TQT. As 7 Ferramentas Básicas da Qualidade. Formação em Qualidade Total. adapt UNIVERSIDADE CATÓLICA PORTUGUESA ESCOLA SUPERIOR DE BIOTECNOLOGIA

Tamanho: px
Começar a partir da página:

Download "TQT. As 7 Ferramentas Básicas da Qualidade. Formação em Qualidade Total. adapt UNIVERSIDADE CATÓLICA PORTUGUESA ESCOLA SUPERIOR DE BIOTECNOLOGIA"

Transcrição

1 Formação em Qualidade Total TQT As 7 Ferramentas Básicas da Qualidade UNIVERSIDADE CATÓLICA PORTUGUESA ESCOLA SUPERIOR DE BIOTECNOLOGIA adapt FSE MINISTÉRIO DO TRABALHO E DA SOLIDARIEDADE

2 ÍNDICE 1 Introdução Fluxograma Diagrama de Pareto Diagrama de causa-efeito (Ishikawa) Diagrama de barras ou histograma Medidas de tendência central Medidas de dispersão Diagrama de dispersão Folha de verificação Carta de controlo Cartas de controlo por variáveis Cartas de controlo de médias e amplitudes ( X /R) Cartas de controlo de médias e desvios padrão ( X /s) Cartas de controlo de medianas ( ~ X ) Cartas de controlo de valores individuais e amplitudes móveis (X i /R m ) Cartas de controlo por atributos Cartas do tipo np e do tipo p Cartas do tipo c e do tipo u Capacidade do processo Exercícios de aplicação 63 2 Bibliografia 74

3 1. Introdução A experiência quotidiana demonstra ser inevitável encontrar diferenças (por mais pequenas que estas sejam) entre duas peças ou objectos que aparentam, à primeira vista, ser idênticas. A mediação, quantificação e redução de tais diferenças, que constituem variações em torno do valor ou característica pretendida, são o objecto da melhoria de qualquer processo produtivo ou serviço. A estatística revela-se fundamental nesta fase do processo ao se apresentar como uma ferramenta eficaz na recolha, compilação, tratamento e análise dos dados recolhidos. Por ser impraticável (em termos de tempo e custos), e na maior parte das vezes impossível, o conhecimento da característica em questão relativamente a toda a produção, torna-se mais compensatório fazer a análise de apenas uma pequena parte desta (amostra) generalizando depois as conclusões tiradas ao resto da produção (população). O recurso à amostragem justifica-se sempre que é impossível analisar toda a população devido à sua grande dimensão, quando não existem recursos disponíveis ou vantagens em inspeccionar a 1%, quando se utilizam testes destrutivos (por exemplo testes de tracção ou de compressão), quando o teste a toda a população se torna perigoso (por exemplo o teste de um novo medicamento) ou quando os custos associados à inspecção se tornam demasiado elevados. A validade das conclusões sobre uma população depende, no entanto, do facto da recolha da amostra ser feita coerentemente e por forma a representar toda a população: amostragem aleatória. É aqui que começa a intervenção da estatística, intervenção essa que se irá prolongar pelo tratamento e análise dos dados, pelas conclusões e sua generalização. O grau de confiança depositado nas inferências efectuadas poderá também depois ser avaliado através de métodos estatísticos. As ferramentas estatísticas são utilizadas na indústria por se ter a consciência que ao remover as causas dos problemas se obtém uma maior produtividade e que a resolução de problemas utilizando técnicas gráficas e específicas produz melhores resultados do que os processos de procura não estruturados. Tais técnicas, que permitem saber onde estão os problemas, qual a sua importância relativa e que alterações irão provocar os efeitos desejados, podem ser divididas em quatro grupos distintos: a) Ferramentas básicas (também conhecidas pelas seven QC tools ) 1

4 Gráfico de fluxo Diagrama de Pareto Diagrama de Ishikawa ou de Causa e Efeito Folha de verificação Histograma Diagrama de dispersão Carta de controlo b) Ferramentas intermédias Técnicas de amostragem Inferência estatística Métodos não paramétricos c) Ferramentas avançadas Métodos de Taguchi (desenho de experiências) Análises multi-variáveis Análise de séries temporais Técnicas de investigação operacional d) Ferramentas de planeamento Desenvolvimento da função qualidade (QFD) Análise modal de falhas e efeitos (AMFE) As 7 ferramentas referidas no ponto (a) revelam-se de importância fudamental na análise estruturada dos dados e factos disponíveis e são de aplicação generalizada a quase todos os níveis da empresa. Para a resolução de um determinado problema é necessário, antes de mais, identificá-lo, isto é, decidir sobre qual o problema a considerar e caracterizá-lo convenientemente. A fase de resolução que se segue passa por listar todas as suas potenciais causas, seleccionar as mais importantes, desenvolver um plano para implementar efectivamente as soluções, implementá-las e, sempre que possível, avaliar o efeito da sua implementação. A fase em que cada uma das 7 ferramentas básicas a seguir descritas intervém é indicada na figura 1. 2

5 Identificação do problema Análise do problema Diagrama do processo Folha de verificação Pareto Ishikawa Histograma Gráficos Carta de controlo Figura 1 - A utilização das ferramentas básicas na resolução de problemas 1.1 Fluxograma O fluxograma (ou flowsheet) é uma das primeiras ferramentas a utilizar quando se pretende estudar um processo. Trata-se de um diagrama sistemático que pretende representar de uma forma bastante simples, ordenada e facilmente compreensível as várias fases de qualquer procedimento, processo de fabrico, funcionamento de sistemas ou equipamentos, etc., bem assim como as relações de dependência entre elas. Estes diagramas são constituídos por passos sequenciais de acção e decisão, cada um dos quais representado por simbologia própria que ajuda a compreender a sua natureza: início, acção, decisão, etc. 3

6 Início do processo Fase do processo Controlo Decisão Final do processo Figura 2 - Fases e simbologia utilizada num fluxograma 4

7 Exemplo 1 Construir um fluxograma sobre o procedimento de tirar uma fotografia: Tem máquina? N Comprar S Tem rolo? N Comprar S Escolher o objectivo Enquadrar S Máquina automática? N Boa luz? N N Tem flash? S S Ligar Deixar a máquina ajustar a velocidade, abertura e focar Regular velocidade Regular abertura Focar Tirar a fotografia 5

8 A utilização de fluxogramas permite a identificação de possíveis causas e origens para problemas surgidos na linha de fabrico, assim como contribuí para, ao detectar passos desnecessários no processo, efectuar nele simplificações significativas. Nos fluxogramas dos processos, o controlo de qualidade encontra-se associado aos pontos de decisão. 1.2 Diagrama de Pareto Foi no século passado, ao analisar a sociedade, que o economista italiano Alfredo Pareto concluíu que grande parte da riqueza se encontrava nas mãos de um número reduzido de pessoas. A partir desta observação, e por tal conclusão poder ser generalizada a muitas áreas da vida quotidiana, foi estabelecido o designado método de análise de Pareto, também chamado método ABC ou dos 2-8%. De uma forma sucinta, este método diz-nos que a grande maioria dos efeitos é devida a um número reduzido de causas. A grande aplicabilidade deste princípio à resolução dos problemas da qualidade reside precisamente no facto de ajudar a identificar o reduzido número de causas que estão muitas vezes por trás de uma grande parte dos problemas e variações que ocorrem. Uma vez identificadas dever-se-à proceder à sua análise, estudo e implementação de processos que conduzam à sua redução ou eliminação. O princípio de Pareto pode ser usado para diferentes tipos de aplicações em termos de qualidade. Assim, uma vez que os problemas da qualidade aparecem normalmente sobre a forma de perdas (items defeituosos e seus custos), é de extrema importância tentar esclarecer o porquê da sua ocorrência. A análise de Pareto diz que, em muitos casos, a maior parte das perdas que se fazem sentir são devidas a um pequeno número de defeitos considerados vitais (vital few). Os restantes defeitos, que dão origem a poucas perdas, são considerados triviais (trivial many) e não constituem qualquer perigo sério. Por outro lado, este princípio pode também ser aplicado à redução dos custos de defeitos. Tais custos compõem-se principalmente do custo das reparações e das rejeições devidos a defeitos nos produtos em curso de fabrico ou devolvidos pelos clientes. Mais uma vez o que se verifica é que uma pequena porção (cerca de 2%) dos produtos defeituosos ou do número de defeitos de uma mesma produção é muitas vezes responsável pela maior parte (cerca de 8%) do custo global dos defeitos, quer ao nível da empresa, quer ao nível do produto considerado. É na detecção das 2% das causas que dão origem a 8% dos efeitos que o que o diagrama de Pareto se revela uma ferramenta muito eficiente. Trata-se de uma representação 6

9 gráfica ordenada na qual, para cada causa se representa, sob a forma de barras, a respectiva consequência (nº. de defeitos, custo, etc.). A elaboração deste tipo de diagrama pode ser sistematizada da seguinte forma: 1. decidir o tipo de problema a ser investigado (exº: nº. de items defeituosos, perdas em valores monetários, ocorrência de acidentes); 2. identificar e listar o tipo de causas que lhe dá origem (exº. processo, máquina, operador, método); 3. recolher dados e, para cada tipo de causa, registar o nº. de vezes que estes contribuem para o efeito em questão; 4. ordenar as causas por ordem decrescente da respectiva frequência começando pela classe com maior frequência. Se várias das causas apresentarem uma frequência de ocorrência de defeitos muito baixa quando comparadas com as outras, elas poderão ser reunidas numa única classe denominada outros ; 5. construir um diagrama de barras por esta ordem decrescente; 6. desenhar a curva acumulada (curva de Pareto) ao unir com segmentos de recta os valores percentuais acumulados até cada item; 7. descobertas as causas das não-conformidades mais importantes há depois que tomar as acções correctivas apropriadas para as eliminar. 7

10 Exemplo 2 Num processo de fabrico de peças de plástico aparecem os defeitos abaixo indicados com as respectivas ocorrências e custos associados. Construir o respectivo diagrama de Pareto. Tipo de defeitos Nº. de peças defeituosas Custo unitário reparação/sucata Fissuras 1 5 Bolhas 2 5 Rebarbas 56 5 Falta de material 3 5 Descoloração 3 5 Borbotos 24 3 Picadelas 2 5 Resolução: Tipo de defeitos Nº. de peças defeituosas % de peças defeituosas % acumulada de peças defeituosas Rebarbas Borbotos Fissuras Falta de material Descoloração Bolhas Picadelas

