Métodos Estatísticos PDF

WBA0516_V1.
0
Métodos Estatísticos
Autoria: Profa. Dra. Ana Beatriz Perriello Leme
Como citar este documento: Leme, Ana Beatriz Perriello. Métodos Estatísticos. Valinhos: 2017.
Sumário
Apresentação da Disciplina 04
Unidade 1: Conceitos, Origens e Aplicação da Qualidade nas Empresas 05
Assista a suas aulas 21
Unidade 2: Ferramentas Estatísticas 29
Unidade 3: Distribuições de Probabilidade 55
Unidade 4: Diagramas da Qualidade Aplicados ao Controle Estatístico de Processo 88
2/226
Autoria: Profa. Dra. Ana Beatriz Perriello Leme
Como citar este documento: Leme, Ana Beatriz Perriello. Métodos Estatísticos. Valinhos: 2017.
Sumário
Unidade 5: Métodos e Ferramentas do Controle Estatístico de Processo 114
Unidade 6: Gráfico de Controle para Variáveis 141
Unidade 7: Gráficos de Controle por Atributos 170
Unidade 8: Amostragem de Aceitação Lote a Lote para Atributos 199
3
3/226
Apresentação da Disciplina
Quando estamos inseridos em um processo remos casos reais de aplicação do controle

ou projeto, muitas vezes, não paramos para estatístico em processos industriais.
pensar ou nem nos damos conta do quan- Para que tudo isso fosse possível, prepa-
to aplicamos, até mesmo intuitivamente, os ramos um conteúdo estruturado sobre as
métodos estatísticos em nosso cotidiano. melhores referências da área de qualidade
Mas a estatística, quando aplicada corre- e controle de processos. Assim, esse mate-
tamente, pode ser uma ferramenta funda- rial trará ferramentas indispensáveis para
mental e valiosa, que poderá nos auxiliar na sua atuação futura, de modo conciso e di-
gestão de um processo por completo. As- recionado ao cotidiano profissional. Esper-
sim, a finalidade dessa disciplina é apresen- amos com isso lhe auxiliar em sua formação
tar ferramentas estatísticas que possam ser e nossa expectativa é que você se torne um
aplicadas ao controle de qualidade da pro- excelente profissional. Desta forma, convi-
dução, em especial na execução e controle do você a “viajar” pelas próximas páginas e
estatístico de um processo. Para isso, serão desenvolver as competências estatísticas
apresentadas as bases da qualidade no con- necessárias para melhorar o desenvolvi-
texto empresarial moderno e as ferramen- mento de seu processo.
tas estatísticas necessárias ao controle dos
processos e, além disso, também estuda-
4/226
Unidade 1
Conceitos, Origens e Aplicação da Qualidade nas Empresas
Objetivos
1. Conhecer e definir os conceitos de

qualidade, melhoria da qualidade e
produtividade;
2. Entender a origem e a difusão dos
processos de melhoria da qualidade
nas empresas;
3. Compreender o vínculo e a importân-
cia da estatística no controle de quali-
dade de um processo.
5/226
1. Introdução
Essa disciplina versará sobre o uso de méto- e produtividade? Qualidade pode ser en-
dos estatísticos aplicados à qualidade, com tendida e definida de vários modos, porém
o intuito de melhorar os produtos e bens é consenso relacionar qualidade às caracte-
manufaturados consumidos pela socieda- rísticas desejáveis de um produto a ser con-
de. Porém vale lembrar, que qualquer setor sumido. Essa definição não está errada, po-
da sociedade ou de uma empresa também rém podemos usá-la como base para uma
pode utilizar os processos e métodos de conceituação mais elaborada.
melhoria da qualidade. Sendo assim, desde
a área de marketing até a área de engenha-
ria podem utilizar os conceitos que apren-
deremos nesse material, buscando a me-
lhoria da qualidade na organização como
um todo.
Começaremos definindo os conceitos, ori-
gens e aplicações da qualidade nas empre-
sas. Assim, você saberia responder o que
significa qualidade, melhoria da qualidade
6/226 Unidade 1 • Conceitos, Origens e Aplicação da Qualidade nas Empresas

Para saber mais
Os objetivos estratégicos de desempenho nada mais são do que os indicadores competitivos que uma
empresa pode ter e são eles: (1) Custos: apresentar custos reduzidos; (2) Flexibilidade: resposta rápida e
eficiente das variações das necessidades dos clientes; (3) Qualidade: atender as necessidades do cliente;
(4) Confiabilidade: atender as condições específicas dos clientes e; (5) Rapidez: agilidade de atendimento
as solicitações do cliente. É a partir do uso desses cinco critérios que as empresas se posicionam estrate-
gicamente no mercado, pensando em quais deles poderão agregar valor ao produto comercializado. Des-
ta forma, nos anos 90 era possível perceber uma busca dos clientes especialmente pelo fator qualidade,
porém atualmente qualidade já não é mais vista como um diferencial e sim uma exigência do mercado,
fazendo com que esse se torne o principal critério de seleção de produtos e serviços. Portanto, conhecer
e aplicar estratégias de melhoria da qualidade tornou-se o principal caminho para o crescimento, perpe-
tuação e sucesso do negócio.
1.1. Conceitos Gerais da Qualidade
Diversos autores na história se propuseram a definir qualidade, porém qualidade é um conceito

que não deve ser entendido de uma maneira unidirecional e concreta, mas sim de modo multifa-

cetado. Mesmo assim, existe um senso co- (3) Durabilidade: Verifica qual a real vida útil
mum de que qualidade poderia ser definida do produto, ou seja, o tempo que o produ-
como um produto ou serviço que é adequa- to durará; (4) Assistência Técnica: Verifica a
do ao uso proposto. facilidade ou não para se consertar ou recu-
Do mesmo modo que a definição, a qualida- perar o produto; (5) Estética: Verifica a apa-
de pode ser avaliada de várias maneiras, co- rência do produto, tais como, estilo, cor, em-
nhecidas como as dimensões da qualidade. balagem, entre outras características táteis,
Neste sentido, um dos autores que discute visuais e sensoriais; (6) Características: Veri-
as dimensões da qualidade é Garvin (1987) fica o que o produto faz além da sua função
trazendo oito componentes ou oito dimen- principal; (7) Qualidade Percebida: Verifica a
sões da qualidade a serem estudadas, ava- reputação da empresa ou do produto alta-
liadas e melhoradas. mente visíveis perante os consumidores. (8)
Conformidade com Especificações: Verifica
Entre as oito dimensões da qualidade tese o produto foi feito de acordo com o proje-
mos: (1) Desempenho: Verifica se o produto to, seguindo exatamente as especificações
de fato realiza a tarefa ao qual se propõe a a ele destinadas.
realizar; (2) Confiabilidade: Verifica a frequ-
ência de falhas do produto, ou seja, se o pro- Desta forma, partindo-se da definição de
duto exigirá reparo ao longo da sua vida útil; que qualidade significa adequação ao uso,
vamos tentar redefini-la de acordo com os financeiros quanto em tempo de produção.
objetivos dessa disciplina. Para isso, vamos Desta forma, a variabilidade excessiva no
relacionar e associar qualidade e estatísti- processo resulta, em geral, em desperdício,
ca. Nesse contexto, deve-se entender por portanto, a melhoria da qualidade é a redu-
qualidade algo que é inversamente propor- ção do desperdício.
cional à variabilidade, uma vez que a redu-
Todo produto ou processo está inerente
ção da variabilidade nos processos pode ser
a uma variabilidade, assim dois produtos
entendida como a melhoria da qualidade.
nunca são exatamente idênticos. As fontes
Com isso, quando a variabilidade das carac- dessa variabilidade incluem diferenças nos
terísticas de um produto decresce, a qua- materiais, no desempenho e operação dos
lidade deste mesmo produto aumenta. Foi equipamentos e na maneira como os ope-
assim que os japoneses pensaram e perce- radores realizam suas tarefas.
beram que ao reduzir a variabilidade no pro-
Para verificar essa variabilidade torna-se
cesso ou no produto, isso poderia ser tra-
necessário parametrizar as características
duzido em menores custos produtivos, pois
de um produto ou de um processo. Para
eram gerados menos reparos, gastava-se
isso, determinam-se os valores que seriam
menos em termos de garantia e menos re-
ótimos ou padrões para o produto, os quais
trabalho, ganhando assim tanto em termos
são denominados valores alvo (LC), que são
valores de característica que o processo de- não é, necessariamente, um produto impró-
veria ter se não existisse variabilidade. Além prio para uso. Sendo assim, um produto im-
disso, determinam-se também as faixas ou próprio para uso seria um produto defeitu-
intervalos onde as variações seriam aceitas, oso, que apresenta um ou mais defeitos que
sendo assim, o maior valor aceito para uma são não conformidades sérias o bastante
característica de qualidade é chamado limi- para afetar significativamente o uso seguro
te superior de especificação (LSC) e o menor e efetivo do produto.
valor permitido para uma característica de Para avaliarmos se as características estão
qualidade chama-se limite inferior de espe- conformes (dentro da faixa aceitável) ou
cificação (LIC). Sendo que, em alguns pro- não conformes (fora de faixa aceitável) uti-
cessos específicos, as características apre- lizamos gráficos de controle de processo ou
sentam apenas limite de especificação ape- gráfico de Shewhart. Assim, na Figura 1 po-
nas para um lado do alvo, sendo ele inferior demos observar um exemplo de gráfico de
ou superior. controle, onde foram avaliados 10 lotes de
Quando um valor é detectado fora das fai- produtos hipotéticos, que tinham como pa-
xas LSC e LIC em um processo, considera-se râmetros: LC = 10, LSC = 15 e LIC = 5. Assim,
que houve uma falha ou uma não conformi- analisando a Figura 1, pode-se perceber que
dade. Sendo que um produto não conforme dos lotes 1 ao 7 os produtos apresentavam
características aceitas pelo modelo e, com isso, se enquadravam em produtos conformes e, a
partir do lote 8 os produtos não ficaram dentro das faixas aceitáveis (LSC e LIC), o que os classifi-
cou como produtos não conformes. O uso sistemático desse gráfico pode ser um excelente modo
de reduzir a variabilidade dos produtos.
Figura 1- Gráfico de controle de um processo hipotético.
Fonte: a autora.

Para saber mais Link
Já estudamos a definição de qualidade, que pode Veja também artigos que relacionam qualidade
ser entendida como inversamente proporcional à de produtividade no site do Inmetro e em anais
variabilidade, porém muitas pessoas confundem de administração. Disponível em: <http://www.
ou usam de modo semelhante os termos qualida- inmetro.gov.br/inovacao/artigos/docs/36.
de e produtividade, assim cabe agora, definirmos pdf>, <http://www.fappr.pr.gov.br/arquivos/
o que seria produtividade. Podemos entender File/projetos09-2008/13423_Anais.pdf>.
produtividade como a relação existente entre re- Acesso em: 20 out. 2017.
curso utilizado e produtos gerados, por exemplo,
podemos falar da quantidade de peças produzi- 1.2. Origem e Difusão do Con-
das por uma pessoa em uma hora. Assim, produ- trole e Melhoria da Qualidade
tividade é a ideia de gastar menos e gerar mais e,
quando melhoramos a qualidade, o aumento da Agora que você já foi devidamente intro-
produtividade é uma consequência, visto que ge- duzido aos princípios da qualidade, vamos
ramos menos utilizaremos menos recursos com entender de onde surgiram essas ideias e
retrabalho. como elas foram aplicadas. Os princípios
de gerenciamento científico da produção

começaram a surgir e se desenvolver an- motivos que levaram a indústria química
tes de 1900 com Frederick W. Taylor, com americana vir a ser uma das indústrias mais
o desenvolvimento das indústrias de pro- competitivas do mundo.
dução em massa. A partir de suas pesquisas, Porém até a década de 80 quase não houve
foi possível observar melhoras substanciais expansão da aplicação dos conceitos de
na produtividade. qualidade para as demais empresas oci-
Porém, a ideia de utilizar métodos estatísti- dentais. Mas desde os anos 80, foi possível
cos aplicados à melhoria da qualidade tem observar um grande crescimento no uso
o seu começo formal com Walter A She- de métodos estatísticos para a melhoria da
whart, em 1924, no centro de pesquisa e qualidade. Isso porque foi descoberto que as
desenvolvimento (P&D) da Bell Labs, onde se indústrias japonesas, maiores competidoras
desenvolveu pela primeira vez o gráfico de das indústrias americanas, estavam usando
controle estatístico ou gráfico Shewhart. as ideias de controle estatístico de proces-
Mais tarde na década de 50, nos Estados Uni- so e também de planejamento e otimização
dos, foi utilizado pela primeira vez o plane- de experimentos desde aproximadamente
jamento e otimização de experimentos. A 1960 em processos de melhoria de quali-
primeira indústria que aplicou esse conceito dade, desempenho e confiabilidade.
foi a indústria química, sendo esse um dos
Atualmente, percebe-se que, embora as (1) Dr. W. Edwards Deming: Foi consultor
técnicas estatísticas sejam importantes de algumas indústrias japonesas pós Se-
ferramentas críticas no controle e na mel- gunda Guerra Mundial. Ele acreditava que
horia da qualidade, reduzindo a variabili- além dos métodos estatísticos, a filosofia
dade no processo produtivo, apenas estas da qualidade deveria ser instituída em toda
técnicas não são suficientes para aumentar empresa, mais em especial na área geren-
o desempenho do produto ou torná-lo mais cial e para isso, essa filosofia deveria ser
competitivo frente ao mercado. Assim, es- pautada em 14 princípios. Entre os prin-
sas serão utilizadas com maior eficiência se cipais princípios estão: Aplicar a melhoria
implantadas como uma das partes de um contínua e a inovação; Produzir algo defei-
sistema de gerenciamento da qualidade, tuoso e algo bom tem exatamente o mesmo
sendo necessária uma orientação filosófi- custo; Optar por fornecedores que prezam
ca do sistema gerencial da empresa. Nesse especialmente pela qualidade; Treinar os
sentido, muitos pesquisadores contribuíram funcionários sempre nos mesmos procedi-
para o desenvolvimento da melhoria es- mentos e filosofias e; Trabalhar em equipes
tatística da qualidade, porém três deles se e com líderes que afastem o medo da mu-
destacam em termos de implantação e filo- dança.
sofia de gerenciamento. São eles:

(2) Dr. Joseph M. Juran: É um dos pioneiros
da aplicação de métodos estatísticos para
controlar a qualidade. Suas ideias se ba-
seiam na melhoria da qualidade a partir de
uma ação gerencial.
(3) Dr. Armand V. Feigenbaum: Foi o primeiro
Para saber mais
A Organização Internacional de Padrões (ISO, do
a introduzir o conceito de controle da qual-
inglês International Standards Organization) de-
idade por toda a companhia, ou controle de
senvolveu alguns padrões de qualidade que po-
qualidade total. Esse pesquisador preocu-
dem ser encontrados na série ISO 9000. Porém,
pou-se mais com as questões organizacio-
uma das críticas ao sistema ISO é que este é foca-
nais do que com os métodos estatísticos.
do demasiadamente em documentos e pouquís-
Apesar de metodologias e filosofias difer- simo na real redução da variabilidade e, por con-
entes, esses três autores são os pioneiros ao sequência, melhora da qualidade.
visualizarem que qualidade pode ser uma
arma competitiva e que a gerência tem fun-
damental importância nesse processo de
melhoria.

nichos de atuação e competição, que são
Link geralmente os nichos que foram negligen-
ciados pelos concorrentes.
Quer saber mais sobre a ISO 9000? Então reco-
mendamos uma olhada nos seguintes sites:
ABNT. Disponível em: <http://www.abnt.org.

br/> Acesso em: 20 out. 2017.
NBR ISSO 9000. Disponível em: <http://www.

standardconsultoria.com/f/files/814048ce-
04d8cdfe2b1ba9438be31009791895463.
pdf>. Acesso em: 20 out. 2017.
Desta forma, a gerência da empresa deverá

pensar em como desenvolver uma filosofia
de qualidade em toda a empresa e, além
disso, deverá entender que um produto não
precisa ser superior em todas as dimensões
de qualidade, mas poderá sim, selecionar
Glossário
Melhoria da qualidade: É a redução da variabilidade dentro dos processos avaliados.
Produtividade: Relação entre recurso utilizado e produtos gerados, com o pensamento de gas-
tar menos e gerar mais.
Qualidade: Significa que um produto é adequado ao uso. E quando se trata de um processo en-
tende-se por qualidade algo que é inversamente proporcional à variabilidade.

?
Questão
para
reflexão
Agora é sua vez de pensar. Imagine que você decidiu

comprar um automóvel. Você consegue pensar em crité-
rios que façam você optar por uma marca ou por outra,
por um modelo ou por outro? Pensou? Agora tente rela-
cionar esses critérios adotados com as oito dimensões
da qualidade trabalhadas nesse tema. Esse é um ótimo
exemplo que você poderá levar para vida e usar na es-
colha do seu próximo veículo ou de qualquer outro bem.
18/226
Considerações Finais
• As oito dimensões da qualidade são: (1) Desempenho; (2) Confiabilidade; (3) Durabilidade; (4)
Assistência Técnica; (5) Estética; (6) Características; (7) Qualidade Percebida e; (8) Conformidade
com Especificações;
• Qualidade, para esta disciplina, pode ser entendida como algo que é inversamente proporcional
à variabilidade e, a redução da variabilidade nos processos pode ser entendida como a melhoria
da qualidade. Com isso, quando a variabilidade das características de um produto decresce, a
qualidade deste mesmo produto aumenta;
• Para avaliarmos se as características estão conformes ou não conformes utilizamos gráficos de
controle de processo ou gráfico de Shewhart. Para isso, determinam-se os valores que seriam pa-
drões (LC) e também se determinam os intervalos onde as variações seriam aceitas (LSC) e (LIC);
• A qualidade surge com Frederick W. Taylor (1900), porém, a ideia de utilizar métodos estatísticos
aplicados à melhoria da qualidade tem o seu inicio com Walter A Shewhart, em 1924. Tanto os
procedimentos estatísticos, quanto as filosofias que envolvem qualidade, tiveram sua difusão,
primeiramente no Japão nos anos 50 e, mais tarde, foram aprimorados e difundidos especial-
mente nos Estados Unidos.
19/226
Referências
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR ISO 9000: Sistemas de gestão da qualida-
de - Fundamentos e vocabulário. Rio de Janeiro, p. 26. 2000.GARVIN, David A.. Competing on the
Eight Dimensions of Quality. Harvard Business Review, Nova York, nov. 1987. Bimestral. Disponí-
vel em: <https://hbr.org/1987/11/competing-on-the-eight-dimensions-of-quality>. Acesso em: 20
out. 2017.
MONTGOMERY, D. C. Introdução ao controle estatístico da qualidade. 7. ed. São Paulo: LTC, 2016.

