Vous êtes sur la page 1sur 46

Sumrio

CONCEITOS BSICOS .......................................................................................................................................... 2


Disperso ou Variao ................................................................................................................................... 4
Desvio Padro "Srie: ndices de Capacidade e Performance do Processo" .................................................. 6
DISTRIBUIO NORMAL DE PROBABILIDADE E SUA APLICAO NOS PROCESSOS DE QUALIDADE ................ 9
Condio para se implantar um Controle Estatstico de Processo CEP .................................................... 13
A VISO MODERNA DE CEP ............................................................................................................................. 13
Causas especiais ou aleatrias .................................................................................................................. 14
COMPARAO ENTRE CAUSAS COMUNS E CAUSAS ESPECIAIS .................................................................. 17
Cp e Cpk "Srie: ndices de Capacidade e Performance do Processo" ......................................................... 20
Cp ................................................................................................................................................................. 20
Cpk ............................................................................................................................................................... 21
Pp e Ppk "Srie: ndices de Capacidade e Performance do Processo" ......................................................... 24
Pp ................................................................................................................................................................. 24
Ppk................................................................................................................................................................ 25
Tcnicas de Amostragem ................................................................................................................................. 25
Erro amostral ............................................................................................................................................... 29
Carta de Controle X-AM (Amplitude Mvel) ................................................................................................... 31
Carta X .......................................................................................................................................................... 33
Carta R .......................................................................................................................................................... 34
Cartas de Controle por Variveis ................................................................................................................. 35
Carta X-Am ............................................................................................................................................... 35
Carta X-R .................................................................................................................................................. 35
Carta X-S ................................................................................................................................................... 36
Cartas de Controle por Atributos ................................................................................................................. 40
Anlise de Cartas de Controle ...................................................................................................................... 41
PPM (partes por milho) .................................................................................................................................. 44
Clculo do ndice PPM ................................................................................................................................. 45
BIBLIOGRAFIA ................................................................................................................................................... 46

CONCEITOS BSICOS
O que o CEP?
Vamos decifrar esta sigla:
.
Controle
No sentido em que vamos aplicar, significa manter algo dentro dos limites estabelecidos, ou
seja, precisamos definir um modelo o mais prximo possvel do que acreditamos ser o ideal e,
a partir deste ponto, agir para que esta tarefa se conserve no padro.
.

Estatstico
a utilizao ou estudo de dados coletados durante a atividade, a fim de fazermos projees e
tirarmos concluses baseadas em fatos. So evidncias sendo utilizadas para anlise do
comportamento de determinada tarefa.

Processo
Ato de transformar entradas (insumos) em sadas (resultados). a juno de uma srie de
tarefas interligadas que visam atingir um objetivo baseado em uma necessidade.

Qualidade
o grau de utilidade de um produto para os fins que se destina e que possvel de ser avaliada atravs de
um conjunto de caractersticas apropriadas.

Controle de Qualidade
o procedimento de verificao sistemtica da obedincia de um produto, ou processo, ao seu padro, e
de realizao dos ajustes necessrios para se atingir esse objetivo.

Qualidade Absoluta
o conjunto de caractersticas que define o produto perfeito, ou seja, o produto com 0% de defeitos.

Qualidade Aceitvel
aquela que pode ser alcanada, em funo das limitaes impostas pelas seguintes variveis:

Matrias primas;
Recursos humanos;
Recursos tecnolgicos;
Custos finais do produto.

CUSTO

Curva dos Custos em funo da Qualidade

NVEL DE QUALIDADE

Fatores necessrios para a implantao de um Programa de Avaliao e


Controle de Qualidade

Produtos ou processos a serem controlados


Definio dos respectivos Padres de Identidade e Qualidade e Procedimentos Operacionais
Definies de defeitos crticos e tolerveis
Mtodos validados para avaliao das caractersticas de qualidade

Infraestrutura e recursos, prprios ou de terceiros, para a execuo dos mtodos de avaliao das
caractersticas:

Instalaes
Equipamentos
Outros materiais de consumo
Recursos humanos
Recursos financeiros

Definio do Plano estatstico de amostragem:


Avaliao dos riscos de amostragem que possam ser admitidos
Critrios de aceitao e rejeio
Tamanho dos lotes de inspeo
3

Definio do mtodo de inspeo:

Inspeo 100%
Inspeo por amostragem
Lotes contnuos
Lotes isolados

Fatores necessrios para a implantao de um Programa de Avaliao e Controle de Qualidade:


Definio dos Pontos Crticos de Controle
Definio dos Procedimentos de Inspeo e de tomada de amostra
Definio dos procedimentos para a identificao, acondicionamento, transporte da amostra para o
local de inspeo/anlise e guarda da amostra.
Definio dos Documentos para o registro de resultados e de observaes: relatrios e/ou laudos
Definio dos Procedimentos de reanlise e de esclarecimento de litgios
Definio dos procedimentos para reaproveitamento ou descarte de produtos.
Responsabilidades das partes envolvidas na cadeia produo consumo:
Estabelecer padres de qualidade compatveis com:
Custos finais do produto
Riscos associados com a aceitao de um produto de baixa qualidade
Capacidade tecnolgica dos fornecedores.

VARIAO E PREVISIBILIDADE
NO EXISTEM NA NATUREZA DOIS OBJETOS QUE SEJAM ABSOLUTAMENTE IGUAIS.
SEMPRE H VARIAO.
CONTUDO, A VARIAO DEVIDA SOMENTE A CAUSAS COMUNS PREVISVEL.

Disperso ou Variao
a maior ou menor diversificao dos valores de uma varivel em torno de um valor de tendncia central
(mdia ou mediana) tomado como ponto de comparao.
A mdia, ainda que considerada como um nmero que representa uma srie de valores, no pode por si
mesmo, destacar o grau de homogeneidade ou heterogeneidade que existe entre os valores que compem
o conjunto.
Grau de homogeneidade o quo afastado esto os dados em torno da mdia da distribuio.

Exemplo 1: Para que fique mais claro este conceito, atente para a seguinte situao:
Suponha que voc trabalhe numa empresa com vrios ncleos em diferentes cidades do Brasil. De repente
voc recebe uma promoo e ser transferido para outra cidade, que voc poder escolher entre trs
diferentes. Sendo a temperatura amena, o fator que mais lhe agrada numa cidade, voc questiona sobre
esta informao a respeito das cidades que voc deve escolher. Ento te do as seguintes informaes:
4

Cidade X Temperatura mdia = 20C


Cidade Y Temperatura mdia = 20 C
Cidade Z Temperatura mdia = 20 C
Com esta informao, seria indiferente a cidade a se escolher, pois todas apresentaram o mesmo
comportamento mdio! Mas, curioso com este resultado, voc procura saber um pouco mais sobre as
temperaturas de cada cidade. Ento descobre que as temperaturas medidas em horrios fixos ao longo de
um dia, variam da seguinte maneira para cada localidade:
Cidade X = {-5, 20, 45, 30, 10}
Cidade Y = {20, 20, 20, 20, 20}
Cidade Z = {18, 20, 22, 26, 14}
Observamos ento que as trs cidades apresentam a mesma mdia aritmtica de temperatura:

Entretanto, fcil notar que as temperaturas da cidade Y so mais homogneas que as temperaturas das
cidades X e Z, j que todos os valores so iguais mdia. O conjunto Z, por sua vez, mais homogneo que
o conjunto X, pois h menor diversificao (variao) entre cada um de seus valores e a mdia
representativa.
Conclumos ento que o conjunto Y apresenta disperso nula e que o conjunto Z apresenta uma disperso
menor que o conjunto X.
Exemplo 2: Compare as notas de duas turmas numa mesma prova de estatstica (fictcio). Suas variaes
em torno de suas mdias:

O primeiro grfico mostra uma variao menor dos dados em torno da mdia (mais homognea).
O segundo grfico apresenta uma maior variabilidade ou maior disperso (menos homogneo).

