METROLOGIA 2003 – Metrologia para a Vida
Sociedade Brasileira de Metrologia (SBM)
Setembro 01−05, 2003, Recife, Pernambuco - BRASIL
EFEITO DA INCERTEZA DE MEDIÇÃO NA SENSIBILIDADE DA
CARTA DE CONTROLE DE VALORES INDIVIDUAIS
Janaína Helena C. da Silva1, Gustavo Daniel Donatelli1
1
Programa de Pós-Graduação em Metrologia Científica e Industrial
Universidade Federal de Santa Catarina
Florianópolis, Santa Catarina, Brasil
Abstract: Neste trabalho avalia-se através de simulação
computacional, a influência do processo de medição na
sensibilidade da carta de controle. Estudou-se o efeito de
contribuições de diferente natureza à incerteza de medição
(i.e. aleatória, sistemática constante, sistemática linear e
resolução), definindo aquelas com influência mais
significativa. A partir desses resultados, esboçou-se um
critério para avaliar a capacidade de processos de medição a
serem usados em aplicações de CEP, discutindo-os, por
comparação com outros critérios de capacidade existentes.
Palavras chave: Controle estatístico de processos, Incerteza
de medição, ARL.
1. INTRODUÇÃO
O ideal da qualidade classe mundial é alcançado somente
com processos de produção que operam “... no alvo, com
variância mínima”. Para que um processo opere nessa
condição, é necessário:
! Eliminar os modos de operação inconsistente;
! Identificar e eliminar as causas especiais de variação;
! Reduzir as variações por causas estruturais e comuns.
A forma idônea de realizar essas ações de melhoria é
aplicando controle estatístico de processos (CEP). O CEP
utiliza gráficos da série de tempo dos estatísticos de posição
e dispersão do processo para detectar, em tempo real,
mudanças da média ou do desvio-padrão. Assim, o rol do
CEP é detectar sinais em presença de ruído: o ruído devido à
variação por causa comum. Para que isso seja possível, a
carta de controle apresenta limites de controle, localizados a
uma distância de três desvios-padrão a cada lado da linha
média.
Existem diversos tipos de cartas de controle, dependendo
dos estatísticos usados e da forma em que eles são
processados e interpretados para identificar sinais de
mudança. Entre estas, a mais simples é a carta de valores
individuais, que substitui às tradicionais cartas de Shewhart
quando é técnica ou economicamente inviável formar
subgrupos (e.g. destruição do produto na avaliação,
produção em pequenos lotes, etc.). Sua principal
desvantagem, a baixa sensibilidade para detectar mudanças
no processo, é compensada pela grande simplicidade
operacional, o qual a converte numa das cartas mais
apropriadas para a implantação do controle estatístico de
processos em ambientes pouco favoráveis.
A sensibilidade da carta de controle para detectar mudanças
no processo é influenciada pela presença de erros de
medição nos dados. Diversos trabalhos tem sido publicados
nessa área, analisando o problema desde um ponto de vista
probabilístico [2, 3, 4]. Esses estudos não consideram a
variabilidade amostral dos limites de controle, devida à
limitada informação disponível na corrida inicial, utilizam
somente a regra de decisão do ponto fora dos limites de
controle e assumem erros de medição normalmente
distribuídos, com parâmetros constantes ao longo da faixa.
Esses estudos, embora sejam pouco realistas, mostram que o
erro de medição reduz significativamente a sensibilidade da
carta de controle às mudanças no processo.
Neste trabalho avalia-se a influência do processo de medição
na sensibilidade da carta de controle. O uso da simulação
computacional permitiu gerar valores possíveis dos erros
para cada valor do mensurando, a partir do conceito de
incerteza de medição. Considerou-se que o erro está
composto por uma componente randômica, i.e. o erro de
repetitividade, uma componente sistemática constante e uma
componente sistemática que depende linearmente do valor
do mensurando. O efeito da resolução com que se registram
os dados foi simulado usando uma função arredondamento,
adequada para instrumentos com leitura digital.
Os resultados mostram que diferentes contribuições à
incerteza influenciam em forma diferenciada à sensibilidade
da carta de indivíduos. Destacam-se como especialmente
prejudiciais os efeitos do erro de repetitividade e da
resolução com que se registram os dados. Incertezas
associadas às contribuições sistemáticas de valor constante
na faixa, não influenciam sobre a sensibilidade, mas podem
fazer com que o processo opere fora do alvo.
Surpreendentemente, para processos que operam centrados
no alvo, erros linearmente dependentes do valor do
mensurando possuem pouca influência na sensibilidade da
carta.
Esboça-se um critério para avaliar a capacidade de processos
de medição a serem usados em aplicações de CEP,
discutindo-o através de comparações com outros critérios de
capacidade existentes.
2. A CARTA DE VALORES INDIVIDUALES
