Impacto econômico da incerteza de medição

Elinaldo Barbosa de Araújo, M.Eng.

Rui Barbosa 1020, Costa e Silva, Joinville-SC 89219-901

elinaldo.b.araujo@embraco.com

Resumo. Avaliar um sistema de medição e decidir sobre sua adequação a uma aplicação é uma
atividade bastante comum na indústria. As decisões dessa análise podem impactar no montante
de investimentos e também nos custos da não-qualidade. A abordagem proposta vai além do uso
de critérios baseados nas avaliações de GRR%, e apresenta como avaliar o impacto econômico da
incerteza de medição. Via de regra a toda medição se segue uma decisão com base nos resultados.
Para ilustrar algumas decisões típicas são avaliadas quanto ao seu impacto econômico em função
da incerteza de medição e da variabilidade dos processos produtivos.

Palavras-chave. GRR%; custos da não-qualidade; simulação; capacidade de processo.

1. Introdução
Na indústria os estudos de GRR% se tornaram quase que uma prática universal e promovida por vários
segmentos. Pacotes estatísticos automatizaram a criação de planilhas e tratamento dos dados para este
fim. Alguns guias práticos foram criados e se baseiam em parâmetros padronizados para aceitar ou
rejeitar sistemas de medição. Alguns desses parâmetros podem estar exagerando o impacto do erro de
medição nos resultados [1, 2]. Ao seguir estes guias e regras baseadas nos resultados de estudos de
GRR%, o usuário pode ser levado a tomar decisões não otimizadas do ponto de vista econômico. Dessa
forma, uma análise dos impactos da incerteza de medição na tomada de decisão pode ajudar na definição
e aceitação dos sistemas de medição para um determinado uso. É possível realizar uma simulação, a fim
de facilitar a avaliação dos impactos econômicos da incerteza de medição na tomada de decisão.

2. Cenário típico na indústria

Uma das principais decisões durante a fase de projeto e implementação de novos produtos e processos
de fabricação é definir como validar e controlar se os novos produtos e processos de produção, incluindo
os processos dos fornecedores, irão atingir os requisitos técnicos, nível de produtividade e metas de
qualidade. Os dados para suportar esse tipo de análise geralmente exigem a medição das características
críticas dos produtos e dos parâmetros dos processos. Dessa forma, torna-se necessária a seleção de um
sistema de medição apropriado, capaz de fornecer dados confiáveis para os tomadores de decisão.
Nesse trabalho é proposta uma abordagem de simulação que pode complementar os estudos de GRR%
e ajudar a realizar uma avaliação dos impactos da incerteza de medição nas decisões tomadas. Com o
uso de ferramentas simples, é possível modelar e simular a distribuição do processo de produção e os
resultados do processo de medição. Cenários podem ser facilmente construídos usando modelos
estocásticos, considerando o conhecimento prévio sobre as distribuições do processo de produção e sua
capacidade de entregar produtos em conformidade com as especificações, e adicionalmente combinando
com diferentes níveis de incerteza de medição.
O impacto econômico de uma decisão incorreta pode ser estimado usando o custo esperado das
falhas, vezes a probabilidade de erro de classificação. Com todos esses elementos, uma avaliação dos
impactos pode ser realizada e os usuários podem decidir com maior segurança sobre a adequação do
sistema de medição para sua situação em particular. Isso seria difícil de alcançar utilizando apenas os
critérios de aceitação com base nos resultados de GRR%, e regras encontradas nos guias divulgados por
alguns segmentos da indústria [3].

3. Estudo de caso

3.1. Modelagem do Processo Produtivo

Para que um produto entregue as funcionalidades a que se destina, atendendo requisitos de desempenho,
confiabilidade e segurança, o projetista do produto define um conjunto de características críticas para os
componentes, subconjuntos e sistemas, cada uma com suas especificações e tolerâncias.
Para validar os processos produtivos necessários até a obtenção do produto final, deve-se avaliar sua
capacidade de entregar cada componente de acordo com as respectivas especificações. Uma maneira de
avaliar essa capacidade do processo de produção, é através de índices padronizados. O Cp e Cpk são
índices de capacidade de processo amplamente utilizados. Por definição esses índices consistem em uma
comparação da tolerância com a variabilidade do processo (σprocesso), e no caso do Cpk, leva-se em conta
também a média da distribuição do processo (μprocesso). Na prática os parâmetros σprocesso e μprocesso são
estimados pelo desvio padrão e média amostrais. As equações 1 a 4 podem ser usadas para estimar os
índices de capacidade do processo Cp e Cpk.

