Apostila de Gestão Da Qualidade Parte - Ii: Curso Superior de Tecnologia Mecânica Modalidade Fabricação Mecânica

FATEC – Sorocaba Fabricação Mecânica Apostila de Gestão da Qualidade – parte II revisão 3
Curso Superior de Tecnologia Mecânica

Modalidade Fabricação Mecânica
APOSTILA DE GESTÃO DA QUALIDADE

PARTE - II
Esta Apostila tem o intuito de proporcionar aos alunos desta disciplina e deste curso,
noções gerais para serem utilizadas em levantamentos, estudos e análises da Gestão da
Qualidade; ajudando o profissional em tomada de decisões e como ferramenta da qualidade.
O acompanhamento das aulas e a pesquisa em Bibliografia sobre o assunto, tornam-se

necessárias para o adequado aproveitamento do curso.
Prof. Artur R. Mandl Julho – 2019 ver. 03
1
ÍNDICE
1- Introdução ao Controle da Qualidade

1.1 Conceitos Básicos da Qualidade
1.2 Tarefas do Controle da Qualidade
1.3 Técnicas de Avaliação da Qualidade
1.4 Defeitos e Falhas
2- Noções Básicas de Estatística / Probabilidade
3 - Controle do processo
3.1 Gráfico de Controle de CEP
3.2 Tipos de Gráfico de Controle
3.3 Finalidade dos Gráficos de Controle
3.4 Vantagens dos Gráficos de Controle
3.5 Princípios dos Gráficos de Controle
3.6 Gráfico de Controle por Variáveis
3.7 Capacidade de Processo- CP e CPk
3.8 Gráfico de Controle por Atributos
3.9 Estabilidade
4 - Capabilidade do processo -
5 - Pré-controle ou gráfico do Farol -
6 - Implantação do CEP
7 – Tabelas para CEQ e CEP
8 - Simbologia utilizada
9 - Referências bibliográficas
2
1- Introdução ao Controle da Qualidade
1.1 Conceitos Básicos da Qualidade

Como já comentamos na apostila parte I, começou a ser realizado pelo próprio executor de uma atividade, ou
seja verificava, controlava se estava o produto ou serviço de acordo com a necessidade do usuário. Assim
nasceu o CQ, realizado pelas pessoas e que eram os especialistas de certa atividade ou seja ; O ARTESÃO “.
Depois com a Revolução Industrial, e principalmente no início do século XX, com a produção seriada, iniciou
a verificação do que se recebia : Inspeção de Recebimento, acompanhava o que estava sendo produzido e
finalmente quando ficava pronto, ou seja a Inspeção Final. Foi necessário criar métodos para poder de forma
mais prática e rápida a verificação/inspeção final para a liberação de toda a quantidade produzida aprovada.
1.1.1- Evolução – Graças ao crescimento incessante do parque industrial, à concorrência cada vez maior
de outras empresas similares, à procura e a melhor condição do poder aquisitivo, surgiu entre os dirigentes das
indústrias, a preocupação em desenvolver novos métodos, em dividir e racionalizar o trabalho a fim de obter
maior produtividade, sem contudo afetar a qualidade do produto. O aumento da produção, pensamento geral,
iria causar problemas muito sérios à qualidade. Era preciso desenvolver algum processo que substituísse a
inspeção tradicional, até então utilizada satisfatoriamente.
O desenvolvimento e utilização das técnicas e métodos estatísticos para análise e solução de problemas passa-
ram a ganhar importância no campo industrial a partir da segunda metade dos anos 20, quando o Dr. Walter
A. Shewhart desenvolveu uma teoria de controle estatístico baseada em gráficos de controle.
Shewhart apresentou sua teoria em uma série de palestra, e este material tornou-se seu famoso livro Economic
of Quality of Manufactured Product (1931). Seus gráficos de controle - Controle Estatístico da Qualidade –
CEQ, foram utilizados em larga escala nos anos 40 como resultado dos esforços de período de guerra.
É um sistema detectivo
Aqueles que os usaram conquistaram ganhos substanciais em qualidade e produtividade. Com o uso do CEQ,
para dentro do processo, surgiu na década de 50, pelo Dr. E. Deming, o Controle Estatístico do Processo –
CEP, como ferramenta segura e de rápido controle, e no aperfeiçoamento dos processos produtivos de forma
eficiente.
O controle estatístico do processo - CEP tem por finalidade desenvolver e aplicar métodos estatísticos como
parte da estratégia de prevenção de defeitos, de melhoria da qualidade dos produtos e serviços e da redução
dos custos de fabricação. É um sistema preventivo.
Sistema de Controle da Qualidade
A - Antigo (após a inspeção final) – Detectado problemas/falhas depois da fabricação
3
B - Preventivo (detectado durante a fabricação, com tempo de corrigir / selecionar antes da inspeção final.
1.1.2- O que é Qualidade ?

A definição mais moderna de Qualidade é apresentada pela “Organização Européia para Controle de
Qualidade”.
“Qualidade de um material é a condição necessária de aptidão para a finalidade a que se destina”.
Exigir de um produto, qualidade além da necessária, é encarecê-lo; exigir menos, é prejudicar o nome do
fabricante diante do público consumidor.
1.1.3- Inspeção e Controle Estatístico de Qualidade – é de fundamental importância à diferen -

ciação de conceitos entre Inspeção e Controle Estatístico de Qualidade:
Inspeção da Qualidade – é uma operação de verificação realizada após o produto ter sido totalmente
processado, e na qual classificado em duas categorias: Aceito e Rejeitado.
É feita com o objetivo de verificar se a qualidade das partidas/lote apresentadas atende às especificações de
fornecimento ou de recebimento, utilizando-se tábuas/tabelas de amostragem.
As principais características da inspeção são:
4
a) Cada unidade do produto deve ter suas características comparadas com padrões e especificações.
b) Deverá ser tomada uma decisão definitiva em aceitar ou rejeitar o produto, se este não estiver de acordo
com as especificações.
c) A inspeção não adiciona nada ao valor do produto nem diminui o número de rejeições, uma vez que não
envolve nenhuma ação corretiva sobre as operações.
d) A inspeção 100% garante ao cliente e ao fornecedor a boa qualidade do produto.
e) A boa reputação do fornecedor sem um adequado sistema de Controle de Qualidade é conseguida a custo
de elevados índices de rejeições e conseqüente alto custo de fabricação.
Controle Estatístico da Qualidade – é um sistema amplo e complexo que tem por finalidade a inspeção, a
análise e a ação corretiva aplicados a um processo produtivo. A inspeção de uma pequena porção dos produ -
tos leva a uma análise de sua qualidade, o que determinará a ação a ser adotada de modo a manter o nível de
qualidade.
É exercido pelo produtor durante o processo produtivo. O processo estará sob controle quando a variação da
qualidade estiver dentro dos limites de especificação do produto. Os instrumentos principais utilizados para o
controle estatístico de qualidade são os gráficos de controle.
As principais características do Controle Estatístico da Qualidade são:

a) Divulgação rápida por utilizar apenas amostras dos resultados, permitindo uma correção imediata.
b) Os produtos produzidos em uma operação onde se aplicou a técnica correta de C.Q., podem ser aceitos sem
inspeção adicional.
c) Melhoria da qualidade na própria linha de produção diminuindo as rejeições.
d) Redução dos custos de fabricação, pois a qualidade é melhorada na própria operação de manufatura.
e) Aumento da moral dos supervisores de produção, pois a qualidade será produzida na linha, eliminando-se
as discussões após uma inspeção final, que não levam a nenhum resultado.
1.2 - TAREFAS DO CONTROLE DA QUALIDADE
Devido a seu necessário relacionamento com todas as fases do processo criativo de um produto, o Controle da
Qualidade tem influência em todas, sendo fator determinante na qualidade final.
Um bom produto, com elevado conceito de qualidade tem seu controle exercido necessariamente:
a) No estudo do projeto do produto e das suas especificações;
b) Na análise da matéria-prima e do material auxiliar a ser utilizado na produção;
c) No controle durante a execução do produto;
d) Na inspeção do produto acabado;
e) Na análise das falhas de campo/junto ao usuário.
1.2.1- Relacionamento entre Empresas – Quando o processamento de um produto envolve várias indústrias,
ocorre uma repetição de fases de controle do próprio sistema, conforme ilustrado abaixo:
INDÚSTRIA A :
INSPEÇÃO DE RECEBIMENTO DA MATÉRIA-PRIMA => CONTROLE DE FABRICAÇÃO => INSPEÇÃO FINAL = > VENDA
INDÚSTRIA B :
COMPRA => INSPEÇÃO DE RECEBIMENTO => CONTROLE DE FABRICAÇÃO = > INSPEÇÃO FINAL
5
Exemplo:
Ilustrar as fases de controle necessárias para a produção de um tampa redonda injetada com diâmetro
de 50 mm e altura de 15 mm na cor natural :
Dois fabricantes estão envolvidos:

Fabricante 1 – Indústria Petroquímica de Produção de Matéria-Prima (Resina plástica de Polipropileno)
Fabricante 2 – Produz a peça por processo de injeção
Fabricante 1 (Indústria Petroquímica)
FASE EXIGÊNCIAS A VERIFICAR TIPO DE CONTROLE

Recebimento do Gás Composição Química etc Inspeção de Recebimento
Propano da refinaria (Tabela de Amostragem)
No reator transformar na Composição Química, índice de fluidez Controle de Fabricação
resina especificada etc (Gráficos de Controle)
Armazenar e/ou Embalar Quantidade adequada e identificada Inspeção Final
(Tabela de Amostragem)
Fabricante 2 (Injeção de Plástico)
FASE EXIGÊNCIAS A VERIFICAR TIPO DE CONTROLE

Recebimento da resina Composição Química, identificação e Inspeção de Recebimento
quantidade ( laudos/certificados) (Tabela de Amostragem)
Alimentar máquina injetora Dimensional, superficial, deformações, Controle de Fabricação
manchas, falhas, aparência visual (Gráficos de Controle)
aplicação prática etc
Embalar e identificar Quantidade adequada e identificação Inspeção Final
(Tabela de Amostragem)
1.2.2 - ESPECIFICAÇÃO DE QUALIDADE

Como a idéia de qualidade implica na comparação do produto com parâmetros previamente estabelecidos ou
expectativa de características, as especificações são fundamentais na análise da qualidade. Alguns aspectos
devem ser ponderados nas especificações de um produto:
a) Especificações Verbais – Causam confusões e erros de interpretação.
b) Especificação Através da Amostra do Produto – Dependem da complexidade do produto.
c) Especificações Numéricas
- Dimensões exatas – São impraticáveis, pois para uma peça é possível mantê-las, mas para um bom lote
nunca ocorre repetitivamente.
- Dimensões com tolerâncias – Permitem trabalhar com folgas permissíveis
d) Características de Qualidade – São parâmetros, componentes de uma especificação.
Podem ser:
ência. a tração)
osição do material)
Dimensões, Rugosidade superficial, acabamento, aparência, cor
, Pressão
Etc.
6
e) Conteúdo das Especificações – São incluídas no texto das especificações somente as características de
qualidade. Estas podem ser:
- Especificação de materiais
- Especificação de fabricação
- Especificação de produtos finais
e.1- Especificação de Materiais: São elementos essenciais na especialização e devem conter no mínimo as
seguintes informações:
e.1.1- Tipo de unidade de medida do material: Servem para caracterizar o objeto em análise.
e.1.2- Identificação dos Lotes: A falta de identificação pode acarretar rejeições ou aprovações de vários lotes
por mera confusão.
e.1.3- Característicos de Qualidade do Material: Englobam todos os parâmetros que avaliam a operabili -
dade do produto.
e.1.4- Métodos de Ensaio do Lote: Indicam de que forma e com quais equipamentos vamos inspecionar o
lote.
e.1.5- Embalagem, Manuseio, Armazenagem: Devemos indicar como as peças serão fornecidas ou
recebidas.
e.2- Especificação de Fabricação: A especificação de fabricação e seu acompanhamento pelo controle de

