Livro-Texto - Unidade II

ENGENHARIA DA QUALIDADE
Unidade II
5 CONTROLE ESTATÍSTICO DE PROCESSOS (CEP)
O Controle Estatístico de Processos (CEP) é uma técnica estatística que pode ser utilizada para se
reduzir a variabilidade de processos, permitindo seu controle ao longo do tempo. As tendências para
variações são identificadas e eliminadas.
Conforme visto anteriormente, Walter A. Shewhart introduziu uma ferramenta estatística na Bell
Telephone Laboratories para auxiliar na análise dos resultados das inspeções realizadas. Essa ferramenta
foi o gráfico de controle (CARVALHO; PALADINI, 2012).
O CEP atua, então, como um método preventivo no qual são comparados os resultados
obtidos de um processo com padrões previamente estabelecidos de forma contínua, auxiliando
as organizações a buscarem a melhoria contínua tanto da qualidade quanto da produtividade
(MONTGOMERY, 2004).
O CEP tem como principal objetivo auxiliar no eficaz controle da qualidade. Essa técnica permite
aos operadores dos processos identificarem, em tempo real, desvios dos processos que podem
influenciar na qualidade final do produto. As correções podem ser feitas rapidamente corrigindo
os processos, aumentando a capacidade destes em atender às especificações. Tal aumento de
capacidade pode significar redução de custos por meio da diminuição de desperdícios, refugos,
retrabalhos, entre outros.
Os processos de transformação apresentam inúmeras causas que provocam variações nas suas
saídas. Há várias causas de variação, dentre outras, podemos citar: tipo de matéria-prima; ajuste
de máquina; condições ambientais; desgaste natural de equipamentos; e competência/habilidade
dos operadores.
Essas variabilidades, às quais todos os processos estão sujeitos, podem ter causas comuns
ou especiais.
5.1 Causas comuns
Entende-se por causas comuns aquelas que atuam de forma aleatória e são inerentes ao processo.
Esse tipo de variação é inevitável e ocorre mesmo que a operação seja executada de forma controlada.
Representam o padrão natural do processo e acontecem mesmo quando o processo está controlado.
A correção desse tipo de variação é feita atuando-se sobre o sistema como um todo e requer, para tanto,
ações de nível gerencial.
65
Unidade II
5.2 Causas especiais
Já as causas especiais são aquelas que não ocorrem por motivos facilmente identificáveis e que podem
ser eliminados, não seguindo um padrão aleatório. Existem fatores relevantes a serem investigados.
Podem ser evitadas e não devem ser negligenciadas. Neste caso, consideram-se essas causas como falhas
na operação. Tais causas são corrigidas por intervenções locais e específicas, e são de responsabilidade
do operador do processo em questão.
O quadro a seguir apresenta uma breve comparação entre as características das causas comuns e das
causas especiais de não conformidade nos processos.
Quadro 17 – Causas comuns versus causas especiais
Causas comuns Causas especiais

Inerentes ao processo. Ocorrem esporadicamente.
Sempre presentes. São esperadas.
Pequenas causas têm pouca influência individualmente. Poucas causas têm grande influência.
A correção exige mudanças significativas. A correção geralmente não exige grandes mudanças.
Envolvem decisões gerenciais e investimentos Envolvem decisões locais e com baixo investimento para
consideráveis para melhoria da qualidade. melhoria da qualidade.
Adaptado de: Leite ([s.d.]).
Outro fator importante a ser compreendido é a diferença entre medidas de variáveis contínuas e discretas.
Todo o processo de análise da capacidade de processos pode ser alterado dependendo do tipo da variável.
5.3 Variáveis discretas
As variáveis discretas são aquelas que têm um número contável (finito) de valores dentro de um intervalo.
Esse tipo de variável é sempre um número e não traz unidade de medida consigo. Dessa forma, sua mensuração
é imediata e não requer instrumentos de medição. O quadro a seguir apresenta exemplos de variáreis discretas.
Quadro 18 – Exemplos de variáveis discretas
Variável discreta
Número de erros de digitação.
Número de acertos em uma prova.
Unidades entregues por período.
Porcentagem de chamadas recebidas para um
determinado serviço.
Número de reclamações de clientes.
Índice de atendimento de pedidos.
66
5.4 Variáveis contínuas
As variáveis contínuas são variáveis que têm um número infinito de valores dentro de um
intervalo. Esse tipo de variável traz sempre uma unidade de medida consigo e, normalmente,
precisa de um instrumento de medição para que seja mensurada. O quadro a seguir apresenta
exemplos de variáveis contínuas.
Quadro 19 – Exemplos de variáveis contínuas
Variável contínua
Tempo de espera por chamada recebida.
Custo por unidade produzida.
Tempo para embarque em aeronave.
Quantidade de água em um reservatório.
Comprimento de barras de ferro.
Volume de combustível em um tanque.
Além de definir o tipo de variável, é muito importante saber relacionar o impacto que um determinado
tipo de variável tem na outra, mesmo tratando-se de variáveis do mesmo tipo ou de tipos diferentes.
Para tanto, pode-se utilizar o mapa de análise estatística para auxiliar na correta compreensão da
natureza das variáveis envolvidas e o quanto estão relacionadas. Considera-se que a variável Y é função
da variável X, obedecendo-se a relação:
Y = f(X)
Em que: Y = variável de saída (output)
X = Variável de entrada (input)
O quadro a seguir mostra exemplos de situações em que podem haver combinações de tipos iguais
ou diferentes de variáveis.
Quadro 20 – Mapa de análise estatística
Variável X (uma por vez)

Variável contínua Variável discreta
Variável Y (uma por vez)
Problema: A receita gerada está relacionada com o Problemas: A quantidade de descontos oferecidos
contínua
tempo gasto no contato do telemarketing com os

variável
influencia no volume de vendas?

clientes potenciais? Y = Volume de vendas (R$)
Y = Volume de vendas (R$) X = Quantidade de desconto (%)
X = Tempo das ligações do telemarketing (minutos)
Problema: A aprovação de abertura de uma nova loja Problema: Operadores mais graduados produzem
Variável
discreta
depende do valor de faturamento previsto? menos peças com menos variedade de defeitos?
Y = Situação da aprovação (A/R) Y = Variedade de defeitos (tipo de defeito)
X = Valor do faturamento previsto (R$) X = Graduação do cargo (nível 1, nível 2 ou nível 3).
67
Unidade II
Para utilizar o controle estatístico de processos (CEP), podem ser seguidas as seguintes etapas:
I – Coletar os dados do processo.
II – Calcular os parâmetros estatísticos e desenhar o gráfico de controle.
III – Determinar os limites de controle (inferior e superior).
IV – Determinar a média das amostras no gráfico.
V – Incorporar melhorias no processo de forma a eliminar problemas encontrados.
VI – Documentar e repetir todo o processo.
O ponto fundamental para a utilização eficiente do CEP é saber interpretar os gráficos de

controle. Após desenhar o gráfico de controle, com sua média e limites de controle, é possível realizar
a avaliação do resultado para tentar determinar, dentre outras coisas, as seguintes situações mais
comuns descritas a seguir.
Pontos fora dos limites de controle
Quando o processo está com deficiências, é possível observar pontos que estão além dos limites de
controle, seja inferior ou superior, conforme mostra a figura a seguir.
LSE
LIE
Figura 31 – Pontos fora dos limites
68
Sequência
Um comprimento de sequência de sete pontos pode ser considerado anormal, conforme demonstra
a figura a seguir. Pelo menos dez de onze pontos ou dezesseis de vinte pontos consecutivos, incidindo
num mesmo lado da linha central, podem indicar a ocorrência de uma ”sequência” e a consequente
perda do controle desse processo.
LSE
LIE
Figura 32 – Sequência de pontos
Tendência
Quando os pontos em um gráfico de controle formam uma linha contínua ascendente ou

descendente, pode-se considerar que existe uma tendência deste processo sair do controle, conforme
apresenta a figura na sequência.
LSE
LIE
Figura 33 – Linha contínua formando uma tendência
69
Unidade II
6 AVALIAÇÃO DA CAPACIDADE DE PROCESSOS
A capacidade de um processo, ou capabilidade, representa indicadores que medem a habilidade de

um processo estar em conformidade com os requisitos do cliente. Para se entender o quanto o processo
está adequado, deve-se comparar a variação total do processo com os limites de especificação, inferior
e superior, estabelecidos pelo cliente.
Lembrete
A capacidade de um processo é a medida do quanto este processo é

capaz de entregar o que o cliente deseja.
Para que se possa melhorar a capacidade de um processo, torna-se necessário reduzir os defeitos
apresentados por ele. Aqui, defeitos são definidos como o não atendimento aos requisitos ou
especificações do processo.
Esses defeitos são medidos em termos de milhões de oportunidades, as quais representam as etapas
do processo ou cada atividade em que pode surgir um defeito.
Saiba mais
Para conhecer mais sobre o controle estatístico de processos (CEP),

recomenda-se a leitura da obra:
MONTGOMERY, D. C. Introdução ao controle estatístico da qualidade. 4.

ed. Rio de Janeiro: LTC, 2004.
6.1 O nível sigma (σ)
O sigma (σ) descreve, em estatística, a medida de dispersão (desvio padrão) de uma série de pontos
em relação à sua média. Ele representa uma forma de avaliar o desempenho de um processo ou produto.
Aprimorar o nível σ em uma organização significa buscar continuamente a melhoria dos produtos e
processos, por meio da aplicação de ferramentas específicas e voltadas para a redução da variabilidade
desses processos.
O seis sigma (6σ) se trata de uma iniciativa para se alcançar e sustentar a excelência nos processos
por meio da redução de defeitos e da variabilidade desses processos. É, portanto, uma iniciativa voltada
para a compreensão da necessidade do cliente, a qual será traduzida pelas especificações do processo.
Utiliza-se a análise estatística para avaliar continuamente o desempenho do processo e busca-se sua
melhoria contínua.
70
Um processo deslocado, com uma distribuição do tipo normal, pode apresentar os níveis de
conformidade, conforme indicados na figura a seguir.
-6σ -5σ -4σ -3σ -2σ -1σ µ 1σ 2σ 3σ 4σ 5σ 6σ

30,23%
69,12%
93,32%
99,379%
99,9767%
99,99966%
Figura 34 – Níveis de conformidade do processo de acordo com o nível σ
Percebe-se que um processo 6σ está 99,99966% conforme, ou seja, deve apresentar uma quantidade
de defeitos extremamente baixa.
Considerando-se a proporção e defeitos para cada nível σ, em partes por milhão (ppm), obtém-se o
gráfico da figura na sequência.
-6σ -5σ -4σ -3σ -2σ -1σ µ 1σ 2σ 3σ 4σ 5σ 6σ

691.462 ppm
308.770 ppm
68.810 ppm
6.210 ppm
233 ppm
3,4 ppm
Figura 35 – Partes defeituosas por milhão
71
Unidade II
Observando-se as figuras anteriores, pode-se concluir que quanto maior a capacidade σ, melhor os
resultados obtidos no processo. Aumentando o número σ do processo, reduz-se o número de defeitos
até o processo operar, teoricamente, livre de defeitos.
O quadro a seguir apresenta uma comparação da evolução do nível de conformidade ao se passar

de 4σ para 6σ
Quadro 21 – Comparação entre conformidade a 4σ e 6σ
4σ (99,38% de conformidade) 6σ (99,99966% de conformidade)

