Partilhar: Classroom Teams WhatsApp
aulify · Sebenta
UC · Unidade de Competência · UC00573

Aplicar métodos estatísticos no controlo dos processos (UC00573)

Do histograma à carta de controlo, da capacidade do processo ao sistema de medição, aplicado à fundição
25h · 2.25 pontos crédito Curso: T. Fundição, T. Laboratório - Fundição ↗ Referencial oficial SNQ
Índice

Há um pacote premium desta unidade: um PowerPoint editável de 100 ou mais diapositivos, um manual em PDF e dois testes com correção. Esta sebenta continua gratuita.

Introdução

Numa fundição, nenhum vazamento produz duas peças rigorosamente iguais. A cota de um casquilho varia um décimo de milímetro de peça para peça, a dureza de um bloco varia uns HB, o número de poros de uma peça para outra também muda. Essa variação não é um acidente: é uma propriedade de qualquer processo real. A pergunta que esta UC ensina a responder não é "porque varia?", mas sim: esta variação é normal, ou é sinal de um problema a corrigir já?

O controlo estatístico de processos (CEP) é o conjunto de métodos que responde a essa pergunta com dados, não com palpite. Esta sebenta segue o percurso completo: começamos pelas distribuições que descrevem a variação (Normal, para medidas contínuas; Poisson, para contagens de defeitos), passamos pela amostragem e pelas cartas de controlo que monitorizam o processo em tempo real, avaliamos a capacidade do processo para cumprir a tolerância do cliente (Cp e Cpk), validamos se o próprio sistema de medição é de confiar (MSA e GRR), e terminamos nas ferramentas estatísticas mais avançadas (testes de hipóteses, intervalos de confiança, regressão linear, ANOVA) que apoiam decisões mais finas sobre o processo.

Objetivos de aprendizagem (referencial): monitorizar e controlar os processos através de métodos estatísticos; identificar tendências e padrões nos processos; avaliar a capacidade do processo; implementar ações corretivas e preventivas. Tudo isto, sempre, alinhado com os objetivos estratégicos e os requisitos da qualidade da organização, e enquadrado pelas normas da qualidade aplicáveis (NP EN ISO 9001 em primeiro lugar).

Todos os exemplos numéricos desta sebenta usam valores plausíveis de um processo de fundição real (cotas de casquilhos, durezas de blocos, poros por peça, temperaturas de vazamento), para que o método se veja a funcionar sobre um caso concreto do sector, não sobre um exercício abstrato de estatística.

1. O controlo estatístico de processos no sistema de gestão da qualidade

Porque controlar com estatística

Um processo produtivo é um sistema que transforma matérias-primas (metal, areia, moldes) num produto (a peça fundida), sob a ação de várias fontes de variação: a temperatura de fusão, a humidade da areia, o desgaste da ferramenta, a experiência do operador. Mesmo quando tudo corre "bem", o resultado final varia ligeiramente de peça para peça. O controlo estatístico de processos (CEP) usa a recolha sistemática de dados, ao longo do tempo, para:

A diferença fundamental entre o CEP e a inspeção tradicional é temporal: a inspeção verifica a peça depois de produzida, dizendo "aceito" ou "rejeito"; o CEP vigia o processo enquanto ele produz, dizendo "este processo vai continuar a dar boas peças, ou está a desviar-se?". Um processo bem controlado reduz drasticamente o número de peças rejeitadas, porque intervém antes de o defeito se instalar.

O CEP dentro do sistema de gestão da qualidade (SGQ)

O CEP não existe isolado: é uma ferramenta ao serviço do sistema de gestão da qualidade da organização, tipicamente certificado segundo a NP EN ISO 9001. O ciclo PDCA (Planear, Executar, Verificar, Agir), estrutura central de qualquer SGQ, acolhe o CEP da seguinte forma:

Etapa do SGQ (PDCA) Papel do CEP
Planear Define que características críticas se monitorizam e com que frequência
Executar Recolhe os dados do processo em tempo real, através das cartas de controlo
Verificar Avalia a capacidade do processo (Cp, Cpk) face aos requisitos do cliente
Agir Dispara ações corretivas e preventivas quando os dados o justificam

O critério de desempenho central desta UC é garantir o alinhamento das ações de controlo com os objetivos estratégicos e os requisitos da qualidade da organização. Isto significa, na prática, três coisas: (1) só se monitoriza aquilo que realmente importa para o cliente ou para o custo do processo, não tudo o que é fácil de medir; (2) os limites e as metas de capacidade exigidos devem refletir requisitos reais, contratuais ou normativos, não números arbitrários; (3) qualquer ação corretiva ou preventiva tem de se justificar em termos de custo e benefício para a organização, não ser feita "porque os dados o permitem".

Uma fundição de componentes para a indústria automóvel recebe de um cliente a exigência contratual de Cpk ≥ 1,33 para a cota de um pino de articulação. Este requisito entra directamente no plano de controlo da organização: a equipa da qualidade sabe, antes de produzir a primeira peça do lote, que terá de demonstrar esse valor com dados de CEP, não apenas "garantir visualmente" que as peças estão boas.

