AULA 3

CONTROLE ESTATÍSTICO
DA QUALIDADE

Prof. Rafael Simões Ribeiro

CONVERSA INICIAL

O objetivo desta aula está centrado no aprendizado das cartas (ou gráficos)
de controle, uma das bases do CEP (Controle Estatístico de Processo). Elas são
utilizadas para a identificação de ocorrência de causas atribuíveis de mudanças
em um processo, visando rápida correção, para evitar a produção de unidades
não conformes e, em última análise, diminuir a variabilidade. Veremos como tratar
variáveis (isto é, qualquer medida de qualidade em uma escala numérica) com as
cartas de controle 𝑥̅ e 𝑅 e 𝑥̅ e 𝑠; e também como tratar atributos (quando temos
características de qualidade binárias, classificadas em “conformes” e “não
conformes”) com a carta de controle 𝑝. Usaremos os conceitos matemáticos da
aula anterior, em uma abordagem mais direta e prática.

TEMA 1 – CARTAS DE CONTROLE DE SHEWHART

Uma carta de controle é uma ferramenta de melhoria da produtividade,

eficaz na prevenção de defeitos, pois fornece informações de diagnóstico para o
processo. Apresenta, no eixo das abscissas, uma ordem amostral ou temporal, e,
nos eixos das ordenadas, uma característica do processo (ou do produto final)
que medimos e queremos manter sob controle (uma cota de uma peça, um valor
de temperatura, de pressão etc.). Cada ponto marcado na carta é o valor numérico
puro dessa característica (para o caso de medidas individuais) ou o resultado da
média de uma amostra de 𝑛 itens. São traçados a linha central (que representa a
média dos pontos do gráfico) e os limites superior e inferior de controle, calculados
com base em uma estatística (testes de hipóteses da aula anterior), usualmente
representando 3𝜎 de desvio ao redor da média (chamados “limites de controle três
sigma”).

Figura 1 – Carta de controle de Shewhart

Fonte: JMP, 2015.

2
 Os cálculos dos limites de controle são arbitrários, cabendo ao engenheiro
defini-los.

Ao afastarmos os limites de controle, estamos diminuindo o risco de

cometermos um erro tipo I – isto é, o risco de um ponto cair fora dos
limites de controle, indicando uma condição fora de controle, quando
nenhuma causa atribuível está presente. No caso de aumentarmos os
espaços entre os limites de controle, estaremos aumentando o risco do
erro tipo II – o risco de um ponto cair entre os limites de controle quando
o processo estiver, na verdade, fora de controle. (Montgomery, 2019, p.
136)

Devemos utilizar uma estatística justa em relação aos riscos de obter erros
tipo I e tipo II; como dito, com base em um uso intensivo, é comum utilizar um
desvio de três sigma (para três sigma, 𝛼 = 0,00135; em alguns lugares, como no
Reino Unido e na Europa Central, usa-se 𝛼 = 0,001, o que faz pouca diferença
prática). Wheeler e Chambers (1992) adicionam à explicação o que chamam de
“regra empírica”, verificada na prática. Essa regra tem três partes: 1) entre 60% e
75% dos dados localizam-se a uma distância de um sigma em ambos os lados da
média; 2) usualmente, de 90% a 98% dos dados localizam-se a uma distância de
dois sigma em ambos os lados da média e 3) aproximadamente 99% a 100% dos
dados localizam-se a uma distância de dois sigma em ambos os lados da média.
Na sequência, os autores mostram a eficácia dessa regra empírica para diversos
tipos de distribuição, justificando a adoção do desvio de três sigma.

TEMA 2 – CARTAS DE CONTROLE PARA VARIÁVEIS

Como dito, variáveis são definidas como parâmetro do processo (ou

produto), que pode ser medido em uma escala numérica. Na prática, a maioria
dos casos de CEP se baseará em cardas de controle para variáveis, dentre as
quais destacamos as cartas 𝑥̅ e 𝑅 e 𝑥̅ e 𝑠 (lê-se “xis barra”).
Na aula anterior, falamos sobre alguns estimadores pontuais para testes
de hipóteses. Um estimador pontual deve ser não viesado (ou seja, o valor
esperado do estimador deve ser igual ao parâmetro sendo estimado) e ter
variância mínima. A média e a variância amostrais são estimadores pontuais da
média e da variância populacionais:

𝐸(𝑥̅ ) = 𝜇 e 𝐸(𝑠 2 ) = 𝜎 2 (1)

