Entendendo o C. E. P.

Entendendo o C. E. P.
Controle Estatstico do Processo
Autor: Prof. Celso Jacubavicius
Ilustraes: Prof. Jos Jorge
Diagramao: Gabriel Duarte
7


Agradecimentos

Lorem ipsum dolor sit amet, consectetur
adipiscing elit. Integer condimentum nunc sit amet odio
ultrices interdum. Aliquam congue interdum risus, sed
dictum felis suscipit a. Morbi interdum sapien id est
posuere sit amet tincidunt nisi mattis. Nullam
dignissim, nunc quis vehicula faucibus, metus augue
ullamcorper est, in gravida nisl massa eget est. Donec
feugiat eros at erat gravida tincidunt. Donec eu dolor
nunc. Pellentesque mattis diam nulla, non accumsan
turpis. In hac habitasse platea dictumst. Mauris odio
lorem, pellentesque vitae lacinia in, pretium in ipsum.
Suspendisse potenti. Pellentesque laoreet cursus risus
vitae scelerisque. In consequat diam eu libero luctus vel
placerat ligula commodo. Duis in tincidunt leo.
Vestibulum ac mattis leo. Fusce accumsan
faucibus purus, ut varius neque tincidunt at. Donec eu
dapibus risus. Sed porttitor ultricies sapien. Integer in
enim ligula. Pellentesque mi ante, ornare auctor
condimentum a, adipiscing ut urna. Suspendisse
vehicula auctor lorem. Maecenas ultricies molestie
porttitor. Sed rhoncus, sapien vel congue vehicula,
enim lectus interdum mi, at viverra eros enim vel
mauris. Pellentesque fermentum laoreet molestie.
Nunc facilisis, felis sagittis porta facilisis, eros
metus laoreet mauris, id accumsan lacus mauris sit
amet ante. Aenean sagittis gravida neque at suscipit.
Integer varius ultricies lacinia. Duis mi ante, scelerisque
8


in mattis at, volutpat sed massa. Phasellus sagittis nisl
quis diam vehicula eu scelerisque nunc malesuada.
Vivamus feugiat mi et nunc euismod id scelerisque dui
vehicula. Quisque eu lacus tellus. Etiam porttitor dui ut
enim vestibulum condimentum. Suspendisse potenti.
Fusce augue elit, venenatis sit amet ultricies pretium,
tempus id tellus. Cum sociis natoque penatibus et
magnis dis parturient montes, nascetur ridiculus mus.
Donec convallis dignissim auctor.
9


ndice

Prefcio ........................................................................................ 11
I - Conceito de CEP ........................................................................ 13
II O pensamento Estatstico .......................................................... 18
Captulo II - Para praticar. .............................................................. 22
III - Escolha da amostra ................................................................. 24
Captulo III Para praticar .............................................................. 29
IV Histograma ............................................................................ 31
Captulo IV - Para praticar Histograma ........................................... 39
V Medidas separatrizes ................................................................ 43
Captulo V - Para exercitar Medidas separatrizes ................................ 48
VI CEP por atributos .................................................................... 52
Captulo VI.I - Controle simples de defeitos (carta c) .......................... 54
Captulo VI.I Para praticar - Controle simples de defeitos (carta c) .... 60
Captulo V.II - Controle simples de defeitos (carta u) .......................... 62
Captulo VI.II - Para praticar - Controle simples de defeitos (carta u) ... 70
Captulo VI.III - CEP por atributos - CARTA p .................................... 75
Captulo VI.III Para praticar - CEP por atributos - CARTA p ............... 83
Captulo VI.IV - CEP por atributos carta p ......................................... 87
Captulo VI.IV Para Praticar - CEP por atributos carta p .................... 95
Captulo VI.V - CEP por atributos carta np ......................................... 99
Captulo VI.V - Para Praticar - CEP por atributos carta np .................. 107
VII CEP por Variveis ................................................................. 110
Captulo VII Para Praticar CEP por Variveis ............................... 122
VIII CEP por variveis (sigma) .................................................... 127
Captulo VIII Para Praticar - CEP carta x e carta R ......................... 133
10


IX Curva de Gauss .................................................................... 137
Captulo IX Para Praticar - Curva de Gauss ................................... 144
X Curva de Gauss (Segunda parte). ............................................. 146
Captulo X Para Praticar - Curva de Gauss (Segunda parte). ........... 152
XI Capacidade do processo ......................................................... 154
Captulo XI Para Praticar Capacidade do processo ....................... 160
Captulo XI Para praticar - Determinao do Cpk ............................ 167
Captulo XII - Determinao do tamanho da amostra. ....................... 170
Captulo XII Para praticar ........................................................... 177
Resposta dos exerccios propostos neste livro .................................. 187
Bibliografia .................................................................................. 203



Veja o que preparei para voc que
quer aplicar CEP na empresa...
11


Prefcio

Lorem ipsum dolor sit amet, consectetur
adipiscing elit. In pretium, libero nec sodales
consequat, eros risus auctor orci, sit amet ultricies
neque lacus ac massa. Vestibulum lobortis magna
tempor velit bibendum vehicula dictum elit semper.
Praesent in dui metus. Aliquam a felis ac quam rutrum
hendrerit. Duis laoreet pharetra enim in aliquet.
Aliquam ac neque ligula. Sed consectetur lobortis odio
sit amet ultricies. Phasellus varius eros quis erat
facilisis quis sodales nisi tristique. Phasellus mollis justo
non sem tempus nec volutpat odio tristique. Donec
volutpat luctus enim faucibus tempor. Pellentesque orci
arcu, vestibulum in sollicitudin et, posuere eu quam.
Mauris ut nunc nec lacus hendrerit iaculis. Pellentesque
neque lorem, vestibulum eu facilisis at, faucibus vitae
quam.
Ut dignissim, erat sit amet aliquam gravida, leo
risus ullamcorper tortor, ac euismod nulla nisi et leo.
Sed fringilla lacus eget diam sollicitudin vel dapibus
ante sollicitudin. Nam nec leo at turpis interdum
ultricies et in nisl. Nulla facilisi. Aenean tincidunt odio et
arcu tincidunt non imperdiet lorem tempus. Nullam
ultricies risus eget nisi dapibus quis pretium purus
aliquam. Quisque dolor mi, varius sed fringilla in,
blandit ac lacus. Praesent massa eros, posuere nec
ornare et, ultrices nec leo.
12


Pellentesque vel mi sit amet lectus feugiat
semper. Nunc convallis porta sodales. Morbi laoreet
volutpat sapien nec ultrices. Curabitur id erat arcu, sed
adipiscing metus. In condimentum laoreet varius.
Vivamus viverra pellentesque est sit amet pharetra.
Quisque quis egestas ante. Cras ultrices mi quis nulla
fringilla iaculis. Aliquam a lorem a velit consectetur
lacinia eget vel neque. Nam nec risus ante. Nunc sit
amet sapien nisi, et feugiat turpis. Donec sed libero in
velit vehicula lobortis et et dui. Cras venenatis purus
vel quam ultricies a sodales metus tempor. Morbi
sagittis interdum orci et molestie. Donec leo risus,
tincidunt quis ultricies in, adipiscing vel nunc.
Integer malesuada tortor quis risus vulputate
ullamcorper. Ut fermentum, neque id malesuada porta,
nunc nunc vulputate arcu, sit amet ornare magna nunc
eu massa. Suspendisse vestibulum risus vitae metus
vulputate dictum. In eu sem ligula. Sed ac nibh et dolor
elementum pretium. Vivamus at lorem quam. Phasellus
turpis dolor, vestibulum nec euismod vitae, bibendum
sed risus.

13








I - Conceito de CEP

Neste captulo inicial voc ver:
O inicio da estatstica.
O inicio do controle estatstico de processos
produtivos.
Conceitos bsicos de estatstica.

14



O entendimento e a aplicao do CEP esto muito
ligados a conceitos matemticos e a engenharia da
produo, mas sua origem se encontra muito antes da
revoluo industrial...
Se caso se interessa por saber a origem do controle
estatstico como vemos hoje ai vai, caso contrrio pule
esta introduo, mas se ficar vai aprender um pouco e
quem sabe at goste de sentir aprendendo por si s um
conceito novo.

Origem da estatstica moderna
Primeiro o Censo demogrfico...
A primeira palavra criada neste caminho foi
Census", que quer dizer "conjunto dos dados
estatsticos dos habitantes de uma cidade, provncia,
estado, nao etc." a ideia era ento saber qual o
potencial da regio para contribuir com impostos ou
para guerrear.
Segundo o IBGE o primeiro censo
foi realizado na China em 2238 a.C.,
por ordem do imperador Yao que
mandou realizar um censo da
populao e das lavouras cultivadas,
seja naquela poca ou nos dias de
hoje, a ideia medir para planejar.

15


Depois venho a estatstica...

Ainda com a necessidade de uma nao de saber as
necessidades do estado e de criar planos de
desenvolvimento e metas futuras nasceu a palavra
Estatstica, que significa resumidamente determinar o
estado das coisas.
No sculo XVII os matemticos Pascal e Fermat
criaram um estudo sobre os jogos de azar, mas quem
escreveu sobre o tema em 1794, e ficou com todos os
louros da criao foi, Carl Friedrich Gauss. Guarde bem
o nome deste matemtico, Gauss vai ser importante
em todo este livro.
Da o que era Censo, e que
cresceu para Estatstica, cresceu
mais ainda e comeou a tratar
da probabilidade de ocorrncia
de um evento.
Pronto, chegou o que
estvamos esperando, a criao
do conceito do controle
estatstico do processo.

Origem do CEP
Espero que voc saiba quem foram os Gurus da
Qualidade, se no existe um grande material sobre o
assunto, digo isso, pois um dos gurus da qualidade foi
Walter Shewhart que foi o criador do atual conceito de
CEP.
16


Indico o site www.qualidadebrasil.com.br se voc
quiser saber mais sobre eles.
Ento, um dos gurus da qualidade, Shewhart foi
muito importante para a histria tanto da estatstica
quando para a histria da evoluo da qualidade, pois
ele nos trouxe muitos novos conceitos para ambos os
campos.
Um bom resumo de sua vida pode ser encontrado
em muitos sites nacionais.




Primeiro ento, este CEP como todos falam na indstria
significa Controle Estatstico de Processos, note que no
tem nada h ver com o CEP dos correios (controle de
endereamento postal) e ser uma sigla extensamente
usada neste livro.
CEP no s uma planilha de dados que gera alguns
grficos quer sero analisados posteriormente, CEP no
um tipo diferente de grfico, faz parte de uma
filosofia de melhoria continua dos processos, seja esta
melhoria de qualidade ou relacionada produtividade.
Mas s vai servir quando os processos forem
repetitivos, s para aqueles que trabalham com pedidos
O que CEP?

17


e lotes de matria primas repetidos, assim podemos
compar-los e estudar as possibilidades de melhoria.
Ento CEP s ser aplicado aos processos contnuos
por Bateladas.
O CEP baseado em conceitos de estatstica, da
muita gente achar difcil ou at chato o controle
estatstico do processo, por que muita gente sente
dificuldades para aprender matemtica, mas espero
que ao final deste livro voc possa ver como til e
possvel de ser aplicado no seu dia a dia.

18







II O pensamento
Estatstico

Neste captulo voc ver:
O que a variao.
As falhas e os tipos mais comuns.
Exerccios.

19


A palavra Estatstica foi cunhada por um alemo
chamado Gottfried Achenwall por volta do sculo XVIII
e apareceu pela primeira vez na enciclopdia britnica
em 1797.
Nesta mesma poca John Graunt criou a tbua
de mortalidade, atravs de muitos nmeros e de muito
estudo, conclui-se que nascia mais meninos que
meninas, acho difcil voc lembrar o nome dele, mas foi
muito importante para a poca e um marco no estudo
da contagem de Jonh Graunt, mas foi um feito muito
impor ante e ainda mais, atualmente estas tbuas so
a base de muitos estudos de populaes, como por
exemplo o clculo para a sua aposentadoria ou clculo
dos seguros de todos os tipos.
CONCEITO DE VARIAO

Uma das funes mais importantes da gerncia
de qualidade ou de produo a de encontrar as
variaes de processo e minimiza-las, para tanto
devemos entender quais os tipos de variao
existentes.
20


Este livro no tem o objetivo de explicar o que
estatstica e sim apresentar de forma prtica o uso do
CEP, mas no adiantaria de nada seu uso se no forem
entendidos alguns conceitos extremamente bsicos
sobre os defeitos.
Conceito de falhas
As falhas podem ser inicialmente dividias em
falhas de processo e falhas do produto, para se
aprofundar neste assunto leia sobre FEMEA, claro que
existe muita literatura sobre o assunto.
Depois de entendida a falha como de projeto ou
de produto, vamos classific-la segundo sua
frequncia, parece at intuitivo que existam falhas
muito comuns, falhas que acontecem com alguma
frequncia e falhas que raramente acontecem, ento
conclumos que primeiro devemos atacar as falhas
comuns, depois as que as vezes atrapalham o
processo, e quem sabe um dia se dedicar as falhas
raras, tambm chamadas de especiais.
Vamos entender melhor ento cada uma delas.
Falhas comuns (ser o trabalho do dia a dia do CEP!)
Pense um pouco no
processo do seu trabalho e diga
que falhas so comuns, como
erros de lanamento de dados,
erros humanos, ou se for comum,
problemas decorrentes da troca
de matria prima, ou durante a
entrada de um novo produto. As
falhas comuns so relativamente
pequenas, mas acontecem com
bastante frequncia.
21


Falhas estruturais
Depois existem as falhas estruturais, so
aquelas que s acontecem s vezes, mas esto sempre
por ai, elas so mais difceis de serem diagnosticadas,
pois a empresa precisa de um bom banco de dados de
suas falhas para poder perceber que realmente
acontecem bastante, as vezes so consideradas
especiais, como as que sero explicadas em seguida.

Falhas Especiais
Estas acontecem muito
raramente, s vezes, uma
nica vez, mas como uma
grande onda inesperada, abala
os pilares da empresa, para a
implantao do CEP o sistema
deve estar livre de falhas
especiais, dever apresentar
uma normalidade entre a produo do perodo, ento
espero que fique claro at aqui, que o CEP no a
primeira ferramenta do controle de processo de uma
empresa.
difcil exemplificar que tipos de defeitos so
comuns, estruturais, ou especiais, pois cada empresa
tem sua realidade, veja que, por exemplo, uma
empresa pode com muita frequncia errar a quantidade
de pedido a produzir, enquanto em outra isso seja
muito raro, em outra empresa a produo sofre com as
variaes de sua matria prima, enquanto em outra o
problema mais comum seja as diferenas que ocorrem
quando um produto produzido de uma mquina para
outra, por isso, peo que voc descreva os problemas
de sua empresa.
22






Captulo II - Para praticar.
1. Veja se consegue identificar apenas um tipo de
problema que em sua opinio seja causado pelo projeto
inicial e que por isso pode ser corrigido atravs de
mudanas nas especificaes ou nas diretrizes do
projeto inicial.





2. Agora indique um problema que voc identifica
como sendo causado durante a produo, causado por
falhas durante a produo.






3. Espero que voc tenha chegado at aqui sem
dificuldades, agora escreva aqui um defeito ou mais
defeitos que ocorram de modo muito comum no seu dia
a dia de trabalho.




23



4. Agora ento identifique problemas que voc
considere que ocorram uma ou duas vezes ao ms,
quem sabe at mais raros, mas que sempre esto de
volta.






5. Finalmente chegamos aquele defeito que
ocorreu uma nica vez, por isso chamado de especial.






O objetivo deste teste foi para voc perceber
que para cada doena existe um remdio diferente,
vejamos, ns iremos agora para o prximo captulo,
mas s podemos falar de CEP e de sua implantao se
o processo se ver livre destas ltimas falhas, as
especiais...
24







III - Escolha da
amostra

Este captulo tratar de:
Definio de amostra.
Definio de universo amostral.
Tipos de amostras.

