Académique Documents
Professionnel Documents
Culture Documents
Ferramentas da Qualidade
Ferramentas Clássicas da Qualidade
Coordenação
Versão
Data
Condições de utilização
O presente manual destina-se ao curso de Ferramentas da Qualidade, sendo o conteúdo o mesmo, propriedade da
Set & Start Focus, Lda.
A sua duplicação para outros fins só poderá ser feita, mediante autorização expressa da Set & Start Focus, Lda.
O Manual está estruturado de acordo com o índice e os conteúdos inseridos estão adaptados em função dos objetivos
/competências do curso e do público-alvo, sendo um instrumento de apoio à realização da ação de formação.
- Articular as várias ferramentas da qualidade, colocando em relevo o seu forte conteúdo visual e
enfatizando o trabalho de equipa.
Objetivos Específicos
Publico Alvo
Público em geral com o objetivo de adquirir e desenvolver competências para implementar e gerir
processos de gestão da qualidade com recurso a ferramentas adequadas.
A experiência quotidiana demonstra ser inevitável encontrar diferenças (por mais pequenas que estas
sejam) entre duas peças ou objetos que aparentam, à primeira vista, ser idênticas. A mediação,
quantificação e redução de tais diferenças, que constituem variações em torno do valor ou característica
pretendida, são o objeto da melhoria de qualquer processo produtivo ou serviço.
A estatística revela-se fundamental nesta fase do processo ao se apresentar como uma ferramenta eficaz
na recolha, compilação, tratamento e análise dos dados recolhidos. Por ser impraticável (em termos de
tempo e custos), e na maior parte das vezes impossível, o conhecimento da característica em questão
relativamente a toda a produção, torna-se mais compensatório fazer a análise de apenas uma pequena
parte desta (amostra) generalizando depois as conclusões tiradas ao resto da produção (população). O
recurso à amostragem justifica-se sempre que é impossível analisar toda a população devido à sua grande
dimensão, quando não existem recursos disponíveis ou vantagens em inspecionar a 100%, quando se
utilizam testes destrutivos (por exemplo testes de tacão ou de compressão), quando o teste a toda a
população se torna perigoso (por exemplo o teste de um novo medicamento) ou quando os custos
associados à inspeção se tornam demasiado elevados.
A validade das conclusões sobre uma população depende, no entanto, do facto da recolha da amostra ser
feita coerentemente e por forma a representar toda a população: amostragem aleatória. É aqui que
começa a intervenção da estatística, intervenção essa que se irá prolongar pelo tratamento e análise dos
dados, pelas conclusões e sua generalização. O grau de confiança depositado nas inferências efetuadas
poderá também depois ser avaliado através de métodos estatísticos.
As ferramentas estatísticas são utilizadas na indústria por se ter a consciência que ao remover as causas
dos problemas se obtém uma maior produtividade e que a resolução de problemas utilizando técnicas
gráficas e específicas produz melhores resultados do que os processos de procura não estruturados. Tais
técnicas, que permitem saber onde estão os problemas, qual a sua importância relativa e que alterações
irão provocar os efeitos desejados, podem ser divididas em quatro grupos distintos:
b) Ferramentas intermédias
Técnicas de amostragem
Inferência estatística
Métodos não paramétricos
c) Ferramentas avançadas
Métodos de Taguchi (desenho de experiências)
Análises multi-variáveis
Análise de séries temporais
Técnicas de investigação operacional
d) Ferramentas de planeamento
Desenvolvimento da função qualidade (QFD)
Análise modal de falhas e efeitos (AMFE)
Pareto
Gráficos
Folha de verificação
Ishikawa
Carta de controlo
1.1 Fluxograma
O fluxograma (ou flowsheet) é uma das primeiras ferramentas a utilizar quando se pretende estudar um
processo. Trata-se de um diagrama sistemático que pretende representar de uma forma bastante
simples, ordenada e facilmente compreensível as várias fases de qualquer procedimento, processo de
fabrico, funcionamento de sistemas ou equipamentos, etc., bem assim como as relações de dependência
entre elas. Estes diagramas são constituídos por passos sequenciais de ação e decisão, cada um dos quais
representado por simbologia própria que ajuda a compreender a sua natureza: início, ação, decisão, etc.
Início do
processo
Fase do processo
Controlo
Decisão
Final do processo
Exemplo 1
Tem N
Comprar
máquin
S a?
Tem N
Comprar
rolo?
S
Escolher o objetivo
Enquadrar
S Máquina
automática?
N
N N
Boa luz? Tem flash?
S S
Ligar
Deixar a máquina
ajustar a velocidade,
abertura e focar
Regular velocidade
Regular abertura
Focar
A utilização de fluxogramas permite a identificação de possíveis causas e origens para problemas surgidos
na linha de fabrico, assim como contribuí para, ao detectar passos desnecessários no processo, efectuar
nele simplificações significativas. Nos fluxogramas dos processos, o controlo de qualidade encontra-se
associado aos pontos de decisão.
A grande aplicabilidade deste princípio à resolução dos problemas da qualidade reside precisamente no
facto de ajudar a identificar o reduzido número de causas que estão muitas vezes por trás de uma grande
parte dos problemas e variações que ocorrem. Uma vez identificadas dever-se-á proceder à sua análise,
estudo e implementação de processos que conduzam à sua redução ou eliminação.
