Cap9 - ME - Aplicações Da Estatística Na Gestão Da Qualidade

Estatística 2
9 – Ferramentas Estatísticas em Gestão da Qualidade
Professor Luciano Barboza da Silva

Caso de referência
• Você é o gerente do Beachcomber Hotel, um dos hotéis
da T. C. Resort Properties. Seu objetivo estratégico é
melhorar continuamente a qualidade dos serviços que
seus hóspedes recebem, de modo a fazer crescer o nível
geral de satisfação dos hóspedes. Para ajudar você a
alcançar essas melhorias a T. C. Resort ofereceu a seus
Métodos Estatísticos Prof. Luciano Barboza da Silva 2
Caso de referência
gerentes treinamento em metodologias de qualidade. A
fim de atender ao objetivo institucional de fazer crescer
a taxa de retorno dos hóspedes em seu hotel, você
decidiu concentrar o foco das primeiras impressões
críticas sobre os serviços que o hotel oferece. O quarto
reservado no hotel está pronto quando o cliente faz
Caso de referência
o registro de entrada? Todas as comodidades esperadas,
tais como toalhas suplementares e uma cesta de boas
vindas para os hóspedes, estão no quarto quando o
hóspede entra nele pela primeira vez? Todo o centro de
entretenimento de televisão e vídeo, bem como recursos
de acessos à internet de alta velocidade está
Caso de referência
funcionando adequadamente? E os hóspedes recebem
sua bagagem dentro de um intervalo de tempo razoável?
Para estudar essas questões sobre a satisfação dos
hóspedes, você embarcou em um projeto de melhoria
que se concentra no pré-requisito de quartos prontos e o
tempo necessário para que a bagagem seja entregue.
Caso de referência
Você gostaria de conhecer o seguinte:
– A proporção de quartos prontos e o tempo necessário para a

entrega da bagagem são aceitáveis?
– A proporção de quartos prontos e o tempo para entrega da

bagagem nos quartos se mostram constantes ao longo de
todos os dias ou estão se modificando?

Caso de referência
– Nos dias em que a proporção de quartos que não estão
prontos, ou em que o tempo para entrega da bagagem nos
quartos é maior do que o normal, isso se deve à ocorrência
do acaso ou são falhas fundamentais nos processos utilizados
para fazê-los?

Teoria dos Gráficos de Controle
• Processo: Transformação de insumos em produtos com
valor agregado;
• Insumos e Produtos de um processo podem envolver:

Equipamentos, Materiais, Métodos, Medições, Pessoas,
Ambiente

• Cada um dos insumos é uma fonte de
VARIABILIDADE que pode implicar na degeneração
da QUALIDADE dos produtos e serviços diminuindo a
SATISFAÇÂO dos consumidores;

• Gráficos de Controle (Walter Shewhart - 1920)
– Ferramentas estatísticas para Monitorar e Melhorar os

Processos;
– Em geral são utilizados em dois momentos distintos,

chamados FASES;

• Gráficos de Controle (Walter Shewhart - 1920)
– FASE 1 – Utilizado para estudar um processo existente de

modo a poder melhorá-lo;
– FASE 2: Utilizado para monitorar os resultados das ações de

melhorias sobre os processos;

• Diferentes tipos de Gráficos de Controle permitem que
se analise diferentes tipos de variáveis críticas para a
qualidade (CPQ);

• Vantagens dos Gráficos de Controle:
– Exposição visual dos dados;
– Metodologia para detecção de causas para a variabilidade

em processos;

• Tipos de Causas de Variações em Processos:
– Causas Especiais: Implicam grandes oscilações ou fortes

padrões nos dados e não fazem parte do processo em si. São
anomalias, problemas a ser resolvidos (também chamadas:
Causas de Variações Identificáveis)

• Tipos de Causas de Variações em Processos:
– Causas Comuns: Representam variações inerentes ao

processo, essencialmente ligadas à forma como o processo é
executado (também chamadas: Causas de Variações do
Aleatórias)

