Tal como as cartas de
X /R, as cartas de X /s aparecem em conjunto. A principal razo
pela qual se usam muito frequentemente as cartas de amplitudes (R) como medida da variao do processo o facto da amplitude (R) ser um parmetro bastante fcil de calcular alm de se mostrar relativamente eficiente para amostras de pequenos tamanhos (n<9). Apesar de se apresentar como um indicador muito mais eficiente da variabilidade do processo
especialmente para amostras de tamanho superior, o desvio padro (s) , no entanto, muito menos utilizado que a amplitude. Tal deve-se maior complexidade do seu clculo e sua menor sensibilidade na deteco da existncia de causas especiais de variao. Uma vez que se esto a analisar amostras, se apenas um dos pontos apresentar um valor atpico, este passar muito mais despercebido ao utilizar o desvio padro como medida de amplitude do que se utilizar R. Como j visto anteriormente, o desvio padro que caracteriza uma amostra constituda pelos valores x1, x2, , xn calculado atravs da frmula
n
( xi X ) s=
i= 1
n 1
em que X representa a mdia dos n valores da amostra. Na tabela III apresentam-se as frmulas utilizadas para o clculo dos limites de controlo nas cartas do tipo
X /s
Tabela III Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo por mdias e desvios padro
Carta X LCS X = X + A3 s LC X = X LCI X = X - A3 s
Carta s LCSs = B4 s LCs = s
LCIs = B3 s
44
em que
s e X representam, respectivamente, a mdia dos desvios padres e a mdia das
mdias das diversas amostras. A3, B3 e B4 so constantes que variam com o tamanho da amostra. Estas encontram-se registadas na Tabela IV.
Tabela IV Parmetros a utilizar nas frmulas de clculo dos limites de controlo das cartas de controlo por mdias e desvios padro
Grfico X n 2 3 4 5 6 7 8 9 10 A3 2,66 1,95 1,63 1,43 1,29 1,18 1,10 1,03 0,98 B3 0 0 0 0 0,03 0,12 0,19 0,24 0,28
Grfico s B4 3,27 2,57 2,27 2,09 1,97 1,88 1,82 1,76 1,72
A construo e interpretao deste tipo de cartas de controlo exactamente anlogo ao descrito para as cartas de mdias e amplitudes, residindo a nica diferena no facto de, em vez de se calcular a amplitude R para cada amostra se calcular o seu desvio padro. Pelas razes atrs descritas, o uso deste tipo de cartas de controlo no muito frequente.
1.7.1.3
Cartas de controlo de medianas ( X )
As cartas de controlo por medianas so uma alternativa utilizao das cartas de controlo por mdias e amplitudes. Este tipo de cartas, mais apropriadas quando a amostra apresentam um tamanho inferior a 10 e, preferencialmente, mpar, so mais fceis de utilizar uma vez que no requerem muitos clculos.
45
Por forma a analisar as tendncias na variabilidade dos valores observados, opta-se na maioria dos casos por traar tambm a carta de controlo por amplitudes (R). As frmulas para determinao dos limites de controlo e linhas centrais para as cartas de controlo por medianas e amplitudes encontram-se na Tabela V.
Tabela V Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo por medianas e amplitudes
Carta
~ X
~ A2 R
Carta R
~ LCS X = ~ LC X = ~ LCI X =
~ X ~ X ~ X
LCSR = D4 LCR =
R R
~ A2 R
LCIR = D3
~ X e R representam, respectivamente, a mdia das medianas e a mdia das amplitudes das diversas amostras. Os factores encontram-se na Tabela VI.
~ A 2 , D3 e D4 necessrios para o clculo dos limites de controlo
Tabela VI Parmetros a utilizar nas frmulas de clculo dos limites de controlo das cartas de controlo por medianas e amplitudes
Grfico X n 2 3 4 5 6 7 8 9 10
~ A2
Grfico R D3 0 0 0 0 0 0,08 0,14 0,18 0,22 D4 3,27 2,57 2,28 2,11 2,00 1,92 1,88 1,82 1,78
1,88 1,19 0,80 0,69 0,55 0,51 0,43 0,41 0,36
46
1.7.1.4
Cartas de controlo de valores individuais e amplitudes mveis (Xi/Rm)
Embora no sejam to sensveis na deteco de variaes como as cartas de controlo por mdias e amplitudes, casos h em que necessrio ou conveniente construir cartas de controlo a partir de leituras individuais de valores. No entanto, dadas as limitaes inerentes utilizao deste tipo de cartas, sempre possvel ser prefervel utilizar cartas de mdias e amplitudes mesmo que o subgrupo considerado seja muito pequeno. Dado o interesse em analisar a forma como a amplitude vai variando ao longo do processo, e uma vez que dentro do grupo (n=1) esta nula, o que se faz calcular a diferena entre duas leituras consecutivas. Ao valor absoluto desta diferena chama-se amplitude mvel. No final da carta o nmero de amplitudes mveis ir ser inferior em uma unidade ao nmero de leituras. O procedimento seguido na elaborao das cartas de controlo exactamente anlogo ao anteriormente descrito: ao longo do processo vai-se fazendo a recolha de amostras cada uma das quais constituida apenas por uma nica leitura. Os valores lidos/medidos so ento marcados na carta de controlo de valores individuais. Na carta de amplitudes mveis vo-se marcando os valores absolutos das diferenas entre cada valor e o recolhido imediatamente antes. As frmulas para determinao dos limites de controlo e linhas centrais para as cartas de controlo por medianas e amplitudes encontram-se na Tabela VII.
Tabela VII Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo por valores individuais e amplitudes mveis
Carta Xi
LCSXi= LCXi = LCIXi =
Carta Rm
LCSRm = D4 LCRm =
Xi Xi Xi
+ E2 R
Rm Rm
- E2 R
LCIRm = D3
Xi e R
representam, respectivamente, a mdia dos valores recolhidos e a mdia das
diversas amplitudes mveis. Os factores E2, D3 e D4 necessrios para o clculo dos limites de controlo encontram-se na Tabela VIII.
Tabela VIII
47
Parmetros a utilizar nas frmulas de clculo dos limites de controlo das cartas de controlo por valores individuais e amplitudes mveis
Grfico Xi n E2 2,66 1,77 1,46 1,29 1,18 1,11 1,05 1,01 0,98 D3 0 0 0 0 0 0,08 0,14 0,18 0,22
Grfico Rm D4 3,27 2,57 2,28 2,11 2,00 1,92 1,86 1,82 1,78
2 3 4 5 6 7 8 9 10
1.7.2 Cartas de controlo por atributos