2. Variabilidade: causas comuns e causas especiais

Duas fontes de variação

A distinção mais importante de toda a disciplina do CEP é entre dois tipos de variação:

Um processo em que só actuam causas comuns diz-se sob controlo estatístico: é previsível, dentro de limites conhecidos, mesmo que continue a variar. Note-se a armadilha conceptual: "sob controlo" não significa "sem defeitos". Significa "previsível". Se a variação natural do processo for maior do que a tolerância exigida, um processo perfeitamente sob controlo estatístico continuará a produzir peças fora de especificação, até se reduzir essa variação (ver Capítulo 8, sobre capacidade do processo).

Porque a distinção importa na prática

Reagir ao tipo errado de causa tem um custo real, e a estatística, por detrás disso, chama-se experiência do funil de Deming: ajustar repetidamente um processo estável, em resposta a cada oscilação aleatória, não o melhora, piora-o, porque introduz variação adicional vinda do próprio ajuste.

Situação Erro típico Consequência
Causa comum tratada como se fosse especial Ajustar a máquina a cada leitura isolada diferente da média Aumenta a variação total do processo (sobre-ajuste)
Causa especial tratada como se fosse comum Ignorar um ponto fora dos limites de controlo, "deve ser só sorte" A causa raiz continua a actuar, produção de defeituosos continua

Um erro muito frequente em chão de fábrica é o operador, ao ver a última peça medida ligeiramente fora da média, ajustar de imediato a máquina. Se a variação observada for apenas causa comum, este ajuste aumenta a variação do processo em vez de a reduzir. A regra correta: só se ajusta o processo quando a carta de controlo (Capítulo 5) sinalizar, de facto, uma causa especial.

3. Distribuições de dados: Normal e Poisson

A distribuição Normal

Muitas características contínuas de um processo de fundição (uma cota em milímetros, um peso em quilogramas, uma dureza em HB) seguem, quando o processo está estável, a distribuição Normal: a conhecida curva em sino, simétrica em torno de uma média μ, com dispersão medida pelo desvio-padrão σ. É esta distribuição que justifica a regra prática usada em todas as cartas de controlo de variáveis:

Intervalo em torno da média Proporção esperada dos dados
μ ± 1σ 68,3%
μ ± 2σ 95,4%
μ ± 3σ 99,7%

Os limites de controlo das cartas (Capítulo 5) colocam-se precisamente a ±3σ da média: fora desse intervalo, só 0,3% dos pontos deveriam cair por puro acaso, se o processo estivesse mesmo sob controlo. Um ponto fora de ±3σ é, por isso, um sinal estatisticamente forte de causa especial.

Exemplo resolvido: probabilidade fora de especificação

O peso de um componente fundido segue uma distribuição Normal com μ = 2,500 kg e σ = 0,015 kg. A especificação do cliente exige um peso entre 2,470 kg e 2,530 kg. Que proporção da produção, nesta situação, fica fora de especificação?

  1. Calcula-se o valor normalizado (z) para o limite superior: z = (2,530 − 2,500) / 0,015 = 2,00.
  2. Calcula-se o valor normalizado para o limite inferior: z = (2,470 − 2,500) / 0,015 = −2,00.
  3. Consultando a tabela da distribuição Normal padrão, P(Z > 2,00) ≈ 2,28%.
  4. Por simetria da curva, P(Z < −2,00) ≈ 2,28% também.
  5. A proporção total fora de especificação é a soma das duas caudas: ≈ 4,56%.

O resultado é instrutivo: mesmo um processo perfeitamente centrado e sob controlo estatístico produz quase 5 peças em cada 100 fora da especificação do cliente, porque a variação natural (σ) é relativamente grande face à tolerância exigida. Esta observação liga directamente ao conceito de capacidade do processo, estudado no Capítulo 8.

A distribuição de Poisson

Nem todas as características são contínuas. O número de poros numa peça fundida, o número de inclusões por metro quadrado de chapa, são contagens de eventos raros e independentes por unidade (uma peça, uma área, um período de tempo). Estas contagens modelam-se pela distribuição de Poisson, descrita por um único parâmetro: λ, a média de ocorrências por unidade.

A fórmula da probabilidade de observar exactamente k ocorrências é:

P(X = k) = e^(−λ) · λ^k / k!

onde e é a constante de Euler (≈2,71828). Não é preciso memorizar nem recalcular esta fórmula à mão em contexto profissional: o que importa é saber quando se aplica (contagens discretas de defeitos raros) e saber interpretar o resultado.

Exemplo resolvido: poros por peça fundida

O histórico de produção de um molde mostra uma média de λ = 1,5 poros por peça. Qual a probabilidade de uma peça saír sem qualquer poro visível?

P(X = 0) = e^(−1,5) × 1,5⁰ / 0! = e^(−1,5) ≈ 0,223

Cerca de 22,3% das peças produzidas por este molde saem sem qualquer poro; as restantes 77,7% têm, em média, pelo menos um. Este mesmo valor de λ será, no Capítulo 6, exactamente a linha central de uma carta de controlo de atributos do tipo c, usada para vigiar este defeito ao longo do tempo.

4. Amostragem de processos

Subgrupos racionais

Não é prático, nem normalmente necessário, medir 100% das peças produzidas de forma contínua. O método de referência, proposto originalmente por Walter Shewhart, é recolher subgrupos racionais: pequenas amostras (tipicamente 4 ou 5 peças) retiradas em condições o mais homogéneas possível (o mesmo vazamento, o mesmo turno, a mesma cavidade do molde), a intervalos regulares (por exemplo, de hora a hora).

