Padrão

UNIVERSIDADE FEDERAL DE ITAJUB
Celso Francisco de Moraes
ESTUDO DA UTILIZAO DO GRFICO DE

CONTROLE INDIVIDUAL E DO NDICE DE
CAPABILIDADE SIGMA PARA DADOS NO
NORMAIS
Dissertao submetida ao Programa de Ps-Graduao em

Engenharia de Produo como requisito parcial obteno
do ttulo de Mestre em Engenharia de Produo
Orientador: Prof. Joo Roberto Ferreira, Dr.

Co-Orientador: Anderson Paulo de Paiva, MSc.
Itajub
Abril de 2006
UNIVERSIDADE FEDERAL DE ITAJUB
Celso Francisco de Moraes
ESTUDO DA UTILIZAO DO GRFICO DE

CONTROLE INDIVIDUAL E DO NDICE DE
CAPABILIDADE SIGMA PARA DADOS NO
NORMAIS
Dissertao aprovada por banca examinadora em 26 de abril de 2006,

conferindo ao autor o ttulo de Mestre em Engenharia de Produo
Banca Examinadora:
Prof. Messias Borges Silva, Dr.
Prof. Joo Batista Turrioni, Dr.
Anderson Paulo de Paiva, MSc. (Co-Orientador)
Prof. Joo Roberto Ferreira, Dr. (Orientador)
Itajub
Abril de 2006
Tpicos Preliminares
iii
Dedico este trabalho s minhas filhas Amanda e Renata.
__________________________________________________________________________________________
Moraes, Celso F. - Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo - UNIFEI, 2006
Tpicos Preliminares
iv
AGRADECIMENTOS
Primeiramente agradeo a Deus pelo privilgio de possuir a sade, a motivao e os
recursos materiais necessrios para a continuidade desta importante caminhada educativa.
minha famlia, Patrcia, Amanda e Renata, pela base emocional, convvio afetivo e
compreenso, fundamentais para consecuo de qualquer desafio.
Particular agradecimento aos orientadores acadmicos, Prof. Dr. Joo Roberto
Ferreira, pela superviso das atividades relativas elaborao da dissertao; ao MSc.
Anderson Paulo de Paiva pelas crticas e sugestes apresentadas, determinantes para o
direcionamento do trabalho; e ao Prof. Dr. Pedro Paulo Balestrassi, pela assistncia na
definio do projeto de pesquisa.
Ao diretor do Instituto de Engenharia de Produo e Gesto da UNIFEI Prof. PhD.
Luiz Gonzaga Mariano de Souza, ao coordenador do Programa de Ps-Graduao em
Engenharia de Produo Prof. Dr. Carlos Eduardo Sanches da Silva e aos demais docentes do
curso, em especial ao Prof. Dr. Carlos Henrique Pereira Mello, ao Prof. Dr. Joo Batista
Turrioni e ao Prof. Dr. Renato da Silva Lima, que tambm contriburam atravs de orientao
e avaliao dos artigos produzidos a partir do desenvolvimento do tema em questo durante
os seminrios de dissertao.
Tambm devo consideraes aos funcionrios da secretaria, biblioteca, administrao,
manuteno e demais setores do campus pela importante colaborao direta ou indireta. Aos
mestrandos do Programa de Ps-Graduao em Engenharia de Produo da UNIFEI, em
especial aos matriculados a partir de 2004, que dividiram comigo suas experincias pessoais,
profissionais e estudantis. Ao colega Juliano Dias Calderaro pela troca de informaes e
fornecimento dos dados reais utilizados na pesquisa.
Sou grato aos meus amigos e aos colegas de trabalho pelo apoio e incentivo
demonstrados, destacadamente Celso Pereira Cobra e Ediraldo Bernardi Carvalho, que
aprovaram e avalizaram esta empreitada acadmica.
Especial e sincero agradecimento Laura Maria Anselmo Rodrigues e Raquel
Aparecida Anselmo pelo maior presente que se pode receber em toda uma vida: o acesso
educao.
__________________________________________________________________________________________
Tpicos Preliminares
Suponho que todas as coisas que podem ser abrangidas pelo conhecimento humano esto
interligadas, como na Matemtica.
Ren Descartes (1596-1650)
__________________________________________________________________________________________
Tpicos Preliminares
vi
SUMRIO
Dedicatria.................................................................................................................................iii
Agradecimentos ......................................................................................................................... iv
Epgrafe ...................................................................................................................................... v
Sumrio...................................................................................................................................... vi
Lista de Figuras .......................................................................................................................viii
Lista de Tabelas ........................................................................................................................xii
Lista de Quadros......................................................................................................................xiii
Lista de Abreviaturas e Siglas ................................................................................................. xiv
Lista de Smbolos ..................................................................................................................... xv
Resumo ...................................................................................................................................xvii
Abstract..................................................................................................................................xviii
1. INTRODUO.................................................................................................................... 1
1.1.
Consideraes Iniciais .............................................................................................. 1
1.2.
Descrio do Problema............................................................................................. 3
1.3.
Objetivos................................................................................................................... 4
1.4.
Metodologia Adotada ............................................................................................... 5
1.5.
Estrutura do Trabalho ............................................................................................... 7
2. FUNDAMENTAO TERICA ....................................................................................... 9
2.1.
Viso Conceitual da Qualidade ................................................................................ 9
2.2.
Mtodos Estatsticos Aplicados Qualidade ......................................................... 12
2.3.
Anlise e Tratamento de Dados.............................................................................. 14
2.3.1. Aspectos Gerais ...................................................................................................... 14
2.3.2. Distribuio de Freqncias ................................................................................... 16
2.3.3. A Distribuio Normal ........................................................................................... 19
2.4.
Controle Estatstico de Processo ............................................................................ 22
2.4.1. Definio e Conceitos Bsicos ............................................................................... 22
2.4.2. Caractersticas Gerais ............................................................................................. 24
2.4.3. Grficos de Controle............................................................................................... 26
2.4.4. ndices de Capabilidade.......................................................................................... 33
2.5.
Metodologia Seis Sigma......................................................................................... 38
2.5.1. Definio e Conceitos Bsicos ............................................................................... 38
2.5.2. Origens da Metodologia Seis Sigma ...................................................................... 39
2.5.3. Caractersticas Gerais ............................................................................................. 40
2.5.4. Determinao do Nvel Sigma................................................................................ 43
3. ESTUDO DA NO NORMALIDADE ............................................................................. 48
3.1.
Anlise de Normalidade ......................................................................................... 48
3.2.
Efeitos da No Normalidade .................................................................................. 50
3.3.
No Normalidade, Grficos de Controle e Capabilidade ....................................... 53
3.4.
Transformao de Dados ........................................................................................ 55
3.4.1. Aspectos Gerais ...................................................................................................... 55
3.4.2. Transformao de Box-Cox.................................................................................... 56
3.4.3. Transformao de Johnson ..................................................................................... 62
__________________________________________________________________________________________
Tpicos Preliminares
vii
4. APLICAO DA METODOLOGIA ................................................................................ 64

4.1.
Consideraes Gerais ............................................................................................. 64
4.1.1. Aspectos Metodolgicos ........................................................................................ 64
4.1.2. Caracterizao dos Cenrios da Pesquisa............................................................... 65
4.2.
Investigao Experimental Atravs de Simulao de Dados ................................. 68
4.2.1. Anlise de Dados Modelados pela Distribuio Gamma ....................................... 68
4.2.2. Transformao de Dados Modelados pela Distribuio Gamma ........................... 70
4.2.3. Grficos de Controle Individuais Distribuio Gamma ...................................... 75
4.2.4. Avaliao de Capabilidade Distribuio Gamma................................................ 79
4.2.5. Anlise de Dados Modelados pela Distribuio Beta ............................................ 84
4.2.6. Transformao de Dados Modelados pela Distribuio Beta ................................ 86
4.2.7. Grficos de Controle Individuais Distribuio Beta ........................................... 88
4.2.8. Avaliao de Capabilidade Distribuio Beta ..................................................... 91
4.3.
Pesquisa Exploratria Atravs de Estudo de Caso ................................................. 94
4.3.1. Anlise de Dados Reais Furos 3/4 ..................................................................... 94
4.3.2. Transformao de Dados Reais Furos 3/4 ......................................................... 99
4.3.3. Clculo de Capabilidade de Dados Reais Furos 3/4 ........................................ 103
4.3.4. Anlise de Dados Reais Furos 5/8 ................................................................... 108
4.3.5. Transformao de Dados Reais Furos 5/8 ....................................................... 111
4.3.6. Clculo de Capabilidade de Dados Reais Furos 5/8 ........................................ 116
5. DISCUSSO DOS RESULTADOS ................................................................................ 122
5.1.
Anlise de Resultados na Investigao Experimental .......................................... 122
5.1.1. Anlise dos Grficos de Controle Distribuio Gamma ................................... 122
5.1.2. Anlise dos Grficos de Controle Distribuio Beta......................................... 123
5.1.3. Consideraes sobre Normalidade e Grficos de Controle na Simulao ........... 124
5.1.4. Anlise do Clculo de Capabilidade Distribuio Gamma ............................... 125
5.1.5. Anlise do Clculo de Capabilidade Distribuio Beta..................................... 126
5.1.6. Consideraes sobre Normalidade e Capabilidade na Simulao........................ 127
5.2.
Anlise de Resultados na Pesquisa Exploratria.................................................. 128
5.2.1. Anlise do Clculo de Capabilidade Dados Reais 3/4AE.............................. 128
5.2.2. Anlise do Clculo de Capabilidade Dados Reais 3/4AD ............................. 129
5.2.3. Anlise do Clculo de Capabilidade Dados Reais 5/8TE .............................. 130
5.2.4. Anlise do Clculo de Capabilidade Dados Reais 5/8TD.............................. 130
5.2.5. Consideraes sobre Normalidade e Capabilidade no Estudo de Caso................ 131
6. CONCLUSO.................................................................................................................. 133
6.1.
Concluso do Trabalho......................................................................................... 133
6.2.
Consideraes Finais e Recomendaes .............................................................. 134
APNDICE A Dados Simulados Distribuio Gamma ................................................... 137
APNDICE B Dados Simulados Distribuio Beta......................................................... 138
APNDICE C Dados Reais Furos 3/4............................................................................ 139
APNDICE D Dados Reais Furos 5/8 ........................................................................... 140
REFERNCIAS BIBLIOGRFICAS ................................................................................... 141
BIBLIOGRAFIA COMPLEMENTAR CONSULTADA...................................................... 148
ANEXO A Tabela das reas sob a Curva Normal Padronizada......................................... 151
ANEXO B Fatores para Construo de Grficos de Controle ............................................ 153
ANEXO C Tabela de Referncia entre ndice Sigma e PPM.............................................. 154
ANEXO D Publicao XII SIMPEP Bauru, SP, Brasil, Novembro de 2005 .................. 155
__________________________________________________________________________________________
Tpicos Preliminares
viii
LISTA DE FIGURAS
Figura 1.1 Distribuies diferentes com mesma localizao e disperso................................ 3
Figura 2.1 Representao de um processo produtivo ............................................................ 12
Figura 2.2 Diagrama de utilizao dos mtodos para garantia da qualidade ........................ 14
Figura 2.3 Exemplo de um diagrama de caixa (Box Plot) .................................................... 15
Figura 2.4 Exemplo de uma distribuio de freqncias com histograma............................ 17
Figura 2.5 Principais aspectos da curva correspondente distribuio Normal ................... 19
Figura 2.6 Curva normal reduzida ou padronizada ............................................................... 20
Figura 2.7 Estratgia para melhorias em Controle Estatstico de Processo........................... 26
Figura 2.8 Exemplo tpico de um grfico de controle ........................................................... 27
Figura 2.9 Fluxograma para escolha do tipo de grfico de controle ..................................... 33
Figura 2.10 Exemplo de avaliao de capabilidade de um processo com histograma.......... 34
Figura 2.11 A curva normal e os limites de especificao .................................................... 40
Figura 2.12 Deslocamento da mdia do processo em 1,5 sigma........................................... 41
Figura 2.13 Esquema simplificado para clculo do nvel sigma ........................................... 45
Figura 2.14 Fluxograma geral para determinao do ndice de capacidade seis sigma ........ 47
Figura 3.1 Limites de controle em termos de percentis para distribuies no normais....... 53
Figura 3.2 Exemplo de anlise de dados no normais........................................................... 59
Figura 3.3 Exemplo de um grfico relativo transformao de Box-Cox............................ 60
Figura 3.4 Exemplo de anlise dos dados aps transformao de Box-Cox......................... 61
Figura 3.5 Exemplo de um grfico relativo transformao de Johnson ............................. 63
Figura 4.1 Fluxograma das atividades da pesquisa experimental ......................................... 66
Figura 4.2 Fluxograma das atividades da pesquisa exploratria ........................................... 67
Figura 4.3 Anlise dos dados para Gamma 220................................................................. 69
Figura 4.4 Anlise dos dados para Gamma 220 sem outliers............................................ 69
Figura 4.5 Avaliao melhor distribuio aplicvel aos dados Gamma 220 sem outliers 70
Figura 4.6 Transformao de Box-Cox para os dados em Gamma 220 ............................ 71
Figura 4.7 Anlise dos dados transformados por Box-Cox em Gamma 220..................... 71
Figura 4.8 Transformao de Box-Cox para os dados em Gamma 220 sem outliers ....... 72
Figura 4.9 Anlise dos dados transformados por Box-Cox em Gamma 220 sem outliers 72
Figura 4.10 Transformao de Johnson para os dados em Gamma 220............................ 73
Figura 4.11 Anlise dos dados transformados por Johnson em Gamma 220 .................... 73
Figura 4.12 Transformao de Johnson para os dados em Gamma 220 sem outliers ....... 74
__________________________________________________________________________________________
Tpicos Preliminares
ix
Figura 4.13 Anlise dos dados transformados (Johnson) em Gamma 220 sem outliers ... 74
Figura 4.14 Grfico de controle para Gamma 220 considerando distribuio Normal ..... 75
Figura 4.15 Grfico de controle Gamma 220 sem outliers assumindo normalidade......... 76
Figura 4.16 Grfico de controle Gamma 220 com limites de controle em percentis ........ 76
Figura 4.17 Grfico de controle Gamma 220 sem outliers com limites em percentis....... 77
Figura 4.18 Grfico de controle para Gamma 220 aps transformao de Box-Cox........ 77
Figura 4.19 Grfico de controle para Gamma 220 sem outliers aps Box-Cox................ 78
Figura 4.20 Grfico de controle para Gamma 220 aps transformao de Johnson ......... 78
Figura 4.21 Grfico de controle para Gamma 220 sem outliers aps Johnson ................. 79
Figura 4.22 ndices de capabilidade para Gamma 220 considerando distribuio Normal80
Figura 4.23 ndices de capabilidade Gamma 220 sem outliers assumindo normalidade .. 80
Figura 4.24 ndices de capabilidade de Gamma 220 considerando distribuio Gamma . 81
Figura 4.25 ndices de capabilidade de Gamma 220 sem outliers (distribuio Weibull) 81
Figura 4.26 ndices de capabilidade de Gamma 220 aps transformao de Box-Cox..... 82
Figura 4.27 ndices de capabilidade de Gamma 220 sem outliers aps Box-Cox............. 82
Figura 4.28 ndices de capabilidade de Gamma 220 aps transformao de Johnson ...... 83
Figura 4.29 ndices de capabilidade de Gamma 220 sem outliers aps Johnson .............. 83
Figura 4.30 Anlise dos dados para Beta 2550.................................................................. 85
Figura 4.31 Anlise dos dados para Beta 2550 sem outliers ............................................. 85
Figura 4.32 Transformao de Box-Cox para os dados em Beta 2550.............................. 86
Figura 4.33 Anlise dos dados transformados por Box-Cox em Beta 2550 ...................... 86
Figura 4.34 Transformao de Johnson para os dados em Beta 2550 ............................... 87
Figura 4.35 Anlise dos dados transformados por Johnson em Beta 2550........................ 87
Figura 4.36 Grfico de controle para Beta 2550 considerando distribuio Normal ........ 88
Figura 4.37 Grfico de controle Beta 2550 sem outliers assumindo distribuio Normal 89
Figura 4.38 Grfico de controle Beta 2550 com limites de controle em percentis............ 89
Figura 4.39 Grfico de controle para Beta 2550 aps transformao de Box-Cox ........... 90
Figura 4.40 Grfico de controle para Beta 2550 aps transformao de Johnson............. 90
Figura 4.41 ndices de capabilidade de Beta 2550 considerando distribuio Normal ..... 91
Figura 4.42 ndices de capabilidade de Beta 2550 sem outliers assumindo normalidade. 92
Figura 4.43 ndices de capabilidade de Beta 2550 considerando distribuio Weibull .... 92
Figura 4.44 ndices de capabilidade de Beta 2550 aps transformao de Box-Cox........ 93
Figura 4.45 ndices de capabilidade de Beta 2550 aps transformao de Johnson ......... 93
Figura 4.46 Anlise do conjunto de dados originais 3/4AE .............................................. 95
Figura 4.47 Anlise do conjunto de dados 3/4AE sem outliers......................................... 95
__________________________________________________________________________________________
Tpicos Preliminares
Figura 4.48 Avaliao da melhor distribuio aplicvel ao conjunto de dados 3/4AE ..... 96
Figura 4.49 Anlise do conjunto de dados originais 3/4AD .............................................. 97
Figura 4.50 Anlise do conjunto de dados 3/4AD sem outliers ........................................ 97
Figura 4.51 Avaliao da melhor distribuio aplicvel ao conjunto de dados 3/4AD..... 98
Figura 4.52 Avaliao distribuio aplicvel ao conjunto de dados 3/4AD sem outliers . 98
Figura 4.53 Transformao de Box-Cox para o conjunto de dados 3/4AE ....................... 99
Figura 4.54 Anlise do conjunto de dados 3/4AE transformados por Box-Cox ............... 99
Figura 4.55 Transformao de Johnson para o conjunto de dados 3/4AE....................... 100
Figura 4.56 Transformao de Box-Cox para o conjunto de dados 3/4AD..................... 100
Figura 4.57 Anlise do conjunto de dados 3/4AD transformados por Box-Cox ............. 101
Figura 4.58 Transformao de Johnson para o conjunto de dados 3/4AD ...................... 101
Figura 4.59 Transformao de Box-Cox para o conjunto de dados 3/4AD sem outliers 102
Figura 4.60 Transformao de Johnson para o conjunto de dados 3/4AD sem outliers.. 102
Figura 4.61 ndices de capabilidade do conjunto de dados originais 3/4AE ................... 103
Figura 4.62 ndices de capabilidade dados 3/4AE baseados na distribuio Loglogistic 104
Figura 4.63 ndices de capabilidade dos dados 3/4AE transformados por Johnson ........ 104
Figura 4.64 ndices de capabilidade do conjunto de dados 3/4AE sem outliers ............. 105
Figura 4.65 ndices de capabilidade do conjunto de dados originais 3/4AD................... 105
Figura 4.66 ndices de capabilidade dados 3/4AD baseados na distribuio Logistic .... 106
Figura 4.67 ndices de capabilidade do conjunto de dados 3/4AD sem outliers ............. 106
Figura 4.68 ndices capabilidade dados 3/4AD sem outliers (distribuio Lognormal) . 107
Figura 4.69 Anlise do conjunto de dados originais 5/8TE............................................. 108
Figura 4.70 Avaliao da melhor distribuio aplicvel ao conjunto de dados 5/8TE.... 109
Figura 4.71 Anlise do conjunto de dados originais 5/8TD ............................................ 109
Figura 4.72 Anlise do conjunto de dados 5/8TD sem outliers....................................... 110
Figura 4.73 Avaliao da melhor distribuio aplicvel ao conjunto de dados 5/8TD ... 110
Figura 4.74 Avaliao de distribuio aplicvel ao conjunto dados 5/8TD sem outliers 111
Figura 4.75 Transformao de Box-Cox para o conjunto de dados 5/8TE...................... 112
Figura 4.76 Anlise do conjunto de dados 5/8TE transformados por Box-Cox .............. 112
Figura 4.77 Transformao de Johnson para o conjunto de dados 5/8TE ....................... 113
Figura 4.78 Transformao de Box-Cox para o conjunto de dados 5/8TD ..................... 113
Figura 4.79 Anlise do conjunto de dados 5/8TD transformados por Box-Cox ............. 114
Figura 4.80 Transformao de Johnson para o conjunto de dados 5/8TD....................... 114
Figura 4.81 Transformao de Box-Cox para o conjunto de dados 5/8TD sem outliers 115
Figura 4.82 Transformao de Johnson para o conjunto de dados 5/8TD sem outliers .. 115
__________________________________________________________________________________________
Tpicos Preliminares
xi
Figura 4.83 ndices de capabilidade do conjunto de dados originais 5/8TE.................... 116

Figura 4.84 ndices de capabilidade dados 5/8TE baseados na distribuio Lognormal 117
Figura 4.85 ndices de capabilidade dos dados 5/8TE transformados por Johnson ........ 117
Figura 4.86 ndices de capabilidade dos dados originais 5/8TD ..................................... 118
Figura 4.87 ndices de capabilidade dados 5/8TD baseados na distribuio Lognormal 118
Figura 4.88 ndices de capabilidade dos dados 5/8TD transformados por Johnson ........ 119
Figura 4.89 ndices de capabilidade do conjunto de dados 5/8TD sem outliers ............. 119
Figura 4.90 ndices capabilidade dados 5/8TD sem outliers (distribuio Lognormal).. 120
Figura 4.91 ndices de capabilidade dos dados 5/8TD sem outliers (transf. Johnson).... 120
__________________________________________________________________________________________
Tpicos Preliminares
xii
LISTA DE TABELAS
Tabela 2.1 Referncias para o nvel sigma ............................................................................ 38
Tabela 2.2 Referncias entre nvel sigma e PPM (com e sem desvio).................................. 41
Tabela 3.1 Comparao da proporo de itens no conformes em distribuies diferentes . 52
Tabela 3.2 Exemplos tpicos da transformao de Box-Cox................................................. 58
Tabela 3.3 Exemplo de um conjunto de dados no normais ................................................. 59
Tabela 3.4 Frmulas associadas com as famlias da transformao de Johnson................... 62
Tabela 4.1 Clculos comparativos do nvel sigma para Gamma 220 ................................ 84
Tabela 4.2 Clculos comparativos do nvel sigma para Beta 2550 ................................... 94
Tabela 4.3 Clculos comparativos do nvel sigma para 3/4AE e 3/4AD ..................... 107
Tabela 4.4 Clculos comparativos do nvel sigma para 5/8TE e 5/8TD ...................... 121
Tabela 5.1 Interpretao dos grficos de controle individuais - dados simulados .............. 124
Tabela 5.2 Determinao do nvel sigma - dados simulados .............................................. 127
Tabela 5.3 Determinao do nvel sigma - dados reais ....................................................... 132
__________________________________________________________________________________________
Tpicos Preliminares
xiii
LISTA DE QUADROS
Quadro 1.1 Conseqncias da suposio incorreta de normalidade........................................ 4
Quadro 1.2 Resumo da metodologia adotada.......................................................................... 6
Quadro 2.1 Evoluo da Inspeo Garantia da Qualidade ................................................. 11
Quadro 2.2 Campos de aplicao de algumas distribuies estatsticas ............................... 18
Quadro 2.3 Frmulas dos tipos mais comuns de grficos de controle para variveis........... 30
Quadro 2.4 Frmulas dos tipos de grficos de controle para atributos ................................. 31
Quadro 2.5 Classificao de processos a partir do ndice CP ................................................ 37
Quadro 2.6 Viso geral do DMAIC....................................................................................... 42
Quadro 2.7 Papis desempenhados na Metodologia Seis Sigma .......................................... 43
Quadro 2.8 Definio de conceitos para atributos na Metodologia Seis Sigma.................... 46
Quadro 4.1 Resumo dos aspectos gerais da pesquisa............................................................ 64
__________________________________________________________________________________________
Tpicos Preliminares
xiv
LISTA DE ABREVIATURAS E SIGLAS

ANOVA Analysis of Variance
ASQC American Societ for Quality Control
BB Black Belt
CEP Controle Estatstico de Processo
CI Confidence Interval
CTQ Critical to Quality
DMAIC Define, Measure, Analyze, Improve, Control
DOE Design of Experiment
DPMO Defeitos por Milho de Oportunidades
DPO Defeitos por Oportunidade
DPU Defeitos por Unidade
GB Green Belt
IQR intervalo interquartil
ISO International Organization for Standardization
LB Lower Bound
LCL Lower Control Limit
LIC Limite Inferior de Controle
LIE Limite Inferior de Especificao
LM Linha Mdia
Lower CL Lower Confidence Limit
LSC Limite Superior de Controle
LSE Limite Superior de Especificao
LSXY Least Squares Method
MBB Master Black Belt
PDCA Plan, Do, Check, Act
PPM Partes por Milho
psi pound square inch
StDev Standard Deviation
UB Upper Bound
UCL Upper Control Limit
Upper CL Upper Confidence Limit
__________________________________________________________________________________________
Tpicos Preliminares
xv
LISTA DE SMBOLOS
A2 constante para definio dos limites de controle das mdias no grfico X -R
A3 constante para definio dos limites de controle das mdias no grficos X -S
B3 constante para definio do limite de controle inferior do desvio-padro no grfico X -S
B4 constante para definio do limite de controle superior do desvio-padro no grfico X -S
c nmero total de defeitos em todas as unidades da amostra em estudo
c4 constante para definio da linha mdia no grfico de controle para desvios-padro

CP ndice de capabilidade potencial do processo
CPK ndice de capabilidade real do processo
d nmero de peas defeituosas da amostra em estudo
d2 constante para definio da linha mdia no grfico de controle para amplitudes

D3 constante para definio do limite de controle inferior da amplitude no grfico X -R
D4 constante para definio do limite de controle superior da amplitude no grfico X -R
e constante equivalente ao nmero irracional 2,7182...
E2 constante para definio dos limites de controle no grfico de valores individuais
E ( y ) valor esperado de uma varivel dependente

f ( x, ) funo resposta da varivel dependente
H0 hiptese nula
H1 hiptese alternativa
m nmero de amostras em estudo
n tamanho da amostra em estudo
PP ndice de desempenho potencial do processo
PPK ndice de desempenho real do processo
Q1 1 quartil do conjunto de dados em estudo
Q3 3 quartil do conjunto de dados em estudo
R amplitude da amostra em estudo
R mdia das amplitudes das amostras em estudo

S desvio-padro da amostra em estudo
S mdia dos desvios-padro das amostras em estudo

SB famlia bounded (limitada) da transformao de Johnson
SL famlia Lognormal da transformao de Johnson
SU famlia unbounded (ilimitada) da transformao de Johnson
__________________________________________________________________________________________
Tpicos Preliminares
xvi
x varivel aleatria em estudo

X mdia da amostra em estudo
yu varivel dependente em estudo

y() varivel dependente aps a transformao de Box-Cox
z varivel aleatria normal padro ou escore padronizado
zbench escore padronizado (referncia no clculo do ndice de capabilidade seis sigma)
zLT escore padronizado de longo prazo (long term)
zshift desvio da mdia do processo ao longo do tempo
zST escore padronizado de curto prazo (short term)
probabilidade de cometer erro tipo I em um teste de hipteses

parmetro que define a transformao de Johnson
u erros observados na funo resposta da varivel dependente

parmetro que define a transformao de Johnson
conjunto de parmetros que afetam a funo resposta da varivel dependente

parmetro que define a transformao de Box-Cox
mdia da populao em estudo
estimativa da mdia do processo em estudo
constante equivalente ao nmero irracional 3,1415...

desvio-padro da populao em estudo
estimativa do desvio-padro do processo em estudo
2 varincia da populao em estudo
(z ) funo de distribuio cumulativa de uma varivel aleatria normal padro
(, x) funo de transformao para a condio de normalidade
__________________________________________________________________________________________
Tpicos Preliminares
xvii
RESUMO
Esta dissertao apresenta uma anlise crtica da utilizao de alguns mtodos
estatsticos aplicados Qualidade nos casos em que os dados coletados no se apresentam
normalmente distribudos. O problema geral aqui identificado diz respeito ocorrncia de
decises questionveis tomadas a partir da interpretao de dados considerados normais. A
justificativa primordial para este estudo reside na relevncia da anlise dos dados durante sua
coleta e tratamento na prtica industrial e em trabalhos cientficos nos mais variados nveis.
Os principais objetivos deste trabalho so: apresentar algumas situaes de utilizao de
grficos de controle e ndices de capabilidade seis sigma que possam induzir a concluses
duvidosas devido adoo incorreta de normalidade; propor reviso crtica efetuando as
transformaes de Box-Cox e/ou Johnson; e, finalmente, discutir as concluses e decises
estabelecidas atravs da comparao entre os dados brutos originalmente coletados, os dados
previamente analisados e processados e os dados transformados. A abordagem metodolgica
combina pesquisa experimental atravs da anlise de dados simulados gerados a partir de um
software estatstico bem como pesquisa exploratria na forma de estudo de caso em um
processo industrial de medio de furos de preciso.
Palavras chave: Dados no normais, Grfico de controle individual, ndice de capabilidade
sigma, Transformao de dados.
__________________________________________________________________________________________
Tpicos Preliminares
xviii
ABSTRACT
This dissertation presents a critical analysis regarding the use of some statistical
methods applied to Quality in cases in which the collected data are not normally distributed.
The general problem refers to the occurrence of questionable decision takings starting from
the interpretation of data considered normally distributed. The primordial justification for
this study is the relevance of the data analysis during its collection and handling in the
industrial practice and in scientific works in the most varied levels. The main objectives of
this work are: to present some examples related to the usage of control charts and six sigma
capability index that may induce to doubtful conclusions due to the incorrect assumption of
normality; to propose critical review proceeding to the Box-Cox and/or Johnson
transformations; and, finally, to discuss the conclusions and decisions established through the
comparison among the gross data originally collected, the data previously analyzed and
processed and the transformed data. The methodological approach combines experimental
research through the analysis of simulate data generated starting from a statistical software
as well as exploratory research with case study in an industrial process of precision hole
measurement.
Key Words: Individual control chart, Data transformation, Non-normal data, Sigma
capability index.
__________________________________________________________________________________________
Captulo1: Introduo
1.
INTRODUO
1.1
Consideraes Iniciais
Em muitas oportunidades a realizao de uma pesquisa de cunho cientfico contribui

para a descoberta de novos conhecimentos, para o desenvolvimento de novas teorias ou para a
confirmao experimental da aplicao de tecnologias inovadoras; em outras situaes pode
proporcionar o estabelecimento de fronteiras entre reas de conhecimento afins, motivando
debates que podem introduzir desafios ou questes para as quais nem sempre h respostas
imediatas; tambm possvel que determinadas investigaes cientficas complementem ou
at mesmo superem teorias e doutrinas anteriormente consagradas.
A proposta desta dissertao em analisar a aplicao de alguns mtodos estatsticos
est inserida em um contexto amplo que se refere ao Controle Estatstico da Qualidade e aos
aspectos bsicos que devem ser observados pelas organizaes que buscam a plena satisfao
de seus clientes. O tema da pesquisa diz respeito anlise crtica da utilizao de conceitos e
tcnicas relativas ao Controle Estatstico de Processo (CEP) e Metodologia Seis Sigma,
especificamente nos casos em que os dados originalmente coletados no apresentam uma
forma de distribuio que seja modelada pela distribuio Normal. Esta investigao tem
importncia no contexto acadmico e principalmente na prtica dos processos operacionais
dos mais variados tipos de organizaes, e se justifica, pois de extrema relevncia a correta
anlise dos dados durante sua coleta e tratamento.
A aplicao adequada de tcnicas estatsticas em atividades industriais e empresariais
contribui de maneira decisiva para a otimizao dos processos produtivos, com conseqente
reduo de custos e melhoria da qualidade. Segundo Liberatore (2001), no mbito industrial a
pesquisa estatstica visa fornecer respostas para algumas questes importantes, como as que se
seguem:
a) Existe relao entre a varivel A e a varivel B em processos de fabricao ou
de prestao de servios?
b) Qual o melhor ajuste das mquinas e dispositivos empregados no processo?
c) Qual dentre os diversos mtodos de processamento disponveis superior?
d) Que parte da variao observada nos processos pode ser atribuda variao
inerente ao sistema de medio?
e) Os programas de treinamento e desenvolvimento atingem o resultado esperado?
__________________________________________________________________________________________
Captulo1: Introduo
Diversos autores destacam a crescente utilizao de tcnicas estatsticas para melhoria

da qualidade em produtos e servios, entretanto nem sempre os cuidados necessrios para a
implementao de tais tcnicas so adequadamente observados. Como exemplo, Balestrassi
(2000) cita um trabalho de Alwan & Roberts no qual foi avaliada a utilizao dos grficos de
controle em uma amostragem de 235 (duzentas e trinta e cinco) situaes reais e,
surpreendentemente, identificou-se violao a conceitos estatsticos bsicos em 86% dos
casos. Desconhecimento de conceitos estatsticos bsicos pode conduzir a suposies
incorretas, como, por exemplo, acreditar que os dados coletados em qualquer processo
observado na prtica sempre sejam perfeitamente representados pela distribuio Normal.
O clculo de qualquer medida estatstica de desempenho requer uma suposio acerca
da forma da distribuio de probabilidades da caracterstica da qualidade analisada. Woodall
(2000) descreve que muitos estudos tericos, bem como simulaes em Controle Estatstico
de Processo, baseiam-se na premissa de normalidade da distribuio e independncia das
amostras ao longo do tempo. Considerando tal afirmao, recomendvel cautela na
aplicao e na anlise de mtodos estatsticos, pois em muitas situaes reais a suposio de
normalidade no se confirma na prtica, o que implica em especial ateno em relao aos
dados coletados.
Recentemente as aplicaes estatsticas com base nos programas de melhoria Seis
Sigma tm sido muito difundidas nos mais variados tipos de organizaes e, de acordo com
Hoerl (2001), embora esta metodologia demande a utilizao de ferramentas estatsticas, a
mesma no deve ser encarada simplesmente como uma coletnea de dispositivos e
ferramentas. Esta distino advm da constatao de que um dos papis fundamentais
desempenhados pelos principais personagens envolvidos na implementao da metodologia ,
justamente, a garantia da correta utilizao das tcnicas estatsticas que, por no serem novas,
merecem uma abordagem diferenciada.
No desenvolvimento deste trabalho pretende-se analisar a utilizao de grficos de
controle individuais em CEP e a avaliao de capabilidade na Metodologia Seis Sigma, com
enfoque na correta interpretao dos dados coletados, especificamente no que se refere
suposio de normalidade, com reviso crtica atravs de transformaes matemticas de
variveis. As concluses e decises estabelecidas devem ser discutidas por meio de
comparao entre os dados brutos originalmente coletados, os dados previamente tratados e os
dados transformados para uma nova condio modelada pela distribuio Normal.
__________________________________________________________________________________________
Captulo1: Introduo
1.2
Descrio do Problema
Segundo Bayeux (2001) uma condio relevante na anlise estatstica de processos
que esses tenham comportamento modelado pela distribuio Normal, ou pelo menos que a
distribuio, embora no normal, seja conhecida. Na verdade, em boa parte dos casos
prticos, a condio de normalidade absoluta e estvel um evento raro sendo comum
algumas situaes de no-normalidade, tais como assimetria unilateral, distribuio com
ramos mais densos, uniformidade na freqncia dos valores observados, entre outras.
A Figura 1.1 apresenta uma comparao entre a distribuio Normal e outros tipos de
distribuies observadas em situaes reais. Nota-se que, embora as distribuies mostradas
possuam a mesma localizao e mesma disperso dos dados em relao distribuio
Normal, existe uma sensvel diferena entre as reas delimitadas pelos limites de
especificao inferior e superior. Tal fato altera, por exemplo, os clculos relativos taxa
esperada de produtos no-conformes na sada do processo e conseqentemente os ndices de
capabilidade ou capacidade, alm de outros indicadores teis em anlise estatstica.
Devido ao formato caracterstico de cada curva, as 4 reas delimitadas por LIE e LSE so diferentes.
Distribuio
-Quadrado
Distribuio
t-Student
Distribuio
Uniforme
Distribuio
Normal
mdia
6 desvios-padro
LIE
(Limite Inferior de Especificao)
LSE
(Limite Superior de Especificao)
Figura 1.1 Distribuies diferentes com mesma localizao e disperso

Fonte: Adaptado de Bayeux (2001)
O problema que motivou a pesquisa referente a esta dissertao a ocorrncia de
decises questionveis tomadas a partir da anlise de dados considerados normalmente
distribudos sem a devida confirmao de tal suposio. O Quadro 1.1 mostra um resumo das
__________________________________________________________________________________________
Captulo1: Introduo
conseqncias na aplicao de alguns mtodos estatsticos quando se assume normalidade

para dados que na realidade no apresentam distribuio Normal.
MTODO ESTATSTICO
CONSEQNCIA DA NO NORMALIDADE
Controle Estatstico de Processo
Falsas causas especiais nos grficos de controle individuais
Metodologia Seis Sigma
Clculo incorreto do nvel sigma
Teste de Hipteses
Concluses incorretas sobre diferenas entre grupos
Anlise de Regresso
Identificao equivocada de fatores e erros em predies
Planejamento de Experimentos
Concluses incorretas sobre importncia e efeito de fatores
Quadro 1.1 Conseqncias da suposio incorreta de normalidade

Fonte: Adaptado de Rath & Strong Management Consultants (2000)
As principais questes a serem investigadas, com base na definio do problema e
compreenso de suas conseqncias, so as seguintes:
a) Identificao de falsas causas especiais de variao na anlise dos grficos de
controle individuais em CEP;
b) Clculo incorreto do nvel sigma na avaliao de capabilidade na Metodologia Seis
Sigma.
1.3
Objetivos
O objetivo geral desta pesquisa efetuar um aprofundamento dos aspectos relativos
aos efeitos da no normalidade de dados na aplicao de mtodos estatsticos, bem como das
tcnicas de transformao matemtica de variveis e sua comparao com outros mtodos, de
modo a destacar a relevncia da correta anlise de dados.
De forma complementar e garantindo que objetivo proposto seja alcanado, os
seguintes objetivos especficos foram estabelecidos:
a) Discutir a utilizao de grficos de controle individuais em alguns exemplos
simulados em situaes que possam induzir a concluses duvidosas devido
adoo incorreta de normalidade dos dados;
b) Avaliar a determinao do ndice de capabilidade sigma em alguns exemplos reais
e simulados em situaes que possam induzir a concluses duvidosas devido
adoo incorreta de normalidade dos dados.
__________________________________________________________________________________________
Captulo1: Introduo
1.4
Metodologia Adotada
A classificao dos tipos de pesquisa cientfica apresenta diversos critrios que variam
de acordo com o contexto geral do estudo e com o enfoque adotado. Esta diversidade est
relacionada, por exemplo, aos objetivos, objetos de estudo, procedimentos e condies de
pesquisa. Por este motivo, antes de caracterizar a metodologia adotada, interessante
apresentar algumas definies em relao aos tipos e mtodos de pesquisa para um melhor
entendimento do cenrio que originou o planejamento desta dissertao.
Severino (2002) destaca que os mtodos e as tcnicas empricas de pesquisa
possibilitam a existncia de diversas formas de investigao cientfica, tais como, pesquisa
experimental, pesquisa bibliogrfica, pesquisa de campo, pesquisa documental, pesquisa
histrica, pesquisa fenomenolgica, pesquisa clnica, pesquisa lingstica, entre outras.
No que tange aos objetivos, Gil (1991) classifica os tipos de pesquisa cientfica da
seguinte maneira:
a) Pesquisas exploratrias proporcionam maior familiaridade com determinado
tema e, quanto aos procedimentos tcnicos utilizados, podem ser divididas em
pesquisa bibliogrfica e estudo de caso;
b) Pesquisas descritivas possibilitam descrio detalhada de caractersticas de
grupos e, em termos de procedimentos tcnicos, assumem a forma de
levantamento atravs de censo ou amostragem;
c) Pesquisas explicativas identificam os fatores que causam ou contribuem para
ocorrncia de determinados fenmenos e, quanto aos procedimentos tcnicos
utilizados, caracterizam-se como pesquisa experimental.
Em termos de metodologias que utilizam simulao e modelagem, Bertrand &
Fransoo (2002) classificam as pesquisas de Gesto de Operaes em duas categorias:
a) Pesquisa axiomtica tipicamente normativa, a investigao orientada por
modelos idealizados, onde o objetivo primrio do pesquisador obter solues no
modelo definido e garantir que tais solues forneam as descobertas na estrutura
do problema;
b) Pesquisa emprica podendo ser normativa ou descritiva, este tipo de pesquisa
orientada por resultados e medies empricas e est interessada na criao de
modelos que adequadamente descrevam as relaes causais existentes em
processos reais e que conduzam a um melhor entendimento destes processos.
__________________________________________________________________________________________
Captulo1: Introduo
Segundo Severino (2002), diretamente relacionado com o tipo de pesquisa esto os

mtodos e as tcnicas a serem adotados. Entende-se por mtodos os procedimentos mais
amplos
de
raciocnio,
enquanto
tcnicas
so
procedimentos
mais
restritos
que
operacionalizam os mtodos, mediante emprego de instrumentos adequados.

