Quando se pensa em Controle da Qualidade, surge a questão de o que fazer quando ocorrem itens não conformes. Uma reação comum é agir de imediato para "corrigir" o problema. No entanto, esse tipo de ação imediatista pode aumentar a variabilidade do processo.
Quando muitos itens não conformes são produzidos, o correto é ajustar o sistema como um todo – e não apenas “mexer” em pontos específicos. Utilizar um feedback eletrônico para manter uma característica de qualidade dentro das especificações pode resultar em ajustes excessivos, levando a perdas nos estágios subsequentes do processo.
Deming
apresenta a experiência, mas não explica a base estatística de forma detalhada.
Uma referência teórica é fornecida de maneira ampla e complexa em outro
trabalho do mesmo autor². Este texto visa explicar, com base na Estatística, as
"Experiências
Monte Carlo com um funil" de Deming, demonstrando, na
prática, por que não se deve ajustar um processo devido a uma falha isolada.
⭐ A EXPERIÊNCIA
Os materiais necessários para a experiência são: um funil, uma bola de gude que passe pelo funil, uma mesa e um suporte para o funil. O procedimento é simples: primeiro, fixa-se o funil no suporte sobre a mesa. Em seguida, marca-se um ponto na mesa como alvo. A bola de gude é então solta através do funil, visando o alvo. Registra-se o ponto em que a bola efetivamente parou. Esse procedimento é repetido n vezes (Deming sugere n = 50). Veja a Figura 1.
Figura 1
Queda da bola de gude através do funil
Antes de iniciar o experimento, é preciso decidir
que atitude tomar no k-ésimo lançamento (k = 1, 2, ..., n) caso a
bola caia a uma distância dₖ do alvo.
As possíveis ações, chamadas aqui de regras, são:
· Regra 1: Manter o
funil apontado para o alvo inicial em todos os lançamentos.
· Regra 2: Toda vez
que a bola de gude cair fora do alvo, ajustar o funil para apontar para o ponto
onde a bola parou.
· Regra 3: Toda vez
que a bola cair fora do alvo, ajustar o funil para apontar a uma distância dᵢ do ponto de impacto, na mesma direção, mas em
sentido oposto, tentando “compensar” o erro.
⭐A Lógica das Regras
· Regra 1: Essa é a melhor escolha,
pois resulta na menor variância. Mesmo que o processo esteja sob controle
estatístico, sempre haverá alguma variabilidade. Isso deve ser compreendido e
aceito.
· Regra 2: Essa regra é ineficiente.
Ajustar o funil a cada lançamento resulta em correções excessivas. Um exemplo
prático seria um fabricante de tintas que tentasse acertar a cor do próximo
lote baseado na cor do lote anterior. Isso levaria ao aumento da variabilidade
nas cores ao longo do tempo.
· Regra 3: Esta é a pior escolha.
Como o alvo é fixo, tentar “compensar” o erro apenas amplifica a variabilidade.
Um exemplo seria um operador de ensacamento que tentasse ajustar o peso da
próxima saca com base no erro da anterior (se a última saca pesou 61 kg em vez
de 60 kg, ele ajustaria para 59 kg na próxima). Isso faz com que o sistema
“exploda” em termos de variância.
⭐A
COMPROVAÇÃO ESTATÍSTICA
Considera-se
o alvo como a origem do sistema cartesiano, isto é, o ponto de coordenadas (0,0). Na k-ésima
queda, a bola para no ponto Pₖ, a
uma distância dₖ
do alvo. Veja a Figura 2.
Figura 2
Bola no ponto P,
distância dk do alvo
Aplicando o Teorema de
Pitágoras:
1. Variabilidade
com a Regra 1
No k-ésimo
lançamento, a bola para em um ponto de abscissa:
Xk = x0+ek
onde x₀
= 0 (origem) e eₖ são erros
aleatórios independentes e identicamente distribuídos com média zero e
variância σ². Portanto:
· Média das abscissas: E (Xk) = 0
·
Variância
das abscissas: Var (Xk) = σ2
Analogamente,
para as ordenadas:
·
Média das
ordenadas: E (Yk) = 0
·
Variância
das ordenadas: Var (Yk) = σ2
Então, para
a distância
dₖ do alvo:
· Média das distâncias: E (Xk) + E (Yk)
= 0
·
Variância
das ordenadas: Var(xk) + Var(yk) = 2σ2
🔚 Portanto, usando a Regra 1, a distância dos n
pontos ao alvo terá variância 2σ².
