ENTENDENDO O CONTROLE ESTATÍSTICO

Ralph Santos da Silva

INTRODUÇÃO
Se um produto é feito para atender ou exceder as expectativas dos clientes por meio de seus
atributos (Critical to Quality – CTQ´s), geralmente ele deve ser produzido por um processo que é
estável ou repetível, que produza características técnicas (xi) que correspondam e integralizem esses
atributos. Mais precisamente, o processo deve ser capaz de funcionar com pouca variabilidade em
torno do valor alvo ou dimensões nominais de características de qualidade do produto. O Controle
Estatístico do Processo (CEP) se constitui de um poderoso conjunto de ferramentas de resolução de
problemas úteis que são utilizadas para se conseguir a estabilidade do processo e melhorar a sua
capacidade por meio da redução de sua variabilidade.

Segundo Montgomery (2009), o CEP representa um dos maiores avanços tecnológicos do século
XX porque é baseado em princípios subjacentes bem aceitos: é fácil de usar, tem um impacto
significativo, e pode ser aplicado a qualquer processo. As sete ferramentas principais que o
compõem são:

1. Histograma ou gráfico ramo e folha.

2. Folha de Verificação.
3. Diagrama de Pareto.
4. Diagrama de causa-e-efeito.
5. Diagrama de Dispersão.
6. Carta de Controle.
7. Diagrama de Processo.

Essas ferramentas, desde que se fizeram utilizáveis no contexto da empresa, têm acompanhado a
evolução do próprio campo de conhecimento que sustenta o gerenciamento da qualidade, e em
específico os programas Six Sigma, pois representa um conjunto universal de ferramentas que
suporta a análise e solução de problema.

A implantação adequada do CEP ajuda a criar um ambiente no qual todas as pessoas em uma
empresa busquem a melhoria contínua da qualidade e produtividade. Este ambiente é melhor
desenvolvido quando os gestores tornam-se envolvidos neste processo. Uma vez que este ambiente
esteja estabelecido, a aplicação rotineira das Sete Ferramentas se torna parte usual da maneira de
fazer negócios, e a organização alinha-se na direção de alcançar os seus objetivos em termos de
melhoria da qualidade.

Entre as sete ferramentas, a Cartas de controle são provavelmente as mais sofisticadas, segundo
Montgomery (2009). Elas foram criadas pro Shewhart por volta de 1920, nos Laboratórios da Bells
e passaram a ser intensivamente utilizados a partir da década de 70, quando se descobre que a
Toyota, faz uso intensivo para controlar seus processos. Para compreender os conceitos estatísticos
que formam sua base, primeiro é necessário compreender a teoria da variabilidade desenvolvida por
Shewhart, que depois sofreu adaptações promovidas por Deming.
1
1. CAUSAS COMUNS E CAUSAS ESPECIAIS
Em qualquer processo de produção, independentemente de quão bem foram concebidos ou quão
bem são mantidos, uma determinada quantidade de variabilidade inerente ou natural existirá
sempre. Esta variabilidade natural ou "ruído de fundo" é o efeito cumulativo de muitas causas
pequenas, essencialmente inevitáveis, que o processo carrega inerentemente. No âmbito do controle
estatístico da qualidade, essa variabilidade natural é muitas vezes chamada de "sistema estável de
causas comuns". Um processo que está operando com apenas causas comuns de possibilidade de
variação presente é dito estar em controle estatístico. Em outras palavras, as causas comuns são uma
parte integrante do processo.

Outros tipos de variabilidade pode ocasionalmente estar presente na saída de um processo. Esta
variabilidade de características-chave (xi) da qualidade geralmente surge de três fontes: máquinas
indevidamente ajustada ou controladas, erros do operador, ou matéria-prima defeituosa. Tal
variabilidade é geralmente grande quando comparada ao ruído de fundo, e, geralmente, representam
um nível inaceitável de desempenho do processo. Referimo-nos a estas fontes de variabilidade que
não fazem parte do padrão inerente de variabilidade, como causas especiais de variação. Um
processo que está operando na presença de causas especiais é dito ser um processo fora de controle

Estas causas comuns e as causas especiais devariação são ilustrados na Figura 1. Até tempo T1 o
processo mostrado nesta figura está sob controle; isto é, as causas atuantes são as causas comuns.
Como resultado, tanto a média e o desvio padrão do processo estão com os valores de controle no
valor de (digamos, ). No tempo t1 uma causa especial ocorre. Como mostrado na Figura 1, o
efeito dessa causa especial é deslocar a média do processo para um novo valor . No tempo
t2 outra causa especial ocorre, resultando em , mas agora o desvio padrão do processo
mudou para um valor maior . No tempo t3 há outra causa especial presente, resultando em
variação tanto na média quanto no desvio padrão do processo, assumindo valores que caracterizam
um processo fora de controle. Enfim, a partir do tempo T1 para a frente, a presença das causas
especiais resultou em um processo fora de controle.

Processos operam, muitas vezes, sob controle por períodos relativamente longos de tempo. No
entanto, nenhum processo é verdadeiramente estável para sempre, e, finalmente, as causas especiais
irão ocorrer, aparentemente de forma aleatória, resultando em uma mudança para um estado fora-
de-controle, onde uma proporção maior do resultado do processo não está em conformidade com as
especificações técnicas desenhadas. Por exemplo, observe a partir da Figura 1 que quando o
processo está sob controle, a maior parte da produção se inseri entre os limites inferior e superior
de especificação (LSE e LIE, respectivamente). Quando o processo está fora de controle, uma
proporção mais elevada do processo encontra-se fora destas especificações.

Um dos principais objetivos de controle estatístico do processo é detectar rapidamente a ocorrência

de causas especiais de mudanças de processo para que a investigação do processo e ação corretiva
possa ser realizada antes de muitas unidades defeituosas serem fabricadas. O gráfico de controle é
uma técnica de processo de monitoramento on-line amplamente utilizada para esta finalidade. Os
gráficos de controle também podem ser utilizados para estimar os parâmetros de um processo de
produção, e, com esta informação, para determinar a capacidade do processo. O gráfico de controle
também pode fornecer informações úteis para melhorar o processo. Finalmente, lembrar que o
objetivo final do controle estatístico do processo é a eliminação de variabilidade no processo. Pode
2
não ser possível eliminar completamente a variabilidade, mas o gráfico de controle é uma
ferramenta eficaz para reduzir a variabilidade tanto quanto possível.