Com base nas referncias citadas, a presente pesquisa pode ser caracterizada como
uma combinao de dois mtodos distintos, definidos como pesquisa experimental e pesquisa
exploratria, associados a duas tcnicas diferentes, respectivamente simulao e estudo de
caso. O Quadro 1.2 apresenta um resumo da categorizao e da proposta deste trabalho.
MTODO
TCNICA
PROPOSTA
COLETA DE DADOS
Investigar interpretao de dados Dados gerados atravs

Pesquisa
Experimental
Simulao
no
normais
simulados
em do
software
grficos de controle individuais e aplicaes

na determinao do nvel sigma
Investigar interpretao de dados
Pesquisa
Estudo de
reais no normais na determinao
Exploratria
Caso
do ndice de capabilidade e nvel

sigma do processo
de
estatsticas
Minitab
Dados obtidos em um
processo industrial de
furao de preciso
Quadro 1.2 Resumo da metodologia adotada

Neste trabalho a investigao experimental consiste em efetuar anlise crtica da
interpretao de grficos de controle individuais e da avaliao de capabilidade atravs da
determinao do nvel sigma a partir de dados no normais gerados com auxlio do software
estatstico Minitab. Dois conjuntos de dados simulados, propositalmente no normais,
foram analisados quanto ao seu comportamento em relao suposio de normalidade em
aplicaes de interpretao de grficos de controle individuais e clculo do ndice de
capabilidade seis sigma.
Atravs da pesquisa exploratria foi efetuado um aprofundamento dos aspectos
relativos aos efeitos da no normalidade de dados no clculo de capabilidade e determinao
do nvel sigma de qualidade, alm da discusso acerca da aplicabilidade da estratgia de
transformao matemtica de variveis pelo mtodo de Box-Cox e de Johnson. Para
consecuo desta tarefa foi adotada a tcnica de estudo de caso em um processo industrial de
furao de preciso em uma empresa do interior do estado de So Paulo.
__________________________________________________________________________________________
Captulo1: Introduo
1.5
Estrutura do Trabalho
Esta dissertao o resultado final de um projeto de pesquisa relativo investigao
da aplicao de mtodos estatsticos em processos ou estudos cientficos nos quais no existe

a confirmao da premissa de normalidade dos dados. Em uma abordagem inicial, pretendiase realizar uma pesquisa que possibilitasse tal investigao em diversos mtodos estatsticos
sensveis suposio de normalidade. Posteriormente, quando da delimitao do tema, optouse pela definio de uma anlise restrita a apenas dois mtodos bem conhecidos e difundidos
nas esferas acadmica e industrial, os grficos de controle e a avaliao de capabilidade.
Neste captulo introdutrio da dissertao j foram apresentados, pela ordem, a
relevncia do tema no contexto da Engenharia de Produo, a descrio do problema e as
questes a serem investigadas, a determinao dos objetivos e a definio da metodologia de
pesquisa adotada. Os comentrios a seguir visam promover um entendimento mais abrangente
da estrutura pela qual o trabalho foi organizado e orientar a sua leitura, interpretao e
avaliao crtica.
O captulo 2 trata da fundamentao terica, que reflete a reviso da literatura iniciada
logo aps a definio do tema e que se estendeu por quase todo perodo de pesquisa. Nos
tpicos iniciais so abordados vrios aspectos conceituais, tais como a importncia da
qualidade nos contextos industrial e empresarial, alm do valor da utilizao de mtodos e
tcnicas estatsticas para melhoria da qualidade de produtos e servios. Tambm so
apresentados resumos sobre a Anlise de Dados, com nfase nos principais aspectos da
distribuio Normal, o Controle Estatstico de Processo, com destaque para os grficos de
controle e ndices de capacidade, e a Metodologia Seis Sigma, ressaltando as frmulas para o
clculo do ndice de capacidade atravs do nvel sigma de qualidade.
Para a reviso bibliogrfica relativa ao tema central da pesquisa, que aborda as
consideraes gerais acerca de no normalidade e aplicao de mtodos estatsticos, foi
reservada uma parte especfica na dissertao: o captulo 3. Primeiramente so apresentadas
algumas definies necessrias ao entendimento da anlise de normalidade das amostras em
estudo, tais como, amostragem, intervalos de confiana e teste de hipteses. Em seguida, so
comentados alguns efeitos da condio de no normalidade em estudos estatsticos e algumas
tcnicas utilizadas para contornar esta situao, como, por exemplo, as transformaes de
variveis, destacadamente as transformaes de Box-Cox e Johnson.
No captulo 4, que discorre sobre o desenvolvimento da pesquisa, apresentada
inicialmente uma viso geral sobre os aspectos metodolgicos e os dois tipos de pesquisa
__________________________________________________________________________________________
Captulo1: Introduo
utilizados de acordo com os cenrios definidos. Em um primeiro cenrio, os dados simulados

utilizados na investigao experimental so analisados, tratados e discutidos em relao
interpretao dos grficos de controle e ao clculo do nvel sigma. No segundo cenrio
referente pesquisa exploratria, os dados reais obtidos em um processo industrial tambm
so analisados, tratados e discutidos em relao ao clculo do ndice sigma de capacidade. Os
clculos e anlises grficas foram efetuados por meio do software estatstico Minitab.
A discusso detalhada dos resultados obtidos no desenvolvimento deste estudo
apresentada no captulo 5, que foi divido em dois tpicos principais: anlise dos resultados
decorrentes da investigao experimental e anlise dos resultados obtidos por meio da
pesquisa exploratria. O captulo 6, que de concluso, encerra a argumentao apresentada
neste trabalho atravs das consideraes finais advindas da anlise dos resultados obtidos nos
cenrios estabelecidos em comparao com as proposies tericas referenciadas. Tambm
so indicadas algumas sugestes para pesquisas futuras, provenientes, tanto das limitaes
encontradas durante o desenvolvimento do trabalho, quanto das possibilidades, inicialmente
no vislumbradas, que emergiram pela reviso da literatura e aplicao da metodologia.
Nos Apndices A e B esto disponveis para consulta, os conjuntos de dados
simulados utilizados durante a pesquisa experimental e nos Apndices C e D podem ser
visualizados os dados reais da pesquisa exploratria, complementando assim a argumentao
apresentada ao longo dos captulos. Logo aps as Referncias Bibliogrficas h uma lista com
a Bibliografia Complementar Consultada que, mesmo sem citao direta, influenciou o
entendimento do tema, a conduo da pesquisa e a realizao deste trabalho.
E por ltimo, ilustrando os diversos aspectos abordados, os Anexos que incluem, na
seqncia, a tabela com as diversas reas sob a curva correspondente distribuio normal
padronizada (Anexo A), os fatores utilizados para clculo dos limites nos grficos de controle
(Anexo B) e uma tabela com alguns valores de equivalncia entre nvel sigma e proporo de
defeitos expressa em partes por milho (Anexo C). O Anexo D um artigo elaborado durante
o desenvolvimento desta pesquisa, que foi submetido, aprovado e apresentado no XII
Simpsio de Engenharia de Produo (SIMPEP) realizado em novembro de 2005 na
Universidade Estadual Paulista (UNESP) em Bauru. Este mesmo artigo foi selecionado para
compor o prximo nmero da revista GEPROS (Gesto da Produo, Operaes e Sistemas)
editada pelo Departamento de Engenharia de Produo da Faculdade de Engenharia de Bauru.
__________________________________________________________________________________________
Captulo 2: Fundamentao Terica
2.
FUNDAMENTAO TERICA
2.1
Viso Conceitual da Qualidade
Constantemente utilizado de maneira informal, o termo qualidade provoca

contradies em relao a sua correta conceituao, pois os aspectos tcnicos associados
podem ser os mais diversos possveis, desde caractersticas esperadas em processos de
produo ou de servios at situaes que dizem respeito s mais complexas estratgias
empresariais. Dos conceitos propostos por diversos especialistas para o termo qualidade,
Prazeres (1997) destaca os seguintes:
- Qualidade a satisfao do cliente e melhoria contnua (William E. Deming).
- O nvel de satisfao alcanado por um determinado produto no atendimento aos
objetivos do usurio, durante seu uso, chamado de adequao ao uso. Este conceito de
adequao ao uso, popularmente conhecido por alguns nomes, tal como qualidade, um
conceito universal aplicvel a qualquer tipo de bem ou servio (Joseph M. Juran).
- Qualidade a composio total das caractersticas de marketing, engenharia,
fabricao e manuteno de um produto ou servio, atravs das quais o mesmo produto ou
servio, em uso, atender as expectativas do cliente (Armand Feigenbaum).
- Qualidade conformidade com os requisitos (Philip B. Crosby).
- Qualidade a totalidade de requisitos e caractersticas de um produto ou servio
que estabelece a sua capacidade de satisfazer determinadas necessidades (ASQC American
Society for Quality Control).
- Qualidade a totalidade de caractersticas de uma entidade que lhe confere a
capacidade de satisfazer as necessidades explcitas e implcitas (ISO International
Organization for Standardization).
De acordo com Garvin (1984) o termo qualidade possui um aspecto dinmico e seu
conceito pode sofrer alteraes que conduzem a cinco abordagens gerais de definio:
a) Abordagem transcendental considera a qualidade como sinnimo de excelncia
inata, uma caracterstica, propriedade ou estado que torna um produto ou servio
aceitvel plenamente, embora tal aceitao seja derivada no de anlise e estudos
efetuados, mas da constatao prtica, proveniente, em muitas das vezes, da
experincia;
b) Abordagem baseada no produto entende a qualidade como um conjunto
mensurvel e preciso de caractersticas requeridas para satisfazer o consumidor;
__________________________________________________________________________________________
10
c) Abordagem baseada em valor define a qualidade em termos de custo e preo,

considerando que produto ou servio de boa qualidade quando apresenta o
melhor desempenho a um preo aceitvel;
d) Abordagem baseada em manufatura considera produtos ou servios que estejam
livres de erros, relacionando-se ao esforo produtivo no sentido de produzir o item
em conformidade com as suas especificaes bsicas.
e) Abordagem baseada no usurio assegura que o produto ou servio est adequado
a seu propsito, sendo o usurio a fonte da avaliao sobre a qualidade, ou seja,
no se pode pensar em qualidade sem antes identificar o desejo do consumidor.
Na viso de Campos (1992) um produto ou servio de qualidade aquele que atende
perfeitamente, de forma confivel, de forma acessvel, de forma segura e no tempo certo s
necessidades do cliente. Segundo Montgomery (1985) h dois aspectos gerais de qualidade:
qualidade de projeto e qualidade de conformidade. Todos os bens e servios so produzidos
em vrios graus ou nveis de qualidade e quando estas variaes so intencionais o termo
tcnico apropriado qualidade de projeto. A qualidade de conformidade o nvel de
adequao do produto em relao s especificaes e tolerncias requeridas pelo projeto.
Slack et al. (1999) preconizam que o sucesso das organizaes depende de sua
vantagem competitiva baseada em produo, que est associada a cinco objetivos de
desempenho: qualidade, rapidez, confiabilidade, flexibilidade e custo. A qualidade um
objetivo de desempenho particularmente importante, pois afeta diretamente consumidores
internos e externos, alm de possibilitar reduo de custos, aumento de confiabilidade e
conseqentemente a satisfao dos clientes. De acordo com Paladini (1990) esta importncia
atribuda qualidade decorrente de sua profunda ligao com o objetivo bsico de qualquer
empresa que, em um contexto mais amplo, sobreviver de forma a manter sua faixa de
atuao no mercado.
Os diversos aspectos conceituais e as vrias abordagens do termo qualidade, bem
como a enorme quantidade de estudos cientficos associados ao tema, evidenciam a sua
importncia e relevncia nos mais variados cenrios, sendo classificada como uma disciplina
associada Engenharia de Produo, merecendo assim uma denominao especfica de
campo de estudo, neste caso grafada pelo substantivo prprio Qualidade.
Um breve histrico da evoluo da Qualidade nas organizaes, baseado em Slack et
al. (1999), destaca que originalmente a qualidade dos produtos era atingida por inspeo, com
separao dos defeitos antes de serem percebidos pelos consumidores. Em seguida o conceito
__________________________________________________________________________________________
11
de Controle da Qualidade desenvolveu uma abordagem mais sistemtica, no apenas para

detectar, mas tambm para tratar dos problemas de qualidade. A Garantia da Qualidade
ampliou a responsabilidade da qualidade ao incluir outras funes, alm das operaes diretas
e introduzindo o uso de tcnicas estatsticas mais sofisticadas. O Quadro 2.1 sintetiza alguns
aspectos da evoluo da Inspeo at a Garantia da Qualidade.
IDENTIFICAO
DE
CARACTERSTICAS
ETAPA DO MOVIMENTO DA QUALIDADE

Inspeo
Controle Estatstico
da Qualidade
Garantia da
Qualidade
Preocupao bsica
Verificao
Controle
Coordenao
Viso da Qualidade
Um problema a ser
resolvido
Um problema a ser
resolvido
Um problema a ser
resolvido, mas enfrentado
proativamente
nfase
Uniformidade dos
produtos
Uniformidade dos produtos

com menos inspeo
Contribuio de todos os
grupos funcionais para
prevenir falhas da
qualidade
Mtodos
Aparelhos de medida e
mensurao
Instrumentos e tcnicas
estatsticas
Programas e sistemas
Papel dos profissionais

da Qualidade
Inspeo, classificao,
contagem e avaliao
Soluo de problemas e
aplicao de mtodos
estatsticos
Mensurao da qualidade,
planejamento da
qualidade e projeto de
programas
Responsvel pela
Qualidade
Departamento de
Inspeo
Departamentos de
Fabricao e Engenharia
Todos os departamentos
Orientao e
abordagem
inspeo da qualidade
controle da qualidade
construo da qualidade
Quadro 2.1 Evoluo da Inspeo Garantia da Qualidade

Fonte: Garvin (2002)
Para Slack et al. (1999) a Administrao da Qualidade pode ser vista como uma
evoluo natural das abordagens anteriores e, em resumo, envolve os seguintes aspectos:
a) Atendimento das necessidades e expectativas dos consumidores;
b) Incluso de todas as partes da organizao;
c) Incluso de todas as pessoas da organizao;
d) Exame de todos os custos relacionados com qualidade;
e) Construo da qualidade desde o projeto ao invs de apenas inspecionar;
f) Desenvolvimento de sistemas e procedimentos que apiem qualidade e melhoria;
g) Desenvolvimento de um processo de melhoria contnua.
__________________________________________________________________________________________
2.2
12
Mtodos Estatsticos Aplicados Qualidade

Estatstica pode ser definida como uma cincia que trata da organizao, descrio,
anlise e interpretao de dados experimentais. De acordo com Feigenbaum (1994) a

Estatstica desempenha papel importante nos programas de Controle da Qualidade Total, pois
ao longo dos anos suas tcnicas e metodologias tornaram-se cada vez mais amplamente
utilizadas e aceitas nas organizaes. A Figura 2.1 representa o papel que as tcnicas
estatsticas desempenham na avaliao e controle de um processo produtivo esquematizado
em um conjunto de entradas, fatores controlveis e incontrolveis e sadas.
Fatores Controlveis
X1
X2
Xp
Avaliao
Controle
...
Entrada
matria-prima,
componentes e
subconjuntos
Processo
...
Sada (Produto)
Y = caracterstica
da qualidade
Z1
Z2
Zq
Fatores Incontrolveis
Figura 2.1 Representao de um processo produtivo

Fonte: Montgomery (1985)
Conforme resumo apresentado por Montgomery (1985), Juran & Godfrey (1999) e
Garvin (2002) a histria de utilizao de tcnicas estatsticas em fabricao e garantia da
qualidade teve incio em 1924 com Walter A. Shewhart da Bell Telephone Laboratories com
o desenvolvimento do conceito de grficos de controle estatstico. Ainda na dcada de 1920
Harold F. Dodge e Harold G. Romig, tambm da Bell Telephone Laboratories,
desenvolveram a aceitao por amostragem estatisticamente baseada como alternativa
inspeo 100%. Em meados da dcada de 1930 mtodos de controle estatstico da qualidade
foram amplamente utilizados na Western Eletric. Durante a Segunda Guerra Mundial o uso de
conceitos estatsticos de aceitao e controle de qualidade nas indstrias tornaram-se mais
difundidos e posteriormente as demais organizaes perceberam que as tcnicas de controle
da qualidade poderiam ser teis em todos os tipos de produtos e servios. Nas dcadas de
1950 e 1960 houve desenvolvimento tanto em garantia da qualidade como em custos da
__________________________________________________________________________________________
13
qualidade, confiabilidade e o surgimento de uma forma de gerenciamento das organizaes

sob o ponto de vista da qualidade. Mais recentemente o desenvolvimento em garantia da
qualidade tambm se relaciona s questes comportamentais, tais como motivao de
funcionrios e responsabilidade do produto.
Atualmente inquestionvel o papel fundamental que os mtodos estatsticos
desempenham na melhoria da qualidade. Montgomery & Runger (2003) destacam algumas de
suas aplicaes:
a) Planejamento e desenvolvimento de produtos podem ser utilizados experimentos
planejados para comparar, por exemplo, diferentes materiais, componentes ou
ingredientes e auxiliar na determinao das tolerncias com reduo significativa
de custo e tempo de desenvolvimento;
b) Determinao da capacidade de um processo de fabricao o Controle Estatstico
de Processo pode ser usado para melhorar sistematicamente um processo pela
reduo da variabilidade;
c) Investigao de melhorias no processo tcnicas de Planejamento de
Experimentos podem promover melhorias que conduzem a rendimentos maiores e
menores custos de fabricao;
d) Fornecimento de dados de desempenho e confiabilidade do produto testes de
vida podem conduzir a novos e melhores projetos e produtos que possuam vidas
teis mais longas e menores custos operacionais e de manuteno.
De acordo com Juran & Godfrey (1999) as ferramentas e os mtodos estatsticos tm
contribudo de modo determinante para o planejamento e melhoria da qualidade e, em alguns
casos especficos tais ferramentas so mais do que teis, pois os problemas de qualidade
simplesmente no podem ser solucionados por completo sem a sua adequada aplicao.
Estas ferramentas estatsticas, que so essenciais nas atividades de melhoria da
qualidade em produtos e servios, quando agrupadas de modo organizado, constituem o
Controle Estatstico da Qualidade. Segundo Sarkadi & Vincze (1974) h duas formas
principais de Controle Estatstico da Qualidade: aceitao por amostragem e tcnicas de
controle estatstico de processo.
Na viso de Montgomery (1985) o objetivo primrio do Controle Estatstico da
Qualidade a reduo sistemtica da variabilidade nas caractersticas-chave do produto. A
Figura 2.2 ilustra a forma como isso ocorre ao longo do tempo:
__________________________________________________________________________________________
14
a) Nos estgios iniciais, quando a aceitao por amostragem a tcnica mais

utilizada, as falhas no processo ou os itens em desacordo com as especificaes,
constituem alta percentagem das sadas do processo;
b) A introduo de tcnicas de controle estatstico de processo permite a estabilizao
do processo e reduo da variabilidade;
c) Finalmente, a adoo de experimentos planejados, empregados em conjunto com o
controle de processo, pode minimizar ainda mais a variabilidade, resultando em
um processo produtivo virtualmente livre de defeitos.
100
PERCENTUAL DE APLICAO
Aceitao por
Amostragem
Controle de
Processo
Planejamento de
Experimentos
TEMPO
Figura 2.2 Diagrama de utilizao dos mtodos para garantia da qualidade

Fonte: Montgomery (1985)
A argumentao at aqui exposta, confirma o entendimento de que os mtodos
estatsticos aplicados qualidade fornecem as ferramentas necessrias para avaliao e
melhoria de projetos, processos, produtos e servios de forma robusta e abrangente.
2.3
Anlise e Tratamento de Dados
2.3.1 Aspectos Gerais

A anlise de dados parte fundamental em aplicaes que envolvem o uso da
Estatstica. Na viso de Onishi (2002), o papel da anlise de dados possibilitar que os dados
coletados revelem a sua verdade, mas infelizmente isso no to simples, pois para tanto
__________________________________________________________________________________________
15
necessrio estabelecer e manter condies adequadas. Para Kume (1993) os dados so os

guias das aes, pois a partir deles apreendem-se os fatos pertinentes e tomam-se as
providncias de maneira embasada.
A atividade que precede a etapa de anlise a coleta de dados e, para que sua
execuo ocorra de maneira adequada, so necessrios alguns cuidados, dentre os quais
segundo Soares (2003), destacam-se os seguintes:
a) A preciso dos instrumentos;
b) As normas de medio observadas e padronizadas;
c) O treinamento do pessoal responsvel pela coleta
Segundo Montgomery & Runger (2003) sumrios e apresentaes de dados bem
constitudos so essenciais para o bom julgamento estatstico, pois permitem a visualizao de
caractersticas importantes e sua correta interpretao. Um exemplo de organizao de dados
atravs de um diagrama de caixa (Box Plot) mostrado atravs da Figura 2.3.
Outliers (alm da distncia Q3 + 1,5.IQR)

Observao Mxima
Q3 = 3 Quartil = 75 Percentil = 75%
IQR = Q3 Q1
Intervalo
Interquartil
Q2 = 2 Quartil = 50 Percentil = 50% = Mediana
Q1 = 1 Quartil = 25 Percentil = 25%
Observao Mnima
Figura 2.3 Exemplo de um diagrama de caixa (Box Plot)

Fonte: Adaptado de Montgomery & Runger (2003)
O diagrama de caixa (Box Plot), que pode ter alinhamento vertical ou horizontal,
uma apresentao grfica que descreve simultaneamente vrias caractersticas importantes de
um conjunto de dados, tais como quartis, mediana, disperso, desvio de simetria e
identificao das observaes que esto muito distantes do restante dos dados. Estas
observaes que no seguem o padro da distribuio so tambm chamadas de outliers.
__________________________________________________________________________________________
16
Os outliers podem refletir uma propriedade tpica de um fenmeno subjacente ou

podem ser originados por erros de medio ou outras anomalias resultantes da coleta de
dados. No diagrama de caixa os outliers so representados por pontos individuais alm da
faixa de 1,5 interquartil em relao ao 1 quartil ou em relao ao 3 quartil, podendo ser
calculado conforme indicado nas Equaes 2.1 e 2.2 (MONTGOMERY & RUNGER, 2003):
Outlier = {x / x < Q1 1,5 IQR}
(2.1)
ou
Outlier = {x / x > Q3 + 1,5 IQR}
(2.2)
Onde:
x = valor observado
Q1 = 1 Quartil
Q3 = 3 Quartil
IQR = Intervalo Interquartil = Q3 - Q1
2.3.2 Distribuio de Freqncias

De acordo com Feigenbaum (1994) a distribuio de freqncias pode ser definida
como tabulao ou registro do nmero de vezes que uma medio de uma dada caracterstica
da qualidade ocorre na amostra do produto sob verificao. As distribuies estatsticas
representam uma populao que a coleo de todas as observaes potenciais acerca de um
determinado fenmeno. O conjunto de dados efetivamente observado ou extrado constitui a
amostra desta populao, sendo que um parmetro est para a populao assim como uma
estatstica est para a amostra.
Para construir uma distribuio de freqncias deve-se dividir a faixa de dados em
intervalos de classe ou clulas. A quantidade de intervalos depende da quantidade total de
observaes e da disperso dos dados. Como regra prtica pode-se utilizar um nmero de
intervalos de classe aproximadamente igual raiz quadrada do nmero de observaes. A
distribuio de freqncias pode ser apresentada graficamente atravs de histogramas, que so
de fcil interpretao, principalmente quando os intervalos de classe possuem a mesma
largura.
A Figura 2.4 apresenta um exemplo de distribuio de freqncias com histograma
relacionado medio da resistncia compresso de um determinado corpo-de-prova.
__________________________________________________________________________________________
17
25
20
Freqncia
70 x 90
90 x 110
110 x 130
130 x 150
150 x 170
170 x 190
190 x 210
210 x 230
230 x 250
2
3
6
14
22
17
10
4
2
15
Freqncia
Intervalo
de Classe
(psi)
10
70
90
110
130
150
170
190
210
230
250
Resistncia compresso (psi)
Figura 2.4 Exemplo de uma distribuio de freqncias com histograma

Fonte: Montgomery & Runger (2003)
As distribuies podem estar associadas a variveis aleatrias discretas ou contnuas.
Uma varivel aleatria dita discreta quando possui uma faixa finita ou uma faixa infinita
contvel, tais como, contagem de peas defeituosas em um determinado lote, proporo de
defeituosos, nmero de produtos vendidos, etc. So exemplos de distribuies discretas:
a) Distribuio Binomial;
b) Distribuio de Poisson;
c) Distribuio Geomtrica;
d) Distribuio de Pascal;
e) Distribuio Multinomial;
f) Distribuio Hipergeomtrica.
Uma varivel aleatria contnua uma varivel aleatria com um intervalo finito ou
infinito de nmeros reais para sua faixa, tais como corrente eltrica, comprimento, presso,
temperatura, peso, etc. So exemplos de distribuies contnuas:
a) Distribuio Normal;
b) Distribuio Uniforme;
c) Distribuio Chi-Quadrado;
d) Distribuio F de Fisher;
e) Distribuio t de Student;
f) Distribuio Beta;
__________________________________________________________________________________________
18
g) Distribuio Cauchy;
h) Distribuio Exponencial;
i) Distribuio Gamma;
j) Distribuio Laplace,
k) Distribuio Lognormal;
l) Distribuio Weibull.
O Quadro 2.2 apresenta exemplos de aplicao de algumas distribuies estatsticas.
DISTRIBUIO
ESTATSTICA
CAMPOS DE APLICAO
Normal
Diversas propriedades fsicas, mecnicas, eltricas, qumicas, etc.
Lognormal
Fenmenos de ciclo de vida; situaes assimtricas onde as ocorrncias

so concentradas na cauda da distribuio, nas quais diferenas em
observaes so de grande ordem de magnitude.
Weibull (2 parmetros)
Mesmos casos da Lognormal e tambm em situaes onde as ocorrncias

(por exemplo, taxa de falhas) podem diminuir, aumentar ou permanecerem
constantes com o aumento da caracterstica medida.
Weibull (3 parmetros)
Mesmos casos da Weibull (2 parmetros) e, em adio, diversas

propriedades fsicas, mecnicas, eltricas, qumicas, exceto aquelas
caracterizadas pela distribuio Normal.
Exponencial
Ciclo de vida de sistemas, conjuntos, etc. Para componentes e situaes

onde as falhas ocorrem ao acaso isoladamente e no dependem do tempo
em servio.
Binomial
Nmero de defeitos em um tamanho de amostra n tomada de um grande

lote tendo a frao p de defeituosos; situaes envolvendo tipos de
observaes passa/no passa e bom/ruim. Proporo do lote no se
altera apreciavelmente como resultado da escolha da amostra.
Hipergeometrica
Inspeo de peas mecnicas, eltricas de um pequeno lote tendo

percentual conhecido de defeituosos. Mesmos casos da Binomial, com a
diferena que a proporo do lote pode se alterar como resultado da
escolha da amostra.
Poisson
Situao onde o nmero de vezes que um evento ocorre pode ser

observado, mas no o nmero de vezes que o evento no ocorre. Aplicvel
aos eventos aleatrios distribudos no tempo.
Quadro 2.2 Campos de aplicao de algumas distribuies estatsticas

Fonte: Adaptado de Lipson & Sheth (1973)
__________________________________________________________________________________________
19
2.3.3 A Distribuio Normal

Em diversos fenmenos observados na natureza, bem como em processos
experimentais, de produo e de prestao de servios existem repetidas observaes que
diferem entre si e que variam em torno de um valor central em uma distribuio
aproximadamente simtrica na qual os pequenos desvios ocorrem com muito mais freqncia
do que os grandes desvios. Para Box et al. (1978) uma distribuio contnua que se destaca
por representar tal situao e ocupa uma importante posio no estudo da Estatstica a
distribuio Normal ou Gaussiana. A funo densidade de probabilidade para uma
distribuio Normal dada atravs da Equao 2.3 (MONTGOMERY, 1984).
f(x) =
e
2
( x )2
2 2
para - < x <
(2.3)
Onde:
x = varivel aleatria em estudo
= mdia da distribuio (- < < )

= desvio-padro da distribuio ( > 0)
A curva correspondente distribuio Normal, tambm conhecida como curva
normal, curva do sino (Bell Curve) ou curva de Gauss representada atravs da Figura 2.5.
1 desvio-padro
Ponto de Inflexo
68,27 %
95,45 %
99,73 %
+ 2
+ 3
(mdia)
Figura 2.5 Principais aspectos da curva correspondente distribuio Normal

Fonte: Adaptado de Montgomery (1985) e Kume (1993)
__________________________________________________________________________________________
20
Segundo Lipson & Sheth (1973), a distribuio Normal que a mais conhecida e a
mais amplamente utilizada das distribuies estatsticas, teve seus conceitos desenvolvidos no
sculo XVIII, de forma independente, atravs dos trabalhos de Gauss, Laplace e De Moivre.
Esta distribuio apresenta algumas caractersticas marcantes, dentre as quais destacam-se:
a) A curva simtrica em relao mdia e esta coincide com a moda e a mediana;
b) A notao N(; 2) indica uma distribuio Normal com mdia e varincia 2;
c) Apresenta coeficiente de assimetria igual a zero e de curtose igual a trs;
d) O desvio padro indica a distncia da mdia ao ponto de inflexo da curva;
e) 68,27% dos dados encontram-se na faixa entre 1 (desvio padro) da mdia;
f) 95,45% dos dados encontram-se na faixa entre 2 (desvios padro) da mdia;
g) 99,73% dos dados encontram-se na faixa entre 3 (desvios padro) da mdia.
Clculos de probabilidade em relao distribuio Normal podem ser efetuados a
partir da curva normal reduzida ou padronizada N(0;1), que uma distribuio Normal com
mdia = 0 e varincia 2 = 1 (Anexo A). A varivel pertencente a esta distribuio
denominada varivel aleatria normal padro e denotada por z. A varivel z representa a
distncia de x a partir de sua mdia em termos de desvios padro e , portanto, fundamental
para clculo de probabilidades para uma varivel aleatria normal arbitrria x. A Figura 2.6
ilustra uma curva normal reduzida ou padronizada.
=0
2=1
Z: N(0;1)
-3
X: N( ; 2 )
-2
-1
+ 2
+ 3
Figura 2.6 Curva normal padronizada

Fonte: Adaptado de Montgomery (1985)
__________________________________________________________________________________________
21
O clculo da varivel z, tambm chamada de escore padronizado, dado pela frmula

indicada atravs da Equao 2.4 (MONTGOMERY, 1985).
z=
(2.4)
Onde:
z = varivel aleatria normal padro ou escore padronizado
x = varivel aleatria em estudo
= desvio-padro da distribuio ( > 0)

TEOREMA CENTRAL DO LIMITE:
O Teorema Central do Limite (Equao 2.5), considerado um dos mais teis teoremas
da Estatstica, estabelece que a soma e, conseqentemente, a mdia de um grande nmero de
variveis aleatrias independentes apresenta uma distribuio aproximadamente normal,
indiferentemente do tipo de distribuio de probabilidade dos valores individuais. Esta
aproximao da condio de normalidade melhora medida que a quantidade de variveis
independentes aumenta (MONTGOMERY, 1985).
n
zn =
y i
i =1
i =1
~ N (0;1)
(2.5)
2
i
Onde:
xi = variveis aleatrias independentes

y = x1 + x2 + x3 + ... + xn
zn = escore padronizado
i = mdia de xi
i2 = varincia de xi
As condies acima mencionadas so freqentemente observadas em diversos
mtodos estatsticos aplicados Qualidade. De acordo com Montgomery & Runger (2003),
como conseqncia do Teorema Central do Limite, sempre que ocorrerem replicaes de um
experimento aleatrio, a varivel aleatria que for igual ao resultado mdio das rplicas
tender a ter uma distribuio Normal, medida que o nmero de rplicas se torne grande.
__________________________________________________________________________________________
2.4
22
2.4.1 Definio e Conceitos Bsicos

De acordo com Woodall (2000) o Controle Estatstico de Processo (CEP) uma
subrea do Controle Estatstico da Qualidade e consiste em mtodos para o entendimento, o
monitoramento e a melhoria do desempenho de processos ao longo do tempo, priorizando a
compreenso da variao das caractersticas da qualidade como sendo de fundamental
importncia para o controle do processo. Segundo Silva (1999) o Controle Estatstico de
Processo o ramo do Controle de Qualidade que consiste na coleta, anlise e interpretao de
dados, estabelecimento de padres, comparao de desempenhos e verificao de desvios para
utilizao em atividades de melhoria e controle da qualidade de produtos e servios. Na viso
de Campos (1992) o CEP parte integrante dos programas de Qualidade Total adotados por
inmeras empresas como estratgia habilitadora de sua permanncia e expanso nos mercados
globalizados.
Galuch (2002) afirma que o movimento originado pelo CEP resultou no treinamento
de muitos supervisores e operadores em ferramentas estatsticas bsicas, capacitando-os a
entender melhor o comportamento de processos e produtos e muitos deles aprenderam que
decises baseadas na coleta e anlise de dados superam as decises baseadas no empirismo.
Entretanto, Soares (2001) salienta que o CEP um sistema de deciso e no um substituto da
experincia, ou seja, os mtodos estatsticos auxiliam a deteco e isolamento de desarranjos
em processos, indicando suas causas; com isso a gerncia e a equipe tcnica podem indicar e
aplicar as aes necessrias.
Em linhas gerais o Controle Estatstico de Processo pode ser definido como um
conjunto de ferramentas que tem o propsito de indicar se um processo est funcionando de
maneira ideal, quando apenas causas comuns de variao esto presentes, ou se este processo
est fora de controle e necessita de algum tipo de ao corretiva, ou seja, quando existem
causas especiais de variao. Para um completo entendimento deste conceito necessrio
estabelecer algumas definies que sustentam o Controle Estatstico de Processo, tais como,
processo, variabilidade, causas de variao e capacidade.
PROCESSO:
Com base na norma NBR ISO 9000:2000, define-se processo como um conjunto de
atividades inter-relacionadas ou interativas que transformam insumos (entradas) em produtos
(sadas). Toledo (2005) tambm define processo como um conjunto de transformaes que
__________________________________________________________________________________________
23
determinado produto sofre em funo de suas entradas, fatores controlveis e fatores que no
podem ser controlados (rudos), resultando em uma determinada sada.
Segundo Harrington (1993) existem dois tipos de processo: o empresarial e o
produtivo. Um processo empresarial consiste em um grupo de tarefas interligadas logicamente
que fazem uso de recursos da organizao para gerar resultados definidos em apoio aos
objetivos da organizao. Para Soares (2001) o processo produtivo o que melhor se
identifica nas indstrias, pois envolve a manufatura, isto , envolve contato direto com o
produto ou servio que ser fornecido ao cliente externo.
VARIABILIDADE:
O estudo da variabilidade de grande importncia na aplicao de mtodos
estatsticos, pois algo inerente a todo processo produtivo. Para Montgomery (1985) a
variabilidade devido aleatoriedade inerente natureza, torna praticamente impossvel a
produo de dois produtos ou servios idnticos. Se essa variabilidade for pequena, ou seja, se
no causar impacto perceptvel para o consumidor, tolervel, caso contrrio ser indesejvel
ou mesmo inaceitvel.
Na viso de Reis (2001) o conceito de variabilidade absolutamente crucial para a
compreenso de todas as tcnicas no somente de Controle Estatstico de Processo, mas de
qualquer mtodo estatstico e, no so raros os casos em que os envolvidos na aplicao das
tcnicas de CEP no dispem de uma clara idia a respeito.
CAUSAS DE VARIAO:
Conforme definido por diversos autores as causas de variao em um processo podem
ser classificadas como causas especiais e causas comuns, sendo que, de acordo com
Montgomery & Runger (2003), os termos inicialmente utilizados por Walter A. Shewhart
eram causas atribudas e causas casuais, respectivamente. Deming (1986) afirma que as
causas especiais correspondem a 6% dos problemas e as causas comuns relacionam-se a 94%
das situaes observadas nos processos.
As causas especiais tambm chamadas de causas assinalveis indicam que o processo
no est sob controle estatstico. Normalmente, causas especiais so as que realmente afetam
a qualidade do produto e na maioria das oportunidades faz-se necessrio o seu entendimento e
eliminao, para que o processo se mantenha estvel e sob controle. As causas especiais
podem ser causas espordicas, como por exemplo, condies ambientais passageiras, avarias
ou problemas no equipamento de produo, ferramenta inadequada, lote isolado de matriaprima com defeito e mo-de-obra. Segundo Pires (2000) o monitoramento e a ao corretiva
__________________________________________________________________________________________
24
sobre as causas especiais de responsabilidade da rea operacional da empresa e, uma vez

identificadas, pode-se atuar sobre as mesmas, buscando a estabilizao do processo.
As causas comuns tambm denominadas causas sistmicas, so causas inerentes ao
processo produtivo, pertencendo assim ao prprio sistema, no afetando de maneira incisiva a
qualidade do produto, caracterizando um processo sob controle estatstico. A influncia de
algumas destas causas s pode ser removida ou detectada com iniciativas gerenciais. De
acordo com Souza (2003) quando apenas as causas comuns esto atuando no processo, a
variabilidade se mantm em uma faixa estvel, conhecida como faixa caracterstica do
processo. Alguns exemplos de causas comuns so treinamento inadequado dos operadores,
utilizao de equipamentos cronicamente imprecisos, manuteno deficiente, falta de
normalizao, falta de documentao, aquisio sistemtica de matria-prima de baixa
qualidade, entre outros. Para Grant & Leavenworth (1972) a atuao sobre as causas comuns
normalmente requer investimentos na melhoria de equipamentos e troca de matrias-primas e,
uma vez mantidas em nveis razoveis, as mesmas no afetam de maneira nociva a qualidade
dos itens manufaturados.
CAPACIDADE:
Conforme norma NBR ISO 9000:2000 capacidade definida como a aptido de uma
organizao, sistema ou processo de realizar um produto que ir atender aos requisitos
especificados para este produto. Para Prazeres (1997) a capacidade de um processo pode ser
definida como a habilidade intrnseca de um processo em desempenhar suas funes nas
condies de trabalho, satisfazendo certas especificaes e tolerncias, sendo uma medida de
uniformidade inerente ao processo. Aspectos gerais em relao aos ndices de capacidade ou
capabilidade sero discutidos posteriormente.
2.4.2 Caractersticas Gerais

De acordo com Montgomery & Runger (2003) o Controle Estatstico de Processo
(CEP) um poderoso recurso a ser utilizado em tempo real (on line) para avaliar a condio
de estabilidade de um processo e para melhorar sua capacidade atravs da reduo da
variabilidade. Costuma-se entender o CEP como um conjunto de ferramentas para resolver
problemas, aplicvel a qualquer processo. Segundo Montgomery & Runger (2003) as
ferramentas mais importantes do CEP so as seguintes:
__________________________________________________________________________________________
25
a) Histograma apresentao grfica de uma distribuio de freqncias ou srie de

distribuies quantitativas por meio de retngulos justapostos de modo a revelar a
quantidade de variao existente dentro de um processo;
b) Grfico de Pareto representao grfica do princpio enunciado pelo economista
italiano Vilfredo Pareto em 1897, sobre desigualdade na distribuio de renda,
adaptado aos problemas de qualidade, ou seja, as melhorias podem ser obtidas se a
ateno estiver concentrada primeiramente na direo dos poucos problemas vitais
e em seguida na direo de suas poucas causas vitais;
c) Diagrama de causa e efeito conhecido como Diagrama de Ishikawa ou Diagrama
de Espinha de Peixe, uma tcnica visual que interliga os efeitos com as
respectivas causas, possibilitando uma visualizao das variveis do processo;
d) Diagrama de defeito-concentrao esquema ou desenho de produto com
identificao e localizao dos defeitos de maior ocorrncia;
e) Grfico de controle a mais poderosa ferramenta do CEP, utilizada para mostrar
a variao do processo em relao aos limites de controle estipulados;
f) Diagrama de disperso representao grfica para investigar possvel correlao
entre duas variveis e para provar possvel relao entre causa e efeito;
g) Folha de verificao formulrio no qual os dados podem ser coletados e
registrados de maneira ordenada, permitindo rpida interpretao de resultados.
Na opinio de Reis (2001) o CEP permite o monitoramento contnuo do processo,
possibilitando uma ao imediata no momento em que um problema detectado, sustentando
a filosofia que preconiza a construo da Qualidade dentro do processo e a preveno de
problemas. Segundo Silva (1999) os grficos de controle ou cartas de controle, utilizados no
CEP, so normalmente aplicados em processos contnuos e semi-contnuos onde uma
dimenso ou caracterstica do produto medida em uma amostra aleatria tirada sob um
determinado perodo de tempo com o objetivo de avaliar a estabilidade ou estado de controle
estatstico de um processo.
Para Montgomery & Runger (2003) alm das ferramentas citadas tambm existem os
aspectos comportamentais envolvidos na implementao do CEP, isto , a atitude voltada para
a melhoria contnua na qualidade e na produtividade atravs da reduo sistemtica da
variabilidade, que afinal de contas o objetivo principal do Controle Estatstico de Processo.
__________________________________________________________________________________________
26
A Figura 2.7 apresenta a identificao das etapas envolvidas na operacionalizao do

CEP e a utilizao de informaes provenientes dos grficos de controle para auxiliar a
tomada de decises sobre aes de melhoria.
Figura 2.7 Estratgia para melhorias em Controle Estatstico de Processo

Fonte: Adaptado de Schissatti (1998)
2.4.3 Grficos de Controle

Conforme mencionado anteriormente a principal e mais poderosa ferramenta do CEP
o grfico de controle que foi introduzido por Walter A. Shewhart da Bell Telephone
Laboratories em 1924 como mecanismo de distino entre as chamadas causas comuns
(casuais) e causas especiais (atribudas) de variao de um processo. Segundo Almeida
(2003), devido ao fato de os grficos de controle serem ferramentas extremamente teis para
identificao de variaes observadas em um processo em decorrncia de causas comuns ou
especiais, sua utilizao amplamente difundida em Controle Estatstico de Processo. Pode-se
dizer que tais grficos so comparaes do desempenho do processo, que pode ser avaliado
por meio de qualquer caracterstica da qualidade que seja de interesse, como por exemplo, a
__________________________________________________________________________________________
27
mdia de determinado comprimento, os valores de dimetros de furos, o nmero de itens

faltantes, dentre outros.
De acordo com Montgomery & Runger (2003) existe forte conexo entre grficos de
controle e teste de hipteses. Essencialmente o grfico de controle um teste da hiptese nula
de que o processo est em um estado de controle estatstico e pode ser definido da seguinte
maneira:
H0: O processo est sob controle estatstico
(hiptese nula)
H1: O processo no est sob controle estatstico
(hiptese alternativa)
Atravs da determinao dos limites de controle pode-se avaliar se o processo

encontra-se sob controle estatstico, verificando as caractersticas dos pontos registrados no
grfico. Se os mesmos distribuem-se de acordo com padres aleatrios, indicam processo sob
controle estatstico, pois somente causas comuns esto presentes no mesmo; porm se o
grfico apresenta padres no aleatrios, tais como pontos alm dos limites de controle,
significa que o processo pode estar sendo influenciado por causas especiais de variao. Neste
caso deve ser efetuada uma anlise cuidadosa do processo para possibilitar o diagnstico do
problema e a tomada de aes para que o processo retorne condio anterior. Um grfico de
controle tpico mostrado atravs da Figura 2.8:
x
3,15
Limite Superior
de Controle (LSC)
3,10
3,05
Mdia (LM)
3,00
2,95
Limite Inferior
de Controle (LIC)
2,90
2,85
1
10
11
12
13
14
15
16
17
18
19
20
21
Figura 2.8 Exemplo de um grfico de controle

