Escolar Documentos
Profissional Documentos
Cultura Documentos
Manual Gestão Da Qualidade PDF
Manual Gestão Da Qualidade PDF
TQT
adapt MINISTÉRIO DO
TRABALHO E DA
UNIVERSIDADECATÓLICAPORTUGUESA SOLIDARIEDADE
ESCOLASUPERIORDEBIOTECNOLOGIA FSE
G E S T Ã O D A Q U A L I D A D E
ÍNDICE
1 Introdução 1
1.1 Fluxograma 3
~
1.7.1.3 Cartas de controlo de medianas ( X ) 45
2 Bibliografia 74
G E S T Ã O D A Q U A L I D A D E
1. Introdução
1
G E S T Ã O D A Q U A L I D A D E
− Gráfico de fluxo
− Diagrama de Pareto
− Diagrama de Ishikawa ou de Causa e Efeito
− Folha de verificação
− Histograma
− Diagrama de dispersão
− Carta de controlo
b) Ferramentas intermédias
− Técnicas de amostragem
− Inferência estatística
− Métodos não paramétricos
c) Ferramentas avançadas
− Métodos de Taguchi (desenho de experiências)
− Análises multi-variáveis
− Análise de séries temporais
− Técnicas de investigação operacional
d) Ferramentas de planeamento
− Desenvolvimento da função qualidade (QFD)
− Análise modal de falhas e efeitos (AMFE)
2
G E S T Ã O D A Q U A L I D A D E
1.1 Fluxograma
3
G E S T Ã O D A Q U A L I D A D E
Início do processo
Fase do processo
Controlo
Decisão
Final do processo
4
G E S T Ã O D A Q U A L I D A D E
Exemplo 1
Construir um fluxograma sobre o procedimento de tirar uma fotografia:
Tem N
Comprar
máquina?
Tem N
Comprar
rolo?
Escolher o objectivo
Enquadrar
S Máquina
automática?
N N
Boa luz? Tem flash?
S S
Ligar
Deixar a máquina
ajustar a velocidade, Regular velocidade
abertura e focar
Regular abertura
Focar
Tirar a fotografia
5
G E S T Ã O D A Q U A L I D A D E
Foi no século passado, ao analisar a sociedade, que o economista italiano Alfredo Pareto
concluíu que grande parte da riqueza se encontrava nas mãos de um número reduzido de
pessoas. A partir desta observação, e por tal conclusão poder ser generalizada a muitas áreas
da vida quotidiana, foi estabelecido o designado método de análise de Pareto, também
chamado método ABC ou dos 20-80%. De uma forma sucinta, este método diz-nos que a
grande maioria dos efeitos é devida a um número reduzido de causas.
O princípio de Pareto pode ser usado para diferentes tipos de aplicações em termos de
qualidade. Assim, uma vez que os problemas da qualidade aparecem normalmente sobre a
forma de perdas (items defeituosos e seus custos), é de extrema importância tentar esclarecer
o porquê da sua ocorrência. A análise de Pareto diz que, em muitos casos, a maior parte das
perdas que se fazem sentir são devidas a um pequeno número de defeitos considerados
vitais (vital few). Os restantes defeitos, que dão origem a poucas perdas, são considerados
triviais (trivial many) e não constituem qualquer perigo sério. Por outro lado, este princípio
pode também ser aplicado à redução dos custos de defeitos. Tais custos compõem-se
principalmente do custo das reparações e das rejeições devidos a defeitos nos produtos em
curso de fabrico ou devolvidos pelos clientes. Mais uma vez o que se verifica é que uma
pequena porção (cerca de 20%) dos produtos defeituosos ou do número de defeitos de uma
mesma produção é muitas vezes responsável pela maior parte (cerca de 80%) do custo global
dos defeitos, quer ao nível da empresa, quer ao nível do produto considerado.
É na detecção das 20% das causas que dão origem a 80% dos efeitos que o que o
diagrama de Pareto se revela uma ferramenta muito eficiente. Trata-se de uma representação
6
G E S T Ã O D A Q U A L I D A D E
gráfica ordenada na qual, para cada causa se representa, sob a forma de barras, a respectiva
consequência (nº. de defeitos, custo, etc.). A elaboração deste tipo de diagrama pode ser
sistematizada da seguinte forma:
1. decidir o tipo de problema a ser investigado (exº: nº. de items defeituosos, perdas em
valores monetários, ocorrência de acidentes);
2. identificar e listar o tipo de causas que lhe dá origem (exº. processo, máquina,
operador, método);
3. recolher dados e, para cada tipo de causa, registar o nº. de vezes que estes
contribuem para o efeito em questão;
7
G E S T Ã O D A Q U A L I D A D E
Exemplo 2
Fissuras 10 50
Bolhas 2 50
Rebarbas 56 5
Falta de material 3 50
Descoloração 3 50
Borbotos 24 30
Picadelas 2 50
Resolução:
Rebarbas 56 56 56
Borbotos 24 24 80
Fissuras 10 10 90
Falta de material 3 3 93
Descoloração 3 3 96
Bolhas 2 2 98
Picadelas 2 2 100
8
G E S T Ã O D A Q U A L I D A D E
60 100
90
50
80
% acumulada de peças
Nº. de peças defeituosas
70
40
60
defeituosas
30 50
40
20
30
20
10
10
0 0
Rebarbas Borbotos Fissuras Falta de material Descoloração Bolhas Picadelas
Tipo de defeitos
Pela análise do gráfico verifica-se que, dos 7 defeitos, 2 deles (29%) são responsáveis por 80% do
número de peças defeituosas.
Sempre que possível, e uma vez que as implicações financeiras de um problema são da
máxima importância, dever-se-à associar um valor monetário aos dados no traçado dos
diagramas de Pareto. Desta forma conseguir-se-ão detectar quais as razões responsáveis pela
grande maioria dos custos e, por conseguinte, aquelas que sob o ponto de vista financeiro
convém reduzir.
Rebarbas 5 280
Borbotos 30 720
Fissuras 50 500
Falta de material 50 150
Descoloração 50 150
Bolhas 50 100
Picadelas 50 100
9
G E S T Ã O D A Q U A L I D A D E
Borbotos 720 36 36
Fissuras 500 25 61
Rebarbas 280 14 75
Falta de material 150 7,5 82,5
Descoloração 150 7,5 90
Bolhas 100 5 95
Picadelas 100 5 100
800 100
700 90
400 50
40
300
30
200
20
100 10
0 0
Borbotos Fissuras Rebarbas Falta de material Descoloração Bolhas Picadelas
Tipo de defeitos
Apesar dos borbotos constituirem apenas 24% das peças defeituosas e as fissuras
10% destas, são eles os principais responsáveis pela grande maioria dos custos: 36%
dos custos são devidos às peças com borbotos e 25% dos custos às peças com
fissuras. As rebarbas que, como visto atrás totalizavam 56% das peças defeituosas, são
apenas responsáveis por 14% dos custos.