qualidade reduzirão substancialmente o custo de fabricação diminuindo o número de rejeições e as
necessidades de inspeção final. Os elementos essenciais das especificações de fabricação são:
e.2.1- Lista de Materiais: Inclui todos os materiais utilizados no processo de fabricação.
e.2.2- Equipamento: Descrição do equipamento: máquinas, ferramentas, etc., usados no processo produtivo.
e.2.3- Folhas de Operações: Resumem as informações necessárias para execução da operação, tais como:
- Denominação da operação
- Tempo de execução, ciclo
- Ajustes e regulagens da máquina
- Croquis da operação
e.2.4- Ensaios de Controle de Fabricação: Indicam as características a serem analisadas.
- Medições necessárias
- Calibrações
- Tolerâncias
e.3- Especificação de Produtos Finais: São especificações que fazem com que o produto final atenda às
exigências do consumidor. São os objetivos a serem atingidos pelas especificações de fabricação.
1.3- TÉCNICAS DE AVALIAÇÃO DE QUALIDADE
Atributos e Variáveis – Em virtude de ser impraticável e desnecessário avaliar todas as características de

qualidade de um produto, as especificações se restringem apenas aos mais importantes e significativos. As
características para avaliação são classificáveis em dois grandes grupos:
1.3.1- Controle por Atributos – É a avaliação de características de qualidade de valores não mensuráveis. É
a forma mais comum e mais econômica para avaliarmos os característicos de qualidade. O julgamento sobre a
qualidade de um produto por seus atributos independe do conhecimento de suas dimensões mas apenas dos
conceitos “bom” e “ruim”.
Assim, a seleção de um lote de eixos usando um calibrador do tipo “passa não passa” ou de um lote de
lâmpadas sob o critério “acende” ou “não acende” caracteriza o uso de atributos.
7
1.3.2- Controle de Variáveis – É a avaliação de características de qualidade através de valores mensuráveis,

as quais podem corresponder a leituras em escalas. A técnica de variáveis admite que podemos dividir a
escala indefinidamente
1.3.3 - TOLERÂNCIA
Definimos tolerância como a faixa de variação aceitável por uma determinada característica de qualidade.
É impraticável em um processo de produção obtermos uma dimensão exata para um característico de
qualidade, devido à variação constante das condições de trabalho.
Esse caso gera a necessidade de estipular um intervalo de variação no qual a característica de qualidade é
aceitável, ou seja, atende os objetivos do projeto.
- Tipos de Tolerância
a) Tolerância Dimensional – Determina um intervalo em que a dimensão básica pode variar.
Ex.: Ø 25 mm + 0,5
“o diâmetro de 25 mm pode variar no intervalo 25 a 25,5mm”.
b) Tolerâncias de Forma- Indicam o máximo desvio em relação à forma básica
- Ovalização:
- Excentricidade:
- Desvio (Perpendicularidade):
etc
c) Tolerância de Partida – É o número máximo permissível de peças defeituosas em um determinado lote.
Ex.: Uma partida de 1000 pregos pode apresentar no máximo 20 defeituosos (sem cabeça), portanto a
tolerância de partida é 2%.
- Sistemas para Indicação de Tolerâncias – Dois sistemas podem ser utilizados para indicação de
tolerâncias:
Sistema Unilateral: No qual a variação é permitida apenas em um sentido da dimensão básica.
Ex.: Ø 25 + 0,1 mm
Sistema Bilateral: A variação é permitida em ambos os sentidos da dimensão básica.
Ex : altura de uma peça com 12 + / - 0,3 mm
1.4- DEFEITOS E FALHAS
Defeito ou falha é a falta de conformidade da unidade do produto com as especificações de uma característica
de qualidade.
1.4.1- Classificação de Defeitos – Os defeitos podem ser classificados em:

a) Defeitos Graves ou Críticos: Impedem a utilização e prejudicam o funcionamento do produto.
b) Defeitos Maiores: Reduzem a eficiência ou a vida da peça.
c) Defeitos Menores: Não afetam a vida ou a eficiência sendo simples imperfeições de acabamento.
O número de categorias de defeitos pode ser ampliado ou reduzido em função da complexidade do produto.
A classe dos defeitos poderá ser indicada por meio de um código alfabético, para facilidade de computação,
conforme segue:
A = Graves
B = Maiores
C = Menores ou irregularidades
8
A estas classificações são atribuídos pesos em função de sua gravidade e dos impedimentos gerados na
utilização do produto.
Exemplo:
Falhas em Componentes Elétricos
Falha No. de Classe Descrição

1 A Terminais Quebrados
2 B Terminais Frouxos
3 C Terminais Oxidados
4 C Terminais Cobertos de Solda
Após a organização da lista, atribuir pesos para as várias classes
Classes Peso Nº de Defeitos Deméritos

A 5 2 10
B 3 2 6
C 1 3 3
19 (Total)
A determinação dos deméritos em uma amostra de 100 peças poderia conduzir a um total de 19
deméritos, considerando todos os defeitos da amostra.
O critério de aceitação ou rejeição, diante do total de deméritos encontrados na amostra, deverá estar
indicado na especificação.
Se no caso o número máximo de deméritos na amostra for 20, a partida será aceita.
O cálculo por deméritos é largamente empregado na inspeção de recebimento
1.4.2- Sistema de Controle da Qualidade
A - Detectivo - Antigo (após a inspeção final) – Detectado problemas/falhas depois da fabricação
B - Preventivo (detectado durante a fabricação, com tempo de corrigir / selecionar antes da inspeção final.
9
2- Noções básicas de Estatística

- Controle
Manter algo dentro de padrões ou fazer com que se comporte de forma adequada.
Portanto, controle é quando se mede o desempenho real, compara com o padrão / especificação e age sobre a
diferença.
- Estatística
É a parte da matemática que permite tirar conclusões a partir de uma série de dados observados,
TÓPICOS
- Distribuição, Tipos e Tabela de Freqüência, Função de Probabilidade, Cálculos etc
- Processo
É a combinação específica de máquinas e equipamentos, métodos, materiais, meio ambiente e pessoas 4M´s
que trabalham e atuam simultaneamente para produzir um produto ou realizar um serviço.
Portanto, controle estatístico de um certo processo é um método preventivo de se comparar os resultados do

processo com padrões pré-estabelecidos/especificações, identificando estatisticamente as variações
significativas a fim de eliminá-las ou minimizá-las.
10
- Variabilidade
Dois elementos nunca são exatamente iguais. A variação está sempre presente: entre pessoas, na natureza, nos
processos, nos produtos, etc. Todos os processos de manufatura/produção também são afetados pela variação,
que influenciam nos resultados finais.
Existem variações inerentes ao processo e variações cuja causa é acidental, determinável.
Variações aleatórias (causas comuns) são as variações inerentes ao processo; fazem parte de sua natureza,
podem ser controladas e seguem padrões normais de comportamento. Essas variações não podem ser evitadas,
apenas minimizadas.
Variações causais (causas especiais) são as variações de causa acidental, determinável. Por exemplo: As
falhas e enganos são normalmente identificadas e eliminadas.
- População
É o conjunto de indivíduos ou objetos existentes ou possíveis de existirem num processo de fabricação, que
apresentam pelo menos uma característica em comum. Pode ser finito ou infinito.
- Lote
É o conjunto de peças produzidas em um processo de fabricação durante um intervalo de tempo, ou até
mesmo uma produção programada independente do tempo.
- Amostra Total de 150 peças, pegar n = 5 de cada vez

É um conjunto de elementos extraídos da população (ou lote). O tamanho da amostra é a quantidade de
elementos existentes nela. A amostra é simbolizada por n.
- Amostragem para um total de 150, vou realizar K = 30 amostragens de 5 peças de cada vez,
É um conjunto de amostras n retiradas da população/lote. A quantidade de amostra retirada da população é
simbolizada por K.
- Medidas
Para extrair informações sobre uma grande série de dados, são necessárias algumas características que
possibilitem representar os dados de forma relativa e resumida.
Estas características chamam-se medidas. Existem medidas de uma certa característica X (minha variável) de
posição (média = u) e de dispersão (desvio padrão = sigma).
2.1. PROBABILIDADE- ESTATÍSTICA

Introduzidas as noções fundamentais sobre a teoria das probabilidades, pode-se passar às
chamadas Distribuições de Probabilidades.
Uma distribuição de probabilidades é uma distribuição de freqüência relativa para os resultados

de um espaço amostral (isto é, para os resultados de uma variável aleatória); que mostra a
proporção das vezes em que a variável aleatória tende a assumir cada um dos diversos valores.
Consideremos a variável aleatória por exemplo o “Número de caras em duas jogadas de uma
moeda”, neste caso temos 50 % de sair cara ou coroa ( 1 / 2 = 0,5 ).
11
DISTRIBUIÇÃO NORMAL
(ou de GAUSS, ou de LAPLACE, ou ainda, dos ERROS DAS OBSERVAÇÕES)
É uma distribuição contínua e simétrica, cujo gráfico tem a forma de um sino. A distribuição normal é o
resultado da atuação conjunta de causas aleatórias.
F (x)
u
x- 3σ x- 2σ x- 1σ x +1σ x+ 2σ x+ 3σ
Parâmetros da Distribuição Normal
μ → Média da População /Lote

Determinam o formato da curva
σ → Desvio padrão da população /lote
Equação da Função de Probabilidade – A equação da função de probabilidade é dada pela

expressão:
- ( x - μ )²
2 σ²
f(x) = 1 . e
σ√ 2π
Do estudo de estatística concluímos que:
- a variável x pode assumir qualquer valor real no intervalo - ∞< x < +∞
12
- a variável x obedecerá a uma Distribuição Normal, se a probabilidade de que um valor x
seja menor ou igual a outro xo for:
- ( x - μ )²
x0 2 σ²
P( x < x0 ) = f(x0) = 1 . e dx
σ√ 2π -∞
- a integral da expressão representa a área compreendida entre -∞ e xo.
F (x)
-∞ + ∞
u X0
Portanto:
“ A probabilidade de ocorrência de um valor menor ou igual à área abaixo da curva, está entre os
valores -∞ e xo” .
Os valores π = 3,1416 e e ( número neperiano) = 2,718 são constantes numéricas.
CARACTERISTICAS DA CURVA DE DISTRIBUIÇÃO NORMAL

A curva normal obedece necessariamente às seguintes características:
a- A média μ é o valor da variável x para o qual a f(x) é máxima.
b- O desvio Padrão σ, é a distância entre a média e o ponto de inflexão da curva.
c- A área total sob a curva normal é igual a 1, pela própria equação da probabilidade.
13
d- Em virtude da simetria as áreas à direita e à esquerda do valor μ são iguais
DISTRIBUIÇÃO NORMAL PADRONIZADA

Se tomarmos a equação auxiliar:
Z= X - μ
σ
o que significa adotar como origem dos z o ponto em que x = μ e como unidade de escalados
z e o desvio padrão σ, teremos transformado a expressão da função das probabilidades na
distribuição normal reduzida:
- z²
2
f(z)= 1 e
σ√ 2π
Considerando, a partir da equação auxiliar:
dz = 1
dx σ
dx = σ. dz
Portanto a função da probabilidade, em função de Z, será dada pela expressão:
- z²
z 2
f(z)= 1 e dz
σ√ 2π -∞
As áreas sob a curva permanecem as mesmas, mas agora podem ser tabuladas em função dos
valores de Z (Ver tabela abaixo, eixo dos Z). Basta construir a tabela das áreas para os valores I(z)
ou P (probabilidade).
Por exemplo, a área desde Z=0, até Z= 1,0 é P(1,0) = 0,3413 ou 34,13% da área total da curva;
conseqüentemente, dentro do intervalo ± 1 σ temos 68,26% da área total da curva.
Se procurarmos a probabilidade de encontrarmos um valor de “x” dentro do intervalo μ ± 0,95
onde é a media, σ é o desvio padrão da população, teremos:
14
P (- Z0 < Z < Z0) = P (μ – 0,95 σ < Z < μ + 0,95 σ)
I z I = 0,3289 P = 0,6578 ou 65,78%.
Apresentamos na tabela abaixo alguns dos mais importantes intervalos de distribuição normal para
aplicações em exercícios de probabilidade na curva normal.
TABELAS (TÁBUAS) DE ÁREAS DA CURVA NORMAL
A partir da equação auxiliar Z= X - μ podemos transformar valores de x em

σ
valores de z e em seguida construir uma tabela com resultados das integrais, que corresponde à
área sob a curva Xo intervalo de 0 a Z 0 identificada por Iz0.
Representação Gráfica (lembrar que a área total é tendendo a 100 %)