Assista a suas aulas
Aula 1 - Tema: Conceitos, Origens e Aplicação Aula 1 - Tema: Conceitos, Origens e Aplicação
da Qualidade nas Empresas. Bloco I da Qualidade nas Empresas. Bloco II
Disponível em: <https://fast.player.liquidplatform.com/ Disponível em: <https://fast.player.liquidplatform.com/
pApiv2/embed/dbd3957c747affd3be431606233e0f- pApiv2/embed/dbd3957c747affd3be431606233e0f-
1d/224ab6fb89edc2ebe6100104c7307f32>. 1d/1a6b5689ffce1be76426866bbf386444>.
21/226
Questão 1
1. Assinale a alternativa correta. Dentro das oito dimensões da qualidade po-
dem ser citadas:
a) Estética e dureza.
b) Prevenção e desempenho.
c) Qualidade Percebida e confiabilidade.
d) Conformidade com especificações e restauração.
e) Reabilitação e assistência técnica.
22/226
Questão 2
2. Assinale a alternativa correta. Como pode ser compreendida a quali-
dade?
a) Como algo que é inversamente proporcional à variabilidade.

b) Como uma utopia trabalhada nas empresas.
c) Como algo que conflita diretamente com os desejos dos indivíduos de uma empresa.
d) Como algo impossível de ser realizado em empresas ocidentais.
e) Como algo muito custoso, que deve ficar em segundo plano.
23/226
Questão 3
3. Assinale a alternativa correta. O gráfico de controle de processo tam-
bém pode ser conhecido como:
a) Gráfico de dispersão
b) Gráfico de Shewhart.
c) Gráfico de Deming.
d) Gráfico de Juran.
e) Gráfico de Ishikawa.
24/226
Questão 4
4. Assinale a alternativa correta. São partes constituintes do gráfico de
controle do processo:
a) Linha superior, inferior e mediana de controle.

b) Linhas de dispersão.
c) Linhas de defeitos.
d) Linha superior, inferior e média de controle.
e) Linhas aleatórias.
25/226
Questão 5
5. Assinale a alternativa correta. Além dos métodos de controle estatísti-
cos, a qualidade se baseia em:
a) Escolas do pensamento humano.

b) Estudos do clima organizacional.
c) Sistemáticas de pensamento moderno.
d) Conferências sobre o Meio Ambiente e o Desenvolvimento.
e) Filosofias de garantia da qualidade.
26/226
Gabarito
1. Resposta: C. 3. Resposta: B.
As oito dimensões da qualidade são: (1) De- Para avaliarmos se as características estão
sempenho; (2) Confiabilidade; (3) Durabili- conformes ou não conformes utilizamos
dade; (4) Assistência Técnica; (5) Estética; gráficos de controle de processo ou gráfico
(6) Características; (7) Qualidade Percebida de Shewhart.
e; (8) Conformidade com Especificações.
4. Resposta: D.
2. Resposta: A.
Para avaliarmos se as características estão
Qualidade, para esta disciplina, pode ser conformes ou não conformes utilizamos
entendida como algo que é inversamente gráficos de controle de processo ou gráfico
proporcional à variabilidade e, a redução da de Shewhart. Para isso, determinam-se os
variabilidade nos processos pode ser enten- valores que seriam padrões (LC) e também
dida como a melhoria da qualidade. Com se determinam os intervalos onde as varia-
isso, quando a variabilidade das caracterís- ções seriam aceitas (LSC) e (LIC).
ticas de um produto decresce, a qualidade
deste mesmo produto aumenta.
27/226
Gabarito
5. Resposta: E.
A qualidade surge com Frederick W. Taylor

(1900), porém, a ideia de utilizar métodos
estatísticos aplicados à melhoria da qualida-
de tem o seu início com Walter A. Shewhart,
em 1924. Tanto os procedimentos estatísti-
cos, quando as filosofias que envolvem qua-
lidade, tiveram sua difusão, primeiramente
no Japão nos anos 50 e, mais tarde, foram
aprimorados e difundidos especialmente
nos Estados Unidos.
28/226
Unidade 2
Ferramentas Estatísticas
Objetivos
1. Aprender sobre processos e ferra-

mentas da estatística descritiva;
2. Analisar exemplos de trabalho com
dados experimentais;
3. Verificar os diferentes tipos de cons-
truções gráficas empregando a esta-
tística.
29/226
1. Introdução
Nesse segundo tema faremos uma breve Nesse sentido, a estatística tem contribu-
introdução da estatística aplicada direta- ído no intuito de avaliar os dados de um
mente aos processos. Para isso, verificare- processo ou de um produto e conseguir ti-
mos a montagem de gráficos, por exemplo, rar algumas conclusões úteis que venham a
ramo-e-folhas, histograma e diagrama de contribuir com a melhoria da qualidade do
caixa, que podem ser usados para obser- processo como um todo.
varmos as variáveis de um processo. Além Para conseguirmos chegar a alguma con-
disso, no próximo tema, estudaremos o clusão, usando estatística, primeiramente
comportamento de um processo com base é necessário obter dados. Assim, com o in-
em distribuições de probabilidade, entre tuito de aprofundar o tema e aprendermos
elas, as distribuições: (1) Contínuas e, (2) a trabalhar com as ferramentas estatísticas,
Discretas. vamos usar, pelo menos na primeira parte
Como já visto no tema anterior, raramente do capítulo, os dados contidos na Tabela 1,
conseguimos produzir duas ou mais unida- referente à massa em kg de biscoito den-
des de um produto de modo idêntico. Ima- tro de um pacote produzido, avaliado em
gine um pacote de biscoito, sempre haverá 10 dias diferentes com uma amostragem
uma pequena variação de massa (mesmo de 8 pacotes por dia, totalizando 80 dados
que esta seja mínima) entre as embalagens. amostrais.
30/226 Unidade 2 • Ferramentas Estatísticas
Para saber mais
A utilização da estatística vai muito além da análise de comportamentos de dados para a melhoria da
qualidade. Na verdade, com a estatística as empresas buscam antecipar situações que possam ocorrer
no futuro com base em uma série de dados que refletem o passado. Nesse pensamento, diversos pro-
fissionais de diferentes áreas desenvolvem modelos para observação de comportamentos futuros com
base em estatística. Curvas de previsão de demanda, ocorrência de fenômenos naturais como furacões,
necessidade de implementações de novos terminais de autoatendimento em bancos, tudo isso tem em
comum a estatística, baseando em tomadas de decisão para mitigar efeitos (principalmente em casos de
fenômenos naturais) ou potencializar ganhos (previsões de demanda corretas prevendo necessidade de
itens com prazo de entrega longo). Com o advento do Big Data, a tendência é que a utilização da estatís-
tica seja cada vez maior para tratar um progressivo e complexo volume de dados.

Link
Indicamos a leitura de um exemplo de como a análise de Big Data está diretamente ligada à estatística
por causa do alto volume de dados a serem tratados e as restrições tecnológicas ainda existentes para
trabalhar esses dados todos de uma vez. SILVA, Ivan Menerval da; CAMPOS, Fernando Celso de. Big data e
cloud computing perspectivas de uso em engenharia de produção: uma análise bibiométrica de 2004-2014.
Disponível em: <http://www.abepro.org.br/biblioteca/TN_STO_213_261_27525.pdf>. Acesso
em: 20 out. 2017.
Tabela 1. Dados da massa em kg de biscoito dentro dos pacotes em 10 dias (n = 8).
Amostra Dia 1 Dia 2 Dia 3 Dia 4 Dia 5 Dia 6 Dia 7 Dia 8 Dia 9 Dia 10
1 1,072 1,083 1,091 1,029 1,038 1,089 1,049 1,036 1,049 1,056
2 1,043 1,060 1,067 1,049 1,081 1,052 1,076 1,062 1,063 1,069
3 1,079 1,062 1,072 1,031 1,071 1,032 1,060 1,073 1,061 1,074
4 1,065 1,028 1,040 1,040 1,059 1,039 1,058 1,038 1,070 1,037
5 1,090 1,049 1,052 1,059 1,083 1,048 1,068 1,060 1,081 1,060
6 1,039 1,065 1,054 1,075 1,042 1,072 1,052 1,093 1,073 1,075
7 1,058 1,081 1,058 1,053 1,056 1,058 1,077 1,057 1,039 1,068
8 1,072 1,045 1,088 1,061 1,063 1,052 1,070 1,065 1,079 1,046
Fonte: a autora.

1.1 Técnicas de Estatística
A estatística pode ser definida como um conjunto de técnicas para a redução de dados a um
número menor de termos descritivos que sejam mais convenientes e facilmente comunicáveis.
Por isso, o nome: estatística descritiva, quando trabalhamos com dados a fim de chegarmos a
alguma conclusão. A primeira estratégia que podemos utilizar no tratamento dos dados amos-
trais é fazermos os cálculos de média, variância e desvio padrão dos dados. Com isso, obtemos
os valores que seguem para o caso do exemplo da Tabela 1.
Média Aritmética:
Variância:
Desvio Padrão:
Onde, c é a média aritmética, c i é o valor da observação, n é o número de observações, s 2 é a
variância e s é o desvio padrão.
A média nos indica a tendência central dos dados, que deverá ser em torno de 1,060 kg. Já a va-
riância e o desvio padrão, nos indica a dispersão dos dados em torno de um valor médio. A gran-
de vantagem de utilizarmos o desvio padrão ao invés da variância é que o desvio é expresso na
mesma unidade de medida da amostra original. Com esses dados calculados, podemos começar
a avaliar e construir os gráficos: (1) Ramo-e-folhas, (2) Histograma, (3) Diagrama de caixa.
Para saber mais

Quando realizamos a análise de dados é necessário compreender como esses dados se comportam, por
isso trabalham-se esses dados para a observação de dois comportamentos: sua tendência central e sua
dispersão. Medidas de dispersão já foram apresentadas como o cálculo da variância e do desvio padrão e
um exemplo de cálculo de medida central, a média aritmética. Mas existem outras duas medidas de ten-
dência central que são amplamente utilizadas da gestão da qualidade: a moda e a mediana. Moda é um
valor que aparece em mais frequência em conjunto de dados, sua identificação será frequente em ferra-
mentas que serão apresentadas ao longo da disciplina como o Diagrama Ramo-e-Folha e o Diagrama de
Pareto. Mediana é o ponto central de uma distribuição de valores. Para seu cálculo existem duas regras:
se o conjunto de valores é ímpar ordene os valores do menor para o maior, calcule a metade do número
de dados, a mediana será o número inteiro ordenado após o número calculado como sendo a metade do
conjunto de dados; para números pares esse número calculado será inteiro, dessa forma, calcule a média
aritmética entre o número que está ordenado na posição calculada e seu subsequente.
1.1.1 Gráfico Ramo-e-folhas
Para a construção deste tipo de gráfico, separamos os dados obtidos em: (1) Ramos: são forma-
dos pelos dígitos iniciais que se repetem nos dados, no exemplo: 1,0 e, dividimos os diferentes
ramos de acordo com o primeiro dígito que não se repete, obtendo-se assim as 8 classes do
exemplo, são elas: 1,02; 1,03; 1,04; 1,05; 1,06; 1,07; 1,08; 1,09. (2) Folhas: são os algarismos que
faltam para completar o valor. Assim, todas as folhas devem ser posicionadas de acordo com os
seus ramos, usando o exemplo, é possível obter a Tabela 2.
Tabela 2. Gráfico Ramos-e-folhas para os dados de massa de biscoito em kg.
Ramo Folha Frequência

1,02 89 2
1,03 126788999 9
1,04 00235689999 11
1,05 8248939628276 15
1,06 00001122335557889 17
1,07 0012222334556799 16
1,08 1113389 7
1,09 139 3
Fonte: a autora.

Com esse gráfico, é possível perceber uma 1.1.2 Histograma
maior frequência dos dados em torno de
um valor central (média calculada), indi- Um histograma é um gráfico de frequências
cando uma tendência e também, uma bai- com suas distribuições em classes, assim,
xa frequência para os valores das pontas. ele é formado de retângulos que represen-
Com isso, percebe-se que o gráfico do tipo tam as classes da variável em estudo, sendo
ramo-e-folhas contribui na organização e que, a altura de cada retângulo é proporcio-
visualização dos dados amostrais, porém o nal à frequência observada correspondente
quesito tempo não é levado em conta nessa a classe. Para construí-lo levamos em conta
representação gráfica e, veremos que tem- a frequência em que os dados se repetem
po pode ser um dos fatores cruciais para os numa determinada classe. A título de com-
processos de controle e melhoria da quali- paração, nesse exemplo utilizamos as mes-
dade. mas classes do gráfico de Ramo-e-folhas,
e também as frequências já calculadas, o
histograma plotado pode ser observado na
Figura 1. Percebam que as classes sempre
têm o mesmo tamanho.

Figura 1- Histograma plotado com base no exemplo da massa do pacote de biscoito.
Fonte: a autora.

Para saber mais
Uma das diversas utilizações do histograma é no Diagrama ou Gráfico de Pareto. Criado por Vilfrido Pare-
to, sociólogo e economista nascido na França, o Diagrama de Pareto vem a corroborar com o Princípio de
mesmo nome que define que 80% da riqueza de uma nação está concentrada em 20% da sua população.
Para a qualidade, a leitura do diagrama é um pouco diferente, considerando esses 80% como as falhas
que ocorrem no sistema produtivo e 20% sendo o tipo de falhas encontradas. Isso indicaria que poucos
módulos de falhas acarretam grandes prejuízos ao sistema produtivo. Para sua construção devem-se
identificar quais os módulos de falha que ocorrem; depois definir a frequência com as quais essas falhas
ocorrem; definidos os módulos de falha e suas ocorrências, devem-se ordenar do maior para menor os
módulos de falha e plotar dois gráficos sobrepostos: o histograma com a frequência das falhas e o gráfico
de linha indicando o total das participações das falhas até aquele módulo. Dessa forma, é possível obser-
var a frequência da falha e sua participação. Falhas localizadas antes do total ser 80% são falhas a serem
priorizadas para correção. O gráfico a seguir é um exemplo de um Diagrama de Pareto.

Figura 2- Diagrama de Pareto, comparando módulos de falha.
Fonte: a autora.
Com base nos dados do exemplo, a Pintura, Expedição, Embalagem e Solda deveriam ser traba-
lhadas primeiramente, deixando para depois a Usinagem e o Corte.

1.1.3 Diagrama de Caixa (box-
-plot)
Link Para conseguirmos plotar um diagrama de

caixa, temos que, primeiramente entender
No artigo de Freitas et. al. (2014), Aplicação das
o que são os quartis. Assim, denomina-se
ferramentas da qualidade em uma panificadora
como primeiro quartil, Q1 , ao valor que deli-
como método de melhoria do processo produtivo:
mita os 25% dos menores valores e, de ter-
estudo de caso, demonstra-se um exemplo em que
ceiro quartil, Q3 , o valor que separa os 25%
foi usado folha de verificação, estratificação, grá-
maiores valores. O segundo quartil, Q2 , é
fico de Pareto, diagrama de causa e efeito, histo-
igual a mediana, que é definida como o va-
grama para compreender as reais causas da taxa
lor central do conjunto amostral, ou seja, o
de refugo de uma panificadora. Disponível em:
valor que divide o conjunto ao meio.
<http://www.abepro.org.br/biblioteca/ene-
gep2014_TN_STO_196_109_26161.pdf>. Para construirmos o diagrama de caixas,
Acesso em: 20 out. 2017. traçamos dois retângulos, o primeiro re-
presenta o espaço entre o primeiro quartil
e o segundo quartil (mediana) e o segundo
retângulo, o espaço entre o segundo quartil
e o terceiro quartil. Além disso, traçam-se Figura 3- Diagrama de Caixa para as amostras de biscoito.
linhas a partir do fim dos retângulos até os

valores de máximo e mínimo. Desta forma,
o diagrama de caixas para o exemplo dos
biscoitos pode ser observado na Figura 3,
onde as linhas dos retângulos representam
os quartis, a linha horizontal representa os
valores de máximo e mínimo e * representa
os valores considerados outliers, ou seja, va-
lores fora do padrão estatístico do modelo.
Fonte: a autora.

A grande vantagem desse diagrama, quan-
do comparado com os outros dois (ramo-
-e-folhas e histograma), é que nele são ob-
servadas tendências centrais, de dispersão
e de variabilidade, além da simetria dos da-
dos amostrais. Link
Quer aprender a construir esse tipo de gráfico uti-
lizando o software Excel? Então assista ao vídeo.
Disponível em: <https://www.youtube.com/
watch?v=F5mfXMlpcro>. Acesso em: 20 out.
2017.

Glossário
Big Data: Conjunto de dados extremamente grandes que apresentam dificuldade para serem
tratados com as metodologias tradicionais de tratamento.
Outliers: Valores fora do padrão estatístico do modelo.
Quartil: Secção de um conjunto de dados separados ¼ de cada vez.

?
Questão
para
reflexão
Agora sabendo algumas das ferramentas estatísticas você começa
a estar apto para analisar melhor o carro que você estava disposto
a comprar. Você conseguirá analisar informações sobre rendimento
e economia. Quantos quilômetros faz com um litro? Esse cálculo
traz uma média de consumo. Se andar na cidade? Se andar na es-
trada? É sabido que há diferenças de consumo nessas duas con-
dições, qual seria a dispersão dos dados nesses dois casos? Seria
necessário o cálculo de uma média de consumo para cada cenário?
As ferramentas estatísticas estão disponíveis para a execução de
modelos para entender o mundo e antecipar o que poderá acon-
tecer, mas só será possível isso se a modelagem for executada da
maneira correta.
44/226
• A estatística pode usada para reduzirmos dados a um termo descritivo que seja mais
facilmente comunicável. A primeira estratégia abordada, no tratamento de dados, foi
o cálculo de média, variância e desvio padrão. A média nos indica a tendência central
dos dados e o desvio padrão indica a dispersão dos dados em torno de um valor médio;
• Fora a média, existem outras ferramentas para observação de tendência central, como
a moda, o valor de maior frequência, a mediana e o valor médio encontrado em uma
série de valores organizados do menor para o maior. Moda é vista em modelos de con-
trole da qualidade como o Diagrama Ramo-e-folhas, já mediana é utilizada no cálculo
do Diagrama de caixa;
• Também aprendemos como fazer a montagem de gráficos dos tipos: (1) Ramo-e-fo-
lhas, (2) Histograma e, (3) Diagrama de caixa, que são gráficos visuais que indicam a
distribuição dos dados, em torno da média ou da mediana (valor do meio do conjunto)
e suas dispersões. Porém o quesito tempo não é levado em conta em nenhuma dessas
representações gráficas, mas pode ser um dos fatores cruciais para os processos de
controle e melhoria da qualidade.
45/226
Referências
GARVIN, David A.. Competing on the Eight Dimensions of Quality. Harvard Business Review, Nova
York, nov. 1987. Bimestral. Disponível em: <https://hbr.org/1987/11/competing-on-the-eight-di-
mensions-of-quality>. Acesso em: 20 out. 2017.
MONTGOMERY, D. C. Introdução ao controle estatístico da qualidade. 7. ed. São Paulo: LTC,

2016.
TRIOLA, M. F. Introdução à estatística: Atualização da tecnologia. 11. ed. São Paulo: LTC, 2013.

Aula 2 - Tema: Ferramentas Estatísticas. Bloco I Aula 2 - Tema: Ferramentas Estatísticas. Bloco II
pApiv2/embed/dbd3957c747affd3be431606233e0f1d/ pApiv2/embed/dbd3957c747affd3be431606233e0f1d/
90f22f306a4fbe04e58c41e5367ed7d6>. 9d51503244d0f0f679feb22a57154502>.
47/226
Questão 1
1. Assinale a alternativa correta. São medidas de dispersão de dados:
a) Média ponderada e aritmética.

b) Desvio padrão e variância.
c) Mediana e moda.
d) Moda e média aritmética.
e) Variância e mediana.
48/226
Questão 2
2. Assinale a alternativa correta. São medidas de tendência central de dados:
a) Média aritmética e mediana.

