F o r m a o e m Q u a l i d a d e To t a l

TQT

As 7 Ferramentas Bsicas da Qualidade

adapt

MINISTRIO DO
TRABALHO E DA
SOLIDARIEDADE

UNIVERSIDADECATLICAPORTUGUESA
ESCOLASUPERIORDEBIOTECNOLOGIA

FSE

NDICE

1 Introduo

1.1 Fluxograma

1.2 Diagrama de Pareto

1.3 Diagrama de causa-efeito (Ishikawa)

11

1.4 Diagrama de barras ou histograma

12

1.4.1 Medidas de tendncia central

22

1.4.2 Medidas de disperso

24

1.5 Diagrama de disperso

25

1.6 Folha de verificao

28

1.7 Carta de controlo

30

1.7.1 Cartas de controlo por variveis

32

1.7.1.1 Cartas de controlo de mdias e amplitudes ( X /R)

33

1.7.1.2 Cartas de controlo de mdias e desvios padro ( X /s)

44

1.7.1.3 Cartas de controlo de medianas ( X )

45

1.7.1.4 Cartas de controlo de valores individuais e amplitudes mveis (Xi/Rm)

47

1.7.2 Cartas de controlo por atributos

1.7.2.1 Cartas do tipo np e do tipo p

51

1.7.2.2 Cartas do tipo c e do tipo u

57

1.7.3 Capacidade do processo

1.8 Exerccios de aplicao
2 Bibliografia

48

60
63
74

1.

Introduo

A experincia quotidiana demonstra ser inevitvel encontrar diferenas (por mais

pequenas que estas sejam) entre duas peas ou objectos que aparentam, primeira vista, ser
idnticas. A mediao, quantificao e reduo de tais diferenas, que constituem variaes
em torno do valor ou caracterstica pretendida, so o objecto da melhoria de qualquer
processo produtivo ou servio.
A estatstica revela-se fundamental nesta fase do processo ao se apresentar como uma
ferramenta eficaz na recolha, compilao, tratamento e anlise dos dados recolhidos. Por ser
impraticvel (em termos de tempo e custos), e na maior parte das vezes impossvel, o
conhecimento da caracterstica em questo relativamente a toda a produo, torna-se mais
compensatrio fazer a anlise de apenas uma pequena parte desta (amostra) generalizando
depois as concluses tiradas ao resto da produo (populao). O recurso amostragem
justifica-se sempre que impossvel analisar toda a populao devido sua grande dimenso,
quando no existem recursos disponveis ou vantagens em inspeccionar a 100%, quando se
utilizam testes destrutivos (por exemplo testes de traco ou de compresso), quando o teste
a toda a populao se torna perigoso (por exemplo o teste de um novo medicamento) ou
quando os custos associados inspeco se tornam demasiado elevados.
A validade das concluses sobre uma populao depende, no entanto, do facto da
recolha da amostra ser feita coerentemente e por forma a representar toda a populao:

amostragem aleatria. aqui que comea a interveno da estatstica, interveno essa que
se ir prolongar pelo tratamento e anlise dos dados, pelas concluses e sua generalizao.
O grau de confiana depositado nas inferncias efectuadas poder tambm depois ser
avaliado atravs de mtodos estatsticos.
As ferramentas estatsticas so utilizadas na indstria por se ter a conscincia que ao
remover as causas dos problemas se obtm uma maior produtividade e que a resoluo de
problemas utilizando tcnicas grficas e especficas produz melhores resultados do que os
processos de procura no estruturados. Tais tcnicas, que permitem saber onde esto os
problemas, qual a sua importncia relativa e que alteraes iro provocar os efeitos desejados,
podem ser divididas em quatro grupos distintos:

a) Ferramentas bsicas (tambm conhecidas pelas seven QC tools)

Grfico de fluxo
Diagrama de Pareto
Diagrama de Ishikawa ou de Causa e Efeito
Folha de verificao
Histograma
Diagrama de disperso
Carta de controlo

b) Ferramentas intermdias
Tcnicas de amostragem
Inferncia estatstica
Mtodos no paramtricos

c) Ferramentas avanadas
Mtodos de Taguchi (desenho de experincias)
Anlises multi-variveis
Anlise de sries temporais
Tcnicas de investigao operacional

d) Ferramentas de planeamento
Desenvolvimento da funo qualidade (QFD)
Anlise modal de falhas e efeitos (AMFE)

As 7 ferramentas referidas no ponto (a) revelam-se de importncia fudamental na anlise

estruturada dos dados e factos disponveis e so de aplicao generalizada a quase todos os
nveis da empresa. Para a resoluo de um determinado problema necessrio, antes de
mais, identific-lo, isto , decidir sobre qual o problema a considerar e caracteriz-lo
convenientemente. A fase de resoluo que se segue passa por listar todas as suas
potenciais causas, seleccionar as mais importantes, desenvolver um plano para implementar
efectivamente as solues, implement-las e, sempre que possvel, avaliar o efeito da sua
implementao. A fase em que cada uma das 7 ferramentas bsicas a seguir descritas
intervm indicada na figura 1.

Identificao do problema

Diagrama do processo

Anlise do problema

Histograma
Pareto
Grficos

Folha de verificao
Ishikawa
Carta de controlo

Figura 1 - A utilizao das ferramentas bsicas na resoluo de problemas

1.1

Fluxograma

O fluxograma (ou flowsheet) uma das primeiras ferramentas a utilizar quando se

pretende estudar um processo. Trata-se de um diagrama sistemtico que pretende
representar de uma forma bastante simples, ordenada e facilmente compreensvel as vrias
fases de qualquer procedimento, processo de fabrico, funcionamento de sistemas ou
equipamentos, etc., bem assim como as relaes de dependncia entre elas. Estes
diagramas so constitudos por passos sequenciais de aco e deciso, cada um dos quais
representado por simbologia prpria que ajuda a compreender a sua natureza: incio, aco,
deciso, etc.

Incio do processo

Fase do processo

Controlo

Deciso

Final do processo

Figura 2 - Fases e simbologia utilizada num fluxograma

Exemplo 1
Construir um fluxograma sobre o procedimento de tirar uma fotografia:

Tem
mquina?

Comprar

S
Tem
rolo?

Comprar

S
Escolher o objectivo

Enquadrar

Mquina
automtica?

N
N
Boa luz?

Deixar a mquina
ajustar a velocidade,
abertura e focar

Regular velocidade

Regular abertura

Focar

Tirar a fotografia

N
Tem flash?

S
Ligar

A utilizao de fluxogramas permite a identificao de possveis causas e origens para

problemas surgidos na linha de fabrico, assim como contribu para, ao detectar passos
desnecessrios no processo, efectuar nele simplificaes significativas. Nos fluxogramas dos
processos, o controlo de qualidade encontra-se associado aos pontos de deciso.

1.2

Diagrama de Pareto

Foi no sculo passado, ao analisar a sociedade, que o economista italiano Alfredo Pareto
concluu que grande parte da riqueza se encontrava nas mos de um nmero reduzido de
pessoas. A partir desta observao, e por tal concluso poder ser generalizada a muitas reas
da vida quotidiana, foi estabelecido o designado mtodo de anlise de Pareto, tambm
chamado mtodo ABC ou dos 20-80%. De uma forma sucinta, este mtodo diz-nos que a
grande maioria dos efeitos devida a um nmero reduzido de causas.
A grande aplicabilidade deste princpio resoluo dos problemas da qualidade reside
precisamente no facto de ajudar a identificar o reduzido nmero de causas que esto muitas
vezes por trs de uma grande parte dos problemas e variaes que ocorrem. Uma vez
identificadas dever-se- proceder sua anlise, estudo e implementao de processos que
conduzam sua reduo ou eliminao.
O princpio de Pareto pode ser usado para diferentes tipos de aplicaes em termos de
qualidade. Assim, uma vez que os problemas da qualidade aparecem normalmente sobre a
forma de perdas (items defeituosos e seus custos), de extrema importncia tentar esclarecer
o porqu da sua ocorrncia. A anlise de Pareto diz que, em muitos casos, a maior parte das
perdas que se fazem sentir so devidas a um pequeno nmero de defeitos considerados
vitais (vital few). Os restantes defeitos, que do origem a poucas perdas, so considerados
triviais (trivial many) e no constituem qualquer perigo srio. Por outro lado, este princpio
pode tambm ser aplicado reduo dos custos de defeitos. Tais custos compem-se
principalmente do custo das reparaes e das rejeies devidos a defeitos nos produtos em
curso de fabrico ou devolvidos pelos clientes. Mais uma vez o que se verifica que uma
pequena poro (cerca de 20%) dos produtos defeituosos ou do nmero de defeitos de uma
mesma produo muitas vezes responsvel pela maior parte (cerca de 80%) do custo global
dos defeitos, quer ao nvel da empresa, quer ao nvel do produto considerado.
na deteco das 20% das causas que do origem a 80% dos efeitos que o que o
diagrama de Pareto se revela uma ferramenta muito eficiente. Trata-se de uma representao

grfica ordenada na qual, para cada causa se representa, sob a forma de barras, a respectiva
consequncia (n. de defeitos, custo, etc.). A elaborao deste tipo de diagrama pode ser
sistematizada da seguinte forma:

1. decidir o tipo de problema a ser investigado (ex: n. de items defeituosos, perdas em

valores monetrios, ocorrncia de acidentes);

2. identificar e listar o tipo de causas que lhe d origem (ex. processo, mquina,
operador, mtodo);

3. recolher dados e, para cada tipo de causa, registar o n. de vezes que estes
contribuem para o efeito em questo;

4. ordenar as causas por ordem decrescente da respectiva frequncia comeando pela

classe com maior frequncia. Se vrias das causas apresentarem uma frequncia de
ocorrncia de defeitos muito baixa quando comparadas com as outras, elas podero
ser reunidas numa nica classe denominada outros;

5. construir um diagrama de barras por esta ordem decrescente;

6. desenhar a curva acumulada (curva de Pareto) ao unir com segmentos de recta os
valores percentuais acumulados at cada item;

7. descobertas as causas das no-conformidades mais importantes h depois que tomar

as aces correctivas apropriadas para as eliminar.

Exemplo 2
Num processo de fabrico de peas de plstico aparecem os defeitos abaixo indicados
com as respectivas ocorrncias e custos associados. Construir o respectivo diagrama de
Pareto.

Tipo de defeitos

Fissuras

N. de peas defeituosas

Custo unitrio reparao/sucata

10

50

50

56

Falta de material

50

Descolorao

50

Borbotos

24

30

Picadelas

50

Bolhas
Rebarbas

Resoluo:

Tipo de defeitos

N. de peas
defeituosas

% de peas
defeituosas

% acumulada de peas
defeituosas

Rebarbas

56

56

56

Borbotos

24

24

80

Fissuras

10

10

90

Falta de material

93

Descolorao

96

Bolhas

98

Picadelas

100

Diagrama de Pareto de defeitos

60

100
90
80
70

40

60
30

50
40

20

30
20

10

% acumulada de peas
defeituosas

N. de peas defeituosas

50

10
0

0
Rebarbas

Borbotos

Fissuras

Falta de material

Descolorao

Bolhas

Picadelas

Tipo de defeitos

Pela anlise do grfico verifica-se que, dos 7 defeitos, 2 deles (29%) so responsveis por 80% do
nmero de peas defeituosas.

Sempre que possvel, e uma vez que as implicaes financeiras de um problema so da

mxima importncia, dever-se- associar um valor monetrio aos dados no traado dos
diagramas de Pareto. Desta forma conseguir-se-o detectar quais as razes responsveis pela
grande maioria dos custos e, por conseguinte, aquelas que sob o ponto de vista financeiro
convm reduzir.
Voltando ao exemplo anterior teremos que

Tipo de defeitos

Custo unitrio
reparao/sucata

Custo total

Rebarbas

280

Borbotos

30

720

Fissuras

50

500

Falta de material

50

150

Descolorao

50

150

Bolhas

50

100

Picadelas

50

100

Fazendo agora a ordenao por ordem decrescente de custos a tabela acima

transformar-se- em

Tipo de defeitos

Custo total

% do custo total

% acumulada
do custo total

Borbotos

720

36

36

Fissuras

500

25

61

Rebarbas

280

14

75

Falta de material

150

7,5

82,5

Descolorao

150

7,5

90

Bolhas

100

95

Picadelas

100

100

Diagrama de Pareto de custos

800

100

700

90

Custo total

70

500

60

400

50
40

300

30

200

20

100

% acumulada do custo total

80

600

10

0
Borbotos

Fissuras

Rebarbas

Falta de material

Descolorao

Bolhas

Picadelas

Tipo de defeitos

Apesar dos borbotos constituirem apenas 24% das peas defeituosas e as fissuras
10% destas, so eles os principais responsveis pela grande maioria dos custos: 36%
dos custos so devidos s peas com borbotos e 25% dos custos s peas com
fissuras. As rebarbas que, como visto atrs totalizavam 56% das peas defeituosas, so
apenas responsveis por 14% dos custos.