10
G E S T Ã O D A Q U A L I D A D E
O procedimento a seguir para elaborar um diagrama deste tipo pode ser sistematizado da
forma seguinte:
11
G E S T Ã O D A Q U A L I D A D E
Exemplo 3
Traçar um diagrama de Causa-Efeito para o excesso de consumo de um automóvel
Àlcool Urgência
Motor Aerodinâmica
Excesso carga Àlcool Piso Excesso de consumo
Mau estado de combustível
Tipo e condição
Óleo do piso
Pneus
Velas Clima Condições
Pressão Trânsito atmosféricas
Filtros Escape
A análise dos dados recolhidos ao longo de qualquer processo irá permitir avaliar a forma
como este está a decorrer, bem assim como tirar conclusões sobre ele. No entanto, caso o
número dos dados recolhidos seja grande, o seu tratamento e análise tornar-se-à difícil a
menos que se recorra a métodos que permitam a sua fácil ordenação e apresentação. Os
histogramas apresentam-se como um método de simples elaboração que, através da
representação gráfica do número de vezes que determinada característica ou fenómeno
ocorre (distribuição de frequência), permitem obter uma impressão visual objectiva sobre a
dispersão e localização dos valores recolhidos e, caso a amostra seja representativa, da
12
G E S T Ã O D A Q U A L I D A D E
totalidade da população. Tais diagramas podem assim ser utilizados para o controlo e melhoria
do processo.
5. para cada valor da característica, desenhar uma barra cuja altura seja proporcional à
frequência com que esse valor ocorre. As barras correspondentes a valores consecutivos
devem estar todas unidas e todas elas apresentam normalmente larguras semelhantes.
Exemplo 4
12 13 10
10 15 11
12 11 14
9 12 13
12 13 12
13
G E S T Ã O D A Q U A L I D A D E
Tabela de frequência
9 | 1 1 6,7 6,7
10 || 2 3 13,3 20
11 || 2 5 13,3 33,3
12 ||||| 5 10 33,3 66,6
13 ||| 3 13 20,0 86,6
14 | 1 14 6,7 93,3
15 | 1 15 6,7 100
4
Frequência absoluta
0
9 10 11 12 13 14 15
Nº. clientes
15
10
0
9 10 11 12 13 14 15
Nº. clientes
14
G E S T Ã O D A Q U A L I D A D E
35
Frequência relativa (%)
30
25
20
15
10
5
0
9 10 11 12 13 14 15
Nº. clientes
100
90
80
70
60
(%)
50
40
30
20
10
0
9 10 11 12 13 14 15
Nº. clientes
15
G E S T Ã O D A Q U A L I D A D E
Os intervalos das classes são usualmente de igual amplitude por forma a que a altura das
barras seja proporcional à frequência que representam. Um dos aspectos a ter em conta no
estabelecimento das classes é que se deverá sempre garantir que o limite inferior da primeira
classe seja menor ou igual ao menor dos valores observados, da mesma forma que o limite
superior da última classe deverá ser maior ou igual ao maior dos valores observados. Por outro
lado, deverá ficar desde logo estabelecido se os limites das classes são inclusivos ou
exclusivos, isto é, cada valor só poderá pertencer a um único intervalo, razão pela qual se os
limites superiores das classes forem fechados (i.e. o máximo dos valores encontra-se incluído
nesse intervalo), os limites inferiores das classes que a sucedem deverão ser abertos e vice-versa.
Não existem regras exactas sobre a forma de determinar o número e a amplitude das
classes a considerar. Como referência, sendo N o número total de dados, poder-se-ão utilizar
as fórmulas seguintes para a determinação do número aproximado de classes:
log N
n º de classes = 1 +
log 2
ou
n º de classes = N
Outra forma possível será determinar o número de classes em função do número total de
dados recorrendo à tabela seguinte
16
G E S T Ã O D A Q U A L I D A D E
20 a 50 6
51 a 100 7
101 a 200 8
201 a 500 9
501 a 1000 10
> 1000 11 a 20
Como foi referido, estes métodos permitem estimar um número aproximado de classes a
utilizar. A correcta amplitude de cada uma (e consequentemente o número de classes) poderá
também ser determinada por simples inspecção dos dados da forma que mais convenha para
estabelecer a amplitude dos intervalos (por exemplo de 5 em 5 ou de 0,02 em 0,02) desde
que daí não resulte um número de classes exageradamente grande ou pequeno que
conduza à total perda de definição da forma do histograma.
Exemplo 5
2,525 2,543 2,532 2,510 2,517 2,522 2,519 2,510 2,511 2,522
2,527 2,529 2,518 2,527 2,528 2,521 2,519 2,531 2,511 2,519
2,527 2,536 2,506 2,541 2,512 2,515 2,521 2,536 2,529 2,524
2,534 2,518 2,538 2,543 2,528 2,519 2,523 2,523 2,529 2,523
2,520 2,522 2,524 2,545 2,531 2,519 2,519 2,529 2,522 2,513
2,515 2,519 2,527 2,542 2,528 2,540 2,522 2,526 2,520 2,525
2,533 2,542 2,530 2,522 2,540 2,535 2,526 2,532 2,502 2,522
2,520 2,514 2,512 2,534 2,526 2,530 2,532 2,526 2,523 2,520
2,510 2,524 2,521 2,535 2,528 2,523 2,525 2,522 2,530 2,514
Neste caso existem 90 dados que variam entre 2,502 e 2,545 (amplitude total = 0,043).
Por forma a estabelecer o número e a amplitude das classes, é de ter em atenção que os
valores 2,502 e 2,545 devem também estar incluídos, pelo que será razoável que a gama total
coberta pelas classes varie entre 2,500 e 2,550. Ao utilizar as fórmulas anteriores para prever
o número de intervalos, verifica-se que este pode variar entre 7 (pela tabela) e 9. Há também
que ter em linha de consideração a melhor forma de estipular a sua amplitude por forma a que
seja lógica a marcação dos seus limites. Por simples inspecção dos valores apresentados
17
G E S T Ã O D A Q U A L I D A D E
parece apropriado fazer uma divisão em classes com uma amplitude de 0,005. Mais uma vez é
importante relembrar a necessidade de definir desde logo a natureza dos limites inferiores e
superiores (i.e. abertos ou fechados). Apresenta-se de seguida a tabela de frequências bem
como os histogramas de frequências absolutas e frequências absolutas acumuladas
contruidos a partir desta.
