CEQ - Pg.

PONTIFCIA UNIVERSIDADE CATLICA DO RIO GRANDE DO SUL

Faculdade de Matemtica Departamento de Estatstica
CONTROLE ESTATSTICO DA QUALIDADE
Prof. Hlio Radke Bittencourt

Site: www.pucrs.br/famat/helio Email: heliorb@pucrs.br

Contedo
0. Reviso
0.1 Reviso de Estatstica Descritiva
0.2 Reviso de Estatstica Inferencial
1. Introduo a Estatstica na Qualidade
1.1 Viso da disciplina e aspectos histricos
1.2 Conceitos de Qualidade
2. As Sete Ferramentas Estatsticas
3. Introduo ao CEP
3.1 Filosofia e Tcnica
3.2 Controle Estatstico do Processo
4. Grficos de Controle
4.1 Grficos de Controle para Variveis
4.2 Grfico de Controle para Atributos
5. Capacidade do Processo
5.1 Conceitos bsicos
5.2 ndices de Capacidade de Processo
7. Aceitao por Amostragem
7.1 Planos de amostragem nica para atributos
7.2 Planos de amostragem dupla para atributos
7.3 Planos de amostragem mltipla
7.4 Planos de amostragem seqencial
7.5 Normas Militares de Inspeo (MIL STD 105)
8. Tcnicas avanadas de CEP
8.1 Grfico Cusum
8.2 Grfico Cusum tabular

CONTROLE ESTATSTICO DA QUALIDADE

Sobre a disciplina:
O livro-base ser Introduo ao Controle Estatstico da Qualidade de Douglas Montgomery. Os principais
softwares sero o MINITAB e o Excel. No livro citado encontramos as seguintes definies:
Qualidade significa adequao ao uso.
Qualidade inversamente proporcional variabilidade.
Um produto de qualidade deve atender as especificaes.
Melhoria da Qualidade a reduo da variabilidade nos processos e produtos.

CEQ - Pg.

0. Reviso
Nesta disciplina utilizaremos conhecimentos de Estatstica Descritiva, Probabilidade, Amostragem
e Estatstica Inferencial ou seja faremos uso de quase tudo que foi visto nas cadeiras
anteriores. Iniciaremos por uma reviso aplicada a situaes que envolvam Engenharia de
Produo.

0.1. Reviso de tpicos importantes de Estatstica Descritiva

Exerccio 1
Suponha um automvel. Vamos listar uma srie de variveis/atributos que esto relacionadas s
escolhas do consumidor no momento da compra e classific-las.

Exerccio 2
Considere o seguinte exemplo onde a especificao ou valor nominal=250g. Temos trs amostras
n=5, uma para cada mquina.
Pesos em gramas
Mquina A

248,0

249,0

250,0

251,0

252,0

Mquina B

250,0

250,5

249,5

250,0

250,0

Mquina C

245,0

255,0

252,0

250,0

248,0

Se o objetivo verificar se os produtos produzidos nas trs mquinas atendem as especificaes, o que
podemos fazer?
Como determinar qual a melhor mquina?

Exerccio 3
Suponha a seguinte seqncia temporal relativa viscosidade de um leo
Dia 0
100

Dia 15
99

Dia 30
98

Dia 45
97

O que podemos dizer da viscosidade em funo do tempo?

Dia 60
80

Dia 75
40

CEQ - Pg.

Exerccio 4
Separatrizes (Mediana, Quartis, Percentis). Utilidade e interpretao.

Trabalho 1
Realizar uma anlise descritiva e grfica do arquivo fornecido pelo professor.
Parte I Descrever o que aconteceu neste Lote. Qual a melhor mquina A ou B?
Parte II Seqncia temporal. O que est acontecendo com a produo desta empresa?
Faa tudo que voc conseguir para descrever e resumir da melhor forma possvel toda a
informao disponvel.

0.2 Reviso de tpicos de Probabilidade

Exerccio 5
Suponha que conhecido que 3% da produo de uma empresa defeituosa. Uma amostra
aleatria de n=4 itens produzidos por esta empresa revelou x unidades defeituosas.
a) Escreva o espao amostral considerando que cada item pode ser defeituoso (D) ou nodefeituoso (ND).
b) Defina X= nmero de peas defeituosas e construa a funo de probabilidade de X.
c) Qual modelo descreve o comportamento de X considerando produo constante (infinita)?
d) Qual modelo probabilstico descreve o comportamento de X se considerarmos um lote de
apenas 35 itens.

CEQ - Pg.

Exerccio 6
Suponha que o peso das latas enchidas por uma mquina siga uma distribuio
Uniforme no Intervalo de 240g at 260g.
a) Como fica o modelo que descreve X=peso em gramas?
b) Qual o valor esperado e a varincia de X.
Exerccio 7
Suponha que o peso das latas enchidas por uma mquina siga uma distribuio
Normal com mdia de 255g e desvio-padro de 5g.
a) Grafique o modelo Normal respeitando a relao da mdia + desviopadro.
b) Qual a probabilidade de uma lata pesar entre 250g e 260g?
c) Qual a probabilidade de uma lata pesar menos de 260g?
d) Qual a probabilidade de uma lata pesar mais de 260g?
e) Qual a probabilidade de uma lata pesar menos de 262g?

Exerccio 8
Duas mquinas produzem o mesmo tipo de fio. A mquina A gera fios com
espessura mdia de 20mm com desvio-padro de 1mm. A mquina B gera fio
com espessura mdia de 19mm e desvio-padro de 1,5mm.
Se voc verifica que uma pea tem mais de 22mm, mais provvel que ela
tenha sido produzida pela mquina A ou pela mquina B?

0.3 Reviso de tpicos de Estatstica Inferencial

Parmetros e Estimadores
Principais parmetros e estimadores
Parmetros

Estimadores

Mdia populacional

Mdia amostral

Desvio-padro populacional

Proporo populacional
p ou

Desvio-padro amostral
s
Proporo amostral

CEQ - Pg.

Teorema do limite central

Seja x1 , ..., xn , n variveis aleatrias independentes e identicamente distribudas com mdia e
desvio-padro .

X1 + X2 + ... + Xn =

~ Normal (n ; n 2 )

Este resultado pode ser utilizado para comprender o comportamento probabilstico da mdia
n

amostral

X =

x
i =1

. Logo,

X =

x
i =1

~ Normal ;

A distribuio t de Student
O matemtico ingls Gosset fez estudos que colaboraram muito para a rea de inferncia
estatstica. Ele estudou o comportamento probabilstico de X e props um nova distribuio,
denominada t.
J sabemos que se X ~ Normal (;), ento

Z=

~ Normal (0;1). Podemos utilizar este

conhecimento para o caso da estatstica X :

n

Se

X =

x
i =1

X
~ Normal ;
, ento
~ Z . O empecilho para utilizar esta
n
/ n

expresso em situaes prticas est no desconhecimento de . Gosset props uma modificao

que depende apenas do conhecimento de uma estimativa de , criando a distribuio t de
Student que depende do tamanho da amostra selecionada (n):

X
s/ n

~ t n 1 (tabelada, com mdia 0)

Exerccio 9
Suponha um processo industrial que apresenta tempo mdio e desvio-padro . Uma amostra
de n=81 observaes levou a um tempo mdio de 124s com um desvio-padro de 12s.
a) Infira sobre por meio de um intervalo de confiana 95%.
b) Se aumentamos a confiana para 99% de confiana, o que acontece com o intervalo de
confiana?
c) O que acontece quando n>120?

CEQ - Pg.

Exerccio 10
Com base na amostra n=121 teste a hiptese de que a mdia do processo de, no mximo, 2
minutos. Use 95% de confiana (ou, equivalentemente, 5% de significncia)
a) Infira sobre por meio de um teste de hipteses bilateral
b) Comente sobre os erros que podemos estar cometendo.
c) Faa uma curva do Erro Tipo II () em funo da distncia entre e o.

Exerccio 11
Suponha que devido a escassez de um determinado produto no mercado voc tolere uma taxa
de 7,5% de defeitos. Numa amostra de 30 peas extradas de um populao muito grande,a
partir de qual quantidade de peas defeituosas voc toleraria que a proporo de defeituosas
possa ser de 7,5%.
x
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

P(X=x)
9,64%
23,46%
27,58%
20,87%
11,42%
4,82%
1,63%
0,45%
0,11%
0,02%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

P(X<=7,5%)
9,64%
33,10%
60,68%
81,55%
92,97%
97,79%
99,42%
99,87%
99,97%
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%

x
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

P(X=x)
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

P(X<=7,5%)
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%
100,00%

a) Realize um teste de hipteses unilateral utilizando a distribuio Binomial.

b) Comente sobre os erros tipo I e II na viso do comprador do lote e do vendedor.

CEQ - Pg.

1. Introduo a Estatstica na Qualidade

O livro-base ser Introduo ao Controle Estatstico da Qualidade de Douglas Montgomery. Este
autor atualmente professor de Engenharia Industrial da Arizona State University. Ele Mestre e
Doutor em Engenharia pelo Virginia Polytechnic Institut. Tem 12 livros publicados na rea de
Estatstica.

1.1 Viso da disciplina e Aspectos histricos

Mtodos estatsticos na resoluo de problemas para melhorar a qualidade de produtos ou
servios utilizados pela sociedade.
Esta disciplina engloba tpicos estudados nas demais disciplinas do curso: Estatstica Descritiva
e Estatstica Inferencial. H tambm interface com as disciplinas de Planejamento de
Experimentos e Anlise Multivariada.

Estatstica Descritiva
Estatstica Inferencial
CEP

Melhoria da Qualidade

Amostragem
Probabilidade

Linha de tempo
Antes de 1875...
O trabalho era basicamente desempenhado por camponeses e artesos. Com a revoluo industrial houve
drstica mudana na maneira de viver das populaes dos pases que se industrializaram. As cidades
atraram os camponeses e artesos, e se tornaram cada vez maiores e mais importantes.

Principais avanos da maquinofatura durante a chamada Revoluo Industrial (Sculo XVIII):

Em 1733, John Kay inventa a lanadeira volante, inveno utilizada para tecer e que liberava uma das mos do
operador.
Em 1740, Benjamin Huntsman (fabricante de relgios ingls) desenvolve um processo mecnico de produzir
ao muito superior aos demais (processo crucible).
Em 1767 James Hargreaves inventa a spinning jenny, mquina que permitia a um s arteso fiar 80 fios de
uma nica vez.
Em 1768 James Watt inventa a mquina a vapor.
Em 1769 Richard Arkwright inventa a water frame, uma mquina movida gua utilizada na indstria txtil.
Em 1779 Samuel Crompton inventa a mula giratria, uma combinao da water frame com a spinning
jenny com fios finos e resistentes.
Em 1785 Edmond Cartwright inventa o tear mecnico.

CEQ - Pg.

Principais Eventos na Histria do Controle de Qualidade

Ano
1875
1900 - 1930

1907 - 1908
1908
1920 - 1929
1922 - 1923
1924
1931
1932 - 1933
1938

Fato
Taylor introduz os princpios do gerenciamento cientficos para dividir o trabalho em
unidades menores, mais facilmente realizadas.
Henry Ford introduz a linha de montagem com maior refinamento dos mtodos de trabalho
para melhorar a produtividade e a qualidade. Ele desenvolveu conceitos de erro-prova de
montagem, auto-inspeo, inspeo durante o processo.
AT&T inicia inspeo e o teste sistemtico de produtos e materiais.
Gosset (Student) introduz a distribuio t como resultado oriundo de seu trabalho em
controle de qualidade na centenria Cervejaria Guiness.
AT&T e Bell formam um Departamento de Qualidade. NA GE (Inglaterra), Dudding usa
mtodos estatsticos para controlar a qualidade de lmpadas.
R. A Fisher publica uma srie de artigos sobre Planejamento de Experimentos e suas
aplicaes Agricultura.
Shewhart introduz o conceito de grficos de controle num documento da Bell.
Shewhart publica obra sobre mtodos estatsticos para uso na produo de grficos de
controle.
A Indstria txtil e Qumica da Alemanha comea a usar experimentos planejados no
desenvolvimento de produtos/processos.
Walter Deming convida Shewhart para apresentar seminaries sobre grficos de controle na

US Department of Agriculture Graduate School

1940
1940-1943
1942 - 1946
1946 - 1949
1950
Anos 50

1960

O US War Department publica um guia para o uso de grficos de controle.