A lógica por detrás desta escolha é simples mas poderosa:

Esta separação é o que torna a carta de controlo sensível a desvios reais, sem disparar falsos alarmes causados por misturar fontes diferentes de variação dentro do mesmo grupo.

Frequência, dimensão e estratificação

A escolha da amostragem envolve compromissos que a equipa da qualidade tem de decidir conscientemente:

Decisão Compromisso envolvido
Amostra maior (n) Mais sensível a detetar pequenos desvios, mas mais custo e tempo de recolha
Amostragem mais frequente Deteta problemas mais rapidamente, mas aumenta o trabalho de registo e análise
Amostragem estratificada Garante que todas as fontes conhecidas de variação (ex.: todas as cavidades de um molde multi-cavidade) entram na amostra ao longo do tempo

Um erro comum: amostrar sempre da mesma cavidade de um molde com várias cavidades, por ser a mais acessível. Isto esconde completamente eventuais diferenças entre cavidades, e a carta de controlo construída a partir destes dados dá uma falsa sensação de estabilidade, quando pode haver uma cavidade sistematicamente pior do que as outras.

A amostragem tem de rodar deliberadamente pelas fontes de variação conhecidas do processo (cavidades, turnos, operadores), não apenas pelo tempo.

5. Cartas de controlo de variáveis: X̄ e R

O que é uma carta de controlo

Uma carta de controlo é um gráfico de um valor medido, ou calculado a partir de uma amostra, representado ao longo do tempo, com três linhas de referência:

Enquanto os pontos oscilam dentro destes limites, sem formar padrões suspeitos, considera-se que o processo está sob controlo (só actuam causas comuns). Um ponto fora destes limites, ou certos padrões específicos (Capítulo 7), são sinais estatísticos de causa especial.

O erro conceptual mais frequente nesta matéria é confundir limite de controlo com limite de especificação. O limite de controlo vem da própria variação observada do processo (é descritivo); o limite de especificação vem do requisito do cliente ou do desenho técnico (é prescritivo). Os dois podem coincidir por acaso, mas não têm nenhuma relação matemática obrigatória entre si.

Cartas de variáveis versus cartas de atributos

Carta de variáveis Carta de atributos
O que mede Uma grandeza contínua (mm, kg, HB) Uma contagem ou uma proporção
Exemplos X̄-R, X̄-s, indivíduos e amplitude móvel p, np, c, u
Uso típico em fundição Diâmetro de um casquilho, dureza de um bloco Peças rejeitadas por lote, poros por peça
Informação que dá Mais rica (sabe-se quanto varia, não só se "passa ou não") Mais simples de recolher no terreno

A escolha entre variáveis e atributos faz-se pelo tipo de dado disponível: se a característica pode ser medida com um instrumento de precisão, usam-se cartas de variáveis, que são estatisticamente mais sensíveis e exigem amostras menores; se só é possível classificar "conforme/não conforme" ou contar um número de defeitos, usam-se cartas de atributos.

Construir a carta X̄-R

A carta mais usada para grandezas contínuas é a X̄-R, construída a partir de k subgrupos de n peças cada. Para cada subgrupo calcula-se a média (X̄) e a amplitude (R), a diferença entre o valor máximo e o mínimo do subgrupo. Reunindo os k subgrupos:

Linha central Limite superior de controlo Limite inferior de controlo
Carta X̄ X̄̄ X̄̄ + A2 · R̄ X̄̄ − A2 · R̄
Carta R R̄ D4 · R̄ D3 · R̄

Para subgrupos de n = 5, os valores tabelados são A2 = 0,577, D3 = 0 e D4 = 2,114. A carta R acompanha sempre a carta X̄: se a dispersão dentro dos subgrupos (medida por R) disparar, os limites da carta X̄ deixam de ser de confiança, porque foram calculados a partir de um R̄ que já não representa a realidade actual do processo.

Exemplo resolvido: carta X̄-R do diâmetro de um casquilho

Uma fundição produz um casquilho de bronze com cota nominal de 25,00 mm e tolerância ±0,10 mm. Recolheram-se 20 subgrupos de n = 5 peças, uma vez por hora, obtendo-se X̄̄ = 25,03 mm e R̄ = 0,12 mm.

  1. UCL da carta X̄: 25,03 + 0,577 × 0,12 = 25,03 + 0,069 = 25,099 mm
  2. LCL da carta X̄: 25,03 − 0,577 × 0,12 = 25,03 − 0,069 = 24,961 mm
  3. UCL da carta R: 2,114 × 0,12 = 0,254 mm
  4. LCL da carta R: 0 × 0,12 = 0 mm

Daqui para a frente, sempre que um subgrupo tiver uma média X̄ fora do intervalo [24,961 mm; 25,099 mm], ou uma amplitude R acima de 0,254 mm, a carta sinaliza uma causa especial a investigar de imediato. Note-se também algo relevante para o Capítulo 8: o processo está centrado em 25,03 mm, e não exactamente em 25,00 mm como seria desejável.

6. Cartas de controlo de atributos: p, np, c e u

Cartas p e np: proporção de não conformes

Quando o resultado da inspeção é binário, "conforme" ou "não conforme" (por exemplo, no controlo visual final de uma peça), usam-se as cartas de proporção (p) ou de número (np) de peças não conformes. A linha central e os limites da carta p calculam-se assim:

p̄ = total de peças não conformes / total de peças inspecionadas
UCL = p̄ + 3 × √(p̄(1−p̄)/n)
LCL = p̄ − 3 × √(p̄(1−p̄)/n)

Exemplo: uma linha de acabamento inspeciona 200 peças por dia, com uma taxa média histórica de p̄ = 4% de rejeição.

