Controle Estatístico da Qualidade e Auditoria da Qualidade

Controle Estatístico da
Qualidade e Auditorais da Qualidade
Professor Dr. Reinaldo Azevedo Vargas

1
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Introdução 3
Breve histórico e objetivos 3
Conceitos iniciais 4

A estatística descritiva 6
O que é estatística? 6
Estatística descritiva e indutiva 6

Organização dos Dados Numéricos 8

Sumário Variável discreta 8
Variável contínua 9

Distribuição de Frequências 13
Frequência relativa 13
Frequência acumulada 14
Frequência acumulada relativa 14

Medidas de Tendência Central 16

Medidas de Dispersão ou Variabilidade 18

Gráficos: Diagrama das Medianas e Histograma 22

Gráficos de Controle 24
O gráfico das médias 25
O gráfico da variabilidade 27
O gráfico Xiindividual e amplitude móvel 28
O gráfico do tipo p 30
Gráficos para defeitos 33
Gráficos dos deméritos 34
O gráfico de controle certo para cada situação 36

Aproveitando ao Máximo os Gráficos de Controle 36

A ISO 9001-2000 e o Controle Estatístico do Processo 38

Auditorias da Qualidade 40

Referências 42

2
 Controle Estatístico da Qualidade e Auditoria da Qualidade

A percepção extraordinária do Shewhart é de que a

Introdução
qualidade e a variabilidade são conceitos antagônicos no
sentido de que onde tem muito de um terá necessariamente
pouco do outro. Esta ideia funciona tanto para um processo
Para iniciarmos o curso, precisamos definir intuitivamente
quanto para um produto. Uma tarefa dentro de um processo
o conceito de qualidade. Entretanto, este pode ser definido
que leva um período de tempo irregular para completar
de várias maneiras, dependendo dos propósitos de cada
pode causar tanta confusão na linha de produção como,
análise, como por exemplo, “adequação ao uso” (1)
ou
por exemplo, a irregularidade das medidas de uma peça,
como “grau de excelência a um preço aceitável” , entre
(2)

uma hora saindo grande demais e outra hora pequena

outros. Neste texto, foi enfatizado como as características
demais. Foi assim que Shewhart entendeu que medindo,
mais importantes do produto ou do processo devem ser
analisando e monitorando a questão da variabilidade das
definidas concretamente e mensuradas como tamanho ou
informações, seria necessário entender a estatística, e
peso ou algum outro índice considerado de desempenho,
que, através de aplicações desta ciência nas fábricas, os
ou simplesmente contadas como o número de defeitos
processos e produtos poderiam chegar a melhores níveis
numa peça (numero de peças defeituosas) ou em
de qualidade. Para alcançar este objetivo, do ponto de
determinada operação.
vista da estatística, isso simplesmente significa menor
A suposição básica é que a qualidade será assegurada variabilidade nas medidas do processo e do produto e mais
principalmente com a minimização da variabilidade das exatidão em alcançar metas e alvos.
características importantes. Como Crosby(3) sempre
Em seguida, Shewhart também propôs a aplicação da
enfatizava, “qualidade é a conformidade às especificações”,
Metodologia Cientifica na linha de produção. Simplificando
e conformidade neste texto significa fazer corretamente
a terminologia, ele sugeriu que a metodologia poderia ser
repetidas vezes as tarefas necessárias, utilizando material
conceituada em quatro fases: (fase 1) - identificação da
de qualidade consistente para conseguir resultados do
problemática e o planejamento de experimentos, (fase 2)
processo de produção que refletem o desejo e o interesse
- experimentação em si, (fase 3) - análise dos resultados
do consumidor.
dos experimentos e, finalmente, (fase 4) - reação do
gerente para melhorar o processo(4).
Breve histórico e objetivos
As ferramentas do CEP apresentados neste texto estão
O conceito de aplicar algumas ferramentas estatísticas inseridas também nas quatro fases: (fase 1) - identificação
para melhorar a qualidade começou com Walter de pontos críticos na linha de produção e a escolha da
Shewhart(4), que colocou pela primeira vez em prática nas ferramenta adequada e mais relevante para aplicar no
fábricas, alguns conceitos básicos da Estatística e também ponto crítico, (fase 2) - aplicação da ferramenta na linha
da Metodologia Científica na década de 1930 nos Estados de produção, (fase 3) - análise dos dados e (fase 4) -
Unidos da América (EUA). Ele foi o pioneiro da área de reação do gerente para melhorar o processo. É importante
Controle Estatístico de Processo (CEP). Atualmente, enfatizar que a busca por qualidade não termina nunca,
não existe fábrica no mundo que não aplica pelo menos e consequentemente na realidade as quatro fases
algumas ferramentas básicas e mais simples de CEP com a nunca terminam, mas sim, continuam como um ciclo
finalidade de melhorar os processos industriais. O objetivo permanente(1-4).
principal neste curso é de apresentar uma introdução ao
assunto destas ferramentas, esclarecendo alguns pontos
teóricos e indicando como a sua utilização pode melhorar os
processos da fábrica continuamente no sentido de reduzir
custos e elaborar um produto com melhor qualidade.

3
 Controle Estatístico da Qualidade e Auditoria da Qualidade
Conceitos iniciais
A ideia principal do CEP é que melhores processos
de produção com menos variabilidade propiciam níveis
melhores de qualidade nos resultados da produção.
E surpreendentemente quando se fala em melhores
processos, isso significa não somente qualidade melhor,
mas também custos menores. Os custos diminuem
principalmente em função de duas razões: a inspeção por
amostragem e a redução dos rejeitos(5).
Um dos pilares dos estudos que envolvem os conceitos
da Estatística é a amostragem. Populações (na fábrica, o
engenheiro utiliza a palavra “lotes”) em geral são grandes
demais para ser analisadas em grandes detalhes item por
item. Em muitos casos a inspeção a 100% é uma regra
da fábrica, mas na realidade este procedimento não
funciona adequadamente. Imagine o operador que possui
a responsabilidade de verificar o nível de preenchimento
de um lote de garrafas de cerveja. O lote contém 50.000
unidades. Depois de inspecionar apenas 100 garrafas, é
muito provável que o operador já não está mais pensando
em níveis de preenchimento, mas sim no próximo jogo
do seu time de futebol, na próxima oportunidade de
tomar uma cerveja, ou na próxima namorada. No final,
inspeção a 100% tem custos elevados e resultados
péssimos. A seleção de amostras de tamanho muito menor
que a população enxuga os custos e paradoxalmente
acaba representando melhor as características daquela
população. A amostragem também é necessária quando
a inspeção necessita da destruição do item amostrado
(ensaio destrutivo). Neste caso poucos itens vão para
o laboratório para sofrer a verificação dos técnicos. No
próximo capítulo serão discutidos esses conceitos para o
entendimento das ferramentas que serão utilizadas .
(5)
Uma segunda razão pela qual a aplicação de CEP
impulsiona os custos para baixo é que o número e
percentagem de peças defeituosas produzidas na fábrica
vão diminuir com as melhorias na linha de produção.
Portanto, com menos refugo e menos retrabalho o custo
por peça produzida vai diminuir. Enfatiza-se que existe
somente uma razão para utilizar CEP na fábrica, a saber,
4
aumentar o resultado financeiro da empresa, se possível
no curto prazo, mas também, e talvez mais importante,
no longo prazo. No entanto, CEP não é nenhum milagre e
consequentemente deve ser abordado na empresa como
qualquer projeto de investimento nos quais os custos são
contabilizados e os benefícios previstos e medidos(5,6).
É muito comum nas fábricas que processos industriais
não são otimizados no sentido de ser caracterizados por
altos níveis de eficiência, no entanto, dentro do CEP
existem ferramentas para monitorar o processo e, portanto,
melhorá-lo. O monitoramento tem como requisitos
amostragem feita periodicamente, e tamanho da amostra
adequado. Este assunto será abordado no capítulo que
contém os denominados gráficos de controle .
(5)
A ideia de controlar um processo é totalmente
diferente da ideia de inspecionar peças para identificar as
que são consideradas “não conformes”, embora os dois
procedimentos utilizem em parte as mesmas ferramentas
estatísticas. A inspeção de peças individuais tem como
objetivo a eliminação de peças de baixa qualidade que
não alcançam as expectativas do consumidor e não devem
ser colocadas no mercado. Com constante inspeção
do produto ao longo da linha de produção, a empresa
pode identificar o produto que precisa ser melhorado ou
até mesmo rejeição total. Neste caso, a fábrica estará
gastando desnecessariamente para corrigir erros os quais,
numa fábrica melhor organizada, não aconteceriam com
tanta frequência. Em uma fábrica considerada melhor, foi
feita a coisa certa desde a primeira vez e, em uma fábrica
realmente eficiente, não se exige inspeção a toda hora
porque possui confiança que o produto já está saindo
dentro das especificações. É muito comum na indústria
que a fabricação de peças não conformes ocorra porque os
processos da empresa são instáveis (irregulares) no ponto
de proporcionar produto fora das especificações .
(6,7)
Em outras palavras, a fábrica não está controlando
o processo para melhorar constantemente a qualidade
do produto. Para estabilizar os processos da empresa
utilizam-se as ferramentas do CEP necessitando apenas de
pequenas amostras sempre muito menores que os lotes.
 Controle Estatístico da Qualidade e Auditoria da Qualidade
Assim, as investigações do gerente estarão em direção
das grandes causas atrás das grandes irregularidades
da linha de produção. Cada vez que uma nova causa é
identificada e documentada para análise e, portanto,
eliminação, o processo de produção é estabilizado e a
qualidade garantida e/ou melhorada . As causas são
(6,7)
divididas em três grupos básicos :
(7)
Causas especiais - Uma causa especial é assinalável e
em geral é única, no entanto suficientemente grande para
produzir perturbações fortes no processo. É um evento que
ocorre uma vez ou ocasionalmente e é imprevisível. Estas
causas têm que ser eliminadas ou, se por alguma razão
não são elimináveis, então sua influência pode ser reduzida
por ações consideradas compensatórias. Exemplos de
causas especiais são: trovoada e relâmpago, vento de uma
janela deixada aberta, funcionário intoxicado, treinamento
onde faltou um ensinamento importante, uma substância
estranha na matéria prima, um atraso na chegado dos
funcionários porque o ônibus quebrou, entre outros.
Causas estruturais - Como a causa especial, a
estrutural é também eliminável ou compensável, mas a
diferença é que esta causa ocorre periodicamente. Quando
o período entre ocorrências é relativamente grande, a
causa estrutural se confunde com uma causa especial,
mas se o gerente for atento, ele vai acabar percebendo
sua natureza repetitiva. Para entender melhor o conceito,
um exemplo simples é apresentado em seguida. Um
gerente já entendeu que para algumas segundas-feiras
(não todas), a produtividade da fábrica é sofrível. Então
ele mandou avisar que a ocorrência de preguiça na
fábrica não seria mais tolerada. Infelizmente, o tal evento
preguiça continuou e até mesmo após várias advertências.
O gerente notou que a sua própria produtividade nestas
segundas-feiras também foi muito baixa. Às vezes é
necessário procurar as causas às quais causam as causas
estruturais. O problema é que foram segundas-feiras que
caem depois do grande clássico de domingo na capital.
Em termos de produtividade, este tipo de segunda-feira
é intrinsecamente um dia diferente que todas as outras,
independentemente de quem ganha ou quem perde o
jogo. Resultado: hoje em dia há um consenso na fábrica
de que, embora o atraso não seja tolerado, segunda-feira
5
de manhã depois do clássico é um período na fábrica que
exige uma gerência diferenciada com mais café, sucos de
vários tipos e dois ou três períodos curtos de exercícios e
alongamento. A causa estrutural assim não é eliminada
porque a tradição do futebol no Brasil dificilmente
irá desaparecer, mas é compensada por normas de
gerenciamento mais sensatas.
Causas comuns - Estas causas são relativamente
pequenas, mas ocorrem quase sempre e em grande
número. É o acúmulo destas causas num certo período
de tempo que gera a existência da variável aleatória.
Por que uma simples jogada de uma moeda homogênea
(considerada justa em ambas as faces) pode às vezes cair
cara ou coroa? A realidade é que tantas coisas podem
afetar a jogada de uma moeda, e cada uma é tão pequena,
que uma análise cientifica deste resultado é praticamente
impossível. As ferramentas de CEP não são apropriadas em
geral na análise e eliminação de causas comuns. E embora
as causas comuns possam ser reduzidas, elas sempre vão
existir, enquanto que a natureza na sua totalidade possui
uma diversidade tão grande e tão incompreensível pelo ser
humano. A redução destas causas vem apenas com muito
sacrifício em tempo e recursos. Para diminuir irregularidades
das causas comuns é necessário investimentos em novas
e melhores máquinas, melhor matéria prima, treinamento
intensivo, um ambiente de trabalho mais confortável,
entre outros. Neste caso qualidade e custo andam juntos.
Assim, é fácil entender por que o carro popular custa
barato e o carro de famosos jogadores de futebol custa
cem vezes mais. Exemplos de causas comuns são: uma
fábrica no sertão do Ceará sem ar condicionado; matéria
prima de baixa qualidade, mas de baixo preço; gerente
de produção sem nenhum estudo na área de produção;
maquinaria velha; a combinação errada de ingredientes
num processo químico; entre outras.
Com estes conceitos básicos do CEP, serão introduzidas
algumas ferramentas simples para melhorar a qualidade
que se encontra em utilização generalizada na manufatura
e em algumas instancias da administração.
 Controle Estatístico da Qualidade e Auditoria da Qualidade

A análise de qualquer uma destas duas definições revela

A estatística descritiva
Quando o gerente de produção mede e analisa
uma característica, por exemplo, da linha de produção,
uma característica física do produto ou uma medida do
desempenho do processo, ele tem em mente a melhoria do
processo. Ele vê uma combinação dos insumos do processo,
a atuação dos operadores juntos com a combinação dos
insumos e as atividades das máquinas, e finalmente o
produto final. A visão do gerente é de aspectos concretos
da sua linha de produção e em termos sistêmicos(8). O
Estatístico por outro lado vai ver este mesmo processo
como algo mais abstrato, como um gerador de números. O
profissional vai ver se os números gerados são centrados e
simétricos ao redor de uma tendência central, se existir ou
não alguns dados muito discrepantes dos outros, se tiver
ou não relações entre variáveis(6,8).
É fácil ver que o gerente trabalhando sem a ajuda do
Estatístico não vai captar todas as informações disponíveis
nos dados, e o Estatístico sozinho não vai saber onde ele
deve concentrar seus esforços para melhorar o processo.
Portanto, o Gerente de Produção e o Estatístico têm muito
para ganhar trabalhando em conjunto(7).
O que é estatística?
que na base da Estatística está um conjunto de dados
sendo esta constituída pelos métodos que são utilizados
para recolhê-los, organizar, descrever e interpretar,
além de auxiliar para uma tomada de decisão .
(8,9)
A estatística é, portanto, um conjunto de
métodos adequados para recolher, organizar e
explorar, descrever e interpretar conjuntos de
dados numéricos .
(5)
Para melhor se compreender a natureza desta
disciplina, mas também o que se entende por dados, os
próximos capítulos se referem às principais fases para a
compreensão do processo da análise estatística.
Estatística descritiva e indutiva
A Estatística Descritiva reúne um conjunto de
técnicas para sumarizar os dados (tabelas e gráficos)
e medidas descritivas que permitem tirar inúmeras
informações contidas nos dados numéricos que foram
coletados.
A Estatística indutiva (ou Estatística Inferencial)
produz informações sobre uma dada característica da
população, de interesse, a partir de informações colhidas
de uma parte dessa população(5,6).