11 Diagrama de Pareto de defeitos Nº. de peças defeituosas % acumulada de peças defeituosas Rebarbas Borbotos Fissuras Falta de material Descoloração Bolhas Picadelas Tipo de defeitos Pela análise do gráfico verifica-se que, dos 7 defeitos, 2 deles (29%) são responsáveis por 8% do número de peças defeituosas. Sempre que possível, e uma vez que as implicações financeiras de um problema são da máxima importância, dever-se-à associar um valor monetário aos dados no traçado dos diagramas de Pareto. Desta forma conseguir-se-ão detectar quais as razões responsáveis pela grande maioria dos custos e, por conseguinte, aquelas que sob o ponto de vista financeiro convém reduzir. Voltando ao exemplo anterior teremos que Tipo de defeitos Custo unitário reparação/sucata Custo total Rebarbas 5 28 Borbotos 3 72 Fissuras 5 5 Falta de material 5 15 Descoloração 5 15 Bolhas 5 1 Picadelas 5 1 9

12 Fazendo agora a ordenação por ordem decrescente de custos a tabela acima transformar-se-à em Tipo de defeitos Custo total % do custo total % acumulada do custo total Borbotos Fissuras Rebarbas Falta de material 15 7,5 82,5 Descoloração 15 7,5 9 Bolhas Picadelas Diagrama de Pareto de custos 8 1 Custo total % acumulada do custo total Borbotos Fissuras Rebarbas Falta de material Descoloração Bolhas Picadelas Tipo de defeitos Apesar dos borbotos constituirem apenas 24% das peças defeituosas e as fissuras 1% destas, são eles os principais responsáveis pela grande maioria dos custos: 36% dos custos são devidos às peças com borbotos e 25% dos custos às peças com fissuras. As rebarbas que, como visto atrás totalizavam 56% das peças defeituosas, são apenas responsáveis por 14% dos custos. 1

13 1.3 Diagrama de causa-efeito (Ishikawa) O diagrama de causa-efeito, também chamado diagrama de Ishikawa (por ser esse o nome da pessoa que primeiro o usou) ou de espinha de peixe (por ser esta a forma que apresenta), é uma ferramenta simples muito utilizada em qualidade. Trata-se de um processo que permite a identificação e análise das potenciais causas de variação do processo ou da ocorrência de um fenómeno, bem assim como da forma como essas causas interagem entre si. Este tipo de diagrama mostra a relação entre a característica da qualidade em questão e essas causas que podem, usualmente, ser de 5 naturezas diferentes (também designadas por 5 M s): materiais, métodos, mão de obra, máquinas e meio ambiente. Casos há, no entanto, em que são de uma outra natureza qualquer. O procedimento a seguir para elaborar um diagrama deste tipo pode ser sistematizado da forma seguinte: 1. Determinar a característica de qualidade cujas causas se pretendem identificar; 2. Através da investigação e discussão com um grupo de pessoas (brainstorming), determinar quais as causas que mais directamente afectam essa característica, isto é, aquelas que têm uma influência directa no problema a ser resolvido (causas primárias ou causas de nível 1); 3. Traçar o esqueleto do diagrama colocando, numa das extremidades, a característica da qualidade em questão. A partir desta deverá partir a espinha do peixe, isto é, uma linha horizontal de onde deverão irradiar as ramificações com as causas consideradas como primárias; 4. Identificar as causas (secundárias ou causas de nível 2) que afectam as causas primárias anteriormente identificadas, bem assim como aquelas (causas terciárias) que afectam as causas secundárias, etc. Cada um destes níveis irá constituir ramificações nas causas de nível imediatamente inferior. 11

14 Exemplo 3 Traçar um diagrama de Causa-Efeito para o excesso de consumo de um automóvel Excesso velocidade Tipo de condução Mecânico Subidas e descidas Peso vs. Potência Condução irregular Cilindrada Àlcool Urgência Excesso carga Àlcool Piso Filtros Velas Óleo Escape Mau estado Pneus Pressão Motor Tipo e condição do piso Clima Trânsito Aerodinâmica Condições atmosféricas Excesso de consumo de combustível Manutenção Altura do ano / mês /dia Ambiente exterior Um outro tipo de diagrama de causa e efeito que se pode construir é o diagrama de classificação do processo. Tal consiste em, a partir do diagrama de fluxo do processo em causa, ir identificando para cada fase todas as potenciais causas ou características que influenciam a qualidade. A combinação dos diagramas de Causa e Efeito e diagramas de Pareto revela-se extremamente útil na resolução de problemas. 1.4 Diagrama de barras ou histograma A análise dos dados recolhidos ao longo de qualquer processo irá permitir avaliar a forma como este está a decorrer, bem assim como tirar conclusões sobre ele. No entanto, caso o número dos dados recolhidos seja grande, o seu tratamento e análise tornar-se-à difícil a menos que se recorra a métodos que permitam a sua fácil ordenação e apresentação. Os histogramas apresentam-se como um método de simples elaboração que, através da representação gráfica do número de vezes que determinada característica ou fenómeno ocorre (distribuição de frequência), permitem obter uma impressão visual objectiva sobre a dispersão e localização dos valores recolhidos e, caso a amostra seja representativa, da 12

15 totalidade da população. Tais diagramas podem assim ser utilizados para o controlo e melhoria do processo. A construção dos histogramas passa pelas seguintes fases: 1. recolha dos valores; 2. cálculo da amplitude total da amostra; 3. caso necessário, divisão em classes e cálculo da amplitude e limites de cada classe; 4. determinação da frequência (absoluta ou relativa) de cada valor ou classe; 5. para cada valor da característica, desenhar uma barra cuja altura seja proporcional à frequência com que esse valor ocorre. As barras correspondentes a valores consecutivos devem estar todas unidas e todas elas apresentam normalmente larguras semelhantes. Exemplo 4 Construir um histograma que represente o número de clientes de um dado restaurante ao longo de 15 dias

16 Tabela de frequência Valor Frequência absoluta Frequência absoluta acumulada Frequência relativa (%) Frequência relativa acumulada (%) ,7 6, , ,3 33, ,3 66, , 86, ,7 93, ,7 1 Histograma de frequências absolutas 5 Frequência absoluta Nº. clientes Histograma de frequências absolutas acumuladas Frequência absoluta acumulada Nº. clientes 14

17 A forma dos histogramas de frequências absolutas e de frequências relativas, assim como os de frequências absolutas acumuladas e frequências relativas acumuladas, são iguais. A única diferença reside na escala de valores abrangida. Para o exemplo considerado anteriormente os valores das frequências relativas e relativas acumuladas encontram-se já marcados na tabela de frequências. Histograma de frequências relativas Frequência relativa (%) Nº. clientes Histograma de frequências relativas acumuladas Frequência relativa acumulada (%) Nº. clientes A utilização de classes (intervalos de valores) é comum quando as variáveis são do tipo contínuo ou quando a amplitude dos valores é muito grande. No primeiro dos casos torna-se muito difícil a contagem da frequência com que cada valor ocorre, enquanto que no segundo 15

18 se corre o risco de perder ao definição da forma da distribuição devido ao grande número de valores com frequências muito semelhantes. Os intervalos das classes são usualmente de igual amplitude por forma a que a altura das barras seja proporcional à frequência que representam. Um dos aspectos a ter em conta no estabelecimento das classes é que se deverá sempre garantir que o limite inferior da primeira classe seja menor ou igual ao menor dos valores observados, da mesma forma que o limite superior da última classe deverá ser maior ou igual ao maior dos valores observados. Por outro lado, deverá ficar desde logo estabelecido se os limites das classes são inclusivos ou exclusivos, isto é, cada valor só poderá pertencer a um único intervalo, razão pela qual se os limites superiores das classes forem fechados (i.e. o máximo dos valores encontra-se incluído nesse intervalo), os limites inferiores das classes que a sucedem deverão ser abertos e vice-versa. Não existem regras exactas sobre a forma de determinar o número e a amplitude das classes a considerar. Como referência, sendo N o número total de dados, poder-se-ão utilizar as fórmulas seguintes para a determinação do número aproximado de classes: nº de classes = 1+ log N log 2 ou nº declasses = N sendo depois a amplitude de cada classe calculada através da fórmula Amplitude = valor maximo - valor minimo nº classes Outra forma possível será determinar o número de classes em função do número total de dados recorrendo à tabela seguinte 16

19 Nº. de observações Nº. de classes 2 a 5 51 a 1 11 a 2 21 a 5 51 a 1 > a 2 Como foi referido, estes métodos permitem estimar um número aproximado de classes a utilizar. A correcta amplitude de cada uma (e consequentemente o número de classes) poderá também ser determinada por simples inspecção dos dados da forma que mais convenha para estabelecer a amplitude dos intervalos (por exemplo de 5 em 5 ou de,2 em,2) desde que daí não resulte um número de classes exageradamente grande ou pequeno que conduza à total perda de definição da forma do histograma. Exemplo 5 Construir o histograma das frequências absolutas e frequências absolutas acumuladas que represente a variação do diâmetro de uma peça 2,525 2,543 2,532 2,51 2,517 2,522 2,519 2,51 2,511 2,522 2,527 2,529 2,518 2,527 2,528 2,521 2,519 2,531 2,511 2,519 2,527 2,536 2,56 2,541 2,512 2,515 2,521 2,536 2,529 2,524 2,534 2,518 2,538 2,543 2,528 2,519 2,523 2,523 2,529 2,523 2,52 2,522 2,524 2,545 2,531 2,519 2,519 2,529 2,522 2,513 2,515 2,519 2,527 2,542 2,528 2,54 2,522 2,526 2,52 2,525 2,533 2,542 2,53 2,522 2,54 2,535 2,526 2,532 2,52 2,522 2,52 2,514 2,512 2,534 2,526 2,53 2,532 2,526 2,523 2,52 2,51 2,524 2,521 2,535 2,528 2,523 2,525 2,522 2,53 2,514 Neste caso existem 9 dados que variam entre 2,52 e 2,545 (amplitude total =,43). Por forma a estabelecer o número e a amplitude das classes, é de ter em atenção que os valores 2,52 e 2,545 devem também estar incluídos, pelo que será razoável que a gama total coberta pelas classes varie entre 2,5 e 2,55. Ao utilizar as fórmulas anteriores para prever o número de intervalos, verifica-se que este pode variar entre 7 (pela tabela) e 9. Há também que ter em linha de consideração a melhor forma de estipular a sua amplitude por forma a que seja lógica a marcação dos seus limites. Por simples inspecção dos valores apresentados 17