10

1.3

Diagrama de causa-efeito (Ishikawa)

O diagrama de causa-efeito, tambm chamado diagrama de Ishikawa (por ser esse o

nome da pessoa que primeiro o usou) ou de espinha de peixe (por ser esta a forma que
apresenta), uma ferramenta simples muito utilizada em qualidade. Trata-se de um processo
que permite a identificao e anlise das potenciais causas de variao do processo ou da
ocorrncia de um fenmeno, bem assim como da forma como essas causas interagem entre
si. Este tipo de diagrama mostra a relao entre a caracterstica da qualidade em questo e
essas causas que podem, usualmente, ser de 5 naturezas diferentes (tambm designadas
por 5 Ms): materiais, mtodos, mo de obra, mquinas e meio ambiente. Casos h, no
entanto, em que so de uma outra natureza qualquer.
O procedimento a seguir para elaborar um diagrama deste tipo pode ser sistematizado da
forma seguinte:

1. Determinar a caracterstica de qualidade cujas causas se pretendem identificar;

2. Atravs da investigao e discusso com um grupo de pessoas (brainstorming),
determinar quais as causas que mais directamente afectam essa caracterstica, isto ,
aquelas que tm uma influncia directa no problema a ser resolvido (causas primrias
ou causas de nvel 1);

3. Traar o esqueleto do diagrama colocando, numa das extremidades, a caracterstica

da qualidade em questo. A partir desta dever partir a espinha do peixe, isto , uma
linha horizontal de onde devero irradiar as ramificaes com as causas consideradas
como primrias;

4. Identificar as causas (secundrias ou causas de nvel 2) que afectam as causas

primrias anteriormente identificadas, bem assim como aquelas (causas tercirias) que
afectam as causas secundrias, etc. Cada um destes nveis ir constituir ramificaes
nas causas de nvel imediatamente inferior.

11

Exemplo 3
Traar um diagrama de Causa-Efeito para o excesso de consumo de um automvel

Tipo de conduo
Excesso velocidade

Mecnico
Subidas e descidas

Peso vs. Potncia

Conduo irregular
lcool

Cilindrada

Urgncia

Motor

Excesso carga

lcool

Piso
Mau estado

leo
Velas
Filtros

Tipo e condio
do piso

Pneus
Escape

Manuteno

Aerodinmica

Clima

Presso Trnsito

Altura do ano
/ ms /dia

Excesso de consumo
de combustvel

Condies
atmosfricas

Ambiente exterior

Um outro tipo de diagrama de causa e efeito que se pode construir o diagrama de

classificao do processo. Tal consiste em, a partir do diagrama de fluxo do processo em
causa, ir identificando para cada fase todas as potenciais causas ou caractersticas que
influenciam a qualidade.
A combinao dos diagramas de Causa e Efeito e diagramas de Pareto revela-se
extremamente til na resoluo de problemas.

1.4

Diagrama de barras ou histograma

A anlise dos dados recolhidos ao longo de qualquer processo ir permitir avaliar a forma
como este est a decorrer, bem assim como tirar concluses sobre ele. No entanto, caso o
nmero dos dados recolhidos seja grande, o seu tratamento e anlise tornar-se- difcil a
menos que se recorra a mtodos que permitam a sua fcil ordenao e apresentao. Os
histogramas apresentam-se como um mtodo de simples elaborao que, atravs da
representao grfica do nmero de vezes que determinada caracterstica ou fenmeno
ocorre (distribuio de frequncia), permitem obter uma impresso visual objectiva sobre a
disperso e localizao dos valores recolhidos e, caso a amostra seja representativa, da

12

totalidade da populao. Tais diagramas podem assim ser utilizados para o controlo e melhoria
do processo.

A construo dos histogramas passa pelas seguintes fases:

1. recolha dos valores;

2. clculo da amplitude total da amostra;
3. caso necessrio, diviso em classes e clculo da amplitude e limites de cada classe;
4. determinao da frequncia (absoluta ou relativa) de cada valor ou classe;
5. para cada valor da caracterstica, desenhar uma barra cuja altura seja proporcional
frequncia com que esse valor ocorre. As barras correspondentes a valores consecutivos
devem estar todas unidas e todas elas apresentam normalmente larguras semelhantes.

Exemplo 4
Construir um histograma que represente o nmero de clientes de um dado restaurante
ao longo de 15 dias

12

13

10

10

15

11

12

11

14

12

13

12

13

12

13

Tabela de frequncia

Valor

Frequncia absoluta

Frequncia absoluta
acumulada

Frequncia relativa
(%)

Frequncia relativa
acumulada (%)

6,7

6,7

10

||

13,3

20

11

||

13,3

33,3

12

|||||

10

33,3

66,6

13

|||

13

20,0

86,6

14

14

6,7

93,3

15

15

6,7

100

Histograma de frequncias absolutas

Frequncia absoluta

5
4
3
2
1
0
9

10

11

12

13

14

15

N. clientes

Frequncia absoluta acumulada

Histograma de frequncias absolutas acumuladas

15

10

0
9

10

11

12
N. clientes

14

13

14

15

A forma dos histogramas de frequncias absolutas e de frequncias relativas, assim

como os de frequncias absolutas acumuladas e frequncias relativas acumuladas, so iguais.
A nica diferena reside na escala de valores abrangida. Para o exemplo considerado
anteriormente os valores das frequncias relativas e relativas acumuladas encontram-se j
marcados na tabela de frequncias.

Histograma de frequncias relativas

Frequncia relativa (%)

35
30
25
20
15
10
5
0
9

10

11

12

13

14

13

14

15

N. clientes

Frequncia relativa acumulada

(%)

Histograma de frequncias relativas acumuladas

100
90
80
70
60
50
40
30
20
10
0
9

10

11

12

15

N. clientes

A utilizao de classes (intervalos de valores) comum quando as variveis so do tipo

contnuo ou quando a amplitude dos valores muito grande. No primeiro dos casos torna-se
muito difcil a contagem da frequncia com que cada valor ocorre, enquanto que no segundo

15

se corre o risco de perder ao definio da forma da distribuio devido ao grande nmero de

valores com frequncias muito semelhantes.
Os intervalos das classes so usualmente de igual amplitude por forma a que a altura das
barras seja proporcional frequncia que representam. Um dos aspectos a ter em conta no
estabelecimento das classes que se dever sempre garantir que o limite inferior da primeira
classe seja menor ou igual ao menor dos valores observados, da mesma forma que o limite
superior da ltima classe dever ser maior ou igual ao maior dos valores observados. Por outro
lado, dever ficar desde logo estabelecido se os limites das classes so inclusivos ou
exclusivos, isto , cada valor s poder pertencer a um nico intervalo, razo pela qual se os
limites superiores das classes forem fechados (i.e. o mximo dos valores encontra-se includo
nesse intervalo), os limites inferiores das classes que a sucedem devero ser abertos e vice-versa.
No existem regras exactas sobre a forma de determinar o nmero e a amplitude das
classes a considerar. Como referncia, sendo N o nmero total de dados, poder-se-o utilizar
as frmulas seguintes para a determinao do nmero aproximado de classes:

n de classes = 1 +

log N
log 2

ou

n de classes =

sendo depois a amplitude de cada classe calculada atravs da frmula

Amplitude =

valor maximo - valor minimo

n classes

Outra forma possvel ser determinar o nmero de classes em funo do nmero total de
dados recorrendo tabela seguinte

16

N. de observaes

N. de classes

20 a 50

51 a 100

101 a 200

201 a 500

501 a 1000

10

> 1000

11 a 20

Como foi referido, estes mtodos permitem estimar um nmero aproximado de classes a
utilizar. A correcta amplitude de cada uma (e consequentemente o nmero de classes) poder
tambm ser determinada por simples inspeco dos dados da forma que mais convenha para
estabelecer a amplitude dos intervalos (por exemplo de 5 em 5 ou de 0,02 em 0,02) desde
que da no resulte um nmero de classes exageradamente grande ou pequeno que
conduza total perda de definio da forma do histograma.

Exemplo 5
Construir o histograma das frequncias absolutas e frequncias absolutas acumuladas
que represente a variao do dimetro de uma pea

2,525
2,527
2,527
2,534
2,520
2,515
2,533
2,520
2,510

2,543
2,529
2,536
2,518
2,522
2,519
2,542
2,514
2,524

2,532
2,518
2,506
2,538
2,524
2,527
2,530
2,512
2,521

2,510
2,527
2,541
2,543
2,545
2,542
2,522
2,534
2,535

2,517
2,528
2,512
2,528
2,531
2,528
2,540
2,526
2,528

2,522
2,521
2,515
2,519
2,519
2,540
2,535
2,530
2,523

2,519
2,519
2,521
2,523
2,519
2,522
2,526
2,532
2,525

2,510
2,531
2,536
2,523
2,529
2,526
2,532
2,526
2,522

2,511
2,511
2,529
2,529
2,522
2,520
2,502
2,523
2,530

2,522
2,519
2,524
2,523
2,513
2,525
2,522
2,520
2,514

Neste caso existem 90 dados que variam entre 2,502 e 2,545 (amplitude total = 0,043).
Por forma a estabelecer o nmero e a amplitude das classes, de ter em ateno que os
valores 2,502 e 2,545 devem tambm estar includos, pelo que ser razovel que a gama total
coberta pelas classes varie entre 2,500 e 2,550. Ao utilizar as frmulas anteriores para prever
o nmero de intervalos, verifica-se que este pode variar entre 7 (pela tabela) e 9. H tambm
que ter em linha de considerao a melhor forma de estipular a sua amplitude por forma a que
seja lgica a marcao dos seus limites. Por simples inspeco dos valores apresentados

17

parece apropriado fazer uma diviso em classes com uma amplitude de 0,005. Mais uma vez
importante relembrar a necessidade de definir desde logo a natureza dos limites inferiores e
superiores (i.e. abertos ou fechados). Apresenta-se de seguida a tabela de frequncias bem
como os histogramas de frequncias absolutas e frequncias absolutas acumuladas
contruidos a partir desta.

Classe

Frequncia
absoluta

Frequncia
absoluta
acumulada

[2,500;2,505[

[2,505;2,510[

[2,510;2,515[

\\\\\\\\\\

10

12

[2,515;2,520[

\\\\\\\\\\\\

12

24

[2,520;2,525[

\\\\\\\\\\\\\\\\\\\\\\\

23

47

[2,525;2,530[

\\\\\\\\\\\\\\\\\\\

19

66

[2,530;2,535[

\\\\\\\\\\\

11

77

[2,535;2,540[

\\\\\

82

[2,540;2,545[

\\\\\\\

89

[2,545;2,550[

90

25

Frequncia absoluta

20

15
10

5
0
2,500

2,505

2,510

2,515

2,520

2,525

2,530

2,535

2,540

2,545

2,550

Dimetro (cm)

90
Frequncia absoluta acumulada

80
70
60
50
40
30
20
10
0
2,500

2,505

2,510

2,515

2,520

2,525

2,530

Dimetro (cm)

18

2,535

2,540

2,545

2,550

possvel obter informaes teis sobre a populao pela anlise da forma do

histograma. De seguida apresentam-se algumas das formas mais tpicas bem como algumas
possveis interpretaes para elas conforme se pretende avaliar a centralidade (Figura 3) ou a
disperso (Figura 4).
No que respeita centralidade, podemos considerar os diagramas de tendncia central
representados nas figuras 3a. Neste tipo de representaes (muitas vezes simtricas) a maior
frequncia corresponde ao valor mdio que se encontra centrado relativamente aos restantes
dados. Tendncias no centrais podem ser observadas nos histogramas representados na
figura 3c e 3d. O primeiro destes apresenta uma tendncia assimtrica do tipo negativo
(deslocado para a direita) verificando-se que a diminuio da frequncia abrupta para a direita
e mais lenta para o lado esquerdo. Tendncias assimtricas do tipo positivo correspondem a
histogramas deslocados para a esquerda.
Na figura 3d encontra-se representado um histograma truncado. Neste tipo de
histogramas o valor ou classe qual corresponde a maior frequncia coincide com uma das
extremidades do histograma.

