Académique Documents
Professionnel Documents
Culture Documents
Itajub
Abril de 2006
Banca Examinadora:
Prof. Messias Borges Silva, Dr.
Prof. Joo Batista Turrioni, Dr.
Anderson Paulo de Paiva, MSc. (Co-Orientador)
Prof. Joo Roberto Ferreira, Dr. (Orientador)
Itajub
Abril de 2006
Tpicos Preliminares
iii
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
iv
AGRADECIMENTOS
Primeiramente agradeo a Deus pelo privilgio de possuir a sade, a motivao e os
recursos materiais necessrios para a continuidade desta importante caminhada educativa.
minha famlia, Patrcia, Amanda e Renata, pela base emocional, convvio afetivo e
compreenso, fundamentais para consecuo de qualquer desafio.
Particular agradecimento aos orientadores acadmicos, Prof. Dr. Joo Roberto
Ferreira, pela superviso das atividades relativas elaborao da dissertao; ao MSc.
Anderson Paulo de Paiva pelas crticas e sugestes apresentadas, determinantes para o
direcionamento do trabalho; e ao Prof. Dr. Pedro Paulo Balestrassi, pela assistncia na
definio do projeto de pesquisa.
Ao diretor do Instituto de Engenharia de Produo e Gesto da UNIFEI Prof. PhD.
Luiz Gonzaga Mariano de Souza, ao coordenador do Programa de Ps-Graduao em
Engenharia de Produo Prof. Dr. Carlos Eduardo Sanches da Silva e aos demais docentes do
curso, em especial ao Prof. Dr. Carlos Henrique Pereira Mello, ao Prof. Dr. Joo Batista
Turrioni e ao Prof. Dr. Renato da Silva Lima, que tambm contriburam atravs de orientao
e avaliao dos artigos produzidos a partir do desenvolvimento do tema em questo durante
os seminrios de dissertao.
Tambm devo consideraes aos funcionrios da secretaria, biblioteca, administrao,
manuteno e demais setores do campus pela importante colaborao direta ou indireta. Aos
mestrandos do Programa de Ps-Graduao em Engenharia de Produo da UNIFEI, em
especial aos matriculados a partir de 2004, que dividiram comigo suas experincias pessoais,
profissionais e estudantis. Ao colega Juliano Dias Calderaro pela troca de informaes e
fornecimento dos dados reais utilizados na pesquisa.
Sou grato aos meus amigos e aos colegas de trabalho pelo apoio e incentivo
demonstrados, destacadamente Celso Pereira Cobra e Ediraldo Bernardi Carvalho, que
aprovaram e avalizaram esta empreitada acadmica.
Especial e sincero agradecimento Laura Maria Anselmo Rodrigues e Raquel
Aparecida Anselmo pelo maior presente que se pode receber em toda uma vida: o acesso
educao.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
Suponho que todas as coisas que podem ser abrangidas pelo conhecimento humano esto
interligadas, como na Matemtica.
Ren Descartes (1596-1650)
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
vi
SUMRIO
Dedicatria.................................................................................................................................iii
Agradecimentos ......................................................................................................................... iv
Epgrafe ...................................................................................................................................... v
Sumrio...................................................................................................................................... vi
Lista de Figuras .......................................................................................................................viii
Lista de Tabelas ........................................................................................................................xii
Lista de Quadros......................................................................................................................xiii
Lista de Abreviaturas e Siglas ................................................................................................. xiv
Lista de Smbolos ..................................................................................................................... xv
Resumo ...................................................................................................................................xvii
Abstract..................................................................................................................................xviii
1. INTRODUO.................................................................................................................... 1
1.1.
Consideraes Iniciais .............................................................................................. 1
1.2.
Descrio do Problema............................................................................................. 3
1.3.
Objetivos................................................................................................................... 4
1.4.
Metodologia Adotada ............................................................................................... 5
1.5.
Estrutura do Trabalho ............................................................................................... 7
2. FUNDAMENTAO TERICA ....................................................................................... 9
2.1.
Viso Conceitual da Qualidade ................................................................................ 9
2.2.
Mtodos Estatsticos Aplicados Qualidade ......................................................... 12
2.3.
Anlise e Tratamento de Dados.............................................................................. 14
2.3.1. Aspectos Gerais ...................................................................................................... 14
2.3.2. Distribuio de Freqncias ................................................................................... 16
2.3.3. A Distribuio Normal ........................................................................................... 19
2.4.
Controle Estatstico de Processo ............................................................................ 22
2.4.1. Definio e Conceitos Bsicos ............................................................................... 22
2.4.2. Caractersticas Gerais ............................................................................................. 24
2.4.3. Grficos de Controle............................................................................................... 26
2.4.4. ndices de Capabilidade.......................................................................................... 33
2.5.
Metodologia Seis Sigma......................................................................................... 38
2.5.1. Definio e Conceitos Bsicos ............................................................................... 38
2.5.2. Origens da Metodologia Seis Sigma ...................................................................... 39
2.5.3. Caractersticas Gerais ............................................................................................. 40
2.5.4. Determinao do Nvel Sigma................................................................................ 43
3. ESTUDO DA NO NORMALIDADE ............................................................................. 48
3.1.
Anlise de Normalidade ......................................................................................... 48
3.2.
Efeitos da No Normalidade .................................................................................. 50
3.3.
No Normalidade, Grficos de Controle e Capabilidade ....................................... 53
3.4.
Transformao de Dados ........................................................................................ 55
3.4.1. Aspectos Gerais ...................................................................................................... 55
3.4.2. Transformao de Box-Cox.................................................................................... 56
3.4.3. Transformao de Johnson ..................................................................................... 62
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
vii
Tpicos Preliminares
viii
LISTA DE FIGURAS
Figura 1.1 Distribuies diferentes com mesma localizao e disperso................................ 3
Figura 2.1 Representao de um processo produtivo ............................................................ 12
Figura 2.2 Diagrama de utilizao dos mtodos para garantia da qualidade ........................ 14
Figura 2.3 Exemplo de um diagrama de caixa (Box Plot) .................................................... 15
Figura 2.4 Exemplo de uma distribuio de freqncias com histograma............................ 17
Figura 2.5 Principais aspectos da curva correspondente distribuio Normal ................... 19
Figura 2.6 Curva normal reduzida ou padronizada ............................................................... 20
Figura 2.7 Estratgia para melhorias em Controle Estatstico de Processo........................... 26
Figura 2.8 Exemplo tpico de um grfico de controle ........................................................... 27
Figura 2.9 Fluxograma para escolha do tipo de grfico de controle ..................................... 33
Figura 2.10 Exemplo de avaliao de capabilidade de um processo com histograma.......... 34
Figura 2.11 A curva normal e os limites de especificao .................................................... 40
Figura 2.12 Deslocamento da mdia do processo em 1,5 sigma........................................... 41
Figura 2.13 Esquema simplificado para clculo do nvel sigma ........................................... 45
Figura 2.14 Fluxograma geral para determinao do ndice de capacidade seis sigma ........ 47
Figura 3.1 Limites de controle em termos de percentis para distribuies no normais....... 53
Figura 3.2 Exemplo de anlise de dados no normais........................................................... 59
Figura 3.3 Exemplo de um grfico relativo transformao de Box-Cox............................ 60
Figura 3.4 Exemplo de anlise dos dados aps transformao de Box-Cox......................... 61
Figura 3.5 Exemplo de um grfico relativo transformao de Johnson ............................. 63
Figura 4.1 Fluxograma das atividades da pesquisa experimental ......................................... 66
Figura 4.2 Fluxograma das atividades da pesquisa exploratria ........................................... 67
Figura 4.3 Anlise dos dados para Gamma 220................................................................. 69
Figura 4.4 Anlise dos dados para Gamma 220 sem outliers............................................ 69
Figura 4.5 Avaliao melhor distribuio aplicvel aos dados Gamma 220 sem outliers 70
Figura 4.6 Transformao de Box-Cox para os dados em Gamma 220 ............................ 71
Figura 4.7 Anlise dos dados transformados por Box-Cox em Gamma 220..................... 71
Figura 4.8 Transformao de Box-Cox para os dados em Gamma 220 sem outliers ....... 72
Figura 4.9 Anlise dos dados transformados por Box-Cox em Gamma 220 sem outliers 72
Figura 4.10 Transformao de Johnson para os dados em Gamma 220............................ 73
Figura 4.11 Anlise dos dados transformados por Johnson em Gamma 220 .................... 73
Figura 4.12 Transformao de Johnson para os dados em Gamma 220 sem outliers ....... 74
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
ix
Figura 4.13 Anlise dos dados transformados (Johnson) em Gamma 220 sem outliers ... 74
Figura 4.14 Grfico de controle para Gamma 220 considerando distribuio Normal ..... 75
Figura 4.15 Grfico de controle Gamma 220 sem outliers assumindo normalidade......... 76
Figura 4.16 Grfico de controle Gamma 220 com limites de controle em percentis ........ 76
Figura 4.17 Grfico de controle Gamma 220 sem outliers com limites em percentis....... 77
Figura 4.18 Grfico de controle para Gamma 220 aps transformao de Box-Cox........ 77
Figura 4.19 Grfico de controle para Gamma 220 sem outliers aps Box-Cox................ 78
Figura 4.20 Grfico de controle para Gamma 220 aps transformao de Johnson ......... 78
Figura 4.21 Grfico de controle para Gamma 220 sem outliers aps Johnson ................. 79
Figura 4.22 ndices de capabilidade para Gamma 220 considerando distribuio Normal80
Figura 4.23 ndices de capabilidade Gamma 220 sem outliers assumindo normalidade .. 80
Figura 4.24 ndices de capabilidade de Gamma 220 considerando distribuio Gamma . 81
Figura 4.25 ndices de capabilidade de Gamma 220 sem outliers (distribuio Weibull) 81
Figura 4.26 ndices de capabilidade de Gamma 220 aps transformao de Box-Cox..... 82
Figura 4.27 ndices de capabilidade de Gamma 220 sem outliers aps Box-Cox............. 82
Figura 4.28 ndices de capabilidade de Gamma 220 aps transformao de Johnson ...... 83
Figura 4.29 ndices de capabilidade de Gamma 220 sem outliers aps Johnson .............. 83
Figura 4.30 Anlise dos dados para Beta 2550.................................................................. 85
Figura 4.31 Anlise dos dados para Beta 2550 sem outliers ............................................. 85
Figura 4.32 Transformao de Box-Cox para os dados em Beta 2550.............................. 86
Figura 4.33 Anlise dos dados transformados por Box-Cox em Beta 2550 ...................... 86
Figura 4.34 Transformao de Johnson para os dados em Beta 2550 ............................... 87
Figura 4.35 Anlise dos dados transformados por Johnson em Beta 2550........................ 87
Figura 4.36 Grfico de controle para Beta 2550 considerando distribuio Normal ........ 88
Figura 4.37 Grfico de controle Beta 2550 sem outliers assumindo distribuio Normal 89
Figura 4.38 Grfico de controle Beta 2550 com limites de controle em percentis............ 89
Figura 4.39 Grfico de controle para Beta 2550 aps transformao de Box-Cox ........... 90
Figura 4.40 Grfico de controle para Beta 2550 aps transformao de Johnson............. 90
Figura 4.41 ndices de capabilidade de Beta 2550 considerando distribuio Normal ..... 91
Figura 4.42 ndices de capabilidade de Beta 2550 sem outliers assumindo normalidade. 92
Figura 4.43 ndices de capabilidade de Beta 2550 considerando distribuio Weibull .... 92
Figura 4.44 ndices de capabilidade de Beta 2550 aps transformao de Box-Cox........ 93
Figura 4.45 ndices de capabilidade de Beta 2550 aps transformao de Johnson ......... 93
Figura 4.46 Anlise do conjunto de dados originais 3/4AE .............................................. 95
Figura 4.47 Anlise do conjunto de dados 3/4AE sem outliers......................................... 95
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
Figura 4.48 Avaliao da melhor distribuio aplicvel ao conjunto de dados 3/4AE ..... 96
Figura 4.49 Anlise do conjunto de dados originais 3/4AD .............................................. 97
Figura 4.50 Anlise do conjunto de dados 3/4AD sem outliers ........................................ 97
Figura 4.51 Avaliao da melhor distribuio aplicvel ao conjunto de dados 3/4AD..... 98
Figura 4.52 Avaliao distribuio aplicvel ao conjunto de dados 3/4AD sem outliers . 98
Figura 4.53 Transformao de Box-Cox para o conjunto de dados 3/4AE ....................... 99
Figura 4.54 Anlise do conjunto de dados 3/4AE transformados por Box-Cox ............... 99
Figura 4.55 Transformao de Johnson para o conjunto de dados 3/4AE....................... 100
Figura 4.56 Transformao de Box-Cox para o conjunto de dados 3/4AD..................... 100
Figura 4.57 Anlise do conjunto de dados 3/4AD transformados por Box-Cox ............. 101
Figura 4.58 Transformao de Johnson para o conjunto de dados 3/4AD ...................... 101
Figura 4.59 Transformao de Box-Cox para o conjunto de dados 3/4AD sem outliers 102
Figura 4.60 Transformao de Johnson para o conjunto de dados 3/4AD sem outliers.. 102
Figura 4.61 ndices de capabilidade do conjunto de dados originais 3/4AE ................... 103
Figura 4.62 ndices de capabilidade dados 3/4AE baseados na distribuio Loglogistic 104
Figura 4.63 ndices de capabilidade dos dados 3/4AE transformados por Johnson ........ 104
Figura 4.64 ndices de capabilidade do conjunto de dados 3/4AE sem outliers ............. 105
Figura 4.65 ndices de capabilidade do conjunto de dados originais 3/4AD................... 105
Figura 4.66 ndices de capabilidade dados 3/4AD baseados na distribuio Logistic .... 106
Figura 4.67 ndices de capabilidade do conjunto de dados 3/4AD sem outliers ............. 106
Figura 4.68 ndices capabilidade dados 3/4AD sem outliers (distribuio Lognormal) . 107
Figura 4.69 Anlise do conjunto de dados originais 5/8TE............................................. 108
Figura 4.70 Avaliao da melhor distribuio aplicvel ao conjunto de dados 5/8TE.... 109
Figura 4.71 Anlise do conjunto de dados originais 5/8TD ............................................ 109
Figura 4.72 Anlise do conjunto de dados 5/8TD sem outliers....................................... 110
Figura 4.73 Avaliao da melhor distribuio aplicvel ao conjunto de dados 5/8TD ... 110
Figura 4.74 Avaliao de distribuio aplicvel ao conjunto dados 5/8TD sem outliers 111
Figura 4.75 Transformao de Box-Cox para o conjunto de dados 5/8TE...................... 112
Figura 4.76 Anlise do conjunto de dados 5/8TE transformados por Box-Cox .............. 112
Figura 4.77 Transformao de Johnson para o conjunto de dados 5/8TE ....................... 113
Figura 4.78 Transformao de Box-Cox para o conjunto de dados 5/8TD ..................... 113
Figura 4.79 Anlise do conjunto de dados 5/8TD transformados por Box-Cox ............. 114
Figura 4.80 Transformao de Johnson para o conjunto de dados 5/8TD....................... 114
Figura 4.81 Transformao de Box-Cox para o conjunto de dados 5/8TD sem outliers 115
Figura 4.82 Transformao de Johnson para o conjunto de dados 5/8TD sem outliers .. 115
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
xi
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
xii
LISTA DE TABELAS
Tabela 2.1 Referncias para o nvel sigma ............................................................................ 38
Tabela 2.2 Referncias entre nvel sigma e PPM (com e sem desvio).................................. 41
Tabela 3.1 Comparao da proporo de itens no conformes em distribuies diferentes . 52
Tabela 3.2 Exemplos tpicos da transformao de Box-Cox................................................. 58
Tabela 3.3 Exemplo de um conjunto de dados no normais ................................................. 59
Tabela 3.4 Frmulas associadas com as famlias da transformao de Johnson................... 62
Tabela 4.1 Clculos comparativos do nvel sigma para Gamma 220 ................................ 84
Tabela 4.2 Clculos comparativos do nvel sigma para Beta 2550 ................................... 94
Tabela 4.3 Clculos comparativos do nvel sigma para 3/4AE e 3/4AD ..................... 107
Tabela 4.4 Clculos comparativos do nvel sigma para 5/8TE e 5/8TD ...................... 121
Tabela 5.1 Interpretao dos grficos de controle individuais - dados simulados .............. 124
Tabela 5.2 Determinao do nvel sigma - dados simulados .............................................. 127
Tabela 5.3 Determinao do nvel sigma - dados reais ....................................................... 132
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
xiii
LISTA DE QUADROS
Quadro 1.1 Conseqncias da suposio incorreta de normalidade........................................ 4
Quadro 1.2 Resumo da metodologia adotada.......................................................................... 6
Quadro 2.1 Evoluo da Inspeo Garantia da Qualidade ................................................. 11
Quadro 2.2 Campos de aplicao de algumas distribuies estatsticas ............................... 18
Quadro 2.3 Frmulas dos tipos mais comuns de grficos de controle para variveis........... 30
Quadro 2.4 Frmulas dos tipos de grficos de controle para atributos ................................. 31
Quadro 2.5 Classificao de processos a partir do ndice CP ................................................ 37
Quadro 2.6 Viso geral do DMAIC....................................................................................... 42
Quadro 2.7 Papis desempenhados na Metodologia Seis Sigma .......................................... 43
Quadro 2.8 Definio de conceitos para atributos na Metodologia Seis Sigma.................... 46
Quadro 4.1 Resumo dos aspectos gerais da pesquisa............................................................ 64
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
xiv
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
xv
LISTA DE SMBOLOS
A2 constante para definio dos limites de controle das mdias no grfico X -R
A3 constante para definio dos limites de controle das mdias no grficos X -S
B3 constante para definio do limite de controle inferior do desvio-padro no grfico X -S
B4 constante para definio do limite de controle superior do desvio-padro no grfico X -S
c nmero total de defeitos em todas as unidades da amostra em estudo
Tpicos Preliminares
xvi
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
xvii
RESUMO
Esta dissertao apresenta uma anlise crtica da utilizao de alguns mtodos
estatsticos aplicados Qualidade nos casos em que os dados coletados no se apresentam
normalmente distribudos. O problema geral aqui identificado diz respeito ocorrncia de
decises questionveis tomadas a partir da interpretao de dados considerados normais. A
justificativa primordial para este estudo reside na relevncia da anlise dos dados durante sua
coleta e tratamento na prtica industrial e em trabalhos cientficos nos mais variados nveis.
Os principais objetivos deste trabalho so: apresentar algumas situaes de utilizao de
grficos de controle e ndices de capabilidade seis sigma que possam induzir a concluses
duvidosas devido adoo incorreta de normalidade; propor reviso crtica efetuando as
transformaes de Box-Cox e/ou Johnson; e, finalmente, discutir as concluses e decises
estabelecidas atravs da comparao entre os dados brutos originalmente coletados, os dados
previamente analisados e processados e os dados transformados. A abordagem metodolgica
combina pesquisa experimental atravs da anlise de dados simulados gerados a partir de um
software estatstico bem como pesquisa exploratria na forma de estudo de caso em um
processo industrial de medio de furos de preciso.