b) Desvio padrão e variância.
c) Mediana e desvio padrão.
d) Moda e variância.
e) Variância e mediana.
49/226
Questão 3
3. Assinale a alternativa correta. O que é um histograma:
a) É um gráfico circular e tem suas distribuições em classes, a área de cada fatia é proporcional
à frequência observada correspondente a classe.
b) É um gráfico de dispersão e tem suas distribuições em classes, a altura de cada ponto é pro-
porcional à frequência observada correspondente a classe.
c) É um gráfico de linhas e tem suas distribuições em classes, a área abaixo da linha é propor-
cional à frequência observada correspondente a classe.
d) É um gráfico de frequências e tem suas distribuições em classes, a altura de cada retângulo
é proporcional à frequência observada correspondente a classe.
e) É um gráfico de barras horizontais e tem suas distribuições em classes, a diferença das al-
turas entre retângulos conjugados é proporcional à frequência observada correspondente a
classe.
50/226
Questão 4
4. Assinale a alternativa correta. O que é possível observar com um Diagrama
Ramo-e-folha?
a) É possível perceber uma maior frequência dos dados em torno de uma dispersão de valores
(média calculada), indicando uma tendência e também, uma baixa frequência para os valo-
res das pontas.
b) É possível perceber uma maior frequência dos dados em torno de um valor central (variân-
cia), indicando uma tendência e também, uma baixa frequência para os valores das pontas.
c) É possível perceber uma maior frequência dos dados em torno de um valor central (média
calculada), indicando uma tendência e também, uma baixa frequência para os valores das
pontas.
d) É possível perceber uma maior frequência dos dados em torno de um valor central (média
calculada), indicando uma sazonalidade.
e) É possível perceber uma maior distribuição dos dados em torno de uma dispersão de dados
(média calculada), indicando uma tendência e também, uma baixa frequência para os valo-
res das pontas.
51/226
Questão 5
5. Assinale a alternativa correta. Qual a grande vantagem de utilizar o Dia-
grama de Caixa ao invés dos outros diagramas estudados nesse tema?
a) A grande vantagem desse diagrama, quando comparado com os outros, é que nele são ob-
servadas apenas a simetria dos dados amostrais.
b) A grande vantagem desse diagrama, quando comparado com os outros, é que nele são ob-
servadas apenas tendências centrais.
c) A grande vantagem desse diagrama, quando comparado com os outros, é que nele são ob-
servadas apenas as tendências de dispersão e de variabilidade.
d) A grande vantagem desse diagrama, quando comparado com os outros, é que nele são ob-
servadas apenas as tendências de variabilidade.
e) A grande vantagem desse diagrama, quando comparado com os outros, é que nele são ob-
servadas tendências centrais, de dispersão e de variabilidade, além da simetria dos dados
amostrais.
52/226
Gabarito
1. Resposta: B. 3. Resposta: D.
Quando realizamos a análise de dados é ne- Um histograma é um gráfico de frequências

cessário compreender como esses dados se e tem suas distribuições em classes, assim,
comportam, por isso trabalham-se esses ele é formado de retângulos que represen-
dados para a observação de dois comporta- tam as classes da variável em estudo, sendo
mentos: sua tendência central e sua disper- que, a altura de cada retângulo é proporcio-
são. Medidas de dispersão seriam o cálculo nal à frequência observada correspondente
da variância e do desvio padrão. a classe.
2. Resposta: A. 4. Resposta: C.
Um exemplo de cálculo de medida central é É possível perceber uma maior frequên-

média aritmética e mediana. Existem outras cia dos dados em torno de um valor central
medidas de tendência central que são am- (média calculada), indicando uma tendên-
plamente utilizadas da gestão da qualidade. cia e também, uma baixa frequência para os
valores das pontas.
53/226
Gabarito
5. Resposta: E.
A grande vantagem desse diagrama, quan-

do comparado com os outros dois (ramo-
-e-folhas e histograma) é que nele são ob-
servadas tendências centrais, de dispersão
e de variabilidade, além da simetria dos da-
dos amostrais.
54/226
Unidade 3
Distribuições de Probabilidade
Objetivos
1. Aprender as diferenças das distri-

buições de probabilidade discretas e
contínuas, e suas utilizações;
2. Analisar cenários em que cada uma
das distribuições pode ser utilizada;
3. Entender que as distribuições de pro-
babilidade podem ser usadas para ve-
rificar o comportamento de um pro-
cesso.
55/226
Introdução
Além de executar a redução de dados, para escala contínua; e (2) Distribuição discre-
que estes se tornem mais facilmente comu- ta, onde a variável aleatória assume certos
nicáveis, a estatística também tem o foco de valores específicos. Desta forma, existem
estudar experimentos com caráter aleatório vários modelos de distribuição nesses dois
e não determinístico, ou seja, tem o foco de casos, para variáveis contínuas e discretas e
estudar experimentos que se repetidos nas as escolhas devem ser feitas a partir do mo-
mesmas condições produzirão resultados delo que descreve corretamente o processo
diferentes. utilizado ou os dados obtidos. Para esse ma-
Para isso ela utiliza distribuições de proba- terial foram selecionados quatro diferentes
bilidade, sendo que, uma distribuição de modelos de distribuição, entre eles: (1) Hi-
probabilidade pode ser definida como um pergeométrica; (2) Poisson; (3) Normal; e (4)
modelo matemático que relaciona o valor Exponencial.
de uma variável aleatória com a probabili-
dade de ocorrência daquele valor aleatório
na população.
Existem dois modelos de distribuições de
probabilidade: (1) Distribuições contínu-
as, onde a variável aleatória é expressa em
56/226 Unidade 3 • Distribuições de Probabilidade
1.1. Distribuição Hipergeomé-
Para saber mais trica
Sabe-se que as distribuições de probabilidade
A distribuição hipergeométrica é uma das
são usadas para representar fenômenos obser-
distribuições discretas que aparecem fre-
vados e, a partir de uma base de dados, inferirem
quentemente nos estudos de controle es-
como o futuro poderia ser. Existem casos notá-
tatístico da qualidade. As distribuições dis-
veis de como as distribuições de probabilidade
cretas são definidas como aquelas em que
são utilizadas atualmente. Na economia, mode-
há uma população finita composta por N
los foram construídos primeiramente com base
itens que podem ser identificados. No caso
na distribuição Normal e depois nas distribuições
de uma distribuição hipergeométrica é re-
de Pareto para inferirem valores futuros de títulos
tirada dos N itens uma amostra de tama-
e bens. Em manutenções, uma boa compreensão
nho n (n<N). Dessa amostra retirada, exis-
de como a degradação de um componente ocor-
tem itens que são de interesse do analista
re permite sua substituição antes que uma falha
chamados itens x e D itens que seria itens
ocorra, além disso, degradações de calçadas po-
defeituosos. Assim, a distribuição de proba-
dem ser verificadas de antemão por meio de pro-
bilidade hipergeométrica se apresenta da
jeções de uma distribuição exponencial.
seguinte forma:

Por exemplo, em um cenário com um lote
de 100 peças fabricadas (N=100) e uma
taxa de 5% de peças não-conforme (D=5),
Lembrando que, são análises combinatórias é retirada uma amostra de 10 peças. Qual
resolvidas conforme a expressão abaixo. a probabilidade de achar nessa amostra de
10 peças (n=10) até uma peça com defeito
(x=0 e x=1)?
Assim, pode se concluir que a distribuição

hipergeométrica terá melhor aplicação em
cenários em que uma amostra de tamanho
n é retirada aleatoriamente de um lote de-
finido de tamanho N, dos quais se sabe de
antemão a taxa média de itens não-confor-
mes D, x nesses casos irá representar o nú-
mero de itens não-conforme encontrados
na amostra n.

Dessa forma, 5 probabilidades devem ser calculadas:
Retornando para a equação original:

1.2. Distribuição Poisson
Outra distribuição discreta utilizada no

controle estatístico da qualidade é a distri-
buição de Poisson. Essa distribuição se dá
em função de parâmetro (λ) que é definido
por aquele que está utilizando a distribui-
ção. Muito utilizado quando há a definição
de quantidade de defeitos por unidade pro-
duzida ou para a descrição do número de
chegadas em um sistema de filas. A equa-
ção que define a distribuição de Poisson é:
Sendo a distribuição das curvas de Poisson

com λ variando entre 4, 8, 12 e 16 apresen-
tada na figura 4.

Figura 4- Gráfico da distribuição de Poisson com os parâmetros variando discretamente entre 4, 8, 12 e 16.
Fonte: a autora.
Note que a distribuição de Poisson é assimétrica, com valores de λ menores a cauda a direita é
mais longa, com valores maiores de λ a distribuição se apresenta de maneira mais simétrica, mas
continua sendo assimétrica.
No exemplo a seguir, será trabalhado um sistema de produção que trabalha com um valor apro-
ximado de 4 falhas por item produzido, se ao coletar uma amostra aleatória nesse sistema, qual
a probabilidade de apresentar no máximo 2 falhas?
Link
No artigo de Piton, Filho e Alves (2015), Aplicação da distribuição Poisson e exponencial voltada para me-
lhoramento da qualidade de serviço em um posto de combustível, há um estudo de caso da utilização da dis-
tribuição de Poisson para modelar o cenário de chegadas em um posto de gasolina, a fim de melhorar a
taxa de serviço. Disponível em: <http://www.abepro.org.br/biblioteca/TN_STO_211_253_27751.

1.3. Distribuição Normal ela estaria distribuída conforme o gráfico a
seguir.
Provavelmente a curva de distribuição mais Figura 5- Distribuição Normal com média = 0 e variância = 1.
conhecida tanto na teoria quanto em utili-
zações práticas é a curva gaussiana ou cur-
va Normal, que é uma curva de distribuição
contínua (por isso pode ser chamada de
curva), com característica de ser uma curva
simétrica, unimodal, com forma caracterís-
tica conhecida de sino.
Fonte: a autora.
A distribuição normal é definida pela equa-
Compreendida a maneira pela qual a curva
ção:
Normal se distribui, agora será explicada a
utilização da distribuição para modelagem
de sistemas produtivos e inferências para
controle da qualidade. Nos sistemas produ-
Assumindo que a curva Normal tenha mé-
tivos, as curvas Normais são utilizadas para
dia = 0 e variância = 1 (curva normal padrão)
verificar se o valor a ser amostrado aleatório

(x) será inferior ou igual a um parâmetro (a) Sendo ϕ o valor da distribuição Normal pa-
definido por um cliente ou até mesmo pelos drão acumulada presente na tabela 3.
processos internos da empresa. Ou seja,
Porém, essa integral é difícil de ser resolvida

na forma que se apresenta, podendo passar
pela seguinte transformação:
Com essa modificação e utilizando curva

Normal padrão como base (média =0, vari-
ância = desvio padrão = 1), tem-se que:

Tabela 3- Distribuição Normal Padrão Acumulada.
Fonte: a autora.

Para ler os dados na tabela, considere z constituído de duas partes, uma parte decimal e uma
parte centesimal. Ao analisar o valor de z ( ), o valor decimal será procurado na primeira coluna
e o valor centesimal na primeira linha, onde houver o cruzamento dos 2 valores haverá o resul-
tado da distribuição procurada e consequentemente a probabilidade do evento ocorrer. Além
disso, pela descrição da integral, percebe-se que há preenchimento completo das distribuições
de -∞ até o ponto a selecionado.
Por exemplo, considere que uma empresa fabrica tubos de aço e que esses tubos de aço têm
como padrão do processo a dimensão externa de 40 mm (também conhecida como medida no-
minal) e um desvio padrão máximo permitido de 2 mm (conhecido também como tolerância).
Um cliente estipula que o padrão de recebimento dele é de 35 mm, logo ele não aceitará mate-
riais com menos de 35 mm de diâmetro externo. Qual a probabilidade desse processo descrito
enviar um tubo fora das especificações?

Note que a tabela de Distribuição Normal Padrão Acumulada não apresenta valores negativos.
Para realizar o cálculo de maneira correta deve se entender que toda somatória de distribuição
de probabilidade é igual a 1. No caso do exemplo ou o material tem diâmetro externo maior que
35 mm ou ele é menor ou igual a 35 mm. Assim,
Verificando na tabela 3 o valor de 2,50 encontra-se o decimal 2,5 e o centesimal 0,00, resultando
em 0,9938.
Tabela 4. Exemplo de leitura da Tabela de Distribuição Normal Padrão Acumulada.
Fonte: a autora.

Assim, a probabilidade desse sistema produtivo enviar para um cliente um tubo com diâmetro
externo inferior a 35 mm é de 0,62%, dentro dessas configurações.
Mas se existe um limite inferior a ser considerado? Se o cliente define um intervalo de aceitação
ao invés de um valor mínimo para aceitação? Considere agora que o sistema produtivo produz
hastes de metal com média de 0,2508 cm e desvio padrão de 0,0005 cm. O cliente estabeleceu
que aceitará hastes com 0,2500 ± 0,0015 cm. Dentro desse sistema produtivo e com as exigên-
cias do cliente, qual a probabilidade o cliente receber uma haste dentro das especificações dele?
Essa probabilidade pode ser divida em 2 cálculos, primeiro de P{x≤0,2515} e P{x≤0,2485}, depois
subtrair P{x≤0,2485} de P{x≤0,2515}, uma vez que, como já visto na Distribuição Normal Padrão
Acumulada, o acúmulo ocorre de -∞ ao valor especificado. Assim, tem-se:

Dessa forma, a probabilidade do sistema produtivo entregar uma haste de metal dentro da espe-
cificação do cliente é de 92,65%.
Para saber mais

Seis Sigma é uma ferramenta originada na Motorola, em 1986, com o intuito de diminuir a variabilidade
entre saídas de um mesmo sistema. Para sua exemplificação, geralmente é utilizada a curva Normal, pois
o Modelo Seis Sigma fala na diminuição da amplitude permitida para as saídas de um sistema, diminuição
da distância entre o limite inferior e limite superior de aceitação. Quando um processo chega ao Seis Sig-
ma significa que de suas saídas apenas 3,4 em cada 1 milhão de componentes está não conforme. Como
chegar a um valor desses é muito difícil, ou até mesmo não existe tal exigência por parte dos clientes, são
colocados objetivos como parciais do Seis Sigma como, por exemplo, Quatro Sigma e define-se estraté-
gias para chegarem a esses valores, geralmente utilizando o métodos de Melhoria Contínua.

1.4. Distribuição Exponencial
Link A distribuição exponencial é outro tipo de
No artigo de Marçola et al., Utilização do méto- curva de probabilidade, uma vez que tam-
do seis sigma para melhoria do processo de aten- bém apresenta uma distribuição de pontos
dimento de uma empresa de serviços: estudo de contínua. É largamente utilizada para mo-
caso em uma empresa do setor alimentício, há delagem na área de engenharia de confia-
um exemplo de Seis Sigma aplicado. Disponível bilidade, verificando os módulos de falha de
em: <http://www.abepro.org.br/biblioteca/ componentes ou até mesmo de um sistema
enegep2010_tn_sto_125_805_16617.pdf>. todo, além disso também é utilizada na teo-
Acesso em: 20 out. 2017. ria para calcular a probabilidade de eventos
No artigo de Dias, A viabilidade da implementação ocorrerem em um período de tempo. Seu
de projetos seis sigma em uma empresa de pequeno cálculo obedece a seguinte fórmula:
porte do setor de análises ambientais: um estudo de
caso, há um exemplo de Seis Sigma aplicado. Dis-
ponível em: <http://www.abepro.org.br/biblio- Em que é uma constante definida. Essa
teca/enegep2010_TN_STO_113_739_16713. constante quando estudada na engenharia
pdf>. Acesso em 21 nov. 2017. da confiabilidade representa a taxa de falha
daquele componente, quando é estudada na teoria de filas a constante λ é a taxa de chegada de
clientes, que seria o inverso do tempo médio entre chegadas. A média e a variância de uma dis-
tribuição exponencial são calculadas da seguinte forma:
A distribuição exponencial acumulada é regida pela seguinte equação:
Com ela é possível calcular a probabilidade de uma falha acontecer em determinado período de
tempo e até mesmo qual a probabilidade de uma pessoa chegar a um estabelecimento em um
intervalo de tempo. Na figura 6 é possível observar a variação de comportamento da distribuição
de probabilidade acumulada conforme a variação do parâmetro λ.

Figura 6- Distribuições exponenciais acumuladas, variando λ de 1 a 5.
Fonte: a autora.
Por exemplo, se o tempo médio de falha de um componente é 10000 horas, ou seja, ele apre-
senta uma falha a cada 10000 horas e um cliente gostaria de saber qual a probabilidade desse
componente falhar antes de 10000 horas, teríamos que efetuar o seguinte cálculo:
Há uma importante relação que pode ser Link
tecida entre as distribuições de Poisson e No artigo de Cardoso, Fiqueiredo Júnior e Santos
exponenciais. Se o número de ocorrências (2010), Pesquisa operacional: aplicação de teoria de
em um evento for modelado conforme uma filas no sistema de uma panificadora, há um exemplo
curva de Poisson seguindo um parâmetro λ, de modelagem de um sistema de uma panificado-
a distribuição que definirá o tempo entre as ra usando a metodologia de filas e demonstrando
ocorrências será uma distribuição exponen- sua relação com a distribuição de Poisson. Dispo-
cial com o mesmo parâmetro λ. nível em: <http://www.abepro.org.br/biblio-
teca/enegep2010_TN_STP_118_771_15877.

Para saber mais
A teoria de filas, provinda da Pesquisa Operacional, ramo da engenharia que busca otimizar sistemas pro-
dutivos com base em modelagens matemáticas, lógicas ou estatísticas, teve sua origem na problemática
de otimização da utilização de linhas telefônicas no início do século XX. Hoje, muito mais abrangente, a
Teoria de Filas estuda as relações entre as demandas em um sistema e os atrasos sofridos pelos usuários
nesse sistema. Os estudos de Teoria de Filas utilizam sistemas em equilíbrio, equivalente a sistemas com
largo conjunto de dados para tomada de decisão, considerando que a quantidade de dados é tão alta e
que não ocorrerão variações que se utiliza o princípio de Esperança Matemática para seus cálculos. Com
base nessa técnica, hoje são pensados sistemas de atendimento em bancos, farmácias, centrais de aten-
dimento em telefonia e afins. Com base na Teoria de Filas são calculados os números de servidores ne-
cessários para o atendimento do público em um tempo inferior ao definido por lei. Dentre as distribuições
apresentadas nesse tema, destacam-se para a Teoria de Filas a distribuição de Poisson, para definição da
taxa de chegadas de clientes, e a distribuição Exponencial para definir a quantidade de clientes que che-
gariam a um intervalo de tempo.

Glossário
Aleatório: Ação que ocorre ao acaso, sem relação com o momento que ela aconteceu anterior-
mente, nem com o próximo momento que irá ocorrer.
Falha: Quando um determinado componente deixa de apresentar suas características funcio-
nais de uma maneira catastrófica, sem prévio comprometimento.
Parâmetro: Valor pré-definido em uma modelagem.

?
Questão
para
reflexão
O carro que você acabou de comprar possui o que há de mais mo-

derno na engenharia. Como todo carro novo, ele possui um livro
de revisões que atestam o bom condicionamento do carro e que
todas as revisões foram feitas. Note que nas revisões não são tro-
cadas todas as peças, algumas têm que ser observadas para ve-
rificar a troca e outras são trocadas conforme certa quilometra-
gem rodada. Essa quilometragem rodada é definida pelo módulo
de falha calculado para aquele componente. Você se lembra de
qual a distribuição de probabilidade que é usada para o cálculo
do período da possível falha?
76/226
Considerações Finais (1/2)
• O comportamento de um processo pode ser avaliado com base em distribui-

ções de probabilidade. Existem diferentes modelos de distribuição de pro-
babilidade, e estes podem ser divididos em duas classes principais, os que
utilizam variáveis aleatórias contínuas e os que utilizam variáveis aleatórias
discretas. Assim, os modelos de distribuição hipergeométrica, exponencial,
Poisson e normal foram estudados;
• As distribuições de Poisson e hipergeométricas são distribuições discretas,
definidas ponto-a-ponto. Poisson apresenta uma ótima relação para mo-
delagem de sistemas de chegadas aleatórias, como em restaurantes, postos
de gasolina, entre outros. Hipergeométrica modela melhor cenários de lote
de peças produzidas que se tem um histórico de falha, podendo assim defi-
nir uma amostragem para pegar possíveis falhas no processo antes dessas
falhas chegarem ao cliente;
77/226
• As distribuições Normal e Exponencial são distribuições contínuas, cons-

truídas por infinitos pontos. A distribuição Normal é eficiente ao modelar
cenários naturais, como fenômenos climáticos. A distribuição exponencial
se mostra eficaz para modelagem de momento de falhas de componentes e
quantidade de chegadas em um intervalo de tempo;
• Pode-se dizer que as distribuições exponenciais e de Poisson apresentam
relação uma vez que ao apresentarem o mesmo parâmetro podem ter suas
saídas (módulo de falha e probabilidade de falha em um período) correla-
cionadas.
78/226
Referências
ARENALES, M. N. et al. Pesquisa operacional para cursos de engenharia. 4. ed. Rio de Janeiro:
Elsevier, 2007.

2016.

Aula 3 - Tema: Distribuição de Probabilidade. Aula 3 - Tema: Distribuição de Probabilidade.