Cartas c e u: contagem de defeitos

Quando o que se conta são defeitos, e não peças (a mesma peça pode ter mais do que um defeito, como vários poros), usam-se as cartas c (contagem, para amostra de dimensão constante) ou u (defeitos por unidade, para amostra de dimensão variável), ambas assentes na distribuição de Poisson do Capítulo 3.

Carta c:  UCL = c̄ + 3 × √c̄        LCL = c̄ − 3 × √c̄

Exemplo: o histórico de um molde dá c̄ = 3,2 poros por peça (o mesmo λ do exemplo de Poisson do Capítulo 3).

A carta u generaliza este raciocínio quando a dimensão da amostra inspecionada varia de dia para dia: divide-se sempre o número de defeitos pela dimensão da amostra inspecionada, antes de comparar com os limites.

Carta O que conta Base estatística Exemplo em fundição
p Proporção de peças não conformes Binomial Taxa de rejeição diária
np Número de peças não conformes Binomial Peças rejeitadas por lote de dimensão fixa
c Número de defeitos por unidade, amostra fixa Poisson Poros por peça
u Defeitos por unidade, amostra variável Poisson Poros por m² de chapa fundida

7. Interpretar cartas: tendências, padrões e capacidade

Regras de alerta além do ponto fora dos limites

Um único ponto fora dos limites de controlo não é o único sinal estatístico de causa especial. As chamadas regras de Western Electric, usadas em todo o sector industrial, identificam padrões adicionais que, mesmo sem nenhum ponto fora dos limites, são evidência estatística forte de que algo mudou no processo:

Regra Sinal observado
Regra 1 Um único ponto fora dos limites de ±3σ
Regra 2 9 pontos consecutivos do mesmo lado da linha central
Regra 3 6 pontos consecutivos a subir, ou 6 a descer (tendência)
Regra 4 14 pontos consecutivos a alternar entre acima e abaixo da linha (oscilação)

Estas regras detetam desvios mais pequenos e persistentes, que um único ponto fora dos limites não apanharia, precisamente porque a probabilidade de um padrão destes ocorrer por puro acaso, num processo realmente só com causa comum, é muito baixa.

Exemplo resolvido: diagnosticar um padrão

Numa carta X̄ do diâmetro do casquilho (Capítulo 5), os últimos 7 subgrupos mostram valores a subir de forma constante e consecutiva, ainda todos dentro dos limites de controlo calculados. O supervisor de turno comenta: "está tudo bem, nenhum ponto está fora dos limites".

Resolução: o supervisor está errado. Uma sequência de 6 ou mais pontos consecutivos a subir corresponde à Regra 3, um sinal estatístico de causa especial, independentemente de os pontos estarem ou não fora dos limites de ±3σ. Na prática de uma fundição, a causa mais provável de uma tendência (em vez de um salto súbito) é o desgaste progressivo de um molde ou de uma ferramenta de macheamento. A ação correta é investigar o estado do molde antes de a tendência cruzar o limite superior e começar a produzir peças fora de especificação, aproveitando precisamente o aviso precoce que a Regra 3 oferece.

Da carta para a decisão de capacidade

Identificar que o processo está (ou não) sob controlo estatístico é apenas o primeiro passo. O passo seguinte, tratado no Capítulo 8, é perguntar: mesmo quando o processo está sob controlo (só causas comuns), é ele capaz de cumprir a tolerância exigida? Um processo pode estar perfeitamente estável e, ainda assim, continuar a produzir uma percentagem inaceitável de peças fora de especificação, se a sua variação natural for demasiado grande face à tolerância. É o que a análise de capacidade mede com precisão.

8. Capacidade do processo: Cp e Cpk

O índice Cp

O índice Cp compara a largura da especificação exigida pelo cliente com a largura natural da variação do processo (6σ), sem se preocupar com onde o processo está centrado:

Cp = (USL − LSL) / (6σ)

onde USL é o limite superior de especificação e LSL o limite inferior. A interpretação de referência é:

Valor de Cp Interpretação
Menor que 1,00 Processo incapaz: a variação natural já não cabe na tolerância exigida
Entre 1,00 e 1,33 Capacidade marginal
Entre 1,33 e 1,67 Capacidade boa
1,67 ou mais Capacidade excelente

O desvio-padrão σ usado nestes cálculos estima-se, habitualmente, a partir da amplitude média de uma carta X̄-R já existente: σ = R̄ / d2, onde d2 é outra constante tabelada que depende de n (para n = 5, d2 = 2,326).

Exemplo resolvido: Cp do diâmetro do casquilho

Retomando o exemplo do Capítulo 5: cota nominal 25,00 mm, tolerância ±0,10 mm (USL = 25,10 mm, LSL = 24,90 mm), R̄ = 0,12 mm, subgrupos de n = 5.

  1. σ = R̄ / d2 = 0,12 / 2,326 = 0,0516 mm
  2. Cp = (25,10 − 24,90) / (6 × 0,0516) = 0,20 / 0,3096 = 0,646

Um Cp de 0,646 é inferior a 1,00: a variação natural do processo (6σ ≈ 0,31 mm) é maior do que a própria tolerância pedida pelo cliente (0,20 mm). Isto significa que, mesmo que o processo estivesse perfeitamente centrado, continuaria a produzir peças fora de especificação. A conclusão prática é clara: é preciso reduzir a variabilidade do processo, não basta recentrá-lo.