O princípio de Pareto pode ser usado para diferentes tipos de aplicações em termos de qualidade. Assim,
uma vez que os problemas da qualidade aparecem normalmente sobre a forma de perdas (items
defeituosos e seus custos), é de extrema importância tentar esclarecer o porquê da sua ocorrência. A
análise de Pareto diz que, em muitos casos, a maior parte das perdas que se fazem sentir são devidas a
um pequeno número de defeitos considerados vitais (vital few). Os restantes defeitos, que dão origem a
poucas perdas, são considerados triviais (trivial many) e não constituem qualquer perigo sério. Por outro
lado, este princípio pode também ser aplicado à redução dos custos de defeitos. Tais custos compõem-se
principalmente do custo das reparações e das rejeições devidos a defeitos nos produtos em curso de
fabrico ou devolvidos pelos clientes. Mais uma vez o que se verifica é que uma pequena porção (cerca de
20%) dos produtos defeituosos ou do número de defeitos de uma mesma produção é muitas vezes
É na deteção das 20% das causas que dão origem a 80% dos efeitos que o que o diagrama de Pareto se
revela uma ferramenta muito eficiente. Trata-se de uma representação gráfica ordenada na qual, para
cada causa se representa, sob a forma de barras, a respetiva consequência (nº. de defeitos, custo, etc.). A
elaboração deste tipo de diagrama pode ser sistematizada da seguinte forma:
1. Decidir o tipo de problema a ser investigado (exº: nº. de items defeituosos, perdas em valores
monetários, ocorrência de acidentes);
2. Identificar e listar o tipo de causas que lhe dá origem (exº. processo, máquina, operador,
método);
3. Recolher dados e, para cada tipo de causa, registar o nº. de vezes que estes contribuem para o
efeito em questão;
4. Ordenar as causas por ordem decrescente da respetiva frequência começando pela classe com
maior frequência. Se várias das causas apresentarem uma frequência de ocorrência de defeitos
muito baixa quando comparadas com as outras, elas poderão ser reunidas numa única classe
denominada “outros”;
6. Desenhar a curva acumulada (curva de Pareto) ao unir com segmentos de reta os valores
percentuais acumulados até cada item;
7. Descobertas as causas das não-conformidades mais importantes há depois que tomar as ações
corretivas apropriadas para as eliminar.
Num processo de fabrico de peças de plástico aparecem os defeitos abaixo indicados com as respectivas
ocorrências e custos associados. Construir o respectivo diagrama de Pareto.
Fissuras 10 50
Bolhas 2 50
Rebarbas 56 5
Falta de 3 50
material
Descoloração 3 50
Borbotos 24 30
Picadelas 2 50
Resolução:
Nº. de % acumulada de
Tipo de % de peças
peças peças
defeitos defeituosas
defeituosas defeituosas
Rebarbas 56 56 56
Borbotos 24 24 80
Fissuras 10 10 90
Falta de 3 3 93
material
Descoloração 3 3 96
Bolhas 2 2 98
Picadelas 2 2 100
60 100
90
50 80
70
40
60
30 50
40
20
30
20
10
10
0 0
Rebarbas Borbotos Fissuras Falta de material Descoloração Bolhas Picadelas
Tipo de defeitos
Pela análise do gráfico verifica-se que, dos 7 defeitos, 2 deles (29%) são responsáveis por 80% do número de peças defeituosas.
Sempre que possível, e uma vez que as implicações financeiras de um problema são da máxima
importância, dever-se-á associar um valor monetário aos dados no traçado dos diagramas de Pareto.
Desta forma conseguir-se-ão detetar quais as razões responsáveis pela grande maioria dos custos e, por
conseguinte, aquelas que sob o ponto de vista financeiro convém reduzir.
Custo unitário
Tipo de defeitos Custo total
reparação/sucata
Rebarbas 5 280
Borbotos 30 720
Fissuras 50 500
Falta de 50 150
material
Descoloração 50 150
Bolhas 50 100
Picadelas 50 100
% do custo acumulada
Tipo de defeitos Custo total
total do custo
total
Borbotos 720 36 36
Fissuras 500 25 61
Rebarbas 280 14 75
Bolhas 100 5 95
800 100
700 90
80
600
70
500 60
400 50
40
300
30
200
20
100 10
0 0
Borbotos Fissuras Rebarbas Falta de material Descoloração Bolhas Picadelas
Tipo de defeitos
Apesar dos borbotos constituírem apenas 24% das peças defeituosas e as fissuras 10% destas, são eles os
principais responsáveis pela grande maioria dos custos: 36% dos custos são devidos às peças com
borbotos e 25% dos custos às peças com fissuras. As rebarbas que, como visto atrás totalizavam 56% das
peças defeituosas, são apenas responsáveis por 14% dos custos.
O procedimento a seguir para elaborar um diagrama deste tipo pode ser sistematizado da forma seguinte:
Identificar as causas (secundárias ou causas de nível 2) que afetam as causas primárias anteriormente
identificadas, bem assim como aquelas (causas terciárias) que afetam as causas secundárias, etc. Cada um
destes níveis irá constituir ramificações nas causas de nível imediatamente inferior.
Àlcool Urgência
Motor Aerodinâmica
Excesso carga Àlcool Piso Excesso de consumo
Mau estado de combustível
Tipo e condição
Óleo do piso
Pneus
Velas Clima Condições
Pressão Trânsito atmosféricas
Filtros Escape
Um outro tipo de diagrama de causa e efeito que se pode construir é o diagrama de classificação do
processo. Tal consiste em, a partir do diagrama de fluxo do processo em causa, ir identificando para cada
fase todas as potenciais causas ou características que influenciam a qualidade.
A combinação dos diagramas de Causa e Efeito e diagramas de Pareto revela-se extremamente útil na
resolução de problemas.
5. para cada valor da característica, desenhar uma barra cuja altura seja proporcional à
frequência com que esse valor ocorre. As barras correspondentes a valores consecutivos devem estar
todas unidas e todas elas apresentam normalmente larguras semelhantes.