Bloco I Bloco II
pApiv2/embed/dbd3957c747affd3be431606233e0f1d/ pApiv2/embed/dbd3957c747affd3be431606233e0f-
edb0e0e706ed285a8bdf15125e9d9351>. 1d/632e0b73ee4b19528e2bb5d97ba8be81>.
80/226
Questão 1
1. Assinale a alternativa correta. São exemplos de distribuições discretas:
a) Hipergeométrica e exponencial.
b) Normal e exponencial.
c) Poisson e exponencial.
d) Hipergeométrica e Poisson.
e) Normal e Poisson.
81/226
Questão 2
2. Assinale a alternativa correta. São exemplos de distribuições contínuas:
82/226
Questão 3
3. Assinale a alternativa correta. Para um processo poder ser conhecido como
Seis Sigma é permitida uma falha em quantas peças?
a) 3,4 em 1 milhão.
b) 233 em 1 milhão.
c) 6210 em 1 milhão.
d) 4,3 em 1 milhão.
e) 1,3 em 1 milhão.
83/226
Questão 4
4. Assinale a alternativa correta. Quais as distribuições de probabilidade mais
usadas na Teoria de Filas?
c) Normal e Poisson.
e) Poisson e exponencial.
84/226
Questão 5
5. Assinale a alternativa correta. São distribuições que, ao apresentarem o
mesmo parâmetro, possuem relação:
85/226
Gabarito
1. Resposta: D. ciente ao modelar cenários naturais como
fenômenos climáticos. A distribuição expo-
As distribuições de Poisson e hipergeomé- nencial se mostra eficaz para modelagem
tricas são distribuições discretas, definidas de momento de falhas de componentes e
ponto-a-ponto. Poisson apresenta uma óti- quantidade de chegadas em um intervalo
ma relação para modelagem de sistemas de de tempo.
chegadas aleatórias como em restaurantes,
postos de gasolina e outros. Hipergeométri- 3. Resposta: A.
ca modelam melhor cenários de lote de pe-
ças produzidas que se tem um histórico de Quando um processo chega ao Seis Sigma
falha, podendo assim definir uma amostra- significa que de suas saídas apenas 3,4 em
gem para pegar possíveis falhas no proces- cada 1 milhão de componentes está não
so antes dessas falhas chegarem ao cliente. conforme.
2. Resposta: B. 4. Resposta: E.
Dentre as distribuições apresentadas nes-
As distribuições de Normal e Exponencial
te tema destacam-se para a Teoria de Filas
são distribuições contínuas, construídas por
a distribuição de Poisson para definição da
infinitos pontos. A distribuição Normal é efi-
86/226
Gabarito
taxa de chegadas de clientes às filas e a dis-
tribuição Exponencial para definir a quanti-
dade de clientes que chegariam a um inter-
valo de tempo.
5. Resposta: C.
Pode-se dizer que as distribuições expo-
nenciais e de Poisson apresentam relação
uma vez que ao apresentarem o mesmo pa-
râmetro, podem ter suas saídas (módulo de
falha e probabilidade de falha em um perío-
do) relacionadas.
87/226
Unidade 4
Diagramas da Qualidade Aplicados ao Controle Estatístico de Processo
Objetivos
1. Conhecer algumas filosofias e diagra-

mas da qualidade;
2. Entender o processo de construção e
utilização de diagramas como: causa
e efeito, dispersão, concentração de
defeito e folha de controle;
3. Verificar a importância desses diagra-
mas no processo de melhoria da qua-
lidade.
88/226
Introdução
Nos temas anteriores, estudamos alguns As sete ferramentas principais da qualida-

conceitos da qualidade e também algumas de são: (1) Histogramas, Ramo-e-folhas ou
ferramentas estatísticas que podem ser diagrama de caixa; (2) Gráficos de Pareto;
aplicadas aos processos. Nos temas seguin- (3) Diagrama causa e efeito; (4) Diagrama de
tes, estudaremos o gráfico de controle de dispersão; (5) Diagrama de concentração de
processo, que é uma ferramenta importan- defeitos; (6) Folha de controle e; (2) Gráfico
tíssima do Controle Estatístico do Proces- de controle. Desta forma, as duas primeiras
so (CEP). Mas, embora possamos empregar ferramentas já foram abordadas no tema
o gráfico de controle na resolução de pro- 2, as ferramentas de 3 a 6 serão abordadas
blemas e também nos diversos processos nesse tema e, todos os demais temas serão
de melhoria da qualidade, ele será melhor dedicados aos gráficos do CEP.
aproveitado quando estiver integrado a um
programa completo de qualidade. Para isso,
é necessário utilizar as sete ferramentas
principais da qualidade aplicadas à resolu-
ção de problemas do CEP.
89/226 Unidade 4 • Diagramas da Qualidade Aplicados ao Controle Estatístico de Processo

Os Métodos de Análise e Solução de Problemas,
O artigo de Ferreira et al. (2010), Utilização do MASP
também conhecidos por sua sigla MASP, são uma
através do ciclo PDCA para o tratamento do proble-
coletânea de ferramentas utilizadas pela qualida-
ma de altas taxas de mortalidade de aves em uma
de para conseguir identificar possíveis causas de
empresa do setor avícola, é um estudo de caso sobre
variações nos sistemas produtivos e propor solu-
a utilização de duas ferramentas muito utilizadas
ções para essas causas das variações, chamadas
no MASP: o ciclo PDCA, que será melhor explica-
aqui de problemas. O MASP utiliza ferramentas
do durante o tema 5 e a ferramenta 5W2H, muito
de diversas áreas da Engenharia de Produção que
utilizada para definição de planos de ação. Dispo-
vão desde a definição de trabalho padronizado na
nível em: <http://www.abepro.org.br/biblio-
Engenharia de Métodos até ferramentas estatís-
teca/enegep2010_tn_stp_114_750_16555.
ticas da qualidade, como os diagramas que serão
vistos dentro do tema 5.

1.1. Diagrama Causa – Efeito bra; (3) Máquina; (4) Métrica; (5) Meio-am-
biente e (6) Matéria-prima.
Quando se constata a existência de um pro-
1) Método: Problemas referentes ao pro-
blema, uma falha, um erro ou um defeito em
cesso produtivo, o como fazer algo
um sistema produtivo, denomina-se esse
não é melhor forma, gerando desvios
evento de efeito. Assim, essa ferramenta da
produtivos;
qualidade é empregada para avaliar as pos-
síveis causas desse efeito, ajudando a elen- 2) Mão-de-obra (Pessoas): Problemas
car e visualizar os motivos que levaram ao referentes à variação do colaborador
efeito, para que seja possível fazer uma al- ou de colaboradores com habilidades
teração no processo. diferentes, disposições que, em ope-
rações manuais, geram variações de
Além do nome diagrama de causa e efeito, processo;
esse diagrama também pode ser denomi-
3) Máquina: Problemas referentes a va-
nado de diagrama espinha de peixe ou dia-
riações de maquinário, seja por de-
grama de Ishikawa, e em sua construção, é
feito de equipamento, ou por equipa-
feita uma relação entre o efeito e seis possí-
mento inadequado para a produção
veis causas do mesmo, conhecidos como os
de determinado item;
6M´s, são eles: (1) Método; (2) Mão-de-o-
4) Métrica: Problemas referentes a equi- Após elencar as causas, verifique quais são
pamentos utilizados para análise dos as que têm maior probabilidade de ter ge-
atributos, se o equipamento apre- rado o efeito e na sequência, aponte e ado-
senta problemas de aferição, lotes de te ações corretivas em seu processo. Lem-
produtos bons podem ser reprova- brando que, quanto mais detalhado o dia-
dos ou lotes de produtos ruins podem grama construído, provavelmente, ele será
aprovados; mais eficaz para a localização e reparo dos
5) Meio-ambiente (Ambiente): Proble- defeitos apontados.
mas referentes a ambiente em que o Na figura 7 há exemplo de Diagrama Causa
colaborador está inserido. Falta de lu- – Efeito para o estudo da variação do peso
minosidade, calor, vibração são cau- das embalagens de biscoito que já tratamos
sas ambientais; em outra unidade.
6) Matéria-prima: Problemas referentes
a variações nas matérias-primas en-
trantes no sistema.

Figura 7. Exemplo de Diagrama Causa – Efeito.
Fonte: a autora.
Tabela 5. Exemplo de ciclo PDCA.
Link
No artigo de Melo, Costa e Farias Filho (2016), Aplicação do diagrama de causa e efeito como um instrumento
de gestão de resíduos de construção, é discutido um estudo de caso de sucesso da aplicação do diagrama
de causa efeito. Disponível em: <http://www.abepro.org.br/biblioteca/TN_STP_234_366_29583.

Para saber mais
Desenvolvido por Deming, o ciclo PDCA tem por objetivo nortear a melhoria contínua dentro dos siste-
mas produtivos. Consiste em realizar um planejamento de como resolver um problema (P – Plan, Planejar
em inglês), executar a melhoria (D - Do, Executar, em inglês), verificar se a melhoria planejada surtiu efei-
to (C – Check, Conferir, em inglês) e tomar essa melhoria como uma ação contínua, incorporando-a no
processo (A – Act, Ação, em inglês). O ciclo PDCA também pode ser apresentado como um fluxograma. A
tabela 5 apresenta uma exemplificação.
Tabela 5. Exemplo de ciclo PDCA.
PDCA Fluxograma Ações Objetivo

1 Identificação do problema Definir possíveis causas do problema.
2 Observação Desdobrar o problema em problemas menores.
P Identificar as causas fundamentais dos
3 Análise
problemas.
4 Plano de Ação Gerar plano de ação para correção do problema.
D 5 Execução Executar o plano de ação.

Para saber mais
Desenvolvido por Deming, o ciclo PDCA tem por objetivo nortear a melhoria contínua dentro dos siste-
mas produtivos. Consiste em realizar um planejamento de como resolver um problema (P – Plan, Planejar
em inglês), executar a melhoria (D - Do, Executar, em inglês), verificar se a melhoria planejada surtiu efei-
to (C – Check, Conferir, em inglês) e tomar essa melhoria como uma ação contínua, incorporando-a no
processo (A – Act, Ação, em inglês). O ciclo PDCA também pode ser apresentado como um fluxograma. A
tabela 5 apresenta uma exemplificação.
PDCA Fluxograma Ações Objetivo
6 Verificação Verificar se o plano foi efetivo.
Se 6=sim, siga para
C
o 7, caso contrário,
volte para o 1
7 Padronização Prevenir que o problema ocorra novamente.
A Recapitular todo o processo de solução de
8 Conclusão
problemas para evitar erros futuros
Fonte: a autora.

avaliando duas variáveis, deve-se coletar os
Link dados aos pares: xi , y i para
Após os dados coletados, plota-se um grá-
O artigo de Fonseca e Miyake (2006), Uma análise fico de xi versus y i e verifica-se se existem
sobre o ciclo PDCA como um método para solução ou não relações entre as variáveis analisa-
de problema de qualidade, apresenta os princi- das.
pais aspectos que devem ser abordados em uma
aplicação prática do ciclo PDCA. Disponível em:
A figura 8 mostra o diagrama de dispersão
<http://www.abepro.org.br/biblioteca/ENE-
gerado pelos dados da variação de peso da
GEP2006_TR470319_8411.pdf>. Acesso em:
caixa de biscoito. Pelo diagrama buscou-se
20 out. 2017.
uma análise se havia relação entre o dia que
foi realizada a pesagem (eixo x) e o peso de
1.2. Diagrama de Dispersão cada uma das embalagens pesadas (eixo y).
Como é possível observar não há relação
O diagrama de dispersão é utilizado na entre essas duas variáveis.
identificação de relações entre duas ou mais
variáveis. Para sua construção, é necessário
coletar dados das variáveis a serem analisa-
das simultaneamente, se no caso estivermos
Figura 8. Exemplo de diagrama de dispersão.
Fonte: a autora.
Porém, devem-se tomar alguns cuidados ao utilizar esse tipo de diagrama, pois, a existência de
uma correlação não implica diretamente em uma relação de causa e efeito, mas sim na identifi-
cação de relações potenciais entre variáveis.

1.3. Diagrama de Concentração cinta, especificamente nas regiões marca-
de Defeito das no diagrama. Tanto a cinta frouxa de-
mais, quanto apertada demais, podem cau-
O diagrama de concentração de efeito é sar defeitos na peça final.
uma ferramenta da qualidade que apresen- Figura 9. Defeitos de acabamento da superfície de um refrigerador.
ta uma figura detalhada da unidade (pro-
duto/processo), mostrando todas as vistas
relevantes para a localização de defeitos e
correção dos mesmos. Em geral, podem ser
usadas cores diferentes para identificar ti-
pos de defeitos diferentes e também para
classificá-los. Assim, na Figura 9 pode-se
observar um exemplo de um diagrama de
concentração de defeitos de um refrige-
rador, onde as áreas marcadas são regiões
com maior incidência de defeitos, devido ao
processo de deslocamento da unidade pro-
duzida. Isso ocorre, pois, após a montagem,
o refrigerador é movido utilizando-se uma Fonte: Montgomery (2016, p. 113)

Para saber mais
Em avaliações de sistemas de qualidade, um dos principais problemas que se tem é quanto à inferência
sobre os componentes ou peças que estão sendo produzidos. Um sistema de qualidade deve passar por
uma Avaliação do Sistema de Medição (MSA), que seria uma avaliação que garante que a sistemática de
garantia da qualidade é robusta. Um dos testes que são realizados é R&R ou Repetibilidade e Reprodu-
tividade. No teste de Repetibilidade verifica-se se o avaliador, responsável por atestar se um pronto está
conforme, consegue fazê-lo de maneira contínua, não reprovando uma peça conforme ou aprovando
uma peça não-conforme. Já no teste de Reprodutividade, verifica-se que se ao trocar o avaliador, as peças
conformes continuam sendo aprovadas e peças não-conformes continuam sendo reprovadas.
1.4. Folha de Controle
Para garantir a qualidade, e também para facilitar a pesquisa sobre eventuais falhas no siste-
ma produtivo, podem ser utilizadas folhas de controle. Essa é uma importante ferramenta para
coleta de dados em um processo. Assim, a folha de controle apresenta um resumo de todas as
atividades pesquisadas e controladas em determinado período, sendo particularmente valiosa
na pesquisa de tendências e padrões significativos.

Porém, alguns cuidados devem ser tomados na Figura 10. Nessa figura, temos ilustrada
ao planejar adequadamente uma folha de uma folha de controle desenvolvida por um
controle, pois ao mesmo tempo em que os engenheiro de uma fábrica aeroespacial,
dados tomados podem ser muito valiosos que investigava os vários tipos de defeitos
no controle do processo, se a folha de con- que surgiam em um tanque usado em um
trole for mal planejada, os dados podem ser de seus produtos, com o objetivo de melho-
insignificantes. Assim, alguns itens serão rar o processo, assim, é possível identificar
indispensáveis em uma folha de controle, quais as falhas e também os períodos que
como: (1) Data e hora; (2) Parte da operação elas têm maior propensão a acontecerem.
/ máquina; (3) Operador; (4) Dados relevan-
tes a serem coletados; (5) Outras informa-
ções que a gerência acreditar serem úteis
em um atual ou futuro diagnóstico de de-
sempenho.
Assim, para ficar mais claro como devemos
proceder ao produzir e preencher uma folha
de controle foi selecionado o exemplo de
Montgomery (2016) que está apresentado
Figura 10. Uma folha de controle para registrar defeitos em um tanque usado em uma aplicação aeroespacial.
Fonte: Montgomery (2016, p.110)

Glossário
Atributo: Desdobramento de uma característica de um produto de uma maneira que ele passe a
ser avaliado por essa característica (conforme / não-conforme).
Dispersão: Apresentação dispersa de pontos, não concentração dos dados em um único local.
Reprodutividade: Capacidade, independente do fator avaliador, de um objetivo continuar apre-
sentando as mesmas características.

?
Questão
para
reflexão
Vamos verificar se você aprendeu a construir um diagra-

ma de causa e efeito. Vamos usar sua própria vida para
isso, assim temos como efeito: estudante de pós-gra-
duação cansado. Agora elenque 6 possíveis causas para
esse efeito, levando em consideração os 6 M´s estuda-
dos e construa o seu próprio diagrama de causa e efeito.
103/226
• O gráfico de controle é muito útil na resolução de problemas e também nos di-
versos processos de melhoria da qualidade, mas ele será melhor aproveitado
quando estiver integrado a um programa completo de qualidade, utilizando as
sete ferramentas da qualidade, que são: (1) Histogramas, Ramo-e-folhas ou
diagrama de caixa; (2) Gráfico de controle; (3) Diagrama causa e efeito; (4) Dia-
grama de dispersão; (5) Diagrama de concentração de defeitos; (6) Gráficos de
Pareto e; (7) Folha de controle;
• O diagrama de causa e efeito faz uma relação entre um efeito (falha) com seis
possíveis causas dessa falha, ajudando a elencar e visualizar os motivos que le-
varam ao efeito. As seis causas, conhecidas como os 6M´s, são: (1) Método; (2)
Mão-de-obra; (3) Máquina; (4) Métrica; (5) Meio-ambiente e (6) Matéria-prima.
• O diagrama de dispersão identifica possíveis relações entre variáveis. Para isso,
plota-se um gráfico de xi versus yi e verifica-se se existem ou não relações entre as
variáveis analisadas. Porém, deve-se observar esse diagrama com cuidado, pois, a
existência de uma correlação não implica diretamente em uma relação de causa e
efeito, mas sim na identificação de relações potenciais entre variáveis.
104/226
• O diagrama de concentração apresenta uma figura detalhada da unidade, mos-
trando todas as vistas relevantes para a localização de defeitos e correção dos
mesmos. Em geral, podem ser usadas cores diferentes para identificar tipos de
defeitos diferentes e também para classificá-los.
105/226
Referências

2016.

Aula 4 - Tema: Diagramas da Qualidade Aplica- Aula 4 - Tema: Diagramas da Qualidade Aplica-
dos ao Controle Estatístico de Processo. Bloco I dos ao Controle Estatístico de Processo. Bloco
Disponível em: <https://fast.player.liquidplatform.com/ II
pApiv2/embed/dbd3957c747affd3be431606233e0f1d/ Disponível em: <https://fast.player.liquidplatform.com/
a7b35ec2611752b1fbca796c0d66dbf9>. pApiv2/embed/dbd3957c747affd3be431606233e0f-
1d/09b620057ea6d84812ee8e2dcf66b888>.
107/226
Questão 1
1. Assinale a alternativa correta. Entre as ferramentas da qualidade podem
ser citadas:
a) Análise SWOT; Diagrama causa e efeito.

b) Gráfico de controle; Diagrama causa e efeito.
c) Gráfico de controle; Análise SWOT.
d) Matriz importância-desempenho; Diagrama causa e efeito.
e) Gráfico de controle; Matriz importância-desempenho.
108/226
Questão 2
2. Assinale a alternativa correta. Nos Diagramas Causa-Feito podem ser
utilizadas como causas primárias:
a) Método; Ignorância; Máquina; Métrica; Meio-ambiente e Matéria-prima.

b) Método; Mão-de-obra; Máquina; Métrica; Bom-senso e Matéria-prima.
c) Método; Mão-de-obra; Máquina; Temperatura; Meio-ambiente e Matéria-prima.
d) Método; Mão-de-obra; Máquina; Métrica; Meio-ambiente e Matéria-prima.
e) Método; Mão-de-obra; Máquina; Métrica; Desrespeito as leis e Matéria-prima.
109/226
Questão 3
3. Assinale a alternativa correta. O que o diagrama de dispersão identifica:
a) Identifica possíveis relações entre variáveis.

b) Identifica possíveis relações entre áreas da empresa.
c) Identifica possíveis relações entre os clientes da empresa.
d) Identifica possíveis relações entre os fornecedores da empresa.
e) Identifica possíveis relações entre o governo e a empresa.
110/226
Questão 4
4. Assinale a alternativa correta. O diagrama de concentração busca:
a) Autorização para um defeito ser passado para o cliente.

b) Antecipar para o avaliador uma área de possível falha.
c) Recuperação de um defeito.
d) Viabilidade econômica sobre um defeito ocorrido.
e) Degradação ambiental.
111/226
Questão 5
5. Assinale a alternativa correta. Qual o objetivo da folha de controle no
sistema produtivo?
a) Para garantir os custos, e também para facilitar a pesquisa sobre eventuais falhas no siste-
ma produtivo, podem ser utilizadas folhas de controle.
b) Para garantir a flexibilidade, e também para facilitar a pesquisa sobre eventuais falhas no
sistema produtivo, podem ser utilizadas folhas de controle.
c) Para garantir a qualidade, e também para facilitar a pesquisa sobre eventuais falhas no sis-
tema produtivo, podem ser utilizadas folhas de controle.
d) Para garantir a rapidez, e também para facilitar a pesquisa sobre eventuais falhas no sistema
produtivo, podem ser utilizadas folhas de controle.
e) Para garantir a confiabilidade, e também para facilitar a pesquisa sobre problemas de indis-
ciplina, podem ser utilizadas folhas de controle.
112/226
Gabarito
1. Resposta: B. 3. Resposta: A.
As sete ferramentas da qualidade são: (1) O diagrama de dispersão identifica possí-

Histogramas, Ramo-e-folhas ou Diagrama veis relações entre variáveis.
de caixa; (2) Gráfico de controle; (3) Diagrama
causa-e-efeito; (4) Diagrama de dispersão; 4. Resposta: B.
(5) Diagrama de concentração de defeitos;
(6) Gráficos de Pareto e; (7) Folha de controle; O diagrama de concentração de defeitos
busca antecipar para o avaliador uma área
2. Resposta: D. de possível falha.
O diagrama de causa e efeito faz uma rela- 5. Resposta: C.