No início de estudo de uma disciplina ou de um curso é

Em ambos os casos, a finalidade da pesquisa é coletar
costume definir ou tentar definir uma definição da disciplina
dados para obter informações que podem ser de extrema
ou curso que se vai apresentar ou que é essencial para o
valia para a tomada de uma decisão(5,9).
completo entendimento de uma disciplina mais específica
e direcionada, como é o caso da disciplina Estatística com É importante saber que dos dados numéricos utilizados
a disciplina Controle Estatístico do Processo de Qualidade. na estatística são decorrentes de uma pesquisa ou
observações de uma ou mais variáveis. Por sua vez,
Assim, para Kachigan(8) a estatística é a ciência que
variável é tudo aquilo que se deseja pesquisar ou observar
consiste na “recolha, organização e interpretação de
para se tirar algum tipo de conclusão, por exemplo, idade,
dados de acordo com procedimentos bem definidos”.
sexo, peso, salário, quantidade de defeitos, entre outras.
Outro importante autor da área, Murtera(9) também
Os dados usualmente provem de uma amostra, a qual
discutiu algumas ideias no mesmo sentido: “A estatística é
representa uma população de interesse(5).
um repositório de instrumentos adequados para recolher,
explorar e descrever, ou seja, interpretar conjuntos de
dados numéricos”.

6
 Controle Estatístico da Qualidade e Auditoria da Qualidade

O conceito de população pode ser definido como o A Tabela I compara sucintamente as principais
conjunto de indivíduos (ou objetos) que apresentam pelo vantagens e desvantagens entre a aplicação do censo e
menos uma característica em comum, cujo comportamento da estimação.
deseja-se analisar ou inferir. Para entender o que significa
amostra, basta saber que é uma parte da população, ou Tabela I - Comparação entre censo e
seja, um subconjunto .
(5,6)
estimação.
Censo Estimação
Mas qual o papel da estatística na ciência ou para Admite erro Admite erro processual
a empresa? O principal propósito da investigação é processual positivo e possui
responder a uma questão científica ou de interesse da zero e possui confiabilidade menor
empresa. Na ciência, são realizados estudos experimentais confiabilidade de que 100%
ou observacionais, levando a coleta de dados numéricos. O 100%
padrão de variação entre os dados faz com que a resposta É mais caro É mais barato
não seja óbvia, tornando o conhecimento da estatística É demorado (mais É rápido
essencial para a validação do resultado. lento para obter)
É quase sempre É atualizado
Existem basicamente dois tipos diferentes de pesquisas desatualizado
e que os conceitos podem ser estendidos para diversas Nem sempre É viável
aplicações. A primeira é conhecida como pesquisa de é viável economicamente
levantamento e corresponde quando a característica de economicamente
interesse de uma população é levantada (observada ou
medida), mas sem a manipulação dos dados coletados. Fonte: Adaptado de Silva, H.M. (2010).

A segunda é conhecida como pesquisa experimental

Uma pesquisa de coleta de dados retorna, normalmente,
e corresponde ao tipo de pesquisa realizada quando
números desorganizados e que são conhecidos como
a característica de grupos de indivíduos (por exemplo
dados brutos. A primeira atitude de qualquer profissional
animais ou objetos) é levantada e depois manipulados para
que trabalhe com estatística será a de organizar estes dados
se avaliar o efeito de diferentes tratamentos dos dados
na forma crescente ou decrescente e que é conhecido como
coletados. De qualquer forma, uma pesquisa deve conter
rol, para facilitar a aplicação das ferramentas estatísticas.
as fases: (1) definição do problema; (2) planejamento; (3)
coleta dos dados; (4) apuração; (5) apresentação e (6)
análise e interpretação(6,7).

Os processos estatísticos de abordagem avaliam de

uma forma direta ou indireta um parâmetro que está sendo
analisado de uma determinada população. Em estatística,
parâmetro pode ser entendido como sendo uma grandeza

mensurável que permite apresentar, de forma mais
simples, as características principais de um conjunto de
dados. O Censo é um processo estatístico de abordagem
que avalia diretamente um parâmetro, utilizando todos os
componentes da população e a Estimação é um processo
estatístico de abordagem que avalia indiretamente um
parâmetro, com base em um estimador envolvendo
probabilidades(6,7).

7
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Após a organização dos valores acima na forma da

Organização dos Dados
Numéricos
Após os conceitos iniciais e que são essenciais para
um melhor entendimento das partes seguintes, vamos
organizar os dados numéricos na forma de tabelas, com o
objetivo de facilitar os cálculos posteriores e de interpretar
os valores de uma maneira simples e objetiva. Na
Estatística Descritiva, existem formas diversas de construir
uma tabela, de acordo com cada situação de pesquisa
e também com a experiência adquirida pelo especialista
no decorrer do estudo e da prática. Entretanto, para
não estendermos muito o assunto, trataremos de duas
das mais importantes tabelas: a variável discreta e a
variável contínua. Caso necessite de informações mais
específicas sobre a organização de dados numéricos na
forma de tabelas, consulte as referências que tratam de
estatística no final da apostila.
Variável discreta
A variável discreta é uma série estatística que contêm
dados ou conjunto de dados na forma de uma simples
tabela prática e organizada .
(10)
Conceitualmente, é uma representação tabular de
um conjunto de valores em que colocamos na primeira
coluna, em ordem crescente, apenas os valores distintos
(diferentes) da série e, na segunda coluna, os valores das
frequências simples correspondentes (Tabela II). É
importante entender que a frequência simples é o número
de vezes que um dado aparece no conjunto de dados, ou
seja; o número de vezes que se repetiu após a realização
da pesquisa.
variável discreta, temos:
Tabela II - Representação tabular contendo
os valores distintos com as frequências
simples.
Valores distintos Frequência simples
(xi) (fi)
2 1
3 4
3,5 6
4 5
4,5 5
5 3
Fonte: elaborada pelo autor.
É importante informar que o exemplo acima não
possui uma aplicação (exemplo meramente conceitual) e
foi apresentado com o intuito de compreender a simples
montagem da tabela e os significados das colunas valores
distinto (representado por xi) e frequência simples
(representada por fi). Dependendo da pesquisa, se
torna dispendioso e inviável construir a variável discreta,
em decorrência de a mesma começar a possuir uma
quantidade de linhas que dificulte cálculos posteriores
e que seja cansativa para a interpretação dos valores
contidos na tabela(10,11). Não existe uma regra rígida para a
construção deste tipo de tabela, mas cabe ao especialista
ou estudioso no assunto definir com a experiência se será
ou não de extrema valia e praticidade. De uma maneira
geral, a variável discreta é utilizada quando o número de
elementos distintos da série (série é uma maneira que
os especialistas denominam uma sequência de números
após a realização da pesquisa) for relativamente pequeno
se comparado com o número de repetições (frequência
simples) de cada .
(10,11)

Exemplo 1 - Uma pesquisa retornou os seguintes dados

numéricos: Se após a realização da pesquisa o número de
elementos distintos da série for relativamente maior que
3,5 5 4,5 4 4,5 5 3,5 4.5 o número de repetições de cada um deles, entenda que a
construção da variável discreta irá resultar em uma tabela
2 3 4,5 3,5 4 4,5 3 3
longa e de difícil interpretação.

3,5 3,5 3,5 4 4 3 4 5

8
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Principalmente por este motivo existe uma tabela
alternativa e que é conhecida como variável contínua.
Esta tabela simplifica a anterior na maioria das aplicações,
facilitando a interpretação de determinadas medidas e a
tomada de alguma decisão.
Variável contínua
A diferença deste tipo de tabela, se comparada com
a variável discreta, está na coluna denominada intervalo
de classe, que significa faixa de valores numéricos.
Como o exemplo anterior, este também não possui uma
aplicação e foi apresentado com o intuito de compreender
o significado da tabela. Para este caso, existe uma teoria
para a sua construção, de forma a adequar os dados
numéricos e distribuí-los homogeneamente (distribuir os

A variável contínua também é uma série estatística números em partes iguais por toda a tabela) em cada linha

que contêm dados ou conjunto de dados na forma de (na variável contínua, cada linha é chamada de classe) da

uma tabela organizada. Entretanto, é uma representação tabela. Uma teoria para a construção da variável contínua

tabular de um conjunto de valores em que colocamos na é apresentada a seguir, mas para informações mais

primeira coluna, em ordem crescente, os intervalos de específicas, consulte às Referências(5,10).

classes da série e, na segunda coluna, os valores das

A elaboração de tabelas para dados que apre-
frequências simples correspondentes aos números
sentam grande quantidade de números distintos e,
presentes nos respectivos intervalos de classes (Tabela
consequentemente, grande dispersão entre eles,
III)(5,10,11).
pouco pode ajudar nos cálculos envolvendo os dados e

Exemplo 2 - Uma pesquisa retornou os seguintes dados principalmente na interpretação dos mesmos. Por isso,

numéricos: para entender a construção da tabela apresentada acima,

vamos trabalhar com um exemplo envolvendo uma
13 5 9 8 10 14 6 15 16 8 3 17 pesquisa realizada para levantar a variável Renda de 25
funcionários (Tabela IV)(7).
2 4 3 11 12 2 8 19 13 15 2 7
Tabela IV - Pesquisa da renda na forma
3 6 5 15 3 4 10 12 18 12 17 4 tabular da variável discreta.
Renda (em $) Número de
Após a organização dos valores acima na forma da funcionários
variável contínua, temos: 910,00 2
920,00 1
Tabela III - Representação tabular contendo 930,00 1
intervalos de valores com as frequências 940,00 2
simples. 950,00 2
Classe Intervalo de Frequência simples 960,00 1
classe (fi)
1.010,00 1
1 2 ├ 5 10
1.040,00 1
2 5 ├ 8 5
1.090,00 1
3 8 ├ 11 6
1.120,00 1
4 11 ├ 14 6
1.615,00 1
5 14 ├ 17 5
1.640,00 1
6 17 ├ 20 4
1.690,00 1
Fonte: elaborada pelo autor. 1.890,00 1

9
 Controle Estatístico da Qualidade e Auditoria da Qualidade

ou K=1+3,32log(n). A primeira fórmula é conhecida

1.940,00 1
como método da raiz quadrada e a última é chamada
1.955,00 1
de fórmula de Sturges.
1.980,00 1
2.030,00 1 Normalmente, as fórmulas anteriores resultam em
2.045,00 1 números não inteiros (decimais), mas grande parte dos
2.155,00 1 especialistas indica o seguinte procedimento:
2.175,00 1
2.235,00 1 (a) Se K for um número inteiro, será o número de

Soma: (Ʃ) = 25 classes (linhas) que a tabela conterá.

Fonte: Adaptado de Bruni, A. L. (2010).
Analisando a tabela acima, percebe-se que os 25 casos
originais foram agrupados em 22 categorias (linhas) de
rendas. A análise resultante da tabela prova que não
adiantou muita coisa à construção da tabela na forma de
uma variável contínua para organizar os dados numéricos,
com o objetivo de construir uma tabela mais curta para
facilitar os cálculos e mais simples para a interpretação. A
redução de um total de 25 casos para 22 categorias é, de
fato, muito pequena. Quando variáveis quantitativas com
alta dispersão, marcadas pela presença de muitos valores
diferentes, são analisadas, um resultado mais adequado
pode ser obtido por meio do agrupamento dos dados
numéricos em classes, isto é, agrupar os números em
faixas de valores, ao invés de apenas um valor diferente
em cada linha da tabela(5).
Alguns textos e autores mais conservadores da
Estatística ainda sugerem procedimentos formais para a
construção de classes ou também chamadas de classes
de frequências. Neste sentido, a determinação do
número de classes, representado pela letra K, depende,
fundamentalmente, do número de elementos pesquisados
e/ou estudados (ou número total de elementos da
série), representado pela letra n.
No geral, os procedimentos formais envolvem os
seguintes conceitos :
(5,10)
(b) Se K for à metade de dois números inteiros (por
exemplo: a metade entre 3 e 4 é 3,5), o número de classes
será um desses números inteiros.
(c) Se K for um número decimal diferente da metade de
dois números inteiros, o número de classes será definido
entre três aproximações resultando em números inteiros.
A primeira aproximação será o número inteiro mais
próximo do decimal obtido. A segunda será o número
inteiro anterior ao inteiro mais próximo do decimal obtido.
A terceira será o número inteiro posterior ao inteiro mais
próximo do decimal obtido.
Exemplo 3: Se n = 40, K=√n=√40=6,32 (com duas
casas decimais).
De acordo com o ítem (c) da página anterior, as
três aproximações resultando em números inteiros
são: 5, 6 ou 7. Se aplicarmos a fórmula de Sturges,
temos K=1+3,32log(40)=6,1586=6,16 com as mesmas
aproximações: 5, 6 ou 7.
Com um número de classe definido ou entre duas ou
três aproximações obtidas, pode-se calcular a amplitude
total da série (At). Essa amplitude é a diferença existente
entre o maior (Xmáximo) e o menor (Xmínimo) número da série,
ou seja; At=Xmáximo - Xmínimo. Para o nosso exemplo, o cálculo
resulta: At=2235 - 910=1325.

O processo de construção de classes demanda o

(1) Se n ≤ 25: devem ser criadas cinco classes na tabela; estabelecimento de convenções que representem os
limites de cada uma das classes construídas.
(2) Se n > 25: o número mais adequado de classes pode
ser obtido mediante dois procedimentos distintos: K=√n

10
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Assim, por exemplo, se no agrupamento em classes Para direcionarmos o estudo e não se estender nos
das idades o especialista resolver construir uma classe que conceitos mais específicos sobre a construção da variável
compreenda as idades entre 10 e 14 anos, ele precisará contínua, será adotado a representação da classe com o
estabelecer se os limites inferiores (número antes do limite inferior sendo do tipo inclusive e o limite superior do
intervalo) e superiores (número depois do intervalo) tipo exclusive, ou seja: 2 ├ 5. Este intervalo de classe
serão do tipo inclusive ou exclusive. Os limites do tipo pode ser interpretado considerando todos os elementos
inclusive, como o próprio nome revela, incluem o valor iguais e maiores que dois e menores que cinco (5).
representado. Os limites exclusive não incluem o valor
representado. É importante considerar que na última classe da tabela,
quando se adota o limite superior como do tipo exclusive,
De acordo com a literatura , uma das convenções
(5,10,11)
não se pode excluir o maior elemento da série na contagem
mais empregadas na representação dos limites de das frequências e na interpretação dos resultados, pois o
intervalos de classes envolve a colocação de barras verticais mesmo faz parte da pesquisa. Neste caso, realizaremos
(simbolizadas por “|“) juntamente com barras horizontais um ajuste na fórmula da amplitude total.
(simbolizadas por “―“). A barra horizontal representa o
intervalo entre os limites inferior e posterior, enquanto que Para o nosso exemplo, o cálculo resultou em:
a barra vertical ao lado do número indica se tratar de um At=2235- 910=1325. Uma maneira prática e simples de
limite do tipo inclusive. A ausência da barra caracteriza não desconsiderar o maior elemento da série na estatística
limites do tipo exclusive. A Tabela V contém as principais é acrescentar uma unidade no maior elemento, ou seja,
representações. ajustar a fórmula da amplitude total para At=X(+1)máximo
- Xmínimo ou At=(2235+1) - 910=2236-910=1326.
Tabela V - As quatro principais formas de Dessa forma, se o 2236 fechar o último intervalo de classe,
representação dos intervalos de classes. não será descartado o 2235.
Representação Interpretação intuitiva
2 ├ 5 A barra vertical está presente Após a definição do número de classes e da amplitude
apenas no limite inferior. Desse total da série, poderemos definir a amplitude de cada
modo, o elemento 2 faz parte
do intervalo de valores (classe) intervalo de classe (h) dividindo simplesmente a amplitude
e o elemento 5 não será total por cada um dos números de classes definidos
incluído nesta classe, pois é do anteriormente, através da seguinte fórmula:
tipo exclusive.
2 ┤ 5 A barra vertical está presente
apenas no limite superior.
Desse modo, o elemento 5 faz
parte da classe e o elemento 2
não será incluído nesta classe.
2 ― 5 A ausência da barra em ambos Como temos três possíveis números de classes (K = 5,
os limites os caracteriza como 6 ou 7), precisaremos dividir a amplitude total por cada
do tipo exclusive. Os dois um dos três valores de K. A divisão que resultar em um
elementos não serão incluídos
valor inteiro é adotada por padrão, pois amplitudes com
nesta classe.
valores inteiros são mais fáceis de serem construídas e
2 ├┤ 5 A presença de barras verticais
em ambos os limites indica interpretadas, além de facilitar cálculos posteriores. Se
que são do tipo inclusive. Os duas das três divisões resultarem em números inteiros,
dois elementos serão incluídos pode-se adotar o caminho que considerar mais adequado.
nesta classe.
Entretanto, se nenhuma divisão resultar em um número
Fonte: Adaptado de Bruni, A. L. (2010). inteiro, considere os seguintes ajustes:

11
 Controle Estatístico da Qualidade e Auditoria da Qualidade

(1) Na fórmula da amplitude total, como o valor do Tabela VI - Pesquisa da renda na forma tabular da
maior elemento da série foi ajustado uma unidade para variável contínua.
cima, ajuste o menor elemento da série uma unidade para
baixo. K=6

Esse procedimento é usado, pois o menor elemento Xmínimo=910

da série começa na primeira classe e do lado do símbolo
com a barra vertical, ou seja, é do tipo inclusive. Não se Xmáximo=2236
pode ajustar o menor elemento uma unidade acima, pois
h=221
o mesmo seria desconsiderado da estatística.