Sete horas de falta de energia elétrica Uma hora de falta de energia elétrica
por mês a cada 34 anos
5.000 operações cirúrgicas incorretas 1,7 operação cirúrgica incorreta
por semana por semana
3.000 cartas extraviadas para cada Uma carta extraviada para cada
300.000 cartas postadas 300.000 cartas postadas
Quinze minutos de fornecimento de Um minuto de fornecimento de água
água não potável por dia não potável a cada sete meses
Um canal de TV 1,68 horas fora do ar Um canal de TV 1,8 segundos fora do
por semana ar por semana
Uma aterrisagem de emergência em
Uma aterrisagem de emergência no todos os aeroportos do Brasil a cada
aeroporto de Guarulhos por dia cinco anos
Adaptado de: Werkema (2004).
Lembrete
Quanto menor o índice de defeitos, maior será o nível sigma.
6.2 Desempenho dos processos
O estudo do desempenho dos processos tem por objetivo constatar se esse processo é estatisticamente
capaz de atender às especificações, assim como avaliar sua estabilidade em se manter capaz. Ele pode
ser avaliado por meio de índices específicos tanto para dados discretos quanto contínuos. Torna-se
fundamental avaliar o tipo de dado que está sendo mensurado. A figura a seguir apresenta a sequência
para medida de desempenho para dados discretos e contínuos.
Calcular a Identificar o Converter para

quantidade de tipo de dado o nível sigma
defeitos
Figura 36 – Medida do desempenho para dados discretos e contínuos
72
Observação
Antes de calcular o nível sigma de um processo devemos identificar

corretamente se a variável medida é contínua ou discreta, visto que, para
cada uma delas existe uma forma de reportar o nível sigma.
6.2.1 Capacidade e nível sigma para variáveis discretas
O controle estatístico dos processos pode ser feito utilizando-se os gráficos de controle de processos,
os quais já foram apresentados anteriormente e pode ser visto na figura a seguir.
Limite superior
300 de especificação
Medidas
200 Média
100 Limite inferior

de especificação
0 10 20 30
Amostras
Figura 37 – Gráfico de controle
Esses gráficos são muito úteis ao fornecerem informações sobre a estabilidade e variabilidade do
processo, mostrando sua tendência central e variação.
Já o nível sigma mede a capacidade do processo em atender às especificações definidas para ele.
Essa capacidade pode ser avaliada por meio do seu “rendimento”.
Indicador FTT
Uma das formas de se calcular o rendimento é utilizando-se o indicador first time through (FTT), cuja
tradução livre é processamento certo de primeira vez.
Esse indicador mede o percentual de unidades produzidas que atravessam o processo de

transformação sem o surgimento de defeitos (retrabalho, refugo, reteste etc.). Ele também pode ser
aplicado em medições de qualidade para prestação de serviços.
O FTT auxilia na compreensão da qualidade do processo visando à redução dos defeitos gerados e
diminuição dos custos.
73
Unidade II
Pode ser calculado por meio da seguinte equação:
total de unidades de entrada − total de defeitos

FTT =
total de unidades de entrada
O total de defeitos, por sua vez, pode ser expresso da seguinte forma:
Total de defeitos = unidades sucateadas + unidades retrabalhadas + unidades retestadas + unidades

reparadas fora da linha + unidades retornadas à etapa anterior
A figura a seguir mostra o diagrama para cálculo do indicador FTT.
Unidades de Unidades Unidades de

entrada defeituosas saída “boas”
Figura 38 – Diagrama do indicador FTT
Exemplo de aplicação
Em um processo industrial, são fabricadas 1.000 peças por dia. Após o final de um dia de trabalho
verificaram-se que 150 peças foram refugadas (sucateadas). Não foram registrados outros tipos de
defeitos neste dia.
Assim, o FTT deste processo será:
1000 − (150 )
=FTT = 0,85 ou85%
1000
Indicador RTY
O indicador rolled throughput yield (RTY), ou rendimento final do processo (em tradução livre), indica
o nível de qualidade de todo o processo e pode revelar as não conformidades, ou defeitos, ao longo do
processo, ou seja, em cada uma das etapas que o compõe. Esses defeitos que não são identificados por
outros métodos, tal como o FTT, são chamados de fábrica escondida (hidden factory). Considerando-se
as diversas etapas que compõem um processo, em cada etapa deve-se realizar a inspeção dos itens em
produção de forma a identificarem-se todas as não conformidades. Essas não conformidades devem ser,
então, reparadas. A figura a seguir apresenta o diagrama do indicador RTY. Nela, são apresentados os
defeitos identificados em cada etapa.
74
Entrada Etapa 1 Etapa 2 Saída

• 1.000 unidades • 80 refugos • 70 refugos • 850 unidades
entram no “boas“ saem do
processo • 100 retrabalhos • 200 retrabalhos processo
Figura 39 – Diagrama do indicador RTY
Utilizando-se os dados do exemplo anterior, têm-se 1.000 peças que entraram no processo e 850
peças que saíram “boas” ao final do processo. Deve-se reparar que a diferença entre as peças que entraram
das que saíram é de 150 unidades e referem-se àquelas que foram refugadas, ou seja, eliminadas do
processo (80 na etapa 1 e 70 na etapa 2). Assim, as peças retrabalhadas em ambas as etapas (100 na etapa
1 e 200 na etapa 2) continuam no processo, apesar de serem consideradas “defeitos” deste processo.
O rendimento agora pode ser calculado pela seguinte expressão:
unidades refugadas + unidades retrabalhadas

RTY = 1 −
unidades de entrada
Considerando os dados do problema, tem-se:
150 + (100 + 200)

RTY =
1− =
0,55 ou 55%
1000
Pode-se perceber a grande diferença entre o rendimento encontrado pelos indicadores FTT e RTY.
O primeiro encontrou rendimento de 85%, já o segundo apresentou rendimento de 55%. A diferença
está na fábrica escondida (hidden factory), em que as peças retrabalhadas (300 no total) não entram na
conta do FTT. Essas peças não são descartadas, mas requerem trabalho não previsto para o devido reparo.
O RTY identifica essas ocorrências em cada etapa e as incluem em sua equação.
O indicador RTY também pode ser calculado utilizando-se a quantidade de Defeitos Por Milhão de
Oportunidades (DPMO). É importante, neste caso, lembrar que uma oportunidade pode ser qualquer
item medido ou inspecionado, desde componentes, produtos e até mesmo serviços.
A equação para calcular o RTY com base em DPMO é:
 DPMO1   DPMO2   DPMOn 

RTY = 1 −  × 1 −  ×…× 1 − 
 1.000.000   1.000.000   1.000.000 
Considerando a mesma situação anterior:
• Etapa 1:
— Peças entraram na etapa 1 = 1.000

75
Unidade II
– Total de oportunidades = 1.000
— Refugos = 80
— Retrabalhos = 100
– Total de defeitos = 180
— Proporção de defeitos por oportunidades = 180 / 1000 = 0,180
— DPMO1 = 0,180 X 1.000.000 = 180.000
• Etapa 2:
— Peças entraram na etapa 2 = 820
– Total de oportunidades = 820
— Refugos = 70
— Retrabalhos = 200
– Total de defeitos = 270
— Proporção de defeitos por oportunidades = 270 / 820 = 0,329
— DPMO2 = 0,329 X 1.000.000 = 329.000
O RTY ficaria da seguinte forma:
 180.000   329.000 
RTY = 1 −  × 1 − 
 1.000.000   1.000.000 
RTY = (1 − 0,18 ) × (1 − 0,329 )
RTY = 0,820 × 0,671 = 0,55 ou55%
6.2.2 Tabela de conversão sigma
Com base no rendimento do processo ou na quantidade de defeitos por milhão de oportunidades

(DPMO), é possível determinar o nível sigma (σ) do processo. A tabela a seguir mostra como encontrar
o nível sigma a partir do rendimento e do DPMO.
76
Tabela 4 – Tabela de conversão para o nível sigma (σ)
Rendimento (%) DPMO SIGMA

0 1.000.000 0
3,25 967.515 0,25
13,60 864.095 0,50
21,44 785.597 0,75
30,90 691.462 1,0
39,83 601.686 1,25
49,86 501.350 1,50
59,81 401.871 1,75
69,12 308.538 2,00
77,32 226.716 2,25
84,13 158.687 2,50
89,43 105.660 2,75
93,31 66.807 3,00
95,99 40.060 3,25
97,72 22.750 3,50
98,77 12.224 3,75
99,38 6.210 4,00
99,70 2.980 4,25
99,86 1.350 4,50
99,94 577 4,75
99,97 233 5,00
99,99 88 5,25
99,99 32 5,50
99,99 11 5,75
100,00 3,4 6,00
Observação
É importante comparar o nível sigma encontrado com outros padrões

de mercado (benchmark) para se avaliar a consistência dos resultados
encontrados para o processo avaliado.
6.3 Capacidade e nível sigma para variáveis contínuas
Para avaliarmos a capacidade de processos quando se utilizam variáveis contínuas, é necessário

compreender o significado de alguns índices utilizados para tal tarefa. São eles Cp, Pp, Cpk e Ppk.
77
Unidade II
Os índices Cp, Pp mostram a capacidade e o desempenho possíveis de serem atingidos futuramente.

Já Cpk e Ppk mostram a capacidade e desempenho que o processo está atingindo atualmente.
O índice Cp pode ser definido a partir da seguinte expressão:
LSE − LIE
CP =
6σST
Em que:
• LSE: limite superior de especificação.

• LIE: limite inferior de especificação.
σST: desvio padrão da variabilidade do processo (variação de curto prazo).
O índice Pp pode ser definido a partir da seguinte expressão:
LSE − LIE
PP =
6σLT
Em que:

• σLT: desvio padrão da variabilidade do processo (variação de longo prazo).
Observação
Quando Cp > 1, o processo é considerado capaz e quando Cp < 1, o
processo não é considerado capaz.
De acordo com Silva (2008), os índices Cp e Pp consideram que a média está centrada. Quando isso
não ocorre, é preciso fazer uso dos índices Cpk e Ppk. Assim, o índice Ppk não faz qualquer suposição a
respeito da média e das fontes de variação, sendo, então, o melhor índice para avaliar o desempenho
atual do processo.
Enquanto a métrica Cpk reflete a capacidade atual de um processo e atende aos limites de
especificação (considerando o seu posicionamento), com base na variação de curto prazo para um
subgrupo específico, a métrica Ppk reflete a mesma capacidade com base na variação de longo prazo
para subgrupos. Os índices Cpk e Ppk podem ser definidos como:
78
C = LSE −
LSE −µ µ; µµ−− LIE
LIE ;
Cpkpk = 33σ ; 33σ ;
σST
ST σ ST
ST
ee
PPpk = LSE −
LSE −µµ; µµ−− LIE
LIE ;
pk = 33σ ; 3 σ ;
σLT 3σLT
LT LT
Em que:

• µ: média do processo.
• σ: desvio padrão da variabilidade do processo.
A diferença entre os índices citados é que Cp e Cpk consideram que existem somente causas comuns de
variação no processo, enquanto Pp e Ppk consideram também a presença de causas especiais, além das comuns.
O quadro a seguir mostra como os processos podem ser caracterizados a partir da avaliação do índice Cpk.
Quadro 22 – Influência do Cpk no processo
Cpk Caracterização do processo
Totalmente capaz. Altamente

≥ 2,0 confiável, os operadores exercem
pleno controle sobre o processo.
Relativamente capaz. Confiável, os

1,33 a 1,99 operadores exercem um elevado grau
de controle sobre o processo.
Relativamente incapaz. Pouco

confiável, requer controle contínuo
1,00 a 1,32 das operações para evitar constantes
descontroles, falhas ou não
conformidades.
Totalmente incapaz. O processo não

<1 tem condições de se manter dentro
das especificações.
6.4 Análise dos índices Cp e Cpk
Os índices Cp e Cpk indicam, respectivamente, a capacidade potencial e atual de um processo atender