Frequência Frequência
absoluta absoluta
Classe
acumulada
[2,500;2,505[ \ 1 1
[2,505;2,510[ \ 1 2
[2,510;2,515[ \\\\\\\\\\ 10 12
[2,515;2,520[ \\\\\\\\\\\\ 12 24
[2,520;2,525[ \\\\\\\\\\\\\\\\\\\\\\\ 23 47
[2,525;2,530[ \\\\\\\\\\\\\\\\\\\ 19 66
[2,530;2,535[ \\\\\\\\\\\ 11 77
[2,535;2,540[ \\\\\ 5 82
[2,540;2,545[ \\\\\\\ 7 89
[2,545;2,550[ \ 1 90
25
20
Frequência absoluta
15
10
0
2,500 2,505 2,510 2,515 2,520 2,525 2,530 2,535 2,540 2,545 2,550
Diâmetro (cm)
90
80
Frequência absoluta acumulada
70
60
50
40
30
20
10
0
2,500 2,505 2,510 2,515 2,520 2,525 2,530 2,535 2,540 2,545 2,550
Diâmetro (cm)
18
G E S T Ã O D A Q U A L I D A D E
50
a 45
b
45 40
40 35
35
30
30
25
25
20
20
15
15
10
10
5 5
0 0
A B C D E F G A B C D E F G H I
Característica Categoria
60 60
c d
50 50
40 40
30 30
20 20
10 10
0 0
A B C D E F G H I A B C D E F G H I
Característica Característica
Figura 3 - Possíveis formas de distribuição que um histograma pode apresentar em torno do valor com maior frequência
19
G E S T Ã O D A Q U A L I D A D E
É ainda de referir a possibilidade de surgir nos histogramas um pico isolado. Tal é comum
quando se verifica uma pequena inclusão de dados provenientes de uma distribuição
diferente que podem, por exemplo, ser devidos à ocorrência de causas especias no processo
conducentes a valores atípicos.
80 b
80 a 70
70
60
60
50
50
40
40
30 30
20 20
10 10
0 0
A B C D E F G H I J K L M N O P Q R S T U A B C D E F G H I J K L M N O P Q R S T U
Característica Característica
Figura 4 - Possíveis formas de um histograma em termos de dispersão em torno do valor com maior frequência
20
G E S T Ã O D A Q U A L I D A D E
Outra das utilidades dos histogramas consiste na possibilidade de, dados os limites de
especificação (tolerâncias), verificar em que medida essas especificações estão a ser
obedecidas.
a b
c d
21
G E S T Ã O D A Q U A L I D A D E
Nas restantes Figuras (5c, 5d e 5e) o histograma não obedece às especificações pelo
que há que tomar medidas para centrar o processo para valores próximos do valor nominal
óptimo (Figura 5c) e para reduzir a variação (Figuras 5d e 5e).
dados. A mais conhecida destas medidas é, sem sombra de dúvida, a média aritmética ( X ). O
seu cálculo permite a determinação do valor central relativamente ao qual os dados que
constituem a amostra se distribuem.
O cálculo da média aritmética pode ser feita por várias formas diferentes consoante os
dados são do tipo discreto ou contínuo e se se encontram ou não agrupados em classes.
Assim, no caso dos dados não se encontrarem agrupados em classes, a sua média aritmética
é determinada simplesmente somando-os todos e dividindo pelo número total de dados (n)
de acordo com a seguinte fórmula:
1 n
X= ∑ xi
n i=1
n
X = ∑ fi xi
i= 1
em que fi representa a frequência relativa de cada valor xi e n o número total de valores cuja
média se está a calcular.
J
X ≈ ∑ fj M j
j=1
22
G E S T Ã O D A Q U A L I D A D E
onde fj representa agora a frequência relativa da classe j cujo ponto médio (ponto
representativo da classe) é Mj. O símbolo ≈ utiliza-se precisamente por se considerar o ponto
médio como representativo da respectiva classe.
2 2 5 7 7 10 19 30 31
a mediana será o valor 7 uma vez que à sua direita ficam o mesmo número de valores que à sua
esquerda (i.e. 4).
No caso do número total de valores ser par, a mediana será a média aritmética dos dois
valores que dividem a série (previamente ordenada) em dois grupos iguais: Assim, para o
conjunto de valores
2 4 4 5 9 10 15 16 16 20
A última medida de tendência central que interessa para já considerar é a moda. Esta
indica o valor ou gama de valores na qual a concentração dos dados é máxima.
Quando os dados amostrais são realizações de uma variável discreta, a moda será o valor
dos dados que ocorre com maior frequência, isto é, o valor que mais se repete. Em ambos os
atrás apresentados existem então duas modas: no primeiro caso estas são 2 e 7 e no
segundo 4 e 16.
23
G E S T Ã O D A Q U A L I D A D E
São duas as formas mais simples de medir a variabilidade ou dispersão dos dados. A
amplitude (R) consiste unicamente na diferença entre o valor máximo e o valor mínimo dos n
valores observados e permite ter uma ideia da “largura” da gama de valores observados.
R = xmax - xmín
A outra medida do grau de dispersão dos n valores xi observados é o desvio padrão (s)
que pode ser calculado através da fórmula
n
2
∑ ( xi − X )
i= 1
s=
n −1
ou
n n
s= ∑ fi ( xi − X ) 2
n− 1 i= 1
2 5 8 1
24
G E S T Ã O D A Q U A L I D A D E
cuja média vale 4 e a amplitude 7, o seu desvio padrão será calculado da seguinte forma
( 2 − 4 ) 2 + ( 5 − 4 ) 2 + ( 8 − 4 ) 2 + (1 − 4 ) 2 4 + 1 + 16 + 9 30
s= = = = 10 = 3 ,16
4−1 3 3
Quanto maior for o desvio padrão maior será a dispersão dos valores em torno da média.
Na análise destes gráficos a primeira coisa a fazer será verificar se existem ou não pontos
nitidamente afastados do grupo principal (pontos com comportamento atípico). O afastamento
desses pontos poderá ser explicado por eventuais erros na medição ou registo de dados,
bem assim como por variações ocorridas durante o processo. Pontos atípicos deverão ser
excluídos da análise, não sem no entanto tentar descobrir a causa de tal comportamento. Da
marcação dos pontos poderão surgir uma das três situações ilustradas abaixo: (a) correlação
positiva (em que o aumento de uma variável conduz ao aumento da outra), (b) correlação
negativa (em que o aumento de uma variável conduz à diminuição da outra) e (c) ausência de
correlação (quando não parece haver qualquer tipo de ligação entre as variáveis
consideradas).
