Livro - Controle Estatístico Do Processo

CONTROLE
ESTATÍSTICO DO
PROCESSO
Professor Esp. Samuel Sales Pedroza
GRADUAÇÃO
Unicesumar
Reitor
Wilson de Matos Silva
Vice-Reitor
Wilson de Matos Silva Filho
Pró-Reitor Executivo de EAD
William Victor Kendrick de Matos Silva
Pró-Reitor de Ensino de EAD
Janes Fidélis Tomelin
Presidente da Mantenedora
Cláudio Ferdinandi
NEAD - Núcleo de Educação a Distância

Diretoria Executiva
Chrystiano Mincoff
James Prestes
Tiago Stachon
Diretoria de Graduação e Pós-graduação
Kátia Coelho
Diretoria de Permanência
Leonardo Spaine
Diretoria de Design Educacional
Débora Leite
Head de Produção de Conteúdos
Celso Luiz Braga de Souza Filho
Head de Curadoria e Inovação
Tania Cristiane Yoshie Fukushima
Gerência de Produção de Conteúdo
Diogo Ribeiro Garcia
Gerência de Projetos Especiais
Daniel Fuverki Hey
Gerência de Processos Acadêmicos
Taessa Penha Shiraishi Vieira
Gerência de Curadoria
Carolina Abdalla Normann de Freitas
Supervisão de Produção de Conteúdo
Nádila Toledo
Coordenador de Conteúdo
Aliciane Kolm
Lideranças de área
Daniel F. Hey, Hellyery Agda
Design Educacional
C397 CENTRO UNIVERSITÁRIO DE MARINGÁ. Núcleo de Educação a Ana Claudia Salvadego
Distância; PEDROZA, Samuel Sales. Rossana Costa Giani
Iconografia
Controle Estatístico do Processo. Samuel Sales Pedroza. Ana Carolina Martins Prado
Reimpressão
Maringá-Pr.: UniCesumar, 2019. Projeto Gráfico
208 p. Jaime de Marchi Junior
“Graduação - EaD”. José Jhonny Coelho
Arte Capa
1. Estatística. 2. Processo . 3. Controle. 4. EaD. I. Título. Arthur Cantareli Silva
ISBN 978-85-459-0598-1 Editoração

CDD - 22 ed. 614.4 Ellen Jeane da Silva
CIP - NBR 12899 - AACR/2 Revisão Textual
Danielle Loddi
Ilustração
Marta Kakitani
Ficha catalográfica elaborada pelo bibliotecário
João Vivaldo de Souza - CRB-8 - 6828
Impresso por:
Viver e trabalhar em uma sociedade global é um
grande desafio para todos os cidadãos. A busca
por tecnologia, informação, conhecimento de
qualidade, novas habilidades para liderança e so-
lução de problemas com eficiência tornou-se uma
questão de sobrevivência no mundo do trabalho.
Cada um de nós tem uma grande responsabilida-
de: as escolhas que fizermos por nós e pelos nos-
sos farão grande diferença no futuro.
Com essa visão, o Centro Universitário Cesumar
assume o compromisso de democratizar o conhe-
cimento por meio de alta tecnologia e contribuir
para o futuro dos brasileiros.
No cumprimento de sua missão – “promover a
educação de qualidade nas diferentes áreas do
conhecimento, formando profissionais cidadãos
que contribuam para o desenvolvimento de uma
sociedade justa e solidária” –, o Centro Universi-
tário Cesumar busca a integração do ensino-pes-
quisa-extensão com as demandas institucionais
e sociais; a realização de uma prática acadêmica
que contribua para o desenvolvimento da consci-
ência social e política e, por fim, a democratização
do conhecimento acadêmico com a articulação e
a integração com a sociedade.
Diante disso, o Centro Universitário Cesumar al-
meja ser reconhecido como uma instituição uni-
versitária de referência regional e nacional pela
qualidade e compromisso do corpo docente;
aquisição de competências institucionais para
o desenvolvimento de linhas de pesquisa; con-
solidação da extensão universitária; qualidade
da oferta dos ensinos presencial e a distância;
bem-estar e satisfação da comunidade interna;
qualidade da gestão acadêmica e administrati-
va; compromisso social de inclusão; processos de
cooperação e parceria com o mundo do trabalho,
como também pelo compromisso e relaciona-
mento permanente com os egressos, incentivan-
do a educação continuada.
Seja bem-vindo(a), caro(a) acadêmico(a)! Você está
iniciando um processo de transformação, pois quando
investimos em nossa formação, seja ela pessoal ou
profissional, nos transformamos e, consequentemente,
transformamos também a sociedade na qual estamos
inseridos. De que forma o fazemos? Criando oportu-
nidades e/ou estabelecendo mudanças capazes de
alcançar um nível de desenvolvimento compatível com
os desafios que surgem no mundo contemporâneo.
O Centro Universitário Cesumar mediante o Núcleo de
Educação a Distância, o(a) acompanhará durante todo
este processo, pois conforme Freire (1996): “Os homens
se educam juntos, na transformação do mundo”.
Os materiais produzidos oferecem linguagem dialógica
e encontram-se integrados à proposta pedagógica,
contribuindo no processo educacional, complemen-
tando sua formação profissional, desenvolvendo com-
petências e habilidades, e aplicando conceitos teóricos
em situação de realidade, de maneira a inseri-lo(a) no
mercado de trabalho. Ou seja, estes materiais têm como
principal objetivo “provocar uma aproximação entre
você e o conteúdo”, desta forma possibilita o desenvol-
vimento da autonomia em busca dos conhecimentos
necessários para a sua formação pessoal e profissional.
Portanto, nossa distância nesse processo de cresci-
mento e construção do conhecimento deve ser apenas
geográfica. Utilize os diversos recursos pedagógicos
que o Centro Universitário Cesumar lhe possibilita. Ou
seja, acesse regularmente o AVA – Ambiente Virtual de
Aprendizagem, interaja nos fóruns e enquetes, assista
às aulas ao vivo e participe das discussões. Além dis-
so, lembre-se que existe uma equipe de professores
e tutores que se encontra disponível para sanar suas
dúvidas e auxiliá-lo(a) em seu processo de aprendiza-
gem, possibilitando-lhe trilhar com tranquilidade e
segurança sua trajetória acadêmica.
AUTOR

Possui Especialização em Engenharia de Segurança do Trabalho pela
Universidade Estadual de Maringá (UEM/2015). Tem graduação em Engenharia
Têxtil pela UEM (2011) e Administração pela faculdade Estadual de Ciências
e Letras de Campo Mourão (FECILCAM/2007). Atuante nas áreas industriais,
efetuando gestão de toda a operação industrial (produção, suprimentos,
manutenção, qualidade e desenvolvimento de novos produtos), garantindo
a produção em conformidade às especificações exigidas para atendimento
do mercado. Atuando diretamente na linha de produção/qualidade de
sistemas de gestão, tais como MRPII, PDCA, SMART, CEP, MASP, entre outros,
garantindo a qualidade dos processos produtivos, melhoria do sistema de
produção, adequação e melhoria dos indicadores da área.
APRESENTAÇÃO
CONTROLE ESTATÍSTICO DO PROCESSO
SEJA BEM-VINDO(A)!
Caro(a) aluno(a), seja bem-vindo(a)!
Preparei este material com o intuito de apresentar a você os princípios e conceitos bá-
sicos do Controle Estatístico do Processo para que eles sejam aplicados no planejamen-
to, realização, controle e obtenham resultados positivos nos processos industriais e na
prestação de serviços. Minha intenção é que você compreenda esses conceitos para que
eles sejam aplicados com eficiência na prática. As atividades que propomos em cada
unidade vão te direcionar para isso. Vamos encarar juntos esse desafio?
Este material está dividido em cinco unidades:
A Unidade I, “Visão geral sobre o Controle Estatístico do Processo”, abordará a importân-
cia da evolução dos métodos e filosofias que embasam os estudos acerca deste tema.
Nessa unidade, será conhecida um pouco da história sobre o controle estatístico e como
ele deve funcionar.
A Unidade II, chamada “Ferramentas da Qualidade I”, irá fornecer a você conhecimentos
de três ferramentas da qualidade: a folha de verificação, a estratificação e o diagrama de
Pareto.
A Unidade III, intitulada “Ferramentas da Qualidade II”, fornecerá informações sobre três
novas ferramentas: Diagrama de causa e efeito, Histograma e Diagrama de Dispersão.
A Unidade IV, intitulada “Estatística básica aplicada ao CEP”, abordará a importância do
conhecimento sobre probabilidade, variáveis e a distribuição normal.
Por fim, a Unidade V tratará da última ferramenta denominada gráfico de controle e a
capacidade dos processos. Nessa unidade, será enfatizado o uso dos diferentes tipos de
cartas de controle aplicados ao CEP e a capabilidade de um processo.
Este livro tem como objetivos fornecer informações úteis à elaboração de gráficos e es-
tudos que irão ajudar você na sua tomada de decisão. Ele foi desenvolvido para respon-
der de forma simples e objetiva às frequentes dúvidas encontradas no controle de um
processo.
Um grande abraço e um ótimo estudo!
09
SUMÁRIO
UNIDADE I
VISÃO GERAL DO CONTROLE ESTATÍSTICO

DO PROCESSO
15 Introdução
16 Métodos e Filosofia do Controle Estatístico do Processo
21 Gerenciamento da Qualidade Total
22 Padrões e Registros da Qualidade
24 A Ligação entre Qualidade e Produtividade
28 Controle Estatístico do Processo
30 Causa Aleatórias atribuídas à Variação da Qualidade
34 Implementação do Controle Estatístico do Processo (CEP)
36 Considerações Finais
42 Referências
43 Gabarito
UNIDADE II
FERRAMENTAS DA QUALIDADE I
47 Introdução
48 Folha de Verificação
54 Estratificação
56 Tipos de Amostras
10
SUMÁRIO
59 Diagrama de Pareto
61 A Construção de um Gráfico de Pareto
75 Referências
76 Gabarito
UNIDADE III
FERRAMENTAS DA QUALIDADE II
81 Introdução
82 Diagrama de Causa e Efeito
87 Histograma
88 Construção do Histograma
101 Diagrama de Dispersão
107 Interpretação de Diagramas de Dispersão
UNIDADE IV
ESTATÍSTICA BÁSICA APLICADA AO CEP
125 Introdução
126 Noções de Probabilidade
143 Gráficos de Controle

11
SUMÁRIO
163 Referências
164 Gabarito
UNIDADE V
GRÁFICOS DE CONTROLE E CAPACIDADE DO PROCESSO
167 Introdução
168 Gráficos x e R
169 Gráficos x e s
180 Gráficos x e AM
187 Interpretação dos Gráficos X e AM
190 A Capacidade do Processo
203 Referências
204 Gabarito
205 CONCLUSÃO
I
VISÃO GERAL DO
UNIDADE
CONTROLE ESTATÍSTICO
DO PROCESSO
Objetivos de Aprendizagem
■■ Compreender o conceito de qualidade pela ótica da produção de
bens ou serviços.
■■ Conhecer as diferentes filosofias de qualidade ligadas ao controle
estatístico do processo.
■■ Relacionar a produtividade com a qualidade.
■■ Compreender aplicações industriais e não-industriais do CEP.
■■ Analisar o custo que a qualidade tem no processo.
Plano de Estudo
A seguir, apresentam-se os tópicos que você estudará nesta unidade:
■■ Métodos e Filosofia do Controle Estatístico do Processo
■■ Gerenciamento da Qualidade Total
■■ Padrões e Registros de Qualidade
■■ Ligação entre Qualidade e Produtividade
■■ Controle Estatístico do Processo
■■ Causas Aleatórias Atribuídas à Variação da Qualidade
■■ Implementação do Controle Estatístico de Processo
15
INTRODUÇÃO
Seja bem-vindo(a), caro(a) aluno(a)!

Você iniciará, por meio da Unidade I de seu livro, uma viagem pelo mundo
da estatística aplicada à qualidade. O objetivo principal desta disciplina é for-
necer para você um embasamento sólido da aplicação do controle estatístico às
mais diversas situações, industriais ou não.
Produtos e serviços são criados a todo momento ao redor do mundo. A
evolução da qualidade que queremos como consumidores e como buscamos
Reprodução proibida. Art. 184 do Código Penal e Lei 9.610 de 19 de fevereiro de 1998.
produzindo algo é que faz aumentar esta gama de opções ao longo do tempo.
Mas sem um estudo correto sobre aonde a qualidade nos leva, ou deixa de nos
levar, isso seria possível?
O controle estatístico do processo deve ser estudado para que possamos
medir nossa qualidade. Afinal, como profissional inserido(a) e com uma visão
sistêmica, você deverá, em vários momentos, tomar decisões baseadas em fatos,
e os números e gráficos que traduzem a realidade de um processo são ferramen-
tas essenciais aos mais diversos profissionais que trabalham com a qualidade.
Você conhecerá a filosofia do controle estatístico do processo baseado
nas ideias de autores que são a pedra fundamental dos estudos relacionados à
qualidade.
Observará como os custos são impactados pela falta de controle estatístico
da qualidade de um processo, produto ou serviço pelas causas de variabilidade
que são presentes e que devem ser conhecidas e controladas.
A importância da alta administração nos aspectos relacionados à qualidade
é imensurável e os diferentes níveis hierárquicos devem conversar a mesma lin-
guagem, afinal é parte primordial da qualidade um bom entendimento entre
todos os envolvidos em um processo. O Controle Estatístico do Processo (CEP)
será fundamental nesse contexto, soando até como um novo e eficiente idioma
industrial.
A leitura desta primeira unidade é um novo começo àqueles que não conhe-
cem as medições e como interpretar os números relacionados à qualidade. Alguns
conceitos deverão, desde agora, fazer parte do seu vocabulário e conhecimento
e prover resultados espetaculares no dia a dia das empresas.
Ótimo estudo!
Introdução
16 UNIDADE I
MÉTODOS E FILOSOFIA DO CONTROLE ESTATÍSTICO
DO PROCESSO
Caro(a) aluno(a), a qualidade pode ser definida de infinitas maneiras. A compreen-

são conceitual de qualidade é como algo relacionado a uma ou mais características
desejáveis que um produto ou serviço deva ter. A qualidade tornou-se um item
de primeira importância como fator de decisão na escolha de um produto ou
serviço dentre as várias opções disponíveis no mercado para o consumidor, seja
ele um indivíduo, uma indústria, uma instituição de ensino, uma loja do varejo
ou um órgão público.
Compreender e buscar melhorar a qualidade são fatores decisivos que con-
duzem ao sucesso, ao crescimento e a uma posição de competitividade de um
negócio. A melhoria na qualidade e o uso da qualidade como parte integrante
da estratégia geral de uma organização produzem retorno sobre o investimento,
afinal o cliente busca um produto ou serviço que ele tenha comprado ou con-
tratado e somente indica ou volta a comprar se este produto/serviço adquirido
anteriormente satisfizer suas necessidades.
VISÃO GERAL DO CONTROLE ESTATÍSTICO DO PROCESSO

17
A qualidade de um produto pode ser avaliada de várias maneiras e é de suma

importância distinguir cada uma das dimensões da qualidade. Garvin (1987 apud
MONTGOMERY, 2009) sugere oito componentes como dimensões da qualidade:
Quadro 1 - Dimensões da qualidade
Os consumidores em potencial usualmente avaliam

Desempenho:
um produto para determinarem se ele desempenhará
(o produto realizará a tarefa
certas funções específicas e quão bem ele as desempe-
pretendida?)
nhará.
Confiabilidade: Produtos complexos, como aparelhos elétricos, moto-
(qual a frequência de falhas res e máquinas exigirão algum reparo ao longo de sua
do produto?) vida útil.
Durabilidade: Essa é a vida útil real do produto. Obviamente, os con-
(quanto tempo o produto sumidores desejam um produto que tenha um desem-
durará?) penho satisfatório por um longo período de tempo.
Assistência técnica: Há indústrias nas quais a visão de qualidade do
(qual a facilidade para consumidor é diretamente influenciada pela rapidez
consertar o produto?) e economia com que um reparo ou manutenção de
rotina é realizado.
Estética: Essa é a dimensão do apelo visual do produto, que leva
(qual a aparência do em conta fatores como estilo, cor, forma, embalagens
produto?) alternativas, características táteis e outros aspectos
sensoriais.
Características: Os consumidores associam alta qualidade a produtos
(o que o produto faz?) que apresentam características a mais, isto é, aqueles
que apresentam características além do desempenho
básico dos competidores.
Qualidade percebida: Os consumidores confiam na reputação da companhia
(qual a reputação da em relação à qualidade de seu produto. Essa reputação
companhia ou de seu é diretamente influenciada pelas falhas do produto,
produto?) que são altamente visíveis para o público ou que
exigem reposição do produto, e também pela ma-
neira como o cliente é tratado quando é relatado um
problema relativo à qualidade do produto. A qualidade
percebida, a lealdade do consumidor e os negócios
repetidos estão altamente relacionados.
Conformidade com es- Considera-se como de alta qualidade o produto que
pecificações: (o produto apresenta exatamente as especificações a ele destina-
é feito como o projetista das.
pretendia?)
Fonte: adaptado de Montgomery (2009).

Métodos e Filosofia do Controle Estatístico do Processo
18 UNIDADE I
A qualidade pode ser definida na visão do usuário como uma adequação de um

produto ou serviço para o determinado uso ou necessidade, e na visão do produ-
tor ou prestador de serviço como algo inversamente proporcional à variabilidade
não desejada ou danosa dentro de um processo produtivo.
Qualidade sempre foi parte integrante de praticamente todos os produtos
e serviços. O que se desenvolve ao longo do tempo é a conscientização de sua
importância e a introdução de metodologias formais para controle e melhoria
da qualidade.
Antes do CEP: Deming, Juran e Feingenbaum
Embora as técnicas estatísticas sejam as ferramentas técnicas críticas para o
controle e melhoria da qualidade, precisam, para serem usadas com maior efici-
ência, ser implementadas dentro e como parte de um sistema de gerenciamento
orientado pela qualidade. Uma das estruturas gerenciais para se conseguir a
direção, a filosofia da melhoria da qualidade e garantia da implementação em
todos os aspectos do negócio é o gerenciamento da qualidade total. Dentre os
principais autores que contribuíram para a metodologia estatística e melhoria
da qualidade, três autores se destacam: Deming, Juran e Feigenbaum.
A filosofia de Deming é um importante sistema para a melhoria da qualidade
e produtividade. Essa filosofia se resume em seus 14 pontos para o gerenciamento.
Quadro 2 - 14 Pontos de Deming
1. Crie uma constância de propósitos fo- 8. Crie um ambiente para afastar o

cada na melhoria de produtos e serviços. medo de dentro da equipe. Alguns
Melhore constantemente o projeto e o de- colaboradores têm medo de fazer
sempenho de um produto. Investimentos perguntas, relatar problemas ou
em pesquisa, desenvolvimento e inovação apontar condições que são barreiras
trarão retorno em longo prazo para a or- para a qualidade e produtividade.
ganização.
2. Adote uma nova filosofia de rejeição de 9. As barreiras entre as áreas funcio-

acabamento ruim, produtos defeituosos nais do negócio devem ser quebra-
ou mau serviço. O custo de produção de das. O trabalho em equipe entre di-
uma unidade defeituosa é o mesmo para ferentes unidades da organização é
produzir uma unidade adequada. Para li- essencial para que aconteça a efetiva
dar com sucata, retrabalho e outras perdas melhoria da qualidade e da produti-
criadas por itens defeituosos, o custo de vidade.
recursos é enorme.

19
3. Não confie em inspeção de massa para 10. Alvos, slogans e objetivos numé-
“controlar” a qualidade. Tudo que a inspe- ricos devem ser eliminados. Slogans
ção pode fazer é separar os defeituosos e, como “zero defeito” são inúteis sem
a essa altura, é muito tarde, pois já paga- um plano de melhoria do sistema
mos para produzir esses defeituosos. A ins- para a consecução de tal objetivo.
peção, tipicamente, que ocorre muito tar-
de no processo é dispendiosa e, em geral,
ineficaz. A qualidade resulta da prevenção
de itens defeituosos por meio de melhoria
no processo. Não de inspeção.
4. Não premie os fornecedores com a rea- 11. Elimine quotas numéricas e pa-
lização de negócios com base apenas no drões de trabalho. Alguns padrões
preço, mas considere a qualidade. O preço podem ter sido estabelecidos sem
é uma medida significativa do produto do considerarem a qualidade. Padrões
fornecedor apenas se é considerado em estabelecidos desta forma são sinto-
relação a uma medida de qualidade. Deve- mas da incapacidade da gerência em
-se dar preferência aos fornecedores que entender o processo de trabalho e
usam métodos modernos de melhoria da de propiciar um sistema de gerencia-
qualidade em seus negócios e que podem mento efetivo centrado na melhoria
demonstrar controle e capacidade de pro- dos processos.
cesso.
5. Concentre-se no aprimoramento con- 12. Sugestões, comentários e recla-

tínuo. Tente, constantemente, melhorar o mações dos colaboradores devem
sistema de produção e serviço. Envolva a ser ouvidos. A pessoa que executa
força de trabalho nessas atividades e faça uma tarefa é quem mais conhece so-
uso de métodos estatísticos, particular- bre ela, e em geral tem ideias valiosas
mente as ferramentas da qualidade. sobre como fazer o processo funcio-
nar mais efetivamente.
6. Coloque em prática métodos de treina- 13. Deve ser instituído um programa

mento modernos e treine todos os cola- permanente de treinamento e edu-
boradores. Todos devem ser treinados nos cação para todos os colaboradores.
aspectos técnicos de seu trabalho, bem A educação é uma maneira de tornar
como nos métodos modernos de melho- todos os envolvidos no processo par-
ria da qualidade e produtividade. O treina- ceiros na melhoria da qualidade.
mento deve encorajar todos os emprega-
dos a praticarem esses métodos todos os
dias.
Métodos e Filosofia do Controle Estatístico do Processo

20 UNIDADE I
7. Pratique métodos modernos de super- 14. Crie uma estrutura no nível mais
visão. A supervisão não deve consistir me- alto da gerência que defenderá os
ramente em uma vigilância passiva dos outros princípios.
empregados, mas deve se concentrar em
ajudar os empregados a melhorarem o sis-
tema no qual trabalham. O objetivo núme-
ro um da supervisão deve ser melhorar o
sistema de trabalho e o produto.
Fonte: adaptado de Montgomery (2009).
Joseph M. Juran é um dos criadores do controle estatístico. Sua filosofia se baseia
na organização para a mudança e implementação da melhoria por meio de um
chamado avanço gerencial, por meio de um processo estruturado de resolução
de problemas.
Feigenbaum foi o primeiro a introduzir o conceito de controle de quali-
dade por toda a organização por meio do livro “Total Quality Control” (1951),
que influenciou muitos dos princípios da filosofia da gerência de qualidade no
Japão nos anos 50. Ele sugeria que houvesse um núcleo de capacidade técnica
do aspecto do conhecimento estatístico, o que contrasta com a abordagem mais
atual,a qual prega que o conhecimento estatístico seja generalizado.
Os três pioneiros trazem à tona que a qualidade é uma arma competitiva
essencial, que a gerência tem papel fundamental na implementação da melhoria
da qualidade e que métodos estatísticos têm o poder de transformar a qualidade
que uma organização oferta.

21
GERENCIAMENTO DA QUALIDADE TOTAL
Caro(a) aluno(a), o gerenciamento da qualidade total é uma estratégia para

implementação, gerenciamento e melhoria das atividades de qualidade em toda
a organização que se iniciou nos anos 80, com as filosofias de Deming e Juran
como baliza. O gerenciamento da qualidade total (GQT) evoluiu para um espec-
tro mais amplo de conceito de ideias, envolvendo organizações participativas e
cultura organizacional, foco no cliente, melhoria da qualidade de fornecedores,
integração do sistema de qualidade com os objetivos da empresa, em torno da
melhoria da qualidade.
A qualidade está nas diferentes formas de visualizar os produtos ou proces-

sos, de acordo com a evolução de nosso ponto de vista.
Gerenciamento da Qualidade Total

22 UNIDADE I
O GQT, apesar de amplamente utilizado, tem o sucesso considerado moderado,

segundo Montgomery (2009), pois é insuficiente o esforço dado à utilização
das ferramentas técnicas de redução de variabilidade. Na grande maioria das
empresas, o treinamento para essa gestão era dado por departamentos que não
eram compostos por especialistas da qualidade. O GQT era enxergado como
um treinamento, e não uma estratégia. Em outros casos, o GQT foi visto sim-
plesmente como mais um programa de qualidade, haja vista que em décadas
anteriores foram difundidos programas como zero defeito ou engenharia de
valor, que poucos resultados práticos trouxeram para a qualidade e a produti-
vidade das organizações. Outro movimento que ganhou força nos anos 80 foi o
programa qualidade é grátis, no qual a gerência focava no custo da qualidade
ou da não-qualidade, mas os praticantes do programa, em geral, não tinham a
menor ideia do que fazer para realmente melhorar muitos tipos de processos
industriais altamente complexos. Os líderes dessa iniciativa não tinham conhe-
cimento da metodologia estatística e fracassaram completamente em entender
seu papel na melhoria da qualidade. Não adianta colocar o GQT a serviço de
um programa ineficaz, pois o resultado será uma catástrofe.
PADRÕES E REGISTROS DA QUALIDADE
A International Standards Organization (ISO)

desenvolveu ao longo dos anos uma série de
padrões de qualidade, inclusive a série ISO
9000, com o foco na qualidade gerenciamento
do sistema, incluindo componentes como a
responsabilidade da alta administração pela
qualidade, controle do planejamento, controle
de documentos, registros de qualidade e dados,
gerência de contratos de compra, rastreamento

23
de produto, inspeção, testes, controle sobre o processo, tratativas para produtos

não-conformes com ações corretivas e preventivas, auditorias internas, treina-
mento e metodologia estatística. A ISO 9000 pode ser exigida em uma relação
de negociação, na qual seja parâmetro para o fechamento ou não de um acordo,
como garantia de que o produto segue um padrão de qualidade com baixa varia-
bilidade ou alto controle.
No entanto, grande parte do enfoque da ISO 9000 e outros padrões con-
centra-se na documentação formal do sistema, o que acaba sendo uma grande
fragilidade dos sistemas em geral, no qual se demanda muitos esforços para man-
ter a documentação de acordo com o padrão e não há o mesmo empenho em

reduzir a variabilidade e melhorar processos e/ou produtos. Muitos fatores levam
a esta realidade, inclusive a forma como são conduzidas as certificações. As cer-
tificações não são dadas por organizações tais como ANSI, ASQ ou a própria
ISO, mas sim por terceiros que as registram. Muitos destes terceiros que regis-
tram as certificações - auditores e consultores que trabalham nessa área - ainda
não têm suficiência ou experiência o bastante em relação às ferramentas técni-
cas modernas da melhoria da qualidade. Por ano, estima-se que a ISO constitua
um negócio de 40 bilhões de dólares ao redor do planeta. Grande parte desse
dinheiro fica para oficiais de registro, auditores e consultores. Não faz parte
dessa conta as horas de esforços em engenharia e gerência, treinamento e audi-
torias internas. Especialistas da qualidade sugerem que a ISO é um desperdício
de esforço e que se as empresas invistam seu tempo em esforços significativos
para a redução de variabilidade e melhoria de resultados, com sistemas e docu-
mentação sendo suportes à qualidade.
Padrões e Registros da Qualidade

24 UNIDADE I
A LIGAÇÃO ENTRE QUALIDADE E PRODUTIVIDADE
Fabricar produtos de alta qualidade no moderno ambiente industrial não é sim-

ples, e é tido como um aspecto significativo do problema. A evolução tecnológica
dos últimos 30 anos nos mais diversos campos como a eletrônica, materiais, bio-
tecnologia, nanotecnologia, entre outros, tem ofertado novos produtos e serviços
aos mais variados públicos. Muitas empresas simplesmente investem em melho-
res tecnologias com a justificativa de melhoria de qualidade em seus processos.
Quando grandes avanços tecnológicos ocorrem rapidamente e quando as novas
tecnologias são usadas rapidamente para explorarem as vantagens da competiti-
vidade, os problemas de projeto e fabricação de produtos de qualidade superior
complicam-se grandemente. Em linhas gerais, não se dá atenção para alcançar
todas as dimensões de um processo que são: economia, eficiência, produtivi-
dade e qualidade. Melhorando efetivamente a qualidade, esta contribuirá para
o aumento de produtividade e redução de custos.
Para ilustrar nossa situação, tomemos como exemplo uma indústria de
confecção no norte do Paraná, que possui tecnologia de ponta. Os tecidos que
são fabricados em outras cidades ou estados são cortados nas diferentes partes

25
(componentes) da roupa: mangas, golas, punhos, vistas, parte dianteira, traseira,

etc. A máquina de corte tem uma taxa de 10.000 peças/dia. Por várias razões, o
processo opera ao nível de 75% dentro das especificações das peças, e os outros
25% não estão dentro das especificações. Cerca de 60% das peças defeituosas
podem ser retrabalhadas e transformadas em produtos aceitáveis, e o resto é
sucata. O custo de fabricação direta por meio desse estágio da produção gira em
torno de R$ 5 por peça. Para cada peça retrabalhada, o custo adicional é de R$
1. Portanto, o custo de fabricação por peça produzida é:
Note que o resultado total desse processo, após retrabalhadas as peças, é de 9.000
peças boas por dia.
A realização de um estudo de engenharia desse processo revela que a exces-
siva variabilidade do processo é responsável pela quantidade extremamente alta
de não-conformes. Implementa-se um novo procedimento de controle de esta-
tística do processo que reduz a variabilidade e, consequentemente, o número de
peças fora do especificado decresce de 25% para 5%. Dos 5%, 60% podem ser
retrabalhados. Após o novo programa de controle do processo ser colocado em
prática, o custo de fabricação por unidade produzida será:
Veja que a instalação do controle estatístico do processo e a redução da variabi-

lidade decorrente do mesmo resultam em uma redução de 10,3% nos custos de
fabricação e a produtividade sobe em torno dos 8%, afinal agora são produzidas
9.800 peças boas, ao contrário das 9.000 anteriores. Isso aumenta a capacidade
de produção em quase 10% sem qualquer investimento adicional em equipa-
mento, mão de obra ou despesas. Vale lembrar que o esforço para a solução do
problema foi focado na resolução da excessiva variabilidade do processo.
A Ligação Entre Qualidade e Produtividade

26 UNIDADE I
Custos da Qualidade
As organizações se utilizam de controles financeiros que geralmente envolvem
uma comparação entre custos planejados e realizados, justamente com uma aná-
lise e ação em relação às diferenças entre o que é executado e o projetado. A partir
dos anos 50 houve um esforço direto para que os custos da qualidade, que antes
não eram medidos ou contabilizados, fossem avaliados formalmente. Temos três
boas razões para considerar o custo da qualidade em uma organização:
■■ Aumento na complexidade dos produtos fabricados associados aos avan-
ços tecnológicos.
■■ Consciência do ciclo vital do processo: manutenção, mão de obra, peças
sobressalentes e o custo de falhas.
■■ Necessidade de engenheiros ou gestores da qualidade para efetivarem a
comunicação do custo da qualidade para a alta gerência.
Os custos de qualidade devem ser observados como identificação de oportuni-

dades de redução desse fator, além de uma ferramenta de extrema importância
para o controle financeiro das organizações.
Existem diferentes custos da qualidade que podem ser categorizados como:
custos de prevenção, custos de avaliação, custos de falha interna e custos de
falha externa.
Custos de prevenção são aqueles ligados aos esforços no projeto e fabrica-
ção para evitar não-conformidades. São custos ligados à máxima fazer certo
da primeira vez. Suas subcategorias são o planejamento e engenharia da qua-
lidade, exame de novos produtos, planejamento do produto/processo, controle
do processo, burn-in, treinamento, aquisição e análise de dados da qualidade.
Custos de avaliação são associados à medida, avaliação ou auditoria de
produtos comprados para garantirem a conformidade aos padrões impostos.
Suas subcategorias são inspeção e teste de material de insumo, inspeção e teste
do produto, materiais e serviços gastos e a manutenção da precisão do equipa-
mento de teste.