As cartas de controlo por atributos so usadas quando se pretendem avaliar caractersticas do tipo qualitativo como por exemplo conformidade, cor, brilho ou existncia de defeitos. Os critrios de avaliao no caso dos atributos podem ser do tipo passa/no passa, conforme/no conforme, alto/baixo, bom/mau, etc. Estas cartas de controlo so muito aplicadas na prtica quer deteco de unidades defeituosas quer deteco de defeitos. Para a deteco de unidades defeituosas podemos ter: cartas do tipo np (usadas para nmero de unidades defeituosas); cartas do tipo p (usadas para proporo ou fraco de unidades defeituosas);
48
As cartas de controlo usadas na deteco de no conformidades so: cartas do tipo c (usadas para o nmero de defeitos); cartas do tipo u (usadas para o nmero de defeitos por pea).
As cartas de controlo por atributos podem ter um aspecto semelhante ao da carta apresentada na Figura 9. Esta carta pode ser utilizada para funcionar quer como carta np, p, c ou u dependendo do tipo e quantidade de dados recolhidos.
O procedimento a seguir na elaborao de cartas de controlo por atributos exactamente anlogo ao j visto para cartas de controlo por variveis. Assim, h que recolher amostras com um determinado tamanho, das unidades recolhidas contar aquelas que apresentam a caracterstica em questo (por exemplo, quantas delas so no conformes), tratar os resultados obtidos por forma a poder marcar os pontos no grfico, determinar os limites de controlo e, depois dos pontos marcados, verificar a existncia de pontos fora dos limites de controlo ou que apresentem tendncias na sua evoluo. Ao contrrio da situao anterior em que as cartas surgiam sempre aos pares devido necessidade de avaliar no s a centralidade como tambm a variabilidade dentro da amostra, as cartas de controlo por atributos surgem sempre individualmente.
49
CONTROLO DE CONTROLO PARA ATRIBUTOS p