25
G E S T Ã O D A Q U A L I D A D E
a b c
Figura 6 - Tipos de correlação que se podem obter: (a) positiva, (b) negativa e (c) sem qualquer tipo de correlação
Exemplo 6
Verificar se existe algum tipo de relação entre as alturas e os pesos de um grupo de
pessoas
1,57 60
2,00 95
1,67 66
1,90 85
1,50 45
1,75 78
1,63 64
1,78 75
1,94 92
1,82 80
1,77 75
1,59 60
100
90
80
70
60
50
40
1,4 1,6 1,8 2
Altura (m)
26
G E S T Ã O D A Q U A L I D A D E
Por simples inspecção do gráfico resultante parece ser óbvio que o peso
das pessoas parece aumentar com a sua altura tratando-se, por isso, de
uma correlação do tipo positivo. No entanto, e dado que a altura não é a
única condicionante do peso, verifica-se a existência de situações em que
uma menor altura implica, no entanto, um maior peso.
Voltando ao exemplo 6, se tentarmos passar uma recta pelos vários pontos veremos que
aquela que melhor os ajusta é a que tem por equação
27
G E S T Ã O D A Q U A L I D A D E
100
90
80
70
60
50
40
1,4 1,6 1,8 2
Altura (m)
É importante garantir bastante objectividade na recolha de dados sendo para tal, antes
de mais, necessário definir com precisão quais os dados que é necessário recolher. Avaliar
parâmetros ou fazer leituras que não nos interessam apenas conduz a perdas de tempo e a
uma maior confusão em termos do seu armazenamento. Por forma a que isso não aconteça
convém dispôr de um formulário/ficha bastante simples e convenientemente elaborado onde
as perguntas para as quais se deseja a resposta se encontram perfeitamente definidas e que
permita a qualquer utilizador identificar correctamente quais os items a medir/registar e em que
altura e sequência tal deverá ser feito.
28
G E S T Ã O D A Q U A L I D A D E
Características:
Observações:
Características:
Observações:
Apreciação global:
29
G E S T Ã O D A Q U A L I D A D E
Um dos métodos mais utilizados para ficar a conhecer, não só a forma como as causas
comuns provocam variações nos processos mas também de identificar a existência de causas
especiais, consiste na utilização de cartas de controlo e foi desenvolvido nos anos 20 pelo Dr.
Walter Shewhart dos laboratórios Bell.
A primeira fase da construção destes gráficos consiste na recolha de uma série de dados
relativos à característica a ser estudada (dimensões, nº. de peças defeituosas, nº. de defeitos
nas peças produzidas, tempos, etc.). Uma vez que, quer por uma questão de dinheiro como
de tempo, na grande maioria das vezes é impossível fazer o controlo de todas as peças, há
que seleccionar apenas algumas que sejam representativas das restantes (amostragem). Para
ser feito de forma correcta, tal deverá seguir um plano e, uma vez que existem vários tipos de
planos de amostragem disponíveis, é importante escolher aquele que dá mais e melhor
informação. Amostragens bem feitas irão permitir que, verificando apenas uma pequena
quantidade de peças, seja possível dizer o que se passa com a totalidade delas.
Numa fase seguinte os dados recolhidos deverão ser reunidos e, dependendo do tipo
da carta de controlo a usar, convertidos numa forma tal que permita a sua marcação.
30
G E S T Ã O D A Q U A L I D A D E
cartas de controlo limites para além dos quais considera que o seu produto não é
suficientemente bom para seguir para o cliente: limite máximo e mínimo de controlo. Estes
limites de controlo utilizados pelo produtor deverão ser inferiores aos admitidos pelo cliente
por forma a evitar que cheguem a este produtos fora das especificações
O conjunto de dados recolhidos que irá constituir a primeira das cartas de controlo é
também utilizado para, através de fórmulas baseadas na variabilidade natural do processo e no
plano de amostragem, determinar os limites de controlo das cartas subsequentes. O controlo
e melhoria do processo usando cartas de controlo deve ser encarado como um processo
iterativo em que se repetem as fases fundamentais de recolha de dados, controlo e análise.
De facto, calculados os limites de controlo com esse primeiro conjunto de dados, se for
evidente a existência de causas especiais de variação que leve pontos para fora dos limites ou
que tornem evidentes tendências na variação dos pontos, o processo deverá ser estudado
para se conseguir determinar o que o está a afectar e se tomarem depois as devidas acções
para eliminar essas causas especiais. Após eliminadas, dever-se-ão recolher mais dados e
recalcular os limites de controlo, fundamentais para interpretar os dados para o controlo
estatístico.
Nesta fase, o processo poderá ser interpretado em termos da sua capacidade. Será
então possível prever a performance do processo podendo, quer o produtor quer o cliente,
confiar em níveis de qualidade consistentes e em custos estáveis para atingir esse nível de
qualidade.
Por outro lado, atingido o controlo estatístico não se deve ficar por aí. Caso a variação
oriunda das causas comuns seja excessiva, o resultado do controlo do processo não irá de
encontro às necessidades uma vez que o produto continuará a apresentar pouca
homogeneidade. O processo em si deverá ser investigado e corrigido por forma a eliminar
e/ou reduzir essas comuns e, para isso, tipicamente, uma atitude superior a nível das chefias
31
G E S T Ã O D A Q U A L I D A D E
deverá ser tomada para melhorar o sistema. O objectivo é que os produtos se tornem cada vez
mais homogéneos e, consequentemente, que os limites de controlo se vão tornando mais
estreitos.
As cartas de controlo por variáveis são usadas quando a característica que está a ser
estudada se pode medir. Por exemplo, no caso de se estar a controlar o diâmetro de um veio,
o comprimento de uma chapa, o tempo necessário para completar uma operação, o peso das
garrafas numa linha de enchimento, etc.. O processo seguido para elaborar este tipo de cartas
passa por, ao longo do tempo, ir recolhendo amostras da produção, processar os dados
recolhidos, marcar na carta de controlo os pontos correspondentes, analisar o seu
comportamento e generalizar as conclusões à restante produção.
32
G E S T Ã O D A Q U A L I D A D E
Como para qualquer outra, a primeira fase de construção de uma carta do tipo
médias/amplitudes consiste na recolha de dados que, como já anteriormente referido, para
ser feita de uma forma correcta, deverá ser baseada num plano. O primeiro passo será decidir
qual o tamanho das amostras a retirar. Essas amostras deverão ser representativas do resto da
produção (população) e são normalmente constituídas por 4 ou 5 elementos cada.