Desvio Padro "Srie: ndices de Capacidade e Performance do Processo"


Desvio-padro estimado
Esta forma de desvio-padro dada pela seguinte frmula e somente usada quando o tamanho dos
subgrupos maior do que 1.
Onde:
a amplitude mdia do processo;
o fator relacionado ao tamanho dos subgrupos.
Isto , no h como estimar o desvio-padro de um processo que possui subgrupos com uma amostra
apenas, pois no possvel calcular a amplitude de cada subgrupo.
Considere o seguinte conjunto de dados:
Subgrupo 1
0.48
1.64
0.38
1.84
0.36
1.44
1.92
0.68
1.08
1.32

Subgrupo 2
0.66
1.98
1.00
1.14
1.00
0.74
0.44
0.18
1.54
0.90

Subgrupo 3
1.56
0.30
0.76
1.48
0.58
1.68
0.98
1.46
1.02
1.90

Subgrupo 4
1.04
0.70
0.24
1.02
0.72
0.26
1.62
1.58
1.42
0.10

Subgrupo 5
1.60
1.12
1.26
1.08
1.98
0.98
1.06
1.48
0.04
0.86

Subgrupo 6
1.44
1.76
0.34
1.04
0.18
0.58
1.08
1.34
1.64
1.08

Subgrupo 7
1.30
0.68
0.96
0.88
0.76
0.36
0.06
1.22
1.18
1.74

Subgrupo 8
1.82
0.42
1.18
0.60
1.78
1.02
1.80
0.62
0.24
0.30

Para estimarmos o desvio-padro, devemos calcular a amplitude mdia do processo, simbolizada por
,
que igual soma das amplitudes de cada subgrupo dividida pelo nmero de subgrupos.
A amplitude de cada subgrupo simbolizada pela letra R e calculada pela diferena entre o maior e o
menor valor das amostras do subgrupo.
Portanto a amplitude do Subgrupo 1 igual a 1.92, que o maior valor dentro do subgrupo, menos 0.36,
que o menor valor.
O mesmo clculo efetuado para calcular a amplitude dos outros subgrupos.
Observe o clculo da amplitude mdia na seguinte tabela:
Subgrupo 1

Subgrupo 2

Subgrupo 3

Subgrupo 4

Subgrupo 5

Subgrupo 6

Subgrupo 7

Subgrupo 8

0.48

0.66

1.56

1.04

1.60

1.44

1.30

1.82

1.64

1.98

0.30

0.70

1.12

1.76

0.68

0.42

0.38

1.00

0.76

0.24

1.26

0.34

0.96

1.18

1.84

1.14

1.48

1.02

1.08

1.04

0.88

0.60

0.36

1.00

0.58

0.72

1.98

0.18

0.76

1.78

1.44

0.74

1.68

0.26

0.98

0.58

0.36

1.02

1.92

0.44

0.98

1.62

1.06

1.08

0.06

1.80

0.68

0.18

1.46

1.58

1.48

1.34

1.22

0.62

1.08

1.54

1.02

1.42

0.04

1.64

1.18

0.24

1.32

0.90

1.90

0.10

0.86

1.08

1.74

0.30

Aps calcular a amplitude mdia do processo, devemos encontrar na seguinte tabela o fator

d2 correspondente ao nmero de amostras dos subgrupos.


Em nosso exemplo, cada subgrupo possui 10 amostras. Portanto:
n

d2

1.128

1.693

2.059

2.326

2.534

2.704

2.847

2.970

10

3.078

11

3.173

12

3.258

13

3.336

14

3.407

15

3.472

20

3.735

25

3.931

Onde: n = tamanho do subgrupo

Desvio-padro calculado
Tambm chamado de desvio-padro dos valores individuais, o desvio-padro calculado dado pela
seguinte frmula:

Considerando o mesmo conjunto de dados anterior, vamos agora calcular o desvio-padro.


Para o clculo do desvio-padro, precisamos calcular a mdia do processo, simbolizada por, que a mdia
das mdias dos subgrupos.
Na tabela abaixo, efetuado o clculo da mdia do 1 subgrupo: soma dos valores das amostras dividida
pelo nmero de amostras do subgrupo.
7

Subgrupo 1

Subgrupo 2

Subgrupo 3

Subgrupo 4

Subgrupo 5

Subgrupo 6

Subgrupo 7

Subgrupo 8

0.48

0.66

1.56

1.04

1.60

1.44

1.30

1.82

1.64

1.98

0.30

0.70

1.12

1.76

0.68

0.42

0.38

1.00

0.76

0.24

1.26

0.34

0.96

1.18

1.84

1.14

1.48

1.02

1.08

1.04

0.88

0.60

0.36

1.00

0.58

0.72

1.98

0.18

0.76

1.78

1.44

0.74

1.68

0.26

0.98

0.58

0.36

1.02

1.92

0.44

0.98

1.62

1.06

1.08

0.06

1.80

0.68

0.18

1.46

1.58

1.48

1.34

1.22

0.62

1.08

1.54

1.02

1.42

0.04

1.64

1.18

0.24

1.32

0.90

1.90

0.10

0.86

1.08

1.74

0.30

O mesmo clculo deve ser efetuado para os outros subgrupos:

Na figura abaixo, efetuado o clculo da mdia do processo: soma das mdias dos subgrupos dividida pelo
nmero de subgrupos.

A primeira impresso que a frmula do desvio-padro calculado gera no das melhores, mas vamos ver
que o clculo do desvio-padro sobre os valores individuais do processo bem simples.
Para cada amostra, devemos calcular o desvio em relao mdia do processo. Esse desvio dado pela
seguinte frmula:
Onde: Xi o valor de cada amostra.
Devemos efetuar esse clculo para todos os valores de amostras do processo. Observe no esquema abaixo:
Amostra

Clculo

(0.48 - 1.025)2

0.297025

(1.64 - 1.025)2

0.378225

(0.38 -

1.025)2

0.416025

(1.84 -

1.025)2

0.664225

(0.62 -

1.025)2

0.164025

79

(0.24 -

1.025)2

0.616225

80

(0.30 - 1.025)2

0.525625

Desvio em relao a

...
78

A soma dos resultados obtidos para cada valor individual do processo e dividida pelo nmero total de
amostras menos 1 chamada de Varincia.
O desvio-padro calculado a raiz quadrada da Varincia.
8

Ento, temos:

Desvio-padro para subgrupos de tamanho igual a 1


Como foi colocado, no possvel estimar o desvio-padro de um processo composto por subgrupos de
tamanho igual a 1, pois no h como calcular a amplitude de cada subgrupo. Portanto, devemos utilizar o
desvio-padro calculado.

DISTRIBUIO NORMAL DE PROBABILIDADE E SUA APLICAO NOS


PROCESSOS DE QUALIDADE
Distribuio Normal
Uma curva de distribuio pode descrever a forma da distribuio de uma populao.
Conhecendo-se a forma, a mdia e o desvio padro, pode-se a caracterizar uma populao.
. Um tipo de curva de distribuio bastante comum para representar a distribuio de populaes de
dados de uma pea em produo (peso, dimetro, dureza do material, etc.....) a curva normal ou

curva de Gauss.

: desvio padro

: mdia populacional

Propriedades da curva normal (s 3 para no complicar)


1. A rea entre a curva e o eixo horizontal (eixo x) igual a 100%
2. A curva simtrica em torno do ponto =mdia e tem a forma aproximada de um sino.
3. A rea entre a mdia e um ponto qualquer poder ser medida em termos nmeros de desvio padro.

z chamado de desvio relativo, pois mede o afastamento mdio dos


valores de x em relao mdia, em unidades de desvio padro.
importante destacar que no h apenas uma curva normal. Para cada valor diferente da
mdia e do desvio padro, h uma curva normal diferente. Estaturas de adultos do sexo
masculino, por exemplo, teriam distribuio normal com uma altura mdia de 172cm,
enquanto as estaturas de meninos de 10 anos de idade seriam ainda normalmente
distribudas, mas em torno de uma mdia de 152cm. Se a disperso (desvio padro: ) das
duas populaes de estaturas igual, as duas curvas tero forma idntica, ocupando
posies diferentes no eixo horizontal.

Resumindo

reas sob a curva (IMPORTANTE)


Exemplifiquemos: Suponha uma populao de estaturas de homens adultos, com
distribuio normal, mdia 172cm e desvio padro 5cm.
1) Que proporo dessas estaturas so menores de 177cm?
1 passo: Aplicando a frmula do desvio relativo (z), teremos:

10

2passo: Olhar a tabela com valores de z (lembrar de levar essa tabela para a prova).
Olhando a tabela, verificamos que para z=1,00 temos 0,3413. Esta a rea sob a curva
normal entre a mdia e a estatura 177cm; somada a 0,500 que a rea esquerda da
mdia, totaliza 0,8413, que a rea abaixo de z=1,00. Lembrando que as reas sob a curva
representam propores, temos que 84,13% das estaturas de homens adultos so menores
que 177cm.

2) Que proporo dessas estaturas so maiores que 177cm?


Essa proporo pode ser encontrada subtraindo 0,8413(resposta da questo 1) de
1,000(rea total sob a curva). Assim 15,87% dos homens adultos so mais altos que 177cm.
Ou utilizando a frmula:
Obs: A tabela no d valores negativos de z, mas como a curva simtrica, a rea entre a
mdia e z = -1 igual a rea da mdia a z = 1, ou seja, 34,13%. Mas no problema, pede-se
a proporo dos indivduos menores de 167cm 15,87%(0,5000 0,343)
z=(172-177)/5 = -5/5 =-1

1-0,8413=0,1587 ou 15,87%

3) Que proporo das estaturas so menores que 167cm?


1 passo: Aplicando a frmula do desvio relativo (z), teremos:

11

4) Que proporo de estaturas esto no intervalo 167 a 177 cm?


Do resultado anterior temos que, para x =167, z = -1 e para x =177, z = +1.
A rea entre z = 0 e z = 1 igual a 34,13%. Deste modo, a rea entre z = -1 e z = 1 ser de
68,26%, ou seja, 68,26% das estaturas de homens adultos esto entre 167 a 177cm.

