Controle Estatístico e Gestão da Qualidade - Controle Estatístico de Processo - Conceitos

[Música] Olá bem-vindo a mais uma aula da nossa disciplina controle estatístico e gestão da qualidade essa aula é dedicada ao controle estatístico de processos como plano de aula a gente inicialmente comenta algo breve a respeito dos custos da qualidade e em seguida nós apresentamos conceitos básicos do controle estatístico de processos ou CEP nós começamos então H comentando sobre o que seria melhorar a qualidade melhorar a qualidade no nosso contexto significa eliminar desperdícios resíduos é engraçado que em inglês por exemplo a mesma palavra que se refere a desperdício que é o waste também significa eh resíduo

né então tanto o resto material resto de e eh matérias primas efluentes ou coisas do tipo como tempo que é perdido Ou seja quando nós falamos em desperdício não só nós dizemos sobre desperdício de material como também desperdício de tempo e onde isso ocorre nós temos desperdício de tempo por exemplo quando eh Nós perdemos o material e ou né necessitamos de retrabalho porque eh no caso de produtos que não atingiram a especificação ou que o diâmetro ainda não é aquele adequado ou o comprimento não é aquele adequado o que que é necessário fazer [Música] voltávamos

a perda desse material ou seja além da perda de tempo nós temos perda de material que foi comprado previamente né então esse e esse desperdício né essa perda de material e retrabalho lógico pode ocorrer nas etapas de fabricação eh durante etapa de inspeção durante etapas de teste o produto pode romper ou se desgastar ou ser inutilizado nessas etapas também eh nós temos também desperdícios eh derivados de erros em documentos anotações erradas imprecisas ou insuficientes eh e lógico o desperdício como a gente comentou de tempo né o tempo gasto para repetir Essas atividades para refazer um

documento para refazer uma peça para retrabalhar uma peça ou seja em vez da gente fazer certo da primeira vez a gente precisou usar mais tempo para que se atingisse o a dimensão ou as características esperadas então eliminar desperdícios traz custos menores produtividades maiores com a mesma quantidade de material você pode obter mais produtos adequados às especificações você vai conseguir consumidores satisfeitos porque eles podem confiar mais no seu produto né com isso você melhora a reputação não só do produto mas da sua organização como um todo e como consequência você também pode conseguir uma maior fatia

do mercado as suas receitas aumentam e os seus lucros também e tendem a aumentar com isso a gente introduz esse esse conceito né de custos da qualidade e ele foi apresentado pelo Joseph juran que é outro nome bastante citado n que vai ser bastante citado ao longo dessas aulas o Joseph juran ele eh dividiu esses custos em algumas categorias então nós temos os custos de falhas externas que são ligadas à venda de produtos e serviços fora de especificação que vão implicar em substituições eh a a o acionamento né de de unidades de assistência técnica e

mesmo no caso da perda de clientes você pode por vender produtos de menor qualidade você perder clientes se você deixar de vender para uma parte do mercado e outros custos estão Associados a falhas internas ou seja essas falhas que foram percebidas ao longo do processo de produção ou seja nesse caso você vai est lidando com a necessidade de corrigir itens não conformes antes que ele chegu ao consumidor os exemplos que a gente volta mei apresentar eh de retrabalhos de refugos né de sobras de material e sobras excessivas de material e mesmo a necessidade de de

gastar dinheiro infraestrutura e pessoal para ações corretivas e os custos de avaliação são aqueles e os gastos né relacionad à ações que visam verificar a observância das especificações Ou seja a gente tá lidando aqui com custos que são ah inescapáveis tem coisas que a gente não consegue evitar de gastar mas tem custos por exemplo custos de falhas externas e de falhas internas que e podem e devem ser reduzidos quando não eliminados bem e por fim nós temos os custos de prevenção que estão associadas Associados a ações Que evitem essas não conformidades muitas vezes é comum