Uma vez que o objectivo será detectar as variações no processo ao longo do tempo, as
amostras deverão ser recolhidas suficientes vezes e a tempos apropriados por forma a
poderem refectir as eventuais alterações que estão a ocorrer (por exemplo: diferenças dos
turnos, variações de temperatura, lotes de materiais, diferenças entre a produção diurna e
nocturna, etc.). Geralmente 25 grupos são suficientes para construir uma carta de controlo
pois contêm já leituras suficientes que permitam avaliar a variabilidade e localização do
processo.
Ao elaborar uma carta do tipo X /R a carta das médias aparece normalmente na parte
superior e a carta das amplitudes imediatamente abaixo. Na figura 8 pode-se ver um exemplo
deste tipo de cartas.
33
CONTROLO ESTATÍSTICO DO PROCESSO - CARTA X/R
LCSX =
Máquina: Peça: Característica: Carta Nº: Freq.: Especificação: LCIX =
Processo: Subgr.: LCSR =
G
E
S
M
T
É
Ã
D
O
A
D
A
34
A
Q
M
P
U
L
I
A
T
U
L
D
E
I
AMOSTRA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
D
DATA
HORA
A
X2
X3
E
X4
X5
Somatório
Média
Amplitude
G E S T Ã O D A Q U A L I D A D E
Como se pode ver, no eixo das ordenadas marcam-se as escalas das médias e das
amplitudes, respectivamente, enquanto que na escala das abcissas se vai marcando a sua
evolução ao longo do tempo. Na maioria das cartas de médias e amplitudes, aparecem na
parte inferior e verticalmente abaixo das linhas verticais sobre as quais devem ser marcados os
pontos relativos a cada uma das amostras, espaços disponíveis para registar os valores das
várias leituras para cada uma das amostras sequenciais. Dado que se trata de uma carta de
médias e amplitudes, existe ainda uma célula para marcar o valor da soma das leituras da
amostra respectiva, bem como a média e a amplitude dos seus valores. A média e a amplitude
são então os valores representativos de cada amostra e irão ser marcados nas cartas
respectivas. Para uma amostra (ou subgrupo) constituída por n leituras (por exemplo 5) estas
estatísticas serão calculadas por
x + x + ...+ x
X = 1 2 n
n
R = xmáx − xmín
em que x1, x2, ... são os valores individuais, n é o tamanho da amostra e xmáx e xmín representam,
respectivamente, o valor máximo e o valor mínimo dos n valores da amostra.
e a amplitude por
35
G E S T Ã O D A Q U A L I D A D E
A primeira das colunas na parte inferior do gráfico da Figura 8 deverá, assim, apresentar a
seguinte aparência:
AMOSTRA 1
DATA 8/9
HORA 22 h
RUBRICA
X1 14,2
X2 14,4
X3 14,0
X4 14,3
X5 14,2
Somatório 71,1
Com base nos resultados das 25 amostras recolhidas para a primeira das cartas de
controlo serão calculados os denominados limites de controlo. Também a marcação das
escalas para a carta das médias e para a carta das amplitudes deverá ser feita após a obtenção
de todos os resultados relativos a essas amostras pois só assim se saberá a amplitude das
escalas a traçar. Uma vez marcados todos os pontos, estes deverão depois ser unidos com
linhas por forma a melhor visualizar as variações e tendências que estão a ocorrer.
Numa fase seguinte serão determinados o limites de controlo superior (LCS), a linha
central (LC) e o limite de controlo inferior (LCI). Cada tipo de carta tem fórmulas apropriadas
para a determinação dos limites de controlo e da linha central. Para as cartas de controlo de
médias e amplitudes estas encontram-se na Tabela I.
36
G E S T Ã O D A Q U A L I D A D E
Tabela I
Fórmulas a usar na determinação das linhas centrais e limites de controlo para as cartas de controlo por médias e
amplitudes
Carta X Carta R
LCS X = X + A2 R LCSR = D4 R
LC X = X LCR = R
LCI X = X - A2 R LCIR = D3 R
Tabela II
Parâmetros a utilizar nas fórmulas de cálculo dos limites de controlo das cartas de controlo por médias e amplitudes
Gráfico X Gráfico R
n A2 D3 D4
2 1,880 0 3,267
3 1,023 0 2,575
4 0,729 0 2,282
5 0,577 0 2,115
6 0,483 0 2,004
7 0,419 0,076 1,924
8 0,373 0,136 1,864
9 0,337 0,184 1,816
10 0,308 0,223 1,777
11 0,285 0,256 1,744
12 0,266 0,284 1,716
13 0,249 0,308 1,692
14 0,235 0,329 1,671
15 0,224 0,348 1,652
16 0,212 0,364 1,636
17 0,203 0,380 1,621
18 0,194 0,391 1,608
19 0,187 0,404 1,596
20 0,180 0,414 1,586
21 0,173 0,425 1,575
22 0,167 0,434 1,566
23 0,162 0,443 1,557
24 0,157 0,452 1,548
25 0,153 0,459 1,541
37
G E S T Ã O D A Q U A L I D A D E
As fórmulas e os factores usados para calcular os limites de controlo (Tabelas I e II) foram
determinados de modo a garantir que a variação dentro dos limites de controlo é praticamente
devida apenas a causas comuns (existem 3 desvios padrões entre cada um dos limites e linha
central, num total de 6 desvios padrões o que significa que, se o processo estiver a ser
afectado apenas por causas comuns, 99,73% dos pontos deverão ficar entre os limites de
controlo). Deste modo, qualquer ponto fora dos limites de controlo será de levantar suspeitas
devendo-se prestar especial atenção e tentar averiguar se algo está a correr mal (exº.
inadvertência dos operadores, mudança de turno, máquina defeituosa, etc.).
No entanto, não são apenas os pontos fora de controlo que devem ser alvo de especial
atenção. Como já se referiu, também tendências no traçado dos pontos deverão ser foco de
estudo, nomeadamente:
∗ padrões oscilantes;
∗ padrões em zig-zag;
38
G E S T Ã O D A Q U A L I D A D E
As linhas X ± 2s são designadas por limites de vigilância e, por vezes, são também
marcadas nas cartas de controlo juntamente com os limites de controlo.
Exemplo 7
Traçar as cartas de controlo de médias e amplitudes para o conjunto de 25 amostras
representadas abaixo. Determinar para cada uma das cartas os limites de controlo e verificar se
o processo está ou não sob controlo estatístico.