At=1326
(2) Se não for suficiente para obter um h igual a um
número inteiro, ajuste novamente o maior elemento da
Tabela VI - Pesquisa da renda na forma
série uma unidade para cima.
tabular da variável contínua.
(3) Se novamente não for suficiente, diminua outra Classe Renda (em $) Número de
funcionários
unidade do menor elemento da série.
1 910 ├ 1131 13
(4) Repita o ciclo até que se consiga dividir a nova 2 1131 ├ 1352 0
amplitude total pelos valores de K e resultar um número 3 1352 ├ 1573 0
inteiro. 4 1573 ├ 1794 3
5 1794 ├ 2015 4
No exemplo, aplicando a fórmula da amplitude de cada 6 2015 ├ 2236 5
intervalo de classe, temos:
Fonte: Adaptado de Bruni, A. L. (2010).

Para K = 5
Para uma melhor compreensão sobre o assunto
abordado neste capítulo, uma lista de exercícios referentes

às construções das variáveis discreta e contínua, com o
intuito de organizar os dados numéricos na forma destas
Para K = 6
tabelas, será disponibilizada no sistema de Ensino a

Distância (EAD) da Universidade Gama Filho (UGF) durante

o período do curso.
Para K = 7

A divisão de 1326 por 6 resultou em um número

inteiro igual a 221. Com isso temos todas as informações
necessárias para a construção da variável contínua do
exemplo discutido. Após os conceitos apresentados e
cálculos realizados, temos a Tabela VI:

12
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Da mesma forma, determinamos a frequência relativa

Distribuição de Frequências
dos demais elementos da tabela:

Uma vez que o interessado tenha colocado os dados

na forma de uma variável discreta ou contínua (na forma
de tabelas), ele poderá rapidamente obter algumas
informações adicionais e úteis para a compreensão da
série, se considerar os seguintes conceitos:

Frequência relativa
A frequência relativa (fri) de um elemento da série é
a divisão da frequência simples (fi) deste elemento pelo
Note que estes valores representam a participação
número total de elementos da série (n) (10,11). Para converter
percentual de cada elemento distinto na série. Assim,
o valor em percentual, basta multiplicar o resultado da
podemos escrever e compreender às seguintes
divisão anterior por 100:
interpretações:

• 1º linha: 12% dos valores da série são iguais a 2.

• 2º linha: 28% dos valores da série são iguais a 3.

Exemplo 4: Considere a seguinte variável discreta:

• 3º linha: 32% dos valores da série são iguais a 4.

xi fi
• 4º linha: 24% dos valores da série são iguais a 6.
2 3
3 7 • 5º linha: 4% dos valores da série são iguais a 7.
4 8
6 6 O conceito apresentado se torna mais fácil quando
7 1 construímos uma coluna adicional na tabela para calcular
e interpretar a frequência relativa de cada elemento da
O total de elementos desta série é 25. Portanto, a série.
frequência relativa do primeiro elemento distinto da série,
que é 2, vale:

xi fi fri (%)
2 3 12
3 7 28
4 8 32
No caso anterior, a numeração que acompanha as siglas 6 6 24
de frequência relativa e frequência simples representa o
7 1 4
cálculo para o elemento que ocupa a primeira linha da
tabela.

13
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Como a frequência relativa representa a participação
percentual de cada elemento distinto da série, a soma de
todas às frequências relativas representa a participação
percentual da série toda, ou seja, é igual a 100%. Portanto,
∑fri=100%.
• 4º linha: 24 elementos componentes da série são
valores menores ou iguais a 6.
• 5º linha: 25 elementos componentes da série são
valores menores ou iguais a 7.

A frequência simples e a frequência relativa representam O procedimento, assim como o anterior, se torna mais
a quantidade de vezes e o percentual (respectivamente) simples quando construímos uma coluna adicional na
de cada elemento distinto. Entretanto, em determinadas tabela para calcular e interpretar a frequência acumulada.
situações, precisaremos saber a quantidade de vezes e
o percentual não somente para um único elemento, mas
xi fi fri (%) Fi
também para dois ou mais ao mesmo tempo.
2 3 12 3
3 7 28 10
Frequência acumulada 4 8 32 18
6 6 24 24
A frequência acumulada (Fi ou FA) de cada elemento
da série é a soma da frequência simples desse elemento
7 1 4 25
com as frequências simples dos elementos anteriores (10,11):
A principal finalidade de utilizar a frequência acumulada
nas tabelas que contém a frequência simples é quando
Fi = f1 + f2 + f3+ … + fi
se deseja não somente saber a quantidade de vezes que

Desta forma, a frequência acumulada para cada um um elemento se repete, mas também ganha importância

dos elementos 3, 4, 6 e 7 é: conhecer a quantidade de elementos que são iguais ou

menores que o elemento de referência.

Frequência acumulada relativa

A frequência acumulada relativa (FRi) de cada elemento
da série, também conhecida como frequência relativa
acumulada, é a divisão da frequência acumulada deste
elemento, pelo número total de elementos da série :
(10,11)

Estes valores podem ser interpretados da seguinte

forma:

• 1º linha: 3 elementos componentes da série são

valores menores ou iguais a 2. Assim, às frequências acumuladas relativas dos
elementos 3, 4, 6 e 7 são:
• 2º linha: 10 elementos componentes da série são
valores menores ou iguais a 3.

• 3º linha: 18 elementos componentes da série são

valores menores ou iguais a 4.

14
 Controle Estatístico da Qualidade e Auditoria da Qualidade

O conceito se torna mais fácil quando construímos uma

coluna adicional na tabela para calcular e interpretar a
frequência acumulada de cada elemento da série.

Quando acrescentamos todos os valores de frequências

à tabela original, a mesma passa a se chamar distribuição
de frequências. O procedimento acima foi aplicado na
Estes valores podem ser interpretados da seguinte
variável discreta, mas é aplicado da mesma forma na
forma:
variável contínua. No caso da variável contínua, pelo fato
de se utilizar intervalos de classe, as interpretações são
• 1º linha: 12% dos valores da série são menores
diferentes.
ou iguais a 2.

Exemplo 5: Considere a seguinte variável contínua:

• 2º linha: 40% dos valores da série são menores
ou iguais a 3.
Exemplo 5
• 3º linha: 72% dos valores da série são menores Classe Intervalo de fi
ou iguais a 4. classe
1 2 ├ 4 6
• 4º linha: 96% dos valores da série são menores
2 4 ├ 6 18
ou iguais a 6.
3 6 ├ 8 10
4 8 ├ 10 6
• 5º linha: 100% dos valores da série são menores
ou iguais a 7.
n = Ʃfi = 40

xi fi fri (%) Fi FRi (%) Em primeiro lugar, calcule o número total de elementos
2 3 12 3 12 da série (n). Para calcular, some a coluna que contém as
3 7 28 10 40 frequências simples. Aplicando os conceitos da distribuição
4 8 32 18 72 de frequências, da mesma forma que apresentado para à
6 6 24 24 96 variável discreta, temos:
7 1 4 25 100

Classe Intervalo de fi fri (%) Fi FRi (%)

classe
1 2 ├ 4 6 15 6 15
2 4 ├ 6 18 45 24 60
3 6 ├ 8 10 25 34 85
4 8 ├ 10 6 15 40 100
n = 40 100

15
 Controle Estatístico da Qualidade e Auditoria da Qualidade
Observe na tabela acima que os valores das frequências
relativas(fri) representam o percentual dos elementos
por classe. Desse modo, podemos fazer a seguinte
interpretação:
• 1º classe: 15% dos valores da série são maiores
ou iguais a 2 e menores que 4.
• 2º classe: 45% dos valores da série são maiores
ou iguais a 4 e menores que 6.
• 3º classe: 25% dos valores da série são maiores
ou iguais a 6 e menores que 8.
• 4º classe: 15% dos valores da série são maiores
ou iguais a 8 e menores que 10.
Com relação à frequência acumulada(Fi), podemos
interpretar da seguinte forma:
• 1º classe: 6 elementos da série são valores
menores que 4.
• 2º classe: 24 elementos da série são valores
menores que 6.
• 3º classe: 34 elementos da série são valores
menores que 8.
• 4º classe: 40 elementos da série são valores
menores que 10.
E finalmente, com relação à frequência acumulada
relativa(FRi), sendo todos os elementos maiores ou iguais
a 2, podemos interpretar da seguinte forma:
• 1º classe: 15% dos valores da série são menores
que 4.
• 2º classe: 60% dos valores da série são menores
que 6.
• 3º classe: 85% dos valores da série são menores
que 8.
16
• 4º classe: 100% dos valores da série são menores
que 10.
Para uma melhor compreensão sobre o assunto
abordado neste capítulo, uma lista de exercícios sobre
distribuição de frequências, será disponibilizada no sistema
de Ensino a Distância (EAD) da Universidade Gama Filho
(UGF) durante o período do curso.
Medidas de Tendência Central
Em qualquer área de investigação onde números
aparecem com frequência, os profissionais estudam
conceitos e metodologias gráficas de estatística para
expressar estes números de uma forma mais clara e
resumidamente. Isso é um dos objetivos principais
do trabalho dos gerentes e estatísticos. Por exemplo,
existem várias maneiras de medir a tendência central dos
dados, e nenhuma maneira é necessariamente a melhor,
pois depende de cada situação e principalmente da
característica dos dados numéricos.
O cálculo de uma medida de tendência central é
importante porque consegue representar uma série de
dados em apenas um único número ou elemento.
Certamente a mais popular é a média, que os
conhecedores do assunto usualmente denominam de
média aritmética (pode ser simples ou ponderada),
e que representa a soma de uma série de dados dividida
pelo número total de dados que foram somados entre
si(10,11).
Na Tabela VII, são informadas 60 medidas do
comprimento (em milímetros) de uma peça, sendo a
princípio, uma das características essenciais da peça. Uma
tabela contendo números nem sempre é interessante para
um engenheiro ou gerente. Por outro lado, a média das
medidas da tabela pode ser calculada facilmente aplicando
as fórmulas:
ou
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Para resolver a distorção de números discrepantes,

utiliza-se a mediana, que é o número que está no meio
dos números quando a quantidade de elementos da série
é ímpar ou a média dos dois números do meio quando
a quantidade de elementos da série é par. Para calcular
Após o cálculo, o especialista agora pode saber se o
de forma correta a mediana, os números precisam estar
produto está sendo fabricado dentro da especificação
organizados na forma crescente ou decrescente, ou seja,
desejada, mantendo a qualidade da produção.
posicionados seguindo um ordenamento numérico. Numa
relação de números ordenados do menor para o maior (ou
Tabela VII - Medidas do comprimento (em milímetros)
vice versa) existe um número que separa todos os números
de uma peça.
em dois grupos iguais (quando n é ímpar), os números
103,2345 99,0003 102,8121 101,4367 101,9899 102,9011 maiores que a mediana e os números menores(6,7).
102,8764 99,7684 102,3494 102,4356 101,0009 101,2341
102,2340 102,2030 101,2556 102,1976 102,0012 100,8765 No exemplo apresentado, temos dois números e não
103,4566 102,2068 101,9989 102,4355 101 101,1212 apenas um, que separa a série em duas partes iguais
99,8650 103,0894 99,1009 101,8768 99,6783 102,2332 (quando n é par). Neste caso, deve-se calcular uma média
100,7865 101,8990 99,9886 101,7864 98,8990 102,1498 simples entre os dois números centrais para encontrar um
98,1239 102,2457 100,2358 101,5555 101,5983 102,2526 valor que melhor representa o centro da sequência.
101,6784 102,3476 100,1114 102 102,5445 102,3468
101,2344 103,0200 101,2113 102,4671 102,3356 100,7682
Na lista dos 60 números, como n = 60 (número par),
100,0046 99,9897 102,2223 102,3322 102,1215 101,5689
temos os seguintes números no centro da sequência
Fonte: Adaptado de Bruni, A. L. (2010).
quando a mesma está ordenada: 101,8990 e 101,9989.
Para encontrar a mediana neste caso, basta calcular a
Para a tabela acima, temos uma média de 101,4993
média: (101,8990 + 101,9989) /2 = 101,9489.
milímetros (mm) ou 101,50 mm (com a precisão de apenas
duas casas decimais). Para o especialista, se diversas E como se interpreta este valor? A mediana é o número
peças apresentarem comprimentos muito diferentes do que divide uma sequência ordenada em duas partes
valor da média, as peças não estão sendo fabricadas iguais, ou seja: 50% dos valores da série são menores
rigorosamente e, consequentemente, diminui a qualidade que a mediana e 50% são maiores. Podemos concluir no
da linha de produção. exemplo utilizado que 50% dos comprimentos da peça
são inferiores a 101,9489 mm e 50% são superiores. É
Um problema que pode ocorrer em determinadas
importante reforçar que quando o número de dados
situações é que a média perde a sua representatividade
numéricos ou elementos da série (n) é ímpar a mediana
se existir valores muito diferentes entre os dados
é exatamente o número no meio dos números ordenados,
numéricos, pois valores discrepantes levam a média a
sem a necessidade de calcular a média dos dois números
se afastar da tendência central dos dados. Uma maneira
posicionados no meio da sequência.
de resolver o problema da distorção seria simplesmente
descartando estes números, no entanto o Estatístico não Os especialistas argumentam que a mediana é melhor
recomenda este procedimento por causa de certo grau de do que a média para representar a tendência central dos
arbitrariedade. números na presença de dados muito diferentes nos dois
extremos da sequência. Isso ocorre porque a mediana é
Por exemplo, o gerente ou especialista pode sentir uma
insensível aos valores muito grandes ou muito pequenos.
necessidade de eliminar o valor 98,1239 em decorrência
de ser o menor dos números, mas por qual razão faria
isso?