50

45

45

40

40

35

35

30

30
25
25
20
20
15

15

10

10

5
0

0
A

D
Caracterstica

Categoria

60

60

50

50

40

40

30

30

20

20

10

10

0
A

Caracterstica

Caracterstica

Figura 3 - Possveis formas de distribuio que um histograma pode apresentar em torno do valor com maior frequncia

19

Na figura 3b encontra-se representada um histograma multi-modal (i.e. apresenta mais do

que um valor mximo) tambm conhecido como histograma do tipo pente. Estes histogramas
so particularmente importantes uma vez que podem indicar que a esto representadas duas
populaes distintas, cada uma das quais apresentando distribuies de frequncias que se
sobrepem mas que apresentam mximos no coincidentes.
Quando as frequncias dos valores ou classes so mais ou menos idnticas, o
histograma pode ainda tomar um aspecto achatado. Se se estiver a trabalhar com classes, o
ideal neste tipo de situaes ser tentar redifinir os intervalos por forma a conseguir procurar
uma forma no histograma com base na qual seja possvel tirar concluses.
ainda de referir a possibilidade de surgir nos histogramas um pico isolado. Tal comum
quando se verifica uma pequena incluso de dados provenientes de uma distribuio
diferente que podem, por exemplo, ser devidos ocorrncia de causas especias no processo
conducentes a valores atpicos.

80

80

70

70
60

60

50

50

40

40
30

30

20

20

10

10

A B C D E F G H

I J K L M N O
Caracterstica

P Q R

S T U

Caracterstica

Figura 4 - Possveis formas de um histograma em termos de disperso em torno do valor com maior frequncia

Em termos de disperso, os valores podem ser bastante concentrados em torno do valor

com maior frequncia (Figura 4a) ou, alternativamente, apresentar apresentar uma grande
disperso em torno dele (Figura 4b). Tal como anteriormente referido, importante que o
produto apresente caractersticas o mais uniformes possvel pelo que h que continuamente
tentar reduzir a variabilidade do processo. Desta forma, ser possvel concluir que de todo o
interesse que os histogramas apresentem uma forma semelhante ao da Figura 4a em que a
amplitude dos valores observados pequena. Histogramas semelhantes ao da Figura 4b
querem dizer que existe ainda um grande nmero de causas comuns a afectar o processo,
causas essas que necessrio reduzir e eliminar.

20

Outra das utilidades dos histogramas consiste na possibilidade de, dados os limites de
especificao (tolerncias), verificar em que medida essas especificaes esto a ser
obedecidas.

LIE

LSE

Caracterstica

LIE

LSE

Caracterstica

LIE

LSE

Caracterstica

LIE

Caracterstica

LSE

LIE

Caracterstica

LSE

Figura 5 - Comparao entre o histograma e os limites de especificao

Nos casos retratados nas Figuras 5a e 5b os limites de especificao so obedecidas

pelo, partida, a produo obedece s especificaes pr-definidas. No entanto, enquanto
que na Figura 5a existe uma folga que permite que a eventual ocorrncia de pequenas
variaes no conduza a uma produo fora dos limites, o mesmo no se verifica na Figura 5b.
Aqui, uma vez que no existe qualquer margem extra, de todo o interesse tentar reduzir a
variao da caracterstica do produto considerada por forma a evitar produtos fora das
especificaes.

21

Nas restantes Figuras (5c, 5d e 5e) o histograma no obedece s especificaes pelo

que h que tomar medidas para centrar o processo para valores prximos do valor nominal
ptimo (Figura 5c) e para reduzir a variao (Figuras 5d e 5e).
Juntamente com os histogramas, existe todo um conjunto de estatsticas amostrais que
possvel calcular e que no s so medidas da centralidade e disperso dos dados como
tambm ajudam a interpretar os histogramas do processo.

1.4.1 Medidas de tendncia central

As medidas de tendncia central indicam o valor mdio em torno do qual se agrupam os
dados. A mais conhecida destas medidas , sem sombra de dvida, a mdia aritmtica ( X ). O
seu clculo permite a determinao do valor central relativamente ao qual os dados que
constituem a amostra se distribuem.
O clculo da mdia aritmtica pode ser feita por vrias formas diferentes consoante os
dados so do tipo discreto ou contnuo e se se encontram ou no agrupados em classes.
Assim, no caso dos dados no se encontrarem agrupados em classes, a sua mdia aritmtica
determinada simplesmente somando-os todos e dividindo pelo nmero total de dados (n)
de acordo com a seguinte frmula:

X=

xi

n i=1

ou, alternativamente por

n

X = fi xi
i= 1

em que fi representa a frequncia relativa de cada valor xi e n o nmero total de valores cuja
mdia se est a calcular.
No caso dos valores se encontrarem agrupados em J classes o clculo da sua mdia
aproximado atravs da frmula
J

X fj M j
j=1

22

onde fj representa agora a frequncia relativa da classe j cujo ponto mdio (ponto
representativo da classe) Mj. O smbolo utiliza-se precisamente por se considerar o ponto
mdio como representativo da respectiva classe.

A mediana outra das medidas de tendncia central a considerar. Este parmetro

estatstico definido como sendo o valor que, numa srie de n valores observados e
ordenados por ordem crescente os divide em dois grupos com o mesmo nmero de
elementos. Assim, se o nmero total de valores for mpar, a mediana ser o valor central do
conjunto. Por exemplo, para o conjunto de valores
2

10

19

30

31

a mediana ser o valor 7 uma vez que sua direita ficam o mesmo nmero de valores que sua
esquerda (i.e. 4).
No caso do nmero total de valores ser par, a mediana ser a mdia aritmtica dos dois
valores que dividem a srie (previamente ordenada) em dois grupos iguais: Assim, para o
conjunto de valores
2 4 4 5

9 10

15 16 16 20

a mediana ser a mdia dos valores 9 e 10, isto 9,5.

Quando estamos em presena de variveis do tipo contnuo ordenadas em classes h
que, numa fase inicial, definir a classe mediana como sendo a que contm o termo central dos
dados. Se f representar a frequncia relativa dessa classe, LI for o seu limite inferior, D a sua
amplitude e fa- a frequncia relativa acumulada da clula que a precede, a mediana poder ser
estimada atravs da frmula
0, 5 fa
Md LI +
f

A ltima medida de tendncia central que interessa para j considerar a moda. Esta
indica o valor ou gama de valores na qual a concentrao dos dados mxima.
Quando os dados amostrais so realizaes de uma varivel discreta, a moda ser o valor
dos dados que ocorre com maior frequncia, isto , o valor que mais se repete. Em ambos os
atrs apresentados existem ento duas modas: no primeiro caso estas so 2 e 7 e no
segundo 4 e 16.

23

Se estivermos a tratar com variveis contnuas agrupadas em classes, pode-se, por

aproximao, dizer que a moda coincide com o ponto mdio da classe modal, isto , da classe
com maior frequncia. No exerccio 6 a classe modal seria a classe [2,520;2,525] cujo ponto
mdio (assumido como sendo a moda) 2,5225.

Se um histograma for perfeitamente simtrico verifica-se que mdia, mediana e moda

coincidem. Tal j no acontece no caso de histogramas assimtricos. Se a assimetria for
positiva (histograma deslocado para a esquerda) o que acontece na maior parte dos casos
que a mediana < mdia < moda. Esta situao inverte-se para histogramas com assimetria
negativa.

1.4.2 Medidas de disperso

So duas as formas mais simples de medir a variabilidade ou disperso dos dados. A

amplitude (R) consiste unicamente na diferena entre o valor mximo e o valor mnimo dos n
valores observados e permite ter uma ideia da largura da gama de valores observados.
R = xmax - xmn

A outra medida do grau de disperso dos n valores xi observados o desvio padro (s)
que pode ser calculado atravs da frmula
n

( xi X )
s=

i= 1

n 1

ou

s=

fi ( xi X ) 2

n 1 i= 1

em que n representa o nmero total de dados e f a sua frequncia relativa de ocorrncia.

Se considerarmos por exemplo os valores
2 5 8 1

24

cuja mdia vale 4 e a amplitude 7, o seu desvio padro ser calculado da seguinte forma

s=

( 2 4 ) 2 + ( 5 4 ) 2 + ( 8 4 ) 2 + (1 4 ) 2
41

4 + 1 + 16 + 9
3

30
3

= 10 = 3 ,16

Quanto maior for o desvio padro maior ser a disperso dos valores em torno da mdia.
medida que o nmero de dados aumenta (n>30) torna-se, na frmula do desvio
padro, indiferente dividir por n ou por n-1, pelo que vlido fazer a aproximao de n n-1.
Neste caso o desvio padro da amostra (s) tender para o desvio padro da populao (s).

1.5

Diagrama de disperso

Na prtica muitas vezes importante verificar se duas variveis (por exemplo

concentrao e pH) esto ou no relacionadas e, caso positivo, qual o tipo de relao que
existe entre elas. Os diagramas de disperso tornam-se uma ferramenta extremamente
poderosa para atingir esse objectivo. Caso exista, essa relao usualmente do tipo causaefeito no sendo no entanto possvel, atravs dos diagramas de disperso, identificar qual
das variveis a causa e qual o efeito. A construo destes diagramas passa por recolher os
pares de dados (x,y) entre os quais se pretende analisar a relao, organizar esses dados
numa tabela, encontrar os valores mximos e mnimos para x e para y, marcar as escalas
respectivas por forma a que sejam mais ou menos iguais e marcar os pontos no grfico.
Na anlise destes grficos a primeira coisa a fazer ser verificar se existem ou no pontos
nitidamente afastados do grupo principal (pontos com comportamento atpico). O afastamento
desses pontos poder ser explicado por eventuais erros na medio ou registo de dados,
bem assim como por variaes ocorridas durante o processo. Pontos atpicos devero ser
excludos da anlise, no sem no entanto tentar descobrir a causa de tal comportamento. Da
marcao dos pontos podero surgir uma das trs situaes ilustradas abaixo: (a) correlao
positiva (em que o aumento de uma varivel conduz ao aumento da outra), (b) correlao
negativa (em que o aumento de uma varivel conduz diminuio da outra) e (c) ausncia de
correlao (quando no parece haver qualquer tipo de ligao entre as variveis
consideradas).

25

Figura 6 - Tipos de correlao que se podem obter: (a) positiva, (b) negativa e (c) sem qualquer tipo de correlao

Exemplo 6
Verificar se existe algum tipo de relao entre as alturas e os pesos de um grupo de
pessoas

Altura (m)

Peso (kg)

1,57

60

2,00

95

1,67

66

1,90

85

1,50

45

1,75

78

1,63

64

1,78

75

1,94

92

1,82

80

1,77

75

1,59

60

100
90
80
70
60
50
40
1,4

1,6

1,8
Altura (m)

26

Por simples inspeco do grfico resultante parece ser bvio que o peso
das pessoas parece aumentar com a sua altura tratando-se, por isso, de
uma correlao do tipo positivo. No entanto, e dado que a altura no a
nica condicionante do peso, verifica-se a existncia de situaes em que
uma menor altura implica, no entanto, um maior peso.