né dentro de organizações a gente passar por uma série de treinamentos cursos de reciclagem se incentivado ou cobrado a fazer cursos de atualização Exatamente porque eh Essas atividades tendem com o aumento da capacitação das pessoas tendem a aperfeiçoar o processo e portanto a evitar erros ao longo desse processo isso pode ser classificado esses gastos né esses custos podem ser classificados como custos de prevenção o controle estatístico de processos ou CP eh traz dentro de si né a principal eh o principal objetivo do CP é ter um um processo sob controle estatístico esses processos como a

gente comentou falou anteriormente eles são previsíveis estáveis eles não variam de forma muito grande ao longo do tempo eles variam dentro de faixas esperadas e portanto previsíveis eh de valor então o interesse Inicial é exatamente monitorar a variabilidade do processo pois com a variabilidade constante ao longo do processo você eh acaba realizando né o controle da média do processo você começa a estabelecer um valor médio para uma característica do produto resultante desse processo comprimento médio consumo médio e assim por diante Então esse controle se dá a partir de observações individuais ou agrupadas por alguma característica

Então essas observações podem ser feitas segundo o período de observação um certo número de observações por minuto por turno por semana eh elas também podem ser agrupadas por funcionário responsável pela produção por máquina utilizada e assim por diante eh então com amostras com média e variabilidade constantes no tempo é possível quantificar a capacidade do processo de atender as especificações capacidade é um uma característica um parâmetro que nós vamos ver em detalhes eh ao longo do curso como a gente já eh vai ver aqui algumas aulas só uma perspectiva rápida né sobre o histórico do CEP

eh ali no final né No início na verdade do dos do do século XX ali em torno de 1924 eh nós temos Walter schuhart outro nome bem conhecido na área da qualidade a época que ele trabalhava na empresa Bel telephones eh ele aplicou e desenvolveu algumas ferramentas baseadas em estatística que apesar de estatística ser algo que causa né uma certa preocupação em várias em várias pessoas essas ferramentas na verdade eram muito simples de construir e muito simples de utilizar elas eram bem Claras né exatamente para serem utilizadas por pessoas da linha de produção por pessoas

do setor administrativo né e a ferramenta conhecida né mais foi mais conhecida nesse momento foram os gráficos de controle que nós vamos ver em detalhes em em aulas futuras o estudou a variabilidade desses processos pois mesmo como a gente comentou processos bem projetados e controlados tem uma variabilidade natural que é causada por causas eh aleatórias as chamadas causas aleatórias Ou seja a variabilidade do processo eh concluiu-se que ela está ligada a diferenças entre unidades do produto diferenças no comprimento eh Na quantidade de produto por pacote por exemplo então o exemplo que a gente vai dar

nesse sentido é como algumas umas grandezas estatísticas nos ajudam a estudar a variabilidade e em produtos fabricados em série e um exemplo que a gente dá aqui é a avaliação de uma quantidade de saquinhos de leite né o saquinho de leite substituí nas garrafas depois de um tempo eles foram substituídos por eh embalagens de longa vida mas eles eh volta e meia ainda são bastante encontrados por aí então num caso de saquinhos de leite a especificação que nós vamos analisar é o volume quanto de leite vai por saquinho então via de regra nós temos o

volume de 1 l ou de 1000 ml portanto 1000 ml ou 1000 ml constitui o valor alvo da variável aleatória x nesse caso seria o volume de leite tá ou a basicamente a quantidade de leite em cada saquinho nós estabelecemos um valor esperado né Um Valor alvo para essa quantidade de leite mas pela eh natural variabilidade do processo de enchimento dos saquinhos nós precisamos ter em mente que vai haver eh alguma variação nesse valor então nós estabelecemos por diversas questões algumas restrições eh nós não podemos ter valores muito acima de 1000 ml Porque durante a