39
G E S T Ã O D A Q U A L I D A D E
(continuação)
Amostra nº. Valores observados
Numa primeira fase dever-se-ão calcular as médias e amplitudes para cada uma das
amostras:
40
G E S T Ã O D A Q U A L I D A D E
(continuação)
O passo seguinte será calcular o valor médio das várias médias X bem assim como
25 25
∑ X i = 647 e ∑ R = 67,6
i=1 i=1
e, portanto,
X = 25,9 e R = 2,7
Aplicando agora as fórmulas para a determinação dos limites de controlo para cartas
do tipo X /R temos que, dado que o tamanho da amostra é 5, da tabela III A2 = 0,577, D3
= 0 e D4 = 2,115 e, portanto:
LC = X = 25,9
41
G E S T Ã O D A Q U A L I D A D E
LCI = R = 2,7
LCI = D R = 0 x 2,7 = 0
3
42
CONTROLO ESTATÍSTICO DO PROCESSO - CARTA X/R
LCSX =
Máquina: Peça: Característica: Carta Nº: Freq.: Especificação: LCIX =
Processo: Subgr.: LCSR =
G
27,5
E
27
S
M 26,5
T
É
26
Ã
D
25,5
O
A 25
D
24,5
A
43
A
6
Q
M
P
4
U
L
I
A
T 2
U
L
D
E 0
I
AMOSTRA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
D
DATA
HORA
A
RUBRICA
X1 28,0 26,4 27,0 27,8 26,0 27,4 27,8 26,8 28,8 26,6 26,6 27,2 26,8 27,8 28,4 27,2 28,0 26,2 29,2 27,8 26,6 27,8 26,4 26,4 26,6
D
X2 25,2 26,6 25,6 24,8 26,0 24,0 24,2 27,2 24,8 24,8 25,6 25,0 26,6 26,2 25,4 25,2 26,4 25,8 27,4 26,0 25,4 24,8 24,6 25,6 25,6
X3
E
26,4 25,4 26,0 26,6 24,2 25,0 25,4 26,0 24,4 25,2 26,0 26,6 24,0 27,0 25,8 24,8 24,8 27,0 26,8 26,0 25,2 25,4 25,2 25,6 26,0
X4 26,2 26,8 25,6 26,2 24,4 24,8 26,8 24,8 24,8 25,8 26,0 27,0 26,0 25,2 25,8 25,0 26,0 24,6 24,4 26,4 25,6 24,8 26,2 24,6 24,6
X5 24,2 24,2 24,8 26,4 26,6 24,8 26,0 27,0 25,0 25,6 26,2 25,6 26,2 25,6 25,0 24,4 26,0 25,6 25,0 25,2 25,4 25,6 24,4 25,2 24,4
Somatório
Média 26,0 25,9 25,8 26,4 25,4 25,2 26,0 26,4 25,6 25,6 26,1 26,3 25,9 26,4 26,0 25,3 26,2 25,8 26,6 26,3 25,6 25,7 25,6 25,5 25,4
Amplitude 3,8 2,6 2,2 3,0 2,4 3,4 3,6 2,4 4,4 1,8 1,0 2,2 2,8 2,6 3,4 2,8 3,2 2,4 4,8 2,6 1,4 3,0 1,8 1,8 2,2
G E S T Ã O D A Q U A L I D A D E
Como já visto anteriormente, o desvio padrão que caracteriza uma amostra constituída
pelos valores x1, x2, …, xn é calculado através da fórmula
n
2
∑ ( xi − X )
i= 1
s=
n −1
Na tabela III apresentam-se as fórmulas utilizadas para o cálculo dos limites de controlo
Tabela III
Fórmulas a usar na determinação das linhas centrais e limites de controlo para as cartas de controlo por médias e
desvios padrão
Carta X Carta s
LCS X = X + A3 s LCSs = B4 s
LC X = X LCs = s
LCI X = X - A3 s LCIs = B3 s
44
G E S T Ã O D A Q U A L I D A D E
Tabela IV
Parâmetros a utilizar nas fórmulas de cálculo dos limites de controlo das cartas de controlo por médias e desvios
padrão
Gráfico X Gráfico s
n
A3 B3 B4
2 2,66 0 3,27
3 1,95 0 2,57
4 1,63 0 2,27
5 1,43 0 2,09
6 1,29 0,03 1,97
7 1,18 0,12 1,88
8 1,10 0,19 1,82
9 1,03 0,24 1,76
10 0,98 0,28 1,72
Pelas razões atrás descritas, o uso deste tipo de cartas de controlo não é muito
frequente.
~
1.7.1.3 Cartas de controlo de medianas ( X )
As cartas de controlo por medianas são uma alternativa à utilização das cartas de controlo
por médias e amplitudes. Este tipo de cartas, mais apropriadas quando a amostra apresentam
um tamanho inferior a 10 e, preferencialmente, ímpar, são mais fáceis de utilizar uma vez que
não requerem muitos cálculos.
45
G E S T Ã O D A Q U A L I D A D E
Tabela V
Fórmulas a usar na determinação das linhas centrais e limites de controlo para as cartas de controlo por medianas e
amplitudes
~ Carta R
Carta X
~ ~ LCSR = D4 R
~=
LCS X X + A2 R
~ = ~ LCR = R
LC X X
~ ~ LCIR = D3 R
~ =
LCI X X - A2 R
~
X e R representam, respectivamente, a média das medianas e a média das amplitudes das
~
diversas amostras. Os factores A 2 , D3 e D4 necessários para o cálculo dos limites de controlo
encontram-se na Tabela VI.
Tabela VI
Parâmetros a utilizar nas fórmulas de cálculo dos limites de controlo das cartas de controlo por medianas e
amplitudes
~
Gráfico X Gráfico R
n ~
A2 D3 D4
2 1,88 0 3,27
3 1,19 0 2,57
4 0,80 0 2,28
5 0,69 0 2,11
6 0,55 0 2,00
7 0,51 0,08 1,92
8 0,43 0,14 1,88
9 0,41 0,18 1,82
10 0,36 0,22 1,78
46
G E S T Ã O D A Q U A L I D A D E
Embora não sejam tão sensíveis na detecção de variações como as cartas de controlo
por médias e amplitudes, casos há em que é necessário ou é conveniente construir cartas de
controlo a partir de leituras individuais de valores. No entanto, dadas as limitações inerentes à
utilização deste tipo de cartas, sempre possível será preferível utilizar cartas de médias e
amplitudes mesmo que o subgrupo considerado seja muito pequeno.