Pea: Caracterstica: Carta N: Freq.: Tam. mdio amostra:
c u
Mquina: Processo:
np
LCS = LC = LCI =
G E S T O D A
Figura 9 - Exemplo de carta de controlo para atributos
50
3 4 5 6 7 8 9 10 11 12 13 14 15
Q U A L I
AMOSTRA
16
17
18
19
20
21
22
23
24
25
D A
DATA HORA RUBRICA
Tamanho da amostra (n)
Nmero (np, c)
Proporo (p, u)
De seguida ir-se-o analisar as diferenas entre cada um dos tipos de cartas de controlo acima mencionados.
1.7.2.1
Cartas do tipo np e do tipo p
Quando se pretende controlar o nmero de peas defeituosas na linha de produo poder-se- utilizar uma carta do tipo np ou do tipo p. A nica diferena entre estes dois tipos de cartas reside no facto de, para o caso das cartas do tipo np, em que se conta o nmero de unidades defeituosas, o tamanho da amostra recolhida ter de ser constante. De facto, s se todas as amostras tiverem o mesmo nmero de elementos que ser possvel comparar o nmero de peas defeituosas que cada uma delas tem. Se o tamanho da amostra recolhida for varivel, como a base de comparao j no ser a mesma, no poderemos falar em termos de nmero de unidades defeituosas mas sim em termos da proporo de unidades defeituosas e a carta de controlo a utilizar dever ser do tipo p. Na tabela IX apresentam-se as frmulas a utilizar para a determinao dos limites de controlo para ambas as cartas.
Tabela IX Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo do tipo np e do tipo p
Carta np
Carta p
p(1-p)
L CSnp = np + 3 np (1 p)
L CSp = p + 3
L Cp = p
L C np = np
L C Inp = n p 3 np (1 p )
L C Ip = p 3
p(1-p)
51
Exemplo 8
Determinar os limites de controlo para o conjunto de dados representados abaixo e, por simples inspeco, avaliar se o processo se encontra ou no em controlo estatstico.
Amostra n.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Total
Tamanho do subgrupo n
100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 = 2500
np (n. de items defeituosos)

4 2 0 5 3 2 4 3 2 6 1 4 1 0 2 3 1 6 1 3 3 2 0 7 3 pn = 68
Uma vez que neste caso o tamanho da amostra constante (n=100) ser mais apropriado utilizar uma carta de controlo do tipo np para o nmero de unidades defeituosas.
52
Em 2500 unidades, o nmero total de unidades defeituosas de 68. A percentagem mdia de unidade defeituosas ser p= 68 2500 = 0,0272
e o nmero mdio de unidades defeituosas n p = 100 68 2500 = 2 ,72
Aplicando agora as frmulas cima para a determinao dos limites de controlo teremos que L CS = pn + 3 pn(1 p ) = 2 ,72 + 3 2 ,72 (1 0, 0272) = 7 , 6 LC = pn = 2 ,72 LCI = p n 3 pn(1 p ) = 2, 72 3 2,72 ( 1 0 , 0272) = 2, 2
Dado no fazer sentido ter um limite de controlo inferior negativo considera-se, neste tipo de casos, que o LCI vale 0. Desta forma, para o processo se encontrar em controlo estatstico, o nmero de peas defeituosas em cada uma das amostras recolhidas ter que estar entre 7 (arredonda-se para o inteiro imediatamente inferior) e 0) o que, por anlise dos valores da tabela, de facto acontece.
53
Exemplo 9
Amostra n. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Total
Tamanho do subgrupo n 724 763 748 748 724 727 726 719 759 745 736 739 723 748 770 756 719 757 760 = 14 091
np (n. de items defeituosos) 48 83 70 85 45 56 48 67 37 52 47 50 47 57 51 71 53 34 29 pn = 1030
Neste caso verifica-se que o tamanho da amostra no constante pelo que no podemos comparar o nmero de peas defeituosas em cada amostra, mas sim a fraco de peas defeituosas.
54
Amostra n.
Tamanho do subgrupo n
np (n. de items defeituosos) 48 83 70 85 45 56 48 67 37 52 47 50 47 57 51 71 53 34 29 pn = 1030
p (fraco de items defeituosos) 0,066 0,109 0,094 0,114 0,062 0,077 0,066 0,093 0,049 0,070 0,064 0,068 0,065 0,076 0,066 0,094 0,074 0,045 0,038
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Total
724 763 748 748 724 727 726 719 759 745 736 739 723 748 770 756 719 757 760 = 14 091
O valor mdio da percentagem ou fraco de peas defeituosas pode ser calculado de duas formas alternativas. A primeira delas consiste em fazer a mdia aritmtica das 19 fraces de peas no conformesde onde se obtem-se obtm que p = 0 ,073 . A outra forma alternativa de fazer o clculo ser dividir o nmero total de peas defeituosas (1030) pelo nmero total de peas amostradas (14 091): p= 1030 = 0 ,073 14091
O valor obtido por ambos os processos dever ser aproximadamente o mesmo a menos de algumas diferenas nas casas decimais devidos aos arredondamentos efectuados no clculo dos valores de p para cada amostra.
55
Outra questo se pe agora: que valor de n considerar para a determinaos dos limites de controlo? A forma mais correcta de proceder ser, para cada caso, considerar o tamanho da amostra (n) correspondente. Desta forma os limites de controlo superior e inferior iro ser diferentes de amostra para amostra devido aos diferentes valores de n utilizados. Tal como se v no grfico seguinte os limites so agora representados por segmentos de recta para cada amostra.
Amostra n.
Tamanho
L CSp = p + 3
p(1-p)
L C Ip = p 3
p(1-p)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
724 763 748 748 724 727 726 719 759 745 736 739 723 748 770 756 719 757 760
0,102 0,101 0,102 0,102 0,102 0,102 0,102 0,102 0,101 0,102 0,102 0,102 0,102 0,102 0,101 0,101 0,102 0,101 0,101
0,044 0,045 0,044 0,044 0,044 0,044 0,044 0,044 0,045 0,044 0,044 0,044 0,044 0,044 0,045 0,045 0,044 0,045 0,045
Nos casos em que o tamanho da amostra no difere muito de caso para caso admissvel considerar o tamanho mdio da amostra como base de clculo (de facto isso que se costuma fazer na prtica). No caso presente teremos ento que, para um tamanho mdio da amostra de 742 (mais exactamente 741,6) os limites de controlo superior e inferior sero, respectivamente, 0,102 e 0,044.
56
No grfico seguinte encontra-se apenas representada a situao em que se consideram os limites a variar. Nele possvel detectar a existncia de pontos fora de controlo estatstico (pontos ns. 2, 4 e 19). No momento em que tal aconteceu, dever-se-ia ter parado o processo e investigado a razo de tal ocorrncia.
1.7.2.2
Cartas do tipo c e do tipo u
Quando se pretende controlar o nmero de defeitos que ocorrem podem-se utilizar cartas do tipo c ou do tipo u. A diferena entre estes dois tipos de cartas precisamente o mesmo que entre as cartas np e p. As cartas do tipo c utilizam-se quando se pretende controlar o nmero de defeitos em amostras de tamanho constante. Se, pelo contrrio, ocorrer variao do tamanho da amostra, dever-se-o contar o nmero de defeitos por pea inspeccionada e as cartas a usar sero do tipo u.
57
CONTROLO DE CONTROLO PARA ATRIBUTOS p

