Cartas de controle para qualidade

DESCRIÇÃO
Cartas de controle de média amostral e amplitude, de média amostral, desvio padrão e atributos, além de outras mais avançadas.
PROPÓSITO
Compreender como as organizações de produção de bens e serviços controlam preventivamente as variações de seus processos produtivos através
de cartas de controle.
PREPARAÇÃO
Antes de iniciar o estudo deste tema, tenha em mãos uma calculadora e, se possível, acesse um computador com aplicativo de planilhas. Para
acompanhamento dos exemplos citados durante o tema, é fundamental que você tenha em mãos as tabelas de Fatores de linha central e Fatores para
limites de controle, e também a tabela de níveis gerais de inspeção e níveis especiais de inspeção. Segue o link para acesso as referidas tabelas,
disponíveis no anexo deste tema em pdf: clique aqui.
OBJETIVOS
MÓDULO 1
Reconhecer as cartas de controle de média amostral e amplitude
MÓDULO 2
Reconhecer as cartas de controle de média amostral e desvio padrão
MÓDULO 3
Reconhecer as cartas de controle de atributos
MÓDULO 4
Identificar outras cartas de controle mais avançadas
BEM-VINDO AOS ESTUDOS DO CONTROLE ESTATÍSTICO DE

PROCESSOS
O especialista Mauro Rezende Filho fala sobre os estudos do controle estatístico de processos
MÓDULO 1
 Reconhecer as cartas de controle de média amostral e amplitude
CARTAS DE CONTROLE DE MÉDIA AMOSTRAL E AMPLITUDE

O especialista Mauro Rezende Filho fala sobre cartas de controle de média amostral e amplitude
CONTROLE ESTATÍSTICO DE PROCESSOS

Em muitos casos é impossível inspecionar ou testar a qualidade de 100% dos produtos que saem de uma linha de produção. Atualmente e,
principalmente após o surgimento das técnicas e ferramentas da qualidade no Japão, é amplamente aceito que o produto deve ser produzido
corretamente da primeira vez. Isso implica que o processo de fabricação seja estável e que todos os indivíduos envolvidos nele (incluindo operadores,
engenheiros, pessoal de garantia de qualidade e gestão) devem, continuamente, procurar melhorar o desempenho do processo e reduzir a
variabilidade dos parâmetros. O Controle Estatístico do Processo (CEP) é uma ferramenta da qualidade utilizada para alcançar este objetivo. Os
gráficos de controle são o tipo mais simples de estatística para o procedimento de monitoramento de processos. Neste e nos próximos módulos, serão
apresentadas muitas técnicas básicas do CEP, concentrando-se principalmente no tipo de gráfico de controle proposto por Walter A. Shewhart,
chamado de gráfico de controle de Shewhart.
O gráfico de controle é uma exibição gráfica de uma característica de qualidade que foi medida ou calculada a partir de amostras coletadas no
processo. O gráfico contém uma linha central que representa o valor médio, sendo característica de qualidade correspondente ao estado de controle
(ou seja, apenas causas normais/casuais estão presentes). Duas outras linhas horizontais, chamadas de limite superior de controle (LSC) e o limite
inferior de controle (LIC), também são mostradas no gráfico.
Esses limites de controle são escolhidos de modo que, se o processo estiver sob controle, todos os pontos de amostra cairão entre eles. Contanto que
os pontos estejam dentro dos limites, o processo é assumido como sob controle, e nenhuma ação é necessária. No entanto, um ponto que fica fora
desses limites é interpretado como evidência de que o processo está fora de controle, sendo necessárias investigação e ações corretivas para
encontrar e eliminar a causa atribuível ou as causas responsáveis por este comportamento. É comum conectar os pontos de amostra no gráfico de
controle com segmentos de linha reta, de modo que seja mais fácil visualizar como a sequência de pontos evoluiu com o tempo.
INTRODUÇÃO À ESTATÍSTICA DA QUALIDADE
Muitas características de qualidade podem ser expressas em termos de medição numérica.
 EXEMPLO
O diâmetro de um rolamento pode ser medido com um micrômetro e expresso em milímetros.
Uma única característica de qualidade mensurável, como dimensão, peso ou volume, é chamada de variável. Os gráficos de controle para variáveis
são usados extensivamente para definir se o processo está estável.
Não é possível eliminar todas as causas de variabilidade de um processo. Como exemplo, podemos citar a vibração de uma máquina. Causas como
essa são denominadas casuais ou inerentes ao processo e elimina-las seria inviável em termos de custos de produção.
No entanto, quando o processo apresenta variações atribuíveis a causas denominadas especiais (exemplos: não conformidades na matéria-prima,
falhas de operação, imprecisão no ajuste da máquina, desgastes de ferramentas), ou seja, que não são inerentes ao processo, elas devem ser
imediatamente investigadas e corrigidas. A este tipo de ação se dá o nome de ação preventiva.
O gráfico a seguir apresenta o comportamento da distribuição de um processo ao longo de intervalos de tempo. Vamos observar através do
comportamento da média (μ) e do desvio padrão (σ) as variações devido a causas casuais (que não comprometem o controle do processo) e as
variações consideradas atribuíveis a causas especiais, que devem ser investigadas pois podem colocar o processo fora dos limites de controle (LIC e
LSC).
 Causas atribuíveis de variação
INTERVALO DE TEMPO ENTRE
t0
t1
Há alterações no desvio padrão inicialmente de
σ0
para
σ1
e posteriormente de
σ1
para
σ2
. No entanto, o processo permanece dentro dos limites de controle (LIC e LSC) e, portanto, sob controle.
t1
t2
Há alterações significativas na média (de
μ0
para
μ1
) e no desvio padrão (de
σ2
para
σ3
) do processo. Estas variações são atribuíveis a causas especiais, as quais colocaram o processo produzindo itens fora do limite inferior de controle
(LIC), e que necessitam investigação.
t2
t3
Observa-se que houve duas significativas alterações no processo pois a média retornou à sua origem
μ0
e o desvio padrão aumentou consideravelmente de
σ3
para
σ4
, colocando as extremidades da distribuição fora dos LIC e LSC. Portanto o processo não está sob controle pois apresenta variações atribuíveis a
causas especiais que precisam ser investigadas.
APÓS O TEMPO
t3
Observa-se que houve outra significativa alteração no processo pois o desvio padrão permaneceu muito alto (
σ4 > σ3
) e a média se deslocou para o LSC (de
μ0
para
μ2
), devido a variações atribuíveis a causas especiais que colocaram o processo produzindo itens fora do limite superior de controle (LSC). Essas
variações precisam ser investigadas.
Vamos agora diferenciar limites inferior e superior de controle (LIC e LSC) de limites inferior e superior de especificação (LIE e LSE). Os limites de
controle monitoram a variabilidade estatística de um processo ao longo do tempo e os limites de especificação são definidos no projeto e estabelecem
a variabilidade aceitável. Desta forma, os LIE e LSE do projeto correspondem aos limites de variação aceitáveis em uma determinada variável
(parâmetro) a ser controlada (Exemplos: dimensão Ø10mm +/- 0,2, logo: LIE = 9,8mm e LSE = 10,2mm; umidade relativa do ar 40 +/- 2%, logo: LIE =
38% e LSE = 42%).
É importante manter o controle da média e da variabilidade do processo entre os LIE e LSE. A figura a seguir ilustra a saída de um processo de
produção. Na imagem “A”, a média
e o desvio padrão “
” estão sob controle em seus valores nominais (digamos,
μ0 e σ0
) e, consequentemente, a maior parte da saída do processo está dentro dos limites da especificação. No entanto, em “B”, a média mudou para um
valor
μ1 < μ0
, resultando em uma fração maior de produtos não conformes. Na “C”, o desvio padrão do processo mudou para um valor
σ1 > σ0
. Isto também resulta em maior queda do processo, embora a média ainda esteja no valor nominal.
 Variabilidade do processo
Vamos agora estudar os gráficos de controle como apoio para monitorar o processo e, consequentemente, verificar se a qualidade dos produtos estão
conformes. Para os gráficos de controle que veremos a partir de agora, as seguintes tabelas serão utilizadas, para a determinação dos limites de
controle superior e inferior:
Fatores para Limites de Controle

Número de Elementos na Amostra (n)
A1 A2 A3
2 2,121 1,88 2,659
3 1,732 1,023 1,954
4 1,5 0,729 1,628
5 1,342 0,577 1,427

Fatores para Limites de Controle
A1 A2 A3
6 1,225 0,483 1,287
7 1,134 0,419 1,182
8 1,061 0,373 1,099
9 1,000 0,337 1,032
10 0,949 0,308 0,975
11 0,905 0,285 0,927
12 0,866 0,266 0,886
13 0,832 0,249 0,85
14 0,802 0,235 0,817
15 0,775 0,223 0,789
 Atenção! Para visualização completa da tabela utilize a rolagem horizontal
 Tabela 1: Gráfico das Médias

Extraído de Statistical Methods for Six Sigma, Anand M, 2003
Fatores para Linha Central Fatores para Limites de Controle

c4 1/c4 B3 B4 B5 B6
2 0,7979 1,2533 0 3,267 0 2,606
3 0,8862 1,1284 0 2,568 0 2,276
4 0,9213 1,0854 0 2,266 0 2,088
5 0,94 1,0638 0 2,089 0 1,964
6 0,9515 1,051 0,03 1,97 0,029 1,874
7 0,9594 1,0423 0,118 1,882 0,113 1,806
8 0,965 1,0363 0,185 1,815 0,179 1,751
9 0,9693 1,0317 0,239 1,761 0,232 1,707
10 0,9727 1,0281 0,284 1,716 0,276 1,669

c4 1/c4 B3 B4 B5 B6
11 0,9754 1,0252 0,321 1,679 0,313 1,637
12 0,9776 1,0229 0,354 1,646 0,346 1,61
13 0,9794 1,021 0,382 1,618 0,374 1,585
14 0,981 1,0194 0,406 1,594 0,399 1,563
15 0,9823 1,018 0,428 1,572 0,421 1,544
 Atenção! Para visualizaçãocompleta da tabela utilize a rolagem horizontal
 Tabela 2: Gráficos de Desvio Padrão


d2 1/d2 d3 D1 D2 D3 D4
2 1,128 0,8865 0,853 0 3,686 0 3,267
3 1,693 0,5907 0,888 0 4,358 0 2,574
4 2,059 0,4857 0,88 0 4,698 0 2,282
5 2,326 0,4299 0,864 0 4,918 0 2,114
6 2,534 0,3946 0,848 0 5,078 0 2,004
7 2,704 0,3698 0,833 0,204 5,204 0,076 1,924
8 2,847 0,3512 0,82 0,388 5,306 0,136 1,864
9 2,97 0,3367 0,808 0,547 5,393 0,184 1,816
10 3,078 0,3249 0,797 0,687 5,469 0,223 1,777
11 3,173 0,3152 0,787 0,811 5,535 0,256 1,744
12 3,258 0,3069 0,778 0,922 5,594 0,283 1,717
13 3,336 0,2998 0,77 1,025 5,647 0,307 1,693
14 3,407 0,2935 0,763 1,118 5,696 0,328 1,672
15 3,472 0,288 0,756 1,203 5,741 0,347 1,653

