O que é um estudo de Gage R&R por atributos (concordância por atributos)?

Um Gage R&R por atributos, ou análise de concordância por atributos, verifica uma inspeção de aprovado/reprovado (passa/não passa) em vez de uma medição numérica. Vários avaliadores julgam o mesmo conjunto de peças mais de uma vez, cada peça tem uma resposta correta conhecida (a referência), e você observa com que frequência os avaliadores concordam consigo mesmos, entre si e com a referência. É a metade por atributos da análise de sistemas de medição (MSA), ao lado do Gage R&R por variáveis que você roda em instrumentos numéricos.

O que é eficácia e qual é um valor aceitável?

Eficácia é a parcela de peças que um avaliador classifica corretamente em todas as tentativas, ou seja, cada julgamento repetido desse avaliador sobre uma peça bate com a referência. A orientação comum da AIAG lê o número como um semáforo: 90% ou mais é aceitável, de 80% a 90% é marginal e pode precisar de melhoria, e abaixo de 80% é inaceitável. Todo avaliador deve passar do limite, não só a média, então esta ferramenta baseia o veredito no avaliador mais fraco.

Qual é a diferença entre a taxa de perda e a taxa de alarme falso?

Uma perda é chamar de boa uma peça que na verdade é ruim: um item reprovado na referência julgado como aprovado. Um alarme falso é chamar de ruim uma peça que na verdade é boa: um item aprovado na referência julgado como reprovado. A taxa de perda é o número de perdas dividido por todas as oportunidades com referência reprovada, e a taxa de alarme falso é o número de alarmes falsos dividido por todas as oportunidades com referência aprovada. A perda costuma ser o erro mais caro porque uma peça não conforme escapa, então a diretriz da AIAG é mais apertada para perdas (faixas de 2% e 5%) do que para alarmes falsos (faixas de 5% e 10%).

O que é kappa e qual valor é bom?

O kappa mede a concordância corrigida pela concordância que você esperaria por acaso, em uma escala em que 1 é perfeito e 0 não é melhor que chutar. Esta ferramenta informa o kappa de Cohen de cada avaliador em relação à referência, agrupando todas as tentativas. A regra amplamente citada, dada no manual da AIAG, é que um kappa de 0,75 ou mais indica concordância boa a excelente, e abaixo de 0,40 é fraca. É uma verificação cruzada útil da eficácia porque leva em conta quantas peças boas e ruins havia no estudo.

O que significam concordância intra-avaliador, entre avaliadores e em relação à referência?

A concordância intra-avaliador pergunta se um avaliador repete o próprio julgamento sobre uma peça entre as tentativas (consistência). A concordância entre avaliadores pergunta se todos os avaliadores dão o mesmo julgamento sobre uma peça (reprodutibilidade entre pessoas). A concordância em relação à referência pergunta se os julgamentos batem com a resposta correta conhecida (eficácia, ou exatidão). Um avaliador pode ser perfeitamente consistente e ainda assim errar, então você precisa das três, e a eficácia em relação à referência é a que decide se a inspeção é confiável.

Quantas peças, avaliadores e tentativas devo usar?

Um estudo de atributos comum da AIAG usa 3 avaliadores, cerca de 50 peças e 3 tentativas cada. Escolha peças que cubram a decisão: inclua peças claramente boas, peças claramente ruins e uma boa quantidade perto do limite entre aceitar e rejeitar, porque é nas peças limítrofes que os inspetores discordam. Estudos pequenos rodam mais rápido, mas dão um kappa grosseiro e instável. Trate um resultado com 10 peças como uma triagem e use mais peças, concentradas perto do limite, em um estudo no qual você vai se basear.

Calculadora de Gage R&R por atributos

Informe os julgamentos de aprovado/reprovado de cada avaliador em relação a uma referência conhecida e obtenha a eficácia, as taxas de perda e de alarme falso, a concordância intra-avaliador e entre avaliadores, e uma estatística kappa, com um veredito em semáforo segundo as diretrizes da AIAG. É o complemento passa/não passa do Gage R&R por variáveis. Tudo roda no seu navegador.

Configuração do estudo

Avaliadores

Peças

Tentativas

Digite P para aprovado (bom, aceitar) e F para reprovado (ruim, rejeitar) em cada célula, inclusive na coluna de referência. A ferramenta também lê pass/fail, good/bad, 1/0 e yes/no. A referência é a decisão correta conhecida para cada peça.

Julgamentos

Um P ou F por avaliador, peça e tentativa, mais o julgamento de referência de cada peça. Os resultados atualizam ao vivo.

Cole um bloco do Excel começando na célula de referência da Peça 1 (colunas: Referência, depois as tentativas de cada avaliador em ordem), ou importe um CSV com o modelo para download. Use as setas ou Enter para mover entre as células.