Exemplo 4
12 13 10
10 15 11
12 11 14
9 12 13
12 13 12
9 | 1 1 6,7 6,7
10 || 2 3 13,3 20
11 || 2 5 13,3 33,3
14 | 1 14 6,7 93,3
15 | 1 15 6,7 100
0
9 10 11 12 13 14 15
Nº. clientes
15
10
0
9 10 11 12 13 14 15
Nº. clientes
35
30
25
20
15
10
5
0
9 10 11 12 13 14 15
Nº. clientes
100
90
80
70
60
50
40
30
20
10
0
9 10 11 12 13 14 15
Ferramentas da Qualidade |pág. 18
Nº. clientes
A utilização de classes (intervalos de valores) é comum quando as variáveis são do tipo contínuo ou
quando a amplitude dos valores é muito grande. No primeiro dos casos torna-se muito difícil a contagem
da frequência com que cada valor ocorre, enquanto que no segundo se corre o risco de perder ao
definição da forma da distribuição devido ao grande número de valores com frequências muito
semelhantes.
Os intervalos das classes são usualmente de igual amplitude por forma a que a altura das barras seja
proporcional à frequência que representam. Um dos aspectos a ter em conta no estabelecimento das
classes é que se deverá sempre garantir que o limite inferior da primeira classe seja menor ou igual ao
menor dos valores observados, da mesma forma que o limite superior da última classe deverá ser maior
ou igual ao maior dos valores observados. Por outro lado, deverá ficar desde logo estabelecido se os
limites das classes são inclusivos ou exclusivos, isto é, cada valor só poderá pertencer a um único
intervalo, razão pela qual se os limites superiores das classes forem fechados (i.e. o máximo dos valores
encontra-se incluído nesse intervalo), os limites inferiores das classes que a sucedem deverão ser abertos e
vice-versa.
Não existem regras exactas sobre a forma de determinar o número e a amplitude das classes a
considerar. Como referência, sendo N o número total de dados, poder-se-ão utilizar as fórmulas seguintes
para a determinação do número aproximado de classes
log N
n º de classes = 1 +
log 2
ou
n º de classes = N
20 a 50 6
51 a 100 7
101 a 200 8
201 a 500 9
501 a 1000 10
> 1000 11 a 20
Como foi referido, estes métodos permitem estimar um número aproximado de classes a utilizar. A
correcta amplitude de cada uma (e consequentemente o número de classes) poderá também ser
determinada por simples inspecção dos dados da forma que mais convenha para estabelecer a amplitude
dos intervalos (por exemplo de 5 em 5 ou de 0,02 em 0,02) desde que daí não resulte um número de
classes exageradamente grande ou pequeno que conduza à total perda de definição da forma do
histograma.
Exemplo 5
Construir o histograma das frequências absolutas e frequências absolutas acumuladas que represente a
variação do diâmetro de uma peça
2,525 2,543 2,532 2,510 2,517 2,522 2,519 2,510 2,511 2,522
2,527 2,529 2,518 2,527 2,528 2,521 2,519 2,531 2,511 2,519
2,527 2,536 2,506 2,541 2,512 2,515 2,521 2,536 2,529 2,524
2,534 2,518 2,538 2,543 2,528 2,519 2,523 2,523 2,529 2,523
2,520 2,522 2,524 2,545 2,531 2,519 2,519 2,529 2,522 2,513
2,515 2,519 2,527 2,542 2,528 2,540 2,522 2,526 2,520 2,525
2,520 2,514 2,512 2,534 2,526 2,530 2,532 2,526 2,523 2,520
2,510 2,524 2,521 2,535 2,528 2,523 2,525 2,522 2,530 2,514
Neste caso existem 90 dados que variam entre 2,502 e 2,545 (amplitude total = 0,043). Por forma a
estabelecer o número e a amplitude das classes, é de ter em atenção que os valores 2,502 e 2,545 devem
também estar incluídos, pelo que será razoável que a gama total coberta pelas classes varie entre 2,500 e
2,550. Ao utilizar as fórmulas anteriores para prever o número de intervalos, verifica-se que este pode
variar entre 7 (pela tabela) e 9. Há também que ter em linha de consideração a melhor forma de estipular
a sua amplitude por forma a que seja lógica a marcação dos seus limites. Por simples inspecção dos
valores apresentados parece apropriado fazer uma divisão em classes com uma amplitude de 0,005. Mais
uma vez é importante relembrar a necessidade de definir desde logo a natureza dos limites inferiores e
superiores (i.e. abertos ou fechados). Apresenta-se de seguida a tabela de frequências bem como os
histogramas de frequências absolutas e frequências absolutas acumuladas contruídos a partir desta.
Frequência Frequência
absoluta absoluta
acumulada
Classe
2,500;2,505 \ 1 1
2,505;2,510 \ 1 2
2,510;2,515 \\\\\\\\\\ 10 12
2,515;2,520 \\\\\\\\\\\\ 12 24
2,520;2,525 \\\\\\\\\\\\\\\\\\\\\\\ 23 47
2,525;2,530 \\\\\\\\\\\\\\\\\\\ 19 66
2,530;2,535 \\\\\\\\\\\ 11 77
2,535;2,540 \\\\\ 5 82
2,540;2,545 \\\\\\\ 7 89
2,545;2,550 \ 1 90
25 90
80
20 70
60
15
50
40
10
30
5 20
10
0 0 Ferramentas da Qualidade |pág. 21
2,500 2,505 2,510 2,515 2,520 2,525 2,530 2,535 2,540 2,545 2,550 2,500 2,505 2,510 2,515 2,520 2,525 2,530 2,535 2,540 2,545 2,550
No que respeita à centralidade, podemos considerar os diagramas de tendência central representados nas
figuras 3a. Neste tipo de representações (muitas vezes simétricas) a maior frequência corresponde ao
valor médio que se encontra centrado relativamente aos restantes dados. Tendências não centrais podem
ser observadas nos histogramas representados na figura 3c e 3d. O primeiro destes apresenta uma
tendência assimétrica do tipo negativo (deslocado para a direita) verificando-se que a diminuição da
frequência é abrupta para a direita e mais lenta para o lado esquerdo. Tendências assimétricas do tipo
positivo correspondem a histogramas deslocados para a esquerda.