Tabela VII
Fórmulas a usar na determinação das linhas centrais e limites de controlo para as cartas de controlo por valores
individuais e amplitudes móveis
Carta Xi Carta Rm
LCSXi= Xi + E2 R LCSRm = D4 R m
LCXi = Xi LCRm = Rm
LCIXi = Xi - E2 R LCIRm = D3 Rm
diversas amplitudes móveis. Os factores E2, D3 e D4 necessários para o cálculo dos limites de
controlo encontram-se na Tabela VIII.
Tabela VIII
47
G E S T Ã O D A Q U A L I D A D E
Parâmetros a utilizar nas fórmulas de cálculo dos limites de controlo das cartas de controlo por valores individuais e
amplitudes móveis
Gráfico Xi Gráfico Rm
n
E2 D3 D4
2 2,66 0 3,27
3 1,77 0 2,57
4 1,46 0 2,28
5 1,29 0 2,11
6 1,18 0 2,00
48
G E S T Ã O D A Q U A L I D A D E
49
CONTROLO DE CONTROLO PARA ATRIBUTOS
p c LCS =
Máquina: Peça: Carta Nº: Freq.: LC =
np u
Processo: Característica: Tam. médio amostra: LCI =
G
E
S
T
Ã
O
D
A
50
Q
U
A
L
I
DATA
A
HORA
RUBRICA
D
Tamanho da
amostra (n)
E
Número
(np, c)
Proporção
(p, u)
G E S T Ã O D A Q U A L I D A D E
De seguida ir-se-ão analisar as diferenças entre cada um dos tipos de cartas de controlo acima
mencionados.
Se o tamanho da amostra recolhida for variável, como a base de comparação já não será a
mesma, não poderemos falar em termos de número de unidades defeituosas mas sim em termos da
proporção de unidades defeituosas e a carta de controlo a utilizar deverá ser do tipo p.
Tabela IX
Fórmulas a usar na determinação das linhas centrais e limites de controlo para as cartas de controlo do tipo np e do
tipo p
Carta np Carta p
L C np = np L Cp = p
51
G E S T Ã O D A Q U A L I D A D E
Exemplo 8
1 100 4
2 100 2
3 100 0
4 100 5
5 100 3
6 100 2
7 100 4
8 100 3
9 100 2
10 100 6
11 100 1
12 100 4
13 100 1
14 100 0
15 100 2
16 100 3
17 100 1
18 100 6
19 100 1
20 100 3
21 100 3
22 100 2
23 100 0
24 100 7
25 100 3
Total Σ = 2500 Σ pn = 68
Uma vez que neste caso o tamanho da amostra é constante (n=100) será mais apropriado
utilizar uma carta de controlo do tipo np para o número de unidades defeituosas.
52
G E S T Ã O D A Q U A L I D A D E
68
p= = 0,0272
2500
68
n p = 100 = 2 ,72
2500
Aplicando agora as fórmulas cima para a determinação dos limites de controlo teremos
que
LC = pn = 2 ,72
Dado não fazer sentido ter um limite de controlo inferior negativo considera-se, neste
tipo de casos, que o LCI vale 0. Desta forma, para o processo se encontrar em controlo
estatístico, o número de peças defeituosas em cada uma das amostras recolhidas terá que
estar entre 7 (arredonda-se para o inteiro imediatamente inferior) e 0) o que, por análise dos
valores da tabela, de facto acontece.
53
G E S T Ã O D A Q U A L I D A D E
Exemplo 9
1 724 48
2 763 83
3 748 70
4 748 85
5 724 45
6 727 56
7 726 48
8 719 67
9 759 37
10 745 52
11 736 47
12 739 50
13 723 47
14 748 57
15 770 51
16 756 71
17 719 53
18 757 34
19 760 29
Neste caso verifica-se que o tamanho da amostra não é constante pelo que não
podemos comparar o número de peças defeituosas em cada amostra, mas sim a fracção de
peças defeituosas.
54
G E S T Ã O D A Q U A L I D A D E
1 724 48 0,066
2 763 83 0,109
3 748 70 0,094
4 748 85 0,114
5 724 45 0,062
6 727 56 0,077
7 726 48 0,066
8 719 67 0,093
9 759 37 0,049
10 745 52 0,070
11 736 47 0,064
12 739 50 0,068
13 723 47 0,065
14 748 57 0,076
15 770 51 0,066
16 756 71 0,094
17 719 53 0,074
18 757 34 0,045
19 760 29 0,038
alternativa de fazer o cálculo será dividir o número total de peças defeituosas (1030) pelo
número total de peças amostradas (14 091):
1030
p= = 0 ,073
14091
O valor obtido por ambos os processos deverá ser aproximadamente o mesmo a menos
de algumas diferenças nas casas decimais devidos aos arredondamentos efectuados no
cálculo dos valores de p para cada amostra.
55
G E S T Ã O D A Q U A L I D A D E
Outra questão se põe agora: que valor de n considerar para a determinaçãos dos limites
de controlo?
A forma mais correcta de proceder será, para cada caso, considerar o tamanho da amostra
(n) correspondente. Desta forma os limites de controlo superior e inferior irão ser diferentes
de amostra para amostra devido aos diferentes valores de n utilizados. Tal como se vê no
gráfico seguinte os limites são agora representados por segmentos de recta para cada
amostra.
p(1-p) p(1-p)
Amostra nº. Tamanho L CSp = p + 3 L C Ip = p − 3
n n
Nos casos em que o tamanho da amostra não difere muito de caso para caso é admissível
considerar o tamanho médio da amostra como base de cálculo (de facto é isso que se costuma
fazer na prática). No caso presente teremos então que, para um tamanho médio da amostra de
742 (mais exactamente 741,6) os limites de controlo superior e inferior serão, respectivamente,
0,102 e 0,044.
56
G E S T Ã O D A Q U A L I D A D E
57
CONTROLO DE CONTROLO PARA ATRIBUTOS
p c LCS =
Máquina: Peça: Carta Nº: Freq.: LC =
np u
Processo: Característica: Tam. médio amostra: LCI =
G
E
S
T
0,16
Ã
0,14
O
0,12
D
0,10
A
0,08
58
0,06
Q
U
0,04
A
0,02
L
I
0
D
AMOSTRA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
DATA
A
HORA
RUBRICA
D
Tamanho da
724 763 748 748 724 727 726 719 759 745 736 739 723 748 770 756 719 757 760
E
amostra (n)
Número
(np, c)
Proporção
(p, u)
0,066 0,109 0,094 0,114 0,062 0,077 0,066 0,093 0,049 0,070 0,064 0,068 0,063 0,076 0,066 0,094 0,074 0,045 0,038
G E S T Ã O D A Q U A L I D A D E
Tabela X
Fórmulas a usar na determinação das linhas centrais e limites de controlo para as cartas de controlo do tipo c e do
tipo u
Carta c Carta u
LCSc = c + 3 c u
LCSu = u + 3
n
LCc = c LC u = u
u
LCI c = c − 3 c LCI u = u − 3
n
Exemplo 10
1 2 10
2 4 30
3 2 18
4 1 10
5 3 20
6 4 24
7 2 15
8 4 26
9 3 21
10 1 8
Total: 26 182
59
G E S T Ã O D A Q U A L I D A D E
Como o tamanho da amostra é variável, ter-se-à que construir uma carta do tipo u
para o que é, antes de mais, necessário determinar o número de defeitos por montagem
inspeccionada.