• Gráficos de Controle ajudam a evitar os seguintes erros:
– Classificar Causas Comuns como Causas Especiais. Esse

erro tem como implicação a Manipulação (ajustes
superdimensionados). Implicam em geral aumento da
variabilidade;

• Gráficos de Controle ajudam a evitar os seguintes erros
quanto a análise de processos:
– Classificar Causas Comuns como Causas Especiais. Esse

erro tem como implicação a Manipulação (ajustes
superdimensionados). Implicam em geral aumento da
variabilidade;

• Gráficos de Controle ajudam a evitar os seguintes erros
quanto a análise de processos:
– Classificar Causas Especiais como Causas Comuns,

implicando no relaxamento de medidas corretivas. Em geram
implica em aumento de variabilidade.

• Elementos de um Gráfico de Controle:
– Subgrupos: Amostra dos resultados de um processo ao longo

do tempo;
– Limites de Controle: São medidas que definem o intervalo

aceitável para um processo que só apresente variações
provocadas por Causas Comuns:

• Elementos de um Gráfico de Controle: Mais comuns
– Limite de Controle Superior (LCS);
– Limite de Controle Inferior (LCI);
• Linha Central: Tendência do processo:
– Linha Central (LC);

• Exemplos Gráficos:

• Processo Fora de Controle:
– Processos que apresentam padrões de medidas ou um certo

conjuntos de medidas fora do intervalo definidos pelos
limites de controle;
– Processos Fora de Controle apresentam variação provocadas

por Causas Especiais e por Causas Comuns;

• Processo Fora de Controle:
– As Causas Especiais devem ser analisadas:

• Causas Especiais prejudiciais à qualidade devem ser eliminadas;
• Causas Especiais que ajudam na qualidade devem ser incorporadas

ao processo;

• Processo Sob Controle:
– Possui apenas Causas Comuns de variabilidade;
– Se a variabilidade for aceitável para o mercado utiliza-se os

Gráficos de Controle apenas para monitoramento;
– Se a variabilidade não for aceitável implementa-se melhorias

no processo.
Gráficos de Controle com Atributos
• Gráficos de Controle para Proporções: Gráfico p k
k
 jn  X
j 1
j
j 1 p
n k
k n
j 1
j
X j  Número de itens não conformes no subgrupo j = 1,2,...,k

n j  Tamanho do subgrupo j = 1,2,...,k
k  Número total de subgrupos para construção dos limites
n  Média aritmética dos tamanhos dos subgrupos
p  Proporção de itens não conformes nos k grupos combinados
• Gráficos de Controle para Proporções: Gráfico p
p 1  p  p 1  p 
LCS  p  3 LCI  p  3
n n
LC  p

• Caso particular: subgrupos iguais
k
n
k k k k
j 1
j X
j 1
j X
j 1
j X
j 1
j n p
j 1
j
nj  n  n  n p k
  
n
k kn k k
j
j 1
Xj
pj   Proporção de itens não conformes no subgrupo j = 1,2,...,k
n

• Exemplo: Vamos retornar ao caso Beachcomber Hotel.
Durante o processo de esforço para a melhoria um
quarto não conforme foi definido como sendo um
quarto sem alguma das comodidades vendidas ou com
equipamento sem funcionar adequadamente quando do
registro do hóspede no hotel. Foram coletados dados
diários, durante quatro semanas, de 200 quartos e desses
anotou-se a quantidade de quartos não conformes em
cada amostra.

• Dados

• Como os subgrupos são iguais temos:
k
p j 1
j
0,080  0,035    0,100  0,110
p   0,0827
k 28
p1  p  0,08271  0,0827 
LCS  p  3  0,0827  3  0,1411
n 200
p1  p  0,08271  0,0827 
LCI  p  3  0,0827  3  0,0243
n 200
Processo sob Controle

• Exemplo: A tabela abaixo indica o número de ataduras
médicas produzidas diariamente, bem como o número
de ataduras não conformes, para um período de 32 dias.
Construa um gráfico de controle para esses dados.