17
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Por exemplo: se for alterado o maior valor da sequência

Medidas de Dispersão ou
para de 1.695.850,0 (um número bem maior que ele), o
valor da mediana não muda, porque a mediana ainda
Variabilidade
continua tendo metade dos dados acima e metade abaixo
de seu valor .
(7)
As medidas de dispersão ou também conhecidas como
medidas de variabilidade são igualmente importantes como
A diferença numérica entre a mediana e a média em
às medidas de tendência central e representam como os
nosso exemplo (101,9489 – 101,4993) = 0,4496 pode ser
dados numéricos se dispersam (ou se afastam) da média.
considerada razoavelmente grande por algum engenheiro,
Quando os números são sempre próximos à média, isso
se considerar uma variabilidade pequena dos números,
significa que a tendência central representa bem os dados.
e significaria que a média é realmente distorcida como
No entanto, se alguns números ficarem longe da média,
medida de tendência central, levando o engenheiro a
então a média não irá representar muito bem todos os
utilizar à mediana.
dados numéricos da sequência(5,6,10,11).

Partindo da mediana, os quartis são calculados. Com

A ideia de variabilidade é importante na área da
a mediana os dados foram divididos em dois grupos,
engenharia de qualidade, como foi, porque oferece uma
acima e abaixo da mediana. Para cada grupo encontra-
definição operacional para qualidade, uma definição que
se sua própria mediana e esta mediana secundária é
daria para medir e analisar, e discutir com os demais
denominada quartil. Obviamente tem um quartil inferior,
colegas do curso. Por exemplo, peças fabricadas e
o primeiro quartil, e um quartil superior, o terceiro quartil.
que exibem mensurações muito espalhadas não têm
Para completar o raciocínio, pode chamar a mediana do
qualidade, pois muitas peças vão acabar rejeitadas ou
grupo de segundo quartil. Os quartis dividem os dados em
retrabalhadas, significando custos maiores de fabricação e
quatro grupos distintos, cada grupo possuindo exatamente
uma posição fraca em termos da competição empresarial
um quarto dos dados. No exemplo apresentado, cada um
do mercado(5,7).
dos dois grupos tem aproximadamente 60/4 elementos e
os quartis são fáceis de se encontrar. Os quartis podem
O desvio ao redor da média é definido como a diferença
ser utilizados também para definir a variabilidade dos
entre um número individual e a média de todos os dados
dados(10,11).
numéricos. Vale informar que para o conceito de um
desvio (uma distância), não existe sentido se o valor for
Caso a série contenha um número que se repete muito
um número negativo.
mais do que os demais, pode-se calcular a moda. A moda
é conceituada como sendo o valor de maior frequência
Por exemplo, a Tabela VIII(7) contém dados numéricos
em um conjunto de dados estatísticos(10,11). Entretanto,
referentes ao tempo gasto (expresso em minutos) por
em decorrência de ser uma medida aplicada somente em
uma empresa para solucionar problemas dos clientes
casos muito específicos, este assunto não será abordado
desde o momento do recebimento da queixa até a solução
nesta apostila. Para consultar informações, verifique os
apresentada. A média de tempo gasto é 182,89 minutos
livros de estatística localizados na seção Referências.
(ou min), um pouco mais do que 3 horas.

18
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Código da Tempo gasto Desvio da Módulo do Desvio ao

reclamação (em minutos) média desvio (valor quadrado
absoluto)
123 100,00 -82,89 82,89 6871,36
872 216,01 33,11 33,11 1096,46
478 113,42 -69,47 69,47 4826,37
123 287,33 104,43 104,43 10906,22
301 221,47 38,58 38,58 1488,33
261 194,95 12,06 12,06 145,42
222 161,55 -21,35 21,35 455,70
182 325,89 142,99 142,99 20447,30
143 292,62 109,73 109,73 12040,82
104 266,38 83,49 83,49 6970,70
164 106,19 -76,70 76,70 5882,76
158 307,56 124,66 124,66 15541,31
169 255,49 72,59 72,59 5269,52
179 203,39 20,50 20,50 420,24
190 148,71 -34,19 34,19 1168,83
200 17,00 -165,89 165,89 27520,70
211 66,78 -116,11 116,11 13481,55
222 165,34 -17,55 17,55 308,07
232 95,20 -87,70 87,70 7690,68
243 102,95 -79,94 79,94 6390,97
253 427,43 244,53 244,53 59796,28
264 186,34 3,45 3,45 11,91
275 82,04 -100,85 100,85 10171,11
285 59,00 -123,89 123,89 15349,64
296 36,00 -146,89 146,89 21577,74
306 168,89 -14,00 14,00 195,97
317 207,95 25,05 25,05 627,58
328 217,94 35,05 35,05 1228,18
338 225,79 42,90 42,90 1840,23
349 227,19 44,30 44,30 1962,51
Média = 182,29 0,00 75,83 8722,82
Amplitude = 410,43 Desvio padrão = 94,99

Tabela VIII - Minutos decorrentes até a solução referente à reclamação do cliente. Fonte: Adaptado Samohyl, R. W. (2009).

O primeiro desvio calculado (na terceira coluna) é 100–
182,89 = -82,89, ou seja: (Xi - ) que representa o desvio
de um elemento (um dado) com relação à média.
Normalmente, é comum os estatísticos colocarem na
expressão do desvio a média depois do dado numérico
individual. Assim, quando a média é menor que o dado, o
desvio é positivo e vice-versa. É muito interessante calcular
a média dos desvios que representaria a variabilidade
dos dados. Como é demonstrada na tabela anterior, a
soma dos desvios é igual a zero, e, portanto a média dos
desvios também é igual a zero. Então a questão é como
calcular a média dos desvios de uma maneira consistente
e esclarecedora. A quarta coluna da tabela contém os
mesmos desvios da terceira coluna, mas sem os sinais,
representando o chamado módulo ou valor absoluto de
cada desvio. A média dos desvios nesta coluna é de 75,83
min.

19
 Controle Estatístico da Qualidade e Auditoria da Qualidade
Por razões históricas e em decorrência de algumas
características matemáticas serem difíceis de compreender,
mas importantes para o entendimento teórico, a média
dos desvios sem sinal não é tipicamente utilizada em
estudos estatísticos . Para resolver o problema do sinal,
(7)
é preferível utilizar o quadrado dos desvios, que acabou
sendo o motivo da elaboração da fórmula da variância,
que nada mais é do que a média dos quadrados de todos
os desvios:
Onde: (σ2) é a variância, (Xi) representa um elemento
da série ou dado numérico, ( ) é a média, (fi) é a
frequência simples ou número de vezes que o respectivo
dado numérico se repete e (n) é o número total de
elementos da série ou dados numéricos.
A fórmula acima é aplicada quando se trabalha com
toda a população. Para os casos que já foram mencionados
no capítulo inicial da apostila e que necessitam trabalhar
com uma amostra (parte da população), a fórmula acima
recebe uma adaptação:
A variância é um valor elevado ao quadrado e,
dependendo da aplicação, não possui interpretação. Para
chegar a uma medida do desvio médio é necessário aplicar
a raiz quadrada da variância.
Esse desvio médio é conhecido como desvio padrão
(σ):
Para os dados da tabela anterior, o desvio padrão é
de 94,99 min. Em determinadas situações, a soma dos
quadrados não e dividida pelo número de dados, mas
sim por um número denominado grau de liberdade, um
conceito que será brevemente discutido adiante.
20
O desvio padrão é extremamente importante para o
entendimento dos gráficos de controle de uma coleção
ou agrupamento de médias, e leva o nome de erro
padrão. É calculado dividindo o desvio padrão pela raiz
quadrada do tamanho da amostra.
Por fim, considerando o tamanho da média (182,89), a
diferença entre o desvio absoluto médio (75,83) e o desvio
padrão (94,99) não é considerada muito grande (para esta
aplicação de tempo em minutos). Com isso, podemos
afirmar que ambas as medidas são apropriadas para medir
a variabilidade dos dados, mas como já foi mencionado
anteriormente, o desvio padrão é preferível.
Para o Controle Estatístico de Processo (CEP) há mais
uma maneira de calcular o desvio padrão, através de uma
formula desenvolvida pelo próprio Shewhart para facilitar
os cálculos no chamado “chão da fábrica”. Como será visto
nos próximos capítulos, a utilização de amostras muito
pequenas é a principal regra para um grande conjunto
de gráficos de controle. Por exemplo, o operador pode
estar mensurando (medindo) apenas cinco peças por hora
(tamanho da amostra n = 5 elementos) de lotes muito
maiores. Será então calculada a amplitude de cada amostra
e depois calculada também a média das amplitudes ( ).
Shewhart desenvolveu uma tabela contendo coeficientes e
denominados de d2, para converter qualquer valor de
em um desvio padrão equivalente(7):
É importante notar, analisando a Tabela IX, que o valor
de d2 aumenta com o tamanho da amostra. Os outros
coeficientes nas demais colunas da tabela são também
muito importantes e serão utilizados mais adiante. A
tabela contém os coeficientes que serão utilizados para a
construção de um determinado tipo de gráfico de controle.
 Controle Estatístico da Qualidade e Auditoria da Qualidade

n= d2 D1 (DP) D2 (DP) D3 (R) D4 (R) A2 (X)

2 1,128 0 3,686 0 3,267 1,880
3 1,693 0 4,358 0 2,575 1,023
4 2,059 0 4,698 0 2,282 0,729
5 2,326 0 4,918 0 2,115 0,577
6 2,534 0 5,078 0 2,004 0,483
7 2,704 0,205 5,203 0,076 1,924 0,419
8 2,847 0,387 5,307 0,136 1,864 0,373
9 2,970 0,546 5,394 0,184 1,816 0,337
10 3,078 0,687 5,469 0,223 1,777 0,308
11 3,173 0,812 5,534 0,256 1,744 0,285
12 3,258 0,924 5,592 0,284 1,716 0,266
13 3,336 1,026 5,646 0,308 1,692 0,249
14 3,407 1,121 5,693 0,329 1,671 0,235
15 3,472 1,207 5,737 0,348 1,652 0,223
20 3,735 1,548 5,922 0,414 1,586 0,180
25 3,931 1,804 6,058 0,459 1,541 0,153
Tabela IX - Coeficientes calculados para os gráficos de controle - Fonte: Adaptado Samohyl, R. W. (2009).

E finalmente, outra medida de variabilidade é o desvio
quartílico, que é a diferença entre o quartil inferior e
o quartil superior já discutido anteriormente no capítulo
sobre as medidas de tendência central. Voltando para a
tabela referente ao comprimento das peças (em mm),
pode ser calculado o desvio quartílico da seguinte forma:
101,8100 – 98,5717 = 3,2383. Como a mediana, o desvio
quartílico possui a vantagem de não ser afetado por
valores muito discrepantes. No entanto, a sua utilização
não é muito comum, constando em alguns pacotes de
software especializado, mas na prática desprezado a favor
do desvio padrão. No entanto, no famoso gráfico da caixa
das medianas (box-plot, em inglês) a sua presença é
implícita .
(5,7)
Com relação ao exemplo sobre as reclamações dos
clientes, o gerente da empresa possui pelo menos duas
medidas para analisar o desempenho frente aos clientes
com queixas: a média do tempo gasto para solucionar a
reclamação e o desvio padrão. Um procedimento prático
pode ser colocado nos manuais da empresa, onde
semanalmente médias e desvios padrão são calculados,
tendências analisadas e providências tomadas caso sejam
necessárias. Por exemplo, a média tendendo a subir ou o
desvio padrão aumentando através do tempo são sinais
claros de deterioração do desempenho da empresa e deve
causar preocupação na parte da gerência(7). Os dados
individuais devem sofrer também análises cuidadosas,
especialmente para os dados que se destacam longe dos
demais ou muito diferentes da maioria dos dados.

21
 Controle Estatístico da Qualidade e Auditoria da Qualidade
Gráficos: Diagrama das
Medianas e Histograma
A melhor maneira de analisar uma série de dados
não é por sua organização na forma de tabelas, mas
graficamente. A tentativa de ver padrões e tendências em
uma relação de dados escritos em uma tabela certamente
resultará em fracasso especialmente quando o número de
dados numéricos for grande. A Figura 1(7) mostra os dados
numéricos da tabela referente ao tempo gasto em resolver
problemas dos clientes.
Figura 1 - Tempo gasto para resolver problemas dos clientes.
Fonte: Adaptado Samohyl, R. W. (2009).
Entre vários outros pontos, pelo menos dois são
destacados, o ponto máximo no dia 21 e o ponto mínimo
no dia 16. O que aconteceu nestes dois dias? Será que
os eventos que ocorreram no dia 16 são controláveis e
que podem ser repetidos nos outros dias para beneficiar
toda a situação? E os eventos do dia 21 que causaram um
péssimo desempenho, será que eles podem ser evitados
no futuro?
Um gráfico que reúne as informações da mediana e
também dos quartis de uma maneira didática e simples de
entender é o diagrama (caixa) das medianas (Figura
2) que foi construído com os valores da Tabela VIII.
22
Figura 2 - Diagrama das medianas so tempo gasto nas reclamações -
Fonte: Adaptado Samohyl, R. W. (2009).
As duas linhas horizontais da Figura 2 representam os
valores mínimos e máximos, respectivamente de toda a
série, ou em outras palavras; a distância entre elas é a
amplitude total dos dados numéricos (At). O retângulo (ou
caixa) no meio da figura representa o quartil inferior e o
superior, onde está agrupada a metade central dos dados,
e a distância entre estes valores é o desvio quartílico.
Finalmente, a linha dentro do retângulo é a mediana(7).
Analisando a figura, pode-se verificar que os dados
numéricos estão distribuídos com assimetria, tendo mais
valores baixos do que altos. Os valores altos são menos
frequentes, mas merecem uma investigação cuidadosa,
pois representam um péssimo desempenho da empresa
em solucionar problemas dos clientes.
Estes valores mais altos são críticos para o
relacionamento da empresa com o seu público alvo,
e a gerência deve garantir que não ocorram no futuro.
Diversas empresas constroem esse tipo de gráfico para
entender importantes características operacionais em uma
base mensal ou semanal, facilitando o monitoramento
dessa característica ao longo do tempo. E fácil ver se a
característica está inserida no alvo ou evoluindo de uma
maneira satisfatória, e se a variabilidade dos dados está
aumentando (piorando) ou diminuindo (melhorando).
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Um gráfico que possui todas as características do
diagrama das medianas, mas exibe muito mais informações
sobre a distribuição dos dados numéricos é o Histograma.
Para entender a construção e interpretação desde tipo de
gráfico, vamos considerar o seguinte exemplo: Retirou-se
de um laticínio, uma amostra contendo 150 sacos plásticos
contendo leite, que por norma, deveriam ter exatamente
1 litro cada(7).
que isso significa que aproximadamente 83% dos sacos
plásticos contendo leite possuem um volume maior.
Entretanto, as informações da Tabela X estão presentes
na Figura 3, mas de uma maneira mais clara e mais fácil
de interpretar.

A Tabela X contém os dados numéricos da amostra

escolhida e o histograma é um retrato dos dados presentes
nesta tabela.

Tabela X - Frequências de medidas em mililitros (ml) de

sacos de leite.

Volume de Frequência Frequência

leite: contendo simples Acumulada Figura 3 - Histograma das medidas dos sacos plásticos para leite.
até (ml) relativa (%) Fonte: Adaptado Samohyl, R. W. (2009).