própria manipulação armazenamento eh o saquinho pode estourar se ele tiver muito eh cheio né ele pode exercer força né O leite pode exercer força principalmente com as soldas né contra soldas de fechamento e estourar isso pode acontecer antes da da venda então às vezes no supermercado você pode ver alguns saquinhos né Estourados ou mais preocupante após a venda porque aí o cliente já comprou já gastou com o seu produto ele não vai conseguir utilizá-lo ou seja ele vai eh ficar insatisfeito mas nós também não podemos ter valores muito abaixo de 1000 ml por quê a

gente sabe que tem o Código de Defesa do Consumidor tem todo um um um arcabouço legal que eh nos garante como consumidores de situações como essa você pagou por 1 l e vai levar 800 ml 750 ml isso não é permitido não é desejável por nós muito menos é permitido pela própria legislação ou seja eh além de insatisfação valores muito abaixo de 1000 ml nesse caso pode até gerar em eh implicar em multas então Eh nós trazemos aqui um exemplo eh temos um quadro aqui com 100 valores ou seja eh nesse caso nós estamos eh

nos baseando na medição do volume eh que existem 100 saquinhos de leite então nós temos alguns valores como 998,9 é um pouquinho abaixo de de 1000 nós temos valores como 1,1 ML 1,9 ML eh 900 Deixa eu procurar um aqui interessante 993 ml então temos alguns valores ligeiramente abaixo outros valores ligeiramente acima como nós avaliamos essa variabilidade um um momento interessante um ponto interessante é calcular a média desses valores e Aqui nós temos então né Eh a média dos valores sendo expressas pela pelo parâmetro x Barra X é a nossa variável de interesse né no

caso o volume x Barra então ou ou x médio eh pode ser calculado fazendo-se a somatória de i = a 1 até n de todos os x i ou seja nós fazemos a somatória de todos os 100 valores da nossa amostra dividindo por n onde n é a quantidade de itens da amostra é o nosso tamanho da amostra portanto 100 então se nós somamos todos esses 100 valores de volumes de saquinhos de leite e dividimos por 100 nós vamos obter já fizemos esse cálculo nós vamos obter um valor de 999,9 ML no nosso caso mesmo

a gente não se estendendo muito né ainda na análise estatística nós percebemos que esse valor é eh bastante próximo do valor alvo né a gente tem uma perda entre aspas de apenas 0,2 ml não é algo considerável ã e nós também conseguimos avaliar né a esse processo calculando a variabilidade como ela é analisável através do cálculo do desvio padrão da amostra porque a gente sabe que tem alguns valores abaixo outros valores acima Então nesse caso nós temos o desvio padrão dado por Sigma sendo igual a raiz quadrada da somatória de todas as diferenças ou melhor

de cada e diferença entre o valor do saquinho e o valor médio ao quadrado dividido por n - 1 ou seja nós vamos fazer a subtração entre cada valor do volume de saquinho de leite e o valor médio elevar esses esse valor ao quadrado e fazer a somatória de todos eles dividido pelo tamanho da amostra -1 ou seja e somando de de i = a 1 até 100 essas diferenças né entre os valores dos saquinhos e o valor médio ao quadrado e dividindo por 99 nós chegamos a um valor de 4,32 ML o que significa

isso significa que por padrão nós teremos e essa variação de Valores em torno de 1000 ml então nós teremos como valor Central 1000 né seria o valor esperado né 1000 na verdade nós teremos né a média 999,9 bastante próximo do valor esperado e nós teremos uma faixa de valores e variando desde valores eh vi de regra 4,32 ml a menos né passando pelo valor Central pelo valor médio indo até saquinhos que apresentem pode apresentar 4,32 ml a mais no caso entrando num processo de controle eh a sua variabilidade eh seria a variabilidade natural é devida

apenas a causas aleatórias ou seja vai haver um valor que é muito vai ter uma uma frequência bastante grande ele vai ser bastante observado né nesse produto né que nós temos aqui eh como valor alvo né que seria o o valor esperado Pode ser que a média desse produto H não seja exatamente o valor valor alvo mas ela pode se posicionar razoavelmente próximo como foi o o caso do exemplo E no caso eh nós vemos né uma sequência de de vários gráficos né de X no e f Dex e nós temos um gráfico típo que

