(de uma População e de uma Amostra)

Ver.: 07/11/23 - Pesquisas realizadas por: Otavio Schneider

Sumário
1 Introdução ao Controle Estatístico (CEP). ................................................................................................... 4
2 O que é estatística. ...................................................................................................................................... 4
3 O controle de qualidade............................................................................................................................... 4
3.1 O processo de produção, ............................................................................................................................................................. 4

3.2 As informações sobre o desempenho de um processo ................................................................................................................ 4

3.3 Ações sobre o processo. .............................................................................................................................................................. 4

3.4 Inspeções sobre o produto final. .................................................................................................................................................. 4

4 Variabilidade: o que é? ................................................................................................................................ 5

5 Causas Comuns. ......................................................................................................................................... 5
6 Causas Especiais. ....................................................................................................................................... 5
7 Cartas de Controle para Variáveis. O que são cartas de controle. ............................................................. 5
8 Gráficos de variáveis: Gráficos X-Barra / R................................................................................................. 7
8.1 Como é calculado o Limite Superior e Inferior de controle de uma carta de controle? .................................................................. 7

9 Como devem ser coletados os dados amostrais. ....................................................................................... 8

10 Exemplo: Cálculo do desvio padrão ........................................................................................................ 8
10.1 Desvio padrão populacional: ................................................................................................................................................. 8

10.2 Desvio padrão amostral: ........................................................................................................................................................ 9

10.3 Qual foi a diferença aplicada entre os dois cálculos apresentados? ........................................................................................ 9

11 Recalculo considerando que os dados são parte de uma amostra e não de uma população ............. 10
12 Outras formas de calcular desvio padrão: usando fator de correção d2 .............................................. 11
12.1 Desvio padrão com d2: ......................................................................................................................................................... 11

12.2 Desvio padrão sem d2: ......................................................................................................................................................... 12

13 Um exemplo prático de cálculo de desvio padrão com d2 e sem d2 .................................................... 12

14 Em resumo e resultados DesvPad.P / .A / d2. ...................................................................................... 12
15 Tabela D2 para n = 20 .......................................................................................................................... 12
16 Carta de Amplitudes (R range). Introdução. .......................................................................................... 13
17 Exemplo carta de amplitudes (R - range) .............................................................................................. 14
18 Como interpretar o valor do desvio padrão em relação à média .......................................................... 15
19 Como o desvio padrão pode ser usado para identificar outliers ........................................................... 15
20 Como calcular o “z-score” para identificar outliers ................................................................................ 16
21 Interpretação dos Gráficos e Tendências .............................................................................................. 17
22 Padrões de causas especiais ................................................................................................................ 19
22.1 Sete pontos consecutivamente abaixo ou acima da LM. ....................................................................................................... 19

22.2 Sete pontos subindo ou descendo. ....................................................................................................................................... 20

22.3 Pontos fora dos limites de controle. ....................................................................................................................................... 20

22.4 Periodicidade dos pontos. ..................................................................................................................................................... 21

22.5 Deslocamento da média ........................................................................................................................................................ 21

23 Um pouco sobre o pesquisador desse artigo ........................................................................................ 22
24 Fontes Bibliográficas ............................................................................................................................. 22
24.1 CONTROLE ESTATÍSTICO DO PROCESSO - SÉRIE MONOGRÁFICA QUALIDADE ............................................................................... 22

24.2 FERNANDO PORTO - UNITAU .................................................................................................................................................... 22

1 Introdução ao Controle Estatístico (CEP).
• O controle estatístico do processo (CEP) é uma técnica estatística aplicada à produção que permite a
redução sistemática da variabilidade nas características da qualidade de interesse, contribuindo para a
melhoria da qualidade intrínseca, da produtividade, da confiabilidade e do custo do que está sendo
produzido.
• O controle estatístico do processo é um sistema de inspeção por amostragem, operando ao longo do
processo, com o objetivo de verificar a presença de causas especiais, ou seja, causas que não são
naturais ao processo e que podem prejudicar a qualidade do produto manufaturado.
• Uma vez identificadas as causas especiais, podemos atuar sobre elas, melhorando continuamente os
processos de produção e, por conseguinte, a qualidade do produto.