5) Que proporo de estaturas so maiores que 179,7cm?

Na tabela z, a rea entre z = 0 e z = 1,54 0,4382. Subtraindo de 0,5000, a rea direita de


z = 1,54, ou seja, a proporo de estaturas acima de 179,7 cm ser de 6,18%.

Interpretando reas como probabilidade:


Nos exemplos anteriores, reas sob partes da curva normal foram interpretadas como
porcentagens de homens adultos, cujas estaturas estavam dentro de certos intervalos.
Tais reas podem ser interpretadas como probabilidade. No exemplo 1, onde 84,13% das
estaturas dos homens adultos estava abaixo de 177cm, afirmou-se que 84,13% das
estaturas de homens adultos esto abaixo de 177cm. Pode-se dizer tambm que, se um
homem adulto tomado ao acaso, a probabilidade de que sua estatura seja menor que
177cm 0,8413 ou 84,13%.
12

Condio para se implantar um Controle Estatstico de Processo CEP


Descrever o processo cuja histria ser documentada
Definir os parmetros a serem controlados;
Definir os critrios referentes condio de controle (linha central) e a condio fora de controle
(limites de controle) dos parmetros selecionados.
Definir quais, como, quando e onde os dados sero coletados e registrados.
Definir os grficos, as formas e a frequncia de registro dos dados.
Definir os procedimentos a serem executados quando ocorrerem condies fora de controle.
Definir as atribuies e responsabilidades pelo procedimento de controle dos processos.
Treinar a equipe para lanar e interpretar corretamente os dados nos grficos
Ter concludo os estudos sobre Capacidade de Inspeo, cujos resultados devem indicar que a
capacidade aceitvel, numa escala aceitvel, marginal e inaceitvel.
Disponibilizar todas as planilhas de registro de dados nos locais apropriados ou prximos a eles.

A VISO MODERNA DE CEP


Hoje, mais do que uma ferramenta estatstica, o CEP entendido como uma filosofia de gerenciamento
(princpios de gerenciamento) e um conjunto de tcnicas e habilidades, originrias da Estatstica e da
13

Engenharia de Produo, que visam garantira estabilidade e a melhoria contnua de um processo de


produo. Em resumo, visa o controle e a melhoria do processo.

Os princpios fundamentais para implantao e gerenciamento do CEP so:


Pensar e decidir baseado em dados e fatos;
Pensar separando a causa do efeito, buscar sempre conhecer a causa fundamental dos problemas;
Reconhecer a existncia da variabilidade na produo e administra-la; usar raciocnio de prioridade
(Pareto);
Girar permanente e metodicamente o ciclo de controle (Ciclo PDCA: Plan, Do, Check, Action),
visando a melhoria contnua do desempenho;
Definir o prximo processo/etapa/posto de trabalho como cliente da etapa anterior. O cliente
define a qualidade esperada;
Identificar instantaneamente focos e locais de disfuno e corrigir os problemas a tempo;
Educar, treinar e organizar a mo de obra visando uma administrao participativa e o
autocontrole.

As principais tcnicas de apoio ao CEP so:

Amostragem (Inspeo, Planos de Amostragem)


Folha de Verificao
Histograma/Grficos
Diagrama de Pareto
Diagrama de Causa e Efeito/6M/Espinha de Peixe
Estratificao
Grficos de Controle (Grficos de Shewhart)
Diagrama de Correlao

Atualmente a inovao fundamental em relao ao CEP que esses princpios e tcnicas devem ser
compreendidos, e aplicados, por todas as pessoas da organizao e no apenas pelos tcnicos e
engenheiros da rea de Qualidade.

APLICAO:
Anlise dimensional de produo seriada de uma determinada pea, anlise de variao de peso, anlise
de variao de horrio, Etc.
Todo o Controle Estatstico da Qualidade baseado na anlise das variaes ou variabilidade, que so
diferentes nas magnitudes (dimetro, peso, densidade, etc.) presentes universalmente nos produtos e
servios resultantes de qualquer atividade, e so considerados a maior inimiga da Qualidade.
As causas que produzem variaes nos processos so classificadas em:

Causas especiais ou aleatrias


Causas especiais, espordicas ou aleatrias so fatores geradores de variaes que afetam o
comportamento do processo de maneira imprevisvel, no sendo possvel obter-se um padro. A causa

14

espordica diferencia-se da causa comum pelo fato de produzir resultados totalmente discrepantes em
relao aos demais valores.
Exemplos de causas especiais so: desregulagem ocasional da mquina, um lote de matria-prima com
problema, quebra de uma ferramenta e outras.

Causas comuns

uma causa comum definida como uma fonte de variao que afeta a todos os

valores individuais do processo. resultante de diversas origens, sem que nenhuma tenha predominncia
sobre a outra. Um processo dito sob controle, ou estatisticamente estvel, quando somente causas
comuns estiverem presentes.
Na natureza, por exemplo, todas as crianas ao nascerem, tem um peso dentro de uma faixa considerada
normal, mas se uma criana nasce de 7 meses, que uma causa anormal, o seu peso ser inferior a essa
faixa.
Por outro lado, sabido tambm, que nunca encontramos duas folhas ou dois pssaros do mesmo
espcime, exatamente iguais; em um cardume, os peixes parecem todos iguais; mas se analisarmos
detalhadamente, encontra diferenas, minsculas que sejam.
Se nem a natureza consegue criar duas coisas ou seres exatamente iguais, que dir ento as mquinas
criadas pelos seres humanos.
Atravs do histograma podemos analisar se as variaes que ocorrem nos processos, verificar se essas
variaes esto dentro da normalidade ou se existem variaes causais.
Partindo-se de algumas frmulas, na maioria simples, podemos calcular o quanto so essas variaes,
denominadas de DESVIO PADRO e so representados pela letra grega sigma (). Sigma
Tomando-se o valor mdio da amostra (X) e subtraindo-se trs desvios padres (- 3), obtm-se limite
inferior de controle (LIC) e somando-se o mesmo valor (+ 3), obtm-se o limite superior de controle (LSC).
POR QUE CONTROLAR O PROCESSO?
Porque do processo de produo podem resultar itens (produtos) no conformes/ defeituosos ou a
porcentagem de defeituosos pode variar ao longo do tempo.
O que causa a produo de defeituosos a existncia de variao nos materiais, nas condies do
equipamento, nos mtodos de trabalho, na inspeo, nas condies da mo de obra, e em outros insumos,
etc. A variao que ocorre num processo de produo pode ser desmembrada em duas componentes: uma
de difcil controle, chamada variao aleatria, e outra chamada variao controlvel.
Assim a equao da variao total de um processo pode ser escrita como sendo:

Variao total = variao aleatria + variao controlvel


Se as variaes forem conhecidas, controladas e reduzidas, os ndices de produtos defeituosos certamente
se reduziro. Esses dois tipos de variao exigem esforos e capacitao, tcnica e gerencial, diferenciados
para o seu controle.
15

O CEP auxilia na identificao e priorizao das causas de variao da qualidade (separao entre as poucas
causas vitais e as muitas triviais) e objetivo controle ou eliminao (aprisionamento) das causas
fundamentais dos defeitos.

Os defeitos podem ser separados em:


Defeitos crnicos (so inerentes ao prprio processo, esto sempre presentes); e,
Defeitos espordicos (representam desvios em relao ao que o processo capaz de fazer, so mais
facilmente detectveis).

As causas de variao podem ser separadas em:

Causas comuns ou aleatrias (so inerentes ao prprio processo, so relativamente difceis de serem
identificadas, consistem num nmero muito grande de pequenas causas); e

Causas assinalveis ou especiais (representam um descontrole temporrio do processo, so


possveis de serem identificadas e corrigidas, as causas e os efeitos so facilmente observveis).

Distino entre causas COMUNS e ESPECIAIS

16

COMPARAO ENTRE CAUSAS COMUNS E CAUSAS ESPECIAIS

Ao sobre o sistema - CAUSAS COMUNS Resolve 85% dos problemas do processo.


Ao no local de trabalho - CAUSAS ESPECIAIS Resolve 15% dos problemas do processo.

ALGUNS EXEMPLOS DE EFEITOS DE CAUSAS ESPECIAIS:

17

MELHORIA ATRAVS DO CEP

18

BENEFCIOS DOS GRFICOS DE CONTROLE


Os grficos de controle so instrumentos simples que permitem ao processo atingir um estado de controle
estatstico (estado do processo em que esto presentes somente causas comuns de variao).
Podem ser aplicados pelos prprios operrios, que podero discutir com os supervisores, engenheiros e
tcnicos atravs da linguagem dos dados fornecidos pelos grficos de controle obtendo, assim, as
informaes necessrias para decidirem quando e que tipo de aes podem ser tomado para se corrigir e
prevenir problemas no processo. Os grficos de controle servem para monitoramento do processo,
mostrando ocorrncia de um descontrole (presena de causas especiais) e/ou a tendncia dessa
ocorrncia, evitando as frustaes e os custos de interferncias (correes) inadequadas sobre o processo.