3
onde 𝐸 é o operador matemático “esperança”, “um modo abreviado de denotar o
processo de cálculo da média de uma variável aleatória” (Montgomery, 2019, p.
82). Porém, o desvio-padrão não é um estimador não viesado. Pode-se mostrar:

2 1/2 Γ(𝑛/2)
𝐸(𝑠) = ( ) 𝜎 = 𝑐4 𝜎 (2)
𝑛−1 Γ[(n − 1)/2]

onde 𝑐4 é uma variável que depende de 𝑛, ou seja, do número de elementos da

amostra.
Por questões de facilidade, uma forma de estimar o desvio-padrão é
utilizando a amplitude 𝑅, correspondente à diferença entre o maior e o menor
valor dos elementos dentro da amostra:

𝑅 = 𝑚á𝑥(𝑥𝑖 ) − mín(𝑥𝑖 ) = 𝑥𝑚á𝑥 − 𝑥𝑚í𝑛 (3)

Pode-se definir a amplitude relativa 𝑊 = 𝑅/𝜎, uma variável que tem

𝐸(𝑊) = 𝑑2 , em que 𝑑2 depende de 𝑛, de maneira similar a 𝑐4 . O estimador não
viesado do desvio-padrão 𝜎 é:

𝑅
𝜎̂ = (4)
𝑑2

Como estamos considerando as médias amostrais, podemos utilizar:

𝑅̅
𝜎̂ = (5)
𝑑2

Para o uso da carta 𝑥̅ , calculamos a média das médias:

𝑥̅1 + 𝑥̅2 + ⋯ + 𝑥̅𝑚

𝑥̿ = (6)
𝑚

onde 𝑚 é o número de amostras, e cada amostra tem 𝑛 componentes.

Calculamos, também, a média das amplitudes:

𝑅1 + 𝑅2 + ⋯ + 𝑅𝑚
𝑅̅ = (7)
𝑚

Calculamos os limites de controle inferior e superior conforme o teste de

hipóteses: sabemos que há uma probabilidade 1 − 𝛼 de qualquer média amostral
ficar entre:

4
 𝜎 𝜎
𝜇 + 𝑍𝛼/2 𝜎𝑥̅ = 𝜇 + 𝑍𝛼/2 e 𝜇 − 𝑍𝛼 𝜎𝑥̅ = 𝜇 − 𝑍𝛼/2 (8)
√𝑛 2 √𝑛

Usando 𝑥̿ como estimador de 𝜇 e 𝑅̅ /𝑑2 como estimador de 𝜎, e, ainda,

considerando 𝑍𝛼/2 igual a 3, temos:

3𝑅̅
𝐿𝑆𝐶 = 𝑥̿ + (9)
𝑑2 √𝑛

3𝑅̅
𝐿𝐼𝐶 = 𝑥̿ − (10)
𝑑2 √𝑛

É comum definirmos:

3
𝐴2 = (11)
𝑑2 √𝑛

̅:
Finalmente, temos, para o gráfico 𝒙

𝐿𝑆𝐶 = 𝑥̿ + 𝐴2 𝑅̅
𝐿𝐶 = 𝑥̿ (12)
𝐿𝐼𝐶 = 𝑥̿ − 𝐴2 𝑅̅

Para determinar os limites de controle para o gráfico R, precisamos de um

estimador para 𝜎𝑅 , e usamos a amplitude relativa
𝑊 = 𝑅/𝜎. Assim como definido para 𝑑2 , temos o desvio-padrão de 𝑊 como sendo
uma função 𝑑3 de 𝑛, ou seja 𝑉𝑎𝑟(𝑊) = 𝑑3 :

𝜎𝑅 = 𝑑3 𝜎 (13)

onde estimamos 𝜎𝑅 , utilizando a EQUAÇÃO 5, por:

𝑅̅
𝜎̂𝑅 = 𝑑3 (14)
𝑑2

Assim, utilizando os limites de três sigma, temos:

𝑅̅ (15)
𝐿𝑆𝐶 = 𝑅̅ + 3𝜎̂𝑅 = 𝑅̅ + 3𝑑3
𝑑2

5
 𝑅̅
𝐿𝐼𝐶 = 𝑅̅ − 3𝜎̂𝑅 = 𝑅̅ − 3𝑑3 (16)
𝑑2

Fazendo:

𝑑 𝑑
𝐷3 = 1 − 3 𝑑3 e 𝐷4 = 1 + 3 𝑑3 (17)
2 2

chagamos finalmente aos cálculos finais da carta R:

𝐿𝑆𝐶 = 𝐷4 𝑅̅
𝐿𝐶 = 𝑅̅ (18)
𝐿𝐼𝐶 = 𝐷3 𝑅̅

Geralmente 𝑛, o número de exemplares na amostra, é pequeno, pois

repetir a medição para um valor muito grande é, em geral, custoso. Porém, quanto
maior o valor de 𝑛, maior o nível de informação que teremos na carta de controle,
o que veremos no Tema 5.
Podemos, também, utilizar a estimativa direta do desvio-padrão amostral
para gerar um gráfico de controle, em lugar de utilizarmos a amplitude. O gráfico
𝑥̅ e 𝑠 não é geralmente utilizado quando o tamanho da amostra 𝑛 é geralmente
grande (𝑛 > 10 ou 12) ou quando o tamanho de 𝑛 é variável. A seguir, mostramos
as equações que definem os limites de controle em sua forma direta, após realizar
um procedimento semelhante ao que fizemos para o gráfico 𝑥̅ e 𝑅.
̅:
Para a carta 𝒙

𝐿𝑆𝐶 = 𝑥̿ + 𝐴3 𝑠̅
𝐿𝐶 = 𝑥̿ (19)
𝐿𝐼𝐶 = 𝑥̿ − 𝐴3 𝑠̅

Para a carta 𝒔:

𝐿𝑆𝐶 = 𝐵4 𝑠̅
𝐿𝐶 = 𝑠̅ (20)
𝐿𝐼𝐶 = 𝐵3 𝑅̅

Os valores de 𝐴2 , 𝐷3 e 𝐷4 , 𝐴3 , 𝐵3 e 𝐵4 são dados na Tabela 1 (Anexo). Os

valores 𝐴, 𝐷1 e 𝐷2 se referem à aplicação similar às equações 12 e 18; e os valores
𝐵5 e 𝐵6 se referem à aplicação similar às equações 19 e 20, quando é possível

6
especificar valores de referência 𝜇 e 𝜎, sem fazer uso de estimadores. Porém,
essa abordagem é rara nas aplicações de chão de fábrica.

TEMA 3 – CARTAS DE CONTROLE PARA MEDIDAS INDIVIDUAIS

Há situações e motivos para o tamanho da amostra unitário, 𝑛 = 1. Talvez

o principal e mais em evidência seja a automação dos processos de medição – se
a medição não custa recursos, não há razão para não medir toda a produção).
Mas há também casos em que ter um tamanho amostral 𝑛 > 1 é muito custoso
além de casos em que temos um desvio-padrão mínimo para alguns parâmetros,
dificultando a análise da carta de variação. Para esses casos, utilizamos a
amplitude móvel (moving range) de duas observações consecutivas como base
para estimar a variabilidade do processo1:

𝑀𝑅𝑖 = |𝑥𝑖 − 𝑥𝑖−1 | (21)

O gráfico de controle para medidas individuais, com três sigma, será

calculado como se segue:

̅̅̅̅̅
𝑀𝑅
𝐿𝑆𝐶 = 𝑥̅ + 3
𝑑2
𝐿𝐶 = 𝑥̅ (22)
̅̅̅̅̅
𝑀𝑅
𝐿𝐼𝐶 = 𝑥̅ − 3
𝑑2

O gráfico de controle para amplitude móvel será:

𝐿𝑆𝐶 = 𝐷4 ̅̅̅̅̅
𝑀𝑅
̅̅̅̅̅
𝐿𝐶 = 𝑀𝑅 (23)
𝐿𝐼𝐶 = 𝐷3 ̅̅̅̅̅
𝑀𝑅

onde, se 𝑛 = 2 é amplitude móvel de abrangência dois, 𝐷3 = 0, então 𝐿𝐼𝐶 = 0.

A Figura 2 mostra cartas de controle para medidas individuais. Repare

que a carta de amplitude móvel (embaixo) é deslocada em seu primeiro valor em

1Em algumas aplicações, pode ser mais interessante utilizar os gráficos de controle para a soma
cumulativa (Cusum) e de média móvel exponencialmente ponderada (Mmep), que não serão
abordados em nosso curso. Recomenda-se a consulta às referências indicadas.
7
relação à carta das medidas, o que se justifica pelo seu cálculo “artificial”, já que
não se refere à amplitude entre a mesma amostra.

Figura 2 – Cartas de controle para medidas individuais

Fonte: JMP, 2015.