Figura 1: Causas Comuns e Especiais de variação.

Adaptado de Montgomery (2009)

2. ESTATÍSTICA BÁSICA DAS CARTAS DE CONTROLE

Conforme Montgomery (2005), um gráfico de controle típico é mostrado na Figura 2. O gráfico de
controle é uma exibição gráfica de uma característica de qualidade que foi medida ou calculada a
partir de uma amostra versus o número da amostra ou o tempo. O quadro contém uma linha central
que representa o valor médio da característica de qualidade correspondente ao estado sob-controle.
(Isto é, apenas causas comuns estão presentes.) Duas outras linhas horizontais, o chamado limite
superior de controle (LSC) eo limite inferior de controle (LIC), também são mostrados no gráfico.
Estes limites de controle são escolhidos de modo que, se o processo está sob controle, quase todos
os pontos da amostra irá situar-se entre eles. Enquanto os pontos incidirem dentro dos limites de
controle, o processo é assumido como estando sob controle, e nenhuma ação é necessária. No
entanto, se um ponto incidir fora dos limites de controle, ele é interpretado como evidência de que o
processo está fora de controle e, avança-se no sentido de investigar o que fez isto acontecer e, em
seguida, ações corretivas são necessárias para encontrar e eliminar a causa especial ou causa
responsável por este comportamento.
Montgomery (2009) sugere que se lige os pontos de amostra na carta de controle com segmentos de
reta, de modo a facilitar a visualização do comportamento que a sequência de pontos apresenta ao
longo do tempo.

3
Mesmo se todos os pontos da sequência se encontrarem dentro dos limites de controle, faz-se
necessário analisar seu comportamento temporal, pois se esse comportamento for de forma
sistemática ou não aleatória, então isso poderia ser uma indicação de que o processo está fora de
controle. Por exemplo, se 18 dos últimos 22 pontos plotados estiverem acima da linha de centro,
mas abaixo do limite superior de controle e apenas dois desses pontos plotados estiverem abaixo da
linha de centro, mas acima do limite inferior de controle. É razoável que se desconfie desse
comportamento, pois algo de errado pode estar ocorrendo. Se o processo está sob controle, todos os
pontos traçados deve ter um padrão essencialmente aleatório. Os métodos para a procura de
sequências ou padrões não aleatórios pode ser aplicado para controlar gráficos como um auxílio na
detecção de condições de falta de controle do processo. Geralmente, há uma razão para que um
padrão não aleatório particular aparece em um gráfico de controle, e se ele pode ser encontrado e
eliminado, o desempenho do processo pode ser melhorado. Este tópico será discutido mais adiante.

Figura 2 Uma Carta de Controle Típica

Existe uma ligação estreita entre os gráficos de controle e testes de hipóteses. Para ilustrar esta
conexão, suponha que o eixo vertical na Figura 2 seja a média da amostra . Agora, se o valor atual
de permance entre os limites de controle, podemos concluir que a média do processo está sob
controle; ou seja, é igual a algum valor . Por outro lado, se excede qualquer limite de controle,
podemos concluir que a média do processo está fora de controle; ou seja, é igual a algum valor
. Em certo sentido, então, o gráfico de controle é um teste da hipótese que o avalia em
termos de um estado de controle estatístico. A plotagem de pontos dentro dos limites de controle é
equivalente a não rejeitar a hipótese nula de controle estatístico, e a plotagem de pontos fora dos
limites de controle é equivalente a rejeitar a hipótese nula de controle estatístico.
O referencial de testes hipótese é útil em muitas maneiras, mas existem algumas diferenças de ponto
de vista entre os gráficos de controle e testes de hipóteses. Por exemplo, ao testar hipóteses
estatísticas, geralmente se verifica a validade das suposições, enquanto os gráficos de controle são
usados para detectar desvios de um estado, que se assume de controle estatístico. Em geral, não se
deve preocupar muito sobre os pressupostos, tais como a forma da distribuição de probabilidade ou
a independência quando estamos aplicando gráficos de controle a um processo para reduzir a
variabilidade e alcançar controle estatístico. Além disso, uma causa especial pode resultar em

4
muitos tipos diferentes de desvios nos parãmetros do processo. Por exemplo, a média poderia mudar
instantaneamente para um novo valor e permanecem lá (isso é chamado às vezes uma mudança
permanente); ou poderia mudar abruptamente; mas a causa especial poderia ser de curta duração e a
média poderia, então, retornar ao seu valor nominal ouentrar em condição de controle estatístico; ou
a causa especial poderia resultar em um desvio constante ou confirmar uma tendência no valor da
média. Entre estas situações, somente a mudança sustentada se encaixa muito bem dentro do
modelo habitual de testes de hipóteses estatísticos (MONTGOMERY, 2009).
Um lugar onde o referencial de testes hipótese é útil é na análise do desempenho de um gráfico de
controle. Por exemplo, podemos pensar na probabilidade de erro Tipo I do gráfico de controle (a
conclusão do processo está fora de controle quando se está realmente no controle) ea probabilidade
de erro Tipo II do gráfico de controle (conclusão do processo está sob controle quando é realmente
fora de controle). É ocasionalmente útil usar a curva operacional de característica de um gráfico de
controle para exibir sua probabilidade de erro Tipo II. Esta seria uma indicação da capacidade do
gráfico de controle para detectar deslocamentos do processo de diferentes magnitudes. Isto pode ser
de valor na determinação da escolha de qual o tipo de gráfico de controle é mais conveniente para
aplicar em uma determinada situação.

Para ilustrar as ideias precedentes, será desenvolvido um exemplo de carta de controle. Em processo
de corte de folhas de caderno com comprimento de 27,50 cm. O processo deve ser mantido para que
este comprimento seja alcançado. Supondo, que historicamente este processo, quando sob controle
possui como média o valor de 27,50 cm, e seja conhecido o seu desvio padrão que é de 0,0089 cm.
A carta de controle para a média do comprimento ( ) é computada e desenhada na Figura 3. Por
utilizar nesta carta de controle a média amostral para monitorar a média do processo de corte da
folha, ela é usualmente denominada de carta de controle . Note que todos os pontos caem dentro
do limites de controle, indicando que este processo está estatisticamente sob controle.