As correlaes entre as variveis podem ser de vrios tipos: lineares, quadrticas,

cbicas, logartmicas, etc. Por forma a poder prever o comportamento de uma das variveis em
funo da outra til conseguir encontrar aquilo a que se chama funo ou equao de

ajuste. Trata-se da equao matemtica que melhor ajusta o comportamento e a dependncia

dos dados e que funo do tipo de dependncia que existe entre elas. Por exemplo,
quando o aumento de uma varivel implica o aumento da outra (tal como no exerccio anterior)
a funo de ajuste assume normalmente a equao de uma recta do tipo y = a + b x em que y
representa a varivel dependente (no caso do exerccio anterior y seria o peso) e x a varivel
dependente (no caso do exerccio anterior x seria a altura). Desta forma, e se conseguirmos
uma recta que aproxime a evoluo dos pontos de uma forma razovel, ser possvel prever y
(i.e. o peso de uma pessoa) se soubermos o valor x (i.e. a sua altura) e vice versa. Tal previso
poder ser mais ou menos exacta consoante o modelo se ajusta melhor ou pior aos dados. O
coeficiente de correlao (r) um parmetro que permite avaliar se o ajuste feito ou no
bom. Os valores admissveis para r variam entre -1 e 1 (-1 r 1). Se r assumir valores
negativos (-1 r < 0) isso significa que a correlao do tipo negativo, isto , que o aumento
de uma varivel implica a diminuio da outra. Se, pelo contrrio, r estiver compreendido entre
0 e 1 (0 < r 1) isso querer dizer que a correlao do tipo positivo. Quanto mais prximo de
1 ou de -1 estiver r, melhor o ajuste. Se r = 0 (ou prximo dele) isso quer dizer que no h
qualquer tipo de correlao.
Voltando ao exemplo 6, se tentarmos passar uma recta pelos vrios pontos veremos que
aquela que melhor os ajusta a que tem por equao

27

peso (kg) = - 86,8 + 91,6 x altura (m)

100
90
80
70
60
50
40
1,4

1,6

1,8

Altura (m)

O coeficiente de correlao (r) para este ajuste de 0,9839 pelo que se

pode dizer que se trata de um ajuste bastante aceitvel. Se agora
pretendessemos prever o peso de uma pessoa que mede 1,70 m
bastaria substituir este valor na equao acima. O valor por ela estimado
seria de 69,1 kg.

1.6

Folha de verificao

importante garantir bastante objectividade na recolha de dados sendo para tal, antes
de mais, necessrio definir com preciso quais os dados que necessrio recolher. Avaliar
parmetros ou fazer leituras que no nos interessam apenas conduz a perdas de tempo e a
uma maior confuso em termos do seu armazenamento. Por forma a que isso no acontea
convm dispr de um formulrio/ficha bastante simples e convenientemente elaborado onde
as perguntas para as quais se deseja a resposta se encontram perfeitamente definidas e que
permita a qualquer utilizador identificar correctamente quais os items a medir/registar e em que
altura e sequncia tal dever ser feito.
As folhas de verificao no s facilitam a recolha de dados como tambm a sua
organizao. Com base nelas ser mais fcil posteriormente encontrar dados que sejam
necessrios, bem assim como fazer estudos retrospectivos. No existe uma folha de
verificao standard uma vez que estas devem ser elaboradas em funo do fim a que se
destinam. Na figura 7 d-se o exemplo de uma folha de verificao que poderia ser utilizada na
realizao de ensaios s matrias primas recepcionadas.

28

EMPRESA ABC

Resultados dos ensaios s matrias primas

Nome do produto: ______________________________________________________________

Fornecedor: __________________________________________________________________
Endereo: ___________________________________________________________________
________________________________________ Telefone: ___________________________
Data de recepo: _____ / _____ / _____

Resultados dos ensaios laboratoriais:

Caractersticas:

Observaes:

O responsvel do DQ:

Data: ____ / ____ / ____

Resultados dos ensaios industriais:

Caractersticas:

Observaes:

O responsvel do DP:

Data: ____ / ____ / ____

Assinatura:

Data: ____ / ____ / ____

Apreciao global:

Figura 7 - Exemplo de um boletim de ensaio s matrias primas

29

1.7

Carta de controlo

Um dos mtodos mais utilizados para ficar a conhecer, no s a forma como as causas
comuns provocam variaes nos processos mas tambm de identificar a existncia de causas
especiais, consiste na utilizao de cartas de controlo e foi desenvolvido nos anos 20 pelo Dr.
Walter Shewhart dos laboratrios Bell.
Uma carta de controlo trata-se de um mtodo grfico em que se marcam pontos
representativos de vrias fases consecutivas de um processo, permitindo assim seguir a sua
evoluo. O controlo estatstico do processo (do ingls, S.P.C.) baseia-se na utilizao das
cartas de controlo e o modo de, seguindo essa evoluo, conseguir interpretar as variaes
que ocorrem por forma a se poder decidir se devem ou no ser feitas alteraes.
A primeira fase da construo destes grficos consiste na recolha de uma srie de dados
relativos caracterstica a ser estudada (dimenses, n. de peas defeituosas, n. de defeitos
nas peas produzidas, tempos, etc.). Uma vez que, quer por uma questo de dinheiro como
de tempo, na grande maioria das vezes impossvel fazer o controlo de todas as peas, h
que seleccionar apenas algumas que sejam representativas das restantes (amostragem). Para
ser feito de forma correcta, tal dever seguir um plano e, uma vez que existem vrios tipos de
planos de amostragem disponveis, importante escolher aquele que d mais e melhor
informao. Amostragens bem feitas iro permitir que, verificando apenas uma pequena
quantidade de peas, seja possvel dizer o que se passa com a totalidade delas.
Numa fase seguinte os dados recolhidos devero ser reunidos e, dependendo do tipo
da carta de controlo a usar, convertidos numa forma tal que permita a sua marcao.
A utilizao das cartas de controlo frequentemente vista como um processo de
monitoragem. No entanto, para poderem assumir esse papel, tero antes que ser definidos
quais os limites de controlo para alm dos quais as caractersticas avaliadas do produto,
processo ou servio no podero passar. de ter em ateno que os limites de controlo no
so especificaes limites nem objectivos. De facto, cada caracterstica (por exemplo o
dimetro de um parafuso) tem um valor objectivo em torno do qual, devido s causas comuns,
os valores realmente observados se iro dispr. Consciente de que impossvel que todos
os produtos apresentem esse valor objectivo, o cliente estabelece ainda as especificaes
mximas admissveis (tolerncias) para alm das quais os produtos no devero passar: limites
mximo e mnimo de especificao. Por outro lado, o produtor tem que dispr de meios que
garantam a qualidade e homogeneidade do seu produto. Com esse objectivo marca nas

30

cartas de controlo limites para alm dos quais considera que o seu produto no
suficientemente bom para seguir para o cliente: limite mximo e mnimo de controlo. Estes
limites de controlo utilizados pelo produtor devero ser inferiores aos admitidos pelo cliente
por forma a evitar que cheguem a este produtos fora das especificaes
O conjunto de dados recolhidos que ir constituir a primeira das cartas de controlo
tambm utilizado para, atravs de frmulas baseadas na variabilidade natural do processo e no
plano de amostragem, determinar os limites de controlo das cartas subsequentes. O controlo
e melhoria do processo usando cartas de controlo deve ser encarado como um processo
iterativo em que se repetem as fases fundamentais de recolha de dados, controlo e anlise.
De facto, calculados os limites de controlo com esse primeiro conjunto de dados, se for
evidente a existncia de causas especiais de variao que leve pontos para fora dos limites ou
que tornem evidentes tendncias na variao dos pontos, o processo dever ser estudado
para se conseguir determinar o que o est a afectar e se tomarem depois as devidas aces
para eliminar essas causas especiais. Aps eliminadas, dever-se-o recolher mais dados e
recalcular os limites de controlo, fundamentais para interpretar os dados para o controlo
estatstico.
A partir do momento em que todas as causas especiais tenham sido eliminadas e o
processo se encontrar em controlo estatstico, a carta ir servir de ferramenta de
monitorizao. Sempre que algum ponto saia fora dos limites de controlo ou que apresentem
alguma tendncia marcada de variao, o processo dever ser interrompido e a razo de ser
de tal ocorrncia ser investigada uma vez que no vale a pena estar a produzir peas que
provavelmente iro ter defeitos ou estar fora das especificaes. Identificadas as causas
especiais que levaram ocorrncia destes pontos fora de controlo o processo dever ser
alterado por forma a contornar os problemas que as originaram. O ciclo recomea novamente
medida que mais dados so recolhidos, interpretados e usados como base de actuao.
Nesta fase, o processo poder ser interpretado em termos da sua capacidade. Ser
ento possvel prever a performance do processo podendo, quer o produtor quer o cliente,
confiar em nveis de qualidade consistentes e em custos estveis para atingir esse nvel de
qualidade.
Por outro lado, atingido o controlo estatstico no se deve ficar por a. Caso a variao
oriunda das causas comuns seja excessiva, o resultado do controlo do processo no ir de
encontro s necessidades uma vez que o produto continuar a apresentar pouca
homogeneidade. O processo em si dever ser investigado e corrigido por forma a eliminar
e/ou reduzir essas comuns e, para isso, tipicamente, uma atitude superior a nvel das chefias

31

dever ser tomada para melhorar o sistema. O objectivo que os produtos se tornem cada vez
mais homogneos e, consequentemente, que os limites de controlo se vo tornando mais
estreitos.
As cartas de controlo, que se apresentam assim como uma ferramenta de controlo e de
melhoria do processo, podem ser de dois tipos distintos consoante o controlo que
efectuado: controlo por variveis ou controlo por atributos. Cada um destes tipos de cartas
ser de seguida desenvolvido.

1.7.1 Cartas de controlo por variveis

As cartas de controlo por variveis so usadas quando a caracterstica que est a ser
estudada se pode medir. Por exemplo, no caso de se estar a controlar o dimetro de um veio,
o comprimento de uma chapa, o tempo necessrio para completar uma operao, o peso das
garrafas numa linha de enchimento, etc.. O processo seguido para elaborar este tipo de cartas
passa por, ao longo do tempo, ir recolhendo amostras da produo, processar os dados
recolhidos, marcar na carta de controlo os pontos correspondentes, analisar o seu
comportamento e generalizar as concluses restante produo.
As cartas de controlo por variveis permitem explicar os dados processuais em termos da
localizao central das medidas e da sua variabilidade, razo pela qual cartas de controlo por
variveis so sempre construdas aos pares: uma para uma medida de tendncia central e
outra para uma medida de variabilidade. As cartas de controlo por variveis mais comuns so as

cartas de controlo de mdias ( X ), de valores individuais (Xi), de medianas ( X ), de amplitudes

(R) e de desvios padro (s).
As cartas de controlo de mdias e amplitudes so as que aparecem mais frequentemente
e, normalmente, em conjunto. As cartas de controlo de desvios padro (s), menos utilizadas
que as cartas de controlo de amplitudes (R), aparecem normalmente como um substituto
destas e em conjunto com as cartas de controlo de mdias ( X ). As cartas de controlo por

medianas ( X ) aparecem normalmente individualmente por substituirem simultaneamente as

cartas de mdias e as de amplitudes. Todas estas cartas so construdas com base na recolha
de amostras ou subgrupos com mais do que um elemento (o tamanho de amostra mais
comum 5). No entanto, sempre que por algum motivo as decises tenham que ser tomadas
com base em valores individuais ou que o prprio processo no permita a recolha de mais do
que um valor de cada vez usam-se as cartas de controlo por valores individuais. Cada um
destes tipo de cartas de controlo ir ser de seguida analisado.

32

1.7.1.1

Cartas de controlo de mdias e amplitudes ( X /R)

Como para qualquer outra, a primeira fase de construo de uma carta do tipo
mdias/amplitudes consiste na recolha de dados que, como j anteriormente referido, para
ser feita de uma forma correcta, dever ser baseada num plano. O primeiro passo ser decidir
qual o tamanho das amostras a retirar. Essas amostras devero ser representativas do resto da
produo (populao) e so normalmente constitudas por 4 ou 5 elementos cada.
Uma vez que o objectivo ser detectar as variaes no processo ao longo do tempo, as
amostras devero ser recolhidas suficientes vezes e a tempos apropriados por forma a
poderem refectir as eventuais alteraes que esto a ocorrer (por exemplo: diferenas dos
turnos, variaes de temperatura, lotes de materiais, diferenas entre a produo diurna e
nocturna, etc.). Geralmente 25 grupos so suficientes para construir uma carta de controlo
pois contm j leituras suficientes que permitam avaliar a variabilidade e localizao do
processo.
Ao elaborar uma carta do tipo

X /R a carta das mdias aparece normalmente na parte

superior e a carta das amplitudes imediatamente abaixo. Na figura 8 pode-se ver um exemplo
deste tipo de cartas.