O índice Cpk e a centragem do processo

O Cp tem uma limitação importante: ignora onde o processo está centrado. O índice Cpk corrige isso, considerando a distância da média real do processo (μ) a cada um dos limites de especificação:

Cpk = mín [ (USL − μ) / 3σ ; (μ − LSL) / 3σ ]

Propriedades úteis para interpretar Cpk na prática:

Exemplo resolvido: Cpk e plano de ação

Mesmo processo do casquilho, com a média real μ = 25,03 mm (e não os 25,00 mm desejados), USL = 25,10 mm, LSL = 24,90 mm, σ = 0,0516 mm:

  1. (USL − μ) / 3σ = (25,10 − 25,03) / 0,1548 = 0,07 / 0,1548 = 0,452
  2. (μ − LSL) / 3σ = (25,03 − 24,90) / 0,1548 = 0,13 / 0,1548 = 0,840
  3. Cpk = mín(0,452; 0,840) = 0,452

Comparando com o Cp = 0,646 calculado antes, vê-se que Cpk (0,452) é significativamente menor: o processo está descentrado para cima, mais perto do limite superior de especificação, além de ser demasiado variável em termos absolutos. O plano de ação correto tem duas frentes: recentrar a máquina para os 25,00 mm desejados, e, em paralelo, reduzir a dispersão do processo (investigando possíveis causas, como desgaste do molde ou variação da composição da liga). Fazer só uma das duas coisas deixa o problema parcialmente resolvido.

9. Sistemas de medição: MSA e estudo GRR

Porque validar o sistema de medição

Toda a análise desenvolvida até aqui, cartas de controlo, Cp, Cpk, assume implicitamente que o que se mede é fiável. Isto nem sempre é verdade. A variação total observada num conjunto de medições decompõe-se sempre em duas partes:

Variação observada = Variação real do processo + Variação introduzida pela medição

Se o instrumento de medição (um paquímetro, um durómetro) ou o método de medição introduzem muito "ruído" próprio, os dados tornam-se pouco fiáveis: uma carta de controlo pode disparar falsos alarmes sobre um processo que, na realidade, está estável; ou, pior, pode esconder um problema real sob o ruído da medição. A análise de sistemas de medição (MSA, Measurement System Analysis) avalia se o instrumento e o procedimento usados são adequados, antes de se confiar nos dados recolhidos para qualquer decisão de CEP.

Repetibilidade e reprodutibilidade

A variação introduzida pela medição decompõe-se, por sua vez, em dois componentes:

Componente Nome técnico O que avalia
Repetibilidade EV (equipment variation) O mesmo operador, com o mesmo instrumento, mede repetidamente a mesma peça: quanto varia o resultado?
Reprodutibilidade AV (appraiser variation) Operadores diferentes medem a mesma peça, com o mesmo instrumento: quanto variam os resultados entre eles?

As causas típicas de repetibilidade fraca (EV elevado) estão normalmente relacionadas com o próprio instrumento: desgaste, resolução insuficiente para a tolerância exigida, falta de calibração. As causas típicas de reprodutibilidade fraca (AV elevado) estão relacionadas com as pessoas: formação diferente entre operadores, técnica de aperto ou de leitura do instrumento não uniformizada.

O estudo GRR

O estudo GRR (Gauge Repeatability and Reproducibility) combina os dois componentes acima num único indicador, o %GRR, a partir de um desenho experimental típico: tipicamente 3 operadores, 10 peças, 2 repetições cada um.

%GRR = √(EV² + AV²)

O resultado expressa-se como percentagem da variação total observada (ou, em alternativa, da tolerância da característica), e interpreta-se segundo os limiares de referência do manual MSA da AIAG, muito usados também em Portugal pelos fornecedores da indústria automóvel:

%GRR Classificação
Menor que 10% Sistema de medição aceitável
Entre 10% e 30% Aceitável com reservas, dependendo da aplicação e da criticidade da característica
Maior que 30% Sistema de medição inaceitável, não se deve confiar nos dados até corrigir

Exemplo resolvido: %GRR do paquímetro usado no casquilho

Fez-se um estudo GRR ao paquímetro usado para medir a cota do casquilho, com 3 operadores, 10 peças e 2 repetições cada. Os resultados foram:

Componente Valor
EV (repetibilidade) 12,1%
AV (reprodutibilidade) 8,3%
%GRR √(12,1² + 8,3²) = √(146,41 + 68,89) = √215,30 ≈ 14,7%

Um %GRR de 14,7% cai na faixa intermédia (10% a 30%): aceitável com reservas. Olhando aos dois componentes individualmente, nota-se que a repetibilidade (12,1%) pesa mais do que a reprodutibilidade (8,3%), o que sugere que o esforço de melhoria deve começar pela verificação da calibração e do estado físico do próprio instrumento, mantendo em paralelo o reforço da formação dos operadores no procedimento de medição.

10. Tendências e sazonalidade na análise de processos

Olhar para o processo no tempo longo

A Regra 3 das regras de Western Electric (Capítulo 7) já identifica uma tendência como sinal estatístico dentro de uma única carta de controlo: 6 pontos consecutivos a subir ou a descer. Mas a aptidão de analisar amostragem de processos, tendências e sazonalidade, exigida pelo referencial desta UC, vai além de ler um ponto isolado: exige olhar para a evolução do processo ao longo de semanas ou meses, não apenas de hora a hora.