27
Os custos de falha interna surgem quando produtos deixam de correspon-

der às exigências da qualidade pré-determinada e essa falha é descoberta antes
da entrega do produto ao cliente. São subdivididos em sucata, retrabalho, reteste,
análise de falha, tempo ocioso, perdas de rendimento e depreciação.
Já os custos de falha externa ocorrem quando o produto não funciona de
forma efetiva depois de entregue ao cliente. Custos que poderiam ser evitados
se a unidade do produto correspondesse às especificações. As subcategorias
desse custo são adaptação à reclamação, produto/material devolvido, despesas
de garantia, custos de responsabilidade e custos indiretos.
Todo empreendedor sensato sabe que a oferta de produtos e serviços de

qualidade é fator indispensável à sobrevivência de qualquer empresa. A dú-
vida surge quando procuramos definir o que significa qualidade. Um artigo
escrito na década de 80 por David Garvin, da Universidade de Harvard, traz
uma luz interessante para esta questão.
O que tem mais qualidade? Um piano Steinway, em que cada unidade, fa-
bricada com esmero extremo por artistas, tem sua própria sonoridade, sua
alma, ou um piano Yamaha, célebre pela uniformidade e confiabilidade das
unidades fabricadas? Um Jaguar, construído artesanalmente por técnicos
altamente especializados, ou um esportivo coreano produzido em larga es-
cala? [...] Cada uma destas perguntas pode ter respostas diferentes, depen-
dendo da maneira como se enxerga “Qualidade”.
Qualidade é, na verdade, um conceito multidimensional, e a compreensão
clara dessas diversas dimensões possibilita seu uso como uma arma compe-
titiva de grande importância.
Fonte: Endeavor (REZENDE, 2012, on-line)1.
A Ligação Entre Qualidade e Produtividade

28 UNIDADE I
CONTROLE ESTATÍSTICO DO PROCESSO
Segundo Montgomery (2009), o Controle Estatístico

do Processo (CEP) é um conjunto de técnicas úteis
para a tomada de decisão sobre um processo, baseada
na análise da informação contida em uma amostra.
Métodos estatísticos desempenham papel fundamen-
tal na melhoria da qualidade, fornecendo meios pelos
quais produtos são selecionados, testados e avaliados.
A informação contida nesses dados é usada para con-
trolar e melhorar o processo de produção de um bem
ou serviço. O idioma com que engenheiros, operá-
rios, compradores, gestores e outros integrantes da
organização se comunicam é a estatística e suas fer-
ramentas de controle. A partir de agora, você fará uso
da metodologia estatística no controle de aprimora-
mento da qualidade.
Segundo Vieira (1999), a qualidade tem dois
grandes aspectos: qualidade do projeto e qualidade
de conformação. A qualidade de projeto é a diferen-
ciação do tipo de produto. Tomemos como exemplo
uma indústria de confecções na linha de moda praia.
A indústria produz vários modelos de roupas, mas a
qualidade do projeto define se um produto será um
item do tipo diferenciado ou uma peça básica. Em uma indústria de geladei-
ras, o projeto define se o produto será superluxo ou popular, em uma indústria
de instrumentos musicais se o produto é custom ou standard. Todos os bens ou
serviços são produzidos em vários graus ou níveis de qualidade. Essas variações
são intencionais e o termo técnico apropriado é qualidade do projeto. Já a qua-
lidade de conformação leva em consideração todos os aspectos da especificação
do produto. No caso das indústrias do exemplo anterior, o desejo da indústria
é fabricar produtos dentro do especificado, o que nem sempre se tornará rea-
lidade, haja vista que existe uma variabilidade no processo que não pode ser

29
eliminada, porém deve ser conhecida e controlada. A especificação de um pro-

duto é básica para o controle da qualidade e sempre deverá existir. Especificar
o comprimento de uma agulha de costura como igual a 60 mm corresponde a
um valor nominal da dimensão deste item, no entanto não há uma variação. A
especificação deste item deve indicar quais são os limites de tolerância para a
aceitabilidade do produto, por exemplo, 60±0,05mm, o que se torna parâmetro
para uma faixa de tolerância entre 59,95 a 60,05mm.
Um produto deve corresponder às exigências do cliente e ser produzido por
um processo que seja estável e que possa ser repetido inúmeras vezes. O processo
tem de ter a capacidade de operar com o mínimo de variabilidade possível em

torno das dimensões especificadas nas características de qualidade de um pro-
duto. O CEP é um conjunto de ferramentas para resolução de problemas, tendo
como alvo a estabilidade do processo e a melhoria da capacidade de produção
por meio da redução de variabilidade, que podem ser aplicadas a qualquer pro-
cesso. Tem como as sete principais ferramentas:
■■ Apresentação em histogramas ou gráfico de ramo-e-folhas.
■■ Folha de controle.
■■ Gráfico de Pareto.
■■ Diagrama de causa-e-efeito.
■■ Diagrama de concentração de defeito.
■■ Diagrama de dispersão.
■■ Gráfico de controle.
As sete ferramentas englobam os aspectos técnicos do controle estatístico do

processo. Isoladamente, cada uma delas não consegue obter resultados satisfa-
tórios. O CEP, como uma filosofia de trabalho, cria um ambiente no qual todos
os stakeholders desejam uma melhora contínua na qualidade e na produtividade.
O desenvolvimento do ambiente de melhoria contínua depende de um envolvi-
mento da alta administração, pois sem esta importante participação a busca por
melhoria estará comprometida.
Controle Estatístico do Processo

30 UNIDADE I
CAUSA ALEATÓRIAS ATRIBUÍDAS À VARIAÇÃO DA
QUALIDADE
Qualquer processo de produção terá uma variabilidade intrínseca, por melhor

planejado ou controlado que ele seja. Esta variabilidade deve sempre estar sob
o controle estatístico. As variabilidades nas características-chave da qualidade
podem ser provenientes de três fontes: maquinário (ajustado ou controlado de
forma inadequada), erros operacionais ou matéria prima defeituosa. Quando
esta variabilidade apresenta um nível inaceitável de desempenho do processo,
nominamos como causas atribuíveis, e quando um processo opera com a pre-
sença destas, ele está fora do controle. Essa nomenclatura das causas aleatórias
e atribuíveis foi desenvolvida por Shewart, a quem relacionamos muitos estu-
dos e contribuições ao CEP.
O maior objetivo do CEP é detectar rapidamente a ocorrência de causas
atribuíveis das mudanças do processo, de modo que a investigação da causa e a
ação preventiva possam ser realizadas antes das unidades de qualquer produto
serem manufaturadas.

31
Princípios básicos do gráfico de controle

O gráfico de controle, conforme afirma Montgomery (2009), é a represen-
tação de uma característica da qualidade medida ou calculada a partir de uma
amostra em relação ao tempo ou número da amostra. O gráfico possui uma linha
central, que demonstra o valor médio do processo sobre controle. As linhas de
LSC e LIC indicam o limite superior de controle e o limite inferior de controle,
respectivamente. Veja a seguir:
Figura 1 - Um típico gráfico de controle

Fonte: Montgomery (2009, p. 14).
Se o processo está sob controle, os pontos amostrais estarão entre os limites, logo
nenhuma ação é necessária. Quando há um ponto fora desses limites, interpre-
ta-se como uma evidência de que o processo está fora do controle e que ações
corretivas são necessárias para encontrar e eliminar a(s) causa(s) que promo-
ve(m) este comportamento.
Então, um processo que está sobre controle tem seu gráfico com o compor-
tamento aleatório, com os pontos amostrais entre os limites inferior e superior.
Quando em um gráfico de controle temos os pontos amostrais dentro dos
limites, porém estes pontos seguem um comportamento sistemático ou não ale-
atório, isso pode indicar problemas no processo. Por exemplo, se nos últimos 10
pontos amostrais tivermos 9 acima da linha central mas abaixo do limite supe-
rior e apenas um estiver entre a linha inferior e a linha central, é sintoma de algo
suspeito no processo.
Causa Aleatórias atribuídas à Variação da Qualidade

32 UNIDADE I
Segundo Vieira (1999), existem ao menos três padrões típicos de com-

portamento não aleatório em um gráfico de controle. São eles: periodicidade,
tendência e deslocamento.
Para entender a base estatística do gráfico de controle, vamos analisar o exem-
plo da fabricação de parafusos. O processo pode ser controlado em um diâmetro
de 74 mm, e sabe-se que o desvio padrão é de 0,01 mm. A cada hora são extra-
ídas 5 amostras aleatórias do produto. Logo, se são extraídas amostras de n = 5,
o desvio padrão da média amostral será:
σx=
Escolheremos a seguir um típico limite (superior e inferior) de controle 3-sigma,

ou seja, multiplicaremos o desvio padrão da média amostral pelo número 3 nas
seguintes fórmulas:
O gráfico de controle é um artifício para descrever, de maneira precisa, exata-

mente o que se entende por controle estatístico, e como tal, ele pode ser usado
para a gestão dos processos e as ações corretivas.
O processo de ação corretiva pode ser associado, segundo Montgomery
(2009), ao Plano de Ação para Fora do Controle (PAFC). Um PAFC é um flu-
xograma da sequência de atividades que devem ser realizadas em seguida à
ocorrência de um evento ativador e consiste em pontos de checagem, que são
potenciais causas atribuíveis e finalizadores, que são as ações empreendidas para
resolver a condição fora do controle, eliminando a causa atribuível.
O PAFC deve especificar os pontos de uma vistoria e os finalizadores em
uma ordem que facilite as atividades de diagnóstico do processo.
Tamanho da Amostra e Frequência
No planejamento de um gráfico de controle, devemos especificar tanto o
tamanho da amostra quanto a frequência de amostragem. Amostras maiores

33
tornarão mais fácil detectar as pequenas mudanças no processo. Na escolha do

tamanho da amostra, devemos ter em mente a magnitude da mudança que que-
remos detectar.
Lembre-se que tornar muito grande o número de amostras não é economi-
camente viável devido à alocação do esforço de amostragem, tomando pequenas
amostra a intervalos curtos ou amostragens maiores em intervalos mais lon-
gos. A prática industrial moderna tende a usar amostras menores e frequentes
particularmente em processos de fabricação de grande volume ou onde há a pos-
sibilidade de ocorrer um grande número de causas atribuíveis. À medida que
evoluímos a tecnologia de sensores e medidores automáticos, torna-se possível

testar cada componente conforme sua fabricação, aplicando assim os conceitos
do controle estatístico do processo em tempo real. Cada vez mais essa ferramenta
se tornará eficaz para a melhoria da qualidade.
O comprimento médio da sequência CMS do gráfico de controle é uma
maneira de avaliar o tamanho da amostra e frequência. O CMS é o número médio
de pontos que devem ser marcados antes que um ponto indique uma condição
fora do controle, e pode ser calculado pela fórmula a seguir:
Onde p é a probabilidade de que qualquer ponto exceda os limites de controle.

No caso do exemplo dos parafusos mencionado anteriormente, utilizando os
limites de controle três-sigma, se houver uma distribuição normal do diâme-
tro do parafuso, encontraremos, por meio da tabela normal padronizada, que a
probabilidade de um erro tipo I é de 0,00027.
Calculando o CMS, obtemos:
Este resultado significa que um sinal de fora de controle será emitido a cada 370
amostras em média.
Causa Aleatórias atribuídas à Variação da Qualidade

34 UNIDADE I
IMPLEMENTAÇÃO DO CONTROLE ESTATÍSTICO DO
PROCESSO (CEP)
Caro(a) aluno(a), os métodos de controle estatístico do processo podem for-

necer significativo retorno às empresas que o implementarem com sucesso. O
Controle Estatístico do Processo (CEP) não é uma coleção de instrumentos de
resolução de problemas com base estatística. Vai muito mais além. Envolvimento
e compromisso da alta direção com o processo de melhoria contínua é o com-
ponente de vital importância para o sucesso potencial do CEP. A abordagem de
grupo também é de relevante importância, uma vez que uma só pessoa dificil-
mente introduz mudanças no processo. Todos na organização devem conhecer
os instrumentos básicos do CEP. Deve ser feito um trabalho de educação conti-
nuada para a redução da variabilidade.
O CEP não é um programa que se aplica uma só vez. Reduzir a variabili-
dade leva semanas, semestres e até anos. Não deve ser aplicado somente quando
os problemas estiverem presentes e, após solucionados estes, o programa volta
para a gaveta. A melhoria deve ser parte da cultura da organização.

35
O gráfico de controle é um instrumento para a melhoria dos processos que

naturalmente não estão controlados. A ênfase dada ao gráfico de controle se jus-
tifica, pois é um passo inicial para a introdução do CEP, podendo nos fornecer
informações para estabilizar o desempenho.
Aplicações não-industriais do CEP

Apesar do maior número de exemplos trabalhados no que tange ao CEP, as
aplicações em ambientes não-industriais ou no setor de serviços também são
possíveis.
O gráfico de controle para a fração de não-conformes pode, por exemplo,

ser aplicado para a redução de erros de faturamento. Gráficos e R poderiam
monitorar e controlar o tempo de circulação de contas a pagar.
É claro que não é tão evidente o uso do CEP quanto em processos de
manufatura. As principais razões para isso são que a maior parte das operações
não-industriais não tem um sistema de medida que permita definir a qualidade
com facilidade e o sistema a ser melhorado em um sistema industrial é facil-
mente observado.
A aplicação dos métodos do CEP e de melhoria da qualidade em um ambiente
não-industrial é concentrar os esforços iniciais na resolução dos problemas apre-
sentados anteriormente.
Mapas de processo ou fluxogramas são usados para compreensão dos pro-
cessos. Essas ferramentas devem se atentar principalmente às atividades que
adicionam ou não adicionam valor ao processo.
Para eliminar atividades que não adicionam valor, devemos reorganizar a
sequência de passos do trabalho, a localização física do operador no sistema,
mudar métodos de trabalho, mudar tipos de equipamentos usados no processo,
adequar formulários para uso mais eficiente, treinar operadores, melhorar a
supervisão, identificar claramente a função do processo e de cada colaborador
neste processo, eliminar passos desnecessários e consolidar passos necessários.
Implementação do Controle Estatístico do Processo (CEP)

36 UNIDADE I
CONSIDERAÇÕES FINAIS
Caro(a) aluno(a), nesta unidade estudamos os diferentes métodos e a filosofia

acerca do Controle Estatístico do Processo (CEP). Vimos que o CEP deve ser
estudado para que possamos medir nossa qualidade. Afinal, como profissional
inserido(a) e com uma visão sistêmica, você deverá, em vários momentos, tomar
decisões baseadas em fatos, e os números e gráficos que traduzem a realidade
de um processo são ferramentas essenciais aos mais diversos profissionais que
trabalham com a qualidade.
Você conheceu a filosofia do controle estatístico do processo baseada nas ideias
de autores que são a pedra fundamental dos estudos relacionados à qualidade.
Tivemos nesta unidade três grandes objetivos. Primeiro, apresentar de
maneira introdutória as ferramentas básicas da resolução de problemas do
Controle Estatístico de Processo - o qual será identificado pela sigla CEP – e
ilustrar como essas ferramentas formam uma estrutura coesa e prática para a
melhoria contínua da qualidade. O segundo objetivo foi verificar como decisões
sobre o tamanho da amostra, intervalo de amostragem e determinação de limites
de controle afetam o desempenho de um gráfico de controle. O terceiro obje-
tivo foi discutir e ilustrar alguns problemas práticos na implementação do CEP.
Você observou como os custos são impactados pela falta de controle estatístico
da qualidade de um processo, produto ou serviço pelas causas de variabilidade
que são presentes e que devem ser conhecidas e controladas.
Aprendemos que importância da alta administração nos aspectos relacionados
à qualidade é imensurável e os diferentes níveis hierárquicos devem conversar
a mesma linguagem, afinal é parte primordial da qualidade um bom entendi-
mento entre todos os envolvidos em um processo. O CEP é fundamental nesse
contexto, soando até como um novo e eficiente idioma industrial.

37
1. Os custos de qualidade devem ser observados como identificação de oportuni-

dades de redução deste fator, além de uma ferramenta de extrema importância
para o controle financeiro das organizações. Quais são os diferentes tipos de
custo?
2. A qualidade de um produto pode ser avaliada de várias maneiras e é de suma
importância distinguir cada uma das dimensões da qualidade. Quais são os 8
componentes da qualidade?
3. Deming apresentou 14 pontos para o gerenciamento da qualidade. Quais des-
ses pontos você consegue exemplificar que não estão sendo realizados em
seu ambiente de trabalho?
4. Os programas de Qualidade Total são extremamente úteis para elevar o nível de
excelência em uma indústria ou prestadora de serviços, porém há críticas a este
tipo de filosofia. Quais são as razões para tais críticas?
5. Joaquim é português radicado no Brasil. Produz diversos tipos de doces e salga-
dos típicos de sua terra natal para vender. Mas Joaquim tem visto a concorrência
crescer e tomar seu espaço. Ele soube que algumas ferramentas estatísticas po-
deriam ajudar a desenvolver melhor seu negócio. Como ele poderá fazer uso
do CEP para a melhoria da qualidade de seu negócio?
38
QUALIDADE TOTAL: PROPOSTA DE UM MODELO PARA IMPLANTAÇÃO

Reconhecimento ou Primeiros Contatos - Fase Zero
Nesta fase, a alta administração deve buscar a maior quantidade possível de informa-
ções sobre Qualidade Total. Devido à grande ênfase que tem sido dada ao assunto nos
últimos anos, é quase certo que muitos já tenham algum conhecimento sobre o assun-
to. Deve haver uma preparação, normalmente conhecida como “homogeneização de
conceitos”, durante a qual aqueles cuja atuação é considerada vital para o sucesso da
implantação deverão participar de palestras, seminários, estudos de casos, etc., com o
objetivo de permitir a todos os responsáveis pela implantação uma uniformização de
linguagem e conceitos. Deve-se dar ênfase, nesta fase, à visão global, sistêmica, dos con-
ceitos da Qualidade Total.
Embora pareça de pouca importância, esta fase é decisiva para uma implantação bem
sucedida de um Programa de Gestão para a Qualidade Total. É aqui que a alta adminis-
tração deverá ser convencida sobre o valor do novo enfoque da qualidade. Se o grupo
responsável pelos destinos da empresa não for “contagiado”, ou seja, não se envolver de
forma inequívoca, participando ativamente e sacrificando objetivos pessoais e de curto
prazo em prol dos objetivos estratégicos de longo prazo, a ideia de uma Gestão para a
Qualidade Total não sairá do papel. Nestas circunstâncias, um programa de implantação
será oneroso, despenderá muito tempo para ser elaborado e controlado e gerará apenas
desgaste, tanto para os envolvidos como para a imagem da própria organização. Em
resumo, ou a alta administração compra a ideia, pagando o preço que for necessário e
comandando a implantação de forma direta e participativa, ou a melhor coisa para a or-
ganização é buscar outra saída. A Qualidade Total só é possível se for guiada pelas mãos
que detêm o poder dentro da empresa, e às custas de muito sacrifício.
Capacitação da Alta Administração nas Metodologias Envolvidas - Fase 1

Caso a idéia de implantação de um programa de trabalho voltado para a Qualidade Total
sobreviva ilesa à Fase Zero, deve-se começar a organizar o grupo que deverá liderar as
mudanças na empresa. Em geral, um “Grupo de Notáveis” - altos executivos, expoentes
técnicos e administrativos, pessoas de grande aceitação e liderança - é montado e co-
missionado, ou seja, ao grupo é dada a autoridade para determinar onde e de que forma
ocorrerão as mudanças. Ao “Grupo de Notáveis” caberá a responsabilidade de comandar
e controlar todo o processo de implantação do programa, procurando antecipar-se aos
possíveis problemas que possam surgir durante a implantação. Sua ação deve ser ime-
diata em qualquer caso imprevisto, cabendo-lhe o dever de tomar decisões rápidas e
responsabilizar-se por elas. Numa base ampla, pode-se dizer que o “Grupo de Notáveis”
deverá ser o chefe supremo do processo de implantação, impondo-se, inclusive, sobre
a autoridade individual do principal executivo da empresa. As pessoas que participarão
desse grupo devem ter algumas qualidades especiais:
■■ ter profundo conhecimento técnico em suas áreas específicas.
39
■■ ter um grande conhecimento, sob o enfoque sistêmico, da estrutura, organiza-

ção, processos e cultura organizacional da empresa.
■■ estar interessadas em participar de um profundo processo de mudança, não

estando comprometidas com arraigadas crenças do tipo “em time que está
ganhando não se mexe”. A filosofia do grupo deve ser “mudar para crescer, sem-
pre que necessário”.
■■ ser comprometidas com os ideais da empresa, e desfrutar da confiança de todos

os funcionários da organização - desde o principal executivo até o mais humilde.
■■ ser colaboradores nos quais a alta administração tenha interesse em investir, já

que o treinamento para a qualidade será intenso, dispendioso e de longo prazo.
Os componentes do grupo deverão receber um treinamento profundo em diversos as-

suntos fundamentais para a compreensão e desenvolvimento da organização:
■■ análise de sistemas (não na acepção contexto atual da expressão, que a associa
com um especialista em informática, mas na acepção original, na qual se entende
a empresa como uma entidade sistêmica, um organismo que depende de diversos
componentes ou subsistemas para cumprir, sob coordenação, um determinado
objetivo).
■■ planejamento estratégico e operacional.
■■ métodos estatísticos aplicáveis à administração, planejamento e operação da

empresa.
■■ ferramentas gerenciais ligadas à qualidade (as “Sete Velhas” e as “Sete Novas”).
■■ metodologias de gestão estratégica da qualidade.
Estas últimas envolvem:

■■ gerenciamento por políticas (Management by Policies), em detrimento do tra-
dicional gerenciamento por objetivos. As políticas organizacionais devem ser
desdobradas sucessivamente ao longo dos diversos níveis da empresa, até permitir
a cada pessoa o conhecimento de sua contribuição para os objetivos estratégi-
cos da organização.
■■ gerenciamento por processos (Management by Processes), em detrimento do

gerenciamento por funções. Os processos desenvolvidos pela empresa, os quais
40
permitem que ela cumpra sua missão, transpõem as fronteiras funcionais da orga-
nização. Dessa forma, é imprescindível uma perfeita definição e uma completa
compreensão dos processos da empresa. Do mesmo modo, é fundamental que
a gerência administre a empresa com foco nos processos e não nas funções ou
nas pessoas que exercem tais funções. A organização não pode depender de pes-
soas insubstituíveis ocupando funções-chave.
■■ gerenciamento do cotidiano (Day-to-Day Management), o qual busca melhorias

contínuas nas atividades desenvolvidas no âmbito pessoal ou departamental.
Coletivamente, são metodologias que visam racionalizar as rotinas de operação
da organização, as quais são normalmente invisíveis para a alta administração. Por
esse motivo, o gerenciamento do cotidiano é realizado, basicamente, pelos indi-
víduos envolvidos diretamente na operação da empresa.
■■ desdobramento da função qualidade (Quality Function Deployment), cujo efeito

será uma melhor contribuição de cada indivíduo ou departamento para a ade-
quação das operações da empresa com os requisitos de qualidade impostos pelo
mercado.
■■ técnicas de motivação para a qualidade, entre outras.
Fonte: Torelli e Ferreira (1995, p. 284-287).

MATERIAL COMPLEMENTAR
Gestão da qualidade: teoria e casos

Edson Pacheco Paladini
Editora: Elsevier
Ano: 2012
Sinopse: obra consagrada e amplamente adotada nos cursos
de graduação e pós-graduação do país, este livro-texto
destina-se a estudantes da disciplina Gestão da Qualidade dos
cursos de Engenharia.
O livro aborda um espectro abrangente da Gestão da Qualidade,
que engloba os modelos tradicionais, os modelos normativos, sua estrutura de certificação e as
novas tendências como o Programa Seis Sigma.
Esta segunda edição traz significativas alterações com relação à edição anterior. A primeira e mais
evidente refere-se ao alinhamento de seu conteúdo às novas versões das normas da série ISO
9000 e às alterações processadas recentemente no Prêmio Nacional da Qualidade. Além disso,
foram introduzidos dois novos capítulos, que incorporam as ferramentas da qualidade e a gestão
da qualidade integrada à sustentabilidade.
Comentário: este livro mostra a evolução da qualidade e as tendências para seu futuro. O
material ampliará o seu horizonte sobre o que é a qualidade, ou sobre em quê a qualidade ainda
pode transformar um produto ou serviço.
Moneyball (O homem que mudou o jogo)

Ano: 2012
Billy Beane (Brad Pitt) é o gerente do time de baseball Oakland
Athletics. Com pouco dinheiro em caixa e a ajuda de Peter
Brand (Jonah Hill), ele desenvolveu um sofisticado programa
de estatísticas para o clube, que fez com que ficasse entre as
principais equipes do esporte nos anos 80.
Comentário: com uma tática nada convencional para a busca
do sucesso contra tudo e contra todos, apoiados apenas em
métodos estatísticos, Billy e Peter mudam a concepção de
como o esporte deve ser enxergado.
Conceitos da Gestão da Qualidade

Este vídeo demonstra um resumo de como os conceitos de qualidade evoluíram ao longo do
tempo de forma bem didática.
Link: <https://www.youtube.com/watch?v=XU9TndoNsao>.
Material Complementar
REFERÊNCIAS
FEIGENBAUM, A. V. Total Quality control: Principles, practice and administration.

Nova York: McGraw-Hill, 1951.
MONTGOMERY, D. C. Introduction to Statistical Quality Control. Nova York: John
Wiley & Sons, 2009.
TORELLI, L. C.; FERREIRA, J. J. A. Qualidade total: proposta de um modelo para im-
plantação. Gestão & Produção, São Carlos-SP, v. 2, n. 3, p. 281-296, dez. 1995.
VIEIRA, S. Estatística para a qualidade. Rio de Janeiro: Elsevier, 1999.
REFERÊNCIA ON-LINE
1
Em: <https://endeavor.org.br/o-que-realmente-significa-qualidade-do-produto/>.
Acesso em: 17 out. 2016.
43
GABARITO
1. Existem diferentes custos da qualidade que podem ser categorizados como cus-
tos de prevenção, custos de avaliação, custos de falha interna e custos de falha
externa. Diferentes exemplos são tratados no texto da Unidade I.
2. Desempenho, confiabilidade, durabilidade, assistência técnica, estética, caracte-
rísticas, qualidade percebida e conformidade com especificações.
3. Analise cada um dos princípios de Deming e relacione com seu dia a dia no tra-
balho.
4. O GQT, apesar de amplamente utilizado, tem o sucesso considerado moderado
segundo Montgomery (2009), pois é insuficiente o esforço dado à utilização das
ferramentas técnicas de redução de variabilidade. Na grande maioria das empre-
sas, o treinamento para essa gestão era dado por departamentos que não eram
compostos por especialistas da qualidade. O GQT era enxergado como um trei-
namento, e não uma estratégia. Em outros casos, o GQT foi visto simplesmente
como mais um programa de qualidade, haja vista que em décadas anteriores
foram difundidos programas como zero defeito ou engenharia de valor, que
poucos resultados práticos trouxeram para a qualidade e a produtividade das
organizações. Outro movimento que ganhou força nos anos 80 foi o programa
qualidade é grátis, no qual a gerência focava no custo da qualidade ou da não-
-qualidade, mas os praticantes do programa, em geral, não tinham a menor ideia
do que fazer para realmente melhorar muitos tipos de processos industriais al-
tamente complexos.
5. Para eliminar atividades que não adicionam valor, devemos reorganizar a sequência
de passos do trabalho, a localização física do operador no sistema, mudar métodos
de trabalho, mudar tipos de equipamentos usados no processo, adequar formulá-
rios para uso mais eficiente, treinar operadores, melhorar a supervisão, identificar
claramente a função do processo e de cada colaborador neste processo, eliminar
passos desnecessários e consolidar passos necessários.
FERRAMENTAS DA
II
UNIDADE
QUALIDADE I
■■ Apresentar a utilização da folha de verificação para melhoria da
qualidade.
■■ Demonstrar a utilização da estratificação para melhoria da qualidade.
■■ Verificar os diferentes tipos de amostras utilizadas no Controle
Estatístico do Processo (CEP).
■■ Apresentar a aplicação do Diagrama de Pareto para melhoria da
qualidade.
■■ Fazer o passo a passo da construção de um diagrama.
Plano de Estudo
■■ Folha de Verificação
■■ Estratificação
■■ Tipos de amostras
■■ Diagrama de Pareto
■■ Construção de um Diagrama de Pareto
47
INTRODUÇÃO
Olá, caro(a) aluno(a)! Trataremos nesta segunda unidade das primeiras ferra-
mentas que são a base da qualidade e do controle estatístico do processo.
E quando iniciamos o estudo de um assunto em específico nos perguntamos
qual a sua importância para nossa formação profissional. A estatística trata da
coleta e da disposição dos dados, estabelecendo alguma conclusão confiável de
um fenômeno a ser estudado. Portanto, medir dados e gerar uma informação
que seja a base de uma ótima tomada de decisão são extremamente importantes.
Em um primeiro momento, abordarei sobre as folhas de verificação e sua

importância na aplicação das demais ferramentas da qualidade que compõem
o controle estatístico do processo, para que você possa aplicar à sua realidade
desde os primeiros instantes de leitura da unidade.
Tratarei também sobre a estratificação como ferramenta. Afinal, temos de
saber o que queremos analisar. E os diferentes estratos nos levam a caminhos
diferentes de análises.
Discutiremos sobre os tipos de amostras que temos e como tomá-las para
que, ao usar as demais ferramentas, possamos alcançar os objetivos necessários
para o crescimento de um setor ou empresa.
Você conhecerá o princípio de Pareto, algo que deverá se tornar automático
ao longo do tempo para que você possa ter a melhor tomada de decisão sobre
determinado assunto.
Para o fechamento do capítulo, aprenderemos como o diagrama de Pareto
é construído e a sua análise de forma simples e funcional.
As ferramentas com as quais iniciaremos os estudos nesta unidade propor-
cionarão melhoria na apresentação de dados e na compreensão da realidade de
um processo, produto ou serviço.
Nesta unidade proponho que continuemos uma caminhada de sucesso para
que os objetivos possam ser alcançados e também medidos, afinal o Controle
Estatístico do Processo (CEP) serve para isso.
Bom estudo!
Introdução
48 UNIDADE II
FOLHA DE VERIFICAÇÃO
Caro(a) aluno(a), para que

haja a implementação do
Controle Estatístico do
Processo (CEP) é necessá-
rio realizar a coleta de dados
para que um produto possa ser
inspecionado, acompanhar o
desempenho de um processo
e diminuir perdas por meio
do controle. Deve-se planejar
a forma de registro indepen-
dente do propósito da coleta
de dados. Com base no plane-
jamento, registra-se os dados
por meio de uma ferramenta
que é a folha de verificação. Esta ferramenta da qualidade é utilizada para facili-
tar o processo de coleta e registro de dados, de forma a contribuir para otimizar
a posterior análise de dados.
Uma coleta de dados rápida, automática e padrão é necessária para que os
dados coletados se transformem em informações que garantam uma tomada de
decisões mais assertiva. Um exemplo de uma folha de verificação são as plani-
lhas para registro de dados.
A folha de verificação necessita de alguns elementos básicos, tais como local
e data da coleta de dados e o nome do responsável pelo trabalho. O layout de
uma folha de verificação depende do uso que se fará dela.
Temos alguns exemplos de uso da folha de verificação:
Levantamento de itens não-conformes

Em determinada fase de um processo produtivo, cada item inspecionado deve
ser classificado como conforme ou não-conforme. A folha, neste caso, deverá
ter um espaço para a anotação do número de itens inspecionados (i), o número
49
de itens não-conformes (n) e a proporção (p) de itens não-conformes, que pode

ser calculada pelo próprio operador. Veja exemplo na tabela a seguir:
Tabela 1 - Exemplo de levantamento de itens não-conformes
Produto
Processo/Operação
Máquina
Operador
Data
Amostra
1 2 3 4 5 6 7 8 9 10
i (Itens inspecionados)
n (Itens não-conformes)
p (proporção)
Fonte: o autor.
Inspeção de atributos
A folha de verificação do exemplo da tabela a seguir é adequada para a veri-
ficação de defeitos no produto final, onde o operador faz apenas um traço na
linha que descreve o defeito, toda vez que a ocorrência surja no processo pro-
dutivo. Ao final da jornada de trabalho, fica fácil mensurar os percentuais e o
total. Porém, é necessário decidir como os defeitos serão registrados antes de
iniciar a coleta dos dados.
Tabela 2 - Exemplo de inspeção de atributos
Produto
Processo/Operação
Máquina
Operador
Data

Tipo de defeito 1 2 3 4 5 Total
Folha de Verificação
50 UNIDADE II
Furos
Manchas
Tonalidade
Outro
Fonte: o autor.
Estabelecer a localização de defeitos no produto acabado

As causas de manchas ou riscos em determinados produtos podem ser encontra-
das por meio do conhecimento onde estes ocorrem com maior frequência com
folhas de verificação que tenham o croqui do produto. A partir de uma marca-
ção realizada pelo o operador da localização do defeito no croqui, por meio de
um código estabelecido.
Folha de verificação
Cima

oooo

LE Frente Atrás LD

<<< xxxxxx

Baixo

x Risco
< Pintura
51
o Acabamento

Figura 1 - Folha de verificação baseado no croqui
Fonte: adaptada de Werkema (2006).
Levantamento de causas dos defeitos

O aparecimento de defeitos pode ser explicado pela falta de ajuste correto da
máquina, desgastes, adaptação de um novo método ou de um colaborador a uma
nova função e/ou qualidade da matéria-prima empregada no processo. Para que
possamos fazer um detalhamento das causas prováveis desses defeitos, é neces-
sário organizar e escrever tais causas em uma folha de verificação.
Tabela 3 - Levantamento de causas dos defeitos
Produto Malha J21 Processo Malharia

Data 21/04/2016 Seção Bom Retiro

Máquina Operador Semana
1 2 3 4
34 João x
56 João o
68 João o o
32 João x
Fonte: o autor
Legenda:
x – quebra de agulha
o – malha caída
Observe que a folha de verificação mostra se o tipo de defeito depende da
máquina, o nome do operador e a semana na qual o produto foi fabricado. Então,
se os dados apontarem que os defeitos ocorrem em determinadas semanas, é
provável que seja encontrada uma explicação para a ocorrência desse tipo de
defeito. Deve-se então fazer um apontamento do que acontece naquela semana
em especial que não ocorre nas demais.
52 UNIDADE II
Para estudar a distribuição de uma variável

Para o estudo de uma distribuição da dimensão de uma peça qualquer, você pode
medir as peças e escrever as medidas em uma tabela para organizar os dados que
lhe ajudarão na melhor tomada de decisão possível. Além do que, torna-se muito
mais simples coletar dados de maneira planejada e sistematizada. Na tabela a
seguir, a coleta dos dados se baseia em uma marcação realizada em determinada
linha, toda vez que uma medida se enquadrar no parâmetro. No caso, este exem-
plo refere-se ao diâmetro de um eixo utilizado em uma determinada máquina.
Tabela 4 - Folha de verificação para estudo de variáveis
Produto
Operação
Operador
Máquina
Data
Setor
Dimensões menos de 5,050 5,05 5,055 5,06 5,065 5,07 5,075 mais de
5,075
Ocorrências 1
2
3
4
5
6
7
8
9
10
Fonte: o autor.
53
Para monitoramento de um processo de fabricação

