Universidade de São Paulo

Escola de Engenharia de São Carlos

Departamento de Engenharia de Produção

CONTROLE DA QUALIDADE
DE PROCESSO

Prof. Dr. Luiz C. R. Carpinetti

r-
l
"I
o
São Carlos, agosto de 2003
u
~ 2ª Edição
o,
o Reimpressão
"'
-~
Q)
Código 03089
"'
 Universidade de São Paulo
Escola de Engenharia de São Carlos
Departamento de Engenharia de Produção

CONTROLE DA QUALIDADE
DE PROCESSO

Prof. Dr. Luiz C.R. Carpinetti

São Carlos, agosto de 2003

2ª Edição
Reimpressão
 CONTEÚDO

PREFÁCI0 ....................................................................................................................... 5

1. INTRODUÇÃO
1.1. Conceituação da Qualidade do Produto ..................................................................... 7
1.2. A Função Qualidade ................................................................................................. 9
1.3. Custos da Qualidade ................................................................................................ 12
1.4. Ferramentas e Metodologias da Qualidade ............................................................. 16

2. FUNDAMENTOS DO CONTROLE ESTATÍSTICO DE PROCESSO

2.1 Razões para a Aplicação de CEP .............................................................................. 19
2.2. Relação Entre Controle de Processo e Capacidade de Processo .............................. 23
2.3. Tipos de Gráficos de Controle ................................................................................. 24

3. CONCEITUAÇÃO ESTATÍSTICA
3.1. Alguns Conceitos Básicos ....................................................................................... 25
3.2. Teste de Hipótese ..................................................................................................... 30

4. GRÁFICO DE CONTROLE PARA VARIÁVEIS

4.1. Conceituação Estatística dos Gráficos de Controle ................................................. 37
4.2. Construção dos Gráficos da Média (X ) e da Amplitude R ................................... .40
4.2.1. Gráfico de X ....................................................................................................... 40
4.2.2. Gráfico de R .......................................................................................................... 42
4.3. Testes de Indicação de Processo Fora de Controle .................................................. 44
4.4. Tamanho das Amostras e Frequência de Amostragem ............................................ 55
4.4.1. Curva Característica de Operação (CCO) e Tamanho da Amostra ....................... 56
4.4.2. Frequência de Amostragem .................................................................................. 60
4.4.3. Amostragem Estratificada .................................................................................... 64
4.5. Exercícios Propostos ................................................................................................ 67
5. OUTROS GRÁFICOS DE CONTROLE PARA VARIÁVEIS
5.1. Gráficos de X e S ................................................................................................... 75
5.2. Gráficos de X e S para Amostras de Tamanho Variável... ..................................... 77
5.3. Gráficos de Controle para Medições Individuais ..................................................... 77
5.3.1. Construção dos Gráficos X e Rm (Amplitude Móvel) ......................................... 78
5.4. Gráfico CuSum ........................................................................................................ 82
5.5. Gráficos da Média Móvel Ponderada Exponencialmente (EWMA) ........................ 89
5 .6. Exercícios Propostos ................................................................................................ 94

6. GRÁFICOS DE CONTROLE DE ATRIBUTOS

6.1. Utilização de Gráficos de Atributos ......................................................................... 97
6.2. Gráfico de Controle para Fração Defeituosa (p ) ...................................................... 98
6.2.1. Distribuição Binomial ........................................................................................... 98
6.2.2. Construção do Gráfico p ..................................................................................... 100
6.2.3. Teste de Hipóteses entre Duas Proporções ......................................................... 104
6.2.4. Gráfico de p com amostras de tamanho variável ............................................... 106
6.3. Gráfico de Controle para Número de Defeitos (Gráfico c) .................................... l09
6.3.1. Distribuição de Poison ........................................................................................ 111
6.3.2. Construção do Gráfico de Número de defeitos (Gráfico c) ................................ 111
6.4. Gráfico do Número de Defeitos por Unidade (u) .................................................. 114
6.5. Sistema de Demérito .............................................................................................. 119
6.6. Exercícios Propostos .............................................................................................. 121

7. AVALIAÇÃO DA CAPABILIDADE DE PROCESSOS

7 .I. Conceituação de Capabilidade de Processos ......................................................... 125
7 .2. Análise estatística da Capabilidade de Processos .................................................. 128
7.3. Índices de Capabilidade de Processo ..................................................................... 132
7 .4. Determinação Estatística de Tolerância de Conjuntos ........................................... 134
7.5. Exercícios Propostos .............................................................................................. 138

8. AVALIAÇÃO DE SISTEMAS DE MEDIÇÃO DE VARIÁVEIS

8.1. Características de Sistemas de Medição ................................................................ 139
8.2. Estudo de Repetibilidade e Reprodutibilidade de Sistemas de Medição ............... 143
8.3. Estimativa de Variabilidade de Processo de Produção .......................................... 152
8.4. Avaliação da Adequação da Resolução do Instrumento ........................................ 154
8.5. Avaliação do Vício do Sistema de Medição .......................................................... 157
8.6. Avaliação da Linearidade do Instrumento ............................................................. 160
8.7 Exercícios Propostos ............................................................................................... 1M

9. OUTRAS FERRAMENTAS DA QUALIDADE

9 .I. Ferramentas para o Controle e Melhoria da Qualidade ......................................... 167
9.2. Estratificação ......................................................................................................... 170
9.3. Folha de Verificação .............................................................................................. 171
9 .4. Diagrama de Pare to ............................................................................................... 172
9.5. Diagrama de Causa e Efeito .................................................................................. 176
9.6. Histogramas ........................................................................................................... 179
9.7. Diagrama de Dispersão .......................................................................................... 183
9.8. Exercícios Propostos .............................................................................................. 186

10. INSPEÇÃO POR AMOSTRAGEM DE LOTES

10.1. Introdução ............................................................................................................ 187
10.2. Probabilidade de Aceitação e de Rejeição ........................................................... 189
10.3. Curva Característica de Operação- CCO ............................................................ 193
10.4. Inspeção para Aceitação e Inspeção Retificadora ................................................ l97
10.5. Amostragem Simples, Dupla e Múltipla .............................................................. 198
10.6. Qualidade Média Resultante ................................................................................ 201
10.7. Planos de Amostragem da NBR 5426 ................................................................. 203
10.8. Exercícios Propostos ............................................................................................ 210

REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................ 213

APÊNDICE: TABELAS ESTATÍSTICAS

A1- Tabela I: Distribuição Normal (Z) ........................................................................ 215
A2- Tabela li: Valores Críticos da Distribuição t de Student.. ..................................... 216
A3 - Fatores para a Construção de Gráficos de Variáveis ............................................ 217
A4 - Valores de d2 para a Distribuição da Amplitude Média ....................................... 218
 Prefácio

Este texto se ongmou a partir das notas de aula da disciplina "Controle da

Qualidade", oferecida aos alunos do Curso de Engenharia de Produção Mecânica da
Escola de Engenharia de São Carlos, USP.
Neste texto, são abordadas principalmente as técnicas de Controle Estatístico de
Processo (CEP), com ênfase na construção de gráficos de controle de variáveis e
atributos, estudo de capabilidade de processos e de instrumentos de medição. e técnicas
de inspeção de lotes por amostragem.
Os exemplos apresentados visam ilustrar a aplicação dessas técnicas na industria
de manufatura de bens de consumo em geral, além de aplicações em industrias de
processamento contínuo.

O autor.

5
1. INTRODUÇÃO

1.1. Conceituação da Qualidade do Produto

A satisfação do cliente ou consumidor quanto à qualidade de um produto pode

ser desdobrada, segundo Juran (1993), em dois componentes básicos: presença de
atributos e ausência de deficiências. Os atributos de um produto são características do
produto que o destacam, conforme apresentados na Tabela 1.1 para produtos
manufaturados e serviços.

Industrias de Manufatura Industrias de Serviço

Características I Atributos dos Produtos
Desempenho Exatidão
Confiabilidade Em tempo
Durabilidade Plenitude
Facilidade de Uso Cortesia
Fácil Manutenção Presteza no atendimento
Estética Estética
Disponibilidade de Opções
Reputação Reputação
Isenção de Deficiências
Produtos Livres de defeitos e problemas Serviço isento de problemas em
na entrega e durante o uso transações atuais e futuras
Venda, Faturamento e outros processos Venda, Faturamento e outros processos
administrativos livres de deficiências administrativos livres de deficiências

Tabela 1.1: Atributos e ausência de deficiências de produtos (Juran, 1993 ).

Garvin (1992), numa abordagem bastante semelhante à de Juran e com o

objetivo de desagregar o conceito de qualidade, identifica oito atributos ou dimensões da
qualidade, conforme segue:
• Desempenho: que se refere às características básicas de um produto
• Características: que são os adereços do produto, aquelas características secundárias
que suplementam o funcionamento básico do produto
• Confiabilidade: que reflete a probabilidade de mau funcionamento de um produto ou
de ele falhar num determinado período
• Conformidade: atendimento das especificações ou o grau de variabilidade em torno de
um valor de um parâmetro estabelecido como meta
• Durabilidade: que é uma medida da vida útil do produto
• Atendimento: ou seja, rapidez e eficiência do serviço

7
• Estética: a aparência de um produto
• Qualidade Percebida: inferência sobre a qualidade do produto

Um outro aspecto importante a considerar é que alguns autores vão mais além e
agregam o fator preço ao conceito da qualidade como satisfação do cliente. Para
Feigenbaum (1991 ), "Ela (qualidade) significa melhor para certos requisitos do cliente.
Estes requisitos são o uso real e o preço de venda do produto. Ou seja, a qualidade seria
aquilo que proporciona desempenho a um custo aceitáveL Neste sentido a qualidade seria
a maximização do valor do produto, entendendo valor como a relação entre expectativa
do cliente e preço de venda.
Outros autores, como Ishikawa e, aqui no Brasil, Vicente Falconi Campos,
ampliam ainda mais o conceito de satisfação do cliente. Para Ishikawa, a satisfação do
cliente está relacionada a quatro aspectos, conforme segue (ISHIKAW A, I 989):
• qualidade estrita: relacionada a atributos do produto e isenção de defeitos
• custo: relacionadas a custo e preço
• entrega: relacionadas a quantidades e prazos
• assistência

Ou seja, a qualidade do produto, sob a óptica do cliente, incorpora aspectos de

eficiência e qualidade do sistema produtivo responsável pelo produto.
Na mesma linha, Vicente Falconi Campos, na sua visão de Qualidade (baseada
no modelo Japonês) apresenta as dimensões da Qualidade Total como todas aquelas que
afetam a satisfação das necessidades das pessoas envolvidas (conforme Figura l.l) e por
conseguinte a sobrevivência da empresa. Estas dimensões são (CAMPOS, 1992):
• Qualidade: esta dimensão está diretamente ligada à satisfação do cliente interno ou
externo. Ou seja, a qualidade é medida através das características da qualidade dos
produtos ou serviços finais ou intermediários da empresa. Ela inclui não só a
qualidade do produto ou serviço (ausência de defeitos e presença de características/
atributos, conforme caracterizado por Juran, Ishikawa e Garwin), mas também a
qualidade da rotina da empresa (previsibilidade e confiabilidade em todas as
operações), a qualidade do treinamento, a qualidade da informação, a qualidade das
pessoas, a qualidade da empresa, a qualidade da administração, a qualidade do
sistema, a qualidade dos objetivos, etc.
• custo: visto não só como custo final do produto ou serviço, mas também incluindo os
custos intermediários. O preço deve refletir a qualidade. (cobra-se pelo valor
agregado).
• entrega: dos produtos ou serviços finais e intermediários
• moral: mede a satisfação dos empregados de toda a empresa, de departamentos
específicos
• segurança: mede-se a segurança dos empregados, a segurança do meio ambiente e a
segurança dos usuários do produto

8
 Dimensões da Pessoas
Qualidade Total Atingidas

-[Produto/Serviço Cliente, Vizinho

Qualidade
Rotina

Custo Cliente, Acionaista,

Custo--[ Empregado, Vizinho
Preço

Entrega --t Prazo Certo

Local Certo
Quantidade Certa
Cliente

Moral--- Empregados Empregado

Empregados
Cliente, Empregado
Segurança{
Vizinho
Usuários

Figura 1.1: Componentes da Qualidade Total (CAMPOS, 1992).

A qualidade do produto é portanto resultante do conjunto de atividades através

das quais realiza-se a satisfação do cliente, ou função qualidade, como proposto por Juran
(1993) e discutido a seguir.

1.2. A Função Qualidade

Os produtos oferecidos ao mercado por uma empresa são resultantes de uma

série de processos realizados por diferentes pessoas e departamentos dentro da empresa.
Dentre esses processos, podemos considerar primeiramente aqueles diretamente
relacionados com as fases do ciclo de vida de um produto. Tipicamente, essas fases são
(NBR ISO 9004-111994):
" pesquisa de mercado: cujo objetivo é o de fornecer subsídios ao planejamento do
produto para que as expectativas dos clientes sejam incorporadas aos produtos em
desenvolvimento;
" projeto e desenvolvimento do produto: que é responsável por traduzir as expectativas
verbalizadas pelos clientes em características de projeto, tais como concepção, projeto
para manufatura e montagem, especificações, tolerâncias, etc.;

9
• planejamento e desenvolvimento do processo: que é responsável pela seleção dos
processos de manufatura mais apropriados, ou pelo projeto de equipamentos ou
processos, seleção de métodos de trabalho, pelo projeto da fabrica, etc.;
• aquisição de materiais: que é responsável pelo desenvolvimento de fornecedores que
melhor atendam aspectos como qualidade prazo e quantidades de materiais e
componentes;
• fabricação: que é responsável pelo planejamento e controle da produção;
• inspeção e teste: que é responsável pela monitoração da qualidade do processo de
fabricação durante processo e inspeção final;
• acondicionamento e armazenamento:
• vendas e distribuição
" instalação e colocação em operação
" assistência técnica e serviços associados

Para se atingir a satisfação do cliente (entendida aqui no seu conceito mais

amplo) quanto à qualidade do produto, todos os processos, direta ou indiretamente
relacionadas ao ciclo produtivo, devem ser direcionados para o atendimento das
expectativas do cliente. Ou seja, o conceito de qualidade deve ser incorporado à todas os
processos da organização.
Outras atividades, ainda que não diretamente relacionadas ao ciclo de vida do
produto, e que portanto não afetam diretamente a qualidade do produto. podem afetar
outros aspectos pertinentes ao conceito de qualidade total, como prazos de entrega,
segurança. Portanto, quando consideramos o conceito de qualidade totaL todas as
atividades funcionais devem incorporar os objetivos da qualidade.
Ao conjunto de atividades que tem por objetivo incorporar qualidade ao produto,
não importando em que parte da organização essas atividades são realizadas, Juran chama
de Função Qualidade. A Figura 1.2 ilustra o efeito da função qualidade no ciclo
produtivo, que Juran chama de espiral do progresso na qualidade, onde percebe-se o
aspecto evolutivo da satisfação do cliente à medida que informações são coletadas
(através de atendimento ao cliente ou pesquisa de mercado) é retroalimentada ao ciclo
produtivo.
Ainda considerando as fases do ciclo de vida de um produto. deve-se observar
que alguns aspectos são contribuições-chave à qualidade do produto. Estes aspectos são
(adaptado da NBR ISO 9000-1/1994):

a) qualidade decorrente da definição das necessidades para o produto: É o resultado

das pesquisas de mercado identificando o que o consumidor deseja. A qualidade é então
relacionada ao nível com que a adequação ao uso identificada através de pesquisa de
mercado corresponde às reais necessidades do usuário.

10
 Figura 1.2: A Espiral do Progresso na Qualidade (Juran, 1993)

b) qualidade decorrente do projeto do produto: é decorrente das atividades de:

• Concepção do produto: é a tradução das exigências de mercado. A qualidade
está relacionada à escolha de urna concepção de produto que atenda às
necessidades do usuário
• engenharia de produto: envolve o planejamento e detalhamento das
especificações do produto. A qualidade está relacionada ao grau com que as
metas de desempenho, custo, estilo e especificações de engenharia de
produto correspondarn ao conceito do produto.
Nesta fase, a qualidade, dependente do desenvolvimento do produto, é chamada
de Qualidade de Projeto. As características I atributos do produto se referem à qualidade
de projeto. Um aumento da qualidade de projeto normalmente leva a um produto de
maior custo. As características I atributos do produto tem um efeito preponderante nas
vendas. Em muitos segmentos industriais, o conjunto de clientes pode ser fragmentado
segundo o "grau" de qualidade esperado. Assim, o espectro de consumidores levam a urna
demanda por produtos com atributos básicos somente, corno também produtos
"luxuosos".

c) qualidade decorrente da conformidade com o projeto do produto: Na fase de

fabricação, busca-se atingir as especificações de projeto do produto, e de produtividade
do processo, definidas nas fases de projeto de produto e processo respectivamente. O

11
projeto do processo envolve planejamento, lay-out de máquinas, projeto de equipamentos
e ferramentas, parâmetros de controle do processo etc.
A qualidade nesta fase está estreitamente vinculada aos recursos tecnológicos
disponíveis e a interação entre as atividades de desenvolvimento do produto e do
processo, de maneira a assegurar a manufaturabilidade e a facilidade de montagem do
produto.
A qualidade nesta fase, chamada de Qualidade de Conformação, pode então
assumir duas conotações distintas:
• como atendimento às especificações de projeto de produto (Qualidade de Produto), e;
• como atendimento as especificações de máxima produtividade e mínimo custo
(Eficiência de Processo)
Isenção de deficiências se refere à qualidade de conformação. A isenção de
deficiências tem um efeito significativo no custo, através da redução em refugo. re-
trabalho, reclamações, perda de clientes. e outros resultados de deficiências. Um aumento
da qualidade de conformação normalmente leva a uma redução de custos. Em adição.
melhor qualidade de conformação significa menor número de reclamações e
consequentemente maior satisfação.

d) qualidade decorrente da comercialização e suporte ao produto: Nesta fase. a

qualidade se refere a:
• a qualidade na gestão da comercialização dos produtos
• a qualidade dos serviços de instalação, orientação de uso e assistência
técnica.
Portanto, ainda que a qualidade de projeto e a qualidade de conformação
assumam uma posição de destaque em termos de garantia da qualidade do produto, a
qualidade do produto é resultado da qualidade das várias atividades em todas essas fases
do ciclo de produção.

1.3. Custos da Qualidade

De um modo geral, os custos da qualidade englobam os custos decorrentes da

falta de qualidade, assirh como os custos para se obter qualidade.
Os custos da qualidade podem ser classificados em:
• Custos devido à Falhas Internas: são custos associados com defeitos (erros, não
conformidades etc.), que são detectados antes do despacho do produto. Estes custos
desapareceriam se os produtos fossem isentos de defeitos. Exemplos de custos
decorrentes de falhas internas são:
" refugo: material, horas de trabalho etc.
" re-trabalho: horas de re-trabalho
• re-inspeção, re-teste: horas de trabalho de re-inspeção de produtos
retrabalhados

12
 • inspeção total: horas de trabalho em inspeção total de lotes com
nível de qualidade inaceitável
• redução de preço de venda devido à baixa qualidade
• Custos devido à Falhas Externas: são custos associados com defeitos encontrados no
produto depois de comercializado. Estes custos também desapareceriam se os
produtos fossem isentos de defeitos. Exemplos destes custos são:
• custos de assistência técnica no período de garantia
• custos de rompimento de contrato por não atendimento das
especificações de qualidade
• custos por ações na justiça
• Custos de A vali ação da Qualidade: são os custos decorrentes das atividades de
verificação do grau de conformidade com os requisitos de qualidade. exemplos destes
custos são:
• inspeção e teste de recebimento: os custos das atividades de
verificação da qualidade de componentes/produtos comprados de
fornecedores
• inspeção em processo
• inspeção final e teste
• auditorias de qualidade
• manutenção da rastreabilidade e acuracidade de equipamentos de
inspeção e teste
• Custos de Prevenção: são os custos decorrentes das atividades necessárias para reduzir
ao mínimo os custos devido à Falhas e os custos de Avaliação. Exemplos destes
custos são:
• Planejamento da Qualidade: são os custos de todas as atividades que
coletivamente criam o planejamento amplo e detalhado das metas da
qualidade
• Revisão de novos produtos em desenvolvimento: são os custos
decorrentes das atividades de incorporação e garantia da qualidade
do produto na fase de desenvolvimento.
• Controle de Processo: são os custos decorrentes das atividades de
controle de qualidade do processo
• Auditorias da qualidade: são os custos de avaliação da execução de
atividades da qualidade
• Qualificação e desenvolvimento de fornecedores: são os custos de
avaliação da qualidade de fornecedores previamente à seleção de
fornecedores e durante o contrato de fornecimento
• Treinamento: são os custos de treinamento em programas de
qualidade
O modelo econômico tradicionalmente adotado para ilustrar a variação do custo
total da qualidade (decorrente dos custos parciais), em função do nível de qualidade de
conformação, é mostrado na Figura 1.3.

13
 Custo total

o
'Ví
u=
ia~~~~~u
Custo de
avaliação e
prevenção ..........

o 100
Qualidade de Conformação

Figura 1.3: Modelo Econômico do Custo da Qualidade (Juran, 1993).

A consideração da contribuição relativa dos custos parCiais da qualidade na

composição do custo total, com base nesse modelo econômico pode ser útil na indicação
de possibilidades de redução do custo total da qualidade. Para isso, a curva do custo total
da qualidade é dividida em três zonas. Na zona a esquerda do ponto ótimo, os custos
devido à falhas são muito maiores do que os custos de prevenção de falhas. Portanto.
existe uma oportunidade de redução de custos através da melhoria da qualidade de
conformação. De outro modo, segundo este modelo, quando os custos de avaliação são
maiores que os custos das falhas, o nível de qualidade sendo praticado não é sustentável
economicamente. Ou seja, supõe-se que existe uma porcentagem de defeituosos que deve
ser esperada na produção e que é considerada viável economicamente. Portanto, a partir
de certa porcentagem decrescente de defeituosos a sua redução seria mais cara do que as
economias resultantes dela. Essa porcentagem aceitável de defeituosos é conhecida como
Nível Aceitável de Qualidade.
Entretanto, essa análise apresenta várias limitações. Primeiro, parte-se do
pressuposto que a perda da qualidade (e os custos deconentes da não qualidade) será
inexistente desde que o produto esteja em conformidade (dentro das especificações de
projeto), e que a perda da qualidade será a mesma independente do grau de não
conformidade do produto com o projeto. Essa situação é ilustrada na figura 6.5a.

À essa visão, se opõe a teoria de Taguchi sobre custos da qualidade, baseada na

Função Perda da Qualidade (TAGUCHI et ai, 1990). Para Taguchi, é importante pensar
na qualidade em termos da "perda causada à sociedade durante o uso do produto como
resultado de variações funcionais e efeitos danosos". Variações funcionais refere-se à
variação do desempenho do produto com relação ao pretendido em projeto. Taguchi usa o
conceito da "Função Perda da Qualidade" para quantificar qualidade como uma '·perda
devido à variações funcionais". Ele argumenta que a perda é minimizada quando o
parâmetro da qualidade se encontra no seu valor nominal. Ele usa uma função quadrática,
como ilustrado na Figura 1.4b.
14
 min nommal máx Parâmetro min nominal máx ParftmcLrP
de qualidade de qual1dadc

a. h.

Figura 1.4: Perda da qualidade em função do afastamento do valor nominal: visão

tradicional (esquerda) e a visão de Taguchi (direita).

Claramente, a variação dos custos da falta da qualidade conforme o modelo

proposto por Taguchi é bem mais condizente com a realidade que o modelo
convencionalmente aceito. Ou seja, conforme o valor do parâmetro da qualidade se afasta
do seu valor nominal, os custos devido por exemplo à garantia e serviços de assistência
ao cliente tendem a crescer. Os custos da falta da qualidade devido à não conformidades
como re-trabalho é também variável em função do quanto o valor do parâmetro da
qualidade se afasta do nominal.
Outro aspecto importante a se considerar é que o modelo convencional não leva
em consideração os custos subjetivos decorrentes da falta de qualidade como:
• desperdício e ineficiência;
• perda de vendas por problemas de qualidade
e perda de clientes por falta de credibilidade
• custos de re-projeto por razões de qualidade (ou falta de qualidade)
• custos extras de fabricação, possíveis horas extras de trabalho
• refugo não computado
• custos adicionais devido à excessiva variabilidade do processo
Ainda um outro custo bastante subjetivo é o deconente da impossibilidade de
conquista de novos mercados pela falta de margem de competitividade na satisfação do
cliente.
Por outro lado, a concepção de Taguchi torna explicito a relação direta entre
redução de variabilidade e redução de ineficiência e desperdício.
Portanto, o conceito de Nível de Qualidade Aceitável se justifica apenas quando
se considera o problema de melhoria da qualidade sob a óptica desse modelo. Ou seja.
esse modelo é baseado na visão tradicionalmente utilizada para a avaliação da qualidade,
onde, para melhorar a qualidade de fabricação a prioridade é dada (muitas vezes única e
exclusivamente) a investimentos em novos processos, e os investimentos são avaliados

15
considerando-se somente os retornos a curto prazo. A esta visão, entretanto, se opõe a
visão da filosofia da Qualidade Total, onde melhorias significativas da qualidade podem
ser obtidas através da mudança do modelo de administração da produção (por exemplo,
maior integração entre projeto/fabricação/vendas, gerência participativa, treinamento,
trabalho em equipes, delegação de responsabilidades etc.). Estas mudanças são de efeito
mais demorado porém duradouro. Ou seja, no longo prazo, os gastos com prevenção são
amortizados, os custos de falhas e avaliação diminuem, a qualidade do produto aumenta e
o custo total da qualidade diminui, conforme ilustrado na Figura 1.5.

"' Falhas
.2
"'::::
u

Detecçã

Prevenção

Tempo

Figura 1.5: Variação dos Custos da Qualidade, no tempo, com o aumento das atividades
de prevenção e detecção (adaptado de Slack, 1993).

1.4. Ferramentas e Metodologias da Qualidade

As ferramentas estatísticas para planejamento, controle e melhoria da qualidade

podem ser genericamente classificadas em: Controle Estatístico de Processo;
Delineamento de Experimento e Inspeção por Amostragem. Além dessas, outras
metodologias e ferramentas estatísticas e organizacionais da qualidade são aplicadas nas
diferentes fases do ciclo de produção, conforme ilustrado na Figura 1.6.
Se considerarmos a evolução do uso dessas ferramentas estatísticas em industrias
de manufatura, percebemos que no nível mais baixo de maturidade, quando não existe
consciência dos problemas da qualidade, provavelmente haverá uma utilização ainda
incipiente de técnicas de inspeção por amostragem, normalmente em inspeção de
recebimento, para rejeitar aqueles produtos que apresentem uma variabilidade (do
parâmetro de qualidade) além dos limites especificados. Conforme a maturidade na área
de qualidade aumenta, o uso de técnicas de inspeção por amostragem é intensificado. O
uso de técnicas de inspeção será intensificado até o ponto quando se percebe que para
diminuir a variabilidade da qualidade do produto é preciso melhorar a qualidade do
processo.
16
 Planejamento Desenvolvimento Fabricação omercialização

QFD -Desdobramento da Função Qualidade

Análise de Valor l
Delineamento de Experimentos

DFM I DFA- Projeto para Manufatura e Montage

Confiabilidade I
Análise do Modo e do Efeito da falha

I Controle Estatístico de Processo

I 7 Ferramentas Estatísticas

7 Ferramentas Organizacionais

Benchmarking competitivo

Figura 1.6: Ferramentas e metodologias da qualidade

A partir desse ponto, técnicas de controle estatístico de processo passam a ser

utilizadas. Técnicas como gráficos de controle podem ser usadas para monitorar a saída
do processo e com isso detectar a presença de variações esporádicas que estejam
alterando a variabilidade do processo. O controle da qualidade de processo é portanto de
fundamental importância para a garantia da qualidade de conformação. ao mesmo tempo
contribuindo para a redução de custos e aumento a previsibilidade quanto à prazos de
entrega.
Num nível maior de maturidade, as industrias usam intensivamente técnicas de
delineamento de experimentos para reduzir a variabilidade inerente dos processos e
produtos e com isso melhorar a qualidade dos processos. Delineamento de experimento é
uma metodologia onde uma série de testes são feitos. através da variação sistemática dos
fatores de controle do processo ou parâmetros de projeto (especificações de um processo
I produto, variáveis de controle, parâmetros, materiais), com o objetivo de observar e
identificar as razões de variação de um parâmetro de saída (parâmetro de qualidade) em
função dos parâmetros de entrada.
Delineamento de Experimentos é portanto uma abordagem extremamente valiosa
em projeto de produto e processo, na identificação de parâmetros-chave do produto ou
17
processo que são mais influentes no parâmetro de resposta de interesse, ou os níveis de
ajustagem dos fatores do processo I produto para que a variabilidade do parâmetro de
resposta seja mínima, ou ainda os níveis de ajustagem dos fatores do processo I produto
para que o valor do parâmetro de interesse seja próximo do nominal, maximizado ou
minimizado.
Em um alto estágio de maturidade, as técnicas de delineamento de experimentos
e de controle de processo são fortemente usadas para a garantia da qualidade do produto,
ao passo que o uso de técnicas de inspeção passa a ser menor em virtude da menor
dependência da qualidade sobre a inspeção.
Nos próximos capítulos, serão abordados em detalhes as técnicas de Controle
Estatístico de Processo e Inspeção por Amostragem. Delineamento de Experimentos é
abordado em (Carpinetti, 1996).

18
2. FUNDAMENTOS DO CONTROLE ESTATÍSTICO DE PROCESSO

2.1 Razões para a Aplicação de CEP

A primeira constatação importante para justificar o Controle Estatístico de

Processo é que todo processo apresenta um certo grau de variabilidade em seu resultado.
Ou seja, se entendemos um processo como a transformação de um conjunto de
parâmetros de entrada (por exemplo material, máquina, método, trabalho) em uma saída,
como um produto acabado ou semi acabado (Figura 2.1 ), sempre haverá um certo grau de
variabilidade entre produtos. Por exemplo, no processo de usinagem de um eixo cuja
dimensão nominal seja de 25,000 mm, devido à impossibilidade de o processo ser
absolutamente repetitivo, a dimensão dos eixos fabricados se distribuirá em torno do
valor nominal (Figura 2.1).

RUÍDO

ENTRADA PROCESSO SAÍDA

FABRICAÇÃO

FATORES DO
AMBIENTE

PARÂMETRO DE QUALIDADE

DEFINIÇÃO EM PROJETO RESULTADO DO PROCESSO

1
VALOR NOMINAL VALOR NOMINAL

Figura 2.1: Variabilidade do resultado de um processo.

Shewharrl, em seu trabalho pioneiro, observou que as causas da variabilidade

dos processos podem ser genericamente classificadas em:

1
W. Shewhart, The Economic Contra! of Quality of Manufactured Products, 1931.

19
• Causas Crônicas: são as causas de variabilidade inerentes, cromcas, do processo,
assim como ele foi concebido. Ou seja, dispersão do resultado do processo devido a
problemas como por exemplo método inapropriado, equipamentos ou ajustagem do
equipamento não apropriado, por falta de treinamento ou supervisão etc. Ou seja, são
o resultado da somatória de causas de variabilidade inerentes, crônicas ao processo
assim como ele foi concebido e projetado.
• Causas Esporádicas: são variações esporádicas que se devem a problemas
momentaneamente presentes e que desajustam o processo. Por exemplo, fen·amenta
quebrada ou desgastada, flutuação do ponto de ajuste da máquina, ou contaminação
da matéria-prima, erros de operador, etc. Ou seja, se devem a problemas esporádicos,
ocasionalmente presentes

Shewhart observou também que um conjunto (ou uma população) de resultados

de um processo (como por exemplo a dimensão de um eixo usinado) sujeitos somente à
variabilidade decorrente de causas crônicas. se distribui segundo uma distribuição
Normal (distribuição em forma de sino).
Partindo dessas premissas, podemos supor que num instante inicial um
determinado processo esteja apenas sujeito à causas crônicas de variabilidade (Figura
2.2). Conforme o processo progride no tempo, existe a possibilidade da variabilidade do
processo ser alterada devido à ação de causas esporádicas. Com isso. podemos ter
alterações:
• da média do processo(Figura 2.2a);
• da dispersão do processo (Figura 2.2b);
• de ambas (Figura 2.2c).

Ainda que todo e qualquer processo esteja sujeito a um certo grau de

variabilidade, a variabilidade excessiva é indesejável, já que acarreta:
• perda da qualidade do resultado do processo (produto): já que haverá uma grande
dispersão do resultado em torno do valor nominal;
• perda de eficiência, produtividade e previsibilidade;
• aumento de custos: devido à retrabalho, refugo, custos de garantia, etc.

Com base nessa argumentação Shewhart propôs o uso dos gráficos de controle
como forma de. através do monitoramento, detectar quando o processo deixa de operar
dentro dos limites definidos como "o melhor possível".
Assim, se considerarmos o processo de controle, temos as seguintes etapas
básicas (Figura 2.3):
• coleta de dados: através de instrumentos de medição, o resultado do processo (ou um
parâmetro de qualidade do produto, resultante do processo, e.g. diâmetro de uma peça
usinada) é coletado e registrado;
• avaliação do processo: através de estudo de capabilidade é possível avaliar a
capacidade tecnológica do processo para atender às especificações de projeto; através
de gráficos de controle é possível estabelecer os limites de variabilidade do processo e

20
 monitorar o processo ao longo do tempo com o objetivo de identificar possíveis
ocorrências de descontrole estatístico do resultado do processo de fabricação;
• diagnóstico do problema: através do conhecimento do processo e da análise de todas
as possíveis causas que ocasionam o resultado indesejável do processo. procura-se
identificar as causas mais prováveis para a ocorrência do problema;
• ação corretiva: a partir da consideração e identificação das causas mais prováveis para
a ocorrência do problema, busca-se implementar uma ação corretiva visando a
eliminação do problema e o restabelecimento do processo em controle estatístico (ou
seja sujeito apenas ou principalmente à causas crônicas de variabilidade).

Tempo
(a)

Tempo
(b)

-
X

Tempo
(c)

Figura 2.2: Comportamento de um processo sobre o tempo

21
 PROCESSO

Figura 2.3: Ciclo de controle da qualidade de processo.

Portanto o Controle Estatístico de Processo tem por finalidade:

• detectar a presença de problemas esporádicos;

• monitorar o resultado da ação de melhoria do processo; ou seja a eliminação de
causas esporádicas de variabilidade e a redução da variabilidade natural do processo.

Como exemplo do uso dos gráficos de controle, suponha um processo de

usinagem de um eixo, em que, periodicamente, é feita a medição da dimensão do
diâmetro externo de um conjunto de 5 eixos (amostra) fabricados consecutivamente.

As comparações das médias de amostra para amostra e das amplitude (diferença

entre máximo e mínimo) de amostra para amostra indicam como o processo está
variando. Quando um processo está em controle estatístico, ou seja quando apenas causas
crônicas de variabilidade estão presentes, o resultado do processo, conforme ele evolui no
tempo, deve se distribuir aleatoriamente segundo um padrão de distribuição NormaL
variando dentro de limites previsíveis em torno de um ponto central. Assim, quando
plotamos a média e a amplitude das amostras em gráficos cujos limites e linha central
correspondam ao modelo estatístico de variabilidade da média e da amplitude da amostra.
os pontos no gráfico devem se distribuir aleatoriamente em torno da linha central e dentro
dos limites definidos, como ilustrado na Figura 2.5a. De outro modo, quando o processo
não se encontra em controle estatístico, ou seja, quando causas esporádicas, além das
causas crônicas estão interferindo na estabilidade do processo, a distribuição dos pontos
no gráfico apresentará pontos fora dos limites do gráfico ou com uma distribuição não
aleatória, como ilustrado na Figura 2.5b, indicando que algum problema presente está
causando uma piora da qualidade do resultado do processo. Portanto, a situação
considerada ilustra a utilização dos gráficos de média e amplitude de variáveis, que será
visto em detalhes no próximo capítulo.

Assim, o objetivo do uso de gráficos de controle em controle da qualidade de

processos é garantir que o processo opere na sua melhor condição. Ou seja, durante
operação normal, o processo deve se comportar de modo que os resultados caiam dentro
22
dos limites de variação previstos. Se o resultado do processo passa a cair fora desses
limites, isto é um indicativo da presença de problemas que estão tirando o processo da
sua melhor condição, e portanto o processo passa a ser antieconômico e de pior
qualidade.

~-nmmmmmm ---- -nnn

I><
-~ !\
1\ ;\ ><
I \::i

~êv v v v""' ! ~ ~~.7~~-+--~--,W~+-----

~
----------------------------------------------------

~ lmnnnnn_m_______ nmm n
] 1\ 1\ 1\ jS ~~~-+~---r~~~--~or-­
ê-.;;: ~v v 'TV
---------------------------------------------------- ~

(a) (b)

Figura 2.5: Ilustração dos gráficos da média e da amplitude.

2.2. Relação Entre Controle de Processo e Capacidade de Processo.

Existe uma grande confusão entre os limites definidos pelo controle estatístico
do processo e os limites definidos pelas especificações do projeto.
Primeiro, é preciso entender que um processo está sob controle estatístico
quando, através do conhecimento do comportamento passado do processo, é possível
prever, ao menos dentro de certos limites, como o processo é esperado variar no futuro.
quando sujeito apenas às causas crônicas de variabilidade. Portanto, os limites dos
gráficos de controle são definidos pela observação da dispersão dos resultados do
processo quando sujeito apenas a causas crônicas de variação.
De outro modo, os limites definidos pelas especificações de projeto definem
uma faixa dentro da qual a equipe de projeto entende como aceitável para a variação de
um determinado parâmetro de projeto sem prejudicar o desempenho e a qualidade do
produto.
A relação entre a faixa definida pela especificação de projeto e a faixa de
variação natural do processo define a capabilidade do processo. Portanto, o processo de
fabricação será capaz de atender determinada especificação de projeto quando o resultado
do processo estiver disperso (contido) dentro da zona de tolerância, ainda que o processo
esteja em algum momento fora de controle estatístico, conforme ilustrado na Figura 2.6.

23
 Limites do
Limite Inferior Limite Superior
Gráfico
da Especificação da Especificação

Dispersão do resultado
(ou da média) do processo
Figura 2.6: Limites da especificação versus limites de controle.

2.3. Tipos de Gráficos de Controle

Os Gráficos de Controle se subdividem basicamente entre os Gráficos de

controle para variáveis e gráficos para atributos. Variáveis são valores contínuos como
dimensão, pressão, peso etc. Atributos são valores discretos como passa/não passa,
aceita/não aceita, etc.
Os gráficos de controle para variáveis normalmente usados são:
• Média :X
• Amplitude R;
• Desvio Padrão S;
• Amplitude móvel;
• Amplitude móvel ponderada exponencialmente;
• Soma cumulativa.