TEMA 4 – CARTAS DE CONTROLE PARA ATRIBUTOS

Tratamos de atributos quando temos características qualitativas sendo

avaliadas em um processo e não podemos quantificá-las, a não ser por meio de
uma contagem. Isso se aplica à quantidade de produtos defeituosos em uma
amostra, à quantidade de defeitos em um produto e, também, a algumas
características administrativas (de modo que a Teoria de Controle Estatístico pode
ser aplicada em setores não convencionais da economia, e não apenas na
indústria).
Com base na distribuição binomial, vista na aula anterior, podemos definir
a fração amostral não conforme como a razão entre o número de unidades não
conformes 𝐷 e o tamanho da amostra 𝑛:

𝑝̂ = 𝐷⁄𝑛 (24)

A distribuição da variável 𝑝̂ pode ser obtida da distribuição binomial e terá

média e variância como:

𝜇𝑝̂ = 𝑝 (25)

𝑝(1 − 𝑝)
𝜎𝑝2̂ = (26)
𝑛

8
 Podemos, então, calcular o gráfico de controle com três sigma para fração
não conforme, caso tenhamos o valor-padrão 𝑝, a verdadeira fração de não
conformes do processo:

𝑝(1−𝑝)
𝐿𝑆𝐶 = 𝑝 + 3√ 𝑛

𝐿𝐶 = 𝑝 (27)
𝑝(1−𝑝)
𝐿𝐼𝐶 = 𝑝 − 3√ 𝑛

Quando a fração não conforme do processo não é conhecida, ela deve ser
estimada pela observação dos dados. Devemos selecionar 𝑚 amostras (𝑚 ≥ 20)
preliminares, cada uma com tamanho 𝑛. Então, calculamos a fração de não
conformes para cada amostra:

𝑝̂ 𝑖 = 𝐷𝑖 ⁄𝑛 𝑖 = 1,2, … , 𝑚 (28)

e a média dessas frações:

∑𝑚
𝑖=1 𝐷𝑖
∑𝑚
𝑖=1 𝑝̂ 𝑖
𝑝̅ = = (29)
𝑚𝑛 𝑚

Assim, a estatística 𝑝̅ estima a fração não conforme desconhecida e o

gráfico de controle é calculado por:

𝑝̅ (1−𝑝̅ )
𝐿𝑆𝐶 = 𝑝̅ + 3√ 𝑛

𝐿𝐶 = 𝑝 (30)
𝑝̅ (1−𝑝̅ )
𝐿𝐼𝐶 = 𝑝̅ − 3√ 𝑛

Existem várias situações práticas em que preferimos trabalhar diretamente

com o número de não conformidades (defeitos) a trabalhar com a fração não
conforme. Tipicamente, é interessante essa análise quando lidamos com defeitos
que não comprometam, de todo, a integridade do produto. Por exemplo, se
encontramos rebites redundantes defeituosos na asa de um avião, não

9
necessariamente haverá falha, mas o controle de qualidade sobre esses defeitos
é fundamental.
Os gráficos de controle podem ser realizados para o número total de não
conformidades em uma unidade ou para o número médio de não conformidades
por unidade; para ambos, utiliza-se a distribuição de Poisson:

𝑒 −𝑐 𝑐 𝑥
𝑝(𝑥) = (31)
𝑥!

em que 𝑥 é o número de não conformidades e 𝑐 > 0 é o parâmetro da distribuição

de Poisson. Sabe-se que tanto a média quanto a variância da distribuição de
Poisson são iguais ao parâmetro 𝑐. Se não soubermos o valor padrão de 𝑐, ele
pode ser estimado como o número médio de defeitos observados em uma amostra
preliminar de unidade de inspeção (por exemplo, podemos definir uma unidade
de inspeção como o conjunto de 10 produtos sendo verificados de tempos em
tempos), 𝑐̅. O gráfico de controle é calculado como:

𝐿𝑆𝐶 = 𝑐̅ + 3√𝑐̅
𝐿𝐶 = 𝑐̅ (32)
𝐿𝑆𝐶 = 𝑐̅ − 3√𝑐̅

A outra abordagem é a utilização do número médio de não conformidades

por unidade de inspeção. Sendo 𝑥 o total de defeitos e 𝑛 o número de amostras
em uma unidade de inspeção, temos:

𝑥
𝑢= (31)
𝑛

em que 𝑥 ainda é uma variável aleatória de Poisson. Assim, o gráfico de controle

é calculado como:

𝐿𝑆𝐶 = 𝑢̅ + 3√𝑛̅
𝑢

𝐿𝐶 = 𝑢̅ (32)

𝐿𝑆𝐶 = 𝑢̅ − 3√𝑛̅
𝑢

onde 𝑢̅ é o número médio observado de defeitos por unidade em um conjunto

preliminar de dados.