25





Voc pode achar que est sendo enrolado com
mais um captulo terico sem ainda saber nada sobre
CEP, mas voc ver aqui um pequeno resumo de
algumas informaes sobre a nomenclatura bsica,
necessria para que se possa tratar dados no seu
ambiente de trabalho, espero que concorde.
As empresas contam com milhes de dados que
so gerados diariamente, mas qual deles uma
informao as vezes uma tarefa difcil, para isso,
vamos comear definindo qual o objetivo do seu
trabalho estatstico.
Eu quero controlar a produo da empresa!
Pronto, voc acaba de excluir dados sobre
recursos humanos, faturamento, vendas, compras,
acidentes, transporte, manuteno, etc. E tambm
acaba de determinar seu universo amostral tambm
chamada de populao. Este universo amostral
conter todos os dados que voc quer pesquisar.
Mas imagino que em uma produo existam
muitos tipos de produtos, portanto, analisar este
universo seria considerar informaes de mais, ento
vamos fracionar todas estas informaes.
26


Eu quero controlar a produo da pea M00939!
Agora seu universo amostral ou populao no
mais toda a produo da empresa, e sim, somente das
peas que voc escolheu, no caso M00939. Mais um
ltimo exemplo, a pea tipo M00939 produzida a mais
de trs anos imagino que os acontecimentos mais
relevantes sejam somente os mais recentes, sem falar
do enorme banco de dados que teria que se considerar,
ento:
Eu quero controlar a produo da pea M000939 e criar
relatrios dirios!
Sabendo-se que a pea em questo produzida
a uma taxa de 1.800 peas/hora, d pra imaginar de
quantas peas estamos falando, fica claro que os custos
e o tempo para analisar todas estas peas seriam
inviveis para o processo, portanto, vamos tomar uma
parcela menor de peas, que possam representar a
situao real da produo.
A parcela do universo amostral chamada de
amostra, deve ser determinada e fixada como sendo a
mesma para todo o processo, e tem a funo de
representar de forma confivel a situao do todo, do
universo que contem estas amostras.
O nmero de amostras retiradas do universo se
chama amostragem, ento, de modo muito comum nas
empresas, o funcionrio retira, por exemplo, a cada
hora de produo (1.800 peas) uma amostragem de
20 peas, ou 50 peas, ou 100 peas.
Espero que voc concorde que se retirarmos a
cada hora de produo apenas uma pea corremos o
risco de nos enganarmos, pode ser que esta pea seja
boa, mas todo o resto seja ruim, ou que ela seja ruim e
todo o resto sejam peas boas, ento quanto mais
27


peas pegarmos, mais confivel ser nosso controle,
para tanto, iremos no prximo capitulo determinar o
tamanho de nossas amostras.
Agora vamos escolher o que medir das
amostras, pode-se medir o peso, dimenses,
rugosidade, resistncia, cor, volume, viscosidade, etc.
Esta determinada caracterstica ser chamada de
varivel.
As variveis podem ser classificadas como
qualitativas e como quantitativas.
Vamos ento determinar suas diferenas.
As variveis qualitativas so usadas para
determinar categorias, e assim distinguir tipos
diferentes de amostras, ento a varivel modelo da
pea M000939 qualitativa, pois outro modelo outro
tipo de pea, ento continuando, se a pea for
fabricada na mquina 01 ou 09, tambm um tipo de
varivel qualitativa, assim como, a produo da tera-
feira, as peas do turno da manh, o lote, so todos
exemplos de variveis qualitativas. Note que as
variveis qualitativas podem ser representadas por
letras ou nmeros, mas no possvel fazer qualquer
tipo de operao matemtica com elas.
Agora fica faltando descrever as variveis
quantitativas, como seu nome nos diz, uma varivel
que nos trs a quantidade de uma contagem ou
medio, ento vamos fechar o assunto.
Universo: Produo das peas M000939 de hoje.
Amostra: pea M000939
Amostragem: retirar 30 peas por hora.
28


Varivel qualitativa: pea M000939 das mquinas 01 e
09.
Varivel quantitativa: dimetro interno do furo em
milmetros.
Agora com voc, leia o estudo de caso abaixo e
confira se entendeu:
Uma empresa de filtros produz filtros tanto para
motos como para carros, existem 29 tipos de filtros
para motos e outros 78 para carros, os modelos de
filtros de motos so chamados de FM e os filtros para
carros chamados de FC, ento os tipos de filtros vo de
FM001 at FM029, e de FC001 at FC078.
A produo dividida em duas mquinas e em
trs turnos de produo e ainda, digamos que a
produo seja padro de 1.500 filtros por hora, para
qualquer modelo.










29






Captulo III Para praticar
Apresente um exemplo de:
1. Universo amostral




2. Amostra




3. Amostragem




4. Varivel qualitativa




5. Varivel quantitativa.




30


Agora vou dificultar, veja se consegue:

Um lote de peas produzidas, considerado como
universo, como uma amostra, amostragem, ou
dependendo da situao pode ser qual quer um deles?
No vale s responder, justifique!






Ento vamos para o prximo!
31








IV Histograma


Neste captulo sero abordados os seguintes
temas:

O que um histograma.
Como construir um histograma.
Exerccios.



32


Agora s falta este captulo para voc entrar no
tema do livro CEP, mas toda esta enrolaro tem um
sentido terico. possvel se fazer um controle
estatstico de quase tudo que se possa contar ou
mensurar.
Pode-se, por exemplo, se pode controlar o
tempo que cada pessoa de sua casa demora em tomar
banho, ou a frequncia com que se muda de canal de
televiso, o tempo de cada um no acesso a internet,
mas voc notar, estas tarefas esto fora do seu
controle.
Somente as tarefas que apresentem uma curva
normal podem ser passivas do CEP.
Existem vrias maneiras de se determinar a
normalidade de um evento, o modo que escolhi para
voc, acredito ser o mais claro, objetivo e mais simples.

O Histograma

Aqui entre ns, grfico sempre mais fcil de ser
compreendido quando comparado a um texto, uma
tabela, um relatrio sempre fica mais claro quando
apresenta representaes grficas.
Mas as vezes podemos abusar da simplicidade de se
fazer grficos em planilhas eletrnicas e criar grficos
de difcil entendimento.
Um bom grfico deve ser simples, bater o olho
entender, se tiver que ler, calcular, pensar no objetivo
do grfico, ento no est bom.
Depois, com tantos dados espalhados por tantos
bancos de dados, as vezes deixamos de averiguar a
veracidade dos dados, um grande problema que
quem lana os dados no banco de dados, no faz uso
dele, e isso pode criar a falta de comprometimento com
a verdade dos dados.
Finalmente, pense em quem vai ler seu grfico, seja
ele qual for, se ele se repetir com frequncia ento
importante que manter sempre os mesmos padres
33


exibidos no primeiro grfico, caso contrrio voc pode
induzir a erros de interpretao.
Isso claro, vamos iniciar o nosso histograma.

Aviso: O histograma faz parte das ferramentas bsicas
da qualidade que podem ser aplicadas em situaes
menos complexas (quando se faz necessrio o uso das
ferramentas gerenciais).
Para montar um histograma basta seguir os seguintes
passos:
1. Passo. Obter os dados para montar nosso grfico,
no que voc no possa fazer com qualquer quantidade
de amostra, mas uma boa amostragem fica entre o
mnimo de 50 e no mximo 100 dados.
IMPORTANTE: a frequncia de tomadas dos dados, a
quantidade de amostras, o momento da amostragem,
devem ser mantidos sempre que se for elaborar o
histograma, garantindo assim ao mximo a
reciprocidade da informao. No caso abaixo, foram
feitas a tomada de dados.
48,9 49,3 49,5 49,7 49,3 49,8 49,1 49,6
49,6 48,9 49,3 49,6 49,5 48,8 49,7 49,2
49,3 49,1 49,2 49,0 49,7 49,4 49,1 49,9
49,3 48,9 50,1 49,6 49,1 49,3 49,6 49,4
49,8 49,4 49,4 49,4 49,6 48,8 49,1 49,5
49,5 49,1 50,0 49,8 49,3 49,5 49,8 49,6
Tabela 01 histograma I

34


2. Passo: definir as dimenses do grfico atravs
de cinco procedimentos.

1. Com base na tabela, visualmente determine o
maior e o menor valores;

Maior valor: Menor valor:


2. Calcule a amplitude dos dados, que a distncia
entre dois valores, no nosso caso a amplitude
total ser a diferena entre o maior e menor
valo, apresentados na tabela de dados e ser
representada pela letra R do ingls Range
(R=mximo - mnimo);

R = - =

3. Nosso grfico ter vrias colunas, o nmero de
colunas vai depender do nmero total de dados,
quanto mais dados, mais colunas.
Cada coluna ser chamada de Classe.
Para determine o nmero de classes faa o
clculo da raiz quadrada do nmero total de
dados n.
Com muita frequncia o resultado
apresentar decimal, como estamos falando do
nmero de colunas ento neste caso o valor
deve ser arredondado.

No. Classe = =


50,

48,8
50,1

48,8

1,3

6,98


35


Ento nmero de classes ser =
ou seja, 7 colunas !
4. Agora calcule a amplitude das classes; ou seja, o
intervalo que cada classe ter da amplitude
total.


Intervalo de classe = Amplitude (R)






=
No. Classe
5. Construa a tabela;
Inicie com o valor mnimo (48,8), em seguida
some o o intervalo de classe aproximadamente
(0,19).

Tabela 02 tabela auxiliar histograma I
TABELA DE SEQUNCIA
Classes Limites das classes Frequncia
1
48,80 T

48,99
2
48,99 T


3
T


4
T


5
T


6
T


7
T




total


Depois copie este valor na classe seguinte, depois faa
isso at a ltima classe, no exemplo, at a classe 7.

0,18

1,3

7


36




Tabela 03 tabela auxiliar histograma I
TABELA DE SEQUNCIA
Classes Limites das classes Frequncia
1
48,80 T

48,99
2
48,99 T

49,17
3
49,17 T

49,36
4
49,36 T

49,54
5
49,54 T

49,73
6
49,73 T

49,91
7
49,91 T

50,10


total
















Agora conte, um a um, valores esto no intervalo de classe 1.


IMPORTANTE:

Note que o final de uma
classe o incio de outra,
aquele smbolo que parece a
letra T deitada significa que
do lado I pertence e do
___ no pertence, quer
dizer, a classe 1 comea em
48,8 e vai at 48,98. A
Classe 2 comea em 49,99 e
vai at 49,16, assim por
diante.
37



Tabela 04 tabela auxiliar completa histograma I
TABELA DE SEQUNCIA
Classes Limites das classes Frequncia
1
48,80 T

48,99 5
2
48,99 T

49,17 7
3
49,17 T

49,36 9
4
49,36 T

49,54 5
5
49,54 T

49,73 12
6
49,73 T

49,91 7
7
49,91 T

50,10 3


total 48

3. Passo: Construir o histograma
Chegamos! Vamos traar o grfico. Marque na
horizontal as classes determinadas. No nosso caso, de
1 at 7.
Na vertical marque a frequncia com que os
dados foram distribudos em cada classe, veja que a
maior frequncia 12.
Construa o histograma, sendo a altura de cada
coluna o valor da frequncia da coluna

38



Tabela 04 - Histograma I

4. Passo: analisar o histograma atravs da
distribuio das classes.

Agora analisa comigo, olhe no histograma a
classe 1, classe 2, classe 3, opa!
Olha que estava indo tudo bem, de repente
entre a classe 3 e a 5 ocorreu um problema, esta
descontinuidade grave, por isso vamos dizer que a
distribuio no normal, no segue uma curva
normal.








39


Captulo IV - Para praticar Histograma






49,5 49,4 49,5 49,7 49,3 49,8 49,1 49,6
49,6 48,9 49,3 49,6 49,5 48,8 49,7 49,2
49,3 49,1 49,2 49,4 49,7 49,4 49,1 49,8
49,3 48,9 50,1 49,6 49,1 49,3 49,6 49,4
49,4 49,4 49,4 49,4 49,6 48,8 49,1 49,5
49,5 49,4 50,0 49,8 49,3 49,5 49,8 49,6
Tabela 05 histograma II



Novamente, algum foi at uma mquina, ou
um lote, fez 48 medies, anotou todas em uma
tabela e vai verificar que a distribuio destes dados
normal.

Agora um novo exemplo,
s para voc.
40


1. Determine o mximo e o menor valor;

Maior valor: Menor valor:


2. Calcule a amplitude dos dados (R=mximo -
mnimo);

R = - =

3. Determine o nmero de classes; sendo n o
nmero total de amostras.

No. Classe = n = =

4. Calcule a amplitude das classes;


Amplitude (R)
No. Classe
= =

Construa a tabela;
TABELA DE SEQUNCIA
Classes Limites das classes Frequncia
1
T



2
T


3
T


4
T


5
T


6
T


7
T




total
Tabela 06 tabela auxiliar histograma II
41



5. Agora voc est quase l.
Marque na horizontal as classes determinadas.
No nosso caso, de _____ at ______.

Na vertical marque a frequncia com que os
dados foram distribudos em cada classe, veja que a
maior frequncia ________.

Construa o histograma, sendo a altura de cada coluna o
valor da frequncia da coluna.
Ttulo_________________

















Depois copie este valor na classe seguinte, depois faa
isso at a ltima classe, no exemplo, at a classe 7.

42


Agora responda, o grfico indica uma distribuio
normal dos dados?










Sempre lembrando que
quando o processo no
apresenta distribuio
normal, est passivo de
falhas especiais e de
turbulncias que impedem a
implantao do CEP.... v
resolver estes problemas
antes de implantar o CEP!
43







V Medidas
separatrizes

Neste captulo sero abordados os temas:
Diferena entre estatstica descritiva e
inferencial.
Definio e clculo de mdia simples, desvio
padro.
Clculo do coeficiente de variao.
Conscientizar da necessidade de medidas alm
da mdia.
Exerccios.


44


O Captulo a seguir vai tratar de medidas
separatrizes e se o assunto aps este captulo ainda vai
estar longe de ser esgotado...

Espero que seja possvel a voc notar
como ao analisar-se um fato, devemos
obrigatoriamente avaliar somente o fato!
E seus indicadores e no nos deixar
levar pela nossa experincia no assunto,
ou por um resultado pr-julgado.
Quando estudamos qualidade o termo usado
para o caso anlise factual dos dados, mas como o
nosso assunto estatstica, vamos tratar os nmeros
que separaram partes como separatrizes.
Quando se realiza um censo como do IBGE, por
exemplo, mapeia-se uma populao e extrai dados que
descrevem esta populao, est parte da estatstica
chamada de estatstica descritiva.
Mas o objetivo do controle estatstico na
produo de uma empresa com apena um lote de
amostras dizer como est a produo e qual ser sua
tendncia, isto fazer uma inferncia, e por isso que
chamada de estatstica inferencial.
Estamos, falando de mdia, moda, mediana,
desvio padro, etc. destes voc conhece bem a mdia,
com ela que o aluno aprovado em uma disciplina,
mas se este o que voc conhece bem, e se leu at
aqui, quero que concorde que este um grave erro da
Sei que voc quer aplicar o
tal CEP, mas veja mais esta
teoria...

45


avaliao da educao, pois a mdia de 4 e 10 7, mas
voc acha correto somar o 4,0 de histria Nacional
com o 10 de invaso brbara na Etipia e dizer que o
aluno est aprovado com uma boa nota 7!
At aqui vimos que no podemos fazer isso na
produo, devemos definir o nosso universo amostral.
Mas se no seu trabalho voc j teve que atingir
metas de produo veja esta agora...
Calcule a mdia de produo das mquinas
abaixo nos quatro horas de produo indicados,
lembrando Mdia a somatria de todos os dados,
divididos pelo total de dados.
Meta de produo 20 peas/hora
Mquina

Produo por hora
1 2 3 4
Mdia
1 20 20 20 20 20
2 15 25 18 22 20
3 0 40 10 30 20

Tabela 07 Cap. V meta de produo

A produo foi um sucesso, a mdia das trs
mquinas atingiu o objetivo, todas com a mdia de 20
peas/hora. Mas claro que voc percebeu que a
mquina 1 apresentou menor variao do que a
segunda, e a terceira ento!

Para este caso gostaria de apresentar o desvio
padro, ele vai representar dentro de uma sequncia de
valores o grau de variao, olhando para nossa tabela,
aps calcularmos o desvio padro devemos chegar a
concluso que a primeira mquina no varia nada! Que
a segunda varia, e que a terceira varia muito mais...

x
x
n
=

46


Vamos calcular com o auxilio de uma tabela.
n valores x - x (x - x)
2

1 20 20 20 = 0 0
2

2 20 20 20 = 0 0
2

3 20 20 20 = 0 0
2

4 20 20 20 = 0 0
2

80 - 0
Tabela 08 Cap. V
meta de produo soluo I

Mdia = 80/4 = 20

Isto significa dizer que a variao dos valores com
relao mdia nula.


Agora vamos para a mquina 2
n valores
x - x (x - x)
2

1 15 15 20 = 5
(-5)
2
= 25
2 25 25 20 = 0
(5)
2
= 25
3 18 18 20 = 0
(-2)
2
= 4
4 22 22 20 = 0 (2)
2
= 4
80 - 58
Tabela 09 Cap. V meta de produo soluo II
Mdia = 80/4 = 20



S = 0, ento desvio
padro 0

0
3
0
4 - 1


S = 4,4, ento
desvio padro 4,4

58
4 - 1
58
3
47




Isto significa dizer que a variao dos valores
com relao a mdia vale 4,4 peas. Veja que o desvio
padro segue a mesma grandeza que os valores com os
quais foi calculado.

Finalmente vamos ver o valor do desvio padro para a
mquina 3, deve ser maior que 0 da primeira mquina,
e maior que 4,4 da segunda.