20 parece apropriado fazer uma divisão em classes com uma amplitude de,5. Mais uma vez é importante relembrar a necessidade de definir desde logo a natureza dos limites inferiores e superiores (i.e. abertos ou fechados). Apresenta-se de seguida a tabela de frequências bem como os histogramas de frequências absolutas e frequências absolutas acumuladas contruidos a partir desta. Classe Frequência absoluta Frequência absoluta acumulada [2,5;2,55[ \ 1 1 [2,55;2,51[ \ 1 2 [2,51;2,515[ \\\\\\\\\\ 1 12 [2,515;2,52[ \\\\\\\\\\\\ [2,52;2,525[ \\\\\\\\\\\\\\\\\\\\\\\ [2,525;2,53[ \\\\\\\\\\\\\\\\\\\ [2,53;2,535[ \\\\\\\\\\\ [2,535;2,54[ \\\\\ 5 82 [2,54;2,545[ \\\\\\\ 7 89 [2,545;2,55[ \ Frequência absoluta ,5 2,55 2,51 2,515 2,52 2,525 2,53 2,535 2,54 2,545 2,55 Diâmetro (cm) 9 8 Frequência absoluta acumulada ,5 2,55 2,51 2,515 2,52 2,525 2,53 2,535 2,54 2,545 2,55 Diâmetro (cm) 18

21 É possível obter informações úteis sobre a população pela análise da forma do histograma. De seguida apresentam-se algumas das formas mais típicas bem como algumas possíveis interpretações para elas conforme se pretende avaliar a centralidade (Figura 3) ou a dispersão (Figura 4). No que respeita à centralidade, podemos considerar os diagramas de tendência central representados nas figuras 3a. Neste tipo de representações (muitas vezes simétricas) a maior frequência corresponde ao valor médio que se encontra centrado relativamente aos restantes dados. Tendências não centrais podem ser observadas nos histogramas representados na figura 3c e 3d. O primeiro destes apresenta uma tendência assimétrica do tipo negativo (deslocado para a direita) verificando-se que a diminuição da frequência é abrupta para a direita e mais lenta para o lado esquerdo. Tendências assimétricas do tipo positivo correspondem a histogramas deslocados para a esquerda. Na figura 3d encontra-se representado um histograma truncado. Neste tipo de histogramas o valor ou classe à qual corresponde a maior frequência coincide com uma das extremidades do histograma. 5 a 45 b A B C D E F G Característica A B C D E F G H I Categoria 6 c 6 d A B C D E F G H I Característica A B C D E F G H I Característica Figura 3 - Possíveis formas de distribuição que um histograma pode apresentar em torno do valor com maior frequência 19

22 Na figura 3b encontra-se representada um histograma multi-modal (i.e. apresenta mais do que um valor máximo) também conhecido como histograma do tipo pente. Estes histogramas são particularmente importantes uma vez que podem indicar que aí estão representadas duas populações distintas, cada uma das quais apresentando distribuições de frequências que se sobrepõem mas que apresentam máximos não coincidentes. Quando as frequências dos valores ou classes são mais ou menos idênticas, o histograma pode ainda tomar um aspecto achatado. Se se estiver a trabalhar com classes, o ideal neste tipo de situações será tentar redifinir os intervalos por forma a conseguir procurar uma forma no histograma com base na qual seja possível tirar conclusões. É ainda de referir a possibilidade de surgir nos histogramas um pico isolado. Tal é comum quando se verifica uma pequena inclusão de dados provenientes de uma distribuição diferente que podem, por exemplo, ser devidos à ocorrência de causas especias no processo conducentes a valores atípicos. 8 7 a 8 7 b A B C D E F G H I J K L M N O P Q R S T U Característica A B C D E F G H I J K L M N O P Q R S T U Característica Figura 4 - Possíveis formas de um histograma em termos de dispersão em torno do valor com maior frequência Em termos de dispersão, os valores podem ser bastante concentrados em torno do valor com maior frequência (Figura 4a) ou, alternativamente, apresentar apresentar uma grande dispersão em torno dele (Figura 4b). Tal como anteriormente referido, é importante que o produto apresente características o mais uniformes possível pelo que há que continuamente tentar reduzir a variabilidade do processo. Desta forma, será possível concluir que é de todo o interesse que os histogramas apresentem uma forma semelhante ao da Figura 4a em que a amplitude dos valores observados é pequena. Histogramas semelhantes ao da Figura 4b querem dizer que existe ainda um grande número de causas comuns a afectar o processo, causas essas que é necessário reduzir e eliminar. 2

23 Outra das utilidades dos histogramas consiste na possibilidade de, dados os limites de especificação (tolerâncias), verificar em que medida essas especificações estão a ser obedecidas. a b LIE Característica LSE LIE Característica LSE c d LIE Característica LSE LIE Característica LSE e LIE Característica LSE Figura 5 - Comparação entre o histograma e os limites de especificação Nos casos retratados nas Figuras 5a e 5b os limites de especificação são obedecidas pelo, à partida, a produção obedece às especificações pré-definidas. No entanto, enquanto que na Figura 5a existe uma folga que permite que a eventual ocorrência de pequenas variações não conduza a uma produção fora dos limites, o mesmo não se verifica na Figura 5b. Aqui, uma vez que não existe qualquer margem extra, é de todo o interesse tentar reduzir a variação da característica do produto considerada por forma a evitar produtos fora das especificações. 21

24 Nas restantes Figuras (5c, 5d e 5e) o histograma não obedece às especificações pelo que há que tomar medidas para centrar o processo para valores próximos do valor nominal óptimo (Figura 5c) e para reduzir a variação (Figuras 5d e 5e). Juntamente com os histogramas, existe todo um conjunto de estatísticas amostrais que é possível calcular e que não só são medidas da centralidade e dispersão dos dados como também ajudam a interpretar os histogramas do processo Medidas de tendência central As medidas de tendência central indicam o valor médio em torno do qual se agrupam os dados. A mais conhecida destas medidas é, sem sombra de dúvida, a média aritmética (X ). O seu cálculo permite a determinação do valor central relativamente ao qual os dados que constituem a amostra se distribuem. O cálculo da média aritmética pode ser feita por várias formas diferentes consoante os dados são do tipo discreto ou contínuo e se se encontram ou não agrupados em classes. Assim, no caso dos dados não se encontrarem agrupados em classes, a sua média aritmética é determinada simplesmente somando-os todos e dividindo pelo número total de dados (n) de acordo com a seguinte fórmula: X 1 n = x i n i= 1 ou, alternativamente por n X= f i xi i= 1 em que f i representa a frequência relativa de cada valor x i e n o número total de valores cuja média se está a calcular. No caso dos valores se encontrarem agrupados em J classes o cálculo da sua média é aproximado através da fórmula J X f j Mj j= 1 22

25 onde f j representa agora a frequência relativa da classe j cujo ponto médio (ponto representativo da classe) é M j. O símbolo utiliza-se precisamente por se considerar o ponto médio como representativo da respectiva classe. A mediana é outra das medidas de tendência central a considerar. Este parâmetro estatístico é definido como sendo o valor que, numa série de n valores observados e ordenados por ordem crescente os divide em dois grupos com o mesmo número de elementos. Assim, se o número total de valores for ímpar, a mediana será o valor central do conjunto. Por exemplo, para o conjunto de valores a mediana será o valor 7 uma vez que à sua direita ficam o mesmo número de valores que à sua esquerda (i.e. 4). No caso do número total de valores ser par, a mediana será a média aritmética dos dois valores que dividem a série (previamente ordenada) em dois grupos iguais: Assim, para o conjunto de valores a mediana será a média dos valores 9 e 1, isto é 9,5. Quando estamos em presença de variáveis do tipo contínuo ordenadas em classes há que, numa fase inicial, definir a classe mediana como sendo a que contém o termo central dos dados. Se f representar a frequência relativa dessa classe, LI for o seu limite inferior, D a sua amplitude e fa - a frequência relativa acumulada da célula que a precede, a mediana poderá ser estimada através da fórmula Md LI + 5, fa f A última medida de tendência central que interessa para já considerar é a moda. Esta indica o valor ou gama de valores na qual a concentração dos dados é máxima. Quando os dados amostrais são realizações de uma variável discreta, a moda será o valor dos dados que ocorre com maior frequência, isto é, o valor que mais se repete. Em ambos os atrás apresentados existem então duas modas: no primeiro caso estas são 2 e 7 e no segundo 4 e

26 Se estivermos a tratar com variáveis contínuas agrupadas em classes, pode-se, por aproximação, dizer que a moda coincide com o ponto médio da classe modal, isto é, da classe com maior frequência. No exercício 6 a classe modal seria a classe [2,52;2,525] cujo ponto médio (assumido como sendo a moda) é 2,5225. Se um histograma for perfeitamente simétrico verifica-se que média, mediana e moda coincidem. Tal já não acontece no caso de histogramas assimétricos. Se a assimetria for positiva (histograma deslocado para a esquerda) o que acontece na maior parte dos casos é que a mediana < média < moda. Esta situação inverte-se para histogramas com assimetria negativa Medidas de dispersão São duas as formas mais simples de medir a variabilidade ou dispersão dos dados. A amplitude (R) consiste unicamente na diferença entre o valor máximo e o valor mínimo dos n valores observados e permite ter uma ideia da largura da gama de valores observados. R = x max - x mín A outra medida do grau de dispersão dos n valores x i observados é o desvio padrão (s) que pode ser calculado através da fórmula s = n 2 ( xi X) i= 1 n 1 ou s= n n 2 fi xi X n 1 ( ) i= 1 em que n representa o número total de dados e f a sua frequência relativa de ocorrência. Se considerarmos por exemplo os valores

27 cuja média vale 4 e a amplitude 7, o seu desvio padrão será calculado da seguinte forma s = ( 2 4) + ( 5 4) + ( 8 4) + ( 1 4) 4 1 = = = 1 = 3, 16 3 Quanto maior for o desvio padrão maior será a dispersão dos valores em torno da média. À medida que o número de dados aumenta (n>3) torna-se, na fórmula do desvio padrão, indiferente dividir por n ou por n-1, pelo que é válido fazer a aproximação de n n-1. Neste caso o desvio padrão da amostra (s) tenderá para o desvio padrão da população (s). 1.5 Diagrama de dispersão Na prática é muitas vezes importante verificar se duas variáveis (por exemplo concentração e ph) estão ou não relacionadas e, caso positivo, qual o tipo de relação que existe entre elas. Os diagramas de dispersão tornam-se uma ferramenta extremamente poderosa para atingir esse objectivo. Caso exista, essa relação é usualmente do tipo causaefeito não sendo no entanto possível, através dos diagramas de dispersão, identificar qual das variáveis é a causa e qual é o efeito. A construção destes diagramas passa por recolher os pares de dados (x,y) entre os quais se pretende analisar a relação, organizar esses dados numa tabela, encontrar os valores máximos e mínimos para x e para y, marcar as escalas respectivas por forma a que sejam mais ou menos iguais e marcar os pontos no gráfico. Na análise destes gráficos a primeira coisa a fazer será verificar se existem ou não pontos nitidamente afastados do grupo principal (pontos com comportamento atípico). O afastamento desses pontos poderá ser explicado por eventuais erros na medição ou registo de dados, bem assim como por variações ocorridas durante o processo. Pontos atípicos deverão ser excluídos da análise, não sem no entanto tentar descobrir a causa de tal comportamento. Da marcação dos pontos poderão surgir uma das três situações ilustradas abaixo: (a) correlação positiva (em que o aumento de uma variável conduz ao aumento da outra), (b) correlação negativa (em que o aumento de uma variável conduz à diminuição da outra) e (c) ausência de correlação (quando não parece haver qualquer tipo de ligação entre as variáveis consideradas). 25