A Bell desenvolve os precursores dos planos militares por amostragem-padro.
Formam-se na Amrica do Norte mais de 15 sociedades de qualidade e cursos de
treinamento passam a ser mais freqentes.
Deming convidado a ministrar seminrios sobre controle estatstico de qualidade na
indstria japonesa.
Mtodos estatsticos de controle de qualidade comeam a ser ensinados em todo o Japo.
Ishikawa introduz o diagrama de causa-e-efeito.
Surgem textos clssicos: Grant e Duncan (CEQ); Feigenbaun (Qualidade Total); Box e Wilson
(Planejamento de Experimentos orientado indstria); Juran e Gryna (Manual de Controle
da Qualidade); Page (Grfico de controle da soma cumulativa); Roberts (mdia mvel
exponencialmente ponderada)
Lanamento da Revista Technometrics.
Box e Hunter (Experimentos Fatoriais)

Anos 60
Anos 70

Cursos sobre CEQ tornam-se tornam-se presentes em currculos de Engenharia Industrial.

Surge a Associao Britnica da Qualidade
Surgem livros sobre Planejamento de Experimentos orientados indstria.

Anos 80

Mtodos de planejamento de experimentos so introduzidos e adotados num grande nmero

de organizaes. Nos EUA aparecem os trabalhos do Prof Tagushi.
A American Statistical Association estabelece um comit para Qualidade e Produtividade.
Surge a revista Quality Engineering
EM 1989 comea a iniciativa denominada seis-sigma da Motorola.
Crescem as certificaes (ISO9000)
Muitos programas de graduao e ps-graduao ministram disciplinas de Controle de
Qualidade e tcnicas estatsticas visando a melhoria dos processos.
A abordagem seis-sigma se espalha para outras indstrias.

Anos 90

CEQ - Pg.

1.2 Conceitos de Qualidade

O conceito de Qualidade um tanto subjetivo. A maior parte das pessoas tem uma compreenso
conceitual de qualidade como de algo relacionado a uma ou mais caractersticas desejveis que
um produto ou servio deve ter.
Garvin (1987) publicou na revista Harvard Business Review uma listagem de OITO componentes
ou dimenses da qualidade:
1. Desempenho (o produto realiza a tarefa pretendida?);
2. Confiabilidade (qual a freqncia de falhas do produto?);
3. Durabilidade (quanto tempo o produto durar?)
4. Assistncia Tcnica (facilidade para consertar o produto)
5. Esttica (qual a aparncia do produto);
6. Caractersticas (o que o produto faz?);
7. Qualidade percebida (qual a reputao da companhia ou de seu produto?)
8. Conformidade com Especificaes (o produto feito como o projetista pretendia?)
Exerccio:
Em sua opinio, quais dimenses permitem diferenciar estes produtos:
Televisor CCE X Televisor Sony
Perfume O Boticrio X Perfume Dior
Automvel GM Corsa X Automvel Renault Clio

Parmetros ou Caractersticas da Qualidade

Todos os produtos possuem um nmero de elementos que, em conjunto, descrevem o que o
consumidor entende como qualidade. Esses parmetros geralmente so chamados de
caractersticas da qualidade, podendo ser subdivididas em :
1. Fsicas: comprimento, largura, peso
2. Sensoriais: gosto, aparncia, cor
3. Orientao temporal: confiabilidade, durabilidade, praticidade.

Terminologia e algumas siglas

Existe um conjunto de termos tcnicos em Controle da Qualidade que precisa ser dominado:

Atributos: se refere a uma classificao em categorias (variveis qualitativas ou categricas).

Exemplos:

Variveis: caracterstica expressa de forma numrica respeitando uma mtrica (variveis

quantitativas ou mtricas).
Exemplos:

CEQ - Pg. 10

Especificao: corresponde a fase inicial de um ciclo de Controle de Qualidade. Significa aquilo

que desejado. Os limites (inferiores e superiores de especificao) correspondem aos valores
mximos (ou mnimos) permitidos para uma caracterstica da qualidade.

Valor-nominal ou Valor-alvo: uma medida que corresponde ao valor desejado para uma
caracterstica de qualidade.

Tolerncia: se refere a faixa de variao admissvel para uma dimenso.

Produto no-conforme (ou fora do padro): um produto que no corresponde a uma ou mais
especificaes.

Produto defeituoso: produto que apresenta um ou mais no conformidades srias o bastante

para afetar a utilizao do produto.

Mtodos Estatsticos para o Controle da Qualidade

Estudaremos, basicamente, trs reas principais com o objetivo de melhorar a qualidade de um
produto ou servio:
Controle Estatstico de Processos (CEP);
Aceitao por amostragem;
Planejamento de Experimentos (em menor grau).
Um grfico de controle uma ferramenta do CEP e serve para monitoramento de
caractersticas importantes envolvidas no processo produtivo. Um experimento planejado
pode ser muito til na descoberta de variveis que afetam caractersticas de qualidade de
interesse no processo. Neste tpico existe uma grande gama de delineamentos e tcnicas que
podem ser utilizados (blocos casualizados, experimentos fracionrios, ...). Aceitao por
amostragem definida como a inspeo e a classificao de uma amostra de unidades
selecionadas aleatoriamente de um conjunto maior. A deciso se d, geralmente, em dois
pontos: na entrada de matrias-primas ou componentes e na produo final.
Personalidades no CEQ
De acordo com Montgomery (2004, p.12) muitas pessoas contriburam n area da metodologia
estatstica para melhoria da qualidade, entretanto, em termos de implementao e filosofia de
gerenciamento, se destacam trs lderes:

Dr. W. Edwards Deming Durante a 2a Guerra Mundial (1939-1945) Deming

trabalhou para o Departamento de Guerra e para o Bureau do Censo norte-americano. Aps a
guerra, tornou-se consultor das indstrias japonesas e convenceu a alta direo das mesmas do
poder dos mtodos estatsticos e da importncia da qualidade.A filosofia de Deming pode ser
resumida em 14 pontos:
1. Crie uma constncia de propsitos para a melhoria dos produtos e servios. Uma viso
organizacional deve guiar a cultura corporativa e fornecer uma meta para a organizao.
Tal viso equipa a organizao com uma perspectiva de longo prazo. Mea o compromisso
do gerenciamento e os marcos de excelncia da situao da organizao em relao s
outras.
2. Adote a nova filosofia. O gerenciamento do ocidente deve despertar para o desafio e assumir
um novo papel de liderana. A Revoluo na Qualidade a mesma na economia de

CEQ - Pg. 11

3.

4.

5.

6.

7.

8.

9.

10.

11.

importao como na Revoluo Industrial. Ela concomitante com a globalizao da

economia.
Cesse a dependncia da inspeo para alcanar a Qualidade. Introduza modernas
ferramentas da qualidade, tais como o controle estatstico de processo, operaes
evolucionrias, projetos de experimentos e o desdobramento da funo Qualidade. A
inspeo somente mede um problema, e no permite qualquer correo dele.
Freqentemente se diz que ningum pode "inspecionar em Qualidade".
Minimize o custo total trabalhando com um nico fornecedor - acabe com a prtica de
realizar negcios baseados somente nos preos. No premie cegamente negcios baseados
na baixa oferta. Ao invs disso, minimize o custo global. Mova-se diretamente para um
nico fornecedor em cada item estabelecendo um relacionamento de longo prazo, baseado
na confiana e na verdade. Os programas de certificao de fornecedores e a anlise de
custo do ciclo de vida possuem um papel preponderante aqui.
Melhore constante e continuamente cada processo. Fixar apenas os problemas no deixlos mais se distanciar. Melhore constantemente a qualidade e a produtividade; em
conseqncia os custos diminuiro com a mesma freqncia. Previna-se dos defefitos e
aperfeioe os processos. No apague incndios - isto no uma melhora na qualidade,
um gerenciamento pela crise. Melhoria requer mecanismos de realimentao dos clientes e
fornecedores.
Institua o treinamento na tarefa. O treinamento se aplica a todos os nveis da organizaao,
do mais baixo ao mais alto. No deixe de observar a possibilidade de que os melhores
instrutores podem ser os prprios empregados.
Adote e institua a liderana. Liderana emana de conhecimento, percia e habilidade
interpessoais, e no do nvel de autoridade. Cada um pode e deve ser um lder. As
qualidades da liderana no so mais mistrios distantes e inatos - elas podem ser
aprendidas. Os lderes removem as barreiras que impedem as pessoas e as mquinas de
atingirem o timo.
Jogue fora o receio. Os receios avanam com a insegurana da liderana que depende das
regras de trabalho, autoridade, punio e de uma cultura corporativa baseada na
competio interna - graduando-se sobre uma curva que no tem lugar dentro de um
negcio. O receio pode tambm vir do abuso emocional e fsico dos colegas e supervisores
O receio apaga a criatividade, a qual a mquina para a melhoria da qualidade. Esse
receio pode ser eliminado por meio da identificao e superao das falhas na
comunicao, na cultura e no treinamento. Fatores sistmicos podem tambm promover o
gerenciamento por receios, tais como avaliao do desempenho, programas de premiao
e cotas de trabalho.
Quebre as barreiras ente as reas. Todos devem trabalhar em equipe, trabalhando
diretamente para o bem da equipe de trabalho que conceito imperativo no
gerenciamento moderno. Novas estruturas organizacionais podem ser necessrias. Virar a
estrutura organizacional de cabea para baixo uma experincia espantosa, mas que pode
muito bem ser requerida para alcanar a harmonia e a perspectiva apropriada.
Elimine slogans, exortaes e cartazes para a fora de trabalho. Os programas ou campanhas
que comandam uma tarefa deixando o trabalhador sem poder para alcanar o objetivo,
constituem um gerenciamento por receios.
Elimine cotas numricas para a fora de trabalho e objetivos numricos para o
gerenciamento. Elimine o gerenciamento por objetivos ou, mais precisamente, o
gerenciamento por nmeros. Substitua as lideranas. Cotas numricas desconsideram as
noes estatsticas, as quais causam impactos em todos os trabalhadores. Nem todos os
trabalhadores podem estar acima da mdia; nem todos podem estar abaixo. A tradicional
prtica da engenharia industrial o "gerenciamento por nmeros" e isto precisamente
aquilo a que Deming se refere. Opere com medidas bem trabalhadas num certo estgio do
desenvolvimento industrial, uma vez que a sociedade e o trabalho tm se desenvolvido a
partir disso. Hoje as cotas de trabalho impem um limite na qualidade e na produo, em

CEQ - Pg. 12

vez de um objetivo. As variaes naturais so ignoradas nesses sistemas, e as

preocupaes nicas com nmeros tomam precedncia sobre todos os outros interesses
nos negcios.
12. Remova as barreiras que roubam das pessoas a satisfao no trabalho. Elimine o sistema
anual de classificao. Remova as barreiras que roubam do trabalhador as suas horas de
satisfao no trabalho. A responsabilidade dos supervisores deve ser alterada em relao
ao volume e linha de produo para a qualidade. Remover as barreiras significa abolir a
classificao anual ou por mrito e o gerenciamento por objetivo.
13. Institua um vigoroso programa de educao e auto melhoria para todos. O treinamento
fornece uma mudana imediata no comportamento. Os resultados da educao podem no
se manifestar imediatamente, mas podem apresentar os seus efeitos a longo prazo. A auto
melhoria uma tarefa de educao e auto desenvolvimento. Isto pode significar o
oferecimento de cursos em gerenciamento do tempo, reduo do estresse, permisso aos
empregados para que exeram atividades fsicas na hora do expediente caso tenham um
trabalho sedentrio e, para os que executam trabalhos braais, participao em tarefas de
desafios mentais ou em processos educacionais.
14. Coloque todos na companhia para trabalhar acompanhando a transformao. O compromisso
da alta gerncia colocar todos na empresa para que trabalhem acompanhando a
transfomao. A transformao trabalho de todos.