é uma distribuição eh no formato de sino né lembra um sino que você precisa se lembrar de estatística é o gráfico típico de uma distribuição normal então ao longo do tempo nós vamos observar aqui lógico nem todos os a as nossas nossos valores de variáveis estarão em torno do valor Alfa Mas nós vamos perceber uma grande distribuição uma distribuição de várias de Vários valores em torno do valor alvo E à medida que nós vamos eh nos distanciando desse valor ou seja eh partimos de valores para valores né abaixo do valor alvo a quantidade de medidas

vai diminuindo da mesma forma eh quando nós nos afastamos desse valor alvo partindo para valores eh sucessivamente maiores nós vamos observando que a quantidade de valores diminui mas a concentração maior né a dispersão maior desses valores para usar temos estatístico vai estar ali em torno do valor alvo no caso das causas especiais das não aleatórias podem ser devidas a desajustes quebras ou a lotes defeituosos a lotes defeituosos o que nós teremos nesse caso uma alteração na distribuição da variável aleatória x ou seja a média começa se distanciar do valor alvo no caso do saquinho nós

poderemos ter saquinhos com valor médio de 990 980 ou de repente 100 1010 1020 ml Ou seja a média se afasta do valor esperado e ao mesmo tempo né Eh nós podemos ter um aumento na dispersão valores muito dispares eh desse desse valor desse valor médio Então nesse caso Aqui nós temos nova na na figura uma sucessão né de eh de medidas né de distribuições normais mas percebam que eh o valor alvo que inicialmente no primeiro gráfico eh estava nessa posição né do eixo X nas medidas nos momentos posteriores esse valor alvo se afasta bastante

né da da da distribuição original nós podemos ter esse tipo de e de alteração e quando nós temos uma alteração tão brusca dessa forma eh nós já precisamos ter em mente que isso está ocorrendo por eh eh causas eh especiais a mesma coisa aqui né Nós temos uma distribuição no primeiro momento bastante diferente em termos de dispersão a dispersão dos valores é bem menor nesse primeiro momento do que nos momentos posteriores e o valor Alvo do primeiro momento é bem maior do que os valores eh observados né nos momentos po anteriores bom como nós dissemos

um processo de fabricação deve ser estável ou capaz de ser repetido deve ser capaz de operar com pouca variabilidade ao retorno valor alvo ou dimensão nominal nesse caso uma das das possibilidades né do do Controle estatístico de Processo sendo aplicado em tempo real coletando analisando valores constantemente é que ele se constitui uma poderosa ferramenta para estabilizar processos e capacidade exatamente pela redução dessa variabilidade ele nos sinaliza que essa variabilidade ocorre e ao mesmo tempo nos dá ferramentas de como atuar para redu entre as aplicações possíveis estão do CEP estão o planejamento e desenvolvimento de produtos

porque ele permite comparar materiais determinar tolerâncias do sistema e dos componentes de forma mais rápida e com menor custo determinar a de processos de fabricação pois como nós vimos ele permite a redução da variabilidade e a melhoria sistemática contínua do processo eh no planejamento de experimentos ou nos experimentos planejados como se diz também é possível investigar melhorias no processo em termos de rendimento em termos de custos e com relação a testes de confiabilidade nós executando esses testes de confiabilidade conseguimos Obter dados de desempenho do produto conhecendo mais sobre o produto é possível aumentar a sua

