Apostila Ferramentas para A Qualidade PDF

Ferramentas para Qualidade
Balanced ScoreCard - BSC
Ferramentas Gerenciais
Quality Function Deployment - QFD
Controle Estatı́stico do Processo - CEP
Professor:
Dorival Leão
ii
Sumário
1 Balanced ScoreCard 1
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Perspectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Perspectiva Financeira . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Perspectiva do Cliente: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 Perspectiva dos Processos Internos: . . . . . . . . . . . . . . . . . . . . . 4
1.2.4 Perspectiva de Aprendizado e Crescimento: . . . . . . . . . . . . . . . . . 4
1.3 Passos para a implementação do BSC . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Construção do Mapa Estratégico . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Diagrama em árvore . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 9

2.1 Diagrama de afinidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Diagrama de relações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1 Construção do diagrama de relações . . . . . . . . . . . . . . . . . . . . . 16
2.3 Diagrama em árvore . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.1 Construção do diagrama em árvore . . . . . . . . . . . . . . . . . . . . . 22
2.4 Matriz de priorização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.1 Método de priorização por critérios . . . . . . . . . . . . . . . . . . . . . 27
2.4.2 Método de priorização por causa e efeito . . . . . . . . . . . . . . . . . . 32
2.5 Matriz de relações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5.1 Matriz de relações tipo L . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5.2 Matriz de relações tipo T . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5.3 Matriz de relações tipo Y . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5.4 Matriz de relações tipo X . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.6 Diagrama PDPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Sumário iii
2.6.1 Construção do diagrama PDPC . . . . . . . . . . . . . . . . . . . . . . . 40

2.7 Diagrama de atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.7.1 Sı́mbolos, definições e regras . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.7.2 Construção do diagrama de atividades . . . . . . . . . . . . . . . . . . . 52
3 QFD - Desdobramento da Função Qualidade 57

3.1 Definição e Evolução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2 A Matriz QFD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3 Usando a “Casa de Qualidade” QFD . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3.1 Instruções para Usar a “Casa de Qualidade” QFD . . . . . . . . . . . . . 62
3.3.2 Resumo da End State Chemical . . . . . . . . . . . . . . . . . . . . . . . 71
3.4 Resumo QFD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.5 Exercı́cios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4 Introdução à Estatı́stica 74
4.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2 Coleta de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.2.1 Planejando a coleta de dados . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3 Exposição de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.3.1 Dados qualitativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.3.2 Dados quantitativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.4 Diagrama de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.4.1 Diagrama de Pareto relativo a custos . . . . . . . . . . . . . . . . . . . . 85
4.5 Distribuição de Freqüências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.5.1 Distribuição de freqüência pontual: Dados discretos . . . . . . . . . . . . 88
4.5.2 Distribuição de freqüência em intervalos de classes: Dados contı́nuos . . . 90
4.6 Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.7 Medidas de Posição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.7.1 Média aritmética . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.7.2 Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.8 Medidas de Dispersão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.8.1 Amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.8.2 Variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.8.3 Desvio padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Sumário iv
4.9 Estatı́sticas Descritivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

4.10 Boxplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.11 Dotplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.12 A Distribuição Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.13 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.14 Teste de Normalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.14.1 Teste Anderson-Darling . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.14.2 Distribuição Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.14.3 Teste de Kolmogorov - Smirnov . . . . . . . . . . . . . . . . . . . . . . . 119
4.14.4 Shapiro-Wilk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5 Introdução ao CEP 129

5.1 Um sistema de controle do processo . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.2 Definições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.3 Ações locais e ações sobre o sistema . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.4 O ciclo de melhoria e o controle do processo . . . . . . . . . . . . . . . . . . . . 135
5.4.1 Analisar o processo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
5.4.2 Mantendo o controle do processo . . . . . . . . . . . . . . . . . . . . . . 137
5.4.3 Aperfeiçoar o processo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.5 Uso efetivo e os benefı́cios dos gráficos de controle . . . . . . . . . . . . . . . . . 138
5.5.1 Filosofia da gerência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.5.2 Filosofia da engenharia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.5.3 Manufatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.5.4 Controle de qualidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
5.5.5 Produção . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
6 Gráficos ou Cartas de Controle 141

6.1 Gráficos de Shewhart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.1.1 Formas de aplicação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.1.2 Benefı́cios dos gráficos de controle . . . . . . . . . . . . . . . . . . . . . . 143
6.1.3 Tipos de gráficos de Shewhart . . . . . . . . . . . . . . . . . . . . . . . . 144
6.1.4 Fase preparatória e elaboração dos gráficos . . . . . . . . . . . . . . . . . 144
Sumário v
7 Gráficos de Controle por Variáveis 149

7.1 Gráficos X e R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
7.1.1 Cálculo dos limites de controle . . . . . . . . . . . . . . . . . . . . . . . . 151
7.1.2 Disposição dos pontos nos gráficos X e R . . . . . . . . . . . . . . . . . . 152
7.1.3 Objetivos e interpretação dos gráficos X e R . . . . . . . . . . . . . . . . 154
7.2 Definindo sinais “fora de controle” . . . . . . . . . . . . . . . . . . . . . . . . . . 155
7.3 Average Run Length (ARL) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
7.4 Gráficos X e S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
7.4.1 Cálculo dos limites de controle . . . . . . . . . . . . . . . . . . . . . . . . 162
7.4.2 Disposição dos pontos nos gráficos X e S . . . . . . . . . . . . . . . . . . 163
7.5 Gráficos para valores individuais e amplitudes móveis: X e M R . . . . . . . . . 165
8 Gráficos de Controle por Atributos 172

8.1 Gráfico p (para proporção ou fração de defeituosos) . . . . . . . . . . . . . . . . 172
8.2 Gráfico np (número de defeituosos) . . . . . . . . . . . . . . . . . . . . . . . . . 183
8.3 Gráficos c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
8.4 Gráfico u . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
9 Introdução à Análise de Capacidade do Processo 193

9.1 Variabilidade a curto prazo e variabilidade a longo prazo . . . . . . . . . . . . . 195
9.2 Estimativa do desvio padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
10 Índices de Capacidade e Performance do Processo 199

10.1 Índices de capacidade do processo: Cp e Cpk . . . . . . . . . . . . . . . . . . . 199
10.2 Índices de performance do processo : Pp e Ppk . . . . . . . . . . . . . . . . . . 206
10.3 Tratamento de tolerâncias unilaterais . . . . . . . . . . . . . . . . . . . . . . . . 208
11 Capacidade do Processo e a Distribuição Normal Padronizada (Z) 213

11.1 Índice Cpm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
11.2 Aplicações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
12 Análise de Performance do Processo para Dados Não Normais 231

12.1 Modelo normal com a transformação de Box-Cox . . . . . . . . . . . . . . . . . 231
12.2 Análise de performance do processo para dados com distribuição não normais . . 235
12.3 Índices de performance do processo : Pp e Ppk . . . . . . . . . . . . . . . . . . 236
Sumário vi
12.4 Análise de performance do processo com a distribuição de Weibull . . . . . . . . 238

12.5 Análise de performance do processo com a distribuição exponencial . . . . . . . 247
12.6 Análise de Performance do processo com a distribuição log-normal . . . . . . . . 253
12.7 Análise de performance não paramétrica . . . . . . . . . . . . . . . . . . . . . . 259
12.7.1 Famı́lia de Pearson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
12.7.2 Cálculo de ı́ndice de performance não paramétrica (Clements) . . . . . . 261
12.7.3 Método do núcleo (kernel) . . . . . . . . . . . . . . . . . . . . . . . . . . 267
13 Análise de Performance para Atributos 275

13.1 Análise de performance para dados binomiais . . . . . . . . . . . . . . . . . . . 275
13.2 Análise de performance para dados Poisson . . . . . . . . . . . . . . . . . . . . . 279
14 Exercı́cios 284
Referências Bibliográficas 352

1
Capı́tulo 1
Balanced ScoreCard
1.1 Introdução
O Balanced ScoreCard (BSC) foi desenvolvido pelos professores da Harvard Business School,
Robert Kaplan e David Norton, em 1992, com o propósito de fornecer um modelo para avaliação
e performance empresarial. O BSC, surgiu da necessidade de captar toda a complexidade da
performance na organização das empresas.
O Balanced Scorecard (BSC) é um sistema de avaliação de desempenho empresarial. Seu
principal diferencial é reconhecer que os indicadores financeiros, por si só, não são suficientes
para isso. O BSC complementa as medições financeiras com avaliações sobre o cliente, iden-
tificando os processos internos que devem ser aprimorados e analisando as possibilidades de
aprendizado e crescimento, assim como os investimentos em recursos humanos, tecnologia e
capacitação que poderão mudar substancialmente as atividades, impulsionando o desempenho
futuro.
O Balanced Scorecard (BSC) é uma ferramenta de gestão que abrange os nı́veis estratégicos,
tático e operacional, fornecendo um modelo que traduz a visão estratégia de uma empresa
em um conjunto de indicadores de desempenho, pois observou-se, ao longo do tempo, que
indicadores econômicos eram insuficientes para garantir competitividade a uma empresa.
O BSC deve levar à criação de uma rede de indicadores de desempenho que atinja todos
os nı́veis organizacionais, tornando-se, assim, uma ferramenta para comunicar e promover o
comprometimento geral com a estratégia da corporação (Kaplan e Norton, 1996; 2000, apud
Pietro et al 2006, p.82).
O Balanced Scorecard (BSC) é uma ferramenta que permite mapear a estratégia de uma
organização em objetivos estratégicos e estes em indicadores de desempenho, distribuı́dos em
1. Balanced ScoreCard 2
quatro perspectivas: Financeira, Clientes, Processos Internos e Aprendizado e Crescimento.

Essas perspectivas tem diretrizes básicas, contudo deve conter um conjunto de indicadores
próprio para que viabilize o cumprimento da estratégia e a visão de cada empresa.
Algumas organizações já utilizavam uma coleção de indicadores financeiros e não financeiros
para medir seu desempenho. Entretanto, um Balanced Scorecard (BSC) bem projetado é
diferente, pois suas quatro perspectivas formam uma cadeia de relações de causa e efeito. Por
exemplo, a melhoria em relação a Aprendizado e Crescimento leva a uma melhoria da qualidade
em Processos Internos, que por sua vez incrementa a satisfação dos Clientes, resultando em
melhoria da taxa de retorno sobre o capital empregado na parte Financeira. Efetivamente,
as relações de causa e efeito ilustram as hipóteses por traz da estratégia da organização. Os
indicadores refletem a cadeia formada pelos direcionadores de desempenho, a qual determina a
efetividade da implementação da estratégia.
A figura a seguir mostra um esquema com essas perspectivas e a correlação existente entre
elas.
Figura 1.1: Perspectivas do BSC.
De um modo geral o BSC visa obter o conhecimento, habilidades e sistemas que a orga-
nização precisará para inovar e contruir os processos internos de modo a fornecer produtos
adequados ao mercado (perspectiva do cliente), os quais, eventualmente, proporcionarão o au-
mento do valor ao acionista (financeiro).

Geralmente a estratégia de uma organização é descrita em termos que possuem significado
para a alta gerência, mas para que ela possa ser implementada é necessário que seja traduzida
para objetivos e indicadores que possam ser compreendidos pelos demais nı́veis da organização.
O Balanced Scorecard (BSC) é um método que possui esse diferencial. Para que as metas e
objetivos sejam atingidos é necessário o envolvimento de todos os setores e funcionários da
empresa. Nessa ferramenta, o Balanced Scorecard (BSC), as perpectivas podem ser divididas
em subnı́veis, formando uma “cascata”, para que a tradução da estratégia para todos os nı́veis
da organização seja possı́vel.
Enquanto que na alta gerência, os objetivos estratégicos devem ser expressos em termos de
crescimento e lucratividade, estes objetivos necessitam ser traduzidos em termos mais concretos
para que eles possam ser disseminados por toda a organização e cada executivo do nı́vel in-
termediário possa desenvolver objetivos e indicadores que dêem suporte ao nı́vel superior. Por
exemplo, o incremento na lucratividade deve ser traduzido em termos de menor custo unitário,
o qual por sua vez deve ser traduzido em termos da necessidade de uma melhor calibração dos
equipamentos para os trabalhadores do chão da fábrica.
1.2 Perspectivas
Nesta seção, temos um estudo detalhado sobre cada uma das perspectivas apresentadas
anteriormente. Para isso apresenta-se algumas definições:
• Objetivos estratégicos: o que a estratégia define para ser alcançado em cada perspec-
tiva;
• Indicadores: como será medido o progresso em um determinado objetivo estratégico;
• Metas: qual valor deverá ser alcançado em cada indicador; e
• Iniciativas: o que deverá ser feito para facilitar o alcance da meta estipulada para um
determinado indicador.
Após essas definições, vejamos com detalhes cada uma das perspectivas:
1.2.1 Perspectiva Financeira
É uma forma de avaliar se a estratégia da empresa está trazendo melhoria nos resultados
financeiros. Segundo Kaplan e Norton (2000), dentro dessa perspectiva temos duas estratégias
básicas: crescimento da receita e produtividade. A primeira refletirá em outras perspectivas
na busca de novas fontes de receita vindas de novos mercados, novos produtos ou clientes.
E a estratégia da produtividade irá buscar uma melhoria nos processos de produção e apoio
aos clientes atuais e pode incluir a redução de custos. A perspectiva financeira pode fornecer
diretrizes para as demais perspectivas, contribuindo para melhorar a lucratividade e rentabil-
idade da empresa. Existe uma grande importância atribuı́da a essa perspectiva, no entanto,
caminha-se para a valorização de outras, como por exemplo, a de Aprendizagem e Crescimento,
que também devem influenciar os resultados econômicos.
1.2.2 Perspectiva do Cliente:
Na perspectiva dos clientes do BSC, as empresas identificam os segmentos de clientes e

mercado nos quais desejam competir. Essa perspectiva representa as fontes que irão produzir o
componente de receita dos objetivos financeiros da empresa. Os indicadores para a perspectiva
do cliente inclui a retenção e satisfação dos clientes, conquista de novos clientes, lucratividade
de clientes e participação de mercado. Pode incluir ainda indicadores de satisfação dos clientes,
como qualidade do produto, preço, relação empresa-cliente / cliente-empresa, entrega rápida e
na data combinada e inovações dos produtos.
1.2.3 Perspectiva dos Processos Internos:
Os processos internos visam identificar os processos mais crı́ticos de forma a realizar os

objetivos de clientes e acionistas. Assim essa perspectiva proporciona suporte as duas anteriores.
Visa atrair e reter clientes no segmento de atuação da empresa e ao mesmo tempo, agregando
valor acionário.
1.2.4 Perspectiva de Aprendizado e Crescimento:
Para que uma empresa se mantenha no mercado são necessários mudanças e aperfeiçoamentos
constantes. A condição para uma empresa melhorar a cada dia é o aprendizado. Esse apren-
dizado pode ocorrer por meio de investimentos em novos equipamentos, pesquisa em desen-
volvimento, sistemas e procedimentos e nos recursos humanos.
1.3 Passos para a implementação do BSC

A implementação do Balanced Scorecard (BSC) em uma organização pode seguir a seguinte
seqüência:
1. Definir a forma do sistema de indicadores: Criar uma forma de gerenciamento e

aplicação da estratégia nas unidades da organização. É importante observar que devem
existir interações entre as diversas unidades, para que não ocorra de uma unidade alcançar
suas metas as custas de outras.
2. Definir os objetivos estratégicos: Pode-se definir três a quatro objetivos estratégicos

para cada uma das perspectivas do Balanced Scorecard (BSC) e os potenciais indicadores
de desempenho para cada objetivo estratégico escolhido.
3. Escolha dos indicadores estratégicos: Escolher indicadores estratégicos, que influen-

ciam o atual desempenho, para servirem ao acompanhamento da evolução no alcance dos
objetivos estratégicos definidos.
4. Desenvolver um plano de implementação: Os valores das metas devem ser associa-

dos aos indicadores. É necessário desenvolver um sistema de comunicação para interligar
os indicadores estratégicos do nı́vel mais alto aos indicdores operacionais do nı́vel mais
baixo. Desta forma, o Balanced Scorecard (BSC) é integrado ao sistema de gerenciamento
de organização.
1.4 Construção do Mapa Estratégico

Através do mapa estratégico, é possı́vel visualizar as relações de causa e efeito existentes
entre os objetivos dentro de cada perspectiva e entre as quatro perspectivas. O mapa estratégico,
através das setas, apresenta claramente as relações de causa e efeito existentes entre os objetivos.
Os Mapas Estratégicos mostram, visualmente, a lógica de gestão, explicitando a hierarquia
dos objetivos da organização. A perspectiva financeira continua sendo a principal, que tem
seus resultados melhorados pela perspectiva do cliente, e esta, como a perspectiva financeira,
tem seus resultados melhorados dado aos processos internos, que também tem seus resultados
alavancados pela perpectiva do aprendizado e crescimento. Os mapas oferecem uma lógica,
onde o aprendizado e o crescimento geram, ao longo dos mapas (de baixo para cima) resultados
que, por meio de melhores e mais precisos processos de trabalho (perpectiva dos processos
internos) permitirão a organização atender mais eficazmente seus clientes, obtendo melhores
resultados financeiros.
Alguns exemplos de mapas estratégicos:
Figura 1.2: Exemplo de Mapa Estratégico.


1.5 Diagrama em árvore

O diagrama em árvore é uma ferramenta que pode ser utilizada para desdobrar os objetivos
estratégicos em indicadores, permitindo identificá-los em crescente grau de detalhamento.
Este diagrama estabelece um vı́nculo racional entre o objetivo estratégico, indicadores e os
projetos que nos levam ao objetivo estratégico.
Para ilustrar, apresenta-se um exemplo do diagrama em árvore.
Figura 1.6: Diagrama em árvore.

9
Capı́tulo 2
As Sete Ferramentas Gerenciais da

Qualidade (7FGQ)
Em 1972, o especialista japonês Shigeru Mizuno concluı́a que havia uma “nova era para a
qualidade”, na qual as empresas, para se manterem competitivas no mercado, precisavam:
1. Incorporar inovações aos produtos e serviços de tal modo que oferecessem valor adicional
ao cliente, indo além do simples atendimento de suas necessidades;
2. Desenvolver a capacidade de realizar negócios obedecendo a restrições variadas, tais como

o controle da poluição, a responsabilidade civil sobre danos causados por produtos, a
limitação dos recursos naturais e da energia, o problema de custos, etc.
Naquela época, faltavam ferramentas que formassem um conjunto coerente que pudesse ser
assimilado rapidamente e aplicado amplamente por quaisquer gerentes ou profissionais envolvi-
dos em planejamento estratégico, planejamento em geral, definição de objetivos e resolução
de problemas. Dentro dessa “nova era para a qualidade”, eram necessárias novas ferramentas
capazes de auxiliar em atividade como:
• Explicitar relações de causa e efeito em situações ou problemas complexos;
• Organizar e sistematizar a informação;
• Revelar oportunidades ou problemas latentes;
• Processar dados verbais;
• Estimular a criatividade, a geração de novas idéias;

2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 10
• Permitir análise multidimensional (a consideração simultânea de vários fatores inter-

relacionados);
• Acompanhar a implementação das atividades.
Assim, entre 1972 e 1978, uma comissão da JUSE (Japonese Union of Scientits and En-
gineers) pesquisou e compilou as “sete ferramentas gerenciais da qualidade”, as quais nos
referimos por 7FGQ. São elas:
• Diagrama de afinidades (ver Seção 2.1);
• Diagramas de relações (ver Seção 2.2);
• Diagrama em árvore (ver Seção 2.3);
• Matriz de priorização (ver Seção 2.4);
• Matriz de relações (ver Seção 2.5);
• Diagrama de PDPC (não apresentaremos);
• Diagrama de atividades (não apresentaremos).
2.1 Diagrama de afinidades

Serve para esclarecer a natureza, a forma e a extensão dos problemas, agrupando idéias ou
opiniões sob a forma de informações verbais, segundo similaridade.
O diagrama de afinidades esclarece problemas ou situações importantes, cujo estado inicial é

confuso, desordenado ou inexplorado. Dados verbais coletados sobre o problema são agrupados
em diversos conjuntos segundo suas afinidades e relações naturais. Deste modo, consegue-
se uma maior compreensão da situação e sua consideração sob novos enfoques, estimulando a
criatividade e o surgimento de novas idéias. Na Figura 2.1 temos uma representação do conceito
do diagrama de afinidades.
Figura 2.1: Conceito do diagrama de afinidades.
Construção do diagrama de afinidades
Abaixo são descritos alguns passos que podem auxiliar na construção do diagrama de afinidades.
• Escolher o tema: os temas apropriados para se desenvolver um diagrama de afinidades

devem referir-se a situações dos seguintes tipos:
– Existe incerteza e dificuldade de entendimento dos fatos;
– Pensamentos, idéias e opiniões estão incertos e desorganizados;
– Os valores e conceitos atuais constituem barreiras para atingir novos objetivos, es-
tabelecer mudanças e romper o status quo. Eles precisam ser descartados e novos
valores, conceitos e sistemas precisam ser estabelecidos;
– Falta unidade em um grupo heterogêneo e deseja-se promover o trabalho em equipe

para favorecer o entendimento mútuo;
– A gerência precisa ouvir os funcionários e esclarecer suas idéias e polı́ticas.
O tema deve ser expresso em frase do tipo “quais são as questões envolvidas em ...?”, de
conteúdo propositadamente genérico, sem qualquer conotação positiva ou negativa, para
evitar a indução de idéias segundo o status quo ou sob conceitos preexistentes.
Não se deve tentar construir um diagrama de afinidades sobre problemas simples ou que
exigem solução imediata.
• Coletar os dados verbais: Os dados verbais podem ser fatos, opiniões ou pensamentos.
Existem várias maneiras para se coletar dados verbais, conforme mostra o diagrama da
Figura 2.2, entre as quais o brainstorming é uma das mais importantes. Cabe aqui
observar que o brainstorming tende a ser mais rico e criativo quanto mais heterogênea
for a equipe. Isto é particularmente importante na construção do diagrama de afinidades,
em que deve-se buscar a contribuição das diversas áreas ou departamentos envolvidos.
Figura 2.2: Diagrama com formas de coletas de dados verbais.
• Transferir os dados para cartelas: Os dados verbais coletados devem ser revisados
de modo a conter idéias, opiniões e pensamentos individuais, na forma de frases inde-
pendentes, com um único e claro significado. Deve-se usar uma cartela para cada frase.
Frases e termos vagos ou abstratos não devem ser utilizadas, pois podem tornar o dados
sem utilidade em etapas posteriores. Recomenda-se o uso de cartelas adesivas post-it
tamanho grande, colocadas sobre folhas de flip-chart.
• Agrupar as cartelas: Antes de iniciar esta etapa de agrupamento, as cartelas devem

ser bem embaralhadas. Isto é muito importante para eliminar qualquer ordenação preex-
istente, o que induziria o pensamento “convencional” ou “padronizado”.
Em seguida, as cartelas devem ser espalhadas na superfı́cie de trabalho, de modo que

todos os membros do grupo possam lê-las sem dificuldade.
Durante a etapa de agrupamento, os participantes devem permanecer em silêncio, com o

objetivo de estimular a criatividade e o pensamento não-convencional, evitando também

o efeito dispersivo de disputas verbais.
Em silêncio, o participante deve ler cada cartela lentamente duas ou três vezes. Ao
encontrar cartelas “similares”, deve colocá-las uma ao lado da outra. Todos fazendo isso
simultaneamente, em breve serão formados grupos de cartelas afins. A afinidade que
se busca detectar, nesta fase, deve basear-se no feeling ou intuição, ao invés da razão ou
lógica. O termo feeling refere-se a um estado mental que precede a conscientização lógica.
O ideal é que se tenha a “impressão” de que as cartelas se agrupam por si próprias. Não
se deve agrupar as cartelas segundo critérios classificatórios ou com base em palavras
similares. É perfeitamente possı́vel que existam cartelas “solitárias”.
• Rotular os grupos de cartelas: Após o agrupamento inicial, feito em silêncio, os

grupos de cartelas devem agora receber “rótulos”que descrevam sua afinidade. Durante a
discussão, as cartelas que os participantes julgarem não pertencer ao grupo devem voltar
para o estágio de agrupamento inicial até que elas tenham sido colocadas em grupos mais
apropriados ou que fiquem como “solitárias”. Em geral, do processo de agrupamento
devem resultar de 6 a 10 grupos de cartelas.
Os rótulos são propostos e escolhidos em comum acordo por toda a equipe após a leitura
das cartelas (agora em voz alta). Deve-se criar uma nova cartela para cada rótulo, a
menos que se decida que uma das cartelas do grupo é o próprio rótulo. Os rótulos devem
traduzir, em palavras claras e simples, os significados e as nuanças das cartelas do grupo,
mas não devem dizer mais do que as próprias cartelas.
Uma vez definido, o rótulo é colocado sobre as cartelas do grupo. Os grupos rotulados
são tratados agora como se fossem cartelas individuais, e o procedimento é retomado,
embaralhando-se os grupos rotulados e fazendo-se novo agrupamento, até que se chegue
aos rótulos finais.
• Desenhar o diagrama: Uma vez definidos os grupos de cartelas e seus rótulos, o

diagrama de afinidades pode ser desenhado. Setas podem ser usadas para indicar as
inter-relações entre os grupos e cartelas.
Exemplo 2.1. Pesquisa e desenvolvimento. Em 1970 no Japão, durante um seminário

conduzido por Jiro Kawakita (criador do diagrama de afinidades), um grupo de dez engenheiros
e gerentes de diferentes empresas produziu um diagrama de afinidades em torno do tema “Como
deve ser conduzida a pesquisa e desenvolvimento?” A Figura 2.3 mostra uma parte do diagrama
de afinidades então obtido.
Figura 2.3: Exemplo do diagrama de afinidades.
Exercı́cio 1. Desenvolva uma análise de Afinidades para os dados de reclamações de cliente.
Passo 1: Forme a equipe.
Passo 2: Estude os dados de reclamações de clientes para um Grupo de Serviços de

Computação. Desenvolva categorias para agrupar e analisar futuros dados de reclamações.
Passo3: Coloque os dados em cartões ou notas adesivas.
Passo 4: A equipe faz a organização em dois estágios:
1. Mova as notas adesivas em agrupamentos de modo silencioso. (O.K. mudar os agru-

pamentos que outras pessoas fizeram).
2. Abra o diálogo e discussão sobre os agrupamentos. Obtenha consenso da equipe.
Passo 5: Crie temas para cada agrupamento. Obtenha consenso sobre os temas.
Passo 6: Coloque os temas em notas adesivas sobre cada agrupamento de reclamações.
Dados de reclamações de clientes:
1. Assistência ao cliente inconsistente.

2. Nós não ficamos sabendo do treinamento disponı́vel.
3. Obtenho respostas diferentes dos consultores.
4.Sempre me mandam para outra pessoa.
5. Documentação de programas não disponı́vel.
6. Demora muito para conseguir um recurso simples.
7. Muitas mudanças ocorrendo nos serviços de computador.
8. Não consigo retorno suficiente dos consultores.
9. Projetos são completados depois do prometido.
10. Muito difı́cil se matricular no treinamento.
11. Muito complexo pedir e justificar programas.
12. Não consigo respostas confiáveis do balcão de ajuda.
13. Muito difı́cil justificar upgrades de programas.
14. Impossı́vel obter alguns upgrades de equipamento.
15. Apoio ao cliente imprevisı́vel.
16. Por que nossos sistemas são tão atrasados?
17. Muitos formulários exigidos para os pedidos.
18. Eu posso comprar imediatamente os programas que preciso.
19. As prioridades não são justas.
20. Qual é o processo que determina as prioridades?
21 Nenhuma resposta sobre porque eu tenho que esperar um ano.
22. Quando nosso pedido será processado?
23. Programas de gerenciamento de dados mais amigáveis.
24. Não sabemos o que esperar quando chamamos.
25. Apoio ao cliente muda cada vez que eu chamo.
26. Melhor sofrer do que tentar conseguir ajuda.
27. PCs no centro de treinamento são muito lentos.
28. Nós temos que chamar de volta quando as instalações terminam.
29. Balcão de ajuda não resolve problemas.
30. Tempo de resposta muito longo para as necessidades.
31. Preciso de notı́cias melhor atualizadas sobre como está o problema.
32. Solicitar itens é maçante.
33. Não respondem às necessidades de modo pontual.
34. Não consigo descobrir como está meu pedido.
35. Espera muito longa por um novo PC.
36. Manuais de programas não disponı́veis.
37. Difı́cil usar o balcão de ajuda.

38. Não consigo obter um compromisso firme sobre prazos.
39. Documentação de programas não atualizada.
40. Documentação não confere com a versão no PC.
41. Não consigo obter um compromisso firme a respeito do conserto.
2.2 Diagrama de relações

Serve para esclarecer as relações de causa e efeito de um problema ou situação complexa.
O diagrama de relações mostra os diversos fatores ou itens relevantes em uma situação ou

problema complexo, indicando as relações lógicas entre os mesmos por meio de setas para
facilitar o entendimento amplo, a identificação de fatores e a busca de soluções adequadas.
Esta é uma técnica desenvolvida para identificar como as causas e efeitos de um problema se
relacionam e, geralmente, é utilizada para analisar problemas que possuem uma rede complexa
de relações de causa e efeito. Com o diagrama de relações, é possı́vel identificar os relacionamen-
tos lógicos e seqüenciais entre o problema e as idéias a ele relacionadas, mostrando a conexão
entre vários diagramas de causa e efeito.
Figura 2.4: Conceito do diagrama de relações.
2.2.1 Construção do diagrama de relações
Abaixo são descritos alguns passos que podem auxiliar na construção do diagrama de relações.
• Formação da equipe;
• Obter consenso em relação ao tema;

• Coleta dos dados verbais:
– Brainstorming;
– Diagrama de afinidades;
– Diagrama de Ishikawa;
– Diagrama em árvore.
• Escreve-se cada item (dado verbal) coletado em uma cartela (papeis adesivos são muito
úteis para esta finalidade);
• Montagem do diagrama de relações:
– Espalhamento dos cartões: As cartelas devem ser espalhados sobre a superfı́cie

de trabalho, antes da seleção de cada um.
– Traçado das setas: Escolher a primeira cartela, colocando-a sobre a folha de flip-
chart. Em seguida, faz-se a pergunta: “Esta cartela tem relação direta com alguma
das demais cartelas, influenciando ou sendo influenciado pelas mesmas?” Deve-se
ler em voz alta o conteúdo das cartelas ao buscar relações entre elas (Figura 2.5).
Figura 2.5: Escolha da primeira cartela.

Ao identificar uma “cartela-efeito” em relação ao primeiro, coloque-os próximos e

trace uma seta da cartela-causa para a cartela-efeito (ou cartela-meio para a cartela-
objetivo) (Figura 2.6):
Figura 2.6: Cartela-causa e cartela-efeito (ou cartela-meio e cartela-objetivo).
Setas com duplo sentido devem ser evitadas, pois podem gerar confusão, levando
a “cı́rculos viciosos”. Quando existe mútua relação de causa-efeito, o grupo deve
decidir qual cartela tem mais influência e elegê-la como “causa”, e, assim, a seta
deve partir dela.
Figura 2.7: Utilizar setas com sentido único.

Para cada cartela trazida à superfı́cie de trabalho, verificar se ela tem relação de
causa-efeito com as que foram trazidas anteriormente. É útil marcar a cartela (com
um “x”, por exemplo) após fazer essa verificação e desenhar as setas necessárias.
Repete-se o procedimento até que todas as cartelas tenham recebido a pergunta e

que tenham sido traçadas todas as setas, obtendo-se a versão preliminar do diagrama
de relações.
Figura 2.8: Versão preliminar do diagrama de relações.
É importante que o grupo garanta que todas as cartelas tenham sido consideradas!
– Revisão do diagrama: Deve-se revisar o diagrama como um todo, realizando as

alterações que forem necessárias. Isto é muito importante para aproveitar ao máximo
o potencial da ferramenta.
– Seleção dos itens crı́ticos: A equipe deve discutir e buscar o consenso quanto
aos itens ou fatores mais importantes no diagrama, sobre os quais deveria ser de-
senvolvido um plano de ação. Uma “dica” para identificar os fatores crı́ticos, de
uma situação ou problema a ser discutido, é verificar aqueles com maior número
de setas saindo (estes tendem a ser causas primárias) ou com maior número de se-
tas entrando (estes podem ser “gargalos”). As cartelas dos itens crı́ticos devem ser
realçadas, contornando-se suas bordas com o “pincel atômico”. Em geral, o número
de itens crı́ticos não deve exceder sete, para não “dispersar” a atenção.
– Desenho do diagrama de relações: Obtido o consenso quanto à forma do di-

agrama e seus fatores crı́ticos, o diagrama deve ser “passado a limpo”, isto é, de-
senhado em papel. Cópias devem ser distribuı́das a todos os participantes, para
futuras revisões e atualização. Os quadros dos itens crı́ticos devem estar devida-
mente realçados, com contorno duplo, grosso ou sombreado.
Figura 2.9: Quadro dos itens crı́ticos realçados no diagrama de relações.
Esta forma final do diagrama também é útil para explicar a situação ou problema
complexo a outras pessoas, principalmente aos nı́veis gerenciais superiores.
– Plano de ação: Se o grupo recebeu (como é desejável) autoridade para delinear e

implementar um plano de ação, o mesmo deve ser feito em seguida, baseando-se nos
itens crı́ticos selecionados. Neste ponto, recomenda-se iniciar um ciclo PDCA, cuja
primeira etapa terá sido consideravelmente facilitada pela construção do diagrama
de relações.
– Atualização do diagrama: À medida que progridem as atividades definidas no

plano de ação, dados são coletados, hipóteses são confirmadas ou rejeitadas, surgem
novos dados, a situação pode modificar-se em alguns aspectos, a experiência adquirida
pelo grupo pode levar a novos enfoques e idéias. Todos estes fatos enfatizam a im-
portância de o grupo revisar e atualizar o diagrama de relações várias vezes, até a
conclusão do plano.
Exemplo 2.2. A Figura 2.10 mostra um diagrama de relações construı́do para analisar as
causas e fatores que influenciam erros de etiquetagem de mercadorias, os quais dão origem
a reclamações de clientes. Conclui-se que é importante ter instruções de operação claras e
precisas e evitar erros de interpretação por parte dos operadores, por meio de treinamento.
Figura 2.10: Exemplo do diagrama de relações - análise de causas e efeitos que influenciam
erros de etiquetagem de mercadorias.
2.3 Diagrama em árvore

O diagrama em árvore é uma ferramenta que permite identificar, em crescente grau de detal-
hamento, todos os meios e tarefas necessários para atingir um dado objetivo. Além disso, essa
técnica habitua as pessoas a pensar em termos de meios e objetivos, o que, freqüentemente, é
difı́cil para quem está envolvido em executar as tarefas especı́ficas da rotina de trabalho.
A forma final do diagrama em árvore lembra a estrutura ramificada de uma árvore, fato que
originou o nome. Este diagrama estabelece um vı́nculo racional entre o objetivo primário e as
tarefas de implementação e também é conhecido como “árvore funcional”.
Figura 2.11: Forma do diagrama em árvore.
2.3.1 Construção do diagrama em árvore
Abaixo são descritos alguns passos que auxiliam na construção do diagrama em árvore.
• Estabelecer o objetivo: O objetivo primário a ser alcançado deve ser expresso de

maneira clara e simples, em poucas palavras. Se existem premissas básicas ou pré-
requisitos para que a busca do objetivo se inicie, estas devem ser registrados ao lado
do objetivo.
Uma vez definido, ele deve ser confirmado como objetivo primário, fazendo-se a pergunta:
“Com que propósito se busca esse objetivo?”. A resposta a essa pergunta pode levar à
identificação de um objetivo maior e também ajuda a verificar a adequação do objetivo
proposto.
No uso integrado das sete ferramentas gerenciais da qualidade, o objetivo proposto, usual-
mente, tem sua origem a partir de algum item identificado como fator crı́tico (causa
primária ou gargalo) no diagrama de relações. Uma outra “fonte de objetivos” pode ser
o diagrama de afinidades.
Para se justificar o uso do diagrama em árvore, o objetivo a ser atingido deve envolver
atividades de implementação suficientemente complexas, caso contrário, bastaria a simples
atribuição de poucas e definidas tarefas diretamente aos responsáveis.
• Listar os meios e tarefas: os meios secundários e tarefas de implementação, levantados

como necessários para atingir o objetivo, são registrados em cartelas à medida que vão
surgindo e devem ser mantidos à vista de todos os membros da equipe.
Existem alguns métodos para se levantar os meios/tarefas, cuja escolha depende da

situação e do julgamento do grupo:
1. O método mais comum é o do brainstorming livre em torno do objetivo primário, o

que tende a ser mais criativo;
2. Começar com os meios principais e desmembrá-los, por associação e brainstorming

direcionado, em meios secundários e tarefas de implementação;
3. Usar meios e tarefas que já tenham sido apontados nos diagramas de relações ou nos
diagramas de afinidades, vistos anteriormente.
• Selecionar os meios e tarefas: Uma seleção ou priorização final das tarefas de imple-
mentação provavelmente ainda será necessária após a conclusão do diagrama em árvore,
usando uma matriz de priorização.
Cada cartela deve receber uma marca O, P ou X, com o seguinte significado:
O = praticável
P = potencialmente praticável
X = impraticável
As cartelas “potencialmente praticáveis” devem ser prontamente investigadas e reclas-

sificadas como “praticáveis” ou “impraticáveis”. Durante o julgamento das cartelas, é
importante:
– Evitar análises superficiais e rejeição prematura das idéias;
– Lembrar que uma idéia, a princı́pio “impraticável”, pode ser melhorada com a in-
corporação de novas idéias e refinamento posterior;
– Manter uma postura positiva, de encorajamento, suporte e cultivo de novas idéias,

ao invés de “matá-las no berço”. Combater a tendência inicial de descartar idéias
inusitadas e não convencionais;
– Registrar outras idéias que possam surgir durante a análise;

– Não tente levar à exaustão esta etapa de análise, para não atravancar o processo.
O objetivo é evitar a perda de tempo em relação a idéias que facilmente podem ser
reconhecidas como inadequadas ou irrelevantes para o objetivo em questão. Caso
algumas idéias classificadas como “P” persistam, é melhor mantê-las do que eliminá-
las. A discussão e análise posteriores podem ajudar a decidir.
• Organizar os meios e tarefas selecionados: Coloque a cartela com o objetivo primário

à esquerda da superfı́cie de trabalho. Em seguida, para cada cartela, faça a pergunta:
“Para atingir este objetivo, qual o meio mais necessário?”. As cartelas que respondem
a essa pergunta mais adequadamente devem ser colocadas à direita do objetivo primário
(Figura 2.12).
Figura 2.12: Organização dos meios principais.
Embora, neste ponto, esteja clara a relação entre o objetivo e os meios, estes provavel-
mente ainda não representam ações concretas. É preciso um maior detalhamento até
chegarmos em tarefas especı́ficas que possam ser atribuı́das aos envolvidos. Então, para
cada meio principal, coloca-se a seguinte pergunta: “Se agora este meio for considerado
um objetivo, que outros meios serão necessários para atingi-lo?” Dentre as cartelas ger-
adas, selecionam-se aquelas que mais adequadamente respondem à questão, colocando-as
à direita do respectivo meio principal. E assim por diante, repete-se essa pergunta até que
se tenha atingido o grau de detalhamento necessário e que todas as cartelas tenham sido
colocadas à direita do respectivo meio/objetivo. Durante esse processo, com freqüência
surgem novas idéias, as quais devem ser anotadas, analisadas e agregadas às demais ou
descartadas.
Quando todas as cartelas tiverem sido arranjadas, traçam-se linhas conectando as relações
entre as tarefas/meios e o objetivo.
• Confirmar a adequação dos meios: A eficácia do diagrama em árvore depende muito

da relação direta de causa e efeito entre cada objetivo e os meios. Se essa relação não
existir, algum outro meio ou tarefa relevante não foi observado. Nessa etapa, procura-se
confirmar que os meios são, de fato, os mais adequados. A partir dos meios ou tarefas
mais especı́ficas (à direita do diagrama) faz-se a pergunta: “O meio principal (objetivo)
pode realmente ser alcançado por este meio ou tarefa?”. Se a resposta for sim, repita a
questão para os nı́veis superiores do diagrama. Se a resposta for não, identifique os meios
que estão faltando e acrescente-os. Agora o diagrama em árvore está completo e as tarefas
de implementação podem ser atribuı́das às pessoas ou serem priorizadas usando-se, por
exemplo, uma matriz de priorização.
A Figura 2.13 representa um diagrama em árvore completo.
Figura 2.13: Diagrama em árvore completo.
Exemplo 2.3. Uma equipe interfuncional reuniu-se para discutir o tema “Quais são os fatores
relevantes no atraso das entregas de mercadorias aos clientes?”.
Foi construı́do um diagrama de relações, no qual um dos fatores crı́ticos identificados foi
o problema da complexidade na entrada de dados dos pedidos de compra no sistema de com-
putador. A equipe reuniu-se posteriormente e construiu o diagrama em árvore da Figura 2.14

em torno do objetivo “Reduzir a complexidade na entrada de dados”.
Figura 2.14: Exemplo do diagrama em árvore - reduzir a complexidade na entrada dos dados.
Exercı́cio 2. Desenvolver um Diagrama em Árvore (tipo resolução de problema) para deter-

minar as possı́veis causas básicas de um problema de um colecionador de carros antigos. O
problema é: “O Mustang 1976 não dá partida”.
Exercı́cio 3. Desenvolver um Diagrama em Árvore (tipo planejamento) para determinar as

caracterı́sticas possı́veis que um bom fornecedor deve possuir. Essa atividade é tı́pica para
a elaboração das caracterı́sticas de qualidade na construção de um QFD. Na verdade uma
empresa (cliente) está em fase de desenvolvimento de forncedores e quer “Bom Fornecedor”. O
exercı́cio pode ser desenvolvido para fornecedor em geral (de qualquer matéria-prima, suproduto
ou produto - bem ou serviço) ou para fornecedor especı́fico de uma matéria prima, um subproduto
ou um produto (bem ou serviço).
2.4 Matriz de priorização

Uma matriz de priorização fornece um método racional de focalizar a atenção do grupo sobre
as opções mais importantes, antes de partir para o planejamento detalhado das atividades. Ela
permite estabelecer uma classificação numérica de prioridade em um dado conjunto de opções.
Desse modo, a matriz de priorização é uma ferramenta para auxiliar na tomada de decisões.
Tipicamente, a lista de opções a serem priorizadas corresponde às tarefas de implementação
(ou o maior nı́vel de detalhamento) definidas no diagrama em árvore.
Sempre que se deseja realizar uma priorização criteriosa, pode ser usada uma matriz de
priorização. São várias e freqüentes as situações que requerem seu uso:
• Muitos itens-chave foram identificados e as opções a serem atacadas devem ser sele-
cionadas;
• Existe consenso quanto ao que consiste uma “boa” solução, mas existe discordância quanto
à importância relativa entre as mesmas;
• Existem limitações de recursos, tais como tempo, dinheiro e pessoal, que obrigam a sele-
cionar apenas algumas opções;
• As opções disponı́veis têm muitas inter-relações, o que torna difı́cil identificar as mais
importantes.
C R I T É R I O S
a b c d e P
A 4 R
B 5 I
C 2 O
D 7 R
E 1 I
F 6 D
G 8 A
H 3 D
I 9 E
Tabela 2.2: Conceito de matriz de priorização.
A seguir, descrevemos dois métodos para a construção da matriz de priorização:
2.4.1 Método de priorização por critérios
Este método é utilizado quando a seleção ou priorização das diversas opções é baseada no
atendimento de cada opção sob critérios pré-estabelecidos pelo grupo. Devem ser seguidas as
seguintes etapas para a construção de uma matriz de priorização através do método de critérios:
• Estabelecer critérios: A equipe deve criar uma lista dos critérios que adotará para
estabelecer as prioridades. Isto pode resultar de um rápido brainstorming feito pelo
grupo. A descrição do critério não deve ser neutra, isto é, deve explicitar o que se deseja
que cada item atenda. Por exemplo, deve-se escrever “baixo custo de implementação” e
não somente “custo de implementação”.
Retomando o Exemplo 2.3, a equipe agora está interessada em usar o método simplificado
de construção da matriz de priorização para priorizar as 17 possı́veis soluções apontadas
pelo diagrama em árvore. Os critérios escolhidos pelo grupo foram:
A. Baixo custo de implementação;
B. Tecnologia “não-customizada”;
C. Rápido de implementar;
D. Facilmente aceito pelos usuários;
E. Mı́nimo impacto em outros departamentos.
• Priorizar os critérios: Para priorizar os critérios e estabelecer seu grau de importância,

recomenda-se utilizar a Técnica do Grupo Nominal - NGT por pontuação após uma
discussão prévia ter esclarecido amplamente os critérios para todos os membros da equipe,
a Tabela 2.3 resultou da aplicação da NGT ao Exemplo 2.3.
As porcentagens calculadas sobre o total de pontos (500 neste caso) serão utilizadas como
os pesos de cada critério na etapa seguinte.
CRITÉRIO João Vera Pedro Paulo Júlia TOTAL PESO

A. Baixo custo 15 30 10 15 10 80 0,16
B. Tec. não cust. 5 10 10 10 5 40 0,08
C. Rápida implem. 35 20 40 20 25 140 0,28
D. Facilmente aceita 25 10 20 30 40 125 0,25
E. Mı́nimo Impacto 20 30 20 25 20 115 0,23
Tabela 2.3: Tabela de pontuações de cada membro da equipe.
• Pontuar as opções segundo cada critério: Constrói-se uma “matriz em L”, na qual as
linhas são as opções e as colunas são os critérios. Por fim, trabalhando-se por coluna, isto
é, segundo cada critério, julga-se o grau em que cada opção atende ao critério. Para isso,
novamente, recomenda-se utilizar a NGT por pontuação mas, agora, em vez de distribuir
os 100 pontos entre as opções, cada participante atribui uma nota de 0 a 10, conforme seu
julgamento quanto ao grau de adequação da opção a cada critério. Portanto, desta etapa
resultarão tantas tabelas de NGT quantos forem os critérios considerados pelo grupo.
Recomenda-se fazer a pergunta “Em que grau esta opção de atende ao critério de
?”. De acordo com o julgamento do grau de adequação, pode-se utilizar a Tabela 2.4
como guia para a atribuição de notas.
GRAU DE ADEQUAÇÃO NOTA

Insuficiente 0a4
Razoável 5a6
Bom 7a8
Excelente 9 a 10
Tabela 2.4: Guia para atribuição de notas.
Após cada participante ter julgado e dado a nota de cada opção individualmente contra
o critério, recomenda-se que ele compare as notas entre as diversas opções, procurando
fazer os “ajustes” de notas que julgar necessários.
É importante observar que a votação pura e simples pela NGT não pode ser considerada
adequada se antes não houver uma discussão entre os membros do grupo com o objetivo
de esclarecer todos os aspectos relevantes das opções em questão, como por exemplo, seus
aspectos técnicos e administrativos. Isto aumentará o grau de informação das pessoas,
permitindo melhores decisões pela NGT. Além disso, podem existir situações em que o
grupo preferirá atribuir a nota de cada opção sem usar a NGT, por meio de discussão
aberta e consenso direto quanto às notas. Aliás, este parece ser o meio ideal, desde que
a freqüente dificuldade em atingir o consenso ou a possibilidade de “imposição de idéias”
não tornem necessário apelar para a NGT.
Voltando ao Exemplo 2.3, mostramos a seguir as tabelas de NGT construı́das para obter
as pontuações dadas pelo grupo às 17 possı́veis soluções, com relação ao critério “rapidez
na implementção”, facilidade de aceitação, mı́nimo impacto e baixo custo. Observe ainda
que foram obtidas e anotadas todas as notas médias para as opções.
OPÇÃO João Vera Pedro Paulo Júlia MÉDIA

1. Trein. Prevenção Erros 5 6 6 7 5 5,8
2. Trein. Inspenção Seqüencial 4 5 5 7 5 5,2
3. Trein. Solução Problemas 5 7 7 8 5 6,4
4. Sistema Leitura Ótica 1 2 5 2 1 2,2
5. Terminal no Cliente 4 6 5 4 2 4,2
6. Tela Maior 2 3 2 4 4 3,0
7. Reconhecimento de Voz 1 2 1 1 2 1,4
8. Programa com Menus 7 8 9 8 8 8,0
9. Melhorar o Aviso do Programa 9 8 10 9 10 9,2
10. Verif. Automática Preços 6 7 7 6 6 6,4
11. Tela só com Dados Relevantes 6 5 5 6 7 5,8
12. Formulário Maior, Mais Legı́vel 7 8 8 5 6 6,8
13. Só Dados Especiais do Cliente 6 6 6 7 4 5,8
14. Código de Cores, por Famı́lia 8 8 9 10 9 8,8
15. Simplif. Código 11 Dı́gitos 6 7 6 6 5 6,0
16. Maior Diferença Entre Códigos 6 7 7 6 5 6,2
17. Trein. Sobre Preenchimento 8 7 7 9 8 7,8
Tabela 2.5: Tabela NGT para o critério rapidez na implementação.