• Dados:

• Como os subgrupos são diferentes, temos:
k
n
j 1
j  690  580    595  600  19926
k
n
j 1
j
19926
n   622,69
k 32
k
X j 1
j
21  22    24  16
p k
  0,034
n
19926
j
j 1

• Temos
p1  p  0,0341  0,034
LCS  p  3  0,034  3  0,056
n 622,69
p1  p  0,0341  0,034

LCI  p  3  0,034  3  0,012
n 622,69

Ponto a ser analisado pelos
Processo fora de Controle gestores par identificação de
causas especiais

• Gráficos de Controle para uma Área de Oportunidade:
Gráfico c
– Uma área de oportunidade é uma unidade individual de um

produto ou serviço, ou uma unidade de tempo, ou unidade de
espaço;
– Exemplo: Número de falhas por metro quadrado.

Gráfico c
– O processo para o gráfico c se ajusta a um processo de

Poisson, um processo de contagem;
– Nesse processo o desvio padrão é a raiz quadrada da media;

Gráfico c k
c
j 1
j
c
k
c j  Número de não conformidades na unidade j = 1,2,...,k

Gráfico c
LCS  c  3 c LCI  c  3 c
LC  c

• Exemplo: Para ajudar a estudar a qualidade dos serviços
no hotel no cenário do Beachcomber Hotel, você pode
utilizar o Gráfico para monitorar o número de
reclamações de clientes formuladas junto ao hotel. Caso
os hóspedes do hotel estejam insatisfeitos com qualquer
item referente às suas estadias, solicita-se que
preencham um formulário para reclamações de clientes.
No final de cada semana é registrado o número de
reclamações preenchidas. Neste exemplo uma
reclamação é uma não conformidade e a área de
oportunidade é a uma semana. Os dados obtidos são
listados na tabela abaixo.
• Dados

• Temos: k
c
j 1
j
8  10  6    5  4  4
c   6,24
k 50
LCS  c  3 c  6,24  3 6,24  13,734

LCI  c  3 c  6,24  3 6,24  1,25  0
LC  6,24
Processo fora de Controle
LC

• OBS:
– Note que o processo em nenhum momento ultrapassou os

limites de controle, mas apresenta padrões claros;
– Alguma causa especial, que deve ser identificada, causou um

padrão de comportamento (metade inferior acima da LC e a
metade final abaixo da LC)

• OBS:
– Claramente há uma causa especial que interfere

positivamente no processo. Esta causa deve ser entendida e
incorporada ao processo em si.

Gráfico de Controle para Amplitude e
Média Aritmética
• Vimos até agora gráficos para variáveis discretas
(utilizando proporção e contagem). Agora vamos
estudar gráficos de controle que envolvem medidas em
variáveis contínuas;

Média Aritmética
• Para as variáveis contínuas precisaremos monitorar em
separado:
– A tendência do processo (vamos fazer isso monitorando a

Média Aritmética);
– A variabilidade do processo (vamos fazer isso monitorando a

Amplitude Total do processo)

Média Aritmética
• Gráfico de Controle para Amplitude Total: Gráfico R
R j  max j  min j  Amplitude Total do subgrupo j = 1,2...,k

k
R
j 1
j
R  Amplitude Média dos subgrupos j = 1,2...,k

k
k  Número de subgrupos utilizados para construção das Linhas de
Controle
Média Aritmética
• Gráfico de Controle para Amplitude Total: Gráfico R
d3  d3 
LCS  R  3R  R 1  3   D4 R
d2  d2 
d3  d3 
LCI  R  3R  R 1  3   D3 R
d2  d2 
LC  R

Média Aritmética
• Valores D3 e D4 são tabelados conforme tabela a
seguir:
Tamanho do
Subgrupo

Média Aritmética
• Exemplo:Retornemos ao caso Beachcomber Hotel.
Considere que definamos o montante de tempo para a
entrega de bagagens foi operacionalmente definido
como o tempo desde o momento que o hóspede
completa os procedimentos de entrada até o momento
em que a bagagem chega ao quarto. Dados foram
Média Aritmética
coletados e registrados ao logo de um período de quatro
semanas. Foram selecionados subgrupos diários de
cinco entregas no turno da tarde. Os dados foram
agrupados na tabela abaixo:

Média Aritmética
Dia Tempos de Entrega de Bagagens em Minutos Média Amplitude
1 6,7 11,7 9,7 7,5 7,8 8,68 5,0
2 7,6 11,4 9,0 8,4 9,2 9,12 3,8
3 9,5 8,9 9,9 8,7 10,7 9,54 2,0
4 9,8 13,2 6,9 9,3 9,4 9,72 6,3
5 11,0 9,9 11,3 11,6 8,5 10,46 3,1
6 8,3 8,4 9,7 9,8 7,1 8,66 2,7
7 9,4 9,3 8,2 7,1 6,1 8,02 3,3
8 11,2 9,8 10,5 9,0 9,7 10,04 2,2
9 10,0 10,7 9,0 8,2 11,0 9,78 2,8
10 8,6 5,8 8,7 9,5 11,4 8,80 5,6

Média Aritmética
11 10,7 8,6 9,1 10,9 8,6 9,58 2,3
12 10,8 8,3 10,6 10,3 10,0 10,00 2,5
13 9,5 10,5 7,0 8,6 10,1 9,14 3,5
14 12,9 8,9 8,1 9,0 7,6 9,30 5,3
15 7,8 9,0 12,2 9,1 11,7 9,96 4,4
16 11,1 9,9 8,8 5,5 9,5 8,96 5,6
17 9,2 9,7 12,3 8,1 8,5 9,56 4,2
18 9,0 8,1 10,2 9,7 8,4 9,08 2,1
19 9,9 10,1 8,9 9,6 7,1 9,12 3,0
20 10,7 9,8 10,2 8,0 10,2 9,78 2,7

Média Aritmética
21 9,0 10,0 9,6 10,6 9,0 9,64 1,6
22 10,7 9,8 9,4 7,0 8,9 9,16 3,7
23 10,2 10,5 9,5 12,2 9,1 10,30 3,1
24 10,0 11,1 9,5 8,8 9,9 9,86 2,3
25 9,6 8,8 11,4 12,2 9,3 10,26 3,4
26 8,2 7,9 8,4 9,5 9,2 8,64 1,6
27 7,1 11,1 10,8 11,0 10,2 10,04 4,0
28 11,1 6,6 12,0 11,5 9,7 10,18 5,4

Média Aritmética
k
• Temos: k  28 R
j 1
j  5,0  3,8    4,0  5,4  97,5
R
j 1
j
97,5
LC  R    3,482
k 28
LCS  D4 R  2,114  3,482  7,36 LCI  D3 R  0  3,482  0

Média Aritmética

Média Aritmética
• Gráfico para a Média Aritmética: Gráfico X :
k nj k
X
j 1
j X jr R
j 1
j
X Xj  r 1
R 
k n k
X jr  r-ésima, r = 1,2,...,n, observação do subgrupo j = 1,2,...,k

X j  Média aritmética do subgrupo j = 1,2,...,k
Média Aritmética
• Gráfico para a Média Aritmética: Gráfico X :
R
LCS  X  3  X  A2 R
d2 n
R
LCI  X  3  X  A2 R
d2 n
LC  X

Média Aritmética
• Exemplo: Retornando ao nosso exemplo do
Beachcomber Hotel, vamos fazer um gráfico de cotrole
para a média aritmética:

Média Aritmética
• Temos: k  28
k
k R j
R j 1
j  5,0  3,8    5,4  97,5 R
j 1
k

97,5
28
 3,482
k
k X j
265,38
X
j 1
j  8,68  9,12    10,18  265,38 LC  X    9,478
j 1 k 28

Média Aritmética
• Assim:
LCS  X  A2 R  9,478  0,577  3,482  11,487
LCI  X  A2 R  9,478  0,577  3,482  7,469
LC  9,478

Média Aritmética

Capacidade e Eficácia dos Processos
• Frequentemente torna-se necessário analisar o volume
de variação que pode ser suportada por um processo
dito sob controle:
– O volume de variação por causas comuns é suficientemente

pequeno, de modo que os consumidores permaneçam
satisfeitos?

