IA e histograma: ler a distribuição sem terceirizar a conclusão

IA e histograma é uma combinação que funciona melhor do que se espera na descrição e pior do que se espera na conclusão. O modelo monta a tabela de frequência, sugere o número de classes, calcula Cp e Cpk e escreve o comentário técnico. Depois nomeia a causa da forma, e é aí que o texto deixa de valer.

A média diz onde o processo ficou. O histograma diz como ele se comportou. Dois processos com a mesma média podem ter formas opostas, e a forma é o que abre hipótese sobre o que está acontecendo. Colar os dados no chat e receber essa leitura pronta economiza tempo real.

O problema é específico e previsível. Diante de uma distribuição com dois picos, o modelo diz que bimodalidade indica dois turnos. Ele diz isso porque é o exemplo mais comum dos livros, não porque observou o seu processo. A frase acerta às vezes e chega sempre com a mesma segurança.

Este artigo percorre o que a IA faz bem, as formas que mais enganam e a escolha do número de classes. Depois vêm o tamanho mínimo de amostra, o erro de rodar histograma em processo fora de controle e a verificação de Cp e Cpk. Termina no prompt e no protocolo.

O conjunto de dados do exemplo foi montado para este artigo e todos os valores foram calculados em Python: as 120 medidas, a tabela de frequência, média, desvio-padrão, Cp, Cpk e os estratos. O anel usinado, os dois dispositivos de fixação e a inspeção que removeu 31 peças são ilustrativos. Mostram a mecânica da leitura crítica, não um caso de empresa real.

A média diz onde, o histograma diz como

O relatório informa diâmetro médio de 24,95 mm, com especificação de 24,80 a 25,20 mm. A média está dentro. A reunião segue em frente e ninguém pergunta mais nada, porque o número fechou.

A média apaga a informação mais útil de um conjunto de medidas: o formato da distribuição. Dois processos com a mesma média podem ter comportamentos opostos. Um concentra tudo perto do centro. O outro produz metade das peças perto de cada extremo e nenhuma no meio.

O histograma existe para devolver essa informação. Ele mostra onde as medidas se acumulam, quanto se espalham, se há um pico ou dois, se a cauda cai suave ou termina num corte seco. É a diferença entre saber o resultado e enxergar o comportamento.

• Média igual, dispersão diferente. Processo apertado e processo bagunçado fecham no mesmo valor.
• Média igual, forma diferente. Um pico e dois picos afastados devolvem a mesma média.
• Média dentro, peça fora. A média não conta quantas unidades passaram do limite.

Assunto de IA e histograma começa aqui, porque a promessa mais vendida é justamente esta: colar os dados no chat e receber a leitura da distribuição pronta, em português, sem precisar montar gráfico nenhum.

O que o modelo faz bem nessa tarefa

Recusar a ferramenta em bloco é desperdício. Existe um conjunto de tarefas em que o modelo rende de verdade, e todas elas têm a mesma característica: são cálculo, descrição ou redação sobre dados que você forneceu.

As linhas de cima valem o tempo que economizam. A última estraga tudo, e vem embalada junto com as outras, no mesmo parágrafo e com a mesma segurança.

A armadilha: a IA nomeia a causa sem conhecer o processo

Cole trinta medidas de um processo qualquer que formem dois picos e peça a leitura. A resposta vai dizer que a distribuição é bimodal e vai emendar, quase sempre na mesma frase, que bimodalidade costuma indicar dois turnos, duas máquinas ou dois operadores.

Essa emenda não veio da sua fábrica. Veio de milhares de textos didáticos em que a bimodalidade aparece exatamente com esse exemplo, porque é o exemplo mais fácil de explicar em sala. O modelo está reproduzindo a literatura, não observando o seu processo.

A frase acerta com frequência razoável, porque dois turnos é mesmo uma causa comum. Mas acertar por frequência da literatura não é acertar por evidência, e as duas versões chegam idênticas na tela.