Ao melhorar o processo os grficos de controle permitem:


Aumentar a porcentagem de produtos que satisfaam exigncias dos clientes;
Diminuir os ndices de retrabalho dos itens produzidos e, consequentemente, dos custos de
produo;
Aumentar a produtividade.

NDICES:
Qual a diferena entre os ndices de Capacidade e os ndices de Performance de Mquina do processo?
Os ndices de Capacidade informam como o processo poder agir no futuro, j os ndices de performance
informam como o processo agiu no passado ou est agindo no momento.

19

O clculo dos ndices de performance muito semelhante ao dos ndices de capacidade, salvo o que diz
respeito ao desvio-padro utilizado.
Mas qual desvio-padro deve ser usado para o clculo dos ndices?
At 1991, essa pergunta no tinha uma resposta exata. Para eliminar essa confuso, a ASQC - American
Society for Quality Control (Sociedade Americana de Controle da Qualidade) publicou naquele ano "o
manual fundamental de referncia do Controle Estatstico de Processo".
O que est definido no manual publicado pela ASQC que os ndices de capacidade do processo utilizam o
desvio-padro estimado e os ndices de performance utilizam o desvio-padro calculado sobre os valores
individuais do processo.
Voc perceber, em seguida, que o clculo dos ndices de Capabilidade de mquina idntico ao clculo
dos ndices de Capacidade, exceto que o desvio-padro utilizado o calculado.

Cp e Cpk "Srie: ndices de Capacidade e Performance do Processo"


O estudo de capabilidade dos processos responde pergunta: "meu processo bom o bastante?". Isto
completamente diferente da pergunta respondida por uma carta de controle, que : "meu processo tem
mudado?".
Obs.: Para realizar um estudo de capabilidade, necessrio que o processo esteja sobre controle
estatstico.
Certamente, o uso de uma carta de controle para estabelecer que um processo seja estvel precede o
estudo da capabilidade para ver se os itens produzidos pelo processo so bons o bastante.
Quatro ndices so gerados por um estudo de capabilidade: Cp, Cpk, Pp e Ppk. Os dois primeiros so ndices
de Capacidade do processo, enquanto os outros dois so de Performance do processo.
Mas qual a utilidade dos ndices de Capacidade do Processo?
O clculo dos ndices de Capacidade leva em conta o desvio-padro, que pode ser calculado ou estimado.

Cp

ndice mais simples, considerado como a taxa de tolerncia variao do processo;

Desconsidera a centralizao do processo;

No sensvel aos deslocamentos (causas especiais) dos dados;

Quanto maior o ndice, menos provvel que o processo esteja fora das especificaes;

Um processo com uma curva estreita (um Cp elevado) pode no estar de acordo com as
necessidades do cliente se no for centrado dentro das especificaes.

20

Clculo do ndice
Os ndices de Capacidade do processo utilizam o desvio-padro estimado. Considerando os dados
utilizados anteriormente, temos:
LSE (Limite Superior de Especificao) = 2,5
LIE (Limite Inferior de Especificao) = 0,05
(Desvio-padro estimado) = 0,5385
A frmula do ndice Cp dada por:
Na frmula, percebemos, como foi escrito anteriormente, que este ndice desconsidera a mdia do
processo, retratando apenas sua variao.
O clculo deste ndice em nosso exemplo dado por:

Avaliao do clculo do ndice


Processo incapaz: Cp < 1
Processo aceitvel: 1 Cp 1,33
Processo capaz: Cp 1,33

Cpk

Considera a centralizao do processo;

o ajuste do ndice Cp para uma distribuio no centrada entre os limites de especificao;

sensvel aos deslocamentos (causas especiais) dos dados;

Clculo do ndice
Os ndices de Capacidade do processo utilizam o desvio-padro estimado.
Considerando os dados utilizados anteriormente, temos:
LSE (Limite Superior de Especificao) = 2,5
LIE (Limite Inferior de Especificao) = 0,05
(Mdia do processo) = 1,025
(Desvio-padro estimado) = 0,5385
A frmula do ndice Cpk dada por:

21

O clculo deste ndice em nosso exemplo dado por:

Avaliao do clculo do ndice


Processo incapaz: Cpk < 1
Processo aceitvel: 1 Cpk 1,33
Processo capaz: Cpk 1,33

Agora que j vimos como calcular os ndices, vamos ver em grficos quais os seus significados.
Sabemos que quanto mais estreita a curva da distribuio, menor a variao e maiores os valores dos
ndices Cp e Cpk. Sabemos ainda que quanto maior o valor de Cp e Cpk, melhor o status do processo.
Considerando essa afirmao, vamos entender em quais ocasies temos valores altos e baixos para esses
dois ndices.

Cp baixo
Causa: variao maior que a faixa dos limites de especificao.

Cpk baixo
Causa: a distribuio est centrada, mas h uma variao maior
que a faixa dos limites de especificao.

Processo: incapaz
Cp bom
Causa: variao menor que a faixa dos limites de
especificao.

Cpk bom
Causa a distribuio est centrada e h uma variao menor
que a faixa dos limites de especificao.

Processo: satisfatrio.

Cp alto
Causa: baixa variao em relao faixa dos limites de
especificao
22

Cpk alto
Causa: a distribuio est centrada e h uma baixa variao em relao faixa dos limites de especificao

Processo: capaz
Nos trs exemplos anteriores, os ndices Cp e Cpk receberam os mesmos conceitos, mas nem sempre isso
ocorre.
Veja no prximo exemplo em que h um processo com uma variao bem pequena, que gera um Cp timo
e tambm geraria um Cpk com valor alto, mas a distribuio no est centrada entre os limites de
especificao.

Cp alto
Causa: baixa variao em relao faixa dos limites de
especificao

Cpk baixo
Causa: h uma baixa variao em relao faixa dos limites
de especificao, mas a distribuio no est centrada.

Processo: incapaz

Pelo exemplo anterior, possvel afirmar que, para ser capaz, um processo necessita de centralizao
entre os limites de especificao e baixa variao.
Mas qual ndice dever ser utilizado?

ndice

Cp

Cpk

Uso

Definio

O processo est centrado entre os limites de especificao

Taxa de tolerncia (a largura dos


limites de especificao)
variao atual (tolerncia do
processo)

O processo no est centrado entre os limites de especificao, mas cai


sobre ou entre eles.

Taxa de tolerncia (a largura dos


limites de especificao)
variao atual, considerando a
mdia do processo relativa ao
ponto mdio das especificaes.

23

Pp e Ppk "Srie: ndices de Capacidade e Performance do Processo"


O clculo dos ndices de performance muito semelhante ao dos ndices de capacidade, salvo o que diz
respeito ao desvio-padro utilizado.
Voc perceber, em seguida, que o clculo dos ndices de Performance do processo idntico ao clculo
dos ndices de Capacidade, exceto que o desvio-padro utilizado o calculado.
Vamos rever os clculos...

Pp

Desempenho: Intervalo de tolerncia dividida pelo desempenho do processo;

Desconsidera a centralizao do processo;

No sensvel aos deslocamentos (causas especiais) dos dados;

Quanto maior o ndice, menos provvel que o processo esteja fora das especificaes;

Um processo com uma curva estreita (um Pp elevado) pode no estar de acordo com as
necessidades do cliente se no for centrado dentro das especificaes.

Clculo do ndice
Os ndices de Performance do processo utilizam o desvio-padro calculado.
Considerando os dados utilizados anteriormente, temos:
LSE (Limite Superior de Especificao) = 2,5
LIE (Limite Inferior de Especificao) = 0,05
(Desvio-padro calculado) = 0,5350
A frmula do ndice Pp dada por:
Na frmula, percebemos, como foi escrito anteriormente, que este ndice desconsidera a mdia do
processo, retratando apenas sua variao.

O clculo deste ndice em nosso exemplo dado por:

Avaliao do clculo do ndice


Processo incapaz: Pp < 1
Processo aceitvel: 1 Pp 1,33
Processo capaz: Pp 1,33

24

Ppk
Indica quo prxima a mdia est do valor alvo do processo;
o ajuste do ndice Pp para uma distribuio no-centrada entre os limites de especificao;
sensvel aos deslocamentos (causas especiais) dos dados;

Clculo do ndice
Os ndices de Performance do processo utilizam o Desvio-padro calculado.
Considerando os dados anteriores, temos:
LSE (Limite Superior de Especificao) = 2,5
LIE (Limite Inferior de Especificao) = 0,05
(Mdia do processo) = 1,025
(Desvio-padro calculado) = 0,5350

A frmula do ndice Ppk dada por:

O clculo deste ndice em nosso exemplo dado por:

Avaliao do clculo do ndice


Processo incapaz: Ppk < 1
Processo aceitvel: 1 Ppk 1,33
Processo capaz: Ppk 1,33
Obs.: Atente-se para a simbologia do desvio-padro. O desvio-padro estimado simbolizado por
o calculado simbolizado por
.