Para este exemplo da tabela podemos monitorar a variação do comprimento
de uma peça qualquer, podendo coletar todos os dias uma amostra de 5 peças.
Os dados deverão ser organizados em uma folha de verificação como na tabela
a seguir.
Tabela 5 - Cuidados na coleta de dados
Produto
Operação
Operador
Máquina
Data
Setor
Coleta
1 2 3 4 5 6 7 8
Amostra x1
x2
x3
x4
x5
x
Fonte: o autor.
Antes do início de uma coleta de dados, o período de tempo em que será reali-
zado este trabalho já deve ser definido. O tempo disponibilizado para tal coleta
terá que ser suficiente e possível de ser registrado nos espaços destinados nas
folhas de verificação. Todas os espaços deverão ser preenchidos (linhas e colu-
nas) e deve haver uma identificação de quem, quando e onde se realizará o
registro. Além disso, e não menos importante, devemos definir o objetivo da
coleta de dados, qual tipo de folha de verificação será usada, atribuir um título
apropriado para o registro para que possa ser facilmente rastreado, apresentar
na própria folha de verificação instruções de como preenchê-la, conscienti-
zar as pessoas envolvidas no processo de obtenção dos dados do objetivo e da
54 UNIDADE II
importância da coleta, instruir as pessoas envolvidas na coleta de dados sobre a

forma de preenchimento da folha, fazer um teste-piloto da folha de verificação
para observar eventuais falhas e certificar-se de que todos os dados de estratifi-
cação estão incluídos na folha.
ESTRATIFICAÇÃO
Caro(a) aluno(a), esta ferramenta consiste na divisão de um grupo em subgrupos

com base em fatores de estratificação. As principais causas de variação que atuam
nos processos de produção constituem fatores de estratificação de um conjunto
de dados. Os exemplos de fatores são: equipamentos, máquinas, matéria-prima,
insumos, métodos, pessoas, medidas e condições ambientais. São fontes de varia-
ção, sendo assim fatores naturais para estratificação de dados. Alguns exemplos
de fatores de estratificação comumente utilizados são o tempo, operador, lote de
matéria-prima e máquinas. Agrupar a informação sob vários pontos de vista é
necessário para que possamos realizar as ações necessárias de melhoria.
55
Para que possamos entender, consideremos a fabricação de perfis de alumí-

nio. Pode haver uma pequena diferença entre os produtos de diferentes origens,
a pureza da matéria-prima é uma variável e deve ser estabelecida ou conhecida
para o produto de cada fornecedor. Quando dividimos um grupo de heterogê-
neos em subgrupos homogêneos, denominamos tal processo de estratificação.
Veja exemplo a seguir:
Tabela 6 - Estratificação
Diferentes tipos de pureza do alumínio dos fornecedores A, B e C

C A A C A B
A C B B C B
Rearranjo ou reorganização dos tipos de pureza

A B C
A B C
A B C
A B C
Quando alguns elementos têm determinada característica comum, em estatística

entende-se que tal fenômeno trata-se de uma população. Todo o subconjunto
retirado desta população constitui uma amostra.
Medidas estatísticas obtidas com base na população são denominadas como
parâmetros e estes podem ser baseados em uma população ou em uma amos-
tra. Por uma questão de viabilidade, não se observa toda a população e sim suas
amostras.
A amostra é selecionada com base na definição da técnica de amostragem,
que são os critérios que serão usados para a escolha de elementos da população.
Com base na técnica usada, extrai-se um tipo de amostra específica.
Estratificação
56 UNIDADE II
TIPOS DE AMOSTRAS
Caro(a) aluno(a), os diferentes tipos de amostras nos garantem os melhores resul-

tados quando tratamos da busca de informações que nos possibilitem a melhor
solução para um problema. Temos os seguintes tipos de amostras:
Amostra casual
Segundo Vieira (1999), a amostra casual ou aleatória é constituída por elemen-
tos retirados ao acaso da população. Todo elemento de uma população possui a
mesma probabilidade de ser amostrado.
Tomemos como exemplo uma quantidade de 1.000 unidades de engrena-
gem, e se faz necessário a obtenção de uma amostra casual de 3% destas peças.
Podemos usar o número de série das engrenagens, que é um item impresso na
própria peça. Para nosso exemplo, os números de série iniciarão em 0001 e ter-
minarão em 1000. Após a verificação, inserimos o seguinte comando na linha
de fórmulas do Excel, célula A1: =ALEATORIOENTRE(1;1000). Como dese-
jamos obter uma amostra de 3% de 1.000, devemos estender o comando até a
célula A30, conforme figura a seguir:
57
Figura 2 - Exemplo de seleção de amostras em uma população

Fonte: o autor.
Tipos de Amostras
58 UNIDADE II
Após esta estratificação, podemos realizar as análises desejadas no produto

em questão. Essa análise pode, por exemplo, ser a verificação do diâmetro interno
da engrenagem com o auxílio de um paquímetro eletrônico.
Amostra sistemática
Este tipo de amostra é constituído por elementos retirados de uma população
segundo um sistema. Pode ser mais simples obter uma amostra sistemática do
que uma casual em alguns casos, mas sempre deve-se ter muito critério com o
sistema de seleção. Em uma produção de camisetas, por exemplo, não retire a
primeira peça quando da abertura de uma caixa, ou ainda, no caso da produção
de 100 itens por dia, não selecione o último item a cada 100 produzidos como
parte de uma amostra. Tais procedimentos são caracterizados como tendenciosos
e podem trazer má interpretação dos dados obtidos. No exemplo que trabalha-
mos anteriormente, as engrenagens selecionadas agora como amostra sistemática
poderiam ser estratificadas da população a cada 33 engrenagens. Haveria a reti-
rada de uma engrenagem até somarmos 3%, que é a amostra necessária.
Amostra estratificada
Quando é necessário amostrar uma população constituída de subgrupos deter-
minados estratos, podemos utilizar este tipo de seleção.
Ainda com base do exemplo das engrenagens, vamos supor que o produto
foi entregue por dois fornecedores distintos. Em um caso como este é necessário
fazer uma verificação se os produtos estão sendo entregues com mesma quali-
dade ou características conforme especificado em uma ficha técnica do produto.
A amostra estratificada é composta por elementos dos diferentes estratos.
Deve-se separar cada um dos estratos, obter uma amostra sistemática de cada
um dos estratos e reunir as informações em uma só amostra que é denominada
de estratificada.
A estratificação como ferramenta

Partimos do exemplo no qual se pretende analisar a variação de uma característica
em função da máquina e do colaborador. Caso você não especifique a máquina
que foi usada para produzir determinado produto, não haverá a possibilidade
59
de relacionar a característica analisada com relação ao equipamento utilizado

para a sua fabricação. Deve-se tomar nota dos diferentes tipos de máquina, caso
queira fazer uma análise em relação aos equipamentos. Nesse caso, cada máquina
seria um estrato.
Se o foco da análise fosse as diferenças recorrentes no processo com base na
influência dos operadores, seria necessário obter os dados da produção de cada
colaborador, que seria um estrato.
A estratificação é importante e deve ser utilizada em fase anterior ao início
da coleta dos dados.
DIAGRAMA DE PARETO
Caro(a) aluno(a), seja na indústria ou na

prestação de serviços, quem gerencia a
qualidade tem uma especial atenção com
as perdas que ocorrem nos processos. Em
análise, verifica-se que são poucas as cau-
sas que determinam a maioria das perdas.
Um ponto inicial na gestão da qualidade é
identificar as causas que são determinantes
para a maioria das perdas para que, em uma
segunda fase, as causas possam ser tratadas,
na busca de uma diminuição substancial
dos desperdícios.
Uma ferramenta que nos auxilia na
determinação das causas a serem tratadas
é o Diagrama de Pareto, que é definido por
Werckema (2006) como um gráfico de barras verticais que dispõe a informa-
ção de modo a tornar evidente e visual a priorização de problemas e projetos.
Diagrama de Pareto
60 UNIDADE II
Essa ferramenta utiliza tal nome pois é baseada no estudo de distribuição

de renda do economista italiano Pareto, realizado em 1897, que verificou que
poucas pessoas detinham a maior parte da renda enquanto a maioria das pes-
soas tinha uma participação menor do montante da renda. Algum tempo depois,
Juran observou, ao mostrar graficamente que poucas causas levam à maioria das
perdas, que tal estudo tinha um aspecto similar ao da distribuição de renda que
Pareto estudara, e denominou a figura de “Diagrama de Pareto” em homena-
gem ao economista. Esta ferramenta também é chamada de análise 80/20, onde
se verifica que 80% das perdas têm 20% das causas levantadas.
O princípio de Pareto estabelece que os problemas relacionados à qualidade,
seja o percentual de itens defeituosos, falha das máquinas, perdas gerais na pro-
dução, gastos com reparos ou trocas de produtos dentro do período de garantia,
ocorrências de acidentes de trabalho, atraso na entrega do produto ao cliente ou
parada de máquinas são traduzidos em formato de perdas que são nominados
em duas categorias “pouco vitais” e os “muito triviais”.
Tabela 7 - Princípio de Pareto
Poucos vitais Muitos triviais

Pequeno número de problemas Extensa lista de problemas
Resultam em grandes perdas Perdas pouco significativas
Fonte: adaptada de Werckema (2006).
O foco das análises iniciais deve ser sobre os poucos vitais para que os proble-
mas possam ser resolvidos de forma eficiente e eficaz no menor tempo possível.
Assim o gráfico de Pareto dispõe a informação de forma a permitir a concentra-
ção dos esforços nas áreas em que maiores ganhos podem ser obtidos.
61
A CONSTRUÇÃO DE UM GRÁFICO DE PARETO
Caro(a) aluno(a), a identificação dos poucos itens vitais é feita de forma mais sim-
ples quando visualizados em um gráfico de barras denominado Gráfico de Pareto.
Vamos considerar para este exemplo uma fábrica de móveis a qual utiliza para
determinada linha de produtos portas de vidro como principal diferencial deste
mix. Esta produção teve um aumento de portas defeituosas a partir de uma deter-
minada data. Nesta etapa, determine o tipo de perda que será investigada como,
por exemplo, defeitos, acidentes de trabalho ou pagamentos fora do orçamento.
Especifique o aspecto de interesse do tipo de perda a ser investigada. Em
uma análise de defeito há diversos aspectos que podem ser de interesse, seja o
tipo do defeito, localização ou máquinas que produzem tal defeito.
O próximo passo é a realização de uma folha de verificação, onde os defeitos
são nominados e classificados. Nesta etapa, se a intenção é investigar os tipos de
defeitos, escreva os tipos conhecidos em uma folha de verificação, como apre-
sentado no início desta unidade. Preencha os dados na folha de verificação.
A Construção de um Gráfico de Pareto

62 UNIDADE II
Tabela 8 - Folha de verificação
Tipo de defeito Quantidade de defeito

Saliência 15
Arranhão 45
Acabamento 60
Manchas 13
Cor 8
Outros 3
Total de defeitos 144
Número total de portas inspecionadas 1400
Fonte: o autor.
Após a contagem, organize as categorias em ordem decrescente de frequência.

Caso a categoria outros obtenha uma frequência maior do que as anteriores,
organize-a na última posição da tabela para uma questão de análise posterior e
estética do gráfico. Este tipo de ocorrência, na qual a categoria outros pode ter
uma frequência, é explicado pelo fato de essa categoria agrupar várias outras.
Caso a frequência deste grupo seja extremamente alta, pode ter havido um agru-
pamento de categorias, de forma que estas deveriam ser analisadas e separadas, o
que não é o caso em nosso exemplo, pois a frequência da categoria outros apre-
senta um baixo número.
Tabela 9 - Folha de verificação
Tipo de defeito Quantidade de defeito

Acabamento 60
Arranhão 45
Saliência 15
Manchas 13
Cor 8
Outros 3
Total de defeitos 144
Número total de portas inspecionadas 1400
Fonte: o autor.
63
Na sequência deve-se calcular as frequências relativas, acumuladas e as relati-

vas acumuladas, apresentadas na próxima tabela. A frequência acumulada é a
soma da frequência da categoria com as categorias anteriores. No caso da cate-
goria denominada saliência, a frequência acumulada é:
60 + 45 + 15 = 120
Já a frequência relativa acumulada é o resultado das ocorrências de cada cate-

goria relacionado ao total de ocorrência de todas as categorias, que no exemplo
trabalhado soma 144. Na equação a seguir é demonstrado como se chega ao

resultado da frequência acumulada da categoria saliência.
((13/144) = 10,42) + ((45/144)= 31,25) + ((60/144)= 41,67) = 83,33
Após os cálculos realizados, apresenta-se a tabela a seguir:
Tabela 10 - Tabela das frequências
Tipo de defeito Quantidade Frequência Frequência Frequência relati-

de defeito acumulada relativa va acumulada
Acabamento 60 60 41,67% 41,67%

Arranhão 45 105 31,25% 72,92%
Saliência 15 120 10,42% 83,33%
Manchas 13 133 9,03% 92,36%
Cor 8 141 5,56% 97,92%

Outros 3 144 2,08% 100,00%
Total 144 - 100% -
Fonte: o autor.
Com a ajuda de programas de computador, a tarefa de obter um Gráfico de

Pareto torna-se algo muito simples. O gráfico referente ao exemplo apresentado
fica com o seguinte aspecto:

64 UNIDADE II
70 100.00%
60
80.00%
50
40 60.00%
30 40.00%
20
20.00%
10
0 0.00%
Acabamento Arranhão Saliência Manchas Cor Outros
Figura 3 - Gráfico de Pareto: análise de defeitos das portas

Fonte: o autor.
Fica claro que os dois maiores problemas que ocorrem no exemplo apresentado
são problemas com o acabamento e arranhões. A partir daí, fica simples reali-
zar um plano de ação para que seja feita a correção de tais ocorrências. Segue a
seguir uma sugestão de planilha de dados para a construção do Gráfico de Pareto:
Tabela 11 - Tabela genérica para a elaboração de um Gráfico de Pareto
Tipo de defeito Quantidade Frequência Frequência Frequência relativa

de defeito acumulada relativa acumulada
XXXXXXX Q1 Q1 Q1/Q x 100= P1 P1
YYYYYYY Q2 Q1 + Q2 Q2/Q x 100= P2 P1 + P2
ZZZZZZZZ Q3 Q1 + Q2 + Q3 Q3/Q x 100= P3 P1 + P2 + P3
........ ... ... ... ...
........ ... ... ... ...
Outros ... ... ... ...
Total Q - 100%
de defeitos
Número T
total de itens
inspecionados
Fonte: o autor
65
No quadro a seguir, temos uma síntese de quais são as etapas para a construção
do Gráfico de Pareto.
Quadro 1 - Etapas para a construção de um Gráfico de Pareto
Etapas para a
construção de um 1 - Defina o problema a ser estudado.
Gráfico de Pareto
2 - Liste os possíveis fatores de estratificação, chamados de categorias, para
o problema a ser solucionado.
3 - Estabeleça o método e o período de coleta de dados.
4 - Elabore uma lista de verificação apropriada para coleta de dados.

5 - Preencha a lista de verificação e registre o total de vezes que cada cate-
goria foi observada e o total de observações.
6 - Elabore uma planilha de dados para o Gráfico de Pareto com as seguintes
colunas: Categoria, Quantidade ou Ocorrência, Frequência acumulada, Fre-
quência relativa e Frequência relativa acumulada.
7 - Preencha a planilha de dados, listando as categorias em ordem decres-
cente de quantidade. Lembre-se que a categoria denominada outros deve
ser a última na planilha, independente de seu valor.
8 - Registre outras informações para que conste no gráfico, tais como: título,
período de coleta dos dados, número total de itens inspecionados e objeti-
vo do estudo realizado.
Fonte: o autor.
De acordo com Galizi e Santos (2015), O Princípio de Pareto é muito utili-

zado pelas organizações, hoje em dia, para lidar com problemas internos,
qualidade dos produtos e melhoria de processos.
Pode-se utilizar, por exemplo, para a tomada de decisão dos requisitos, oti-
mização ou qual item é mais executado, etc.
Fonte: o autor.

66 UNIDADE II
TIPOS DE GRÁFICO DE PARETO
Os Gráficos de Pareto devem ser utilizados nas mais diferentes situações do coti-
diano, seja em uma aplicação industrial ou não. Agora, verificaremos os diferentes
tipos aplicação para os Gráficos de Pareto.
Gráfico de Pareto para Efeitos

O Gráfico de Pareto para efeitos pode ser utilizado para investigar ou identifi-
car o problema principal enfrentado por uma empresa. Temos como exemplo o
uso desta importante ferramenta com problemas relacionados às cinco dimen-
sões da qualidade total:
Quadro 2 - Exemplos de usos de Gráficos de Pareto
QUALIDADE CUSTO ENTREGA MORAL SEGURANÇA

Percentual de Custos de Índices de atra- Índices de Número de
produtos defei- manutenção sos, quantidade reclamações acidentes
tuosos, número de equi- e local errados, trabalhistas, de trabalho,
de reclamações pamentos, falta de maté- turn-over, ab- gravidade de
de clientes, reparo em ria-prima em senteísmo. acidentes, aci-
número de produtos estoque. dentes sofrido
devoluções de que estão pelos usuários
produtos. em período do produto.
de garantia
e perdas de
produção.
Fonte: o autor.
Gráfico de Pareto para causas

O gráfico de Pareto para causas dispõe as informações para que seja possível a
identificação das principais causas de um problema. São exemplos de causas que
podem ser um fator que compõe o processo:
Quadro 3 - Causas de eventos segundo análise de Pareto
Desgaste, manutenção, modo de operação,

Equipamentos
tipo de ferramenta utilizada.
Fornecedor, lote, tipo, armazenamento,
Insumos
transporte.
67
Calibração e precisão dos instrumentos de

Informações do processo ou medidas
medição, método de medição.
Condições ambientais Temperatura, umidade, iluminação, clima.
Pessoas Idade, treinamento, saúde, experiência.
Informação, atualização, clareza das instru-
Métodos ou procedimentos
ções.
Fonte: o autor.
OBSERVAÇÕES SOBRE A CONSTRUÇÃO DE UM GRÁFICO DE

PARETO
Alguns pontos devem ser analisados na construção de um Gráfico de Pareto.

Tais pontos devem ser levados em consideração na análise, pois a identificação
dos problemas não pode sofrer a interferência de uma informação ou interpre-
tação equivocada.
Variáveis expressas em unidades monetárias
O custo é um indicador de extrema importância a ser considerado durante a
construção de um Gráfico de Pareto na identificação dos poucos problemas
considerados vitais.
Podem haver, em alguns casos, categorias que apresentam um baixo número
de ocorrências, porém com altos custos relacionados, enquanto categorias de
ampla frequência que impactam muito pouco sobre os custos. Portanto, pode
haver uma análise do Gráfico de Pareto levando-se em consideração o custo de
um conjunto de problemas de diferente interpretação quando se leva em consi-
deração apenas as ocorrências.
Quando é necessário calcular o custo dos defeitos que se apresentam em uma
produção, utiliza-se a expressão:
Custos dos defeitos = Quantidade dos defeitos x Custo unitário

dos defeitos
Após a realização dos cálculos, os defeitos serão ordenados em ordem decres-

cente em relação ao custo dos defeitos, lembrando que a determinação deste custo
unitário dos defeitos é fundamental para que o estudo realizado tenha eficácia.

68 UNIDADE II
Categoria “outros”
É recomendado que a frequência da categoria outros seja inferior a 10% do total
de observações. Caso este número seja maior, significa que as categorias anali-
sadas não foram classificadas de forma adequada e, consequentemente, muitas
ocorrências foram mal rotuladas. Leve em consideração refazer a classificação
para que a análise possa ser mais efetiva.
Estratificação de Gráficos de Pareto

Construir e comparar gráficos de Pareto considerando níveis de fatores de estra-
tificação diferentes pode ser útil para a identificação das causas fundamentais
de um problema. A identificação das causas fundamentais do problema e a ela-
boração da estratégia para melhoria deverão ser feitas levando em consideração
estes diversos níveis de estratificação. A estratificação de gráficos de Pareto nos
permite identificar se a causa do problema considerado é comum a todos os
processos ou se existem causas específicas associadas a diferentes fatores que
compõem o processo.
Comparação de gráficos de Pareto ao longo do tempo

Caso seja construída uma série de gráficos de Pareto ao longo de um determinado
período de tempo, por exemplo, gráficos construídos durante todos os meses em
um ano, e apresentar grandes alterações na sequência de ordenação de catego-
rias, sem haver a adoção de medidas para mitigação dos erros em um processo,
será um indício de que o processo considerado não é estável e que existem cau-
sas de variação atuando no processo. A comparação entre os gráficos ao longo
do tempo deve indicar a estabilidade em um processo.
Gráficos de Pareto para avaliação de melhoria

Em uma etapa de melhora de resultados, a comparação de gráficos de Pareto cons-
truídos a partir de dados coletados antes e depois do início da ação de melhoria,
serve para avaliação se a ação foi realmente eficaz. Esta comparação permite a
avaliação do impacto das mudanças efetuadas no processo.
69
Desdobramento de gráficos de Pareto

Consiste em tomar as categorias prioritárias identificadas em um primeiro grá-
fico como novos problemas a serem analisados por meio de um novo Gráfico
de Pareto, até que o nível de detalhes desejado seja obtido, de forma que pos-
sam ser priorizados os projetos de melhoria com base nos resultados que cada
um poderá produzir.
Esses desdobramentos permitem também o estabelecimento de metas numé-
ricas viáveis de serem alcançadas.
CUIDADOS NA CONSTRUÇÃO E USO DO GRÁFICO DE PARETO
Alguns cuidados devem ser tomados na realização de um Gráfico de Pareto. É

muito comum que a falta de organização dos itens a serem analisados induza o
analista ao erro de interpretação. Com as dicas a seguir, você com certeza fará
bom uso desta importante ferramenta da qualidade.
A importância da construção de um Gráfico de Pareto para causas

Após identificação do problema a ser estudado, por meio de um Gráfico de Pareto
para efeitos, é importante que seja construído um também com foco nas causas,
com o objetivo de que as possíveis causas possam ser visualizadas e priorizadas.
Utilizar de bom senso

Em alguns momentos as categorias mais frequentes ou de maior custo são as
mais importantes, mas a gravidade de um problema tem de ser avaliada de forma
minuciosa, como por exemplo um acidente de trabalho fatal requer maior aten-
ção do que outros acidentes de menor proporção.
Problemas simples, eliminação imediata

Categorias de menor importância em um Gráfico de Pareto que possam ser resol-
vidas por meio de ações simples devem ser incentivadas para que possam ser
melhorados os resultados, aumentando a experiência dos envolvidos.

70 UNIDADE II
As ferramentas da qualidade são úteis e simples para serem utilizadas com

sabedoria ao administrar.
Prezado(a) aluno(a)! Tratamos nesta segunda unidade das primeiras ferramen-
tas que são a base da qualidade e do controle estatístico do processo.
E quando iniciamos o estudo de um assunto em específico, nos perguntamos
qual a importância deste para nossa formação profissional. A estatística trata da
coleta e da disposição dos dados, estabelecendo alguma conclusão confiável de
um fenômeno a ser estudado. Portanto, medir dados e gerar uma informação
Em um primeiro momento, aprendemos sobre as folhas de verificação e sua
importância na aplicação das demais ferramentas da qualidade que compõe o
controle estatístico do processo, para que você possa aplicar à realidade.
Vimos também sobre a estratificação como ferramenta. Afinal, temos de
saber o que queremos analisar. Observamos que os diferentes estratos nos levam
a caminhos diferentes de análises.
Discutimos sobre os tipos de amostras que temos e como tomá-las para que,
ao usar as demais ferramentas, possamos alcançar os objetivos necessários para
o crescimento de um setor ou empresa.
Você conheceu o princípio de Pareto, que é uma ferramenta muito utilizada
para ter a melhor tomada de decisão sobre determinado assunto.
71
Para o fechamento do capítulo, aprendemos como o diagrama de Pareto é

construído e a sua análise de forma simples e funcional.
Utilize estas ferramentas de forma assertiva para que a sua evolução pessoal e
profissional seja realizada com qualidade. O uso das ferramentas com o passar do
tempo será automático e o raciocínio para a resolução de problemas será rápido.
Ao fim desta unidade espero que você tenha absorvido conhecimentos sufi-
cientes para que sua jornada até seu objetivo seja de sucesso!
Bons estudos e vamos em frente.
Considerações Finais
72
1. Desenhe uma folha de verificação, usando um croqui, para registrar defeitos

na pintura de um carro em uma indústria automobilística.
2. Quais tipos de estratificação podem ser usados para estudar as causas de aci-
dentes de trabalho?
3. Explique o procedimento que pode ser usado para obter uma amostra casual
de 5 operários de uma fábrica com 100 operários.
4. Na tabela apresentada a seguir, é dada a frequência e o custo da recuperação de
móveis com defeitos, segundo o tipo de defeito, em 45 de 2.000 móveis produ-
zidos em uma fábrica. Faça um diagrama de Pareto para a frequência e outro
para o custo. Compare os diagramas.
Frequência e custo de recuperação de móveis com defeitos

Tipo de defeitos Frequência Custo por unidade (R$)
Parafusos 5 0,05
Dobradiças 2 0,05
Verniz 8 2,00
Pintura 10 1,00
Acabamento 20 4,50
Total 45
Fonte: o autor.
5. Os defeitos de transistores podem divididos em cinco classes. Em uma amostra

de 24 transistores foram observados 52 defeitos, distribuídos como mostra a ta-
bela a seguir. Desenhe o diagrama de Pareto.
Defeitos em transistores
Tipo de defeitos Número
Não funciona 22
Amperagem incorreta 16
Torto 3
Defeitos externos 9
Tamanho incorreto 2
Total 52
Fonte: o autor.
73
AUDITORIA DE GESTÃO: UTILIZAÇÃO DE INDICADORES DE GESTÃO NO SETOR

PÚBLICO
Os governos contemporâneos, através das entidades públicas enfrentam, na atualida-
de, grandes desafios. Momentos em que a crise mundial econômica, política e social se
traduzem na perda de legitimidade e credibilidade do povo, em seus gestores públicos,
surge a imperiosa necessidade de executar mudanças estruturais na forma tradicional
de administrar os recursos públicos e de prestar contas.
Hoje, inspirado pela crescente corrupção que atinge os países do mundo inteiro, impor-
tantes avanços têm sido alcançados em matérias de gestão pública e seu controle. Efe-
tivas técnicas gerenciais têm sido desenvolvidas, principalmente pelos países de língua
inglesa, através das Instituições Superiores de Auditoria, para medir, avaliar e controlar a
performance do gestor público.
Sistemas tradicionais de contabilidade, utilizados para medir e avaliar a gestão pública,
não dão suporte necessário para atingir uma eficiente, econômica e eficaz administra-
ção dos recursos públicos nem auxiliam aos gestores no processo de tomada de deci-
sões que permita, à entidade, dar respostas rápidas oportunas e adequadas frente a um
cenário em constantes mudanças.
O controle de gestão baseado na avaliação da legalidade das ações dos gestores públi-
cos e, em medições tradicionais exclusivamente sobre aspectos quantitativos (monetá-
rios e financeiros) da gestão, não é suficiente para suportar, adequadamente, o processo
de tomada de decisões. Aspectos qualitativos da gestão devem ser considerados, junto
aos primeiros, na avaliação da performance pública através dos indicadores de gestão.
Critérios de eficiência, eficácia e economia foram, até pouco tempo, quase exclusivos
das empresas do setor privado na medição dos resultados alcançados. Nas instituições
públicas, onde o ânimo de lucro é entendido como a satisfação das necessidades da
sociedade e os recursos administrados são cada vez mais limitados frente à crescente
população; resulta obrigatório a gestão sob estes critérios com a finalidade de otimizar
e maximizar os recursos utilizados na prestação de serviços e produção de bens de uso
público.
Fonte: Grateron (1999, p. 17).
Método Estatístico - Gestão da Qualidade para

Melhoria Contínua
José Fernando Machado
Editora: Saraiva
Ano: 2010
Sinopse: o livro foi desenvolvido para os profissionais que
atuam na área de qualidade ou têm interesse pelo tema. Traz,
ainda, de forma aplicada, os principais conceitos do método
estatístico e como aplicá-lo estrategicamente dentro das
organizações, o que facilita a compreensão do assunto.
Uma mente brilhante

Ano: 2002
Sinopse: John Nash (Russell Crowe) é um gênio da
matemática que, aos 21 anos, formulou um teorema que
provou sua genialidade e o tornou aclamado no meio
onde atuava. Mas aos poucos o belo e arrogante Nash
se transforma em um sofrido e atormentado homem,
que chega até mesmo a ser diagnosticado como
esquizofrênico pelos médicos que o tratam. Porém, após
anos de luta para se recuperar, ele consegue retornar à
sociedade e acaba sendo premiado com o Nobel.
O site do Instituto Brasileiro de Geografia e Estatística (IBGE), o qual é uma organização pública
responsável pelos levantamentos e gerenciamentos dos dados e estatísticas brasileiras, apresenta
estes dados para que sejam utilizados.
Link: <http://www.ibge.gov.br/>.
75
REFERÊNCIAS
GALIAZI, D. R.; SANTOS, E. A. A eficiência das ferramentas de qualidade no suporte

ao gerenciamento de projetos. In: Simpósio Internacional de Gestão de Projetos,
Inovação e Sustentabilidade, 4., 2015, São Paulo: Anais... São Paulo: UNINOVE, 2015.
GRATERON, I. R. G. Auditoria de gestão: utilização de indicadores de ges-

tão no setor público. Caderno de Estudos FIPECAFI, n. 21, maio/ago. 1999.
WERKEMA, M. C. Ferramentas estatísticas básicas para o ge-

renciamento de processos. Belo Horizonte: Werkema, 2006.
GABARITO
1. Croqui baseado na Figura 1 desta unidade.

2. A estratificação começa pela coleta de dados com perguntas do tipo: Os turnos
de trabalho diferentes podem ser responsáveis por diferenças nos resultados?
Os erros cometidos por empregados novos são diferentes dos erros cometidos
por empregados mais experientes? A produção às segundas-feiras é muito dife-
rente da dos outros dias da semana? Etc.
3. Pode-se utilizar o número de matrícula do colaborador como forma de escolha
aleatória e o comando aleatório do Excel para a seleção de 5 funcionários.