Tendência: deriva persistente numa só direção

Uma tendência é uma deriva gradual e persistente, sem salto súbito, numa única direção. As causas mais frequentes numa fundição são:

Uma tendência deteta-se cedo, antes de qualquer ponto sair dos limites de controlo, precisamente através da Regra 3. A ação adequada é de manutenção preventiva: substituir ou reparar o componente que se desgasta antes de ele gerar peças fora de especificação.

Sazonalidade: um padrão que se repete

A sazonalidade é diferente: é um padrão que se repete com um período fixo, ao longo de dias, turnos ou estações do ano, e que volta ao ponto de partida em cada ciclo, em vez de se acumular numa só direção. O exemplo clássico numa fundição é a humidade da areia de moldação, que varia com a estação do ano (tipicamente mais húmida no inverno, em Portugal), alterando a taxa de defeitos de forma repetida, ano após ano.

Padrão Período Comportamento Ação típica
Tendência Sem período fixo Acumula-se numa só direção, não volta atrás por si Manutenção preventiva do componente que se desgasta
Sazonalidade Semanal, mensal, anual Repete-se, volta ao ponto de partida em cada ciclo Ajuste programado dos parâmetros antes de cada época

Para detetar sazonalidade é preciso recolher e representar dados ao longo de um período longo, pelo menos um ciclo completo (um ano, para sazonalidade anual), porque uma única semana de carta de controlo nunca a revela: parece apenas ruído.

Ao comunicar este tipo de análise à equipa de produção, a distinção mais útil a transmitir é prática: uma tendência pede uma peça nova ou uma reparação; uma sazonalidade pede um ajuste de parâmetros que se repete todos os anos na mesma época, de forma planeada e não reativa.

Exemplo resolvido: separar tendência de sazonalidade

Uma fundição regista a taxa mensal de rechupes (um defeito de contração do metal ao solidificar) durante 24 meses consecutivos, no mesmo molde. A análise dos dados revela dois padrões sobrepostos:

  1. Uma subida lenta e constante da taxa de rechupes ao longo dos primeiros 10 meses, coincidindo com o número crescente de ciclos de produção acumulados pelo molde.
  2. Um pico recorrente nos meses de julho e agosto, em ambos os anos, cerca de 2 pontos percentuais acima da média anual, seguido de regresso ao valor habitual em setembro.

Resolução: o primeiro padrão é uma tendência, provavelmente ligada ao desgaste progressivo da superfície interna do molde com o número de ciclos; a ação adequada é planear a substituição do molde antes do fim da sua vida útil estimada, não esperar que a taxa de rechupes dispare. O segundo padrão é uma sazonalidade de período anual, provavelmente ligada à temperatura e à humidade ambiente mais elevadas no verão, que afetam a velocidade de arrefecimento do metal na nave fabril; a ação adequada é ajustar previamente, todos os anos em junho, o tempo de arrefecimento ou a temperatura de vazamento, em vez de reagir ao problema só quando ele já apareceu em julho.

11. Testes de hipóteses e intervalos de confiança

Decidir se uma diferença é real ou é acaso

As cartas de controlo e os índices de capacidade respondem a perguntas sobre um único processo ao longo do tempo. Muitas decisões do dia a dia da qualidade, porém, comparam duas situações: o processo antes e depois de um ajuste, dois turnos, dois fornecedores de areia, duas ligas. Para essas perguntas, o referencial exige a aptidão de testar hipóteses e intervalos de confiança.

Um teste de hipóteses parte de duas afirmações concorrentes:

O procedimento calcula uma estatística de teste a partir dos dados (por exemplo, um valor t), compara-a com um valor crítico tabelado para um nível de significância escolhido (habitualmente α = 0,05, ou seja, 5%), e decide: se a estatística calculada ultrapassa o valor crítico, rejeita-se H0 e conclui-se que a diferença é estatisticamente real; caso contrário, não há evidência suficiente para afirmar isso.

Não rejeitar H0 não é o mesmo que provar que H0 é verdadeira. Significa apenas que os dados recolhidos não têm evidência suficiente para afirmar que existe diferença. Uma amostra maior poderia, eventualmente, revelar uma diferença real que esta amostra, pela sua dimensão, não teve poder estatístico para detetar.

Exemplo resolvido: comparar dois fornecedores de areia de moldação

Uma fundição suspeita que a areia de moldação do Fornecedor B produz mais rechupes do que a do Fornecedor A habitual. Recolhem-se 16 peças produzidas com areia de cada fornecedor, medindo a percentagem de porosidade superficial.

Aplicando um teste t para duas amostras independentes, obtém-se um valor t calculado = 2,88. O valor crítico, para 30 graus de liberdade e α = 0,05, é t crítico ≈ 2,042.

Como 2,88 é superior a 2,042, rejeita-se H0: a diferença observada entre os dois fornecedores é estatisticamente significativa, não apenas acaso de amostragem. A conclusão prática é que a areia do Fornecedor B está, de facto, associada a mais porosidade, e a fundição deve investigar a composição ou a humidade dessa areia antes de a continuar a usar nas peças críticas.