Tabela 10 Cap. V
meta de produo soluo III

Mdia = 80/4 = 20
Como esperado, ento desvio padro de 18,3
peas/hora na mquina 3 identifica que a produo
desta mquina muito menos confivel que das outras
duas.
O que se pode concluir deste exemplo que a
mdia de um valor por si s, no representa toda a
verdade dos fatos, quando combinamos o desvio
padro podemos falar com muito mais profundidade
dos fatos.
n valores
x - x (x - x)
2

1 0 0 20 = - 20 (-20)
2
= 400
2 40 40 20 = 20 (20)
2
= 400
3 10 10 20 = -10 (-10)
2
= 100
4 30 30 20 = 10 (10)
2
= 100


- 1.000



S = 18,3 peas por
hora.

1.000
4 - 1
1.000
3
48





Captulo V - Para exercitar Medidas
separatrizes
Agora com voc, vamos supor que forma medidos
quatro lotes de peas de ao, representados nos
quadros 1 at 4. Nele so apresentadas as medies da
espessura de 10 peas para cada lote.

A primeira parte calcular os desvios padres de cada
lote.
1 n x
i
x
i
- x (x
i
- x)
2


1 10


2 11


3 11


4 10


5 10


6 10


7 11


8 10


9 10


10 11


Mdia

-


Sigma


49





2 n x
i
x
i
- x (x
i
- x)
2


1 8


2 15


3 11


4 10


5 9


6 11


7 11


8 10


9 8


10 11


Mdia

-


Sigma


3 n x
i
x
i
- x (x
i
- x)
2


1 10


2 12


3 12


4 10


5 9


6 11


7 11


8 10


9 8


10 11


Mdia

-


Sigma

50





Agora aquela parte difcil, de avaliao dos
resultados...
5. Como voc interpreta os valores das mdias e os
resultados do desvio padro juntos?





6. Qual dos quatro dias foi o melhor? Claro, tem
que justificar!





4 n x
i
x
i
- x (x
i
- x)
2


1 9


2 14


3 9


4 9


5 12


6 14


7 10


8 9


9 8


10 10


Mdia

-


Sigma

Tabela 11 Cap. V conjunto de tabelas para calcular
Sigma
51


Clculo do coeficiente de variao.
Ento at agora vimos a mdia e o desvio
padro, mas gostaria de mostrar uma regra de trs que
mostra a porcentagem do desviou padro em relao a
mdia, para isso, vou voltar no exerccio das 20 peas
por hora.
Na mquina 2 a mdia encontrada foi 20
peas/hora e Sigma 4,4. Depois a mquina 3 onde a
mdia foi 20 peas/hora e Sigma 18,6.
Ento vamos calcular o percentual de variao.


Conseguimos o percentual de variao,
chamaremos isto de coeficiente de variao uma
medida relativa de variabilidade.
Veja se realmente acha importante o clculo de
CV, volte para o exerccio das peas de ao e determine
o CV da cada um dos quatro lotes, e note como bem
mais fcil avaliar os resultados, siga o exemplo.
Lote Sigma Mdia CV
1 0,52 10,4 5%
2
3
4
Tabela 12 Cap. V meta de produo calcular CV
Ficou bem mais fcil!
52








VI CEP por atributos

Este captulo apresenta finalmente a construo
de cartas de controle. Sero apresentadas as quatro
cartas de controle estatstico por atributo.
Carta c
Carta u
Carta p
Carta np
53




Vamos pensar em nossa primeira situao para
o controle estatstico de um processo, quando vezes o
controle de qualidade no realizado atravs de uma
unidade de medida, como peso, espessura,
temperatura, etc.
Em algumas situaes os produtos so avaliados
segundo o nmero de defeitos da pea avaliada. s
vezes qualificados como perfeitos ou defeituosos, ou
seja, o produto avaliado como se serve ou no para
seu uso, o que a qualidade chama de conforme e no
conforme.
Em ouras ocasies, existe a necessidade de
controlar o nmero total de defeitos em um lote de
peas.
Nestes casos, aplica-se o CEP por atributos
como ser visto.
Este captulo ser dividido em 4 partes.
As cartas u e c sero muito parecidas, como
parecidas as suas funcionalidades. Ambas servem
quando o controle for para saber quantos defeitos por
pea, ou por lote:
54


A Carta c quanto voc s tem o nmero de
defeitos totais.
A Carta u quanto voc tem os defeitos e o
nmero de peas avaliadas tambm.
As cartas p e pn so necessrias quando se quer
controlar os itens no conformes no lote:
A Carta p quando voc tem um nmero
controlado de peas e de defeitos no lote, e quer saber
quantos defeitos ocorrem por lote, sem que
necessariamente seja um defeito por pea.
A Carta pn quando voc tem um nmero
controlado de peas e de defeitos no lote, e quer saber
quantos defeitos ocorrem por lote, sendo que cada
defeito atribudo a uma pea.

Captulo VI.I - Controle simples de
defeitos (carta c)

Nesta primeira situao, quero comparar o
desempenho de 15 mquinas que produzem nas
mesmas condies de trabalho, o inspetor anota os
defeitos de todas as mquinas em no seu turno de
trabalho.
55


Mquina Amostras defeituosas (c)
1 12
2 8
3 6
4 9
5 10
6 12
7 11
8 16
9 10
10 6
11 15
12 9
13 16
14 10
15 5


1. Passo: Calcular a mdia de defeitos c
Some todos os valores de defeito e divida pelo nmero
n de amostras.



2. Passo: Calcular os limites da carta c
A nossa carta de controle ter um limite superior
e inferior de controle, em todo este livro voc ver:
LSC sendo Limite Superior de Controle
LIC sendo Limite Inferior de Controle
56


Neste momento vamos determinar estes limites atravs
destas frmulas:
LSC
c
= c + 3.
LIC
c
= c - 3.
LSC
c
= 10,33 + 3. = 10,33+3.3,21
=10,66+9,64=
LIC
c
= 10,33 - 3. = 10,33-3.3,21 =10,66-9,64=
LSC
c
= 19,977 defeitos
LIC
c
= 0,069 defeitos
3. Passo - Fazer a carta c
Agora estamos prontos para o grfico, este
grfico ter 15 pontos, porque se escolheu a tomada de
15 valores.
Que fique claro que o nmero de pontos ser o
nmero n de itens avaliados.
Sem os limites, seria um simples grfico de
57


linhas:
At agora se nota que os defeitos variaram de
uma mquina para outra. Vamos para o prximo passo.
4. Passo Finalizar a carta c

Agora eu posso concluir comparando os valores
a mdia, quais mquinas apresentam mais ou menos
defeitos, dentro das que apresentam mais defeitos,
qual a pior, dentro das que apresentam menos defeitos,
qual a melhor.
Em seguida apresento uma possibilidade para a
apresentao da sua carta de atributos C, muito
comumente usadas em programas de CEP.

58



E nossa carta ficaria ento assim:
59


5. Anlise da carta c
Lembrando que os valores apresentados na
carta representam defeitos, o grfico c ideal seria uma
linha reta junto a linha zero. Mas como isso no
acontece (se acontecesse nem precisaria deste
controle), todos os resultados apresentado so
potencialmente ruins.
O trabalho da anlise se concentra em encontrar
maneira de repetir os melhores valores e de inibir as
causas (captulo 3) do piores resultados.
O melhores pontos da carta so 3 e 10.
Voc pode verificar que dos 15 pontos do
grfico, metade deles esto acima da mdia de
defeitos, sendo que os pontos 8, 11 e 13 foram os
piores resultados.
60






Captulo VI.I Para praticar - Controle
simples de defeitos (carta c)

Matemtica no se aprende s na teoria! Faa um para
ver se entendeu:
Uma empresa produz rtulos para uma srie de
grandes empresas do ramo alimentcio e de bebidas
entre outros, um controle feito por amostras, escolhe
aleatoriamente algumas caixas de rtulos que sero
enviados no prximo dia, abre as caixas e mede os
rtulos segundo os dados de aceitao fornecidos pelo
cliente. Foram feita as contagens de 15 caixas
apresentadas abaixo.
Mquina Defeitos (C)
1 8
2 8
3 6
4 9
5 10
6 12
7 12
8 14
9 12
10 6
11 14
12 10
13 16
14 10
15 12
C

61


1. Inicie calculando a mdia






2. Depois calcule os limites superiores e
inferiores






3. Faa o grfico com o nmero de amostras
4. Adicione os limites calculados
62



5. Como voc acha que foram os resultados
deste teste?









Captulo V.II - Controle simples de
defeitos (carta u)
Espero que voc tenha entendido o objetivo da
Carta c, pois se sim, a carta u ser muito semelhante,
quase igual, a diferena que usamos a carta u quando
o nmero de amostras aqui chamado de n, pode variar.
Por conta desta variao vou acrescentar mais
uma varivel na frmula.
S para nos aproximarmos de uma situao
real, vamos supor um controle de inspeo em uma
empresa de prteses dentrias. Cada caixa contem
dezenas de prteses a serem enviadas para todas as
partes do pas.
O inspetor fez uma srie de anlises no primeiro
dia, ele verificou 17 caixas e encontrou 22 defeitos, no
segundo dia avaliou 15 caixas e encontrou 25 erros,
dos mais variados, mas que se caracterizavam como
falha.
Por fim preferiu montar uma tabela para auxili-
lo e fez o mesmo, por escolha prpria, prosseguir no
trabalho por 15 dais seguidos, chegando a seguinte
tabela.

63


dia lotes de inspeo (n) defeitos (c)
1 17 22
2 15 25
3 16 17
4 15 18
5 16 37
6 13 29
7 15 21
8 18 17
9 15 20
10 14 25
11 15 8
12 15 24
13 19 29
14 15 18
15 13 22
Mdia

Note como parece com a carta anterior, apenas
aumentou a coluna com o nmero de amostras!

1. Passo: Calcular a mdia de defeitos n
Some todos os valores de amostras (aqui no nosso caso
so caixas, mas podem ser lotes, ou qualquer outra
diviso realizada durante a produo) e divida pelo
nmero de vezes que foram feitas as analises.



64


2. Passo: Calcular o ndice de defeitos u.
Ser determinado pela diviso entre os defeitos
(c) e o nmero de lotes inspecionados (n).

Isso quer dizer que ocorrem 1,29 defeitos por
caixa.

dia Lotes de inspeo (n) defeitos (c) ndice u
1 17 22 1,29
2 15 25 1,67
3 16 17

4 15 18

5 16 37

6 13 29

7 15 21

8 18 17

9 15 20

10 14 25

11 15 8

12 15 24

13 19 29

14 15 18

15 13 22

mdia 15


65


Concludo todas as divises:
dia Lotes de inspeo (n) Defeitos (u) ndice u
1 17 22 1,29
2 15 25 1,67
3 16 17 1,06
4 15 18 1,20
5 16 37 2,31
6 13 29 2,23
7 15 21 1,40
8 18 17 0,94
9 15 20 1,33
10 14 25 1,79
11 15 8 0,53
12 15 24 1,60
13 19 29 1,53
14 15 18 1,20
15 13 22 1,69
n
15


Para terminar esta tabela e seguir, necessrio
calcular a mdia dos ndices de u, atravs da soma de
todos os ndices e dividido pelo nmero n de testes.

= 1,45

66


3. Passo: Calcular os limites da carta u
A nossa carta de controle ter um limite superior
e inferior de controle, lembrando:
LSC sendo Limite Superior de Controle
LIC sendo Limite Inferior de Controle
Neste momento vamos determinar estes limites atravs
destas frmulas:

LSC
u
= u + 3.
LSC
u
= 1,45 + 3. = 2,37
LIC
u
= u - 3.
LIC
u
= 1,45 - 3. = 0,53
Foi um pouquinho mais trabalhoso determinar os
limites mesmo!

3. Passo - Fazer a carta u
Com a mdia e os limites estamos prontos para
o grfico, este grfico ter 15 pontos, pois foram feitas
15 amostras.
Com os 15 ndices defeito u temos o grfico de
linha:
67



Em seguida adicionar os limites de controle e a
mdia
68


E chegamos ao fim da carta u, vou agora sugerir
um formulrio para uso:

E o formulrio devidamente preenchido:

69


Agora um aviso que vale para todas as cartas por
atributo:
As vezes o limite inferior pode ser negativo,
neste caso, o valor a ser utilizado deve ser zero.

Voc ainda lembra qual o objetivo desta carta?
Ela mostra a relao entre o nmero de amostra
de defeitos encontrados nas amostras, sendo as
amostras composta de uma quantidade pr-definida.
A Carta u ideal seria aquela que no
apresentasse defeitos, pena isso no ser to comum,
ento neste tipo de carta quero mostrar dois pontos
para voc que indico na carta.
O ponto A o mais alto, quer dizer que teve o
maior nmero de defeitos, no caso deste ponto ruim,
foram 37 defeitos! Este sem dvida deve ser estudado.
O ponto B foi o mais baixo, quase passou o
limite de controle inferior, mas isso foi muito bom, pois
ao contrrio do ponto ruim, este ponto apresentou 8
defeitos!
Temos que descobrir como fazer mais ponto B e
como erradicar as causas provenientes dos defeitos do
ponto A

70









Captulo VI.II - Para praticar - Controle
simples de defeitos (carta u)

Exerccio proposto para consolidar seus
conhecimentos.
Como voc j devia imaginar, agora gostaria de
propor um exerccio para sua total compreenso:
Vamos agora supor que uma empresa que
produz materiais feitos de plstico injetado quer
submeter-se ao controle estatstico e que neste
controle seja feito um teste de funcionalidade, assim, a
pea pode apresentar um ou mais defeitos que
comprometem sua qualidade.
S como exemplo, vamos supor que o inspetor
pode em um dia de trabalho fazer entre 20 at 25
testes em lotes de produo.
Veja que no se sabe se ocorreu em uma s
pea, ou se ficou distribudo entre a amostragem.
Apresento a seguir a tabela criada atravs
destes dados:


71



dia Amostras (n) defeitos
1 25 15
2 25 14
3 21 14
4 21 15
5 25 12
6 25 12
7 25 8
8 23 11
9 23 9
10 22 10
11 25 8
12 25 13
13 21 17
14 25 18
15 25 20

Proponho seguir os passos abaixo:
1. Passo: Calcular a mdia de defeitos n





72



2. Passo: Calcular o ndice de defeitos u e sua mdia
dia Amostras (n) defeitos U
1 25 15
2 25 14
3 21 14
4 21 15
5 25 12
6 25 12
7 25 8
8 23 11
9 23 9
10 22 10
11 25 8
12 25 13
13 21 17
14 25 18
15 25 20
Mdia n Mdia u

3. Passo: Calcular os limites de controle
LSC




LIC



73






4. Passo: Montar a ficha de CEP
5. Passo: Montar o grfico


6. Passo: Avaliar a carta u comente sobre suas
impresses sobre este controle, quais pontos foram
ruins, quais foram bons, sua viso geral sobre os 15
pontos apresentados pela carta u.








74


Est na verdade a segunda parte deste
captulo, pois a primeira tratava de controles baseados
em peas com um ou mais defeitos.
Nesta nova situao ou sim ou no!
Quando a pea apresenta um defeito caracteriza
uma pea no conforme e no est aprovada.

75


Captulo VI.III - CEP por atributos -
CARTA p
Voc vai usar a carta p quando o controle for do
tipo sim ou no, serve ou no serve.
Em uma determinada indstria de filtros
automotivos, diariamente so obtidas amostras de
produtos acabados que so classificados quanto
presena ou no irregularidades, elas so classificadas
em vrios tipos, como deformaes, colorao,
gramatura, dimenso, etc.
A inteno do controle comparar o percentual
de falhas produzidas nestes lotes examinados,
comparando os lotes entre si.
Nesta carta vamos determinar p que ser a
frao defeituosa como voc ver.
dia Amostras (n) defeitos p
1 200 22

2 200 25

3 200 17

4 200 18

5 200 37

6 200 29

7 200 21

8 200 17

9 200 20

10 200 25

11 200 8

12 200 24

13 200 29

14 200 18

15 200 22

76










No primeiro dia foram contados 22 defeitos, no
segundo 25 defeitos, assim por diante.
Vamos formao da carta p de CEP por
atributos.

1. Passo: Calcular o ndice de defeitos por dia
Faa a diviso entre os defeitos e o lote
Primeiro do lote de amostra n. 1
p= = 0,110
Este valor indica de 11% do lote apresentou
defeito.
Assim vamos para o lote n . 2
p= = 0,125
Foram testadas
diariamente 200
peas, durante
15 dias.

Em seguida foram
contados os defeitos
presentes em cada lote
de 200 peas.

77


Este valor indica de 12,5% do lote apresentou
defeito, ou seja, um ndice maior que o primeiro lote de
amostras.
Calculando todos os lotes nossa amostra vai
ficar assim:

dia Amostras (n) defeitos p
1 200 22 0,110
2 200 25 0,125
3 200 17 0,085
4 200 18 0,090
5 200 37 0,185
6 200 29 0,145
7 200 21 0,105
8 200 17 0,085
9 200 20 0,100
10 200 25 0,125
11 200 8 0,040
12 200 24 0,120
13 200 29 0,145
14 200 18 0,090
15 200 22 0,110

2. Passo: Calcular a mdia de defeitos p,
chamado de p
p = =

78


3. Passo: Determinar os limites da carta p
Os limites sero calculados de modo similar as
outras cartas, veja como calcular os limites superiores
e inferiores.
p
= e
p
=
Sendo a mdia p=0,111 e n=200, vamos ter:
p
= = =
p
=
p
= = =
p
=
Pronto, agora podemos ir para a carta p.