Os gráficos de controle para atributos normalmente usados são:

• Fração Defeituosa;
• Número de defeituosas;
• Número de defeitos;
• Número de defeitos por unidade.

Nos próximos capítulos, os principais gráficos de controle serão considerados

em maiores detalhes.

24
3. CONCEITUAÇÃO ESTATÍSTICA

3.1. Alguns Conceitos Básicos

Amostra: Uma amostra é um conjunto de dados consistindo de apenas parte das

observações de todas as possíveis observações de uma dada população. Por exemplo, 1O
lâmpadas de um lote de 1500 lâmpadas; ou 5 peças extraídas de um processo de
fabricação.

Amostra Aleatória: Uma amostra é aleatória se cada membro da população tem a mesma
chance de ser escolhido.

Parâmetros de uma População e de uma Amostra:

As medidas descritivas ou parâmetros de uma população finita de elementos X 1 , i

=1, ... , N são:

• Locação (média):

1 N
f..l=E(x)=- I X·1
N i=1
• Variância:

, , 1 N ,
(5-=Var(x)=E(x-f..lt=- I (xi-f..lt
N i=1

• Desvio Padrão:

As medidas descritivas ou estatísticas de uma amostra de tamanho n são:

• Média Amostrai:
1 n
x=- I X· (3.1)
n i=1 l

• Variância Amostrai:
1 n - '
s I (x·- x r (3.2)
n-1 i=1 l

25
• Desvio Padrão Amostrai:

(3.3)

Graus de Liberdade (v): Graus de liberdade é a propriedade pela qual qualquer das (n-1)
observações de uma amostra completamente determinam a outra observação. Esta
propriedade deriva do fato de os desvios de n observações de x somarem zero. i.e.,
'f(x;- x )=O
i=l

o que constitui uma restrição linear nos desvios ou resíduos (€;) usados no
cálculo da variância amostrai S2 .

Erro Experimental: Quando um experimento é repetido sob as mesmas condições, os

resultados não são idênticos. A flutuação que ocorre de uma repetição para outra é
chamada de "Erro Experimental" ou "Erro".

Distribuicão Normal: Observações repetidas que diferem devido ao erro experimental

freqüentemente variam em torno de um valor central numa distribuição simétrica. Uma
distribuição contínua que representa esta situação é dada pela Distribuição Normal ou
Gaussiana (Figura 3.1).

....
..,
...
.

..
:
J1 -3() J1 -2() J1 -l<J J1 Jl+l<J J1+2<J J1+3<J

Figura 3.1: Distribuição Normal.

A Função densidade de probabilidade (F.D.P.) é matematicamente expressa por:

P(x)= ~exp
1 { - 1-2
(x-JLt'} (3.4)
...;2n 2a

A notação de distribuição normal da variável aleatória x é: X - N (f.l, d). A

média (JL) e a variância (d) completamente definem uma distribuição Normal.

26
 Da distribuição normal temos que a probabilidade de um elemento da população
recair entre os valores (f.l- 0 :S: x :S: fl + 0) é:

Da mesma forma, a probabilidade de um elemento da população recair entre os

valores (f.l- 20 :S: x :S: fl + 20) é:

P (f.l-20::;; x::;; fl + 20) = 0,954

E para o intervalo (f.l-30 :S: x :S: fl + 30), a probabilidade é:

p (f.l-30 :S: X :S: fl + 30) = 0,997

Distribuicão normal reduzida (padronizada):

A distribuição da variável reduzida Z tem média zero, (fl =0) e variância 1 ( d = 1), ou
seja: Z- N (0,1).

onde,
X-j.l
Z=-- (3.5)
CJ

Se amostras aleatórias de tamanho n são selecionadas de uma população com

média f1 e desvio padrão CY, então as médias amostrais formarão uma distribuição com
média e desvio padrão dados por:

E(x J= f.1

(3.6)
()
CJ-=-
X .Jii
ou,

CJ ~N -n
(}x= Jn. N-I (3.7)

27
para populações finitas

Teorema do limite Central (T.L.C.)

Na seleção de uma amostra de uma população qualquer com média J.1 e desvio
padrão cr, a distribuição amostrai de :X é aproximadamente "Normal" com média J.1 e

desvio padrão Jn quando n é grande. Portanto, a distribuição reduzida é dada por:

Z=(x:) =.N(O,l) (3.8)

.Jn
Do T.L.C., pode-se afirmar que a distribuição de erros experimentais tende para
a normalidade quando n é grande.

Estimativa por Ponto da Média Populacional

Dado uma amostra XJ, x2 ..• Xn , com x como média amostrai, sabemos do
T.L.C. que:

Das tabelas de distribuição Z sabemos que, com 95,45 %de confiança,

ou p (-2:::;; z:::;; 2) = 0,9545

onde

X-J.l
Z=-- (3.9)
cr/../n

28
Transformando, temos:

ou
(3.1 0)

onde Z~ é determinado de uma distribuição normal reduzida para diferentes valores de

a. Ou seja, em amostras repetidas de tamanho n, o intervalo acima inclui o parâmetro J1

com probabilidade (1- a), ou, com confiança de [(1-a) 100]%, podemos afirmar que a
média populacional está dentro dos limites acima.

Exemplo 3.1: Considere uma amostra aleatória de tamanho n = 25 de uma distribuição

normal com a= 8. A média amostrai é de x = 42,7. Determine o intervalo de confiança
para J1 com uma confiança de 95%.

Sabemos que,

Para um nível de confiança de 95 .%, temos (Figura 3.2):

(1 - a)= 0,95 => a= 0,05 => a/2 = 0,025 => (1 - a/2) = 0,9750.

I Z
-Zw2 O Zw2

Figura 3.2: Área sob a curva Normal reduzida.

Da Tabela I, temos, Za12 = I ,96. Portanto,

29
 -x-Z CJ/
"h;J;;-~-
<u<x-+Z CJ/
"hjfn

42,7-1,96{ .As J ::;11 :s;42,l+l,96 {.As J

39,6::; 11::; 45,8

Intervalo de Confianca com cr Desconhecido

Como na prática o valor de CJnão é conhecido, para amostras grandes (n :2: 30), o
desvio padrão amostrai é usado no cálculo de 11, ou seja:

-_za/2 jS/j;; <u

X - ~ <-+Z
-X a/2 jS/j;;

e para construir um intervalo de confiança para amostras pequenas usamos a distribuição

t de "student" com v = (n-1) graus de liberdade.

--
X S/ <u<x-+
fa12.vjj;;-~- fa12.v (3.11)

cuja distribuição é tabelada (Tabela II).

3.2. Teste de Hipótese

Uma hipótese estatística é uma afirmação sobre parâmetros de uma população, a

partir . da amostra da população. Duas hipóteses são construídas, conforme segue
(Freund, 1988):

H 0 : Hipótese de nulidade
H 1 : Hipótese Alternativa

O teste de hipótese testa a validade de uma hipótese nula contra uma hipótese
alternativa.

Exemplo 3.2: uma fábrica está considerando a compra de uma nova máquina para
estampagem de chapas metálicas. Duas situações podem ser consideradas:

30
1) A fábrica só comprará a máquina se a produtividade dela for mawr que a
produtividade atual (dada pela média de peças/min, J.lo).

Nesse caso, a hipótese nula é de que a média de peças estampadas por minuto, J.l,
da nova máquina é igual à da atual, ou seja:

E a hipótese alternativa é de que J.1 (a média de peças por minuto da nova

máquina) é maior que da máquina atual J.10 •

Portanto, a fábrica comprará a nova máquina somente se a hipótese nula for

rejeitada.

2) A fábrica comprará a máquina (por resultar em melhor qualidade do estampado) a não

ser que (a menos que) a produtividade da máquina nova seja inferior à da atual. Nesse
caso, a hipótese nula é:

Contra a hipótese alternativa:

ou seja, se a hipótese nula for rejeitada, a fábrica não deve comprar a máquina.

Exemplo 3.3 (Adaptado de Freund, 1988): Uma indústria alimentícia deseja saber se uma
máquina em uso está enchendo. a embalagem do produto com o peso certo (50 gr).
Portanto, deve-se testar a hipótese nula, de que o peso médio dos pacotes preenchidos é
de 50 gr, ou seja:

Ho: J.1 = 50 gr.

Contra a Hipótese Alternativa:

Para realizar este teste, um funcionário da empresa é instruído para coletar uma
amostra aleatória de 50 pacotes e verificar o peso de cada pacote. Segundo orientações da
empresa, o seguinte critério é adotado: a hipótese nula será aceita se a média amostrai
estiver entre 48 e 52 gr. Caso contrário, ações corretivas serão tomadas. Entretanto como
a decisão é baseada em uma amostra, as seguintes possibilidades existem:

31
a) A média amostrai ser menor que 48 ou maior que 52 ainda que a média populacional
seja 50 gr.
b) A média amostra! estar dentro do intervalo, ainda que a média verdadeira
(populacional) seja diferente de 48 gr, digamos f.1 =53 gr.

Assim antes desse critério ser adotado, é melhor verificar as chances de uma
decisão errônea. Vamos primeiro investigar a situação a.
A probabilidade disto acontecer devido somente ao acaso é dada pela soma das
áreas em branco na Figura 3.3, onde a distribuição das médias é aproximada a uma
distribuição normal.
O desvio padrão da distribuição das médias é dado por:

considerando que cr = 7,6 gr (dado do fabricante do equipamento), as linhas divisórias na

unidade padronizada Z são:

z = 48 -50 - -1 87 e z = 52 -50= 1 87
1,07 ' 1,07 '

AceitaHo
Rejeita Ho Rejeita Ho

0,0307 0,0307
\.. ,/
x
48 50 52
z
(Z = -1,87) o (Z= 1,87)

Figura 3.3: Distribuição das médias amostrais

Da Tabela I, temos que a área em branco em cada lado da Figura 3.3

corresponde a 0,5- 0,4693 = 0,0307. Ou seja, a probabilidade de se obter um valor para a
média amostrai fora do intervalo (48; 52), quando f.1 = 50 gr e, portanto, erroneamente
rejeitar a hipótese nula H 0 é:

0,0307 + 0,0307 = 0,0614 ou aproximadamente 6%

32
 Se este é um risco aceitável ou não depende da decisão da empresa.

Considerando a possibilidade b (se o teste falha em verificar que 1-1- "i' 50 gr),
suponha, para o propósito deste exemplo que a média seja na verdade 1-1- = 53 gr. Assim a
probabilidade de obter a média amostrai no intervalo (48; 52) é dada pela área da curva
no intervalo (48; 52), Figura 3.4.

Rejeita Ho Aceita Ho

48 52 53
z
(Z=-4,67) (Z=-0,93) O

Figura 3.4: Regiões de aceitação e rejeição da Hipótese Nula.

Nesse caso, estaríamos erroneamente aceitando a hipótese nula como verdadeira.

A probabilidade disso acontecer é:

z = 48-53 = -4 67 . z = 52-53= o 93
1,07 ' ' 1,07 '

A área da curva à esquerda de -4,67 é desprezível e, portanto, segue da Tabela I

que a área em branco é: 0,5- 0,3238 = 0,1762 ou aproximadamente 18%, ou seja, caso a
média real fosse de 53 gr, existiria um risco de 18% de a média amostrai estar dentro do
intervalo (48; 52) e portanto erroneamente aceitando a hipótese nula de que a média é de
50 gr.

O erro no caso a, é chamado:

Erro do Tipo 1: rejeitar a hipótese nula quando ela é verdadeira.

O erro no caso b, é chamado:

Erro do Tipo II: aceitar a hipótese nula sendo ela falsa. Esses erros estão ilustrados no
Quadro abaixo.

33
 Aceita H 0 Rejeita H0
H 0 é verdadeiro Decisão correta Erro tipo I
H 0 é falsa Erro tipo II Decisão correta

A probabilidade de se cometer o Erro Tipo I é P(a). A probabilidade de se

cometer o Erro do Tipo II é P(~).
No exemplo anterior (Exemplo 3.3), para o cálculo do Erro Tipo II foi
escolhido, arbitrariamente um valor para a média Jlo· Entretanto infinitas possibilidades
existem para um valor Jlo diferente de 50 gr. Se o valor de P(~) for calculado para vários
valores de Jl., nos obteremos a "curva de operação" ou "curva OC", conforme ilustrado na
Figura 3.5.
o
::r:
...
-~ 0.8
"'u
<t:
"'
""O
<1)
0.6
""O
'""
~ 0.4
..0
'""
..0
2 0.2
0..

o
45 46 47 48 49 50 51 52 53 54 55
m

Figura 3.5: Probabilidade do Erro Tipo II para diferentes valores da média.

Teste de Significância

No exemplo anterior, o critério para aceitar ou rejeitar a hipótese nula foi

definido como uma faixa de valor (40,5; 44,5). Essa faixa de valores definiu qual a
probabilidade de se cometer o Erro do Tipo L Em termos práticos, o que se faz é definir
um coeficiente de significância a para o teste, e conseqüentemente o valor Za (ou Za12
para o teste bi - caudal). Assim, a estatística do teste é dada por:

z =X - JlO (3.12)
(J

Jn
onde !lo é o valor da média assumido pela hipótese nula. A rejeição da hipótese nula (H 0 :
J1 = J.Lo) acontecerá se o valor da estatística Z cair na faixa em branco. para os casos
indicados na Figura 3.6.

34
 Assim, se a estatística Z cair dentro da região de aceitação, a probabilidade do
Erro do Tipo I será P(a).

Resumo:
Ho: )l. = ).lo ; )l. :2: ).lo ;

HI Rejeita H 0 Se Aceita H0 Se
)l. < ).lo Z <-Za. Z :2:-Za.
)l. > ).lo Z > Za. Z ::;; Za.
)l. -:t: ).lo Z <- Zan ou -Zw2 :S: Z :S: Zwz
Z > Zwz

Rejeita H 0

a
----~----~------~~------------~------z
-Za O
HJ: 1l <!lo

Rejeita H 0

a
----~---------------r--------~----~------z
O Za
HI:Jl>llo

Rejeita H 0 Rejeita H"

----~~~-----------+-----------L--~=------z
Z a/2 O Z a/2

HJ: ll o= !lo

Figura 3.6: Região de Rejeição da Hipótese Nula para Diferentes Hipóteses

Alternativas.

35
4. GRÁFICO DE CONTROLE PARA VARIÁVEIS

4.1. Conceituação Estatística dos Gráficos de Controle

Tipicamente, um gráfico de controle da média contém uma linha central e duas

linhas horizontais definidas como limites superior e inferior. A linha central corresponde
ao valor médio do parâmetro na condição de controle estatístico (ou seja, quando somente
causas crônicas de variabilidade estão presentes). As outras duas linhas horizontais
correspondem aos limites de variabilidade do processo para um determinado nível de
significância.
O modelo estatístico para a construção dos gráficos é baseado no conceito de
Teste de Hipótese. Da Teoria Estatística (como visto na seção 3.1), sabemos que· a média
da distribuição das médias de amostras de resultados de uma população de resultados de
um processo é uma estimativa da média da distribuição da população de resultados. ou
seja:

fl= X,

e que o desvio padrão da distribuição da população de resultados do processo é estimado

a partir do desvio padrão da distribuição das médias, dado pela relação

(J'
=--
(J'-
Xj;;

Sabemos também do Teorema do Limite Central que a distribuição amostrai das

médias de amostras da população se comporta segundo uma Distribuição Normal.
Portanto, ainda tomando como exemplo o processo de usinagem do diâmetro
externo de um eixo, supondo que o processo esteja sujeito apenas à causas crônicas de
variabilidade, podemos estimar a média do parâmetro da qualidade resultante do processo
(neste caso o diâmetro do eixo) a partir da média das médias de um conjunto de amostras
de tamanho n, representativas do comportamento passado recente do processo. Por
exemplo, poderíamos considerar 25 amostras de tamanho n=5, onde: cada amostra
contenha o valor do diâmetro externo de 5 eixos usinados consecutivamente; as amostras
sejam coletadas em intervalos de meia hora de produção. As razões para se construir
amostras dessa maneira serão discutidas mais adiante.
Assim, a partir desse conjunto de dados representando o comportamento do
processo (supostamente sujeito apenas à causas crônicas de variabilidade), podemos
afirmar que estatisticamente a média do processo estará contida dentro do intervalo

37
com uma confiança de 100(1-a)%.
Portanto, temos um modelo que pode ser usado para prever como a média do
processo irá variar quando apenas causas crônicas de variabilidade estejam presentes.
Dessa forma, ao se extrair uma amostra de um processo num instante t ao longo
de uma escala de tempo em que o instante inicial, ta. é definido pelo estabelecimento do
modelo estatístico, o seguinte teste de hipóteses pode ser formulado: se a hipótese nula:

Ha: f.l = f.lo.

for verdadeira, ou seja, se a média do processo no instante t, f.l, não tiver se alterado
significativamente em relação ao seu valor no instante inicial, J.lo. então:

onde x e x representam respectivamente estimativas da média do processo no instante t"

e t. Essa situação é ilustrada graficamente pelo ponto A da Figura 4. I.
Caso contrário, quando o valor da média estiver fora deste intervalo a hipótese
ai ternati va

será aceita. Ou seja, a média do processo, f.l, no instante t, é significativamente diferente

(com um nível de significância a) em relação ao seu valor (J.lo) no instante inicial, t0 •
conforme ilustrado pelo ponto B da Figura 4. 1.
Portanto. os limites do gráfico de controle assim definidos são dados pelas
expressões

para os limites superior e inferior respectivamente.

38
 Rejeitar H o
B

Limite Superior de Controle

Aceitar H o

A
Limite Inferior de Controle

Rejeitar H o

Tempo

Figura 4.1: Gráfico de controle para a média: região de aceitação e rejeição da hipótese
nula.

A partir das expressões acima, vemos que a largura da faixa compreendida entre
os limites do gráfico de controle dependem não só do desvio padrão do processo como
também:
• do nível de significância a;
• do tamanho da amostra n.
O nível de significância a determina o Erro do Tipo I do teste de hipótese, ou
seja assumir que o processo está fora de controle estatístico quando na verdade ele está
em controle (rejeitar H 0 quando H 0 é verdadeiro). Assim, se a for maior, os limites do
gráfico se aproximam da linha central, o que significa que a chance de se cometer um
Erro do Tipo I, P( a), aumenta. Inversamente, uma diminuição de a afasta os limites da
linha central e diminui a chance de se cometer o Erro do Tipo I.

Convencionalmente, adota-se dois valores para a, conforme segue:

• Norma Americana: onde a é definido de forma que Za12 = 3 (Figura 4.2);

• Norma Inglesa: a= 0,02, onde Za12 = 3,09.

39
 Limite Superior de Controle
-z~

~----------~~------------------~x

z ~ -----------------------------------------------------
Limite Inferior de Controle

Figura 4.2: Nível de significância para gráfico de controle (Norma Americana).

Em relação ao tamanho da amostra, sabemos que o desvio padrão da distribuição

das médias é inversamente proporcional ao tamanho das amostras. Assim, uma
diminuição do tamanho da amostra (para a constante) determina um alargamento dos
limites do gráfico (em função do aumento de O' x ), o que aumenta a chance de se cometer
o Erro do Tipo II, P( {3), ou seja aceitar que o processo está em controle quando na
verdade não está, (já que P(/3) depende de n). Inversamente, um aumento do tamanho das
amostras (para a constante) determina um estreitamento dos limites do gráfico
(diminuição de O' x ), o que diminui a chance de se cometer o Erro do Tipo li. Ou seja, o
gráfico fica mais sensível às variações da média. Portanto, o tamanho das amostras
coletadas é um aspecto importante na construção e uso dos Gráficos de Controle, como
será visto na seção 4.4.

4.2. Construção dos Gráficos da Média (X) e da Amplitude R

4.2.1. Gráfico de X
Como na prática não conhecemos a média, Jl, e o desvio-padrão, 0', do processo,
eles devem ser inferidos a partir de amostras preliminares do processo. Esta estimativa
deve, de um modo geral, ser baseada em pelo menos 20 a 25 amostras.
A estimativa da média J1 é dada por

X=X1+Xz+ ... +Xk

k
Assim, X é usado como a linha central do gráfico.

40
 Para definir os limites do gráfico, precisamos estimar o desvio padrão do
processo, cr. Para a construção dos Gráficos de Controle da média e da amplitude. a
estimativa de a é baseada no método da amplitude das amostras.
Este método é baseado na constatação empírica que existe uma relação entre a
amplitude de uma amostra de uma Distribuição Normal e o desvio-padrão desta
distribuição. Ou seja,

~ R
cr=-
d2 '

onde R = Xmax- Xmin e d 2 é um valor tabelado para diferentes tamanhos amostrais. No caso
de se ter várias amostras com amplitudes R h R2, ... , Rm, o desvio-padrão é estimado por
~ R
cr=-
dz
Se o tamanho da amostra é relativamente pequeno, a eficiência deste método é
tão boa quanto a do estimador quadrático (S 2). Entretanto, para amostras de tamanho n :2:
1O este método perde eficiência rapidamente. Daí a razão para se trabalhar com amostras
de tamanho em torno de 5 para a construção desses gráficos.
R
Portanto, se usarmos :X como estimador de J.l, e - como estimador de O". os
d2
limites do Gráfico da Média são expressos por

=
L.!. =X- 3--;=
R
d 2 ...;n

=
L.S.=x+3--;=
R
d 2 ...;n

para os limites inferior e superior respectivamente. Como

é uma constante que depende somente do tamanho da amostra, podemos rescrever as

expressões acima como:

41
 L.!. = :X...:.. A 2 .R (4.1)

(4.2)

Onde a constante A 2 é tabelada para vários tamanhos de amostras. (Tabela III).

4.2.2. Gráfico de R

Além de controlarmos possiveis alterações da média do processo, para

mantermos o processo em controle é preciso também controlar possíveis alterações da
dispersão dos resultados do processo. Vimos na seção anterior que existe uma relação
matemática entre a variação da amplitude da amostra e o desvio-padrão do processo.
Portanto, alterações do desvio-padrão do processo podem ser monitoradas através de um
Gráfico de Variações da Amplitude, ou seja, o Gráfico R.
Os parâmetros do Gráfico R são:

1. Linha Média: dada por

R= Rl +Rz + ... +Rm

m

n. Limites: para a definição dos limites, é preciso estimar o desvio padrão da distribuição
da amplitude, CJR. Prova-se que existe uma relação de proporcionalidade entre o
desvio padrão da distribuição da amplitude e o desvio padrão do processo, dada por

Como o desvio padrão do processo, O", é desconhecido, estimamos O"R a partir da

relação

onde d3 é um valor tabelado. Consequentemente, os limites inferior e superior do gráfico,

considerando ±3 O"R, são dados respectivamente pelas expressões

42
 - d3 -
L.!. = R - 3 - R
d2

e
- d3 -
L.S.=R+3- R
d2

Alternativamente, as expressões para os limites inferior e superior são dadas

respectivamente por

L.!.= R.D 3 (4.3)

L.S. = R.D 4 , (4.4)

onde:

(4.5)

(4.6)

As constantes D 3 e D 4 são tabeladas para diferentes tamanhos de amostra

(Tabela III).

Assim, os passos para a construção dos gráficos da média e da amplitude podem

ser sumarizados conforme segue:

1. Calcular a média das médias: dada por

x=---
"'k-
= L..Ji=I xi
(4.7)
k

onde k é o número de amostras.

43
2. Calcular a média das amplitudes: dada por

(4.8)

onde Ri = Xmax. Xmin da i-ésima amostra.

3. Calcular os limites do Gráfico da Média: a partir das expressões em (4.1) e (4.2).

4. Calcular os limites do Gráfico das Amplitudes: a partir das expressões em (4.3), (4.4),
(4.5) e (4.6). Quando o limite inferior, calculado, for menor que zero, assume-se que ele
seja zero.

Antes que os gráficos possam ser usados para a monitoração do processo. é

preciso que o processo seja trazido para um estado de controle estatístico. Ou seja, é
preciso se certificar que os dados utilizados para a construção do gráfico sejam
representativos de um processo sujeito apenas à causas crônicas de variabilidade. Para
isso, alguns tetes indicativos da presença de variabilidade esporádicas são usados,
conforme descrito na próxima seção.

4.3. Testes de Indicação de Processo Fora de Controle

Em geral, tende-se a considerar que o processo estará fora de controle somente

quando algum ponto ultrapassar os limites. Entretanto, o modelo estatístico usado para a
construção dos gráficos de controle implica que qualquer desvio dos pontos de uma
distribuição normal deve indicar a presença de anormalidades. De um modo geral, deve-
se observar:
• tendência ou variação cíclica dos dados;
• alta concentração de pontos perto ou além dos limites.

A seguir são apresentados oito testes que podem ser usados para a análise dos
gráficos da média e da amplitude, conforme apresentados por Devor, Shang e Sutherland
(1992).

Teste 1: identificação de pontos extremos (Figura 4.3);

44
 Figura 4.3: Teste 1: identificação de pontos extremos.

Teste 2: Dois em três pontos consecutivos na zona A ou além (somente para o Gráfico da
Média, Figura 4.4 );

A
B
c

c \/\----··~---·
--1--------------------------------------------:------n---·-·--·----

Figura 4.4: Teste 2: dois em três pontos consecutivos na zona A ou além.

Teste 3: Quatro em cinco pontos consecutivos na zona B ou além (somente para o Gráfico
da Média, Figura 4.5);

45
 -i-------~-------------------------------------······-·
x

:1---:::::::::: :::-----:::::::_::::: --~

Figura 4.5: Teste 3: quatro em cinco pontos consecutivos na zona B ou além.

Teste 4: Oito pontos consecutivos acima ou abaixo da linha média (Figura 4.6);

Figura 4.6: Teste 4: oito pontos consecutivos acima ou abaixo da linha média.

46
Teste 5: Seis pontos consecutivos apresentam uma tendência linear crescente ou
decrescente (Figura 4.7);

Figura 4.7: Teste 5: seis pontos consecutivos apresentam uma tendência linear crescente
ou decrescente.

Teste 6: Quatorze pontos consecutivos apresentam uma tendência oscilatória crescente ou

decrescente (Figura 4.8);

Figura 4.8: Teste 6: quatorze pontos consecutivos apresentam uma tendência oscilatória •
crescente ou decrescente

47
Teste 7: Oito pontos consecutivos estão fora (além) da zona C (Figura 4.9);

A
B

c
~------~--~-+----------------~-----------x
c
B
A

Figura 4.9: Teste 7: oito pontos consecutivos estão fora (além) da zona C

Teste 8: Quinze pontos sucessivos caem na zona C (Figura 4.1 0).

A
B
c
r------+~~~~~--~~--~r---~-r--~------x
c
B
A

Figura 4.10: Teste 8: quinze pontos sucessivos caem na zona C;

Exemplo 4.1 (Adaptado de Devor, Shang e Sutherland, 1992): Considere um processo de

usinagem (mandrilamento) do diâmetro interno de um assento de mancai em uma carcaça
de um redutor. Para construção dos gráficos de controle da média e da amplitude, decide-
se por coletar amostras de 5 elementos cada (resultados de medidas de cinco diâmetros de
peças usinadas). As amostras são coletadas em intervalos de meia hora, e as peças de cada
amostra são extraídas consecutivamente do processo. Um total de 35 amostras foram
inicialmente coletadas. Os dados na Tabela 4.1 mostram os últimos três dígitos do valor
de cada medida.

48
 A média das médias das 35 amostras é calculada a partir da expressão em (4.1 ):

X =200,246

A amplitude média das 35 amostras é calculada a partir da expressão em (4.8):

_ "'3s R.
R= .L...i=l I=
35

R =7.6286

Os limites do gráfico da média são calculados a partir das expressões em (4.1) e

(4.2), onde A 2 = 0.577 (Tabela III):

L.!.= 195.846

e
LS. = X + A 2 .R =

LS =204.646

A Figura 4.11 apresenta o gráfico da média com os pontos correspondentes às

médias das 35 amostras.
Os limites do gráfico da amplitude são calculados a partir das expressões em
(4.3) e (4.4 ), onde D3= O e D4 = 2.115 (Tabela III):

L.!.= R.D 3 =

LI =0.0

49
 L.S.=R.D 4 =

LS = 16.1305
"-"~_,,,.._

Amostra 2 3 4 5 -- R
XX
~·------··---------·······-······-·--·----~~----~

1 205 202 204 207 205 204.6 5

2 202 196 201 198 202 199.8 6
3 201 202 199 197 196 199.0 6
4 205 203 196 201 1'97 200.4 9
5 199 196 201 200 195 198.2 6
6 203 198 192 217 196 201.2 25
7 202 202 198 203 202 201.4 5
8 197 196 196 200 204 198.6 8
9 199 200 204 196 202 200.2 8
10 202 196 204 195 197 198.8 9
11 205 204 202 208 204 204.6 6
12 200 201 199 200 201 200.2 2
13 205 196 201 197 198 199.4 9
14 202 199 200 198 200 199.8 4
15 200 200 201 205 201 201.4 5
16 201 187 209 202 200 199.8 22
17 202 202 204 198 203 201.8 6
18 201 198 204 201 201 201.0 6
19 207 206 194 197 201 201.0 13
20 200 204 198 199 199 200.0 6
21 203 200 204 199 200 201.2 5
22 196 203 197 201 194 198.2 9
23 197 199 203 200 196 199.0 7
24 201 197 196 199 207 200.0 11
25 204 196 201 199 197 199.4 5
26 206 206 199 200 203 202.8 7
27 204 203 199 199 197 200.4 7
28 199 201 201 194 200 199.0 7
29 201 196 197 204 200 199.6 8
30 203 206 201 196 201 201.4 10
31 203 197 199 197 201 199.4 6
32 197 194 199 200 199 197.8 6
33 200 201 200 197 200 199.6 4
34 199 199 201 201 201 200.2 2
35 200 204 197 197 199 199.4 7
Tabela 4.1: Dados coletados, Exemplo 4.1.

50
 206
205
204
203
202
201

~"'
200
~ 199
198
197
196 195.846
195
194
5 10 15 20 25 30 35
Amostras
Figura 4.11: Gráfico da média, Exemplo 4.1.

30

25

20
<!.}

""' 16.1305
-"'
0..
E
15

-<
10

o ~----~------~------------~----~~----~------~ 0.00000
5 10 15 20 25 30 35
Amostras
Figura 4.12: Gráfico da amplitude, Exemplo 4.1.

51
 A Figura 4.12 apresenta o gráfico da amplitude com os pontos conespondentes
às amplitudes das 35 amostras.
Os gráficos das Figuras 4.11 e 4.12 são uma primeira estimativa dos limites de
variabilidade da média e da amplitude do parâmetro de qualidade do processo sendo
considerado. Analisando-se o gráfico da amplitude, percebe-se que dois pontos excedem
o limite superior do gráfico. Pode-se concluir portanto que alguma ou algumas causas
esporádicas fizeram com que oconesse uma excessiva variabilidade do resultado do
processo pelo menos nos momentos em que as amostras 6 e 16 foram coletadas.
Analisando-se os registros de coleta de dados, pôde-se perceber que nestes momentos o
operador responsável pela estação de mandrilhamento estava sendo substituído por um
outro operador. Pode-se supor então que esse operador substituto não tenha a experiência
necessária para a ajustagem da máquina e isso tenha causado uma excessiva variabilidade
do processo.
A constatação de uma causa esporádica de variabilidade (operador) no momento
em que as amostras 6 e 16 foram coletadas justifica a eliminação dessas amostras do
conjunto inicial de dados usados para a construção dos gráficos. Assim. novos valores
para a linha central e limites dos gráficos da média e da amplitude são calculados.
desconsiderando-se do conjunto de dados as estatísticas referentes às amostras 6 e 16.
conforme segue:
Gráfico da média:
=
X =200.230

LI= 196.385

LS = 204.076
Gráfico da amplitude:
R =6.667

LI =0.0

LS = 14.0967

As Figuras 4.13 e 4.14 apresentam os gráficos revisados respectivamente da

média e da amplitude com os novos valores para os limites e linha central e com os
pontos conespondentes às media e às amplitudes para as 33 amostras. Analisando-se
primeiramente o gráfico da amplitude, percebe-se que todos os pontos estão contidos
entre os limites e que nenhuma das regras aplicáveis à gráfico de amplitude (testes 1, 4, 5
e 6) está sendo violada.
Entretanto, quando o gráfico da média é examinado, percebe-se que a média das
amostras 1 e 11 estão acima do limite de controle. Investigando as possíveis causas para
essas ocorrências, percebeu-se que o momento em que as duas amostras foram coletadas
52
correspondiam ao início da operação no período da manhã e ao início da operação depois
do intervalo do almoço, quando a máquina é parada para troca de ferramenta. Suspeita-se
que esse desvio excessivo da média do parâmetro de qualidade tenha ocorrido pelo fato
de o processo de usinagem ter sido iniciado antes de a máquina entrar em regime térmico,
e portanto essas amostras não são representativas do processo em regime.
206 r-----~----~----~------------~----~--~
205
204 204.076
203
202
201
'"
~ 200
2:
199
198
197
196.385
196
195
5 11 17 22 27 32
Amostras
Figura 4.13: Gráfico da média revisado, Exemplo 4.1.

16.-----~------------~----~------------~----,

14 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 14.0966

12

10

o L-----~----~----~------~----~----~----' 0.00000
5 11 17 22 27 32
Amostras
Figura 4.14: Gráfico da amplitude revisado, Exemplo 4.1.

53
 Com essa possível causa esporádica identificada, as amostras 1 e 11 são
eliminadas do conjunto de dados, e os novos limites e linha central para os gráficos da
média e da amplitude são recalculados, conforme segue:
Gráfico da média:
X =199.948

LI =196.060

LS =203.837

Gráfico da amplitude:
R= 6.7419

LI =0.0

LS =14.2557

As Figuras 4.15 e 4.16 apresentam os gráficos revisados respectivamente da

média e da amplitude com os novos valores para os limites e linha central e com os
pontos correspondentes às media e às amplitudes para as 31 amostras restantes.
Analisando-se os gráficos, percebe-se que nenhuma das regras é violada. o que nos leva a
concluir que os dados usados para a construção dos gráficos representam um processo em
controle estatístico.
205
204 203.837
203
202
201

:8" 200 199.948

:2 199

198
197
196 196.060

195
7 13 19 24 29 34
Amostras

Figura 4.15: Gráfico da média final, Exemplo 4.1.

54
 16.-----~----~------------~---------------,

14 14.2557

12

10

o '-----------~-------~------' 0.00000
7 13 19 24 29 34
Amostras

Figura 4.16: Gráfico da amplitude final, Exemplo 4.1.

Portanto, os gráficos de controle das Figuras 4.15 e 4.16 podem ser usados para
monitorar o processo. Para isso, a linha central e os limites dos gráficos são estendidos ao
longo do eixo horizontal, e as estatísticas (média e amplitude) de novas amostras do
resultado do processo são incluídas no gráfico. O monitoramento da distribuição desses
pontos nos gráficos indicará se o processo continuará sob controle estatístico ou se, em
algum momento durante a execução do processo, alguma causa esporádica de
variabilidade passou a interferir, tirando o processo da sua condição ótima de operação.
Deve-se observar que o procedimento de exclusão de amostras (do conjunto de
dados usados para a construção dos gráficos) de amostras cuja média ou amplitude
violem algumas das regras consideradas na análise dos gráficos não significa, como pode
parecer, uma simplificação grosseira. O que se objetiva com isso é eliminar do conjunto
de dados resultados do processo que tenham sido influenciados por causas esporádicas de
variabilidade. Assim, ao eliminarmos esses pontos do conjunto de dados, os novos
valores calculados para a média e desvio-padrão do processo serão uma melhor
estimativa do processo em controle (sujeito apenas às causas crônicas de variabilidade) e
portanto mais adequados para o calculo da linha central e limites do gráfico.
Uma questão bastante importante na construção dos gráficos de controle é a
maneira com que os dados são coletados. Ou seja, qual o tamanho das amostras e qual a
frequência de amostragem? Estes pontos são discutidos na próxima seção

4.4. Tamanho das Amostras e Frequência de Amostragem

Na construção dos gráficos de controle, precisamos definir o tamanho da amostra

e a frequência da amostragem. Em geral, amostras grandes tornam mais fácil a detecção

55
de pequenas alterações da média. A situação mais desejável sena coletar amostras
grandes e frequentemente. Entretanto, essa opção é. na maioria das vezes, inviável
economicamente. As alternativas viáveis seriam:
• tomar amostras pequenas frequentemente;
• tomar amostras grandes, porém menos frequentes.

Na prática, especificamente em produção seriada de grandes lotes, a melhor

opção é trabalhar com amostras pequenas, coletando amostras frequentemente.
Uma maneira mais objetiva de abordar esse problema, é através do uso do conceito de
ARL (A verage Run Length), que indica o número médio de pontos decorridos (plotados
no gráfico) antes que se perceba um problema (violação de uma das regras de controle
estatístico). Ou seja, o número de amostras decorridas (ou tempo de produção) entre a
ocorrência do problema e a indicação no gráfico.

4.4.1. Curva Característica de Operação (CCO) e Tamanho da Amostra

A probabilidade dos gráficos X e R detectarem alterações na qualidade do

processo é descrita pela Curva Característica de Operação, "CCO". A curva CCO para o
gráfico X com um desvio-padrão conhecido, CJ, é apresentada na Figura 4.17. A
alteração da média é quantificada usando o desvio padrão como unidade, ou seja

k = J.LI- J.lo (4.9)

(J

onde J1 1 representa a nova média (alterada) e J.lo a média inicial. A variável f3 no eixo
vertical representa a probabilidade de não se detectar uma alteração na média na primeira
amostra subsequente à alteração. Ou seja, f3 é a probabilidade de se cometer o Erro do
Tipo II: aceitar a hipótese nula (o processo está em controle) sendo ela falsa.
Portanto, (1 -[3) é a probabilidade de se detectar uma alteração na média na
primeira amostra depois de a alteração ter ocorrido. Pelo gráfico da Figura 4.17, percebe-
se que quanto maior o tamanho da amostra, maior a probabilidade de se detectar a
alteração na média na primeira amostra (ou seja, maior o valor de (1-{3)).
Assim, a probabilidade de uma alteração ser detectada na k-ésima amostra
depois de ocorrida a alteração é

e o número de amostras antes que alteração seja percebida é (Montgomery, 1991 ):

~ 1
ARL = 'LK.f3K-I_(1- [3) = - - (4.10)
K=I 1- [3

56
 Por exemplo, para uma alteração da média do processo de valor correspondente
a um desvio-padrão, 1O", o número esperado de amostras decorridas desde a alteração até
a indicação pelo gráfico, para uma amostra de tamanho n=5 é (gráfico da Figura 4.17):

1 1
ARL= - - = - - =4
1- f3 0.25

A curva CCO para o gráfico de amplitudes é apresentada na Figura 4.18, onde À

corresponde a relação entre o desvio-padrão alterado (do processo em descontrole), 0" 1 , e
o desvio-padrão original do processo, O" 0 , ou seja

Da mesma forma, quanto maior for a alteração e o tamanho da amostra, menor

será [3, ou seja, a probabilidade de se cometer um Erro do Tipo II.