Pea: Caracterstica: Tam. mdio amostra: Carta N: Freq.:
c u
LCI =
Mquina:
Processo:
np
LCS = LC =
G E S T
0,16
0,14
0,12
0,10
0,08
58
0,06
0,04
0,02
L I
0
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
AMOSTRA DATA HORA
RUBRICA
Tamanho da amostra (n)
724 763 748 748 724 727 726 719 759 745 736 739 723 748 770 756 719 757 760
Nmero (np, c)
Proporo (p, u)
0,066 0,109 0,094 0,114 0,062 0,077 0,066 0,093 0,049 0,070 0,064 0,068 0,063 0,076 0,066 0,094 0,074 0,045 0,038
Na tabela X apresentam-se as frmulas a utilizar para a determinao dos limites de controlo para ambos os tipos de cartas.
Tabela X Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo do tipo c e do tipo u
Carta c
Carta u
LCSc = c + 3 c
LCSu = u + 3 LC u = u LCI u = u 3
u n
LCc = c LCI c = c 3 c
u n
O problema da dimenso da amostra no constante surge aqui novamente na determinao dos limites da carta u. Tal como no exemplo 10, esse problema pode ser contornado ou calculando os limites de controlo para cada caso, ou trabalhando com um tamanho mdio para a amostra.
Exemplo 10
N. amostra 1 2 3 4 5 6 7 8 9 10 Total:
N. de montagens inspeccionadas 2 4 2 1 3 4 2 4 3 1 26
N. total de defeitos encontrados 10 30 18 10 20 24 15 26 21 8 182
59
Como o tamanho da amostra varivel, ter-se- que construir uma carta do tipo u para o que , antes de mais, necessrio determinar o nmero de defeitos por montagem inspeccionada.
N. amostra
N. de montagens inspeccionadas
N. total de defeitos encontrados 10 30 18 10 20 24 15 26 21 8 182
N. defeitos por montagem
1 2 3 4 5 6 7 8 9 10 Total:
2 4 2 1 3 4 2 4 3 1 26
5 7,5 9 10 6,7 6 7,5 6,5 7 8
Se considerarmos um tamanho mdio para a amostra de 3 (i.. 2,6) e um nmero mdio de defeitos por amostra de 7, os limites de controlo superior e inferior para a carta de controlo sero, respectivamente 11,6 e 2,4. Por anlise da ltima coluna da tabela acima possvel verificar que todos os pontos se encontram nesta gama e que, portanto, no nenhum fora de controlo. Ter-se-ia chegado mesma concluso caso se tivesse considerado o tamnho da amostra como varivel.
1.7.3 Capacidade do processo