4. Passo: Carta p
Monte um grfico de linhas com base nos ndices
p do passo 1. Passo.
79



Ainda s um grfico de linhas...




Calma... Agora com os limites LSC e LIC e mdia p:
Nossa.. Quanta
pacincia! Ainda voc
fala s!
80



5. Passo: Formulrio da Carta p
Como anteriormente quero mostrar um
formulrio que pode ser usado em sua empresa:
81



E nossa carta p (finalmente) est aqui:

6. Passo: Avaliao da Carta p
Sei que voc est achando que acabou,
verdade, mas agora falta a leitura da carta p. Vamos
avaliar os resultados encontrados nesta anlise.
Talvez seja natural pensar que um bom controle
de processo seja quando todos os valores se
aproximam da mdia, mas nesta carta este
pensamento no funciona, pois o timo um ndice
perto de zero, ruim todo valor maior que zero, quanto
maior o ndice, mais indesejado seu resultado.
Veja o ponto A, indica que no 5. dia de
medies, como todos os dias foram medidas 200
peas, mas o nmero de defeitos foi superior (37) o
82


que resultou no maior e pior ndice p (0,19) ou seja
19% de defeitos, claro que o valor muito superior ao
normalmente encontrado e s aparece aqui como forma
didtica, mas fique claro que este foi o pior ponto!
J o ponto B est fora do limite inferior, mas
neste caso isso no notcia ruim, o melhor ndice do
controle com 8 defeitos em 200 peas avaliadas.
Dentre tantos dados que nos fornece a carta p,
tambm se pode verificar a variabilidade do processo,
no caso olhe o grfico, est regular ou irregular? Est
tanto para cima como para baixo no ?
Devida a esta irregularidade, no se pode
encontrar uma tendncia do processo, de melhoria ou
no.
Agora continuar controlando e atuar nos
problemas que causam, por exemplo, o ponto A.
Tomei o cuidado de apresentar os mesmo
valores de defeitos tanto na carta u como na carta p,
veja como a carta em si ficou similar.

83






Captulo VI.III Para praticar - CEP por
atributos - CARTA p

Gostaria agora de apresentar uma nova situao
para sua prtica.
Uma empresa que fabrica ventiladores optou por
fazer o controle de 350 ventiladores por dia, os
ventiladores foram escolhidos regularmente durante o
dia e esta forma de tomada de amostras segue por
todos os dias do controle.
Como para a empresa o produto que apresenta
um ou mais defeitos igualmente no conforme, a
carta ideal a carta p.
Sugiro seguir os passos como no exerccio
desenvolvido anteriormente.
84



Dia Amostras (n) Defeitos p
1 350 15

2 350 14

3 350 14

4 350 15

5 350 12

6 350 12

7 350 8

8 350 11

9 350 9

10 350 10

11 350 8

12 350 13

13 350 17

14 350 18

15 350 20


mdia

85



1. Complete a tabela com o ndice p para todos os
dias avaliados.







2. Calcule a mdia dos ndices.








3. Determine os limites superiores (LSC) e
inferiores (LIC) de controle.

p
= e
p
=






86



4. Finalmente aplique os valores na carta p

5. Finalmente documente aqui suas concluses
sobre a carta p









87


Captulo VI.IV - CEP por atributos carta p
Nesta nova situao, apresento um novo
problema muito frequente do dia a dia de um controle
estatstico, quando a empresa recebe diferentes
tamanhos de lote para anlise, tima seria se isso no
acontecesse, sendo todos os lotes de amostra idnticos
facilitaria muito o trabalho estatstico.
Mas no vamos nos preocupar, pois o mtodo que
deve ser criado para uma situao de anlise, e no,
mudarmos o processo para adequao ao sistema de controle.
Ento esta carta pode ser usada para lotes
inconstantes, como os que vimos nos controles de
entra e sada de material, ou produes irregulares.
Se caso voc chegou at este captulo atravs
do captulo anterior, vou adiantar, a nica diferena
ser que temos que fazer a mdias das amostras que
realizados os testes (n), de resto ser tudo igual.
dia Amostras (n) defeitos p
1 210 12
2 212 21
3 195 17
4 197 18
5 200 17
6 205 29
7 202 26
8 199 20
9 197 20
10 189 21
11 200 8
12 200 9
13 205 14
14 202 14
15 200 22


88


Tabela 13 Cap. VI carta p
A tabela representa a coleta de 15 amostragens,
note que as amostragens foram retiradas neste caso de
aproximadamente 200 amostras cada, pois, como j
dito, neste caso no obrigatrio que sejam todas do
mesmo tamanho j que a carta vai levar em conta o
percentual p de defeitos.
1. Passo Calcular o ndice de peas defeituosas
ou seja, 5,7% das 210 amostras
apresentam defeitos
ou seja, 9,9% das 210 amostras
apresentam defeitos
At o completar a tabela...
dia Amostras (n) defeitos p
1 210 12 0,057
2 212 21 0,099
3 195 17 0,087
4 197 18 0,091
5 200 17 0,085
6 205 29 0,141
7 202 26 0,129
8 199 20 0,101
9 197 20 0,102
10 189 21 0,111
11 200 8 0,040
12 200 9 0,045
13 205 14 0,068
14 202 14 0,069
15 200 22 0,110

Tabela 14 Cap. VI carta p solu0
89


A tabela representa a coleta de 15 amostragens,
note que as amostragens foram retiradas neste caso de
aproximadamente 200 amostras cada, pois, como j
dito, neste caso no obrigatrio que sejam todas do
mesmo tamanho j que a carta vai levar em conta o
percentual p de defeitos.
2. Passo Calcular a mdia de p (p)


3. Passo Calcular a mdia de n (n)

4. Passo Calcular os limites de controle
Anote ai:
LSC o limite superior de controle e
LIC o limite inferior de controle.
Para determinao utilize as duas frmulas
abaixo.
p
= e
p
=
Por favor, compare com a frmula do item 6.3, o
item trata de amostras com o mesmo tamanho, neste
nosso item os lotes so irregulares e temos que calcular
90


a mdia das amostras (3. Passo) que a nica
diferena nos clculos.
Calculando o limite superior de controle:
p
= =

p
=

p
= =

p
= =

p
=
Calculando o limite inferior de controle:
p
= =

p
=

p
= =

p
= = =

p
=

5. Passo - Fazer nossa carta p de CEP
Para isso faa um grfico de linhas usando os
valores de p que voc calculou.
91




Tabela 15 Cap. VI Grfico carta p
At agora s um grfico de linha, vamos
transforma-lo em uma Carta p, para isso indique no
grfico os valores da mdia de LSC
p
e LIC
p
.

LSC
p



X

LIC
p

92


Aqui segue uma sugesto de formulrio.

E a carta p com o uso deste formulrio sugerido:

93


6. Passo Avaliao da Carta p
Alguns livros explicam como voc deve
interpretar os dados apresentados na carta, seja ela
qual for eu no o farei isso, quem sabe o que
adequado ou no para a empresa voc.
Quero apenas apontar para trs pontos do
grfico:
Ponto A pontos prximos da mdia
A primeira vista, obter resultados prximos a
mdia parece bom, mas como a mdia, no caso da
carta por atributos aqui apresentada, significa defeitos
contabilizados, ento os pontos prximos da mdia
indicam regularidade do processo, que produziu o
mesmo ndice de defeitos por lote.
Ponto B pontos prximos do limite superior de
controle
Assim como mencionado acima, o ponto B
caracteriza o pior ponto da carta, pois em 205 peas,
foram contados 29 defeitos, gerando um ndice de
0,14, o maior de todos.
O estudo para diagnosticar o motivo deste
resultado ruim um timo caminho para a melhoria
dos ndices.
Ponto C - pontos prximos do limite inferior de controle
O ponto mostra um baixo nmero de defeitos no
lote, com o estudo das razes para este timo
resultado, 8 defeitos em 200 peas verificadas, que
podemos melhorar o processo.
94


Para utilizar estas informaes voc deve
dominar algumas ou todas as ferramentas de soluo
de problemas, vamos discutir isso depois!

CUIDADO !
Cada dia de coleta deve representar
adequadamente a qualidade dos produtos de um dia de
trabalho.
O grfico final representar a variao entre os
dias de produo, dando uma ideia de como o
desempenho do processo de altera ao longo do tempo.
95






Captulo VI.IV Para Praticar - CEP por
atributos carta p
Agora vou apresentar um exerccio para voc
checar se entendeu mesmo.
Na tabela a seguir so apresentados os dados
colhidos durantes 15 dias. Neles foram feitas 15
apontamentos de produo, seguidos do total de
defeito ocorridos em cada leitura.
1. Passo Calcular o ndice de peas defeituosas
dia Amostras (n) defeitos p
1 145 15
2 150 14
3 149 14
4 150 15
5 153 12
6 150 12
7 148 8
8 151 11
9 144 9
10 150 10
11 152 8
12 151 13
13 153 17
14 150 18
15 150 20


Total

96


Tabela 16 Cap. VI carta p exerccio
Complete a tabela acima calculando os ndices p de
defeitos
2. Passo Calcular a mdia de p (p)





3. Passo Calcular a mdia de n (n)





4. Passo Calcular os limites de controle
Anote ai:
LSC o limite superior de controle e LIC o
limite inferior de controle.
Para determinao utilize as duas frmulas
abaixo.
p
= e
p
=




97












Agora construa o grfico da Carta p


98



Agora faa a sua anlise da carta p
a. O grfico indica que o processo est sobre
controle? Quais suas impresses sobre o
resultado obtido na carta p?





b. Pode-se indicar uma tendncia para este
processo?








99


Captulo VI.V - CEP por atributos carta np

Finalmente termina com este tpico o captulo de
cartas de controle por atributo. Neste item irei
apresentar a carta np, que para quem chegou aqui
atravs do captulo anterior pouca coisa muda.
A carta np serve para controlar lotes com nmero
fixos de peas e quando cada pea apresenta um nico
defeito.
Ou seja, no importa se a pea tem mais de um
defeito, este controle indicar o nmero de peas
defeituosas.
Ento vamos ao exemplo:
Em uma empresa, so feitos testes de controle
dimensional por amostragem, a empresa decide ento
controlar a relao entre peas no lote e peas
defeituosas.
Neste controle a empresa avalia 20 lotes, todos
com 45 peas cada.
Com base neste controle chegou-se a tabela abaixo:

100



Lotes (k) Amostras (n) Defeitos (p)
1 45 5
2 45 8
3 45 12
4 45 9
5 45 7
6 45 6
7 45 6
8 45 5
9 45 6
10 45 9
11 45 7
12 45 6
13 45 6
14 45 7
15 45 10
16 45 9
17 45 8
18 45 8
19 45 9
20 45 8

Observando a tabela, sem nenhum clculo ainda,
posso notar que o nmero de defeitos regular, que o
menor nmero de defeitos foi no primeiro lote de
amostras e que o pior resultado foi no terceiro lote.
Espero te convencer que todo este trabalho
vlido pelo ganho visual, ao montar uma carta de
controle todos podem rapidamente visualizar o
andamento do processo a ser controlado.
101


Para elaborao da carta np vou seguir os mesmos
passos da carta p.
1. Passo. Calcular a mdia de defeitos no
controle (np)
Para calcular a mdia simples de defeitos, some
todos os defeitos do controle e divida pelo total de lotes
avaliados.
lotes (k) Amostras (n) defeitos (p)
1 45 5
2 45 8
3 45 12
4 45 9
5 45 7
6 45 6
7 45 6
8 45 5
9 45 6
10 45 9
11 45 7
12 45 6
13 45 6
14 45 7
15 45 10
16 45 9
17 45 8
18 45 8
19 45 9
20 45 8
Soma = 151 defeitos
102



np = =
Obtns-se: np = 7,6
2. Passo. Calcular os limites de controle
Os limites de controle para a carta ser
calculado com base no nmero de defeitos mdios e
ser simtrico, ou seja, os valores de controle para
cima e para baixo da mdia sero iguais.
LSC o limite superior de controle e LIC o
limite inferior de controle. Para determinao utilize as
duas frmulas abaixo.
np
= e,
np
=
Aplicando a formula tem-se:
np
= = =
np
=
np
=
Agora para o limite inferior, aplicando a formula tem-
se:
np
= = =
np
=
103


np
=
3. Passo. Construo da carta np
Partimos da montagem de um grfico de linhas
com base nos defeitos p apresentados na tabela de
tomada de dados.

E inserindo os limites de controle e a mdia de defeitos
np.
104




Sugiro aqui o uso deste formulrio ou que seja,
um padro de visualizao para todas as cartas np.

E finalmente a aplicao do grfico na carta np
105



Agora um aviso que vale para todas as cartas por
atributo:
As vezes o limite inferior pode ser negativo,
neste caso, o valor a ser utilizado deve ser zero.

4. Passo. Anlise da carta np
E como sempre, finalizo este tpico com a
avaliao dos resultados apresentados na carta np.
Espero que voc ainda se lembre de para que e
quando usamos a carta np, a carta np avalia quantos
elementos da amostra apresentam defeitos em lotes
com o nmero de elementos fixos.
Nesta anlise, como aconteceu em todas as
cartas por atributos, os pontos baixos so bons, e claro,
os pontos acima da mdia so sinais de preocupao
por parte do analista.
106


Ainda, pode-se avaliar a regularidade do
processo, avaliando quo reta ou no, a linha
apresentada pelos resultados da carta.
Terminando o captulo de CEP por atributos, e
acreditando que voc chegou at aqui atravs de um
rduo caminho carta a carta, vamos aprofundar o
assunto anlise.
Bom ou ruim depende de fatores que so
intrnsecos a cada processo, quando vejo o terceiro
ponto da carta acima, o mesmo apresentou 12 peas
defeituosas em um total de 45! Isso seria terrvel para
a maioria das realidades de produo, mas a melhoria
da qualidade vem de custos e investimentos que as
vezes o valor agregado ao produto no viabiliza.
A noo do resultado deve vir acompanhada do
conhecimento da proposta da empresa para o produto
avaliado e os estudos de melhoria engajados as
expectativas do cliente.
107






Captulo VI.V - Para Praticar - CEP por
atributos carta np
Agora com voc avaliar este processo.
So produzidos 1.000 ventiladores por dia em
uma empresa do ramo, optou-se por avaliar a relao
entre sua produo e o nmero de ventiladores com
defeito. Por convenincia estipulou-se que seriam
testados 12 lotes de 120 ventiladores cada.
E o resultado apresentado nesta tabela.
lotes (k)
Amostras (n) Defeitos (p)
1 120 8
2 120 8
3 120 9
4 120 7
5 120 7
6 120 7
7 120 9
8 120 9
9 120 12
10 120 10
11 120 10
12 120 13

108


1. Passo. Determine a mdia de defeitos (p).







2. Passo. Determine os limites de controle.
LSC o limite superior de controle e LIC o
limite inferior de controle.
Para determinao utilize as duas frmulas
abaixo.
np
= e,
np
=













109


3. Passo. Construa a carta np.

4. Passo. Avalie os resultados apresentados na
carta np.









110










VII CEP por Variveis

Ao final deste captulo voc poder:
Construir carta de controles das mdias.
Construir carta de controles das variveis.
Avaliar estas cartas.
Exercicios.

111




Este ser com certeza o captulo com mais
contedo do livro, no que seja o mais difcil, mas o
CEP como ser visto agora, apresenta na sua execuo
a carta das Mdias (
X
), a carta amplitudes (R) em
conjunto com o histograma, j visto.
Inicialmente deve ser considerada a coleta de
dados assim como visto no captulo de controle
estatstico por atributos, em seguida se faz necessria o
formatao de uma folha de coleta de dados, no existe
um padro conforme, a folha de coleta para as cartas
de controle devem focar a necessidade de cada
empresa.
O CEP por variveis quando os valores nele
indicados apresentam uma escala de unidades, em
nosso exemplo milmetros.
Ento, o operador que selecionou alguns dados
para a execuo do Histograma volta a atacar, agora
ele preparou os mesmos dados e vai realizar o CEP por
variveis.

Leituras realizadas

1 2 3 4 5 6 7 8
n

a
m
o
s
t
r
a
s

1 49,5 49,4 49,5 49,7 49,3 49,8 49,1 49,6
2 49,6 48,9 49,3 49,6 49,5 48,8 49,7 49,2
3 49,3 49,1 49,2 49,4 49,7 49,4 49,1 49,8
4 49,3 48,9 50,1 49,6 49,1 49,3 49,6 49,4
5 49,4 49,4 49,4 49,4 49,6 48,8 49,1 49,5
6 49,5 49,4 50,0 49,8 49,3 49,5 49,8 49,6
Tabela 17 CEP variveis
112


Lembre-se que ele j garantiu que esta
produo segue um curva norma, ento, visto os
pontos indicados, que precedem a implantao da carta
das mdias e das amplitudes, seguem os passas para
sua elaborao:
1. Clculo da mdia e amplitude de cada coluna.