6. Tela Maior 8 7 5 6 7 6,6
Tabela 2.6: Tabela NGT para o critério facilidade na aceitação.


6. Tela Maior 2 3 2 4 5 3,2
Tabela 2.7: Tabela NGT para o critério mı́nimo impacto.

6. Tela Maior 3 2 4 5 5 3,8
Tabela 2.8: Tabela NGT para o critério baixo custo.
• Calcular as pontuações totais: Em seguida, constrói-se a matriz de priorização, cujas

colunas corresponderão aos critérios com os respectivos pesos e em cujas linhas estarão
as opções com as respectivas notas médias. Para cada opção (linha), multiplica-se a
sua nota pelo peso de cada critério (coluna), obtendo-se sua pontuação parcial naquele
critério. Somam-se, então, todas as pontuações parciais de cada opção para obter sua
pontuação total. As pontuações totais das opções permitem estabelecer a prioridade entre
elas. A Tabela 2.9 mostra a matriz de priorização final obtida para o exemplo. Neste
caso, devido à baixa importância relativa dada ao critério “tecnologia não-customizada”,
o grupo decidiu eliminá-lo do conjunto de critérios, trabalhando apenas com os quatro
critérios restantes.
OPÇÃO Rápida/implem. Facilmente Mı́nimo Baixo TOTAL
(0,28) aceito (0,25) impacto (0,23) custo (0,16)
1. Trein. prevenção erros 5, 8 × 0, 28 = 1, 62 5, 0 × 0, 25 = 1, 25 5, 8 × 0, 23 = 1, 33 6, 0 × 0, 16 = 0, 96 5,16
2. Trein. inspenção seqüencial 5, 2 × 0, 28 = 1, 46 4, 4 × 0, 25 = 1, 10 5, 2 × 0, 23 = 1, 20 5, 6 × 0, 16 = 0, 90 4,66
3. Trein. solução problemas 6, 4 × 0, 28 = 1, 79 6, 4 × 0, 25 = 1, 60 7, 4 × 0, 23 = 1, 70 5, 4 × 0, 16 = 0, 86 5,95
4. Sistema leitura ótica 2, 2 × 0, 28 = 0, 62 4, 8 × 0, 25 = 1, 20 6, 2 × 0, 23 = 1, 43 1, 8 × 0, 16 = 0, 29 3,54
5. Terminal no cliente 4, 2 × 0, 28 = 1, 18 6, 2 × 0, 25 = 1, 55 5, 8 × 0, 23 = 1, 33 5, 6 × 0, 16 = 0, 90 4,96
6. Tela maior 3, 0 × 0, 28 = 0, 84 6, 6 × 0, 25 = 1, 65 3, 2 × 0, 23 = 0, 74 3, 8 × 0, 16 = 0, 61 3,84
7. Reconhecimento de voz 1, 4 × 0, 28 = 0, 39 5, 8 × 0, 25 = 1, 45 4, 6 × 0, 23 = 1, 06 6, 2 × 0, 16 = 0, 99 3,89
8. Programa com menus 8, 0 × 0, 28 = 2, 24 7, 4 × 0, 25 = 1, 85 7, 6 × 0, 23 = 1, 75 7, 6 × 0, 16 = 1, 22 7,06
9. Melhorar o aviso do programa 9, 2 × 0, 28 = 2, 58 8, 8 × 0, 25 = 2, 20 7, 8 × 0, 23 = 1, 79 8, 2 × 0, 16 = 1, 31 7,88
10. Verif. automática preços 6, 4 × 0, 28 = 1, 79 5, 0 × 0, 25 = 1, 25 5, 6 × 0, 23 = 1, 29 6, 0 × 0, 16 = 0, 96 5,29
11. Tela só com dados relevantes 5, 8 × 0, 28 = 1, 62 8, 4 × 0, 25 = 2, 10 5, 0 × 0, 23 = 1, 15 5, 6 × 0, 16 = 0, 90 5,77
12. Formulário maior, mais legı́vel 6, 8 × 0, 28 = 1, 90 6, 2 × 0, 25 = 1, 55 7, 0 × 0, 23 = 1, 61 6, 6 × 0, 16 = 1, 06 6,12
13. Só dados especiais do cliente 5, 8 × 0, 28 = 1, 62 5, 2 × 0, 25 = 1, 30 6, 0 × 0, 23 = 1, 38 5, 8 × 0, 16 = 0, 93 5,23
14. Código de cores, por famı́lia 8, 8 × 0, 28 = 2, 46 8, 8 × 0, 25 = 2, 20 8, 4 × 0, 23 = 1, 93 8, 6 × 0, 16 = 1, 38 7,97
15. Simplif. código 11 dı́gitos 6, 0 × 0, 28 = 1, 68 5, 0 × 0, 25 = 1, 25 6, 6 × 0, 23 = 1, 52 6, 4 × 0, 16 = 1, 02 5,47
16. Maior diferença entre códigos 6, 2 × 0, 28 = 1, 74 5, 6 × 0, 25 = 1, 40 6, 0 × 0, 23 = 1, 38 8, 0 × 0, 16 = 1, 28 5,80
17. Trein. sobre preenchimento 7, 8 × 0, 28 = 2, 18 6, 0 × 0, 25 = 1, 50 7, 4 × 0, 23 = 1, 70 7, 4 × 0, 16 = 1, 18 6,56
Tabela 2.9: Matriz de priorização final.
Portanto, a matriz de priorização indica a seguinte seqüência de prioridade entre as opções

(citamos apenas as cinco mais importante):
PRIORIDADE NOTA SOLUÇÃO

1 7,97 Código de cores, por famı́lia
2 7,88 Melhorar o aviso do programa
3 7,06 Programa baseado em menus
4 6,56 Treinamento sobre preenchimento
5 6,12 Formulário maior, mais legı́vel
Exercı́cio 4. Você e sua famı́lia vão tirar férias por uma semana em Fortaleza - CE. Você deve
escolher um hotel segundo alguns critérios tais como custo, “boa”localização, etc. Determine
junto com a sua equipe as caracterı́sticas (opções tais como: sala de jogos, ar condicionado,
restuarante, café da manhã, condições de pagamento, etc), a serem consideradas para a escolha
do “melhor hotel”.
2.4.2 Método de priorização por causa e efeito
Em diversas situações, é importante priorizar as opções com base na existência e na intensidade

das relações de causa e efeito entre as mesmas, selecionando aquelas que podem ser consideradas
causas primárias (que influenciam várias outras opções) ou gargalos (que recebem influência
de muitas opções). O diagrama de relações explicita essas relações de causa e efeito, mas seu
principal objetivo não é o de priorizar os itens e, além disso, ele não mede o grau ou a intensidade
das relações. Este método não necessita de “votação” individualizada, como o método anterior,
sendo realizado em grupo desde o inı́cio. As etapas para utilização deste método são:
• Construir a matriz de opções: Deve-se construir uma matriz listando as opções nas lin-
has e numerando-as em seqüência. As colunas também correspondem às mesmas opções,
pois elas serão comparadas entre si. Porém, basta numerar as colunas com o número da
opção sem descrevê-la. A Figura 2.15, a seguir, ilustra a matriz.
Figura 2.15: Matriz de opções.
• Comparar cada opção com as demais: Em seguida, trabalhando linha por linha,
cada opção será sistematicamente comparada com as demais, procurando-se verificar se
existem relações de causa e efeito entre elas. Além disso, procura-se avaliar a intensidade
das relações.
As seguintes perguntas devem ser feitas em voz alta para o grupo:
1. A opção (linha) causa ou influencia a opção (coluna)?
2. Se existe uma relação de causa, qual é a sua intensidade?
Com relação à pergunta 1, é importante fazê-la de maneira disciplinada, buscando relações

de causa apenas. Não se deve perguntar se a opção causa/influência ou se é cau-
sada/influenciada. Isto traria confusão e redundância desnecessárias à discussão, pois
basta seguir metodicamente a questão 1 para levantar todas as relações de causa e efeito.
Quando se detecta uma relação de causa, coloca-se um sinal (positivo ou negativo) na
célula correspondente da matriz, no sentido da relação positiva (ou negativa) da opção
causadora/influenciadora para a opção causada/influenciada.
Quanto à pergunta 2, devem ser usados os seguintes sı́mbolos, aos quais estão associados
a uma pontuação para medir a intensidade da relação.
Sı́mbolo Pontos Significado

• 9 Forte relação
◦ 3 Relação
4 1 Fraca/possı́vel relação
Ao ser marcado, em uma dada célula da matriz, um sinal e o sı́mbolo estabelecem a

relação de causa de uma opção-linha sobre uma opção-coluna (sinal positivo), deve-se
imediatamente marcar também a “imagem espelhada” do sinal (sinal negativo) e o mesmo
sı́mbolo, na “contra-célula” correspondente, marcando a respectiva relação de efeito. A
Figura 2.16 ilustra isso.
Figura 2.16: Relação de efeito.
• Totalizar os graus de relação: Estabelecidas, todas as relações devem ser quantifi-

cadas suas intensidades. Para cada linha/opção, marca-se o número de setas “para fora”,
o número de setas “para dentro”, o número total de setas e a soma dos pontos correspon-
dentes aos sı́mbolos (coluna “grau”), conforme representado na Figura 2.17.
Figura 2.17: Matriz de Priorização Final.
• Interpretar a matriz: Finalmente, a partir das informações levantadas na matriz de

priorização, procura-se identificar as opções prioritárias.
Exemplo 2.4. Uma empresa empenhada em introduzir um novo produto no mercado construiu
um diagrama em árvore e, a partir dos meios de promoção levantados no diagrama, construiu
uma matriz de priorização. Parte desta matriz está representada na Figura 2.18.
Figura 2.18: Exemplo da matriz de priorização - introdução de um novo produto no mercado

de trabalho.
Com a advertência inicial de que para a interpretação da matriz de priorização não existe
um método que possa ser considerado ótimo, recomenda-se seguir a seguinte seqüência:
1. Verificar o total da coluna “grau”. Uma opção de alta prioridade certamente terá fortes
relações com as demais, resultando num valor relativamente elevado na coluna “grau”.
Na Figura 2.18, as opções prioritárias sob este ponto de vista seriam a 1 e a 5, embora as
opções 6, 3 e 7 não tenham valor muito inferior. As opções 2 e 4, entretanto, claramente
são de baixa prioridade.
2. Para as opções selecionados na etapa anterior, verifique agora a coluna com o total de
sinais. As opções com alto valor de “grau” (da etapa anterior) e com total elevado de sinais
são as que têm maior potencial para priorização, pois possuem várias e fortes relações com
as demais opções. No exemplo, entre as opções 1, 5, 6, 3 e 7, todas têm uma soma de 5
sinais, com exceção da opção 6 (4 sinais). Assim, sob esse critério, pode-se considerar que
elas são basicamente da mesma importância. Entretanto, em outras situações, diferenças
maiores poderiam ajudar a priorizar aquelas opções com maior total de sinais.
3. Ainda para as mesmas opções selecionadas nos itens anteriores, pode-se observar os totais
de sinais “positivo” e “negativos” das opções. Três situações possı́veis:
• Maioria “negativos”: indica uma causa básica ou primária, com impacto sobre um
grande número de opções. Via de regra, vale a pena priorizar esse tipo de opção e
implementá-la a curto prazo.
• Maioria “positivo”: indica um gargalo ou ponto de convergência, do qual muitas

coisas dependem. Em geral, trata-se de uma tarefa ou opção muito próxima do
objetivo inicial do diagrama em árvore. Como muitas opções convergem para ela,
sua implementação, a médio/longo prazo é freqüentemente um fator de sucesso ou
conquista do objetivo final.
• “Empate”: se necessário, como critério de desempate, pode-se comparar a soma dos

pontos associados aos sinais para positivo com a soma dos pontos dos sinais negativo.
Mas, use o bom senso, não encare isso como uma regra rı́gida.
Neste exemplo, destaca-se como “causa básica” a opção 1, a divulgação dos ensaios de lab-
oratório e de campo. A opção 6 (demonstração portátil) também se aproxima dessa categoria.
Destaca-se como “ponto de convergência” a opção 5 (sumarizar os pontos fortes de venda para
os representantes), para a qual se direcionam os sinais de todas as demais opções, exceto a 4.
A opção 7 (display com recursos multimı́dia) também está muito próxima dessa condição.
2.5 Matriz de relações

A matriz de relações estimula o pensamento multidimensional através da investigação sis-
temática das relações entre dois ou mais conjuntos de dados verbais. Esta ferramenta per-
mite indicar não apenas a presença, mas também a intensidade das relações entre os fatores
analisados. Em geral, valores numéricos são atribuı́dos à intensidade das relações para que
seja possı́vel quantificar o seu grau de importância relativa. A partir do evidenciamento dos
fatores-chave, planos detalhados de implementação podem ser desenvolvidos.
Esta ferramenta é bastante flexı́vel, de modo que adaptações criativas podem ser feitas pelo
grupo. Porém, existem alguns tipos básicos de matriz de relações que descrevemos a seguir,
os quais devem ser escolhidos de acordo com o número de conjuntos de fatores que se deseja
analisar.
2.5.1 Matriz de relações tipo L
A matriz de relações tipo L é uma matriz básica e de ampla aplicação, que permite relacionar
dois conjuntos de fatores. Os fatores do primeiro conjunto são colocados nas linhas da matriz,
enquanto que os fatores do segundo são colocados nas colunas. Cada par de fatores é analisado
para verificar a existência de alguma relação entre eles. Quando se detecta uma relação, marca-
se na célula um sı́mbolo que indica a intensidade ou grau da relação.
Exemplo 2.5. Retomando o Exemplo 2.4, o qual trata da promoção de um novo produto, as
tarefas mais prioritárias para divulgação do novo produto foram usadas para a construção de
uma matriz de relações que esclarece as responsabilidades dos departamentos envolvidos. Uma
coluna foi acrescentada à direita para indicar a seqüência das tarefas (Figura 2.19).
Figura 2.19: Exemplo da matriz de relações tipo L.
2.5.2 Matriz de relações tipo T
A matriz de relações tipo T permite verificar as relações entre um conjunto de dados verbais A
com outros dois conjuntos B e C. Por inferência, estabelece-se (via conjunto A) relações entre
B e C. A matriz de relações tipo T é, portanto, uma superposição de duas matriz de relações
tipo L: BA e AC.
2.5.3 Matriz de relações tipo Y
A matriz de relações tipo Y é uma combinação de três matrizes tipo L. Definidos três conjuntos
de dados verbais A, B e C, permite verificar as relações AB, AC, e BC.
Figura 2.20: Exemplo da matriz de relações tipo T.
Figura 2.21: Exemplo da matriz de relações tipo Y.
2.5.4 Matriz de relações tipo X
A matriz de relações tipo X é uma combinação de quatro matrizes tipo L. Obtidos quatro
conjuntos de dados verbais A, B, C e D, permite verificar as relações AB, AD, CB e CD. Seu
uso, entretanto, é mais restrito.
Exemplo 2.6. Para ilustrar, a Figura 2.22 contém uma matriz de relações que mostra as
relações entre problemas na produção, tipo de produto, turnos de produção e tarefas de manutenção.
Figura 2.22: Exemplo da matriz de relações tipo X.
Pode-se concluir que:
• As operações de manutenção mais crı́ticas são a lubrificação da máquina e o ajuste do

rolo;
• Os produtos A e C são particularmente sensı́veis à manutenção;
• A maior parte dos produtos A e C é produzida no segundo e terceiro turnos;
• Os problemas “enrosco na máquina” e “material manchado” concentram-se no segundo e

terceiro turnos.
Isto leva a crer que um plano de melhoria da manutenção poderá reduzir a incidência de
problemas de produção, principalmente nos produtos A e C.
2.6 Diagrama PDPC

Num ambiente de negócios marcado pela competição acirrada, o método tradicional de visu-
alizar apenas um caminho, esperar a ocorrência de imprevistos, avaliar a suas conseqüências e
então tomar as providências cabı́veis, via de regra, fornece a solução tarde demais. Para resolver
problemas que envolvam novas circunstâncias e imprevistos, precisamos de uma ferramenta que
“mapeie” os vários caminhos e nos oriente na direção correta desde o inı́cio. O diagrama PDPC
(Process Decision Program Chart) é uma dessas ferramentas. Ele permite selecionar a melhor
alternativa para se atingir um objetivo (ou evitar um resultado indesejável) diante de situações
desconhecidas ou particularmente sujeitas a imprevistos. Com a consideração das prováveis

seqüências de atividades e da antecipação de ocorrências perturbadoras, torna-se possı́vel:
a. Efetivar ações preventivas para evitar a ocorrência de eventos que impossibilitariam atingir
o objetivo (ou que causariam um resultado indesejado);
b. Efetivar ações de contenção ou ter alternativas preparadas para contornar certos eventos
que surjam durante o andamento das atividades.
O campo para aplicação do PDPC é bastante amplo, mas ele é particularmente eficaz para
lidar com os efeitos do fator humano e de mudanças no ambiente. O PDPC torna possı́vel ante-
cipar as conseqüências de acidentes graves, podendo-se contorná-los já na fase de planejamento.
Deste modo, essa ferramenta pode ser usada com sucesso para aumentar a segurança e a con-
fiabilidade de produtos e sistemas , juntamente com outros métodos “clássicos” (por exemplo,
FMECA - Failure Mode, Effects and Criticality Analysis e FTA - Fault Tree Analysis).
Outro aspecto importante do PDPC é o de ele ser (assim como as demais sete ferramen-
tas gerenciais da qualidade - 7FGQ) uma ferramenta gráfica, isto é, permite visualizar todo
o processo para se atingir um dado objetivo. Este fato estimula a geração de novas idéias
entre os participantes na sua construção, além de ser adequado para apresentar o trabalho aos
executivos.
2.6.1 Construção do diagrama PDPC
Não existem regras estruturais rı́gidas para a confecção do PDPC, tampouco uma aparência
final “padrão”, como no caso das outras ferramentas que já abordamos. As regras básicas são:
1. Defina a situação futura;
2. Parta da situação atual;
3. Considere uma possı́vel solução ou caminho que leve à situação futura;
4. Anteveja possı́veis ocorrências e resultados indesejáveis;
5. Apresente meios de atingir um resultado melhor;
6. Decida com agir.

Em suma, pense antes sobre o que pode ocorrer depois, e adote o melhor caminho.
A Figura 2.23 ilustra um PDPC genérico. Cada evento é descrito verbalmente num cı́rculo
ou retângulo. As setas indicam a seqüência cronológica. “A0 ” é a condição ou situação atual.
“Z” pode ser tanto a situação desejada (objetivo) quanto uma condição indesejada, a qual
pretende evitar.
Figura 2.23: Modelo de PDPC
Normalmente, a construção do PDPC é feita partindo-se de “A0 ” e prosseguindo de maneira

organizada até a condição “Z”, explorando todas as possibilidades. Caso “Z” seja um objetivo a
ser alcançado, seleciona-se o melhor ou os melhores caminhos. Dependendo do tempo disponı́vel
e da importância de se atingir o objetivo, os possı́veis caminhos podem ser tentados um de cada
vez, em série, ou simultaneamente, em paralelo.
Caso “Z” seja uma condição indesejável a ser evitada, devem ser desenvolvidas soluções
que “cortem” todos os possı́veis caminhos levando até “Z”. Uma outra possibilidade para
construção do PDPC é proceder da maneira inversa, partindo de “Z” e verificando os caminhos
que “conectam” “Z” a “A0 ”. Na descrição do método de construção, assumiremos a primeira
possibilidade (de “A0 ” para “Z”).
É importante observar que, embora a Figura 2.23 mostre apenas uma única condição “Z”,
a análise com o PDPC pode envolver mais de uma condição final.
O PDPC é um método dinâmico, pois considera as ocorrências ao longo do tempo. Por isso,
para manter sua eficácia, o diagrama deve ser revisado à medida que as atividades progridem.
No inı́cio, existe muita incerteza quanto às ocorrências futuras e é natural que elas sejam
vagamente definidas. Mas, à medida que o tempo passa, a situação pode mudar e certos
aspectos podem tornarem-se mais claros, novos problemas podem surgir e também podemos
adquirir mais experiência e novas percepções. Tudo isso reforça a necessidade e importância de
revisar o PDPC periodicamente.
Recomenda-se seguir as seguintes etapas para construção do PDPT:
• Levantamentos dos possı́veis caminhos: Os participantes da equipe (preferı́velmente

de todas as áreas envolvidas) reúnem-se para discutir as possı́veis soluções ou caminhos.
Cada caminho pode ser composto de diversas atividades ou eventos, os quais chamaremos
de itens. Os itens são conectados por setas que indicam sua seqüência cronológica. O
coordenador do grupo pode apresentar um caminho básico para o inı́cio da discussão, a
partir do qual um brainstorming pode ser feito buscando os possı́veis caminhos. Cada
novo caminho identificado deve ser acrescentado ao diagrama. Este deve estar visı́vel a
todos os participantes, para estimular novas idéias;
• Levantamentos dos possı́veis problemas: Novamente, através de brainstorming,

listam-se os possı́veis problemas, dificuldades e preocupações associados aos itens de cada
caminho levantado anteriormente;
• Avaliação dos problemas: Devem ser avaliados os efeitos de cada problema potencial
sobre o andamento do respectivo caminho. Na avaliação dos problemas, sugere-se consid-
erar conjuntamente sua chance de ocorrência e a gravidade das conseqüências. Ao final
da avaliação, os problemas mais relevantes estarão evidenciados;
• Levantamento de alternativas: Sobre os problemas mais relevantes, devem ser inves-

tigadas soluções ou caminhos alternativos, os quais devem ser acrescentados ao diagrama;
• Priorização dos caminhos: Finalmente, os caminhos devem ser priorizados e seleciona-

dos, levando-se em conta a urgência da situação e a disponibilidade de recursos. Para a
priorização, devem ser considerados a complexidade do caminho (número de itens e sua
dificuldade de realização), o custo e o tempo envolvidos.
Quando a situação envolve vários departamentos, as atividades sob a responsabilidade

de cada um podem ser envolvidas por uma linha, escrevendo-se o nome do departamento
responsável;
• Estabelecer a data de revisão: Em função do tempo necessário para se acumularem

novos dados sobre a situação, uma data para a próxima revisão e atualização do PDPC
deve ser marcada pelo grupo. Até lá, a equipe estará empenhada nas atividades relativas
ao(s) caminho(s) selecionado(s).
Exemplo 2.7. Exemplo da Prevenção de Incêndio. No PDPC da Figura 2.24, a

situação, ao invés de um objetivo, é uma condição indesejável, que se deseja evitar (incêndio
que se alastra, sem alarme a tempo). Vários caminhos que podem levar a essa condição estão
descritos. Para cada caminho, está identificada uma medida preventiva.
Figura 2.24: Exemplo de um diagrama PDPC
2.7 Diagrama de atividades

O diagrama de atividades é usado para estabelecer o plano mais adequado para um projeto e
acompanhar o seu andamento de maneira eficiente quando se conhece a duração de todas as
atividades envolvidas. São utilizadas setas para representar cada atividade do plano, formando
uma rede que evidencia o seqüenciamento das atividades e suas relações de subordinação. A
partir de tal diagrama, torna-se possı́vel analisar os tempos de maneira conjunta, identificar as
atividades crı́ticas e discutir meios para melhorar o plano e ganhar tempo.
O controle e otimização do tempo é uma questão fundamental para o gerenciamento da
qualidade. Por esse motivo, o diagrama de atividades foi incorporado às sete ferramentas
gerenciais da qualidade, tendo sido diretamente emprestado da disciplina PERT/CPM, na qual
é conhecido como diagrama de flechas.
2.7.1 Sı́mbolos, definições e regras
X Atividades
Para fins do diagrama de atividades, atividade é todo trabalho que consome tempo. As
atividades são representadas por setas de linha contı́nua, conforme a Figura 2.25, indicando
que é necessário um certo tempo para serem executadas. Toda seta inicia-se em um nó ou
“evento”, denominado evento-inı́cio de atividade, e termina em outro, chamado de evento-fim
de atividade. Um evento é um marco no tempo, um ponto de controle que indica o inı́cio ou o
fim de uma ou mais atividades. É importante observar que ele não significa a execução de uma
tarefa, portanto, não consome tempo ou recursos. Para fins de identificação e referência, cada
evento é identificado por um número inteiro, envolto por um pequeno cı́rculo, conforme mostra
a Figura 2.25. Em cada atividade, o número do evento-inı́cio deve ser sempre menor que o do
evento-fim.
Figura 2.25: Representação de uma atividade
As atividades costumam ser referenciadas pelos números do evento-inı́cio e evento-fim. As-

sim, a atividade representada na Figura 2.25 pode ser designada por atividade (10;20).
O encadeamento das setas indica a seqüência cronológica das atividades. Na Figura 2.26,
a atividade (10;20) é dita precedente imediata das atividades (20;30) e (20;40), enquanto estas
são ditas subseqüentes imediatas da primeira. Esta representação significa que as atividades
(20;30) e (20;40) não podem ser iniciadas sem a conclusão das atividades (10;20).
Figura 2.26: Encadeamento das setas
Duas ou mais setas não podem ter o mesmo par de eventos de inı́cio e fim, Figura 2.27 (a).
Quando for o caso, deve ser usada uma atividade fictı́cia (dummy), representada por uma seta
com linha tracejada, a qual indica apenas a dependência entre duas atividades, mas não implica
dispêndio de tempo. As partes (b), (c) e (d) da Figura 2.27 mostram algumas possibilidades de
uso da atividade fictı́cia. No diagrama de atividades não devem ser usadas atividades fictı́cias
em vão, pois, embora isso não seja um erro, acrescenta complexidade desnecessa.
Figura 2.27: Possibilidades de atividades fictı́cias
Exemplo 2.8. Construção de uma casa

Figura 2.28: Diagrama de atividades para a construção de uma casa
X Tempos
A duração de cada atividade deve ser indicada conforme a Figura 2.29, em que, por exemplo,
a atividade A dura 5 dias, a atividade B dura 3 dias, a C dura 9 dias e assim por diante.
Figura 2.29: Representação dos tempos
Enquanto cada atividade está associada a uma duração ou intervalo de tempo, a cada nó
ou evento está associada uma data ou ponto no tempo. A partir dessas informações de tempo
contidas nas atividades e nos eventos, é possı́vel identificar atividades crı́ticas, com pouca ou
nenhuma folga de tempo, e a partir daı́ aperfeiçoar o plano, como veremos adiante. Para isso,
tornam-se necessárias outras definições, denominadas datas de eventos.
Atribuindo-se a data 0 (zero) ao evento inicial (inı́cio da primeira atividade do plano), e a
partir daı́ acumulando-se as durações das atividades, define-se a “data mais cedo” de um evento,
representada por Tc , é a data mais cedo em que o evento pode ocorrer, ou seja, a mı́nima data
em que estarão concluı́das todas as atividades que convergem para o evento em questão. A
data Tc é calculada somando-se as durações de todas as atividades precedentes. Genericamente
falando, uma vez conhecida a Tc de um evento-inı́cio, a Tc do evento-fim correspondente é
obtida somando-se à primeira a duração da atividade entre eles. Assim, se o ı́ndice i denotar o
evento-inı́cio, f o evento-fim e D(i, f ) a duração da atividade entre eles,
Tc (f ) = Tc (i) + D(i, f ).
No caso em que várias atividades convergem para o mesmo evento, a Tc será a data corre-
spondente à maior soma:
Tc (f ) = max [Tc (i) + D(i, f )] .
Como exemplo, retomando o diagrama de atividades da Figura 2.29 e calculando as datas

mais cedo Tc para todos os eventos, obtém-se a Figura 2.30. As Tc são anotadas na parte superior
de um pequeno retângulo colocado próximo ao evento correspondente. A parte inferior do
retângulo será usada para anotar a data mais tarde do evento, conforme explicaremos a seguir.
Figura 2.30: Representação das Tc
Conhecidas as datas mais cedo de todos os eventos, para definirmos as “datas mais tarde”, é
necessário atribuir, arbitrariamente, uma data máxima ao evento final (evento no qual termina
a última atividade do plano). Esta data máxima atribuı́da passa a ser a data mais tarde do
evento final. Ela pode ser no mı́nimo igual à Tc do último evento, mas normalmente é maior que
esta, pois é boa prática admitir-se uma folga que possa cobrir algum imprevisto. Genericamente
falando, “data mais tarde” de um evento, representada por Tt , é a data mais tarde em que um
evento pode ocorrer sem causar um atraso na data final do plano. Em outras palavras, data
mais tarde de um evento é uma data-limite para que todas as atividades que convergem para
um evento se completem, sem que venham causar um atraso na data final, devido à falta de
tempo para que as atividades subseqüentes possam ser concluı́das.
O cálculo das datas Tt para todos os eventos inicia-se com a data mais tarde atribuı́da ao
evento final e prossegue deste para os eventos precedentes, até chegar ao evento inicial. A
data Tt de um evento-inı́cio qualquer é obtida subtraindo-se, da data mais tarde do evento-fim
correspondente, a duração da atividade subseqüente imediata. Assim,
Tt (i) = Tt (f ) − D(i, f ).
No caso de haver mais de uma atividade saindo do evento-inı́cio, o valor Tt deverá ser o
menor número obtido, caso contrário, a atividade à qual corresponde este menor valor não
poderá ser realizada sem “empurrar” as demais atividades subseqüentes e causas um atraso na
data final. Assim,
Tt (i) = min [Tt (f ) − D(i, f )] .
Como exemplo, retomando a Figura 2.30 e atribuindo, para fins didáticos, uma data mais
tarde do evento final igual à data mais cedo do mesmo, podemos agora completar a Figura 2.30
com as Tt de todos os eventos, anotando-as na parte inferior dos retângulos e obtendo a Figura
2.31.
Figura 2.31: Representação das Tt
X Folgas
O gerenciamento de um plano será mais eficaz se forem conhecidas e administradas as folgas

existentes nos eventos do diagrama de atividades. Existem dois tipos de folga:
• Folga de evento: A folga de um evento, representada por F , é a diferença entre sua

data mais tarde e a data mais cedo:
F (i) = Tt (i) − Tc (i)
A folga de um evento representa o atraso que se pode suportar na ocorrência do evento,

isto é, na conclusão de todas as atividades que para ele convergem, para que se consiga
cumprir a data final do plano (data mais tarde do evento final).
Chama-se de eventos crı́ticos aqueles com as menores folgas entre todos os demais. A
importância dos eventos crı́ticos reside no fato de que eles constituem pontos importantes
de controle do andamento do projeto. Além disso, eles ajudam a determinar o caminho
crı́tico, conforme veremos a seguir.
• Folga de atividade: Existem dois tipos de folga de atividade:
– Folga total de uma atividade, representada por F T , é o atraso máximo que uma
atividade pode ter sem causar um atraso na data final do plano. Por isso, deve ser
cuidadosamente controlada pelo responsável pelo projeto como um todo. É calculada
como:
F T (i, f ) = Tt (f ) − Tc (i) − D(i, f ).
– Folga livre de uma atividade, representada por F L, é o atraso máximo que uma
atividade pode ter sem causar um atraso na data de inı́cio de qualquer atividade
subseqüente. Deste modo, é um intervalo que pode ser usado livremente pelo res-
ponsável pela atividade, sem causar impacto às demais. É calculada com:
F L(i, f ) = Tc (f ) − Tc (i) − D(i, f ).
A partir das duas fórmulas anteriores, é fácil verificar que a folga total de uma atividade
é igual à soma de sua folga livre com a folga do seu evento-fim:
F T (i, f ) = F (f ) + F L(i, f ).
A expressão acima ajuda a evidenciar o fato de que, se a folga livre de uma atividade
for consumida, ela passará a afetar a folga do seu evento-fim, ou seja, o andamento das
atividades subseqüentes. Chama-se de atividade crı́tica aquela cujas folgas totais são as
menores entre todas as demais. Qualquer atraso em tais atividades, resultará no atraso
da data final ou no comprometimento da folga total do plano (folga do evento final). Por
isso, é importante identificá-las e acompanhar seu andamento de maneira restrita. As
atividades crı́ticas determinam a existência de um ou mais caminhos crı́ticos na rede de
eventos, conforme descrito na seção seguinte.
Como exemplo, podemos completar a Figura 2.31 com as folgas total e livre de cada
atividade, obtendo a Figura 2.32. Tais folgas estão colocadas entre parênteses, em que o
número superior é a folga total e o inferior, a folga livre.
Figura 2.32: Representação das folgas

X Caminho crı́tico
Partindo do evento inicial e percorrendo as diversas atividades na rede de nós ou eventos,

verifica-se que existem vários caminhos para atingir o evento final, alguns com maior e outros
com menor duração total (soma das durações de todas as atividades no caminho). O caminho
com a maior duração total é denominado de caminho crı́tico e representa o menor prazo possı́vel
para a conclusão do projeto. A importância de identificar o caminho crı́tico está nos seguintes
fatos:
1. Permite saber, de imediato, se será possı́vel ou não cumprir um prazo anteriormente

definido para a conclusão do plano;
2. Identifica as atividades crı́ticas, as quais não podem sofrer atrasos, permitindo um controle
eficaz sobre as tarefas prioritárias;
3. Se for necessária uma redução da data final, permite priorizar as atividades cuja redução
terá maior impacto sobre a antecipação da data final. Sobre tais atividades, deverão con-
vergir os esforços para redução de suas durações ou para a busca de soluções alternativas.
É possı́vel identificar um caminho crı́tico utilizando programas de computador dedicados a

PERT/CPM ou então manualmente. O método manual é relativamente prático se o número
total de tarefas não for muito grande, por exemplo menor que 100, e se não for necessária a
emissão freqüente de relatórios de andamento do plano.
O método manual para a determinação do(s) caminho(s) crı́tico(s) baseia-se na identificação
das atividades crı́ticas. A determinação destas, por sua vez, depende da identificação dos even-
tos crı́ticos. O caminho crı́tico será aquele formado totalmente por uma sucessão de atividades
crı́ticas e eventos crı́ticos, desde o evento inicial até o evento final (estes sempre fazem parte de
qualquer caminho crı́tico). A propósito, não é possı́vel existir uma atividade crı́tica isolada na
rede sem fazer parte de um caminho crı́tico.
Como “dica” prática, para determinar o(s) caminho(s) crı́tico(s) observe caminhos em que
as folgas dos eventos crı́ticos e as folgas totais das atividades crı́ticas em seu percurso são iguais
à folga do evento final. No caso em que se atribui Tt = Tc para o evento final, serão nulas as
folgas de todos os eventos e as folgas totais das atividades do caminho crı́tico. Como exemplo,
na Figura 2.32, acima, o caminho crı́tico corresponde aos eventos 10, 20, 50 e 60. Assinala-se
o caminho crı́tico com linhas de tracejado grosso.
É importante observar que pode haver mais de um caminho crı́tico no plano. A Figura 2.33
mostra um exemplo de diagrama de atividades para a confecção de apostilas. Neste caso, o
evento final tem folga positiva (3). Existem dois caminhos crı́ticos: 10-20-60-70 e 10-30-50-60-
70. Note que a atividade (20, 50), embora esteja entre dois nós crı́ticos, não é uma atividade
crı́tica, pois sua folga (13 − 3 − 2 = 8) é maior que a folga do evento final (3). Portanto, o
caminho 10-20-50-60-70 não é um caminho crı́tico.
Figura 2.33: Representação dos caminhos crı́ticos
2.7.2 Construção do diagrama de atividades
Para construção do diagrama de atividades, recomenda-se seguir os passos abaixo listados.
• Listar as atividades: Com uma discussão entre os membros da equipe, listar todas
as atividades necessárias para completar o plano. O nı́vel de detalhamento depende do
quão crı́tico é o plano e do grau de controle que se deseja ter sobre ele. Quanto maior o
detalhamento, menor a possibilidade de erros grandes.
As atividades devem ser então numeradas, independentemente de sua ordem cronológica.

Esta numeração é só para referência, não tendo qualquer importância na montagem nem
nos cálculos do diagrama de atividades;
• Preparar as cartelas: Os nomes das atividades serão transferidos para as cartelas

adesivas. Cada cartela que receberá o nome de uma atividade deve ser preparada com um
traço horizontal, dividindo-a ao meio. O nome da atividade é anotado na parte superior
da cartela e a parte inferior deve ser reservada para anotar a duração da atividade,
posteriormente;
• Identificar os caminhos seqüenciais de atividades: A partir das relações de precedên-

cia\subseqüencia das atividades, alinhar horizontalmente as atividades que formam um
caminho seqüencial. Podem existir vários caminhos seqüenciais de atividades, os quais
podem ser encaminhados em paralelo (simultaneamente) em relação aos demais caminhos;
• Arranjar as cartelas: Posicionar as cartelas de acordo com o seguinte critério:
a. Comece com o caminho seqüencial que tem o maior número de atividades.
b. Disponha as cartelas em ordem de precedência, deixando um espaço entre elas que

seja suficiente para desenhar um nó (cı́rculo) que seja visı́vel para todos da equipe.
c. Para cada caminho seqüencial restante, posicionar as cartelas de maneira adequada,

de acordo com suas relações com as atividades do primeiro caminho.
• Esboçar as setas e eventos: Uma vez posicionadas todas as cartelas, desenhar a lápis
as setas e nós correspondentes a todas as atividades;
• Anotar as durações das atividades: Anotar as durações de cada atividade nas respec-
tivas cartelas (parte inferior). Devem ser feitas estimativas, com a maior precisão possı́vel,
para a duração de cada atividade, com base em experiência anterior ou em informações
de trabalhos passados. Recomenda-se usar o número de dias, semanas ou horas como
unidade de tempo. Quando dados estatı́sticos confiáveis sobre a duração das atividades
estiverem disponı́veis, considerar a duração média;
• Desenhar a rede de eventos e atividades: “Passar a limpo” a rede até aqui esboçada,
desenhando-a na forma definitiva em uma ou mais folhas;
• Numerar os eventos: A partir do evento inicial, ao qual deve ser atribuı́do o número
00, numerar os eventos em ordem crescente, de acordo com sua ordem de precedência.
Não se deve numerar um evento sem que que todos os eventos precedentes tenham sido
numerados. Ou seja, toda seta deve dirigir-se de um evento de número mais baixo para
um número mais alto;
• Calcular as datas dos eventos: Anotar as durações das atividades, próximo ao ponto
médio das setas. Em seguida, conforme explicado anteriormente, calcular as datas mais
cedo e datas mais tarde de cada evento anotando-as nos locais apropriados dos retângulos
(Tc na parte superior e Tt na parte inferior);
• Determinar o caminho crı́tico e revisar o diagrama de atividades: Identificar

os eventos crı́ticos e as atividades crı́ticas, conforme explicação anterior, o que determina
o caminho crı́tico (ou caminhos crı́ticos). Em seguida, revisar o diagrama de atividades
e, caso necessário, identificar meios de reduzir o prazo, dedicando atenção e esforço às
atividades do caminho crı́tico. Meios de reduzir a data final incluem redução da duração
das atividades do caminho crı́tico ou a identificação de atividades alternativas que mod-
ifiquem o caminho crı́tico. É importante observar que alterações feitas no diagrama de
atividades, mesmo que não sejam sobre atividades crı́ticas, podem trazer como resul-
tado um deslocamento do caminho crı́tico, ou podem surgir novos caminhos crı́ticos. Por
exemplo, se a duração de uma atividade estender-se além de sua folga ou se deixarmos
transcorrer o seu tempo de folga sem utilizá-lo, a atividade passará a ser crı́tica. Portanto,
é importante revisar o diagrama de atividades sempre que quaisquer alterações ocorram,
pois pode haver uma mudança do caminho crı́tico.
Exemplo 2.9. Diagrama de atividades. Após obter o diagrama de atividades da Figura

2.34, identificou-se a necessidade de reduzir em aproximadamente um mês a data final do
projeto de desenvolvimento do novo produto. A partir da análise do caminho crı́tico, foi possı́vel
encurtá-lo em 29 dias, reduzindo em 27 dias as atividades (M1, M3) - de 131 para 104 dias -
e a atividade (M5, M8) em dois dias - de 10 para 8. O caminho crı́tico, porém, deslocou-se
para 1-E1-E2-3-4-6-7-8-9-10-11, de modo que a redução resultante na data final foi de apenas
11 dias.
Figura 2.34: Diagrama de atividades
Em seguida, no novo caminho crı́tico, a atividade (4, 6) foi reduzida em 15 dias - de 45

para 30 - e a (6, 7) em 3 dias - de 10 para 7. Com isso, houve uma redução de 7 dias no
cronograma, mas o caminho crı́tico mudou para 1-2-M1-M4-M6-M7-7-8-9-10-11, de modo que
a redução resultante foi de apenas 20 dias na data final.
Finalmente, (M1, M4) foi reduzida em 9 dias - de 123 para 114 dias. O resultado final
mostrado na Figura 2.35, foi uma redução de 29 dias na data de conclusão do plano, formando-
se quatro caminhos crı́ticos. Isto mostra a utilidade de se planejar com o diagrama de atividades,
o qual permite identificar onde o plano pode ser melhorado e possibilita verificar o resultado
final de cada alteração introduzida.
Figura 2.35: Diagrama de atividades final

57
Capı́tulo 3
QFD - Desdobramento da Função

Qualidade
O Desdobramento da Função Qualidade - Quality Fuction Deployment (QFD) - é útil em es-

forços para desenhar e redesenhar produtos, serviços e processos. Ele é usado na documentação
do conhecimento corrente sobre o sistema ou produto em questão, para priorizar e planejar
ciclos de melhoria, e para atualizar o conhecimento.
O Desdobramento da Função Qualidade (QFD) é um processo de escutar a “Voz do Cliente”,
identificar suas necessidades e incorporá-las ao desenho e redesenho dos produtos, serviços e
processos, aproximando as necessidades e os desejos do cliente em todas as fases: do planeja-
mento do projeto à entrega do serviço.
De acordo com Yoji Akao (1990), o método QFD foi desenvolvido nos estaleiros de Kobe
das Indústrias Pesadas Mitsubishi no Japão em meados da década de 1960. O objetivo era
fornecer meios de se traduzir necessidades dos clientes em requisitos técnicos apropriados para
cada estágio do desenvolvimento de produto e da produção. A introdução do QFD nos Estados
Unidos é creditada a Akao, por meio de um artigo na revista Quality Progress.
Em resumo, o QFD é uma ferramenta de planejamento estratégico, que traz como con-
seqüência importante uma melhoria da Qualidade, no seu sentido mais amplo: vender o que o
cliente quer comprar e tornar o produto ou serviço disponı́vel no momento que o mercado quer
e antes que a concorrência o faça.
3. QFD - Desdobramento da Função Qualidade 58
3.1 Definição e Evolução

O QFD é um método que tem como objetivo organizar o conhecimento a fim de ajudar e
priorizar esforços de melhoria. O método é baseado na crença de que produtos e serviços devem
ser redesenhados de modo a refletir as necessidades e desejos do cliente.
Alguns tipos de questões que levam ao uso do método QFD são:
• Como desdobrar conceitos que têm potencial de atender às necessidades do cliente em
produtos e serviços?
• Como selecionar o melhor conceito de produto entre muitos que estão sendo considera-
dos?
• Como projetar um produto que deva funcionar sob uma ampla variedade de condições
que podem ser encontradas durante a produção ou uso pelo cliente?
• Como escolher as melhores condições de operação para um processo de manufatura?
A própria estrutura do método QFD ajuda a compartilhar conhecimentos importantes em

meio a uma organização. Alguns tipos de conhecimentos que são importantes quando se usa
esse método incluem:
• Compreensão das necessidades do cliente: freqüentemente isso é uma função de marketing.
• Compreensão das caracterı́sticas de qualidade relacionadas às necessidades e suas im-

portâncias relativas para o cliente: isso usualmente é uma combinação de projeto de
marketing e de engenharia.
• Compreensão dos “fatores”que influenciam ou afetam as caracterı́sticas de qualidade. De-

pendendo da situação especı́fica, os exemplos de fatores podem incluir condições e métodos
de processo, tipos de equipamento ou ferramentas, materiais, lay-outs, ambiente e nı́veis
de habilidade e treinamento; isso usualmente é uma função de projeto de engenharia.
Como pode ser visto pela localização dos tipos de conhecimento, uma importante con-
tribuição de se usar QFD é a de quebrar as barreiras funcionais e encorajar o trabalho em
equipe para tentar satisfazer às necessidades dos clientes. O método QFD pode ser útil em
qualquer esforço de se estabelecer relações claras entre funções de produção e satisfação dos
clientes que não sejam facéis de se visualizar.
3.2 A Matriz QFD

Na sua forma mais básica o QFD pode ser visto como uma matriz que relaciona certas
informações importantes para a melhoria. Muitas vezes várias matrizes serão usadas no mesmo
esforço de melhoria. Essas matrizes relacionarão os “o quê” do lado esquerdo da matriz como
os “como” na parte de cima. Os “o quê” geralmente são tirados do diagrama de caracterı́sticas
de qualidade, enquanto que os “como” são tirados do conhecimento sobre o assunto da orga-
nização. A estrutura do método QFD exige que diferentes funções da organização trabalhem
cuidadosa e profundamente umas com as outras.
É comum no método QFD adicionar informações suplementares e pertinentes para serem
usadas na matriz. Duas categorias importantes são:
• Importância relativa das caracterı́sticas de qualidade para o cliente;
• Metas para as medidas.
Caracterı́sticas Valor de Fatores Controláveis

de Qualidade Importância Os “Como”
Os “O Quê”
Totais de Fatores
Tabela 3.1: Matriz QFD com Valores de Importância
A matriz é construı́da colocando primeiramente as caracterı́sticas de qualidade do lado

esquerdo, junto com os valores de importância na primeira coluna como mostra a Tabela 3.1.
Em seguida, os “os como” ou fatores a serem controlados são colocados na parte de cima
da matriz. Eles podem ser vistos como as escolhas que serão feitas para se fazer melhorias.
Nesse estágio inicial, nós não estamos tomando decisões firmes sobre como exatamente cada
um desses processos deve ser feito, mas sim atribuindo prioridade aos processos ou produtos
que queremos melhorar.
A matriz é completada atribuindo um valor para impacto de um fator particular na carac-
terı́stica de qualidade para essa linha. Isso é feito usando uma ponderação de um (1), dois (2)
e três (3), com três (3) tendo maior impacto. O traço (-) indica nenhum efeito, e um espaço
em branco indica que ainda não sabemos. Outras escalas de ponderação podem ser usadas. A
equipe tem que trabalhar junto a matriz e conseguir um consenso sobre qual valor inserir. Por
último o número de importância é multiplicado pelo número de impacto e esses são somados
na coluna para fornecer os valores de importância para o fator de controle particular.
3.3 Usando a “Casa de Qualidade” QFD

Nessa seção iremos introduzir a planilha matriz, conhecida como “Casa de Qualidade” (House
of Quality), devido a sua forma, que é útil quando existem relações importantes entre os “como”.
Essas relações podem ser documentadas no “telhado” da casa, que é desenhado sobre a ma-
triz original. Ela também introduz um método para priorizar numericamente as ações para
melhoria.
A Figura 3.1 apresenta uma planilha em branco, seguida por um conjunto de instruções
para completá-la. Para ilustrar o método é usado um exemplo de um processo quı́mico.
Algumas vezes existe certas confusões a respeito da diferença entre redesenhar um produto
ou serviço. A chave é lembrar que os fatores são escolhas que o produtor faz. Por exemplo,
ao redesenhar um processo as escolhas de redesenho foram “experiência e nı́veis de habilidade”
e “processo de hora marcada”. Para esses redesenhos de processos o foco primário estará nas
“causas e condições que repentinamente vêm juntas... para transformar dados em resulta-
dos”. Em melhoria de processos as caracterı́sticas de qualidade do próprio processo, tais como
“padronizado”, “eficiente”, “no horário” ou “simples”, se tornam importantes. Um enfoque
para melhorar um processo deve ser voltado principalmente no “como”, enquanto que um en-
foque para melhorar um produto ou serviço deve ser um foco no “o quê”. Isso geralmente
envolve mais pesquisa de cliente e escolhas entre as opções de desenho.
Desenhar um novo produto, serviço ou processo vai demandar, com freqüência, mais pesquisa
para compreender a necessidade e as caracterı́sticas de qualidade associadas do que se fosse o
redesenho de um produto, serviço ou processo que já existe.
Ao redesenhar um produto, serviço ou processo já existente, geralmente haverá informações
históricas disponı́veis sobre os nı́veis de satisfação do cliente. É claro que tais informações não
estarão disponı́veis em um novo desenho, nesse caso, porém, pode haver informações úteis da
percepção do cliente disponı́veis sobre outros produtos, serviços e processos que possam existir
atualmente para dar conta dessa necessidade.
Além disso, as distribuições entre desenho de processo e de produto provavelmente ficam
confusas, quando se lida com commodities como produtos quı́micos, aço ou plásticos. Nessas
situações os redesenhos de produtos provavelmente serão pequenas modificações e as escolhas

relacionadas a mudanças de processos serão menores.
Figura 3.1: Planilha “Casa de Qualidade” QFD

3.3.1 Instruções para Usar a “Casa de Qualidade” QFD
O exemplo usado para ilustrar esse procedimento foi fornecido por uma equipe da End State
Chemical, produtora de Carbizeno. Uma equipe da fábrica trabalhava em melhorias no processo
de produção.
Passo 1 No canto superior esquerdo da planilha coloque o nome ou classificação geral do

cliente. Pode haver mais de um cliente ou tipos de clientes, desde que diferentes clientes
queiram o mesmo conjunto de caracterı́sticas de qualidade (veja o Passo 3). Como pode
ser visto na Planilha da Figura 3.2, é evidente que a base de clientes para o Carbizeno é
bastante diversificada.
Passo 2 Logo abaixo da necessidade do cliente, marque uma das três opções “produto”,
“serviço” ou “processo” para indicar em qual desses três está o foco do esforço de melho-
ria, e em seguida escreva o nome desse esforço de melhoria na linha correspondente. Logo
abaixo, marque a opção apropriada para indicar se se trata de um esforço de desenho ou
redesenho.
Passo 3 Na primeira coluna, à esquerda do corpo principal da planilha, liste as caracterı́sticas

de qualidade nas palavras do cliente. Essas caracterı́sticas serão simplesmente atrib-
utos desejáveis relativos à necessidade, expressos nas próprias palavras do cliente. Em
seguida, na coluna adjacente marcada “mensurável”, acrescente mais detalhes ou significa-
dos. Liste uma ou mais caracterı́sticas mensuráveis obtidas a partir das caracterı́sticas de
qualidade declaradas pelo cliente. Essa segunda coluna deve ser expressa de tal modo que
permita alguma forma de teste ou medida. A equipe da End State Chemical traduziu o de-
sejo do cliente de um “bom produto”em termos mensuráveis tais como “teor”, “variação”
e “concentração”.
Figura 3.2: Planilha QFD - Passos 1, 2 e 3

Passo 4 Na terceira coluna à esquerda documente os valores atuais de “meta” para cada cara-
cterı́stica de qualidade. Essas metas podem ser na forma de um valor ótimo quantitativo
desejado, gama de valores, condição ou direção. Todas essas metas para as caracterı́sticas
do Carbizeno estão na forma de direções desejadas (↑ ou + e ↓ ou −). Veja a Figura 3.3.
Passo 5 Na quarta coluna à esquerda atribua um valor de importância relativa do ponto de

vista do cliente para cada uma das caracterı́sticas de qualidade mensuráveis. (Ou, para
aquelas caracterı́sticas de qualidade que não têm caracterı́sticas mensuráveis associadas,
atribua os valores para as caracterı́sticas do cliente.) Uma escala simples de valores pode
variar de 1 a 5, com 1 sendo “menos importante” e 5 sendo “mais importante”. Aqui,
números maiores representam nı́veis maiores de importância relativa, devido ao método
de priorização explicado no Passo 11. A documentação de apoio da planilha QFD deve
incluir informações sobre o tipo de escala de valores utilizada, definições operacionais
para cada nı́vel de valores, origem dos valores e outras informações pertinentes a respeito
desses valores.
Passo 6 Se esse for um esforço de redesenho, vá para a segunda coluna à direita e coloque um
valor que indique a satisfação atual do cliente com o produto, serviço ou processo existente,
para cada caracterı́stica de qualidade mensurável. Como no Passo 5, uma escala simples
de valores pode variar de 1 a 5, mas aqui o valor de 1 representa “muito satisfeito” e um
valor 5 significa “muito insatisfeito”. É importante observar que aqui números maiores
representem nı́veis maiores de insatisfação, devido ao método de priorização no Passo 12.
Agora, na última coluna da direita, coloque um valor similar para um produto ou serviço
alternativo importante disponı́vel para o cliente sobre o qual seja útil saber a respeito.
Assim como no Passo 5, deve haver documnetação de apoio a respeito das origens dos
valores. É evidente, pelos valores da Planilha da Figura 3.3, que os clientes de Carbizeno
estão mais satisfeitos com o produto da End State em termos de baixa concentração
e baixa variação de endeno, e mais insatisfeitos com a alta cor e variação excessiva de
materiais estranhos. Esses valores podem ser comparados com os do principal competidor
da End State observando os valores na coluna adjacente.