4.
Tipo de defeitos Frequência Frequências simples Frequência acumulada

(defeitos) (defeitos)
Acabamento 20 44% 44%
Pintura 10 22% 67%
Verniz 8 18% 84%
Parafusos 5 11% 96%
Dobradiças 2 4% 100%
Gráfico de Pareto - Quantidade de defeitos

50% 100%
45% 90%
40% 80%
35% 70%
30% 60%
25% 50%
20% 40%
15% 30%
10% 20%
5% 10%
0% 0%
Acabamento Pintura Verniz Parafusos Dobradiças
77
GABARITO
Custo x Frequência Frequência

Custo por
Tipo de Quanti- simples Acumulada
Frequência unidade
defeitos dade de (Custo x (Custo x
(R$)
defeitos Qualidade) Qualidade)
Acabamento 20 4,5 90 77,35% 77,35%
Verniz 8 2 16 13,75% 91,10%
Pintura 10 1 10 8,59% 99,70%
Parafusos 5 0,05 0,25 0,21% 99,91%
Dobradiças 2 0,05 0,1 0,09% 100,00%
Gráfico de Pareto - Custo x Quantidade de Defeitos

90% 100%
80% 90%
70% 80%
60% 70%
60%
50%
50%
40%
40%
30% 30%
20% 20%
10% 10%
0% 0%
Acabamento Verniz Pintura Parafusos Dobradiças
Fonte: o autor.
GABARITO
5.
Defeitos em transistores
Tipo de defeitos Número Frequência simples Frequência anulada
Não funciona 22 42% 42%
Amperagem incorreta 16 31% 73%
Torto 3 6% 79%
Defeitos externos 9 17% 96%
Tamanho incorreto 2 4% 100%
Total 52
Defeitos em transitores
45% 100%
40% 90%
35% 80%
30% 70%
60%
25%
50%
20%
40%
15% 30%
10% 20%
5% 10%
0% 0%
Defeitos Tamanho
Não funciona Amperagem Torto
externos incorreto
FERRAMENTAS DA
III
UNIDADE
QUALIDADE II
■■ Apresentar esta importante ferramenta e seus possíveis usos.
■■ Entender as diferentes aplicações desta ferramenta da qualidade.
■■ Aprender a construir e interpretar esta ferramenta.
■■ Apresentar a ferramenta e suas utilizações.
■■ Entender o comportamento dos dados para melhor tomada de
decisão.
Plano de Estudo
■■ Diagrama de causa e efeito
■■ Histograma
■■ Construção do histograma
■■ Diagrama de dispersão
■■ Interpretação do diagrama de dispersão
81
INTRODUÇÃO
Olá, caro(a) aluno(a)! Trataremos nesta terceira unidade de outras ferramentas

que são a base da qualidade e do controle estatístico do processo.
Quando iniciamos o estudo de um assunto em específico nos perguntamos
qual a importância deste para nossa formação profissional. A estatística trata da
coleta e a disposição dos dados, estabelecendo alguma conclusão confiável de
um fenômeno a ser estudado. Portanto medir dados e gerar uma informação
Em um primeiro momento, abordarei sobre o Diagrama de Pareto e sua

importância na aplicação da busca de variáveis que impactam no controle esta-
tístico do processo e na qualidade de produtos e serviços, sempre de uma forma
prática, para que você possa aplicar à sua realidade desde os primeiros instan-
tes de leitura da unidade.
Tratarei também sobre a ferramenta denominada Histograma. Uma fer-
ramenta muito utilizada por expressar rapidamente fatores que impactam na
qualidade, principalmente no que é relativo às quantidades e os posicionamen-
tos em uma distribuição de dados.
Discutiremos sobre as formas dos histogramas, o que cada um deles quer
nos apresentar e como montar esta importante ferramenta da qualidade.
O importante a partir deste momento é estar consciente que a qualidade está
em todos os lugares e nós somos agentes de melhoria, seja como quem fabrica ou
como consumidor, e este último é o maior interessado na melhoria da qualidade.
Você conhecerá o Diagrama de Dispersão e sua construção. Além disso, é
claro, no fechamento da unidade, aprenderemos como interpretar um Diagrama
de Dispersão.
Boa leitura!
Introdução
82 UNIDADE III
DIAGRAMA DE CAUSA E EFEITO
Caro(a) aluno(a), segundo Werkema (2006) o diagrama de causa e efeito é uma

ferramenta amplamente utilizada para apresentar uma relação existente entre
um resultado de um efeito (processo) e causas (fatores) que, por razões técni-
cas, possam afetar o resultado considerado.
Esta ferramenta é utilizada para sintetizar e apresentar as possíveis causas do
problema considerado e atua como um guia para identificação da causa central
do problema e as correções que devem ser aplicadas. O sucesso na realização de
um controle de qualidade efetivo tem relação com o bom uso deste diagrama
que pode ser visualizado na figura a seguir.
EFEITO
CAUSAS
Figura 1 - Diagrama de causa e efeito.
Fonte: o autor.
83
Como construir um diagrama de causa e efeito

Primeiramente, devemos estabelecer alguns critérios para que a construção de
um diagrama de causa e efeito seja eficaz em seu propósito de organizar as pos-
síveis causas de um efeito indesejado.
1) Envolver as pessoas que vivenciam o processo: a construção do diagrama

de causa e efeito terá maior efetividade se realizada por um grupo de pessoas
envolvidas com o processo. Essa participação deve ser a maior possível com
relação ao número de pessoas envolvidas, para a construção de um diagrama
completo que não omita causas que tenham importância. Uma técnica que pode
ser utilizada para o levantamento de causas é o brainstorming. O brainstorming
tem o objetivo de auxiliar um grupo de pessoas a produzir o máximo possível
de ideias em um curto período de tempo.
Esta técnica tem algumas regras gerais para que o procedimento seja reali-
zado com eficiência.
A condução de um brainstorming se inicia na escolha de um líder que dirige
as atividades do grupo de envolvidos no problema. Durante as reuniões, este
líder deve incentivar a participação dos membros do grupo e o processo de gera-
ção de ideias.
Todos os membros do grupo devem dar sua opinião sobre as possíveis cau-
sas do problema em foco. As ideias devem ser apresentadas naturalmente, à
medida que surgirem.
Nenhuma ideia deve ser criticada, pois as críticas podem inibir a participação
de alguns membros no momento do brainstorming. As ideias de menor viabi-
lidade devem ser eliminadas após a construção do diagrama de causa e efeito.
As ideias devem ser expostas em um quadro ou flip-chart, pois esta meto-
dologia facilita o enriquecimento de uma opinião inicial por meio de sugestões
dos outros participantes.
Uma última regra que deve ser observada durante um brainstorming é evi-
tar a tendência de culpar pessoas. Esta tendência é destrutiva e desvia do foco
da reunião, que consiste em descobrir as causas específicas de um problema.
Diagrama de Causa e Efeito

84 UNIDADE III
2) Defina o efeito do processo de forma clara: as características da qua-

lidade ou problema, é denominado efeito, do processo devem ser definidas de
forma concreta sendo indicado o que é, onde, como e quando ocorre. Só desta
forma o diagrama será realmente útil.
Pode ocorrer de a situação, que a princípio era definida como um único pro-
blema, ser subdividida em vários problemas menores após análise mais criteriosa.
3) Para cada interesse, um diagrama: diferentes efeitos de um processo

podem ter associados a eles distintos conjuntos de causas e, portanto, devem ser
analisados em diagramas separados.
4) Na maioria das situações, fatores como equipamentos, pessoas, insu-

mos, métodos, medidas e ambiente são candidatos naturais a constituírem as
causas primárias do diagrama de causa e efeito.
5) Segundo Werkema (2006), durante a construção do diagrama de causa e

efeito, com o objetivo de identificar as causas a serem relacionadas no diagrama,
devemos formular e responder a seguinte pergunta: “Que tipo de variabilidade
(nas causas) poderia afetar a característica da qualidade de interesse ou resultar
no problema considerado?”.
6) Cada causa tem um devido grau de importância, e este deve ser estabele-
cido com base em dados, não somente em experiência ou impressões subjetivas.
7) As causas e os efeitos devem ser mensuráveis. Quando isso não for possí-
vel, é importante encontrar alternativas que substituam e que sejam mensuráveis.
8) O diagrama de causa e efeito não tem a função na identificação, entre pos-

síveis causas, qual é a causa fundamental do problema considerado. Ele deve ser
utilizado para organizar as possíveis causas de um problema analisado, mas a des-
coberta da causa fundamental deve ser feita por meio de coleta e análise de dados.
85
Após estes critérios que foram estabelecidos e seguidos corretamente, pode-

-se dar início à confecção de um diagrama de causa e efeito, com os seguintes
passos, segundo Werckema (2006):
■■ Defina a característica da qualidade ou o problema a ser analisado. Escreva
a característica da qualidade ou problema dentro de um retângulo, à
direita. Trace a espinha dorsal, direcionada da esquerda para a direita.
Figura 2 - Eixo principal do diagrama

Fonte: o autor.
■■ Relacione as causas primárias que afetam a qualidade ou causam problemas.
Materiais Método Mão-de-obra
Problema
Figura 3 - Diagrama de Ishikawa

Fonte: o autor.
Diagrama de Causa e Efeito

86 UNIDADE III
■■ Relacione as causas secundárias que afetam as causas primárias dentro dos

retângulos. Nesta etapa, utilize o conhecimento disponível sobre os proces-
sos considerados e dados previamente coletados, ou colete novos dados.
■■ Registre outras informações que devam constar no diagrama, tais como
título, data de elaboração e responsáveis pela elaboração do diagrama de
causa e efeito.
Diagrama de Ishikawa nas investigações de acidentes do trabalho
A representação deste diagrama facilita não só a visualização do problema,
como a interpretação das causas que o originaram.
É necessária a participação de alguns colaboradores que conhecem o pro-
cesso de trabalho para darem sua opinião sobre o que pode ter acontecido
para o acidente ocorrer. Pois, nada melhor do que quem está envolvido de
fato no processo de trabalho para poder nos informar sobre esses fatores.
As causas
Quando iniciada a investigação, o EFEITO, ou seja, a CONSEQUÊNCIA do
ocorrido, deve ser registrado na CABEÇA DO PEIXE. E as suas possíveis
CAUSAS deverão ser registradas nas ESPINHAS.
Em geral quando se trata de um acidente, investigamos quatro causas:
1. O Ambiente de trabalho.
2. Os agentes materiais.
3. As características pessoais.
4. Organização de trabalho.
Na realidade, o diagrama de causas e efeitos usa seis “m” (mão de obra, mé-
todos, máquinas, meio ambiente, materiais e medidas), que é outra opção.
Fonte: Monteiro (2015, on-line)1.
87
HISTOGRAMA
O histograma é uma importante ferramenta

de análise a qual nós podemos utilizar nas
mais diferentes situações. A visualização
em um histograma se torna fácil e possibi-
lita a solução rápida de eventual problema.
Conceitos básicos
As características da qualidade associadas a todos os produtos gerados em

processos de produção e de serviços apresentam variabilidade. Mas, se o processo
estiver sob controle estatístico, o que significa estabilidade, apesar dos valores
se diferenciarem de um para outro, eles seguirão um padrão, o qual é denomi-
nado como distribuição. A distribuição é, então, o padrão de variação de todos
os resultados que podem ser gerados por um processo sob controle, ou seja, o
padrão de variação de uma população.
A quantidade de informação que existe em uma amostra é diretamente pro-
porcional à quantidade de dados nela contida. Para evitar tabelas muito longas e
proporcionar uma visão rápida e objetiva de um assunto, utiliza-se a ferramenta
histograma. Segundo Werkema (2006), o histograma é um gráfico de barras no
qual o eixo horizontal, subdividido em vários pequenos intervalos, apresenta os
valores assumidos por uma variável de interesse. Para cada intervalo, se constrói
uma barra vertical de área proporcional ao número de observações na amostra.
O histograma apresenta as informações de modo que é possível visualizar a
forma da distribuição de um conjunto de dados e a percepção da localização do
valor central e da dispersão dos dados em torno do valor central.
É também uma ferramenta efetiva em etapas de observação, análise e verifica-
ção, visando melhoria de resultados em etapas de ações corretivas e manutenção
de resultados.
Histograma
88 UNIDADE III
CONSTRUÇÃO DO HISTOGRAMA
Para a realização de um his-

tograma devemos analisar os
diferentes tipos de variáveis que
podem ser utilizados para um
problema.
Variáveis contínuas
São variáveis que podem ser
encontradas em um intervalo que
varia do infinito negativo ao posi-
tivo, dentro dos números reais.
O procedimento para a cons-
trução de um histograma de
variáveis contínuas se inicia com
uma coleta de dados referente à variável cuja distribuição será analisada. Sugere-se
que os dados, nominados n, sejam superiores a 50 para que possa ser obtido um
padrão representativo da distribuição.
Determine o número de intervalos ou classes (k). Para determinar o número
de intervalos, podemos utilizar a tabela a seguir.
Tabela 1 - Número de intervalos
TAMANHO DA AMOSTRA (N) NÚMERO DE INTERVALOS (K)

< 50 de 5 a 7
50 - 100 de 6 a 10
100 - 250 de 7 a 12
> 250 de 10 a 20
Na sequência, identifique o menor valor (MIN) e o maior valor (MAX) da amos-

tra e calcule a amplitude total dos dados (R) com a fórmula:
89
R = MAX – MIN
Depois de calculados R e k, determine a amplitude de classe, que é o tamanho

de cada intervalo.
h = R/k
O valor de h deve ser arredondado e deve ser um múltiplo inteiro da unidade

de medida dos dados da amostra.
Agora, o próximo passo é calcular os limites de cada intervalo. O primeiro

intervalo é calculado (limite inferior e superior, LI1 e LS1 respectivamente) com
o uso das seguintes fórmulas:
LI1 = MIN - (h/2)
LS1 = LI1+h
O segundo intervalo deve ser calculado da seguinte forma:
LI2 = LS1
LS2 = LI2 + h
Os intervalos seguintes deverão ser calculados com as fórmulas a seguir:
Limite inferior: LIi = LSi - 1

Limite superior: LSi = LIi + h
Os cálculos devem ser realizados até que seja obtido um intervalo que contenha
o maior valor da amostra (MAX) entre seus limites. O número final de interva-
los será igual a k+1.
Construa uma tabela de distribuição de frequências, constituída pelas colunas
número de ordem de cada intervalo (i) e limites de cada intervalo. Os intervalos
são fechados à esquerda e abertos à direita e deverão obedecer à notação repre-
sentada por este símbolo (˫).
Construção do Histograma
90 UNIDADE III
Na sequência da tabela devemos organizar as seguintes colunas: ponto médio

do i-ésimo intervalo xi = (LIi + LSi)/2; frequência (fi) do i-ésimo intervalo (a soma
dos valores de fi deve ser igual ao tamanho da amostra (n)); frequência relativa
fi/n do i-ésimo intervalo.
Com base na tabela e com a ajuda do software adequado faça a plotagem
do gráfico de barras. Registre as informações importantes que devam constar
no gráfico, tais como título, período de coleta dos dados e tamanho da amostra.
O exemplo a seguir pode ser trabalhado em qualquer tipo de processo
industrial ou de prestação de serviço. O importante é que sigamos os critérios já
apresentados anteriormente no decorrer desta unidade e o histograma extraído
será de grande valia para a melhoria dos resultados onde for aplicado.
A seguinte tabela indica o rendimento de determinada reação química em
um processo de fabricação de amaciante em 80 diferentes partidas consecutivas.
Tabela 2 - Medidas de rendimento (%) de uma reação química na fabricação de amaciantes
Medidas de rendimento (%) de uma reação química na fabricação de amaciantes
76,8 76,7 73,0 78,2 79,2 81,5 90,6 73,6

74,4 85,3 77,4 84,4 73,8 78,7 84,7 73,6
88,3 80,7 81,3 89,9 85,1 72,3 74,5 82,4
73,5 82,3 73,4 80,1 79,4 89,4 82,3 86,1
75,4 80,1 72,3 86,1 89,1 85,6 86,6 84,5
86,8 85,7 78,1 74,5 74,2 88,8 89,8 86,1
89,1 74,9 71,2 80,4 81,1 82,0 88,5 82,2
83,4 88,4 72,4 73,7 73,3 81,1 76,4 72,3
73,9 76,6 88,6 74,8 90,0 72,3 85,2 76,3
84,7 87,5 86,6 83,6 82,1 84,4 84,1 88,2
Fonte: o autor.
91
Com base no procedimento para construção de um histograma, podemos des-

tacar as seguintes etapas:
■■ Etapa 1: número de dados na tabela (n), n = 80.
■■ Etapa 2: número de intervalos (k), k = 8 conforme Tabela 1.
■■ Etapa 3: números mínimos (MIN) e máximo (MAX), sendo MIN = 71
e MAX = 90.
■■ Etapa 4: Amplitude R = MAX – MIN = 90 – 71 = 19.
■■ Etapa 5: comprimento de intervalo, h = R/k = 19 / 8 = 2,38. Arredondaremos

este valor para h = 2,5.
■■ Etapa 6: cálculo dos limites de cada intervalo, a ser demonstrado na
tabela a seguir.
■■ Etapa 7: definição do número final de intervalos: k + 1 = 9.
■■ Etapa 8: construção da tabela de distribuição de frequências.
Tabela 3 - Tabela para elaboração do histograma
Ponto Frequência Frequência

Intervalo( i )
médio relativa
69,8 ˫ 72,2 71,0 6 0,0750
72,2 ˫ 74,6 73,4 15 0,1875
74,6 ˫ 76,9 75,8 6 0,0750
76,9 ˫ 79,3 78,1 6 0,0750
79,3 ˫ 81,7 80,5 8 0,1000
81,7 ˫ 84,1 82,9 14 0,1750
84,1 ˫ 86,4 85,3 11 0,1375
86,4 ˫ 88,8 87,6 7 0,0875
88,8 ˫ 91,2 90,0 7 0,0875
Total 80 1
Fonte: o autor.
92 UNIDADE III
■■ Etapa 9: plotar o histograma.

Rendimento das reações - 04/05 a 26/06
16
14
12
10
8
6
4
2
0
71 73,4 75,8 78,1 80,5 82,9 85,3 87,6 90
Figura 4 - Rendimentos das reações
Fonte: o autor.

Observando o histograma, você pode obter uma visão geral das medidas de ren-
dimento da reação química:
■■ O gráfico não pode ser considerado simétrico.
■■ O histograma possui dois picos.
■■ Na obtenção desses dados, pode ter havido alguma discrepância em rela-
ção à coleta de dados, tais como turnos ou máquinas diferentes.
Dividir grandes problemas em menores permite que você tome decisões

com maiores chances de obterem o melhor resultado.
93
COMO INTERPRETAR OS HISTOGRAMAS
Existem os mais diversos tipos de histogramas que podem ser utilizados para
análise nas mais diferentes situações. Vejamos alguns exemplos a seguir.
Tipos de histogramas
Algumas formas típicas de histogramas podem ocorrer, e estas situações são des-
critas com base no trabalho de Kume (1993) e Ishikawa (1989) (apud Werkema
2006).
Histograma simétrico
Neste tipo de histograma o valor médio dos dados é localizado em seu centro.
A frequência é mais alta no centro e diminui gradativamente e de forma simé-
trica em direção aos extremos do gráfico.
A ocorrência deste tipo de gráfico se deve à variável contínua e sem restri-
ções para os valores que ela pode assumir. O processo ao qual a variável está
associada é estável.
Figura 5 - Histograma simétrico

Fonte: o autor.
Histograma assimétrico
O valor médio dos dados está fora do centro do histograma. A frequência dimi-
nui gradualmente, e não de modo abrupto. Este tipo de gráfico é usualmente
encontrado quando não é possível que a variável assuma valores mais altos ou
mais baixos do que um determinado limite.
94 UNIDADE III
Figura 6 - Histogramas assimétricos

Fonte: o autor.
Histograma do tipo despenhadeiro
O valor médio dos dados neste tipo de histograma localiza-se fora do centro e a
frequência diminui de forma abrupta em um ou dois lados do gráfico.
Figura 7 - Histograma despenhadeiro

Fonte: o autor.
Histograma “ilhas isoladas”

O gráfico possui algumas classes afastadas que ficam fora do padrão simétrico
da figura. Quando dados provenientes de uma distribuição diferente da maior
parte das medidas também são utilizados na construção do gráfico, são associa-
dos a uma irregularidade, erros de medida ou de registro de dados.

Figura 8 - Histograma ilhas isoladas

Fonte: o autor.
95
Histograma bimodal
A frequência é baixa no centro do histograma e existe um pico à direita e outro
à esquerda do gráfico.
Ocorre quando dados provenientes de duas distribuições possuem médias
diferentes e são agrupados no mesmo conjunto de dados. Isso é comum de acon-
tecer quando junta-se dados de diferentes máquinas ou turnos.
Figura 9 - Histograma bimodal

Fonte: o autor.
Histograma tipo platô

Neste tipo de gráfico, todas as classes possuem aproximadamente a mesma fre-
quência, com exceção das extremidades do gráfico, que possuem frequências
mais baixas.
Pode ocorrer quando são agrupados dados de diferentes distribuições que
possuem a mesma média.
Figura 10 - Histograma tipo platô

Fonte: o autor.
96 UNIDADE III
COMPARAÇÃO DE HISTOGRAMAS COM LIMITES DE

ESPECIFICAÇÃO
A comparação entre histogramas com os limites de especificação estabeleci-
dos para uma característica da qualidade de interesse nos permite responder se
o processo é capaz de atender às especificações, se a média da distribuição das
medidas está no centro da faixa de especificação e se é necessário adotar alguma
medida para a redução de variabilidade do processo.
Medidas de locação e de variabilidade
Conforme vimos anteriormente, o histograma é como um resumo de um con-
junto de dados, no qual vemos qual a forma de distribuição e localização do
valor central e a dispersão em torno deste valor. Isso não dispensa a disposição
de dados em formato numérico. Estes dados numéricos de extrema importância
nas análises são medidas para quantificarmos onde se localiza o centro da distri-
buição de dados (locação) e a dispersão dos dados (variabilidade).
São medidas de locação a média (x) e a mediana (x). Assim como as medi-
~
das de variabilidade são o desvio padrão (s) e a amplitude (R).

A forma de cálculo das medidas relacionadas tem um procedimento que deve
ser seguido. A notação utilizada neste procedimento, x1, x2, ..., xn, representa
as medidas da variável de interesse, realizadas para uma amostra de tamanho
n extraída de uma população qualquer considerada, e xi é a i − ésima maior
observação da amostra.
Fórmula para cálculo da medida de locação: média
n
x1+ x2+ …+xn 1 ∑
x= n = n xi
ni=1
x + x + …+xn
x = 1 2n = 1n ∑ xi
Caso especial: quando os dados estão agrupados em uma
x f + x f + …+x f i=1 n tabela de distribuição
1
x com
de frequências = k intervalos,
1 1 2 2
n
n n
= n ∑
a média é calculada por:x f
i i
ni=1
x f + x f + …+xn f n
x = 1 1 2 2n = 1n ∑ xi f i
i=1
xn/2+ x(n/2)+1
x̃ = 2
xn/2+ x(n/2)+1
x̃ = 2
x̃ = x(n+1)/2
n
x1+ x2+ …+xn 1 ∑
97
x= n = n xi
i=1
n
x1+ x2+ …+xn 1 ∑
x= n = n xi
n
x f + x2f 2+ de
…+x 1 i=1
n f n mediana
∑ xi f i
x = 1da1 medida
Fórmula de cálculo
n
locação:
= n
1º caso: quando é par, o valor é a média aritmética simples dos valo-
i=1
n
res centrais, quando osxdados
f + xestão
f + dispostos
…+xn f n em ordem crescente:
x = 1 1 2 2n = 1n ∑ xi f i
xn/2+ x(n/2)+1 i=1
x̃ = 2
xn/2+ x(n/2)+1
x̃ =
2º caso: quando é ímpar, o valor 2 é o valor central quando os dados
estão dispostos em ordem x̃ = x(n+1)/2
crescente:
x̃ = x(n+1)/2
Para o cálculo de medidas de variabilidade, como por exemplo a amplitude, uti-
liza-se a seguinte fórmula:
R = maior valor da amostra − menor valor da amostra
E calcula-se o desvio padrão com a utilização da seguinte fórmula:

n
√ ∑ (xi − x)2
1
s= n−1
n
√
1 ∑ i=1
s= n−1 (xi − x)2
Se os dados estão agrupados em uma i=1 tabela de distribuição de frequências com
k intervalos, o desvio-padrão é calculado por:
√
k 2
1 ∑ 2
s= x f − n(x )
√
k i i
1 n−1
2
s= n−1
∑ xi=1
2 f − n(x )
i i
i=1
n
1n 6435,25
x
x=
=1 ∑n
∑ x
x f =
i f =
6435,25
i 8080, 4=
= 4%
80, 4 4 %
n i i
i=1 80
i=1
x + xx(n/2)+1
n/2+ x(n/2)+1 81,5+ 81,3
81,5+ 81,3
x̃ = x̃ n/2
= 2 2
= = 2 =281, 4 % = 81, 4 %
98 UNIDADE III
Exemplos:
Cálculo da média com base em exemplo anterior.
Tabela 4 - Cálculo da média
Intervalo (i) Ponto médio xi Frequência fi xi fi x2i fi
1 71,0 6 426,00 30246,00

2 73,4 15 1100,63 80758,36
3 75,8 6 454,50 34428,38
4 78,1 n 6 468,75 36621,09
√
1 2
5 s= 80,5
n−1
∑ (xi −8x) 644,00 51842,00
6 82,9 i=1 14 1160,25 96155,72
7 85,3 11 937,75 79943,19
8 87,6 7 613,38 53746,98
√
9 90,0 k 7 2630,00 56700,00
1 ∑
Total s=
n−1 xi 2 f80i − n(x )6435,25 520441,72
Fonte: o autor. i=1
Cálculo da média:
n
1 6435,25
x= n
∑ xi f i = 80 = 80, 44 %
i=1
Cálculo da mediana:
xn/2+ x(n/2)+1 81,5+ 81,3
x̃ =
Tabela 5 - Rendimento (%) de uma reação química na fabricação de amaciantes
2 = 2 = 81, 4 %
Medidas de rendimento (%) de uma reação química na fabricação de amaciantes

71,2 73,6 74,9 78,7 81,5 84,4 86,1 88,5
72,3
R =73,6
maior 75,4
valor da79,2 82
amostra − m84,4 86,1
enor valor 88,6
da amostra = 90, 6 − 71
72,3 73,7 76,3 79,4 82,1 84,5 86,1 88,8
√
72,3 73,8 76,4 k 80,1 82,2 84,7 86,6 89,1
√
2
72,3 s =73,9 1
76,6∑ xi 80,1
n−1
2fi − n(x82,3
) = 1
84,780−1 [520441,
86,6 789,1
2− (80)(80, 44)2]
i=1
w = [n − 1]/4
99
72,4 74,2 76,7 80,4 82,3 85,1 86,8 89,4

73 74,4 76,8 80,7 82,4 85,2 87,5 89,8
73,3 74,5 77,4 81,1 83,4 85,3 88,2 89,9
73,4 74,5 78,1 81,1 83,6 85,6 88,3 90
73,5 74,8 78,2 81,3 84,1 85,7 88,4 90,6
Fonte: o autor.
√
2
1 ∑ de forma crescente,
s = organizados
Após os dados da tabela estarem
n−1 (x i − x) e como se trata
de um número par de dados coletados, faz-se
i=1 a utilização da seguinte fórmula:
xn/2+ x(n/2)+1 81,5+ 81,3

x̃ = = = 81,2 4%
√
2 k 2
1 ∑ xi 2 f i − n(x )
s= n−1
Cálculo da amplitude:
i=1
R = maior valor da amostra − menor valor da amostra = 90, 6 − 71, 2 = 19, 4%
n
Cálculo do desvio padrão: 1 6435,25
x= n
∑ xi f i = 80 = 80, 44 %
√
k i=1
√
2
s= 1
n−1 ∑ xi2f i − n(x ) = 1
80−1 [520441, 72 − (80)(80, 44)2] = 5, 95%
i=1
xn/2+ x(n/2)+1 81,5+ 81,3
x̃ = 2 = 2 = 81, 4 %
Outras medidas de locação e variabilidade.
w = [n − 1]/4
Quartis
Comparados à mediana, R= maior
que valor
divide da amostra
o conjunto − menor
de dados em duas valor da amostra
metades, os = 90, 6 − 71
Q 1 =
quartis
x
são(w) e Q = x
cada uma3 das quatro
(3w) partes do conjunto de dados original. Os quartis
√
k
√
são representados por Qsn, = onde n indica cada 2
1
n−1 ∑ xi2f i um dos)quartis
− n(x = numerados
1 de 1 a 4. 2
80−1 [520441, 72 − (80)(80, 44) ] =
Q1 =Para o+
x(20) cálculo
0, 25 dos
(x(21)quartis,
− x(20)deve-se
) = 76, arranjar
i=14 + 0, 25os dados
(76, 6 − 7em
6, 4forma crescente
) = 76, 45% e
utilizar a seguinte fórmula:
w = [n − 1]/4
Q1 = x(w) e Q3 = x(3w)
[80+1]
n = 80 e então o w = 4 = 2Construção
0, 25 . do Histograma
√
k xn/2+ x(n/2)+1 81,5+ 81,3
x̃ = ) = = = 91 0,[520441,
26 − 71,=2 8=71,2149,
√
2
100
R =U m aior valor
N I D A D E III
da amostra
s= − 1menor
∑ x f − da
n−1
valor
2
2 amostra
n(xi i 80−1 −%4(80)(80,
% 44)2] =
R = maior valor
i=1 da amostra − menor valor da amostra = 90
√
k
√
2
s= 1
∑ xi2f i − n(x ) = 1
80−1 [520441, 72 − (80)(80, 44)2] = 5, 95%
√
n−1
i=1 k
√
1 1 2
R =s m
=aior x]/4
i fi − −
−∑1amostra n(x ) =valor80−1 [520441,
= 970,26−−(780)(80
2
w =valor
[n da
n−1 menor da amostra 1, 2 =
i=1
Se w é um inteiro, então:
√w = [n − 1]/4
w = [n − 1]/4 k
√x(3w) [520441, 72 − (80)(80, 44) ] = 5,

1 2 1 2
s= Q 1n−1=∑ xxi2f i −e n(xQ) =
i=1 (w)
=
3 80−1
Q1 = x(w) e Q3 = x(3w)
Se w não é um inteiro, podemos utilizar uma interpolação linear. Vejamos o
n = 80 e então o w = [80+1] = 20, 25 .
wno
seguinte cálculo baseado = exemplo
[n − 1anterior
]/4 - o da concentração
4 do amaciante.
n = 80
Neste e entãooon=
exemplo, w 80 [80+1]
= e então Q = x
4 1= o20,w2=5 . e = 20,25.
(w) 3 Q = x
(3w)
Q1 = x(20) + 0, 25 (x(21) − x(20)) = 76, 4 + 0, 25 (76, 6 − 76, 4) = 76
Q = x = 76,
Q1 = x(20) + 0, 25 (x(21) 1− x(20))(w)
e Q3 = x(3w)
4 + 0, 25 (76, 6 − 76, 4) = 76, 45%
Qn3 == x80 (60) e+ então
0, 75 (x w −= x[80+1]
o(61) (60)
4
) ==85, 20,7 2+50., 75 (86, 1 − 85, 7) = 86
Podemos assim calcular o
Q3 = x(60) + 0, 75n(x=(61)80 Q , onde
− ex3(60) 3w
) = o85,
então =3.20,25
w7=+ 0,475 =
[80+1] = 60,75.
(86,
20,1 2−58.5, 7) = 86%
Q3 = x(60) + 0, 75sQ
(x
2 1(61) x(20)
==(−5,x9 5)+) 2=0,
(60) 2355,
=85, 7(x
+4(21)
00, 7(%) x2(20)
5− (86, 1 )−=85,76,
7) =4 + 0, 25 (76, 6 − 76,
86%
2 2 Q1 = x(20) + 0,2 25 (x(21) − x(20)) = 76, 4 + 0, 25 (76, 6 − 76, 4) = 76, 45
s = (5, 95) = 35, 40 (%)
= (5, 95)2 = 35, 40 (%)2
s2Variância
Q=3 x= x+(60) + 50,
(x7
5,95 5 −(x(61) −) =x(60)) = 85,
, 75da7(86,
+ 01,−7855,(86,
7) =1 86%
− 85,
A variância Qao
s és igual 3C
5,95 = xs 0,do
V (60)
quadrado =7desvio = x0(60) 74 85,
, 0sendo
(61)padrão, 77,+40%
=calculada seguinte
CCVV= =x = 80,44 = 0, 074 = 7, 4%
forma:
80,44
x
s = (5, 95) = 35, 40 (%)=29, 55%

= 32=
2 2
s H=2 =(5,Q95)
s25,95 − Q 5,8460 −(%)
7 6, 45
HC=VQ=
3 −x Q
=1 =80,44
86 −=7036,, 0474
5 =1=97 4%
, 5, 5%
Note que a unidade

H =CQ Qde
V 3=− xsC V
1
medida
== 86C
s −
= 6, 4xs 55,95
Vdas7variância
=5,95 ==0é igual
90, 74
,
ao quadrado de medida dos
55% = 7, 4%
dados originais. CV =
x 80,44
x = 80,44 = 0, 074 = 7, 4%
Hvariação
Coeficiente de = Q3 −(CV)Q1 = 86 − 76, 45 = 9, 55%
H = Q − Q = 86 − 76, 45 = 9, 55%
O coeficiente de variação é uma medida que expressa a variabilidade em termos
relativos, de forma a comparar3o desvio padrão
1 com a média.
s
CV = x
s
CV = x
QQ
1=
x(w)
1 =x(20) e 2Q
+ 0, 5 3(x=(21)x(3w)
− x(20)) = 76, 4 + 0, 25 (76, 6 − 76, 4) = 76,
101
[80+1]
n Q= 80 e então o w = 4 =−20,x25 .) = 85, 7 + 0, 75 (86, 1 − 85, 7) = 86%
3 = x(60) + 0, 75 (x (61) (60)
Q1 = x(20) + 0, 25 (x(21) − x(20)) = 76, 4 + 0, 25 (76, 6 − 76, 4) = 76, 45%

Este coeficiente 2deve expressar 2a variabilidade em termos
2 relativos porque, por
s = (5, 9 5) = 3 5, 4 0 (%)
exemplo, um desvio padrão igual a 1 pode ser muito pequeno comparado a uma
Q3 = x(60) + 0, 75 (x(61) − x(60)) = 85, 7 + 0, 75 (86, 1 − 85, 7) = 86%
ordem de 50.000 dados, por exemplo.
s 5,95
s2 C
=V(5,=95)x2 =
= 380,44 = 02, 074 = 7, 4%
5, 40 (%)
Faixa Interquartílica (H)

H
É a diferençaCentre
V = Q
s
x =
Q1==0,80674quartis.
3 −80,44
=o terceiro
5,95
e o primeiro
−=776,, 44%5 = 9, 55%
V1 = 8s6 − 76, 45 = 9, 55%

H = Q3 −CQ
x
s
CV = x
DIAGRAMA DE DISPERSÃO
Caro(a) aluno(a), segundo Werkema (2006), o diagrama de dispersão é um grá-

fico utilizado para a visualização do tipo de relacionamento existente entre duas
variáveis.
A compreensão dos tipos de relações que existem entre diferentes variáveis,
associadas de algum modo em um processo, contribui para o aumento da efici-
ência dos métodos de controle do processo, bem como a detecção de possíveis
causas e a tomada de decisão para as devidas tratativas ou melhorias a serem ado-
tadas. O diagrama de dispersão é uma ferramenta simples que auxilia o estudo
das diferentes relações, e por este motivo é largamente utilizado.
Podemos relacionar o número de defeitos por dia, em determinada linha de

montagem, com uma segunda linha de montagem.
Diagrama de Dispersão
102 UNIDADE III
O diagrama de dispersão pode ser

usado para o estudo da relação entre
uma característica de qualidade e
um fator que possa ter efeito sobre
a mesma, duas características apa-
rentemente distintas e dois fatores
que possam ter efeito sobre uma
característica.
As alterações em um processo
são provenientes de uma de suas
variáveis como consequência de
alterações sofridas por outra variá-
vel. Podemos estar interessados no
rendimento de uma reação química
no momento do tratamento de um efluente, ou ainda controlar a resistência que
determinado material tem depois de produzido. Neste segundo exemplo, geral-
mente são utilizados ensaios destrutivos, os quais perdem a peça produzida. Para
que não seja destruído o produto produzido, pode-se relacionar a resistência à
dureza do material. Então podemos, por meio da relação entre dureza x resis-
tência, com o auxílio do diagrama de dispersão, realizar este estudo.
Um exemplo da aparência de um diagrama de dispersão é apresentado na
figura a seguir.
103
45.00
40.00
35.00
30.00
25.00
20.00
15.00
10.00
5.00
0.00
0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00 40.00
Figura 11- Diagrama de dispersão