2 O que é estatística.
Estatística é uma disciplina da matemática que lida com a coleta, análise, interpretação, apresentação e
organização de dados.
É uma ferramenta poderosa para coletar e analisar dados, tornando-os úteis para a tomada de decisões e
compreensão de fenômenos em uma ampla gama de áreas.

3 O controle de qualidade.
• O controle da qualidade depende de quatro elementos fundamentais:

3.1 O processo de produção,

que é uma combinação de equipamentos, insumos, métodos, procedimentos e pessoas, tendo
como objetivo a fabricação de um bem ou o fornecimento de um serviço. O desempenho do
processo depende da maneira como ele foi projetado e construído e da maneira como ele é
operado.
3.2 As informações sobre o desempenho de um processo
são obtidas a partir do estudo cruzado da
a) qualidade das características do produto,
b) qualidade das características intermediárias e
c) ajuste dos parâmetros do processo.
3.3 Ações sobre o processo.
A coleta de dados e as ações ao longo do processo permitem detectar o defeito assim que ele é gerado,
possibilitando a atuação sobre o processo no momento e local adequado. Essas ações podem envolver:
controle sobre as matérias primas; ajuste nos parâmetros do processo; manutenção periódica; treinamento
de operadores, etc. Corrigindo-se o processo, evita-se que novas peças defeituosas sejam produzidas
3.4 Inspeções sobre o produto final.
Estas inspeções permitem separar o produto conforme (adequado) do produto não-conforme (refugo), o qual
pode eventualmente ser retrabalhado. As inspeções são importantes porque impedem que produtos
defeituosos cheguem ao cliente, mas não são uma forma eficiente de ação. Agir sobre o processo é mais
eficaz, pois impede que novas peças defeituosas sejam produzidas, evitando retrabalho ou o sucateamento
das peças refugadas.

4 Variabilidade: o que é?
A variabilidade está sempre presente em qualquer processo produtivo. Se compararmos duas unidades
quaisquer, produzidas pelo mesmo processo, elas jamais serão exatamente idênticas. Contudo, a diferença
entre peças pode ser grande, ou pode ser quase imperceptível.
Além disso, as fontes (ou causas) de variabilidade podem agir de forma diferente sobre o processo.
Conforme a fonte de variabilidade, o resultado pode ser:
a) Pequenas diferenças peça-a-peça (habilidade do operador, diferenças na matéria-prima, etc.)
b) Alteração gradual no processo (desgaste de ferramentas, temperatura do dia, etc.)
c) Alteração brusca no processo (mudança de procedimento, queda de corrente, troca de set up etc.).
Para o gerenciamento do processo e redução da variabilidade, é importante investigar as causas da
variabilidade no processo. O primeiro passo é distinguir entre causas comuns e causas especiais.

5 Causas Comuns.
• As causas comuns são as diversas fontes de variação que atuam de forma aleatória no processo,
gerando uma variabilidade inerente do processo.
• Essa variabilidade representa o padrão natural do processo, pois é resultante do efeito cumulativo de
pequenas fontes de variabilidade (causas) que acontecem diariamente, mesmo quando o processo está
trabalhando sob condições normais de operação.
• Um processo que apresenta apenas as causas comuns atuando é dito um processo estável ou sob
controle, pois apresenta sempre a mesma variabilidade ao longo do tempo.
• As causas comuns, em geral, só podem ser resolvidas por uma ação global sobre o sistema, e
muitas vezes a correção pode não se justificar economicamente.

6 Causas Especiais.
• As causas especiais são causas que não seguem um padrão aleatório (erros de set up, problemas
nos equipamentos ou nas ferramentas, um lote de matéria prima com características muito diferentes, etc.) e
por isso são consideradas falhas de operação.
• Elas fazem com que o processo saia fora de seu padrão natural de operação, ou seja, provocam
alterações na forma, tendência central ou variabilidade das características de qualidade.
• Elas reduzem significativamente o desempenho do processo e devem ser identificadas e
neutralizadas, pois sua correção se justifica economicamente.