O objetivo principal da CVI é detectar mudanças na média
do processo. Para que isso seja possível, os valores medidos
em unidades ou amostras obtidas seqüencialmente são
graficados numa carta, junto aos denominados de limites de
controle, que estabelecem um intervalo provável para a
variação puramente amostral. Os limites de controle são
calculados a partir do desvio-padrão do próprio processo.
Walter Shewhart instituiu a utilização de limites 3σ, os quais
apresentam um bom balance entre a quantidade de alarmes
falsos e a perda de sinais de mudança no processo [5].
No mundo real, o desvio-padrão do processo é
desconhecido, mas pode ser estimado a partir de um certo
número de valores medidos, sempre que estes sejam obtidos
durante um intervalo no qual o processo apresenta
estabilidade. Geralmente se recomenda coletar um mínimo
100 valores individuais, para estimar os limites de controle
[6]. No caso específico da carta de indivíduos, usa-se a
amplitude móvel de duas medições sucessivas como
estimador do desvio-padrão dentro do subgrupo:
mRi = y i − y i −1 ∀i = 2...n (1)
Onde n é o número de unidades ou amostras de produto.
Dados n-1 subgrupos sob controle, o desvio-padrão do
processo pode ser estimado por:
n
∑ mRi
i=2
mR = (2)
n −1
mR
ˆ y =
σ (3)
d2
Onde d2 = 1,128 para agrupamentos de dois indivíduos.
Observe-se que o desvio-padrão assim estimado está sujeito
a variações com referência ao valor verdadeiro populacional,
devido à amostragem e aos erros de medição. Em geral, na
medida que o tamanho da amostra diminui, o valor esperado
do desvio-padrão estimado aumenta, produzindo o
afastamento dos limites de controle.
Os limites de controle da carta de indivíduos se posicionam
a distâncias iguais da média do processo, estimada por:
1 n
∑
y= ⋅ y (4)
n i =1 i
Assim:
_
LSC y = y + 3 ⋅ σ
ˆy
(5)
_
LIC y = y − 3 ⋅ σ
ˆy
A sensibilidade da carta de indivíduos às mudanças no
processo pode ser quantificada por meio da probabilidade
de intervenção no processo ou por meio do comprimento
médio de corrida (ou ARL: Average Run Length), que é o
número médio de unidades ou amostras que passam entre
que se produza uma mudança no processo e a carta a
detecte.
O ARL diminui com o aumento de magnitude da mudança,
tornando-se essencialmente igual a 1, para mudanças da
média maiores a três desvios-padrão do processo. Para
processos sem mudança, i.e. estáveis, o ARL é igual ao
inverso da probabilidade de alarme falso. A característica
funcional do ARL pode ser alterada usando distintos
conjuntos de regras de detecção. A regra mais simples e
difundida é a tradicional regra de Shewhart: “o processo está
fora de controle quando um ponto aparece fora dos limites
de controle 3σ”. Quando se usa somente essa regra, a
probabilidade de se produzir um alarme falso é, para
processos normalmente distribuídos, aproximadamente
0.27%. A sensibilidade às mudanças no processo pode ser
melhorada usando o conjunto de regras conhecido como “da
Western Electric”, que agrega à regra do ponto fora, outras
três regras de corrida (figura 1).
Regra 1
LSC
Regra 3
Alvo
Regra 2
Regra 4 LIC
Figura 1: As quatro regras da “Western Electric”, usadas para
detecção de mudanças no processo.
O custo a pagar por essa capacidade extra de detecção é,
além de uma maior complexidade na interpretação da carta,
um aumento da probabilidade de alarme falso. Isto pode ser
constatado na figura 2:
400
ARL S
ARLW
300
200
100
0
0 1 2 3
Figura 2: Comportamentos teóricos do ARL para limites 3-sigma,
quando se usa a regra 1 (ARLS) e quando se usam as quatro regras
da “Western Electric” (ARLW).
Dadas as diferenças existentes entre as aplicações reais de
CEP e as condições sob as quais se calcula o ARL, este não
deveria ser interpretado como um indicador absoluto da
sensibilidade da carta de controle para detectar mudanças no
processo [7]. No entanto, isso não invalida seu uso, na
comparação da sensibilidade de diferentes tipos de cartas, ou
da sensibilidade da mesma carta quando usada sob
diferentes condições. É nesse sentido que ele é utilizado
neste trabalho.
3. MODELO E ALGORITMO DE SIMULAÇÃO
O modelo de simulação foi construído para atender as
seguintes premissas relativas à distribuição de valores do
mensurando:
( )
• Processo de fabricação x ~ N µ p ; σ 0 . Os valores de
µ p e σ 0 caracterizam a distribuição de valores do
mensurando. O valor de µ p varia ao longo da
N (µ 0 ; σ 0 ) durante a
simulação, mantendo o processo
corrida inicial e mudando para N (µ1 ; σ 0 ) depois da
perturbação da média.
• A perturbação da média do processo ∆ = µ1 − µ 0 se
produz após definidos os limites de controle.
O problema foi adimensionalizado, definindo µ 0 = 0 e
σ 0 = 1 . Então, o tamanho da perturbação relativa da média,
torna-se δ = (µ1 − µ 0 ) σ 0 .
A construção e a interpretação da carta de indivíduos foram
realizadas usando os valores medidos, obtidos a partir dos