𝐿𝑆𝐸−𝐿𝐼𝐸
𝐶𝑝 = (1)
6𝑠
𝐿𝑆𝐸−𝑥̅
𝐶𝑝𝑢 = (2)
3𝑠
𝑥̅ −𝐿𝐼𝐸
𝐶𝑝𝑙 = (3)
3𝑠

𝐶𝑝𝑘 = 𝑀𝑖𝑛(𝐶𝑝𝑙 , 𝐶𝑝𝑢 ) (4)

Onde:
s – Estimador do desvio padrão do processo (σprocesso)
x - Estimador da média do processo (μprocesso)
LIE – Limite inferior especificado
LSE – Limite superior especificado

Nesse trabalho, algumas premissas foram usadas para simular o processo de produção. A primeira
delas é a de que uma determinada característica variável arbitrária segue a distribuição normal. A
segunda é que a média do processo (μprocesso) pode variar em +/- 1,5 desvio padrão (σprocesso) até que o
mesmo seja ajustado. Dessa forma, conhecendo-se as tolerâncias, vários cenários para diferentes níveis
de capacidade do processo (Cp e Cpk) podem ser simulados.

Inserindo a equação 5 em uma planilha, pode-se simular o verdadeiro valor de uma determinada
caraterística variável crítica de interesse, obtido a partir de um processo produtivo.

𝑋 = 𝜙 −1 (𝑅𝑎𝑛𝑑(), 𝜇𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑜 , 𝜎𝑝𝑟𝑜𝑐𝑒𝑠𝑠𝑜 ) (5)

 Onde:
Φ-1 – Distribuição normal inversa
Rand() – Distribuição uniforme entre 0 e 1
μprocesso - Média do processo
σprocesso – Desvio padrão do processo

Para ilustrar a aplicação da abordagem, definiu-se uma especificação nominal arbitrária para uma
característica crítica variável com os respectivos limites de especificação superior e inferior. O valor
nominal mais um desvio sistemático de 1,5 σprocesso foi atribuído à média da distribuição e o σprocesso
selecionado para resultar em capacidades do processo conhecidas. A capacidade dos processos também
pode ser associada ao número de σprocesso que cabem na metade do campo de tolerância. Por isso os
processos também podem ser referenciados pelo número de sigmas. Nesse estudo, foram considerados
processos com 6, 5, 4 e 3 sigmas.

3.2. Modelagem do Processo de Medição e seus impactos

Um dos métodos para avaliar a capacidade do sistema de medição é o GRR%, utilizando-se o desvio
padrão da medição e o desvio padrão total [1]. A Figura 1 ilustra as fontes de variação modeladas para
avaliar a influência do sistema de medição.

Figura 1 – Fontes de variação no GRR%

Com base na propriedade da variância, o desvio padrão do processo de medição e o desvio padrão
total são relacionados pelas equações 6 e 7.
2
𝜎𝑀𝑒𝑑𝑖çã𝑜 = √𝜎𝑟𝑒𝑝𝑒 2
+ 𝜎𝑟𝑒𝑝𝑟𝑜 (6)

2 2
𝜎𝑇𝑜𝑡𝑎𝑙 = √𝜎𝑀𝑒𝑑𝑖çã𝑜 + 𝜎𝑃𝑟𝑜𝑐𝑒𝑠𝑠𝑜 (7)

Onde:
𝜎𝑀𝑒𝑑𝑖çã𝑜 - Desvio padrão da medição
 𝜎𝑃𝑟𝑜𝑐𝑒𝑠𝑠𝑜 - Desvio padrão do processo
Alguns guias da indústria usam a razão entre os termos das equações 6 e 7 para estabelecer
indicadores e critérios de aceitação dos sistemas de medição [1, 2, 3].

𝜎𝑀𝑒𝑑𝑖çã𝑜
𝐺𝑅𝑅 % = 100 (8)
𝜎𝑇𝑜𝑡𝑎𝑙
𝜎𝑟𝑒𝑝𝑒
𝐺𝑟𝑒𝑝𝑒 % = 𝜎 100 (9)
𝑇𝑜𝑡𝑎𝑙
𝜎𝑟𝑒𝑝𝑟𝑜
𝐺𝑟𝑒𝑝𝑟𝑜 % = 100 (10)
𝜎𝑇𝑜𝑡𝑎𝑙
𝜎𝑃𝑟𝑜𝑐𝑒𝑠𝑠𝑜
𝑃𝑉% = 100 (11)
𝜎𝑇𝑜𝑡𝑎𝑙