7 Cartas de Controle para Variáveis. O que são cartas de controle.

Uma carta de controle X-barra é um gráfico sequencial que é usado para monitorar a média de um processo
ao longo do tempo. É uma ferramenta do Controle Estatístico de Processos (CEP) que ajuda a identificar
padrões anormais de variabilidade em um processo.
A carta de controle X-barra é usada para verificar se o processo está sob controle estatístico, ou seja, se a
variabilidade do processo é consistente e previsível.
A carta de controle X-barra é composta por uma linha central que representa a média do processo e duas
linhas de controle que representam os limites superior e inferior de controle.

LSC – Limite Superior de controle

LM – Linha Média
LIC – Limite Inferior de controle

Esses limites são calculados (não são aleatórios) a partir dos dados históricos do processo e são
usados para identificar quando o processo está fora de controle.
A carta de controle X-barra é uma ferramenta importante para garantir a qualidade do processo e reduzir a
variabilidade do produto ou serviço produzido.

• Um processo sob controle estatístico é um processo estável, ou seja, um processo que ao longo do
tempo segue sempre uma mesma distribuição de probabilidade.
• Importante: Os gráficos de controle em sua forma original não servem para acompanhar o
cumprimento de metas ou para verificar o atendimento de especificações de projeto.
• Em outras palavras, cartas de controle verificam, através da análise de uma variável, se o processo
produz é estável (“produz sempre a mesma coisa”), mas não verifica se o produto atende às especificações
de projeto.
Processo estável

Processo instável

8 Gráficos de variáveis: Gráficos X-Barra / R

8.1 Como é calculado o Limite Superior e Inferior de controle de uma carta de controle?
O Limite Superior de Controle (LSC) e o Limite Inferior de Controle (LIC) de uma carta de controle são
calculados utilizando estatísticas básicas dos dados coletados.
Existem diferentes métodos para calcular esses limites, dependendo do tipo de carta de controle e da
distribuição dos dados.
Um método comum para calcular os limites é utilizando a média (X̄) e o desvio padrão (σ) dos dados.
Para uma carta de controle com base na média, o LSC é geralmente calculado como X̄ + 3σ, enquanto o LIC
é calculado como X̄ - 3σ. “σ” = é o desvio padrão da amostra

No entanto, para cartas de controle baseadas em outras estatísticas, como a amplitude (R, “range”) ou o
desvio padrão médio (S), os cálculos podem ser diferentes. É importante consultar as especificações do
método utilizado e as referências relevantes para obter os cálculos específicos.

Lembrando que os limites de controle são usados para identificar variações estatisticamente significativas
nos processos e ajudar a determinar se o processo está sob controle estatístico.

9 Como devem ser coletados os dados amostrais.

Durante a coleta das amostras para uma avaliação estatística de limites de controle, não é recomendado
fazer ajustes na máquina que está produzindo os produtos que estão em análise. Isso porque qualquer
alteração no processo pode afetar a variabilidade dos dados coletados e, consequentemente, a precisão da
avaliação estatística.
O ideal é coletar os dados sem interferir no processo e, posteriormente, analisar as variações e identificar
as causas das variações para elaborar planos de ação para solucioná-las.
Caso seja imprescindível realizar algum ajuste, separe os dados “antes” e “depois” para fazer uma avaliação
dos dados em separado.