valores do mensurando por contaminação com erro de
medição. Assim:
• Os limites de controle foram estimados usando a média
das amplitudes móveis correspondentes às medições dos
100 indivíduos da corrida inicial.
• Calcularam-se o RLS (RLW) contando o número de
valores individuais desde que se produz a perturbação até
que a carta, interpretada com a regra 1 (regras da
Western Electric), fornece o primeiro sinal de fora de
controle.
O modelo de erro de medição usado nesta pesquisa foi
construído para representar o comportamento metrológico
de sistemas de medição dedicados (figura 3).
Baseia-se em assumir que no intervalo de variação dos
valores do mensurando, as componentes sistemáticas
residuais de erro podem ser representadas pela soma de um
erro sistemático constante mais um erro sistemático
linearmente dependente do valor do mensurando, definido
como zero no alvo de fabricação:
elin (x ) = C ⋅ (Alvo − x )
onde Alvo = µ 0 e C é uma constante de proporcionalidade.
Distribuição. do
mensurando
Distrib.
do erro
aleatório Erro sistemático
constante
Curva
de erro Erro sistemático
linear
Figura 3: Composição do erro de medição para sistemas
dedicados.
A esses erros sistemáticos, agrega-se um erro aleatório puro
ou de repetitividade, normalmente distribuído:
(
E rep ~ N 0; σ rep ) (7)
O valor medido é construído somando o valor do
mensurando aos erros de repetitividade, sistemático
constante e sistemático linear, e arredondando para simular
o efeito da resolução. A equação a seguir mostra essa
operação, para um evento de resultado da medição:
  x + erep + econst + elin (x ) 1  
y (x ) = R ⋅  Int  +  (8)
  R 2  
Onde Int() a função que devolve o inteiro do argumento
entre parênteses.
Em metrologia, erros sistemáticos conhecidos são
corrigidos. Por isso neste trabalho, tornou-se necessário
tratar os erros sistemáticos como residuais (i.e.
desconhecidos em valor médio e taxa de variação com o
valor do mensurando). Esses erros são considerados
geralmente, como contribuições à incerteza de medição. O
mesmo acontece com o erro de repetitividade, que não pode
ser conhecido para cada valor medido.
Este trabalho pretende estudar o efeito da incerteza na
sensibilidade da carta de controle. Para isso, o algoritmo
simula o efeito de todos os possíveis erros que são
consistentes com uma declaração de incerteza determinada
(figura 4). Essa simulação é obtida pela mudança do padrão
de erros em cada iteração do laço interno da figura 4,
identificado com “i=1...n”. Essa mudança inclui:
• A mudança do valor do erro sistemático constante,
gerando-o aleatoriamente a partir de uma p.d.f. uniforme
no intervalo [− Econst ; Econst ] ;
• A mudança da pendente C da reta que representa os erros
linearmente dependentes do valor do mensurando, gerada
(6) aleatoriamente para estar incluída num intervalo
[− Elin ; Elin ], com p.d.f. uniforme;
• A mudança dos valores individuais de erro de
repetitividade, usando uma distribuição normal de σe
constante.
Observe-se que, cada vez que se itera no laço interno, a carta
é totalmente reconstruída, com novos valores do
mensurando e novos limites de controle. Assim, os n valores
de RLS e RLW serão portadores de informação sobre a
variação amostral, mas também sobre a variação atribuível à
falta de conhecimento que se tem da medição, i.e., sobre a
incerteza de medição. Nessa condição, é aceitável calcular
os seus valores médios, ARLS e ARLW, já que todos os RLS e
RLW obtidos no laço “i = 1...n” correspondem a condições de
medição não diferenciáveis, metrologicamente (i.e. mesmo
valor e composição da incerteza de medição). Mais detalhes
sobre este modelo de simulação de erros consistentes com
uma determinada declaração de incerteza podem ser achados
nas referências [8] e [9].
Início
• Corrida inicial
4. RESULTADOS DA SIMULAÇÃO
Inicialmente o modelo foi implementado para entrada
manual de contribuições à incerteza (laço k = 1...m aberto,
na figura 4). Esse modelo foi corrido para processos estáveis
δ = 0 e para processos onde a mudança relativa da média é
unitária (δ = 1). Para cada uma destas situações, estudaram-
se nove casos diferentes. O caso A corresponde a sistemas
de medição perfeitos. Os casos B e C se caracterizam pela
presença de contribuições aleatórias à incerteza. Nos casos
D e E somente atuam erros sistemáticos constantes; F e G
são casos em que somente existem erros sistemáticos
linearmente dependentes do valor do mensurando.
Finalmente, os casos H e I estudam o efeito da resolução.
Em todos os casos a corrida inicial foi de 100 indivíduos.
Os valores das contribuições à incerteza para cada caso
podem se observar na tabela 1. No cabeçalho da tabela
podem-se observar as variáveis adimensionais que
determinam às diferentes contribuições à incerteza.
Tabela 1: Valores dos parâmetros de simulação para estudo de
influência das variáveis
σ rep Econst Elin R
Caso