Capacidade e Eficácia dos Processos
– Por outro lado, seria o volume de variabilidade tão grande
que ameace a satisfação dos clientes?
• Essas questões estão relacionadas à noção de eficácia.
• Define-se Eficácia do Processo como a capacidade do

processo de atender constantemente os requisitos
especificados com vistas a satisfação do consumidor.
Satisfação dos Clientes e Limite de
Especificação
• Qualidade é definida pelo cliente;
• Uma empresa que deseja oferecer qualidade deve ser

capaz de traduzir as expectativas dos consumidores em
termos de Variáveis Críticas para a Qualidade (CPQ)

Especificação
• Limites de Especificação: Requisitos técnicos
estabelecidos pela empresa em resposta às necessidades
dos clientes:
– LES – Limite de Especificação Superior: Valor mais alto que

uma variável CPQ pode assumir de modo que o processo
satisfaça os requisitos de qualidade estabelecidos;

Especificação
– LEI – Limite de Especificação Inferior: Valor mais baixo que
uma variável CPQ pode assumir de modo que o processo
satisfaça os requisitos de qualidade estabelecidos;
• Exemplo: No caos do Beachcomber Hotel, uma variável

CPQ pode ser o tempo de entrega da bagagem dos
clientes. O Hotel deve ser capaz de estabelecer um LES
Especificação
e um LEI para essa medida, de modo que garanta a qualidade para
os clientes. Como para os clientes quanto menor o tempo de
entrega melhor, temos que o LEI não existe, ou seja, é zero.
• Uma forma de analisar a eficácia de um processo sob

controle é determinar o percentual de ocorrências dentro do
intervalo [LEI, LES];

Especificação
• Abordagem Probabilística: Considere X uma Variável
CPQ. Suponhamos:
X ~ N , 2  
• Temos:
R
X 
d2

Especificação
onde:
k k
X
j 1
j R j
X R
j 1
k k
X j  Média aritmética do subgrupo j =1,2,...,k
R j  Amplitude do subgrupo j =1,2,...,k

Especificação
Assim a Eficácia do Processo pode ser medida como:
– Para variáveis com LEI e LES
 LEI  X LES  X 
Eficácia  PLEI  X  LES   P  Z 
 R d2 R d2 
 

Especificação
– Para variáveis apenas com LEI:
 LEI  X 
Eficácia  P X  LEI   P Z 
 
 R d2 
 
– Para variáveis apenas com LEI:
 LES  X 
Eficácia  P X  LES   P Z 
 
 R d2 
 
Especificação
• Exemplo: Considerando mais uma vez o caso da entrega
de bagagens do Beachcomber Hotel. Imaginemos que a
gerência do Hotel tenha instituído uma política em que
99% de todas as bagagens devem ser entregues em 14
minutos ou menos.

Especificação
Temos:
k
X
j 1
j
8,68  9,12    10,18
X   9,478
k 28
k
R
j 1
j
5,0  3,8    5,4
R   3,482
k 28
n  5  d 2  2,326
Especificação
Assim, como o tempo de entrega de bagagem não
possui LEI, temos:
 
Eficácia  P X  LES   P Z 
 LES  X   P Z  14  9,478 
   
 R d2   3, 482 2,326 
Eficácia  PZ  3,02  0,99874

Especificação
Conclusão: Como a eficácia do processo é igual a
0,99874 > 0,99 (valor meta) concluímos que o processo
é eficaz, ou seja, mais de 99% dos hóspedes recebem
suas bagagens em menos de 14 minutos.