O gráfico de uma variável normal tem a forma de um sino e é simétrico em relação à média (µ).
Fixando a média (µ), verifica-se que o achatamento está diretamente ligado ao desvio-padrão (σ).
15
Zonas de probabilidade
A área sob a curva normal costuma ser dividida em zonas de probabilidades, onde cada uma tem a
mesma base de um desvio padrão.
A figura abaixo mostra áreas representativas sob a curva de distribuição normal.
Distribuição normal padronizada
Para o cálculo das áreas sob a curva normal surgem alguns problemas, que exigem grandes
cálculos matemáticos. Esses problemas são solucionados por meio de uma mudança de variável,
obtendo-se assim a distribuição normal padronizada ou reduzida, com média.
µ = 0 e µ2 = 1.
Notação: X ~ N (µ . µ2 ).
A distribuição normal pode ser transformada na distribuição normal padrão com µ=0 e µ 2=1
usando-se a seguinte transformação:
X-
Z

16
A média da variável Z é 0 (zero) e o desvio-padrão é 1.
Notação: Z ~ N (0,1).
A tabela da curva normal
Neste material utiliza-se a tabela da faixa central, a mais comumente usada (Tabela pág.83). Essa
tabela fornece a área sob a curva normal padrão entre z = 0 e qualquer valor positivo de z. Devido
à simetria em torno de z = 0, pode-se obter a área de quaisquer valores de z (positivo ou negativo).
Exemplo de cálculo de área sob a curva.
Seja X uma variável onde X ~ N (1,60; 0,302). Acharemos a probabilidade de termos elementos
entre mínimo 1,35 e máximo 1,92.
P ( 1,35 <= X <= 1,92 )
Resolução
X ~ N (1,60; 0,302). Reduzir para Z ~ N (0,1).
µ = 1,60.
17
X 2 = 0,302  X = 0,30 = 0,55 calculo detalhado, assim temos o desvio-padrão σ = 0,55.
X-
Z

1,35- 1,60
Zabaixo   - 0,45 => na tabela = 0,1736.
0,55
1,92- 1,60
Zacima   0,58 => na tabela = 0,2190.
0,55
Observação
Verificando na tabela , nota-se que só apresenta valores positivos para z. Como a curva é simétrica
em relação à média, procura-se o valor de z em módulo.
A probabilidade de termos elementos no intervalo de 1,35 a 1,92 é

P = 0,1736 + 0,2190 = 0,3926  39,26%. P ( 1,35 <= X <= 1,92 )
Exercícios
1. Sabendo-se que a espessura de um disco de freio segue uma distribuição normal, com
µ = 15mm e σ = 0,07mm, determinar:
a) A probabilidade de ocorrência de discos com espessura entre 14,90mm e 15,15mm.
P ( 14,90 <= X < = 15,15 ) σ = 0,07mm
18
Z maior = (
Z menor = (
P=
b) A probabilidade de ocorrência de discos com espessura entre 15,05mm e 15,20mm.
σ = 0,07mm média é 15,0 mm
P ( 15,05 <= X <= 15,20 ) =

Z1 =
Z2 =
c ) A probabilidade de ocorrência de discos com espessura abaixo de 14,80mm e acima de 15,25mm.
σ = 0,07mm
19
Z1
Z2=
P1 ( X > 15,25 ) =
P2 ( X < 14,80 ) =
2. Calcule as áreas de probabilidade sob a curva normal.
a) Sendo média ( u ) = 35 desvio padrão sigma σ = 2.

Calcular a probabilidade de X > 39,5.
Z=
P final ( X > 39,5 ) =
b) Sendo ( u )= 35 σ = 5.
Calcular a probabilidade de X > 37.
Z=
P final ( X > 37 ) =
P ( X < 37 ) =
X-
Z

20
3. Calcular o desvio padrão ( σ ), para uma distribuição normal, onde foi obtido os seguintes
valores, média = 22 e para diâmetros maior de 24 a probabilidade de peças foi 2,4 % ?
σ=? z=(X–u)/ σ σ=(X-u)/z σ = ( 24 -22 ) / z
2,4 %
U = 22 x=24
Extra : Em uma fundição foi realizado um estudo estatístico com distribuição normal do peso de
peças. Foi obtido uma média de 32,5 gramas e desvio padrão de 0,2 gramas. Calcular qual o valor
em peso de uma peça cuja a probabilidade de ocorrências é de .4406.
Exercícios extras Nos. 4, 5 e 6 a ser dado em classe.
3 - Controle do processo - CEP

Introdução
Os métodos vistos até agora utilizam dados de um período passado, que são expressos de forma estática.
Entretanto, é necessário obter informações sobre o comportamento do processo em período específico de
tempo de uma forma dinâmica, com projeções futuras.
Quaisquer mudanças no material, no trabalhador/operador, na máquina, no método (4M´s) enfim, no

processo, devem ser detectadas rapidamente para que as ações corretivas sejam tomadas. Isso é conseguido
através dos gráficos de controle.
3.1 – Gráfico de controle

Gráfico de controle é uma ferramenta (método, sistemática) para se alcançar o estado/situação de controle
estatístico.
Por exemplo, o histograma abaixo foi construído a partir da coleta de dados feita em 15 dias, num total de 75
valores.
21
Neste histograma não se pode verificar o que acontece com o processo no transcorrer do tempo (diariamente).
Para tanto, é necessário construir um outro tipo de gráfico.
Usando os mesmos dados do histograma, calculou-se a média dos 5 valores diários ( ) e a amplitude da
amostra (R). O eixo horizontal mostra os dias e o eixo vertical mostra a amplitude e a média.
Observa-se neste gráfico que existe uma tendência crescente da média, fato este, não observável no
histograma.
3.2 – Tipos de gráficos de controle- CEP

Há duas famílias/classes principais de gráficos de controle:
a) controle de variáveis – utilizado no estudo de características que podem ser medidas. Podem ser
quatro tipos:
- R (média e amplitude).
- S (média e desvio padrão).
- R (mediana e amplitude).
X - Rm (valores individuais e amplitudes móveis).
22
b) controle de atributos – são aqueles que se baseiam na verificação da presença ou ausência de um

atributo; podem ser de dois tipos:
- Controle de defeituosos
- fração defeituoso ( p ).
- quantidade de defeituosos ( np ou pn ).
- Controle de defeitos
- Total de defeitos na amostra ( c ).
- média de defeitos por unidade na amostra ( u ).
3.3 – Finalidade dos gráficos de controle

a) conhecimento do processo: quando se deseja saber se o processo apresenta ou não variações do tipo causal
(especial, ou seja repentina, específica );
b) controle do processo: quando se deseja manter o processo sob controle estatístico, isto é, apresentando
apenas variações do tipo aleatório, ao longo do tempo.
c) análise da capacidade e capabilidade do processo.
3.4 – Vantagens dos gráficos de controle

Estando o processo sob controle estatístico, seu desempenho pode ser ainda melhorado, reduzindo-se sua
variação. Os efeitos, mesmo decorrentes de pequenas modificações, são notadas nos gráficos. As melhorias no
processo possibilitam:
- aumentar a porcentagem de produtos que atendem às especificações (melhoria da qualidade);
- diminuir o refugo e retrabalho (melhoria do custo unitário);
- aumentar, ao longo do processo, a quantidade de peças aceitáveis (melhoria da capacidade de produzir);
- fornecer uma linguagem comum entre a linha de produção, manutenção, controle de produção, engenharia
de processo, controle de qualidade e ainda entre fornecedores e compradores/clientes etc;
- separar variações causais/especiais das inerentes ao processo.
3.5 – Princípios dos gráficos de controle

Os gráficos de controle são baseados na distribuição normal.
A linha central dos gráficos de controle é a média da distribuição (LC ou LM); os limites superior e inferior
de controle (LSC e LIC) são estabelecidos a partir da média + 3 desvios padrão da distribuição.
23
3.5.1 – Gráfico de controle – distribuição normal
1 - Quando se deseja conhecer um processo produtivo para saber se os produtos por ele fabricados atendem ou
não as especificações de projeto, é necessário saber como as características observadas nos produtos
fabricados se distribuem em relação às tolerâncias estabelecidas.
É certo que dois produtos fabricados nunca serão exatamente iguais, porém é preciso saber quanto são
uniformes tais produtos sairão para poder prever se as exigências serão satisfeitas.
O conhecimento das variações que a característica observada apresenta e do quanto ela ocupa do intervalo
estabelecido para a tolerância só é possível se for conhecida sua distribuição populacional. Para determinar os
parâmetros populacionais é necessário conhecer como toda a população se distribui, o que se torna
impraticável. Por isso determinam-se parâmetros utilizando métodos estatísticos baseados na coleta da
amostra retiradas da população em “ processo “ durante a produção/fabricação..
2 - Gráfico de controle das médias e amplitudes ( - R)
Imagine que exista uma grande quantidade de observações de uma população. Tomando-se a média de 2
observações e plotando os valores em uma distribuição de probabilidades, obtém-se uma nova curva, porém
mais fechada que a distribuição dos valores individuais. Repetindo o procedimento para a média de 3, 4, 5 ou
mais observações, a curva vai tornando-se mais e mais fechada, quando comparada com a curva dos valores
individuais.
Esse comportamento é uma regra geral: quanto maior o tamanho da amostra, mais rapidamente a
distribuição das médias tende para a normal.
Amostras de tamanho n = 5 Distribuições
Se o é o desvio da curva do processo, o desvio padrão da curva das médias é dado por:
A distribuição das médias de amostras tem uma dispersão menor que a distribuição dos valores individuais.
Então,
24
Dessa forma, ao estabelecer os limites de controle para as médias de amostras ( + 3 ), determina-se
um intervalo de confiança de 99,73% para a média da população. Enquanto as médias das amostras ( )
estiverem dentro do intervalo de 6 , alternadamente para cima e para baixo da média das médias amostrais
( ), isso significa que:
- desde que não apresente tendências, o processo está sob controle estatístico, sujeito apenas às variações
aleatórias inerentes ao processo.
- a média da distribuição populacional não apresenta alterações, ou seja, permanece constante em X = .
Se, por outro lado, pontos começarem a cair fora dos limites de controle ou apresentarem tendência a sair
de controle, significa que:
- processo está sofrendo variações não aleatórias, ou seja, variações causais, que precisam ser determinadas
e corrigidas para que o processo volte à situação de controle estatístico;
- a distribuição populacional está se alterando, havendo deslocamento da média
X = . Podem existir produtos fora das especificações.
O mesmo pode-se dizer das amplitudes. Quando o gráfico das amplitudes se apresenta sob controle estatístico,
ou seja, R variando dentro do intervalo de 6 , significa que a variação da distribuição populacional n
permanece constante. Se, por outro lado, pontos R começarem a cair fora do limite do controle, tem-se uma
mudança no parâmetro n da distribuição populacional, podendo novamente gerar produtos fora da
especificação.
Assim, durante todo o processo, o gráfico de controle indica prontamente qualquer mudança que pode afetar a
distribuição populacional. Porém, cabe lembrar que nunca se pode comparar diretamente os limites da
especificação, já que o primeiro é calculado com base nas médias, enquanto o segundo representa a exigência
sobre todos os produtos individualmente.
Uma segunda boa razão para trabalharmos com distribuição de médias amostrais é derivada também do
Teorema do limite central, que garante:
Qualquer que seja a distribuição dos indivíduos (distribuição da população), a distribuição das médias de
amostras desses indivíduos será sempre normal (condição: amostras com n = 4 unidades).
Dessa forma, pode-se utilizar gráficos de controle também para distribuições não normais, (como as que
regem os atributos, binomiais, de Poisson, etc.), fazendo-se as devidas aproximações e trabalhando com
amostras de tamanho suficiente para garantir a aderência.
3.5.2 - Aproximação da distribuição binomial p/ a distribuição normal
A distribuição binomial é o modelo matemático que descreve a distribuição de probabilidades, quando se

controla a fração defeituosa de um processo.
É possível constatar que, se o tamanho da amostra for grande o suficiente, a distribuição binomial pode ser
aproximada para a normal sem comprometimento dos resultados.
Isso traz vantagens práticas significativas, pois simplifica o procedimento dos cálculos, uma vez que se pode
utilizar a tabela da normal reduzida, onde:
25
x - np
Z
se X ~ B (x, n, p), então npq é aproximadamente (0,1)
Isso pode ser feito considerando-se a média e o desvio padrão da binomial como se fossem a média e o desvio
padrão da normal, ou seja:
n=
p (1 - p)

n para tamanhos de amostras suficientemente grandes.
Exemplo de situação
O estudo prévio da produção de peças defeituosas oriundas de um certo equipamento revelou 0,20 (ou 20%)
de itens fora da especificação.
Imagine que sejam retiradas amostras aleatórias de tamanho 10 em intervalos de tempos regulares e que sejam
avaliados os itens defeituosos em cada uma delas.
Aparentemente poder-se obter 2 itens defeituosos em cada amostra. No entanto, não é isso que ocorre. Pode-
se encontrar amostras com 0, 1, 2, 3, 4... etc. e, até com 10 itens defeituosos. Os resultados, porém não surgem
com a mesma freqüência relativa. A probabilidade de ocorrência de cada caso é dada na Tabela seguinte.
No de defeituosos Probabilidade
0 0,1074
1 0,2684
2 0,3020
3 0,2013
4 0,0881
5 0,0264
6 0,0055
7 0,0008
8 0,0001
9 0,0000
10 0,0000
Probabilidade de ocorrência de itens defeituosos em amostra de tamanho 10.
26
Representação gráfica da distribuição binomial para n = 10 e = 0,2
Distribuição binomial para diversos valores de e n.
27
A distribuição possui uma cauda alongada para a direita quando a proporção defeituosa da população é menor
que 0,5. Quando esta proporção for maior que 0,5 a cauda se alongará para a esquerda. Quando, finalmente, a
proporção for 0,5 a distribuição será simétrica.
3.5.3 - Aproximação da distribuição de Poisson p/ a distribuição normal