'l
0.9

0.8

0.71

0.6
~-·
!3
.....;

0.4

0.3

0.2

0.1

o 0.5

Figura 4.17: Curva Característica de Operação para o gráfico da média. f3 = Probabilidade

de não se detectar uma alteração na média na primeira amostra subsequente à alteração
(Fonte: Montgomery, 1991).

57
Figura 4.18: Curva Característica de Operação para o gráfico da amplitude(Fonte:
Montgomery, 1991).

O valor de ARL, para diferentes valores de k e diferentes tamanhos de amostras,

é apresentado no gráfico da Figura 4.19

h.

Figura 4.19: Curva ARL (amostras) para o gráfico da média(Fonte: Montgomery, 1991 ).

58
 Por exemplo, para uma amostra de tamanho n=3, uma alteração de 1.5 a (k=1.5)
será percebida depois de decorrido 3 amostras. Se usarmos uma amostra de tamanho n=5,
o número de amostras decorridas cai para 2.

Outra forma de expressar esta informação é através do gráfico do número de

unidades amostradas, I = n ARL, onde n corresponde ao tamanho da amostra (Figura
4.20).

Deve-se observar também que a relação

I
a

indica que, para um processo em controle estatístico, um ponto será plotado fora dos
limites a cada (l/a) pontos. Por exemplo, para um gráfico com limites em 3a, Z=3.0 e
a=0.0027, temos:
.!_ = 370
a

Ou seja, ainda que um processo esteja em controle estatístico, um ponto fora dos limites
será plotado a cada 370 pontos.
40 ,---,---,-'TTTT,.,.,.---,---..,-----~-~

35 -

~ 10

5 -

Figura 4.20: Curva ARL (unidades) para o gráfico da média (Fonte: Montgomery, 1991 ).

59
4.4.2. Frequência de Amostragem

Um ponto fundamental no uso de gráficos de controle é o conceito de

agrupamento racional (Rational Subgrouping). Isto siginifica que as amostras (ou
subgrupos) devem ser selecionadas de modo que:
• a chance de se ter diferenças (dentro de uma amostra) devido à causas esporádicas
seja minimizada;
• a chance de se ter diferenças devido a causas esporádicas, entre amostras seJa
maximizada.
Ou seja, as amostras devem ser construídas de modo que, idealmente:
• a variabilidade dentro de cada amostra seja predominantemente devido à causas
comuns de variabilidade (dispersão natural);
• a variabilidade entre amostras seja predominantemente devido à causas esporádicas de
variabilidade.
A maneira mais óbvia para se selecionar as peças para as amostras é a ordem
temporal de produção, ou seja, compor amostras com peças que tenham sido fabricadas
consecutivamente. Por exemplo:
• 5 peças fabricadas consecutivamente a partir das 9:00h;
• 5 peças fabricadas consecutivamente a partir das 9:15h
• 5 peças fabricadas consecutivamente a partir das 9:30h
Selecionar peças consecutivamente aumenta a chance de, dentro de cada
amostra, ter-se apenas variação devido a causas crônicas. Além disso, selecionar peças
consecutivamente aumenta também a chance de, entre as amostras, ter-se variação devido
à causas esporádicas. Essa situação é ilustrada na Figura 4.21. Ou seja, com amostragem
consecutiva aumenta a chance de as variações das estatísticas de amostra para amostra
serem principalmente decorrentes de causas esporádicas atuantes no processo, ao passo
que dentro de cada amostra as variações serão principalmente decorrentes de causas
crônicas.
Entretanto, outra abordagem para se construir amostras é a de selecionar
elementos de maneira distribuída e não consecutiva (Devor, Shang e Sutherland.I992).
No exemplo anterior, as amostras seriam formadas por 5 peças fabricadas entre 9:00 e
9: 15; 5 peças fabricadas entre 9:15 e 9:30, etc. Ou seja, cada amostra consiste de
elementos que são representativos de todas as unidades que foram produzidas desde a
última amostragem.
A escolha entre coleta de dados de maneira consecutiva ou distribuída requer um
conhecimento prévio de como o processo pode variar no tempo. Assim, se o processo é
sujeito à variações abruptas e sustentadas da média ou da dispersão dos resultados,
amostragem consecutiva deve ser usada (conforme ilustrado nas Figura 4.22). Desse
modo, essa alteração será mais facilmente percebida a partir das diferenças das
estatísticas de uma amostra para outra, como ilustrado pelo gráfico da média na Figura
4.23.

60
 Causas Causas

•
Crônicas Crônicas

@ 6 ~
~
Tempo
Causas Causas
Esporádicas Esporádicas

Figura 4.21: Ilustração gráfica de grupos racionais.

•••• •••• • ••• • ••• • •••

(I) (2) (3) (4) (5) Amostra

Figura 4.22: Alteração abrupta e sustentada da média do processo.

61
 i.~~
r------------------------------------------------------------ -----------
~
-ê"
..;;:
~ .
--------------------------------------------------------------------------------------------------·

Figura 4.23: Aparência do gráfico da média quando o processo é sujeito à variações

bruscas e sustentadas da média (Figura 4.22).

Entretanto, argumenta-se que o método distribuído de construção de amostras é

mais adequado quando (Devor, Shang e Sutherland, 1992):
1. há alterações bruscas da média do processo e um retorno ao estado de controle
(Figuras 4.24). Neste caso, amostragem distribuída permite uma mais fácil percepção
dessas alterações através do gráfico da amplitude (Figura 4.25).
11. há uma variação gradual da média do processo (Figuras 4.26). Nesses casos, a
construção de amostras de maneira distribuída faz com que a amplitude dos dados
exceda os limites do gráfico da amplitude, e com isso se perceba a alteração do
processo (Figura 4.27) .

• • • •:• • • •l• • • •:• • • •:• • • •

(I) (2) (3) (4) (5) Amostra

Figura 4.24: Alteração brusca e não sustentada da média do processo.

62
 l><
--------------------------------------------------------------------------------------------------
.. • ....
-S!

~ ~- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -·
1

~ 1- -- -- ----- - --
~

1_ _ _ _ _ _ _ _ _ _ _- - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Figura 4.25: Aparência do gráfico da amplitude quando o processo é sujeito à variações
bruscas e não sustentadas da média (Figura 4.24).

:a"'
~~----------------

• • • •i• • • • : • • • • • • • •:• • • •
(1) (2) (3) (4) (5) Amostra

Figura 4.26: Alteração gradual da média do processo.

63
Figura 4.27: Aparência do gráfico da amplitude quando o processo é sujeito à variações
graduais da média (Figura 4.26).

Nesses casos, a alteração na média do processo é detectada pela dilatação

(aumento) da amplitude das amostras, decorrente da amostragem distribuída.
Deve-se observar entretanto que para a construção dos gráficos, amostragem
consecutiva deve ser usada, já que os limites dos gráficos são função da amplitude de
variação das amostras. Portanto, o uso de amostragem consecutiva torna os gráficos mais
sensíveis às variações da média ilustradas nos itens i e ii acima ..
Assim, amostragem distribuída deve ser reservada ao processo de
monitoramento e em situações especiais, como mencionado acima.
Outros pontos a observar quando da construção de amostras são:
• estabilidade do processo;
• frequência de possíveis alterações do processo;
• custo de amostragem.

4.4.3. Amostragem Estratificada

Em muitas situações, é comum supor que resultados de processos paralelos e

supostamente idênticos possam ser combinados para formar uma única amostra. Por
exemplo, uma peça de cada máquina de um conjunto de 4 máquinas trabalhando em
paralelo formando uma amostra de tamanho n = 4 (Figura 4.28). Deve-se perceber que,
por mais similares que sejam os processos, e ainda que sujeitos à causas crônicas e
esporádicas de variabilidade de mesma natureza, essas causas de variabilidade vão se
manifestar de maneira diferenciada para cada máquina. Por exemplo, supondo que temos
uma máquina-ferramenta com cabeçote múltiplo de usinagem, o desgaste da ferramenta
será diferente para cada conjunto cabeçote-ferramenta-peça, em função de variações na
64
dureza de peça para peça ou mesmo variações de propriedades mecânicas de ferramenta
para ferramenta.

Assim, quando não estratificamos os dados resultantes de processos diferentes, a

média e amplitude amostrais representam a média dos valores obtidos por diferentes
processos e a amplitude a diferença máxima entre esses valores. É fácil perceber que
essas estatísticas não estão relacionadas com a média de resultados de um particular
processo e a amplitude dos resultados. Ou seja, quando estratificamos os resultados (cada
processo tratado separadamente), as estatísticas de amostras sucessivas vão descrever o
comportamento do processo ao longo do tempo. Ao passo que, quando não
estratificamos os resultados (como ilustrado na Figura 4.28), qualquer diferença entre as
máquinas se manifestará dentro da amostra, através do aumento da amplitude ou variação
da média amostrai, não sendo possível perceber, a partir do gráfico, qual máquina ou
processo está operando em descontrole ou apresentando variação excessiva ou flutuação
da média.

Portanto, devemos construir gráficos de controle a partir de dados estratificados

por máquina. Alguns exemplos de processos em que os dados devem ser estratificados
são dados a seguir (adaptado de Devor, Shang e Sutherland,1992):
• máquina de moldagem por injeção com várias cavidades (ou cabeças injetoras): as
amostras devem ser formadas de forma que as peças de cada amostra sejam todas de
uma mesma cavidade;
• máquina de enchimento de embalagens com várias cabeças: amostra formada por
embalagens de um mesmo bico;
• em laminação de chapas: as chapas terão uma variação de espessura previsível,
quando medido longitudinalmente; devido à deflexão dos cilindros e outros fatores.
As amostras devem ser formadas com medidas feitas na mesma direção longitudinal
(Figura 4.29);
• medição de 2 pontos de usinagem de um eixo (Figura 4.30): cada colo do eixo, ainda
que usinado em uma mesma máquina e em uma mesma sequência de usinagem, por
ocuparem posições diferentes dentro do volume de trabalho da máquina-ferramenta
estarão sujeitos à causas de variabilidade com intensidade variável (por exemplo erros
geométricos, vibração dinâmica, rigidez, etc)_ Portanto, as amostras devem ser
formadas a partir de resultados de um mesmo colo (ou sempre na mesma posição).
Com as amostras construídas dessa maneira, podemos então construir um par de
gráficos para cada processo (ou cabeçote de máquina, etc.) e assim efetivamente
monitorar o resultado dos processos.

65
 !::!:::~::::!::::!::!
Amostra não
Estratificada

Figura 4.28: Ilustração gráfica da construção de amostras não estratificadas.

Figura 4.29: Amostragem ao longo de uma chapa de espessura variáveL

1 1
t~~-lf__L_3 __j~ +o---LL_II-

Figura 4.30: Formação de amostras estratificada com pontos de medição diferentes em

um virabrequim.

66
 Ainda um outro problema relacionado à formação de amostras ocorre quando os
resultados de uma ou diversas máquinas são combinados em um fluxo de saída, por
exemplo em uma esteira, como ilustrado na Figura 4,31. Nesse caso, perde-se a
informação sobre a ordem temporal de produção das peças. Assim, se as amostras forem
formadas a partir de peças retiradas aleatoriamente do fluxo de saída, as estatísticas
calculadas a partir dessas amostras deixam de ter significado para o controle da média ou
dispersão dos processos. Portanto, a construção das amostras deve ser feita antes que as
peças se misturem umas com as outras.

Esteira
Máquina 31

•••
••
••••
• ••
• •••
•• ••••
• Amostra misturada
(mixing)

Figura 4.31: Ilustração de amostragem a partir da mistura ou mixing de peças.

4.5. Exercícios Propostos

4.1. Qual o objetivo do uso de gráficos de controle. ? Qual é o fundamento teórico que
justifica a utilização de gráficos de controle ? Cite exemplos em que gráficos de controle
podem ser usados, justificando a sua utilização.

4.2. (Adaptado de Montgomery, 1991) Deseja-se controlar um processo de usinagem do

diâmetro de um eixo com gráficos de controle. A especificação de projeto para a
dimensão é de 20,250 +1- 0,010 mm. Os dados apresentados abaixo representam
medições feitas em peças que foram selecionadas para formar amostras de tamanho 5 e
extraídas do processo de maneira consecutiva em intervalos regulares.

67
 Amostra XI x2 x3 ~ Xs
1 48 59 42 40 32
2 48 52 51 50 52
3 50 49 60 44 48
4 50 41 48 43 41
5 51 49 60 60 47
6 44 47 54 45 50
7 51 57 53 48 45
8 46 63 63 41 41
9 54 13 53 46 55
10 54 46 55 58 62
11 57 56 53 37 42
12 51 49 67 50 48
13 42 47 48 39 61
14 43 50 44 38 40
15 41 54 59 53 37
16 60 45 52 46 55
17 48 50 45 40 63
18 46 39 43 61 41
19 52 32 54 45 50
20 62 50 47 57 47
21 58 52 57 54 63
22 50 56 44 44 38
23 47 53 42 40 46
24 56 55 44 58 49
25 39 54 54 44 63
26 40 43 59 36 46
27 48 48 34 43 62
28 36 45 43 32 38
29 51 48 24 55 54
30 43 50 40 53 41
31 43 43 49 31 47
32 29 42 43 42 43
33 36 43 43 49 48
34 48 42 43 39 46
35 45 51 43 39 29

a. construa os gráficos de X e R.
b. interprete os gráficos usando as regras apropriadas. Indique cada ocorrência de uma
condição de descontrole do processo. Se necessário, recalcule a linha central e os limites
dos gráficos.
68
4.3. (Adaptado de Montgomery, 1991) Os dados abaixo representam mais 25 amostras do
mesmo processo.

Amostra Xl x2 x3 ~ Xs X Amplitude
36 50 54 51 45 55 51.0 10
37 54 46 40 53 51 48.8 14
38 60 55 44 47 57 52.6 16
39 46 61 51 56 41 51.0 20
40 39 57 54 56 63 53.8 24
41 52 39 45 48 56 48.0 17
42 49 51 49 54 51 50.8 5
43 51 46 44 50 39 46.0 12
44 54 51 49 48 48 50.0 6
45 54 54 57 50 45 52.0 12
46 54 57 49 47 41 49.6 16
47 46 45 48 51 46 47.2 6
48 49 49 55 53 41 49.4 14
49 45 51 44 55 46 48.2 11
50 54 54 5.1 47 49 51.0 7
51 43 51 56 52 46 50.0 13
52 51 47 47 56 48 49.8 9
53 50 47 51 59 48 51.8 12
54 48 60 4.5 49 38 48.0 22
55 54 47 49 50 52 50.4 7
56 41 46 46 48 55 47.2 14
57 52 57 47 58 60 54.8 13
58 53 53 55 52 53 53.2 3
59 55 48 52 56 50 52.2 8
60 48 49 43 54 46 48.0 11

a. determine a linha central e os limites dos gráficos de X e R a partir das primeiras 25

amostras do exercício anterior e registre essas amostras no gráfico.
b. extenda os limites dos gráficos e plote as próximas amostras (de 36 a 60).

4.4. Deseja-se controlar um processo de usinagem com gráficos de controle. O processo

consiste no fresamento de um canal de chaveta em um eixo. O parâmetro a ser controlado
é a profundidade do canal. Amostras de tamanho 4 foram medidas em intervalos de meia
hora durante três turnos seguidos. A profundidade do canal foi

69
medida em mm. Os dados na tabela correspondem aos três últimos dígitos de 4 casas
decimais, ex: 10,2501, 10,2494 etc).

Amostra Xl Xz x3 ~ X Amplitude
-----·-·-·~~·--·-

1 501 501 494 496 498.00 7

2 505 493 509 497 501.00 16
3 497 486 503 500 496.50 17
4 507 307 .503 494 502.75 13
5 488 496 496 503 495.75 15
6 505 505 505 488 500.75 16
7 507 496 506 486 498.75 7
8 490 501 494 505 497.50 11
9 490 495 489 505 494.75 15
10 490 493 497 491 492.75 19
11 492 489 485 496 490.50 11
12 496 503 511 499 502.25 15
13 510 507 491 504 503.00 19
14 503 492 496 497 497.00 11
15 503 492 496 497 497.00 10
16 493 500 500 494 496.75 7
17 499 494 512 504 502.25 16
18 505 492 505 493 498.75 13
19 501 505 497 497 500.00 8
20 498 507 496 506 501.75 11
21 502 500 501 501 501.00 2
22 496 492 504 505 499.25 13
23 503 489 501 503 499.00 14
24 490 498 494 509 497.75 19
25 493 502 493 499 496.75 9
26 498 503 490 486 494.25 17
27 500 507 489 491 496.75 18
28 497 502 499 506 501.00 9
29 491 504 506 502 499.25 15
30 502 493 500 501 499.00 9
31 499 504 506 495 501.00 11
32 503 497 502 493 500.75 10
33 493 508 494 496 497.75 15
34 496 495 509 496 499.00 13
508 507 504.50 8

70
a. construa os gráficos da media e da amplitude do processo.
b. interprete o gráfico usando as regras apropriadas. Indique cada ocorrência de uma
condição de descontrole do processo.
c. o que os gráficos nos dizem sobre o comportamento do processo em termos da média e
desvio padrão.
d. se o valor da média do processo se alterar de um valor correspondente a um desvio
padrão, quantas peças terão decorrido entre o momento em que o processo deixa de estar
em controle estatístico e a indicação pelo gráfico desse descontrole?

4.5. (Adaptado de Montgomery, 1991) Os dados da tabela são desvios da dimensão

nominal de um diâmetro interno de um componente mecânico. Os valores tabelados são
desvios em microns.

Amostra XI Xz X3 ~ Xs

1 -30 +50 -20 +10 +30

2 o +0 -60 -20 +30
3 -50 +10 +20 +30 +20
4 -10 -10 +30 -20 +50
5 +20 -40 +50 +20 +10
6 o o +40 -40 +20
7 o o +20 -20 -10
8 +70 -30 +30 -10 o
9 o o +20 -20 10
10 +10 +20 +30 +10 +50
11 +40 o +20 o +20
12 +30 +20 +30 +10 +40
13 +30 -30 o +10 +10
14 +30 -10 +50 -10 -30
15 +10 -10 +50 +40 o
16 o o +30 -10 o
17 +20 +20 +30 + 30 -20
18 +10 -20 +50 + 30 +10
19 +50 -10 +40 +20 o
20 +50 o o +30 +10

a. construa os gráficos da média e da amplitude do processo.

b. interprete os gráficos usando as regras apropriadas e conclua se o processo está em
controle estatístico ou não.

71
4.6. (Adaptado de Montgomery, 1991) Os dados tabelados apresentam os valores da
média e da amplitude de 24 amostras de tamanho n=5, de um processo de retificação de
mancais. Os valores correspondem ao diâmetro interno do mancai, onde os três últimos
dígitos são registrados (34,5 deve ser entendido como 50,50345).

Amostra X R Amostra X R
I 34.5 3 13 35.4 9
2 34.2 4 14 34.0 6
3 31.6 4 15 37.1 5
4 31.5 4 16 34.9 7
5 35.0 5 17 33.5 4
6 34.1 6 18 31.7 3
7 32.6 4 19 34.0 9
8 33.8 3 20 35.1 4
9 34.8 7 21 33.7 2
10 33.6 8 22 32.8 1
11 31.9 3 23 33.5 3
12 38.6 9 24 34.2 2

a. construa os gráficos da média e da amplitude do processo.

b. interprete os gráficos usando as regras apropriadas e conclua se o processo está em
controle estatístico ou não. Caso o processo esteja fora de controle, revise os limites do
gráfico de controle.

4.7. (Adaptado de Devor, Shang e Sutherland, 1992) Em um processo de fabricação que

produz 600 peças por minuto, amostras de tamanho n = 4 são formadas através da seleção
de uma peça a cada 15 minutos por um período de uma hora.

a. Responda (justificando a resposta) se essa estratégia para a formação de amostras é a

mais adequada para as três situações abaixo indicadas.
I. alterações abruptas e não sustentada da média;
II. alteração gradual e tendenciosa da média;
III. alteração abrupta e sustentada da média.
b. qual esquema de amostragem seria mais apropriado para monitorar cada tipo de
condição da parte a ?

4.8. Se, em um determinado processo, existe a suspeita de que um desgaste acelerado da

ferramenta é a causa da alteração da média, qu_e tipo de esquema de amostragem é mais
adequado para detectar essa causa de variabilidade?

72
4.9. Se, em um determinado processo, suspeita-se que a instabilidade da voltagem da rede
de alimentação esteja causando alterações bruscas e momentâneas da média do processo,
qual seria o esquema de amostragem mais adequado para se detectar essas ocorrências ?

4.10. Em um processo de moldagem por injeção onde cada máquina molda 4 peças
teoricamente iguais simultaneamente (com 4 bicos injetores), deseja-se utilizar gráficos
de média e amplitude para controlar o peso das peças. Para isso, foi definido que as
amostras para a construção dos gráficos e monitoração do processo serão formadas de 4
elementos cada, um de cada cavidade, de um mesmo ciclo de injeção.

a. Esse esquema de mostragem é apropriado ? Porque ?

b. Alternativamente propõe-se que as peças sejam tiradas do molde e acumuladas em uma
esteira. Em seguida, as amostras seriam formadas selecionando-se aleatoriamente 4
elementos para cada amostra. Esse esquema de construção das amostras é apropriado ?

4.11. (Adaptado de Montgomery, 1991) Um gráfico de x é usado para controlar o valor

médio de um parâmetro de qualidade, com amostras de tamanho 4 coletadas em
intervalos de 1 hora. É sabido que cr= 6,0. A linha central do gráfico de x é igual a 200,
o limite superior 209 e o limite inferior 191.

a. se a média do processo se alterar para 188, qual a probabilidade de se detectar essa

alteração na primeira amostra subsequente à alteração.
b. quantas amostras terão decorrido até que se perceba, no gráfico, essa alteração do
processo?

73
S. OUTROS GRÁFICOS DE CONTROLE PARA VARIÁVEIS

5.1. Gráficos de X e S

Ainda que os gráficos X e R sejam os mais largamente usados, algumas vezes é

mais desejável estimar o desvio-padrão do processo diretamente, e não através da
amplitude R. Nesse caso, o gráfico de amplitude é substituído pelo gráfico de Desvio-
padrão, S.
Em geral, os gráficos X e S são preferidos quando:
• a amostra é relativamente grande;
• o tamanho da amostra é variável,
A construção dos gráficos de X e S segue basicamente os mesmos passos
usados para a construção dos gráficos de X e R, exceto que o cálculo de R é substituído
pelo cálculo do desvio padrão amostrai para cada amostra.
Como em geral o desvio padrão do processo não é conhecido, ele é estimado a
partir do desvio padrão amostrai médio de m amostras de tamanho n, ou seja:

O desvio padrão de Sé dado por (Montgomery, 1991):

-
CJ 5
s
=--vt-c;;
r : - - 2 ,1

c4

onde
s é um estimador de cr, e c4 é um valor tabelado em função do tamanho das
c4
amostras (Tabela III).
Assim, os limites e a linha central dos gráficos de S e X são dados por:

1. Gráfico de S:
• limites:

(5.1)

(5.2)

75
onde:

são valores tabelados (Tabela III), e

- 1 m
5=-'L,5;,
m1

a média do desvio-padrão de !11. amostras passadas.

• linha central:

(5.3)

2. Gráfico de X :
• limites:
= 35 = -
L.5. =X+ r =X+ A3 5 (5.4)
c 4 vn

= 35 = -
L.!. = X - r =X - A3 5 (5.5)
c4 vn

onde

é tabelado (Tabela III).

• linha central: dada por X .

Vale observar que, tradicionalmente, os gráficos de X e R. por causa de sua

simplicidade de cálculo, sempre foram preferidos em relação aos gráficos de X e S.
Entretanto, com a facilidade de cálculo computacional hoje existente, tal preferência não
se justifica. Além disso, o gráfico de R, por ser construído a partir de amostras pequenas,
é pouco sensível à pequenas alterações do processo para pequenas amostras. Assim, em
76
casos em que haja necessidade de um controle mais apertado da variabilidade do
processo, amostras moderadamente grandes, e o gráfico de S, devem ser usados.

5.2. Gráficos de X e S para Amostras de Tamanho Variável

Para a construção de gráficos de X e S com amostras de tamanho variável. os

cálculos de x e S devem ser ponderados pelo tamanho das amostras. Assim, se n; é o
número de observações na i-ésima amostra, temos:

fnixi
x=.i=!___ (5.6)
fnij::::;}

(5.7)

5.3. Gráficos de Controle para Medições Individuais.

Existem muitas situações em que não é possível ou razoável formar amostras de

mais de um elemento. Alguns exemplos dessas situações são (Montgomery, 1991):
• taxa de produção muito baixa: o que torna inaceitável permitir que se acumule
observações para formar amostras de tamanho maior que um antes de proceder a
análise;
• em inspeção automatizada: onde é viável medir cada unidade manufaturada;
• em situações onde não faz sentido tomar várias medidas que vão diferir quase que
exclusivamente devido a erros de medição. Por exemplo, controle da temperatura de
um forno ou controle do número de partículas no ar.
Nesses casos, gráficos de controle apropriados devem ser usados. Os gráficos
normalmente usados quando temos amostras individuais são:
• Gráficos X e Rm (Amplitude Móvel ou "Moving Range");
• Gráficos EWMA (Média Móvel Ponderada Exponencialmente ou "Exponentially
Weighted Moving Average");
• Gráfcos CuSum (Cumulative-Sum Control Chart).

Esses gráficos são discutidos a seguir.

77
5.3.1. Construção dos Gráficos X e Rm (Amplitude Móvel)

Para a construção de gráficos X e Rm, devemos assumir que k observações

individuais consecutivas são disponíveis e que estas observações são aproximadamente
distribuídas segundo uma distribuição NormaL Os seguintes passos devem ser seguidos:

1. Cálculo da média das observações passadas: dada por:

K
LX;
x=-~- (5.8)
k

onde k deve ser maior que 25. Esta média será usada para formar a linha central do
gráfico de X.

2. Cálculo das amplitudes (Moving Range) para amostras artificiais de tamanho n:

O tamanho das amostras deve ser pequeno, preferencialmente dois ou três
elementos. As amplitudes são calculadas pela diferença entre máximo e mínimo valores
dentro de cada amostra artificial, Por exemplo, para n=3, temos:

Rml =3 Rm3 =2 Rms=5

~~~

Xi = 12 15 13 12 14 18 13 16
'----.r------' '----.r------' '----.r------'
Rm2 = 3 Rm4 = 6 Rm6 = 5

3. Calcule a amplitude média Rm das (k- n +1) amplitudes: dada por

k-n+l

LRml
R =-~~-­ (5.9)
m k-n+1

Esse valor será a linha média do gráfico de Rm.

4. Cálculo dos limites do gráfico da amplitude: Rm é usado como uma estimativa da

amplitude média R . Os limites do gráfico da amplitude são dados por:
78
 L.S. D4.Rm (5.10)

L.I. = D 3 .R m (5 .11)

onde D 3 e D 4 são as constantes usadas para a construção do gráfico R (Tabela III).

S. Cálculo dos limites do gráfico das medidas: divida Rm por d 2 (valor variável em
função de n) para estimar o desvio-padrão do processo. Os limites de controle são
dados por:

(5.12)

(5. 13)

Exemplo 5.1 (Adaptado de Devor, Shang e Sutherland, 1992): Uma fábrica de alimentos
usa gráficos de controle para controlar a coloração de uma linha de produto. O parâmetro
de qualidade substituta é o peso por volume do produto, já que, sabe-se, a variação da
coloração está relacionada com o conteúdo de uma determinada substância, cuja variação
altera o peso por volume do produto. Como a produção do produto é feita em grandes
lotes, decide-se por usar gráfico de amplitude móvel. A Tabela 5.1 apresenta os dados
para 30 lotes de produção e o valor calculado de Rm para amostras artificiais de tamanho
n=2.

79
 - -Amostra
----- X Rm Amostra X
1 14,56 16 14,27 0,48
2 13,88 0,68 17 14,23 0,04
3 13,98 0,10 18 14,60 0,37
4 14,50 0,52 19 14,25 0,35
5 14,22 0,28 20 14,12 O, 13
6 14,36 0,14 21 14,13 0,01
7 14,46 0,10 22 14,47 0,34
8 14,32 0,14 23 14,73 0,26
9 14,27 0,05 24 14,02 0,71
10 14,20 0,07 25 14,11 0,09
11 14,35 0,15 26 14,48 0,37
12 13,84 0,51 27 14,36 0,12
13 14,43 0,59 28 13,70 0,66
14 14,72 0,29 29 14,36 0,66
15 14,75 0,03 30 14,66 0,30

Tabela 5.1: Dados amostrais, Exemplo 5.1.

Para a construção dos gráficos de medidas e de amplitude, seguimos os passos

descritos acima, conforme segue:

30
L,x
x=-1_' = 429,33 =14311
30 30 ,
29
I,Rmi
54
Rm = 1
29
= 829
· =0294
'

• Limites do gráfico de amplitudes (valores de D3 e D4 da Tabela III):

L. S. = D4 R m = (3,27)(0,294) = 0,963

L.I. = D3 R= O

• Limites do gráfico de medidas (valor de d2 da Tabela III):

; = Rm = 0,294 = 0, 261
d2 1,128

80
 L.S. = x + 3 Rrn = 15,094
d2

L.I. = x- 3 Rm = 13,528
d2

As Figuras 5.1 e 5.2 apresentam os gráficos de amplitudes e das medidas

individuais.
1.1 .---~--------------.......,

.. - - - - - - - .. - - - . - - - - - - - - - - .962160
0.9
0.8
E
<>: 0.7

"
.1'; 0.6
E
.g 0.5
:;
~ 0.4
E
-< 0.3
0.2
0.1
o '----~--~--"---.......0-------' 0.00000
5 10 15 20 25 30
Amostras

Figura 5.1: Gráfico de Amplitude Móvel, Rm, Exemplo 5.1.

15.4.-------------------,

15.2
15.0942
15

13.6
13.5278
13.4
13.2'-------------------....l
5 10 15 20 25 30
Amostras

Figura 5.2: Gráfico de medidas, Exemplo 5.1.

81
 Quando as medidas individuais obedecem uma distribuição Normal, o gráfico de
X é analisado de mesma maneira que o gráfico de X . Assim, um gráfico de distribuição
Normal pode ser usado para validar a suposição de normalidade dos dados.
Os gráficos para variáveis vistos anteriormente são baseados nos princípios
desenvolvidos por Walter A, Shewhart (chamados portanto genericamente de gráficos de
Shewhart). Duas alternativas aos gráficos de Shewhart quando pequenas flutuações são de
interesse são o gráfico de Soma Cumulativa (CuSum) e o gráfico de Média Móvel
Ponderada Exponencialmente (EWMA).

5.4. Gráfico CuSum

O gráfico CuSum incorpora (acumula) a informação da seqüência de amostras

através do registro no gráfico da soma acumulada dos desvios, em relação ao valor alvo,
das médias amostrais. Por exemplo, suponha que amostras de tamanho n ;::;: 1 são
coletadas, e x seja a média da j-ésima amostra. Assim, se Jlo é o valor alvo para a média
do processo, o gráfico CuSum é construído através do registro do valor

si = IJ :xj - Jlo J (5.14)

j=l

para a i-ésima amostra. S; é chamado de soma cumulativa até (e incluindo) a 1-es1ma

amostra. Por incorporar (em cada ponto) a informação de todas as amostras anteriores, o
gráfico CuSum é mais eficiente que os gráficos de Shewart para detectar pequenas
alterações no processo. Além disso, o gráfico CuSum é também adequado para amostras
de tamanho n = 1.
Assim, se o processo permanece estável em torno da média Jlo, a soma
cumulativa definida pela expressão em (5.14) deve se distribuir aleatoriamente em torno
de zero. Entretanto, se a média se desviar para um valor J1 1 > Jlo, então ocorrerá uma
tendência crescente da soma cumulativa. Inversamente, se a média se desviar para um
valor J1 1 < Jlo, então ocorrerá uma tendência decrescente da soma cumulativa. Portanto, se
o gráfico registrar uma tendência crescente ou decrescente, isso deve ser considerado
como uma evidência de alteração da média do processo.

Exemplo 5.2: A Tabela 5.2 apresenta 30 amostras de tamanho n = 1 extraídas de um

processo.

82
 Amostra Amostra
19.440 -0.6133 16 19.42 -0.333
2 18.900 -1.766 17 20.61 0.224
3 19.280 -2.539 18 20.32 0.490
4 21.67 -0.9232 19 18.82 -0.742
5 22.15 1.1735 20 20.54 -0.256
6 20.10 1.220 21 19.56 -0.749
7 18.12 -0.713 22 20.00 -0.802
8 21.40 0.634 23 19.39 -1.466
9 19.26 -0.159 24 21.26 -0.259
10 20.34 0.127 25 21.22 0.907
11 19.08 -0.846 26 20.08 0.934
12 21.42 0.520 27 17.99 -1.129
13 20.41 0.877 28 21.35 0.167
14 19.50 0.324 29 19.30 -0.585
15 20.03 0.300 30 20.64 0.001

Tabela 5.2: Dados amostrais, Exemplo 5.2.

Para controlar a flutuação do resultado, essas amostras foram usadas para a

construção do gráfico de CuSum, conforme segue:

30

~>i
x = ..!:::!__
30
= 20 0533
,

i-1
si= (xi -x)+ L,cxj -:X)
j=l

Os valores das somas cumulativas, Si> são apresentados na Tabela 5.2. A partir
desses valores, o gráfico da Figura 5.3 é gerado. Para essas amostras, percebe-se que o
valor de Si encontra-se variando em torno de zero, o que indica um processo com
resultado estável em torno de um valor médio.

83
 2~------------------------~----~----~

1.5

0.5

"'~ -1.
Cll

-2.

-3~----~----~--------------------------~
o 5 10 15 20 25 30
Amostras

Figura 5.3: Gráfico CuSum, Exemplo 5.2.

Em seguida, para mais dez resultados do processo (amostras de tamanho n=1),

apresentados na Tabela 5.3, foram registrados, no gráfico de CuSum da Figura 5.3, os
respectivos valores de soma cumulativa, Si, apresentados na Tabela 5.3. A Figura 5.4
apresenta o gráfico com o registro desses pontos. Nesse caso, percebe-se nitidamente que
há um afastamento progressivo do valor de Si em relação ao zero, o que significa que
houve uma flutuação da média do processo.

Amostra Amostra
31 20.350 0.297 36
32 19.230 -0.525 37 19.980 2.387
33 21.820 1.241 38 21.020 3.354
34 20.700 1.887 39 20.800 4.101
35 20.120 1.954 40 20.030 4.077

Tabela 5.3: Dados amostrais, Exemplo 5.2.

84
 4

;;; 2
d
.f
..:;;
Eo
u"
"' -1
E
o
"' -2

-3

o 5 10 15 20 25 30 35 40
Amostras

Figura 5.4: Gráfico CuSum, Exemplo 5.3.

Se, por outro lado, o gráfico das medidas fosse construído, para as primeiras 30
amostras, com uma amostra artificial de tamanho n=2, os pontos registrados no gráfico, a
partir da amostra 31 não mostrariam essa tendência, conforme ilustra a Figura 5.5.

25
24
- . - - . - . - - - - . - - . - - - - - - - - . . - - . . . - - - - 23.6850
23

22

21
><
,;
20 20.0533
"'
-o
'Õ
19
::E"
18
17
.. - . - .. - . - - - - - - - - - . - - - ... - - - - .. - . . 16.4216
16
15
5 10 15 20 25 30 35 40
Amostras

Figura 5.5: Gráfico de medidas, amostras artificiais de tamanho n=2, Exemplo 5.2.

85
 Para o gráfico CuSum, os limites de controle não são linhas horizontais como
nos gráficos de Shewhart. Um procedimento formal para se identificar se o processo está
fora de controle é através do USQ de uma "mascara V". Uma mascara V típica é mostrada
na Figura 5.6.

Si

p
3A

2A

2 3 5
Figura 5.6: Máscara V, com parâmetros de construção.

O procedimento de decisão consiste em "sobrepor" a mascara V ao gráfico CuSum com o

ponto O no último valor de Si e com a linha OP paralela ao eixo horizontal. Se todas as
somas cumulativas anteriores estiverem contidas na região interna da mascara, o processo
estará em controle. Entretanto, se algum Sj estiver localizado na região externa, o
processo será considerado fora de controle.
A capacidade da mascara V em detectar desvios da média do processo depende
dos parâmetro d, a distância entre os pontos O e P, e e, a inclinação dos braços da
mascara (Figura 5.6). Assim, se O"x é o desvio padrão do processo (ou da distribuição das
médias de amostras de tamanho maior que 1), .1 a alteração na média que se deseja
detectar, a a probabilidade de se cometer um Erro do Tipo I (supor que houve um desvio
do valor médio quando na verdade não houve), e f3 a probabilidade de se cometer um
Erro do Tipo II (não se perceber que houve um desvio da média), então as expressões
para os parâmetros de e são conforme segue (Montgomery, 1991):

(5.15)

onde

(5.16)

86
e

(5.17)

onde A é um fator de relação entre as unidades das escalas dos eixos vertical e horizontal.
Para f3 pequeno, a expressão em (5.15) é simplificada para

(5.18)

Deve-se observar que se as amostras consistirem de mais de uma observação (n

> 1), então o desvio padrão do processo, CYx ,é substituído pelo desvio padrão da
distribuição das médias CY ~ •

Assim, para o Exemplo 5.2, escolhendo-se a= 0,027, os valores de de e para se

detectar um desvio da média L1 = 1,5 CY são calculados a partir das expressões em (5.17) e
(5.18):

d = _ In(0,027) =
2 2
3 21
(1,5) '

e =tan -1(1,5)
- = 36870
,
2

A máscara com esses parâmetros é ajustada ao último ponto do gráfico,

conforme indicado na Figura 5.7.

Se entretanto quisermos ajustar uma mascara para detectar um desvio da média

equivalente 0,5 CY, então a mascara para controlar o processo será como ilustrado na
Figura 5.8.

87
 5

i:ii 2

"'
>
-~ 1
:;
E o
u"
"'Eo -1
C/)

-2

-3

-4
o 5 10 15 20 25 30 35 40
Amostras

Figura 5.7: Gráfico CuSum com mascara V para detectar desvio de 1,5 (J, Exemplo 5.2

-3

o 5 10 15 20 25 30 35 40
Amostras

Figura 5.8: Gráfico CuSum com mascara V para detectar desvio de 0,5 (J, Exemplo 5.2.

88
5.5. Gráficos da Média Móvel Ponderada Exponencialmente (EWMA)

Média móvel ponderada exponencialmente é uma média de dados passados

(medidas individuais ou médias amostrais) ponderados de forma que os pesos atribuídos
aos dados decaem geometricamente, do presente ao passado remoto.
O grau de decaimento dos pesos atribuídos aos dados depende do fator A. que
pode assumir valores entre O < A::; 1.
Assim, a média móvel ponderada exponencialmente é definida como
(Montgomery, 1991):

(5.19)

onde o valor inicial (para t =1) é Z 0 = x. Substituindo Z,. 1 na expressão (5.19), temos:

Continuando a substituir Z,.j, j = 2, 3, ... , t, obtemos

r-1
Z, = LA(1-A)jxr-j+(1-A) 1 Z 0 (5.20)
j=O

onde o peso A(l- A Y decresce geometricamente.

Para a construção de gráficos de controle onde se deseja uma resposta rápida à
alterações da média, valores para À entre 0,05 e 0,25 são recomendados (Montgomery,
1991).
Supondo que X; (média amostrais, n ~ 1) sejam variáveis aleatórias
2
independentes com variância ~, então, a variância deZ, é dada por:
n

2
2 cr ( A): ( )21]
O"zr =~~ 2-A l-l-A (5.21)

Conforme t aumenta, Z, aumenta para um valor limite

89
consequentemente, os limites do gráfico são dados por:

L.S.=x+3C5
= ~
( 2- À )n
(5.22)

L./.= =X -3(5 ~
(2- À.)n
(5.23)

para valores de t grandes. Para valores de t pequenos, os limites são calculados a partir da
expressão em (5.21).

Como de um modo geral, C5 é desconhecido, as expressões usadas para o cálculo

dos limites se tornam:

=
L.S.=x+A,R ---
-
-~
(2-À)
(5.24)

x-A, R - - -
L./.= =
-
-~
(2-À)
(5.25)

Para a construção de gráficos de medidas individuais, as expressões para o

cálculo dos limites são (Devor, Shang e Sutherland, 1992):

L.S.=x+AS (5.26)

L.l.=x-AS (5.27)

90
onde Sé o desvio-padrão do processo, e A é um parâmetro variável em função de A, cujos
valores são apresentados na Tabela 5.4.

A A
0,050 0,480 0,400 1,500
0,100 0,688 0,500 1,732
0,200 1,000 0,677 2,121
0,250 1,132 0,800 2,449
0,286 1,225 0,900 2,714
0,333 1,342 1,000 3,000

Tabela 5.4: Valores de A em função de A (Devor, Shang e Sutherland, 1992).

Exemplo 5.3: A Tabela 5.5 reproduz as medidas individuais do processo do Exemplo

5.1, com os valores da média ponderada, Z" calculados para A= O, 1O.

Amostra X Z, Amostra X Z,
1 14,56 14,394 16 14,27 14,435
2 13,88 14,223 17 14,23 14,367
3 13,98 14,142 18 14,60 14,444
4 14,50 14,261 19 14,25 14,380
5 14,22 14,247 20 14,12 14,293
6 14,36 14,285 21 14,13 14,239
7 14,46 14,343 22 14,47 14,316
8 14,32 14,335 23 14,73 14,454
9 14,27 14,314 24 14,02 14,309
10 14,20 14,276 25 14,11 14,243
11 14,35 14,301 26 14,48 14,322
12 13,84 14,147 27 14,36 14,335
13 14,43 14,241 28 13,70 14,123
14 14,72 14,401 29 14,36 14,202
15 14,75 14,517 30 14,66 14,355

Tabela 5.5: Dados amostrais, Exemplo 5.3.

91
Para a construção do gráfico EWMA, temos:

x = 14,311
e
s = 0,266
Assim, adotando íL = O, 10, temos A = 0,688 (Tabela 5.4 ), e os limites do gráfico,
calculados a partir de (5.26) e (5.27) são:

L.S. = 14,4941

L.I. = 14,2788

A Figura 5.9 apresenta o gráfico EWMA para o exemplo 5.3.

15

14.8
++ +
+
14.6 +
+
:----- +- - - - - - ~- 14.49412
14.4
14.31100
14.2 .+ +
N . . . . . ··+· . . +. 14.12788
14 +
+
+
13.8 +
+
13.6

13.4
5 10 15 20 25 30
Amostras

Figura 5.9: Gráfico de EWMA, Exemplo 5.3.

Exemplo 5.4: A Figura 5.10 apresenta o gráfico de EWMA construido a partir das 30
amostras do Exemplo 5.2. Os valores deZ, para as amostras da Tabela 5.3 são também
registrados no gráfico da Figura 5.10. Também com este gráfico, percebe-se a alteração
da média do processo ocorrida nas últimas 1O amostras.

92
 23
22.5
+
22
+
+
21.5 +
+ +
21 +
-..---- + 20.77305
20.5 + + +
'-- + + _,....o.,
+ '"'"'"'- +
N 20
- .P-Q,_ n
~- - v 20.05330

19.5 + + _+_ +
+ + - A-- - - - -·- - +- 19.33355
19 +
+ +
18.5
18 +
+
17.5
5 10 15 20 25 30 35 40
Amostras

Figura 5.10: Gráfico EWMA para os dados do Exemplo 5.2.

93
5.6. Exercícios Propostos

5.1. Descreva as situações em que não é desejável ou adequado usar gráfico de médias
para o controle do processo e consequentemente gráficos para medições individuais
devam ser usados.

5.2. Use o primeiro elemento de cada amostra de resultados do exercício 4.2 para formar
um conjunto de 35 medições individuais.
a. construa amostras artificiais de tamanho n = 3. Em seguida, construa gráficos de
controle x e Rm
b. Interprete os gráficos e conclua se o conjunto de medições avaliado é representativo de
um processo em controle estatístico.

5.3. (Adaptado de Montgomery, 1991) Para controlar a qualidade do processo de

enchimento de garrafas de refrigerante, decidiu-se por estabelecer gráficos de controle
para o "nível' de enchimento das garrafas. Os dados apresentados a seguir representam
variações, em torno de um valor nominal, do nível de líquido na garrafa de 15 amostras
de tamanho n=10, coletadas de um bocal de uma máquina de enchimento de vasilhames.

a. construa os gráficos da média e de S.

b. interprete os gráficos usando as regras apropriadas e conclua se o processo está em
controle estatístico ou não. Caso o processo esteja fora de controle, revise os limites do
gráfico de controle.
c. construa o gráfico da amplitude do processo e compare com gráfico S da parte a.

Amostra XJ Xz X3 X<! xs x6 X7 Xg x9 XJO

·······-····-·--------~·-· ------···-------------------·----·---·----·-·-·-·--~----------~------··-- ······--··--·· ----··
2.5 0.5 2.0 -1.0 1.0 -1.0 0.5 1.5 0.5 -1.5
2 0.0 0.0 0.5 1.0 1.5 1.0 -1.0 1.0 1.5 -1.0
3 1.5 1.0 1.0 -1.0 0.0 -1.5 -1.0 -1.0 1.0 -1.0
4 0.0 0.5 -2.0 0.0 -1.0 1.5 -1.2 0.0 -2.0 -1.5
5 0.0 0.0 0.0 -0.5 0.5 1.0 -0.5 -0.5 0.0 0.0
6 1.0 -0.5 0.0 0.0 0.0 0.5 -1.0 1.0 -2.0 1.0
7 1.0 -1.0 -1.0 -1.0 0.0 1.5 0.0 1.0 0.0 0.0
8 0.0 -1.5 -0.5 1.5 0.0 0,0 0.0 -1.0 0.5 -0.5
9 -2.0 -1.5 1.5 1.5 0.0 0.0 0.5 1.0 0.0 1.0
10 -0.5 3.5 0.0 -1.0 -1.5 -1.5 -1.0 -1.0 1.0 0.5
11 0.0 1.5 0.0 0.0 2.0 -1.5 0.5 -0.5 2.0 -1.0
12 0.0 -2.0 -0.5 0.0 -0.5 1.0 1.5 0.0 0.5 -1.0
13 -1.0 -0.5 -0.5 -1.0 0.0 0.5 0.5 -1.5 -1.0 -1.0
14 0.5 1.0 -1.0 -0.5 -2.0 -1.0 -1.5 0.0 1.5 1.5
15 1.0 0.0 1.5 1.5 1.0 -1.0 0.0 1.0 -2.0 -1.5

94
5.4. (Adaptado de Montgomery, 1991) Amostras de tamanho n = 5 são coletadas de um
processo de fabricação a cada meia hora. Depois de 50 amostras serem coletadas, a média
das médias das amostras resultou em 20,0 e a média dos desvios padrões ( S) em 1,5.
Considerando que os dois gráficos exibiram uma situação de controle estatístico:

a. estime o desvio padrão do processo

b. calcule os limites dos gráficos X e S
c. se a média do processo se alterar para 22, qual a probabilidade de se concluir que o
processo esta em controle?
d. quantas amostras terão decorrido até que se perceba, no gráfico, essa alteração do
processo?

5.5. Quais as razões básicas para a utilização do gráfico CuSum ao invés (ou em adição)
aos gráficos da média e amplitude ?

5.6. Os gráficos de CuSum e EWMA apresentam algumas vantagens em relação aos

gráficos da média ou de medidas individuais. Quais ?

5.7. Similarmente ao exercício 5.2, use o primeiro elemento de cada amostra de

resultados do exercício 4.2 para formar um conjunto de 35 medições individuais. A partir
desse conjunto de dados, construa os gráficos CuSum e EWMA e registre os pontos nos
gráficos. Em seguida, analise os gráficos e compare-os com os gráficos da média e
amplitude e da amplitude móvel.

5.8. Construa os gráficos CuSum e EWMA e registre os pontos nos gráficos para os
dados dos exercícios 4.2 e 4.3 (amostras de tamanho 5). Em seguida, analise os gráficos e
compare-os com os gráficos da média e da amplitude.

95
6. GRÁFICOS DE CONTROLE DE ATRIBUTOS

6.1. Utilização de Gráficos de Atributos

Os Gráficos de Controle de Atributos são usados para se controlar características

que não podem ou não convém serem quantificadas. Alguns parâmetros de qualidade são
qualitativos por natureza ao invés de quantitativos. Nesses casos, os parâmetros de
qualidade, ou atributos, são classificados em defeituosos ou não defeituosos ou aceitáveis
e não aceitáveis.
Chama-se defeito toda falta de conformidade da unidade do produto em relação
a uma especificação. Os defeitos podem estar relacionados a:
• acabamento: falhas de material, oxidação etc;
• aspecto: manchas, marcas, riscos etc;
• funcionamento: quebras, trincas etc.

Alguns parâmetros de qualidade que são em princípio mensuráveis são muitas

vezes tratados como atributos. Por exemplo, quando da utilização de calibradores passa-
não-passa em inspeção de características dimensionais, a peça será considerada aceitável
quando a dimensão tiver dentro da faixa dimensional especificada. Nesse caso, um
parâmetro de qualidade quantitativo é transformado em qualitativo na forma dentro da
especificação (aceito)/ fora da especificação (não-aceito). Deve-se observar que a
utilização de gráficos de atributo para controlar parâmetros variáveis (e portanto o uso de
calibradores passa-não-passa) tem como vantagem a simplicidade e rapidez com que os
gráficos são construídos. Entretanto, a desvantagem é a perda de informação sobre como
o parâmetro de qualidade está variando.
Algumas definições são necessárias para se trabalhar com dados qualitativos,
conforme segue:
• defeito: uma não conformidade de uma peça;
• defeituoso: uma peça com um ou mais defeitos;
• número de defeituosos: em uma amostra de n itens, d é o número de defeituosos da
amostra.
• número de defeitos: em uma amostra de n itens, c é o número de defeitos na amostra.
Um item pode apresentar diferentes tipos de defeitos. A soma de todos os defeitos de
todos os tipos da amostra é c.
• fração defeituosa: a relação entre o número de defeituosos na amostra e o tamanho da
amostra, ou seja dln.

97
6.2. Gráfico de Controle para Fração Defeituosa (p ).

6.2.1. Distribuição Binomial

O fundamento estatístico para o gráfico de controle para fração defeituosa está

baseado na distribuição Binomial. Suponha que um processo de fabricação esteja
operando em condições estáveis e que:
• a probabilidade de que alguma peça seja defeituosa é p;
• peças produzidas sucessivamente sejam independentes.
Se uma amostra aleatória de n unidades do produto é selecionada, então, a
probabilidade de termos d unidades defeituosas é:

onde (np) é o número de unidades defeituosas, 1- p é a probabilidade de uma unidade

não ser defeituosa em única tentativa.
A expressão acima é a função probabilidade da distribuição binomial, ou seja:

P(d = X)= (: }x.(1- p y-x

é a probabilidade de termos exatamente d = x defeituosas, enquanto que a probabilidade
de termos no máximo x peças defeituosas é dada pela função probabilidade acumulada,
ou seja:

B (x; n; p )= P(d :<::: x )= Í, (n lp d .(1 -

d~o d)
p )''-d

As suposições da distribuição binomial são (Devor, Shang e Sutherland, 1992):

a) apenas duas alternativas são possíveis para cada observação (tentativa):

consequentemente, a somatória das probabilidades associadas com defeituosas e não
defeituosas deve ser igual a 1.
b) amostragem com reposição: através da reposição da amostra depois de cada tentativa.
garante-se que a fração defeituosa permanecerá constante se o processo é estável, ou
seja em controle estatístico.
c) independência de tentativas sucessivas: o resultado de uma observação
(defeituoso/não defeituoso) não é influenciado pelo resultado de outras observações.
Consequentemente, a probabilidade de ocorrência da amostra (número total de
observações) corresponde ao produto das probabilidades de ocorrência para cada
observação individual.
98
 As propriedades da Distribuição Binomial são:

a) a distribuição binomial tem 2 parâmetros n e p, que são suficientes para se determinar

a distribuição de probabilidades.
b) Para p = 0,5 a distribuição será simétrica. Para p < 0,5 a distribuição será distorcida
positivamente. E para p > 0,5, a distribuição será distorcida negativamente (Figura
6.1).

p=0,5

p<0,5

p>0,5

Figura 6.1: Distribuição Binomial simétrica (p=0,5), distorcida positivamente (p<0,5) e

distorcida negativamente (p>0,5).

99
c) A média da distribuição binomial é dada por:

J.l=np,

e a variância da distribuição binomial dada por

0"2 = p(l- p)
n

6.2.2. Construção do Gráfico p

Em geral, a probabilidade p de um processo produzir uma peça defeituosa não

é conhecida. Essa probabilidade é, na prática, estimada a partir dos dados disponíveis.
Dado m amostras de tamanho n, a fração defeituosa p pode ser estimada por:

(6.1)

i=J

onde P; = :!:J_. Para a i-ésima amostra.

n;

Assim, a linha central para o gráfico de p é dada por p e os limites para o

gráfico (± 3 a) são dados por:

L.!.= p- 3~ p(l: p) (6.2)

(6.3)

100
Exemplo 6.1 (Adaptado de Devor, Shang e Sutherland, 1992): Deseja-se monitorar a
fração de peças defeituosas em um processo de injeção de peças plásticas. Para a
construção do gráfico de p, foram coletadas 30 amostras de tamanho n =100, sendo que
cada amostra foi construída extraindo-se 1O peças em intervalos de 45 minutos durante
um turno de produção. Os dados são mostrados na Tabela 6.1.

Amostra Peças não conforme, di Fração não conforme, Pi

I 7 0.07
2 8 0.08
3 6 0.06
4 8 0.08
5 6 0.06
6 8 0.08
7 3 0.03
8 5 0.05
9 9 0.09
10 7 0.07
11 7 0.07
12 9 0.09
13 8 0.08
14 7 0.07
15 8 0.08
16 10 0.10
17 10 0.10
18 5 0.05
19 12 0.12
20 11 0.11
21 8 0.08
22 10 0.10
23 4 0.04
24 10 0.10
25 7 0.07
26 7 0.07
27 9 0.09
28 8 0.08
29 10 0.10
30
237
Tabela 6.1: Observações não conformes, n = 100, Exemplo 6.1.

A estimativa da probabilidade do processo produzir uma peça defeituosa é dada pela

média da fração defeituosa das 30 amostras coletadas, ou seja:

101
 -
IA
i=!
p =-= (
237
\( ) = o,0790 ,
n.m 30} 100

que é a linha central do gráfico de p. Os limites do gráfico são dados por (expressões
(6.2) e (6.3):

L.!.= 0.0790-3 0.0790(1- 0.0790) = -0.002 = 0.0

100

L.S. = 0.0790 + 3 °· 0790 1 0 0790

( - ·
100
) = 0.1600

A Figura 6.2 ilustra o gráfico com o registro das frações defeituosas de cada
amostra.

0.18.--------------------......,

0.16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .159922

0.14

0.02
o'-----~--~------~--~--- ........ 0.00000
5 10 15 20 25 30
Amostras

Figura 6.2: Gráfico de p, Exemplo 6.1.

A interpretação do gráfico de p segue basicamente as mesmas regras dos outros

gráficos de Shewhart, conforme segue:

I. Nenhum ponto deve exceder os limites;

102
2. Os pontos devem estar distribuídos aleatoriamente dentro dos limites (mais pontos na
região central e poucos nas extremidades);
3. Os pontos não devem evidenciar tendências ou variações cíclicas, nem se distribuir
acima ou abaixo da linha central.

Entretanto, como a fração defeituosa não obedece a uma distribuição normal, as

regras baseadas nas três zonas entre a linha central e os limites não podem ser usadas.
Examinando-se o gráfico da Figura 6.2, conclui-se que o processo se apresenta
em controle estatístico. Entretanto, ainda que o processo seja assumido como em
controle, percebemos que há um nível muito elevado de não conformidades (em torno de
8 % ), o que é inaceitável. Para isso, deve-se realizar um trabalho de investigação visando
a melhoria da qualidade do processo. Ainda no Exemplo 6.1, supondo que um estudo do
processo tenha sido conduzido, identificou-se que uma série de ajustes poderiam ser
feitos na máquina, o que levaria a uma melhoria da qualidade do processo. Em seguida a
esses ajustes, mais 30 amostras de tamanho n = 100 foram coletadas. Os dados são
apresentados na Tabela 6.2.

Amostra di Pi Amostra di Pi
31 5 0.05 46 4 0.04
32 6 0.06 47 2 0.02
33 2 0.02 48 2 0.02
34 5 0.05 49 5 0.05
35 6 0.06 50 3 0.03
36 3 0.03 51 5 0.05
37 2 0.02 52 8 0.08
38 4 0.04 53 2 0.02
39 3 0.03 54 1 0.01
40 6 0.06 55 2 0.02
41 4 0.04 56 1 0.01
42 3 0.03 57 7 0.07
43 8 0.08 58 4 0.04
44 3 0.03 59 4 0.04
45 2 0.02 60 2 0.02
Total 114 p =0,0380

Tabela 6.2: Exemplo 6.1, 30 amostras n = 100.

Em seguida, a fração de defeituosos, d;, de cada amostra foi registrada no gráfico

construído anteriormente, conforme ilustrado na Figura 6.3:

103
 0.18r------~-------------.

0.16 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - .159922

0.14

~ 0.12
o
a 0.1
:§
"'o
Q

""u--
J:

35 40 45 50 55 60
Amostras
Figura 6.3: Gráfico de p para as 30 amostras adicionais, Exemplo 6.1.

Do gráfico da Figura 6.3 percebe-se que o processo está operando com um nível
de qualidade (fração média de peças defeituosas) inferior ao originalmente calculado
( p = 0.0790 ). Ou seja, da análise dos pontos registrados no gráfico, percebe-se que, a
partir da amostra 31, 12 pontos são registrados abaixo da linha central do gráfico. De
novo, a partir da amostra 44, 8 pontos são registrados abaixo da linha central do gráfico.
Assim, se calcularmos a fração defeituosa para as últimas amostras (de 31 a 60), temos:

' 114
p,
-
= p = (100;.\(30 ) = 0,0380

Para certificar-se que essa fração defeituosa é significativamente inferior à

fração defeituosa inicialmente estimada para o processo (p 1 = 0,0790), realizamos um
teste de hipóteses.

6.2.3. Teste de Hipóteses entre Duas Proporções

Quando um processo, ainda que em controle estatístico, gera um número de

defeituosos inaceitavelmente alto, estudos devem ser realizados com o objetivo de se
reduzir a proporção média de defeituosos. Para se comparar objetivamente uma
proporção de defeituosos p 2 (depois de ajustes no processo) com uma proporção p 1
(anterior aos ajustes), o seguinte teste d~ hipóteses pode ser realizado:
104
 A estatística para o teste é dada por:

(6.4)

onde

(6.5)

e:
A

• n 1 : número de observações para !1

A

• n 2 : número de observações para P2

No Exemplo 6.1, temos:

A = (3000).(0,0790 )+ (3000 }(0,0380) = 0,2295

p 3000+3000

z = 0,0790-0,0380 = 3,776
1 1
(o,2295Xo,no5}(-- + -
3000 3000)
-l
Como Z é maior que Z0.05 (Tabela 1), podemos afirmar, com um nível de
significância de 5%, que essas duas proporções são significativamente diferentes.
Portanto, torna-se necessário revisar os limites de controle, baseado nessa nova
estimativa para a fração de defeituosos do processo. Temos então:

(0,0380 XI- 0,0380) = -0 0193 =o

L.!.= 0,0380-3 100 ,

105
e

L.S.=0,0380+3 (0,0380XI-0,0380) =00953

100 '

A Figura 6.4 mostra o gráfico de controle com a linha central e os limites

recalculados e a fração defeituosa para cada uma das amostras registradas.

0.11
0.1
.095359
0.09
0.08

"'ô 0.07
3
0.06
~O)
Cl 0.05
o
""<> 0.04
>i:"'
0.03
0.02
0.01
o L----~---~--~---~---~--~...Jo.ooooo
35 40 45 50 55 60
Amostras
Figura 6.4: Gráfico de p recalculado, Exemplo 6.1.

6.2.4. Gráfico de p com amostras de tamanho variável

Em algumas aplicações de gráficos de controle para fração defeituosa, a amostra

é o resultado da inspeção em 100% das unidades produzidas pelo processo em um dado
período de tempo. Nesse caso, poderíamos ter amostras de tamanhos diferentes (por
exemplo, em turnos diferentes, o número de peças produzidas pode variar). Como vimos
anteriormente, os limites dos gráficos de p são função do tamanho da amostra. Portanto,
para a construção de gráficos de p a partir de amostras de tamanho variável podemos
adotar três procedimentos diferentes, conforme segue:
a) determinar os limites para cada amostra, baseado no tamanho da amostra;
b) calcular os limites baseados no tamanho médio das amostras;
c) calcular os limites em unidades de desvio-padrão. Nesse caso, o gráfico tem a linha
central igual a zero e os limites em ±3.

106
Exemplo 6.2: considere os dados de fração defeituosa de um determinado processo,
mostrados na Tabela 6.3

Amostra Tamanho, ni Defeituosos di Amostra Tamanho, ni Defeituosos di

1 50 2 11 47 2
2 44 2 12 48 o
3 61 3 13 57 3
4 53 o 14 61 1
5 55 3 15 64 4
6 62 4 16 58 o
7 66 2 17 58 2
8 50 2 18 63 1
9 64 o 19 60 4
10 52 2 20 67 3
-p=--=0,03
40 5088
1140

Tabela 6.3: Fração defeituosa para amostras de tamanho variável, Exemplo 6.2.

A linha central é dada por:

20

IA
- =_!::!...._=~=0.035088
p 20 1140
L,n;
i=l

Os limites do gráfico baseados nos tamanhos das amostras são:

(0.035088 xo.9649)
L.S. = 0.035088 + 3

L./.= _
0 035088 _ 3 (0.035088 Xo.9649
n;

E o gráfico de controle com limites variáveis é ilustrado na Figura 6.5.

107
 0.14

0.12

0.1
-.- .102526
'6
&:
o 0.08
.:::
~
"o
"O 0.06

'"'"'
J: 0.04

0.02

o
5 10 15 20
Amostras
Figura 6.5: Gráfico de p para amostras de tamanho variável com limites variáveis.

Para o mesmo conjunto de dados da Tabela 6.3, podemos calcular os limites

baseado no tamanho médio das amostras, dado por:

20
L,n;
n = ...!.=!.._ = 1140 =57
20 20

E os limites de controle serão dados por:

L.!. =0,000

L.S. = 0,108203

O gráfico de controle resultante é mostrado na Figura 6.6. Deve-se observar que

p deve ser interpretado em relação ao tamanho da amostra. Por exemplo, considere o
caso em que duas frações defeituosas amostrais sejam p; = O, 10 e Pi+J = 0,08. Ainda que

~
p; > p,.,, em uni dadO' de de,vio-padcão, ( p(l: p) } podecemo' ehcg;rr a oonelu,ão

que a qualidade do processo piorou.

108
 0.12r-------~------------------~--------~,

0.11 .108203
0.1
0.09
'B 0.08

0.02
0.01
o._____ ..____~---...__~_.....__ __ ~....._ ___ ~ 0.00000
5 10 15 20
Amostras
Figura 6.6: Gráfico de p para amostras de tamanho variável com limites calculados a
partir do tamanho médio das amostras.

Por último, podemos construir o gráfico calculando os limites de controle em

unidades de desvio-padrão. Esta é a maneira mais adequada de se monitorar processos
com amostras de tamanho variável. O gráfico tem a linha central igual a zero e os limites
em ±3, sendo que os pontos são convertidos para a unidade

z = Pi- P
, ~ p(ln~ p)

O gráfico nesse caso é ilustrado na Figura 6.7.

6.3. Gráfico de Controle para Número de Defeitos (gráfico c)

Um item defeituoso é aquele que apresenta uma ou mais "não conformidades".

Entretanto, dependendo da natureza e severidade do defeito, é bem possível uma unidade
conter alguns defeitos e não ser rejeitada como "não conforme", mas mesmo assim ser de
interesse o monitoramento dos defeitos resultantes do processo. Nesses casos, é preferível
trabalhar com o número de defeitos ao invés da fração defeituosa.

109
 4,-------------------~--------------------~

3 3.00000

4~--------------------~--------------------~
5 10 15 20
Amostras
Figura 6. 7: Gráfico de p para amostras de tamanho variável com limites calculados em
unidades de desvio-padrão.

Como exemplos dessa situação, podemos considerar:

• número de defeitos na carcaça de um refrigerador;
• número de defeitos em 1OOm de cabo elétrico;
• número de defeitos em um rolo de tecido.

Considere a ocorrência de defeitos em uma amostra. Na maioria dos casos, a

amostra será constituída de uma única unidade do produto. Entretanto, podemos ter uma
amostra com 10 unidades do produto (em processo intermitente), 100m de tubulação, 1
rolo de 50 m de papel, etc. Gráficos de controle podem ser estabelecidos para:
• número total de defeitos na amostra (gráfico c);
• número médio de defeitos por unidade (gráfico u, Seção 6.4).

O gráfico de controle do número de defeitos (gráfico c) mede o número de

defeitos em uma amostra. O gráfico c, para ser aplicado, requer uma amostra de tamanho
constante ou uma quantidade constante de material inspecionado. É aplicado
principalmente em duas situações de inspeção:

1. Onde os defeitos são distribuídos em processamento semi-contínuo (Ex.: defeitos em

rolo de vinil, bolhas de vidro, defeitos no isolamento de fio elétrico) e onde a taxa
média de defeitos pode ser expressa (Ex.: defeitos por metro quadrado de vinil,
defeito por metro de tubulação, etc.)
2. Onde defeitos de diferentes origens podem ser encontrados em uma única amostra
(número de defeitos na carcaça de um computador, um carro etc).

110
 Esses gráficos de controle assumem que a ocorrência de não conformidades em
amostras de tamanho constante é bem modelado pela distribuição de Poison.

6.3.1. Distribuição de Poison

A distribuição de Poison é largamente utilizada em situações em que o número

de oportunidades ou potenciais locações para não conformidades seja infinitamente
grande e que a probabilidade de ocorrência de uma não conformidade em uma
determinada locação seja pequena e constante. Cada unidade de inspeção deve
representar sempre a mesma área de oportunidade para ocorrência de não-conformidades.
Além disso podemos contar não conformidades de diferentes tipos em uma
unidade de inspeção, desde que as condições acima sejam satisfeitas para cada tipo de
defeito.
A distribuição de Poison é dada por:

e--' .Àx
P( x)=--,x=0,1,2 ...
x!

onde x é o número de não conformidades e À é o parâmetro de distribuição que representa

a média e a variância da distribuição.
A distribuição de Poison é usada como uma aproximação da distribuição
Binomial quando n é grande e p (a probabilidade de ocorrência de uma não
conformidade) é pequeno. Em geral, a distriuição de Poison é uma boa aproximação para
a distribuição Binomial quando n ~ 20 e p $.; 0,05. Se n ~ 100 , a aproximação será
excelente se np < 10.

6.3.2. Construção do Gráfico de Número de defeitos (Gráfico c)

A ocorrência de número de defeitos é estimada a partir da distribuição de

Poison. Uma propriedade importante da distribuição de Poison é que a média e a
variância da distribuição são dados pelo parâmetro À. Assim, para um número médio de
defeitos (À), os limites em± 3 cr são dados por:

˱3.Ji

Em geral, À deve ser estimado a partir dos resultados do processo. Portanto, a

construção do gráfico do número de defeitos é feita conforme segue:

111
1. Linha central: Estimativa a partir dos dados da média do número de defeitos do
processo.
m

2>;
c=..!::.!..._ (6.6)
m

onde c; é o número de defeituosos na i-ésima amostra.

2. Limites: Definidos por:

L.I.=c-3../c (6.7)

(6.8)

Exemplo 6.3 (Adaptado de Devor, Shang e Sutherland, 1992): Deseja-se construir um

gráfico para monitorar o número de defeitos resultantes do processo de mo1dagem por
injeção de uma peça de um painel de automóvel. Para isso, 26 amostras de tamanho n =
100 foram inicialmente coletadas, e o número de defeitos por amostra foi registrado,
conforme apresentado na Tabela 6.4.

Amostra Número de Defeitos Amostra Número de Defeitos

1 22 14 18
2 23 15 10
3 15 16 18
4 12 17 13
5 15 18 22
6 5. 19 18
7 29 20 30
8 20 21 39
9 30 22 24
10 24 23 17
11 21 24 18
12 22 25 20
13 16 26 15

Tabela 6.4: Número de defeitos em amostras de tamanho n = 100, Exemplo 6.3.

112
 A partir dos dados da Tabela 6.4, a linha central do gráfico de c é dada por (em
(6.6)):

- ~>i 516
c= .!.=f._=-= 19,8462
m 26
e os limites (em (6.7) e (6.8)):
L.1. =c -3-# =6,48145
e
L.S. =c +3-# = 33,2109

O gráfico com os pontos é apresentado na Figura 6.8.

45r-----~--------------~--------------~-.

(.)
30

~
"'
.8
25
Q)

"'"' 20 19.8462
"'2
8"' 15
'::l
z 10
6.48145
5

o
5 10 15 20 25
Amostras
Figura 6.8: Gráfico de c, Exemplo 6.3.

Percebe-se neste exemplo que dois pontos (6 e 21) excedem os limites de

controle. Investigação das causas demonstrou que o registro do número de defeitos da
amostra 6 foi feito por um inspetor não bem treinado que não percebeu a existência de
uma série de defeitos que deveriam ser contabilizados. Para a amostra 21, percebeu-se
que naquele momento houve um descontrole da temperatura de operação da máquina,
razão pela qual o número de defeitos aumentou excessivamente. A partir dessas
constatações, decidiu-se por eliminar as amostras 6 e 21 e recalcular a linha central e os
limites do gráfico, conforme segue:
m

_ -?-c; 472
c =.!.=f._=-= 19,6667
m 24

113
 L./.= c -3/Z = 6,36253

L.S. =c+ 3/Z = 33,9708

A Figura 6.9 apresenta o gráfico com a linha central e os limites revisados.

Nesse caso, nenhuma amostra tem um número de defeitos acima ou abaixo dos limites.
Portanto esse gráfico é uma primeira estimativa do processo em controle e portanto pode
ser usado para monitorar o comportamento futuro do processo. Vale notar que, como o
número de defeitos é alto, ações de melhoria da qualidade do processo seriam
necessárias.
40

35
32.9708
30
·c
~ 25
~
"
"O 20
"
"O
2 15
"E
•:::>
z 10
6.36253
5

o
5 11 16 22
Amostras

Figura 6.9: Gráfico de c revisado, Exemplo 6.3.

6.4. Gráfico do Número de Defeitos por Unidade (u)

Vimos na seção anterior que para aplicação do gráfico c, cada amostra deve ter
um tamanho constante, seja de um único item ou vários. Entretanto, quando o número de
itens (ou unidades) por amostra varia (ex.: quando uma amostra corresponde a um turno
de produção), a suposição de "igual oportunidade de locações" de amostra para amostra é
violada, invalidando o uso da distribuição de Poison para modelar a frequência de
distribuição dos eventos. Nesse caso, o gráfico do número médio de defeitos por unidade,
gráfico u, é usado, onde
c
u=-
n
e c é o número total de defeitos por amostra de n unidades.

Para a construção do gráfico,· consideramos k amostras, a linha central é dada por

114
 (6.9)

e os limites de controle são dados por:

(6. 1O)

Exemplo 6.4: Deseja-se construir um gráfico para monitorar o número de defeitos

resultantes do processo de pintura de uma chapa metálica. A amostra considerada é um
turno de produção. Como a amostra é de tamanho variável, o gráfico u é usado. A Tabela
6.5 apresenta o número de peças fabricadas por turno de produção, o número de defeitos
para os 27 turnos de produção, e o número médio de defeitos em cada unidade do
produto.
Para a construção do gráfico u, a linha central, calculada a partir de (6.9), é:
k
L, c; 731
u =.i.::!_= 634
k
= 11530
,
L,n;
i=l
E os limites de controle para cada amostra de tamanho variável é dado por
(6.1 0):

1.153±3~1.~53
A Figura 6.1 O apresenta o gráfico de u para o Exemplo 6.4.
2.2,-------------~----------------------~---,

2
1.87331
1.8
·:;
.; 1.6
B
:§ 1.4
Q)
"O
Q) 1.2
"O

~
E
0.8
'"
c
Q)
"O 0.6
"'>< 0.4 .432685
"'
f-
0.2
o
5 10 15 20 25
Amostras
Figura 6.10: Gráfico de u, Exemplo 6.4.
115
 Turno Tamanho do Número de defeitos, ci Número de defeitos por
Turno
1 I6 22 I,375
2 20 35 I,75
3 25 34 I,36
4 18 13 0,722
5 20 26 I,30
6 28 34 I,2I43
7 32 45 I,4062
8 23 I6 0,6956
9 28 33 1,1785
IO 25 35 I,400
11 I9 24 I ,263I
I2 23 3I I,3478
13 24 20 0,8333
14 29 33 I,1380
I5 27 36 I,3333
I6 25 27 I,080
I7 28 26 0,9285
I8 25 26 I,040
I9 24 28 I,I666
20 26 31 I, I923
21 22 33 1,500
22 26 29 I,II53
23 20 18 0,900
24 I9 15 0,7894
25 23 I8 0,7826
26 19 26 I ,3684
27 20 I7 0,850

Tabela 6.5: Número de defeitos por unidade, u;, Exemplo 6.4.

Exemplo 6.5: (Adaptado de Montgomery, 1991) Deseja-se construir um gráfico para

monitorar o número de defeitos resultantes do processo de fabricação de rolos de viniL A
amostra considerada é a área de material fabricado em um turno de produção. Como a
amostra é de tamanho variável, o gráfico u é usado. A área de observação ou unidade de
inspeção considerada é de 50 m2 A Tabela 6.6 apresenta a produção de material em m2
por turno de produção, o número de defeitos para cada turno de produção, e o número
médio defeitos em cada unidade de 50m2 (amostra).

116
 Turno Produção em Número de Número de Número de defeitos
m2 defeitos, cí unidades, n por unidade, ~L ___
1 550 14 11 1,273
2 450 15 9 1,666
3 600 22 12 1,833
4 550 17 11 1,545
5 475 11 9.5 1,158
6 525 12 10.5 1,143
7 600 23 12 1,916
8 550 17 11 1,545
9 600 18 12 1,500
10 625 21 12.5 1,680

Tabela 6.6: Número de defeitos por unidade, u 1, Exemplo 6.5.

A linha central do gráfico é:

k
,L. c,
u = ...!::.!._ = _!22_ = 1,53846,
,L.n; 1105'k

i=l

e os limites de controle para cada amostra de tamanho variável:

1,53846 ± 3P' 5 ~846

A Figura 6.11 apresenta o gráfico de u com os limites variáveis em função de n.
3.5 .--~---~-~-~-~-~-~-~-~---,

---.--- 2.59093
2.5

.;
.s 2
~O)
;:; 1.5 ................................ ····························· ....... ················-···········-······ .......... 1.53846
"O

'""'
'"
f-<

0.5 .485992

o~---------~-~-~-~---------~
2 3 4 5 6 7 8 9 10
Amostras
Figura 6.11: Gráfico deu, Exemplo 6.5.

117
 Alternativamente, como na construção do gráfico de p com amostras de tamanho
variável, os limites de controle podem ser definidos por:

1. tamanho médio das amostras:

(6.11)

2. em unidade padronizada:

(6.12)

As Figuras 6.12 e 6.13 apresentam o gráfico do Exemplo 6.5 com limites

calculados respectivamente a partir do tamanho médio das amostras e em unidade
padronizada.

n médio : I 1.050
3~----------~----------~--------------~--~
2.8
2.6 2.65786
2.4
2.2
·:::; 2
~ 1.8
J:!1.6 - - - - / - - - - - - " - - - - - - 1 - -
.g 1.4
~ 1.2
~ 1
~ 0.8
0.6
0.4 .419066
0.2
o L-~--~--~--~--~~--~--~--~--~~
2 3 4 5 6 7 8 9 10
Amostras
Figura 6.12: Gráfico de u, limites calculados a partir de n.

118
 3 3.00000

<!)
"O
~ -2
r-"'
-3 -3.0000

-4~------~------~--~--~--~--~----~----~
2 3 4 5 6 7 8 9 10
Amostras
Figura 6.13: Gráfico deu em unidades de desvio-padrão.

6.5. Sistema de Demérito

Em muitos produtos onde o controle da qualidade é feito através da contagem do

número de defeitos, sabemos que diferentes tipos de defeitos podem ocorrer e que nem
todos os defeitos são igualmente importantes. Ou seja uma unidade de produto que
apresente um defeito grave seria considerada não-conforme enquanto que uma unidade
que apresente vários pequenos defeitos poderia não ser considerada não-conforme. Em
situações como essa seria adequado a classificação de não-conformidades de acordo com
a severidade do defeito, ou seja um método de demérito.

Uma possível classificação de defeitos é apresentada por Montgomery (1991),

conforme segue:

• Classe A - Muito Sério: o produto é completamente impróprio para uso ou falha em

serviço de maneira que não poderá ser consertado no campo ou causará acidente;
• Classe B - Sério: o produto possivelmente sofrerá uma falha de operação ou terá vida
útil reduzida ou custo de manutenção elevado;
• Classe C - Moderadamente Sério: similar ao anterior, porém com efeitos atenuados;
• Classe D - Não Sério: o produto não falhará em serviço, mas apresenta defeitos em
acabamento, aparência etc.

119
 Deve-se observar que a ocorrência de defeitos em cada classe é modelada pela
distribuição de Poison. Além disso, é assumido que cada classe de defeito seja
independente. Assim, sendo cA, c8 , c c, cD o número de defeitos de cada uma das classes, o
número de deméritos na amostra será dado por:

(6.13)

onde WA, W8 , Wc e WD são pesos atribuídos a cada uma das classes de defeitos. Valores
de 100, 50, 10 e 1 são usados para os respectivos pesos acima.
Assim, se em uma amostra temos n unidades de inspeção, então, o número de
deméritos por unidade é:

D
u=- (6.14)
n

Onde D é o número total de deméritos em todas a n unidades de inspeção. Como

u é uma combinação linear de uma variável aleatória independente, então o gráfico de
controle é definido por:

• linha central:

(6.15)

• limites:

L.S. =li +38"

(6.16)

onde

(6.17)

120
6.6. Exercícios Propostos

6.1. (Adaptado de Montgomery, 1991) A tabela abaixo apresenta o numero de pistas de

rolamento defeituosas em amostras de tamanho 100. Construa um gráfico de controle
para fração defeituosa. Se algum ponto cair fora dos limites, assuma que uma causa
especial possa ser associada a essa ocorrência e recalcule os limites.
~-~~~-~~~~~---"-""""'"

Número da Número de Número da Número de

Amostra Defeituosos Defeituosos
Amostra ·--------···-···-··-·-·····-
I 7 I1 6
2 4 I2 15
3 I 13 o
4 3 14 9
5 6 I5 5
6 8 16
7 10 17 4
8 5 I8 5
9 2 I9 7
10 7 20 12

6.2. (Adaptado de Montgomery, 199I) A tabela abaixo representa os resultados de

inspeção de todas as unidades de computadores pessoais produzidas nos últimos 1O dias.
Construa o gráfico de controle e avalie se o processo está em controle.

Dia Unidades Inspecionada~_ _ _

U_!!idad~s D~~~~os::t..5' ...
1 80 4
2 110 7
3 90 5
4 75 8
5 I30 6
6 120 6
7 70 4
8 125 5
9 105 8
10
~~~------
95 7
~~--~~"~w~~~~~~-~. *"~*·~•••••N~••~···

6.3. (Adaptado de Montgomery, 1991) Um grupo de manutenção pretende monitorar o

número de solicitações de manutenção que requerem uma segunda chamada. A tabela
abaixo apresenta dados das últimas 20 semanas. A partir desses dados, construa o gráfico
de controle mais apropriado para iniciar um controle estatístico dessas ocorrências.