Palavras chave: Dados no normais, Grfico de controle individual, ndice de capabilidade
sigma, Transformao de dados.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
xviii
ABSTRACT
This dissertation presents a critical analysis regarding the use of some statistical
methods applied to Quality in cases in which the collected data are not normally distributed.
The general problem refers to the occurrence of questionable decision takings starting from
the interpretation of data considered normally distributed. The primordial justification for
this study is the relevance of the data analysis during its collection and handling in the
industrial practice and in scientific works in the most varied levels. The main objectives of
this work are: to present some examples related to the usage of control charts and six sigma
capability index that may induce to doubtful conclusions due to the incorrect assumption of
normality; to propose critical review proceeding to the Box-Cox and/or Johnson
transformations; and, finally, to discuss the conclusions and decisions established through the
comparison among the gross data originally collected, the data previously analyzed and
processed and the transformed data. The methodological approach combines experimental
research through the analysis of simulate data generated starting from a statistical software
as well as exploratory research with case study in an industrial process of precision hole
measurement.
Key Words: Individual control chart, Data transformation, Non-normal data, Sigma
capability index.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Captulo1: Introduo
1.
INTRODUO
1.1
Consideraes Iniciais
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Captulo1: Introduo
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Captulo1: Introduo
1.2
Descrio do Problema
Segundo Bayeux (2001) uma condio relevante na anlise estatstica de processos
que esses tenham comportamento modelado pela distribuio Normal, ou pelo menos que a
distribuio, embora no normal, seja conhecida. Na verdade, em boa parte dos casos
prticos, a condio de normalidade absoluta e estvel um evento raro sendo comum
algumas situaes de no-normalidade, tais como assimetria unilateral, distribuio com
ramos mais densos, uniformidade na freqncia dos valores observados, entre outras.
A Figura 1.1 apresenta uma comparao entre a distribuio Normal e outros tipos de
distribuies observadas em situaes reais. Nota-se que, embora as distribuies mostradas
possuam a mesma localizao e mesma disperso dos dados em relao distribuio
Normal, existe uma sensvel diferena entre as reas delimitadas pelos limites de
especificao inferior e superior. Tal fato altera, por exemplo, os clculos relativos taxa
esperada de produtos no-conformes na sada do processo e conseqentemente os ndices de
capabilidade ou capacidade, alm de outros indicadores teis em anlise estatstica.
Devido ao formato caracterstico de cada curva, as 4 reas delimitadas por LIE e LSE so diferentes.
Distribuio
-Quadrado
Distribuio
t-Student
Distribuio
Uniforme
Distribuio
Normal
mdia
6 desvios-padro
LIE
(Limite Inferior de Especificao)
LSE
(Limite Superior de Especificao)
Captulo1: Introduo
MTODO ESTATSTICO
CONSEQNCIA DA NO NORMALIDADE
Teste de Hipteses
Anlise de Regresso
Planejamento de Experimentos
1.3
Objetivos
O objetivo geral desta pesquisa efetuar um aprofundamento dos aspectos relativos
aos efeitos da no normalidade de dados na aplicao de mtodos estatsticos, bem como das
tcnicas de transformao matemtica de variveis e sua comparao com outros mtodos, de
modo a destacar a relevncia da correta anlise de dados.
De forma complementar e garantindo que objetivo proposto seja alcanado, os
seguintes objetivos especficos foram estabelecidos:
a) Discutir a utilizao de grficos de controle individuais em alguns exemplos
simulados em situaes que possam induzir a concluses duvidosas devido
adoo incorreta de normalidade dos dados;
b) Avaliar a determinao do ndice de capabilidade sigma em alguns exemplos reais
e simulados em situaes que possam induzir a concluses duvidosas devido
adoo incorreta de normalidade dos dados.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Captulo1: Introduo
1.4
Metodologia Adotada
A classificao dos tipos de pesquisa cientfica apresenta diversos critrios que variam
de acordo com o contexto geral do estudo e com o enfoque adotado. Esta diversidade est
relacionada, por exemplo, aos objetivos, objetos de estudo, procedimentos e condies de
pesquisa. Por este motivo, antes de caracterizar a metodologia adotada, interessante
apresentar algumas definies em relao aos tipos e mtodos de pesquisa para um melhor
entendimento do cenrio que originou o planejamento desta dissertao.
Severino (2002) destaca que os mtodos e as tcnicas empricas de pesquisa
possibilitam a existncia de diversas formas de investigao cientfica, tais como, pesquisa
experimental, pesquisa bibliogrfica, pesquisa de campo, pesquisa documental, pesquisa
histrica, pesquisa fenomenolgica, pesquisa clnica, pesquisa lingstica, entre outras.
No que tange aos objetivos, Gil (1991) classifica os tipos de pesquisa cientfica da
seguinte maneira:
a) Pesquisas exploratrias proporcionam maior familiaridade com determinado
tema e, quanto aos procedimentos tcnicos utilizados, podem ser divididas em
pesquisa bibliogrfica e estudo de caso;
b) Pesquisas descritivas possibilitam descrio detalhada de caractersticas de
grupos e, em termos de procedimentos tcnicos, assumem a forma de
levantamento atravs de censo ou amostragem;
c) Pesquisas explicativas identificam os fatores que causam ou contribuem para
ocorrncia de determinados fenmenos e, quanto aos procedimentos tcnicos
utilizados, caracterizam-se como pesquisa experimental.
Em termos de metodologias que utilizam simulao e modelagem, Bertrand &
Fransoo (2002) classificam as pesquisas de Gesto de Operaes em duas categorias:
a) Pesquisa axiomtica tipicamente normativa, a investigao orientada por
modelos idealizados, onde o objetivo primrio do pesquisador obter solues no
modelo definido e garantir que tais solues forneam as descobertas na estrutura
do problema;
b) Pesquisa emprica podendo ser normativa ou descritiva, este tipo de pesquisa
orientada por resultados e medies empricas e est interessada na criao de
modelos que adequadamente descrevam as relaes causais existentes em
processos reais e que conduzam a um melhor entendimento destes processos.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Captulo1: Introduo
de
raciocnio,
enquanto
tcnicas
so
procedimentos
mais
restritos
que
MTODO
TCNICA
PROPOSTA
COLETA DE DADOS
Simulao
no
normais
simulados
em do
software
Pesquisa
Estudo de
Exploratria
Caso
de
estatsticas
Minitab
Dados obtidos em um
processo industrial de
furao de preciso
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Captulo1: Introduo
1.5
Estrutura do Trabalho
Esta dissertao o resultado final de um projeto de pesquisa relativo investigao
Captulo1: Introduo
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
2.
FUNDAMENTAO TERICA
2.1
10
11
Controle Estatstico
da Qualidade
Garantia da
Qualidade
Preocupao bsica
Verificao
Controle
Coordenao
Viso da Qualidade
Um problema a ser
resolvido
Um problema a ser
resolvido
Um problema a ser
resolvido, mas enfrentado
proativamente
nfase
Uniformidade dos
produtos
Contribuio de todos os
grupos funcionais para
prevenir falhas da
qualidade
Mtodos
Aparelhos de medida e
mensurao
Instrumentos e tcnicas
estatsticas
Programas e sistemas
Inspeo, classificao,
contagem e avaliao
Soluo de problemas e
aplicao de mtodos
estatsticos
Mensurao da qualidade,
planejamento da
qualidade e projeto de
programas
Responsvel pela
Qualidade
Departamento de
Inspeo
Departamentos de
Fabricao e Engenharia
Todos os departamentos
Orientao e
abordagem
inspeo da qualidade
controle da qualidade
construo da qualidade
2.2
12
Fatores Controlveis
X1
X2
Xp
Avaliao
Controle
...
Entrada
matria-prima,
componentes e
subconjuntos
Processo
...
Sada (Produto)
Y = caracterstica
da qualidade
Z1
Z2
Zq
Fatores Incontrolveis
13
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
14
100
PERCENTUAL DE APLICAO
Aceitao por
Amostragem
Controle de
Processo
Planejamento de
Experimentos
TEMPO
2.3
15
IQR = Q3 Q1
Intervalo
Interquartil
Observao Mnima
16
(2.1)
ou
Outlier = {x / x > Q3 + 1,5 IQR}
(2.2)
Onde:
x = valor observado
Q1 = 1 Quartil
Q3 = 3 Quartil
IQR = Intervalo Interquartil = Q3 - Q1
17
25
20
Freqncia
70 x 90
90 x 110
110 x 130
130 x 150
150 x 170
170 x 190
190 x 210
210 x 230
230 x 250
2
3
6
14
22
17
10
4
2
15
Freqncia
Intervalo
de Classe
(psi)
10
70
90
110
130
150
170
190
210
230
250
18
g) Distribuio Cauchy;
h) Distribuio Exponencial;
i) Distribuio Gamma;
j) Distribuio Laplace,
k) Distribuio Lognormal;
l) Distribuio Weibull.
O Quadro 2.2 apresenta exemplos de aplicao de algumas distribuies estatsticas.
DISTRIBUIO
ESTATSTICA
CAMPOS DE APLICAO
Normal
Lognormal
Weibull (2 parmetros)
Weibull (3 parmetros)
Exponencial
Binomial
Hipergeometrica
Poisson
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
19
f(x) =
e
2
( x )2
2 2
(2.3)
Onde:
x = varivel aleatria em estudo
1 desvio-padro
Ponto de Inflexo
68,27 %
95,45 %
99,73 %
+ 2
+ 3
(mdia)
20
Segundo Lipson & Sheth (1973), a distribuio Normal que a mais conhecida e a
mais amplamente utilizada das distribuies estatsticas, teve seus conceitos desenvolvidos no
sculo XVIII, de forma independente, atravs dos trabalhos de Gauss, Laplace e De Moivre.
Esta distribuio apresenta algumas caractersticas marcantes, dentre as quais destacam-se:
a) A curva simtrica em relao mdia e esta coincide com a moda e a mediana;
b) A notao N(; 2) indica uma distribuio Normal com mdia e varincia 2;
c) Apresenta coeficiente de assimetria igual a zero e de curtose igual a trs;
d) O desvio padro indica a distncia da mdia ao ponto de inflexo da curva;
e) 68,27% dos dados encontram-se na faixa entre 1 (desvio padro) da mdia;
f) 95,45% dos dados encontram-se na faixa entre 2 (desvios padro) da mdia;
g) 99,73% dos dados encontram-se na faixa entre 3 (desvios padro) da mdia.
Clculos de probabilidade em relao distribuio Normal podem ser efetuados a
partir da curva normal reduzida ou padronizada N(0;1), que uma distribuio Normal com
mdia = 0 e varincia 2 = 1 (Anexo A). A varivel pertencente a esta distribuio
denominada varivel aleatria normal padro e denotada por z. A varivel z representa a
distncia de x a partir de sua mdia em termos de desvios padro e , portanto, fundamental
para clculo de probabilidades para uma varivel aleatria normal arbitrria x. A Figura 2.6
ilustra uma curva normal reduzida ou padronizada.
=0
2=1
Z: N(0;1)
-3
X: N( ; 2 )
-2
-1
+ 2
+ 3
21
z=
(2.4)
Onde:
z = varivel aleatria normal padro ou escore padronizado
x = varivel aleatria em estudo
zn =
y i
i =1
i =1
~ N (0;1)
(2.5)
2
i
Onde:
i = mdia de xi
i2 = varincia de xi
As condies acima mencionadas so freqentemente observadas em diversos
mtodos estatsticos aplicados Qualidade. De acordo com Montgomery & Runger (2003),
como conseqncia do Teorema Central do Limite, sempre que ocorrerem replicaes de um
experimento aleatrio, a varivel aleatria que for igual ao resultado mdio das rplicas
tender a ter uma distribuio Normal, medida que o nmero de rplicas se torne grande.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
2.4
22
PROCESSO:
Com base na norma NBR ISO 9000:2000, define-se processo como um conjunto de
atividades inter-relacionadas ou interativas que transformam insumos (entradas) em produtos
(sadas). Toledo (2005) tambm define processo como um conjunto de transformaes que
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
23
determinado produto sofre em funo de suas entradas, fatores controlveis e fatores que no
podem ser controlados (rudos), resultando em uma determinada sada.
Segundo Harrington (1993) existem dois tipos de processo: o empresarial e o
produtivo. Um processo empresarial consiste em um grupo de tarefas interligadas logicamente
que fazem uso de recursos da organizao para gerar resultados definidos em apoio aos
objetivos da organizao. Para Soares (2001) o processo produtivo o que melhor se
identifica nas indstrias, pois envolve a manufatura, isto , envolve contato direto com o
produto ou servio que ser fornecido ao cliente externo.
VARIABILIDADE:
O estudo da variabilidade de grande importncia na aplicao de mtodos
estatsticos, pois algo inerente a todo processo produtivo. Para Montgomery (1985) a
variabilidade devido aleatoriedade inerente natureza, torna praticamente impossvel a
produo de dois produtos ou servios idnticos. Se essa variabilidade for pequena, ou seja, se
no causar impacto perceptvel para o consumidor, tolervel, caso contrrio ser indesejvel
ou mesmo inaceitvel.
Na viso de Reis (2001) o conceito de variabilidade absolutamente crucial para a
compreenso de todas as tcnicas no somente de Controle Estatstico de Processo, mas de
qualquer mtodo estatstico e, no so raros os casos em que os envolvidos na aplicao das
tcnicas de CEP no dispem de uma clara idia a respeito.
CAUSAS DE VARIAO:
Conforme definido por diversos autores as causas de variao em um processo podem
ser classificadas como causas especiais e causas comuns, sendo que, de acordo com
Montgomery & Runger (2003), os termos inicialmente utilizados por Walter A. Shewhart
eram causas atribudas e causas casuais, respectivamente. Deming (1986) afirma que as
causas especiais correspondem a 6% dos problemas e as causas comuns relacionam-se a 94%
das situaes observadas nos processos.
As causas especiais tambm chamadas de causas assinalveis indicam que o processo
no est sob controle estatstico. Normalmente, causas especiais so as que realmente afetam
a qualidade do produto e na maioria das oportunidades faz-se necessrio o seu entendimento e
eliminao, para que o processo se mantenha estvel e sob controle. As causas especiais
podem ser causas espordicas, como por exemplo, condies ambientais passageiras, avarias
ou problemas no equipamento de produo, ferramenta inadequada, lote isolado de matriaprima com defeito e mo-de-obra. Segundo Pires (2000) o monitoramento e a ao corretiva
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
24
CAPACIDADE:
Conforme norma NBR ISO 9000:2000 capacidade definida como a aptido de uma
organizao, sistema ou processo de realizar um produto que ir atender aos requisitos
especificados para este produto. Para Prazeres (1997) a capacidade de um processo pode ser
definida como a habilidade intrnseca de um processo em desempenhar suas funes nas
condies de trabalho, satisfazendo certas especificaes e tolerncias, sendo uma medida de
uniformidade inerente ao processo. Aspectos gerais em relao aos ndices de capacidade ou
capabilidade sero discutidos posteriormente.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
25
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
26
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
27
(hiptese nula)
(hiptese alternativa)
x
3,15
Limite Superior
de Controle (LSC)
3,10
3,05
Mdia (LM)
3,00
2,95
Limite Inferior
de Controle (LIC)
2,90
2,85
1
10
11
12
13
14
15
16
17
18
19
20
21
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
28
29
Para utilizao dos grficos de controle alguns aspectos importantes merecem ateno
especial para que no ocorram anlises incorretas em funo da falta de entendimento de suas
peculiaridades e caractersticas. De acordo com Alwan & Roberts (1995) algumas suposies
precisam ser satisfeitas para que, independentemente do tipo do grfico de controle
empregado, os resultados sejam vlidos:
a) necessrio que as observaes sejam independentes e identicamente distribudas,
ou seja, que as amostras sejam retiradas de forma aleatria e que o processo que as
gerou esteja sob controle estatstico;
b) Que as observaes sigam alguma distribuio de probabilidade especfica, tais
como a normal, binomial ou Poisson.
As suposies apresentadas acima so extremamente importantes, pois segundo Reis
(2001) os limites de controle calculados e as regras para identificao da presena de padres
no aleatrios pressupem que estas suposies sejam satisfeitas, caso contrrio o valor
encontrado nestes grficos seria no mnimo questionvel.
Existem diversos critrios para classificao dos tipos de grficos de controle
conforme argumentao de Ramos (2003). Quanto caracterstica de controle, por exemplo,
os grficos de controle distinguem-se em entre grficos de controle para variveis, isto
medidas em geral e grficos de controle para atributos, ou seja, dados contveis.
De acordo com Montgomery (1985) os principais grficos de controle para variveis
so os seguintes:
a) Grfico X ou X-bar conhecido como grfico das mdias e apresenta o registro
das mdias da caracterstica da qualidade em estudo, de modo a controlar o valor
mdio da caracterstica de interesse. Na construo deste grfico supe-se a
condio de normalidade das mdias amostrais.
b) Grfico S o grfico de desvio padro, onde os desvios-padro da caracterstica
da qualidade em estudo so registrados de moda a controlar a variabilidade da
caracterstica de interesse. Na construo deste grfico tambm se supe a
normalidade dos dados amostrais e, geralmente preferido em relao ao grfico
de intervalos ou das amplitudes.
c) Grfico R o grfico de intervalo ou das amplitudes, no qual as amplitudes da
caracterstica da qualidade em estudo so registradas de forma a controlar a
variabilidade da caracterstica de interesse.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
30
Na prtica a utilizao conjunta dos grficos X-bar-R ou X-bar-S muito comum, pois
ambos permitem um melhor acompanhamento e controle da caracterstica da qualidade em
estudo, sendo que este ltimo prefervel para amostras de maior tamanho.
As frmulas para definio dos limites de controle dos tipos mais comuns de grficos
de controle para variveis so apresentadas no Quadro 2.3. As constantes A2, A3, B3, B4, D3,
D4 e E2, que permitem a estimativa de 3 , variam em funo do tamanho das amostras
(Anexo B) e encontram-se disponveis em referncias tais como Montgomery (1985),
Feigenbaum (1994), Juran & Godfrey (1999), Montgomery & Runger (2003), entre outros.
TIPO DE GRFICO
LIMITES DE CONTROLE
Grfico
Frmulas
Mdia
LSC X = X + A2. R
LM X = X
LIC X = X - A2. R
X eR
Amplitude
LSCR = D4. R
LMR = R
LICR = D3. R
LSC X = X + A3. S
Mdia
LM X = X
LIC X = X - A3. S
X eS
Desvio-Padro
Mediana
~
X eR
Amplitude
Individuais (X)
Xi e R
LSCS = B4. R
LMS = S
LICS = B3. S
~
LSC X~ = X + A2. R
~
LM X~ = X
~
LIC X~ = X - A2. R
LSCR = D4. R
LMR = R
LICR = D3. R
LSCXi = X + E2. Rm
LMXi = X
LICXi = X - E2. Rm
LSCR = D4. Rm
Amplitude
LMR = Rm
LICR = D3. Rm
Quadro 2.3 Frmulas dos tipos mais comuns de grficos de controle para variveis
Fonte: Galuch (2002)
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
31
TIPOS DE GRFICOS
p
(proporo de defeituosos)
np
(nmero total de defeituosos)
c
(nmero de defeitos da amostra)
u
(defeitos por unidade)
FRMULAS
Linha Mdia
Limites de Controle
d
p (1 p )
p =
p 3.
n
n
p 3. n p (1 p )
c=
c
m
c 3. c
u =
c
n
u 3.
u
n
32
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
33
34
20
15
10
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
LIE
dimenso
nominal
LSE
35
ndice =
esperado
real
(2.6)
R
d2
(2.7)
ou
S
C4
(2.8)
Onde:
36
LSE LIE
6
(2.9)
Onde:
CP = ndice de capabilidade potencial do processo
LSE = limite superior de especificao
LIE = limite inferior de especificao
LSE LIE
,
3
3
CPK = min.