33

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

34

U
A
L
I
D
A

Figura 8 - Exemplo de uma carta de controlo do tipo mdias/amplitudes

Amplitude

Somatrio
Mdia

X1
X2
X3
X4
X5

LCSX =
LCIX =
LCSR =

AMOSTRA
DATA
HORA
RUBRICA

Especificao:

A
M
P
L
I
T
U
D
E

Freq.:
Subgr.:

Carta N:

Caracterstica:

Pea:

Mquina:
Processo:

CONTROLO ESTATSTICO DO PROCESSO - CARTA X/R

G
E

Como se pode ver, no eixo das ordenadas marcam-se as escalas das mdias e das
amplitudes, respectivamente, enquanto que na escala das abcissas se vai marcando a sua
evoluo ao longo do tempo. Na maioria das cartas de mdias e amplitudes, aparecem na
parte inferior e verticalmente abaixo das linhas verticais sobre as quais devem ser marcados os
pontos relativos a cada uma das amostras, espaos disponveis para registar os valores das
vrias leituras para cada uma das amostras sequenciais. Dado que se trata de uma carta de
mdias e amplitudes, existe ainda uma clula para marcar o valor da soma das leituras da
amostra respectiva, bem como a mdia e a amplitude dos seus valores. A mdia e a amplitude
so ento os valores representativos de cada amostra e iro ser marcados nas cartas
respectivas. Para uma amostra (ou subgrupo) constituda por n leituras (por exemplo 5) estas
estatsticas sero calculadas por

x + x + ...+ x
X =

R = xmx xmn

em que x1, x2, ... so os valores individuais, n o tamanho da amostra e xmx e xmn representam,
respectivamente, o valor mximo e o valor mnimo dos n valores da amostra.
Consideremos, a ttulo de exemplo, um conjunto de amostras constituda cada uma por 5
leituras. Para a primeira das amostras, os valores das 5 leituras so
14,2; 14;4; 14,0; 14,3 e 14,2.

A mdia destes valores ser calculada por

X=

14,2 + 14,4 + 14,0 + 14,3 + 14,2

5

e a amplitude por

R = 14,4 - 14,0 = 0,4

35

= 14,22

A primeira das colunas na parte inferior do grfico da Figura 8 dever, assim, apresentar a
seguinte aparncia:

AMOSTRA

DATA

8/9

HORA

22 h

RUBRICA
X1

14,2

X2

14,4

X3

14,0

X4

14,3

X5

14,2

Somatrio

71,1

Mdia (X)

14,2

Amplitude (R)

0,4

Relativamente a esta amostra, dever-se- agora representar na linha vertical respectiva o

valor de 14,2 para a mdia e 0,4 para a amplitude. O mesmo procedimento dever ser seguido
para as restantes amostras.
Com base nos resultados das 25 amostras recolhidas para a primeira das cartas de
controlo sero calculados os denominados limites de controlo. Tambm a marcao das
escalas para a carta das mdias e para a carta das amplitudes dever ser feita aps a obteno
de todos os resultados relativos a essas amostras pois s assim se saber a amplitude das
escalas a traar. Uma vez marcados todos os pontos, estes devero depois ser unidos com
linhas por forma a melhor visualizar as variaes e tendncias que esto a ocorrer.
Numa fase seguinte sero determinados o limites de controlo superior (LCS), a linha
central (LC) e o limite de controlo inferior (LCI). Cada tipo de carta tem frmulas apropriadas
para a determinao dos limites de controlo e da linha central. Para as cartas de controlo de
mdias e amplitudes estas encontram-se na Tabela I.

36

Tabela I
Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo por mdias e
amplitudes

Carta R

Carta X

Nestas frmulas,

LCS X =

LC X =

LCI X =

+ A2

LCSR = D4

LCR
- A2

LCIR = D3

X e R representam, respectivamente, a mdia dos valores das mdias

das amostras e a mdia das amplitudes das vrias amostras que constituem a carta de controlo
(normalmente 25). Os parmetros A2, D3 e D4 so valores que se encontram tabelados (Tabela
II) e que so funo do tamanho das amostras recolhidas.

Tabela II
Parmetros a utilizar nas frmulas de clculo dos limites de controlo das cartas de controlo por mdias e amplitudes

Grfico R

Grfico X
n

A2

D3

D4

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

1,880
1,023
0,729
0,577
0,483
0,419
0,373
0,337
0,308
0,285
0,266
0,249
0,235
0,224
0,212
0,203
0,194
0,187
0,180
0,173
0,167
0,162
0,157
0,153

0
0
0
0
0
0,076
0,136
0,184
0,223
0,256
0,284
0,308
0,329
0,348
0,364
0,380
0,391
0,404
0,414
0,425
0,434
0,443
0,452
0,459

3,267
2,575
2,282
2,115
2,004
1,924
1,864
1,816
1,777
1,744
1,716
1,692
1,671
1,652
1,636
1,621
1,608
1,596
1,586
1,575
1,566
1,557
1,548
1,541

37

As linhas centrais

X e R devero ser marcadas a cheio nas cartas de controlo e os

limites de controlo superior e inferior a tracejado. Por forma a facilitar a sua identificao, a cada
uma das linhas dever-se- fazer corresponder as iniciais dos limites a que correspondem.
Caso a variabilidade no processo seja apenas devida a causas comuns, os pontos
representativos das mdias e das amplitudes das amostras no devero sair fora dos limites de
controlo e dispr-se-o aleatoriamente em torno do valor mdio. Neste caso esses limites
poder-se-o manter como limites de controlo para a carta seguinte. Caso tal no acontea, i.e.
se algum dos pontos ficar fora dos limites de controlo ou caso apresentem alguma tendncia
que possa parecer no natural dever-se- tentar investigar se algo est a correr mal no
processo, corrigir e, aps retirar novas amostras, recalcular os limites de controlo. A alternativa
ser retirar os pontos que se encontram fora de controlo e recalcular os limites com os
restantes pontos. Caso algum dos pontos continue fora dos limites, o processo dever ser
repetido at que tal no acontea. No entanto, se tal no for conseguido ao fim de 2 ou 3
tentativas isso querer significar que a variao a que o processo est sujeito no apenas
devida a causas comuns. Devero tambm existir causas especiais a afectar a sua
performance.
As frmulas e os factores usados para calcular os limites de controlo (Tabelas I e II) foram
determinados de modo a garantir que a variao dentro dos limites de controlo praticamente
devida apenas a causas comuns (existem 3 desvios padres entre cada um dos limites e linha
central, num total de 6 desvios padres o que significa que, se o processo estiver a ser
afectado apenas por causas comuns, 99,73% dos pontos devero ficar entre os limites de
controlo). Deste modo, qualquer ponto fora dos limites de controlo ser de levantar suspeitas
devendo-se prestar especial ateno e tentar averiguar se algo est a correr mal (ex.
inadvertncia dos operadores, mudana de turno, mquina defeituosa, etc.).
No entanto, no so apenas os pontos fora de controlo que devem ser alvo de especial
ateno. Como j se referiu, tambm tendncias no traado dos pontos devero ser foco de
estudo, nomeadamente:
padres oscilantes;
tendncias continuamente crescentes ou decrescentes (7 pontos seguidos
a aumentar ou a diminuir);
padres em zig-zag;
alterao do valor mdio em torno do qual os pontos oscilam;

38

7 pontos seguidos do mesmo lado da linha central;

2 em 3 pontos acima de
4 em 5 pontos entre

As linhas

X + 2s ou abaixo de X - 2s;

X + 2s e X + s ou entre X - 2s e X - s.

X 2s so designadas por limites de vigilncia e, por vezes, so tambm

marcadas nas cartas de controlo juntamente com os limites de controlo.

Exemplo 7
Traar as cartas de controlo de mdias e amplitudes para o conjunto de 25 amostras
representadas abaixo. Determinar para cada uma das cartas os limites de controlo e verificar se
o processo est ou no sob controlo estatstico.

Amostra n.

Valores observados

28,0

25,2

26,4

26,2

24,2

26,4

26,6

25,4

26,8

24,2

27,0

25,6

26,0

25,6

24,8

27,8

24,8

26,6

26,2

26,4

26,0

26,0

24,2

24,4

26,6

27,4

24,0

25,0

24,8

24,8

27,8

24,2

25,4

26,8

26,0

26,8

27,2

26,0

24,8

27,0

28,8

24,8

24,4

24,8

25,0

10

26,6

24,8

25,2

25,8

25,6

11

26,6

25,6

26,0

26,0

26,2

12

27,2

25,0

26,6

27,0

25,6

39

(continuao)
Amostra n.

Valores observados

13

26,8

26,6

24,0

26,0

26,2

14

27,8

26,2

27,0

25,2

25,6

15

28,4

25,4

25,8

25,8

25,0

16

27,2

25,2

24,8

25,0

24,4

17

28,0

26,4

24,8

26,0

26,0

18

26,2

25,8

27,0

24,6

25,6

19

29,2

27,4

26,8

24,4

25,0

20

27,8

26,0

26,0

26,4

25,2

21

26,6

25,4

25,2

25,6

25,4

22

27,8

24,8

25,4

24,8

25,6

23

26,4

24,6

25,2

26,2

25,4

24

26,4

25,6

25,6

24,6

25,2

25

26,6

25,6

26,0

24,6

24,4

Numa primeira fase dever-se-o calcular as mdias e amplitudes para cada uma das
amostras:

Amostra n.

Valores observados

28,0

25,2

26,4

26,2

24,2

26,0

3,8

26,4

26,6

25,4

26,8

24,2

25,9

2,6

27,0

25,6

26,0

25,6

24,8

25,8

2,2

27,8

24,8

26,6

26,2

26,4

26,4

3,0

26,0

26,0

24,2

24,4

26,6

25,4

2,4

27,4

24,0

25,0

24,8

24,8

25,2

3,4

27,8

24,2

25,4

26,8

26,0

26,0

3,6

26,8

27,2

26,0

24,8

27,0

26,4

2,4

28,8

24,8

24,4

24,8

25,0

25,6

4,4

10

26,6

24,8

25,2

25,8

25,6

25,6

1,8

11

26,6

25,6

26,0

26,0

26,2

26,1

1,0

12

27,2

25,0

26,6

27,0

25,6

26,3

2,2

13

26,8

26,6

24,0

26,0

26,2

25,9

2,8

14

27,8

26,2

27,0

25,2

25,6

26,4

2,6

15

28,4

25,4

25,8

25,8

25,0

26,0

3,4

16

27,2

25,2

24,8

25,0

24,4

25,3

2,8

40

(continuao)

Amostra n.

Valores observados

17

28,0

26,4

24,8

26,0

26,0

26,2

3,2

18

26,2

25,8

27,0

24,6

25,6

25,8

2,4

19

29,2

27,4

26,8

24,4

25,0

26,6

4,8

20

27,8

26,0

26,0

26,4

25,2

26,3

2,6

21

26,6

25,4

25,2

25,6

25,4

25,6

1,4

22

27,8

24,8

25,4

24,8

25,6

25,7

3,0

23

26,4

24,6

25,2

26,2

25,4

25,6

1,8

24

26,4

25,6

25,6

24,6

25,2

25,5

1,8

25

26,6

25,6

26,0

24,6

24,4

25,4

2,2

O passo seguinte ser calcular o valor mdio das vrias mdias X bem assim como
o valor mdio das amplitudes R . Somando todas 25 e as 25 amplitudes tem-se que
25

25

i=1

i=1

X i = 647 e R = 67,6

e, portanto,
X = 25,9 e R = 2,7

Aplicando agora as frmulas para a determinao dos limites de controlo para cartas
do tipo X /R temos que, dado que o tamanho da amostra 5, da tabela III A2 = 0,577, D3
= 0 e D4 = 2,115 e, portanto:

Carta das mdias:

L CS = X + A2 R = 25,9 + 0,577x 2,7= 27,5
LC = X = 25,9
LCI = X - A R = 25,9 - 0,577 x 2,7 = 24,3
2

41

Carta das amplitudes:

LCS = D R = 2,115 x 2,7 = 5,71
4
LCI = R = 2,7
LCI = D R = 0 x 2,7 = 0
3
Traando as cartas de controlo verifica-se que, em qualquer delas, no s no
existem quaisquer pontos fora dos limites de controlo como tambm estes no
apresentam qualquer tendncia na sua variao. assim possvel concluir que o
processo se encontra sob controlo estatstico no sendo evidente a existncia de
causas especiais a afect-lo. As linhas de controlo calculadas sero utilizadas nas cartas
de controlo seguintes.