• Estimação dos ε= γ= λ= ρ=
limites de controle σ0 σ0 σ0 σ0

A 0 0 0 0
Perturbação B 0,5 0 0 0
i=1...n da média δ δ=0...3
C 1 0 0 0
D 0 0,87 0 0
Determinação de E 0 1,73 0 0
RLS e RLW
F 0 0 0,87 0
G 0 0 1,73 0
Estimar
ARLS - ARLW H 0 0 0 0,1
I 0 0 0 1
k=1...m
Mudar δ Nas figuras 5 e 6 podem-se observar os resultados da
simulação para processos estáveis. A figura 5 fornece os
4 00

3 00
A R LS
A R LW
valores médios de ARLS com seu intervalo de confiança
2 00 95%, quando a carta é interpretada usando somente a regra 1
1 00

0
ou de Shewhart. A figura 6 traz os valores de ARLW,
0 1 2 3

correspondentes à aplicação das regras da Western Electric.

Mudar composição 1000

da incerteza 900
800

A RL S 700

600
δδ εε 500
400
300
A B C D E F G H I
Fim

Figura 5: Efeito de diferentes contribuições à incerteza no ARLS,

Figura 4: Fluxograma geral do algoritmo de simulação. quando δ=0 (processo estável).
Na figura 5, pode-se observar que todos os valores de ARLS, “enxerga” os desvios da média como sendo
incluindo o caso com sistema de medição perfeito, se acham proporcionalmente menores na medida que o desvio-padrão
por cima da linha que representa o valor teórico para limites do erro de repetitividade aumenta.
3σ (figura 2). Essa diferença comum está associada à sobre-
estimação dos imites de controle, devida ao uso de amostras
150
pequenas (100 unidades neste caso).
130
Relativo ao efeito de erros aleatórios os resultados 110
encontrados, concordam com os obtidos por Mittag e
Stemman [3], permitindo afirmar que a probabilidade de 90
alarme falso não é afetada pelos erros aleatórios de medição. 70
Erros sistemáticos constantes e linearmente dependentes do
mensurando, também não afetam o valor de ARLS quando se 50
trata de processos estáveis. O único caso que apresenta uma 30
diferença significativa é o caso I, caracterizado por um alto A B C D E F G H I
valor de resolução. Este fenômeno pode ser explicado,
considerando que a resolução produz um arredondamento Figura 7: Efeito de diferentes contribuições à incerteza no ARLS,
dos resultados de medição, levando a um acúmulo de quando δ=1.
valores na proximidade da linha média e, portanto, dentro
dos limites de controle.
18