(2.10)
Onde:
CPK = ndice de capabilidade real do processo
PP =
37
LSE LIE
6S
(2.11)
Onde:
PP = ndice de desempenho potencial do processo
S = desvio padro da amostra em estudo
d) ndice PPK (Equao 2.12) Fornece uma medida do desempenho real atravs do
desvio-padro S da amostra em estudo e no considera o processo centrado na
mdia das especificaes, pois o ndice calculado em funo da pior metade dos
dados.
LSE LIE
PPK = min.
,
3S
3S
(2.12)
Onde:
PPK = ndice de desempenho real do processo
O Quadro 2.5 mostra uma regra geral baseada em Werkema (1995) e Ramos (2003),
que pode ser utilizada para anlise, classificao e interpretao do ndice CP de capacidade
ou capabilidade do processo a partir de um cdigo de identificao por cores.
NDICE CP
CLASSIFICAO
INTERPRETAO
A capacidade do processo inadequada especificao exigida.
CP < 1,00
(incapaz)
1,00 CP 1,33
Processo amarelo
(razovel)
CP > 1,33
Processo verde
(capaz)
2.5
38
PPM
CUSTO DA NO
SIGMA
QUALIDADE
3,4
233
6.210
66.807
308.537
690.000
CATEGORIA
Empresa de classe mundial
Empresa comum
Empresa no competitiva
39
40
LSE
0,001 PPM
1350 PPM
mdia
LIE
41
LSE
3,4 PPM
mdia
NVEL SIGMA
Com Shift
1 sigma
317300
697700
2 sigma
45500
308700
3 sigma
2700
66810
4 sigma
63
6210
5 sigma
0,57
233
6 sigma
0,002
3,4
Tabela 2.2 Referncias entre nvel sigma e PPM (com e sem desvio)
Fonte: Adaptado de Reis (2003)
A Metodologia Seis Sigma baseada em um sistema de acompanhamento conhecido
como DMAIC, sigla que denota as seguintes etapas: Definir (Define), Medir (Measure),
Analisar (Analyze), Melhorar (Improve) e Controlar (Control). O Quadro 2.6 apresenta uma
viso geral dos passos associados ao modelo DMAIC.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
ETAPA
DEFINIO
MEDIO
ANLISE
MELHORIA
CONTROLE
42
DESCRIO
Identificar CTQs (itens crticos para qualidade na viso do cliente)
Desenvolver escopo de atuao da equipe de trabalho
Definir mapa do processo
Selecionar caracterstica do CTQ
Definir padro de desempenho
Analisar o sistema de medio e coleta de dados
Estabelecer a capabilidade do processo
Definir objetivos de desempenho
Identificar origens de variao
Filtrar causas potenciais de variao
Descobrir relaes entre as varveis e propor solues
Estabelecer tolerncias operacionais e soluo piloto
Validar o sistema de medio
Determinar a capabilidade do processo
Implementar sistema de controle do processo
Quadro 2.6 Viso geral do DMAIC
Fonte: Adaptado de Harry (1998)
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
43
Champion
Black Belt
Green Belt
Recomendvel
formao ou
orientao tcnica.
Domnio de
ferramentas
estatsticas bsicas.
Base e suporte
tcnico.
Familiaridade com
as ferramentas
estatsticas bsicas.
Um BB poderia ser
engenheiro ou
profissional com 5
ou mais anos de
experincia.
Treinamento
Aproximadamente 200
3 a 5 dias de
horas de treinamento e
treinamento especfico desenvolvimento de
projetos
Aproximadamente
160 horas de
treinamento e
desenvolvimento de
projetos
Aproximadamente
80 horas de
treinamento e
desenvolvimento de
projetos
Nmero de
Pessoas
Treinadas
1 Champion por
unidade de negcio
Qualificaes
Familiaridade com
ferramentas
estatsticas bsicas e
avanadas.
Executivos seniores e
gerentes.
Recomendvel
formao tcnica.
Domnio de
ferramentas estatsticas
bsicas e avanadas.
Um MBB poderia ser,
por exemplo, um
gerente ou engenheiro
chefe.
44
O ndice utilizado para determinar a capacidade seis sigma mede a distncia da mdia
especificao mais prxima (LIE ou LSE) em quantidades de desvios-padro (sigmas),
utilizando como referncia a curva normal padronizada N(0;1). Atravs de uma tabela de
distribuio Normal Padro e conforme mostrado na Figura 2.11, pode-se verificar que o nvel
seis sigma corresponde a aproximadamente 0,002 PPM, ou seja, 2 (dois) defeitos por bilho
de oportunidades. A quantidade de 3,4 partes por milho, definida como padro seis sigma,
relaciona-se ao valor z igual a 4,5. Esta diferena de 1,5 sigma, segundo estudos da Motorola
relatados por Harry (2003), advm da variao e mudanas do processo ao longo do tempo
conforme anteriormente representado atravs da Figura 2.12.
De acordo com resumo efetuado por Almas (2003), os dados coletados em um
intervalo de tempo pequeno e, portanto, sem causas especiais de variao, representam o
ndice zST de curto prazo (short term). Os dados obtidos em intervalos de tempo maiores, com
causas comuns e especiais de variao, equivalem ao ndice zLT de longo prazo (long term).
Como no ndice de curto prazo os dados utilizados no contm causas especiais de variao,
normalmente seu valor maior que os ndices utilizados com os dados de longo prazo.
A referncia para a determinao do nvel sigma o ndice conhecido como zbench que
obtido atravs da verificao da proporo de defeitos ou partes por milho de acordo com
os limites de especificao inferior e superior da distribuio ou do processo em estudo
(Equaes 2.13 e 2.14), que somadas resultam na proporo total de defeitos (Equao 2.15).
zLIE =
X LIE
PPM LIE
S
(2.13)
zLSE =
LSE X
PPM LSE
S
(2.14)
(2.15)
Onde:
PPMLIE = frao no conforme abaixo do limite inferior de especificao (partes por milho)
PPMLSE = frao no conforme acima do limite superior de especificao (partes por milho)
PPMTOTAL = frao no conforme total em partes por milho
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
45
(2.16)
Onde:
Zbench(ST) = ndice de curto prazo equivalente ao nvel sigma
Zbench(LT) = ndice de longo prazo
Zshift = desvio da mdia do processo ao longo do tempo
Adotando-se o valor de 1,5 sigma para Zshift, a Equao 2.16 tambm pode ser
expressa de modo simplificado de acordo com Equao 2.17:
(2.17)
2 =1
Distribuio
em anlise
Normal
Reduzida
N(0;1)
LIE Alvo
PPMLIE
LSE
0
PPMLSE
PPMTOTAL ZBENCH
Zbench
PPMTOTAL
ZLIE PPMLIE
ZLSE PPMLSE
ZBENCH
Equivalncia da proporo total de defeitos com
a Normal Reduzida (escore padronizado)
O Nvel Sigma de Qualidade leva em conta o
desvio de 1,5 (ZSHIFT) no clculo do ndice
46
(2.18)
(2.19)
A relao entre nvel sigma e a proporo de defeitos em partes por milho (PPM)
definida em funo da curva normal reduzida N(0;1), podendo ser obtida atravs das tabelas
da distribuio Normal Padro (Anexo A), disponveis em livros de Estatstica e Controle
Estatstico de Processo ou ainda por meio de softwares estatsticos. Uma tabela de converso
em PPM para alguns valores de zbench est disponvel no Anexo C desta dissertao.
Para o clculo do nvel sigma nos casos onde a varivel em estudo do tipo atributo,
percorre-se o caminho inverso, isto , a partir da proporo de defeitos determinam-se os
ndices de longo e curto prazo respectivamente. Segundo Carvalho (2002) a empresa
Motorola introduziu uma forma de ajustar as medidas em funo da complexidade do que est
sendo avaliado, ou seja, o nmero de defeitos por milho de oportunidades (DPMO). Essa
abordagem permite que sejam comparados os desempenhos de diferentes produtos e servios,
fato que amplia o leque de possibilidades de utilizao da Metodologia Seis Sigma. Uma
sntese dos conceitos bsicos para atributos mostrada no Quadro 2.8.
CONCEITO
DEFINIO
Defeito
Defeituoso
Unidade
Oportunidade
DPU =
nmero de defeitos
nmero de unidades
DPO =
nmero de defeitos
nmero de oportunidades nmero de unidades
DPMO =
nmero de defeitos
nmero de oportunidades nmero de unidades
10 6
47
Figura 2.14 Fluxograma geral para determinao do ndice de capacidade seis sigma
Fonte: Adaptado de Carvalho (2002)
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
3.
ESTUDO DA NO NORMALIDADE
3.1
Anlise de Normalidade
48
AMOSTRAGEM:
De acordo com Prazeres (1997) uma amostra uma parte ou poro representativa de
um conjunto ou populao a ser medida, analisada ou ensaiada. Um dos principais objetivos
da amostragem a reduo de custos na determinao de algum parmetro da populao que
se deseja analisar. Em processos produtivos possvel determinar tais parmetros por meio de
algumas amostras e o risco de errar, que depende do tamanho da amostra, tambm tem um
custo associado e pode ser calculado.
INTERVALO DE CONFIANA:
Quando se deseja estimar parmetros de uma populao a partir de amostras, no se
tem certeza sobre o verdadeiro valor do parmetro em questo. O intervalo de confiana de
uma determinada estatstica da amostra indica a amplitude ou faixa de valores na qual o
verdadeiro valor do parmetro est contido com certa probabilidade.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
49
TESTE DE HIPTESES:
Conforme definio de Prazeres (1997) o teste de hipteses um procedimento
estatstico para testar hipteses sobre um parmetro populacional a partir de uma distribuio
amostral conhecida. Consideram-se duas hipteses: a hiptese nula (H0), que a suposio
que se pretende testar, e a hiptese alternativa (H1). Os testes podem ser unilaterais ou
bilaterais de acordo com a formulao da hiptese alternativa. Existem dois erros que podem
ser cometidos quando se testa uma hiptese: erro tipo I, que ocorre quando se rejeita uma
hiptese nula senda a mesma verdadeira, e o erro tipo II quando se aceita a hiptese nula
sendo ela falsa.
VALOR P OU P-VALUE:
De acordo com Montgomery & Runger (2003) o valor P ou p-value o menor nvel de
significncia que conduz rejeio da hiptese nula com os dados fornecidos. Em outras
palavras, p-value a probabilidade de que a estatstica de teste assuma um valor, no mnimo,
to extremo quanto o valor observado da estatstica para que a hiptese nula seja considerada
verdadeira. Se z0 for o valor calculado da estatstica de teste, o valor P pode ser definido
conforme Equao 3.1:
2.[1 ( z 0 )]
P = 1 ( z 0 )
( z )
0
(teste bilateral )
(teste unilateral sup erior )
(3.1)
Onde:
(z ) = funo de distribuio cumulativa de uma varivel aleatria normal padro
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
50
H1 (hiptese alternativa):
3.2
Efeitos da No Normalidade
Os mtodos estatsticos discutidos nesta dissertao pressupem que os dados em
51
distribudos. Contudo, Montgomery (1985) alerta que em muitas situaes prticas existem
razes para se duvidar da validade da suposio de normalidade, o que implica em especial
ateno na anlise dos dados. De acordo com Spedding & Rawlings (1994), em produo
contnua a suposio de normalidade freqentemente justificada, mas a distribuio da
variao do processo mais crtica quando so considerados pequenos lotes de fabricao.
Segundo Alwan (2001) muitos dos procedimentos estatsticos so derivados de um
conjunto de suposies especficas acerca da origem dos dados e, por este motivo, diversas
investigaes so conduzidas para determinar quo sensveis so as concluses tiradas em
situaes de desvio de tais premissas, pois as conseqncias da violao destas premissas nas
inferncias efetuadas podem ser srias.
Em sentido oposto, Sall (2005) recomenda bom senso, pois no h motivo para o que
ele chama de medo irracional da no normalidade, visto que em grandes amostras a sua
deteco simples, mas neste caso sua influncia no to danosa e em pequenas amostras a
no normalidade pode ser significativa, entretanto no se pode detect-la facilmente.
Visto que existem situaes onde a distribuio de dados no corresponde a uma
distribuio Normal, ento para estes casos tanto a suposio de normalidade quanto
utilizao da curva normal como referncia certamente se revelaro inadequadas. Na
realidade a existncia de no normalidade em distribuio de dados bastante comum,
principalmente quando o nmero de observaes no muito grande. Conforme apresentado
no tpico 1.2, a suposio incorreta de normalidade dos dados pode acarretar algumas das
seguintes conseqncias:
a) Falsos alarmes na anlise de grficos de controle individuais;
b) Clculo incorreto de ndices de capabilidade;
c) Concluses incorretas sobre diferenas entre grupos em Teste de Hipteses;
d) Erros em predies na Anlise de Regresso;
e) Concluses incorretas sobre importncia e efeito de fatores em Planejamento de
Experimentos (DOE).
Para Castagliola & Tsung (2005), muitas das tcnicas existentes em Controle
Estatstico de Processo no foram concebidas para atender tais situaes, visto que as tcnicas
de CEP so afetadas por dados auto-correlacionados e assimtricos. Sob o ponto de vista
destes autores, muitos estudos foram efetuados para investigar os efeitos da no normalidade
dos dados e, mesmo que as concluses apresentem algumas contradies de acordo com o
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
52
ponto de vista adotado, parece muito claro que os impactos de assimetria no desempenho dos
grficos de controle podem ser substanciais.
Por outro lado, Borror et al. (1999) alegam que diversos autores defendem o
argumento de que a no normalidade na aplicao de grficos de controle no to relevante,
quando se trabalha com amostras utilizando subgrupos de tamanho n > 1. Uma observao
importante de um estudo efetuado por Alwan (2001) indica que o efeito da no normalidade
diminui medida que aumenta o tamanho da amostra por grupo e este efeito aumenta com o
aumento do nmero de grupos ou subgrupos.
Com relao avaliao de capabilidade, Kotz & Johnson (2002) alertam que a
ausncia de normalidade indica necessidade de muita ateno no uso dos ndices para
julgamento adequado da qualidade do processo em estudo. Como exemplo, Miranda (2005)
cita um estudo efetuado por M. Deleryd no qual so apontados alguns efeitos de distribuies
no normais na estimao do nmero de defeituosos, considerando trs processos com
distribuies diferentes em comparao com a distribuio normal. A Tabela 3.1 indica que as
quantidades de itens no conformes nas trs distribuies so bem diferentes entre si e em
relao distribuio normal. Portanto, caso a normalidade fosse considerada nos trs
primeiros processos, ocorreria um erro grosseiro na determinao da quantidade de itens
defeituosos e conseqentemente dos respectivos ndices de capabilidade.
TIPO DE DISTRIBUIO
FRAO NO CONFORME
(considerando limites de 3 )
14000 PPM
4000 PPM
Uniforme
Normal
2700 PPM
3.3
53
percentil 99,865
0,99865.(rea sob a curva)
LM
Linha Mdia
percentil 50 (mediana)
0,50000.(rea sob a curva)
LIC
percentil 0,135
0,00135.(rea sob a curva)
Curva Assimtrica
Md 3
Md
Md + 3
n
At esta linha esto contidas
99,865% das observaes
(percentil 99,865)
54
LSE LIE
x 0, 99865 x 0, 00135
LSE x 0 ,50000
CPK(q) = min.
x 0, 99865 x 0 ,50000
(3.2)
x 0 ,50000 LIE
x 0 ,50000 x 0, 00135
(3.3)
Onde:
CP(q) = ndice de capabilidade potencial do processo com percentis
CPK(q) = ndice de capabilidade real do processo com percentis
LSE = limite superior de especificao
LIE = limite inferior de especificao
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
3.4
55
Transformao de Dados
y u = f ( xu , ) + u
(3.4)
Onde:
56
57
Conforme previamente comentado, a estratgia para fazer com que dados no normais
se aproximem de uma distribuio Normal atravs de transformao das variveis em estudo
tambm deve ser considerada. Entretanto a escolha do tipo adequado de transformao no
parece ser uma tarefa bvia, pois em termos matemticos existem inmeras possibilidades e
apenas o mtodo de tentativa e erro nem sempre o mais recomendado. A transformao
linear, por exemplo, altera a escala da distribuio, mas em alguns casos no altera sua forma;
j a transformao de potncia mais eficiente para este propsito.
Box & Cox (1964) efetuaram um estudo detalhado em anlise de dados, com nfase na
transformao de variveis dependentes, onde a idia principal era dedicar ateno em
transformaes indexadas por um parmetro desconhecido e a partir de ento estimar os
outros parmetros do modelo atravs de mtodos convencionais de inferncia. O resultado
mais importante deste estudo foi a definio da seguinte famlia de transformao de potncia
()
da varivel y para y
(Equao 3.5):
y 1
y() =
ln y
( 0)
(3.5)
( = 0)
Onde:
y() =
ln y
( 0)
(3.6)
( = 0)
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
58
TRANSFORMAO
y() = y
y = y2
Quadrado
y = y
No H Transformao
0,5
0
-0,5
y =
y = ln y
y =
-1
y =
-2
y =
DENOMINAO COMUM
Raiz Quadrada
Logaritmo Natural
Inverso da Raiz Quadrada
1
y
Inverso
Inverso do Quadrado
y2
59
0,82
0,43
0,45
0,45
1,10
0,45
0,71
0,46
0,88
0,63
0,66
0,43
0,72
0,76
0,62
0,36
0,92
0,44
0,56
0,29
0,61
0,35
1,02
0,40
0,49
0,31
0,71
0,23
1,24
0,40
0,38
0,22
0,30
0,23
0,30
0,21
0,37
0,25
0,36
0,18
0,38
0,24
0,31
0,23
0,29
0,22
0,33
0,2
0,4
0,6
0,8
1,0
1,2
A -Squared
P-V alue <
1,94
0,005
M ean
StDev
V ariance
Skew ness
Kurtosis
N
0,47938
0,25286
0,06394
1,22913
1,00710
48
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,18000
0,30000
0,40000
0,62750
1,24000
0,55280
0,45200
0,21050
0,31673
Mean
Median
0,35
0,40
0,45
0,50
0,55
60
Upper CL
1,6
Lambda
(using 95,0% confidence)
StDev
1,4
Estimate
-0,59117
1,2
Lower CL
Upper CL
-1,21193
-0,01985
1,0
Best Value
-0,50000
0,8
0,6
0,4
0,2
Limit
0,0
-5,0
-2,5
0,0
Lambda
2,5
5,0
61
0,9
1,2
1,5
1,8
2,1
2,4
A -S quared
P -V alue
0,32
0,519
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
1,5778
0,3686
0,1359
0,065131
-0,801735
48
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,8980
1,2624
1,5811
1,8257
2,3570
1,6848
1,7004
0,3069
0,4617
Mean
Median
1,50
1,55
1,60
1,65
1,70
( x + 1) 1
log( x + 1)
(, x)
=
( x + 1) 2 1
log( x + 1)
( x 0, 0)
( x 0, = 0)
(3.7)
( x < 0, 2)
( x < 0, = 2)
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
62
TRANSFORMAO
PARMETROS
, > 0,
x
- < <
+ . ln
SB
- < <
+ x
<x<+
> 0,
- < <
+ . ln( x )
SL
- < <
<x
, > 0,
- < <
+ .Sinh 1
SU
<<
<x<+
Tabela 3.4 Frmulas associadas com as famlias da transformao de Johnson
Fonte: Adaptado de Johnson (1949)
A aplicao da transformao de Johnson atravs do software estatstico Minitab
est estruturada de modo que o algoritmo execute as seguintes etapas:
a) Considera as funes potenciais do sistema de Johnson;
b) Estabelece a estimativa dos parmetros , , e ;
c) Executa a transformao dos dados atravs da funo de transformao;
d) Efetua o teste de normalidade de Anderson-Darling para os dados transformados;
e) Seleciona a funo de transformao que apresente o maior p-value.