121
 Semana Número de Número de Semana Número de Número de
Solicitaçõe Segunda Solicitaçõe Segunda
s Chamada s Chamada
···~··-···--···-

200 6 II 100 1
2 250 8 12 100 o
3 250 9 13 100 I
4 250 7 14 200 4
5 200 3 15 200 5
6 200 4 I6 200 3
7 I 50 2 17 200 IO
8 150 1 I8 200 4
9 I 50 o I9 250 7
10 I50 2 20 250 6

6.4. (Adaptado de Montgomery, I991) A tabela abaixo apresenta o número de defeitos

por I 000 m de cabo de telefone. Construa o gráfico de controle mais apropriado e
conclua se o processo está em controle estatístico. Se necessário, revise os limites de
controle.
----"""""~
Número da Número de Número da Número de
Amostra Defeitos Amostra Defeitos
--------··----
I 1 I2 6
2 8 13 9
3 3 I4 11
4 7 I5 I5
5 8 16 8
6 IO 17 3
7 5 18 6
8 13 I9 7
9 o 20 4
10 I9 21 9
24 22 20
11
-
6.5. Considere os dados do exerc1ciO anterior. Suponha que uma nova unidade de
inspeção, de 2500 m de cabo, tenha sido definida. Defina a linha central e os limites do
gráfico para monitorar resultados futuros baseados nessa nova unidade de inspeção.

6.6. Deseja-se controlar o número de defeitos em processo de montagem de transmissão

manual. A amostra consiste de 5 redutores. A tabela abaixo apresenta o número de

122
defeitos por amostra. Construa o gráfico de controle apropriado e verifique se os dados
representam um processo em controle estatístico.

Número da Número de Número da Número de

Amostra Defeitos Amostra Defeitos
1 1 9 2
2 3 10 1
3 2 11 o
4 1 12 2
5 o 13 I
6 2 14 I
7 1 15 2
8 5 16 3

6.7. (Adaptado de Montgomery, 1991) Uma fabrica de papel deseja monitorar o numero
de imperfeições por rolo de papel fabricado. A tabela abaixo apresenta a produção de 20
dias, com o número de rolos fabricados por dia e o número total de imperfeições.
Construa o gráfico de defeitos por unidade e verifique se os dados representam um
processo em controle.

Dia Número de Número Total Dia Número de Número Total

Rolos de Defeitos Rolos de Defeitos
Fabricados Fabricados
1 I8 12 11 18 I8
2 18 14 12 I8 I4
3 24 20 13 I8 9
4 22 18 14 20 10
5 22 15 15 20 I4
6 22 I2 I6 20 I3
7 20 11 17 24 I6
8 20 15 18 24 18
9 20 . 12 19 22 20
IO 20 10 20 21 17

123
7. AVALIAÇÃO DA CAPABILIDADE DE PROCESSOS

7.1. Conceituação de Capabilidade de Processos

Estudo de capabilidade de processo envolve a avaliação estatística da dispersão

do resultado de um processo em torno de um valor central e a comparação dessa
avaliação com a máxima variação aceitável para um determinado parâmetro de qualidade
resultante desse processo. Por exemplo, sabemos que um processo sujeito apenas à causas
crônicas de variabilidade terá como resposta valores dispersos em torno de um ponto
central segundo uma distribuição Normal. Sabemos também que 99,73 % dos resultados
estarão contidos no intervalo [-3cr; 3cr]. Se esse intervalo for definido como uma faixa de
tolerância para um parâmetro de qualidade resultante desse processo (por exemplo uma
dimensão), sabemos que o processo será capaz de produzir 99,73 %das peças dentro das
especificações (Figura 7 .I a). Isso significa que 0,27 % das peças produzidas serão
rejeitadas. Entretanto, se a equipe de projeto considera que, para atender os requisitos de
qualidade, a máxima variação aceitável para esse parâmetro de qualidade não deve
exceder um valor correspondente a [-2cr; 2cr], estatisticamente, 4,54 % das peças serão
rejeitadas, o que significa que esse processo se torna menos capaz de atender à demanda
de projeto (Figura 7.Ib).

LIE LSE LIE LSE

99,73 %dos Resultados 95.46% dos Resultados

6cr 4cr .I
a b
Figura 7 .I: Faixa de tolerância em relação à dispersão dos resultados de um processo.

Índices de capabilidade são empregados como medida da relação entre a faixa de

variação em torno de um valor nominal tolerável para um parâmetro de qualidade de um
produto e a dispersão desse parâmetro decorrente da variabilidade do processo de
fabricação. Por exemplo, um índice de capabilidade de um processo de usinagem do
diâmetro externo de um eixo seria dado pela relação entre a faixa de tolerância,
especificada em projeto, para essa dimensão, e a dispersão dos valores dessa dimensão
gerados pelo processo de usinagem.

Estudos de capabilidade de processo são essenCiaiS para o planejamento e

controle da qualidade de fabricação em desenvolvimento e homologação de processos,
fornecendo informações como:
I25
• adequabilidade de processo;
• necessidade de promover ajustes no processo ou estudos para a redução da
variabilidade do processo;
• desempenho necessário para novos processos;
• intervalo de amostragem mais adequado para o controle estatístico do processo.

Um ponto importante a considerar é que é inapropriado e estatisticamente

inválido avaliar a capabilidade de um processo sem estar seguro de que o processo esteja
em estado de controle estatístico (isto é, sujeito apenas à causas crônicas de
variabilidade). Ainda que um processo que esteja em controle estatístico não seja
necessariamente um processo cuja capabilidade seja aceitável, a primeira condição é um
pré-requisito indispensável para a avaliação da capabilidade do processo.
Na construção de gráficos de controle, trabalhamos com a distribuição de
estatísticas ( X e R) e não medições individuais. Entretanto, conformidade com as
especificações envolve o processo como um todo, e portanto, estamos interessados na
distribuição de medições individuais. Por causa dessa diferença, não se deve comparar ou
confundir os limites do gráfico de controle com as especificações de projeto de um
parâmetro de qualidade. Essa diferença é ilustrada na Figura 7 .2.

Limites do Gráfico de .X LSE

L E

Distribuição dex Distribuição de x

Figura 7.2: Diferença entre os limites do Gráfico da média e limites da especificação.

Um processo pode produzir um grande número de peças fora das especificações

de projeto ainda que o processo esteja em controle estatístico ( isto é, todos os pontos dos
gráficos X e R estão dentro dos limites e distribuídos aleatoriamente). Isto pode
acontecer quando:
• o processo não está corretamente centrado. Ou seja, o valor médio da dimensão (ou
outra característica qualquer) das peças sendo fabricadas é significativàmente
diferente do valor nominal (especificado em projeto) para aquela dimensão. Em uma
situação como essa, seria necessário um ajuste da máquina para adequar o processo às
especificações de projeto (Figura 7 .3).

126
 LSE

":::::::2?: :::::2?::::::::::::2?::::: : : : : Valor Nominal

LIE

Figura 7.3: Processo em Controle e descentrado.

• o processo tem uma variabilidade maior que a especificação de projeto (Figura 7.4).
Nesse caso, um simples ajuste do processo não é suficiente para garantir a
conformidade do processo com as especificações de projeto.

LSE

x ------------~------------4-----------------4--- Valor Nominal

LIE

Figura 7.4: Processo em controle e incapaz.

Alternativamente, um processo pode estar produzindo peças que estão atendendo

às especificações de projeto e no entanto pode estar fora de controle estatístico (Figura
7.5).
LSE

Valor Nominal
X

LIE

Figura 7.5: Processo fora de controle, atendendo as especificações.

127
7.2. Análise estatística da Capabilidade de Processos.

O estudo da capabilidade de processos pode em princípio ser conduzido através

do levantamento da freqüência de distribuição dos resultados do processo, como
histograma ou gráfico de probabilidade Normal. Entretanto, histogramas e gráficos de
probabilidade, por não evidenciarem o comportamento do processo ao longo do tempo,
não possibilitam a identificação de causas esporádicas de variabilidade do processo que,
se removidas, podem aumentar a capabilidade do processo. Nesse sentido, gráficos de
controle são as ferramentas mais adequadas para a condução de estudos de capabilidade.
Independente da ferramenta utilizada, alguns cuidados devem ser tomados,
conforme segue (Devor, Shang e Sutherland, 1992):
• estudo de capabilidade deve ser realizado para uma máquina; se o resultado do estudo
for estendido para um conjunto de máquinas, a máquina escolhida para a realização
do estudo deve ser representativa da população de máquinas em consideração;
• se a máquina em estudo for composta por várias estações de trabalho ou cabeçotes, os
dados devem ser coletados de modo que a variabilidade entre estações de trabalho
possa ser isolada. Em alguns casos, pode ser importante estimar a variabilidade do
resultado em função do operador. Nesses casos, técnicas de planejamento e análise de
experimentos devem ser empregadas;
• a capabilidade do processo pode variar em função do ajuste de parâmetros do
processo, como velocidade de corte, taxa de avanço, refrigeração, entre outros. Assim,
o estudo de capabilidade de um processo pode envolver o uso de técnicas de
planejamento e análise de experimento para se identificar qual é a melhor combinação
de valores dos parâmetros do processo para se potencializar a capabilidade do
processo;
O primeiro passo para o estudo da capabilidade de um processo é examinar se
ele se apresenta em estado de controle estatístico, através da construção de gráficos de
controle. Tanto gráficos de variáveis como de atributos podem ser usados em estudos de
capabilidade. Gráficos da média e da amplitude devem ser usados sempre que possível.
por proverem melhor informação sobre o processo quando comparado aos gráficos de
atributo. Deve-se observar que para o uso de gráfico de atributos, deve haver
especificação sobre a característica do produto. Já com gráficos da média e da amplitude,
a capabilidade do processo pode ser obtida sem um conhecimento prévio da especificação
da característica do produto.

Exemplo 7.1 (Adaptado de Devor, Shang e Sutherland, 1992): suponha que estejamos
interessados em levantar a capabilidade de um processo de usinagem do diâmetro externo
de um eixo. Para isso, são coletadas 20 amostras de tamanho n=5, conforme ilustra a
Tabela 7 .1. Deve-se observar que os valores tabelados representam apenas a parte
decimal da medida (ex: 34,265).

A linha central do gráfico de X é dada por

x= 264,06
128
 Amostras Dados (parte
decimal) ---·-----··--··-····--···
1 265 265 263 307 220 252,0 102
2 268 260 234 299 215 255,2 84
3 197 286 274 243 231 246,2 89
4 267 281 265 214 318 269,0 104
5 346 317 242 258 276 287,8 104
6 300 208 187 264 271 246,0 113
7 280 242 260 321 228 266,2 93
8 250 299 258 267 293 273,4 49
9 265 254 281 294 223 263,4 71
10 260 308 235 283 277 272,6 73
11 200 235 246 328 296 261,0 128
12 276 264 269 235 290 266,8 55
13 221 176 248 263 231 227,8 87
14 334 280 265 272 283 286,8 69
15 265 262 271 245 301 268,8 56
16 280 274 253 287 258 270,4 34
17 261 248 260 274 337 276,0 89
18 250 278 254 274 275 266,0 28
19 278 250 265 270 298 272,2 48
20 257 210 280 269 251 253,4 70
X 1?.=77,3

Tabela 7.1: Dados, Exemplo 7 .1.

e a linha central do gráfico R é dada por

R=77,30

As Figuras 7.6 e 7.7 apresentam os gráficos da amplitude e da média para os

dados da Tabela 7.1, com indicação dos valores dos limites. Pode-se observar que os
gráficos indicam um processo em controle estatístico.
Portanto, os parâmetros estatísticos do processo podem ser estimados por:

[L = x= 264,06
e

A
O"x-
- _!!_-- 77,30-33
- ,
23
d2 2,326

129
 180

160 163.450

140

120
,
"O 100

·ªE
õ.. 80
<
60

40

20

o '-------~----~-----~----~....) 0.00000
5 10 15 20
Amostras
Figura 7.6: Gráfico da amplitude, Exemplo 7.1.

320
310 308.647
300
290
280
270
"'
'5
'" 260
::E
250
240
230
220 219.473
210
5 10 15 20
Amostras
Figura 7.7: Gráfico da Média, Exemplo 7.1.

Com o processo sob controle estatístico, demonstrado pelos gráficos X e R,

podemos prosseguir na avaliação do processo. Assim, ainda para o Exemplo 7.1, suponha
que a especificação para essa dimensão seja 35,200 ± 0,100 mm. A Figura 7.8 ilustra a
faixa de tolerância combinada à distribuição dos resultados do processo. Para calcular a

130
probabilidade do eixo ter uma dimensão fora das especificações, calculamos a variável
reduzida Z dada por:
x-x=
Z=--
Ó'x
onde x é o valor do limite inferior ou superior da especificação. Assim, para calcular a
probabilidade de uma peça com uma dimensão abaixo do limite especificado, no nosso
exemplo igual35,100, temos:
z = 100-264,06 -4,937
I 33,23

Da tabela de distribuição Normal (Tabela I), temos que a probabilidade de uma

peça ter dimensão menor que 35, 100 é:
P(X ~ 100) := 0.0

Ou seja, estatisticamente, todas as peças produzidas por esse processo teriam

uma dimensão maior 35,100. Para calcular a probabilidade de uma peça ter uma
dimensão maior que o limite superior, ou seja, 35,300 mm, calculamos o valor de Z,,,
dado por
z = 300- 264,06 = 1 081 ,
s 33,23 ,
e da tabela de distribuição normal (Tabela I) temos que:
P(X ~ 300) := 0,141

LIE ·3.s NOMINAL LSE +3.s

40

35

30

"u 25
....c
20
r"
t.:..
15

10

o
50 100 150 200 250 300 350 400 450
Resultados (parte decimal)

Figura 7.8: Faixa de tolerância e distribuição dos resultados, Exemplo 7.1.

Ou seja existe 14,1 %de chance de uma peça ter uma dimensão acima do limite
especificado. Em uma situação como essa, o processo não teria condição de atender a
131
especificação de processo. Entretanto, grande parte dessa porcentagem de reJeiçao se
deve ao fato de a média do processo estar descentrada em relação ao valor nominal da
dimensão. Ou seja, se considerarmos o intervalo ± 3cr, que corresponde a ± 99,69 (na
unidade dimensional considerada), percebemos que, caso seja possível centrar a média do
processo em 35,200, para a faixa de tolerância de± O, 100 temos:
z = 100-200 =-3,01
' 33,23
e
z = 300-200 = 3 01
s 33,23 ' '
o que significa que 0,26 % das peças estariam fora das especificações. Se esse índice de
rejeição é satisfatório ou não depende da política de qualidade da empresa.
Portanto, no exemplo considerado, ainda que a tolerância natural do processo de
± 3cr seja menor que a faixa de tolerância especificada, o índice de rejeição é
inaceitavelmente alto devido a um desajuste do processo.
Poderíamos ainda supor que a faixa de tolerância especificada para essa
dimensão fosse menor, digamos ± 0,050 mm, o que tornaria o processo evidentemente
incapaz de atender à demanda de projeto. Nesse caso, as seguintes alternativas devem ser
consideradas (sem considerar inspeção em 100 % das peças como ação corretiva, o que
seria absolutamente antieconômico):
• rever o projeto do componente com o objetivo de avaliar o efeito na qualidade do
produto ao se alargar a faixa de tolerância (especificação de projeto);
• estudar o processo para identificar oportunidades de redução da variabilidade do
processo;
• utilizar um equipamento mais repetitivo e com isso reduzir a variabilidade do
processo.

7.3. Índices de Capabilidade de Processo.

Os índices mais usados.para quantificar a capabilidade de processos são o CP e o

O índice CP é dado por

C = L.S.E.- L.I.E
p 6"'
(}X
'

no caso de a variável de interesse ter especificação bilateral, e

132
no caso de especificação unilateral.

O índice C Pt é dado por

ZMIN

sendo
z MIN = MIN[Z L.S.E. ;-Z L.l.E.]'
onde,

L.S.E.- [1.
ZL.S.E.
Ô"x

e
L.J.E.-[1.
zu.E.
Ô"x

A diferença fundamental entre CP e Cpk é que Cpk é sensível à desvios da média

do processo em relação ao valor meta, enquanto que CP considera apenas a variabilidade
do processo. Assim, um processo com valor médio centrado na meta para aquele
parâmetro apresentará índices de CP e Cpk iguais.

No Exemplo 7.1, temos o valor CP igual a:

c = 300 -100 =1 003

p 6(33,23) ' '

e o valor de Cpk igual a:

z = 300- 264,06. =1 081 e Z L.I.E. 100-264,06 = --4 93

L.S.E. 33,23 ' 33,23 '

c = 1,081 =o 36
pk 3 '

133
 Assim, a diferença de valores entre CP e Cpk significa que o processo está
descentrado (ou seja a média do processo não corresponde ao valor nominal definido para
aquele parâmetro de projeto).
Idealmente, a zona de tolerância deve corresponder a ±4cr e centrada, o que
garante um índice Cpk = 1,33. A norma QS 9000 recomenda esse valor de Cpk para
processos estáveis e cpk = 1,67 para processos cronicamente instáveis.
A Tabela 7.2 apresenta níveis de rejeição para três situações típicas.

---"C'-"l=as:c.::scccifi=Ic-'-a"-'ç,__ã:.::o_d=-o=-=P.::..ro.::..c=-e:.::scccs.::..o_ _ _ _ _V-'ac.:lcccocr_cccdccce_C'-'r"'-k-----"r:_:.,eje~~jEJ2JEL___
capaz (verde) cpk:?: 1,33 p::; 64
aceitável (amarelo) 1 ::; cpk < 1,33 64 < p::; 2700
inaceitável (vermelho) Cek < 1,0 p > 2700

Tabela 7.2: Classificação do processo de acordo com Cpk·

7.4. Determinação Estatística de Tolerância de Conjuntos.

Tradicionalmente, a definição de tolerância para dimensões resultantes da

montagem de peças em conjunto é feita a partir da somatória das tolerâncias das
dimensões das partes. Assim, suponha que tenhamos a montagem de 3 peças prismáticas
justapostas, cujas dimensões e tolerâncias ,;;ão apresentadas na Tabela 7.3. Nesse caso,
qual a tolerância que deve ser especificada para a dimensão do conjunto. Ou,
alternativamente, qual seria a tolerância dimensional de cada peça necessária para
garantir uma dimensão final do conjunto dentro de certos limites?

PEÇA 1 PEÇA2 PEÇA3

15 ±0,02 10 ±0,02 12 ±0,02
L= 37 ±?

Tabela 7.3: Tolerância de conjunto a partir da tolerância das partes.

A pratica tradicional considera que a tolerância da dimensão do conjunto

corresponde à somatória das tolerâncias das peças isoladas; ou seja, no exemplo da tabela
7.3 temos:

L= 37 ±0,06,

onde ±0,06 é o valor absoluto da tolerância. Entretanto, essa abordagem deixa de

considerar dois aspectos importantes que são:

• Distribuição Estatística das Dimensões das peças;

• Montagem Aleatória.
134
 Para nos utilizarmos desses dois conceitos, é preciso que o processo seja
mantido em estado de controle estatístico. Ou seja, um processo em controle estatístico
caracteriza-se por apresentar uma dispersão dos resultados aproximadamente normal.
Se quisermos que as tolerâncias de fabricação das peças individualmente sejam
definidas de forma que correspondam a ± 4cr, ou seja, com um índice de capabilidade
C"= 1,33, a probabilidade de se obter uma peça com uma dimensão que se desvie do
valor nominal de um valor igual ou maior que 4cr é de apenas 0,00003. E a probabilidade
de se ter 3 peças, escolhidas ao acaso para montagem do conjunto, com a dimensão
abaixo de- 4cr é de (0,00003) 3 = 2,7x10- 14 .
Ou seja, a probabilidade de 3 peças escolhidas ao acaso para montagem tenham
dimensões no limite de suas tolerâncias é muito pequena. Com isso, a definição da
tolerância da dimensão do conjunto através da simples adição da tolerâncias das panes
faz com que, desnecessariamente, a tolerância do conjunto seja definida mais apertada do
que poderia ser quando se leva em consideração a distribuição estatística das dimensões e
a escolha aleatória de peças para montagem.
Neste caso, o uso da Lei de Adição de V ariância pode ser usado para a
determinação da tolerância do conjunto. Ou seja,

o ~ o
(J ;onjunto = L,.. (J i-
i=l

Onde n corresponde ao número de peças do conjunto.

No exemplo apresentado na Tabela 7, considerando que as peças são geradas
pelo mesmo processo, e sabendo que a tolerância correspondente a Scr (já que o índice C"
do processo é 1,33), temos:

Scr = 0,04 => cr = 0,005

Pela Lei da Adição de Variâncias, temos que:

()~onj =3(0,005) 2

Portanto, estatisticamente, a dimensão do conjunto irá se distribuir em um

intervalo de ± 4crconj em torno do valor nominal com uma frequência de 99,994%. O
intervalo± 4<Yconj nesse exemplo corresponde a ±0,035.
Assim, a tolerância definida através da combinação estatística das tolerâncias
das peças resultou em ±0,035, e a tolerância definida pela adição das tolerâncias resultou
em±0,06.

135
 Considerando que a tolerância das peças isoladamente é função da tolerância
para a dimensão do conjunto, na prática teríamos um procedimento inverso. Ou seja, a
tolerância para as peças seria definida estatisticamente a partir da tolerância da dimensão
do conjunto.
Com isso, as tolerâncias exigidas para as peças seriam maiores do que se fossem
calculadas através do método convencional, e portanto teríamos uma menor capabilidade
exigida para o processo de fabricação das peças.

Exemplo 7.2: Considere a montagem de um eixo e uma engrenagem, onde por razões
funcionais, a folga mínima deva ser de 6).1m e a folga máxima de 38f.J.m. A Figura 7.9
apresenta esquematicamente as folgas e tolerâncias.

Tolerância do furo

I
[] F= 38 ).1m

I
Tolerância do eixo
Figura 7.9: Representação esquemática das folgas e tolerâncias entre eixo e furo.

Segundo a abordagem convencional, a soma da tolerância do eixo (t,) e da

tolerância do furo (t1), deve ser tal que

Ou seja,
tf +t, =32 J.lm,

e considerando que as duas tolerâncias sejam iguais, temos:

Segundo a abordagem estatística, podemos considerar a folga como uma

variável aleatória com distribuição aproximadamente normal, com desvio-padrão igual a
oitava parte da diferença entre a folga máxima e mínima (ou seja F- f=± 4cr). Assim.
estatisticamente, podemos assumir que 99,994% dos valores da folga estejam dentro do
intervalo [6; 32].

136
 Portanto

80"falga =32

(}folga =4

Da Lei da Aditividade de Variâncias, temos que

Portanto

(} = 2,83

E a tolerância estatística de cada dimensão seria ± 4cr ou

tf = te = 22,64 f.Lm,

maior que a faixa de l6J..lm definida pela abordagem convencional.

Portanto, através da consideração da distribuição estatística de tolerâncias pode-

se perceber que para se garantir uma determinada precisão de montagem, a capabilidade
necessária dos processos que geram os componentes é de fato menor do aquela calculada
a partir da abordagem convencional.

137
7.5. Exercícios Propostos

7.1. O que é capabilidade de processo ? Quais informações que um estudo de

capabilidade de processo pode prover?

7.2. Qual a diferença entre os limites das especificações de projeto e os limites do gráfico
das médias?

7.3. Qual a diferença entre os índices CP e Cpk ? Ilustre, através da curva de Gauss um
processo com capabilidade Cp = 1.33 e Cpk = 1.

7.4. No exercício 4.4., para que o processo tenha uma capabilidade CP= 1,33, qual seria a
tolerância da dimensão especificada em projeto?

7.5. No exercício 4.6., se a especificação da dimensão for 50,5030 +1- 0,0030 mm,
calcule a porcentagem de peças fora da especificação produzidas por aquele processo.

7.6. Amostras de tamanho n = 8 são coletadas de um processo de fabricação. Um

parâmetro de qualidade é medido e depois de 50 amostras, a média das médias das
amostras é 40 e a amplitude média é 5. Assumindo que esse parâmetro de qualidade seja
normalmente distribuído, calcule:
a. os limites dos gráficos da média e da amplitude
b. considerando que todos os pontos tenham caído dentro dos limites e que o processo
aparente estar em controle estatístico, calcule a tolerância natural do processo (+1- 3 a)
c. se a especificação de projeto para esse parâmetro é de 41 +1- 6, calcule os índices de
capabilidade Cp e Cpk e conclua sobre a capabilidade do processo
d. se a especificação de projeto para esse parâmetro fosse de 41 +1- 5, e, se peças que
excedessem o limite superior pudessem ser retrabalhadas e peças que excedessem o
limite inferior tivessem que ser refugadas, qual seria a porcentagem de peças
retrabalhadas e peças refugadas ?

7.7. Amostras de tamanho n = 6 são coletadas de um processo de fabricação a cada hora.

Um parâmetro de qualidade é medido, e depois de 50 amostras, a soma das médias das
amostras resulta em 1000 e a soma dos desvios padrões amostrais em 75.
a. calcule os limites para os gráficos da média e de S.
b. se a especificação de projeto para esse parâmetro é de 19 +1- 4, qual seria a conclusão
sobre a habilidade desse processo em fabricar componentes conforme as especificações?
c. para essa especificação de projeto, qual a fração de componentes fora das
especificações ?

138
8. A V ALIAÇÃO DE SISTEMAS DE MEDIÇÃO DE VARIÁVEIS

8.1. Características de Sistemas de Medição

Vimos nos capítulos anteriores que a avaliação e monitoramento do

comportamento de um processo começa pela coleta ou medição de dados significativos
do resultado do processo através de algum sistema de medição. Um sistema de medição
ideal seria aquele que produzisse somente resultados corretos (verdadeiros). Entretanto,
como qualquer processo, o processo de medição (realizado através de um sistema de
medição) irá produzir resultados com erros ou com uma certa margem de incerteza.
Assim, se realizarmos sucessivas medições de um mesmo resultado do processo,
teremos uma dispersão de valores em torno de um ponto central. Essa dispersão de
resultados (devido ao erro experimental) do processo de medição pode ser modelada por
uma distribuição Normal (da mesma forma que a dispersão do resultado de processos de
fabricação e montagem).
Ou seja. primeiramente temos um erro do resultado de medição associado à
dispersão dos valores, dispersão essa que pode ser consequência de causas crônicas ou
esporádicas. A variabilidade decorrente das causas crônicas é uma medida da precisão do
instrumento. Assim, um instrumento de grande precisão é aquele que apresenta pouca
variabilidade dos seus resultados quando sujeito apenas à causas crônicas. Portanto, a
variabilidade total presente em um conjunto de dados gerados por um processo produtivo
e medida por meio de algum instrumento pode ser dividida em duas partes, conforme
segue:
• Variabilidade inerente ao processo produtivo;
• Variabilidade (precisão) inerente ao instrumento de medição;
Além disso, toda grandeza física tem um valor "verdadeiro" quando comparada
a um padrão de referência. Por exemplo, o metro "verdadeiro" corresponde à distância
percorrida pela luz, no vácuo, durante um intervalo de frações de segundos
(1/299792458). Assim, a diferença entre o valor médio do resultado de medição e o valor
de referência (ou verdadeiro) previamente conhecido para a grandeza sendo medida
quantificao vício ou erro sistemático do instrumento (Figura 8.1 ).
Vício

Valor de Resultado médio

referência de medição

Figura 8.1: Vício de um sistema de medição.

139
 O valor médio do resultado é obtido a partir de medições sucessivas da grandeza
por um ou por mais de um operador. Deve-se observar que a magnitude do vício pode
variar ao longo da escala do instrumento de medição (variação essa associada à
linearidade do instrumento). O vício de um instrumento pode ser conhecido e
compensado através de procedimentos de aferição e calibração, que consistem
basicamente em comparar o valor médio indicado pelo instrumento com o valor
verdadeiro para aquela grandeza, conhecido através de um padrão de referência.
Uma outra caracterização da capacidade de medição é dada pela acuracidade ou
exatidão. A acuracidade quantifica a proximidade existente entre o valor verdadeiro para
a grandeza medida e os resultados fornecidos· pelo instrumento. A Figura 8.2 ilustra o
relacionamento existente entre vício, precisão e acuracidade. Nessa figura, o centro do
alvo representa o valor verdadeiro da grandeza sendo medida, e os pontos representam os
resultados de repetidas medições da característica. Assim, um instrumento bastante
acurado. representado pela Figura 8.2.d é aquele com alta precisão e baixo vício. As
outras três situações representam um instrumento de baixa acuracidade. ou seja: alto vício
e baixa precisão (a); baixa precisão e baixo vício (b); e alta precisão e alto vício (c).

a. b.

c. d.
Figura 8.2: Relação entre vício, precisão e acuracidade.

Deve-se observar que na literatura específica, frequentemente, o termo

acuracidade é assumido como sinônimo de vício, e que portanto existe uma certa
confusão sobre o significado desse termo.
Um terceiro aspecto relacionado é a resolução do instrumento. Resolução
corresponde à menor divisão da escala do instrumento e entende-se como sendo a
capacidade de um instrumento de distinguir valores próximos da grandeza a ser medida
sem necessidade de interpolação.

140
 Além desses aspectos mencionados, para completamente caracterizarmos a
capacidade de medição de um instrumento, devemos ainda considerar outros aspectos,
como repetibilidade, reprodutibilidade, linearidade e estabilidade. O significado de cada
uma dessas características é apresentado a seguir:

• Repetibilidade: é uma medida da dispersão dos resultados de medições sucessivas da

mesma grandeza e realizadas por um mesmo operador (Figura 8.3). De um modo
geral a repetibilidade é quantificada pela faixa correspondente a seis desvios-padrão
da distribuição dos resultados;

Repetibilidade

Figura 8.3: Repetibilidade de um sistema de medição.

• Reprodutibilidade: é dada pela variação máxima entre resultados médios obtidos por
diferentes operadores para a mesma grandeza e sob as mesmas condições de operação
(Figura 8.4). Deve-se observar que a precisão é uma medida da variabilidade
resultante da repetibilidade e reprodutibilidade do instrumento. Em instrumentos
completamente automatizados, onde não há intervenção do operador na realização da
medição, o erro de reprodutibilidade é desprezível e então precisão passa a ser
sinônimo de repetibilidade.

Operador B

Operador C

OperadorA
1

Reprodu tib ilid ad e

Figura 8.4: Reprodutibilidade de um sistema de medição.

141
• Estabilidade: é quantificada pela variação do resultado obtido para uma mesma
grandeza em função do tempo (Figura 8.5);

Estabilidade

Tempo 2

Tempo I

Figura 8.5: Estabilidade (temporal) de um sistema de medição.

• Linearidade: corresponde à variação do vício do resultado de medição quando

considerado uma faixa da escala do instrumento (Figura 8.6);

I
..
Vício 1 .. 1!
I I~
Vício 2 1
.. I
I

A Valor médio
observado
A Valor médio
observado

Início da escala Fim da escala

o
"O

::'"
~ /
/
.o
o
/
o /
"O
'<1)

E
o
-;;;
>

V alo r de referência
Figura 8.6: Linearidade de um sistema de medição.
142
 De um modo geral, os principais fatores que diferenciam os sistemas de medição
quanto às características mencionados acima são:
• aspectos construtivos e de projeto;
• desgaste decorrente do uso;
• modo de operação;
• condições ambientais;
• calibração.

Consequentemente, para se conhecer a capacidade do sistema de medição, é

preciso quantificar estatisticamente as características acima mencionadas

8.2. Estudo de Repetibilidade e Reprodutibilidade de Sistemas de Medição

Vimos na seção anterior que a variabilidade total presente em um conjunto de

dados gerados por um processo produtivo e medidos por meio de um instrumento de
medição é resultante da combinação da variabilidade inerente ao processo produtivo (de
peça para peça) e da variabilidade inerente ao instrumento de medição.
Assim, a partir da lei de aditividade de variâncias temos:

(52 -(52
total - processo
+ (J medição
2

onde:

o
a-,~ral : Variância total do conjunto de dados;
G ~roemo : Variância devida ao processo produtivo;
G~edição: Variância devida ao instrumento de medição;

Sabemos ainda que a variabilidade inerente ao instrumento de medição é

resultante da repetibilidade e reprodutibilidade características do instrumento de medição.
Desse modo, temos:

onde:
a-;epe: Variância devido ao equipamento
a- ;epro : V ariância devido ao operador.

Portanto, quando do emprego de um determinado instrumento de medição no

monitoramento do resultado de um processo, deve-se estimar qual é a contribuição do

143
instrumento na variabilidade total do -conjunto de dados, e além disso qual é a
repetibilidade e reprodutibilidade características do instrumento.
Para o estudo de repetibilidade e reprodutibilidade de instrumentos, o método da
"média e Amplitude" é normalmente usado (QS 9000, 1995).
O estudo é feito a partir de uma amostra do resultado do processo de tamanho
entre 5 ·e I O elementos ou peças. Em seguida essas peças são medidas repetidas vezes
com um mesmo instrumento e por mais de um operador.
Desse modo, a repetibilidade do instrumento pode ser estimada a partir da
amplitude média das medidas efetuadas por um mesmo operador, e a reprodutibilidade
pode ser estimada a partir da amplitude de variação do resultado médio das leituras
efetuadas por diferentes operadores.
Ainda que o número de peças, operadores e réplicas de medições possam variar,
a norma QS 9000 recomenda que a condição ótima é dada por:
• amostra de tamanho n = 10;
• cada operador medindo 2 vezes a mesma peça;
• 3 operadores medindo as mesmas peças.

A seqüência de medição das peças deve ser aleatória. Ou seja. o operador A

mede as 10 peças em ordem aleatória. Em seguida os operadores B e C medem as 10
peças, cada um em uma outra ordem aleatória. Esse mesmo ciclo de operações é seguido
para replicar os resultados. A seqüência aleatória de coleta de dados minimiza o efeito de
alguma fonte de variabilidade não identificada na variabilidade dos resultados do
experimento.
O cálculo da repetibilidade e reprodutibilidade (R&R) é melhor explicado
através de um exemplo, apresentado a seguir.

Exemplo 8.1: Considere o caso em que se deseja levantar a repetibilidade e

reprodutibilidade de um micrômetro com leitura milesimal, usado na medição do
resultado de um processo de usinagem de uma dimensão de um componente. Para isso I O
peças representativas da variabilidade total do processo são selecionadas. Em seguida, 3
operadores igualmente treinados na utilização do instrumento medem 2 vezes cada uma
das peças. A seqüência em que cada um dos operadores mede cada uma das peças e em
cada ciclo de repetição é aleatorizada. Os dados gerados a partir desse experimento são
apresentados na Tabela 8. I.

A partir desses dados, podemos construir os gráficos de X e R, sendo que para

isso consideramos 30 amostras de tamanho n=2, ou seja cada par de leituras de cada
operador define uma amostra. A linha central e os limites dos gráficos de X e R são
dados por:

144
 • Gráfico X:

i=!