Figura 3 Carta de Controle para o comprimento da folha de caderno.

5
Para dar suporte na compreensão da estatística básica da carta de controle, vamos considerar como
determinar os limites de controle. A média do processo é de 27,50 cm, e o desvio padrão é de =
0,0089 cm. Se assumirmos o tamanho como sendo n = 5, o desvio padrão amostral da média
amostral é

Portanto, se o processo está sob controle com média de 27,50 cm de comprimento, então usando o
teorema do valor central para assumir que é aproximadamente um distribuição normal, nós
esperamos que 100(1- )% da média amostral esteja entre 27,50 + e 27,50 -
. Nós podemos arbitrariamente atribuir a o valor de 3, tanto para cima quanto para
baixo como limites de controle:

Como apresentado na carta de controle. Estes limites caracterizam o que tipicamente denominado
de limites de controle três sigmas. Observe que a largura entre a média e os limites de controle é
inversamente proporcional ao tamanho n da amostra para um dado múltiplo de sigma.

Figura 4 Como a carta de controle trabalha

É possível estabelecer um modelo geral para as cartas de controle. Sendo dada uma amostra y que
caracteriza a medida de um requisito (CTQ), o saída de processo (xi) de interesse, e supondo que a
média de y seja o desvio padrão de y seja . Então o centro da linha, o limite superior de
controle e o limite inferior de controle.

6
Onde D é a distância dos limites de controle em relação à linha Central, expresso em desvios
padrões. O gráfico de controle é um dispositivo para descrever de forma precisa exatamente o que
se entende por controle estatístico; como tal, pode ser utilizado numa variedade de maneiras. Em
muitas aplicações, é utilizado para a vigilância processo em linha. Ou seja, os dados da amostra são
recolhidos e utilizados para construir o gráfico de controle, e se os valores de amostra de (digamos)
estão dentro dos limites de controle e não apresentam qualquer padrão sistemático, dizemos que o
processo está sob controle no nível indicado pelo gráfico. Note-se que podemos estar interessados
aqui na determinação tanto se os dados do passado veieram de um processo que estava sob controle
e se as amostras futuras deste processo indicam controle estatístico (MONTGOMERY, 2009).
Montgomery (2009) argumenta que o uso mais importante de um gráfico de controle é para
melhorar o processo. Tem-se que, geralmente
1. A maioria dos processos não opera em um estado de controle estatístico e
2. Por conseguinte, o uso rotineiro e atento dos gráficos de controle irá identificar as causas
atribuíveis. Se estas causas podem ser eliminadas do processo, a variabilidade será reduzida e o
processo terá seu desempenho melhorado. Esta atividade de melhoria de processos usando o gráfico
de controle é ilustrada na Figura 5. Note-se que
3. O gráfico de controle só irá detectar causas especiais. Gestão, operador, e ação de engenharia
geralmente serão necessários para eliminar as causas especiais.
Desta forma, o gráfico de controle é utilizado na fase de Medir, para se tomar conhecimento do
comportamento de uma variável de interesse que se associa a uma característica da qualidade, e
deve se manter seu uso após a implementação das ações de melhorias para avaliar sua eficácia em
eliminar as causas especiais que pretensamente foram tratadas nesse projeto de melhoria conduzido
pela equipe de projeto Six Sigma.

PROCESSO

Sistema de Medição

Verifica e Detecta Causas

Acompanha Especiais
DMAIC
Identifica a
Implementa Raiz do
Projeto 6σ Problema

Figura 5: O Processo de Melhoria usando a carta de controle.

7
Na identificação e eliminação de uma causa especial, o foco orienta-se pela efetiva eliminação de
sua causa geradora, ou seja, a causa raiz predominante do problema. Soluções paliativas devem ser
evitadas sob a pena de ter que novamente voltar ao problema e em sua causa raiz, na medida em que
esta não tenha sido completamente eliminada ela incidirá novamente, fazendo com que o processo
saia da condição de controle estatístico.

2.1 A Escolha dos Limites de Controle

A especificação dos limites de controle é uma das decisões críticas que deve ser feita na concepção
de um gráfico de controle. Quando movemos os limites de controle para mais longe da linha central,
que implica em termos estatísticos diminuir o risco de cometer o erro Tipo I. Isto é, no caso um
ponto ser identificado além dos limites de controle, o que indicaria a existência de causas especiais
atuando no processo, quando na realidade o processo não está fora de controle. No entanto, o
alargamento dos limites de controle também aumenta o risco de um tipo de erro, isto é o Tipo II, o
risco de um ponto estar entre os limites de controle, quando na realidade o processo encontra-se na
presença de causas especiais, indicando processo fora de controle. O raciocínio inverso também é
verdaderiro, ou seja, se diminuirmos a distância entre a linha central e os limites de controle, o
efeito oposto é obtido: O risco de erro Tipo I aumenta, enquanto o risco de erro Tipo II é diminuí.

Para o gráfico mostrado na Figura 3, em que foram utilizados os limites de controle de três sigma,
se assumirmos que o comprimento da folha de caderno é normalmente distribuída, encontramos a
partir da tabela normal padrão que a probabilidade de erro Tipo I é de 0,0027. Isto é, um sinal
incorreto de “out-of-control” ou falso alarme será gerado em apenas 27 em cada 10.000 pontos.
Além disso, a probabilidade de que um ponto medido quando o processo está sob controle irá
exceder os limites de três sigma em uma direção é apenas 0,00135. Em vez de especificar o limite
de controle como um múltiplo do desvio padrão de , poderia ser escolhido diretamente o erro de
tipo I e calculado o limite de controle correspondente. Por exemplo, se especificou uma
probabilidade de erro Tipo I de 0,001 em uma direção, em seguida, o múltiplo correspondente ao
desvio padrão seria 3,09. O controle limites para o gráfico seria, então,

Estes limites de controle são geralmente chamados de 0,001 limites de probabilidade, embora eles
devam, logicamente, serem chamados de 0,002 limites de probabilidade, porque o risco total de
cometer um erro Tipo I é 0,002. Existe apenas uma pequena diferença entre os dois limites.
Independentemente da distribuição de probabilidade da característica de qualidade, é prática comum
nos Estados Unidos determinar os limites de controle como um múltiplo do desvio padrão da
estatística plotados no gráfico. O múltiplo geralmente escolhido é três; portanto, os limites de três
sigmas são habitualmente utilizados em cartas de controle, independentemente do tipo de gráfico
utilizado. No Reino Unido e partes da Europa Ocidental, os limites de probabilidade são usados,
com o nível de probabilidade padrão em cada sentido como sendo 0,001 (MONTGOMERY, 2009).