Considere a situação em que o interesse maior seja controlar o número de defeitos que ocorrem nos produtos.
É diferente da situação anterior, quando considerou-se a quantidade de produtos defeituosos. É mais
conveniente, nesses casos, considerar amostras de tamanho constante para permitir sempre a mesma
possibilidade de ocorrência de defeitos. As amostras podem ser de qualquer espécie, desde um simples item,
como uma roda de automóvel, até um conjunto de rodas. Pode ser também uma unidade de comprimento,
área, volume ou tempo. O importante é que, uma vez definido o tamanho da amostra, esta permaneça
constante.
Exemplo de situação
O estudo prévio do número de defeitos incidentes em rolos de tecidos para assentos de automóvel revelou
uma média de 7 defeitos por rolo. Se inspecionarmos amostras constituídas de 1 rolo de tecido sempre do
mesmo comprimento, em intervalos de tempo regulares, qual a probabilidade de encontrarmos rolo com 0, 1,
2, 3, 4, ..., defeitos?
Aparentemente espera-se obter 7 defeitos em cada rolo inspecionado. No entanto, não ocorre isso. A
probabilidade de ocorrência de defeitos é caracterizada por um comportamento que pode ser descrito pelo
modelo de distribuição de Poisson.
A tabela a seguir fornece a probabilidade de ocorrência de defeitos em um rolo de tecido de tamanho
constante.
No de defeitos Probabilidade
0 0,0009
1 0,0064
2 0,0223
3 0,0521
4 0,0912
5 0,1277
6 0,1490
7 0,1490
8 0,1304
9 0,1014
10 0,0710
11 0,0452
12 0,0264
13 0,0142
14 0,0070
15 0,0033
16 0,0014
17 0,0006
18 0,0000
28
- Distribuição de Poisson – Representação gráfica
Outros exemplos para diversos valores de en
a) Média de defeitos = 2
Tamanho da amostra n = 5
b) Média de defeitos = 4
29
c) Média de defeitos = 6
d) Média de defeitos = 10
É importante observar que, com o crescimento da média de defeitos, a distribuição tende a uma simetria em
torno dos valores de maior freqüência. Portanto, a distribuição de Poisson pode ser aproximada para a
distribuição normal, sem comprometimento dos resultados, desde que se faça uma escolha conveniente do
tamanho da amostra.
A tabela da normal reduzida pode ser utilizada, bastando para isso considerar e como sendo,
respectivamente, a média ( ) e o desvio padrão ( σ ) da curva normal.
Existem critérios que indicam o grau de aproximação das distribuições Binomial e Poisson da curva normal.
Esses critérios podem servir de orientação para a escolha conveniente do tamanho das amostras e, desse
modo, permitir a utilização da aproximação, com nível de confiabilidade adequado.
A tabela seguinte fornece esses critérios.
Critério Binomial Poisson

Média de ocorrência
Fraco 5
5
Médio  10
 10
Forte  15
 15
30
3.6 - Gráficos de controle por variáveis- CEP
Os gráficos de controle por variáveis ( 4 tipos ) são utilizados no estudo de características contínuas ou
mensuráveis. Exemplo: ( peso, dimensão, concentração, etc.).
3.6.1- Construção do gráfico das médias e das amplitudes ( - R)
1. Coletar dados de acordo com as técnicas já descritas. Calcular as médias e .
2. Calcular as amplitudes R e .
3. Calcular os limites de controle LC, LSC e LIC.
 Para o gráfico
LC = LSC = + A2 .
LIC = - A2 . onde A2 é um fator tabelado (ver cap. 7)
 Para o gráfico
LC = LSCR = D4 .
LICR = D3 . onde D3 e D4 são fatores tabelados (ver cap. 7)
4. Construir o gráfico, colocando os limites de controle, os pontos médios e suas respectivas amplitudes.
5. Marcar no gráfico todos os pontos e R de cada subgrupo.
Exemplo de aplicação
A tabela abaixo registra os diâmetros de eixos que foram fabricados por um torno, valores estes tomados de
uma amostragem composta de 25 e de amostras de 5 (cinco) peças cada.
1. Coleta de dados em subgrupos e cálculos de , ,Re .
Sub- n=5
Dia Hora grupo nº X1 X2 X3 X4 X5 R
o
1 6:00 1 14.0 12.6 13.2 13.1 12.1 13.00 1.9
10:00 2 13.2 13.3 12.7 13.4 12.1 12.94 1.3
14:00 3 13.5 12.8 13.0 12.8 12.4 12.90 1.1
18:00 4 13.9 12.4 13.3 13.1 13.2 13.18 1.5
22:00 5 13.0 13.0 12.1 12.2 13.3 12.72 1.2
2o 6:00 6 13.7 12.0 12.5 12.4 12.4 12.60 1.7

10:00 7 13.9 12.1 12.7 13.4 13.0 13.02 1.8
14:00 8 13.4 13.6 13.0 12.4 13.5 13.18 1.2
18:00 9 14.4 12.4 12.2 12.4 12.5 12.78 2.2
22:00 10 13.3 12.4 12.6 12.9 12.8 12.80 0.9
31
3o 6:00 11 13.3 12.8 13.0 13.0 13.1 13.04 0.5

10:00 12 13.6 12.5 13.3 13.5 12.8 13.14 1.1
14:00 13 13.4 13.3 12.0 13.0 13.1 12.96 1.4
18:00 14 13.9 13.1 13.5 12.6 12.8 13.18 1.3
22:00 15 14.2 12.7 12.9 12.9 12.5 13.04 1.7
4o 6:00 16 13.6 12.6 12.4 12.5 12.2 12.66 1.4

10:00 17 14.0 13.2 12.4 13.0 13.0 13.12 1.6
14:00 18 13.1 12.9 13.5 12.3 12.8 12.92 1.2
18:00 19 14.6 13.7 13.4 12.2 12.5 13.28 2.4
22:00 20 13.9 13.0 13.0 13.2 12.6 13.14 1.3
5o 6:00 21 13.3 12.7 12.6 12.8 12.7 12.82 0.7

10:00 22 13.9 12.4 12.7 12.4 12.8 12.84 1.5
14:00 23 13.2 12.3 12.6 13.1 12.7 12.78 0.9
18:00 24 13.2 12.8 12.8 12.3 12.6 12.74 0.9
22:00 25 13.3 12.8 12.0 12.3 12.2 12.72 1.1
2. Cálculo dos limites de controle
 Para o gráfico LC = somatória de /k =12.94 e somatória de R /k = 1,35
LSC = + A2 . para n = 5 o valor do A2 = 0,577

LSC = 12.94 + 0.577 . 1,35
LSC = 13,7
LIC = - A2 .
LIC = 12.94 - 0,577 . 1,35
LIC = 12,2
32
 Para o gráfico R LC = = 1,35
LSC = D4 . para n = 5 o valor do D4 = 2,114

LSC = 2,114 . 1,35 = 2,85
LSC = 2,9
LIC = D3 .
LIC = não há, pois deu negativo
Observações
Os valores A2 ,D3 e D4 são encontrados na tabela 1, cap. 7: Valores para cálculo dos limites de controle da
carta , R.
Existindo pontos fora dos limites de controle, conclui-se que existem variações causais nesses pontos. Neste
caso, temos que consultar o diário de bordo e aplicar técnicas de solução de problemas.
Quando o gráfico apresenta todos os pontos dentro dos limites de controle, sem apresentar sinais de
instabilidade, pode-se utilizar esses limites de controle como representativos do processo.
Exercício no 1 – Tráfego operações – Frota de carga
- A folha de controle seguinte mostra os dados referentes ao tempo gasto por ciclo de viagem que compreende
o itinerário de ida e volta - Sorocaba a São José dos Campos.
- Com base nessas informações, construa o gráfico de controle ( - R) e faça uma análise do fluxo de viagens
e carga dos caminhões.
- Sabe-se que o tempo mínimo de viagem pré-estabelecido é 6,0 horas; o maior tempo de viagem tolerado é
de 8,0 horas, embora se espere que o ciclo seja completado em 7,0 horas.
- Leva-se em consideração o carregamento e o descarregamento do caminhão, a liberação da documentação,
amarração e cobertura da carga (quando houver) e abastecimento.
33
Tráfego operações - Frota de carga
Coleta de dados referente a fevereiro de 2005
Dia X1 X2 X3 X4 X5 R X máx. X mín.

01 7,40 6,83 6,42 5,00 5,58 6,25 2,40 7,40 5,00
02 7,50 6,95 7,67 6,63 5,58 6,87 2,09 7,67 5,58
03 6,70 6,67 7,67 5,92 5,17 6,43 2,50 7,67 5,17
04 7,92 6,42 6,03 6,25 4,67 6,26 3,25 7,92 4,67
05 7,00 6,25 6,60 4,17 5,92 5,99 2,83 7,00 4,17
06 7,08 8,92 6,75 5,50 6,25 6,90 3,42 8,92 5,50
07 8,75 7,00 7,00 5,42 8,00 7,23 3,33 8,75 5,42
08 6,57 5,95 7,40 5,50 5,83 6,25 1,90 7,40 5,50
09 7,17 7,00 6,17 5,50 5,42 6,25 1,75 7,17 5,42
10 7,77 7,92 6,50 6,17 5,75 6,82 2,17 7,92 5,75
11 7,75 6,92 7,17 5,83 5,08 6,55 2,67 7,75 5,08
12 6,92 7,12 7,50 7,33 6,33 7,04 1,17 7,50 6,33
13 7,67 6,92 7,25 5,92 6,25 6,80 1,17 7,67 5,92
14 8,67 7,42 6,30 6,33 5,17 6,78 3,50 8,67 5,17
15 6,58 9,92 7,00 6,17 6,08 7,15 3,84 9,92 6,08
16 8,17 8,08 6,50 4,92 5,00 6,53 3,25 8,17 4,92
17 7,42 6,23 8,08 6,13 5,50 6,67 2,58 8,08 5,50
18 9,25 7,38 7,03 5,75 4,43 6,77 4,82 9,25 4,43
19 7,58 6,08 6,78 7,43 5,92 6,76 1,66 7,58 5,92
20 8,33 6,40 6,87 6,08 5,58 6,65 2,75 8,33 5,58
Somatória 132,5 53,05
= =
LSC x = LSC r =
LIC x = LIC r =
34
35
36
Exercício No 2
A coleta de dados que segue foi obtida junto ao equipamento de teste de pressão da uma bomba de óleo de
motores de um certo veículo.
As especificações referentes ao ensaio são:

Especificações: 70 a 90 psi a 3.200 rpm.
Construa o gráfico - R de controle e faça a análise do processo.
Teste da bomba de óleo conjunto

Verificar a pressão de abertura da válvula
Hora Amostra X1 X2 X3 X4 X5 X mín, X máx, R