Caso o valor P (p-value) seja inferior ao valor pr-estabelecido no se obtm
transformao que resulte em normalidade.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
63
Para o conjunto de dados no normais da Tabela 3.3 tambm foi efetuada aplicao da
transformao de Johnson com as suas caractersticas destacadas na Figura 3.5.
90
Percent
N
AD
P-Value
48
1,945
<0,005
50
10
99
0,67
0,8
0,6
0,4
0,2
Ref P
0,0
0,2
0,0
0,4
0,8
1,2
0,4
0,6
0,8
Z Value
1,0
1,2
99
N
AD
P-Value
Percent
90
50
48
0,209
0,855
10
1
-2
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
64
4.
APLICAO DA METODOLOGIA
4.1
Consideraes Gerais
TIPO DE PESQUISA
MTODO
TCNICA
DADOS NO NORMAIS
CONJUNTO
ORIGEM DOS
DE DADOS
DADOS
Gamma 220
Pesquisa
Experimental
Simulao
(Apndice A)
Software
Controle
Beta 2550
Minitab
Individual e
Nvel Sigma
3/4AE e 3/4AD
Pesquisa
Estudo de
Exploratria
Caso
INVESTIGAR
Grfico de
(Apndice B)
(Apndice C)
Processo
5/8TE e 5/8TD
Industrial
(Apndice D)
LIMITES
QUESTES A
Clculo de
LIE
LSE
12
8,20
8,50
19,124
19,151
15,950
15,977
Capabilidade e
Nvel Sigma
OBJETIVOS
ESPECFICOS
Comparar dados
originais e anlise de
percentis c/ dados
transformados
Comparar dados
originais e distribuio
adotada c/ dados
transformados
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
65
66
Ou seja, foram gerados 200 valores seguindo a distribuio Beta com primeiro
parmetro shape igual a 25, segundo parmetro shape igual a 5 e base para gerao de dados
igual a 0, com posterior transformao linear atravs do acrscimo da constante 7,5.
Os passos estabelecidos para a conduo desta investigao experimental e os
correspondentes tpicos dos captulos da dissertao so mostrados na Figura 4.1.
67
68
4.2
69
0,0
2,4
4,8
7,2
9,6
A -Squared
P -V alue <
6,51
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
3,9556
2,7027
7,3045
0,951654
0,376689
302
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
12,0
0,1167
1,8485
3,3539
5,4893
12,7573
4,2617
3,6943
2,5029
2,9373
Mean
Median
3,0
3,2
3,4
3,6
3,8
4,0
4,2
0,0
1,5
3,0
4,5
6,0
7,5
9,0
10,5
A -S quared
P -V alue <
5,31
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
3,7753
2,4610
6,0568
0,784786
-0,103677
295
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,1167
1,8198
3,1975
5,3798
10,5915
4,0573
3,5979
2,2772
2,6775
Mean
Median
3,0
3,2
3,4
3,6
3,8
4,0
4,2
Figura 4.4 Anlise dos dados para Gamma 220 sem outliers
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
70
Percent
99,9
99
Table of S tatistics
S hape
1,54157
S cale
4,15948
Thres
0,0286191
M ean
3,77181
S tDev
2,47839
M edian
3,30794
IQ R
3,28743
F ailure
295
C ensor
0
A D*
0,411
C orrelation
0,998
90
80
70
60
50
40
30
20
10
5
3
2
1
0,1
0,1
1,0
Gamma 220*
10,0
Figura 4.5 Avaliao da melhor distribuio aplicvel aos dados Gamma 220 sem outliers
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
71
Upper CL
50
Lambda
(using 95,0% confidence)
StDev
40
Estimate
0,270481
Lower CL
Upper CL
0,129694
0,423620
Best Value
0,270481
30
20
10
Limit
0
-2
-1
1
2
Lambda
0,6
0,9
1,2
1,5
A -Squared
P -V alue
0,35
0,476
M ean
StDev
V ariance
Skew ness
Kurtosis
N
1,3783
0,2835
0,0804
-0,189949
-0,316086
302
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
1,8
0,5593
1,1808
1,3872
1,5850
1,9911
1,4104
1,4240
0,2625
0,3081
Mean
Median
1,34
1,36
1,38
1,40
1,42
Figura 4.7 Anlise dos dados transformados por Box-Cox em Gamma 220
Para complementar a anlise, foi efetuada aplicao da transformao de Box-Cox
para o conjunto de dados Gamma 220 sem outliers (ou Gamma 220*). As caractersticas
da transformao, com destaque para determinao do parmetro = 0,31, estimado com 95%
de confiana, so mostradas na Figura 4.8.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
72
Upper C L
35
Lambda
StDev
30
Estimate
0,310777
25
Lower CL
Upper CL
0,159309
0,456810
Best Value
0,310777
20
15
10
5
Limit
0
-2
-1
1
2
Lambda
Figura 4.8 Transformao de Box-Cox para os dados em Gamma 220 sem outliers
Aps transformao de Box-Cox, admitindo = 0,05, os dados obtidos puderam ser
representados por uma distribuio Normal, visto que p-value (0,233) resultou maior que
0,05. A Figura 4.9 apresenta a anlise grfica da distribuio resultante da transformao de
Box-Cox.
0,6
0,9
1,2
1,5
1,8
2,1
A -S quared
P -V alue
0,48
0,233
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
1,4348
0,3266
0,1067
-0,201499
-0,409347
295
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,5129
1,2045
1,4351
1,6870
2,0823
1,4723
1,4887
0,3022
0,3553
Mean
Median
1,40
1,42
1,44
1,46
1,48
1,50
Figura 4.9 Anlise dos dados transformados por Box-Cox em Gamma 220 sem outliers
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
73
99,9
99
N
302
AD
6,515
P-Value <0,005
Percent
90
50
10
0,75
0,50
Ref P
0,25
0,00
0,2
1
0,1
0,32
1,00
-5
10
0,4
0,6
0,8
Z Value
1,0
1,2
99,9
N
AD
P-Value
99
302
0,159
0,950
Percent
90
50
10
1
0,1
-2
-2,25
-1,50
-0,75
0,00
0,75
1,50
2,25
A -S quared
P -V alue
0,16
0,950
M ean
StD ev
V ariance
Skew ness
Kurtosis
N
0,02369
1,00287
1,00575
-0,073593
-0,139455
302
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
-2,81068
-0,65798
0,03668
0,70963
2,55889
0,13725
0,15973
0,92876
1,08994
Mean
Median
-0,10
-0,05
0,00
0,05
0,10
0,15
Figura 4.11 Anlise dos dados transformados por Johnson em Gamma 220
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
74
N
AD
P-Value
99
Percent
90
50
10
1
0,1
0,36
0,8
0,6
0,4
0,2
Ref P
0,0
0,2
-5
0,8
Z Value
(P-Value = 0.005 means <= 0.005)
10
0,4
0,6
1,0
1,2
99,9
N
AD
P-Value
99
295
0,194
0,892
Percent
90
50
10
1
0,1
-2
Figura 4.12 Transformao de Johnson para os dados em Gamma 220 sem outliers
Aps transformao de Johnson, admitindo = 0,05, os dados foram considerados
como sendo normais (p-value igual a 0,892) conforme mostrado na Figura 4.13.
-2,25
-1,50
-0,75
0,00
0,75
1,50
2,25
A -S quared
P -V alue
0,19
0,892
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0,01870
1,01389
1,02796
-0,086976
-0,213973
295
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
-2,83032
-0,67384
-0,00188
0,74689
2,33124
0,13487
0,15370
0,93814
1,10304
Mean
Median
-0,10
-0,05
0,00
0,05
0,10
0,15
Figura 4.13 Anlise dos dados transformados (Johnson) em Gamma 220 sem outliers
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
75
UCL=11,92
Individual Value
10
_
X=3,96
LCL=-4,01
-5
1
30
60
90
210
240
270
300
Figura 4.14 Grfico de controle para Gamma 220 considerando distribuio Normal
No entanto, conforme mencionado anteriormente, o conjunto de dados Gamma 220
apresentava algumas observaes consideradas fora do padro distribucional, isto , alguns
pontos caracterizavam-se como outliers. Por este motivo, tambm foi construdo o grfico de
controle individual do conjunto de dados Gamma 220 sem a presena dos outliers (ou
Gamma 220*) e assumindo normalidade dos dados. Conforme demonstrado atravs da
Figura 4.15 no mais se visualizaram pontos alm dos limites de controle.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
76
Individual Value
7,5
5,0
_
X=3,78
2,5
0,0
-2,5
LCL=-3,59
-5,0
1
29
58
87
203
232
261
290
Figura 4.15 Grfico de controle Gamma 220 sem outliers assumindo distribuio Normal
Uma segunda abordagem quanto avaliao da estabilidade dos dados em Gamma
220 foi adotada conforme critrios apresentados no tpico 3.3, ou seja, foram estabelecidos
limites de controle por meio do percentil 0,135 (0,105767) para LIC, percentil 50 ou mediana
(3,356690) para a LM e percentil 99,865 (17,8004) para LSC. A Figura 4.16 indica que para
esta situao no foram encontrados pontos fora dos limites de controle.
Individual Value
15
1
1
1
10
_
X=3,36
LB=0,11
0
1
30
60
90
120
150 180
Observation
210
240
270
300
Figura 4.16 Grfico de controle Gamma 220 com limites de controle em percentis
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
77
A Figura 4.17 apresenta a mesma anlise para Gamma 220 j sem os outliers e,
nesta situao, tambm no se verificaram pontos alm dos limites de controle.
Individual Value
15
10
_
X=3,36
LB=0,11
0
1
29
58
87
116
145 174
Observation
203
232
261
290
Figura 4.17 Grfico de controle Gamma 220 sem outliers com limites em percentis
Com relao terceira abordagem, mostrada na Figura 4.18, o grfico de controle
individual, que foi obtido aps prvia transformao dos dados originais para a condio de
normalidade via transformao de Box-Cox, no indicou pontos alm dos limites de controle.
UCL=2,236
Individual Value
2,00
1,75
1,50
_
X=1,378
1,25
1,00
0,75
LCL=0,520
0,50
1
30
60
90
210
240
270
300
Figura 4.18 Grfico de controle para Gamma 220 aps transformao de Box-Cox
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
78
A Figura 4.19 mostra que os dados de Gamma 220 transformados por Box-Cox sem
os outliers (Gamma 220*) tambm no apresentaram pontos alm dos limites de controle.
UCL=2,428
Individual Value
2,0
_
X=1,435
1,5
1,0
0,5
LCL=0,441
1
29
58
87
203
232
261
290
Figura 4.19 Grfico de controle para Gamma 220 sem outliers aps Box-Cox
Na quarta abordagem, a anlise do grfico de controle individual aps a transformao
de Johnson, mostrada na Figura 4.20, no indicou pontos fora dos limites de controle, assim
como nos dados transformados por Box-Cox.
Individual Value
2
1
_
X=0,024
0
-1
-2
LCL=-2,995
-3
1
30
60
90
210
240
270
300
Figura 4.20 Grfico de controle para Gamma 220 aps transformao de Johnson
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
79
A Figura 4.21 indica que os dados de Gamma 220 transformados por Johnson sem
os outliers (Gamma 220*) tambm no apresentaram pontos alm dos limites de controle.
Individual Value
2
1
_
X=0,019
0
-1
-2
-3
LCL=-3,045
1
29
58
87
203
232
261
290
Figura 4.21 Grfico de controle para Gamma 220 sem outliers aps Johnson
80
W ithin
O v erall
*
*
12,00000
3,95564
302
2,65392
2,70492
-2,4
O bserv ed P erformance
P P M < LS L
*
P P M > U S L 6622,52
P P M Total
6622,52
0,0
2,4
4,8
7,2
9,6
2,97
*
2,97
0,99
*
12,0
Within
Ov erall
*
*
12,00000
3,77530
295
2,45378
2,46314
-2
O bserv ed P erformance
P P M < LS L
*
P P M > U S L 0,00
P P M Total
0,00
10
3,34
*
3,34
1,11
*
12
Figura 4.23 ndices de capabilidade de Gamma 220 sem outliers assumindo normalidade
Como o conjunto de dados Gamma 220, de fato, no era modelado pela distribuio
Normal e sim pela distribuio Gamma, o clculo de capabilidade foi refeito levando em
conta os parmetros da funo densidade de probabilidade da distribuio Gamma, conforme
demonstrado atravs da Figura 4.24.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
81
O v erall C apability
Z.Bench
2,12
Z.LS L
*
Z.U S L
1,81
P pk
0,60
*
*
12,00000
3,95564
302
1,97204
2,00587
O bserv ed P erformance
P P M < LS L
*
P P M > U S L 6622,52
P P M Total
6622,52
0,0
2,4
4,8
7,2
9,6
12,0
O v erall C apability
Z.Bench
2,49
Z.LS L
*
Z.U S L
2,38
P pk
0,79
*
*
12,00000
3,77530
295
1,52086
4,10639
0,07210
O bserv ed P erformance
P P M < LS L *
PPM > USL 0
P P M Total
0
10
12
Figura 4.25 ndices de capabilidade de Gamma 220 sem outliers (distribuio Weibull)
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
82
transformed data
P rocess Data
Within
O v erall
LS L
*
Target
*
U SL
12,00000
S ample M ean
3,95564
S ample N
302
S tDev (Within)
2,65392
S tDev (O v erall) 2,70492
A fter Transformation
LS L*
Target*
U SL*
S ample M ean*
S tDev (Within)*
S tDev (O v erall)*
O v erall C apability
*
*
2,36251
1,51904
0,39804
0,39338
Z.Bench 2,14
Z.LS L
*
Z.U S L
2,14
P pk
0,71
C pm
*
0,6
O bserv ed P erformance
P P M < LS L
*
P P M > U S L 6622,52
P P M Total 6622,52
0,9
1,2
1,5
1,8
2,1
2,4
transformed data
P rocess D ata
LS L
*
Target
*
USL
12,00000
S ample M ean
3,77530
S ample N
295
S tD ev (Within)
2,45378
S tD ev (O v erall) 2,46314
Within
O v erall
P otential (Within) C apability
Z.Bench 2,48
Z.LS L
*
Z.U S L
2,48
C pk
0,83
C C pk
0,83
A fter Transformation
LS L*
Target*
U S L*
S ample M ean*
S tD ev (Within)*
S tD ev (O v erall)*
O v erall C apability
*
*
3,46410
1,83342
0,65746
0,64496
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
0,4
O bserv ed P erformance
P P M < LS L
*
P P M > U S L 0,00
P P M Total 0,00
0,8
1,2
1,6
2,0
2,4
2,8
2,53
*
2,53
0,84
*
3,2
Figura 4.27 ndices de capabilidade de Gamma 220 sem outliers aps Box-Cox
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
83
transformed data
O v erall C apability
Z.Bench
2,31
Z.LS L
*
Z.U S L
2,31
P pk
0,77
E xp. O v erall P erformance
P P M < LS L
*
P P M > U S L 10453,3
P P M Total 10453,3
A fter Transformation
LS L*
Target*
U S L*
S ample M ean*
S tD ev *
*
*
2,33999
0,02369
1,00287
O bserv ed P erformance
P P M < LS L
*
P P M > U S L 6622,52
P P M Total 6622,52
0,00
0,75
1,50
2,25
transformed data
O v erall C apability
Z.Bench
2,87
Z.LS L
*
Z.U S L
2,87
P pk
0,96
E xp. O v erall P erformance
P P M < LS L
*
P P M > U S L 2040,66
P P M Total 2040,66
A fter Transformation
LS L*
Target*
U S L*
S ample M ean*
S tDev *
*
*
2,93038
0,01870
1,01389
O bserv ed P erformance
P P M < LS L *
PPM > USL 0
P P M Total 0
0,75
1,50
2,25
3,00
Figura 4.29 ndices de capabilidade de Gamma 220 sem outliers aps Johnson
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
84
A Tabela 4.1 apresenta a comparao dos valores obtidos nas diversas situaes
apresentadas, com o correspondente clculo do nvel sigma e a frao no conforme em partes
por milho para o conjunto de dados Gamma 220, considerando zshift igual a 1,5 sigma.
NVEL
LSE
NDICE
(min)
ZLT
12
2,97
4,47
1470
12
3,34
4,84
420
12
2,12
3,62
16872
12
2,49
3,99
6333
12
2,14
3,64
16010
12
2,53
4,03
5730
12
2,31
3,81
10453
12
2,87
4,37
2041
SIGMA
PPM
(ZLT+1,5)
= 0,05, a distribuio em questo foi considerada no normal visto que o p-value obtido
(0,023) resultou menor que 0,05. Assim sendo, como a hiptese nula de normalidade foi
rejeitada, obviamente a distribuio em questo no pde ser considerada normalmente
distribuda.
A anlise do conjunto de dados Beta 2550 tambm indicou a existncia de alguns
pontos extremos fora do padro seguido pelo restante dos dados, isto , de acordo com os
conceitos apresentados no tpico 2.3.1, tais pontos foram caracterizados como outliers.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
85
Atravs da anlise do conjunto de dados Beta 2550 sem a presena dos outliers, apresentada
na Figura 4.31 como Beta 2550*, concluiu-se que a distribuio resultante poderia ser bem
representada pela distribuio normal, pois o p-value encontrado (0,582) resultou superior a
0,05. Como a hiptese nula de normalidade foi aceita, obviamente o conjunto de dados Beta
2550 pde ser considerado normalmente distribudo.