Uma vez determinado que o processo se encontra em controlo estatstico (processo estvel), h ainda a questo de saber se ele ou no capaz de satisfazer as necessidades do cliente (seja ele interno ou externo). A capacidade do processo uma medida que permite, caso o histograma do processo apresente uma distribuio normal e caso ele se encontre em controlo estatstico, avaliar a sua variao devido unicamente existncia de causas comuns. O planeamento do estudo da capacidade deve ser baseada num mnimo de 20 sub-grupos, cada um dos quais com 3 ou mais medies por forma a incluir no s a variao das corridas, como tambm como a variao entre as corridas. Desta forma conseguir-se- avaliar a repetibilidade e reprodutibilidade do processo em estudo.
60
As amostras devem ser recolhidas ao longo de vrios turnos, com uma cadncia descontnua por forma a no excluir quaisquer alteraes do processo resultantes da utilizao de diferentes materiais, operadores, mquinas, tempos de medio, etc. Depois de recolhidos, registados e tratados os valores, determinam-se os chamados ndices de capacidade do processo Cp e Cpk:
Cp =
LSE LIE 6 si
e Mn LSE X; X LIE 3 si
C pk =
em que LSE e LIE representam, espectivamente, os limites superior e inferior de especificao e si uma estimativa do desvio padro da totalidade dos valo res feita atravs da frmula si = R d2
onde d2 uma constante que depende do tamnho da amostra considerada tal como se mostra na Tabela XI
Tabela XI Variao da constante d2 com o tamanho da amostra
n 2 3 4 5 6 7 8 9 10
d2 1,128 1,693 2,059 ~2,326 2,534 2,704 2,847 2,970 3,078
61
O ndice Cp relaciona a disperso dos valores com a tolerncia especificada, isto , mede a variabilidade do processo. Por outro lado, o Cpk compara simultaneamente o seu acerto ou regulao (medida central) e a sua variabilidade relativamente tolerncia. A capacidade do processo ser considerada satisfatria se quer o Cp quer o Cpk forem superiores a 1,33. Nesta situao garante-se que a disperso dos valores est toda contida nos 4s da curva de disperso normal e que, para alm disso, o processo se encontra centrado em torno do valor ptimo. Se algum destes parmetros for inferior a 1,33, devero ser tomadas aces (usualmente a nvel da gerncia) para trazer o processo para prximo dos valores ptimos desejados bem assim como para reduzir a sua variabilidade.
62
1.8 Exerccios de aplicao
Fluxogramas
1. Elaborar um fluxograma para o processo de ligar uma televiso 2. Imagine que pretende contactar telefonicamente o Director Geral de uma grande empresa. Elabore um fluxograma que ilustre toda a srie de passos por que ter que passar o seu telefonema. 3. Elabore um fluxograma que ilustre o processo ou servio a que est ligado na sua empresa. 4. Elabore um fluxograma que ilustre o processo que, na sua empresa, segue uma reclamao feita por um cliente.
Diagramas de Pareto
1. Atravs de uma sondagem efectuada, concluiu-se que as principais razes apontadas para a devoluo de peas de vesturio compradas por catlogo foram as indicadas abaixo. Elabore o respectivo diagrama de Pareto.
1 2 60 5 1 20 3 2 3 2
Existncia de manchas Tipo de corte Qualidade do tecido Tamanho Existncia de furos Cr Mudana de endereo Falecimento No levantado Ter-se estragado no transporte
2. A administrao encontra-se preocupada com o nmero de defeitos que esto a surgir nas peas. Por forma a identificar as suas causas decidiu, ao longo de uma semana de trabalho estudar o nmero e tipo de defeitos por operador e por mquina. Os resultados encontram-se na tabela abaixo. Que concluses pode tirar?
63
Operador
Mquina
Segunda ** oo ## + * o
Tera * ooo # ** oo
Quarta ***** oooo ## + ***** oo #
Quinta * ooo ## * o # * o # + * #
Sexta * oooo ### ** o # * oo # * oo #
1 A
+ ** o # * oo + deformao * peso o dureza # picada + humidade * o # * o ***** o # **** oo #
3 B
3. Contabilizadas a frequncia de ocorrncia de defeitos numa linha de produo bem como os custos de tratamento associados, concluiu-se que
Tipo de defeitos riscos picadas deformao descolorao dimenso errada
Frequncia 30 20 10 10 15
Custo unitrio 15 15 60 30 60
Construa o Pareto de defeitos e de custos.
64
Diagrama de Causa e Efeito
1. Construa o diagrama de causa e efeito que possa explicar a derrota de uma equipa num jogo de futebol. 2. Construa o diagrama de causa e efeito que possa explicar o atraso para um encontro. 3. Construa o diagrama de causa e efeito que possa explicar a variao de dimenso das peas que saem de uma mesma linha de produo. 4. Construa o diagrama de causa e efeito que possa explicar a contaminao verificada num alimento sua escolha. 5. Construa o diagrama de causa e efeito que possa explicar a insatisfao de um dos clientes da sua empresa.
Histogramas
1. Construa a tabela de frequncias e o histograma para as idades dos alunos de uma turma de 12. ano.
17 18 17 22
20 16 17 22
19 25 18 16
17 18 18 20
17 23 17 20
19 17 18
Interprete o histograma que obteve. Determine tambm a mdia, a mediana, a moda, a amplitude e o desvio padro deste conjunto de valores.
65
2. Jogam-se 5 moedas simultaneamente 500 vezes encontrando-se registado na tabela seguinte o nmero de coroas obtidas em cada jogada.
N. coroas 0 1 2 3 4 5
Frequncia 20 76 121 144 82 57
Construa a tabela de frequncias e interprete os histogramas respectivos. Determine a mdia, mediana, moda, amplitude e desvio padro deste conjunto de valores.
3. Na tabela seguinte encontram-se os pesos de 100 pacotes de bolachas sados de uma linha de embalagem.