__________________________________________________________________________________________
28
Segundo Reis (2001), de maneira geral, o procedimento utilizado para a construo de

grficos de controle baseia-se na coleta de amostras de tamanhos fixos em intervalos
amostrais, sendo que seu registro deve respeitar a ordem cronolgica para que seja possvel
identificar quais so as causas de variao no aleatrias. Atravs dos valores amostrais
coletados so obtidas estimativas para a mdia e disperso do processo e, a partir de ento,
so determinados os limites de controle inferior e superior e a linha central do grfico.
Para Montgomery & Runger (2003) os grficos de controle tm uma longa histria de
utilizao industrial e h, no mnimo, cinco razes para sua popularidade:
a) Grficos de controle so comprovadamente teis para melhoria da qualidade;
b) Grficos de controle so efetivos na preveno de defeitos;
c) Grficos de controle podem previr ajustes desnecessrios no processo;
d) Grficos de controle fornecem informao sobre diagnstico;
e) Grficos de controle fornecem informao sobre a capacidade do processo.
Alm disso, nos ltimos anos a moderna tecnologia computacional simplificou a
coleta de dados e a implementao de grficos de controle em qualquer tipo de processo,
possibilitando que a anlise possa ser efetuada em um microcomputador ou em um terminal
de rede em tempo real no prprio local de trabalho.
Na viso de Reis (2001) o conceito de processo sob controle estatstico
extremamente importante, pois atravs deste que se evidencia a presena de padres no
aleatrios. H inmeros padres no aleatrios que podem ser encontrados nos grficos de
controle e para permitir sua correta identificao os seguintes critrios foram estabelecidos
(ASQC/AIAG, 1992):
a) Existncia de pontos alm dos limites superior ou inferior de controle;
b) Ocorrncia de um padro, uma tendncia ou um ciclo que obviamente no se
mostre aleatrio;
c) Regra da seqncia de oito: existncia de oito pontos consecutivos, todos acima ou
todos abaixo da linha central;
d) Seis pontos consecutivos, todos crescentes ou todos decrescentes;
e) Catorze pontos consecutivos se alternado para cima e para baixo;
f) Dois ou trs pontos consecutivos alm dos limites de controle fixados distncia
de dois desvios-padro a contar da linha central;
g) Quatro dentre cinco pontos consecutivos fora dos limites de controle fixados
distncia de um desvio padro a contar da linha central.
__________________________________________________________________________________________
29
Para utilizao dos grficos de controle alguns aspectos importantes merecem ateno
especial para que no ocorram anlises incorretas em funo da falta de entendimento de suas
peculiaridades e caractersticas. De acordo com Alwan & Roberts (1995) algumas suposies
precisam ser satisfeitas para que, independentemente do tipo do grfico de controle
empregado, os resultados sejam vlidos:
a) necessrio que as observaes sejam independentes e identicamente distribudas,
ou seja, que as amostras sejam retiradas de forma aleatria e que o processo que as
gerou esteja sob controle estatstico;
b) Que as observaes sigam alguma distribuio de probabilidade especfica, tais
como a normal, binomial ou Poisson.
As suposies apresentadas acima so extremamente importantes, pois segundo Reis
(2001) os limites de controle calculados e as regras para identificao da presena de padres
no aleatrios pressupem que estas suposies sejam satisfeitas, caso contrrio o valor
encontrado nestes grficos seria no mnimo questionvel.
Existem diversos critrios para classificao dos tipos de grficos de controle
conforme argumentao de Ramos (2003). Quanto caracterstica de controle, por exemplo,
os grficos de controle distinguem-se em entre grficos de controle para variveis, isto
medidas em geral e grficos de controle para atributos, ou seja, dados contveis.
De acordo com Montgomery (1985) os principais grficos de controle para variveis
so os seguintes:
a) Grfico X ou X-bar conhecido como grfico das mdias e apresenta o registro
das mdias da caracterstica da qualidade em estudo, de modo a controlar o valor
mdio da caracterstica de interesse. Na construo deste grfico supe-se a
condio de normalidade das mdias amostrais.
b) Grfico S o grfico de desvio padro, onde os desvios-padro da caracterstica
da qualidade em estudo so registrados de moda a controlar a variabilidade da
caracterstica de interesse. Na construo deste grfico tambm se supe a
normalidade dos dados amostrais e, geralmente preferido em relao ao grfico
de intervalos ou das amplitudes.
c) Grfico R o grfico de intervalo ou das amplitudes, no qual as amplitudes da
caracterstica da qualidade em estudo so registradas de forma a controlar a
variabilidade da caracterstica de interesse.
__________________________________________________________________________________________
30
Na prtica a utilizao conjunta dos grficos X-bar-R ou X-bar-S muito comum, pois
ambos permitem um melhor acompanhamento e controle da caracterstica da qualidade em
estudo, sendo que este ltimo prefervel para amostras de maior tamanho.
As frmulas para definio dos limites de controle dos tipos mais comuns de grficos
de controle para variveis so apresentadas no Quadro 2.3. As constantes A2, A3, B3, B4, D3,
D4 e E2, que permitem a estimativa de 3 , variam em funo do tamanho das amostras
(Anexo B) e encontram-se disponveis em referncias tais como Montgomery (1985),
Feigenbaum (1994), Juran & Godfrey (1999), Montgomery & Runger (2003), entre outros.
TIPO DE GRFICO
LIMITES DE CONTROLE
Grfico
Frmulas
Mdia
LSC X = X + A2. R
LM X = X
LIC X = X - A2. R
X eR
Amplitude
LSCR = D4. R
LMR = R
LICR = D3. R
LSC X = X + A3. S
Mdia
LM X = X
LIC X = X - A3. S
X eS
Desvio-Padro
Mediana
~
X eR
Amplitude
Individuais (X)
Xi e R
LSCS = B4. R
LMS = S
LICS = B3. S
~
LSC X~ = X + A2. R
~
LM X~ = X
~
LIC X~ = X - A2. R
LSCR = D4. R
LMR = R
LICR = D3. R
LSCXi = X + E2. Rm
LMXi = X
LICXi = X - E2. Rm
LSCR = D4. Rm
Amplitude
LMR = Rm
LICR = D3. Rm
Quadro 2.3 Frmulas dos tipos mais comuns de grficos de controle para variveis
Fonte: Galuch (2002)
__________________________________________________________________________________________
31
Segundo Montgomery (1985) os principais grficos de controle para atributos so:

a) Grfico p Registro das fraes de itens defeituosos da amostra, isto , do nmero
de itens defeituosos dividido pelo nmero total de itens da amostra. A distribuio
de probabilidades da frao defeituosa binomial. um grfico utilizado para
atributos do tipo classificao
b) Grfico np Similar ao anterior, este grfico apresenta o registro do nmero de
itens da amostra que foram classificados como defeituosos.
c) Grfico c Atributos do tipo contagem devem ser controlados por este tipo de
grfico, que registra o nmero total de defeitos ou no-conformidades de cada
amostra inspecionada. A distribuio de probabilidade a de Poisson e
necessrio que as amostras tenham sempre o mesmo tamanho.
d) Grfico u Este grfico registra o nmero de defeitos dividido pelo nmero de
unidades inspecionadas, ou seja, a taxa de defeitos (atributos do tipo contagem). A
distribuio de probabilidade tambm de Poisson, mas no necessrio que as
amostras tenham sempre o mesmo tamanho.
O Quadro 2.4 apresenta as frmulas para definio dos limites de controle dos grficos
de controle para atributos. Os termos indicados nas frmulas possuem o seguinte significado:
n = tamanho da amostra;
m = nmero de amostras;
c = nmero total de defeitos em todas as unidades da amostra;
d = nmero de peas defeituosas.
TIPOS DE GRFICOS
p
(proporo de defeituosos)
np
(nmero total de defeituosos)
c
(nmero de defeitos da amostra)
u
(defeitos por unidade)
FRMULAS
Linha Mdia
Limites de Controle
d
p (1 p )
p =
p 3.
n
n
p 3. n p (1 p )
c=
c
m
c 3. c
u =
c
n
u 3.
u
n
Quadro 2.4 Frmulas dos tipos de grficos de controle para atributos

Fonte: Galuch (2002)
__________________________________________________________________________________________
32
No projeto de um grfico de controle necessrio especificar o tamanho da amostra a

ser utilizada, bem como a freqncia de amostragem. Montgomery (1985) destaca que a
largura dos limites de controle inversamente proporcional ao tamanho n da amostra para um
determinado mltiplo do valor do desvio-padro. Uma idia fundamental no uso de grficos
de controle coletar dados de acordo com o que Walter A. Shewhart chamou de subgrupo
racional. Na viso de Montgomery & Runger (2003) este conceito significa que subgrupos ou
amostras devem ser selecionados de modo que a variabilidade das observaes, dentro de um
subgrupo, inclua toda variabilidade casual ou natural. Desta forma, os limites de controle
representaro fronteiras para toda variabilidade natural e as causas especiais tendero a gerar
pontos alm dos limites de controle estabelecidos.
As formas mais utilizadas de grficos de controle so os grficos X -R e os grficos
individuais, sendo que uma importante desvantagem destes grficos a sua relativa
insensibilidade em detectar pequenas mudanas no processo, como algo da ordem de 1,5 ou
menos. Segundo Bower (2000) dois tipos de grficos so primariamente utilizados para
detectar pequenos desvios: CUSUM e EWMA.
O grfico CUSUM (Cumulative Sum) ou grfico da soma cumulativa foi desenvolvido
em 1954 por E.S. Page e construdo atravs do registro da soma cumulativa dos desvios dos
valores amostrais em relao a um valor alvo. De acordo com Montgomery & Runger (2003)
os grficos de soma cumulativa so indicados para detectar pequenos desvios, pois combinam
informao proveniente de vrias amostras. Por este motivo, o grfico de controle da soma
cumulativa um bom candidato para uso em indstrias qumicas e de processos, onde
subgrupos racionais so freqentemente de tamanho igual a 1.
Uma tcnica alternativa para detectar pequenas mudanas no processo o uso do
grfico EWMA (Exponentially Weighted Moving Average) ou grfico com mdia mvel
exponencialmente ponderada, desenvolvido por S.W. Roberts em 1959. Bower (2000) afirma
que este tipo de grfico possui algumas propriedades particularmente atrativas, tais como:
a) Diferentemente dos grficos de Shewhart, todos os dados coletados ao longo do
tempo podem ser usados para determinar a situao de controle do processo;
b) freqentemente superior ao grfico CUSUM para detectar grandes desvios;
c) Pode ser aplicado para monitorar desvios-padro em adio mdia do processo;
d) Possibilidade de uso de EWMA na previso de valores de mdia do processo;
e) A metodologia EWMA insensvel suposio de normalidade.
__________________________________________________________________________________________
33
Escolher a ferramenta adequada para execuo das atividades de monitoramento de

um processo pode parecer uma tarefa complexa devido existncia de inmeros grficos de
controle. Contudo, a escolha do tipo de grfico mais adequado em funo dos diferentes tipos
de dados pode ser auxiliada por meio do fluxograma apresentado na Figura 2.9.
Figura 2.9 Fluxograma para escolha do tipo de grfico de controle

Fonte: ASQC/AIAG (1992)
2.4.4 ndices de Capabilidade

Os grficos de controle tm por objetivo avaliar a estabilidade do processo estudado,
monitorando seus parmetros ao longo do tempo; ao passo que o estudo de capacidade visa
definir se um processo, cujo comportamento seja conhecido, capaz de produzir itens ou
prestar servios conforme as especificaes estabelecidas pelo cliente. Almas (2003) ressalta
que o fato de um processo estar dentro dos limites de controle estatstico no significa que os
produtos resultantes atendem s especificaes de qualidade exigidas.
Segundo Pires (2000), o estudo da capacidade dos processos um procedimento que
evolui a partir do estudo dos grficos de controle e, somente aps a eliminao das causas
__________________________________________________________________________________________
34
especiais, pode-se avaliar se um processo capaz de atender as especificaes de uma

determinada caracterstica da qualidade. Para Kotz & Johnson (2002) os ndices de
capacidade ou capabilidade fornecem uma estimativa sobre o potencial do processo ao invs
de expressar a real situao na qual o mesmo se encontra.
Os termos capacidade, capabilidade, aptido e desempenho de processo possuem o
mesmo significado segundo Toledo (2005), pois todos representam medidas estatsticas que
indicam a taxa de variao existente no processo em relao s especificaes dos clientes.
Um exemplo de avaliao da capabilidade em um processo de fabricao de rotores
representado atravs da Figura 2.10. Neste exemplo a avaliao efetuada por meio de
comparao do histograma dos valores das medidas de interesse com os seus limites de
especificao.
20
15
10
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44
LIE
dimenso
nominal
LSE
Figura 2.10 Exemplo de avaliao de capabilidade de um processo com histograma

Fonte:Montgomery & Runger (2003)
Montgomery (1985) estabelece que as principais aplicaes da anlise de capabilidade
de um processo so as seguintes:
a) Prever como o processo se manter dentro das tolerncias;
b) Auxiliar na seleo ou modificao do processo;
c) Auxiliar no estabelecimento de um intervalo entre as amostragens no processo;
d) Especificar requisitos de desempenho para novos equipamentos;
e) Auxiliar na escolha entre fornecedores;
__________________________________________________________________________________________
35
f) Planejar a seqncia dos processos produtivos quando h interao entre estes

processos e as tolerncias;
g) Reduzir a variabilidade em um processo produtivo;
h) Aferir o sistema de obteno de medidas.
De acordo com Roth (2005) os ndices de capabilidade so calculados a partir de
dados do processo em estudo, mas os valores so afetados pelo fato de o processo estar sob
controle estatstico e ter um desvio-padro aumentado. Portanto, os seguintes cuidados devem
ser observados para que o clculo dos ndices seja adequado:
a) O processo deve produzir uma distribuio Normal;
b) O processo deve estar sob controle estatstico;
c) O tamanho da amostra deve permitir que o clculo do desvio-padro seja racional.
Para avaliar a capabilidade do processo necessrio conhecer a distribuio de
probabilidade da varivel de interesse e estimar a mdia e a variabilidade dos valores
individuais, para ento determinar os limites naturais do processo. Se a varivel de interesse
seguir uma distribuio Normal seus limites naturais podem ser calculados como seis desviospadro. Para Roth (2005) os ndices de capabilidade possibilitam, atravs de rpida
observao, determinar se o processo capaz de atender as especificaes, sendo definidos
como uma taxa da amplitude das tolerncias em relao disperso do processo, da seguinte
forma (Equao 2.6):
ndice =
esperado
real
(2.6)
A disperso do processo pode ser calculada a partir da estimativa do desvio-padro,

que no caso dos grficos de controle para X -R e X -S obtida da seguinte maneira:
R
d2
(2.7)
ou
S
C4
(2.8)
Onde:
= estimativa do desvio-padro do processo em estudo

R = mdia das amplitudes das amostras em estudo
S = mdia dos desvios-padro das amostras em estudo
C 4 , d 2 = constantes tabeladas que variam em funo do tamanho das amostras
__________________________________________________________________________________________
36
Existem diversos ndices de capabilidade e cada um deles apresenta diferentes

informaes, por este motivo de fundamental importncia o perfeito entendimento de seu
significado de modo a possibilitar correta interpretao e adequada tomada de aes. Os
ndices de capabilidade, fundamentados nas suposies de normalidade dos dados e de
controle estatstico do processo so comumente conhecidos como CP e CPK. Em processos
onde as amostras so relativamente pequenas ou para os quais no se tenha certeza de sua
estabilidade so utilizados os ndices PP e PPK. A seguir so apresentadas as frmulas de
alguns ndices de capabilidade de acordo com Roth (2005):
a) ndice CP (Equao 2.9) Fornece uma medida indireta da habilidade potencial do
processo em atender s especificaes da caracterstica da qualidade de interesse,
considerando o processo centrado na mdia das especificaes.
CP =
LSE LIE
6
(2.9)
Onde:
CP = ndice de capabilidade potencial do processo
LSE = limite superior de especificao
LIE = limite inferior de especificao
= estimativa do desvio-padro do processo

b) ndice CPK (Equao 2.10) Fornece uma medida da habilidade real do processo
em atender s especificaes, pois quantifica a capabilidade em funo da pior
metade dos dados; no considera o processo centrado na mdia das especificaes.
LSE LIE
,
3
3
CPK = min.
(2.10)
Onde:
CPK = ndice de capabilidade real do processo
= estimativa da mdia do processo

c) ndice PP (Equao 2.11) Fornece uma medida do desempenho potencial, mas ao
invs da estimativa para o desvio-padro do processo, utiliza o desvio-padro S
da amostra em estudo, considerando o processo centrado na mdia das
especificaes.
__________________________________________________________________________________________
PP =
37
LSE LIE
6S
(2.11)
Onde:
PP = ndice de desempenho potencial do processo
S = desvio padro da amostra em estudo
d) ndice PPK (Equao 2.12) Fornece uma medida do desempenho real atravs do
desvio-padro S da amostra em estudo e no considera o processo centrado na
mdia das especificaes, pois o ndice calculado em funo da pior metade dos
dados.
LSE LIE
PPK = min.
,
3S
3S
(2.12)
Onde:
PPK = ndice de desempenho real do processo
O Quadro 2.5 mostra uma regra geral baseada em Werkema (1995) e Ramos (2003),
que pode ser utilizada para anlise, classificao e interpretao do ndice CP de capacidade
ou capabilidade do processo a partir de um cdigo de identificao por cores.
NDICE CP
CLASSIFICAO
INTERPRETAO
A capacidade do processo inadequada especificao exigida.
Processo vermelho Nesta situao o responsvel pela produo dever tentar
CP < 1,00
(incapaz)
diminuir a variabilidade do processo ou realizar o trabalho em

outro processo que atenda as especificaes.
A capacidade do processo est dentro da especificao exigida.
1,00 CP 1,33
Processo amarelo
(razovel)
Nesta situao o responsvel pela produo dever tentar

diminuir a variabilidade do processo. Grficos de controle so
teis para manter o processo sob controle estatstico, evitando a
produo de unidades no conformes.
A capacidade do processo adequada especificao exigida.
CP > 1,33
Processo verde
Nesta situao o responsvel pela produo no necessita de
(capaz)
maiores preocupaes com o processo, a menos que se queira

reduzir a variabilidade para aumentar a qualidade dos produtos.
Quadro 2.5 Classificao de processos a partir do ndice CP

Fonte: Adaptado de Werkema (1995) e Ramos (2003)
__________________________________________________________________________________________
2.5
38
Metodologia Seis Sigma
2.5.1 Definio e Conceitos Bsicos

Seis Sigma uma metodologia de melhoria em processos fundamentada em mtodos
estatsticos com o objetivo de reduzir os erros atravs da identificao e eliminao das causas
de variao nos diversos processos empresariais. Segundo Linderman et al. (2003) Seis Sigma
um mtodo sistemtico e organizado para melhoria de processos, novos produtos e
desenvolvimento de servios que se baseia em mtodos estatsticos e cientficos para efetuar
uma drstica reduo nas taxas de defeitos definidas pelos clientes. Harry (1998) afirma que a
aplicao da metodologia permite s organizaes incrementar seus lucros por meio da
otimizao das operaes, melhoria da qualidade e eliminao de defeitos, erros e falhas e,
por este motivo, tem sido adotada por diversas empresas ao redor do mundo.
Para Hoerl (2001) a iniciativa de melhoria atravs da metodologia Seis Sigma tem se
tornado extremamente popular nos ltimos anos e est conduzindo a uma srie de discusses
e aplicaes relacionadas aos diversos mtodos estatsticos. Segundo Rotondaro (2002), as
ferramentas utilizadas e os mtodos aplicados so bem conhecidos dos profissionais da
Qualidade, mas a estruturao do programa e o foco na reduo da variabilidade do processo
tornam a Metodologia Seis Sigma extremamente eficaz.
De acordo com Harry & Schroeder (2000) o conceito sigma foi criado na dcada de
1980 como uma forma de desenvolver uma mtrica universal de qualidade para mensurao
de processos, independentemente de sua complexidade. A metodologia Seis Sigma est
associada reduo da variao e o desvio-padro, representado pela letra do alfabeto
grego, quantifica a variabilidade em um processo. A Tabela 2.1 mostra uma relao do nvel
sigma com a proporo de defeitos definida em partes por milho (PPM).
NVEL
PPM
CUSTO DA NO
SIGMA
(partes por milho)
QUALIDADE
3,4
< 10 % das vendas
233
10-15 % das vendas
6.210
15-20 % das vendas
66.807
20-30 % das vendas
308.537
30-40 % das vendas
690.000
CATEGORIA
Empresa de classe mundial
Empresa comum
Empresa no competitiva
Tabela 2.1 Referncias para o nvel sigma

Fonte: Harry (1998)
__________________________________________________________________________________________
39
Quanto maior o valor na escala sigma, menor a probabilidade de um processo

produzir defeitos e, como resultado, h a reduo da necessidade de testes e inspees, os
ciclos e os custos diminuem e a satisfao dos clientes aumenta, atingindo assim elevados
nveis de excelncia operacional e de competitividade.
Segundo Harry (2003) a Metodologia Seis Sigma pode apresentar diversas aplicaes
prticas e benefcios econmicos em uma empresa, dentre os quais destacam-se:
a) Benchmark e metas de qualidade;
b) Medida de desempenho;
c) Filosofia de melhoria;
d) Caracterizao e otimizao de parmetros;
e) Projeto de novos sistemas;
f) Simulao de processos e de produo;
g) Anlise de confiabilidade.
2.5.2 Origens da Metodologia Seis Sigma

Conforme relatado por Perez-Wilson (1998), Harry & Schroeder (2000), Harry (2003)
e sintetizado por Souza (2002), Reis (2003) e Toledo (2005), a Metodologia Seis Sigma
nasceu e se desenvolveu em meados da dcada de 1980 na empresa Motorola, com o objetivo
de torn-la capaz de enfrentar os concorrentes estrangeiros, que estavam fabricando produtos
de melhor qualidade com menores custos. A empresa passou a direcionar esforos no sentido
de reduzir a variao dos processos de manufatura, administrativos e demais atividades na
organizao, tanto que, aps quatro anos de sua implantao, j havia economizado
aproximadamente US$ 2,2 bilhes (dois bilhes e duzentos milhes de dlares).
Aps a divulgao destes primeiros resultados, empresas como Asea Brown Boveri,
Allied Signal, General Electric e Sony, tambm passaram a utilizar a nova metodologia. A
Asea Brown Boveri implantou Seis Sigma em sua unidade de negcios de transformadores,
conseguindo uma reduo de 30% nos custos dos produtos e 68% nos nveis de defeitos, o
que resultou em uma economia de US$ 898 milhes (oitocentos e noventa e oito milhes de
dlares) em um perodo de dois anos. Em seguida, Jack Welch, ento CEO (Chief Executive
Office) da General Electric, aplicou o programa em sua organizao com grande sucesso, pois
evoluiu de uma abordagem de soluo de problemas para uma viso mais ampla de estratgia
de negcio, fazendo com que a Metodologia Seis Sigma obtivesse uma repercusso notvel
em termos mundiais.
__________________________________________________________________________________________
40
2.5.3 Caractersticas Gerais

Em um processo que apresenta uma variao de 3 entre a mdia e cada um dos
limites de especificao, a rea sob a curva normal indica uma proporo de itens no
conformes de 1350 PPM em cada uma das duas caudas da distribuio. Considerando os dois
lados, a frao de itens no conformes de 2700 PPM. Por outro lado, um processo com 6
entre a mdia e cada um dos limites de especificao apresenta 0,001 PPM em cada lado da
distribuio, ou seja, a frao total de itens no conformes da ordem de 0,002 PPM. A
Figura 2.11 ilustra esta situao.
Distribuio Normal Centrada

LIE
LSE
Limite Inferior de Especificao
Limite Superior de Especificao
0,001 PPM
1350 PPM
mdia
Figura 2.11 A curva normal e os limites de especificao

Fonte: Adaptado de Reis (2003)
Entretanto, dificilmente um processo permanece centralizado ao longo do tempo e
esperado que apresente um desvio (shift) em relao ao valor nominal. A empresa Motorola
adotou mais ou menos 1,5 como valor representativo para este desvio. Com isso, um
processo operando com a Metodologia Seis Sigma apresenta 3,4 DPMO (defeitos por milho
de oportunidades). Segundo Reis (2003) a maior parte das empresas adota o critrio
estabelecido pela Motorola, embora existam questionamentos em relao ao valor de 1,5 .
De acordo com Harry (2003) o desvio de 1,5 sigma est associado a uma correo
estatisticamente embasada para compensar a degradao do desempenho a longo prazo,
atribuda unicamente influncia de erros aleatrios inerentes ao processo. A Figura 2.12
apresenta o deslocamento da mdia do processo em relao curva normal.
__________________________________________________________________________________________
LIE
41
LSE
Desvio de 1,5 sigma
Limite Inferior de Especificao
Limite Superior de Especificao
3,4 PPM
mdia
Figura 2.12 Deslocamento da mdia do processo em 1,5 sigma

A quantidade de itens alm dos limites de especificao para alguns valores de
desvios-padro em um processo centralizado, assim como em um processo no centralizado,
com desvio de 1,5 sigma, mostrada na Tabela 2.2.
NVEL SIGMA
PPM (partes por milho)

Sem Shift
Com Shift
1 sigma
317300
697700
2 sigma
45500
308700
3 sigma
2700
66810
4 sigma
63
6210
5 sigma
0,57
233
6 sigma
0,002
3,4
Tabela 2.2 Referncias entre nvel sigma e PPM (com e sem desvio)
Fonte: Adaptado de Reis (2003)
A Metodologia Seis Sigma baseada em um sistema de acompanhamento conhecido
como DMAIC, sigla que denota as seguintes etapas: Definir (Define), Medir (Measure),
Analisar (Analyze), Melhorar (Improve) e Controlar (Control). O Quadro 2.6 apresenta uma
viso geral dos passos associados ao modelo DMAIC.
__________________________________________________________________________________________
ETAPA
DEFINIO
MEDIO
ANLISE
MELHORIA
CONTROLE
42
DESCRIO
Identificar CTQs (itens crticos para qualidade na viso do cliente)
Desenvolver escopo de atuao da equipe de trabalho
Definir mapa do processo
Selecionar caracterstica do CTQ
Definir padro de desempenho
Analisar o sistema de medio e coleta de dados
Estabelecer a capabilidade do processo
Definir objetivos de desempenho
Identificar origens de variao
Filtrar causas potenciais de variao
Descobrir relaes entre as varveis e propor solues
Estabelecer tolerncias operacionais e soluo piloto
Validar o sistema de medio
Determinar a capabilidade do processo
Implementar sistema de controle do processo
Quadro 2.6 Viso geral do DMAIC
Fonte: Adaptado de Harry (1998)
Para Rotondaro (2002) a abordagem DMAIC na realidade uma evoluo do mtodo

introduzido por W.E. Deming, o ciclo PDCA (Plan, Do, Check, Act), que um dos exemplos
mais populares de metodologia que tem sido utilizada para a melhoria dos processos.
A Metodologia Seis Sigma necessita de pessoal especializado para sua aplicao e,
segundo Harry (1998), os principais papis so desempenhados pelos seguintes elementos:
a) Comit de Liderana;
b) Patrocinadores (Champions);
c) Especialista Mster (Master Black Belt);
d) Especialista em Seis Sigma (Black Belt);
e) Participantes das Equipes (Green Belts).
Os termos Black Belt e Green Belt so uma analogia aos especialistas em artes
marciais. As principais atribuies deste grupo incluem:
a) Estabelecimento das funes nos programas;
b) Definio e fornecimento de infra-estrutura e recursos;
c) Seleo de projetos especficos;
d) Reviso regular do andamento dos projetos;
e) Atuao como patrocinadores dos projetos;
f) Remoo de obstculos ao trabalho dos grupos.
__________________________________________________________________________________________
43
O Quadro 2.7 apresenta a comparao dos papis na aplicao da Metodologia Seis

Sigma, assim como uma apresentao sucinta das necessidades de treinamento.
Champion
Master Black Belt
Black Belt
Green Belt
Recomendvel
formao ou
orientao tcnica.
Domnio de
ferramentas
estatsticas bsicas.
Base e suporte
tcnico.
Familiaridade com
as ferramentas
estatsticas bsicas.
Um BB poderia ser
engenheiro ou
profissional com 5
ou mais anos de
experincia.
Sua posio deve

estar associada com
o problema que est
sendo resolvido.
Treinamento
Aproximadamente 200
3 a 5 dias de
horas de treinamento e
treinamento especfico desenvolvimento de
projetos
Aproximadamente
160 horas de
treinamento e
desenvolvimento de
projetos
Aproximadamente
80 horas de
treinamento e
desenvolvimento de
projetos
Nmero de
Pessoas
Treinadas
1 Champion por
unidade de negcio
1 BB para cada 50100 pessoas
1 GB para cada 1020 pessoas
Qualificaes
Familiaridade com
ferramentas
estatsticas bsicas e
avanadas.
Executivos seniores e
gerentes.
Recomendvel
formao tcnica.
Domnio de
ferramentas estatsticas
bsicas e avanadas.
Um MBB poderia ser,
por exemplo, um
gerente ou engenheiro
chefe.
1 MBB para cada 2030 BB
Quadro 2.7 Papis desempenhados na Metodologia Seis Sigma

Fonte: Adaptado de Harry & Schroeder (2000)
2.5.4 Determinao do Nvel Sigma

Como forma de estimar o desempenho das atividades desenvolvidas, as organizaes
estabelecem medidores de desempenho claros, tais como partes por milho (PPM), ndices de
capabilidade de processo, custos da qualidade, entre outros. De acordo com Carvalho (2002) o
ndice de capabilidade seis sigma apresenta algumas diferenas em relao s mtricas
tradicionais e, dentre as mtricas mais utilizadas, as que mais se assemelham ao referido
ndice so CPK e PPK (Equaes 2.10 e 2.12).
Em um processo cuja mdia esteja eqidistante dos limites de especificao e o ndice
de capacidade seja igual a 1 (CPK = 1), os limites de especificao distam 3 desvios-padro da
mdia. Caso a mdia no esteja centralizada em relao aos limites de especificao, adota-se
a pior capacidade, ou seja, utiliza-se o limite de especificao mais prximo. Para um
processo com padro seis sigma o ndice CPK deve ser igual a 2, isto , o processo
considerado capaz se a sua mdia estiver a 6 desvios-padro dos limites de especificao.
__________________________________________________________________________________________
44
O ndice utilizado para determinar a capacidade seis sigma mede a distncia da mdia
especificao mais prxima (LIE ou LSE) em quantidades de desvios-padro (sigmas),
utilizando como referncia a curva normal padronizada N(0;1). Atravs de uma tabela de
distribuio Normal Padro e conforme mostrado na Figura 2.11, pode-se verificar que o nvel
seis sigma corresponde a aproximadamente 0,002 PPM, ou seja, 2 (dois) defeitos por bilho
de oportunidades. A quantidade de 3,4 partes por milho, definida como padro seis sigma,
relaciona-se ao valor z igual a 4,5. Esta diferena de 1,5 sigma, segundo estudos da Motorola
relatados por Harry (2003), advm da variao e mudanas do processo ao longo do tempo
conforme anteriormente representado atravs da Figura 2.12.
De acordo com resumo efetuado por Almas (2003), os dados coletados em um
intervalo de tempo pequeno e, portanto, sem causas especiais de variao, representam o
ndice zST de curto prazo (short term). Os dados obtidos em intervalos de tempo maiores, com
causas comuns e especiais de variao, equivalem ao ndice zLT de longo prazo (long term).
Como no ndice de curto prazo os dados utilizados no contm causas especiais de variao,
normalmente seu valor maior que os ndices utilizados com os dados de longo prazo.
A referncia para a determinao do nvel sigma o ndice conhecido como zbench que
obtido atravs da verificao da proporo de defeitos ou partes por milho de acordo com
os limites de especificao inferior e superior da distribuio ou do processo em estudo
(Equaes 2.13 e 2.14), que somadas resultam na proporo total de defeitos (Equao 2.15).
zLIE =
X LIE
PPM LIE
S
(2.13)
zLSE =
LSE X
PPM LSE
S
(2.14)
PPM TOTAL = PPM LIE + PPM LSE
(2.15)
Onde:
zLIE = coordenada correspondente ao limite inferior de especificao da distribuio em estudo

zLSE = coordenada correspondente ao limite superior de especificao da distribuio em estudo
X = mdia da amostra do processo em estudo
PPMLIE = frao no conforme abaixo do limite inferior de especificao (partes por milho)
PPMLSE = frao no conforme acima do limite superior de especificao (partes por milho)
PPMTOTAL = frao no conforme total em partes por milho
__________________________________________________________________________________________
45
Com a proporo total de defeitos do processo em estudo obtm-se, atravs da tabela

de distribuio Normal Padro, a estatstica zbench, que corresponde ao escore padronizado da
curva normal reduzida N(0;1). Esta estatstica equivale ao ndice zLT, pois refere-se ao zbench
de longo prazo conforme mencionado anteriormente. Em seguida, obtm-se o valor do ndice
de curto prazo zST , que a capacidade potencial do processo conforme Equao 2.16.
Zbench(ST) = Zbench(LT) + Zshift
(2.16)
Onde:
Zbench(ST) = ndice de curto prazo equivalente ao nvel sigma
Zbench(LT) = ndice de longo prazo
Zshift = desvio da mdia do processo ao longo do tempo
Adotando-se o valor de 1,5 sigma para Zshift, a Equao 2.16 tambm pode ser
expressa de modo simplificado de acordo com Equao 2.17:
Nvel Sigma = Zbench(LT) + 1,5
(2.17)
Atravs da Figura 2.13 apresentado um esquema extremamente simplificado que

possibilita a visualizao e compreenso da lgica utilizada na determinao do ndice ou
nvel sigma de capabilidade.
2 =1
Distribuio
em anlise
Normal
Reduzida
N(0;1)
LIE Alvo
PPMLIE
LSE
0
PPMLSE
Proporo total de defeitos

da distribuio analisada
PPMTOTAL ZBENCH
ZBENCH (ST) = ZBENCH (LT) + ZSHIFT
Zbench
PPMTOTAL
ZLIE PPMLIE
ZLSE PPMLSE
PPMLIE + PPMLSE = PPMTOTAL
ZBENCH
Equivalncia da proporo total de defeitos com
a Normal Reduzida (escore padronizado)
O Nvel Sigma de Qualidade leva em conta o
desvio de 1,5 (ZSHIFT) no clculo do ndice
NVEL SIGMA = ZBENCH (LT) + 1,5
Figura 2.13 Esquema simplificado para clculo do nvel sigma

__________________________________________________________________________________________
46
Como mtodo alternativo as seguintes aproximaes, indicadas atravs das Equaes

2.18 e 2.19, ainda podem ser utilizadas no clculo do nvel sigma (BREYFOGLE, 1999):
Nvel Sigma 3.PPK + 1,5
(2.18)
Nvel Sigma 0,8406 + 29,37 2,221. ln( ppm)
(2.19)
A relao entre nvel sigma e a proporo de defeitos em partes por milho (PPM)
definida em funo da curva normal reduzida N(0;1), podendo ser obtida atravs das tabelas
da distribuio Normal Padro (Anexo A), disponveis em livros de Estatstica e Controle
Estatstico de Processo ou ainda por meio de softwares estatsticos. Uma tabela de converso
em PPM para alguns valores de zbench est disponvel no Anexo C desta dissertao.
Para o clculo do nvel sigma nos casos onde a varivel em estudo do tipo atributo,
percorre-se o caminho inverso, isto , a partir da proporo de defeitos determinam-se os
ndices de longo e curto prazo respectivamente. Segundo Carvalho (2002) a empresa
Motorola introduziu uma forma de ajustar as medidas em funo da complexidade do que est
sendo avaliado, ou seja, o nmero de defeitos por milho de oportunidades (DPMO). Essa
abordagem permite que sejam comparados os desempenhos de diferentes produtos e servios,
fato que amplia o leque de possibilidades de utilizao da Metodologia Seis Sigma. Uma
sntese dos conceitos bsicos para atributos mostrada no Quadro 2.8.
CONCEITO
DEFINIO
Defeito
Qualquer no conformidade s especificaes
Defeituoso
Unidade que apresenta um ou mais defeitos
Unidade
Sada do processo que ser avaliada segundo a presena de defeitos
Oportunidade
Formas nas quais o processo pode se desviar do que especificado

para cada unidade, gerando no conformidade
Defeitos por unidade
DPU =
nmero de defeitos
nmero de unidades
Defeitos por oportunidades
DPO =
nmero de defeitos
nmero de oportunidades nmero de unidades
Defeitos por milho de

oportunidades
DPMO =
nmero de defeitos
nmero de oportunidades nmero de unidades
10 6
Quadro 2.8 Definio de conceitos para atributos na Metodologia Seis Sigma

Fonte: Adaptado de Carvalho (2002)
__________________________________________________________________________________________
47
Um fluxograma geral resumido para determinao do ndice de capacidade seis sigma

apresentado atravs da Figura 2.14.
Figura 2.14 Fluxograma geral para determinao do ndice de capacidade seis sigma
Fonte: Adaptado de Carvalho (2002)
__________________________________________________________________________________________
Captulo 3: Estudo da No Normalidade
3.
ESTUDO DA NO NORMALIDADE
3.1
Anlise de Normalidade
48
A distribuio Normal ou Gaussiana importante em diversos estudos, pois este tipo

de distribuio representa de maneira bem aproximada o comportamento de vrias situaes
reais. Alm disso, a distribuio de muitos dos testes estatsticos normal ou apresenta uma
forma derivada da distribuio Normal. Soares (2003) relembra que h alguns anos atrs
existiam estatsticos que afirmavam com convico que se um processo no fosse distribudo
normalmente, poderia haver algo de errado ou o mesmo estaria fora de controle. Sob este
ponto de vista, o grfico de controle seria apenas uma ferramenta para determinar a no
normalidade de um processo com vistas a possibilitar sua correo. Atualmente reconhece-se
que o uso dos grficos de controle provm, principalmente, de sua simplicidade.
A normalidade pode ser verificada na forma grfica ou por meio de tcnicas
estatsticas como teste de hipteses. Segundo Miranda (2005) a forma grfica pode ser, por
exemplo, atravs de histograma pela observao da existncia de assimetria dos dados, ou
grfico normal de probabilidade pela comparao do valor esperado nominal com o valor
ordenado das observaes, esperando-se uma relao linear quando existir normalidade.
Para que haja um completo entendimento da verificao de normalidade efetuada por
meio de testes estatsticos necessrio estabelecer alguns conceitos que os sustentam, tais
como, amostragem, intervalo de confiana, teste de hipteses, nvel de significncia estatstica
e valor P (p-value).
AMOSTRAGEM:
De acordo com Prazeres (1997) uma amostra uma parte ou poro representativa de
um conjunto ou populao a ser medida, analisada ou ensaiada. Um dos principais objetivos
da amostragem a reduo de custos na determinao de algum parmetro da populao que
se deseja analisar. Em processos produtivos possvel determinar tais parmetros por meio de
algumas amostras e o risco de errar, que depende do tamanho da amostra, tambm tem um
custo associado e pode ser calculado.
INTERVALO DE CONFIANA:
Quando se deseja estimar parmetros de uma populao a partir de amostras, no se
tem certeza sobre o verdadeiro valor do parmetro em questo. O intervalo de confiana de
uma determinada estatstica da amostra indica a amplitude ou faixa de valores na qual o
verdadeiro valor do parmetro est contido com certa probabilidade.
__________________________________________________________________________________________
49
TESTE DE HIPTESES:
Conforme definio de Prazeres (1997) o teste de hipteses um procedimento
estatstico para testar hipteses sobre um parmetro populacional a partir de uma distribuio
amostral conhecida. Consideram-se duas hipteses: a hiptese nula (H0), que a suposio
que se pretende testar, e a hiptese alternativa (H1). Os testes podem ser unilaterais ou
bilaterais de acordo com a formulao da hiptese alternativa. Existem dois erros que podem
ser cometidos quando se testa uma hiptese: erro tipo I, que ocorre quando se rejeita uma
hiptese nula senda a mesma verdadeira, e o erro tipo II quando se aceita a hiptese nula
sendo ela falsa.
NVEL DE SIGNIFICNCIA ESTATSTICA:

O nvel de significncia estatstica de um resultado uma medida estimada do grau no
qual este resultado verdadeiro, no sentido de ser representativo da populao. Este
parmetro representa o ndice decrescente de confiabilidade de um resultado, isto , quanto
maior o nvel de significncia, menor a possibilidade de que a relao observada entre
variveis da amostra seja um indicador confivel da relao entre as respectivas variveis da
populao. Segundo Montgomery & Runger (2003) a probabilidade de cometer o erro tipo
I tambm chamada de nvel de significncia ou tamanho do teste. Um nvel de significncia
igual a 0,05 indica que h uma probabilidade de 5% de que a relao entre variveis
encontrada na amostra seja apenas coincidncia ou acidental. Em muitas reas de pesquisa
utiliza-se o nvel de significncia estatstica de 0,05 como um limite de erro aceitvel.
VALOR P OU P-VALUE:
De acordo com Montgomery & Runger (2003) o valor P ou p-value o menor nvel de
significncia que conduz rejeio da hiptese nula com os dados fornecidos. Em outras
palavras, p-value a probabilidade de que a estatstica de teste assuma um valor, no mnimo,
to extremo quanto o valor observado da estatstica para que a hiptese nula seja considerada
verdadeira. Se z0 for o valor calculado da estatstica de teste, o valor P pode ser definido
conforme Equao 3.1:
2.[1 ( z 0 )]
P = 1 ( z 0 )
( z )
0
(teste bilateral )
(teste unilateral sup erior )
(3.1)
(teste unilateral inf erior )
Onde:
(z ) = funo de distribuio cumulativa de uma varivel aleatria normal padro
__________________________________________________________________________________________
50
Existem diversos testes de normalidade disponveis, que so conduzidos por meio da

avaliao de determinados parmetros especficos. Os testes de Anderson-Darling,
Kolmogorov-Smirnov, Shapiro-Wilk e Ryan-Joiner so exemplos de testes que podem ser
utilizados para confirmao de normalidade. No desenvolvimento da pesquisa que originou a
presente dissertao foi utilizada a opo de teste de normalidade Anderson-Darling atravs
do software estatstico Minitab.
Pelo procedimento de teste de Anderson-Darling efetua-se a comparao de uma
funo de distribuio cumulativa observada com uma funo de distribuio cumulativa
esperada. Rejeita-se a hiptese nula de que a distribuio seja de uma forma especfica se a
estatstica de teste A2 for maior do que um valor crtico; sendo que estes valores crticos so
tabelados para determinados tamanhos de amostra.
As anlises de normalidade discutidas durante a pesquisa em questo foram efetuadas
considerando o conceito de significncia estatstica no teste de Anderson-Darling da seguinte
maneira:
H0 (hiptese nula):
Os dados seguem a distribuio normal.
H1 (hiptese alternativa):
Os dados no seguem a distribuio normal.
A abordagem utilizada nesta pesquisa compara o valor P (p-value) associado

estatstica de teste A2 com um nvel de significncia arbitrado para aceitao da hiptese
nula de normalidade. Em todas as anlises efetuadas foi adotado = 0,05, ou seja, ao longo
desta dissertao, sempre que p-value apresentar valor maior que 0,05 a distribuio ser
considerada normal.
3.2
Efeitos da No Normalidade
Os mtodos estatsticos discutidos nesta dissertao pressupem que os dados em
estudo sigam uma distribuio de probabilidade conhecida. A anlise e as concluses que

resultam da aplicao da metodologia so vlidas apenas nos casos onde a suposio da
distribuio se confirme verdadeira.
Castagliola & Tsung (2005) ressaltam que devido s modernas tecnologias de medio
e inspeo bastante comum uma coleta rotineira de grande quantidade de dados de unidades
individuais em um intervalo de tempo muito curto; e tais medies contnuas podem resultar
em dados que tendem a apresentar auto-correlao e distribuio no normal. Lipson & Sheth
(1973) indicam que na falta de alguma evidncia em contrrio, pode-se assumir, em uma
primeira abordagem, que os dados utilizados em mtodos estatsticos sejam normalmente
__________________________________________________________________________________________
51
distribudos. Contudo, Montgomery (1985) alerta que em muitas situaes prticas existem
razes para se duvidar da validade da suposio de normalidade, o que implica em especial
ateno na anlise dos dados. De acordo com Spedding & Rawlings (1994), em produo
contnua a suposio de normalidade freqentemente justificada, mas a distribuio da
variao do processo mais crtica quando so considerados pequenos lotes de fabricao.
Segundo Alwan (2001) muitos dos procedimentos estatsticos so derivados de um
conjunto de suposies especficas acerca da origem dos dados e, por este motivo, diversas
investigaes so conduzidas para determinar quo sensveis so as concluses tiradas em
situaes de desvio de tais premissas, pois as conseqncias da violao destas premissas nas
inferncias efetuadas podem ser srias.
Em sentido oposto, Sall (2005) recomenda bom senso, pois no h motivo para o que
ele chama de medo irracional da no normalidade, visto que em grandes amostras a sua
deteco simples, mas neste caso sua influncia no to danosa e em pequenas amostras a
no normalidade pode ser significativa, entretanto no se pode detect-la facilmente.
Visto que existem situaes onde a distribuio de dados no corresponde a uma
distribuio Normal, ento para estes casos tanto a suposio de normalidade quanto
utilizao da curva normal como referncia certamente se revelaro inadequadas. Na
realidade a existncia de no normalidade em distribuio de dados bastante comum,
principalmente quando o nmero de observaes no muito grande. Conforme apresentado
no tpico 1.2, a suposio incorreta de normalidade dos dados pode acarretar algumas das
seguintes conseqncias:
a) Falsos alarmes na anlise de grficos de controle individuais;
b) Clculo incorreto de ndices de capabilidade;
c) Concluses incorretas sobre diferenas entre grupos em Teste de Hipteses;
d) Erros em predies na Anlise de Regresso;
e) Concluses incorretas sobre importncia e efeito de fatores em Planejamento de
Experimentos (DOE).
Para Castagliola & Tsung (2005), muitas das tcnicas existentes em Controle
Estatstico de Processo no foram concebidas para atender tais situaes, visto que as tcnicas
de CEP so afetadas por dados auto-correlacionados e assimtricos. Sob o ponto de vista
destes autores, muitos estudos foram efetuados para investigar os efeitos da no normalidade
dos dados e, mesmo que as concluses apresentem algumas contradies de acordo com o
__________________________________________________________________________________________
52
ponto de vista adotado, parece muito claro que os impactos de assimetria no desempenho dos
grficos de controle podem ser substanciais.
Por outro lado, Borror et al. (1999) alegam que diversos autores defendem o
argumento de que a no normalidade na aplicao de grficos de controle no to relevante,
quando se trabalha com amostras utilizando subgrupos de tamanho n > 1. Uma observao
importante de um estudo efetuado por Alwan (2001) indica que o efeito da no normalidade
diminui medida que aumenta o tamanho da amostra por grupo e este efeito aumenta com o
aumento do nmero de grupos ou subgrupos.
Com relao avaliao de capabilidade, Kotz & Johnson (2002) alertam que a
ausncia de normalidade indica necessidade de muita ateno no uso dos ndices para
julgamento adequado da qualidade do processo em estudo. Como exemplo, Miranda (2005)
cita um estudo efetuado por M. Deleryd no qual so apontados alguns efeitos de distribuies
no normais na estimao do nmero de defeituosos, considerando trs processos com
distribuies diferentes em comparao com a distribuio normal. A Tabela 3.1 indica que as
quantidades de itens no conformes nas trs distribuies so bem diferentes entre si e em
relao distribuio normal. Portanto, caso a normalidade fosse considerada nos trs
primeiros processos, ocorreria um erro grosseiro na determinao da quantidade de itens
defeituosos e conseqentemente dos respectivos ndices de capabilidade.
TIPO DE DISTRIBUIO
FRAO NO CONFORME
(considerando limites de 3 )
Chi-Quadrado com 4,5 graus de liberdade
14000 PPM
t-Student com 8 graus de liberdade
4000 PPM
Uniforme
Normal
2700 PPM
Tabela 3.1 Comparao da proporo de itens no conformes em distribuies diferentes