Dr. Joseph Juran um dos criadores do controle estatstico da qualidade. Trabalhou

para Shewart na AT&T Bell Laboratories. co-autor do Quality Control Handbook, uma
referncia padro para mtodos de controle de qualidade.

Dr. Armand Feigenbaum o pioneiro em introduzir o conceito de controle da

qualidade para toda a empresa. Sua obra Controle da Qualidade Total data de 1951,
tendo influenciado ,muitos dos princpios da gerncia da qualidade no Japo no incio
dos anos 50. Muitas companhias usaram o nome Controle da Qualidade Total para
descrever seus esforos. De acordo com Montgomery (2004, p.14) o Dr. Feigenbaum se
preocupa mais com a estrtutura organizacional e com uma abordagem de sistemas para
a melhoria da qualidade, do que com mtodos estatsticos.

Padres e Registro da Qualidade

A International Standards Organization ISO desenvolveu uma srie de padres
internacionalmente utilizados. A ISO uma organizao no governamental presente em cerca
de 120 pases. Esta organizao foi fundada em 1947 em Genebra, e sua funo promover a
normalizao de produtos e servios, utilizando determinadas normas, para que a qualidade dos
produtos seja sempre melhorada. No Brasil, o rgo que representa a ISO chama-se ABNT
(Associao Brasileira de Normas Tcnicas) A ISO 9000 um modelo de padronizao. O selo
que as empresas recebem se iniciam a partir da ISO 9001 em diante.
A srie ISO 9000 um conjunto de normas que formam um modelo de gesto da qualidade para
organizaes que podem, se desejarem, certificar seus sistemas de gesto atravs de organismos
de certificao. Foi elaborada atravs de um consenso internacional sobre as prticas que uma
empresa pode tomar a fim de atender plenamente os requisitos de qualidade do cliente. A ISO
9000 no fixa metas a serem atingidas pelas empresas a serem certificadas, a prpria empresa
quem estabelece as metas a serem atingidas.
Grande parte do foco do ISO9000 se concentra na documentao formal do sistema de
qualidade. exatamente esta documentao o ponto mais difcil para uma organizao receber a
certificao.

CEQ - Pg. 13

Seis Sigma (Montgomery, pg 16)

O 6-Sigma consiste na aplicao de mtodos estatsticos a processos empresariais, orientada pela
meta de eliminar defeitos. A maioria das empresas opera no nvel 3-Sigma, o que equivale a um
nmero esperado de 2700 partes por milho (ppm) de oportunidades de haver defeitos.
A Motorola foi a pioneira na dcada de 80. O conceito consiste em diminuir a variabilidade de
forma que os limites de especificao estejam a seis desvios-padro da mdia, assim torna-se
muito difcil ocorrer um valor fora destes limites, mesmo que a mdio do processo de desloque
para direita ou esquerda.
Tarefa:
Utilizando o Excel, encontrar qual a probabilidade de encontrar um valor dentro de + k.

Supondo que a mdia seja :

P( < X < + ) =
P( 2 < X < + 2 ) =

P( 3
P( 4
P( 5
P( 6

<X
<X
<X
<X

< + 3 ) =
< + 4 ) =
< + 5 ) =
< + 6 ) =

Supondo que a mdia seja deslocada em +1,5:

P( < X < + ) =
P( 2 < X < + 2 ) =

P( 3
P( 4
P( 5
P( 6

<X
<X
<X
<X

< + 3 ) =
< + 4 ) =
< + 5 ) =
< + 6 ) =

O 6-Sigma aproveita uma srie de mtodos comprovados e treina um pequeno grupo de lderes
internos, conhecidos como black-belts, at que atinjam alto ivel de proficincia na aplicao de
tais tcnicas. Com certeza, alguns dos mtodos utilizados pelos black-belts so altamente
avanados, o que inclui o uso de tecnologia moderna de informtica.
Contudo, as ferramentas so aplicadas dentro de um modelo simples de melhoria de
desempenho conhecido pela sigla DMAIC, ou Define - Measure - Analyze - Improve -Control
(Definir - Mensurar - Analisar - Incrementar - Controlar).

CEQ - Pg. 14

2. As Sete Ferramentas Estatsticas

De acordo com Montgomery (2004, p. 95), um produto que atende s exigncias
do cliente deve ser capaz de operar com pequena variabilidade em torno dos
valores nominais das caractersticas de qualidade do produto. O CEP engloba
uma grande quantidade de mtodos que auxiliam no cumprimento desta tarefa.
As principais ferramentas do CEP so:
1) Histograma ou Ramo-e-folha;
2) Folha de verificao ou Folha de controle;
3) Diagrama de causa-e-efeito;
4) Grfico de Pareto;
5) Fluxograma;
6) Diagrama de disperso;
7) Grfico de controle.
Falaremos brevemente sobre cada uma delas, entretanto
abordado mais especificamente no captulo 4.

o tpico 7 ser

1) Histograma ou Ramo-e-folha
1.1

Histograma um grico que resume a informao presente em um

conjunto de dados. A natureza do Histograma possibilita-nos ver padres
que, dificilmente seriam vistos na simples tabela de dados.

1.2

Ramo-e-folha uma espcie de Histograma, mas com maior quantidade

de informao pois o valor numrico das observaes preservado.

TAREFA: Encontrar padres nos Histogramas do arquivo Sete Ferramentas.SAV

2) Folha de Verificao
um formulrio de coleta de dados, simplificado, onde o registro e anlise de
das pode ser realizado de forma simples e rpida. A folha de verificao pode ser
utilizada para vrios propsitos, mas sua principal caracterstica tornar fcil a
compilao dos dados.

CEQ - Pg. 15

Exemplo 1 Folha de Verificao de preenchimentos de formulrios

Tipo de problema
Quantidade
Sem nome
Sem assinatura
Faltando informao
Atrasado
Outros

XXXX
XX
XXXXXXXXXXXX
XX
X
Total

4
2
12
2
1
21

Exemplo 2 Folha de Verificao por localizao

Neste tipo de folha de verificao os defeitos so assinalados em um desenho.
Por exemplo, os defeitos em uma mquina copiadora ou uma impressora podem
ser assinalados em uma folha onde consta a fotografia da mquina. Ao final de
um certo perodo de tempo os resultados so organizados.

3) Diagrama de causa-e-efeito
O diagrama de causa-e-efeito batizado por Juran como Diagrama de Ishikawa
e tambm conhecido como espinha de peixe ou artes de poisson representa
graficamente o relacionamento entre algum efeito e todas as causas e subcausas
possveis. O diagrama tem a seguinte forma geral:

Dicas para construir um bom diagrama de causa-e-efeito:

1)
2)
3)
4)
5)

Definir uma caracterstica de Qualidade do produto ou servio;

Faze um brainstorming de causas potenciais deste efeito;
Identificar as principais categorias relacionadas as causas;
Desenhar um diagrama de causa-e-efeito;
Associar as causas e subcausas as suas categorias.

TAREFA: Construir um diagrama de causa-e-efeito para um produto ou servio a

sua escolha.

CEQ - Pg. 16

4) Grfico de Pareto
O diagrama de Pareto um tipo especial de grfico de colunas onde a freqncia
de ocorrncia de categorias listada em ordem decrescente acompanhada de
uma barra contendo a freqncia acumulada. Vejamos um exemplo:
Causas do
problema
A
B
C
D
E
Total

Freqncia
(fi)
100
70
60
20
10
260

%
(fri)

% Acumulado
(Fri)

TAREFA: Construa um diagrama de Pareto no Excel utilizando estes dados.

Interprete.

O diagrama de Pareto uma tcnica que separa os poucos problemas vitais dos
muitos triviais, indicando quais so aqueles que devem ser prioritariamente
solucionados.
5) Fluxograma
O fluxograma uma forma de representao das sequncia de etapas que
compem um processo. Suas partes so:

Entradas / Sadas : as entradas so materiais, informaes ou aes que iniciam

o processo. As sadas so os resultados do processo (produtos, relatrios,
servios).

Flecha: indica a direo do fluxo

Retngulo: indica os passos que realizam operaes no processo

Losango: ponto de tomada de decises;

CEQ - Pg. 17

Crculo: Delay ou espera. Lugar no processo onde a ao temporariamente

suspensa.

Loops: caminhos que indicam se o processo segue ou deve voltar.

Exemplo: Monitoramento Cardaco

6) Diagrama de disperso
Possibilidade visualizar a relao entre duas variveis quantitativas. Por exemplo,
o nmero de erros de uma digitadora pode estar relacionado com a quantidade
de rudo; o nmero de vezes que uma mquina tranca por dia poed estar
relacionado com a temperatura, etc. Em um grfico de disperso padro, a
caracterstica de qualidade deve estar no eixo Y (var dependente) e a possvel
causa deve estar no eixo X (var independente).
Vejamos alguns tipos de relacionamentos:

CEQ - Pg. 18

Tipos de correlao entre variveis:

Correlao direta

Correlao inversa

Correlao nula

Correlao no-linear

Correlao no-linear
(2)

Varincia no
constante

TAREFA: Construir grficos de disperso entre o indicador de qualidade e algumas das

caractersticas do produto.

7) Grficos de controle
Ser abordado mais frente.

CEQ - Pg. 19

3. Introduo ao CEP
3.1 Filosofia e Tcnica
No Captulo 2 vimos que as sete ferramentas estatsticas so uma parte
importante do CEP. Entretanto, Montgomery (2004, p. 95) salienta que elas
englobam apenas os aspectos tcnicos do CEP.
Para entender os conceitos que formam a base do CEP temos que,
primeiramente, entender a teoria da variabilidade de Shewhart.
3.1.1 Causas aleatrias e atribuveis da variao da qualidade
Montgomery (2004, p. 96) diz que em qualquer processo de produo uma certa
quantidade de variabilidade sempre existir (este um axioma no CEP). Essa
variabilidade natural ou rudo de fundo o efeito cumulativo de muitas causas
pequenas, essencialmente inevitveis. Diz-se que um processo que opera apenas com
as causas aleatrias de variao est sob controle estatstico.
Outros tipos de variabilidade podem, ocasionalmente, estar presentes na sada do
processo. Geralmente estes tipos de variabilidade se devem a uma das seguintes fontes:
1) __________________________
2) __________________________
3) __________________________
As variabilidades devidas a estas fontes so, geralmente, muito maiores do que o rudo

de fundo e so conhecidas como causas atribuveis. Um processo que opera na

presena de causas atribuveis est fora de controle.
Os processos de produo podem operar longo tempo sob controle, produzindo itens
aceitveis, entretanto, quase que certamente, causas atribuveis ocorrero de maneira
aparentemente aleatria, resultando em um deslocamento para um estado fora de
controle.
Exemplo Deslocamento para o campus da PUCRS
Causas no-atribuveis ou rudo de fundo
Causas atribuveis

CEQ - Pg. 20

3.2 Controle Estatstico do Processo

O principal objetivo do CEP detectar rapidamente a ocorrncia de causas atribuves, de
modo que a investigao do processo e a ao corretiva possam ser realizadas antes
que muitas unidades no-conformes sejam fabricadas. De uma forma geral, o que se
busca com o CEP a eliminao da variabilidade no processo, mesmo que isso
seja teoricamente impossvel.

No prximo captulo veremos a principal ferramenta do CEP: os grficos de controle.

CEQ - Pg. 21

4. Grficos de Controle
Neste captulo veremos duas classes de grficos de controle, organizados de acordo com
o tipo de caracterstica da qualidade que estamos mensurando: temos os grficos de
controle para variveis e os grficos de controle para atributos.