15:00 01 74,0 72,0 74,0 78,0 70,0 70,0 78,0 73,6 8,0
16:00 02 74,0 70,0 74,0 76,0 72,0 70,0 76,0 73,2 6,0
17:00 03 80,0 76,0 72,0 74,0 74,0 72,0 80,0 75,2 8,0
18:00 04 74,0 70,0 76,0 72,0 72,0 70,0 76,0 72,8 6,0
19:00 05 76,0 74,0 70,0 78,0 74,0 70,0 78,0 74,4 8,0
20:00 06 70,0 80,0 78,0 72,0 78,0 70,0 80,0 75,6 10,0
21:00 07 76,0 76,0 76,0 74,0 80,0 74,0 80,0 76,4 6,0
23:00 08 74,0 76,0 74,0 78,0 74,0 74,0 78,0 75,2 4,0
24:00 09 76,0 78,0 74,0 74,0 76,0 74,0 78,0 75,6 4,0
01:00 10 72,0 76,0 76,0 74,0 76,0 72,0 76,0 74,8 4,0
02:00 11 74,0 82,0 78,0 76,0 70,0 70,0 82,0 76,0 12,0
06:00 12 73,0 72,0 72,0 80,0 80,0 72,0 80,0 75,4 8,0
07:00 13 76,0 78,0 76,0 76,0 76,0 76,0 78,0 76,4 2,0
08:00 14 74,0 80,0 80,0 78,0 76,0 74,0 80,0 77,6 6,0
09:00 15 72,0 78,0 80,0 78,0 76,0 72,0 80,0 76,8 8,0
10:00 16 80,0 80,0 76,0 78,0 76,0 76,0 80,0 78,0 4,0
11:00 17 72,0 78,0 74,0 72,0 80,0 72,0 80,0 75,2 8,0
13:00 18 74,0 76,0 74,0 70,0 72,0 70,0 76,0 73,2 6,0
14:00 19 78,0 74,0 74,0 76,0 72,0 72,0 78,0 74,8 6,0
15:00 20 78,0 76,0 74,0 72,0 76,0 72,0 78,0 75,2 6,0
Soma= 1505,4 130,0
= 75,3 = 6,5.
37
38
3.6.2 - Gráfico para valores individuais e amplitudes móveis (X- Rm)
Existem casos em que o controle do processo deve ser realizado por leituras individuais. Isto ocorre quando as
medições são dispendiosas, como nos ensaios destrutivos, ou quando o resultado num ponto, apresenta-se
homogêneo, como por exemplo: viscosidade, PH, temperatura, etc.
Embora seu uso seja indicado, deve-se considerar que:

- a sensibilidade a alterações do processo é menor do que na carta - R.
- como as amostras são constituídas de um único valor individual, os valores de X e R m podem ter grande
variação, mesmo com o processo estável.
Construção do gráfico de controle para valores individuais (X, Rm)
Os limites são calculados conforme as fórmulas:
- Gráfico X
- Gráfico Rm
LC = m
LSCR = D4. m
LICR= D3. m
LICR = -
Usualmente, a amplitude móvel é calculada pela diferença entre cada par de valores sucessivos. Exemplo:
Diferença entre a primeira e a segunda leitura, segunda e terceira, etc. Nesse caso utiliza-se n = 2 para os
fatores d2 e D4.
Os valores para as constantes utilizadas na carta (X - Rm), encontram-se na tabela 3, do cap. 7.
Exemplo
Coleta de dados:
- óleo para motor

viscosidade mínima: 320 SSU à 38ºC.
39
Amostras X Rm
1 330 -
2 340 10
3 330 10
4 360 30
5 350 10
6 325 25
7 345 20
8 350 5
9 320 30
10 315 5
11 325 10
12 345 20
13 330 15
14 335 5
15 330 5
16 320 10
17 320 0
18 340 20
19 325 15
20 345 20
21 350 5
22 320 30
23 320 0
24 330 10
25 335 5
X R
X R m
K K -1
X  333,4 R m  13,1
40
LSCx = + E2 . m LICx = - E2 . m
LC = 333,4 LICx = 333,4 - 2,660 . 13,1
LSCx = 333,4 + 2,660 . 13,1 LICx = 298,8
LSCx = 368
LSCR = D4 . m LICR = D3. m

LSCR= 3,267 . 13,1 LICR = 0.
LSCR= 42,4
3.6.3 - Gráfico da mediana e da amplitude ( ,R)
Shewhart estudou as medianas e as médias das amostras como estimadores de µ. Concluiu que a média é um
estimador mais sensível que as medianas. Porém, devido à facilidade nos cálculos a mediana é bastante
utilizada.
Construção do gráfico
41
Cálculo dos limites de controle dos gráficos das medianas e amplitudes ( - R).
Os limites de controle são pré-estabelecidos, devendo-se utilizar, no mínimo, 125 dados.
- Gráfico
LC =
LSCx = + Ã2
LICx = - Ã2
- Gráfico R
LSCR = D4
LICR = D3
onde = média das medianas;

= média das amplitudes;
Ã2, D3 e D4 são constantes tabeladas em função do tamanho da amostra.
Observações
1. as amostras devem ser sempre ímpares para que a mediana possa ser determinada diretamente. Para isso,
basta ordenar os elementos e tomar o valor central.
2. usualmente, recomenda-se que as amostras contenham cinco elementos (n = 5).
Tabela
Tamanho da amostra Ã2 D3 D4
3 1,19 - 2,575
5 0,69 - 2,115
7 0,51 0,076 1,92
9 0,41 0,18 1,816
Exemplo
Para os dados constantes da folha de controle abaixo, levantar o gráfico ( - R).
42
Folha de controle ______________________________________

Nome da peça ___________________________ No __________
Máquina no 5 _________________________________________
Insp. ________________________________________________
Amostra X1 X2 X3 X4 X5 R Mediana
9:00 7 3 3 5 8 5
10:00 5 4 8 8 7 4
11:00 10 3 3 4 4 7
13:00 3 4 7 8 9 6
14:00 3 8 2 5 10 8
15:00 4 7 1 4 1 6
9:00 4 1 6 7 1 6
10:00 5 4 8 7 8 4
11:00 4 5 5 2 1 4
13:00 2 3 5 8 8 6
14:00 7 9 5 4 11 6
15:00 13 2 1 5 11 12
9:00 6 5 7 5 13 8
10:00 7 3 7 3 5 4
11:00 8 5 2 5 9 7
13:00 8 5 4 6 8 4
14:00 8 10 5 5 6 5
15:00 9 6 4 7 9 5
9:00 3 4 7 5 9 6
10:00 1 4 6 1 7 6
11:00 1 8 5 9 5 8
13:00 3 3 5 7 8 5
9:00 1 1 4 6 7 6
10:00 8 8 5 3 2 6
11:00 9 8 2 1 1 8
Somatórias das medianas = 129 a mediana média =
Somatórias da amplitude = 152 a amplitude média =
43
44
3.6.4 - Gráficos de controle ( , s )
As cartas e s também são utilizadas em pares. O desvio padrão da amostra (s) é melhor indicador da
variabilidade do processo, principalmente quando empregado para amostras de tamanho maior
As cartas s são utilizadas para substituir as cartas R quando se dispõe de recursos computacionais adequados e
operadores treinados no uso desses recursos. Também é adequada quando o tamanho da amostra é grande.
As instruções para as cartas e s são semelhantes às das cartas e R.
O cálculo de cada um dos desvios padrão das amostras (s) é feito empregando a seguinte fórmula:
Nota: n - 1 para amostras com tamanho > 30.
Onde Xi, e n representam os valores individuais da amostra, a média desta amostra e o tamanho da mesma,
respectivamente.
Cálculo dos limites de controle para a carta de médias e dos desvios padrão
(LSC , LIC , LSCs, LICs).
LSC = Limite superior de controle da média.

LIC = Limite inferior de controle da média.
LSCs = Limite superior de controle do desvio padrão.
LICs = Limite inferior de controle do desvio padrão.
LSC = + A3 .
LIC = - A3 .
LSCs = B4 .
LICs = B3 .
Onde é a média dos desvios padrão das amostras e B4, B3, e A3 são fatores que dependem do tamanho da
amostra, conforme indicado na tabela 2, cap. 7 .
Exercício : Calcular os limites para um estudo abaixo, considerando n=3
9,7 9,5 9,8 9,6 9,7 9,4 9,6 9,8 9,7 9,5 Σ = 96,3
S 0,1 0,2 0,2 0,1 0,3 0,2 0,2 0,3 0,2 0,1 Σ = 1,9
= = A3 = 1,954 B4 = 2,568 B3 = não tem
LSCx = LSC s =
LICx =
45
3.7 - Capacidade do processo
A capacidade do processo nas cartas e s é calculada e interpretada de forma semelhante àquela utilizada na
carta e R, com exceção da estimativa do desvio padrão do processo ( ) que é determinado como se segue:
Onde é a média dos desvios padrão das amostras (para períodos com o processo sob controle) e c 4 é um
fator que depende do tamanho da amostra, conforme tabela 2, cap.7.
3.8 - Gráficos de controle por atributos

Nos casos em que não é possível realizar medições das características que se deseja controlar, recorre-se aos
gráficos de controle por atributos, cuja distribuição representa variáveis aleatórias discretas.
Esses gráficos são utilizados quando:

- número de características a controlar em cada peça ou da produção é elevado;
- a mensuração das características é anti-econômica diante do custo de cada peça ou da produção;
- a verificação da qualidade é feita por simples inspeção visual.
- Gráfico Controle de defeituosos

- fração defeituoso ( p ).
- quantidade de defeituosos ( np ou pn ).
- Controle de defeitos
- Total de defeitos na amostra ( c ).
- média de defeitos por unidade na amostra ( u ).
Exemplo : Fábrica de Mochilas
Dia / produção 12 => 494 13 => 508 14 => 506 15 => 513 16 => 507 médias
Quant.de amostras 30 30 30 30 30 30
Tipos
Total de 4 5 5 6 5 pn = 5,0
defeituosos “ pn”
Fração de “ p “ 4 / 30 5 / 30 5 / 30 6 / 30 5 /30 p = 0,167
defeituosos
Total de defeitos 7 9 8 9 7 c = 40/5=8
“c“
Fração de defeitos 7 / 30 9 / 30 8 / 30 9 /30 7 / 30 u = 40/30
“u“
46
pn ou np de controle por atributos
O gráfico pn pode ser utilizado quando se deseja controlar a quantidade de elementos discrepantes (ou
defeituosos) em uma amostra de tamanho n constante.
Passos para a construção do gráfico pn de controle
1o Passo
Coletar os dados e registrar o número de produtos defeituosos pn.
2o Passo
Achar a média de produtos defeituosos .
nº totalde produtosdefeituosos  pn
p  ou p 
nº totalde produtosinspecionados n
3o Passo
Calcular os limites de controle

LSC  pn  3  pn (1 - p)
LC = p n
L I C  pn - 3  pn (1 - p)
4o Passo
Construir o gráfico colocando no mesmo, os pontos que representam o número de defeituosos (pn) de cada
amostra.
Exemplo Alavanca de abertura do capô, defeituoso.
Subgrupo Subgrupo Número de

no. K tamanho no. n defeituosos pn
1 100 1
2 100 6
3 100 5
4 100 5
5 100 4
6 100 3
7 100 2
8 100 2
9 100 4
10 100 6
11 100 2
12 100 1
13 100 3
14 100 1
15 100 4
47
16 100 5
17 100 4
18 100 1
19 100 6
20 100 15
21 100 12
22 100 6
23 100 3
24 100 4
25 100 3
26 100 3
27 100 2
28 100 5
29 100 7
30 100 4
Total => 3000 129
Média => 100 4,3
Da tabela temos:
129
 
K = 30 n = 100 pn 30 4,3 ou
129
p  0,043
3000
(K .n)
pn 4,3 (1- 0,043)

LC = = 0,043 . 100 = 4,3 LSC = 4,3 + 3 = 10,39
4,3 (1- 0,043)

LIC = 4,3 - 3 = 1,78  LIC = - 1,78
pn
Exercício
Construir o gráfico pn, de uma inspeção de um certo produto :
Amostra pn n
01 10 50
02 08 50
48
03 12 50
04 14 50
05 06 50
06 08 50
07 06 50
08 08 50
09 12 50
10 08 50
11 10 50
12 09 50
13 13 50
14 08 50
15 11 50
16 12 50
17 11 50
18 09 50
19 13 50
20 07 50
Somatórias => 195 1000 LC = pn = p=
LSC =
LIC =
49
50
3.8.2 - Gráfico “ p “ de controle por atributos