Fonte: o autor.
Neste gráfico, os pontos representados formam um padrão de agrupamento, no

qual o aumento de uma variável implica em um aumento na segunda variável.
As duas variáveis apresentadas em um diagrama de dispersão podem ser:
■■ Duas causas de um processo. Como temperatura e a concentração de
determinado elemento químico.
■■ Uma causa e um efeito de um processo. Na fabricação do aço líquido, o
tempo de sopro de oxigênio influencia no teor de carbono do aço.
■■ Dois efeitos de um processo.
Como construir um diagrama de dispersão

O procedimento para a construção de um gráfico de dispersão é bem simples.
No entanto, assim como outras ferramentas apresentadas, o uso de um software
para geração dos gráficos agiliza a tarefa e sua análise.
1. Colete ao menos 30 pares de observações (x,y) das variáveis cujo relacio-
namento será estudado.
2. Registre em uma tabela.
104 UNIDADE III
3. Escolha a variável que será representada no eixo horizontal x. Esta vari-

ável deve ser considerada a preditora da segunda variável, a qual será
plotada no eixo y.
4. Determine os valores máximo e mínimo de cada variável.
5. Quando há pares de observação repetidos, indique este fato sobrepondo
os marcadores de forma legível.
6. Registre as informações importantes que devem constar no gráfico: título,
período de coleta de dados, número de pares observados, identificação e
unidade de medida de cada eixo e identificação do responsável pela cons-
trução do diagrama.
Utilizaremos o exemplo de uma fabricante de móveis que tem um problema de

elevado índice de refugo de determinada peça em um produto. A maior parte
das peças era considerada defeituosa pelo fato de estarem cortadas fora do esqua-
dro. A princípio, o corpo técnico da empresa relacionou variação de corte das
peças com a variação tensão na rede elétrica. Para isso, foram coletados os dados
sobre a tensão na rede elétrica (x) e a variação no corte (y), os quais estão apre-
sentados na tabela a seguir.
Tabela 6 - Medidas de tensão na rede elétrica x Variações no corte
Medidas de tensão na rede elétrica (Volts) e

Variação no corte (mm)
Medição (i) Tensão na rede elétrica (V) Variação do corte (mm)
1 222,70 15,7
2 217,70 17,0
3 219,40 16,3
4 220,90 16,1
5 214,40 18,6
6 216,50 17,8
7 213,00 19,5
8 221,70 16,0
105
9 224,70 15,3
10 215,50 18,3
11 220,00 16,3
12 218,60 16,7
13 223,50 15,7
14 217,00 17,4
15 221,50 16,1
16 218,40 16,8
17 213,60 19,3
18 221,20 16,2
19 219,90 16,2
20 222,20 15,9
21 213,90 19,1
22 216,00 18,0
23 218,10 17,0
24 222,00 16,0
25 224,10 15,4
26 215,00 18,6
27 214,20 18,7
28 223,30 15,6
29 216,70 17,6
30 215,30 18,5
31 223,80 15,5
32 220,60 16,1
33 215,80 18,2
34 217,30 17,3
35 219,20 16,5
Fonte: o autor.
106 UNIDADE III
A variável tensão na rede elétrica foi escolhida para ser representada no eixo x,
pois suspeitava-se que esta pudesse ser a causadora da variação do corte.
Deve-se encontrar o mínimo e o máximo de cada uma das variáveis:
Tabela 7 - Tabela de mínimo e máximo
Tensão na rede elétrica (V) Variação do corte (mm)

Mínimo 213,00 15,30
Máximo 224,70 19,50
Fonte: o autor.
Com base nos dados apresentados, é possível plotar o gráfico com o auxílio de
softwares.
Período de coleta dos dados - 02/03/2003
a 13/03/2003
25.0
Variação no corte ( mm)
20.0
15.0
10.0
5.0
0.0
206.00 208.00 210.00 212.00 214.00 216.00 218.00 220.00 222.00 224.00 226.00
Tensão (V)
Figura 12 - Medidas de tensão na rede elétrica x Variações no corte

Fonte: o autor.
O diagrama anterior forneceu as seguintes informações:

■■ Uma associação negativa entre as variáveis analisadas, já que maiores valo-
res para a tensão, correspondem a menores valores de variação no corte.
■■ Relação entre as duas variáveis linear.
■■ Relação forte visualizada no gráfico, com uma faixa de dispersão estreita.
107
INTERPRETAÇÃO DE DIAGRAMAS DE DISPERSÃO
Caro(a) aluno(a), o padrão visualizado em um diagrama de dispersão fornece a

relação existente entre as variáveis consideradas em uma análise.
Elevada Correlação Positiva Fraca Correlação Positiva

Elevada Correlação Fraca Correlação Ausência de

Negativa Negativa Correlação
Figura 13 - Tipos de correlações

Fonte: adaptada de Montgomery (2009).
Na figura anterior temos cinco diagramas que exemplificam, de forma geral,

como um diagrama de dispersão pode se apresentar. Quando um diagrama apre-
senta elevada correlação positiva entre as variáveis, significa que, se a variável x
aumenta, consequentemente o mesmo acontece com a variável y. Isso pode ser
relacionado, por exemplo, quando há o aumento de temperatura e o volume de
um gás se expande. Quando ocorre uma fraca correlação positiva, consegue-
-se visualizar o aumento de y em relação ao de x, porém essa relação é muito
menos clara.
Quando não há correlação entre x e y, os valores assumidos por uma variá-
vel não estão relacionados com outra. Caso isso aconteça na comparação entre
dados experimentais e dados de determinado ensaio, a tendência é que algo
esteja errado.
No caso de uma correlação negativa fraca, a correlação é que y tende a dimi-
nuir com o aumento de x, mesmo que não esteja tão clara esta relação. E uma
Interpretação de Diagramas de Dispersão

108 UNIDADE III
forte correlação negativa entre as variáveis é nítida, pois são menores os valores
de y, enquanto x aumenta.
Ao analisar um diagrama de dispersão, a primeira providência consiste em
verificar se não há pontos que demonstrem comportamentos atípicos. Estes pon-
tos devem ser analisados com cuidado, pois refletem situações pouco comuns
que podem ou não fornecer informações importantes sobre o objeto analisado.
CONSIDERAÇÕES SOBRE O USO DE DIAGRAMAS DE DISPERSÃO
Algumas considerações devem ser levantadas para que o uso do diagrama de
dispersão seja eficaz e eficiente. Vejamos a seguir quais são estas considerações.
Relação de causa e efeito entre variáveis

A existência de correlação entre variáveis não implica em uma relação de
causa e efeito entre x e y. Para que seja visualizada de forma mais clara a afirma-
ção anterior, Montgomery (2009) construiu uma tabela que mostra o número de
doentes mentais no Reino Unido por 10.000 habitantes (y) e o número de apa-
relhos de rádio naquele país (x) em um determinado número de anos.
Tabela 8 - Relação entre causas e efeitos entre variáveis
Dados que ilustram a presença de correlação e ausência de relacionamento de causa e efeito

entre duas variáveis
Número de doentes mentais
Número de aparelhos de rádio
Ano no Reino Unido a cada
no Reino Unido (milhões)
10000 habitantes
1 8 1,35
2 8 1,93
3 9 2,27
4 10 2,48
5 11 2,73
6 11 3,09
109
7 12 3,65
8 16 4,62
9 18 5,5
10 19 6,26
11 20 7,01
12 21 7,62
13 22 8,13
14 23 8,59
Fonte: adaptada de Montgomery (2009).
Após a tabela montada, plotou-se um diagrama de dispersão:

25
Número de doentes mentais no Reino
Unido a cada 10000 habitantes
20
15
Número de doentes
10 mentais no Reino
Unido a cada 10000
habitantes
5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Número de aparelhos de rádio no Reino Unido
Figura 14 - Gráfico da correlação entre número de doentes mentais e o número de aparelhos de rádio no
(milhões)
Reino Unido
Observando o gráfico fica claro que, à medida que x aumenta, y varia de

acordo com um padrão curvilíneo. No entanto, este exemplo chama a atenção
para que os diagramas de dispersão não possam ser válidos para a realização de
extrapolações fora do intervalo de variação das variáveis consideradas no estudo.
É sempre aconselhável que o intervalo de variação seja maior que a faixa usual
de operação do processo.

110 UNIDADE III
Estratificação
Quando houver um ou mais fatores de estratificação no estudo realizado,
segundo Werkema (2006), importantes informações podem ser obtidas a partir
de um diagrama de dispersão, se os diferentes níveis destes fatores forem iden-
tificados por meio de cores, símbolos distintos ou divisão dos estratos.
Coeficiente de correlação linear

Para uma avaliação do tipo de relacionamento existente entre duas variáveis
de interesse em termos quantitativos, pode-se calcular o coeficiente de correlação
linear r, o qual permite este objetivo. Para o cálculo deste coeficiente, utilizare-
mos o seguinte procedimento:
1. Coletar 30 pares de observações (x,y) das variáveis.
2. Registrar os dados em uma tabela.
nn nn nn 22
2 1
3. Calcular SSxx == n ∑ (xii − 2 x) n = 2∑
2 ∑ xx12i −−n 1n ((∑∑xxi )i )
2 2
S xxxx= ∑i=1 (x
i=1 i
− x) = ∑ x − i ( ∑ xni ) i=1
i=1
ii=1 n i=1
i=1 i=1 i=1
n nn 2 nn 22
n 2n 2 n
1
4. Calcular SSSyyyy = ∑∑(y(y
yy== − y) = ∑
2 ∑ yy −− nni )((∑∑yyi )i )
12
i −i y) = ∑ yi − nii ( ∑ y
2 1
i=1
i=1 i=1 i=1i=1 i=1 i=1
i=1
nn n nn n nnn nn
∑ (xi − x) (yi − y) = ∑ xi y∑− x1ny( ∑− xi1)1((∑
5. Calcular SSSxyxyxy=== i=1
∑ (xi − x) (yii −− y)
y) = i∑
i=1 = xi yii=1 (∑∑yxi )xi )i )( (∑∑yiy)i )
i − nn i=1
i
i=1
i=1 i=1
i=1 i=1
i=1 i=1
i=1
6. Calcular o coeficiente de correlação linear r:

Sxy
r=
Sxx.Syy
O valor de r deve pertencer ao intervalo -1 ≤ r ≤ 1.

7. Interpretar o valor de r:
Valores próximos de 1 indicam forte correlação linear positiva entre x e y.
Valores próximos de -1 indicam forte correlação linear negativa entre x e y.
111
Valores próximos de 0 indicam fraca correlação linear entre x e y.
Com base no exemplo em que foi tratada a correlação entre tensão elétrica e
tamanho das peças, obtemos a seguinte tabela:
Tabela 9 - Medidas de tensão na rede elétrica e a variação no corte
Medidas de tensão na rede elétrica (Volts) e Variação no corte (mm)

Medição (i) Tensão na rede Variação do xi2 yi2 xiyi
elétrica (V) corte (mm)
1 222,7 15,7 49595,29 246,49 3496,39
2 217,7 17 47393,29 289 3700,9

3 219,4 16,3 48136,36 265,69 3576,22
4 220,9 16,1 48796,81 259,21 3556,49
5 214,4 18,6 45967,36 345,96 3987,84
6 216,5 17,8 46872,25 316,84 3853,7
7 213 19,5 45369 380,25 4153,5
8 221,7 16 49150,89 256 3547,2
9 224,7 15,3 50490,09 234,09 3437,91
10 215,5 18,3 46440,25 334,89 3943,65
11 220 16,3 48400 265,69 3586
12 218,6 16,7 47785,96 278,89 3650,62
13 223,5 15,7 49952,25 246,49 3508,95
14 217 17,4 47089 302,76 3775,8
15 221,5 16,1 49062,25 259,21 3566,15
16 218,4 16,8 47698,56 282,24 3669,12
17 213,6 19,3 45624,96 372,49 4122,48
18 221,2 16,2 48929,44 262,44 3583,44
19 219,9 16,2 48356,01 262,44 3562,38
20 222,2 15,9 49372,84 252,81 3532,98
21 213,9 19,1 45753,21 364,81 4085,49
22 216 18 46656 324 3888
23 218,1 17 47567,61 289 3707,7

112 UNIDADE III
24 222 16 49284 256 3552

25 224,1 15,4 50220,81 237,16 3451,14
26 215 18,6 46225 345,96 3999
27 214,2 18,7 45881,64 349,69 4005,54
28 223,3 15,6 49862,89 243,36 3483,48
29 216,7 17,6 46958,89 309,76 3813,92
30 215,3 18,5 46354,09 342,25 3983,05
31 223,8 15,5 50086,44 240,25 3468,9
32 220,6 16,1 48664,36 259,21 3551,66
33 215,8 18,2 46569,64 331,24 3927,56
34 217,3 17,3 47219,29 299,29 3759,29
35 219,2 16,5 48048,64 272,25 3616,8
7657,7 595,3 1675835 10178,11 130105,3
Fonte: o autor.
A partir dos resultados obtidos na tabela, pode-se calcular:
7657,72
S xx = 1675835 − 35 = 395, 877
595,32
S yy = 10178, 11 − 35 = 52, 907
7567,7 . 595,3
S xy = 130105, 3 − 35 = − 141, 237
− 141,237
r= = − 0, 98
√396,635 . 52,907
Como r = - 0,98, um valor muito próximo de -1, conclui-se que existe uma forte
correlação negativa entre a tensão na rede elétrica e a variação no corte das peças.
113
Caro(a) aluno(a), tratamos nesta terceira unidade de outras ferramentas que são
a base da qualidade e do controle estatístico do processo.
Lembre-se que a estatística trata da coleta e da disposição dos dados, esta-
belecendo uma conclusão confiável de um fenômeno a ser estudado. Portanto,
medir dados e gerar uma informação que seja a base de uma ótima tomada de
decisão são extremamente importantes.
Em um primeiro momento, estudamos sobre o diagrama de causa e efeito
e sua importância na aplicação, buscando variáveis que impactam no controle

estatístico do processo e na qualidade de produtos e serviços, sempre de uma
forma prática, para que você possa aplicar à sua realidade desde os primeiros
instantes de leitura da unidade.
Vimos também sobre a ferramenta denominada Histograma, talvez uma
das mais importantes do Controle Estatístico do Processo (CEP). Esta é uma
ferramenta muito utilizada por expressar rapidamente fatores que impactam na
qualidade, principalmente no que é relativo às quantidades e aos posicionamen-
tos em uma distribuição de dados.
Discutimos sobre as formas dos histogramas, o que cada um deles quer nos
apresentar e como montar esta importante ferramenta da qualidade. Essa ferra-
menta, que você poderá utilizar para registrar em função do tempo, a evolução
de um fenômeno dentro de um processo, ou as frequências de vários fenôme-
nos em um momento ou período definido.
Você conheceu o Diagrama de Dispersão, sua construção e como interpre-
tá-lo. Esta ferramenta relaciona duas características ou variáveis, do tipo peso e
altura, quantidade e preço, aumento de temperatura e velocidade etc., a fim de
estabelecer a existência de uma relação real de causa e efeito.
114
1. Realize um diagrama de causa e efeito para que haja a diminuição do gasto de

combustível do seu meio de transporte.
2. Os limites para a especificação de uma peça são 20 e 21 mm. Uma amostra de
40 peças, tomada no mês de agosto, forneceu os valores apresentados na tabe-
la dada em seguida. Outra amostra de 50 peças, tomada no mês de setembro,
forneceu os valores apresentados na segunda tabela. Faça um histograma para
cada amostra. Trace os limites de especificação.
Comprimento de uma peça (mm) - Agosto/2016

20,32 20,73 20,49 20,62 20,51 20,59 20,6 20,35
20,65 20,78 20,64 20,62 20,27 20,56 20,52 20,49
20,26 20,57 20,59 20,5 20,47 20,53 20,47 20,6
20,57 20,61 20,38 20,6 20,41 20,55 20,53 20,59
20,58 20,21 20,77 20,38 20,46 20,83 20,58 20,52
Fonte: adaptada de Vieira (1999, p. 28).
Comprimento de uma peça (mm) - Setembro/2016

20,14 20,77 20,16 19,99 20,12 20,25 20,30 20,14
20,14 20,25 20,43 20,51 20,16 20,41 20,65 20,23
20,18 20,38 20,22 20,25 20,18 20,38 20,25 20,49
20,35 20,25 20,40 20,29 20,27 20,62 20,58 20,19
20,72 20,72 20,25 20,11 20,49 20,40 20,31 20,20
20,16 20,48 20,64 20,18 20,52 20,60 20,53 20,60
19,95 20,40
115
3. Dada a distribuição das notas finais de 50 alunos, apresente essa distribuição

em histograma. Calcule a proporção de não aprovados, lembrando que a média
para a aprovação é 5. Apresente essa proporção na legenda do histograma.
Distribuição das notas finais de 50 alunos

Classe Ponto médio Frequencia
Entre 0 e 1 0,5 1
Entre 1 e 2 1,5 0
Entre 2 e 3 2,5 2
Entre 3 e 4 3,5 1
Entre 4 e 5 4,5 2
Entre 5 e 6 5,5 10
Entre 6 e 7 6,5 15
Entre 7 e 8 7,5 12
Entre 8 e 9 8,5 5
Entre 9 e 10 9,5 2
4. Mesmo sem dispor de dados, indique e justifique o tipo de correlação (positiva,

negativa ou nula) e o grau (perfeita, forte ou fraca) entre as variáveis:
a. Idade e experiência.
b. Salário e consumo de carne bovina.
c. Raio e comprimento de uma circunferência.
d. Reclamações de clientes e qualidade do produto.
116
5. É dado o número de itens descartados em duas linhas de produção, durante oito

dias do mesmo mês. Calcule o coeficiente de correlação e explique o resul-
tado.
Número de itens descartados em duas linhas de produção
Dia X Y
01/jun 2 2
02/jun 3 2
03/jun 4 3
04/jun 4 4
05/jun 2 3
08/jun 3 2
09/jun 1 1
10/jun 2 3
Fonte: o autor.
117
O USO DE FERRAMENTAS DA QUALIDADE VISANDO A PADRONIZAÇÃO

DO TAMANHO DA MASSA DA LASANHA PRODUZIDA EM UMA INDÚSTRIA
ALIMENTÍCIA
A qualidade deve ser vista pelas empresas como um aspecto importante para o seu bom
desempenho, sejam essas produtoras de bens ou prestadoras de serviços. Os consumi-
dores estão sendo atraídos dia a dia por artigos que tenham um diferencial no merca-
do, isso é, conquistados através de uma política forte em qualidade. Segundo Paladini
(2008), pode-se considerar que qualidade seja capacidade de fabricação, a fim de que
um produto ou um serviço seja concretizado exatamente conforme seu projeto. Resul-
tando em um bem que tenha atributos de qualidade para o cliente. Analisando a defi-
nição de Qualidade, percebe-se que existem várias características que conferem quali-
dade a um produto. Segundo Carpinetti (2010), os atributos de Qualidade perceptíveis
aos usuários são:
■■ Facilidade ou Conveniência de Uso: inclui o grau com que o produto cumpre fun-
ções secundárias que suplementam a função básica.
■■ Disponibilidade: grau com que o produto encontra-se disponível para uso quando
requisitado.
■■ Confiabilidade: probabilidade que se tem de que o produto, estando disponível,

consiga realizar sua função básica sem falhar, durante um tempo predeterminado
e sob determinadas condições de uso.
■■ Manutenibilidade: facilidade de conduzir as atividades de manutenção no pro-

duto, sendo um atributo do projeto do produto.
■■ Durabilidade: vida útil média do produto, considerando os pontos de vista téc-

nicos e econômicos.
■■ Conformidade: grau com que o produto encontra-se em conformidade com as

especificações de projeto.
■■ Instalação e Orientação de Uso: orientação e facilidades disponíveis para condu-

zir as atividades de instalação e uso do produto.
■■ Assistência Técnica: fatores relativos à qualidade dos serviços de assistência téc-

nica e atendimento ao cliente.
■■ Interface com o Usuário: qualidade do ponto de vista ergonômico, de risco de

vida e de comunicação do usuário com o produto.
118
■■ Interface com o Meio Ambiente: impacto no meio ambiente, durante a produção,

o uso e o descarte do produto.
■■ Estética: percepção do usuário sobre o produto a partir de seus órgãos sensoriais.
■■ Qualidade Percebida e Imagem da Marca: percepção do usuário sobre a qualidade

do produto a partir da imagem e reputação da marca, bem como sua origem de
fabricação.
Empresas que têm uma Gestão da Qualidade consolidada utilizam de diferentes méto-
dos para conseguir atribuir à seus produtos características de qualidade. Um método
bastante eficaz é o Ciclo PDCA.
Fonte: Gonçalves (2012, p. 1-3).
Controle Estatístico da Qualidade

Edson Ramos, Silvia dos Santos de Almeida e Adrilayne dos Reis
Araújo
Editora: Bookman
Ano: 2013
Sinopse: o controle estatístico da qualidade é assunto
obrigatório em diversos cursos de graduação e técnicos, além
de estar presente nas empresas preocupadas em garantir a
qualidade de seus produtos e serviços. Esta obra foi desenvolvida
a partir da experiência dos autores em pesquisa e docência relacionada ao controle estatístico
da qualidade. Além de tópicos básicos, os autores detalham o uso e analisam uma coleção de
ferramentas do controle estatístico da qualidade reunidas numa só obra.
Gênio Indomável
Ano: 1997
Sinopse: em Boston, um jovem de 20 anos (Matt Damon),
que já teve algumas passagens pela polícia, e servente de
uma universidade revela-se um gênio em matemática e, por
determinação legal, precisa fazer terapia. Mas nada funciona,
pois ele debocha de todos os analistas, até se identificar com
um deles.
Para desenhos de diversos diagramas de engenharia e administração existe uma ferramenta que
é excelente e muito intuitiva. Acesse e confira!
Link: <https://www.draw.io/>.
Material Complementar
REFERÊNCIAS
GONÇALVES, W. P. et al. O uso de ferramentas da qualidade visando a

padronização do tamanho das massas da lasanha produzida em uma in-
dústria alimentícia. Bento Gonçalves-RS: ENEGEP, 2012
MONTGOMERY, D. C. Introduction to Statistical Quality Control. Nova
York: John Wiley & Sons, 2009.
WERKEMA, M. C. Ferramentas estatísticas básicas para o gerenciamento de pro-
cessos. Belo Horizonte: Werkema, 2006.
REFERÊNCIA ON-LINE
1
Em: <https://wandersonmonteiro.wordpress.com/2015/05/18/entendendo-o-dia-
grama-de-ishikawa/>. Acesso em: 17 out. 2016.
121
GABARITO
1. Manutenção, velocidade constante, etc.

2. 20,20 e 20,45 mm.
3. A taxa de reprovação é de 12%.
4.
a) positiva fraca.
b) positiva forte.
c) positiva perfeita.
d) negativa fraca.
5. r = 0,6546.
ESTATÍSTICA BÁSICA
IV
UNIDADE
APLICADA AO CEP
■■ Criar o raciocínio sobre probabilidade e aplicar este conceito ao CEP.
■■ Conhecer este tipo de variável e sua importância no CEP.
■■ Verificar a importância deste tipo de distribuição para o CEP.
■■ Apresentar esta ferramenta da qualidade como fundamento para o
CEP.
Plano de Estudo
■■ Noções de Probabilidade
■■ Gráficos de Controle
125
INTRODUÇÃO
Olá, caro(a) aluno(a)! Trataremos nesta quarta unidade sobre uma prévia para
a última ferramenta da qualidade que é o Gráfico de Controle.
Porém antes de iniciarmos o estudo deste conteúdo, devemos solidificar a
base de nosso conhecimento sobre determinados pontos. A estatística é base
fundamental para a qualidade de um produto, processo ou serviço. Afinal, ao
receber um produto, queremos que o valor cobrado seja justo. Ou quando faze-
mos um serviço que vem de outro setor de uma empresa, esperamos que não
precisemos nos preocupar com as variabilidades fora da curva.

Em um primeiro momento, abordarei sobre as noções de probabilidade para
que sejam entendidos alguns pontos sobre as diferentes distribuições, além de
criar um senso lógico de visualizar a probabilidade de algo acontecer ou ainda a
interpretação correta de uma situação que tenha diversas variáveis.
A probabilidade será importante para que possamos estimar os valores que
serão as medidas estatísticas de um fenômeno determinado.
Tratarei a seguir sobre as variáveis aleatórias e discretas. Descobriremos as
diferenças entre estes tipos e como elas são descritas nos gráficos de controle.
Discutiremos sobre a distribuição normal, que é a mais comum quando tra-
tamos do CEP, sem descuidar da distribuição de Poisson e sua aplicação.
Você iniciará, ao fim desta unidade, o estudo sobre os gráficos de controle,
a ferramenta da qualidade mais difundida dentre os profissionais da qualidade,
sejam eles analistas técnicos, engenheiros ou gestores.
Foco e dedicação, neste assunto que será a base de transformação do que
compreendemos sobre qualidade.
Ótimo estudo!
Introdução
126 UNIDADE IV
NOÇÕES DE PROBABILIDADE
Olá, caro(a) aluno(a)! Provavelmente você já brincou de cara ou coroa ou viu

no início de algum jogo o árbitro lançar uma moeda para cima para saber quem
escolhe a saída com a bola ou o lado que irá atacar. O ato de lançamento desta
moeda é uma aplicação direta da teoria das probabilidades. Mesmo sem ter ana-
lisado profundamente o exemplo inicial, você sabe que a chance de dar o pontapé
inicial é a mesma para ambos os lados.
O matemático francês Pascal deu origem ao estudo de probabilidades ao
quantificar as chances de perder ou ganhar em jogos de azar que toda pessoa
que se aventura por este caminho tem, sem saber de quanto seria tal chance.
Para entender o que é probabilidade, imagine eventos m mutuamente exclu-
sivos e igualmente prováveis, como o exemplo do jogo de cara ou coroa. Os
eventos são mutuamente exclusivos porque as duas diferentes faces não podem
ocorrer ao mesmo tempo, e igualmente prováveis porque as duas faces têm a
mesma chance de ocorrer.
Ainda pensando no exemplo da moeda e atribuindo um raciocínio matemá-
tico, pode-se chamar de m os atributos que podem ocorrer neste determinado
evento n. Logo, a probabilidade de um evento com este atributo ocorrer é: .

127
Onde são possíveis dois eventos, portanto n = 2 e se escolhendo um destes

eventos para um único lançamento temos m = 1. Então, a probabilidade de sair
cara, por exemplo, é de .
É comum expressar a probabilidade em uma notação de percentagem. Para
isso, multiplica-se a fração calculada anteriormente por 100.
1. 100=50%
Definição sobre probabilidade

Sejam e1, e2, ..., en eventos elementares de E, a probabilidade de ocorrer o evento

ei (i= 1,2, ... ,n) é a medida de ei, nas seguintes condições: a) P(E) = 1, P(ei) ≥ 0
e P(ei eej) = P(ei) + P(ej).
Para entender esta definição, duas pessoas combinam um encontro entre 18
e 19 horas, com as seguintes condições:
Elas não chegarão antes das 18 horas.
Elas não ficarão depois das 19 horas.
E uma não esperará pela outra pessoa mais do que 10 minutos.
Qual a probabilidade de estas pessoas realmente se encontrarem? Para aju-
dar na resolução deste caso, devemos desenhar um plano cartesiano, em que há
o horário de chegada de cada pessoa em cada um dos eixos.
19:00
18:50
18:40
18:30
18:20
18:10
18:00 18:20 18:40 19:00
Figura 1 - Ilustração da probabilidade do encontro
Fonte: o autor.
Noções de Probabilidade
128 UNIDADE IV
As pessoas só se encontrarão nos horários marcados em preto. Afinal, o

encontro só acontece porque cada um espera o outro por 10 minutos.
Então, a probabilidade de as pessoas se encontrarem é de:
Podemos aplicar os conceitos de probabilidade com outras analogias mais

simples, como em um dado. Qual a probabilidade de sair o número 1? No caso do
dado, são possíveis 6 eventos mutuamente exclusivos e igualmente prováveis, caso
o dado não esteja viciado. Neste caso, a probabilidade de ocorrer o número 1 é:
Em outro exemplo temos um baralho. Qual a probabilidade de surgir a carta

de uma dama de paus? Temos apenas uma carta como esta no baralho, que con-
tém 52 cartas diferentes. Logo:
A probabilidade varia entre 0 e 1, ou seja, um evento pode ter de 0% até

100% de chance de acontecer.
Probabilidade condicional
A probabilidade condicional é quando determinado evento pode ocorrer sob
uma determinada condição. Indica-se a probabilidade de ocorrer um evento A
sob a condição de ter ocorrido B. Temos neste caso a seguinte notação: P (B), que
lê-se “probabilidade de A dado B”. Como exemplo, considere a probabilidade de
ocorrer um acidente de automóvel, dado que está chovendo. A probabilidade é
condicional, porque se refere à ocorrência de um evento sob uma condição dada.
Exemplo:
Ao jogar um dado, qual a probabilidade que dê o número 6? Assim como
vimos anteriormente, a probabilidade de sair um número em um dado é de
16,67%.

129
Agora, imagine que o dado foi jogado e já se sabe que ocorreu um número
par. Qual a probabilidade de a face com o número 6 ter ocorrido? Note que esta
pergunta é diferente da anterior. Se saiu a face com um número par, só podem
ter ocorrido os números 2, 4 e 6. Logo, a probabilidade de ocorrer o número 6
é 1/3 = 0,3333 = 33,33%.
Eventos independentes
Eventos independentes ocorrem quando a probabilidade de ocorrer um deles
não é modificada pela ocorrência de outro. Se jogarmos ao mesmo tempo uma
moeda e um dado, o resultado que ocorre em um objeto não depende do que

houver no outro, pois são eventos totalmente independentes.
No exemplo do parágrafo anterior, qual a probabilidade de ocorrer cara na
moeda, sabendo que ocorreu a face 2 no dado?
Tabela 1 - Lançamento de uma moeda
MOEDA
Dado Cara Coroa
1 Cara;1 Coroa;1
2 Cara;2 Coroa;2
3 Cara;3 Coroa;3
4 Cara;4 Coroa;4
5 Cara;5 Coroa;5
6 Cara;6 Coroa;6
Fonte: o autor.
Em 12 eventos possíveis e igualmente prováveis, seis correspondem à saída da

face cara na moeda. Então, a probabilidade de sair cara é de 50%. Para a obten-
ção da probabilidade de sair cara na moeda, sabendo que a face de número 6
saiu, é de 1 em 2, ou seja, 50%.
Neste exemplo, a probabilidade de ocorrer um evento na moeda não foi
modificada pela ocorrência de outro evento. Daí verifica-se a independência
dos eventos.
130 UNIDADE IV
Teorema do produto
Quando é necessário conhecer a probabilidade de ocorrer a repetição de um
evento, podemos utilizar o teorema do produto. Um exemplo seria a probabili-
dade de se repetir cara em dez jogadas seguidas em uma moeda.
Em outro caso, dentro de uma urna temos duas bolas brancas e uma ver-
melha. Retira-se ao acaso duas bolas da urna, uma em seguida da outra e sem
recolocar a primeira.
A probabilidade de a primeira bola ser branca é = 66,67%.
No caso da segunda bola ser também branca, a probabilidade é de = 50% .
Para se obter a probabilidade de as duas bolas retiradas serem brancas, faz-se o
produto: 0,6667 x 0,50 = 0,3333 ou 33,33%.
Então, se A e B são eventos independentes, a probabilidade de ocorrer A e
B é dada pela probabilidade de ocorrer A, multiplicada pela probabilidade de
ocorrer B, a qual escreve-se P(A e B) = P(A) e (B).
Se A e B são eventos não independentes, a probabilidade de ocorrer A e B é
dada pela probabilidade de ocorrer A, multiplicada pela probabilidade (condi-
cional) de ocorrer B, dado que A ocorreu. P(A e B) = P(A) P(A).
Teorema da soma
Se os eventos A e B não podem ocorrer ao mesmo tempo, a probabilidade
de ocorrer A ou B é dada pela probabilidade de A mais a probabilidade de B, ou
seja, P(A ou B)=P(A)+P(B).
Se A e B podem ocorrer ao mesmo tempo, a probabilidade de ocorrer A ou
B é dada pela probabilidade de A, mais a probabilidade de B, menos a probabi-
lidade de A e B, ou seja, P(A e B)=P(A)+P(B)-P(A e B).
Suponha que uma urna contenha duas bolas brancas, uma azul e uma ver-
melha. Qual a probabilidade de ter saído uma bola azul ou vermelha?
Se a probabilidade de sair uma bola azul é de 0,25 e a probabilidade de sair
uma bola vermelha também é de 0,25, simplesmente soma-se as probabilidades
0,25 + 0,25 = 0,50, ou seja, 50%.

131
Agora, imagine que uma carta será retirada ao acaso de um baralho. Qual a
probabilidade de sair uma carta de espadas ou um ás?
Variáveis aleatórias e distribuições discretas

Uma variável aleatória, segundo Vieira (1999), pode ser observada quando
tomamos uma amostra de dez unidades de uma peça, pesamos cada uma das
peças e organizamos em uma tabela. Não poderíamos ter previsto com exatidão
os pesos antes de a amostra ser tomada.