às especificações. A figura a seguir mostra a distribuição normal que representa um processo que
está centrado, mas cujas extremidades avançam sobre os limites de especificação. Neste caso, tanto a
capacidade potencial (Cp) quanto a capacidade atual ou efetiva (Cpk) deste processo são baixas. Assim,
ambos os valores destes índices são menores que o valor unitário.
79
Unidade II
LIE LSE
Baixa capabilidade, mas centrado
• Cp < 1
• Cpk < 1
Figura 40 – Processo centrado, mas pouco capaz
A figura na sequência mostra a distribuição normal que representa um processo que não está
centrado e ainda cuja extremidade avança sobre o limite de especificação superior. Neste caso, tanto
a capacidade potencial (Cp) quanto a capacidade atual ou efetiva (Cpk) deste processo são baixas, pois
mesmo que seja feita uma intervenção para centralizar o processo, ainda os limites de especificação
serão extrapolados. Assim, ambos os valores destes índices são menores que o valor unitário.
LIE LSE
Baixa capabilidade, não centrado
• Cp < 1
• Cpk < 1
Figura 41 – Processo não centrado e pouco capaz
A figura a seguir mostra a distribuição normal que representa um processo que está centrado e
cujas extremidades não avançam sobre os limites de especificação superior e inferior. Neste caso,
tanto a capacidade potencial (Cp) quanto a capacidade atual ou efetiva (Cpk) deste processo são altas,
pois apresentam folga para caso surjam variações. Assim, ambos os valores destes índices são maiores
que o valor unitário.
A figura a seguir mostra a distribuição normal que representa um processo que está centrado e
cujas extremidades não avançam sobre os limites de especificação superior e inferior. Neste caso, tanto
a capacidade potencial (Cp) quanto a capacidade atual ou efetiva (Cpk) deste processo são altas, pois ele
apresenta folga para caso surjam variações, ou seja, os limites de especificação não serão ultrapassados.
Assim, ambos os valores destes índices são maiores que o valor unitário.
80
LIE LSE
Boa capabilidade, centrado
• Cp > 1
• Cpk > 1
Figura 42 – Processo centrado e capaz
A figura na sequência mostra a distribuição normal que representa um processo que

não está centrado e ainda cuja extremidade avança sobre o limite de especificação inferior.
Contudo, se houver uma intervenção para centralizar o processo, este ficará dentro dos limites
de especificação. Neste caso, a capacidade potencial (Cp) é maior que o valor unitário, mas a
capacidade atual ou efetiva (Cpk) deste processo tem valor menor que zero, pois ele extrapolou o
limite inferior de especificação.
LIE LSE
Boa capabilidade, não centrado
• Cp > 1
• Cpk < 0
Figura 43 – Processo não centrado, mas capaz.
Lembrete
Cpk < 1: Processo não capaz.
Cpk ≥ 1: Processo capaz.
Cpk < Cp: Processo descentrado.
Cpk = Cp: Processo centrado.
O valor de Cpk auxilia na decisão sobre em que concentrar os esforços da engenharia da qualidade.
É importante estar atento a processos com menor Cpk, pois estes devem ser priorizados nas ações
de melhoria.
81
Unidade II
No caso de um processo com Cpk < 1 e Cp > 1, basta centralizar o processo que para que ele se
torne capaz.
Observação
Centralizar processos geralmente envolve pouco investimento. Assim,

torná-lo capaz pode ser uma tarefa fácil!
Dessa forma processos com Cpk < 1 e Cp > 1 devem ser priorizados nas ações de melhoria.
Em um processo centrado, deve-se encontrar apenas causas comuns de variação ao longo do

tempo, o que torna o processo previsível quanto à sua variabilidade, conforme mostra a figura
a seguir.
-60 -50 -40 -30 -20 -10 µ 10 20 30 40 50 60
Figura 44 – Processo sob influência de causas comuns de variabilidade
Por outro lado, quando o processo está deslocado de sua média, encontram-se causas especiais de
variação ao longo do tempo, as quais tornam este processo imprevisível quanto a sua variabilidade,
conforme representa a figura a seguir.
82
-60 -50 -40 -30 -20 -10 µ 10 20 30 40 50 60
Figura 45 – Processo sob influência de causas especiais
7 CARTA DE CONTROLE
7.1 Carta de controle por variáveis
As cartas para variáveis, mais especificamente, as cartas para x (média) e R (amplitude) representam
a aplicação clássica de controle de processo. Aplicam-se quando se necessitar verificar quanto de
variabilidade do processo é devido à variação aleatória e quanto é devido às causas comuns/ações
individuais, a fim de se determinar se o processo está sob controle estatístico. Tem como vantagens:
• As medições fornecem mais informações e, portanto, exigem uma amostra menor. Assim, o custo
total de amostragem pode ser menor.
• O lapso de tempo entre a produção das peças e a ação corretiva pode ser encurtado.
O controle estatístico de variáveis é realizado monitorando-se duas cartas de controle simultaneamente.
As variáveis podem seguir vários tipos de distribuições de probabilidade. As distribuições de

probabilidade são definidas por um parâmetro de localização e outro de variabilidade. A tabela a seguir
mostra um exemplo da localização e variabilidade de amostras distintas.
83
Unidade II
Tabela 5 – Distribuição de localização e variabilidade de amostras distintas
Amostras Dados Localização (x) Variabilidade (R)

1 10, 12, 14, 16, 18 X = 14 R=8
2 22, 24, 26, 28, 30 X = 26 R=8
3 6, 10 14, 18, 22 X = 14 R = 16
Uma variável pode sofrer alteração tanto na sua média quanto na sua variabilidade. A figura a seguir
apresenta graficamente a localização e variabilidade das amostras:
a) da amostra 1 para 2 muda a tendência central, mas a variabilidade é constante;
b) da amostra 1 para 3 muda a variabilidade, mas a tendência central é constante;
c) da amostra 2 para 3 muda a tendência central e a variabilidade.

Y
1
2
Figura 46 – Localização e variabilidade de variáveis distintas
7.1.1 Cálculo dos limites de controle
Uma vez calculados x e R, calculam-se os limites de controle das médias considerando-se a extensão
de seis desvios-padrões das médias (três para cada lado), que segundo a distribuição normal compreende
99,73% dos valores de médias amostrais.
LC = X ± 3σ x
Em que a variabilidade das médias é estimada a partir da variabilidade dos valores individuais
α
usando α x = . Substituindo na equação anterior, resulta:
n
3σ
LC= X ±
n
84
Em que a variabilidade dos valores individuais é estimada a partir da média das amplitudes dos
R
subgrupos usando α = e d2 é uma constante que depende do tamanho da amostra, cujos valores
d2
encontram-se na tabela a seguir.
Tabela 6 – Valores constantes D4, D3, d2 e A2
n 2 3 4 5 6 7 8 9 10 15 20
D4 3,27 2,57 2,28 2,11 2,00 1,92 1,86 1,82 1,78 1,65 1,59
D3 0 0 0 0 0 0,08 0,14 0,18 0,22 0,35 0,42
d2 1,13 1,69 2,06 2,33 2,53 2,70 2,85 2,97 3,08 3,47 3,74
A2 1,88 1,02 0,73 0,58 0,48 0,42 0,37 0,34 0,31 0,22 0,18
R
Substituindo-se a expressão, α = , na equação anterior, obtém-se o seguinte resultado:
d2
3× R
LC= X ±
nd2
3
Substituindo-se agora A2 = na equação anterior, encontram-se os limites de controle para
as médias: nd2
LSC X =X + A2 × R
e
LIC X =X − A2 × R
Em que A2 é uma constante que depende do tamanho da amostra, cujos valores são apresentados
na tabela anterior.
Os limites de controle para as amplitudes são calculados da seguinte forma:
LC = R ± 3σR
Em que σR é o desvio padrão, dado por:
R
σR = d3σ = d3
d2
85
Unidade II
Substituindo-se a última equação na anterior, encontram-se as seguintes relações:
R
LCS= R + 3d3
d2
e
R
LCS= R − 3d3
d2
d3
Substituindo D4 = 1 + 3 e D = 1 − 3 d3 nas equações anteriores, encontram-se os limites de
3
d2 d2
controle para as amplitudes:
LSC R= D4 × R
e
LIC R= D3 × R
Em que D3 e D4 representam fatores de correção apresentados na tabela anterior.
Como exemplo, seja a carta de controle mostrada na próxima figura. Primeiro, calculam-se a média
x e a amplitude R para cada amostra. Em seguida, encontra-se a média das médias ( x ) e a média das
amplitudes (R) conforme as equações a seguir:
x1 + x2 + …+ xk
x=
k
e
R1 + R2 + …+ Rk
R=
k
Em que k é o número de subgrupos das amostras analisadas.
86
Figura 47 – Carta de controle
Analisando-se somente as médias e amplitudes encontradas para as amostras em cada período (dia),
obtemos as tabelas a seguir:
Tabela 7 – Média e amplitude das amostras do dia 05/jul.
Data 05/jul.
Hora 8 10 12 14 16
Operador J J J C C
M1 65 75 80 65 80
M2 70 70 70 65 60
M3 75 80 70 65 80
M4 60 90 80 80 80
M5 80 70 80 65 75
Soma 350 385 380 340 375 Média
Média 70 77 76 68 75 73,2
Amplitude 20 20 10 15 20 17
Data 06/jul.
Hora 8 10 12 14 16
Operador J J J C C
M1 75 80 70 85 65
M2 70 75 65 85 65
87
Unidade II
M3 60 65 75 75 65
M4 85 75 65 65 80
M5 75 70 85 80 60
Soma 365 365 360 390 335 Média
Média 73 73 72 78 67 72,6
Amplitude 25 15 20 20 20 20
Data 07/jul.
Hora 8 10 12 14 16
Operador J J J C C
M1 75 85 70 70 75
M2 60 65 75 65 80
M3 75 75 75 85 85
M4 85 75 70 60 80
M5 90 80 70 75 90
Soma 385 380 360 355 410 Média
Média 77 76 72 71 82 75,6
Amplitude 30 20 5 25 15 19
Tabela 10 – Médias gerais da média e da amplitude entre os dias 05 e 07/jul.
Média geral
Média 73,8
Amplitude 18,7
Uma vez calculados x e R, calculam-se os limites de controle das médias. Esses limites de controle
podem ser encontrados a partir das seguintes equações:
LCS X =X + A2 × R
e
LCIX =X − A2 × R
Em que LCS é o limite superior de controle, LCI é o limite inferior de controle e A2 representa um
fator de correção.
Assim, considerando-se o valor de n = 5 (cinco amostras por dia) e utilizando-se a tabela 6 para
determinar o valor de A2, obtêm-se os limites das médias:
88
LCS X = X + A2 × R = 73,8 + 0,58 × 18,7 = 84,57

e
LCIX = X − A2 × R = 73,8 − 0,58 × 18,7 = 63,03
Também se considerando o valor de n = 5 (cinco amostras por dia) e utilizando-se a tabela 6 para
determinar o valor de D4 e D3, obtêm-se os limites das amplitudes:
LCS X =X + A2 × R
e
LCIX =X − A2 × R
Os limites de controle das amplitudes podem ser encontrados a partir das seguintes equações:
LSC R = D4 × R = 2,11× 18,7 = 39,7

e
LIC R = D3 × R = 0,00 × 18,7 = 0,00
Com base nos limites de controle, superior e inferior, é possível criar o gráfico de controle para
ambas as grandezas.
7.2 Cartas de controle por atributo
Quando as medidas por variáveis se mostram demasiadamente caras ou demoradas, é recomendável

utilizar atributos como forma de avaliar os desvios (variância) de um processo.
Atributos podem ser:
• Quantidades discretas: número de defeituosos (defeitos encontrados em um mesmo item ou

peça), número de reclamações etc.
• Nominais: tipo de defeito, nome (máquina 1, máquina 2) etc.
• Ordinais: nível de satisfação do cliente (ruim, regular, bom), grau de estudo (1º grau, 2º grau) etc.
Observação
A diferença entre os atributos nominais e ordinais é que o primeiro não

pode ser ordenado conforme critérios, já o segundo permite a ordenação
conforme critérios (exemplo: hierarquia).
89
Unidade II
As cartas de controle por atributos têm, além da função de estabelecer parâmetros de conformidade,
as seguintes funções:
• definir normas ou padrões de referência;