O gráfico p deverá ser utilizado quando se deseja controlar a porcentagem ou proporção defeituosa na
amostra. As peças, de acordo com o critério estabelecido, são classificadas em perfeitas ou defeituosas.
Admitindo-se que o processo seja mantido sob controle estatístico, a probabilidade de se produzir uma peça
defeituosa mantém-se constante. Conseqüentemente a distribuição estatística dentro da qual o gráfico p e pn
trabalha é a binomial.
Passos para a construção do gráficos de controle
1o Passo
Proceder à coleta de dados obtendo o número de dados suficientes, que indique o número de peças
inspecionadas (n) e o número de defeituosas (pn).
2o Passo
Calcular a fração defeituosa para cada sub-grupo, empregando a equação p = pn/n.
3o Passo
Achar a média da fração defeituosa.
 pn
nº total de unidade defeituosas p 
p  ou n
nº total de unidades inspecionadas
4o Passo
Calcular os limites de controle.
LC = p
1- p
LSC = p  3 p( )
n
1- p
LIC = p -3 p( )
n
Observação
Estas fórmulas são utilizadas para amostras de tamanho constante ou com variação de até 20%.
5o Passo
Construir o gráfico desenhando os limites de controle e plotando, no gráfico, os pontos que representam os
valores médios das amostras.
Exemplo de aplicação - gráfico p

A fim de estabelecer o controle de atributos, foram extraídas K = 25 amostras de n = 50 peças cada uma. De
acordo com o critério pré-fixado, as peças foram classificadas em perfeitas ou defeituosas, assumindo os
resultados conforme tabela.
51
Resultados de K = 25 amostras de tamanho n = 50 peças.

fração defeituosa
Amostra pn
p = pn / n
1 1 0,02 1 / 50
2 2 0,04
3 3 0,06
4 3 0,06
5 5 0,10
6 4 0,08
7 4 0,08
8 1 0,02
9 2 0,04
10 2 0,04
11 4 0,08
12 4 0,08
13 4 0,08
14 5 0,10
15 4 0,08
16 4 0,08
17 5 0,10
18 1 0,02
19 5 0,10
20 2 0,04
21 0 0,00
22 5 0,10
23 3 0,06
24 3 0,06
25 4 0,08
Total 80
 pn
p
n
80
p  0,064
1250
K.n => 25.50
52
Calculamos LSC e LIC.
1- p
LSC = p  3 p( )
n
0,064 (1- 0,064)

0,064  3
LSC = 50
LSC = 0,167
1- p
L I C = p -3 p( )
n
0,064 (1- 0,064)

0,064 - 3
LIC = 50
L I C = 0,064 - 0,103 = - 0,039 => valor negativo.
Neste caso, temos:

LSC = 0,167.
L I C = zero, pois deu negativo
O gráfico de controle será:
53
3.8.3 - Gráfico “ u “ de controle por atributo
O gráfico u de controle é usado para controlar o número médio de defeitos que aparecem por unidade. Ele é
empregado nos casos em que a ocorrência de defeitos não se mantém constante ao longo do processo. A
distribuição estatística em que trabalha o gráfico u é a distribuição de Poisson.
Passos para a construção do gráfico u de controle
1o Passo
Coletar os dados, registrando o número médio de defeitos por amostra.
Total de defeitos da amostra (c)

u=
Tamanho da amostra (n)
2o Passo
Calcular os limites de controle.
c (nº total de defeitos)

LC  u 
 n (nº total de elementos observados )
ou ainda
 u (total
(totaldas
dasmédias
mdiasdede
defeitos da amostragem)
defeitos da amostrgem)
LC  u 
K (quantidadede amostras)
Limites de controle = u  A u ou u  3 u /n
onde:
3
A= n é uma constante tabelada (ver tabela 1 cap. 7), pagina 78
3o Passo
Construir o gráfico, desenhando os limites de controle e plotando, os pontos que representam os valores
médios das amostras (u).
3.8.4 - Gráfico “ c “ de controle por atributo

Quando a amostra for fixa, pode-se também projetar o próprio número de defeitos (c). Nesse caso, estaremos
trabalhando com o gráfico c de controle, cujos limites de controle são:
c
c
LC = c onde K Limites de controle = c  3 c
Neste caso é o mesmo raciocínio do gráfico de “ u “
54
Exemplo
Gráfico u de controle - linha de tecelagem de cobertores
u Média
Total de
Amostra X1 X2 X3 X4 X5 c
defeitos (c)
defeitos n
1 2 3 6 4 2 17 3,4 ( 17 / 5 )
2 3 8 2 4 5 22 4,4
3 5 3 4 2 2 16 3,2
4 3 3 3 4 4 17 3,4
5 3 4 3 4 1 15 3,0
6 5 4 4 5 4 22 4,4
7 8 0 3 3 2 16 3,2
8 4 1 3 2 5 15 3,0
9 2 4 3 4 4 17 3,4
10 3 4 5 2 3 17 3,4
11 4 3 2 4 3 16 3,2
12 5 5 4 2 2 18 3,6
13 4 3 4 3 2 16 3,2
14 4 2 4 3 4 17 3,4
15 3 4 5 3 3 18 3,6
16 4 4 3 4 3 18 3,6
17 4 4 3 2 4 17 3,4
18 5 4 2 3 4 18 3,6
19 1 2 4 5 6 18 3,6
20 5 4 2 6 2 19 3,8
349 69,8
( c) (u)
 (u)  (c)
u u
K ou  (n)
Limites de controle
 (c) (nº total de defeitos) 349

LC = u  = LC = portanto, LC = 3,49
 (n) nº total de elementos 100
ou
 (u) (total das médias de defeits da amostragem ) 69,8

LC = u  = LC = portanto,
K (quantidade de amostras ou amostragem ) 20
55
LC = 3,49 = u
Continuando
LSC = u + A u para n = 5 => A = 1,342 (vide cap. 7)

LSC = 3,49 + 1,342 3,49
LSC = 3,49 + 1,342 . 1,87
LSC = 3,49 + 2,51
LSC = 6,0
LIC = u - A u
LIC = 3,49 - 1,342 3,49
LIC = 3,49 -1,342 . 1,87
LIC = 3,49 - 2,51
LIC = 1,0
Gráfico u - Verificação de defeitos (dos tapetes)
Exercício
56
Para este exercício foram transcritos os dados dos defeitos reportados pelo inspetor de uma máquina de
injeção de plástico, não sendo os mesmos distinguidos pela gravidade e sim pela freqüência.
Com base nestas informações construa os gráficos : “ u “ ou “ c “ de controle.
Total de Média de
Amostra X1 X2 X3 X4 X5
defeitos (c) defeitos u = c / n
01 3 4 3 4 1 15 3,0
02 1 1 2 1 1 6 1,2
03 2 3 4 2 0 11 2,2
04 1 3 1 1 2 8 1,6
05 3 4 3 2 1 13 2,6
06 5 2 3 3 3 16 3,2
07 1 3 4 2 3 13 2,6
08 2 2 4 4 1 13 2,6
09 2 6 4 4 1 17 3,4
10 3 2 2 1 1 9 1,8
11 2 5 3 3 1 14 2,8
12 6 2 2 3 1 14 2,8
13 4 2 2 1 1 10 2,0
14 2 2 5 5 2 16 3,2
15 3 1 1 2 1 8 1,6
16 3 3 4 1 2 13 2,6
17 1 3 5 2 3 14 2,8
18 2 2 4 1 1 10 2,0
19 1 1 3 4 4 13 2,6
20 1 6 3 3 1 14 2,8
c = 247 u = 49,4
57
58
3.9 – Estabilidade => Tendencias
Se nenhuma causa especial de variação estiver agindo sobre um processo, estatisticamente espera-se
que ele possa ser representado por uma curva normal que se mantém praticamente inalterada ao longo
do tempo, sem flutuações significativas na sua centralização ou dispersão. Neste caso, o processo é
dito estável; os pontos, nos gráficos de controle, distribuem-se segundo uma lógica probabilística e
nenhum sinal estatístico é percebido.
O processo sobre o qual age alguma causa especial é dito instável. Nesse caso, problemas são
percebidos através dos gráficos de controle, a partir de sinais estatísticos evidentes. A seguir, algumas
situações que indicam instabilidade no processo.
Exemplos de situações:
Pontos fora dos limites de controle
Processo não sob controle

a) Pontos demasiadamente perto da média
do processo.
b) Pontos demasiadamente perto dos

limites de controle.
Observação
Qualquer outra não aleatoriedade.
Tendências
a) Seqüência de 7 pontos
consecutivos crescentes.
59
b) Seqüência de 7 pontos acima

da média.
c) Seqüência de 7 pontos
consecutivos decrescentes.
d) Seqüência de 7 pontos abaixo

da média.
4 - Capabilidade do processo
- Em todas as atividades os produtos devem satisfazer aos requerimentos de qualidade estabelecidos pelos
clientes. Para satisfazer esses requerimentos, há a necessidade de que as características de qualidade atendam
as especificações pré-estabelecidas.
- Denomina-se capabilidade à capacidade que o processo tem de produzir produtos cujos valores encontram-
se inicialmente dentro dos limites de tolerância especificados.
- A capacidade do processo somente pode ser estabelecida quando nenhum fator estranho contaminar o
processo, ou seja, o mesmo apresenta apenas variações aleatórias.
- A análise da capacidade do processo tem por objetivo quantificar as causas comuns de variabilidade e
verificar a capacidade potencial do processo em atender a uma determinada especificação de limites de
controle estatístico, conforme critérios de cálculos dos gráficos de controle escolhido, que constam da tabela
abaixo.
60
% de produtos dentro % de refugo e/ou

Critério Relação
da especificação retrabalho
±1 68,26 31,74 317:1000
±2 95,44 4,56 45:1000
±3 99,73 0,27 3:1000
±4 99,994 0,006 6:100.000
±5 99,99994 6,10-7 6:107
Exemplo de uma empresa que adotou como critério de aceitação 3 :
Observação
O valor de pode ser estimado utilizando a informação fornecida pelos gráficos de controle,
lembrando que, um estimador é obtido a partir de pela relação:
onde d2 é uma constante tabelada (ver tabela cap. 7).
61
Para cumprir mais adequadamente a função de predizer quanto do produto fabricado pelo processo vai
satisfazer as especificações, foi criado o Índice de Capacidade Potencial do Processo que relaciona a
variabilidade natural do processo (6 ) com a amplitude da Tolerância (LIE até LSE).
4.1 - CÁLCULO DA CAPACIDADE DO PROCESSO - Cp
Interpretando o Cp
Cp  1  processo potencialmente capaz.
Cp  1  processo incapaz.
4.2 - CÁLCULO DA CAPABILIDADE DO PROCESSO - Cpk
A capacidade pode ser definida pela distância que a média do processo ( ) apresenta em relação dos
limites especificados, obtidos em unidades de desvio padrão (Z).
Para maior tolerância unilateral, calcula-se:
Para tolerâncias bilaterais, calcula-se:
Para avaliar a capacidade real de um processo em relação à média e limites especificados, foi
desenvolvido o Cpk (índice de capacidade).
Zmin
Cpk = onde Zmin é o menor valor entre Zi e Zs .
3
Interpretando o Cpk
Cpk  1  processo capaz.

Cpk  1  processo incapaz.
Obs. Porém a indústria automobilística exige que o CP seja maior que 1,33 e o CPk
igual ou maior que 1,67.
62
Exemplo de cálculo do Cp e Cpk
Num processo produtivo sob controle estatístico, observou-se que:
= 15 =2 LSE = 40 LIE = 10
Avalie o Cp e o Cpk.
Como Cp  1  processo capaz.
Cpk = 2,5 / 3 = 0,833
Cpk  1  processo incapaz.
10 15 25 40
Para transformarmos esse processo incapaz em capaz, devemos deslocar a média do processo ( ) para um
valor maior mantendo a sua normalidade. Para estimarmos o valor dessa média, calculamos da seguinte
maneira:
LSE = +3
LIE = -3
= LIE + 3
= 10 + 3.2 = 10 + 6 = 16
A média do processo deverá ser no mínimo 16.
É interessante considerar, a respeito dos índices Cp e Cpk, os aspectos que seguem.