ção entre um efeito (falha) com seis possí-
veis causas dessa falha, ajudando a elen- Para garantir a qualidade, e também para
car e visualizar os motivos que levaram ao facilitar a pesquisa sobre eventuais falhas
efeito. As seis causas, conhecidas como os no sistema produtivo, podem ser utilizadas
6M´s, são: (1) Método; (2) Mão-de-obra; (3) folhas de controle.
Máquina; (4) Métrica; (5) Meio-ambiente e
(6) Matéria-prima.
113/226
Unidade 5
Métodos e Ferramentas do Controle Estatístico de Processo
Objetivos
1. Relacionar os conceitos fundamentais

da qualidade e das ferramentas esta-
tísticas com os gráficos de controle;
2. Entender a importância de um gráfico
de controle de processo dentro de um
processo de controle da qualidade;
3. Verificar os fatores determinantes
para a construção de um gráfico de
controle.
114/226
1. Introdução
Até esse momento do curso foram aborda- sos, afinal um dos lemas da qualidade é que
mos os conceitos fundamentais e introdu- o produto deve ser feito de maneira correta
tórios da qualidade e, também as ferramen- da primeira vez.
tas e distribuições estatísticas indispensá- Para que não haja itens defeituosos, deve-
veis em um processo de controle. Assim, a mos buscar trabalhar com um sistema pro-
partir desse tema começaremos a estudar dutivo estável, com indivíduos envolvidos e
de fato os principais métodos de controle comprometidos com a garantia da qualida-
estatístico de processo. de, em todos os níveis hierárquicos da orga-
Antes de iniciarmos, você já imaginou como nização, que procurem sempre a melhora no
seria laborioso e dispendioso, tanto em desempenho do processo e na redução da
termos financeiros quanto em tempo, ins- variabilidade, é nesse sentido, que devemos
pecionarmos todos os itens fabricados em utilizar o controle estatístico do processo
uma linha de produção? Sim, isso seria de (CEP), juntamente com outras ferramentas
fato inviável. Desta forma, o que buscamos da qualidade (1. Uso de histogramas, ramo-
fazer no controle estatístico do processo -e-folhas ou diagrama de caixa; 2. Folha de
não é controlar os itens produzidos defei- controle; 3. Gráficos de Pareto; 4. Diagrama
tuosos, mas sim controlar o sistema, para de causa e efeito; 5. Diagrama de concen-
que não sejam produzidos itens defeituo- tração de defeito; 6. Diagrama de dispersão
115/226 Unidade 5 • Métodos e Ferramentas do Controle Estatístico de Processo
e; 7. Gráfico de controle), para atingirmos
tais objetivos.
Assim, de todas as ferramentas da qualida-
de, ainda temos que aprender a estruturar
e plotar corretamente um gráfico de con- Link
trole e esse será o foco desse e dos próxi- No artigo de Neto et al. (2013), Aplicação do CEP
mos temas. Lembrando que, de todas as no tempo de atraso em uma linha de uma empre-
ferramentas apresentadas, tanto as esta- sa de transportes urbanos: um estudo de caso em
tísticas, quanto as da qualidade, o gráfico uma empresa do RN, temos um exemplo bem-su-
de controle, ou gráfico de Shewhart é pro- cedido de utilização do Controle Estatístico de
vavelmente o mais trabalhoso e completo, Processo para compreensão das problemáticas
visto que emprega todos os conceitos das do transporte urbano. Disponível em: <http://
demais. Assim, os gráficos de Shewhart têm abepro.org.br/biblioteca/enegep2013_TN_
três principais funções, são elas: (1) Reduzir STO_178_015_22916.pdf>. Acesso em: 20 out.
a variabilidade do processo; (2) Monitorar e 2017.
vigiar o processo e; (3) Estimar os parâme-
tros ideais do produto e, também do pro-
cesso.
1.2 Princípios Básicos de Um aleatórias é denominado causas atribuíveis
Gráfico de Controle de Processo e dizemos, nesse caso, que o sistema está
fora de controle. Desta forma, na Figura 11
Todos os processos produtivos têm alguma, pode-se observar a comparação entre um
mesmo que mínima, variabilidade intrín- processo apenas com causas aleatórias (a)
seca, que ocorre de maneira natural e ale- e um processo com causas atribuíveis (b).
atória derivada de pequenas causas inevi-
táveis. Assim, um sistema que opera desta
forma, apenas com causas aleatórias, está
sob controle estatístico e o denominamos
por sistema estável de causas aleatórias.
Porém, ocasionalmente, outros tipos de va-
riabilidades podem ocorrer em caracterís-
ticas importantes do processo advindas de
variações sistemáticas que costumam es-
tar concentradas nos 6M´s já mencionados
nos diagramas de causa e efeito. Esse tipo
de variabilidade que não advém de causas

Figura 11. Comparação entre um processo com causas aleatórias (a) e um processo com causas atribuíveis (b).
Fonte: adaptado pela autora de Portal Action (2010)
No geral, os sistemas operarão em um estado de controle por um tempo produzindo itens acei-
táveis, mas causas atribuíveis poderão acontecer, aparentemente de maneira aleatória, causan-
do um estado fora de controle. Sendo assim, um dos objetivos de se utilizar, de modo on-line,

os gráficos de controle de processos é au- de controle (LIC), que para serem constru-
xiliar na vizualização e verificação destes ídas, levam em consideração o desvio per-
tipos de situações fora de controle (dados mitido do processo e, com isso, calculam-se
ficaram fora dos limites de especificação) seus valores a partir do valor central. Pode-
e, possibilitar a tomada de medidas corre- mos também encontrar gráficos com outros
tivas sequencialmente. Além desse objeti- tipos de limites e, alguns que usam o limite
vo, existem outros objetivos dos gráficos de de especificação apenas para um lado do
controle, entre eles: (1) Estimar parâmetros alvo, sendo ele ou inferior ou superior.
de um processo produtivo; (2) Possibilitar As amostras são representadas por pon-
o cálculo de capacidade produtiva; (3)For- tos plotados no gráfico (eixo x: amostras ou
necer informações para a melhoria do pro- tempo e eixo y: LC, LSC e LIC), geralmente
cesso e; (4) Eliminar a variação do processo unidos por segmentos de reta, para facilitar
(principal objetivo). na visualização dos dados no decorrer do
Um gráfico de controle é formado por, no processo, como podem ser observados na
mínimo: (1) Uma linha central (LC), que pode Figura 2. Quando os pontos amostrados se
ser o valor médio de uma característica, ou encontram dentro dos limites de especifi-
um valor alvo a ser alcançado e; (2) Duas ou- cações, podemos dizer que o processo está
tras linhas horizontais, denominadas limite sob controle (Figura 12 a), mas se algum
superior de controle (LSC) e limite inferior ponto sair dos limites de especificação te-
remos possivelmente um sistema fora de controle (Figura 12 c). Outro indicativo de sistema fora
de controle são os casos onde os pontos não têm uma sequência de distribuição aleatória, por
exemplo, vários pontos sequenciais ficam concentrados entre LC e LIC (Figura 12 b). Para termos
certeza de que o processo está fora de controle, teremos que aplicar um teste de hipótese.
Figura 12. Modelos de gráficos de controle de processo. a) Modelo de sistema sob controle, com todos os pontos dentro dos limi-
tes LIC e LSC; b) Modelo de sistema possivelmente fora de controle, por haver uma concentração de amostras (pontos) sequen-
ciais entre LIC e LC; c) Modelo de sistema possivelmente fora de controle, por haver amostras (pontos) fora dos limites LIC e LSC.
Fonte: a autora.

Para um modelo geral dos gráficos de
Para saber mais Shewhart, os valores de LC, LSC e LIC po-
dem ser calculados a partir de uma média
Uma hipótese estatística é uma afirmação sobre
populacional e de um desvio padrão dessa
um parâmetro da distribuição de probabilidade
população, como segue:
de uma característica da população. Já testes de
hipóteses estatísticas são procedimentos para a
tomada de decisões sobre H0 – valores obtidos de
modo aleatório e H1 – valores sem aleatorieda-
de, com base nas informações contidas em uma
amostra. Para auxiliar na tomada de decisão, uti-
lizam-se valores críticos, previamente tabelados Onde: w é valor amostral estatístico da ca-
de acordo com seu número de itens contidos na racterística de interesse da qualidade, µw
amostra em questão. Porém, como tudo na es- média de w, σw é o desvio padrão de w, LSC
tatística, esse teste também está sujeito a erros, é o limite superior de controle, LIC é o limite
que podem ser de dois tipos: (1) Erro do tipo I – inferior de controle e L é a distância dos li-
rejeição de um valor que seria aceito e; (2) Erro do mites de controle à linha central, em unida-
tipo II – aceitação de um valor que seria rejeitado. des do desvio padrão.

Assim, o mais importante dos gráficos de controle é a melhoria da qualidade que ele pode pro-
porcionar, colaborando para determinar processos fora de controle estatístico e, possibilitando
a identificação das causas atribuíveis, que deverão ser corrigidas ou eliminadas do sistema. Para
isso, pode ser empregado um plano de ação para fora-de-controle (PAFC).
Para saber mais

O plano de ação para fora-de-controle é um fluxograma ou uma descrição textual da sequência de ativi-
dades que devem ser realizadas em seguida à ocorrência de um evento ativador (sinais fora de controle).
Assim, esse utiliza pontos de vistoria para definir as causas atribuíveis e, tomar ações corretivas. Após as
ações tomadas, verifica-se se as causas foram eliminadas e se o sistema voltou ao controle, podendo esse
documento ser modificado a qualquer momento.
Existem dois tipos principais de gráficos de controle: (1) Gráficos de controle para variáveis, utili-
zados quando a característica monitorada é obtida em uma escala contínua (variável), com uma
tendência central e desvios a partir dessa tendência; (2) Gráficos de controle para atributos, utili-
zados quando as características não podem ser mensuradas em escala quantitativa, neste caso,
julga-se o que está conforme e não-conforme com base em atributos de não conformidades.

Podemos elencar alguns motivos para a grande aplicação dos gráficos de controle no cotidiano
empresarial, entre eles: (1) É uma técnica de melhoria da qualidade comprovada; (2) São eficazes
na prevenção de defeitos; (3) Evitam ajustes desnecessários nos sistemas produtivos; (4) Forne-
cem informação das causas atribuíveis e; (5) Fornecem informação da capacidade de processo.
Link
Como exemplos de utilização dos tipos de gráficos citados seguem dois artigos sobre estudos de casos
de utilizações dos gráficos de controle. O primeiro sobre o gráfico de controle por variáveis, escrito por
Miyata et al. (2010), Controle estatístico do processo na produção de circuitos eletrônicos. Disponível em:
<http://www.abepro.org.br/biblioteca/enegep2010_tn_sto_114_747_16012.pdf> Acesso em:
20 out. 2017. O segundo por atributos, elaborado por Fernandes et al.(2010), O uso do controle estatísti-
co de processo na gestão da qualidade, estudo de caso: grupo Coringa –Al. Disponível em: e <http://www.
abepro.org.br/biblioteca/enegep2010_tn_stp_114_747_16156.pdf>. Acesso em: 20 out. 2017.
1.3 Construção de Um Gráfico de Controle de Processo
Quando vamos construir um gráfico de controle, alguns fatores deverão ser estudados e plane-
jados, entre eles, o tamanho da amostra, a frequência de amostragem e os limites de controle,
pois todos afetarão os erros probabilísticos amostras menores em períodos também
dos modelos propostos. menores.
Amostras maiores tornaram mais fáceis as No caso da definição dos limites de confian-
detecções de pequenas mudanças no pro- ça, essa será uma das decisões mais críti-
cesso. Por exemplo, ao aumentarmos o ta- cas em um gráfico de controle, isso porque,
manho da amostra, faremos com que di- quando afastamos os limites da linha cen-
minua a probabilidade de erro do tipo II, ou tral, diminuímos o risco do tipo I e aumen-
seja, aceitar um valor que seria rejeitado, tamos o risco do tipo II e, quando aproxima-
aumentando assim a sensibilidade dos grá- mos as linhas, diminuímos o risco do tipo II
ficos de controle e, ao diminuirmos o tama- e aumentamos o risco do tipo I. Assim, cada
nho da amostra, aumentamos a probabili- empresa poderá adotar os limites conforme
dade de erro do tipo II. os tipos de erros que pretendem minimizar,
Quanto à frequência de amostragem, isso desta forma, países como os Estados Unidos
costumam adotar a métrica dos três-sigma
dependerá dos gastos implícitos em se co-
e países europeus, como o Reino Unido, por
letar e analisar uma amostra, assim exis-
exemplo, adotam os limites de probabilida-
te duas escolhas principais, tomar amos-
de padrão de 0,001.
tras maiores em períodos mais longos ou

sensitividade dos gráficos, porém também
Para saber mais poderá aumentar o risco de falsos alarmes.
Utilizando o modelo de distribuição normal,
Essa métrica adotada para o cálculo dos limites
podemos observar a Figura 13 e verificar
de confiança leva em conta um valor múltiplo do
quais são as diferenças entre utilizarmos os
desvio padrão dos dados amostrais, que no caso
critérios dois-sigma e três-sigma.
de três-sigma será 3, por isso o nome. A justifica-
tiva para tal uso deriva dos bons resultados obti-
dos na prática a partir desse padrão, sendo que,
estes apresentam pouca diferença do valor de
probabilidade padrão de 0,001 e são mais comu-
mente empregados.
Além dos limites de controle, algumas em-

presas também optam por utilizarem mais
duas linhas no gráfico de controle, que são
chamadas de limites de alerta e calculadas
geralmente com base em dois-sigma. O uso
dessas linhas adicionais poderá aumentar a

Figura 13- Distribuição de probabilidade normal e a porcentagem de aceitação de dados com base nos critérios sigma.
Fonte: Portal Action (S.D.)

Após a seleção desses fatores para a cons- 4. Oito pontos consecutivos se localizam
trução de um gráfico de controle, podemos de um mesmo lado da linha central.
verificar o andamento de um processo, a fim Vale ressaltar que essas regras devem ser
de avaliarmos se o sistema está dentro ou usadas com cuidado e critério, sempre anal-
fora do controle estatístico. Para isso, pode- ise todo o seu processo de qualidade e quais
mos usar as ideias sensibilizantes segundo os dados pretende-se gerar e controlar.
Western Electric Company (1956), que clas-
sifica processos fora do controle quando:
1. Um ponto se localiza fora dos limites
de controle (geralmente três-sigma);
2. Dois, em três pontos consecutivos, se
localizam fora dos limites de alerta
(geralmente dois-sigma);
3. Quatro, em cinco pontos consecuti-
vos, se localizam a uma distância de
um-sigma da linha central ou;

Glossário
Defeito: Apresentação de característica não-conforme
Processo: Encadeamento de atividades que fazem com que entradas sejam transformadas em
saídas com valor agregado.
Três-sigma: é uma métrica que faz relação de múltiplos dos valores de desvio padrão. Assim,
três-sigma é o mesmo que três vezes o desvio padrão da medida.

?
Questão
para
reflexão
Agora você compreende o funcionamento dos gráficos de

controle de processo. Os gráficos de controle são de vasta
utilização para controle de variações em processos como,
por exemplo, saídas de carros montados de uma monta-
dora. Após a inspeção final de um carro são calculadas as
proporções de veículos com problemas e comparadas aos
parâmetros controlados. Você consegue observar outros
parâmetros que podem ser controlados por gráficos de
controle?
129/226
• Ao fazermos o controle estatístico do processo não buscamos controlar os itens pro-

duzidos defeituosos, mas sim controlar o sistema, para que não sejam produzidos
itens defeituosos, pois o produto deve ser feito de maneira correta da primeira vez, e
o gráfico de controle é apenas um dos artifícios que podemos usar nessa busca;
• Os gráficos de controle ou Shewhart têm três principais funções, são elas: (1) Reduzir
a variabilidade do processo; (2) Monitorar e vigiar o processo e; (3) Estimar os parâ-
metros ideais do produto e, também do processo;
• Todos os processos produtivos têm alguma, mesmo que mínima, variabilidade in-
trínseca, que ocorrem de maneira natural e aleatória derivada de pequenas causas
inevitáveis. Um sistema que opera desta forma, apenas com causas aleatórias, está
sob controle estatístico e o denominamos de sistema estável de causas aleatórias.
Ocasionalmente, outros tipos de variabilidades podem ocorrer em características
importantes do processo. Esses tipos de variabilidades que não advêm de causas
aleatórias são denominados causas atribuíveis e dizemos, nesse caso, que o sistema
está fora de controle;
130/226
• Um gráfico de controle é formado por, no mínimo: (1) Uma linha central (LC), que
pode ser o valor médio de uma característica, ou um valor alvo a ser alcançado e; (2)
Duas outras linhas horizontais, denominadas limite superior de controle (LSC) e li-
mite inferior de controle (LIC), que para serem construídas levam em consideração o
desvio permitido do processo (geralmente três-sigma) e, com isso, calculam-se seus
valores a partir do valor central.
131/226
Referências

2016.
PORTAL ACTION (São Carlos - SP). Distribuição Normal. S. d. Disponível em: <http://www.porta-
laction.com.br/probabilidades/62-distribuicao-normal>. Acesso em: 16 out. 2017.
PORTAL ACTION (São Carlos - SP). Controle Estatístico do Processo. 2010. Disponível em:
<http://www.portalaction.com.br/controle-estatistico-do-processo/introducao>. Acesso em: 13
out. 2017.
WESTERN ELECTRIC COMPANY (EUA). Statistical Quality Control Handbook. Indianápolis: West-
ern Electric Co., Inc, 1956. 328 p. Disponível em: <https://www.google.com.br/url?sa=t&rct=-
j&q=&esrc=s&source=web&cd=1&ved=0ahUKEwiq_b-ZyL_XAhWFIJAKHfK1AMwQFggn-
MAA&url=http://www.contesolutions.com/Western_Electric_SQC_Handbook.pdf&usg=AOv-
Vaw0PBsv8Q1nQdKKLuhwm_bdB>. Acesso em: 13 out. 2017.