Nº. amostra Nº. de montagens Nº. total de defeitos Nº. defeitos por montagem
inspeccionadas encontrados
1 2 10 5
2 4 30 7,5
3 2 18 9
4 1 10 10
5 3 20 6,7
6 4 24 6
7 2 15 7,5
8 4 26 6,5
9 3 21 7
10 1 8 8
Total: 26 182
60
G E S T Ã O D A Q U A L I D A D E
As amostras devem ser recolhidas ao longo de vários turnos, com uma cadência
descontínua por forma a não excluir quaisquer alterações do processo resultantes da
utilização de diferentes materiais, operadores, máquinas, tempos de medição, etc.
LSE − LIE
Cp =
6 si
R
si =
d2
onde d2 é uma constante que depende do tamnho da amostra considerada tal como se
mostra na Tabela XI
Tabela XI
Variação da constante d2 com o tamanho da amostra
n d2
2 1,128
3 1,693
4 2,059
5 ~2,326
6 2,534
7 2,704
8 2,847
9 2,970
10 3,078
61
G E S T Ã O D A Q U A L I D A D E
O índice Cp relaciona a dispersão dos valores com a tolerência especificada, isto é, mede
a variabilidade do processo. Por outro lado, o Cpk compara simultaneamente o seu acerto ou
regulação (medida central) e a sua variabilidade relativamente à tolerância.
62
G E S T Ã O D A Q U A L I D A D E
Fluxogramas
Diagramas de Pareto
1
Existência de manchas
2
Tipo de corte
60
Qualidade do tecido
5
Tamanho
1
Existência de furos
20
Côr
3
Mudança de endereço
2
Falecimento
3
Não levantado
2
Ter-se estragado no transporte
63
G E S T Ã O D A Q U A L I D A D E
## # ## ## ###
A
+ +
•• ••• ••• •• ••
* ** ***** * **
2 o oo oo o o
# # #
+
•• •••• ••• ••• ••••
** * ***** * *
3 o o o o oo
# # # #
B
+
•• ••• ••• ••• ••
* * **** * *
4 oo o oo oo
# # # #
+
riscos 30 15
picadas 20 15
deformação 10 60
descoloração 10 30
dimensão errada 15 60
64
G E S T Ã O D A Q U A L I D A D E
Histogramas
17 20 19 17 17 19
18 16 25 18 23 17
17 17 18 18 17 18
22 22 16 20 20
65
G E S T Ã O D A Q U A L I D A D E
0 20
1 76
2 121
3 144
4 82
5 57
302,25 301,19 298,07 299,75 299,76 300,24 302,17 303,91 298,76 299,07
298,35 301,11 297,59 299,83 303,49 298,65 298,61 299,08 298,98 305,13
300,36 299,68 299,57 300,14 301,05 300,86 301,99 299,18 299,07 297,84
302,52 298,49 297,87 299,12 301,35 301,81 299,26 300,48 299,48 300,20
299,23 303,66 298,23 302,04 299,70 303,07 298,35 300,86 298,94 301,59
297,83 299,95 299,20 299,70 298,29 299,55 299,13 297,72 297,47 298,16
301,85 298,72 303,76 298,86 300,96 300,52 298,00 299,38 304,22 300,02
300,73 298,56 299,19 299,75 300,84 298,34 302,39 299,83 302,85 301,33
299,62 299,70 300,12 299,60 301,63 298,11 298,85 297,99 302,45 299,16
302,45 298,34 298,73 302,10 302,00 300,83 298,36 299,07 302,83 300,80
Sabendo que o valor de peso especificado para cada pacote é de 300 ± 2 gramas,
que conclusões pode tirar através da análise do respectivo histograma?
66
G E S T Ã O D A Q U A L I D A D E
Diagramas de dispersão
67
G E S T Ã O D A Q U A L I D A D E
Cartas de controlo
68
G E S T Ã O D A Q U A L I D A D E
1 33,75
2 33,05
3 34,00
4 33,81
5 33,46
6 34,02
7 33,68
8 33,27
9 33,49
10 33,20
11 33,62
12 33,00
13 33,54
14 33,12
15 33,84
69
G E S T Ã O D A Q U A L I D A D E
70
G E S T Ã O D A Q U A L I D A D E
1 100 12
2 80 8
3 80 6
4 100 9
5 110 10
6 110 12
7 100 11
8 100 16
9 90 10
10 90 6
11 110 20
12 120 15
13 120 9
14 120 8
15 110 6
16 80 8
17 80 10
18 80 7
19 90 5
20 100 8
21 100 5
22 100 8
23 100 10
24 90 6
25 90 9
71
G E S T Ã O D A Q U A L I D A D E
1 7
2 5
3 3
4 4
5 3
6 8
7 2
8 3
9 4
10 3
11 6
12 3
13 2
14 7
15 2
16 4
17 7
18 4
19 2
20 3
72
G E S T Ã O D A Q U A L I D A D E
13/8 1524 70
14/8 1275 53
16/8 1496 91
17/8 1213 32
18/8 1371 55
19/8 1248 69
20/8 1123 67
22/8 1488 94
24/8 1696 37
25/8 1427 58
26/8 1277 75
27/8 1613 73
29/8 1360 41
30/8 1439 50
2/9 1314 88
3/9 215 24
4/9 1384 77
6/9 467 36
73
G E S T Ã O D A Q U A L I D A D E
2. Bibliografia
“Controle da Qualidade Total”, Volume I, Feigenbaum, A.V., Makron Books, São Paulo
(1994).
“Controle da Qualidade Total”, Volume III, Feigenbaum, A.V., Makron Books, São Paulo
(1994).
“Métodos Estatísticos para Melhoria da Qualidade”, Kume, H., Editora Gente, Rio de
Janeiro (1993).
“Statistical Process Control (SPC) - Reference Manual”, Chrysler Corporation, Ford Motor
Company and General Motors Corporation (1995).
74
TQT