8
O uso de limites de controle de três sigmas é justificado na medida em que eles dão bons resultados
na prática. Além disso, em muitos casos, a verdadeira distribuição de probabilidade da característica
de qualidade não é suficientemente bem conhecida para calcular os limites de probabilidade de
maneira exata. Assim, a distribuição de probabilidade da característica de qualidade é
razoavelmente aproximada pela distribuição normal, implicando que haverá pouca diferença entre
os três-sigmas e 0,001 limites de probabilidade.

A utilização de dois limites na carta de controle é sugerida por muitos analistas. Isto pode ser visto
na Figura 4, o limite de controle marcado pela linha de três sigmas caracteriza o limite máximo de
variabilidade que o processo pode apresentar sem conduto estar fora de controle. Caso um ponto
seja identificado acima ou abaixo destas linhas, limite superior ou limite inferior respectivamente, a
busca de causas especiais se torna necessário e consequentemente se configura uma necessidade de
intervenção. No interior do intervalo que compreende dois e três sigmas se tem a região de alarme
(Limite de Alarme Superior – LAS; Limite de Alarme Inferior – LAI), ou seja, a incidência de
pontos que estejam entre os valores de dois e três sigmas sugere atenção ao processo, quando dois
ou três pontos se encontram nessa região o processo está apresentando comportamento que
necessita atenção do responsável.

2.2 O Tamanho da Amostra

A escolha do tamanho do subgrupo em cartas de controle que são construídas a partir desses dados
e a frequência em que se coleta os dados que compõem os subgrupos é dependente de diversas
variáveis: o valor econômico do produto em questão, a dificuldade de coleta, o custo da coleta,
entre outros, mas em termos práticos, conforme propõe AIAG (2005) deve-se trabalhar com
subgrupos de 4 a 5 elementos, executando a coleta a cada duas horas. Algumas orientações são
apontadas por Oakland (2003):

1 O tamanho da amostra deve ser de pelo menos 2 para dar uma estimativa da variabilidade
residual, mas um mínimo de quatro é o preferido, a menos que a raridade de amostragem limita os
dados disponíveis para 'um-em-um-tempo'.

2 Como o aumento tamanho da amostra, os limites médios da carta de controle tornam-se mais
próximos da média do processo. Isso faz com que o gráfico de controle fique mais sensível para a
detecção de pequenas variações na média do processo.

3 Com o tamanho da amostra aumenta, os custos da inspeção por amostra pode aumentar. Deve-se
questionar se uma maior sensibilidade justifica qualquer aumento dos custos.

4 O tamanho da amostra não deve ser superior a 12 se o subgrupo de pontos é para ser usado para
medir a variabilidade do processo.

5 Quando cada item tem um valor monetário elevado e ensaios destrutivos estão sendo usados, um
pequeno tamanho da amostra é desejável e satisfatório para efeitos de controle.

9
6 Um tamanho da amostra de n = 5 é geralmente usado por causa da facilidade de cálculo da média
da amostra. No entanto, com o advento dos computadores de baixo custo e calculadoras, isso não é
mais necessário.

2.3 Análise do Comportamento do Processo

O Manual da AIAG (2004) sugere um conjunto de regras de decisão para a detecção de padrões não
aleatórios em gráficos de controle. Especificamente, ele sugere concluindo que o processo está fora
de controle se:

1. Um ponto for identificado fora dos limites de controle de três-sigmas,

2. Dois dos três pontos consecutivos da sequência estiver além dos limites de alerta de dois-sigmas,
3. Quatro dos cinco pontos da sequência consecutiva estiver a uma distância de um sigma ou além
da linha central,
4. Seis pontos na ascendente ou descendente,
5. Quinze pontos dentro do intervalo de um desvio padrão (sigma),
6. Nove pontos na região de 1 desvio padrão sem cruzar a linha da média,
7. Oito pontos na região acima de dois desvios padrão, mas sem extrapolar os três desvios padrão.

Na Figura abaixo tem-se as situaçõe acima descritas.

2.4 As Fases de Aplicação da Carta de Controle

Como propõe Montgomery (2009), o uso padrão da carta de controle envolve duas fases de
aplicação: fase I e fase II, com dois objetivos diferentes e distintos. Na fase I, um conjunto de dados

10
do processo é recolhido e analisado de uma só vez em uma análise retrospectiva, a construção de
limites de controle de teste para determinar se o processo está sob controle, considerando o período
de tempo em que os dados foram recolhidos, e para ver se os limites de controle são confiáveis e
possam ser utilizados para monitorar o processo no futuro. Isto é tipicamente a primeira ação a ser
feita, quando os gráficos de controle são aplicados a qualquer processo. Os gráficos de controle na
fase I ajudam principalmente o pessoal de operação em trazer o processo para um estado de controle
estatístico. Na Fase II, depois de eliminar as causas especiais que atuavam no processo e ter retirado
do conjunto de dados os pontos que caracterizavam uma condição de processo “out-of-control”, se
tem representado o desempenho do processo sob controle. Na fase II, é que se usa a carta de
controle para manter o processo sob controle, por meio de comparação da estatística amostral,
considerando cada amostra sucessiva, e tendo como referência os novos limites de controle
estabelecidos.

