CEP Apostila

UNIVERSIDADE CATÓLICA DE PETRÓPOLIS
Centro de Engenharia e Computação
CONTROLE ESTATÍSTICO
DE PROCESSO
Apostila da disciplina CEP para Engenharia.

Prof. D.Sc. Alexandre Sheremetieff Junior
- 2018 -
1ª edição 1998
CEP CEC UCP
Sumário
FIGURAS ................................................................................................................................................. 4
TABELAS ................................................................................................................................................. 5
1 INTRODUÇÃO ...................................................................................................................................... 6
1.1. UM POUCO DE HISTÓRIA........................................................................................................ 6
1.2. NORMAS DA QUALIDADE ....................................................................................................... 7
1.3. O CICLO DA QUALIDADE ......................................................................................................... 7
1.4. A ESTATÍSTICA E A ISO 9000 ................................................................................................... 7
1.5. DEFINIÇÕES DE C.E.Q .............................................................................................................. 8
1.6. FERRAMENTAS DE C.E.Q. ........................................................................................................ 8
2 ALGUNS CONCEITOS FUNDAMENTAIS DA ESTATÍSTICA ...................................................................... 9
2.1. MÉTODOS DE SUMARIZAÇÃO DE DADOS ............................................................................... 9
2.2. DISTRIBUIÇÃO DE FREQUÊNCIAS ............................................................................................ 9
2.3. GRÁFICOS DE DISTRIBUIÇÃO DE FREQUÊNCIA. .................................................................... 11
2.4. MEDIDAS DA MÉDIA E DISPERSÃO ....................................................................................... 12
2.5. A CURVA NORMAL ................................................................................................................ 12
2.6. LIMITES DE CONTROLE E ESPECIFICAÇÕES ........................................................................... 14
2.7. INTERPRETAÇÃO DE DADOS ................................................................................................. 16
2.7.1 Identificação de anormalidades no processo ................................................................... 16
2.7.2 Comparação do histograma com as especificações ou padrões ....................................... 16
2.7.3 Identificação e segregação dos fatores contribuintes ...................................................... 17
3 GRÁFICOS DE CONTROLE................................................................................................................... 22
3.1. O PROCESSO SOB CONTROLE ............................................................................................... 22
3.2. ESQUEMA GERAL DOS GRÁFICOS DE CONTROLE ................................................................. 22
3.3. DUAS FINALIDADES DOS GRÁFICOS DE CONTROLE .............................................................. 23
3.4. TIPOS DE VARIAÇÕES ............................................................................................................ 24
3.4.1. Variações aleatórias...................................................................................................... 24
3.4.2. Variações causais .......................................................................................................... 24
3.5. TIPOS DE GRÁFICOS DE CONTROLE ...................................................................................... 24
3.6. FORMAÇÃO DE SUBGRUPOS RACIONAIS.............................................................................. 24
3.7. ESCOLHA DO TAMANHO DA AMOSTRA ................................................................................ 25
4 CONTROLE DE VARIÁVEIS .................................................................................................................. 26
4.1. LIMITES DE CONTROLE NO SISTEMA NORTE-AMERICANO ................................................... 26
4.2. GRÁFICOS DA MÉDIA ............................................................................................................ 26
4.2.1. Gráfico da média quando a norma é conhecida ........................................................... 26
4.2.2. Gráfico da média para  e  desconhecidos. .............................................................. 27
4.2.3. Resumo ......................................................................................................................... 28
4.2.4. Interpretação do gráfico da média ............................................................................... 28
4.2.5. Exemplos: ..................................................................................................................... 29
4.3 GRÁFICOS DO DESVIO-PADRÃO ............................................................................................ 31
4.4 GRÁFICO DA AMPLITUDE...................................................................................................... 33
4.5. SISTEMA INGLÊS DE CONTROLE............................................................................................ 35
5 CONTROLE DE ATRIBUTOS ................................................................................................................ 38
5.1. CONDIÇÕES PARA O CONTROLE DE ATRIBUTOS................................................................... 38
5.2. GRÁFICO DA FRAÇÃO DEFEITUOSA ...................................................................................... 38
5.3. GRÁFICO DO NÚMERO TOTAL DE DEFEITUOSOS.................................................................. 40
5.4. GRÁFICO DE DEFEITOS POR UNIDADE .................................................................................. 40
5.5. GRÁFICO DO NÚMERO DE DEFEITOS NA AMOSTRA ............................................................. 42
6 ANÁLISE DOS GRÁFICOS DE CONTROLE............................................................................................. 44
6.1. CAPACIDADE DO PROCESSO ................................................................................................. 44
6.2. ÍNDICE DE CAPACIDADE DE PROCESSO - I.C.P. ..................................................................... 48
[Digite aqui] 2 [Digite aqui]

CEP CEC UCP
6.3. MINI-CAPACIDADE OU CAPACIDADE DE MÁQUINA ............................................................. 49

6.4. INTERPRETAÇÃO DE GRÁFICOS DE CONTROLE ..................................................................... 50
6.5. TESTE CHI-QUADRADO ......................................................................................................... 52
7. BIBLIOGRAFIA ................................................................................................................................... 54
8 APÊNDICES ........................................................................................................................................ 55
8.1 Tábua 1 - DISTRIBUIÇÃO NORMAL .............................................................................................. 55
8.2 Tábua 2 – FATORES PARA CÁLCULO DOS LIMITES EM GRÁFICOS DE CONTROLE ....................... 56
8.3 Tábua 3 — FATORES PARA CÁLCULO DOS LIMITES EM GRÁFICOS DE CONTROLE ...................... 57
8.4 Tábua 4- DISTRIBUIÇÃO X2 (Chi-quadrada). ................................................................................ 58
8.5 Figura 1 – Modelo para gráfico de variáveis. .............................................................................. 59
8.6 Figura 2– Modelo para gráfico de variáveis ................................................................................ 60
Agradecimento
A Ana Paula Moratelli pela dedicação e empenho na execução desta apostila.

CEP CEC UCP
FIGURAS
Figura 1 Ciclo da qualidade .................................................................................................................... 7

Figura 2 Histograma ............................................................................................................................. 11
Figura 3 Gráfico de barras .................................................................................................................... 11
Figura 4 Polígono de frequências ......................................................................................................... 11
Figura 5 Gráfico da frequência acumulada (maior do que) .................................................................. 11
Figura 6 Gráfico da frequência acumulada (menor do que) ................................................................. 11
Figura 7 – Distribuição normal ............................................................................................................. 13
Figura 8 - Áreas, em percentual, da curva normal................................................................................ 14
Figura 9 - Especificação X Processo ...................................................................................................... 15
Figura 10 Processo X Especificação ...................................................................................................... 17
Figura 11 - Exemplo A........................................................................................................................... 17
Figura 12 Exemplo B ............................................................................................................................. 18
Figura 13 Exemplo C ............................................................................................................................. 18
Figura 14 Exemplo D ............................................................................................................................ 18
Figura 15 Exemplo E ............................................................................................................................. 19
Figura 16 Desmembramento exemplo E .............................................................................................. 19
Figura 17 Exemplo F ............................................................................................................................. 20
Figura 18 Exemplo G ............................................................................................................................ 21
Figura 19 Esquema geral dos gráficos de controle ............................................................................... 23
Figura 20 Gráfico da média .................................................................................................................. 26
Figura 21 - Gráfico da média exemplo 1 e 2 ......................................................................................... 30
Figura 22 Gráfico da média exemplo 3 ................................................................................................. 31
Figura 23 Gráfico desvio padrão ........................................................................................................... 32
Figura 24 Gráfico da amplitude ............................................................................................................ 34
Figura 25 Gráfico da média (sistema inglês) ......................................................................................... 36
Figura 26 Gráfico do exemplo .............................................................................................................. 37
Figura 27 Gráfico da fração defeituosa p ............................................................................................. 40
Figura 28 Gráfico do número c de defeitos .......................................................................................... 43
Figura 29 Classificação dos processos .................................................................................................. 44
Figura 30 Capaz sob controle ............................................................................................................... 45
Figura 31 Incapaz sob controle ............................................................................................................. 46
Figura 32 - Capaz fora de controle ....................................................................................................... 47
Figura 33 Incapaz e fora de controle .................................................................................................... 47
Figura 34 Amostra fora do limite de controle ...................................................................................... 50
Figura 35 Pontos do mesmo lado ......................................................................................................... 50
Figura 36 Sequências tendenciosas ...................................................................................................... 50
Figura 37 Pontos afastados da linha central ......................................................................................... 51
Figura 38 Pontos próximos a linha central ........................................................................................... 51
Figura 39 Ciclos .................................................................................................................................... 51
Figura 40 Saltos de nível ....................................................................................................................... 52
Figura 41 Duas populações .................................................................................................................. 52
Figura 42 Pontos fora dos limites ......................................................................................................... 52

CEP CEC UCP
TABELAS
Tabela 1 Resistência (ohms) de 100 bobinas elétricas. .......................................................................... 9

Tabela 2 - Computação dos valores da Resistência (ohms) de 100 bobinas elétricas. ........................... 9
Tabela 3 - Computação dos valores, agrupados em células, da Resistência (ohms) de 100 bobinas
elétricas. ............................................................................................................................................... 10
Tabela 4 - Número recomendado de células em uma distribuição de frequências .............................. 10
Tabela 5 - Valores de áreas da curva normal, em percentual. ............................................................. 13
Tabela 6 Distribuição de eixos .............................................................................................................. 29
Tabela 7 Valores observados ................................................................................................................ 30
Tabela 8 Fração defeituosa .................................................................................................................. 39
Tabela 9 Defeitos por unidade ............................................................................................................. 41
Tabela 10 Número de falhas por unidade. ........................................................................................... 43
Tabela 11 Nível do processo de acordo com o ICP ............................................................................... 48
Tabela 12 Valores amostras ................................................................................................................. 49

CEP CEC UCP
1 INTRODUÇÃO
1.1. UM POUCO DE HISTÓRIA

Na idade média existia o artesão, que era simultaneamente o projetista, o produtor, o
vendedor, o comprador de matéria-prima, etc. Ou seja, apenas uma pessoa cuidava de todas as etapas
do processo produtivo. O artesão tendo contato direto com o cliente facilmente estabelecia os
requisitos da qualidade (especificação do produto), enquanto a satisfação do cliente era diretamente
aferida.
No período da renascença (século XVI e XVII) com o desenvolvimento do comércio, os
intermediários introduziram um fator complicador no relacionamento produtor consumidor.
A revolução industrial (século XVIII e XIX) incrementou com a utilização de máquinas a
produção em larga escala, incentivou a concentração de pessoas nas fábricas e ocasionou o
fracionamento das atividades de produção, o que veio a comprometer a qualidade dos produtos,
acarretando o surgimento da inspeção final.
A introdução do uso do calibre simples (passa), que envolve o conceito de limite de tolerância
deu-se em 1840, enquanto o calibre de máximo e mínimo (passa não passa) surgiu em 1870.
Nesta época os compradores se recusavam a admitir a ideia de que em um lote de peças existe
necessariamente um percentual de peças defeituosas, se, de um lado, os compradores acreditavam
comprar lotes sem peças defeituosas e de medidas exatas, por outro, os produtores se sentiam
incapazes de atender estas solicitações.
Nesta época a ideia generalizada entre os técnicos, era a da possibilidade de se produzir peças
em quantidades. De dimensões exatas.
No início deste nosso século culminou o Taylorismo (1905), teoria clássica denominada
“gerência científica”. Taylor intensificou a pura divisão do trabalho (homem = máquina) ou seja para
cada homem uma tarefa específica, “motivando” os seus operários por opressão ou por dinheiro,
pensando em obter uma maior eficiência, principalmente pelo desenvolvimento do estudo de tempos
e movimentos.
Alguns anos depois nos laboratórios da Bell Telephone foram feitas as pesquisas pioneiras da
aplicação da estatística aos problemas industriais, dirigidas por Shewhart em peças de telefones, que
por serem produzidas aos milhares, contradiziam as ideias até então aceitas da possibilidade de lotes
sem peças defeituosas e de dimensões exatas, haja vista que a inspeção completa em milhares de
peças era demorada e onerosa e em alguns casos impraticável devido a destruição do produto pela
inspeção.
Surge então a necessidade da criação de técnicas de controle, da produção, de modo a reduzir
ao mínimo o número de peças defeituosas ou fora da especificação e também reduzir a quantidade de
peças inspecionadas ao mínimo.
Em 1923, Shewhart introduzia o conceito de “tolerância de partida”, que era a percentagem
aceitável de peças defeituosas nela contida, nascia então a necessidade de criar-se uma especificação
de aceitação para controle de lotes inspecionadas por amostragem.
Em 1924 o mesmo Shewhart esboça o primeiro gráfico de controle da qualidade de fabricação.
Em 1944 é editada os procedimentos para aceitação por amostragem para atributos Dodge-
Romig, que em 1950 foi reeditada pelo exército americano com o número MIL-STD-105A norma esta
que foi amplamente utilizada na compra de material bélico e de apoio pelo exército americano,
inicialmente na segunda guerra mundial.
Na mesma época Deming fica famoso por estabelecer os quatorze pontos para obtenção da
qualidade, impulsionando a indústria japonesa, apesar da teoria ser americana.
Nos anos sessenta o americano Feigenbaum cria o termo controle total da qualidade e a teoria
a respeito.
Alguns anos mais tarde Juran publica o “Quality Control Handbook”.
Com o surgimento dos setores aero - espacial e nuclear a inspeção por amostragem foi deixada
de lado por questões de segurança, setores estes onde inspeções até a razão de 300% são efetuadas.