, j

Tcnicas de Amostragem
O que ?
o estudo de um pequeno grupo de elementos retirado de uma populao que se pretende conhecer.
Esses pequenos grupos retirados da populao so chamados de Amostras.
25

Por que realizar um estudo por amostragem?


Como a amostragem considera apenas parte da populao, diferentemente de um censo, o tempo para
anlise e o custo so menores, alm de ser mais fcil e gerar resultados satisfatrios.
Quando no se deve realizar um estudo por amostragem?
Quando o tamanho da amostra grande em relao ao tamanho da populao, ou quando se exige o
resultado exato, ou quando j se dispe dos dados da populao, recomendado realizar um censo, que
considera todos os elementos da populao.
A partir das trs perguntas anteriores, vamos aprender a realizar um estudo por amostragem, conhecendo
suas diferentes tcnicas.
Para realizar um estudo por amostragem, a amostra deve ser representativa da populao estudada. Para
isso, existem tcnicas adequadas para cada tipo de situao.

Veremos a seguir as principais tcnicas de amostragem, divididas em probabilsticas e no probabilsticas:

Tcnicas Probabilsticas (aleatrias)


As tcnicas probabilsticas garantem a possibilidade de realizar afirmaes sobre a populao com base nas
amostras. Normalmente, todos os elementos da populao possuem a mesma probabilidade de serem
selecionados. Assim, considerando N como o tamanho da populao, a probabilidade de cada elemento
ser selecionado ser 1/N. Estas tcnicas garantem o acaso na escolha.
So tcnicas probabilsticas:

Amostragem Aleatria Simples


o processo mais elementar e frequentemente utilizado. Pode ser realizado numerando-se os elementos
da populao de 1 a n e sorteando-se, por meio de um dispositivo aleatrio qualquer X nmeros dessa
sequncia, que correspondero aos elementos pertencentes amostra.
Exemplo
Obter uma amostra representativa, de 10%, de uma populao de 200 alunos de uma escola.
1) Numerar os alunos de 1 a 200;
2) Escrever os nmeros de 1 a 200 em pedaos de papel e coloc-los em uma urna;
3) Retirar 20 pedaos de papel, um a um, da urna, formando a amostra da populao.
Nesta tcnica de amostragem, todos os elementos da populao tm a mesma probabilidade de serem
selecionados: 1/N, onde N o nmero de elementos da populao.

26

Amostragem Estratificada
Quando a populao possui caractersticas que permitem a criao de subconjuntos, as amostras extradas
por amostragem simples so menos representativas. Nesse caso, utilizada a amostragem estratificada.
Como a populao se divide em subconjuntos, convm que o sorteio dos elementos leve em considerao
tais divises, para que os elementos da amostra sejam proporcionais ao nmero de elementos desses
subconjuntos. Observe a figura abaixo:

Exemplo
Em uma populao de 200 alunos, h 120 meninos e 80 meninas. Extraia uma amostra representativa, de
10%, dessa populao.
Nesse exemplo, h uma caracterstica que permite identificar 2 subconjuntos, a caracterstica Sexo.
Considerando essa diviso, vamos extrair a amostra da populao.
SEXO
Masculino
Feminino
Total

POPULAO
120
80
200

AMOSTRA (10%)
12
8
20

Portanto, a amostra deve conter 12 alunos do sexo masculino e 8 do sexo feminino, totalizando 20 alunos,
que correspondem a 10% da populao.

Para selecionar os elementos da populao para formar a amostra, podemos executar os seguintes passos:
1) Numerar os alunos de 1 a 200, sendo os meninos numerados de 1 a 120 e as meninas, de 121 a 200;
2) Escrever os nmeros de 1 a 120 em pedaos de papel e coloc-los em uma urna A;
3) Escrever os nmeros de 121 a 200 em pedaos de papel e coloc-los em uma urna B;
4) Retirar 12 pedaos de papel, um a um, da urna A, e 8 da urna B, formando a amostra da populao.
So exemplos desta tcnica de amostragem as pesquisas eleitorais por regio, cidades pequenas e
grandes, rea urbana e rea rural, sexo, faixa etria, faixa de renda, etc.

27

Amostragem Sistemtica
Esta tcnica de amostragem em populaes que possuem os elementos ordenados, em que no h a
necessidade de construir um sistema de referncia. Nesta tcnica, a seleo dos elementos que comporo
a amostra pode ser feita por um sistema criado pelo pesquisador.
Exemplo
Obter uma amostra de 80 casas de uma rua que contm 2000 casas. Nesta tcnica de amostragem,
podemos realizar o seguinte procedimento:
1) Como 2000 dividido por 80 igual a 25, escolhemos, por um mtodo aleatrio qualquer, um nmero
entre 1 e 25, que indica o primeiro elemento selecionado para a amostra.
2) Consideramos os demais elementos, periodicamente, de 25 em 25.
Se o nmero sorteado entre 1 e 25 for o nmero 8, a amostra ser formada pelas casas: 8, 33, 58, 83,
108, etc.
Apesar de esta tcnica ser de fcil execuo, h a possibilidade de haver ciclos de variao, que tornariam
a amostra no representativa da populao.

Amostragem por Conglomerados


Esta tcnica usada quando a identificao dos elementos da populao extremamente difcil, porm
pode ser relativamente fcil dividir a populao em conglomerados (subgrupos) heterogneos
representativos da populao global.
A seguir, descrito o procedimento de execuo desta tcnica:
1) Seleciona uma amostra aleatria simples dos conglomerados existentes;
2) Realizar o estudo sobre todos os elementos do conglomerado selecionado.
So exemplos de conglomerados: quarteires, famlias, organizaes, agncias, edifcios, etc.
Exemplo
Estudar a populao de uma cidade, dispondo apenas do mapa dos quarteires da cidade.
Neste caso, no temos a relao dos moradores da cidade, restando o uso dos subgrupos heterogneos
(conglomerados). Para realizar o estudo estatstico sobre a cidade, realizaremos os seguintes
procedimentos:
1) Numerar os quarteires de 1 a n;
2) Escrever os nmeros de 1 a n em pedaos de papel e coloc-los em uma urna;
3) Retirar um pedao de papel da urna e realizar o estudo sobre os elementos do conglomerado
selecionado.
28

Tcnicas No-Probabilsticas (no-aleatrias)


So tcnicas em que h uma escolha deliberada dos elementos da populao, que no permite generalizar
os resultados das pesquisas para a populao, pois amostras no garantem a representatividade desta.
So tcnicas no probabilsticas:

Amostragem Acidental
Trata-se da formao de amostras por aqueles elementos que vo aparecendo. Este mtodo utilizado,
geralmente, em pesquisas de opinio, em que os entrevistados so acidentalmente escolhidos.
Exemplo
Pesquisas de opinio em praas pblicas, ruas movimentadas de grandes cidades, etc.

Amostragem Intencional
De acordo com determinado critrio, escolhido intencionalmente um grupo de elementos que comporo
a amostra. O pesquisador se dirige intencionalmente a grupos de elementos dos quais deseja saber a
opinio.
Exemplo
Em uma pesquisa sobre preferncia por determinado cosmtico, o pesquisador entrevista os
frequentadores de um grande salo de beleza.
Agora que j conhecemos as principais tcnicas de amostragem, vamos aprender a calcular o tamanho das
amostras dos estudos estatsticos.
Antes de prosseguir, vamos definir alguns termos:
Parmetro: Caracterstica da populao.
Estatstica: Caracterstica descritiva de elementos de uma amostra.
Estimativa: valor acusado por uma estatstica que estima o valor de um parmetro.
O clculo do tamanho da amostra est diretamente ligado ao erro amostral tolervel.

Erro amostral
a diferena entre o valor que a estatstica pode acusar e o verdadeiro valor do parmetro que se deseja
estimar.
O erro amostral tolervel margem de erro aceitvel em um estudo estatstico. Para esclarecer melhor,
quando o apresentador do telejornal, em ano de eleies, anuncia:
O candidato Fulano de Tal tem 42% das intenes de voto, 2 para mais, 2 para menos.
Quando o apresentador cita 2 para mais, 2 para menos, ele se refere ao erro amostral tolervel para
aquela pesquisa de intenes de voto.
29

Tamanho da Amostra
Obs.: um passo importante antes de iniciar o clculo do tamanho da amostra definir qual o erro amostral
tolervel para o estudo que ser realizado.