Aula 5 - Tema: Métodos e Ferramentas do Con- Aula 5 - Tema: Métodos e Ferramentas do Con-
trole Estatístico de Processo. Bloco I trole Estatístico de Processo. Bloco II
pApiv2/embed/dbd3957c747affd3be431606233e0f- pApiv2/embed/dbd3957c747affd3be431606233e0f1d/
1d/9a771d4adf502ac0346ec3bdb99bc980>. 178f8adfb1d36dc7e1fe7be266cb95d9>.
133/226
Questão 1
1. Assinale a alternativa correta. Quais os dois tipos de erros de um sistema
produtivo?
a) Erro aleatório e erro sistemático.

b) Erro sistemático e erro preventivo.
c) Erro aleatório e erro preventivo.
d) Erro submetido e erro sistemático.
e) Erro preventivo e erro submetido.
134/226
Questão 2
2. Assinale a alternativa correta. Quais são as três retas que constituem
um gráfico de controle?
a) Linha Central, Linha Superior de Controle e Linha Base de Controle.

b) Linha Média, Linha Superior de Controle e Linha Base de Controle.
c) Linha Média, Linha Superior de Controle e Linha Inferior de Controle.
d) Linha Central, Linha Superior de Controle e Linha Inferior de Controle.
e) Linha Específica de Controle, Linha Superior de Controle e Linha Inferior de Controle.
135/226
Questão 3
3. Assinale a alternativa correta. Quais os 2 tipos de gráfico de controle?
a) Por variáveis e por atributos.

b) Por transformação e por atributos.
c) Por variáveis e por transformação
d) Por derivação e por atributos
e) Por variáveis e por derivação.
136/226
Questão 4
4. Assinale a alternativa correta. Quais os 2 tipos de erro que um teste de
hipóteses está sujeito?
a) Erro do tipo I – rejeição de um valor que seria aceito e erro do tipo II – aceitar um valor que
seria rejeitado.
b) Erro do tipo I – rejeição de um valor que seria rejeitado e erro do tipo II – aceitar um valor que
seria rejeitado.
c) Erro do tipo I – aceitação de um valor que seria aceito e erro do tipo II – aceitar um valor que
seria rejeitado.
d) Erro do tipo I – rejeição de um valor que seria aceito e erro do tipo II – rejeitar um valor que
seria rejeitado.
e) Erro do tipo I – aceitação de um valor que seria aceito e erro do tipo II – rejeitar um valor que
seria rejeitado.
137/226
Questão 5
5. Assinale a alternativa correta. Quais são os três principais objetivos dos
gráficos de Shewhart?
a) Reduzir a variabilidade da demanda; monitorar e vigiar o processo e; estimar os parâmetros

ideais do produto e, também do processo.
b) Reduzir a variabilidade do processo; monitorar e vigiar a demanda e; estimar os parâmetros
c) Reduzir a variabilidade do processo; monitorar e vigiar o processo e; estimar os parâmetros
ideais de demanda.
d) Reduzir a variabilidade da demanda; monitorar e vigiar o processo e; estimar os parâmetros
ideais da demanda.
e) Reduzir a variabilidade do processo; monitorar e vigiar o processo e; estimar os parâmetros
138/226
Gabarito
1. Resposta: A. monitorada é obtida em uma escala contí-
nua (variável), com uma tendência central
Os erros existentes são erros aleatórios e e desvios a partir dessa tendência; (2) Grá-
sistemáticos. ficos de controle para atributos, utilizados
quando as características não podem ser
2. Resposta: D. mensuradas em escala quantitativa, neste
caso, julga-se o que está conforme e não-
Uma linha central (LC), que pode ser o va- -conforme com base em atributos de não
lor médio de uma característica, ou um va- conformidades.
lor alvo a ser alcançado e; (2) Duas outras
linhas horizontais, denominadas limite su- 4. Resposta: A.
perior de controle (LSC) e limite inferior de
controle (LIC). Erro do tipo I – rejeição de um valor que seria
aceito e erro do tipo II – aceitar um valor que
3. Resposta: A. seria rejeitado.
Existem dois tipos principais de gráficos de

controle: (1) Gráficos de controle para va-
riáveis, utilizados quando a característica
139/226
Gabarito
5. Resposta: E.
Os gráficos de controle ou Shewhart têm

três principais funções, são elas: (1) Reduzir
a variabilidade do processo; (2) Monitorar e
vigiar o processo e; (3) Estimar os parâme-
tros ideais do produto e, também do pro-
cesso.
140/226
Unidade 6
Gráfico de Controle para Variáveis
Objetivos
1. Conhecer um tipo de gráfico de con-

trole, adotado especificamente para
variáveis;
2. Entender como construir gráficos de
controle usando dados de média e
desvio padrão;
3. Verificar alguns padrões que podem
ser observados em gráficos de con-
trole.
141/226
1. Introdução
No tema anterior foram apresentados os ob- ou variância amostral ( R 2 ), desvio padrão

jetivos de gráficos de controle e a sua cons- populacional ( s ) e desvio padrão amostral
trução. Nesse tema, focaremos em um dos (R). Esses gráficos são largamente empre-
dois tipos de gráfico: o gráfico de controle gados para verificar e monitorar a variabili-
para variáveis. Assim, primeiro teremos que dade das variáveis, em um processo.
definir o que seria uma variável para pros-
seguirmos com a compreensão gráfica.
Desta forma, uma variável é uma caracte-
rística que pode ser definida em uma esca-
la numérica, ou seja, ela é quantitativa. Al-
guns exemplos comuns de variáveis de um
processo são: massa, temperatura, volume,
comprimento, altura.
Desta forma, os principais gráficos de con-
trole que descrevem variáveis são os grá-
ficos de média populacional (µ) ou média
amostral ( c ), variância populacional ( s 2 )
142/226 Unidade 6 • Gráfico de Controle para Variáveis

Para saber mais
Os gráficos de controle por variáveis possuem larga utilização no controle de qualidade, mas podem ser
utilizados para análise de desvio quanto a outros parâmetros produtivos, entre eles a produtividade. Pro-
dutividade é a análise que compara recursos utilizados com a quantidade de produto disponibilizado ao
fim de um processo. Se após a confecção de um item for percebido que a utilização de matéria-prima, por
exemplo, foi acima do esperado e controlado pelo limite superior de controle definido no gráfico de con-
trole do processo, isso significa que os recursos de matéria-prima estão sendo utilizados a mais do que é
necessário, reduzindo a produtividade do processo.
1.1 Construindo Um Gráfico de Controle para Variáveis
Os gráficos de controle de variáveis são amplamente difundidos e utilizados, tanto que, muitas
pessoas acreditam que esses sejam os únicos tipos de gráficos de controle. Isso porque, a maior
parte das características avaliadas em um processo é expressa numericamente e torna as variá-
veis avaliáveis, por exemplo, massa, temperatura, volume, comprimento e altura.
Quando trabalhamos com uma variável, conseguimos avaliar e trabalhar tanto com os valores
médios da variável, como também os seus desvios (sua variabilidade), que podem ser expressos
em termos de variância dos dados ou então padrão do que para variância, quando que-
como desvio padrão. remos controlar a variabilidade do processo
para uma distribuição normal, então assumi-
Assim, os gráficos que usaremos para con-
remos a partir daqui este padrão.
trolar as variáveis serão os gráficos de média
populacional (µ) ou média amostral ( c ), vari- Assim, é comum observarmos dois gráficos
ância populacional ( s 2 ) ou variância amos- simultaneamente: os gráficos de contro-
tral ( s ), desvio padrão populacional ( s ) e le para a média e desvio padrão amostrais,
desvio padrão amostral (R). Na teoria, deve- pois temos que manter tanto o controle so-
ríamos empregar sempre gráficos de média, bre a média quanto sobre a variabilidade do
variância e desvio populacional, como já processo, como podemos observar na Figu-
visto no tema anterior, porém na prática, é ra 14, onde para os processos apresentados
muito difícil saber ou determinar estes pa- em a e b percebe-se que as varáveis estão
râmetros em termos de população. Assim, o controladas tanto em termos de média,
que podemos fazer na prática é utilizarmos quanto desvio padrão. Já em c percebe-se
uma amostra robusta, que seja grande o su- que as varáveis estão controladas em ter-
ficiente para que a média amostral ( c ) seja mos de média, porém descontroladas em
igual ou o mais próximo do possível da média termos de desvio padrão. Em d, e, f perce-
populacional (µ). Além disso, é mais comum be-se que as varáveis estão descontroladas
utilizarmos o gráfico de controle para desvio em termos de média e desvio padrão.
Figura 14. Gráfico de controle de variáveis. a e b) Variáveis dentro do controle estatístico em termos de média e desvio padrão; c) Variáveis dentro
do controle estatístico para média e fora de controle para o desvio padrão; d, e, f) Variáveis fora do controle estatístico para média e desvio padrão.
Fonte: adaptado de: Paiva (2017)

A primeira etapa para a construção do grá- c 1 + c 2 + ... + c m .
processo: c= Assim,
fico de controle é determinarmos os valores m
de LC, LSC e LSI. Assim, como geralmen- c deve ser usado como a linha central no
te não conhecemos µ e s , usaremos uma gráfico de c , e para construir os limites de
estimativa desses parâmetros em relação a controle, é necessária uma estimativa do
dados amostrais obtidos quando o proces- desvio padrão s . Assim, podemos estimar
so estava supostamente sob controle. Para o s através das amplitudes das m amos-
que a estimativa seja robusta, deve-se utili- tras, ou seja, R = c máx - c mín , assim temos:
zar pelo menos 20 amostras e a partir delas R1 + R2 + ... + Rm .
determinarmos os parâmetros c e R, para R=
m
que, na sequência seja possível calcular os Com isso, obtemos as seguintes equações
limites do gráfico de controle. para os cálculos limites dos gráficos de con-
Para isso, vamos supor que tenhamos m trole de média e de desvio padrão:
amostras, cada uma delas com n observa-
ções das variáveis controladas. Como ge-
ralmente o número de observações n não
é grande, usaremos a média geral de to-
dos os valores médios para estimar µ do
Limites de Controle para o gráfico de c Limites de Controle para o gráfico de R
LSC = c + A 2 R LSC = D 4 R
Linha Central = c Linha Central = R
LIC= c - A 2 R LIC= D3 R
As variáveis A e D são tabeladas para vários valores de n e podem ser encontradas em anexos de
livros de estatística. Vale também ressaltar, que se a opção for de trabalhar com a variância no
lugar do desvio padrão, ela tenderá a seguir o mesmo padrão de cálculo dos limites.
Para que fique claro o emprego das médias amostrais para a estimativa da média populacional,
usaremos a problemática exposta no Tema 2 da massa de pacotes de biscoito. Para isso, con-
sideraremos a média das massas de cada dia como uma média amostral e a média das médias
amostrais com a média populacional, o mesmo será feito para o desvio. Desta forma, obtemos
os dados expostos nas Tabelas 6 e 7.

Tabela 6 - Médias das amostras para cada
dia e LC, LIC e LSC calculados.
Fonte: a autora.
Com estes dados podemos plotar os gráfi-

Fonte: a autora.
Tabela 7 - Médias das amplitudes das amos-
cos de controle mostrados nas Figuras 15 e
tras para cada dia e LC, LIC e LSC calculados. Figura 16, respectivamente.

Figura 15. Gráfico de controle de variáveis baseado nos dados da tabela 6.
Fonte: a autora.

Figura 16. Gráfico de controle de variáveis baseado nos dados da tabela 7.
Fonte: a autora.

Apresentamos a indicação de dois artigos que
Denominamos limites de controle tentativos, os
se referem a estudos de casos com a apresenta-
limites obtidos a partir de amostras preliminares
ção cálculos dos gráficos de controle estatístico
do sistema. Esses limites são utilizados especial-
e estimativas da capacidade do processo. Silva et
mente quando há uma alteração no processo, ou
al.(2013), Aplicação do controle estatístico de pro-
então, quando são implantados novos processos
cessos no beneficiamento de café. Disponível em:
que ainda não tem uma grande quantidade de
<http://www.abepro.org.br/biblioteca/ene-
amostras avaliadas. Para verificar se eles e espe-
gep2013_TN_STO_178_015_22566.pdf>.
cialmente os dados obtidos neles estão de fato
Acesso em: 20 out. 2017.
corretos, podemos empregar teste de hipótese
usando dados antigos, ou verificando o sistema e Araújo et al.(2010), Aplicação do controle estatís-
garantindo que sua variabilidade não tenha a pre- tico do processo na etapa de envase do processo de
sença de causas atribuíveis. Este conjunto de da- produção de margarina da empresa C.A.C. Dispo-
dos tentativos deverá ser revisto posteriormente, nível em: <http://www.abepro.org.br/biblio-
para que o sistema obtenha respostas confiáveis. teca/enegep2010_tn_stp_114_747_15436.

1.2 Interpretação dos Gráficos Assim, discutiremos alguns padrões comuns
de Média e Desvio que podem ser encontrados em gráficos de
média e desvio padrão, lembrando que os
Como visto e exemplificado no tema an- dois gráficos deverão ser sempre analisados
terior, sabemos que um gráfico de contro- em conjunto.
le poderá nos indicar uma situação fora do
(1) Padrão Cíclico: Geralmente advindos de
controle, mesmo quando todos os dados
mudanças ambientais, como temperatura,
plotados estiverem dentro dos limites pré-
desgaste, falta de manutenção, gerando
-estabelecidos, isso se os pontos exibirem
uma variabilidade excessiva, como pode-
um comportamento não aleatório. Desta
mos observar na Figura 17.
forma, o padrão dos dados plotados pode
ser um excelente indicativo para verificar,
controlar e ajustar, se necessário, o proces-
so, a fim de reduzir a variabilidade do mes-
mo, melhorando a qualidade do sistema
produtivo.

Figura 17. Padrões cíclicos em um gráfico de controle.
Fonte: a autora.
(2) Padrão de Mistura: Geralmente advindos de processos excessivamente controlados, com

ajustes constantes e frequentes, fazendo com que os pontos plotados tendam a ficar próximos
aos limites de controle ou levemente fora, como podemos observar na Figura 18.
Figura 18. Padrões de mistura em um gráfico de controle.
Fonte: a autora.

(3) Deslocamento no nível do processo: Geralmente advindos de alguma mudança no processo,
por exemplo, mudança de uma máquina, de um operador, de um material, fazendo com que os
pontos se concentrem entre a linha central e um dos limites, podendo até cair fora do limite,
como podemos observar na Figura 19.
Figura 19. Deslocamento no nível do processo em um gráfico de controle.
Fonte: a autora.
(4) Tendência de Nível: Geralmente advindos de desgastes e deterioração de componentes ou

ferramentas do processo, pode ser visualizado pelo movimento contínuo dos pontos em uma
direção, como podemos observar na Figura 20.

Figura 20. Tendência de nível do processo em um gráfico de controle.
Fonte: a autora.
(5) Estratificação: Geralmente advindos de cálculos incorretos dos limites de controle, pode ser
percebida quando existe ausência de variabilidade (pontos sempre muito próximos a linha cen-
tral), como podemos observar na Figura 21.
Figura 21. Padrão de estratificação do processo em um gráfico de controle.
Fonte: a autora.

Para saber mais
Uma informação importante que podemos extrair dos gráficos de média e desvio padrão é a estimativa
da capacidade do processo, utilizando para isso os limites de especificação dos gráficos de controle. Des-
ta forma, utilizando uma distribuição normal acumulada, a estimativa da capacidade de processo pode
ser definida como: Cp = LSC - LIC. Consideramos essa uma estimativa da capacidade e não a capacidade
6s
real, pois geralmente não temos o valor e sim uma estimativa dele que é R.
Como bases comparativas podem ser utilizados os valores:
• Cp ≥ 1,33 – Processo adequado e capaz;
• 1 ≤ Cp ≤ 1,33 – Adequado;
• Cp ≤ 1 – Processo inadequado.
A estimativa de capacidade do processo, também pode ser entendida e interpretada como sendo a esti-
mativa da performance do processo, que pode ser calculada da seguinte forma: . P =

(C1 ) .100%
p

Link
No artigo de Silva, Ribeiro e Mélo (2008), Aplica-
ção do controle estatístico de processo para análi-
se de sobrepeso de uma linha de desodorantes em
uma indústria de higiene pessoal, temos uma aná-
lise das estimativas de capacidade. Disponível
em: <http://www.abepro.org.br/biblioteca/
enegep2008_tn_sto_070_498_11542.pdf>.
Acesso em: 20 out. 2017.

Glossário
Amostral: Diz-se de um recorte da população do qual se conseguiu retirar uma parcela. Dos da-
dos tratados será feita uma inferência considerando que aquela amostra é representativa da po-
pulação e que, dessa forma, ao utilizar esses dados amostrais poder-se-á ter informações sobre
a população.
Performance de Processo: É a medida que relaciona a capacidade produtiva do processo com o
valor de resposta do processo, podendo variar de 0 a 1 ou de 0 a 100%.
Populacional: Diz-se de um conjunto de dados infinitamente grande e que seus dados tratados
(média, mediana, desvio-padrão, variância etc.) são valores correspondente à população (todos
os itens que constituíssem esse banco de dados infinito).

?
Questão
para
reflexão
Você agora está apto a construir gráficos de controle de processo por
variáveis além de ser capaz de realizar a análise desses gráficos para
saber se um processo está dentro ou fora de controle. A indústria
automobilística utiliza gráficos de controle de processo por variáveis
para controlar qualidade e produtividade. Imagine a linha de pintura
de uma indústria automobilística, valores de camada de tinta infe-
rior ao limite inferior podem significar falta de cobertura de tinta em
algumas regiões do carro, em compensação regiões com camadas
acima do definido do limite superior podem acarretar em diferença
de tonalidade ou excesso do consumo de tinta que foi estipulado
para aquele processo, acarretando em diferenças na rentabilidade
obtida naquele produto. Além do exemplo da pintura, você conse-
guiria pensar em outros exemplos da indústria automobilística nos
quais os gráficos de controle de processo podem ser utilizados como
uma ferramenta de controle de qualidade e produtividade?
159/226
• Os gráficos de controle de variáveis são amplamente difundidos e utilizados, isso porque, a

maior parte das características avaliadas em um processo são expressas numericamente e
tornam as variáveis avaliáveis;
• Os gráficos que usamos para controlar as variáveis foram gráficos de média populacional (µ)
ou média amostral (x), variância populacional ( ) ou variância amostral (R2), desvio padrão
populacional ( ) e desvio padrão amostral (R).
• Uma informação importante que podemos extrair dos gráficos de média e desvio padrão é a es-
timativa da capacidade do processo: . A estimativa de capacidade do processo,
também pode ser entendida como a estimativa da performance do processo: .
• Alguns padrões comuns que podem ser encontrados em gráficos de média e desvio padrão
são: (1) Padrão Cíclico; (2) Padrão de Mistura; (3) Deslocamento no nível do processo; (4) Ten-
dência de Nível e; (5) Estratificação.
160/226
Referências

2016.
PAIVA, Marcio José Coutinho de. Análise da Capabilidade de Processo. Disponível em: <http://
slideplayer.com.br/slide/7298761>. Acesso em: 16 out. 2017.
WESTERN ELECTRIC COMPANY (EUA). Statistical Quality Control Handbook. Indianápolis: West-
ern Electric Co., Inc, 1956. 328 p. Disponível em: <https://www.google.com.br/url?sa=t&rct=-
j&q=&esrc=s&source=web&cd=1&ved=0ahUKEwiq_b-ZyL_XAhWFIJAKHfK1AMwQFggn-
MAA&url=http://www.contesolutions.com/Western_Electric_SQC_Handbook.pdf&usg=AOv-
Vaw0PBsv8Q1nQdKKLuhwm_bdB>. Acesso em: 13 out. 2017.