Assim, na fase I em que se está a avaliando o comportamento do processo por meio de um conjunto
de, digamos, m pontos, sendo os limites de controle calculados a partir desses pontos. Normalmente
m = 20 ou 25 subgrupos são usados na fase I, sendo que o tamanho da amostra pode ser de 4 ou 5
elementos. É bastante típico na fase I supor que o processo esteja inicialmente fora de controle, de
modo que o objetivo do analista é no sentido de trazer o processo para um estado de controle
estatístico. Limites de controle são calculados com base nos m subgrupos e os dados representados
nos gráficos de controle. Pontos que estão fora dos limites de controle são investigados, à procura
de potenciais causas especiais. Quaisquer causas especiais identificadas são trabalhadas pelo
pessoal de engenharia e de operação num esforço para eliminá-las. Pontos fora dos limites de
controle são então excluídos e um novo conjunto de limites de controle revistos e calculados. Em
seguida, os novos dados são coletados e comparados com esses limites revistos. Às vezes, este tipo
de análise vai exigir vários ciclos em que a carta de controle é empregada, causas especiais são
detectadas e corrigidas, limites de controle são calculados e atualizados, e o plano de ação é
atualizado e ampliado. Eventualmente, o processo é estabilizado, e um conjunto limpo de dados que
representa o controle de desempenho do processo é obtido para o uso na fase II.

Na fase II, que geralmente se assume que o processo esteja razoavelmente estável. Muitas vezes, as
causas especiais que ocorrem na fase II promovem pequenos deslocamentos, porque (espera-se) a
maioria das fontes que realmente causam variabilidade foi removida sistematicamente durante a
fase I. Nessa ênfase a ideia é monitoramento do processo, não no sentido de levar um processo
incontrolável à condição de controle estatístico, mas no sentido de mantê-lo nesta condição. Cartas
de controle Shewhart são muito menos eficazes na fase II, porque eles não são muito sensíveis a
pequenos desvios de processo para tamanho moderado de amostra (MONTGOMERY, 2009). As
tentativas para resolver este problema empregando regras sensibilizadoras tais como as discutidas
na seção anterior tendem a ser insatisfatórias, porque o uso destas regras sensibilizantes
suplementares aumenta a taxa de falsos alarmes na carta de controle de Shewhart. O uso rotineiro
de detecção de pequenas mudanças para se reagir mais rapidamente às causas especiais na fase II
apontam para uma lógica diferente da utilizada na fase I, e faz uso de técnicas complementares
como as cartas de controle EWMA e cartas de somas acumulativas abordadas oportunamente.

11
CARTA DE CONTROLE
Ralph Santos da Silva

INTRODUÇÃO
As cartas de controle de processo são utilizadas para descrever de maneira sucinta o comportamento
do processo em termos de atender às especificações técnicas que descrevem os produtos e serviços.
Num primeiro momento, Fase I, nos auxilia em identificar a existência de causas especiais que
estejam impedindo que o processo atue no sentido do que se denomina controle estatístico. Após,
eliminadas as causas especiais e consequentemente posto o processo em controle estatístico,
entramos na denominada Fase II, que é caracterizada essencialmente pela manutenção do estado
conquistado e, neste caso, o processo é monitorado no sentido de estabelecer planos de intervenção
assim que uma suspeita de aparecimento de causas especiais seja detectada. Numa fase inicial, os
dados são coletados para que a carta escolhida seja montada. De posse da carta, se faz uma análise
para avaliar a existência ou não de causas que esteja interferindo no desempenho do processo,
impossibilitando a produção de itens conforme especificação. Por fim, ações de intervenção são
planejadas no sentido de atuar na causa raiz que está fazendo o processo não responder conforme o
desejado. Caso a intervenção tenha obtido êxito, o processo começa a apresentar desempenho, e a
forma de sua operacionalização é então padronizada. Desta forma, concretizando o resultado
esperado nos projetos six sigma.

Todas as cartas de controle seguem a mesma lógica para sua construção, como já visto
anteriormente. Ou seja, elas são baseadas na média dos dados em análise. Nos limites Superior e
Inferior de CONTROLE (LSC, LIC), que representam 3 desvios padrão acima da média e três
desvios padrão abaixo da média. Observe que os limites de CONTROLE são obtidos com dados do
próprio processo, enquanto os limites de ESPECIFICAÇÃO, utilizados na análise da capabilidade,
são dados técnicos de engenharia, portanto fazem parte do enunciado.

1. CARTA DE CONTROLE PARA DADOS VARIÁVEIS X, R.

A carta de controle é uma forma de apresentação visual utilizada para marcar os valores de uma
medida de desempenho de serviço de interesse para a administração de serviços.

Determinação dos limites superior (LSC) e inferior (LIC) de controle:

LSC  X  A2 * R (1)

LIC  X  A2 * R (2)

Para carta de controle de R :

LSC  D4 * R (3)

LIC  D3 * R (4)

12
Onde:

A2, D4 e D3 são constantes obtidas a partir do tamanho da amostra do subgrupo e utiliza-se para isso
a Tabela abaixo.

Tabela 3: Valores das Constantes

Tamanho da
Carta R
Subgrupo (n) D3 D4 d2
A2 para Carta X

2 1,88 0 3,267 1,128

3 1,023 0 2,574 1,693

4 0,729 0 2,282 2,059

5 0,577 0 2,114 2,326

6 0,483 0 2,004 2,534

7 0,419 0,076 1,924 2,704

8 0,373 0,136 1,864 2,847

9 0,337 0,184 1,816 2,970

10 0,308 0,232 1,777 3,078

12 0,266 0,283 1,717 3,258

14 0,235 0,328 1,672 3,407

16 0,212 0,363 1,637 3,532

18 0,194 0,391 1,608 3,640

20 0,180 0,415 1,585 3,735

22 0,167 0,434 1,566 3,819

24 0,157 0,451 1,548 3,895

Exercício Resolvido Carta XR

O processo denominado hard-bake é usado em conjunto com o de fotolitografia na indústria de
chip. Deseja-se estabelecer o controle estatístico do fluxo de largura desse processo. Vinte cinco
amostras, cada conjunto com 5 wafers, devem ser coletadas quando pensamos que o processo está

13
sob controle. O intervalo de tempo entre cada coletada de de 5 wafers é de uma hora. A medida do
fluxo de largura (em microns) destas amostras estão mostradas na Tabela abaixo.

A amplitude é determinada pela diferença entre o maior e o menor valor dentro do subgrupo.
Exemplo: para o primeiro (1) subgrupo tem-se: 1,6914 – 1,3235 = 0,3679. Isso é feito linha a linha.

A média das médias é 1,5056. E a média das amplitudes é 0,3252.

Como n = 5, utilizando a Tabela 3, obtém-se D3 = 0, D4 = 2,114, A2 = 0,577.