50 45
45
a 40 b
40
35
35
30
30
25
25
20
20
15
15
10
10
5 5
0 0
A B C D E F G A B C D E F G H I
Característica Categoria
60 60
50
c 50
d
40 40
30 30
20 20
10 10
0 0
A B C D E F G H I A B C D E F G H I
Característica Característica
Na figura 3b encontra-se representada um histograma multi-modal (i.e. apresenta mais do que um valor
máximo) também conhecido como histograma do tipo pente. Estes histogramas são particularmente
importantes uma vez que podem indicar que aí estão representadas duas populações distintas, cada uma
das quais apresentando distribuições de frequências que se sobrepõem mas que apresentam máximos
não coincidentes.
Quando as frequências dos valores ou classes são mais ou menos idênticas, o histograma pode ainda
tomar um aspecto achatado. Se se estiver a trabalhar com classes, o ideal neste tipo de situações será
tentar redifinir os intervalos por forma a conseguir procurar uma forma no histograma com base na qual
seja possível tirar conclusões.
É ainda de referir a possibilidade de surgir nos histogramas um pico isolado. Tal é comum quando se
verifica uma pequena inclusão de dados provenientes de uma distribuição diferente que podem, por
exemplo, ser devidos à ocorrência de causas especias no processo conducentes a valores atípicos.
80
80
70
b
70 a
60
60
50
50
40
40
30
30
20 20
10 10
0 0
A B C D E F G H I J K L M N O P Q R S T U A B C D E F G H I J K L M N O P Q R S T U
Característica Característica
Figura 4 - Possíveis formas de um histograma em termos de dispersão em torno do valor com maior
frequência
Em termos de dispersão, os valores podem ser bastante concentrados em torno do valor com maior
frequência (Figura 4a) ou, alternativamente, apresentar apresentar uma grande dispersão em torno dele
Outra das utilidades dos histogramas consiste na possibilidade de, dados os limites de especificação
(tolerâncias), verificar em que medida essas especificações estão a ser obedecidas.
a b
c d
Nos casos retratados nas Figuras 5a e 5b os limites de especificação são obedecidas pelo, à partida, a
produção obedece às especificações pré-definidas. No entanto, enquanto que na Figura 5a existe uma
folga que permite que a eventual ocorrência de pequenas variações não conduza a uma produção fora
dos limites, o mesmo não se verifica na Figura 5b. Aqui, uma vez que não existe qualquer margem extra, é
Nas restantes Figuras (5c, 5d e 5e) o histograma não obedece às especificações pelo que há que tomar
medidas para centrar o processo para valores próximos do valor nominal óptimo (Figura 5c) e para reduzir
a variação (Figuras 5d e 5e).
Juntamente com os histogramas, existe todo um conjunto de estatísticas amostrais que é possível calcular
e que não só são medidas da centralidade e dispersão dos dados como também ajudam a interpretar os
histogramas do processo.
O cálculo da média aritmética pode ser feita por várias formas diferentes consoante os dados são do tipo
discreto ou contínuo e se se encontram ou não agrupados em classes. Assim, no caso dos dados não se
encontrarem agrupados em classes, a sua média aritmética é determinada simplesmente somando-os
todos e dividindo pelo número total de dados (n) de acordo com a seguinte fórmula:
1 n
X xi
n i 1
n
X fi x i
i 1
em que fi representa a frequência relativa de cada valor xi e n o número total de valores cuja média se
está a calcular.
No caso dos valores se encontrarem agrupados em J classes o cálculo da sua média é aproximado através
da fórmula
J
X fj M j
j 1
A mediana é outra das medidas de tendência central a considerar. Este parâmetro estatístico é definido
como sendo o valor que, numa série de n valores observados e ordenados por ordem crescente os divide
em dois grupos com o mesmo número de elementos. Assim, se o número total de valores for ímpar, a
mediana será o valor central do conjunto. Por exemplo, para o conjunto de valores
2 2 5 7 7 10 19 30 31
a mediana será o valor 7 uma vez que à sua direita ficam o mesmo número de valores que à sua esquerda
(i.e. 4).
No caso do número total de valores ser par, a mediana será a média aritmética dos dois valores que
dividem a série (previamente ordenada) em dois grupos iguais: Assim, para o conjunto de valores
2 4 4 5 9 10 15 16 16 20
Quando estamos em presença de variáveis do tipo contínuo ordenadas em classes há que, numa fase
inicial, definir a classe mediana como sendo a que contém o termo central dos dados. Se f representar a
frequência relativa dessa classe, LI for o seu limite inferior, D a sua amplitude e fa- a frequência relativa
acumulada da célula que a precede, a mediana poderá ser estimada através da fórmula
0 , 5 fa
Md LI
f
A última medida de tendência central que interessa para já considerar é a moda. Esta indica o valor ou
gama de valores na qual a concentração dos dados é máxima.
Quando os dados amostrais são realizações de uma variável discreta, a moda será o valor dos dados que
ocorre com maior frequência, isto é, o valor que mais se repete. Em ambos os atrás apresentados existem
então duas modas: no primeiro caso estas são 2 e 7 e no segundo 4 e 16.
Se estivermos a tratar com variáveis contínuas agrupadas em classes, pode-se, por aproximação, dizer
que a moda coincide com o ponto médio da classe modal, isto é, da classe com maior frequência. No
Se um histograma for perfeitamente simétrico verifica-se que média, mediana e moda coincidem. Tal já
não acontece no caso de histogramas assimétricos. Se a assimetria for positiva (histograma deslocado
para a esquerda) o que acontece na maior parte dos casos é que a mediana < média < moda. Esta
situação inverte-se para histogramas com assimetria negativa.
R = xmax - xmín
A outra medida do grau de dispersão dos n valores xi observados é o desvio padrão (s) que pode ser
calculado através da fórmula
n
2
( xi X )
i1
s
n1
ou
n n
2
s fi ( x i X )
n 1 i 1
cuja média vale 4 e a amplitude 7, o seu desvio padrão será calculado da seguinte forma
2 2 2 2
( 2 4 ) ( 5 4 ) ( 8 4 ) (1 4 ) 4 1 16 9 30
s 10 3 ,16
4 1 3 3
Quanto maior for o desvio padrão maior será a dispersão dos valores em torno da média.