28 a b c Figura 6 - Tipos de correlação que se podem obter: (a) positiva, (b) negativa e (c) sem qualquer tipo de correlação Exemplo 6 Verificar se existe algum tipo de relação entre as alturas e os pesos de um grupo de pessoas Altura (m) Peso (kg) 1,57 6 2, 95 1, ,9 85 1,5 45 1, , , , ,82 8 1, , ,4 1,6 1,8 2 Altura (m) 26

29 Por simples inspecção do gráfico resultante parece ser óbvio que o peso das pessoas parece aumentar com a sua altura tratando-se, por isso, de uma correlação do tipo positivo. No entanto, e dado que a altura não é a única condicionante do peso, verifica-se a existência de situações em que uma menor altura implica, no entanto, um maior peso. As correlações entre as variáveis podem ser de vários tipos: lineares, quadráticas, cúbicas, logarítmicas, etc. Por forma a poder prever o comportamento de uma das variáveis em função da outra é útil conseguir encontrar aquilo a que se chama função ou equação de ajuste. Trata-se da equação matemática que melhor ajusta o comportamento e a dependência dos dados e que é função do tipo de dependência que existe entre elas. Por exemplo, quando o aumento de uma variável implica o aumento da outra (tal como no exercício anterior) a função de ajuste assume normalmente a equação de uma recta do tipo y = a + b x em que y representa a variável dependente (no caso do exercício anterior y seria o peso) e x a variável dependente (no caso do exercício anterior x seria a altura). Desta forma, e se conseguirmos uma recta que aproxime a evolução dos pontos de uma forma razoável, será possível prever y (i.e. o peso de uma pessoa) se soubermos o valor x (i.e. a sua altura) e vice versa. Tal previsão poderá ser mais ou menos exacta consoante o modelo se ajusta melhor ou pior aos dados. O coeficiente de correlação (r) é um parâmetro que permite avaliar se o ajuste feito é ou não bom. Os valores admissíveis para r variam entre -1 e 1 (-1 r 1). Se r assumir valores negativos (-1 r < ) isso significa que a correlação é do tipo negativo, isto é, que o aumento de uma variável implica a diminuição da outra. Se, pelo contrário, r estiver compreendido entre e 1 ( < r 1) isso quererá dizer que a correlação é do tipo positivo. Quanto mais próximo de 1 ou de -1 estiver r, melhor o ajuste. Se r = (ou próximo dele) isso quer dizer que não há qualquer tipo de correlação. Voltando ao exemplo 6, se tentarmos passar uma recta pelos vários pontos veremos que aquela que melhor os ajusta é a que tem por equação 27

30 peso (kg) = - 86,8 + 91,6 x altura (m) ,4 1,6 1,8 2 Altura (m) O coeficiente de correlação (r) para este ajuste é de,9839 pelo que se pode dizer que se trata de um ajuste bastante aceitável. Se agora pretendessemos prever o peso de uma pessoa que mede 1,7 m bastaria substituir este valor na equação acima. O valor por ela estimado seria de 69,1 kg. 1.6 Folha de verificação É importante garantir bastante objectividade na recolha de dados sendo para tal, antes de mais, necessário definir com precisão quais os dados que é necessário recolher. Avaliar parâmetros ou fazer leituras que não nos interessam apenas conduz a perdas de tempo e a uma maior confusão em termos do seu armazenamento. Por forma a que isso não aconteça convém dispôr de um formulário/ficha bastante simples e convenientemente elaborado onde as perguntas para as quais se deseja a resposta se encontram perfeitamente definidas e que permita a qualquer utilizador identificar correctamente quais os items a medir/registar e em que altura e sequência tal deverá ser feito. As folhas de verificação não só facilitam a recolha de dados como também a sua organização. Com base nelas será mais fácil posteriormente encontrar dados que sejam necessários, bem assim como fazer estudos retrospectivos. Não existe uma folha de verificação standard uma vez que estas devem ser elaboradas em função do fim a que se destinam. Na figura 7 dá-se o exemplo de uma folha de verificação que poderia ser utilizada na realização de ensaios às matérias primas recepcionadas. 28

31 EMPRESA ABC Resultados dos ensaios às matérias primas Nome do produto: Fornecedor: Endereço: Telefone: Data de recepção: / / Resultados dos ensaios laboratoriais: Características: Observações: Resultados dos ensaios industriais: O responsável do DQ: Data: / / Características: Observações: Apreciação global: O responsável do DP: Data: / / Assinatura: Data: / / Figura 7 - Exemplo de um boletim de ensaio às matérias primas 29

32 1.7 Carta de controlo Um dos métodos mais utilizados para ficar a conhecer, não só a forma como as causas comuns provocam variações nos processos mas também de identificar a existência de causas especiais, consiste na utilização de cartas de controlo e foi desenvolvido nos anos 2 pelo Dr. Walter Shewhart dos laboratórios Bell. Uma carta de controlo trata-se de um método gráfico em que se marcam pontos representativos de várias fases consecutivas de um processo, permitindo assim seguir a sua evolução. O controlo estatístico do processo (do inglês, S.P.C.) baseia-se na utilização das cartas de controlo e é o modo de, seguindo essa evolução, conseguir interpretar as variações que ocorrem por forma a se poder decidir se devem ou não ser feitas alterações. A primeira fase da construção destes gráficos consiste na recolha de uma série de dados relativos à característica a ser estudada (dimensões, nº. de peças defeituosas, nº. de defeitos nas peças produzidas, tempos, etc.). Uma vez que, quer por uma questão de dinheiro como de tempo, na grande maioria das vezes é impossível fazer o controlo de todas as peças, há que seleccionar apenas algumas que sejam representativas das restantes (amostragem). Para ser feito de forma correcta, tal deverá seguir um plano e, uma vez que existem vários tipos de planos de amostragem disponíveis, é importante escolher aquele que dá mais e melhor informação. Amostragens bem feitas irão permitir que, verificando apenas uma pequena quantidade de peças, seja possível dizer o que se passa com a totalidade delas. Numa fase seguinte os dados recolhidos deverão ser reunidos e, dependendo do tipo da carta de controlo a usar, convertidos numa forma tal que permita a sua marcação. A utilização das cartas de controlo é frequentemente vista como um processo de monitoragem. No entanto, para poderem assumir esse papel, terão antes que ser definidos quais os limites de controlo para além dos quais as características avaliadas do produto, processo ou serviço não poderão passar. É de ter em atenção que os limites de controlo não são especificações limites nem objectivos. De facto, cada característica (por exemplo o diâmetro de um parafuso) tem um valor objectivo em torno do qual, devido às causas comuns, os valores realmente observados se irão dispôr. Consciente de que é impossível que todos os produtos apresentem esse valor objectivo, o cliente estabelece ainda as especificações máximas admissíveis (tolerâncias) para além das quais os produtos não deverão passar: limites máximo e mínimo de especificação. Por outro lado, o produtor tem que dispôr de meios que garantam a qualidade e homogeneidade do seu produto. Com esse objectivo marca nas 3

33 cartas de controlo limites para além dos quais considera que o seu produto não é suficientemente bom para seguir para o cliente: limite máximo e mínimo de controlo. Estes limites de controlo utilizados pelo produtor deverão ser inferiores aos admitidos pelo cliente por forma a evitar que cheguem a este produtos fora das especificações O conjunto de dados recolhidos que irá constituir a primeira das cartas de controlo é também utilizado para, através de fórmulas baseadas na variabilidade natural do processo e no plano de amostragem, determinar os limites de controlo das cartas subsequentes. O controlo e melhoria do processo usando cartas de controlo deve ser encarado como um processo iterativo em que se repetem as fases fundamentais de recolha de dados, controlo e análise. De facto, calculados os limites de controlo com esse primeiro conjunto de dados, se for evidente a existência de causas especiais de variação que leve pontos para fora dos limites ou que tornem evidentes tendências na variação dos pontos, o processo deverá ser estudado para se conseguir determinar o que o está a afectar e se tomarem depois as devidas acções para eliminar essas causas especiais. Após eliminadas, dever-se-ão recolher mais dados e recalcular os limites de controlo, fundamentais para interpretar os dados para o controlo estatístico. A partir do momento em que todas as causas especiais tenham sido eliminadas e o processo se encontrar em controlo estatístico, a carta irá servir de ferramenta de monitorização. Sempre que algum ponto saia fora dos limites de controlo ou que apresentem alguma tendência marcada de variação, o processo deverá ser interrompido e a razão de ser de tal ocorrência ser investigada uma vez que não vale a pena estar a produzir peças que provavelmente irão ter defeitos ou estar fora das especificações. Identificadas as causas especiais que levaram à ocorrência destes pontos fora de controlo o processo deverá ser alterado por forma a contornar os problemas que as originaram. O ciclo recomeça novamente à medida que mais dados são recolhidos, interpretados e usados como base de actuação. Nesta fase, o processo poderá ser interpretado em termos da sua capacidade. Será então possível prever a performance do processo podendo, quer o produtor quer o cliente, confiar em níveis de qualidade consistentes e em custos estáveis para atingir esse nível de qualidade. Por outro lado, atingido o controlo estatístico não se deve ficar por aí. Caso a variação oriunda das causas comuns seja excessiva, o resultado do controlo do processo não irá de encontro às necessidades uma vez que o produto continuará a apresentar pouca homogeneidade. O processo em si deverá ser investigado e corrigido por forma a eliminar e/ou reduzir essas comuns e, para isso, tipicamente, uma atitude superior a nível das chefias 31