856,44 1 0,67
878,61 1 1,33 A forma do histograma, com frequências altas no meio
900,77 1 2,00 dos números e mais baixas para números distantes da
922,94 3 4,00 tendência central é muito comum. Este formato da figura
945,10 19 16,67 é considerado à base da distribuição normal. O histograma
967,27 19 29,33 apresenta de uma maneira didática a tendência central
989,43 25 46,00 dos dados e a variabilidade, sendo para este caso, mais
1011,60 21 60,00 interessante e útil que o diagrama das medianas.
1033,77 23 75,33
1055,93 19 88,00
Este tipo de gráfico é uma ótima ferramenta, sendo
1078,10 10 94,67
muito utilizado para a análise de dados numéricos através
1100,26 4 97,33
do tempo. Por exemplo, um engenheiro trabalhando na
mais de 1100,26 4 100
linha de produção utilizaria o histograma periodicamente
Fonte: Adaptado Samohyl, R. W. (2009). para verificar se a medida está de acordo com o esperado
e se a dispersão dos dados não está se desviando de um
De acordo com a tabela anterior, na primeira linha, controle considerado adequado. Se ocorrer discrepâncias,
dos 150 sacos investigados, um saco entra na classe de as mesmas devem ser investigadas e o processo corrigido.
volume de zero até 856,44 ml. Na próxima linha, tem a Muitas vezes o analista não utiliza a frequência simples (ou
classe de sacos entre 856,45 ml até 878,61 ml, possuindo absoluta) no eixo vertical como foi representada na Figura
novamente um único saco plástico. A maior frequência, 3, mas sim a frequência percentual (relativa). Desse modo,
onde contém 25 sacos de leite é a da classe entre 967,28 cada coluna do histograma representa uma percentagem
até 989,43 ml. da amostra ou população, se for o caso a se analisar(7). A
soma de todas as percentagens da frequência relativa é
A última coluna da tabela contém os valores das naturalmente 100%.
frequências acumuladas relativas (em %) até a última
classe. Por exemplo, de todos os sacos amostrados,
16,67% possuem um volume de até 945,10 ml. É aparente

23
 Controle Estatístico da Qualidade e Auditoria da Qualidade
Nesta apostila não serão discutidas as distinções entre
as várias distribuições de probabilidade, pois esse assunto
é tratado em trabalhos mais avançados e para cursos
mais específicos, mas são tratados nos livros comentados
na introdução e disponíveis na seção de Referências.
É suficiente dizer que a análise das distribuições de
probabilidade é extremamente importante em uma
segunda fase de implantação das ferramentas, na medida
em que os processos de monitoramento são aperfeiçoados
ao longo do tempo.
Gráficos de Controle
Os gráficos de controle possuem extrema importância
para o CEP, pois é utilizado na detecção de alterações
inusitadas de uma ou mais características de um processo
ou produto. Em outras palavras, é uma ferramenta
estatística que alerta para a presença de causas especiais
na linha de produção. O paradigma tradicional é o processo
industrial analisado através do tempo (também chamado de
séries temporais), mas atualmente a ferramenta também
é aplicada em processos administrativos e de serviços, e
para dados numéricos divididos em seções (por exemplo,
diferentes setores na empresa no período de tempo)(5,7).
O gráfico (Figura 4) consiste na plotagem de três
linhas contendo os pontos que representam as médias
de pequenas amostras (conhecidos também como
chamados subgrupos racionais), cada uma de tamanho
n (onde n= 1, 5, 9, 23, 1000, por exemplo), que
representa a quantidade de mensurações periódicas de
alguma característica importante de um processo (peso,
cumprimento, volume, entre outros.), ou o número ou
percentual de peças defeituosas ou número de defeitos.
As três linhas representam dois limites de controle, um
chamado de superior (ou Limite de Controle Superior -
LCS) e outro inferior (ou Limite de Controle Inferior - LCI),
e uma linha no meio a qual é a média da variável ou o alvo
da característica.
Tradicionalmente, as linhas de controle ficam localizadas
a uma distancia de três desvios padrão da média da série
24
(ou alvo). A utilização de três desvios é arbitrária, mas na
prática funciona na maioria dos casos. Os limites definem
uma área considerável que irá evitar problemas que não
existem na realidade, pois um profissional que gasta o
precioso tempo correndo atrás de causas especiais que
não existem, não está sendo um empregado útil para a
empresa. O desvio padrão utilizado é o desvio padrão
das médias (ou erro padrão), que é o desvio padrão da
população dividido pela raiz quadrado do tamanho da
amostra: 3σ/√n.
Figura 4 - Gráfico de controle conceitual - Fonte: Adaptado Samohyl, R.
W. (2009).
Na estatística, os dois limites de controle definem
um intervalo de confiança com nível de confiança de
aproximadamente 99,73%. Este número significa que um
“alarme falso” pode ocorrer uma vez em 370 subgrupos.
Realmente é o “preço” a ser pago quando se utiliza a
técnica de amostragem, mas pelo menos a possibilidade de
ocorrência é realmente muito pequena. Se forem tiradas
16 amostras por dia na fábrica, iria ocorrer uma vez a cada
23 dias. Existe um “preço” razoável considerando o grande
valor dos gráficos de controle.
A estimação dos limites de controle é valida para
processos considerados estáveis, quer dizer, que mantem
fixos a média e o desvio padrão e, portanto, não estão
sob a influencia de causas especiais. No entanto, alguns
processos aparentemente controlados podem ser
influenciados por uma causa especial e o resultado é que
medidas se deslocam para fora dos limites de controle. No
gráfico da Figura 4, este processo seria considerado sob
a possível influência de alguma causa especial, instável,
porque um ponto está fora dos limites.
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Um processo é considerado instável somente no

O gráfico das médias
momento da descoberta da causa especial.
Para compreender os conceitos deste tipo de gráfico de
Existem alguns padrões de pontos que assinalam a
controle, vamos imaginar a seguinte situação: no processo
existência de causas especiais; por exemplo, mais do que
de produção de uma ração para gatos de uma empresa
cinco pontos consecutivos, sendo todos acima ou abaixo
desconhecida, sempre houve problemas no enchimento
da linha central. Este padrão é raro de acontecer como um
do pacote de um quilograma (Kg). Com o passar do
ponto que está a uma distância de três desvios padrão da
tempo, os clientes reclamavam sobre os pacotes contendo
linha central.
menos quantidade de ração do que a norma estipulava
e, eventualmente, a empresa começou a perder clientes.
Para compreender, isto equivalente a sair oito faces
Após um breve período de tempo, os pacotes de ração
caras consecutivas lançando uma moeda justa, que
foram descobertos por fiscais que encontraram diversos
certamente é uma ocorrência rara e, portanto, deverá
contendo menos que um quilograma, resultando em
ser investigada a suposição da justiça no lançamento da
multas pesadas para a empresa. O gerente então decidiu
moeda da mesma maneira que na influência de causas
implantar um gráfico de controle no processo de produção,
especiais no processo produtivo. Outro padrão para se
especificadamente no ponto do enchimento dos pacotes(7).
investigar é quando ocorrem dois pontos de três dentro
dos limites de controle e mais precisamente perto deles.
Para a coleta de dados, decidiu-se utilizar amostras
Finalmente, um último padrão que normalmente assinala
periódicas de hora em hora, cada uma com cinco
possíveis problemas na linha de produção, três pontos de
mensurações (n = 5 elementos). Esse perfil de amostragem
um total de quatro, de um dos lados da média, mas no
foi escolhido considerando as informações técnicas
meio da área, ou seja, nem muito perto da linha central
disponíveis na empresa. As indústrias normalmente possuem
nem dos limites de controle. Dependendo da situação e/
seus perfis para amostragem e, às vezes, devem seguir
ou cultura existente na fábrica, outros padrões podem ser
normas da agência reguladora. Por exemplo, na indústria
utilizados, mas com cautela, pois o uso de padrões deve
química, diversas amostras são separadas em bateladas e
ser minimizado uma vez que muitos significam, na prática,
o tamanho considerado é de um elemento. Essa técnica de
alarmes falsos(7).
amostragem será explicada mais adiante. Após dois dias
de coleta de dados, foram separadas 18 amostras com 5
Com base nos conceitos apresentados, serão abordados
mensurações cada, uma por hora, durante 3 turnos de 6
nas próximas seções vários tipos tradicionais de gráficos
horas cada. Os resultados estão na Tabela XI.
de controle e alguns derivados de situações especiais.

Amostras recolhidas de hora em hora (valores expressos em gramas)

1h 2h 3h 4h 5h 6h 7h 8h 9h
1º 1006 1009,69 1033,68 1051,89 963,31 1021 981,37 987,4 1030,14
2º 1005 1000 1001 1031 993,69 1023,78 1010,28 994,03 1034,07
3º 1006,04 985,31 1000 1027 1022,02 1020 990,56 990,67 973,01
4º 1032,35 1001 1016,9 1026,36 990,05 1046,87 990,46 1025,03 994,89
5º 1011,35 987,81 1033,01 1005,77 968,85 1009,24 954,43 1048,18 973,62
10h 11h 12h 13h 14h 15h 16h 17h 18h
1º 1024,88 1003 999 1015,25 978,48 1021,71 1038,32 1050 1040,13
2º 967,38 1031,54 1039,08 1020 995,55 1026 1013,77 1001,73 1025,99
3º 1018,81 1017,65 1034 1010 989,48 1065,55 1009,32 1045 985,04
4º 984 979,96 1001 1006,9 1006,95 1050 998,27 1023,59 1000
5º 1035,11 1013,52 999,11 1011,67 1002,07 1041,78 980,34 1036 1011
Tabela XI - Resultados de mensurações de 18 amostras horárias - Fonte: Adaptado Samohyl, R. W. (2009).

25
 Controle Estatístico da Qualidade e Auditoria da Qualidade
Sendo praticamente impossível tirar qualquer
conhecimento dos dados presentes na Tabela XI, os
mesmos são plotados e ilustrados em formato gráfico
(Figura 5). Entretanto, embora o gráfico seja mais
esclarecedor, ainda existem duvidas sobre a série.
Figura 5 - Todas as 90 mensurações (medidas) dos pacotes de ração.
Fonte: Adaptado Samohyl, R. W. (2009).
Analisando o gráfico, existem vários pontos que se
afastam do “alvo” 1000 gramas (g) ou 1 kg, mas será que
os afastamentos são realmente grandes? Qual o critério
que deve ser utilizado para medir esse afastamento? Onde
é que devem ser colocados os limites de controle para
assinalar a presença de causas especiais e melhorar o
processo? A construção do gráfico de controle irá auxiliar
na resolução deste problema. A linha central do gráfico é
a média dos dados ou o alvo do processo. A média neste
caso é 1010,62 gramas ( ). O valor parece alto, mas
reflete o fato de que a empresa sofreu a perda de clientes,
multas, e, dada a instabilidade do processo, está sentindo
a necessidade de proporcionar ração de graça para os
compradores.
No momento que o processo ficar mais estável a
média tende a retornar para 1000 gramas, economizando
despesas e melhorando os resultados.
Os limites de controle são iguais a três desvios padrão
da média, ou três erros padrão, desde que na pratica ,
utiliza-se a amplitude média dos subgrupos racionais e os
coeficientes de Shewhart presentes na Tabela IX(7). É muito
comum na indústria utilizar o desvio padrão calculado
com a média das amplitudes e com o coeficiente d2, um
dividindo o outro, ( /d2).
26
Para converter o desvio padrão em erro padrão, basta
dividi-lo pela raiz quadrada do número total de elementos
da amostra, ou seja, ( /d2)/√n. Portanto, os limites de
controle são três erros padrão acima e abaixo da média.
De acordo com a Tabela XI, a coluna A2 corresponde a um
coeficiente que facilita o cálculo dos limites de controle.
Este coeficiente que se modifica com o tamanho da
amostra, transforma a média das amplitudes em três erros
padrão:
A utilização do coeficiente A2 facilita muito o cálculo
dos limites de controle para o próprio operador no que está
no “chão da fábrica”. Mesmo com as fábricas se tornando
cada vez mais informatizada, os coeficientes do Shewhart
sobrevivem como a base dos cálculos de variabilidade
(dispersão)(7). Desse modo, os limites de controle são:
e
Onde é a média total (média das médias parciais) e
representa a linha central do gráfico.
Voltando para nosso exemplo referente aos pacotes de
ração, já foi calculada a média de 1010,62 gramas. O valor
de A2 da Tabela XI é 0,577 para amostras de tamanho n=5,
e o valor da amplitude média que consta na Tabela XII
é 47,67. Portanto, o cálculo do limite de controle superior
é 1010,62 + (0,577*47,67) = 1038,12 e o cálculo do
limite de controle inferior é 1010,62 - (0,577*47,67) =
983,11.
Com a tabela montada, basta plotar o gráfico de
controle (Figura 6), construído por padrão, contendo as
três linhas para facilitar a interpretação.
 Controle Estatístico da Qualidade e Auditoria da Qualidade

1 2 3 4 5 6
1012,15 996,76 1016,92 1028,4 987,58 1024,18
Média ( )
27,35 24,37 33,68 46,11 58,7 37,62
7 8 9 10 11 12
985,42 1009,06 1001,15 1006,04 1009,13 1014,43
Média ( )
55,85 60,77 61,06 67,72 51,58 40,08
13 14 15 16 17 18
1012,76 994,51 1041,01 1008 1031,26 1012,43
Média ( )
13,09 28,47 43,83 57,98 48,26 55,09

Média Total ( ) = 1010,17 Média das amplitudes ( ) = 47,67

Tabela XII - Médias dos subgrupos, média total e média das amplitudes - Fonte: Adaptado Samohyl, R. W. (2009).

na fábrica têm origem na gestão das operações. Se o

operador foi ensinado de uma maneira inadequada, a
culpa é da gerência e não do operador(7).

Os gráficos de controle devem ser atualizados

Figura 6 - Exemplo do gráfico de controle das médias - Fonte: Adaptado
Samohyl, R. W. (2009).
periodicamente, uma vez por mês e novos limites
deverão ser calculados. No entanto, jamais utilizarão nas
atualizações os subgrupos que estavam sob a influência
comprovada de causas especiais. Estes dados devem ser
arquivados longe dos gráficos de controle, mas lembrados
como parte da historia das melhorias e outras conquistas
da empresa ao longo do tempo(7).

O gráfico da Figura 6 contém os valores das médias

dos 18 subgrupos, além dos limites de controle superior e
O gráfico da variabilidade
inferior, e da média das médias (média total). Nota-se que
É muito importante construir um gráfico de controle
o subgrupo de número 15 possui a média mais alta que
para monitorar diretamente a variabilidade do processo, já
o limite de controle, e, portanto, a média deste subgrupo
que a variabilidade contribui para a qualidade do produto.
é suficientemente afastada da média do processo para
Alguns especialistas defendem que o gráfico R é mais
justificar uma investigação e eventual eliminação de uma
importante que o gráfico das médias. Na prática os limites
causa especial.
de controle são calculados usando a teoria já discutida
anteriormente a esta seção, além dos coeficientes de
O gerente analisou a situação e descobriu a presença
Shewhart (Tabela IX). Entre várias alternativas, o gráfico
de um operador substituto e quase sem treinamento
das amplitudes (R) é o mais comum para monitorar a
no lugar do operador veterano que estava com médico
variabilidade. A média das amplitudes ( ) é a linha central
marcado nesse horário. Com isso, ocorreu nos próximos
do gráfico e os limites de controle são:
dias um treinamento rápido para garantir o desempenho
de todos os operadores nas tarefas mais importantes de
e
toda a linha de produção. Quase sempre, os problemas

27
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Onde D4 e D3 são coeficientes da Tabela IX os quais
convertem a média das amplitudes em limites de controle.
A Figura 7 é um exemplo de gráfico de controle das
amplitudes R. Neste caso, o valor de LCS é 2,115*47,67 =
100,58 e do LCI é 0 (pois D3 é 0).
Existe mais um gráfico para o monitoramento da
variabilidade do processo, mas na prática é muito pouco
utilizado, o gráfico do tipo S, baseado diretamente no
desvio padrão dos subgrupos. É mais apropriado quando
os subgrupos possuem um tamanho maior; por exemplo,
maior que 10, sendo raro isso acontecer na prática.