2. Calcular a amplitude.
A amplitude chamada de R (range). Tambm
para cada coluna de dados.
R = X
mx
X
mn
= 49,6 - 49,3 = 0,3

1
n

a
m
o
s
t
r
a
s

1 49,5
2 49,6
3 49,3
4 49,3
5 49,4
6 49,5
Mdia 49,4
Amplitude 0,3



113


Fao o mesmo em todas as oito leituras,
lembrando que oito leituras com seis amostras cada
uma, foi at aqui um valor ao acaso.

Leituras realizadas (mm)


1 2 3 4 5 6 7 8
n

a
m
o
s
t
r
a
g
e
n
s

1 49,5 49,4 49,5 49,7 49,3 49,8 49,1 49,6
2 49,6 48,9 49,3 49,6 49,5 48,8 49,7 49,2
3 49,3 49,1 49,2 49,4 49,7 49,4 49,1 49,8
4 49,3 48,9 50,1 49,6 49,1 49,3 49,6 49,4
5 49,4 49,4 49,4 49,4 49,6 48,8 49,1 49,5
6 49,5 49,4 50,0 49,8 49,3 49,5 49,8 49,6
Mdia 49,4 49,2 49,6 49,6 49,4 49,3 49,4 49,5
Amplitude 0,3 0,5 0,9 0,4 0,6 1,0 0,7 0,6
Tabela 18 CEP variveis completo
3. Passo - Em seguida, calcular a mdia das mdias
(
X
)e as mdias das amplitudes (
R
) totais de cada
linha.


Mdia das mdias (
X
) = 49,4 mm
Agora falta a Mdia das Amplitudes (
R
)




114


4. Passo - Determine os limites da carta das
mdias.

Vou apresentar aqui o primeiro de dois modos
de se calcular este valor, o primeiro modo ser
quando no se tem o desvio padro, e ser realizado
com o uso de uma tabela, que servir tanto para a
Carta das mdias com para a carta das amplitudes.

Tabela de fatores para a carta CEP
N de
amostragens
Fatores da
carta X
Fatores da carta R
(n) A2 (Inferior) D3 (Superior) D4
2 1,880 0 3,268
3 1,023 0 2,574
4 0,729 0 2,282
5 0,577 0 2,114
6 0,483 0 2,004
7 0,419 0,076 1,924
8 0,373 0,136 1,864
9 0,337 0,184 1,816
10 0,308 0,223 1,777
Tabela 19 CEP variveis

Com base nesta tabela auxiliar vamos calcular
os limites de controle
X
. Tomamos o valore j
calculado da Mdia das mdias (
X
) = 49,4 mm e
mdia das amplitudes
R
= 0,6 mm

115


X
A
2
*
R

X
A
2
*
R



Veja que na frmula, s est faltando o valo de
A
2
, volte na tabela, como o nmero de amostragens
foi 6. Ento vamos olhar horizontalmente a tabela,
somente na linha 6 da tabela.


Tabela de fatores para a carta CEP
N de
amostragens
Fatores da
carta X
Fatores da carta R
(n) A2 (Inferior) D3 (Superior) D4
6 0,483 0 2,004
Tabela 20 CEP variveis resumo

Ento vamos calcular

X
A
2
*
R
= 49,4 +0,483 * 0,6 = 49,7
X
A
2
*
R
= 49,4 - 0,483 * 0,6 = 49,1

5. Determine os limites da carta das Amplitudes

4
*
R
= 2,004 *0,6 =1,253
*
R
= 0 * 0,6 = 0

6. Construa as cartas das mdias e das amplitudes.






Tabela 21 Cap. VII Resumo dos valores limites
Mdia total
X

49,4
LSC 49,7
LIC 47,1
Amplitude
R

0,6
LSC 1,253
LIC 0

116


7. Passo - Fazer a carta das mdias.

Neste passo vamos fazer a primeira carta, a
carta das mdias. Inicialmente, lance os oito valores
de mdia calculados no 2. Passo.

Tabela 22 - Grfico CEP variveis

Depois vamos colocar neste grficos os valores dos
limites, como os apresentados na tabela 21.

Tabela 23 - Grfico CEP variveis pronto.

117


8. Passo - Construo da carta das amplitudes.
Comeando por lanar os valores determinados na
tabela 18.


Tabela 24 - Grfico CEP AMPLITUDE.

Depois, assim como foi feito na carta das
mdias, lanar os limites determinados.

Tabela 25 - Grfico CEP AMPLITUDE pronto.

118


8. Construa o histograma. Este exerccio foi realizado
no captulo 04- e ficou assim.

Tabela 26 - Grfico CEP AMPLITUDE pronto.


9. Passo - Faa a anlise dos dados.

Terminado a produo agora s falta tudo!
isso mesmo, um grfico pode ser produzido atravs de
uma planilha ou um programa adequando, mas para a
sua sorte, a interpretao ainda parte humana do
processo.
Vamos ento para a Carta das mdias, vamos
neste primeiro passo, simplesmente ver se os valores
esto dentro dos limites de controle. Mais que isso, o
grfico ideal seria uma linha reta exatamente sobre a
reta das mdias. Note que se apresentou irregular,
longe de uma reta, e no ponto 2 quase passou do ponto
inferior, mas se manteve dentro dos limites.
Depois vamos discutir sobre a carta das
amplitudes, o grfico ideal das amplitudes seria um
grfico sem amplitude! Ou seja, um grfico com uma
linha reta horizontal junto ao zero.
119


Vendo a carta das amplitudes que
apresentamos, o melhor ponto foi o 1 e o piores pontos
foram o 3 depois o 6.
Olhando agora o histograma, ele foi o melhor
dos resultados, a curva apresentada foi um excelente
exemplo de curso de sino.
Ento terminado o histograma devemos
interpretar e garantir que o processo apresenta uma
distribuio normal, para simplificar, deve formar uma
figura que lembre algo com a letra v de cabea para
baixo, ou como voc ver adiante, a forma de um sino.
Se, no entanto, o resultado lembrar a letra M ou
a letra W, ou ainda, no apresentar subida, pico,
descida, mesmo que no totalmente simtrico, ento
pare tudo!

120




Gostaria de apresentar um formulrio para ser
usado na carta das mdias e amplitudes.
121


122








Captulo VII Para Praticar CEP por
Variveis

Agora proponho que voc faa as duas cartas de
CEP e faa a anlise dos resultados.
Veja que eu inverti a tabela, assim voc pode
notar mais esta possibilidade. Assim, troquei os
subgrupos que estavam na vertical para a horizontal, e
o inverso com o nmero de amostras.
Amostras
Subgrupos de amostragem (n) Mdias
1 2 3 4 5

X R
1 10,01 10,01 9,99 10,02 10,01
2 10,00 9,99 9,99 10,02 10,01
3 10,00 10,02 9,99 9,99 10,01
4 10,00 9,99 9,99 9,99 10,00
5 10,02 9,99 10,01 10,01 10,00
6 10,00 10,00 10,02 10,01 10,01
7 10,02 9,99 10,02 10,02 10,00
8 10,01 9,99 9,99 10,01 10,00
9 10,01 10,01 10,01 9,98 9,98
10 10,00 9,98 9,99 9,99 10,02
total
123



Cuidado quando for encontrar os valores de A
2
,
d
2
, D
3
, D
4
, o valor de subgrupos n ser 5.
Limites da carta das mdias.

X
A
2
*
R
= _________ +_________ x
_________ = ___________

X
A
2
*
R
= _________ +_________ x
_________ = ___________


Limites da carta das Amplitudes

4
*
R
= _________ x _________ =
___________

*
R
= _________ x _________ =
___________

Aqui uma tabela para resumir os dados encontrados at
aqui.
mdia total
X


LSC
x


LIC
x


Amplitude
R


LSC
R


LIC
R




124


C
a
r
t
a

d
a
s

m

d
i
a
s















C
a
r
t
a

d
a
s

a
m
p
l
i
t
u
d
e
s















Aps a elaborao das cartas faa a avaliao. Avalie a
carta das mdias.






125



Avalie a carta das Amplitudes.






Como determinao do desvio padro estimado



Para se estimar o valor do desvio padro vamos
utilizar a formula
2
d
R
= ,
Voc deve ter notado que, a mdia da amplitude
voc tem, que o sigma apareceu com um acento
circunflexo, isto sempre vai significar estimativa, e
depois que aparece um desconhecido que d
2
. Para
resolver este caso vou apresentar a mesma tabela 19,
mas desta vez com a coluna de d
2.
Use sempre que no tem o
sigma, e j testei, funciona
mesmo.
126


Tabela de fatores para a carta CEP
N de
amostragens
Fatores da
carta X
Estimativa
do
Fatores da carta R
(n) A2 d
2

Inferior
D3
Superior
D4
2 1,880 1,128 0 3,268
3 1,023 1,693 0 2,574
4 0,729 2,059 0 2,282
5 0,577 2,326 0 2,114
6 0,483 2,534 0 2,004
7 0,419 2,704 0,076 1,924
8 0,373 2,847 0,136 1,864
9 0,337 2,97 0,184 1,816
10 0,308 3,078 0,223 1,777
Tabela fatores completos
Agora aplicar a frmula e calcular o Sigma.
Sendo o valor de R = 0,6 mm, olhe na tabela e
veja qual o valor de d
2
quando se utilizam seis
amostragens como foi nosso caso, o valor de d
2
=2,534.
Agora encontrar o sigma estimado.
2
d
R
= =
Agora faa um teste:
Compare os dois mtodos, o
tradicional e o por estimativa...
Veja com legal aprender sozinho!
127









VIII CEP por
variveis (sigma)

Este captulo tem a seguinte proposta:
Apresentar uma nova maneira de apresentar a
carta das mdias atravs da do clculo de desvio
padro.
Comparar o mtodo do captulo anterior e deste.
128



Neste captulo que na verdade uma segunda
parte do captulo anterior, vamos encontrar os limites
da carta das mdias, desta vez vamos calcular atravs
do mtodo como foi inicialmente concebido por seu
idealizador Shewhart, atravs do clculo do desvio
padro.
Para prosseguir neste captulo voc precisa
antes ter conhecimento do que sigma, que
apresentado neste livro nos captulos 5 e 9.
Quando temos um processo garantido em 3
sigmas isto significa dizer que podemos com garantir
99,73% de certeza que o resultado ocorrer como
esperado.
Quando decidimos calcular os limites de controle
atravs deste conceito, ou seja a mdia 3. /n
(fique tranquilo, j vou demonstrar passo a passo este
conceito) os resultados do controle podem apontar
pontos falso no processo.
Para se imaginar esta falta de preciso gerada
ao se trabalhar com amostragens pode gerar um ponto
falso a cada 370 grupos, assim, se forem analisados 20
grupos por dia, poderia ocorrer um ponto falso em 20
dias de trabalho.









129


O captulo 7 tratou da determinao dos limites
inferiores e superiores atravs de tabelas auxiliares
calculadas a partir de clculos estatsticos que
permitem a estimativa destes valores de controle.
Este captulo mostra o primeiro conceito, criado
entre os anos de 1930 e 1940 por Walter Shewhart,
sem, no entanto nos aprofundar nos conceitos tericos
que o levou a desenvolver sua base de controles
estatsticos.
Vamos utilizar a mesma tabela de dados do
exerccio anterior, assim podemos verificar se nossa
avaliao muda quando mudados o mtodo de
determinao do Desvio padro ou Sigma.

Leituras realizadas (mm)


1 2 3 4 5 6 7 8
n

a
m
o
s
t
r
a
g
e
n
s

1 49,5 49,4 49,5 49,7 49,3 49,8 49,1 49,6
2 49,6 48,9 49,3 49,6 49,5 48,8 49,7 49,2
3 49,3 49,1 49,2 49,4 49,7 49,4 49,1 49,8
4 49,3 48,9 50,1 49,6 49,1 49,3 49,6 49,4
5 49,4 49,4 49,4 49,4 49,6 48,8 49,1 49,5
6 49,5 49,4 50,0 49,8 49,3 49,5 49,8 49,6
Mdia 49,4 49,2 49,6 49,6 49,4 49,3 49,4 49,5
Amplitude 0,3 0,5 0,9 0,4 0,6 1,0 0,7 0,6

A tabela apresenta o nmero de elementos do
subgrupo, ou seja, n=6, so 6 amostras a cada controle
feito.
Foram realizada 8 amostragens, ou se preferir, 8
lotes.
130


Total de 48 elementos analisados, com base
nestes valores pode-se ento determinar a mdia, os
limites superiores e inferiores de controle.
Com os 48 elementos da tabela calcula-se o
desvio padro, pode ser calculado como indicado no
captulo 05 sobre medidas separatrizes, mas dado ao
grande nmero de elementos, muito mais simples
utilizar uma calculadora ou uma planilha de dados.
Supondo que voc calculou a mdia e o desvio
padro destes 48 elementos voc deve ter encontrado
os valores de:
X = 49,42
= 0,29

Para calculo das linhas de limite vamos utilizar:
LSC = LIC =

Antes de calcular o valor final do limite, vou
calcular o valor do intervalo de 3 x :
Intervalo do controle = = 3 x = 3 x
0,0415 = 0,12
Logo os limites sero: mdia + 0,12 e mdia
0,12, ou aproximando os resultados:
LSC = 49,42 + 0,12 = 49,55
LIC = 49,42 - 0,12 = 49,30
131


E a carta das mdias ficaria assim:

Quando volto ao captulo anterior vejo que os
valores de controle mudaram muito pois aps
calculados este foi o resultado anteriormente calculado:

Veja os limites se apresentaram diferentes nos
dois modos de clculo, mas no pense que isto sempre
acontece, como o valor da mdia igual nas duas
frmulas:
Estimativa dos limites:
LSC
x
= e LIC
x
=

Determinao atravs do desvio padro:
LSC
x
= e LIC
x
=

132


Quando se usa o mtodo de estimativa dos
limites o valor da amplitude mdia (R) for alto, o limite
fica maior do que o limite pelo mtodo do uso de desvio
padro.
Quando maior for o valor do nmero de
elementos (n) no mtodo que determina os limites
atravs do desvio padro, menor ficam os limites.
Olha que importante!
Quando voc faz o controle de poucos
elementos, os limites so altos, mas quando voc
trabalha com muitos valores, a tendncia que se
paream mais uns com os outros, ento os limites de
controle diminuem.


133






Captulo VIII Para Praticar - CEP carta
x e carta R

Vamos praticar ento!
Um controle de variao foi preparado de modo
tal que cada lote apresenta 5 peas, foram feitas 10
amostragens com um total de 50 amostras.
Construa a carta das mdias atravs do valor do
desvio padro.
Amostras
Subgrupos
1 2 3 4 5
1 31,00 31,04 29,98 31,00 29,94
2 31,00 31,05 29,98 31,00 31,00
3 31,02 31,02 31,00 29,98 29,94
4 31,04 31,04 30,98 29,97 30,88
5 30,99 31,00 30,97 30,92 30,85
6 30,97 30,97 30,95 30,95 31,00
7 31,01 31,01 30,92 30,92 30,90
8 31,09 31,09 30,92 30,92 31,00
9 31,08 31,07 30,94 30,94 29,92
10 31,08 31,08 30,92 30,92 31,00

134


1. Passo Clculo das mdias
Inicie com o valor das mdias de leitura de cada
dia (X) atravs da soma dos cinco valores medidos no
dia, divididos pelo nmero de leituras (5).
X = =
Com os valores de amplitudes, a diferena entre
o maior valor e o menor valor da amostra.
R = maior valor menor valor = 31,04 29,94
= 1,10
A primeira amostra indicada na tabela abaixo.
Amostras
Subgrupos

1 2 3 4 5
X
R
1 31,00 31,04 29,98 31,00 29,94 30,59

2 31,00 31,05 29,98 31,00 31,00


3 31,02 31,02 31,00 29,98 29,94


4 31,04 31,04 30,98 29,97 30,88


5 30,99 31,00 30,97 30,92 30,85


6 30,97 30,97 30,95 30,95 31,00


7 31,01 31,01 30,92 30,92 30,90


8 31,09 31,09 30,92 30,92 31,00


9 31,08 31,07 30,94 30,94 29,92


10 31,08 31,08 30,92 30,92 31,00


mdias






135


2. Passo: Determinao do desvio padro
A frmula do uso a seguinte, mas como j dito, utilize
uma calculadora ou uma planilha de dados para
determinar este valor.