10
TEMA 5 – INTERPRETAÇÃO PARA CEP

Acabamos de estudar os procedimentos estatísticos para a construção de

vários gráficos de controle. Nesta seção, estudaremos a interpretação desses
gráficos e os padrões que podem ocorrer. De maneira geral, as regras para a
interpretação das cartas de controle são as mesmas para todos os tipos de carta
estudados neste curso.
O controle estatístico de processo se refere a um conjunto de ferramentas
e a uma filosofia de trabalho. Os princípios de Deming, Ishikawa e suas
ferramentas estão inseridos no CEP. Porém, o CEP é diretamente associado ao
uso e à interpretação das cartas de controle.
Começamos falando de duas fases de aplicação das cartas de controle,
cada uma com um objetivo diferente. Na fase I, “um conjunto de dados do
processo é coletado e analisado de forma retrospectiva, construindo-se limites e
controle de teste pra determinar se o processo estava sob controle durante o
período em que os dados foram coletados” (Montgomery, 2019, p. 141). Assim,
vemos se os pontos coletados estão sob controle estatístico (veremos a seguir
como identificar esse controle) e, caso não haja controle estatístico, a equipe de
engenharia deve trabalhar no processo de modo a identificar fatores atribuíveis
(causas especiais). A identificação de fatores atribuíveis pode ser realizada pela
análise do processo – utilizando as ferramentas de Ishikawa e outras ferramentas
–, e principalmente pela realização de experimentos planejados, que é o assunto
das próximas aulas.
Após a identificação de causas atribuíveis, a equipe de controle do
processo deve reexecutar a fase I, até que se obtenha “um conjunto limpo de
dados que representam o desempenho do processo sob controle para uso na fase
II” (Montgomery, 2019, p. 142). Tipicamente, o número de amostras 𝑚 para a
confecção das cartas de controle na fase I é de 20 a 25, sendo o número de
observações em cada amostra, 𝑛, geralmente da ordem de 2 a 5, por razões
econômicas (visto que, muitas vezes é dispendioso realizar as medições
necessárias). De modo geral, em Estatística, quanto maior nosso número de
graus de liberdade, mais precisos somos em nossas análises. Na prática da
engenharia, devemos sempre chegar a um equilíbrio entre recursos e grau de
qualidade das nossas informações, e isso é obtido com o domínio do processo (e
do produto).

11
 A fase II ocorre após a eliminação das principais causas atribuíveis na fase
I e tem ênfase, então, no monitoramento do processo2. Vamos estudar como
identificar o controle estatístico em um gráfico de controle (válido para as fases I
e II) e, depois, abordar um detalhe específico da fase II, o conceito de
“comprimento médio da sequência” (CMS).

5.1 Análise de padrões em cartas de controle

Como vimos, as cartas de controle são construídas com base nas

estatísticas de testes de hipóteses; assim, ao obter pontos fora dos limites de
controle (ainda que seja apenas um ponto), temos a indicação de falta de controle
estatístico, ou seja, causas atribuíveis não aleatórias estão presentes e devem ser
encontradas e corrigidas. Porém, a presença de um ponto fora dos limites de
controle não é um requisito absoluto para a falta de controle estatístico. Existem
alguns padrões que também caracterizam causas não aleatórias. Esses padrões
são resultados da prática de engenharia, e não de uma demonstração
matemática, sendo frutos da interpretação de processos reais. Em razão disso, é
comum empresas diferentes utilizarem padrões de interpretação diferentes. Aqui,
seguiremos as regras sensibilizantes para gráficos de controle de Shewhart, como
tratados por Montgomery (2019). As quatro primeiras regras são conhecidas como
“Regras da Western Electric”, por terem sido maciçamente promovidas pela
empresa. Wheeler e Chambers (1992) as consideram como as regras mais
importantes, sendo, as restantes, tratadas por eles como uma busca por padrões,
e não apenas a simples verificação de uma “regra”. Vejamos:

Quadro 1 – Regras sensibilizantes para gráficos de controle de Shewhart

1 Um ou mais pontos fora dos limites de controle

Western Electric

Dois ou três pontos consecutivos fora dos limites de alerta de dois sigma, mas
Regras da

2
ainda dentro dos limites de controle
3 Quatro ou cinco pontos consecutivos além dos limites de um sigma

4 Uma sequência de oito pontos consecutivos de um mesmo lado da linha central

5 Seis pontos em uma sequência sempre crescente ou decrescente

6 Quinze pontos em sequência entre os limites de um sigma

2 De forma simplificada: a fase I tem ênfase em trazer o processo para controle, enquanto a fase
II tem ênfase em manter tal controle.
12
 7 Quatorze pontos em sequência alternadamente para cima e para baixo
Oito pontos em sequência em ambos os lados da linha central, com nenhum deles entre
8
os limites de um sigma
9 Um padrão não usual ou não aleatório dos dados

10 Um ou mais pontos perto de um limite de alerta ou de controle

Fonte: elaborado com base em Montgomery, 2019, p. 141.