Observe a seguinte frmula:


onde:

n0 a primeira aproximao do tamanho da amostra


E0 o erro amostral tolervel (Ex.: 2% = 0,02 )

, onde:
N o nmero de elementos da populao

n o tamanho da amostra
Observe o seguinte exemplo para compreender melhor:
Exemplo
Em uma empresa que contm 2000 colaboradores, deseja-se fazer uma pesquisa de satisfao. Quantos
colaboradores devem ser entrevistados para tal estudo?
Resoluo
N = 2000
Definindo o erro amostral tolervel em 2%
E0 = 0,02
n0 = 1 / (E0)2
n0 = 1 / (0,02)2
n0 = 2500
n = (N . n0) / (N + n0)
n = (2000 . 2500) / (2000 + 2500)
n = 1111 colaboradores
Com o erro amostral tolervel em 2%, 1111 colaboradores devem ser entrevistados para a pesquisa.
Vamos repetir os clculos, definindo o erro amostral tolervel em 4%.
N = 2000
E0 = 0,04
30

n0 = 1 / (E0)2
n0 = 1 / (0,04)2
n0 = 625
n = (N . n0) / (N + n0)
n = (2000 . 625) / (2000 + 625)
n = 476 colaboradores
Atravs deste segundo clculo, possvel observar que, quando aumentamos a margem de erro, o
tamanho da amostra reduz.
E se houvesse 300.000 colaboradores na empresa?
N = 300.000
E0 = 0,04
n0 = 1 / (E0)2
n0 = 1 / (0,04)2
n0 = 625
n = (N . n0) / (N + n0)
n = (300.000 . 625) / (300.000 + 625)
n = 623 colaboradores
Observe que a diferena entre n e n0, neste ltimo clculo, muito pequena.
Portanto: se o nmero de elementos da populao (N) muito grande, a primeira aproximao do
tamanho da amostra j suficiente.
Observe ainda:
N = 2000
E0 = 0,04
n = 476 colaboradores = 23,8% da populao
N = 300.000
E0 = 0,04
n = 623 colaboradores = 0,2% da populao

Carta de Controle X-AM (Amplitude Mvel)


A carta de controle X-AM utilizada em caractersticas Variveis e so compostas por dois grficos: um
grfico baseado na Mdia (Carta X) e outro baseado na Amplitude dos subgrupos de amostras (Carta R).
Este tipo de carta de controle utilizado quando os subgrupos possuem apenas uma amostra, no sendo
possvel calcular a amplitude do subgrupo. Alguns exemplos de aplicao das cartas de controle X-AM so:
Processos homogneos em que no so necessrios subgrupos com mais de uma amostra;
Quando se tem inspeo 100% automatizada;
Processos cuja taxa de produo baixa, no sendo necessrio acumular resultados ao longo do
tempo para a avaliao da estabilidade;
Quando o tamanho dos subgrupos de amostras maior que uma unidade economicamente
invivel;
Quando apenas uma amostra por lote est disponvel.
31

A carta de Amplitude Mvel proporciona as seguintes vantagens:

Mais rpida de se montar;


Mais fcil de ser explicada;
Comparada diretamente tolerncia;
Indicada para casos de medies economicamente inviveis, demoradas e em testes destrutivos.

Porm, essas cartas de controle no so to sensveis a alteraes do processo quanto s cartas X-R e X-s.
Logo abaixo, ser descrito o procedimento para os clculos dos Limites de Controle, da Mdia e da
Amplitude deste tipo de carta.
Exemplo
Considere os seguintes dados de amostras coletados em um processo homogneo.
1

0,37

0,43

11

0,59

16

0,5

21

0,39

0,38

0,35

12

0,5

17

0,64

22

0,41

0,62

0,44

13

0,5

18

0,52

23

0,42

0,45

0,44

14

0,63

19

0,5

24

0,48

0,49

10

0,5

15

0,46

20

0,37

25

0,49

Como o processo, do qual os dados foram selecionados, homogneo, no necessrio obter mais de
uma amostra por subgrupo. Portanto, h em nosso exemplo 25 subgrupos de tamanho um.
Quando h mais de uma amostra nos subgrupos, a amplitude calculada pela diferena entre o menor e o
maior valor de cada subgrupo. Para suprir essa deficincia em processos que possuem subgrupos de
tamanho um, utilizada a carta de controle de Amplitude Mvel.
Nesta carta, a amplitude calculada entre os subgrupos. Cada ponto na Carta R (Amplitude) dado pelo
valor absoluto (sem o sinal negativo/positivo) da diferena entre o valor da amostra do subgrupo atual e o
valor da amostra do subgrupo anterior. Observe no seguinte esquema como montar uma carta de controle
X-AM.

32

Para construir a carta de controle, necessrio calcular a Amplitude Mdia do processo, que dada pela
seguinte frmula:

No exemplo anterior, a Amplitude Mdia do processo calculada da seguinte maneira:

Carta X
Para construir a carta X, necessrio calcular a Mdia do processo, que dada pela Mdia das Mdias dos
subgrupos. Em nosso exemplo, a Mdia do subgrupo o prprio valor da amostra que o mesmo contm.

Aps calcular a Mdia do processo, vamos aprender a calcular os Limites de Controle desta carta.
Os Limites de Controle da carta X so calculados pelas seguintes frmulas:

Substituindo os valores de nosso exemplo nas frmulas, temos:


33

Aps traar os pontos e os Limites de Controle, o grfico ser formatado como mostra a figura abaixo:

Carta R
Aps calcular a Mdia e a Amplitude Mdia do processo, necessrio calcular os Limites de Controle da
carta R, que so definidos pelas seguintes frmulas:

Observao: o Limite Inferior de Controle 0, pois este o menor valor no-negativo possvel para a
diferena entre dois valores de amostras.
Substituindo os valores de nosso exemplo na frmula, temos:

Aps traar os pontos e os Limites de Controle, o grfico possuir o seguinte formato:

34

Qual o tipo de Carta de Controle mais adequado ao meu processo?


Talvez essa seja uma das dvidas mais constantes na fase de aprendizagem das Cartas de Controle. Logo
abaixo, so descritas algumas dicas para a escolha da Carta de Controle mais adequada a um processo.

Cartas de Controle por Variveis


Carta X-Am
Esse tipo de carta de controle utilizado quando o tamanho do subgrupo de amostra igual a um, sendo
necessrio calcular a amplitude entre os subgrupos (Amplitude Mvel). Alguns exemplos de aplicao
desta carta so:
Processos homogneos em que no faz sentido subgrupos de amostras com tamanho maior que
uma unidade. Exemplo: o controle de temperatura de um banho qumico;
Quando se tem inspeo 100% automatizada;
Para processos cuja taxa de produo baixa, no faz sentido acumular resultados ao longo do
tempo para a avaliao da estabilidade do processo;
Quando o tamanho de amostra maior que uma unidade for economicamente invivel.

Carta X-R
Esse tipo de carta de controle adequado quando so utilizados subgrupos que possuem entre 2 e 9
amostras. Das cartas de controle por variveis essa a mais frequentemente aplicada na indstria.
Invariavelmente, o tamanho do subgrupo situa-se em torno de 4 ou 5 amostras. Na prtica, o tamanho da
amostra deve ser determinado com base na capacidade de deteco de mudanas.
Porm, medida que o tamanho do subgrupo aumenta, diminui a sensibilidade da amplitude R como
estimador do desvio-padro do processo. Montgomery demonstra que, para subgrupos com tamanho
prximo de 10, a amplitude perde significativamente sua sensibilidade como estimadora (MONTGOMERY,
1991, p. 204). A tabela abaixo apresenta a "eficincia relativa" do estimador R em funo do tamanho do
subgrupo "n":
n

Eficincia relativa

1,000

0,992

0,975

0,955

0,930

10

0,850

Eficincia relativa do estimador R (MONTGOMERY, 1991,p. 204)

35

Carta X-S
Esta uma opo para a carta X-R quando o tamanho das amostras maior ou igual a 10. Na prtica esse
modelo de carta de controle no frequentemente utilizado, pois muitas vezes as amostras desse
tamanho so inviveis economicamente. No entanto, assim como para a carta X-R o tamanho da amostra
deve ser calculado com base na capacidade de deteco de mudanas no processo.
Considere os seguintes subgrupos de amostras para o exemplo de desenvolvimento de uma carta X-S que
possui limite de especificao igual a 2,50, e superior igual a 3,5 e alvo igual a 3,0:

Observe que foram coletadas 25 amostras divididas em 5 subgrupos.

O primeiro passo calcular a mdia do processo, que corresponde soma de todas as amostras dividida
pelo nmero de amostras:

O prximo passo calcular o desvio-padro de cada subgrupo, que dado pela seguinte frmula:
Onde:
X1 representa cada amostra do subgrupo
representa a mdia das amostras do subgrupo

n representa o nmero de amostras do subgrupo


Antes, observe que necessrio calcular a mdia de cada subgrupo:
Mdia do Subgrupo 1 = (2,54 + 2,33 + 3,38 + 3,20 + 2,97) / 5 = 2,884
Mdia do Subgrupo 2 = (2,50 + 3,10 + 2,86 + 2,94 + 3,15) / 5 = 2,91
Mdia do Subgrupo 3 = (2,57 + 2,69 + 3,44 + 2,52 + 2,69) / 5 = 2,782
Mdia do Subgrupo 4 = (2,97 + 2,64 + 2,83 + 3,30 + 3,45) / 5 = 3,038
Mdia do Subgrupo 5 = (3,26 + 2,98 + 2,67 + 3,10 + 3,45) / 5 = 3,092
O desvio-padro de cada subgrupo calculado em relao mdia do subgrupo:

36

O mesmo processo deve ser feito para calcular o desvio-padro dos subgrupos 2, 3, 4 e 5, cujos resultados
so os seguintes:
S2 = 0,257 S3 = 0,375 S4 = 0,333 S5 = 0,295
Aps calcular o desvio-padro de cada subgrupo, deve ser calculado o desvio-padro mdio do processo,
que dado pela seguinte frmula:
Onde:
k representa o nmero de subgrupos

Portanto, o desvio-padro mdio igual a:

Aps calcular o desvio-padro mdio do processo, resta apenas calcular os limites de controle das cartas X
e S.