O peso desses produtos é uma variável aleatória, pois seus valores exatos só
podem ser conhecidos após a obtenção de uma amostra aleatória.
Os valores que podem ser assumidos por uma variável aleatória e suas res-
pectivas probabilidades constituem uma distribuição. Como exemplo, considere
os resultados possíveis em um jogo de dado, conforme a tabela e seu gráfico de
distribuição.
Tabela 2 - Probabilidade de obtenção da face de um dado em um lançamento
x P(x)
1 0,167
2 0,167
3 0,167
4 0,167
5 0,167
6 0,167
Fonte: o autor.
132 UNIDADE IV
Figura 2 - Probabilidade de obtenção da face de um dado em um lançamento
Fonte: o autor.
Toda distribuição pode ser apresentada em tabela, gráfico ou em uma fun-

ção matemática que dá às probabilidades associadas aos valores possíveis da
variável. No exemplo, se x indicar a variável aleatória que representa os resulta-
dos possíveis de um jogo de dado, então x pode assumir os valores 1, 2, 3, 4, 5
e 6, sempre com a probabilidade de 1/6. A probabilidade de x assumir o valor é
dada pela função P(x) = 1/6, para x = 1, 2, 3, 4, 5, 6.
Se a variável aleatória é discreta, a distribuição também é. O gráfico mais
adequado para uma distribuição discreta é constituído por uma série de linhas
verticais.
Distribuição binomial
Na distribuição binomial, a variável descreve o número de vezes que um
dado evento pode ocorrer em uma série de ensaios idênticos, com resultados
independentes de outros ensaios, com apenas dois eventos possíveis e com pro-
babilidades constantes em todos os ensaios.
Na estatística aplicada à qualidade temos um exemplo clássico de variável
binomial: número de itens não conformes em n itens inspecionados. Se o pro-
cesso está sob controle, valem as condições:
a. a inspeção de um item é idêntica à inspeção de outro item.
b. o resultado da inspeção de um item independe do resultado da inspe-
ção dos outros.

133
c. para cada item são possíveis dois eventos: não conforme (p) e conforme (q).
d. as probabilidades dos dois eventos permanecem constantes para todos
os itens inspecionados.
Função da distribuição binomial
Para estudar a função da distribuição binomial, considere a variável que repre-
senta o número de caras em n arremessos de uma moeda. Para um arremesso,
n = 1. Veja a tabela a seguir:
Tabela 3 - Probabilidade de aparecer cara em uma moeda, em um lançamento

Número de caras Probabilidade

0 q
1 p
Total q+p = 1
Fonte: o autor.
No caso de dois arremessos, n = 2, temos a distribuição apresentada na Tabela

4, a seguir.
Tabela 4 - Probabilidade de aparecer cara em uma moeda, em dois lançamentos
Número de caras Probabilidade

0 q2
1 2qp
2 p2
Total q2+ 2qp +p2 = 1
Fonte: o autor.
Observamos assim, nos totais das tabelas, o desenvolvimento de um binômio de

Newton elevado a n-ésima potência, ou seja, (q + p)n.
Com base nisso, é possível provar que a função da distribuição binomial cor-
responde a um termo do binômio, isto é, prova-se que a probabilidade de ocorrer
134 UNIDADE IV
x caras em n arremessos de uma moeda é dada pela função P(x)= (n x) pxq (n-x),
onde (n x) é a combinação de n, x a x.
Exemplo:
Você deseja saber a probabilidade de ocorrer 2 caras em arremessos de uma
moeda.
Dados: n=4, p=1/2, q=1/2 e o x=2.
P (x) = (n x )px q(n−x) =
2 4−2
P (2) = (4 2 )( 12 ) ( 12 ) =
PP(2) = (n x4! )px q. (n−x)

(x) = 1 = 1
2!(4−2)! 22 . 22 =
1 2 1 4−2
P (2) P
= (2)
6 .=14 (4 2 ) ou =
. 142=)(02,)3(75 37, 5%
4! 1 1
P (2) = 2!(4−2)! . 22
. 22
=
Exemplo:
1 1
P (2) = 6de. ocorrer
Considere que a probabilidade . = 0, item ou conforme
375 (n−x) 37, 5% em um processo
P (x)4 = 4(numx )px qnão =
de produção é de 20%. Se coletada uma amostra de 10 itens, qual a probabili-
dade de 3 itens dessaPamostra 3 (10−3)
(3) = serem
(10 3não)(0, 2) (0, 8)
conformes? =
P (x) = (n x )px q(n−x) =
P (x) = 10!
( 3!(10−3!) )(0, 2)3 (0, 83)7 , 201 ou 20, 1%
= 0(10−3)
P (3) = (10 3 )(0, 2) (0, 8) =
10!
P (x) = ( 3!(10−3!) )(0, 2)3 (0, 8)7 = 0, 201 ou 20, 1%
Média e variância na distribuição binomial

A média (μ) de uma distribuição binomial é dada pela fórmula μ = np e a
variância pela equação σ2 = npq.
Usando os dados do exemplo anterior, pode-se concluir que a média e a variân-
cia têm os seguintes valores: μ = np = 10.0, 2 = 2 e σ2 = npq = 10.0, 2.0, 8 = 1, 6.

135
Distribuição de Poisson
Quando tratamos de uma probabilidade do evento de interesse (p) muito
baixa, necessita-se que n seja suficientemente grande para que seja possível
observar ao menos um evento de interesse. Para isso, utiliza-se uma distribui-
ção de Poisson.
c x
P (X) = e−c x!
c = μAlguns
= np fenômenos
= 1000 *têm
0, 0a 1distribuição
= 10 que se aproxima de Poisson. São
exemplos desse tipo de fenômeno número de átomos de uma substância que se

0 −5
P (X = 0) e−10 10
=desintegra ao =
0! 4, 5do4.10
longo ou 0, 0de0454%
tempo, número chamadas telefônicas erradas em um
intervalo de tempo, números de erros nas páginas de um livro, número de colô-
nias de bactérias numa placa, etc.
Neste tipo de distribuição, a média e a variância são iguais e são represen-
tadas na função de Poisson pela letra c. A letra e indica o número irracional
e = 2, 71828..
Exemplo:
Na produção de adesivos termocolantes, sabe-se que 1% destes é não conforme.
Sob tais condições, qual é a probabilidade de uma caixa com 1.000 adesivos não
conter produtos não conformes?
cx
(X) = e−c x!
Sendo p = 0,01 e n = 1000,Pcalcula-se:
c = μ = np = 1000 * 0, 01 = 10
0 −5
P (X = 0) = e−10 10
0! = 4, 54.10 ou 0, 00454%
Distribuição Normal
Grandes amostras de certas variáveis aleatórias permitem a construção de histo-
gramas, como vimos anteriormente. Para a introdução da Distribuição Normal,
consideremos o histograma simétrico a seguir.
136 UNIDADE IV
Figura 3 - Distribuição Normal

Fonte: o autor.
Nesta figura, uma curva suave e perfeitamente simétrica foi desenhada sobre o
histograma. É importante destacar a diferença que existe entre o histograma e a
curva. O histograma é uma representação da distribuição dos elementos de uma
amostra extraída de uma população, enquanto a curva representa a distribui-
ção de todos os elementos que constituem a população ou ainda a distribuição
de probabilidade de uma população.
A curva paraboloide representada na Figura 3 é denominada, distribuição
normal. Quando uma variável sofre variações produzidas pela soma de um grande
número de erros independentes de pequena magnitude, provocados pela atua-
ção dos diversos fatores de um processo, sua distribuição geralmente pode ser
descrita de forma apropriada por uma distribuição normal. Diversas caracterís-
ticas da qualidade seguem uma distribuição normal em um processo industrial.
A distribuição normal, segundo Vieira (1999), tem as seguintes características:
■■ A variável aleatória pode assumir qualquer valor real.
■■ O gráfico da distribuição normal é uma curva em forma de sino, simé-
trica em torno da média μ.
■■ A área total sob a curva vale 1, pois ela corresponde à probabilidade de a
variável assumir qualquer valor real.
■■ Os valores maiores do que a média e os valores menores do que a média
ocorrem com igual probabilidade.

137
■■ A média e a variância configuram a curva. A média impacta na posição

da distribuição e a variância influencia a dispersão da distribuição.
A distribuição normal é um modelo estatístico que fornece uma base teórica

para o estudo do padrão de ocorrência dos elementos de várias populações
de interesse.
(Maria Cristina Werkema)
Propriedades da distribuição normal

A curva da distribuição normal é expressa matematicamente por meio da equação:
1 (x− μ)2
f (x) = √2π σ
exp [− 2σ2
]
Nesta equação, μ e σ são os parâmetros da distribuição e têm a seguinte

interpretação:
■■ μ é a média da distribuição, ou seja, representa o centro da distribuição
normal.
■■ σ é o desvio padrão da distribuição, ou seja, representa a dispersão da

distribuição normal.
Esta equação não necessita de ser memorizada, mas é necessário compreender

que os valores de μ e σ influenciam no comportamento da curva.
138 UNIDADE IV
0.8
N(6, 25)
0.6
N(0, 1) N(3, 1)
f(x)
0.4
0.2
N(6, 4)
0.0
0 5 10
x
Figura 4 – Comparação de distribuições normais com diferentes médias μ e vários valores de σ
Uma distribuição normal com média e desvio padrão é identificada pela nota-
ção N (μ, σ). Quando a média e o desvio padrão são conhecidos, a distribuição
normal estará completamente caracterizada, e para tal utiliza-se de estimativas
amostrais x e s.
Distribuição normal reduzida ou padronizada

Este título caracteriza a distribuição normal de média zero e variância 1. As
probabilidades associadas à distribuição normal reduzida ou padronizada são
facilmente obtidas em tabelas.
Z
0 1,25

139
A distribuição normal é um modelo estatístico que fornece uma base teórica

para o estudo do padrão de ocorrência dos elementos de várias populações
de interesse.
(Maria Cristina Werkema)
A partir da Figura 5, observamos que a área total sob a curva vale 1. Isso signi-
fica que a probabilidade de ocorrer qualquer valor real é 1. A curva simétrica
em torno da média é zero. Então, a probabilidade de ocorrer valor maior do que
zero é 0,5. Mas qual a probabilidade de ocorrer valor entre zero e z = 1,25? A
probabilidade de ocorrer valor entre zero e z = 1,25 corresponde à parte ponti-
lhada. Esta probabilidade é encontrada na tabela a seguir.
140 UNIDADE IV
Tabela 5 - Tabela da distribuição normal
Districuição Normal Padrão: Valores de p tais que P(0 < Z < Zc) = p
Segunda casa decimaç de zc
z 0 1 2 3 4 5 6 7 8 9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0798 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
Parte inteira e primeira decima dezc
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000
Tabela gerada pela função DIST NORMP() do Excel

Fonte: Montgomery (2009, p. 693-694).

141
Na primeira coluna desta tabela está o valor de 1,2 que interseccionado com a
coluna determinada 0,05 forma o número Z = 1,25 e sua probabilidade que é
previamente calculada e fornecida em formato de tabela. O número 0,3944 é a
probabilidade de ocorrer um valor entre zero e Z = 1,25. Como a probabilidade
de ocorrer valor maior que zero é 0,5 e a probabilidade de ocorrer valor entre
zero e z =1,25 é 0,3944, .
Cálculo das probabilidades sob a distribuição normal

Vamos partir de um exemplo de uma peça que possui o diâmetro interno
com distribuição normal com média de 2mm e desvio padrão 0,003mm. É neces-
sário calcular a probabilidade de uma peça apresentar diâmetro interno entre
2mm e 2,00375mm.
Para calcular probabilidades associadas à distribuição normal, utilizamos a
seguinte equação:
No caso do problema apresentado e substituindo os valores, temos:
X− μ
Z= σ
X− μ
Z =
Z = σ2,00375−
Com auxílio da tabela, verifica-se
0,003
2
que Z = 1,25=é 1 , 25a 0,3944, ou seja, a
igual
2,00375− 2
Z= 0,003
X− μ
=1,9985−
1, 252
Z= σ = 0,003 =− 0, 50
X− μ
probabilidade deZX =
assumir um valor entre 2 e 2,00375mm é de 39,44%.
σ
E se fosse necessárioZcalcular μ
= 1,9985−
= X−σa probabilidade 2
0,003 =− 0, 50
de uma peça ter diâmetro
menor que 1,9985? 2,00375− 2
Z = 0,003 = 1, 25
X− μ 1,9985− 2
Z= σ = 0,003 =− 0, 50
142 UNIDADE IV
Tabela 6 - Tabela da distribuição normal
z -0,09 -0,08 -0,07 -0,06 -0,05 -0,04 -0,03 -0,02 -0,01 0,00
-3,5 0,00017 0,00017 0,00018 0,00019 0,00019 0,00020 0,00021 0,00022 0,00022 0,00023
-3,4 0,00024 0,00025 0,00026 0,00027 0,00028 0,00029 0,00030 0,00031 0,00032 0,00034
-3,3 0,00035 0,00036 0,00038 0,00039 0,00040 0,00042 0,00043 0,00045 0,00047 0,00048
-3,2 0,00050 0,00052 0,00054 0,00056 0,00058 0,00060 0,00062 0,00064 0,00066 0,00069
-3,1 0,00071 0,00074 0,00076 0,00079 0,00082 0,00084 0,00087 0,00090 0,00094 0,00097
-3,0 0,00100 0,00104 0,00107 0,00111 0,00114 0,00118 0,00122 0,00126 0,00131 0,00135
-2,9 0,00139 0,00144 0,00149 0,00154 0,00159 0,00164 0,00169 0,00175 0,00181 0,00187
-2,8 0,00193 0,00199 0,00205 0,00212 0,00219 0,00226 0,00233 0,00240 0,00248 0,00256
-2,7 0,00264 0,00272 0,00280 0,00289 0,00298 0,00307 0,00317 0,00326 0,00336 0,00347
-2,6 0,00357 0,00368 0,00379 0,00391 0,00402 0,00415 0,00427 0,00440 0,00453 0,00466
-2,5 0,00480 0,00494 0,00508 0,00523 0,00539 0,00554 0,00570 0,00587 0,00604 0,00621
-2,4 0,00639 0,00657 0,00676 0,00695 0,00714 0,00734 0,00755 0,00776 0,00798 0,00820
-2,3 0,00842 0,00866 0,00889 0,00914 0,00939 0,00964 0,00990 0,01017 0,01044 0,01072
-2,2 0,01101 0,01130 0,01160 0,01191 0,01222 0,01255 0,01287 0,01321 0,01355 0,01390
-2,1 0,01426 0,01463 0,01500 0,01539 0,01578 0,01618 0,01659 0,01700 0,01743 0,01786
-2,0 0,01831 0,01876 0,01923 0,01970 0,02018 0,02068 0,02118 0,02169 0,02222 0,02275
-1,9 0,02330 0,02385 0,02442 0,02500 0,02559 0,02619 0,02680 0,02743 0,02807 0,02872
-1,8 0,02938 0,03005 0,03074 0,03144 0,03216 0,03288 0,03362 0,03438 0,03515 0,03593
-1,7 0,03673 0,03754 0,03836 0,03920 0,04006 0,04093 0,04182 0,04272 0,04363 0,04457
-1,6 0,04551 0,04648 0,04746 0,04846 0,04947 0,05050 0,05155 0,05262 0,05370 0,05480
-1,5 0,05592 0,05705 0,05821 0,05938 0,06057 0,06178 0,06301 0,06426 0,06552 0,06681
-1,4 0,06811 0,06944 0,07078 0,07215 0,07353 0,07493 0,07636 0,07780 0,07927 0,08076
-1,3 0,08226 0,08379 0,08534 0,08691 0,08851 0,09012 0,09176 0,09342 0,09510 0,09680
-1,2 0,09853 0,10027 0,10204 0,10383 0,10565 0,10749 0,10935 0,11123 0,11314 0,11507
-1,1 0,11702 0,11900 0,12100 0,12302 0,12507 0,12714 0,12924 0,13136 0,13350 0,13567
-1,0 0,13786 0,14007 0,14231 0,14457 0,14686 0,14917 0,15151 0,15386 0,15625 0,15866
-0,9 0,16109 0,16354 0,16602 0,16853 0,17106 0,17361 0,17619 0,17879 0,18141 0,18406
-0,8 0,18673 0,18943 0,19215 0,19489 0,19766 0,20045 0,20327 0,20611 0,20897 0,21186
-0,7 0,21476 0,21770 0,22065 0,22363 0,22663 0,22965 0,23270 0,23576 0,23885 0,24196
-0,6 0,24510 0,24825 0,25143 0,25463 0,25785 0,26109 0,26435 0,26763 0,27093 0,27425
-0,5 0,27760 0,28096 0,28434 0,28774 0,29116 0,29460 0,29806 0,30153 0,30503 0,30854
-0,4 0,31207 0,31561 0,31918 0,32276 0,32636 0,32997 0,33360 0,33724 0,34090 0,34458
-0,3 0,34827 0,35197 0,35569 0,35942 0,36317 0,36693 0,37070 0,37448 0,37828 0,38209
-0,2 0,38591 0,38974 0,39358 0,39743 0,40129 0,40517 0,40905 0,41294 0,41683 0,42074
-0,1 0,42465 0,42858 0,43251 0,43644 0,44038 0,44433 0,44828 0,45224 0,45620 0,46017
0,0 0,46414 0,46812 0,47210 0,47608 0,48006 0,48405 0,48803 0,49202 0,49601 0,50000
Fonte: Montgomery (2009, p. 693-694).
Com o auxílio da tabela verifica-se que a probabilidade de o diâmetro da

peça ser menor que 1,9985 é igual a 30,85%.

143
Teorema do limite central

A distribuição normal é um modelo probabilístico adequado para descrever a
variável em estudo. O teorema central do limite valida esta pressuposição.
Segundo Werkema (2006), o teorema central do limite é a distribuição
da média amostral de uma amostra de tamanho n extraída de uma popu-
lação NÃO-NORMAL, com média μ e desvio padrão σ, é aproximadamente
NORMAL com média μ e desvio padrão . O resultado significa que:
é aproximadamente N (0,1).
O teorema central do limite tem aplicação quando o tamanho da amostra

n é superior a 30. No entanto, em diversas situações, dependendo da forma de
distribuição da população, amostras de tamanhos inferiores a 30 já são suficien-
tes para garantirem a validade do teorema.
Este teorema permite uma ampla utilização da distribuição normal em várias
aplicações práticas como, por exemplo, os gráficos de controle.
GRÁFICOS DE CONTROLE
Caro(a) aluno(a), uma confecção de roupas, no final de um dia de trabalho, ins-

peciona uma amostra de 100 peças para obter o número de não conformes. Para
observar como as características de qualidade variam ao longo do tempo, pode
ser usada uma ferramenta denominada gráfico de controle.
Existem gráficos de controle para atributos e de controle de variáveis. Os
GC para atributos estudam o comportamento de números e proporções. O mais
conhecido é o gráfico Np, que monitora a variação de itens não conformes em
amostra de tamanho constante. Os gráficos de controle para variáveis estudam
o comportamento de variáveis como peso, comprimento, densidade ou concen-
tração. O mais conhecido é o gráfico - R, que monitora a variação da média e
da amplitude de uma variável ao longo do tempo.
Gráficos de Controle
144 UNIDADE IV
Todo e qualquer processo apresenta variabilidade. A fabricação de um pro-

duto, seja ele um bem ou serviço, irá apresentar uma variação inevitável, devido
às variações sofridas pelos fatores que compõem o processo de produção. As
variações podem ser desde os lotes de matéria-prima, diferença entre fornecedo-
res, mudanças ambientais, diferença de maquinários, mão de obra, entre outros.
O esforço para controle da variabilidade de cada um desses fatores é paralelo à
variabilidade no produto acabado. O importante é que a variabilidade seja con-
trolada e que se converta em um produto final de qualidade.
Assim, os gráficos ou cartas de controle são ferramentas para o monitora-
mento da variabilidade e para a avaliação da estabilidade de um processo.
Processos instáveis resultam em produtos defeituosos, perda de produção,
baixa qualidade e, de modo geral, em perda da confiança do cliente.
Existem dois tipos de causas para a variação na qualidade de produtos resul-
tantes de um processo: as comuns ou aleatórias e as especiais ou assinaláveis.
A variação provocada por causas comuns, também conhecida como variabi-
lidade natural do processo, é inerente ao processo considerado e estará presente
mesmo que todas as operações sejam executadas empregando métodos padro-
nizados. Quando apenas as causas comuns estão atuando em um processo, a
quantidade de variabilidade se mantém em uma faixa estável, o que leva a acredi-
tar que o processo está sob controle estatístico, apresentando um comportamento
estável e previsível.
As causas especiais surgem espo-
radicamente devido a uma situação
particular que faz com que o processo
se comporte de um modo totalmente
fora do convencional, o que gera, con-
sequentemente, um deslocamento do
nível aceitável de qualidade.
Se um processo opera sob a atu-
ação de causas especiais de variação,
ele está fora de controle estatístico, e
neste caso sua variabilidade é maior
que o natural. As causas especiais

145
devem ser localizadas e eliminadas, além de tomadas medidas para se evitar

sua reincidência. Mas e se a causa especial desloca positivamente a qualidade
de um produto ou serviço? Esta causa deverá ser estudada para que seja viabili-
zada a incorporação deste processo.
Para que haja a distinção entre dois tipos de variação em um processo, a

forma mais simples de visualização é uma carta de controle.
É importante frisar que um gráfico de controle não descobre por si próprio quais
são as causas de variação em um processo, mas processa e dispõe de informa-
ções que podem identificar tais causas.
LSC
LC
LIC
(a)
LSC
LC
LIC
(b)
Figura 6 - Exemplos de cartas de controle

146 UNIDADE IV
Na Figura 6, dois típicos gráficos de controle são apresentados. Geralmente

um gráfico de controle é uma representação de uma característica medida ou cal-
culada para uma amostra em função do número da amostra ou alguma variável.
Estrutura de um gráfico de controle

O gráfico de controle exibe três linhas paralelas: uma central, a qual representa
um valor médio da característica analisada; uma superior, que representa o
limite superior de controle (LSC); e a inferior, que representa o limite inferior de
controle (LIC). Os pontos representam as amostras tomadas em momentos dis-
tintos. É usual unir os pontos por segmentos de reta, para melhor visualização.
9
8
7
6
5 Medição
LM
4 LIC
LSC
3
2
1
0
1 2 3 4 5 6 7 8 9 10
Figura 7 - Típico gráfico de controle
Fonte: o autor.
Os gráficos de controle mostram o desempenho de um processo, e entende-se

que o processo está controlado quando:
a. Todos os pontos do gráfico estão dentro dos limites de controle.
b. A disposição dos pontos dentro dos limites de controle é aleatória.
Quando um ou mais pontos estão fora dos limites de controle ou em disposi-

ção não aleatória, é indicado que o processo está fora de controle. São padrões
de comportamento não aleatório:

147
a. Periodicidade, que são subidas e descidas em intervalos regulares de

tempo, conforme Figura 8.
9
8
7
6
5 Medição
LM
4 LIC
LSC
3
2
1
0
1 2 3 4 5 6 7 8 9 10
Figura 8 - Exemplo de periodicidade
Fonte: o autor.
A periodicidade aparece quando uma das condições de operação do processo

sofre mudanças periódicas ou quando ocorre troca periódica de máquinas ou
operadores.
b. Tendência, que é quando os pontos se direcionam nitidamente para cima
ou para baixo, como na Figura 9.
9
8
7
6
5 Medição
LM
4 LIC
LSC
3
2
1
0
1 2 3 4 5 6 7 8 9 10
Figura 9 - Exemplo de tendência
Fonte: o autor.
148 UNIDADE IV
A tendência indica uma deterioração gradual de um fator crítico do processo.

Isso pode ser evidenciado quando há um desgaste em uma peça ou cansaço de
um operador.
c. Deslocamento, que é a mudança no nível do processo. A causa da mudança
pode ser a introdução de novas máquinas, operadores, métodos ou de
um programa de qualidade.
9
8
7
6
5 Medição
LM
4 LIC
LSC
3
2
1
0
1 2 3 4 5 6 7 8 9 10
Figura 10 - Exemplo de deslocamento
Fonte: o autor.
Além dos padrões típicos de comportamento não aleatório, existem outras

disposições de pontos que indicam um processo fora do controle que deman-
dam testes estatísticos para determinar se a disposição é não aleatória. Mas além
disso, se a análise tiver algum comportamento destes - mais de 6 pontos con-
secutivos de um lado da linha central, mais de 80% dos pontos analisados de
um só lado da linha central -, podemos considerar o processo fora de controle.
Gráfico de controle Np
Este gráfico monitora a variação do número (np) de itens não conformes em
amostras de tamanho constante (n).
Para construir o gráfico:
1. Organize uma folha de verificação, conforme as informações contidas
na Unidade II.

149
2. Escreva, na folha de verificação, o número de itens não conformes em

cada amostra (d).
3. Calcule a proporção (pi) de itens não conformes em cada amostra por
meio da fórmula:
d
pi = ni di
pi = n
4. Calcule a média das proporções de itens não conformes:
1 ∑
p = mn 1 di
p = mn ∑ di
LSC = np + 3 np(1 − p) pi = dni
LSC5. =Calcule np(1

np +o 3número
√ − pde) itens não conformes, isto é, calcule .
√
médio
LIC =6. np − 3 np(1 − p) de controle
Calcule o√limite superior 1 ∑ (LSC) e o limite inferior de controle
LIC =(LIC)
np − 3 np(1 − pp)= mn di
√ das fórmulas:
por meio
LSC = np + 3√np(1 − p)
LIC = np − 3√np(1 − p)
Se o valor calculado para o limite inferior de controle for negativo, faça esse
limite igual a zero.
Exemplo:
Tabela 7 - Distribuição das amostras
Amostras
1 2 3 4 5 6
n 100
d 5 2 7 3 6 2
p 0,05 0,02 0,07 0,03 0,06 0,02
Fonte: o autor.
150 UNIDADE IV
Para os dados do exemplo:
5+2+7+3+6+2
p= 6.100 = 0, 04167
LS C = 100.0, 04167 + 3√100.0, 04167(1 − 0, 04167) = 10, 16
LIC = 100.0, 04167 − 3√100.0, 04167(1 − 0, 04167) =− 1, 828 < 0, então LIC = 0
O gráfico de controle np do exemplo anterior pode ser assim apresentado:
12
10
6 d
LIC
p
4 LSC
0
1 2 3 4 5 6
Figura 11 - Gráfico de Controle

Fonte: o autor.
Gráfico de controle - R
Quando a característica da qualidade de interesse é expressa por um número
em uma escala contínua de medida, dois dos gráficos de controles mais utiliza-
dos são os de média ( ) e amplitude (R).
O gráfico da média tem o objetivo de estabelecer o controle deste fator den-
tro do processo, assim como o gráfico da amplitude é uma ferramenta para

151
controle da variabilidade do processo. Os gráficos devem ser empregados con-

juntamente. Este tipo de gráfico pode ser utilizado para variáveis como peso,
comprimento, concentração.
Para plotar um gráfico de controle - R, deve-se seguir o seguinte roteiro:
1. Escolher a característica da qualidade a ser controlada.
2. Coletar m amostra (subgrupos racionais), cada uma contendo n obser-
vações da qualidade de interesse. Em geral, m = 20 ou 25 e n = 4, 5 ou 6.
As amostras devem ser coletadas em intervalos sucessivos e registradas
as observações na ordem em que foram obtidas.
3. Calcular a média de cada amostra ( i)
xi1+ xi2+…+ xin

xi = m sendo i = 1, 2, …, m
x + x +…+x
xi1+ com
Utilizar o resultado xi2+…+x x=
duas casas m
in decimais a mais que os dados originais.
1 2
x =i
4. Calcular a médiamglobal
sendo i = 1, 2, …, m
m
Ri = maior valor da amostra − menor valor da amo

x + x +…+xm
x =
x + x +…+ xin 1 2
xi = xi1i1+ xi2i2+…+ xin sendo R +mRi +…+
= 1,R2m , …, m
x = m
sendo i = 1, 2, …, m
Ri = 1 2m
Utilizari o resultado comm duas casas decimais a mais que os dados originais.
Ri = maior valor x +da amostra
x2+…+x − menor valor da amo
x = deLx1SC
5. Calcular a amplitude cada amostra
=
m
x +mA2 .R
1+ xm2+…+x
x =
R1m+ R2+…+
Ri = maior valor da amostra Rm valor da amo
− menor
Ri =
R = maior valor da amostram − menor valor da amo
i
R + R +…+ Rm
6. Calcular a amplitude média
Ri = 1 2m
LSCR=+ Rx+…++ AR2 .R
Ri = 1 2
m
m
LSC = x + A2 .R
Utilizar o resultado com duas casas decimais a mais que os dados originais.
LSC = x + A2 .R
xi1+ xi2+…+ xin
xi = mx = 1sendo i m= 1, 2, …, m
x + x2+…+x
m
152 U N I D A D E IV
x1+ x2+…+xm
Ri = maior xvalor= da amostra
m − menor valor da amo
Ri = maior valor daRamostra

+ R +…+−m
R enor valor da amo
Ri = 1 2 m
7. Calcular os limites de controle LSC e LIC para a média global
m
R1+ R2+…+ Rm
Ri =
LSC = x m+ A2 .R
LSC = x + A2 .R
Onde o valor de A2 depende da tabela de fatores para a construção de um grá-
fico de controle para variáveis, adaptada por Montgomery (2009).
Tabela 8- Tabela para gráfico de controle
n A2 D3 D4 d2
2 1.880 0.000 3.267 1.128
3 1.023 0.000 2.574 1.693
4 0.729 0.000 2.282 2.059
5 0.577 0.000 2.114 2.326
6 0.483 0.000 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 0.223 1.777 3.078
LIC
8. Calcule o limite superior de controle A2R.R
= x −para por meio da fórmula:
LSC R = D4 .R
LIC = x ou− mais,
A .R
9. Caso a amostra tenha LIC = D3 .R 2 calcule o limite inferior de
6 elementos
R da fórmula:
LSC
controle (LIC) para por meio = D4 .R R
LIC = D3 .R
R

153
Se a amostra tiver menos que 6 elementos, o LIC é igual a zero.

Exemplo:
Tabela 9 - Distribuição das amostras
Amostras
Medida 1 2 3 4 5
x1 78 82 86 77 76
x2 77 82 83 79 78
x3
79 81 79 81 79
x4 82 79 84 79 79
79 81 83 79 78
R 5 3 7 4 3
Fonte: o autor.
x= 79+81+83+79+78
5 = 80
5+3+7+4+3
Ri = 5 = 4, 4
LSC x = x + A2 .R = 80 + 0, 729.4, 4 = 83, 21
LIC x = x − A2 .R = 80 − 0, 729.4, 4 = 76, 79
LSC = D4 .R = 2, 282.4, 4 = 10, 04

R
LIC R = 0
154 UNIDADE IV
84
82
80
Médias
78
76
74
72
1 2 3 4 5
Figura 12 - Gráfico de controle das médias

Fonte: o autor.
12
10
8
Amplitude
0
1 2 3 4 5
Figura 13 - Amplitude
Fonte: o autor

155
A análise de um gráfico de controle - R não consiste apenas em estatística.

Necessita de familiaridade com o processo. Mas para que esta análise tenha um
caráter técnico, deve-se começar a análise pelo gráfico R (amplitudes). O grá-
fico da amplitude mede a variação interna das amostras, por isso é necessário
que este seja estudado primeiramente.
Quadro 1 - Análise de um gráfico de controle -R

R controlado R fora de controle
controlado fora de controle controlado fora de controle
Bom desempe- Em alguns momen- Em alguns mo- O processo precisa

nho do processo. tos, o desempenho mentos, a variação de ser reestudado.
do processo foi interna das amos- Algumas causas de
afetado por uma tras não foi apenas variação foram negli-
causa especial de casual. Procure a genciadas. Elimine as
variação. Identifi- causa especial da causas especiais de
que esta causa. variação interna variação interna das
das amostras com amostras. Se a ampli-
um valor não usual tude for controlada,
da amplitude. provavelmente x será
automaticamente
controlado.
Fonte: Vieira (1999, p. 121).
Para que haja a distinção entre dois tipos de variação em um processo, a

forma mais simples de visualização é uma carta de controle.
Guia para o planejamento de gráficos de controle

Para a especificação do tamanho da amostra e da frequência a ser utilizada,
necessita-se possuir informações detalhadas sobre as características estatísticas
do processo e os fatores econômicos que afetam o problema, tais como custo de
156 UNIDADE IV
amostragem, custo de investigação e correção do processo em resposta a sinais

fora do controle e custo associado à produção de itens não conformes.
Em relação à determinação do tamanho da amostra para o gráfico , pode-
mos concluir que a detecção de mudanças moderadas ou grandes na média do
processo, uma pequena amostra (n = 4, 5 ou 6) já é suficiente. Para descobrir a
ocorrência de pequenas mudanças é necessária a utilização de amostras maio-
res (com n entre 15 e 25).
No planejamento dos gráficos de controle e R, devemos especificar o ta-
manho da amostra e a frequência da amostragem utilizada.
Quanto à determinação do tamanho da amostra para o gráfico R, é importante

destacar que, quando são empregadas pequenas amostras, o gráfico é pouco sen-
sível para mudanças que ocorram no desvio padrão do processo.
Não há uma receita para a definição da melhor estratégia, mas geralmente nas
indústrias utiliza-se a retirada de amostras pequenas e frequentes. Em uma com-
paração, retirar 5 amostras a cada 30 minutos é mais eficaz do que 20 amostras
a cada 2 horas. Isso tem uma razão, afinal duas horas é um tempo considerável
para que haja um deslocamento da qualidade.
Subgrupos racionais
A coleta dos dados que serão usados para elaboração de um gráfico de controle
exige alguns cuidados, como o período de tempo curto e condições de traba-
lho equalizadas.
Suponhamos que o diâmetro de uma peça foi escolhido como a característica
de qualidade em um processo de fabricação. Esta peça é afetada pelos seguintes
fatores: material usado, ajuste de máquina e a habilidade do operador.