Grfico de controle clssico

A escolha dos limites de controle

Trata-se de uma deciso muito importante que deve ser tomada no
planejamento de um grfico de controle.
Ao afastarmos os limites de controle da linha central, diminumos o risco de erro
tipo I, mas aumentamos a probabilidade de erro tipo II.
Erro tipo I
Erro tipo II

Tabela dos erros

Realidade
Deciso
Aceito Ho

Ho Verdadeira

Ho Falsa

Ok

Erro II
Dizer que est controlado,
quando no est

Ok

1- : Confiana
Rejeito Ho

Erro I
Dizer que est fora de
controle, quando est
controlado

1- : Poder

CEQ - Pg. 22

Exemplo Caracterstica de Qualidade com Mdia =74 e desvio =0,01

Ho : = 74

Ha : 74

Encontrar a regra de deciso (Aceitao/Rejeio de Ho) em funo do X para n=5.

Depois, construir no Excel curvas caractersticas de operao (CCO) da probabilidade de
ACEITAR Ho quando Ho falsa em funo do n. verdade que, quando aumentamos os
limites diminumos a probabilidade de erro tipo I, mas aumentamos a probabilidade de
erro tipo II?

4.1 Grfico de Controle para Variveis (Montgomery, p. 129)

J vimos que na rea de qualidade, uma caracterstica medida numa escala
numrica chamada de varivel. Veremos trs tipos de grficos de controle: os
grficos X R , X S e o grfico individual.
Ao monitorarmos uma caracterstica de qualidade devemos monitorar tanto a sua
mdia como a sua variabilidade. O controle da mdia usualmente feito pelo
grfico de controle para mdias, ou grfico X e a variabilidade do processo
pode ser monitorada tanto pelo desvio-padro s como pela amplitude R.

4.1.1 Grfico de controle X R

Quando temos uma seqncia de m amostras aleatrias de tamanho n constante
cada, as seguintes estatsticas sero utilizadas para definir as linhas centrais dos
grficos de controle:

X =

O grfico de X R se baseia na distribuio amostral de uma estatstica

conhecida como amplitude relativa. Portanto, primeiramente vamos entender o
comportamento probabilstico dela:
R

~ W onde E(W)=d2

CEQ - Pg. 23

Portanto, como a mdia de W d2 podemos utilizar como estimador de a

seguinte expresso:

R
d2

O valor de d2 depende do tamanho da amostra. Ns faremos um exemplo no

Excel (Distribuio_W.XLS) para entender isso.

Os limites do grfico X para os usuais 3-sigma so:

LSC = X +

d2 n

R = X + A2 R

LC = X
LIC = X

d2 n

R = X A2 R

A estatstica R tem um desvio-padro R conhecido, e que ser estimado por:

R=

d3
R
d2

Conseqentemente, os limites de controle ficaro unicamente funo das

constantes tabeladas e de R :
LSC = R + 3 R = R + 3

d3
R = D4 R
d2

LC = R

LIC = R 3 R = R 3

d3
R = D3 R
d2

CEQ - Pg. 24

Exerccio Construir no Excel/Minitab um grfico X R no arquivo Montgomery_p133.XLS

Amostra

xi1

xi2

xi3

xi4

xi5

74,030

74,002

74,019

73,992

74,008

73,995

73,992

74,001

74,011

74,004

73,988

74,024

74,021

74,005

74,002

74,002

73,996

73,993

74,015

74,009

73,992

74,007

74,015

73,989

74,014

74,009

73,994

73,997

73,985

73,993

73,995

74,006

73,994

74,000

74,005

73,985

74,003

73,993

74,015

73,988

74,008

73,995

74,009

74,005

74,004

10

73,998

74,000

73,990

74,007

73,995

11

73,994

73,998

73,994

73,995

73,990

12

74,004

74,000

74,007

74,000

73,996

13

73,983

74,002

73,998

73,997

74,012

14

74,006

73,967

73,994

74,000

73,984

15

74,012

74,014

73,998

73,999

74,007

16

74,000

73,984

74,005

73,998

73,996

17

73,994

74,012

73,986

74,005

74,007

18

74,006

74,010

74,018

74,003

74,000

19

73,984

74,002

74,003

74,005

73,997

20

74,000

74,010

74,013

74,020

74,003

21

73,988

74,001

74,009

74,005

73,996

22

74,004

73,999

73,990

74,006

74,009

23

74,010

73,989

73,990

74,009

74,014

24

74,015

74,008

73,993

74,000

74,010

25

73,982

73,984

73,995

74,017

74,013

Xbar-R Chart of xi1; ...; xi5

U C L=74,01444
Sample M ean

74,01
_
_
X=74,00118

74,00

73,99
LC L=73,98791
1

11

13
Sample

15

17

19

21

23

25

U C L=0,04863

Sample Range

0,048
0,036

_
R=0,02300

0,024
0,012
0,000

LC L=0
1

11

13
Sample

15

17

19

21

23

25

CEQ - Pg. 25

Exerccio Construir no Excel / Minitab um grfico X R no arquivo Nivaldo1.XLS

Os dados se referem a 10 amostras com n=5 cada tomadas de hora em hora. O objetivo saber
se o processo est centrado no alvo =5,60.
Amostra
1
2
3
4
5
6
7
8
9
10

xi1
5,60
5,90
5,52
5,60
5,55
5,39
5,79
5,67
5,51
5,66

xi2
5,50
5,58
5,66
5,76
5,68
5,65
5,61
5,59
5,51
5,64

xi3
5,58
5,61
5,68
5,55
5,65
5,63
5,59
5,59
5,65
5,61

xi4
5,48
5,59
5,59
5,58
5,45
5,57
5,70
5,75
5,55
5,66

xi5
5,70
5,44
5,38
5,57
5,68
5,61
5,51
5,48
5,63
5,56

Estimando a capacidade do processo

A capacidade de um processo pode ser estimada por meio da comparao entre
os limites de controle do intervalo e as especificaes. Processos capazes
apresentam ndices de capacidade superiores a 1:
Cp =

LSC LIC
6

No caso de estimarmos o valor de (situao mais comum), vamos colocar um

chapu como indicao:

LSC LIC
C p =
6

Para o grfico X R o desvio-padro estimado por =

R
.
d2

No exemplo anterior, qual a capacidade do processo supondo especificaes de

74,05 e 73,95?

CEQ - Pg. 26

Construindo grficos de controle

Utilizaremos o arquivo Aula_11Set.XLS para construo de grficos de controle.
Ser feita uma seleo em sala de aula para eleger os participantes.

Identificando padres em grficos de controle

Nestes grficos identificaremos alguns padres que podem ocorrer:
Padro cclico:
Padro de mistura:
Deslocamento da mdia:

4.1.2 Grfico de controle X S

Quando o tamanho da amostra moderadamente grande n 10, estimar a
variabilidade atravs da amplitude se torna ineficiente, por isso utilizamos o
desvio padro para cada amostra. Este grfico tambm monitora a variabilidade
entre os grupos e deve ser utilizado em conjunto com o grfico s.
Sabe-se que s um estimador viciado para , mas este vcio pode ser corrigido
utilizando-se os valores da constante c4 tabelada. O estimador S / c 4 no
viciado para .
TAREFA: Mostrar que S / c 4 um bom estimador de .

Temos os seguintes limites para o grfico X com os usuais 3-sigma:

Limites Superior de Controle :

LSC = X + 3 X =

Linha Central:

LC = x

Limites Inferior de Controle :

LIC = X 3 X =

CEQ - Pg. 27

As seguintes frmulas so mais simples para o clculo dos limites do grfico X .

Limites Superior de Controle :
Linha Central:
Limites Inferior de Controle :

LSC = x + A3 s
LC = x
LIC = x - A3 s

Agora vejamos o grfico para o desvio-padro S.

Esse grfico monitora a variabilidade dentro dos subgrupos, devendo ser
utilizado em conjunto com o grfico X . Para construir o grfico s necessrio
calcular o desvio-padro para cada um dos k subgrupos, da seguinte forma:
ni

( x j X i )2
j =1
e depois calcular a mdia dos desvios nos m subgrupos:
ni 1

si =

s=

O desvio-padro da estatstica s tambm funo da constante c4. Sabe-se que

ele igual a 1 c42 .

TAREFA: Mostrar que

S
1 c 42 um bom estimador para o desvio-padro de S.
c4

CEQ - Pg. 28

Ao estimarmos por S / c 4 os limites do grfico s com os usuaisu 3-sigma ficam:

Limites Superior de Controle :

LSC = S + 3

Linha Central:

LC = S

Limites Inferior de Controle :

LIC = S 3

S
1 c 42 = B4 S
c4
S
1 c 42 = B3 S
c4

Exerccio Umidade do fumo (em %)

Os dados do quadro abaixo se referem a 15 subgrupos de tamanho 10,
coletados em diferentes espaos de tempo. A caracterstica monitorada foi o %
de umidade de fumo.
Subgrupo
(i)

10

11,9

11,7

12,1

12,4

12,4

12,3

12,5

12,4

12,5

12,7

11,9

12,7

12,3

11,8

11,8

12,6

12,2

11,7

11,9

11,1

12,8

11,8

11,9

11,7

12,6

12,4

12,8

13,1

10,9

12,8

13,1

12,1

12,2

12,0

11,5

11,3

11,4

11,6

10,9

11,4

13,1

13,0

13,2

13,1

13,5

12,5

12,6

12,4

12,0

12,5

11,7

12,5

12,1

11,6

12,1

11,9

12,3

11,7

11,9

11,6

11,9

11,7

11,8

12,0

12,7

12,6

12,8

12,7

12,1

13,0

12,1

10,9

11,8

11,9

12,0

12,1

12,3

12,5

11,8

13,1

13,0

10,9

12,4

12,9

11,8

11,9

12,1

12,3

11,9

12,9

10

13,0

10,5

12,5

13,3

12,3

12,5

12,4

12,6

12,3

12,8

11

12,0

12,0

12,0

12,0

12,5

11,5

12,3

12,2

12,2

12,7

12

11,3

12,1

12,1

12,5

12,3

12,4

12,2

11,8

13,4

12,4

13

11,2

11,0

11,8

12,1

12,7

13,0

13,1

13,1

13,1

13,9

14

12,1

10,1

11,4

12,0

10,5

11,6

11,7

12,1

12,1

12,6

15

13,5

10,2

12,6

13,9

12,4

12,8

12,3

13,1

12,6

13,4

Mdia

Desvio

CEQ - Pg. 29

Sample Mean

Xbar/S Chart for C1-C10

12,9
12,7
12,5
12,3
12,1
11,9
11,7
11,5

Subgroup

UCL=12,79

Mean=12,22

LCL=11,64

1
0

10

15

Sample StDev

1,0

0,5

UCL=1,014

S=0,5907

LCL=0,1676
0,0

TEST 1. One point more than 3,00 sigmas from center line.

CEQ - Pg. 30

Exerccio Dimetro de peas (cm) - I

Os dados do quadro abaixo se referem a 25 subgrupos de tamanho 8, coletados
em diferentes espaos de tempo. A caracterstica monitorada foi o dimetro
(cm).
Amostra

Medidas

Mdia

20,728

20,608

20,969

20,853

20,126

20,830

20,070

20,330

20,332

20,380

20,386

20,128

20,465

20,812

20,652

20,247

20,359

20,856

20,872

20,973

20,156

20,361

20,842

20,531

20,383

20,429

20,302

20,326

20,804

20,321

20,817

20,131

20,040

20,244

20,147

20,621

20,789

20,465

20,146

20,154

20,516

20,361

20,239

20,453

20,216

20,468

20,910

20,456

20,536

20,205

20,579

20,349

20,205

20,716

20,429

20,601

20,138

20,127

20,347

20,272

20,164

20,141

20,383

20,407

20,956

20,295

20,116

20,950

20,617

20,861

20,146

20,337

10

20,415

20,108

20,151

20,610

20,210

20,530

20,668

20,929

11

20,513

20,492

20,280

20,830

20,595

20,272

20,597

20,594

12

20,774

20,587

20,212

20,392

20,015

20,879

20,967

20,681

13

20,691

20,876

20,205

20,935

20,276

20,346

20,458

20,099

14

20,729

20,100

20,178

20,619

20,511

20,210

20,940

20,712

15

20,339

20,852

20,704

20,342

20,023

20,855

20,104

20,413

16

20,399

20,488

20,359

20,746

20,199

20,418

20,166

20,104

17

20,930

20,215

20,630

20,882

20,705

20,791

20,206

20,653

18

20,656

20,931

20,767

20,479

20,625

20,309

20,842

20,850

19

20,797

20,911

20,447

20,131

20,482

20,645

20,535

20,680

20

20,723

20,608

20,247

20,756

20,263

20,982

20,221

20,382

21

20,532

20,795

20,577

20,158

20,987

20,040

20,433

20,478

22

20,586

20,450

20,516

20,668

20,371

20,760

20,463

20,978

23

20,318

20,917

20,075

20,156

20,093

20,312

20,796

20,542

24

20,294

20,918

20,669

20,636

20,801

20,305

20,515

20,707

25

20,914

20,896

20,775

20,880

20,083

20,725

20,789

20,756

Desvio

CEQ - Pg. 31

Exerccio Dimetro de peas (cm) - II

Os dados do quadro abaixo se referem a 25 subgrupos de tamanho 8, coletados
em diferentes espaos de tempo. A caracterstica monitorada foi o dimetro
(cm).