À medida que o número de dados aumenta (n>30) torna-se, na fórmula do desvio padrão, indiferente
dividir por n ou por n-1, pelo que é válido fazer a aproximação de n n-1. Neste caso o desvio padrão da
amostra (s) tenderá para o desvio padrão da população (s).
Na análise destes gráficos a primeira coisa a fazer será verificar se existem ou não pontos nitidamente
afastados do grupo principal (pontos com comportamento atípico). O afastamento desses pontos poderá
ser explicado por eventuais erros na medição ou registo de dados, bem assim como por variações
ocorridas durante o processo. Pontos atípicos deverão ser excluídos da análise, não sem no entanto
tentar descobrir a causa de tal comportamento. Da marcação dos pontos poderão surgir uma das três
situações ilustradas abaixo: (a) correlação positiva (em que o aumento de uma variável conduz ao
aumento da outra), (b) correlação negativa (em que o aumento de uma variável conduz à diminuição da
outra) e (c) ausência de correlação (quando não parece haver qualquer tipo de ligação entre as variáveis
consideradas).
Figura 6 - Tipos de correlação que se podem obter: (a) positiva, (b) negativa e (c) sem qualquer tipo de
correlação
Exemplo 6
Verificar se existe algum tipo de relação entre as alturas e os pesos de um grupo de pessoas
1,57 60
2,00 95
1,67 66
1,90 85
1,50 45
1,75 78
1,63 64
1,78 75
1,94 92
1,82 80
1,77 75
100
90
80
Peso (kg)
70
60
50
40
1,4 1,6 1,8 2
Altura (m)
Por simples inspeção do gráfico resultante parece ser óbvio que o peso das pessoas parece aumentar com
a sua altura tratando-se, por isso, de uma correlação do tipo positivo. No entanto, e dado que a altura não
é a única condicionante do peso, verifica-se a existência de situações em que uma menor altura implica,
no entanto, um maior peso.
As correlações entre as variáveis podem ser de vários tipos: lineares, quadráticas, cúbicas, logarítmicas,
etc. Por forma a poder prever o comportamento de uma das variáveis em função da outra é útil conseguir
encontrar aquilo a que se chama função ou equação de ajuste. Trata-se da equação matemática que
melhor ajusta o comportamento e a dependência dos dados e que é função do tipo de dependência que
existe entre elas. Por exemplo, quando o aumento de uma variável implica o aumento da outra (tal como
no exercício anterior) a função de ajuste assume normalmente a equação de uma reta do tipo y = a + b x
em que y representa a variável dependente (no caso do exercício anterior y seria o peso) e x a variável
dependente (no caso do exercício anterior x seria a altura). Desta forma, e se conseguirmos uma reta que
aproxime a evolução dos pontos de uma forma razoável, será possível prever y (i.e. o peso de uma
pessoa) se soubermos o valor x (i.e. a sua altura) e vice versa. Tal previsão poderá ser mais ou menos
exata consoante o modelo se ajusta melhor ou pior aos dados. O coeficiente de correlação (r) é um
parâmetro que permite avaliar se o ajuste feito é ou não bom. Os valores admissíveis para r variam entre
-1 e 1 (-1 r 1). Se r assumir valores negativos (-1 r < 0) isso significa que a correlação é do tipo
Voltando ao exemplo 6, se tentarmos passar uma reta pelos vários pontos veremos que aquela que
melhor os ajusta é a que tem por equação
90
80
Peso (kg) 70
60
50
40
1,4 1,6 1,8 2
Altura (m)
O coeficiente de correlação (r) para este ajuste é de 0,9839 pelo que se pode dizer que se trata
de um ajuste bastante aceitável. Se agora pretendessemos prever o peso de uma pessoa que
mede 1,70 m bastaria substituir este valor na equação acima. O valor por ela estimado seria de
69,1 kg.
As folhas de verificação não só facilitam a recolha de dados como também a sua organização.
Com base nelas será mais fácil posteriormente encontrar dados que sejam necessários, bem
Fornecedor: __________________________________________________________________
Endereço: ___________________________________________________________________
Características:
Observações:
Características:
Observações:
Apreciação global:
Uma carta de controlo trata-se de um método gráfico em que se marcam pontos representativos
de várias fases consecutivas de um processo, permitindo assim seguir a sua evolução. O controlo
estatístico do processo (do inglês, S.P.C.) baseia-se na utilização das cartas de controlo e é o
modo de, seguindo essa evolução, conseguir interpretar as variações que ocorrem por forma a se
poder decidir se devem ou não ser feitas alterações.
A primeira fase da construção destes gráficos consiste na recolha de uma série de dados relativos
à característica a ser estudada (dimensões, nº. de peças defeituosas, nº. de defeitos nas peças
produzidas, tempos, etc.). Uma vez que, quer por uma questão de dinheiro como de tempo, na
grande maioria das vezes é impossível fazer o controlo de todas as peças, há que selecionar
apenas algumas que sejam representativas das restantes (amostragem). Para ser feito de forma
correta, tal deverá seguir um plano e, uma vez que existem vários tipos de planos de
amostragem disponíveis, é importante escolher aquele que dá mais e melhor informação.
Amostragens bem feitas irão permitir que, verificando apenas uma pequena quantidade de
peças, seja possível dizer o que se passa com a totalidade delas.
Numa fase seguinte os dados recolhidos deverão ser reunidos e, dependendo do tipo da carta de
controlo a usar, convertidos numa forma tal que permita a sua marcação.