10 Exemplo: Cálculo do desvio padrão

Considere a seguinte amostra de dados:
5
6
5
10
9

10.1 Desvio padrão populacional:

é utilizado quando se tem TODOS os valores da população. A fórmula para o cálculo é dada por:

Onde:
$\sigma$ é o desvio padrão da população
$N$ é o número de valores na população
$x_i$ é o i-ésimo valor da população
$\mu$ é a média dos valores da população

10.2 Desvio padrão amostral:

é utilizado quando se tem apenas UMA PARTE dos valores da população, ou seja, uma amostra.
A fórmula para o cálculo é dada por:

Onde:
$s$ é o desvio padrão da amostra
$n$ é o número de valores na amostra
$x_i$ é o i-ésimo valor da amostra
$\bar{x}$ é a média dos valores d

10.3 Qual foi a diferença aplicada entre os dois cálculos apresentados?

A diferença entre os dois cálculos apresentados está no denominador utilizado para calcular a média dos
quadrados das diferenças.

No primeiro cálculo (População), foi utilizado o denominador "n", que representa o tamanho da população.
Esse cálculo é adequado quando todos os membros da população estão disponíveis para serem medidos.

No segundo cálculo (Amostral), foi utilizado o denominador "n-1", que representa o tamanho da amostra
menos um. Esse cálculo é adequado quando você tem apenas uma amostra dos membros da população e
deseja estimar o desvio padrão da população com base na amostra.

O uso do denominador "n-1" no cálculo do desvio padrão amostral é uma correção estatística que leva em
consideração a incerteza associada à estimativa da média da amostra. A correção ajuda a garantir que o
desvio padrão amostral seja uma estimativa não tendenciosa e mais precisa do desvio padrão populacional.

Para calcular o desvio padrão da população de dados fornecida, você precisa seguir os seguintes passos:
Calcule a média dos dados:
Soma dos valores: 5 + 6 + 5 + 10 + 9 = 35
Número de valores: n= 5 (amostra)
Média = soma dos valores / número de valores (n)= 35 / 5 = 7
No Excel: =Média()

Calcule a diferença entre cada valor e a média:

Diferença para o primeiro valor: 5 - 7 = -2
Diferença para o segundo valor: 6 - 7 = -1
Diferença para o terceiro valor: 5 - 7 = -2
Diferença para o quarto valor: 10 - 7 = 3
Diferença para o quinto valor: 9 - 7 = 2

Eleve cada diferença ao quadrado:

Quadrado da diferença para o primeiro valor: (-2)^2 = 4
Quadrado da diferença para o segundo valor: (-1)^2 = 1
Quadrado da diferença para o terceiro valor: (-2)^2 = 4
Quadrado da diferença para o quarto valor: (3)^2 = 9
Quadrado da diferença para o quinto valor: (2)^2 = 4

Calcule a média dos quadrados das diferenças:

Soma dos quadrados das diferenças: 4 + 1 + 4 + 9 + 4 = 22
Média dos quadrados das diferenças = soma dos quadrados das diferenças / número de valores (n) = 22 / 5
= 4.4

Calcule o desvio padrão como a raiz quadrada da média dos quadrados das diferenças:
Desvio padrão = √4.4 ≈ 2.097
No Excel: =DesvPad.P

Portanto, o desvio padrão da população de dados fornecida é aproximadamente

2.097.

11 Recalculo considerando que os dados são parte de uma amostra e não de uma população
O cálculo do desvio padrão para uma amostra é ligeiramente diferente do cálculo para uma população.
Para calcular o desvio padrão amostral da amostra de dados fornecida, você precisa seguir os seguintes
passos:
Desvio padrão amostral: é utilizado quando se tem apenas uma parte dos valores da população, ou seja,
uma amostra. A fórmula para o cálculo é dada por:

Onde:
$s$ é o desvio padrão da amostra
$n$ é o número de valores na amostra
$x_i$ é o i-ésimo valor da amostra
$\bar{x}$ é a média dos valores d

Calcule a média dos dados:

Soma dos valores: 5 + 6 + 5 + 10 + 9 = 35
Número de valores: n= 5 (amostra)
Média = soma dos valores / número de valores = 35 / 5 = 7
No Excel: =Média()

Calcule a diferença entre cada valor e a média:

Diferença para o primeiro valor: 5 - 7 = -2
Diferença para o segundo valor: 6 - 7 = -1
Diferença para o terceiro valor: 5 - 7 = -2
Diferença para o quarto valor: 10 - 7 = 3
Diferença para o quinto valor: 9 - 7 = 2
Eleve cada diferença ao quadrado:

Quadrado da diferença para o primeiro valor: (-2)^2 = 4

Quadrado da diferença para o segundo valor: (-1)^2 = 1
Quadrado da diferença para o terceiro valor: (-2)^2 = 4
Quadrado da diferença para o quarto valor: (3)^2 = 9
Quadrado da diferença para o quinto valor: (2)^2 = 4

Calcule a soma dos quadrados das diferenças dividido por n-1:

Soma dos quadrados das diferenças: 4 + 1 + 4 + 9 + 4 = 22
Aqui que muda: Média dos quadrados das diferenças = soma dos quadrados das diferenças / (n-1) = 22 / (5-
1) = 5.5
Calcule o desvio padrão como a raiz quadrada da média dos quadrados das diferenças:
Desvio padrão amostral = √5.5 ≈ 2.345
No Excel: =DesvPad.A
Portanto, o desvio padrão amostral da amostra de dados fornecida é aproximadamente
2.345.

12 Outras formas de calcular desvio padrão: usando fator de correção d2

O cálculo do desvio padrão usando d2 é uma forma de ajustar o desvio padrão amostral para que ele seja
uma estimativa não tendenciosa do desvio padrão populacional. Por outro lado, o cálculo do desvio padrão
sem o uso de d2 é uma forma mais simples e direta de calcular o desvio padrão amostral. Aqui estão
algumas diferenças entre os dois métodos:

12.1 Desvio padrão com d2:

• Requer o uso de um fator de correção d2, que é encontrado em tabelas estatísticas.
• O fator d2 é usado para ajustar o desvio padrão amostral para que ele seja uma estimativa não
tendenciosa do desvio padrão populacional.
• É mais preciso do que o cálculo do desvio padrão sem d2.
12.2 Desvio padrão sem d2:
• É uma forma mais simples e direta de calcular o desvio padrão amostral.
• Não requer o uso de um fator de correção d2.
• É menos preciso do que o cálculo do desvio padrão com d2.

Em resumo, o cálculo do desvio padrão com d2 é mais preciso, mas requer o uso de um fator de correção
encontrado em tabelas estatísticas. Por outro lado, o cálculo do desvio padrão sem d2 é mais simples e
direto, mas é menos preciso. A escolha do método depende do contexto em que os dados estão sendo
analisados e da precisão desejada.

13 Um exemplo prático de cálculo de desvio padrão com d2 e sem d2

Para calcular o desvio padrão do conjunto de dados (5, 6, 5, 10, 9) usando a tabela D2, primeiro precisamos
calcular a amplitude de cada subgrupo.
Como não há subgrupos, a amplitude é simplesmente a diferença entre o maior e o menor valor:
• Amplitude = 10 - 5 = 5
Em seguida, precisamos encontrar o fator D2 correspondente ao tamanho da amostra.
Como temos 5 dados, o fator D2 correspondente é 2,326 para um nível de confiança de 95%. Com a
amplitude e o fator D2, podemos calcular o desvio padrão usando a seguinte fórmula:
• Desvio padrão = Amplitude / D2 * fator de correção
O fator de correção é uma constante que depende do tamanho da amostra e é encontrado em tabelas
estatísticas. Para um tamanho de amostra de 5, o fator de correção é 0,886. Substituindo os valores na
fórmula, temos:
• Desvio padrão = 5 / (2,326 * 0,886) = 2,39
Portanto, o desvio padrão do conjunto de dados (5, 6, 5, 10, 9) é de aproximadamente
2,39, quando calculado usando a tabela D2.

14 Em resumo e resultados DesvPad.P / .A / d2.

O cálculo do desvio padrão com D2 envolve o uso de um fator de correção para ajustar o desvio padrão
amostral para que ele seja uma estimativa não tendenciosa do desvio padrão populacional.
O cálculo do desvio padrão sem D2 é mais simples e direto, mas é menos preciso.
A escolha do método depende do contexto em que os dados estão sendo analisados e da precisão desejada.