Quando a frase entra no relatório sem verificação, a equipe vai investigar turno. Se a causa real for outra, o tempo gasto foi desperdiçado e a confiança no método também. O mesmo padrão aparece em qualquer aplicação de IA na gestão da qualidade: a forma é lida bem, a causa é inventada bem.

Forma sugere hipótese, nunca conclusão

A regra que organiza todo o resto é curta. A forma do histograma é um gerador de hipóteses de qualidade excelente e um péssimo emissor de veredito. Ela diz onde olhar. Não diz o que você vai encontrar quando olhar.

Repare que a terceira coluna sempre exige alguém sair do texto e ir buscar dado, registro ou o próprio local. Nenhuma das verificações pode ser feita dentro do chat. O modelo sabe listar a segunda coluna e não tem como executar a terceira.

A distribuição truncada e o que ela quase sempre significa

Uma forma merece parágrafo próprio, porque é a mais mal interpretada e a mais fácil de detectar. É a distribuição que cai normalmente de um lado e termina abruptamente do outro, com frequência alta na última classe e zero logo depois.

Distribuição natural não termina assim. Quando a contagem é alta numa classe e cai direto para zero na seguinte, alguma coisa removeu os valores que deveriam estar ali.

1. Inspeção 100% separou as peças fora do limite antes de alguém registrar as medidas.
2. Quem montou a planilha apagou os valores que considerou erro de medição.
3. O instrumento não lê abaixo ou acima de certo valor e satura no extremo da escala.

A primeira é de longe a mais comum, e tem uma consequência que passa despercebida: a amostra que sobrou não é o processo, é o processo menos o que a inspeção retirou. Todo índice calculado em cima dela sai otimista.

A IA quase nunca levanta essa suspeita sozinha. Ela vê concentração na ponta e descreve isso como assimetria. Nada no texto avisa que houve filtragem, e ela não pergunta de onde veio a amostra.

A cauda longa e o pico colado na especificação

A cauda longa de um lado só é o sinal mais comum de processo que deriva. Ele começa centrado, alguma coisa muda devagar e as medidas escorregam para um lado, deixando um rastro de valores intermediários.

O teste é barato e não depende de modelo nenhum. Ordene as medidas por hora de coleta em vez de por valor. Se for deriva, a série mostra inclinação. Se não mostrar, a cauda tem outra origem, e aí vale olhar lote, fornecedor ou instrumento.

O pico colado na especificação é mais desconfortável, porque raramente fala do processo. Fala de quem mede. Concentração anormal exatamente no limite, ou logo dentro dele, é um indício confiável de medição condicionada pelo resultado esperado.

• Arredondamento sistemático. Quem mede aproxima para o valor que aprova.
• Retrabalho até passar. A peça é reajustada e só o valor final é registrado.
• Limite decorado. O inspetor sabe o número e o olho acompanha a expectativa.

Um modelo não propõe essa leitura, e a razão é simples: ela acusa pessoas. Quem levanta a hipótese de medição condicionada é sempre alguém que conhece a rotina do posto.

Número de classes: a escolha que muda o que se enxerga

A mesma base produz histogramas diferentes conforme a quantidade de classes. Não é detalhe estético: a escolha decide se um segundo pico aparece ou some, e essa é a única leitura que interessa em metade dos casos.

Duas regras resolvem a maioria dos casos. A raiz quadrada do número de medidas e a regra de Sturges, que é um mais 3,322 vezes o logaritmo de n na base dez. Para 120 medidas, a raiz dá 10,95 e Sturges dá 7,91.

Poucas classes escondem estrutura. Classes demais criam estrutura que não existe. A IA acerta ao sugerir o intervalo entre as duas regras e não tem como saber qual opção revela o comportamento real, porque isso depende do processo.

Vale testar duas ou três larguras antes de concluir. Se o segundo pico resiste em todas, é real. Se aparece só na versão com vinte classes, é ruído. No Excel esse teste leva menos de um minuto, como está descrito em histograma no Excel.