Passo 7 Em seguida, diretamente abaixo do “telhado” da casa e ao longo da primeira linha

chamada “fatores”, liste todos os elementos importantes, ou fatores, que se acredita terem
influência na lista de caracterı́sticas de qualidade, tais como métodos, equipamentos,
materiais, caracterı́sticas de engenharia, condições de processo, ambiente, etc. Assim
como nas caracterı́sticas de qualidade secundárias, expresse esses fatores de tal modo que
permita alguma forma de avaliação, julgamento, teste ou medida. Do mesmo modo que
é útil pensar nas caracterı́sticas de qualidade como os “o quê”, é útil pensar nos fatores
como os “como”. Em outras palavras, os fatores (os “como”) é que serão mudamos para
mover as caracterı́sticas de qualidade (os “quê”) na direção de suas respectivas metas. Na
Figura 3.4 pode-se ver que os fatores mais importantes na End State são primariamente
relacionados com processos.
Passo 8 Agora, usando o formato de matriz dentro do corpo principal da “casa”, coloque
valores numéricos para cada local de fator/caracterı́stica de qualidade que expresse a
crença atual sobre a força da relação entre o fator e a caracterı́stica de qualidade. Use
0 para representar “nenhuma relação”, 1 para representar uma “relação fraca”, 3 para
representar uma “relação moderada” e um “5” para representar uma “relação forte”. Se
atualmente não se souber se existe ou não uma relação entre um dado fator e uma dada
caracterı́stica de qualidade, deixe o espaço em branco.
Passo 9 Em cada coluna de fator na terceira linha a partir do fim da planilha, coloque o valor
atual da meta para esse fator. Se desconhecido deixe em branco. A documentação de
apoio deve indicar se essas metas são “dependentes” das condições de outros fatores. Esse
tipo de dependência também será realçado no “telhado” da casa, que será discutido no
passo 10.

Passo 10 Utilizando a matriz no “telhado” da casa repita o Passo 8, mas coloque agora
números para representar a força da relação para quaisquer pares de fatores que se julgue
relacionados. Em outras palavras, se acredita-se que mudar um fator causa mudança em
outro fator, isso deve ser realçado no espaço apropriado da matriz telhado. Na Figura
3.5 pode ser visto que a equipe acreditou que uma mudança na temperatura de reação
afetaria fortemente o tempo de reação. Relacionando essa relação com a lista de cara-
cterı́sticas de qualidade, o “melhor” de reação para a produção ótima de Carbizeno será
dependente das condições de temperatura da reação. Na linguagem de planejamento de
experimentos, existe uma “interação” entre esses dois fatores quanto ao seu efeito na
produção de Carbizeno. A abundância de espaços em branco no telhado da casa é uma
indicação de que o conhecimento da equipe quanto a relações entre fatores é fraco.
Passo 11 Determine o conhecimento atual a respeito da alavancagem de cada fator em todas

as caracterı́sticas de qualidade, ponderadas pela importância para o cliente, somando
os produtos do valor de relação (Passo 8) pelo valor de importância relativa (Passo 5),
para cada par fator/caracterı́stica de qualidade em cada coluna da planilha. Coloque
esse número em cada coluna de fator na segunda linha do fim da planilha, intitulada
“Valores de Alavancagem - Importância”. Na Figura 3.5 podemos ver que os fatores de
alavancagem mais fortes nas caracterı́sticas de qualidade, ponderadas pela importância
para o cliente, são “fluxo de produto no topo da torre”, seguido por “quantidade do
reagente quı́mico B” e “temperatura de reação”.
Passo 12 Determine o conhecimento atual a respeito da alavancagem de cada fator em todas as

caracterı́sticas de qualidade, ponderadas pelo nı́vel atual de satisfação do cliente, somando
os produtos do valor de relação (Passo 8) pelo valor de satisfação atual (Passo 6), para cada
par fator/caracterı́stica de qualidade em cada coluna da planilha. Coloque esse número
em cada coluna de fator na última linha da planilha, intitulada “Valores de Alavancagem
- Satisfação”. Os fatores mais altos de alavancagem, mais fortes termos de satisfação do
cliente, são “fluxo de produto no topo da torre”, seguido por “taxa de vapor na torre de
produto”, e “quantidade do reagente quı́mico B”.

Passo 13 Verifique quais mudanças se pode fazer para alcançar uma melhoria, considerando
fazer experimentos em:
• Fatores de alta alavancagem;
• Fatores para os quais exista falta de conhecimento sobre efeitos principais ou de

interação com caracterı́sticas de qualidade (representados por espaços em branco na
casa);
• Fatores com metas desconhecidas ou incertas;
• Fatores cuja alta variância de metas desejáveis é conhecida.
Para a equipe da End State os quatro mais altos fatores de alavancagem foram:
1. Fluxo de produto no topo da torre;
2. Quantidade do reagente quı́mico B;
3. Temperatura de reação;
4. Taxa de vapor na torre de produto.
As metas foram todas claras nesse caso. A cor e variação na quantidade de materiais
estranhos são as caracterı́sticas de qualidade que mais causam insatisfação no cliente. Há
muitos efeitos de fatores que são desconhecidos, tais como quantidade de catalisador e
cor. A equipe da End State planejará experimentos usando os fatores de alavancagem
importantes, os fatores onde os efeitos são desconhecidos e os fatores que parecem ter o
maior potencial para afetar a cor e a variação na quantidade de material estranho.
Passo 14 Planeje, priorize e efetue ciclos PDSA. Baseada em sua “Casa de Qualidade” ini-
cial completa (Figura 3.5) a equipe da End State Chemical ficou preocupada, acima de
tudo, com sua falta de conhecimento sobre efeitos de interação potenciais, representados
pelos espaços em branco no telhado da casa. Devido a sua alta alavancagem, tanto na
importância para o cliente quanto no nı́vel atual de satisfação do cliente, o “fluxo de
produto no topo da torre” e a “quantidade de reagente quı́mico B” foram incluı́dos como
fatores para estudo em ciclos iniciais.
Passo 15 Atualize a Planilha QFD à medida que as mudanças forem feitas e novos conheci-
mentos forem obtidos.
Nota: Essas instruções são fornecidas como orientação. Pode não ser sempre apropriado
efetuar todos os passos. Use seu julgamento para determinar quais passos são úteis em situações
especı́ficas.
3.3.2 Resumo da End State Chemical
Para a equipe da End State os quatro mais altos fatores de alavancagem foram:
1. Fluxo de produto no topo da torre;
2. Quantidade do reagente quı́mico B;
3. Temperatura de reação;
4. Taxa de vapor na torre de produto.
A cor e variação na quantidade de materiais estranhos são as cara-cterı́sticas de qualidade que

mais causam insatisfação no cliente. Qualquer um dos oitos fatores associados com essas car-
acterı́sticas de qualidade, que estejam em branco, são considerados para experimentos futuros.
A equipe terá que avaliar seus recursos de experimentação para decidir quanto desses fatores
incluirá em seu plano. O método QFD mostrou à equipe os mais importantes fatores para
investigação futura.
3.4 Resumo QFD
• Desdobramento da Função da Qualidade (QFD) é um método de organizar conhecimento

para planejar e priorizar esforços de melhoria;
• O QFD é um enfoque útil para gerenciar e documentar esforços de melhoria;
• Uma análise completa do QFD pode se tornar muito complexa para os produtos com
muitos componentes. Mesmo com essa complexidade, muitas organizações acharam o
método útil para desenho e redesenho de produto.
3.5 Exercı́cios
Exercı́cio 5. Descreva uma atividade recente de desenvolvimento de um produto ou processo

em sua organização onde o QFD poderia ser usado. Quem em sua organização estaria envolvido
em usar o QFD para essa atividade?
Exercı́cio 6. Identifique uma “necessidade” importante para seus clientes. Use o Diagrama
de Caracterı́stica de Qualidade (Tabela 3.2) para desenvolver caracterı́sticas de qualidade para
produtos que atendam a essa necessidade.
Necessidade do Cliente:
Caracterı́stica de Qualidade1 : Uma caracterı́stica, de preferência
mensurável, de um dado ou resultado de um processo, ou uma
medida de desempenho de um processo.
Primária2 Secundária3 Terciária3
(Palavras do cliente)
Notas:
1) Não incluir fatores de desenho nessa lista.
2) Expressar na linguagem do cliente.
3) Para acrescentar mais detalhes, subdividida em duas ou mais
caracterı́sticas de qualidade.
Tabela 3.2: Diagrama de Caracterı́sticas de Qualidade
Exercı́cio 7. Selecione um produto, processo ou serviço para desenho ou redesenho a fim de

cumprir o estatuto de sua equipe. Para facilitar a compreensão do exercı́cio em classe, escolha
um produto, processo ou serviço para qual a equipe tenha um nı́vel de conhecimento de moderado
a alto. Complete a Planilha QFD abaixo (Figura 3.6) para o seu exemplo, completando os
Passos de 1 a 12.
Figura 3.6: Planilha “Casa de Qualidade” QFD

74
Capı́tulo 4
Introdução à Estatı́stica
4.1 Introdução
Neste capı́tulo, vamos apresentar os elementos básicos da análise de dados. Veremos as
Estatı́sticas Descritivas utilizadas para organizar, resumir e descrever os aspectos importantes
do comportamento dos dados. A descrição dos dados também pode identificar anomalias, até
mesmo resultantes do registro incorreto de valores e valores extremos (aqueles que não seguem
a tendência geral do restante do conjunto de dados). As ferramentas descritivas são os muitos
tipos de gráficos e tabelas, bem como as medidas de sı́ntese: medidas de posição e medidas de
dispersão.
Sempre que resumimos um conjunto de dados, perdemos informação sobre o mesmo, pois
condensamos as observações originais. Entretanto, esta perda de informação é pequena se
comparada ao ganho que se tem com a clareza da interpretação proporcionada.
Em geral, manipulamos um conjunto de dados com o objetivo de extrairmos informação
sobre o comportamento de um processo ou produto. A Estatı́stica utiliza a variabilidade pre-
sente nos dados para obter tal informação. A variabilidade está presente em todo lugar. Por
exemplo, a posição de um carro estacionado em uma garagem não é a mesma ao longo dos dias.
Neste caso, a posição do carro apresenta uma variação.
Nossa estratégia consiste em avaliar as variações e obter informação através dela.
A aplicação de técnicas estatı́sticas envolve várias etapas:
• Coleta de dados;
• Exposição dos dados;
• Modelos Estatı́sticos.
4. Introdução à Estatı́stica 75
Vejamos cada uma destas etapas.
4.2 Coleta de Dados

Diversos problemas podem ocorrer durante o processo de coleta de dados, os quais
podem comprometer seriamente as soluções propostas no final do processo, ou seja, a qualidade
da solução está diretamente relacionada com a qualidade dos dados obtidos. Podemos evitar
que alguns problemas ocorram observando fatos como:
• Não se deve coletar dados sem que antes se tenha definido claramente o problema ou
situação a ser enfrentada, bem como os objetivos com relação aos mesmos;
• Os sistemas de medição (instrumento, operadores, método, meio) que serão utilizados

devem ser avaliados e ter capacidade de medição suficiente;
• Os cálculos e leituras devem ser feitos com muita atenção para evitar distorções;
• Devem ser utlizados formulários adequados para coleta de dados de acordo com o problema
estudado.
Uma população é um agregado de elementos (finitos ou não) do qual deseja-se obter

informações sobre algumas de suas caracterı́sticas. Duas populações são consideradas distintas
se em uma delas existir um elemento que não está contido na outra população. Como exemplo
de população temos a produção diária de uma empresa, medição de hastes de aço realizada
com um micrômetro, entre outras. Uma amostra é uma parcela de uma população que pode
conter informações sobre esta população.
Outra definição importante (para a escolha da técnica estatı́stica e das interpretações dos
resultados) é a classificação dos dados.
Figura 4.1: Classificação dos dados.
Para estudarmos adequadamente uma população através de uma amostra, devemos planejar
a coleta de dados.
4.2.1 Planejando a coleta de dados
Na busca das resoluções de alguns problemas e da melhoria da qualidade, populações

referentes aos problemas existentes devem ser estudadas adequadamente através de informações
e dados (amostra), como mostra a Figura 4.2.
Com este objetivo, formulamos algumas perguntas:
• Com que freqüência ocorrem os problemas?
• Quais são as causas do problema?
Figura 4.2: Ciclo de resolução de problemas
O diagrama da Figura 4.2 representa o ciclo que ocorre durante a tentativa de resolução de
um problema.
Portanto, a coleta de dados é um procedimento necessário na resolução de problemas. Entre-
tanto, se não tivermos bons métodos para essa coleta, podemos cometer erros de interpretação.
Um bom planejamento para coleta de dados deve considerar as seguintes perguntas:
• Qual a pergunta a ser respondida?

• Como comunicar a resposta obtida?
• Qual ferramenta de análise pretende-se usar e como utilizar os resultados?
• Qual tipo de dado é necessário para utilizar as ferramentas desejadas e responder a per-
gunta?
• Como coletar esses dados com o mı́nimo de esforço e erro?
• Onde acessar estes dados?
• Quem pode fornecê-los?
• Qual o perı́odo em que os dados serão coletados?
Tendo as respostas para estas perguntas, devemos:
• Construir um formulário claro e de fácil manuseio, certificando-se de que todas as in-

formações estão claramente definidas e que há espaço suficiente para registro de dados;
• Coletar os dados de forma consistente e honesta;
• Certificar-se de que existe tempo suficiente para a coleta de dados;
• Definir quais informações adicionais serão necessárias para estudos futuros, referências ou
reconhecimento.
Geralmente, as variáveis selecionadas através das ferramentas gerenciais, como o diagrama

de priorização, podem ser obtidas via sistemas administrativos ou através de sistemas de
medição. Para as variáveis obtidas através de sistemas administravos, é essencial uma boa
definição das variáveis e uma análise da consistência, bem como da confiabilidade dos dados.
Para as variáveis obtidas através de sistemas de medição, aplicamos as técnicas descritas no
Manual de Análise de Sistemas de Medição (AIAG (2003)).
4.3 Exposição de Dados

Antes da exposição dos dados coletados, é necessário que se faça um trabalho de re-
visão e correção desses dados na tentativa de eliminar possı́veis enganos no preenchimento dos
formulários.
Inicialmente, os dados podem ser classificados como “qualitativos” ou “quantitativos”.
Através desta classificação, vamos definir algumas técnicas para resumir o conjunto de dados.
4.3.1 Dados qualitativos
Os dados qualitativos representam uma caracterı́stica da qualidade (ou atributo) associado

ao item pesquisado. Por exemplo, podemos classificar um produto em: bom, razoável ou ruim.
Os dados qualitativos podem ser divididos em dois tipos:
• Dado qualitativo nominal - Para o qual não existe nenhuma ordenação nas possı́veis
realizações;
• Dado qualitativo ordinal - Para o qual existe uma ordem em seus resultados.
Sexo, estado civil, são exemplos de dados qualitativos nominais. Entretanto, grau de in-
strução é um exemplo de um dado qualitativo ordinal, pois ensinos: fundamental, médio ou
superior correspondem a uma ordenação, da mesma forma que classificar um produto em: bom,
razoável ou ruim.
Exemplo 4.1. Uma indústria de calculadoras eletrônicas, preocupada com vários defeitos que
um de seus produtos vem apresentando, fez um levantamento e constatou os seguintes problemas:
• A: Defeito na cobertura plástica;
• B: Defeito no teclado;
• C: Defeito na fonte de energia;
• D: Soldas soltas;
• E: Defeito na placa da unidade de processamento;
• F: Defeito no visor;
• G: Outros.
Nesta situação, para cada item inspecionado, existe uma variável T que representa o tipo de
defeito encontrado. Portanto, essa variável T pode assumir os valores: T = A, T = B, · · · ,T =
G. Logo, por exemplo, para uma calculadora com defeito na cobertura plástica, temos que
T = A.
Numa segunda fase, devemos construir uma Tabela dos valores observados.
Tabela 4.1: Tipos de problemas numa indústria de calculadoras

Tipo de Problemas (T) Freqüência
A 10
B 20
C 55
D 80
E 25
F 3
G 7
4.3.2 Dados quantitativos
Neste caso, a caracterı́stica observada assume valores numéricos que podem ser classificados
em “discretos” ou “contı́nuos”.
Dados quantitativos discretos
Os dados quantitativos discretos assumem valores dentro de um conjunto com os números

especificados. Por exemplo, o número de produtos produzidos por uma máquina em um deter-
minado perı́odo de tempo pode ser 0,1,2,3,4,... Neste caso, os dados observados formam um
conjunto finito (ou enumerável) de números. Geralmente, quando contamos defeitos, temos
dados quantitativos discretos.
Exemplo 4.2. Numa indústria da área automobilı́stica, o setor de produção contabilizou o

número de peças defeituosas em 20 lotes de 1.000 peças em cada. Neste caso, obtemos os
seguintes dados: 10, 12, 9, 11, 10, 8, 9, 10, 7, 10, 8, 9, 9, 10, 10, 11, 9, 11, 10, 10.
Um possı́vel resumo dos dados é desenvolvido na Tabela 4.2.
Tabela 4.2: Número de peças defeituosas em lotes de 1.000 peças (com apuração)
Número de peças Apuração Número de lotes
defeituosas
7 / 1
8 // 2
9 ///// 5
10 //////// 8
11 /// 3
12 / 1
Portanto, a variável “número de peças defeituosas” assume valores discretos, isto é, inteiros:
· · · , 7, 8, 9, · · · .
Dados quantitativos contı́nuos
Os dados quantitativos contı́nuos assumem valores em um intervalo contı́nuo de números.

Em geral, este tipo de dado é proveniente de medições de uma caracterı́stica da qualidade de
uma peça ou produto. Os possı́veis valores incluem “todos” os números do intervalo de variação
da caracterı́stica medida. Por exemplo, ao medirmos os diâmetros dos eixos de determinados
motores com uma célula eletrônica, obtemos dados quantitativos contı́nuos.
Exemplo 4.3. Numa fábrica de motores elétricos, o gerente de produção precisa avaliar o
problema de ruı́do excessivo do motor. Uma das possı́veis causas está associada com variações
no diâmetro do eixo. Assim, o gerente de produção mediu o diâmetro do eixo de 200 motores
e o resultado está apresentado na Tabela 4.3. Os valores estão em milésimos de milı́metros.
Tabela 4.3: Diâmetro do eixo de 200 motores

4,8 4,2 5,1 5,2 4,8 4,7 4,9 4,5 4,9 4,5 4,9 5,1 4,8
4,9 4,8 5,0 5,3 4,9 5,5 5,2 5,1 4,6 4,9 4,8 5,1 4,6
4,3 4,9 4,7 5,2 4,8 4,4 5,6 5,0 5,0 5,0 4,8 5,2 4,5
5,1 4,9 4,8 4,8 5,0 4,8 5,1 5,4 4,2 5,1 4,9 4,6 5,4
4,9 4,3 4,6 4,7 4,7 5,3 4,4 4,7 4,8 5,2 4,5 5,1 4,6
5,7 4,9 5,2 4,8 4,9 4,9 4,4 4,7 4,9 5,1 5,4 5,0 4,4
5,1 4,9 4,9 5,1 5,2 4,7 4,8 4,6 5,2 5,5 5,2 4,2 4,9
4,9 4,8 4,2 5,2 5,1 4,7 5,5 4,7 4,7 4,4 4,8 4,2 5,2
5,0 5,2 4,2 4,9 5,1 4,6 5,4 4,6 4,8 5,2 5,1 4,7 5,5
4,8 5,1 4,6 4,8 5,2 4,5 4,9 4,5 5,4 4,5 4,9 4,6 4,7
4,8 4,2 5,1 5,2 4,8 4,7 4,9 4,7 4,9 4,5 4,7 5,2 5,5
4,9 5,1 4,8 4,9 4,8 5,0 5,3 4,9 5,5 5,2 5,2 4,7 4,8
5,1 4,6 4,9 4,3 4,9 4,7 5,2 4,8 4,4 5,6 4,9 4,9 4,9
5,0 5,0 5,0 5,1 4,9 4,8 4,8 5,0 4,8 5,1 5,1 4,8 5,1
5,4 4,2 5,1 4,9 4,3 4,6 4,7 4,8 5,3 4,4 4,9 4,4 4,7
5,7 4,9 5,2 4,8 4,9
Podemos fazer a apuração considerando intervalos de medidas, como apresentado na Tabela

4.4.
Tabela 4.4: Diâmetro do eixo de 200 motores (com apuração)

Diâmetro Apuração No de motores apurados
4, 2 ` 4, 4 //////////// 12
4, 4 ` 4, 6 //////////.../ 16
4, 6 ` 4, 8 //////////...// 32
4, 8 ` 5, 0 //////////...//// 64
5, 0 ` 5, 2 //////////.../ 36
5, 2 ` 5, 4 //////////...//// 24
5, 4 ` 5, 6 //////////// 12
5, 6 ` 5, 8 //// 4
Ao estabelecermos intervalos de classes, estamos admitindo que o eixo pode assumir qualquer
valor entre o limite inferior (inclusive) e o limite superior (exclusive).
A exposição dos dados pode ser feita através de tabelas e/ou gráficos. Inúmeros gráficos
auxiliam na apresentação e interpretação dos dados.
Nas próximas seções destacaremos os mais usuais na indústria.
4.4 Diagrama de Pareto

Diagrama de Pareto é um gráfico de barras que ordena as frequências das ocorrências,
da maior para a menor, permitindo a priorização dos problemas. Mostra ainda a curva de
percentagens acumuladas. Sua maior utilidade é a de permitir uma fácil visualização e iden-
tificação das causas ou problemas mais importantes, possibilitando a concentração de esforços
sobre os mesmos.
Figura 4.3: Diagrama de Pareto - Relativo a custos.

Como construir um Diagrama de Pareto
1. Realize uma reunião com a equipe para selecionar o tópico a ser avaliado. Por exemplo,
podemos avaliar tipos de defeitos, custo de manutenção por equipamento, entre outros.
2. Selecione um padrão de comparação com unidade de medida. Geralmente, utilizamos o

custo ou frequência de ocorrência como medida de comparação.
3. Especifique o perı́odo de tempo em que os dados serão coletados. Exemplo: Uma semana,
um mês.
4. Elabore uma planilha de dados, com as seguintes colunas: Categorias, Quantidades (totais
individuais), Totais acumulados, Porcentagens, Porcentagens acumuladas.
5. Colete os dados necessários para cada categoria. Exemplo: Defeito A ocorreu X vezes ou
defeito C custou Y.
6. Preencha a planilha de dados, listando as categorias em ordem decrescente com relação

à unidade de comparação.
7. Marque o eixo horizontal no lado esquerdo com a escala de zero até o total da coluna
Quantidade da planilha de dados. Identifique o nome da variável representada neste eixo
e a unidade de medida utilizada, caso seja necessário.
8. Marque o eixo vertical do lado direito com uma escala de zero até 100%. Identifique este
eixo como “Porcentagem acumulada”(%).
9. Liste as categorias da esquerda para direita no eixo horizontal em ordem decrescente de

frequência ou custo. Os itens de menor importância podem ser combinados na categoria
Outros, que é colocada no extremo direito do eixo, com a última barra.
10. Identifique cada intervalo do eixo horizontal escrevendo os nomes das categorias, na
mesma ordem em que eles aparecem na planilha de dados.
11. Construa um gráfico de barras utilizando a escala do eixo vertical do lado esquerdo. Para
construir um gráfico de barras, acima de cada categoria, basta desenhar um retângulo
cuja a altura representa a frequência ou custo daquela categoria.
12. Construa a curva de Pareto marcando os valores da porcentagem acumulada acima e no

centro ou lado direito) do intervalo de cada categoria, e ligue os pontos por segmentos de
reta.
Exemplo 4.4. Uma indústria de computador preocupada com vários defeitos que um de seus
produtos vem apresentando, fez um levantamento e constatou os seguintes problemas:
• A : Defeito na cobertura plástica.
• B : Defeito no teclado.
• C : Defeito na fonte de energia.
• D : Soldas soltas.
• E : Defeito na placa da unidade de processamento.
• F : Defeito no visor.
• G : Outros.
Construir um gráfico de pareto.

Temos que os dados A, B, ..., G são dados qualitativos nominais. Na Tabela 4.5 temos
a freqüência, a freqüência acumulada, a porcentagem e a porcentagem acumulada referente a
cada tipo de problema, em ordem decrescente.
Tabela 4.5: Tipos de problemas numa indústria de computadores

Tipos de Problema Freqüência Frequência Porcentagem Porcentagem
acumulada acumulada
D 80 80 38,64 38,64
C 55 135 26,57 65,21
E 32 167 15,45 80,67
B 20 187 9,66 90,34
A 10 197 4,83 95,17
G 7 204 3,38 98,55
F 3 207 1,45 1
Total 207 207 1
Na Figura 4.4 temos o Diagrama de Pareto referente a estes dados.

Figura 4.4: Diagrama de Pareto
Exercı́cio 8. Uma empresa da área automobilı́stica acompanha os defeitos encontrados nos

relógios comparadores utilizados na área de usinagem. Na Tabela seguinte apresentamos os
dados referentes a um mês de acompanhamento dos defeitos detectados pela área de manutenção
de equipamentos.
1. Preencher a Tabela de distribuição de freqüências.
2. Construir o gráfico de Pareto.
Tabela 4.6: Defeitos Encontrados em Relógios Comparadores na Área de Manutenção de

Equipamentos
Tipo de Defeito Quantidade Proporção Proporção Acumulada
Infiltração de Óleo 100
Ponteiro 80
Danificado 68
Canhão 50
Não Funciona 12
Figura 4.5: Diagrama de Pareto.
4.4.1 Diagrama de Pareto relativo a custos
Na construção do gráfico de Pareto podemos utilizar como medida de comparação a freqüência

de ocorrência do atributo ou o custo associado a este atributo. A seguir, apresentamos um ex-
emplo de um gráfico de Pareto com medida de comparação baseada no custo.
Exemplo 4.5. Em uma empresa de cartão de identificação, contabilizamos os defeitos nos

cartões com medida de comparação baseada no custo.
Principais Defeitos No de Embalagens Custo por Unidade Custo do Defeito

Defeituosas Defeituosa (R$) (R$)
Números Trocados 28 0,05 1,40
Caracteres Errados 28 0,05 1,40
Amassado 4 1,00 4,00
Perfurado 3 0,05 0,15
Impressão Ilegı́vel 2 0,05 0,10
Rasgado 2 1,00 2,00
Outros 1 0,05 0,05
TOTAL 68
Exercı́cio 9. Uma empresa da área automobilı́stica acompanha os custos associados aos defeitos
encontrados nos equipamentos enviados para a calibração. Na Tabela 4.7 apresentamos os
dados referentes a um mês de acompanhamento dos defeitos encontrados nos equipamentos das
diversas áreas.
Tabela 4.7: Custos associados aos defeitos encontrados nos equipamentos enviados para a
calibração
Centro de Custo Calibrados Reprovados Proporção Custo Custo Proporcional
Pré-Usinagem 25 9 540
Tratamento Térmico 18 12 800
Fundição 32 10 860
Usinagem 112 45 4050
Tratamento Superficial 28 13 1300
TOTAL 215
4.5 Distribuição de Freqüências

A distribuição de freqüências é um agrupamento de dados em classes, de tal forma
que contabilizamos o número de ocorrência em cada classe. O número de ocorrências de uma
determinada classe recebe o nome de freqüência absoluta. O objetivo é apresentar os dados de
uma maneira mais concisa e que nos permita extrair informação sobre seu comportamento.
A seguir, apresentamos algumas definições necessárias à construção da distribuição de

freqüência.
• Freqüência absoluta (fi ): É o número de observações correspondente a cada classe. A

freqüência absoluta é, geralmente, chamada apenas de freqüência.
• Freqüência relativa (f ri ): É o quociente entre a freqüência absoluta da classe cor-

fi
respondente e a soma das freqüências (total observado), isto é, f ri = P , onde n
j fj
representa o número total de observações.
• Freqüência percentual (pi ): É obtida multiplicando a freqüência relativa por 100%.
• Freqüência acumulada: É o total acumulado (soma) de todas as classes anteriores

até a classe atual. Pode ser: freqüência acumulada absoluta (Fi ), freqüência acumulada
relativa (F ri ), ou freqüência acumulada percentual (Pi ).
4.5.1 Distribuição de freqüência pontual: Dados discretos
A construção de uma tabela de distribuição de freqüência pontual é equivalente à construção

de uma tabela simples, onde se listam os diferentes valores observados da variável com suas
freqüências absolutas, denotadas por fi (o ı́ndice i corresponde ao número de linhas da Tabela)
como é mostrado na Tabela 4.8. Utilizamos a distribuição de freqüências pontual quando se
trabalha com dados discretos. Um gráfico utilizado para representar este tipo de distribuição
de freqüência é o Gráfico de Barras.
Exemplo 4.6. Numa indústria da área automobilı́stica, o setor de produção contabilizou o

número de peças defeituosas em 20 lotes de 1.000 peças em cada. Neste caso, obtemos os
seguintes dados: 10, 12, 9, 11, 10, 8, 9, 10, 7, 10, 8, 9, 9, 10, 10, 11, 9, 11, 10, 10.
A freqüência de ocorrência de defeitos assume valores 7,8,9,10,11 ou 12. A freqüência

absoluta da primeira linha (Tabela 4.8), f1 = 1, indica que 1 lote teve 7 peças defeituosas,
da mesma forma que 1 lote teve 12 peças com defeito(f6 = 1). Porém, observamos que a maior
frequência de defeitos ocorreu em 8 lotes, tendo cada um 10 peças defeituosas, representando
40% do total de lotes. A soma de todas as freqüências absolutas deve ser igual ao número total
de observações da variável, neste caso, 20.
Tabela 4.8: Distribuição de Freqüência

Número de Freqüência Freqüência Freqüência Freqüência
peças defeituosas (fi ) Relativa (f ri ) Percentual Acumulada
7 1 0,05 5 5
8 2 0,1 10 15
9 5 0,25 25 40
10 8 0,4 40 80
11 3 0,15 15 95
12 1 0,05 5 100
Figura 4.8: Número de defeitos em purificadores.
Exercı́cio 10. Em uma empresa montadora de eletrodomésticos, um tipo de purificador com

refrigeração eletrônica pode ter basicamente 4 tipos de defeitos: vazamento na torneira esquerda,
vazamento na torneira direita, LED (indicador luminoso que informa o status de funcionamento
do produto) e fonte não liga. A Tabela 4.9 representa a freqüência de número de defeitos nos
produtos fabricados em um certo perı́odo de tempo. Complete-a com as informações que faltam
e construa o gráfico de barras correspondente.
Tabela 4.9: Distribuição de Freqüência

Número de Freqüência Freqüência Freqüência Freqüência
defeitos (fi ) Relativa (f ri ) Percentual Acumulada
0 107
1 17
2 08
3 03
4 04
Figura 4.9: Número de defeitos em purificadores.
4.5.2 Distribuição de freqüência em intervalos de classes: Dados

contı́nuos
Para dados quantitativos contı́nuos, geralmente resultantes de medições de caracterı́sticas

da qualidade de peças ou produtos, dividimos a faixa de variação dos dados em intervalos de
classes. O menor valor da classe é denominado limite inferior (li ) e o maior valor da classe é
denominado limite superior (Li ).
O intervalo ou classe pode ser representado das seguintes maneiras:
1. li ` Li , onde o limite inferior da classe é incluı́do na contagem da freqüência absoluta,

mas o superior não;
2. li a Li, onde o limite superior da classe é incluı́do na contagem, mas o inferior não.
Podemos escolher qualquer uma destas opções, mas é importante que deixemos claro no
texto ou na tabela qual delas está sendo usada. Embora não seja necessário, os intervalos
são freqüentemente construı́dos de modo que todos tenham larguras iguais, o que facilita as
comparações entre as classes.
Na tabela de distribuição de freqüência, acrescentamos uma coluna com os pontos médios
de cada intervalo de classe, denotada por xi . Esta é definida como a média dos limites da classe
li +Li
xi = 2
. Estes valores são utilizados na construção de gráficos.
A seguir, apresentamos algumas diretrizes para a construção da distribuição de freqüências:
• Determine o número de classes, levando em consideração que este não seja superior a 20.
A seguir, apresentamos um critério para determinar os intervalos.
Tabela 4.10: Critério para determinar os intervalos

Tamanho da amostra (n) Número de classes
30 a 50 5a7
51 a 100 6 a 10
10l a 250 7 a 12
acima de 250 10 a 20
• Determine o tamanho de cada classe L, considerando a amplitude R. Uma maneira de

se fazer isso é
R
L = o .
n de classes
• Escolha limites que facilitem o agrupamento.
• Marque os pontos médios dos intervalos.
Como exemplo, uma construção de intervalos para os dados do Exemplo 4.3 e as respectivas
freqüências é dado a seguir.
Tabela 4.11: Diâmetro do eixo de 200 motores

Diâmetro No de motores
4, 2 ` 4, 4 12
4, 4 ` 4, 6 16
4, 6 ` 4, 8 32
4, 8 ` 5, 0 64
5, 0 ` 5, 2 36
5, 2 ` 5, 4 24
5, 4 ` 5, 6 12
5, 6 ` 5, 8 4
A Tabela 4.12 apresenta sua Distribuição de Freqüências completa.
Tabela 4.12: Distribuição de freqüências das medidas dos motores

Limite dos Ponto Médio Freqüência Freqüência Freqüência Freqüência
Intervalos (xi ) (fi ) Relativa (f ri ) Percentual (pi ) Acumulada
4,2 ` 4,4 4,3 12 0,060 6,00 6,00
4,4 ` 4,6 4,5 16 0,080 8,00 14,00
4,6 ` 4,8 4,7 32 0,160 16,00 30,00
4,8 ` 5,0 4,9 64 0,320 32,00 62,00
5,0 ` 5,2 5,1 36 0,180 18,00 80,00
5,2 ` 5,4 5,3 24 0,120 12,00 92,00
5,4 ` 5,6 5,5 12 0,060 6,00 98,50
5,6 ` 5,8 5,7 4 0,020 2,00 100,00
Exercı́cio 11. Em uma fábrica de auto peças, uma arruela de vedação estava causando incon-
veniente na montagem de uma parte de um automóvel. Para buscar informações, decidimos
medir a espessura de 200 arruelas, cujos valores foram:
Tabela 4.13: Medidas da espessura de 200 arruelas

8,0 12,5 12,5 14,0 13,5 12,0 14,0 12,0 10,0 14,5
10,0 10,5 8,0 15,0 9,0 13,0 11,0 10,0 14,0 11,0
12,0 10,5 13,5 11,5 12,0 15,5 14,0 7,5 11,5 11,0
12,0 12,5 15,5 13,5 12,5 17,0 8,0 11,0 11,5 17,0
11,5 9,0 9,5 11,5 12,5 14,0 11,5 13,0 13,0 15,0
8,0 13,0 15,0 9,5 12,5 15,0 13,5 12,0 11,0 11,0
11,5 11,5 10,0 12,5 9,0 13,0 11,5 16,0 10,5 9,0
9,5 14,5 10,0 5,0 13,5 7,5 11,0 9,0 10,5 14,0
9,5 13,5 9,0 8,0 12,5 12,0 9,5 10,0 7,5 10,5
10,5 12,5 14,5 13,0 12,5 12,0 13,0 8,5 10,5 10,5
13,0 10,0 11,0 8,5 10,5 7,0 10,0 12,0 12,0 10,5
13,5 10,5 10,5 7,5 8,0 12,5 10,5 14,5 12,0 8,0
11,0 8,0 11,5 10,0 8,5 10,5 12,0 10,5 11,0 10,5
14,5 13,0 8,5 11,0 13,5 8,5 11,0 11,0 10,0 12,5
12,0 7,0 8,0 13,5 13,0 6,0 10,0 10,0 12,0 14,5
13,0 8,0 10,0 9,0 13,0 15,0 10,0 13,5 11,5 7,5
11,0 7,0 7,5 15,5 13,0 15,5 11,5 10,5 9,5 9,5
10,5 7,0 10,0 12,5 9,5 10,0 10,0 12,0 8,5 10,0
9,5 9,5 12,5 7,0 9,5 12,0 10,0 10,0 8,5 12,0
11,5 11,5 8,0 10,5 14,5 8,5 10,0 12,5 12,5 11,0
Construa a tabela com a Distribuição de Freqüências completa.
Tabela 4.14: Distribuição de freqüências das medidas das arruelas

Limite dos Ponto Médio Freqüência Freqüência Freqüência Freqüência
Intervalos (xi ) (fi ) Relativa (f ri ) Percentual (pi ) Acumulada
4,75 ` 5,75
5,75 ` 6,75
6,75 ` 7,75
7,75 ` 8,75
8,75 ` 9,75
9,75 ` 10,75
10,75 ` 11,75
11,75 ` 12,75
12,75 ` 13,75
13,75 ` 14,75
14,75 ` 15,75
15,75 ` 16,75
16,75 ` 17,75
4.6 Histograma
Histograma é uma representação gráfica (um gráfico de barras verticais ou barras hor-
izontais) da distribuição de frequências de um conjunto de dados quantitativos contı́nuos. O
histograma pode ser um gráfico por valores absolutos ou freqüência relativa ou densidade. No
caso de densidade, a freqüência relativa do intervalo i (f ri ) é representada pela área de um
retângulo que é colocado acima do ponto médio da classe i. Conseqüentemente, a área total do
histograma (igual a soma das áreas de todos os retângulos) será igual a 1. Assim, ao construir o
histograma, cada retângulo deverá ter área proporcional à freqüência relativa (ou à freqüência
absoluta, o que é indiferente) correspondente. No caso em que os intervalos são de tamanhos
(amplitudes) iguais, as alturas dos retângulos serão iguais às freqüências relativas (ou iguais às
freqüências absolutas) dos intervalos correspondentes.
Como a tabela de freqüência, o histograma tem a caracterı́stica de analisar as relações essen-
ciais que os dados apresentam, e ainda verificar algumas suposições.
Consideremos o Exemplo 4.3. O histograma correspondente é dado a seguir.
Figura 4.10: Histograma das medidas de 200 motores.
Exercı́cio 12. Consideremos os dados do Exercı́cio 11. Construa o histograma correspondente.

Figura 4.11: Histograma das medidas de 200 arruelas.
4.7 Medidas de Posição

As medidas de posição são maneiras de resumir os dados, fornecendo apenas um valor,
por exemplo, o valor médio do conjunto de dados.
Usaremos as seguintes notações:
• X: valor de cada indivı́duo da amostra.
• X: média amostral.
• n: tamanho da amostra.
4.7.1 Média aritmética
A média aritmética, ou simplesmente média, é calculada somando-se os valores das

observações e dividindo-se o resultado pelo número de valores.
Assim, a média amostral é dada por
X1 + . . . + Xn
X= . (4.1)
n
Exemplo 4.7. Uma amostra de 5 barras de aço foi retirada da linha de produção e seus
comprimentos foram medidos. Os valores foram: 4,5; 4,6; 4,5; 4,4; 4,5.
A média amostral dos comprimentos será
4, 5 + 4, 6 + 4, 5 + 4, 4 + 4, 5
X= .
5
O comprimento médio das barras de aço desta amostra é X = 4, 5.
4.7.2 Mediana
Para calcular a mediana devemos, em primeiro lugar, ordenar os dados do menor para
o maior valor. Se o número de observações for ı́mpar, a mediana será a observação central.
Se o número de observações for par, a mediana será a média aritmética das duas observações
centrais.
Notação:
• X:
e mediana.
Exemplo 4.8. Uma amostra de 7 caixas de um dispositivo eletrônico, com 100 unidades por
caixa, apresentou os seguintes números de dispositivos defeituosos por caixa: 27, 5, 10, 7, 8,
12, 9.
Ordenando os valores, temos: 5, 7, 8, 9, 10, 12, 27.

Como o número de observações é ı́mpar, a mediana é o valor central, isto é, X
e = 9.
Exemplo 4.9. Consideremos os seguintes dados correspondentes aos comprimentos de 8 rolos

de fio de aço: 65, 72, 70, 77, 60, 67, 69, 68.
Ordenando os valores, temos: 60, 65, 67, 68, 69, 70, 72, 77.
Como o número de observações é par, a mediana é dada pela média dos dois valores centrais
que são 68 e 69, isto é,
e = 68 + 69 = 68, 5.
X
2

4.8 Medidas de Dispersão

Dispersão é sinônimo de variação ou variabilidade de uma distribuição. Para medir a
dispersão são frequentemente usadas a amplitude e o desvio padrão.
4.8.1 Amplitude
Para calcular a amplitude, fazemos a diferença entre o maior e o menor valor do conjunto
de dados.
Notação:
• R: amplitude.
• X(1) : menor valor do conjunto de dados.
• X(n) : maior valor do conjunto de dado.
Assim, a amplitude é dada por
R = X(n) − X(1) . (4.2)
Exemplo 4.10. As temperaturas registradas em um perı́odo de 8 horas foram: 18, 21, 22, 17,
19, 24, 21, 20.
A amplitude deste conjunto é

R = 24 − 17 = 7.
4.8.2 Variância
É uma medida da sua dispersão estatı́stica, indicando quão longe, em geral, os seus valores
se encontram do valor esperado. A variância de uma população é definida como sendo o valor
esperado do quadrado do desvio de X da sua própria média, ou seja, é a média do quadrado
da distância de cada ponto até a média.
A variância de uma amostra de n elementos é definida como a soma dos quadrados dos
desvios de elementos em relação à sua média dividido por (n − 1). Assim, a variância amostral
(s2 ) é dada por
n
X
(Xi − X)2
i=1
s2 = . (4.3)
n−1
4.8.3 Desvio padrão
O desvio padrão de um conjunto de dados é igual à raiz quadrada positiva da variância.

O desvio padrão amostral (s) é dado por
v
u n
uX
u
u (xi − x)2
p t i=1
s = s2 = . (4.4)
n−1
Exemplo 4.11. Suponha que temos uma amostra dos comprimentos de 8 rolos de fio de aço
cujos valores foram: 65, 72, 70, 77, 60, 67, 69, 68.
Para calcularmos o desvio padrão devemos primeiramente calcular X, isto é,
65 + 72 + 70 + 77 + 60 + 67 + 69 + 68
X= = 68, 5.
8
Posteriormente, devemos subtrair X de cada valor, elevar os resultados ao quadrado e somá-
los.
(x − X) (X − X)2
65 - 68,5 = -3,5 (−3, 5)2 = 12,25
72 - 68,5 = 3,5 (3, 5)2 = 12,25
70 - 68,5 = 1,5 (1, 5)2 = 2,25
77 - 68,5 = 8,5 (8, 5)2 = 72,25
60 - 68,5 = -8,5 (−8, 5)2 = 72,25
67 - 68,5 = -1,5 (−1, 5)2 = 2,25
69 - 68,5 = 0,5 (0, 5)2 = 0,25
68 - 68,5 = 0,5 (0, 5)2 = 0,25
Total = 174,00
Daı́ dividimos o total dos quadrados pelo número de valores menos 1, ou seja, por (n − 1)
e extraı́mos a raiz quadrada
174 √
= 24 ⇒ s = 24 ⇒ s = 4, 9.
7
Portanto o desvio padrão é 4,9.

4.9 Estatı́sticas Descritivas

Uma análise das estatı́sticas descritivas da amostra é fundamental para resumirmos
algumas informações sobre a população. Estas informações são utilizadas para tomadas de
decisão e formação de modelos estatı́sticos paramétricos.
Definiremos como:
• Mı́nimo: Menor elemento da amostra;
• Máximo: Maior elemento da amostra;
• Quartis (Q1 e Q3 ): São valores dados a partir do conjunto de observações ordenado em

ordem crescente, que dividem a distribuição em quatro partes iguais.
– Q1 (primeiro quartil): Número que deixa 25% das observações abaixo e 75% acima.
– Q3 (terceiro quartil): Número que deixa 75% das observações abaixo e 25% acima.
Tabela 4.15: Para ı́ndice i de xi inteiro

n par n ı́mpar
Q1 X n+2 X n+1
4 4
Q3 X 3n+2 X3( n+1 )
4 4
Tabela 4.16: Para ı́ndice i de xi não inteiro

n não inteiro (exemplo)
Q1 n+2
4
= 3, 5 temos Q1 = X3 +X
2
4
3n+2 X12 +X13

Q3 4
= 12, 5 temos Q3 = 2
• Assimetria: É uma medida de assimetria de uma determinada distribuição de frequência.

Um valor negativo indica uma assimetria à esquerda, enquanto que um valor positivo
indica assimetria à direita. Um valor nulo não necessariamente indica simetria. Veja os
gráficos a seguir.
Figura 4.12: Assimetria concentrada à direita (Skewness positivo) e assimetria concentrada à

esquerda (Skewness negativo), respectivamente.
A fórmula da Assimetria é dada por
[(Xi − X)/S]3
P
b1 = .
n
• Curtose: É uma medida referente à diferença entre a distribuição que está sendo analisada
e a distribuição normal. Um valor positivo costuma indicar um pico mais agudo, um
corpo mais fino e uma cauda mais gorda que a cauda da distribuição normal. Um valor
negativo indica um pico mais tênue, um corpo mais grosso e uma cauda mais fina que a
da distribuição normal. A Curtose é dada por
P 4
[(Xi − X)/S]
b2 = − 3.
n
Para ilustrar a curtose, apresentamos a figura a seguir.
Figura 4.13: Curtose positiva (caudas mais alongadas) e Curtose negativa (caudas mais curtas),
respectivamente.
Exemplo 4.12. Consideremos uma amostra do comprimento de 11 rolos de fio de aço cujos
valores são: 72, 70, 77, 60, 67, 69, 68, 66, 65, 71, 69.
Os dados ordenados de forma crescente são: 60, 65, 66, 67, 68, 69, 69, 70, 71, 72, 77, onde
o M in = 60 e o M ax = 77.
11 + 1
Posição do Q1 = =3 ⇒ Q1 = 66.
4

11 + 1
Posição do Q3 = 3 =9 ⇒ Q3 = 71.
4
Assimetria
(60 − 68, 55)3 + (65 − 68, 55)3 + · · · + (77 − 68, 55)3

1
b1 = = −0, 028.
11 (4, 32)3
Curtose
(60 − 68, 55)4 + (65 − 68, 55)4 + · · · + (77 − 68, 55)4

1
b2 = − 3 = 2, 82 − 3 = −0, 18.
11 (4, 32)4
4.10 Boxplot
O boxplot (gráfico de caixa) é importante para descrever vários aspectos dos dados,
entre estes, apresentar de forma visual a diferença entre o terceiro e primeiro quartil. O boxplot
é formado pelo primeiro e terceiro quartil e pela mediana. As linhas verticais são estendidas
até os limites:
Limite inferior : Q1 − 1, 5(Q3 − Q1 ).
Limite superior : Q3 + 1, 5(Q3 − Q1 ).
Para este caso, os pontos fora destes limites são considerados valores discrepantes (out-
liers) e são denotados por asterisco (*). A Figura 4.14 apresenta um exemplo do formato de
um boxplot.
Figura 4.14: Construção do boxplot.
O boxplot pode ainda ser utilizado para uma comparação visual entre dois ou mais grupos.
Por exemplo, duas caixas são colocadas lado a lado e se compara a variabilidade entre elas, a
mediana e assim por diante.
Exemplo 4.13. Na Tabela 4.17 temos as medidas da altura de 20 hastes.
Tabela 4.17: Dados da usinagem

903,88 1036,92 1098,04 1011,26
1020,70 915,38 1014,53 1097,79
934,52 1214,08 993,45 1120,19
860,41 1039,19 950,38 941,83
936,78 1086,98 1144,94 1066,12
O boxplot é dado por
Figura 4.15: Dados da usinagem.

4.11 Dotplot
O gráfico Dotplot (gráfico de pontos) representa cada observação obtida em uma escala
horizontal, permitindo visualizar a distribuição dos dados ao longo deste tempo. No eixo
horizontal, divide-se a escala dos valores em pequenos intervalos, sendo marcado um ponto por
observação.
O Dotplot, ou gráfico de pontos, é muito útil para visualizar estratificações. A estrati-
ficação é uma técnica que agrupa dados em subgrupos, de acordo com determinados critérios,
aumentando o poder da análise.
Considerando novamente o exemplo 4.13, temos que o Dotplot é dado por
Figura 4.16: Dotplot.
4.12 A Distribuição Normal

A variação natural de muitos processos industriais é realmente aleatória. Embora as
distribuições de muitos processos possam assumir uma variedade de formas, muitas variáveis
observadas possuem uma distribuição de freqüências que é, aproximadamente, uma distribuição
de probabilidade normal.
Probabilidade é a chance real de ocorrer um determinado evento, isto é, a chance de ocorrer
uma medida em um determinado intervalo. Por exemplo, a freqüência relativa deste inter-
valo, observada à partir de uma amostra de medidas, é a aproximação da probabilidade. A
distribuição de freqüências é a aproximação da distribuição de probabilidades.
Veremos a diante como testar se os dados seguem uma distribuição Normal ou não. Se
concluirmos que há normalidade, é possı́vel calcular probabilidades de intervalos de medida,
calculando a área sob a curva naquele intervalo.
Para achar a área sob a curva Normal devemos conhecer dois valores numéricos (também
chamados de parâmetros), que são: média µ e desvio padrão σ.
O gráfico a seguir mostra algumas áreas importantes
Figura 4.17: Áreas sob a curva normal.
Quando µ e σ são desconhecidos (caso mais comum), estes valores serão estimados por X̄ e
s, respectivamente, a partir da amostra.
Observação: Áreas sob a curva Normal são probabilidades, que na prática, são dadas em
percentagens.
Para cada valor de µ e/ou σ temos uma curva de distribuição de probabilidade. Porém,
para se calcular áreas especı́ficas, faz uso de uma distribuição particular: a “distribuição normal
padronizada”, também chamada de Standartizada ou reduzida. Para obter tal distribuição, isto
é, quando se tem uma variável X com distribuição normal com média µ diferente de 0 (zero)
e/ou desvio padrão σ diferente de 1 (um), devemos reduzı́-la a uma Z, efetuando o seguinte
cálculo
x − µ
Z = .
σ
Logo, a distribuição passa a ter média µ = 0 e desvio padrão σ = 1. Pelo fato da distribuição
ser simétrica em relação à média µ = 0, a área à direita é igual a área à esquerda de µ. Assim, a
tabela fornece áreas acima de valores não-negativos que vão desde 0,00 até 4,09. Veja o gráfico
da curva Normal padronizada na Figura 4.18.
Figura 4.18: Distribuição normal padronizada.
Observação: A variável que possui distribuição normal padronizada é denotada por Z.
Exemplo 4.14. Calcular a área sob a curva para Z maior que 2,748.
A área sob a curva normal para Z maior do que 2,748 é 0,0027, ou seja, a probabilidade de
Z ser maior do que 2,748 é 0,027%. Veja o gráfico na Figura 4.19.
Figura 4.19: Área sob a curva normal.

Exemplo 4.15. Calcular a área sob a curva para Z maior que 1.
A área sob a curva para Z maior do que 1,00 é 0,1587, ou seja, a probabilidade de Z ser
maior do que 1 é 15,87%. Veja o gráfico na Figura 4.20.
Exemplo 4.16. Calcular a área sob a curva para Z maior que 1,19.
A área sob a curva para Z maior do que 1,19 é 0,1170, ou seja, a probabilidade de Z ser
maior do que 1,19 é 11,70%. Veja o gráfico na Figura 4.21.