• desenvolver meios auxiliares visuais apropriados à tarefa;
• preparar (treinar) os inspetores da qualidade na interpretação e tomada de decisão;
• comprovar que os inspetores da qualidade têm as aptidões necessárias ao tipo de tarefa sob
suas responsabilidades;
• assegurar que o posto de trabalho tem as condições necessárias para desempenhar adequadamente
a tarefa;
• acompanhar o trabalho dos inspetores da qualidade ao longo do tempo para garantir que os
critérios são seguidos;
• estabelecer uma organização que incite os inspetores da qualidade a cumprir as normas de
qualidade definidas.
7.2.1 Carta P (proporção de itens defeituosos ou não conformes)
É utilizada para controlar a fração ou proporção de defeituosos de um processo. Esta carta expressa,
graficamente, a proporção de defeituosos ou não defeituosos.
Para se gerar um gráfico, primeiramente encontra-se a proporção de defeituosos por meio do

tamanho da amostra, conforme a seguinte equação:
D
P=
n
Em que:
• D: quantidade de defeituosos.
• n: tamanho da amostra.
A variância de P é encontrada da seguinte forma:
P (1 − P )
σP2 =
n
O valor da fração defeituosa média (P) é dado por:
nº total de defeituosos em todas as amostras

P=
nº total de unidades em todas as amostras
90
Os limites de especificação (ou controle) superior e inferior são calculados da seguinte maneira:
P (1 − P )
LSEP= P + 3
n
e
P (1 − P )
LIEP= P − 3
n
Em que:
Como exemplo, considerar uma indústria de peças automotivas que analisou a quantidade de
defeituosos em sua linha de produção por meio de um gráfico de controle tipo P. Foram coletadas
20 amostras com 100 unidades (n) em cada. A tabela a seguir mostra a quantidade de defeituosos
encontrados em cada amostra.
Tabela 11 – Número de defeituosos por amostra
Amostra Defeituosos
1 22
2 21
3 18
4 33
5 17
6 18
7 23
8 28
9 26
10 25
11 22
12 30
91
Unidade II
13 10
14 40
15 20
16 17
17 28
18 22
19 15
20 15
Observando-se a tabela anterior, pode-se chegar à conclusão de que a soma do número

de defeituosos é igual a 450 unidades. Vale lembrar que cada uma das 20 amostras é composta de
n = 100 unidades.
Agora, calculando-se P obtêm-se:

P=
450
=P = 0,225 ou 22,5%
20 × 100
Após encontrar P, podem-se calcular os limites de especificação ou controle da seguinte forma:
P (1 − P )
LSEP= P + 3
n
0,225 × (1 − 0,225 )
LSEP =
0,225 + 3 =
0,350
100
e
P (1 − P )
LIEP= P − 3
n
0,225 × (1 − 0,225 )
LIEP =
0,225 − 3 =
0,997
100
92
A figura a seguir mostra a carta de controle resultante do exemplo anterior.

0,35 LSE
0,30
0,25
µ
Distribuição (%)
0,20
0,15
0,10 LIE
0,05
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Lotes
Figura 48 – Carta de controle tipo P
7.2.2 Carta NP (número de defeito ou não conformidades)
A carta NP é utilizada para controlar o número de defeitos de um processo. Nesse tipo de carta, o
tamanho da amostra deve ser fixo.
O valor de NP é encontrado da seguinte forma:

NP =
nº total de amostras
Os limites de especificação (ou controle) superior e inferior são calculados da seguinte forma:
NP + 3 NP (1 − P )
LSENP =
e
NP − 3 NP (1 − P )
LIENP =
Em que:
93
Unidade II
Lembrete
Se p representa a fracção de defeituosos e n o tamanho da amostra, NP

representa o número de defeitos!
Suponha, como exemplo, que uma fábrica de bicicletas produza 200 unidades por dia. Em um
determinado mês, foram contabilizados 22 dias úteis e foi medido o número de defeituosos nas bicicletas
produzidas, conforme apresenta a tabela a seguir.
Tabela 12 – Defeituosos por dia de trabalho
Dia trabalhado Número de defeituosos

1 8
2 11
3 12
4 7
5 12
6 10
7 11
8 12
9 11
10 12
11 13
12 13
13 14
14 11
15 12
16 8
17 14
18 13
19 12
20 14
21 9
22 11
Calculando-se P obtém-se:

P=
250
=P = 0,0568
22 × 200
94
O valor de NP será:

NP =
nº total de amostras
250
=
NP = 11,36
22
Os limites de especificação (ou controle) superior e inferior serão
NP + 3 NP (1 − P )
LSENP =
11,36 + 3 11,36 (1 − 0,0568 ) =

LSENP = 21,18
e
NP − 3 NP (1 − P )
LIENP =
11,36 − 3 11,36 (1 − 0,0568 ) =

LSENP = 1,54
A figura a seguir mostra a carta de controle tipo NP do exemplo.

0,22
LSE
0,20
0,18
0,16
0,14
Distribuição (%)
0,12
µ
0,10
0,08
0,06
0,04
0,02
LIE
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Amostras
Figura 49 – Carta de controle tipo NP
95
Unidade II
7.2.3 Carta C (número de defeitos ou não conformidade em uma amostra de tamanho

constante)
É utilizada para controlar o número de vários tipos de defeitos de um processo tomando-se uma
unidade de inspeção, com amostra de tamanho constante (mesma dimensão), podendo ser n=1.
O valor central de ajustamento para a carta C é dado por:
nº total de defeitos em todas as amostras

c=
nº de amostras
LSEc= c + 3 c
e
LIEc= c − 3 c
Em que:
• N: número de amostras.
Como exemplo, considere que um fabricante de máquinas agrícolas deseja utilizar uma carta de
controle do tipo C para monitorar seu processo de produção. A cada dia, duas máquinas são selecionadas
aleatoriamente como amostras para fins de inspeção. O processo de amostragem foi realizado durante
30 dias consecutivos, conforme mostra a tabela a seguir.
Tabela 13 – Amostragem diária de defeituosos
Amostragem diária Número de defeituosos

1 5
2 12
3 1
4 2
5 2
6 2
7 10
8 5
96
9 4
10 1
11 5
12 6
13 2
14 5
15 4
16 7
17 13
18 2
19 4
20 6
21 8
22 9
23 1
24 4
25 1
26 2
27 4
28 5
29 0
30 3
Sendo o número total de defeitos igual a 135 encontrados em 30 amostras (com 02 tratores cada
amostra), pode-se encontrar o valor de c:

c=
nº de amostras
135
=
c = 4,5
30
LSEc= c + 3 c
LSEc =
4,5 + 3 4,5 =
10,864
e
LIEc= c − 3 c
LIEc= 4,5 − 3 4,5 < 0 ∴LIEC= 0
97
Unidade II
Observação
Não é possível existir um limite negativo tendo em vista que não se

pode encontrar uma quantidade de defeitos inferior a zero!
A figura a seguir mostra a carta de controle para o exemplo anterior.

14
12
LSE
10
Nº de defeitos
6
µ
4
0 LIE
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Amostras
Figura 50 – Carta de controle tipo C
7.2.4 Carta U (número de defeitos ou não conformidades em uma amostra)
É utilizada para controlar o número total de defeitos de uma unidade de inspeção, com tamanho
variável. Este tipo de carta é usado quando ocorrem vários defeitos por unidade de produto.
O valor central de ajustamento para a carta U é dado por:

u=
nº total de unidades de todas as amostras
u
LSEu= u + 3
n
e
u
LIEu= u − 3
n
98
Em que:
• N: número de amostras.
Para ilustrar como utilizar a carta de controle U, exemplificaremos com um fabricante de geladeiras
que está com problemas na fabricação da carcaça do eletrodoméstico. Os principais problemas são
as rebarbas nas chapas e manchas na pintura. Foram inspecionadas duas geladeiras por turno e cada
defeito encontrado foi registrado. Após 20 turnos de trabalho, a tabela a seguir foi apresentada para a
engenharia da qualidade.
Tabela 14 – Defeitos na linha de produção de geladeiras
Número médio de defeitos

Turno Número de defeitos por unidade
1 8 4
2 7 3,5
3 13 6,5
4 3 1,5
5 16 8
6 4 2
7 7 3,5
8 16 8
9 12 6
10 12 6
11 17 8,5
12 24 12
13 14 7
14 16 8
15 3 1,5
16 5 2,5
17 5 2,5
18 18 9
19 10 5
20 5 2,5
99
Unidade II
Sabendo-se então que a quantidade total de defeitos é de 215, cada turno amostrou 2 equipamentos
(n = 2) num total de 40 unidades em todas as amostras. É possível encontrar o valor central de
ajustamento para a carta U, que é dado por:

u=
nº total de unidades de todas as amostras
215
=
u = 5,375
40
u
LSEu= u + 3
n
5,375
LSEu =
5,375 + 3 =
10,293
2
e
u
LIEu= u − 3
n
5,375
LIEu =
5,375 − 3 =
0,457
2
A figura a seguir apresenta a carta de controle do exemplo.

14
12
LSE
Nº médio de defeitos por unidade
10
6
µ
4
2
LIE
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Amostras
Figura 51 – Carta de controle tipo U
100
8 FERRAMENTAS BÁSICAS E METODOLOGIAS PARA RESOLUÇÃO DE PROBLEMAS

DA QUALIDADE
Montgomery e Runger (2009) mostraram sete ferramentas que fundamentam o CEP. São elas:
• Histograma.
• Carta de controle.
• Gráfico de controle.
• Gráfico de Pareto.
• Diagrama de causa e efeito.
• Diagrama de concentração de defeitos.
• Diagrama de dispersão.
De forma a complementar essa lista, pode-se ainda acrescentar a matriz de causa e efeito.
8.1 Histograma
A primeira ferramenta citada é o histograma. Ele é um gráfico que representa uma série de dados e
é também conhecido como distribuição de frequências. Esse gráfico é composto de formas retangulares,
agrupadas consecutivamente, em que a base de cada um destes retângulos representa o intervalo
de classe e sua altura ou amplitude é a respectiva frequência. A figura a seguir mostra um exemplo de
histograma genérico (sem escalas).
Frequências
Classes
Figura 52 – Histograma genérico
101
Unidade II
Os histogramas podem aparecer sob diferentes formas, cada uma indicando um tipo diferente de
processo. São exemplos:
8.1.1 Histograma normal
Frequências
Classes
Figura 53 – Histograma normal
É o tipo que ocorre com maior frequência. O valor médio encontra-se no centro da amplitude dos
dados. A frequência é mais alta na parte central do histograma e gradualmente vai tornando-se mais
baixa ao deslocar-se para as extremidades.
8.1.2 Histograma assimétrico positivo
O valor médio fica localizado à esquerda e a frequência decresce de maneira acentuada para a
direita. Normalmente ocorre quando o limite inferior é controlado ou quando valores maiores do que
certo valor não são frequentes. A figura a seguir apresenta esse tipo de histograma.
Frequências
Classes
Figura 54 – Histograma assimétrico positivo
102
8.1.3 Histograma assimétrico negativo
De maneira análoga do tipo assimétrico positivo, agora, o valor médio fica localizado à direita do
centro da amplitude e a frequência decresce de maneira acentuada em direção à esquerda. Normalmente,
ocorre quando o limite superior do processo é controlado ou quando não podem ocorrer valores acima
de um determinado limite. A figura a seguir apresenta esse tipo de histograma.
Frequências
Classes
Figura 55 – Histograma assimétrico negativo
8.1.4 Histograma “pente”
Também conhecido como multimodal, esse histograma apresenta classes com picos seguidas de
outras classes com menor frequência. Costuma ocorrer quando a quantidade de dados varia de classe
para classe, ou quando há uma tendência particular no modo como os dados são aproximados. A figura
a seguir apresenta esse tipo de histograma.
Frequências
Classes
Figura 56 – Histograma “pente”
103
Unidade II
8.1.5 Histograma bimodal
Esse tipo de diagrama apresenta picos duplos e frequência baixa no centro das amplitudes dos dados.
Ele aparece quando duas distribuições, cada uma com média muito diferente da outra, são misturadas
ou quando os dados coletados são oriundos de processos diferentes. A figura na sequência apresenta
esse tipo de histograma.
Frequências
Classes
Figura 57 – Histograma bimodal
8.1.6 Histograma pico isolado
Nesse tipo de histograma pode-se verificar um pequeno pico isolado que aparece ao lado de um
outro tipo qualquer de histograma. Normalmente surge quando há uma pequena inclusão de dados
vindos de uma distribuição diferente. Pode ser o caso de algum tipo de anormalidade do processo, erro
de medição ou mesmo a inclusão de dados de um processo diferente. A figura na sequência apresenta
esse tipo de histograma.
Frequências
Classes
Figura 58 – Histograma pico isolado
104
Para se construir um histograma é recomendável utilizar uma amostra com quantidade de

dados superior a 50 unidades. Quanto maior o tamanho da amostra utilizada, mais informações
poderão ser extraídas sobre a população analisada. São os seguintes passos para a construção
do histograma:
I – Selecionar a amostra e ordenar os dados.
II – Calcular a amplitude “R” (diferença entre o maior e o menor valor).
III – Determinar o número de classes “K” ( nº total de dados . )