 Tabela 3: Gráfico das Amplitudes

Níveis Especiais de Inspeção Níveis Gerais de Inspeção

Tamanho do lote
S1 S2 S3 S4 I II III
2a8 A A A A A A B
9 a 15 A A A A A B C
16 a 25 A A B B B C D
26 a 50 A B B C C D E
51 a 90 B B C C C E F
91 a 150 B B C D D F G
151 a 280 B C D E E G H
281 a 500 B C D E F H J
501 a 1.200 C C E F G J K
1.201 a 3.200 C D E G H K L
3.201 a 10.000 C D F G J L M
10.001 a 35.000 C D F H K M N
32.001 a 150.000 D E G J L N P
150.001 a 500.000 D E G J M P Q
Acima de 500.000 D E H K N Q R
 Tabela 4: Níveis de Inspeção

GRÁFICO
X̄ − R
O que chamamos usualmente de Gráfico
¯
¯¯¯¯
X − R
se trata, na verdade, de dois gráficos:
GRÁFICO
¯
¯¯¯¯
X
Controla o valor médio. Também chamado de X-barra.
GRÁFICO R
Controla a variação das medidas, isto é, a amplitude (por isso, o nome “R”, do inglês range).
No aspecto quantitativo da qualidade, em geral, controlamos tanto o valor médio como também a sua variabilidade através de gráficos separados. Esta
é a forma de controlar as possíveis variações da distribuição normal:
GRÁFICO
¯
¯¯¯¯
X
Tem foco no parâmetro de localização (valor médio).
GRÁFICO R
Monitora a dispersão (variabilidade dos dados em torno da tendência central) e também a forma e a simetria.
Um aspecto relevante a ser tratado é o da coleta de dados. Como já discutido, trabalhamos com amostras da produção, isto é, não medimos 100% das
peças produzidas. Porém, há uma lógica na coleta da amostra: não selecionamos uma peça de tempos em tempos, mas, sim, uma amostra,
composta de algumas peças (usualmente, de três a seis, até um máximo de nove), de tempos em tempos. Por exemplo, podemos coletar uma
amostra de cinco peças a cada hora de produção.
 EXEMPLO
Vamos compreender tal afirmação utilizando o exemplo apresentado por Samohyl (2009), referente à linha de produção de ração animal e o problema
no enchimento do pacote de um quilo. Muitas reclamações chegavam à empresa devido ao fato de os pacotes terem menos ração – foram coletadas
24 amostras de cinco pacotes cada.
Os resultados (em gramas) são mostrados a seguir.
Medidas 1 2 3 4 5 6 7 8
1 1.006,00 1.009,69 1.033,68 1.051,89 963,31 1.021,00 981,37 987,40
2 1.005,00 1.000,00 1.001,00 1.031,00 993,69 1.020,78 1.010,28 994,03

Medidas 1 2 3 4 5 6 7 8
3 1.006,04 985,31 1.000,00 1.027,00 1.022,02 1.020,00 990,56 990,67
4 1.032,35 1.001,00 1.016,90 1.026,36 890,05 1.046,87 990,46 1.025,03
5 1.011,35 987,81 1.033,01 1.005,77 968,85 1.009,24 954,43 1.018,18
Medidas 9 10 11 12 13 14 15 16
1 1.030,14 1.024,88 1.003,00 999,00 1.015,25 1.021,71 1.021,71 1.038,32
2 1.034,07 967,38 1.031,54 1.039,08 1.020,00 1.026,00 1.026,00 1.013,77
3 973,01 1.018,81 1.017,65 1.034,00 1.010,00 1.065,55 1.065,55 1.009,32
4 994,89 984,00 979,96 1.001,00 1.006,90 1.050,00 1.050,00 998,27
5 973,62 1.035,11 1.013,52 999,11 1.011,67 1.041,78 1.041,78 980,34
Medidas 17 18 19 20 21 22 23 24
1 1.050,00 1.040,13 1.000,13 975,07 992,37 993,80 988,47 1.049,23
2 1.001,73 1.025,99 1.018,76 1.035,42 962,40 1.003,28 984,03 1.035,78
3 1.045,00 985,04 996,80 1.020,49 1.019,46 1.005,36 982,06 999,00
4 1.023,59 1.000,00 1.056,75 1.012,66 1.059,09 1.022,28 988,64 1.011,00
5 1.036,00 1.011,00 1.024,60 1.003,89 1.045,39 971,96 978,32 1.008,32
 Tabela 5: Dados em gramas

Elaborado por Mauro Rezende Filho
Inicialmente, vamos criar um gráfico com as 120 medidas (24 amostras com 5 medidas cada), conforme mostrado a seguir.
VOCÊ CONSEGUE IDENTIFICAR ALGUM COMPORTAMENTO? ALGUM
PADRÃO? DIFÍCIL, NÃO É MESMO?
A impressão que temos é que os dados estão “embolados”, sobrepostos, dificultando qualquer percepção visual sobre o fenômeno estudado. Porém,
agora, vamos criar outro gráfico: em vez das 120 medidas, vamos utilizar somente 24 (uma para cada amostra). Para tanto, calcularemos a média das
cinco medidas em cada amostra e utilizaremos tais médias para compor o gráfico, que é mostrado a seguir, logo após a tabela com os valores das
médias.
Média das Amostras
1 2 3 4 5 6 7 8
1.012,15 996,76 1.016,92 1.028,40 967,58 1.023,58 985,42 1.003,06
9 10 11 12 13 14 15 16
1.001,15 1.006,04 1.009,13 1.014,44 1.012,76 1.041,01 1.041,01 1.008,00
17 18 19 20 21 22 23 24
1.031,26 1.012,43 1.019,41 1.009,51 1.015,74 999,34 984,30 1.020,67
 Tabela 6: Média dos dados da tabela 5

Agora, é possível perceber uma oscilação nos valores, seguida de uma breve tendência de subida, nova oscilação e uma tendência de redução? Esse
“agrupamento” é o que permite, como dito anteriormente, melhor visualização de resultados e variações.
A construção do gráfico prevê a colocação do valor médio e dos limites superior e inferior. No caso do gráfico
¯
¯¯¯¯
X
, o valor médio é calculado como a média dos valores médios de cada amostra. O cálculo é apresentado a seguir e passamos a representar por
¯
¯¯¯¯
¯¯
¯¯¯
X
(média das médias):

¯
¯¯¯¯ ¯
¯¯¯¯ ¯
¯¯¯¯
¯
¯¯¯¯
¯¯
¯¯¯ X 1 + X 2 +. . . +X n 1012, 25 + 996, 76+. . . +1020, 67
X = = = 1.010, 84
n 24
 Atenção! Para visualização completa da equação utilize a rolagem horizontal
Calculado o valor da média das médias, encontramos o valor de 1.010,84 gramas: esse será o valor médio a ser utilizado no gráfico de controle
¯
¯¯¯¯
X
. O próximo passo é estabelecer os valores dos limites superior e inferior do gráfico, isto é, afastamentos de três desvios padrão “para cima” e três
desvios padrão “abaixo” da média das médias, de forma a compreender 99,73% dos valores de médias amostrais na distribuição normal.
A fim de evitarmos cálculos complexos, podemos fazer uso de tabelas mostradas no tópico anterior, que nos indicam diretamente os fatores para
cartas de controle, isto é, fatores para cálculo dos limites de controle, a partir do tamanho da amostra. Especificamente, no caso do gráfico
¯
¯¯¯¯
X
, o fator de limite
A2
é o que necessitamos, visto que os limites podem ser calculados diretamente pelas equações mostradas a seguir:
¯
¯¯¯¯
¯¯
¯¯¯ ¯
¯¯¯
LSC = X + A2R
¯
¯¯¯¯
¯¯
¯¯¯ ¯
¯¯¯
LI C = X − A2R
Onde:
LSC = limite de controle superior
A2
= fator de limite para cálculo dos LSC e LIC (obtido na tabela 1 em função do tamanho da amostra)
¯
¯¯¯
R
= amplitude média
LIC = limite de controle inferior
Para cálculo da amplitude média, seguimos a mesma lógica do cálculo da média das médias: calcula-se a amplitude de cada média e, em seguida, a
média desses valores.
Amplitude das Amostras
1 2 3 4 5 6 7 8
27,35 24,38 33,68 46,12 131,97 37,63 55,85 37,63
9 10 11 12 13 14 15 16
61,06 67,73 51,58 40,08 13,10 43,84 43,84 57,98

Amplitude das Amostras
1 2 3 4 5 6 7 8
17 18 19 20 21 22 23 24
48,27 55,09 59,95 60,35 96,69 50,32 10,32 50,23
 Tabela 7: Amplitude das amostras da tabela 5

Calculando o valor da média das amplitudes, encontramos
¯
¯¯¯
R = 50, 21
gramas. Podemos, então, calcular os limites de controle, lembrando que o número de amostras é igual a 5, e obtemos A2 = 0,577 (ver tabela 1).
LSC = 1010, 84 + 0, 577 × 50, 21 = 1.039, 81
LIC = 1010, 84 − 0, 577 × 50, 21 = 981, 87
Traçamos, assim, o nosso gráfico:
Como você pode observar, três pontos se encontram fora dos limites de controle:
AMOSTRA DE NÚMERO 5
Com um valor médio de 967,58 gramas, que está abaixo do limite de controle inferior (981,87 gramas).
AMOSTRAS 14 E 15
Com valor médio de 1.041,01 gramas, que está acima do limite de controle superior (1.039,81 gramas)
Caracterizando, portanto, que o processo não está sob controle, gerando não conformidades. Uma vez que tal medida tivesse sido identificada,
deveria ser iniciado de imediato um processo de investigação, buscando identificar a causa-raiz de tal problema.
No entanto, essa não é a única análise feita: lembre-se de que há ainda o gráfico R. Para este, segue-se a mesma lógica, sendo o valor médio
estabelecido como a média das amplitudes e os limites dados pelas seguintes fórmulas:
¯
¯¯¯
LSC = D4R
¯
¯¯¯
LI C = D3R
Sendo
D3
D4
os fatores para limites de controle para amplitude.
Como o tamanho da amostra é “5”, temos que
D3 = 0
D4 = 2, 114
. Desta forma, temos:
LSC = 2, 114 × 50, 21 = 106, 14 gramas
LI C = 0 × 50, 21 = 0
Plotando o gráfico das amplitudes, temos:
Neste caso, como você pode observar, há um ponto fora dos limites de controle. Um processo só é considerado sob controle, ou seja, não está
gerando não conformidades, quando não há pontos fora dos limites, tanto no gráfico
¯
¯¯¯¯
X
quanto no gráfico R.
 ATENÇÃO
É importante destacar que os limites estabelecidos não são fixos: conforme Samohyl (2009), os gráficos de controle devem ser atualizados
periodicamente, com novos limites calculados. Uma vez por mês é uma prática comum, ou quando mudanças substanciais no processo (nova máquina
ou material, por exemplo) ocorrerem.
GRÁFICO
Xi
Quando não é viável a coleta de determinada quantidade de medidas em uma amostra e/ou quando as possíveis variações entre as amostras ocorrem
muito lentamente (por exemplo, referente ao pH de um banho químico), ou ainda quando o processo de coleta e análise das amostras é demorado e
de alto custo, pode ser necessário e conveniente utilizar um tipo de gráfico de controle que possa contornar tais barreiras. Trata-se do gráfico
Xi
(ou X individual), que trabalha em conjunto com o gráfico de amplitude móvel (AM).
A lógica destes gráficos é a de que cada amostra contém somente uma medida e a base comparativa é sempre a medida anterior. Vamos ver como
isso funciona, tomando o exemplo apresentado por Samohyl (2009) de uma sequência de temperaturas de uma composição química:
Amostra Valor Amplitude Móvel Amostra Valor Amplitude Móvel
1 95,43 13 97,81 2,76
2 99,85 4,42 14 97,84 0,03
3 100,09 0,24 15 103,09 5,25
4 101,73 1,64 16 95,18 7,91
5 102,18 0,45 17 97,61 2,43
6 98,37 3,81 18 97,22 0,39
7 101,21 2,84 19 101,78 4,56
8 96,26 4,95 20 103,32 1,54
9 98,90 2,64 21 102,03 1,29
10 96,95 1,95 22 104,02 1,99
11 95,70 1,25 23 98,68 5,34
12 95,05 0,65 24 98,38 0,30