Limites de Controle da Carta X

Onde:
representa a mdia do processo.
S

representa o desvio-padro mdio do processo.

n representa o nmero de amostras do processo.


A3 representa um fator relacionado ao nmero de amostras do subgrupo.
UCL = Limite Superior de Controle.
LCL = Limite Inferior de Controle.

37

Limites de Controle da Carta S

Onde:
representa o desvio-padro mdio do processo.

n representa o nmero de amostras do processo.


B4 representa um fator relacionado ao nmero de amostras do subgrupo.
B3 representa um fator relacionado ao nmero de amostras do subgrupo.
UCL = Limite Superior de Controle.
LCL = Limite Inferior de Controle.
Os fatores A3, B3 e B4 so conhecidos a partir da seguinte tabela:

38

Portanto, percebe-se que o valor do fator A3 para 5 amostras 1,427, o valor de B3 0,000 e o valor do
fator B4 igual a 2,089.
Com todos os valores j conhecidos, o prximo passo calcular os limites das cartas X e S, conforme as
frmulas que foram citadas anteriormente.
Limites de Controle da Carta X
UCLx = X + A3(n) . S
UCLx = 2,94 + 1,427 . 0,3402
UCLx = 3,425
LCLx = X - A3(n) . S
LCLx = 2,94 - 1,427 . 0,3402
LCLx = 2,455
Limites de Controle da Carta S
UCLs = B4(n) . S
UCLs = 2,089 . 0,3402
UCLs = 0,711
LCLs = B3(n) . S
LCLs = 0,000 . 0,3402
LCLs = 0,000
Para finalizar o desenvolvimento da carta X-S, os grficos devem ser construdos. Para facilitar essa etapa,
utilizamos o software para CEP Datalyzer Spectrum. Observe a figura abaixo:

39

Cartas de Controle por Atributos


Carta p
A carta de controle "p" utilizada quando o caracterstico de qualidade de interesse representado pela
proporo de itens defeituosos produzidos. Alguns exemplos so:
Percentual de componentes eltricos defeituosos produzidos em uma hora de produo;
Percentual de pistes com dimetro fora do especificado produzidos em um turno de trabalho.

Carta c
A carta "c" utilizada quando se deseja controlar o nmero total de defeitos em uma unidade do produto.
Alguns exemplos so:

Nmero de quebras de uma ferramenta durante um ms de trabalho de uma indstria;


Nmero de riscos em uma chapa metlica;
Nmero de soldas defeituosas em um aparelho de rdio;
Nmero de defeitos em 100m de uma tubulao.

Carta u
A carta "u" tem a mesma aplicao da carta "c". A nica diferena que o tamanho do subgrupo para a
carta "u" maior do que um. Assim um exemplo seria o controle do nmero de riscos em duas chapas
metlicas. Logo, para esse caso o tamanho do subgrupo de 2 amostras.

Carta np
A carta "np" aplica-se aos mesmos casos da carta "p". Entretanto, essa carta utilizada quando se deseja
saber o nmero de itens no conformes em vez de conhecer a proporo de itens defeituosos.
idntico carta p, exceto por registrar o nmero real de itens no conformes, ao invs de sua proporo
na amostra. Ambas so apropriadas para as mesmas situaes bsicas, com a escolha indo para Np se (a) o
nmero real de no conformidades mais expressivo ou simples de se registrar que a proporo e, (b) o
tamanho da amostra permanece constante de perodo a perodo. Os detalhes das instrues para a carta
Np so virtualmente os mesmos que para a carta p.
Para a coleta de dados, o tamanho da amostra de inspeo deve ser constante. O perodo de formao dos
subgrupos deve ser compatvel com os intervalos de produo e com os sistemas de "feedback" e as
amostras devem ser grandes o suficiente para permitir que vrios itens no-conformes apaream em cada
subgrupo.
Para o clculo dos limites de controle, primeiro calcula-se o nmero mdio de itens no-conformes do
processo

Onde

so os nmeros de itens no conformes em cada um dos k subgrupos.


40

Com esse dado, o clculo do Limite Superior e Inferior de Controle (LSC, LIC) fica:

onde N o tamanho do subgrupo.


Diferenas bsicas entre as cartas por variveis e por atributos
Uma vantagem das cartas por atributos permitir o controle de mais de um caracterstico de qualidade em
uma nica carta, pois a medio consiste em identificar se o item est conforme ou no conforme em
relao s especificaes de determinados caractersticos de qualidade. Por outro lado, uma carta por
varivel exige geralmente uma medio mais complexa. Basicamente, para cada caracterstico selecionado
necessrio um conjunto de cartas de controle (na realidade so duas cartas: uma para controle da mdia
e outra para controle da disperso do processo). Logo, sob o ponto de vista prtico, as cartas por atributos
so mais fceis de serem manuseadas e apresentam, em geral, um menor custo de medio. Entretanto,
deve-se considerar, ainda sob o ponto de vista do custo de amostragem, que as cartas por variveis exigem
um menor tamanho de subgrupo, fato esse que pode ser vantajoso dependendo do caracterstico de
qualidade (um exemplo so os processos que exigem medies destrutivas).
As cartas por variveis apresentam muito mais informaes (por exemplo, sobre a mdia, a variabilidade e
a capacidade do processo) do que as por atributos, facilitando a identificao do motivo das causas
especiais que ocorrem no processo.

Entretanto, a principal vantagem das cartas por variveis sobre as cartas por atributos relacionada ao
controle do processo em si. As cartas por variveis permitem que aes preventivas sejam executadas
antes que muitas peas defeituosas sejam produzidas. J as por atributos permitem que aes corretivas
sejam executadas aps ter sido produzida uma relativa quantidade de itens defeituosos.

Anlise de Cartas de Controle


Muitas vezes coletamos os dados, criamos a carta de controle, porm no sabemos analisar essa
ferramenta essencial para o controle estatstico de processo.
Werkema(1995b, p. 209-212) sugere uma sequncia de passos para anlise das cartas de controle:
1) Construir limites de controle experimentais aps a coleta de dados segundo o Plano de Amostragem;
2) Verificar se todos os pontos esto dentro dos limites de controle e nenhuma configurao aleatria est
presente. Se essas duas condies forem satisfeitas, pode-se afirmar que o processo est sob controle
estatstico, e o prximo passo avaliar a capacidade do processo.

41

3) Caso haja pontos fora dos limites de controle e/ou alguma configurao no-aleatria, pode-se concluir
que o processo est fora do estado de controle estatstico. Neste caso, devem ser identificadas as causas
especiais que causaram cada ponto. Aps isso, esses pontos devem ser eliminados da amostragem, novos
limites experimentais devem ser calculados e a anlise deve ser realizada novamente. Esses passos devem
ser executados at que se conclua que o processo est fora ou sob controle estatstico. Em alguns casos, se
os passos forem executados continuamente, podem restar poucos pontos para anlise, o que diminui a
representatividade do processo. A soluo nesses casos coletar novas amostras e reiniciar a anlise.
Encontrar os pontos fora dos limites de controle uma tarefa fcil, mas identificar configuraes no
aleatrias uma tarefa que gera muitas dvidas. Para esclarec-las, mostraremos logo abaixo os padres
apresentados por Werkema (1995, P. 218-222).
Os padres de referncia relativos s configuraes no aleatrias foram estabelecidos para facilitar a
deteco de variaes relativas a causas especiais. Esses padres foram elaborados a partir das
propriedades da distribuio normal, atravs de regras estatsticas relativamente simples.
a) Pontos fora dos limites de controle

uma das formas mais evidentes da falta de controle estatstico de um processo. Neste caso, as causas
especiais podem estar relacionadas a dados gerados por procedimentos incorretos de coleta de dados ou
equipamentos descalibrados.
b) Sequncia

O principal padro de sequncia quando 7 ou mais pontos consecutivos aparecem em apenas um


dos lados, abaixo ou acima, da linha mdia.
As sequncias so mais difceis de serem detectadas, pois necessrio analisar se as causas
especiais que ocorrerem no processo iro melhor-lo ou prejudic-lo. Geralmente, as sequncias
esto relacionadas a mudanas significativas no processo, causadas por matria-prima, mudanas
de equipamentos, alteraes de procedimentos operacionais, etc.