Exemplo 4.17. Calcular a área sob a curva para Z menor que 2.
A área sob a curva para Z menor do que 2,00 não é fornecida diretamente pela Tabela da
distribuição normal padrão. Assim, devemos encontrar a área para Z maior do que 2,00, em
seguida calculamos 1 menos a área encontrada e temos a área desejada. Essa área é 0,0228. Fi-
nalmente, a área que nos realmente nos interessa é 1−0, 0228 = 0, 9772, ou seja, a probabilidade
de Z ser menor do que 2,00 é 97,72%. Veja o gráfico na Figura 4.22.
Exemplo 4.18. Considere os diâmetros dos eixos do Exemplo 4.3 como tendo distribuição
normal com média µ = 4, 888 e desvio padrão σ = 0, 31949. Calcular a probabilidade de um
eixo apresentar diâmetro inferior a 5, 0mm.
5, 0 − 4, 888
Z = = 0, 35.
0, 31949
Usando a tabela da normal padrão, temos que a área sob a curva é 0,3632, ou seja, a
probabilidade de um eixo apresentar diâmetro inferior a 5, 0mm é 1 − 0, 3632 = 63, 68%. Vejam
os gráficos nas Figuras 4.23 e 4.24.
Figura 4.23: Área sob curva normal.
Figura 4.24: Área da curva normal padronizada para P (Z < 0, 35).
Exemplo 4.19. Suponha que a espessura das arruelas no exercicio 11 tenha distribuição normal
com média 11,15 e desvio padrão 2,238. Qual a porcentagem de arruelas que tem espessura
entre 8,70 e 14,70mm?
Temos que encontrar dois pontos da distribuição normal padronizada.

O primeiro ponto é
8, 70 − 11, 15
Z1 = = −1, 09.
2, 238
A área para valores maiores do que −1, 09 é 0, 8621, ou seja, 86, 21%.
Figura 4.25: Área para P(Z1 > −1, 09).
O segundo ponto é
14, 70 − 11, 15
Z2 = = 1, 58.
2, 238
A área para valores maiores do que 1, 58 é 0, 0571, ou seja, 5, 71%.
Figura 4.26: Área para P(Z2 > 1, 58).
O que procuramos é a área entre Z1 e Z2 , isto é,
0, 8621 − 0, 0571 = 0, 8050.

Figura 4.27: Área entre Z1 e Z2 .
Logo, a porcentagem de arruelas com espessura entre 8,70 e 14,70 (limites de tolerância da
especificação) é somente de 80,50%. Portanto, cerca de 19,50% das arruelas não atendem aos
limites de especificações.
4.13 Teorema Central do Limite

Consideremos uma amostra aleatória simples de tamanho n retirada de uma população
com média µ e variância σ 2 (note que o modelo da variável aleatória não é apresentado).
Representando tal amostra por n variáveis aleatórias independentes X1 ,. . .,Xn , e denotando
sua média por X, temos pelo teorema central do limite, que quando n for grande, a variável Z
é dada por
X −µ
Z= √ ∼ N (0, 1).
σ/ n
Assim, o teorema central do limite garante que, para n grande, a distribuição da média
amostral, devidamente padronizada, se comporta segundo um modelo normal com média µ = 0
e variância σ 2 = 1. De imediato, podemos notar a importância do teorema central do limite, pois
em muitas situações práticas, em que o interesse reside na média amostral, este teorema permite
que utilizemos a distribuição normal para estudar X probabilisticamente. Pelo teorema temos
que quanto maior a amostra, melhor é a aproximação. Estudos envolvendo simulações mostram
que, em muitos casos, valores em torno de 30 fornecem boas aproximações para as aplicações
práticas. Em casos em que a verdadeira distribuição é simétrica, excelentes aproximações são
obtidas mesmo com valores de n inferiores a 30.
Vamos justificar o intuito matemático de modo mais instrutivo.
Consideremos os dados da Tabela 4.18 e seu histograma apresentado na Figura 4.28.

Tabela 4.18: Dados Exponenciais

0,799 1,771 1,282 0,835 1,247 0,456 0,365 0,083 1,327 0,117 2,625 1,661 0,427 0,014
0,490 0,063 2,416 0,117 0,514 2,959 1,938 0,791 0,278 0,117 1,278 0,615 0,159 0,736
0,138 0,557 0,770 1,191 1,004 0,368 0,595 0,914 2,646 0,004 0,040 0,231 0,271 0,132
0,009 0,200 2,385 0,497 1,028 0,008 1,555 0,517 2,634 1,848 0,558 0,354 0,736 0,241
0,625 1,307 0,754 0,553 1,221 0,102 0,569 0,557 1,277 0,707 0,947 1,106 1,515 0,759
1,311 1,972 0,411 0,103 2,135 2,283 1,828 0,480 0,659 2,851 0,701 0,300 0,504 0,740
0,676 0,892 0,849 0,499 0,091 0,924 0,889 0,527 0,275 1,311 0,636 0,828 0,410 1,181
3,253 0,799 1,518 2,273 0,126 1,711 0,639 0,189 0,230 1,496 0,151 0,481 2,094 2,119
0,146 0,211 0,033 0,282 0,551 0,304 0,292 2,348 0,047 0,243 0,662 0,473 0,031 0,342
0,307 1,643 3,263 1,679 1,625 0,189 0,939 0,043 0,518 3,711 1,656 0,120 0,108 0,598
0,970 0,515 1,899 0,571 0,419 0,260 0,310 0,370 0,341 1,413 0,572 1,123 0,166 4,942
0,622 0,714 1,722 1,735 1,149 0,553 0,194 1,990 4,205 1,718 2,942 3,170 1,015 0,491
2,944 0,117 1,629 0,483 1,671 3,226 0,441 1,203 0,432 0,559 0,262 1,043 1,118 1,163
1,035 0,148 0,611 1,175 0,633 0,957 2,508 0,774 0,066 2,843 1,913 1,060 1,080 0,449
1,346 0,733 0,858 1,610 0,727 0,632 1,788 1,298 0,416 3,360 0,334 1,660 3,942 3,649
6,562 0,128 0,227 0,287 0,655 1,237 1,775 0,001 0,632 0,720 2,186 1,221 0,141 1,508
1,341 3,611 0,432 1,013 0,656 0,430 1,313 0,393 0,577 2,746 0,444 0,721 0,327 1,948
1,256 0,818 0,086 0,170 0,484 0,631 0,920 0,223 0,905 0,397 0,105 0,165 0,619 0,841
0,378 0,049 0,571 0,726 1,267 0,076 0,463 0,308 0,088 0,285 0,338 0,451 2,984 1,330
0,323 0,440 0,344 0,120 0,605 1,744 0,080 0,266 0,668 0,367 0,525 0,255 0,790 1,113
1,343 0,232 3,063 1,458 3,075 3,290 0,100 0,949 1,793 1,734 1,004 1,292 0,810 0,664
0,934 2,256 1,197 0,188 0,469 1,107 0,800 0,935 0,708 0,848 1,432 0,412 0,035 0,501
0,448 0,014 0,750 1,645 1,959 0,395 1,286 0,441 1,715 0,868 0,032 2,184 0,312 0,986
0,161 0,183 1,349 0,034 2,073 0,102 0,396 1,475 0,858 2,050 0,478 0,071 1,223 1,997
2,225 1,605 0,886 0,495 0,565 1,793 0,945 0,657 0,223 1,412 1,791 1,563 1,250 3,835
1,122 0,244 1,427 3,123 3,077 4,430 0,536 0,863 1,127 0,081 0,991 0,488 0,388 1,317
0,657 1,389 1,788 1,570 0,150 2,226 0,065 2,951 0,552 0,095 0,424 0,016 1,378 4,325
0,396 0,129 2,658 2,195 0,017 1,281 1,541 0,245 1,169 0,938 0,216 0,430 0,640 0,107
0,476 0,852 0,186 0,692 0,308 1,044 0,494 0,594 0,600 0,649 0,107 1,951 0,098 0,009
1,038 2,421 5,226 0,247 0,331 0,309 0,119 0,708 1,438 0,249 0,465 2,471 0,193 0,852
0,606 2,248 2,583 1,500 1,507 0,633 1,034 0,726 1,241 0,774 0,021 0,228 0,597 2,239
0,381 0,996 1,388 0,461 0,801 0,000 0,353 0,741 1,317 0,152 0,379 0,179 2,436 1,436
0,245 0,147 1,525 0,061 1,268 0,393 1,350 2,640 0,883 4,178 0,021 5,512 0,706 0,646
0,560 0,781 0,976 0,447 0,404 0,905 1,047 0,692 0,173 0,497 0,436 0,613 0,406 0,200
0,119 0,220 1,097 0,707 1,216 0,215 0,503 0,833 0,117 0,686 1,661 0,100 0,039 0,569
1,704 0,282 0,827 0,098 0,682 2,508 0,334 0,711 0,430 2,076 0,559 0,043 0,288 0,060
0,313 0,759 0,707 0,436 1,076 0,624 1,193 0,622 0,386 1,283 2,198 2,751 1,044 1,060
2,117 0,483 1,254 6,375 1,861 0,041 2,486 0,918 0,333 0,080 0,501 1,077 0,649 0,134
0,048 2,279 1,437 2,449 0,208 2,458 2,227 0,752 1,913 1,126 1,159 0,219 0,951 0,356
0,175 2,938 1,528 0,303 0,301 0,018 0,548 1,103 0,338 0,409 1,462 0,496 1,107 0,182
1,945 0,803 0,196 2,288 0,235 1,612 2,553 2,534 2,015 0,236 1,627 1,004 0,278 0,409
0,633 0,556 0,038 0,049 0,869 1,027 0,039 0,200 1,279 0,957 0,454 1,393 1,442 0,304
1,178 1,002 2,161 1,083 3,137 0,202 0,103 0,266 0,731 0,898 0,356 0,521 1,310 0,071
0,877 1,012 0,146 0,586 0,519 0,598 0,478 0,373 1,237 0,932 0,846 0,504 1,311 0,212
0,253 1,420 0,927 1,852 0,842 1,857 0,346 0,144 0,813 1,678 0,415 0,770 0,015 3,903
0,032 0,159 1,842 0,124 0,956 0,539 2,197 0,866 1,157 0,422 1,412 0,538 2,018 0,411
0,279 0,350 0,553 0,812 0,050 0,903 0,057 1,335 0,123 4,006 0,469 0,309 1,949 2,720
0,060 0,416 0,686 1,078 0,684 2,917 0,288 0,039 2,313 3,372 0,456 2,493 0,224 1,421
0,968 0,107 0,177 0,787 0,031 0,282 0,459 0,183 0,772 0,691 0,124 0,256 2,728 0,227
0,085 0,048 2,312 3,294 4,265 1,312 0,596 0,036 0,465 0,461 0,895 0,629 0,982 0,016
0,154 1,545 2,593 0,086 2,169 4,095 0,167 0,494 0,521 2,769 1,428 0,649 0,661 0,381
1,030 1,323 0,291 0,020 0,187 1,064 0,797 0,460 0,816 0,242 0,203 0,899 1,972 1,495
1,847 0,012 1,443 0,636 0,702 0,194 0,406 1,977 0,881 0,983 2,041 0,851 0,337 1,027
3,946 2,916 0,589 1,232 0,312 0,271 0,538 0,450 0,250 1,185 0,726 0,486 0,165 0,047
0,337 0,858 0,379 2,205 0,438 2,657 0,476 0,045 0,118 0,248 0,091 1,335 0,153 0,008
2,377 1,129 0,247 0,676 0,674 0,442 1,689 0,132 1,614 0,983 0,034 1,530 3,436 0,632
0,835 1,586 0,080 2,081 1,229 0,955 2,267 0,109 0,363 1,802 0,307 0,885 2,639 0,578
0,629 0,252 1,885 1,442 1,110 1,098 1,637 1,111 0,789 0,600 4,493 2,812 0,758 6,704
0,446 0,276 0,017 0,313 0,554 1,214 0,637 0,495 0,579 1,062 0,389 0,349 1,995 0,103
0,881 0,554 0,009 1,483 1,909 1,885 0,773 0,681 2,134 1,391 0,821 3,192 0,145 0,470
0,976 0,027 0,999 0,092 3,056 0,046 2,400 1,430 1,261 0,098 1,237 1,092 1,409 0,970
0,121 0,778 0,728 0,626 0,223 0,619 0,115 1,670 0,136 3,332 1,092 0,808 0,197 3,494
0,799 0,894 1,353 0,120 0,672 1,008 0,932 0,976 0,879 0,658 0,361 2,289 0,009 1,967
0,803 0,522 2,167 0,060 0,879 1,158 0,672 2,398 1,163 0,458 0,222 0,581 4,800 0,643
0,672 5,417 0,767 2,803 1,398 0,841 0,772 1,329 0,621 0,162 4,159 0,128 1,554 1,048
0,343 0,594 1,110 0,353 4,135 0,746 0,023 1,030 1,860 2,131 0,929 1,691 1,477 1,136
0,379 0,118 0,814 4,627 0,304 0,068 0,975 0,160 0,871 0,203 1,888 0,197 4,002 0,571
0,353 0,717 0,526 2,987 0,040 0,633 0,543 0,800 1,136 0,660 0,834 0,404 0,751 2,418
0,526 0,901 0,988 0,741 0,131 0,390 1,907 0,945 0,447 0,591 3,897 2,473 0,336 1,389
0,343 0,292 0,320 0,616 0,398 0,634 0,876 1,878 2,209 0,147 0,207 0,064 0,078 4,105
0,871 0,503 3,074 0,197 0,949 2,302 0,825 0,912 0,226 1,881 0,452 2,127 0,950 1,057
Figura 4.28: Histograma - dados exponenciais.
Note que o gráfico mostra que o conjunto de dados segue uma distribuição não simétrica.
Vamos agora agrupar os valores do conjunto de dados em grupos de 5 e tirar a média de cada
grupo. Podemos observá-los na Figura 4.29.
Figura 4.29: Média e grupos de 5.

Percebemos que a média dos dados foi deslocada, fazendo com que os dados mudassem sua
caracterı́stica de assimetria. Novamente, vamos agrupar os dados em grupos de 5 e tirar a
média. O resultado está na Figura 4.30.
Como podemos perceber, o gráfico representado na Figura 4.30, já possui uma distribuição
similar a da distribuição normal.
Figura 4.30: Médias dos 5 grupos.
4.14 Teste de Normalidade

Grande parte dos problemas que encontramos na prática, são solucionados, primeiramente,
considerando algumas suposições iniciais, tais como, assumir uma função de distribuição para
os dados amostrados. Nesse sentido, surge a necessidade de certificarmos se essas suposições
podem, realmente, ser assumidas. Em alguns casos, assumir a normalidade dos dados é o
primeiro passo que tomamos para simplificar sua análise. Para dar suporte a esta suposição,
consideramos, o teste Anderson-Darling, o teste Kolmogorov - Smirnov e o teste Shapiro - Wilk.
O teste Kolmogorov-Smirnov é mais sensı́vel em pontos próximos da mediana da distribuição
do que nas caudas. Já o teste Anderson-Darling é um teste que providencia igual sensitividade
nas caudas.
A vantagem do teste Anderson-Darling em relação ao teste Kolmogorov-Smirnov é que,
enquanto este é mais sensı́vel em pontos próximos da mediana da distribuição do que nas
caudas, o teste Anderson-Darling providencia igual sensitividade nas caudas.
Seja X1 , X2 , . . . , Xn uma amostra aleatória simples retirada de uma dada população. O ob-
jetivo é verificar a adequabilidade da distribuição Normal, ou seja, testar as seguintes hipóteses:

 H : a amostra tem distribuição Normal
0
(4.5)
 H : a amostra não tem distribuição Normal
1
4.14.1 Teste Anderson-Darling
O problema de inferência estatı́stica que vamos considerar aqui é o de testar a hipótese de

que uma dada amostra tenha sido retirada de uma certa população com determinada função de
distribuição acumulada (FDA) contı́nua F (x), isto é, seja x1 , x2 , . . . , xn uma amostra aleatória
e suponha que uma provável candidata para a FDA dos dados seja F (x), então, o teste de
hipóteses para verificar a adequabilidade da distribuição é:

 H : a amostra tem distribuição F (x)
0
 H : a amostra não tem distribuição F (x).
1
Anderson e Darling (1952, 1954) propuseram a seguinte estatı́stica para testar essas hipóteses:
∞
[Fn (x) − F (x)]2
Z
2
A =n dF (x) (4.6)
−∞ F (x)(1 − F (x))
onde Fn (x) é a função de distribuição acumulada empı́rica definida como



 0, se x < x(1)

Fn (x) = k (4.7)
n
, se x(k) ≤ x < x(k+1)



 1, se x > x
(n)
e x(1) ≤ x(2) ≤ ... ≤ x(n) , são as estatı́sticas de ordem da amostra aleatória.

A estatı́stica A2 pode ser colocada numa forma equivalente:
n
2 1 X
A = −n − (2i − 1) ln( F (x(i) ) ) + ( 2(n − i) + 1 ) ln(1 − F (x(i) ) ) (4.8)
n i=1
A expressão(4.8) pode ser reescrita como:
D
A2 = −n − , (4.9)
n
sendo que
n
X
D= (2i − 1) ln( F (x(i) ) + ( 2(n − i) + 1 ) ln(1 − F (x(i) ) .
i=1
A transformação F (x(i) ) leva x(i) em U(i) de uma amostra de tamanho n com distribuição
Uniforme em (0, 1). Logo,
n
2 1 X
A = −n − (2i − 1) ln( U(i) ) + ( 2(n − i) + 1 ) ln(1 − U(i) ) (4.10)
n i=1
que é equivalente a
n
2 1X
A = −n − (2i − 1) ln( U(i) ) + ln(1 − U(n+1−i) )
n i=1
Para calcular o valor da estatı́stica A2 procedemos da seguinte forma:
1) Ordene os valores da amostra: x(1) ≤ x(2) ≤ ... ≤ x(n) ;
2) Quando necessário, estime os parâmetros da distribuição de interesse;
x(i) − x
3) Padronize os dados, isto é, calcule z(i) = s ;
4) Calcule Ui = F (z(i) ) e o valor da estatı́stica de Anderson-Darling (4.9); e
5) Para cada uma das distribuições calcule, se for o caso, o valor da estatı́stica modificado
de acordo com as tabelas dadas para cada uma delas.
O Teste Anderson-Darling pode ser aplicado às distribuições de probabilidade como: Dis-
tribuição Normal, Exponencial, Weibull, Lognormal, Valor Extremo e Logı́stica. Para estas
distribuições o parâmetro θ = (α, β) pode ser univariado ou bivariado, isto é, ele tem no
máximo dois componentes, conforme os seguintes casos:
Caso 1 : O parâmetro θ = (α, β) é totalmente conhecido;
Caso 2 : α é conhecido;
Caso 3 : β é conhecido;
Caso 4 : Nenhum dos componentes de θ = (α, β) é conhecido.
Vamos agora ver um exemplo para o caso da Distribuição Normal.

4.14.2 Distribuição Normal
Para a distribuição Normal com função densidade de probabilidade
(x − µ)2

1
f (x) = √ exp − (−∞ < x < ∞),
2πσ 2 2σ 2
a Tabela (4.19) fornece alguns valores de quantis e a estatı́stica de Anderson-Darling modificada,

para os seguintes casos:
Caso 0 : Os parâmetros θ = (µ, σ 2 ) são totalmente conhecidos;
Caso 1 : σ 2 é conhecido e µ estimado por x;
Caso 2 : µ é conhecido e σ 2 estimado por s2 ;
Caso 3 : Os componentes de θ = (µ, σ) são desconhecidos e são estimados por (x, s2 ).
Pontos percentis para cada α(%)

Caso Modificação 15,0 10,0 5,0 2,5 1,0
0 Nenhuma 1,610 1,933 2,492 3,070 3,857
1 - - 0,908 1,105 1,304 1,573
2 - - 1,760 2,323 2,904 3,690
2 2
3 A (1 + (4/n) − (25/n )) 0,576 0,656 0,787 0,918 1,092
Tabela 4.19: Pontos percentis.
Exemplo 4.20. Considere as seguintes medidas de peso de peças (em pounds) 148, 154, 158,
160, 161, 162, 166, 170, 182, 195, 236.
Vamos testar:

 H : Os dados seguem uma distribuição Normal
0
 H : Os dados não seguem uma distribuição Normal
1
A média dos dados é X = 172 e o desvio padrão é s = 24, 9520.

dados dados ordenados F (xi ) ln(F (xi )) ln(1 − F (xi ))

154 148 0,168063 -1,78341 -0,184
148 154 0,235336 -1,44674 -0,26832
170 158 0,287372 1,24698 -0,3388
161 160 0,315285 -1,15428 0,37875
160 161 0,329662 -1,10969 -0,39997
166 162 0,344295 -1,06626 -0,42204
162 166 0,404986 -0,9039 -0,51917
158 170 0,468057 -0,75916 -0,63122
182 182 0,655705 -0,42204 -1,06626
195 195 0,821676 -0,19641 -1,72415
236 236 0,99484 -0,00517 -5,26684
Tabela 4.20: Calculando o valor de A2 .
Utilizando a fórmula (4.10), temos:
D = (2 × 1 − 1) × (−1, 78) + (2 × (11 − 1) + 1) × (−0, 18)
+ (2 × 2 − 1) × (−1, 45) + (2 × (11 − 2) + 1) × (−0, 268)
+ (2 × 3 − 1) × (−1, 25) + (2 × (11 − 3) + 1) × (−0, 34)
+ (2 × 4 − 1) × (−1, 15) + (2 × (11 − 4) + 1) × (−0, 39)
+ (2 × 5 − 1) × (−1, 109) + (2 × (11 − 5) + 1) × (−0, 39)
+ (2 × 6 − 1) × (−1, 07) + (2 × (11 − 6) + 1) × (−0, 42)
+ (2 × 7 − 1) × (−0, 904) + (2 × (11 − 7) + 1) × (−0, 519)
+ (2 × 8 − 1) × (−0, 76) + (2 × (11 − 8) + 1) × (−0, 63)
+ (2 × 9 − 1) × (−0, 42) + (2 × (11 − 9) + 1) × (−1, 066)
+ (2 × 10 − 1) × (−0, 196) + (2 × (11 − 10) + 1) × (−1, 72)
+ (2 × 11 − 1) × (−0, 0052) + (2 × (11 − 11) + 1) × (−5, 267)
= −131, 4145
D 131, 4145
A2 = − −n= − 11 = 0, 9467719.
n 11
A estatı́stica de Anderson Darling modificada para esse caso (Caso 3: µ e σ desconhecidos) é

dada por:
Am = A2 × (1 + (4/n) − (25/n2 ))
= 0, 9467719 × (1 + 0, 3636364 − 0.2066116) = 0, 947 × 1, 086
= 0, 9467719 × 1, 157025 = 1, 095439
Na Tabela (4.19) vimos que o P-valor é aproximadamente 1%. Assim, existe forte evidência
de que os dados não têm distribuição Normal. Podemos ainda realizar uma análise gráfica,
como mostra a Figura 4.31 onde notamos que os pontos estão distribuı́dos de forma aleatória
em torno da reta.
Figura 4.31: Papel de Probabilidade do Teste Anderson-Darling.
4.14.3 Teste de Kolmogorov - Smirnov
Este teste observa a máxima diferença absoluta entre a função de distribuição acumulada
assumida para os dados, no caso a Normal, e a função de distribuição empı́rica dos dados.
Como critério, comparamos esta diferença com um valor crı́tico (Tabela 4.21), para um dado
nı́vel de significância.
A estatı́stica utilizada para o teste é:
Dn = sup | F (x) − Fn (x) |

x
Esta função corresponde a distância máxima vertical entre os gráficos de F (x) e Fn (x) sobre a
amplitude dos possı́veis valores de x, onde
• F (x) representa a função de distribuição acumulada assumida para os dados;
• Fn (x) representa a função de distribuição acumulada empı́rica dos dados.
Sejam X(1) , X(2) , · · · , X(n) observações aleatórias ordenadas de forma crescente da variável
aleatória contı́nua X. A função de distribuição acumulada assumida para os dados é definida
por F (x(i) ) = P (X ≤ x(i) ) e a função de distribuição acumulada empı́rica é definida por uma
função escada, dada pela fórmula:
n
1X
Fn (x) = I{(−∞, x]} (x(i) ) (4.11)
n i=1
onde I{A} é a função indicadora. A função indicadora é definida da seguinte forma:


 1 se x ∈ A
I{A} (x) =
 0 c.c.
Observe que a função da distribuição empı́rica Fn (x) corresponde à proporção de valores

menores ou iguais a x.
A expressão (4.11) pode também ser escrita da seguinte forma:



 0 se x < x(1)

Fn (x) = k
n
se x(k) ≤ x < x(k+1)



 1 se x > x(n)
Consideremos duas outras estatı́sticas:
D+ = sup | F (x(i) ) − Fn (x(i) ) |

x(i)
−
D = sup | F (x(i) ) − Fn (x(i−1) ) |
x(i)
Essas estatı́sticas medem as distâncias (vertical) entre os gráficos das duas funções, teórica e
empı́rica, nos pontos x(i−1) e x(i) . Com isso, podemos utilizar como estatı́stica de teste:
Dn = max(D+ ; D− )
Se Dn for maior que o valor crı́tico encontrado na Tabela 4.21, rejeitamos a hipótese de
normalidade dos dados com (1−α)100% de confiança. Caso contrário, não rejeitamos a hipótese
de normalidade.
Nı́vel de Significância (α)
n 0,2 0,1 0,05 0,01
5 0,45 0,51 0,56 0,67
10 0,32 0,37 0,41 0,49
15 0,27 0,30 0,34 0,40
20 0,23 0,26 0,29 0,36
25 0,21 0,24 0,27 0,32
30 0,19 0,22 0,24 0,29
35 0,18 0,20 0,23 0,27
40 0,17 0,19 0,21 0,25
45 0,16 0,18 0,20 0,24
50 0,15 0,17 0,19 0,23
1,07 1,22 1,36 1,63
Valores maiores √
n
√
n
√
n
√
n
Tabela 4.21: Valores Crı́ticos para a estatı́stica do teste de Komolgorov - Smirnov (Dn ).
Estas estatı́sticas podem ser resumidas na Tabela 12.7.2.

x(i) − x

x (ordenado) Fn (x) F (x) = P z(i) ≤ s |F (x(i) ) − Fn (x(i) )| |F (x(i) ) − Fn (x(i−1) )|
x(1) − x

1
x(1) n
F (x) = P z(1) ≤ s |F (x(1) ) − Fn (x(1) )| |F (x(1) ) − 0)|
x(2) − x

2
x(2) n
F (x) = P z(2) ≤ s |F (x(2) ) − Fn (x(2) )| |F (x(2) ) − Fn (x(1) )|
. . . . .
. . . . .
. . . . .
x(n−1) − x

n−1
x(n−1) n
F (x) = P z(n−1) ≤ s |F (x(n−1) ) − Fn (x(n−1) )| |F (x(n−1) ) − Fn (x(n−2) )|
x(n) − x

x(n) 1 F (x) = P z(n) ≤ s |F (x(n) ) − Fn (x(n) )| |F (x(n) ) − Fn (x(n−1) )|
Tabela 4.22: Resumo do Cálculo de Dn

x(i) − x
Observação: o valor de P Z(i) ≤ s é encontrado na tabela da distribuição Normal
padrão.
Exemplo 4.21. Avaliar a normalidade dos dados referente a medição de 10 peças.
1,90642 2,10288 1,52229 2,61826 1,42738 2,22488 1,69742 3,15435 1,98492 1,99568
Após ordenar os dados, obtemos o valor de Fn (x(i) ) fazendo a razão entre a posição i e
o valor total de dados, n. O valor de F (x(i) ) é encontrado na tabela da distribuição Normal
padrão, após transformarmos os dados pela relação
x(i) − x
Z(i) =
s
onde x é a média aritmética dos dados e s é o desvio padrão dos dados.

Dados Fn (x) (empı́rica) F (x) (teórica) | F (x(i) ) − Fn (x(i) ) | | F (x(i) ) − Fn (x(i−1) ) |
1,42738 0,1 0,109008 0,009008 0,109008
1,52229 0,2 0,147346 0,052654 0,047346
1,69742 0,3 0,239320 0,060680 0,039320
1,90642 0,4 0,380772 0,019228 0,080772
1,98492 0,5 0,439859 0,060141 0,039859
1,99568 0,6 0,448101 0,151899 0,051899
2,10288 0,7 0,530802 0,169198 0,069198
2,22488 0,8 0,623132 0,176868 0,076868
2,61826 0,9 0,859056 0,040944 0,059056
3,15435 1,0 0,982786 0,017214 0,082786
Máximo 0,176868 0,109008
Tabela 4.23: Teste Kolmogorov - Smirnov.
Com isso,
Dn = max(0, 176868; 0, 109008) = 0, 176868.
Considerando α = 0, 05 e n = 10, encontramos pela Tabela 4.21 o valor crı́tico 0,41. Como
Dn = 0, 176868 < 0, 41 não temos evidências para rejeitar a hipótese de normalidade dos dados.
O resultado gráfico pode ser visto pela Figura 4.32. Notamos que os pontos estão distribuı́dos
próximos a reta, demonstrando tal fato.
Figura 4.32: Papel de Probabilidade do Teste Kolmogorov-Smirnov.
Outra maneira de decidir se rejeitamos a hipótese nula é através do P-valor.

Em estatı́stica, e especificamente no campo dos testes de hipóteses, o valor p, ou também
p-valor, é a probabilidade de que a amostra possa ter sido tirada de uma população, assumindo
que a hipótese nula seja verdadeira. Um valor de 0,05, por exemplo, indica que existe a
probabilidade de 5% de que a amostra que estamos testando possa ser tirada, assumindo que
a hipótese nula é verdadeira.
Interpretação do resultado:
• Valor p próximo de 0 indica que a H0 é falsa;
• Valor p próximo de 1, indica que não há evidência suficiente para rejeitar a H0 ;
• Normalmente considera-se um p-valor de 0,05 como o patamar para avaliar a H0 . Se o

valor p for inferior a 0,05 podemos rejeitar a H0 . Em caso contrário, não temos evidência
que nos permita rejeitá-la (o que não significa automaticamente que seja verdadeira). Em
situações de maior exigência é usado um p-valor inferior a 0,05.
Neste exemplo,
p-valor = P [D > Dn ] = 0.5011 > α = 0.05
Assim, como o p-valor foi maior que o nı́vel de significância adotado (0,05), não temos
evidências para afirmar que a amostra não provém de uma população normal.
4.14.4 Shapiro-Wilk
O teste Shapiro-Wilk, proposto em 1965, é baseado na estatı́stica W , calculada como a

seguir:
b2
W = Pn 2
(4.12)
i=1 (xi − x)
onde xi são os valores da amostra ordenados (x1 é o menor). Menores valores de W são
evidências de que os dados são normais.
A constante b é determinada através da seguinte fórmula
n
2
X
b= an−i+1 × (xn−i+1 − xi ) (4.13)
i=1
onde ai são constantes geradas pelas médias, variâncias e covariâncias das estatı́sticas de ordem
de uma amostra de tamanho n de um distribuição Normal. Seus valores, tabelados, são dados
abaixo.
Figura 4.33: Coeficientes an−i+1 para o teste de normalidade W de Shapiro-Wilk.
Para realizar o teste de Shapiro-Wilk, deve-se seguir os seguintes passos:
1. Formulação da Hipótese:
H0 :A amostra provém de uma população Normal
H1 :A amostra não provém de uma população Normal
2. Estabelecer o Nı́vel de Significância do teste (α), normalmente 0,05;
3. Calcular a estatı́stica de teste:

(a) Ordenar as n observações da amostra: x1 ≤ x2 ≤ x3 ≤ . . . ≤ xn ;
(b) Calcular: ni=1 (xi − x)2 ;

P
(c) Calcular b;
(d) Calcular W.
4. Tomar a decisão:
Rejeitar H0 ao nı́vel de significância α se: Wcalculado < Wα .
Figura 4.34: Valores crı́ticos da estatı́stica W de Shapiro-Wilk.
Exemplo 4.22. Avaliar a normalidade dos dados referente a medição de 10 peças.
8 12 10 24 12 10 16 19 9 10
Adotaremos um nı́vel de significância α = 0, 05.

Para calcular a Estatı́stica teste, primeiro ordenamos as n observações:
8 9 10 10 10 12 12 16 19 24
Pn
Em seguida, calculamos i=1 (xi − x)2 = 236 e a constante b:
i N-i+1 aN −i+1 xN −i+1 xi aN −i+1 (xN −i+1 − xi )

1 10 0.5739 24 9 9.1824
2 9 0.3291 19 9 3.2910
3 8 0.2141 16 10 1.2846
4 7 0.1224 12 10 0.2448
5 6 0.0399 12 10 0.0798
b=14.0826
e por fim, W:
b2 14.08262
W = Pn 2
= = 0.840 (4.14)
i=1 (xi − x) 236
Pela regra de decisão do teste, Wcalculado = 0.840 < W(0.05;10) = 0.842, com o p-valor
calculado por P[W > Wcalculado ] = 0.0443 < α. Assim, podemos afirmar com nı́vel de
significância de 5% que a amostra não provém de uma população normal. Esse fato é confirmado
pela aleatoriedade dos pontos em torno da reta (Veja a Figura 4.35).
Figura 4.35: Papel de Probabilidade do Teste Shapiro-Wilk.

Exercı́cio 13. Considere agora os seguintes dados, resultantes da observação de 16 valores

de uma variável aleatória qualquer Y. Deseja-se testar a hipótese de que esta variável tenha
distribuição normal. Para isso, utilize o teste de Shapiro-Wilk com um nı́vel de significância
de 5%.
2,2 4,1 3,5 4,5 5 3,7 3 2,6 3,4 1,6 3,1 3,3 3,8 4,7 3,7 2,5
Para realizar o teste, siga os passos:
• Ordene os dados
P16
• Calcule a média (x) e a partir dela, a i=1 (xi − x)2
(xi − x) (xi − x)2
P
=
• Calcule a constante b
i N-i+1 aN −i+1 xN −i+1 xi aN −i+1 (xN −i+1 − xi )

1
2
3
4
5
6
7
8
b=
• Por fim, calcule a estatı́stica de teste:

b2
W = Pn 2
=
i=1 (xi − x)
e compare com o valor tabelado W(0.05;16) .
129
Capı́tulo 5
Introdução ao CEP
O CEP - Controle Estatı́stico do Processo tem por finalidade desenvolver e aplicar

métodos estatı́sticos como parte da estratégia de prevenção de defeitos, da melhoria da quali-
dade dos produtos e serviços e da redução de custos de fabricação.
Entende-se por processo a combinação de máquinas, métodos, material e mão-de-obra en-
volvidos na produção de um determinado produto ou serviço. O termo controle envolve o con-
junto de decisões que tem por objetivo a satisfação de determinados padrões ou especificações
por parte dos produtos focados no cliente.
Os defeitos que ocorrem nos processos são devido à variabilidade que é inerente a todo
processo. Na grande maioria das situações, tendo controlado a variabilidade, é possı́vel ajustar
o processo de maneira a diminuir os defeitos.
O CEP estabelece:
1. Informação permanente sobre o comportamento do processo;
2. Utilização da informação para detectar e caracterizar as causas que geram instabilidade

no processo;
3. Indicação de ações para corrigir e prevenir as causas de instabilidade;
4. Informações para melhoria contı́nua do processo;
Neste ponto se faz necessário descrever alguns termos que serão usados ao longo do texto
ao apresentarmos os métodos de controle.
5. Introdução ao CEP 130
5.1 Um sistema de controle do processo

Assim como um sistema de controle do processo pode ser descrito como um sistema de
“feedback ”, o CEP também pode ser considerado. Existem outros sistemas deste tipo que não
são estatı́sticos. Quatro elementos destes sistemas são importantes para as discussões a seguir.
1. O processo
Entende-se como processo, a combinação de fornecedores, produtores, pessoas, equipamen-

tos, materiais de entrada, métodos e meio ambiente que trabalham juntos para produzir o
resultado, e os clientes que utilizam o resultado (ver Figura 5.1). O desempenho total do
processo depende de comunicação entre fornecedor e cliente, da maneira como o processo é
planejado e implementado, e da maneira como ele será gerenciado e operado. O apoio do sis-
tema de controle do processo é útil só se ele contribui tanto para a manutenção do nı́vel de
excelência quanto para melhorar o desempenho total do processo.
Figura 5.1: Sistema de controle do processo.
2. Informações sobre o desempenho
Muita informação sobre o real desempenho do processo pode ser aprendida através de estudo
do resultado (saı́da) do processo. A informação mais útil sobre o desempenho de um processo
vem, entretanto, da compreensão do processo em si, e de sua variabilidade interna. Carac-

terı́sticas do processo (como temperaturas, tempo de ciclos, taxas de alimentação, taxas de
absenteı́smo, rotatividade de pessoas, atrasos, ou número de interrupções) deveriam ser o alvo
supremo de nossos reforços. É necessário determinar os valores-alvo para aquelas caracterı́sticas
que resultam numa operação mais produtiva do processo, e então monitorar o quão próximo ou
distante deste alvo está-se. Se esta informação é obtida e interpretada corretamente, ela pode
mostrar se o processo está operando em condições normais ou não. Ações adequadas podem ser
executadas, se necessárias, para corrigir o processo ou o resultado recém-produzido. Quando
a ação é necessária ela deve ser oportuna e apropriada, ou o esforço da coleta de informações
terá sido um desperdı́cio.
3. Ação sobre o processo
Uma ação sobre o processo é geralmente mais econômica quando realizada para prevenir
que as caracterı́sticas importantes (do processo ou do produto) variem muito em relação aos
seus valores-alvo. Isto mantém a estabilidade e a variação do resultado do processo dentro de
limites aceitáveis. Tal ação pode consistir em:
• Mudanças nas operações
– Treinamento para os operadores;
– Mudanças nos materiais que entram;
• Mudanças nos elementos mais básicos do processo
– Equipamento;
– A comunicação entre as pessoas;
– O projeto do processo como um todo - que pode estar vulnerável à mudanças de

temperatura ou umidade.
Os efeitos das ações deveriam ser monitorados, para que uma análise e ação posterior pudesse
ser tomada, se necessária.
4. Ação sobre o resultado
Uma ação sobre o resultado é freqüentemente menos econômica quando se restringe a de-
tecção e correção do produto fora da especificação, não indicando o fato gerador do problema
no processo. Infelizmente, se o resultado atual não atinge consistentemente os requisitos exigidos

pelo cliente, pode ser necessário classificar todos os produtos e refugar ou retrabalhar quaisquer
itens não-conformes. Esta atitude deve ser mantida até que a ação corretiva necessária sobre o
processo tenha sido tomada e verificada, ou até que as especificações do produto tenham sido
alteradas.
5.2 Definições
Variabilidade: É o conjunto de diferenças nas variáveis (diâmetros, pesos, densidades, etc.)
ou atributos (cor, defeitos, etc.) presentes universalmente nos produtos e serviços resul-
tantes de qualquer atividade. As causas que produzem variabilidade nos processos são
classificadas em comuns ou aleatórias e especiais ou assinaláveis. As definições e exemplos
de ambos tipos estão na Tabela 5.1.
Tabela 5.1: Definições de causas comuns e especiais

Comuns Especiais
Definição Efeito acumulativo de Falhas ocasionais que ocorrem
causas não controláveis, com durante o processo, com grande
pouca influência individualmente. influência individualmente
Vibrações,temperatura, umidade, Variações na matéria-prima, erros
Exemplos falhas na sistemática do processo, de operação, imprecisão no ajuste
dentre outras. da máquina, desgastes de
ferramentas, dentre outras.
Variabilidade do processo: Um processo é denominado estar sob controle estatı́stico quando

causas especiais não existem. Quando um processo está sob controle estatı́stico não im-
plica que o mesmo está produzindo dentro de um nı́vel de qualidade aceitável. O processo
pode estar sob controle estatı́stico e produzir com uma taxa de 20% de defeituosos. O
nı́vel de qualidade de um processo é estudado via uma técnica denominada análise de
capacidade/performance.
O objetivo é desenvolver uma estratégia de controle para o processo que nos permite separar
eventos relacionados à causas especiais de eventos relacionados à causas comuns (falhas na
sistemática do processo). Desta forma, para um dado processo, um gráfico de controle pode
indicar a ocorrência de causas especiais de variação .
Figura 5.2: Processo previsı́vel.
Figura 5.3: Processo não previsı́vel.
Note que os processos representados indicam, respectivamente, um processo com mesma

variabilidade (σ12 = σ22 = σ32 = σ 2 ), e variabilidade diferentes (σ12 6= σ22 6= σ32 ) devido à causas
especiais.
5.3 Ações locais e ações sobre o sistema

Há uma importante relação entre os dois tipos de variação que acabamos de discutir e
os tipos de ações necessárias para reduzi-las.1
Simples técnicas de controle estatı́stico do processo podem detectar as causas especiais de
variação. Descobrir uma causa especial e tomar atitude adequada é geralmente responsabilidade
de alguém que esteja diretamente ligado com a operação. Embora o gerenciamento deva,
às vezes, estar envolvido para corrigir a condição, a resolução para uma causa especial de
variação geralmente requer ação local, principalmente durante os primeiros esforços na me-
lhoria do processo. Uma vez que se tenha acertado a ação para as causas especiais, as causas
remanescentes exigirão freqüentemente ação gerencial, em vez de ação local.
Estas mesmas técnicas estatı́sticas simples podem também indicar a extensão das causas
comuns de variação, mas as próprias causas precisam de análises mais detalhadas para serem
isoladas. A correção destas causas comuns é geralmente responsabilidade gerencial. Às vezes,
pessoas diretamente ligadas à operação estarão em melhor posição para identificar as causas, e
passá-las adiante para uma ação gerencial. Globalmente, no entanto, a solução para as causas
comuns de variação geralmente requer ação sobre o sistema.
Somente uma proporção relativamente pequena da excessiva variação do processo - a ex-
periência industrial sugere aproximadamente 15% - pode ser corrigida localmente, por pessoas
diretamente ligadas a operação. A maioria das causas - os outros 85% - podem ser corrigidos
somente através de ação gerencial, sobre o sistema. Confusões a respeito do tipo de ação a
aplicar custa muito caro para a organização, em termos de esforços desperdiçados, soluções de
problemas postergadas, problemas agravados. Pode ser errado, por exemplo, tomar uma ação
local (ex. ajuste de uma máquina) quando uma ação gerencial sobre o sistema é necessária (ex.
seleção de fornecedores que entreguem materiais de entrada compatı́veis ao sistema).2 Entre-
tanto, trabalho em conjunto entre gerência e aquelas pessoas ligadas diretamente à operação é
essencial para uma redução significativa das causas comuns de variação do processo.
1
Dr.W.E. Deming tratou este tópico em “What happened in Japan?”, industrial Quality Control, vol. 24
N.03, Agosto, 1967, páginas 83-84
2
Estas observações foram inicialmente feitas pelo Dr. J.M.Juran, e foram comprovadas durante os experi-
mentos do Dr. Deming
5.4 O ciclo de melhoria e o controle do processo

Quando aplicamos o conceito de melhoria contı́nua no processo, existem três estágios do
ciclo que podem ser úteis. Todo processo está em um dos três estágios do ciclo.
Figura 5.4: Ciclo de melhoria do processo.

5.4.1 Analisar o processo
Uma compreensão básica do processo é essencial quando consideramos a melhoria do

processo. Dentre as perguntas a serem respondidas a fim de alcançar um melhor conhecimento
do processo, estão:
• O que o processo deveria estar fazendo?
– O que está sendo esperado de cada estágio do processo?
– Quais são as definições operacionais das saı́das em potencial?
• O que pode estar errado?
– O que pode variar neste processo?
– O que já sabemos a respeito da variabilidade deste processo?
– Que parâmetros são mais sensı́veis à variação?
• O que o processo está fazendo?
– Este processo está gerando refugo ou resultados que requeiram retrabalhos?
– Este processo produz um resultado que esteja num estado de controle estatı́stico?
– O processo é capaz?
– O processo é confiável?
Muitas técnicas discutidas no APQP Manual 3 podem ser aplicadas para garantir um melhor
entendimento do processo. Estas atividades incluem:
• Reuniões em grupo
• Consulta a pessoas que desenvolveram e operam o processo
• Revisão da história do processo
• Construção de uma planilha de FMEA (Failure Mode and Effect Analysis). A Análise
do Modo e Efeito de Falha (FMEA) é um estudo sistemático e estruturado das falhas
que podem ocorrer em qualquer parte de um sistema, para determinar o provável efeito
de cada uma sobre todas as outras peças do sistema e no provável sucesso operacional,
tendo como objetivo melhoramentos no projeto, produto e desenvolvimento do processo.
3
Chrysler, Ford end General Motors, (1995)
As cartas de controle desenvolvidas neste manual são ferramentas poderosas que devem ser
usadas durante todos os ciclos de melhoria do processo. Estes métodos estatı́sticos simples,
ajudam a distinguir as causas comuns e as causas especiais de variação do processo. Quando
um estado de controle do processo é alcançado o nı́vel atual da capacidade do processo pode
ser avaliado.
5.4.2 Mantendo o controle do processo
Uma vez adquirida uma compreensão melhor do processo, o processo deve ser mantido
dentro de um apropriado nı́vel de capacidade. Processos são dinâmicos e podem mudar. O
desempenho do processo deve ser monitorado, para que medidas eficazes de prevenção contra
mudanças indesejáveis possam ser executadas. A mudança desejável deve também ser entendida
e institucionalizada. Enfatizando novamente que, os simples métodos estatı́sticos explicados
nesta apostila podem ajudá-lo. Construção e uso de cartas de controle e outras ferramentas
permitirão um monitoramento eficiente do processo. Quando a ferramenta utilizada sinaliza
que uma mudança no processo ocorreu, medidas rápidas e eficientes podem ser aplicadas para
isolar as causas e agir sobre elas.
É muito fácil parar no estágio 2 do ciclo, mas é importante perceber que existe um limite para
os recursos de qualquer empresa. Muitos processos deveriam estar neste estágio. Entretanto,
falhar ao prosseguir para o próximo estágio neste ciclo pode resultar em uma desvantagem
competitiva muito significativa. A obtenção da “classe mundial” requer um esforço planejado
e constante para mover-se em direção ao próximo estágio do ciclo de melhoria do processo.
5.4.3 Aperfeiçoar o processo
Aı́ neste ponto, os esforços têm sido dirigidos para estabilizar os processos e mantê-los
assim. Entretanto, para alguns processos, o cliente estará sensı́vel até mesmo a uma variação
dentro das especificações de engenharia. Nestes casos, o valor da melhoria contı́nua não será
percebido até que a variação diminua. Neste ponto, ferramentas adicionais para análise do
processo, incluindo métodos estatı́sticos mais avançados como delineamento de experimentos,
e cartas de controle avançados podem ser úteis.
A melhoria do processo através da redução de variação, especificamente envolve a introdução
(proposital) de mudanças dentro do processo, e a avaliação dos efeitos causados. O objetivo
é uma melhor compreensão do processo, para que as causas comuns de variação possam ser
reduzidas posteriormente. A intenção desta redução é a melhoria da qualidade ao menor custo.

Assim que novos parâmetros do processo tenham sido determinados, o ciclo volta ao estágio
de Analisar o Processo. Uma vez que alterações foram introduzidas, a estabilidade do processo
precisa ser reconfirmada. O processo continua então a se mover em torno do Ciclo de melhoria
do processo.
5.5 Uso efetivo e os benefı́cios dos gráficos de controle

Importantes benefı́cios podem ser obtidos através do uso efetivo das cartas de controle.
Tais ganhos e benefı́cios podem ser descritos como:
5.5.1 Filosofia da gerência
As decisões da gerência da empresa podem afetar diretamente os programas de CEP em:
• Focar a organização da empresa na diminuição da variação;
• Estabelecer um ambiente aberto que minimize as competições internas e dê suporte ao

trabalho em equipe;
• Dar suporte e favorecer os treinamentos necessários;
• Aplicar o CEP para promover um melhor entendimento das variações da engenharia de

processo;
• Aplicar o CEP para gerenciar os dados e usar a informação para as decisões do dia a dia.4
5.5.2 Filosofia da engenharia
Como a engenharia usa a informação para poder planejar e desenvolver produtos terão
influência no nı́vel de variação do produto final.
A seguir temos algumas maneiras de como a engenharia pode mostrar o uso efetivo do CEP:
• Focar a organização na redução da variação, através do planejamento do processo; ou

seja, número de mudanças no desenvolvimento de produtos, planejamento da manufatura
e montagem;
4
Os itens acima estão de acordo com os requerimentos contidos na norma ISO 9000:2000 e ISO/TS16949:2002
• Estabelecer um ambiente aberto que minimize a competição interna e prevaleça o trabalho

em equipe;
• Dar suporte para que os funcionários envolvidos no processo façam treinamentos adequa-
dos;
• Aplicar o CEP para promover um melhor entendimento das variações da engenharia de

processo;
• Exigir um melhor entendimento da variação e estabilidade em relação aos dados que são
usados no desenvolvimento do projeto;
• Favorecer as mudanças na engenharia do produto que foram fruto das análises do CEP e
que podem ajudar na diminuição da variação.
5.5.3 Manufatura
A manufatura desenvolve e opera máquinas e sistemas de transferência que podem im-

pactar no nı́vel e no tipo de variação do produto final.
A seguir temos algumas maneiras de como a manufatura pode mostrar o uso efetivo do
CEP:
• Focar a organização da manufatura na redução da variação; isto é, controlar o número de

diferentes processos, o impacto dos processos multi ferramentas, ferramentas e máquinas
de manutenção, etc;
• Estabelecer um ambiente de engenharia aberto que possa minimizar a competição interna

e dar suporte ao trabalho em equipe;
• Incentivar, manter e treinar os funcionários no uso do CEP;
• Aplicar o CEP para entender a variação e estabilidade dos dados que serão usados no
desenvolvimento do processo;
• Usar as análises do CEP para promover melhorias no processo;
• Não passar a responsabilidade pelas cartas de controle para os operadores até

que o processo esteja sob controle. A transferência de responsabilidade do
processo só deve ocorrer quando o processo estiver sob controle.
5.5.4 Controle de qualidade
O controle de qualidade é um componente crı́tico que dá suporte para as melhorias

sugeridas pelo uso do CEP.
• Dar suporte ao treinamento para manutenção do CEP;
• Focar as pessoas na aplicação do CEP;
• Ajudar na identificação das causas de variação do processo;
• Assegurar que o uso correto das informações provenientes do programa de CEP estejam
sendo corretamente utilizadas.
5.5.5 Produção
As pessoas envolvidas na produção estão diretamente relacionadas ao processo e a efe-

tividade da variação do processo. Elas devem:
• Estar treinadas na aplicação do programa de CEP para resolver problemas;
• Ter entendimento da variação e estabilidade em relação aos dados e as informações que

estarão sendo usadas no programa de CEP;
• Estar alertas, a comunicação entre a equipe é fundamental quando a situação muda;
• Atualizar, manter e disponibilizar as cartas de controle com a equipe responsável;
• Aprender com as informações coletadas do processo.
As aplicações dos conceitos descritos acima irão resultar em um ambiente adequado para
a compreensão e redução da variação do processo. Então o conceito PLANEJE-FAÇA-
ESTUDE-AJA (PDSA) pode ser usado na melhoria do processo.
O uso correto do programa de CEP irá resultar numa organização focada na melhoria da
qualidade do produto e do processo.
141
Capı́tulo 6
Gráficos ou Cartas de Controle
Carta de controle é um tipo de gráfico, comumente utilizado para o acompanhamento

durante um processo, determina uma faixa chamada de tolerância limitada pela linha superior
(limite superior de controle) e uma linha inferior (limite inferior de controle) e uma linha
média do processo, que foram estatisticamente determinadas. É uma das Sete Ferramentas da
Qualidade.
Realizada em amostras extraı́das durante o processo, supõe-se distribuição normal das ca-
racterı́sticas da qualidade. O objetivo é verificar se o processo está sob controle. Este controle
é feito através do gráfico.
Diversas técnicas estatı́sticas foram desenvolvidas para serem aplicadas como ferramentas
de diagnóstico do estado do processo. Todas elas são baseadas no mesmo princı́pio: flutuações
do nı́vel e de dispersão do processo ou qualquer outro padrão não aleatório. As técnicas do CEP,
ou mais particularmente, os gráficos de controle, foram desenvolvidos para detectar qualquer
padrão de não aleatoriedade no comportamento do processo e, na medida do possı́vel, para
utilizar a estrutura do padrão de não aleatoriedade para sugerir algo à respeito da natureza da
causa que gerou esse comportamento.
Existem vários tipos de gráficos de controle, neste curso consideraremos:
1. Gráficos de Shewhart.
2. Métodos derivados do critério das corridas (Testes Especiais).