Esses indicadores são baseados em razões dos desvios padrão, portanto eles não totalizam 100%.
Esse fato pode induzir o usuário a superestimar os impactos da incerteza de medição nos resultados.
Tem sido bastante comum a utilização dos seguintes critérios:
 Se 𝐺𝑅𝑅 % ≤ 10%, o sistema de medição é considerado aceitável.
 Se 10% < 𝐺𝑅𝑅 % ≤ 30%, o sistema de medição é considerado marginal.
 Se 𝐺𝑅𝑅 % > 30%, o sistema de medição é considerado inaceitável.
O uso desses critérios pode levar desperdícios ao não considerar a aplicação prática do sistema de
medição. Sempre existe uma decisão a ser tomada com base nas medições. Três situações muito comuns
no ambiente industrial requerem o uso de resultados de medições:
 Decidir se o valor nominal de uma característica foi atingido ou não.
 Decidir se um processo é capaz de produzir um determinado produto de acordo com as
especificações, ou seja, se o índice de capacidade de processo foi atingido ou não.
 Aprovar ou rejeitar produtos de acordo com as especificações em testes e inspeções finais.
No primeiro caso, a parcela aleatória do erro pode ser minimizada tomando-se uma amostra
suficientemente grande de peças ou número de repetições das medições de forma a se obter um intervalo
de confiança aceitável. A parcela de erro sistemático, se houver, pode ser estimada e corrigida com uma
calibração na faixa de operação de interesse.
Para o segundo caso, uma vez conhecido o 𝐺𝑅𝑅 %, é possível corrigir o Cp e Cpk observado com
nas medições realizadas através da equação 12. O índice de capacidade corrigido (C*p ou C*pk)
é uma estimativa do índice de capacidade real do processo produtivo.
∗ 𝐶𝑝(𝑘)
𝐶𝑝(𝑘) = 1 2
(12)
√1−(𝐺𝑅𝑅 % )
100

Onde:
∗
𝐶𝑝(𝑘) - Índice de capacidade do processo corrigido (C*p ou C*pk).
𝐶𝑝(𝑘) - Índice de capacidade de processo observado com base nas medições.

Através da simulação estocástica o resultado da equação 12 pode ser verificado. As diferenças

percentuais entre o índice de capacidade de processo observado (Cp ou Cpk) com base nas medições e
o índice de capacidade de processo real (estimado por C*p ou C*pk) em função do GRR%, podem ser
vistas na Figura 2 e na Tabela 1. Ou seja, o índice de capacidade observado é menor por incluir as
incertezas de medição dentro da variabilidade total, mas isso pode ser compensado utilizando-se a
equação 12.
Figura 2 – Simulação da redução percentual no índice de capacidade do processo em função do GRR%

Redução
GRR%
Calculada no Cpk
10% 0,50%
20% 2,02%
30% 4,61%
40% 8,35%
50% 13,40%
60% 20,00%

Tabela 1 - Redução no índice de capacidade real dos processos com base na equação 12

Em relação ao terceiro tipo de decisão de interesse, o sistema de medição é utilizado para aprovar ou
rejeitar produtos com base nos limites de especificação ou controle. Nesse caso, a incerteza de medição
pode afetar a decisão tomada, levando o usuário a rejeitar produtos ou componentes dentro das
especificações ou limites de controle e a aceitar os mesmos fora das especificações ou limites de
controle. Essas decisões equivocadas têm um impacto nos custos que pode ser estimado. A probabilidade
de tomar esse tipo de decisão errada, está associada a probabilidade de erro de classificação. A
classificação incorreta do produto resulta em custos de má qualidade, seja pelo desperdício de produtos
em conformidade, seja por conta de falhas e defeitos detectados pelo cliente final ou na próxima etapa
do processo de produção.
Produtos ou componentes com valores próximos dos limites de especificação têm uma chance maior
de serem classificados incorretamente. Quanto menor a capacidade do processo, maior é a probabilidade
de ter produtos em torno dos limites especificados. Obviamente, combinar baixa capacidade de processo
com maior incerteza de medição, levará a uma maior taxa de erros de classificação. As Figuras 3 e 4
ilustram os piores e melhores cenários possíveis.
Então, ao invés de apenas avaliar o GRR% para decidir se o sistema de medição é apropriado para ser
usado ou não, os usuários podem também avaliar a probabilidade de erro de classificação e estimar o
custo da não-qualidade associado a ela.
O custo do erro de classificação é um desperdício devido ao erro de medição, que se soma a outros
desperdícios do processo de produção, devido ao próprio nível de capacidade do processo. Esse custo
precisa ser estimado em duas partes, considerando primeiro o custo associado à aceitação de um produto
ou componente não-conforme, e em seguida, avaliar o custo de rejeitar uma peça em conformidade. Em
geral, o custo unitário de aprovar um produto ou componente não conforme é diferente do custo de
rejeitar uma peça ou produto em conformidade.