Amostra

Medidas

Mdia

21,500

20,209

20,525

20,851

20,961

20,447

20,612

19,407

20,880

21,500

20,300

20,021

20,880

20,759

20,421

18,639

20,369

20,088

21,500

20,861

20,950

20,278

20,677

20,229

20,027

20,488

20,655

21,500

20,239

20,681

20,750

19,172

20,506

20,752

20,899

20,492

21,500

20,765

20,954

16,740

20,752

20,894

20,738

20,954

20,845

21,500

20,567

17,366

20,545

20,061

20,813

20,133

20,354

20,214

21,500

20,004

20,603

20,545

20,898

20,110

20,798

20,430

20,980

17,612

20,462

20,865

20,172

20,183

20,622

20,948

21,500

19,528

10

20,782

20,365

20,051

20,384

20,074

21,500

20,135

20,333

11

20,973

20,281

20,115

20,496

21,500

20,798

20,672

19,341

12

20,236

20,704

20,410

21,500

20,106

20,317

20,486

20,745

13

20,486

20,681

21,500

20,845

20,437

20,893

20,542

18,504

14

20,465

21,500

20,640

20,589

20,504

20,311

20,551

19,440

15

21,500

20,312

20,037

20,499

20,739

20,862

20,863

18,820

16

20,318

21,500

20,878

20,201

20,780

20,044

20,036

19,123

17

20,661

20,850

21,500

20,285

20,207

20,739

20,857

19,917

18

20,158

20,842

20,135

21,500

20,628

20,250

20,136

21,807

19

20,296

20,950

20,165

20,733

21,500

20,253

20,944

19,791

20

20,196

20,740

20,770

20,738

20,662

21,500

20,703

18,875

21

20,321

20,958

20,953

20,407

20,587

20,030

21,500

19,244

22

20,941

20,940

20,212

20,750

20,383

20,876

20,500

20,190

23

20,825

20,777

20,825

20,546

20,889

20,434

21,500

17,412

24

20,278

20,180

20,780

20,912

20,472

21,500

20,777

19,949

25

20,383

20,848

20,245

20,068

21,500

20,835

20,613

21,324

Desvio

CEQ - Pg. 32

4.1.3 Grfico de Shewhart para medidas individuais

Em algumas situaes prticas torna-se invivel coletar mais do que uma
observao para compor uma amostra, ou seja, trabalha-se com uma amostra
composta por uma nica observao (n=1), tornando impossvel a construo
dos grficos X S ou X R .
Exemplos de algumas situaes onde isto ocorre:
Taxa de produo muito lenta, sendo inconveniente acumular mais de
uma observao para amostra.
Medidas repetidas do processo s diferem devido a erros nos
instrumentos de medio. Isso ocorre em muitos processos qumicos.
Em situaes onde a variabilidade do processo varia muito pouco em
longos intervalos de tempo.
Para construo do grficos individual recorreremos a mesma forma de estimar o
desvio-padro j utilizada no grfico X R .

R
d2

A amplitude R estimada a partir do clculo da mdia da amplitude mvel (MR)

obtida em m-1 amostras. Vejamos:

MRi = xi xi 1
MR =

para i=2,3,..., m

MR

m 1

Limites de controle para a mdia:

LSC = X + 3

MR
d2

LC = X

LIC = X 3

MR
d2

Limites de controle para a Amplitude:

LSC = B4 MR

LC = MR

LIC = B3 MR

CEQ - Pg. 33

Exemplo Viscosidade da tinta base para avies (Montgomery, p. 155)

i

xi

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

33,75
33,05
34,00
33,81
33,46
34,02
33,68
33,27
33,49
33,20
33,62
33,00
33,54
33,12
33,84

MRi

MR =

CEQ - Pg. 34

4.2 Grfico de Controle para Atributos (Montgomery, p. 177)

Atributos so caractersticas de qualidade que no podem ser representadas
numericamente. Cada item inspecionado verificado e classificado em
categorias. Geralmente, a terminao conforme/no-conforme ou defeituoso/
no-defeituoso utilizada nestes casos:
Produto no-conforme (ou fora do padro): um produto que no corresponde a uma ou mais
especificaes.

Produto defeituoso: produto que apresenta um ou mais no conformidades srias o bastante

para afetar a utilizao do produto.

4.2.1 Grfico p para a proporo de no-conformes

A frao de no-conformes definida como a soma de todas as peas noconformes encontradas dividida pelo total de peas investigadas. Supondo que
todos m subgrupos tenham o mesmo tamanho n :
p i =

Di
n

onde

i = 1,2,..., n

A mdia das propores encontradas dada por (para grupos com iguais ni):

p =

p
i

mn

Sabe-se que o nmero de peas defeituosas numa amostra de n elementos

segue uma distribuio Binomial (n ; p) onde p a verdadeira proporo de
peas defeituosas na produo. A Binomial pode ser aproximada
satisfatoriamente pela Normal.
Para n>30, a distribuio de
(p;

p pode ser aproximada pela distribuio Normal

p(1 p )
).
n

Exerccio Extraindo amostras aleatrias numa grande linha de produo

TAREFA: Criar uma populao com 10mil dados onde 500 so defeituosos e
D
estudar o comportamento do estimador p i = i em 100 amostras de tamanho
n

n=30, 60 e 120.

CEQ - Pg. 35

Os limites de controle do grfico para a proporo de no-conformes com os

tradicionais limites 3-sigma so dados por:

p (1 p )
LSC = p + 3

LC = p

p (1 p )
LIC = p 3
n

Exerccio Embalagens no conformes

Suco de laranja concentrado e congelado embalado em latas de papelo de 170g. Essas
embalagens so feitas com papelo enrolando-se e colocando-se um fundo de metal. Na
inspeo possvel verificar se a embalagem vai ou no vazar na juno entre o metal e o
papelo. Subgrupos de n=50 peas foram investigados e o nmero de embalagens noconformes foi
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

No de embalagens no-conformes Proporo de no-conformes

12
24%
15
30%
8
16%
10
20%
4
8%
7
14%
16
32%
9
18%
14
28%
10
20%
5
10%
6
12%
17
34%
12
24%
22
44%
8
16%
10
20%
5
10%
13
26%
11
22%
20
40%
18
36%
24
48%
15
30%
9
18%
12
24%
7
14%
13
26%
9
18%
6
12%

CEQ - Pg. 36

Exerccio Embalagens no conformes (aps regulagem)

Os dados a seguir foram obtidos aps a regulagem da mquina.
i
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54

No de embalagens no-conformes Proporo de no-conformes

9
18%
6
12%
12
24%
5
10%
6
12%
4
8%
6
12%
3
6%
7
14%
6
12%
2
4%
4
8%
3
6%
6
12%
5
10%
4
8%
8
16%
5
10%
6
12%
7
14%
5
10%
6
12%
3
6%
5
10%

Sobre o tamanho da amostra

Quando realizamos uma inspeo por amostragem temos que escolher o
tamanho da amostra n para inferirmos sobre a proporo de unidades noconformes p. Se p muito pequeno devemos escolher um n suficientemente
grande para termos uma alta probabilidade de encontrar ao menos uma unidade
no conforme na amostra. Em caso contrrio, podemos concluir que os limites
de controle so tais que uma nica unidade no-conforme na amostra j acusa
uma condio de processo fora de controle.

p( 1 p )
ICp99 ,73% = p 3

p( 1 p )
ICp( 1 )% = p z

CEQ - Pg. 37

Grfico p para a proporo de no-conformes com

TAMANHO AMOSTRAL VARIVEL
Quando o tamanho amostral varivel, os limites do grfico se alteram em cada
i Di
ponto. Para ilustrar considere que p =
a proporo de defeituosas no
ni
i

conjunto de amostras. Os limites sero alterados de acordo com o tamanho

amostral nii de cada amostra.
IC +3-Sigma para p =

v
p (1 p )
p3
ni

Exemplo Limites para o grfico p com tamanho amostral varivel

i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

ni
100
80
80
100
110
110
100
100
90
90
110
120
120
120
110
80
80
80
90
100
100
100
100
90
90
2450

Di
12
8
6
9
10
12
11
16
10
6
20
15
9
8
6
8
10
7
5
8
5
8
10
6
9
234

p chapu
i
0,1200
0,1000
0,0750
0,0900
0,0910
0,1090
0,1100
0,1600
0,1110
0,0670
0,1820
0,1250
0,0750
0,0670
0,0550
0,1000
0,1250
0,0880
0,0560
0,0800
0,0500
0,0800
0,1000
0,0670
0,1000
0,0960

Desviopadro
0,0295
0,0329
0,0329
0,0295
0,0281
0,0281
0,0295
0,0295
0,0311
0,0311
0,0281
0,0269
0,0269
0,0269
0,0281
0,0329
0,0329
0,0329
0,0311
0,0295
0,0295
0,0295
0,0295
0,0311
0,0311

LIC
0,0076
0,0000
0,0000
0,0076
0,0117
0,0117
0,0076
0,0076
0,0028
0,0028
0,0117
0,0153
0,0153
0,0153
0,0117
0,0000
0,0000
0,0000
0,0028
0,0076
0,0076
0,0076
0,0076
0,0028
0,0028

LSC
0,1844
0,1948
0,1948
0,1844
0,1803
0,1803
0,1844
0,1844
0,1892
0,1892
0,1803
0,1767
0,1767
0,1767
0,1803
0,1948
0,1948
0,1948
0,1892
0,1844
0,1844
0,1844
0,1844
0,1892
0,1892

No Minitab, apesar de aparecer os limites variveis os valores que so colocados

ao lado da linha so baseados no tamanho mdio amostral ni.

CEQ - Pg. 38

P Chart of C2
0,20
1

UCL=0,1885

Proportion

0,15

_
P=0,0955

0,10

0,05

LCL=0,0026

0,00
1

11

13 15
Sample

17

19

21

23

25

Tests performed with unequal sample sizes

4.2.1 Grfico de Controle Padronizado

Uma forma de evitar limites de controle varivel padronizando cada uma das
estimativas da proporo p i da seguinte forma:
Zi =

p i p
p (1 p )
ni

~ Normal-padro (Mdia = 0; Desvio=1)

Considerando limites de 3-sigma, 99,73% dos escores Zi devem ficar dentro dos
limites +3 para indicar um processo sob controle. Desta forma, os limites de
controle ficam em -3 e +3 com a linha central sendo o zero.

CEQ - Pg. 39

4.2.2 Grfico de Controle np

O grfico de controle np pode ser construdo diretamente a partir do grfico p. A
nica diferena que os limites de confiana so multiplicados pelo tamanho n.
Faamos um exemplo:
Tabela Nmero de no-conformidades em 100 peas de placas de circuito
impresso
Amostra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

No de no
conformes
21
24
16
12
15
5
28
20
31
25
20
24
16
19
10
17
13
22
18
39
30
24
16
19
17
15

p^
21,0%
24,0%
16,0%
12,0%
15,0%
5,0%
28,0%
20,0%
31,0%
25,0%
20,0%
24,0%
16,0%
19,0%
10,0%
17,0%
13,0%
22,0%
18,0%
39,0%
30,0%
24,0%
16,0%
19,0%
17,0%
15,0%

p = 19,85%

p (1 p )
LSC = p + 3
n

LC = p

p (1 p )
LIC = p 3
n

PARA ENCONTRAR OS LIMITES DO GRFICO np S MULTIPLICAR OS LIMITES

POR n.