95
90
85
80
75
70
65
60
55
50
A B C D E F G H I
Figura 6: Efeito de diferentes contribuições à incerteza no ARLW,
quando δ=0 (processo estável).
Na figura 6, pode-se observar que o uso das regras de
detecção 2, 3 e 4 torna a carta mais robusta, com referência à
variação amostral dos limites de controle. Novamente, o
caso I resulta num valor de ARLW significativamente
diferente dos outros. No entanto, nota-se que quando se
usam as regras da Western o efeito da resolução é inverso
daquele observado na figura 5: agora, a probabilidade de
alarme falso é aumentada. Isso pode ser devido ao acúmulo
de valores iguais na carta, levando que as regras 2, 3 e 4
produzam sinais de fora de controle, com maior freqüência.
Nas figuras 7 e 8 podem-se observar os resultados na
detecção de desvios da média iguais ao desvio-padrão do
processo. Entre os casos analisados, destacam-se aqueles
com influência de contribuições aleatórias à incerteza (casos
B e C) e com influência da resolução (caso I). Em todos
esses casos se observa um aumento de ARLS e ARLW, ou
seja, uma deterioração na capacidade de detecção de
mudanças no processo. Comparando os casos B e C, pode-
se concluir que quanto maior o desvio-padrão relativo do
erro de repetitividade, maior valor de ARLS e ARLW. Isso
pode ser explicado, quando se considera que a carta, cujos
limites de controle já estão contaminados pela presença do
erro de medição nas 100 valores obtidos na corrida inicial,
16
14
12
10
8
A B C D E F G H I
Figura 8: Efeito de diferentes contribuições à incerteza no ARLW,
quando δ=1.
Como nos casos com δ = 0, efeito da resolução não é fácil
de explicar. Cabe destacar aqui, que cartas operadas com
uma resolução igual ao desvio-padrão dos valores do
mensurando perdem capacidade de detecção,
independentemente das regras usadas para interpretá-las.
Com base nestes resultados, foi estudada a variação de ARLS
e ARLW com o valor da mudança da média do processo, para
distintos valores de desvio-padrão de erro de repetitividade.
Estes estudos foram realizados para dados obtidos com
resolução zero e com resolução igual ao desvio-padrão do
processo (ρ=0 e ρ=1). Isso resultou nos gráficos
tridimensionais das figuras 9 a 12.
Na figura 9 pode-se observar que o valor de ARLS se
mantém constante e arredor de 600 para processos estáveis.
Isso resulta numa probabilidade de alarme falso de
aproximadamente 0,17%. Pode-se observar também que, as
maiores diferenças entre a performance sem erro e com erro
se dão para perturbações de processo no intervalo 0,6 ≤ δ ≤
1,4. A influência do erro de repetitividade não é expressiva
para detecção de mudanças δ > 1,4.
O comportamento do ARLW e similar do ARLS (figura 10).
Para processos estáveis, o ARLW se mantém arredor de 90,
independente do desvio-padrão do erro de repetitividade. A
probabilidade de alarme falso é aproximadamente 1,1%, o
que implica em um alarme falso, a cada 100 valores obtidos
de um processo estável.
ARLS
δ ε
Figura 9: Influência do desvio-padrão do erro de repetitividade ε
no ARLS, para distintos valores de δ (ρ=0).
ARLw
δ ε
Figura 10: Influência do desvio-padrão do erro de repetitividade ε
no ARLW, para distintos valores de δ (ρ=0).
Nas figuras 11 e 12 pode-se observar ainda o efeito
superposto do erro de repetitividade (considerado variável) e
a resolução com que se registram os dados (fixada em ρ =
1). Na figura 11, se pode observar que para processos
estáveis, o ARLS é afetado pelo desvio-padrão do erro de
repetitividade, diminuindo na medida que o erro aumenta.
Observa-se também que esse comportamento apresenta alta
variabilidade.
ARLS
δ ε
Figura 11: Influência do desvio-padrão do erro de repetitividade ε
no ARLS, para distintos valores de δ (ρ=1).
Na figura 12 se pode observar que o comportamento do
ARLW é praticamente independente do erro de repetitividade,
quando os dados estão afetados por uma resolução ρ = 1. No
entanto, comparando com o caso ρ = 0 (figura 10) se nota
uma diminuição geral dos valores. Em particular, para
processos estáveis, o ARLW fica em torno de 55, o qual
resulta numa probabilidade de alarme falso de 1,8%: um
alarme falso cada 55 valores obtidos de um processo estável.
ARLw
δ ε
Figura 12: Influência do desvio-padrão do erro de repetitividade ε
no ARLW, para distintos valores de δ (ρ=1).
5. UM CRITÉRIO DE CAPACIDADE
Embora sejam preliminares, os resultados apresentados na
seção anterior, permitem esboçar algumas recomendações
para a seleção de sistemas de medição, que podem ser