Assim

Para a variável x

14
LSC = 1,5056 + 0,577 * 0,3252 = 1,693

LIC = 1,5056 – 0,577 * 0,3252 = 1,318

Para a amplitude

LSC = 0,3252 * 2,114 = 0,6874

LIC = 0,3252 * 0,000 = 0,000

Com esses dados é possível então desenhar as cartas de controle:

Carta da Variável X

Carta da Amplitude - R

Como pode ser visto o processo apresenta-se sob controle. Entretanto os últimos pontos sinalizam a
necessidade de monitoramento do processo. Caso o próximo ponto apresentar-se acima da média, é
provável que exista causas especiais afetando seu comportamento, exigindo ações corretivas. O
gráfico de amplitude R, já começa a acusar uma ampliação dentro do grupo medido que compõe
cada subgrupo utilizado para monitorar o processo.

15
16
2. CARTA DE CONTROLE PARA MEDIÇÕES INDIVIDUAIS
Segundo Pysdek e Keller (2011), as cartas de controle individuais são ferramentas estatísticas para
avaliar a tendência central do processo ao longo do tempo. Tais gráficos também são chamados de
cartas X ou cartas de amplitude móvel. As cartas de controle individuais são utilizadas quando o
uso de médias de subgrupos não é viável. Montgomery (2005) aponta alguns exemplos dos quais a
carta de controle de valores individuais pode ser adotado:

1. Quando o processo de inspeção e medição são automatizados e cada unidade manufaturada é

analisada não nenhuma razão para estabelecer subgrupos.
2. Os dados são obtidos vagarosamente, é inconveniente permitir o estabelecimento de tamanho de
amostra de subgrupo n > 1, implicando acumulo de dados para em seguida promover a análise.
3. Em muitos processos as características técnicas do produto variável muito pouco em termos de
fração do tempo, para justificar medição de subgrupos num intervalo de tempo como é feito nas
cartas X, R.
Em tais situações, o gráfico de controle para unidades individuais é útil. É uma carta que pode ser
utilizada na Fase II, quando o processo já se apresenta em controle estatístico, ainda que a soma
cumulativa e gráficos de controle de média móvel exponencialmente ponderada sejam uma
alternativa melhor. Em muitas aplicações das carats de valores indivíduais, usamos a amplitude
móvel entre duas observações sucessivas como a base para estimar a variabilidade do processo. A
amplitude móvel (MRi) é definida como sendo:

Isto indica que a Amplitude Móvel é SEMPRE POSITIVA.

Lembre-se que a equação acima impõe como resultado da subtração valores positivos. Suponha
que x1 seja igual a 17 e x2 seja igual a 13. Então MR1 = І x1 – x2 І = І 13 – 17 І = 4.

E a média da amplitude é determinada pela fórmula:

Os limites superior de controle (LSC) e inferior de controle (LIC) são determinados pelas equações
abaixo, respectivamente:

Se a amplitude móvel precisa de dois valores para sua determinação, então n = 2 (SEMPRE), então

17
Para a carta de da amplitude móvel, os seus limites superior e inferior de controle são determinados
por:

LIC = 0

Novamente, como n = 2, então (SEMPRE).

Quando for necessário determinar o DPMO, o valor de estimado é determinado a partir do valor
médio da amplitude móvel ( ), multiplicando-a pela constante igual a 0,8865. Ou seja,

Exercício Resolvido
1). Uma empresa de seguros deseja monitorar os custos envolvidos pela emissão de contratos de
seguros, que são enviados a seus clientes após a efetivação do contrato ter sido realizada pela
cliente. Os dados coletados estão na Tabela abaixo. Avaliar o comportamento dos custos de
emissão.

Tabela de Dados

Amplitude
Semana Custo x Móvel
1 310
2 288 22
3 297 9
4 298 1
5 307 9
6 303 4
7 294 9
8 297 3
9 308 11
10 306 2
11 294 12
12 299 5
13 297 2
14 299 2
15 314 15
16 295 19
17 293 2
18 306 13
19 301 5
20 304 3

18
 = 300,5

= 321,22

= 279,78

Para a amplitude móvel os valores dos limites são:

LIC = 0,0 e = 3,267*7,79 = 25,45.

As cartas de controle de custos de emissão de contratos de seguros estão ilustradas nas Figuras
abaixo:

Carta Medição Individual

330
320
310
300
290
280
270
260
250
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Carta da Amplitude Móvel.

30

25

20

15

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Pela carta de valores individuais, não há indicativo de que o processo esteja fora de controle. O
custo médio de R$ 300,50 pode ser avaliado se é ou não um custo alto para a operação em si. Se a
conclusão for de que ele está acima, deve-se pensar em atuar no sentido de melhorar a qualidade de
produção de contratos de seguros.

19
2). Uma empresa de manufatura deseja monitorar os custos envolvidos no envio de produtos para o
exterior utilizando fretes aéreos (especiais), por conta de imprecisão no processo de planejamento e
controle de produção. Os dados coletados estão na Tabela abaixo. Avaliar o comportamento dos
custos de uso de frete especial.

Número de
Número Expedições
Total de para Fretes
Mês Ano Expedições Aéreos
Janeiro 1 5858 619
Fevereiro 1 4084 451
Março 1 5196 480
Abril 1 4172 450
Maio 1 6144 374
Junho 1 3792 227
Julho 1 4792 278
Agosto 1 7226 346
Setembro 1 4440 161
Outubro 1 4896 232
Novembro 1 6019 352
Dezembro 1 4101 277
Janeiro 2 3775 252
Fevereiro 2 5068 229
Março 2 4119 252
Abril 2 4075 232
Maio 2 4040 239
Junho 2 4038 274
Julho 2 5275 324
Agosto 2 4059 268
Setembro 2 5133 361
Outubro 2 5311 487
Novembro 2 2977 290
Dezembro 2 5658 506
Janeiro 3 3801 316
Fevereiro 3 4142 359
Março 3 7585 714
Abril 3 7357 588
Maio 3 3768 445
Junho 3 4050 535
Julho 3 5546 654

Solução
Normalizando em termos percentuais o número de fretes especiais, para então avaliar graficamente
o comportamento do uso de frete especial.