157
Se cada partida do material dura 15 dias e a máquina é ajustada toda manhã,

cada amostra deve ser tomada em um mesmo dia e da operação do mesmo
operador.
A variação dos diâmetros das peças dentro de cada amostra é aleatória por-
que não pode ser explicada por nenhuma das causas de variação identificadas e
citadas anteriormente. Já a variação dos diâmetros das peças de diferentes amos-
tras deverá ser explicada por um ou mais fatores.
Para controlar um processo por meio de gráficos, é preciso maximizar a pro-
babilidade de ocorrer variação entre as amostras e minimizar a probabilidade
de ocorrer variação interna de amostras (amplitude). As amostras obtidas com

esses critérios, atendem pelo nome de subgrupos racionais.
O conceito de subgrupos racionais é muito importante. A seleção adequada
das amostras requer uma consideração cuidadosa do processo, com o objetivo
de que possa ser obtido o máximo de informações a partir da análise dos grá-
ficos de controle.
Aplicação de ferramentas de melhoria de qualidade e produtividade nos

processos produtivos: um estudo de caso
O controle estatístico do processo é uma metodologia que atua sobre o pro-
cesso produtivo de maneira preventiva. Geralmente, para que um produto
atenda às exigências do consumidor, é necessário que o processo ocorra em
condições ideais, conhecidas, controladas e livres de grandes variações, a
fim de manter todos os parâmetros dentro de condições preestabelecidas
pela empresa e gerar uma maior facilidade no direcionamento da organiza-
ção e na obtenção dos objetivos de melhoria da qualidade.
Fonte: Maiczuk e Andrade Júnior (2013, p. 3).
158 UNIDADE IV
Olá, caro(a) aluno(a)! Vimos nesta quarta unidade sobre uma prévia para a
última ferramenta da qualidade, que é o Gráfico de Controle.
Porém, antes de iniciarmos o estudo deste conteúdo, solidificamos a base
de nosso conhecimento sobre determinados pontos. A estatística é base funda-
mental para a qualidade de um produto, processo ou serviço. Afinal, ao receber
um produto, queremos que o valor cobrado seja justo. Ou quando fazemos um
serviço que vem de outro setor de uma empresa, esperamos que não precisemos
nos preocupar com as variabilidades fora da curva.
Em um primeiro momento, abordei sobre as noções de probabilidade para
que fossem entendidos alguns pontos sobre as diferentes distribuições, além de
criar um senso lógico de visualizar a probabilidade de algo acontecer ou ainda a
interpretação correta de uma situação que tenha diversas variáveis.
Tratei a seguir sobre as variáveis aleatórias e discretas. Visualizamos as dife-
renças entre estes tipos e como elas são descritas nos gráficos de controle.
Discutimos sobre a distribuição normal que é a mais comum quando trata-
mos do CEP, sem descuidar da distribuição de Poisson e sua aplicação.
Você iniciou nesta unidade o estudo sobre os gráficos de controle, a ferra-
menta da qualidade mais difundida dentre os profissionais da qualidade, sejam
eles analistas, técnicos, engenheiros ou gestores.
O gráfico de controle é uma ferramenta que ajuda a reduzir ao máximo as
variações dentro de um processo. Isso porque ele permite predizer hora a hora,
dia a dia ou mês a mês o quanto se pode produzir, e com que nível de qualidade,
empregando o processo estudado.

159
1. Suponha que, em um voo, motores de avião falhem independentemente e com

a probabilidade 0,1. Suponha, ainda, que um avião voa se pelo menos metade
de seus motores não falha. Nestas condições, você prefere viajar em um bi-
motor e em um quadrimotor?
2. Uma máquina de empacotar determinado produto apresenta variações de peso

com desvio padrão de 20g. Em quanto deve ser regulado o peso médio do paco-
te para que apenas 10% tenha menos que 400g?
3. Você recebeu dez produtos sem defeitos, quatro com defeitos menores e dois
com defeitos maiores. Se você tomar dois produtos ao acaso, qual a probabili-
dade de:
a. Ambos serem sem defeitos?
b. Pelo menos um ter defeito?
c. Nenhum ter defeito maior.
4. Você é gestor de uma unidade de fabricação de potenciômetros logarítmicos

utilizados na fabricação de diversos instrumentos musicais. O número de defei-
tos por unidade produzida é dado na tabela abaixo. O processo está sob con-
trole?
Unidade Defeitos
1 1
2 3
3 2
4 1
5 0
6 2
7 1
8 5
160
5. Você como analista da qualidade de uma empresa de fabricação de discos de

freio faz um levantamento para análise de um produto que tem sido alvo de re-
clamações dos clientes. O número de defeitos observados na inspeção final de
discos de freio para automóveis está tabelado abaixo. Faça o gráfico de controle.
Dia Unidade Defeitos

1 2 10
2 4 30
3 2 18
4 1 10
5 3 20
6 4 24
7 2 15
8 4 28
9 3 21
10 1 8
161
CARTAS OU GRÁFICOS DE CONTROLE

Ao perceber-se uma causa especial, imediatamente deve-se investigar e identificar esta
causa com o objetivo de intervir para eliminá-la. Para isto, utilizam-se os gráficos de con-
trole, que são ferramentas estatísticas capazes de identificar a presença de causas espe-
ciais na linha de produção.
De acordo com Galuch (2002, apud Barros, 2008), os gráficos de controle analisam o
comportamento do processo permitindo uma atuação de forma preventiva, efetuando
ações corretivas no momento em que ocorrerem desvios, mantendo-o dentro de condi-
ções preestabelecidas. Outra característica dos gráficos de controle é que eles desempe-
nham um papel importante na aceitação do produto, pois o controle estatístico verifica
a estabilidade e a homogeneidade do produto ou serviço.
Os gráficos de controle são construídos para a média ( - X ) e a amplitude ( R ) servindo
para monitorar os processos cujas características de qualidade de interesse X são uma
grandeza mensurável. Para tanto, colhe-se dados do processo em tempos regulares
( h ) e com tamanho ( n ), cujas medições são feitas sobre a variável de interesse, deven-
do apresentar uma precisão adequada para garantir a qualidade e veracidade dessas
medições.
Assim, utilizam-se dispositivos capazes de medir frações iguais ou menores que a to-
lerância desejada para as medidas e que estejam devidamente calibrados. Para cada
amostra retirada do processo, deve-se efetuar o cálculo da média e a amplitude amos-
tral (que se define pela diferença entre o maior e o menor valor da amostra).
Estes pontos se distribuem nos gráficos de forma aleatória em torno da Linha Média
(LM). Acima desta, se situa a linha do Limite Superior de Controle (LSC) e abaixo da linha
média está a linha de Limite Inferior de Controle (LIC). Tais linhas servem para monitorar
se o processo está ou não fora de controle, mediante um ou mais pontos localizados fora
destes limites, ou seja, acima ou abaixo dos limites de controle. Caso isto ocorra, deve-se
verificar se o valor atribuído à amostra está correto e se a plotagem foi realizada com
precisão. Se a amostra persistir em se posicionar fora dos limites de controle, busca-se
identificar e eliminar a causa especial existente para que, finalmente, seja feita a plota-
gem do gráfico isento de causas especiais.
Fonte: Santos et al. (2009, p. 3).

Gestão da qualidade
Luiz Cesar Ribeiro Carpinetti
Editora: Atlas
Sinopse: a gestão da qualidade é um tema constantemente
presente nos meios acadêmicos e empresariais, e o certificado
ISO 9001 uma exigência para se qualificar como fornecedor em
diversas cadeias de suprimentos, como é o caso da indústria
automotiva, da linha branca e de outros segmentos industriais.
Mas por que gerenciar a qualidade é tão importante? Porque
a gestão da qualidade toca em dois pontos cruciais para
uma organização: manter e conquistar mercados, melhorando sua eficácia no atendimento
dos requisitos dos clientes; e reduzir desperdícios e custos da não qualidade, melhorando sua
eficiência. E os requisitos do modelo de gestão da qualidade prescrito na ISO 9001: 2008 focam
exatamente esses objetivos, estabelecendo boas práticas para a melhoria da eficácia e eficiência
das empresas.
Quebrando a banca
Ano: 2008
Ben Campbell (Jim Sturgess) é um jovem tímido e superdotado
do MIT que, precisando pagar a faculdade, busca a quantia
necessária em jogos de cartas. Ele é chamado para integrar um
grupo de alunos que, todo fim de semana, parte para Las Vegas
com identidades falsas e o objetivo de ganhar muito dinheiro.
O grupo é liderado por Micky Rosa (Kevin Spacey), um professor
de matemática e gênio em estatística, com quem consegue
montar um código infalível. Contando cartas e usando um
complexo sistema de sinais, eles conseguem quebrar diversos
cassinos. Até que, encantado com o novo mundo que se apresenta
e também por sua colega Jill Taylor (Kate Bosworth), Ben começa a extrapolar seus próprios
limites.
Probabilidade Calculadora on-line

A probabilidade é a chance de que um determinado evento irá ocorrer. É expressa
como um número entre 0 e 1 (em que 0 indica falso e 1 indica verdadeiro). Nesta
calculadora de estatísticas on-line, calcule a probabilidade de eventos únicos e
múltiplos baseados no número de possíveis resultados e eventos ocorrerem.
Link: <https://www.easycalculation.com/pt/statistics/probability.php>.
163
REFERÊNCIAS
MAICZUK, J.; ANDRADE JÚNIOR, P. P. A importância dos gráficos de controle para

monitorar a qualidade dos processos industriais: estudo de caso numa indústria
metalúrgica. Qualitas Revista Eletrônica, Campina Grande-PB, v. 14, n. 1, jan./jun.
2013.
MONTGOMERY, D. C. Introduction to Statistical Quality Control. 6. ed. Nova York:
John Wiley & Sons, 2009.
SANTOS, A. et al. A importância dos gráficos de controle para monitorar a qualidade
dos processos industriais: estudo de caso numa indústria metalúrgica. In: ENCON-
TRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 19., 2009, Salvador. Anais... Salva-
dor: ABEPRO, 2009.
WERKEMA, M. C. Ferramentas estatísticas básicas para o gerenciamento de pro-
cessos. Belo Horizonte: Werkema, 2006.
GABARITO
1. A resposta de um bimotor cair é de 1%, a de um quadrimotor é 0,37%.

2. 425,6 g.
3. 37,5%, 87,5% e 75,83%.
4. LSC = 5,98; = 1,88; LIC = 0. O processo está sob controle.
5. LSC 11,92; = 7; LIC = 2,08. O processo está sob controle.
GRÁFICOS DE CONTROLE E
V
UNIDADE
CAPACIDADE DO PROCESSO
■■ Apresentar Gráficos x e R e sua importância ao CEP.
■■ Apresentar Gráficos x e s e sua importância ao CEP.
■■ Apresentar Gráficos x e AM e sua importância ao CEP.
■■ Possibilitar a capacidade de interpretação dos resultados de
diferentes gráficos de controle
■■ Determinar se um processo é capaz ou não de ser executado.
Plano de Estudo
■■ Gráficos x e R
■■ Gráficos x e s
■■ Gráficos x e AM
■■ Interpretação dos gráficos x e AM
■■ Capacidade do processo
167
INTRODUÇÃO
Olá, caro(a) aluno(a)! Trataremos nesta quinta unidade sobre a última ferramenta
da qualidade que é o Gráfico de Controle. Na verdade são diversos gráficos de
controle, e cada um tem a sua particularidade e aplicabilidade.
Até aqui formamos a base que será importante para que a aplicação dos grá-
ficos não fique apenas na tela de seu software. Saber em qual situação utilizar os
diferentes tipos e interpretar cada um dos resultados apresentados são pontos
cruciais dentro do desenvolvimento da qualidade.
Em um primeiro momento, abordarei sobre o gráfico do tipo x e R. Esse grá-

fico trata da relação entre as médias amostrais e a amplitude entre elas. Tratarei
a seguir sobre o gráfico x e s. Esse gráfico relaciona as médias com os desvios-
-padrão que encontramos em determinados processos. Discutiremos sobre o
gráfico do tipo x e AM, utilizado para a determinação de resultados em proces-
sos longos que geram poucas amostras. Além disso, a interpretação e comparação
entre os diferentes tipos de resultados encontrados no gráfico de controle serão
compreendidos.
Você verá ao fim desta unidade um conteúdo relacionado à capacidade de
um processo em realizar a análise para verificação, afinal é importante que o
processo seja realmente efetivo.
É importante frisar que as sete ferramentas mais conhecidas são usadas
quando se quer tornar um processo mais eficaz, que resultará em produtos e ser-
viços de qualidade. A decisão da escolha depende dos objetivos, da situação e
das prioridades da empresa. É preciso lembrar que as ferramentas são um meio
para resolver os problemas e devem ser usadas com critério e bom senso para
que o resultado seja o melhor possível.
Boa leitura!
Introdução
168 UNIDADE V
GRÁFICOS E R
Caro(a) aluno(a), em algumas situações a distribuição da característica da quali-

dade de interesse não é normal e pode-se querer conhecer sua forma. É possível
obter as distribuições amostrais de e R e calcular limites de probabilidade exa-
tos para os gráficos de controle. Este procedimento pode ser muito difícil, e por
isso é preferível utilizar a abordagem baseada na suposição de normalidade, mas
esta suposição não pode ser fortemente violada. Em outros casos, poderemos não
ter qualquer informação sobre a forma de distribuição da característica da qua-
lidade e mesmo assim utilizar resultados baseados em uma distribuição normal.
Conhecer os efeitos dos desvios da normalidade sobre gráficos de controle
e R é importante, pois com isso é possível mostrar que os limites de controle
são pouco afetados pela violação da suposição de normalidade e podem ser
empregados a não ser que a população seja extremamente diferente da normal.
Na maioria dos casos, subgrupos racionais de tamanhos 4 ou 5 já são suficien-
tes para garantir que a distribuição amostral de possa ser bem aproximada
por uma distribuição normal, para efeito de construção dos gráficos de controle.

169
GRÁFICOS x E S
Os gráficos de controle e s são preferíveis quando n > 10 ou 12, já que para

amostras maiores a amplitude amostral R perde eficiência para estimar σ, quando
comparada ao desvio padrão amostral s.
Novamente, o gráfico é utilizado com o objetivo de controlar a média do
processo, enquanto o gráfico s é empregado para o controle da variabilidade do
processo considerado. Os dois gráficos devem ser empregados simultaneamente.
Os limites dos gráficos de controle e s são obtidos novamente sendo cal-
culados sob a suposição de que a característica da qualidade de interesse (x)
tem distribuição com média μ e desvio padrão σ, sendo apresentados de forma
abreviada x ˜ N (μ,σ). No entanto, são obtidos resultados satisfatórios mesmo
quando tal suposição não é verdadeira e a distribuição x pode ser considerada
apenas aproximadamente normal.
Conforme já sabemos, na prática os parâmetros μ e σ são desconhecidos e
deverão ser estimados a partir de dados amostrais. A forma de estimação de μ e
σ novamente consiste em tornar m amostras (subgrupos racionais) preliminares,
Gráficos x e s
170 UNIDADE V
cada uma contendo n observações da característica da qualidade considerada.

São expressões para estimação de μ e σ a partir dos dados amostrais.
Estimar μ
A média μ é estimada por meio da média global da amostra:
m
x1+ x2+…+xm 1
x= m = m
∑ xi
i=1
Estimar σ
O desvio padrão σ é estimado com base no desvio padrão amostral médio
definido por:
m
s1+ s2+…+ sm 1
s= m = m
∑ Si
i=1
Onde si i = 1,2,...,m é o desvio padrão da i-ésima amostra:
√
n
si = 1 ∑ (xij − xi )2
√
n−1 n
1 j=1∑ 2
si = n−1 (xij − xi )
j=1
s
σ̂ = padrão
É possível demonstrar que o desvio c4 sigma deve ser estimado por
s
σ̂ = c4
Onde c4 é um fator de correção tabelado em função do tamanho n de cada

amostra, conforme tabela a seguir, adaptada de Montgomery (2009).

171
Tabela 1 - Tabela de constantes para a construção de gráficos de controle
Factors for Constructing Variables Control Charts

C har t for Aver ages C har t for S tandar d D evi ati ons C har t for R anges
F actor s for F actor s for F actor s for
Observations
in Control Limits Center Line Factors for Control Limits Center Line Factors for Control Limits
Sample, n A A2 A3 c4 1/c4 B3 B4 B5 B6 d2 1/d2 d3 D1 D2 D3 D4
2 2.121 1.880 2.659 0.7979 1.2533 0 3.267 0 2.606 1.128 0.8865 0.853 0 3.686 0 3.267
3 1.732 1.023 1.954 0.8862 1.1284 0 2.568 0 2.276 1.693 0.5907 0.888 0 4.358 0 2.574
4 1.500 0.729 1.628 0.9213 1.0854 0 2.266 0 2.088 2.059 0.4857 0.880 0 4.698 0 2.282
5 1.342 0.577 1.427 0.9400 1.0638 0 2.089 0 1.964 2.326 0.4299 0.864 0 4.918 0 2.114
6 1.225 0.483 1.287 0.9515 1.0510 0.030 1.970 0.029 1.874 2.534 0.3946 0.848 0 5.078 0 2.004
7 1.134 0.419 1.182 0.9594 1.0423 0.118 1.882 0.113 1.806 2.704 0.3698 0.833 0.204 5.204 0.076 1.924
8 1.061 0.373 1.099 0.9650 1.0363 0.185 1.815 0.179 1.751 2.847 0.3512 0.820 0.388 5.306 0.136 1.864
9 1.000 0.337 1.032 0.9693 1.0317 0.239 1.761 0.232 1.707 2.970 0.3367 0.808 0.547 5.393 0.184 1.816
10 0.949 0.308 0.975 0.9727 1.0281 0.284 1.716 0.276 1.669 3.078 0.3249 0.797 0.687 5.469 0.223 1.777
11 0.905 0.285 0.927 0.9754 1.0252 0.321 1.679 0.313 1.637 3.173 0.3152 0.787 0.811 5.535 0.256 1.744
12 0.866 0.266 0.886 0.9776 1.0229 0.354 1.646 0.346 1.610 3.258 0.3069 0.778 0.922 5.594 0.283 1.717
13 0.832 0.249 0.850 0.9794 1.0210 0.382 1.618 0.374 1.585 3.336 0.2998 0.770 1.025 5.647 0.307 1.693
14 0.802 0.235 0.817 0.9810 1.0194 0.406 1.594 0.399 1.563 3.407 0.2935 0.763 1.118 5.696 0.328 1.672
15 0.775 0.223 0.789 0.9823 1.0180 0.428 1.572 0.421 1.544 3.472 0.2880 0.756 1.203 5.741 0.347 1.653
16 0.750 0.212 0.763 0.9835 1.0168 0.448 1.552 0.440 1.526 3.532 0.2831 0.750 1.282 5.782 0.363 1.637
17 0.728 0.203 0.739 0.9845 1.0157 0.466 1.534 0.458 1.511 3.588 0.2787 0.744 1.356 5.820 0.378 1.622
18 0.707 0.194 0.718 0.9854 1.0148 0.482 1.518 0.475 1.496 3.640 0.2747 0.739 1.424 5.856 0.391 1.608
19 0.688 0.187 0.698 0.9862 1.0140 0.497 1.503 0.490 1.483 3.689 0.2711 0.734 1.487 5.891 0.403 1.597
20 0.671 0.180 0.680 0.9869 1.0133 0.510 1.490 0.504 1.470 3.735 0.2677 0.729 1.549 5.921 0.415 1.585
21 0.655 0.173 0.663 0.9876 1.0126 0.523 1.477 0.516 1.459 3.778 0.2647 0.724 1.605 5.951 0.425 1.575
22 0.640 0.167 0.647 0.9882 1.0119 0.534 1.466 0.528 1.448 3.819 0.2618 0.720 1.659 5.979 0.434 1.566
23 0.626 0.162 0.633 0.9887 1.0114 0.545 1.455 0.539 1.438 3.858 0.2592 0.716 1.710 6.006 0.443 1.557
24 0.612 0.157 0.619 0.9892 1.0109 0.555 1.445 0.549 1.429 3.895 0.2567 0.712 1.759 6.031 0.451 1.548
25 0.600 0.153 0.606 0.9896 1.0105 0.565 1.435 0.559 1.420 3.931 0.2544 0.708 1.806 6.056 0.459 1.541
Para o cálculo dos limites de controles dos gráficos de controle e s, utilizamos

as seguintes expressões:
Gráfico
Gráficos x e s
172 UNIDADE V

Onde é uma constante tabelada em função do tamanho n das
amostras.
Gráfico
Onde é a estimativa do desvio padrão da distribuição de s e B3 e B4, que são
constantes tabeladas em função do tamanho n das amostras.
Etapas para a construção e utilização dos Gráficos de Controle es

1. Escolher a característica da qualidade a ser controlada.
2. Coletar m amostras (subgrupos racionais), cada uma contendo n obser-
vações da característica da qualidade de interesse. Em geral, m=20 ou
25 e n=4, pelo menos. Coletar as amostras em intervalos sucessivos e
registrar as observações na ordem em que foram obtidas.
3. Calcular a média
LIC = s − 3σˆs = B 3 s
i
de cada amostra.
xi1+ xi2+…+ xin

xi = sendo i = 1, 2, …, m
m
O resultado deve ser apresentado m a mais do que os dados

x1+com umamcasa decimal
x2+…+x
originais. x
xi1+ xi2+…+= xin m 1 ∑
= m xi
x =i
4. Calcular a médiamglobal
sendo i = 1, 2, …, m
i=1
√
n m
x =si x=1+ x2+…+x
m
1m∑ 1
n−1 = (xij ∑xxi )
−
i
2
j=1 m
i=1
√
n
1 ∑ 2
si E=CAPACIDADE DOn−1
GRÁFICOS DE CONTROLE PROCESSO
(xij − xi )
j=1
173
xi1+ xi2+…+ xin
xi = m sendo i = 1, 2, …, m
m
x1+ x2+…+xm
x= m = 1
m
∑ xi
5. Calcular o desvio padrão de cada amostra
i=1
√
n
si = 1
n−1
∑ (xij − xi )2
j=1
6. Calcular o desvio padrão médio

m
s1+ s2+…+ sm 1
s= m = m
∑ si
i=1
7. Calcular os limites de controles

LSC = x + 3 c √n = xm + A3 s
4ss1+ m
s2+…+ sm 11 ∑
Gráfico
ss =
= 1+ s2+…+ sm
m
m
=
= ∑ si
m i=1 si
m
LM = x i=1
LSC
SC =
= xx + 33 csss√ n= x +A s
LIC = x − 3cc44 √√nn==x x+−A33As3 s
L +
4
L
LMM= = xx
s
LIC
L = xx −
IC = √nn =
− 33 ccs4 √ −A
= xx − A33ss
LSC = s + 3σˆs = B 4 s
4
Gráfico s
LM =ˆ s
LSC = ss +
LSC = + 33σ = B
σˆss = B44ss
LIC = LsM−=3σsˆs = B 3 s
LM = s
LIC
IC = ˆ
L = ss −
− 33σ = B
σˆss = B33ss
O LIC não é considerado quando n é inferior a 5.

8. Plotar os gráficos.
Gráficos x e s
174 UNIDADE V
9. Analisar e interpretar os gráficos construídos com base no comporta-

mento dos pontos e verificar se o processo está sob controle estatístico
do processo. Caso seja necessário, recalcular os limites dos gráficos após
o abandono de pontos fora de controle. Pode ser necessário coletar novas
amostras.
10. Verificar se o estado de controle alcançado é adequado ao processo,
tendo em vista considerações técnicas e econômicas. Em caso afirma-
tivo, adotar os gráficos para o controle atual e futuro do processo. Em
caso negativo, conduzir ações de melhoria até que seja atingido o nível
de qualidade desejado para o processo. E rever periodicamente os valo-
res dos limites de controle.
Exemplo:
Construir os gráficos de controle x e s para os dados da tabela a seguir.
Tabela 2 - Diâmetro de eixos (mm) produzidos
Diâmetro de eixos (mm) produzidos por uma autopeças

Amostra i xi si
1 7,101 0,0042
2 7,100 0,0035
3 7,109 0,0102
4 7,117 0,0027
5 7,104 0,0119
6 7,103 0,0045
7 7,098 0,0084
8 7,108 0,012
9 7,095 0,0184
10 7,113 0,0152
11 7,098 0,0148
12 7,093 0,012
13 7,098 0,0135
14 7,092 0,0076
15 7,097 0,0164

175
16 7,083 0,012
17 7,106 0,0152
18 7,093 0,0084
19 7,090 0,0158
20 7,100 0,0173
21 7,098 0,0045
22 7,101 0,0175
23 7,104 0,0042
24 7,100 0,0117
25 7,118 0,0076
Médias 7,10076 0,01078
Fonte: o autor.
LSC = B 4 s = 2, 089 .0, 01078 = 0, 02252
LM = s = 0, 01078
LIC = B 3 s = 0 .0, 01078 = 0
Gráfico s
O gráfico s está apresentado logo a seguir com os m = 25 valores amostrais do
desvio padrão si. Como nenhum dos pontos extrapola os limites de controle e
não há evidências de alguma configuração aleatória dos pontos em torno da
linha média, é possível concluir que o processo está sob controle no que diz res-
peito à variabilidade.
Gráficos x e s
176 UNIDADE V
0,025
0,02
0,015
S
LSC
0,01 s médio
LIC
0,005
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Figura 1 - Gráfico para o diâmetro de eixos em milímetros
Fonte: o autor.
Gráfico
LSC = x + A3 s = 7, 10076 + 1, 427 . 0, 01078 = 7, 11614
LM = x = 7, 10076
LIC = x − A3 s = 7, 10076 − 1, 427 . 0, 01078 = 7, 08538
LSC está
O gráfico = Bapresentado
4 s = 2, 089logo
.0, 0a1124
seguir=com
0, 0os
2347
m = 25 valores amostrais do
desvio padrão i. Ao observar o gráfico, verifica-se que 3 pontos extrapolam os
limites de controle. Para exemplo, supondo que um defeito no torno tenha sido
a causa de variação assinalável a estas amostras. Podem ser então descartadas
as três amostras e recalculados os limites de controle dos gráficos e s. É usual
refazer os cálculos também para o gráfico do desvio padrão, eliminando as amos-
tras correspondentes aos pontos fora de controle no gráfico da média, apesar de
não serem detectados problemas no gráfico s.

177
7,130
7,120
7,110
7,100
7,090
7,080
7,070
7,060
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
Figura 2 - Gráfico para o diâmetro dos eixos produzidos em milímetros.

Fonte: o autor.
Novos limites do gráfico s

Após a eliminação das amostras 4, 16 e 25, os novos valores serão, com base no
novo valor de = 0,01152:
LIC = x − A3 s = 7, 10076 − 1, 427 . 0, 01078 = 7, 08538
LSC = B 4 s = 2, 089 .0, 01124 = 0, 02347
LM = s = 0, 01124
LIC = B 3 s = 0 .0, 01124 = 0
O gráfico s está apresentado logo a seguir com os m = 22 valores amostrais do

desvio padrão si. Como LSC x + A3dos
n=5=nenhum s =pontos
7, 10005 + 1,os427
extrapola . 0,de
limites 01124
con- = 7, 11608
trole e não há evidências de alguma configuração aleatória dos pontos em torno
LM = x = 7, 10005
da linha média, é possível concluir que o processo está sob controle no que diz
respeito à variabilidade.
Gráficos x e s
178 UNIDADE V
0,025
0,02
0,015
S
LSC
0,01 s médio
LIC
0,005
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Figura 3 - Novos limites do desvio padrão para o diâmetro em milímetros dos eixos produzidos
Fonte: o autor.
LM = s = 0, 01124
Novos limites do gráfico
LIC
Após = B3s =
a eliminação .0, 01124
das0amostras 4, 16=e 0
25, os novos valores serão, com base no
novo valor de = 7,10005:
LSC = x + A3 s = 7, 10005 + 1, 427 . 0, 01124 = 7, 11608
LM = x = 7, 10005
LIC = x − A3 s = 7, 10005 − 1, 427 . 0, 01124 = 7, 08401

179
7,120
7,115
7,110
7,105
7,100
7,095
7,090
7,085
7,080
7,075
7,070
7,065
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Figura 4 - Novos limites para a média do diâmetro em milímetros dos eixos produzidos
Fonte: o autor.
O gráfico está apresentado logo a seguir com os m = 22 valores amostrais da

média. Como nenhum dos pontos extrapola os limites de controle e não há evi-
dências de alguma configuração aleatória dos pontos em torno da linha média,
é possível concluir que o processo está sob controle.
Assim que uma nova amostra de valores do diâmetro for obtida, os valores
i
e si devem ser calculados e representados nos gráficos de controle. A seguir
estes gráficos devem ser analisados, para que o estado de controle estatístico do
processo possa ser avaliado.
Para concluir esse exemplo, é importante destacar que uma estimativa para
o desvio padrão σ com base em é:
s 0,01124
σ̂ = c4 = 0,9400 = 0, 0112 mm
E a estimativa de média μ = = 7,10005.
Gráficos x e s
180 UNIDADE V
GRÁFICOS x E AM
Muitas vezes as amostras utilizadas na construção de um gráfico de controle têm

tamanho unitário, isto é, n = 1. Dois exemplos de situações em que as amostras
consistem de uma única unidade são:
■■ Emprego da inspeção automatizada, onde toda unidade produzida é
avaliada.
■■ Processos para os quais a taxa de produção é baixa, não sendo então con-
veniente permitir que tamanhos amostrais superiores a 1 se acumulem
para que a análise dos resultados possa ser efetuada.
Construção dos Gráficos x e AM

Os gráficos de controle utilizados quando n = 1 são denominados gráficos para

181
medidas individuais. As expressões empregadas para o cálculo dos limites de

controle dos gráficos para medidas individuais são basicamente aquelas já apre-
sentadas anteriormente com as seguintes alterações:
■■ Fazer o n = 1.
■■ Considerar em lugar .
■■ Utilizar a amplitude móvel (AMi) de duas observações sucessivas para
estimar variabilidade do processo:
AMi = | xi - xi - 1 |i - 1
Expressões para o cálculo dos limites de controle dos gráficos x e AM.