 Tabela 8: Amplitude móvel de tomadas de temperatura
Os valores da coluna “Amplitude móvel” foram calculados pela diferença entre valores subsequentes. Por exemplo, a diferença entre 95,43 (amostra 1)
e 99,85 (amostra 2) é 4,42; a diferença entre 99,85 (amostra 2) e 100,09 (amostra 3) é 0,24, e assim sucessivamente. Com isso, temos 23 medidas de
amplitude para as 24 medidas coletadas.
Calculamos, então, a média dos valores (
¯
¯¯¯¯
X
) e das amplitudes (
¯
¯¯¯
R
) (observe que os valores de amplitude são sempre positivos, pois o que queremos mensurar é a amplitude, isto é, a diferença entre os valores,
independentemente de qual deles é maior. Com base em tais valores, podemos calcular os limites de controle (LIC e LSC) dos gráficos
Xi
e Amplitude Móvel, a partir das seguintes equações:
Para o gráfico
Xi
¯
¯¯¯ ¯
¯¯¯
¯
¯¯¯¯ R ¯
¯¯¯¯ R
LSC = X + 3 e LI C = X − 3
d2 d2
Para o gráfico da Amplitude Móvel:
¯
¯¯¯
LSC = D4 . R
¯
¯¯¯
LI C = D3 . R
⇋ Utilize a rolagem horizontal
Quanto aos valores de
d2
D3
D4
, ainda que dependentes do tamanho da amostra, temos uma peculiaridade para tais gráficos: como a amplitude móvel é calculada como a diferença
entre cada par de leituras sucessivas, o tamanho de amostra é sempre
n = 2
Da nossa amostra, temos
¯
¯¯¯¯
X = 99, 11
e
¯
¯¯¯
R = 2, 55
. Da tabela 3, com
n = 2
, temos
d2 = 1, 128
, e obtemos:
2, 55
LSC = 99, 11 + 3 = 105, 89
1, 128
2, 55
LI C = 99, 11 − 3 = 92, 33
1, 128
Plotando o gráfico, temos:
Para a dispersão (amplitude), temos:
¯
¯¯¯
LSC = D4R = 3, 267 × 2, 55 = 8, 33
¯
¯¯¯
LI C = D3R = 0 × 2, 55 = 0

Como você pode observar, não há pontos fora dos limites de controle em nenhum dos dois gráficos, caracterizando, portanto, que o processo está sob
controle, isto é, submetido somente a causas casuais.
MÃO NA MASSA
TEORIA NA PRÁTICA
UMA EMPRESA SIDERÚRGICA PRODUZ CHAPAS DE AÇO PARA A INDÚSTRIA

AUTOMOBILÍSTICA. A CHAPA PARA PRODUÇÃO DE CARROCERIA DE VEÍCULOS
DEVE TER A ESPESSURA DE
5mm ± 2%
E LARGURA DE
140cm ± 5%
. FORAM REALIZADAS 50 MEDIÇÕES DURANTE O PROCESSO DE FABRICAÇÃO. AS

TABELAS A SEGUIR APRESENTAM ESTES RESULTADOS.
TABELA 1 - ESPESSURA
Medição Valor Medição Valor
1 4,98 26 5,04
2 4,98 27 4,99
3 4,95 28 4,98
4 5,08 29 4,94
5 5,07 30 4,93
6 5,07 31 5,04
7 5,02 32 5,02
8 5,05 33 4,93
9 4,98 34 4,97
10 5,02 35 4,95
11 5,05 36 4,92
12 4,92 37 5,07
13 5,09 38 5,03
14 4,93 39 5,04
15 5,08 40 4,94
16 4,92 41 4,96
17 5,02 42 5,09
18 5,10 43 4,99
19 4,91 44 5,05
20 4,91 45 5,05
21 4,95 46 5,09
22 4,91 47 4,93
23 4,96 48 5,00
24 4,97 49 4,92
25 5,09 50 4,96
TABELA 2 - LARGURA
1 141,31 26 145,42
2 133,93 27 135,89
3 151,14 28 147,88
4 130,63 29 137,80
5 136,01 30 149,13
6 145,98 31 123,42
7 139,03 32 142,59
8 149,90 33 137,39
9 145,92 34 139,57
10 134,02 35 140,93
11 140,45 36 149,51
12 142,44 37 146,58
13 141,36 38 136,18
14 144,35 39 134,41
15 138,95 40 133,66
16 152,57 41 140,59
17 139,20 42 147,03
18 136,44 43 148,44
19 144,95 44 133,50
20 150,70 45 140,79
21 141,57 46 143,72
22 133,66 47 156,53
23 153,43 48 143,65
24 144,24 49 145,67
25 129,59 50 141,08
 Tabela 21: Medidas de chapas em aço

PERGUNTA: O PROCESSO ENCONTRA-SE SOB CONTROLE?
RESOLUÇÃO
TEORIA NA PRÁTICA
VERIFICANDO O APRENDIZADO
MÓDULO 2
 Reconhecer as cartas de controle de média amostral e desvio padrão
CARTAS DE CONTROLE DE MÉDIA AMOSTRAL E DESVIO PADRÃO

O especialista Mauro Rezende Filho fala sobre cartas de controle e média amostral e desvio padrão
GRÁFICOS DE CONTROLE
Maiores volumes de produção e, principalmente, exigências de maior qualidade nos processos produtivos fizeram com que surgisse a necessidade de
gráficos de controle mais precisos e “potentes”, isto é, com maior capacidade de detecção.
 ATENÇÃO
Nesse sentido, é importante lembrar que a amplitude de uma amostra trabalha com apenas duas medidas: o maior valor e o menor valor e,
consequentemente, a mensuração da dispersão dos dados é limitada.
Vamos compreender isso, tomando por base o exemplo de duas amostras:
Valores
Medidas
Amostra 1 Amostra 2
1 52 52
2 55 53
3 62 51
4 51 55
5 69 69
6 66 70
7 73 54
8 66 73
9 58 71
10 66 72
 Tabela 22: Amostras quaisquer

Uma observação atenta mostra que a amplitude das duas amostras é a mesma (22), pois o maior valor e o menor valor em ambas são idênticos
(respectivamente, 73 e 51). Podemos, então, afirmar que a dispersão nas amostras é a mesma? Vamos colocar os valores na forma gráfica, para
auxiliar na análise e resposta, sendo o primeiro gráfico correspondente aos valores da amostra 1 e o segundo, aos da amostra 2:
 Gráficos montados com dados das amostras 1 e 2, respectivamente
Repare que, se pensarmos em um valor médio (por exemplo, a média da amostra 1 é 61,8, e a da amostra 2 é 62; ou a mediana da amostra 1 é 64, e
da amostra 2 é 62), percebemos que os valores no segundo gráfico estão mais afastados desse valor médio do que os valores do primeiro gráfico,
caracterizando, portanto, uma maior dispersão. Além da análise visual, podemos calcular a variância e os desvios padrão nas duas amostras, de forma
a mensurar de forma mais apropriada a dispersão de cada uma. Encontramos, nesse caso:
Valores
Medidas
Amostra 1 Amostra 2
Variância 55,96 92,22
Desvio Padrão 7,48 9,60
 Tabela 23: Variância e desvio padrão das amostras 1 e 2, presentes na tabela 22

Infere-se, assim, que a amplitude não consegue capturar a medida de dispersão dos valores com tanta precisão quanto o desvio padrão. Na realidade,
o exemplo com dez medidas em cada amostra apresenta um caso limítrofe: de acordo com Montgomery e Runger (2009), para amostras com até dez
medidas, há pouca diferença entre o uso da amplitude ou do desvio padrão para análise da dispersão em gráficos de controle. No entanto, para
valores superiores a este, é recomendado que sejam utilizados outros gráficos de controle.
 RELEMBRANDO
Relembrando o que já foi firmado no módulo 1, um processo estará sob controle quando estiver presente somente causas normais, ou seja, dentro dos
limites de controle. As causas especiais, aquelas fora dos limites, é que nos mostram que o processo não se encontra sob controle.
GRÁFICOS DE CONTROLE
X̄ − s
O uso do gráfico
¯
¯¯¯¯
X − s
se torna cada vez mais comum, em especial quando lidamos com altos volumes de produção e processos automatizados. A exemplo do gráfico
¯
¯¯¯¯
X − R
, o que chamamos de gráfico
¯
¯¯¯¯
X − s
, é, na realidade, um par de gráficos, que são usados em conjunto: o
¯
¯¯¯¯
X
, para os valores e o “s” para a dispersão dos valores. A forma de análise é exatamente a mesma: valores dentro dos limites nos levam a crer que o
processo está sob controle (também é comum encontrarmos a expressão “em controle”), sem causas especiais (somente causas normais), enquanto
pontos fora dos limites seriam indício da ocorrência de causas especiais. Desta forma, as equações referentes ao gráfico
¯
¯¯¯¯
X
seriam:
¯
¯¯¯¯ ¯
¯¯¯¯ ¯
¯¯¯¯
¯
¯¯¯¯
¯¯
¯¯¯ X 1 + X 2 +. . . +X n
X =
n
¯
¯¯¯¯
¯¯
¯¯¯
¯
¯¯
LSC = X + A3s
¯
¯¯¯¯
¯¯
¯¯¯
¯
¯¯
LI C = X − A3s
¯
¯¯¯¯
¯¯
¯¯¯
LC = X
Onde:
LSC
= limite de controle superior
A3
= fator de limite (consultar tabela 1 do módulo 1)
¯
¯¯
s
= desvio padrão médio
LC
= limite (ou linha) central
LI C
= limite de controle inferior

Já para o gráfico
, as equações são as que seguem:
¯
¯¯
LSC = B4.s
¯
¯¯
LI C = B3.s
¯
¯¯
LC = s
Onde:
B3
B4
= fatores limites (consultar tabela 2 do módulo 1)
LC
= linha central
¯
¯¯
s
= desvio padrão médio
ESTIMATIVA DE
s
Podemos estimar o desvio padrão do processo usando o fato de que
s/c4
é uma estimativa não enviesada de
Para aplicação, vamos utilizar como base o mesmo exercício, em que Samohyl (2009) relata o problema dos pacotes de ração, cujos dados coletados
são replicados a seguir. Lembre-se de que, devido ao fato de o tamanho da amostra ser relativamente pequeno, não é esperado que se encontrem
diferenças significativas entre os resultados dos gráficos
¯
¯¯¯¯
X − s
para os
¯
¯¯¯¯
X − R
Medidas 1 2 3 4 5 6 7 8
1 1.006,00 1.009,69 1.033,68 1.051,89 963,31 1.021,00 981,37 987,40
2 1.005,00 1.000,00 1.001,00 1.031,00 993,69 1.020,78 1.010,28 994,03