Nenhum ponto está fora dos limites de controle e,
consequentemente, o gerente deve se sentir tranquilo que
nenhuma causa especial está influenciando o processo.
Claro que tem um ponto próximo ao limite superior e,
se tiver tempo sobrando, o gerente poderia investigar as
causas, mesmo não existindo indícios fortes para a presença
de causas especiais. Por outro lado, se as amplitudes
dos processos forem julgadas grandes demais, difíceis
decisões terão que ser tomadas para melhorar o processo,
como por exemplo, a compra de novas máquinas, mais
treinamento para os funcionários, entre outras coisas.
Por fim, a decisão referente à empresa de rações
para animais foi decidida pelo gerente, sendo que a
falta de treinamento foi o fator principal para explicar a
variabilidade do processo. O que apareceu como uma
causa especial no gráfico num determinado ponto no
tempo foi reconhecida mais tarde como um problema
geral de todos os operadores(7).
A empresa começou uma serie de treinamentos que
ocupavam apenas 3 horas por semana, mas o resultado se
tornou surpreendente. A amplitude do peso do pacote de
ração foi cortada pela metade e a média do processo ficou
em 1001 gramas (praticamente o peso da norma: 1 kg).
A clientela retornou a consumir o produto e os fiscais não
encontraram mais pacotes com não conformidades. Uma
percentagem das economias realizadas foi distribuída na
época do Natal e a outra parte ficou com o gerente.

O gráfico Xiindividual e amplitude móvel

O gráficoXi individual é utilizado quando os
subgrupos possuem apenas um elemento, como acontece
Figura 7 - Exemplo do gráfico de controle das amplitudes R - Fonte: regularmente na indústria química e de alimentos.
Adaptado Samohyl, R. W. (2009).

Número T (ºC) Amplitude Móvel Número T (ºC) Amplitude Móvel

1 95,43 4,42 13 97,81 0,03
2 99,85 0,24 14 97,84 5,25
3 100,09 1,65 15 103,09 7,91
4 101,73 0,45 16 95,18 2,42
5 102,18 3,81 17 97,61 0,39
6 98,37 2,84 18 97,22 4,56
7 101,21 4,96 19 101,78 1,54
8 96,26 2,64 20 103,32 1,29
9 98,90 1,98 21 102,03 1,98
10 96,92 1,23 22 104,02 5,34
11 95,70 0,65 23 98,68 0,30
12 95,05 2,76 24 98,38 -
Tabela XIII - Temperaturas (em ºC) de um produto químico - Fonte: Adaptado Samohyl, R. W. (2009).

28
 Controle Estatístico da Qualidade e Auditoria da Qualidade
Um dos problemas neste caso é como definir a
variabilidade e calcular a amplitude quando o subgrupo
possui apenas um elemento. A solução é trabalhar com
uma amplitude móvel. Por exemplo: a Tabela XIII contém
uma lista de temperaturas (em centígrados) de um produto
químico.
As colunas temperaturas, representeadas pela letra T
e expressas em centígrados (ou graus celsius: ºC) foram
plotadas com a coluna da amplitude móvel. A amplitude
móvel é a diferença entre duas medidas sequenciais. Por
exemplo, a primeira amplitude móvel (4,42) é a diferença
entre o segundo e o primeiro números (99,85 – 95,43).
A segunda amplitude móvel (0,24) é a diferença entre o
terceiro e o segundo números (100,09 - 99,85) e assim
sucessivamente, sempre subtraindo o seguinte pelo
anterior.
A média das amplitudes é 2,55. Esta amplitude pode
ser utilizada para definir os limites de controle da mesma
maneira como foram determinados no gráfico de controle
das médias. Supondo que o tamanho da amostra é igual
a 2, o gráfico de controle terá linha central igual a 99,11
(média da coluna dos dados) e os limites de controle
são calculados com o coeficiente de Shewhart, neste
caso d2 = 1,128 para n = 2 (ver Tabela IX). O limite de
controle superior é calculado da seguinte forma: 99,11 +
(3*2,55/1,128) = 105,89 e o limite de controle inferior:
99,11 – (3*2,55/1,128) = 92,33. Nenhum dado contido
na Tabela XIII está fora dos limites de controle, assim
o processo está sofrendo apenas causas comuns. Se
o engenheiro estiver insatisfeito com a variabilidade do
processo, julgando que as temperaturas estão variando
consideravelmente ou demais, então ele vai ter que atacar
o problema com despesas grandes para comprar um novo
aquecedor ou outro termostato .
(5,7)
....
EXEMPLO DA ESTATÍSTICA EM AÇÃO PARA A MELHORIA
DA QUALIDADE
O administrador Roberto trabalha em uma companhia
de grande porte, com serviços de cartão de credito, e
29
seus superiores querem agilizar o processamento de
novos cartões. O processo em si já foi mapeado e um
ponto crítico identificado: checar as referências bancárias
do novo candidato ao cartão. Para levantar uma amostra
(com a variável tempo, por exemplo) para essa tarefa,
o processo foi monitorado durante intervalos regulares
e, depois de três dias a média do processo foi calculada
em 8 minutos com desvio padrão de 5 minutos. Com a
primeira montagem do gráfico de controle para os valores
individuais X_i, são encontrados vários pontos fora dos
limites, indicando causas especiais e que o processo
deve ser corrigido. Os pontos foram eliminados da base
dos dados e novos limites de controle calculados. No
decorrer do tempo, novos pontos aparecem fora dos
limites de controle e quase sempre as causas especiais
encontradas. A causa especial de documentos perdidos
foi solucionada aplicando normas organizacionais na mesa
dos funcionários. Outro problema foi à demora, ainda
muito irregular, de conseguir contato com o funcionário do
banco, e que foi solucionado pelo estabelecendo uma série
de convênios com os maiores bancos, padronizando um
sistema de comunicação através de formulários disponíveis
pela internet, e-mails e a utilização do telefone. Em poucas
semanas a média da tarefa baixou para 3 minutos com
desvio padrão de 2 minutos. Com esta melhoria, o número
de candidatos processados por semana triplicou(7).
....
Até agora não foi mencionado algo sobre os limites
com especificações contendo informações para medir a
tolerância permitida da variabilidade de uma característica
importante do produto. Estes limites são conceitualmente
independentes dos limites de controle. A tolerância é
calculada pelo analista do processo ou produto na hora
da sua concepção, ou seja, antes de qualquer tentativa de
fabricá-lo. Em outras palavras, a tolerância é um conceito
teórico e que nem sempre é aplicado efetivamente(7).
Os limites de controle, por outro lado, são valores
calculados dos dados observados e são valores práticos.
Conceitualmente, a tolerância mede o que deve ser,
enquanto os limites de controle medem o que realmente é.
 Controle Estatístico da Qualidade e Auditoria da Qualidade

O índice de capacidade é uma medida da relação

numérica entre os dois conceitos: é a distância entre o
limite de especificação superior (LES) e o inferior (LEI)
O gráfico do tipo p
dividido pela distância entre o limite de controle superior
Para compreender outro importante gráfico para o
(LCS) e inferior (LCI) do gráfico de controle para valores
controle estatístico do processo, vamos imaginar mais
individuais, ou seja(7):
um exemplo fictício. Uma empresa de materiais para
escritório tem como carro chefe de fabricação uma caneta
esferográfica customizada com a logomarca do cliente.
O custo de fabricação da caneta está em torno de 45
centavos, sendo vendida a $1,00 e o possuindo lotes
O valor (LCS – LCI) é conhecido como “seis sigmas”,
sempre entre 3000 e 30.000 unidades(7).
representando uma distância de seis desvios padrão.
Quando o processo cumpre o objetivo, então os limites
Recentemente, as canetas vêm recebendo reclamações
de controle ficam inteiramente dentro dos limites de
dos clientes por três razões: (1) o mecanismo de fechar
especificação, e o valor do índice é maior que 1,0. Com
e abrir a ponta da caneta não funciona muito bem, (2)
isso, um índice igual a 1,0 significa que a taxa de rejeição
a tinta da caneta é de baixa qualidade secando rápido
do produto não conforme fica em 27 itens de 10.000.
demais e, o que é considerado o pior dos problemas, (3)
Geralmente, as indústrias desejam processos com índices
a tinta da logo marca do cliente desaparece em apenas
maiores que 1,33 e, se alcançar o valor 2,0 (cenário
poucas horas.
considerado ideal), a tolerância seria de 12 desvios padrão
da distância, ou 6 desvios padrão da linha central. Com um Analisando este caso, percebe-se que obviamente,
índice igual a dois, a taxa de rejeição de defeituosas seria uma inspeção de 100% seria uma impossibilidade dado o
de apenas 2 itens defeituosos em um total de 10 bilhões(7). tamanho dos lotes e o custo baixo de cada ítem. O gerente
da linha de produção toma a iniciativa de implantar a
No exemplo das temperaturas, os limites de especificação
utilização de um gráfico de controle na linha de produção,
são 92,53 e 106,09; indicando que uma temperatura
e como primeira tentativa constrói o gráfico com valores
adequada e dentro dos conformes deve ficar sempre entre
que foram coletados na etapa final da linha de produção
essas duas temperaturas para garantir a qualidade do
(Tabela XIV). Neste caso, o gráfico utiliza a grandeza
produto. O índice de capacidade nesse processo químico é
porcentagem (ou percentagem), representado pela letra p
(106,09 – 92,028) / (105,89 – 92,328) = 14,062/13,562 =
de itens defeituosos(7).
1,04. Portanto, pelo índice de capacidade, as temperaturas
estão fora das especificações quase 27 vezes para cada
10.000 amostras ou 0,27% do tempo total, um valor
normalmente avaliado e considerado como adequado pelo
gerente da linha de produção(7).

30
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Número / Número Canetas Número / Número Canetas

Tamanho da de canetas defeituosas Tamanho da de canetas defeituosas
amostra defeituosas (em %) amostra defeituosas (em %)
1 / 100 8 8 18 / 100 5 5
2 / 100 8 8 19 / 100 4 4
3 /100 5 5 20 /100 5 5
4 / 100 2 2 21 / 100 3 3
5 / 100 5 5 22 / 100 8 8
6 / 100 7 7 23 / 100 2 2
7 / 100 2 2 24 / 100 6 6
8 / 100 5 5 25 / 100 2 2
9 / 100 3 3 26 / 100 5 5
10 / 100 12 12 27 / 100 6 6
11 / 100 3 3 28 / 100 9 9
12 / 100 6 6 29 / 100 2 2
13 / 100 2 2 30 / 100 3 3
14 / 100 7 7 31 / 100 9 9
15 / 100 8 8 32 / 100 7 7
16 / 100 3 3 33 / 100 5 5
17 / 100 3 3 34 / 100 4 4
Média = 5,12 5,12
Tabela XIV - Porcentagem de canetas defeituosas na linha de produção - Fonte: Adaptado Samohyl, R. W. (2009).

Este tipo de gráfico é popular nas fábricas onde a

utilização do CEP é ainda muito embrionária. A peça é
inspecionada e julgada conforme ou não conforme. Não
é preciso nenhum equipamento avançado de medida ou
mensuração. Portanto, se os limites de controle se distanciam da
porcentagem média em três desvios padrão, mas com um
No caso da empresa de materiais de escritório, não peso de 2,2%, temos:
é necessário mensurar alguma característica da caneta,
mas sim apenas deve-se analisar se a caneta preenche os LCS: 5,12% + 3*2,2% = 11,72% e

três parâmetros de qualidade discutidos acima. O gráfico

LCI: 5,12% - 3*2,2% = - 1,48% → 0,0
exige tamanho de amostra grande, de 100 a 1000 ou até
2000. O gerente decidiu usar amostras de tamanho igual
a 100 elementos para facilitar a conversão de número de
defeituosas em porcentagem. Depois de três turnos de
O limite de controle inferior resultou em –1,48%,
amostragem, foram coletados dados em 34 subgrupos,
número negativo, indicando uma impossibilidade. Neste
como organizado pela Tabela XIV.
caso, devemos considerar zero, pois não existe número
de itens defeituosos negativos(5,7). Após os cálculos, foi
Analisando a Tabela anterior, pode ser verificado que
plotado o gráfico de controle (Figura 8) de porcentagem
a porcentagem defeituosa média é 5,12%, idêntica ao
de canetas defeituosa, com uma porcentagem defeituosa
número médio de canetas defeituosas em cada um dos
média igual a 5,12%, além dos limites de controle inferior
lotes (subgrupos), pois todos possuem 100 amostras. O
e superior a três desvios padrão da média.
cálculo do desvio padrão neste caso seque a formula(7):

31
 Controle Estatístico da Qualidade e Auditoria da Qualidade
O gerente imediatamente nota que o 10º subgrupo
possui um número de canetas defeituosas maior que o
limite superior de controle (12 > 11,72). Uma investigação
direcionada para causas especiais é apontada, e se for
encontrada a causa da deterioração da qualidade do
produto, ela deverá ser eliminada.
Em muitos casos, na prática, a utilização do gráfico
pode ser simplificada para facilitar as tarefas do operador
na linha de produção. Quando o item fabricado é pequeno,
mas produzido em lotes muito grandes e o custo de
fabricação é muito baixo, o tamanho do subgrupo deve
ser grande, talvez contendo 1000 ou 2000 elementos.
É o caso da fabricação de porcas ou parafusos, onde o
tamanho do lote pode ser 100.000 ou mais.
Figura 8 - Gráfico de controle da porcentagem defeituosa p de canetas -
Fonte: Adaptado Samohyl, R. W. (2009).
Para facilitar os procedimentos, um subgrupo contendo
2000 elementos não precisa ser contado um a um, mas
sim os 2000 itens podem ser coletados em algum tipo
de recipiente onde cabem exatamente 2000 parafusos,
sendo então espalhados por uma mesa onde três ou
quatro operadores vão fazer inspeção dos itens de forma
rápida e eficientemente. Desse modo, o número de peças
defeituosas será relatado em uma ficha de verificação.
32
EXEMPLO DA ESTATÍSTICA EM AÇÃO PARA A MELHORIA
DA QUALIDADE
O supervisor de uma linha de produção de um tubo
de PVC está com o problema de cortar o tubo sem deixar
nenhum vestígio do corte, como pó residual, fios de
PVC no corte ou a beirada riscada. A linha de produção
é responsável por aproximadamente 1000 cortes por
hora e, portanto a inspeção de 100% não é justificável.
Dessa forma, a cada hora são colhidos aleatoriamente
150 cortes para inspeção, para a plotagem do gráfico de
controle p. É a primeira vez na história da fábrica que
monitoram um processo com regularidade e disciplina.
O supervisor estima que a porcentagem de cortes
rejeitadas deva ser de 5%. Para calcular o desvio padrão:
= 0,018. Com isso, o limite superior de controle é 0,05 +
(3*0,018) = 0,10 e o inferior é zero. Assim, de hora em
hora ele calcula o valor de p na amostra de 150 cortes e
plota o gráfico de controle p. Muitas vezes o valor de p
da amostra é maior que o limite de controle, obrigando
a busca das causas especiais. Uma depois de outra, as
causas especiais são descobertas: a serra de corte não
era substituída regularmente, houve troca de operador
sem prestar atenção à fase do processo e os plásticos
utilizados possuíam níveis de dureza diferentes. Ao longo
do tempo, as causas foram eliminadas e, depois de apenas
uma semana de monitoramento, o percentual de cortes
defeituosos diminuiu para 1,5%. O resultado maior é
que supervisor foi promovido à chefia de qualidade da
empresa(7).
Se o gerente optar pelo número de peças defeituosas
e não a porcentagem, as fórmulas para a linha central
e os limites de controle serão diferentes. A linha central
é a média das peças defeituosas nos subgrupos e o
desvio padrão é calculado com uma fórmula ligeiramente
diferente: p (1 - p )n contendo o n (tamanho do subgrupo)
no numerador.
Assim, os limites de controle serão calculados da
seguinte forma(7):
a média das peças defeituosas
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Na literatura especializada, o gráfico leva o nome de gráfico de controle np, desde que n é o tamanho da amostra
e p a porcentagem defeituosa na média, então o valor np é o valor esperado de peças defeituosas em um subgrupo
qualquer(5,6,7).