R
IV – Determinar o intervalo de classe “H”   .
K 
V – Calcular os extremos das classes (tabela de frequência).
VI – Obter e registrar as frequências na forma gráfica.
O histograma é uma ferramenta que pode nos fornecer informações graficamente, facilitando a
visualização de quatro propriedades da distribuição de uma amostra populacional. São eles: localização
do valor central; dispersão em torno do valor central; forma; e limites de especificação.
Quando um histograma apresenta espaços entre o limite inferior de especificação (LIE) e o limite
superior de especificação (LSE), pode-se afirmar que o processo está controlado e que existe uma “folga”.
A figura a seguir mostra a situação descrita.
LIE LSE
Figura 59 – Histograma apresentando “folga” no processo
Quando os limites de especificação, inferior (LIE) e superior (LSE), não apresentam qualquer distância
dos extremos das distribuições, pode-se dizer que o processo em questão não apresenta “folga”, ou
seja, está muito próximo de sair do controle (ultrapassar os limites de especificação). A figura a seguir
apresenta um histograma sem folgas relativas aos limites de especificação. Quando se encontra uma
situação como essa, é preciso intervir de forma a reduzir a variabilidade do processo.
105
Unidade II
LIE LSE
Figura 60 – Histograma apresentando ausência de “folga” no processo
Outra situação em que os histogramas nos permitem verificar visualmente é o caso de

processos não centrados. Nesse caso, há um deslocamento do centro das amplitudes (média)
para a direção de um dos limites de especificação. A figura a seguir mostra um exemplo de
histograma não centrado. Como pode-se perceber, o processo está produzindo “saídas” fora
de uma das especificações. Deve-se intervir para centralizar o processo de forma que ele volte a
ser capaz de atender às especificações.
LIE LSE
Figura 61 – Histograma apresentando processo não centrado
Quando o processo está “fora de controle”, ou seja, apresentando muitas perdas e ultrapassando
os limites de especificação, tanto inferior quanto superior, é necessária uma forte intervenção em
todo o processo, o que pode exigir, inclusive, decisões gerenciais. A figura a seguir mostra um caso de
histograma de processo com grandes perdas.
106
LIE LSE
Figura 62 – Histograma apresentando processo fora de controle
8.2 Gráfico de controle
O gráfico de controle nada mais é do que uma carta de controle utilizada para monitoramento de
um processo. Após determinados os limites de controle e a linha média, torna-se possível acompanhar
visualmente se o processo está sob controle.
As funções desses tipos de gráficos são evidenciar que um processo esteja operando de forma
estatisticamente controlada; sinalizar a presença de causas especiais de variação para que medidas
corretivas apropriadas sejam tomadas; manter o controle estatístico por meio da alteração dos
limites de controle como base de decisões; e apresentar informações para que sejam tomadas ações
gerenciais de melhoria dos processos.
8.2.1 Tipos de gráficos de controle
São dois tipos básicos de gráficos de controle:
a) Gráficos por variáveis:
• Gráficos X e R (média e amplitude).
• Gráficos X e S (média e desvio padrão).
• Gráficos X e R (mediana e amplitude).
• Gráficos para IMR ou XMR valores individuais (X ou I) e amplitude móvel (MR).
b) Gráficos por atributos:
• Gráfico P (proporções não conforme).
107
Unidade II
• Gráfico NP (unidades não conforme).
• Gráfico C (número de não conformidade por unidade).
• Gráfico U (taxa de não conformidade por unidade).
Um exemplo de gráfico de controle por variável já foi apresentado anteriormente, conforme mostra
a figura a seguir.
Limite superior
300 de especificação
Medidas
200 Média
100 Limite inferior

de especificação
0 10 20 30
Amostras
Figura 63 – Exemplo de gráfico de controle por variável para médias e amplitudes
Os limites de controle são limites de confiança calculados de forma que, se o processo não mudou
(não há causas especiais atuando), a probabilidade de uma amostra cair dentro dos limites é de 99,73%
e fora dos limites é de 0,27%.
Caso apareça uma amostra fora dos limites de controle, a probabilidade dessa amostra pertencer a
esse processo é muito pequena (0,27%), logo, há uma forte evidência de que o processo mudou (média
ou desvio) devido à presença de causas especiais.
Existem dois tipos de erros no monitoramento de uma carta de controle:
Erro tipo I
É a probabilidade (α) de considerar o processo fora de controle quando, na verdade, ele está sob
controle. Os limites clássicos adotam ± 3σ, que correspondem a α = 0.27%. A figura a seguir exemplifica
o gráfico de controle para erro do tipo I.
108
Limite superior
0,135% de especificação
µ Média
0,135% Limite inferior

de especificação
0 10 20 30
Amostras
Figura 64 – Gráfico de controle para erro tipo I
Erro tipo II
É a probabilidade (β) de considerar o processo sob controle quando, na verdade, ele está fora de
controle e depende do deslocamento da média (d) e dos limites de controle adotados (LC clássicos
adotam α = 0,27%). A figura a seguir exemplifica o gráfico de controle para erro do tipo II.
Limite superior
de especificação
µ Média
d
Limite inferior
µ de especificação
10 20 30
Amostras
Figura 65 – Gráfico de controle para erro tipo II
8.3 Gráfico de Pareto
Alguns poucos tipos de defeitos ou inconsistências nos processos acarretam a maioria das perdas
obtidas pelas empresas. A identificação das causas desse pequeno grupo de defeitos deve ser priorizada,
pois a solução destes pode eliminar a maior parte das perdas.
A ferramenta conhecida como “Gráfico ou Diagrama de Pareto” tem origem ainda no século IX,
quando o economista italiano Vilfredo Pareto realizou estudo demonstrando que 20% da população
italiana concentrava 80% da renda. Posteriormente, Joseph Juran utilizou o mesmo conceito para
demonstrar que a maior parte dos defeitos ocorrem a partir de uma pequena quantidade de causas. Essa
ferramenta, portanto, organiza as possíveis causas dos problemas identificados em barras decrescentes,
109
Unidade II
verificando-se horizontalmente a quantidade e porcentagem acumulada dessas causas (WERKEMA,

2006). A figura a seguir, apesar de estar fora de escala, mostra um exemplo do gráfico de Pareto.
Percebe-se que as causas de problemas denominadas “A” e “B”, juntas, respondem pela maioria dos
problemas verificados. Essas causas que mais aparecem são chamadas de “vitais”, enquanto as que
aparecem com menor frequência são consideradas como “pouco vitais” ou “triviais”. Esse princípio ficou
conhecido como regra dos “20:80” e pode ser exemplificado da forma a seguir:
• 20% dos clientes representam 80% do faturamento.

• 20% dos defeitos dos produtos geram 80% das reclamações dos clientes.
• 20% das não conformidades no processo respondem por 80% dos custos com desperdícios.
250 100
Porcentagem
Frequências
200 80
150 60
100 40
50 20
A B C D E F G
Causas de problemas
Figura 66 – Gráfico de Pareto
Para se construir um Gráfico de Pareto, podem ser seguidos os seguintes passos:
I – Definir as categorias dos problemas;

II – Organizar as categorias em ordem decrescente de frequências;
III – Plotar os eixos:
a) Vertical
— de frequência
— porcentagem (%)
b) horizontal (classes)
IV. Construir o diagrama de barras para as categorias;
V. Traçar a curva de Pareto (porcentagens acumuladas).

110
O gráfico de Pareto é uma ótima ferramenta para auxiliar na identificação de resultados por dois enfoques:
• Pelas causas: priorizam-se as causas prováveis dos problemas nos processos.
• Pelos efeitos: priorizam-se os resultados indesejáveis gerados pelos problemas.
Saiba mais
A trajetória de Vilfredo Pareto pode ser melhor conhecida por meio

da obra:
PARETO, V. Os economistas: manual de economia política. São Paulo:

Nova Cultural, 1987.
8.4 Diagrama de causa e efeito
O diagrama de causa e efeito, também conhecido como diagrama de Ishikawa, em homenagem ao

especialista em qualidade Kaoru Ishikawa, apresentado anteriormente, é uma ferramenta que auxilia as
equipes das empresas a chegarem às “raízes” dos problemas observados em seus processos.
O diagrama de causa e efeito também é chamado de “espinha de peixe” ou “6Ms” devido, primeiro,
à sua forma e, segundo, às categorias nas quais as causas dos problemas são geralmente classificadas
(material, método, máquina, mão de obra, medida e meio ambiente). A figura a seguir apresenta o
diagrama de causa e efeito.
Causa Efeito
Material Método Máquina
Problema
Mão de obra Medida Meio ambiente
Figura 67 – Diagrama de causa e efeito (Ishikawa)
As categorias apresentadas no diagrama são explicadas a seguir:
Material
O problema está na matéria-prima ou material que está sendo utilizado no processo. Os problemas
podem ser falta de conformidade com as especificações, tais como medidas, composição, validade etc.
111
Unidade II
Podem ser feitos questionamentos para se avaliar o quanto os materiais estão impactando nos
resultados dos processos, tais como:
• O material está em condições de utilização (deteriorado ou com informações faltantes)?
• O material tem a qualidade necessária para sua utilização?
• As especificações do material estão de acordo com o projeto?
• Há material suficiente para ser utilizado?
• Todo o material está devidamente identificado?
• O fornecedor está qualificado e o material recebido foi inspecionado?
Método
O problema poderá estar na metodologia ou procedimentos utilizados nos processos. É preciso

analisar o quanto a forma de trabalhar influenciou no problema. Podem ser feitas as perguntas a seguir
para identificar a adequação dos métodos de trabalho:
• O método de trabalho está adequado às especificações do processo?
• As informações necessárias para se executarem as tarefas estão corretas e disponíveis?
• Existem procedimentos mapeados para cada tarefa?
• Foram definidos critérios de qualidade para avaliação dos resultados de cada processo?
Máquina
O problema pode ser a máquina utilizada para a realização de um processo, a qual pode apresentar
algum tipo de falha mecânica, desgaste ou estar mal calibrada. Para ajudar a entender se alguma condição
da máquina está influenciando no processo, podem ser feitas as seguintes perguntas norteadoras:
• A máquina utilizada foi selecionada adequadamente?
• A máquina está corretamente ajustada?
• Os ajustes são mantidos durante todo o processo?
• As condições de trabalho da máquina estão de acordo com suas especificações?
• As manutenções previstas para a máquina são realizadas adequadamente?
112
Mão de obra
O problema pode estar na dificuldade em realizar a tarefa ou no comportamento errado do trabalhador.

Podem ocorrer por diversas razões, tais como pressa, falta de concentração, imprudência, entre outros.
Para melhor compreensão do quanto a mão de obra pode afetar os processos, podem ser feitas as
seguintes perguntas:
• As pessoas envolvidas têm o treinamento adequado?
• As pessoas envolvidas têm as habilidades necessárias?
• As pessoas envolvidas têm a competência necessária para a realização das tarefas?
• Todos os envolvidos estão devidamente motivados?
• A quantidade de pessoas envolvidas é adequada às necessidades dos processos?
Medida
O problema pode ser as métricas ou medidas que foram utilizadas para medir, monitorar ou controlar
os processos. Neste caso, os instrumentos podem estar desregulados ou mal calibrados. A fim de se
descobrir o quanto as medidas estão influenciando nos resultados dos processos, as perguntas a seguir
podem ser úteis:
• Os critérios de amostragem estão adequados?
• Os equipamentos e instrumentos de medição estão calibrados e em perfeito funcionamento?
• Os equipamentos e instrumentos estão organizados e disponíveis?
• São realizadas verificações, monitoramentos e inspeções periódicos?
• Os critérios e padrões de qualidade para aceitação estão definidos e atualizados?
Meio ambiente
O problema está no ambiente externo ou interno à empresa. Como, por exemplo, a poluição, a falta
de espaço dentro da empresa, iluminação, calor, ergonomia, barulhos internos e externos.
Para avaliar o quanto fatores ambientais são responsáveis por desvios nos processos, podem ser
feitas a seguintes perguntas:
• O local de trabalho está organizado?
• Há sinalização adequada no local de trabalho?