Um conjunto de dados para trabalhar em cima

O exemplo a seguir foi montado para este artigo e todos os números foram calculados em Python. Trata-se do diâmetro interno de um anel usinado, com especificação de 24,80 a 25,20 mm e valor nominal de 25,00 mm. A planilha entregue à análise tinha 120 medidas.

A tabela de frequência com oito classes de 0,05 mm, que é a sugestão de Sturges para 120 medidas, ficou assim.

As estatísticas das 120 medidas: média 24,9533 mm e desvio-padrão 0,1038 mm. O Cp é a tolerância de 0,40 mm dividida por seis desvios, ou seja, 0,64. O Cpk é o menor dos dois lados: 0,49 pelo inferior contra 0,79 pelo superior.

Guarde os quatro números. Eles estão aritmeticamente corretos e vão se revelar enganosos, que é o tipo de situação em que IA e histograma produzem um relatório bonito e uma decisão ruim.

A leitura apressada, que é a que o modelo devolve

Colando a tabela, as 120 medidas e os limites de especificação no chat, o texto que volta é organizado e correto em quase tudo. A substância dele cabe em quatro afirmações.

1. A distribuição é bimodal, com um pico em torno de 24,87 mm e outro em torno de 25,06 mm.
2. Bimodalidade tipicamente indica mistura de duas fontes, como dois turnos ou dois operadores.
3. Com Cp 0,64 e Cpk 0,49, o processo é incapaz e está deslocado para baixo do nominal.
4. Recomenda-se centralizar a média em 25,00 mm e reduzir a variação.

Os itens 1 e 3 estão certos. O item 2 é a literatura falando, não os seus dados. O item 4 é a recomendação padrão para Cpk baixo e, neste caso, é o conselho errado. Nada ali está mal escrito ou visivelmente absurdo.

O que faltou não é cálculo, é desconfiança.

A leitura correta, em três movimentos

O primeiro movimento é olhar a borda esquerda. A classe de 24,80 a 24,85 tem 19 peças, quase 16% do total, e a anterior tem zero. Cauda não cai de 19 para nada. Isso é corte.

Perguntando de onde veio a planilha, aparece o que faltava. Foram medidas 151 peças. A inspeção 100% separou 31 unidades abaixo de 24,80 mm e a planilha recebeu só as aprovadas. A amostra é sobrevivente, não é o processo.

Com as 31 de volta, a conta muda de patamar: média 24,9158 mm, desvio 0,1186 mm, Cp 0,56 e Cpk 0,33. E 20,5% da produção medida ficou abaixo do limite inferior, número que a planilha filtrada não deixava ver.

O segundo movimento é tratar os dois picos como pergunta. A causa nomeada foi turno, então o teste é estratificar por turno. Os picos não se separaram: turno A com média 24,9512 mm e turno B com 24,9553 mm, desvios praticamente iguais.

O terceiro movimento é continuar estratificando pelo que o registro oferece. Havia o número do dispositivo de fixação, e aí os picos se separaram limpo.

Aqui a recomendação do modelo vira pó. Cada dispositivo tem Cp acima de 1,5, ou seja, variação pequena. O problema é a diferença de 0,19 mm entre as duas fixações. A ação é alinhar o dispositivo, não reduzir variação que já está boa.

Por que a mesma conta deu conselhos opostos

Vale separar o que cada etapa acrescentou, porque o padrão se repete em quase toda análise assistida. A aritmética nunca esteve errada. Mudou o contexto que entrou antes da conta.

Nenhuma etapa exigiu técnica além do que cabe numa planilha. Exigiu perguntar de onde veio o dado e testar a causa antes de aceitá-la. É esse o trabalho que não se terceiriza.

Poucos dados enganam o modelo e enganam você

Histograma com amostra pequena é um gerador de formas aleatórias. A questão não é estatística fina, é visual: com poucas medidas o gráfico assume um formato qualquer, e o cérebro humano vê padrão em qualquer formato.