CEP CEC UCP
Outras falhas da norma de inspeção por amostragem foram demonstradas pela indústria
eletrônica japonesa, face a baixíssima quantidade de defeitos que não são detectados pelas tabelas
em percentual das normas, pois os defeitos são contados em número de defeitos por milhões de peças
produzidas. Podendo responsabilizar, entre outros, por este “milagre”. Ishikawa introdutor do gráfico
“espinha de peixe” e impulsionador dos CCQ (círculos de controle da qualidade).
No Brasil podemos citar o professor José Ribeiro da Costa que introduziu a garantia da
qualidade na indústria nuclear brasileira, professora Paula Leite introdutor dos ensaios não destrutivos
e professor Jeremias Alves de Alencar introdutor da garantia de qualidade no setor de fabricação e
revisão de motores aeronáuticos.
1.2. NORMAS DA QUALIDADE
MIL-Q-9858 - Norma militar americana sobre garantia da qualidade.
ISO 9000 - Normas de gestão da qualidade, garantia da qualidade e diretriz de seleção e uso.
Segundo a ISO 9001 os requisitos de um sistema da qualidade são: responsabilidade da direção,
sistema da qualidade, análise dos contratos, controle do projeto, controle dos documentos, das
compras, identificação dos produtos, controle de processo, inspeção e ensaios, controle dos
equipamentos, status das inspeções e ensaios, controle de produtos não - conformes, ações corretivas,
manuseio, armazenagem, acondicionamento e entrega, registro da qualidade, auditorias da qualidade,
treinamento, manutenção e técnicas estatísticas.
Portanto, percebe-se que o controle da qualidade é um sistema amplo e complexo que
abrange todos os aspectos de uma empresa em um esforço que deve ser comum e cooperativo, tendo
em vista, estabelecer, adequar e assegurar a qualidade da produção em níveis econômicos para
satisfazer os desejos dos consumidores.
1.3. O CICLO DA QUALIDADE
Ciclo da qualidade é o conceito que inter-relaciona as fases da vida de um produto, definido
como processo contínuo que deve ser retroalimentado, aprimorando-se constantemente.
Figura 1 Ciclo da qualidade
1.4. A ESTATÍSTICA E A ISO 9000

A ISO 9004 faz a seguinte descrição no seu item “20 - uso de métodos estatísticos, principais
aplicações e técnicas” que transcrevemos:
20.1) Aplicações: A aplicação correta de métodos estatísticos modernos é um

elemento importante em todas as etapas do ciclo da qualidade, não sendo limitada
às etapas de pós-produção, ou de inspeção. As aplicações poderão ser feitas com as
seguintes finalidades:
a) análise de mercado;
b) projeto de produtos;
c) especificação de confiabilidade, previsão de vida útil e durabilidade;
d) estudos envolvendo o controle do processo e a capacidade de processo;
e) determinação dos níveis da qualidade e dos planos de inspeção e;
f) análise dos dados/avaliação do desempenho/análise dos defeitos.

CEP CEC UCP
20.2) Técnicas Estatísticas: Os métodos estatísticos específicos e suas

aplicações, atualmente, compreendem os seguintes, entre outros:
a) projeto de experimentos/análise dos fatores;
b) análise de variância/análise de regressões;
c) avaliação da segurança/análise de riscos;
d) testes de significâncias;
e) gráficos de controle da qualidade e;
f) inspeção por amostragem;
1.5. DEFINIÇÕES DE C.E.Q

Estatística é uma palavra com dois significados, em um sentido, a palavra se refere a um fato
em termos numéricos, e neste caso é uma palavra no plural, exemplo: as estatísticas das vendas nas
filiais demostram um aumento do lucro. No outro sentido, a palavra de refere a um conjunto de
métodos, pelos quais úteis conclusões podem ser tiradas de dados numéricos e neste caso é um nome
singular, exemplo: a estatística é também baseada na teoria da probabilidade. E é neste segundo
sentido que a palavra estatística é usada no título “Controle Estatístico da Qualidade”.
Podendo então definir C.E.Q como um conjunto de métodos pelos quais, através de conclusões tiradas
de dados numéricos, podendo controlar a qualidade de produtos e serviços além de implantar ações
corretivas quando da detecção de não conformidades.
No ambiente fabril ocorrem discussões entre o pessoal de projeto versus fabricação versus
inspeção. No passado essas discussões eram acaloradas devido a ausência de fatos em bases que
permitissem um acordo. O advento do C.E.Q permitiu o surgimento de uma linguagem comum aos três
grupos, o que facilitou o entendimento e as soluções dos problemas comuns.
1.6. FERRAMENTAS DE C.E.Q.
Muitas das técnicas desenvolvidas pelos estatísticos para análise de dados podem ser usados
para controle da qualidade de produtos e serviços. Existem, portanto, algumas técnicas principais que
são:
1.6.1. Os gráficos de controle shewhart, para características mensuráveis (variáveis), que são os
gráficos (X) da média, (K) da amplitude e (  ) do desvio padrão.
1.6.2. Os gráficos de controle de shewhart para características não mensuráveis (atributos) que são
os gráficos (p) da fração defeituosa, (np) para o número total de defeituosos e (c) para o número de
defeituosos.
1.6.3. A teoria de amostragem que lida com a proteção da qualidade dada pelos procedimentos de
aceitação por amostragem (NBR 5426, 5427 e 5428).

CEP CEC UCP
2 ALGUNS CONCEITOS FUNDAMENTAIS DA ESTATÍSTICA
2.1. MÉTODOS DE SUMARIZAÇÃO DE DADOS

Métodos práticos de sumarização de dados devem ser simples, Algumas vezes. Um método é
suficiente para prover uma completa é útil sumarização, em outros caso, dois ou até mesmo três
métodos são necessários para obter-se uma clara visão da situação. Três métodos chaves são as
distribuições de frequência os gráficos de distribuição e as medidas de tendência central e de
dispersão.
2.2. DISTRIBUIÇÃO DE FREQUÊNCIAS
A distribuição de frequências e uma ferramenta estatística para apresentar numerosos fatos
de modo que fique claro a tendência central e a dispersão ao longo da escala de medidas.
A tabela 1 mostra o resultado das medidas da resistência em OHMs de 100 bobinas.
Tabela 1 Resistência (ohms) de 100 bobinas elétricas.
3.37 3.34 3.38 3.32 3.33 3.28 3.34 3.31 3.33 3.34
3.29 3.36 3.30 3.31 3.33 3.34 3.34 3.36 3.39 3.34
3.35 3.36 3.30 3.32 3.33 3.35 3.35 3.34 3.32 3.38
3.32 3.37 3.34 3.38 3.36 3.37 3.36 3.31 3.33 3.30
3.35 3.33 3.38 3.37 3.44 3.32 3.36 3.32 3.29 3.35
3.38 3.39 3.34 3.32 3.30 3.39 3.36 3.40 3.32 3.33
3.29 3.41 3.27 3.36 3.41 3.37 3.36 3.37 3.33 3.36
3.31 3.33 3.35 3.34 3.35 3.34 3.31 3.36 3.37 3.35
3.40 3.35 3.37 3.32 3.35 3.36 3.38 3.35 3.31 3.34
3.35 3.36 3.39 3.31 3.31 3.30 3.35 3.33 3.35 3.31
A tabela 2 mostra os mesmos dados após sua tabulação. Note como a coluna “tabulação” torna
mais evidente a tendência central e a dispersão. A coluna “frequência” é meramente um registro do
número total de cada valor. E a coluna “frequência acumulada” mostra o número de bobinas com
resistência igual ou maior do que a associada com o valor da resistência.
Tabela 2 - Computação dos valores da Resistência (ohms) de 100 bobinas elétricas.
Resistência (ohms) Tabulação Frequência Frequência acumulada
3.45
3.44 I 1 1
3.43
3.42
3.41 II 2 3
3.40 II 2 5
3.39 IIII 4 9
3.38 IIII I 6 15
3.37 IIII III 8 23
3.36 IIII IIII III 13 36
3.35 IIII IIII IIII 14 50
3.34 IIII IIII II 12 62
3.33 IIII IIII 10 72
3.32 IIII IIII 9 81
3.31 IIII IIII 9 90
3.30 IIII 5 95
3.29 III 3 98
3.28 1
99
3.27 I 1
100
3.26 I
Total 100

CEP CEC UCP
A tabela 3 mostra os valores organizados em 06 células de 0,03 ohm de extensão. Agrupar

valores em células simplifica a apresentação dos dados e o estudo da distribuição, mas perde alguns
detalhes e a precisão do cálculo da média e do desvio - padrão.
Tabela 3 - Computação dos valores, agrupados em células, da Resistência (ohms) de 100 bobinas
elétricas.
Células
Percentagem de
Frequência
Limites Valor central Frequência bobinas com valor
acumulada
menor ou igual
3.415-3.445 3.43 1 1 100%
3.385-3.415 3.40 8 9 99%
3.355-3.385 3.37 27 36 91%
3.325-3.355 3.34 36 72 64%
3.295-3.325 3.31 23 95 28%
3.265-3.295 3.28 5 100 5%
100
Para construir uma distribuição de frequência, os seguintes passos são necessários:
1 Decidir o número de células. A Tabela 4 nos indica o número de células recomendadas em

função do tamanho da amostra. Trata-se apenas de uma sugestão e não de uma imposição.
Tabela 4 - Número recomendado de células em uma distribuição de frequências

Número de Número de células
observações recomendadas
20-50 6
51-100 7
101-200 8
201-500 9
501-1000 10
Over 1000 11-20
2- Calcular o valor do intervalo da célula que é igual a diferença entre o maior e o menor valor
observado dividido pelo número de células. O resultado deve ser arredondado para um valor
conveniente.
3- Construa as células listando os seus limites, respeitado:

a) O limite da célula deve ter um algarismo significativo a mais e usualmente é o valor 5.
b) O intervalo deve ser constante ao longo da distribuição.
4- Marque cada observação dentro da célula apropriada e registre o total da frequência.

CEP CEC UCP
2.3. GRÁFICOS DE DISTRIBUIÇÃO DE FREQUÊNCIA.
Figura 2 Histograma Figura 3 Gráfico de barras
Figura 4 Polígono de frequências
Figura 5 Gráfico da frequência acumulada Figura 6 Gráfico da frequência acumulada

(maior do que) (menor do que)

CEP CEC UCP
2.4. MEDIDAS DA MÉDIA E DISPERSÃO

média
n
X n
 n 1
desvio padrão
n
 (X n  ) 2
 n 1
n
ou
n n
 fX n 2
__ 2 __  fX n
 n 1
 X onde : X  n 1
n n
2.5. A CURVA NORMAL

A distribuição normal é a mais importante distribuição de probabilidades, não apenas na teoria
estatística como também nas suas aplicações a problemas industriais. É uma distribuição contínua e
simétrica, cujo gráfico tem a forma de sino (Ver Fig 7); ela é também conhecida como distribuição de
Gauss, ou de Laplace, ou dos erros de observação. A distribuição normal representa o resultado da
atuação conjunta de causas aleatórias, e, por isso, é fundamental no controle estatístico de qualidade,
particularmente na teoria dos gráficos de controle de fabricação.
Uma variável continua x, que possa tomar qualquer valor real (isto é, -   x  ) será uma
distribuição normal se a probabilidade de que: x seja menor ou igual a x0 for
0 x ( x ) 2
1
 2 
P( x  x 0 )  F( x 0 )  e 2 2
dx
(2.1)
na qual a F(x) é a função de distribuição normal.

A função de probabilidade (densidade de frequência) é dada por:
( x ) 2
1
f (x)  e 2 2
(2.2)
 2
seus valores correspondem às ordenadas da curva da Fig 7.

A distribuição normal envolve apenas dois parâmetros estatísticos, a média (  ) e o desvio -
padrão (  ) da população. A média (  ) é o valor de (x) para o qual a f (x) é máxima, enquanto o desvio
– padrão (  ) é a distância (em abscissas) entre o ponto de ordenada máxima e o ponto em que há
inversão da curvatura (Ver Fig. 7). Os valores  = 3,141... e, e = 2,718... são simples constantes
numéricas.

CEP CEC UCP
Figura 7 – Distribuição normal
A área total sob a curva f (x) é igual à unidade; em virtude da simetria, as áreas à esquerda da
média são iguais às da direita.
Tábua de áreas da curva normal – se em lugar de x tomarmos
(x  )
z , (2.3)

o que significa adotar como origem dos z o ponto em que x =  e como unidade da escala dos z o
desvio padrão  , teremos transformado a expressão (2.2) na distribuição normal reduzida:
z2
1
f (z)  e 2
(2.4)
2
que tem os parâmetros  (z) = 0 e  2 (z) = 1; por conveniência costuma-se referir essa distribuição
como a N (0;1). As áreas sob a curva permanecem as mesmas, mas agora podem ser tabeladas em
função dos valores de z (Ver Fig. 8, eixo dos z). Basta fazer a tábua das áreas para os valores positivos
de z, isto é, para a metade direita da curva; são os valores I (z), na Tábua 1 (Ver. Apêndice 8.1). Por
exemplo, a área desde z = 0 até z = 1,0, é I (1,0) = 0,3413 ou 34,13% da área total; consequentemente,
dentro do intervalo  1  temos 68,26% da área total da curva. Apresentamos na Tabela 5 alguns dos
mais importantes intervalos da distribuição normal, para as aplicações ao controle da qualidade.
Tabela 5 - Valores de áreas da curva normal, em percentual.

Porcentagem da área
Intervalo
Dentro do intervalo
  0,67 50,00
  1,0  68,26
  1,96 95,00
  2,0  95,46
  3,0  99,73
  3,09 99,80
  4,0  99,99

CEP CEC UCP
Figura 8 - Áreas, em percentual, da curva normal
2.6. LIMITES DE CONTROLE E ESPECIFICAÇÕES

Ao elaborar a especificação, o projetista estabelece um valor nominal e os limites de
tolerância; ao se realizar a fabricação sob controle, determinam-se a média do processo e os limites
de controle. Que relação guardam tais valores.
Os limites da especificação representam aquilo que se exige no projeto, para que o produto
possa atender à finalidade para a qual é desejada. Os limites do gráfico de controle resultam do
processo de fabricação empregado e refletem aquilo que o processo é capaz de realizar. Resta,
portanto, verificar se o processo pode ou não atender à especificação.
Se o processo estiver fora de controle, os limites não exprimirão todas as possibilidades do
processo de fabricação nem permitirão decidir se o processo é ou não capaz de atender à
especificação. No entanto, se pelo menos no gráfico da amplitude se revelar que o processo está sob
controle, será possível determinar se o processo atenderá às especificações, quando se alcançar o
controle das médias.
Geralmente, os limites de tolerância das especificações referem-se às peças individualmente,
enquanto nos gráficos, os limites de controle de variáveis referem-se a subgrupos (racionais) de peças.
Consequentemente, os limites de controle das médias não podem ser diretamente relacionados com
os limites das especificações (para peças isoladas).
De acordo com o sistema norte-americano, os limites de 3-sigma, para valores individuais x,
podem ser obtidos calculando-se:
L x  x  ( A 1  s)  n (2.5)
ou
L x  x  3R / d 2 (2.6)

CEP CEC UCP
Figura 9 - Especificação X Processo Lx, dado por (2.5) ou (2.6), constitui o intervalo da
distribuição normal reduzida, com z = (x-  ) /  = 3,00, o
qual conterá 9.973 peças de cada 10.000, deixando fora 27
em cada10.000 peças. Consequentemente, se definirmos a
tolerância (natural) do processo como sendo aquele que
contém todas as peças produzidas exceto 27 em cada
10.000, o intervalo   3 da especificação coincidirá
com a tolerância do processo (Ver na Fig. 9, a Fig. 3.6.1-a).
Admitindo-se que a variável sob controle tenha
distribuição normal, uma boa especificação terá, em geral,
o valor nominal (VN) coincidente com o valor médio do
processo (  ou seja estimativa x ), e uma tolerância
bilateral (LSE-LIE) igual a  3 (onde  é o desvio - padrão
da distribuição das peças, no processo; se  for
desconhecido emprega-se a estimativa S /C2).
Se a tolerância do processo não coincidir com a
tolerância da especificação, o processo de fabricação
deverá ser reajustado com relação à média ou à dispersão,
ou então se isso não for possível, a especificação deverá ser
modificada.
Se a tolerância do processo de fabricação for muito
menor que a tolerância da especificação (Ver Fig. 9 - 3.6.1-
b), os limites da especificação foram estabelecidos sem
considerar a realidade do processo de fabricação ou foi
escolhido um processo de tolerância demasiado estreita. A
consequência é maior custo de fabricação e um produto de
qualidade mais uniforme que aquela especificada como
necessária.
Se, ao contrário, a tolerância do processo for maior
que a tolerância da especificação (Ver Fig. 9 - 3.6.1-c),
haverá inevitavelmente uma quantidade de peças
inaceitáveis, maior do que a correspondente à tolerância
natural, que é de 27 em 10.000 peças. A especificação é,
neste caso, muito rigorosa, ou se não o for, haverá que criar
um processo de fabricação mais aperfeiçoado e preciso,
que apresenta menor dispersão que o atual.
Nos três casos mencionados, admite-se que a
média do processo de fabricação coincide com o valor
nominal da especificação; isso significa que o nível médio
de qualidade é satisfatório, muito embora a dispersão
possa ser maior do que a especificação (Fig. 9 - 3.6.1-c) ou,
ao contrário, menor (Fig. 9 - 3.6.1-b). O gráfico de controle
da média evidenciará, nesses casos, estar o nível de
qualidade do processo sob controle; a falta de controle na
dispersão será evidenciada pelo gráfico da amplitude ou pelo do desvio - padrão.
No entanto, outras situações poderão ocorrer, quando a Média do processo estiver acima do
valor nominal (Fig. 9 - 3.6.1-d, f) ou abaixo dele (Fig. 9 - 3.6.1-e); isso será também revelado pelo gráfico
da média, existindo então elevada porcentagem de peças inaceitáveis (área hachurada, na Fig. 9 -
3.6.1). se, além do deslocamento da média, existir também descontrole na dispersão (Fig. 9 - 3.6.1-
e,f), o gráfico da amplitude o indicará.