Intervalos de confiança

Um intervalo de confiança (IC) complementa o teste de hipóteses: em vez de uma resposta "sim ou não" sobre existir diferença, dá uma gama de valores plausíveis para o verdadeiro valor de um parâmetro do processo (por exemplo, a média), com um grau de confiança escolhido, habitualmente 95%.

Para a média de uma amostra, com desvio-padrão estimado a partir dos dados, a fórmula é:

IC = X̄ ± t · (s / √n)

Exemplo resolvido: intervalo de confiança da dureza de um lote

Um lote de 25 blocos fundidos tem dureza média X̄ = 215 HB, com desvio-padrão amostral s = 8 HB. A especificação do cliente exige uma dureza mínima de 200 HB. Qual o intervalo de confiança a 95% para a dureza média real deste lote?

  1. t crítico para 24 graus de liberdade, α = 0,05, bicaudal: 2,064.
  2. Erro-padrão: s / √n = 8 / √25 = 8 / 5 = 1,6 HB.
  3. Margem: 2,064 × 1,6 = 3,30 HB.
  4. IC 95% = 215 ± 3,30 = [211,70 HB ; 218,30 HB].

Como o limite inferior do intervalo (211,70 HB) está claramente acima dos 200 HB exigidos pelo cliente, há confiança razoável, com 95% de certeza estatística, de que a dureza média real deste lote cumpre a especificação, mesmo considerando a incerteza natural de se ter medido apenas uma amostra e não a totalidade do lote.

12. Ferramentas estatísticas avançadas: regressão linear e ANOVA

Regressão linear: relacionar duas variáveis contínuas

A regressão linear procura a melhor reta que relaciona uma variável de entrada (X), um parâmetro do processo que se pode ajustar, com uma variável de saída (Y), um resultado que se quer prever ou explicar. A equação da reta é:

Y = a + b · X

onde b é o declive (quanto Y muda por cada unidade de X) e a é a ordenada na origem (o valor de Y quando X = 0). A qualidade do ajuste mede-se pelo coeficiente de determinação R², entre 0 e 1 (ou entre 0% e 100%): a proporção da variação de Y que o modelo explica através de X. Um R² de 0,78, por exemplo, significa que 78% da variação observada em Y se explica pela variação de X, e os restantes 22% vêm de outros fatores não incluídos no modelo.

Exemplo resolvido: temperatura de vazamento e porosidade

Uma fundição registou, em 15 vazamentos, a temperatura de vazamento (em °C) e o número de poros detetados por peça. O ajuste por mínimos quadrados produziu a equação:

Defeitos previstos = 213 − 0,15 × Temperatura

com R² = 0,78. Aplicando a equação a três temperaturas de referência:

Temperatura de vazamento Defeitos previstos
1 380 °C 213 − (0,15 × 1 380) = 213 − 207 = 6
1 400 °C 213 − (0,15 × 1 400) = 213 − 210 = 3
1 420 °C 213 − (0,15 × 1 420) = 213 − 213 = 0

A relação é negativa e forte (R² = 0,78): temperaturas de vazamento mais altas, dentro da gama observada, associam-se a menos porosidade nesta liga. A decisão prática é subir ligeiramente o patamar de temperatura de trabalho, sempre dentro dos limites metalúrgicos de segurança da liga.

Esta equação só é de confiar dentro da gama de temperaturas observada nos 15 vazamentos (entre o mínimo e o máximo registados). Extrapolar para uma temperatura muito fora desse intervalo, por exemplo 1 200 °C, assume que a relação linear continua a valer sem qualquer verificação, um dos erros mais frequentes ao usar regressão linear na indústria.

ANOVA: comparar três ou mais grupos

Quando a pergunta envolve três ou mais grupos em simultâneo, e não apenas dois como no teste t, a ferramenta adequada é a análise de variância (ANOVA). A ANOVA compara a variação entre os grupos com a variação dentro de cada grupo, resumida numa estatística F:

Exemplo resolvido: dureza entre três fornos

Uma fundição opera três fornos (A, B e C) para a mesma liga. Recolheram-se amostras de n = 8 peças de cada forno e mediu-se a dureza em HB. O teste ANOVA produziu F calculado = 5,32, contra um F crítico = 3,47 (para 2 e 21 graus de liberdade, α = 0,05).

Como 5,32 é superior a 3,47, rejeita-se H0: existe pelo menos um forno com uma dureza média estatisticamente diferente dos outros. Comparando as médias de cada grupo, verifica-se que o Forno C produz peças com dureza sistematicamente mais baixa do que os Fornos A e B. A ação correta é investigar as condições específicas do Forno C (temperatura real de fusão, tempo de permanência da liga em fusão, composição) antes de misturar a sua produção com a dos outros fornos na mesma expedição ao cliente.

A ANOVA diz que existe diferença entre os grupos; não diz, por si só, qual grupo é diferente. Essa segunda pergunta responde-se depois, comparando diretamente as médias de cada grupo, como no exemplo do Forno C.