Repare que as regras 9 e 10 são genéricas e fracas; apesar de terem

alguma relevância, usualmente servem mais de alerta do que de fato representam
uma condição fora de controle, e essa é uma das razões da escolha de
abordagem de Wheeler e Chambers (1992). Vamos mostrar e comentar, abaixo,
os exemplos adaptados de Nelson (1984, 1985), pelo site Gigawiz (2016), para
gráficos de controle 𝑋 e 𝑋̅. Para tal, repare que as regiões A, B e C correspondem,
respectivamente, a 3, 2 e 1 sigma em relação à média.
Repare, na Figura 3, que temos um ponto além do limite inferior de
controle de três sigma (abaixo da região A). Isso indica a presença de uma causa
especial e mostra que esse ponto está altamente fora de controle. A regra 1 é de
aplicação direta tanto para o gráfico das médias quanto para o gráfico da
amplitude (ou desvio); veremos, nas próximas aulas, uma situação em que a
análise de gráficos 𝑋̅ é diferenciada, não seguindo essa regra – no entanto,
mesmo nessa situação a regra vale para o gráfico 𝑅. A Figura 4, por sua vez,
mostra dois pontos consecutivos dentro dos limites de controle, mas na região A,
além dos limites de alerta (nome dado aos limites dois sigma). Segundo Nelson
(1985), a causa usual pra esse tipo de ocorrência é o deslocamento da média do
processo, sendo esse um indicador precoce de tal deslocamento; o autor ainda
mostra que a chance de um sinal como esse ser falso é de apenas 0,3%.

13
 Figura 4 – Exemplo da regra 2
Figura 3 – Exemplo da regra 1

Fonte: elaborado com base em Gigawiz, Fonte: elaborado com base em Gigawiz, 2016.
2016.

Na Figura 5, temos quatro pontos consecutivos além do limite de controle

de dois sigma; na Figura 6, nove pontos consecutivos do mesmo lado da linha
central. Ambos indicam, também, deslocamento da média (Nelson, 1985).

Figura 5 – Exemplo da regra 3 Figura 6 – Exemplo da regra 4

Fonte: elaborado com base em Gigawiz, Fonte: elaborado com base em, Gigawiz,
2016. 2016.

Temos, na Figura 7, seis pontos consecutivos em uma tendência

crescente, o que sinaliza um desvio na média que, possivelmente, é causado por
algum problema de manutenção, como desgastes de ferramentas, oxidações etc.
A Figura 8, por sua vez, mostra 15 pontos consecutivos entre os limites de um
sigma. À primeira vista, isso prece algo positivo e aleatório, no entanto essa
configuração indica que os limites de controle são muito largos. Segundo Nelson
(1985), com base em uma simulação de Monte Carlo, a probabilidade da obtenção
desse padrão é da ordem da probabilidade de obtenção de um exemplar da regra
1, ou seja, de fato esse padrão não é nada positivo para o processo, pois indica
que a escala que estamos utilizando para medi-lo não é apropriada (e, então,
talvez tenhamos que mudar nossos parâmetros estatísticos de amostragem).

14
 Figura 8 – Exemplo da regra 6
Figura 7 – Exemplo da regra 5

Fonte: elaborado com base em Gigawiz, Fonte: elaborado com base em Gigawiz,
2016. 2016.

A Figura 9 apresenta 14 pontos em sequência alternada para cima e para

baixo, indicando uma oscilação além do ruído, o que ocorre quando se monitora
amostras alternadas de dois fornecedores ou turnos diversos. Isso é um erro, pois
tais variações de subgrupos deveriam ter suas próprias cartas de controle. Uma
conclusão similar é apresentada na Figura 10, que mostra oito pontos em
sequência em ambos os lados da linha central, com nenhum deles entre os limites
de um sigma. Isso caracteriza uma distribuição bimodal, provavelmente por
estarmos considerando amostras muito diferentes na mesma carta.

Figura 9 – Exemplo da regra 7 Figura 10 – Exemplo da regra 8

Fonte: elaborado com base em Gigawiz, Fonte: elaborado com base em Gigawiz,
2016. 2016.