3. Passo- Calcular os limites atravs da frmula:
LSC
x
= e LIC
x
=
LSC






LIC





136



4. Passo- Carta das mdias
C
a
r
t
a

d
a
s

m

d
i
a
s
















5. Passo. Avaliao dos resultados. Comente aqui suas
concluses sobre os pontos da carta.






137









IX Curva de Gauss

Neste captulo voc ser apresentado
A curva de Gauss, tambm conhecida
como curva normal.
Como apresentar a curva normal de um
processo.
Como apresentar os trs sigmas.
Exerccios.
138


Este captulo trata de um assunto que foi to
falado at agora, a curva normal, s que agora afundo,
assim, e s assim, vamos poder ir com tranquilidade
para o prximo captulo que trata da capacidade do
processo.
Primeiro, a definio de o que ser normal, uma
pessoa normal, o significado de ser normal mudou
muito no decorrer da histria humana, e cada ver mais
rpido, uma pessoa normal nos pases mais ricos
normalmente mais obesa do que em pases mais
pobres.
Os jovens esto maiores hoje do que no
passado, ento a estatura normal hoje diferente do
que no passado.
As pessoas vivem mais atualmente, ento
mais normal ter uma idade avanada hoje do que no
passado.
este o significado que quero trazer para voc,
em um controle estatstico qualquer, a curva normal,
mostra onde esto a maioria dos dados.
Nele tambm podemos
encontrar os dados indesejveis,
como taxa de acidentes,
mortalidade, todos os tipos de
falhas.
Esta curva tem o formato
de um sino, por isso tambm ser
chamada de curva do sino, uma
propriedade importante deste
sino, que simtrica assim,
tudo que acontece de um lado
se repete no outro.
139


A importncia desta curva na estatstica
enorme, pois muitos outros controles convergem para
ela, e especificamente para o CEP e para a qualidade, a
curva ser chave para muitas anlises.

Escolhi apresentar a curva normal iniciando aps
voc ter calculado o desvio padro, o sigma, vamos a
um exemplo.
Anotei o tempo em que fiquei ao telefone
durante cinco ligaes.

tempo
das
ligaes
(x-x) (x-x)
2


1 10 1,8 3,24
2 8 -0,2 0,04
3 7 -1,2 1,44
4 7 -1,2 1,44
5 9 0,8 0,64
8,2 6,80





Ento cheguei a concluso que na mdia fico 8,2
min. por ligao e o sigma 1,30 min. Vejamos o que
quer dizer isso.
Vamos fazer o seguinte, sendo a mdia de
ligaes 8,2 min., vamos somar um sigma, depois, dois
sigmas, depois trs sigmas, depois de mesmo modo
subtrair.
140




Chegando a seguinte representao

Voc nota que quando somo e depois subtraio
um sigma da mdia, ao obter os valores 6,9 e 9,5 min.,
encontro os valores com o maior espao na curva do
sino?
Diz-se ento que a maioria das minhas ligaes,
entre 6,9 e 9,5 min., esto divididas simetricamente,
isto , metade para a direita metade para esquerda, ou
ainda um sigma para cada lado. Isto corresponde a
68,27% da rea total do sino, ou seja, quando fao
uma ligao, a probabilidade de demorar entre 6,9 e
9,5 min. de 68,27%.
141


Ento, 68,27% das ligaes que realizei, ficaram
entre 6,9 e 9,5 minutos, sento que metade delas ficou
entre 8,2 e 9,5 min., aproximadamente 34,13% e a
outra metade ficou entre 6,9 e 8,2 min., tambm
34,13% do tempo das ligaes.
Vou apresentar todos os percentuais presentes
na curva.

Agora consigo saber o tempo normal de uma
ligao, sei que dificilmente farei ligaes com menos
de 4,3 min. ou com mais de 12,1 min. Posso chegar a
infinitas concluses sobre o tema.
Atravs da curva de Gauss, ou de sino, ou curva
normal, posso agora saber como falo ao telefone, e
assim propor metas de melhorias.
Ficou claro como podemos fazer uso da curva
para a indstria, imagine como ela nos cerca, lembra-
se da definio de normal?
142


Ento quando temos os dados do peso normal
das pessoas, isso influencia na indstria txtil,
automobilstica, entretenimento, etc.
O mesmo acontecer com os jovens, eles sendo
normalmente maiores, os automveis seguiro esta
tendncia e logo mudaro seus padres de projeto.
Sabendo-se que a idade avanada cada vez mais
comum, os aparelhos eletrnicos, por exemplo, devem
se adequar, ou serem especiais, ao uso desta classe de
usurios.
Na indstria, saber os dados normais de
produo vital para a tomada de deciso, qualquer
que seja o campo.
Vamos fazer uma pequena pausa para checagem
Uma empresa recebe em mdia 20 reclamaes por
dia, o sigma foi de 2 ligaes. Determine os pontos da
curva normal para estes dados.
Resposta:
1. Vamos somar um a um os sigmas
Mdia = 20
Mdia + 1 = 20+2 = 22
Mdia + 2 = 20+4 = 24
Mdia + 3 = 20+6 = 26
2. Depois fazer o mesmo subtraindo o sigma
Mdia = 20
Mdia - 1 = 20-2 = 18
Mdia - 2 = 20-4 = 16
Mdia - 3 = 20-6 = 14
3. Representar a curva normal
143



1. Qual a probabilidade de termos mais de 18 e
menos de 22 reclamaes?
R: 68,27%
2. Qual a probabilidade de termos mais de 16 e
menos de 20 reclamaes?
R: veja que 16 at 20 metade de 16 at 25, ento,
metade de 95,45%, ou aproximadamente 47,73%.
3. Qual a probabilidade de termos mais de 20 e
menos de 26 reclamaes?
R: com o mesmo raciocnio aplicado anteriormente, o
intervalo entre 20 e 26 a metade, entre 14 e 26,
ento 20 at 26 metade de 99,73%.
Aproximadamente 49,87%.
14 16 18 22 24 26
20
144






Captulo IX Para Praticar - Curva de
Gauss
Agora voc confere se entendeu e entendeu e
ento eu gostaria de mostrar um pouco mais do que
possvel fazer com a curva.
Aps a medio do volume de algumas garrafas
de bebida identificou-se a mdia de 540 ml e um sigma
de 3 ml. Sabendo-se que a produo apresenta uma
curva normal.
1. Apresente os valores da distribuio normal:

145


2. Qual a probabilidade de uma garrafa ter mais de
534 ml e menos que 540?







3. Com 99,73% de certeza, quando abro uma
garrafa desta produo, quantos ml ela deve
apresentar?







Fala se essa curva normal no diz muito sobre o
processo?!
146






X Curva de Gauss
(Segunda parte).

Neste captulo ser discutida a seguinte situao,
como calcular a probabilidade de se produzir produtos
ou servios como se deseja, ou ento qual a
probabilidade de ocorrerem falhas no processo.
Para tanto ser utilizada uma tabela auxiliar,
chamada de tabela Z.
147



No sei se voc notou, mas at aqui todas as
nossas questes eram sobre um, dois ou trs sigmas,
para esquerda ou para direita da curva, mas se nossa
dvida for um valor que no exatamente estas
divises como podemos calcular?
Para isso vamos utilizar uma relao e uma tabela
auxiliar chamada de tabela da curva normal que voc
pode ver nos anexos.
Vamos lembrar a situao anterior, quando aps
a medio do volume de algumas garrafas de bebida
identificou-se a mdia de 540 ml e um sigma de 3 ml.
Sabendo-se que a produo apresenta uma curva
normal.
Eu quero saber qual a probabilidade da produo
apresentar garrafas com volume entre 530 e 545 ml.
Vou dividir a resposta em duas, da parte
esquerda at a mdia, depois da parte direita at a
mdia, ou a probabilidade de 538 at 540 ml, depois de
540 at 545 ml.
Voc ser agora apresentado a uma soluo
baseada na determinao do valor de Z, com este valor
vamos utilizar a tabela e ento determinar a
probabilidade.
Este valor de Z tambm chamado de Z score.
Parte I 538 at 540 ml.


148


Ento vamos encontrar na tabela normal o valor
Z=0,66
O valor inteiro e do segundo decimal 0,6,
encontro na tabela, na coluna do lado esquerdo...,
como o valor que procuro 1,66, na parte superior da
tabela encontra-se a segunda decimal deste valor
(0,06)
Na tabela da curva normal, verifico valor na
tabela normal:

Segunda cada decimal
Z
c
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 .....
0,0
0,1
0,2
0,3
0,4
0,5
0,6 0,24537
0,7

O valor ndice encontrado 0,24537, isto
significa que 24,537% de probabilidade das garrafas
estarem entre 540 e 545 ml.
Parte II 540 at 545 ml.


149


Ento vamos encontrar na tabela normal o valor
Z=1,66
O valor inteiro e do segundo decimal 1,6,
encontro na tabela, na coluna do lado esquerdo...,
como o valor que procuro 1,66, na parte superior da
tabela encontra-se a segunda decimal deste valor
(0,06)
Na tabela da curva normal, verifico valor na
tabela normal:

Segunda cada decimal
Z
c
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 .....
0,0
0,1
0,2
0,3
......
1,5
1,6 0,45154
1,7
1,8
...
4,1

O valor ndice encontrado 0,45154, isto
significa que 45,154% de probabilidade das garrafas
estarem entre 540 e 545 ml.
Concluso, a probabilidade de se encontrar
garrafas entre 538 ml e 545 ml a soma das
probabilidades das duas partes da curva, ento:
150


Resposta: probabilidade () 24,537% +
45,154% = 69,688%

Neste ltimo exemplo, vamos calcular a
probabilidade das garrafas conterem entre 542 ml e
544 ml. A dificuldade est em que as duas situaes se
encontram do mesmo lado (direito) da curva.
Todos os clculos devem sempre partir da
mdia, ento inicialmente calcule a probabilidade da
maior rea do sino, no nosso caso de 540 at 544 ml.





Ento vamos encontrar na tabela normal o valor
Z=1,33 que ser =0,40824 ou seja 40,824%.

540 ml
544 ml
151


Agora calcular a menor rea, que no nosso caso
o intervalo entre 540 e 542 ml.




Ento vamos encontrar na tabela normal o valor
Z=0,66 que ser =0,24537 ou seja 24,537%.
Quase acabando, gostaria ento de mostrar que
a rea que desejamos a diferena entre a rea maior
e a rea menor:


540 ml
542 ml
S nos resta :
Z = Z
1
Z
2
= 40,824% - 24,537% =
= 16,287%

152






Captulo X Para Praticar - Curva de
Gauss (Segunda parte).

Agora praticar, primeiro um exerccio bsico sobre
uma empresa grfica.
A referida grfica produz, segundo a ficha de
produto, certa folha que pesa 71 g/m
2
. Aps vrios
testes conclui-se que a mdia de gramatura da folha
era realmente 71 g/m
2
, mas que apresentava um
desvio padro de 0,2 g/m
2
.
1. Determine a probabilidade das folhas
produzidas estarem entre os valores de 70,9 e 71,1
g/m
2
.





2. Determine a probabilidade das folhas
produzidas estarem entre os valores de 70,75 e 70,90
g/m
2
.




153


3. Estarem acima de 71,1 g/m
2
.






4. Estarem entre de 71,15 e 71,25 g/m
2
.






5. Estarem entre de 70,85 e 71,20 g/m
2
.







154








XI Capacidade do
processo

Este captulo apresenta meios de se verificar se
os resultados apresentados pelo processo at o
momento podem garantir que tenhamos sucesso e
atingir o resultado esperado, ou seja, determinar a
capacidade de processo.
Ao final deste captulo voc ter passado pelos
conceitos de Cp e Cpk e teremos discutido estes valores
so importante para a qualidade do processo produtivo.

O captulo termina
com exerccios.
155



Inicialmente, vamos definir o que capacidade
do processo.
Eu tenho a capacidade de correr 2.000 m em 10
minutos, determinei isto ao realizar este teste algumas
vezes, notei, porm, que cedo corro melhor que aps o
almoo, ento noto que minha capacidade menor no
perodo da tarde, sem falar nos dias de chuva, que
dada a minha idade, prefiro no arriscar e fico em casa.
Se fizer o mesmo teste com uma pessoa de
mesma idade no mesmo percurso os resultados sero
diferentes, provavelmente melhores.
Assim sei que nossas capacidades so diferentes
e por tanto, os nveis esperados para ns dois sejam
diferentes.
Vejamos agora uma situao hipottica na linha
de produo.
Supondo que uma mquina produz 60
peas/min., ao final de 24 horas, deveramos ter 60
peas x 24 horas = 1.440 peas/dia, mas ao final do
dia so contadas no o total esperado, e sim 1.300
peas.
Mais que depressa algum calcula a eficincia do
dia, dividindo o valor real pelo esperado obtendo
aproximadamente 90% de eficincia, em seguida a
esses apontamentos, cobrando dos operadores maior
empenho.
Tambm com este valor, compara-se esta
produo com a produo do mesmo tipo de mquina
que se encontra ao lado desta, mas que neste mesmo
dia atingiu 89% de eficincia, e claro cobrando destes
156


operadores mais empenho para que se igualem aos
resultados de seus vizinhos.
Mas este caminho no correto, cada
equipamento e cada operao apresentam capacidade
diferentes de desempenho, e se ocorrer qualquer
interferncia (leia sobre a ferramenta espinha de peixe)
o valor da capacidade ser alterado.
Ento para que eu possa determinar quais sero
meus indicadores de produo e de qualidade, preciso
antes, calcular a capacidade do processo.
A capacidade do processo vai depender dos
valores esperados de projeto, estes valores de
tolerncia so comumente chamados de limites
especificados, por exemplo, dada uma certa medida de
100 mm, o projeto aceita uma tolerncia tal que a
medida seja 100 2 mm.
Indicamos ento:
LSE (limite superior especificado) = 102 mm
LIE (limite inferior especificado) = 98 mm
A variao total especificada 102 98 mm = 4
mm.
A variao total do processo toda variao da
curva de sino, trs sigmas para cada lado, ou seja, 6.
Vamos supor que fizemos vrias medies e
determinamos o sigma 0,5 mm.
O total de variao ser 6 x 0,5 = 3 mm
Seguindo este raciocnio noto que a variao
esperada era de 4 mm e a real foi de 3 mm e que isso
uma boa notcia.
157


Mas voc deve estar a espera de uma frmula
que relacione os valores especificados e os reais, aqui
est:
A capacidade de reproduzir a variao esperada
(Cp) ser:

Cp=1,333, ou seja, a capacidade maior que 1,0
(100%) 1,33 ou de 133% !
Cp a capacidade potencial do processo.

Assim a variao da curva normal real foi melhor
que a esperada, poderia ser assim:

variao
esperada
variao
real


O processo dito incapaz se o valor de Cp for menor
que 1,0.
158


variao
esperada
variao
real
Cp<1
Processo
incapaz



O processo capaz se o valor de Cp for igual a 1,0 e
menor que 1,33.
variao
esperada
variao
real
Cp=1,0
Processo
Capaz


variao
esperada
variao
real
Cp>1
Processo
capaz


159


O processo capaz e timo se o valor de Cp for maior
que 1,33.
variao
esperada
variao
real
Cp>1,33
Processo
timo




160






Captulo XI Para Praticar Capacidade
do processo

Faa uma pausa para verificao e calcule o valor de Cp
para as situaes propostas:
1. Uma ficha de produto determina entre outros, os
seguintes dados:
a. Largura da pea: 1.0152 mm
b. Espessura da pea: 8,00,1 mm
c. Distncia entre eixos: 8412 mm
d. Tempo de produo da pea: 623 seg.
Para estas medies foram encontradas as seguintes
variaes:
a. Largura da pea: = 1 mm
b. Espessura da pea: = 0,1 mm
c. Distncia entre eixos: = 0,6 mm
d. Tempo de produo da pea: = 1 seg.

a. Vou fazer o primeiro e o resto com voc:

LSE= 1015+2=1017
LIE = 1015-2 =1013
Agora veja se capaz de
resolver os exerccios abaixo.
161



O processo incapaz, ou sejam, abaixo de 100%.

b. Espessura da pea





Avaliao do processo Cp= Processo
c. Distncia entre eixos





Avaliao do processo Cp= Processo
d. Tempo de produo da pea






Avaliao do processo Cp= Processo
162


Ainda continuando este captulo
Determinao do Cpk

Muito pouco, quase nada novidade neste livro,
mas uma demonstrao seguir eu pessoalmente
nunca vi.
Voc calcula o Cp=1,0, ento o processo
classificado como capaz.
Assim, se os valores especificados fossem
5203 ml e Sigma=1ml
LSE= 520+3=523 ml
LIE = 520-3 =517 ml


Sendo assim, com a variao de =1 ml, t o
comemorada, e se eu disser que a mdia encontrada
fosse encontrada foi de 415 ml. Na verdade a variao
seria assim representada, atravs de suas duas curvas
normais.
163


variao
esperada
variao
real
415 ml 520ml
Como o Cp determina a razo entre a variao
esperada e a variao real, se faz necessrio uma
relao que avalie a centralizao entre a mdia
esperada e a mdia obtida durante a medio do
processo.
Este valor ser divido em duas partes, um valor
ir medir a proximidade das duas caldas esquerdas e o
outro das duas caldas direitas.
Temos ento Cpk, a capacidade de dos valores
estarem prximos inferior (Cpi) e superior (Cps) ser a
capacidade nominal do processo e vai determinar a
centralizao entre as mdias esperadas e realizadas.
Cpk (Cpi, Cps)
E iremos calcular estes valores utilizando as frmulas
Cps =
Cpi =
Vou voltar para os mesmos exemplos aplicados
em Cp para enfatizar a utilizao de cada um dos
valores a serem calculados. No exemplo os valores
especificados eram 5203 ml e Sigma=1ml,
acrescentando um dado, a mdia encontrada no
processo foi de 519 ml.
164


Como j visto, Cp ser:
LSE= 520+3=523 ml
LIE = 520-3 =517 ml


Agora o Cpk


Cpk=(1,33;0,67)
Representando graficamente seria assim:

Para entender o resultado a linha pontilhada a
curva da variao esperada, a linha contnua, a
variao real.
Note que na calda superior a variao real foi
menor que a esperada, o que justifica o valor de
Cps=1,33.
165


Na calda inferior, o valor mnimo esperado era
517 ml, mas o valor atingiu 516 ml, o que tambm
justifica que o Cpi=0,67 ou que 67% da parte inferior
da curva est dentro do esperado.
Vamos a um exemplo completo da determinao
da capacidade de um processo.
Uma empresa possui entre entras mquinas,
uma responsvel por cortar chapas. As especificaes
so que determinada chapa apresente um comprimento
de 3903 mm.
Com a mudana de uma faca de corte e do
fornecedor de matria prima, desconfia-se que a
capacidade do processo mudou.
Com a tomada de dados chegou-se aos
seguintes dados:
X
= 391 mm e =1 mm
Vamos calcular os valores de capacidade do
processo e verificar se as mudanas impactaram
negativamente no processo.
Como j visto, Cp ser:
LSE= 390+3=393 mm
LIE = 390-3=387 mm


O processo capaz!
Agora o Cpk
166




Cpk=(0,67; 1,33) ou seja, Cpi incapaz e Cps
timo, representando ficaria assim:


Gostaria que ao final deste captulo ao ver uma
curva normal, voc imagine que ela foi formada por
vrias classes (ver histograma) de produo at, de
forma normalmente distribuda, formar o grfico
abaixo.