34 deverá ser tomada para melhorar o sistema. O objectivo é que os produtos se tornem cada vez mais homogéneos e, consequentemente, que os limites de controlo se vão tornando mais estreitos. As cartas de controlo, que se apresentam assim como uma ferramenta de controlo e de melhoria do processo, podem ser de dois tipos distintos consoante o controlo que é efectuado: controlo por variáveis ou controlo por atributos. Cada um destes tipos de cartas será de seguida desenvolvido Cartas de controlo por variáveis As cartas de controlo por variáveis são usadas quando a característica que está a ser estudada se pode medir. Por exemplo, no caso de se estar a controlar o diâmetro de um veio, o comprimento de uma chapa, o tempo necessário para completar uma operação, o peso das garrafas numa linha de enchimento, etc.. O processo seguido para elaborar este tipo de cartas passa por, ao longo do tempo, ir recolhendo amostras da produção, processar os dados recolhidos, marcar na carta de controlo os pontos correspondentes, analisar o seu comportamento e generalizar as conclusões à restante produção. As cartas de controlo por variáveis permitem explicar os dados processuais em termos da localização central das medidas e da sua variabilidade, razão pela qual cartas de controlo por variáveis são sempre construídas aos pares: uma para uma medida de tendência central e outra para uma medida de variabilidade. As cartas de controlo por variáveis mais comuns são as cartas de controlo de médias ( X ), de valores individuais (X i ), de medianas ( X ~ ), de amplitudes (R) e de desvios padrão (s). As cartas de controlo de médias e amplitudes são as que aparecem mais frequentemente e, normalmente, em conjunto. As cartas de controlo de desvios padrão (s), menos utilizadas que as cartas de controlo de amplitudes (R), aparecem normalmente como um substituto destas e em conjunto com as cartas de controlo de médias ( X ). As cartas de controlo por medianas ( X ~ ) aparecem normalmente individualmente por substituirem simultaneamente as cartas de médias e as de amplitudes. Todas estas cartas são construídas com base na recolha de amostras ou subgrupos com mais do que um elemento (o tamanho de amostra mais comum é 5). No entanto, sempre que por algum motivo as decisões tenham que ser tomadas com base em valores individuais ou que o próprio processo não permita a recolha de mais do que um valor de cada vez usam-se as cartas de controlo por valores individuais. Cada um destes tipo de cartas de controlo irá ser de seguida analisado. 32

35 Cartas de controlo de médias e amplitudes ( X /R) Como para qualquer outra, a primeira fase de construção de uma carta do tipo médias/amplitudes consiste na recolha de dados que, como já anteriormente referido, para ser feita de uma forma correcta, deverá ser baseada num plano. O primeiro passo será decidir qual o tamanho das amostras a retirar. Essas amostras deverão ser representativas do resto da produção (população) e são normalmente constituídas por 4 ou 5 elementos cada. Uma vez que o objectivo será detectar as variações no processo ao longo do tempo, as amostras deverão ser recolhidas suficientes vezes e a tempos apropriados por forma a poderem refectir as eventuais alterações que estão a ocorrer (por exemplo: diferenças dos turnos, variações de temperatura, lotes de materiais, diferenças entre a produção diurna e nocturna, etc.). Geralmente 25 grupos são suficientes para construir uma carta de controlo pois contêm já leituras suficientes que permitam avaliar a variabilidade e localização do processo. Ao elaborar uma carta do tipo X /R a carta das médias aparece normalmente na parte superior e a carta das amplitudes imediatamente abaixo. Na figura 8 pode-se ver um exemplo deste tipo de cartas. 33

36 CONTROLO ESTATÍSTICO DO PROCESSO - CARTA X/R LCSX = Máquina: Peça: Característica: Carta Nº: Freq.: Especificação: LCIX = Processo: Subgr.: LCSR = M É D I A A M P L I T U D E AMOSTRA DATA HORA RUBRICA X1 X2 X3 X4 X5 Somatório Média Amplitude Figura 8 - Exemplo de uma carta de controlo do tipo médias/amplitudes 34

37 Como se pode ver, no eixo das ordenadas marcam-se as escalas das médias e das amplitudes, respectivamente, enquanto que na escala das abcissas se vai marcando a sua evolução ao longo do tempo. Na maioria das cartas de médias e amplitudes, aparecem na parte inferior e verticalmente abaixo das linhas verticais sobre as quais devem ser marcados os pontos relativos a cada uma das amostras, espaços disponíveis para registar os valores das várias leituras para cada uma das amostras sequenciais. Dado que se trata de uma carta de médias e amplitudes, existe ainda uma célula para marcar o valor da soma das leituras da amostra respectiva, bem como a média e a amplitude dos seus valores. A média e a amplitude são então os valores representativos de cada amostra e irão ser marcados nas cartas respectivas. Para uma amostra (ou subgrupo) constituída por n leituras (por exemplo 5) estas estatísticas serão calculadas por X = x + x x 1 2 n n R = xmáx xmín em que x 1, x 2,... são os valores individuais, n é o tamanho da amostra e x máx e x mín representam, respectivamente, o valor máximo e o valor mínimo dos n valores da amostra. Consideremos, a título de exemplo, um conjunto de amostras constituída cada uma por 5 leituras. Para a primeira das amostras, os valores das 5 leituras são 14,2; 14;4; 14,; 14,3 e 14,2. A média destes valores será calculada por 14,2+ 14,4+ 14, + 14,3 + 14,2 X = = 14,22 5 e a amplitude por R = 14,4-14, =,4 35

38 A primeira das colunas na parte inferior do gráfico da Figura 8 deverá, assim, apresentar a seguinte aparência: AMOSTRA 1 DATA 8/9 HORA 22 h RUBRICA X 1 14,2 X 2 14,4 X 3 14, X 4 14,3 X 5 14,2 Somatório 71,1 Média (X) 14,2 Amplitude (R),4 Relativamente a esta amostra, dever-se-à agora representar na linha vertical respectiva o valor de 14,2 para a média e,4 para a amplitude. O mesmo procedimento deverá ser seguido para as restantes amostras. Com base nos resultados das 25 amostras recolhidas para a primeira das cartas de controlo serão calculados os denominados limites de controlo. Também a marcação das escalas para a carta das médias e para a carta das amplitudes deverá ser feita após a obtenção de todos os resultados relativos a essas amostras pois só assim se saberá a amplitude das escalas a traçar. Uma vez marcados todos os pontos, estes deverão depois ser unidos com linhas por forma a melhor visualizar as variações e tendências que estão a ocorrer. Numa fase seguinte serão determinados o limites de controlo superior (LCS), a linha central (LC) e o limite de controlo inferior (LCI). Cada tipo de carta tem fórmulas apropriadas para a determinação dos limites de controlo e da linha central. Para as cartas de controlo de médias e amplitudes estas encontram-se na Tabela I. 36

FERRAMENTAS DA QUALIDADE

FERRAMENTAS DA QUALIDADE FERRAMENTAS DA QUALIDADE Docente: Dr. José Carlos Marques Discentes: Estêvão Andrade N.º 2089206 Maria da Luz Abreu N.º 2405797 Teodoto Silva N.º 2094306 Vitalina Cunha N.º 2010607 FERRAMENTAS DA QUALIDADE

Leia mais

Apresentação de Dados em Tabelas e Gráficos

Apresentação de Dados em Tabelas e Gráficos Apresentação de Dados em Tabelas e Gráficos Os dados devem ser apresentados em tabelas construídas de acordo com as normas técnicas ditadas pela Fundação Instituto Brasileiro de Geografia e Estatística

Leia mais

Faculdade Sagrada Família

Faculdade Sagrada Família AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer

Leia mais

4Distribuição de. freqüência

4Distribuição de. freqüência 4Distribuição de freqüência O objetivo desta Unidade é partir dos dados brutos, isto é, desorganizados, para uma apresentação formal. Nesse percurso, seção 1, destacaremos a diferença entre tabela primitiva

Leia mais

As Sete Ferramentas Básicas do Controle da Qualidade

As Sete Ferramentas Básicas do Controle da Qualidade Curso e-learning As Sete Ferramentas Básicas do Controle da Qualidade Todos os direitos de cópia reservados. Não é permitida a distribuição física ou eletrônica deste material sem a permissão expressa

Leia mais

MÓDULO 1. I - Estatística Básica

MÓDULO 1. I - Estatística Básica MÓDULO 1 I - 1 - Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos e empíricamente observáveis. Unidade Estatística nome dado a cada observação de um

Leia mais

Estatística descritiva. Também designada Análise exploratória de dados ou Análise preliminar de dados

Estatística descritiva. Também designada Análise exploratória de dados ou Análise preliminar de dados Estatística descritiva Também designada Análise exploratória de dados ou Análise preliminar de dados 1 Estatística descritiva vs inferencial Estatística Descritiva: conjunto de métodos estatísticos que

Leia mais

MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA

MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA MÉDIA ARITMÉTICA MÉDIA PONDERADA MODA MEDIANA Em um amostra, quando se têm os valores de uma certa característica, é fácil constatar que os dados normalmente não se distribuem uniformemente, havendo uma

Leia mais

Ferramentas da Qualidade. Professor: Fabrício Maciel Gomes fmgomes@usp.br

Ferramentas da Qualidade. Professor: Fabrício Maciel Gomes fmgomes@usp.br Ferramentas da Qualidade Professor: Fabrício Maciel Gomes fmgomes@usp.br ABORDAGENS DA QUALIDADE ABORDAGENS DA QUALIDADE Desde que a Qualidade se tornou um atributo do processo produtivo, ela vem sendo

Leia mais

Ferramentas da Qualidade. Professor: Leandro Zvirtes UDESC/CCT

Ferramentas da Qualidade. Professor: Leandro Zvirtes UDESC/CCT Ferramentas da Qualidade Professor: Leandro Zvirtes UDESC/CCT Histogramas Histograma O histograma é um gráfico de barras no qual o eixo horizontal, subdividido em vários pequenos intervalos, apresenta

Leia mais

INTRODUÇÃO À ESTATÍSTICA

INTRODUÇÃO À ESTATÍSTICA INTRODUÇÃO À ESTATÍSTICA O objecto da estatística Ciência que dispõe de processos apropriados para recolher, organizar, classificar, apresentar e interpretar conjunto de dados. 13-03-2002 Margarida Pocinho

Leia mais

POC 13 - NORMAS DE CONSOLIDAÇÃO DE CONTAS

POC 13 - NORMAS DE CONSOLIDAÇÃO DE CONTAS POC 13 - NORMAS DE CONSOLIDAÇÃO DE CONTAS 13.1 - Aspectos preliminares As demonstrações financeiras consolidadas constituem um complemento e não um substituto das demonstrações financeiras individuais

Leia mais

O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.

O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão. ESTATÍSTICA INDUTIVA 1. CORRELAÇÃO LINEAR 1.1 Diagrama de dispersão O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.

Leia mais

Aula 4 Estatística Conceitos básicos

Aula 4 Estatística Conceitos básicos Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a

Leia mais

Índice de Exercícios. Exercício 1.