Medidas 1 2 3 4 5 6 7 8
3 1.006,04 985,31 1.000,00 1.027,00 1.022,02 1.020,00 990,56 990,67
4 1.032,35 1.001,00 1.016,90 1.026,36 890,05 1.046,87 990,46 1.025,03
5 1.011,35 987,81 1.033,01 1.005,77 968,85 1.009,24 954,43 1.018,18
Medidas 9 10 11 12 13 14 15 16
1 1.030,14 1.024,88 1.003,00 999,00 1.015,25 1.021,71 1.021,71 1.038,32
2 1.034,07 967,38 1.031,54 1.039,08 1.020,00 1.026,00 1.026,00 1.013,77
3 973,01 1.018,81 1.017,65 1.034,00 1.010,00 1.065,55 1.065,55 1.009,32
4 994,89 984,00 979,96 1.001,00 1.006,90 1.050,00 1.050,00 998,27
5 973,62 1.035,11 1.013,52 999,11 1.011,67 1.041,78 1.041,78 980,34
Medidas 17 18 19 20 21 22 23 24
1 1.050,00 1.040,13 1.000,13 975,07 992,37 993,80 988,47 1.049,23
2 1.001,73 1.025,99 1.018,76 1.035,42 962,40 1.003,28 984,03 1.035,78
3 1.045,00 985,04 996,80 1.020,49 1.019,46 1.005,36 982,06 999,00
4 1.023,59 1.000,00 1.056,75 1.012,66 1.059,09 1.022,28 988,64 1.011,00
5 1.036,00 1.011,00 1.024,60 1.003,89 1.045,39 971,96 978,32 1.008,32
 Tabela 24: Medidas de massa de sacos de ração

No mesmo exercício, calculamos as médias das amostras, que também são replicadas a seguir, bem como a média das médias (1.010,84 gramas), as
quais serão utilizadas no gráfico de controle
¯
¯¯¯¯
X
Média das Amostras

1 2 3 4 5 6 7 8
1.012,15 996,76 1.016,92 1.028,40 967,58 1.023,58 985,42 1.003,06
9 10 11 12 13 14 15 16
Média das Amostras
1 2 3 4 5 6 7 8
1.001,15 1.006,04 1.009,13 1.014,44 1.012,76 1.041,01 1.041,01 1.008,00
17 18 19 20 21 22 23 24
1.031,26 1.012,43 1.019,41 1.009,51 1.015,74 999,34 984,30 1.020,67
 Tabela 25: Média das amostras dispostas na tabela 24

Porém, embora o
¯
¯¯¯¯
X
permaneça o mesmo, os limites precisam ser recalculados, como discutimos anteriormente. Calculamos, então, o desvio padrão de cada uma das 24
amostras. Os valores são apresentados na tabela a seguir.
Desvio Padrão das Amostras
1 2 3 4 5 6 7 8
11,56 10,09 16,43 16,41 49,18 13,92 20,29 17,26
9 10 11 12 13 14 15 16
29,64 28,91 19,25 20,27 5,04 17,90 17,90 21,30
17 18 19 20 21 22 23 24
19,32 21,55 24,00 22,47 39,25 18,43 4,39 20,97
 Tabela 26: Desvio padrão das amostras dispostas na tabela 24

A partir de tais valores, podemos calcular o desvio padrão médio (
¯
¯¯
s = 20, 24
), o que nos permite, assim, determinar os limites (como o tamanho da amostra = 5, o A3 = 1,427).
LSC = 1010, 84 + 1, 427 × 20, 24 = 1.039, 72 gramas
LI C = 1010, 84 − 1, 427 × 20, 24 = 981, 86 gramas
Podemos, então, plotar o gráfico
¯
¯¯¯¯
X
.
Obviamente, o gráfico
X̄
é igual ao obtido no módulo 1, visto que os valores são os mesmos.
Vamos agora construir o gráfico s. Com o tamanho da amostra = 5, temos da tabela 2 (consultar módulo 1) que
B3 = 0
B4 = 2, 089
LSC = 2, 089 x 20, 24 = 42, 38 gramas
LI C = 0 x 20, 24 = 0
Construímos, então, o gráfico correspondente, que é mostrado a seguir.
Examinando os dois gráficos, podemos concluir que o processo apresenta não conformidades especiais, não estando, portanto, sob controle.
GRÁFICO DE CONTROLE PADRONIZADO Z

Muitas vezes temos a necessidade de controlar a qualidade da produção de itens diferentes que são feitos em uma mesma linha.
 EXEMPLO
Uma confecção produz camisas masculinas dos tamanhos P, M, G, L e XL, em uma mesma linha, podendo fabricar qualquer tamanho em uma
sequência de pedidos. Se a produção de cada tamanho for pequena, fica sem sentido utilizar os gráficos de controle até então apresentados.
Para entender melhor sua aplicação, vamos relembrar que, para padronizar dados, utilizamos a seguinte fórmula:
¯
¯¯¯¯
valor nominal − m é dia Xi − X m
Z padronizado = = ou Z padronizado =
desvio padr ão s
Então, toda carta de controle padronizada terá a linha central em zero e o limite superior e inferior em +3 e -3. Esta técnica também permite o tamanho
variável para n e utiliza uma única carta de controle para monitorar várias peças de diferentes características de qualidade.
 EXEMPLO
A Camisaria YDVQS Ltda. produz camisas masculinas e femininas, com a meta de produção de 1500 e 1200 peças por turno, respectivamente.
Deseja-se saber se o processo produtivo se encontra sob controle; para tal, foi feito o apontamento da produção durante 15 dias.
Veja a seguir o apontamento da produção:
Quantidade
Tipo Dia 1° turno 2° turno 3° turno
Masculina 1 1.450 1.510 1.400
Masculina 2 1.473 1.534 1.422
Masculina 4 1.436 1.558 1.445
Feminina 5 980 1.154 1.209
Feminina 6 996 1.172 1.228
Masculina 7 971 1.191 1.248
Masculina 8 1.450 1.510 1.400
Feminina 10 1.396 1.454 1.348
Feminina 11 943 982 910
Feminina 12 957 997 924
Feminina 13 1.109 1.155 1.071

Quantidade
Tipo Dia 1° turno 2° turno 3° turno
Masculina 14 1.082 1.174 1.088
Masculina 15 1.099 1.192 1.106
Masculina 17 1.071 1.211 1.123
Feminina 18 1.032 1.166 1.082
 Tabela 27: Quantidade de produção de camisas por turno

Vamos, então, calcular a média e o desvio padrão das amostras:
Quantidade
Tipo Dia 1° turno 2° turno 3° turno Média Desvio
Masculina 1 1.450 1.510 1.400 1.453 55,08
Masculina 2 1.473 1.534 1.422 1.476 55,95
Masculina 4 1.436 1.558 1.445 1.480 68,16
Feminina 5 980 1.154 1.209 1.114 119,54
Feminina 6 996 1.172 1.228 1.132 121,44
Masculina 7 971 1.191 1.248 1.136 146,33
Masculina 8 1.450 1.510 1.400 1.453 55,08
Feminina 10 1.396 1.454 1.348 1.400 53,04
Feminina 11 943 982 910 945 35,80
Feminina 12 957 997 924 960 36,37
Feminina 13 1.109 1.155 1.071 1.112 42,14
Masculina 14 1.082 1.174 1.088 1.115 51,34
Masculina 15 1.099 1.192 1.106 1.132 52,16
Masculina 17 1.071 1.211 1.123 1.135 70,72

Quantidade
Tipo Dia 1° turno 2° turno 3° turno Média Desvio
Feminina 18 1.032 1.166 1.082 1.093 68,10
 Tabela 28: Média e desvio padrão dos dados obtidos na tabela 27

Vamos padronizar a produção por dia e estabelecer os limites de controle, lembrando que a meta diária de produção é de 1500 camisas masculinas e
1200 camisas femininas. Para o primeiro dia, temos:
1.500 − 1.453
Z padronizado = = 0, 85
55, 08
Teremos os seguintes valores padronizados:
Quantidade
Tipo Dia 1° turno 2° turno 3° turno Média Desvio Zi
Masculina 1 1.450 1.510 1.400 1.453 55,08 0,85
Masculina 2 1.473 1.534 1.422 1.476 55,95 0,42
Masculina 4 1.436 1.558 1.445 1.480 68,16 0,30
Feminina 5 980 1.154 1.209 1.114 119,54 0,72
Feminina 6 996 1.172 1.228 1.132 121,44 0,56
Masculina 7 971 1.191 1.248 1.136 146,33 2,48
Masculina 8 1.450 1.510 1.400 1.453 55,08 0,85
Feminina 10 1.396 1.454 1.348 1.400 53,04 -3,76
Feminina 11 943 982 910 945 35,80 7,13
Feminina 12 957 997 924 960 36,37 6,61
Feminina 13 1.109 1.155 1.071 1.112 42,14 2,09
Masculina 14 1.082 1.174 1.088 1.115 51,34 7,51
Masculina 15 1.099 1.192 1.106 1.132 52,16 7,05

Quantidade
Tipo Dia 1° turno 2° turno 3° turno Média Desvio Zi
Masculina 17 1.071 1.211 1.123 1.135 70,72 5,16
Feminina 18 1.032 1.166 1.082 1.093 68,10 1,57
 Tabela 29: Adição da coluna Zi na tabela 28

Podemos, então, plotar o gráfico de controle:
Observamos, portanto, que o processo não se encontra sob controle, apresentando muitas causas especiais. Sua grande utilidade é podermos avaliar
produções de itens diferentes em um mesmo gráfico.
MÃO NA MASSA
TEORIA NA PRÁTICA
A EMPRESA YDVQS LTDA. PRODUZ, EM UMA MESMA LINHA DE PRODUÇÃO, BLOCOS

DE MOTOR, TANTO PARA MOTOCICLETA COMO PARA VEÍCULOS COM ATÉ 1.000
CILINDRADAS. ELA DESEJA SABER SE SEU PROCESSO PRODUTIVO VEM
APRESENTANDO CAUSAS ESPECIAIS. SOLICITOU QUE FOSSEM COLETADAS
INFORMAÇÕES SOBRE QUANTIDADES PRODUZIDAS POR 25 HORAS. AS METAS SÃO
DE PRODUZIR 100 MOTORES PARA VEÍCULOS E 70 DE MOTOCICLETAS POR HORA. A
TABELA A SEGUIR APRESENTA ESTE APONTAMENTO.
AMOSTRA DE BLOCOS DE MOTOR POR HORA
1 2 3 4 5
AUTO 1 99,997 99,982 99,990 100,000 100,007

AMOSTRA DE BLOCOS DE MOTOR POR HORA
1 2 3 4 5
VALOR NOMINAL = 100 2 99,997 99,988 99,981 100,005 99,993
3 99,993 100,001 100,001 99,984 100,003
6 7 8 9 10
MOTOCICLETA 1 69,997 69,982 69,990 70,000 70,007
VALOR NOMINAL = 70 2 70,006 70,024 70,002 70,000 69,996
3 69,999 69,992 70,000 69,991 69,989
11 12 13 14 15
AUTO 1 99,996 100,007 99,984 100,005 99,991
VALOR NOMINAL = 100 2 99,999 99,992 100,000 99,991 99,989
3 100,003 100,025 99,989 99,996 100,002
16 17 18 19 20
MOTOCICLETA 1 69,996 70,007 69,984 70,005 70,000
VALOR NOMINAL = 70 2 69,997 69,988 69,981 70,005 69,993
3 70,008 70,013 69,996 70,008 69,991
21 22 23 24 25
AUTO 1 100,006 100,024 100,002 100,000 99,996
VALOR NOMINAL = 100 2 100,008 100,013 99,996 100,008 99,991
3 99,997 100,012 99,995 100,001 99,999
 Tabela 45: Amostra de blocos de motor por hora

PERGUNTA: O PROCESSO ESTÁ SOB CONTROLE?