42

43
3

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

27,8
24,8
26,6
26,2
26,4

26,0
26,0
24,2
24,4
26,6

27,4
24,0
25,0
24,8
24,8

27,8
24,2
25,4
26,8
26,0

26,8
27,2
26,0
24,8
27,0

28,8
24,8
24,4
24,8
25,0

26,6
24,8
25,2
25,8
25,6

27,2
25,0
26,6
27,0
25,6

26,8
26,6
24,0
26,0
26,2

27,8
26,2
27,0
25,2
25,6

28,4
25,4
25,8
25,8
25,0

27,2
25,2
24,8
25,0
24,4

28,0
26,4
24,8
26,0
26,0

26,2
25,8
27,0
24,6
25,6

29,2
27,4
26,8
24,4
25,0

27,8
26,0
26,0
26,4
25,2

26,6
25,4
25,2
25,6
25,4

27,8
24,8
25,4
24,8
25,6

26,4
24,6
25,2
26,2
24,4

26,4
25,6
25,6
24,6
25,2

26,6
25,6
26,0
24,6
24,4
26,1 26,3 25,9 26,4 26,0 25,3 26,2 25,8 26,6 26,3 25,6 25,7 25,6 25,5 25,4
1,0 2,2 2,8 2,6 3,4 2,8 3,2 2,4 4,8 2,6 1,4 3,0 1,8 1,8 2,2

26,6
25,6
26,0
26,0
26,2

26,0 25,9 25,8 26,4 25,4 25,2 26,0 26,4 25,6 25,6
3,8 2,6 2,2 3,0 2,4 3,4 3,6 2,4 4,4 1,8

27,0
25,6
26,0
25,6
24,8

26,4
26,6
25,4
26,8
24,2

28,0
25,2
26,4
26,2
24,2

Amplitude

X1
X2
X3
X4
X5

Somatrio
Mdia

AMOSTRA
DATA
HORA
RUBRICA

LCSX =
LCIX =
LCSR =

24,5

25

Especificao:

A
M
P
L
I
T
U
D
E

25,5

Freq.:
Subgr.:

26

Carta N:

26,5

Caracterstica:

27

27,5

Pea:

Mquina:
Processo:

CONTROLO ESTATSTICO DO PROCESSO - CARTA X/R

G
E

1.7.1.2

Cartas de controlo de mdias e desvios padro ( X /s)

X /R, as cartas de X /s aparecem em conjunto. A principal razo

Tal como as cartas de

pela qual se usam muito frequentemente as cartas de amplitudes (R) como medida da variao
do processo o facto da amplitude (R) ser um parmetro bastante fcil de calcular alm de se
mostrar relativamente eficiente para amostras de pequenos tamanhos (n<9). Apesar de se
apresentar como um indicador muito mais eficiente

da variabilidade do processo

especialmente para amostras de tamanho superior, o desvio padro (s) , no entanto, muito
menos utilizado que a amplitude. Tal deve-se maior complexidade do seu clculo e sua
menor sensibilidade na deteco da existncia de causas especiais de variao. Uma vez que
se esto a analisar amostras, se apenas um dos pontos apresentar um valor atpico, este
passar muito mais despercebido ao utilizar o desvio padro como medida de amplitude do
que se utilizar R.
Como j visto anteriormente, o desvio padro que caracteriza uma amostra constituda
pelos valores x1, x2, , xn calculado atravs da frmula
n

( xi X )
s=

i= 1

n 1

em que X representa a mdia dos n valores da amostra.

Na tabela III apresentam-se as frmulas utilizadas para o clculo dos limites de controlo
nas cartas do tipo

X /s

Tabela III
Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo por mdias e
desvios padro

Carta s

Carta X
LCS X = X + A3 s

LCSs = B4 s

LC X = X

LCs

LCI X = X - A3 s

LCIs = B3 s

44

= s

em que

s e X representam, respectivamente, a mdia dos desvios padres e a mdia das

mdias das diversas amostras. A3, B3 e B4 so constantes que variam com o tamanho da
amostra. Estas encontram-se registadas na Tabela IV.

Tabela IV
Parmetros a utilizar nas frmulas de clculo dos limites de controlo das cartas de controlo por mdias e desvios
padro

Grfico s

Grfico X
n

A3

B3

B4

2,66

3,27

1,95

2,57

1,63

2,27

1,43

2,09

1,29

0,03

1,97

1,18

0,12

1,88

1,10

0,19

1,82

1,03

0,24

1,76

10

0,98

0,28

1,72

A construo e interpretao deste tipo de cartas de controlo exactamente anlogo ao

descrito para as cartas de mdias e amplitudes, residindo a nica diferena no facto de, em
vez de se calcular a amplitude R para cada amostra se calcular o seu desvio padro.
Pelas razes atrs descritas, o uso deste tipo de cartas de controlo no muito
frequente.

1.7.1.3

Cartas de controlo de medianas ( X )

As cartas de controlo por medianas so uma alternativa utilizao das cartas de controlo
por mdias e amplitudes. Este tipo de cartas, mais apropriadas quando a amostra apresentam
um tamanho inferior a 10 e, preferencialmente, mpar, so mais fceis de utilizar uma vez que
no requerem muitos clculos.

45

Por forma a analisar as tendncias na variabilidade dos valores observados, opta-se na

maioria dos casos por traar tambm a carta de controlo por amplitudes (R). As frmulas para
determinao dos limites de controlo e linhas centrais para as cartas de controlo por medianas
e amplitudes encontram-se na Tabela V.

Tabela V
Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo por medianas e
amplitudes

Carta

~=
LCS X

~
X

~ =
LC X

~
X

~ =
LCI X

~
X

~
X

Carta R

~
A2 R

LCSR = D4
LCR

~
A2 R

LCIR = D3

~
X e R representam, respectivamente, a mdia das medianas e a mdia das amplitudes das
diversas amostras. Os factores

~
A 2 , D3 e D4 necessrios para o clculo dos limites de controlo

encontram-se na Tabela VI.

Tabela VI
Parmetros a utilizar nas frmulas de clculo dos limites de controlo das cartas de controlo por medianas e
amplitudes

Grfico R

Grfico X
n

~
A2

D3

D4

1,88

3,27

1,19

2,57

0,80

2,28

0,69

2,11

0,55

2,00

0,51

0,08

1,92

0,43

0,14

1,88

0,41

0,18

1,82

10

0,36

0,22

1,78

46

1.7.1.4

Cartas de controlo de valores individuais e amplitudes mveis (Xi/Rm)

Embora no sejam to sensveis na deteco de variaes como as cartas de controlo

por mdias e amplitudes, casos h em que necessrio ou conveniente construir cartas de
controlo a partir de leituras individuais de valores. No entanto, dadas as limitaes inerentes
utilizao deste tipo de cartas, sempre possvel ser prefervel utilizar cartas de mdias e
amplitudes mesmo que o subgrupo considerado seja muito pequeno.
Dado o interesse em analisar a forma como a amplitude vai variando ao longo do
processo, e uma vez que dentro do grupo (n=1) esta nula, o que se faz calcular a diferena
entre duas leituras consecutivas. Ao valor absoluto desta diferena chama-se amplitude
mvel. No final da carta o nmero de amplitudes mveis ir ser inferior em uma unidade ao
nmero de leituras.
O procedimento seguido na elaborao das cartas de controlo exactamente anlogo ao
anteriormente descrito: ao longo do processo vai-se fazendo a recolha de amostras cada uma
das quais constituida apenas por uma nica leitura. Os valores lidos/medidos so ento
marcados na carta de controlo de valores individuais. Na carta de amplitudes mveis vo-se
marcando os valores absolutos das diferenas entre cada valor e o recolhido imediatamente
antes. As frmulas para determinao dos limites de controlo e linhas centrais para as cartas de
controlo por medianas e amplitudes encontram-se na Tabela VII.

Tabela VII
Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo por valores
individuais e amplitudes mveis

Carta Xi

Xi e R

LCSXi=

Xi

LCXi =

Xi

LCIXi =

Xi

Carta Rm
LCSRm = D4

+ E2 R

LCRm

Rm

LCIRm = D3

- E2 R

Rm

representam, respectivamente, a mdia dos valores recolhidos e a mdia das

diversas amplitudes mveis. Os factores E2, D3 e D4 necessrios para o clculo dos limites de
controlo encontram-se na Tabela VIII.
Tabela VIII

47

Parmetros a utilizar nas frmulas de clculo dos limites de controlo das cartas de controlo por valores individuais e
amplitudes mveis

Grfico Xi
n

Grfico Rm

E2

D3

D4

2,66

3,27

1,77

2,57

1,46

2,28

1,29

2,11

1,18

2,00

1,11

0,08

1,92

1,05

0,14

1,86

1,01

0,18

1,82

10

0,98

0,22

1,78

1.7.2 Cartas de controlo por atributos

As cartas de controlo por atributos so usadas quando se pretendem avaliar
caractersticas do tipo qualitativo como por exemplo conformidade, cor, brilho ou existncia de
defeitos. Os critrios de avaliao no caso dos atributos podem ser do tipo passa/no passa,
conforme/no conforme, alto/baixo, bom/mau, etc. Estas cartas de controlo so muito
aplicadas na prtica quer deteco de unidades defeituosas quer deteco de defeitos.
Para a deteco de unidades defeituosas podemos ter:
cartas do tipo np (usadas para nmero de unidades defeituosas);
cartas do tipo p (usadas para proporo ou fraco de unidades defeituosas);

48

As cartas de controlo usadas na deteco de no conformidades so:

cartas do tipo c (usadas para o nmero de defeitos);
cartas do tipo u (usadas para o nmero de defeitos por pea).

As cartas de controlo por atributos podem ter um aspecto semelhante ao da carta

apresentada na Figura 9. Esta carta pode ser utilizada para funcionar quer como carta np, p, c
ou u dependendo do tipo e quantidade de dados recolhidos.

O procedimento a seguir na elaborao de cartas de controlo por atributos exactamente

anlogo ao j visto para cartas de controlo por variveis. Assim, h que recolher amostras com
um determinado tamanho, das unidades recolhidas contar aquelas que apresentam a caracterstica em questo (por exemplo, quantas delas so no conformes), tratar os resultados obtidos
por forma a poder marcar os pontos no grfico, determinar os limites de controlo e, depois dos
pontos marcados, verificar a existncia de pontos fora dos limites de controlo ou que apresentem tendncias na sua evoluo. Ao contrrio da situao anterior em que as cartas surgiam
sempre aos pares devido necessidade de avaliar no s a centralidade como tambm a variabilidade dentro da amostra, as cartas de controlo por atributos surgem sempre individualmente.

49

10

11

12

13

14

15

16

17

18

19

20

21

22

LCS =
LC =
LCI =

23

24

25

O
D
A
Q

50

U
A
L
I

Figura 9 - Exemplo de carta de controlo para atributos

D
A
D

Proporo
(p, u)

np

Nmero
(np, c)

Freq.:
Tam. mdio amostra:

Tamanho da
amostra (n)

Carta N:

DATA
HORA
RUBRICA

Pea:
Caracterstica:

AMOSTRA

Mquina:
Processo:

CONTROLO DE CONTROLO PARA ATRIBUTOS

G
E

De seguida ir-se-o analisar as diferenas entre cada um dos tipos de cartas de controlo acima
mencionados.

1.7.2.1

Cartas do tipo np e do tipo p

Quando se pretende controlar o nmero de peas defeituosas na linha de produo

poder-se- utilizar uma carta do tipo np ou do tipo p. A nica diferena entre estes dois tipos
de cartas reside no facto de, para o caso das cartas do tipo np, em que se conta o nmero de
unidades defeituosas, o tamanho da amostra recolhida ter de ser constante. De facto, s se
todas as amostras tiverem o mesmo nmero de elementos que ser possvel comparar o
nmero de peas defeituosas que cada uma delas tem.
Se o tamanho da amostra recolhida for varivel, como a base de comparao j no ser a
mesma, no poderemos falar em termos de nmero de unidades defeituosas mas sim em termos da
proporo de unidades defeituosas e a carta de controlo a utilizar dever ser do tipo p.
Na tabela IX apresentam-se as frmulas a utilizar para a determinao dos limites de
controlo para ambas as cartas.