CEP CEC UCP
Resumindo: se o processo de fabricação não atender à tolerância da especificação, a

orientação conveniente será uma das seguintes:
a) modificar a especificação;
b) alterar o processo de fabricação;
c) empregar inspeção completa (com triagem das peças fora da especificação).
2.7. INTERPRETAÇÃO DE DADOS
2.7.1 Identificação de anormalidades no processo

Devemos observar no histograma se o perfil da curva aproximada se assemelha a um sino ou
não.
Se o perfil se apresentar em forma de sino, podemos concluir que: O processo é normal, ou
seja, apresenta variações apenas do tipo aleatório (não variações causais).
Se o perfil do histograma não se apresentar em forma de sino, diversas possibilidades de
problemas poderão estar ocorrendo: A distribuição não é normal (não é um caso muito usual). A
distribuição está afetada por variações do tipo causal, e nesses casos torna-se necessário empreender
investigações mais detalhadas no processo para identificar a razão das variações (e eliminar se for o
caso).
2.7.2 Comparação do histograma com as especificações ou padrões
É necessário comparar o histograma com as especificações ou padrões para saber se os
resultados desejados estão sendo obtidos. Quando as especificações não estão sendo atendidas é
necessário avaliar (ou estimar) a porcentagem de produtos em desacordo com as especificações.
__
Conhecendo-se a média X e o desvio padrão  x da distribuição, pode-se calcular as
porcentagens acima e abaixo da especificação.
Voltando ao histograma dos diâmetros de eixos, vamos calcular essas porcentagens.
__
__
LIE  X 33,0  34,4
Dados: X =34,4 para % abaixo  z    1,94
x 0,72
LIE = 33,0
LSE = 37,0
__
X  LSE 34,4  37,0
x  0,72 para % acima  z    3,61
x 0,72
Nota-se que em ambos os casos os valores de z resultaram negativos. Isso ocorre porque as
porcentagens são menores que 50%. Quando as porcentagens forem maiores que 50% os valores de z
serão positivos.
Procuramos o valor de z na coluna correspondente a z. Essa coluna apresenta o valor de z com
apenas um decimal. Portanto, no caso da porcentagem abaixo procuramos z = -1,9. Corremos esta
linha até encontrar a coluna 0,04 que nos dá a segunda casa decimal de z. Lemos o valor que está
situado nessa linha e coluna e que corresponde em área ao valor de z = -1,94. Assim temos para:
z = - 1,94 pela tabela 0,0262, ou seja, 2,62% e para z = - 3,61 pela tabela (procedendo da mesma
forma) 0,00016, ou seja, 0,016%.

CEP CEC UCP
Figura 10 Processo X Especificação
2.7.3 Identificação e segregação dos fatores contribuintes

Alguns exemplos e suas possíveis causas.
2.7.3.1 - Exemplo A
Uma firma fabricante de autopeças apresentava para suas peças usinadas o histograma com grande
perda de material (scrap):
Figura 11 - Exemplo A
Se tivéssemos mais dados a respeito provavelmente concluiríamos que existiam:

a) dois ou mais tipos de matéria prima;
b) duas ou mais máquinas fora do controle estatístico;
c) dois ou mais operadores;
d) a barra isolada estaria indicando o uso de aparelhos de medição inadequados ou
descalibrados.
Após estudos e melhoramento, o histograma das peças apresentou-se dentro de uma curva
normal, conforme mostrado no mesmo gráfico, em linhas pontilhadas.
2.7.3.2 - Exemplo B
Após a medição das peças liberadas por uma empresa de componentes eletrônicos, observa-
se o histograma abaixo:

CEP CEC UCP
Figura 12 Exemplo B
Provavelmente houve inspeção de 100%, sendo que as peças com determinados valores foram
retiradas.
2.7.3.3 - Exemplo C
O histograma foi obtido a partir de dados coletados sobre o índice de viscosidade de um óleo
automotivo.
Figura 13 Exemplo C
Este histograma nos revela uma falta na calibragem (ou precisão) dos aparelhos de medição.
2.7.3.4 - Exemplo D
O histograma abaixo mostra as características de cargas de micro relês. Tendo-se observado
média muito próxima ao limite superior de especificação e dispersão muito grande, analisou-se esses
problemas através de gráficos de controle e métodos estatísticos, conseguindo-se uma redução do
número de defeitos, devido a característica de carga dos micro relés.
Figura 14 Exemplo D
Isso mostra como o histograma pode ajudar na solução de problemas e melhoria da

capacidade do processo.
2.7.3.5 - Exemplo E
Uma companhia filial processou painéis com chapas fornecidas pela matriz. Os painéis
apresentavam muitas rachaduras e as chapas frequentemente não tinham o mesmo tamanho. Desse
modo, testes de dureza foram efetuados e os resultados foram mostrados no histograma a seguir.

CEP CEC UCP
Figura 15 Exemplo E
Foi descoberto que a matriz tinha enviado chapas de dois fornecedores A e B. As chapas destes
fornecedores foram testadas, separadamente, resultando nos histogramas abaixo:
Figura 16 Desmembramento exemplo E

CEP CEC UCP
2.7.3.6 - Exemplo F
O histograma abaixo foi obtido a partir de dados coletados do comprimento de uma peça que
estava sendo produzida em 6 tornos automáticos.
Figura 17 Exemplo F
No histograma de todas as máquinas nota-se uma amplitude muito grande. Logo a seguir,
desmembrando-se por máquina, verificamos que as máquinas 1, 4 e 5 são as que mais contribuem
para o aumento da amplitude

CEP CEC UCP
2.7.3.7 - Exemplo G
Comparação entre vários histogramas: mudanças na média ( x ) e no desvio padrão (  x).
Figura 18 Exemplo G
2.17a)
Nota-se: desvio-padrão constante. Mudança "mantida" na
média.
Obs.: regulagem anormal de máquina.
2.17b)
Nota-se: desvio-padrão constante. Mudança irregular na
média.
Possível interpretação: tentativas inglórias de ajustar a
máquina num mesmo valor.
2.17c)
Nota-se: desvio - padrão constante. Tendência na média
(crescente).
Possível interpretação: ferramenta desgastando
continuamente sem a devida compensação.
2.17d)
Nota-se: média constante. Acréscimo no desvio padrão.
Possível interpretação: desbalanceamento e consequente
aumento de vibrações
2.17e)
Nota-se: média irregular. Desvio-padrão irregular.
Possível interpretação: completo descontrole do
processo, entremeado de ações de manutenção que
reduzem a dispersão e ajustes inadequados da máquina
que deslocam as médias de um lado para outro.

CEP CEC UCP
3 GRÁFICOS DE CONTROLE
3.1. O PROCESSO SOB CONTROLE

O controle de fabricação é exercido pelo produtor durante o processo produtivo. O objetivo é
manter a qualidade do produto satisfatoriamente uniforme, prevenindo a produção de itens fora da
especificação de fabricação.
A verificação de que o processo está ou não sob controle é feita pelo exame dos itens de
amostras extraídas periodicamente. Se o processo estiver sob controle, as amostras apresentarão
aquela variabilidade correspondente a amostras extraídas de uma população normal, isto é, a
variabilidade devida apenas ao acaso na amostragem. O processo sob controle supõe, portanto, que o
característico de qualidade do conjunto dos itens produzidos possua distribuição normal (cf. 2.5). Além
disso, supõe também que essa distribuição permanecera estável, isto é, que seus dois parâmetros, a
média e o desvio - padrão, permaneçam constante, o que é verificado periodicamente pela extração
de uma sequência de amostras. Por isso diz-se que, em um processo sob controle, a variabilidade é
devida tão somente a causas aleatórias. Estas causas de variação não provocam alterações apreciáveis
na qualidade do produto; sua eliminação é impossível ou antieconômica, e, por isso, as causas
aleatórias são consideradas como parte natural do processo de fabricação.
A distribuição normal constitui noção estatística indispensável no controle de fabricação. Sabe-
se que os itens de uma distribuição normal (de média  e desvio - padrão  ) se distribuem em torno
da média nas seguintes proporções aproximadas: 68% dos valores no intervalo    , 95% no
intervalo   2 , e 99,7% no intervalo   3 . Consequentemente, diferenças entre um valor
observado x e a média  , maiores do que  3 são esperadas, apenas, três vezes em cada mil
observações. Por isso, a faixa de variabilidade normal no processo sob controle é a do intervalo
  3 e   3 .
Quando a variabilidade se torna anormal, as alterações nos característicos de qualidade do
produto são sensíveis. As amostras indicarão que o processo de fabricação (isto é, “a população”) se
modificou, e ficou fora de controle. As causas da modificação podem ser descobertas e, por isso, são
denominadas causas identificáveis. Sua influência, rápida e crescente, exige pronta ação corretiva, no
sentido de eliminar a presença dessas causas identificáveis. Contudo, quando acarretam melhoria de
qualidade sua identificação e adaptação contribuem para o aperfeiçoamento do processo de
fabricação.
A presença de causas identificáveis é indicada pela ocorrência de diferenças significantes entre
o valor observado e a média do processo, isto é, de valores amostrais fora da faixa de controle; essa
presença é revelada por meio de um dispositivo prático, o gráfico de controle.
3.2. ESQUEMA GERAL DOS GRÁFICOS DE CONTROLE
Baseando-se na distribuição normal, os gráficos de controle constituem um instrumento de
diagnóstico da existência ou não de controle.
A construção desses gráficos obedece a um esquema geral que, em cada caso, é adaptado. O
esquema geral é o seguinte (Ver Fig. 19).
Em abscissas, marca-se o número de ordem cronológica da amostra, ou seqüência das
extrações. Desse modo, a escala horizontal é uniforme e associada ao tempo, porque as extrações são
feitas a intervalos iguais durante a fabricação.
Em ordenadas, marca-se o valor observado x do característico de qualidade, o qual poderá ser
uma variável ou um atributo (Ver § 3.4). Na escala vertical há três valores importantes, pelos quais são
traçadas linhas horizontais (os valores indicados são os do sistema norte americano; diverso é o
sistema inglês, explicado no § 4.5).
_ a média  , que determina a linha média (ou linha central) do gráfico, indicada por LM;
_ o limite superior de controle,   3 , correspondendo á linha superior de controle, LSC;

CEP CEC UCP
_ o limite inferior de controle,   3 , correspondendo a linha inferior de controle, LIC.

O gráfico fica dividido em duas zonas: a zona I, interior aos “limites de controle de 3  ” e
correspondente à faixa de normalidade ou de controle; a zona II, exterior aos limites de controle e
correspondente à faixa de anormalidade ou falta de controle.
Quando o processo esteja sob controle, existe a probabilidade de que ocorram apenas 3
pontos em cada mil (ou com maior aproximação 27 em cada 10 mil) na zona II, em virtude de causas
aleatórias. Sendo essa probabilidade baixa, do ponto de vista prático, a ocorrência de um ou mais
pontos na zona II indica a presença de uma causa identificável, que deverá ser investigada e eliminada.
Figura 19 Esquema geral dos gráficos de controle
As indicações de falta de controle são, portanto, as seguintes:

a) Um ponto situado fora dos limites de controle, na Zona II.
b) Alguns pontos situados na zona I, muito próximos a uma linha de controle.
c) Uma disposição peculiar dos pontos na zona I, muito embora nenhum deles esteja próximo de
uma linha de controle.
3.3. DUAS FINALIDADES DOS GRÁFICOS DE CONTROLE
Quando um processo está sob controle, somente causa aleatórias atuam sobre ele; a
ocorrência de causas identificáveis levará o processo a ficar fora de controle.
Com base nesse critério, dos problemas se propõem na aplicação dos gráficos de controle, atendendo
a duas finalidades diferentes:
a) Verificar se o processo está sob controle, ou seja a sua estabilidade. Para isso, somente valores
observados em amostras são disponíveis; não existindo padrões de comparação, a linha média e os
limites de controle são baseados na informação fornecida pelas amostras. A variação entre os valores
amostrais, além daquela que poderia atribuir-se ao acaso, indicará falta de controle ou de estabilidade.
A situação é a da fase inicial de um programa de controle de fabricação.
b) Verificar se o processo permanece sob controle. Corresponde a verificar a conformidade do
processo de fabricação relativamente a uma norma preexistente. Para isso, além dos valores
observados nas amostras, dispõe-se de uma norma que estabelece o valor da linha média e dos limites
de controle. A variação dos valores amostrais, além daquela admitida na norma atribuível ao acaso,

CEP CEC UCP
indicará que o processo saiu de controle. A situação é a que existe quando se deseje manter a
fabricação em determinado nível de qualidade.
3.4. TIPOS DE VARIAÇÕES