30

x = 20,3812
R= RI+R2+R3
3 30

R =0,0055

L.S. = 20,3915

L.! = 20,3708

Operador I Operador 2 Operador 3

Medida..'> Medida..-; Medidas

Pçs R R R
X X X

20.365 20.360 20,362 0.005 20.355 20,357 20.356 0.002 20.353 20.355 20.354 0,001

20.398 20,400 20.399 0,002 20,405 20.395 20.400 0,010 20.405 20.400 20.402 0,005

20.387 20.3RO 20,383 0,007 20.3X2 20.375 20.37R 0,007 20.392 20.380 20.386 0.012

4 20.385 20,393 20,3B9 o.oox 20.3XII 20,373 20.376 0,007 20.380 20.37R 20.379 0,001

20.357 20.345 20.351 0,012 20.340 20.342 20.341 0.001 20.345 20.358 20.351 0,013
20,400 20.400 20.400 0,000 20.400 20.405 20,402 0,005 20.400 20.405 20.402 0,005

20.396 21!.394 20.395 0,002 20.397 20.387 20.392 0.010 ::'!0.395 20.395 20.395 0,01111
20.385 20.380 20,382 0.11115 211.375 20,3()9 20.372 0,006 20.380 20.3B3 20.381 0,003
20.397 20.403 20.400 0,006 20.400 20.395 20.397 0.004 20.405 20.402 20.403 0,003
10 20,362 20,370 20,366 0,008 20.356 20.350 20.353 0,006 20.385 20.380 20.382 11,0115

x, = 20,3829 R,= 0,0055 x2 = 20,3769 R2 = 0,0060 xl = 20,3838 R3 = 0,0050

Tabela 8.1: Dados para estudo de R&R, Exemplo 8. I.

145
• Gráfico de R:
L./.= D 3 R

L.!.= 0,0

L.S. = D 4 R

L.S. = 0,018

Os gráficos da média e da amplitude são apresentados nas Figuras 8.7 e 8.8. O

gráfico de R apresenta diretamente a variabilidade devida ao instrumento de medição e
avalia a consistência do processo de medição. Note que os valores de R representam as
diferenças entre medidas feitas no mesmo item, por meio do emprego do mesmo
instrumento, pelo operador A, de 1 a 1O, pelo operador B, de 11 a 20, e pelo operador C,
de 21 a 30.

20.41

20.4

20.39 20.3915

20.38 20.3812

:.a"'
'<!)
20.37 20.3708
~
20.36

20.35

20.34

20.33
5 10 15 20 25 30
Amostras

Figura 8.7: Gráfico da média, Exemplo 8.1.

146
 0.02 .----~---~----------~-----,

.017971

0.015

<l)
"O

·ªõ.. 0.01

..;;:"'

0.005

5 10 15 20 25 30
Amostras
Figura 8.8: Gráfico da Amplitude, Exemplo 8.1.

Neste exemplo o gráfico R (Figura 8.8) indica uma situação sob controle
estatístico. Isto significa que:
• a variabilidade dos resultados de medições é decorrente de causas crônicas;
" os operadores não tiveram dificuldades em fazer medidas consistentes.

Se por outro lado. tivessem ocorrido pontos fora dos limites de controle. este fato
seria uma indicação da presença de fontes de variação assinaláveis ou esporádicas
atuando no processo de medição, tais como dificuldades enfrentadas pelos operadores na
utilização do instrumento.
O gráfico de x (Figura 8.7) retrata a habilidade do instrumento em fazer distinção
entre diferentes dimensões das peças resultantes do processo. O fato de que este gráfico
apresentou vários pontos fora dos limites de controle já era esperado e desejável. Como
neste tipo de estudo os limites do gráfico de R são calculados com base na variação
existente entre as medidas feitas para o mesmo item. não levando em conta a variação
existente entre itens diferentes resultantes do processo produtivo. espera-se que o gráfico
de x apresente uma situação de descontrole estatístico. Ou seja, quanto mais pontos fora
dos limites de controle, melhor será a habilidade do processo de medição para distinguir
as diferenças resultantes do processo produtivo.
Uma vez concluído, a partir da análise dos gráficos. que apenas (ou
majoritariamente) causas crônicas estão atuando na variabilidade dos resultados.
podemos estimar a repetibilidade e reprodutibilidade do instrumento.

147
Cálculo de Repetibilidade:

A variância devido ao equipamento de medição pode ser estimada a partir da

expressão:

A R
(J repe = d (8.1)
2

onde d 2 é extraído da Tabela III para n=2, já que cada amplitude foi calculada a partir de
duas medidas repetidas do mesmo item, feitos pelo mesmo operador.
No exemplo 8.1 temos:

A 0,0055
(J =---
repe 1,128

8 repe = 0,0049

Alternativamente, o valor de d 2 pode ser obtido da Tabela IV (Ducan, 1974),

onde d 2 é dependente do número de repetições (m), e do número de peças vezes o número
de operadores, (g). Note que esse é o procedimento recomendado pela QS 9000 (no
manual de Análise de Sistemas de Medição).
Assim, a repetibilidade do instrumento é dada por:

68 repe = 0,0294 = 29,4,um

o que corresponde a 99,73 %dos resultados.
Vale observar que a norma QS 9000 considera a repetibilidade como sendo dada
pela faixa

5,158 repe = 0,0252 = 25,2,um

o que corresponde a 99 % dos resultados.

Cálculo da Reprodutibilidade:

A reprodutibilidade do instrumento quantifica a variabilidade do dados quando

diferentes operadores utilizam o instrumento. Observe que se os resultados médios
obtidos pelos operadores diferem, isto significa que o instrumento é sensível à diferenças
de leitura ou de operação de operador para operador, ainda que todos os operadores sejam
148
igualmente treinados e meçam as peças obedecendo o mesmo procedimento de medição.
Para estimar a reprodutibilidade, definimos:

(8.2)

onde =
xmax e xmin representam, respectivamente, o máximo e o mínimo valor do resultado

médio obtido pelos operadores.

No Exemplo 8.1, temos:

R; = 20,3838-20,3769

R; =0,0069

A partir daí, a variância devido ao operador pode ser estimada por meio da
equação:

Y
l(R=d: ]2
(&repe
Grepro = (8.3)
nr

onde n representa o número de vezes que cada item é medido, e r o número de itens
medidos.
Observe que a variância inicialmente estimada pelo termo

(;: J
é "contaminada" pela repetibilidade do instrumento. e, em função disso, uma melhor
estimativa da variância devido ao operador é conseguida subtraindo desse termo uma
fração da repetibilidade dada por

nr

No Exemplo 8.1, temos:

Ô'repro =
0,0069 y (o,oo49r
( 1,693 ) 20

Grepro = 0,0039

149
 Portanto, a reprodutibilidade do instrumento é dada por:

68repro = 0,0235 = 23,5,Um

Também nesse caso, a norma QS 9000 recomenda que a reprodutibilidade do

instrumento seja dada por:

5,158 repro = 0,0202 = 20,2,um

Portanto, a estimativa da capacidade do sistema de medição é dada pela

repetibilidade e reprodutibilidade do instrumento (R&R), conforme segue:

(8.4)

ou

R & R =5,158 mediçclo

como recomenda a norma QS 9000.

No Exemplo 8.1, temos:

R &R= 68 med = 6~(0,0049r + (0,0039)2

R & R= 0,0376 = 37,6,um

para 99,73 %dos resultados, ou

R & R= 5,158 med = ~ (0,0049? + (0,0039 )2

R & R = 0,0322 = 32,2,um

para 99 % dos resultados.

É desejável indicar a repetibilidade e reprodutibilidade do instrumento (R&R)
como uma fração percentual em relação às seguintes características:
• variabilidade total do conjunto de dados (G 10wJ):

(8.5)

150
para R&R calculado como 6 CJmed·
• Faixa de tolerância especificada em projeto para a característica considerada (LSE -
LIE). Essa relação é chamada de Porcentagem de Tolerância, e é dada por:

PT= R&R 100 (8.6)

LSE-LIE

O primeiro caso é em geral recomendado para processos com alto índice de

capabilidade.

Assim, a adequabilidade do sistema de medição quanto à sua repetibilidade e

reprodutibilidade pode ser classificada conforme indicado na Tabela 8.2.

o/oR&R
%R&R::;10% adequado
10< o/o R&R::; pode ser adequado dependendo da importância da aplicação. custo
30 do instrumento, custo de manutenção, etc.
% R&R> 30 inadequado. Sistema de ~edição n~~~~?::!.~~-~····~······

Tabela 8.2. Classificação de sistema de Medição quanto à o/o R&R.

Deve-se observar que o levantamento de R&R de um instrumento não identifica

causas para a baixa repetibilidade e reprodutibilidade do instrumento. Entretanto, quando
a repetibilidade é baixa quando comparada a reprodutibilidade deve-se atentar para os
seguintes problemas (QS 9000, 1995):

• o instrumento necessita de manutenção;

• o instrumento ou dispositivo de medição deve ser re-projetado para aumentar sua
rigidez;
• o dispositivos de fixação do instrumento ou da peça necessita ser melhorado.

Por outro lado, se a reprodutibilidade for baixa quando comparada à repetibilidade,

deve-se atentar para (QS 9000, 1995):

• o operador necessita ser melhor treinado em como operar e ler o resultado do

instrumento;
• o indicador do instrumento (analógico) não é claro o suficiente;
• o operador necessita de um dispositivo de fixação do instrumento ou da peça para
tornar as leituras mais consistentes.

151
8.3. Estimativa de Variabilidade de Processo de Produção

A variabilidade do processo de produção pode ser determinada a partir dos

dados do estudo de R&R de um instrumento de medição ou através de um estudo
independente de capabilidade de processo.
Se, através de um estudo de capabilidade do processo, conhecemos previamente
a variabilidade total presente nos dados gerados pelo processo produtivo, C5,~rai, sabemos
que a variabilidade inerente ao processo produtivo pode ser calculada a partir de:

2 2 2
(J proce.rso = (j total - (J mt'diçüo

Alternativamente, a variabilidade do processo pode ser estimada a partir dos

dados do estudo de R & R. Nesse caso, a variância do processo, O":,rocesso é estimada por:

(8.7)

onde RP corresponde à máxima amplitude entre os valores médios obtidos para cada peça
pelos diferentes operadores em medições repetidas.
Assim, para o Exemplo 8.1, é apresentado na Tabela 8.3 o valor médio para cada
peça, obtida a partir das medições feitas pelos 3 operadores.

Valor Médio Valor Médio

20.3575 6 20.4017
2 20.4005 7 20.3940
3 20.3827 8 20.3787
4 20.3815 9 20.4003
5 20.3478 10 20.3672

Tabela 8.3: Valor médio medido para peças, Exemplo 8.1.

Portanto

RP = 20,4017-20,3478 = 0,0540

152
 ~ = 0,0540 = 0,0175
O' processo ,
3 07 8

onde d 2 é extraído da Tabela III. Note que se d 2 fosse extraído da Tabela IV (onde neste
caso m=10 (número de peças) e g=1 já que existe somente uma amplitude), seu valor
seria d 2 = 3, 18, o que levaria a um valor ligeiramente diferente para o desvio-padrão do
processo.
A variabilidade do processo de produção ou variabilidade de peça para peça
pode ser vista no gráfico da média (Figura 8.7). Para cada operador as diferenças entre os
resultados médios de cada peça refletem a variabilidade do processo. Como já observado,
os limites de controle do gráfico são baseados no erro de repetibilidade, e não na
variabilidade entre peças. Com isso, é esperado que muitos pontos sejam registrados fora
dos limites. Inversamente, se nenhum dos pontos cai fora dos limites, isto significa que a
variabilidade do processo de produção está "escondida" pela repetibilidade e
reprodutibilidade do instrumento e portanto a variabilidade devido ao instrumento de
medição domina a variabilidade total. Nesse caso, o sistema de medição seria inadequado
para analisar o processo.
No Exemplo 8.1, a partir do cálculo do desvio-padrão do processo, podemos
calcular o desvio-padrão total do processo, conforme segue:

... 2 - ... z + ... z

(j total - (j processo (J med

Ô' 10101 = 0,0186

Portanto, para o Exemplo 8.1, a porcentagem da repetibilidade e

reprodutibilidade do instrumento em relação à variação total do resultado do processo é
de:

0 0376
%R & R= ' 100 = 33,9%
6(0,0186)
o que significa que esse instrumento seria inadequado para a aplicação em questão.

153
8.4. Avaliação da Adequação da Resolução do Instrumento

Vimos na seção 8.1 que a resolução de um instrumento corresponde à menor

divisão da escala, sendo que a capacidade de um instrumento em distinguir valores
próximos sem necessidade de interpolação está associada à resolução do instrumento.
A adequabilidade de um instrumento de medição, em termos de resolução, para
analisar e controlar um determinado processo pode ser identificada através da análise dos
gráficos da média e da amplitude. Para isso, considere o seguinte exemplo.

Exemplo 8.2: Para controlar um processo de usinagem de uma dimensão cujo valor
nominal e tolerância é de 20,250 ± 0,010, um micrômetro com resolução de 0,001 mm é
usado. Os dados coletados com esse instrumento, para 25 amostras de tamanho n=5 são
apresentados na Tabela 8.4.

Amostra Resultados X R
20,248 20,259 20,424 20,240 20,232 20,2806 0,270
2 20,248 20,252 20,251 20,250 20,252 20,2506 0,004
3 20,250 20,249 20,260 20,244 20,248 20,2502 0,016
4 20,250 20,241 20,248 20,243 20,241 20,2446 0,009
5 20,251 20,249 20,260 20,260 20,247 20,2534 0,013
6 20,244 20,247 20,254 20,245 20,250 20,2480 O,ülO
7 20,251 20,257 20,253 20,248 20,245 20,2508 0,011
8 20,246 20,263 20,263 20,241 20,241 20,2508 0,022
9 20,254 20,253 20,253 20,246 20,255 20,2522 0,008
10 20,254 20,246 20,255 20.258 20,262 20,2550 0,015
11 20,257 20,256 20,253 20,237 20,242 20,2490 0,020
12 20,251 20,249 20,267 20,250 20,248 20,2530 0,019
13 20,242 20,247 20,248 20,239 20,261 20,2474 0,021
14 20,243 20,250 20,244 20,238 20,240 20,2430 0,011
15 20,241 20,254 20,259 20,253 20,237 20,2488 0,022
16 20,260 20,245 20,252 20,246 20,255 20,2516 0,014
17 20,248 20,250 20,245 20,240 20,263 20,2492 0,023
18 20,246 20,239 20,243 20,261 20,241 20,2460 0,021
19 20,252 20,232 20,254 20,245 20,250 20,2466 0,021
20 20,262 20,250 20,247 20,257 20,247 20,2526 0,014
21 20,258 20,252 20,257 20,254 20,263 20,2568 0,010
22 20,250 20,256 20,244 20,244 20,238 20,2464 0,017
?"
_.) 20,247 20,253 20,242 20,240 20,246 20,2456 0,013
24 20,256 20,255 20,244 20,258 20,249 20,2524 0,013
25 20,239 20,254 20,254 20,244 20,263 20,2508 0,024
X =20,2496 R=0,0164

Tabela 8.4: Dados, Exemplo 8.2.

154
 Para-esses dados, os gráficos de controle são construídos, e os valores de média
e amplitude são registrados nos gráfico, conforme apresentado nas Figuras 8.9 e 8.1 O.
Neste caso, percebemos através da análise dos gráficos que o processo se
encontra em controle estatístico. Percebemos ainda que no gráfico de amplitude há 34
valores possíveis para a amplitude de variação dos dados (de 0,000 à 0,034).
Este fato é um indicativo de que a resolução do instrumento é bastante sensível à
variabilidade dos dados.
Entretanto, se os dados do Exemplo 8.2 tivessem sido coletados usando um
paquímetro com resolução de 0,01 mm, as medidas seriam arredondadas para 2 casas
decimais e os gráficos de controle seriam como ilustrado nas Figuras 8.11 e 8.12

20.27

20.265

20.26
. • . - - - - - - - - - - - - - - - - - - - - - - - - - 20.2590

20.255

"
'õ 20.25
~
20.245

20.24 - - • - - - - - - - - - - - - - - - - - - - - - - - - - 20.2401

20.235

20.23
5 10 15 20 25
Amostras

Figura 8.9: Gráfico da média, Exemplo 8.2.

0.~ r-------------------------------------------.
.034678

0.03

"
-o

·ª
õ.
E
0.02
.016400
-<

0.01

o L-------~-----------------------------..........J 0.00000
5 10 15 20 25
Amostras

Figura 8.10: Gráfico de amplitude, Exemplo 8.2.

155
 20.27

20.265

20.26
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - 20.2585
20.255

~
"' 20.25
::;
20.245

20.24 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 20.2410

20.235

20.23
5 10 15 20 25
Amostras

Figura 8.11: Gráfico da média para dados com precisão centesimal, Exemplo 8.2.

0.04 r--------------------..-,

- - - - - - - - - - - - - - - - - - - - - - - - - - - - - .032141
0.03

"
'O
:ê 0.02
õ..
E
< .015200

0.01

o ._______.._ _~---~---~----------' 0.00000

5 10 15 20 25
Amostras

Figura 8.12: Gráfico da amplitude, dados com precisão centesimal, Exemplo 8.2.

A análise do gráfico de R revela que há apenas 3 valores possíveis para a

amplitude de variação dos dados (de 0,00 à 0,03). Ou seja, em uma situação como essa, o
gráfico de amplitude seria insensível à variabilidade dos resultados, já que os dados
coletados são apenas estimativas grosseiras para os resultados do processo.
De um modo geral, recomenda-se que para uma boa adequabilidade da
resolução do instrumento à variabilidade do processo, o instrumento deva ser capaz de
distinguir 5 ou mais valores da grandeza em questão no intervalo entre os limites do
gráfico de R.
156
 Se o número de valores possíveis de serem distinguidos nesse intervalo for
menor que 2, o sistema de medição é absolutamente inadequado para o controle do
processo.
Alternativamente, recomenda-se que a resolução do instrumento deva
corresponder à décima parte do intervalo correspondente à seis desvios-padrão do
processo.

8.5. Avaliação do Vício do Sistema de Medição

A avaliação do vício ou erro sistemático de um instrumento é basicamente feita

através da comparação do resultado de medição obtido pelo instrumento com o valor de
referência para aquela medida, obtida através de um instrumento tido como padrão de
referência.
Um instrumento padrão de referência é aquele cujo resultado de medição é
rastreado a um padrão de referência nacional ou internacional para aquela grandeza. O
termo rastreado está relacionado à "rastreabilidade" e se refere à propriedade de um
resultado de medição ou instrumento poder ser rastreado (ou referenciado) a padrões
nacionais ou internacionais por meio de uma cadeia de comparações segundo uma
hierarquia metrológica, conforme ilustra a Figura 8.13.

Nível
Internacional

Nível
Nacional

Nível Local

Figura 8.13. Cadeia de Rastreabilidade Metrológica.

A rastreabilidade de um instrumento é garantida através de procedimento de

aferição, que consiste em um conjunto de operações que estabelece, em condições
específicas, a correspondência entre os valores indicados por um instrumento de medida,
ou medida materializada, e os valores obtidos através de um padrão de referência ou
instrumento padrão (INMETRO, 1989).
Deve-se observar que o instrumento padrão terá uma acuracidade superior
quando comparado ao instrumento que se deseja aferir, estando por isso numa posição
hierárquica acima (na cadeia metrológica) do instrumento que se deseja medir.

157
 A determinação do vício de um sistema de medição é parte do procedimento de
aferição. O procedimento básico para o cálculo do vício do instrumento é apresentado a
seguir (QS 9000, 1995):
1. Selecione uma peça ou uma amostra do resultado de seu processo e determine o
valor da grandeza sendo medida a partir de um instrumento rastreado com um padrão
de referência. O valor da grandeza obtido dessa maneira será o valor de referência.
2. Meça a amostra com o instrumento sendo analisado. A amostra é medida repetidas
vezes pelo mesmo operador e em condições normais de operação.
3. Calcule a diferença média entre o valor medido e o valor de referência. que é dada
por:

k
:L(x; -x)
d = ....:.i=_:l_ _ __ (8.8)
k

onde xi> i = 1, ... , k são os resultados obtidos com o instrumento sendo analisado, e x o
valor de referência para a grandeza sendo medida.
4. Calcule o desvio-padrão amostra! Sd, dado por:

i=l
(8.9)
k-1

Uma estimativa pontual do vício do instrumento é dada por d em (8.8).

Entretanto de um modo geral, o valor calculado para d será diferente de zero. mesmo na
ausência de vício do instrumento. Portanto, devemos inferir estatisticamente se o vício é
significativamente diferente de zero. Para isso, construímos um intervalo de confiança
conforme segue:

(8.1 0)

para uma confiança de (1-a) 100%, onde v = k-1 é o número de graus de liberdade da
distribuição t de Student.

Assim, se o intervalo de confiança calculado incluir o valor zero, podemos

afirmar, com uma confiança de (1-a) 100% que d não é significativamente diferente de
zero.
Caso contrário, ou seja quando o intervalo de confiança não incluir o valor zero,
assumimos que o vício do instrumento é dado por d .

158
 Da mesma forma que nos casos anteriores, o vício pode se expresso como uma
porcentagem, seja como Porcentagem de Tolerância, dada por:

PL. =
ldl 100 (8.11)
,,CIO LSE- LSI

ou como porcentagem em relação à variabilidade total do processo:

%Vício=~ 1006CJ/ola/
(8.12)

Também no caso do vício a porcentagem de tolerância não deve exceder I O %.

Exemplo 8.3: Para avaliar o vício de um micrômetro, um bloco padrão de dimensão

nominal 25 mm foi medido 1O vezes por um mesmo operador em condições normais de
operação. Os resultados são apresentados na Tabela 8.6.

Leitura Valor d;( m) Leitura Valor

1 25,005 5 6 25,006
2 25,004 4 7 25,001 I
3 25,000 o 8 25,006 6
4 25,003 3 9 25,003 3
5 25,001 1 10 25,007 7

Tabela 8.6: Levantamento do vício de um instrumento, Exemplo 8.3.

Sabemos que a dimensão do bloco padrão, determinada através da aferição d.o

bloco, é de 24,9999 mm. Portanto, para avaliar o vício de um instrumento com resolução
milisimal, podemos assumir que o valor de referência da dimensão é 25.000 mrn. Os
valores das diferenças, d;, são apresentados na Tabela 8.6. Assim:

d =3,6

Para avaliar se esse vício é significativo, construímos o intervalo de 95% de

confiança conforme segue:

159
 9

sd = 2,413

d -to oo5 9 sd
r;;:: ::;;
v-ICW
. ::;; -d +to oo5 9 sd
r;;::
. - . -vlO . - ' -vlO

1,874 ::;; Vício::;; 5,326

Portanto, como o valor médio calculado é significativamente diferente de zero para uma
confiança de 95 %, assumimos esse valor como sendo o vício do instrumento.

8.6. Avaliação da Linearidade do Instrumento

A linearidade de um instrumento é uma medida da variação do vício ao longo da

escala do instrumento. A linearidade pode ser determinada escolhendo-se amostras para
medição cujos valores da grandeza compreendem toda a faixa de medição do
instrumento. Por exemplo, para analisar a linearidade de um instrumento de medição de
dimensão linear com escala de O - 50 mm, escolhemos peças cujas dimensões sejam
respectivamente 1O, 20, 30 e 40 mm. Assim, podemos determinar o vício do instrumento
em cada uma dessas posições da escala. Ou seja, para cada uma das amostras. compara-se
o valor médio de múltiplas medições com o valor de referência para aquela medida.
conforme explicado na seção anterior.
Com isso podemos calcular os parâmetros da reta que melhor se ajuste ao
conjunto de pontos (x, y) correspondentes ao valor de referência, x, versus vício de
medição, y, e estimar a linearidade do instrumento a partir da inclinação dessa reta.
Os parâmetros da reta que melhor se ajuste aos pontos podem ser calculados
pelo método dos mínimos quadrados, conforme segue:

(8.13)

b = =L'-'-Y_-a__,(L=--:..x) (8.14)
n

onde a e b são os parâmetros da reta

160
 y =b+ax,
n é o número de pares (xi, yJ, e
xi: valor de referência da amostra i;
yi: vício calculado para a amostra i.
A linearidade do instrumento é expressa pela variação max1ma do vício do
instrumento para o intervalo corresponde à faixa de operação do instrumento, ou seja:

Linearidade = I a Iih

Alternativamente, quando o instrumento é dedicado a apenas um processo,

podemos expressar a linearidade como a variação máxima do vício do instrumento para a
faixa de variação correspondente à 6cr do processo,

Linearidade= I a J<o- (8.15)

ou a largura da tolerância especificada em projeto para o parâmetro de qualidade para o

qual o instrumento será dedicado:
.
L mearz·d d ih I/
a e= /(LSE _ LIE) (8.16)

Em seguida os parâmetros de reta que melhor se aproximam a esse conjunto de pontos

(valor de referência versus vício) são calculados a partir das expressões em (8.13) c
(8.14) conforme segue:
y =ax+b =

y =- 0,03x + 0,88
Exemplo 8.4: Para se determinar a linearidade de um instrumento de medição de
dimensão linear em uma faixa de operação correspondente à dispersão dos resultados do
processo no qual esse instrumento é usado (i.e., 15,100 à 15,180 mm), 5 blocos-padrão
foram escolhidos com dimensões representativas da variabilidade do resultado do
processo. Cada bloco-padrão foi então medido 1O vezes por um mesmo operador e os
resultados são apresentados na Tabela 8.7.

161
 1 2 3 4 5

Medições
1 10,60 12,75 13,80 16,10 17,10
2 10,70 12,50 13,60 15,95 17,30
3 10,80 12,35 14,00 16,15 17,50
4 10,70 12,60 13,95 16,00 17,30
5 10,80 12,60 13,95 15,80 17,40
6 10,00 12,35 14,20 15,95 17,50
7 10,80 12,45 14,05 15,85 17,50
8 10,70 12,50 14,05 16,00 17,50
9 10,80 12,35 14,20 15,20 17,60
-----~10-~,-~--~----~~-~1~~~.~:22..~-·-·L?,L?.Q_
Tabela 8.7: Dados para estudo da linearidade de um instrumento.

A partir desses resultados, o vício do instrumento para cada um desses valores

de referência é calculado, conforme apresentado na Tabela 8.8.

Valore de referência 10 12 14 16 18
(10. 2 mrn)
_ _ _ _ _V_r__,'cio (10_2c-m"--m-)-----0-,-64--0-~"'-~-~--
_- 0,41-"~--~-.~-2__-,4-0"=--··-Q-~~~~

Tabela 8.8: Vício do instrumento para valores de referência, Exemplo 8.4.

A Figura 8.14 apresenta a reta ajustada ao conjunto de pontos.

0.9
0.84
0.78
0.72
0.66 o
E 0.6
E 0.54
"'
6 0.48

o 0.42
:Q 0.36
> 0.3
0.24
0.18
0.12
10 12 14 16 18

Valor de referência (10-2 mm)

Figura 8.14: Avaliação da linearidade de um instrumento de medição.

162
 O coeficiente de correlação linear pode ser calculado para avaliar a
adequabilidade da reta para representar a dispersão dos resultados. O coeficiente de
correlação é dado pela expressão:

(8.17)

onde:

Para o Exemplo 8.4, temos:

r= 0,89

o que significa que uma razoavelmente boa aproximação (quanto mais próximo de 1,
melhor).
Desse modo, a linearidade do instrumento para o intervalo correspondente à
dispersão do processo, ou seja 0,080 mm, é expressa por:

Linearidade = 2,4 ~m

163
8.7 Exercícios Propostos

8.1. Quando da utilização de ferramentas estatísticas para o controle de processo, qual o

risco que se corre em não se avaliar a capacidade de medição dos instrumentos usados
para coletar dados do resultado do processo? Como um instrumento pode ser
caracterizado quanto à sua capacidade de medição?

8.2. Qual o significado de repetibilidade e reprodutibilidade de um instrumento?

8.3. Para avaliar a capacidade de medição de um relógio apalpador na medição do erro de

batida radial de um eixo retificado, 20 peças resultantes do processo são medidas duas
vezes cada por um mesmo operador. Os dados, em décimos de mícrons , são
apresentados na tabela a seguir:
a. construa os gráficos da média e da amplitude e interprete os resultados;
b. construa um gráfico de dispersão relacionando as duas medidas obtidas para cada peça
(i.e., eixo x, medida 1, eixo y, medida 2), e avalie a precisão do instrumento.
c. estime a variância devida ao instrumento de medição e a variância devida ao processo.
d. sendo de 5 11m o valor máximo permitido para esse erro, calcule a Porcentagem de
Tolerância e conclua sobre a capacidade de medição do instrumento.
"
__ P~_ça Medidas Peça Medidas
-------------------·-··-···
1 2 1 2
1 19 23 11 20 25
2 22 28 12 16 15
3 19 24 13 25 24
4 28 23 14 24 22
5 16 19 15 31 27
6 20 19 16 24 23
7 21 24 17 20 24
8 17 15 18 17 19
9 24 26 19 25 23
10 25 23 20 17 16

8.4. Em um processo metalúrgico, deseja-se avaliar a capacidade de medição de um

durômetro para monitorar a dureza do material fabricado. Para isso, 1O peças extraídas do
processo e representativas da variabilidade dos resultados são medidas 3 vezes por um
mesmo operador. Os dados são apresentados na tabela abaixo.

a. construa os gráficos da média e da amplitude e interprete os resultados;

b. estime a variância devida ao instrumento de medição e a variância devida ao processo.
c. calcule qual porcentagem em relação à variabilidade total dos dados é devida ao
instrumento.
164
d. se a especificação para esse parâmetro for 100 ± 15, calcule a Porcentagem de
Tolerância para esse instrumento e comente sobre a adequabilidade dele.

Peça Medidas
2 3
1 100 101 100
2 95 93 97
3 101 103 100
4 96 95 97
5 98 98 96
6 99 98 98
7 95 97 98
8 100 99 98
9 100 100 97
10 100 98 99
···-~,_~-~-

8.5. Em um estudo conduzido para estimar a repetibilidade e a reprodutibilidade de um

micrômetro, 3 operadores mediram, duas vezes, 1O peças extraídas do processo e
representativas da variabilidade dos resultados. Os dados (em mícrons, 1-1m) são
apresentados na tabela abaixo.

a. estime a variância devida ao instrumento de medição;

b. estime a repetibilidade e reprodutibilidade do instrumento;
c. se a especificação for de 50 ±10, o que pode ser dito sobre a capabilidade do
instrumento?
~·-·-""""»-=~ -~·--~·--"""'"""""""~""--"'<~~~~-,~-,<.,.~=-""

_P~'2._ __ ~ador I o~~dor 2 _____Qp~~~E} __ ------··

I 2 I 2 I 2
I 50 49 50 50 48 51
2 52 52 51 51 51 51
3 53 50 50 54 52 51
4 49 51 50 48 50 51
5 48 49 48 48 49 48
6 52 50 50 52 50 50
7 51 51 51 51 50 50
8 52 50 49 53 48 50
9 50 51 50 51 48 49
48

8.6. Para a avaliação do vício de leitura de um micrômetro usado para medir peças com
dimensão nominal de 20,000 mm, um bloco padrão de dimensão 20,0000 mm foi usado
como padrão de referência. Esse bloco foi então medido 1O vezes por um mesmo
operador usando o micrômetro em questão. Os resultados das medições é apresentado na
tabela a seguir:

165
 _ Pes~----~~i!ur~Cmm2 _ _ !'~S~ _ _ _!:eitl!~-~~1--
1 20,005 6 20,003
2 20,005 7 20,001
3 20,000 8 20,004
4 20,003 9 20,002
5 10 1

a. calcule o vício do instrumento e um intervalo de confiança de 95 %. A valie se o vício

é significativamente diferente de zero.
b. sendo a faixa de tolerância da característica a ser avaliada por esse instrumento de 15
)..lm, calcule a porcentagem de tolerância do vício.

166
9. OUTRAS FERRAMENTAS DA QUALIDADE

9.1. Ferramentas para o Controle e Melhoria da Qualidade

Como vimos no Capítulo 2, o processo de controle da qualidade de processos

envolve as seguintes etapas básicas (Figura 9 .l ):
• coleta de dados;
• avaliação do processo;
• diagnóstico do problema;
• ação corretiva.

PROCESSO

Figura 9.1: Ciclo de controle da qualidade de processo.

Na etapa de avaliação, através de gráficos de controle, é possível estabelecer os

limites de variabilidade do processo e com isso avaliar a capabilidade do processo para
atender às especificações de projeto, e também monitorar o processo ao longo do tempo
com o objetivo de identificar possíveis ocorrências de descontrole estatístico do resultado
do processo de fabricação.
Nas etapas seguintes, através do conhecimento do processo e da análise de todas
as possíveis causas que ocasionam o resultado indesejável do processo, procura-se
identificar as causas mais prováveis para a ocorrência do problema e implementar ações
corretivas visando a melhoria do resultado do processo ou eliminação do problema e o
restabelecimento do processo em controle estatístico. As etapas de A vali ação.
Diagnóstico e Ação de Melhoria podem ser desdobradas conforme ilustrado na Figura
9.2.
Assim, ainda que a coleta de dados, a construção de gráficos de controle e o
monitoramento do resultado do processo sejam etapas fundamentais para o controle de
processos, por sí só elas não levam o processo ao estado de controle e melhoria. Ou seja,
associado ao uso de gráficos de controle, devemos implementar procedimentos e
ferramentas para:

167
• Identificação I priorização de problemas;
• elaboração de soluções;
• implementação de soluções;
• verificação de resultados.

Identificar o problema

Identificar as causas ~

Metade I Agir para elim minar as causas

!Melhoria .

Venficar o resultado

Padronizar

'---------Estabelecer Controle

Figura 9.2: Etapas em controle de processos.

As ferramentas da qualidade são genericamente classificadas em As Sete

Ferramentas da Qualidade, que compreende:
1. Estratificação,
2. Folha de Verificação,
3. Gráfico de Pareto,
4. Diagrama de Causa e Efeito,
5. Histograma,
6. Diagrama de dispersão,
7. Gráfico de Controle.

Outras ferramentas, normalmente conhecidas como As Sete ferramentas

Gerenciais são:
1. Diagrama de Relações;
2. Diagrama de Afinidades;
3. Diagrama em Árvore;
4. Matriz de Priorização;
5. Matriz de relações;
6. Diagrama de Processo Decisório (Process Decision Program Chart);
7. Diagrama de Atividades (Diagrama de Flechas).

Além dessas, outras ferramentas da qualidade bastante difundidas são:

168
• Brainstorm;
• Nominal Group technique;
• Análise de Campo de Forças;
• Fluxograma;
• Relatório das Três Gerações (passado, presente e futuro);
• 5W1H (O que, Porque, Onde, Quando, Quem, Como);
• FMEA (Análise do Modo e do Efeito da falha) e FTA (Árvore de Análise de Falhas);
• Planejamento e Análise de Experimentos I Taguchi.

Essas ferramentas podem ser genericamente classificadas quanto à utilização

conforme segue:

1. Ferramentas para a Identificação e Priorização de problemas:

• amostragem e estrattificação (agrupamento signficativo de dados);
• folha de verificação (ordenar I facilitar a coleta e o registro de dados);
• histograma, medidas de locação e variância (validar dados estatisticamente);
• pareto (priorizar por frequência de ocorrência, custo; quebrar causas em sub-causas);
• gráfico de tendência, gráfico de controle (expressar em termos estatísticos o
comportamento, no tempo, de uma máquina, sistema);
• índices de capabilidade (estudo de capacidade de equipamento);
• fluxogramas;
• brainstorming, NGT;

2. Ferramentas para a Elaboração de Soluções:

• brainstorming, NGT;
• diagrama de causa e efeito (relação entre efeito e todas as possíveis causas);
• diagrama de afinidades (organização sistemática de dados não numéricos e similares);
• diagrama de relações (estruturação das relações de causa e efeito de um conjunto de
dados não numéricos);
• análise de campos de força;
• diagrama de matriz (expressar a relação entre duas listas de variáveis);
• relatório das três gerações (passado, presente, futuro);
• FMEA I FTA (Análise do Modo e do Efeito da Falha I Árvore de Análise da Falhas);
• confiabilidade I planejamento e análise de experimentos.

3. Ferramentas para a Implementação de Soluções:

• diagrama árvore (desdobramento em árvore dos passos (níveis) a serem seguidos na
implementação de soluções);
• diagrama de processo decisório (desdobramento de todas as possíveis ocorrências de
eventos no caminho para se atingir uma meta);
• 5W1H (0 que I Por que I Onde I Quando I Quem I Como);

169
4. Ferramentas para a Verificação de Resultados:
• amostragem e estrattificação;
• folha de verificação;
• histograma, medidas de locação e variância;
• pareto (medir impacto da mudança);
• gráfico de tendência, gráfico de controle;
• índices de capabilidade;

Nas próximas seções, algumas das Setes Ferramentas da Qualidade são

consideradas.

9.2. Estratificação

A Estratificação consiste na divisão de um grupo em diversos subgrupos com

base em características distintivas ou de estratificação. As principais causas de variação
que atuam nos processos produtivos constituem possíveis fatores de estratificação de um
conjunto de dados: equipamentos, insumos, pessoas, métodos, medidas e condições
ambientais são fatores naturais para a estratificação dos dados.
Com a estratitificação dos dados, objetiva-se identificar como a variação de cada
um desses fatores interfere no resultado do processo ou problema que se deseja
investigar. Alguns exemplos de fatores de estratificação bastante utilizados são:
• Tempo: os efeitos dos problemas (ou resultados indesejáveis) são diferentes de
manhã, à tarde, à noite?
• Turno de Produção: os efeitos são diferentes quando consideramos diferentes turnos
de produção?
• Local: os efeitos são diferentes nas diferentes linhas de produção da indústria ou nas
diferentes regiões do País onde o produto é comercializado?
• Matéria prima: são obtidos diferentes resultados dependendo do fornecedor da
matéria-prima utilizada?
• Operador: diferentes operadores estão associados a resultados distintos?

A estratificação é um recurso bastante útil na fase de análise e observação de

dados. Deve-se observar entretanto que para se analisar os dados de maneira estratificada,
é preciso que a origem dos dados seja identificada. Ou seja, é importante anotar, por
exemplo, em que dias da semana e em que horários os dados foram coletados, quais
máquinas estavam em operação e quais foram os operários e os lotes de matéria-prima
envolvidos. Uma estratégia recomendável consiste em registrar todos os fatores que
sofrem alterações durante o período de coleta dos dados.
Também é importante que os dados sejam coletados durante um período de tempo não
muito curto, de forma que se possa estratificar os dados também em função do tempo.

170
9.3. Folha de Verificação

A Folha de Verificação é usada para planejar a coleta de dados a partir de

necessidades de análise de dados futuras. Com isso, a coleta de dados é simplificada e
organizada, eliminando-se a necessidade de re-arranjo posterior dos dados. De um modo
geral, a folha de verificação consiste num formulário no qual os itens a serem examinados
já estão impressos. Diferentes tipos de folha de verificação podem ser desenvolvidos. Os
tipos mais empregados são:
• verificação para a distribuição de um item de controle de processo (Figura 9.3):
• verificação para classificação de defeitos (Figura 9.4 );
• verificação para identificação de causas de defeitos;
• verificação para localização de defeitos.
15 16 17 1819 20 21 2223 2425 26 27 28 29 30 31 32
Dimensões 40
35
30 - c-- L.
I.
L.
S.
25 - ~ E. E.