CEQ - Pg. 40

Figura Grfico np

NP Chart for C1
1

Sample Count

40

UCL=31,81

30

20

NP=19,85

10

LCL=7,881
1

0
0

10

20

Sample Number

4.2.3 Grfico de Controle c (baseado na distribuio de Poisson)

Suponha que defeitos ou no conformidades ocorram em lotes de produtos (ou
amostras com n constante) segundo uma distribuio de Poisson. A
probabilidade de encontrarmos x defeituosas numa amostra de n unidades ser
dada por:
P ( X = x) =

e x
x!

x=0, 1, 2, 3 ....

Na rea de qualidade, o lambda substitudo por c (c>0):

P ( X = x) =

e c c x
x!

x=0, 1, 2, 3 .... E(X)=c

Var(X)=c

O parmetro c ser estimado diretamente pela mdia de unidades defeituosas

(ou no-conformes), denotada por c . Ateno: este procedimento s tem
sentido para amostras de tamanho constante.

LSC = c + 3 c

LC = c

LIC = c 3 c

CEQ - Pg. 41

Construir um grfico c para os dados da pgina 39.

C Chart for C1
1

40

Sample Count

UCL=33,22
30

20

C=19,85

10
LCL=6,484
1
0
0

10

20

Sample Number

No livro do Montgomery (pg 194), o primeiro ponto fora dos limites justificado por
erro de inspeo (inspetor novo) e o segundo ponto justificado por defeito na mquina
de solda. Quando as causas especiais so detectadas parece razovel excluir tais pontos
e refazer os limites de controle.
Aps fazer isso, adicione os pontos abaixo e refaa um grfico de controle com as 46
amostras.
Tabela Pontos adicionais para o exemplo do circuito impresso
Amostra
27
28

No de no conformes
16
18

p^
16,0%
18,0%

29
30
31

12
15
24

12,0%
15,0%
24,0%

32
33

21
28

21,0%
28,0%

34
35
36

20
25
19

20,0%
25,0%
19,0%

37
38
39

18
21
16

18,0%
21,0%
16,0%

40
41
42

22
19
12

22,0%
19,0%
12,0%

43
44
45

14
9
16

14,0%
9,0%
16,0%

46

21

21,0%

CEQ - Pg. 42

4.2.4 Grfico de Controle u (baseado na distribuio de Poisson)

Este grfico utilizado para monitorar o nmero de no conformidades por
unidade de inspeo.
Se considerarmos x = nmero de no-conformidades por unidade de inspeo,
ento u=nmero mdio de no conformidades por unidade ser dado por:

u=

x
n

Exemplo No conformidades em computadores pessoais (Montgomery, pg 198)

i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

u=

xi nmero de NC por
unidade
10
12
8
14
10
16
11
7
10
15
9
5
7
11
12
6
8
10
7
5

ni
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5

LSC = u + 3

ou
u
n

LC = u

LIC = u 3

u
n

u=

X
n

ui = mdia de NC por
unidade
2,0
2,4
1,6
2,8
2,0
3,2
2,2
1,4
2,0
3,0
1,8
1,0
1,4
2,2
2,4
1,2
1,6
2,0
1,4
1,0

onde m o nmero de amostras

CEQ - Pg. 43

U Chart for C1

Sample Count

UCL=3,794

U=1,93

LCL=0,06613

0
0

10

20

Sample Number

Exemplo No conformidades em automveis

xi nmero de NC por
ui = mdia de NC por
i
ni
unidade
unidade
1
8
12
1,5
2
8
16
2,0
3
8
5
0,6
4
8
6
0,8
5
8
5
0,6
6
8
8
1,0
7
8
6
0,8
8
8
7
0,9
9
8
21
2,6
10
8
9
1,1
11
8
10
1,3
12
8
12
1,5
13
8
8
1,0
14
8
9
1,1
15
8
11
1,4
16
8
12
1,5
17
8
9
1,1
18
8
8
1,0
19
8
5
0,6
20
8
6
0,8

CEQ - Pg. 44

5. Capacidade do Processo
5.1 Conceitos bsicos
Capacidade do processo se refere variabilidade inerente a um processo comparada s
especificaes ou exigncias para o produto. A capacidade do processo diz respeito a sua
uniformidade.
comum utilizar como medida da capacidade do processo
distribuio da caracterstica de qualidade do produto.

a disperso 6-sigma (+3 ) na

Alm dos ndices de capacidade, trs tcnicas so fundamentais na anlise de capacidade do

processo: histograma ou grfico de probabilidade, grficos de controle e experimentos
planejados.

Histograma Ferramenta para visualizao da capacidade de processos

CEQ - Pg. 45

O Grfico de probabilidade acumulada pode mostrar qual a distribuio mais apropriada

para modelagem do processo. Vejamos alguns grficos de probabilidade acumulada:

Normal Probability Plot for C1

ML Estimates - 95% CI

ML Estimates
Mean

99

263,06

StDev 33,3769

Percent

95
90

Goodness of Fit

80
70
60
50
40
30
20

AD*

0,923

10
5
1

150

250

350

Data
Exponential Probability Plot for C1
ML Estimates - 95% CI

ML Estimates
Mean

Goodness of Fit

99

Percent

263,060

AD*

98
97
95
90
80
70
60
50
30
10
0

1000

Data

2000

35,33

CEQ - Pg. 46

5.2 Alguns ndices de capacidade do processo

A forma mais simples de expressar a capacidade do processo utilizando o seguinte indicador,
que compara os limites das especificaes com o comprimento dos limites de controle.

LSE LIE
C p =
6
O ndice Cp admite uma interpretao prtica til:

1
100 informa a porcentagem da faixa de especificao utilizada pelo processo.
C
p

Existem casos em que no teremos limites superiores e inferiores de especificao, mas apenas
um deles. Nesses casos:

LSE
(para o caso de especificao superior)
C ps =
3

LIE
(para o caso de especificao inferior)
C pi =
3
O famoso ndice Cpk simplesmente o mnimo entre estes dois indicadores.

C pk = mn(C ps ; C pi )
A magnitude o Cpk em relao ao Cp uma medida direta do quo fora do centro o processo est
operando.

Exemplo Resistncia de garrafas

Arquivo GARRAFAS.MTB (Minitab)
STAT > Quality Tools > Capability Analysis > Normal
Obs.: Para estimar o desvio-padro overall diretamente pelo SIGMA desligar a opo Use unbiasing constants dentro do
boto Estimate.

Caso 1: Especificaes entre 160 e 360

Caso 2: Especificaes entre 220 e 420
Caso 3 Especificaes entre 50 e 500

CEQ - Pg. 47

Colocando o estimador s no lugar de obtemos os seguintes resultados:

Caso 1: Especificaes entre 160 e 360

ndice

Valor

C p
C ps
C pi
C pk
Caso 2: Especificaes entre 220 e 420

ndice

Valor

C p
C ps
C pi
C pk
Caso 3: Especificaes entre 50 e 500

ndice

Valor

C p
C ps
C
pi

C pk
Caso 1

50

100

Caso 2

150

200

250

300

350

400

450

500

550

50

100

Caso 3

150 200

250 300

350 400

450 500

550

De uma maneira geral, se C p = C pk o processo est centrado;

Se

C p > C pk o processo est descentrado.

50

100

150 200

250 300

350 400

450 500

550

CEQ - Pg. 48

IMPORTANTE!!!
Os ndices P e C do MINITAB
Process Capability of C1
LSL

USL

P rocess Data
LS L
160
Target
*
USL
360
S ample M ean
263,06
S ample N
100
S tD ev (Within)
31,9149
S tD ev (O v erall) 33,545

W ithin
Overall
P otential (Within) C apability
Cp
1,04
C PL
1,08
C PU
1,01
C pk
1,01
C C pk 1,04
O v erall C apability
Pp
PPL
PPU
P pk
C pm

180
O bserv ed P erformance
P P M < LS L 0,00
P P M > U S L 0,00
P P M Total
0,00

210

E xp. Within P erformance

P P M < LS L
620,66
P P M > U S L 1192,93
P P M Total
1813,59

240

270

300

330

0,99
1,02
0,96
0,96
*

360

Exp. O v erall P erformance

P P M < LS L 1062,12
P P M > U S L 1927,15
P P M Total
2989,27

Obs.: Para estimar o desvio-padro overall diretamente pelo SIGMA desligar a opo Use unbiasing constants dentro do
boto Estimate.

No Minitab, os ndices Cp (Potential - Within) so calculados atravs da estimativa MR / d 2 para

o desvio-padro. Os ndices Pp (Overall ) so obtidos diretamente com a estimativa do desviopadro amostral.

TAREFA: Na planilha GARRAFAS.MTW encontre a estimativa do desvio-padro via amplitude

mvel. Relembrando:

MRi = xi xi 1
MR =

para i=2,3,..., m

MR

m 1

CEQ - Pg. 49

Exerccio Resistncia das garrafas (mas com subgrupos)

i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

x1
265
268
197
267
346
300
280
250
265
260
200
276
221
334
265
280
261
250
278
257

x2
205
260
286
281
317
208
242
299
254
308
235
264
176
280
262
274
248
278
250
210

x3
263
234
274
265
242
187
260
258
281
235
246
269
248
265
271
253
260
254
265
280

x4
307
299
243
214
258
164
321
267
294
283
328
235
263
272
245
287
274
274
270
269

x5
220
215
231
318
276
271
228
293
223
277
296
290
231
283
301
258
337
275
298
251

Xi

Ri

Para os subgrupos acima, estimar o desvio-padro por

capacidade. Especificaes entre 160 e 360

R / d 2 e encontrar os ndices de

Para os subgrupos acima, estimar o desvio-padro por

capacidade. Especificaes entre 160 e 360

R / d 2 e encontrar os ndices de

CEQ - Pg. 50

No exerccio anterior (GARRAFAS.XLS), refaa os clculos dos ndices mas agora com
especificaes entre 220 e 300.

LSE LIE
C p =
6

LSE
C ps =
3

LIE
C pi =
3

Intervalo de Confiana para o ndice de Capacidade Cp

O valor de Cp encontrado no passa de uma estimativa pontual ( C p ), portanto ela est sujeita a
flutuaes. possvel estabelecer intervalos de confiana para os ndices Cp e Cpk. O primeiro
baseado na distribuio Qui-quadrado e o segundo na distribuio Normal-padro (Z).

Intervalo de confiana para o ndice Cp

12 / 2;n 1 2 / 2;n 1

IC C p (1 )% = C p
; Cp
n 1
n 1

Intervalo de confiana para o ndice Cpk

1
1
1
1
IC C pk (1 )% = C pk 1 Z
+
;
C
1
+
Z
+

pk
2
2

2(n 1)
2(n 1)

9nC pk
9nC pk
2
2

Tarefa
No arquivo INTERVALO CONFIANCA.XLS verificar se, realmente, as frmulas funcionam por meio
de simulao. Especificaes entre 220 e 280.

CEQ - Pg. 51

5.2 (Plus) Capacidade do Processo em caso de no-normalidade

O Minitab tambm possibilita a realizao de clculos de capacidade de processo em situaes de
no-normalidade. H muitas opes de distribuies disponveis: Weibull, Logstica, Exponencial,
etc. H variveis como, por exemplo, o tempo de fabricao, que podem no se distribuir
normalmente.
Faremos um exemplo utilizando a distribuio Exponencial:

f ( x ) = e x , x > 0

E(X) = 1/

F ( x ) = 1 e x , x > 0

Var(X) = 1/2

f(

1,20
Lambda = 1

1,00

Lambda=,5

0,80

Lambda=,3

0,60
0,40
0,20
0

10

12
x

TAREFA Simular uma Exponencial com Lambda = 0,1 no EXCEL utilizando a funo
inversa da acumulada. Voc dever, com os seus dados, reproduzir alguns resultados
fornecidos pelo Minitab.
F ( x ) = 1 e x , x > 0
100%
F(x)
80%
60%
40%
20%
0%
0

10

12
x

5.3 Estudos de R & R

Material ser fornecido em sala de aula.