DesvPad.P DesvPad.A Com tabela Média

d2
2,097 2,345 2,39 2,277

15 Tabela D2 para n = 20
A tabela D2 é usada para ajustar o desvio padrão amostral para que ele seja uma estimativa não tendenciosa
do desvio padrão populacional.
Em resumo, a tabela D2 é usada para ajustar o desvio padrão amostral para que ele seja uma estimativa
não tendenciosa do desvio padrão populacional. A tabela D2 varia de acordo com o número de dados e o
nível de confiança desejado e é encontrada em tabelas estatísticas.

16 Carta de Amplitudes (R range). Introdução.

A Carta R é um tipo de gráfico de controle que é usado para monitorar a variabilidade de um processo ao
longo do tempo. A carta R é usada para monitorar a amplitude de cada amostra, que é a diferença entre a
maior e a menor observação em cada amostra. A finalidade desta carta de controle é a mesma que a da
carta para média e desvio padrão. Porém, a carta média e amplitude é mais adequada quando o tamanho
das amostras (tamanho do subgrupo) é menor ou igual a 8. Para analisar um gráfico de amplitudes carta R, é
necessário observar os seguintes pontos:
• A linha central representa a média das amplitudes.
• Os limites de controle superior e inferior são calculados usando a média das amplitudes e as
constantes D3 e D4, que dependem do tamanho da amostra.
• Se a parte inferior da carta (amplitude) apresenta pontos fora de controle, ou seja, apresentar causas
especiais, você não deve considerar os resultados na parte da média, já que os limites de controle
em ambos os casos, média e amplitude, são calculados usando os mesmos dados.
• Os pontos fora de controle podem influenciar as estimativas dos parâmetros do processo e evitar que
limites de controle de representem verdadeiramente o seu processo. Se os pontos fora de controle
forem devidos a causas especiais, considere a omissão desses pontos dos cálculos.
Para construir uma carta R, é necessário seguir os seguintes passos:
1. Crie uma coluna com a quantidade de amostras e outras colunas com a quantidade de medições que
foram feitas nessas amostras.
2. Calcule a média e a amplitude das suas amostras e suas respectivas medições.
3. Calcule a média geral de todo o processo juntamente com a média das amplitudes. A média das
amplitudes na carta de controle recebe o nome de R barra (R de “Range” que significa amplitude em
inglês).
4. Calcule o limite superior central, o limite central e o limite inferior central da amplitude (R barra).
5. Faça a construção do gráfico das amplitudes das amostras.
Ao analisar um gráfico de amplitudes carta R, é possível identificar se o processo está sob controle ou se há
causas especiais que precisam ser investigadas.

17 Exemplo carta de amplitudes (R - range)

Para calcular os dados de um Gráfico de Controle de Amplitude (Gráfico R), precisamos encontrar a
amplitude dos dados da amostra.
A amplitude é a diferença entre os maiores e menores valores da amostra.
Dada a amostra de dados: 5, 6, 5, 10, 9 Calcule a amplitude dos dados da amostra:
Amplitude = Maior valor - Menor valor Amplitude = 10 - 5 Amplitude = 5
Plote a amplitude no Gráfico R.
O Gráfico R é usado para monitorar a variabilidade de um processo ao longo do tempo, plotando a amplitude
de cada subgrupo.
A linha central representa a amplitude média, e os limites de controle superior e inferior são calculados com
base na amplitude média e no tamanho da amostra.
Como o tamanho da amostra é 5, podemos usar as seguintes fórmulas para calcular os limites de controle:
Limite de controle superior (LCS) = D4 x R-bar
Limite de controle inferior (LCI) = D3 x R-bar
Onde D3 e D4 são constantes de uma tabela baseada no tamanho da amostra, e R-bar é a amplitude média
dos subgrupos.
Para n=5, D3=0 e D4=2.114.
Calcule a amplitude média (R-bar): R-bar = (5+1+5+10+9)/5
R-bar = 6

O grafico R resultante teria os seguintes valores

Sample Range

1 5

2 1

3 5
 Sample Range

4 10

5 9

A média do intervalo (R-barra) é 6, e o limite de controle superior (LCS) é 12,684 e o limite de controle inferior
(LCI) é 0.
O R-Chart pode ser usado para monitorar a variabilidade do processo ao longo do tempo e detectar
quaisquer pontos fora de controle que possam indicar um problema com o processo.