Figura 3 – Cenário 1 – Alta capacidade de processo e baixa incerteza de medição

Figura 4 – Cenário 2 – Baixa capacidade de processo e alta incerteza de medição

Para ilustrar essa abordagem, utilizou-se uma simulação de processo produtivo e de medição para
obter uma estimativa da taxa de classificação incorreta e combiná-la com o custo unitário da falha.
Foram combinados diferentes níveis de capacidade de processos com diferentes níveis de GRR%,
juntamente com os pressupostos já descritos. Para o processo de medição foram considerados cenários
de GRR% próximos a 10%, 20%, 30%, 40%, 50% e 60%. O cenário criado considera um sistema de
medição usado na de inspeção final do produto, onde uma característica de desempenho é medida em
100% da produção, a fim de decidir sobre sua rejeição ou aprovação. Neste caso, a rejeição de um
produto em conformidade resultará em sua sucata e desperdício de material, energia e trabalho. Por
outro lado, se um produto não conforme for aprovado, ele será enviado ao cliente e poderá resultar em
chamada de garantia de produto em campo, levando a custos de assistência técnica e de serviços
associados, transporte, custos materiais e outras perdas. Para o propósito do estudo de caso, o custo
unitário de sucata do produto final foi definido como $ 50 e o custo da chamada da assistência técnica
em campo definido como $ 500. Esta proporção de 10 vezes é muito comum em aplicações reais,
comparando esses dois tipos de custos de falha interna e externa.

3.3. Resultados da simulação dos impactos da incerteza de medição na inspeção final de produtos
Usando os resultados simulados para os processos de produção e medição, foram calculadas as
estimativas para o Cpk do processo observado e real, o GRR%, a taxa de aceitação de produtos não
conforme, a taxa de rejeição de produtos conforme e a taxa total de erros de classificação. As taxas de
erro de classificação obtidas por simulação de aproximadamente 10 milhões de resultados para cada
combinação estão ilustradas na Figura 5.

Figura 5 – Erro de classificação em função da incerteza de medição e capacidade de processo

Foi definida uma função perda para cada cenário em função do erro de classificação e nível sigma
do processo, usando o custo de falha unitário (interno e externo). Como pode ser visto nas Figuras 6 e
na Tabela 2, o custo do erro de classificação é impactado pelo GRR%, mas também depende do nível
sigma do processo. Com base nesses resultados, é possível concluir que um processo com 5 sigmas
apresenta um certo limite de robustez em relação às perdas por classificação incorreta. Para processos
com baixa capacidade, a partir de 4 sigmas, o custo do erro de classificação pode ser significativamente
melhorado, reduzindo-se o GRR%.
Figura 6 – Função perda (x $1.000) em função da incerteza de medição e capacidade do processo

Tabela 2 – Custos simulados em função dos erros de classificação

4. Conclusões
Após cada processo de medição, há decisões a serem tomadas, especialmente em um ambiente
industrial. O risco de tomar decisões erradas está ligado à incerteza de medição, à capacidade do
processo produtivo e ao impacto nos custos devido às decisões erradas.
Apesar do amplo uso do GRR% como critério de aceitação ou rejeição de um sistema de medição, ele
pode levar a decisões muito conservadoras para algumas aplicações, e está sujeito a algumas críticas
[1,2,4]. É preciso investigar com atenção qual o uso e objetivo das medições. É possível que um sistema
de medição que seja rejeitado pelos critérios baseados nos resultados do GRR%, ainda seja perfeitamente
útil para a aplicação desejada.
Uma abordagem baseada na análise dos impactos da incerteza de medição, tendo em vista a aplicação
do sistema de medição, pode ser usada como ferramenta complementar para apoiar na decisão da seleção
e definição do sistema de medição adequado. Essa abordagem também pode ser usada para uma análise
de custo/benefício de onde seria mais efetivo investir, seja na melhoria do sistema de medição ou na
melhoria da própria capacidade dos processos produtivos.

Referências
[1] Wheeler, D.J. – Problems with Gauge GRR% Studies – How to make sense of your repeatability
and reproducibility (GRR%) values. (disponível em: http://www.qualitydigest.com/inside/twitter-
ed/problems-gauge-rr-studies.html), QualityDigest.com, Jan 2011.
[2] Ermer, D.S. - “Improved Gage GRR% Measurement Studies”, Quality Progress – Mar 2006 - pp
77-79.
[3] AIAG – MSA reference manual – 4th Edition – (available at: http://www.aiag.org)
[4] Ermer, D.S. - “Appraiser Variation in Gage GRR% Measurement”, Quality Progress – May 2006
- pp 75-78.