Fonte: Baseado em Miranda (2005)
Tais fatos demonstram a importncia do rigor metodolgico na coleta e no tratamento
dos dados, pois concluses e definies questionveis podem ocorrer devido incorreta
suposio de aderncia distribuio Normal. Para evitar este problema necessrio efetuar
uma anlise cuidadosa e o teste de normalidade dos dados antes de se aplicar os
procedimentos metodolgicos descritos.
__________________________________________________________________________________________
3.3
53
No Normalidade, Grficos de Controle e Capabilidade

Conforme argumentao enfatizada no tpico 2.4.3, a aplicao de CEP pressupe que
as observaes do processo em estudo sejam independentes e identicamente distribudas, alm

de seguirem uma distribuio de probabilidade especfica. Juran & Gryna (1992)
estabeleceram alguns critrios para abordagem dos dados em caso de no normalidade:
a) Examinar os dados para verificar se h alguma explicao no estatstica para o
padro distribucional no convencional;
b) Analisar os dados em termos de mdias ao invs de valores individuais, pois
mdias de amostra seguem de perto uma distribuio de probabilidade normal,
mesmo quando a populao de valores individuais no distribuda normalmente
(Teorema Central do Limite);
c) Utilizar como referncia outro tipo de distribuio que se enquadre mais
adequadamente ao conjunto de dados coletados;
d) Efetuar transformao matemtica da caracterstica original para uma nova
caracterstica que se aproxime de uma distribuio Normal.
Quando os dados seguem uma distribuio no normal conhecida, as anlises devem
ser efetuadas considerando as propriedades caractersticas deste conjunto de dados. Uma
alternativa para a construo de grficos de controle nestes casos demonstrada atravs da
Figura 3.1.
At esta linha esto contidas

50% das observaes
(percentil 50)
Grfico com Limites de Controle Definidos

em Percentis (Distribuies No Normais)
LSC
Limite Superior de Controle
percentil 99,865
0,99865.(rea sob a curva)
LM
Linha Mdia
percentil 50 (mediana)
LIC
percentil 0,135
Curva Assimtrica
Limite Inferior de Controle
Md 3
Md

0,135% das observaes
(percentil 0,135)
Md + 3
n
99,865% das observaes
(percentil 99,865)
Figura 3.1 Limites de controle em termos de percentis para distribuies no normais

__________________________________________________________________________________________
54
Com base em Levinson (2000), conhecendo-se a funo densidade de probabilidade

da distribuio no normal em questo, possvel determinar o limite inferior de controle, a
linha mdia e o limite superior de controle atravs dos valores coletados correspondentes aos
percentis 0,135, 50 e 99,865, respectivamente, da seguinte forma:
LIC = 3 (corresponde a 0,135% da rea sob a curva da distribuio)
LM = (corresponde a 50% da rea sob a curva da distribuio)
LSC = + 3 (corresponde a 99,865% da rea sob a curva da distribuio)
Com relao ao clculo de capabilidade a mesma abordagem pode ser adotada quando
a distribuio no normal em estudo bem conhecida, determinando-se a taxa de defeituosos
por meio dos parmetros da distribuio em questo. De acordo com Miranda (2005), o
seguinte mtodo de clculo do ndice de capabilidade atravs de percentis desenvolvido por
J.A. Clements em 1989 pode ser convenientemente aplicado (Equaes 3.2 e 3.3):
CP(q) =
LSE LIE
x 0, 99865 x 0, 00135
LSE x 0 ,50000
CPK(q) = min.
x 0, 99865 x 0 ,50000
(3.2)
x 0 ,50000 LIE
x 0 ,50000 x 0, 00135
(3.3)
Onde:
CP(q) = ndice de capabilidade potencial do processo com percentis
CPK(q) = ndice de capabilidade real do processo com percentis
x 0, 00135 = percentil 0,135 correspondente ao valor 3 da distribuio normal

x 0, 50000 = percentil 50 correspondente mdia da distribuio normal
x 0 ,99865 = percentil 99,865 correspondente ao valor + 3 da distribuio normal
x0 ,99865 x0, 00135 = amplitude correspondente ao valor 6 da distribuio normal
Uma outra possibilidade de avaliao em processos definidos por dados modelados
por distribuies no normais, a transformao matemtica das variveis, apresentada com
maiores detalhes no prximo tpico.
__________________________________________________________________________________________
3.4
55
Transformao de Dados
3.4.1 Aspectos Gerais

As tcnicas de transformao de variveis dependentes e independentes em modelos
estatsticos podem ser teis para melhorar a interpretao dos dados e a sua aderncia em
modelos hipotticos. Box & Tidwell (1962) afirmam que para representar as relaes entre
uma resposta e um nmero de variveis independentes, prefervel sempre que possvel,
trabalhar com um modelo simples com variveis transformadas do que com modelos mais
complexos na forma original das variveis. Segundo estes autores muita pesquisa
experimental diz respeito ao estudo de uma funo resposta do tipo E ( y ) = f ( x, ) , onde x
representa o nvel das variveis e , o conjunto de parmetros que afetam a resposta. Nestes
casos o objetivo usualmente :
a) Verificar a adequao da forma funcional assumida;
b) Estimar os valores dos parmetros e, conseqentemente a resposta E ( y ) ;
c) Obter medidas de preciso das estimativas.
Supondo que n observaes sejam efetuadas; ento a u-sima observao yu em um
nvel conhecido das variveis xu = xu1, xu2, ..., xuk dado por meio da Equao 3.4:
y u = f ( xu , ) + u
(3.4)
Onde:
= conjunto de p parmetros 1 , 2 , ..., p que afetam a funo resposta
u = erros observados na funo resposta da varivel dependente

A premissa bsica de uma transformao de variveis independentes que os erros u
na varivel dependente sejam normalmente e independentemente distribudos com varincia
2 constante, de modo a converter a funo destas variveis transformadas em uma forma

mais simples quanto possvel. A transformao de variveis dependentes freqentemente
aplicada para encontrar as suposies necessrias para certos modelos nos quais os resduos
sejam normalmente distribudos com varincia constante. Para ilustrar, se em uma
distribuio a disperso dos resduos aumenta com valores maiores da varivel dependente,
uma transformao com raiz-quadrada da varivel dependente estabilizaria a varincia e, alm
disso, se necessrio, poderia ao mesmo tempo normalizar os resduos.
__________________________________________________________________________________________
56
Embora modelos de regresso usualmente no necessitem de suposies acerca da

distribuio de variveis independentes, uma varivel independente pode ser transformada
para melhor adequao ou para tornar esta distribuio mais simtrica e aliviar a excessiva
influncia de um valor fora do padro (outlier). As transformaes podem ser aplicadas s
variveis dependentes e/ou independentes para converter um modelo de regresso no linear
em linear. Por exemplo, uma transformao logartmica da varivel dependente mudaria um
modelo de crescimento exponencial em uma regresso linear, simplificando, deste modo, os
procedimentos de estimao.
Como as transformaes tm mltiplos efeitos, seu uso requer alguns cuidados. Por
exemplo, quando se transforma uma varivel para encontrar a suposio de normalidade e
varincia constante dos resduos, pode-se omitir o fato de que esta transformao poderia
alterar as relaes existentes entre as variveis originais. Uma anlise de resduos poderia ser
usada extensivamente para avaliar a adequao da transformao especfica. As
transformaes tambm afetam os coeficientes dos modelos obtidos. Se desejado, para
algumas transformaes, uma funo inversa pode ser aplicada para obter coeficientes que
permitam interpretao nas unidades originais.
De acordo com Chen et al. (2003) muitos testes estatsticos so baseados na suposio
de normalidade; quando os dados se afastam desta condio, uma transformao adequada
pode freqentemente produzir um conjunto de dados que sigam de forma aproximada a
distribuio Normal. Para Box & Tidwell (1962) um dos mais simples tipos de transformao
que pode ser empregado em diversas aplicaes a transformao de potncia (power
transformation), que inclui muitas das formas comumente utilizadas, tais como,
transformao inversa e transformao com raiz quadrada. No tpico seguinte abordado um
tipo muito til de transformao de potncia, a transformao de Box-Cox.
3.4.2 Transformao de Box-Cox

As tcnicas para anlise de modelos lineares, exemplificados pela Anlise de
Varincia e pela Anlise de Regresso, so baseadas nas seguintes premissas de acordo com
Box & Cox (1964):
a) Simplicidade da estrutura para E ( y ) ;
b) Varincia constante;
c) Normalidade da distribuio;
d) Independncia das observaes.
__________________________________________________________________________________________
57
Conforme previamente comentado, a estratgia para fazer com que dados no normais
se aproximem de uma distribuio Normal atravs de transformao das variveis em estudo
tambm deve ser considerada. Entretanto a escolha do tipo adequado de transformao no
parece ser uma tarefa bvia, pois em termos matemticos existem inmeras possibilidades e
apenas o mtodo de tentativa e erro nem sempre o mais recomendado. A transformao
linear, por exemplo, altera a escala da distribuio, mas em alguns casos no altera sua forma;
j a transformao de potncia mais eficiente para este propsito.
Box & Cox (1964) efetuaram um estudo detalhado em anlise de dados, com nfase na
transformao de variveis dependentes, onde a idia principal era dedicar ateno em
transformaes indexadas por um parmetro desconhecido e a partir de ento estimar os
outros parmetros do modelo atravs de mtodos convencionais de inferncia. O resultado
mais importante deste estudo foi a definio da seguinte famlia de transformao de potncia
()
da varivel y para y
(Equao 3.5):
y 1

y() =
ln y
( 0)
(3.5)
( = 0)
Onde:
y() = varivel dependente aps a transformao

y = varivel dependente antes da transformao
= parmetro que define a transformao

Segundo Box & Cox (1964) esta transformao definida somente para variveis com
valores positivos (x > 0) e o parmetro o elemento que define a transformao especfica
e que, com freqncia, resulta em normalidade. Como existem transformaes lineares que
no afetam a anlise de varincia, na prtica a Equao 3.5 pode ser simplificada para a
seguinte forma (Equao 3.6):
y() =
ln y
( 0)
(3.6)
( = 0)
__________________________________________________________________________________________
58
Em outras palavras, a transformao de Box-Cox indica o valor do parmetro que

minimiza o erro quadrtico (e conseqentemente o desvio-padro) da varivel transformada,
sendo a transformao resultante igual a y quando diferente de zero e ln y quando
igual a zero.
A aplicao da transformao de Box-Cox atravs do software estatstico Minitab
est estruturada na pesquisa dos valores de no intervalo e -5 at 5, de modo que quando a
transformao solicitada, o software apresenta um grfico com as seguintes caractersticas:
a) A melhor estimativa de para a transformao pretendida;
b) Dois valores concorrentes para o verdadeiro valor de ;
c) Um intervalo com 95% de confiana para o verdadeiro valor de .
Alguns exemplos tpicos de transformao e o seu correspondente significado para
valores de variando entre -2 e 2 so apresentados na Tabela 3.2.
VALOR DE
TRANSFORMAO
y() = y
y = y2
Quadrado
y = y
No H Transformao
0,5
0
-0,5
y =
y = ln y
y =
-1
y =
-2
y =
DENOMINAO COMUM
Raiz Quadrada
Logaritmo Natural
Inverso da Raiz Quadrada
1
y
Inverso
Inverso do Quadrado
y2
Tabela 3.2 Exemplos tpicos da transformao de Box-Cox

De acordo com Box & Cox (1964) aps a adequada transformao da varivel y para
( )
y , pode-se presumir que os valores esperados das observaes transformadas apresentem as

seguintes caractersticas:
a) Sejam descritos por um modelo de estrutura simples;
b) A varincia seja constante;
c) As observaes sejam normalmente distribudas.
__________________________________________________________________________________________
59
Para exemplificar as tcnicas de transformao de variveis, um conjunto de dados

no normais contendo 48 (quarenta e oito) observaes apresentado atravs da Tabela 3.3.
EXEMPLO COM 48 OBSERVAES NO NORMAIS
0,31
0,82
0,43
0,45
0,45
1,10
0,45
0,71
0,46
0,88
0,63
0,66
0,43
0,72
0,76
0,62
0,36
0,92
0,44
0,56
0,29
0,61
0,35
1,02
0,40
0,49
0,31
0,71
0,23
1,24
0,40
0,38
0,22
0,30
0,23
0,30
0,21
0,37
0,25
0,36
0,18
0,38
0,24
0,31
0,23
0,29
0,22
0,33
Tabela 3.3 Exemplo de um conjunto de dados no normais

A Figura 3.2 apresenta o resultado da anlise da distribuio referente ao conjunto de
dados da Tabela 3.3. A condio de no normalidade confirmada, pois o valor P (p-value)
mostrou-se inferior a 0,05 no teste de normalidade de Anderson-Darling.
Resumo dos Dados - EXEMPLO

A nderson-Darling N ormality Test
0,2
0,4
0,6
0,8
1,0
1,2
A -Squared
P-V alue <
1,94
0,005
M ean
StDev
V ariance
Skew ness
Kurtosis
N
0,47938
0,25286
0,06394
1,22913
1,00710
48
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,18000
0,30000
0,40000
0,62750
1,24000
95% C onfidence Interv al for M ean

0,40595
0,55280
95% C onfidence Interv al for M edian

0,34599
0,45200
95% C onfidence Interv al for S tDev
95% Confidence Intervals
0,21050
0,31673
Mean
Median
0,35
0,40
0,45
0,50
0,55
Figura 3.2 Exemplo de anlise de dados no normais

__________________________________________________________________________________________
60
Para este mesmo exemplo, aps a aplicao da transformao de Box-Cox pode-se

avaliar a validade da transformao atravs do diagrama representado pela Figura 3.3.
Transformao de Box-Cox - EXEMPLO

Lower CL
Upper CL
1,6
Lambda
(using 95,0% confidence)
StDev
1,4
Estimate
-0,59117
1,2
Lower CL
Upper CL
-1,21193
-0,01985
1,0
Best Value
-0,50000
0,8
0,6
0,4
0,2
Limit
0,0
-5,0
-2,5
0,0
Lambda
2,5
5,0
Figura 3.3 Exemplo de um grfico relativo transformao de Box-Cox

Atravs deste diagrama, podem ser visualizados na parte superior direita, o valor
estimado (-0,59117) e o melhor valor (-0,50000) para , sendo que o melhor valor aquele
efetivamente utilizado na transformao. Alm disso, so indicados os valores limtrofes
inferior (-1,21193) e superior (-0,01985), destacados pelas linhas verticais. O intervalo com
95% de confiana inclui todos os valores de que produzem dados transformados com
desvio-padro menor ou igual linha horizontal, sendo que um valor de muito prximo a 1
no resultaria em transformao til.
Em situaes de aplicao prtica prefervel que este valor corresponda a
transformaes que possam ser facilmente entendidas, tais como raiz quadrada ( = 0,5) ou
logaritmo natural ( = 0). Neste exemplo a escolha razovel -0,5 (inverso da raiz quadrada),
pois alm de representar uma transformao explicvel, a mesma est contida no intervalo de
95% de confiana.
Aps a transformao de Box-Cox com utilizao do parmetro igual a -0,5
possvel efetuar uma nova verificao em relao condio de normalidade dos dados. A
Figura 3.4 mostra a anlise dos dados transformados com destaque para o teste de
normalidade de Anderson-Darling, que apresenta p-value igual a 0,519; logo a distribuio
transformada deve ser considerada normal.
__________________________________________________________________________________________
61
Resumo dos Dados Transformados por Box-Cox

A nderson-D arling N ormality Test
0,9
1,2
1,5
1,8
2,1
2,4
A -S quared
P -V alue
0,32
0,519
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
1,5778
0,3686
0,1359
0,065131
-0,801735
48
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,8980
1,2624
1,5811
1,8257
2,3570

1,4707
1,6848

1,4874
1,7004
95% C onfidence Interv al for StD ev
0,3069
0,4617
Mean
Median
1,50
1,55
1,60
1,65
1,70
Figura 3.4 Exemplo de anlise dos dados aps transformao de Box-Cox

De acordo com Yeo & Johnson (2000) a contribuio de Box & Cox foi o maior passo
na determinao de uma maneira objetiva de se efetuar transformao de dados. Entretanto,
como a transformao de Box-Cox vlida apenas para valores positivos, havia espao para
algum tipo de melhoria. Embora seja possvel efetuar uma troca de parmetros em caso de
valores negativos para utilizao da transformao de Box-Cox, existe o inconveniente de tal
ao afetar a teoria que suporta a definio do intervalo de confiana de .
Yeo & Johnson (2000) propuseram uma nova famlia de transformao de dados,
vlida tanto para valores positivos como para valores negativos. Sua frmula, definida como
uma funo : R X R R, apresentada atravs da Equao 3.7.
( x + 1) 1
log( x + 1)
(, x)
=
( x + 1) 2 1
log( x + 1)
( x 0, 0)
( x 0, = 0)
(3.7)
( x < 0, 2)
( x < 0, = 2)
__________________________________________________________________________________________
62
3.4.3 Transformao de Johnson

Um outro mtodo que pode ser empregado, conhecido como transformao de
Johnson desenvolvido em 1949 por Norman L. Johnson, consiste em converter uma varivel x
para a distribuio normal padronizada. A transformao inclui trs famlias de distribuio:
a) Famlia SB (onde o ndice B provm de bounded ou limitado);
b) Famlia SL (onde o ndice L significa Lognormal);
c) Famlia SU (onde o ndice U provm de unbounded ou ilimitado).
Segundo Johnson (1949) a transformao definida por uma das trs frmulas a partir
da determinao dos parmetros , , e . As trs frmulas de transformao para a
normal reduzida so mostradas na Tabela 3.4.
FAMLIA
TRANSFORMAO
PARMETROS
, > 0,
x
- < <
+ . ln
SB
- < <
+ x
<x<+
> 0,
- < <
+ . ln( x )
SL
- < <
<x
, > 0,
- < <
+ .Sinh 1
SU
<<

<x<+
Tabela 3.4 Frmulas associadas com as famlias da transformao de Johnson
Fonte: Adaptado de Johnson (1949)
A aplicao da transformao de Johnson atravs do software estatstico Minitab
est estruturada de modo que o algoritmo execute as seguintes etapas:
a) Considera as funes potenciais do sistema de Johnson;
b) Estabelece a estimativa dos parmetros , , e ;
c) Executa a transformao dos dados atravs da funo de transformao;
d) Efetua o teste de normalidade de Anderson-Darling para os dados transformados;
e) Seleciona a funo de transformao que apresente o maior p-value.
Caso o valor P (p-value) seja inferior ao valor pr-estabelecido no se obtm
transformao que resulte em normalidade.
__________________________________________________________________________________________
63
Para o conjunto de dados no normais da Tabela 3.3 tambm foi efetuada aplicao da
transformao de Johnson com as suas caractersticas destacadas na Figura 3.5.
Transformao de Johnson - EXEMPLO
90
Percent
Select a T r ansfor mation
N
AD
P-Value
48
1,945
<0,005
50
10
P-Value for A D test
Pr obability Plot for Or iginal Data
99
0,67
0,8
0,6
0,4
0,2
Ref P
0,0
0,2
0,0
0,4
0,8
1,2
0,4
0,6
0,8
Z Value
1,0
1,2
(P-Value = 0.005 means <= 0.005)
Pr obability P lot for T r ansfor med Data
99
N
AD
P-Value
Percent
90
50
48
0,209
0,855
P -V alue for Best F it: 0,854883

Z for Best F it: 0,67
Best Transformation Ty pe: SB
Transformation function equals
1,41148 + 0,900175 * Log( ( X - 0,163993 ) / ( 1,67335 - X ) )
10
1
-2
Figura 3.5 Exemplo de um grfico relativo transformao de Johnson

A anlise do diagrama acima, correspondente transformao de Johnson, permite a
discusso dos seguintes aspectos:
a) Comparao entre os dados antes e depois da transformao atravs do grfico
normal de probabilidade. No exemplo, como j se sabia, os dados originais
apresentam p-value menor que 0,05 (no normais), ao passo que os dados
transformados possuem p-value igual a 0,855, caracterizando a adequada
normalizao dos dados;
b) O diagrama de disperso de p-value versus z-value em uma faixa de 0,25 a 1,25
indica a melhor funo de transformao a ser selecionada para z igual a 0,67;
c) O grfico tambm mostra a funo de transformao selecionada (famlia SB) com
os seus parmetros correspondentes.
Observa-se atravs deste exemplo que, a probabilidade de 85,5% de que a distribuio
transformada por Johnson seja Normal bem maior do que aquela referente distribuio
resultante da transformao de Box-Cox (51,9%), ou seja, a transformao atravs do mtodo
de Johnson mostrou-se mais efetiva.
__________________________________________________________________________________________
Captulo 4: Aplicao da Metodologia
64
4.
APLICAO DA METODOLOGIA
4.1
Consideraes Gerais
4.1.1 Aspectos Metodolgicos

A presente dissertao apresenta a questo referente ocorrncia de decises
questionveis na aplicao de mtodos estatsticos devido interpretao inadequada dos
dados coletados. Este um problema para o qual j se obteve soluo a partir de outras
pesquisas, algumas delas mencionadas neste trabalho; entretanto, o que realmente motiva a
abordagem deste tema a necessidade de se destacar a relevncia do rigor metodolgico
durante coleta e tratamento de dados estatsticos e promover uma maior divulgao das
tcnicas de transformao de variveis.
Conforme definido no captulo 1, este trabalho combina investigao experimental e
pesquisa exploratria. Para permitir uma visualizao completa dos aspectos gerais da
pesquisa um resumo apresentado atravs do Quadro 4.1. Na investigao experimental
foram analisados os dados modelados pelas distribuies no normais Gamma (Apndice A) e
Beta (Apndice B) em relao interpretao dos grficos de controle individuais e clculo
do nvel sigma atravs da comparao das tcnicas de transformao com a determinao dos
percentis a partir da funo densidade de probabilidade das distribuies. Na pesquisa
exploratria foram investigados quatro conjuntos de dados reais no normais (Apndices C e
D) em relao ao clculo de capabilidade com utilizao das tcnicas de transformao de
variveis em comparao ao ajuste da melhor distribuio aplicvel aos dados (Best Fitting).
TIPO DE PESQUISA
MTODO
TCNICA
DADOS NO NORMAIS
CONJUNTO
ORIGEM DOS
DE DADOS
DADOS
Gamma 220
Pesquisa
Experimental
Simulao
(Apndice A)
Software
Controle
Beta 2550
Minitab
Individual e
Nvel Sigma
3/4AE e 3/4AD
Pesquisa
Estudo de
Exploratria
Caso
INVESTIGAR
Grfico de
(Apndice B)
(Apndice C)
Processo
5/8TE e 5/8TD
Industrial
(Apndice D)
LIMITES
QUESTES A
Clculo de
LIE
LSE
12
8,20
8,50
19,124
19,151
15,950
15,977
Capabilidade e
Nvel Sigma
OBJETIVOS
ESPECFICOS
Comparar dados
originais e anlise de
percentis c/ dados
transformados
Comparar dados
originais e distribuio
adotada c/ dados
transformados
Quadro 4.1 Resumo dos aspectos gerais da pesquisa
__________________________________________________________________________________________
65
4.1.2 Caracterizao dos Cenrios da Pesquisa

Segundo Kotz & Johnson (2002) o rpido desenvolvimento cientfico no final do
sculo XX, incluindo pesquisa em operaes e estatstica, foi verdadeiramente assombroso, de
tal forma que muitos trabalhos efetuados h pouco mais de uma dcada hoje so classificados
como obsoletos. Entretanto, devido lacuna percebida entre teoria e prtica, pertinente a
realizao de um estudo exploratrio para o caso relativo aplicao de alguns mtodos
estatsticos de interesse acadmico e industrial.
Para compor o contexto ilustrativo dos mtodos estatsticos analisados no
desenvolvimento da pesquisa foi elaborada uma investigao experimental baseada na
utilizao de construtos relacionados ao estudo de dados no normais simulados, modelados
pelas distribuies Gamma e Beta, respectivamente. Para facilitar sua identificao, deste
ponto em diante, os dados modelados pela distribuio Gamma sero chamados de Gamma
220 e, sob a ptica de um contexto fictcio, poderiam estar relacionados, por exemplo,
coleta do tempo mdio dirio de permanncia em fila em uma empresa de prestao de
servios nos dias trabalhados ao longo de um ano. Neste contexto o tempo mdio no deve
exceder 12 minutos (limite superior de especificao). Estes dados, que podem ser
consultados no Apndice A, foram gerados atravs do software estatstico Minitab da
seguinte maneira:
Funo: Calc / Set Base = 0

Funo: Calc / Random Data/ Gamma / Generate = 302 / Shape = 2 / Scale =2
Ou seja, foram gerados 302 valores seguindo a distribuio Gamma com parmetros
shape igual a 2, scale igual a 2 e base para gerao de dados igual a 0.
A mesma abordagem vale para os dados modelados pela distribuio Beta que sero
denominados simplesmente como Beta 2550. No mesmo contexto fictcio estes dados
poderiam estar relacionados, por exemplo, medio do dimetro de peas usinadas. A
medida do dimetro desta pea usinada, neste cenrio, deve ser 8,35 0,15 mm, ou seja, deve
estar situada entre 8,20 mm (limite inferior de especificao) e 8,50 mm (limite superior de
especificao). Os dados brutos, detalhados no Apndice B, foram gerados atravs do
software estatstico Minitab da seguinte maneira:
Funo: Calc / Set Base = 0

Funo: Calc / Random Data / Beta / Generate = 200 / First Shape Parameter = 25
/ Second Shape Parameter =5
Adio da constante 7,5 a cada um dos valores obtidos

__________________________________________________________________________________________
66
Ou seja, foram gerados 200 valores seguindo a distribuio Beta com primeiro
parmetro shape igual a 25, segundo parmetro shape igual a 5 e base para gerao de dados
igual a 0, com posterior transformao linear atravs do acrscimo da constante 7,5.
Os passos estabelecidos para a conduo desta investigao experimental e os
correspondentes tpicos dos captulos da dissertao so mostrados na Figura 4.1.
Figura 4.1 Fluxograma das atividades da pesquisa experimental

A pesquisa exploratria, sob a forma de estudo de caso, teve o propsito de efetuar um
exame detalhado em um processo especfico de furao de preciso em uma empresa
localizada no interior do estado de So Paulo. Os passos estabelecidos para a conduo desta
pesquisa exploratria e os correspondentes tpicos dos captulos so mostrados na Figura 4.2.
__________________________________________________________________________________________
67
Figura 4.2 Fluxograma das atividades da pesquisa exploratria

Devido a uma demanda especfica do setor de Engenharia e Projeto da empresa, houve
a necessidade de se determinar a capabilidade do referido processo. Aps coleta dos dados
obtidos em um determinado perodo, os mesmos foram divididos em dois conjuntos de acordo
com a medida nominal do dimetro do furo e o tipo de material do componente a ser furado.
Os dados brutos do primeiro conjunto, que podem ser consultados atravs do
Apndice C, so relativos a dois grupos de medies de dimetro de furos em um componente
estrutural de alumnio para fixao de parafusos com dimetro de 3/4 de polegada. No
desenvolvimento do trabalho estes grupos de medies sero denominados simplesmente por:
3/4AE medies de furos na parte esquerda do componente de alumnio; e

3/4AD medies de furos na parte direita do componente de alumnio.
__________________________________________________________________________________________
68
As tolerncias de projeto especificadas para estes furos so as seguintes:
LIE (Limite Inferior de Especificao) = 19,124 mm
LSE (Limite Superior de Especificao) = 19,151 mm
Os dados do segundo conjunto esto detalhados no Apndice D e referem-se aos

valores de dois grupos de medies de dimetro de furos em um componente estrutural de
titnio para fixao de parafusos com dimetro de 5/8 de polegada. So eles:
5/8TE medies de furos na parte esquerda do componente de titnio; e

5/8TD medies de furos na parte direita do componente de titnio.
As tolerncias de projeto especificadas para estes furos so as seguintes:
4.2
LIE (Limite Inferior de Especificao) = 15,950 mm
LSE (Limite Superior de Especificao) = 15,977 mm
Investigao Experimental Atravs de Simulao de Dados
4.2.1 Anlise de Dados Modelados pela Distribuio Gamma

De acordo com as consideraes apresentadas no captulo 1 as principais questes a
serem investigadas atravs da pesquisa experimental so:
a) Identificao de falsas causas especiais de variao nos grficos de controle
individuais em Controle Estatstico de Processo;
b) Clculo incorreto do nvel sigma na avaliao de capabilidade utilizando a
Metodologia Seis Sigma.
Antes da aplicao dos mtodos estatsticos citados foi necessrio efetuar uma anlise
dos dados disponveis em Gamma 220 quanto a sua aderncia distribuio Normal. A
partir dos dados simulados relativos ao tempo mdio de fila em Gamma 220 (Apndice A)
foram efetuados a anlise da distribuio e o teste de normalidade de Anderson-Darling
utilizando o programa estatstico.
Conforme argumentao indicada no captulo 3, a verificao de normalidade das
distribuies estudadas nesta pesquisa baseou-se na anlise do valor P (p-value) associado
estatstica A2 do teste de normalidade de Anderson-Darling. Visto que para Gamma 220 o
valor P de 0,005 mostrou-se menor que o nvel de significncia arbitrado ( = 0,05), a
hiptese nula de normalidade foi rejeitada e, obviamente a distribuio em questo no pde
ser considerada normalmente distribuda. A Figura 4.3 apresenta o resultado da anlise dos
dados em Gamma 220.
__________________________________________________________________________________________
69
Resumo dos Dados - Gamma 220

0,0
2,4
4,8
7,2
9,6
A -Squared
P -V alue <
6,51
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
3,9556
2,7027
7,3045
0,951654
0,376689
302
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
12,0
0,1167
1,8485
3,3539
5,4893
12,7573

3,6496
4,2617

2,9526
3,6943
95% C onfidence Interv al for S tD ev
2,5029
2,9373
Mean
Median
3,0
3,2
3,4
3,6
3,8
4,0
4,2
Figura 4.3 Anlise dos dados para Gamma 220

A anlise do conjunto de dados Gamma 220 tambm indicou a existncia de alguns
pontos extremos fora do padro seguido pelo restante dos dados, isto , de acordo com os
conceitos apresentados no tpico 2.3.1, tais pontos foram caracterizados como outliers.
Atravs da anlise do conjunto de dados Gamma 220 sem a presena dos outliers,
apresentada na Figura 4.4 como Gamma 220*, concluiu-se que a distribuio resultante no
era normal, pois o valor de p-value permaneceu inferior a 0,05.
Resumo dos Dados - Gamma 220*

0,0
1,5
3,0
4,5
6,0
7,5
9,0
10,5
A -S quared
P -V alue <
5,31
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
3,7753
2,4610
6,0568
0,784786
-0,103677
295
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,1167
1,8198
3,1975
5,3798
10,5915

3,4933
4,0573

2,9104
3,5979
2,2772
2,6775
Mean
Median
3,0
3,2
3,4
3,6
3,8
4,0
4,2
Figura 4.4 Anlise dos dados para Gamma 220 sem outliers
__________________________________________________________________________________________
70
Como o conjunto de dados Gamma 220 sem outliers tambm no seguia a

distribuio Normal, foi efetuada a verificao da distribuio que melhor representasse estes
dados por meio das tcnicas de anlise de correlao. Conforme mostrado na Figura 4.5, a
distribuio Weibull com 3 parmetros foi a melhor opo encontrada, pois indicou o maior
coeficiente de correlao (0,998) entre as distribuies analisadas para um intervalo de 95%
de confiana.
Grfico de Probabilidade - Gamma 220*

3-Parameter Weibull - 95% CI
Complete Data - LSXY Estimates
Percent
99,9
99
Table of S tatistics
S hape
1,54157
S cale
4,15948
Thres
0,0286191
M ean
3,77181
S tDev
2,47839
M edian
3,30794
IQ R
3,28743
F ailure
295
C ensor
0
A D*
0,411
C orrelation
0,998
90
80
70
60
50
40
30
20
10
5
3
2
1
0,1
0,1
1,0
Gamma 220*
10,0
Figura 4.5 Avaliao da melhor distribuio aplicvel aos dados Gamma 220 sem outliers
4.2.2 Transformao de Dados Modelados pela Distribuio Gamma

Para o conjunto de dados Gamma 220 (Apndice A) foi efetuada aplicao da
transformao de Box-Cox. As caractersticas da transformao, com destaque para
determinao do parmetro = 0,27, estimado com 95% de confiana, so mostradas na
Figura 4.6.
Aps transformao de Box-Cox, admitindo = 0,05, os dados obtidos puderam ser
representados por uma distribuio Normal, visto que p-value (0,476) resultou maior que
0,05. Em outras palavras, havia uma probabilidade de 47,6% de que a distribuio fosse
normalmente distribuda. A Figura 4.7 apresenta a anlise grfica da distribuio resultante da
transformao de Box-Cox.
__________________________________________________________________________________________
71
Transformao de Box-Cox - Gamma 220

Lower CL
Upper CL
50
Lambda
StDev
40
Estimate
0,270481
Lower CL
Upper CL
0,129694
0,423620
Best Value
0,270481
30
20
10
Limit
0
-2
-1
1
2
Lambda
Figura 4.6 Transformao de Box-Cox para os dados em Gamma 220
Resumo dos Dados Gamma 220 Transformados por Box-Cox

0,6
0,9
1,2
1,5
A -Squared
P -V alue
0,35
0,476
M ean
StDev
V ariance
Skew ness
Kurtosis
N
1,3783
0,2835
0,0804
-0,189949
-0,316086
302
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
1,8
0,5593
1,1808
1,3872
1,5850
1,9911

1,3462
1,4104

1,3402
1,4240
0,2625
0,3081
Mean
Median
1,34
1,36
1,38
1,40
1,42
Figura 4.7 Anlise dos dados transformados por Box-Cox em Gamma 220
Para complementar a anlise, foi efetuada aplicao da transformao de Box-Cox
para o conjunto de dados Gamma 220 sem outliers (ou Gamma 220*). As caractersticas
da transformao, com destaque para determinao do parmetro = 0,31, estimado com 95%
de confiana, so mostradas na Figura 4.8.
__________________________________________________________________________________________
72
Transformao de Box-Cox - Gamma 220*

Lower C L
Upper C L
35
Lambda
StDev
30
Estimate
0,310777
25
Lower CL
Upper CL
0,159309
0,456810
Best Value
0,310777
20
15
10
5
Limit
0
-2
-1
1
2
Lambda
Figura 4.8 Transformao de Box-Cox para os dados em Gamma 220 sem outliers
Aps transformao de Box-Cox, admitindo = 0,05, os dados obtidos puderam ser
representados por uma distribuio Normal, visto que p-value (0,233) resultou maior que
0,05. A Figura 4.9 apresenta a anlise grfica da distribuio resultante da transformao de
Box-Cox.
Resumo dos Dados Gamma 220* Transformados por Box-Cox

0,6
0,9
1,2
1,5
1,8
2,1
A -S quared
P -V alue
0,48
0,233
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
1,4348
0,3266
0,1067
-0,201499
-0,409347
295
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,5129
1,2045
1,4351
1,6870
2,0823

1,3974
1,4723

1,3937
1,4887
0,3022
0,3553
Mean
Median
1,40
1,42
1,44
1,46
1,48
1,50
Figura 4.9 Anlise dos dados transformados por Box-Cox em Gamma 220 sem outliers
__________________________________________________________________________________________
73
Para o conjunto de dados Gamma 220 tambm foi efetuada a transformao de

Johnson. As caractersticas desta transformao, com destaque para determinao da famlia
de transformao e a correspondente equao, so apresentadas na Figura 4.10.
Transformao de Johnson - Gamma 220

P r obability P lot for O r iginal Data
99,9
99
N
302
AD
6,515
P-Value <0,005
Percent
90
50
10
0,75
0,50
Ref P
0,25
0,00
0,2
1
0,1
0,32
1,00
-5
10
0,4
0,6
0,8
Z Value
1,0
1,2
(P-Value = 0.005 means <= 0.005)
P r obability P lot for T r ansfor med Data
99,9
N
AD
P-Value
99
302
0,159
0,950

Best Transformation Ty pe: S B
1,50964 + 1,05836 * Log( ( X + 0,177547 ) / ( 17,5569 - X ) )
Percent
90
50
10
1
0,1
-2
Figura 4.10 Transformao de Johnson para os dados em Gamma 220

Aps transformao de Johnson, admitindo = 0,05, os dados foram considerados
como sendo normais (p-value igual a 0,950) conforme mostrado na Figura 4.11.
Resumo dos Dados Gamma 220 Transformados por Johnson

-2,25
-1,50
-0,75
0,00
0,75
1,50
2,25
A -S quared
P -V alue
0,16
0,950
M ean
StD ev
V ariance
Skew ness
Kurtosis
N
0,02369
1,00287
1,00575
-0,073593
-0,139455
302
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
-2,81068
-0,65798
0,03668
0,70963
2,55889

-0,08987
0,13725

-0,12047
0,15973
0,92876
1,08994
Mean
Median
-0,10
-0,05
0,00
0,05
0,10
0,15
Figura 4.11 Anlise dos dados transformados por Johnson em Gamma 220
__________________________________________________________________________________________
74
A anlise foi complementada atravs da transformao de Johnson para o conjunto de

dados Gamma 220 sem outliers (ou Gamma 220*). As caractersticas da transformao
so apresentadas na Figura 4.12.
Transformao de Johnson - Gamma 220*

99,9
N
AD
P-Value
99
Percent
90

295
5,308
<0,005
50
10
1
0,1
0,36
0,8
0,6
0,4
0,2
Ref P
0,0
0,2
-5
0,8
Z Value
(P-Value = 0.005 means <= 0.005)
10
0,4
0,6
1,0
1,2
99,9
N
AD
P-Value
99
295
0,194
0,892
Percent
90
50

1,26615 + 1,04864 * Log( ( X + 0,172357 ) / ( 14,4896 - X ) )
10
1
0,1
-2
Figura 4.12 Transformao de Johnson para os dados em Gamma 220 sem outliers
Aps transformao de Johnson, admitindo = 0,05, os dados foram considerados
como sendo normais (p-value igual a 0,892) conforme mostrado na Figura 4.13.
Resumo dos Dados Gamma 220* Transformados por Johnson

-2,25
-1,50
-0,75
0,00
0,75
1,50
2,25
A -S quared
P -V alue
0,19
0,892
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
0,01870
1,01389
1,02796
-0,086976
-0,213973
295
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
-2,83032
-0,67384
-0,00188
0,74689
2,33124

-0,09748
0,13487

-0,12161
0,15370
0,93814
1,10304
Mean
Median
-0,10
-0,05
0,00
0,05
0,10
0,15
Figura 4.13 Anlise dos dados transformados (Johnson) em Gamma 220 sem outliers
__________________________________________________________________________________________
75
4.2.3 Grficos de Controle Individuais Distribuio Gamma

Algumas formas distintas de utilizao de grfico de controle para avaliao do
processo em termos de tempo mdio de fila em Gamma 220 so discutidas a seguir. Em
uma primeira abordagem, representada pela Figura 4.14, os dados originais foram inseridos
para anlise no programa estatstico sem a preocupao de testar a aderncia dos mesmos
distribuio Normal, ou seja, admitindo incorretamente uma condio de normalidade dos
dados.
Analisando o grfico da Figura 4.14 em relao ao primeiro critrio de identificao
de padres no aleatrios, estabelecido anteriormente no tpico 2.4.3, tambm conhecido
como teste 1, que avalia a ocorrncia de pontos alm dos limites de controle estipulados,
observou-se a existncia de 2 (dois) pontos localizados acima do limite superior de controle.
Este fato denotaria a presena de duas causas especiais de variao, caso a suposio de
normalidade estivesse correta.
Grfico de Controle Individual - Gamma 220