8,15
8,20
8,25
8,30
8,35
8,40
8,45
A -Squared
P -V alue
0,88
0,023
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
8,3337
0,0611
0,0037
-0,460973
0,401052
200
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
8,1589
8,2972
8,3408
8,3722
8,4581
8,3422
8,3478
0,0556
0,0677
Mean
Median
8,325
8,330
8,335
8,340
8,345
8,350
8,20
8,24
8,28
8,32
8,36
8,40
8,44
A -Squared
P-V alue
0,30
0,582
Mean
StDev
V ariance
Skew ness
Kurtosis
N
8,3388
0,0546
0,0030
-0,089736
-0,149386
194
Minimum
1st Q uartile
Median
3rd Q uartile
Maximum
8,2005
8,3020
8,3425
8,3734
8,4581
8,3465
8,3505
0,0496
0,0606
Mean
Median
8,330
8,335
8,340
8,345
8,350
Figura 4.31 Anlise dos dados para Beta 2550 sem outliers
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
86
Lambda
(using 95,0% confidence)
0,0585
Estimate
StDev
0,0584
5,00000
Lower C L
Upper C L
*
*
Best Value
5,00000
0,0583
0,0582
0,0581
0,0580
0,0579
-5,0
-2,5
0,0
Lambda
2,5
5,0
36000
37500
39000
40500
42000
43500
A -Squared
P -V alue
0,70
0,065
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
40218
1463
2141491
-0,366395
0,284776
200
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
36155
39323
40367
41134
43287
40422
40539
1333
1623
Mean
Median
40000
40100
40200
40300
40400
40500
40600
Figura 4.33 Anlise dos dados transformados por Box-Cox em Beta 2550
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
87
N
AD
P-Value
99
200
0,883
0,023
Percent
90
50
10
0,73
99,9
0,60
0,45
0,30
0,15
1
0,1
Ref P
0,00
0,2
8,2
8,4
8,6
0,4
0,6
0,8
Z Value
1,0
1,2
99,9
N
AD
P-Value
99
200
0,273
0,666
Percent
90
50
10
1
0,1
-2
-2,25
-1,50
-0,75
0,00
0,75
1,50
2,25
A -S quared
P -V alue
0,27
0,666
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
0,02821
1,02645
1,05360
0,035299
-0,330369
200
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
-2,29303
-0,69791
0,06676
0,69024
2,27513
0,17133
0,20346
0,93475
1,13826
Mean
Median
-0,2
-0,1
0,0
0,1
0,2
Figura 4.35 Anlise dos dados transformados por Johnson em Beta 2550
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
88
Como a anlise do conjunto de dados Beta 2550 sem a presena de outliers indicou
que o mesmo passou a ser bem representado pela distribuio Normal, no foram necessrias
as transformaes de Box-Cox ou Johnson para esta condio.
8,50
Individual Value
8,45
8,40
_
X=8,3337
8,35
8,30
8,25
8,20
8,15
LCL=8,1592
20
40
60
80
100 120
Observation
140
160
180
200
Figura 4.36 Grfico de controle para Beta 2550 considerando distribuio Normal
Por outro lado, a anlise do grfico de controle individual para os dados em Beta
2550 sem outliers (ou Beta 2550*) assumindo distribuio Normal, conforme demonstrado
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
89
na Figura 4.37, no indicou a existncia de pontos alm dos limites de controle. Importante
ressaltar que neste caso a suposio de normalidade correspondia realidade dos dados.
UCL=8,4975
Individual Value
8,45
8,40
_
X=8,3388
8,35
8,30
8,25
8,20
LCL=8,1800
1
19
38
57
76
95
114
Observation
133
152
171
190
Figura 4.37 Grfico de controle Beta 2550 sem outliers assumindo distribuio Normal
Na segunda forma de avaliar a condio de estabilidade dos dados em Beta 2550
foram considerados percentil 0,135 (8,085346) para LIC, percentil 50 ou mediana (8,340784)
para a LM e percentil 99,865 (8,471053) para LSC conforme indicado na Figura 4.38.
Individual Value
8,4
_
X=8,3408
8,3
8,2
1
8,1
LB=8,0853
1
20
40
60
80
100 120
Observation
140
160
180
200
Figura 4.38 Grfico de controle Beta 2550 com limites de controle em percentis
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
90
44000
Individual Value
43000
42000
41000
_
X=40218
40000
39000
38000
37000
36000
LCL=36024
1
20
40
60
80
100 120
Observation
140
160
180
200
Figura 4.39 Grfico de controle para Beta 2550 aps transformao de Box-Cox
A quarta situao de anlise com o grfico de controle individual aps a transformao
de Johnson, tambm no apresentou pontos alm dos limites estipulados (Figura 4.40).
Individual Value
2
1
_
X=0,246
0
-1
-2
LCL=-2,751
-3
1
20
40
60
80
100 120
Observation
140
160
180
200
Figura 4.40 Grfico de controle para Beta 2550 aps transformao de Johnson
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
91
Como a anlise do conjunto de dados Beta 2550 sem a presena de outliers (Beta
2550*) indicou que o mesmo passou a ser bem representado pela distribuio Normal, no
foram necessrias as verificaes dos grficos de controle individuais aps as transformaes
de Box-Cox ou Johnson para esta condio.
zST) diferentes:
a) Em uma primeira abordagem o clculo foi efetuado com os dados originais e os
dados tratados (sem outliers) como se fossem normalmente distribudos;
b) No segundo caso a condio assimtrica da distribuio foi considerada no clculo
dos dados originais.
c) Na terceira abordagem os dados originais foram previamente transformados por
meio da transformao de Box-Cox;
d) Na quarta situao foi utilizada a transformao de Johnson.
A Figura 4.41 apresenta os resultados do clculo de capabilidade para Beta 2550
considerando os dados normalmente distribudos.
U SL
P rocess D ata
LS L
8,20000
T arget
*
USL
8,50000
S am ple M ean
8,33369
S am ple N
200
S tD ev (Within)
0,05817
S tD ev (O v erall) 0,06113
W ithin
O v erall
P otential (Within) C apability
Z.B ench
2,23
Z.LS L
2,30
Z.U S L
2,86
C pk
0,77
C C pk
0,86
O v erall C apability
Z.B ench
Z.LS L
Z.U S L
P pk
C pm
8,15
O bserv ed P erform ance
P P M < LS L
30000,00
PPM > USL
0,00
P P M T otal
30000,00
8,20
8,25
8,30
8,35
8,40
8,45
2,11
2,19
2,72
0,73
*
8,50
92
A Figura 4.42 apresenta os resultados com os dados originais Beta 2550 sem a
presena de outliers, considerando distribuio Normal, suposio que se mostrou verdadeira.
USL
P rocess Data
LS L
8,20000
Target
*
USL
8,50000
S ample M ean
8,33877
S ample N
194
S tDev (Within)
0,05292
S tDev (O v erall) 0,05465
Within
Ov erall
P otential (Within) C apability
Z.Bench 2,54
Z.LS L
2,62
Z.U S L
3,05
C pk
0,87
C C pk
0,94
O v erall C apability
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
2,45
2,54
2,95
0,85
*
Figura 4.42 ndices de capabilidade de Beta 2550 sem outliers assumindo normalidade
Por no seguir a distribuio Normal, o clculo de capabilidade dos dados em Beta
2550 foi efetuado considerando a distribuio Weibull com 3 parmetros (Figura 4.43), pois
no havia a opo de clculo com distribuio Beta no programa estatstico utilizado.
USL
P rocess Data
LS L
8,20000
Target
*
USL
8,50000
S ample M ean 8,33369
S ample N
200
S hape
6,35364
S cale
0,35651
Threshold
8,00177
O v erall C apability
Z.Bench
1,98
Z.LS L
1,97
Z.U S L
3,38
P pk
0,66
Exp. O v erall P erformance
P P M < LS L 23724,6
PPM > USL
228,1
P P M Total
23952,8
O bserv ed P erformance
P P M < LS L 30000
PPM > USL
0
P P M Total
30000
8,15
8,20
8,25
8,30
8,35
8,40
8,45
8,50
93
U S L*
transformed data
P rocess D ata
LS L
Target
USL
S ample M ean
S ample N
S tD ev (Within)
S tD ev (O v erall)
Within
O v erall
8,20000
*
8,50000
8,33369
200
0,05817
0,06113
A fter T ransformation
O v erall C apability
LS L*
37073,99212
Target*
*
U S L*
44370,54074
S ample M ean* 40217,86391
S tD ev (Within)*
1398,04938
S tD ev (O v erall)* 1465,22311
Z.B ench
Z.LS L
Z.U S L
P pk
C pm
2,09
2,15
2,83
0,72
*
U S L*
transformed data
P rocess D ata
LS L
8,20000
Target
*
USL
8,50000
S ample M ean
8,33369
S ample N
200
S tD ev
0,06105
S hape1
0,75118
S hape2
1,98922
Location
8,37523
S cale
0,09824
O v erall C apability
Z.Bench
1,86
Z.LS L
1,90
Z.U S L
2,76
P pk
0,63
E xp. O v erall P erformance
P P M < LS L 28886,0
P P M > U S L 2900,8
P P M Total 31786,8
A fter Transformation
LS L*
-1,91940
Target*
*
U S L*
2,85996
S ample M ean* 0,02821
S tD ev *
1,02645
O bserv ed P erformance
P P M < LS L 30000
PPM > U SL
0
P P M Total 30000
-2,25
-1,50
-0,75
0,00
0,75
1,50
2,25
94
LIE
LSE
NDICE
NVEL
SIGMA
PPM
(mm) (mm)
ZLT
8,20
8,50
2,11
3,61
17625
8,20
8,50
2,45
3,95
7145
8,20
8,50
1,98
3,48
23953
8,20
8,50
2,09
3,59
18247
8,20
8,50
1,86
3,36
31787
(ZLT+1,5)
4.3
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
95
19,122
19,128
19,134
19,140
19,146
A -S quared
P -V alue <
1,59
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
19,130
0,005
0,000
1,32718
2,43752
54
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
19,122
19,127
19,129
19,132
19,147
19,131
19,130
0,004
0,007
Mean
Median
19,128
19,129
19,130
19,131
19,124
19,128
19,132
19,136
A -S quared
P -V alue
0,43
0,301
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
19,129
0,004
0,000
0,252045
-0,063199
51
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
19,122
19,127
19,129
19,132
19,139
19,130
19,130
0,003
0,005
Mean
Median
19,1280
19,1285
19,1290
19,1295
19,1300
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
96
Table of S tatistics
Loc
-0,445106
S cale
0,0045508
Thres
18,4893
M ean
19,1300
S tDev
0,0052894
M edian
19,1300
IQ R
0,0064071
F ailure
54
C ensor
0
A D*
1,401
C orrelation
0,951
95
Percent
90
80
70
60
50
40
30
20
10
5
0,62
0,63
0,64
3/4AE
0,65
0,66
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
97
19,122
19,126
19,130
19,134
19,138
A -S quared
P -V alue
0,81
0,034
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
19,130
0,004
0,000
-0,153626
0,076074
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
19,120
19,128
19,130
19,133
19,138
19,132
19,131
0,003
0,005
Mean
Median
19,1295
19,1300
19,1305
19,1310
19,1315
19,122
19,126
19,130
19,134
19,138
A -S quared
P -V alue
0,85
0,027
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
19,131
0,004
0,000
0,031031
-0,157874
59
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
19,121
19,128
19,130
19,133
19,138
19,132
19,131
0,003
0,005
Mean
Median
19,1295
19,1300
19,1305
19,1310
19,1315
98
Table of S tatistics
Loc
19,1305
S cale
0,0023069
M ean
19,1305
S tDev
0,0041842
M edian
19,1305
IQ R
0,0050687
F ailure
60
C ensor
0
A D*
0,929
C orrelation
0,983
95
Percent
90
80
70
60
50
40
30
20
10
5
19,120
19,125
19,130
3/4AD
19,135
19,140
19,145
Table of S tatistics
Loc
-0,0339756
S cale
0,0040290
Thres
18,1641
M ean
19,1307
S tD ev
0,0038944
M edian
19,1307
IQ R
0,0052534
F ailure
59
C ensor
0
A D*
1,051
C orrelation
0,984
99
95
Percent
90
80
70
60
50
40
30
20
10
5
1
0,1
0,950
0,955
0,960
0,965 0,970
3/4AD*
0,975
0,980
0,985
Figura 4.52 Avaliao de distribuio aplicvel ao conjunto de dados 3/4AD sem outliers
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
99
Lambda
(using 95,0% confidence)
Estimate
0,0045840
StDev
0,0045835
-5,00000
Lower CL
Upper CL
*
*
Best Value
-5,00000
0,0045830
0,0045825
0,0045820
0,0045815
-5,0
-2,5
0,0
Lambda
2,5
5,0
3,8880E-07
3,8940E-07
3,9000E-07
3,9060E-07
3,9120E-07
A -S quared
P -V alue <
1,58
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
0,000000
0,000000
0,000000
-1,32094
2,41925
54
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
0,000000
Mean
Median
3,9020E-07 3,9025E-07 3,9030E-07 3,9035E-07 3,9040E-07 3,9045E-07 3,9050E-07
100
90
Percent
50
10
0,51
99
0,60
0,45
0,30
0,15
Ref P
0,00
0,2
19,12
19,13
19,14
0,8
Z Value
(P-Value = 0.005 means <= 0.005)
19,15
0,4
0,6
1,0
1,2
99
N
AD
P-Value
Percent
90
50
54
0,286
0,611
10
1
-2
0,0024946
0,0024945
StDev
0,0024944
5,00000
Lower C L
Upper C L
*
*
Best Value
5,00000
0,0024943
0,0024942
0,0024941
0,0024940
-5,0
-2,5
0,0
Lambda
2,5
5,0
101
2556000
2558000
2560000
2562000
2564000
A -S quared
P -V alue
0,81
0,034
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
2562300
2725
7425543
-0,151097
0,073256
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
2566000
2555286
2560636
2561975
2563984
2567336
2563004
2562644
2310
3324
Mean
Median
2561500
2561750
2562000
2562250
2562500
2562750
2563000
99,9
0,10
N
60
AD
0,812
P-V alue 0,034
99
95
80
Percent
Select a Transformation
50
20
Ref P
0,08
0,06
0,04
0,02
5
0,00
0,3
0,1
0,6
0,9
Z Value
1,2
102
Para o conjunto de dados 3/4AD sem outliers (ou 3/4AD*) foi tentada a
transformao dos dados para condio de normalidade atravs da aplicao do mtodo de
Box-Cox conforme indicado atravs da Figura 4.59.
Lambda
StDev
0,00229276
Estimate
0,00229275
Lower C L
Upper C L
*
*
Best Value
-5,00000
-5,00000
0,00229274
0,00229273
0,00229272
0,00229271
0,00229270
-5,0
-2,5
0,0
Lambda
2,5
5,0
Figura 4.59 Transformao de Box-Cox para o conjunto de dados 3/4AD sem outliers
Para o conjunto de dados 3/4AD sem outliers tambm foi efetuada a transformao
de Johnson (Figura 4.60), no sendo encontrada equao que resultasse em normalidade.
99,9
0,10
N
59
AD
0,852
P -V alue 0,027
99
95
80
Percent
Select a Transformation
50
20
Ref P
0,08
0,06
0,04
0,02
5
0,00
0,3
0,1
0,6
0,9
Z Value
1,2
Figura 4.60 Transformao de Johnson para o conjunto de dados 3/4AD sem outliers
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
103
USL
P rocess D ata
LS L
19,12400
Target
*
USL
19,15100
Sample M ean
19,13002
Sample N
54
StDev (Within)
0,00458
StDev (O v erall)
0,00535
Within
Ov erall
P otential (Within) C apability
Z.Bench 1,31
Z.LS L
1,31
Z.U SL
4,58
C pk
0,44
C C pk
0,98
O v erall C apability
Z.Bench
Z.LS L
Z.U SL
P pk
C pm
1,12
1,12
3,92
0,37
*
104
USL
P rocess D ata
LS L
19,12400
Target
*
USL
19,15100
S ample M ean 19,13002
S ample N
54
Location
-0,20971
S cale
0,00336
Threshold
18,31864
O v erall C apability
Z.Bench
1,18
Z.LSL
0,92
Z.U SL
3,56
P pk
0,31
E xp. O v erall Performance
P P M < LS L 118147
PPM > USL
403
P P M Total
118550
O bserv ed P erformance
P P M < LSL 74074,1
P P M > U SL
0,0
P P M Total
74074,1
Figura 4.62 ndices de capabilidade dos dados 3/4AE baseados na distribuio Loglogistic
No foi efetuado clculo de capabilidade aps transformao de Box-Cox dos dados
3/4AE, pois a mesma no resultou em normalidade.
A Figura 4.63 apresenta os resultados do clculo de capabilidade do processo aps
utilizao da transformao de Johnson no conjunto de dados originais 3/4AE.
U S L*
transformed data
P rocess Data
LSL
19,12400
Target
*
USL
19,15100
S ample M ean 19,13002
S ample N
54
S tD ev
0,00533
S hape1
-0,49204
S hape2
0,99705
Location
19,12706
S cale
0,00335
O v erall C apability
Z.Bench
1,41
Z.LS L
1,49
Z.U S L
2,28
P pk
0,50
Exp. O v erall Performance
PP M < LS L 68154,7
PP M > U S L 11245,8
PP M Total 79400,5
A fter Transformation
LSL*
Target*
U S L*
S ample M ean*
S tD ev *
-1,30763
*
2,16335
0,06329
0,92028
O bserv ed P erformance
P PM < LSL 74074,1
P PM > U S L
0,0
P PM Total 74074,1
-2
-1
Figura 4.63 ndices de capabilidade dos dados 3/4AE transformados por Johnson
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
105
USL
Process D ata
LSL
19,12400
Target
*
USL
19,15100
Sample M ean
19,12910
Sample N
51
StD ev (Within)
0,00362
StD ev (O v erall)
0,00383
W ithin
Overall
Potential (Within) C apability
Z.Bench 1,41
Z.LS L
1,41
Z.U SL
6,06
C pk
0,47
C C pk
1,24
O v erall C apability
Z.Bench
Z.LS L
Z.U SL
Ppk
C pm
,1
19
O bserv ed Performance
PP M < LS L
78431,37
PP M > U S L
0,00
PP M Total
78431,37
20
19
,1
24
,1
19
28
19
,1
32
,1
19
36
19
,1
40
,
19
14
4
19
,1
1,33
1,33
5,72
0,44
*
48
USL
P rocess D ata
LS L
19,12400
Target
*
USL
19,15100
Sample M ean
19,13048
Sample N
60
StD ev (Within)
0,00249
StD ev (O v erall)
0,00409
Within
Ov erall
P otential (Within) C apability
Z.Bench 2,60
Z.LS L
2,60
Z.U S L
8,23
C pk
0,87
C C pk
1,80
O v erall C apability
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
,
19
O bserv ed Performance
PP M < LS L 50000,00
PP M > U SL
0,00
PP M Total
50000,00
12
1,59
1,59
5,02
0,53
*
2 4 1 2 8 1 3 2 1 3 6 1 4 0 1 44 1 4 8
,
,
,
,
,
,
,1
9
19
19
19
19
19
19
1
106
USL
P rocess Data
LS L
19,12400
Target
*
USL
19,15100
S ample M ean 19,13048
S ample N
60
Location
19,13046
S cale
0,00227
O v erall C apability
Z.Bench
1,60
Z.LS L
1,29
Z.U S L
4,11
P pk
0,43
E xp. O v erall P erformance
P P M < LS L 54882,9
PPM > USL
117,9
P P M Total
55000,9
O bserv ed P erformance
P P M < LS L 50000
PPM > U SL
0
P P M Total
50000
19
,1
20
19
,1
24
,1
19
28
19
,1
32
19
3
,1
6
19
,1
40
19
44
,1
19
,1
48
Figura 4.66 ndices de capabilidade dos dados 3/4AD baseados na distribuio Logistic
A Figura 4.67 apresenta os resultados considerando os dados originais 3/4AD sem a
presena de outliers e considerando os dados como se fossem normalmente distribudos.