RESOLUÇÃO
TEORIA NA PRÁTICA
MÓDULO 3
 Reconhecer as cartas de controle de atributos
CARTAS DE CONTROLE DE ATRIBUTOS

O especialista Mauro Rezende Filho fala sobre cartas de controle de atributos
INTRODUÇÃO
Como já vimos no módulo 1, as cartas de controle são usadas para monitorar regularmente um processo, a fim de saber se ele está em controle.
Entretanto, quando não é possível medir a qualidade de um produto ou serviço com dados contínuos, coletamos os dados de atributo para avaliar sua
qualidade. Por exemplo, dizer se uma peça é ou não defeituosa. Características deste tipo são denominadas atributos. Vamos, então, continuar os
estudos das cartas de controle.
CARTAS DE CONTROLE
Os conceitos de não conformidades e não conformes ou defeitos e defeituosos podem parecer um mero jogo de palavras, tratando da mesma coisa.
Porém, isso não é verdade: trata-se de conceitos distintos. Assim, antes de estudarmos os gráficos de controle por atributos, precisamos compreender
e diferenciar os conceitos de defeito e de unidade defeituosa, visto que estes são utilizados para diferentes tipos de gráficos.
É comum encontrarmos a forma abreviada NC, significando tanto não conformidades como não conformes. A diferenciação ocorre por meio da
interpretação do contexto:
NÃO CONFORMIDADES
Se falamos de defeitos, 10 NC serão 10 não conformidades

NÃO CONFORMES
Se fizermos referência a 10 unidades de produto com defeito, 10 NC significarão 10 produtos não conformes.
 Lote de bolas de Natal
 EXEMPLO
Como você pode observar, algumas das bolas da figura acima apresentam defeitos. Por se tratar de um objeto que tem como função enfeitar as
árvores, o aspecto estético é muito importante, e defeitos como estes afastam os compradores, sendo um problema para o fabricante.
Quantos defeitos (não conformidades) e quantos enfeites defeituosos (não conformes) temos no lote? Você pode identificar que, das cinco bolas que
compõem o lote, duas delas apresentam algum descascamento. Ou seja, há duas bolas defeituosas (ou não conformes), o que representa 40% do
lote.
Ao contrário dos gráficos de controle por variáveis, os gráficos por atributos não são utilizados em pares, isto é, não há o gráfico de dispersão,
somente o de valores.
Vamos estudar as características e aplicações de cada um desses quatro gráficos de controle.
GRÁFICO P (PROPORÇÃO DEFEITUOSA, PROPORÇÃO NÃO

CONFORME OU FRAÇÃO DEFEITUOSA)
O gráfico utilizado para controlar a proporção defeituosa de peças, isto é, das não conformes no total de produzidas é o gráfico “p” (PEINADO;
GRAEML, 2007). Ele trabalha com a fração defeituosa, ou seja, a razão entre a quantidade de peças defeituosas em uma amostra e o tamanho desta
amostra “mesmo na ausência de causas especiais” (COSTA; EPPRECHT; CARPINETTI, 2016, p. 199), como indicado na equação a seguir:
d
p =
n
Sendo:
p
= proporção (ou fração) defeituosa
= quantidade de itens defeituosos (não conformes)
= quantidade de itens inspecionados (tamanho da amostra)
A construção dos gráficos p só é possível se as seguintes condições forem satisfeitas:
¯
¯¯
n × p ≥ 5
¯
¯¯
n × (1 − p) ≥ 5
Sendo:
= tamanho da amostra
¯
¯¯
p
= proporção média de unidades defeituosas
Tais limites se justificam pelo fato de que, como defendido por Montgomery (2009) e Walpole et al. (2009), proporções muito pequenas de unidades
defeituosas exigiriam tamanhos de amostras muito grandes para que o gráfico p tivesse poder suficiente de detecção.
 EXEMPLO
Uma proporção de 0,001 unidades defeituosas (0,1%) em amostras com tamanho n = 1.000 faria com que a quantidade média de não conformes por
amostra fosse 1, ou seja, 0,001 x 1.000 = 1. Isto permitiria que houvesse uma grande quantidade de valores zero no gráfico, ao passo que na
proporção de 0,15 unidades defeituosas (15%) em uma amostra com tamanho n = 50, o valor médio de unidades defeituosas seria de 7,5 (0,15 x 50 =
7,5) por amostra.
Para calcularmos os limites do gráfico p, utilizamos as seguintes equações:
d1 + d2 +. . . +dk
¯
¯¯
LC = p =
n1 + n2 +. . . +nk
¯
¯¯
LSC = p + 3σp
¯
¯¯
LI C = p − 3σp
Sendo:
d1
d2
etc. = quantidade de unidades não conformes na amostra 1, 2 etc.
n1
n2
etc. = tamanho da amostra 1, 2 etc.
σp
= desvio padrão da amostra
Se a variável aleatória X tem distribuição de Bernoulli, com parâmetro p, temos como esperança estatística e variância, respectivamente,
E(X) = p
e
V ar(X) = p(1 − p)
. Desta forma, o desvio padrão para tal distribuição é dado pela seguinte equação:
¯
¯¯ ¯
¯¯
p (1 − p)
σp = √
n
¯
¯¯ ¯
¯¯
p (1 − p)
LSC = p + 3√
¯
¯¯
¯
¯¯ ¯
¯¯
p (1 − p)
LSC = p − 3√
¯
¯¯

 DICA
Observação: caso o cálculo do limite inferior resulte em um valor negativo, utilizamos para limite inferior de controle o valor zero, visto que não faria
sentido uma proporção negativa de unidades defeituosas.
Vamos, agora, resolver um exercício completo, tomando por base o exemplo apresentado por Ribeiro e Caten (2012, p. 88), em que os dados
mostrados representam a quantidade de eixos defeituosos (d) de um modelo de motor. Para efeito de simplificação, vamos assumir que todas as 30
amostras são do mesmo tamanho (n = 80) (lembre-se que o gráfico p pode ser utilizado tanto para amostras do mesmo tamanho, como de tamanhos
diferentes).
Amostra d Amostra d Amostra d
1 9 11 18 21 25
2 11 12 13 22 16
3 5 13 23 23 10
4 8 14 9 24 13
5 17 15 11 25 8
6 10 16 6 26 14
7 15 17 14 27 10
8 11 18 12 28 7
9 6 19 21 29 13
10 7 20 19 30 16
 Tabela 46: Dados de eixos defeituosos

Iniciamos com o cálculo do valor de p para cada amostra (dividindo d por n = 80), como mostrado a seguir:
Amostra d p Amostra d p Amostra d p
1 9 0,113 11 18 0,225 21 25 0,313
2 11 0,138 12 13 0,163 22 16 0,200
3 5 0,063 13 23 0,288 23 10 0,125
4 8 0,100 14 9 0,113 24 13 0,163
5 17 0,213 15 11 0,138 25 8 0,100

Amostra d p Amostra d p Amostra d p
6 10 0,125 16 6 0,075 26 14 0,175
7 15 0,188 17 14 0,175 27 10 0,125
8 11 0,138 18 12 0,150 28 7 0,088
9 6 0,075 19 21 0,263 29 13 0,163
10 7 0,088 20 19 0,238 30 16 0,200
 Tabela 47: Dados de eixos defeituosos com valor de p

Calculando os valores, temos:
0, 113 + 0, 138 + ⋯ + 0, 200

¯
¯¯
p = = 0, 157
80 + 80 + ⋯ + 80
¯
¯¯ ¯
¯¯
p (1 − p) 0, 157x (1 − 0, 157)
σp = √ = √ = 0, 041
n 30
¯
¯¯ ¯
¯¯
p (1 − p)
LSC = p + 3√
¯
¯¯
= 0, 157 + 3x0, 041 = 0, 279
n
¯
¯¯ ¯
¯¯
p (1 − p)
LSC = p − 3√
¯
¯¯
= 0, 157 − 3x0, 041 = 0, 035
n

Como você pode observar, há pontos fora dos limites, que são indícios de problemas no processo, e seria preciso iniciar uma investigação para
identificar as causas e estabelecer ações de melhoria.
GRÁFICO NP (QUANTIDADE DE UNIDADES DEFEITUOSAS OU

NÚMERO DE DEFEITUOSOS)
Também é possível utilizar o controle do processo com base na quantidade de unidades não conformes, em vez da proporção delas.
"A CARTA NP SEGUE A MESMA LÓGICA DA CARTA P, MAS AGORA, AO INVÉS DA

FRAÇÃO DE NÃO CONFORMES, MONITORA-SE O NÚMERO DE NÃO CONFORMES".
(MONTGOMERY, 2009)
No entanto, apesar da similaridade entre os gráficos, eles não são utilizados com o mesmo objetivo. A carta np é mais apropriada quando:
O NÚMERO DE NÃO CONFORMES TEM MAIOR SIGNIFICADO
O TAMANHO DOS SUBGRUPOS É SEMPRE O MESMO (CONSTANTE)
De acordo com Besterfield (1990) e Montgomery (2009), o gráfico np é mais fácil de ser compreendido e utilizado, pois os resultados (quantidade de
unidades não conformes) são utilizados diretamente no gráfico, sem a necessidade de qualquer cálculo ou utilização de frações. Assim, ao invés de
calcularmos a proporção de unidades defeituosas (por exemplo, 10%, ou 0,100), simplesmente fazemos a contagem destas.
Para calcularmos os limites do gráfico np, utilizamos as seguintes equações:
d1 + d2 +. . . +dk
¯
¯¯
LC = np =
k
¯
¯¯
LSC = np + 3σnp
¯
¯¯
LI C = np − 3σnp
Sendo:
d1
d2
etc. = quantidade de unidades não conformes na amostra 1, 2 etc.
= quantidade de amostras
σnp
= desvio padrão das amostras
O desvio padrão é calculado pela seguinte equação:
¯
¯¯ ¯
¯¯
σp = √np (1 − p)
Obviamente, temos:
¯
¯¯
np
¯
¯¯
p =
n
E os limites de controle:
¯
¯¯ ¯
¯¯ ¯
¯¯
LSC = np + 3√np (1 − p)
¯
¯¯ ¯
¯¯ ¯
¯¯
LI C = np − √np (1 − p)
Utilizaremos o mesmo exemplo adotado para o gráfico p, ou seja, dos eixos defeituosos. Os dados replicados a seguir representam a quantidade de
eixos defeituosos (d) em 30 amostras de tamanho n = 80.
Amostra d Amostra d Amostra d
1 9 11 18 21 25
2 11 12 13 22 16
3 5 13 23 23 10
4 8 14 9 24 13
5 17 15 11 25 8
6 10 16 6 26 14
7 15 17 14 27 10
8 11 18 12 28 7
9 6 19 21 29 13
10 7 20 19 30 16
 Tabela 48: Dados de eixos defeituosos

Calculando, temos:
9 + 11+. . . +16
¯
¯¯
LC = np = = 12, 567
30
12, 567
¯
¯¯
p = = 0, 157
80
LSC = 12, 567 + 3√12, 567 (1 − 0, 157) = 22, 331
LI C = 12, 567 − 3√12, 567 (1 − 0, 157) = 2, 803
Plotando o gráfico:
A exemplo do que aconteceu no gráfico p, há pontos fora dos limites e, caso ainda estivéssemos na fase de definição de limites provisórios,
deveríamos remover as amostras fora dos limites e calcular novos limites de controle.
GRÁFICO C (QUANTIDADE DE DEFEITOS, NÚMERO DE DEFEITOS OU