A demonstração usa os mesmos 120 valores do exemplo. Três subconjuntos de 20 medidas, sorteados e distribuídos nas mesmas oito classes, deram estas frequências.

São três desenhos tirados do mesmo conjunto de dados. Qualquer um deles, colado no chat, recebe leitura confiante e causa provável. Nenhuma das três diria algo verdadeiro, porque o desenho veio do sorteio e não do comportamento.

O modelo não percebe isso. Ele lê as frequências que recebeu e descreve a forma que elas desenham. Contagem baixa por classe não dispara alerta nenhum, do mesmo modo que acontece com IA aplicada a indicadores calculados sobre base pequena.

Quantas medidas antes de ler a forma

Os números de referência valem repetir. Abaixo de 30 medidas não se lê forma, lê-se ordem de grandeza. Entre 30 e 50 dá para ver assimetria grosseira. De 50 a 100 a forma começa a ser confiável. Acima de 100 dá para discutir bimodalidade.

Para capabilidade a exigência é maior, porque o índice é sensível ao desvio estimado. O intervalo de confiança de 95% do Cpk sai do próprio Cpk e do tamanho da amostra, e o resultado surpreende quem usa o índice como número fechado.

Com 20 medidas, um Cpk de 1,00 é compatível com um processo de 0,65 e com um de 1,35. São situações opostas sob o mesmo número. Nenhum modelo devolve essa faixa junto do índice, a menos que você peça.

A coleta precisa ser planejada, com período, frequência e critério definidos antes. Uma folha de verificação bem desenhada resolve, e resolve também o problema de saber depois de qual máquina, turno ou dispositivo veio cada medida.

Histograma em processo fora de controle não significa nada

Esse é o erro de sequência mais caro e o mais comum. Histograma é fotografia sem tempo. Ele empilha as medidas do período e descarta quando cada uma aconteceu, que é justamente o que diz se o processo é estável.

Um processo que derivou de 24,85 para 25,05 ao longo do mês produz histograma largo e talvez com dois picos. A mesma forma apareceria num processo estável com duas fontes distintas. As ações são diferentes e o histograma não distingue as situações.

Por isso a carta de controle vem antes. Ela preserva a ordem temporal e responde se as variações são de causa comum ou se houve causa especial. Sem estabilidade confirmada, o histograma descreve uma mistura de processos, e qualquer índice calculado sobre ele projeta um futuro que não vai acontecer.

1. Confirme estabilidade na carta de controle, com a ordem temporal preservada.
2. Trate as causas especiais que a carta apontar e colete de novo.
3. Só então monte o histograma para ler a forma da distribuição.
4. Só depois disso calcule Cp e Cpk, que pressupõem processo estável.

A IA não checa essa sequência. Peça a leitura e ela lê, sem perguntar se existe carta ou se as medidas estão em ordem cronológica. A pergunta que protege o projeto é a que ninguém faz. O encadeamento está em controle estatístico no Excel.

Cp e Cpk calculados pela IA e a verificação obrigatória

Cálculo de índice é onde o modelo parece mais seguro e onde o erro é mais silencioso. O problema está nas premissas embutidas, que não são ditas e nem sempre valem.

• Qual desvio-padrão ele usou. Cp usa a variação de curto prazo, e o desvio amostral simples costuma ser maior.
• Especificação unilateral. Com um só limite, Cp não existe e apenas um lado do Cpk faz sentido.
• Distribuição não normal. Os índices clássicos pressupõem normalidade e a bimodalidade invalida isso.
• Estabilidade não verificada. Processo instável não tem capabilidade a estimar.
• Amostra filtrada. Se a inspeção retirou peças, o índice sai otimista, como no exemplo deste artigo.

O exemplo violou duas dessas premissas ao mesmo tempo. A distribuição era bimodal, o que derruba a leitura de Cp como previsão de refugo, e a amostra estava filtrada, o que empurrou os dois índices para cima. Ainda assim os números voltaram com duas casas decimais e nenhuma ressalva.