USL
P rocess D ata
LS L
19,12400
Target
*
USL
19,15100
S ample M ean
19,13066
S ample N
59
S tD ev (Within)
0,00229
S tD ev (O v erall)
0,00388
W ithin
Ov erall
P otential (Within) C apability
Z.Bench 2,91
Z.LS L
2,91
Z.U S L
8,87
C pk
0,97
C C pk
1,96
O v erall C apability
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
,
19
O bserv ed Performance
P P M < LS L
33898,31
PPM > USL
0,00
P P M Total
33898,31
12
0
19
,1
24
,1
19
28
19
,1
32
19
3
,1
6
19
,1
40
19
4
,1
4
19
,1
1,72
1,72
5,24
0,57
*
48
107
USL
P rocess D ata
LS L
19,12400
Target
*
USL
19,15100
S ample M ean 19,13066
S ample N
59
Location
-0,08341
S cale
0,00416
Threshold
18,21068
O v erall C apability
Z.Bench
1,74
Z.LS L
1,75
Z.U S L
5,28
P pk
0,58
Exp. O v erall P erformance
P P M < LS L 40600,4
PPM > USL
0,1
P P M Total
40600,4
O bserv ed P erformance
P P M < LS L 33898,3
PPM > USL
0,0
P P M Total
33898,3
19
2
,1
0
19
,1
24
19
2
,1
8
19
,1
32
19
36
,1
19
,1
40
19
,1
44
19
,1
48
Figura 4.68 ndices capabilidade dos dados 3/4AD sem outliers (distribuio Lognormal)
No foram efetuados os clculos de capabilidade aps as transformaes de Box-Cox
e Johnson para os dados 3/4AD e para 3/4AD sem outliers, pois as transformaes
citadas no resultaram em normalidade. Um resumo dos valores obtidos nas diversas
situaes descritas para os dados reais 3/4AE e 3/4AD apresentado na Tabela 4.3.
NVEL
LIE
LSE
NDICE
(mm)
(mm)
ZLT
19,124
19,151
1,12
2,62
130525
19,124
19,151
1,33
2,83
91334
19,124
19,151
1,18
2,68
118550
19,124
19,151
1,41
2,91
79401
19,124
19,151
1,59
3,09
56313
19,124
19,151
1,72
3,22
42972
19,124
19,151
1,60
3,10
55001
19,124
19,151
1,74
3,24
40600
SIGMA
PPM
(ZLT+1,5)
108
15,955
15,960
15,965
15,970
15,975
15,980
A -S quared
P -V alue <
1,68
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
15,963
0,007
0,000
1,04029
-0,04579
27
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
15,956
15,958
15,960
15,968
15,980
15,966
15,966
0,006
0,010
Mean
Median
15,9600
15,9615
15,9630
15,9645
15,9660
109
Table of S tatistics
Loc
-0,762463
S cale
0,0151340
Thres
15,4969
M ean
15,9635
S tD ev
0,0070615
M edian
15,9634
IQ R
0,0095243
F ailure
27
C ensor
0
A D*
2,164
C orrelation
0,924
95
90
80
Percent
70
60
50
40
30
20
10
5
0,44
0,45
0,46
0,47
5/8TE
0,48
0,49
15,96
15,97
15,98
15,99
16,00
A -S quared
P -V alue
0,94
0,015
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
15,967
0,010
0,000
1,18738
2,04497
29
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
15,956
15,960
15,966
15,974
15,998
15,971
15,973
0,008
0,013
Mean
Median
15,960
15,962
15,964
15,966
15,968
15,970
15,972
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
110
Pela anlise dos dados 5/8TD sem a presena dos outliers, apresentada na Figura
4.72 como 5/8TD*, concluiu-se que a distribuio no era normal (p-value inferior a 0,05).
15,955
15,960
15,965
15,970
15,975
A -S quared
P -V alue
1,05
0,008
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
15,966
0,008
0,000
0,32717
-1,37814
28
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
15,980
15,956
15,959
15,965
15,974
15,981
15,969
15,973
0,006
0,010
Mean
Median
15,960
15,962
15,964
15,966
15,968
15,970
15,972
Table of S tatistics
Loc
-1,32532
S cale
0,0348273
Thres
15,7015
M ean
15,9674
S tD ev
0,0092626
M edian
15,9672
IQ R
0,0124849
F ailure
29
C ensor
0
A D*
1,345
C orrelation
0,943
95
90
Percent
80
70
60
50
40
30
20
10
5
0,24
0,25
0,26
0,27
5/8TD
0,28
0,29
0,30
111
Como o conjunto de dados 5/8TD sem outliers (ou 5/8TD*) tambm no seguia a
distribuio Normal, foi efetuada a verificao da distribuio que melhor representasse estes
dados utilizando o programa estatstico. Conforme demonstrado atravs da Figura 4.74, a
distribuio Lognormal com 3 parmetros foi a melhor opo encontrada, pois indicou o
maior coeficiente de correlao (0,960) entre as distribuies analisadas para um intervalo de
95% de confiana.
Table of S tatistics
Loc
-0,539457
S cale
0,0132152
Thres
15,3831
M ean
15,9662
S tD ev
0,0077064
M edian
15,9662
IQ R
0,0103945
F ailure
28
C ensor
0
A D*
1,434
C orrelation
0,960
95
90
Percent
80
70
60
50
40
30
20
10
5
0,56
0,57
0,58
0,59
5/8TD*
0,60
0,61
Figura 4.74 Avaliao de distribuio aplicvel ao conjunto de dados 5/8TD sem outliers
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
112
Lambda
(using 95,0% confidence)
Estimate
0,0052550
StDev
0,0052525
-5,00000
Lower C L
Upper C L
*
*
Best Value
-5,00000
0,0052500
0,0052475
0,0052450
-5,0
-2,5
0,0
Lambda
2,5
5,0
9,6000E-07
9,6200E-07
9,6400E-07
9,6600E-07
A -S quared
P -V alue <
1,68
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
0,000001
0,000000
0,000000
-1,03690
-0,05539
27
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,000001
0,000001
0,000001
0,000001
0,000001
0,000001
0,000001
0,000000
0,000000
Mean
Median
9,6400E-07
9,6450E-07
9,6500E-07
9,6550E-07
9,6600E-07
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
113
N
AD
P-Value
27
1,681
<0,005
50
10
0,58
0,20
0,15
0,10
Ref P
0,05
0,00
0,2
1
15,94
15,96
15,98
0,4
0,6
0,8
Z Value
1,0
1,2
99
N
AD
P-Value
Percent
90
50
27
0,493
0,200
10
1
-2
Lambda
(using 95,0% confidence)
StDev
0,004530
Estimate
-5,00000
0,004529
Lower C L
Upper C L
*
*
0,004528
Best Value
-5,00000
0,004527
0,004526
0,004525
0,004524
0,004523
0,004522
-5,0
-2,5
0,0
Lambda
2,5
5,0
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
114
A -S quared
P -V alue
0,94
0,015
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
0,000001
0,000000
0,000000
-1,17485
1,99081
29
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,000001
0,000001
0,000001
0,000001
0,000001
0,000001
0,000001
0,000000
0,000000
Mean
Median
9,6200E-07
9,6300E-07
9,6400E-07
9,6500E-07
9,6600E-07
90
Percent
29
0,943
0,015
50
10
1
15,94
15,96
15,98
99
0,65
0,3
0,2
0,1
0,0
0,50
Ref P
0,75
1,00
1,25
Z Value
(P-Value = 0.005 means <= 0.005)
16,00
99
N
AD
P-Value
Percent
90
50
29
0,410
0,322
10
1
-2
115
Para o conjunto de dados 5/8TD sem outliers (ou 5/8TD*) foi tentada a
transformao dos dados para condio de normalidade atravs da aplicao do mtodo de
Box-Cox conforme indicado atravs da Figura 4.81.
Lambda
(using 95,0% confidence)
Estimate
StDev
0,0039405
-5,00000
Lower C L
Upper C L
*
*
Best Value
-5,00000
0,0039400
0,0039395
0,0039390
-5,0
-2,5
0,0
Lambda
2,5
5,0
Figura 4.81 Transformao de Box-Cox para o conjunto de dados 5/8TD sem outliers
Para os dados 5/8TD sem outliers (5/8TD*) tambm foi aplicado o mtodo de
transformao de Johnson de acordo com diagrama apresentado na Figura 4.82.
50
10
0,72
0,5
0,4
0,3
0,2
0,1
Ref P
0,7
1
15,94
15,96
0,9
1,0
Z Value
(P-Value = 0.005 means <= 0.005)
15,98
0,8
1,1
1,2
99
N
28
AD
0,302
P-Value 0,554
Percent
90
50
10
1
-2
Figura 4.82 Transformao de Johnson para o conjunto de dados 5/8TD sem outliers
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
116
USL
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
S ample M ean
15,96344
S ample N
27
S tD ev (Within)
0,00525
S tD ev (O v erall)
0,00744
W ithin
Ov erall
P otential (Within) C apability
Z.Bench 2,32
Z.LS L
2,56
Z.U S L
2,58
C pk
0,85
C C pk
0,86
O v erall C apability
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
1,48
1,81
1,82
0,60
*
117
USL
P rocess Data
LSL
15,95000
Target
*
U SL
15,97700
S ample M ean 15,96344
S ample N
27
Location
-0,74041
S cale
0,01504
Threshold
15,48651
O v erall C apability
Z.Bench
1,56
Z.LSL
1,91
Z.U SL
1,85
P pk
0,62
Exp. O v erall P erformance
P P M < LSL 28827,1
P P M > U S L 31058,5
P P M Total 59885,6
O bserv ed P erformance
P P M < LS L
0,0
P P M > U SL 74074,1
P P M Total
74074,1
Figura 4.84 ndices de capabilidade dos dados 5/8TE baseados na distribuio Lognormal
No foi efetuado clculo de capabilidade aps transformao de Box-Cox dos dados
5/8TE, pois a mesma no resultou em normalidade.
A Figura 4.85 apresenta os resultados do clculo de capabilidade do processo aps
utilizao da transformao de Johnson no conjunto de dados originais 5/8TE.
transformed data
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
S ample M ean 15,96344
S ample N
27
S tD ev
0,00737
S hape1
0,91152
S hape2
0,61415
Location
15,95560
S cale
0,03074
O v erall C apability
Z.Bench
*
Z.LS L
*
Z.U S L
1,51
P pk
0,50
E xp. O v erall P erformance
P P M < LS L *
PPM > USL *
P P M Total *
A fter Transformation
LS L*
Target*
U S L*
S ample M ean*
S tD ev *
*
*
1,42129
-0,03023
0,96325
O bserv ed P erformance
P P M < LS L
0,0
P P M > U S L 74074,1
P P M Total 74074,1
-2
-1
Figura 4.85 ndices de capabilidade dos dados 5/8TE transformados por Johnson
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
118
USL
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
S ample M ean
15,96731
S ample N
29
S tD ev (Within)
0,00453
S tD ev (O v erall)
0,00968
Within
Ov erall
P otential (Within) C apability
Z.Bench 2,14
Z.LS L
3,82
Z.U S L
2,14
C pk
0,71
C C pk
0,99
O v erall C apability
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
15,95
O bserv ed P erformance
P P M < LSL
0,00
P P M > U SL 103448,28
P P M Total
103448,28
15,96
15,97
15,98
15,99
0,86
1,79
1,00
0,33
*
16,00
USL
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
Sample M ean 15,96731
Sample N
29
Location
-0,99045
Scale
0,02504
Threshold
15,59585
O v erall C apability
Z.Bench
0,92
Z.LS L
1,93
Z.U S L
1,01
P pk
0,34
E xp. O v erall P erformance
P P M < LS L
28661
P P M > U S L 150604
P P M Total
179265
O bserv ed P erformance
P P M < LSL
0
P P M > U S L 103448
P P M Total
103448
15,95
15,96
15,97
15,98
15,99
16,00
Figura 4.87 ndices de capabilidade dos dados 5/8TD baseados na distribuio Lognormal
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
119
transformed data
P rocess Data
LS L
15,95000
Target
*
USL
15,97700
S ample M ean 15,96731
S ample N
29
S tD ev
0,00960
S hape1
1,01181
S hape2
0,72979
Location
15,95541
S cale
0,04912
O v erall C apability
Z.Bench
*
Z.LS L
*
Z.U S L
0,94
Ppk
0,31
E xp. O v erall P erformance
P P M < LSL *
P P M > U SL *
P P M Total *
A fter Transformation
LS L*
*
Target*
*
U S L*
0,83467
S ample M ean* -0,07024
S tD ev *
0,96468
O bserv ed P erformance
P PM < LS L
0
P PM > U S L 103448
P PM Total 103448
-2
-1
Figura 4.88 ndices de capabilidade dos dados 5/8TD transformados por Johnson
A Figura 4.89 apresenta os resultados considerando os dados originais 5/8TD sem a
presena de outliers e considerando os dados como se fossem normalmente distribudos.
USL
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
S ample M ean
15,96621
S ample N
28
S tD ev (Within)
0,00394
S tD ev (O v erall)
0,00778
W ithin
Ov erall
P otential (Within) C apability
Z.Bench 2,74
Z.LS L
4,12
Z.U S L
2,74
C pk
0,91
C C pk
1,14
O v erall C apability
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
,
15
O bserv ed Performance
P P M < LS L
0,00
P P M > U S L 71428,57
P P M Total
71428,57
95
0
,
15
95
5
,
15
96
,
15
96
5
,
15
97
0
,
15
97
5
,
15
0
98
,
15
98
1,27
2,09
1,39
0,46
*
120
USL
Process Data
LSL
15,95000
Target
*
U SL
15,97700
S ample M ean 15,96621
S ample N
28
Location
-0,54729
S cale
0,01305
Threshold
15,38766
O v erall C apability
Z.Bench
1,32
Z.LS L
2,18
Z.U S L
1,41
P pk
0,47
E xp. O v erall P erformance
PP M < LS L 14901,4
PP M > U S L 77722,6
PP M Total 92623,9
O bserv ed P erformance
PP M < LSL
0,0
PP M > U S L 71428,6
PP M Total
71428,6
Figura 4.90 ndices capabilidade dos dados 5/8TD sem outliers (distribuio Lognormal)
No foi efetuado clculo de capabilidade aps transformao de Box-Cox dos dados
5/8TD sem outliers, pois a mesma no resultou em normalidade. A Figura 4.91 apresenta o
clculo de capabilidade aps transformao de Johnson dos dados 5/8TD sem outliers.
transformed data
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
S ample M ean 15,96621
S ample N
28
S tD ev
0,00770
S hape1
0,27832
S hape2
0,52254
Location
15,95576
S cale
0,02593
O v erall C apability
Z.Bench
*
Z.LSL
*
Z.U S L
1,19
P pk
0,40
Exp. O v erall Performance
P PM < LS L *
P PM > U S L *
P PM Total *
A fter Transformation
LS L*
*
Target*
*
U S L*
1,06775
S ample M ean* -0,03806
S tD ev *
0,93016
O bserv ed Performance
P P M < LSL
0,0
P P M > U SL 71428,6
P P M Total 71428,6
-2
-1
Figura 4.91 ndices de capabilidade dos dados 5/8TD sem outliers (transf. Johnson)
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
121
NVEL
LIE
LSE
NDICE
(mm)
(mm)
ZLT
15,950
15,977
1,48
2,98
69495
15,950
15,977
1,56
3,06
59886
15,950
15,977
0,86
2,36
195353
15,950
15,977
0,92
2,42
179265
15,950
15,977
1,27
2,77
101247
15,950
15,977
1,32
2,82
92624
SIGMA
PPM
(ZLT+1,5)
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
5.
5.1
122
123
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
124
DE DADOS
SIMULADOS
Gamma 220
Gamma 220*
(sem outliers)
Beta 2550
SUPONDO NORMAL
NO NORMAL
LIC = X -E2. Rm
LC EM PERCENTIS
LSC = X +E2. Rm
2 pontos acima do
LSC
0
1 ponto abaixo do
LIC
TRANSF. BOX-COX
TRANSF. JOHNSON
LIC =
X BC E2. Rm
LIC =
X J E2. Rm
LSC =
X BC +E2. Rm
LSC =
X J +E2. Rm
Beta 2550*
(sem outliers)
distribuio Normal
125
a transformao matemtica das variveis com as tcnicas de Box-Cox e Johnson, mostraramse procedimentos extremamente eficazes ao possibilitar uma interpretao mais coerente
acerca da condio de estabilidade do processo em estudo.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
126
127
DADOS
SIMULADOS
Gamma 220
SUPONDO NORMAL
ZLT
ZST
( )
NO NORMAL
(distribuio original)
PPM
ZLT
ZST
( )
TRANSF. BOX-COX
PPM
ZLT
ZST
( )
TRANSF. JOHNSON
PPM
ZLT
ZST
( )
PPM
2,97
4,47
1470
2,12
3,62
16872
2,14
3,64
16010
2,31
3,81
10453
4,84
420
2,49
3,99
6333
2,53
4,03
5730
2,87
4,37
2041
Beta 2550
2,11
3,61
17625
1,98
3,48
23953
2,09
3,59
18247
1,86
3,36
31787
2,45
3,95
7145
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
distribuio Normal
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
5.2
128
129
- Uma vez que a eliminao dos outliers resultou em normalidade, no foi necessria
anlise adicional com os dados tratados e transformados (Johnson).
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
130
131
- Aps tratamento dos dados atravs da eliminao dos outliers, o ndice encontrado
foi de 2,77, o que representaria um desempenho equivalente a 101247 PPM.
b) Adotando a funo densidade de probabilidade da distribuio que melhor se
ajustou ao conjunto de dados (Lognormal com 3 parmetros):
- O ndice de 2,42, obtido neste caso, indicou um desempenho de 179265 PPM, que
tem a mesma ordem de grandeza do valor obtido com a suposio de normalidade.
- Atravs da eliminao dos outliers, obteve-se o ndice de 2,82 (92624 PPM),
tambm com a mesma ordem de grandeza do valor obtido com suposio de
normalidade.
c) Efetuando transformao matemtica do conjunto de dados por meio do mtodo de
Box-Cox:
- No foi possvel efetuar a transformao de Box-Cox atravs do software estatstico,
isto , no foi encontrado valor de que possibilitasse a normalizao dos dados
originais e dos dados sem outliers.
d) Efetuando transformao matemtica do conjunto de dados por meio do mtodo de
Johnson:
- No foi possvel efetuar a transformao de Johnson atravs do software estatstico,
isto , no foi encontrada equao de transformao que possibilitasse a normalizao
dos dados originais e dos dados sem outliers.