167






Captulo XI Para praticar - Determinao
do Cpk

Quero propor um exerccio que j vale por trs,
na situao proposta vamos medir a capacidade de trs
diferentes mquinas, uma com dez anos de uso, outra
com cinco anos de uso, e a terceira foi comprada este
ano, a questo saber se todas podem atender os
nveis de qualidade e produo esperados.
As trs mquinas foram testadas nas mesmas
condies e os valores nominais so de 8155 g/m
2
.
Os resultados so os seguintes:
Mquina com 10 anos de uso
Mdia obtida
X
= 813 g/m
2
e
= 2 g/m
2









168


Cp= processo:
Cps= processo:
Cpi= processo:

Mquina com 5 anos de uso
X
= 816 g/m
2
e = 2 g/m
2








Cp= processo:
Cps= processo:
Cpi= processo:

Mquina nova.
X
= 816 g/m
2
e = 1,5 g/m
2






169



Cp= processo:
Cps= processo:
Cpi= processo:
Qual a concluso? Todas apresentam os mesmos
ndices de capacidade?











170








Captulo XII -
Determinao do
tamanho da amostra.
171


Uma ao preliminar e importante para o
controle estatstico do processo e colher amostras, o
meio de retirada de amostra garantimos o sucesso do
controle e determinamos o futuro do controle.
Vamos supor que uma mquina produz 1000
peas/hora quantas peas devem ser retiradas para se
garantir uma avaliao respeitvel da produo?
Apresento uma maneira para determinar este
valor:

O que significa cada um destas incgnitas:
n Nmero de elementos que devemos tomar para teste.
N Numero de elementos de produo total
Z
2
Nvel de confiana escolhido
p % de falhas do ocorrido
q % complementar
e
2
Erro mximo

No espere por uma explicao terica para a
soluo do problema, aqui trataremos de prticas para
determinar quantas amostras temos que retirar de cada
lote e somente isso.
N a produo total ou o tamanho do lote, por
exemplo, 1000 peas/hora.
Z o intervalo de confiana, para determinar
este valor ser necessrio o uso da tabela Z anexo no
final deste livro.
172


Veja se muito complicado, vamos supor que o
intervalo de confiana esperado seja de 95%.
Metade de 95 47,5, ento na tabela Z procure
pelo valor 0,475, o valor encontrado de 1,96.
O valor de p o percentual de falhas
apresentadas atualmente, no lote ou na produo
diria, por exemplo, 4%.
O valor de q o percentual da diferena entre o
percentual total e o valor de p, ou seja, 100% - 4%
ser de 96%.
E o erro mximo e admitido para o processo,
seja pelo cliente ou exigido pelo processo, por exemplo,
5%.
Assim teremos finalmente os valores necessrios
para nossa frmula:



este o mtodo que gostaria de apresentar,
gostaria ainda de fazer algumas ponderaes:
O valor escolhido de nvel de confiana de 95%
bastante comum, ele equivale a 2 sigmas,
apresentado no captulo 9, e por alguns chamado de
controle natural. Mas qualquer outro valor escolhido vai
implicar em mais ou menos amostras, o que implica em
impacto no custo da qualidade.
173


Para determinar o valor do percentual de falhas
do ocorrido, necessrio saber o total o total de peas
com defeito, depois, o total de produo ou total do
lote, depois realizar a diviso entre eles, por exemplo:


Agora se voc j tem o valor de desvio padro
apresentado no captulo 5, se a frmula anterior :


O desvio padro substitui o produto de p.q e fica
assim:


n Nmero de elementos que devemos tomar para teste.
N 1000
Z
2
1,96
S
2
Varincia populacional, e o valor calculado do desvio padro.
e
2
0,05
Vamos considerar os mesmos valores do exemplo
anterior, e que o valor do desvio padro calculado foi
de 0,1 mm.
174







175



Outro ponto de discusso vem agora,
Quando e como tirar as amostras para anlise.
De tantas maneiras possveis, apresento
algumas, de como podemos colher amostra:
Convenincia
Por julgamento
Por cota
Aleatria simples
Sistemtica
Estratificada
Por grupo

Todas apresentam pontos fortes e pontos fracos.
A amostragem por convenincia, aquela quando
so tomadas amostras do modo como se pode ser
tomada, por exemplo, somente de determinada
mquina, somente em certo horrio, tem como ponto
forte o menor custo e menor tempo, mas o principal
ponto fraco a ao tendenciosa dos resultados.
A amostragem por julgamento segue de acordo
com a escolha do pesquisador, quando voc considera
um determinado lote mais importante, certa mquina
mais velha, um produto a ser pesquisado. O ponto forte
continua sendo o baixo custo e a facilidade de colher
amostras, mas assim como a anterior, mas o resultado
pode ser generalizado para outras pesquisas e torna o
trabalho subjetivo.
Amostragem por cota, modo de colheita de
amostras bastante parecido com os anteriores, pode
176


ser utilizada em condies especiais, mas ainda no
garante representatividade em seus resultados.
Amostra do tipo aleatria simples bastante
utilizada por sua fcil compreenso e a possibilidade de
projetar os seus resultados a outras pesquisas, mas a
dificuldade de implantao a montagem de uma
estrutura amostral e a baixa preciso.
Amostragem Sistemtica realizada partir de
um regra rgida de escolha, aleatria, dos elementos,
apresenta-se mais simples que a amostragem aleatria
simples, mas no tem a mesma representatividade.
Amostragem Estratificada subdivide o universo
em subgrupos, extremamente precisa, mas exige
clculos complexos o que dificulta a implantao deste
processo amostral e torna muitas vezes, o custo da
qualidade invivel.
Amostragem por grupo, quando as amostras so
separadas por unidades primrias selecionados de
forma aleatria e por unidades secundrias, o ponto
forte a simplicidade de implantao e o ponto fraco
sua impreciso.
177


Captulo XII Para praticar

1. A empresa AKIEHBOM deseja determinar quantas
amostras devem ser retiradas de sua linha de
produo, para tanto, so extradas informaes
sobre cada produto conforme a tabela.
n Nmero de amostras



N Produo/hora 1.000 1.300 1.600 1.900 2.200
Z
2
Nvel de confiana 1,96 1,96 1,96 1,96 1,96
p % do ocorrido 0,04 0,04 0,04 0,04 0,04
q % complementar

e
2
Erro mximo aceitvel 0,05 0,05 0,05 0,05 0,05

Encontre o nmero n de amostras que devem ser
retiradas, utilize sua calculadora ou se preferir, uma
planilha eletrnica.
Lembre-se que q vale 1-p.
Utilize para tanto, a frmula para determinao de n:

n para 1000 peas/hora
n=____________________ = __________________=
n=____________________ = __________________=
n=

178


n para 1300 peas/hora
n=____________________ = __________________=
n=____________________ = __________________=
n=

n para 1600 peas/hora
n=____________________ = __________________=
n=____________________ = __________________=
n=

n para 1900 peas/hora
n=____________________ = __________________=
n=____________________ = __________________=
n=

n para 2200 peas/hora
n=____________________ = __________________=
n=____________________ = __________________=
n=

179


Comparando os valores de retirada de amostras
elas aumentaram muito de 1000 para 2200
peas/hora? Como voc pode justificar esta resposta?







2. Aps algum tempo de produo, a empresa
AKIEHBOM decide atualizar as quantidades de
amostras retiradas para anlises estatsticas. Pois
agora se pode determinar a mdia e o desvio padro
de seus produtos.
n Nmero de elementos


N Produo/hora 1.000 2.000 3.000 4.000 5.000
Z
2
Nvel de confiana escolhido 1,96 1,96 1,96 1,96 1,96
S
2
Desvio 0,5 0,5 0,5 0,5 0,5
e
2
Erro mximo 0,05 0,05 0,05 0,05 0,05

Encontre o nmero n de amostras que devem ser
retiradas, utilize sua calculadora ou se preferir, uma
planilha eletrnica.
Utilize para tanto, a frmula para determinao de n:



180


n para 1000 peas/hora
n=____________________ = __________________=
n=____________________ = __________________=
n=

n para 2000 peas/hora
n=____________________ = __________________=
n=____________________ = __________________=
n=

n para 3000 peas/hora
n=____________________ = __________________=
n=____________________ = __________________=
n=

n para 4000 peas/hora
n=____________________ = __________________=
n=____________________ = __________________=
n=


181



n para 5000 peas/hora
n=____________________ = __________________=
n=____________________ = __________________=
n=

Comparando os valores de retirada de amostras
elas aumentaram muito de 1000 para 5000
peas/hora? Como voc pode justificar esta resposta?









182



Agora vamos voltar aos exerccios 1 e 2, e fixar
a produo com um nico valor, e alterar os padres de
variao, vamos ver o que acontece:

3. A empresa AKIEHBOM deseja determinar quantas
amostras devem ser retiradas de sua linha de
produo, acredita-se que a produo a mesma
para todas suas mquinas mas o percentual de erro
varia de uma mquina para outra, esta situao
representada na seguinte tabela:
n Nmero de amostras



N Produo/hora 1.000 1.000 1.000 1.000 1.000
Z
2
Nvel de confiana 1,96 1,96 1,96 1,96 1,96
p % do ocorrido 0,03 0,04 0,05 0,06 0,07
q % complementar

e
2
Erro mximo aceitvel 0,05 0,05 0,05 0,05 0,05

Note que ocorre uma variao de 1% de uma coluna
para outra. Agora pegue sua calculadora ou monte uma
planilha para completar esta tabela.

Para p=3%
n=____________________ = __________________=
n=____________________ = __________________=
n=

Para p=4%
183



n=____________________ = __________________=
n=____________________ = __________________=
n=

Para p=5%
n=____________________ = __________________=
n=____________________ = __________________=
n=


Para p=6%
n=____________________ = __________________=
n=____________________ = __________________=
n=


Para p=7%
n=____________________ = __________________=
n=____________________ = __________________=
n=
184


Voc que j completou a primeira tabela, agora
compare com esta que acaba de calcular. Qual variante
mais importante para o nmero de amostras a serem
retiraras, a produo ou o percentual de falhas?









4. Para terminar este captulo vamos discutir a variao
que ocorre quando a produo se mantm constante
e seu desvio padro varia, esta situao
representada abaixo:
n Nmero de elementos


N Produo/hora 5.000 5.000 5.000 5.000 5.000
Z
2
Nvel de confiana escolhido 1,96 1,96 1,96 1,96 1,96
S
2
Desvio 0,10 0,12 0,14 0,16 0,18
e
2
Erro mximo 0,05 0,05 0,05 0,05 0,05

Encontre o nmero n de amostras que devem ser
retiradas, utilize sua calculadora ou se preferir, uma
planilha eletrnica.
Utilize para tanto, a frmula para determinao de n:

185


S=0,10
n=____________________ = __________________=
n=____________________ = __________________=
n=

S=0,12
n=____________________ = __________________=
n=____________________ = __________________=
n=

S=0,14
n=____________________ = __________________=
n=____________________ = __________________=
n=

S=0,16
n=____________________ = __________________=
n=____________________ = __________________=
n=


186



S=0,18
n=____________________ = __________________=
n=____________________ = __________________=
n=

Agora que terminou todos estes clculos, a
variao do desvio padro impacta fortemente no
resultado do nmero de amostras a serem retiradas?










187









Resposta dos exerccios
propostos neste livro








188


Captulo 02 - O pensamento Estatstico

1. Aqui o leitor deve encontrar no seu dia a dia
problemas causados pela ideia inicial do
produto, como a utilizao de uma mquina ou
matria prima que dificultam a execuo do
trabalho. O leitor ainda pode identificar
problemas causados pelo modo como a tarefa
executada desde que se iniciou.

2. Neste tpico pense em algumas das tantas
falhas que acontecem durante um dia de
trabalho, falta ou a falha de matria prima, falta
de pessoal, quebra da mquina e falhas
humanas.

3. Finalmente, aponte um problema que ocorre
com muita frequncia no trabalho, aquele que
voc sabe que vai acontecer.

4. Nesta questo voc dever ter ou um banco de
dados atualizado ou boa memria, deve se
lembrar de falhas menos frequentes daquelas
que indicou na questo anterior, mas que s
vezes acontecem.

5. E para terminar, esta questo pede um exemplo
de problema que ocorreu uma vez e no ocorreu
mais, talvez uma queda de energia ou algum
que passou mal durante o dia, uma quebra na
produo que aconteceu, mas dificilmente vai se
repetir.

189


Captulo 03. Escolha da amostra.
A produ1o dividida em duas mquinas e em trs
turnos de produo e ainda, digamos que a produo
seja padro de 1.500 filtros por hora, para qualquer
modelo.
Apresente um exemplo de:
1. O universo amostral representado por todos os
elementos de sua amostragem, por exemplo, se
escolher falar do primeiro turno de trabalho, o
universo amostral sero todos os filtros produzidos
pelo primeiro turno. Se dentro do primeiro turno de
trabalho voc escolher analisar as peas da
mquina 1. Ento o universo amostral passa a ser
todas as peas produzidas por esta mquina.

2. Amostra uma parte do universo, podem ser 20
filtros, um filtro por hora.

3. Amostragem cada unidade da amostra, no nosso
caso: filtro.

4. Varivel qualitativa pode ser a aparncia do filtro
quanto ao toque, cheiro, aparncia, etc. pode ser
representada por nmeros, um avaliador pode
classificar um item de 0 at 5.

5. Varivel quantitativa representada por uma
grandeza escalar, um centmetro, dois centmetros,
10g, 20g, etc. Ento escolha um item de anlise
como espessura ou altura e apresente as medies.

6. Pode sim ser universo e amostra, um lote pode ser
universo se a anlise for sobre este lote, mas pode
ser amostragem se forem analisados muitos lotes,
mas no pode ser amostra, esta a cada elemento
da amostragem.
190


Captulo 04 - Histograma
A tabela de frequncias
Classe Intervalo Frequncia
1 48,80
T

48,99 4
2 48,99
T

49,17 5
3 49,17
T

49,36 8
4 49,36
T

49,54 15
5 49,54
T

49,73 10
6 49,73
T

49,91 4
7 49,91
T

50,10 2

E o histograma

E a avaliao positiva, veja como as colunas sobem
at o meio do grfico, depois comeam a decrescer
gradualmente, formando a forma de um sino, o que
indica que os valores apresentam uma distribuio
normal.