15
1
UCL=11,92
Individual Value
10
_
X=3,96
LCL=-4,01
-5
1
30
60
90
120 150 180

Observation
210
240
270
300
Figura 4.14 Grfico de controle para Gamma 220 considerando distribuio Normal
No entanto, conforme mencionado anteriormente, o conjunto de dados Gamma 220
apresentava algumas observaes consideradas fora do padro distribucional, isto , alguns
pontos caracterizavam-se como outliers. Por este motivo, tambm foi construdo o grfico de
controle individual do conjunto de dados Gamma 220 sem a presena dos outliers (ou
Gamma 220*) e assumindo normalidade dos dados. Conforme demonstrado atravs da
Figura 4.15 no mais se visualizaram pontos alm dos limites de controle.
__________________________________________________________________________________________
76
Grfico de Controle Individual - Gamma 220*

12,5
UCL=11,14
10,0
Individual Value
7,5
5,0
_
X=3,78
2,5
0,0
-2,5
LCL=-3,59
-5,0
1
29
58
87
116 145 174

Observation
203
232
261
290
Figura 4.15 Grfico de controle Gamma 220 sem outliers assumindo distribuio Normal
Uma segunda abordagem quanto avaliao da estabilidade dos dados em Gamma
220 foi adotada conforme critrios apresentados no tpico 3.3, ou seja, foram estabelecidos
limites de controle por meio do percentil 0,135 (0,105767) para LIC, percentil 50 ou mediana
(3,356690) para a LM e percentil 99,865 (17,8004) para LSC. A Figura 4.16 indica que para
esta situao no foram encontrados pontos fora dos limites de controle.
Grfico de Controle Individual - Gamma 220 (percentis)

20
UB=17,80
Individual Value
15
1
1
1
10
_
X=3,36
LB=0,11
0
1
30
60
90
120
150 180
Observation
210
240
270
300
Figura 4.16 Grfico de controle Gamma 220 com limites de controle em percentis
__________________________________________________________________________________________
77
A Figura 4.17 apresenta a mesma anlise para Gamma 220 j sem os outliers e,
nesta situao, tambm no se verificaram pontos alm dos limites de controle.
Grfico de Controle Individual - Gamma 220* (percentis)

20
UB=17,80
Individual Value
15
10
_
X=3,36
LB=0,11
0
1
29
58
87
116
145 174
Observation
203
232
261
290
Figura 4.17 Grfico de controle Gamma 220 sem outliers com limites em percentis
Com relao terceira abordagem, mostrada na Figura 4.18, o grfico de controle
individual, que foi obtido aps prvia transformao dos dados originais para a condio de
normalidade via transformao de Box-Cox, no indicou pontos alm dos limites de controle.
Grfico de Controle Individual - Gamma 220

Using Box-Cox Transformation With Lambda = 0,27
2,25
UCL=2,236
Individual Value
2,00
1,75
1,50
_
X=1,378
1,25
1,00
0,75
LCL=0,520
0,50
1
30
60
90
120 150 180

Observation
210
240
270
300
Figura 4.18 Grfico de controle para Gamma 220 aps transformao de Box-Cox
__________________________________________________________________________________________
78
A Figura 4.19 mostra que os dados de Gamma 220 transformados por Box-Cox sem
os outliers (Gamma 220*) tambm no apresentaram pontos alm dos limites de controle.
Grfico de Controle Individual - Gamma 220*

2,5
UCL=2,428
Individual Value
2,0
_
X=1,435
1,5
1,0
0,5
LCL=0,441
1
29
58
87
116 145 174

Observation
203
232
261
290
Figura 4.19 Grfico de controle para Gamma 220 sem outliers aps Box-Cox
Na quarta abordagem, a anlise do grfico de controle individual aps a transformao
de Johnson, mostrada na Figura 4.20, no indicou pontos fora dos limites de controle, assim
como nos dados transformados por Box-Cox.
Grfico de Controle Individual - Gamma 220 (Johnson)

UCL=3,042
Individual Value
2
1
_
X=0,024
0
-1
-2
LCL=-2,995
-3
1
30
60
90
120 150 180

Observation
210
240
270
300
Figura 4.20 Grfico de controle para Gamma 220 aps transformao de Johnson
__________________________________________________________________________________________
79
A Figura 4.21 indica que os dados de Gamma 220 transformados por Johnson sem
os outliers (Gamma 220*) tambm no apresentaram pontos alm dos limites de controle.
Grfico de Controle Individual - Gamma 220* (Johnson)

UCL=3,083
Individual Value
2
1
_
X=0,019
0
-1
-2
-3
LCL=-3,045
1
29
58
87
116 145 174

Observation
203
232
261
290
Figura 4.21 Grfico de controle para Gamma 220 sem outliers aps Johnson
4.2.4 Avaliao de Capabilidade Distribuio Gamma

A avaliao de capabilidade para o conjunto de dados Gamma 220 teve como
requisito um limite superior de especificao de 12 minutos. Foram calculados diversos
ndices de capabilidade zbench (zLT e zST) diferentes:
a) Em uma primeira abordagem o clculo foi efetuado com os dados originais e os
dados tratados (sem outliers) como se fossem normalmente distribudos;
b) No segundo caso a condio assimtrica da distribuio foi considerada no
clculo, tanto para os dados originais quanto para os dados sem outliers.
c) Na terceira abordagem os dados originais e sem outliers foram previamente
transformados por meio da transformao de Box-Cox;
d) Na quarta situao foi utilizada a transformao de Johnson.
A Figura 4.22 apresenta os resultados do clculo de capabilidade considerando os
dados originais Gamma 220 como se fossem normalmente distribudos. A Figura 4.23
apresenta os resultados considerando os dados originais Gamma 220 sem a presena de
outliers (Gamma 220*) como se fossem normalmente distribudos.
__________________________________________________________________________________________
80
Avaliao de Capabilidade - Gamma 220

USL
P rocess D ata
LS L
Target
USL
S ample M ean
S ample N
S tD ev (Within)
S tD ev (O v erall)
W ithin
O v erall
*
*
12,00000
3,95564
302
2,65392
2,70492
P otential (Within) C apability

Z.Bench 3,03
Z.LS L
*
Z.U S L
3,03
C pk
1,01
C C pk
1,01
O v erall C apability
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
-2,4
O bserv ed P erformance
P P M < LS L
*
P P M > U S L 6622,52
P P M Total
6622,52
0,0
2,4
E xp. Within P erformance

P P M < LS L
*
P P M > U S L 1218,21
P P M Total
1218,21
4,8
7,2
9,6
2,97
*
2,97
0,99
*
12,0
E xp. O v erall P erformance

P P M < LS L
*
P P M > U S L 1469,87
P P M Total
1469,87
Figura 4.22 ndices de capabilidade de Gamma 220 considerando distribuio Normal
Avaliao de Capabilidade - Gamma 220*

USL
P rocess Data
LS L
Target
U SL
S ample M ean
S ample N
S tDev (Within)
S tDev (O v erall)
Within
Ov erall
*
*
12,00000
3,77530
295
2,45378
2,46314

Z.Bench 3,35
Z.LS L
*
Z.U S L
3,35
C pk
1,12
C C pk
1,12
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
-2
P P M < LS L
*
P P M > U S L 0,00
P P M Total
0,00

P P M < LS L
*
P P M > U S L 401,36
P P M Total
401,36
10
3,34
*
3,34
1,11
*
12

P P M < LS L
*
P P M > U S L 420,24
P P M Total
420,24
Figura 4.23 ndices de capabilidade de Gamma 220 sem outliers assumindo normalidade
Como o conjunto de dados Gamma 220, de fato, no era modelado pela distribuio
Normal e sim pela distribuio Gamma, o clculo de capabilidade foi refeito levando em
conta os parmetros da funo densidade de probabilidade da distribuio Gamma, conforme
demonstrado atravs da Figura 4.24.
__________________________________________________________________________________________
81

Calculations Based on Gamma Distribution Model
USL
P rocess D ata
LS L
Target
USL
S ample M ean
S ample N
S hape
S cale
Z.Bench
2,12
Z.LS L
*
Z.U S L
1,81
P pk
0,60
*
*
12,00000
3,95564
302
1,97204
2,00587
Exp. O v erall P erformance

P P M < LS L
*
P P M > U S L 16872,3
P P M Total
16872,3
P P M < LS L
*
P P M > U S L 6622,52
P P M Total
6622,52
0,0
2,4
4,8
7,2
9,6
12,0
Figura 4.24 ndices de capabilidade de Gamma 220 considerando distribuio Gamma

A eliminao dos outliers do conjunto de dados Gamma 220 resultou em um padro
diferente da distribuio Gamma. Portanto, antes do clculo de capabilidade foi verificado
que a distribuio Weibull com 3 parmetros, representaria o melhor ajuste para os dados de
Gamma 220 sem a presena de outliers (Gamma 220*), para um intervalo de 95% de
confiana. Os resultados nesta situao so apresentados atravs da Figura 4.25.

Calculations Based on Weibull Distribution Model
USL
P rocess D ata
LS L
Target
USL
S ample M ean
S ample N
S hape
S cale
Threshold
Z.Bench
2,49
Z.LS L
*
Z.U S L
2,38
P pk
0,79
*
*
12,00000
3,77530
295
1,52086
4,10639
0,07210

P P M < LS L
*
P P M > U S L 6333,34
P P M Total
6333,34
P P M < LS L *
PPM > USL 0
P P M Total
0
10
12
Figura 4.25 ndices de capabilidade de Gamma 220 sem outliers (distribuio Weibull)
__________________________________________________________________________________________
82
A Figura 4.26 apresenta os resultados do clculo de capabilidade do processo aps

aplicao da transformao de Box-Cox no conjunto de dados originais Gamma 220.

U S L*
transformed data
P rocess Data
Within
O v erall
LS L
*
Target
*
U SL
12,00000
S ample M ean
3,95564
S ample N
302
S tDev (Within)
2,65392
S tDev (O v erall) 2,70492

Z.Bench 2,12
Z.LS L
*
Z.U S L
2,12
C pk
0,71
C C pk
0,71
A fter Transformation
LS L*
Target*
U SL*
S ample M ean*
S tDev (Within)*
S tDev (O v erall)*
*
*
2,36251
1,51904
0,39804
0,39338
Z.Bench 2,14
Z.LS L
*
Z.U S L
2,14
P pk
0,71
C pm
*
0,6
P P M < LS L
*
P P M > U S L 6622,52
P P M Total 6622,52
0,9
1,2

P P M < LS L*
*
P P M > U SL* 17043,44
P P M Total
17043,44
1,5
1,8
2,1
2,4

P P M < LS L*
*
P P M > U S L* 16010,26
P P M Total
16010,26
Figura 4.26 ndices de capabilidade de Gamma 220 aps transformao de Box-Cox

O clculo de capabilidade aps a transformao de Box-Cox tambm foi efetuado para
o conjunto de dados Gamma 220 sem a presena de outliers (Gamma 220*) e os
resultados deste clculo esto evidenciados na Figura 4.27.

U S L*
transformed data
P rocess D ata
LS L
*
Target
*
USL
12,00000
S ample M ean
3,77530
S ample N
295
S tD ev (Within)
2,45378
S tD ev (O v erall) 2,46314
Within
O v erall
Z.Bench 2,48
Z.LS L
*
Z.U S L
2,48
C pk
0,83
C C pk
0,83
LS L*
Target*
U S L*
S ample M ean*
S tD ev (Within)*
S tD ev (O v erall)*
*
*
3,46410
1,83342
0,65746
0,64496
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
0,4
P P M < LS L
*
P P M > U S L 0,00
P P M Total 0,00
0,8
1,2

P P M < LS L*
*
P P M > U S L* 6563,93
P P M Total
6563,93
1,6
2,0
2,4
2,8
2,53
*
2,53
0,84
*
3,2

P P M < LS L*
*
P P M > U S L* 5730,01
P P M Total
5730,01
Figura 4.27 ndices de capabilidade de Gamma 220 sem outliers aps Box-Cox
__________________________________________________________________________________________
83

utilizao da transformao de Johnson no conjunto de dados originais Gamma 220.

Johnson Transformation with SB Distribution Type
1,510 + 1,058 * Log( ( X + 0,178 ) / ( 17,557 - X ) )
U S L*
P rocess D ata
LS L
*
Target
*
USL
12,00000
S ample M ean
3,95564
S ample N
302
S tD ev
2,70268
S hape1
1,50964
S hape2
1,05836
Location
-0,17755
S cale
17,73440
transformed data
Z.Bench
2,31
Z.LS L
*
Z.U S L
2,31
P pk
0,77
P P M < LS L
*
P P M > U S L 10453,3
P P M Total 10453,3
LS L*
Target*
U S L*
S ample M ean*
S tD ev *
*
*
2,33999
0,02369
1,00287
P P M < LS L
*
P P M > U S L 6622,52
P P M Total 6622,52
-2,25 -1,50 -0,75
0,00
0,75
1,50
2,25
Figura 4.28 ndices de capabilidade de Gamma 220 aps transformao de Johnson

O clculo de capabilidade aps a transformao de Johnson tambm foi efetuado para
o conjunto de dados Gamma 220 sem a presena de outliers (Gamma 220*) e os
resultados deste clculo so mostrados na Figura 4.29.

1,266 + 1,049 * Log( ( X + 0,172 ) / ( 14,490 - X ) )
U S L*
P rocess Data
LS L
*
Target
*
USL
12,00000
S ample M ean
3,77530
S ample N
295
S tDev
2,46105
S hape1
1,26615
S hape2
1,04864
Location
-0,17236
S cale
14,66197
transformed data
Z.Bench
2,87
Z.LS L
*
Z.U S L
2,87
P pk
0,96
P P M < LS L
*
P P M > U S L 2040,66
P P M Total 2040,66
LS L*
Target*
U S L*
S ample M ean*
S tDev *
*
*
2,93038
0,01870
1,01389
P P M < LS L *
PPM > USL 0
P P M Total 0
-2,25 -1,50 -0,75 0,00
0,75
1,50
2,25
3,00
Figura 4.29 ndices de capabilidade de Gamma 220 sem outliers aps Johnson
__________________________________________________________________________________________
84
A Tabela 4.1 apresenta a comparao dos valores obtidos nas diversas situaes
apresentadas, com o correspondente clculo do nvel sigma e a frao no conforme em partes
por milho para o conjunto de dados Gamma 220, considerando zshift igual a 1,5 sigma.
NVEL
LSE
NDICE
(min)
ZLT
Dados originais considerados normalmente distribudos
12
2,97
4,47
1470
Dados sem outliers considerados normalmente distribudos
12
3,34
4,84
420
Dados originais considerando distribuio Gamma
12
2,12
3,62
16872
Dados sem outliers considerando distribuio Weibull
12
2,49
3,99
6333
Dados originais no normais transformados por Box-Cox
12
2,14
3,64
16010
Dados sem outliers transformados por Box-Cox
12
2,53
4,03
5730
Dados originais transformados por Johnson
12
2,31
3,81
10453
Dados sem outliers transformados por Johnson
12
2,87
4,37
2041
PREMISSA ADOTADA PARA CLCULO
SIGMA
PPM
(ZLT+1,5)
Tabela 4.1 Clculos comparativos do nvel sigma para Gamma 220
4.2.5 Anlise de Dados Modelados pela Distribuio Beta

Antes da aplicao dos mtodos estatsticos citados foi necessrio efetuar uma anlise
dos dados disponveis em Beta 2550 quanto a sua aderncia distribuio Normal. A partir
dos dados simulados relativos aos valores de dimetro de pino especial em Beta 2550
(Apndice B) foram efetuados a anlise da distribuio e o teste de normalidade utilizando o
programa estatstico, sendo que a verificao de normalidade das distribuies estudadas
nesta pesquisa baseou-se na anlise do valor P (p-value) associado estatstica A2 do teste de
normalidade de Anderson-Darling.
A Figura 4.30 apresenta o resultado da anlise dos dados em Beta 2550. Admitindo
= 0,05, a distribuio em questo foi considerada no normal visto que o p-value obtido
(0,023) resultou menor que 0,05. Assim sendo, como a hiptese nula de normalidade foi
rejeitada, obviamente a distribuio em questo no pde ser considerada normalmente
distribuda.
A anlise do conjunto de dados Beta 2550 tambm indicou a existncia de alguns
pontos extremos fora do padro seguido pelo restante dos dados, isto , de acordo com os
conceitos apresentados no tpico 2.3.1, tais pontos foram caracterizados como outliers.
__________________________________________________________________________________________
85
Atravs da anlise do conjunto de dados Beta 2550 sem a presena dos outliers, apresentada
na Figura 4.31 como Beta 2550*, concluiu-se que a distribuio resultante poderia ser bem
representada pela distribuio normal, pois o p-value encontrado (0,582) resultou superior a
0,05. Como a hiptese nula de normalidade foi aceita, obviamente o conjunto de dados Beta
2550 pde ser considerado normalmente distribudo.
Resumo dos Dados - Beta 2550

8,15
8,20
8,25
8,30
8,35
8,40
8,45
A -Squared
P -V alue
0,88
0,023
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
8,3337
0,0611
0,0037
-0,460973
0,401052
200
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
8,1589
8,2972
8,3408
8,3722
8,4581

8,3252
8,3422

8,3265
8,3478
0,0556
0,0677
Mean
Median
8,325
8,330
8,335
8,340
8,345
8,350
Figura 4.30 Anlise dos dados para Beta 2550
Resumo dos Dados - Beta 2550*

A nderson-Darling Normality Test
8,20
8,24
8,28
8,32
8,36
8,40
8,44
A -Squared
P-V alue
0,30
0,582
Mean
StDev
V ariance
Skew ness
Kurtosis
N
8,3388
0,0546
0,0030
-0,089736
-0,149386
194
Minimum
1st Q uartile
Median
3rd Q uartile
Maximum
8,2005
8,3020
8,3425
8,3734
8,4581

8,3310
8,3465
95% C onfidence Interv al for Median

8,3315
8,3505
0,0496
0,0606
Mean
Median
8,330
8,335
8,340
8,345
8,350
Figura 4.31 Anlise dos dados para Beta 2550 sem outliers
__________________________________________________________________________________________
86
4.2.6 Transformao de Dados Modelados pela Distribuio Beta

Para o conjunto de dados Beta 2550 (Apndice B) foi efetuada a transformao de
Box-Cox. As caractersticas desta transformao so mostradas atravs da Figura 4.32 e a
anlise grfica da distribuio Normal resultante, com p-value igual a 0,065, apresentada na
Figura 4.33.
Transformao de Box-Cox - Beta 2550

0,0586
Lambda
0,0585
Estimate
StDev
0,0584
5,00000
Lower C L
Upper C L
*
*
Best Value
5,00000
0,0583
0,0582
0,0581
0,0580
0,0579
-5,0
-2,5
0,0
Lambda
2,5
5,0
Figura 4.32 Transformao de Box-Cox para os dados em Beta 2550
Resumo dos Dados Beta 2550 Transformados por Box-Cox

A nderson-D arling Normality Test
36000
37500
39000
40500
42000
43500
A -Squared
P -V alue
0,70
0,065
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
40218
1463
2141491
-0,366395
0,284776
200
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
36155
39323
40367
41134
43287

40014
40422

40023
40539
1333
1623
Mean
Median
40000
40100
40200
40300
40400
40500
40600
Figura 4.33 Anlise dos dados transformados por Box-Cox em Beta 2550
__________________________________________________________________________________________
87
Para o conjunto de dados Beta 2550 tambm foi efetuada aplicao da

transformao de Johnson. As caractersticas desta transformao, a determinao da famlia
de transformao e a correspondente equao so apresentadas na Figura 4.34.
Transformao de Johnson - Beta 2550

N
AD
P-Value
99
200
0,883
0,023
Percent
90
50
10
0,73
99,9
0,60
0,45
0,30
0,15
1
0,1
Ref P
0,00
0,2
8,2
8,4
8,6
0,4
0,6
0,8
Z Value
1,0
1,2
(P-Value = 0.005 means <= 0.005)
99,9
N
AD
P-Value
99
200
0,273
0,666

Best Transformation Ty pe: S U
0,751175 + 1,98922 * A sinh( ( X - 8,37523 ) / 0,0982355 )
Percent
90
50
10
1
0,1
-2
Figura 4.34 Transformao de Johnson para os dados em Beta 2550

Aps transformao de Johnson os dados passaram a ser descritos adequadamente pela
distribuio Normal (p-value igual a 0,666) conforme mostra a Figura 4.35.
Resumo dos dados Beta 2550 Transformados por Johnson

-2,25
-1,50
-0,75
0,00
0,75
1,50
2,25
A -S quared
P -V alue
0,27
0,666
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
0,02821
1,02645
1,05360
0,035299
-0,330369
200
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
-2,29303
-0,69791
0,06676
0,69024
2,27513

-0,11492
0,17133

-0,19911
0,20346
0,93475
1,13826
Mean
Median
-0,2
-0,1
0,0
0,1
0,2
Figura 4.35 Anlise dos dados transformados por Johnson em Beta 2550
__________________________________________________________________________________________
88
Como a anlise do conjunto de dados Beta 2550 sem a presena de outliers indicou
que o mesmo passou a ser bem representado pela distribuio Normal, no foram necessrias
as transformaes de Box-Cox ou Johnson para esta condio.
4.2.7 Grficos de Controle Individuais Distribuio Beta

Durante avaliao dos dados em Beta 2550 algumas formas de utilizao de grfico
de controle para avaliao do processo em termos de medida do dimetro do pino especial
foram discutidas. Na primeira situao, representada pela Figura 4.36, os dados foram
inseridos para anlise no programa estatstico sem a preocupao de testar a aderncia dos
mesmos distribuio Normal.
Analisando o grfico da Figura 4.36 em relao ao primeiro critrio de identificao
de padres no aleatrios, estabelecido no tpico 2.4.3, tambm conhecido como teste 1,
que avalia a ocorrncia de pontos alm dos limites de controle estipulados, observou-se a
existncia de 1 (um) ponto localizado abaixo do limite inferior de controle. Este fato denotaria
a presena de uma causa especial de variao, caso a suposio de normalidade estivesse
correta.
Grfico de Controle Individual - Beta 2550

8,55
UCL=8,5082
8,50
Individual Value
8,45
8,40
_
X=8,3337
8,35
8,30
8,25
8,20
8,15
LCL=8,1592
20
40
60
80
100 120
Observation
140
160
180
200
Figura 4.36 Grfico de controle para Beta 2550 considerando distribuio Normal
Por outro lado, a anlise do grfico de controle individual para os dados em Beta
2550 sem outliers (ou Beta 2550*) assumindo distribuio Normal, conforme demonstrado
__________________________________________________________________________________________
89
na Figura 4.37, no indicou a existncia de pontos alm dos limites de controle. Importante
ressaltar que neste caso a suposio de normalidade correspondia realidade dos dados.
Grfico de Controle Individual - Beta 2550*

8,50
UCL=8,4975
Individual Value
8,45
8,40
_
X=8,3388
8,35
8,30
8,25
8,20
LCL=8,1800
1
19
38
57
76
95
114
Observation
133
152
171
190
Figura 4.37 Grfico de controle Beta 2550 sem outliers assumindo distribuio Normal
Na segunda forma de avaliar a condio de estabilidade dos dados em Beta 2550
foram considerados percentil 0,135 (8,085346) para LIC, percentil 50 ou mediana (8,340784)
para a LM e percentil 99,865 (8,471053) para LSC conforme indicado na Figura 4.38.
Grfico de Controle Individual - Beta 2550 (percentis)

8,5
UB=8,4711
Individual Value
8,4
_
X=8,3408
8,3
8,2
1
8,1
LB=8,0853
1
20
40
60
80
100 120
Observation
140
160
180
200
Figura 4.38 Grfico de controle Beta 2550 com limites de controle em percentis
__________________________________________________________________________________________
90
Na terceira abordagem o grfico de controle individual foi obtido aps prvia

transformao dos dados utilizando a transformao de Box-Cox conforme mostrado na
Figura 4.39. Neste caso no foram observados pontos alm dos limites de controle.
Grfico de Controle Individual - Beta 2550

45000
UCL=44412
44000
Individual Value
43000
42000
41000
_
X=40218
40000
39000
38000
37000
36000
LCL=36024
1
20
40
60
80
100 120
Observation
140
160
180
200
Figura 4.39 Grfico de controle para Beta 2550 aps transformao de Box-Cox
A quarta situao de anlise com o grfico de controle individual aps a transformao
de Johnson, tambm no apresentou pontos alm dos limites estipulados (Figura 4.40).
Grfico de Controle Individual - Beta 2550 (Johnson)

4
UCL=3,243
Individual Value
2
1
_
X=0,246
0
-1
-2
LCL=-2,751
-3
1
20
40
60
80
100 120
Observation
140
160
180
200
Figura 4.40 Grfico de controle para Beta 2550 aps transformao de Johnson
__________________________________________________________________________________________
91
Como a anlise do conjunto de dados Beta 2550 sem a presena de outliers (Beta
2550*) indicou que o mesmo passou a ser bem representado pela distribuio Normal, no
foram necessrias as verificaes dos grficos de controle individuais aps as transformaes
de Box-Cox ou Johnson para esta condio.
4.2.8 Avaliao de Capabilidade Distribuio Beta

A avaliao de capabilidade em Beta 2550 teve como requisito um limite inferior de
especificao de 8,20 mm e um limite superior de especificao de 8,50 mm para a medida do
dimetro do pino especial. Foram calculados diversos ndices de capabilidade zbench (zLT e
zST) diferentes:
b) No segundo caso a condio assimtrica da distribuio foi considerada no clculo
dos dados originais.
c) Na terceira abordagem os dados originais foram previamente transformados por
meio da transformao de Box-Cox;
A Figura 4.41 apresenta os resultados do clculo de capabilidade para Beta 2550
considerando os dados normalmente distribudos.
Avaliao de Capabilidade - Beta 2550

LSL
U SL
P rocess D ata
LS L
8,20000
T arget
*
USL
8,50000
S am ple M ean
8,33369
S am ple N
200
S tD ev (Within)
0,05817
S tD ev (O v erall) 0,06113
W ithin
O v erall
Z.B ench
2,23
Z.LS L
2,30
Z.U S L
2,86
C pk
0,77
C C pk
0,86
Z.B ench
Z.LS L
Z.U S L
P pk
C pm
8,15
O bserv ed P erform ance
P P M < LS L
30000,00
PPM > USL
0,00
P P M T otal
30000,00
8,20
8,25
E xp. Within P erform ance

P P M < LS L
10766,72
PPM > USL
2123,90
P P M T otal
12890,62
8,30
8,35
8,40
8,45
2,11
2,19
2,72
0,73
*
8,50
E xp. O v erall P erform ance

P P M < LS L
14366,88
PPM > USL
3258,15
P P M T otal
17625,03
Figura 4.41 ndices de capabilidade de Beta 2550 considerando distribuio Normal

__________________________________________________________________________________________
92
A Figura 4.42 apresenta os resultados com os dados originais Beta 2550 sem a
presena de outliers, considerando distribuio Normal, suposio que se mostrou verdadeira.
Avaliao de Capabilidade - Beta 2550*

LSL
USL
P rocess Data
LS L
8,20000
Target
*
USL
8,50000
S ample M ean
8,33877
S ample N
194
S tDev (Within)
0,05292
S tDev (O v erall) 0,05465
Within
Ov erall
Z.Bench 2,54
Z.LS L
2,62
Z.U S L
3,05
C pk
0,87
C C pk
0,94
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
2,45
2,54
2,95
0,85
*
8,20 8,24 8,28 8,32 8,36 8,40 8,44 8,48

P P M < LS L 0,00
P P M > U S L 0,00
P P M Total
0,00
Exp. Within P erformance

P P M < LS L 4369,07
P P M > U S L 1157,03
P P M Total
5526,10

P P M < LS L 5557,09
P P M > U S L 1588,04
P P M Total
7145,13
Figura 4.42 ndices de capabilidade de Beta 2550 sem outliers assumindo normalidade
Por no seguir a distribuio Normal, o clculo de capabilidade dos dados em Beta
2550 foi efetuado considerando a distribuio Weibull com 3 parmetros (Figura 4.43), pois
no havia a opo de clculo com distribuio Beta no programa estatstico utilizado.

Calculations Based on Weibull Distribution Model
LSL
USL
P rocess Data
LS L
8,20000
Target
*
USL
8,50000
S ample M ean 8,33369
S ample N
200
S hape
6,35364
S cale
0,35651
Threshold
8,00177
Z.Bench
1,98
Z.LS L
1,97
Z.U S L
3,38
P pk
0,66
P P M < LS L 23724,6
PPM > USL
228,1
P P M Total
23952,8
P P M < LS L 30000
PPM > USL
0
P P M Total
30000
8,15
8,20
8,25
8,30
8,35
8,40
8,45
8,50
Figura 4.43 ndices de capabilidade de Beta 2550 considerando distribuio Weibull

__________________________________________________________________________________________
93
No foi necessria a verificao de capabilidade aps adequao de outra distribuio

aos dados Beta 2550 sem outliers, pois os mesmos j eram normalmente distribudos.
utilizao da transformao de Box-Cox e a Figura 4.45 apresenta os mesmos resultados aps
utilizao da transformao de Johnson.

LS L*
U S L*
transformed data
P rocess D ata
LS L
Target
USL
S ample M ean
S ample N
S tD ev (Within)
S tD ev (O v erall)
Within
O v erall
8,20000
*
8,50000
8,33369
200
0,05817
0,06113

Z.B ench 2,20
Z.LS L
2,25
Z.U S L
2,97
C pk
0,75
C C pk
0,87
A fter T ransformation
LS L*
37073,99212
Target*
*
U S L*
44370,54074
S ample M ean* 40217,86391
S tD ev (Within)*
1398,04938
S tD ev (O v erall)* 1465,22311
Z.B ench
Z.LS L
Z.U S L
P pk
C pm
2,09
2,15
2,83
0,72
*
36000 37500 39000 40500 42000 43500

P P M < LS L 30000,00
PPM > USL
0,00
P P M Total 30000,00

P P M < LS L* 12264,02
P P M > U S L* 1487,37
P P M Total
13751,38

P P M < LS L* 15950,03
P P M > U S L* 2297,32
P P M Total
18247,34
Figura 4.44 ndices de capabilidade de Beta 2550 aps transformao de Box-Cox

Johnson Transformation with SU Distribution Type
0,751 + 1,989 * Asinh( ( X - 8,375 ) / 0,098 )
LS L*
U S L*
transformed data
P rocess D ata
LS L
8,20000
Target
*
USL
8,50000
S ample M ean
8,33369
S ample N
200
S tD ev
0,06105
S hape1
0,75118
S hape2
1,98922
Location
8,37523
S cale
0,09824
Z.Bench
1,86
Z.LS L
1,90
Z.U S L
2,76
P pk
0,63
P P M < LS L 28886,0
P P M > U S L 2900,8
P P M Total 31786,8
LS L*
-1,91940
Target*
*
U S L*
2,85996
S ample M ean* 0,02821
S tD ev *
1,02645
P P M < LS L 30000
PPM > U SL
0
P P M Total 30000
-2,25
-1,50
-0,75
0,00
0,75
1,50
2,25
Figura 4.45 ndices de capabilidade de Beta 2550 aps transformao de Johnson

__________________________________________________________________________________________
94
No foi necessria a verificao de capabilidade aps transformao de Box-Cox ou

Johnson para o conjunto de dados Beta 2550 sem outliers (Beta 2550*), pois os mesmos
j eram normalmente distribudos.
A Tabela 4.2 apresenta a comparao dos valores obtidos nas vrias situaes
apresentadas, com o correspondente clculo do nvel sigma e a frao no conforme em partes
por milho para o conjunto de dados Beta 2550, considerando zshift igual a 1,5 sigma.
LIE
LSE
NDICE
NVEL
SIGMA
PPM
(mm) (mm)
ZLT
Dados originais considerados normais
8,20
8,50
2,11
3,61
17625
Dados sem outliers considerados normais
8,20
8,50
2,45
3,95
7145
Dados originais considerando distribuio Weibull
8,20
8,50
1,98
3,48
23953
Dados originais transformados por Box-Cox
8,20
8,50
2,09
3,59
18247
Dados originais transformados por Johnson
8,20
8,50
1,86
3,36
31787
(ZLT+1,5)
Tabela 4.2 Clculos comparativos do nvel sigma para Beta 2550
4.3
Pesquisa Exploratria Atravs de Estudo de Caso
4.3.1 Anlise de Dados Reais Furos 3/4

Antes da aplicao dos mtodos estatsticos desta pesquisa exploratria foi necessrio
efetuar uma anlise dos dados disponveis em 3/4AE e 3/4AD quanto a sua aderncia
distribuio Normal.
A partir dos dados reais relativos aos valores de dimetro dos furos do componente
estrutural em 3/4AE (Apndice C) foram efetuados a anlise da distribuio e o teste de
normalidade utilizando os recursos disponveis do programa estatstico, sendo que a
verificao de normalidade das distribuies estudadas nesta pesquisa baseou-se na anlise do
valor P (p-value) associado estatstica A2 do teste de normalidade de Anderson-Darling.
A Figura 4.46 apresenta o resultado da anlise dos dados em 3/4AE. Admitindo =
0,05, a distribuio em questo foi considerada no normal visto que o p-value obtido (0,005)
resultou menor que 0,05. Assim sendo, como a hiptese nula de normalidade foi rejeitada,
obviamente a distribuio em questo no pde ser considerada normalmente distribuda.
__________________________________________________________________________________________
95
Resumo dos Dados - 3/4AE

19,122
19,128
19,134
19,140
19,146
A -S quared
P -V alue <
1,59
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
19,130
0,005
0,000
1,32718
2,43752
54
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
19,122
19,127
19,129
19,132
19,147

19,129
19,131

19,128
19,130
0,004
0,007
Mean
Median
19,128
19,129
19,130
19,131
Figura 4.46 Anlise do conjunto de dados originais 3/4AE

A anlise do conjunto de dados 3/4AE tambm indicou a existncia de pontos
extremos fora do padro seguido pelo restante dos dados (outliers). Atravs da anlise dos
dados 3/4AE sem a presena dos outliers, apresentada na Figura 4.47 como 3/4AE*,
concluiu-se que a distribuio resultante poderia ser bem representada pela distribuio
Normal, pois o p-value encontrado (0,301) resultou superior a 0,05.
Resumo dos Dados - 3/4AE*

19,124
19,128
19,132
19,136
A -S quared
P -V alue
0,43
0,301
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
19,129
0,004
0,000
0,252045
-0,063199
51
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
19,122
19,127
19,129
19,132
19,139

19,128
19,130

19,128
19,130
0,003
0,005
Mean
Median
19,1280
19,1285
19,1290
19,1295
19,1300
Figura 4.47 Anlise do conjunto de dados 3/4AE sem outliers
__________________________________________________________________________________________
96
Como o conjunto de dados 3/4AE no seguia a distribuio Normal, foi efetuada a

verificao da distribuio que melhor representasse estes dados. Conforme mostrado na
Figura 4.48, a distribuio Loglogistic com 3 parmetros foi a melhor opo encontrada, pois
indicou o maior coeficiente de correlao (0,951) entre as distribuies analisadas para um
intervalo de 95% de confiana.
Grfico de Probabilidade - 3/4AE

3-Parameter Loglogistic - 95% CI
99
Loc
-0,445106
S cale
0,0045508
Thres
18,4893
M ean
19,1300
S tDev
0,0052894
M edian
19,1300
IQ R
0,0064071
F ailure
54
C ensor
0
A D*
1,401
C orrelation
0,951
95
Percent
90
80
70
60
50
40
30
20
10
5
0,62
0,63
0,64
3/4AE
0,65
0,66
Figura 4.48 Avaliao da melhor distribuio aplicvel ao conjunto de dados 3/4AE

estrutural em 3/4AD (Apndice C) foram efetuados a anlise da distribuio e o teste de
normalidade de Anderson-Darling. Conforme argumentao indicada no captulo 3, a
verificao de normalidade das distribuies estudadas nesta pesquisa baseou-se na anlise do
valor P (p-value) associado estatstica A2 do teste de normalidade de Anderson-Darling.
A Figura 4.49 apresenta o resultado da anlise dos dados em 3/4AD. Admitindo =
resultou menor que 0,05. Portanto, como a hiptese nula de normalidade foi rejeitada,
A anlise do conjunto de dados 3/4AD tambm indicou a existncia de outliers.
Atravs da anlise do conjunto de dados 3/4AD sem a presena dos outliers, apresentada na
Figura 4.50 como 3/4AD*, concluiu-se que a distribuio resultante no era normal, pois o
valor de p-value permaneceu inferior a 0,05.
__________________________________________________________________________________________
97
Resumo dos Dados - 3/4AD

19,122
19,126
19,130
19,134
19,138
A -S quared
P -V alue
0,81
0,034
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
19,130
0,004
0,000
-0,153626
0,076074
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
19,120
19,128
19,130
19,133
19,138

19,129
19,132

19,130
19,131
0,003
0,005
Mean
Median
19,1295
19,1300
19,1305
19,1310
19,1315
Figura 4.49 Anlise do conjunto de dados originais 3/4AD
Resumo dos Dados - 3/4AD*

19,122
19,126
19,130
19,134
19,138
A -S quared
P -V alue
0,85
0,027
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
19,131
0,004
0,000
0,031031
-0,157874
59
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
19,121
19,128
19,130
19,133
19,138

19,130
19,132

19,130
19,131
0,003
0,005
Mean
Median
19,1295
19,1300
19,1305
19,1310
19,1315
Figura 4.50 Anlise do conjunto de dados 3/4AD sem outliers

Como o conjunto de dados 3/4AD no seguia a distribuio Normal, foi efetuada a
verificao da distribuio que melhor representasse estes dados. Conforme indicado atravs
da Figura 4.51, a distribuio Logistic foi a melhor opo encontrada, pois indicou o maior
coeficiente de correlao (0,983) entre as distribuies analisadas para um intervalo de 95%
de confiana.
__________________________________________________________________________________________
98
Grfico de Probabilidade - 3/4AD

Logistic - 95% CI
99
Loc
19,1305
S cale
0,0023069
M ean
19,1305
S tDev
0,0041842
M edian
19,1305
IQ R
0,0050687
F ailure
60
C ensor
0
A D*
0,929
C orrelation
0,983
95
Percent
90
80
70
60
50
40
30
20
10
5
19,120
19,125
19,130
3/4AD
19,135
19,140
19,145
Figura 4.51 Avaliao da melhor distribuio aplicvel ao conjunto de dados 3/4AD

Como o conjunto de dados 3/4AD sem outliers (3/4AD*) tambm no seguia a
dados. Conforme mostrado na Figura 4.52, a distribuio Lognormal com 3 parmetros foi a
melhor opo encontrada, pois indicou o maior coeficiente de correlao (0,984) entre as
distribuies analisadas para um intervalo de 95% de confiana.
Grfico de Probabilidade - 3/4AD*

3-Parameter Lognormal - 95% CI
99,9
Loc
-0,0339756
S cale
0,0040290
Thres
18,1641
M ean
19,1307
S tD ev
0,0038944
M edian
19,1307
IQ R
0,0052534
F ailure
59
C ensor
0
A D*
1,051
C orrelation
0,984
99
95
Percent
90
80
70
60
50
40
30
20
10
5
1
0,1
0,950
0,955
0,960
0,965 0,970
3/4AD*
0,975
0,980
0,985
Figura 4.52 Avaliao de distribuio aplicvel ao conjunto de dados 3/4AD sem outliers
__________________________________________________________________________________________
99
4.3.2 Transformao de Dados Reais Furos 3/4

Para o conjunto de dados 3/4AE foi efetuada aplicao da transformao de BoxCox conforme indicado na Figura 4.53. Aps transformao de Box-Cox, admitindo =
0,05, os dados obtidos no foram considerados normalmente distribudos, visto que p-value
(0,005) resultou menor que 0,05 (Figura 4.54).
Transformao de Box-Cox - 3/4AE

0,0045845
Lambda
Estimate
0,0045840
StDev
0,0045835
-5,00000
Lower CL
Upper CL
*
*
Best Value
-5,00000
0,0045830
0,0045825
0,0045820
0,0045815
-5,0
-2,5
0,0
Lambda
2,5
5,0
Figura 4.53 Transformao de Box-Cox para o conjunto de dados 3/4AE
Resumo dos Dados 3/4AE Transformados por Box-Cox

A nderson-Darling Normality Test
3,8880E-07
3,8940E-07
3,9000E-07
3,9060E-07
3,9120E-07
A -S quared
P -V alue <
1,58
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
0,000000
0,000000
0,000000
-1,32094
2,41925
54
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,000000
0,000000
0,000000
0,000000
0,000000

0,000000
0,000000

0,000000
0,000000

0,000000
0,000000
Mean
Median
3,9020E-07 3,9025E-07 3,9030E-07 3,9035E-07 3,9040E-07 3,9045E-07 3,9050E-07
Figura 4.54 Anlise do conjunto de dados 3/4AE transformados por Box-Cox

__________________________________________________________________________________________
100
Para o conjunto de dados 3/4AE tambm foi efetuada aplicao da transformao de

Johnson conforme mostrado na Figura 4.55.
Transformao de Johnson - 3/4AE

90
Percent

N
54
AD
1,588
P-Value <0,005
50
10
0,51
99
0,60
0,45
0,30
0,15
Ref P
0,00
0,2
19,12
19,13
19,14
0,8
Z Value
(P-Value = 0.005 means <= 0.005)
19,15
0,4
0,6
1,0
1,2
99
N
AD
P-Value
Percent
90
50
54
0,286
0,611

Best Transformation Ty pe: S U
-0,492044 + 0,997048 * A sinh( ( X - 19,1271 ) / 0,00335450 )
10
1
-2
Figura 4.55 Transformao de Johnson para o conjunto de dados 3/4AE

Como a anlise do conjunto de dados 3/4AE sem a presena de outliers indicou que
o mesmo era normalmente distribudo, no foram efetuadas as transformaes nesta condio.
A tentativa de transformao por Box-Cox para os dados 3/4AD mostrada na Figura 4.56.
Transformao de Box-Cox - 3/4AD

Lambda
0,0024946

Estimate
0,0024945
StDev
0,0024944
5,00000
Lower C L
Upper C L
*
*
Best Value
5,00000
0,0024943
0,0024942
0,0024941
0,0024940
-5,0
-2,5
0,0
Lambda
2,5
5,0
Figura 4.56 Transformao de Box-Cox para o conjunto de dados 3/4AD

__________________________________________________________________________________________
101
Aps transformao de Box-Cox, admitindo = 0,05, os dados obtidos no foram

considerados normalmente distribudos, visto que p-value (0,034) resultou menor que 0,05
conforme indicado atravs da Figura 4.57.
Resumo dos Dados 3/4AD Transformados por Box-Cox

2556000
2558000
2560000
2562000
2564000
A -S quared
P -V alue
0,81
0,034
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
2562300
2725
7425543
-0,151097
0,073256
60
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
2566000
2555286
2560636
2561975
2563984
2567336

2561596
2563004

2561928
2562644
2310
3324
Mean
Median
2561500
2561750
2562000
2562250
2562500
2562750
2563000
Figura 4.57 Anlise do conjunto de dados 3/4AD transformados por Box-Cox

Para o conjunto de dados 3/4AD tambm foi efetuada aplicao da transformao de
Johnson (Figura 4.58), no sendo encontrada equao que resultasse em normalidade.
Transformao de Johnson - 3/4AD

Probability Plot for Original Data
99,9
0,10
N
60
AD
0,812
P-V alue 0,034
P-Value for AD test
99
95
80
Percent
Select a Transformation
50
20
Ref P
0,08
0,06
0,04
0,02
5
0,00
0,3
0,1
19,12 19,13 19,14 19,15
0,6
0,9
Z Value
1,2
(P-Value = 0.005 means <= 0.005)
Fail to select a transformation with P-Value > 0,1. No transformation is made.
Figura 4.58 Transformao de Johnson para o conjunto de dados 3/4AD

__________________________________________________________________________________________
102
Para o conjunto de dados 3/4AD sem outliers (ou 3/4AD*) foi tentada a
transformao dos dados para condio de normalidade atravs da aplicao do mtodo de
Box-Cox conforme indicado atravs da Figura 4.59.
Transformao de Box-Cox - 3/4AD*

0,00229277
Lambda
StDev
0,00229276
Estimate
0,00229275
Lower C L
Upper C L
*
*
Best Value
-5,00000
-5,00000
0,00229274
0,00229273
0,00229272
0,00229271
0,00229270
-5,0
-2,5
0,0
Lambda
2,5
5,0
Figura 4.59 Transformao de Box-Cox para o conjunto de dados 3/4AD sem outliers
Para o conjunto de dados 3/4AD sem outliers tambm foi efetuada a transformao
de Johnson (Figura 4.60), no sendo encontrada equao que resultasse em normalidade.
Transformao de Johnson - 3/4AD*

Probability Plot for Original Data
99,9
0,10
N
59
AD
0,852
P -V alue 0,027
P-Value for AD test
99
95
80
Percent
Select a Transformation
50
20
Ref P
0,08
0,06
0,04
0,02
5
0,00
0,3
0,1
19,12 19,13 19,14
0,6
0,9
Z Value
1,2
(P-Value = 0.005 means <= 0.005)
Fail to select a transformation with P-Value > 0,1. No transformation is made.
Figura 4.60 Transformao de Johnson para o conjunto de dados 3/4AD sem outliers
__________________________________________________________________________________________
103
4.3.3 Clculo de Capabilidade de Dados Reais Furos 3/4

A avaliao de capabilidade para os conjuntos de dados 3/4AE e 3/4AD
(Apndice C) teve como requisito um limite inferior de especificao de 19,124 mm e um
limite superior de especificao de 19,151 mm para as medidas de dimetro dos furos do
componente estrutural. Foram calculados diversos ndices de capabilidade zbench (zLT e zST)
diferentes:
b) No segundo caso a condio no normal da distribuio foi considerada no clculo
dos dados originais e, quando aplicvel, nos dados sem a presena de outliers.
c) Na terceira abordagem os dados originais foram modificados por meio da
transformao de Box-Cox;
dados originais 3/4AE como se fossem normalmente distribudos.
Avaliao de Capabilidade - 3/4AE

LSL
USL
P rocess D ata
LS L
19,12400
Target
*
USL
19,15100
Sample M ean
19,13002
Sample N
54
StDev (Within)
0,00458
StDev (O v erall)
0,00535
Within
Ov erall
Z.Bench 1,31
Z.LS L
1,31
Z.U SL
4,58
C pk
0,44
C C pk
0,98
Z.Bench
Z.LS L
Z.U SL
P pk
C pm
1,12
1,12
3,92
0,37
*
19,122 19,128 19,134 19,140 19,146

O bserv ed Performance
PP M < LSL 74074,07
PP M > U S L
0,00
PP M Total
74074,07
Exp. Within Performance

PP M < LSL 94561,28
PP M > U S L
2,35
PP M Total
94563,63

PP M < LSL
130480,60
PP M > U S L
44,48
PP M Total
130525,08
Figura 4.61 ndices de capabilidade do conjunto de dados originais 3/4AE

Como o conjunto de dados 3/4AE no se mostrou normalmente distribudo, o
clculo de capabilidade foi efetuado a partir da distribuio Loglogistic com 3 parmetros,
correspondente ao melhor ajuste para os dados de 3/4AE em um intervalo de 95% de
__________________________________________________________________________________________
104

Calculations Based on Loglogistic Distribution Model
LSL
USL
P rocess D ata
LS L
19,12400
Target
*
USL
19,15100
S ample N
54
Location
-0,20971
S cale
0,00336
Threshold
18,31864
Z.Bench
1,18
Z.LSL
0,92
Z.U SL
3,56
P pk
0,31
E xp. O v erall Performance
P P M < LS L 118147
PPM > USL
403
P P M Total
118550
P P M < LSL 74074,1
P P M > U SL
0,0
P P M Total
74074,1
19,122 19,128 19,134 19,140 19,146
Figura 4.62 ndices de capabilidade dos dados 3/4AE baseados na distribuio Loglogistic
No foi efetuado clculo de capabilidade aps transformao de Box-Cox dos dados
3/4AE, pois a mesma no resultou em normalidade.
utilizao da transformao de Johnson no conjunto de dados originais 3/4AE.