302,25 298,35 300,36 302,52 299,23 297,83 301,85 300,73 299,62 302,45 301,19 301,11 299,68 298,49 303,66 299,95 298,72 298,56 299,70 298,34 298,07 297,59 299,57 297,87 298,23 299,20 303,76 299,19 300,12 298,73 299,75 299,83 300,14 299,12 302,04 299,70 298,86 299,75 299,60 302,10 299,76 303,49 301,05 301,35 299,70 298,29 300,96 300,84 301,63 302,00 300,24 298,65 300,86 301,81 303,07 299,55 300,52 298,34 298,11 300,83 302,17 298,61 301,99 299,26 298,35 299,13 298,00 302,39 298,85 298,36 303,91 299,08 299,18 300,48 300,86 297,72 299,38 299,83 297,99 299,07 298,76 298,98 299,07 299,48 298,94 297,47 304,22 302,85 302,45 302,83 299,07 305,13 297,84 300,20 301,59 298,16 300,02 301,33 299,16 300,80
Sabendo que o valor de peso especificado para cada pacote de 300 2 gramas, que concluses pode tirar atravs da anlise do respectivo histograma?
4. Numa padaria, dois padeiros (A e B) cozem o po usando duas mquinas (1 e 2). Os pesos dos pes franceses produzidos foram registados durante 20 dias. Cada dia, quatro pes foram tirados ao acaso de cada mquina e o seu peso anotado na tabela abaixo. Dado que o peso especificado pode variar entre 200 e 225 gramas, o que pode concluir sobre o processo?
66
Dia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Padeiro A A A B B A A B B B A B B A A A B B B A 209,2 208,5 204,2 204,0 209,6 208,1 205,2 199,0 197,2 199,1 204,6 214,7 204,1 200,2 201,1 201,3 202,3 194,1 204,8 200,6
Mquina 1 209,5 208,7 210,2 203,3 203,7 207,9 204,8 197,7 210,6 207,2 207,0 207,5 196,6 205,5 209,2 203,1 204,4 211,0 201,3 202,3 210,2 206,2 210,5 198,2 213,2 211,0 198,7 202,0 199,5 200,8 200,8 205,8 204,6 208,0 205,5 196,3 202,1 208,4 208,4 204,3 212,0 207,8 205,9 199,9 209,6 206,2 205,8 213,1 215,3 201,2 204,6 200,9 199,4 202,7 200,0 205,5 206,6 202,6 212,3 201,4 214,3 215,3 215,7 212,5 208,4 212,3 208,1 207,5 206,9 209,6 212,2 211,4 209,6 203,5 209,1 208,0 210,0 215,6 214,5 209,1
Mquina 2 221,8 216,7 213,8 210,2 214,9 216,2 211,9 209,9 207,1 209,5 209,8 211,2 209,2 206,9 206,3 207,9 209,4 211,8 207,5 205,8 214,6 212,3 215,2 211,3 212,8 208,4 212,9 210,6 213,6 206,8 207,6 214,4 206,1 210,6 209,8 205,3 209,1 205,4 212,9 212,0 214,4 212,0 202,7 210,4 214,8 210,8 209,0 212,3 212,2 214,2 212,6 212,6 207,1 212,3 211,4 203,6 207,0 209,0 204,3 204,2
Diagramas de disperso
1. Um fabricante de garrafas de plstico que as fabrica pelo processo de moldagem a sopro, est a deparar-se com problemas por muitas delas apresentarem as paredes demasiado finas. Suspeitou-se ento que a variao da presso de ar de dia para dia pudesse estar por trs desse problema. A tabela seguinte relaciona os dados sobre a presso do ar e a percentagem de garrafas consideradas defeituosas. Que pode concluir?
67
Data
Presso de ar (kgf/cm2)
8,6 8,9 8,8 8,8 8,4 8,7 9,2 8,6 9,2 8,7 8,4 8,2 9,2 8,7 9,4
% garrafas defeituosas
0,889 0,884 0,874 0,891 0,874 0,886 0,911 0,912 0,895 0,896 0,894 0,864 0,922 0,909 0,905
Data
Presso de ar (kgf/cm2)
8,7 8,5 9,2 8,5 8,3 8,7 9,3 8,9 8,9 8,3 8,7 8,9 8,7 9,1 8,7
% garrafas defeituosas
0,892 0,877 0,885 0,866 0,896 0,896 0,928 0,886 0,908 0,881 0,882 0,904 0,912 0,925 0,872
1/10 2/10 3/10 4/10 5/10 8/10 9/10 10/10 11/10 12/10 15/10 16/10 17/10 18/10 19/10
22/10 23/10 24/10 25/10 26/10 29/10 30/10 31/10 1/11 2/11 5/11 6/11 7/11 8/11 9/11
Cartas de controlo
1. Seleccione o tipo de carta de controlo apropriada para controlar as seguintes caractersticas:
a) peso de biscoitos empacotados b) nmero de defeituosos em 1000 produtos c) nmero de defeitos de soldagem num aparelho de rdio d) rendimento de um produto qumico numa batelada e) percentagem de peas defeituosas em lotes de tamanho varivel f) nmero de arranhes por m2 de chapa de ao
68
2. Construa as duas cartas necessrias para verificar se a viscosidade de um fludo se encontra ou no em controlo estatstico.
N. de batch
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Viscosidade
33,75 33,05 34,00 33,81 33,46 34,02 33,68 33,27 33,49 33,20 33,62 33,00 33,54 33,12 33,84
69
3. Na tabela abaixo apresenta-se o primeiro dos conjuntos de leituras feitas para verificar se o peso de pacotes de manteiga se encontra ou no em controlo estatstico. Que concluses pode tirar?
Amostra n.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Data
2/2 3/2 4/2 5/2 6/2 9/2 10/2 11/2 12/2 13/2 16/2 17/2 18/2 19/2 20/2 23/2 24/2 25/2 26/2 27/2 1/3 2/3 4/3 5/3 6/3 52,5 53,0 52,8 52,9 52,8 52,6 53,5 53,1 53,4 53,2 53,4 52,8 53,2 53,5 54,3 53,2 53,8 53,1 53,7 53,3 53,3 53,1 53,6 53,4 53,3
Leituras
52,9 52,8 52,9 52,9 52,9 53,4 53,6 53,3 53,1 53,4 53,0 52,9 53,3 52,9 53,6 53,3 54,0 53,6 53,8 53,1 53,7 53,1 53,4 53,7 53,2 52,9 53,5 52,7 52,9 52,7 53,1 52,8 53,5 53,1 53,1 53,9 53,2 52,9 54,0 53,6 54,0 53,8 53,7 53,0 53,6 53,3 53,2 53,2 53,0 53,5 53,5 52,4 52,8 52,9 53,1 53,3 52,7 53,0 53,1 52,9 53,1 53,2 53,1 53,9 53,8 53,7 53,8 53,8 53,5 53,0 53,8 53,1 53,0 53,2 53,4
70
4. Construa uma carta para a percentagem de no conformidades para verificar se o processo se encontra ou no em controlo estatstico.
N. da amostra
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Tamanho da amostra
100 80 80 100 110 110 100 100 90 90 110 120 120 120 110 80 80 80 90 100 100 100 100 90 90
N. de defeitos na amostra
12 8 6 9 10 12 11 16 10 6 20 15 9 8 6 8 10 7 5 8 5 8 10 6 9
71
5. Verifique se o seguinte processo se encontra ou no em controlo estatstico
Amostra
N. de defeitos por m2 de madeira