113
Unidade II
• A temperatura está adequada e de forma a não influenciar no trabalho?
• Os níveis de ruído, interno e externo, prejudicam a realização das tarefas?
• A umidade relativa do ar influencia no desempenho dos processos?
• A iluminação atende às necessidades das pessoas para a correta realização das tarefas?
• As normas de segurança do trabalho estão devidamente implantadas?
A utilização correta do diagrama de causa e efeito pode ser muito benéfica para as empresas, pois:
• proporciona uma melhor visualização e registro dos problemas;
• ajuda a organizar as ideias da equipe envolvida;
• melhora o engajamento das pessoas com a melhoria da qualidade;
• auxilia no desdobramento dos problemas e sua melhor compreensão;
• permite a categorização e priorização das causas encontradas;
• melhora a identificação das possíveis causas dos problemas.
Após avaliadas as diversas possibilidades para cada possível causa do problema observado, será
possível desdobrar o diagrama de causa e efeito para que uma visão mais abrangente do problema seja
avaliada. Um exemplo do novo diagrama é apresentado na figura a seguir.
Material Método Máquina
Matéria-prima fora Tarefas não Máquinas sem

da especificação definidas manutenção
Materiais não Informações não Máquina utilizada de

identificados disponíveis forma inadequada
Problema
Funcionário não Instrumento mal Falta de
qualificado calibrado iluminação
Parametrização
Falta de motivação inadequada Excesso de ruído
Mão de obra Medida Meio ambiente
Figura 68 – Desdobramento do diagrama de causa e efeito
114
8.5 Diagrama de concentração de defeitos
A localização do problema ou defeito é de vital importância para o posterior ajuste dos processos.
Um diagrama de concentração de defeito pode ser utilizado para auxiliar nessa tarefa. Esse diagrama,
conforme mostra a figura a seguir, representa um modelo do produto analisado, mostrando todas as
vistas relevantes, em que vários tipos de defeitos são apresentados. O diagrama é analisado de forma
a se avaliar o quanto a localização dos defeitos na unidade pode fornecer informações úteis sobre as
causas potenciais dos defeitos. Quando um número suficiente de unidades é utilizado na elaboração
de um diagrama de dispersão, frequentemente surgem padrões, e a localização desses padrões contém,
geralmente, muita informação sobre as causas dos defeitos (MONTGOMERY, 2013).
Produto:_______________________
Número de série:_________________
Parte superior
Lado Lado
Fundo Frente
esquerdo direito
D C
B A
Parte inferior
Código de defeitos
A - Amassado
B - Arranhado
C - Corte
D - Desgaste
E - Deformação
Figura 69 – Diagrama de concentração de defeitos
8.6 Diagrama de dispersão
O diagrama de dispersão mostra, graficamente, a relação entre uma variável dependente, ou seja,
aquela que se obteve como resposta, e outra variável independente, que é aquela chamada preditora ou
que influencia na variável dependente.
O diagrama de dispersão permite observar e avaliar se realmente há algum tipo de correlação entre
as variáveis e qual o grau de relacionamento entre essas duas variáveis, permitindo comprovar-se a
relação entre causa provável e efeito observado. A figura a seguir mostra um exemplo de diagrama
de dispersão.
115
Unidade II
120
100
Variável Y
80
60
40
20
20 40 60 80 100 120
Variável X
Figura 70 – Diagrama de dispersão
Observação
A variável dependente é apresentada no eixo vertical (eixo Y). Já a

variável independente é apresentada no eixo horizontal (eixo X).
Para se construir um diagrama de dispersão, são necessários os seguintes passos:
I – Selecionar as variáveis dependentes e independentes (mínimo de trinta pares de dados).
II – Coletar os dados referentes aos pares de dados selecionados.
III – Plotar os pares de dados em um sistema de eixos cartesianos (um ponto para cada par ordenado).
IV – Encontrar o coeficiente de correlação (r) entre as variáveis utilizadas.
Observação
O coeficiente de correlação mostra a existência de uma relação

linear entre duas séries de dados analisados e varia entre 1 e -1.
Quanto mais próximo de 1, maior será a correlação linear positiva
entre as variáveis. Quanto mais próximo de -1, maior será a correlação
linear, porém negativa entre as variáveis. Quanto mais próximo de 0,
menor a correlação linear entre as variáveis.
116
Dependendo do grau de correlação entre as variáveis analisadas, os histogramas podem apresentar

diferentes formas, tais como as apresentas a seguir.
8.6.1 Correlação forte
Quanto mais o coeficiente de correlação é próximo de 1, a variável independente está fortemente

influenciando a variável dependente e o diagrama de dispersão mostrará forma semelhante à apresentada
na figura a seguir, na qual pode-se verificar inclinação positiva e baixa dispersão dos pontos.
120
100
Variável Y
80
60
40
20
20 40 60 80 100 120
Variável X
Figura 71 – Forte correlação positiva
De forma análoga, quando o coeficiente de correlação é próximo de -1, as variáveis também estão
fortemente relacionadas e o diagrama de dispersão também exibirá baixa dispersão dos dados, mas
agora com inclinação negativa, conforme mostra a figura na sequência.
120
100
Variável Y
80
60
40
20
20 40 60 80 100 120
Variável X
Figura 72 – Forte correlação negativa
117
Unidade II
8.6.2 Correlação moderada
Valores de correlação intermediários entre 0 e 1 mostram que a variável independente (X) causará
uma tendência de aumento na variável dependente (Y). Contudo, Y provavelmente não depende
apenas de X. A figura a seguir mostra um diagrama de dispersão com correlação positiva moderada
entre as variáveis.
120
100
Variável Y
80
60
40
20
20 40 60 80 100 120
Variável X
Figura 73 – Correlação positiva moderada
Valores de correlação intermediários entre 0 e -1 mostram que a variável independente (X) causará
uma tendência de decréscimo na variável dependente (Y). Da mesma forma que ocorre na correlação
positiva, aqui também Y provavelmente não depende apenas de X. A figura a seguir mostra um diagrama
de dispersão com correlação negativa moderada entre as variáveis.
120
100
Variável Y
80
60
40
20
20 40 60 80 100 120
Variável X
Figura 74 – Correlação negativa moderada
118
8.6.3 Sem correlação
Valores de correlação muito próximos de zero, ou mesmo iguais a zero, demonstram que mudanças
na variável independente (X) não causarão alterações na variável dependente, ou seja, não há relação
entre elas. A figura a seguir apresenta um exemplo de diagrama de dispersão em que, aparentemente,
não há correlação entre as variáveis.
120
100
Variável Y
80
60
40
20
20 40 60 80 100 120
Variável X
Figura 75 – Sem correlação
8.7 Matriz de causa e efeito
Trata-se de uma ferramenta utilizada para priorizar as possíveis causas das instabilidades do processo
estudado. A identificação dessas causas pode ser feita por meio de outra ferramenta de levantamento,
tal como o diagrama de causa e efeito ou diagrama de Ishikawa.
Para confeccionar a matriz de causa e efeito, sugerem-se os seguintes passos:
I – Inserir os efeitos ou sintomas observados no processo e cujas causas deseja-se priorizar.
II – Classificar os efeitos de acordo com o grau importância que estes têm para o processo. Podem-se
utilizar notas de 1 a 10, em que 1 significa “menos importante” e 10 significa “mais importante”.
III – Inserir as principais causas identificadas por meio de ferramentas de levantamento, tal qual o
diagrama de causa e efeito.
IV – Estabelecer a correlação entre as causas e os efeitos inseridos, de acordo com a escala de notas.
V – Estabelecer uma pontuação para cada possível causa estabelecida. Esta pontuação é definida
através da multiplicação cruzada entre a classificação dos efeitos com cada correlação feita com as
possíveis causas.
119
Unidade II
Observação
Quanto maior a pontuação, maior o impacto da causa sobre os

resultados obtidos no processo analisado!
A tabela a seguir apresenta um modelo simplificado de uma matriz de causa e efeito. As pontuações
podem ser inseridas com base nos seguintes critérios:
Pontuações:
• 1, 2 ou 3 – baixa correlação.
• 4, 5, 6 ou 7 – média correlação.
• 8, 9 ou 10 – alta correlação.
Tabela 15 – Matriz de causa e efeito
Grau de
importância
Total de
Causas Efeito 1 Efeito 2 Efeito 3 ... Efeito n Classificação
pontos
Causa 1
Causa 2
Causa 3
...
Causa n
Pode-se imaginar uma situação hipotética de um processo de fabricação de latas de alumínio para
armazenagem de alimentos em que se observam as seguintes não conformidades (efeitos) nos lotes
inspecionados: riscos, amassados e dimensões fora das especificações. A partir de um diagrama de causa
e efeito (diagrama de Ishikawa), foram identificadas as seguintes causas:
• Material: matéria-prima danificada na armazenagem.
• Mão de obra: operador danifica produto durante a operação.
• Método: processo não adequado para o tipo de material utilizado.
• Máquina: equipamento descalibrado ou ferramenta inadequada.
120
Inserindo-se as causas e efeitos na matriz, encontra-se o seguinte resultado, conforme mostra

a tabela.
Tabela 16 – Matriz de causa e efeito preenchida
Grau de importância 6 8 10
Dimensões fora das Total de
Causas Riscos Amassados Classificação
especificações pontos
Matéria- prima 10 6 2 128 2º
Operador 10 9 1 142 1º
Processo 2 8 1 86 5º
Equipamento 1 2 10 124 3º
Ferramenta 7 8 1 116 4º
O total de pontos é calculado multiplicando-se o grau de importância pela pontuação atribuída

para a correlação entre causa e o efeito, conforme apresentado a seguir:
• Matéria-prima: 10 x 6 + 6 x 8 + 2 x 10 = 128.
• Operador: 10 x 6 + 9 x 8 + 1 x 10 = 142.
• Processo: 2 x 6 + 8 x 8 + 1 x 10 = 86.
• Equipamento: 1 x 6 + 2 x 8 + 10 x 10 = 124.
• Ferramenta: 7 x 6 + 8 x 8 + 1 x 10 = 116.
Após o cálculo de todos itens, nota-se que a maior pontuação foi atribuída à causa “Operador”.
Assim, recomenda-se avaliar formas de atuar sobre esta causa, de maneira a minimizar ou mesmo
eliminar o problema. Como sugestões, estariam ações como treinamento e avaliação da ergonomia do
local de trabalho.
De acordo com Costa (2003), o controle contínuo dos processos é uma condição essencial para a
manutenção da qualidade. Para manter esse controle constante, são utilizadas ferramentas, conforme
visto anteriormente.
Contudo, todos os parâmetros dos processos e melhorias implementadas são fruto de decisões. Essas
podem ser auxiliadas por diferentes metodologias e ferramentas gerenciais. A seguir, são apresentadas
alguns desses métodos e ferramentas.
8.8 Ciclo PDCA
O chamado ciclo PDCA foi apresentado pelo engenheiro norte-americano Walter Shewhart na década
de 1930. Contudo, foi Willian Deming, discípulo de Walter Shewhart, que se mostrou muito interessado
também nas ferramentas destinadas ao controle estatístico de processos e na solução de problemas por
121
Unidade II
meio do ciclo PDCA. Segundo Werkema (1995), o ciclo PDCA auxilia na tomada de decisões de forma a
ajudar no alcance das metas estabelecidas pela organização.
O PDCA é composto pelas seguintes etapas:
Planejamento (P = Plan)
Na fase de planejamento são traçadas as metas a serem alcançadas e as formas de fazê-lo a partir
de um problema identificado. É fundamental que o problema esteja bem definido e compreendido, de
forma que as metas traçadas estejam alinhadas com as reais necessidades da empresa.
Essa etapa contempla as seguintes atividades básicas:
• Identificação do problema: visa ao correto entendimento de qual o problema a ser resolvido.
• Análise do fenômeno: são coletados os dados para subsidiar a análise.
• Análise do processo: tem por função entender corretamente as causas desse problema e
priorizá‑las conforme o grau de relevância de cada uma.
• Elaboração do plano de ação: após identificadas e priorizadas as causas do problema, elaboram-se