vida útil reduzir custos de manutenção por exemplo com relação ao aspecto técnico do controle estatístico de processos há uma série de ferramentas que nós vamos ver em aulas posteriores que permitem a resolução de problemas e que são aplicáveis a qualquer processo temos aqui gráficos de controle de Pareto diagramas de causa efeito dispersão folha de verificação entre muitas outras ferramentas mas outro aspecto muito importante do controle estatístico é exatamente o aspecto comportamental aspecto de atitude que é o desejo que deve ser comum a todas as pessoas da organização em se organizarem em atuarem de forma Coesa

conjunta para buscar a melhoria contínua não é meramente uma aplicação de ferramentas fazendo um link com a questão da variabilidade de processos uma política Que Tem se tornado bastante disseminada no meio corporativo no meio organizacional é a política de controle se Sigma porque uma das atribuições do controle estatístico é identificar mudanças que ocorrem em determinados períodos nos parâmetros do processo em geral como a gente vai ver posteriormente nós calculamos eh dois valores de referência para cada parâmetro um valor máximo e um valor mínimo ou um valor superior e um valor inferior para cada amostra disponível

nós estimamos o valor desses parâmetros e verificamos se os valores estatísticos os valores que nós coletamos em campo estão em Entre esses e valores eh que nós definimos como limites de controle Mas onde entra a questão do Sigma nós precisamos voltar um pouquinho e fazer uma rápida recapitulação né recapitulação do modelo de distribuição normal que foi proposto pelo gaus eh necessariamente nós teremos como nós vimos nos gráficos um processo com muitas observações ou com muitos valores em torno de um valor médio né Nós temos aquele formato de sino porque nós temos muitas medidas bastante próxim

ou exatamente correspondendo a um valor médio e à medida que nós nos afastamos da Média a gente vai obtendo cada vez menos e menos medidas portanto a partir das observações de valores de um processo nós calculando né Nós calculamos O desvio padrão Sigma como no caso dos saquinhos de leite eh nós observamos de forma geral que 68 dessas medidas vão estar dentro de uma faixa de valores que corresponde à média mais um valor de desvio padrão para cima ou para baixo cerca de 95% das observações estariam dentro de faixas de valores que correspondem à média

mais ou menos 2 Sigma e 999,7 vão estar dentro de valores que correspondem à média mais ou menos 3 Sigma com relação a aplicações possíveis do controle estatístico de processos nós listamos basicamente o planejamento e desenvolvimento de produtos no qual nós conseguimos comparar materiais determinar tolerâncias do sistema a determinação da capacidade de processos de fabricação o planejamento de experimentos né ou Os experimentos planejados e os testes de confiabilidade dos produtos que permitem por exemplo eh o aumento da vida útil a redução de custos de manutenção com relação ao aspecto técnico do controle estatístico de processos

nós listamos uma série de ferramentas que nós vamos detalhar em aulas posteriores que permitem a resolução de problemas e que são aplicáveis a basicamente qualquer processo nós temos portanto eh entre elas o os gráficos de controle de Pareto os diagramas de caus e efeito e de dispersão as folhas de verificação ou checklists entre muitas outras mas outro aspecto muito importante do Controle estatístico de Processo não é o aspecto operacional é o aspecto humano um aspecto e de atitude porque o importante é que nós nesse processo de de busca de melhoria contínua nós temos eh essa

necessidade de integrar as pessoas trazer todas as pessoas da organização eh para perto né para que esse desejo né de melhoria contínua se eh propague para toda a organização tá então o controle estatístico é muito mais do que o uso de ferramentas é a geração é a criação e manutenção de um contexto favorável a essa melhoria contínua comentar alguma coisa a respeito da política de controle se Sigma que tem se popularizado bastante em organizações eh a gente sabe que uma das atribuições do controle estatístico é identificar mudanças que ocorrem nos parâmetros de um processo e