6. Gráficos ou Cartas de Controle 142
6.1 Gráficos de Shewhart

O controle estatı́stico de qualidade, começou na década de 20, na Bell Laboratories
(Estados Unidos), com Walter A. Shewhart, e foi largamente utilizado pelas indústrias bélicas
(ISHIKAWA, 1993).
Dr. Walter Shewhart apresentou a distinção entre variação controlada e não controlada
de um processo ou, em outras palavras, as causas que anteriormente chamamos de comuns
(aleatórias) e especiais (assinaláveis), respectivamente.
Para distinguir as duas variações e detectar as especiais, ele desenvolveu uma ferramenta
que, desde então, chamamos Cartas ou Gráficos de Shewhart.
Usando as próprias palavras de Shewhart, as funções destes gráficos são:
1. “Mostrar evidências de que um processo esteja operando em estado de controle estatı́stico

e dar sinais da presença de causas especiais de variação para que medidas corretivas
apropriadas sejam aplicadas”.
2. “Manter o estado de controle estatı́stico estendendo a função dos limites de controle como
base de decisões”.
3. “Apresentar informações para que sejam tomadas ações gerenciais de melhoria dos pro-
cessos”.
6.1.1 Formas de aplicação
A forma mais usual dos gráficos de controle envolve registros cronológicos regulares
(dia-a-dia, hora-a-hora, etc) de uma ou mais caracterı́sticas (por exemplo, média, amplitude,
proporção, etc) calculadas em amostras obtidas de medições em fases apropriadas do processo.
Estes valores são dispostos, pela sua ordem, em um gráfico que possui uma linha central e dois
limites, chamados “limites de controle” (ver Figura 6.1).
Os gráficos de Shewhart fornecem assim uma regra de decisão muito simples: pontos
dispostos fora dos limites de controle indicam que o processo está “fora de controle”. Se
todos os pontos dispostos estão dentro dos limites e colocados de forma casual, consideramos
que “não existem evidências de que o processo esteja fora de controle”.
Mesmo que todos os pontos estejam dispostos entre os limites de controle, se eles se com-
portam de forma sistemática ou não aleatória, existe uma indicação de que o processo está fora
de controle. Por exemplo, se 18 dos 20 pontos dispostos estão entre a linha média e a linha
superior de controle, devemos suspeitar de que alguma coisa está errada. Se o processo está
sob controle, todos os pontos tem o mesmo princı́pio aleatório.
“As cartas de Shewhart são testes simples de aleatoriedade. Os movimentos para cima e
para baixo dos pontos não devem ser considerados pelo trabalhador a não ser que exista indı́cio
de uma causa especial. O ponto que cai fora dos limites de controle é um sinal estatı́stico que
indica a existência de uma causa especial de variação que pode ser quase sempre identificada e
corrigida pelo trabalhador da produção”(Deming).
Figura 6.1: Modelo de gráficos de Shewhart.
Observa-se que no gráfico de X que existe um ponto fora dos limites de controle. No gráfico
da Amplitude, os pontos estão distribuı́dos de forma aleatória, dentro dos limites.
6.1.2 Benefı́cios dos gráficos de controle
Os gráficos de controle proporcionam uma base para a comunicação sobre a performance

do processo dentro e entre as organizações.
Os gráficos de controle, ao distinguir causas comuns de causas especiais de variação e indicar
se o problema é local ou merece atenção gerencial, evita frustrações e o custo de erros no
direcionamento da solução de problemas.
Ao melhorar o processo os gráficos de controle produzem:
1. Aumento da porcentagem de produtos capazes de satisfazer aos requisitos do cliente.
2. Diminuição do retrabalho e sucata, diminuindo, conseqüentemente, os custos de fab-

ricação.
3. Aumento da probabilidade geral de produtos aceitáveis.
4. Informações para melhoria do processo.
6.1.3 Tipos de gráficos de Shewhart
Existem dois tipos básicos de gráficos de Shewhart:
• Gráficos por variáveis:
• Gráficos X e R (média e amplitude)
• Gráficos X e S (média e desvio padrão)
• Gráficos Mediana (X)

e e R (mediana e desvio padrão)
• Gráficos para Valores Individuais (X) e Amplitude Móvel (M R)
• Gráficos por atributos:
• Gráfico p (proporções não conforme)
• Gráfico np (unidades não conforme)
• Gráfico c (número de não conformidade por unidade)
• Gráfico u (taxa de não conformidade por unidade)
6.1.4 Fase preparatória e elaboração dos gráficos
Seja qual for o tipo que se vai utilizar, é necessário que executem uma série de etapas
preparatórias para a sua aplicação:
1. Conscientização e treinamento das pessoas envolvidas no processo.
2. Correta definição do processo (mapeamento do processo).
3. Análise para escolha das caracterı́sticas de qualidade mais significativas, com foco no
cliente. A aplicação do gráfico de Pareto pode ter grande utilidade nessa etapa.
4. Definição e análise do sistema de medição (unidades, instrumentos, grau de precisão das

medidas, método para efetuar as medidas, etc).
5. Escolha da fase do processo onde serão efetuados os registros, a fim de obter informações
que permitam, no caso em que causas especiais sejam detectadas, sua imediata e efetiva
correção para evitar os itens defeituosos.
Uma vez efetuada a fase preparatória, a elaboração dos gráficos deve obedecer os seguintes
passos:
1. Escolha do tipo de gráfico;
2. Coleta de dados;
3. Indicação do estado do processo e sua performance;
4. Determinação da capacidade do processo, depois de se ter atingido o estado de controle;
5. Ações para melhoria do processo.
Os tópicos seguintes descrevem cada um dos itens acima.
• Escolha do tipo do gráfico
A seleção do tipo de gráfico a ser usado depende da caracterı́stica da qualidade a ser

controlada. Para caracterı́sticas contı́nuas, como por exemplo, peso, dimensão, concen-
tração, etc., os gráficos X e R, X e S e de valores individuais poderão ser utilizados.
Para caracterı́sticas cujos dados contı́nuos podem ser discretizadas, como caracterı́sticas
avaliadas por instrumentos do tipo passa/não passa por exemplo, utiliza-se gráficos p
(ou np). Entretanto, em troca da simplicidade, grande quantidade de informação é per-
dida. Portanto, salvo os casos em que existam fortes motivos econômicos, os gráficos por
variáveis devem ser utilizados para controlar caracterı́sticas contı́nuas. Em processos ad-
ministrativos, muitas vezes são analisados defeitos ou desvios em relação às necessidades
do cliente, via gráficos de atributos. Quando a caracterı́stica de qualidade é um atributo,
como por exemplo, não-conformidade, cor, etc., os gráficos p ou np e c ou u devem ser
utilizados.
• Coleta de dados - subgrupos racionais

Para a coleta dos dados é necessário determinar o tamanho e a freqüência para cada
amostra, também chamada de subgrupos racionais. Aspectos relacionados a esta
questão serão tratados com maiores detalhes nas próximas seções e capı́tulos. Neste
momente é importante saber que essas escolhas dependem de vários fatores, como por
exemplo, tipo de gráfico, considerações econômicas, informação prévia sobre o processo,
etc.
Na amostragem é fundamental selecionar amostras que representem subgrupos de itens

mais homogêneos possı́veis, pois exaltam as diferenças entre grupos. O objetivo
é conseguir que as causas especiais, caso estiverem presentes, manifestem-se na forma de
“diferença entre subgrupos”e não como “diferença entre elementos de um mesmo sub-
grupo”. Por isso, é fundamental que a ordem de realização das medições seja cuidadosa-
mente preservada.
Os subgrupos afetam os resultados e a interpretação dos gráficos de controle. Por exem-

plo, em um gráfico X e R, a média identifica diferenças entre os subgrupos, enquanto que
o gráfico R identifica a variação dentro dos subgrupos. A variação dentro dos subgrupos
determina a sensibilidade dos gráficos de controle. Por causa disso, é muito importante
considerar as fontes de variação para as medidas e então organizar os subgrupos ade-
quadamente.
Em geral, existem dois procedimentos básicos para construir subgrupos racionais. No

primeiro caso, cada amostra consiste de itens que foram produzidos praticamente no
mesmo instante. Esta forma é utilizada quando o objetivo do gráfico de controle é detectar
variações ao longo do tempo. Caso causas especiais estejam presentes, esta forma de
construir subgrupos racionais minimiza a variabilidade dentro do subgrupo e maximiza
a variabilidade entre os subgrupos. Além disso, fornecem boas estimativas para o desvio
padrão do processo no caso de gráficos para variáveis.
No segundo caso, cada amostra consiste de itens que representam todos os itens produzi-
dos, desde a retirada da última amostra. Essencialmente, cada amostra representa toda
a produção durante um intervalo de tempo. Este método é utilizado quando o gráfico
de controle é empregado para uma tomada de decisão sobre a aceitação ou não dos itens
produzidos, desde a última retirada da amostra.
Supondo a utilização do primeiro método para seleção das amostras, pode ocorrer que
entre as coletas, o processo saia do estado de controle estatı́stico e volte para o estado de
controle entre as coletas. Neste caso, o segundo método de amostragem permite detectar
este comportamento tipo de comportamento impróprio. Portanto,
“É muito importante na aplicação dos Gráficos de Controle escolher cuidadosamente os

subgrupos racionais.”
Algumas considerações a respeito do tamanho dos subgrupos para os gráficos X e R ou

X e S são:
1. Os subgrupos devem ter o menor tamanho possı́vel para que as suas médias não
mascarem as mudanças.
2. Subgrupos de tamanho 4 ou 5 detectam mudanças no processo mais rapidamente que

subgrupos maiores.
3. Subgrupos de 4 ou 5 ı́tens são ótimos (ou quase) se as causas especiais produzem

mudanças de 2σ (2 sigmas) ou mais no nı́vel geral do processo. Caso as mudanças
sejam pequenas (1σ ou menos) será necessário, para detectá-las, escolher subgrupos
maiores (de 15 ou 20 ı́tens). Aplicação de ferramentas como CUSUM propiciam
uma análise de pequenas variações.
• Escolha dos limites de controle
A escolha dos limites de controle é uma decisão a ser tomada com base, essencialmente,
em critérios econômicos. O uso dos limites 3σ (3 sigma) está bastante generalizado, mas
existem situações onde é necessário aplicar outros critérios. Assim, por exemplo, se um
falso alarme (falso alarme acontece quando um sinal de fora de controle é gerado por um
processo sob controle) é muito caro ou difı́cil de investigar, poderá ser mais econômico
construir os gráficos com limites mais amplos, digamos 3,5σ ou até 4σ, se necessário.
Por outro lado, se o processo for rápido e economicamente investigado quando uma causa
especial for detectada, e o custo de produzir itens defeituosos for alto, limites mais estreitos
(2σ) deverão ser implantados.
• Cálculo da linha central e dos limites de controle
Os três pontos desenvolvidos anteriormente são de caráter geral e aplicáveis a todos os

tipos gráficos. O cálculo dos limites de controle e da linha central é considerado caso a
caso para cada tipo de gráfico e suas possı́veis variantes. Este capı́tulo aborda além da
construção do gráfico, questões relacionadas a tomada de decições em relação a aplicação
destes gráficos. Os tipos de gráficos, procedimentos para sua construção são ilustrados
com estudos de casos, que são exemplos reais.
• Indicação do estado do processo
A medida que os dados são registrados no gráfico e comparados com os limites de controle,
o comportamento dos pontos em relação aos limites de controle indicam se o processo está
“fora de controle”ou “sob controle”estatı́stico. A ocorrência de um processo ”fora de cont-
role estatı́stico”exige a tomada de ações (geralmente locais). Após isso, novas observações
devem ser coletadas e, se necessário, os limites de controle devem ser recalculados para
estudar a presença de outras eventuais causas especiais de variação.
• Determinação da capacidade do processo
Os limites de controle não são limites de especificação, mas refletem a variabilidade

natural do processo, quando ele funciona somente como indicadores de causas especiais
de variação. Depois que as causas especiais são eliminadas, a capacidade do processo
poderá ser avaliada. Para casos com variação excessiva por causas comuns, o processo
não será capaz de produzir consistentemente itens dentro das especificações. Neste caso,
ações gerenciais devem ser tomadas para melhoria do sistema.
A Figura 6.2 exemplifica os limites de controle e a linha central para o gráfico de X.
Figura 6.2: Exemplo do posicionamento dos limites de controle e da linha central para o gráfico
de X.
149
Capı́tulo 7
Gráficos de Controle por Variáveis
Muitas caracterı́sticas da qualidade podem ser expressas em termos de valores numéricos.

Por exemplo, o diâmetro de um anel pode ser medido com um micrômetro e expresso em termos
de milı́metros. Caracterı́stica da qualidade mensuráveis, como por exemplo, peso, dimensão e
volume são denominadas variáveis.
Em geral, na análise de uma caracterı́stica da qualidade que é uma variável, controla-se o
seu valor médio e a sua variabilidade. O valor médio é controlado através do gráfico da média
denominado gráfico X e a variabilidade do processo é acompanhada pelo gráfico do desvio
padrão denominado gráfico S ou gráfico da amplitude denominado gráfico R.
7.1 Gráficos X e R
Os gráficos X e R devem ser implementados simultaneamente, já que suas funções se
complementam. Um processo pode sair do controle por alterações no seu nı́vel ou na sua
dispersão. O gráfico tem por objetivo controlar a variabilidade no nı́vel do processo e detectar
a ocorrência de qualquer possı́vel mudança. Por outra parte, a dispersão de um processo pode
sofrer alterações por causas especiais, gerando defeitos, por exemplo, uma máquina cortadora
de placas que fica desajustada, talvez continue cortando com a média desejada, mas a falta de
ajuste se manifestará com um aumento da variabilidade, fato que será, provavelmente, detectado
pelo gráfico R de amplitude. O exemplo a seguir ilustra uma aplicação de gráficos X e R.
Exemplo 7.1. Dados do comprimento de peças em subgrupos de tamanho 5.

7. Gráficos de Controle por Variáveis 150
Tabela 7.1: Dados amostrais de comprimentos de peça

X1 X2 X3 X4 X5 X R
0,65 0,70 0,65 0,65 0,85 0,70 0,20
0,75 0,85 0,75 0,85 0,65 0,77 0,20
0,75 0,80 0,80 0,70 0,75 0,76 0,10
0,60 0,70 0,70 0,75 0,65 0,68 0,15
0,70 0,75 0,65 0,85 0,80 0,75 0,20
0,60 0,75 0,75 0,85 0,70 0,73 0,25
0,75 0,80 0,65 0,75 0,70 0,73 0,15
0,60 0,70 0,80 0,75 0,75 0,72 0,20
0,65 0,80 0,85 0,85 0,75 0,78 0,20
0,60 0,70 0,60 0,80 0,65 0,67 0,20
0,80 0,75 0,70 0,80 0,70 0,75 0,10
0,85 0,75 0,85 0,65 0,70 0,76 0,20
0,70 0,70 0,75 0,75 0,70 0,72 0,05
0,65 0,70 0,85 0,75 0,60 0,71 0,25
0,90 0,80 0,80 0,75 0,85 0,82 0,15
0,75 0,80 0,75 0,80 0,65 0,75 0,15
0,75 0,70 0,85 0,70 0,80 0,76 0,15
0,75 0,70 0,60 0,70 0,60 0,67 0,15
0,65 0,65 0,85 0,65 0,70 0,70 0,20
0,60 0,60 0,65 0,60 0,65 0,62 0,05
0,50 0,55 0,65 0,80 0,80 0,66 0,30
0,60 0,80 0,65 0,65 0,75 0,69 0,20
0,80 0,65 0,75 0,65 0,65 0,70 0,15
0,65 0,60 0,60 0,60 0,70 0,63 0,10
0,65 0,70 0,70 0,60 0,65 0,66 0,10
As seguintes etapas foram seguidas para a coleta das amostras e análise dos dados deste
exemplo:
1. Seleção da caracterı́stica de qualidade do processo, focada no cliente.
2. Registro das observações obtidas seguindo os critérios de amostragem racional. Neste

caso, foram selecionados 5 ı́tens por hora, durante m = 25 horas.
3. Cálculo da média amostral X , e da amplitude amostral R, para cada i = 1, 2, ..., m . Os

valores de X e de R, acompanham os valores em cada coluna.
4. Cálculo da média das médias amostrais e da média das amplitudes amostrais, os quais
são indicados, respectivamente, por X e R .
m
Soma das Médias Amostrais 1 X
X = = Xi
Número de Amostras m i=1
m
Soma das Amplitudes Amostrais 1 X
R = = Ri
Para os dados deste exemplo, tem-se:

m = Número de amostras = 25
n = Tamanho das amostras = 5
0, 70 + 0, 77 + . . . + 0, 66 17, 89
X = = = 0, 7156.
25 25
0, 20 + 0, 20 + . . . + 0, 10 4, 15
R = = = 0, 166.
25 25
7.1.1 Cálculo dos limites de controle
No Anexo 1, Apêndice ?? há uma relação completa das fórmulas a serem aplicadas e no
Anexo 2, Apêndice ?? há uma relação das constantes necessárias para os cálculos.
Para o Cálculo dos Limites de Controle destes dados utilizou-se as Amplitudes Amostrais
como Medida de Dispersão, dadas pela seguintes fórmulas:
• Para as médias:
– Limite superior de controle : LSC = X + A2 × R
– Linha Central: LC = X
– Limite inferior de controle: LIC = X − A2 × R

• Para as amplitudes:
– Limite superior de controle : LSC = D4 × R
– Linha Central: LC = R
– Limite inferior de controle: LIC = D3 × R
Exemplo 7.2. Voltando ao Exemplo 7.1, utilizando o Anexo 2 (Apêndice ??), temos
A2 = 0, 577; D3 = 0; D4 = 2, 114 (para n = 5)

Aplicando as fórmulas, obtemos
• Para a média:
– Limite superior: LSC = 0, 7156 + (0, 577 × 0, 166) = 0, 8113
– Linha central: LC = 0, 7156
– Limite inferior: LIC = 0, 7156 − (0, 577 × 0, 166) = 0, 6198
• Para a amplitude:
– Limite superior: LSC = 2, 114 × 0, 166 = 0, 3509
– Limite inferior: LIC = 0
7.1.2 Disposição dos pontos nos gráficos X e R
Após calcular as Linhas Centrais e os Limites Inferiores e Superiores de Controle para

os gráficos X e R é possı́vel dispor os pontos, que representam as médias amostrais no gráfico
para X e as amplitudes amostrais no gráfico para R, respectivamente.
Para facilitar a análise dos resultados é também recomendável colocar os gráficos um abaixo
do outro, e marcar os pontos correspondentes a uma mesma amostra na mesma reta vertical.
Figura 7.1: Gráfico X e R.

7.1.3 Objetivos e interpretação dos gráficos X e R
Estes gráficos são usados com o objetivo de identificar qualquer evidência de que a média
do processo e sua dispersão não estejam operando em nı́veis estáveis. Neste sentido, os limites
de controle podem ser interpretados da seguinte forma, para o caso em que a variabilidade item
a item e o nı́vel do processo forem estáveis, as médias amostrais e as amplitudes amostrais
terão uma variação aleatória, que pode ser estimada pelas informações contida nos valores
observados de X e R, em decorrência de causas comuns de variabilidade e não decorrentes de
causas especiais, as quais envolvam somente alguns grupos de observações.
Na situação em que somente causas comuns estejam presentes, a chance de um subgrupo
ter uma amplitude amostral R e (ou) uma média amostral X fora de seus respectivos limites
de controle, pode ser estabelecida com precisão utilizando-se regras estatı́stica. Usualmente se
escolhem os limites para que, num processo sob controle, a chance de uma amplitude amostral
ter um valor fora dos limites de controle seja menor do que 1% e a chance disso acontecer com
a média amostral seja menor do que 0, 27%. Estas percentagens correspondem (aproximada-
mente) a uma escolha de limites a uma distância de 3σ da linha média.
Conseqüentemente, se um ou mais pontos estão fora dos limites de controle, seja no gráfico
X ou R, ou outro padrão de não aleatoriedade indica sinal de alerta de que o processo não
está sob controle estatı́stico. Esta suspeita baseia-se no fato de que, para um processo sob
controle, esses padrões de não aleatoriedade, como por exemplo pontos fora dos limites, é um
evento muito raro, mais precisamente, tem uma probabilidade muito pequena de acontecer. A
determinação dos limites de controle envolve, portanto, a determinação da probabilidade de
um padrão de não aleatoriedade, como por exemplo, um ponto cair fora dos limites de controle
estando o processo sob controle estatı́stico.
A escolha de 3σ para determinar a distância dos limites de controle à linha média não é a
única, mas é utilizada com mais frequência. Poderia ser escolhido, por exemplo, construir os
limites a uma distância de 2, 5σ ou de 4σ, caso fosse possı́vel justificar. Quanto mais próximos
estejam os limites da linha central mais freqüentemente um processo “sob controle” gerará ob-
servações que determinem pontos fora dos limites, representando nestes casos “falsos alarmes”.
Por outro lado, se os limites de controle se encontrarem mais afastados da linha média, por
exemplo, a 3, 5σ ou 4σ de distância, menor será a probabilidade de detecção de causas especiais,
desde que a freqüência de pontos fora destes limites seja menor.
Um dos objetivos da aplicação dos gráficos de controle é testar se um processo, não co-
nhecido, encontra-se sob controle estatı́stico e caso o processo seja diagnosticado “fora de con-
trole”, orientar as ações para levar o processo ao estado de controle. Para atingir tais objetivos
procede-se da seguinte maneira:
1. Dispostos todos os pontos correspondentes às médias amostrais e às amplitudes amostrais,
nos respectivos gráficos e não existindo nenhum padrão de não aleatoriedade, o processo
é considerado “sob controle”.
2. Se algum ponto fora dos limites de controle ou qualquer outro padrão de não aleatoriedade
é verificado, então considera-se que causas especiais de variação estão presentes. Estas
causas deverão ser anlaisadas e corrigidas. Depois de corrigidas as causas que determinam
o padrão de não aleatoriedade, novos limites e novas linhas centrais são calculadas, para
isso, deve-se retirar os elementos responsáveis pelo pradão de s elementos da amostra que
determinam o padrão de não aleatoriedade. Este processo deve ser repetido interativa-
mente até que nenhum padrão de não aleatoriedade seja encontrado. Neste momento,
consideramos que o processo atingiu o estado de controle é possı́vel aplicar os gráficos
como instrumento para monitorar o processo e realizar melhorias contı́nuas.
7.2 Definindo sinais “fora de controle”

A presença de um ou mais pontos além dos limites de controle é a primeira evidência de
uma causa especial de variação neste ponto. A causa especial poderia ter ocorrido em algum
instante anterior.
Desde que os pontos fora dos limites de controle surjam somente se a variação comum
estiver presente, a suposição de que uma causa especial seja contada como um valor extremo.
Entretanto, qualquer ponto além dos limites de controle é um sinal para operação de casos
especiais.
Um ponto fora dos limites de controle em muitos casos significa que um ou mais dos pontos
seguintes ocorre:
• O limite de controle ou o ponto no gráfico pode ter sido calculado errado ou plotado de
maneira duvidosa;
• O sistema de medição foi alterado, isto é, um avaliador diferente ou instrumento;
• O sistema de medição não discrimina de maneira apropriada.

Para cartas de controle que lidam com propagação, um ponto abaixo do limite de controle
inferior, costuma significar um dos pontos a seguir:
• Os limites de controle ou os pontos plotados estão errados;
• A propagação da distribuição diminuiu, ou seja, o processo está melhorando;
• O sistema de medição foi alterado, existindo uma possibilidade de que os dados foram
alterados.
Um ponto além dos limites de controle é geralmente um sinal de que o processo mudou
naquele ponto ou ainda, faz parte de uma tendência.
Quando a amplitude está sob controle estatı́stico, o processo se espalha e as variações dentro
dos subgrupos são consideradas estáveis. As médias podem ser analisadas para verificar se o
processo está mudando ao longo do tempo. Os limites para os gráficos de X̄ são baseados no
montante da variação das amplitudes, desta maneira, se as médias estão sob controle estatı́stico,
suas variações estão relacionadas as variações totais vistas nas cartas de amplitude (um caso
comum da variação do sistema). Se as médias estão fora de controle algumas causas especiais
das variações estão fazendo o processo instável localmente.
Existem muitos critérios para identificar causas especiais. Os mais usados serão discutidos a
seguir. A decisão de qual critério usar depende do processo que está sendo estudado/controlado.
Nota 1: Com exceção feita ao primeiro critério, os números associados com os critérios
não estabelecem uma ordem de uso. A determinação de qual critério usar depende das carac-
terı́sticas do processo e das causas especiais e prioridades com o processo.
Nota 2: Deve-se ter cuidado ao se aplicar muitos critérios, exceto naqueles em que fez
sentido o uso de determinado critério.
Devemos lembrar que nem todas as considerações citadas, para interpretação de controle
podem ser aplicadas no “chão de fábrica”. Muitas destas análises detalhadas podem ser feitas
com cuidado e não em tempo real. Isto implica na necessidade para os eventos do processo
serem anotados, para fazermos estas análises depois de cada evento.
Outra consideração a ser feita diz respeito ao treinamento dos operadores. A aplicação de
um novo critério, que deve ser usado no “chão de fábrica”, nunca deve ser implementado antes
de que os operadores estejam propriamente treinados. Com tempo e experiência o operador irá
reconhecer estes padrões em tempo real.
Portanto, concluiremos que um processo está fora de controle se um ou mais dos critérios
listados abaixo forem encontrados nos gráficos de controle. Os critérios são:
• 1 ponto mais do que 3 desvios padrão, a partir da linha central;
• 7 pontos consecutivos no mesmo lado da linha central;
• 6 pontos consecutivos, todos aumentando ou diminuindo;
• 14 pontos consecutivos, alternando acima e abaixo;
• 2 de 3 pontos consecutivos maior que 2 desvios padrão a partir da linha central (mesmo
lado);
• 4 de 5 pontos consecutivos maior que 1 desvio padrão a partir da linha central (mesmo
lado);
• 15 pontos consecutivos dentro de 1 desvio padrão da linha central (qualquer lado);
• 8 pontos consecutivos maior que 1 desvio padrão a partir da linha central (qualquer lado);
A seguir serão ilustrados alguns exemplos dos testes.
Figura 7.2: Exemplo de 1 ponto mais do que 3 desvios padrão da linha central.
Figura 7.3: Exemplo de 7 pontos em sequência a partir da linha central.

Figura 7.4: Exemplo de 14 pontos em sequência, alternando-se ao longo da linha central.
Figura 7.5: Exemplo de 2 de 3 pontos consecutivos, do mesmo lado da LC, maiores que 2
desvios padrão.
Figura 7.6: Exemplo de 7 pontos, em linha, crescentes.
7.3 Average Run Length (ARL)

As seções anteriores definem que as decisões baseadas nas cartas de controle devem
equilibrar os riscos dos erros de Tipo I, que representa o controle exessivo ou alarme falso ou
então os erros de Tipo II, que é o controle inadequado. Uma medida que permite verificar este
equilı́brio é chamada Average Run Length (ARL).
O ARL é entendido como o número esperado de amostras ou subgrupos até o primeiro
ponto sinalisar uma condição fora de controle. A presença de um ponto fora de controle pode
ser um alarme falso ou um sinal de que o processos está fora de controle, após um desvio médio
do valor esperado. Para verificar este ponto fora de controle é preciso que o tempo necessário
seja considerado. Se o processo está sob controle estatı́stico, este tempo esperado deve ser
pequeno para que o ponto fora de controle seja observado rapidamente. Desta forma, o cálculo
de Average Run Length para um processo sob controle é dado por
1
ARL = .
P rob (Erro T ipo I)
Um ARL de 400 significa que existiram em média, cerca de 400 amostras ou subgrupos
tomados antes da ocorrencia de um ponto fora de controle.
A tabela a seguir apresenta valores de ARL aproximados para os padrões das cartas de
controle de Shewhart X, dentro dos limites de ± 3σX que definem os sinais de fora de controle.
Tabela 7.2: Valores de ARL dentro dos limites ±3σX

Variação do Alvo
σX ARL
0,0 370,40
0,1 352,90
0,2 308,40
0,3 253,10
0,5 155,20
1,0 43,90
1,5 15,00
2,0 6,30
3,0 2,00
4,0 1,20
Verifica-se na Tabela 7.2, por exemplo, que existiram aproximadamente 353 amostras antes
da ocorrência de um ponto fora de controle, com variação de 0, 1σ da média. Da mesma forma
que existiram aproximadamente 2 amostras ou subgrupos, antes da ocorrência de um ponto
fora de controle, com variação de 4σ da média.
Além disso, verifica-se na Tabela 7.2, que a cada 370 amostras não ocorrem variações. Este
comportamento mostra que um falso alarme pode ser indicado por um processo que permanece
sob controle estatı́stico para este número de amostras.
Na prática, quando σX = √σ , a magnitude da mudança pode ser reduzida diminuindo o

n
número de itens em cada subgrupo. Subgrupos muito grandes reduzem o tamanho de σX e

estreitam os limites de controle em torno de X.
Altenativamente, os ARL’s podem ser reduzidos considerando outros critérios de para
avaliação da condição fora de controle. Outros sinais, como testes e padrões de análise ao
longo dos limites de controle reduzirão o tamanho dos ARL’s.
Considerando a mesma carta da Tabela 7.2 e acrescentando o critério de 7 pontos consecu-
tivos do mesmo lado da linha central, a Tabela 7.3 apresenta as aproximações para os valores
dos ARL’s nesta nova condição.
Tabela 7.3: Valores de ARL com adição de um novo critério

Variação do Alvo
0
σX s ARL
0,0 59,8
0,1 53,9
0,2 41,8
0,3 30,8
0,5 17,9
1,0 8,7
1,5 6,9
2,0 6,1
3,0 2,00
4,0 1,20
Verifica-se na Tabela 7.3 que a adição de um critério de fora de controle reduz significativa-
mente os valores dos ARL’s para pequenas mudanças na média, o que permite reduzir o risco
do erro de Tipo II. Neste caso, verifica-se que a cada 60 amostras aproximadamente, o processo
não muda, o que aumenta o risco do erro do Tipo I ou alarme falso.
O equilı́brio entre esperar um longo ARL quando o processo está sob controle contra um
ARL curto quando existe uma mudança no processo possibilita a utilização de outros tipos de
cartas de controle.
7.4 Gráficos X e S
A principal diferença na aplicação do gráfico X e S é no cálculo da estimativa de σ. Neste
caso, esta estimativa é obtida pelo cálculo do desvio padrão amostral. Para isso, é preciso que
o tamanho das amostras ou subgrupos sejam grandes, > 10 ou 12. Além disso, o tamanho das
amostras e subgrupos pode ser variável.
Do ponto de vista prático, a aplicação deste gráfico pode ser inviável para dados que não
são coletados de forma eletrônica, pois, o operador deve calcular os desvios padrão para cada
ponto.
O Exemplo 7.4 mostra uma de suas aplicações.
Exemplo 7.3. Diâmetro de pinos com subgrupos de tamanho 10.
Tabela 7.4: Conjunto de dados do diâmetro de pinos

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X S
9,8323 10,4735 9,5178 10,8361 9,9201 9,6272 10,0284 9,6664 9,3373 10,9362 10,0175 0,55318
9,0219 10,6217 10,6176 11,4604 8,9944 10,1264 10,3556 9,6835 9,9313 10,5404 10,1353 0,761914
10,7431 10,9621 9,4968 10,17 8,9321 9,6742 10,2471 9,7774 10,0575 10,5816 10,0642 0,616226
10,0543 11,0115 10,4363 11,4068 10,1321 11,3897 9,9963 9,8184 10,4614 10,4651 10,5172 0,570725
9,6915 11,2257 9,8063 10,7478 10,1048 11,1482 10,1624 9,9117 9,9081 10,6442 10,3351 0,563576
9,9209 10,0309 10,5285 10,9878 9,8168 10,1317 10,0633 11,1288 11,2937 9,7451 10,3648 0,577304
9,6343 11,0474 9,8212 11,1468 9,115 10,7762 9,7394 10,0534 9,7941 11,6617 10,2789 0,820564
10,2035 10,4941 11,2188 10,515 9,415 10,7148 9,5438 10,1777 9,1048 10,4412 10,1829 0,648981
10,6667 10,7832 10,2442 11,6138 10,0163 10,0467 8,9035 10,9109 9,523 11,1139 10,3822 0,80025
10,4892 10,6291 10,6905 11,387 10,1746 9,5808 9,6638 11,0216 9,8581 10,6037 10,4099 0,587224
10,6649 11,1688 11,0198 9,8607 9,5741 10,2868 10,139 10,0186 10,6223 11,6381 10,4993 0,643626
10,5682 10,5393 10,1765 10,1989 10,75 10,0564 10,9785 10,5446 9,1627 10,2037 10,3179 0,49849
10,8432 9,1263 9,9808 11,2966 9,385 11,5448 10,6659 9,9193 10,417 10,9449 10,4124 0,798371
9,6101 9,8 10,4167 10,4374 9,5798 10,3382 9,9084 10,0147 9,758 9,9967 9,986 0,318545
10,1325 10,8271 10,507 10,4371 10,8779 10,8975 8,9913 10,1882 10,5538 10,3392 10,3752 0,557085
10,3702 11,2328 9,7624 10,4681 9,9547 9,7824 9,7726 10,6453 9,8423 10,868 10,2699 0,527025
9,5008 9,5963 10,349 12,0111 10,1694 10,877 9,8602 9,7677 9,8443 11,1214 10,3097 0,800851
9,8528 10,0426 10,0269 10,7828 10,1054 9,9032 10,2323 10,7983 9,6603 10,9406 10,2345 0,447079
10,4005 10,7238 11,0019 10,4417 10,2053 10,0774 9,7682 9,7861 10,2386 10,3 10,2943 0,381718
9,7635 11,202 9,5674 10,1705 9,7851 10,3353 10,2331 10,3768 10,8271 10,4101 10,2671 0,495618
10,3412 10,1655 10,0494 11,4595 10,4515 10,326 10,8081 9,8483 9,7066 9,7909 10,2947 0,529544
10,2931 9,9962 9,7957 10,759 10,9442 10,3623 9,7833 9,006 11,1923 10,1037 10,2236 0,640651
10,2808 10,8858 10,2942 10,912 10,8164 9,8223 9,8758 9,1255 9,7107 9,8788 10,1602 0,587044
9,8984 11,0424 10,3988 11,0127 9,2655 10,2082 9,8238 9,8925 10,3074 9,9735 10,1823 0,544631
9,4126 11,9882 9,3897 10,9499 10,1394 9,7375 10,0704 9,9912 9,9054 10,9421 10,2526 0,811347
10,2554 9,6405 10,6678 10,6074 9,7188 11,1229 9,6877 10,8275 8,976 11,1306 10,2634 0,727567
9,763 11,4587 10,5735 10,3049 10,5277 11,0722 9,8399 9,6746 9,7708 10,1013 10,3087 0,603275
10,939 10,3562 10,7339 11,1043 10,0477 10,531 11,0688 9,802 10,2629 10,2776 10,5123 0,44141
1. Seleção da caracterı́stica de qualidade do processo é focada no cliente.
2. Registro das observações obtidas seguindo os critérios de amostragem racional. No exem-

plo foram escolhidos 10 itens por hora durante m = 28 horas.
3. Cálculo da média amostral X , e do desvio padrão amostral S, para cada i = 1, 2, ..., m

das m amostras escolhidas. Os valores de X e de S, estão dispostos nas duas últimas
colunas da tabela.
4. Cálculo da média das médias amostrais e da média dos desvios padrão amostrais, os quais
são indicados, respectivamente, por X e S .
m
Soma das Médias Amostrais 1 X
X = = Xi
m
Soma dos Desvios Padrão Amostrais 1 X
S = = Si
Em nosso exemplo temos:

m = Número de amostras = 28
n = Tamanho das amostras = 10
10, 0175 + . . . + 10, 5123 287, 8521

X = = = 10, 2804
28 28
0, 553180 + . . . + 0, 441410 16, 853821
S = = = 0, 601922
28 28
7.4.1 Cálculo dos limites de controle
Em Apêndice ?? (Anexo ??) encontram-se as fórmulas e constantes necessárias para os

cálculos.
Para o Cálculo dos Limites de Controle usaremos os Desvios Padrão Amostrais como Medida
de Dispersão, com as seguintes fórmulas
• Para as médias:
– Limite superior de controle : LSC = X + A3 × S
– Linha Central: LC = X
– Limite inferior de controle: LIC = X − A3 × S
• Para os desvios padrão:
– Limite superior de controle : LSC = B4 × S
– Linha Central: LC = S
– Limite inferior de controle: LIC = B3 × S
Exemplo 7.4. Voltando ao Exemplo 7.4, utilizando o Anexo (Apêndice ??), obtemos
A3 = 0, 975; B3 = 0, 284; B4 = 1, 716 (para n = 10).
Aplicando as fórmulas, obtemos
• Para a média:
– Limite superior: LSC = 10, 2804 + 0, 975 × 0, 601922 = 10, 86727395
– Limite inferior: LIC = 10, 2804 − 0, 975 × 0, 601922 = 9, 69352605
• Para o desvio padrão:
– Limite superior: LSC = 1, 716 × 0, 601922 = 1, 032898152
– Limite inferior: LIC = 0, 284 × 0, 601922 = 0, 170945848
7.4.2 Disposição dos pontos nos gráficos X e S
Tendo calculado as Linhas Centrais e os Limites Inferiores e Superiores de Controle

para os gráficos X e S, estamos em condições de dispor os pontos que representam as médias
amostrais (no gráfico para X) e os desvios padrão amostrais (no gráfico para S), respectiva-
mente.
Para facilitar a análise dos resultados é recomendável colocar ambos os gráficos um abaixo
do outro, e marcar os pontos correspondentes a uma mesma amostra na mesma reta vertical .
Exemplo 7.5. Considere um processo de usinagem de um pino, onde o diâmetro é medido em

subgrupos de 5 peças ao longo do tempo, conforme a Tabela 7.4. Faça os gráficos de X e S.
Para o Cálculo dos Limites de Controle usaremos os Desvios Padrão Amostrais como Medida
de Dispersão, com as seguintes fórmulas
A3 = 0, 975; B3 = 0, 284; B4 = 1, 716 (para n = 10);
X = 10, 2804;
S = 0, 601922
Para as médias:
LSC = X + A3 × S = 10, 2804 + 0, 975 × 0, 601922 = 10, 86
LC = X = 10, 2804
LIC = X − A3 × S = 10, 2804 − 0, 975 × 0, 601922 = 9, 69
Para os desvios padrão:
LSC = B4 × S = 1, 716 × 0, 601922 = 1, 03
LC = S = 0, 601922
LIC = B3 × S = 0, 284 × 0, 601922 = 0, 171
Figura 7.7: Gráfico X e S para os dados do Exemplo 7.4.

Nota-se nos gráficos, que todos os pontos estão dispostos dentro dos limites de controle.
Porém, noo gráfico de X verifica-se um perı́odo de variação aleatória seguido de um perı́odo
com pouca variação aleatória, o que indica, por exemplo, que algo relacionado ao operador
pode ter ocorrido neste perı́odo.
7.5 Gráficos para valores individuais e amplitudes mó-

veis: X e M R
Há muitas situações onde o tamanho da amostra usado para o controle do processo
é n = 1. Assim, por exemplo, na fabricação de aço, celulose e outros elementos quı́micos,
o controle do processo é realizado retirando-se amostras de uma unidade para se medir, por
exemplo, PH, viscosidade, etc.
Isso também ocorre, quando a taxa de produção é muito baixa para avaliar amostras com
tamanhos maiores do que 1 ou quando medidas diferem somente por causa de erros nos testes
de laboratório.
Como não é possı́vel estimar a variabilidade por meio da amplitude ou do desvio padrão,
para amostras de tamanho 1, então, neste caso, usa-se uma estimativa a amplitude móvel de
duas (ou mais) observações sucessivas.
Para a construção deste gráfico, primeiramente deve-se verificar se os dados tem distribuição
normal. Para isso, pode-se fazer uma análise gráfica, por meio de um histograma e também
verificar a normalidade por meio de um teste, como por exemplo, o teste de Anderson-Darling.
O cálculo dos limites de controle para este tipo de gráfico é feito da seguinte forma:
• Para os valores individuais (X):
3M R
– LSC = X + d2
= X + E2 × M R
– LC = X
3M R
– LIC = X − d2
= X − E2 × M R
• Para as amplitudes móveis (M R):
– LSC = D4 × M R
– LC = M R
– LIC = D3 × M R
onde:
m
1 X
M R = Média das Amplitudes Móveis = M Ri
m i=1
M Ri = |xi − xi−1 |, i = 2, . . . , m
3
E2 =
d2
d2 , D3 e D4 encontram-se tabelados em Apêndice ??, (Anexo ??) em função do número de

valores tomados para o cálculo das amplitudes móveis.
Exemplo 7.6. Os Gráficos X e M R para os dados da Tabela 7.5 são construı́dos da seguinte
forma:
Tabela 7.5: Dados de viscosidade

Lote Viscosidade Amplitude Móvel
1 33,75 -
2 33,05 0,70
3 34,00 0,95
4 33,81 0,19
5 33,46 0,35
6 34,02 0,56
7 33,68 0,34
8 33,27 0,41
9 33,49 0,22
10 33,20 0,29
11 33,62 0,42
12 33,00 0,62
13 33,12 0,12
14 34,84 1,72
15 33,79 1,05
16 33,85 0,06
17 34,05 0,20
18 34,02 0,03
19 33,89 0,13
20 34,12 0,23
21 34,10 0,02
22 33,99 0,11
23 34,11 0,12
x = 33,75 M R = 0,40
Utilizando o Anexo ??, temos

d2 = 1, 128; E2 = 2, 6595; D3 = 0; D4 = 3, 267 (para n = 2).
• Para os valores individuais (X):
– LSC = 33, 75 + 2, 6595 × 0, 40 = 34, 82
– LC = 33, 75
– LIC = 33, 75 − 2, 6595 × 0, 40 = 32, 68
• Para as amplitudes móveis (M R)
– LSC = 3, 267 × 0, 40 = 1, 31
– LC = 0, 40
– LIC = 0
Figura 7.8: Gráfico X e M R para os dados do Exemplo 7.6.
Nota-se em ambos os gráficos X e M R que existe um ponto fora dos limites de controle
indicando a presença de uma causa especial de veriação. Nota-se também, que este ponto fora
do limite de controle desencadeou uma sequência nos valores médios observados em seguida.
Exemplo 7.7. Neste exemplo é realizado um estudo de CEP usando as cartas de controle X e
M R, para dados referentes a gramatura de papéis.
Lote Gramatura (g/m2 ) Rm

1 88,20 -
2 88,90 0,70
3 90,50 1,60
4 90,30 0,20
5 90,00 0,30
6 90,20 0,20
7 91,20 1,00
8 91,00 0,20
9 91,50 0,50
10 91,40 0,10
11 91,30 0,10
12 90,20 1,10
13 91,40 1,20
14 89,90 1,50
15 90,20 0,30
16 90,10 0,10
17 90,80 0,70
18 91,40 0,60
19 91,30 0,10
20 89,00 2,30
21 90,70 1,70
22 89,50 1,20
23 91,20 1,70
24 90,50 0,70
25 90,60 0,10
Média 90,45 0,76
Resolução:
Inicialmente calculamos os valores para X e M R
X = 90, 45
m
1 X
MR = |xi − xi−1 | = 0, 758333
m i=2
Os dados da tabela d2 ,
3
d2 = 1, 128; E2 = = 2, 6595; D3 = 0; D4 = 3, 267 (para n = 2).
d2
Para os valores individuais (X):
3M R 3 × 0, 75833
LSC = X + = X + E2 × M R = 90, 45 + = 92, 46
d2 1, 128
LC = X = 90, 45
3M R 3 × 0, 75833
LIC = X − = X − E2 × M R = 90, 45 − = 88, 433
d2 1, 128
Para as amplitudes móveis (M R)
LSC = D4 × M R = 3, 267 × 0, 758333 = 2, 47747
LC = M R = 0, 758333
LIC = D3 × M R = 0, 00 × 0, 758333 = 0, 000
Figura 7.9: Gráfico X e M R para os dados do Exemplo 7.7.
Verifica-se que no gráfico da Amplitude, todos os valores estão dentro do limite de controle
e apresentam um corportamento aleatório. Porém, no gráfico de valores individuais, a primeira
observação encontra-se fora do limite de controle, sendo que, os pontos subsequêntes apresentam
variação alatória.

172
Capı́tulo 8
Gráficos de Controle por Atributos
Muitas caracterı́sticas da qualidade não podem ser expressas em termos de valores

numéricos. Por exemplo, dizer se uma peça é ou não defeituosa. Caracterı́sticas deste tipo
são denominadas atributos.
8.1 Gráfico p (para proporção ou fração de defeituosos)

A fração de defeituosos p se define como o número de itens defeituosos (não conformes)
na amostra dividido pelo número de ı́tens da amostra. O valor amostral de p registra-se como
uma fração do tamanho do subgrupo.
A fração de defeituosos p poderá estar referida a amostras de tamanhos fixos n coletadas
regularmente, ou também poderá se referir ao 100% da produção num determinado intervalo
de tempo (por exemplo, uma hora, um dia, etc.). Isso significa que os subgrupos podem, em
princı́pio, ter tamanho variável. Como consequência da variabilidade do tamanho amostral os
limites de controle também terão amplitude variável.
A caracterização de um item como defeituoso ou não defeituoso poderá depender da ob-
servação de uma ou de várias caracterı́sticas de qualidade. Neste caso o item poderá ter vários
tipos de defeitos, e, em muitas circunstâncias, será relevante a classificação dos defeitos por
importância diferenciada, sugerindo a utilização de gráficos por demérito.
A construção dos gráficos p (e também os gráficos np) tem por base a distribuição binomial.
Para um processo que, quando operado sob controle, tem uma probabilidade p0 de gerar um
item defeituoso, numa amostra de tamanho n, o número de defeituosos que ela gerará, que
indicaremos por D, será uma variável aleatória, com média e desvio padrão dados por:
• Média de D = E(D) = np0

8. Gráficos de Controle por Atributos 173
p
• Desvio padrão de D = σ = np0 (1 − p0 )
Consequentemente, como a fração amostral p de defeituosos é p = D/n, verifica-se que :
• Média de p = E(p) = p0
r
p0 (1 − p0 )
• Desvio padrão de p = σp =
n
Na situação em que a fração de defeituosos produzidos por um processo é conhecida, ou
deseja-se aplicar um valor padrão determinado por critérios gerenciais (que indicaremos em
ambos os casos por p0 ) a Linha Central e os Limites de Controle são determinados, quando o
tamanho n das amostras é constante, na forma:
r
0 p0 (1 − p0 )
LSC = p + 3
n
LC = p0
r
0 p0 (1 − p0 )
LIC = p − 3 .
n
Nota: Como foi dito anteriormente, em muitas circunstâncias, as amostras consistem na

produção de um determinado perı́odo de tempo (uma hora, um dia, etc). Nestes casos o
número de elementos na amostra, que indicaremos por n, é variável, o que leva a definir limites
de controle de amplitude variável desde que depende do tamanho amostral. Para sublinhar a
dependência do desvio padrão com respeito a amostra, este será indicado por i. A definição de
limites variáveis permite preservar a porcentagem das vezes que, num processo sob controle, os
pontos caı́rem fora dos limites de controle.
As fórmulas a serem aplicadas no caso de tamanho amostral variável são :
s
p0 (1 − p0 )
σi =
ni
onde ni = tamanho da i-ésima amostra.
Como conseqüência, os limites de controle (para a i-ésima amostra) serão:
s
p0 (1 − p0 )
LSC = p0 + 3
ni
s
p0 (1 − p0 )
LIC = p0 − 3 .
ni
No caso em que o tamanho das amostras n, for variável, se a variação não for muito grande,
por exemplo da ordem de 20%, uma outra opção é determinar o tamanho amostral médio n, e
definir os limites com este valor.
Assim definindo
(n1 + . . . + nm )
n=
m
onde ni = tamanho da i -ésima amostra e m é o número de amostras.
Os limites de controle serão:
r
0 p0 (1 − p0 )
LSC = p + 3
r n̄
p (1 − p0 )
0
LIC = p0 − 3 .
n̄
Analogamente aos gráficos X e R, os gráficos p, para fração de defeituosos, podem ser

construı́dos para a fase em que o processo não atingiu ainda o estado de controle e/ou quando
não existe um valor p0 a ser utilizado como valor nominal. Neste caso utiliza-se a informação
contida nas amostras para o cálculo de p ou média das proporções amostrais de defeituosos.
Isto é:
(p1 + p2 + . . . + pm )
p=
m
onde pi = proporção de defeituosos na i-ésima amostra, e m = número de amostras.
No caso em que o tamanho das amostras n, for variável, p deve ser calculado da seguinte
forma:
Pm
i=1 Di
p = P30
i=m ni
Assim, os limites de controle (de amplitude 3σ) e linha média são definidos por:
r
p(1 − p)
LSC = p + 3
n
LC = p
r
p(1 − p)
LIC = p − 3 .
n
Exemplo 8.1. Uma fábrica de suco de laranja apresentou os seguintes dados quanto ao número
de latas amassadas (defeituosas). Tamanho da Amostra n = 50. Veja a Tabela 8.1.
Tabela 8.1: Latas amassadas na fábrica de suco de laranja

Amostras Número de defeituosos Di Fração de defeituosos pi
1 12 0,24
2 15 0,3
3 8 0,16
4 10 0,2
5 4 0,08
6 7 0,14
7 16 0,32
8 9 0,18
9 14 0,28
10 10 0,2
11 5 0,1
12 6 0,12
13 17 0,34
14 12 0,24
15 22 0,44
16 8 0,16
17 10 0,2
18 5 0,1
19 13 0,26
20 11 0,22
21 20 0,4
22 18 0,36
23 24 0,48
24 15 0,3
25 9 0,18
26 12 0,24
27 7 0,14
28 13 0,26
29 9 0,18
30 6 0,12
Pn Pm
i=1 pi i=1 pi 6, 94
p = = = = 0, 2313
m 30 30
Notação: Aqui considera-se ni como sendo o tamanho de cada amostra, e n o número de
amostras. Para este exemplo ni = 50 para todo i (tamanhos iguais) e n = 30.