2. Variabilidade com a
Regra 2
Na Regra 2, toda vez que a bola
de gude cai fora do alvo, o funil é ajustado para apontar para o ponto onde a
bola caiu. Isso significa que o erro do lançamento anterior é carregado para o
próximo lançamento. O modelo matemático fica assim:
Xk=Xk−1+ek
onde:
·
Xk
é a posição horizontal na
k-ésima queda.
·
Xk −1 é a
posição horizontal na queda anterior.
·
ek é o erro
aleatório na k-ésima queda, com média zero e variância σ2.
Expandindo a
relação, temos:
Xk=x0+e1+e2+…+ek
No início
da experiência, o funil estava apontado para a origem do sistema de eixos
cartesianos. Portanto, x0=0. Podemos simplificar para:
A variância da soma de variáveis aleatórias
independentes é dada pela soma das variâncias:
Da mesma forma, variância da posição vertical no k-ésimo lançamento é:
Como a variância é simétrica nos dois eixos (X e Y), a variância total da distância ao alvo é dada pela soma das variâncias em X e Y:
Var(dk)=Var
(Xk) + Var (Yk)=kσ2+kσ2=2kσ2
🔚 As
distâncias dos pontos ao alvo terão média zero e variância 2kσ², ou
seja, a variância aumenta linearmente, proporcionalmente ao número de
lançamentos.
3.
Variabilidade com a Regra 3
Na Regra 3, toda vez que a bola de gude cai fora do
alvo, o funil é ajustado para uma distância q do ponto em que a bola
caiu, na mesma direção, mas em sentido oposto. A ideia é "compensar"
o erro anterior. Matematicamente, isso é expresso como:
Xk=qXk−1+ek
onde:
· Xk é a
posição na k-ésima queda.
· Xk−1 é a posição
na queda anterior.
· q um fator
de ajuste que representa a tentativa de compensar o erro anterior.
· ek é o erro aleatório na k-ésima queda, com média zero e variância σ2.
Temos, com desenvolvimento recursivo:
Xk = q Xk−1 + ek
Xk−1 = q Xk−2 + ek−1
Substituindo a expressão de
Xk = q2 Xk−2 + q ek−1 + ek
Continuando
Xk−2 = q Xk−3 + ek−2
Substituindo a expressão de X
Xk = q2 (q Xk−3 + ek−2) + q ek−1 + ek
Xk = q3 Xk−3 +q2 ek−2+ q ek−1 + ek
Podemos continuar o
procedimento, mas também podemos generalizar:
Xk = ek + q ek−1 + q2 ek−2 + q3 Xk−3 + ... + qk X0
A variância de Xk é dada
por
A sequência a que chegamos é uma progressão geométrica com primeiro termo 1 e razão q2. Então:
🔚 Interpretação da Regra 3
A média de é zero, independentemente do valor de . Isso ocorre porque os erros são centrados em zero, o que faz com que as oscilações para cima e para baixo se cancelem ao longo do tempo. Isso confirma que o processo não tem viés sistemático.
Quando ∣
Esse comportamento é um exemplo clássico do efeito
da super compensação, onde o excesso de ajustes cria instabilidade em
sistemas que, de outra forma, teriam variação natural controlada.
⭐ A Conclusão
Um processo sob controle estatístico pode, ainda assim, produzir itens não conformes. A solução não é ajustar o processo a cada não conformidade, mas sim reduzir a variabilidade do sistema como um todo. Ajustes excessivos não diminuem a variabilidade; na verdade, aumentam-na. Se a variabilidade for alta, é necessário revisar e corrigir o sistema como um todo, em vez de apenas manter o controle estatístico.
⭐Referências
DEMING, W. E. Some theory of sampling. New
York, Dover, 1996.
DEMING, W. E. Qualidade: a revolução da administração. São Paulo: Saraiva. 1960.
No comments:
Post a Comment