DE NÃO CONFORMIDADES)
Em produtos complexos como automóveis, computadores, geladeiras etc., em que há a possibilidade de diferentes tipos de defeitos, o controle da
quantidade de imperfeições pode ser mais significativo do que simplesmente a quantidade de unidades defeituosas e, nesse caso, o uso do gráfico de
controle c seria apropriado (COSTA; EPPRECHT; CARPINETTI, 2016).
Walpole et al. (2009) também recomendam seu uso quando as unidades são “grandes”, como por exemplo, a quantidade de defeitos existentes em 50
pés (aproximadamente 15 metros) de um encanamento manufaturado, em um rolo de tecido ou de papel, ou bolhas em uma lâmina de vidro.
Os pressupostos para a sua aplicação são:
Os dados são contagens de eventos (inteiros não negativos com nenhum limite superior)
Todos os eventos são independentes
As ocorrências são aleatórias, tendo a mesma probabilidade no intervalo considerado
A taxa média não muda sobre o período de interesse
A probabilidade de dois ou mais eventos ocorrerem simultaneamente tende a zero
Atendidas as condições, podemos calcular os limites do gráfico c, que, a exemplo do gráfico np, exige que o tamanho das amostras seja constante.
Utilizamos, então, as seguintes equações:
c1 + c2 +. . . +ck
¯¯
LC = c =
k
¯¯
LSC = c + 3σc
¯¯
LI C = c − 3σc
Sendo:
c1
c2
etc. = quantidade de não conformidades na amostra 1, 2 etc.
¯¯
c
= quantidade média de não conformidades (defeitos)
= quantidade de amostras
σc
¯¯
σ c = √c
Vamos praticar utilizando um exemplo apresentado por Ribeiro e Caten (2012, p.93), referente à quantidade de defeitos de pintura (não
conformidades), observados na pintura da lataria de ônibus, mostrados a seguir:
Lataria c Lataria c Lataria c Lataria c
1 4 6 12 11 1 16 6
2 0 7 9 12 7 17 17
3 8 8 5 13 5 18 13
4 14 9 9 14 15 19 8
5 4 10 21 15 4 20 11
 Tabela 49: Amostras de defeitos de pintura

Iniciamos, então, os cálculos (neste exemplo, temos n = 1):
4 + 0+. . . +11
¯¯
LC = c = = 8, 65
20
σc = √8, 65 = 2, 941
LSC = 8, 65 + 3x2, 941 = 17, 473
LI C = 8, 65 − 3x2, 941 = −1, 173 = 0
Vamos plotar o gráfico:
Observe que há um ponto fora dos limites (lataria 10) e, como já discutido antes, precisaria ser investigada a razão. Caso estivéssemos ainda
definindo os limites provisórios, deveríamos descartar tal amostra e recalcular os limites.
GRÁFICO U (DEFEITOS POR UNIDADE, NÚMERO DE DEFEITOS POR

UNIDADE DE INSPEÇÃO OU NÃO CONFORMIDADES POR UNIDADE
DE INSPEÇÃO)
Montgomery (2009) expõe que o controle da quantidade de defeitos ou não conformidades é mais informativo do que as proporções de não
conformidades, por usualmente existirem diferentes tipos delas. Ao analisarmos estas não conformidades por estrato, podemos utilizar ferramentas
como o diagrama de Pareto, para identificar as causas mais frequentes; o diagrama de causa e efeito, para auxiliar na identificação das causas-raiz, e
outras ferramentas, para controle e melhoria da qualidade.
No entanto, como o gráfico c exige que as amostras tenham o mesmo tamanho, seu uso algumas vezes traz dificuldades.
 EXEMPLO
Se quisermos controlar a quantidade de defeitos em rolos de tecido, com variações na metragem de um para o outro, e cada amostra sendo retirada
de um deles, o gráfico c não seria adequado (COSTA; EPPRECHT; CARPINETTI, 2016). Precisaríamos recorrer, assim, a um gráfico de controle que
lide com proporções de não conformidades, da mesma forma que o gráfico p pode controlar a proporção não conforme de unidades.
O gráfico de controle u monitora o número de não conformidades por unidade produzida, sendo similar ao gráfico c, exceto pelo fato de que a
quantidade de não conformidades é expressa em relação a cada unidade, ou seja, divide-se pelo tamanho da amostra n (RIBEIRO; CATEN, 2012).
Para calcularmos os limites do gráfico u, utilizamos as seguintes equações:

c1 + c2 +. . . +ck
¯
¯¯
LC = u =
n1 + n2 +. . . +nk
¯
¯¯
LSC = u + 3σui
¯
¯¯
LI C = u − 3σui
Sendo:
c1
c2
etc. = quantidade não conformidades na amostra 1, 2 etc.
¯
¯¯
u
= quantidade média de não conformidades (defeitos)
n1
n2
, etc. = tamanho da amostra 1, 2 etc.
σui
¯
¯¯
u
σui = √
n
Vamos exercitar a construção do gráfico de controle u utilizando o exemplo de Ribeiro e Caten (2012, p. 95-96), referente à quantidade de defeitos
superficiais observados em sapatos, como mostrado a seguir:
Lote N° de unidades n° de NC
1 10 13
Lote N° de unidades n° de NC
2 10 11
3 10 8
4 12 20
5 12 15
6 10 10
7 10 13
8 12 19
9 8 15
10 8 9
 Tabela 50: Quantidade de defeitos superficiais em sapatos

Iniciamos, então, os cálculos: inicialmente, precisamos calcular o “u” para cada amostra, dividindo a quantidade de não conformidades pelo tamanho
de cada uma. Segue a tabela com a coluna adicional com tais valores:
Lote N° de unidades n° de NC n° de NC/unid (u)
1 10 13 1,30
2 10 11 1,10
3 10 8 0,80
4 12 20 1,67
5 12 15 1,25
6 10 10 1,00
7 10 13 1,30
8 12 19 1,58
9 8 15 1,88
10 8 9 1,13
 Tabela 51: Acréscimo da coluna de número de não conformidade por unidade à tabela 50
Em seguida, calculamos os demais elementos do gráfico:
13 + 11+. . . + 9
¯
¯¯
LC = u = = 1, 304
10 + 10+. . . +8
Quanto aos limites, eles variarão, dependendo do tamanho da amostra. Vamos mostrar o cálculo do primeiro lote:
1, 304
LSC = 1, 304 + 3√ = 2, 3872
10
1, 304
LI C = 1, 304 − 3√ = 0, 2206
10
Segue a tabela, agora, com os limites calculados para cada lote:
Lote No de unidades no de NC no de NC/unid LC LSC LIC
1 10 13 1,30 1,304 2,3872 0,2206
2 10 11 1,10 1,304 2,3872 0,2206
3 10 8 0,80 1,304 2,3872 0,2206
4 12 20 1,67 1,304 2,2928 0,3150
5 12 15 1,25 1,304 2,2928 0,3150
6 10 10 1,00 1,304 2,3872 0,2206
7 10 13 1,30 1,304 2,3872 0,2206
8 12 19 1,58 1,304 2,2928 0,3150

9 8 15 1,88 1,304 2,5151 0,0928
10 8 9 1,13 1,304 2,5151 0,0928
 Tabela 52: Cálculo dos limites: central, inferior e superior dos números de não conformidades em superfícies de sapatos
Alternativamente, podemos calcular os limites de forma conservadora, utilizando o “pior caso”, ou seja, a maior amostra
(n = 12)
. Ao fazer isso, caso surjam pontos fora dos limites, devemos adotar a mesma recomendação para o gráfico p: os limites devem ser recalculados para
tais pontos, separadamente, para nos certificarmos de serem mesmo “fora dos limites” ou não.
1 10 13 1,30 1,304 2,2928 0,3150
2 10 11 1,10 1,304 2,2928 0,3150
3 10 8 0,80 1,304 2,2928 0,3150
4 12 20 1,67 1,304 2,2928 0,3150
5 12 15 1,25 1,304 2,2928 0,3150
6 10 10 1,00 1,304 2,2928 0,3150
7 10 13 1,30 1,304 2,2928 0,3150
8 12 19 1,58 1,304 2,2928 0,3150
9 8 15 1,88 1,304 2,2928 0,3150
10 8 9 1,13 1,304 2,2928 0,3150

 Tabela 53: Ajuste do LSC e do LIC

MÃO NA MASSA
TEORIA NA PRÁTICA
OS TACOS SÃO FEITOS EM MATERIAL COMPÓSITO DE FIBRA, EM UMA MATRIZ DE

POLÍMERO TERMOENDURECÍVEL. O PROCESSO DE PRODUÇÃO É CONTÍNUO,
PASSANDO AS FIBRAS POR BANHOS DE RESINA, SENDO OS TACOS
POSTERIORMENTE ENFORMADOS, TRATADOS SUPERFICIALMENTE E SUJEITOS A
UM PROCESSO DE CURA EM UMA AUTOCLAVE. NO FIM DESSE PROCESSO, OS
DEFEITOS MAIS COMUNS SÃO POROSIDADES INTERNAS, FIBRAS PARTIDAS, GAPS
ENTRE AS SUCESSIVAS CAMADAS E MICRO FENDAS DEVIDO A UM PROCESSO DE
CURA INADEQUADO.
 Esquema de extrusão
GRUPOS DE 10 TACOS CONSECUTIVOS FORAM EXAMINADOS A CADA 30 MINUTOS,

ATRAVÉS DE TESTES NÃO DESTRUTIVOS. NO FINAL DE CADA TURNO DE 8 HORAS, O
NÚMERO DE DEFEITOS ERA ANOTADO. ESSE PROCESSO FOI MANTIDO DURANTE 36
TURNOS CONSECUTIVOS (N=160, M=36). OS RESULTADOS ENCONTRAM-SE NA
TABELA 1. PEDE-SE:
Construa a carta de controle de proporção de defeitos, sabendo que estudos de benchmarking revelaram que as melhores empresas do ramo
produzem um AQL inferior a 1%, usando tecnologia semelhante.
Interprete a carta obtida, sabendo que estudos de benchmarking revelaram que as melhores empresas do ramo produzem um AQL inferior a 1%,
usando tecnologia semelhante.
A equipe responsável pela melhoria contínua da qualidade detectou, através de uma análise de Pareto, que cerca de 70% dos defeitos eram
provocados durante o processo de cura. As alterações introduzidas foram:
Isolamento da autoclave, de forma a obter um campo de temperatura mais uniforme.
Aumento da percentagem de catalisador no polímero, de forma a incrementar a resistência do taco.
Modificação do sistema de tracionamento contínuo, de forma a obter uma tensão mais uniforme nas fibras do produto.
APÓS INCORPORAR ESTAS MODIFICAÇÕES, A AQUISIÇÃO DE DADOS FOI

RETOMADA POR MAIS 24 TURNOS, SOB O MESMO ESQUEMA, E OBTEVE-SE A
TABELA 2, QUE SE APRESENTA A SEGUIR. RECONSTRUA A CARTA DE CONTROLE DE
PROPORÇÃO DE DEFEITOS E COMENTE A EFICÁCIA DAS ALTERAÇÕES
INTRODUZIDAS.
TABELA 1
Amostra No de defeitos
1 9
2 6
3 8
4 14
5 7
6 5
7 7
8 9
9 5
10 9
11 1
12 7
13 9
14 14
15 7
16 8
17 4
18 10
19 6
20 12
21 8
22 5
23 9
24 15
25 6
26 8
27 4
28 7
29 2
30 6
31 9
32 11
33 8
34 9
35 7
36 8
TABELA 2
37 3
38 2
39 5
40 3
41 8
42 4
43 3
44 5
45 6
46 1
47 5
48 3
49 2
50 2
51 4
52 6
53 3
54 8
55 2
56 3
57 1
58 2
59 4
60 3
 Tabela 62: Número de defeitos em amostras de tacos