42

c) Periodicidade

A periodicidade uma configurao detectvel em longo prazo. Os pontos so distribudos no grfico


como uma curva que apresenta uma tendncia alternada para cima e para baixo. Essa variao pode ser
associada, por exemplo, rotatividade de operadores.
d) Tendncias

Uma tendncia pode ser detectada por 7 ou mais pontos, ascendentes ou descendentes. Algumas causas
dessa configurao so: desgaste de ferramentas, mudana nas condies ambientais (temperatura,
umidade, presso, etc).
e) Aproximao dos limites de controle

Essa configurao caracterizada por 2 ou mais pontos fora dos limites 2-sigma da carta de controle. As
aproximaes dos limites de controle so tpicas de grandes ajustes no processo. Isso ocorre quando os
operadores tentam ajustar o processo frequentemente de acordo com as causas comuns, e no as
especiais.
43

f) Aproximao da mdia
Essa configurao perigosa, pois apesar de aparentar estabilidade, pode representar instabilidades do
processo.
As configuraes exibidas anteriormente so vlidas para todas as cartas de controle convencionais: X-R, XS, carta p, carta np, carta c e carta u. No caso da carta X-AM, a nica configurao vlida a existncia de
pontos fora dos limites de controle, pois os pontos nesta carta guardam uma correlao entre si.
Outro ponto a ser observado que esses padres no sero regras para todos os processos, pois, em um
determinado processo, 7 pontos consecutivos podem ser considerados normais.

PPM (partes por milho)


Introduo
Os efeitos de sade de toda substncia txica so relacionados quantidade de exposio, tambm
conhecida como dose. Quanto maior a dose, mais severos os efeitos.
Alguns produtos qumicos podem causar intoxicao em doses muito baixas e assim importante
compreender como estas quantidades muito pequenas so descritas.
especialmente importante compreender como as doses baixas se comparam a outras e o que
representam quando comparadas s quantidades de substncias familiares.
Partes por milho (PPM), partes por bilho (PPB) e partes por trilho so termos comumente usados para
descrever quantidades muito pequenas de uma substncia no nosso ambiente. Mas o que esses termos
representam? Eles so medidas de concentrao, ou seja, a quantidade de um material em uma grande
quantidade de outro material. Por exemplo, o peso de uma substncia qumica txica em certo peso de
comida. Outro exemplo: cientistas podem medir a concentrao de uma substncia qumica em grandes
lagos observando pequenas amostras. Eles no medem a quantidade total de substncias ou a quantidade
de gua de todos os lagos.
Um exemplo pode ajudar a ilustrar a ideia de partes por...
Se voc divide uma torta igualmente em 10 partes, ento cada parte seria uma parte por 10; por exemplo,
1/10 da torta total. Se voc cortasse esta torta em 1 milho de partes, cada parte seria muito pequena e
seria representada como 1 milionsimo da torta total ou 1 parte por milho da torta original. Se voc
cortasse cada uma dessas partes em 1000 pequenas partes, ento cada uma dessas novas partes seria 1
parte por bilho da torta original. Dando uma ideia de como isso seria pequeno, um gro de sal em 10
toneladas de batata chips tambm 1 parte por bilho.
Neste exemplo, as partes da torta foram compostas do mesmo material que o todo. Entretanto, se
houvesse um contaminador na torta em um nvel de uma parte por bilho, uma destas partes invisveis de
torta seria composta do contaminador e as outras 999.999.999 partes seriam puras.
Similarmente, uma parte por bilho de uma impureza na gua representa uma frao minscula da
quantidade total de gua.
44

Comparaes e Converses
s vezes, em vez de usar a terminologia parte por , as concentraes so relatadas em unidades de
peso; como o peso da impureza comparado ao peso do total.
O sistema mtrico a maneira mais conveniente de expressar isto desde que as unidades mtricas vo por
etapas de dez, de cem e de mil.
Por exemplo, um miligrama um milsimo de um grama e um grama um milsimo de um quilograma.
Assim, um miligrama um milsimo de um milsimo, ou um milionsimo, de um quilograma. Um
miligrama uma parte por milho de um quilograma assim, uma poro por milho (PPM) o mesmo que
um miligrama por quilograma.
A parte por milho abreviada como PPM, um miligrama por quilograma tem sua prpria abreviatura mg/kg. Usando nossas abreviaturas, um PPM igual a um mg/kg.
Quilogramas e miligramas so unidades de peso que no se aplicam a volumes de lquidos ou gases. Em
vez de um quilograma, a unidade de volume de lquido mais usada o litro. Um litro de gua pesa um
quilograma. Se o contaminador um slido, medido em miligramas. Assim, 1 parte por milho de um
slido em um lquido pode ser escrita com um miligrama por litro e abreviado por mg/l.
Estas so as unidades mais comuns que so encontradas. Entretanto, com a habilidade de detectar mesmo
quantidades menores de contaminadores, o termo parte por bilho e a parte por trilho esto se tornando
mais comuns. No sistema mtrico de peso, um micrograma um milsimo de um miligrama.
Desde que um miligrama um milionsimo de um quilograma, e o micrograma mil vezes menor, que
equivalente a um bilionsimo de um quilograma.

Clculo do ndice PPM


Introduo
O ndice PPM calculado baseado nos limites de especificao e na curva de distribuio dos dados, ou
seja, uma estatstica de quantas no conformidades podem ocorrer em um milho.
O PPM resulta da soma das no conformidades que esto abaixo do Limite Inferior de Especificao e as
no conformidades que esto acima do Limite Superior de Especificao
PPM Superior = 1.000.000 * (1 - F(LSE))
PPM Inferior = 1.000.000 * F(LIE)
Onde:
F(X) o coeficiente da distribuio usada;
LIE o Limite Inferior de Especificao; e
LSE o Limite Superior de Especificao.
PPM Total = PPM Superior + PPM Inferior
45

BIBLIOGRAFIA
http://www.eps.ufsc.br/disserta98/marcio/cap5c.html,
http://teses.eps.ufsc.br/defesa/pdf/8213.pdf,
Srie "As Sete Ferramentas do Controle da Qualidade" - Carta de Controle
http://www.datalyzer.com.br/site/suporte/administrador/info/arquivos/info52/52.html
Introduo s Cartas por Atributos
http://www.datalyzer.com.br/site/suporte/administrador/info/arquivos/info30/30.html
http://www.eps.ufsc.br/disserta98/marcio/cap5e.html
http://portal.vanzolini-ead.org.br/siteBuilder/upload/br/site_141/arquivos/secao_488/Johnson.pdf.
http://mea.pucminas.br/palma/metrolapostcep.pdf.
http://extoxnet.orst.edu/tibs/partperm.htm
SAMOHYL, ROBERT WAYNE. Controle Estatstico da Qualidade. 1 edio. Campus, 2009.
COSTA, A. F. B., EPPRECHT, E. K., CARPINETTI, L. C. R. Controle estatstico de qualidade. 2 edio. So
Paulo: Atlas,2005.
LAUGENI, F. P. & Martins P. G. Administrao da Produo. 4 ed. So Paulo: Saraiva,
RITZMAN, L. P. & KRAJEWSKI, L. J. Administrao da Produo e Operaes. 8 ed. So Paulo: Pearson.
2009.
NIGEL, Slack & STUART, Chambers & ROBERT, Johnston. Administrao da Produo. 3 ed. So Paulo:
Atlas
BEHNKE, Karl. Improving Process Quality Through Variation Reduction, Farmington, 2004
CAMPOS, V. F. TQC - Controle da Qualidade Total (no estilo japons). 4. ed. Rio de Janeiro: Bloch
Editores S.A., 1994
DEMING, E. The New Economics for Industry, Government and Education. Ed. Cambridge, 2nd Ed., 1994
DEMING, E., citado em Statistical Quality Control, 6th Ed., Eugene L. Grant e Richard S. Leavenworth, New
York, 1988, pg.31
ISHIKAWA, K. Controle de Qualidade Total Maneira Japonesa. Rio de Janeiro, Ed. Campus, 1993
SIQUEIRA, L. Controle Estatstico do Processo. So Paulo, Ed. Pioneira, 1997
WERKEMA, M. Ferramentas Estatsticas Bsicas para o Gerenciamento do Processo. Belo Horizonte, Ed.
FCO-UFMG, V.2, 1995
ABNT. NBR ISO 19011 (2002) Diretrizes para Auditorias de Sistema de Gesto da Qualidade e/ou
Ambiental. Rio de Janeiro, 2002
MONTGOMERY, D. C. Introduo ao Controle Estatstico da Qualidade. 4 Edio. Rio de Janeiro:
Editora LTC Livros Tcnicos e Cientficos S.A, 1994.
PALADINI, E. P. Gesto da Qualidade no Processo. 1 ed. So Paulo: Editora Atlas, 1995.
RAMOS, A. W. Controle Estatstico de Processo. 2000.
SOUZA, F. S.; PEDRINI, D. C.; CATEN, C. S. ndices de capacidade do processo: comparao entre ndices
tradicionais e ndices para grficos de controle de regresso. 16 SIMPEP, 2010.

46