5.2 Tamanho da amostra

Falamos sobre algumas regras práticas para definição de tamanhos

amostrais, principalmente tendo em vista a fase I. Agora, vamos entender dois
conceitos importantes para compreender os usos dos gráficos na fase II.
Retornando ao teste de hipótese, vamos abordar a avalição do erro tipo
II, de probabilidade 𝛽.

15
 Se temos um teste genérico de hipóteses 𝐻0 : 𝜇 = 𝜇0 e 𝐻1 : 𝜇 ≠ 𝜇0 com
variância 𝜎 2 conhecida, a estatística de teste é 𝑍0 = (𝑥̅ − 𝜇0 )⁄(𝜎/√𝑛) e
a distribuição de 𝑍0 é 𝑁(0,1) se a hipótese nula for verdadeira. Para
achar a probabilidade de erro tipo II temos que assumir que a hipótese
nula seja falsa e então determinar a distribuição de 𝑍0 . Supondo que a
média da distribuição seja 𝜇1 = 𝜇0 + 𝛿, então a hipótese alternativa é
verdadeira e, sob essa hipótese, a distribuição de 𝑍0 é ~𝑁(𝛿 √𝑛⁄𝜎, 1).
(Montgomery, 2019, p. 90)

Note, na Figura 11, que a probabilidade do erro tipo II é a probabilidade de

que 𝑍0 ficará entre −𝑍𝛼/2 e 𝑍𝛼/2.

Figura 11 – Distribuição de 𝑍0 sob 𝐻0 e 𝐻1

Fonte: elaborado com base em Montgomery, 2019, p. 90.

Essa probabilidade pode ser escrita em termos da distribuição normal

padrão como:

𝛿 √𝑛 𝛿 √𝑛
𝛽 = Φ (𝑍𝛼/2 − ) − Φ (−𝑍𝛼/2 − ) (33)
𝜎 𝜎

Assim, vemos que 𝛽 é uma função de 𝛼, 𝛿 e 𝑛. Podemos construir uma

curva para diferentes valores desses parâmetros, como mostra a Figura 12, para
𝛼 = 0,05. Nela, o parâmetro 𝑑 = |𝛿|⁄𝜎 encontra-se no eixo das abscissas. Esse
gráfico é conhecido como curvas características de operação (CO), e indica
que “quanto mais longe a verdadeira média 𝜇1 está do valor hipotético 𝜇0 , menor
é a probabilidade de um erro tipo II para 𝑛 e 𝛼 dados; em outras palavras, o teste
detectará grandes diferenças mais facilmente que pequenas diferenças”
(Montgomery, 2019, p. 91). Ainda, quanto maior é o tamanho da amostra 𝒏,
menor é a probabilidade de erro tipo II, ou seja, maior o poder do teste.

16
 Figura 12 – Curvas características de operação para o teste normal bilateral
com 𝛼 = 0,05.

Fonte: elaborado com base em Montgomery, 2019, p. 91.

O comprimento médio de sequência (CMS) de um gráfico de controle é o

número de pontos que devem ser marcados antes que um ponto indique uma
condição fora de controle. Ora, vimos que, por mais estreitas que sejam nossas
probabilidades, em algum momento algum ponto cairá fora dos limites
aleatoriamente (sem indicar, de fato, um processo descontrolado), indicando um
falso alarme. O CMS é calculado como:

1
𝐶𝑀𝑆 = (34)
𝑝

em que 𝑝 é a probabilidade de que qualquer ponto exceda os limites de controle.

Para três sigma, 𝑝 = 0,0027 e o CMS é 370, o que indica que a cada 370 pontos
em média encontraremos um ponto fora dos limites de controle. Se usarmos as
quatro primeiras regras sensibilizantes, esse valor cai pra 92,25.

17
REFERÊNCIAS

GIGAWIZ. Shewhart Control Charts for Variables. Gigawiz. 2016. Disponível em:
http://www.gigawiz.com/qc-rules1.html. Acesso em: 13 jan. 2021.

JMP: Statistical Discovery. Version 12.1.0. [S.1.]: SAS Institute Inc, 2015. Acesso
em: 13 jan. 2021.

MONTGOMERY, D. C. Introdução ao controle estatístico da qualidade. 7. ed.

Rio de Janeiro: LTC, 2019.

NELSON, S. L. The Shewhart control chart – tests for special causes. Journal of
Quality Technology, v. 16, n. 4, p. 237-239, 1984.

NELSON, S. L. Interpreting Shewhart 𝑋̅ control charts. Journal of Quality

Technology, v. 17, n. 2, p. 114-116, 1985.

WHEELER, D. K.; CHAMBERS, D. S. Understanding Statistical Process

Control. 2. ed. Knoxville: SPC Press, 1992.