Verificação para grandes amostras:
ni p = 50 (0, 2313) = 11, 565 ≥ 5
ni (1 − p) = 50 (0, 7687) = 38, 435 ≥ 5
Gráfico p
• Limite Superior:
s
p (1 − p)
LSC = p̄ + 3
ni
r
(0, 2313) (0, 7687)
= 0, 2313 + 3
50
= 0, 41
• Linha Central:
LC = p = 0, 2313
• Limite Inferior:
s
p (1 − p)
LIC = p − 3
ni
r
(0, 2313) (0, 7687)
= 0, 2313 − 3
50
= 0, 052
Veja Figura 8.1.

Figura 8.1: Gráfico p.
Verifica-se no gráfico de proporção para refugo, que os pontos 15 e 23 encontram-se fora

do limite de controle indicando a existência de causas especiais de variação. Após a análise
destes pontos, eles foram retirados da amostras e novos limites de controle foram calculados,
da seguinte forma:
P28
i=1 pi 6, 02
p = = = 0, 215.
28 28
Assim, os limites de controle são:
s
p (1 − p)
LSC = p + 3
ni
r
(0, 215) (0, 785)
= 0, 215 + 3 = 0, 215 + 0, 174
50
= 0, 389
• Linha Central:
LC = p = 0, 215
s
p (1 − p)
LIC = p − 3
ni
r
(0, 215) (0, 785)
= 0, 215 − 3
50
= 0, 041
A Figura 8.2 apresenta o gráfico sem os pontos 15 e 23 e com os limites de controle

revisados.
Figura 8.2: Gráfico P , com os limites revisados.
Nota-se que, apesar da retirada dos pontos fora dos limites de controle e o cálculo dos
limites de controle revisados, ainda existe um ponto fora do limite, indicando a presença de
causa especial de variação. Após a tomada de uma ação para correção desta causa especial,
novos dados foram coletados e um novo gráfico foi gerado. Estes novos dados são mostrados
na tabela a seguir.
Tabela 8.2: Dados adicionais

Amostras Número de Defeituosos Di Fração de Defeituosos
31 9 0,18
32 6 0,12
33 12 0,24
34 5 0,1
35 6 0,12
36 4 0,08
37 5 0,1
38 3 0,05
39 7 0,14
40 6 0,12
41 2 0,04
42 4 0,03
43 3 0,04
44 6 0,12
45 5 0,1
46 4 0,03
47 8 0,16
48 5 0,1
49 6 0,12
50 7 0,14
51 5 0,1
52 6 0,12
53 3 0,06
54 4 0,03
Tabela 8.3: Dados adicionais
Os limites de controle para os novos dados são:
• Linha Central:
LC = p̄ = 0, 1092
s
p̄ (1 − p̄)
LSC = p̄ + 3
ni
r
(0, 109166667) (0, 890833333)
= 0, 109166667 + 3
24
= 0, 241472657
s
p̄ (1 − p̄)
LIC = p̄ + 3
ni
r
(0, 109166667) (0, 890833333)
= 0, 109166667 − 3
24
= 0
A Figura 8.3 mostra o gráfico contruı́do para os novos dados.
Figura 8.3: Gráfico p, com dados adicionados.
Verifica-se no gráfico da Figura 8.3,que após a ação sobre a causa especial de variação
seguida da coleta de novos dados, o processo encontra-se sob controle estatı́stico.
Exemplo 8.2. Temos a seguir dados sobre defeitos de inclusão de areia de moldes de eixo-
comando.
Tabela 8.4: Defeitos de inclusão de areia

Amostras Total Fundido ni Defeitos de inclusão Di Proporções pi LIC LSC
1 1536 33 0,021 0,008407117 0,029202557
2 1536 49 0,032 0,008407117 0,029202557
3 1536 31 0,020 0,008407117 0,029202557
4 1536 52 0,034 0,008407117 0,029202557
5 1536 30 0,019 0,008407117 0,029202557
6 1536 26 0,017 0,008407117 0,029202557
7 1520 51 0,033 0,008352535 0,029257139
8 1488 25 0,017 0,008240743 0,029368931
9 1344 41 0,030 0,007689206 0,029920468
10 944 18 0,019 0,005541655 0,032068019
11 1152 22 0,019 0,006798584 0,03081109
12 1152 13 0,011 0,006798584 0,03081109
13 1683 13 0,008 0,00887158 0,028738094
14 1700 25 0,015 0,008921371 0,028688303
15 1700 62 0,036 0,008921371 0,028688303
16 1870 15 0,008 0,009381322 0,028228352
17 1140 30 0,026 0,006735558 0,030874116
18 1152 26 0,022 0,006798584 0,03081109
19 1140 4 0,003 0,006735558 0,030874116
20 1128 23 0,020 0,00667153 0,030938144
21 1152 10 0,009 0,006798584 0,03081109
22 1128 6 0,005 0,00667153 0,030938144
23 1152 21 0,018 0,006798584 0,03081109
24 1152 21 0,018 0,006798584 0,03081109
25 1152 7 0,006 0,006798584 0,03081109
26 1152 22 0,019 0,006798584 0,03081109
27 1152 23 0,0199 0,006798584 0,03081109
28 1140 16 0,0140 0,006735558 0,030874116
29 1140 15 0,0131 0,006735558 0,030874116
30 1128 18 0,0159 0,00667153 0,030938144
Os valores de ni ta Tabela 8.4 representam o tamanho de cada amostra, e n o número de

amostras. Para este exemplo, ni assume valores diferentes para cada amostra e n = 30.
Gráfico p
Calculamos agora o Limite Superior e o Limite Inferior para a primeira amostra ni = 1536,
o mesmo deve ser feito para todas as outras amostras.
s
p (1 − p)
LSC = p̄ + 3
ni
r
(0, 0188) (0, 9812)
= 0, 0188 + 3
1536
= 0, 029202557
• Linha Central:
P30
Di 748
LC = p = Pi=1
30 = = 0, 0188
i=1 ni 39777
s
p (1 − p)
LIC = p − 3
ni
r
(0, 0188) (0, 9812)
= 0, 0188 − 3
1536
= 0, 0084
Ver Figura 8.4.

Figura 8.4: Gráfico p.
Verifica-se no gráfico da Figura 8.4 a existência de vários pontos fora do limite de controle
indicando que o processo não está sob controle estatı́stico.
8.2 Gráfico np (número de defeituosos)

O número de defeituosos np se define como o número de itens defeituosos (não conformes)
na amostra.
O número de defeituosos np pode estar referido à amostras de tamanhos fixos n coletadas
regularmente ou então a 100% da produção num determinado intervalo de tempo, como por
exemplo, uma hora, um dia, etc. Isso significa que os subgrupos podem, em princı́pio, ter
tamanho variável. Como conseqüência da variabilidade do tamanho amostral os limites de
controle também terão amplitude variável.
A construção dos gráficos np também tem por base a distribuição binomial e este gráfico de
controle só pode ser construı́do quando se tem amostras de tamanhos iguais.
Os Limites de Controle são obtidos diretamente da carta p e estão descritos a seguir
p
LSC = np + 3 np(1 − p)
LC = np
p
LIC = np − 3 np(1 − p).
Ilustraremos a aplicação da carta np com os dados do Exemplo 8.1.
p
LSC = np + 3 np(1 − p)
p
= 50 ∗ 0, 2313 + 3 (50 ∗ 0, 2313) × (0, 7687)
= 20, 51
• Linha Central:
LC = p = 11, 57
p
LIC = np − 3 (np(1 − p))
p
= 50 ∗ 0, 2313 − 3 (50 ∗ 0, 2313) × (0, 7687)
= 2, 62
Figura 8.5: Gráfico np com os limites de controle.
8.3 Gráficos c
Dependendo do tipo de produto é mais natural considerar o número de defeitos por
unidade amostral e não o número de itens defeituosos. Cada unidade pode consistir de vários
itens, isto é, ela pode ser definida como sendo um subgrupo de itens. O essencial é que nas
diferentes unidades amostrais exista a mesma chance de ocorrerem defeitos.
Alguns exemplos práticos de aplicações deste gráfico são: número de defeitos por página de
um jornal, número de defeitos num aparelho eletrônico número de pontos defeituosos num rolo
de papel, número de parafusos defeituosamente colocados na fuselagem de um avião, número
de bolhas numa superfı́cie pintada, número de pontos defeituosos numa lâmina de aço, entre
outros.
O gráfico c é empregado considerando o número de defeitos por subgrupos, quando todos
estes subgrupos forem do mesmo tamanho, isto é, tiverem o mesmo número de itens.
Duas situações onde o gráfico c é tipicamente aplicável são:
1. Quando os defeitos estão distribuı́dos em um fluxo mais ou menos contı́nuo de algum

produto onde poder-se-ia definir o número médio de defeitos, como por exemplo: defeitos
em cabo de aço, bolhas em placas de vidro, etc.
2. Quando defeitos de diferentes tipos e origens podem ser encontrados na unidade amostral,
tais como nos últimos testes de um computador ou depois da montagem de um trator.
Nota: nestes dois últimos exemplos talvez seja mais recomendável aplicar os gráficos com
demérito, que serão desenvolvidos nas próximas seções
Considerações teóricas válidas em muitas situações indicam que a variável “c” é igual ao
“número de defeitos por unidade”, que pode ser representada por uma distribuição que tem
√
média µc = m, e desvio padrão σc = m .
Na prática, o valor de m é determinado pela média dos defeitos da várias amostras dada
por c . Conseqüentemente, os limites de controle são:
√
LSC = c + 3 c
LC = c
√
LIC = c − 3 c
(c1 + c2 + . . . + ck )
onde c = , sendo que c1 , c2 , . . . , ck são o número de defeitos em cada um dos
k
k subgrupos.
Exemplo 8.3. A Tabela 8.5 apresenta o número de não-conformidades observadas em 26

amostras sucessivas de 100 circuitos impressos. Por conveniência limitou-se o número de 100
não conformidades possı́veis em 100. Assim, tem-se 26 amostras com 516 não-conformidades.
Tabela 8.5: Dados referentes ao Exemplo 8.3

Número da Numero de Número da Numero de
amostra não-conformidades amostra não-conformidades
1 21 14 19
2 24 15 10
3 16 16 17
4 12 17 13
5 15 18 22
6 5 19 18
7 28 20 39
8 20 21 30
9 31 22 24
10 25 23 16
11 20 24 19
12 24 25 17
13 16 26 15
516
c̄ = = 19, 85.
26
Desta forma os limites de controle são dados pela seguinte forma,
√ p
LSC = c + 3 c = 19, 85 + 3 19, 85 = 33, 22
LC = c = 19, 85
√ p
LIC = c − 3 c = 19, 85 − 3 19, 85 = 6, 48
A carta de controle é definida como:

Figura 8.6: Carta de controle para o Exemplo 8.3.
Exemplo 8.4. Após avaliar a carta de controle (Figura 8.6), constatou-se que existem dois
pontos fora de controle. Então foi verificado que a máquina estava descalibrada e foi proposto
que fossem removidas do conjunto de dados, as observações 6 e 20, e revisados os limites de
controle.
Desta forma temos como limites de controle,
472
c̄ = = 19, 67
24
√ p
LSC = c + 3 c = 19, 67 + 3 19, 67 = 32, 97
LC = c = 19, 67
√ p
LSC = c − 3 c = 19, 67 − 3 19, 67 = 6, 37
Retirando as observações 6 e 20, observa-se que os dados encontram-se dentro dos limites
de controle.
8.4 Gráfico u
Freqüentemente o número de unidades que compõem os subgrupos é variável. Nestes
casos, se estamos interessados em controlar o número de defeitos por unidade, o gráfico a ser
utilizado será o Gráfico “u”. Como ilustração, consideremos o caso da produção de tecido,
onde a quantidade de metros contida num rolo pode ser variável. O valor da variável u num
subgrupo que contenha ni unidades amostrais onde sejam encontrados c defeitos, é dado por:
c
u= .
ni
Mais uma vez salientamos que n pode variar de subgrupo para subgrupo e poderá ser não
inteiro.
Para os gráficos u os limites de controle são:

r
u
LSC = u + 3
ni
LC = u
r
u
LSC = u − 3 .
ni
(c1 + c2 + . . . + ck )
onde ū = , sendo que : c1 , c2 , . . . , ck representam os números de defeitos
(n1 + n2 + . . . + nk )
e; n1 , n2 , . . . , nk representam os tamanhos dos k subgrupos.
Apresentaremos no próximo exemplo o procedimento de como calcular e interpretar um
caso onde as amostras têm tamanho variável.
Exemplo 8.5. Em uma empresa têxtil, os tecidos são tingidos são inspecionadas para a
ocorrência de defeitos por 50 metros quadrados. Os dados dos 10 lotes de inspeção estão na
Tabela 8.6. U-saremos estes dados para ajustar uma carta de controle para as não-conformidades
por unidades.
Tabela 8.6: Dados do Exemplo 8.4

Lote Quantidade de Total de não Número de unidades Número de não-conformidades
c
metros quadrados conformidades (c) inspecionadas (n) por unidade ispecionada, u = n
1 500 14 10 1,400
2 400 12 8 1,500
3 650 20 13 1,538
4 500 11 10 1,100
5 475 7 9,5 0,737
6 500 10 10 1,000
7 600 21 12 1,750
8 525 16 10,5 1,524
9 600 19 12 1,583
10 625 23 12,5 1,840
153 107,5 1,42
153
ū = = 1, 42.
107, 5
Note que ū equivale a razão entre o total de não-conformidades em relação a número total
de inspeções por unidade. Os limites de controle serão calculados individualmente em relação
ao tamanho da amostra.
r
u
LSC = u + 3
ni
LC = u
r
u
LIC = u − 3
ni
Tabela 8.7: Limites de controle

Lote, i ni LSC LIC
1 10 2,550486621 0,289513379
2 8 2,683922466 0,156077534
3 13 2,411502357 0,428497643
4 10 2,550486621 0,289513379
5 9,5 2,5798548 0,2601452
6 10 2,550486621 0,289513379
7 12 2,451988372 0,388011628
8 10,5 2,523241976 0,316758024
9 12 2,451988372 0,388011628
10 12,5 2,431137973 0,408862027
Desta forma, temos na Figura 8.8 a carta de controle para o Exemplo 8.4


193
Capı́tulo 9
Introdução à Análise de Capacidade do

Processo
Em todas as atividades, os fornecedores devem satisfazer requerimentos da qualidade

estabelecidos pelos clientes. Para satisfazer esses requerimentos, há a necessidade de que as
mais significativas caracterı́sticas da qualidade tenham valores dentro de limites de tolerância
especificados. O objetivo da Análise de Capacidade é diagnosticar se os processos são capazes
de satisfazer os requerimentos dos clientes.
A Capacidade do processo pode ser estabelecida somente quando nenhum fator estranho
contamina o processo, isto é, somente causas naturais de variação estão presentes. Quando
estamos na presença de causas especiais de variação ou quando não estudamos a estabilidade
do processo, determinamos a performance do processo. Neste sentido, é importante notar
que a Performance do processo não é a mesma coisa que capacidade do processo.
Toda Análise de Capacidade do processo deve ser cuidadosamente planejada para responder
as seguintes questões:
• O processo esteve sob controle durante o estudo?
• O processo satisfaz as tolerâncias estabelecidas? Caso contrário, pode satisfazer essas

tolerâncias “centrando” a média do processo no valor nominal?
• É o processo inerentemente capaz de satisfazer as tolerâncias especificadas?
• Se o processo não for capaz, é economicamente factı́vel reduzir a variabilidade do processo?
A Análise de Capacidade do Processo tem por objetivo quantificar as causas comuns de

variação e estabelecer o que pode ser esperado do processo no futuro.
9. Introdução à Análise de Capacidade do Processo 194
Dois tipos de variabilidade contaminam os processos:
1. A variabilidade “natural”, também chamada de inerente.
2. A variabilidade ao longo do tempo, onde as causas especiais de variabilidade se manifes-

tam.
A Análise de Performance ou desempenho quantifica as forma de variabilidade total do

processo, devido a causas comuns e especiais, em relação às tolerâncias ou especificações.
A seguir apresentamos algumas definições básicas adotadas pela Automotive Industry Ac-
tion Group (AIAG-1995):
1. Variação total do processo: corresponde a variação do processo devido às causas

especiais e comuns. Esta variação é estimada pelo desvio padrão amostral, usando todas
as medidas individuais retiradas do processo, isto é,
v
u n
uX
u
u (xi − x)2
t i=1
s= ,
n−1
onde xi representa as medidas do processo, x corresponde a média amostral e n o número

de medidas obtidas do processo.
2. Variação inerente ao processo: é a parcela da variação total devido às causas

comuns. Esta variação pode ser estimada através dos Gráficos de Controle por (R/d2 ) ou
(s/c4 ), entre outros .
3. Capacidade do processo: a amplitude de 6σ da variação inerente ao processo (causas

comuns), para um processo sob controle estatı́stico, onde σ é estimado via gráfico de
controle (R/d2 ) ou (s/c4 ), entre outros .
4. Performance do processo: a Amplitude de 6σ da variação total do processo, onde σ é

estimado pelo desvio padrão amostral (s).
5. Índices de capacidade e performance do processo
(a) Cp : corresponde a Amplitude das Especificações (tolerâncias) dividido pela Capaci-

dade do Processo;
(b) Cpk : este ı́ndice avalia se o processo está Centrado. Este corresponde ao menor valor
entre, o Limite Superior de Especificação (LSE) menos a Média e a Média menos o
Limite Inferior de Especificação (LIE), divido pela Capacidade do Processo;
(c) Pp : corresponde a Amplitude das Especificações (tolerâncias) dividido pela perfor-

mance do processo;
(d) Ppk : este ı́ndice avalia se o processo está centrado. Este corresponde ao menor
valor entre, o limite superior de especificação (LSE) menos a média e a média menos
o limite inferior de especificação (LIE), dividido pela performance do processo;
Devemos ter muito cuidado com a metodologia utilizada para calcular e apresentar os Índices
de Capacidade e Performance do processo, pois há diferenças de denominações e enfoques entre
autores na bibliografia.
9.1 Variabilidade a curto prazo e variabilidade a longo

prazo
A Capacidade do Processo descreve o melhor que se pode esperar dele. Neste caso, o
objetivo não é avaliar o processo em relação às especificações (ou tolerâncias), mas sim, sua
variabilidade. Por isso, utilizamos a variabilidade de Curto Prazo.
A variação a Longo Prazo permite uma avaliação do processo com relação às necessidades
do cliente. A razão de utilizar a variação a Longo Prazo é que esta inclui as variações devido
a causas especiais e comuns, que podem ocorrer ao longo do processo, como por exemplo,
variações devido a diferentes lotes de matéria prima.
O desvio padrão para calcular a Capacidade do Processo ou Performance do Processo pode
ser estimado via considerações de Curto Prazo ou Longo Prazo, respectivamente. Quando de-
terminamos o ı́ndice de capacidade através de um gráfico X e R, o desvio padrão estimado via
a variabilidade dentro dos Subgrupos é um estimador da variabilidade a Curto Prazo. En-
quanto, o desvio padrão amostral referente a combinação de todas as medidas é uma estimativa
da variabilidade a Longo Prazo do processo.
Por exemplo, dentro de um processo de manufatura, a variabilidade a Curto Prazo não
inclui a variabilidade entre lotes de matéria prima, entre diferentes operadores, entre outros.
No processo administrativo, a variabilidade a Curto Prazo não inclui a variabilidade entre os
dias de trabalho, entre diferentes departamentos, entre outros.
Os Índices de Capacidade do Processo Cp e Cpk utilizam a variabilidade a Curto Prazo,

enquanto que os Índices Pp e Ppk utilizam a variabilidade a Longo Prazo, como estimativa do
desvio padrão.
9.2 Estimativa do desvio padrão

A seguir vamos apresentar diversos métodos para estimar o desvio padrão, que é parte
fundamental da Capacidade do Processo e Performance do Processo.
• Método 1: Variabilidade a longo prazo

A melhor forma de estimarmos esta variabilidade é através do desvio padrão amostral,

v
u n
uX
u
u (xi − x)2
t i=1
σ
b=s= ,
n−1
onde xi representa as medidas do processo, x corresponde a média amostral e n o número

de medidas obtidas do processo.
Para ajustarmos o desvio padrão em relação ao vı́cio, devido ao fato de tomarmos peque-
nas amostras ao longo do tempo (se for o caso), tomamos
v
u n
uX
u
u (xi − x)2
t i=1
s n−1
σ
bajust = = ,
c4 (n) c4 (n)
onde o valor de c4 é tabelado no Apêndice ??. O manual de CEP 2o Edição (ISOTS

9000) e a norma ISO 21747 não apresentam correção do desvio padrão. Porém, alguns
softwares, como o MINITAB, apresntam a correção como opção.
A seguir são analisadas algumas situações práticas:
– Situação 1: Quando os dados são obtidos via um gráfico X e R, a estimativa tradi-

cional (R/d2 ) só é válida se o processo estiver sob controle.
– Situação 2: Quando retiramos uma amostra de uma população, o desvio padrão

amostral (s) é a única forma de estimarmos a variabilidade a Longo Prazo.
• Método 2: Variabilidade a curto prazo
Tradicionalmente, ao estimar a variabilidade em um gráfico X e R, tem-se
R
σ
b= ,
d2
onde R denota a Média das Amplitudes dos subgrupos e a constante d2 , tabelada em

Apêndice ??, depende do número de elementos em cada subgrupo amostral.
– Situação 1: Quando os dados são obtidos por meio de um gráfico X e R, a estimativa

tradicional (R/d2 ), não é influenciada pela variabilidade ocorrida entre os subgrupos.
– Situação 2: Quando retira-se uma amostra de uma população, o desvio padrão

amostral s é a única forma de estimarmos a variabilidade.
Outra maneira de estimar a variabilidade a Curto Prazo é definida por
s
σ
b= ,
c4
onde s representa a média dos desvios padrão amostral dos subgrupos e c4 representa
uma constante tabelada em Apêndice ??.
Outro método utilizado para estimarmos a variabilidade a Curto Prazo é definida por
sp
σ
b= ,
c4 (d)
onde sp representa o desvio padrão agrupado (Spooled ),

v
uX m X ni
(xij − xi )2
u
u
u
u i=1 j=1
sp = u
u X m
t (n − 1) i
i=1
e !
m
X
d= ni −m+1
i=1
e
ni
X xij
xi = .
j=1
ni
Os valores de c4 (d) é usado com o objetivo de reduzir o vı́cio da estimativa.

199
Capı́tulo 10
Índices de Capacidade e Performance

do Processo
10.1 Índices de capacidade do processo: Cp e Cpk

O valor 6σ (ou sua estimativa 6b
σ ) não tem nenhuma relação com as especificações
estabelecidas para o processo. Por esta razão, o conhecimento da variabilidade inerente (causas
comuns) ao processo fornece somente parte da informação necessária para determinar o quanto
o processo atende às especificações.
Para cumprir mais adequadamente com a função de predizer quanto dos produtos do pro-
cesso vão satisfazer às especificações, foi criado o ı́ndice Cp , chamado “Índice de Capacidade
Potencial do Processo”, que consegue relacionar a variabilidade inerente ao processo com suas
especificações.
Definiremos as seguintes notações:
• LSE: Limite superior de engenharia;
• LIE: Limite inferior de engenharia;
• LIC: Limite inferior de controle;
• LSC: Limite superior de controle.
O ı́ndice Cp é definido, quando os dados seguem uma distribuição normal, por:

10. Índices de Capacidade e Performance do Processo 200
Variabilidade Permitida do Processo

Cp = ,
Variabilidade Inerente
LSE-LIE
Cp = .
6σ
Um processo centrado, isto é, µ = (1/2)(LIE + LSE) com uma distribuição (estável) normal
e com um Cp = 1, produzirá 0,27 % dos itens fora de especificação. Também, para um processo
centrado e capaz ( Cp = 1), os limites de controle de X e de especificação estão relacionados
da seguinte forma :
• LSC = LSE
√
n
• LIC = LIE
√
n
onde n é o tamanho dos subgrupos racionais no gráfico de controle. Temos assim que a menos
√
da constante n, os dois limites coincidem para processos com Cp = 1.
O ı́ndice Cp é uma medida da “Capacidade do Processo”desde que a dispersão é relacionada
com os limites de especificação, porém a locação do processo não é considerada nem na definição
nem no cálculo do Cp . Dado que o denominador (6σ) na definição do Cp é um parâmetro,
podemos considerar que o valor Cp é também um parâmetro do processo. Assim,
b p = LSE-LIE
C
6b
σ
é, então, uma estatı́stica que será um estimador de Cp .

Na aplicação do ı́ndice Cp , deve-se também levar em conta que muitas vezes os processos
são avaliados em experimentos de curta duração (PPAP) e realizados sob condições especiais:
máquinas novas, operadores bem treinados, matéria prima especialmente preparada, etc. Estas
condições fazem com que as operações de qualificação do processo e as de produção corrente
sejam bem diferentes. Estes motivos junto com as considerações feitas a respeito da variação
amostral de C
b p (ı́ndice observado no processo), levam a maioria das empresas a adotarem,
seguindo a recomendação de Juran, o valor Cp = 1,67 (ou Cp = 1,33) para análises de

curto prazo. Este valor dá certa garantia de que, quando as causas adicionais de variabilidade
atuarem, o Cp real do processo seja maior ou igual a 1,00. Baseados no mesmo tipo de
argumento, outros autores sugerem um Cp = 1,5 para a fase de qualificação em equipamentos
novos.
Em resumo, análises de Curto Prazo para a qualificação do processo ou de equipamentos
são efetuadas, em geral, sob condições que reduzem a variabilidade, fazendo destes estudos
ferramentas importantes na detecção de grandes causas geradoras de problemas e sua função.
Um ı́ndice utilizado por outros autores e empresas, equivalente ao Cp , é a “Razão de
Capacidade” Rc , definida como o recı́proco do Cp . Em porcentagem o Rc é dado por:
• Rc = % da especificação usada
6σ
• Rc = LSE-LIE × 100%
• Rc = C1 × 100%
p
Para um Cp = 1,33 corresponde um valor de Rc = 75%. Naturalmente, quanto menor for

o Rc de um processo, melhor o seu comportamento.
O ı́ndice Cp , tal como ele é definido e calculado, não leva em conta a locação (ou posição) do
processo. Ele só depende da amplitude do intervalo das especificações e da variabilidade inerente
do processo. Como conseqüência, para um determinado valor do Cp poderı́amos ter qualquer
porcentagem de itens fora das especificações ou defeitos, dependendo do posicionamento do
processo em relação aos limites de especificação.
Para avaliar mais eficientemente a capacidade do processo foi introduzido, no Japão, o
ı́ndice Cpk , que leva em conta não somente a variabilidade do processo como também sua
localização com respeito aos limites de especificação. Antes de entrar na análise do ı́ndice
Cpk consideremos dois outros ı́ndices que juntos com Cp e Cpk formam uma bateria que
revelam diferentes aspectos do processo.
Para o caso em que se trata de especificação unilateral superior definimos:
LSE − µ LSE − µ
CP S = = .
3σ Variabilidade Inerente
2
Analogamente, podemos definir:
µ − LIE
CP I =
3σ
para processos com tolerância unilateral inferior.

A relação entre Cp e a dupla (CP I, CP S) é dada por,
CP I + CP S
Cp = .
2
Observemos que CP I e CP S referem-se a µ, a média do processo. Uma generalização para
o caso de especificações bilaterais será o ı́ndice:
Cpk = mı́nimo entre CP I e CP S
Cpk = min(CP I, CP S).
No caso de especificações bilaterais, o ı́ndice Cpk permite a avaliação da capacidade do

processo na “pior situação possı́vel”. Neste sentido, a utilização do Cpk determina a estratégia
“mais conservadora”. Assim, um processo com Cpk alto oferece garantias de um comportamento
satisfatório, enquanto a estabilidade seja mantida.
A relação entre Cp e Cpk é definida por
Cpk = Cp (1 − k),
onde k é o fator que representa o quanto o processo está centrado,
|m − µ|
k= ,
(LSE-LIE)/2
LSE−LIE
com m = 2
é o ponto central da especificação.
Observemos os ı́ndices de capacidade na figura seguinte
Figura 10.1: Gráfico de ı́ndices de capacidade.
Exemplo 10.1. Considerando um processo sob controle, com as seguintes especificações: LSE =
10, 9 , VN = 10,7 e LIE = 10, 5. Supondo que a média amostral do processo é dada por
x̄ = 10, 662, e a amplitude média é R = 0, 2, para um amostra com subgrupos de 3 elementos.
Para verificar a capacidade do processo, primeiramente calcula-se o desvio padrão,
R 0, 2
σ
b= = = 0, 118.
d2 1, 693
com
d2 = 1, 693.
, de acordo com o apêndice B.
Para avaliar a pior situação, ou seja, aquela em que o processo gera a maior porcentagem
de defeitos calcula-se o Cpk , da seguinte forma,
LSE − µ 10, 9 − 10, 662

CP S = = = 0, 67
3σ 3 × 0, 118
µ − LIE 10, 662 − 10, 5

CP I = = = 0, 46
3σ 3 × 0, 118
Assim,
Cpk = min(CP I, CP S) = min(0, 46; 0, 67) = 0, 46.
Exemplo 10.2. Considerando os dados de medições do diâmetro de pinos de um processo sob

controle, com as seguintes especificações: LSE = 10, 2 e LIE = 6, 7.
Tabela 10.1: Diâmetros dos pinos

Peça no Diâmetros
1 8,5
2 7,9
3 10
4 8,5
5 8,5
6 8,1
7 9
8 8,3
9 7,3
10 8
11 9,5
12 9
13 10
14 9,2
15 9
16 6,9
17 9,5
18 9,2
19 9,5
20 8,7
Primeiramente aplica-se um teste de normalidade para verificar se os dados tem distribuição

normal.
Figura 10.2: Papel de Probabilidade para os dados do diâmetro de pinos.
O gráfico da Figura 10.2 e os resultados do teste de Anderson Darling indicam que os dados
têm distribuição normal, o que permite calcular a capacidade do processo. Para isso, estima-se
o desvio padrão da seguinte forma:
R 0, 9474
σ
b= = = 0, 8399.
d2 1, 128
com o valor de d2 = 1, 128 obtido no apêndice B
A situação em que o processo gera maior porcentagem de defeitos é verificada pelo valor de
Cpk , que é obtido da seguinte forma:
LSE − µ 10, 2 − 8, 73
CP S = = = 0, 5834
3σ 3 × 0, 8399
µ − LIE 8, 73 − 6, 7
CP I = = = 0, 8056
3σ 3 × 0, 8399
Então, o
Figura 10.3: Análise de performance, distribuição normal.
Verifica-se que o processo está sob controle, porém incapaz, o que indica a necessidade de
ações gerenciais.
10.2 Índices de performance do processo : Pp e Ppk

A equação para calcular os ı́ndices Pp e Ppk são similares aos ı́ndices Cp e Cpk . Desta
forma, temos
Variabilidade Permitida do Processo

Pp = ,
Variabilidade Total
LSE-LIE
Pp = .
6σ
Nenhuma quantificação com relação à localização do processo é avaliada. Para o caso em

que se trata de especificação unilateral superior definimos
LSE − µ LSE − µ
PPS = = .
3σ Variabilidade Total
2
Analogamente, podemos definir
µ − LIE
PPI = ,
3σ
para processos com tolerância unilateral inferior.
A relação entre Pp e a dupla (P P I, P P S) é dada por:
PPI + PPS
Pp = .
2
Observemos que P P I e P P S referem-se a µ, a média do processo. Uma generalização para
o caso de especificações bilaterais será o ı́ndice
Ppk = mı́nimo entre P P I e P P S,
Ppk = min(P P I, P P S).
• Para os gráficos X̄ e R ou s são utilizados como estimativas para a média e como estimativa
para o desvio padrão amostral,
v
u n
uX
u
u (xi − x)2
t i=1
s n−1
σ
bajust = = .
c4 (n) c4 (n)
10.3 Tratamento de tolerâncias unilaterais

Em alguns casos, temos apenas limites superiores ou inferiores de engenharia. Assim,
não temos como calcular o ı́ndice Cp ou Pp . Nestes casos, o manual de CEP (2a Edição) propõe
a seguinte estratégia:
X Apenas limite Superior
– Cpk = CPS ou Ppk = PPS;
– Cp ou Pp : não se aplicam;
– CPI ou PPI: não se aplicam;
X Apenas limite Inferior
– Cpk = CPI ou Ppk = PPI;
– Cp ou Pp : não se aplicam;
– CPS ou PPS: não se aplicam;
A seguir, apresentamos alguns exercı́cios envolvendo os conceitos discutidos acima.
Exemplo 10.3. Calcule o Ppk para Exemplo 10.1, considere s = 0, 14.
Solução: Temos que
LSE = 10, 9 , V N = 10, 7 , LIE = 10, 5 e x̄ = 10, 662.
A pior situação (aquela em que o processo gera a maior porcentagem de defeitos) é avaliada
pelo Ppk , ou seja
x̄ − LIE 10, 662 − 10, 5 0, 162

PPI = = = = 0, 38
3×s 3 × 0, 14 0, 42
LSE − x̄ 10, 9 − 10, 662 0, 238

PPS = = = = 0, 57
3×s 3 × 0, 14 0, 42
Então, o Ppk = min(PPI, PPS) = min(0,38 ; 0,57) = 0,38.
Exemplo 10.4. Neste exemplo, apresentamos os dados referentes ao controle da distância

entre dentes de uma engrenagem do câmbio. A cada trinta peças produzidas, a última peça foi
levada ao laboratório para ser medida em uma máquina de medição por coordenadas.
Tabela 10.2: Dados Mercedes-Benz

Data Horário Peça no Diâm. Ext. (98,15;98,25)
03/10/07 09:16:47 01 98,212
03/10/07 11:50:33 030 98,230
03/10/07 13:39:07 060 98,218
03/10/07 13:42:14 090 98,215
03/10/07 18:12:52 120 98,216
03/10/07 19:29:54 150 98,220
03/10/07 21:28:47 180 98,219
03/10/07 22:26:35 210 98,216
04/10/07 08:41:10 240 98,207
04/10/07 08:50:53 270 98,208
04/10/07 08:55:51 300 98,216
04/10/07 13:23:37 330 98,215
04/10/07 13:26:14 360 98,192
04/10/07 22:49:48 390 98,193
05/10/07 08:50:18 420 98,171
05/10/07 08:57:52 450 98,186
05/10/07 12:45:56 480 98,187
05/10/07 13:13:10 510 98,197
05/10/07 13:24:35 540 98,191
05/10/07 18:23:46 570 98,198
05/10/07 21:43:05 600 98,187
05/10/07 21:46:40 630 98,199
05/10/07 22:59:42 660 98,192
08/10/07 07:18:23 690 98,207
08/10/07 09:09:06 720 98,210
24/10/07 06:50:06 01 98,209
24/10/07 10:59:44 030 98,193
24/10/07 12:50:13 060 98,204
24/10/07 15:08:16 090 98,202
24/10/07 18:13:40 120 98,222
24/10/07 22:07:46 150 98,214
25/10/07 07:24:32 180 98,204
25/10/07 09:24:54 210 98,166
25/10/07 12:26:39 240 98,168
25/10/07 16:49:41 270 98,169
25/10/07 19:38:17 300 98,175
25/10/07 22:44:45 330 98,175
26/10/07 08:51:41 360 98,191
26/10/07 11:49:26 390 98,190
29/10/07 06:14:28 420 98,181
Do apêndice, retiramos
d2 = 1, 128.
Assim, podemos estimar o desvio padrão por
R 0, 0087
σ
b= = = 0, 007712.
d2 1, 128
Os ı́ndices de capacidade do processo são:
LSE − µ 98, 25 − 98, 1975

CP S = = = 2, 2692
3σ 3 × 0, 007712
µ − LIE 98, 1975 − 98, 15

CP I = = = 2, 0531.
3σ 3 × 0, 007712
Então,
CP I + CP S 2, 0531 + 2, 2692
Cp = = = 2, 16115,
2 2
Para avaliar a pior situação, ou seja, aquele em que o processo gera a maior porcentagem
de defeitos calcula-se o valor de Ppk , com desvio padrão s = 0,01602,
x̄ − LIE 98, 1975 − 98, 15 0, 0475

PPI = = = = 0, 09883,
3×s 3 × 0, 01602 0, 04806
LSE − x̄ 98, 25 − 98, 1975 0, 0525

PPS = = = = 1, 0924
3×s 3 × 0, 01602 0, 04806
Então,
PPI + PPS 0, 9883 + 1, 0924

Pp = = = 1, 04035,
2 2
Ppk = min(P P I, P P S) = min(0, 9883; 1, 0924) = 0, 9883.
A Figura 10.4 os mostra os resultados gráficos referentes aos dados do Exemplo 12.6.
Figura 10.4: Análise de performance, distribuição normal.

213
Capı́tulo 11
Capacidade do Processo e a
Distribuição Normal Padronizada (Z)
Neste capı́tulo, vamos explorar a normalidade dos dados e os ı́ndices de capacidade do

processo, para calcularmos as probabilidades de peças fora de especificação. Tomamos,
• Especificações Unilaterais:
LSE − µ LIE − µ
Z LSE = ou Z LIE = .
σ σ
• Especificações Bilaterais:
Zmin = min(Z LSE ; Z LIE ).
Quando o processo está sob controle estatı́stico e é normalmente distribuı́do, os valores de Z

podem ser utilizados para estimar a proporção de defeituosos (ou, fora de especificações). Esta
proporção pode ser transformada para uma taxa de defeitos em partes por milhão simplesmente
multiplicando-a por um milhão. Além disso, a expressão do Cpk pode ser expressa em termos
de Z, por
Zmin
Cpk = .
3
Desta forma, concluı́mos que Zmin = 3 implica em Cpk = 1, se Zmin = 4 temos Cpk = 1,33,
se Zmin = 5 temos Cpk = 1,67 e se Zmin = 6 temos Cpk = 2.
11. Capacidade do Processo e a Distribuição Normal Padronizada (Z) 214
Para o programa 6σ da Motorola um processo atinge o nı́vel 6σ quando Cp = 2 e Cpk =

1,5. Este programa permite que a média do processo pode mudar dentro de uma faixa de 1, 5σ.
Utilizando a relação entre Cpk e Zmin , observamos que uma variação de 1, 5σ em torno da
média, produz uma diminuição de 0,5 no Cpk em relação ao Cp .
11.1 Índice Cpm

Para tratar adequadamente o problema de localização do processo, Taguchi propôs a
utilização do seguinte ı́ndice,
LSE-LIE
Cpm = p ,
6 (µ − T )2 + σ 2
onde T corresponde ao valor nominal do processo (alvo). Através desta definição, observa-se
que
• Muita importância é destinada ao alvo (T );
• Pouca importância é destinada aos limites de especificação;
• Variação é expressa em dois componentes, a variação do processo (σ) e a variação em

torno do alvo (µ - T ).
A seguir, vamos ilustrar os métodos de cálculos do Desvio Padrão para dados seguindo a
distribuição normal.
11.2 Aplicações
Exemplo 11.1. O conjunto de dados abaixo foram retirados de um processo sob controle es-
tatı́stico, com as seguintes especificações 37 ± 13. (LIE = 24; µ = 37; LSE = 50).
Tabela do Cálculo de Capacidade

Amostra Leituras Média R DP

1 36 35 34 33 32 34 4 1,58
2 31 31 34 32 30 31,6 4 1,51
3 30 30 32 30 32 30,8 2 1,09
4 32 33 33 32 35 33 3 1,22
5 32 34 37 37 35 35 5 2,12
6 32 32 31 33 33 32,2 2 0,84
7 33 33 36 32 31 33 5 1,87
8 23 33 36 35 36 32,6 13 5,5
9 43 36 35 24 31 33,8 19 6,98
10 36 35 36 41 41 37,8 6 2,95
11 34 38 35 34 38 35,8 4 2,05
12 36 38 39 39 40 38,4 4 1,52
13 36 40 35 26 33 34 14 5,15
14 36 35 37 34 33 35 4 1,58
15 30 37 33 34 35 33,8 7 2,59
16 28 31 33 33 33 31,6 5 2,19
17 33 30 34 33 35 33 5 1,87
18 27 28 29 27 30 28,2 3 1,3
19 35 36 29 27 32 31,8 9 3,83
20 33 35 35 39 36 35,6 6 2,19
Somas 671 124 49,953
Médias 33,55 6.2 2,4977
A seguir, exemplificamos os cálculos da capacidade e performance do processo.
• Método 1: Variabilidade a longo prazo:
v
u n
uX
u
u (xi − x)2
t i=1
s n−1 3, 52874
σ
bajust = = = = 3, 53776.
c4 (n) c4 (n) 0, 9975
Com este resultado, obtemos os seguintes ı́ndices de performance
LSE − LIE 50 − 24
Pp = = = 1, 22
6b
σ 6 ∗ (3, 53776)

LSE − µ
b µ b − LIE
Ppk = min ;
3b
σ 3b
σ

50 − 33, 55 33, 55 − 24
Ppk = min ;
3 ∗ (3, 53776) 3 ∗ (3, 53776)
Ppk = min [1, 55 ; 0, 90] = 0, 90.
Calculando o valor de Z
LSE − µ
b 50 − 33, 55
Z LSE = = = 4, 65
σ
b 3, 53776
LIE − µ 24 − 33, 55
= −2, 699448.
b
Z LIE = =
σ
b 3, 53776
Vamos achar agora o PPMT otal , que é:
PPMT otal = PPMLSE + PPMLIE .
O PPMLSE é a parte de PPM relativo ao LSE, então para acharmos este valor calculamos:
[1 − Valor Acumulado até 4, 65] × 1.000.000,
isto é:
PPMLSE = [1 − Φ(Z LSE )] × 1.000.000 = [1 − Φ(4, 65)] × 1.000.000 = 1, 7,
no qual Φ(x) = P [N (0, 1) ≤ x]. O PPMLIE é a parte de PPM relativo ao LIE, então
para acharmos este valor calculamos
[Valor Acumulado até − 2, 699448] × 1.000.000,
(usamos negativo, pois deseja-se verificar os itens defeituosos menores que o LIE). Por-
tanto,
PPMLIE = Φ(Z LIE ) × 1.000.000 = Φ(−2, 699448) × 1.000.000 = 3572, 7
PPMT otal = 1, 7 + 3572, 7 = 3574, 4.
Para o Exemplo 11.1, temos que R̂ = 6, 2, d2 = 2, 326, com isso
R̄ 6, 2
σ
b= = = 2, 66552
d2 2, 326
e os ı́ndices de capacidade do processo são
LSE − LIE 50 − 24
Cp = = = 1, 63
6b
σ 6 ∗ (2, 66552)

LSE − µ
b µ b − LIE
Cpk = min ;
3b
σ 3b
σ

50 − 33, 55 33, 55 − 24
Cpk = min ;
3 ∗ (2, 66552) 3 ∗ (2, 66552)
Cpk = min [2, 06 ; 1, 19] = 1, 19.
LSE − µ
b 50 − 33, 55
Z LSE = = = 6, 17
σ
b 2, 66552
LIE − µ 24 − 33, 55
= −3, 58.
b
Z LIE = =
σ
b 2, 66552
Calculando agora o PPMT otal , e com isso,
PPMLSE = [1 − Φ(Z LSE )] × 1.000.000 = [1 − Φ(6, 17)] × 1.000.000 = 0
PPMLIE = Φ(Z LIE ) × 1.000.000 = Φ(−3, 58) × 1.000.000 = 172

PPMT otal = 0 + 172 = 172.
• Método 3: Desvio Padrão Agrupado
v
uX m X ni
(xij − xi )2 r
u
u
702, 4
u
u i=1 j=1
sp = u m = = 2, 963106,
u X 20 ∗ 4
t (n − 1)
i
i=1
d = m × ni − m + 1 = 20 ∗ 5 − 20 + 1 = 81
sp 2, 963106
σ
b= = = 2, 97238.
c4 (81) 0, 9969
Com isso, calculamos os ı́ndices de capacidade do processo
LSE − LIE 50 − 24
Cp = = = 1, 46
6b
σ 6 ∗ (2, 97238)

LSE − µ
b µ b − LIE
Cpk = min ;
3b
σ 3b
σ

50 − 33, 55 33, 55 − 24
Cpk = min ;
3 ∗ (2, 97238) 3 ∗ (2, 97238)
Cpk = min [1, 84 ; 1, 07] = 1, 07.
Para Z, obtemos
LSE − µ
b 50 − 33, 55
Z LSE = = = 5, 53.
σ
b 2, 97238
LIE − µ 24 − 33, 55
= −3, 21.
b
Z LIE = =
σ
b 2, 97238
Calculando agora o PPMT otal

PPMLSE = [1 − Φ(Z LSE )] × 1.000.000 = [1 − Φ(5, 53)] × 1.000.000 = 0.
PPMLIE = Φ(Z LIE ) × 1.000.000 = Φ(−3, 21) × 1.000.000 = 657.
PPMT otal = 0 + 657 = 657.
Exemplo 11.2. Neste exemplo, apresentamos os dados referentes ao controle de torque apli-
cado por uma parafusadeira na montagem de chacis de ônibus. A cada uma hora, foram ins-
pecionadas cinco peças com um sensor de torque.
Tabela 11.1: Dados de torque aplicados a parafusos por uma parafuseira

Sub-grupo Coleta de dados VALORES DETERMINADOS
X1 X2 X3 X4 X5 XMÁX XMÍN R
1 623,00 589,00 618,00 620,00 613,00 612,60 623,00 589,00 34,00
2 618,00 604,00 594,00 618,00 606,00 608,00 618,00 594,00 24,00
3 637,00 584,00 608,00 608,00 608,00 609,00 637,00 584,00 53,00
4 618,00 635,00 618,00 630,00 608,00 621,80 635,00 608,00 27,00
5 587,00 606,00 604,00 616,00 608,00 604,20 616,00 587,00 29,00
6 608,00 601,00 601,00 606,00 580,00 599,20 608,00 580,00 28,00
7 599,00 589,00 664,00 618,00 728,00 639,60 728,00 589,00 139,00
8 584,00 637,00 599,00 628,00 606,00 610,80 637,00 584,00 53,00
9 584,00 606,00 587,00 584,00 620,00 596,20 620,00 584,00 36,00
10 623,00 632,00 604,00 580,00 601,00 608,00 632,00 580,00 52,00
11 589,00 611,00 599,00 592,00 589,00 596,00 611,00 589,00 22,00
12 592,00 726,00 580,00 589,00 618,00 621,00 726,00 580,00 146,00
13 604,00 613,00 599,00 611,00 599,00 605,20 613,00 599,00 14,00
14 611,00 596,00 611,00 580,00 613,00 602,20 613,00 580,00 33,00
15 589,00 709,00 592,00 625,00 687,00 640,40 709,00 589,00 120,00
16 628,00 592,00 608,00 637,00 656,00 624,20 656,00 592,00 64,00
17 606,00 584,00 604,00 592,00 620,00 601,20 620,00 584,00 36,00
18 613,00 604,00 618,00 592,00 584,00 602,20 618,00 584,00 34,00
19 596,00 587,00 613,00 618,00 592,00 601,20 618,00 587,00 31,00
20 581,00 604,00 580,00 611,00 613,00 597,80 613,00 580,00 33,00
21 608,00 623,00 604,00 584,00 606,00 605,00 623,00 584,00 39,00
22 616,00 599,00 616,00 714,00 611,00 631,20 714,00 599,00 115,00
23 632,00 618,00 611,00 584,00 592,00 607,40 632,00 584,00 48,00
24 620,00 587,00 580,00 613,00 608,00 601,60 620,00 580,00 40,00
25 608,00 582,00 599,00 604,00 604,00 599,40 608,00 582,00 26,00
TOTAIS 15245,40 1276,00
Temos que
LIE = 480 e LSE = 720
Veridica-se que este exemplo compreende 25 amostras de tamanho 5.
R 51, 04
σ= = = 21, 9433
d2 2, 326
LSE − LSI 720 − 480

Cp = = = 1, 8229
6σ 131, 66
" #
LSE − X X − LIE
Cpk = min ;
3σ 3σ

720 − 609, 816 609, 816 − 480
Cpk = min ;
65, 8299 65, 8299
Cpk = min [1, 6738 ; 1, 9720] = 1, 6738.
A pior situação, que é verificada quando o processo gera a maior porcentagem de defeitos é
avaliada pelo Ppk , com desvio padrão s = 26,6047,
x − LIE 609, 816 − 480 129, 816

PPI = = = = 1, 6265,
3×s 3 × 26, 6047 79, 8141
LSE − x 720 − 609, 816 110, 184

PPS = = = = 1, 3805.
3×s 3 × 26, 6047 79, 8141
Então,
PPI + PPS 1, 3805 + 1, 6265

Pp = = = 1, 5035,
2 2
Ppk = min(P P I, P P S) = min(1, 3805; 1, 6265) = 1, 3805.
Observemos os gráficos X e Amplitude:

Figura 11.1: Gráficos X e amplitude.
Observemos também, os papéis de probabilidade, considerando as distribuições normal,

exponencial, Weibull e log-normal:
Figura 11.2: Papel de probabilidade.
Tabela 11.2: Análise de performance, supondo dados normais

Distribuição Anderson-Darling P-valor
normal 6,704736021 1,59838E-16
exponencial 53,71650559 < 0.005
Weibull 15,49437401 < 0.01
log-normal 5,659530307 5,07449E-14
O gráfico da análise de performance e os ı́ndices de capacidade e performance do processo

são dados a seguir:
Figura 11.3: Análise de performance, supondo dados normais.