O índice Cp mede apenas a performance potencial do processo e não sua capacidade real, porque relaciona a
dispersão do processo aos limites de especificação. Além disso, como a localização da média do processo não
é considerada, é possível que grande porcentagem de itens produzidos fiquem fora dos limites de
especificação, ainda que Cp >= 1. Para que isso ocorra, basta que a média do processo se localize
suficientemente perto de um dos limites de especificação. Portanto, a interpretação da capacidade do processo
63
relacionada ao índice Cp só tem valor se a média estiver bem centralizada no intervalo estabelecido pelos
limites de especificação.
Embora seja semelhante ao Cp, o índice Cpk tem a vantagem de usar a média do processo. Portanto leva em
conta sua centralização e pode ser considerado como uma medida da performance do processo.
Cp e Cpk para algumas situações

a) Cp = 1 Cpk < 1
b) Cp >1 Cpk < 1
c) Cp >1 Cpk > 1
64
As situações (a) e (b) mostram como é possível correr a produção de itens fora da especificação ainda que
Cp = 1. O índice Cpk é coerente em todos os casos.
- Exercício extra : Calcular o Cp e Cpk para um processo com a especificação de 5,68 +/- 0,040 mm e com
= 5,672 e = 0,015
CP => CP =
Zs = Zi = CPk =
5 - Pré - controle ou gráfico do farol

O Pré-controle ou Gráfico de farol só pode ser utilizado em processos que estejam sob controle estatístico, ou
seja, só apresente variações aleatórias e excelente capacidade em atender as especificações de projeto.
Quando um processo apresenta condições de utilizar a técnica do Pré-controle ou Gráfico de farol,

transferirmos para o operador responsabilidade de julgar a qualidade do mesmo em relação aos padrões e
especificações reduzindo os custos de controle e permitindo ao operador acompanhar o seu próprio trabalho.
Chamamos essa atividade de auto-inspeção.
Para que os resultados da auto-inspeção sejam corretos, são necessários os requisitos a seguir:
- aplicabilidade tecnológica do processo;
O processo precisa ser de natureza tal que permita a clara definição das responsabilidades para a tomada
de decisão. Geralmente os processos mais simples são os mais indicados. Ex.: tornear, furar, etc..
- processo sob condições de autocontrole;
O processo deve conter os meios e condições para que o trabalhador possa:
- saber exatamente o que deve fazer e quais os resultados esperados;
- ajustar o processo quando houver divergências relevantes.
- treinamento do operador
O operador deve ser capacitado tanto no controle do processo, como na tomada de decisões.
- confiança mútua entre a supervisão e o operador.
Tanto para a delegação ao operador da importante responsabilidade de decidir sobre a qualidade do
produto e do trabalho, como para assumir esta responsabilidade.
O objetivo do Gráfico do farol é detectar mudanças significativas no processo através de um sistema rápido,
econômico e que pode ser utilizado pelo próprio operador, enriquecendo o conteúdo de seu trabalho.
Para aplicar o pré-controle, procede-se da seguinte maneira:

- ajuste da máquina (set-up).
Verifica-se todas as peças. A ajustagem estará correta quando cinco peças seguidas estiverem na região
verde do gráfico.
- produção.
Mede-se duas peças consecutivas e segue-se as instruções do Gráfico do farol.
65
Pré-controle ou Gráfico do farol
Passos
1.
Verifique dois produtos. Se ambos estiverem na região verde, continue normalmente a produção.
2.
Se um ou dois produtos estiverem na região vermelha, avise o responsável para as providências corretivas
e selecione o material existente. Quando os reajustes forem feitos, volte ao passo um.
3.
Se um ou dois produtos estiverem na região amarela, verifique mais três produtos.
A. Se três ou mais produtos estiverem na região verde, continue normalmente a produção.
B. Se três ou mais produtos estiverem na região amarela, avise o responsável para as providências corretivas.
Quando os ajustes forem feitos, volte ao passo um.
66
C. Se qualquer produto estiver na região vermelha, avise o responsável para as providências corretivas e
selecione o material. Após os necessários ajustes, volte ao passo 1.
Cálculo dos limites de controle para o Gráfico do farol.
1º Passo
Determinar a amplitude da tolerância, ou seja : LSE – LIE ;
2º Passo
Dividir a amplitude de tolerância, ou seja : (LSE - LIE) / 4
3º Passo
Marcar os valores no gráfico, como segue, e seguir as instruções do Pré-controle.
Exemplo
Construir um gráfico de pré-controle para o processo de produção de eixos do mecanismo de levantamento do
vidro da janela.
67
Especificação (15,00 ± 0,10mm).
1o Passo
Determina-se o campo da tolerância:
LSE - LIE = 15,10 - 14,90 = 0,20.
2o Passo
Calcula-se o valor de um quarto de tolerância.
1/4 tolerância = 0,20/4 = 0,05.
3o Passo
Coloca-se as linhas de controle no gráfico:
Região
vermelha Diâm > 15,105
Pare 15,10
Região
amarela A 15,005< diâ
Observe  15,055 15,05
Região
verde V VV V V VV VV V VV 14,995< diâ 15,00
Continue V V VV V VV  15,055 14,95
14,945< diâ
 14,995
Região
amarela V 14,895<diâ 
Observe 14,945 14,90
Região
vermelha Vm Diâm  14,895
Pare
9:00 11:00 13:00 15:00 9:00 11:00 13:00 15:00
Nota
Quando se deseja utilizar o Gráfico do farol dentro dos critérios expostos e, ao mesmo tempo, se deseja
controlar tendências, tais como: desgaste de ferramentas, etc., torna-se necessário construir um gráfico tal que
cada faixa corresponda, no máximo, a um oitavo da tolerância especificada (cada região amarela é dividida
em, no mínimo, duas faixas e a região verde é dividida em, no mínimo, quatro faixas).
6 - Implantação do CEP
Implantar o CEP não significa espalhar cartas de controle por toda a fábrica.
68
Esse equívoco pode custar o sucesso do projeto. Na verdade, a utilização das cartas de controle somente
deverá ter início depois que providências importantes forem tomadas.
A implantação do CEP envolve três grandes fases. Se bem desenvolvidas, essas fases tendem a garantir o
sucesso do projeto. São elas:
- conscientização;
- treinamento;
- implantação.
A conscientização deve abranger todos os níveis hierárquicos, para que todos fiquem comprometidos com o
projeto. Comprometimento não significa apenas apoiar a iniciativa, mas fazer parte dela, dedicando parcela do
tempo para atuar no processo.
Deve ser desenvolvido um plano de treinamento, considerando que toda a população precisa ser treinada,
desde o operador até a direção maior da empresa. Cada qual, certamente, recebendo a mensagem adequada em
função do seu grau de atuação no projeto. A nível de piso de fábrica é recomendável que seja treinado, de
início, o pessoal que fará uso imediato do sistema; isso evita especulações e receios desnecessários.
Finalmente, um plano de implantação precisa ser elaborado, para organizar adequadamente o modo como o
CEP será difundido e utilizado em toda a organização.
Passos para um plano de implantação

1. Selecionar uma área para iniciar a implantação
É aconselhável começar numa área piloto. À medida que os resultados começarem a aparecer, a empresa
ganha confiança na metodologia, facilitando a implantação em outras áreas. Para escolher a área piloto,
deve-se considerar os seguintes critérios:
- selecionar uma área que não apresente muitos problemas, para se observar resultados o mais rapidamente
possível;
- dar preferência a área que seja um gargalo, pois o objetivo é aumentar a produtividade;
- procurar implantar o CEP num processo cujo produto tenha vida relativamente longa.
2. Definir o processo
Definida a área, deve-se escolher o processo mais crítico em termos de CEP, isto é, aquele que apresenta a
maior variabilidade.
3. Normalizar o processo
Significa corrigir problemas que podem ser detectados sem o auxílio das cartas de controle; por exemplo,
aferir instrumentos de medição, treinar operadores que não conheçam o trabalho, fazer manutenção nas
máquinas, etc. Em outras palavras, normalizar quer dizer resolver os velhos problemas já conhecidos do
pessoal envolvido com o processo. Essa atitude de aproximação da gerência ao local de trabalho, buscando
resolver os problemas, é um elemento de motivação importante para o pessoal de operação.
4. Determinar a característica que será controlada

Por exemplo, diâmetro, comprimento, número de defeitos, etc.
5. Definir o tipo de carta( gráfico) de controle mais apropriado

69
Cumpridas as etapas de implantação, é necessário adotar e seguir um esquema operacional que garanta a
utilização correta do sistema.
O esquema operacional é constituído fundamentalmente de três ações:

1. coleta dos dados e projeção na Carta de Controle;
2. análise da estabilidade;
3. análise da capabilidade.
A análise da estabilidade e da capabilidade devem ser acompanhadas de ações locais e gerenciais e repetidas
indefinidamente, de modo a se perseguir o aperfeiçoamento contínuo do processo.
A seguir, esquema de implantação e operacionalização do CEP, na forma de fluxograma.
Esquema de implantação do CEP
70
Esquema operacional do CEP
Obs. Hoje em dia as empresas vem utilizando sistemas informatizados, programas disponíveis
no mercado, que facilita a coleta de dados eletrônicos, planilhas e cálculos automáticos, com
impressão de dados, tabelas, gráficos e algumas interpretações.
Atenção : MAS é o analista de Processo ou da Qualidade que precisa saber para poder
interpretar o processo e assim tomar ações de correção e de melhorias
71
7- Tabelas
7.1 Tabelas amostrais para o CEQ
TÉCNICAS POR CONTROLE POR ATRIBUTOS
1- INTRODUÇÃO
Como já vimos no histórico da Qualidade, com o aumento da produção nas industrias no

início do século passado; ficou difícil de inspecionar/verificar cada peça/produto
individualmente.
Na década de 20, começou a ser desenvolvido pelo americano W. Shewhart o uso da
estatística nas inspeções de peças/produtos.
Com o intuito de reduzir ao mínimo o número de peças defeituosas e também com uma
redução de peças inspecionadas.
- A partir desta sistemática foram elaboradas as “Técnicas de Controle por Atributos”, sendo
usado pelos militares americanos.
Estas técnicas passaram a ser normalizadas nascendo a norma militar MIL STD 105 D.
- O uso destas técnicas de avaliação foram desenvolvidas e são aplicadas tanto para controle
de características por Variáveis e por Atributos.
2 - APLICAÇÃO DO CONTROLE POR ATRIBUTOS
A avaliação de uma característica de qualidade, baseada em uma classificação, apesar de

poder ser expressa por um número, não implica necessariamente um mensuração, mas sim
saber se a característica da peça/produto está boa (conforme o especificado), ou seja aprovada
ou não, funciona ou não, passa ou não passa (em um dispositivo) etc.
Assim sendo para um lote (com peças/produtos fabricados ou em fabricação), seja no
fabricante ou no cliente; uma quantidade produzida, iniciamos inspecionar 100% para saber se
o lote em questão está todo aprovado ou não. Para tanto dependendo da quantidade é muito
demorado e caro de inspecionar todas as peças.
Para agilizar, ganhar tempo e custo é aplicado a Inspeção por Amostragem que dependendo
das exigências, uso e criticidade de aplicação da peça/produto é muito vantajoso.
Na inspeção por amostragem é feita uma analise sobre uma fração de amostragem pela norma
MIL STD 105 D, com as tabelas Dodge-Romig. Nesta norma são definidas (após
levantamentos estatísticos/probabilísticos) os níveis de qualidade aceitável – NQA, tabelas,
demonstração de níveis de aceitação, as Curvas Características de Operação – CCO´s etc.
Esta sistemática é toda encontrada no Brasil nas normas da ABNT, como a NBR 5426 –
Planos de amostragem e procedimentos na inspeção por atributos.
72
3 - EXEMPLO DE APLICAÇÃO
Há vários tipos de amostragem : Simples, dupla ou Múltipla, que poderá ser usada uma das
tabelas correspondentes com amostragem simples com inspeção : Normal, inspeção, Severa
ou inspeção Atenuada.
Através da Tabela de Codificação de Amostragem - anexo A , a empresa geralmente os

departamentos de engenharia ou da qualidade, definem os níveis de inspeção, que em função
do tamanho do lote a ser inspecionado é levantado cruzando a linha com a coluna do nível, a
Letra correspondente para o tamanho da amostra (quantidade de peças a ser inspecionada
retirada do lote de forma aleatória).
Em seguida definida o Nível de Qualidade Aceitável - NQA, usar uma das tabelas como o
Plano de amostragem, por exemplo simples normal – Tabela 2.
Exemplo prático : Para um lote de 5000 peças, foi determinado usar na tabela A : Níveis de
gerais de Inspeção II, portanto obtemos a letra correspondente “ L “.
A seguir na tabela 2, temos que para a letra “ L “ o tamanho da amostra , quantidade de peças
a ser retirada do lote é de 200 peças.
Conhecendo qual o NQA definido por exemplo 1,0 %, teremos :

se aparecer até 5 peças defeituosas o lote é aceito, e se houver 6 ou mais peças o lote é
rejeitado.
Exercício 1 – Qual o tamanho da amostra para um lote de 2000 peças, com nível de inspeção
S 4, qual a letra e com quantas peças irá rejeitar o lote, usando um NQA de 2,5%, usando a
tabela 3 – amostragem simples - severa.
Exercício 2 – A ser dado em aula ...........................