Índice de Exercícios. Exercício 1. Índice de Exercícios Exercício 1...1 Exercício 2...2 Exercício 3...4 Exercício 4...7 Exercício 5. (Ficha de trabalho de Metrologia e Qualidade módulo 4)...8 Exercício 6. (Ficha de trabalho de Metrologia

Leia mais

Observação das aulas Algumas indicações para observar as aulas

Observação das aulas Algumas indicações para observar as aulas Observação das aulas Algumas indicações para observar as aulas OBJECTVOS: Avaliar a capacidade do/a professor(a) de integrar esta abordagem nas actividades quotidianas. sso implicará igualmente uma descrição

Leia mais

Distribuição de Freqüência

Distribuição de Freqüência Distribuição de Freqüência Representação do conjunto de dados Distribuições de freqüência Freqüência relativa Freqüência acumulada Representação Gráfica Histogramas Organização dos dados Os métodos utilizados

Leia mais

Exemplos de Exercícios da Cadeira Gestão de Projectos. Qualidade e Manutenção. Ano Lectivo 2006/2007

Exemplos de Exercícios da Cadeira Gestão de Projectos. Qualidade e Manutenção. Ano Lectivo 2006/2007 Exemplos de Exercícios da Cadeira Qualidade e Manutenção Ano Lectivo 2006/2007 1. Gestão da Qualidade 1.1 28 de Junho de 2000 (6 valores) Um fabricante de placas gráficas de computadores especificou que

Leia mais

Escola Secundária Manuel Cargaleiro

Escola Secundária Manuel Cargaleiro Escola Secundária Manuel Cargaleiro Curso Científico- Natural Professora: Nota: Observações: Este trabalho foi elaborado por: - Nuno Valverde n.º 12 - Pedro Valverde n.º 14 - Pedro Andrez n.º 15 - Pedro

Leia mais

Capítulo 5: Aplicações da Derivada

Capítulo 5: Aplicações da Derivada Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f

Leia mais

Manual de Formação. Organização do manual. Margarete Costa. Ferramentas da Qualidade. Tecnin Training, S.A.

Manual de Formação. Organização do manual. Margarete Costa. Ferramentas da Qualidade. Tecnin Training, S.A. Título Organização do manual Curso Entidade Manual de Formação Margarete Costa Tecnin Training, S.A. 3 5 Introdução 7 Fluxograma 11 Folha de Verificação 12 Diagrama de Parto 15 Brainstorming 19 Diagrama

Leia mais

Análise de Regressão Linear Simples e Múltipla

Análise de Regressão Linear Simples e Múltipla Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques (DepMAT ESTV) Análise de Regres. Linear Simples e Múltipla

Leia mais

4.1. UML Diagramas de casos de uso

4.1. UML Diagramas de casos de uso Engenharia de Software 4.1. UML Diagramas de casos de uso Nuno Miguel Gil Fonseca nuno.fonseca@estgoh.ipc.pt Utilizados para ajudar na análise de requisitos Através da forma como o utilizador usa o sistema

Leia mais

Considerações sobre redimensionamento de motores elétricos de indução

Considerações sobre redimensionamento de motores elétricos de indução Considerações sobre redimensionamento de motores elétricos de indução Artigo publicado na revista Lumiere Electric edição nº 166 Aplicações de investimentos dentro das empresas sempre são questionadas

Leia mais

Qualidade é o grau no qual um conjunto de características inerentes satisfaz a requisitos. ISO 9001:2008

Qualidade é o grau no qual um conjunto de características inerentes satisfaz a requisitos. ISO 9001:2008 1 Sumário 1. 2. 3. 4. 5. 6. 7. Introdução...3 Ferramentas da Qualidade...4 Fluxograma...5 Cartas de Controle...7 Diagrama de Ishikawa...9 Folha de Verificação...11 Histograma...13 8. 9. 10. Gráfico de

Leia mais

MÓDULO 4 DISTRIBUIÇÃO DE FREQÜÊNCIAS

MÓDULO 4 DISTRIBUIÇÃO DE FREQÜÊNCIAS MÓDULO 4 DISTRIBUIÇÃO DE FREQÜÊNCIS Como vimos no módulo 1, para que nós possamos extrair dos dados estatísticos de que dispomos a correta análise e interpretação, o primeiro passo deverá ser a correta

Leia mais

As cartas de controle podem ser usadas para monitorar ou avaliar um processo. Existem basicamente dois tipos de cartas de controle:

As cartas de controle podem ser usadas para monitorar ou avaliar um processo. Existem basicamente dois tipos de cartas de controle: Professor: Leandro Zvirtes UDESC/CCT Cartas de controle As cartas de controle podem ser usadas para monitorar ou avaliar um processo. Existem basicamente dois tipos de cartas de controle: Para dados do

Leia mais

Especificação Operacional.

Especificação Operacional. Especificação Operacional. Para muitos sistemas, a incerteza acerca dos requisitos leva a mudanças e problemas mais tarde no desenvolvimento de software. Zave (1984) sugere um modelo de processo que permite

Leia mais

Análise de regressão linear simples. Departamento de Matemática Escola Superior de Tecnologia de Viseu

Análise de regressão linear simples. Departamento de Matemática Escola Superior de Tecnologia de Viseu Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente

Leia mais

Modelos, em escala reduzida, de pontes e barragens. Simuladores de voo (ou de condução), com os quais se treinam pilotos (ou condutores).

Modelos, em escala reduzida, de pontes e barragens. Simuladores de voo (ou de condução), com os quais se treinam pilotos (ou condutores). SIMULAÇÃO 1 Introdução Entende-se por simulação a imitação do funcionamento de um sistema real recorrendo a uma representação desse sistema. Com essa representação modelo, pretende-se realizar experimentações

Leia mais

Barómetro Regional da Qualidade Avaliação da Satisfação dos Utentes dos Serviços de Saúde

Barómetro Regional da Qualidade Avaliação da Satisfação dos Utentes dos Serviços de Saúde Avaliação da Satisfação dos Utentes dos Serviços de Saúde Entidade Promotora Concepção e Realização Enquadramento Avaliação da Satisfação dos Utentes dos Serviços de Saúde Índice RESUMO EXECUTIVO...

Leia mais

Prof. Msc. Fernando Oliveira Boechat

Prof. Msc. Fernando Oliveira Boechat Prof. Msc. Fernando Oliveira Boechat Prof. Fernando Oliveira Boechat 1 Controle de Processos: Objetivos Gerar as informações necessárias ao desenvolvimento dos novos produtos; Fornecer os subsídios necessários

Leia mais

O planejamento do projeto. Tecnologia em Gestão Pública Desenvolvimento de Projetos Aula 8 Prof. Rafael Roesler

O planejamento do projeto. Tecnologia em Gestão Pública Desenvolvimento de Projetos Aula 8 Prof. Rafael Roesler O planejamento do projeto Tecnologia em Gestão Pública Desenvolvimento de Projetos Aula 8 Prof. Rafael Roesler 2 Introdução Processo de definição das atividades Sequenciamento de atividades Diagrama de

Leia mais

Campus Capivari Análise e Desenvolvimento de Sistemas (ADS) Prof. André Luís Belini E-mail: prof.andre.luis.belini@gmail.com /

Campus Capivari Análise e Desenvolvimento de Sistemas (ADS) Prof. André Luís Belini E-mail: prof.andre.luis.belini@gmail.com / Campus Capivari Análise e Desenvolvimento de Sistemas (ADS) Prof. André Luís Belini E-mail: prof.andre.luis.belini@gmail.com / andre.belini@ifsp.edu.br MATÉRIA: GESTÃO DE PROJETOS Aula N : 10 Tema: Gerenciamento

Leia mais

Cotagem de dimensões básicas

Cotagem de dimensões básicas Cotagem de dimensões básicas Introdução Observe as vistas ortográficas a seguir. Com toda certeza, você já sabe interpretar as formas da peça representada neste desenho. E, você já deve ser capaz de imaginar

Leia mais

Curso e-learning CEP Controle Estatístico de Processo

Curso e-learning CEP Controle Estatístico de Processo Curso e-learning CEP Controle Estatístico de Processo Todos os direitos de cópia reservados. Não é permitida a distribuição física ou eletrônica deste material sem a permissão expressa do autor. Objetivos

Leia mais

Planejamento - 7. Planejamento do Gerenciamento do Risco Identificação dos riscos. Mauricio Lyra, PMP

Planejamento - 7. Planejamento do Gerenciamento do Risco Identificação dos riscos. Mauricio Lyra, PMP Planejamento - 7 Planejamento do Gerenciamento do Risco Identificação dos riscos 1 O que é risco? Evento que representa uma ameaça ou uma oportunidade em potencial Plano de gerenciamento do risco Especifica

Leia mais

Gráficos. Incluindo gráficos

Gráficos. Incluindo gráficos Gráficos Mas antes de começar, você precisa ter em mente três conceitos importantes que constituem os gráficos do Excel 2007. O primeiro deles é o ponto de dados. Este elemento é representado pela combinação

Leia mais

1 Introdução simulação numérica termoacumulação

1 Introdução simulação numérica termoacumulação 22 1 Introdução Atualmente o custo da energia é um dos fatores mais importantes no projeto, administração e manutenção de sistemas energéticos. Sendo assim, a economia de energia está recebendo maior atenção

Leia mais

Ferramentas Básicas da Qualidade

Ferramentas Básicas da Qualidade PRO 2712 CONTROLE DA QUALIDADE 1 Ferramentas Básicas da Qualidade PRO 2712 CONTROLE DA QUALIDADE 2 AS SETE FERRAMENTAS BÁSICAS DA QUALIDADE Diagrama de Pareto Diagrama de Causa-e-Efeito Lista de Verificação

Leia mais

Truques e Dicas. = 7 30 Para multiplicar fracções basta multiplicar os numeradores e os denominadores: 2 30 = 12 5

Truques e Dicas. = 7 30 Para multiplicar fracções basta multiplicar os numeradores e os denominadores: 2 30 = 12 5 Truques e Dicas O que se segue serve para esclarecer alguma questão que possa surgir ao resolver um exercício de matemática. Espero que lhe seja útil! Cap. I Fracções. Soma e Produto de Fracções Para somar

Leia mais

Desenvolvimento de uma Etapa

Desenvolvimento de uma Etapa Desenvolvimento de uma Etapa A Fase Evolutiva do desenvolvimento de um sistema compreende uma sucessão de etapas de trabalho. Cada etapa configura-se na forma de um mini-ciclo que abrange as atividades

Leia mais

6. Pronunciamento Técnico CPC 23 Políticas Contábeis, Mudança de Estimativa e Retificação de Erro

6. Pronunciamento Técnico CPC 23 Políticas Contábeis, Mudança de Estimativa e Retificação de Erro TÍTULO : PLANO CONTÁBIL DAS INSTITUIÇÕES DO SISTEMA FINANCEIRO NACIONAL - COSIF 1 6. Pronunciamento Técnico CPC 23 Políticas Contábeis, Mudança de Estimativa e Retificação de Erro 1. Aplicação 1- As instituições

Leia mais

Survey de Satisfação de Clientes 2009

Survey de Satisfação de Clientes 2009 Survey de Satisfação de Clientes Fevereiro de 2010 Índice 1. Sumário Executivo 4 2. Metodologia 6 3. Estratificação da Amostra 7 4. Classificação das pontuações 8 5. Apresentação de Resultados das Urgências

Leia mais

Capítulo 5 Representações gráficas para variáveis quantitativas

Capítulo 5 Representações gráficas para variáveis quantitativas Capítulo 5 Representações gráficas para variáveis quantitativas Introdução Até o capítulo passado, você aprendeu a sintetizar dados a partir de um conjunto desordenado de dados, identificando a quantidade

Leia mais

Medição tridimensional

Medição tridimensional A U A UL LA Medição tridimensional Um problema O controle de qualidade dimensional é tão antigo quanto a própria indústria, mas somente nas últimas décadas vem ocupando a importante posição que lhe cabe.