Este é o primeiro conceito que precisamos entender. É uma lei fundamental da natureza pela qual
nunca dois elementos são exatamente iguais. Nossos processos de fabricação também são efetuados
por variações que influenciam o resultado final. Nunca duas peças ou dois produtos são exatamente
iguais. Dimensões de peça apresentam variações dentro de certos intervalos. Conjuntos como
motores, veículos, etc. podem apresentar pequenas variações de rendimento, dentro de limites
normais.
Na verdade, as variações podem ser de dois tipos:
3.4.1. Variações aleatórias
Normalmente, pequenas, rápidas e inconstantes. Fazem parte da natureza do processo e,
podem ser controladas aplicando-se a sua lei de comportamento. Sob o aspecto prático não podem
ser eliminadas economicamente (sem mudar o sistema). P. ex.: pequenas variações no lote de
material.
3.4.2. Variações causais
Normalmente, grandes e duradouros. São, de certa forma, imprevisíveis. Quando detectadas,
devem ser eliminadas rapidamente para não prejudicarem o desempenho do processo. As ações para
eliminar as causas são plenamente justificáveis economicamente. P. ex.: lote de material defeituoso.
As variações são o maior inimigo da qualidade. O ideal seria que todas as peças fossem iguais. Elas
durariam mais, funcionariam melhor e o consumidor ficaria mais satisfeito. Como isso é impossível
devido as variações, necessitamos trabalhar continuamente para tornar as variações cada vez
menores.
3.5. TIPOS DE GRÁFICOS DE CONTROLE
Há duas classes principais de gráficos de controle de qualidade: a de controle de variáveis e a
de controle de atributos.
Os gráficos de controle de variáveis baseiam-se em mensurações do característico de
qualidade. São de três tipos: da média x . Do desvio padrão s; e da amplitude R.
Os gráficos de controle de atributo baseiam-se na verificação da presença ou ausência de um
atributo, em especial com relação a uma lista de defeitos. Há quatro tipos: da fração defeituosa p; do
número np de itens defeituosos na amostra de tamanho n; do número u de defeitos por unidade; do
número c e de defeitos em uma amostra.
Examinaremos, nos capítulos 3 e 4, cada um desses gráficos e as condições de sua utilização.
3.6. FORMAÇÃO DE SUBGRUPOS RACIONAIS
Muito embora o esquema geral dos gráficos de controle possa ser aplicado a observações
individuais isoladas, na prática é empregado, quase exclusivamente, para valores médios, sejam eles
médias x das observações , ou médias de desvio - padrão s , ou médias de amplitude R , ou ainda,
médias da fração defeituosa p . Tais valores médios, calculados para amostra de tamanho n,
justificam-se pelos motivos seguintes:
a) Observações isoladas são mais dispersas do que as médias, consequentemente, os limites de
controle das observações isoladas ficariam muito distantes, em resumo, o poder que observações
isoladas têm de discriminar se o processo está sob controle ou fora de controle é muito pequeno; o
processo terá que sair bastante fora de controle, até que a perturbação fique evidenciada por uma
observação isolada.

CEP CEC UCP
b) Em muitos casos, a distribuição das observações isoladas não é a normal; contudo, a média de
amostras, mesmo tão pequenas como as de n = 4, tem distribuição aproximada da normal.
c) O emprego de amostras pode ser realizado pela formação de “subgrupos racionais”. Essa
expressão significa que as amostras devem ser formadas de tal modo que, dentro de cada amostra, as
variações possam ser atribuídas apenas a causas aleatórias; mas entre as amostras as variações sejam
devidas a causas identificáveis, cuja presença seja suspeitada ou considerada possível. Desse modo,
cada amostra e satisfatoriamente uniforme e seus itens são fabricados em processo sob controle; a
análise das diferenças entre as amostras revelará se o processo, para o conjunto das amostras, está ou
não sob controle.
A formação de subgrupos racionais é alcançada pela obtenção de observações separadamente
para cada fonte (por exemplo, de matéria-prima oriunda de um só lote do fornecedor, ou de itens
produzidos por uma mesma máquina automática ou apenas por um operário) e para cada momento
da fabricação. Neste último aspecto, é muito importante que o registro e a identificação das
observações na ordem cronológica de sua obtenção; a vantagem será alcançar o controle no decurso
da fabricação.
Para a correta formação de subgrupos racionais, são necessárias conhecimento técnico e
familiaridade com as condições em que os itens são produzidos e as informações das amostras são
obtidas. As amostras devem ser extraídas junto á linha de produção, em séries curtas, e não depois
que itens de várias origens ou épocas tenham sido reunidos e, eventualmente, misturados nos
estoques.
3.7. ESCOLHA DO TAMANHO DA AMOSTRA
Pelos motivos explicados, o tamanho da amostra formada com subgrupos racional deve ser
igual ou maior do que 4. São muito empregados, nos gráficos de controle de variáveis, os tamanhos 4
ou 5.
Amostra de tamanho cinco tem a vantagem de facilitar o cálculo da média. Basta somar os
cinco números, ao total encontrado adicionar novamente o mesmo total e deslocar a vírgulas de uma
casa para a esquerda. Essa sequência de operação simples, quando realizada com o auxílio de
máquinas de somar de fita, tem a vantagem de fornecer um registro permanente na fita de papel, para
consultas futuras. Na mesma fita, em seguida a média de cada amostra, é calculada a respectiva
amplitude, igual ao maior valor menos o menor valor anteriormente registrados.
Nos gráficos de controle de atributos, as amostras devem ser bem maiores, dependendo o
tamanho n do valor da fração defeituosa P do processo. Um critério satisfatório é adotar n próximo de
10/P.
Mas, qualquer que seja o tamanho da amostra, deverá ele corresponder a subgrupos racionais,
cuja determinação se fará da melhor maneira possível de acordo com a unidade natural de fabricação.
Além disso, haverá toda vantagem em adotar um tamanho n constante, para os vários gráficos de
controle de um determinado processo de fabricação.
A experiência tem evidenciado que, na fase inicial, uma sequência de 25 de n = 4 itens ou de
20 amostras de 5 itens é suficiente para estabelecer a norma de controle de variáveis de um processo.
Para evidenciar falta de controle, um número elevado de subgrupo de 4 itens é mais adequado do que
poucos subgrupos de itens numerosos.
Para manter o processo sob controle, subgrupos de 4 ou 5 itens extraídos a intervalos regular
(de hora em hora, dia a dia, ou semanalmente), revelam-se suficientes. A escolha do intervalo
adequado para a extração das amostras depende do ritmo e da uniformidade do processo de
fabricação comparados ao custo do sistema de controle. Somente em cada caso particular será possível
decidir a respeito, com base na experiência.

CEP CEC UCP
4 CONTROLE DE VARIÁVEIS
4.1. LIMITES DE CONTROLE NO SISTEMA NORTE-AMERICANO
Os três gráficos de variáveis da media x , do desvio-padrão s e da amplitude R - são explicados

a seguir, de acordo com o sistema norte-americano (normas da ASA e ASTM). Esse sistema baseia-se
no intervalo 3 sigma (Ver § 2.2), de modo que os limites de controle são, respectivamente:
para a média  x  3x
para o desvio-padrão s  3s
para a amplitude R  3R
A probabilidade de que um ponto caia na zona II é, aproximadamente 0,003 ou 3 vezes em
cada mil, enquanto a probabilidade de que caia na zona I é 0,997 aproximadamente.
4.2. GRÁFICOS DA MÉDIA
4.2.1. Gráfico da média quando a norma é conhecida
A distribuição amostral da media x , de amostras extraídas de um população normal, com


média  e desvio - padrão  , é também normal, com x   e  x  .
n
O gráfico de controle das médias x de amostras de tamanho n é construído marcando se em
3
ordenadas a linha média LM = x   , o limite superior de controle LSC =   , e o limite inferior
n
3
de controle LIC =   , (Ver Fig. 20).
n
Fazendo-se A = 3/ n , os valores podem ser tabelados em função do tamanho da amostra
(Tábua 2 do apêndice), e a expressão dos limites torna-se:
LSC =   A (4.1)
LIC =   A
Para cada amostra (subgrupo racional) calcula-se a média x e marca-se no gráfico um ponto
cuja ordenada é x e cuja abcissa é o número de ordem da amostra (ou o tempo).
Figura 20 Gráfico da média
Esse procedimento, muito simples, emprega-se sempre que for dada a norma de controle, isto
é, conhecendo-se  e  . Quando os parâmetros forem desconhecidos, caso muito comum
especialmente na fase inicial do controle, será necessário calcular estimativas dos parâmetros as quais

CEP CEC UCP
deverão basear-se, no mínimo, em k = 25 amostras de n = 4 ou k = 20 amostras de n = 5 itens, como

veremos a seguir.
4.2.2. Gráfico da média para  e  desconhecidos.
Estimativas da média - A estimativa da média  será calculada pela média geral (ou média
das médias das amostras):
1
x ( x1  x 2  ...  x k ) (4.2)
k
onde x1 é a média da primeira amostra, x 2 a da segunda amostra e assim por diante.
A linha média é marcada LM = x .
Estimativa do desvio - padrão - O cálculo da estimativa do desvio-padrão  pode basear-se no

desvio-padrão s ou na amplitude R das amostras. O segundo processo é o usual, quando for n = 4 ou
5, porque além de precisão satisfatória, requer apenas cálculos simples.
A. PELO DESVIO PADRÃO AMOSTRAL
Para a i - ésima amostra, de n itens, o desvio - padrão amostral é

1/ 2
si   x1  x2  ...+ xn  n x  / n
2 2 2 2
(4.3)
  
A estimativa do desvio-padrão da população  é obtida calculando-se preliminarmente o

desvio padrão amostral médio.
1
s  ( s1  s2  ...+ sk ) (4.4)
k
Onde s1 é o desvio-padrão da primeira amostra, s2 o da segunda etc.
A estimativa de  é então:
s
  (4.5)
c2
Onde c2 é o fator de correção (Tábua 2 do apêndice 8.2) da estimativa, em função do tamanho
n da amostra. Para amostras com mais de 25 itens, c2 = 1,000, o que significa não ser necessário
correção.
Os limites de controle baseados em s são, portanto:
s
LSC = x  3
c2 n
s
LIC = x  3 (4.6)
c2 n
3
Para facilitar, faz-se A1= , cujos valores em função de n, tamanho da amostra, são
c2 n
tabelados (Tábua 2 do apêndice 8.2). Resulta que os limitas ficam expressos por:
LSC = x  A1 . s
LIC= x  A2 . s (4.7)

CEP CEC UCP
B. PELA AMPLITUDE AMOSTRAL

Para estimar o desvio - padrão  , com base na amplitude R das amostras, calcula-se, para
cada um deles, a diferença entre o maior e o menor valor observado (xmax - xmin ). Em seguida, calcula-
se a média das amplitudes das k amostras.
R  (R1  R2  ... + RK ) / k (4.8)
A estimativa de  é dada por:
 = R /d2 (4.9)
Onde d2 é um fator de correção, tabelado em função do tamanho n da amostra . Também para

3
facilitar, faz-se A2 = , cujos valores são também tabelados (Tábua 2 do apêndice).
d2 n
A estimativa de  por R somente se recomenda para amostras com, no máximo, n = 10 itens.
Então, os limites de controle ficam.
LSC = x  A2 . R
LIC = x  A2 . R (4.10)
4.2.3. Resumo:
Para estabelecer o gráfico de controle de média, na fase inicial ou quando se desconhecem
 e  , observam-se os seguintes passos:
1. Fixar o tamanho das amostras n (usualmente 4 ou 5), e o número k de amostras (no mínimo
25, ou 20, respectivamente). Extrair as amostras, registrar os valores observados, e calcular para cada
uma x e R (s, somente se for n >10).
2. Calcular x , por (4.2) e marcar a linha média LM = x.
3. Calcular R ou s e os limites de controle x  A2 R ou x  A1 s, conforme o processo escolhido
para estimar  ; marcar LSC e LIC.
4. Marcar os valores de x , para as amostras (do passo 1). Se forem encontrados pontos na zona
II, eles serão eliminados, recalculando-se a linha média e os limites.
5. O gráfico obtido constitui a norma de controle de fabricação; permitirá acompanhar o
processo, extraindo-se amostras e marcando-se os valores de x correspondentes.
4.2.4. Interpretação do gráfico da média

Na fase inicial do sistema controle ainda não existe norma, isto é, não se conhecem os valores
de  e  do processo. A construção do gráfico da média baseia-se, então, somente nos valores
amostrais; com a determinação da linha média e dos limites de controle, como acima foi explicado. O
gráfico será empregado para verificar se o processo está sob controle, para o que se marcam os pontos
referentes às amostras já utilizadas no cálculo dos limites.
Pontos situados na zona I indica, que o processo está sob controle. Pontos sobre as linhas de
controle ou na zona II indicam falta de controle; neste caso, tais pontos serão eliminados, e a linha
média e os limites recalculados. Para alcançar-se a norma do processo sob controle, nenhum ponto
deverá situar-se fora da zona I. (Ver Fig. 20)
Uma vez conhecido  e  , após a fase inicial, passa-se a fase do controle propriamente dito,
na qual interessa verificar se o processo se mantém sob controle. O gráfico será agora construído de
acordo com a norma estabelecida, isto é, linha média e limites de controle determinados na fase inicial.
Extraem-se novas amostras e marcam-se os pontos no gráfico.

CEP CEC UCP
Os valores de x deverão situar-se na zona I, para que o processo se mantenha sob controle.
Um ponto na zona II ou sobre a linha dos limites constitui indicação de que se deve investigar uma
causa identificável de perturbação no processo. Espera-se que 3 vezes em mil (ou melhor, 27 em
10.000) essa conclusão seja errônea, isto é, o processo ainda se mantenham sob controle.
Se de fato existir uma causa identificável, os pontos começarão a cair na zona II. Se a média  do
processo se tiver alterado, valores de x aparecerão acima ou abaixo das linhas dos limites, conforme
a média  tenha aumentada ou diminuindo, mantendo-se  constante . Se, ao contrário, o desvio -
padrão  é que se tiver alterado, os valores de x aparecerão acima e abaixo dos limites, como
indicação de que a dispersão do processo aumentou, e portanto  aumentou. Se tiver havido redução
da dispersão, o fato não será evidenciado pelo gráfico da média.
O gráfico da média é sensível a variação na média  do processo, mas insuficiente para
evidenciar todas as variações na dispersão. Por isso, seu emprego deverá conjugar-se a um gráfico de
controle da dispersão.
4.2.5. Exemplos:
Exemplo1: Construir para amostras de n =5 itens, o gráfico de controle da média de um
processo de fabricação de eixos com os seguintes características: média do processo  = 5,60 mm e
desvio - padrão  = 0,05 mm.
Neste caso, é dada a norma do controle. Consequentemente, a linha média é LM = 5,60 e os
limites de controle são calculados pelas fórmulas (4.1), com n = 5. Tem-se A=3/ 5 = 1,342 ou
diretamente tirado da Tábua 2 do apêndice.
Os limites são:
LSC = 5,60 + 1,342 . 0,05 = 5,667
LIC = 5,60 - 1,342 . 0,05 = 5,533
O gráfico da média está representado na Fig. 4.2.
Exemplo 2: Verificar se o processo de fabricação de eixo, definido pela norma: média do processo 
=5,60 e desvio-padrão  = 0,05, se mantém sob controle. Dez amostras, com n = 5, foram extraídas
de hora em hora; as médias x estão na Tabela 6 - Distribuição de eixos (especificação 5,60  0,15
mm) - (10 amostras de n = 5 itens)
As linhas média e de controle correspondentes já foram calculadas no exemplo 1, e o gráfico
traçado na Fig. 21.
Tabela 6 Distribuição de eixos

Amostra Item 1 Item 2 Item 3 Item 4 Item 5
Média x
1 5,67 5,50 5,58 5,48 5,70 5,586
2 5,90 5,58 5,61 5,59 5,44 5,624
3 5,52 5,66 5,68 5,59 5,38 5,566
4 5,60 5,66 5,55 5,58 5,57 5,612
5 5,55 5,68 5,65 5,45 5,68 5,602
6 5,39 5,65 5,63 5,57 5,61 5,570

7 5,79 5,61 5,59 5,70 5,51 5,640
8 5,67 5,59 5,59 5,75 5,48 5,616
9 5,51 5,51 5,65 5,55 5,63 5,570
10 5,66 5,64 5,61 5,66 5,56 5,626
As médias x , das dez amostras, serão agora marcadas no gráfico.