Gráficos para defeitos

Quando a fabricação é de itens maiores, de maior custo e complexidade, a possibilidades de encontrar defeitos é
extremamente alta, como por exemplo, em carros, aviões, iates, geladeiras, paredes em construções de grande porte,
erros de datilografia em livros, entre outros; então surge a necessidade de contar o número de defeitos encontrados no
item fabricado para melhorar a qualidade. Por exemplo, vamos abordar sobre uma fábrica de geladeiras e uma pesquisa
para avaliar os defeitos (Tabela XV).

Tabela XV - Número de defeitos por geladeira em 50 subgrupos.

Geladeira Defeitos Geladeira Defeitos Geladeira Defeitos Geladeira Defeitos
(número) (número) (número) (número)
1 0 14 0 27 1 40 1
2 3 15 0 28 5 41 2
3 1 16 0 29 1 42 1
4 0 17 1 30 0 43 1
5 0 18 1 31 2 44 0
6 0 19 0 32 1 45 0
7 0 20 0 33 0 46 2
8 0 21 3 34 0 47 3
9 0 22 0 35 2 48 1
10 1 23 1 36 0 49 3
11 3 24 2 37 1 50 3
12 0 25 2 38 0
13 3 26 1 39 4 Média = 1,12

Fonte: Adaptado Samohyl, R. W. (2009).

Certamente existe uma série de falhas que podem
aparecer na geladeira: arranhões na tinta, problemas de
fechamento de porta, pé mal equilibrado, entre outros.
Contando o número de defeitos por geladeira, consegue-
se uma quantidade de dados numéricos suficientes para
a montagem do gráfico de controle voltado para defeitos.
Após a montagem da tabela anterior, pode-se plotar o
gráfico de controle para os defeitos das 50 geladeiras. A
linha central do gráfico é a média de defeitos por geladeira.
Como sempre e igual aos outros gráficos, os limites de
controle superior e inferior distanciam-se em três desvios
padrão da média. Neste caso, o desvio padrão é calculado
com uma fórmula simples: é a raiz quadrada da média
dos defeitos das geladeiras. No exemplo abordado, temos:
√1,12 = 1,058. Em outras palavras, a variância e a média
são idênticas. Portanto, para este caso, os limites de
controle são:
LCS: 1,12 + 3*√1,12 = 4,29 e
LCI: 1,12- 3*√1,12 = -2,05 → 0,0
Como no gráfico anterior sobre proporções defeituosas
(p), o limite inferior possui valor negativo. Entretanto,
este é o tipo de situação onde um valor negativo é uma
impossibilidade, pois não existe número negativo de
defeitos. Por isso, no gráfico da Figura 9 substituiu-se o
valor negativo por zero(7).

33
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Neste tipo de gráfico, os defeitos mais sérios possuirão

Figura 9 - Gráfico de controle para o número de defeitos por geladeira.
Fonte: Adaptado Samohyl, R. W. (2009).
A geladeira de número 28 possui cinco defeitos e está
acima do limite de controle. O gerente, portanto deve
entrar em ação e investigar o processo para possíveis
causas especiais.
um peso maior do que os defeitos mais leves. Verifique a
Tabela XVI, derivada da Tabela XV e compare. A diferença
principal entre as duas tabelas é, que agora, os mesmos
defeitos da tabela anterior foram classificados como leves
(contendo peso igual a 1), médios (com peso igual a
3) e severos (com peso igual a 6). A segunda geladeira
contém três defeitos, mas agora os três defeitos valem
10 deméritos (multiplicação do número de defeitos pelo
peso que representa): um primeiro defeito com peso
1, um segundo com peso 3 e um terceiro com peso 6,
somando um total de 10 deméritos. O cálculo foi utilizado
para todas as geladeiras com os valores da tabela anterior.
A média dos deméritos é igual a 2,62 e é a linha central
do gráfico de controle. Os limites seguem a norma de
três desvios padrão de distância da média, e o cálculo do
desvio padrão segue a fórmula da variância incorporando
os diferentes pesos(7):

Gráficos dos deméritos 12 * (média de defeitos leves) + 32 * (média de defeitos

O gerente da linha de produção de geladeiras não
ficou muito satisfeito com o gráfico de contendo o número
de defeitos por unidade de geladeira, porque no final há
uma grande diferença entre a severidade dos próprios
defeitos. Alguns são apenas superficiais que não afetam
a utilização do produto enquanto outros são fatais e tem
que ser evitados. Depois de levantar esta dúvida para o
professor de CEP da Universidade, ele toma a decisão de
implantar na linha de produção, o gráfico de deméritos
em substituição ao de defeitos . (7)
médios) + 62 * (média de defeitos severos) = 1 * (0,64) +
9 * (0,30) + 36 * (0,18) = 9,82
Como o desvio padrão é a raiz quadrada da variância,
temos: √9,82=3,13. Sendo a média igual a 2,62 e o desvio
padrão igual a 3,13 então os limites de controle são:
LCS: 2,62 + 3*3,13 = 12,01 e
LCI: 2,62% - 3*3,13 = -6,67 → 0,0

Identificação Defeitos (peso 1) Defeitos (peso 3) Defeitos (peso 6) Deméritos

da Geladeira
1 0 0 0 0
2 1 1 1 10
3 1 0 0 1
4 0 0 0 0
5 0 0 0 0
6 0 0 0 0
7 0 0 0 0
8 0 0 0 0
9 0 0 0 0
10 1 0 0 1
11 1 1 1 10

34
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Identificação Defeitos (peso 1) Defeitos (peso 3) Defeitos (peso 6) Deméritos

da Geladeira
12 0 0 0 0
13 1 1 1 10
14 0 0 0 0
15 0 0 0 0
16 0 0 0 0
17 1 0 0 1
18 1 0 0 1
19 0 0 0 0
20 0 0 0 0
21 1 1 1 10
22 0 0 0 0
23 1 0 0 1
24 1 1 0 4
25 1 1 0 4
26 1 0 0 1
27 1 0 0 1
28 3 1 1 12
29 1 0 0 1
30 0 0 0 0
31 1 1 0 4
32 1 0 0 1
33 0 0 0 0
34 0 0 0 0
35 1 1 0 4
36 0 0 0 0
37 1 0 0 1
38 0 0 0 0
39 2 1 1 11
40 1 0 0 1
41 1 1 0 4
42 1 0 0 1
43 1 0 0 1
44 0 0 0 0
45 0 0 0 0
46 1 1 0 4
47 1 1 1 10
48 1 0 0 1
49 1 1 1 10
50 1 1 1 10
Média = 0,64 0,30 0,18 2,62
Tabela XVI - Defeitos de cada geladeira com diferentes pesos e seus respectivos deméritos - Fonte: Adaptado Samohyl, R. W. (2009).