Com esse objetivo marca nas cartas de controlo limites para além dos quais considera que o seu
produto não é suficientemente bom para seguir para o cliente: limite máximo e mínimo de
controlo. Estes limites de controlo utilizados pelo produtor deverão ser inferiores aos admitidos
pelo cliente por forma a evitar que cheguem a este produtos fora das especificações
O conjunto de dados recolhidos que irá constituir a primeira das cartas de controlo é também
utilizado para, através de fórmulas baseadas na variabilidade natural do processo e no plano de
amostragem, determinar os limites de controlo das cartas subsequentes. O controlo e melhoria
do processo usando cartas de controlo deve ser encarado como um processo iterativo em que se
repetem as fases fundamentais de recolha de dados, controlo e análise. De facto, calculados os
limites de controlo com esse primeiro conjunto de dados, se for evidente a existência de causas
especiais de variação que leve pontos para fora dos limites ou que tornem evidentes tendências
na variação dos pontos, o processo deverá ser estudado para se conseguir determinar o que o
está a afetar e se tomarem depois as devidas ações para eliminar essas causas especiais. Após
eliminadas, dever-se-ão recolher mais dados e recalcular os limites de controlo, fundamentais
para interpretar os dados para o controlo estatístico.
A partir do momento em que todas as causas especiais tenham sido eliminadas e o processo se
encontrar em controlo estatístico, a carta irá servir de ferramenta de monitorização. Sempre que
algum ponto saia fora dos limites de controlo ou que apresentem alguma tendência marcada de
variação, o processo deverá ser interrompido e a razão de ser de tal ocorrência ser investigada
uma vez que não vale a pena estar a produzir peças que provavelmente irão ter defeitos ou estar
fora das especificações. Identificadas as causas especiais que levaram à ocorrência destes pontos
fora de controlo o processo deverá ser alterado por forma a contornar os problemas que as
originaram. O ciclo recomeça novamente à medida que mais dados são recolhidos, interpretados
e usados como base de atuação.
Nesta fase, o processo poderá ser interpretado em termos da sua capacidade. Será então
possível prever a performance do processo podendo, quer o produtor quer o cliente, confiar em
níveis de qualidade consistentes e em custos estáveis para atingir esse nível de qualidade.
As cartas de controlo, que se apresentam assim como uma ferramenta de controlo e de melhoria
do processo, podem ser de dois tipos distintos consoante o controlo que é efetuado: controlo
por variáveis ou controlo por atributos. Cada um destes tipos de cartas será de seguida
desenvolvido.
Todas estas cartas são construídas com base na recolha de amostras ou subgrupos com mais do
que um elemento (o tamanho de amostra mais comum é 5). No entanto, sempre que por algum
motivo as decisões tenham que ser tomadas com base em valores individuais ou que o próprio
processo não permita a recolha de mais do que um valor de cada vez usam-se as cartas de
controlo por valores individuais. Cada um destes tipo de cartas de controlo irá ser de seguida
analisado.
Uma vez que o objectivo será detectar as variações no processo ao longo do tempo, as amostras deverão
ser recolhidas suficientes vezes e a tempos apropriados por forma a poderem refectir as eventuais
alterações que estão a ocorrer (por exemplo: diferenças dos turnos, variações de temperatura, lotes de
materiais, diferenças entre a produção diurna e nocturna, etc.). Geralmente 25 grupos são suficientes
para construir uma carta de controlo pois contêm já leituras suficientes que permitam avaliar a
variabilidade e localização do processo.
38Ao elaborar uma carta do tipo X /R a carta das médias aparece normalmente na parte superior e a
carta das amplitudes imediatamente abaixo. Na figura 8 pode-se ver um exemplo deste tipo de cartas.
x x ... x
1 2 n
X =
n
R xmáx xmín
em que x1, x2, ... são os valores individuais, n é o tamanho da amostra e xmáx e xmín representam,
respetivamente, o valor máximo e o valor mínimo dos n valores da amostra.
Consideremos, a título de exemplo, um conjunto de amostras constituída cada uma por 5 leituras. Para a
primeira das amostras, os valores das 5 leituras são
e a amplitude por
AMOSTRA 1
DATA 8/9
HORA 22 h
RUBRICA
X1 14,2
X2 14,4
X3 14,0
X4 14,3
X5 14,2
Somatório 71,1
Relativamente a esta amostra, dever-se-à agora representar na linha vertical respectiva o valor de
14,2 para a média e 0,4 para a amplitude. O mesmo procedimento deverá ser seguido para as restantes
amostras.
Com base nos resultados das 25 amostras recolhidas para a primeira das cartas de controlo serão
calculados os denominados limites de controlo. Também a marcação das escalas para a carta das médias
e para a carta das amplitudes deverá ser feita após a obtenção de todos os resultados relativos a essas
amostras pois só assim se saberá a amplitude das escalas a traçar. Uma vez marcados todos os pontos,
estes deverão depois ser unidos com linhas por forma a melhor visualizar as variações e tendências que
estão a ocorrer.
Numa fase seguinte serão determinados o limites de controlo superior (LCS), a linha central (LC) e o
limite de controlo inferior (LCI). Cada tipo de carta tem fórmulas apropriadas para a determinação dos
limites de controlo e da linha central. Para as cartas de controlo de médias e amplitudes estas encontram-
se na Tabela I.
Tabela I
Carta X Carta R
LCS X = X + A2 R LCSR = D4 R
LC X = X LCR = R
LCI X = X - A2 R LCIR = D3 R
Nestas fórmulas, X e R representam, respectivamente, a média dos valores das médias das amostras e
a média das amplitudes das várias amostras que constituem a carta de controlo (normalmente 25). Os
parâmetros A2, D3 e D4 são valores que se encontram tabelados (Tabela II) e que são função do tamanho
das amostras recolhidas.
Tabela II
Gráfico X Gráfico R
n A2 D3 D4
2 1,880 0 3,267
3 1,023 0 2,575
4 0,729 0 2,282
5 0,577 0 2,115
6 0,483 0 2,004
superior e inferior a tracejado. Por forma a facilitar a sua identificação, a cada uma das linhas dever-se-à
fazer corresponder as iniciais dos limites a que correspondem.