CEQ - Pg. 52

6. Amostragem por Aceitao

Neste captulo trabalharemos em situaes onde necessria a tomada de deciso com
base em dados coletados por amostragem. Uma aplicao tpica da amostragem de
aceitao a seguinte: uma campanha recebe um carregamento de um produto de um
vendedor (componente ou matria-prima usado na produo). Toma-se uma amostra de
um lote e inspecionam-se algumas caractersticas de qualidade nas unidades
amostradas. A partir da amostra deve-se decidir se o lote ser aceito ou rejeitado.
H vrias maneiras de classificar os planos de amostragem de aceitao. A primeira
classificao importante entre atributos (var. qualitativas) e variveis (caractersticas
quantitativas). A segunda refere-se ao procedimento de amostragem propriamente dito:
1)
Plano de amostragem nica estabelece-se a sentena para o lote a partir de
uma amostra de n unidades extradas dele.
2)
Planos de amostragem dupla mais complicado, pois a deciso ser uma das
trs: aceitar o lote, rejeitar o lote ou coletar uma segunda amostra.
3)
Plano de amostragem mltipla uma extenso da amostragem dupla onde so
necessrias mais do que duas amostras para se tomar a deciso.
4)
Amostragem seqencial as unidades so selecionadas do lote uma de cada vez e
em seguida uma deciso tomada (aceita o lote, rejeita ou segue o processo de
amostragem).
Montgomery faz consideraes sobre a formao dos lotes (populao a ser
investigada). Ele afirma que: 1) lotes devem ser homogneos; 2) Lotes maiores so
preferveis a lotes menores.

6.1 Planos de amostragem nica para atributos

No plano de amostragem nica para atributos o pesquisador conta com uma regra de
aceitao. Suponha um lote N=10.000, do qual extrada uma amostra aleatria de
n=100 unidades. A regra de deciso a seguinte: se o nmero de peas no conformes
c exceder 2 unidades, o lote REJEITADO. Assim, a probabilidade de aceitao pode ser
calculada pela distribuio Binomial (ou pela Hipergeomtrica).
2

P( X 2) =
x =0

n!
p x (1 p) n x
x!(n x )!

Podemos construir a CCO (curva caracterstica de operao) para este plano de

amostragem nica como funo de p (a verdadeira proporo de peas defeituosas no
lote).

CEQ - Pg. 53

P(Aceitao)

Figura CCO para amostra de n=100 unidades do lote com c=2

100%
90%
80%
70%

n=100
c=2

60%
50%
40%
30%
20%
10%
0%
0

0,02

0,04

0,06

0,08

0,1

0,12

0,14

TAREFA Criar no EXCEL uma CCO que permita verificarmos o efeito do n e do c sobre
os resultados.

A CCO ideal quase sempre inatingvel na prtica, por esta razo necessria a
fixao de um nvel de qualidade aceitvel (NQA) e o estabelecimento de um
percentual aceitvel de defeituosos no lote.
Suponha que o NQA seja de 1%, portanto queremos aceitar lotes com 1% ou
menos de peas defeituosas.
Nesse caso, qual o efeito de c sobre a probabilidade de aceitao de um lote?

P(Aceitar)

CEQ - Pg. 54

100%
90%

n=100

80%

c=3

70%

c=2

60%
c=1

50%
40%

c=0

30%
20%
10%
0%
0

0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,1

No caso de c=0 corremos o risco de rejeitar A MAIORIA dos lotes mesmo que
eles atendam a minha restrio de, no mximo, 1% de defeituosas.
Fixando-se o NQA e a proporo aceitvel de defeituosos no lote podemos
construir um plano amostral.
Considere ( 1 ) a probabilidade de aceitar um lote com frao de defeituosos
p1 e que a probabilidade de aceitao de lotes com frao p2 de defeituosos seja
.
Exemplo Montgomery pg 439
Suponha que voc queira
a) ( 1 ) =95% de probabilidade de aceitar um lote com 1% de defeituosas;
b)

=10% de probabilidade de aceitar um lote com 6% de defeituosas.

Vamos tentar construir um grfico simples que permite descobrirmos qual o n que
respeita as duas restries.

CEQ - Pg. 55

6.2 Planos de amostragem dupla para atributos

Um plano de amostragem dupla, sob certas circunstncias exige uma segunda amostra,
antes da sentena do lote ser definida.
Montgomery utiliza a seguinte notao:

n1 = tamanho da primeira amostra

c1 = nmero mximo de defeituosas para aceitao da primeira amostra
n2 = tamanho da segunda amostra
c2 = nmero mximo de defeituosas para aceitao de ambas amostras
d1 = nmero de defeituosas na 1a amostra
d2 = nmero de defeituosas na 2a amostra
Exemplo n1=30 ; c1 = 1 ; n2=60 ; c2=3
Vamos construir em aula o esquema para aceitao / rejeio do lote.

Quando um lote aceito ou rejeitado na primeira amostra, o custo de inspeo

menor. possvel tambm rejeitar um lote sem a inspeo completa da segunda
amostra quando a quota c2 for atingida. A curva caracterstica de operao CCO para
este caso mais complexa:
P(Aceitao) = P(Aceitao 1a amostra) + P(Aceitao 2a amostra)
P(Aceitao 1a amostra)
d1 ~ Binomial (30 ; p)
P(Aceitao 2a amostra)
d2 ~ Binomial (60 ; p)
P(d1 1) =

Para extrairmos a segunda amostra e aceitarmos o lote necessrio que 1 < d1 c2.
Quando d1 1 a deciso tomada diretamente na primeira amostra. Para d1=2 ou
d1=3 deve-se coletar a segunda amostra.
P(d1=2 d2 1) =
P(d1=3 d2 = 0) =

CEQ - Pg. 56

O tamanho amostral mdio na Amostragem dupla pode ser calculado a partir da

probabilidade de que seja necessrio coletar uma segunda amostra.
Seja PI = probabilidade da deciso ser tomada na primeira amostra

P I = P(Aceitar na 1a amostra) + P(Rejeitar na 1a amostra)

1 P I = P(2a amostra ser necessria)
Logo, o tamanho amostral mdio (TAM) na amostragem dupla dado por:

TAM = n1 P I + (n1 + n2 )(1 P I )

6.3 Planos de amostragem mltipla

Este plano uma extenso do plano de amostragem dupla. Considere o seguinte
exemplo:

Estgio

Tamanho amostral
acumulado

Nmero de
aceitao

Nmero
de rejeio

1
2
3
4
5

20
40
60
80
100

0
1
3
5
8

3
4
5
7
9

Montgomery (p. 446)

Esse plano consiste em seguir o seguinte diagrama de rvore:

Pergunta: possvel calcular o tamanho amostral mdio (TAM) para este caso?

CEQ - Pg. 57

6.4 Planos de amostragem seqencial

Na Amostragem seqencial uma seqncia extraes realizada de forma que o
nmero de amostras totalmente determinado pelos resultados do processo de
amostragem. O processo pode continuar at que todo o lote seja inspecionado (censo),
mas, na prtica, o processo terminado depois que o tamanho amostral seja igual a
trs vezes o tamanho amostral que seria realizado em um caso de amostragem nica.
Caso o tamanho amostral em cada estgio seja igual a UM, o procedimento chamado
de amostragem seqencial item-a-item. Tal esquema foi proposto por Wald (1947) e
consiste em representar graficamente as regies de aceitao e rejeio no plano por
meio de retas.

h1 + sn
Reta de rejeio: h2 + sn
Reta de aceitao:

k = log

p 2 (1 p1 )
p1 (1 p2 )

1
log

h1 =
k

1 p1

log
1 p2

s=
k
1
log

h2 =
k

Exemplo Montgomery (p. 447)

Suponha que voc queira
c) ( 1 ) =95% de probabilidade de aceitar um lote com 1% de defeituosas (p1);
d)

=10% de probabilidade de aceitar um lote com 6% de defeituosas (p2).

CEQ - Pg. 58

Nmero de defeituosas

4
Reta Rejeio
3

2
Reta Aceitao
1

0
0

20

40

60

80

-1

100
n

-2

possvel calcular o tamanho amostral mdio (TAM) para a Amostragem Seqencial,

mas o procedimento bastante trabalhoso.

B
A
TAM = Pa + ( 1 Pa )
C
C
Pa =

h2
h1 + h2

A = log

onde

B = log

p
1 p2

C = s log 2 + ( 1 s ) log
p1
1 p1

CEQ - Pg. 59

6.5 Padro Militar 105E (MIL STD 105E)

Trata-se de um conjunto de procedimentos de amostragem padro desenvolvidos
durante a 2 guerra. MIL STD 105E um sistema de amostragem de aceitao que
continua sendo utilizado atualmente. A 1 verso (105A) foi liberada em 1950 e a atual
data de 1989 (105E).

Procedimento
1.
2.
3.
4.
5.

Escolha o NQA (nvel de qualidade aceitvel).

Escolha o nvel de inspeo.
Determine o tamanho do lote.
Achei o cdigo alfabtico do tamanho amostral apropriado na Tabela 14-4.
Determine o tipo apropriado do plano de amostragem a ser usado (nica, dupla
ou mtipla).
6. Entre na tabela apropriada para achar o tipo de plano a ser usado.
7. Determine os planos de inspeo normal e reduzida correspondentes a serem
usados quando necessrios.

O NQA , geralmente, especificado em contrato.

Com relao aos nveis de inspeo: a trs nveis gerais (I, II e III) e quatro nveis
especiais (S1, S2, S3 e S4) que usam tamanhos amostrais muito pequenos e devem ser
empregados em casos onde grandes riscos de amostragem podem ser tolerados. O nvel
geral II o normalmente empregado.
Os procedimentos de inspeo podem variar de acordo com resultados anteriores.
Vejamos o esquema:

Exemplo Lote N=2000; NQA=0,65% Amostragem nica, inspeo normal (geral II).

CEQ - Pg. 60

7. Tcnicas Avanadas de CEP

Neste tpico, alguns procedimentos especiais de CEP so explorados.
7.1 Grfico da Soma Cumulativa (Cusum Bsico)
um tipo especial de grfico de controle que permite ao pesquisador detectar mais rapidamente
a deteco de mudanas na mdia do processo. Pode ser utilizado com amostras ou subgrupos
de qualquer tamanho. A idia deste grfico incorporar a informao presente nas observaes
anteriores em cada ponto do grfico de controle.
Vejamos um exemplo extrado de Montgomery (p. 256):
LSC = 13

LC = 10

Tabela Dados para o grfico Cusum

i
xi
xi - 10 Ci=(xi-10) + Ci-1
1
9,45
-0,55
-0,55
2
7,99
-2,01
-2,56
3
9,29
-0,71
-3,27
4
11,66
1,66
-1,61
5
12,16
2,16
0,55
6
10,18
0,18
0,73
7
8,04
-1,96
-1,23
8
11,46
1,46
0,23
9
9,2
-0,8
-0,57
10
10,34
0,34
-0,23
11
9,03
-0,97
-1,2
12
11,47
1,47
0,27
13
10,51
0,51
0,78
14
9,4
-0,6
0,18
15
10,08
0,08
0,26
16
9,37
-0,63
-0,37
17
10,62
0,62
0,25
18
10,31
0,31
0,56
19
8,52
-1,48
-0,92
20
10,84
0,84
-0,08
21
10,9
0,9
0,82
22
9,33
-0,67
0,15
23
12,29
2,29
2,44
24
11,5
1,5
3,94
25
10,6
0,6
4,54
26
11,08
1,08
5,62
27
10,38
0,38
6
28
11,62
1,62
7,62
29
11,31
1,31
8,93
30
10,52
0,52
9,45

LIC = 7

CEQ - Pg. 61

7.2 Grfico Cusum tabular

O grfico Cusum bsico no apresenta limites de controle, o que dificulta sua utilizao do ponto
de vista prtico. O grfico Cusum tabular pode ser construdo para monitorar a mdia de um
processo, tanto para observaes individuais como para subgrupos com n>1.
Vejamos um exemplo com observaes individuais:

C i+ = mx [ 0; xi ( 0 + K ) + C i+1 ]
C i = mx [ 0; ( 0 K ) xi + C i1 ]

onde K um valor de tolerncia ou folga a ser adicionado (ou subtrado) em

a
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

xi
9,45
7,99
9,29
11,66
12,16
10,18
8,04
11,46
9,2
10,34
9,03
11,47
10,51
9,4
10,08
9,37
10,62
10,31
8,52
10,84
10,9
9,33
12,29
11,5
10,6
11,08
10,38
11,62
11,31
10,52

xi 10,5

+
i

N+

9,5-xi

C i

CEQ - Pg. 62

Cusum feito no Excel e no Minitab (simplesmente implementa-se as frmulas abaixo no EXCEL).