Erros comuns

Glossário

Síntese

O fluxo completo desta UC segue sempre a mesma lógica, aplicável a qualquer característica de um processo de fundição: primeiro, recolhem-se dados por amostragem em subgrupos racionais; depois, constroem-se cartas de controlo adequadas ao tipo de dado (variáveis como X̄-R, para grandezas contínuas; atributos como p, np, c ou u, para contagens e proporções), apoiadas nos modelos de distribuição Normal ou de Poisson, conforme o caso. As cartas dizem se o processo está sob controlo estatístico, e as regras de interpretação (tendências, padrões) apanham desvios mesmo antes de qualquer ponto sair dos limites. Só depois de confirmado que o processo está estável se avalia a sua capacidade (Cp e Cpk), para saber se cumpre a tolerância exigida e se está bem centrado. Em paralelo, todo este edifício assenta na validação do sistema de medição (MSA, GRR): sem dados de confiança, nenhuma das conclusões anteriores se sustenta. Por fim, testes de hipóteses, intervalos de confiança, regressão linear e ANOVA fornecem as ferramentas estatísticas mais finas para comparar situações, relacionar variáveis do processo e comparar grupos (fornos, turnos, equipamentos), transformando sinais estatísticos em ações corretivas e preventivas concretas, sempre alinhadas com os objetivos da qualidade da organização e com as normas que a certificam.

Exercícios resolvidos

1. Um processo de fundição mostra, na carta X̄, os últimos 9 pontos todos do mesmo lado da linha central, embora nenhum esteja fora dos limites de controlo. O processo está sob controlo estatístico?

Resolução: não. Esta é a Regra 2 das regras de Western Electric: 9 pontos consecutivos do mesmo lado da linha central é um sinal estatístico de causa especial, independentemente de estarem ou não dentro dos limites de ±3σ. Deve investigar-se de imediato o que mudou no processo.

2. Um processo tem USL = 10,50 mm, LSL = 9,50 mm, e σ estimado em 0,20 mm. Calcula o Cp e classifica a capacidade do processo.

Resolução: Cp = (10,50 − 9,50) / (6 × 0,20) = 1,00 / 1,20 = 0,833. Como 0,833 é inferior a 1,00, o processo é incapaz: a sua variação natural (6σ = 1,20 mm) já excede a tolerância exigida (1,00 mm), mesmo que estivesse perfeitamente centrado.

3. Num estudo GRR, obteve-se EV = 20% e AV = 5%. Calcula o %GRR e diz se o sistema de medição é aceitável.

Resolução: %GRR = √(20² + 5²) = √(400 + 25) = √425 ≈ 20,6%. Está na faixa 10% a 30%, aceitável com reservas. Como EV domina claramente sobre AV, a prioridade de melhoria é o instrumento (calibração, desgaste), não a formação dos operadores.

4. Uma carta c de contagem de poros por peça tem c̄ = 2,0. Calcula o limite superior de controlo.

Resolução: UCL = c̄ + 3 × √c̄ = 2,0 + 3 × √2,0 = 2,0 + 3 × 1,414 = 2,0 + 4,243 = 6,24. Qualquer peça com 7 ou mais poros seria um sinal de causa especial a investigar.

5. Depois de um ajuste à máquina, uma amostra de n = 16 peças dá X̄ = 50,08 mm e s = 0,04 mm, com valor-alvo de 50,00 mm. Testa se o ajuste atingiu o alvo, usando t crítico de 2,131 (15 graus de liberdade, α = 0,05).

Resolução: t = (X̄ − μ0) / (s / √n) = (50,08 − 50,00) / (0,04 / 4) = 0,08 / 0,01 = 8,0. Como 8,0 é muito superior a 2,131, rejeita-se H0: a cota está, de forma estatisticamente muito significativa, acima do valor-alvo. O ajuste não atingiu o objetivo e precisa de ser revisto.

6. Uma fundição observa que a taxa de peças rejeitadas sobe lentamente ao longo dos últimos 12 meses, sem qualquer salto súbito, à medida que a ferramenta de corte acumula horas de utilização. Classifica este padrão e indica a ação mais adequada.

Resolução: é uma tendência, ligada ao desgaste progressivo da ferramenta de corte com as horas de uso acumuladas, não a uma sazonalidade (não há período fixo que se repita) nem a uma causa especial súbita. A ação mais adequada é planear a substituição ou a afiação da ferramenta antes de a taxa de rejeição ultrapassar um limite aceitável, em vez de esperar que o problema se agrave ainda mais.

7. Uma amostra de 20 peças fundidas tem X̄ = 48,2 mm e s = 0,5 mm. Calcula o intervalo de confiança a 95% para a média real do processo, usando t crítico de 2,093 (19 graus de liberdade).

Resolução: erro-padrão = s / √n = 0,5 / √20 = 0,5 / 4,47 ≈ 0,1118 mm. Margem = 2,093 × 0,1118 ≈ 0,234 mm. IC 95% = 48,2 ± 0,234 = [47,966 mm ; 48,434 mm]. O valor verdadeiro da média do processo está, com 95% de confiança estatística, dentro deste intervalo.

8. Três turnos (manhã, tarde, noite) produzem a mesma peça. Um técnico quer saber se a temperatura média de vazamento difere entre os três turnos. Que ferramenta estatística é a adequada, e porque não bastam três testes t comparando os turnos dois a dois?

Resolução: a ferramenta adequada é a ANOVA, porque compara as médias dos três turnos numa só análise, controlando o risco global de erro. Fazer três testes t par a par (manhã-tarde, manhã-noite, tarde-noite) acumula o risco de concluir, por puro acaso, que existe uma diferença onde não existe: cada teste t individual tem o seu próprio risco de falso positivo, e esse risco soma-se ao repetir o teste várias vezes sobre os mesmos dados, exatamente o erro listado nos Erros comuns desta sebenta.