7 5 3 4 3 8 2 3 4 3 6 3 2 7 2 4 7 4 2 3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
72
6. Verifique se o seguinte processo se encontra ou no em controlo estatstico.
Data
Tamanho da amostra
1524 1275 1821 1496 1213 1371 1248 1123 1517 1488 2052 1696 1427 1277 1613 1987 1360 1439 1723 2035 1314 215 1384 1995 467
N. de defeitos na amostra
70 53 132 91 32 55 69 67 159 94 105 37 58 75 73 145 41 50 118 169 88 24 77 185 36
13/8 14/8 15/8 16/8 17/8 18/8 19/8 20/8 21/8 22/8 23/8 24/8 25/8 26/8 27/8 28/8 29/8 30/8 31/8 1/9 2/9 3/9 4/9 5/9 6/9
73
2.
Bibliografia
Controle da Qualidade Total, Volume I, Feigenbaum, A.V., Makron Books, So Paulo (1994).
Controle da Qualidade Total, Volume III, Feigenbaum, A.V., Makron Books, So Paulo (1994).
Mtodos Estatsticos para Melhoria da Qualidade, Kume, H., Editora Gente, Rio de Janeiro (1993).
Statistical Process Control (SPC) - Reference Manual, Chrysler Corporation, Ford Motor Company and General Motors Corporation (1995).
74
TQT
Escola Superior de Biotecnologia Universidade Catlica Portuguesa Rua Dr. Antnio Bernardino de Almeida 4200 Porto - Portugal Tel.: (02) 5580070 / 76 Fax: (02) 5580072 http://www2.esb.ucp.pt/tqtoolkit