Para um NQA de 0,025 da tabela 2 , considerando zero defeito e um tamanho de amostra de
50 peças, qual o nível de inspeção e letra com um lote de 20.000 peças ?
73
74
75
76
77
7.2 Tabelas para o CEP

Tabela 1 – Valores para cálculo dos limites de controle da carta , R
Carta das médias ( ) Carta de amplitudes (R)

Observações Fatores para Divisores para Fatores para limites de
na amostra limites de estimativa do controle
controle desvio-padrão
n A A2 d2 D3 D4
2 2.121 1.880 1.128 ----- 3.267
3 1.732 1.023 1.693 ----- 2.574
4 1.500 0.729 2.059 ----- 2.282
5 1.342 0.577 2.326 ----- 2.114
6 1.225 0.483 2.534 ----- 2.004
7 1.134 0.419 2.704 0.076 1.924
8 1.061 0.373 2.847 0.136 1.864
9 1.000 0.337 2.970 0.184 1.816
10 0.949 0.308 3.078 0.223 1.777
11 0.905 0.285 3.173 0.256 1.744
12 0.866 0.266 3.258 0.283 1.717
13 0.832 0.249 3.336 0.307 1.693
14 0.802 0.235 3.407 0.328 1.672
15 0.775 0.223 3.472 0.347 1.653
16 0.750 0.212 3.532 0.363 1.637
17 0.728 0.203 3.588 0.378 1.622
18 0,707 0.194 3.640 0.391 1.608
19 0.688 0.187 3.689 0.403 1.597
20 0.671 0.180 3.735 0.415 1.585
21 0.655 0.173 3.778 0.425 1.575
22 0.640 0.167 3.819 0.434 1.566
23 0.626 0.162 3.858 0.443 1.557
24 0.612 0.157 3.895 0.451 1.548
25 0.600 0.135 3.931 0.459 1.541
LSC = + A2 .
LIC = - A2 .
LSC R = D4
LIC R = D3
78
Tabela 2 – Valores para cálculo dos limites de controle da carta , s
Carta das médias ( ) Carta dos desvios-padrão (s)
Observações Fatores para Divisores para Fatores para limites
na amostra limites de estimativa do de controle
n A3 C4 B3 B4
2 2.659 0.7979 ----- 3.267
3 1.954 0.8862 ----- 2.568
4 1.628 0.9213 ----- 2.266
5 1.427 0.9400 ----- 2.089
6 1.287 0.9515 0.030 1.970
7 1.182 0.9594 0.118 1.882
8 0.099 0.9650 0.185 1.815
9 1.032 0.9693 0.239 1.761
10 0.975 0.9727 0.284 1.746
11 0.927 0.9754 0.321 1.679
12 0.886 0.9776 0.354 1.646
13 0.850 0.9794 0.382 1.618
14 0.817 0.9810 0.406 1.594
15 0.789 0.9823 0.428 1.572
16 0.763 0.9835 0.448 1.552
17 0.739 0.9845 0.466 1.534
18 0.718 0.9854 0.482 1.518
19 0.698 0.9862 0.497 1.503
20 0.680 0.9869 0.510 1.490
21 0.663 0.9876 0.523 1.477
22 0.647 0.9882 0.534 1.466
23 0.633 0.9887 0.545 1.455
24 0.619 0.9892 0.555 1.445
25 0.606 0.9896 0.565 1.435
LSC , LIC = + A3 .
LSC S = B4
LIC S = B3
79
Tabela 3 – Valores para cálculo dos limites de controle da carta de individuais
Carta de individuais (x) Carta de amplitudes (R)
Observações Fatores para Divisores para Fatores para limites

na amostra limites de estimativa do de controle
n E2 d2 D3 D4
2 2.660 1.128 ------- 3.267
3 1.772 1.693 ------- 2.574
4 1.457 2.059 ------- 2.282
5 1.290 2.326 ------ 2.114
6 1.184 2.534 ------ 2.004
7 1.109 2.704 0.076 1.924
8 1.054 2.847 0.136 1.864
9 1.010 2.970 0.184 1.816
10 0.975 3.078 0.223 1.777
LSC X , LIC = ± E2
LSC R = D4
LIC R = D3
80
Tabela 4 – Valores das áreas da distribuição normal
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990
Para Z >= 3,1 considerar a probabilidade de .5000 ( 50 % )
81
8 - Simbologia utilizada
u = Média de defeitos por unidade.
c = Número de defeitos na amostra.
= Média da amostragem (estimativa de µ).
S( ) = Desvio padrão da média.
= Desvio padrão do processo (estimativa de µ).
S( ) = Desvio padrão da amplitude.
A2 = Fator tabelado em função de n.
3
A2 
d2  n
E2 = Fator tabelado em função de n.
= Média das medianas.
= Média dos desvios padrão das amostras.
A3,B3,B4 = Fatores tabelados em função de n.
n = Tamanho da amostra.
k = Quantidade (amostras ou classes).
= Média das observações numa amostra.
X = Média da amostragem.
= Mediana.
R = Amplitude.
s = Desvio padrão da amostra.
LIE = Limite inferior de especificação.
LSE = Limite superior de especificação.
= Média das amplitudes das amostras.
d2 = Fator de correção (depende de n).
 = Desvio padrão populacional.
x = Valor individual.
 = Média da população.
 2
= Variância populacional.
Z = Quantidade de desvio padrão entre X e .
h = Amplitude da classe.
N = Tamanho da amostragem.
p = Fração ou porcentagem defeituosa na amostra.
np = Número de defeituosos numa amostra.
n = Média de defeituosos numa amostra.
= Média de produtos defeituosos.
3

A = Constante tabelada n
LN = Limites naturais do processo.

LNS = Limite natural superior.
LNI = Limite natural inferior.
LC = Linha central.
LSC = Limite superior de controle.
LIC = Limite inferior de controle.
82
Cp = Capacidade potencial do processo.

Cpk = Capacidade real do processo.
LIC = Limite inferior de controle do gráfico das médias.
LSC = Limite superior de controle do gráfico das médias.
LICR = Limite inferior de controle do gráfico das amplitudes.
LSCR = Limite superior de controle do gráfico das amplitudes.
LE = Limite de especificação.
9 - Referências bibliográficas
BIBLIOGRAFIA BÁSICA
1. FEIGENBAUM, Armand V. - Controle Total da Qualidade - , Volumes I a IV, editora

Makron Books (McGraw-Hill) – 1994
2. ABNT – Planos Amostrais, norma NBR 5426
3. Apostilas diversas de Artur R. Mandl
BIBLIOGRAFIA COMPLEMENTAR
1. CALEGARE, Álvaro J. de Almeida - Técnicas de Garantia da Qualidade, ed. Livros técnico

e Científico editora – 1985
2. LOURENÇO FILHO, Ruy de C. B. Controle estatístico de qualidade.Rio de Janeiro:

Editora S.A, 1964.
3. PALMER, Colin F. Controle total de qualidade. São Paulo: Edgard
Blucher, 1974.
4. GRANT , E.L. Statistical quality control. São Paulo: 1980
5. JURAN, J. M. & Gryna, Frank M. Controle da Qualidade – Ciclos dos Produtos do
Projeto à Produção. VII edição. Makron Books. & McGraw Hill, 1991.
83

Apostila de Gestão Da Qualidade Parte - Ii: Curso Superior de Tecnologia Mecânica Modalidade Fabricação Mecânica

Enviado por

Dados do documento

Descrição original:

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

Apostila de Gestão Da Qualidade Parte - Ii: Curso Superior de Tecnologia Mecânica Modalidade Fabricação Mecânica

Enviado por

Direitos autorais:

Formatos disponíveis

FATEC – Sorocaba Fabricação Mecânica Apostila de Gestão da Qualidade – parte II revisão 3

Curso Superior de Tecnologia Mecânica

APOSTILA DE GESTÃO DA QUALIDADE

O acompanhamento das aulas e a pesquisa em Bibliografia sobre o assunto, tornam-se

Prof. Artur R. Mandl Julho – 2019 ver. 03

1- Introdução ao Controle da Qualidade

2- Noções Básicas de Estatística / Probabilidade

5 - Pré-controle ou gráfico do Farol -

7 – Tabelas para CEQ e CEP

1- Introdução ao Controle da Qualidade

1.1 Conceitos Básicos da Qualidade

Sistema de Controle da Qualidade

A - Antigo (após a inspeção final) – Detectado problemas/falhas depois da fabricação

1.1.2- O que é Qualidade ?

1.1.3- Inspeção e Controle Estatístico de Qualidade – é de fundamental importância à diferen -

As principais características do Controle Estatístico da Qualidade são:

1.2 - TAREFAS DO CONTROLE DA QUALIDADE

Dois fabricantes estão envolvidos:

Fabricante 1 (Indústria Petroquímica)

FASE EXIGÊNCIAS A VERIFICAR TIPO DE CONTROLE

Fabricante 2 (Injeção de Plástico)

FASE EXIGÊNCIAS A VERIFICAR TIPO DE CONTROLE

1.2.2 - ESPECIFICAÇÃO DE QUALIDADE

e.2- Especificação de Fabricação: A especificação de fabricação e seu acompanhamento pelo controle de

1.3- TÉCNICAS DE AVALIAÇÃO DE QUALIDADE

Atributos e Variáveis – Em virtude de ser impraticável e desnecessário avaliar todas as características de

1.3.2- Controle de Variáveis – É a avaliação de características de qualidade através de valores mensuráveis,

1.4- DEFEITOS E FALHAS

1.4.1- Classificação de Defeitos – Os defeitos podem ser classificados em:

Falhas em Componentes Elétricos

Falha No. de Classe Descrição

Após a organização da lista, atribuir pesos para as várias classes

Classes Peso Nº de Defeitos Deméritos

1.4.2- Sistema de Controle da Qualidade

A - Detectivo - Antigo (após a inspeção final) – Detectado problemas/falhas depois da fabricação

2- Noções básicas de Estatística

Portanto, controle estatístico de um certo processo é um método preventivo de se comparar os resultados do

Existem variações inerentes ao processo e variações cuja causa é acidental, determinável.

- Amostra Total de 150 peças, pegar n = 5 de cada vez

2.1. PROBABILIDADE- ESTATÍSTICA

Uma distribuição de probabilidades é uma distribuição de freqüência relativa para os resultados

(ou de GAUSS, ou de LAPLACE, ou ainda, dos ERROS DAS OBSERVAÇÕES)

Parâmetros da Distribuição Normal

μ → Média da População /Lote

Equação da Função de Probabilidade – A equação da função de probabilidade é dada pela

Do estudo de estatística concluímos que:

- a variável x pode assumir qualquer valor real no intervalo - ∞< x < +∞

- a integral da expressão representa a área compreendida entre -∞ e xo.

Os valores π = 3,1416 e e ( número neperiano) = 2,718 são constantes numéricas.

CARACTERISTICAS DA CURVA DE DISTRIBUIÇÃO NORMAL

b- O desvio Padrão σ, é a distância entre a média e o ponto de inflexão da curva.

d- Em virtude da simetria as áreas à direita e à esquerda do valor μ são iguais

DISTRIBUIÇÃO NORMAL PADRONIZADA

Considerando, a partir da equação auxiliar:

P (- Z0 < Z < Z0) = P (μ – 0,95 σ < Z < μ + 0,95 σ)

I z I = 0,3289 P = 0,6578 ou 65,78%.

TABELAS (TÁBUAS) DE ÁREAS DA CURVA NORMAL

A partir da equação auxiliar Z= X - μ podemos transformar valores de x em

Representação Gráfica (lembrar que a área total é tendendo a 100 %)

A figura abaixo mostra áreas representativas sob a curva de distribuição normal.

Distribuição normal padronizada

A tabela da curva normal