Resultado

Eficácia ≥ 90%, perda ≤ 2%, alarme falso ≤ 5%, κ ≥ 0,75 Eficácia de 80 a 90%, perda ≤ 5%, alarme falso ≤ 10%, κ de 0,40 a 0,75 Pior que amarelo em qualquer medida O veredito geral toma o pior desses quatro critérios entre todos os avaliadores.

Método: análise de concordância por atributos do AIAG MSA 4ª ed. Eficácia, taxa de perda e taxa de alarme falso seguem a tabela de eficácia da AIAG (perda ≤ 2% / ≤ 5%; alarme falso ≤ 5% / ≤ 10%). O kappa é o kappa de Cohen de cada avaliador em relação à referência, agrupando todas as tentativas. O veredito geral usa o avaliador mais fraco.

Fazendo estudos por atributos em instrumentos reais? O Axiospec roda os quatro estudos de MSA da AIAG no app e arquiva cada um no instrumento a que ele pertence.

Acompanhe seus instrumentos de graça

Análise de concordância por atributos, em termos simples

O que um estudo de atributos revela

Quando o instrumento dá um número, você roda um Gage R&R por variáveis. Quando a decisão é aprovado ou reprovado, passa ou não passa, bom ou ruim, não há número com que trabalhar. Então você estuda se as pessoas que julgam concordam. Um estudo de concordância por atributos entrega um conjunto de peças a alguns avaliadores, faz cada um julgar cada peça mais de uma vez e compara os julgamentos com uma decisão de referência conhecida para cada peça. Ele responde a três perguntas separadas: o avaliador repete o próprio julgamento, os avaliadores concordam entre si e eles concordam com a verdade.

Eficácia, perdas e alarmes falsos

Eficácia é exatidão: a parcela de peças que um avaliador acerta em todas as tentativas, julgada em relação à referência. A AIAG lê esse número como um semáforo. 90% ou mais é aceitável, de 80% a 90% é marginal e abaixo de 80% é inaceitável. Ela pede que todo avaliador passe do limite, então esta ferramenta avalia pelo avaliador mais fraco, não pela média. Dois erros ficam por trás desse número. Uma perda é aprovar uma peça que na verdade é ruim, então uma peça não conforme escapa. Um alarme falso é reprovar uma peça que na verdade é boa, então você sucateia ou retrabalha algo que estava bom. Como a perda costuma custar mais, as faixas da AIAG são mais apertadas para perdas (2% e 5%) do que para alarmes falsos (5% e 10%).

Intra, entre e em relação à referência

A concordância intra-avaliador é repetibilidade: uma pessoa dá o mesmo julgamento sobre a mesma peça em todas as tentativas. A concordância entre avaliadores é reprodutibilidade: todos os avaliadores chegam ao mesmo julgamento sobre uma peça. A concordância em relação à referência é eficácia: os julgamentos batem com a resposta correta conhecida. Não são a mesma coisa. Um avaliador pode ser perfeitamente consistente consigo mesmo e consistentemente errado, e uma equipe inteira pode concordar entre si enquanto todos perdem as mesmas peças limítrofes. Por isso a comparação com a referência é a que decide se a inspeção merece confiança.

O kappa e os limites da AIAG

Um percentual bruto de concordância pode parecer alto só porque a maioria das peças é obviamente boa. O kappa corrige a concordância que você esperaria por acaso, dado quantas peças boas e ruins havia no estudo, em uma escala em que 1 é perfeito e 0 não é melhor que cara ou coroa. Esta ferramenta informa o kappa de Cohen de cada avaliador em relação à referência, agrupando todas as tentativas como uma oportunidade. A regra adotada no manual da AIAG é que um kappa de 0,75 ou mais é bom a excelente, e abaixo de 0,40 é fraco. Use o kappa junto com a eficácia, não no lugar dela.

Método e seus limites

Esta calculadora usa a matemática de concordância por atributos do AIAG MSA, as mesmas cifras que a análise de concordância por atributos do Minitab reporta: intra-avaliador, entre avaliadores, cada avaliador em relação à referência, todos os avaliadores em relação à referência, mais as taxas de perda e de alarme falso. Ela reporta um kappa de Cohen por avaliador como verificação cruzada à parte, o que difere do kappa de Fleiss que o Minitab usa, então trate-o como indicativo e não como correspondência exata. Seus limites honestos são o estudo que você alimenta. Um estudo com 10 peças é uma triagem rápida; um estudo no qual você vai se basear pede mais peças, em geral cerca de 50, concentradas perto do limite entre aceitar e rejeitar, onde os inspetores de fato discordam, porque é ali que uma inspeção fraca aparece. A ferramenta reporta o kappa de Cohen na tabela agrupada de avaliador em relação à referência em vez de um kappa de Fleiss entre avaliadores, então um valor aqui pode diferir um pouco de outros softwares. Referências: AIAG Measurement Systems Analysis (MSA), 4ª edição.