35
 Controle Estatístico da Qualidade e Auditoria da Qualidade
A partir da análise da Tabela XVI e do gráfico da
Figura 10, conclui-se que a geladeira de número 28 acusa
a presença de causas especiais, necessitando de ser
investigadas para não comprometer a qualidade da linha
de produção .(7)
Figura 10 - Gráfico de controle para deméritos - Fonte: Adaptado
Samohyl, R. W. (2009).
Analisando a Figura 10, confirma-se que a geladeira
número 28 continua dando um alarme da presença de
causas especiais que precisam ser investigadas.
O gráfico de controle certo para cada
situação
Como foi abordado neste capítulo, o uso correto dos
gráficos de controle depende da situação onde o controle
e o monitoramento será aplicado e também da seleção do
gráfico mais correto para esse caso especifico.
Quando a variável a ser mensurada é continua, como
peso ou volume, a situação exige o uso de gráficos para
médias, para monitorar as médias de pequenos subgrupos
e gráficos de controle para variabilidade, para monitorar a
variabilidade do processo. Caso os dados numéricos estejam
em subgrupos de tamanho unitário, então é indicada a
utilização de gráficos de dados individuais e da amplitude
móvel. Se o dado for uma porcentagem representando,
por exemplo, a proporção de peças defeituosas de uma
amostra, o gráfico correto seria o gráfico de controle de
defeitos em porcentagens, ou seja, o gráfico do tipo p(7).
36
Um erro muito comum e problemático é aplicar
porcentagens nos gráficos de médias. Se o desvio padrão
não for o mesmo nos dois gráficos, os cálculos dos limites
de controle são diferentes e não podem ser comparados.
O resultado pode gerar muitos alarmes falsos e os alarmes
verdadeiros podem não serem identificados(7).
Por fim, quando o dado numérico significa o número de
defeitos em um determinado produto e as possibilidades
de encontrar defeitos são amplas, o gráfico correto é o
de controle de defeitos, onde a fórmula possui o desvio
padrão igual à raiz quadrada da média(7).
Aproveitando ao Máximo os
Gráficos de Controle
Os gráficos de controle, mesmo quando utilizados de
forma não eficaz, podem resultar em benefícios para a
empresa. No entanto, com alguns ajustes e algumas
sugestões importantes, os alarmes falsos que resultam
diretamente do mau uso dos gráficos podem ser reduzidos
ao mínimo e, consequentemente, economizar tempo,
esforço e gerenciar melhor os recursos para as tarefas e
áreas da empresa mais importantes. Nada na empresa é
mais real do que um alarme falso, e naturalmente estes
alarmes incorrem em custos altos e desnecessários, e
devem ser mantidos em um número mínimo(7).
Por outro lado, alarmes verdadeiros devem despertar
o operador ou engenheiro imediatamente depois de uma
degradação do processo, e ser abundantes em processos
instáveis. No final, nada é mais lucrativo do que uma fábrica
ou escritório com processos estáveis, e isso significa que
poucos itens não conformes estão sendo produzido, o
tempo improdutivo é quase zero e, quando os processos
se deterioram, são rapidamente observados, identificados
e corrigidos com a finalidade de manter a qualidade(7).
Quando algum processo parece estar fora de controle,
questione a precisão dos aparelhos de medição, mesmo
sendo dos mais modernos ou conhecidos.
 Controle Estatístico da Qualidade e Auditoria da Qualidade
Em geral, uma hora ou duas a cada semana é suficiente
para testar todos os seus equipamentos e ficar mais
confiante com as mensurações obtidas(6,7).
Todos os alarmes têm que ser investigados, e o
engenheiro não deve se sentir frustrado depois de uma
meticulosa investigação de um alarme falso onde nenhuma
causa especial foi identificada. Mesmo quando os gráficos
de controle são construídos seguindo as regras básicas
da utilização científica da estatística, os alarmes falsos
são inevitáveis, mas podem ser reduzidos ao mínimo e,
consequentemente, resultar em sequências longas de
amostras sem nenhum alarme falso. Por outro lado, um
alarme verdadeiro que não soa é tão ruim se não pior para
a empresa do que um alarme falso e possivelmente pode
incorrer em custos altos. Desse modo, todos os alarmes
devem ser respeitados e investigados .
(6,7)
Algumas observações nas amostras não devem ser
eliminadas dos dados dos gráficos de controle simplesmente
porque parecem diferentes das outras observações. Antes
de tudo, uma causa especial tem que ser encontrada,
o processo corrigido, e só então que as observações
desta amostra podem ser eliminadas. Normalmente as
observações são eliminadas dos dados do gráfico porque
foram caracterizadas como vindo de uma outra população
em consequência da causa especial(5,7).
Quando o engenheiro está trabalhando com dados
discretos como número de peças defeituosas ou defeitos,
não é correto aplicar um gráfico de controle das médias
nas porcentagens calculadas das peças consideradas não
conformes, como já foi comentado na anteriormente.
Ao cometer este erro, resultará em limites de controle
absolutamente errados. Os gráficos de controle das
médias são construídos para o monitoramento de
características medidas numa escala contínua como pesos,
diâmetros, comprimentos, e semelhantes. Quase sempre
os gráficos dependem da suposição de dados distribuídos
na distribuição normal que exige que os valores medidos
devam variar entre menos infinito e mais infinito. Na
prática, isso significa que não existem limites ou restrições
nos valores medidos. A medida pode assumir valores
relativamente grandes ou pequenos. Por outro lado, é
37
claro que porcentagens possuem limites: um mínimo de
0% e um máximo de 100%(7).
Estratificação de uma amostra é muito mais importante
que um cálculo detalhado do tamanho da amostra, pois
defini na ficha de verificação quais máquinas foram
utilizadas, hora do dia, fonte da material prima, operador
e outras características importantes do processo, sendo
a única maneira de identificar problemas específicos.
É verdade que amostragem estratificada envolve mais
tempo e mais cuidados, mas aumenta a capacidade
de investigação. Para o gráfico das médias, o tamanho
da amostra deve ser entre 4 e 9 elementos, e quando
a estratificação é bem feita, apenas quatro elementos
por amostra é mais do que suficiente. Os gráficos para
porcentagens não conforme necessitam amostras muito
maiores, mas a peça sendo amostrada é em geral quase
insignificante em termos de custo por item, como por
exemplo, lápis, fósforos, porcas e parafusos. Finalmente,
jamais utilize amostras de tamanhos diferentes. Na
literatura acadêmica, discute-se muito sobre amostras
de tamanho variável, mas na prática, se o tamanho da
amostra variar, isso não acrescenta nenhuma vantagem e
confunde no momento da avaliação do processo analisando
o gráfico(5,7).
Muitas vezes, em gráficos que monitoram defeitos ou
peças defeituosas, muitos zeros podem ser observados.
A abundância de zeros pode tendenciar os resultados
levando o engenheiro a imaginar que existem menos
defeituosas do que realmente ocorre de verdade(7).
Para este tipo de situação, as amostras, devem ser
grandes para evitar o aparecimento de zeros, ou uma
alternativa seria utilizar um gráfico de médias onde Xi será
definido como o tempo decorrido entre o aparecimento de
peças defeituosas. Mesmo que isso possa ser muito parecido
com o conhecido gráfico de controle para dados individuais;
não é, porque os dados jamais serão distribuídos na forma
de uma distribuição normal. Como os engenheiros da área
de confiabilidade sabem, o tempo é uma variável que se
deve tomar cuidado, pois tem que ser transformado para
normalidade por alguma manipulação algébrica, ou uma
distribuição mais adequada terá que ser implementada.
 Controle Estatístico da Qualidade e Auditoria da Qualidade
No entanto, a filosofia deste capítulo é que, nos
estágios iniciais da implantação pela empresa de gráficos
de controle, determinadas regras são ignoradas como
a da normalidade dos dados, mas vão ser corrigidas no
decorrer do tempo enquanto a empresa aprende as lições
da estatística(6,7).
A não normalidade dos dados é um problema
raramente atacado no “chão da fábrica”. Aprendendo a
tratar este problema de maneira correta, melhorará em
muito a eficiência da prática dos gráficos. Com isso, a
empresa conseguirá um resultado financeiro interessante,
enquanto a taxa de rejeição e o retrabalho diminuem, e
causas especiais são encontradas .
(6)
Um último problema com os dados do gráfico de
controle que contradiz as suposições básicas da estatística
é a dependência dos dados através do tempo. Gráficos
de controle utilizados numa maneira correta exigem que
dados não possuam tendências, subindo ou descendo ou
exibindo padrões de qualquer tipo. Dados como estes
geralmente produzem limites de controle muito mais
largos que os valores certos, e significando que alguns
alarmes verdadeiros não serão identificados .
(6,7)
O processo de implementação de controle estatístico
de processo na empresa não é uma tarefa fácil, e existe
somente uma única maneira para fazê-lo: passo a passo.
Procedimentos têm que ser desenvolvidos no nível de
“caso a caso” para encaixar novos procedimentos nos
já existentes, e isso em geral exige um gasto grande
em esforço e dinheiro, mas em quase todos os casos o
retorno é considerável. Pense nisso como se fosse à
busca de melhorias dentro do próprio processo de busca
de melhorias. A empresa séria não deve nunca ficar com
medo de avançar para procedimentos mais complexos
contanto que apontem para níveis maiores de eficiência e
lucratividade. No mínimo, há uma coisa certa: alguns de
seus concorrentes no mercado já estão lá na sua frente(7).
Como discutido anteriormente, os gráficos de controle
“mal” utilizados possuem seu valor. O ato de coletar
dados regularmente, desenhando gráficos e analisando a
38
variabilidade e comportamento dos processos empresariais
só podem trazer benefícios para a empresa.
A aplicação de controle estatístico do processo leva
a empresa a “fazer o certo uma primeira vez”, como
Juran sempre falava; e afirmando que os benefícios são
grandes. Nesta linha de raciocínio, é importante que a
construção de gráficos de controle deva ser utilizada no
inicio do processo e não no final. No final do processo o
valor adicionado pelo processo de fabricação já é grande
e qualquer rejeição nessa altura do jogo tem implicações
desastrosas em termos de custos. No inicio do processo,
a elaboração do produto quase não começou e, portanto
a rejeição e retrabalho têm custos considerados triviais(7).
A ISO 9001-2000 e o Controle
Estatístico do Processo
A certificação de ISO 9001-2000 proporciona a garantia
de que a organização está sempre e constantemente
correndo atrás de melhorias, nos insumos que entram
na linha de produção, nos processos produtivos e
administrativos da organização, e pela satisfação do
cliente e funcionários. No entanto, não é o intuito da ISO
9001-2000 propor ou exigir a utilização de procedimentos
específicos para alcançar as tão desejadas melhorias(5,7).
Para compreender melhor, a essência em aplicar a
ISO 9001-2000, pense em reunir uma documentação
dos deveres da organização, continuamente levantadas e
organizadas, de modo a servir como uma base de dados
primária e essencial para a evolução e aperfeiçoamento
da organização. A ISO possui como prioridade o fluxo de
informações padronizadas e, nem menos importante o que
foi armazenado nos chamados banco de dados de fácil
utilização. Entretanto, não existe obrigação em utilizar as
informações armazenadas. Para armazenar as informações,
podem-se utilizar fichas em papel depositadas em arquivos
metálicos se for o caso, mas é claro que uma rede de
computadores possui um potencial de organização e de
facilidade de acesso muito superior(5,7).
 Controle Estatístico da Qualidade e Auditoria da Qualidade
Além do mais, a ISO direciona a quantificação do
conhecimento, refletindo a filosofia de que os fatos
numéricos, além de exigir detalhamento e definição
mais apurados, abre o caminho para estudos e análises
mais objetivos e científico. O modelo de gerenciamento
favorecido pelas normas e descrito logo no inicio da
ISO 9001-2000 é o famoso ciclo PDCA, baseado na
metodologia cientifica, onde P (planning = planejamento)
significa levantar e definir o problema e as metas, D (do
= fazer) significa testar as situações reais da empresa
e implantar procedimentos de correção da situação, C
(check = analisar) significa estudar se os procedimentos
realmente funcionam, e finalmente, A (act = implementar)
significa colocar em prática ações específicas e contínuas
para prevenir falhas e melhorar a qualidade. Os autores
mencionados acima fizeram grandes contribuições na área
da estatística com aplicações em procedimentos concretos,
e certamente aplicavam as metodologias para o ciclo
PDCA. Explicitamente, entre outras coisas, a ISO 2001-
9000 envolve mensuração, análise e melhoria, e objetiva a
satisfação do cliente e como o mesmo pode influenciar na
tomada de decisões até mesmo na linha de produção(5-7).
O objetivo principal deste capítulo é informar
quais requisitos da ISO 9001-2000 abordam assuntos
quantitativos e como são tratados com metodologias
estatísticas.
É importante mencionar que a diretoria da empresa
é responsável pelas revisões periódicas do sistema de
qualidade gerencial. As revisões são documentadas e
devem utilizar, ao máximo, medidas quantitativas de
desempenho. Quando necessário, o sistema de qualidade
deve sofrer alterações para melhor fornecer o que o cliente
deseja. É justamente nesta aplicação que os gráficos de
controle e histogramas podem ser reavaliados e atualizados,
além de abordar os requisitos do cliente visando a linha
de produção. Mas como saber quais são os requisitos dos
clientes? Esta questão não apresenta nenhum problema
quando o número de clientes é pequeno como, por
exemplo, a relação entre fornecedor e cliente/montadora
no setor automobilístico. Neste caso, os requisitos fazem
parte de um minucioso contrato com obrigações legais.
No entanto, existem mercados onde o número de clientes
39
está na quantidade dos milhares ou até milhões. A
situação exige a utilização de questionários, amostragem
e metodologias mais complicadas de estatística para
categorizar e analisar correlações esclarecedoras sobre as
exigências que determinam a qualidade de um produto ou
serviço. Para quem não possui ainda conhecimento nas
metodologias quantitativas ou que envolvam ferramentas
matemáticas, é bom se recordar que um questionário bem
elaborado pode revelar o comportamento do consumidor,
e existem maneiras de identificar isso em gráficos de
construções bem simples. A regra geral é nunca tentar uma
metodologia complicada antes de entender a abordagem e
a análise gráfica(5,7).
Para a ISO 9001-2000, a melhoria da satisfação do
cliente é alcançada somente conhecendo os requisitos, e na
maioria das vezes isso será feito através de questionários
e análises estatísticas. Procedimentos matemáticos
também podem ser úteis para avaliar se um programa de
treinamento é valido, testando o empregado imediatamente
depois do treinamento pelo conhecimento adquirido, e, no
longo prazo, pela pertinência do treinamento em melhorar
relações entre a empresa e seus clientes(5,7).
Neste contexto, a eficiência do setor logístico é
extremamente importante, e seu desempenho é critico
para entregar o produto ou serviço na hora certa. O
desempenho pode ser medido pelo tempo de atraso, por
exemplo, além de monitorado. Como nos questionários aos
clientes, os quais precisam de alta definição e clareza, a
mesma característica aplica-se aos índices de desempenho
de um determinado processo ou serviço. Quando a questão
é clara, a resposta também é, e pode-se dispensar, até
uma próxima etapa de maior maturidade da empresa, a
necessidade de análises mais complicadas(5-7).
A necessidade de utilizar metodologias quantitativas da
estatística se baseia na eficiência destas para conhecer
grandes populações de produtos ou insumos onde, então, a
amostragem se apresenta como ferramenta imprescindível
para economizar tempo e recursos. Os dados são coletados
na linha de produção para assegurar que e refletir os
requisitos dos clientes. Estudos que envolvem índices de
capacidade são apropriados aqui.
 Controle Estatístico da Qualidade e Auditoria da Qualidade
A empresa deve exigir do setor de projeto e
desenvolvimento um nível de qualidade no processo que
garante a satisfação do cliente. Os requisitos dos clientes
são mencionados, primeiro obrigando a empresa a medir
as características essenciais do produto do ponto de vista
do cliente, e segundo responsabilizando a empresa para
periodicamente avaliar todo o processo da relação entre
características essenciais e os requisitos do cliente. Nada
é melhor do que a estimação de médias e desvios padrão
para monitorar a qualidade(5,7).
Realmente as etapas de mensuração, análise e
aplicação de melhoria estão diretamente relacionadas com
o controle estatístico de processo. Entender os conceitos
de produto conforme e não conforme, auditorias internas
(onde a amostragem será essencial) e monitoramento, que
abre espaço para o uso de gráficos de controle e índices
de capacidade, direcionando para a área da estatística.
Ações corretivas sinalizam a busca por causas especiais, e
ações preventivas dependem de metodologias de previsão
e análises de series denominadas de temporais .
(5,7)
Para a organização na fase de certificação ou renovação
da ISO 9001-2000, não necessariamente se precisa
implantar definitivamente um sistema de estatística
altamente avançada em cima das praticas tradicionais.
A transformação da empresa do dia para a noite, muitas
vezes, se não sempre, não funciona direito. O investimento
é grande e a diminuição de deficiências na organização será
pequena nos primeiro meses. Portanto, uma organização
frustrada e descontente possui seu resultado financeiro
ameaçado(5,7).
A implantação de qualquer procedimento novo na
empresa, e especialmente procedimentos com base
matemática, deve começar num espaço pequeno na
fábrica, oferecendo resultados aparentes e contundentes.
Iniciando-se a implantação de métodos estatísticos com
apenas gráficos e explicações intuitivas, sem entrar nos
detalhes dos cálculos, já oferece, em muitos casos, as
condições suficientes para analisar melhor um fenômeno
considerado problemático. Mais tarde, em algumas
semanas ou talvez meses, com os empregadores
acostumados em pensar quantitativamente sobre os
40
procedimentos da organização, técnicas mais abstratas
e complexas como amostragem, gráficos de controle
avançados e experimentação podem ser inseridas de
numa maneira mais generalizada(5,7).
Os famosos gráficos de controle se encontram na
análise de todos os aspectos de uma empresa atualmente,
com aplicações das mais variadas(7).
Auditorias da Qualidade
Neste capítulo será abordado um pouco dos conceitos
referentes a auditoria da qualidade. Entretanto, para
entender realmente o que significa a auditoria voltada
para a área da qualidade, será necessário mudar o
conceito de fiscalização normalmente atribuída a palavra
auditoria. Segundo Falconi Campos, a auditoria, no âmbito
da qualidade, deve ser praticada e vista como uma
oportunidade de dar orientação para a melhoria(12).
Agora, podemos definir que as auditorias da qualidade
existem para verificar se padrões determinados estão
sendo seguidos. Neste caso, é importante que sejam
realizadas por auditores independentes, ou seja, que não
estejam diretamente relacionados ao objeto da auditoria,
mas que dominem, de modo a garantir um diagnóstico de
forma precisa e principalmente com imparcialidade(12,13).
Com o objetivo de uma melhoria contínua e até mesmo
pela sobrevivência, as organizações implantam sistemas de
gestão da qualidade, procurando não somente promover
a qualidade do produto ou serviço, como também garantir
a satisfação de seus clientes em todas as fases de seus
processos, desde o projeto até a pós-venda. Entretanto,
a simples implantação de um sistema de gestão da
qualidade não é suficiente, pois é necessário que o mesmo
leve a empresa a atingir seus objetivos principais, além de
contribuir para a execução de sua missão, sendo que para
isso, deverá ser analisado criticamente e aperfeiçoado(14).
 Controle Estatístico da Qualidade e Auditoria da Qualidade

Segundo Falconi (X), as auditorias de qualidade clima de confiança entre as partes envolvidas, evitando
podem ser classificadas em três categorias principais: (1) desgastes e melhorando a qualidade dos relatórios
auditorias de sistema, (2) auditorias de processos e (3) produzidos(12,13).
auditorias de produtos. As auditorias podem ser conduzidas
por profissionais internos ou externos. Embora nada Com base no que foi abordado acima, a auditoria pode
impeça que uma empresa contrate consultores externos ser definida como “um processo sistemático, independente
para auditar sistemas, processos e produtos a fim de e documentado para se obter evidência e avaliá-la
verificar como anda sua qualidade, a auditoria geralmente objetivamente visando determinar a extensão na qual os
é realizada com fins de certificação ou premiação. Nesses critérios de auditoria são entendidos”.
casos, ela se baseia em requisitos normativos ou nos
regulamentares dos prêmios pretendidos(12). De acordo com a norma ISO 10011 as auditorias são
realizadas objetivando(14):
As informações geradas pelas auditorias devem
servir como base para as decisões sobre os pontos que - Determinar a conformidade ou não do sistema da
necessitam de melhoria e os que estão funcionando de qualidade;
maneira eficaz. A confiança da alta administração em seu
- Determinar a eficácia de um sistema quanto ao
sistema de gestão só se configura por meio da verificação
atendimento dos objetivos;
periódica do mesmo. Além disso, a auditoria aumenta a
confiança do cliente na capacidade de seu fornecedor
- Identificar os pontos a serem melhorados nos sistemas
em entregar produtos conformes, pois o retorno sobre
da qualidade;
a situação do sistema de qualidade deste fornece as
informações necessárias para gerar esta confiança ou para
- Atender aos requisitos regulamentares, e
alertar ao cliente da necessidade de desenvolvimento de
novos fornecedores(14).
- Permitir o registro do sistema da qualidade, chamado
de certificação.
Uma auditoria só será eficiente se for objetiva. Por isso,
deve-se seguir padrões de qualidade da organização ou
Esta norma também relata as principais razões para
da norma a que se refere. Deve da mesma forma, ser
realização de uma auditoria(14):
rigorosamente planejada, de maneira que as seguintes
etapas estejam definidas desde o início: (1) cronograma, - Avaliar um fornecedor quando se pretende estabelecer
(2) áreas a serem auditadas, (3) documentação, (4) uma nova relação;
objetividade, (5) descoberta das causas e (6) competência
dos auditores .
(12)
- Verificar se o sistema da qualidade da organização
continua em conformidade com os requisitos especificados;
Juran(1) chama especial atenção para o aspecto da
interação humana em uma auditoria. Os relacionamentos - Verificar se o sistema da qualidade do fornecedor,
interpessoais e problemáticos se estabelecem normalmente sob acordo contratual, continua a atender aos requisitos
entre auditores e auditados. Alguns problemas de especificados;
processo podem passar a ser vistos como problemas
pessoais, gerando conflitos que, seguramente, poderiam - Avaliar o próprio sistema da qualidade da organização
ser evitados. frente aos requisitos de uma norma de sistema da
qualidade.
O compartilhamento das análises como os auditados
pode ser uma boa forma de quebrar barreiras e criar um

41
 Controle Estatístico da Qualidade e Auditoria da Qualidade

14. _____.TQC: controle da qualidade total ao

Referências estilo japonês. Nova Lima: INDG Tecnologia e Serviços
Ltda, 2004b.

1. JURAN, Joseph M. Planejando para a

15. Apostila do Prof. Carlos Baltzer.
qualidade. São Paulo: Pioneira, 1992.

2. BRAVO, I. Gestão da qualidade em tempos de

mudança. 3º ed. Alínea e Átomo, 2010.

3. CROSBY, P. Quality Is Still Free, 1996.

4. SHEAHART, W. Economic Control of Quality of

Manufactured Product, 1931.

5. BRUNI, A. L. Estatística aplicada à gestão

empresarial. São Paulo: Atlas, 2010.

6. TIBONI, C. G. R. Estatística Básica: Para os

Cursos de Administração, Ciências Contábeis,
Tecnológicos e de Gestão. 1º ed. São Paulo: Atlas,
2010.

7. SAMOHYL, R. W. Controle Estatístico de

Qualidade. São Paulo: Campus Elsevier, 2009.

8. KACHIGAN, S. K. Multivariate Statistical

Analysis: A Conceptual Introduction. Paperback,
1991.

9. MURTERA, B. J. F. Estatística descritiva.

McGraw-Hill, 1993.

10. SILVA, E. M. Estatística para cursos de

Economia, Administração e Ciências Contábeis: 4º
ed. São Paulo: Atlas, 2010.

11. CRESPO, A,. Estatística Fácil. 19ª ed. São Paulo:

Saraiva, 2009.

12. CARPINETTI, L. C. R. Gestão da qualidade:

conceitos e técnicas. 2º ed. Atlas, 2012.

13. FALCONI, C. V. Padronização de empresas.

Nova Lima: INDG Tecnologia e Serviços Ltda, 2004a.

42