medidas para a solução deste.
Execução (D = Do)
Para a execução dos planos traçados na etapa de planejamento, é preciso que as pessoas envolvidas
sejam treinadas e motivadas para alcançarem as metas definidas.
Controle (C = Control)
Nesta etapa, são verificados os dados coletados durante a etapa de exceção, de forma a se verificar o
correto andamento do plano traçado e atingimento das metas estabelecidas. Caso as metas não estejam
sendo atingidas conforme o plano, será necessário implementar ações corretivas ou mesmo rever o
plano traçado.
Ação (A = Action)
Nesta etapa atua-se para manter o plano caso as metas tenham sido cumpridas, ou se estabelecem
ações corretivas para o caso de as metas não terem sido alcançadas corretamente, agindo-se
principalmente sobre os fatores que levaram a este fato.
Pode-se notar que o PDCA, como ferramenta gerencial, solicita ao gestor da qualidade dados para
análise. Esses dados serão analisados com o auxílio das ferramentas estatísticas disponíveis. A figura a
seguir mostra uma representação do ciclo PDCA.
122
• Plnejamento • Execução
- Compreensão - Treinamento
do problema para realização
do plano
- Definição dos
planos
P D
A C
• Ação
- Manutenção
do plano caso • Controle
as metas forem - Verificação
atingidas dos dados para
- Corrigir o plano identificar
caso as metas não desvios quanto
forem atingidas ao plano e
metas
Figura 76 – Ciclo PDCA
8.9 Metodologia de análise e solução de problemas (Masp)
O Masp é uma metodologia, composta de etapas previamente definidas de forma a viabilizar a

identificação de um determinado problema, realizar a análise de suas causas, estabelecer e planejar ações
visando à solução desse problema, controlar o resultado da solução praticada e, por fim, implementar
o processo objetivando a melhoria do aprendizado e da própria forma de aplicação da metodologia. O
intuito do Masp é auxiliar a identificar as formas de se resolver problemas.
Conforme Campos (2004), as etapas que constituem o Masp podem ser elencadas da seguinte forma:
• Etapa 1: Identificação do problema.
• Etapa 2: Observação.
• Etapa 3: Análise.
• Etapa 4: Plano de ação.
• Etapa 5: Ação.
• Etapa 6: Verificação.
• Etapa 7: Padronização.
• Etapa 8: Conclusão.
123
Unidade II
Observando-se atentamente as oito etapas do Masp, é possível identificar o ciclo PDCA presente. Isso é
devido ao fato de que o conceito do PDCA foi utilizado para a concepção do Masp como metodologia para
análise e solução de problemas. A figura a seguir mostra a metodologia Masp e o equivalente com o PDCA.
Identificação
do problema
Observação
Ação
Análise
Plano de ação
P D
Conclusão
A C
Verificação
Padronização
Figura 77 – Masp e PDCA
A descrição de cada etapa pode ser vista no quadro a seguir.
Quadro 23 – Descrição das etapas do Masp
Etapa Descrição
Identificação do problema Definir o problema e compreender sua importância.
Investigar as características do problema a partir de uma
Observação perspectiva ampla e sob diferentes pontos de vista.
Análise Identificar as causas principais do problema.
Plano de ação Desenvolver um plano de ação para solucionar o problema.
Ação Inibir as causas do problema.
Verificação Verificar se o plano está solucionando o problema.
Padronização Prevenir o surgimento do problema novamente.
Repassar todo o processo do problema para aprendizado e
Conclusão trabalhos futuros.
Adaptado de: Campos (2004).
124
8.10 Metodologia DMAIC
DMAIC é uma metodologia cujas siglas vêm do inglês e significam define ou definir, mesure ou
medir, analyze ou analisar, improve ou melhorar e control ou controlar. Ela tem por função auxiliar
no entendimento das variabilidades de processos e na identificação de soluções para redução
dessas variabilidades.
As metodologias PDCA, MASP e DMAIC têm semelhança por buscarem a melhoria dos processos por
meio da melhor sistematização da forma como os problemas são identificados, analisados e tratados.
As etapas da metodologia DMAIC são apresentadas a seguir.
8.10.1 Fase de definição
A primeira etapa do DMAIC é a fase de definição (define). Nela, são identificadas as condições críticas,
ou seja, aquelas condições que são consideradas maus resultados ou baixa qualidade. São exemplos de
maus resultados:
• retrabalhos;
• refugos;
• reclamações de clientes;
• custos excessivos de mão de obra.
Nesta etapa é importante conhecer bem os requisitos de qualidade determinados para cada processo
produtivo. O quadro a seguir apresenta algumas questões norteadoras para o desenvolvimento da fase
de definição.
Quadro 24 – Questões norteadoras para a fase de definição
Compreensão Gestão do
Definição dos Aprovação das
Definição do problema dos requisitos de processo de
processos melhorias
qualidade melhoria
Quem será o
responsável pela
Definição
Há apoio para
melhoria? implantação das
O que está errado? Como o problema É claro qual melhorias?
afeta a percepção processo está Onde será feito?
O que se deseja do cliente sobre a sendo afetado As melhorias
melhorar? qualidade? pelo problema? Quando será serão bem-
feito? sucedidas?
Como será feito?
125
Unidade II
8.10.2 Fase de medição
A segunda etapa refere-se à medição (mesure). Aqui são levantados dados sobre os problemas
identificados na etapa anterior, ou seja, aquilo que está deixando os processos deficientes. Essas medições
vão subsidiar o processo posterior de se analisar as causas destes problemas. Os objetivos da fase de
medição podem ser sintetizados da seguinte forma:
• obter uma visão geral e de alto nível do processo;
• determinar os indicadores críticos do processo e identificar as principais variáveis de saída

do processo;
• compreender o que gera as instabilidades do processo;
• priorizar as causas identificadas;
• revisar os fundamentos da estatística e elaborar gráficos básicos para compreender melhor o

problema estudado;
• desenvolver um plano para a coleta de dados;
• calcular o nível σ e a capabilidade do processo;
• validar o sistema de medição.
Dentre as ferramentas já apresentadas, podem-se destacar o diagrama de Ishikawa (causa de efeito)

e a matriz de causa e efeito como ferramentas apropriadas para esta fase.
8.10.3 Fase de análise
A terceira etapa é a fase de análise (analyze). A partir dos levantamentos de dados feitos na etapa
de medição, é possível a identificação daqueles fatores ou variáveis que estão contribuindo para a
deficiência do processo em questão.
Pode ser necessária a utilização de ferramentas informatizadas (softwares) estatísticas para a

realização de cálculos e geração de gráficos tendo em vista a complexidade dos dados que geralmente
são disponibilizados.
Durante o processo de escolha da estratégia de análise a ser seguida, recomenda-se identificar

possíveis ações de melhoria de fácil implementação, realizar uma análise das falhas, utilizar gráficos
para auxiliar na compreensão dos problemas e utilizar análise estatística. A figura a seguir mostra
as etapas que podem ser seguidas para realização da fase de análise.
126
Percepção do
problema
Classificação do
problema
Identificação do
real problema
Compreensão do
processo
Definição das
causas potenciais
Identificação da
causa raiz
Figura 78 – Etapas da fase de análise
Após realizadas as análises com base em gráficos e ferramentas estatísticas, pode-se ainda
utilizar‑se uma técnica de “comparação” entre os processos da empresa e de outra organização
semelhante chamada de benchmarking. O benchmarking serve tanto para reconhecer novas ideias
e práticas como para avaliar se os padrões de desempenho da empresa estão compatíveis com
aqueles observados no mercado.
Tal técnica pode ser implementada, resumidamente, da seguinte forma:
a) seleciona-se e analisa-se o processo a ser melhorado;

b) definem-se os defeitos e oportunidades deste processo;
e) mede-se a capacidade atual do processo;
f) identificam-se as melhores empresas para comparação;
g) define-se quais empresas serão utilizadas para comparação;
h) realizam-se os contatos com as pessoas-chave das empresas selecionadas;
i) preparam-se questionários e documentos para a visita;
127
Unidade II
j) realiza-se a visita;
k) compilam-se as informações coletadas durante a visita;
l) documentam-se as melhores práticas identificadas e as oportunidades de melhorias;
m) implementam-se as melhorias;
n) documentam-se os resultados alcançados.
8.10.4 Fase de melhorias
A quarta etapa trata das ações para melhorar (improve) os processos que estão deficientes. Para que
isso seja possível, os dados obtidos e analisados nas etapas anteriores devem ter servido para identificação
das causas prováveis dos problemas, as quais serão priorizadas, para que, então, a intervenção, ou seja,
ajustes e modificações no processo, seja realizada.
8.10.5 Fase de controle
A quinta e última etapa é o controle (control). Nela, são feitos os controles estatísticos
dos resultados obtidos após a aplicação das melhorias no processo. Deve-se documentar a
implementação de todos os ajustes e mudanças realizadas e seus resultados para melhoria.
A documentação é fundamental para o aprendizado organizacional, assim como para o
monitoramento do desempenho do processo.
Resumo
O Controle Estatístico de Processo (CEP) atua, então, como um método

preventivo no qual compara-se os resultados obtidos de um processo
com padrões previamente estabelecidos de forma contínua, auxiliando as
organizações a buscarem a melhoria contínua tanto da qualidade quanto
da produtividade.
O CEP tem como principal objetivo auxiliar no eficaz controle da

qualidade. Esta técnica permite aos operadores dos processos identificar,
em tempo real, desvios dos processos que podem influenciar na qualidade
final do produto. As correções podem ser feitas rapidamente, retificando os
processos e aumentando a capacidade destes em atender às especificações.
Esse aumento de capacidade pode significar redução de custos por meio da
diminuição de desperdícios, refugos, retrabalhos, entre outros.
A capacidade de um processo, ou capabilidade, portanto,

representa indicadores que medem a habilidade de um processo estar
em conformidade com os requisitos do cliente. Para se entender o
128
quanto o processo está adequado, deve-se comparar a variação

total do processo com os limites de especificação, inferior e superior,
estabelecidos pelo cliente.
Para que se possa melhorar a capacidade de um processo, torna-se

necessário reduzir os defeitos apresentados por este. Aqui, defeitos são
definidos como o não atendimento aos requisitos ou especificações do
processo. Esses defeitos são medidos em termos de milhões de oportunidades,
as quais representam as etapas do processo ou cada atividade em que pode
surgir um defeito.
O sigma (σ) descreve, em estatística, a medida de dispersão (desvio

padrão) de uma série de pontos em relação à sua média. Ele representa uma
forma de avaliar o desempenho de um processo ou produto. Aprimorar o
nível σ em uma organização significa buscar continuamente a melhoria
dos produtos e processos por meio da aplicação de ferramentas estatísticas
específicas e voltadas para a redução da variabilidade destes processos.
O controle estatístico de variáveis é realizado monitorando-se duas

cartas de controle simultaneamente. As variáveis podem seguir vários tipos
de distribuições de probabilidade.
O controle contínuo dos processos é uma condição essencial para a

manutenção da qualidade. Para manter este constante controle, são
utilizadas ferramentas.
Contudo, todos os parâmetros dos processos e melhorias implementadas