132
sucedida e forneceu dados para comparao. Este fato pode ser atribudo muito mais
caracterstica distribucional particular dos dados do que ao pequeno tamanho da amostra, pois
em estudos preliminares com amostras maiores deste mesmo processo tambm no foi
possvel obter transformao que resultasse em normalidade.
Portanto, o ajuste dos dados em uma distribuio no normal adequadamente
escolhida (best fitting) foi a melhor opo para tratamento prvio dos dados reais selecionados
neste estudo de caso antes da determinao dos ndices de capabilidade. A Tabela 5.3
apresenta esta avaliao de capabilidade de forma resumida.
AVALIAO DE CAPABILIDADE ATRAVS DO NVEL SIGMA
CONJUNTO
DE DADOS
REAIS
SUPONDO NORMAL
ZST
ZLT
( )
NO NORMAL
(Best Fitting)
PPM
ZLT
ZST
( )
PPM
3/4AE
1,12
2,62
130525
1,18
2,68 118550
1,33
2,83
91334
N/A
N/A
1,59
3,09
56313
1,60
42972
5/8TE
1,48
2,98
N/A
5/8TD
5/8TD* (s/ outliers)
TRANSF. BOX-COX
ZLT
ZST
( )
TRANSF. JOHNSON
PPM
ZLT
ZST
( )
PPM
1,41
2,91
79401
N/A
N/A
N/A
N/A
N/A
N/A
N/A
3,10
55001
1,74
3,24
40600
69495
1,56
3,06
59886
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
0,86
2,36
195353
0,92
2,42 179265
1,27
2,77
101247
1,32
2,82
distribuio Normal
3/4AD
92624
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Captulo 6: Concluso
6.
CONCLUSO
6.1
Concluso do Trabalho
133
Atravs deste trabalho de pesquisa foi efetuado um estudo sobre a utilizao de alguns
mtodos estatsticos afetados pela suposio inadequada de normalidade dos dados, em
especial os grficos de controle individuais e a avaliao de capabilidade atravs da mtrica
seis sigma. Os mtodos estatsticos utilizados nesta pesquisa foram escolhidos por se tratarem
de procedimentos que no so livres da distribuio, ou seja, os seus resultados dependem
da suposio relativa ao tipo de distribuio envolvida.
De modo geral o principal objetivo da pesquisa, que previa um aprofundamento dos
aspectos relativos aos efeitos da no normalidade na aplicao de mtodos estatsticos com
comparao de algumas tcnicas para tratamento dos dados, foi devidamente atingido e as
seguintes afirmaes fundamentam esta concluso:
a) Mtodos estatsticos baseados na premissa de normalidade dos dados coletados
necessitam de confirmao prvia desta suposio. A anlise e/ou tratamento
adequado dos dados condio sine qua non para continuidade das atividades
planejadas.
b) No caso dos grficos de controle individuais, confirmou-se a condio de falha na
interpretao da condio de estabilidade do processo em relao ao primeiro
critrio de identificao de padres no aleatrios (teste 1), pois foi observada a
ocorrncia de pontos alm dos limites de controle estipulados nos dois conjuntos
de dados no normais simulados conforme distribuies Gamma e Beta, quando a
condio de normalidade foi incorretamente assumida.
c) Para os conjuntos de dados no normais simulados, a avaliao de capabilidade
indicou que ndices incorretos podem ser obtidos a partir da suposio equivocada
de normalidade e tal fato foi confrmado atravs da constatao de diferenas
significativas em termos de frao no conforme em partes por milho.
d) Em relao aos conjuntos de dados reais no normais utilizados nesta pesquisa, as
divergncias observadas nos valores dos ndices de capabilidade no foram to
pronunciadas quanto para os dados simulados; entretanto, esta situao especfica
atribuda principalmente caracterstica particular dos dados escolhidos, no
dispensa, em hiptese alguma, a confirmao prvia da premissa de normalidade.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Captulo 6: Concluso
6.2
134
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Captulo 6: Concluso
135
d) O tratamento dos dados que deve anteceder a aplicao do mtodo estatstico pode
envolver, por exemplo: a reviso no procedimento de coleta dos dados; a
eliminao das observaes defasadas em relao ao restante dos dados (outliers);
ou a anlise dos dados em termos de mdias amostrais com base no Teorema
Central do Limite, que estabelece que a mdia de um grande nmero de variveis
aleatrias independentes apresenta uma distribuio aproximadamente normal,
indiferentemente do tipo de distribuio dos valores individuais.
e) Caso a condio de desvio da normalidade permanea, mesmo aps o adequado
tratamento de dados, podem ser utilizadas as alternativas de ajuste dos dados em
uma distribuio conhecida ou tcnicas de transformao de variveis. A escolha
entre ajuste dos dados e transformao deve ser analisada caso a caso, pois
depende de vrios fatores, tais como, natureza dos dados, mtodos estatsticos
envolvidos, disponibilidade de recursos computacionais, entre outros.
f) O ajuste dos dados pode ser utilizado quando o mtodo estatstico em questo
tambm for vlido para a distribuio especfica que apresentar o maior coeficiente
de correlao de acordo com o intervalo de confiana estipulado.
g) Caso seja possvel efetuar mais de um tipo de transformao para normalidade,
deve ser escolhida aquela que mais se aproximar da distribuio normal, utilizando
como referncia, por exemplo, a transformao com maior valor P (p-value)
conforme o intervalo de confiana determinado.
Existem algumas idias e sugestes que refletem limitaes encontradas durante o
desenvolvimento da dissertao e at mesmo advindas de possibilidades, inicialmente no
vislumbradas, que surgiram ao longo da reviso bibliogrfica e da aplicao da metodologia.
Tais oportunidades de continuidade em relao presente pesquisa esto resumidas na forma
de recomendaes e sugestes para trabalhos futuros:
a) Analisar criticamente outros casos reais onde efetivamente a premissa de
normalidade dos dados seja inadequadamente assumida nos mtodos estatsticos
abordados por esta pesquisa.
b) Efetuar anlise semelhante em outros mtodos estatsticos, tais como Planejamento
de Experimentos, Teste de Hipteses e Anlise de Regresso.
c) Avaliar os impactos da suposio incorreta de normalidade nos mtodos
estatsticos aplicados a processos industriais com enfoque em custos da qualidade.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Captulo 6: Concluso
136
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
137
APNDICE A
Dados Simulados Distribuio Gamma
GERAO DE 302 VALORES MODELADOS PELA DISTRIBUIO GAMMA
MINITAB
FUNO: CALC / SET BASE = 0
FUNO: CALC / RANDOM DATA / GAMMA / GENERATE = 302 / SHAPE = 2 / SCALE = 2
SEQ.
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
26
27
28
29
30
31
32
33
34
35
36
37
38
VALOR
0,4626
3,0957
5,5474
1,5838
6,3918
3,8264
5,6133
2,4457
6,7915
2,8244
3,301
7,0227
1,7596
1,1799
3,9024
4,1096
3,5807
1,9413
6,6211
1,1974
1,2446
1,9175
5,8456
1,8198
0,3613
1,9444
2,7409
10,8614
5,5885
8,0225
1,1101
1,0054
3,1211
4,6696
3,6844
2,918
4,2817
5,6464
SEQ.
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
VALOR
1,8887
2,2315
1,6732
4,8888
1,8816
5,4756
3,5595
4,4175
10,2318
4,1558
5,3824
3,14
0,9291
0,3023
2,3867
5,1551
1,8463
3,7235
1,1294
1,2839
8,2536
0,9381
2,3905
1,2335
1,434
1,4539
6,5105
9,2265
8,9602
4,5662
6,1777
4,0966
10,4443
4,0886
3,4413
3,6588
2,4803
8,461
SEQ.
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
VALOR
7,4074
9,0115
0,9454
6,0615
2,5903
1,9447
1,086
0,3745
7,6128
0,2958
4,6856
3,9474
2,5684
4,7496
0,7385
0,7428
3,7304
3,5384
6,0093
2,3759
3,5379
3,4034
12,6656
5,6339
2,7935
5,1534
1,9881
2,0899
1,8492
1,8742
6,4674
2,9087
4,0736
1,3847
4,1477
1,3581
5,2608
8,2522
SEQ.
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
VALOR
1,185
3,1849
7,6877
3,1788
5,5984
9,9636
2,1313
4,9518
1,8096
7,593
1,2747
2,3204
2,2864
4,4349
2,896
2,7341
6,1669
9,1938
2,0472
0,7214
8,9072
5,2217
6,8535
9,0784
2,4241
4,4146
1,1652
1,3705
0,4728
4,5762
0,6286
4,8925
5,0482
10,824
0,7769
6,3676
5,3936
3,9535
SEQ.
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
VALOR
3,1636
1,2456
1,603
3,4563
3,4547
7,664
1,3685
3,1737
2,8026
6,9265
3,3665
4,5281
1,7303
3,6089
2,2447
6,2337
2,2194
4,923
3,9119
2,9933
2,202
2,2485
2,3048
4,5721
3,4518
4,7168
1,3981
0,3966
9,1905
5,2956
1,2444
5,3798
5,797
2,9471
0,9952
12,7573
10,1261
5,4497
SEQ.
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
VALOR
2,7618
4,5109
6,9495
0,8095
3,8266
3,7041
5,8344
4,1958
1,2126
2,9398
2,5827
3,2919
1,7505
4,1145
3,5969
2,1113
8,5186
0,9838
2,3067
10,5915
6,1959
6,2654
5,1326
2,684
0,3248
1,2078
6,0658
6,5095
2,2554
6,3027
1,6937
3,7716
6,5116
2,4082
5,1584
2,8545
1,5058
4,0758
SEQ.
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
VALOR
3,0068
1,565
5,1903
0,9813
3,411
1,8716
1,7447
5,3684
11,1366
0,1423
5,2065
1,7723
1,6591
1,6427
11,215
2,7683
2,6952
11,4322
2,0877
8,0164
0,9613
3,0131
3,9257
2,1701
3,1749
3,3413
9,0791
5,0833
8,3427
4,599
8,2483
1,7755
1,5234
3,9079
3,8996
2,9582
2,8284
1,4153
SEQ.
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
VALOR
5,5303
1,773
2,7662
1,4707
0,8937
7,5615
5,7057
1,2082
7,0574
0,3543
4,2765
6,5058
9,9544
1,2436
2,4956
2,4132
8,8871
3,0427
2,3956
9,7285
9,1952
5,4037
2,0291
3,5981
0,5913
0,1167
5,9402
1,8515
2,496
3,1975
1,206
3,5032
0,9313
6,1247
8,494
0,4271
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
138
APNDICE B
Dados Simulados Distribuio Beta
GERAO DE 200 VALORES MODELADOS PELA DISTRIBUIO BETA
MINITAB
FUNO: CALC / SET BASE = 0
FUNO: CALC / RANDOM DATA / GAMMA / GENERATE = 200 / 1ST SHAPE = 25 / 2ND SHAPE = 5
TRANSFORMAO LINEAR: VALOR OBTIDO + 7,5
SEQ. VALOR
1
8,45807
2
8,41165
3
8,37419
4
8,37566
5
8,34414
6
8,43159
7
8,31396
8
8,25829
9
8,35646
10
8,37912
11
8,32773
12
8,42854
13
8,37079
14
8,38604
15
8,32042
16
8,38134
17
8,27282
18
8,27416
19
8,21798
20
8,35701
21
8,36542
22
8,30253
23
8,2963
24
8,39395
25
8,27878
26
8,28014
27
8,17534
28
8,36017
29
8,30082
30
8,38809
31
8,28877
32
8,39732
33
8,34748
34
8,41231
35
8,37241
36
8,2995
37
8,34269
38
8,20745
39
8,38114
40
8,37774
SEQ. VALOR
41
8,24211
42
8,42695
43
8,26819
44
8,32911
45
8,2955
46
8,30838
47
8,36016
48
8,22799
49
8,30434
50
8,31687
51
8,37933
52
8,29512
53
8,26892
54
8,42167
55
8,39958
56
8,33963
57
8,31593
58
8,44325
59
8,35471
60
8,35188
61
8,31315
62
8,35793
63
8,32368
64
8,27083
65
8,30975
66
8,38163
67
8,1599
68
8,32049
69
8,3229
70
8,31127
71
8,38843
72
8,36971
73
8,31102
74
8,34722
75
8,39904
76
8,17852
77
8,20045
78
8,38738
79
8,17685
80
8,39094
SEQ. VALOR
81
8,35032
82
8,33218
83
8,35262
84
8,37028
85
8,28237
86
8,40815
87
8,26452
88
8,39707
89
8,44931
90
8,44039
91
8,3445
92
8,40923
93
8,25715
94
8,31656
95
8,32098
96
8,33512
97
8,42927
98
8,37
99
8,36738
100
8,26551
101
8,28658
102
8,26359
103
8,29687
104
8,3654
105
8,26508
106
8,26195
107
8,3006
108
8,27515
109
8,28111
110
8,28591
111
8,34802
112
8,32393
113
8,30508
114
8,32114
115
8,36113
116
8,32957
117
8,33991
118
8,2819
119
8,34647
120
8,34671
SEQ. VALOR
121
8,36097
122
8,35226
123
8,41242
124
8,32334
125
8,30704
126
8,36446
127
8,15895
128
8,34006
129
8,36211
130
8,35366
131
8,27866
132
8,30233
133
8,34222
134
8,332
135
8,37317
136
8,34075
137
8,37552
138
8,34316
139
8,31217
140
8,3567
141
8,37056
142
8,45418
143
8,32273
144
8,34553
145
8,40452
146
8,33615
147
8,45563
148
8,44982
149
8,36015
150
8,32073
151
8,42544
152
8,39719
153
8,35878
154
8,44541
155
8,25975
156
8,39035
157
8,33473
158
8,16859
159
8,25734
160
8,23742
SEQ. VALOR
161
8,33628
162
8,36631
163
8,30414
164
8,30966
165
8,29207
166
8,34654
167
8,4471
168
8,37651
169
8,44165
170
8,26546
171
8,32307
172
8,2771
173
8,32263
174
8,35912
175
8,32018
176
8,36889
177
8,25526
178
8,39565
179
8,3524
180
8,31271
181
8,26656
182
8,38219
183
8,34218
184
8,37404
185
8,31349
186
8,37163
187
8,34937
188
8,29807
189
8,20219
190
8,29404
191
8,33183
192
8,27881
193
8,35994
194
8,36257
195
8,20187
196
8,34077
197
8,36922
198
8,38233
199
8,28242
200
8,34775
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
139
APNDICE C
Dados Reais Furos 3/4
COLETA DE 2 GRUPOS DE MEDIDAS DE DIMETRO DE FUROS 3/4"
ORIGEM DOS DADOS:
PROCESSO DE FURAO DE PRECISO EM 2 TIPOS DE COMPONENTE ESTRUTURAL DE
ALUMNIO PARA FIXAO DE PARAFUSOS COM DIMETRO DE 3/4 POLEGADAS.
EMPRESA DO INTERIOR DO ESTADO DE SO PAULO.
TOLERNCIAS DE PROJETO:
LIE = 19,124 MM
LSE = 19,151 MM
SEQ.
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
26
27
54 MEDIES (3/4AE)
MEDIDA
SEQ. MEDIDA
19,130
28
19,128
19,145
29
19,124
19,126
30
19,127
19,13
31
19,147
19,136
32
19,145
19,139
33
19,125
19,122
34
19,130
19,127
35
19,134
19,122
36
19,135
19,128
37
19,126
19,123
38
19,129
19,126
39
19,130
19,122
40
19,131
19,127
41
19,128
19,127
42
19,132
19,132
43
19,126
19,133
44
19,131
19,135
45
19,128
19,129
46
19,134
19,129
47
19,127
19,129
48
19,130
19,135
49
19,127
19,128
50
19,132
19,128
51
19,129
19,131
52
19,134
19,133
53
19,128
19,124
54
19,128
SEQ.
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
26
27
28
29
30
60 MEDIES (3/4AD)
MEDIDA
SEQ. MEDIDA
19,129
31
19,129
19,131
32
19,132
19,137
33
19,124
19,132
34
19,127
19,130
35
19,125
19,135
36
19,127
19,137
37
19,125
19,137
38
19,128
19,136
39
19,129
19,137
40
19,131
19,131
41
19,127
19,132
42
19,128
19,133
43
19,125
19,134
44
19,128
19,136
45
19,129
19,138
46
19,130
19,135
47
19,130
19,136
48
19,130
19,126
49
19,133
19,128
50
19,131
19,121
51
19,130
19,123
52
19,131
19,128
53
19,130
19,120
54
19,130
19,136
55
19,129
19,133
56
19,130
19,130
57
19,130
19,131
58
19,131
19,131
59
19,13
19,138
60
19,129
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
140
APNDICE D
Dados Reais Furos 5/8
COLETA DE 2 GRUPOS DE MEDIDAS DE DIMETRO DE FUROS 5/8"
ORIGEM DOS DADOS:
PROCESSO DE FURAO DE PRECISO EM 2 TIPOS DE COMPONENTE ESTRUTURAL
DE TITNIO PARA FIXAO DE PARAFUSOS COM DIMETRO DE 5/8 POLEGADAS.
EMPRESA DO INTERIOR DO ESTADO DE SO PAULO.
TOLERNCIAS DE PROJETO:
LIE = 15,950 MM
LSE = 15,977 MM
27 MEDIES (5/8TE)
SEQ.
MEDIDA
1
15,956
2
15,980
3
15,956
4
15,980
5
15,973
6
15,967
7
15,963
8
15,968
9
15,972
10
15,975
11
15,966
12
15,971
13
15,959
14
15,959
15
15,959
16
15,966
17
15,959
18
15,959
19
15,958
20
15,957
21
15,956
22
15,960
23
15,958
24
15,958
25
15,960
26
15,96
27
15,958
29 MEDIES (5/8TD)
SEQ.
MEDIDA
1
15,998
2
15,975
3
15,974
4
15,974
5
15,976
6
15,976
7
15,978
8
15,966
9
15,969
10
15,973
11
15,981
12
15,973
13
15,968
14
15,960
15
15,966
16
15,957
17
15,957
18
15,958
19
15,960
20
15,956
21
15,961
22
15,964
23
15,958
24
15,973
25
15,962
26
15,961
27
15,959
28
15,960
29
15,959
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
141
REFERNCIAS BIBLIOGRFICAS
ALMAS, F. Implementao de Controle Estatstico de Processos em uma Empresa Txtil.
Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo,
Universidade Federal de Itajub. Itajub: UNIFEI, 2003.
ALMEIDA, S.S. Desenvolvimento de Grficos de Controle Aplicados ao Modelo Funcional
de Regresso. Tese de Doutorado do Programa de Ps-Graduao em Engenharia de
Produo, Universidade Federal de Santa Catarina. Florianpolis: UFSC, 2003.
ALWAN, L. and ROBERTS, H.V. The Problem of Misplaced Control Limits. Applied
Statistics, v. 44, n. 3, p. 269-278, 1995.
ASQC/AIAG American Society for Quality Control/Automotive Industry Action Group Task
Force. Statistical Process Control: Reference Manual Chrysler Corporation, Ford Motor
Company and General Motor Corporation, 1992.
ASSOCIAO BRASILEIRA DE NORMAS TCNICAS NBR ISO 9000: Sistema de
Gesto da Qualidade Fundamentos e Vocabulrio. Rio de Janeiro: ABNT, 2000.