18 Como interpretar o valor do desvio padrão em relação à média

https://www.fm2s.com.br/public/blog/desvio-padrao/amp favicon
https://mundoeducacao.uol.com.br/matematica/desvio-padrao.htm favicon
https://www.voitto.com.br/blog/artigo/o-que-e-desvio-padrao favicon

O desvio padrão é uma medida de dispersão dos dados em relação à média, que indica o quanto os dados
estão afastados da média.
A seguir estão algumas orientações para ajudar na interpretação do desvio padrão em relação à média:
Um desvio padrão igual a zero significa que todos os valores do conjunto de dados são iguais à média e não
há variação. Os dados são perfeitamente uniformes.
Um baixo desvio padrão indica que os dados estão próximos da média ou do valor esperado, ou seja, há
pouca dispersão nos dados.
Um alto desvio padrão indica que os dados estão espalhados, ou seja, há maior dispersão nos dados em
relação à média.
Uma boa regra de ouro é que:
• aproximadamente 68% dos valores estão dentro de um desvio padrão da média ( 1 sigma pra cima,
1 sigma pra baixo);
• 95% dos valores estão dentro de dois desvios padrão e (2x sigma pra cima, 2x sigma pra baixo);
• 99,7% dos valores estão dentro de três desvios padrão (3 sigmas pra cima, 3 sigmas pra
baixo).
• Valores que estão além de três desvios padrão da média são considerados outliers

O desvio padrão é normalmente mais fácil de interpretar do que a variância, pois está nas mesmas unidades
que os dados.
Em resumo, o desvio padrão é uma medida importante para avaliar a variabilidade dos dados em relação à
média, e sua interpretação depende do contexto em que está sendo utilizado.

19 Como o desvio padrão pode ser usado para identificar outliers

Existem várias maneiras de identificar outliers em um conjunto de dados usando o desvio padrão. Aqui estão
algumas orientações:
Uma maneira comum é usar a regra empírica, que afirma que aproximadamente 68% dos valores estão
dentro de um desvio padrão da média, 95% dos valores estão dentro de dois desvios padrão e 99,7% dos
valores estão dentro de três desvios padrão. Valores que estão além de três desvios padrão da média são
considerados outliers

Outra maneira é usar o método de Tukey, que define um limite superior e inferior para os valores que estão
dentro do intervalo interquartil (IQR), que é a diferença entre o terceiro e o primeiro quartil. Valores que estão
acima do limite superior ou abaixo do limite inferior são considerados outliers

Um valor que está a uma distância significativa do restante dos valores pode ser considerado um outlier. A
distância pode ser definida como um múltiplo do desvio padrão, por exemplo, três desvios padrão acima ou
abaixo da média
.
É importante lembrar que a identificação de outliers depende do contexto em que os dados estão sendo
analisados e que nem todos os valores que estão fora do intervalo interquartil ou além de três desvios padrão
são necessariamente outliers

20 Como calcular o “z-score” para identificar outliers

https://www.statskingdom.com/outlier-calculator.html

O z-score é uma medida estatística que indica quantos desvios padrão um valor está acima ou abaixo
da média de um conjunto de dados. Ele pode ser usado para identificar outliers em um conjunto de dados.
Aqui está como calcular o z-score para identificar outliers:
Calcule a média e o desvio padrão do conjunto de dados.
Subtraia a média do valor que você deseja calcular o z-score e divida pelo desvio padrão.
O resultado é o z-score para esse valor.
Valores com z-score acima de 3 ou abaixo de -3 são considerados outliers.