Tabela IX
Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo do tipo np e do
tipo p

Carta np

Carta p

L CSnp = np + 3 np (1 p)

L CSp = p + 3

L C np = np

L Cp = p

L C Inp = n p 3 np (1 p )

L C Ip = p 3

51

p(1-p)

p(1-p)

Exemplo 8
Determinar os limites de controlo para o conjunto de dados representados abaixo e, por
simples inspeco, avaliar se o processo se encontra ou no em controlo estatstico.

Amostra n.

Tamanho do subgrupo n

np (n. de items defeituosos)

100

100

100

100

100

100

100

100

100

10

100

11

100

12

100

13

100

14

100

15

100

16

100

17

100

18

100

19

100

20

100

21

100

22

100

23

100

24

100

25

100

Total

= 2500

pn = 68

Uma vez que neste caso o tamanho da amostra constante (n=100) ser mais apropriado
utilizar uma carta de controlo do tipo np para o nmero de unidades defeituosas.

52

Em 2500 unidades, o nmero total de unidades defeituosas de 68. A percentagem

mdia de unidade defeituosas ser
p=

68
2500

= 0,0272

e o nmero mdio de unidades defeituosas

n p = 100

68
2500

= 2 ,72

Aplicando agora as frmulas cima para a determinao dos limites de controlo teremos
que
L CS = pn + 3 pn(1 p ) = 2 ,72 + 3 2 ,72 (1 0, 0272) = 7 , 6
LC = pn = 2 ,72
LCI = p n 3 pn(1 p ) = 2, 72 3 2,72 ( 1 0 , 0272) = 2, 2

Dado no fazer sentido ter um limite de controlo inferior negativo considera-se, neste
tipo de casos, que o LCI vale 0. Desta forma, para o processo se encontrar em controlo
estatstico, o nmero de peas defeituosas em cada uma das amostras recolhidas ter que
estar entre 7 (arredonda-se para o inteiro imediatamente inferior) e 0) o que, por anlise dos
valores da tabela, de facto acontece.

53

Exemplo 9
Determinar os limites de controlo para o conjunto de dados representados abaixo e, por
simples inspeco, avaliar se o processo se encontra ou no em controlo estatstico.

Amostra n.

Tamanho do subgrupo n

np (n. de items defeituosos)

724

48

763

83

748

70

748

85

724

45

727

56

726

48

719

67

759

37

10

745

52

11

736

47

12

739

50

13

723

47

14

748

57

15

770

51

16

756

71

17

719

53

18

757

34

19

760

29

Total

= 14 091

pn = 1030

Neste caso verifica-se que o tamanho da amostra no constante pelo que no

podemos comparar o nmero de peas defeituosas em cada amostra, mas sim a fraco de
peas defeituosas.

54

Amostra n.

Tamanho do subgrupo

np

(n. de items defeituosos)

(fraco de items defeituosos)

724

48

0,066

763

83

0,109

748

70

0,094

748

85

0,114

724

45

0,062

727

56

0,077

726

48

0,066

719

67

0,093

759

37

0,049

10

745

52

0,070

11

736

47

0,064

12

739

50

0,068

13

723

47

0,065

14

748

57

0,076

15

770

51

0,066

16

756

71

0,094

17

719

53

0,074

18

757

34

0,045

19

760

29

0,038

Total

= 14 091

pn = 1030

O valor mdio da percentagem ou fraco de peas defeituosas pode ser calculado de

duas formas alternativas. A primeira delas consiste em fazer a mdia aritmtica das 19 fraces
de peas no conformesde onde se obtem-se obtm que p = 0 ,073 . A outra forma
alternativa de fazer o clculo ser dividir o nmero total de peas defeituosas (1030) pelo
nmero total de peas amostradas (14 091):
p=

1030
= 0 ,073
14091

O valor obtido por ambos os processos dever ser aproximadamente o mesmo a menos
de algumas diferenas nas casas decimais devidos aos arredondamentos efectuados no
clculo dos valores de p para cada amostra.

55

Outra questo se pe agora: que valor de n considerar para a determinaos dos limites
de controlo?
A forma mais correcta de proceder ser, para cada caso, considerar o tamanho da amostra
(n) correspondente. Desta forma os limites de controlo superior e inferior iro ser diferentes
de amostra para amostra devido aos diferentes valores de n utilizados. Tal como se v no
grfico seguinte os limites so agora representados por segmentos de recta para cada
amostra.

Amostra n.

Tamanho

L CSp = p + 3

p(1-p)

L C Ip = p 3

724

0,102

0,044

763

0,101

0,045

748

0,102

0,044

748

0,102

0,044

724

0,102

0,044

727

0,102

0,044

726

0,102

0,044

719

0,102

0,044

759

0,101

0,045

10

745

0,102

0,044

11

736

0,102

0,044

12

739

0,102

0,044

13

723

0,102

0,044

14

748

0,102

0,044

15

770

0,101

0,045

16

756

0,101

0,045

17

719

0,102

0,044

18

757

0,101

0,045

19

760

0,101

0,045

p(1-p)

Nos casos em que o tamanho da amostra no difere muito de caso para caso admissvel
considerar o tamanho mdio da amostra como base de clculo (de facto isso que se costuma
fazer na prtica). No caso presente teremos ento que, para um tamanho mdio da amostra de
742 (mais exactamente 741,6) os limites de controlo superior e inferior sero, respectivamente,
0,102 e 0,044.

56

No grfico seguinte encontra-se apenas representada a situao em que se consideram os

limites a variar. Nele possvel detectar a existncia de pontos fora de controlo estatstico
(pontos ns. 2, 4 e 19). No momento em que tal aconteceu, dever-se-ia ter parado o processo e
investigado a razo de tal ocorrncia.

1.7.2.2

Cartas do tipo c e do tipo u

Quando se pretende controlar o nmero de defeitos que ocorrem podem-se utilizar

cartas do tipo c ou do tipo u. A diferena entre estes dois tipos de cartas precisamente o
mesmo que entre as cartas np e p. As cartas do tipo c utilizam-se quando se pretende
controlar o nmero de defeitos em amostras de tamanho constante. Se, pelo contrrio,
ocorrer variao do tamanho da amostra, dever-se-o contar o nmero de defeitos por pea
inspeccionada e as cartas a usar sero do tipo u.

57

58
6

10

11

12

13

14

15

16

17

18

19

21

22

23

24

25

0,066 0,109 0,094 0,114 0,062 0,077 0,066 0,093 0,049 0,070 0,064 0,068 0,063 0,076 0,066 0,094 0,074 0,045 0,038

20

Proporo
(p, u)

Nmero
(np, c)

724 763 748 748 724 727 726 719 759 745 736 739 723 748 770 756 719 757 760

Tamanho da
amostra (n)

RUBRICA

AMOSTRA
DATA
HORA

0,02

0,04

LCI =

LCS =
LC =

0,06

0,08

np

0,10

Tam. mdio amostra:

Freq.:

0,12

Carta N:

0,14

Caracterstica:

Processo:

0,16

Pea:

Mquina:

CONTROLO DE CONTROLO PARA ATRIBUTOS

G
E

Na tabela X apresentam-se as frmulas a utilizar para a determinao dos limites de controlo

para ambos os tipos de cartas.

Tabela X
Frmulas a usar na determinao das linhas centrais e limites de controlo para as cartas de controlo do tipo c e do
tipo u

Carta c

Carta u

LCSc = c + 3 c

LCSu = u + 3

LCc = c

LC u = u

LCI c = c 3 c

LCI u = u 3

u
n

u
n

O problema da dimenso da amostra no constante surge aqui novamente na

determinao dos limites da carta u. Tal como no exemplo 10, esse problema pode ser
contornado ou calculando os limites de controlo para cada caso, ou trabalhando com um
tamanho mdio para a amostra.

Exemplo 10
Determinar os limites de controlo para o conjunto de dados representados abaixo e, por
simples inspeco, avaliar se o processo se encontra ou no em controlo estatstico.

N. amostra

N. de montagens
inspeccionadas

N. total de defeitos
encontrados

10

30

18

10

20

24

15

26

21

10

Total:

26

182

59

Como o tamanho da amostra varivel, ter-se- que construir uma carta do tipo u
para o que , antes de mais, necessrio determinar o nmero de defeitos por montagem
inspeccionada.

N. amostra

N. de montagens

N. total de defeitos

N. defeitos por montagem

inspeccionadas

encontrados

10

30

7,5

18

10

10

20

6,7

24

15

7,5

26

6,5

21

10

Total:

26

182

Se considerarmos um tamanho mdio para a amostra de 3 (i.. 2,6) e um nmero mdio de

defeitos por amostra de 7, os limites de controlo superior e inferior para a carta de controlo sero,
respectivamente 11,6 e 2,4. Por anlise da ltima coluna da tabela acima possvel verificar que
todos os pontos se encontram nesta gama e que, portanto, no nenhum fora de controlo.
Ter-se-ia chegado mesma concluso caso se tivesse considerado o tamnho da amostra
como varivel.

1.7.3 Capacidade do processo

Uma vez determinado que o processo se encontra em controlo estatstico (processo
estvel), h ainda a questo de saber se ele ou no capaz de satisfazer as necessidades do
cliente (seja ele interno ou externo). A capacidade do processo uma medida que permite,
caso o histograma do processo apresente uma distribuio normal e caso ele se encontre em
controlo estatstico, avaliar a sua variao devido unicamente existncia de causas comuns.
O planeamento do estudo da capacidade deve ser baseada num mnimo de 20 sub-grupos,
cada um dos quais com 3 ou mais medies por forma a incluir no s a variao das corridas,
como tambm como a variao entre as corridas. Desta forma conseguir-se- avaliar a
repetibilidade e reprodutibilidade do processo em estudo.

60

As amostras devem ser recolhidas ao longo de vrios turnos, com uma cadncia
descontnua por forma a no excluir quaisquer alteraes do processo resultantes da
utilizao de diferentes materiais, operadores, mquinas, tempos de medio, etc.
Depois de recolhidos, registados e tratados os valores, determinam-se os chamados
ndices de capacidade do processo Cp e Cpk:

Cp =

LSE LIE
6 si

e
Mn LSE X; X LIE

C pk =

3 si

em que LSE e LIE representam, espectivamente, os limites superior e inferior de especificao e

si uma estimativa do desvio padro da totalidade dos valo res feita atravs da frmula
si =

R
d2

onde d2 uma constante que depende do tamnho da amostra considerada tal como se
mostra na Tabela XI

Tabela XI
Variao da constante d2 com o tamanho da amostra

d2

1,128

1,693

2,059

~2,326

2,534

2,704

2,847

2,970

10

3,078

61

O ndice Cp relaciona a disperso dos valores com a tolerncia especificada, isto , mede
a variabilidade do processo. Por outro lado, o Cpk compara simultaneamente o seu acerto ou
regulao (medida central) e a sua variabilidade relativamente tolerncia.
A capacidade do processo ser considerada satisfatria se quer o Cp quer o Cpk forem
superiores a 1,33. Nesta situao garante-se que a disperso dos valores est toda contida
nos 4s da curva de disperso normal e que, para alm disso, o processo se encontra
centrado em torno do valor ptimo. Se algum destes parmetros for inferior a 1,33, devero
ser tomadas aces (usualmente a nvel da gerncia) para trazer o processo para prximo
dos valores ptimos desejados bem assim como para reduzir a sua variabilidade.

62

1.8 Exerccios de aplicao

Fluxogramas

1. Elaborar um fluxograma para o processo de ligar uma televiso

2. Imagine que pretende contactar telefonicamente o Director Geral de uma
grande empresa. Elabore um fluxograma que ilustre toda a srie de passos por
que ter que passar o seu telefonema.
3. Elabore um fluxograma que ilustre o processo ou servio a que est ligado na
sua empresa.
4. Elabore um fluxograma que ilustre o processo que, na sua empresa, segue
uma reclamao feita por um cliente.