utilizados em aplicações da carta de controle de valores
individuais. Estas recomendações têm foco na sensibilidade
da carta para detectar mudanças na média do processo e não validade exclusiva quando os dados gerados pelo processo
na sua capacidade para posicionar essa média no alvo de de medição são usados para tomar decisões sobre o processo
fabricação. de fabricação, a partir da análise de uma carta de controle de
valores individuais.
• O desvio-padrão do erro de repetitividade deveria ser
menor que 0,5 desvio-padrão da distribuição de valores
do mensurando para que a mudança na capacidade de 6. DISCUSSÃO
detecção da carta de indivíduos seja desprezível.
O critério expressado em (10) foi comparado com alguns
• A resolução com que se registram os dados deveria ser critérios existentes de capacidade de amplo escopo,
menor de 0,2 desvio-padrão da distribuição de valores do detalhados na tabela a seguir:
mensurando.
Tabela 2: Equações dos critérios de capacidade que usam o
• Erros sistemáticos residuais independentes do valor do desvio-padrão dos erros de medição
mensurando não afetam a capacidade de detecção de
mudanças no processo, mas introduzem uma incerteza na Critério Equação
posição do mesmo.
2 2
• Erros linearmente dependentes do valor do mensurando EMP [10] Dr = 2 ⋅ σ m σ rep − 1 ≥ 4 (13)
não afetam a capacidade de detecção de mudanças no
0 ,2 ⋅ Tol
processo, sempre que a média do processo esteja
Bosch [11] Cg = ≥ 1,33 (14)
posicionada no em torno do alvo do processo, onde esses 6 ⋅ σ rep
erros são definidos como zero.
σR&R
MSA [12] R & R(%TV ) = ⋅ 100 ≤ 30% (15)
Estas recomendações não se encontram ainda numa forma σTV
prática para o metrologista, devido a sua dependência do
desvio-padrão de valores do mensurando.
O critério expressado pela equação (14) foi reformulado,
Se as recomendações propostas neste trabalho são atendidas,
para expressá-lo em termos do desvio-padrão das medições.
somente o desvio-padrão do erro de repetitividade afetará o
Para isso, recorreu-se ao índice de potencial de processo:
desvio-padrão da distribuição de valores medidos:
Tol
2 2 2
σ m = σ 0 + σ rep (9) Cp = (16)
6 ⋅ σm
Assim, o critério que limita o valor do desvio-padrão do erro Assim, resulta uma equação paramétrica:
de repetitividade pode ser expresso como:
0 ,2 ⋅ Cp ⋅ σ m
2 Cg = ≥ 1,33 (16)
σ rep σ rep
⋅ 100 ≤ 20% (10)
2
σm Para poder comparar com o critério expressado pela (15), foi
necessário assumir que a variação associada à
O critério que limita o valor da resolução foi alterado para: reprodutibilidade (e.g. mudança de operador) é nula. Isso
Re s está alinhado com o pensamento de Wheeler, quem postula
⋅ 100 ≤ 20% (11) que as tendências e inconsistências entre operadores devem
σm ser eliminadas antes que se possa afirmar que existe um
processo de medição único [13]. Aceitando essa condição:
que resulta ligeiramente menos conservativo. Considerando
σ rep
R & R(%TV ) =
as equações (10) e (11), pode-se afirmar:
⋅ 100 ≤ 30% (16)
σm
2
σ rep 
⋅ 100 ≤ 20%  A comparação destes critérios com o proposto neste artigo
2 
σm  foi realizada substituindo em cada critério o valor limite da
 ⇔ Processo de medição adequado (12) 2 2
relação σ rep σ m = 0 ,2 .
R 
⋅ 100 ≤ 20% 
σm  Na tabela 3 se pode observar que processos de medição
 aprovados pelo critério proposto seriam reprovados pelos
critérios comumente usados na atualidade (equações 13 a
Deve-se observar que os limites expressados pelo sistema de 15). Isso pode conduzir a soluções de medição mais cara do
equações (12) não são arbitrários nem empíricos, senão que estritamente necessário, para atender o requisito de
estão derivados da análise científica do comportamento da sensibilidade da carta.
carta de valores individuais, quando construída a partir de
dados com incerteza. Desta forma, a (12) constitui um
critério de capacidade orientado à aplicação, ou seja, de
 Tabela 3: Resultados da comparação com os critérios de perda de sensibilidade quando a carta de valores individuais
capacidade que usam o desvio-padrão dos erros de medição é aplicada.
2 2 Resta ainda uma pergunta: pode se usar a incerteza de
Critério Resultados para σ rep σ m = 0 ,2
medição para selecionar e validar processos de medição a
EMP Dr = 3 ≤ 4 serem usados em aplicações da carta de indivíduos? Os
resultados permitem afirmar que não. Neste trabalho foi
Cp=1 Cg = 0,447 ≤ 1,33
demonstrado que nem todas as componentes que contribuem
Cp=1,33 Cg = 0,595 ≤ 1,33 à incerteza influenciam com a mesma intensidade na
Bosch