CEP CEC UCP
Verificar-se que todos os pontos situam-se na Zona II , dispondo-se em torno da LM, sem configuração
especial ; por isso, que o processo de fabricação mantém-se sob controle.
Figura 21 - Gráfico da média exemplo 1 e 2
Exemplo 3: Na fase inicial do controle de um processo de fabricação, foram extraídas 20 amostras de

5 itens; os valores observados constam da Tabela 7. Construir o gráfico de controle da média.
Tabela 7 Valores observados

Amostra X1 X2 X3 X4 X5 R
x
1 143 137 145 137 138 140,0 8
2 141 142 147 140 140 142,0 7
3 142 137 145 140 132 139,2 13
4 137 147 142 137 135 139,6 12
5 137 146 142 142 140 141,4 9
6 145 144 146 148 149 146,4 5

7 137 145 144 137 140 140,6 8
8 144 142 143 135 144 141,6 9
9 140 132 144 145 141 140,4 13
10 132 135 136 130 141 134,8 11
11 137 142 142 145 143 141,8 8

12 142 142 143 140 135 140,4 8
13 136 142 140 139 137 138,8 6
14 142 144 140 138 143 141,4 6
15 139 146 143 140 139 141,4 7
16 140 145 142 139 137 140,6 8

17 134 147 143 141 142 141,4 13
18 138 145 141 137 141 140,4 8
19 140 145 143 144 138 142,0 7
20 145 145 137 138 140 141,0 8
Neste caso ainda não existe a norma de controle, desconhecendo-se a média  e o desvio-
padrão  do processo, os quais serão estimados a partir dos dados amostrais.
Na Tabela 7, já estão indicados a média x e a amplitude R de cada amostra A estimativa da média  ,
calculado por (4.2), é x = 2815,2/20 = 140,76, por isso, no gráfico da média será marcada a LM =
140,76.
A amplitude média, calculada por (4.8), é R = 174/20 = 8,70. Os limites de controle, por (4.10), com A2
= 0,577 (Tábua 2 do apêndice 8.2), são:

CEP CEC UCP
LSC = 140,76 + 0,577 . 8,70 = 145,78

LIC = 140,76 - 0,577 . 8,70 = 135,74
Os quais são também marcados no gráfico. (Ver Fig. 22).

Uma vez marcados os pontos x , verifica-se que os das amostras de números 6 e 10 estão na zona II;
consequentemente, deverão ser eliminados e recalculados os limites. Assim procedendo, teremos a
nova média x = 2534,0/18 = 140,78 e a R = 158/18 = 8,78.
Figura 22 Gráfico da média exemplo 3
Os limites de controle recalculados são:
LSC = 140,78 + 0,577 . 8,78 = 145,85

LIC = 140,78 - 0,577 . 8,78 = 135,71
A estimativa do desvio - padrão é obtido por (4.9), com d 2 = 2,326 (Tábua 2 do apêndice 8.2):
 = 8,78/2,326 = 3,77.
Ficou, desse modo, estabelecida a norma de controle do processo para amostras de 5 itens,
com  = 140,78 e  = 3,77. O processo se manterá, doravante, sob controle se os valores de x
estiverem entre 135,71 e 145,85.
4.3 GRÁFICOS DO DESVIO-PADRÃO
Uma distribuição não pode ser caracterizada apenas por seu valor médio; é necessário
conhecer também uma medida da dispersão dos itens em torno da média. Por isso, o gráfico da média
não suficiente para evidenciar a ocorrência de valores demasiadamente afastados, acima ou abaixo da
média, os quais se poderão compensar deixando a média inalterada. Convém, portanto, estabelecer
um gráfico de controle da dispersão, escolhendo o gráfico do desvio-padrão ou o gráfico da amplitude.
A distribuição amostral do desvio-padrão s é a chi-quadrado, com v = n-1 graus de liberdade,
mas adotando-se o intervalo de 3-sigma da distribuição normal, para faixa de controle, verifica-se que
a aproximação normal é satisfatória, podendo ser tabelados coeficientes em função do tamanho da
amostra n (Tábua 2 do apêndice 8.2). Estes coeficientes são, a seguir, definidos.
A linha média, pela fórmula (4.5), é
 s  c2   (4.11)
enquanto o desvio-padrão da aproximação normal

CEP CEC UCP

 s  2(n  1)  2nc2 2  1/ 2
 / 2n (4.12)
e o intervalo de controle de 3-sigma é:
s  3s (4.13)
Para facilitar as aplicações, definem-se os fatores
B1  c2 
3
2n

2(n  1)  2nc2
2
 1/ 2
B1  c2 
3
2n

2(n  1)  2nc2
2
 1/ 2
(4.14)
cujos valores estão tabelados (Tábua 2 do apêndice 8.2). Os limites de controle são calculados pelas
fórmulas:
LIC = B1  
LSC = B2   (4.15)
quando for dado m, isto é, quando já se tiver a norma de controle estabelecida.
Para cada amostra (subgrupo racional) calcula-se o desvio-padrão s (Ver § 4.12), e marca-se
no gráfico um ponto cuja ordenada é s e a abscissa, o número de ordem da amostra ou o tempo (Ver
Fig. 23).
Figura 23 Gráfico desvio padrão
Estimativa do desvio-padrão - Quando  não for conhecido, devemos calcular uma estimativa
sua pela formula (4.5), com o auxílio do fator c2 (Tábua 2 do apêndice 8.2).
Os limites de controle (4.13) tomam, então, a forma:

1 
3

2(n  1)  2nc2
2
 1/ 2 
 s (4.16)
 c2 2n 
na qual se substituem os fatores tabelados (Tábua 2 do apêndice 8.2):
B3  1 
3
c2 2n

2(n  1)  2nc2
2
 1/ 2

CEP CEC UCP
B4  1 
3
c2 2n

2(n  1)  2nc2
2
 1/ 2
(4.17)
Assim, desconhecendo-se , os limites de controle são:

LIC  B3  s
(4.18)
LSC  B4  s
e a linha média, calculada pela fórmula (4.4) é
LM= s (4.19)
Exemplo 1: Construir, para amostras de n = 5 itens, o gráfico de controle do desvio-padrão de

um processo de fabricação, com  = 5,60 e  = 0,05.
Neste caso é dada a norma de controle. A linha média do gráfico de s, dada por (4.11) onde c2
= 0,8407 (Tábua 2, apêndice 8.2), é:
Os limites, dados por (4.14) onde se faz B1 = 0 e B2 = 1,756 são
LIC = 0 . 0,05 =0
LSC = 1,756 . 0,05 = 0,088.
O gráfico de s está representado na Fig. 23; ele corresponde ao gráfico de x (Ver Fig. 21),
estabelecido no Exemplo 1, do § 4.2.
4.4 GRÁFICO DA AMPLITUDE
O cálculo da amplitude é muito mais simples que o do desvio-padrão. Além disso, a
aproximação normal para a distribuição da amplitude será satisfatória, quando a amostra contiver no
máximo 10 itens.
Compreende-se facilmente porque o gráfico da amplitude R é mais empregado que o gráfico
de s, para controle da dispersão, com amostra pequena de até 10 itens. Os coeficientes necessários,
para facilidade de cálculo, são também tabelados (Tábua 2 do apêndice 8.2).
Existindo já a norma de controle, isto é, dado o valor de , a linha média é
R  d2   (4.20)
e o desvio-padrão da distribuição normal aproximada de R é:
 R  d3   (4.21)
e, portanto, o intervalo de controle de 3-sigma fica
d 2    3d 3    ( d 2  3d 3 )   . (4.22)
Definimos os seguintes coeficientes em função de n (Tábua 2 do apêndice 8.2),
D1  d 2  3d 3
(4.23)
D2  d 2  3d 3
Os limites de controle serão calculados pelas fórmulas:

CEP CEC UCP
LIC  D1  
LSC  D2   . (4.24)
A marcação dos pontos no gráfico da amplitude se faz de maneira análoga à dos casos anteriores (Ver
Fig. 24).
Figura 24 Gráfico da amplitude
Estimativa do desvio-padrão - Quando se desconhece , deve-se calcular sua estimativa pela fórmula
(4.9). Neste caso, a linha média é dada pela média das amplitudes amostrais, de acordo com (2.7):
LM  R (4.25)
O intervalo de controle fica igual a
(1  3d 3 / d 2 ) (4.26)
mas, fazendo-se
D3  1  ( 3d 3 / d 2 )
(4.27)
D4  1  ( 3d 3 / d 2 )
coeficientes que são tabelados em função de n (Tábua 2, apêndice 8.2), os limites de controle se
escrevem:
LIC  D3  K
LSC  D4  R (4.28)
Exemplo 1: Estabelecer o gráfico da amplitude R, para controle da dispersão com amostras n

= 5 itens, para o processo de fabricação do qual se extraírem, na fase inicial, 20 amostras. Os valores
observados constam da tabela 7.

CEP CEC UCP
A primeira solução vai incluir todas as 20 amostras. A amplitude média é R = 174/20 = 8,70,
que define a LM. Os limites de controle são calculados por (4.28), fazendo-se D3 = 0 e D4 = 2,115 (Tábua
2 do apêndice 8.2):
LIC = 0
LSC = 2,115  8,70 = 18,4.
Esses limites devem, porém, ser recalculados após a eliminação das amostras 6 e 10, cujos
valores x caíram na zona II, ao se tentar estabelecer o gráfico de x (Ver Exemplo 3, § 4.2.5). teremos,
então por (4.25) e (4.28):
LM  R  158 / 18  8 ,78
LIC  0
LSC  2 ,115  8 ,78  18,6
que estão representados na Fig. 24, juntamente com os valores de R para todas as amostras. Observa-
se que, mesmo consideradas as amostras de número 6 e 10, a dispersão pelo gráfico de R se evidencia
estar sob controle.
4.5. SISTEMA INGLÊS DE CONTROLE
O sistema inglês de controle de fabricação (pela British Standard 600 R) é diferente do sistema
norte-americano, descrito nos parágrafos 4.1 a 4.4, acima.
Em vez de considerar as duas Zonas, separadas pelo valor crítico Z c=  3 , o sistema inglês
considera três zonas, separadas respectivamente pelos críticos Z c =  1,96 e Zc =  3,09.
Tais valores correspondem aos limites dos intervalos da distribuição normal reduzida dentro
dos quais a probabilidade é, respectivamente, 95% e 99,8%.
No sistema inglês, os gráficos apresentam três zonas (Ver Fig. 25), cuja significação é a
seguinte:
Zona I, denominada Zona de controle, deve conter a maioria dos pontos (95%) se o processo
estiver sob controle;
Zona II, denominada Zona de advertência, pode conter alguns pontos (4,8%); a presença de
um ponto nesta zona representa uma advertência quando à possível falta de controle, exigindo
atenção;
Zona III, denominada zona de ação, não deve conter praticamente qualquer ponto (0,2%)
quando o processo estiver sob controle; por isso, a presença de um ponto nesta zona representa quase
com certeza (risco  de 0,2%) falta de controle, exigindo ação corretiva.
De modo análogo ao do sistema norte-americano, para facilitar o cálculo dos limites quando
não seja dada a norma (isto é,  e  são conhecidos), recorre-se a fatores tabelados (Tábua 3 do
apêndice 8.3), em função de n, tamanho da amostra. Neste caso, para amostras com 10 itens, no
máximo, o desvio -padrão  é estimado por meio da amplitude média R (Ver fórmulas 4.8 e 4.9 no §
4.2), enquanto a estimativa da média  será a média geral x (fórmula 4.2, § 4.2). No sistema inglês
não se usa o gráfico do desvio-padrão.
Gráfico da média - No gráfico da média, teremos:
Linha média LM  x (4.22)

Limite superior de advertência LS0 ,95  x  a1  R
Limite inferior de advertência LI0 ,95  x  a1  R (4.23)
Limite superior de ação LS0 ,998  x  a2  R
Limite inferior de ação LS0 ,998  x  a2  R (4.24)

CEP CEC UCP
Os fatores a1 e a2 encontram-se na Tábua 3. Observa-se que os limites superiores e inferiores

são simétricos em relação à linha média.
Figura 25 Gráfico da média (sistema inglês)
Exemplo 1: Construir pelo sistema inglês, o gráfico de controle da média do processo, cujos
valores em 20 amostras de n = 5 são os da tabela 7 (Exemplo 1, §4.2).
A linha média LM  x  140,76.
Com a amplitude média R  8 ,70 e os fatores a1 = 0,377 e a2 = 0,594 (Tábua 3, apêndice 8.3) calcula-
se os limites de advertência:
LS0,095 = 140,76 + 0,377 . 8,70 = 144,04
LI0,095 = 140,76 – 0,377 . 8,70 = 137,48
e de ação:
LS0,998 = 140,76 + 0,594 . 8,70 = 145,93
LI0,998 = 140,76 – 0,594 . 8,70 = 135,59.
O gráfico está apresentado na Fig. 26.
Gráfico das amplitudes – O gráfico das amplitudes, no sistema inglês, apresenta também três
zonas, com o mesmo significado explicado anteriormente. Observa-se, porém, que neste gráfico de
amplitude os limites não são simétricos em relação à amplitude média R . Isto explica porque são
necessários quatro fatores diferentes para calcular os limites (Ver Tábua 3, apêndice 8.3). As linhas a
marcar no gráfico são:
Linha média =R (4.25)

Limite superior de ação = b1  R
Limite superior de advertência = b 2  R (4.26)
Limite inferior de advertência = b 3  R
Limite inferior de ação = b4  R (4.27)
Os coeficientes b1, b2, b3 e b4 são tabelados (Tábua 3 do apêndice 8.3).

Para estimar o desvio – padrão  , tendo-se R , emprega-se a expressão (4.9):
  R / d 2 (com d2 extraído da Tábua 2 do apêndice 8.2).