20
 Percentual
Número de de
Número Expedições Expedições
Total de para Fretes por Fretes Amplitude
Mês Ano Expedições Aéreos Aéreos Móvel
Janeiro 1 5858 619 10,57
Fevereiro 1 4084 451 11,04 0,48
Março 1 5196 480 9,24 1,81
Abril 1 4172 450 10,79 1,55
Maio 1 6144 374 6,09 4,70
Junho 1 3792 227 5,99 0,10
Julho 1 4792 278 5,80 0,18
Agosto 1 7226 346 4,79 1,01
Setembro 1 4440 161 3,63 1,16
Outubro 1 4896 232 4,74 1,11
Novembro 1 6019 352 5,85 1,11
Dezembro 1 4101 277 6,75 0,91
Janeiro 2 3775 252 6,68 0,08
Fevereiro 2 5068 229 4,52 2,16
Março 2 4119 252 6,12 1,60
Abril 2 4075 232 5,69 0,42
Maio 2 4040 239 5,92 0,22
Junho 2 4038 274 6,79 0,87
Julho 2 5275 324 6,14 0,64
Agosto 2 4059 268 6,60 0,46
Setembro 2 5133 361 7,03 0,43
Outubro 2 5311 487 9,17 2,14
Novembro 2 2977 290 9,74 0,57
Dezembro 2 5658 506 8,94 0,80
Janeiro 3 3801 316 8,31 0,63
Fevereiro 3 4142 359 8,67 0,35
Março 3 7585 714 9,41 0,75
Abril 3 7357 588 7,99 1,42
Maio 3 3768 445 11,81 3,82
Junho 3 4050 535 13,21 1,40
Julho 3 5546 654 11,79 1,42

média 7,74 1,14

A coluna de percentual na Tabela acima foi determinada da seguinte forma. Veja o exemplo:

Corresponde ao primeiro valor da coluna acima do percentual de frete especial do mês de Janeiro.

Para a amplitude segue o mesmo raciocínio desenvolvido anteriormente. Assim como para os
limites de controle.
Logo os gráficos ficam como os apresentados abaixo:
21
 Fretes Especiais

14,00

12,00

10,00

LNIP
8,00
média X
LNSP
6,00
Valor de X

4,00

2,00

0,00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Amplitude Móvel - Frete Especial

5,00

4,50

4,00

3,50

3,00

2,50 Média
LASp
2,00

1,50

1,00

0,50

0,00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

22
3. CARTA DE CONTROLE POR ATRIBUTOS (Carta p)
Dados do tipo atributos são dados que são contados, tais como unidades boas ou ruins produzidas
pelo processo de serviço. Se retirarmos amostras desses processos, seja direta ou indiretamente,
podemos contar, para cada amostra, o número de unidades que estão boas e o número de unidades
que estão ruins.

São também conhecidos como cartas de controle de fração de não conformidade

(MONTGOMERY, 2009). O processo usual é selecionar k amostras preliminarmente, cada uma
com tamanho n. A regra geral é escolher o tamanho mínimo de n igual 20. Então se Xi itens não
conformes na amostra i são encontrados, é computada a fração de não conformidade para a amostra
ith como:

E a média dos valores individuais da fração de não conformidade é:

A estatística é o valor estimado da fração desconhecida de não conformidade p. Corresponde a

linha central das cartas p.

3.1). Cálculo dos Limites de Controle

A linha central de uma carta para atributos é a média histórica do atributo em questão.

Linha Central = p = Média histórica

Desvio padrão da amostra é determinado pela equação abaixo:

p(1  p)
sp 
n

Assim

p(1  p)
LIC  p  3
n

p(1  p )
LSC  p  3
n

Onde:

23
 Xi = número de itens fora dos padrões de aceitação, no subgrupo i

ni = tamanho da amostra ou do subgrupo i

k = quantidade de subgrupos extraídos

n = tamanho médio do subgrupo

p = proporção média dos itens fora dos padrões de conformidade

Qualquer valor negativo para o limite de controle inferior irá significar que o limite de controle
inferior não existe e é igual a zero.

Exercício Resolvido
1). Uma companhia aérea regional está preocupada com o seu desempenho em pontualidade dos
vôos. O centro de São Paulo observa as operações de 20 vôos a cada dia da semana e obteve o
seguinte registro de partidas pontuais para os primeiros 10 dias: 17, 16, 18, 19, 16, 15, 20, 17, 18 e
16. Prepare uma carta p com um tamanho de amostra consistindo do percentual médio de voos não
pontuais em uma semana. Lembrando que:

p = número total de erros / número total de vôos examinados.

No. da Amostra Tamanho da Total de

Amostra Atraso
Proporção
(n = 20) Xi
pi

1 20 3 0,15

2 20 4 0,20

3 20 2 0,10

4 20 1 0,05

5 20 4 0,20

6 20 5 0,25

7 20 0 0

8 20 3 0,15

9 20 2 0,10

10 20 4 0,20

24
 3  4  2  1  4  5  0  3  2  4 28
p   0,14
10 * 20 200

n =20

0,14 * 0,86
LSC  0,14  3 *  0,14  0,233  0,373
20

0,14 * 0,86
LIC  0,14  3 *  0,14  0,233  0,09  0
20

Gráfico:

0,40

0,35

0,30
% Defeituosa
0,25
LIC
0,20
pbarra
0,15
LSC
0,10

0,05

0,00
1 2 3 4 5 6 7 8 9 10

Neste caso o

Então o DPMO = 0,14 * 1.000.000 = 140.000, implicando num sigma igual (retirado da Tabela de
Nível Sigma) a 2,58 aproximadamente.

2). Para ilustrar a utilização do gráfico p quando os tamanhos dos subgrupos são desiguais,
investigaremos a produção de esponjas de gaze em uma fábrica. O número de esponjas fora dos
padrões de aceitação e o número de esponjas produzidas diariamente, em um período de 32 dias,
estão mostrados na Tabela abaixo.