Johnson Transformation with SU Distribution Type
-0,492 + 0,997 * Asinh( ( X - 19,127 ) / 0,003 )
LSL*
U S L*
transformed data
P rocess Data
LSL
19,12400
Target
*
USL
19,15100
S ample N
54
S tD ev
0,00533
S hape1
-0,49204
S hape2
0,99705
Location
19,12706
S cale
0,00335
Z.Bench
1,41
Z.LS L
1,49
Z.U S L
2,28
P pk
0,50
Exp. O v erall Performance
PP M < LS L 68154,7
PP M > U S L 11245,8
PP M Total 79400,5
LSL*
Target*
U S L*
S ample M ean*
S tD ev *
-1,30763
*
2,16335
0,06329
0,92028
P PM < LSL 74074,1
P PM > U S L
0,0
P PM Total 74074,1
-2
-1
Figura 4.63 ndices de capabilidade dos dados 3/4AE transformados por Johnson
__________________________________________________________________________________________
105
A Figura 4.64 apresenta os resultados considerando os dados originais 3/4AE sem a

presena de outliers, considerando distribuio Normal, suposio que se mostrou verdadeira.
Avaliao de Capabilidade - 3/4AE*

LSL
USL
Process D ata
LSL
19,12400
Target
*
USL
19,15100
Sample M ean
19,12910
Sample N
51
StD ev (Within)
0,00362
StD ev (O v erall)
0,00383
W ithin
Overall
Potential (Within) C apability
Z.Bench 1,41
Z.LS L
1,41
Z.U SL
6,06
C pk
0,47
C C pk
1,24
Z.Bench
Z.LS L
Z.U SL
Ppk
C pm
,1
19
PP M < LS L
78431,37
PP M > U S L
0,00
PP M Total
78431,37
20
19
,1
24
,1
19
28
19

P P M < LSL 79349,91
P P M > U SL
0,00
P P M Total
79349,91
,1
32
,1
19
36
19
,1
40
,
19
14
4
19
,1
1,33
1,33
5,72
0,44
*
48

PP M < LS L 91334,12
PP M > U S L
0,01
PP M Total
91334,12
Figura 4.64 ndices de capabilidade do conjunto de dados 3/4AE sem outliers

No foram efetuados os clculos de capabilidade aps ajuste da distribuio e
transformaes em 3/4AE sem outliers, pois o mesmo j era normal. A Figura 4.65 mostra
o clculo de capabilidade para os dados 3/4AD como se fossem normalmente distribudos.
Avaliao de Capabilidade - 3/4AD

LSL
USL
P rocess D ata
LS L
19,12400
Target
*
USL
19,15100
Sample M ean
19,13048
Sample N
60
StD ev (Within)
0,00249
StD ev (O v erall)
0,00409
Within
Ov erall
Z.Bench 2,60
Z.LS L
2,60
Z.U S L
8,23
C pk
0,87
C C pk
1,80
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
,
19
PP M < LS L 50000,00
PP M > U SL
0,00
PP M Total
50000,00
12
1,59
1,59
5,02
0,53
*
2 4 1 2 8 1 3 2 1 3 6 1 4 0 1 44 1 4 8
,
,
,
,
,
,
,1
9
19
19
19
19
19
19
1

PP M < LS L 4671,11
PP M > U SL
0,00
PP M Total
4671,11

PP M < LS L 56312,73
PP M > U SL
0,26
PP M Total
56312,99
Figura 4.65 ndices de capabilidade do conjunto de dados originais 3/4AD

__________________________________________________________________________________________
106
Como o conjunto de dados 3/4AD no se mostrou normalmente distribudo, o

clculo de capabilidade foi efetuado a partir da distribuio Logistic, correspondente ao
melhor ajuste para os dados de 3/4AD em um intervalo de 95% de confiana (Figura 4.66).
Avaliao de Capabilidade - 3/4AD

Calculations Based on Logistic Distribution Model
LSL
USL
P rocess Data
LS L
19,12400
Target
*
USL
19,15100
S ample N
60
Location
19,13046
S cale
0,00227
Z.Bench
1,60
Z.LS L
1,29
Z.U S L
4,11
P pk
0,43
P P M < LS L 54882,9
PPM > USL
117,9
P P M Total
55000,9
P P M < LS L 50000
PPM > U SL
0
P P M Total
50000
19
,1
20
19
,1
24
,1
19
28
19
,1
32
19
3
,1
6
19
,1
40
19
44
,1
19
,1
48
Figura 4.66 ndices de capabilidade dos dados 3/4AD baseados na distribuio Logistic
A Figura 4.67 apresenta os resultados considerando os dados originais 3/4AD sem a
presena de outliers e considerando os dados como se fossem normalmente distribudos.
Avaliao de Capabilidade - 3/4AD*

LSL
USL
P rocess D ata
LS L
19,12400
Target
*
USL
19,15100
S ample M ean
19,13066
S ample N
59
S tD ev (Within)
0,00229
S tD ev (O v erall)
0,00388
W ithin
Ov erall
Z.Bench 2,91
Z.LS L
2,91
Z.U S L
8,87
C pk
0,97
C C pk
1,96
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
,
19
P P M < LS L
33898,31
PPM > USL
0,00
P P M Total
33898,31
12
0
19
,1
24
,1
19
28
19

PP M < LS L 1834,69
PP M > U S L
0,00
PP M Total
1834,69
,1
32
19
3
,1
6
19
,1
40
19
4
,1
4
19
,1
1,72
1,72
5,24
0,57
*
48

P PM < LSL
42971,88
P PM > U S L
0,08
P PM Total
42971,96
Figura 4.67 ndices de capabilidade do conjunto de dados 3/4AD sem outliers

__________________________________________________________________________________________
107
Como o conjunto de dados 3/4AD sem outliers no se mostrou normalmente

distribudo, o clculo de capabilidade foi efetuado a partir da distribuio Lognormal com 3
parmetros, conforme indicado atravs da Figura 4.68.
Avaliao de Capabilidade - 3/4AD*

Calculations Based on Lognormal Distribution Model
LSL
USL
P rocess D ata
LS L
19,12400
Target
*
USL
19,15100
S ample N
59
Location
-0,08341
S cale
0,00416
Threshold
18,21068
Z.Bench
1,74
Z.LS L
1,75
Z.U S L
5,28
P pk
0,58
P P M < LS L 40600,4
PPM > USL
0,1
P P M Total
40600,4
P P M < LS L 33898,3
PPM > USL
0,0
P P M Total
33898,3
19
2
,1
0
19
,1
24
19
2
,1
8
19
,1
32
19
36
,1
19
,1
40
19
,1
44
19
,1
48
Figura 4.68 ndices capabilidade dos dados 3/4AD sem outliers (distribuio Lognormal)
No foram efetuados os clculos de capabilidade aps as transformaes de Box-Cox
e Johnson para os dados 3/4AD e para 3/4AD sem outliers, pois as transformaes
citadas no resultaram em normalidade. Um resumo dos valores obtidos nas diversas
situaes descritas para os dados reais 3/4AE e 3/4AD apresentado na Tabela 4.3.
NVEL
LIE
LSE
NDICE
(mm)
(mm)
ZLT
Dados 3/4AE considerados normais
19,124
19,151
1,12
2,62
130525
Dados 3/4AE sem outliers supondo normais
19,124
19,151
1,33
2,83
91334
Dados 3/4AE (distribuio Loglogistic)
19,124
19,151
1,18
2,68
118550
Dados 3/4AE transformados (Johnson)
19,124
19,151
1,41
2,91
79401
Dados 3/4AD considerados normais
19,124
19,151
1,59
3,09
56313
Dados 3/4AD sem outliers supondo normais
19,124
19,151
1,72
3,22
42972
Dados 3/4AD (distribuio Logistic)
19,124
19,151
1,60
3,10
55001
Dados 3/4AD sem outliers (Lognormal)
19,124
19,151
1,74
3,24
40600
SIGMA
PPM
(ZLT+1,5)
Tabela 4.3 Clculos comparativos do nvel sigma para 3/4AE e 3/4AD

__________________________________________________________________________________________
108
4.3.4 Anlise de Dados Reais Furos 5/8

Para dar continuidade aplicao dos mtodos estatsticos desta pesquisa exploratria
tambm foi necessrio efetuar uma anlise dos dados disponveis em 5/8TE e 5/8TD
quanto a sua aderncia distribuio Normal.
estrutural em 5/8TE (Apndice D) foram efetuados a anlise da distribuio e o teste de
normalidade utilizando os recursos disponveis do programa estatstico, sendo que a
verificao de normalidade baseou-se na anlise do valor P (p-value) associado estatstica
A2 do teste de normalidade de Anderson-Darling.
A Figura 4.69 apresenta o resultado da anlise dos dados em 5/8TE. Admitindo =
resultou menor que 0,05. Portanto, como a hiptese nula de normalidade foi rejeitada,
Alm disso, foi observado que o conjunto de dados 5/8TE no possua outliers.
Resumo dos Dados - 5/8TE

15,955
15,960
15,965
15,970
15,975
15,980
A -S quared
P -V alue <
1,68
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
15,963
0,007
0,000
1,04029
-0,04579
27
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
15,956
15,958
15,960
15,968
15,980

15,961
15,966

15,959
15,966
0,006
0,010
Mean
Median
15,9600
15,9615
15,9630
15,9645
15,9660
Figura 4.69 Anlise do conjunto de dados originais 5/8TE

Como o conjunto de dados 5/8TE no seguia a distribuio Normal, foi efetuada a
verificao da distribuio que melhor representasse estes dados. Conforme mostrado na
Figura 4.70, a distribuio Lognormal com 3 parmetros foi a melhor opo encontrada, pois
indicou o maior coeficiente de correlao (0,924) entre as distribuies analisadas para um
intervalo de 95% de confiana.
__________________________________________________________________________________________
109
Grfico de Probabilidade - 5/8TE

99
Loc
-0,762463
S cale
0,0151340
Thres
15,4969
M ean
15,9635
S tD ev
0,0070615
M edian
15,9634
IQ R
0,0095243
F ailure
27
C ensor
0
A D*
2,164
C orrelation
0,924
95
90
80
Percent
70
60
50
40
30
20
10
5
0,44
0,45
0,46
0,47
5/8TE
0,48
0,49
Figura 4.70 Avaliao da melhor distribuio aplicvel ao conjunto de dados 5/8TE

estrutural em 5/8TD (Apndice D) foram efetuados a anlise da distribuio e o teste de
normalidade de Anderson-Darling conforme indicado na Figura 4.71. Admitindo = 0,05, a
distribuio em questo foi considerada no normal visto que o p-value obtido (0,015)
resultou menor que 0,05.
Resumo dos Dados - 5/8TD

15,96
15,97
15,98
15,99
16,00
A -S quared
P -V alue
0,94
0,015
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
15,967
0,010
0,000
1,18738
2,04497
29
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
15,956
15,960
15,966
15,974
15,998

15,964
15,971

15,960
15,973
0,008
0,013
Mean
Median
15,960
15,962
15,964
15,966
15,968
15,970
15,972
Figura 4.71 Anlise do conjunto de dados originais 5/8TD
__________________________________________________________________________________________
110
Pela anlise dos dados 5/8TD sem a presena dos outliers, apresentada na Figura
4.72 como 5/8TD*, concluiu-se que a distribuio no era normal (p-value inferior a 0,05).
Resumo dos Dados - 5/8TD*

15,955
15,960
15,965
15,970
15,975
A -S quared
P -V alue
1,05
0,008
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
15,966
0,008
0,000
0,32717
-1,37814
28
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
15,980
15,956
15,959
15,965
15,974
15,981

15,963
15,969

15,960
15,973
0,006
0,010
Mean
Median
15,960
15,962
15,964
15,966
15,968
15,970
15,972
Figura 4.72 Anlise do conjunto de dados 5/8TD sem outliers

Para o conjunto 5/8TD foi efetuada a verificao de uma distribuio que melhor
representasse os dados. Conforme mostrado na Figura 4.73, a distribuio Lognormal com 3
parmetros foi a melhor opo encontrada.
Grfico de Probabilidade - 5/8TD

99
Loc
-1,32532
S cale
0,0348273
Thres
15,7015
M ean
15,9674
S tD ev
0,0092626
M edian
15,9672
IQ R
0,0124849
F ailure
29
C ensor
0
A D*
1,345
C orrelation
0,943
95
90
Percent
80
70
60
50
40
30
20
10
5
0,24
0,25
0,26
0,27
5/8TD
0,28
0,29
0,30
Figura 4.73 Avaliao da melhor distribuio aplicvel ao conjunto de dados 5/8TD

__________________________________________________________________________________________
111
Como o conjunto de dados 5/8TD sem outliers (ou 5/8TD*) tambm no seguia a
dados utilizando o programa estatstico. Conforme demonstrado atravs da Figura 4.74, a
distribuio Lognormal com 3 parmetros foi a melhor opo encontrada, pois indicou o
maior coeficiente de correlao (0,960) entre as distribuies analisadas para um intervalo de
95% de confiana.
Grfico de Probabilidade - 5/8TD*

99
Loc
-0,539457
S cale
0,0132152
Thres
15,3831
M ean
15,9662
S tD ev
0,0077064
M edian
15,9662
IQ R
0,0103945
F ailure
28
C ensor
0
A D*
1,434
C orrelation
0,960
95
90
Percent
80
70
60
50
40
30
20
10
5
0,56
0,57
0,58
0,59
5/8TD*
0,60
0,61
Figura 4.74 Avaliao de distribuio aplicvel ao conjunto de dados 5/8TD sem outliers
4.3.5 Transformao de Dados Reais Furos 5/8

Para o conjunto de dados 5/8TE foi efetuada uma tentativa de transformao por
Box-Cox utilizando o programa estatstico. As caractersticas desta transformao, com
destaque para o valor do parmetro estimado com 95% de confiana, so apresentadas
atravs da Figura 4.75.
considerados normalmente distribudos, visto que p-value (0,005) resultou menor que 0,05, ou
seja, rejeitou-se a hiptese nula de normalidade da distribuio obtida. A Figura 4.76
apresenta a anlise grfica da distribuio resultante da transformao de Box-Cox.
__________________________________________________________________________________________
112
Transformao de Box-Cox - 5/8TE

0,0052575
Lambda
Estimate
0,0052550
StDev
0,0052525
-5,00000
Lower C L
Upper C L
*
*
Best Value
-5,00000
0,0052500
0,0052475
0,0052450
-5,0
-2,5
0,0
Lambda
2,5
5,0
Figura 4.75 Transformao de Box-Cox para o conjunto de dados 5/8TE
Resumo dos Dados 5/8TE Transformados por Box-Cox

9,6000E-07
9,6200E-07
9,6400E-07
9,6600E-07
A -S quared
P -V alue <
1,68
0,005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
0,000001
0,000000
0,000000
-1,03690
-0,05539
27
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,000001
0,000001
0,000001
0,000001
0,000001

0,000001
0,000001

0,000001
0,000001
0,000000
0,000000
Mean
Median
9,6400E-07
9,6450E-07
9,6500E-07
9,6550E-07
9,6600E-07
Figura 4.76 Anlise do conjunto de dados 5/8TE transformados por Box-Cox

Para o conjunto de dados 5/8TE tambm foi efetuada aplicao da transformao de
Johnson por meio do programa estatstico. O diagrama da Figura 4.77 apresenta as
caractersticas desta transformao, com destaque para determinao da famlia de
transformao e a correspondente equao.
__________________________________________________________________________________________
113
Transformao de Johnson - 5/8TE

99
90
Percent
N
AD
P-Value
27
1,681
<0,005
50
10
0,58
0,20
0,15
0,10
Ref P
0,05
0,00
0,2
1
15,94
15,96
15,98
0,4
0,6
0,8
Z Value
1,0
1,2
(P-Value = 0.005 means <= 0.005)
99
N
AD
P-Value
Percent
90
50
27
0,493
0,200

0,911517 + 0,614153 * Log( ( X - 15,9556 ) / ( 15,9863 - X ) )
10
1
-2
Figura 4.77 Transformao de Johnson para o conjunto de dados 5/8TE

Como a anlise do conjunto de dados 5/8TE no indicou a presena de outliers, no
se fizeram necessrias aplicaes das transformaes de Box-Cox ou Johnson para esta
condio.
Para o conjunto de dados 5/8TD foi efetuada uma tentativa de transformao por
Transformao de Box-Cox - 5/8TD

0,004531
Lambda
StDev
0,004530
Estimate
-5,00000
0,004529
Lower C L
Upper C L
*
*
0,004528
Best Value
-5,00000
0,004527
0,004526
0,004525
0,004524
0,004523
0,004522
-5,0
-2,5
0,0
Lambda
2,5
5,0
Figura 4.78 Transformao de Box-Cox para o conjunto de dados 5/8TD
__________________________________________________________________________________________
114

considerados normalmente distribudos, visto que p-value (0,015) resultou menor que 0,05. A
anlise grfica da distribuio transformada por Box-Cox apresentada na Figura 4.79.
Resumo dos Dados 5/8TD Transformados por Box-Cox

9,5400E-07 9,5600E-07 9,5800E-07 9,6000E-07 9,6200E-07 9,6400E-07 9,6600E-07
A -S quared
P -V alue
0,94
0,015
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
0,000001
0,000000
0,000000
-1,17485
1,99081
29
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,000001
0,000001
0,000001
0,000001
0,000001
95% C onfidence Interv al for Mean

0,000001
0,000001
95% C onfidence Interv al for Median

0,000001
0,000001
0,000000
0,000000
Mean
Median
9,6200E-07
9,6300E-07
9,6400E-07
9,6500E-07
9,6600E-07
Figura 4.79 Anlise do conjunto de dados 5/8TD transformados por Box-Cox

Para o conjunto de dados 5/8TD tambm foi efetuada aplicao da transformao de
Johnson conforme mostrado na Figura 4.80.
Transformao de Johnson - 5/8TD
90
Percent

N
AD
P-Value
29
0,943
0,015
50
10
1
15,94
15,96
15,98
99
0,65
0,3
0,2
0,1
0,0
0,50
Ref P
0,75
1,00
1,25
Z Value
(P-Value = 0.005 means <= 0.005)
16,00
99
N
AD
P-Value
Percent
90
50
29
0,410
0,322

Best Transformation Ty pe: SB
1,01181 + 0,729792 * Log( ( X - 15,9554 ) / ( 16,0045 - X ) )
10
1
-2
Figura 4.80 Transformao de Johnson para o conjunto de dados 5/8TD

__________________________________________________________________________________________
115
Para o conjunto de dados 5/8TD sem outliers (ou 5/8TD*) foi tentada a
transformao dos dados para condio de normalidade atravs da aplicao do mtodo de
Transformao de Box-Cox - 5/8TD*

0,0039410
Lambda
Estimate
StDev
0,0039405
-5,00000
Lower C L
Upper C L
*
*
Best Value
-5,00000
0,0039400
0,0039395
0,0039390
-5,0
-2,5
0,0
Lambda
2,5
5,0
Figura 4.81 Transformao de Box-Cox para o conjunto de dados 5/8TD sem outliers
Para os dados 5/8TD sem outliers (5/8TD*) tambm foi aplicado o mtodo de
transformao de Johnson de acordo com diagrama apresentado na Figura 4.82.
Transformao de Johnson - 5/8TD*

99
90
Percent

N
28
AD
1,048
P-Value 0,008
50
10
0,72
0,5
0,4
0,3
0,2
0,1
Ref P
0,7
1
15,94
15,96
0,9
1,0
Z Value
(P-Value = 0.005 means <= 0.005)
15,98
0,8
1,1
1,2
99
N
28
AD
0,302
P-Value 0,554
Percent
90
50

0,278324 + 0,522537 * Log( ( X - 15,9558 ) / ( 15,9817 - X ) )
10
1
-2
Figura 4.82 Transformao de Johnson para o conjunto de dados 5/8TD sem outliers
__________________________________________________________________________________________
116
4.3.6 Clculo de Capabilidade de Dados Reais Furos 5/8

A avaliao de capabilidade para os conjuntos de dados 5/8TE e 5/8TD (Apndice
D) teve como requisito um limite inferior de especificao de 15,950 mm e um limite superior
de especificao de 15,977 mm para as medidas de dimetro dos furos do componente
estrutural. Foram calculados diversos ndices de capabilidade zbench (zLT e zST) diferentes:
b) No segundo caso a condio no normal da distribuio foi considerada no clculo
dos dados originais e, quando aplicvel, nos dados sem a presena de outliers.
c) Na terceira abordagem os dados originais foram modificados por meio da
transformao de Box-Cox;
dados originais 5/8TE como se fossem normalmente distribudos.
Avaliao de Capabilidade - 5/8TE

LSL
USL
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
S ample M ean
15,96344
S ample N
27
S tD ev (Within)
0,00525
S tD ev (O v erall)
0,00744
W ithin
Ov erall
Z.Bench 2,32
Z.LS L
2,56
Z.U S L
2,58
C pk
0,85
C C pk
0,86
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
1,48
1,81
1,82
0,60
*
15,950 15,955 15,960 15,965 15,970 15,975 15,980

P P M < LS L
0,00
P P M > U S L 74074,07
P P M Total
74074,07

PP M < LS L
5227,87
PP M > U S L
4918,01
PP M Total
10145,89

P PM < LSL
35321,39
P PM > U S L 34173,87
P PM Total
69495,26
Figura 4.83 ndices de capabilidade do conjunto de dados originais 5/8TE

Como o conjunto de dados 5/8TE no se mostrou normalmente distribudo, o
clculo de capabilidade foi efetuado a partir da distribuio Lognormal com 3 parmetros,
correspondente ao melhor ajuste para os dados de 5/8TE em um intervalo de 95% de
__________________________________________________________________________________________
117

LSL
USL
P rocess Data
LSL
15,95000
Target
*
U SL
15,97700
S ample N
27
Location
-0,74041
S cale
0,01504
Threshold
15,48651
Z.Bench
1,56
Z.LSL
1,91
Z.U SL
1,85
P pk
0,62
P P M < LSL 28827,1
P P M > U S L 31058,5
P P M Total 59885,6
P P M < LS L
0,0
P P M > U SL 74074,1
P P M Total
74074,1
15,950 15,955 15,960 15,965 15,970 15,975 15,980
Figura 4.84 ndices de capabilidade dos dados 5/8TE baseados na distribuio Lognormal
5/8TE, pois a mesma no resultou em normalidade.
utilizao da transformao de Johnson no conjunto de dados originais 5/8TE.

0,912 + 0,614 * Log( ( X - 15,956 ) / ( 15,986 - X ) )
U S L*
transformed data
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
S ample N
27
S tD ev
0,00737
S hape1
0,91152
S hape2
0,61415
Location
15,95560
S cale
0,03074
Z.Bench
*
Z.LS L
*
Z.U S L
1,51
P pk
0,50
P P M < LS L *
PPM > USL *
P P M Total *
LS L*
Target*
U S L*
S ample M ean*
S tD ev *
*
*
1,42129
-0,03023
0,96325
P P M < LS L
0,0
P P M > U S L 74074,1
P P M Total 74074,1
-2
-1
Figura 4.85 ndices de capabilidade dos dados 5/8TE transformados por Johnson
__________________________________________________________________________________________
118

dados originais 5/8TD como se fossem normalmente distribudos.
Avaliao de Capabilidade - 5/8TD

LSL
USL
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
S ample M ean
15,96731
S ample N
29
S tD ev (Within)
0,00453
S tD ev (O v erall)
0,00968
Within
Ov erall
Z.Bench 2,14
Z.LS L
3,82
Z.U S L
2,14
C pk
0,71
C C pk
0,99
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
15,95
P P M < LSL
0,00
P P M > U SL 103448,28
P P M Total
103448,28
15,96
15,97
E xp. Within Performance

P PM < LS L
65,84
P PM > U S L 16172,28
P PM Total
16238,12
15,98
15,99
0,86
1,79
1,00
0,33
*
16,00

P P M < LS L
36894,14
P P M > U SL 158459,33
P P M Total
195353,47
Figura 4.86 ndices de capabilidade dos dados originais 5/8TD

Como o conjunto de dados 5/8TD no se mostrou normalmente distribudo, o
clculo de capabilidade foi efetuado a partir da distribuio Lognormal com 3 parmetros. Os
resultados nesta situao so apresentados atravs da Figura 4.87.

LSL
USL
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
Sample M ean 15,96731
Sample N
29
Location
-0,99045
Scale
0,02504
Threshold
15,59585
Z.Bench
0,92
Z.LS L
1,93
Z.U S L
1,01
P pk
0,34
P P M < LS L
28661
P P M > U S L 150604
P P M Total
179265
P P M < LSL
0
P P M > U S L 103448
P P M Total
103448
15,95
15,96
15,97
15,98
15,99
16,00
Figura 4.87 ndices de capabilidade dos dados 5/8TD baseados na distribuio Lognormal
__________________________________________________________________________________________
119

5/8TD, pois a mesma no resultou em normalidade. A Figura 4.88 apresenta os resultados
do clculo de capabilidade do processo aps transformao de Johnson em 5/8TD.

1,012 + 0,730 * Log( ( X - 15,955 ) / ( 16,005 - X ) )
U S L*
transformed data
P rocess Data
LS L
15,95000
Target
*
USL
15,97700
S ample N
29
S tD ev
0,00960
S hape1
1,01181
S hape2
0,72979
Location
15,95541
S cale
0,04912
Z.Bench
*
Z.LS L
*
Z.U S L
0,94
Ppk
0,31
P P M < LSL *
P P M > U SL *
P P M Total *
LS L*
*
Target*
*
U S L*
0,83467
S ample M ean* -0,07024
S tD ev *
0,96468
P PM < LS L
0
P PM > U S L 103448
P PM Total 103448
-2
-1
Figura 4.88 ndices de capabilidade dos dados 5/8TD transformados por Johnson
A Figura 4.89 apresenta os resultados considerando os dados originais 5/8TD sem a
presena de outliers e considerando os dados como se fossem normalmente distribudos.
Avaliao de Capabilidade - 5/8TD*

LSL
USL
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
S ample M ean
15,96621
S ample N
28
S tD ev (Within)
0,00394
S tD ev (O v erall)
0,00778
W ithin
Ov erall
Z.Bench 2,74
Z.LS L
4,12
Z.U S L
2,74
C pk
0,91
C C pk
1,14
Z.Bench
Z.LS L
Z.U S L
P pk
C pm
,
15
P P M < LS L
0,00
P P M > U S L 71428,57
P P M Total
71428,57
95
0
,
15
95
5
,
15
96

PP M < LS L
19,34
PP M > U S L 3096,21
PP M Total
3115,56
,
15
96
5
,
15
97
0
,
15
97
5
,
15
0
98
,
15
98
1,27
2,09
1,39
0,46
*

P P M < LSL
18529,15
P P M > U SL
82717,98
P P M Total
101247,13
Figura 4.89 ndices de capabilidade do conjunto de dados 5/8TD sem outliers

__________________________________________________________________________________________
120
Como os dados 5/8TD sem outliers no eram normalmente distribudo, o clculo de

capabilidade foi efetuado a partir da distribuio Lognormal com 3 parmetros (Figura 4.90).

LSL
USL
Process Data
LSL
15,95000
Target
*
U SL
15,97700
S ample N
28
Location
-0,54729
S cale
0,01305
Threshold
15,38766
Z.Bench
1,32
Z.LS L
2,18
Z.U S L
1,41
P pk
0,47
PP M < LS L 14901,4
PP M > U S L 77722,6
PP M Total 92623,9
PP M < LSL
0,0
PP M > U S L 71428,6
PP M Total
71428,6
15,950 15,955 15,960 15,965 15,970 15,975 15,980
Figura 4.90 ndices capabilidade dos dados 5/8TD sem outliers (distribuio Lognormal)
5/8TD sem outliers, pois a mesma no resultou em normalidade. A Figura 4.91 apresenta o
clculo de capabilidade aps transformao de Johnson dos dados 5/8TD sem outliers.

0,278 + 0,523 * Log( ( X - 15,956 ) / ( 15,982 - X ) )
U SL*
transformed data
P rocess D ata
LS L
15,95000
Target
*
USL
15,97700
S ample N
28
S tD ev
0,00770
S hape1
0,27832
S hape2
0,52254
Location
15,95576
S cale
0,02593
Z.Bench
*
Z.LSL
*
Z.U S L
1,19
P pk
0,40
Exp. O v erall Performance
P PM < LS L *
P PM > U S L *
P PM Total *
LS L*
*
Target*
*
U S L*
1,06775
S ample M ean* -0,03806
S tD ev *
0,93016
P P M < LSL
0,0
P P M > U SL 71428,6
P P M Total 71428,6
-2
-1
Figura 4.91 ndices de capabilidade dos dados 5/8TD sem outliers (transf. Johnson)
__________________________________________________________________________________________
121
Para os conjuntos de dados 5/8TE e 5/8TD no foram calculados os ndices de

capabilidade aps as transformaes de Box-Cox, pois as mesmas no resultaram em
normalidade. Tambm no foi possvel obter ndices de capabilidade aps as transformaes
de Johnson, uma vez que no foram encontrados valores de referncia zbench a partir da
aplicao da frmula de transformao nos limites de especificao definidos. A Tabela 4.4
apresenta a comparao dos valores obtidos nas vrias situaes apresentadas, com o
correspondente clculo do nvel sigma e a frao no conforme em partes por milho para os
conjuntos de dados 5/8TE e 5/8TD, considerando zshift igual a 1,5 sigma.
NVEL
LIE
LSE
NDICE
(mm)
(mm)
ZLT
Dados 5/8TE considerados normais
15,950
15,977
1,48
2,98
69495
Dados 5/8TE (distribuio Lognormal)
15,950
15,977
1,56
3,06
59886
Dados 5/8TD considerados normais
15,950
15,977
0,86
2,36
195353
Dados 5/8TD (distribuio Lognormal)
15,950
15,977
0,92
2,42
179265
Dados 5/8TD sem outliers supondo normais
15,950
15,977
1,27
2,77
101247
Dados 5/8TD sem outliers (Lognormal)
15,950
15,977
1,32
2,82
92624
SIGMA
PPM
(ZLT+1,5)
Tabela 4.4 Clculos comparativos do nvel sigma para 5/8TE e 5/8TD
__________________________________________________________________________________________
Captulo 5: Discusso dos Resultados
5.
DISCUSSO DOS RESULTADOS
5.1
Anlise de Resultados na Investigao Experimental
122
A anlise da simulao efetuada na pesquisa experimental com os dados no normais

foi conduzida atravs da interpretao dos grficos de controle individual e da avaliao de
capabilidade com os dados modelados pelas distribuies Gamma e Beta.
5.1.1 Anlise dos Grficos de Controle Distribuio Gamma

Aps anlise dos grficos de controle construdos durante a pesquisa experimental
para os dados provenientes da distribuio Gamma, foram observadas quatro situaes
distintas, que esto abaixo detalhadas.
a) Assumindo os dados modelados pela distribuio Gamma como se fossem
normalmente distribudos:
- No chamado teste 1, que avalia a quantidade de pontos alm dos limites de
controle estipulados, foram identificados 2 (dois) pontos acima do limite superior de
controle, que poderiam ser interpretados como causas especiais de variao.
- Entretanto, o simples tratamento dos dados, por meio da eliminao dos pontos fora
do padro (outliers) foi suficiente para que o comportamento apresentado no grfico
de controle se enquadrasse em uma situao de controle estatstico, mesmo com a
suposio incorreta de normalidade dos dados originais.
b) Estabelecendo novos limites de controle inferior e superior, baseado nos percentis
0,135 e 99,865, respectivamente, com base na funo densidade de probabilidade
da distribuio Gamma, obviamente assimtrica:
- Neste caso no foram observados pontos alm dos limites de controle, tanto para os
dados originais quanto para os dados tratados atravs da eliminao dos outliers.
c) Efetuando transformao matemtica dos dados modelados pela distribuio
Gamma por meio do mtodo de Box-Cox:
- Aps a aplicao da transformao de Box-Cox, no mais foram identificados pontos
alm dos limites de controle, tanto para os dados originais quanto para os dados
tratados atravs da eliminao dos outliers.
d) Efetuando transformao matemtica dos dados modelados pela distribuio
Gamma por meio do mtodo de Johnson:
__________________________________________________________________________________________
123
- De modo semelhante, aps a transformao de Johnson, tambm no foram

observados pontos alm dos limites de controle, tanto para os dados originais quanto
para os dados tratados atravs da eliminao dos outliers.
5.1.2 Anlise dos Grficos de Controle Distribuio Beta

A anlise dos grficos de controle construdos durante a pesquisa experimental com
dados modelados pela distribuio Beta, apresentou quatro situaes diferentes para os dados
originais brutos e tratados, conforme comentado a seguir.
a) Assumindo os dados modelados pela distribuio Beta como se fossem
- No teste 1 de avaliao da quantidade de pontos alm dos limites de controle, foi
verificado 1 (um) ponto abaixo do limite inferior de controle, que poderia ser abordado
como causa especial de variao.
- importante ressaltar que a anlise de estabilidade do processo, obviamente no
considerava os limites de especificao, pois alm do ponto abaixo do limite de
controle inferior, evidenciaram-se alguns pontos abaixo do limite inferior de
especificao.
- O simples tratamento dos dados, por meio da eliminao dos outliers foi suficiente
para que os dados se ajustassem em uma distribuio considerada normal e sem pontos
alm dos limites de controle, isto , os dados modelados pela distribuio Beta sem a
presena de outliers mostraram-se normalmente distribudos e o comportamento
apresentado no grfico de controle indicou uma situao de controle estatstico.
b) Estabelecendo novos limites de controle inferior e superior, baseado nos percentis
0,135 e 99,865, respectivamente, com base na funo densidade de probabilidade
da distribuio assimtrica Beta:
- No foram observados pontos alm dos limites de controle para os dados originais e,
como a distribuio previamente tratada pode ser considerada normal, no foi
necessria uma anlise adicional dos novos limites de controle aps a eliminao dos
outliers.
c) Efetuando transformao matemtica dos dados modelados pela distribuio Beta
por meio do mtodo de Box-Cox:
__________________________________________________________________________________________
124
- Aps a aplicao da transformao de Box-Cox, no foram visualizados pontos alm

dos limites de controle e, como a distribuio previamente tratada pde ser
considerada normal, no foi efetuada transformao matemtica aps a eliminao dos
outliers.
- Semelhantemente, aps a transformao de Johnson, tambm no foram observados
pontos alm dos limites de controle e tambm no foi necessrio efetuar transformao
dos dados aps a eliminao dos outliers.
5.1.3 Consideraes sobre Normalidade e Grficos de Controle na Simulao

A interpretao resumida da anlise dos grficos de controle individuais para os
conjuntos de dados modelados pelas distribuies Gamma e Beta mostrada na Tabela 5.1.
TESTE 1 QUANTIDADE DE PONTOS ALM DOS LIMITES DE CONTROLE (LC)
CONJUNTO
DE DADOS
SIMULADOS
Gamma 220
Gamma 220*
(sem outliers)
Beta 2550
SUPONDO NORMAL
NO NORMAL
LIC = X -E2. Rm
LC EM PERCENTIS
LSC = X +E2. Rm
2 pontos acima do
LSC
0
1 ponto abaixo do
LIC
LIC = percentil 0,135

LSC = percentil 99,865
TRANSF. BOX-COX
TRANSF. JOHNSON
LIC =
X BC E2. Rm
LIC =
X J E2. Rm
LSC =
X BC +E2. Rm
LSC =
X J +E2. Rm
N/A (no aplicvel)
N/A (no aplicvel)
N/A (no aplicvel)
Beta 2550*
(sem outliers)
distribuio Normal
Tabela 5.1 Interpretao dos grficos de controle individuais - dados simulados

Por meio da anlise dos grficos individuais de controle para os conjuntos de dados
no normais simulados, ficou claro que a suposio incorreta de normalidade acarreta uma
interpretao equivocada do comportamento do processo, pois conforme demonstrado atravs
da avaliao dos dados modelados pelas distribuies Gamma e Beta, falsas causas especiais
de variao foram evidenciadas. Por outro lado, o tratamento prvio dos dados por meio da
eliminao dos outliers, a determinao de novos limites de controle baseados em percentis e
__________________________________________________________________________________________
125
a transformao matemtica das variveis com as tcnicas de Box-Cox e Johnson, mostraramse procedimentos extremamente eficazes ao possibilitar uma interpretao mais coerente
acerca da condio de estabilidade do processo em estudo.
5.1.4 Anlise do Clculo de Capabilidade Distribuio Gamma

Aps anlise dos ndices de capabilidade calculados durante a pesquisa experimental,
utilizando o conceito seis sigma para os dados modelados pela distribuio Gamma em quatro
situaes distintas, foram observados os seguintes resultados.
a) Assumindo os dados modelados pela distribuio Gamma como se fossem
- Foi obtido um ndice de 4,47 com os dados originais, o que denotaria uma
proporo de itens no conformes de 1470 PPM.
- Aps tratamento dos dados atravs da eliminao dos pontos fora do padro
(outliers), o desempenho, na verdade ilusrio, apresentaria um ndice de 4,84,
equivalente a 420 PPM.
b) Adotando a caracterstica assimtrica dos dados com base na funo densidade de
probabilidade da distribuio Gamma:
- Neste caso, o ndice obtido de 3,62 apontou para um desempenho de 16872 PPM.
- Atravs da eliminao dos outliers, obteve-se o ndice de 3,99 (6333 PPM), mais
representativo da realidade dos dados assimtricos.
c) Efetuando transformao matemtica dos dados modelados pela distribuio
Gamma por meio do mtodo de Box-Cox:
- Aps a aplicao da transformao de Box-Cox, o novo nvel sigma encontrado foi
3,64 (16010 PPM), muito prximo ao valor de 3,62 relativo ao clculo com os
dados considerados assimtricos.
- O ndice de 4,03 (5730 PPM), obtido para os dados transformados aps a remoo
dos outliers, no muito diferente do valor de 3,99 referente ao clculo dos dados
assimtrico sem outliers.
__________________________________________________________________________________________
126
- Aps a aplicao da transformao de Johnson, o nvel sigma encontrado foi 3,81