CEP CEC UCP
Exemplo 2: Construir, pelo sistema inglês, o gráfico das amplitudes do processo, cujos valores
observados em 20 amostras de 5 itens estão na Tabela 7.
Para construir o gráfico, calculam-se:
Amplitude média das 20 amostras R =8,70

Limite superior de ação b1 R  2,34  8,70  20,4
Limite superior de advertência b2 R  1,81  8,70  15,7
Limite inferior de advertência b3 R  0,37  8,70  3,2
Limite inferior de ação b4 R  0,16  8,70  1,4
O gráfico está apresentado na Fig. 26
Figura 26 Gráfico do exemplo

CEP CEC UCP
5 CONTROLE DE ATRIBUTOS
5.1. CONDIÇÕES PARA O CONTROLE DE ATRIBUTOS

O controle de variáveis exige que se estabeleçam dois gráficos (um da média e outro da
dispersão) para cada característica de qualidade mensurável que se deseje controlar. Muitas vezes não
será possível, ou econômico, realizar mensurações dos característicos de qualidade, estabelecendo
para cada um par de gráficos necessário. Recorre-se, então, ao controle de atributos, no qual a
presença de um defeito leva a classificar a peça como defeituosa, sem considerar a intensidade ou grau
do próprio defeito.
O controle de atributos é recomendável, especialmente, quando se verifica uma (ou mais de
uma ) das seguintes condições:
a) O número de característicos a controlar em cada peça é elevado;
b) Em lugar de mensuração convém empregar calibres passa - não – passa;
c) A mensuração do característico é antieconômica diante do custo de cada peça;
d) A verificação de qualidade é feita por simples inspeção visual.
O controle de atributos é o único possível quando o característico de qualidade não seja
mensurável, como por exemplo, a falta de partes , a cor ou o estado do acabamento da peça.
O critério para classificar uma peça em perfeita ou defeituosa deve ser expresso por uma lista de
defeitos.
Para controle de atributos existem quatro tipos de gráficos:
O gráfico da fração defeituosa p;
o gráfico do número de defeituosos np;
o gráfico do número de defeitos por unidade u;
o gráfico do número de defeitos c.
Esses gráficos serão explicados a seguir, de acordo com o sistema norte–americano,
considerando-se o intervalo 3–sigma (Ver § 3.2).
5.2. GRÁFICO DA FRAÇÃO DEFEITUOSA
As peças, de acordo com o critério estabelecido, são classificadas em perfeitas ou defeituosas,
isto é, por um critério dicotômico.
Na amostra, a fração defeituosa p é o quociente do número de peças defeituosas d pelo total
n de peças da amostra, isto é, p = d / n.
O gráfico da fração defeituosa, ou gráfico de p , é construído de acordo com o esquema geral
(Ver § 3.2). A variável amostral p, que é binomial, com média Ep = P e variância Vp = P ( 1-P)/ n,
admite a aproximação pela normal, com mesma média e variância .
Consequentemente, o inverso 3 – sigma define os limites de controle de p como sendo:
LSC = P + 3 P(1  p) / n (5.1)
LIC = P – 3 P(1  P) / n
Observa-se que a probabilidade de a fração defeituosa da amostra p = d/n ocorrer dentro
desses limites depende do valor de P, fração defeituosa do processo, mesmo quando este estiver sob
controle. No entanto, para amostras grandes, a aproximação normal é satisfatória; a regra pratica é
estabelecer o valor de n próximo de 10/P e tomar amostras de igual tamanho.
Estimação de P – Quando a fração defeituosa do processo P for desconhecida , sua estimação
será feita calculando-se a fração defeituosa média.
p
d (5.2)
n
para um conjunto de pelo menos K = 20 amostras de tamanho n.

CEP CEC UCP
A linha média será marcada para esse valor p , e os limites de controle serão.
LSC = p  3 p(1  p) / n
LIC = p  3 p(1  p) / n (5.3)
Quando o valor calculado para o LIC for negativo, deve-se adotar o valor LIC = 0. Quando p for
pequeno, isto é, menor que 0,10. Pode-se, como aproximação, substituir 1 - p pela unidade.
Marcados os limites, para cada amostra será calculada a fração defeituosa p = d/n, que será
marcada no gráfico. A interpretação do gráfico é a mesma já indicada anteriormente (Ver § 3.2. e §
4.2).
Exemplo 1: Para estabelecer o controle de atributos, foram extraídas 25 amostras de n = 50
peças cada uma. De acordo com critérios prefixado, as peças forma classificadas em perfeitas ou
defeituosas, resumindo-se os resultados da Tabela 8 - Fração Defeituosa (Resultados de 25 amostras;
n = 50 peças) a seguir.
Tabela 8 Fração defeituosa

Amostra d Fração defeituosa
P =d/n
1 1 0,02
2 2 0,04
3 3 0,06
4 3 0,06
5 5 0,10
6 4 0,08
7 4 0,08
8 4 0,08
9 2 0,04
10 2 0,04
11 4 0,08
12 4 0,08
13 4 0,08
14 5 0,01
15 4 0,08
16 4 0,08
17 5 0,01
18 1 0,02
19 5 0,10
20 2 0,04
21 0 0,00
22 5 0,10
23 3 0,06
24 3 0,06
25 1 0,02
Total 80
A fração defeituosa média é p = 80/1250 = 0,064 e os limites de controle são:

CEP CEC UCP
0,064  0,936
LSC = 0,064 + 3 = 0,064 + 0,105 = 0,169
50
LIC = 0,064 – 0,105 = (resultado negativo) =0
O gráfico de p está apresentado na Fig. 27. Verifica-se que todos os pontos estão dentro dos
limites; portanto, o processo está sob controle.
Figura 27 Gráfico da fração defeituosa p
5.3. GRÁFICO DO NÚMERO TOTAL DE DEFEITUOSOS

Como alternativa do gráfico de p , pode ser utilizado para amostras de igual tamanho n, o
gráfico do número total de (itens) defeituosos np. De fato, o gráfico de np é equivalente ao gráfico p
fazendo-se apenas a mudança da escala de ordenadas.
A linha média de n p e os limites de controle são n p  3 n p (1 - p) .
A interpretação do gráfico np é semelhante à do gráfico de p, sendo n p o número médio de
defeituosos encontrados no conjunto das k amostras.
5.4. GRÁFICO DE DEFEITOS POR UNIDADE
Nos dois parágrafos anteriores, a atenção esteve dirigida para os itens defeituosos, isto é, para
as peças fabricadas em desacordo com as especificações; agora, será orientada para os defeitos nas
peças. Um defeito representa falta de conformidade da unidade do processo com a especificação de
uma característica de qualidade.
Uma unidade de produto pode apresentar mais de um defeito, e, por isso, pode ser exigido o
controle do número de defeitos por unidade, em vez do controle da fração defeituosa. A conveniência
torna-se evidente quando se compreende que a unidade do produto pode ser uma unidade de
comprimento, ou de área, ou mesmo uma peça; então, haverá interesse em conhecer o número de
defeitos por metro (ou por mil metros), ou por metro quadrado, ou por chapa. Evidentemente, seria
inadequado apenas considerar nesses casos que a unidade seja perfeita (isto é, sem defeitos) ou
defeituosa (isto é, com defeitos); convirá avaliar a frequência com que ocorrem defeitos em cada
unidade.
O número médio de defeitos por unidade, ui para a j – ésima amostra de tamanho n, é igual ao
número total de defeitos em todas as unidades da amostra pelo número n de unidades da amostra:

CEP CEC UCP
cj
uj  (5.4)
nj
O gráfico de u é recomendado quando o produto é composto de várias partes, existindo muitos

característicos de qualidade inspecionados por calibre, ensaios de funcionamento ou inspeção visual.
A contagem de defeitos se fará somente para defeitos independentes.
Geralmente, em cada unidade da amostra, o número de defeitos é relativamente pequeno
quando comparado com as oportunidades de sua ocorrência; por exemplo, em uma chapa da classe X
podem ser admitidas irregularidade de superfícies em área não superior a 10% da área total. Por isso,
a distribuição amostral de u é a de Poisson, cuja média e variância são iguais a M (Cf. § 4.6.).
Admitida a aproximação normal para o número u, defeitos por unidade, o intervalo 3 – sigma
determina os limites de controle.
u3 u (5.5)
sendo:
u
n. total de defitos em todas as amostras

c j
n. todas de unidades em todos as amostras n j
uma estimativa de m, baseada no conjunto de k amostra (j = 1,2, ..., k).
Exemplo 1: Os dados abaixo referem-se ao número de defeitos por unidade, encontrados na

inspeção de 25 veículos. Construir o gráfico correspondente (faça-se a leitura por colunas).
Tabela 9 Defeitos por unidade
7 11 17 12 9
14 6 10 8 15
13 11 7 9 3
17 16 8 5 7
7 13 21 27 5
O número total de defeitos é 278, em 25 amostras de n = 1; o número médio de defeitos por

unidade é:
u =278/25 = 11,12
Os limites de controle são:

LSC = 11,12 + 3 11,12 = 21,14
LIC = 11,12 - 3 11,12 = 1,10
Nota-se que o vigésimo ponto está fora dos limites de controle, devendo assim ser eliminado,
recalcula-se, então, os limites, para o total:
278 – 27 = 251; u = 251/24 = 10,46.
Finalmente:
LSC = 10,465 +3 10,46 = 20,17 e
LIC = 10,46 - 3 10,46 = 0,75.
Os limites encontrados não podem ainda ser considerados como definitivos, porque o ponto
correspondente ao décimo quinto veículo examinado está fora de controle. Procedendo-se do mesmo
modo que antes, obtém-se:

CEP CEC UCP
251  21
u  10,00 ; como 10,00  3,16, tem - se :
23
LSC = 10,00 +3 10,00 = 19,48
LIC = 10,00 - 3 10,00 = 0,52
que podem ser tomadas como definitivos.
5.5. GRÁFICO DO NÚMERO DE DEFEITOS NA AMOSTRA
Quando as amostras forem todas de igual tamanho, isto é, n for constante, é conveniente
adotar o gráfico do número de defeitos, c, na amostra. Neste caso, o gráfico é equivalente ao gráfico
u, com mudança apenas na escala das ordenadas.
O gráfico do número de defeitos c é adequado quando não exista uma unidade natural do
produto, em geral apresentado em rolo ou lençol, e o problema consista em avaliar a uniformidade de
qualidade em determinados comprimentos iguais ou em áreas iguais do produto. É o caso de fios ou
de tecidos. Nota-se que o número n não precisa ser um inteiro; se a unidade convencionada for por
exemplo, 10 metros quadrados, amostras de 25 ou de 30 metros quadrados, constituem 2,5 ou 3,0
unidades.
A linha central do gráfico é dada por
c
número total de defeitos em todas as amostras

c (5.6)
número de amostras k
e os limites de controle são:
c3 c (5.7)
Se as amostras forem de tamanho diferente, deve-se calcular, primeiramente a média u de

defeitos por unidade (Ver § 5.4); em seguida, calcula-se a linha média u  n e os limites de controle
u  n  3 u  n , separadamente para cada tamanho n de amostra.
Exemplo 1: para controlar as falhas de continuidade de películas de esmalte em fios de cobre, foram
extraídas 20 amostras de 30 metros cada um. Os resultados dos ensaios realizados (de acordo com a
EB-60) estão na tabela 10 - Número de falhas em cada 30 m, de fio isolado com esmalte
A linha média é
c  144 / 20  7 ,20
Os limites de controle são:
LSC  7 ,20  3 7 ,20  7 ,20  8 ,01  15,24

LIC  7 ,20  3 7 ,20  ( negativo )  0
O gráfico de c, número de defeitos, está apresentado na Fig. 28. Verifica-se que o processo
está sob controle, porque todos os pontos estão dentro dos limites de controle.
Observe-se que no caso acima não existe uma unidade natural de fabricação. A escolha foi de
amostras de uma unidade de 30 metros, mas poderia ter sido de amostras de 3 unidades de 10 metros
cada uma. O gráfico de número de defeitos não se modificaria. No entanto, o gráfico de defeitos por

CEP CEC UCP
unidade (Ver § 5.4) seria alterado por mudança na escala de ordenada. Para a unidade de 10 metros o
número de defeitos por unidade seria muito pequeno; isso dificultaria a análise e recomendaria a
ampliação da unidade, por exemplo, para 30 metros com a fusão de cada grupo de 3 unidades de 10
metros.
Tabela 10 Número de falhas por unidade.
Amostra N0 de falhas
1 7
2 15
3 9
4 5
5 0
6 4
7 11
8 0
9 11
10 13
11 0
12 5
13 8
14 6
15 4
16 11
17 0
18 12
19 3
20 10
Total .............. 144
Figura 28 Gráfico do número c de defeitos

CEP CEC UCP
6 ANÁLISE DOS GRÁFICOS DE CONTROLE
6.1. CAPACIDADE DO PROCESSO

Agora que já estudamos o controle do processo através de histogramas e gráficos de controle,
vamos avaliar a capacidade que o processo apresenta de produzir ou gerar peças ou resultados dentro
das especificações.
É a comparação do resultado do processo com as especificações e padrões do produto.
Enquanto nos gráficos de controle o comportamento das médias de amostras é avaliado em
relação aos limites de controle x  3 x , agora na análise da capacidade, avaliamos o comportamento
do processo, ou seja, como varia a distribuição da população dos elementos produzidos por esse
processo.
É considerada por “capacidade de um processo” a faixa da população na qual se situam 99,73%
das peças produzidas pelo processo. Esses são os “limites naturais do processo”. Assim:
Cp = Capacidade do processo = x  3x ou 6x
Contudo, para fins de avaliação do processo, temos que comparar a “Capacidade do processo”
com as especificações ou padrões do produto. Assim, para a indústria automobilística, um processo é
considerado “capaz” quando o seu desvio padrão x for igual ou menor que um oitavo da tolerância
especificada, ou em outras palavras, a tolerância abrange oito ou mais desvios padrões da população.
Nessas condições, de um lado, o processo será capaz de produzir 99,994% de peças ou
produtos dentro das especificações, ou seja, 16.999 cada 17.000 e por outro lado, esse critério permite
uma folga operacional mínima de dois desvios padrões entre a “capacidade do processo” (6 x) e a
especificação ( 8x minimo) possibilitando assim alguma flexibilidade de ajustes quando ocorrerem
desvios, antes que sejam produzidas peças rejeitadas.
Para determinar a capacidade do processo é necessário que o processo esteja sob controle
estatístico, ou seja, sujeito apenas as variações aleatórias.
Verificada esta condição, calcula-se a capacidade do processo (6 x) e compara-se com a
tolerância. Observando uma folga de (2 x) entre os limites naturais e a especificação, dizemos que
o processo é capaz. Os 4 principais casos em que podemos encontrar o processo estão na Fig 29 –
Classificação dos processos quanto ao controle e a capacidade.
Figura 29 Classificação dos processos

CEP CEC UCP
Caso 1 - Processo sob controle e capaz
Esta é a situação adequada, resultante de bom planejamento e bom controle.