7 Ferramentas Qualid

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

7 Ferramentas Qualid

Diunggah oleh

Hak Cipta:

Format Tersedia

F o r m a o e m Q u a l i d a d e To t a l

As 7 Ferramentas Bsicas da Qualidade

MINISTRIO DO TRABALHO E DA SOLIDARIEDADE FSE

a) Ferramentas bsicas (tambm conhecidas pelas seven QC tools)

Diagrama do processo Pareto

Folha de verificao Ishikawa Carta de controlo

Figura 1 - A utilizao das ferramentas bsicas na resoluo de problemas

Figura 2 - Fases e simbologia utilizada num fluxograma

Tem mquina? S Tem rolo? S

N N Boa luz? Tem flash? N

Deixar a mquina ajustar a velocidade, abertura e focar

1. decidir o tipo de problema a ser investigado (ex: n. de items defeituosos, perdas em

4. ordenar as causas por ordem decrescente da respectiva frequncia comeando pela

7. descobertas as causas das no-conformidades mais importantes h depois que tomar

Custo unitrio reparao/sucata

Fissuras Bolhas Rebarbas Falta de material Descolorao Borbotos Picadelas

% acumulada de peas defeituosas

Rebarbas Borbotos Fissuras Falta de material Descolorao Bolhas Picadelas

Diagrama de Pareto de defeitos

100 90 80 % acumulada de peas defeituosas 70 60 50 40 30 20 10 0 Tipo de defeitos

Custo unitrio reparao/sucata

Rebarbas Borbotos Fissuras Falta de material Descolorao Bolhas Picadelas

280 720 500 150 150 100 100

% acumulada do custo total

Borbotos Fissuras Rebarbas Falta de material Descolorao Bolhas Picadelas

720 500 280 150 150 100 100

Diagrama de Pareto de custos

100 90 % acumulada do custo total 80 70 60 50 40 30 20 10 0 Tipo de defeitos

Diagrama de causa-efeito (Ishikawa)

3. Traar o esqueleto do diagrama colocando, numa das extremidades, a caracterstica

4. Identificar as causas (secundrias ou causas de nvel 2) que afectam as causas

Tipo e condio do piso Clima

Excesso de consumo de combustvel

Altura do ano / ms /dia

Diagrama de barras ou histograma

A construo dos histogramas passa pelas seguintes fases:

Frequncia absoluta acumulada

Frequncia relativa (%)

Frequncia relativa acumulada (%)

6,7 13,3 13,3 33,3 20,0 6,7 6,7

6,7 20 33,3 66,6 86,6 93,3 100

Histograma de frequncias absolutas

5 Frequncia absoluta 4 3 2 1 0 9 10 11 12 N. clientes 13 14 15

Histograma de frequncias absolutas acumuladas

Frequncia absoluta acumulada

Histograma de frequncias relativas

35 Frequncia relativa (%) 30 25 20 15 10 5 0 9 10 11 12 N. clientes 13 14 15

Histograma de frequncias relativas acumuladas

Frequncia relativa acumulada (%)

sendo depois a amplitude de cada classe calculada atravs da frmula

valor maximo - valor minimo n classes

20 a 50 51 a 100 101 a 200 201 a 500 501 a 1000 > 1000

2,525 2,527 2,527 2,534 2,520 2,515 2,533 2,520 2,510

2,543 2,529 2,536 2,518 2,522 2,519 2,542 2,514 2,524

2,532 2,518 2,506 2,538 2,524 2,527 2,530 2,512 2,521

2,510 2,527 2,541 2,543 2,545 2,542 2,522 2,534 2,535

2,517 2,528 2,512 2,528 2,531 2,528 2,540 2,526 2,528

2,522 2,521 2,515 2,519 2,519 2,540 2,535 2,530 2,523

2,519 2,519 2,521 2,523 2,519 2,522 2,526 2,532 2,525

2,510 2,531 2,536 2,523 2,529 2,526 2,532 2,526 2,522

2,511 2,511 2,529 2,529 2,522 2,520 2,502 2,523 2,530

2,522 2,519 2,524 2,523 2,513 2,525 2,522 2,520 2,514

Frequncia absoluta acumulada 1 2 12 24 47 66 77 82 89 90

Data: / /

Data: / /

Data: / /