18
 Gráfico para Médias Gráfico para Desvios-padrão Gráfico para Amplitudes
Observações
Fatores para limites de Fatores para Fatores para
na amostra, Fatores para limites de controle Fatores para limites de controle
controle linha central linha central
n
A A2 A3 c4 1/c 4 B3 B4 B5 B6 d2 1/d 2 d3 D1 D2 D3 D4
2 2,121 1,880 2,659 0,7979 1,2533 0 3,267 0 2,606 1,128 0,8865 0,853 0 3,686 0 3,267
3 1,732 1,023 1,954 0,8862 1,1284 0 2,568 0 2,276 1,693 0,5907 0,888 0 4,358 0 2,574
4 1,500 0,729 1,628 0,9213 1,0854 0 2,266 0 2,088 2,059 0,4857 0,880 0 4,698 0 2,282
5 1,342 0,577 1,427 0,9400 1,0638 0 2,089 0 1,964 2,326 0,4299 0,864 0 4,918 0 2,114

Fonte: Montgomery, 2019, p. 525.

6 1,225 0,483 1,287 0,9515 1,0510 0,030 1,970 0,029 1,874 2,534 0,3946 0,848 0 5,078 0 2,004
7 1,134 0,419 1,182 0,9594 1,0423 0,118 1,882 0,113 1,806 2,704 0,3698 0,833 0,204 5,204 0,076 1,924
8 1,061 0,373 1,099 0,9650 1,0363 0,185 1,815 0,179 1,751 2,847 0,3512 0,820 0,388 5,306 0,136 1,864
9 1,000 0,337 1,032 0,9693 1,0317 0,239 1,761 0,232 1,707 2,97 0,3367 0,808 0,547 5,393 0,184 1,816
10 0,949 0,308 0,975 0,9727 1,0281 0,284 1,716 0,276 1,669 3,078 0,3249 0,797 0,687 5,469 0,223 1,777
11 0,905 0,285 0,927 0,9754 1,0252 0,321 1,679 0,313 1,637 3,173 0,3152 0,787 0,811 5,535 0,256 1,744
12 0,866 0,266 0,886 0,9776 1,0229 0,354 1,646 0,346 1,610 3,258 0,3069 0,778 0,922 5,594 0,283 1,717
ANEXO

13 0,832 0,249 0,850 0,9794 1,0210 0,382 1,618 0,374 1,585 3,336 0,2998 0,770 1,025 5,647 0,307 1,693
14 0,802 0,235 0,817 0,9810 1,0194 0,406 1,594 0,399 1,563 3,407 0,2935 0,763 1,118 5,696 0,328 1,672
15 0,775 0,223 0,789 0,9823 1,0180 0,428 1,572 0,421 1,544 3,472 0,2880 0,756 1,203 5,741 0,347 1,653
16 0,750 0,212 0,763 0,9835 1,0168 0,448 1,552 0,440 1,526 3,532 0,2831 0,750 1,282 5,782 0,363 1,637
17 0,728 0,203 0,739 0,9845 1,0157 0,466 1,534 0,458 1,511 3,588 0,2787 0,744 1,356 5,820 0,378 1,622
18 0,707 0,194 0,718 0,9854 1,0148 0,482 1,518 0,475 1,496 3,64 0,2747 0,739 1,424 5,856 0,391 1,608
19 0,688 0,187 0,698 0,9862 1,0140 0,497 1,503 0,490 1,483 3,689 0,2711 0,734 1,487 5,891 0,403 1,597
20 0,671 0,180 0,680 0,9869 1,0133 0,510 1,490 0,504 1,470 3,735 0,2677 0,729 1,549 5,921 0,415 1,585
21 0,655 0,173 0,663 0,9876 1,0126 0,523 1,477 0,516 1,459 3,778 0,2647 0,724 1,605 5,951 0,425 1,575
22 0,640 0,167 0,647 0,9882 1,0119 0,534 1,466 0,528 1,448 3,819 0,2618 0,720 1,659 5,979 0,434 1,566
Tabela 1 – Fatores para a construção de gráficos de controle para variáveis

23 0,626 0,162 0,633 0,9887 1,0114 0,545 1,455 0,539 1,438 3,858 0,2592 0,716 1,710 6,006 0,443 1,557
24 0,612 0,157 0,619 0,9892 1,0109 0,555 1,445 0,549 1,429 3,895 0,2567 0,712 1,759 6,031 0,451 1,548
25 0,600 0,153 0,606 0,9896 1,0105 0,565 1,435 0,559 1,420 3,931 0,2544 0,708 1,806 6,056 0,459 1,541

19