C i+ = mx [ 0; xi ( 0 + K ) + C i+1 ]
C i = mx [ 0; ( 0 K ) xi + C i1 ]
i

xi

Ci+

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Ci-

9,45
7,99
9,29
11,66
12,16
10,18
8,04
11,46
9,2
10,34
9,03
11,47
10,51
9,4
10,08
9,37
10,62
10,31
8,52
10,84
10,9
9,33
12,29
11,5
10,6
11,08
10,38
11,62
11,31
10,52

0
0
0
1,16
2,82
2,5
0,04
1
0
0
0
0,97
0,98
0
0
0
0,12
0
0
0,34
0,74
0
1,79
2,79
2,89
3,47
3,35
4,47
5,28
5,3

0,05
1,56
1,77
0
0
0
1,46
0
0,3
0
0,47
0
0
0,1
0
0,13
0
0
0,98
0
0
0,17
0
0
0
0
0
0
0
0

Ci- * (-1)
-0,05
-1,56
-1,77
0
0
0
-1,46
0
-0,3
0
-0,47
0
0
-0,1
0
-0,13
0
0
-0,98
0
0
-0,17
0
0
0
0
0
0
0
0

CUSUM Chart of C1

5,0

UCL=4,54

4
Ci+

0
1

11

13

15

17

19

21

23

25

27

29
Ci- * (-1)

-2

2,5
Cumulative Sum

0,0

-2,5

-4

LCL=-4,54
-5,0
1

-6

O padro utilizar K=0,5 e H=4 ou 5.

10

13

16
Sample

19

22

25

28

CEQ - Pg. 63

TABELA Z
Tabela: Probabilidades acumuladas associadas aos valores crticos (z) da distribuio
normal reduzida
z

0,00

0,01

0,02

0,03

0,04

0,05

0,06

0,07

0,08

0,09

0,0

0,5000

0,5040

0,5080

0,5120

0,5160

0,5199

0,5239

0,5279

0,5319

0,5359

0,1

0,5398

0,5438

0,5478

0,5517

0,5557

0,5596

0,5636

0,5675

0,5714

0,5753

0,2

0,5793

0,5832

0,5871

0,5910

0,5948

0,5987

0,6026

0,6064

0,6103

0,6141

0,3

0,6179

0,6217

0,6255

0,6293

0,6331

0,6368

0,6406

0,6443

0,6480

0,6517

0,4

0,6554

0,6591

0,6628

0,6664

0,6700

0,6736

0,6772

0,6808

0,6844

0,6879

0,5

0,6915

0,6950

0,6985

0,7019

0,7054

0,7088

0,7123

0,7157

0,7190

0,7224

0,6

0,7257

0,7291

0,7324

0,7357

0,7389

0,7422

0,7454

0,7486

0,7517

0,7549

0,7

0,7580

0,7611

0,7642

0,7673

0,7704

0,7734

0,7764

0,7794

0,7823

0,7852

0,8

0,7881

0,7910

0,7939

0,7967

0,7995

0,8023

0,8051

0,8078

0,8106

0,8133

0,9

0,8159

0,8186

0,8212

0,8238

0,8264

0,8289

0,8315

0,8340

0,8365

0,8389

1,0

0,8413

0,8438

0,8461

0,8485

0,8508

0,8531

0,8554

0,8577

0,8599

0,8621

1,1

0,8643

0,8665

0,8686

0,8708

0,8729

0,8749

0,8770

0,8790

0,8810

0,8830

1,2

0,8849

0,8869

0,8888

0,8907

0,8925

0,8944

0,8962

0,8980

0,8997

0,9015

1,3

0,9032

0,9049

0,9066

0,9082

0,9099

0,9115

0,9131

0,9147

0,9162

0,9177

1,4

0,9192

0,9207

0,9222

0,9236

0,9251

0,9265

0,9279

0,9292

0,9306

0,9319

1,5

0,9332

0,9345

0,9357

0,9370

0,9382

0,9394

0,9406

0,9418

0,9429

0,9441

1,6

0,9452

0,9463

0,9474

0,9484

0,9495

0,9505

0,9515

0,9525

0,9535

0,9545

1,7

0,9554

0,9564

0,9573

0,9582

0,9591

0,9599

0,9608

0,9616

0,9625

0,9633

1,8

0,9641

0,9649

0,9656

0,9664

0,9671

0,9678

0,9686

0,9693

0,9699

0,9706

1,9

0,9713

0,9719

0,9726

0,9732

0,9738

0,9744

0,9750

0,9756

0,9761

0,9767

2,0

0,9772

0,9778

0,9783

0,9788

0,9793

0,9798

0,9803

0,9808

0,9812

0,9817

2,1

0,9821

0,9826

0,9830

0,9834

0,9838

0,9842

0,9846

0,9850

0,9854

0,9857

2,2

0,9861

0,9864

0,9868

0,9871

0,9875

0,9878

0,9881

0,9884

0,9887

0,9890

2,3

0,9893

0,9896

0,9898

0,9901

0,9904

0,9906

0,9909

0,9911

0,9913

0,9916

2,4

0,9918

0,9920

0,9922

0,9925

0,9927

0,9929

0,9931

0,9932

0,9934

0,9936

2,5

0,9938

0,9940

0,9941

0,9943

0,9945

0,9946

0,9948

0,9949

0,9951

0,9952

2,6

0,9953

0,9955

0,9956

0,9957

0,9959

0,9960

0,9961

0,9962

0,9963

0,9964

2,7

0,9965

0,9966

0,9967

0,9968

0,9969

0,9970

0,9971

0,9972

0,9973

0,9974

2,8

0,9974

0,9975

0,9976

0,9977

0,9977

0,9978

0,9979

0,9979

0,9980

0,9981

2,9

0,9981

0,9982

0,9982

0,9983

0,9984

0,9984

0,9985

0,9985

0,9986

0,9986

3,0

0,9987

0,9987

0,9987

0,9988

0,9988

0,9989

0,9989

0,9989

0,9990

0,9990

3,1

0,9990

0,9991

0,9991

0,9991

0,9992

0,9992

0,9992

0,9992

0,9993

0,9993

3,2

0,9993

0,9993

0,9994

0,9994

0,9994

0,9994

0,9994

0,9995

0,9995

0,9995

3,3

0,9995

0,9995

0,9995

0,9996

0,9996

0,9996

0,9996

0,9996

0,9996

0,9997

3,4

0,9997

0,9997

0,9997

0,9997

0,9997

0,9997

0,9997

0,9997

0,9997

0,9998

CEQ - Pg. 64

TABELA t
Tabela - Distribuio t de Student com gl graus de liberdade e rea direita p.

p
gl

0,100

0,050

0,025

0,010

0,005

3,078

6,314

12,706

31,821

63,657

1,886

2,920

4,303

6,965

9,925

1,638

2,353

3,182

4,541

5,841

1,533

2,132

2,776

3,747

4,604

1,476

2,015

2,571

3,365

4,032

1,440

1,943

2,447

3,143

3,707

1,415

1,895

2,365

2,998

3,499

1,397

1,860

2,306

2,896

3,355

1,383

1,833

2,262

2,821

3,250

10

1,372

1,812

2,228

2,764

3,169

11

1,363

1,796

2,201

2,718

3,106

12

1,356

1,782

2,179

2,681

3,055

13

1,350

1,771

2,160

2,650

3,012

14

1,345

1,761

2,145

2,624

2,977

15

1,341

1,753

2,131

2,602

2,947

16

1,337

1,746

2,120

2,583

2,921

17

1,333

1,740

2,110

2,567

2,898

18

1,330

1,734

2,101

2,552

2,878

19

1,328

1,729

2,093

2,539

2,861

20

1,325

1,725

2,086

2,528

2,845

21

1,323

1,721

2,080

2,518

2,831

22

1,321

1,717

2,074

2,508

2,819

23

1,319

1,714

2,069

2,500

2,807

24

1,318

1,711

2,064

2,492

2,797

25

1,316

1,708

2,060

2,485

2,787

26

1,315

1,706

2,056

2,479

2,779

27

1,314

1,703

2,052

2,473

2,771

28

1,313

1,701

2,048

2,467

2,763

29

1,311

1,699

2,045

2,462

2,756

30

1,310

1,697

2,042

2,457

2,750

40

1,303

1,684

2,021

2,423

2,704

50

1,299

1,676

2,009

2,403

2,678

60

1,296

1,671

2,000

2,390

2,660

120

1,289

1,658

1,980

2,358

2,617

Infinito

1,282

1,645

1,960

2,326

2,576

CEQ - Pg. 65

TABELA QUI-QUADRADO

p
gl
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
30
40
50
60
70
80
90
100
Valores de

0,995

0,990

0,975

0,950

0,500

0,050

0,025

0,010

0,005

0,000
0,010
0,072
0,207
0,412
0,676
0,989
1,344
1,735
2,156
2,603
3,074
3,565
4,075
4,601
5,142
5,697
6,265
6,844
7,434
13,787
20,707
27,991
35,534
43,275
51,172
59,196
67,328

0,000
0,020
0,115
0,297
0,554
0,872
1,239
1,646
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
14,953
22,164
29,707
37,485
45,442
53,540
61,754
70,065

0,001
0,051
0,216
0,484
0,831
1,237
1,690
2,180
2,700
3,247
3,816
4,404
5,009
5,629
6,262
6,908
7,564
8,231
8,907
9,591
16,791
24,433
32,357
40,482
48,758
57,153
65,647
74,222

0,004
0,103
0,352
0,711
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
18,493
26,509
34,764
43,188
51,739
60,391
69,126
77,929

0,455
1,386
2,366
3,357
4,351
5,348
6,346
7,344
8,343
9,342
10,341
11,340
12,340
13,339
14,339
15,338
16,338
17,338
18,338
19,337
29,336
39,335
49,335
59,335
69,334
79,334
89,334
99,334

3,841
5,991
7,815
9,488
11,070
12,592
14,067
15,507
16,919
18,307
19,675
21,026
22,362
23,685
24,996
26,296
27,587
28,869
30,144
31,410
43,773
55,758
67,505
79,082
90,531
101,879
113,145
124,342

5,024
7,378
9,348
11,143
12,833
14,449
16,013
17,535
19,023
20,483
21,920
23,337
24,736
26,119
27,488
28,845
30,191
31,526
32,852
34,170
46,979
59,342
71,420
83,298
95,023
106,629
118,136
129,561

6,635
9,210
11,345
13,277
15,086
16,812
18,475
20,090
21,666
23,209
24,725
26,217
27,688
29,141
30,578
32,000
33,409
34,805
36,191
37,566
50,892
63,691
76,154
88,379
100,425
112,329
124,116
135,807

7,879
10,597
12,838
14,860
16,750
18,548
20,278
21,955
23,589
25,188
26,757
28,300
29,819
31,319
32,801
34,267
35,718
37,156
38,582
39,997
53,672
66,766
79,490
91,952
104,215
116,321
128,299
140,169

gl2 , p .

CEQ - Pg. 66

Fatores para Construo de Grficos de Controle para Variveis