Índices de performance
PP 1,50349
PPI 1,62648
PPS 1,38051
PPK 1,38051
Potential (WITHIN) capability

CP 1,82283
CPI 1,97194
CPS 1,67372
CPK 1,67372
Índices Observados
PPM > LSE 16000
PPM < LIE 0
PPM Total 16000
Índices Esperados (Overall)

PPM > LSE 17,25087
PPM < LIE 0,53197
PPM Total 17,78283
Índices Esperados (Within)

PPM > LSE 0,25679
PPM < LIE 0,00165
PPM Total 0,25845
Exemplo 11.3. A Tabela 11.4 apresenta dados de grau de brancura de um material enviado
para análise. Neste exemplo, mostra-se os cáclulos para avaliar a capacidade e performance do
processo.
Tabela 11.4: Grau de brancura de um material

n Medida n Medida n Medida n Medida n Medida
1 126,54 6 126,80 11 128,94 16 130,57 21 129,55
2 126,64 7 128,74 12 128,96 17 129,02 22 130,35
3 127,03 8 129,20 13 130,78 18 127,55 23 129,40
4 126,66 9 128,34 14 131,89 19 127,59 24 127,08
5 130,01 10 128,27 15 131,17 20 127,11 25 129,31
Neste caso,
LIE = 123, 25 e LSE = 128, 25
Primeiramente deve-se verificar se os dados possuem distribuição normal. Para isso, usa-
se, por exemplo, o teste de Andereson-Darling. A Figura 11.4 mostra os resultados do teste
de nomralidade e o gráfico de probabilidade, na qual verifica-se que os dados seguem uma
distribuição normal.
Figura 11.4: Papel de probabilidade e resultado do teste de Normalidade.
Para o método de variabilidade a longo prazo, temos

v
u n
uX
u
u (xi − x)2
t i=1
s n−1 1, 555822
σ
bajust = = = = 1, 572.
c4 (n) c4 (n) 0, 9896
e com isso,
LSE − LIE 128, 25 − 123, 25
Pp = = = 0, 530
6b
σ 6 ∗ (1, 572173)

LSE − µ
b µ b − LIE
Ppk = min ;
3b
σ 3b
σ

128, 25 − 128, 7 123, 25 − 128, 7
Ppk = min ;
3 ∗ (1, 572) 3 ∗ (1, 572)
Ppk = min [−0, 095 ; 1, 155] = −0, 095.
LSE − µ 128, 25 − 128, 70

= −0, 286.
b
Z LSE = =
σ
b 1, 572
LIE − µ 123, 25 − 128, 70

= −3, 466.
b
Z LIE = =
σ
b 1, 572
Calculando o PPMT otal
PPMLSE = [1 − Φ(Z LSE )] × 1.000.000 = [1 − Φ(−0, 286)] × 1.000.000 = 612652, 966
PPMLIE = Φ(ZLIE ) × 1.000.000 = Φ(3, 466) × 1.000.000 = 263, 462.
Assim,
PPMT otal = PPMLSE + PPMLIE = 612652, 966 + 263, 462 = 612916, 4.
Para o método de variabilidade a curto prazo:
R̄ 1, 165022
σ
b= = = 1, 032820974,
d2 1, 128
P25
em que R̄ = i=2 |(xi − xi−1 )| = 1, 165022.
Com isso, calcula-se os ı́ndices de Capacidade do Processo:
LSE − LIE 128, 25 − 123, 25

Cp = = = 0, 8068517
6b
σ 6 ∗ (1, 032820974)

LSE − µ
b µ b − LIE
Cpk = min ;
3b
σ 3b
σ

128, 25 − 128, 70 128, 70 − 123, 25
Cpk = min ;
3 ∗ (1, 033169) 3 ∗ (1, 032820974)
Cpk = min [−0, 1451844 ; 1, 758937] = −0, 1451844.
O valor de Z é obtido da seguinte forma:
LSE − µ 128, 25 − 128, 70

= −0, 4356999
b
Z LSE = =
σ
b 1, 032820974
LIE − µ 123, 25 − 128, 70

= −5, 27681.
b
Z LIE = =
σ
b 1, 032820974
Assim, para encontrar o PPMT otal calcula-se o
PPMLSE = [1 − Φ(Z LSE )] × 1.000.000 = [1 − Φ(−0, 4356999)] × 1.000.000 = 668473, 0713
PPMLIE = Φ(Z LIE ) × 1.000.000 = Φ(−5, 27681) × 1.000.000 = 0, 06572603.
Logo,
PPMT otal = PPMLSE + PPMLIE = 668473, 0713 + 0, 06572603 = 668473, 1.
A amplitude mével e o gráfico de X̄ são verificados a seguir,

Figura 11.5: Gráficos X̄ e Amplitude Móvel.
Os resultados gráficos da Análise de Performance do Processo são verificados na 11.6.
Figura 11.6: Análise de performance do processo.


231
Capı́tulo 12
Análise de Performance do Processo

para Dados Não Normais
Quando os dados não seguem distribuição normal temos diversas alternativas para calcu-
lar os ı́ndices de capacidade/performance do processo. A seguir, apresentamos as alternativas:
• Aplicar uma transformação nos dados, para que estes tenham distribuição normal;
• Calcular os ı́ndices através de outra distribuição de probabilidade que se ajuste aos dados,
em particular, através da distribuição de Weibull;
• Utilizar mistura de distribuições;
• Utilizar um ı́ndice não paramétrico.
12.1 Modelo normal com a transformação de Box-Cox

Quando a distribuição normal não se adequa aos dados, muitas vezes é útil aplicar a
transformação de Box-Cox para obtermos a normalidade. Considerando X1 , . . . , Xn os dados
originais, a transformação de Box-Cox consiste em encontrar um λ tal que os dados trans-
formados Y1 , . . . , Yn se aproximem de uma distribuição normal. Esta transformação é dada
por



 ln(Xi ), se λ = 0,

Yi =
λ
 Xi − 1 , se λ 6= 0,,



λ
12. Análise de Performance do Processo para Dados Não Normais 232
para i = 1, . . . , n.
Após aplicarmos essa transformação aos dados, as especificações e os parâmetros do processo
(média, variabilidade inerente e total) são obtidos para os dados transformados, aplicando a
análise via dados normais. Da mesma forma, os ı́ndices são calculados para os dados transfor-
mados com a distribuição normal.
Para verificarmos se a transformação foi eficiente, basta analisarmos a normalidade dos
dados transformados via histograma, papel de probabilidade normal ou teste de normalidade
de Kolmogorov-Smirnov ou Anderson-Darling.
Exemplo 12.1. Os dados deste exemplo são referentes a um processo em inı́cio de desenvolvi-
mento.Deste processo coletou-se uma amostra com 30 unidades, organizados na Tabela 12.1.
Considerando o Limite Superior de Especificação = 4, pede-se:
1. Calcular o ı́ndice de performance para o processo com os dados transformados.
2. Calcular a probabilidade de obtermos unidades acima do limite superior de especificação.
Tabela 12.1: Dados referentes a um processo em desenvolvimento

1,278258 4,47932 2,035204 3,757334 1,985193
0,017442 0,096113 0,992143 5,958947 3,193834
1,763441 1,503284 0,714152 1,973829 4,359103
0,350306 3,618302 1,084793 0,680619 0,645437
0,499543 0,19454 1,195303 0,088677 1,003296
0,009417 1,845016 1,707286 0,360242 0,309148
O teste de normalidade para os dados da Tabela 12.1 indica que eles não são podem ser
modelados pela distribuição normal.
Figura 12.1: Teste de Normalidade para os dados do processo em desenvolvimento.
Considerando que os dados da Tabela 12.1 não são modelados pela distribuição normal
pode-se fazer uma uma transformação nestes dados. Para isso, calcula-se a média e o desvio
padrão amostral, da seguinte forma:
x̄ = 1, 59
s = 1, 53.
Com o auxı́lio de software aplica-se a Tranformação de Box-Cox. A Figura 12.2 mostra o

valor de λ = 0, 3283, para a transformação realizada.
Figura 12.2: Logaritmo da função de verossimilhança para λ.
A Tabela 12.2 mostra os dados obtidos pela transformação. Os valores da média e desvio
padrão para os dados transformados são x = 0, 08 e s = 1, 24, respectivamente.
Tabela 12.2: Dados transformados

0,255662 1,937336 0,800318 1,657929 0,769029
-2,23985 -1,63421 -0,00788 2,426862 1,41358
0,623524 0,436188 -0,31872 0,761846 1,893027
-0,88741 1,600062 0,082486 -0,36145 -0,40782
-0,62067 -1,26646 0,183727 -1,67105 0,003292
-2,38755 0,678407 0,584744 -0,86749 -0,97419
O gráfico da Figura 12.3 mostra os resultados numéricos e gráficos do teste de normalidade,

indicando que a distribuição normal é adequada a estes novos dados transformados.
Figura 12.3: Teste de Normalidade para os dados transformados.
A mesma transformação aplicada aos dados deve ser feita para obter um novo limite superior
para os os dados transformados.
40,3283 − 1
LSE = = 1, 755577.
0, 3283
Com os dados e os limites transformados pode-se aplicar a análise discutida no capı́tulo

anterior, para calcular os ı́ndices de Performance do Processo.
12.2 Análise de performance do processo para dados com

distribuição não normais
Além da possibilidade de transformar os dados na tentativa de modelá-los por uma
distribuição normal é possı́vel selecionar, por meio do uso do gráfico do papel de probabilidade,
uma distribuição que melhor descreva a aleatoriedade dos dados. Esta metodologia é aplicada
para determinar a performance do processo, ou seja, a variabilidade a longo prazo.
12.3 Índices de performance do processo : Pp e Ppk

A equação para calcular os ı́ndices Pp e Ppk são similares aos ı́ndices Cp e Cpk . Desta
forma, temos
• Cálculo do Pp
LSE − LIE
Pp =
q3 − q1
em que
LSE = Limite Superior de Especificação
LIE = Limite Inferior de Especificação
q1 = Quantil da distribuição especı́fica com 0,135%
q3 = Quantil da distribuição especı́fica com 99,865%
• Cálculo de P P S e P P I
LSE − q2 q2 − LIE
PPS = ; PPI =
WS ∗ s WI ∗ s
em que
q2 − q1 q3 − q2
WI = ; WS =
s s
Assim:
LSE − q2 LSE − q2 LSE − q2
PPS = = q3 −q2 =
WS ∗ s s
s q 3 − q2
q2 − LIE q2 − LIE q2 − LIE
PPI = = q2 −q1 =
WI ∗ s s
s q2 − q1
em que
q2 = Quantil da especı́fica distribuição com 50% (equivalente ao valor correspondente à

mediana dos dados).
Desta forma garantimos o nı́vel de confiança desejado (99,73% = 6σ) com WI e WS

correspondendo ao valor 3 da distribuição normal.
• Cálculo de Ppk
Ppk = min(P P S; P P I).
Índices de performance esperados a longo prazo
• Cálculo P P MLIE < LIE
O número esperado de partes por milhão que tem observações menores que o limite inferior
de especificação é dado por:
P P MLIE < LIE = 1.000.000 ∗ qLIE
em que
qLIE = Percentil da especı́fica distribuição relativo ao limite inferior de especificação

(LIE).
• Cálculo de P P MLSE > LSE
O número esperado de partes por milhão que tem observações maiores que o limite supe-
rior de especificação é dado por:
P P MLSE > LSE = 1.000.000 ∗ (1 − qLSE )
em que
qLSE = Quantil da especı́fica distribuição relativo ao limite superior de especificação

(LSE).
• Cálculo de P P MT otal
P P MT otal = [P P MLIE < LIE] + [P P MLSE > LSE].
Índices de performance observados
• Cálculo de P P MObs < LIE
A proporção do total de observações menores que o limite inferior de especificação, mul-

tiplicada por 1.000.000 é dada por:

Qtde. de Obs. < LIE
P P MObs < LIE = ∗ 1.000.000
n
• Cálculo de P P MObs > LSE
A proporção do total de observações maiores que o limite superior de especificação, mul-

tiplicada por 1.000.000 é dada por:

Qtde. de Obs. > LSE
P P MObs > LSE = ∗ 1.000.000
n
• Cálculo de P P MObs T otal
P P MObs T otal = [P P MObs < LIE] + [P P MObs > LSE].
12.4 Análise de performance do processo com a distribuição

de Weibull
Temos que a função densidade de probabilidade da distribuição de Weibull é dada por
δ δ−1
f (t) = δ
t exp[−(t/α)δ ], t ≥ 0, (12.1)
α
em que
α : parâmetro de escala;
δ : parâmetro de forma.
A função densidade de probabilidade pode ser observada na figura a seguir
Figura 12.4: Gráfico da função densidade da distribuição Weibull.
Sabemos também que

1
Média = M T T F =M T BF =E[T ] = α ∗ Γ 1 + ,
δ
V ar[T ] = α2 {Γ[1 + (2/δ)] − (Γ[1 + (1/δ)])2 }

R∞
em que Γ(r) = 0
rα−1 e−r dr. Com isso, o desvio padrão (s) será dado por:
p
s= V ar[T ].
Exemplo 12.2. A utilização da distribuição de Weibull prmite clacular calcula-se apenas a

variabilidade a longo prazo e conseqüentemente, os ı́ndices Pp , Pp k, P P S, e P P I. O cálculo
destes indices de performance, diferentemente da distribuição normal, que depende da média e
desvio padrão, para a Weibull é preciso conhecer as estimativas de máxima verossimilhança dos
parâmetros de forma (δ) e locação (α) da distribuição de Weibull. Os dados da Tabela 12.3são
usados para exemplificar esta situação.
Tabela 12.3: Dados

Medições
0,20 0,30 0,57 0,56 0,20
0,16 1,19 0,42 0,96 0,05
0,24 0,46 0,91 0,11 0,63
0,56 0,12 0,79 0,85 0,53
0,34 0,50 0,51 0,37 0,60
0,33 0,46 0,67 0,8 0,21
0,35 0,69 0,7 0,52 0,29
0,20 0,11 0,19 0,17 0,41
0,28 0,32 0,22 0,58 0,43
0,81 0,28 0,62 0,15 0,75
O gráfico do Papel de Probabilidade da Figura 12.5 indica que os dados podem ser modelados
pela distribuição de Weibull, pois os pontos estão dispostos próximos a reta.
Figura 12.5: Gráfico de Papel de Probabilidade

Os resultados do teste de Anderson Darling apresentados na Tabela confirmam os resultados

gráficos da Figura 12.5, que indicam a distribuição de Weibull para modelar os dados.
Tabela 12.4: Teste de Anderson-Darling

normal 0,565674933 0,13573552
exponencial 3,890670021 < 0.005
Weibull 0,223076416 > 0.2501
log-normal 0,589049871 0,11799641
As estimativas dos parâmetros da Distribuição Weibull são:
α̂ = 0, 51143 e δ̂ = 1, 84754.
Desta forma,

1
E[T ] = 0, 51143 ∗ Γ 1 +
1, 84754
= 0, 51143 ∗ 0, 88826
= 0, 4543.
Variabilidade a longo prazo é dada por:
V ar[T ] = α2 {Γ[1 + (2/δ)] − (Γ[1 + (1/δ)])2 }

( 2 )
2 1
= (0, 51143)2 Γ 1 + − Γ 1+
1, 84754 1, 84754
= 0, 26156{1, 037738 − (0, 88826)2 }
= 0, 06506.
O desvio padrão (s) é dado por:
p
s= 0, 06506 = 0, 25506
Aa Figura 12.6 apresenta o gráfico de performance para este exemplo. Em seguida, encontram-
se os ı́ndices de performance para LSE = 1, 1 e LIE = 0, 045.
• Cálculo do Pp
LSE − LIE
Pp =
q3 − q1
em que LSE = Limite Superior de Especificação
q1 = Quantil da Distribuição Weibull com 0,135%
q3 = Quantil da Distribuição Weibull com 99,865%
Assim:
1, 1 − 0, 045
Pp = = 0, 75.
1, 421 − 0, 0143
PPS = PPI =
WS ∗ s WI ∗ s
em que q2 = Quantil da Distribuição Weibull com 50% (equivalente ao valor correspon-
dente à mediana dos dados).
q2 − q1 q 3 − q2
WI = WS =
s s
Assim:
0, 4194 − 0, 0143 1, 4211 − 0, 4194

WI = = 1, 5881 WS = = 3, 9274
0, 25506 0, 25506
1, 1 − 0, 4194 0, 4194 − 0, 045

PPS = = 0, 68 PPI = = 0, 92
3, 9274 ∗ 0, 25506 1, 5881 ∗ 0, 25506
Ppk = min(P P S; P P I) = min(0, 68; 0, 92) = 0, 68.
• Cálculo P P M < LIE e P P M > LSE esperados
P P MLIE < LIE = 1.000.000 ∗ qLIE P P MLSE > LSE = 1.000.000 ∗ (1 − qLSE )
em que
qLIE = Quantil da Distribuição Weibull relativo ao LIE.
qLSE = Quantil da Distribuição Weibull relativo ao LSE.
Assim:
P P MLIE < LIE = 1.000.000 ∗ 0, 01115141 = 11151, 41
P P MLSE > LSE = 1.000.000 ∗ 0, 01630589 = 16305, 89
P P MT otal = 16305, 89 + 11151, 41 = 27457, 3.
• Cálculo de (P P M < LIE) e (P P M > LSE) observados
P P MObs < LIE = Proporção observada de dados menores que o LIE × 1.000.000

Qtde. de Obs. < LIE 0
= ∗ 1.000.000 = ∗ 1.000.000 = 0.
n 50
P P MObs > LSE = Proporção observada de dados maiores que o LSE × 1.000.000

Qtde. de Obs. > LSE 1
= ∗ 1.000.000 = ∗ 1.000.000 = 20.000.
n 50
P P MObs T otal = [P P MObs < LIE] + [P P MObs > LSE] = 20.000.
Exemplo 12.3. A Tabela 12.5 apresenta dados de gramatura em g/m2 de uma folha de papel.
As especificações para estes dados são LSE = 92, 88, Alvo = 90, 21 e LIE = 87, 54.
Tabela 12.5: Gramatura (g/m2 )

88,20 90,20 91,30 90,10 90,70
88,90 91,20 90,20 90,80 89,50
90,50 91,00 91,40 91,40 91,20
90,30 91,50 89,90 91,30 90,50
90,00 91,40 90,20 89,00 90,60
O gráfico da Figura 12.7 indica que a distribuição Weibull é a que melhor se ajusta aos
dados de gramatura de papel.
Figura 12.7: Gráficos de papel de probabilidade para os dados de gramatura de papel.

Os valores numéricos do teste de Anderson-Darling verificados na Tabela 12.6 confirmam o

resultado gráfico observado na Figura 12.7 de que a distribuição de Weibull melhor se ajusta
aos dados de gramatura de papel.
Tabela 12.6: Teste de Anderson-Darling para os dados de gramatura de papel.

normal 0,640592272 0,083896865
exponencial 11,53365505 < 0.005
Weibull 0,490855524 > 0.25
log-normal 0,654813343 0,077172124
Assim, as estimativas dos parâmetros da Distribuição de Weibull são obtidas da seguinte

forma:
α
b = 90, 8380 e δb = 140, 329.
Desta forma,

1 1
E(T ) = α ∗ Γ 1 + = 90, 838 ∗ Γ 1 + = 90, 468,
δ 140, 329
A variabilidade a longo prazo é dada por:
V ar[T ] = α2 {Γ[1 + (2/δ)] − (Γ[1 + (1/δ)])2 }

( 2 )
2 1
= (90, 8380)2 Γ 1 + − Γ 1+ =
140, 329 140, 329
= 0, 6766628.
O desvio padrão (s) vale
p
s= 0, 6766628 = 0, 8225951.
O gráfico da Figura 12.8 ilustra a análise da performance do processo dos dados de gramatura
de papel.
Os ı́ndices de performance do processo são dados por:
• Cálculo de Pp
LSE − LIE 92, 88 − 87, 54

Pp = = = 0, 9873786.
q3 − q 1 92, 069 − 86, 66029
LSE − q2 92, 88 − 90, 60106

PPS = = = 1, 552.
q3 − q 2 92, 06855 − 90, 60106
q2 − LIE 90, 60106 − 87, 54
PPI = = = 0, 776.
q2 − q1 90, 60106 − 86, 66029
• Cálculo de P P M < LIE e P P M > LSE esperados
P P MLIE < LIE = 1.000.000 ∗ 0.005558515 = 5558, 515

P P MLSE > LSE = 1.000.000 ∗ 0, 01630589 = 0, 0001474505
P P MT otal = 5558, 515 + 0, 0001474505 = 5558, 5151474505.

P P MObs < LIE = ∗ 1.000.000 = ∗ 1.000.000 = 0.
n 25

P P MObs > LSE = ∗ 1.000.000 = ∗ 1.000.000 = 0
n 25
P P MObs T otal = [P P MObs < LIE] + [P P MObs > LSE] = 0.
A análise descrita acima busca uma distribuição de probabilidade que melhor se ajuste
aos dados. Quando estes procedimentos não são realizados e os dados são assumidos com
distribuição normal, os resultados obtidos para os ı́ndices são diferentes. A Tabela 12.7 faz uma
comparação ilustrativa dos ı́ndices, caso fosse asssumida distribuição normal para os dados de
gramatura de papel, com a suposição de ditribuição de Weibull.
Tabela 12.7: Índices calculados supondo distribuição normal

ı́ndice normal Weibull
Pp 1,011 0,987
PPI 1,103 0,776
PPS 0,919 1,552
Ppk 0,919 0,776
12.5 Análise de performance do processo com a distribuição

exponencial
Temos que a função densidade de probabilidade da distribuição exponencial é dada por
1 −t/α
f (t) = e para todo t > 0,
α
sendo α > 0 denominado o parâmetro da distribuição. Assim, temos que a função de dis-
tribuição acumulada é dada por
Z t
1 −x/α
F (t) = P [T ≤ t] = e dx = 1 − e−t/α para todo t > 0.
0 α
com
E[T ] = α e V ar[T ] = α2 .
A função densidade de probabilidade da distribuição exponencial pode ser observada na

Figura 12.9.
Figura 12.9: Densidade de probabilidade da exponencial com α = 100.
Exemplo 12.4. Os dados da Tabela 12.8 são usados exemplificar uma análise de performance
para dados com distribuição exponencial.
Tabela 12.8: Dados Medidos

0,106 0,012 0,039 0,009 0,023
0,007 0,015 0,036 0,007 0,017
0,007 0,011 0,087 0,049 0,03
0,014 0,002 0,075 0,094 0,201
0,052 0,02 0,008 0,003 0,011
0,058 0,292 0,04 0,036 0,055
0,003 0,059 0,206 0,101 0,055
0,03 0,04 0,002 0,047 0,08
0,03 0,016 0,114 0,002 0,002
0,041 0,023 0,052 0,114 0,005
Verifica-se pela Figura 12.10 que a distribuição exponencial se ajusta aos dados da Tabela
12.8.
Os resultados do teste de Anderson-Darling verificados na Tabela 12.9 indica que estes dados
podem ser modelados tanto pela distribuição exponencial, Weibull e log-normal. Porém, este
exemplo ilustra o cálculo dos ı́ndices de performance para dados com distribuição exponencial,
vamos assumir que os dados são modelados por ela.
Tabela 12.9: Teste de Anderson-Darling.

normal 3,681918224 2,5166E-09
exponencial 0,584033732 >0,15001
Weibull 0,271318489 >0,25001
log-normal 0,58761443 0,119020976
Os valores especificados para os limites de controle são: LSE = 0, 3 e LIE = 0, 0015.

Desta forma,
1
E[T ] = = 20, 508
x̂
1
E[T ] = = 20, 508.
0, 04876
Variabilidade a longo prazo:

2
1
V ar[T ] =
x
2
1
=
0, 04876
= 420, 603.
O desvio padrão (s) é dado por:
p
s= 420, 603 = 20, 508.
O gráfico da Figura 12.11 ilustra a análise da performance do processo para dados com
distribuição exponencial.
Os ı́ndices de performance do processo para dados com distribuição exponencial são calcu-
lados da seguinte forma:
• Cálculo de Pp
LSE − LIE
Pp =
q3 − q1
em que LIE e LSE já foram definidos anteriormente, e
q1 = Quantil da distribuição exponencial com 0,135%
q3 = Quantil da distribuição exponencial com 99,865%
Assim:
0, 3 − 0, 0015
Pp = = 0, 9266.
0, 32218 − 0, 0000658
PPS = PPI =
WS ∗ s WI ∗ s
em que q2 = Quantil da distribuição exponencial com 50% (equivalente ao valor cor-
respondente à mediana dos dados).
q2 − q1 q 3 − q2
WI = WS =
s s
Assim:
0, 033797 − 0, 0000658 0, 32218 − 0, 033797

WI = = 0, 001644 WS = = 0, 01406.
20, 508 20, 508
0, 3 − 0, 033797 0, 033797 − 0, 0015

PPS = = 0, 92305 PPI = = 0, 95748.
0, 01406 ∗ 20, 508 0, 001644 ∗ 20, 508
• Cálculo (P P M < LIE) e (P P M > LSE) esperados
em que qLIE = Quantil da distribuição exponencial relativo ao LIE
qLSE = Quantil da distribuição exponencial relativo ao LSE
Assim:
P P MLIE < LIE = 1.000.000 ∗ 0, 03029456 = 30294, 56
P P MLSE > LSE = 1.000.000 ∗ 0, 002127976 = 2127, 976
e
P P MT otal = 30294, 56 + 2127, 976 = 32422, 536.

= ∗ 1.000.000 = ∗ 1.000.000 = 0.
n 50

= ∗ 1.000.000 = ∗ 1.000.000 = 0.
n 50
P P MObs T otal = [P P MObs < LIE] + [P P MObs > LSE] = 0.
12.6 Análise de Performance do processo com a distribuição

log-normal
Assim como a distribuição de Weibull, a distribuição log-normal é muito usada para
carac-terizar tempo de vida de produtos e materiais. Isto inclui, fadiga de metal, semicondu-
tores, diodos e isolação elétrica. A função de densidade para uma distribuição log-normal é
dada por
" #
1 − (log(t) − µ)2
f (t) = √ exp , t≥0 (12.2)
tσ 2π 2σ 2
em que
• µ é a média do logaritmo;
• σ é o desvio-padrão do logaritmo.
A função densidade de probabilidade pode ser observada na figura a seguir

Figura 12.12: Gráfico da função densidade da distribuição log-normal.
Existe uma relação entre a distribuição log-normal e normal. Como o nome sugere, o
logaritmo de uma variável com distribuição log-normal com parâmetros µ e σ tem distribuição
normal com média µ e desvio-padrão σ. Esta relação significa que dados provenientes de uma
distribuição log-normal podem ser analisados segundo uma distribuição normal, caso sejam
usados o logaritmo dos dados ao invés dos valores originais.
Exemplo 12.5. Os dados da Tabela 12.10 são usados exemplificar uma análise de performance
para dados com distribuição log-normal.
Tabela 12.10: Medições

24,23 323,44 61,65 8,61 3556,16
62,55 115,35 1865 127,5 59,75
193,35 91,44 199,21 309,33 10,53
79,59 31,2 79,02 17,11 92,9
149,88 272,17 58,15 2300,26 217,09
733,15 59,6 691,09 244,52 115,66
514,14 9,98 42,43 7,68 425,71
238,75 85,78 51,42 83,97 296,95
222,57 29,01 342,19 45,33 867,67
363,23 593,02 138,81 520,4 161,08
A Figura 12.13 indica que a distribuição log-nomal é a distribuição que melhor modela os
dados da Tabela 12.10. Os resultados do teste de Anderson-Darling são mostrados na Tabela
12.11.
Figura 12.13: Papel de Probabilidade

Tabela 12.11: Teste de Anderson-Darling.

normal 8,123835227 4,46329E-20
exponencial 3,913767918 <0,005
Weibull 0,769513479 >0,05
log-normal 0,172460262 0,924499739
Como o p-valor para o teste de Anderson-Darling referente a distribuição log-nomal (0.924)

é maior que 0,05, pode-se dizer que os dados são modelados por esta distribuição.
As estimativas dos parâemtros da distribuição log-normal são:
µ
b = Média(log(dados)) = 4, 8975
e
p
σ
b= var(log(dados)) = 1, 4032.
Assim
2
σ
E[T ] = exp µ +
2

1, 9692
= exp 4, 8975 + = 358, 5861.
2
A variabilidade a longo prazo é dada por:
V ar[T ] = exp(((2 × µ) + σ 2 )) × (exp(σ 2 ) − 1)
= 128584 ∗ 6, 165012
= 792721, 9.
O desvio padrão vale
p
s= 792721, 9 = 890, 927.
O gráfico da performance do processo é verificado na Figura 12.14.

Os valores dos ı́ndices de performance para os dados da Tabela 12.10 e considerando LSE =
3000 e LIE = 30 são obtidos da seguinte forma,
• Cálculo de Pp
LSE − LIE
Pp =
q3 − q1
q1 = Quantil da distribuição log-normal com 0,135%
q3 = Quantil da distribuição log-normal com 99,865%
Assim:
3000 − 30
Pp = = 0, 3292.
9021, 697 − 1, 9892
PPS = PPI =
WS ∗ s WI ∗ s
em que q2 = Quantil da distribuição log-normal com 50% (equivalente ao valor cor-
respondente à mediana dos dados).
q2 − q1 q 3 − q2
WI = WS =
s s
Assim:
133, 963 − 1, 9892 9021, 697 − 133, 963

WI = = 0, 14822 WS = = 9, 9823.
890, 3494 890, 3494
3000 − 133, 963 133, 963 − 30

PPS = = 0, 3224 PPI = = 0, 7877
9, 9823 ∗ 890, 3494 0, 14822 ∗ 890, 3494
• Cálculo (P P M < LIE) e (P P M > LSE) esperados
em que qLIE = Quantil da distribuição log-normal relativo ao LIE
qLSE = Quantil da distribuição log-normal relativo ao LSE
Assim:
P P MLIE < LIE = 1.000.000 ∗ 0, 1431370 = 143137
P P MLSE > LSE = 1.000.000 ∗ 0, 01336716 = 13367, 16
P P MT otal = 143137 + 13367, 16 = 156504, 16.


= ∗ 1.000.000 = ∗ 1.000.000 = 140.000.
n 50

= ∗ 1.000.000 = ∗ 1.000.000 = 20.000.
n 50
P P MObs T otal = [P P MObs < LIE] + [P P MObs > LSE] = 140.000 + 20.000 = 160.000.
12.7 Análise de performance não paramétrica

Algumas vezes, temos dados que não se encaixam em nenhuma distribuição conhecida
(por exemplo, normal, Weibull, exponencial), neste caso, chamamos esses dados de não Paramétricos.
12.7.1 Famı́lia de Pearson
Pearson (1895) propôs uma famı́lia de distribuições cuja função densidade de probabili-
dade f satisfaz a seguinte equação diferencial
1 ∂f a+x
=
f ∂x c0 + c1 x + c2 x 2
onde
• c0 , c1 , c2 e a são parâmetros;
• f (x) ≥ 0;
R∞
• −∞
f (x)dx = 1.
Se c1 = c2 = 0, temos
1 ∂f (x) x+a
= .
f ∂x c
Então,
(x + a)2

f (x) = k ∗ exp − ,
2c0
onde
√
• k= 2πc0 ; c0 > 0;
• distribuição normal com µ = −a e σ 2 = c0 .
Ajuste dos parâmetros
• µ : média;
• σ : desvio padrão;
• β1 : coeficiente de assimetria 3
x−µ
β1 = E ;
σ
• β2 : coeficiente de curtosis 4
x−µ
β2 = E − 3.
σ
Relação dos parâmetros com os momentos
σβ1 (β2 + 6)
a = µ+ ;
12β12 − 10β2 − 12
µ2 (3β12 − 2β2 ) + µσβ1 (β2 + 6) + σ 2 (3β12 − 4β2 − 12)

c0 = ;
12β12 − 10β2 − 12
σβ1 (β2 + 6) + 2µ(3β12 − 2β2 )

c1 = − ;
12β12 + 10β2 − 12
3β12 − 2β2
c2 = .
12β12 + 10β2 − 12
Quando estamos trabalhando com dados não paramétricos, não é possı́vel calcular os ı́ndices
de performance usando uma distribuição conhecida. John Clements, em 1989, propôs uma nova
forma de calcular estes ı́ndices.
12.7.2 Cálculo de ı́ndice de performance não paramétrica (Clements)
Neste método temos que calcular a Média (X), Desvio Padrão (s), Coeficiente de As-
simetria (Sk) e Coeficiente de Curtose (Ku). Os cálculos dos Pp , Ppk , P P I e P P S, são
praticamente iguais:
• Cálculo do Coeficiente de Assimetria (Sk)
[(xi − x)/s]3
P
Sk = ,
n
• Cálculo do Coeficiente de Curtose (Ku)
[(xi − x)/s]4
P
Ku = −3
n
LSE − LIE
Pp =
q3 − q1
q2 − LIE
PPI =
q2 − q 1
LSE − q2
PPS =
q 3 − q2
Ppk = min(P P S, P P I)
em que
q1 = X − s × q10
q2 = X + s × q20
q3 = X + s × q30
q10 = Se o valor do Coeficiente de Assimetria for positivo use a Tabela ?? do Apêndice ??,
se o valor do Coeficiente de Assimetria for negativo use a Tabela ?? do Apêndice ??.
q20 = Se o valor do Coeficiente de Assimetria for positivo inverter o sinal do valor da Tabela
?? do Apêndice ??, se o valor do Coeficiente de Assimetria for negativo use a Tabela ?? do
Apêndice ??.
q30 = Se o valor do Coeficiente de Assimetria for positivo use a Tabela ?? do Apêndice ??,
se o valor do Coeficiente de Assimetria for negativo use a Tabela ?? do Apêndice ??.
Exemplo 12.6. Considerando os dados da Tabela 12.12. Avaliar a Performance do processo

para LSE = 2, 70, Alvo = 2, 20, LIE = 1, 7 e n = 200.
Tabela 12.12: Dados para análise de performance do processo - Clements

2,40 2,06 2,20 2,06 2,35 2,20 2,33 2,35 2,15 2,04
2,11 2,25 1,94 2,07 2,22 2,15 2,40 2,57 1,92 2,26
2,34 2,07 2,05 2,46 2,06 2,08 2,55 2,17 2,03 2,20
2,13 2,60 2,53 2,41 2,36 2,22 2,38 2,10 2,22 2,08
2,37 2,06 2,36 2,49 2,16 2,29 2,16 2,40 2,29 2,25
1,95 2,39 2,09 2,12 2,06 2,42 2,07 2,42 2,39 1,94
2,17 2,25 1,98 2,12 2,57 2,59 2,02 2,06 1,96 2,20
2,51 1,94 2,30 2,37 2,29 1,98 2,35 2,02 2,01 2,08
1,96 2,22 2,10 2,04 2,19 2,35 1,85 2,16 1,96 2,33
2,02 2,34 1,99 2,23 2,37 2,04 2,60 2,27 2,12 2,29
2,17 2,60 1,93 2,05 2,37 1,91 2,17 2,16 2,16 2,42
1,97 2,49 2,03 2,07 2,19 2,17 2,50 2,08 2,30 1,99
2,34 2,40 2,30 2,12 1,99 2,03 2,04 1,99 2,00 2,10
2,06 1,96 2,08 2,11 2,15 2,00 2,15 2,53 2,20 2,17
2,48 1,99 2,13 2,38 2,16 2,30 2,00 2,59 2,36 2,25
2,18 2,02 2,27 2,35 1,98 2,08 2,41 2,19 2,05 2,12
2,10 2,13 2,31 2,00 2,07 2,53 2,33 2,12 2,28 2,25
2,08 2,09 2,48 2,16 2,30 1,98 1,74 2,34 2,30 2,43
2,15 2,41 2,24 2,13 2,14 2,10 2,28 2,10 2,10 2,32
2,32 2,11 2,32 2,33 1,94 1,99 2,10 2,66 2,12 2,17
Calculando a média X
2, 40 + 2, 06 + . . . + 2, 33 + 2, 12 439, 74
X = = = 2, 20.
200 200
Calculando o desvio padrão (s)

r
(2, 40 − 2, 20)2 + · · · + (2, 12 − 2, 20)2
s =
200 − 1
r
6, 342 p
= = 0, 0318 = 0, 178.
199
Calculando o coeficiente de Assimetria (Sk)
3 3
(2,40−2,20) (2,12−2,20)
0,178
+ ··· + 0,178
Sk =
200
78, 203
= = 0, 391.
200
Calculando o Coeficiente de Curtose (Ku)
4 4
(2,40−2,20) (2,12−2,20)
0,178
+ ··· + 0,178
Ku = −3
200
501, 2369
= − 3 = −0, 494.
200
Para Sk = 0, 4 e Ku = −0, 4 obtemos
• q10 = 1,930, que corresponde ao percentil 0,135 da curva de Pearson, ver Tabela ?? do
apêndice ??;
• q20 = -0,091, que corresponde ao percentil 0,50 da curva de Pearson, ver Tabela ?? do
apêndice ??;
apêndice ??.
Assim, calculamos os valores de q1 , q2 e q3 .
q1 = X − s × q10 = 2, 20 − 0, 178 × (1, 930) = 1, 854
q2 = X + s × q20 = 2, 20 + 0, 178 × (−0, 091) = 2, 182
q3 = X + s × q30 = 2, 20 + 0, 178 × (2, 969) = 2, 728.

2, 70 − 1, 7
Pp = = 1, 14.
2, 728720 − 1, 854160
2, 182455 − 1, 70
PPI = = 1, 469
2, 182 − 1, 854
2, 70 − 2, 182
PPS = = 0, 947
2, 728 − 2, 182
Ppk = min(0, 947; 1, 469) = 0, 947.
A Tabela 12.13 mostra os ı́ndices calculados supondo que os dados tem a distribuição normal.
Tabela 12.13: Índices de performance normal/Clements

normal Clements
PP 0,93271 1,143432
PPI 0,930514 1,469578
PPS 0,934905 0,9474248
PPK 0,930514 0,9474248

Exemplo 12.7. Avaliar a performance do processo considerando os dados da Tabela 9.10 e as

seguintes condições para LSE = 20, 5 e n = 25.

17,65 17,37 17,90 17,05 16,70
17,45 17,03 17,49 17,10 16,90
18,94 18,30 19,60 17,02 16,60
17,98 16,30 16,76 16,80 16,60
17,85 16,96 17,12 16,70 18,52
Calculando a média X
17, 65 + 17, 37 + . . . + 16, 70 + 18, 52 434, 69

X = = = 17, 38.
25 25
Calculando o desvio padrão (s)
r
(17, 65 − 17, 3876)2 + · · · + (18, 52 − 17, 3876)2
s =
25 − 1
r
15, 39046 p
= = 0, 641269 = 0, 8.
24
Calculando o Coeficiente de Assimetria (Sk)
3 3
(17,65−17,38) (18,52−17,38)
0,8
+ ··· + 0,8
Sk =
25
26, 30
= = 1, 05.
25
Calculando o Coeficiente de Curtose (Ku)

4 4
(17,65−17,38) (18,52−17,38)
0,8
+ ··· + 0,8
Ku = −3
25
86, 05
= − 3 = 0, 44.
25
Para Sk = 1, 1 e Ku = 0, 4 obtemos
• q20 = -0,336, pois Sk > 0, que corresponde ao percentil 0,50 da curva de Pearson, ver
Tabela ?? do apêndice ??;
apêndice ??.
Assim, calculamos os valores de q2 e q3 .
q2 = X + s × q20 = 17, 38 + 0, 8(−0, 336) = 17, 11.
q3 = X + s × q30 = 17, 38 + 0, 8(3, 264) = 20.
20, 5 − 17, 11
PPS = = 1, 173.
20 − 17, 11
Ppk = min(1, 173) = 1, 173.

12.7.3 Método do núcleo (kernel)
O método de Kernel é um método não paramétrico para estimação de curvas de densidade

onde cada observação é ponderada pela distância em relação a um valor central, o núcleo. A
idéia é centrar cada observação x, onde se queira estimar a densidade, uma janela b, que define
a vizinhança de x e os pontos que pertencem à estimação.
Estimação de densidade
A probabilidade de que um vetor x, retirado de uma função de densidade desconhecida

p(x), cair dentro de uma região R é
Z
P̂ = p(x0 )dx0
R
Considerando que R seja continua e pequena de forma que p(x) não varia, teremos
Z
P̂ = p(x0 )dx0 = p(x) × V
R
onde V é o volume de R.
Se retiramos n pontos de maneira independente de p(x), então a probabilidade que k deles
caiam na região R é dada pela lei binomial

 
n
Pk =   P k (1 − P )n−k
k
Temos também, que o número médio de pontos caindo em R é dado pela esperança matemática
de k, E[k] = n.P . Considerando n grande, temos
k
P̂ = p(x) × V , P̂ =
| {z n}
k
p̂(x) × V =
n
Logo a estimação de densidade p(x) é
k/n
p(x) ≈
V
Se as regiões Ri não tem intersecção, temos um histograma
Em problemas reais, existem duas alternativas para estimação de densidade:
• Escolher um valor fixo de k e determinar o volume V a partir dos dados,
• Fixar o volume V e determinar k a partir dos dados (Janela de Parzen).
Janela de Parzen
Nesta abordagem fixamos o tamanho da região R para estimar a densidade, fixamos o

volume V e determinamos o correspondente k a partir dos dados de aprendizagem e assumimos
que a região R é um hipercubo de tamanho h, seu volume é hd
Para estimar a densidade no ponto x, simplesmente centramos R em x, contamos o número

de observações em R, e substituı́mos na equação
k/n
p(x) ≈
V
Por exemplo,
Podemos definir uma expressão para encontrar a quantidade de pontos que caem em R, a
qual é definida como função de Kernel ou Parzen window
Considerando que temos os exemplos x1 , x2 , ..., xn , temos

Exemplo 12.8. Janela de Parzen em 1D
Suponha que temos 7 observações D = {2, 3, 4, 8, 10, 11, 12} e o tamanho da janela h =
3. Estimar a densidade em x = 1.
Para ver o formato da função, podemos estimar todas as densidades.

A janela é usada, na realidade, para interpolação, cada observação xi contribui para o
resultado da densidade em x, se x está perto bastante de xi .
Janela de Parzen: kernel Gaussiano
Uma alternativa a janela quadrada usada até então é a janela Gaussiana. Nesse caso,
os pontos que estão próximos a xi recebem um peso maior. A estimação da densidade é então
suavizada
Exemplo 12.9. Voltando ao exemplo anterior D = {2, 3, 4, 8, 10, 11, 12}, para h = 1,
terı́amos
Janelas de Parzen N(0, 1)
Figura 12.15: Poucas observações e h pequeno.
Figura 12.16: Muitas observações e h pequeno.
Outros kernels utilizados
Apesar do kernel Gaussiano ser mais freqüentemente utilizado, há várias escolhas entre
kernels como mostrado na tabela abaixo
Tabela 12.15: Diferentes tipos de funções de densidade ϕ(u)

Kernel ϕ(u)
1
Uniforme 2
I(|u| ≤ 1)
Triangular (1 − |u|)(|u| ≤ 1)
3
Epanechnikov 4
(1 − u2 )2 I(|u| ≤ 1)
15
Quadrático 16
(1 − u2 )2 I(|u| ≤ 1)
35
Triweight 32
(1− u2 )3 I(|u| ≤ 1)
π
cos π2 u I(|u| ≤ 1)

Cosseno 4
Exemplo 12.10. Medições do diâmetro de um pino feitas com súbito, pegando 3 peças a cada
20 produzidas. Analisar a estabilidade e a capacidade do processo.
Tabela 12.16: Medições do diâmetro

Amostra Medições Média
1 33,633 34,276 35,265 34,39
2 39,815 34,24 34,5 36,18
3 34,333 33,682 35,5 34,50
4 35,13 33,667 34,946 34,58
5 33,827 33,893 35,407 34,37
6 33,543 33,8 34,8 34,05
7 34,615 34,607 34,667 34,63
8 34,208 34,265 35,087 34,52
9 33,839 35,761 35,5 35,03
10 33,047 35 34,889 34,31
11 35,4 34,519 34,633 34,85
12 34,81 34,471 35,31 34,86
13 33,742 35,032 35,174 34,65
14 33,686 35,083 35,071 34,61
15 33,357 35,345 35,2 34,63
16 36,278 35,556 35,25 35,69
No exemplo temos:
m = Número de Amostras = 16
n = Tamanho das Amostras = 3
LSE = 40 e LIE = 30.
Observamos a seguir que os dados não seguem nenhuma distribuição testada
Tabela 12.17: Análise de performance

normal 1,420142664 0,000998032
exponencial 21,21474069 < 0.005
Weibull 5,535266117 < 0.01
log-normal 1,228097191 0,003012721
Desta foram então, utilizamos o método do Núcleo (Kernel):

Tabela 12.18: Análise de performance pelo método do kernel

PP 1,290963319
PPI 2,143500803
PPS 0,95249286
PPK 0,95249286
PPM > LSE 0
PPM < LIE 0
PPM Total 0
Índices Esperados
PPM > LSE 5601,977638
PPM < LIE 0
PPM Total 5601,977638
Figura 12.18: Método do kernel.

275
Capı́tulo 13
Análise de Performance para Atributos
Capacidade para dados atributivos é simplesmente definida (AIAG (1995)) como a pro-
porção média ou a taxa de não conformidade do produto, visto que, os gráficos de variáveis
referem-se a variação (6σ̂R/d2 ) inerente produzida pelo processo estável.
13.1 Análise de performance para dados binomiais

Dados com distribuição binomial estão associados com o número registrado de itens
defeituosos em relação ao total de itens presentes na amostra.
• O resultado de cada item avaliado deve ser obtido nas mesmas condições de avaliação dos
demais itens.
• Os resultados dos itens são independentes.
• O resultado da avaliação de cada item é classificado em sucesso ou fracasso.
A proporção média é dada por:
DT ot
p̄ =
NT ot
em que DT ot = Soma das quantidades de itens defeituosos em cada amostra.
NT ot = Quantidade de itens avaliados.
A porcentagem de defeituosos é dada por:

% de Defeituosos = p̄ × 100.
Intervalo de confiança para porcentagem de defeituosos
13. Análise de Performance para Atributos 276
Os limites são dados por:
ν1 ∗ F( α ,ν1 ,ν2 )
2
Limite inferior ( LI ) =
ν2 + ν1 ∗ F( α ,ν1 ,ν2 )
2
ν3 ∗ F(1− α ,ν3 ,ν4 )

2
Limite superior ( LS ) =
ν4 + ν3 ∗ F(1− α ,ν3 ,ν4 )
2
%Defeituosos LI = LI × 100
%Defeituosos LS = LS × 100
em que
• ν1 = 2 ∗ DT ot
• ν2 = 2(NT ot − DT ot + 1)
• ν3 = 2 ∗ (DT ot + 1)
• ν4 = 2 ∗ (NT ot − DT ot )
• F( α ,ν1 ,ν2 ) = Quantil da distribuição F com ν1 e ν2 graus de liberdade e que deixa uma
2
área de α2 à esquerda.
• F(1− α ,ν3 ,ν4 ) = Quantil da distribuição F com ν3 e ν4 graus de liberdade e que deixa uma
2
área de 1 − α2 à esquerda.
PPM: É o número esperado de peças defeituosas em um milhão de peças produzidas.

Intervalo de confiança para PPM
Limite inferior = 1.000.000*(LI)
Limite superior = 1.000.000*(LS)
Índice de capacidade (Z)
Quanto maior o valor do ı́ndice de capacidade (Z), melhor é a performance do processo.
Processo Z = −1 ∗ φ−1 (p̄)
em que
φ−1 (p̄): Quantil da distribuição normal padrão (0,1) com área acumulada igual a p̄.
Intervalo de confiança para o ı́ndice de capacidade (Z)
Limite inferior = −1 ∗ φ−1 (LS)
Limite superior = −1 ∗ φ−1 (LI)
Exemplo 13.1. Uma indústria está interessada em analisar a capacidade do processo no qual
verifica-se a proporção de peças defeituosas em lotes de 1000 peças. Os dados estão na Tabela
13.1
Tabela 13.1: Dados de lotes de peças

Amostra peças defeituosas Total de peças na amostra
1 432 1000
2 392 1000
3 497 1000
4 459 1000
5 433 1000
6 424 1000
7 470 1000
8 455 1000
9 427 1000
10 424 1000
11 410 1000
12 386 1000
13 496 1000
14 424 1000
15 425 1000
16 428 1000
17 392 1000
18 460 1000
19 425 1000
20 405 1000
Total 8664 20000
DT ot 8664
p̄ = = = 0, 4332
NT ot 20000
% Peças defeituosas = 43,32.
Intervalo de confiança para % peças defeituosas
Calculando os valores de ν e F temos
ν1 = 2 ∗ DT ot = 2 ∗ (8664) = 17328
ν2 = 2(NT ot − DT ot + 1) = 2 ∗ (20000 − 8664 + 1) = 22674
ν3 = 2 ∗ (DT ot + 1) = 2 ∗ (8664 + 1) = 17330
ν4 = 2 ∗ (NT ot − DT ot ) = 2 ∗ (20000 − 8664) = 22672

F( α ,ν1 ,ν2 ) = 0,9723927
2
F(1− α ,ν3 ,ν4 ) = 1,028336

2
ν1 ∗ F α2 ,ν1 ,ν2
Limite inferior ( LI ) =
ν2 + ν1 ∗ F α2 ,ν1 ,ν2
17328 ∗ (0, 972) 16849, 62

LI = = = 0, 426
22674 + 17328 ∗ (0, 972) 22674 + 16849, 62
% LI para peças defeituosas = LI × 100 = 100*0,4263= 42,63.

Já para o limite superior temos:
ν3 ∗ F1− α2 ,ν3 ,ν4

Limite superior ( LS ) =
ν4 + ν3 ∗ F1− α2 ,ν3 ,ν4
17330 ∗ (1, 028336) 17821, 07

LS = = = 0, 4401017
22672 + 17330 ∗ (1, 028336) 22672 + 17821, 07
% LS para peças defeituosas= LS × 100 = 100*0,4401= 44,01

PPM: p̄ × 1.000.000 = 1.000.000*0,4332= 433200.
Intervalo de confiança para PPM
Limite inferior = 1.000.000*(LI)= 1.000.000*(0,4263177)= 426300,0.
Limite superior = 1.000.000*(LS)= 1.000.000*(0,4401017)= 440100,0.
13.2 Análise de performance para dados Poisson

Dados com distribuição Poisson estão associados com o número de não-conformidades
observados num certo item (amostra) ao longo do espaço/tempo.
• A taxa de não-conformidades por unidade (tempo, medida, etc.) é a mesma para qualquer
item.
• O número de não-conformidades observados em um item independe de qualquer outro.
A média de não-conformidades por item é dada pela fração:
DT ot
Def =
N
em que
DT ot = Soma de todas as não-conformidades

N = Quantidade de amostras
Intervalo de confiança para Def com 95% de confiança

Os limites são dados por
1
Limite inferior ( LI ) = 0, 5 ∗ ∗ χ2( α ,v )
NT ot 2 1
1
Limite superior ( LS ) = 0, 5 ∗ ∗ χ2(1− α ,v )
NT ot 2 2
em que
• v1 = 2 ∗ DT ot
• v2 = 2(DT ot + 1)
• χ2 α ,v = Quantil da distribuição qui-quadrado com v1 graus de liberdade e que deixa

( 2 1)
uma área de α2 à esquerda.
• χ21− α ,v = Quantil da distribuição qui-quadrado com v2 graus de liberdade e que deixa

( 2 2)
uma área de 1 − α2 à esquerda.
A média de não-conformidades por unidade de medida dentre todas as amostras é dada por
DT ot
DP U =
NT ot
em que
DT ot = Soma de todas as não-conformidades
NT ot = Soma de todos os tamanhos de amostra
Intervalo de confiança para DP U com 95% de confiança

1
Limite inferior ( LI ) = 0, 5 ∗ ∗ χ2( α ,v )
N 2 1
1
Limite superior ( LS ) = 0, 5 ∗ ∗ χ2(1− α ,v )
N 2 2
em que
• v1 = 2 ∗ DT ot
• v2 = 2(DT ot + 1)
• χ2 α ,v = Quantil da distribuição qui-quadrado com v1 graus de liberdade e que deixa

( 2 1)
uma área de α2 à esquerda.
• χ21− α ,v = Quantil da distribuição qui-quadrado com v2 graus de liberdade e que deixa

( 2 2)
uma área de 1 − α2 à esquerda.
min DP U é o menor valor de DPU entre todas as amostras

max DP U é o maior valor de DPU entre todas as amostras
Exemplo 13.2. Uma indústria está interessada em analisar a capacidade do processo no qual
verifica-se o número de pontos não-conformes numa lâmina de aço, sendo que cada lâmina
mede 50 cm2 . Os dados estão na Tabela 13.2.
Tabela 13.2: Dados

Amostra Não conformes Tamanho amostral (cm2 )
1 2 50
2 4 50
3 3 50
4 1 50
5 2 50
6 5 50
7 2 50
8 5 50
9 4 50
10 1 50
11 6 50
12 3 50
13 3 50
14 6 50
15 1 50
16 4 50
17 1 50
18 8 50
19 1 50
20 4 50
21 4 50
22 2 50
23 4 50
24 2 50
25 1 50
26 2 50
27 2 50
28 3 50
29 4 50
30 4 50
Total 94 1500
DT ot 94
Def = = = 3, 13333.
N 30
Intervalo de confiança para Def com 95% de confiança Calculando v1 e v2 obtemos

v1 = 2 ∗ DT ot = 2 ∗ 94 = 188.
v2 = 2 ∗ (DT ot + 1) = 2 ∗ 95 = 190.
Com isso, os limites serão
1 1
LI = 0, 5 ∗ ∗ χ20,025.v1 = 0, 5 ∗ ∗ 151, 9231 = 2, 532052.
NT ot 30
1 1
LS = 0, 5 ∗ ∗ χ20,975.v2 = 0, 5 ∗ ∗ 230, 0644 = 3, 834406667.
NT ot 30
DT ot 94
DP U = = = 0, 0627.
NT ot 1500
Intervalo de confiança para DP U com 95% de confiança
1 1
LI = 0, 5 ∗ ∗ χ20,025.v1 = 0, 5 ∗ ∗ 151, 9231 = 0, 05064103
NT ot 1500
1 1
LS = 0, 5 ∗ ∗ χ20,975.v2 = 0, 5 ∗ ∗ 230, 0644 = 0, 07668813
NT ot 1500
onde:
v1 = 2 ∗ DT ot = 2 ∗ 94 = 188
v2 = 2 ∗ (DT ot + 1) = 2 ∗ 95 = 190
min DP U = 0, 02
max DP U = 0, 16

284
Capı́tulo 14
Exercı́cios
Exercı́cio 14. Na usinagem de peças, uma caracterı́stica importante é o comprimento das

mesmas. A Tabela 14.1 apresenta as medições na produção de 20 amostras com 3 peças.
Analise a estabilidade e a capacidade do processo.
Tabela 14.1: Medições do comprimento

Lote Medições Média Amplitude
1 10,69 10,8 10,39 10,627 0,41
2 10,2 10,3 10,72 10,407 0,52
3 10,42 10,61 10,54 10,523 0,19
4 10,98 10,27 10,5 10,583 0,71
5 10,61 10,52 10,67 10,600 0,15
6 10,57 10,46 10,5 10,510 0,11
7 10,44 10,29 9,86 10,197 0,58
8 10,2 10,29 10,41 10,300 0,21
9 10,46 10,76 10,74 10,653 0,3
10 10,11 10,33 10,98 10,473 0,87
11 10,29 10,57 10,65 10,503 0,36
12 10,83 11 10,65 10,827 0,35
13 10,35 10,07 10,48 10,300 0,41
14 10,69 10,54 10,61 10,613 0,15
15 10,44 10,44 10,57 10,483 0,13
16 10,63 9,86 10,54 10,343 0,77
17 10,54 10,82 10,48 10,613 0,34
18 10,5 10,61 10,54 10,550 0,11
19 10,29 10,79 10,74 10,607 0,5
20 10,57 10,44 10,52 10,510 0,13
14. Exercı́cios 285
As médias amostrais X e amplitudes amostrais R estão calculadas na tabela. No exercı́cio

temos:
n = Tamanho das Amostras = 3.
10, 627 + . . . + 10, 510 210, 223

X = = =
20 20
0, 41 + . . . + 0, 13 7, 3
R = = =
20 20
Pela tabela do Anexo 2, obtemos os valores: A2 = 1, 023, D3 = 0 e D4 = 2, 574.