Leia mais

Histórico. Controle Estatístico de Processo

Histórico. Controle Estatístico de Processo Histórico O CEP se destacou como ferramenta poderosa após ter sido intensamente utilizada pelo Japão após a Segunda Guerra Mundial. Após a recuperação deste país, através da obtenção de processos produtivos

Leia mais

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa

Leia mais

Distribuição de probabilidades

Distribuição de probabilidades Luiz Carlos Terra Para que você possa compreender a parte da estatística que trata de estimação de valores, é necessário que tenha uma boa noção sobre o conceito de distribuição de probabilidades e curva

Leia mais

Apresentação Caule e Folha. Exemplo

Apresentação Caule e Folha. Exemplo Análise Exploratória de Dados As técnicas de análise exploratória de dados consistem em gráficos simples de desenhar que podem ser utilizados para resumir rapidamente um conjunto de dados. Uma destas técnicas

Leia mais

Manual do Gestor da Informação do Sistema

Manual do Gestor da Informação do Sistema Faculdade de Engenharia da Universidade do Porto Licenciatura Informática e Computação Laboratório de Informática Avançada Automatização de Horários Manual do Gestor da Informação do Sistema João Braga

Leia mais

Cadernos da 2012 2013

Cadernos da 2012 2013 Gabinete de Apoio à Qualidade do Ensino Cadernos da NOVA 2012 2013 avaliação das aprendizagens Âmbito O Núcleo de Inovação Pedagógica e de Desenvolvimento Profissional dos Docentes, integrado no Gabinete

Leia mais

Facturação Guia do Utilizador

Facturação Guia do Utilizador Facturação Guia do Utilizador Facturação Como se utiliza 2 1 Como se utiliza Todas as opções do sistema estão acessíveis através do menu: ou do menu: O Menu caracteriza-se pelas seguintes funcionalidades:

Leia mais

Algoritmo. Iniciação do Sistema e Estimativa do consumo. Perfil do utilizador. Recolha de dados

Algoritmo. Iniciação do Sistema e Estimativa do consumo. Perfil do utilizador. Recolha de dados Algoritmo Iniciação do Sistema e Estimativa do consumo Recolha de dados O algoritmo do sistema de gestão, necessita obrigatoriamente de conhecer todos (ou grande maioria) os aparelhos ligados numa habitação

Leia mais

Controle de qualidade total. Profa Rejane Tubino

Controle de qualidade total. Profa Rejane Tubino Controle de qualidade total Profa Rejane Tubino FERRAMENTAS BÁSICAS DA QUALIDADE Objetivo Auxiliar no processo de melhoria contínua FERRAMENTAS DA QUALIDADE 1. Diagrama de pareto 2. Diagrama de causa e

Leia mais

Notas de Cálculo Numérico

Notas de Cálculo Numérico Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo

Leia mais

SEMINÁRIOS AVANÇADOS GESTÃO DE PROJECTOS

SEMINÁRIOS AVANÇADOS GESTÃO DE PROJECTOS SEMINÁRIOS AVANÇADOS DE GESTÃO DE PROJECTOS 2007 Victor Ávila & Associados - Victor Ávila & Associados Centro Empresarial PORTUGAL GLOBAL, Rua do Passeio Alegre, nº 20 4150- Seminários Avançados de Gestão

Leia mais

AMOSTRAGEM ESTATÍSTICA EM AUDITORIA PARTE ll

AMOSTRAGEM ESTATÍSTICA EM AUDITORIA PARTE ll AMOSTRAGEM ESTATÍSTICA EM AUDITORIA PARTE ll! Os parâmetros para decisão do auditor.! Tipos de planos de amostragem estatística em auditoria. Francisco Cavalcante(f_c_a@uol.com.br) Administrador de Empresas

Leia mais

UML (Unified Modelling Language) Diagrama de Classes

UML (Unified Modelling Language) Diagrama de Classes UML (Unified Modelling Language) Diagrama de Classes I Classes... 2 II Relações... 3 II. Associações... 3 II.2 Generalização... 9 III Exemplos de Modelos... III. Tabelas de IRS... III.2 Exames...3 III.3

Leia mais

Organização. Trabalho realizado por: André Palma nº 31093. Daniel Jesus nº 28571. Fábio Bota nº 25874. Stephane Fernandes nº 28591

Organização. Trabalho realizado por: André Palma nº 31093. Daniel Jesus nº 28571. Fábio Bota nº 25874. Stephane Fernandes nº 28591 Organização Trabalho realizado por: André Palma nº 31093 Daniel Jesus nº 28571 Fábio Bota nº 25874 Stephane Fernandes nº 28591 Índice Introdução...3 Conceitos.6 Princípios de uma organização. 7 Posição

Leia mais

MATEMÁTICA. Recenseamento/Sondagem ESTATÍSTICA

MATEMÁTICA. Recenseamento/Sondagem ESTATÍSTICA MATEMÁTICA NOME: ANO: TURMA: N.º FICHA INFORMATIVA ESTATÍSTICA A estatística é uma área da Matemática que trata da recolha, organização, resumo e interpretação de dados, e está presente em todos os ramos

Leia mais

INSTITUTO TECNOLÓGICO

INSTITUTO TECNOLÓGICO PAC - PROGRAMA DE APRIMORAMENTO DE CONTEÚDOS. ATIVIDADES DE NIVELAMENTO BÁSICO. DISCIPLINAS: MATEMÁTICA & ESTATÍSTICA. PROFº.: PROF. DR. AUSTER RUZANTE 1ª SEMANA DE ATIVIDADES DOS CURSOS DE TECNOLOGIA

Leia mais

APOSTILA TECNOLOGIA MECANICA

APOSTILA TECNOLOGIA MECANICA FACULDADE DE TECNOLOGIA DE POMPEIA CURSO TECNOLOGIA EM MECANIZAÇÃO EM AGRICULTURA DE PRECISÃO APOSTILA TECNOLOGIA MECANICA Autor: Carlos Safreire Daniel Ramos Leandro Ferneta Lorival Panuto Patrícia de

Leia mais

Gráficos de funções em calculadoras e com lápis e papel (*)

Gráficos de funções em calculadoras e com lápis e papel (*) Rafael Domingos G Luís Universidade da Madeira/Escola Básica /3 São Roque Departamento de Matemática Gráficos de funções em calculadoras e com lápis e papel (*) A difusão de calculadoras gráficas tem levado

Leia mais

Disponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas 4 questões, com as respectivas resoluções comentadas.

Disponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas 4 questões, com as respectivas resoluções comentadas. Disponibilizo a íntegra das 8 questões elaboradas para o Simulado, no qual foram aproveitadas questões, com as respectivas resoluções comentadas. Amigos, para responder às questões deste Simulado, vamos

Leia mais

TÉCNICAS DE PROGRAMAÇÃO

TÉCNICAS DE PROGRAMAÇÃO TÉCNICAS DE PROGRAMAÇÃO (Adaptado do texto do prof. Adair Santa Catarina) ALGORITMOS COM QUALIDADE MÁXIMAS DE PROGRAMAÇÃO 1) Algoritmos devem ser feitos para serem lidos por seres humanos: Tenha em mente

Leia mais

Resolução da Assembleia da República n.º 64/98 Convenção n.º 162 da Organização Internacional do Trabalho, sobre a segurança na utilização do amianto.

Resolução da Assembleia da República n.º 64/98 Convenção n.º 162 da Organização Internacional do Trabalho, sobre a segurança na utilização do amianto. Resolução da Assembleia da República n.º 64/98 Convenção n.º 162 da Organização Internacional do Trabalho, sobre a segurança na utilização do amianto. Aprova, para ratificação, a Convenção n.º 162 da Organização

Leia mais

Desenhando perspectiva isométrica

Desenhando perspectiva isométrica Desenhando perspectiva isométrica A UU L AL A Quando olhamos para um objeto, temos a sensação de profundidade e relevo. As partes que estão mais próximas de nós parecem maiores e as partes mais distantes

Leia mais

Capítulo 3 Modelos Estatísticos

Capítulo 3 Modelos Estatísticos Capítulo 3 Modelos Estatísticos Slide 1 Resenha Variáveis Aleatórias Distribuição Binomial Distribuição de Poisson Distribuição Normal Distribuição t de Student Distribuição Qui-quadrado Resenha Slide

Leia mais

Eventos independentes

Eventos independentes Eventos independentes Adaptado do artigo de Flávio Wagner Rodrigues Neste artigo são discutidos alguns aspectos ligados à noção de independência de dois eventos na Teoria das Probabilidades. Os objetivos

Leia mais

Revisão: Noções básicas de estatística aplicada a avaliações de imóveis

Revisão: Noções básicas de estatística aplicada a avaliações de imóveis Curso de Avaliações Prof. Carlos Aurélio Nadal cnadal@ufpr.br 1 AULA 03 Revisão: Noções básicas de estatística aplicada a avaliações de imóveis 2 OBSERVAÇÃO: é o valor obtido durante um processo de medição.

Leia mais

FEUP - 2010 RELATÓRIO DE CONTAS BALANÇO

FEUP - 2010 RELATÓRIO DE CONTAS BALANÇO relatório de contas 2 FEUP - 2010 RELATÓRIO DE CONTAS BALANÇO FEUP - 2010 RELATÓRIO DE CONTAS 3 4 FEUP - 2010 RELATÓRIO DE CONTAS DEMONSTRAÇÃO DOS RESULTADOS POR NATUREZAS DEMONSTRAÇÃO DOS FLUXOS DE CAIXA

Leia mais

Notas sobre a Fórmula de Taylor e o estudo de extremos

Notas sobre a Fórmula de Taylor e o estudo de extremos Notas sobre a Fórmula de Taylor e o estudo de etremos O Teorema de Taylor estabelece que sob certas condições) uma função pode ser aproimada na proimidade de algum ponto dado) por um polinómio, de modo

Leia mais

Potenciação no Conjunto dos Números Inteiros - Z

Potenciação no Conjunto dos Números Inteiros - Z Rua Oto de Alencar nº 5-9, Maracanã/RJ - tel. 04-98/4-98 Potenciação no Conjunto dos Números Inteiros - Z Podemos epressar o produto de quatro fatores iguais a.... por meio de uma potência de base e epoente

Leia mais

Fundamentos de Teste de Software

Fundamentos de Teste de Software Núcleo de Excelência em Testes de Sistemas Fundamentos de Teste de Software Módulo 2- Teste Estático e Teste Dinâmico Aula 4 Projeto de Teste 1 SUMÁRIO INTRODUÇÃO... 3 ANÁLISE E PROJETO DE TESTE... 3 1.