Perguntas comuns

O que é um estudo de Gage R&R por atributos (concordância por atributos)?

Um Gage R&R por atributos, ou análise de concordância por atributos, verifica uma inspeção de aprovado/reprovado (passa/não passa) em vez de uma medição numérica. Vários avaliadores julgam o mesmo conjunto de peças mais de uma vez, cada peça tem uma resposta correta conhecida (a referência), e você observa com que frequência os avaliadores concordam consigo mesmos, entre si e com a referência. É a metade por atributos da análise de sistemas de medição (MSA), ao lado do Gage R&R por variáveis que você roda em instrumentos numéricos.
O que é eficácia e qual é um valor aceitável?

Eficácia é a parcela de peças que um avaliador classifica corretamente em todas as tentativas, ou seja, cada julgamento repetido desse avaliador sobre uma peça bate com a referência. A orientação comum da AIAG lê o número como um semáforo: 90% ou mais é aceitável, de 80% a 90% é marginal e pode precisar de melhoria, e abaixo de 80% é inaceitável. Todo avaliador deve passar do limite, não só a média, então esta ferramenta baseia o veredito no avaliador mais fraco.
Qual é a diferença entre a taxa de perda e a taxa de alarme falso?

Uma perda é chamar de boa uma peça que na verdade é ruim: um item reprovado na referência julgado como aprovado. Um alarme falso é chamar de ruim uma peça que na verdade é boa: um item aprovado na referência julgado como reprovado. A taxa de perda é o número de perdas dividido por todas as oportunidades com referência reprovada, e a taxa de alarme falso é o número de alarmes falsos dividido por todas as oportunidades com referência aprovada. A perda costuma ser o erro mais caro porque uma peça não conforme escapa, então a diretriz da AIAG é mais apertada para perdas (faixas de 2% e 5%) do que para alarmes falsos (faixas de 5% e 10%).
O que é kappa e qual valor é bom?

O kappa mede a concordância corrigida pela concordância que você esperaria por acaso, em uma escala em que 1 é perfeito e 0 não é melhor que chutar. Esta ferramenta informa o kappa de Cohen de cada avaliador em relação à referência, agrupando todas as tentativas. A regra amplamente citada, dada no manual da AIAG, é que um kappa de 0,75 ou mais indica concordância boa a excelente, e abaixo de 0,40 é fraca. É uma verificação cruzada útil da eficácia porque leva em conta quantas peças boas e ruins havia no estudo.
O que significam concordância intra-avaliador, entre avaliadores e em relação à referência?

A concordância intra-avaliador pergunta se um avaliador repete o próprio julgamento sobre uma peça entre as tentativas (consistência). A concordância entre avaliadores pergunta se todos os avaliadores dão o mesmo julgamento sobre uma peça (reprodutibilidade entre pessoas). A concordância em relação à referência pergunta se os julgamentos batem com a resposta correta conhecida (eficácia, ou exatidão). Um avaliador pode ser perfeitamente consistente e ainda assim errar, então você precisa das três, e a eficácia em relação à referência é a que decide se a inspeção é confiável.
Quantas peças, avaliadores e tentativas devo usar?

Um estudo de atributos comum da AIAG usa 3 avaliadores, cerca de 50 peças e 3 tentativas cada. Escolha peças que cubram a decisão: inclua peças claramente boas, peças claramente ruins e uma boa quantidade perto do limite entre aceitar e rejeitar, porque é nas peças limítrofes que os inspetores discordam. Estudos pequenos rodam mais rápido, mas dão um kappa grosseiro e instável. Trate um resultado com 10 peças como uma triagem e use mais peças, concentradas perto do limite, em um estudo no qual você vai se basear.

Esta calculadora aplica o método de concordância por atributos do AIAG MSA aos julgamentos que você informa e reporta eficácia, taxas de perda e de alarme falso, concordância intra-avaliador e entre avaliadores, e o kappa de Cohen. Ela não substitui o manual Measurement Systems Analysis da AIAG e não é o seu sistema da qualidade. Trate o resultado como uma estimativa de trabalho e valide-o contra o seu procedimento de MSA documentado antes de agir com base nele.

Calculadora de Gage R&R (variáveis) Calculadora de tendência e linearidade Modelo gratuito de Gage R&R em Excel Software de calibração ISO/IEC 17025 Compare softwares de calibração Todas as ferramentas

Leve a lista de preparação para auditoria com você

A lista de verificação que os auditores percorrem de trás para frente e usam de verdade. Depois, quatro e-mails curtos e práticos. Sem spam, cancele com um clique.

Mantenha o estudo junto do registro

O Axiospec mantém cada calibração, leitura e certificado em um registro com detecção de adulteração, feito para a ISO/IEC 17025.

Começar

Tem uma lista de instrumentos? Envie para nós e carregamos tudo para você, normalmente em alguns dias úteis. Grátis em todos os planos.