Cp=1,67 Cg = 0,747 ≤ 1,33 sensibilidade da carta de valores individuais. Contribuições
Cp=2 Cg = 0,894 ≤ 1,33 associadas a erros sistemáticos constantes e linearmente
MSA R&R(%TV) = 44,7% ≥ 30% dependentes do valor do mensurando não tem influência
significativa. A resolução, por outra parte, possui uma
O critério que estabelece um limite para a resolução com influência que está muita além do grau em que ela contribui
que se registram os dados foi comparado com os seguintes à incerteza. Assim, processos de medição com o mesmo
critérios de uso comum na indústria: valor de incerteza, mas com diferentes relações entre as
contribuições de distinta natureza, terão diferente
Tabela 4: Equações dos critérios de capacidade que usam a performance quando usados para fornecer dados para a carta
resolução com que se registram os dados de valores individuais. Nesse sentido, a incerteza não é uma
métrica confiável.
Critério Equação
Deve-se observar, por outra parte, que os resultados aqui
R apresentados não podem ser usados em forma autônoma, por
Bosch [11] ⋅ 100 ≤ 5% (13) serem específicos de um tipo de aplicação determinada,
Tol
analisada desde um certo ponto de vista: a carta de valores
R
⋅ 100 ≤ 10% (14) individuais, considerando a sensibilidade desta, para
Tol detectar mudanças no processo. Um sistema de medição
MSA [12]
R aplicado em CEP também deve fornecer informação
⋅ 100 ≤ 10% (15) confiável para posicionar a média do processo. Nesse
6 ⋅ σTV
sentido, erros sistemáticos residuais são relevantes. Nessa
Os critérios baseados na tolerância foram expressos em área, o trabalho de Hamburg-Piekar et al. pode fornecer
função do potencial de processo Cp e do desvio-padrão das algum subsídio [13].
medições. A comparação destes critérios com o proposto
neste artigo foi realizada substituindo em cada critério o 7. CONSIDERAÇÕES FINAIS
valor limite da relação R σ m = 0,2 . Os resultados da
Neste trabalho foi analisada a influência que erros de
comparação foram detalhados na tabela 5.
distinta natureza têm na sensibilidade da carta de valores
individuais, quando ela é interpretada usando a regra de um
Tabela 5: Resultados da comparação com os critérios de
capacidade que usam a resolução com que se registram os dados
ponto fora dos limites de controle e quando são usadas as
quatro regras da Western Electric. Como indicador de
Critério Resultado para R σ m = 0,2 performance foi usado o comprimento médio de corrida ou
ARL.
Cp=1 (R Tol ) ⋅ 100 = 3,33% ≤ 5%
Cp=1,33 (R Tol ) ⋅ 100 = 2,5% ≤ 5% Usando simulação computacional foi demonstrado que erros
sistemáticos linearmente dependentes do valor do
Bosch
Cp=1,67 (R Tol ) ⋅ 100 = 0,747 ≤ 5% mensurando não possuem influência significativa na
Cp=2 (R Tol ) ⋅ 100 = 2% ≤ 5% sensibilidade da carta. Por outra parte, os erros aleatórios, ou
de repetitividade, e a resolução com que se registram os
Cp=1 (R Tol ) ⋅ 100 = 3,33% ≤ 10% dados foram identificados como fatores altamente
Cp=1,33 (R Tol ) ⋅ 100 = 2,5% ≤ 10% influentes. A partir desses resultados, foram gerados dois
critérios para julgar a adequabilidade de processos de
MSA Cp=1,67 (R Tol ) ⋅ 100 = 2% ≤ 10% medição, o primeiro focado no desvio-padrão de
repetitividade e o segundo na resolução. Ambos critérios
Cp=2 (R Tol ) ⋅ 100 = 1,67% ≤ 10% usam como valor de comparação o desvio-padrão estimado
(R 6 ⋅ σ m )⋅ 100 = 3,33% ≤ 10% do processo. Os valores limites das relações correspondentes
foram definidos de forma tal, a tornar aceitável a diferença
Neste caso, observa-se que processos de medição que seriam de sensibilidade entre a carta construída com dados sem erro
aprovados pelos critérios da Bosch e MSA poderiam ser e a carta construída com dados que apresentam valores
reprovados pelo critério proposto neste artigo. Assim, esses limite de erro de repetitividade e resolução.
critérios podem conduzir à seleção de sistemas de medição A comparação destes critérios com critérios existentes
com resolução insuficiente, resultando numa excessiva mostrou que estes tornam-se mais conservativos no referente
ao erro de repetitividade e mais permissivos com referência
à resolução.
Os resultados aqui apresentados não são conclusivos e nem
autônomos. Eles são um passo adiante na formulação de
critérios de adequabilidade da medição que foquem mais nas
conseqüências da medição no produto e no processo, e
menos nas propriedades metrológicas da medição. Neste
sentido, eles precisam ser estendidos a outros tipos de cartas
de controle e ferramentas da garantia da qualidade.