Leia mais

MATEMÁTICA FINANCEIRA BÁSICA

MATEMÁTICA FINANCEIRA BÁSICA UNIVERSIDADE ESTADUAL DE CAMPINAS - UNICAMP INSTITUTO DE FILOSOFIA E CIÊNCIAS HUMANAS - IFCH DEPARTAMENTO DE ECONOMIA E PLANEJAMENTO ECONÔMICO - DEPE CENTRO TÉCNICO ECONÔMICO DE ASSESSORIA EMPRESARIAL

Leia mais

ORGANIZAÇÃO E TRATAMENTO DE DADOS Nome: N.º Turma / /201

ORGANIZAÇÃO E TRATAMENTO DE DADOS Nome: N.º Turma / /201 MINISTÉRIO DA EDUCAÇÃO E CIÊNCIA AGRUPAMENTO DE ESCOLAS DA BOA ÁGUA 172388 Escola Básica Integrada da Boa Água EB1 n.º2 da Quinta do Conde EB1/JI do Pinhal do General JI do Pinhal do General Departamento

Leia mais

PLANEJAMENTO OPERACIONAL - MARKETING E PRODUÇÃO MÓDULO 11 PESQUISA DE MERCADO

PLANEJAMENTO OPERACIONAL - MARKETING E PRODUÇÃO MÓDULO 11 PESQUISA DE MERCADO PLANEJAMENTO OPERACIONAL - MARKETING E PRODUÇÃO MÓDULO 11 PESQUISA DE MERCADO Índice 1. Pesquisa de mercado...3 1.1. Diferenças entre a pesquisa de mercado e a análise de mercado... 3 1.2. Técnicas de

Leia mais

PARLAMENTO EUROPEU. Comissão do Meio Ambiente, da Saúde Pública e da Política do Consumidor

PARLAMENTO EUROPEU. Comissão do Meio Ambiente, da Saúde Pública e da Política do Consumidor PARLAMENTO EUROPEU 1999 2004 Comissão do Meio Ambiente, da Saúde Pública e da Política do Consumidor 31 de Março de 2004 PE 340.787/1-10 ALTERAÇÕES 1-10 Projecto de relatório (PE 340.787) Hans Blokland

Leia mais

PNV Divulgação de Boas Práticas. Rede de Frio. Ana Paula Abreu

PNV Divulgação de Boas Práticas. Rede de Frio. Ana Paula Abreu PNV Divulgação de Boas Práticas Rede de Frio Dezembro 2011 Ana Paula Abreu S. Farmacêuticos A efectividade e a segurança das vacinas dependem também das suas condições de transporte, de conservação e de

Leia mais

C5. Formação e evolução estelar

C5. Formação e evolução estelar AST434: C5-1/68 AST434: Planetas e Estrelas C5. Formação e evolução estelar Mário João P. F. G. Monteiro Mestrado em Desenvolvimento Curricular pela Astronomia Mestrado em Física e Química em Contexto

Leia mais

SISTEMA DE CLIMATIZAÇÃO

SISTEMA DE CLIMATIZAÇÃO AUTOMAÇÃO SEGURANÇA SOM SISTEMA DE CLIMATIZAÇÃO MANUAL DO UTILIZADOR www.only-pt.pt INTRODUÇÃO... 4 EQUIPAMENTOS... 4 CONTROLOS E INDICAÇÕES... 5 CONFIGURAÇÃO ATRAVÉS DO OTC-CLIMA... 6 1. Ajuste de data

Leia mais

Optimização de um Mundo Virtual

Optimização de um Mundo Virtual secção 3.2 Optimização de um Mundo Virtual Dadas as limitações impostas pela actual tecnologia, um mundo virtual que não seja cuidadosamente optimizado torna-se necessariamente demasiado lento para captar

Leia mais

NOVA CONTABILIDADE DAS AUTARQUIAS LOCAIS

NOVA CONTABILIDADE DAS AUTARQUIAS LOCAIS CONTACTOS DAS ENTIDADES QUE INTEGRAM O Direcção-Geral das Autarquias Locais Morada: Rua José Estêvão,137, 4.º a 7.º 1169-058 LISBOA Fax: 213 528 177; Telefone: 213 133 000 E-mail: helenacurto@dgaa.pt Centro

Leia mais

Prova Escrita de Matemática Aplicada às Ciências Sociais

Prova Escrita de Matemática Aplicada às Ciências Sociais Exame Final Nacional do Ensino Secundário Prova Escrita de Matemática Aplicada às Ciências Sociais 11.º Ano de Escolaridade Decreto-Lei n.º 139/2012, de 5 de julho Prova 835/2.ª Fase 15 Páginas Duração

Leia mais

CÓDIGO CRÉDITOS PERÍODO PRÉ-REQUISITO TURMA ANO INTRODUÇÃO

CÓDIGO CRÉDITOS PERÍODO PRÉ-REQUISITO TURMA ANO INTRODUÇÃO PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS ESCOLA DE GESTÃO E NEGÓCIOS CURSO DE CIÊNCIAS CONTÁBEIS, ADMINISTRAÇÃO E ECONOMIA DISCIPLINA: ESTRUTURA E ANÁLISE DE CUSTO CÓDIGO CRÉDITOS PERÍODO PRÉ-REQUISITO

Leia mais

ADMINISTRAÇÃO GERAL MOTIVAÇÃO

ADMINISTRAÇÃO GERAL MOTIVAÇÃO ADMINISTRAÇÃO GERAL MOTIVAÇÃO Atualizado em 11/01/2016 MOTIVAÇÃO Estar motivado é visto como uma condição necessária para que um trabalhador entregue um desempenho superior. Naturalmente, como a motivação

Leia mais

BREVE INTRODUÇÃO AO SISTEMA DA GESTÃO DE DOCUMENTOS DA CÂMARA MUNICIPAL DE MACAU PROVISÓRIA

BREVE INTRODUÇÃO AO SISTEMA DA GESTÃO DE DOCUMENTOS DA CÂMARA MUNICIPAL DE MACAU PROVISÓRIA Administração n.º 47, vol. X III, 2000-1.º, 263-271 BREVE INTRODUÇÃO AO SISTEMA DA GESTÃO DE DOCUMENTOS DA CÂMARA MUNICIPAL DE MACAU PROVISÓRIA Iong Chi Seng, Lao Chon Pio e Lao Sok Chi* A Câmara Municipal

Leia mais

Disciplina: Técnicas de Racionalização de Processos Líder da Disciplina: Rosely Gaeta NOTA DE AULA 04 O PROJETO DE MELHORIA DOS PROCESSOS

Disciplina: Técnicas de Racionalização de Processos Líder da Disciplina: Rosely Gaeta NOTA DE AULA 04 O PROJETO DE MELHORIA DOS PROCESSOS Disciplina: Técnicas de Racionalização de Processos Líder da Disciplina: Rosely Gaeta NOTA DE AULA 04 O PROJETO DE MELHORIA DOS PROCESSOS 3.4 O PROJETO DE MELHORIA DE PROCESSOS 3.4.1 - CONCEITO DE PROJETO

Leia mais

A EVOLUÇÃO DOS PRODUTOS NA INDÚSTRIA TRANSFORMADORA

A EVOLUÇÃO DOS PRODUTOS NA INDÚSTRIA TRANSFORMADORA A EVOLUÇÃO DOS PRODUTOS NA INDÚSTRIA TRANSFORMADORA O ciclo de fabrico característico abrange as seguintes fases: Compra de matérias e serviços Transformação das matérias-primas em produtos acabados Venda

Leia mais

Não é permitido o uso de corrector. Em caso de engano, deve riscar, de forma inequívoca, aquilo que pretende que não seja classificado.

Não é permitido o uso de corrector. Em caso de engano, deve riscar, de forma inequívoca, aquilo que pretende que não seja classificado. Teste Intermédio de Matemática B 2010 Teste Intermédio Matemática B Duração do Teste: 90 minutos 13.04.2010 10.º Ano de Escolaridade Decreto-Lei n.º 74/2004, de 26 de Março Utilize apenas caneta ou esferográfica

Leia mais

O céu. Aquela semana tinha sido uma trabalheira! www.interaulaclube.com.br

O céu. Aquela semana tinha sido uma trabalheira! www.interaulaclube.com.br A U A UL LA O céu Atenção Aquela semana tinha sido uma trabalheira! Na gráfica em que Júlio ganhava a vida como encadernador, as coisas iam bem e nunca faltava serviço. Ele gostava do trabalho, mas ficava

Leia mais

L 276/4 PT Jornal Oficial da União Europeia. DECISÃO N. o 190. de 18 de Junho de 2003

L 276/4 PT Jornal Oficial da União Europeia. DECISÃO N. o 190. de 18 de Junho de 2003 L 276/4 PT Jornal Oficial da União Europeia DECISÃO N. o 190 de 18 de Junho de 2003 relativa às características técnicas do cartão europeu de seguro de doença (Texto relevante para efeitos do EEE e do

Leia mais

Exercícios Teóricos Resolvidos

Exercícios Teóricos Resolvidos Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar

Leia mais

Guia de utilização da notação BPMN

Guia de utilização da notação BPMN 1 Guia de utilização da notação BPMN Agosto 2011 2 Sumário de Informações do Documento Documento: Guia_de_utilização_da_notação_BPMN.odt Número de páginas: 31 Versão Data Mudanças Autor 1.0 15/09/11 Criação

Leia mais

UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM

UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Unidade 2 Distribuições de Frequências e Representação Gráfica UNIDADE 3 MEDIDAS DE POSIÇÃO E DISPERSÃO OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Ao finalizar esta Unidade, você deverá ser capaz de: Calcular

Leia mais

Matemática Ficha de Trabalho/Apoio Tratamento de Dados

Matemática Ficha de Trabalho/Apoio Tratamento de Dados Matemática Ficha de Trabalho/Apoio Tratamento de Dados Constrói um gráfico de barras que represente a informação sobre os animais domésticos dos alunos da turma A. 7ºano Organização e análise de dados

Leia mais

Parâmetros de rugosidade

Parâmetros de rugosidade Parâmetros de rugosidade A UU L AL A A superfície de peças apresenta perfis bastante diferentes entre si. As saliências e reentrâncias (rugosidade) são irregulares. Para dar acabamento adequado às superfícies

Leia mais

Aula 5 Distribuição amostral da média

Aula 5 Distribuição amostral da média Aula 5 Distribuição amostral da média Nesta aula você irá aprofundar seus conhecimentos sobre a distribuição amostral da média amostral. Na aula anterior analisamos, por meio de alguns exemplos, o comportamento

Leia mais