Por exemplo, suponha que você tenha um conjunto de dados com a seguinte distribuição:
10 12 14 16 18 20 22 24 26 28
Para identificar o outlier (40), você pode calcular o z-score da seguinte maneira:
A média é 19 e o desvio padrão é 6,05.

O z-score para 40 é (40 – 19 / 6,05 = 3,46

Como o z-score é maior que 3, o valor 40 é considerado um outlier

Em resumo, o z-score é uma medida útil para identificar outliers em um conjunto de dados, e valores com z-
score acima de 3 ou abaixo de -3 são considerados outliers.

21 Interpretação dos Gráficos e Tendências

Se o processo é estável, apenas as causas comuns estão presentes, logo as medidas devem se manter
dentro dos limites de controle

Se o processo é instável, aparecem pontos fora dos limites de controle ou uma sequência de pontos
não- aleatória indicando a presença de causas especiais.

Em geral, no início do monitoramento, os processos apresentam várias causas especiais. Devido às ações
dirigidas pelas cartas de controle, aos poucos as causas especiais vão sendo identificadas e eliminadas uma
a uma. Com o passar do tempo, obtém-se um processo estável e previsível.
Se os pontos plotados nas cartas apresentam um comportamento não aleatório ou sistemático também são
um forte indício de causa especial.
22 Padrões de causas especiais
A observação de padrões pode disparar uma ação antecipada sobre o sistema antes mesmo que um ponto
apareça fora dos limites de controle.
Alguns padrões podem ser favoráveis e podem fornecer a pista para eventuais melhorias permanentes no
processo.

Exemplos:

22.1 Sete pontos consecutivamente abaixo ou acima da LM.

Possíveis causas: Mudança no ajuste de máquina; processo, método ou material diferente; avaria de um
componente na máquina; quebra de máquina; grande variação no material recebido.
22.2 Sete pontos subindo ou descendo.
Possíveis causas: Desgaste de ferramenta; gradual desgaste do equipamento; desgaste relacionado ao
instrumento de medição.

22.3 Pontos fora dos limites de controle.

Possíveis causas: Erros na medição ou no registro dos dados; quebra de ferramenta; instrumento de
medição desregulado; operador não consegue identificar a medida.
22.4 Periodicidade dos pontos.
Possíveis causas: não uniformidade na matéria prima recebida; rodízio de operadores, gabaritos e
instrumentos; diferenças entre turnos.

22.5 Deslocamento da média

Possíveis causas: Novo método; nova máquina; melhoria de qualidade; novo lote de material.
23 Um pouco sobre o pesquisador desse artigo
https://www.linkedin.com/in/schneider-engenharia-automacao-pmi-processos/
Otavio Schneider. Com mais de 27 anos de experiência em gestão de engenharia e projetos, liderou áreas
de Produtos, Processos e Manutenção em indústrias multinacionais e nacionais dos setores automotivo,
laminados, extrusão e injeção plástica. Expertise em gerenciamento de projetos tradicionais (Cascata,
Waterfall), APQP e métodos ágeis. Alcançando melhorias significativas na eficiência dos processos e
redução de custos operacionais. Atuação focada em diagnósticos e otimização de processos industriais, com
planejamento considerando critérios ambientais, sociais e de governança corporativa. Habilidades em
automação industrial, integração de tecnologias, criação de métricas e monitoramento de indicadores de
desempenho.

24 Fontes Bibliográficas

24.1 CONTROLE ESTATÍSTICO DO PROCESSO - SÉRIE MONOGRÁFICA QUALIDADE

José Luís Duarte Ribeiro e Carla Shwengber ten Caten.
Porto Alegre: FEENG/UFRGS, 2012. 172p. (Série Monográfica Qualidade)
ISBN 85-88085-10-0

24.2 FERNANDO PORTO - UNITAU

https://fernandoportoprofessorengenheiro.files.wordpress.com/2019/09/eap-04-carta-de-controle-
introduc3a7c3a3o.pdf