Como podemos ver pelo gráfico, as seguintes características estão presentes:
Não há pontos fora dos limites de controle das médias nem padrões fora do normal. Portanto,
o processo está sob controle estatístico.
Limites estabelecidos de ( x  4x ) estão dentro dos limites das especificações, havendo folga
igual ou superior a (2 x) , logo todos os produtos satisfazem as especificações dentro da
16.999
probabilidade mínima de 99,99% (= ).
17.000
Figura 30 Capaz sob controle
As especificações recomendadas para a gerência são:

deixar como está, é mais econômico;
utilizar para controle os gráficos x e R;
e o pré controle por meio da auto inspeção.
Caso 2 - Processo sob controle mas incapaz
Nesse caso, o processo não está capacitado para produzir dentro dos limites das
especificações.
Pelo gráfico podemos ver que as características básicas são:
variação devido causas comuns (aleatórias) em torno da linha média e dentro dos limites de controle;
processo sob controle estatístico;
limites estabelecidos de ( x  4x ) estão fora dos limites das especificações;
porcentagem significativa de produtos não satisfaz as especificações;
só pode ser corrigido pela gerência/ supervisão através de mudança no sistema;
representam em média 85% dos problemas.

CEP CEC UCP
Figura 31 Incapaz sob controle
As ações requeridas da gerência são:

Investigar forma de passar para o caso 1, através de mudança no sistema envolvendo:
estudos das fontes/ razões das variações;
novas máquinas / materiais/ métodos / treinamento / etc.
revisão das especificações.
Controlar os níveis de não conformidade;
desenvolver tecnologia da inspeção para separar as boas das defeituosas;
investigar alternativas para uso das defeituosas;
utilizar os gráficos de controle adequado ao caso.
Não usar pré-controle; os gráficos podem ser: x - R, c, p, u, etc.
Caso 3 - Processo capaz mas fora de controle
Estando o processo sob controle estatístico, sua capacidade foi determinada mostrando-se o
processo capaz de fornecer produtos de acordo com as especificações. Entretanto, num determinado
momento, ele passa a apresentar instabilidade que pode resultar em produtos inaceitáveis.
O gráfico mostra as principais características deste caso, que são:
limites estabelecidos com ( x  4x ) dentro das especificações;
processo capaz mais instável;
a distribuição da população não é em forma de sino perfeita, devido a existência de variáveis causais;
variações fora dos limites de controle devido causas especiais (fatores causais);
pode ocorrer porcentagem de produtos fora das especificações, devido as variações;
as causas das variações estão dentro do processo, logo, podem ser identificadas e eliminadas pelas
pessoas envolvidas diretamente com o processo (operador, supervisão local ou pessoal de apoio
imediato).
As ações requeridas neste caso devem ser no sentido de eliminar a instabilidade. Isto pode (e
deve) ser feito pelo próprio pessoal da área, utilizando-se das técnicas de análise e solução de
problemas.

CEP CEC UCP
Figura 32 - Capaz fora de controle
Assim sendo, deve-se:

investigar as causas especiais e eliminá-las movendo para o caso 1; a seguir pode-se utilizar o pré-
controle;
utilizar condições especiais de trabalho para prevenir de forma efetiva enquanto o processo estiver
fora de controle.
Caso 4 - Processo fora de controle e incapaz
Esta é a pior situação que podemos ter em um processo. É um verdadeiro fabricante de

problemas e causador de prejuízos. Neste caso podemos ver pelo gráfico, temos uma somatória das
características já citadas nos casos 2 e 3, o que exigirá ação gerencial efetiva na condução de estudos
e análises e solução de problemas para eliminar as causas especiais e mudanças no sistema para
melhorar a capacidade do processo.
Figura 33 Incapaz e fora de controle
As ações requeridas são:

analisar e remover através das técnicas de análise e solução de problemas as variações devido às
causas especiais para mover, para o caso 2 (de instável para estável);
mudar o sistema enquanto as variações devido às causas comuns para passar do caso 2 para o caso 1
(de incapaz para capaz).

CEP CEC UCP
Cumpre ressaltar que os 4 casos analisados representam situações características. Existem

inúmeros casos intermediários que exigirão ações intermediárias e parciais entre um caso e outro.
6.2. ÍNDICE DE CAPACIDADE DE PROCESSO - I.C.P.

Dependendo de como o processo se comporta, são requeridas ações específicas.
Para facilitar e orientar melhor a tomada das decisões e ações, foi desenvolvido o índice de
capacidade do processo (ICP).
tolerância
ICP   100 (6.1)
8x
Assim, um processo é considerado capaz quando ICP for igual ou maior que 100%.
Dependendo do maior ou menor ICP o processo pode ser classificado em 4 níveis, conforme a tabela
6.1, que serve de orientação para as ações:
Tabela 11 Nível do processo de acordo com o ICP

ICP NÍVEL DO PROCESSO CONCEITO
EXCELENTE - altamente confiável , os
150% ou maior A operadores do processo exercem completo
tol  12x controle sobre o mesmo, pode-se utilizar o pré-
controle e a auto-inspeção.
CAPAZ - Relativamente confiável, os

100% até 149% B operadores do processo exercem completo
8x  tol < 12x controle das operações, e o controle da
qualidade aplica monitoria e fornece
informações para prevenir a deterioração do
processo.
RELATIVAMENTE INCAPAZ - Pouco confiável,

75% até 99% C requer controle contínuo das operações, tanto
6x  tol < 8x pela manufatura como pelo controle da
qualidade, para evitar constantes descontroles
e perdas devido refugos, retrabalhos,
paralizações,etc.
TOTALMENTE INCAPAZ - O processo não tem

menor que 75% D condição de manter as especificações ou
tol < 6x padrões, por isso é requerido o controle,
revisão e seleção de 100% das peças, produtos
ou resultados.
Tabela 6.1
Assim, os processos que se situam nos níveis A ou B, exigem nenhum ou pouco controle
externo.
Para os processos que estão nos níveis C e D, providências corretivas são requeridas,
envolvendo:
a) mudar o sistema, quando nada mais pode ser melhorado dentro do processo, ou seja, o
processo dentro do seu nível tecnológico está dando o máximo que pode e as variações são
todas do tipo aleatórias;
b) melhorar o equipamento e / ou o processo, quando existe dentro do processo algum fator de
deficiência identificado (desgaste da máquina ou ferramentas, despreparo do operador,
flutuações excessivas, etc.);
c) alterar as especificações ou padrões, quando são excessivamente (e desnecessariamente)
rigorosos

CEP CEC UCP
6.3. MINI-CAPACIDADE OU CAPACIDADE DE MÁQUINA

Para avaliação rápida da capacidade específica de um equipamento, um posto de controle,
uma ferramenta, um operador, um conserto, utiliza-se frequentemente o método de avaliação de
curto prazo, conhecido também por mini-capacidade ou capacidade de máquina.
Esse método de avaliação parcial do processo, por ser bem simples, apresenta larga aplicação
dentro das empresas que utilizam regularmente o CEP nas suas operações.
O estudo da mini capacidade é feito verificando peça a peça. Devem ser utilizadas sempre 10
peças consecutivas. Quando se tratar de máquinas multi-fuso, moldes múltiplos, várias cavidades, etc.,
devem ser retiradas 10 peças consecutivas de cada fuso, molde ou cavidade, calculando-se a
capacidade de cada um.
Procedimento:
toma-se uma amostra de 10 peças consecutivas e verifica-se sua amplitude; R= Xmáx-Xmín.;
multiplica-se a amplitude por 2. Essa é a capacidade de máquina (6  x);
calcula-se o índice de capacidade de máquina:
tol  100 tol  75
ICm = ou (6.2)
8 capacidade
Exemplo:
Verificar a capacidade da máquina n o 3.
Peças fabricadas: eixo do mecanismo do vidro da janela
Características: diâmetro de eixo
Especificações: 15,00mm  0,10mm
(campo da tolerância  15,10 - 14,90 = 0,20mm)
Tabela 12 Valores amostras

Amostra Valores do diâmetro
1 14,97
2 14,98
3 15,01
4 15,00
5 15,02
6 14,99
7 15,03
8 15,02
9 15,01
10 15,00
Cálculo da amplitude da amostra

R = Xmax  Xmin  15,03  14,97  0,06
Cálculo da capacidade
Capacidade  2  R  2  0,06 = 0,12
Cálculo do índice de capacidade de máquina.

tol  75 0,2  75
ICm = 
capacidade 0,12
ICm = 125%, portanto máquinas classe B. (tabela 6.1)

CEP CEC UCP
6.4. INTERPRETAÇÃO DE GRÁFICOS DE CONTROLE

Algumas situações mais comumente encontradas
Quando surge uma situação de um ponto fora do controle, (Fig. 34) deve-se procurar algo no
processo que tenha causado o problema. Quando antes detectar o problema mais fácil encontrar a
causa e corrigir.
Figura 34 Amostra fora do limite de controle
Interpretação dos gráficos, situações que também indicam descontrole:
Situação A. Pontos do mesmo lado da linha central (Fig. 35)

7 consecutivos
10 em 11
12 em 14
Figura 35 Pontos do mesmo lado
Caracteriza desvio do processo. Deve ser centralizado antes de prosseguir.
Situação B. Sequências crescente ou decrescente. (Fig. 36)

Procurar causas como:
ferramenta gasta
fadiga do operador
Figura 36 Sequências tendenciosas

CEP CEC UCP
Situação C. Pontos próximos dos limites (Fig. 37)

(2 em 5 pontos consecutivos) indicam mudanças ou variabilidade causal.
Figura 37 Pontos afastados da linha central
Situação D. Aproximação da linha central redução das variações aleatórias devido a melhoria estável
no processo (Fig. 38). Novos limites devem ser determinados.
Figura 38 Pontos próximos a linha central
Situação E. Ciclos (Fig. 39)

Quando um gráfico apresenta sequências acima e sequências abaixo periodicamente deve-se procurar
causas de natureza periódica como início do ajuste, rotação de operadores, período de aquecimento,
etc.
Figura 39 Ciclos
Situação F. Saltos no nível (Fig. 40)

Uma mudança brusca no nível indica mudanças bruscas no processo. Deve-se procurar causas como
novo operador, novo ajuste, mudança de material, etc.

CEP CEC UCP
Figura 40 Saltos de nível
Situação G. Duas populações (Fig. 41)

Se existirem poucos pontos próximos da linha central, provavelmente estarão existindo 2 populações.
Figura 41 Duas populações
É necessário separar os dados como 2 máquinas 2 fornecedores, 2 operadores, etc.
Situação H. Pontos fora de um dos limites (Fig. 42)

Quando diversos pontos começam a cair fora de um dos limites sem aparente tendência, salto ou ciclo
existe provavelmente duas populações diferentes. Procurar causas como algumas peças de fornecedor
diferente, operador substituído, etc.
Figura 42 Pontos fora dos limites
6.5. TESTE CHI-QUADRADO

Utilizaremos o teste de hipótese X2 para verificar a normalidade da distribuição estatística da
variável. Trata-se de um teste simples baseado na diferença entre as frequências observada e
esperada.
X2 é uma variável aleatória que flutua a cada amostra e objetiva estabelecer uma medida global
dos desvios entre os valores observados e esperados.
K
(0i  Ei ) 2
X2    (6.3)
i 1 Ei

CEP CEC UCP
onde, k = número de células

Oi = quantidade observada na célula “i”
Ei = quantidade esperada na célula “i”
e os valores críticos da X2 (pontos que levam a determinados riscos de erro na decisão) são tabelados
em função dos graus de liberdade de parâmetros da distribuição em teste.
v = k - 1 – nº (6.4)
nº - número de parâmetros incertos;

k - número de células.
Exemplo:
Suponhamos que 250 valores medidos tenham sido agrupados, em cinco células, da seguinte
maneira:
X < 12 O1 = 7
12≤ X < 15 O2 = 49
15≤ X < 18 O3 = 109
18 ≤ X < 21 O4 = 67
X > 21 O5 = 18
Supondo que, por hipótese, a distribuição seja normal e que estimamos os seguintes
parâmetros dos valores observados:
  16,998  17
  2,7
Calculando as áreas sob a curva normal e multiplicando o valor encontrado por 250, temos:
12−17
p (X < 12) z= = 0,03 A = 0,03 E1 = 250  0,03 = 7,5
2,4
p (12≤ X < 15) z = 0,20 A = 0,20 E2 = 250  0,20 = 50

p (15≤ X < 18) z = 0,41 A = 0,41 E3 = 250  0,41 = 102,5
p (18≤ X < 21) z = 0,29 A = 0,29 E4 = 250  0,29 = 72,5
p (X > 21) z = 0,07 A = 0,07 E5 = 250  0,07 = 17,5
Utilizando (6.3) e (6.4)
( 7  7 ,5) 2 ( 49  50) 2 (109  102 ,5) 2 ( 67  72 ,5) 2 (18  17 ,5) 2

2
X =      0,82
7 ,5 50 102 ,5 72 ,5 17 ,5
v=5-1-2=2
Utilizando-se a tábua 4 do apêndice para um valor arbitrado de x= 0,10, temos:
X2 = 4,61> 0,82 (valor encontrado acima)

Logo, não podemos rejeitar a hipótese, ou seja, provavelmente trata-se de uma curva normal.
Recomenda-se que, na definição das células, seja estabelecida uma frequência absoluta
teórica (E1) maior ou igual a 5, mas sempre considerando a limitação de que a redução do número de
células k e dos graus de liberdade diminui a sensibilidade do teste.

CEP CEC UCP
7. BIBLIOGRAFIA
COSTA, A. F. B.; EPPRECHT, E. K.; CARPINETTI, L. C. R. Controle Estatístico de Qualidade. 2 ed. São
Paulo: Atlas, 2005.
FEIGENBAUM, Armand V. Controle da Qualidade Total: métodos estatísticos aplicadas à qualidade.
Tradução de Regina Cláudia Loverri. Makron Books, 1994. 4v.
General Motors – Brasil. Controle Estatístico do Processo. Apostila. São Paulo, , GM, 1986.
GRANT, Eugene L. Statitical Quality Control, New York, Mcgraw-Hill Book Company, 1952.
JURAN, J.M. (Ed) (1951), Quality Control Handbook, , New York, Mcgraw-Hill, 1951.
LOURENÇO FILHO, R. C. B. Controle Estatístico da Qualidade. 2 ed. Rio de Janeiro: Livros Técnicos e
Científicos, 1986.
MONTGOMERY, D. C. Introdução ao Controle Estatístico da Qualidade. 4ª ed. LTC, 2004.