191


Captulo 05 - Medidas separatrizes
1.
n x
i
x
i
- x (x
i
- x)
2
3. n x
i
x
i
- x (x
i
- x)
2


1 10 -0,3 0,16

1 8 -2,3 5,76

2 11 0,7 0,36

2 15 4,7 21,16

3 11 0,7 0,36

3 11 0,7 0,36

4 10 -0,3 0,16

4 10 -0,3 0,16

5 10 -0,3 0,16

5 9 -1,3 1,96

6 10 -0,3 0,16

6 11 0,7 0,36

7 11 0,7 0,36

7 11 0,7 0,36

8 10 -0,3 0,16

8 10 -0,3 0,16

9 10 -0,3 0,16

9 8 -2,3 5,76

10 11 0,7 0,36

10 11 0,7 0,36

Mdia 10 Sigma 2,4

Mdia 10 Sigma 36,4


2.
n x
i
x
i
- x (x
i
- x)
2
4. n x
i
x
i
- x (x
i
- x)
2


1 10 -0,3 0,16

1 9 -1,4 1,96

2 12 1,7 2,56

2 14 3,6 12,96

3 12 1,7 2,56

3 9 -1,4 1,96

4 10 -0,3 0,16

4 9 -1,4 1,96

5 9 -1,3 1,96

5 12 1,6 2,56

6 11 0,7 0,36

6 14 3,6 12,96

7 11 0,7 0,36

7 10 -0,4 0,16

8 10 -0,3 0,16

8 9 -1,4 1,96

9 8 -2,3 5,76

9 8 -2,4 5,76

10 11 0,7 0,36

10 10 -0,4 0,16

Mdia 10 Sigma 14,4

Mdia 10 Sigma 42,4
192


Parte 1
Lote Sigma Mdia CV
1 0,52 10,4 5%
2
3
4


Parte 2. Avaliao dos resultados.
5. Voc notou que propositadamente todas as
mdias encontradas forma 10? A ideia e
enfatizar a importncia do desvio padro
correlacionado com a mdia.
Uma mdia 10 com desvio padro de 1, significa
uma variao de 10%.

6. Os valores encontrados para os exerccios 1, 2,
3 e 4 foram respectivamente 0,5; 1,3; 2,0 e 2,2.
Um caminho para avaliao calcular o
percentual de variao em relao a mdia,
como voc pode notar, o desvio padro
aumentou a cada exerccio. No exerccio 1 a
variao foi de 5%, na questo 2 foi de 13%,
exerccio 3 20% e no ltimo 22%.
Assim o pior resultado foi o apresentado no
exerccio 4.







193


Captulo 06 CEP por atributos
Mquina defeitos (C)
1 8
2 8
3 6
4 9
5 10
6 12
7 12
8 14
9 12
10 6
11 14
12 10
13 16
14 10
15 12
C mdio 10,600

E a carta CEP a seguir:
194


Captulo 07 CEP por Variveis (Primeira parte).
LSC 10,02
LIC 9,98







Os resultados ficaram, com apenas uma exceo
para o 4. ponto, todos os valores tendem para 10. A
carta CEP apresentou trs indicaes acima da mdia
10,00, e outras mesmos trs indicaes abaixo da
mdia o pode-se concluir, apresenta at o momento
uma produo estvel.
Mas seguem duas observaes.
A avaliao da carta de CEP sempre que possvel
deve conter os valores de tolerncias solicitados para o
processo, como este exerccio no apresenta este
valores, a avaliao ser baseada nas tendncias
apresentadas pelo grfico.
Um grfico com apenas dez pontos uma
proposta didtica para quem est comeando seu
caminho pelo assunto, mas pouco representativa
dependendo do tamanho da produo a que se refere.
Amostras

Mdia
1 10,01
2 10,00
3 10,00
4 9,99
5 10,01
6 10,01
7 10,01
8 10,00
9 10,00
10 10,00
195


Captulo 08 CEP por variveis (segunda parte).

A avaliao do processo apresenta uma condio
instvel, o controle iniciou com valores abaixo do limite
inferior de controle, em seguida os valores aumentaram
at que no final da carta dois pontos ficaram acima do
limite superior de controle. Apenas os pontos 2, 4 e 9
estiveram perto da mdia dos valores. Importante voc
notar que se o controle fosse realizado pelos clculos
do captulo anterior ficariam assim:

Notou que agora muda tudo? E agora qual dos
controles aplicar? Esta pergunta fica por sua conta. A
rigidez do controle estatstico fica por conta das
necessidades e expectativas esperadas do controle de
processo.
196


Captulo 09 Curva de Gauss (primeira parte).
1. Distribuio da curva

Sigma esquerda da mdia

Sigma direita da mdia
3 2 1 3 1 2 3
531 534 537 540 543 546 549

2. Probabilidade de ocorrerem garrafas entre 534 e
540 ml.
Resposta: a metade da probabilidade entre dois
sigmas (95,45%) ou seja 44,73 %.

3. Ao se abrir uma garrafa do lote analisado, a
probabilidade de abrir uma garrafa que contenha
entre 549 e 531 ml de 99,73%.
197


Captulo 10 Curva de Gauss (segunda parte).
1. Para determinar a probabilidade das folhas
produzidas estarem entre os valores de 70,9 e 71,1
g/m
2
com o sigam de 0,2 g/m
2
, use a frmula do
Z score:


Com o uso da tabela temos 0,34134, ou seja,
34,134%, fala que voc percebeu que o valor 1,0
significa um sigma, ou seja, metade de 68,27. Se
estiver em dvida, veja a figura na pgina 104.
2. Para se determine a probabilidade das folhas
produzida note que inicialmente estarem entre os
valores de 70,75 e 70,90 g/m
2
, tem-se que notar
que os valores desejados esto esquerda mdia,
logo sero necessrios dois clculos com o auxilio do
z score.
Clculo do Z
1
e Z
2



e clculo do Z
2
.



Verificando na tabela auxiliar Z encontramos
Z1=0,45543 ou 45,543%
Z2=0,34134 ou 34,134%
Ento os valores entre Z1 e Z2= 45,543% - 34,134% =
11,409%

198


3. Para calcular a probabilidade das folhas de papel
estarem acima de 71,1 g/m
2
. s pensar que
metade da curva normal corresponde a 50%!

4. Estarem entre de 71,15 e 71,25 g/m
2
. Assim como
na questo 2, os valores esto para direita da linha
da mdia, vamos seguir analogamente:

Clculo do Z
1
e Z
2



e clculo do Z
2
.



Verificando na tabela auxiliar Z encontramos
Z1=0,11791 ou 11,791%
Z2=0,28814 ou 28,814%
Ento os valores entre Z1 e Z2= 28,814% - 11,791% =
17,023%

5. Estarem entre de 70,85 e 71,20 g/m
2
.
Clculo do Z
1
e Z
2

e clculo do Z
2
.

Verificando na tabela auxiliar Z encontramos
Z1=0,40320 ou 40,320%
Z2=0,19146 ou 19,146%
Ento os valores entre Z1 e Z2= 40,320% -
19,146%= 21,174%
199


Captulo 11 Capacidade do processo
Vamos fazer um estudo da mquina mais velha at a
mais nova.
Primeiro os clculos da mquina com 10 anos de uso:

LIE LSE
815 5 810 820 10 0,83 83%


6 sigma 12




2


Mdia Cps Cpi


813 1,17 0,50





3 2 1 813 3 2 1
807 809 811 815 817 819

Em seguida a mquina com 5 anos de uso.

LIE LSE
815 5 810 820 10 0,83 83%


6 sigma 12




2


Mdia Cps Cpi


816 0,67 1,00





3 2 1 816 3 2 1
810 812 814 818 820 822

E finalmente a mquina nova.

LIE LSE
815 5 810 820 10 1,11 111%


6 sigma 9




1,5


Mdia Cps Cpi


816 0,89 1,33





3 2 1 816 3 2 1
811,5 813 814,5 817,5 819 820,5
200


Captulo 12 - Determinao do tamanho da
amostra.
Exerccio 1
n Nmero de elementos 56 56 57 57 57
N Numero de elementos da populao 1000 1300 1600 1900 2200
Z
2
Nvel de confiana escolhido 1,96 1,96 1,96 1,96 1,96
p % do ocorrido 0,04 0,04 0,04 0,04 0,04
q % complementar 0,96 0,96 0,96 0,96 0,96
e
2
Erro mximo 0,05 0,05 0,05 0,05 0,05

Exerccio 2
n Nmero de elementos 278 322 341 351 357
N Numero de elementos da populao 1000 2000 3000 4000 5000
Z
2
Nvel de confiana escolhido 1,96 1,96 1,96 1,96 1,96
S
2
Desvio 0,5 0,5 0,5 0,5 0,5
e
2
erro mximo 0,05 0,05 0,05 0,05 0,05

Exerccio 3
n Nmero de elementos 56 68 80 91
N Numero de elementos da populao 1000 1000 1000 1000
Z
2
Nvel de confiana escolhido 1,96 1,96 1,96 1,96
p % do ocorrido 0,04 0,05 0,06 0,07
q % complementar 0,96 0,95 0,94 0,93
e
2
erro mximo 0,05 0,05 0,05 0,05

Exerccio 4
n Nmero de elementos 22 30 39 49
N Numero de elementos da populao 5000 5000 5000 5000
Z
2
Nvel de confiana escolhido 1,96 1,96 1,96 1,96
S
2
Desvio 0,12 0,14 0,16 0,18
e
2
erro mximo 0,05 0,05 0,05 0,05
201



ANEXO

Distribuio Normal
Padro Tabela Z




Segunda casa decimal de z
c

z
c
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,
0
0,000
00
0,003
99
0,007
98
0,011
97
0,0159
5
0,019
94
0,023
92
0,027
90
0,031
88
0,035
86
0,
0
0,
1
0,039
83
0,043
80
0,047
76
0,051
72
0,0556
7
0,059
62
0,063
56
0,067
49
0,071
42
0,075
35
0,
1
0,
2
0,079
26
0,083
17
0,087
06
0,090
95
0,0948
3
0,098
71
0,102
57
0,106
42
0,110
26
0,114
09
0,
2
0,
3
0,117
91
0,121
72
0,125
52
0,129
30
0,1330
7
0,136
83
0,140
58
0,144
31
0,148
03
0,151
73
0,
3
0,
4
0,155
42
0,159
10
0,162
76
0,166
40
0,1700
3
0,173
64
0,177
24
0,180
82
0,184
39
0,187
93
0,
4
0,
5
0,191
46
0,194
97
0,198
47
0,201
94
0,2054
0
0,208
84
0,212
26
0,215
66
0,219
04
0,222
40
0,
5
0,
6
0,225
75
0,229
07
0,232
37
0,235
65
0,2389
1
0,242
15
0,245
37
0,248
57
0,251
75
0,254
90
0,
6
0,
7
0,258
04
0,261
15
0,264
24
0,267
30
0,2703
5
0,273
37
0,276
37
0,279
35
0,282
30
0,285
24
0,
7
0,
8
0,288
14
0,291
03
0,293
89
0,296
73
0,2995
5
0,302
34
0,305
11
0,307
85
0,310
57
0,313
27
0,
8
0,
9
0,315
94
0,318
59
0,321
21
0,323
81
0,3263
9
0,328
94
0,331
47
0,333
98
0,336
46
0,338
91
0,
9
1,
0
0,341
34
0,343
75
0,346
14
0,348
49
0,3508
3
0,353
14
0,355
43
0,357
69
0,359
93
0,362
14
1,
0
1,
1
0,364
33
0,366
50
0,368
64
0,370
76
0,3728
6
0,374
93
0,376
98
0,379
00
0,381
00
0,382
98
1,
1
1,
2
0,384
93
0,386
86
0,388
77
0,390
65
0,3925
1
0,394
35
0,396
17
0,397
96
0,399
73
0,401
47
1,
2
1,
3
0,403
20
0,404
90
0,406
58
0,408
24
0,4098
8
0,411
49
0,413
09
0,414
66
0,416
21
0,417
74
1,
3
1,
4
0,419
24
0,420
73
0,422
20
0,423
64
0,4250
7
0,426
47
0,427
85
0,429
22
0,430
56
0,431
89
1,
4
1,
5
0,433
19
0,434
48
0,435
74
0,436
99
0,4382
2
0,439
43
0,440
62
0,441
79
0,442
95
0,444
08
1,
5
1,
6
0,445
20
0,446
30
0,447
38
0,448
45
0,4495
0
0,450
53
0,451
54
0,452
54
0,453
52
0,454
49
1,
6
1,
7
0,455
43
0,456
37
0,457
28
0,458
18
0,4590
7
0,459
94
0,460
80
0,461
64
0,462
46
0,463
27
1,
7
1,
8
0,464
07
0,464
85
0,465
62
0,466
38
0,4671
2
0,467
84
0,468
56
0,469
26
0,469
95
0,470
62
1,
8
1,
9
0,471
28
0,471
93
0,472
57
0,473
20
0,4738
1
0,474
41
0,475
00
0,475
58
0,476
15
0,476
70
1,
9
2,
0
0,477
25
0,477
78
0,478
31
0,478
82
0,4793
2
0,479
82
0,480
30
0,480
77
0,481
24
0,481
69
2,
0
2,
1
0,482
14
0,482
57
0,483
00
0,483
41
0,4838
2
0,484
22
0,484
61
0,485
00
0,485
37
0,485
74
2,
1
202


2,
2
0,486
10
0,486
45
0,486
79
0,487
13
0,4874
5
0,487
78
0,488
09
0,488
40
0,488
70
0,488
99
2,
2
2,
3
0,489
28
0,489
56
0,489
83
0,490
10
0,4903
6
0,490
61
0,490
86
0,491
11
0,491
34
0,491
58
2,
3
2,
4
0,491
80
0,492
02
0,492
24
0,492
45
0,4926
6
0,492
86
0,493
05
0,493
24
0,493
43
0,493
61
2,
4
2,
5
0,493
79
0,493
96
0,494
13
0,494
30
0,4944
6
0,494
61
0,494
77
0,494
92
0,495
06
0,495
20
2,
5
2,
6
0,495
34
0,495
47
0,495
60
0,495
73
0,4958
5
0,495
98
0,496
09
0,496
21
0,496
32
0,496
43
2,
6
2,
7
0,496
53
0,496
64
0,496
74
0,496
83
0,4969
3
0,497
02
0,497
11
0,497
20
0,497
28
0,497
36
2,
7
2,
8
0,497
44
0,497
52
0,497
60
0,497
67
0,4977
4
0,497
81
0,497
88
0,497
95
0,498
01
0,498
07
2,
8
2,
9
0,498
13
0,498
19
0,498
25
0,498
31
0,4983
6
0,498
41
0,498
46
0,498
51
0,498
56
0,498
61
2,
9
3,
0
0,498
65
0,498
69
0,498
74
0,498
78
0,4988
2
0,498
86
0,498
89
0,498
93
0,498
96
0,499
00
3,
0
3,
1
0,499
03
0,499
06
0,499
10
0,499
13
0,4991
6
0,499
18
0,499
21
0,499
24
0,499
26
0,499
29
3,
1
3,
2
0,499
31
0,499
34
0,499
36
0,499
38
0,4994
0
0,499
42
0,499
44
0,499
46
0,499
48
0,499
50
3,
2
3,
3
0,499
52
0,499
53
0,499
55
0,499
57
0,4995
8
0,499
60
0,499
61
0,499
62
0,499
64
0,499
65
3,
3
3,
4
0,499
66
0,499
68
0,499
69
0,499
70
0,4997
1
0,499
72
0,499
73
0,499
74
0,499
75
0,499
76
3,
4
3,
5
0,499
77
0,499
78
0,499
78
0,499
79
0,4998
0
0,499
81
0,499
81
0,499
82
0,499
83
0,499
83
3,
5
3,
6
0,499
84
0,499
85
0,499
85
0,499
86
0,4998
6
0,499
87
0,499
87
0,499
88
0,499
88
0,499
89
3,
6
3,
7
0,499
89
0,499
90
0,499
90
0,499
90
0,4999
1
0,499
91
0,499
92
0,499
92
0,499
92
0,499
92
3,
7
3,
8
0,499
93
0,499
93
0,499
93
0,499
94
0,4999
4
0,499
94
0,499
94
0,499
95
0,499
95
0,499
95
3,
8
3,
9
0,499
95
0,499
95
0,499
96
0,499
96
0,4999
6
0,499
96
0,499
96
0,499
96
0,499
97
0,499
97
3,
9
4,
0
0,499
97
0,499
97
0,499
97
0,499
97
0,4999
7
0,499
97
0,499
98
0,499
98
0,499
98
0,499
98
4,
0
4,
1
0,499
98
0,499
98
0,499
98
0,499
98
0,4999
8
0,499
98
0,499
98
0,499
98
0,499
99
0,499
99
4,
1

203



Bibliografia

DINIZ, Marcelo G. Desmistificando o Controle
Estatstico do Processo. So Paulo: Editora Artliber,
2001.
RAMOS, Alberto W. CEP para processos contnuos e
em bateladas. Edgard Blucher, 2000.
MONTGOMERY, Douglas C. Introduo ao Controle
Estatstico da Qualidade, 4 Ed. Rio de Janeiro: LTC,
2004.
COSTA, Antonio Fernando Branco. EPPRECHT, Eugnio
Kahn; CARPINETTI, Luiz Cesar Ribeiro. CEP - para
processos contnuos e em bateladas.
SIQUEIRA, Luiz G. P.; Controle Estatstico do
Processo. 1 ed. So Paulo: Thomson Pioneira, 2007.
Melo, K. C.; Utilizao de cartas de controle de
mdia para avaliao de peso em sorvetes. TCC
UCG 2004.

www.datalyzer.com.br
www.pucrs.br
www.qualidadebrasil.com.br
www.numa.org.br