REFERÊNCIAS BIBLIOGRÁFICAS
[1] T. Kanazuka,
_ “The Effects of Measurement Error on the
Power of x − R Charts”, J. of Quality Technology, 1986.
[2] H-J. Mittag, D. Stemann,
_ “Gage Imprecision Effect on the
Perfomance of the x − s Control Chart”, J. of Applied
Statistics, 1998.
[3] K.W. Linna, W. Woodall, “Effect of Measurement Error on
Shewhart Control Charts”. J. of Quality Technology, Vol.
33, No. 2, Abril de 2001.
[4] D.J. Wheeler, "Advanced Topics in SPC", SPC Press,
Knoxville, TE, 1995.
[5] AIAG, “Statistical Process Control – Reference Manual”,
Automotive Industries Action Group, 1995.
[6] D.J. Wheeler, “Discussion” Woodall “Controversies and
Contradictions in Statistical Process Control”
[7] J. H. C. Silva, “A Influência da Incerteza de Medição na
Carta de Controle de Indivíduos”, Florianópolis, 2003.
[8] C. R. Baldo, G. D. Donatelli, “Avaliação da Capacidade de
Processos: Efeito da Amostragem e da Incerteza de
Medição”, Florianópolis, 2003.
[9] D.J. Wheeler, “Evaluating the Measurement Process”, SPC
Press, Knoxville, TE, 1989.
[10] Bosch, “Quality Assurance in the Bosch Group No. 10 –
Technical Statistics: Capability of Measuring Facilities”.
Stuttgart: Bosch Gmbh, 1999.
[11] AIAG, “Measurement System Analysis – Reference
Manual”, Automotive Industries Action Group, Troy, MI,
2002.
[12] D. Hamburg-Piekar, G.D. Donatelli, C.A. Schneider,
“Setting the Process AIM: The Effect of Measurement
Uncertainty”. XVII IMEKO World Congress. Croácia:
Junho de 2003.

Janaína Helena Cardoso da Silva, Labmetro, Universidade Federal

de Santa Catarina, Caixa Postal 5053, 88040-970, Florianópolis,
SC-Brasil, telefone +55 48 239 2035, fax +55 48 239 2009,
jhs@labmetro.ufsc.br

Prof. Gustavo Daniel Donatelli, Labmetro, Universidade Federal

de Santa Catarina, Caixa Postal 5053, 88040-970, Florianópolis,
SC-Brasil, telefone +55 48 239 2037, fax +55 48 239 2009,
donatelli@labmetro.ufsc.br