Caso a variabilidade no processo seja apenas devida a causas comuns, os pontos representativos das
médias e das amplitudes das amostras não deverão sair fora dos limites de controlo e dispôr-se-ão
aleatoriamente em torno do valor médio. Neste caso esses limites poder-se-ão manter como limites de
controlo para a carta seguinte. Caso tal não aconteça, i.e. se algum dos pontos ficar fora dos limites de
controlo ou caso apresentem alguma tendência que possa parecer não natural dever-se-à tentar
investigar se algo está a correr mal no processo, corrigir e, após retirar novas amostras, recalcular os
limites de controlo. A alternativa será retirar os pontos que se encontram fora de controlo e recalcular os
limites com os restantes pontos. Caso algum dos pontos continue fora dos limites, o processo deverá ser
repetido até que tal não aconteça. No entanto, se tal não for conseguido ao fim de 2 ou 3 tentativas isso
quererá significar que a variação a que o processo está sujeito não é apenas devida a causas comuns.
Deverão também existir causas especiais a afectar a sua performance.
As fórmulas e os factores usados para calcular os limites de controlo (Tabelas I e II) foram determinados
de modo a garantir que a variação dentro dos limites de controlo é praticamente devida apenas a causas
comuns (existem 3 desvios padrões entre cada um dos limites e linha central, num total de 6 desvios
padrões o que significa que, se o processo estiver a ser afectado apenas por causas comuns, 99,73% dos
pontos deverão ficar entre os limites de controlo). Deste modo, qualquer ponto fora dos limites de
controlo será de levantar suspeitas devendo-se prestar especial atenção e tentar averiguar se algo está a
correr mal (exº. inadvertência dos operadores, mudança de turno, máquina defeituosa, etc.).
No entanto, não são apenas os pontos fora de controlo que devem ser alvo de especial atenção. Como já
se referiu, também tendências no traçado dos pontos deverão ser foco de estudo, nomeadamente:
* padrões oscilantes;
* tendências continuamente crescentes ou decrescentes (7 pontos seguidos a aumentar ou
a diminuir);
* padrões em zig-zag;
* alteração do valor médio em torno do qual os pontos oscilam;
* 7 pontos seguidos do mesmo lado da linha central;
As linhas X 2s são designadas por limites de vigilância e, por vezes, são também marcadas nas cartas
de controlo juntamente com os limites de controlo.
Exemplo 7
Numa primeira fase dever-se-ão calcular as médias e amplitudes para cada uma das amostras:
(continuação)
O passo seguinte será calcular o valor médio das várias médias X bem assim como o valor médio
e, portanto,
X = 25,9 e R = 2,7
Aplicando agora as fórmulas para a determinação dos limites de controlo para cartas do tipo X /R
temos que, dado que o tamanho da amostra é 5, da tabela III A2 = 0,577, D3 = 0 e D4 = 2,115 e,
portanto:
Carta das médias:
LC = X 25,9
LCI = R 2,7
LCI = D R 0 x 2,7 = 0
3
Traçando as cartas de controlo verifica-se que, em qualquer delas, não só não existem quaisquer
pontos fora dos limites de controlo como também estes não apresentam qualquer tendência na sua
variação. É assim possível concluir que o processo se encontra sob controlo estatístico não sendo
Como já visto anteriormente, o desvio padrão que caracteriza uma amostra constituída pelos valores x 1,
x2, …, xn é calculado através da fórmula
n
2
( xi X )
i1
s
n1
Na tabela III apresentam-se as fórmulas utilizadas para o cálculo dos limites de controlo nas cartas do tipo
X /s
Tabela III
Fórmulas a usar na determinação das linhas centrais e limites de controlo para as cartas de controlo
por médias e desvios padrão
Carta X Carta s
LCS X = X + A3 s LCSs = B4 s
LC X = X LCs = s
LCI X = X - A3 s LCIs = B3 s
Tabela IV
Parâmetros a utilizar nas fórmulas de cálculo dos limites de controlo das cartas de controlo por
médias e desvios padrão
Gráfico X Gráfico s
n
A3 B3 B4
2 2,66 0 3,27
3 1,95 0 2,57
4 1,63 0 2,27
5 1,43 0 2,09
A construção e interpretação deste tipo de cartas de controlo é exactamente análogo ao descrito para as
cartas de médias e amplitudes, residindo a única diferença no facto de, em vez de se calcular a amplitude
R para cada amostra se calcular o seu desvio padrão.
Pelas razões atrás descritas, o uso deste tipo de cartas de controlo não é muito frequente.
Por forma a analisar as tendências na variabilidade dos valores observados, opta-se na maioria dos casos
por traçar também a carta de controlo por amplitudes (R). As fórmulas para determinação dos limites de
controlo e linhas centrais para as cartas de controlo por medianas e amplitudes encontram-se na Tabela
V.
Tabela V
Fórmulas a usar na determinação das linhas centrais e limites de controlo para as cartas de controlo
por medianas e amplitudes
Carta
~
X Carta R
~
LCS X = ~ +
~ LCSR = D4 R
X A2 R
~
LC X = ~ LCR = R
X
~
LCI X = ~ -
~ LCIR = D3 R
X A2 R
~
X e R representam, respectivamente, a média das medianas e a média das amplitudes das diversas
~
amostras. Os factores A 2 , D3 e D4 necessários para o cálculo dos limites de controlo encontram-se na
Tabela VI.
~
Gráfico X Gráfico R
n ~
A2 D3 D4
2 1,88 0 3,27
3 1,19 0 2,57
4 0,80 0 2,28
5 0,69 0 2,11
6 0,55 0 2,00
Dado o interesse em analisar a forma como a amplitude vai variando ao longo do processo, e uma vez que
dentro do grupo (n=1) esta é nula, o que se faz é calcular a diferença entre duas leituras consecutivas. Ao
valor absoluto desta diferença chama-se amplitude móvel. No final da carta o número de amplitudes
móveis irá ser inferior em uma unidade ao número de leituras.