em geral nós calculamos dois valores de referência para cada parâmetro um valor mínimo e um valor máximo ou seja um inferior e um superior para cada amostra disponível nós estimamos o valor dos parâmetros e a gente verifica se esses valores estatísticos que nós coletamos estão entre os valores eh de limites de controle nesse nesse processo né de avaliação desses limites eh nós já comentamos eh rapidamente em em ocasiões anteriores eh nós observamos que é muito comum o modelo de distribuição normal que foi uma contribuição do gaus eh esse processo eh via de regra ele vai

ter muitas observações em torno de uma média como no caso dos saquinhos de leite e à medida que nós vamos nos distanciando desse valor médio e as as medidas que estão mais distância desse valor são mais escassas Então a partir dessa observação e da definição do desvio padrão Sigma nós temos que eh boa parte das observações no caso 68 estariam dentro de uma faixa de valor que corresponderia à média mais ou menos o valor de um desvio padrão 95% estariam numa faixa de valores que responderia da Média menos do e desvios padrão até a média

mais dois desvios padrão e cerca de 99,7 estaria numa faixa de valores de mais ou menos 3 Sigma então a política de controle se Sigma consiste em um processo rigoroso de desenvolvimento e produção de produtos e serviços que Visa ter qualidade Impecável basicamente visando a perfeição e nesse processo nós não estamos preocupados né Nós não procuramos obter eh alguns desvios por 1000 eh medidas ou por 1000 eh oportunidades o objeto né o alvo que nós temos é manter a variabilidade é manter a variação em cerca de três a 3,4 defeitos por milhão de peças por

milhão de oportunidades isso significa dizer que eh adotando essa política de controle o nosso objetivo seria eh disponibilizar produtos e serviços sem defeitos em cerca de 99,9997 das vezes a política cigma eh foi um conceito desenvolvido em 1987 no final ali dos dos anos 1980 pela Motorola ela é baseada em diversas ferramentas da qualidade como o gráfico de controle que nós já comentamos e vamos ver em detalhes mais adiante ele basicamente consiste em decompor esse processo de fabricação até as suas partes mais básicas as seguir ele define e avalia cada etapa buscando formas de melhorar

né de forma contínua a eficiência dos negócios a qualidade do processo e consequentemente aumentar o lucro final e outras empresas eh diversas empresas eh aderiram a esse processo como a ge a da Chemical e a d pon uma uma exigência da metodologia C Sigma é o treinamento treinamento constante ao final de cada etapa eh você recebe eh cinturões com quase como nas artes Marcel e japonesas né então esse treinamento em se Sigma e atribui cinturões ou chamados belts Belt é cinturão em inglês eh aos às pessoas que vão se graduando nesse processo de qualificação então

de início você começa como um White Belt um cinturão e branco trabalhando em ações pontuais de resolução de problemas eh com a sua o seu caminho ao longo desse desse percurso formativo você adquire né você se torna um Yellow Belt um cinturão Amarelo já treinado em ferramentas básicas e sendo membro de equipes de projeto posteriormente vem o Green Belt o cinturão verde que é são as pessoas né dedicadas a melhorias de projeto e que auxiliam na coleta e análise de dados e por fim o grau mais alto né a gente tem o cinturão a faixa

preta ou cinturão preto ou o Black Belt que já é uma pessoa líder de projetos que inclusive é responsável por treinar eh treinar funcionários eh nas nas técnicas e nos conceitos da da metodologia C Sigma bem como síntese Então dessa aula nós vimos algumas motivações né de de Controle de Processo porque nós controlamos o processo nesse sentido nós comentamos sobre os custos da qualidade alguns que são necessários e outros que podem e devem ser evitados introduzimos o contexto de Controle estatístico de Processo e falamos brevemente sobre o conceito e a a política se Sigma bem

isso conclui a nossa nossa primeira semana do curso né nossas três primeiras aulas fica novamente a dica orientação para você acessarem vocês acessarem os materiais base os vídeos interagirem no fórum e semana que vem a gente volta com outra outra sequência de aulas sobre um novo conceito até [Música] lá [Música] w i