AWAN, H.M. Effect of Departures from Standard Assumptions Used in Analysis of
Variance. Journal of Research (Science), Bahauddin Zacariya University, Pakistan, v. 12, n.
2, p. 180-188, December, 2001.
BALESTRASSI, P.P. Identificao de Padres em Grficos de Controle Estatstico de
Processos em Tempo Real Utilizando Sries Temporais e Redes Neurais Artificiais. Tese de
Doutorado do Programa de Ps-Graduao em Engenharia de Produo, Universidade Federal
de Santa Catarina. Florianpolis: UFSC, 2000.
BAYEUX, C. Anlise da Capabilidade e Processos (Parte III). Banas Qualidade, p. 75-78,
Julho, 2001.
BERTRAND, J.W.M. and FRANSOO, J.C. Modelling and Simulation: Operations
Management Research Methodologies using Quantitative Modeling. International Journal of
Operations Production Management, v. 22, n. 2, p. 241-264, 2002.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
142
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
143
144
KOTZ, S. and JOHNSON, N.L. Process Capability Indices - A Review, 1992-2000. Journal
of Quality Technology, v. 34, n. 1, p. 2-19, January, 2002.
KUME, H. Mtodos Estatsticos para Melhoria da Qualidade. 11 ed. So Paulo: Editora
Gente, 1993.
LEVINSON, W.A. SPC for Real-World Processes: What to Do When the Normality
Assumption Doesn't Work. Annual Quality Congress, Indianapolis, May 2000.
LIBERATORE, R.L. Teaching the Role of SPC in Industrial Statistics. Quality Progress, p.
89-94, July, 2001.
LINDERMAN, K., SCHROEDER, R.G., ZAHEER, S. and CHOO, A.S. Six Sigma: A
Goal-Theoretic Perspective. Journal of Operations Management, v. 21, n. 2, p. 193-203,
2003.
LIPSON, C. and SHETH, N.J. Statistical Design and Analysis of Experiments. New York:
McGraw-Hill, Inc., 1973.
MIRANDA, R.G. Um Modelo para Anlise de Capacidade de Processos com nfase na
Transformao de Dados. Dissertao de Mestrado do Programa de Ps-Graduao em
Engenharia de Produo, Universidade Federal de Santa Catarina. Florianpolis: UFSC, 2005.
MONTGOMERY, D.C. Design and Analysis of Experiments. 2nd ed. New York: John Wiley
& Sons, Inc, 1984.
MONTGOMERY, D.C. Introduction to Statistical Quality Control. New York: John Wiley
& Sons, Inc, 1985.
MONTGOMERY, D.C. e RUNGER, G.C Estatstica Aplicada e Probabilidade para
Engenheiros. 2 ed. Rio de Janeiro: LTC Livros Tcnicos e Cientficos Editora S.A., 2003.
ONISHI, H. A Knowledge-Based Variable Selection Method for Box-Cox Transformation.
Journal Japan Statistical Society, v. 32, n. 1, p. 15-42, 2002.
PALADINI, E.P. Controle de Qualidade: Uma Abordagem Abrangente. So Paulo: Editora
Atlas, 1990.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
145
146
147
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
148
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
149
e-Handbook
of
Statistical
Methods.
Disponvel
em:
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
150
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
151
ANEXO A
Tabela das reas sob a Curva Normal Padronizada
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
152
ANEXO A (continuao)
Tabela das reas sob a Curva Normal Padronizada (continuao)
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
153
ANEXO B
Fatores para Construo de Grficos de Controle
Fator para Limites de Controle
Tamanho da
Amostra (n)
Grfico R
Grfico X
A1
A2
d2
D3
D4
3,760
1,880
1,128
3,267
2,394
1,023
1,693
2,575
1,880
0,729
2,059
2,282
1,596
0,577
2,326
2,115
1,410
0,483
2,534
2,004
1,277
0,419
2,704
0,076
1,924
1,175
0,373
2,847
0,136
1,864
1,094
0,337
2,970
0,184
1,816
10
1,028
0,308
3,078
0,223
1,777
11
0,973
0,285
3,173
0,256
1,744
12
0,925
0,266
3,258
0,284
1,716
13
0,884
0,249
3,336
0,308
1,692
14
0,848
0,235
3,407
0,329
1,671
15
0,816
0,223
3,472
0,348
1,652
16
0,788
0,212
3,532
0,364
1,636
17
0,762
0,203
3,588
0,379
1,621
18
0,738
0,194
3,640
0,392
1,608
19
0,717
0,187
3,689
0,404
1,596
20
0,697
0,180
3,735
0,414
1,586
21
0,679
0,173
3,778
0,425
1,575
22
0,662
0,167
3,819
0,434
1,566
23
0,647
0,162
3,858
0,443
1,557
24
0,632
0,157
3,895
0,452
1,548
25
0,619
0,153
3,931
0,459
1,541
154
ANEXO C
Tabela de Referncia entre ndice Sigma e PPM
Nvel Sigma
ZST = ZLT+1,5
(curto prazo)
(longo prazo)
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
-0,5
-0,4
-0,3
-0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
ZST
ZLT
PPM
Nvel Sigma
ZST = ZLT+1,5
(curto prazo)
(longo prazo)
ZST
697.672,15
3,6
660.082,92
3,7
621.378,38
3,8
581.814,88
3,9
541.693,78
4,0
501.349,97
4,1
461.139,78
4,2
421.427,51
4,3
382.572,13
4,4
344.915,28
4,5
308.770,21
4,6
274.412,21
4,7
242.071,41
4,8
211.927,71
4,9
184.108,21
5,0
158.686,95
5,1
135.686,77
5,2
115.083,09
5,3
96.809,10
5,4
80.762,13
5,5
66.810,63
5,6
54.801,40
5,7
44.566,73
5,8
35.931,06
5,9
28.716,97
6,0
22.750,35
Fonte: Adaptado de Breyfogle (1999)
ZLT
PPM
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
4,1
4,2
4,3
4,4
4,5
17.864,53
13.903,50
10.740,14
8.197,56
6.209,70
4.661,23
3.467,03
2.555,19
1.865,88
1.349,97
967,67
687,20
483,48
336,98
232,67
159,15
107,83
72,37
48,12
31,69
20,67
13,35
8,55
5,42
3,40
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
155
ANEXO D
Publicao XII SIMPEP Bauru, SP, Brasil, Novembro de 2005
REVISTA GEPROS Gesto da Produo, Operaes e Sistemas
Resumo
Este artigo apresenta uma anlise crtica da utilizao de determinadas ferramentas da
Qualidade e de alguns procedimentos em Engenharia de Produo nos casos em que os
dados estatsticos coletados no se apresentam normalmente distribudos. O problema geral
aqui identificado diz respeito ocorrncia de decises questionveis tomadas a partir da
anlise de dados considerados normais. A justificativa primordial para este estudo reside na
relevncia da anlise dos dados durante sua coleta e tratamento em trabalhos cientficos nos
mais variados nveis. Os principais objetivos deste artigo so: apresentar alguns exemplos
relacionados ao Controle Estatstico de Processo e Metodologia Seis Sigma que possam
induzir a concluses duvidosas devido adoo incorreta de normalidade; propor reviso
crtica efetuando as transformaes de Box-Cox e/ou Johnson; e, finalmente, discutir as
concluses e decises estabelecidas atravs da comparao entre os dados originalmente
coletados e os dados transformados.
Palavras chave: Mtodos estatsticos; Dados no normais, Transformao de dados.
Abstract
This paper presents a critical analysis regarding the use of specific quality tools and some
methods applied to Production Engineering in cases in which the collected data are not
normally distributed. The general problem refers to the occurrence of questionable decision
takings starting from the interpretation of data considered normally distributed. The
primordial justification for this study is the relevance of the data analysis during its collection
and handling in scientific works in the most varied levels. The main objectives of this work
are: to present some examples related to the Statistical Process Control and the Six Sigma
Methodology that may induce to doubtful conclusions due to the incorrect assumption of
normality; to propose critical review proceeding to the Box-Cox and/or Johnson
transformations; and, finally, to discuss the conclusions and decisions established through the
comparison among the data originally collected and the transformed data.
Key Words: Statistical methods, Non-normal data, Data transformation.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
156
1. Introduo
A proposta deste artigo em analisar a aplicao de alguns mtodos estatsticos est inserida
em um contexto mais amplo que se refere ao Controle Estatstico da Qualidade e aos aspectos
bsicos que devem ser observados pelas organizaes que buscam a plena satisfao de seus
clientes. A Estatstica desempenha papel importante nos programas de Controle da Qualidade,
pois ao longo dos anos suas tcnicas e metodologias tornaram-se cada vez mais amplamente
utilizadas e aceitas nas organizaes (1).
O objetivo primrio do Controle Estatstico da Qualidade a reduo sistemtica da
variabilidade nas caractersticas-chave do produto (2), fornecendo as ferramentas necessrias
para avaliao e melhoria de processos, produtos e servios de forma robusta e abrangente.
Entretanto, tais ferramentas tambm dependem da qualidade da informao e da forma como
os dados so coletados, processados e interpretados. Por este motivo de fundamental
importncia o rigor metodolgico na coleta e tratamento dos dados.
No desenvolvimento deste artigo pretende-se analisar a utilizao de alguns mtodos
estatsticos, tais como os grficos de controle em Controle Estatstico de Processo e avaliao
de desempenho na Metodologia Seis Sigma com enfoque na correta interpretao dos dados
coletados, especificamente no que se refere suposio de sua normalidade, com reviso
crtica atravs das transformaes de Box-Cox e Johnson. As concluses e decises
estabelecidas sero discutidas por meio de comparao entre os dados originalmente coletados
e os dados transformados em distribuio normal.
Fatores Controlveis
X1
X2
Xp
...
Entrada
Processo
...
Y1
Sada
Y2
:
Ym
Z1
Z2
Zq
Fatores Incontrolveis
157
Controle Estatstico de Processo (CEP) pode ser definido como um conjunto de ferramentas
que tem o propsito de indicar se um processo est funcionando de forma ideal, quando
apenas causas comuns de variao esto presentes, ou se este processo est desordenado, e
necessita de algum tipo de ao corretiva, ou seja, quando existem causas especiais de
variao. O grfico de controle a mais poderosa ferramenta do CEP, pois evidencia a
variao do processo em relao aos limites de controle estipulados (4).
Algumas suposies precisam ser satisfeitas para que, independentemente do tipo do grfico
de controle utilizado, os resultados sejam vlidos (5):
a) necessrio que as observaes sejam independentes e identicamente distribudas, ou
seja, que as amostras sejam retiradas de forma aleatria e que o processo que as gerou
esteja sob controle estatstico;
b) As observaes devem seguir alguma distribuio de probabilidade especfica, tais como
Normal, Binomial ou Poisson.
PPM
(partes por milho)
3,4
233
6.210
66.807
308.537
690.000
CUSTO DA NO
QUALIDADE
< 10 % das vendas
10-15 % das vendas
15-20 % das vendas
20-30 % das vendas
30-40 % das vendas
-
CATEGORIA
Empresa de classe mundial
Empresa comum
Empresa no competitiva
158
CP =
LSE LIE
6
(1)
LSE LIE
CPK = min.
,
3
3
(2)
PP =
LSE LIE
6S
(3)
LSE LIE
PPK = min.
,
3S
3S
(4)
onde:
CP = ndice de capabilidade potencial (processo centrado na mdia)
CPK = ndice de capabilidade real (processo no centrado na mdia)
PP = ndice de desempenho potencial (processo centrado na mdia dos dados)
PPK = ndice de desempenho real (processo no centrado na mdia dos dados)
LSE = limite superior de especificao
= mdia do processo
(5)
(6)
159
Visto que existem situaes onde a distribuio de dados no corresponde a uma distribuio
normal, ento para estes casos tanto a suposio de normalidade quanto utilizao da curva
normal como referncia certamente se revelaro inadequadas. Na realidade a existncia de
no normalidade em distribuio de dados bastante comum, principalmente quando o
nmero de observaes no muito grande.
O Quadro 1 resume o que ocorre com a aplicao de alguns mtodos estatsticos quando se
assume incorretamente normalidade para dados no representados pela distribuio normal.
Quadro 1 Conseqncias da suposio incorreta de normalidade
MTODO ESTATSTICO
CONSEQNCIA DA NO NORMALIDADE
Seis Sigma
Teste de Hipteses
Anlise de Regresso
Planejamento de Experimentos
0,0
2,4
4,8
7,2
9,6
12,0
A -Squared
P -V alue <
6,51
0,005
M ean
StDev
V ariance
Skew ness
Kurtosis
N
3,9556
2,7027
7,3045
0,951654
0,376689
302
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,1167
1,8485
3,3539
5,4893
12,7573
4,2617
3,6943
2,5029
2,9373
Mean
Median
3,0
3,2
3,4
3,6
3,8
4,0
4,2
160
A seguir so apresentados alguns critrios de anlise para abordagem dos dados em caso de
no aderncia distribuio normal (11):
a) Examinar os dados para verificar se h alguma explicao no estatstica para o padro
distribucional no convencional;
b) Analisar os dados em termos de mdias ao invs de valores individuais, pois mdias de
amostra seguem de perto uma distribuio de probabilidade normal, mesmo se a
populao de valores individuais no distribuda normalmente (Teorema do Limite
Central);
c) Utilizar como referncia outro tipo de distribuio que se enquadre mais adequadamente
ao conjunto de dados coletados;
d) Efetuar transformao matemtica da caracterstica original para uma nova caracterstica
que se aproxime de uma distribuio normal.
()
x =
log x
( 0)
(7)
( = 0)
Esta transformao definida somente para variveis com valores positivos (x > 0) e o
parmetro , possivelmente um vetor, o elemento que define a transformao especfica e
que, com freqncia, resulta em normalidade. Como a anlise de varincia no afetada por
uma transformao linear, na prtica a equao 7 pode ser simplificada para a seguinte forma
(12):
x
x() =
log x
( 0)
(8)
( = 0)
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
161
Upper CL
50
Lambda
(using 95,0% confidence)
StDev
40
Estimate
0,270481
Lower C L
Upper C L
0,129694
0,423620
Best Value
0,270481
30
20
10
Limit
0
-2
-1
1
2
Lambda
0,6
0,9
1,2
1,5
A -S quared
P -V alue
0,35
0,476
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
1,3783
0,2835
0,0804
-0,189949
-0,316086
302
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
1,8
0,5593
1,1808
1,3872
1,5850
1,9911
1,4104
1,4240
0,2625
0,3081
Mean
Median
1,34
1,36
1,38
1,40
1,42
162
( x + 1) 1
log( x + 1)
(, x)
=
2
( x + 1) 1 2
log( x + 1)
( x 0, 0)
( x 0, = 0)
(9)
( x < 0, 2)
( x < 0, = 2)
N
302
AD
6,515
P-Value <0,005
99
Percent
90
50
10
1
0,1
0,32
1,00
0,75
0,50
Ref P
0,25
0,00
0,2
-5
10
0,4
0,6
0,8
Z Value
1,0
1,2
99,9
N
302
AD
0,159
P-Value 0,950
99
Percent
90
50
10
1
0,1
-2
163
164
UCL=11,92
Individual Value
10
_
X=3,96
LCL=-4,01
-5
1
30
60
90
210
240
270
300
UCL=2,236
Individual Value
2,00
1,75
1,50
_
X=1,378
1,25
1,00
0,75
LCL=0,520
0,50
1
30
60
90
210
240
270
300
165
NDICE PPK
DPMO
NVEL SIGMA
12
0,99
1470
4,47
12
0,71
16010
3,63
12
0,77
10507
3,81
A anlise do nvel sigma calculado nas trs situaes apresentadas indica grande disparidade
entre os dados no transformados, isto , considerados normais e os dados adequadamente
transformados por Box-Cox ou Johnson. O valor 4,47 obtido com os dados originais denota
um desempenho de 1470 defeitos por milho de oportunidades (DPMO), ao passo que na
realidade, devido no aderncia dos dados distribuio normal, este desempenho estaria
melhor representado pelos valores 3,63 (16010 DPMO) ou 3,81 (10507 DPMO) de acordo
com o tipo de transformao adotado.
5. Consideraes finais
Atravs deste artigo foi efetuada uma breve reviso bibliogrfica sobre alguns mtodos
estatsticos aplicados gesto da qualidade que podem ser afetados pela suposio
inadequada de normalidade dos dados, em especial o Controle Estatstico de Processo e a
Metodologia Seis Sigma. Tambm foram apresentados alguns procedimentos de
transformao utilizados para ajustar os dados coletados em uma distribuio normal de modo
a evitar que concluses duvidosas fossem assumidas como verdadeiras.
A anlise dos dados da empresa fictcia Gamma 220 Ltda, adotada como exemplo neste
trabalho, indicou que, quando os mtodos estatsticos foram aplicados sem os cuidados
necessrios de confirmao de aderncia distribuio normal, ocorreram equvocos na
determinao das causas especiais de variao do processo e na avaliao do desempenho da
empresa ao longo do ano. Incorrees desta natureza podem prejudicar a compreenso dos
cenrios para a tomada de decises e, at mesmo, comprometer o desdobramento de
estratgias empresariais.
As duas falsas causas especiais de variao, identificadas no processo, se corretamente
monitoradas, poderiam estimular uma ao gerencial desnecessria que, muito
provavelmente, no agregaria benefcios aos resultados da empresa Gamma 220 Ltda. Com
relao definio incorreta do nvel sigma, vale ressaltar que a defasagem entre dados
originais e dados transformados corresponde a uma diferena de 14540 defeitos por milho de
oportunidades (com a transformao de Box-Cox) e 9037 defeitos por milho de
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
166
Referncias
(1)
(2)
(3)
(4)
(5)
(6)
HARRY, M.J. Six Sigma: A Breakthrough Strategy for Profitability. New York:
Quality Progress, v.31, n.5, p.60-64, May 1998.
(7)
(8)
(9)
BALESTRASSI, P.P. Metodologia Seis Sigma. Notas de Aula do Curso de PsGraduao em Engenharia de Produo. Universidade Federal de Itajub, 2004.
(10) LIPSON, C. and SHETH, N.J. Statistical and Analysis of Engineering Experiments.
New York: McGraw-Hill Book Company, 1973.
(11) JURAN, J.M. e GRYNA, F.M. Controle da Qualidade Handbook, vol. 6, Mtodos
Estatsticos Clssicos Aplicados Qualidade. 4 ed. So Paulo: Makron Books, 1992.
(12) BOX, G.E.P. and COX, D.R. An Analysis of Transformations. Journal of Royal
Statistical Society. B, 39, p.211-252, 1964.
(13) YEO, I.K. and JOHNSON, R.A. A New Family of Power Transformation to Improve
Normality or Symmetry. Biometrika, 87, p.954-959, 2000.
(14) ASTI VERA, A. Metodologia da Pesquisa Cientfica. Porto Alegre: Globo, 1973.
(15) GIL, A.C. Como Elaborar Projetos de Pesquisa. 3 ed. So Paulo: Atlas, 1991.
(16) KCHE, J.C. Fundamentos de Metodologia Cientfica. 7 ed. Caxias do Sul: Editora
Vozes, 1984.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006