25
Dia Total de Esponjas Dia Total de Esponjas
Esponjas Fora dos Esponjas Fora dos
produzidas Padrões produzidas Padrões de
de Proporção Aceitação Proporção
(ni) Aceitação (ni)
pi (Xi) pi
(Xi)

1 690 21 0,030 17 575 20 0,035

2 580 22 0,038 18 610 16 0,026

3 685 20 0,029 19 596 15 0,025

4 595 21 0,035 20 630 24 0,038

5 665 23 0,035 21 625 25 0,040

6 596 19 0,032 22 615 21 0,034

7 600 18 0,030 23 575 23 0,040

8 620 24 0,039 24 572 20 0,035

9 610 20 0,033 25 645 24 0,037

10 595 22 0,037 26 651 25 0,038

11 645 19 0,029 27 660 21 0,032

12 675 23 0,034 28 685 19 0,028

13 670 22 0,033 29 671 17 0,025

14 590 26 0,044 30 660 22 0,033

15 585 17 0,029 31 595 24 0,040

16 560 16 0,029 32 600 16 0,027

As fórmulas a serem utilizadas são:

k

n i
1 k
X
n i 1
e p * (  ( i ))
k k i 1 ni

26
Logo, a tabela abaixo está a síntese dos cálculos efetuados:

k= 32

Soma Ni = 19926

Soma Xi = 665

= 622,7

= 0,0334

LIC = 0,0118

LSC = 0,0550

0,0600

0,0500

0,0400 Proporção
LIC
0,0300
pbarra

0,0200 LSC

0,0100

0,0000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Processo sobre controle, não apresenta nenhuma característica que possa levantar alguma suspeita
de revisão ou intervenção.

27
4. A CARTA Np
Quando os subgrupos são todos do mesmo tamanho, uma alternativa desejável para o gráfico p é o
gráfico np. Você deve considerar que para o gráfico Np ao invés de se trabalhar com a proporção de
itens fora de aceitação, trabalhamos com o número de itens fora de aceitação.

Podemos construir limites de controle para o número de itens fora de padrões de aceitação da
seguinte maneira:

LSC  X  3 X (1  p)

LIC  X  3 X (1  p)

Onde

X i
X  i 1

X i
p i 1

nk

n = tamanho do subgrupo

k = número de subgrupos

28
Exercício Resolvido carta Np
1). A gerência de um hotel resolveu monitorar a arrumação dos quartos, no sentido de garantir que
quando um hóspede entre num quarto pela primeira vez o quarto já se encontre arrumado. A
gerência resolveu estudar o processo de arrumação dos quartos em um período de 4 semanas,
tomando uma amostra de 200 quartos para os quais foi solicitada reserva. Assim sendo, antes da
chegada de cada hóspede foi determinado se o quarto da amostra continha qualquer não-
conformidade, em termos de disponibilidade de acessórios e de funcionamento de todos os
equipamentos. A Tabela abaixo lista o número e a proporção de quartos fora dos padrões de
aceitação, para cada dia, no período de 4 semanas.

Dia Total de Quartos Proporção Dia Total de Quartos Proporção

Quartos Não- Quartos Não-
Estudados Prontos Estudados Prontos

1 200 16 0,080 15 200 18 0,090

2 200 7 0,035 16 200 13 0,065

3 200 21 0,105 17 200 15 0,075

4 200 17 0,085 18 200 10 0,050

5 200 25 0,125 19 200 14 0,070

6 200 19 0,0950 20 200 25 0,125

7 200 16 0,080 21 200 19 0,095

8 200 15 0,075 22 200 12 0,060

9 200 11 0,055 23 200 6 0,030

10 200 12 0,060 24 200 12 0,060

11 200 22 0,110 25 200 18 0,090

12 200 20 0,10 26 200 15 0,075

13 200 17 0,085 27 200 20 0,100

14 200 26 0,130 28 200 22 0,110

k
k = 28, n = 200, e X
i 1
i  463

29
Portanto,

463 463
X   16,536 e p   0,0827
28 (200) * 28

De modo que tenhamos

16,536  3 16,536(1  0,0827)

16,536  11,684

Portanto,

LSC 16,536  11,684  28,22

LIC  16,536  11,684  4,852

Apresenta seis pontos perfilando uma subida, portanto, configura um processo instável ou fora de
controle.

30
5. A CARTA DE CONTROLE PARA DEFEITOS (Carta c)
Um item não conforme é uma unidade defeituosa, que pode não satisfazer uma ou mais
especificação técnica para um produto ou serviço. Cada ponto específico a qual a especificação
técnica não é satisfeita resulta em um defeito ou não conformidade. Consequentemente, um item
não conforme pode conter no mínimo uma não conformidade. Entretanto, dependendo da
complexidade das características do produto ou serviço, é possível um item não conforme
(defeituoso) conter mais de uma não conformidade (defeito).

É possível desenvolver cartas de controle para o número total de não conformidades por unidade ou
a média do número de não conformidades por unidade. Estas cartas de controle usualmente
assumem que a ocorrência de não conformidades em amostras de tamanhos constantes é bem
modelado pela distribuição de probabilidade de Poisson.

Os limites de controle para tamanhos de amostra não variáveis são dados pelas fórmulas abaixo:

Assumindo que o valor c está disponível. É possível que estas fórmulas produzam resultados
negativos, quando isto acontecer assume-se o valor 0 para eles.

Se o valor de c não é dado, então c pode ser estimado por meio dos valores observados, pelo
número médio de não conformidades no conjunto de subgrupos preliminarmente escolhido, sendo
chamado de . E neste caso, a carta de controle tem parâmetros definidos como segue:

31
Exercício Resolvido
1). A Tabela abaixo se tem o número de defeitos (não conformidades) observados em lotes de 100
placas de notebooks. Construa a carta de controle para defeitos.

Dados de Não Conformidades Identificadas

Número Número Número
da de Número da de
Amostra Defeitos Amostra Defeitos
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

= 33,22

45

40

35

30

25

20

15

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

32
O processo apresenta-se for a de controle, além de ter o ponto 6 e o 21 rompendo as linhas de
controle, está com uma média de defeitos em torno de 20 unidades.

Bibliografia
MONTGOMERY, D. C. Introduction to Statistical Quality Control. Hoboken: John Wiley, 2009.

OAKLAND, J. S. Statistical Process Control. Oxford: Butterwoarth Heinemann Press. 2003

PYZDEK, T; KELLER, P. Seis Sigma. Guia do Profissional. Rio de Janeiro: Alta Books. 2011.

WHEELER, D. J. Entendendo A Variação – A Chave para Administrar o CAOS. Rio de Janeiro:

Qualitymark, 1993.

33