RESOLUÇÃO
TEORIA NA PRÁTICA
MÓDULO 4
 Identificar outras cartas de controle mais avançadas

CARTAS DE CONTROLE MAIS AVANÇADAS
O especialista Mauro Rezende Filho fala sobre cartas de controle mais avançadas
INTRODUÇÃO
Os módulos 1, 2 e 3 concentraram-se nos métodos básicos de CEP. Os gráficos de controle apresentados foram predominantemente gráficos de
controle de Shewhart. Esses gráficos são extremamente úteis na fase I de implementação do CEP, onde o processo provavelmente poderá estar fora
de controle e consequentemente com causas atribuíveis que resultam em grandes mudanças nos parâmetros monitorados. Os gráficos de Shewhart
também são muito úteis nos aspectos de diagnóstico de um processo fora de controle estatístico, porque os padrões nesses gráficos muitas vezes
fornecem orientação sobre a natureza da causa atribuível.
Uma grande desvantagem de um gráfico de controle de Shewhart é que ele usa apenas as informações sobre o processo contido na última
observação das amostras, não considerando qualquer informação dada por toda a sequência de pontos amostrais anteriores (amostras anteriores
podem indicar que o processo esteve, em algum momento, produzindo itens fora de controle). Este procedimento torna o gráfico de controle de
Shewhart relativamente insensível a pequenas mudanças no processo.
Este fato torna os gráficos de controle de Shewhart menos úteis em problemas de monitoramento de uma segunda fase, onde o processo tende a
operar em estimativas confiáveis, o controle dos parâmetros do processo (como a média e o desvio padrão) estão disponíveis e as causas atribuíveis
normalmente não resultam em grandes interrupções ou distúrbios do processo.
Claro que outros critérios, como limites de alerta e outras regras de sensibilização, podem ser aplicados aos gráficos de controle de Shewhart na
segunda fase do processo para melhorar seu desempenho em pequenos turnos. No entanto, o uso desses procedimentos reduz a simplicidade e
facilidade de interpretação do gráfico de controle de Shewhart e, como observamos anteriormente, eles também reduzem drasticamente o tamanho do
gráfico quando o processo está realmente sob controle. Isso pode ser muito indesejável na segunda fase de monitoramento de processos.
Duas alternativas muito eficazes para o gráfico de controle de Shewhart podem ser usadas quando pequenas mudanças de processo são de interesse:
o gráfico de controle de soma cumulativa (CUSUM - CUMULATIVE SUM) e o gráfico de controle de DEMÉRITOS. Estes gráficos são excelentes
alternativas para situações de monitoramento de processo de fase II. Essas cartas de controle são o assunto deste módulo.
GRÁFICOS DE CONTROLE DE DEMÉRITOS E CUSUM
DEMÉRITO
Com produtos complexos, como automóveis, computadores ou eletrodomésticos importantes, geralmente encontramos muitos tipos diferentes de não-
conformidades ou defeitos que podem ocorrer. Nem todos esses tipos de defeitos são igualmente relevantes. Uma unidade de produto com um defeito
muito sério provavelmente pode ser classificada como não conforme em relação aos requisitos, mas uma unidade com vários defeitos menores pode
não ser, necessariamente, não conforme. Em tais situações, precisamos de um método para classificar não conformidades ou defeitos de acordo com
a gravidade e para ponderar os vários tipos de defeitos de maneira razoável. Os sistemas de deméritos para dados de atributos podem ser valiosos
nessas situações.
Uma classificação para deméritos pode ser vista como se segue:

DEFEITOS CLASSE A – MUITO SÉRIOS
A unidade está completamente inadequada para o serviço ou falhará neste de tal maneira que não possa ser facilmente corrigido em campo, ou ainda
poderá causar ferimentos pessoais ou danos materiais.
DEFEITOS CLASSE B – GRAVES

A unidade possivelmente sofrerá uma falha operacional de Classe A, ou causará problemas operacionais menos graves, ou terá vida útil reduzida ou
aumento nos custos de manutenção.
DEFEITOS DE CLASSE C – MODERADAMENTE SÉRIOS

A unidade possivelmente falhará em serviço, ou causará problemas que são menos graves do que a falha operacional, ou possivelmente terá a vida
útil reduzida ou aumento nos custos de manutenção, podendo ter também um grande defeito de acabamento, aparência ou qualidade no trabalho.
DEFEITOS DE CLASSE D – MENORES

A unidade não falhará em serviço, mas tem pequenos defeitos de acabamento, aparência ou qualidade no trabalho.
Vejamos um exemplo: um fabricante de linha branca apontou 50 amostras com defeitos verificados nos produtos, conforme tabela a seguir:
Amostra No de defeitos ci Amostra No de defeitos ci Amostra No de defeitos ci Amostra No de defeitos ci
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
 Tabela 63: Defeitos em linhas brancas

Com estas informações, o departamento da qualidade montou o gráfico de controle:

O gerente da qualidade não ficou satisfeito com esta simples classificação, pois não estavam levando em conta a gravidade destes defeitos. Resolveu,
então, classificá-los e montou a seguinte tabela, onde foram dados pesos para os tipos de defeitos e as amostras foram reclassificadas:
Dem é ritos = ∑ F P i i
i=1
Onde:
Fi
= tipo da falha
Pi
= peso do tipo da falha
Tipo do Defeito
Amostra No de defeitos ci Leves Médios Severos Deméritos
1 3 6
1 0 0 0 0 0
2 3 1 1 1 10
3 1 1 0 0 1
4 0 0 0 0 0
5 0 0 0 0 0
6 0 0 0 0 0
7 0 0 0 0 0
Tipo do Defeito
1 3 6
8 0 0 0 0 0
9 0 0 0 0 0
10 1 1 0 0 1
11 3 1 1 1 10
12 0 0 0 0 0
13 3 2 0 1 8
14 0 0 0 0 0
15 0 0 0 0 0
16 0 0 0 0 0
17 1 0 1 0 3
18 1 1 0 0 1
19 0 0 0 0 0
20 0 0 0 0 0
21 3 0 1 2 15
22 0 0 0 0 0
23 1 1 0 0 1
24 2 0 2 0 6
25 2 1 1 0 4
26 1 0 0 1 6
27 1 1 0 0 1
28 5 3 1 1 12
Tipo do Defeito
1 3 6
29 1 1 0 0 1
30 0 0 0 0 0
31 2 1 0 1 7
32 1 0 1 0 3
33 0 0 0 0 0
34 0 0 0 0 0
35 2 1 1 0 4
36 0 0 0 0 0
37 1 1 0 0 1
38 0 0 0 0 0
39 4 1 3 0 10
40 1 0 1 0 3
41 2 1 1 0 4
42 1 1 0 0 1
43 1 1 0 0 1
44 0 0 0 0 0
45 0 0 0 0 0
46 2 1 1 0 4
47 3 1 1 1 10
48 1 1 0 0 1
49 3 1 1 1 10
Tipo do Defeito
1 3 6
50 3 1 1 1 10
 Tabela 64: Classificação dos defeitos

Assim, obtemos o seguinte gráfico, que é feito com base no gráfico “c”, substituído o número de defeitos pelo de deméritos.
Podemos observar que o acompanhamento se tornou mais qualitativo, pois, enquanto o anterior apresentava somente uma não conformidade, o novo
apresenta várias, dando mais credibilidade ao controle, possibilitando que as causas especiais sejam corretamente analisadas.
CUSUM – CUMULATIVE SUM

O gráfico CUSUM é usado para monitorar a média de um processo com base em amostras retiradas em determinados tempos (horas, turnos, dias,
semanas, meses etc.). As medições das amostras em determinado momento constituem um subgrupo. Em vez de examinar a média de cada
subgrupo, esta modalidade mostra o acúmulo de informações de amostras atuais e anteriores.
 DICA
Por este motivo, o gráfico CUSUM é geralmente melhor do que o
¯
¯¯¯¯
X
para detectar pequenas mudanças na média de um processo.
O CUSUM depende da especificação de um valor-alvo e de uma estimativa conhecida ou confiável do desvio padrão. Por esta razão, este gráfico deve
ser usado após o controle do processo ter sido estabelecido.
¯
¯¯¯¯
X
é o gráfico de controle mais comum para monitorar a média do processo, sendo geralmente usado no monitoramento da fase I, quando o controle do
processo está sendo estabelecido. O gráfico de
¯
¯¯¯¯
X
é útil para detectar grandes mudanças na média do processo. O CUSUM é baseado em uma média-alvo estabelecida e um valor confiável para sigma,
além de ser útil para detectar rapidamente pequenas mudanças na média do processo.
Seguindo o procedimento apresentado por Ryan (2011), as etapas para a criação de um gráfico CUSUM podem ser resumidos da seguinte forma:
ETAPA 01
ETAPA 02
ETAPA 03
ETAPA 04
ETAPA 01
Calcule o
zi
usando a fórmula:
¯
¯¯
xi − x
zi =
s
^¯x
¯¯
Onde:
¯
¯¯
s
^ =
s
c4
Onde:
c4
- consultar tabela 2
ETAPA 02
Calcule as somas cumulativas inferior e superior da seguinte forma:
−
C = max[0, zi ]
+
C = max[0, zi ]
ETAPA 03
Plote
SH i
SLi
em um gráfico de controle. Os limites de controle são escolhidos como mais ou menos
. A escolha usual para
é 0,5 (para detectar mudanças de um sigma na média) e
é normalmente definido como 5.
ETAPA 04
Quando uma situação fora de controle é detectada, a soma correspondente pode ser deixada como está ou redefinida para um valor inicial apropriado.
O valor de reinicialização pode ser definido como zero ou o reinício inicial rápido com valor de h / 2.
EXERCÍCIO RESOLVIDO
Vejamos um exemplo: Vinte medidas sucessivas de dureza são feitas em uma liga metálica, sendo os dados mostrados na seguinte tabela. Usando
todos os dados, calcule os limites de controle. Construa o gráfico e plote os dados.
Amostra Dureza Amostra Dureza
1 51 11 51
2 52 12 57
3 54 13 58
4 55 14 50
5 55 15 53
6 51 16 52
7 52 17 54
8 50 18 50
Amostra Dureza Amostra Dureza
9 51 19 56
10 56 20 53
 Tabela 65: Medidas de dureza

Como somente temos uma medida de cada amostra, vamos inicialmente construir o gráfico
Xi
, com os seguintes limites, onde de tabela tiramos o
d2 = 1, 128
(tamanho de amostra
n = 2
¯
¯¯¯
¯
¯¯¯¯ R
LC = X ± 3
d2
Da nossa amostra podemos então calcular a amplitude móvel:
Amostra Dureza AM
1 51 0
2 52 1
3 54 2
4 55 1
5 55 0
6 51 4
7 52 1
8 50 2
9 51 1
10 56 5
Amostra Dureza AM
11 51 5
12 57 6
13 58 1
14 50 8
15 53 3
16 52 1
17 54 2
18 50 4
19 56 6
20 53 3
 Tabela 66: Tratamento estatístico das medidas de dureza