são fruto de decisões, as quais podem ser auxiliadas por diferentes
metodologias e ferramentas gerenciais.
Exercícios
Questão 1. (Enade 2015) De acordo com a ABNT NBR ISO 9001:2008, uma organização deve
assegurar que os itens adquiridos estão conforme os requisitos especificados de aquisição. O tipo e a
extensão do controle aplicado ao fornecedor e a estes itens devem depender do efeito na realização
subsequente do processo produtivo ou no produto.
ABNT. NBR ISO 9001:2008: Sistemas de gestão da qualidade: requisitos, 2008 (adaptado).
Na análise de um processo produtivo, a qual detecta falhas provenientes da matéria-prima, deverá

ser utilizada uma ferramenta que possibilite determinar as causas das falhas ocorridas.
CAMPOS, V. F. Gerenciamento da rotina de trabalho do dia a dia. Rio de Janeiro: Fundação Cristiano Ottoni, 2004 (adaptado)
129
Unidade II
Acerca do tipo e da extensão do controle aplicados ao fornecedor e aos itens adquiridos, a sequência
de ferramentas adequadas a serem utilizadas é:
A) Histograma, lista de verificação e gráfico de Pareto.
B) Plano de ações, histograma e diagrama de causa e efeito.
C) Diagrama de causa e efeito, lista de verificação e gráfico de Pareto.
D) Lista de verificação, diagrama de causa e efeito e plano de ações.
E) Gráfico de Pareto, lista de verificação e diagrama de causa e efeito.
Resposta correta: alternativa D.
Análise das alternativas
A) Alternativa incorreta.
Justificativa: o histograma apresenta as frequências de ocorrências de problemas. Portanto, para

traçá-lo, é necessário que se tenha feito o levantamento dos tipos e quantidades de problemas existentes.
Ele não pode ser feito antes da lista de verificação.
B) Alternativa incorreta.
Justificativa: o plano de ações deve ser executado depois de serem determinados os problemas e
suas causas. Ele não pode ser executado, por exemplo, antes de uma análise feita por um diagrama de
causa e efeito.
C) Alternativa incorreta.
Justificativa: para que seja executado um diagrama de causa e efeito, é necessário que se conheça
os problemas existentes. Esses problemas são encontrados quando se executa uma lista de verificação.
D) Alternativa correta.
Justificativa: determinado um problema pela lista de verificação, deve ser usado o diagrama de
causa e efeito para determinar sua(s) causa(s) e estabelecido um plano de ação para a eliminação
da(s) causa(s).
E) Alternativa incorreta.
Justificativa: como o gráfico de Pareto quantifica as causas de um problema, ele não pode ser feito
antes da lista de verificação.
130
Questão 2. (Enade 2015) O gráfico de controle é uma ferramenta estatística em que se utilizam
dados coletados de medições de processos. Facilita o monitoramento e a avaliação de características do
processo e permite verificar as variações e prováveis defeitos nos processos avaliados. Na aplicação dos
gráficos de controle, a prevenção de problemas e a tomada de ações preventivas são possíveis por meio
da avaliação desses pontos de medição.
CAMPOS V. F. Gerenciamento da rotina de trabalho do dia a dia. Nova Lima: INDG Tecnologia e Serviços, 2004 (adaptado).
Observe o gráfico de controle a seguir.
LSE
LSC
LIC
LIE
1 3 5 7 9 13 13 15 16
Figura 79
A partir do gráfico, conclui-se que o processo representado:
I – Possui sete medições fora dos limites de controle estatístico.
II – Possui, na quinta medição, sua menor dispersão em relação à média.
III – Está fora da especificação do produto.
É correto o que se afirma em:
A) I, apenas.
B) III, apenas.
C) I e II, apenas.
D) II e III, apenas.
E) I, II e III.
Resolução desta questão na plataforma.
131
FIGURAS E ILUSTRAÇÕES
Figura 1
MAXIMILIANO, A. C. Introdução à administração. São Paulo: Atlas, 2000. (Adaptada).
Figura 2
GARVIN, D. A. Managing quality: the strategic and competitive edge. New York: The Free Press, 1987. (Adaptada).
Figura 24
Grupo UNIP-Objetivo.
Figura 25
Figura 26
Figura 27
Figura 28
MARTINS, P. G.; LAUGENI, F. P. Administração de produção. 2. ed. São Paulo: Saraiva, 2005. (Adaptada).
Figura 30
LASCELLES, D. M.; DALE, B. G. The road to quality. Bedford: IFS Ltd., 1993. (Adaptado).
REFERÊNCIAS
Textuais
ASSOCIAÇÃO BRASILEIRAS DE NORMAS TÉCNICAS. Comitê Brasileiro da Qualidade/CB 025. Disponível

em: <http://www.abnt.org.br/cb-25>. Acesso em: 14 maio 2018.
___. NBR 5426: planos de amostragem e procedimentos na inspeção por atributos. Rio de Janeiro, 1985.
132
CAMPOS, V. F. Gerenciamento da rotina de trabalho do dia-a-dia. 8. ed. Nova Lima: INDG Tecnologia e
Serviços LTDA., 2004.
CARVALHO, M. M.; PALADINI, E. P. Gestão da qualidade. 2. ed. Rio de Janeiro: Elsevier, 2012.
COSTA, A. F. B.; EPPRECHT, E. K.; CARPINETTI, L. C. R. Controle estatístico de qualidade. São Paulo: Atlas, 2003.
DEMING, W. E. Qualidade: a revolução da administração. Rio de Janeiro: Marques Saraiva, 1990.

FEIGENBAUM, A. V. Controle total da qualidade. São Paulo: Makron Books, 1994.
FUSCO, J. P. A.; SACOMANO, J. B. Operações e gestão estratégica da produção. São Paulo: Arte &
Ciência, 2007
GARVIN, D. A. Managing quality: the strategic and competitive edge. New York: The Free Press, 1987.
JURAN, J. M.; GRYNA, F. M. Quality planning and analysis. 2. ed. New York: McGraw-Hill, 1980.
LEITE, L. R. Controle da qualidade. [s.d.]. Disponível em: <http://www.joinville.udesc.br/portal/professores/

rosa/materiais/Unidade_4___Gr_ficos_de_Controle___completo.pdf>. Acesso em: 17 jul. 2018.
MATTOS, J. C.; TOLEDO. J. C. Custos da qualidade: diagnóstico nas empresas com certificação ISO 9000.
Revista Gestão & Produção, São Paulo, v. 5, n. 3, 1998.
MAXIMILIANO, A. C. Introdução à administração. São Paulo: Atlas, 2000.
MONTGOMERY, D. C. Introdução ao controle estatístico da qualidade. 4. ed. Rio de Janeiro: LTC, 2004.
___. Introduction to statistical quality control. 7. ed. New York: John Wiley & Sons, 2013
MONTGOMERY, D. C.; RUNGER, G. C. Estatística aplicada e probabilidade para engenheiros. 4. ed. Rio de
Janeiro: LTC, 2009.
PARETO, V. Os economistas: manual de economia política. São Paulo: Nova Cultural, 1987.
SILVA, A. E. Aplicação da metodologia seis sigma para redução da variabilidade do tempo de ciclo do
transporte ferroviário de minério de ferro. Juiz de Fora: EPD/UFJF, 2008. Disponível em: <http://www.
ufjf.br/ep/files/2014/07/2008_3_Aline.pdf>. Acesso em: 17 jul. 2018.
TOLEDO, J. C. Conceitos sobre custos da qualidade. Grupo de Estudos e Pesquisa em Qualidade.

São Paulo: EESC/USP, 2002. Disponível em: <http://www.gepeq.dep.ufscar.br/arquivos/
CustosdaQualidadeApostila.pdf>. Acesso em: 6 maio 2018.
VELLEMAN, P. F. Truth, damn truth, and statistics. Journal of Statistics Education. Cornell University,
v. 16, n. 2, 2008.
133
WERKEMA, M. C. C. As ferramentas da qualidade no gerenciamento de processos. 2. ed. Belo
Horizonte: Fundação Christiano Ottoni, 1995. v. 2.
___. Criando a cultura seis sigma. Rio de Janeiro: Werkema, 2004. v. 1.
___. Ferramentas estatísticas básicas para o gerenciamento de processos. Belo Horizonte: Werkema, 2006.
Exercícios
Unidade I – Questão 1: INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO

TEIXEIRA (INEP). Exame Nacional de Desempenho dos Estudantes (Enade) 2015: Tecnologia em Gestão
da Qualidade. Questão 21. Disponível em: <http://download.inep.gov.br/educacao_superior/enade/
provas/2015/20_cst_gestao_qualidade.pdf>. Acesso em: 24 set. 2018.
Unidade II – Questão 2: INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO



134
135
136
Informações:
www.sepi.unip.br ou 0800 010 9000

Livro-Texto - Unidade II

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

Livro-Texto - Unidade II

Enviado por

Direitos autorais:

Formatos disponíveis

ENGENHARIA DA QUALIDADE

5.1 Causas comuns

5.2 Causas especiais

Quadro 17 – Causas comuns versus causas especiais

Causas comuns Causas especiais

Adaptado de: Leite ([s.d.]).

5.3 Variáveis discretas

Quadro 18 – Exemplos de variáveis discretas

5.4 Variáveis contínuas

Quadro 19 – Exemplos de variáveis contínuas

Em que: Y = variável de saída (output)

X = Variável de entrada (input)

Quadro 20 – Mapa de análise estatística

Variável X (uma por vez)

tempo gasto no contato do telemarketing com os

influencia no volume de vendas?

I – Coletar os dados do processo.

II – Calcular os parâmetros estatísticos e desenhar o gráfico de controle.

III – Determinar os limites de controle (inferior e superior).

IV – Determinar a média das amostras no gráfico.

V – Incorporar melhorias no processo de forma a eliminar problemas encontrados.

VI – Documentar e repetir todo o processo.

O ponto fundamental para a utilização eficiente do CEP é saber interpretar os gráficos de

Pontos fora dos limites de controle

Figura 31 – Pontos fora dos limites

Figura 32 – Sequência de pontos

Quando os pontos em um gráfico de controle formam uma linha contínua ascendente ou

Figura 33 – Linha contínua formando uma tendência

6 AVALIAÇÃO DA CAPACIDADE DE PROCESSOS

A capacidade de um processo, ou capabilidade, representa indicadores que medem a habilidade de

A capacidade de um processo é a medida do quanto este processo é

Para conhecer mais sobre o controle estatístico de processos (CEP),

MONTGOMERY, D. C. Introdução ao controle estatístico da qualidade. 4.

6.1 O nível sigma (σ)

-6σ -5σ -4σ -3σ -2σ -1σ µ 1σ 2σ 3σ 4σ 5σ 6σ

Figura 34 – Níveis de conformidade do processo de acordo com o nível σ

-6σ -5σ -4σ -3σ -2σ -1σ µ 1σ 2σ 3σ 4σ 5σ 6σ

Figura 35 – Partes defeituosas por milhão

O quadro a seguir apresenta uma comparação da evolução do nível de conformidade ao se passar

Quadro 21 – Comparação entre conformidade a 4σ e 6σ

4σ (99,38% de conformidade) 6σ (99,99966% de conformidade)

Adaptado de: Werkema (2004).

Quanto menor o índice de defeitos, maior será o nível sigma.

6.2 Desempenho dos processos

Calcular a Identificar o Converter para

Figura 36 – Medida do desempenho para dados discretos e contínuos

Antes de calcular o nível sigma de um processo devemos identificar

6.2.1 Capacidade e nível sigma para variáveis discretas

100 Limite inferior

Figura 37 – Gráfico de controle

Esse indicador mede o percentual de unidades produzidas que atravessam o processo de

Pode ser calculado por meio da seguinte equação:

total de unidades de entrada − total de defeitos

Total de defeitos = unidades sucateadas + unidades retrabalhadas + unidades retestadas + unidades

A figura a seguir mostra o diagrama para cálculo do indicador FTT.

Unidades de Unidades Unidades de

Figura 38 – Diagrama do indicador FTT

Assim, o FTT deste processo será:

Entrada Etapa 1 Etapa 2 Saída

Figura 39 – Diagrama do indicador RTY

O rendimento agora pode ser calculado pela seguinte expressão:

unidades refugadas + unidades retrabalhadas