(10453 PPM), superior ao valor de 3,64 obtido aps transformao de Box-Cox e ao
valor de 3,62 calculado com os dados considerados assimtricos.
- O ndice de 4,37 (2041 PPM), obtido para os dados transformados aps a remoo
dos outliers, consideravelmente superior ao valor de 4,03 encontrado aps
transformao de Box-Cox e ao valor de 3,99 referente ao clculo dos dados
assimtrico sem outliers.
5.1.5 Anlise do Clculo de Capabilidade Distribuio Beta

A anlise dos ndices de capabilidade calculados durante a pesquisa experimental, por
meio da determinao do nvel sigma para os dados modelados pela distribuio Beta em
quatro situaes diferentes, apresentou os resultados comentados a seguir.
a) Assumindo os dados modelados pela distribuio Beta como se fossem
- Aps tratamento dos dados atravs da eliminao dos outliers, os mesmos
mostraram-se, de fato, normalmente distribudos e o ndice encontrado foi de 3,95,
b) Adotando a caracterstica assimtrica dos dados com base na funo densidade de
probabilidade da distribuio Beta:
- O ndice de 3,48, obtido neste caso, indicou um desempenho de 23953 PPM.
- Uma vez que a eliminao dos outliers resultou em normalidade, no foi necessria
anlise adicional com os dados tratados em sua caracterstica assimtrica.
c) Efetuando transformao matemtica dos dados modelados pela distribuio Beta
por meio do mtodo de Box-Cox:
- Aps a aplicao da transformao de Box-Cox, o nvel sigma encontrado foi 3,59
(18247 PPM), no muito distante do valor de 3,48 relativo ao clculo com os dados
considerados assimtricos.
- Visto que a eliminao dos outliers resultou em normalidade, no foi necessria
anlise adicional com os dados tratados e transformados (Box-Cox).
__________________________________________________________________________________________
127

(31787 PPM), inferior ao valor de 3,59 obtido aps transformao de Box-Cox e ao
valor de 3,48 calculado com os dados considerados assimtricos.
anlise adicional com os dados tratados e transformados (Johnson).
5.1.6 Consideraes sobre Normalidade e Capabilidade na Simulao

Um resumo da avaliao de capabilidade dos dados simulados modelados pelas
distribuies Gamma e Beta representado atravs da Tabela 5.2.
AVALIAO DE CAPABILIDADE ATRAVS DO NVEL SIGMA
CONJUNTO DE
DADOS
SIMULADOS
Gamma 220
SUPONDO NORMAL
ZLT
ZST
( )
NO NORMAL
(distribuio original)
PPM
ZLT
ZST
( )
TRANSF. BOX-COX
PPM
ZLT
ZST
( )
TRANSF. JOHNSON
PPM
ZLT
ZST
( )
PPM
2,97
4,47
1470
2,12
3,62
16872
2,14
3,64
16010
2,31
3,81
10453
Gamma 220* (s/ outliers) 3,34
4,84
420
2,49
3,99
6333
2,53
4,03
5730
2,87
4,37
2041
Beta 2550
2,11
3,61
17625
1,98
3,48
23953
2,09
3,59
18247
1,86
3,36
31787
Beta 2550* (s/ outliers)
2,45
3,95
7145
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
distribuio Normal
Tabela 5.2 Determinao do nvel sigma - dados simulados

No clculo do ndice de capabilidade atravs do conceito seis sigma para o conjunto
de dados no normais simulados, ficou demonstrado que a adoo inadequada de normalidade
pode produzir valores que no representam o desempenho real do processo em estudo. Por
exemplo, no caso dos dados gerados a partir da distribuio Gamma, o clculo assumindo
normalidade indicou ndices de desempenho muito superiores aos valores obtidos atravs da
considerao da caracterstica assimtrica da distribuio e dos dados previamente
transformados por Box-Cox e Johnson. Entretanto, em relao os dados gerados a partir da
distribuio Beta, a adoo incorreta de normalidade no produziu valores to discrepantes se
comparados com aqueles obtidos por meio da caracterstica no normal e mesmo em relao
aos dados transformados.
__________________________________________________________________________________________
5.2
128
Anlise de Resultados na Pesquisa Exploratria

A anlise do estudo de caso na pesquisa exploratria foi efetuada atravs da avaliao
de capabilidade com os conjuntos de dados reais 3/4AE, 3/4AD, 5/8TE e 5/8TD.
5.2.1 Anlise do Clculo de Capabilidade Dados 3/4AE

A anlise dos ndices de capabilidade calculados durante a pesquisa exploratria, por
meio da determinao do nvel sigma para o conjunto de dados 3/4AE em quatro situaes
diferentes, apresentou os resultados comentados a seguir.
a) Assumindo o conjunto de dados 3/4AE como se fossem normalmente
distribudos:
- Aps tratamento dos dados atravs da eliminao dos outliers, os mesmos
mostraram-se, de fato, normalmente distribudos e o ndice encontrado foi de 2,83,
b) Adotando a funo densidade de probabilidade da distribuio que melhor se
ajustou ao conjunto de dados (Loglogistic com 3 parmetros):
- O ndice de 2,68, obtido neste caso, indicou um desempenho de 118550 PPM.
anlise adicional com os dados tratados em sua caracterstica assimtrica.
c) Efetuando transformao matemtica do conjunto de dados por meio do mtodo de
Box-Cox:
- No foi possvel efetuar a transformao de Box-Cox atravs do software estatstico,
isto , no foi encontrado valor de que possibilitasse a normalizao dos dados.
- Visto que a eliminao dos outliers resultou em normalidade, no foi necessria
anlise adicional com os dados tratados e transformados (Box-Cox).
d) Efetuando transformao matemtica do conjunto de dados por meio do mtodo de
Johnson:
(79401 PPM), um pouco superior ao valor 2,68 calculado com os dados considerados
assimtricos.
__________________________________________________________________________________________
129
anlise adicional com os dados tratados e transformados (Johnson).
5.2.2 Anlise do Clculo de Capabilidade Dados 3/4AD

meio da determinao do nvel sigma para o conjunto de dados 3/4AD em quatro situaes
a) Assumindo o conjunto de dados 3/4AD como se fossem normalmente
distribudos:
- Aps tratamento dos dados atravs da eliminao dos outliers, o ndice encontrado
foi de 3,22, o que representaria um desempenho equivalente a 42972 PPM.
ajustou ao conjunto de dados (Logistic):
- O ndice de 3,10, obtido neste caso, indicou um desempenho de 55001 PPM, muito
semelhante ao valor obtido com a suposio de normalidade.
- Atravs da eliminao dos outliers, obteve-se o ndice de 3,24 (40600 PPM),
tambm bastante prximo ao valor obtido com suposio de normalidade.
Box-Cox:
isto , no foi encontrado valor de que possibilitasse a normalizao dos dados
originais e dos dados sem outliers.
Johnson:
- No foi possvel efetuar a transformao de Johnson atravs do software estatstico,
isto , no foi encontrada equao de transformao que possibilitasse a normalizao
dos dados originais e dos dados sem outliers.
__________________________________________________________________________________________
130
5.2.3 Anlise do Clculo de Capabilidade Dados 5/8TE

meio da determinao do nvel sigma para o conjunto de dados 5/8TE em quatro situaes
a) Assumindo o conjunto de dados 5/8TE como se fossem normalmente
distribudos:
- Como a anlise do conjunto de dados 5/8TE no indicou a presena de outliers,
obviamente no se fez necessria uma segunda verificao aps a sua eliminao.
ajustou ao conjunto de dados (Lognormal com 3 parmetros):
- O ndice de 3,06, obtido neste caso, indicou um desempenho de 59886 PPM, que
tem a mesma ordem de grandeza do valor obtido com a suposio de normalidade.
- Como a anlise do conjunto de dados 5/8TE no indicou a presena de outliers,
obviamente no se fez necessria uma segunda verificao aps a sua eliminao.
c) Efetuando transformao matemtica do conjunto de dados por Box-Cox:
isto , no foi encontrado valor de que possibilitasse a normalizao dos dados.
d) Efetuando transformao matemtica do conjunto de dados por Johnson:
dos dados originais.
5.2.4 Anlise do Clculo de Capabilidade Dados 5/8TD

meio da determinao do nvel sigma para o conjunto de dados 5/8TD em quatro situaes
a) Assumindo o conjunto de dados 5/8TD como se fossem normalmente
distribudos:
__________________________________________________________________________________________
131
- Aps tratamento dos dados atravs da eliminao dos outliers, o ndice encontrado
foi de 2,77, o que representaria um desempenho equivalente a 101247 PPM.
ajustou ao conjunto de dados (Lognormal com 3 parmetros):
- O ndice de 2,42, obtido neste caso, indicou um desempenho de 179265 PPM, que
tem a mesma ordem de grandeza do valor obtido com a suposio de normalidade.
- Atravs da eliminao dos outliers, obteve-se o ndice de 2,82 (92624 PPM),
tambm com a mesma ordem de grandeza do valor obtido com suposio de
normalidade.
Box-Cox:
isto , no foi encontrado valor de que possibilitasse a normalizao dos dados
originais e dos dados sem outliers.
Johnson:
dos dados originais e dos dados sem outliers.
5.2.5 Consideraes sobre Normalidade e Capabilidade no Estudo de Caso

O clculo do ndice de capabilidade, atravs do conceito seis sigma com os dados reais
no normais, indicou neste estudo de caso que a suposio incorreta de normalidade
aparentemente no produziu ndices de capabilidade extremamente discrepantes em relao
aos ndices obtidos a partir do ajuste prvio dos dados em uma distribuio conhecida (best
fitting). Contudo, importante deixar claro que este fato no elimina a necessidade de
confirmao da premissa de normalidade, pois nem sempre a caracterstica dos dados
estudados pode garantir uma situao de robustez em relao ao tipo de distribuio.
Alm disso, as tcnicas de transformao de variveis no se mostraram eficazes no
clculo do ndice de capabilidade a partir dos dados reais selecionados, pois pelo mtodo de
Box-Cox no foi possvel determinar transformao que resultasse em normalidade e pelo
mtodo de Johnson em apenas um dos quatro conjuntos estudados a transformao foi bem
__________________________________________________________________________________________
132
sucedida e forneceu dados para comparao. Este fato pode ser atribudo muito mais
caracterstica distribucional particular dos dados do que ao pequeno tamanho da amostra, pois
em estudos preliminares com amostras maiores deste mesmo processo tambm no foi
possvel obter transformao que resultasse em normalidade.
Portanto, o ajuste dos dados em uma distribuio no normal adequadamente
escolhida (best fitting) foi a melhor opo para tratamento prvio dos dados reais selecionados
neste estudo de caso antes da determinao dos ndices de capabilidade. A Tabela 5.3
apresenta esta avaliao de capabilidade de forma resumida.
AVALIAO DE CAPABILIDADE ATRAVS DO NVEL SIGMA
CONJUNTO
DE DADOS
REAIS
SUPONDO NORMAL
ZST
ZLT
( )
NO NORMAL
(Best Fitting)
PPM
ZLT
ZST
( )
PPM
3/4AE
1,12
2,62
130525
1,18
2,68 118550
3/4AE* (s/ outliers)
1,33
2,83
91334
N/A
N/A
1,59
3,09
56313
1,60
3/4AD* (s/ outliers) 1,72 3,22
42972
5/8TE
1,48
2,98
5/8TE* (s/ outliers)
N/A
5/8TD
5/8TD* (s/ outliers)
TRANSF. BOX-COX
ZLT
ZST
( )
TRANSF. JOHNSON
PPM
ZLT
ZST
( )
PPM
1,41
2,91
79401
N/A
N/A
N/A
N/A
N/A
N/A
N/A
3,10
55001
1,74
3,24
40600
69495
1,56
3,06
59886
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
N/A
0,86
2,36
195353
0,92
2,42 179265
1,27
2,77
101247
1,32
2,82
distribuio Normal
3/4AD
92624
Tabela 5.3 Determinao do nvel sigma - dados reais
__________________________________________________________________________________________
Captulo 6: Concluso
6.
CONCLUSO
6.1
Concluso do Trabalho
133
Atravs deste trabalho de pesquisa foi efetuado um estudo sobre a utilizao de alguns
mtodos estatsticos afetados pela suposio inadequada de normalidade dos dados, em
especial os grficos de controle individuais e a avaliao de capabilidade atravs da mtrica
seis sigma. Os mtodos estatsticos utilizados nesta pesquisa foram escolhidos por se tratarem
de procedimentos que no so livres da distribuio, ou seja, os seus resultados dependem
da suposio relativa ao tipo de distribuio envolvida.
De modo geral o principal objetivo da pesquisa, que previa um aprofundamento dos
aspectos relativos aos efeitos da no normalidade na aplicao de mtodos estatsticos com
comparao de algumas tcnicas para tratamento dos dados, foi devidamente atingido e as
seguintes afirmaes fundamentam esta concluso:
a) Mtodos estatsticos baseados na premissa de normalidade dos dados coletados
necessitam de confirmao prvia desta suposio. A anlise e/ou tratamento
adequado dos dados condio sine qua non para continuidade das atividades
planejadas.
b) No caso dos grficos de controle individuais, confirmou-se a condio de falha na
interpretao da condio de estabilidade do processo em relao ao primeiro
critrio de identificao de padres no aleatrios (teste 1), pois foi observada a
ocorrncia de pontos alm dos limites de controle estipulados nos dois conjuntos
de dados no normais simulados conforme distribuies Gamma e Beta, quando a
condio de normalidade foi incorretamente assumida.
c) Para os conjuntos de dados no normais simulados, a avaliao de capabilidade
indicou que ndices incorretos podem ser obtidos a partir da suposio equivocada
de normalidade e tal fato foi confrmado atravs da constatao de diferenas
significativas em termos de frao no conforme em partes por milho.
d) Em relao aos conjuntos de dados reais no normais utilizados nesta pesquisa, as
divergncias observadas nos valores dos ndices de capabilidade no foram to
pronunciadas quanto para os dados simulados; entretanto, esta situao especfica
atribuda principalmente caracterstica particular dos dados escolhidos, no
dispensa, em hiptese alguma, a confirmao prvia da premissa de normalidade.
__________________________________________________________________________________________
Captulo 6: Concluso
6.2
134
Consideraes Finais e Recomendaes

Alguns dos procedimentos estatsticos mais conhecidos e utilizados fundamentam-se
em mtodos paramtricos, isto , so baseados na suposio de que os processos analisados

correspondam a amostras aleatrias provenientes de populaes com distribuio de
probabilidade conhecida, como por exemplo, a distribuio Normal. Entretanto, nem sempre a
premissa de normalidade plenamente satisfeita e, conforme comentado ao longo desta
dissertao, algumas decises equivocadas podem ser tomadas em decorrncia deste erro de
avaliao. Na prtica, quando um fato desta natureza ocorre, a primeira reao dos indivduos
envolvidos nos procedimentos em questo colocar em dvida a eficcia dos mtodos
utilizados.
A reviso da literatura, que possibilitou o embasamento terico da pesquisa, indicou
que o rigor na coleta e no tratamento dos dados deve ser cuidadosamente considerado, pois
em muitos casos a aplicao dos mtodos de otimizao e melhoria em processos no atinge
os resultados esperados em funo da falta de zelo no levantamento dos dados ou, at mesmo,
pelo desconhecimento de conceitos estatsticos bsicos. As seguintes consideraes finais
complementam a argumentao apresentada ao longo desta dissertao:
a) Em qualquer processo ou sistema no qual se pretenda interagir para garantir algum
tipo de controle ou promover melhorias, o cuidado na coleta e tratamento dos
dados e das informaes to importante quanto a metodologia escolhida. Em
aplicaes que fazem uso de mtodos estatsticos este princpio deve ser encarado
como regra essencial para o bom andamento das atividades.
b) A escolha do mtodo estatstico a ser empregado em qualquer tipo de processo,
produtivo ou empresarial, deve levar em conta a natureza dos dados e das
informaes disponveis com o objetivo de possibilitar que o procedimento
escolhido seja aplicado em sua plenitude e no apenas de maneira incompleta ou
mesmo equivocada. Eventuais adaptaes ou aplicaes parciais devem ser
cuidadosamente avaliadas de forma a no transgredirem os conceitos bsicos da
metodologia em questo.
c) Os indivduos envolvidos na aplicao dos mtodos estatsticos devem ser
adequadamente treinados de acordo com o seu escopo de atuao e devem estar
previamente informados sobre os objetivos primordiais e sobre eventuais
limitaes em termos de implementao.
__________________________________________________________________________________________
Captulo 6: Concluso
135
d) O tratamento dos dados que deve anteceder a aplicao do mtodo estatstico pode
envolver, por exemplo: a reviso no procedimento de coleta dos dados; a
eliminao das observaes defasadas em relao ao restante dos dados (outliers);
ou a anlise dos dados em termos de mdias amostrais com base no Teorema
Central do Limite, que estabelece que a mdia de um grande nmero de variveis
aleatrias independentes apresenta uma distribuio aproximadamente normal,
indiferentemente do tipo de distribuio dos valores individuais.
e) Caso a condio de desvio da normalidade permanea, mesmo aps o adequado
tratamento de dados, podem ser utilizadas as alternativas de ajuste dos dados em
uma distribuio conhecida ou tcnicas de transformao de variveis. A escolha
entre ajuste dos dados e transformao deve ser analisada caso a caso, pois
depende de vrios fatores, tais como, natureza dos dados, mtodos estatsticos
envolvidos, disponibilidade de recursos computacionais, entre outros.
f) O ajuste dos dados pode ser utilizado quando o mtodo estatstico em questo
tambm for vlido para a distribuio especfica que apresentar o maior coeficiente
de correlao de acordo com o intervalo de confiana estipulado.
g) Caso seja possvel efetuar mais de um tipo de transformao para normalidade,
deve ser escolhida aquela que mais se aproximar da distribuio normal, utilizando
como referncia, por exemplo, a transformao com maior valor P (p-value)
conforme o intervalo de confiana determinado.
Existem algumas idias e sugestes que refletem limitaes encontradas durante o
desenvolvimento da dissertao e at mesmo advindas de possibilidades, inicialmente no
vislumbradas, que surgiram ao longo da reviso bibliogrfica e da aplicao da metodologia.
Tais oportunidades de continuidade em relao presente pesquisa esto resumidas na forma
de recomendaes e sugestes para trabalhos futuros:
a) Analisar criticamente outros casos reais onde efetivamente a premissa de
normalidade dos dados seja inadequadamente assumida nos mtodos estatsticos
abordados por esta pesquisa.
b) Efetuar anlise semelhante em outros mtodos estatsticos, tais como Planejamento
de Experimentos, Teste de Hipteses e Anlise de Regresso.
c) Avaliar os impactos da suposio incorreta de normalidade nos mtodos
estatsticos aplicados a processos industriais com enfoque em custos da qualidade.
__________________________________________________________________________________________
Captulo 6: Concluso
136
d) Estudar os aspectos relativos aos efeitos da no normalidade de dados na

interpretao de grficos de controle e no clculo de capabilidade, comparando as
tcnicas aplicadas em algumas publicaes internacionais com as tcnicas de
transformao matemtica propostas por Johnson (1949) e Box & Cox (1964).
e) Discutir se existem distribuies que apresentam maior ou menor sensibilidade s
transformaes de Box-Cox e Johnson por meio de simulao.
f) Investigar se os ndices de capabilidade calculados atravs das transformaes
variam significativamente de acordo com o tipo de transformao, utilizando
Anlise de Varincia (ANOVA) ou Planejamento de Experimentos (DOE).
g) Verificar se h diferenas significativas entre as estatsticas de teste para
verificao de normalidade (por exemplo: Anderson-Darling, Ryan-Joiner e
Kolmogorov-Smirnov) dependendo do tipo de transformao utilizado.
h) Efetuar estudos similares s anlises descritas anteriormente, comparando e
discutindo os resultados de diversos softwares de aplicaes estatsticas.
__________________________________________________________________________________________
Parte Referencial: Apndices
137
APNDICE A
Dados Simulados Distribuio Gamma
GERAO DE 302 VALORES MODELADOS PELA DISTRIBUIO GAMMA
MINITAB
FUNO: CALC / SET BASE = 0
FUNO: CALC / RANDOM DATA / GAMMA / GENERATE = 302 / SHAPE = 2 / SCALE = 2
SEQ.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
VALOR
0,4626
3,0957
5,5474
1,5838
6,3918
3,8264
5,6133
2,4457
6,7915
2,8244
3,301
7,0227
1,7596
1,1799
3,9024
4,1096
3,5807
1,9413
6,6211
1,1974
1,2446
1,9175
5,8456
1,8198
0,3613
1,9444
2,7409
10,8614
5,5885
8,0225
1,1101
1,0054
3,1211
4,6696
3,6844
2,918
4,2817
5,6464
SEQ.
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
VALOR
1,8887
2,2315
1,6732
4,8888
1,8816
5,4756
3,5595
4,4175
10,2318
4,1558
5,3824
3,14
0,9291
0,3023
2,3867
5,1551
1,8463
3,7235
1,1294
1,2839
8,2536
0,9381
2,3905
1,2335
1,434
1,4539
6,5105
9,2265
8,9602
4,5662
6,1777
4,0966
10,4443
4,0886
3,4413
3,6588
2,4803
8,461
SEQ.
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
VALOR
7,4074
9,0115
0,9454
6,0615
2,5903
1,9447
1,086
0,3745
7,6128
0,2958
4,6856
3,9474
2,5684
4,7496
0,7385
0,7428
3,7304
3,5384
6,0093
2,3759
3,5379
3,4034
12,6656
5,6339
2,7935
5,1534
1,9881
2,0899
1,8492
1,8742
6,4674
2,9087
4,0736
1,3847
4,1477
1,3581
5,2608
8,2522
SEQ.
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
VALOR
1,185
3,1849
7,6877
3,1788
5,5984
9,9636
2,1313
4,9518
1,8096
7,593
1,2747
2,3204
2,2864
4,4349
2,896
2,7341
6,1669
9,1938
2,0472
0,7214
8,9072
5,2217
6,8535
9,0784
2,4241
4,4146
1,1652
1,3705
0,4728
4,5762
0,6286
4,8925
5,0482
10,824
0,7769
6,3676
5,3936
3,9535
SEQ.
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
VALOR
3,1636
1,2456
1,603
3,4563
3,4547
7,664
1,3685
3,1737
2,8026
6,9265
3,3665
4,5281
1,7303
3,6089
2,2447
6,2337
2,2194
4,923
3,9119
2,9933
2,202
2,2485
2,3048
4,5721
3,4518
4,7168
1,3981
0,3966
9,1905
5,2956
1,2444
5,3798
5,797
2,9471
0,9952
12,7573
10,1261
5,4497
SEQ.
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
VALOR
2,7618
4,5109
6,9495
0,8095
3,8266
3,7041
5,8344
4,1958
1,2126
2,9398
2,5827
3,2919
1,7505
4,1145
3,5969
2,1113
8,5186
0,9838
2,3067
10,5915
6,1959
6,2654
5,1326
2,684
0,3248
1,2078
6,0658
6,5095
2,2554
6,3027
1,6937
3,7716
6,5116
2,4082
5,1584
2,8545
1,5058
4,0758
SEQ.
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
VALOR
3,0068
1,565
5,1903
0,9813
3,411
1,8716
1,7447
5,3684
11,1366
0,1423
5,2065
1,7723
1,6591
1,6427
11,215
2,7683
2,6952
11,4322
2,0877
8,0164
0,9613
3,0131
3,9257
2,1701
3,1749
3,3413
9,0791
5,0833
8,3427
4,599
8,2483
1,7755
1,5234
3,9079
3,8996
2,9582
2,8284
1,4153
SEQ.
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
VALOR
5,5303
1,773
2,7662
1,4707
0,8937
7,5615
5,7057
1,2082
7,0574
0,3543
4,2765
6,5058
9,9544
1,2436
2,4956
2,4132
8,8871
3,0427
2,3956
9,7285
9,1952
5,4037
2,0291
3,5981
0,5913
0,1167
5,9402
1,8515
2,496
3,1975
1,206
3,5032
0,9313
6,1247
8,494
0,4271
__________________________________________________________________________________________
138
APNDICE B
Dados Simulados Distribuio Beta
GERAO DE 200 VALORES MODELADOS PELA DISTRIBUIO BETA
MINITAB
FUNO: CALC / SET BASE = 0
FUNO: CALC / RANDOM DATA / GAMMA / GENERATE = 200 / 1ST SHAPE = 25 / 2ND SHAPE = 5
TRANSFORMAO LINEAR: VALOR OBTIDO + 7,5
SEQ. VALOR
1
8,45807
2
8,41165
3
8,37419
4
8,37566
5
8,34414
6
8,43159
7
8,31396
8
8,25829
9
8,35646
10
8,37912
11
8,32773
12
8,42854
13
8,37079
14
8,38604
15
8,32042
16
8,38134
17
8,27282
18
8,27416
19
8,21798
20
8,35701
21
8,36542
22
8,30253
23
8,2963
24
8,39395
25
8,27878
26
8,28014
27
8,17534
28
8,36017
29
8,30082
30
8,38809
31
8,28877
32
8,39732
33
8,34748
34
8,41231
35
8,37241
36
8,2995
37
8,34269
38
8,20745
39
8,38114
40
8,37774
SEQ. VALOR
41
8,24211
42
8,42695
43
8,26819
44
8,32911
45
8,2955
46
8,30838
47
8,36016
48
8,22799
49
8,30434
50
8,31687
51
8,37933
52
8,29512
53
8,26892
54
8,42167
55
8,39958
56
8,33963
57
8,31593
58
8,44325
59
8,35471
60
8,35188
61
8,31315
62
8,35793
63
8,32368
64
8,27083
65
8,30975
66
8,38163
67
8,1599
68
8,32049
69
8,3229
70
8,31127
71
8,38843
72
8,36971
73
8,31102
74
8,34722
75
8,39904
76
8,17852
77
8,20045
78
8,38738
79
8,17685
80
8,39094
SEQ. VALOR
81
8,35032
82
8,33218
83
8,35262
84
8,37028
85
8,28237
86
8,40815
87
8,26452
88
8,39707
89
8,44931
90
8,44039
91
8,3445
92
8,40923
93
8,25715
94
8,31656
95
8,32098
96
8,33512
97
8,42927
98
8,37
99
8,36738
100
8,26551
101
8,28658
102
8,26359
103
8,29687
104
8,3654
105
8,26508
106
8,26195
107
8,3006
108
8,27515
109
8,28111
110
8,28591
111
8,34802
112
8,32393
113
8,30508
114
8,32114
115
8,36113
116
8,32957
117
8,33991
118
8,2819
119
8,34647
120
8,34671
SEQ. VALOR
121
8,36097
122
8,35226
123
8,41242
124
8,32334
125
8,30704
126
8,36446
127
8,15895
128
8,34006
129
8,36211
130
8,35366
131
8,27866
132
8,30233
133
8,34222
134
8,332
135
8,37317
136
8,34075
137
8,37552
138
8,34316
139
8,31217
140
8,3567
141
8,37056
142
8,45418
143
8,32273
144
8,34553
145
8,40452
146
8,33615
147
8,45563
148
8,44982
149
8,36015
150
8,32073
151
8,42544
152
8,39719
153
8,35878
154
8,44541
155
8,25975
156
8,39035
157
8,33473
158
8,16859
159
8,25734
160
8,23742
SEQ. VALOR
161
8,33628
162
8,36631
163
8,30414
164
8,30966
165
8,29207
166
8,34654
167
8,4471
168
8,37651
169
8,44165
170
8,26546
171
8,32307
172
8,2771
173
8,32263
174
8,35912
175
8,32018
176
8,36889
177
8,25526
178
8,39565
179
8,3524
180
8,31271
181
8,26656
182
8,38219
183
8,34218
184
8,37404
185
8,31349
186
8,37163
187
8,34937
188
8,29807
189
8,20219
190
8,29404
191
8,33183
192
8,27881
193
8,35994
194
8,36257
195
8,20187
196
8,34077
197
8,36922
198
8,38233
199
8,28242
200
8,34775
__________________________________________________________________________________________
139
APNDICE C
Dados Reais Furos 3/4
COLETA DE 2 GRUPOS DE MEDIDAS DE DIMETRO DE FUROS 3/4"
ORIGEM DOS DADOS:
PROCESSO DE FURAO DE PRECISO EM 2 TIPOS DE COMPONENTE ESTRUTURAL DE
ALUMNIO PARA FIXAO DE PARAFUSOS COM DIMETRO DE 3/4 POLEGADAS.
EMPRESA DO INTERIOR DO ESTADO DE SO PAULO.
TOLERNCIAS DE PROJETO:
LIE = 19,124 MM
LSE = 19,151 MM
SEQ.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
54 MEDIES (3/4AE)
MEDIDA
SEQ. MEDIDA
19,130
28
19,128
19,145
29
19,124
19,126
30
19,127
19,13
31
19,147
19,136
32
19,145
19,139
33
19,125
19,122
34
19,130
19,127
35
19,134
19,122
36
19,135
19,128
37
19,126
19,123
38
19,129
19,126
39
19,130
19,122
40
19,131
19,127
41
19,128
19,127
42
19,132
19,132
43
19,126
19,133
44
19,131
19,135
45
19,128
19,129
46
19,134
19,129
47
19,127
19,129
48
19,130
19,135
49
19,127
19,128
50
19,132
19,128
51
19,129
19,131
52
19,134
19,133
53
19,128
19,124
54
19,128
SEQ.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
60 MEDIES (3/4AD)
MEDIDA
SEQ. MEDIDA
19,129
31
19,129
19,131
32
19,132
19,137
33
19,124
19,132
34
19,127
19,130
35
19,125
19,135
36
19,127
19,137
37
19,125
19,137
38
19,128
19,136
39
19,129
19,137
40
19,131
19,131
41
19,127
19,132
42
19,128
19,133
43
19,125
19,134
44
19,128
19,136
45
19,129
19,138
46
19,130
19,135
47
19,130
19,136
48
19,130
19,126
49
19,133
19,128
50
19,131
19,121
51
19,130
19,123
52
19,131
19,128
53
19,130
19,120
54
19,130
19,136
55
19,129
19,133
56
19,130
19,130
57
19,130
19,131
58
19,131
19,131
59
19,13
19,138
60
19,129
__________________________________________________________________________________________
140
APNDICE D
Dados Reais Furos 5/8
COLETA DE 2 GRUPOS DE MEDIDAS DE DIMETRO DE FUROS 5/8"
ORIGEM DOS DADOS:
PROCESSO DE FURAO DE PRECISO EM 2 TIPOS DE COMPONENTE ESTRUTURAL
DE TITNIO PARA FIXAO DE PARAFUSOS COM DIMETRO DE 5/8 POLEGADAS.
EMPRESA DO INTERIOR DO ESTADO DE SO PAULO.
TOLERNCIAS DE PROJETO:
LIE = 15,950 MM
LSE = 15,977 MM
27 MEDIES (5/8TE)
SEQ.
MEDIDA
1
15,956
2
15,980
3
15,956
4
15,980
5
15,973
6
15,967
7
15,963
8
15,968
9
15,972
10
15,975
11
15,966
12
15,971
13
15,959
14
15,959
15
15,959
16
15,966
17
15,959
18
15,959
19
15,958
20
15,957
21
15,956
22
15,960
23
15,958
24
15,958
25
15,960
26
15,96
27
15,958
29 MEDIES (5/8TD)
SEQ.
MEDIDA
1
15,998
2
15,975
3
15,974
4
15,974
5
15,976
6
15,976
7
15,978
8
15,966
9
15,969
10
15,973
11
15,981
12
15,973
13
15,968
14
15,960
15
15,966
16
15,957
17
15,957
18
15,958
19
15,960
20
15,956
21
15,961
22
15,964
23
15,958
24
15,973
25
15,962
26
15,961
27
15,959
28
15,960
29
15,959
__________________________________________________________________________________________
Parte Referencial: Bibliografia
141
REFERNCIAS BIBLIOGRFICAS
ALMAS, F. Implementao de Controle Estatstico de Processos em uma Empresa Txtil.
Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo,
Universidade Federal de Itajub. Itajub: UNIFEI, 2003.
ALMEIDA, S.S. Desenvolvimento de Grficos de Controle Aplicados ao Modelo Funcional
de Regresso. Tese de Doutorado do Programa de Ps-Graduao em Engenharia de
Produo, Universidade Federal de Santa Catarina. Florianpolis: UFSC, 2003.
ALWAN, L. and ROBERTS, H.V. The Problem of Misplaced Control Limits. Applied
Statistics, v. 44, n. 3, p. 269-278, 1995.
ASQC/AIAG American Society for Quality Control/Automotive Industry Action Group Task
Force. Statistical Process Control: Reference Manual Chrysler Corporation, Ford Motor
Company and General Motor Corporation, 1992.
ASSOCIAO BRASILEIRA DE NORMAS TCNICAS NBR ISO 9000: Sistema de
Gesto da Qualidade Fundamentos e Vocabulrio. Rio de Janeiro: ABNT, 2000.
AWAN, H.M. Effect of Departures from Standard Assumptions Used in Analysis of
Variance. Journal of Research (Science), Bahauddin Zacariya University, Pakistan, v. 12, n.
2, p. 180-188, December, 2001.
BALESTRASSI, P.P. Identificao de Padres em Grficos de Controle Estatstico de
Processos em Tempo Real Utilizando Sries Temporais e Redes Neurais Artificiais. Tese de
Doutorado do Programa de Ps-Graduao em Engenharia de Produo, Universidade Federal
de Santa Catarina. Florianpolis: UFSC, 2000.
BAYEUX, C. Anlise da Capabilidade e Processos (Parte III). Banas Qualidade, p. 75-78,
Julho, 2001.
BERTRAND, J.W.M. and FRANSOO, J.C. Modelling and Simulation: Operations
Management Research Methodologies using Quantitative Modeling. International Journal of
Operations Production Management, v. 22, n. 2, p. 241-264, 2002.
__________________________________________________________________________________________
142
BORROR, C.M., MONTGOMERY, D.C. and RUNGER, G.C. Robustness of EWMA

Control Chart to Non-Normality. Journal of Quality Technology, v. 31, n. 3, 1999.
BOWER, K.M. Using Exponentially Weighted Moving Average (EWMA) Charts. Asia
Pacific Process Engineer, October, 2000.
BOX, G.E.P. and COX, D.R. An Analysis of Transformations. Journal of Royal Statistical
Society, B, 39, p. 211-252, 1964.
BOX, G.E.P. and TIDWELL, P.W. Transformation of Independent Variables.
Technometrics, v. 4, n. 4, p. 531-550, November, 1962.
BOX, G.E.P., HUNTER, W.G. and HUNTER, J.S. Statistics for Experimenters. New York:
John Wiley & Sons, Inc., 1978.
BREYFOGLE III, F.W. Implementing Six Sigma: Smarter Solutions Using Statistical
Methods. New York: John Wiley, 1999.
CAMPOS, V.F. TQC: Controle da Qualidade Total. 5 ed. Belo Horizonte: Fundao
Christiano Ottoni, 1992.
CARVALHO, M.M. Medindo o Sigma do Processo. In: ROTONDARO, R.G. (Org.) Seis
Sigma: Estratgia Gerencial para Melhoria de Processos, Produtos e Servios. So Paulo:
Editora Atlas, 2002. cap. 6, p. 165-175.
CASTAGLIOLA, P. and TSUNG, F. Autocorrelated SPC for Non-Normal Situations.
Quality and Reliability Engineering International, 21, p. 131-161, January, 2005.
CHEN, W., BAGHDASARYAN, L., BURANATHITI, T. and CAO, J. Model Validation
via Uncertainty Propagation and Data Transformations. Revision 2, submitted to the AIAA
Journal, December, 2003.
DEMING, W.E. Out of the Crisis. Cambridge: Massachusetts Institute of Technology,
Center for Advanced Engineering Study, 1986.
FEIGENBAUM. A.V. Contole da Qualidade Total, vol. 3, Mtodos Estatsticos Aplicados
Qualidade. 3 ed. So Paulo: Makron Books, 1994.
__________________________________________________________________________________________
143
GALUCH, L. Modelo para Implementao das Ferramentas Bsicas do Controle Estatstico

de Processo em Pequenas Empresas Manufatureiras. Dissertao de Mestrado do Programa de
Ps-Graduao em Engenharia de Produo, Universidade Federal de Santa Catarina.
Florianpolis: UFSC, 2002.
GARVIN, D. A. Gerenciando a Qualidade: A Viso Estratgica e Competitiva. Rio de
Janeiro: Qualitymark, 2002.
GARVIN, D.A. What Does Product Quality Really Mean? Sloan Management Review, v.
26, n. 1, p. 25-43, Fall 1984.
GIL, A.C. Como Elaborar Projetos de Pesquisa. 3 ed. So Paulo: Editora Atlas, 1991.
GRANT, E.L. and LEAVENWORTH, R.S. Statistical Quality Control. 4th ed. Tokyo:
McGraw-Hill Kogakusha, Ltd, 1972.
HARRINGTON, J. Aperfeioando Processos Empresariais. So Paulo: McGraw-Hill Ltda e
Makron Books do Brasil Ltda, 1993.
HARRY, M.J. Resolving the Mysteries of Six Sigma: Statistical Constructs and Engineering
Rationale. Phoenix: Palladyne Publishing, 2003.
HARRY, M.J. Six Sigma: A Breakthrough Strategy for Profitability. New York: Quality
Progress, v. 31, n. 5, p. 60-64, May 1998.
HARRY, M.J. and SCHROEDER, R. Six Sigma: The Breakthrough Management Strategy
Revolutionizing the Worlds Top Corporation. New York: Currency, 2000.
HOERL, R.W. Six Sigma Black Belt: What Do They Need to Know? Journal of Quality
Technology,v. 33, n. 4, p. 391-406, October 2001.
JOHNSON, N.L. Systems of Frequency Curves Generated by Methods of Translation.
Biometrika, v. 36, p. 149-176, 1949.
JURAN, J.M. and GODFREY, A.B. (Org.) Jurans Quality Handbook. 5th ed. New York:
McGraw-Hill, Inc., 1999.
JURAN, J.M. e GRYNA, F.M. Controle da Qualidade Handbook, vol. 6, Mtodos
Estatsticos Clssicos Aplicados Qualidade. 4 ed. So Paulo: Makron Books, 1992.
__________________________________________________________________________________________
144
KOTZ, S. and JOHNSON, N.L. Process Capability Indices - A Review, 1992-2000. Journal
of Quality Technology, v. 34, n. 1, p. 2-19, January, 2002.
KUME, H. Mtodos Estatsticos para Melhoria da Qualidade. 11 ed. So Paulo: Editora
Gente, 1993.
LEVINSON, W.A. SPC for Real-World Processes: What to Do When the Normality
Assumption Doesn't Work. Annual Quality Congress, Indianapolis, May 2000.
LIBERATORE, R.L. Teaching the Role of SPC in Industrial Statistics. Quality Progress, p.
89-94, July, 2001.
LINDERMAN, K., SCHROEDER, R.G., ZAHEER, S. and CHOO, A.S. Six Sigma: A
Goal-Theoretic Perspective. Journal of Operations Management, v. 21, n. 2, p. 193-203,
2003.
LIPSON, C. and SHETH, N.J. Statistical Design and Analysis of Experiments. New York:
McGraw-Hill, Inc., 1973.
MIRANDA, R.G. Um Modelo para Anlise de Capacidade de Processos com nfase na
Transformao de Dados. Dissertao de Mestrado do Programa de Ps-Graduao em
Engenharia de Produo, Universidade Federal de Santa Catarina. Florianpolis: UFSC, 2005.
MONTGOMERY, D.C. Design and Analysis of Experiments. 2nd ed. New York: John Wiley
& Sons, Inc, 1984.
MONTGOMERY, D.C. Introduction to Statistical Quality Control. New York: John Wiley
& Sons, Inc, 1985.
MONTGOMERY, D.C. e RUNGER, G.C Estatstica Aplicada e Probabilidade para
Engenheiros. 2 ed. Rio de Janeiro: LTC Livros Tcnicos e Cientficos Editora S.A., 2003.
ONISHI, H. A Knowledge-Based Variable Selection Method for Box-Cox Transformation.
Journal Japan Statistical Society, v. 32, n. 1, p. 15-42, 2002.
PALADINI, E.P. Controle de Qualidade: Uma Abordagem Abrangente. So Paulo: Editora
Atlas, 1990.
__________________________________________________________________________________________
145
PEREZ-WILSON, M. Seis Sigma: Compreendendo o Conceito, as Implicaes e os

Desafios. Rio de Janeiro: Qualitymark, 1998.
PIRES, V.T. Implantao do Controle Estatstico de Processos em uma Empresa de
Manufatura de leo de Arroz. Dissertao de Mestrado do Programa de Ps-Graduao em
Engenharia de Produo, Universidade Federal do Rio Grande do Sul. Porto Alegre: UFRGS,
2000.
PRAZERES, P.M. Mini-Dicionrio de Termos da Qualidade. So Paulo: Editora Atlas,
1997.
RAMOS, E.M.L.S. Aperfeioamento de Desenvolvimento de Ferramentas do Controle
Estatstico da Qualidade Utilizando Quartis para Estimar o Desvio-Padro. Tese de Doutorado
do Programa de Ps-Graduao em Engenharia de Produo, Universidade Federal de Santa
Catarina. Florianpolis: UFSC, 2003.
RATH & STRONG MANAGEMENT CONSULTANTS Black Belt Training, Normal
Theory Module, 2000.
REIS, D.A.F. Seis Sigma: Um Estudo Aplicado ao Setor Eletrnico. Dissertao de
Mestrado Profissionalizante em Engenharia, Universidade Federal do Rio Grande do Sul.
Porto Alegre: UFRGS, 2003.
REIS, M.M. Um Modelo para o Ensino do Controle Estatstico da Qualidade. Tese de
Doutorado do Programa de Ps-Graduao em Engenharia de Produo, Universidade Federal
de Santa Catarina. Florianpolis: UFSC, 2001.
ROTH II, G. Capability Indexes: Mytery Solved. Six Sigma Frum Magazine, v. 4, n. 3, p.
17-21, May, 2005.
ROTONDARO, R.G. (Org.) Seis Sigma: Estratgia Gerencial para Melhoria de Processos,
Produtos e Servios. So Paulo: Editora Atlas, 2002.
SALL, J. Leptokurtosiphobia: Irrational Fear of Non-Normality. Six Sigma Forum
Magazine, v. 4, n. 3, p. 11-15, May, 2005.
SARKADI, K. and VINCZE, I. Mathematical Methods of Statistical Quality Control. New
York and London: Academic Press, 1974.
__________________________________________________________________________________________
146
SCHISSATTI, M.L. Uma Metodologia de Implantao de Cartas de Shewhart para o

Controle de Processos. Dissertao de Mestrado do Programa de Ps-Graduao em
SEVERINO, A.J. Metodologia do Trabalho Cientfico. 22 ed. So Paulo: Cortez, 2002.
SILVA, L.S.C.V Aplicao do Controle Estatstico de Processos na Indstria de Laticnios
Lactoplasa: Um Estudo de Caso. Dissertao de Mestrado do Programa de Ps-Graduao em
SLACK, N., CHAMBERS, S., HARLAND, C., HARRISON, A. e JOHNSTON, R.
Administrao da Produo. 1 ed. So Paulo: Editora Atlas, 1999.
SOARES, G.M.V.P.P. - Aplicao do Controle Estatstico de Processos em Indstria de
Bebidas: Um Estudo de Caso. Dissertao de Mestrado do Programa de Ps-Graduao em
SOARES, V.L.M.P. Aplicao e Implantao do Controle Estatstico de Processo em
Pintura Industrial. Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de
Produo, Universidade Federal de Santa Catarina. Florianpolis: UFSC, 2003.
SOUZA, R.A. Anlise da Qualidade do Processo de Envase de Azeitonas Verdes Atravs de
Algumas Ferramentas do Controle Estatstico de Processo. Dissertao de Mestrado do
Programa de Ps-Graduao em Engenharia de Produo, Universidade Federal de Santa
Catarina. Florianpolis: UFSC, 2003.
SOUZA, V.Z. Otimizao dos Parmetros de Controle de um Processo de Fabricao de
Latas: Uma Abordagem Seis Sigma. Dissertao de Mestrado do Programa de Ps-Graduao
em Engenharia de Produo, Universidade Federal de Itajub. Itajub: UNIFEI, 2002.
SPEDDING, T.A. and RAWLINGS, P.L. Non-Normality in Statistical Process Control
Measurements. The International Journal of Quality & Reliability Management, v. 11, n. 6, p.
27-37, 1994.
TOLEDO, T.P.A. Uma Investigao sobre ndices de Capabilidade com nfase na
Metodologia Seis Sigma. Dissertao de Mestrado do Programa de Ps-Graduao em
Engenharia de Produo, Universidade Federal de Itajub. Itajub: UNIFEI, 2005.
__________________________________________________________________________________________
147
WERKEMA, M.C.C. As Ferramentas da Qualidade no Gerenciamento de Processos. Belo

Horizonte: Editora de Desenvolvimento Gerencial, 1995.
WOODALL, W.H. Controversies and Contradictions in Statistical Process Control.
Journal of Quality Technology, v. 32, n. 4, p. 341-350, October, 2000.
YEO, I.K. and JOHNSON, R.A. A New Family of Power Transformation to Improve
Normality or Symmetry. Biometrika, 87, p. 954-959, 2000.
__________________________________________________________________________________________
148
BIBLIOGRAFIA COMPLEMENTAR CONSULTADA

ASTI VERA, A. Metodologia da Pesquisa Cientfica. Porto Alegre: Globo, 1973.
BALESTRASSI, P.P. Curso de Estatstica Aplicada. Apostila de Curso do Programa de
Ps-Graduao em Engenharia de Produo, Universidade Federal de Itajub. Itajub:
UNIFEI, 2004.
BALESTRASSI, P.P. Metodologia Seis Sigma. Apostila de Curso do Programa de PsGraduao em Engenharia de Produo, Universidade Federal de Itajub. Itajub: UNIFEI,
2004.
BARROS, A.J.P. e LEHFELD, N.A.S. Fundamentos de Metodologia: Um Guia para a
Iniciao Cientfica. So Paulo: McGraw-Hill, 1986.
BASTOS, C.L. e KELLER, V. Introduo Metodologia Cientfica. 9 ed. Petrpolis: 1997.
BREYFOGLE III, F.W. and CONNOLLY, M. Six Sigma Methods to Ensure
Organizations Health. R&D Magazine, v. 45, n. 4, p. 28-29, April, 2003.
BRYMAN, A. Research Methods and Organization Studies. London: Unwin Hyman, 1989.
COLLINS, M. (Org.) Michaelis Pequeno Dicionrio Ingls-Portugus, Portugus-Ingls.
44 ed. So Paulo: Melhoramentos, 1994.
DUCLOS, E. Contribution la Matrise Statistique ds Procds cas des Procds Non
Normaux. These prsente LEcole Superieure DIngenieurs DAnnecy (ESIA), Universite
de Savoie, 1997.
FERREIRA, A.B.H. Mini-dicionrio da Lngua Portuguesa. 2 ed. Rio de Janeiro: Editora
Nova Fronteira, 1989.
JANISZEWSKI, S. and GEORGE, E. Integrating PSP, TSP and Six Sigma. American
Society for Quality ASQ/SQP, v. 6,n. 4, p. 4-13, September, 2004.
KANHOLM, J. ISO 9000 Explicada: Lista de Verificao com 65 Requisitos e Guia de
Conformidade. So Paulo: Pioneira, 1995.
__________________________________________________________________________________________
149
KEUZENKAMP, H.A and MAGNUS, J.R. On Tests and Significance in Econometrics.