20

I
%
/, ;, I
!./, ;,
15
i i i i i i
10
~ % % % ;, % % J, ~
iJ, i% iJ, i i % i i
J, % % i
5 I *-/, :%% *-% I

;, %
J,
J, J,
J, %
:%
J, %
J, %
J,
J,
J,
%
%
J,J, J,J, 7,J, %
z %
z %
% ;,
I I
o
Freqüência 1 2 6 13 10 16 19 17 12 16 20 17 13 8 5 6 2 1
Total

Figura 9.3: Folha de verificação de um item de controle de um processo.

Tipo Rejeitados Sub-total

Marcas H-H H-H H-H H-H H-H /1 32

Trincas H-H H-H H-H li/ 23
Incompleto H-H H-H H-H H-H H-H H-H H-H H-H H-H 11 48
Distorção II/I 4
Outros H-H 11 8
Total Geral 115
Total H-HH-HH-HH-HH-HH-HH-HH-HH-HH-H
Rejeitados H-H H-H H-H H-H I 86

Figura 9.4: Folha de verificação para a classificação de defeitos.

171
9.4. Diagrama de Pare to

O Princípio de Pareto foi adaptado aos problemas da qualidade por Juran, a

partir da teoria desenvolvida pelo sociólogo e economista italiano Vilfredo Pareto ( 1843-
1923) para modelar a distribuição de renda (a distribuição de renda é muito desiguaL com
a maior parte de riqueza pertencendo a muito poucas pessoas).
O Princípio de Pareto estabelece que a maior parte das perdas decorrentes dos
problemas relacionados à qualidade são advindas de alguns poucos mas vitais problemas.
Ou seja, o Princípio de Pareto afirma que se forem identificados, por exemplo, cinqüenta
problemas relacionados à qualidade (percentual de itens defeituosos, retrabalho, refugo,
número de reclamações de clientes, gastos com reparos de produtos dentro do prazo de
garantia, ocorrências de acidentes de trabalho, atrasos na entrega de produtos, etc.), a
solução de apenas oito ou dez desses problemas já poderá representar um redução de 80
ou 90% das perdas que a empresa vem sofrendo devido à ocorrência de todos os
problemas existentes.
O Princípio de Pareto afirma também que entre todas as causas de um problema.
algumas poucas são as grandes responsáveis pelos efeitos indesejáveis do problema.
Logo, se forem identificadas as poucas causas vitais dos poucos problemas vitais
enfrentados pela empresa, será possível eliminar quase todas as perdas por meio de um
pequeno número de ações.
O Princípio de Pareto é demonstrado através de um gráfico de barras verticais
(Gráfico de Pareto) que dispõe a informação de forma a tornar evidente e visual a ordem
de importância de problemas, causas e temas em geraL Considerando que, de um modo
geral, os recursos são limitados, eles devem ser aplicados onde os benefícios advindos da
eliminação de problemas seja de maior impacto. Nesse sentido, o Diagrama de Pareto é
uma ferramenta importante para a priorização das ações.

Alguns exemplos de gráfico de Pareto são listados a seguir:

• incidência de diferentes tipos de defeitos ou problemas (Figuras 9.5 e 9.6);
• custo de retrabalho de diferentes tipos de defeitos (Figura 9.7);
• incidência de um tipo de defeito ou problema em lotes de peças resultantes de
máquinas similares (Figura 9.8);
• incidência de um tipo de defeito ou problema em lotes de peças resultantes de
diferentes turnos de produção (Figura 9.9);
• causas para a ocorrência de um problema (Figura 9.1 0).

172
 40

35

30

t\2
C<l 25
"ü
c
<O 20
;:::l
cr'
o
.... 15
u..
10

o
1:l
....
o
lc;l
c;l
OJl
.:::..... "'o
o (_).,
c;l ....o 'c;)
c t:
;:::l
0..
"'
:::: 3 -;:; .:::u o
i:LI
....
c;l
"'
.5 §
f-
u..
Figura 9.5: Gráfico de Pareto: frequência de problemas em serviço de
distribuição e entrega.

70

60

50
t\2
C<l
"ü 40
c
<O
;:::l
cr' 30
o
....
u.. 20

10

o
1:l c;l c;l
"'
::::
o @ "O ....o
:::: .... õ '5
o f- [/)
o
0..
E
o
u
Figura 9.6: Gráfico de Pareto: frequência de problemas em montagem
de placas de circuito eletrônico.

173
 0.6

0.5

0.4

""
o:: 0.3

0.2

0.1

o
~
:::::"' c
(\) "'
"O "'o
·c c õ b
E- o UJ :::;!
o. o
a
o
u
Figura 9.7: Gráfico de Pareto: custo de re-trabalho de defeitos de fabricação.

12

10

o
...c
:::;!
8
..:::::
g 6
:§
(\)
a 4

o
N r<)

"'c "';::;c co
c
·:; ;::;
cr cr O"
'""
2; '"'
2; '"'
2;

Figura 9.8: Gráfico de Pareto: defeitos por turno para diferentes máquinas.

174
 Tm10 1 Tm102

Figura 9.9: Gráfico de Pareto: número de defeitos para diferentes turnos.

-=~
õ
~
<U
;: 4
<U
"O
"ü
-<
2

o
=:'"" '""
:0:::
(.)

g"'
:::l
0/j
o ~§ :::l
<Zl :::l
'"" Cl o
"'"' -ó
o
c:
Figura 9.10: Gráfico de Pare to: causas principais para ocorrência de acidentes.

175
Etapas para a Construcão de um Gráfico de Pareto:

I. Selecione os tipos de problemas ou causas que se deseje comparar, e. g., frequência

de ocorrência de diferentes tipos de defeitos resultantes de um processo, ou causas
para ocorrência de um problema. Essa seleção é feita através de dados coletados ou
através de discussão em grupo (brainstorming);
2. Selecione a unidade de comparação, por exemplo, número de ocorrências, custo, etc.;
3. Defina o período de tempo sobre o qual dados serão coletados, e. g., 8 horas. 5 dias
ou 4 semanas;-
4. Colete os dados no local, e. g., defeito A ocorreu 55 vezes. defeito B 75 vezes.
defeito C 30 vezes, etc.;
5. Liste as categorias da esquerda para a direita no eixo horizontal na ordem de
frequência de ocorrência, custo, etc. decrescente;
6. Acima de cada categoria desenhe um retangulo cuja altura represente a frequência ou
custo para aquela categoria;
7. Do topo do mais alto triângulo, uma linha pode ser adicionada para representar a
frequência cumulativa das categorias.

9.5. Diagrama de Causa e Efeito

O Diagrama de Causa e Efeito foi desenvolvido para representar as relações

existentes entre um problema ou o efeito indesejável do resultado de um processo e todas
as possíveis causas desse problema, atuando como um guia para a identificação da causa
fundamental deste problema e para a determinação das medidas corretivas que deverão
ser adotadas.
A estrutura do Diagrama de Causa e Efeito lembra o esqueleto de um peixe, por
isto é conhecido também como Diagrama de Espinha de Peixe. Uma terceira
denominação para este diagrama é Diagrama de Ishikawa, em homenagem ao Professor
Kaoru Ishikawa, que elaborou o diagrama de causa e efeito para explicar a alguns
engenheiros de uma indústria japonesa como os vários fatores de um processo estavam
inter-relacionados.
O Diagrama de Causa e Efeito é estruturado de forma a ilustrar as várias causas
que levam a um problema. A Figura 9.11 apresenta a estrutura básica de um Diagrama de
Causa e Efeito, onde as causas de um determinado efeito são genericamente classificadas
sob 4 categorias básicas, que são:
• método;
• máquina;
• material;
• homen;

176
 Figura 9.11: Estrutura básica de um Diagrama de Causa e Efeito.

A construção de um Diagrama de Causa e Efeito deve ser realizada por um

grupo de pessoas envolvidas com o processo considerado. A participação do maior
número possível de pessoas envolvidas com o processo é muito importante para que se
possa construir um diagrama completo, que não omita causas relevantes. Para a condução
do trabalho em equipe, é aconselhável que sejam realizadas sessões de brainstorming. O
brainstorming tem o objetivo de auxiliar um grupo de pessoas a produzir o máximo
possível de idéias em um curto período de tempo.
Uma vez definido o problema a ser considerado, a equipe deve se concentrar na
identificação de todas as possíveis causas. Nessa fase, a equipe deve repetidamente
formular e responder a pergunta: Que tipo de variabilidade (nas causas) poderia afetar a
característica da qualidade de interesse ou resultar no problema considerado?. As causas
assim identificadas pela equipe podem ser classificadas nas categorias acima identificadas
e em tantas outras quanto necessário para caracterizar as causas básicas. Por exemplo, em
processos administrativos, poderíamos considerar como causas básicas política.
procedimentos, pessoas e equipamento.
Em seguida, para cada causa identificada, deve-se proceder à seguinte pergunta:
porque isso acontece? a resposta a essa pergunta levará à possíveis causas que se
ramificam a partir da causa anterior. O objetivo desse procedimento é tentar identificar as
causas fundamentais para a ocorrência de problemas.
O grau de importância de cada causa relacionada no diagrama deve ser
estabelecido não somente com base na experiência e em impressões subjetivas. que
muitas vezes podem ser enganadoras, mas também com base em dados.
Como o grau de importância de cada causa relacionada no diagrama deve ser
estabelecido com base em dados, tanto as causas quanto o efeito devem ser mensuráveis.
Quando isto não for possível, é importante tentar encontrar variáveis alternativas
substitutivas que sejam mensuráveis.
As Figuras 9.12, 9.13 e 9.14 apresentam exemplos de Diagramas.

177
Figura 9.12: Diagrama de Causa e Efeito: causas para a alta dispersão do resultado de um
processo de fabricação.

Figura 9.13: Diagrama de Causa e Efeito: causas para o atraso em pedido de compra.

178
 pisaldir/iged::::ssa Jro
fundo em cim

manual/
instrução

Figura 9.14: Diagrama de Causa e Efeito: causas para o alto consumo de combustível de
um automóvel.

9.6. Histogramas

O histograma é um gráfico de barras no qual o eixo horizontal, subdividido em

vários pequenos intervalos, apresenta os valores assumidos por uma variável de interesse.
Para cada um destes intervalos é construída uma barra vertical, cuja área deve ser
proporcional ao número de observações na amostra cujos valores pertencem ao intervalo
correspondente.
Assim, o histograma dispõe as informações de modo que seja possível a
visualização da forma da distribuição de um conjunto de dados e também a percepção da
localização do valor central e da dispersão dos dados em torno deste valor central.
A comparação de dados resultantes de um processo, para uma característica de
qualidade de interesse, organizados na forma de histograma com os limites de
especificação estabelecidos para aquela característica, nos permite responder às seguintes
perguntas que podem surgir quando o desempenho de um processo está sendo estudado:
• o processo é capaz de atender às especificações?
• a média da distribuição das medidas da característica da qualidade está próxima do
centro da faixa de especificação (valor nominal)?
• é necessário adotar alguma medida para reduzir a variabilidade do processo?

A construção de um histograma segue basicamente os seguintes passos:

1. Colete n dados referentes à variável cuja distribuição será analisada. É aconselhável
que n seja superior a 50 para que se possa obter um padrão representativo da
distribuição.
179
2. Escolha o número de intervalos ou classes (k). Não existe uma única regra universal
para a escolha de k. A regra apresentada na Tabela 9.1 é bastante comum.

Tamanho da Amostra Número de Intervalos

<50 5-7
50- 100 6- 10
100-250 7- 12
> 250 10-20
-~·~•-«-.c•·~·'"~·~·~~···"""

Tabela 9.1: Número de intervalos em função do tamanho da amostra.

3. Calcule a amplitude total dos dados, dada por:

R=MAX-MIN

onde MINe MAX representam respectivamente o menor e o maior valor da amostra.

4. Calcule o comprimento de cada intervalo, dado por:

R
h=-
k

O valor de h deve ser arredondado de forma que seja obtido um número conveniente.
Este número deve ser um múltiplo da unidade de medida dos dados da amostra.

5. Calcule os limites de cada intervalo: o limite inferior do primeiro intervalo

corresponde ao menor valor da amostra; o limite inferior do segundo intervalo
corresponde ao menor valor (MIN) mais a largura do intervalo, h. Isso significa que o
primeiro intervalo está entre:

MIN::; k 1 < (MJN +h),

o segundo intervalo entre:

(MIN +h)::; k2 < (MIN + 2h),

e assim sucessivamente até que seja obtido um intervalo que contenha o maior valor da
amostra (MAX) entre os seus limites.

6. Construa uma tabela de distribuição de frequências, constituída pelas seguintes

colunas:
• Número de ordem de cada intervalo (i);
• Limites de cada intervalo;
• Ponto médio de cada intervalo;
180
7. Construa uma escala no eixo horizontal para representar os limites dos intervalos e
uma escala no eixo vertical para representar as frequências de ocorrências dentro de
cada intervalo . Desenhe um retângulo em cada intervalo, com base igual ao
comprimento (h) e altura igual à frequência (jj) do intervalo.

Exemplo 9.1: Para a construção de um histograma a partir dos dados apresentados na

Tabela 9.1, seguimos os passos definidos acima.

Dados
9.9 10.1 9.8 10.2 9.9 10.5
9.3 9.9 9.9 9.8 9.8 10.6
10.2 9.7 10.1 10.7 10.3 9.8
9.4 9.8 10.4 9.9 9.5 9.5
10.1 9.9 10 10.7 9.9 9.4
9.6 10 10.2 9.3 9.3 9.6
9.9 9.6 10.1 10.3 10.2 10.3
10.1 9.7 9.8 9.9 9.2 10.2
9.8 9.4 10.1 10.5 9.9
9.8 9.6 10.3 9.8 9.7
9.8 10 10 10.3 9.9

Tabela 9.1: Conjunto de dados, Exemplo 9 .I.

Para uma amostra de tamanho n = 63, podemos trabalhar com 10 intervalos. A

amplitude da amostra é dada por:

R= 10,7-9,0 = 1,7,

e o comprimento do intervalo é dado por:

R 1,7 O
h=-=-= ,17
k 10

Nesse caso, podemos arredondar esse intervalo para 0,20, que corresponde a um
múltiplo da menor divisão da unidade de medida (nesse caso O, 10). A seguir. a frequência
de ocorrência dos dados em cada um dos intervalos é computada, conforme ilustra a
Tabela 9.2
A partir da Tabela 9.2, podemos construir o histograma para o exemplo em
questão, conforme ilustrado na Figura 9.15. O histograma permite a visualização da forma
da distribuição dos dados e também a percepção da localização do valor central e da
181
dispersão dos dados em torno deste valor central.

Intervalo Limites Frequência

1 9,0 ~ x<9,2 1
2 9,2 ~X <9,4 6
3 9,4 ~X <9,6 6
4 9,6 ~X <9,8 13
5 9,8 ~X <10 15
6 10 ~X <10,2 11
7 10,2~ X <10,4 6
8 10,4 ~X <10,6 3
9 10,6 ~X <10,8 2
Total =63

Tabela 9.2: Frequência de distribuição de dados, Exemplo 9 .1.

18

16

14

12

"'
.ü 10

"""'5- 8
J:
6

o
9 9.2 9.4 9.6 9.8 10 10.2 10.4 10.6 10.8

Figura 9.15: Histograma, Exemplo 9.1.

Entretanto, na maioria das situações também será necessário dispor de um

sumário dos dados sob a forma numérica. As principais medidas utilizadas para
quantificar a locação (onde se localiza o centro da distribuição dos dados) e a
variabilidade (dispersão dos dados em torno do centro) são:
• Medidas de Locação:
• Média ( x);
• Mediana ( x ).

182
• Medidas de Variabilidade:
• Desvio padrão (S);
• Amplitude (R).

O cálculo da média, desvio padrão e amplitude foi visto no capítulo 2. A

mediana representa o valor central quando os dados são dispostos em ordem crescente. Se
o número de dados, n, e ímpar,

X = x([n+IJ/21 ,

Se o número de dados, n, é par, então a mediana é dada pela média aritmética

simples dos dois valores centrais, ou seja

x(n/2) +x([n/2]+1)

9.7. Diagrama de Dispersão

O Diagrama de Dispersão é um gráfico utilizado para a visualização do tipo de

relacionamento existente entre duas variáveis. De um modo geral, gráficos de dispersão
são usados para relacionar causa e efeito, como por exemplo o relacionamento entre
velocidade de corte e rugosidade superficial, composição de material e dureza.
intensidade de iluminação de um ambiente e erros em inspeção visual, etc. Entretanto. em
algumas situações pode ser de interesse a identificação da relação entre dois efeitos, como
temperatura de corte e rugosidade superficial. Ainda, gráficos de dispersão entre duas
causas podem ser úteis para facilitar o entendimento dos tipos de relações existentes entre
as variáveis associadas a um processo contribui para aumentar a eficiência dos métodos
de controle do processo, para facilitar a detecção de possíveis problemas e para o
planejamento das ações de melhoria a serem adotadas.
Alguns padrões de relacionamento entre duas variáveis são:
• relação positiva: o aumento de uma variável leva a um aumento da outra (Figura
9. 16a);

• relação negativa: o aumento de uma variável leva à diminuição da outra variável

(Figura 9.16b);
• relação inexistente: a variação de uma variável não leva à uma variação sistemática
da outra variável (Figura 9. 16c ).

Para a construção de um diagrama de dispersão devem ser coletadas pelo menos

30 pares de observações (x, y) das variáveis cujo tipo de relacionamento será estudado. A
variável registrada no eixo horizontal deve ser aquela que. por algum motivo. é

183
considerada preditora da outra variável, a qual será plotada no eixo vertical y. A escolha
das escalas das variáveis no gráfico deve ser a mais adequada para permitir uma fácil
visualização do padrão de dispersão dos pontos. Deve-se acrescentar que a observação de
um diagrama de dispersão, com o objetivo de descobrir se existe ou não uma correlação
entre as duas variáveis de interesse, depende muito dos intervalos de variação das
variáveis. Para diferentes intervalos de variação, os resultados encontrados podem não ser
os mesmos.

y
. ..
y
...... y

... ...
I U •,: I
...•' I

•• ••
fi I

}tflt
•,

0 I

..
t • t

...
. ...
t I
t

11
I ' •
'I I
til
' •
'uI
I':,
. ..
fi
I
•'
~

'
I
I
•''•'
I

.
I
I''
~ 1

X X X
correlação correlação correlação
positiva negativa inexistente
a. b. c.
Fig. 9.16: Diagrama de dispersão: correlação positiva (a), negativa (b) e inexistente (c).

Para a construção de um diagrama de dispersão devem ser coletadas pelo menos

30 pares de observações (x, y) das variáveis cujo tipo de relacionamento será estudado. A
variável registrada no eixo horizontal deve ser aquela que, por algum motivo, é
considerada preditora da outra variável, a qual será plotada no eixo vertical y. A escolha
das escalas das variáveis no gráfico deve ser a mais adequada para permitir uma fácil
visualização do padrão de dispersão dos pontos. Deve-se acrescentar que a observação de
um diagrama de dispersão, com o objetivo de descobrir se existe ou não uma correlação
entre as duas variáveis de interesse, depende muito dos intervalos de variação das
variáveis. Para diferentes intervalos de variação, os resultados encontrados podem não ser
os mesmos.
Quando da análise do diagrama, deve-se primeiramente verificar se não existem
pontos atípicos (outliers). Um outliers é uma observação extrema, que não é condizente
com o restante da massa de dados. Os outliers podem ser decorrentes de registro incorreto
dos dados ou presença de algum defeito no instrumento de medição utilizado. Nestes
casos os outliers devem ser corrigidos, se isto for possível, ou então deve ser eliminado
do conjunto de dados.
Por outro lado, os outliers também podem representar observações não usuais,
mas perfeitamente plausíveis de ocorrerem na massa de dados. Quando isto acontece, os
outliers podem fornecer informações importantes sobre o processo que está sendo
analisado, como no caso em que o outlier ocorre como resultado da atuação de alguma
variável que não estava sendo considerada. A identificação de outliers e a análise das
causas que levaram ao seu aparecimento podem, portanto, resultar em melhorias no
processo ou em um novo conhecimento sobre a forma de atuação de fatores cujos efeitos
184
na variável resposta y ainda eram desconhecidos. Por este motivo, os outliers devem ser
eliminados do conjunto de dados somente quando existir uma forte evidência de que eles
resultaram de um erro de registro, de medição ou de cálculo, do funcionamento
inadequado de algum equipamento ou de outras circunstâncias similares.
Quando existirem um ou mais fatores de estratificação envolvidos no estudo
realizado, importantes informações podem ser obtidas a partir de uma diagrama de
dispersão se os diferentes níveis destes fatores forem identificados. Portanto. em muitos
casos a estratificação dos dados para a construção pode permitir a descoberta da causa de
um problema.
Após a construção do diagrama de dispersão, se uma relação linear se configura,
estaremos interessados em conhecer a intensidade da relação linear entre estas variáveis
em termos quantitativos. Para isso, o coeficiente de correlação linear, r, é usado,
conforme apresentado na seção 8.6:

sn
r=--;==='====
~s_,"xs,,

onde:

O valor de r varia dentro do intervalo -1 :::; r :::; 1. Valores de r próximos de

indicam uma forte correlação linear positiva entre x e y. Quando I r I = 1, os pontos
estarão sobre uma linha reta. Valores de r próximos de O indicam uma fraca correlação
linear entre x e y.

185
9.8. Exercícios Propostos

9.1. Explique o que é o Gráfico de Pareto e em que situação ele é usado. Exemplifique a
sua utilização.

9.2. Explique o que é o Diagrama de Causa e Efeito e em que situação ele é usado.
Exemplifique a sua uti_lização.

9.3. Como as ferramentas da qualidade podem ser classificadas quanto à sua utilização?
Exemplifique.

186
10. INSPEÇÃO DE LOTES POR AMOSTRAGEM

10.1. Introdução

Inspeção é o procedimento de verificação pelo qual produtos já processados são

submetidos, com a finalidade de se verificar se estão de acordo com as especificações pré
estabelecidas para os produtos. A inspeção pode ser realizada em qualquer estágio de
fabricação, conforme segue:
• na recepção de matérias primas, produtos semi-acabados ou acabados, para garantir
índice de qualidade pré-estabelecido para os produtos recebidos;
• durante o estágio de fabricação, entre operações, quando há indicações de que o lote
produzido não atende à especificação, garantindo qualidade e evitando operações
perdidas posteriores;
• após a fabricação e antes da expedição. para se garantir índice de qualidade pré-
estabelecido nos produtos vendidos.
A Figura 10.1 apresenta a atividade de inspeção dentro do contexto de controle
de processo.

Figura 10.1: A atividade de inspeção e o controle da qualidade de processo.

A inspeção é feita em características do tipo atributo ou em características do

tipo variável. Assim, os ensaios de verificação de qualidade poderão constituir-se em
medições no produto ou em verificação da existência ou ausência de defeito. De qualquer
modo é preciso classificar o produto como bom ou defeituoso. Neste capítulo estaremos
considerando planos de amostragem para inspeção de atributos. por se tratar do método
mais largamente usado.
Deve-se observar que, ainda que a atividade de inspeção seja de fundamental
importância para a garantia da qualidade, ela não é uma alternativa substituta ao controle
da qualidade de processo. Ao contrário, deve-se controlar a qualidade do processo (e do
fornecedor) de modo que a garantia da qualidade seja cada vez menos dependente da
inspeção. Enquanto não se atinge um estágio de garantia da qualidade através do controle
dos processos. deve-se proceder à inspeção (seja no recebimento de materiais. no

187
despacho ou em etapas intermediárias) como último recurso para evitar que produtos de
qualidade inaceitável sejam comercializados.
Para proceder à inspeção, os produtos são agregados em lotes de tamanhos
convenientes. Dependendo do tipo de produto, das características de qualidade a serem
avaliadas e do histórico da qualidade do fabricante, pode-se proceder a inspeção total do
lote do produto ou a uma inspeção por amostragem do lote.
Na inspeção por amostragem, a inspeção é realizada em uma amostra do lote, e o
nível de qualidade do lote é estimado a partir do nível de qualidade da amostra, com
confiança ou risco estabelecido estatisticamente. Desse modo, a aceitação do lote
acontecerá desde que o nível de qualidade do lote seja maior ou igual que um valor pré-
estabelecido. Isso implica que lotes aceitos não estão, na maioria dos casos, livres de
unidades não conformes.
Na inspeção total ou cem porcento, cada unidade de produto do lote é aceita ou
rejeitada baseada na conformidade ou não do produto com as especificações de
qualidade. A inspeção cem porcento é usada em situações em que o prejuízo decorrente
da aceitação de um produto defeituoso seja muito elevado, por motivos técnicos ou
comerciais. Deve-se ainda considerar que uma em inspeção visual em cem porcento do
lote, dificilmente consegue-se eliminar todas as unidades em não conformidade.
A inspeção por amostragem se torna vantajosa em situações em que:
• a inspeção seja destrutiva;
• o custo de inspeção total seja muito alto em relação ao custo do produto;
• a inspeção total represente um gargalo de produção;

A inspeção por amostragem pode ainda ter procedimentos distintos. conforme

segue:
" inspeção para aceitação: neste caso, o plano de amostragem é estabelecido sob a
premissa de que se os lotes não estiverem de acordo com a especificação, serão
rejeitados globalmente e se estiverem de acordo, serão aceitos mesmo que contenham
alguns produtos defeituosos;
• inspeção retificadora: neste caso, os lotes que não são aceitos quando submetidos a
uma inspeção por amostragem, são submetidos à inspeção completa. sendo rejeitadas
as peças defeituosas dos lotes submetidos à inspeção total.

A efetividade da inspeção por amostragem depende de como os lotes são

formados e também de como os amostras são extraídas do lote. De um modo geraL os
lotes devem ser homogêneos. Ou seja. os lotes devem ser formados por peças que tenham
sido produzidas consecutivamente, por máquinas, operadores e matéria-prima, etc .. que
tenham consistência entre si, ou que não levem à flutuações do nível de qualidade. Além
disso, a aleatorização da amostragem garante que a amostra seja representativa do lote.
Os tópicos seguintes abordam o fundamento estatístico para a inspeção por
amostragem e planos de amostragem para inspeção de aceitação e retificadora, para
atributos de lotes estacionários (lote a lote).

188
10.2. Probabilidade de Aceitação e de Rejeição

Suponha que em um lote de N peças, D peças sejam defeituosas. A fração

defeituosa
D
p=-
N

define o nível de qualidade dado em porcentagem por p( 100) o/o. Se extrairmos uma
amostra do lote de tamanho n, contendo d peças defeituosas, a fração defeituosa da
amostra será

d
p·=-
n

Em um plano de inspeção por amostragem, estimamos o nível de qualidade do

lote a partir do nível de qualidade da amostra. Ou seja, tiramos uma amostra de n
elementos e aceitamos o lote se o número de defeituosos na amostra levar a uma
estimativa do nível de qualidade do lote que seja aceitável. Portanto, para a elaboração do
plano de amostragem torna-se necessário definir o nível de qualidade que o consumidor
está ou não disposto a receber e. em função desse nível, definir o número máximo de
defeituosos que a amostra pode conter. O número máximo de defeituosos que a amostra
pode conter é chamado de número de aceitação, conforme explicado a seguir.
Dada uma amostra de tamanho n, chama-se número de aceitação, a, o número
máximo de defeituosos que a amostra pode conter para que o lote seja aceito. Portanto. o
lote será rejeitado se o número de defeituosos na amostra for maior que ( a + 1). Assim,
chama-se número de rejeição, r, ao menor número de defeituosos a partir do qual o lote
seja rejeitado. ou seja r= a + 1.
Entretanto, existe a chance de um lote de qualidade aceitável ser rejeitado por
conter na amostra um número de defeituosos maior que o número de aceitação, a. Assim,
temos que definir a probabilidade de aceitação e rejeição de um lote, conforme exposto a
segmr.

Probabilidade de Aceitacão e Reieicão

Sendo dados a, n e o nível de qualidade p, a Probabilidade de Aceitação do lote.

F(x), será igual à probabilidade de que ocorram no máximo a defeituosos na amostra, ou
seja:

F( a)= P(O :5 d :5 a),

e a Probabilidade de Rejeição é a probabilidade de que ocorram r defeituosos ou mais.

Ou seja:

189
 1-F(a)=P(r~d~n)

No cálculo das probabilidade de aceitação e rejeição são usadas as distribuições

Normal, Poisson, Binomial ou Hipergeométrica, conforme o tamanho da amostra e do
lote e o nível de qualidade do lote.
Na distribuição Binomial a probabilidade de ocorrerem no máximo a peças
defeituosas é:

F(a) = P(d ~a)= I,a

d=O
ln)
d
pd.(1 p r-d
onde n corresponde ao tamanho da amostra e p ao nível de qualidade do lote.
A distribuição Binomial supõe que o nível de qualidade (ou fração defeituosa)
do lote, p, se mantenha constante, sendo necessário, portanto, que haja reposição das
peças já retiradas. Entretanto, quando os lotes forem grandes, representado por

n
f =-:5:0,1'
N

podemos aproximar os resultados, desprezando a não reposição.

Por outro lado, quando a relação entre tamanho da amostra e tamanho do lote, f,
for maior que f > O, 1, em função da não reposição, não podemos usar a distribuição
Binomial, e teremos que usar a distribuição correta, que é a Hipergeométrica. Nesse caso,
a probabilidade de se ter d peças defeituosas em uma amostra de n peças extraídas de
um lote de N peças e que contenha D peças defeituosas é:

Exemplo 10.1: Dado um lote composto de I 00 peças. sendo I 2 defeituosas, retirando- se

uma amostra com 9 peças e para um número de aceitação a = 2, qual a probabilidade de
aceitação do lote?

Neste caso temos:

n 9
f =-=-=0.09.
N 100

190
e a distribuição adequada é a Binomial. Assim, a probabilidade de aceitação do lote, F( a
= 2), é dada por:

F(a = 2) = P(d :::;2) = P(O) + P(l) + P(2),

onde:

P(O)=C~ 0,12° 0,88 9 = 0,3165

P(l)=C~ 0,1i 0,88 8 = 0,3884
P(2)=c; 0,12 2 0,88 7 =0,2119

e a probabilidade de aceitação é:

F(a= 2) = 0,9168

Exemplo 10.2: Para uma amostra composta de 100 peças de um lote de 4000 peças,
calcule a probabilidade de a amostra ter no máximo 1 peça defeituosa (a=l) para
porcentagens de defeituosos p do lote de 0,5%; 1%; 1,5%; 2%; 2,5% e 3%.
Sendo

100
f = !!:__ = = o 025 '
N 4000 '

a distribuição Binomial é uma distribuição adequado. Entretanto, neste caso.

como n ::::: 100, e np < 1O, a distribuição de Poisson pode ser usada como uma
aproximação da distribuição Binomial. Assim, temos:

• Para p =0,005
J..l= np =100 x 0,005 =0,5
P0 = e· 11 = e·o.s = 0,6065

=0,3033

=0,9098

191
• Parap = 0,01

f..L=np=100x0,01 =1
P0 =e·Jl =e- 1 =0,3679

=0.3679

=0,7358

• Parap = 0,015

f..L=np =100 x 0,015= 1,5

P11 =e·Jl =e-1.5 =0,2231
PI =f..LPo =0,3347
F(l)=P11 +P1 =0,5578

• Parap = 0,02

f..L=np=100x0,02= 2
P11 =e·Jl =e- 2 =0,1353
PI =f..LPo =0,2706
F(l)=P11 +P1 =0,4059

• Parap=0,025

f..L = np = 100 x 0,025 = 2,5

P0 = e·Jl = e- 2.5 = 0,0831
PI =f..LPo =0,2052
F(l)=P0 +P1 =0,2873

• Para p = 0,03

f..L =np =100 x 0,03= 3

P0 =e·Jl =e- 3 =0,0498
PI =f..LPo =0,1494
F(l)=Po + PI =0,1992

192
 O gráfico da probabilidade de aceitação, F(a=l), em função de pé apresentado
na Figura I 0.2.
1.1
I I
I
li
0.9 ~ I
"'
~~
ii:' I
I
ó
'"'.:::
(.)o

0.7
I
·;;:;
~~
u I
"'o
-o I I
o 0.5

~
-o
]"'
:.õ
0.3
"'o
..0 !
....
o..
0.1
I
I 1-------
I
o 0.005 0.01 0.015 0.02 0.025 0.03

Fração defeituosa
Figura 10.2: Probabilidade de aceitação em função da fração defeituosa, p. Exemplo 10.2.
Do gráfico da Figura 10.2, percebe-se que, dada uma amostra de tamanho n e
número de aceitação a, a probabilidade do lote ser aceito é função da qualidade p do
lote. Essa função, representada por F(x), chama-se função característica do plano de
amostragem, ou Curva Característica de Operação (CCO), conforme será visto a seguir.

10.3. Curva Característica de Operação- CCO

Através da Curva Característica de Operação é possível identificar a

probabilidade de aceitação de um lote, de nível de qualidade p conhecido, quando
submetido a uma inspeção de aceitação por amostragem para um determinado plano de
amostragem com amostra de tamanho n e número de aceitação a. Como na prática não
conhecemos o nível de qualidade do lote (e é isso que queremos controlar), os planos de
amostragem (ou seja, valores para n e a) são construídos de forma que:
• a probabilidade de aceitação de lotes com um nível de qualidade p melhor que um
determinado nível de qualidade p 1 (p < p 1) seja grande;
• a probabilidade de aceitação de lotes com um nível de qualidade p pior que um
determinado nível de qualidade p 2 (p > p 2 ) seja pequena.

Ou seja, define-se uma faixa para os níveis de qualidade, cujos limites são p 1 e
Pb onde p 1 significa baixa porcentagem de defeituosos e p 2 alta porcentagem de
defeituosos. Assim sendo, faz-se necessário definir alguns indicadores que são usados
para a elaboração de planos de amostragem, conforme segue:
Nível de Qualidade Aceitável- NQA: Denomina-se Nível de Qualidade Aceitável ao
nível de qualidade p h que o consumidor está disposto a aceitar.
193
Nível de Qualidade Inaceitável - NQI ou Qualidade Limite (QL): denomina-se Nível
de Qualidade Inaceitável ou Qualidade Limite ao nível de qualidade p 2 que o consumidor
não quer receber.

Um plano de amostragem satisfatório deverá discriminar os lotes de qualidade

aceitável (p :::; p 1 ) dos lotes de qualidade inaceitável (p ~ p 2 ). Ou seja, um plano de
amostragem com alto poder discriminante é aquele cuja probabilidade de aceitação de um
lote com nível de qualidade maior ou igual a NQA (p :::; p 1 ) seja alta, e cuja probabilidade
de aceitação de um lote com nível de qualidade menor ou igual a QL (p ~ p 2 ), seja baixo.
A Figura 10.3 ilustra uma CCO de um plano de amostragem (para a distribuição
Binomial) com n = 50 e a = 2. Para esse plano de amostragem, se fixarmos como sendo
2,5 % o Nível de Qualidade Aceitável (NQA = 2,5 % ), e 7,5 % o Nível de Qualidade
Inaceitável ou Qualidade Limite (QL = 7,5 %), vemos que a probabilidade de aceitação
de um lote com nível de qualidade igual a NQA é de 84 %, e probabilidade de aceitação
de um lote com nível de qualidade igual a QL é de 24 %. Portanto, estatisticamente. esse
plano de amostragem consegue discriminar (aceitar ou rejeitar) um lote de qualidade
aceitável de um lote de qualidade inaceitável.
Entretanto, deve-se observar que um lote com nível de qualidade aceitável pode
(tem chance de) ser rejeitado, assim como um lote com nível de qualidade inaceitável
pode ser aceito. A chance de um lote bom ser rejeitado e um lote ruim ser aceito é
chamada respectivamente de risco do produtor e risco do consumidor, conforme
explicado a seguir.

0.8

0.6

0.4

0.2

O
oL_--~----~----~----~--~;===~
0.025 0.05 0.075 0.1 0.125 0.15

t t Fração defeituosa
NQA =2,5% QL =7,5%
Figura 10.3: CCO para plano de amostragem com n=50, a=2, NQA=2,5% e QL=7,5%.

Risco do Produtor: É a probabilidade de que um lote de boa qualidade, com fração

defeituosa igual a NQA, seja rejeitado. Essa probabilidade é indicada por ex na Figura
10.3.

i94
Risco do Consumidor: É a probabilidade de que um lote de má qualidade, com fração
defeituosa igual a QL, seja aceito. Essa probabilidade é indicada por [3 na Figura 10.3.

Convém esclarecer que um risco do consumidor, digamos ~ = 5%, significa que,

estatisticamente, de cada 20 lotes aceitos, um terá nível de qualidade inaceitável (e
portanto deveria ser rejeitado). Não significando que a qualidade do lote seja de 5 %.

Posicão e Declividade da CCO

As características importantes da CCO são a sua posição e sua declividade. A

posição da eco pode ser indicada pelo ponto de controle, que é a fração defeituosa do
lote para a qual a função característica assume o valor F(x) = 0,50. Para mesma dimensão
do tamanho da amostra, n, aumentando-se o valor do ponto de controle, temos indicação
de que o nível de qualidade é pior, pois a eco se desloca para a direita.
A declividade da CCO está relacionada ao poder discriminante do plano de
amostragem. O poder discriminante do plano é a sua capacidade de separar os lotes de
boa qualidade dos de má qualidade. Assim percebemos as seguintes relações:
• quanto maior o tamanho da amostra, maior o poder discriminante (Figura 10.4 );
• quanto maior o número de aceitação, menor o poder discriminante (Figura 10.5).

7
iL 0.8
o
"''
'-'"
.:3
·o:; 0.6
u
"'
"'
-o
"'
-o 0.4
:g"'
:.õ
"'o 0.2
..0

o:
0.05 0.1 0.15 0.2
Fração defeituosa p
Figura 10.4: Aumento da declividade da CCO com o aumento do tamanho da amostra, n.

195
 2u:.. 0.8
o
"".5
<>
.<i)
u 0.6
"'u n=50
"D
u a=4
"D 0.4
n=50
] a=2
13
"'....o
..0 0.2 a= I
0...

o
o 0.05 0.1 0.15 0.2

Fração defeituosa p
Figura 10.5: Aumento da declividade da CCO com a diminuição do número de aceitação,
a.