Gráfico x
LSC = x + 3 AM
d2
LM = AM
LIC = x - 3 AM
d2
Onde AM é a amplitude móvel média e d2 deve ser obtido da tabela a
seguir, para n = 2, já que o gráfico é baseado em uma amplitude móvel de n =
2 observações.
Gráficos x E AM
182
Factors for Constructing Variables Control Charts

C har t for Aver ages C har t for S tandar d D evi ati ons C har t for R anges
F actor s for F actor s for F actor s for
Observations
in Control Limits Center Line Factors for Control Limits Center Line Factors for Control Limits
UNIDADE
Sample, n A A2 A3 c4 1/c4 B3 B4 B5 B6 d2 1/d2 d3 D1 D2 D3 D4

V
2 2.121 1.880 2.659 0.7979 1.2533 0 3.267 0 2.606 1.128 0.8865 0.853 0 3.686 0 3.267
3 1.732 1.023 1.954 0.8862 1.1284 0 2.568 0 2.276 1.693 0.5907 0.888 0 4.358 0 2.574
4 1.500 0.729 1.628 0.9213 1.0854 0 2.266 0 2.088 2.059 0.4857 0.880 0 4.698 0 2.282
5 1.342 0.577 1.427 0.9400 1.0638 0 2.089 0 1.964 2.326 0.4299 0.864 0 4.918 0 2.114
6 1.225 0.483 1.287 0.9515 1.0510 0.030 1.970 0.029 1.874 2.534 0.3946 0.848 0 5.078 0 2.004

7 1.134 0.419 1.182 0.9594 1.0423 0.118 1.882 0.113 1.806 2.704 0.3698 0.833 0.204 5.204 0.076 1.924
8 1.061 0.373 1.099 0.9650 1.0363 0.185 1.815 0.179 1.751 2.847 0.3512 0.820 0.388 5.306 0.136 1.864
9 1.000 0.337 1.032 0.9693 1.0317 0.239 1.761 0.232 1.707 2.970 0.3367 0.808 0.547 5.393 0.184 1.816
10 0.949 0.308 0.975 0.9727 1.0281 0.284 1.716 0.276 1.669 3.078 0.3249 0.797 0.687 5.469 0.223 1.777
11 0.905 0.285 0.927 0.9754 1.0252 0.321 1.679 0.313 1.637 3.173 0.3152 0.787 0.811 5.535 0.256 1.744
12 0.866 0.266 0.886 0.9776 1.0229 0.354 1.646 0.346 1.610 3.258 0.3069 0.778 0.922 5.594 0.283 1.717
13 0.832 0.249 0.850 0.9794 1.0210 0.382 1.618 0.374 1.585 3.336 0.2998 0.770 1.025 5.647 0.307 1.693
14 0.802 0.235 0.817 0.9810 1.0194 0.406 1.594 0.399 1.563 3.407 0.2935 0.763 1.118 5.696 0.328 1.672

15 0.775 0.223 0.789 0.9823 1.0180 0.428 1.572 0.421 1.544 3.472 0.2880 0.756 1.203 5.741 0.347 1.653
16 0.750 0.212 0.763 0.9835 1.0168 0.448 1.552 0.440 1.526 3.532 0.2831 0.750 1.282 5.782 0.363 1.637
17 0.728 0.203 0.739 0.9845 1.0157 0.466 1.534 0.458 1.511 3.588 0.2787 0.744 1.356 5.820 0.378 1.622
18 0.707 0.194 0.718 0.9854 1.0148 0.482 1.518 0.475 1.496 3.640 0.2747 0.739 1.424 5.856 0.391 1.608
19 0.688 0.187 0.698 0.9862 1.0140 0.497 1.503 0.490 1.483 3.689 0.2711 0.734 1.487 5.891 0.403 1.597
Tabela 3 - Tabela de constantes para a construção de gráficos de controle
20 0.671 0.180 0.680 0.9869 1.0133 0.510 1.490 0.504 1.470 3.735 0.2677 0.729 1.549 5.921 0.415 1.585
21 0.655 0.173 0.663 0.9876 1.0126 0.523 1.477 0.516 1.459 3.778 0.2647 0.724 1.605 5.951 0.425 1.575
22 0.640 0.167 0.647 0.9882 1.0119 0.534 1.466 0.528 1.448 3.819 0.2618 0.720 1.659 5.979 0.434 1.566
23 0.626 0.162 0.633 0.9887 1.0114 0.545 1.455 0.539 1.438 3.858 0.2592 0.716 1.710 6.006 0.443 1.557
24 0.612 0.157 0.619 0.9892 1.0109 0.555 1.445 0.549 1.429 3.895 0.2567 0.712 1.759 6.031 0.451 1.548
25 0.600 0.153 0.606 0.9896 1.0105 0.565 1.435 0.559 1.420 3.931 0.2544 0.708 1.806 6.056 0.459 1.541
183
Gráfico AM
LSC = D4 AM
LM = AM
LIC = D3 AM
Onde D3 e D4 devem ser obtidos do quadro 2, para n = 2, pelo mesmo motivo

do gráfico x.
Exemplo:
A fabricação de corantes têxteis, cuja produção envolvia a realização de reações
químicas muito lentas, era produzida em uma indústria por meio de um pro-
cesso descontínuo em várias bateladas ou partidas. Uma das características da
qualidade de interesse para este corante era seu teor de pureza, o qual devia ser
superior a 85%, segundo as especificações do mercado. A indústria desejava
implementar gráficos de controle para o monitoramento da estabilidade do pro-
cesso produtivo, em relação a essa característica da qualidade. No entanto, como
cada partida da substância demorava várias horas para ser fabricada, a taxa de
produção era muito baixa para permitir a utilização de tamanhos amostrais supe-
riores a 1. Em vista deste fato, a indústria decidiu utilizar gráficos de controles
para medidas individuais.
O teor de pureza medido para 24 bateladas da substância é apresentado na
tabela a seguir, que mostra os valores da amplitude móvel AMi de duas obser-
vações sucessivas (AMi = | xi - xi - 1).
Gráficos x E AM
184 UNIDADE V
Tabela 4 - Medidas do teor de pureza de um corante têxtil
MEDIDAS DO TEOR DE PUREZA DE UM CORANTE TÊXTIL
Número de amostra i Teor de pureza (%) xi Amplitude móvel AMi

1 92,9 -
2 94,9 2,0
3 89,8 5,1
4 95,2 5,4
5 92,8 2,4
6 92,2 0,6
7 88,3 3,9
8 90,4 2,1
9 89,1 1,3
10 90,7 1,6
11 93,0 2,3
12 93,9 0,9
13 94,8 0,9
14 96,4 1,6
15 91,4 5,0
16 89,2 2,2
17 93,7 4,5
18 90,8 2,9
19 91,8 1,0
20 93,1 1,3
21 89,9 3,2
22 93,4 3,5
23 87,2 6,2
24 92,2 5,0
Médias 91,96 2,82
Fonte: o autor.

185
Gráfico AM
LSC = D4 AM = 3, 267 . 2, 82 = 9, 21
LM = AM = 2, 82
LIC = D3 AM = 0 .2, 82 = 0
Lembrando que D3 e D4 foram obtidos por meio da Tabela 3.

10,0
9,0
8,0
7,0
6,0
Amplitude
5,0 móvel Ami
4,0 LSC
LM
3,0 LIC
2,0
1,0
0,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Figura 5 - Medidas do teor de pureza de um corante têxtil
Fonte: o autor.
O gráfico de controle AM, no qual foram lançados os m = 23 valores amostrais

da amplitude móvel AMi, é apresentado na Figura 5. Como nenhum dos pon-
tos extrapolou os limites de controle, foi possível concluir que o processo estava
sob controle no que diz respeito à variabilidade. A seguir, foi construído o grá-
fico de controle para as medidas individuais do teor de pureza do corante têxtil.
Gráfico x
A partir dos dados da Tabela 4, foram calculados os seguintes valores para os
limites de controle do gráfico x:
Gráficos x E AM
186 UNIDADE V
2,82
LSC = x + 3 AM
d = 91, 96 + 3. 1,128 = 99, 46
2
LM = 91, 96
2,82
LIC = x − 3 AM
d = 91, 96 − 3. 1,128 = 84, 46
2
Note que, como foi usada uma amplitude móvel de duas observações, então
d2 foi obtido com n = 2.
Figura 6 - Medidas do teor de pureza de um corante têxtil

Fonte: o autor.
É no gráfico de controle para as medidas individuais que foram lançados os m =

24 valores amostrais de xi, da tabela deste exemplo. Como nenhum dos pontos
extrapolou os limites de controle, foi possível concluir que o processo estava sob
controle. Como a capacidade do processo em atender às especificações também
estava adequada, os dois gráficos construídos passaram a ser utilizados para o
controle atual e futuro do processo de produção do corante têxtil.

187
INTERPRETAÇÃO DOS GRÁFICOS X E AM
O gráfico para medidas individuais pode ser interpretado de modo similar ao

gráfico . Uma mudança na média do processo resultará em pontos fora dos
limites de controle ou em alguma das configurações especiais.
O gráfico a seguir mostra ter ocorrido uma diminuição do teor de pureza
obtidas nas 24 bateladas subsequentes do corante têxtil. Estes dados foram lança-
dos em novo gráfico plotado em continuação aos gráficos e AM anteriormente
construídos.
100,0
95,0
90,0
Teor de pureza
(%) xi
85,0 LSC
LM
LIC
80,0
75,0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Figura 7 - Gráfico para medidas individuais x

Fonte: o autor.
Interpretação dos Gráficos X e AM

188 UNIDADE V
O gráfico construído mostra ter ocorrido uma diminuição do teor de pureza da

substância a partir da batelada 31, com a estabilização do processo em um nível
mais baixo do teor de pureza a partir deste ponto. Observe que o ponto corres-
pondente à amostra 31 no gráfico AM reage a esta diminuição, mostrando um
único e elevado pico no ponto correspondente. As causas desta ocorrência devem
ser prontamente investigadas e a ação corretiva apropriada adotada pela empresa.
12,0
10,0
8,0
6,0
Amplitude
móvel Ami
4,0 LSC
LM
LIC
2,0
0,0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Figura 8 - Gráfico para a amplitude móvel

Fonte: o autor
Deve-se tomar cuidado na interpretação das configurações no gráfico AM. As

amplitudes móveis são correlacionadas, e esta correlação pode frequentemente
levar ao aparecimento de configurações tipo sequencial ou periódico no gráfico
AM, mesmo quando o processo está sob controle. Note que uma configuração
de sequência está presente nos gráficos anteriores, porém as medidas individu-
ais do gráfico x são supostamente não correlacionadas, e então a presença de
qualquer configuração especial neste gráfico deve ser estudada com atenção.

189
Efeitos da violação da suposição de normalidade sobre os gráficos de

controle x e AM
Os limites de controle dos gráficos x e AM são sensíveis à violação da supo-
sição de que as observações da variável de interesse x seguem uma distribuição
normal.
Quando há evidências de que a variável não tem distribuição próxima da
normal, Werkema (2006) afirma que existem duas alternativas a serem adotadas:
■■ Determinar os limites de controle dos gráficos x e AM com base na ver-
dadeira distribuição dos dados. Os percentis desta distribuição podem
ser obtidos a partir de um histograma para n > 100 ou por meio de uma
distribuição de probabilidade de dados.
■■ Transformar a variável original em uma nova variável que seja aproxi-
madamente normal, e então construir gráficos de controle para esta nova
variável.
Estudo sobre a aplicação de gráficos de controle em processos de satu-

ração de papel
Nos dias atuais, a maior parte da literatura disponível sobre gráficos de con-
trole foi desenvolvida para aplicação em processos de fabricação discreta,
ou seja, processos que produzem produtos unitários em processos de pro-
dução em massa ou intermitentes. Para processos em fluxo contínuo, em
que o produto é de natureza contínua e em que não se consegue definir
claramente qual é unidade do produto, as contribuições dos especialistas
são bem mais raras e difusas.
Ainda mais raros são os estudos sobre gráficos de controle aplicados a pro-
cessos em redes. Conforme Frost (2005), processo de produção em redes é
todo o processo em que o produto ou matéria-prima apresenta uma dimen-
são contínua no sentido longitudinal e uma dimensão definida no sentido
transversal, sendo exemplos os processos produtivos de bobinas de papéis,
bobinas de aço e bobinas de tecido.
Fonte: Rebelato et al. (2006 p. 1).
Interpretação dos Gráficos X e AM

190 UNIDADE V
A CAPACIDADE DO PROCESSO
Caro(a) aluno(a), até o momento foram estudados os gráficos de controle, os

quais são ferramentas utilizadas para a avaliação da estabilidade de um processo
e sua previsibilidade. No entanto, há a possibilidade de um processo estável e
previsível produzir itens defeituosos. Sendo assim, não é suficiente colocar e
manter um processo sob controle. É fundamental avaliar se o processo é capaz
de atender às especificações estabelecidas. Esta avaliação constitui o estudo da
capacidade do processo. Lembre-se que, se o processo não é estável e de com-
portamento imprevisível, não faz sentido avaliar a sua capacidade.
Processos estáveis podem e devem ter sua capacidade avaliada.

191
Os projetos de produtos ou peças fornecem não somente as medidas que o pro-

duto ou a peça deve ter, mas também o intervalo em que essas medidas podem
variar. Esses valores que devem ser especificados no projeto são:
a. Valor nominal (VN), que se trata do valor que determinada medida deve ter.
b. Limite superior da especificação (LSE), que é o limite superior que este
intervalo pode variar.
c. Limite inferior de especificação (LIE), que é o limite inferior que este
intervalo pode variar.
A diferença entre o LSE e o LIE é a tolerância do projeto. Não existe relação

matemática ou estatística entre limite de controle e limite de especificação. Os
limites de controle são função da variabilidade do processo, medida pelo desvio
padrão. Os limites de especificação são estabelecidos no projeto por engenhei-
ros, técnicos ou pelo cliente.
Todo novo processo precisa de ajustes e regulagens. Quando todas as causas
especiais de variação estão controladas, isto é, quando a variabilidade só pode
ser explicada por causas comuns, diz-se que o processo atingiu o estado de con-
trole estatístico.
A capacidade do processo é definida a partir da faixa μ ±3σ, a qual é deno-
minada faixa característica do processo. Se o processo estiver sob controle e se
for verdadeira a suposição de normalidade, 99,73% dos valores da variável x
de interesse devem pertencer essa faixa. Para estudar a capacidade do processo
devemos, então, comparar esta faixa com as especificações.
Observe que como μ e σ são desconhecidos, eles deverão ser estimados por
meio de dados amostrais para que a capacidade do processo possa ser avaliada.
A média μ é bem estimada pela média amostral enquanto σ pode ser esti-
mado por s, ou .
A Capacidade do Processo
192 UNIDADE V
Análise gráfica da capacidade de processos

A análise gráfica da capacidade de um processo consiste na comparação de
histogramas e/ou gráficos sequenciais construídos para a característica da qua-
lidade de interesse com os limites de especificação.
Para estudar a capacidade do processo, você inicialmente precisa fazer um
histograma.
a. Colete uma amostra de pelo menos 100 itens produzidos e meça a carac-
terística da qualidade que se deseja analisar.
b. Calcule a média e o desvio padrão.
c. Calcule os limites naturais de tolerância e a capacidade do processo.
d. Organize uma tabela de distribuição de frequências e desenhe um
histograma.
Para analisar a capacidade de processo:

a. Verifique se a média global coincide ou tem valor próximo ao valor
nominal.
b. Compare a capacidade do processo (6 σ) com a tolerância do projeto
(LSE – LIE).

193
c. Analise o histograma quanto à forma e à disposição.

d. Veja se os dados estão distribuídos entre os limites de especificação.
O histograma tem a vantagem de ser facilmente compreendido e fornecer a

impressão individual do desempenho do processo.
Com base na tabela a seguir, calcula-se a média do processo e o desvio padrão.
Tabela 5 - Tabela de amostras
AMOSTRAS
Medida 1 2 3 4 5
x1 78 82 86 77 76
x2 77 82 83 79 78
x3 79 81 79 81 79
x4 82 79 84 79 79
x 79 81 83 79 78
R 5 3 7 4 3
Fonte: o autor.
O processo analisado estabelece que VN = 81,5, LSE = 88 e LIE = 75. Com base
nesses dados sabemos que a tolerância do projeto é igual a 13.
Para estimar a capacidade do processo é necessário utilizar a seguinte equa-
ção: 6 σ = 6 . 2, 137 = 12,822 .
Agora, devemos organizar uma tabela de distribuição de frequências e apre-
sentar estes dados em um histograma.
194 UNIDADE V
Tabela 6 - Tabela de frequências
Intervalo ( i ) Frequência
76,0 ˫ 78,0 3
78,0 ˫ 80,0 9
80,0 ˫ 82,0 2
82,0 ˫ 84,0 4
84,0 ˫ 86,0 2
Total 20
Fonte: o autor.
10
0
77 79 81 83 85
Figura 9 - Histograma
Fonte: o autor.
Com base nas estatísticas calculadas e no histograma, pode-se afirmar que:

a. A média do processo igual a 80 é menor que o valor nominal 81,5, logo
o processo não está centrado.

195
b. A capacidade do processo está muito próxima da tolerância do projeto,

o que não é desejável.
c. O histograma é assimétrico.
d. Os dados estão entre os limites de especificação, porém muito próximos
deles. Quase não há folga.
Estas afirmações sugerem que devem ser tomadas as seguintes providências:

a. Ajustar a média do processo para mais perto do valor nominal.
b. Diminuir a variabilidade.
Índices de capacidade
Os índices de capacidade processam as informações de forma que seja possível
avaliar se um processo é capaz de gerar produtos que atendam às especificações
provenientes dos clientes internos e externos.
Outra forma de expressão da capacidade de um processo consiste no cálculo
dos chamados índices de capacidade. Estes índices são números adimensionais
que permitem uma quantificação do desempenho dos processos.
Para utilizar os índices de capacidade é necessário que o processo esteja sob
controle estatístico e a variável de interesse tenha distribuição próxima da normal.
Índice Cp
Caso a variável de interesse tenha especificação bilateral, o Cp é definido por:
LSE−LIE
Cp = 6σ
Observe que o índice Cp relacionaLSE−LIE

aquilo que se deseja produzir (LSE − LIE),
Ĉ p =
que corresponde à variabilidade permitida6σ̂ao processo, com a variabilidade natu-
ral do processo 6σ . É fácil perceber que quanto maior for o valor de Cp, maior
será a capacidade do processo em satisfazer às especificações, desde que a média
μ esteja centrada no valor nominal.
196 UNIDADE V
Como o desvio padrão σ do processo usualmente é desconhecido, devemos subs-

tituí-lo por uma estimativa σ (s, R/d2 ou s/c4). Portanto, a estimativa ou .
Um valor mínimo convencional aceito é de Cp = 1,33.

Comparação do
Classificação Valor Proporções de
histograma com
do processo de Cp defeituosos (p)
as especificações
LIE LSE
Capaz ou
adequado Cp ≥ 1,33 p ≤ 64ppm
(verde)
LIE LSE
Aceitável
1 ≤ Cp < 1,33 64ppm < p ≤ 0,27%
(amarelo)
LIE LSE
Incapaz ou
inadequado Cp < 1 p > 0,27%
(vermelho)
Figura 10 - Classificação de Processos a partir do índice Cp

Fonte: Werkema (2006, p. 230).
A Figura 10 nos fornece parâmetros para que possamos julgar o processo capaz,
aceitável ou inadequado com base no índice Cp.
A definição de Cp assume implicitamente que o processo está centrado no
valor nominal da especificação. Se o processo não estiver centrado, sua capaci-
dade real será menor do que a indicada por Cp. Portanto, Cp é uma medida de

197
capacidade potencial de um processo centrado no valor nominal. Se o processo

não estiver centrado, deve ser utilizado o índice Cpk.
Índice Cpk
O índice Cpk permite avaliar se o processo está sendo capaz de atingir o valor
nominal da especificação já que ele leva em consideração o valor da média do
processo. Logo, o índice Cpk é uma medida da capacidade real do processo. Cpk
é definido pela fórmula:
C pk = M IN [ LSE− μ
3σ ,
μ− LIE
3σ ]
Note que Cpk é calculado em relação ao limite de especificação mais pró-

LSE− x x −LIE
Ĉ = M IN [
ximo da média do processo.
pk Quando a média , ]
do processo coincide com o valor
3σ̂ 3σ̂
nominal da especificação, teremos Cp = Cpk.
Novamente, como a média μ e o desvio padrão σ do processo usual-
mente são desconhecidos, devemos substituí-los por estimativas adequadas
LSE−a μ μ− LIE
C = M IN [
( e s, R/d2 ou s/c4, respectivamente). Portanto
pk 3σ ,
estimativa
3σ ]
Cpk de Cpk será cal-
culada por meio da expressão:
Ĉ pk = M IN [ LSE− x , x−LIE ]
3σ̂ 3σ̂
A figura a seguir apresenta o relacionamento existente entre os índice Cp
e Cpk.
198 UNIDADE V
σ=2
Cp = 2.0
(a) Cpk = 2.0
38 44 50 56 62
σ=2
Cp = 2.0
(b) Cpk = 1.5
38 44 50 56 62
σ=2
Cp = 2.0
(c) Cpk = 1.0
38 44 50 56 62
σ=2
Cp = 2.0
(d) Cpk = 0
38 44 50 56 62
Cp = 2.0
Cpk = -0.5
σ=2
(e)
38 44 50 56 62 65
Figura 11 - Relacionamento entre os índices Cp e Cpk

Caso tenhamos os índices Cp e Cpk baixos, devemos reduzir a variabilidade do

processo. Se o Cp for alto e Cpk baixo, deve-se deslocar a média do processo.
Deve-se sempre buscar estes índices altos.

199
Prezado(a) aluno(a), vimos nesta quinta unidade uma última ferramenta da qua-
lidade que é o Gráfico de Controle. Na verdade são diversos gráficos de controle
e cada um tem a sua particularidade e aplicabilidade.
Até aqui, formamos a base que será importante para que a aplicação dos grá-
ficos não fique apenas na tela de seu software. Espero que a partir de agora você
saiba em qual situação utilizar os diferentes tipos, e que interpretar cada um dos
resultados apresentados é ponto crucial dentro do desenvolvimento da qualidade.
Em um primeiro momento, abordei sobre o gráfico do tipo x e R. Este gráfico

trata da relação entre as médias amostrais e a amplitude entre elas. Tratamos a
seguir sobre o gráfico x e s. Este gráfico relaciona as médias com os desvios-pa-
drão que encontramos em determinados processos. Discutimos sobre o gráfico
do tipo x e AM, utilizado para determinação de resultados em processos longos
que geram poucas amostras. Além disso, vimos como a interpretação e compa-
ração entre os diferentes tipos de resultados encontrados no gráfico de controle
devem ser compreendidos.
Ao fim desta unidade, proponho que você faça um exame de reflexão sobre
o conteúdo e veja como as ferramentas da qualidade abordadas nas diferentes
unidades deste material poderão ser importantes e funcionais em seu ambiente
de trabalho, seja na produção de bens ou serviços. A conformidade, no âmbito
da qualidade, quer dizer que o produto atende aos requisitos de especificação, e
estes devem ser atendidos durante todo o tempo que se deseja produzir tal bem
ou serviço. As ferramentas contribuirão com a economia de recursos financeiros
e tempo, pois não é possível e nem viável a inspeção de 100% dos itens fabricados.
Busque novas fontes de conhecimento sobre este assunto nos autores suge-
ridos. Um abraço e sucesso!
200
1. Identifique o gráfico de controle indicado para estudar:

a. Percentual de álcool na cerveja.
b. Peso bruto de sacos de cimento.
c. Número de fusíveis com defeito por grosa.
d. Tempo de vida útil de lâmpadas.
e. Espessura de chapas de aço.
2. Faça um gráfico de controle np para os dados apresentados em seguida.
Amostras
n 1 2 3 4 5 6 7
d 20 15 18 30 17 22 18
3. Faça um gráfico de controle - R para os dados apresentados em seguida.
Amostras
1 2 3 4 5
26 28 22 27 23
30 20 24 28 18
20 24 24 24 21
24 20 26 21 22
4. Em sete amostras de tamanho 100 foram observados os seguintes número de

não conformes: 10, 15, 18, 12, 15, 8 e 8. Faça um gráfico de controle.
5. Uma característica da qualidade é monitorada com gráficos de controle - R.

O tamanho da amostra é 7. Para cada amostra calcula-se i e Ri. Depois de
terem sido coletadas 35 amostras, verificou-se que = 7805 e = 1200.
Calcule as médias e os limites de controle.
201
Atualmente as empresas buscam produzir com a menor perda possível, de tempo, re-
cursos e custos, sem deixar de atender aos desejos e necessidades dos clientes. Para
atingir esse objetivo, muitas empresas fazem uso do controle estatístico do processo,
um dos ramos do controle de qualidade, que trata da coleta, análise e interpretação de
dados para a proposta de melhorias e controle da qualidade de produtos e serviços.
Analisando-se a variabilidade do processo, têm-se duas classificações possíveis para ele.
O processo é dito estatisticamente sob controle quando somente causas comuns de va-
riabilidade estiverem presentes. Ao contrário, se um processo apresentar, além das cau-
sas comuns de variabilidade, causas especiais, ele será dito fora de controle estatístico.
Quando se verifica que o processo encontra-se sob controle estatístico, pode-se me-
dir quanto esse processo consegue gerar produtos que atendam às especificações de
projeto que refletem os desejos e exigências de seus clientes. Para isso, faz-se uso dos
índices de capacidade do processo. Os índices estabelecidos nos estudos tradicionais de
capacidade do processo, ou de capabilidade do processo, do inglês process capability,
procuram detectar dois tipos de problemas. O primeiro é de localização do processo, se
o processo atende em média ao valor nominal de especificação, e o segundo, de varia-
bilidade, quando o processo apresenta muita dispersão e não atende às especificações
(bilaterais) que são estabelecidas no projeto.
A teoria de capacidade do processo foi primeiramente desenvolvida supondo-se que o
processo em análise apresenta distribuição normal e quando a característica de quali-
dade é do tipo nominal com especificações bilaterais. Porém, em algumas situações, é
desejável atender a uma especificação unilateral, na qual, certamente, um processo não
normal seria desejado. Por exemplo, produtos alimentares, que são obrigados por lei a
terem certo peso, por causa do custo, terão uma quantidade mais próxima desse peso,
o que certamente irá gerar um processo com assimetria (não normal). Sendo assim, é
importante que se busquem alternativas para atender a este tipo de situação, visando
minimizar conclusões errôneas na análise da capacidade.
Fonte: Gonçalez e Werner (2009, p. 121).
Introdução ao Controle Estatístico da Qualidade

Douglas C. Montgomery
Editora: LTC
Sinopse: prepara o leitor para a prática profissional, com
uma cobertura atualizada das mais recentes técnicas e
procedimentos bem como dos métodos tradicionais.
Esta quarta edição está completamente atualizada com
os últimos desenvolvimentos na área, novos exemplos e
cobertura ampla e integrada de programas computacionais
como o Minitab e o Excel. O leitor aprenderá como aplicar
as técnicas do estado-da-arte para controle e monitoramento estatístico de processos, o
planejamento de experimentos para caracterização e otimização, a condição de estudos da
robustez do processo e a implementação de técnicas de gerenciamento da qualidade, incluindo a
abordagem seis-sigma.
Jogo da imitação
Ano: 2014
Sinopse: durante a Segunda Guerra Mundial, o governo
britânico monta uma equipe que tem por objetivo quebrar
o Enigma, o famoso código que os alemães usam para
enviar mensagens aos submarinos. Um de seus integrantes
é Alan Turing (Benedict Cumberbatch), um matemático de
27 anos estritamente lógico e focado no trabalho, que tem
problemas de relacionamento com praticamente todos à
sua volta. Não demora muito para que Turing, apesar de
sua intransigência, lidere a equipe. Seu grande projeto é
construir uma máquina que permita analisar todas as possibilidades de codificação do Enigma
em apenas 18 horas, de forma que os ingleses conheçam as ordens enviadas antes que elas sejam
executadas. Entretanto, para que o projeto dê certo, Turing terá que aprender a trabalhar em
equipe, e tem Joan Clarke (Keira Knightley) como sua grande incentivadora.
O MINITAB é um software que fornece um ambiente completo para a análise de dados. Trabalha,
simultaneamente, com planilhas de dados, tabelas com análises estatísticas, gráficos e textos,
chamados de projeto, quando salvos em conjunto. No link a seguir você pode baixar uma versão
exclusiva para acadêmicos.
Link: < https://www.minitab.com/pt-br/>

203
REFERÊNCIAS
GONÇALEZ, P. U.; WERNER, L. Comparação dos índices de capacidade do processo

para distribuições não-normais. Gestão e Produção, São Carlos-SP, v. 16, n. 1, p.
121-132, jan./mar. 2009.
MONTGOMERY, D. C.; Introduction to Statistical Quality Control. Nova York: John
Wiley & Sons, 2009.
REBELATO, M. G. et al. Estudo sobre a aplicação de gráficos de controle em proces-
sos de saturação de papel. In. SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO, 13., 2006,
Bauru-SP. Anais... Bauru-SP: UNESP, 2006.
WERKEMA, C. Ferramentas estatísticas básicas para o gerenciamento de proces-
sos. Belo Horizonte: Werkema, 2006.
GABARITO
1.
a. -R
b. -R
c. np
d. -R
e. -R
2. LSC = 32,73; np = 20; LIC = 7,27.
3. Para : LSC = 28,55; = 23,60; LIC = 0. Para R: LSC = 15,22; R = 6,80; LIC = 0.
4. LSC = 22,13; np = 12,29; LIC = 2,44.
5. Para : LSC = 237,4; = 223,0; LIC = 208,6. Para R: LSC = 65,97; R = 34,29; LIC = 2,61.
205
CONCLUSÃO
Caro(a) aluno (a), é uma honra saber que você bravamente chegou até aqui!
Preparei este material com o intuito de lhe apresentar os princípios e conceitos bási-
cos do Controle Estatístico do Processo (CEP) para que você aplique no planejamen-
to, realização, controle, na busca da obtenção de resultados positivos nos processos
industriais e na prestação de serviços. Minha intenção foi que você compreendesse
esses conceitos para que eles sejam aplicados com eficiência na prática. As ativida-
des que propomos em cada unidade o(a) direcionaram para isso. O desafio foi aceito
e você o cumpriu.
Este material foi dividido em cinco unidades:
A Unidade I, “Visão geral sobre o Controle Estatístico do Processo”, abordou a impor-
tância da evolução dos métodos e filosofias que embasam os estudos acerca deste
tema. Nesta unidade, foi conhecida um pouco da história sobre o controle estatísti-
co e como ele deve funcionar.
A Unidade II, chamada “Ferramentas da Qualidade I”, forneceu a você conhecimen-
tos de três ferramentas da qualidade: a folha de verificação, a estratificação e o dia-
grama de Pareto.
A Unidade III, intitulada “Ferramentas da Qualidade II”, forneceu informações sobre
três novas ferramentas: Diagrama de Causa e Efeito, Histograma e Diagrama de Dis-
persão.
A Unidade IV, intitulada “Estatística básica aplicada ao CEP”, abordou a importância
do conhecimento sobre probabilidade, variáveis e a distribuição normal.
Por fim, a Unidade V tratou da última ferramenta, denominada Gráfico de Controle,
e da capacidade dos processos. Nesta unidade foi enfatizado o uso dos diferentes
tipos de cartas de controle aplicados ao CEP e a capabilidade de um processo.
Este livro teve como objetivos fornecer informações úteis à elaboração de gráficos e
estudos que irão ajudar você em sua tomada de decisão. Ele foi desenvolvido para
responder de forma simples e objetiva às frequentes dúvidas encontradas no con-
trole de um processo.
Um grande abraço e sucesso!
ANOTAÇÕES
ANOTAÇÕES
ANOTAÇÕES

Livro - Controle Estatístico Do Processo

Enviado por

Dados do documento

Descrição original:

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

Livro - Controle Estatístico Do Processo

Enviado por

Direitos autorais:

Formatos disponíveis

CONTROLE

Professor Esp. Samuel Sales Pedroza

NEAD - Núcleo de Educação a Distância

ISBN 978-85-459-0598-1 Editoração

Professor Esp. Samuel Sales Pedroza

CONTROLE ESTATÍSTICO DO PROCESSO

VISÃO GERAL DO CONTROLE ESTATÍSTICO

16 Métodos e Filosofia do Controle Estatístico do Processo

21 Gerenciamento da Qualidade Total

22 Padrões e Registros da Qualidade

24 A Ligação entre Qualidade e Produtividade

28 Controle Estatístico do Processo

30 Causa Aleatórias atribuídas à Variação da Qualidade 

34 Implementação do Controle Estatístico do Processo (CEP)

61 A Construção de um Gráfico de Pareto 

82 Diagrama de Causa e Efeito

101 Diagrama de Dispersão 

107 Interpretação de Diagramas de Dispersão

113 Considerações Finais

ESTATÍSTICA BÁSICA APLICADA AO CEP

126 Noções de Probabilidade 

143 Gráficos de Controle

158 Considerações Finais

GRÁFICOS DE CONTROLE E CAPACIDADE DO PROCESSO

180 Gráficos x e AM

187 Interpretação dos Gráficos X e AM

190 A Capacidade do Processo

199 Considerações Finais

Seja bem-vindo(a), caro(a) aluno(a)!

Caro(a) aluno(a), a qualidade pode ser definida de infinitas maneiras. A compreen-

VISÃO GERAL DO CONTROLE ESTATÍSTICO DO PROCESSO

A qualidade de um produto pode ser avaliada de várias maneiras e é de suma

Quadro 1 - Dimensões da qualidade

Os consumidores em potencial usualmente avaliam

Fonte: adaptado de Montgomery (2009).

A qualidade pode ser definida na visão do usuário como uma adequação de um

Quadro 2 - 14 Pontos de Deming

1. Crie uma constância de propósitos fo- 8. Crie um ambiente para afastar o

2. Adote uma nova filosofia de rejeição de 9. As barreiras entre as áreas funcio-

VISÃO GERAL DO CONTROLE ESTATÍSTICO DO PROCESSO

5. Concentre-se no aprimoramento con- 12. Sugestões, comentários e recla-

6. Coloque em prática métodos de treina- 13. Deve ser instituído um programa

Métodos e Filosofia do Controle Estatístico do Processo

Fonte: adaptado de Montgomery (2009).

Joseph M. Juran é um dos criadores do controle estatístico. Sua filosofia se baseia

VISÃO GERAL DO CONTROLE ESTATÍSTICO DO PROCESSO

GERENCIAMENTO DA QUALIDADE TOTAL

Caro(a) aluno(a), o gerenciamento da qualidade total é uma estratégia para

A qualidade está nas diferentes formas de visualizar os produtos ou proces-

Gerenciamento da Qualidade Total

O GQT, apesar de amplamente utilizado, tem o sucesso considerado moderado,

PADRÕES E REGISTROS DA QUALIDADE

A International Standards Organization (ISO)

VISÃO GERAL DO CONTROLE ESTATÍSTICO DO PROCESSO

de produto, inspeção, testes, controle sobre o processo, tratativas para produtos

ter a documentação de acordo com o padrão e não há o mesmo empenho em

Padrões e Registros da Qualidade

Fabricar produtos de alta qualidade no moderno ambiente industrial não é sim-

VISÃO GERAL DO CONTROLE ESTATÍSTICO DO PROCESSO

(componentes) da roupa: mangas, golas, punhos, vistas, parte dianteira, traseira,

Veja que a instalação do controle estatístico do processo e a redução da variabi-

A Ligação Entre Qualidade e Produtividade

16 Métodos e Filosofia do Controle Estatístico do Processo

21 Gerenciamento da Qualidade Total

22 Padrões e Registros da Qualidade

24 A Ligação entre Qualidade e Produtividade

28 Controle Estatístico do Processo

30 Causa Aleatórias atribuídas à Variação da Qualidade

34 Implementação do Controle Estatístico do Processo (CEP)

61 A Construção de um Gráfico de Pareto

82 Diagrama de Causa e Efeito

101 Diagrama de Dispersão

107 Interpretação de Diagramas de Dispersão

113 Considerações Finais

126 Noções de Probabilidade

143 Gráficos de Controle

158 Considerações Finais

180 Gráficos x e AM

187 Interpretação dos Gráficos X e AM

190 A Capacidade do Processo

199 Considerações Finais