Índices de Eficácia
• Indicador Cp:
– Dispersão de Especificação: LES – LEI;
– Dispersão de Processo: 6 R d 2
Temos:
Dispersão de Especificação LES  LEI
Cp  
Dispersão de Processo 6R d 2

• OBS:
– O Cp é uma medida potencial, com a seguinte interpretação:

• Se o Cp ≥ 1 e a média aritmética do processo estiver
aproximadamente no centro do intervalo [LIS, LES], então pelo
menos 99,37% das observações dos subgrupos estarão no intervalo
[LIS, LES];

• OBS:
• Se o Cp < 1 indica que o processo não é muito eficaz em atender as
exigências dos clientes;
– Podemos verificar que P (-3 < Z < 3) = 0,9973. Por isso essa
medida servirá como referência na avaliação do Cp;

• Índices CPI, CPS e Cpk:
– Para medir o desempenho do sistema em termos de seu

desempenho real utilizamos os indicadores:
X  LEI LES  X
CPI  CPS 
3R d 2 3R d 2
C pk  min CPI , CPS 

• Interpretação
– Se CPI (CPS) ≥ 1 indica que o intervalo inferior (superior)

do intervalo [LIS, LES] é suficientemente grande para conter
a variação dos dados, o que significa que o processo é
eficiente;

• Interpretação
– Se CPI (CPS) < 1 indica que o intervalo inferior (superior)

do intervalo [LIS, LES] é insuficientemente para conter a
variação dos dados, o que significa que o processo é
ineficiente;

• Interpretação
– Como Cpk é o mínimo entre as duas medidas CPI e CPS é

uma medida ainda mais conservadora. Cpk ≥ 1 indica que
ambos, CPI e CPS são pelo menos 1, o que garante a
eficiência do processo;

• Interpretação
– Como Cpk é o mínimo entre as duas medidas CPI e CPS é

uma medida ainda mais conservadora. Cpk < 1 indica que o
processo é ineficiente para alcançar algum dos limites
estabelecidos par manutenção da qualidade.

• Exemplo: Considere que um produtor de refrigerantes
envase a bebida em garrafas de 350 ml. O LEI é de
349,5 ml e o LES de 360,21 ml. A cada hora são
selecionadas quatro garrafas e as medidas de amplitude
e média de cada subgrupo são inseridas em gráficos de
controle. Ao final de 24 horas é estudada a eficácia
do processo. Suponha que os gráficos de controle
indiquem que o processo está sob controle e os seguinte
cálculos sejam registrados:
n  4 X  354 ml R  2,96 ml

1. Calcule a eficácia potencial do processo por meio do Cp;
2. Calcule a eficácia real do processo por meio do CPI, CPS e

Cpk;
Interprete os resultados.

1. Calcule a eficácia potencial do processo por meio do Cp;
LEI  349,56 LES  360,21 n  4  d 2  2,059 R  2,96 ml
LES  LEI 360,21  349,56

Cp    1,23
6R d 2 6  2,96 2,059

Especificação
Conclusão: Como Cp é maior que 1 então nosso
processo tem potencialmente capacidade de manter sua
qualidade, para isso basta que consigamos estabelecer a
média do processo no centro do intervalo [LEI, LES]

Cpk;
LEI  349,56 LES  360,21 n  4  d 2  2,059
R  2,96 ml X  354 ml
X  LEI 354  349,56

CPI    1,02
3R d 2 3  2,96 2,059

Cpk;
LEI  349,56 LES  360,21 n  4  d 2  2,059
R  2,96 ml X  354 ml
LAS  X 360,21  354

CPS    1,44
3R d 2 3  2,96 2,059
Métodos Estatísticos C pk  min CPI , CPS 

Prof. Luciano Barboza da Silva 95
Cpk;
C pk  min CPI , CPS   min 1,02 ;1,44  1,02

Especificação
Conclusão: Como Cpk > 1, temos que ambos, CPI e CPS
são maiores que 1, o que significa que nosso processo é
realmente eficaz. Note que isso se deve ao fato de temos
a média do processo próxima à linha média do intervalo
[LEI, LES]

Cap9 - ME - Aplicações Da Estatística Na Gestão Da Qualidade

Enviado por

Dados do documento

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

Cap9 - ME - Aplicações Da Estatística Na Gestão Da Qualidade

Enviado por

Direitos autorais:

Formatos disponíveis

Estatística 2

9 – Ferramentas Estatísticas em Gestão da Qualidade

Professor Luciano Barboza da Silva

– A proporção de quartos prontos e o tempo necessário para a

– A proporção de quartos prontos e o tempo para entrega da

Métodos Estatísticos Prof. Luciano Barboza da Silva 6

Métodos Estatísticos Prof. Luciano Barboza da Silva 7

• Insumos e Produtos de um processo podem envolver:

Métodos Estatísticos Prof. Luciano Barboza da Silva 8

Métodos Estatísticos Prof. Luciano Barboza da Silva 9

– Ferramentas estatísticas para Monitorar e Melhorar os

– Em geral são utilizados em dois momentos distintos,

Métodos Estatísticos Prof. Luciano Barboza da Silva 10

– FASE 1 – Utilizado para estudar um processo existente de

– FASE 2: Utilizado para monitorar os resultados das ações de

Métodos Estatísticos Prof. Luciano Barboza da Silva 11

Métodos Estatísticos Prof. Luciano Barboza da Silva 12

– Exposição visual dos dados;

– Metodologia para detecção de causas para a variabilidade

Métodos Estatísticos Prof. Luciano Barboza da Silva 13

– Causas Especiais: Implicam grandes oscilações ou fortes

Métodos Estatísticos Prof. Luciano Barboza da Silva 14

– Causas Comuns: Representam variações inerentes ao

Métodos Estatísticos Prof. Luciano Barboza da Silva 15

– Classificar Causas Comuns como Causas Especiais. Esse

Métodos Estatísticos Prof. Luciano Barboza da Silva 16

– Classificar Causas Comuns como Causas Especiais. Esse

Métodos Estatísticos Prof. Luciano Barboza da Silva 17

– Classificar Causas Especiais como Causas Comuns,

Métodos Estatísticos Prof. Luciano Barboza da Silva 18

– Subgrupos: Amostra dos resultados de um processo ao longo

– Limites de Controle: São medidas que definem o intervalo

Métodos Estatísticos Prof. Luciano Barboza da Silva 19

– Limite de Controle Superior (LCS);

– Limite de Controle Inferior (LCI);

• Linha Central: Tendência do processo:

– Linha Central (LC);

Métodos Estatísticos Prof. Luciano Barboza da Silva 20

Métodos Estatísticos Prof. Luciano Barboza da Silva 21

– Processos que apresentam padrões de medidas ou um certo

– Processos Fora de Controle apresentam variação provocadas

Métodos Estatísticos Prof. Luciano Barboza da Silva 22

– As Causas Especiais devem ser analisadas:

• Causas Especiais que ajudam na qualidade devem ser incorporadas

Métodos Estatísticos Prof. Luciano Barboza da Silva 23

– Possui apenas Causas Comuns de variabilidade;

– Se a variabilidade for aceitável para o mercado utiliza-se os

– Se a variabilidade não for aceitável implementa-se melhorias

X j  Número de itens não conformes no subgrupo j = 1,2,...,k

Métodos Estatísticos Prof. Luciano Barboza da Silva 26

Métodos Estatísticos Prof. Luciano Barboza da Silva 27

Métodos Estatísticos Prof. Luciano Barboza da Silva 29

Métodos Estatísticos Prof. Luciano Barboza da Silva 30

Métodos Estatísticos Prof. Luciano Barboza da Silva 32

Métodos Estatísticos Prof. Luciano Barboza da Silva 33

Métodos Estatísticos Prof. Luciano Barboza da Silva 34

Métodos Estatísticos Prof. Luciano Barboza da Silva 35

p1  p  0,0341  0,034

Métodos Estatísticos Prof. Luciano Barboza da Silva 36

Métodos Estatísticos Prof. Luciano Barboza da Silva 37

– Uma área de oportunidade é uma unidade individual de um

– Exemplo: Número de falhas por metro quadrado.

Métodos Estatísticos Prof. Luciano Barboza da Silva 38

– O processo para o gráfico c se ajusta a um processo de