Aula 6 - Tema: Gráficos de Controle para Variá- Aula 6 - Tema: Gráficos de Controle para Variá-
veis. Bloco I veis. Bloco II
cdab38bcf293164c54c89b9d63f56f0e>. 7cdfb1c0e76d47078a45a3d68d301d08>.
162/226
Questão 1
1. Assinale a alternativa correta. As variáveis que podemos utilizar na cons-
trução de gráficos de controle por variável são:
a) Média populacional, variância amostral, desvio padrão populacional.

b) Média populacional ou amostral, variância populacional ou amostral, desvio padrão popu-
lacional ou amostral.
c) Mediana populacional, variância populacional, desvio padrão populacional.
d) Mediana populacional ou amostral, variância populacional ou amostral, desvio padrão po-
pulacional ou amostral.
e) Moda populacional ou amostral, variância populacional ou amostral, desvio padrão popu-
lacional ou amostral.
163/226
Questão 2
2. Assinale a alternativa correta. Como são denominados os limites obti-
dos em cálculos preliminares dos gráficos de controle?
a) Obtidos.
b) Prestativos.
c) Intuitivos.
d) Tentativos.
e) Exaustivos.
164/226
Questão 3
3. Assinale a alternativa correta. Qual dos parâmetros de produção pode
ser avaliado por gráficos de controle?
a) Produtividade.
b) Treinamentos realizados.
c) Planejamento agregado.
d) Programa Mestre de Produção.
e) Programação de chão de fábrica.
165/226
Questão 4
4. Assinale a alternativa correta. Com qual valor de Cp um processo pode
ser considerado sob controle?
a) Acima de 1.
b) A partir de 1, 1 incluso.
c) Entre 1 e 1,3333.
d) Abaixo de 1.
e) Entre 0,6777 e 1,3333.
166/226
Questão 5
5. Assinale a alternativa correta. Entre os erros que podemos encontrar
nos gráficos de controle estatístico estão:
a) Padrão Crítico, Padrão de Mistura, Deslocamento no nível do processo, Tendência de Nível e

Estratificação.
b) Padrão Cíclico, Padrão Crítico, Deslocamento no nível do processo, Tendência de Nível e Es-
tratificação.
c) Padrão Cíclico, Padrão de Mistura, Deslocamento no nível do processo, Tendência de Nível e
Padrão Crítico.
d) Padrão Cíclico, Padrão de Mistura, Padrão Crítico, Tendência de Nível e Estratificação.
e) Padrão Cíclico, Padrão de Mistura, Deslocamento no nível do processo, Tendência de Nível e
Estratificação.
167/226
Gabarito
1. Resposta: B. dade, mas podem ser utilizados para aná-
lise de desvio quanto a outros parâmetros
Os gráficos que usaremos para controlar as produtivos, entre eles a produtividade. Pro-
variáveis serão os gráficos de média popu- dutividade é a análise que compara recur-
lacional (µ) ou média amostral ( c ), variân- sos utilizados com a quantidade de produto
cia populacional (R2) ou variância amostral disponibilizado ao fim de um processo.
(R2), desvio padrão populacional ( s ) e des-
vio padrão amostral (R). 4. Resposta: A.
2. Resposta: D. Como base comparativa dos valores de Cp,

podem ser utilizados os valores:
Denominamos limites de controle tentati-
• Cp ≥ 1,33 – Processo adequado e ca-
vos, os limites obtidos a partir de amostras
paz;
preliminares do sistema.
• 1 ≤ Cp ≤ 1,33 – Adequado;
3. Resposta: A. • Cp ≤ 1 – Processo inadequado.
Os gráficos de controle por variáveis pos-

suem larga utilização no controle de quali-
168/226
Gabarito
5. Resposta: E.
Entre os erros que podemos encontrar nos

gráficos de controle estatístico estão: Pa-
drão Cíclico, Padrão de Mistura, Desloca-
mento no nível do processo, Tendência de
Nível e Estratificação.
169/226
Unidade 7
Gráficos de Controle por Atributos
Objetivos
1. Conhecer o modelo de análise de qua-

lidade por atributos;
2. Entender o processo de construção,
utilização e interpretação de gráficos
de controle de fração não-conforme;
3. Entender o processo de construção,
utilização e interpretação de gráficos
de controle de unidades não-confor-
me.
170/226
1. Introdução
Nos temas anteriores foram apresentados -conforme. Neste tema serão explicadas
conceitos gerais de qualidade e controle as diferenças desses gráficos, como execu-
estatísticos de processo (CEP) voltados ao tar otimizações nos mesmos, identifican-
controle de características mensuráveis de do outliers e excluindo da base de cálculo e
um componente ou produto, mas quan- como interpretar esses gráficos.
do as características de um produto não
podem ser consideradas numericamen- 1.1 Gráfico de Fração Não-con-
te? Quando a análise de qualidade acaba
forme
sendo mais conveniente de uma maneira
qualitativa, passam a serem avaliadas as Fração não-conforme é a razão calculada
conformidades do atributo com padrões. É pelo número de peças não-conforme em
o início da sistemática passa ou não-pas- uma população finita, esse gráfico define
sa, ou como dito atualmente conforme ou o rendimento do processo. Os cálculos que
não-conforme. baseiam a teoria de gráficos de fração não-
As análises passam a ser por proporções da -conforme são baseados em uma distribui-
amostra que estão apresentando atributos, ção de probabilidade ainda não estudada, a
podendo ser gráficos para controle de com- distribuição binomial, pois se trabalha com
ponentes conforme ou componentes não- uma quantidade discreta de peças não-
171/226 Unidade 7 • Gráficos de Controle por Atributos

-conforme e uma população amostral finita. A probabilidade de que uma unidade esteja não-
-conforme é denominada p, a amostra aleatória captada da população é n, e D seria a quanti-
dade de peças não-conforme nessa amostra n. Dessa forma, a probabilidade de x peças estarem
não-conforme seria
Equação 7.1
A fração amostral não-conforme seria calculada pela equação 7.2 com valores de média e vari-
ância sendo, respectivamente, as equações 7.3 e 7.4.
Equação 7.2
Equação 7.3

Link
Equação 7.4 Avila e Pamplona (2008)escreveram o artigo
Aplicação do modelo binomial para avaliação da
opção troca de insumos na aquisição de ônibus
Para saber mais para transporte coletivo urbano movido por com-
A distribuição binomial é uma distribuição discre- bustíveis alternativos. O texto é um estudo de
ta que considera apenas a existência de dois pos- caso que exemplifica o uso do modelo binomial
síveis resultados: “sucesso” ou “fracasso”. Cada para antecipação de falha em componentes
tomada de dado é entendida como uma prova, de veículos do transporte coletivo. Disponível
denominada prova de Bernoulli, homenagem ao em: <http://www.abepro.org.br/biblioteca/
matemático que teorizou esse modelo probabilís- enegep2008_tn_sto_071_503_11783.pdf>.
tico no século XVIII. Na sistemática de peças con- Acesso em: 20 out. 2017.
forme ou não-conforme o modelo binomial adere
perfeitamente, uma vez que o sucesso seria a uni- Como já visto anteriormente, os gráficos
dade conforme e o fracasso pode ser entendido de controle se baseiam nos princípios de
como unidade não-conforme. Shewhart que, por um modelo geral, define:

liminares (o valor de m deve variar entre 25
e 30) de tamanho n para se iniciar um gráfi-
co de fração não-conforme, tem-se:
Equações 7.5
Equação 7.6
Sendo L a distância entre a linha central
e os limites superiores e inferiores, sendo
costume a escolha de L=3 como uma defi-
nição natural dos limites de controle, cor-
respondente a um intervalo de confiança
aproximado de 99%.
Realizando as substituições nas equações
7.5 pelas equações 7.3 e equações 7.4 e
aceitando que não há padrão de fração
não-conforme e que ele deverá ser calcula- Equações 7.7
do e que se deve realizar m amostras pre-
As equações 7.7 geram os chamados limi- Por exemplo, uma empresa de maquiagens
tes tentativos, uma vez que trazem valores recebe embalagens para acondicionar seus
amostrais e não do valor conhecido da po- produtos. Ao iniciar um trabalho com um
pulação conhecida. Havendo valores conhe- novo fornecedor, não há parâmetros prévios
cidos de fração não-conforme (não usual de fração não-conforme, dessa forma você
isso ocorrer) as equações 7.7 devem ter deve gerar o primeiro gráfico de controle de
substituídos pelo valor conhecido da fração fração não-conforme com dados amostrais.
não-conforme p. Os dados obtidos estão na Tabela 8.
Para saber mais

Na estatística, intervalo de confiança indica a
probabilidade de um ponto aleatório estar conti-
do na região abaixo da curva normal que o define,
se trabalhado com 1 desvio-padrão tem-se que
67% dos pontos aleatórios estariam sobre a área
definida pela linha normal, com 2 desvios-pa-
drões seriam 95% e com 3 desvios-padrões 99%.

Tabela 8 - Dados para cálculo dos limites tentativos do exemplo.
Número Número de embalagens Fração Amostral

da Amostra não-conformes, Di Não-conforme, pi
1 6 0,12
2 24 0,48
3 23 0,46
4 5 0,1
5 9 0,18
6 20 0,4
7 21 0,42
8 20 0,4
9 15 0,3
10 22 0,44
11 13 0,26
12 5 0,1
13 10 0,2
14 11 0,22
15 19 0,38
16 11 0,22

Número Número de embalagens Fração Amostral
da Amostra não-conformes, Di Não-conforme, pi
17 16 0,32
18 10 0,2
19 12 0,24
20 16 0,32
21 12 0,24
22 5 0,1
23 9 0,18
24 5 0,1
25 19 0,38
26 19 0,38
27 5 0,1
28 14 0,28
29 20 0,4
30 11 0,22
407 0,271333333
Fonte: a autora.

Conforme a equação 7.6, temos:
Assumindo que seja uma estimativa para a população estudada e substituindo nas equações
7.7:
O gráfico plotado com os pontos fica da seguinte forma:

Figura 22 – Gráfico de controle de fração não-conforme.
Fonte: a autora.
Como é possível observar na Figura 22 os pontos apresentados no exemplo estão dentro dos li-
mites tentativos de controle, mostrando que o processo está sob controle. Mas se isso não ocor-
re? Como proceder?
Suponha que 2 pontos serão plotados fora dos limites de controle. No momento, 2 e 10 houve-
ram falhas no sistema com causas conhecidas, por meio da ficha de verificação é possível deter-
minar as causas de variações durante o processo e encontrar possíveis causas dessas variações,

como a entrada de um novo lote de matéria-prima em máquina ou a operação por um operador
inexperiente. O novo gráfico de controle de fração não-conforme é apresentado na Figura 23.
Figura 23. Gráfico de controle de fração não-conforme, com pontos fora de controle.
Fonte: a autora.
O procedimento para correção desses erros é a verificação do motivo para esses pontos estarem
fora do controle; excluir esses pontos da base de cálculo, considerando-os outliers; e realizar no-

vamente o cálculo dos limites e da linha central, como segue:
Assim, após a realização dos cálculos, é possível reconstruir o gráfico de controle para a fração
não-conforme (normalizado), cujo resultado é apresentado na Figura 24.

Figura 24 – Gráfico de controle de fração não-conforme (normalizado).
Fonte: a autora.

Note que ao normalizar o gráfico de con- fora de controle. Mas como interpretar um
trole, o intervalo entre os limites superiores ponto abaixo da linha de controle inferior? É
e inferiores se tornou menor, isso é normal uma melhoria aleatória ou uma falha na in-
uma vez que os resultados removidos da dicação da fração não-conforme? Um grá-
base de cálculo apresentavam uma ampli- fico de controle em que a linha inferior de
tude maior que os dados que estão agora na controle é igual a zero, como deve ser com-
base de cálculo. preendido?
Esses são alguns dos problemas de inter-
1.1.1. Interpretação de Gráfico pretação dos gráficos de controle de fração
de Controle de Fração Não-con- não-conforme. Para a resolução do primei-
forme ro item é necessário sempre junto com a
tomada de dados a existência da folha de
A interpretação do gráfico de controle de verificação para mapeamento dos pontos
fração não-conforme é muito importan- que estiverem fora dos limites de aceitação
te e não-trivial. A interpretação de valores calculados. Identificada a causa de uma va-
acima do limite de controle é de fácil com- riação que gere uma menor fração de peças
preensão, uma vez que ao estar fora dos li- não-conforme, deve-se tentar padronizar
mites há a indicação de que o processo está para que essa seja uma etapa de melhoria
contínua e se torne um novo padrão na em-
presa. Já para o segundo item o problema
é maior, uma vez que ao trabalhar com um
gráfico de fração não-conforme já se tem o
pressuposto que a empresa apresenta pe-
ças não-conforme, dessa forma qualquer
indicação de melhoria que causasse o fim
dessa não-conformidade poderia passar Equação 7.8
despercebido como um ponto dentro dos Dessa forma, por exemplo, se a probabilida-
limites de aceitação que não precisaria ser de do sistema ter uma peça não-conforme é
estudado. Assim, uma forma de evitar esse de 5% (p=0,05) e o sistema é controlado por
problema é modificar o número de amostra um L=3, temos:
computado para o cálculo dos limites ten-
tativos. Tendo que:
Assim, para n maior que 172 peças haverá

um limite de controle inferior positivo, per-
mitindo a percepção de melhorias que pos-
sam ser padronizadas no futuro.

Link
No artigo Gráfico de controle de porção defeituosa (gráfico p): u estudo comparativo em uma empresa de usi-
nagem, Hora, Vasconcelos e Fiuza (2009) apresentam um caso em que não se atentou para o cálculo de
amostra suficientemente grande para evitar um LIC<0. Disponível em: <http://www.abepro.org.br/
biblioteca/enegep2009_TN_STO_092_623_13295.pdf>. Acesso em: 20 out. 2017.
Para saber mais

É possível realizar o cálculo de gráficos de peças não-conforme, o gráfico de controle np. Basta multiplicar o valor
das frações de não-conformidade pelo tamanho da amostra. As curvas de controle ficam da seguinte forma:
LSC = p + 3 np (1-p)
Linha central = np
LIC = p - 3 np (1-p)
Para sua interpretação segue-se a mesma linha de raciocínio do gráfico de controle de fração não-conforme. Por
exemplo, com LSC = 20 e LIC = 3, se o sistema tiver um ponto de 21 unidades ele está fora de controle, o mesmo
se tiver um ponto com 2 unidades.

Link
No artigo de Castro et al. (2012), A aplicabilida-
de dos gráficos de controle nas empresas como
modelo de inspeção para a avaliação de qualida-
de, é apresentado um projeto completo de aná-
lise de gráficos de controle com as análises por
atributos e por valores nominais. Disponível
em: <http://www.abepro.org.br/bibliote-
ca/enegep2012_TN_STP_158_921_20804.

Glossário
Fração não-conforme: Proporção da amostra que não corresponde aos requisitos de qualidade
estabelecidos.
Intervalo de confiança: É a probabilidade de um ponto aleatório estar contido na região abaixo
da curva de probabilidade que o define.
Limites de controle: Limites definidos numericamente para controle de um processo.

?
Questão
para
reflexão
No carro que você comprou, alguns itens são testados so-

bre atributos conforme ou não-conforme. Uma lâmpada
do farol, por exemplo, não pode acender 75% das vezes,
ou ela acende ou ela não acende. A fabricante de lâm-
padas define sua amostragem para conseguir identificar
da melhor maneira itens que não apresentem problemas.
Você consegue imaginar outros itens em um carro que
passariam por um controle por atributos?
188/226
• Em análises por atributos, as análises passam a ser por proporções da amos-

tra que estão apresentando atributos, podendo ser gráficos para controle
de componentes conforme ou componentes não-conforme;
• Fração não-conforme é a razão calculada pelo número de peças não-con-
forme em uma população finita. Esse gráfico define o rendimento do pro-
cesso.
• A interpretação do gráfico de controle de fração não-conforme é muito im-
portante e não-trivial, é necessário sempre junto com a tomada de dados a
existência da folha de verificação para mapeamento dos pontos que estive-
rem fora dos limites de aceitação calculados.
• É possível realizar o cálculo de gráficos de peças não-conforme. Basta mul-
tiplicar o valor das frações de não-conformidade pelo tamanho da amostra.
189/226
Referências

2016.

Aula 7 - Tema: Gráfico de Controle por Atribu- Aula 7 - Tema: Gráfico de Controle por Atribu-
tos. Bloco I tos. Bloco II
022980c6bd79aee47acca52f695cb2b6>. d698090cb27f349a09c7dba2ba92ea40>.
191/226
Questão 1
1. Assinale a alternativa correta. Podem ser citados como atributos:
a) Medida nominal do diâmetro externo de um tubo.

b) Lâmpada acender.
c) Espessura de pintura de um carro.
d) Espessura de uma folha de papel.
e) Peso de uma caixa de papelão.
192/226
Questão 2
2. Assinale a alternativa correta. Sistemas de análise passa ou não-passa
definem:
a) Uma maneira de mensurar itens defeituosos.

b) Uma maneira de mensurar o tamanho de um defeito.
c) Uma maneira de classificar itens defeituosos.
d) Uma maneira de definir itens defeituosos.
e) Uma maneira de validar todo um sistema produtivo.
193/226
Questão 3
3. Assinale a alternativa correta. São definidos como limites naturais quan-
tos desvios-padrões (L=?)?
a) 1.
b) 2.
c) 3.
d) 4.
e) 5.
194/226
Questão 4
4. Assinale a alternativa correta. Qual o problema existente em ter-se um
LIC inferior a 0?
a) Indicação de melhoria que causasse o fim de uma não-conformidade poderia passar desper-
cebida.
b) Indicação de melhoria que causasse o fim das paradas de linha poderia passar despercebida.
c) Não há problemas.
d) Indicação de melhoria que causasse o fim de atrasos nas entregas poderia passar desperce-
bida.
e) Indicação de melhoria que causasse o fim de apresentação de não-conformidades em todas
as áreas da empresa poderia passar despercebida.
195/226
Questão 5
5. Assinale a alternativa correta. Além do gráfico de controle de fração
não-conforme, qual outra forma de controle por atributo pode ser apre-
sentada?
a) Peças Conforme.
b) Fração Conforme.
c) Entregas Conforme.
d) Entregas Não-conforme.
e) Peças Não-conforme.
196/226
Gabarito
1. Resposta: B. 3. Resposta: C.
Quando a análise de qualidade acaba sendo Sendo L a distância entre a linha central e os
mais conveniente de uma maneira qualita- limites superiores e inferiores, sendo cos-
tiva passam a ser avaliadas a conformidade tume a escolha de L=3 como uma definição
do atributo com padrões. É o início da sis- natural dos limites de controle, correspon-
temática passa ou não-passa, ou como dito dente a um intervalo de confiança aproxi-
atualmente conforme ou não-conforme, mado de 99%.
como é o caso da lâmpada acender.
4. Resposta: A.
2. Resposta: D.
Uma vez que ao trabalhar com um gráfico
Quando a análise de qualidade acaba sendo de fração não-conforme já se tem o pressu-
mais conveniente de uma maneira qualita- posto que a empresa apresenta peças não-
tiva passam a ser avaliadas a conformidade -conforme, dessa forma qualquer indicação
do atributo com padrões. É o início da sis- de melhoria que causasse o fim dessa não-
temática passa ou não-passa, ou como dito -conformidade poderia passar desperce-
atualmente conforme ou não-conforme. bida como um ponto dentro dos limites de
aceitação que não precisaria ser estudado.
197/226
Gabarito
5. Resposta: E.
É possível realizar o cálculo de gráficos de

peças não-conforme, o gráfico de contro-
le np. Basta multiplicar o valor das frações
de não-conformidade pelo tamanho da
amostra.
198/226
Unidade 8
Amostragem de Aceitação Lote a Lote para Atributos
Objetivos
1. Conhecer um/o modelo de análise de

amostragem de aceitação;
2. Entender o processo de construção de
um plano de amostragem;
3. Saber executar uma curva de opera-
ção e saber interpretá-la.
199/226
1. Introdução
Quando uma empresa recebe um lote de No lote de amostragem de aceitação deve

um fornecedor, ela necessita saber das con- ser selecionada uma amostra sobre a qual
dições que esse material chegou até a em- será avaliada uma característica. Trata-se
presa. As empresas fornecedoras podem de um atributo, pois será avaliado da mes-
apresentar certificações sobre o material ma maneira que uma característica quanti-
fornecido, porém em alguns casos, a em- tativa: conforme ou não-conforme. Por esse
presa pode possuir intervalos de aceitação motivo às vezes na literatura pode ser visto
mais restritos que os apresentados em nor- o resultado dessa amostragem como uma
mas que a empresa fornecedora se baseia decisão de sentenciamento de lote, pois
para a certificação. Dessa forma, é necessá- dependendo do resultado, o lote será aceito
rio pensar um plano de avaliação desse ma- ou reprovado.
terial entrando na empresa, independente
de quem seja o fornecedor. Porém, como re- Existem três características importantes na
alizar essa avaliação? Às vezes não é possí- definição de uma amostragem de aceita-
vel avaliar 100% das peças recebidas, às ve- ção:
zes seria muito caro realizar essa inspeção. 1. O objetivo dessa amostragem é ter
Para responder essas questões, é necessária informações sobre a decisão de sen-
a realização de uma amostragem de aceita- tenciamento do lote, não inferir sobre
ção do lote entregue. a qualidade do fornecedor, ou estimar
200/226 Unidade 8 • Amostragem de Aceitação Lote a Lote para Atributos
a qualidade dos itens que pertence ao que fazem com que essa técnica seja mais
lote que está sendo avaliado; interessante:
2. A avaliação de um lote de uma amos- 1. Quando o teste for destrutivo;
tragem de aceitação não consiste em 2. Quando o custo da inspeção 100% for
avaliar a qualidade do produto que muito alto;
está entrando na empresa, mas ga-
3. Quando realizar uma inspeção 100%
rantir que as saídas do processo da
não for tecnologicamente factível;
empresa se mantenham dentro das
especificações; 4. Quando realizar uma inspeção 100%
não levar um tempo demasiadamente
3. A amostragem de aceitação não de-
longo;
fine características de qualidade do
produto que está sendo avaliado, mas 5. Quando há muitos itens a serem ins-
sim se o lote deve ser aprovado ou re- pecionados e a taxa de erro for mui-
provado. to elevada, fazendo com que em uma
inspeção 100% peças que deveriam
Quando se fala de amostragem de acei-
ser reprovadas sejam aprovadas;
tação existem características da própria
amostragem e do produto a ser amostrado