CEP CEC UCP
8 APÊNDICES
8.1 Tábua 1 - DISTRIBUIÇÃO NORMAL
a) Áreas 1 (z0) = P (0  z  z 0 ) para z0 = (x -  )/  , (positivo)
Z0 I (z0) Z0 I (z0) z0 I (z0) z0 I (z0) z0 I (z0) z0 I (z0)
0,00 0,0000 0,60 0,2257 1,20 0,3849 1,80 0,4641 2,40 0,4918 3,00 0,4987
0,05 0,0199 0,65 0,2422 1,25 0,3944 1,85 0,4678 2,45 0,4929 3,05 0,4989
0,10 0,0398 0,70 0,2580 1,30 0,4032 1,90 0,4713 2,50 0,4938 3,10 0,4990
0,15 0,0596 0,75 0,2734 1,35 0,4115 1,95 0,4744 2,55 0,4946 3,15 0,4992
0,20 0,0793 0,80 0,2881 1,40 0,4192 2,00 0,4772 2,60 0,4953 3,20 0,4993
0,25 0,0987 0,85 0,3051 1,45 0,4279 2,05 0,4798 2,65 0,4960 3,25 0,4991
0,30 0,1179 0,90 0,3159 1,50 0,4332 2,10 0,4821 2,70 0,4965 3,30 0,4995
0,35 0,1368 0,95 0,3289 1,55 0,4394 2,15 0,4842 2,75 0,4970 3,35 0,4996
0,40 0,1554 1,00 0,3413 1,60 0,4452 2,20 0,4861 2,80 0,4974 3,40 0,4997
0,45 0,1736 1,05 0,3531 1,65 0,4505 2,25 0,4878 2,85 0,4978 3,50 0,4998
0,50 0,1915 1,10 0,3643 1,70 0,4554 2,30 0,4893 2,90 0,4981 3,70 0,4999
0,55 0,2088 1,15 0,3749 1,75 0,4599 2,35 0,4906 2,95 0,4984 3,90 0,5000
b) Áreas simétricas nas caudas
Área Z /2 Área Z /2 Área Z /2 Área Z /2
0,001 3,291 0,01 2,576 0,06 1,881 0,20 1,282

0,002 3,090 0,02 2,326 0,07 1,812 0,30 1,036
0,003 2,968 0,03 2,170 0,08 1,751 0,40 0,842
0,004 2,878 0,04 2,054 0,09 1,695 0,50 0,674
0,005 2,807 0,05 1,960 0,10 1,645 0,60 0,524

CEP CEC UCP
8.2 Tábua 2 – FATORES PARA CÁLCULO DOS LIMITES EM GRÁFICOS DE CONTROLE

(Sistema Norte Americano)
Tamanho Gráfico da média Gráfico da Amplitude Gráfico do desvio-padrão

da Amostra Limites de controle Linha média Limites de Controle Linha média Limites de Controle
n A A1 A2 d2 d3 D1 D2 D3 D4 C2 1/C2 B1 B2 B3 B4
2 2,121 3,760 1,880 1,128 0,853 0 3,683 0 3,267 0,5642 1,7725 0 1,843 0 3,267
3 1,732 2,394 1,023 1,693 0,888 0 4,358 0 2,575 0,7236 1,3820 0 1,858 0 2,568
4 1,500 1,880 0,729 2,059 0,880 0 4,698 0 2,282 0,7979 1,2533 0 1,808 0 2,266
5 1,342 1,596 0,577 2,326 0,864 0 4,918 0 2,115 0,8407 1,1894 0 1,756 0 2,089
6 1,225 1,410 0,483 2,534 0,848 0 5,078 0 2,004 0,8686 1,1512 0,026 1,711 0,030 1,970
7 1,134 1,277 0,419 2,704 0,833 0,205 5,203 0,076 1,924 0,8882 1,1259 0,105 1,672 0,118 1,882
8 1,061 1,175 0,373 2,847 0,820 0,387 5,307 0,136 1,864 0,9027 1,1078 0,167 1,638 0,185 1,815
9 1,000 1,094 0,337 2,970 0,808 0,546 5,394 0,184 1,816 0,9139 1,0942 0,219 1,609 0,239 1,761
10 0,949 1,028 0,308 3,078 0,797 0,687 5,469 0,223 1,777 0,9227 1,0837 0,262 1,584 0,284 1,716
Fórmulas para cálculo dos limites em gráficos de controle (sistema norte-americana)
Norma Conhecida Norma Desconhecida

Gráfico de Controle da Linha Limites de Linha Limites de
Média Controle Média Controle
Média, por   𝑋̿ 𝑋̿ ± A1𝑠̅
Média, porR   𝑋̿ 𝑋̿ ± A2𝑅̅
Desvio-Padrão d2σ B1σB2σ 𝑠̅ B3𝑠̅ B4𝑠̅
Amplitude d2σ D1σD2σ 𝑅̅ D3𝑅̅ D4𝑅̅

CEP CEC UCP
8.3 Tábua 3 — FATORES PARA CÁLCULO DOS LIMITES EM GRÁFICOS DE CONTROLE

(Sistema Inglês)
Gráfico da Média Gráfico da Amplitude
Tamanho
da Amostra Fator de Fator Fator Fator Fator Fator Fator
Advertência de Sup. de Sup. de Inf. de Inf. de de Trans-
n a1 Ação Ação Advert. Advert. Ação formação
a2 b1 b2 b3 b4 d2
2 1,229 1,937 4,12 2,81 0,04 0,00 1,128

3 0,668 1,054 2,98 2,17 0,18 0,04 1,693
4 0,476 0,750 2,57 1,93 0,29 0,10 2,059
5 0,377 0,594 2,34 1,81 0,37 0,16 2,326

6 0,316 0,498 2,21 1,72 0,42 0,21 2,534
7 0,274 0,432 2,11 1,66 0,46 0,26 2,704
8 0,244 0,384 2,04 1,62 0,50 0,29 2,847

9 0,220 0,347 1,99 1,58 0,52 0,32 2,970
10 0,202 0,317 1,93 1,56 0,54 0,35 3,078
Gráfico da média:
Linha média LM = x
Limite superior de advertência LS0,95 = x  a1  R
Limite inferior de advertência LI0,95 = x  a1  R
Limite Superior de ação LS0,998 = x  a2  R
Limite inferior de ação Li0,998 = x  a2  R
Gráfico da amplitude:
Linha média LM = R
Limite superior de ação LS0,998 = b1R
Limite superior de advertência LS0,95 = b2  R
Limite inferior de advertência LS0,95 = b3 R
Limite inferior de ação LS0,998 = b4 R
Estimação de  :   R / d2

CEP CEC UCP
8.4 Tábua 4- DISTRIBUIÇÃO X2 (Chi-quadrada).

VALORES DE XV,P\ ONDE P (Xv2 >XV, P2)
0,995 0,99 0,975 0,95 0,90 0,75 0,50 0,25 0,10 0,05 0,025 0,01 0,005 0,001
1 0,0000393 0,000 157 0,000982 0,00393 0,0158 0,102 0,455 1,323 2,706 3,841 5,024 6,635 7,879 10,828 1
2 0,0100 0,0201 0,0506 0,103 0,211 0,575 1,386 2,773 4,605 5,991 7,378 9,210 10,597 13,816 2
3 0,0717 0,115 0.216 0,352 0,584 1,213 2,366 4,108 6,251 7,815 9,348 11,345 12,838 16,266 3
4 0,207 0,297 0,484 0,711 1,064 1,923 3,357 5,385 7,779 9,488 11,143 13.277 14,860 18,467 4
5 0,412 0,554 0,831 1,145 1,610 2,675 4,351 6,626 9,236 11,070 12,832 15,086 16,750 20,515 5
6 0,676 0,872 1,237 1,635 2.204 3,455 5,348 7,841 10,645 12,592 14,449 16,812 18,548 22,458 6
7 0,989 1,239 1,690 2,167 2,833 4,255 6,346 9.037 12,017 14,067 16,013 18,475 20,278 24.322 7
8 1,344 1,646 2,180 2,733 3,490 5,071 7,344 10,219 13,362 15.507 17,535 20,090 21,955 26.125 8
9 1,735 2,088 2,700 3,325 4,168 5.899 8,343 11,389 14,684 16,919 19,023 21,666 23,589 27,877 9
10 2,156 2,558 3,247 3,940 4,865 6.717 9,342 12,549 15,987 18.307 20,483 23,209 25,188 29,588 10
11 2,603 3,053 3,816 4,575 5,578 7,584 10,341 13,701 17,275 19,675 21,920 24,725 26,757 31,264 11
12 3,074 3,571 4,404 5,226 6,304 8,438 11,340 14,845 18,549 21,026 23,337 26,217 28,300 32,909 12
13 3,565 4,107 5,009 5,892 7,042 9,299 12,340 15,984 19,812 22.362 24,736 27,688 29,819 34,528 13
14 4,075 4,660 5,629 6,571 7,790 10,165 13,339 17,117 21,064 23,685 26,119 29,141 31,319 36,123 14
15 4,601 5,229 6,262 7,261 8,547 11,036 14,339 18,245 22,307 24.996 27,488 30,578 32,801 37,697 15
16 5,142 5,812 6,908 7,962 9,312 11,912 15,338 19,369 23,542 26,296 28,845 32,000 34,267 39.252 16
17 5,697 6.408 7,564 8,672 10,085 12.792 16,338 20,489 24,769 27,587 30,191 33,409 35,718 40,790 17
18 6,265 7,015 8,231 9,390 10,865 13,675 17,338 21,605 25,989 28,869 31,526 34,805 37,156 43,312 18
19 6,844 7,633 8,907 10,117 11,651 14,562 18,338 22,718 27,204 30,144 32,852 36,191 38,582 43.820 19
20 7,434 8,260 9,591 10,851 12,443 15,452 19,337 23,828 28,412 31,410 34,170 37,566 39,997 45,315 20
21 8,034 8,897 10,283 11,591 13,240 16,344 20,337 24,935 29,615 32,671 35,479 38,932 41,401 46,797 21
22 8,643 9,542 10,982 12,338 14,041 17,240 21,337 26,039 30,813 33,924 36,781 40,289 42,796 48,268 22
23 9,260 10,196 11,688 13,091 14,848 18,137 22,337 27,141 32,007 35,172 38,076 41,638 44,181 49,728 23
24 9,886 10,856 12,401 13,848 15,659 19,037 22,337 28,241 33,196 36,415 39,364 42,980 45,558 51,179 24
25 10,520 11,524 13,120 14,611 16,473 19,939 24,337 29,339 34,382 37,652 40,646 44,314 46,928 52,620 25
26 11,160 12,198 13,844 15,379 17,292 20,843 25,336 30,434 35,563 38,885 41,923 45,642 48,290 54,052 26
27 11,808 12,879 14,573 16,151 18,114 21,749 26,336 31,528 36,741 40,113 43,194 46,963 49,645 55,476 27
28 12,461 13,565 15,308 16,928 18,939 22,657 27,336 32,620 37,916 41,337 44,461 48,278 50,993 56,892 28
29 13,121 14,256 16,047 17,708 19,768 23,567 28,336 33,711 39,087 42,557 45,722 49,588 52,336 58,302 29
30 13,787 14,953 16,791 18,493 20,599 24,478 29,336 34,800 40,256 43,773 46,979 50,892 53,672 59,703 30
40 20,707 22,164 24,433 26,509 29,051 33,660 39,335 45,616 51,805 55,758 59,342 63,691 '66,766 73,402 40
50 27,991 29,707 32,357 34,764 37,689 42,942 49,335 56,334 63,167 67,505 71,420 76,154 79,490 86,661 50
60 35,535 37,485 40,482 43,188 46,459 52,294 59,335 66,981 74,397 79,062 83,298 88,379 91,952 99,607 60

CEP CEC UCP
8.5 Figura 1 – Modelo para gráfico de variáveis.

CEP CEC UCP
8.6 Figura 2– Modelo para gráfico de variáveis

CEP Apostila

Enviado por

Dados do documento

Descrição 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

CEP Apostila

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE CATÓLICA DE PETRÓPOLIS

Centro de Engenharia e Computação

Apostila da disciplina CEP para Engenharia.

[Digite aqui] 2 [Digite aqui]

6.3. MINI-CAPACIDADE OU CAPACIDADE DE MÁQUINA ............................................................. 49

[Digite aqui] 3 [Digite aqui]

Figura 1 Ciclo da qualidade .................................................................................................................... 7

[Digite aqui] 4 [Digite aqui]

Tabela 1 Resistência (ohms) de 100 bobinas elétricas. .......................................................................... 9

[Digite aqui] 5 [Digite aqui]

1.1. UM POUCO DE HISTÓRIA

[Digite aqui] 6 [Digite aqui]

1.4. A ESTATÍSTICA E A ISO 9000

20.1) Aplicações: A aplicação correta de métodos estatísticos modernos é um

[Digite aqui] 7 [Digite aqui]

20.2) Técnicas Estatísticas: Os métodos estatísticos específicos e suas

1.5. DEFINIÇÕES DE C.E.Q

[Digite aqui] 8 [Digite aqui]

2 ALGUNS CONCEITOS FUNDAMENTAIS DA ESTATÍSTICA

2.1. MÉTODOS DE SUMARIZAÇÃO DE DADOS

[Digite aqui] 9 [Digite aqui]

A tabela 3 mostra os valores organizados em 06 células de 0,03 ohm de extensão. Agrupar

Para construir uma distribuição de frequência, os seguintes passos são necessários:

1 Decidir o número de células. A Tabela 4 nos indica o número de células recomendadas em

Tabela 4 - Número recomendado de células em uma distribuição de frequências

3- Construa as células listando os seus limites, respeitado:

4- Marque cada observação dentro da célula apropriada e registre o total da frequência.

[Digite aqui] 10 [Digite aqui]

2.3. GRÁFICOS DE DISTRIBUIÇÃO DE FREQUÊNCIA.

Figura 2 Histograma Figura 3 Gráfico de barras

Figura 4 Polígono de frequências

Figura 5 Gráfico da frequência acumulada Figura 6 Gráfico da frequência acumulada

[Digite aqui] 11 [Digite aqui]

2.4. MEDIDAS DA MÉDIA E DISPERSÃO

2.5. A CURVA NORMAL

na qual a F(x) é a função de distribuição normal.

seus valores correspondem às ordenadas da curva da Fig 7.

[Digite aqui] 12 [Digite aqui]

Figura 7 – Distribuição normal

Tabela 5 - Valores de áreas da curva normal, em percentual.

[Digite aqui] 13 [Digite aqui]

Figura 8 - Áreas, em percentual, da curva normal

2.6. LIMITES DE CONTROLE E ESPECIFICAÇÕES

[Digite aqui] 14 [Digite aqui]

[Digite aqui] 15 [Digite aqui]

Resumindo: se o processo de fabricação não atender à tolerância da especificação, a

2.7.1 Identificação de anormalidades no processo

[Digite aqui] 16 [Digite aqui]

Figura 10 Processo X Especificação

2.7.3 Identificação e segregação dos fatores contribuintes

Se tivéssemos mais dados a respeito provavelmente concluiríamos que existiam:

[Digite aqui] 17 [Digite aqui]

Isso mostra como o histograma pode ajudar na solução de problemas e melhoria da

[Digite aqui] 18 [Digite aqui]

Figura 16 Desmembramento exemplo E

[Digite aqui] 19 [Digite aqui]

[Digite aqui] 20 [Digite aqui]

[Digite aqui] 21 [Digite aqui]

3.1. O PROCESSO SOB CONTROLE

[Digite aqui] 22 [Digite aqui]

_ o limite inferior de controle,   3 , correspondendo a linha inferior de controle, LIC.

As indicações de falta de controle são, portanto, as seguintes:

[Digite aqui] 23 [Digite aqui]