Quando n = N, teremos a situação ilustrada na Figura 10.6. Ou seja, se p :S:

NQA, a probabilidade de aceitação do lote será de 100 %, e se p > NQA = QL a
probabilidade de aceitação será zero.

F(x)

Região de Região de
aceitação rejeição

o
NQA =QL p

Figura 10.6: Curva característica de operação ideal, para n = N.

Logo, sendo a declividade grande, teremos NQI próximo a NQA e o plano

apresenta alto poder discriminante.

196
10.4. Inspeção para Aceitação e Inspeção Retificadora

Seja um lote de tamanho N que deve ser analisado. Baseando-se em condições

impostas de riscos e de qualidade, determina-se o tamanho da amostra n e o número de
aceitação a. Em seguida, retira-se ao acaso uma amostra contendo n elementos, que são
inspecionados para se determinar o número de defeituosos, d, na amostra. Em seguida,
compara-se d com o número de aceitação a do plano de amostragem. Se o número de
defeituosos, d, for menor que o número de aceitação a, d ::;; a, aceita-se o lote. Se o
número de defeituosos, d, for maior que o número de aceitação a. d > a. então, dois
procedimentos diferentes podem ser adotados, dependendo do tipo de inspeção:
" inspeção para aceitação (Figura 1O. 7) ou;
• inspeção retificadora (Figura 10.8).
Na inspeção para aceitação, os lotes com número de defeituosos maior que o
número de aceitação são rejeitados e remetidos de volta ao fornecedor para re-trabalho e
re-apresentação.
Já na inspeção retificadora, os lotes rejeitados são submetidos à inspeção cem
porcento para eliminação das unidades defeituosas. A inspeção retificadora evita custos
adicionais decorrentes da devolução de lotes inteiros ao fornecedor. Em departamentos de
uma mesma empresa ou em empresas associadas, é vantajoso o uso da inspeção
retificadora, pois evita a devolução de produtos bons, contidos em lotes com porcentagem
de defeituosos acima do tolerado e, portanto, devolvidos.

Definir plano de

d>a

Figura 10.7: Inspeção para aceitação.

197
 Figura 10.8: Inspeção retificadora.

10.5. Amostragem Simples, Dupla e Múltipla

A amostragem simples foi considerada na seção anterior. Ou seja, o plano de

amostragem envolve a retirada de uma única amostra do lote e a inspeção é feita em uma
única fase.
Já na amostragem dupla ou múltipla, duas ou mais amostras são selecionadas, e a
inspeção é feita em dois ou mais estágios.
Em inspeção com amostragem dupla, a partir da definição do plano de
amostragem, baseado em condições impostas de riscos e de qualidade. determina-se os
tamanhos de duas amostras ni e n 2 e os números de aceitação ai para a primeira amostra e
a 2 para as duas amostras combinadas.
O procedimento é dividido em duas fases (Figura l 0.9). Na primeira fase.
inspeciona-se a amostra nh verificando o número de defeituosos di. Se di~ ai, aceita-se o
lote. Se di > a 2 rejeita-se o lote. Se, de outro modo, ai< di~ az, passa-se à segunda fase.
Na segunda fase, inspeciona-se a segunda amostra nz, verificando o número de
defeituosos d 2 • O número total de defeituosos para as duas amostras é d = di + d 2• Em
seguida compara-se d com o número de aceitação a 2 . Se d ~ a 2 , aceita-se o lote. Se d > a 2 •
rejeita-se o lote.
Quando em inspeção retificadora, o procedimento é similar ao descrito para a
inspeção por amostragem simples, conforme ilustrado na Figura l 0.1 O.

198
 Definir plano de
amostragem
(n 1, n 2• a 1 . a 2 )

d > a2 Inspecionar segunda d ~ a2

amostra n 2
d = d, + d2

rejeitar o lote aceitar o lote

Figura I 0.9: Inspeção de aceitação com amostragem dupla.

Definir plano de
amostragem
(n 1 • n2• a 1• a 2 )

Inspecionar segunda d ~ a2
amostra n 2
d = dl + d2

aceitar o lote

Aceita peças não

defeituosas do

Figura I O.I 0: Inspeção retificadora com amostragem dupla.

I99
 A vantagem em se optar pela amostragem dupla é que a primeira amostra, nh da
amostragem dupla é menor do que a única amostra 11 da amostragem simples. Logo, a
amostragem dupla é mais rápida do que .a simples em casos onde a segunda amostra 11 2 é
dispensada. Isto ocorre em lotes muito bons ou muito ruins, pois a decisão deve ocorrer
após a primeira amostra. Entretanto, as duas amostras combinadas n 1 e 11 2 são maiores do
que 11. Portanto, para lotes com qualidade duvidosa, a amostragem dupla é mais
demorada, pois exige a retirada da segunda amostra para decisão final.
Para a construção da CCO de planos com amostragem dupla, a probabilidade de
aceitação F(x) das amostras combinadas é dada pela soma das probabilidades de
aceitação nas duas fases, ou seja:

F(x) = F(x/ + F(xyil

Suponha que temos um plano com amostragem dupla, onde n 1 = 11 2 = 80, e a 1=1
e a 2=4. Assim, a probabilidade de aceitação na fase I é a probabilidade de se ter na
amostra n 1 um número de defeitos d 1 :s; a 1 = 1, ou seja:

Para se obter a probabilidade de aceitação na segunda amostra, devemos

considerar todas as possibilidades que levam a uma segunda amostragem. Ou seja, uma
segunda amostra será selecionada se a 1 < d 1 :<;; a 2 . No nosso exemplo, o lote será aceito
se:

F(xyil = P(d 1 = 2). P(d2 :<;;2)

c) d 1=4 e d 2 =O. Ou seja:

F(xyil = P(d 1 = 4). P(d 2 = 0)

Assim, a probabilidade de aceitação da segunda fase é dada por:

F(xyil = P(d1 = 2). P(d2 :<;;2) + P(d 1 = 3). P(d2 :<;; 1) + P(d 1 = 4). P(d2 = 0)

Para inspeção com amostragem múltipla, o procedimento é bastante similar ao

da amostragem dupla, exceto que ao invés de duas fases, teremos m fases.

200
10.6. Qualidade Média Resultante

Nos planos de inspeção retificadora não há interesse em se fixar o risco do

produtor, ex, já que os lotes nunca serão rejeitados. Nestas condições, torna-se necessário
introduzir outro conceito de qualidade, que é o da Qualidade Média Resultante, QMR.
A QMR é a porcentagem média de defeituosos resultante de um processo de
inspeção retificadora, incluídos os resultados de todos os lotes aceitos e todos os lotes
rejeitados, após estes terem sido inspecionados globalmente e devolvidos os produtos
defeituosos (Figura 10.11 ).

lotes fração defeituosa p,

lotes aceitos lotes aceitos
qualidade p, qualidade p 1

I_ lotes fração defeituosa O

rejeitados

Figura 10.11. Qualidade resultante após inspeção retificadora.

Assim, para um lote com N produtos, após a retirada de uma amostra n. e como
conseqüência do resultado da inspeção, poderemos ter, para as (N- n) peças do restante
do lote:
• lote rejeitado, submetido à inspeção global;
• lote aceito.
Na amostra e no lote rejeitado não existirão produtos defeituosos aceitos. pois
todos os produtos serão inspecionados. Os produtos defeituosos somente poderão ocorrer
quando o lote for aceito. Sendo p a porcentagem de defeituosos do lote e F(x) a
probabilidade de ele ser aceito, o número provável de peças defeituosas é:

p (N-n). F(x)

Assim, a Qualidade Média Resultante, em fração defeituosa, após o plano é:

dada por:

QMR = pF(x)(N -n)

N

201
 A Figura 10.12 ilustra um gráfico de QMR para uma amostra de tamanho n=SO,
extraída de um lote de tamanho N=SOO, e para um plano de amostragem simples com a=2
(com CCO para a distribuição Binomial).

0::: QMRL
~ 0.024
o
c'-'
É 0.018
::::>
...."''-'
"'
:a 0.012
''-'
E
'-'
"O
"'
~ 0.006
"'
6
0.05 0.1 0.15 0.2
Fração defeituosa p

Figura 10.12: Gráfico da Qualidade média Resultante.

Do gráfico da Figura 10.12, percebe-se que à medida que p cresce, a qualidade

média resultante, QMR, aumenta até um máximo e depois decresce, devido ao maior
número de lotes inspecionados globalmente, e que portanto isentos de unidades
defeituosas.
Ao valor máximo de QMR, chamamos de Limite de Qualidade Média Resultante
LQMR. A fixação de LQMR quando da elaboração de planos para inspeção retificadora
dá a proteção adicional ao consumidor.
Quando a inspeção retificadora é adotada para planos de amostragem dupla, a
Qualidade Média Resultante é dada por:

QMR = [F(x/ (N- n 1 ) + F(x)n (N- n 1 - n 2 )]p

N

onde
F(x) = F(x/ + F(x)'l

é a probabilidade de aceitação para inspeção com amostragem dupla.

202
10.7. Planos de Amostragem da NBR 5426

As normas brasileiras que tratam de inspeção de atributos por amostragem são:

• NBR 5425: Guia para inspeção por amostragem no controle e certificação de
qualidade.
• NBR 5426: Planos de amostragem e procedimentos na inspeção por atributos.
• NBR 5427: Guia para utilização da norma NBR 5426.
• NBR 5428: Procedimentos estatísticos para a determinação da validade de inspeção
de atributos feita pelos fornecedores.
A NBR 5425 introduz os conceitos usados em inspeção por amostragem. A NBR
5426 apresenta planos de amostragem, e a NBR 5427 é um guia para utilização da NBR
5426. Já a NBR 5428 apresenta procedimentos para validar a inspeção de atributos feita
por fornecedores. Esta última norma é usada quando a responsabilidade pela inspeção do
lote fornecido é transferida para o fornecedor.
A norma brasileira é baseada na norma militar americana MIL STD l 05D. que é
uma das normas mais utilizadas no mundo atualmente.
O procedimento básico para a escolha do plano é descrito a seguir (NBR 5426):
• define-se o tamanho da amostra a partir do tamanho do lote;
• em função do tamanho da amostra e do NQA, define-se o número de aceitação, a.
A NBR 5426 apresenta planos de amostragem simples, dupla e múltipla. As
CCOs dos planos são tais que, para um determinado Nível de Qualidade Aceitável
(NQA). o Risco do Produtor, a, varia de aproximadamente lO % até 1 %. conforme o
tamanho da amostra aumenta.
Para a utilização da norma, alguns pontos devem ser considerados, conforme
descritos a seguir:

Níveis de Inspecão
A norma estabelece também três níveis gerais de inspeção e quatro níveis
especiais de inspeção, que permitem ajustar o custo da inspeção e a proteção da qualidade
requerida. Os níveis gerais de inspeção, I, II e III, são usados em inspeção não destrutiva.
Já os níveis especiais de inspeção, S-1 a S-4, são usados em inspeções destrutivas ou de
custo muito elevado, onde pequenos tamanhos de amostra são desejáveis.
A diferença básica entre os diferentes níveis de inspeção é a quantidade de
inspeção relativa e a respectiva proteção oferecida. Assim, para um mesmo tamanho de
lote, por exemplo 2000 peças, e um NQA = 2,5 %, para amostragem simples, os
tamanhos de amostras e os números de aceitação para os diferentes níveis de inspeção são
indicados nas Tabelas I 0.1 e 10.2.

203
 Nível I
·-------------- Nível li Nível III
Tamanho da amostra 50 125 200
Número de 3 7 10

Tabela 10.1: Tamanho de amostra e número de aceitação para lotes de 2000 peças, NQA
= 2,5 %, nos níveis gerais de inspeção.

Nível S-1 Nível S-2

---------.-~---·---------------~--~·-·-----····-~-
Nível S-3 Nível
··-·---·--·--·----~~--
S-4
•..... -··
Tamanho da amostra 5 5 20 32
Número de O O 2

Tabela 10.2: Tamanho de amostra e número de aceitação para lotes de 2000 peças, NQA
= 2,5 %, nos níveis especiais de inspeção.

Deve-se observar que, com o aumento da quantidade de inspeção, há também

um aumento da probabilidade de aceitação de lotes com nível de qualidade menor ou
igual ao NQA (e portanto uma diminuição do Risco do Produtor).

Regime de Inspecão
A norma estabelece três diferentes regimes ou graus de severidade: normal,
atenuada e severa. Os planos de amostragem são estipulados para esses três níveis de
severidade de inspeção e para os três tipos de amostragem (simples, dupla e múltipla).
Assim, a norma oferece nove diferentes combinações de planos de amostragem,
independentemente do nível de inspeção (geral ou especial).
A inspeção em regime normal é em geral usada no início do processo. A
mudança de regime normal para severo ou atenuado, e vice e versa, obedece às seguintes
regras (Figura I 0.13):
a) quando a inspeção normal tiver sendo usada. será necessário passar para severa se,
entre cinco lotes consecutivos, dois tiverem sido rejeitados na inspeção normal;
b) quando estiver sendo aplicada a inspeção severa, a normal poderá substituí-la se cinco
lotes consecutivos tiverem sido aceitos em regime de inspeção severa;
c) quando estiver sendo aplicada a inspeção normal. a atenuada poderá substituí-la se:
• os dez lotes precedentes (ou mais, conforme indicado na Tabela 17 da NBR
5426), tenham sido submetido à inspeção normal e nenhum lote tenha sido
rejeitado;
• quando o número de unidades defeituosas encontradas nas amostras dos dez
ou mais lotes precedentes, submetidos à inspeção normal e não rejeitados.
não ultrapasse um número limite definido na tabela 17 da NBR 5426.
• quando a preocupação se desenvolve com regularidade;
d) quando estiver sendo aplicada a inspeção atenuada, será necessário passar para a
normal se:
204
 • um lote for rejeitado;
• se o número de defeituosos de um lote ultrapassar o número de aceitação do
plano de amostragem, sem ultrapassar o número de rejeição;
• a produção se tornar irregular ou sujeita à condições adversas

Os planos de inspeção severa, em relação ao normal, tem número de aceitação

menor. E os planos de inspeção atenuada tem, em relação ao normal, o tamanho da
amostra reduzida e o número de aceitação aumentado.
A norma recomenda ainda que, quando em regime de inspeção severa. a
inspeção seja interrompida se depois de dez lotes ainda não tenha sido possível retornar
ao regime de inspeção normal. Nesse caso, ações de investigação sobre as razões para a
deterioração do nível de qualidade devem ser adotadas.

!Não
-lote rejeitado;
(Insp. Normal) -defeituosos maior
que aceitação e
Sim menor que rejeição; (Insp. Atenuada)
- produção irregular

Sim
- 1O lotes consecutivos
2 em 5lotes (Insp. Normal) aceitos;
consecutivos - número de defeituosos ~
(Insp. Normal) são rejeitados Não menor que limite;
- produção regular
Sim

Sim 5Iotes
----::- consecutivos
(Insp . Normal) (lnsp. Severa)
são aceitos
Não
10 lotes
consecutivos Interromper
(Insp. Severa) em inspeção Inspeção
severa

Figura 10.13: Alteração de inspeção de normal para severa e normal para atenuada.

Na NBR 5426, as Tabelas 2, 3 e 4 apresentam planos para amostragem simples

em regime, respectivamente, normal, severo e atenuado. As Tabelas 5, 6 e 7 apresentam
planos para amostragem dupla também para regimes normal, severo e atenuado. E.
finalmente, as Tabelas 8, 9 e 10 apresentam planos para amostragem multipla em regime
normal, severo e atenuado.

205
 Nas tabelas de plano de amostragem, o nível de qualidade NQA é expresso em
fração defeituosa ou em número de defeitos por cem unidades. Para NQA em fração
defeituosa, a norma apresenta planos para NQA variando de 0,01 % até 10 %, e para
NQA em defeitos por 100 unidades, variando entre 15 e 1000 defeitos.
Nas Tabelas 19 a 67 da NBR 5426, são apresentadas as Curvas Características
de Operação dos planos de amostragem simples, em regime normal. Através dessas
ecos, pode-se perceber o risco do produtor e o risco do consumidor para diferentes
tamanhos de amostra e diferentes NQAs.
A seleção do plano de amostragem ( seja ele simples, duplo ou múltiplo, ou em
regime normal, severo ou atenuado) pode ser feita de três maneiras diferentes, conforme
descrito a seguir.

a) Planos de Amostragem para NQA

Nesse caso, o NQA é que define o número de aceitação do plano. O
procedimento básico é descrito a seguir:
• a partir do tamanho do lote, identifica-se, na Tabela 1, o código da amostra
para o nível de inspeção desejado. A norma recomenda que o nível II seja
usado como regra geral;
• a partir do código da amostra e do NQA, extrai-se o tamanho da amostra e o
número de aceitação das tabelas de plano de amostragem simples (Tabelas 2,
3 e 4), dupla (Tabelas 5, 6 e 7) ou múltipla (Tabelas 8, 9 e 10)

Exemplo 10.3: Deseja-se definir um plano de amostragem para inspecionar lotes de 1000
peças, com um NQA de 0,40 %.
Da Tabela 1, vemos que o código da amostra, no nível II, é J. Na Tabela 2, para
inspeção simples normal, na célula correspondente ao cruzamento da linha de código de
amostra J e NQA 0,4 %, temos uma seta apontando para baixo. Isto significa que
devemos adotar o plano da célula seguinte na direção vertical, sentido para baixo. Assim,
temos para NQA de 0,4 % e lote de 1000 peças:

n=125;
a= L

Se o regime severo de inspeção fosse adotado, então, da Tabela 3, o plano seria:

n= 200;
a=1.

Já se o regime atenuado fosse adotado, então, da Tabela 4, teríamos:

n=50;
a=O.

206
Exemplo 10.4: Deseja-se definir planos de amostragem, duplo e múltiplo para
inspecionar lotes de 2000 peças, com um NQA de 1 %.
Da Tabela 1, para o nível de inspeção li, o código da amostra é K. Para NQA de
1 %e código literal K, temos, da Tabela 5, inspeção dupla normal:

np80; a 1=1;
n 2=80; a 2=4.

Da Tabela 8, inspeção múltipla normal, temos:

n 1=32; a 1= (A) ; r 1=3;

n 2=32; a 2= O ; r 2 =3;
n3=32; a3= 1 ; r3 =4;
n4=32; a 4= 2 ; r4 =5;
n5=32; a5= 3 ; r5 =6;
n 6=32; a 6= 4 ; r6 =6;
n 7=32; a 7= 6 ; r7=7;

Nesse exemplo, não é possível aceitar na primeira amostragem. Assim, não

sendo rejeitado o lote na primeira amostra (d < r 1), uma segunda amostragem é feita. Se
nas duas primeiras amostras não houver defeituosos, o lote é aceito. Se houver 3 ou mais
defeituosas, o lote é rejeitado. Caso contrário, passa-se à terceira amostragem e assim
sucessivamente até o lote ser aceito ou rejeitado.
Deve-se observar que planos de amostragem dupla ou múltipla são vantajosos
em relação à amostragem simples quando sabemos que o nível de qualidade do lote é
superior ao NQA estabelecido, ou sensivelmente inferior. Nesses dois casos. o lote será
aceito ou rejeitado logo nas primeiras amostragem, e portanto simplificando a inspeção. A
Tabela 18 da NBR 5426 apresenta em forma gráfica a variação do tamanho da amostra
para inspeção dupla e múltipla em relação à inspeção simples, para todos os números de
aceitação de inspeção normal e severa.

b) Planos de Amostragem para a Qualidade Limite (QL)

Alternativamente a NBR 5426 permite a definição do plano de amostragem
normal simples a partir da fixação do nível da Qualidade Limite (QL) para um risco do
consumidor de 5 ou 10 %. Este procedimento é recomendado para situações em que se
tenha lotes isolados, ou seja não resultantes de uma longa e consecutiva série de rodução.
As Tabelas 13, 14, 15 e 16 apresentam os valores de NQA em função do código
literal da amostra e QL. As Tabelas 13 e 15 são usadas quando QL for especificado em
termos de fração defeituosa, e as Tabelas 14 e 16 quando QL for especificado em termos
de defeitos por cem unidades. As Tabelas 13 e 14 são para um risco do consumidor (/3) de
10 %, e as Tabelas 15 e 16 para um risco f3 de 5 %. O procedimento para a seleção do
plano é descrito através do exemplo dado a seguir:

207
Exemplo 10.5: Deseja-se um plano para amostragem simples normal de forma que, para
o nível de qualidade inaceitável ou limite para o consumidor, QL, de 6 %, a probabilidade
de aceitação do lote seja de 5 %. O tamanho do lote é de 1000 peças.
Neste caso, temos QL = 6 %, e f3 = 5 %. Como QL é especificado em termos de
fração defeituosa, e f3 =5 %, a tabela a ser usada é a Tabela 15.
Na Tabela 15, entramos com o código literal da amostra, que para um lote de
1000 peças, no nível II, é J. Percorre-se a linha correspondente ao código literal da .
esquerda para a direita até se encontrar um valor igual ao QL especificado ou o menor e
mais próximo do QL especificado.
No exemplo, para um QL = 6 %, e um código literal J, o valor menor mais
próximo é 5,8. O valor de NQA correspondente é encontrado no topo da coluna. Neste
exemplo o valor de NQA é 0,65 %.
A partir desse valor de NQA e do código literal da amostra, o plano de
amostragem é definido na Tabela 2, como descrito anteriormente. Ou seja, da Tabela 2.
temos:

n = 80;
a= I.
Tabelas complementares (Tabelas de 1 a 10) são apresentadas na NBR 5427
para a escolha de planos de amostragem simples, duplo e múltiplo, para riscos do
consumidor de 5 e 10 %.

c) Planos de Amostragem Simples para o Limite da Qualidade Média Resultante

(LQMR)
A NBR 5426 permite ainda que o plano de amostragem simples seja definido a
partir da especificação do Limite da Qualidade Média Resultante. Essa alternativa para a
seleção do plano de amostragem deve ser usado quando em inspeção retificadora, pois
não há interesse em se fixar o risco do produtor (já que os lotes nunca serão rejeitados),
mas sim a Qualidade Média Resultante dos lotes depois de submetidos à inspeção.
As Tabelas 11 e 12 da NBR 5426 apresentam os fatores que podem ser usados
para a determinação do LQMR para, respectivamente, planos de amostragem normal
simples ou severo simples, a partir de NQA. O valor de LQMR é dado por:

LQMR =fato{ I-~ J

Para a seleção do plano de amostragem a partir do LQMR, o procedimento
é descrito através do exemplo abaixo.

208
Exemplo 10.6: Deseja-se definir um plano de amostragem simples para um LQMR de 5
%. O tamanho do lote é de 800 peças.
Da Tabela 1, tem-se que o código literal da amostra é J. Da Tabela 2, para um
código literal J, tem-se amostras de tamanho n = 80. Como o LQMR deve ser de 5 %,
temos que:

LQMR
fator=--=---
(1-n/ N)

5
fator= =5,55
(1- 80/800)

Na Tabela 11, percorre-se a linha correspondente ao código de amostra J até

encontra-se um valor igual ou o menor mais próximo do valor do fator calculado acima.
Para este exemplo, o valor menor mais próximo é 4. Em seguida, o NQA correspondente
é identificado no topo da coluna, que neste caso é 2,5 %.
A partir do código da amostra e do valor de NQA, tem-se, na Tabela 2, o plano
adequado, ou seja:

n= 80:
a =5.

A Tabela 12 apresenta os fatores para o cálculo de LQMR para inspeção simples

severa, e, portanto, deve ser usado quando da seleção de um plano de amostragem severa
simples a partir de LQMR.

209
10.8. EXERCÍCIOS PROPOSTOS

10.1. Em que situações inspeção é usada ? Faça considerações sobre a inter-relação entre
inspeção e controle estatístico de processo (CEP).

10.2. A inspeção é uma alternativa ao controle da qualidade de processo (CEP)? Por que?
Em que situações inspeção por amostragem deve ser usada como alternativa à inspeção
cem porcento ?

10.3. Qual o procedimento para a Amostragem Dupla? Qual a vantagem da amostragem

dupla sobre a amostragem simples?

10.4. Para um determinado plano de amostragem, a curva de aceitação indica uma

probabilidade de aceitação de 90% para um nível de qualidade aceitável (NQA) de 5% e
uma probabilidade de aceitação de 15% para um nível de qualidade inaceitável (NQI) de
2%. Qual o risco do produtor, a, e o risco do consumidor, ~ ?

10.5. Qual a diferença entre a inspeção para a aceitação e a inspeção retificadora? Qual as
vantagens e desvantagens de uma e de outra ?

10.6. Quando inspecionamos lotes de 2000 peças, segundo um plano de amostragem

(digamos n=130, a=4, para uma CCO passando pelos pontos NQA = 1,5%; NQI = 6%, a
= 5% e~= 10%), qual o nível de qualidade dos lotes aceitos?

10.7. A inspeção é uma alternativa ao controle da qualidade de processo (CEP)? Por que
? Em que situações inspeção por amostragem deve ser usada como alternativa à inspeção
cem porcento ?

10.8. Para as CCOs a seguir, responder:

a. qual o risco do produtor e o risco do consumidor para um NQA de 1% e um QL de

5%?
b. qual plano oferece maior poder discriminante? Porque?
c. supondo que os dois planos tenham mesmo número de aceitação,o que podemos dizer
sobre o tamanho da amostra de um em relação ao outro?

210
 1
a b
1

1
!
I
o. 8
i !
I
I
I
i
iI I
!
.8
'\
o
'1l.
"'
~o. 6
\'
I
i
I
i
'
i
i
i
I
i
T
i
o
'1l.
"' .6
~o
\
"'"'
'O

"' 0.4
~
~ I
I' i !
!

:
i
I
"'"'
'O

"'
~o.
\
i\' ~
i I
~ I
~
i I i :0
.o I
I
i "'o
.o
o
à: 0.2 i i i I I à: o. 2 i

bl_l ~
I I
I I I I
I
I , I
I i !
I I : I
o ' I I I I o
o 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 o 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 o1
fração defeituosa
fração defeituosa

211
 REFERÊNCIAS BIBLIOGRÁFICAS

1. CAMPOS, V. F., TQC controle da qualidade total ( no estilo japonês). Belo

Horizonte, Fundação Christiano Ottoni, Universidade Federal de Minas Gerais, 1992

2. DEVOR, R. ; CHANG, T. E SUTHERLAND, J. W., Statistical Quality Design and

Control, Macmillan Pub. Co., NY, 1992

3. DUCAN, A. J., Ouality Control and Industrial Statistics. Homewood, Ill., R. D.

Irwin,1974

4. FEIGENBAUM, A. V., Total quality control. New York, McGrawHill. 1991

5. FREUND, J. E., Modem Elementary Statistics, Prentice-Hall Int. Ed., 1988

6. GARVIN, D. A., Gerenciando a qualidade. Rio de Janeiro, Qualitymark. 1992

7. INMETRO, Vocabulário de metrologia legal e vocabulário de termos fundamentais

e gerais de metrologia, Instituto Nacional de Metrologia, Normalização e Qualidade
Industrial - INMETRO, 1989

8. ISHIKAW A, K. Introduction to Quality Control, Chapman & Hall, 1989

9. JURAN, J. M.; GRYNA, F. M., Ouality Analysis and Planning. 3ª edição. McGraw-
Hill. 1993

10. MONTGOMERY, D. C., Introduction to Statistical Quality Control. NewYork: John

Wiley & Sons. 1991

213
11. SLACK, N., Vantagem Competitiva em Manufatura. São Paulo, Editora Atlas, 1993

12. TAGUCHI, G.; ELSAYED, E.; HSIANG, T., Taguchi- Engenharia da Qualidade
em Sistemas de Producão. McGraw-Hill.. 1990

13. NBR ISO 9000-1 Sistema da Qualidade - Diretrizes para Seleção e Uso. ABNT,
Associação Brasileira de Normas Técnicas. Rio de Janeiro. 1994

14. NBR ISO 9004-1/1994 Gestão da Qualidade e Elementos do Sistema da Qualidade-

Parte 1: Diretrizes. ABNT, Associação Brasileira de Normas Técnicas. Rio de
Janeiro, 1994

15. OS 9000- Measurement System Analysis - Reference Manual, 1995

214
 APÊNDICE: Tabelas Estatísticas

Al - Tabela I: Distribuição Normal (Z)

z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09

0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .II41
0.3 .1179 .1217 .1255 .1293 . 1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1628 .1664 .1700 .1736 .I 772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224

0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621

1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441

1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817

2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952

2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990

Fonte: Freund, J. E. Modem elementary statistics. Prentice-Hall, 7ª edição.l988.

215
A2- Tabela H: Valores Críticos da Distribuição t de Student

~ .40 .25 .10 .os .025 .01 .005 .0025 .001 .0005

1 .325 1.000 3.078 6.314 12.706 31.821 63.657 127.32 318.31 636.62
2 .289 .816 1.886 2.920 4.303 6.965 9.925 14.089 23.326 31.598
3 .277 .765 1.638 2.353 3.182 4.541 5.841 7.453 10.213 12.924
4 .271 .741 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 .267 .727 1.476 2.015 2.571 3.365 4.032 4.773 5.893 6.869
6 .265 .727 1.440 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 .263 .711 1.415 1.895 2.365 2.998 3.499 4.019 4.785 5.408
8 .262 .706 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.041
9 .261 .703 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781
10 .260 .700 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 .260 .697 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437
12 .259 .695 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318
13 .259 .694 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221
14 .258 .692 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140
15 .258 .691 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073
16 .258 .690 1.337 1.746 2.120 2.583 2.921 3.252 3.686 4.015
17 .257 .689 1.333 1.740 2.110 2.567 2.898 3.222 3.646 3.965
18 .257 .688 1.330 1.734 2.101 2.552 2.878 3.197 3.610 3.922
19 .257 .688 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883
20 .257 .687 1.325 1.725 2.086 2.528 2.845 3.153 3.552 3.850
21 .257 .686 1.323 1.721 2.080 2.518 2.831 3.135 3.527 3.819
22 .256 .686 1.321 1.717 2.074 2.508 2.819 3.119 3.505 3.792
23 .256 .685 1.319 1.714 2.069 2.500 2.807 3.104 3.485 3.767
24 .256 .685 1.318 1.711 2.064 2.492 2.797 3.091 3.467 3.745
25 .256 .684 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725
26 .256 .684 1.315 1.706 2.056 2.479 2.779 3.067 3.435 3.707
27 .256 .684 1.314 1.703. 2.052 2.473 2.771 3.057 3.421 3.690
28 .256 .683 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674
29 .256 .683 1.311 1.699 2.045 2.462 2.756 3.038 3.3% 3.659
30 .256 .683 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
40 .255 .681 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
60 .254 .679 1.2% 1.671 2.000 2.390 2.660 2.915 3.232 3.460
120 .254 .677 1.289 1.658 1.980 2.358 2.617 2.860 3.160 3.373
00 .253 .674 1.282 1.645 1.960 2.326 2.576 2.807 3.090 3.291

Fonte: Montgomery, D. C. Design and analysis of experiments, John Wiley & Sons, 3-ª
edição, 1991.

216
 (1l
o. o
'Tj
Gráfico da Média Gráfico de Desvio Padrão (S) Gráfico de Amplitude >
(.;.)
.(=i'
:;:!
PJl 0 Tamanho Fatores para os Fatores para Fatores para os Fatores para Fatores para os
o " da ~
:....~ Limites de Controle Linha Central Limites de Controle Linha Central Limites de Controle $1)
.....
'DO Amostra o
...,
\0:;:! A A; Al c, llc 4 81 8, 85 86 d, lld, d) D, D, D; D,
~
--'áQ 2.121 1.880 2.659 0.7979 1.2533 o 3.267 o 2.606 1.128 0.8865 0.853 o 3.686 o 3.267 [I)

o 2
"':l
s 3 1.732 1.023 1.954 0.8862 1.1284 o 2.568 o 2.276 1.693 0.5907 0.888 o 4.358 o 2.575
(1l 4 1.500 0.729 1.628 0.9213 1.0854 o 2.266 o 2.088 2.059 0.4857 0.880 o 4.698 /"(i"jb 2.282
...,$1)
"1 $1)
':;< 5 1.342 0.577 1.427 0.9400 1.0638 o 2.089 o 1.964 2.326 0.4299 0.864 o 4.918 o 2.115 $1)
9 6 1.225 0.483 1.287 0.9515 1.0510 O.ü30 1.970 0.029 1.874 2.534 0.3946 0.848 o 5.078 o 2.004 ~
7 1.134 0.419 1.182 0.9594 1.0423 0.118 1.882 0.113 1.806 2.704 0.3698 0.833 0.204 5.204 0.076 1.924 o
0 8 1.061 0.373 1.099 0.9650 1.0363 0.185 1.815 0.179 1.751 2.847 0.3512 0.820 0.388 5.306 0.136 1.864 =
...
[I)
...,
\:::J 9 1.000 0.337 1.032 0.9693 1.0317 0.239 1.761 0.232 1.707 2.970 0.3367 0.808 0.547 5.393 0.184 1.816
c::
"'
""
o'Q'
lO 0.949 0.308
0.285
0.975
0.927
0.9727
0.9754
1.0281
1.0252
0.284
0.321
1.716
1.679
0.276
0.313
1.669
1.637
3.078
3.173
0.3249
0.3152
0.797
0.787
0.687
0.811
5.469 0_223
5.535 0.256
1.777
1.744
'-~")
$1)1
;::s li 0.905 o
::::, 12 0.866 0.266 0.886 0.9776 1.0229 0.354 1.646 0.346 1.610 3.258 0.3069 0.778 0.922 5.594 0.283 1.717 ~
;::s 13 0.832 0.249 0.850 0.9794 1.0210 0.382 1.618 0.374 1.585 3.336 0.2998 0.770 1.025 5.647 0.307 1.693 ~

l:l...
::::, 14 0.802 0.235 0.817 0.9810 1.0194 0.406 1.594 0.399 1.563 3.407 0.2935 0.763 1.118 5.6% 0.328 1.672 ...,~
;::s 15 0.775 0.223 0.789 0.9823 1.0180 0.428 1.572 0.421 1.544 3.472 0.2880 0.756 1.203 5.741 0.347 1.653 $1),
::::,
16 0.750 0.212 0.763 0.9835 1.0168 0.448 1.552 0.440 1.526 3.532 0.2831 0.750 1.282 5.782 0.363 1.637
:::n
N
..... ~ (")
o
0.728 0.203 0.739 0.9845 1.0157 0.466 1.534 0.458 1.511 3.588 0.2787 0.744 1.356 5.820 0.378 1.622
-....]
""
[;:;· 17
18 0.707 0.194 0.718 0.9854 1.0148 0.482 1.518 0.475 1.496 3.640 0.2747 0.739 1.424 5.856 0.391 1.608
[I)

~
~ 19 0.688 0.187 0.698 0.9862 1.0140 0.497 1.503 0.490 1.483 3.689 0.2711 0.734 1.487 5.891 0.403 1.597 ~

"'
~
20 0.671 0.180 0.680 0.9869 1.0133 0.510 1.490 0.504 1.470 3.735 0.2677 0.729 1.549 5.921 0.415 1.585 -<$1)
21 0.655 0.173 0.663 0.9876 1.0126 0.523 1.477 0.516 1.459 3.778 0.2647 0.724 1.605 5.951 0.425 1.575 ::!.
"'§'..., 22 0.640 0.167 0.647 0.9882 1.0119 0.534 1.466 0.528 1.448 3.819 0.2618 0.720 1.659 5.979 0.434 1.566
$1),
-<
23 0.626 0.162 0.633 0.9887 1.0114 0.545 1.455 0.539 1.438 3.858 0.2592 0.716 1.710 6.006 0.443 1.557 !E.
"';::s 24 0.612 0.157 0.619 0.9892 1.0109 0.555 1.445 0.549 1.429 3.895 0.2567 0.712 1.759 6.031 0.45 I 1.548
[I)

'~ 25 0.600 0.153 0.606 0.9896 1.0105 0.565 1.435 0.559 1.420 3.931 0.2544 0.708 1.806 6.056 0.459 1.541
'--<
o
::r For n > 25
:;:!
A= 1_
) 4(n- I)
A,=-,
~ ;n· ,~~--.
c,/n 4n- 3
(D
'<
3 3
Ro 8 3 =I - B, =I+
(/) c,J2(n- I) c, J20-=-i)'
o
:;:!
;n 3 3
w
B, =c,---~, B,=c,+---.
I~ J20-=-i) -/2(11- I)
A4 - Valores de d 2 para a Distribuição da Amplitude Média

m
2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 1,41 1,91 2,24 2,48 2,67 2,83 2,96 3,08 3,18 3,27 3,35 3,42 3,49 3,55
2 1,28 1,81 2,15 2,40 2,60 2,77 2,91 3,02 3,13 3,22 3,30 3,38 3,45 3,51
3 1,23 1,77 2,12 2,38 2,58 2,75 2,89 3,01 3,11 3,21 3,29 3,37 3,43 3,50
4 1,21 1,75 2,11 2,37 2,57 2,74 2,88 3,00 3,10 3,20 3,28 3,36 3,43 3,49
5 1,19 1,74 2,10 2,36 2,56 2,73 2,87 2,99 3,10 3,19 3,28 3,35 3,42 3,49
6 1,18 1,73 2,09 2,35 2,56 2,73 2,87 2,99 3,10 3,19 3,27 3,35 3,42 3,49
7 1,17 1,73 2,09 2,35 2,55 2,72 2,87 2,99 3,10 3,19 3,27 3,35 3,42 3,48
g 8 1,17 1,72 2,08 2,35 2,55 2,72 2,87 2,98 3,09 3,19 3,27 3,35 3,42 3,48
9 1,16 1,72 2,08 2,34 2,55 2,72 2,86 2,98 3,09 3,18 3,27 3,35 3,42 3,48
10 1,16 1,72 2,08 2,34 2,55 2,72 2,86 2,98 3,09 3,18 3,27 3,34 3,42 3,48
11 1,16 1,71 2,08 2,34 2,55 2,72 2,86 2,98 3,09 3,18 3,27 3,34 3,41 3,48
12 1,15 1,71 2,07 2,34 2,55 2,72 2,85 2,98 3,09 3,18 3,27 3,34 3,41 3,48·
13 1,15 1,71 2,07 2,34 2,55 2,71 2,85 2,98 3,09 3,18 3,27 3,34 3,41 3,48
14 1,15 1,71 2,07 2,34 2,54 2,71 2,85 2,98 3,08 3,18 3,27 3,34 3,41 3,48
15 1,15 1,71 2,07 2,34 2,54 2,71 2,85 2,98 3,08 3,18 3,26 3,34 3,41 3,48
>15 1,128 2,059 2,534 2,847 3,078 3,258 3,407
1,693 2,326 2,704 2,970 3,173 3,336 3,472

Fonte: Duncan, A. J. Quality Control & Industrial Statistics.

218