6. Quando a empresa vendedora tiver um excelente histórico de entregas e deseja-se reduzir
os custos de inspeção;
7. Quando erros por parte do fornecedor podem gerar problemas de credibilidade do produto
que será confeccionado com essa matéria-prima.
Para saber mais

Não é possível fazer um bom churrasco com uma carne de má qualidade, mesmo que você tenha o melhor
churrasqueiro a sua disposição. Muitas empresas já entenderam isso e trabalham com controles rigoro-
sos nas entradas de seu processo, por exemplo, na indústria de tintas a entrada de um solvente na linha
com características diferentes das necessárias (excesso de água, excesso de contaminantes etc.) incor-
reriam em custos altíssimos, pois podem alterar todas as características dos produtos finais fazendo com
que um lote inteiro de tintas seja reprovado.

dependem muito das características dos
Link itens que serão avaliados. Como vantagens
na comparação das duas técnicas de inspe-
No artigo de Neto et al. (2013), Controle estatísti-
ção podem ser citadas:
co da qualidade: planejamento de amostragem para
diminuição de erros de inspeção, é discutido um es- 1. Geralmente a inspeção amostral é
tudo de caso de definição de tamanho de amostra menos dispendiosa, pois requer um
para um plano de inspeção da qualidade de uma número menor de inspeções a serem
fábrica de eletrodomésticos no Nordeste. Disponí- realizadas. Às vezes as inspeções sig-
vel em: <http://www.abepro.org.br/bibliote- nificam análises laboratoriais que po-
ca/enegep2013_TN_STO_178_015_22923. dem ter custos elevados;
pdf>. Acesso em: 20 out. 2017. 2. Menor manuseio do produto, que pode
significar menor quantidade de ava-
1.1 Vantagens e Desvantagens rias. Itens com extrema sensibilidade,
da Amostragem como recipientes de vidro, objetos que
não podem ficar expostos a atmosfe-
As vantagens de um plano de amostragem ra, entre outros, sofrem alta taxa de
comparado a um prospecto de inspeção refugo por avaria durante processos
100% são numerosas, mas como já visto de inspeção, quanto menos peças ins-
pecionadas menor a probabilidade de avaliação sobre aquele lote e verificar
avaria nessas peças; se estava conforme o especificado;
3. Pode ser aplicado em testes des- 4. Menor quantidade de pessoas envol-
trutivos. Quando se trabalha com um vidas no processo de inspeção. Como
item que para confirmação de certa já descrito em temas anteriores, há a
propriedade são necessários testes necessidade de garantir que o Siste-
destrutivos, é impossível que o mate- ma de Medição seja robusto, uma das
rial passe por testes 100%. Por exem- maneiras de avaliar isso é por meio
plo, para verificação de elementos de da Avaliação do Sistema de Avaliação
liga em um metal, deve-se passar esse (MSA, em inglês). Um dos testes que
material por um equipamento chama- são realizados para avaliar a robustez
do espectrômetro. Nesse equipamen- é o teste de Repetibilidade e Reprodu-
to a amostra será destruída e durante tibilidade, já explicados anteriormen-
a destruição serão liberados sinais que te. Trabalhar com método de amos-
o equipamento será capaz de detec- tragem reduz a chance de um dos
tar e verificar quais elementos faziam problemas ocorrer, problemas na Re-
parte daquela amostra. A amostra não produtibilidade. Com menos pessoas
existirá mais, mas poderá se fazer uma executando a inspeção, limitando-se
às vezes a uma única pessoa respon- Mas não existem apenas vantagens em re-
sável pela inspeção, problemas de realizar um plano de amostragem ao invés de
produtibilidade de resultados passam uma inspeção 100%. Entre as desvantagens
a ser nulos, ficando o foco em restrin- podem ser citadas:
gir problemas de Repetibilidade nas 1. Há risco de aceitação de lotes com
análises; peças não-conforme e reprovação de
5. Redução dos erros de inspeção. Uma lotes com apenas uma não-conformi-
questão probabilística, pois se há 1% dade. O problema da amostragem é
de chance de uma inspeção apro- que ela apresenta dados para inferên-
var uma peça ruim ou reprovar uma cia sobre um todo, mas não represen-
peça boa, quanto maior a quantidade ta a qualidade de um todo em si;
amostrada, maior chance desse erro 2. Gera-se pouca informação sobre o
ocorrer; produto e o processo de manufatura
6. Ao se rejeitar um lote completo ao in- sobre o qual o produto passou. Na ver-
vés de peças de um lote, o fornecedor dade, as informações serão sobre os
ficará mais atento com as saídas do itens da amostra, não sobre todos os
processo produtivo. produtos ou processo de produção do
item. Não se pode acreditar um forne-
cedor apenas por uma amostragem realizada, a avaliação deve ser frequente para gerar um
padrão sobre a qualidade desse fornecedor;
3. Amostragem de aceitação exige planejamento e documentação do procedimento de amos-
tragem. Não se deve realizar uma amostragem a esmo, deve ser garantida a aleatoriedade
da amostra e manter registros sobre o que foi inspecionado caso haja alguma divergência
futura durante o processamento desse material;
Para saber mais

Os testes destrutivos e não-destrutivos, também conhecidos como ensaios, buscam definir caracterís-
ticas de um material para que seja possível avaliá-lo quanto à conformidade do mesmo a parâmetros
de aceitação. Nos ensaios destrutivos, há alteração das características da peça que passam pelo ensaio,
desde deixar algum sinal na peça até deixar esse item testado fora de condições de uso. Com os ensaios
destrutivos, busca-se garantir que o material possua as propriedades desejadas para garantia do pro-
duto que será confeccionado com ele. Nos ensaios não-destrutivos a peça apresenta, após os testes, as
mesmas características, sem prejuízo de sua posterior utilização. São empregados para demonstrar pro-
priedades de uma peça pronta ou após realização de algum trabalho sobre a mesma.

tos que pode ser encontrada em lote para
Link que esse lote seja aceito. A curva que define
a aceitação ou curva característica da ope-
O artigo de Ripka et al. (2005), Mudança no pro- ração (CO) é definida por uma distribuição
cesso de avaliação da qualidade e seu impacto na re- binomial, uma vez que a quantidade de pe-
dução de custos: estudo de caso em uma montadora ças defeituosas e a quantidade de peças a
de automóveis, demonstra um estudo de caso na serem amostrada são discretas. No caso, os
implementação de testes de amostragem. Dispo- parâmetros para curva binomial serão o ta-
nível em: <http://www.abepro.org.br/biblio- manho da amostra n, quantidade de defei-
teca/enegep2005_enegep0201_1255.pdf>. tos que é encontrada no lote amostral d e a
Acesso em: 22 out. 2017. fração de defeituosos p.
1.2 Plano de Amostragem Única
para Atributos
Por definição, um plano de amostragem Equação 8.1

única possui tamanho amostral n e núme- A probabilidade de aceitação será quando d
ro de aceitação c. Por número de aceitação for menor que c.
entende-se a quantidade máxima de defei-
Equação 8.2
Por exemplo, se uma empresa define que seu plano amostral deve conter 90 amostras de uma
população de 10000 peças e que c = 2, com uma fração de defeituosa medida historicamente de
p=0,01, qual seria a probabilidade de aceitar um lote?
Após cálculos tem-se que:
Ou seja, a probabilidade de um lote, que vier à empresa e for inspecionado conforme o plano
amostral de 90 amostras e 2 peças defeituosas na amostra, ser aceito é de 93,80%. Conforme a

variação da operação da confecção do material poderá haver variação na fração de itens defei-
tuosos, a curva CO (Figura 25) demonstra exatamente isso, a variação da probabilidade de acei-
tação conforme a variação da fração não-conforme por parte do fornecedor.
Figura 25 – Curva CO, variação da fração não-conforme resultando na variação da probabilidade de aceitação.
Fonte: a autora.

Para saber mais
Uma curva CO ideal seria como um L invertido,
correndo horizontalmente na linha de probabi-
lidade de aceitação = 1,00 até o momento que
chegasse à fração de defeitos = 0,01. Nesse ponto
(fração de defeitos igual a 0,01), desceria vertical-
mente indicando que todas as amostras retiradas
a partir desse ponto estariam reprovadas. A curva
dessa maneira demonstra que todos os lotes de
má qualidade seriam reprovados e todos os lotes
de boa qualidade seriam aprovados. Quanto mais
próxima curva CO estiver dessa configuração me-
lhor o plano de amostragem foi construído. A fi-
gura 26 apresenta o esboço dessa curva.

Figura 26 - Aproximação de uma curva CO ideal.
Fonte: a autora.

Link
No site indicado para aprofundamento, temos um
material de apoio com uma utilização muito inte-
ressante do plano de amostragem, o FMEA (Aná-
lise de Modo de Falha e seus Efeitos, em inglês).
O FMEA institui maneiras de verificar uma falha
quanto a sua severidade, probabilidade de ocor-
rência, e verifica se o modo de inspeção conse-
guiria perceber se a falha já existe. Disponível em:
<http://www.ct.utfpr.edu.br/deptos/daelt/
professores/marcelor/Cap.fmea.pdf>. Acesso
em: 22 out. 2017.

Glossário
Probabilidade de ocorrência: Seria a taxa de falha que um item estaria susceptível.
Severidade: Define qual o grau de impacto na vida humana uma falha poderia chegar.
Teste destrutivo: Teste que, após a sua realização, a amostra não é mais apta ao uso.

?
Questão
para
reflexão
A montadora responsável pelo seu carro não solicita a

análise de peça por peça de todos os itens que irão fazer
parte do veículo, como visto na explicação sobre FMEA.
Com base na análise de severidade, quais itens deve-
riam passar por inspeção 100% e quais itens poderiam
passar por uma inspeção de lote na montagem de um
veículo?
214/226
• No lote de amostragem de aceitação deve ser selecionada uma amostra
sobre a qual será avaliada uma característica (atributo), que será avaliada
da mesma maneira que uma característica quantitativa: conforme ou não-
-conforme;
• Existem três características importantes na definição de uma amostragem
de aceitação: o objetivo dessa amostragem é ter informações sobre a de-
cisão de sentenciamento do lote. A amostragem de aceitação não define
características de qualidade do produto que está sendo avaliado;
• Vantagens na comparação das duas técnicas de inspeção podem ser cita-
das: geralmente inspeção amostral é menos dispendiosa; menor manuseio
do produto, que pode significar menor quantidade de avarias; pode ser apli-
cada em testes destrutivos; menor quantidade de pessoas envolvidas no
processo de inspeção; redução dos erros de inspeção; ao se rejeitar um lote
completo ao invés de peças de um lote o fornecedor ficará mais atento com
as saídas do processo produtivo;
215/226
• Entre as desvantagens das técnicas de inspeção podem ser citadas: há risco
de aceitação de lotes com peças não-conforme e reprovação de lotes com
apenas uma não-conformidade; gera-se pouca informação sobre o produto
e o processo de manufatura sobre o qual o produto passou; amostragem de
aceitação exige planejamento e documentação do procedimento de amos-
tragem.
216/226
Referências

2016.

Aula 8 - Tema: Amostragem de Aceitação Lote Aula 8 - Tema: Amostragem de Aceitação Lote
a lote para Atributos. Bloco I a lote para Atributos. Bloco II
pApiv2/embed/dbd3957c747affd3be431606233e0f- pApiv2/embed/dbd3957c747affd3be431606233e0f-
1d/5e0e6120cdd90cc81d8904588f8b5c2f>. 1d/2687b848dc96a5107d260cd094c851f1>.
218/226
Questão 1
1. Assinale a alternativa correta. Podem ser avaliadas em uma avaliação por
amostragem por atributo:
a) Medida nominal do diâmetro externo de um tubo.

b) Lâmpada acender.
c) Espessura de pintura de um carro.
d) Espessura de uma folha de papel.
e) Peso de uma caixa de papelão.
219/226
Questão 2
2. Assinale a alternativa correta. Qual dessas três características seria im-
portante para definir a utilização de lote de aceitação?
a) Ter informações para a decisão de manter um fornecedor.

b) Ter informações para a decisão de manter um operador logístico.
c) Ter informações para a decisão de sentenciamento do lote.
d) Ter informações para a decisão de manter um operador financeiro.
e) Ter informações para a decisão de manter uma operação.
220/226
Questão 3
3. Assinale a alternativa correta. Pode ser citada como vantagem na exe-
cução de um plano de amostragem:
a) Geralmente inspeção amostral é menos dispendiosa.

b) Geralmente inspeção amostral é mais dispendiosa.
c) Geralmente inspeção amostral é menos rápida.
d) Geralmente inspeção amostral é igual a inspeção 100%.
e) Geralmente inspeção amostral permite falhas.
221/226
Questão 4
4. Assinale a alternativa correta. Pode ser citada como desvantagem na
execução de um plano de amostragem:
a) Há risco de aceitação de lotes com peças conforme e reprovação de lotes com apenas uma
não-conformidade.
b) Há risco de aceitação de lotes com peças não-conforme e reprovação de lotes com apenas
uma conformidade.
c) Há risco de aceitação de lotes com peças conforme e reprovação de lotes com apenas uma
conformidade.
d) Há risco de aceitação de lotes com peças não-conforme e reprovação de lotes com apenas
uma não-conformidade.
e) Não há risco de aceitação de lotes com peças não-conforme e reprovação de lotes com ape-
nas uma não-conformidade.
222/226
Questão 5
5. Assinale a alternativa correta. Com a curva CO pode-se:
a) Definir se um lote, que vier a empresa e for inspecionado conforme o plano amostral defini-
do, será aceito 100% das vezes.
b) Definir a probabilidade de um lote, que vier a empresa e for inspecionado conforme o plano
amostral definido, não ser aceito conforme um limite de confiança proposto.
c) Definir que um lote que venha a ser aceito, conforme um limite de confiança proposto, sem
a necessidade de inspeção.
d) Definir a probabilidade de um lote, que vier a empresa e for inspecionado conforme o plano
amostral definido, ser aceito conforme um limite de confiança proposto.
e) Definir a probabilidade de uma inspeção 100% ser realizada em todos os lotes que vierem à
empresa e que sejam todas as peças aprovadas.
223/226
Gabarito
1. Resposta: B. 3. Resposta: A.
Por se tratar de uma avaliação por atributo Vantagens na comparação das duas técnicas
com características apenas conforme não- de inspeção podem ser citadas: geralmen-
-conforme apenas o item B poderia ser ava- te inspeção amostral é menos dispendiosa;
liado dessa maneira. menor manuseio do produto, que pode sig-
nificar menor quantidade de avarias; pode
2. Resposta: C. ser aplicado em testes destrutivos; menor
quantidade de pessoas envolvidas no pro-
Existem três características importantes na cesso de inspeção; redução dos erros de
definição de uma amostragem de aceitação: inspeção; ao se rejeitar um lote completo ao
o objetivo dessa amostragem é ter informa- invés de peças de um lote o fornecedor fi-
ções sobre a decisão de sentenciamento do cará mais atento com as saídas do processo
lote, não inferir sobre a qualidade do forne- produtivo.
cedor. A amostragem de aceitação não de-
fine características de qualidade do produto 4. Resposta: D.
que está sendo avaliado.
Entre as desvantagens podem ser citadas:
há risco de aceitação de lotes com peças
224/226
Gabarito
não-conforme e reprovação de lotes com
apenas uma não-conformidade; gera-se
pouca informação sobre o produto e o pro-
cesso de manufatura sobre o qual o produto
passou.
5. Resposta: D.
Definir a probabilidade de um lote, que vier

a empresa e for inspecionado conforme o
plano amostral definido, ser aceito confor-
me um limite de confiança proposto.
225/226

Métodos Estatísticos PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Métodos Estatísticos PDF

Enviado por

Direitos autorais:

Formatos disponíveis

WBA0516_V1.

Quando estamos inseridos em um processo remos casos reais de aplicação do controle

1. Conhecer e definir os conceitos de

6/226 Unidade 1 • Conceitos, Origens e Aplicação da Qualidade nas Empresas

1.1. Conceitos Gerais da Qualidade

Diversos autores na história se propuseram a definir qualidade, porém qualidade é um conceito

7/226 Unidade 1 • Conceitos, Origens e Aplicação da Qualidade nas Empresas

11/226 Unidade 1 • Conceitos, Origens e Aplicação da Qualidade nas Empresas

12/226 Unidade 1 • Conceitos, Origens e Aplicação da Qualidade nas Empresas

14/226 Unidade 1 • Conceitos, Origens e Aplicação da Qualidade nas Empresas

15/226 Unidade 1 • Conceitos, Origens e Aplicação da Qualidade nas Empresas

ABNT. Disponível em: <http://www.abnt.org.

NBR ISSO 9000. Disponível em: <http://www.

Desta forma, a gerência da empresa deverá

17/226 Unidade 1 • Conceitos, Origens e Aplicação da Qualidade nas Empresas

Agora é sua vez de pensar. Imagine que você decidiu

20/226 Unidade 1 • Conceitos, Origens e Aplicação da Qualidade nas Empresas

a) Como algo que é inversamente proporcional à variabilidade.

a) Linha superior, inferior e mediana de controle.

a) Escolas do pensamento humano.

A qualidade surge com Frederick W. Taylor

1. Aprender sobre processos e ferra-

31/226 Unidade 2 • Ferramentas Estatísticas

Tabela 1. Dados da massa em kg de biscoito dentro dos pacotes em 10 dias (n = 8).

32/226 Unidade 2 • Ferramentas Estatísticas

Para saber mais

Ramo Folha Frequência

35/226 Unidade 2 • Ferramentas Estatísticas

36/226 Unidade 2 • Ferramentas Estatísticas

37/226 Unidade 2 • Ferramentas Estatísticas

38/226 Unidade 2 • Ferramentas Estatísticas

39/226 Unidade 2 • Ferramentas Estatísticas

Link Para conseguirmos plotar um diagrama de

linhas a partir do fim dos retângulos até os

41/226 Unidade 2 • Ferramentas Estatísticas

42/226 Unidade 2 • Ferramentas Estatísticas

43/226 Unidade 2 • Ferramentas Estatísticas

MONTGOMERY, D. C. Introdução ao controle estatístico da qualidade. 7. ed. São Paulo: LTC,

46/226 Unidade 2 • Ferramentas Estatísticas

a) Média ponderada e aritmética.

a) Média aritmética e mediana.

Quando realizamos a análise de dados é ne- Um histograma é um gráfico de frequências

Um exemplo de cálculo de medida central é É possível perceber uma maior frequên-

A grande vantagem desse diagrama, quan-

1. Aprender as diferenças das distri-

57/226 Unidade 3 • Distribuições de Probabilidade

Assim, pode se concluir que a distribuição

58/226 Unidade 3 • Distribuições de Probabilidade

Retornando para a equação original:

59/226 Unidade 3 • Distribuições de Probabilidade

Outra distribuição discreta utilizada no

Sendo a distribuição das curvas de Poisson

60/226 Unidade 3 • Distribuições de Probabilidade

62/226 Unidade 3 • Distribuições de Probabilidade

63/226 Unidade 3 • Distribuições de Probabilidade

Porém, essa integral é difícil de ser resolvida

Com essa modificação e utilizando curva

64/226 Unidade 3 • Distribuições de Probabilidade

65/226 Unidade 3 • Distribuições de Probabilidade

66/226 Unidade 3 • Distribuições de Probabilidade

67/226 Unidade 3 • Distribuições de Probabilidade

68/226 Unidade 3 • Distribuições de Probabilidade

Para saber mais