A verificação mínima tem três passos. Recalcule média e desvio numa planilha sua. Confira o Cpk pelo lado mais próximo do limite. E pergunte qual premissa foi assumida, porque a resposta costuma informar mais que o índice. O conceito está em capabilidade do processo e a conferência fica mais rápida com uma planilha de capabilidade montada uma vez.

Mandar a imagem do histograma é pior que mandar os dados

Uma prática que se espalhou: tirar print do gráfico e pedir ao modelo que interprete a imagem. É conveniente e é a versão mais frágil de usar IA e histograma.

Ao ler imagem, o modelo estima altura de barra por aparência. Ele não tem a contagem, tem o desenho. Diferenças de duas ou três unidades entre classes vizinhas somem. O eixo pode estar truncado e os limites de especificação podem não estar desenhados.

A leitura de imagem serve para uma coisa só: descrição grosseira da forma quando faltam os dados. Para qualquer número, mande a tabela de frequência.

Há um agravante. Diante de uma imagem ambígua, o modelo preenche a lacuna com o histograma mais típico daquele tipo de gráfico. Você recebe a leitura de um histograma parecido com o seu, apresentada como se fosse o seu.

O prompt que funciona e o que não funciona

A diferença entre um pedido útil e um inútil não está na formulação elegante. Está em quanto dado real entrou antes da pergunta e em qual papel o modelo foi autorizado a exercer.

1. Dê os valores brutos ou a tabela de frequência completa, não um resumo.
2. Informe os limites de especificação e o valor nominal, com unidade.
3. Diga quantas peças foram medidas ao todo e se alguma foi removida antes.
4. Informe se existe carta de controle e se o processo está estável.
5. Peça o cálculo mostrando a fórmula usada e o desvio-padrão adotado.
6. Peça a descrição da forma e a lista de hipóteses que ela abre, com o teste de cada uma.
7. Proíba explicitamente que ele afirme qual é a causa.

O pedido que não funciona é reconhecível de longe. "Analise este histograma e diga a causa da variação" devolve texto de manual com a cara do seu processo. "Este processo é capaz?" devolve índice sem premissa declarada.

O teste que resolve na hora é o de sempre. Se o seu pedido pudesse ter sido escrito por alguém que nunca viu essa linha, a resposta vale o que vale a opinião de quem nunca viu essa linha.

O protocolo de uso

Em ordem de execução, o que aplicar quando a leitura do histograma vai virar decisão com custo. A maior parte do protocolo é anterior ao chat.

1. Confirme estabilidade na carta de controle antes de montar qualquer histograma.
2. Registre quantas peças foram medidas e quantas saíram da planilha, e por quê.
3. Garanta pelo menos 50 medidas para ler forma e 100 para discutir capabilidade.
4. Monte o histograma com duas ou três larguras de classe e veja o que resiste.
5. Use o modelo para calcular, tabular e descrever, com os dados brutos colados.
6. Trate toda causa que ele nomear como hipótese não verificada, sem exceção.
7. Teste cada hipótese por estratificação, usando os campos que o registro já tem.
8. Recalcule média, desvio, Cp e Cpk na sua planilha antes de levar a número nenhum adiante.
9. Escreva você a frase que diz qual é a causa.

No método DMAIC isso acontece entre Medir e Analisar, e a fronteira é a mesma discutida em IA na fase Analisar. A máquina acelera a parte descritiva. Ela não participa da eliminação de hipóteses, que é onde a análise acontece.

O ganho honesto é esse. Montar tabela de frequência, sugerir classes, calcular índices e redigir o comentário técnico ocupa um tempo que some quando a ferramenta entra. Em diagrama de Pareto o padrão se repete igual.

A leitura pragmática sobre IA e histograma é curta. O modelo lê a forma bem e nomeia a causa mal, e as duas coisas saem com a mesma fluência. Quem trata a forma como hipótese ganha velocidade real, e é assim que se usa IA na melhoria contínua sem trocar análise por texto bem escrito.