Diagramas de Pareto

1. Atravs de uma sondagem efectuada, concluiu-se que as principais razes

apontadas para a devoluo de peas de vesturio compradas por catlogo
foram as indicadas abaixo. Elabore o respectivo diagrama de Pareto.

Existncia de manchas

Tipo de corte

Qualidade do tecido

60

Tamanho

Existncia de furos

Cr

20

Mudana de endereo

Falecimento

No levantado

Ter-se estragado no transporte

2. A administrao encontra-se preocupada com o nmero de defeitos que esto

a surgir nas peas. Por forma a identificar as suas causas decidiu, ao longo de
uma semana de trabalho estudar o nmero e tipo de defeitos por operador e
por mquina. Os resultados encontram-se na tabela abaixo. Que concluses
pode tirar?

63

Operador

Mquina

1
A

Segunda

Tera

Quarta

Quinta

Sexta

**
oo

*
ooo

*****
oooo

*
ooo

*
oooo

##
+

##
+

##

###

*
o

**
oo

*****
oo

*
o

**
o

*****
o

*
o

*
oo

#
+

****
oo
#

*
oo
#

**
o

*
o

*
oo

*
o
#

+
deformao

* peso

o dureza

# picada

+ humidade

3. Contabilizadas a frequncia de ocorrncia de defeitos numa linha de produo

bem como os custos de tratamento associados, concluiu-se que

Tipo de defeitos
riscos
picadas
deformao
descolorao
dimenso errada

Frequncia

Custo unitrio

30
20
10
10
15

15
15
60
30
60

Construa o Pareto de defeitos e de custos.

64

Diagrama de Causa e Efeito

1. Construa o diagrama de causa e efeito que possa explicar a derrota de uma

equipa num jogo de futebol.
2. Construa o diagrama de causa e efeito que possa explicar o atraso para um
encontro.
3. Construa o diagrama de causa e efeito que possa explicar a variao de
dimenso das peas que saem de uma mesma linha de produo.
4. Construa o diagrama de causa e efeito que possa explicar a contaminao
verificada num alimento sua escolha.
5. Construa o diagrama de causa e efeito que possa explicar a insatisfao de um
dos clientes da sua empresa.

Histogramas

1. Construa a tabela de frequncias e o histograma para as idades dos alunos de

uma turma de 12. ano.

17

20

19

17

17

19

18

16

25

18

23

17

17

17

18

18

17

18

22

22

16

20

20

Interprete o histograma que obteve. Determine tambm a mdia, a mediana, a

moda, a amplitude e o desvio padro deste conjunto de valores.

65

2. Jogam-se 5 moedas simultaneamente 500 vezes encontrando-se registado na

tabela seguinte o nmero de coroas obtidas em cada jogada.

N. coroas

Frequncia

20

76

121

144

82

57

Construa a tabela de frequncias e interprete os histogramas respectivos.

Determine a mdia, mediana, moda, amplitude e desvio padro deste conjunto de
valores.

3. Na tabela seguinte encontram-se os pesos de 100 pacotes de bolachas sados

de uma linha de embalagem.
302,25
298,35
300,36
302,52
299,23
297,83
301,85
300,73
299,62
302,45

301,19
301,11
299,68
298,49
303,66
299,95
298,72
298,56
299,70
298,34

298,07
297,59
299,57
297,87
298,23
299,20
303,76
299,19
300,12
298,73

299,75
299,83
300,14
299,12
302,04
299,70
298,86
299,75
299,60
302,10

299,76
303,49
301,05
301,35
299,70
298,29
300,96
300,84
301,63
302,00

300,24
298,65
300,86
301,81
303,07
299,55
300,52
298,34
298,11
300,83

302,17
298,61
301,99
299,26
298,35
299,13
298,00
302,39
298,85
298,36

303,91
299,08
299,18
300,48
300,86
297,72
299,38
299,83
297,99
299,07

298,76
298,98
299,07
299,48
298,94
297,47
304,22
302,85
302,45
302,83

299,07
305,13
297,84
300,20
301,59
298,16
300,02
301,33
299,16
300,80

Sabendo que o valor de peso especificado para cada pacote de 300 2 gramas,
que concluses pode tirar atravs da anlise do respectivo histograma?

4. Numa padaria, dois padeiros (A e B) cozem o po usando duas mquinas (1 e

2). Os pesos dos pes franceses produzidos foram registados durante 20 dias.
Cada dia, quatro pes foram tirados ao acaso de cada mquina e o seu peso
anotado na tabela abaixo. Dado que o peso especificado pode variar entre 200
e 225 gramas, o que pode concluir sobre o processo?

66

Dia

Padeiro

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

A
A
A
B
B
A
A
B
B
B
A
B
B
A
A
A
B
B
B
A

Mquina 1
209,2
208,5
204,2
204,0
209,6
208,1
205,2
199,0
197,2
199,1
204,6
214,7
204,1
200,2
201,1
201,3
202,3
194,1
204,8
200,6

209,5
208,7
210,2
203,3
203,7
207,9
204,8
197,7
210,6
207,2
207,0
207,5
196,6
205,5
209,2
203,1
204,4
211,0
201,3
202,3

Mquina 2

210,2
206,2
210,5
198,2
213,2
211,0
198,7
202,0
199,5
200,8
200,8
205,8
204,6
208,0
205,5
196,3
202,1
208,4
208,4
204,3

212,0
207,8
205,9
199,9
209,6
206,2
205,8
213,1
215,3
201,2
204,6
200,9
199,4
202,7
200,0
205,5
206,6
202,6
212,3
201,4

214,3
215,3
215,7
212,5
208,4
212,3
208,1
207,5
206,9
209,6
212,2
211,4
209,6
203,5
209,1
208,0
210,0
215,6
214,5
209,1

221,8
216,7
213,8
210,2
214,9
216,2
211,9
209,9
207,1
209,5
209,8
211,2
209,2
206,9
206,3
207,9
209,4
211,8
207,5
205,8

214,6
212,3
215,2
211,3
212,8
208,4
212,9
210,6
213,6
206,8
207,6
214,4
206,1
210,6
209,8
205,3
209,1
205,4
212,9
212,0

214,4
212,0
202,7
210,4
214,8
210,8
209,0
212,3
212,2
214,2
212,6
212,6
207,1
212,3
211,4
203,6
207,0
209,0
204,3
204,2

Diagramas de disperso

1. Um fabricante de garrafas de plstico que as fabrica pelo processo de

moldagem a sopro, est a deparar-se com problemas por muitas delas
apresentarem as paredes demasiado finas. Suspeitou-se ento que a variao
da presso de ar de dia para dia pudesse estar por trs desse problema. A
tabela seguinte relaciona os dados sobre a presso do ar e a percentagem de
garrafas consideradas defeituosas. Que pode concluir?

67

Data

Presso de ar
(kgf/cm2)

% garrafas
defeituosas

Data

Presso de ar
(kgf/cm2)

% garrafas
defeituosas

1/10

8,6

0,889

22/10

8,7

0,892

2/10

8,9

0,884

23/10

8,5

0,877

3/10

8,8

0,874

24/10

9,2

0,885

4/10

8,8

0,891

25/10

8,5

0,866

5/10

8,4

0,874

26/10

8,3

0,896

8/10

8,7

0,886

29/10

8,7

0,896

9/10

9,2

0,911

30/10

9,3

0,928

10/10

8,6

0,912

31/10

8,9

0,886

11/10

9,2

0,895

1/11

8,9

0,908

12/10

8,7

0,896

2/11

8,3

0,881

15/10

8,4

0,894

5/11

8,7

0,882

16/10

8,2

0,864

6/11

8,9

0,904

17/10

9,2

0,922

7/11

8,7

0,912

18/10

8,7

0,909

8/11

9,1

0,925

19/10

9,4

0,905

9/11

8,7

0,872

Cartas de controlo

1. Seleccione o tipo de carta de controlo apropriada para controlar as seguintes

caractersticas:

a) peso de biscoitos empacotados

b) nmero de defeituosos em 1000 produtos
c) nmero de defeitos de soldagem num aparelho de rdio
d) rendimento de um produto qumico numa batelada
e) percentagem de peas defeituosas em lotes de tamanho varivel
f) nmero de arranhes por m2 de chapa de ao

68

2. Construa as duas cartas necessrias para verificar se a viscosidade de um fludo

se encontra ou no em controlo estatstico.

N. de batch

Viscosidade

33,75

33,05

34,00

33,81

33,46

34,02

33,68

33,27

33,49

10

33,20

11

33,62

12

33,00

13

33,54

14

33,12

15

33,84

69

3. Na tabela abaixo apresenta-se o primeiro dos conjuntos de leituras feitas para

verificar se o peso de pacotes de manteiga se encontra ou no em controlo
estatstico. Que concluses pode tirar?

Amostra n.

Data

Leituras

2/2

52,5

52,9

52,9

53,5

3/2

53,0

52,8

53,5

52,4

4/2

52,8

52,9

52,7

52,8

5/2

52,9

52,9

52,9

52,9

6/2

52,8

52,9

52,7

53,1

9/2

52,6

53,4

53,1

53,3

10/2

53,5

53,6

52,8

52,7

11/2

53,1

53,3

53,5

53,0

12/2

53,4

53,1

53,1

53,1

10

13/2

53,2

53,4

53,1

52,9

11

16/2

53,4

53,0

53,9

53,1

12

17/2

52,8

52,9

53,2

53,2

13

18/2

53,2

53,3

52,9

53,1

14

19/2

53,5

52,9

54,0

53,9

15

20/2

54,3

53,6

53,6

53,8

16

23/2

53,2

53,3

54,0

53,7

17

24/2

53,8

54,0

53,8

53,8

18

25/2

53,1

53,6

53,7

53,8

19

26/2

53,7

53,8

53,0

53,5

20

27/2

53,3

53,1

53,6

53,0

21

1/3

53,3

53,7

53,3

53,8

22

2/3

53,1

53,1

53,2

53,1

23

4/3

53,6

53,4

53,2

53,0

24

5/3

53,4

53,7

53,0

53,2

25

6/3

53,3

53,2

53,5

53,4

70

4. Construa uma carta para a percentagem de no conformidades para verificar se

o processo se encontra ou no em controlo estatstico.

N. da
amostra

Tamanho da
amostra

N. de defeitos
na amostra

100

12

80

80

100

110

10

110

12

100

11

100

16

90

10

10

90

11

110

20

12

120

15

13

120

14

120

15

110

16

80

17

80

10

18

80

19

90

20

100

21

100

22

100

23

100

10

24

90

25

90

71

5. Verifique se o seguinte processo se encontra ou no em controlo estatstico

Amostra

N. de defeitos por m2 de
madeira

10

11

12

13

14

15

16

17

18

19

20

72

6. Verifique se o seguinte processo se encontra ou no em controlo estatstico.

Data

Tamanho da
amostra

N. de defeitos
na amostra

13/8

1524

70

14/8

1275

53

15/8

1821

132

16/8

1496

91

17/8

1213

32

18/8

1371

55

19/8

1248

69

20/8

1123

67

21/8

1517

159

22/8

1488

94

23/8

2052

105

24/8

1696

37

25/8

1427

58

26/8

1277

75

27/8

1613

73

28/8

1987

145

29/8

1360

41

30/8

1439

50

31/8

1723

118

1/9

2035

169

2/9

1314

88

3/9

215

24

4/9

1384

77

5/9

1995

185

6/9

467

36

73

2.

Bibliografia

Controle da Qualidade Total, Volume I, Feigenbaum, A.V., Makron Books, So Paulo

(1994).

Controle da Qualidade Total, Volume III, Feigenbaum, A.V., Makron Books, So Paulo
(1994).

Mtodos Estatsticos para Melhoria da Qualidade, Kume, H., Editora Gente, Rio de
Janeiro (1993).

Statistical Process Control (SPC) - Reference Manual, Chrysler Corporation, Ford Motor
Company and General Motors Corporation (1995).

74

TQT

Escola Superior de Biotecnologia

Universidade Catlica Portuguesa
Rua Dr. Antnio Bernardino de Almeida
4200 Porto - Portugal
Tel.: (02) 5580070 / 76 Fax: (02) 5580072
http://www2.esb.ucp.pt/tqtoolkit