Limites de controle para as médias:
LSC = X + A2 × R =
LC = X =
LIC = X − A2 × R =
Limites de controle para as amplitudes:
LSC = D4 × R =
LC = R =
LIC = D3 × R =
• Análise de capacidade
Dado que:
LSE = 11; LIE = 10 ; R = 0, 365; µ̂ = X = 10, 511
Como o p-valor associado ao teste de Anderson-Darling é maior que 0, 05, aceitamos que a
distribuição dos dados é aproximadamente Normal.
Para n=3, obtemos no Anexo 2 que d2 = 1, 693
R
σ̂ = =
d2
LSE − LIE
Cp = =
6σ̂
µ̂ − LIE
CP I = =
3σ̂
LSE − µ̂
CP S = =
3σ̂
Cpk = min{CP I, CP S}
LSE − µ̂
ZLSE = =
σ̂
µ̂ − LIE
ZLIE = =
σ̂
Temos que P P MT OT = P P MLSE + P P MLIE , em que:

P P MLSE =
P P MLIE =
P P MLIE =
Exercı́cio 15. Consideremos agora um estudo para a carta de controle X e M R, utilizando os

dados da Tabela 14.2.
Tabela 14.2: Dados de umidade

Lote Umidade Amplitude Móvel
1 3,200 -
2 3,100 0,100
3 2,900 0,200
4 2,900 0,000
5 2,800 0,100
6 3,000 0,200
7 3,000 0,000
8 2,500 0,500
9 3,300 0,800
10 2,800 0,500
11 3,300 0,500
12 3,000 0,300
13 3,300 0,300
14 3,260 0,040
15 2,600 0,660
16 3,100 0,500
17 3,300 0,200
18 3,100 0,200
19 2,810 0,290
20 3,300 0,490
21 3,500 0,200
22 3,500 0,000
23 3,700 0,200
24 4,200 0,500
25 4,000 0,200
Resolução:
Inicialmente calculamos os valores para X e M R
X1 + . . . + X25
X = =
25
m
1 X
MR = |xi − xi−1 | =
24 i=2
Os dados da tabela d2
3
d2 = 1, 128; E2 = = 2, 6595; D3 = 0; D4 = 3, 267 (para n = 2)
d2
Para os Valores Individuais (X):
3M R
LSC = X + = X + E2 × M R =
d2
LC = X =
3M R
LIC = X − = X − E2 × M R =
d2
Para as Amplitudes Móveis (M R)
LSC = D4 × M R =
LC = M R =
LIC = D3 × M R =
Dado que:
LSE = 4,5; M R = 0, 29083; µ̂ = X = 3, 1788
Como p-valor associado ao teste de Anderson-Darling é maior que 0.05, aceitamos que a
R
σ̂ = =
d2
LSE − LIE
Cp = =
6σ̂
µ̂ − LIE
CP I = =
3σ̂
LSE − µ̂
CP S = =
3σ̂
Cpk = min{CP I, CP S} =
LSE − µ̂
ZLSE = =
σ̂
µ̂ − LIE
ZLIE = =
σ̂

P P MLSE =
P P MLIE =
P P MLIE =
Exercı́cio 16. Na usinagem de peças, uma caracterı́stica importante é o diâmetro das mesmas.
A Tabela 14.3 apresenta as medições na produção de 25 lotes com 11 amostragens. Analise a
capacidade do processo.

Lote Medições Média Sd
1 4,89 4,95 5,31 4,82 4,79 5,43 4,53 5,53 4,64 5,48 4,75 5,01 0,36
2 5,47 5,18 4,69 4,20 5,10 4,38 5,25 5,89 5,03 4,66 5,09 4,99 0,48
3 5,13 5,18 4,96 4,82 4,65 4,50 4,82 5,38 6,04 4,67 4,70 4,99 0,43
4 5,40 4,64 5,06 4,47 5,35 4,90 5,30 5,07 5,37 4,44 5,11 5,01 0,35
5 5,69 5,22 5,01 4,88 4,21 4,77 5,01 5,82 5,22 4,69 5,05 5,05 0,44
6 4,94 5,07 5,19 4,21 4,46 4,28 4,47 4,97 5,15 3,73 4,50 4,63 0,46
7 5,28 5,27 5,84 4,69 4,74 4,94 4,86 5,25 5,23 4,12 5,64 5,08 0,47
8 5,30 5,50 5,21 5,04 4,88 4,06 5,19 6,04 4,54 5,00 5,47 5,11 0,51
9 5,68 5,34 4,49 4,16 4,95 4,30 4,69 5,51 4,81 5,04 4,55 4,86 0,49
10 4,69 5,29 5,13 4,53 5,49 4,23 5,24 5,48 4,69 5,41 4,67 4,99 0,43
11 5,10 5,23 5,49 4,93 5,70 5,14 5,09 5,59 5,16 5,14 4,67 5,20 0,29
12 5,29 5,42 5,27 5,25 5,20 4,34 4,88 5,79 4,48 4,82 5,27 5,09 0,42
13 4,86 5,40 4,88 5,16 4,52 3,72 5,20 5,67 5,16 4,79 4,91 4,93 0,51
14 4,69 5,68 4,85 4,69 5,32 4,42 4,73 5,62 5,16 4,70 4,90 4,98 0,41
15 4,87 4,95 4,75 5,52 5,86 4,51 4,97 5,54 4,70 4,44 5,55 5,06 0,47
16 4,92 5,10 5,68 5,13 4,53 4,64 5,58 5,91 4,65 4,98 4,68 5,07 0,46
17 4,38 5,49 5,32 5,03 4,60 5,18 5,29 5,82 4,94 4,79 4,69 5,05 0,42
18 5,45 4,89 4,71 4,63 4,41 4,82 5,67 5,47 5,23 4,82 4,27 4,94 0,45
19 5,19 5,27 4,86 4,96 4,45 3,99 5,51 5,36 5,17 5,31 4,57 4,97 0,46
20 4,87 5,47 5,23 4,67 5,17 5,36 5,46 5,49 5,86 4,36 5,09 5,19 0,42
21 4,74 5,16 5,18 5,42 4,36 4,42 5,46 4,73 5,73 4,44 4,47 4,92 0,48
22 4,75 5,46 5,17 4,20 4,49 4,45 5,00 5,37 4,83 4,82 4,81 4,85 0,38
23 4,75 4,95 4,57 4,57 4,63 4,74 5,27 5,14 5,17 4,71 5,06 4,87 0,25
24 4,80 5,82 5,10 4,72 4,76 4,65 5,96 5,33 5,80 4,50 5,06 5,14 0,51
25 5,39 5,27 4,17 4,63 4,74 4,19 5,56 5,75 4,98 4,38 4,77 4,89 0,54
As médias amostrais X e desvios padrões amostrais s estão calculadas na tabela. No

exercı́cio temos:
5, 01498 + . . . + 4, 89921 124, 995

X = = =
25 25
0, 36017 + . . . + 0, 544382 11, 0227
s = = =
25 25
Pelas tabelas do Apêndice B.2 (n=11), obtemos os valores: A3 = 0, 927, B3 = 0, 321 e B4 =

1, 679.
LSC = X + A3 × s =
LC = X =
LIC = X − A3 × s =
Limites de controle para os desvios padrões:
LSC = B4 × s
LC = s
LIC = B3 × s
•Análise de capacidade
Dado que:
LSE = 6,0, LIE = 3,5, s = 0, 4424, µ̂ = X = 4, 9998
σ̂ajust = s =
LSE − LIE
PP = =
6σ̂ajust
µ̂ − LIE
PPI = =
3σ̂ajust
LSE − µ̂
PPS = =
3σ̂ajust
Ppk = min{P P I, P P S}
LSE − µ̂
ZLSE = =
σ̂ajust
µ̂ − LIE
ZLIE = =
σ̂ajust
Temos que P P MT OT = P P MLSE + P P MLIE , onde:
P P MLSE =
P P MLIE =
P P MLIE =
Exercı́cio 17. Considere o processo de usinagem de um pino, onde o diâmetro é medido por
amostragem de 5 peças em 25 lotes conforme a Tabela 14.4. Analise estabilidade e a capacidade
do processo.
Tabela 14.4: Medições do diâmetro de um pino

Lote Medições Média Sd
1 2,08 2,09 1,01 0,47 1,75 1,48 0,71
2 2,44 1,84 1,02 1,51 0,51 1,46 0,74
3 2,08 0,34 0,67 2,14 0,51 1,15 0,88
4 1,42 1,04 1,15 0,91 1,23 1,15 0,19
5 1,43 0,22 1,51 0,82 1,29 1,06 0,53
6 1,21 0,63 0,97 2,30 1,00 1,22 0,63
7 2,14 1,95 0,95 1,35 0,73 1,42 0,61
8 2,02 1,60 1,64 1,66 0,92 1,57 0,39
9 1,47 1,93 1,06 1,55 0,80 1,36 0,44
10 1,09 2,09 0,62 1,45 1,77 1,40 0,57
11 1,90 1,27 1,46 1,36 1,06 1,41 0,31
12 0,81 1,89 1,24 0,72 1,44 1,22 0,47
13 0,58 1,57 0,73 1,05 3,29 1,44 1,09
14 2,12 0,90 0,59 1,63 0,82 1,21 0,63
15 1,28 0,89 1,05 1,25 0,99 1,09 0,16
16 0,82 0,16 2,12 1,69 0,90 1,14 0,77
17 0,14 1,04 0,76 1,72 3,95 1,52 1,47
18 2,19 0,87 0,95 1,50 1,16 1,33 0,53
19 0,93 1,82 1,21 1,72 1,45 1,43 0,36
20 0,84 2,79 2,30 0,47 0,58 1,40 1,07
21 1,84 2,37 1,89 1,20 3,23 2,11 0,75
22 1,15 2,56 0,90 3,75 1,24 1,92 1,21
23 2,21 0,91 2,15 1,48 0,25 1,40 0,83
24 1,41 0,71 0,63 1,71 1,52 1,20 0,49
25 1,59 1,19 0,88 1,23 0,41 1,06 0,44

exercı́cio temos:
1, 48412 + . . . + 1, 06422 34, 27377

X= = =
25 25
0, 7140 + . . . + 0, 4412 16, 3936
s= = =
25 25
Pelas tabelas do Apêndice B.2 (n=5), obtemos os valores: A3 = 1, 427, B3 = 0 e B4 = 2, 089.

LSC = X + A3 × s =
LC = X =
LIC = X − A3 × s =
Limites de controle para os desvios padrões:
LSC = B4 × s =
LC = s =
LIC = B3 × s =
Dado que:
LSE = 2,8; LSI =0,15 , s = 0, 6508; µ̂ = X = 1, 366
Como p-valor associado ao teste de Anderson-Darling é menor que 0.05, notamos que a
distribuição Normal não parece adequada aos dados.
Aplicando a Transformação de Box-Cox, com o uso do software ESTATCAMPEXCEL,

obtemos λ = 0, 4797 como podemos observar pelo gráfico abaixo.
Os dados obtidos com essa transfromação têm média e desvio-padrão amostral dados por
x = 0, 2576 e s = 0, 5917, respectivamente.
Pelo gráfico do Papel Normal, temos evidência de que a distribuição normal é adequada a
estes dados transformados.
Para os dados transformados (normais), podemos obter o novo limite superior do processo
aplicando a transformação de Box-Cox ao limite superior dos dados não transformados como
X 0,4797 − 1
LSE = =
0, 4797
• Cálculo do Pp
LSE − LIE
Pp = =
q3 − q1
LSE − q2
PPS = =
WS ∗ s
q2 − LIE
PPI = =
WI ∗ s
em que
q 2 − q1
WI = =
s
q3 − q2
WS = =
s
Assim:
LSE − q2 LSE − q2 LSE − q2
PPS = = q3 −q2 = =
WS ∗ s s
s q3 − q2
q2 − LIE q2 − LIE q2 − LIE

PPI = = q2 −q1 = =
WI ∗ s s
s q 2 − q 1
Ppk = min(P P S; P P I) =
• Cálculo P P MLIE < LIE
P P MLIE < LIE = 1.000.000 ∗ qLIE =
• Cálculo de P P MLSE > LSE
P P MLSE > LSE = 1.000.000 ∗ (1 − qLSE ) =
• Cálculo de P P MT otal
P P MT otal = [P P MLIE < LIE] + [P P MLSE > LSE] =
• Cálculo de P P MObs < LIE

Qtde.deObs. < LIE
P P MObs < LIE = ∗ 1.000.000 =
n
• Cálculo de P P MObs > LSE

Qtde.deObs. > LSE
P P MObs > LSE = ∗ 1.000.000 =
n
• Cálculo de P P MObs T otal
P P MObs T otal = [P P MObs < LIE] + [P P MObs > LSE] =

Exercı́cio 18. Em um processo de vulcanização para fabricação de mantas de borracha é

necessário avaliar o tempo para execução de uma determinada tarefa. A Tabela 14.5 apre-
senta os tempos gastos na execução de tarefas. Analise a capacidade do processo.
Tabela 14.5: Tempo para execução de tarefa

Amostra Tempo Rm
1 22,7
2 20,7 2,0
3 21,2 0,5
4 19,7 1,5
5 18,7 1,0
6 24,2 5,5
7 26,8 2,6
8 18,9 7,9
9 24,5 5,6
10 24,9 0,4
11 19,2 5,7
12 16,8 2,4
13 23,0 6,2
14 19,8 3,2
15 18,8 1,0
16 19,1 0,3
17 22,6 3,5
18 20,9 1,7
19 17,4 3,5
20 25,6 8,2
21 22,0 3,6
22 21,8 0,2
23 23,2 1,4
24 23,5 0,3
25 26,0 2,5
Total 542 70,7

exercı́cio temos:
n= Tamanho das Amostras = 2
22, 7 + . . . + 26 542
X= = =
25 25
2, 0 + . . . + 2, 5 70, 7
MR = = =
24 24
Pela tabela do Anexo 2 (n=2), obtemos os valores: 1/d2 = 0, 8865, D3 = 0 e D4 = 3, 267
Limites de controle para os valores individuais:
MR
LSC = X + 3 × =
d2
LC = X =
MR
LIC = X − 3 × =
d2
Limites de controle para as amplitudes móveis:
LSC = D4 × M R =
LC = M R =
LIC = D3 × M R =
Dado que:
LSE = 26, LIE = 18,5, R = 2, 9458, µ̂ = X = 21, 68
distribuição dos dados é Normal.
R
σ̂ = =
d2
LSE − LIE
Cp = =
6σ̂
µ̂ − LIE
CP I = =
3σ̂
LSE − µ̂
CP S = =
3σ̂
Cpk = min{CP I, CP S}
LSE − µ̂
ZLSE = =
σ̂
µ̂ − LIE
ZLIE = =
σ̂

P P MLSE =
P P MLIE =
P P MLIE =
Exercı́cio 19. A seguir temos uma amostra de 25 dados referentes a Concentração (gr/l).
Avalie a performance do processo, assumindo que os dados seguem distribuição normal. Utilize
os métodos de variabilidade a longo prazo e a curto prazo.
Tabela 14.6: Dados de concentração (gr/l)

Amostra Concentração Amplitude
1 1,19704 -
2 1,27774 0,081
3 1,29062 0,013
4 1,2084 0,082
5 1,18415 0,024
6 1,2303 0,046
7 1,21312 0,017
8 1,23794 0,025
9 1,10243 0,136
10 1,13184 0,029
11 1,16285 0,031
12 1,20232 0,039
13 1,30562 0,103
14 1,24223 0,063
15 1,17811 0,064
16 1,15798 0,020
17 1,2363 0,078
18 1,26707 0,031
19 1,21276 0,054
20 1,17929 0,033
21 1,18989 0,011
22 1,24922 0,059
23 1,17928 0,070
24 1,22236 0,043
25 1,23954 0,017
Média 1,2119 0,0488
Temos que
LIE = 0, 90 e LSE = 1, 50
Solução:
Para o método de variabilidade a longo prazo:

v
u n
uX
u
u (xi − x)2
t i=1
s n−1 0, 0481815
σ
bajust = = = =.
c4 (n) c4 (n) 0, 9896
e com isso,
LSE − LIE
Pp = =
6b
σ
e

LSE − µ
b µ b − LIE
Ppk = min ;
3b
σ 3b
σ
Calculando o valor de Z, obtemos
LSE − µ
b
Z LSE = =
σ
b
b − LIE
µ
Z LIE = =
σ
b
Agora, vamos determinar o PPMT otal , mas para isso, antes temos que calcular
PPMLSE = [1 − Φ(Z LSE )] × 1.000.000 = [1 − Φ( )] × 1.000.000 =
PPMLIE = Φ(ZLIE ) × 1.000.000 = Φ( ) × 1.000.000 = .
Assim,
PPMT otal = PPMLSE + PPMLIE = + = 0, 00172

Agora para o método de variabilidade a curto prazo
R̄ 0, 0488
σ
b= = =
d2 1, 128
P25
onde R̄ = i=2 mod (xi − xi−1 ) = 0, 0488
Com isso, calculamos os ı́ndices de Capacidade do Processo:
LSE − LIE
Cp = =
6b
σ

LSE − µ
b µ b − LIE
Cpk = min ;
3b
σ 3b
σ
Calculando o valor de Z, obtemos
LSE − µ
b
Z LSE = =
σ
b
b − LIE
µ
Z LIE = =
σ
b
Assim, para acharmos o PPMT otal , temos que calcular o
PPMLSE = [1 − Φ(Z LSE )] × 1.000.000 = [1 − Φ( )] × 1.000.000 =
PPMLIE = Φ(Z LIE ) × 1.000.000 = Φ( ) × 1.000.000 = .
Logo,
PPMT otal = PPMLSE + PPMLIE = + = 0, 00172.

Exercı́cio 20. A Tabela 14.7 apresenta os dados, ao longo de 15 dias, referentes ao número de
pedidos de compras que foram preenchidos de forma errada. Analise a capacidade do processo
Tabela 14.7: Pedidos de compra

Dia Verificados Com Erros P
1 200 22 0,110
2 200 25 0,125
3 200 17 0,085
4 200 18 0,090
5 200 37 0,185
6 200 29 0,145
7 200 21 0,105
8 200 17 0,085
9 200 20 0,100
10 200 25 0,125
11 200 8 0,040
12 200 24 0,120
13 200 29 0,145
14 200 18 0,090
15 200 22 0,110
Total 3000 0332
A proporção de defeitos por amostra p está calculada na tabela. No exercı́cio temos:

n = Tamanho da amostra = 200
332
p= =
3000
Limites de controle para o gráfico P:

r
p(1 − p)
LSC = p + 3 =
n
LC = p =
r
p(1 − p)
LIC = p − 3 =
n
DT ot
p̄ = =
NT ot
ν1 ∗ F( α ,ν1 ,ν2 )
2
Limite inferior ( LI ) = =
ν2 + ν1 ∗ F( α ,ν1 ,ν2 )
2
ν3 ∗ F(1− α ,ν3 ,ν4 )

2
Limite superior ( LS ) = =
ν4 + ν3 ∗ F(1− α ,ν3 ,ν4 )
2
em que:
• ν1 = 2 ∗ DT ot =
• ν2 = 2(NT ot − DT ot + 1) =
• ν3 = 2 ∗ (DT ot + 1) =
• ν4 = 2 ∗ (NT ot − DT ot ) =
• F( α ,ν1 ,ν2 ) = F (0, 025, 664, 5338) = 0, 8898

2
• F(1− α ,ν3 ,ν4 ) = F (0, 975, 668, 5334) = 1, 1178

2
• P P M = p̄ × 106
Exercı́cio 21. Apresente um outro procedimento para analisar os dados do exercı́cio 14.
Como a quantidade da amostra é fixa (200), podemos analisar os dados utilizando o gráfico
NP .
Limites de controle para o gráfico N P :
p
LSC = np + 3 np(1 − p) =
LC = np =
p
LIC = np − 3 np(1 − p) =
Exercı́cio 22. A Tabela 14.8 apresenta o número de não-conformidades observados em 30

amostras sucessivas de tamanho 30. Analise a capacidade do processo.

Dia Erros
1 8
2 12
3 56
4 14
5 10
6 12
7 8
8 10
9 28
10 20
11 10
12 8
13 12
14 35
15 20
16 16
17 15
18 6
19 23
20 21
21 36
22 20
23 21
24 35
25 31
26 28
27 10
28 8
29 12
30 10
8 + 12 + . . . + 10 555
c = média das não conformidades = = =
30 30
Limites de controle para o gráfico c:

√
LSC = c + 3 c =
LC = c =
√
LIC = c − 3 c =
Dado DT ot = 555 e NT ot = 900
DT ot 555
p̄ = = =
NT ot 900
ν1 ∗ F( α ,ν1 ,ν2 )
2
LI = =
ν2 + ν1 ∗ F( α ,ν1 ,ν2 )
2
ν3 ∗ F(1− α ,ν3 ,ν4 )

2
LS = =
ν4 + ν3 ∗ F(1− α ,ν3 ,ν4 )
2
em que:
• ν1 = 2 ∗ DT ot =
• ν2 = 2(NT ot − DT ot + 1) =
• ν3 = 2 ∗ (DT ot + 1) =
• ν4 = 2 ∗ (NT ot − DT ot ) =
• F( α ,ν1 ,ν2 ) = F (0, 025, 1110, 692) = 0, 875214

2
• F(1− α ,ν3 ,ν4 ) = F (0, 975, 1112, 690) = 1, 145101

2
• P P M = p̄ × 106 =
Índice de capacidade:
Process Z = −1 ∗ φ−1 (p̄) = −1 ∗ φ−1 (0, 61666) = 0, 296736

Exercı́cio 23. O departamento técnico de uma empresa deseja estabelecer um gráfico de con-
trole para a não conformidade por unidade no final da linha de produção. A Tabela 14.9
apresenta o número de não-conformidades observados em 20 amostras de 5 peças. Analise a
capacidade do processo.

Amostra tamanho amostral no não-conformes média de não-conformes
1 5 10 2
2 5 12 2,4
3 5 8 1,6
4 5 14 2,8
5 5 10 2
6 5 16 3,2
7 5 11 2,2
8 5 7 1,4
9 5 10 2
10 5 15 3
11 5 9 1,8
12 5 5 1
13 5 7 1,4
14 5 11 2,2
15 5 12 2,4
16 5 6 1,2
17 5 8 1,6
18 5 10 2
19 5 7 1,4
20 5 5 1
total=193 total=38,6
2 + 2, 4 + . . . + 1 38, 6
u = média das não conformidades = = =
20 20
Limites de controle para o gráfico U :

r
u
LSC = u + 3 =
n
LC = u =
r
u
LIC = u − 3 =
n
•Análise de capacidade:
N = número de amostras = 20
NT ot = soma dos tamanhos das amostras = 100
DT ot = total de não conformidades = 193
1
LI = 0, 5 ∗ ∗ χ2( α ,v ) =
N 2 1
1
LS = 0, 5 ∗ ∗ χ2(1− α ,v ) =
N 2 2
em que:
• v1 = 2 ∗ DT ot =
• v2 = 2(DT ot + 1) =
• χ2 α ,v = χ2(0,025,386) = 333, 4609

( 2 1)
• χ21− α ,v = χ2(0,975,388) = 444, 4672

( 2 2)
DT ot
DP U = =
NT ot
Exercı́cio 24. Em um processo de fabricação de papel, estamos interessados em acompanhar

o total de manchas por área de papel produzido. Para isso coletamos os dados conforme tabela
a seguir:
Número do lote Metragem do rolo Largura do rolo Área do rolo Total de manchas Manchas por Área
131910 56,1 4,142 232 2 0,009
131938 53 4,143 220 0 0,000
131982 56,04 4,147 232 1 0,004
131988 56,09 4,145 232 4 0,017
132008 56,04 4,144 232 0 0,000
122033 56,014 4,145 232 3 0,013
132043 28,04 4,142 116 1 0,009
132064 56,04 4,143 232 11 0,047
132094 56,04 4,142 232 2 0,009
132119 56,16 4,143 233 11 0,047
132140 56,04 4,142 232 8 0,034
132166 56,16 4,147 233 6 0,026
132193 56,17 4,142 233 10 0,043
132218 56,17 4,142 233 3 0,013
132226 56,211 4,143 233 0 0,000
132266 56,04 4,145 232 0 0,000
132293 56,14 4,144 233 0 0,000
132314 56,11 4,143 232 6 0,026
132347 56,11 4,142 232 4 0,017
131373 55,03 4,146 228 3 0,013
132397 56,03 4,147 232 3 0,013
132430 56,11 4,143 232 5 0,022
132452 56,08 4,143 232 2 0,009
132482 55,13 4,143 228 7 0,031
132495 56,04 4,142 232 2 0,009
u = 0, 016
r
u
LSC = u + 3 =
n
LC = u =
r
u
LIC = u − 3 =
n
Exercı́cio 25. Considere os dados da Tabela 14.10. Avaliar a Performance do processo para
LSE = 2, 5, Alvo = 2, 0, LIE = 1, 5 e n = 100. Calcule os ı́ndices de Performance do
Processo segundo o método de Clementes.

2,05 2,11 2,05 1,98 2,13 2,03 2,15 2,08 2,09 2,05
1,92 2,17 2,03 2,05 1,96 2,00 2,10 2,18 2,05 2,06
2,04 2,07 2,05 1,92 1,87 2,14 2,17 2,00 2,09 1,89
2,05 2,01 1,91 1,89 2,00 2,06 2,07 2,07 2,05 2,11
1,84 2,07 2,08 2,10 2,00 2,07 2,04 2,04 1,76 2,14
2,00 1,92 2,02 1,96 2,04 2,08 2,03 1,85 2,15 2,04
2,17 2,08 2,29 2,09 2,11 2,07 2,07 1,94 2,05 2,18
2,02 2,04 2,02 2,10 2,01 2,16 2,14 1,94 1,99 2,07
2,05 2,06 2,02 2,06 2,01 2,01 2,15 2,06 2,12 2,02
2,05 2,20 2,07 2,04 2,02 2,04 2,04 2,00 1,84 2,08
Usando o software ESTATCAMPEXCEL, obtemos a Tabela 14.11 que fornece os p-valores

do teste de Anderson-Darling para as distribuições normal, exponencial, Weibull e log-normal.
Tabela 14.11: Resultados do teste Anderson-Darling

normal 1,744581323 0, 000169008
exponencial 442,70100054 < 0, 005
Weibull 2,002008747 < 0, 01
log-normal 2,003873519 3, 87282E − 05
O Papel de Probabilidade para estes dados está disposto na Figura 14.1 a seguir. Pelo gráfico
e pela tabela anterior, concluı́mos que os dados não se adequam a nenhuma das distribuições
anteriores.
Um resumo descritivo para os dados estão na Tabela 14.12 abaixo.
Tabela 14.12: Resumo descritivo dos dados

Informação Valor numérico
Média 2, 04
Desvio Padrão 0, 08
Skewness −0, 53
Curtose 1, 23
Para Sk = −0, 6 e Ku = 1, 2 obtemos
• q10 = (use a Tabela ?? do Apêndice ??);

q1 = X − s × q10 =
q2 = X + s × q20 =
q3 = X + s × q30 =
LSE−LIE
Pp = q3 −q1
=
q2 −LIE
PPI = q2 −q1
=
LSE−q2
PPS = q3 −q2
=
Ppk = min(P P S, P P I) =
Exercı́cio 26. Quando utilizamos a distribuição de Weibull calculamos apenas a variabi-lidade

a longo prazo e conseqüentemente, os ı́ndices Pp , Pp k, P P S, e P P I. Estes ı́ndices de perfor-
mance são obtidos via as estimativas de máxima verossimilhança dos parâmetros de forma (δ)
e locação (α) para a distribuição de Weibull, e não das estimativas da média e variância como
no caso normal. Considere os dados da Tabela 14.13.
Tabela 14.13: Dados

Medições
0,7305 0,8153 0,1861 0,9771 0,9689
0,2947 1,9348 0,1702 0,4428 2,2094
0,0590 0,4330 0,0589 1,0583 0,4177
0,1029 0,3557 1,1707 0,0841 0,9273
0,1176 0,1743 2,1449 0,9234 0,4722
0,5350 0,7326 2,7453 0,6095 0,8677
0,1042 0,5440 0,4922 1,0018 1,4504
0,2039 0,8333 0,9673 1,1935 1,2169
0,1194 0,5997 0,3316 0,6039 0,8391
1,444 0,9222 0,7179 0,5057 0,6534
Usando o software ESTATCAMPEXCEL, obtemos a tabela a seguir que fornece os p-valores

do teste de Anderson-Darling para as distribuições normal, exponencial, Weibull e log-normal.
Tabela 14.14: Resultados do teste Anderson-Darling

normal 1,454337996 0, 000824669
exponencial 1,289034773 0, 1
Weibull 0,397792441 > 0, 25001
log-normal 1,176421306 0, 004075712
Pelos gráficos a seguir e pela tabela anterior, concluı́mos que os dados se adequam as dis-
tribuições exponencial e Weibull, consideraremos apenas a Weibull.
Obtemos as estimativas dos parâmetros da Distribuição Weibull como sendo
α̂ = 0, 8125 e δ̂ = 1, 30478.
E com isso,

1
E[T ] = 0, 8125 ∗ Γ 1 +
1, 30478
= 0, 8125 ∗ 0, 9228977
= 0, 7498544
Variabilidade a longo prazo:
V ar[T ] = α2 {Γ[1 + (2/δ)] − (Γ[1 + (1/δ)])2 }

( 2 )
2 1
= (0, 8125)2 Γ 1 + − Γ 1+
1, 30478 1, 30478
= 0.6601562{1, 360738 − (0, 9228977)2 }
= 0, 3360181
Com isso, o desvio padrão (s) é dado por:
p
s= 0, 3360181 = 0.5796707
A seguir temos o gráfico e os cálculos dos ı́ndices de performance para LSE = 2, 7 e LIE = 0, 04.
• Cálculo do Pp
LSE − LIE
Pp =
q3 − q1
em que LSE = Limite Superior de Especificação
q1 = 0,00514
q3 = 3,454
Assim:
2, 7 − 0, 04
Pp = =
3, 454 − 0, 00514
PPS = PPI =
WS ∗ s WI ∗ s
em que q2 = Quantil da Distribuição Weibull com 50% (equivalente ao valor correspon-

dente à mediana dos dados).
q2 − q1 q 3 − q2
WI = WS =
s s
Assim:
0, 6135 − 0, 00513 3, 454 − 0, 6135
WI = = WS = =
0.5796707 0.5796707
2, 7 − 0, 6135 0, 6135 − 0, 04
PPS = = PPI = =
W S ∗ 0.5796707 W I ∗ 0.5796707
Ppk = min(P P S; P P I) =
• Cálculo P P M < LIE e P P M > LSE esperados
em que
qLIE = 0,01947083
qLSE = 0,0082986
Assim:
P P MLIE < LIE = 1.000.000 ∗ 0, 01947083 = 19470, 83
P P MLSE > LSE = 1.000.000 ∗ 0, 0082986 = 8298, 6
P P MT otal = 19470, 83 + 8298, 6 =

= ∗ 1.000.000 = ∗ 1.000.000 = 0.
n 50

= ∗ 1.000.000 = ∗ 1.000.000 = 20.000.
n 50
P P MObs T otal = [P P MObs < LIE] + [P P MObs > LSE] =

Exercı́cio 27. Temos a seguir dados que representam resultados da inspeção em unidades de
um computador no decorrer de 10 dias.
Tabela 14.15: Defeitos em computador

Dias Unidades Inspecionadas ni Defeitos Di Proporções pi
1 80 4 0,050
2 110 7 0,064
3 90 5 0,056
4 75 8 0,107
5 130 6 0,038
6 120 6 0,050
7 70 4 0,057
8 125 5 0,040
9 105 8 0,076
10 95 7 0,074
Notação: Aqui consideraremos ni como sendo o tamanho de cada amostra, e n o número

de amostras. Para este exemplo, ni assume valores diferentes para cada amostra e n = 10.
Gráfico p
Calculamos agora o Limite Superior e o Limite Inferior para a primeira amostra ni = 80, o
mesmo deve ser feito para todas as outras amostras.
s
p (1 − p)
LSC = p̄ + 3
ni
r
(0, 06) (0, 94)
= 0, 06 + 3
80
=
• Linha Central:
P10
Di 60
LC = p = Pi=1
10 = = 0, 06
i=1 ni
1000
s
p (1 − p)
LIC = p − 3
ni
r
(0, 06) (0, 94)
= 0, 06 − 3
80
=
Figura 14.3: Gráfico p

Exercı́cio 28. Medições do diâmetro do cilindro número 2, medições feitas com súbito com
relógio centesimal, pegando 5 peças a cada 20 produzidas. Analisar a estabilidade e a capacidade
do processo.

Data Hora Chapa Medições Média Amplitude
16/abr 19:25 11380 0,1 0,08 0,14 0,1 0,08 0,1 0,06
16/abr 22:30 11380 0,15 0,15 0,12 0,12 0,14 0,136 0,03
17/abr 02:00 13310 0,08 0,07 0,09 0,09 0,11 0,088 0,04
18/abr 02:00 13310 0,16 0,19 0,13 0,14 0,09 0,142 0,1
22/abr 08:45 985.0 0,13 0,12 0,12 0,11 0,14 0,124 0,03
22/abr 12:05 985.0 0,17 0,16 0,17 0,16 0,16 0,164 0,01
22/abr 13:35 985.0 0,19 0,17 0,18 0,18 0,17 0,178 0,02
22/abr 17:30 11380 0,12 0,14 0,14 0,13 0,13 0,132 0,02
22/abr 21:00 11380 0,14 0,14 0,12 0,12 0,16 0,136 0,04
23/abr 01:00 13310 0,13 0,12 0,1 0,15 0,14 0,128 0,05
23/abr 04:00 13310 0,17 0,14 0,16 0,1 0,05 0,124 0,12
23/abr 07:20 985.0 0,14 0,15 0,16 0,16 0,16 0,154 0,02
23/abr 09:45 985.0 0,16 0,15 0,16 0,16 0,18 0,162 0,03
23/abr 12:40 985.0 0,17 0,16 0,17 0,17 0,17 0,168 0,01
23/abr 17:30 11380 0,17 0,18 0,18 0,16 0,16 0,17 0,02
23/abr 19:20 11380 0,12 0,14 0,14 0,12 0,14 0,132 0,02
24/abr 01:00 13310 0,14 0,13 0,15 0,19 0,22 0,166 0,09
24/abr 04:00 13310 0,2 0,2 0,19 0,15 0,1 0,168 0,1
24/abr 07:10 985.0 0,18 0,17 0,18 0,16 0,17 0,172 0,02
24/abr 09:20 985.0 0,19 0,2 0,18 0,18 0,19 0,188 0,02
24/abr 12:20 985.0 0,21 0,22 0,22 0,23 0,23 0,222 0,02
24/abr 18:00 11380 0,2 0,22 0,22 0,2 0,18 0,204 0,04
24/abr 21:00 11380 0,18 0,18 0,22 0,2 0,2 0,196 0,04
25/abr 01:00 13310 0,16 0,19 0,2 0,2 0,22 0,194 0,06
25/abr 04:00 13310 0,19 0,17 0,16 0,1 0,08 0,14 0,11
No exemplo temos:
0, 1 + . . . + 0, 14
X = =
25
0, 06 + . . . + 0, 11
R = =
25

LSC = X + A2 × R = 0, 15552 + 0, 577 × 0, 0448 =
LC = X =
LIC = X − A2 × R = 0, 15552 − 0, 577 × 0, 0448 =
LSC = D4 × R = 2, 114 × 0, 0448 =
LC = R =
LIC = D3 × R = 0 × 0, 0448 =
distribuição dos dados é aproximadamente normal.
Dado que:
LSE = 0,2; LIE = -0,2 ; R = 0, 0448; µ̂ = X = 0, 15552
Para n=5, obtemos no Anexo 2 que 1/d2 = 0, 4299
1
σ̂ = R × =
d2
LSE − LIE
Cp = =
6σ̂
µ̂ − LIE
CP I = =
3σ̂
LSE − µ̂
CP S = =
3σ̂
Cpk = min{CP I, CP S} =
Para os ı́ndices de performance, considerando s = 0, 037876199
LSE-LIE
Pp = =
6×s
x − LIE
PPI = =
3×s
LSE − x
PPS = =
3×s
Então, o Ppk = min(PPI, PPS) =

Exercı́cio 29. Medições do diâmetro do cilindro número 3, medições feitas com súbito, pegando
5 peças a cada 20 produzidas. Analisar a estabilidade e a capacidade do processo.

Data Hora Chapa Medições Média Amplitude
26/abr 11:40 14650 61 62 60 61 60 60,8 2
26/abr 13:10 14650 62 61 62 63 62 62 2
26/abr 17:15 19730 61 58 61 60 60 60 3
26/abr 21:35 19730 62 60 62 61 60 61 2
28/abr 07:08 14650 63 62 61 60 62 61,6 3
28/abr 08:15 14650 62 61 58 59 60 60 4
28/abr 10:03 14650 62 61 60 62 61 61,2 2
28/abr 12:44 14650 62 61 60 58 59 60 4
28/abr 14:12 14650 62 61 60 60 61 60,8 2
28/abr 17:20 19730 61 60 60 61 63 61 3
28/abr 19:20 19730 59 61 60 59 61 60 2
28/abr 22:30 19730 61 60 62 62 60 61 2
29/abr 07:28 14650 62 61 60 58 57 59,6 5
29/abr 08:40 14650 61 60 59 58 58 59,2 3
29/abr 11:36 14650 62 61 60 61 61 61 2
29/abr 12:50 14650 61 60 62 61 62 61,2 2
29/abr 14:18 14650 62 61 63 62 63 62,2 2
29/abr 18:15 19730 61 63 63 62 61 62 2
29/abr 22:45 19730 60 59 60 61 60 60 2
30/abr 10:01 14650 63 62 61 60 62 61,6 3
30/abr 12:20 14650 61 60 59 58 59 59,4 3
30/abr 16:50 19730 63 61 63 62 61 62 2
30/abr 18:15 19730 61 60 60 59 60 60 2
30/abr 21:35 19730 63 65 63 64 63 63,6 2
5/mai 12:58 14650 61 62 63 62 60 61,6 3
No exemplo temos:
60, 8 + . . . + 61, 6
X = =
25
2 + ... + 3
R = =
25

LSC = X + A2 × R =
LC = X =
LIC = X − A2 × R =
LSC = D4 × R =
LC = R =
LIC = D3 × R =
Dado que:
LSE = 73; LIE = 47 ; R = 2, 56; µ̂ = X = 60, 912
Como o p-valor associado ao teste de Anderson-Darling é menor que 0, 01, não aceitamos
que a distribuição dos dados é aproximadamente normal.
Observemos também, os papéis de probabilidade, considerando as distribuições normal,

exponencial, Weibull e log-normal, vemos que nenhuma se ajusta:
Figura 14.4: Papel de probabilidade

normal 2,746334824 5,92189E-07
exponencial 55,09126451 < 0.005
Weibull 3,330721936 < 0.01
log-normal 2,792070603 4,5755E-07
Desta foram então, utilizamos o método do Núcleo (Kernel):

Tabela 14.19: Análise de performance pelo método do kernel

PP 2,938530668
PPI 3,151131527
PPS 2,725910451
PPK 2,725910451
PPM > LSE 0
PPM < LIE 0
PPM Total 0
Índices Esperados
PPM > LSE 0
PPM < LIE 0
PPM Total 0
Figura 14.5: Método do kernel.
Calcule os ı́ndices de performance usando o Método Clements:

Cálculo do coeficiente de Assimetria (Sk), onde s = 1,4256634
3 3
(61−60,912) (60−60,912)
P
[(xi − x)/s]3 1,4256634
+ ··· + 1,4256634
Sk = = =
n 125
Cálculo do Coeficiente de Curtose (Ku)
4 4
(61−60,912) (60−60,912)
P
[(xi − x)/s]
4
1,4256634
+ ··· + 1,4256634
Ku = −3= −3=
n 125
Para Sk = −0, 2 e Ku = 0, 0 obtemos
• q10 = ..... , que corresponde ao percentil 0,135 da curva de Pearson, ver Tabela ?? do
apêndice ??;
apêndice ??;
apêndice ??.
q1 = X − s × q10 =
q2 = X + s × q20 =
q3 = X + s × q30 =
LSE − LIE
Pp = =
q 3 − q1
q2 − LIE
PPI = =
q2 − q 1
LSE − q2
PPS = =
q3 − q2
Ppk = min(P P I; P P S) =
Na Tabela 14.20 mostramos os ı́ndices calculados supondo que a distribuição é normal.

Tabela 14.20: Índices de performance normal/Clements

normal Clements
PP 3,039520643 3,084241
PPI 3,252754707 3,005606
PPS 2,82628658 3,180736
PPK 2,82628658 3,005606
Exercı́cio 30. Foram feitas medições do diâmetro do cilindro em duas posições (em cima e em
baixo), medições feitas com súbito com relógio centesimal, pegando 1 peça a cada 10 produzidas.
Analisar a estabilidade.
Amostras Medição (em cima) Medição (em baixo)
1 0,15 0,09
2 0,16 0,15
3 0,09 0,08
4 0,16 0,18
5 0,14 0,12
6 0,18 0,16
7 0,19 0,15
8 0,13 0,14
9 0,14 0,12
10 0,11 0,12
11 0,17 0,11
12 0,13 0,15
13 0,16 0,15
14 0,16 0,16
15 0,17 0,19
16 0,12 0,14
17 0,14 0,16
18 0,2 0,2
19 0,18 0,17
20 0,17 0,21
21 0,21 0,22
22 0,2 0,2
23 0,15 0,18
24 0,16 0,13
25 0,19 0,16
Em nosso exercı́cio temos:

m = número de amostras = 25
n = tamanho das amostras = 2
¯ =
X̄
s̄ =
R̄ = .
Gráfico para valores médios individuais:

LSC = X + E2 M R =
LC = X =
LIC = X − E2 M R =
P
M Ri 3
onde M R é a média das amplitudes móveis. M R = e E2 = d2
é a constante tabelada
m
no Anexo 2
Gráfico de amplitudes móveis: (variação entre as médias das peças) Os limites
de controle são calculados a seguir:
LSC = D4 M R = 3, 267 ∗ 0, 4226875 = 1, 380920063
LC = M R = 0, 4226875
LIC = D3 M R = 0 ∗ 0, 4226875 = 0
em que, os fatores D3 e D4 estão tabelados no Anexo 2.

Gráfico da amplitude: (variação dentro de cada peça)
Para os dados, utilizamos o Anexo 2, aplicando as fórmulas, obtemos:
LSC = D4 ∗ R =
LC = R =
LIC = D3 ∗ R =
353
Referências Bibliográficas
[1] Baldez, C. C. (2007), O Balanced Scorecard (BSC) na prática. Banas Qualidade, no 187,
p. 58-60, dez/2007.
[2] Madu, C. (1999), House of Quality in a Minute, Chi Publishers, Fairfield.
[3] Prieto, V. C., Pereira, F. L. A., Carvalho, M. M e Laurindo, F. J. B. (2006), Fatores

Crı́ticos na Implementação do Balanced Scorecard. Gestão & Produção, v. 13, p. 81-92,
jan-abr/2006.
[4] Pyzdek, T. (2003), The Six Sigma Handbook, McGraw-Hill, New York.
[5] QS 9000, Manual de CEP, Segunda edição
[6] Douglas C. Montgomery - Introduction to Statistical Quality Control, John Wiley and
Sons, 1985.
[7] Fundamentos do Controle Estatı́stico do Processo - Manual de Referência, IQA.
[8] Schmidt, S. R. and Launsby, R. G. - Understanding Industrial Designed Experiments, Air

Academic Press, Colorado Springs, CO, (1997).
[9] Forrest W. Breyfogle (1999) - Implementing Six Sigma: Smarter Solution Using Statistical
Methods, John Wiley & Sons, INC.
[10] M. N. Magalhães e A. C. P. De Lima (2001) Noções de Probabilidade e Estatı́stica, 3a

edição, Editora USP.
[11] P. L. Meyer (1983) - Probabilidade: Aplicações à Estatı́stica, segunda edição, Livros

técnicos e Cientı́ficos Editora.
[12] W. O. Bussab e P. A. Morettin (1987) - Estatı́stica Básica - 4a Edição, Atual Editora.

Referências Bibliográficas 354
[13] ISO 21747 - Statistical methods - Process performance and capability statistics for mea-
sured quality characteristics, First Edition, 2006.
[14] Breyfogle, Forrest W. - Implementing Six Sigma: Smarter Solution Using Statistical Meth-
ods, John Wiley & Sons, INC, (1999).

Apostila Ferramentas para A Qualidade PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Ferramentas para A Qualidade PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Ferramentas para Qualidade

Balanced ScoreCard - BSC

Quality Function Deployment - QFD

Controle Estatı́stico do Processo - CEP

2 As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 9

2.6.1 Construção do diagrama PDPC . . . . . . . . . . . . . . . . . . . . . . . 40

3 QFD - Desdobramento da Função Qualidade 57

4.9 Estatı́sticas Descritivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

5 Introdução ao CEP 129

6 Gráficos ou Cartas de Controle 141

7 Gráficos de Controle por Variáveis 149

8 Gráficos de Controle por Atributos 172

9 Introdução à Análise de Capacidade do Processo 193

10 Índices de Capacidade e Performance do Processo 199

11 Capacidade do Processo e a Distribuição Normal Padronizada (Z) 213

12 Análise de Performance do Processo para Dados Não Normais 231

12.4 Análise de performance do processo com a distribuição de Weibull . . . . . . . . 238

13 Análise de Performance para Atributos 275

Referências Bibliográficas 352

quatro perspectivas: Financeira, Clientes, Processos Internos e Aprendizado e Crescimento.

Figura 1.1: Perspectivas do BSC.

mento do valor ao acionista (financeiro).

• Indicadores: como será medido o progresso em um determinado objetivo estratégico;

• Metas: qual valor deverá ser alcançado em cada indicador; e

1.2.1 Perspectiva Financeira

1.2.2 Perspectiva do Cliente:

Na perspectiva dos clientes do BSC, as empresas identificam os segmentos de clientes e

1.2.3 Perspectiva dos Processos Internos:

Os processos internos visam identificar os processos mais crı́ticos de forma a realizar os

1.2.4 Perspectiva de Aprendizado e Crescimento:

1.3 Passos para a implementação do BSC

1. Definir a forma do sistema de indicadores: Criar uma forma de gerenciamento e

2. Definir os objetivos estratégicos: Pode-se definir três a quatro objetivos estratégicos

3. Escolha dos indicadores estratégicos: Escolher indicadores estratégicos, que influen-

4. Desenvolver um plano de implementação: Os valores das metas devem ser associa-

1.4 Construção do Mapa Estratégico

Figura 1.2: Exemplo de Mapa Estratégico.

Figura 1.3: Exemplo de Mapa Estratégico.

Figura 1.4: Exemplo de Mapa Estratégico.

Figura 1.5: Exemplo de Mapa Estratégico.

1.5 Diagrama em árvore

Figura 1.6: Diagrama em árvore.

As Sete Ferramentas Gerenciais da

2. Desenvolver a capacidade de realizar negócios obedecendo a restrições variadas, tais como

• Explicitar relações de causa e efeito em situações ou problemas complexos;

• Organizar e sistematizar a informação;

• Revelar oportunidades ou problemas latentes;

• Processar dados verbais;

• Estimular a criatividade, a geração de novas idéias;

• Permitir análise multidimensional (a consideração simultânea de vários fatores inter-

• Acompanhar a implementação das atividades.

• Diagrama de afinidades (ver Seção 2.1);

• Diagramas de relações (ver Seção 2.2);

• Diagrama em árvore (ver Seção 2.3);

• Matriz de priorização (ver Seção 2.4);

• Matriz de relações (ver Seção 2.5);

• Diagrama de PDPC (não apresentaremos);

• Diagrama de atividades (não apresentaremos).

2.1 Diagrama de afinidades

O diagrama de afinidades esclarece problemas ou situações importantes, cujo estado inicial é

Figura 2.1: Conceito do diagrama de afinidades.

Construção do diagrama de afinidades

• Escolher o tema: os temas apropriados para se desenvolver um diagrama de afinidades