Onde calculamos a média da dureza e da amplitude móvel:
51 + 52 + … + 53
X̄ = = 53, 05
20
1 + 5 + … + 3
R̄ = = 2, 8
20
E os limites de controle:
2, 80
LCS = 53, 05 + 3 = 105, 89
1, 128
2, 80
LCI = 53, 05 − 3 = 92, 33
1, 128
Amostra Dureza AM LC LSC LIC
1 51 0 53,050 60,497 45,603
2 52 1 53,050 60,497 45,603
3 54 2 53,050 60,497 45,603
4 55 1 53,050 60,497 45,603
5 55 0 53,050 60,497 45,603
6 51 4 53,050 60,497 45,603
7 52 1 53,050 60,497 45,603
8 50 2 53,050 60,497 45,603
9 51 1 53,050 60,497 45,603
10 56 5 53,050 60,497 45,603
11 51 5 53,050 60,497 45,603
12 57 6 53,050 60,497 45,603
13 58 1 53,050 60,497 45,603
14 50 8 53,050 60,497 45,603
15 53 3 53,050 60,497 45,603
16 52 1 53,050 60,497 45,603
17 54 2 53,050 60,497 45,603
18 50 4 53,050 60,497 45,603
Média 53,05 2,80

Amostra Dureza AM LC LSC LIC
19 56 6 53,050 60,497 45,603
20 53 3 53,050 60,497 45,603
Média 53,05 2,80
 Tabela 66: Tratamento estatístico das medidas de dureza

Plotando o gráfico temos:
Vemos que o processo está sob controle. Vamos ao CUSUM.
s̄ 2, 4597
s
^ = = = 3, 0827
c4 0, 7979
¯
¯¯
xi − x 51 − 53, 05
zi = = = −0, 6550
s
^¯x
¯¯ 3, 0827
PARA A PRIMEIRA AMOSTRA
¯
¯¯
xi − x 52 − 53, 05
zi = + zi−1 = − 0, 6550 = −1, 0056
s
^¯¯¯ 3, 0827
x
PARA A SEGUNDA AMOSTRA
Com isto montamos a tabela:

Amostra Dureza CUSUM C+ C- LSC LIC
1 51 -0,6650 0,000 -0,665 3 -3
2 52 -1,0056 0,000 -1,006 3 -3
3 54 -0,6974 0,000 -0,697 3 -3
4 55 -0,0649 0,000 -0,065 3 -3
5 55 0,5677 0,568 0,000 3 -3
6 51 -0,0973 0,000 -0,097 3 -3
7 52 -0,4379 0,000 -0,438 3 -3
8 50 -1,4273 0,000 -1,427 3 -3
9 51 -2,0923 0,000 -2,092 3 -3
10 56 -1,1354 0,000 -1,135 3 -3
11 51 -1,8004 0,000 -1,800 3 -3
12 57 -0,5190 0,000 -0,519 3 -3
13 58 1,0867 1,087 0,000 3 -3
14 50 0,0973 0,097 0,000 3 -3
15 53 0,0811 0,081 0,000 3 -3
16 52 -0,2595 0,000 -0,260 3 -3
17 54 0,0487 0,049 0,000 3 -3
18 50 -0,9407 0,000 -0,941 3 -3
19 56 0,0162 0,016 0,000 3 -3
20 53 0,0000 0,000 0,000 3 -3
 Tabela 67: Determinação dos limites das medidas de dureza

E plotamos o gráfico:
Podemos observar que o processo continua sob controle, mas que o gráfico do CUSUM apresenta uma padronização da “Dureza” com mais amostras
C-, que deverá ser analisada para que se tenha certeza de que não está causando algum problema para o produto final. Ele então fornece uma visão
melhor do processo.
MÃO NA MASSA
TEORIA NA PRÁTICA
UMA INDÚSTRIA PRODUTORA DE EMBALAGENS PLÁSTICAS FLEXÍVEIS, DESEJA

ANALISAR SEU PROCESSOR E PARA TANTO O DEPARTAMENTO DE PRODUÇÃO,
COLETOU AMOSTRAS VARIÁVEIS DE SEU PROCESSO PRODUTIVO PARA AVALIAR O
NÚMERO DE DEFEITOS EM FUNÇÃO DE SUA GRAVIDADE E PARA AVALIAR A
NECESSIDADE DE TOMAR AÇÕES CORRETIVAS SE O PROCESSO ESTIVER
APRESENTANDO CAUSAS ESPECIAIS.
Número de Defeitos
Amostra Tamanho
Leve = 1 Médio = 2 Grave = 3
1 120 3 2 3
2 114 1 3 3
3 196 2 2 1
4 187 4 1 2
5 195 3 2 5
6 120 2 3 3
Número de Defeitos
Amostra Tamanho
Leve = 1 Médio = 2 Grave = 3
7 148 2 1 2
8 210 2 1 4
9 187 5 0 3
10 190 0 3 2
11 134 0 0 1
12 167 0 0 1
13 123 2 1 2
14 120 1 2 0
15 154 0 1 0
16 134 1 1 3
17 167 4 0 0
18 121 3 0 3
19 294 4 0 1
20 180 4 1 0
RESOLUÇÃO
TEORIA NA PRÁTICA
CONCLUSÃO
CONSIDERAÇÕES FINAIS
Praticamente qualquer processo poderá se beneficiar do CEP, incluindo o uso de gráficos de controle. Neste tema, apresentamos algumas diretrizes
gerais úteis na implementação de cartas de controle. Especificamente, lidamos com o seguinte:
Como determinar quais características de processo podem ser controladas.
Quais os tipos de gráficos que podem ser implementados em função do processo.
Como tomar medidas para melhorar os processos, como resultado da análise do CEP/carta de controle.
As diretrizes são aplicáveis às cartas de controle de variáveis e atributos.
 ATENÇÃO
O controle por gráficos não é apenas para vigilância do processo; deve ser usado como um método ativo online para redução de variabilidade.
A melhoria do processo é o principal objetivo de seu controle estatístico. A aplicação de cartas de controle dará informações em dois aspectos-chave:
controle estatístico e capacidade. Tecnicamente falando, a capacidade de um processo não pode ser avaliada adequadamente até que o controle
estatístico seja estabelecido. Contudo, usaremos uma definição menos precisa de capacidade, isto é, apenas uma avaliação qualitativa se o nível de
não conformidade das unidades produzidas for baixo o suficiente para garantir pouco ou nenhum esforço adicional imediato para melhorar ainda mais
o processo.
 PODCAST
Agora, o especialista Mauro Rezende Filho encerra o tema falando sobre Cartas de Controle.
AVALIAÇÃO DO TEMA:
REFERÊNCIAS
ANAND, M JOGLEKAR. Statistical Methods for Six Sgma. In R&D and manufacturing. London: John Wiley & Sons, 2003, p. 344.
BESTERFIELD, B. H. Quality Control. New York: Prentice Hall, 1990.
MONTGOMERY, D. C. Introduction to Statistical Quality Control. London: John Wiley & Sons, 2009, p. 754.
LENZ, H. J., WILRICH, P. T. Frontiers in Statical Quality Control. Berlin: Physica-Verlag, 2006, p. 358.
LOUZADA, F. et al. Controle Estatístico de processos – uma abordagem prática para cursos de Engenharia e Administração. Rio de Janeiro: LTC,
2013, p. 282.
MONTGOMERY, D. C., RUNGER, G. C. Estatística Aplicada E Probabilidade Para Engenheiros. Rio de Janeiro: LTC, 2009, p. 347.
WALPOLE, R. E.; MYERS, R. H., MYERS, S. L.; YE K. Probabilidade e estatística para engenharia e ciências. Rio de Janeiro: Pearson, 2009, p.
356.
EXPLORE+
Para aprofundar mais o conteúdo deste tema, leia:
Os artigos do Portal de Periódicos da Capes
Os periódicos da Biblioteca Digital de Domínio Público
CONTEUDISTA
Mauro Rezende Filho
 CURRÍCULO LATTES

Cartas de controle para qualidade

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cartas de controle para qualidade

Enviado por

Direitos autorais:

Formatos disponíveis

DESCRIÇÃO

Reconhecer as cartas de controle de média amostral e amplitude

Reconhecer as cartas de controle de média amostral e desvio padrão

Reconhecer as cartas de controle de atributos

Identificar outras cartas de controle mais avançadas

BEM-VINDO AOS ESTUDOS DO CONTROLE ESTATÍSTICO DE

 Reconhecer as cartas de controle de média amostral e amplitude

CARTAS DE CONTROLE DE MÉDIA AMOSTRAL E AMPLITUDE

CONTROLE ESTATÍSTICO DE PROCESSOS

O diâmetro de um rolamento pode ser medido com um micrômetro e expresso em milímetros.

 Causas atribuíveis de variação

INTERVALO DE TEMPO ENTRE

Há alterações no desvio padrão inicialmente de

INTERVALO DE TEMPO ENTRE

Há alterações significativas na média (de

) e no desvio padrão (de

INTERVALO DE TEMPO ENTRE

e o desvio padrão aumentou consideravelmente de

) e a média se deslocou para o LSC (de

” estão sob controle em seus valores nominais (digamos,

Fatores para Limites de Controle

2 2,121 1,88 2,659

3 1,732 1,023 1,954

4 1,5 0,729 1,628

5 1,342 0,577 1,427

6 1,225 0,483 1,287

7 1,134 0,419 1,182

8 1,061 0,373 1,099

9 1,000 0,337 1,032

10 0,949 0,308 0,975

11 0,905 0,285 0,927

12 0,866 0,266 0,886

13 0,832 0,249 0,85

14 0,802 0,235 0,817

15 0,775 0,223 0,789

 Atenção! Para visualização completa da tabela utilize a rolagem horizontal

 Tabela 1: Gráfico das Médias

Fatores para Linha Central Fatores para Limites de Controle

2 0,7979 1,2533 0 3,267 0 2,606

3 0,8862 1,1284 0 2,568 0 2,276

4 0,9213 1,0854 0 2,266 0 2,088

5 0,94 1,0638 0 2,089 0 1,964

6 0,9515 1,051 0,03 1,97 0,029 1,874

7 0,9594 1,0423 0,118 1,882 0,113 1,806

8 0,965 1,0363 0,185 1,815 0,179 1,751

9 0,9693 1,0317 0,239 1,761 0,232 1,707

10 0,9727 1,0281 0,284 1,716 0,276 1,669

11 0,9754 1,0252 0,321 1,679 0,313 1,637

12 0,9776 1,0229 0,354 1,646 0,346 1,61

13 0,9794 1,021 0,382 1,618 0,374 1,585

14 0,981 1,0194 0,406 1,594 0,399 1,563

15 0,9823 1,018 0,428 1,572 0,421 1,544

 Atenção! Para visualizaçãocompleta da tabela utilize a rolagem horizontal

 Tabela 2: Gráficos de Desvio Padrão

Fatores para Linha Central Fatores para Limites de Controle

2 1,128 0,8865 0,853 0 3,686 0 3,267

3 1,693 0,5907 0,888 0 4,358 0 2,574

4 2,059 0,4857 0,88 0 4,698 0 2,282

5 2,326 0,4299 0,864 0 4,918 0 2,114

6 2,534 0,3946 0,848 0 5,078 0 2,004

7 2,704 0,3698 0,833 0,204 5,204 0,076 1,924

8 2,847 0,3512 0,82 0,388 5,306 0,136 1,864

9 2,97 0,3367 0,808 0,547 5,393 0,184 1,816