Journal of Econometrics, 67, p. 5-24, 1995.
KCHE, J.C. Fundamentos de Metodologia Cientfica. 7 ed. Caxias do Sul: Editora Vozes,
1984.
LAKATOS, E.M. e MARCONI, M.A. Fundamentos de Metodologia Cientfica. 3 ed. So
Paulo: Editora Atlas, 1991.
MARCONI, M.A. e LAKATOS, E.M. Tcnicas de Pesquisa: Planejamento e Execuo de
Pesquisas, Amostragens e Tcnicas de Pesquisas, Elaborao, Anlise e Interpretao de
Dados. 4 ed. So Paulo: Editora Atlas, 1999.
MEMRIA, J.M.P. Breve Histria da Estatstica. Braslia: Embrapa Informao
Tecnolgica, 2004.
MINITAB INC. Minitab Statistical Software, Users Guide, Release 14 for Windows,
State College, Pennsylvania, 2003.
MOURA, J.C.R. Um Modelo de Melhoria Contnua de Processos para o Setor Pblico.
Dissertao de Mestrado do Programa de Ps-Graduao em Engenharia de Produo,
Universidade Federal de Santa Catarina. Florianpolis: UFSC, 2002.
NIST/SEMATECH.
e-Handbook
of
Statistical
Methods.
Disponvel
em:
http://www.itl.nist.gov/div898/handbook. Acesso em 26 de janeiro de 2005.

SALIBY, E. Repensando a Simulao: A Amostragem Descritiva. Rio de Janeiro: Editora
da UFRJ, 1989.
SALVADOR, A.D. Mtodos e Tcnicas de Pesquisa Bibliogrfica. 9 ed. Porto Alegre:
Editora Sulina, 1981.
SEYMOUR-SMITH, M. Os Cem Livros que mais Influenciaram a Humanidade: A Histria
do Pensamento dos Tempos Antigos Atualidade. 5 ed. Rio de Janeiro: DIFEL, 2002.
STATSOFT, INC. Electronic Statistics Textbook. Tulsa, OK: StatSoft. Disponvel em:
http://www.statsoftinc.com/textbook/stathome.html. Acesso em 01 de abril de 2005.
__________________________________________________________________________________________
150
USEVICIUS, L.A. Implantao da Metodologia Seis Sigma e Aplicao da Tcnica

Estatstica Projeto de Experimentos na Resoluo de Problemas e Otimizao de Processos de
Fabricao. Dissertao de Mestrado Profissionalizante em Engenharia, Universidade Federal
do Rio Grande do Sul. Porto Alegre: UFRGS, 2004.
YI, J., PRYBUTOK, V.R. and CLAYTON, H.R. ARL Comparisons Between Neural
Network Models and X -Control Charts for Quality Characteristics that are Nonnormally
Distributed. Economic Quality Control, v. 16, n. 1, p. 5-15, 2001.
YIN, R.K. Case Study Research: Design and Methods. Sage: Newbury Park, 1989.
__________________________________________________________________________________________
Parte Referencial: Anexos
151
ANEXO A
Tabela das reas sob a Curva Normal Padronizada
Fonte: Grant & Leavenworth (1972)
__________________________________________________________________________________________
152
ANEXO A (continuao)
Tabela das reas sob a Curva Normal Padronizada (continuao)
Fonte: Grant & Leavenworth (1972)
__________________________________________________________________________________________
153
ANEXO B
Fatores para Construo de Grficos de Controle
Fator para Limites de Controle
Tamanho da
Amostra (n)
Grfico R
Grfico X
A1
A2
d2
D3
D4
3,760
1,880
1,128
3,267
2,394
1,023
1,693
2,575
1,880
0,729
2,059
2,282
1,596
0,577
2,326
2,115
1,410
0,483
2,534
2,004
1,277
0,419
2,704
0,076
1,924
1,175
0,373
2,847
0,136
1,864
1,094
0,337
2,970
0,184
1,816
10
1,028
0,308
3,078
0,223
1,777
11
0,973
0,285
3,173
0,256
1,744
12
0,925
0,266
3,258
0,284
1,716
13
0,884
0,249
3,336
0,308
1,692
14
0,848
0,235
3,407
0,329
1,671
15
0,816
0,223
3,472
0,348
1,652
16
0,788
0,212
3,532
0,364
1,636
17
0,762
0,203
3,588
0,379
1,621
18
0,738
0,194
3,640
0,392
1,608
19
0,717
0,187
3,689
0,404
1,596
20
0,697
0,180
3,735
0,414
1,586
21
0,679
0,173
3,778
0,425
1,575
22
0,662
0,167
3,819
0,434
1,566
23
0,647
0,162
3,858
0,443
1,557
24
0,632
0,157
3,895
0,452
1,548
25
0,619
0,153
3,931
0,459
1,541
Fonte: Montgomery & Runger (2003)

__________________________________________________________________________________________
154
ANEXO C
Tabela de Referncia entre ndice Sigma e PPM
Nvel Sigma
ZST = ZLT+1,5
(curto prazo)
(longo prazo)
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
-0,5
-0,4
-0,3
-0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
ZST
ZLT
PPM
Nvel Sigma
ZST = ZLT+1,5
(curto prazo)
(longo prazo)
ZST
697.672,15
3,6
660.082,92
3,7
621.378,38
3,8
581.814,88
3,9
541.693,78
4,0
501.349,97
4,1
461.139,78
4,2
421.427,51
4,3
382.572,13
4,4
344.915,28
4,5
308.770,21
4,6
274.412,21
4,7
242.071,41
4,8
211.927,71
4,9
184.108,21
5,0
158.686,95
5,1
135.686,77
5,2
115.083,09
5,3
96.809,10
5,4
80.762,13
5,5
66.810,63
5,6
54.801,40
5,7
44.566,73
5,8
35.931,06
5,9
28.716,97
6,0
22.750,35
Fonte: Adaptado de Breyfogle (1999)
ZLT
PPM
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
4,0
4,1
4,2
4,3
4,4
4,5
17.864,53
13.903,50
10.740,14
8.197,56
6.209,70
4.661,23
3.467,03
2.555,19
1.865,88
1.349,97
967,67
687,20
483,48
336,98
232,67
159,15
107,83
72,37
48,12
31,69
20,67
13,35
8,55
5,42
3,40
__________________________________________________________________________________________
155
ANEXO D
Publicao XII SIMPEP Bauru, SP, Brasil, Novembro de 2005
REVISTA GEPROS Gesto da Produo, Operaes e Sistemas
Anlise crtica da aplicao de mtodos estatsticos em

processos definidos por dados que no apresentam
distribuio normal
Celso Francisco de Moraes (UNIFEI) celso1moraes@terra.com.br
Joo Roberto Ferreira (UNIFEI) jorofe@unifei.edu.br
Pedro Paulo Balestrassi (UNIFEI) pedro@unifei.edu.br
Resumo
Este artigo apresenta uma anlise crtica da utilizao de determinadas ferramentas da
Qualidade e de alguns procedimentos em Engenharia de Produo nos casos em que os
dados estatsticos coletados no se apresentam normalmente distribudos. O problema geral
aqui identificado diz respeito ocorrncia de decises questionveis tomadas a partir da
anlise de dados considerados normais. A justificativa primordial para este estudo reside na
relevncia da anlise dos dados durante sua coleta e tratamento em trabalhos cientficos nos
mais variados nveis. Os principais objetivos deste artigo so: apresentar alguns exemplos
relacionados ao Controle Estatstico de Processo e Metodologia Seis Sigma que possam
induzir a concluses duvidosas devido adoo incorreta de normalidade; propor reviso
crtica efetuando as transformaes de Box-Cox e/ou Johnson; e, finalmente, discutir as
concluses e decises estabelecidas atravs da comparao entre os dados originalmente
coletados e os dados transformados.
Palavras chave: Mtodos estatsticos; Dados no normais, Transformao de dados.
Abstract
This paper presents a critical analysis regarding the use of specific quality tools and some
methods applied to Production Engineering in cases in which the collected data are not
normally distributed. The general problem refers to the occurrence of questionable decision
takings starting from the interpretation of data considered normally distributed. The
primordial justification for this study is the relevance of the data analysis during its collection
and handling in scientific works in the most varied levels. The main objectives of this work
are: to present some examples related to the Statistical Process Control and the Six Sigma
Methodology that may induce to doubtful conclusions due to the incorrect assumption of
normality; to propose critical review proceeding to the Box-Cox and/or Johnson
transformations; and, finally, to discuss the conclusions and decisions established through the
comparison among the data originally collected and the transformed data.
Key Words: Statistical methods, Non-normal data, Data transformation.
__________________________________________________________________________________________
156
1. Introduo
A proposta deste artigo em analisar a aplicao de alguns mtodos estatsticos est inserida
em um contexto mais amplo que se refere ao Controle Estatstico da Qualidade e aos aspectos
bsicos que devem ser observados pelas organizaes que buscam a plena satisfao de seus
clientes. A Estatstica desempenha papel importante nos programas de Controle da Qualidade,
pois ao longo dos anos suas tcnicas e metodologias tornaram-se cada vez mais amplamente
utilizadas e aceitas nas organizaes (1).
O objetivo primrio do Controle Estatstico da Qualidade a reduo sistemtica da
variabilidade nas caractersticas-chave do produto (2), fornecendo as ferramentas necessrias
para avaliao e melhoria de processos, produtos e servios de forma robusta e abrangente.
Entretanto, tais ferramentas tambm dependem da qualidade da informao e da forma como
os dados so coletados, processados e interpretados. Por este motivo de fundamental
importncia o rigor metodolgico na coleta e tratamento dos dados.
No desenvolvimento deste artigo pretende-se analisar a utilizao de alguns mtodos
estatsticos, tais como os grficos de controle em Controle Estatstico de Processo e avaliao
de desempenho na Metodologia Seis Sigma com enfoque na correta interpretao dos dados
coletados, especificamente no que se refere suposio de sua normalidade, com reviso
crtica atravs das transformaes de Box-Cox e Johnson. As concluses e decises
estabelecidas sero discutidas por meio de comparao entre os dados originalmente coletados
e os dados transformados em distribuio normal.
2. Resumo dos mtodos em anlise

2.1. Grficos de controle no Controle Estatstico de Processo (CEP)
Define-se processo como um conjunto de atividades inter-relacionadas ou interativas que
transformam insumos (entradas) em produtos (sadas) (3). A Figura 1 exemplifica a situao
esquemtica de um processo com suas entradas, seus fatores controlveis, seus fatores
incontrolveis (rudos) e suas sadas.
Fatores Controlveis
X1
X2
Xp
...
Entrada
Processo
...
Y1
Sada
Y2
:
Ym
Z1
Z2
Zq
Fatores Incontrolveis
Figura 1 Viso esquemtica de um processo

__________________________________________________________________________________________
157
Controle Estatstico de Processo (CEP) pode ser definido como um conjunto de ferramentas
que tem o propsito de indicar se um processo est funcionando de forma ideal, quando
apenas causas comuns de variao esto presentes, ou se este processo est desordenado, e
necessita de algum tipo de ao corretiva, ou seja, quando existem causas especiais de
variao. O grfico de controle a mais poderosa ferramenta do CEP, pois evidencia a
variao do processo em relao aos limites de controle estipulados (4).
Algumas suposies precisam ser satisfeitas para que, independentemente do tipo do grfico
de controle utilizado, os resultados sejam vlidos (5):
a) necessrio que as observaes sejam independentes e identicamente distribudas, ou
seja, que as amostras sejam retiradas de forma aleatria e que o processo que as gerou
esteja sob controle estatstico;
b) As observaes devem seguir alguma distribuio de probabilidade especfica, tais como
Normal, Binomial ou Poisson.
2.2. Avaliao de desempenho na Metodologia Seis Sigma

Seis Sigma uma metodologia de melhoria em processos com o objetivo de reduzir os
defeitos a uma taxa de 3,4 partes por milho nas caractersticas crticas de qualidade para os
clientes (6). Tambm definido como um mtodo sistemtico para melhoria de processos
estratgicos, desenvolvimento de novos produtos e servios que se baseia em mtodos
estatsticos e cientficos para obteno de uma drstica reduo nas taxas de defeitos (7).
A Metodologia Seis Sigma baseada em um sistema de acompanhamento conhecido como
DMAIC, sigla que denota as seguintes etapas: Definir (Define), Medir (Measure), Analisar
(Analyze), Melhorar (Improve) e Controlar (Control). As empresas que seguiram
disciplinadamente estas etapas obtiveram significativa vantagem competitiva (8).
A letra grega minscula sigma () o smbolo estatstico para desvio padro, que uma
medida de variabilidade de um processo. O smbolo pode ser usado como um nvel de
indicao de desempenho, sendo que quanto maior o nvel sigma, melhor o processo. A
Tabela 1 apresenta a relao do nvel sigma com a quantidade de defeitos por milho de
oportunidades, bem como suas implicaes em termos de custos e competitividade.
Tabela 1 Referncias para o nvel sigma
NVEL
SIGMA
6
5
4
3
2
1
PPM
(partes por milho)
3,4
233
6.210
66.807
308.537
690.000
CUSTO DA NO
QUALIDADE
< 10 % das vendas
10-15 % das vendas
15-20 % das vendas
20-30 % das vendas
30-40 % das vendas
-
CATEGORIA
Empresa de classe mundial
Empresa comum
Empresa no competitiva
Fonte: Harry (1998)

Capacidade definida como a aptido de uma organizao, sistema ou processo de realizar
um produto que ir atender aos requisitos especificados para este produto (3). Em termos
estatsticos, a capacidade e o desempenho de um processo so representados por meio das
equaes 1, 2, 3 e 4 (9):
__________________________________________________________________________________________
158
CP =
LSE LIE
6
(1)
LSE LIE
CPK = min.
,
3
3
(2)
PP =
LSE LIE
6S
(3)
LSE LIE
PPK = min.
,
3S
3S
(4)
onde:
CP = ndice de capabilidade potencial (processo centrado na mdia)
CPK = ndice de capabilidade real (processo no centrado na mdia)
PP = ndice de desempenho potencial (processo centrado na mdia dos dados)
PPK = ndice de desempenho real (processo no centrado na mdia dos dados)
= mdia do processo
S = desvio padro (amostra)
= estimativa do desvio-padro do processo (populao)

Um processo com CPK = 2 referido como um processo seis sigma, pois a distncia a partir da
mdia do processo at a especificao mais prxima de seis desvios-padro. Se a mdia do
processo se deslocar do centro por 1,5 desvio-padro, o CPK diminuir para 4,5/3 = 1,5.
Considerando um processo distribudo normalmente, a frao no conforme do processo
deslocado de 3,4 partes por milho. Assim sendo, a mdia de um processo seis sigma pode
se deslocar de 1,5 desvio-padro do centro das especificaes e ainda manter uma frao no
conforme de apenas 3,4 partes por milho (4). Boas aproximaes podem ser obtidas para
determinao do nvel sigma atravs das equaes 5 e 6 (9):
Nvel Sigma 3.PPK + 1,5
Nvel Sigma 0,8406 + 29,37 2,221. ln( ppm)
(5)
(6)
3. Anlise da distribuio e transformao de dados

3.1. Consideraes gerais
Os mtodos estatsticos discutidos neste artigo pressupem que os dados em estudo sigam
uma distribuio de probabilidade conhecida. A anlise e as concluses que resultam da
aplicao da metodologia so vlidas apenas nos casos onde a suposio da distribuio se
confirme correta. Independentemente de quo precisos sejam os mtodos estatsticos
utilizados, na realidade os dados que so os elementos importantes (1).
Na falta de alguma evidncia em contrrio, pode-se assumir, em uma primeira abordagem,
que os dados utilizados em mtodos estatsticos sejam normalmente distribudos (10).
Contudo, em muitas situaes prticas existem razes para se duvidar da validade da
suposio de normalidade, o que implica em especial ateno na anlise dos dados (2).
__________________________________________________________________________________________
159
Visto que existem situaes onde a distribuio de dados no corresponde a uma distribuio
normal, ento para estes casos tanto a suposio de normalidade quanto utilizao da curva
normal como referncia certamente se revelaro inadequadas. Na realidade a existncia de
no normalidade em distribuio de dados bastante comum, principalmente quando o
nmero de observaes no muito grande.
O Quadro 1 resume o que ocorre com a aplicao de alguns mtodos estatsticos quando se
assume incorretamente normalidade para dados no representados pela distribuio normal.
Quadro 1 Conseqncias da suposio incorreta de normalidade
MTODO ESTATSTICO
CONSEQNCIA DA NO NORMALIDADE
Falsas causas especiais detectadas nos grficos de controle individuais
Seis Sigma
Clculo incorreto do nvel sigma
Teste de Hipteses
Concluses incorretas sobre diferenas entre grupos
Anlise de Regresso
Identificao equivocada de fatores e erros em predies
Planejamento de Experimentos
Concluses incorretas sobre importncia e efeito dos fatores
Tais fatos demonstram a importncia do rigor metodolgico na coleta e no tratamento dos

dados, pois concluses e definies questionveis podem ocorrer devido incorreta suposio
de aderncia distribuio normal. Para evitar este problema necessrio efetuar o teste de
normalidade dos dados antes de se aplicar os procedimentos descritos.
Um exemplo de anlise grfica utilizando o software estatstico Minitab mostrado na
Figura 2. No teste de normalidade de Anderson-Darling considera-se normal a distribuio
que apresentar p-value maior que 0,05, o que significaria uma probabilidade maior que 5%
em cometer erro ao rejeitar a hiptese de normalidade da distribuio em anlise. Os dados
referem-se ao tempo mdio de atendimento (em minutos) extrado diariamente ao longo de
um ano em uma empresa fictcia de prestao de servios denominada Gamma 220 Ltda.
Neste caso a distribuio no normalmente distribuda.
Summary for Gamma 220

0,0
2,4
4,8
7,2
9,6
12,0
A -Squared
P -V alue <
6,51
0,005
M ean
StDev
V ariance
Skew ness
Kurtosis
N
3,9556
2,7027
7,3045
0,951654
0,376689
302
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
0,1167
1,8485
3,3539
5,4893
12,7573

3,6496
4,2617

2,9526
3,6943
95% C onfidence Interv al for StDev
2,5029
2,9373
Mean
Median
3,0
3,2
3,4
3,6
3,8
4,0
4,2
Figura 2 Exemplo de anlise grfica de uma distribuio

__________________________________________________________________________________________
160
A seguir so apresentados alguns critrios de anlise para abordagem dos dados em caso de
no aderncia distribuio normal (11):
a) Examinar os dados para verificar se h alguma explicao no estatstica para o padro
distribucional no convencional;
b) Analisar os dados em termos de mdias ao invs de valores individuais, pois mdias de
amostra seguem de perto uma distribuio de probabilidade normal, mesmo se a
populao de valores individuais no distribuda normalmente (Teorema do Limite
Central);
c) Utilizar como referncia outro tipo de distribuio que se enquadre mais adequadamente
ao conjunto de dados coletados;
d) Efetuar transformao matemtica da caracterstica original para uma nova caracterstica
que se aproxime de uma distribuio normal.
3.2. Transformao de Box-Cox

Uma estratgia eficiente para normalizar os dados no normais atravs de transformao das
variveis em estudo. Entretanto a escolha do tipo adequado de transformao no parece ser
uma tarefa bvia, pois matematicamente existem inmeras possibilidades e apenas o mtodo
de tentativa e erro nem sempre o mais recomendado. Alm disso, nem sempre uma
transformao matemtica produz os resultados esperados. A transformao linear, por
exemplo, altera a escala da distribuio, mas no altera sua forma; j a transformao
exponencial mais eficiente para este propsito.
Um estudo detalhado na anlise de dados representados pelas observaes x1, x2, ..., xn
consideradas normalmente distribudas, com varincia constante e valores esperados
especificados por modelos lineares (12), levou seguinte famlia de transformao
exponencial da varivel x para x() :
x 1

()
x =
log x
( 0)
(7)
( = 0)
Esta transformao definida somente para variveis com valores positivos (x > 0) e o
parmetro , possivelmente um vetor, o elemento que define a transformao especfica e
que, com freqncia, resulta em normalidade. Como a anlise de varincia no afetada por
uma transformao linear, na prtica a equao 7 pode ser simplificada para a seguinte forma
(12):
x
x() =
log x
( 0)
(8)
( = 0)
__________________________________________________________________________________________
161
Para o conjunto de dados apresentado na Figura 2 foi efetuada aplicao da transformao de

Box-Cox utilizando o software estatstico Minitab. As caractersticas da transformao, com
destaque para determinao do parmetro , estimado com 95% de confiana, so mostradas
na Figura 3.
Box-Cox Plot of Gamma 220

Lower C L
Upper CL
50
Lambda
StDev
40
Estimate
0,270481
Lower C L
Upper C L
0,129694
0,423620
Best Value
0,270481
30
20
10
Limit
0
-2
-1
1
2
Lambda
Figura 3 Transformao de Box-Cox

Aps transformao de Box-Cox os dados obtidos podem ser bem representados por uma
distribuio normal, visto que p-value = 0,476, ou seja, existe grande probabilidade de
cometer erro ao rejeitar a hiptese de normalidade da distribuio obtida. A Figura 4
apresenta a anlise grfica da distribuio resultante da transformao.
Summary for Transf Gamma 220

0,6
0,9
1,2
1,5
A -S quared
P -V alue
0,35
0,476
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
1,3783
0,2835
0,0804
-0,189949
-0,316086
302
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
1,8
0,5593
1,1808
1,3872
1,5850
1,9911

1,3462
1,4104

1,3402
1,4240
95% C onfidence Interv al for StDev
0,2625
0,3081
Mean
Median
1,34
1,36
1,38
1,40
1,42
Figura 4 Anlise dos dados transformados pelo modelo Box-Cox

Aps a adequada transformao da varivel x para x(), pode-se presumir que os valores
esperados das observaes transformadas apresentem as seguintes caractersticas (12):
a) Sejam descritos por um modelo de estrutura simples;
__________________________________________________________________________________________
162
b) A varincia seja constante;

c) As observaes estejam normalmente distribudas.
3.3. Transformao de Johnson

A transformao de Box-Cox foi um passo importante na determinao de uma maneira
objetiva de se efetuar transformao de dados (13). Entretanto, como a transformao ela
vlida apenas para valores positivos de x, havia espao para algum tipo de melhoria. Embora
seja possvel efetuar uma troca de parmetros em caso de valores negativos para utilizao da
transformao de Box-Cox, existe o inconveniente de tal ao afetar a teoria que suporta a
definio do intervalo de confiana de .
Uma outra famlia de transformao de dados, vlida tanto para valores positivos como para
valores negativos da varivel x foi desenvolvida posteriormente. Sua frmula, definida como
uma funo : R X R R, apresentada a seguir (13):
( x + 1) 1
log( x + 1)
(, x)
=
2
( x + 1) 1 2
log( x + 1)
( x 0, 0)
( x 0, = 0)
(9)
( x < 0, 2)
( x < 0, = 2)
A transformao de Johnson definida no software estatstico Minitab baseada na escolha

de uma entre trs famlias de distribuio (SB, SL ou SU). Para o conjunto de dados
apresentados na Figura 2 tambm foi efetuada aplicao da transformao de Johnson,
resultando em uma distribuio normal, visto que p-value = 0,950 equivale a uma elevada
probabilidade de cometer erro ao rejeitar a hiptese nula de normalidade da distribuio
obtida. As caractersticas da transformao obtida no Minitab, com destaque para
determinao da equao de transformao das variveis, so apresentadas na Figura 5.
Johnson Transformation for Gamma 220

99,9
N
302
AD
6,515
P-Value <0,005
99
Percent
90
50
10
1
0,1
P robability Plot for O r iginal Data
0,32
1,00
0,75
0,50
Ref P
0,25
0,00
0,2
-5
10
0,4
0,6
0,8
Z Value
1,0
1,2
(P-Value = 0.005 means <= 0.005)
99,9
N
302
AD
0,159
P-Value 0,950
99
Percent
90
50

1,50964 + 1,05836 * Log( ( X + 0,177547 ) / ( 17,5569 - X ) )
10
1
0,1
-2
Figura 5 Anlise dos dados transformados pelo mtodo de Johnson

__________________________________________________________________________________________
163
4. Exemplos de anlise dos mtodos estatsticos em questo

4.1. Aspectos metodolgicos
O ponto de partida de uma pesquisa a existncia de um problema que se dever definir,
examinar, avaliar e analisar criticamente para, em seguida, ser proposta sua soluo (14). No
presente artigo apresentado o problema de ocorrncia de decises questionveis na
aplicao de mtodos estatsticos devido interpretao inadequada dos dados coletados. Este
um problema para o qual j se obteve soluo a partir de outras pesquisas, algumas delas
mencionadas neste trabalho; entretanto, o que realmente motiva o tema a necessidade de
promover uma maior divulgao das tcnicas de transformao de variveis para destacar a
relevncia do rigor metodolgico durante coleta e tratamento de dados estatsticos.
Utilizando alguns critrios de classificao como referncia (15), quanto aos objetivos este
trabalho caracteriza-se como uma pesquisa exploratria, pois dever proporcionar maior
familiaridade com as tcnicas de transformao de variveis durante coleta e tratamento de
dados em trabalhos cientficos, alm de possibilitar anlise crtica atravs da comparao
entre os dados originalmente coletados e os dados transformados.
A cincia proporciona a conceptualizao da realidade e os conceitos com que ela opera so
chamados de construtos (16). Os construtos so adotados ou inventados conscientemente com
um significado especfico. Conceito e construtos so semelhantes, sendo que a diferena
reside no fato de que o construto possui um significado construdo intencionalmente a partir
de um marco terico, devendo ser delimitado, traduzido em proposies particulares
observveis e mensurveis (16). O objetivo do construto fazer com que no haja
ambigidade no referencial emprico dos conceitos utilizados pelos pesquisadores.
A anlise crtica da utilizao de mtodos estatsticos no presente artigo est fundamentada na
utilizao de um construto relacionado anlise de dados em uma empresa fictcia de
prestao de servios. O foco do negcio desta empresa fictcia, denominada Gamma 220
Ltda, o contato direto com seus clientes atravs de rotinas especficas, cujo detalhamento
desnecessrio para o propsito deste estudo. Os dados existentes referem-se ao tempo mdio
de atendimento aos clientes da empresa coletados diariamente ao longo dos 302 dias
trabalhados no ano de 2004. Conforme anlise grfica, j demonstrada por meio da Figura 2, a
distribuio dos dados referentes ao tempo mdio de atendimento na empresa Gamma 220
Ltda no segue uma distribuio normal.
A seguir sero apresentadas, analisadas e discutidas as formas de utilizao de grficos de
controle e avaliao de desempenho atravs da determinao do nvel sigma a partir dos
dados da empresa Gamma 220 Ltda (dados gerados pelo software estatstico Minitab: 302
valores seguindo a distribuio Gamma com parmetros shape = 2 e scale =2).
4.2. Identificao de falsas causas especiais nos grficos de controle

individuais
Trs formas de utilizao de grfico de controle para avaliao do processo em termos de
tempo mdio de atendimento na empresa Gamma 220 Ltda so discutidas a seguir. A
Figura 6 representa os dados plotados no software estatstico Minitab sem a preocupao de
testar a aderncia dos mesmos distribuio normal. Observa-se atravs deste grfico de
controle individual que, de acordo com os limites estabelecidos, existem duas causas especiais
de variao.
__________________________________________________________________________________________
164
I Chart of Gamma 220

15
1
UCL=11,92
Individual Value
10
_
X=3,96
LCL=-4,01
-5
1
30
60
90
120 150 180

Observation
210
240
270
300
Figura 6 Grfico para Gamma 220 considerando distribuio normal

O grfico de controle individual obtido aps prvia transformao dos dados utilizando a
transformao de Box-Cox mostrado na Figura 7. Os dados transformados com = 0,27
assumem uma forma de distribuio que pode ser considerada normal, pois no teste de
Anderson-Darling o parmetro p-value igual a 0,476. Neste caso o grfico apresenta o
mesmo comportamento do processo com os dados originais, porm, devido aos novos limites
de controle, no h causas especiais de variao.
I Chart of Gamma 220

2,25
UCL=2,236
Individual Value
2,00
1,75
1,50
_
X=1,378
1,25
1,00
0,75
LCL=0,520
0,50
1
30
60
90
120 150 180

Observation
210
240
270
300
Figura 7 Grfico para Gamma 220 com transformao de Box-Cox

Utilizando-se a transformao de Johnson os dados tambm assumem uma distribuio
considerada normal, visto que no teste de Anderson-Darling o parmetro p-value igual a
0,950. A anlise do grfico de controle individual aps a transformao de Johnson indica o
mesmo comportamento do processo em relao aos dados originais e, assim como nos dados
transformados por Box-Cox, no se observam causas especiais de variao.
__________________________________________________________________________________________
165
4.3. Clculo incorreto do nvel sigma

A avaliao de desempenho da empresa Gamma 220 Ltda tem como requisito um limite
superior de especificao de 12 minutos, isto , a mdia dos atendimentos dirios no deve
ultrapassar 12 minutos. Utilizando o software estatstico Minitab foram calculados trs
ndices de desempenho PPK diferentes: no primeiro caso o clculo foi efetuado considerando
os dados normalmente distribudos; no segundo caso os dados foram previamente
transformados por meio da transformao de Box-Cox; e no terceiro caso foi utilizada
transformao de Johnson. A Tabela 2 apresenta a comparao de valores.
Tabela 2 Clculos comparativos do nvel sigma para Gamma 220
LSE (min)
NDICE PPK
DPMO
NVEL SIGMA
Dados considerados normalmente distribudos
12
0,99
1470
4,47
Dados no normais transformados (Box-Cox)
12
0,71
16010
3,63
Dados no normais transformados (Johnson)
12
0,77
10507
3,81
A anlise do nvel sigma calculado nas trs situaes apresentadas indica grande disparidade
entre os dados no transformados, isto , considerados normais e os dados adequadamente
transformados por Box-Cox ou Johnson. O valor 4,47 obtido com os dados originais denota
um desempenho de 1470 defeitos por milho de oportunidades (DPMO), ao passo que na
realidade, devido no aderncia dos dados distribuio normal, este desempenho estaria
melhor representado pelos valores 3,63 (16010 DPMO) ou 3,81 (10507 DPMO) de acordo
com o tipo de transformao adotado.
5. Consideraes finais
Atravs deste artigo foi efetuada uma breve reviso bibliogrfica sobre alguns mtodos
estatsticos aplicados gesto da qualidade que podem ser afetados pela suposio
inadequada de normalidade dos dados, em especial o Controle Estatstico de Processo e a
Metodologia Seis Sigma. Tambm foram apresentados alguns procedimentos de
transformao utilizados para ajustar os dados coletados em uma distribuio normal de modo
a evitar que concluses duvidosas fossem assumidas como verdadeiras.
A anlise dos dados da empresa fictcia Gamma 220 Ltda, adotada como exemplo neste
trabalho, indicou que, quando os mtodos estatsticos foram aplicados sem os cuidados
necessrios de confirmao de aderncia distribuio normal, ocorreram equvocos na
determinao das causas especiais de variao do processo e na avaliao do desempenho da
empresa ao longo do ano. Incorrees desta natureza podem prejudicar a compreenso dos
cenrios para a tomada de decises e, at mesmo, comprometer o desdobramento de
estratgias empresariais.
As duas falsas causas especiais de variao, identificadas no processo, se corretamente
monitoradas, poderiam estimular uma ao gerencial desnecessria que, muito
provavelmente, no agregaria benefcios aos resultados da empresa Gamma 220 Ltda. Com
relao definio incorreta do nvel sigma, vale ressaltar que a defasagem entre dados
originais e dados transformados corresponde a uma diferena de 14540 defeitos por milho de
oportunidades (com a transformao de Box-Cox) e 9037 defeitos por milho de
__________________________________________________________________________________________
166
oportunidades (com a transformao de Johnson). Tais quantidades so muito significativas

em termos de avaliao de capabilidade e desempenho.
A evoluo desta pesquisa aponta para uma anlise crtica de outros casos onde efetivamente
a premissa de normalidade dos dados seja inadequadamente assumida nos mtodos
estatsticos abordados e, para trabalhos futuros, outros mtodos, tais como Planejamento de
Experimentos, Teste de Hipteses e Anlise de Regresso, tambm podero ser analisados.
Referncias
(1)
FEIGENBAUM. A.V. Contole da Qualidade Total, vol. 3, Mtodos Estatsticos

Aplicados Qualidade. 3 ed. So Paulo: Makron Books, 1994.
(2)
MONTGOMERY, D.C. Introduction to Statistical Quality Control. New York: John

Wiley & Sons, Inc, 1985.
(3)
ASSOCIAO BRASILEIRA DE NORMAS TCNICAS NBR ISO 9000: Sistema

de Gesto da Qualidade Fundamentos e Vocabulrio, Rio de Janeiro, 2000.
(4)
MONTGOMERY, D.C. e RUNGER, G.C Estatstica Aplicada e Probabilidade para

Engenheiros. 2 ed. Rio de Janeiro: LTC Livros Tcnicos e Cientficos Editora S.A.,
2003.
(5)
TOLEDO, T.P.A. Uma Investigao sobre ndices de Capabilidade com nfase na

Metodologia Seis Sigma. Dissertao de Mestrado. Universidade Federal de Itajub,
2005.
(6)
HARRY, M.J. Six Sigma: A Breakthrough Strategy for Profitability. New York:
Quality Progress, v.31, n.5, p.60-64, May 1998.
(7)
LINDERMAN, K. et al. Six Sigma: A Goal-Theoretic Perspective. Journal of

Operations Management, v.21, n.2, p.193-203, 2003.
(8)
BREYFOGLE. F. Six Sigma Methods to Ensure Organizations Health. . New York:

Quality Progress, v.45, n.4, p.28-29, April 2003.
(9)
BALESTRASSI, P.P. Metodologia Seis Sigma. Notas de Aula do Curso de PsGraduao em Engenharia de Produo. Universidade Federal de Itajub, 2004.
(10) LIPSON, C. and SHETH, N.J. Statistical and Analysis of Engineering Experiments.
New York: McGraw-Hill Book Company, 1973.
(11) JURAN, J.M. e GRYNA, F.M. Controle da Qualidade Handbook, vol. 6, Mtodos
Estatsticos Clssicos Aplicados Qualidade. 4 ed. So Paulo: Makron Books, 1992.
(12) BOX, G.E.P. and COX, D.R. An Analysis of Transformations. Journal of Royal
Statistical Society. B, 39, p.211-252, 1964.
(13) YEO, I.K. and JOHNSON, R.A. A New Family of Power Transformation to Improve
Normality or Symmetry. Biometrika, 87, p.954-959, 2000.
(14) ASTI VERA, A. Metodologia da Pesquisa Cientfica. Porto Alegre: Globo, 1973.
(15) GIL, A.C. Como Elaborar Projetos de Pesquisa. 3 ed. So Paulo: Atlas, 1991.
(16) KCHE, J.C. Fundamentos de Metodologia Cientfica. 7 ed. Caxias do Sul: Editora
Vozes, 1984.
__________________________________________________________________________________________

Padrão

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Padrão

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDADE FEDERAL DE ITAJUB

Celso Francisco de Moraes

ESTUDO DA UTILIZAO DO GRFICO DE

Dissertao submetida ao Programa de Ps-Graduao em

Orientador: Prof. Joo Roberto Ferreira, Dr.

UNIVERSIDADE FEDERAL DE ITAJUB

Celso Francisco de Moraes

ESTUDO DA UTILIZAO DO GRFICO DE

Dissertao aprovada por banca examinadora em 26 de abril de 2006,

Dedico este trabalho s minhas filhas Amanda e Renata.

4. APLICAO DA METODOLOGIA ................................................................................ 64

Figura 4.83 ndices de capabilidade do conjunto de dados originais 5/8TE.................... 116

LISTA DE ABREVIATURAS E SIGLAS

c4 constante para definio da linha mdia no grfico de controle para desvios-padro

d2 constante para definio da linha mdia no grfico de controle para amplitudes

E ( y ) valor esperado de uma varivel dependente

R mdia das amplitudes das amostras em estudo

S mdia dos desvios-padro das amostras em estudo

x varivel aleatria em estudo

yu varivel dependente em estudo

probabilidade de cometer erro tipo I em um teste de hipteses

u erros observados na funo resposta da varivel dependente

conjunto de parmetros que afetam a funo resposta da varivel dependente

estimativa da mdia do processo em estudo

constante equivalente ao nmero irracional 3,1415...

(, x) funo de transformao para a condio de normalidade

Em muitas oportunidades a realizao de uma pesquisa de cunho cientfico contribui

Diversos autores destacam a crescente utilizao de tcnicas estatsticas para melhoria

Figura 1.1 Distribuies diferentes com mesma localizao e disperso

conseqncias na aplicao de alguns mtodos estatsticos quando se assume normalidade

Controle Estatstico de Processo

Falsas causas especiais nos grficos de controle individuais

Metodologia Seis Sigma

Clculo incorreto do nvel sigma

Concluses incorretas sobre diferenas entre grupos

Identificao equivocada de fatores e erros em predies

Concluses incorretas sobre importncia e efeito de fatores

Quadro 1.1 Conseqncias da suposio incorreta de normalidade

Segundo Severino (2002), diretamente relacionado com o tipo de pesquisa esto os

operacionalizam os mtodos, mediante emprego de instrumentos adequados.

Investigar interpretao de dados Dados gerados atravs

grficos de controle individuais e aplicaes

reais no normais na determinao

do ndice de capabilidade e nvel

Quadro 1.2 Resumo da metodologia adotada

da aplicao de mtodos estatsticos em processos ou estudos cientficos nos quais no existe

utilizados de acordo com os cenrios definidos. Em um primeiro cenrio, os dados simulados

Captulo 2: Fundamentao Terica

Viso Conceitual da Qualidade

Constantemente utilizado de maneira informal, o termo qualidade provoca

Captulo 2: Fundamentao Terica

c) Abordagem baseada em valor define a qualidade em termos de custo e preo,

Captulo 2: Fundamentao Terica

de Controle da Qualidade desenvolveu uma abordagem mais sistemtica, no apenas para

ETAPA DO MOVIMENTO DA QUALIDADE

Uniformidade dos produtos

Papel dos profissionais

Quadro 2.1 Evoluo da Inspeo Garantia da Qualidade

Captulo 2: Fundamentao Terica

Mtodos Estatsticos Aplicados Qualidade

anlise e interpretao de dados experimentais. De acordo com Feigenbaum (1994) a

Figura 2.1 Representao de um processo produtivo

Captulo 2: Fundamentao Terica