Gráficos de Controle são muito mais do que só SPC
Seis Sigma

13 de setembro de 2017

Última atualização: 25 de janeiro de 2023

Gráficos de Controle são muito mais do que só SPC

Os gráficos de controle utilizam os dados sobre seu processo para que você possa distinguir entre a variação de causa comum e a de causa especial. Conhecer a diferença é importante porque permite que você enfrente problemas potenciais sem controlar demais seu processo.


Os gráficos de controle são fantásticos para avaliar a estabilidade de um processo. O processo está instável, muito baixo ou muito alto? A variabilidade observada é uma parte natural do processo, ou pode ser causada por fontes específicas? Ao responder essas perguntas, os gráficos de controle permitem que você dedique suas ações para onde você pode causar o maior impacto.


Avaliar se seu processo é estável é valioso em si mesmo, mas também é um primeiro passo necessário na análise de capabilidade. O seu processo deve estar estável antes de medir sua capabilidade. Você pode prever o desempenho de um processo estável e, portanto, melhorar sua capabilidade. Se o seu processo for instável, por definição, é imprevisível.


Os gráficos de controle são comumente aplicados aos processos de negócios, mas eles têm grandes benefícios além do Seis Sigma e do Controle de Processo Estatístico (SPC). Na verdade, os gráficos de controle podem revelar informações que de outra forma seriam muito difíceis de descobrir.



Outros processos que precisam estar no controle


Vamos considerar processos além dos que encontramos nos negócios. A instabilidade e a variação excessiva podem causar problemas em muitos outros tipos de processos.




  • Um processo de teste que faz com que os indivíduos experimentem um impacto de 6 vezes o peso corporal.

  • O processo de um professor para ajudar os alunos a aprender o material medido pelos resultados dos testes.

  • Um processo para um diabético manter os níveis de açúcar no sangue.


Os pesquisadores pediram para alunos do ensino médio darem um salto de 0,5 metros de altura 30 vezes todos os dias na escola, para ver se aumentavam a densidade óssea. O tratamento foi definido como se os alunos sofressem um impacto de 6 vezes o peso corporal, mas a equipe de pesquisa não atingiu a marca.


O pesquisador realizou um estudo piloto e representou graficamente os resultados em um gráfico Xbar-S.


gráfico xbar-s

O fato de que o gráfico S (na parte inferior) estar sob controle significa que cada aluno tem um estilo de pouso consistente com impactos de uma magnitude consistente - a variabilidade está no controle.


Mas o gráfico Xbar (na parte superior) está claramente fora de controle, indicando que mesmo que a média geral (6.141) exceda o alvo, os alunos individualmente, têm médias muito diferentes. Alguns fizeram pousos difíceis, enquanto outros são fizeram pousos padronizados. O quadro de controle sugere que a variabilidade não é a variação natural do processo (causa comum), mas sim devido a diferenças entre os participantes (variação de causa especial).


Os pesquisadores abordaram isso treinando os alunos sobre como cair. Eles também tiveram uma enfermeira observando todas as futuras sessões de salto. Essas ações reduziram a variabilidade até o ponto em que os impactos foram consistentemente maiores do que 6 vezes o peso corporal.



Gráficos de controle como um pré-requisito para testes de hipóteses estatísticas


Os gráficos de controle podem verificar se um processo é estável, conforme exigido para análise de capabilidade. Mas os gráficos de controle podem ser usados de forma semelhante às suposições de testes de hipóteses.


Especificamente, as medidas utilizadas em um teste de hipóteses são assumidas como estáveis, embora essa suposição seja muitas vezes esquecida. Essa suposição é paralela ao requisito de estabilidade na análise de capabilidade: se suas medidas não são estáveis, inferências baseadas nessas medidas não serão confiáveis.


Vamos supor que estamos comparando os resultados dos testes entre o grupo A e o grupo B. Usaremos esse conjunto de dados para realizar uma prova em 2 amostras, conforme mostrado abaixo.


comparação de resultados gráficos

Os resultados indicam que o grupo A tem uma média maior e que a diferença é estatisticamente significativa. Não estamos assumindo variações iguais, por isso não é um problema que o Grupo B tenha um desvio padrão ligeiramente maior. Também temos observações suficientes por grupo para afirmar que a normalidade não é uma preocupação. Concluir que o grupo A tem uma média maior do que o grupo B parece seguro.


Mas espere um minuto ... vejamos cada grupo em um gráfico de I-MR.


gráfico de controle i-mr a

gráfico de controle I-MR

O gráfico do grupo A mostra pontuações estáveis. Mas o gráfico do grupo B indica que as pontuações são instáveis, com múltiplos pontos fora de controle e uma clara tendência negativa. Mesmo que esses dados satisfaçam os outros pressupostos, podemos fazer uma comparação válida entre grupos estáveis e instáveis.


Este não é o único tipo de problema que você pode detectar com os gráficos de controle. Eles também podem testar uma variedade de padrões em seus dados e uma variabilidade fora do controle.



Diferentes tipos de gráficos de controle


Um gráfico I-MR pode avaliar a estabilidade do processo quando seus dados não possuem subgrupos. O gráfico XBar-S, o primeiro desta publicação, avalia a estabilidade do processo quando seus dados possuem subgrupos.


Outros gráficos de controle são ideais para outros tipos de dados. Por exemplo, o U Chart e Laney U 'Chart usam a distribuição de Poisson. O gráfico P e o gráfico Laney P 'usam a distribuição binomial.


No Minitab, você pode obter orientação passo-a-passo na seleção do gráfico de controle, indo para Assistente> Gráficos de controle. O Assistente irá ajudá-lo com tudo, desde determinar seu tipo de dados, até garantir que ele atenda aos pressupostos, para interpretar seus resultados.



Leia mais:


White Belt: saiba a sua importância

Cursos gratuitos da FM2S
Virgilio Marques Dos Santos

Virgilio Marques Dos Santos

Sócio-fundador da FM2S, formado em Engenharia Mecânica pela Unicamp (2006), com mestrado e doutorado na Engenharia de Processos de Fabricação na FEM/UNICAMP (2007 a 2013) e Master Black Belt pela UNICAMP (2011). Foi professor dos cursos de Black Belt, Green Belt e especialização em Gestão e Estratégia de Empresas da UNICAMP, assim como de outras universidades e cursos de pós-graduação. Atuou como gerente de processos e melhoria em empresa de bebidas e foi um dos idealizadores do Desafio Unicamp de Inovação Tecnológica.