Tabela VII
Carta Xi Carta Rm
LCSXi= Xi + E2 R LCSRm = D4 Rm
LCRm = Rm
LCXi = Xi
LCIRm = D3 Rm
LCIXi = Xi - E2 R
amplitudes móveis. Os factores E2, D3 e D4 necessários para o cálculo dos limites de controlo encontram-se
na Tabela VIII.
Tabela VIII
Parâmetros a utilizar nas fórmulas de cálculo dos limites de controlo das cartas de controlo por
valores individuais e amplitudes móveis
Gráfico Xi Gráfico Rm
n
E2 D3 D4
2 2,66 0 3,27
3 1,77 0 2,57
4 1,46 0 2,28
5 1,29 0 2,11
6 1,18 0 2,00
As cartas de controlo por atributos podem ter um aspeto semelhante ao da carta apresentada na Figura
9. Esta carta pode ser utilizada para funcionar quer como carta np, p, c ou u dependendo do tipo e
quantidade de dados recolhidos.
O procedimento a seguir na elaboração de cartas de controlo por atributos é exatamente análogo ao já visto
para cartas de controlo por variáveis. Assim, há que recolher amostras com um determinado tamanho, das
unidades recolhidas contar aquelas que apresentam a característica em questão (por exemplo, quantas
delas são não conformes), tratar os resultados obtidos por forma a poder marcar os pontos no gráfico,
determinar os limites de controlo e, depois dos pontos marcados, verificar a existência de pontos fora dos
limites de controlo ou que apresentem tendências na sua evolução. Ao contrário da situação anterior em
que as cartas surgiam sempre aos pares devido à necessidade de avaliar não só a centralidade como
também a variabilidade dentro da amostra, as cartas de controlo por atributos surgem sempre
individualmente.
De seguida ir-se-ão analisar as diferenças entre cada um dos tipos de cartas de controlo acima
mencionados.
Se o tamanho da amostra recolhida for variável, como a base de comparação já não será a mesma, não
poderemos falar em termos de número de unidades defeituosas mas sim em termos da proporção de unidades
defeituosas e a carta de controlo a utilizar deverá ser do tipo p.
Na tabela IX apresentam-se as fórmulas a utilizar para a determinação dos limites de controlo para ambas
as cartas.
Tabela IX
Fórmulas a usar na determinação das linhas centrais e limites de controlo para as cartas de controlo
do tipo np e do tipo p
Carta np Carta p
L CS np np 3 np (1 p ) p(1-p)
L CSp p 3
n
L C np np L Cp p
Determinar os limites de controlo para o conjunto de dados representados abaixo e, por simples
inspeção, avaliar se o processo se encontra ou não em controlo estatístico.
1 100 4
2 100 2
3 100 0
4 100 5
5 100 3
6 100 2
7 100 4
8 100 3
9 100 2
10 100 6
11 100 1
12 100 4
13 100 1
14 100 0
15 100 2
16 100 3
17 100 1
18 100 6
19 100 1
20 100 3
21 100 3
22 100 2
23 100 0
24 100 7
25 100 3
Total = 2500 pn = 68
Uma vez que neste caso o tamanho da amostra é constante (n=100) será mais apropriado utilizar uma
carta de controlo do tipo np para o número de unidades defeituosas.
68
p 0,0272
2500
68
np 100 2,72
2500
Aplicando agora as fórmulas cima para a determinação dos limites de controlo teremos que
LC pn 2,72
Dado não fazer sentido ter um limite de controlo inferior negativo considera-se, neste tipo de casos, que
o LCI vale 0. Desta forma, para o processo se encontrar em controlo estatístico, o número de peças
defeituosas em cada uma das amostras recolhidas terá que estar entre 7 (arredonda-se para o inteiro
imediatamente inferior) e 0) o que, por análise dos valores da tabela, de facto acontece.
Determinar os limites de controlo para o conjunto de dados representados abaixo e, por simples
inspeção, avaliar se o processo se encontra ou não em controlo estatístico.
1 724 48
2 763 83
3 748 70
4 748 85
5 724 45
6 727 56
7 726 48
8 719 67
9 759 37
10 745 52
11 736 47
12 739 50
13 723 47
14 748 57
15 770 51
16 756 71
17 719 53
18 757 34
19 760 29
Neste caso verifica-se que o tamanho da amostra não é constante pelo que não podemos comparar o
número de peças defeituosas em cada amostra, mas sim a fração de peças defeituosas.
1 724 48 0,066
2 763 83 0,109
3 748 70 0,094
4 748 85 0,114
5 724 45 0,062
6 727 56 0,077
7 726 48 0,066
8 719 67 0,093
9 759 37 0,049
10 745 52 0,070
11 736 47 0,064
12 739 50 0,068
13 723 47 0,065
14 748 57 0,076
15 770 51 0,066
16 756 71 0,094
17 719 53 0,074
18 757 34 0,045
19 760 29 0,038
O valor médio da percentagem ou fração de peças defeituosas pode ser calculado de duas formas
alternativas. A primeira delas consiste em fazer a média aritmética das 19 frações de peças não
conformes de onde se obtém que p 0 ,073 . A outra forma alternativa de fazer o cálculo será dividir o
número total de peças defeituosas (1030) pelo número total de peças amostradas (14 091):
1030
p = 0 ,073
14091
Outra questão se põe agora: que valor de n considerar para a determinação dos limites de controlo?
A forma mais correta de proceder será, para cada caso, considerar o tamanho da amostra (n)
correspondente. Desta forma os limites de controlo superior e inferior irão ser diferentes de amostra para
amostra devido aos diferentes valores de n utilizados. Tal como se vê no gráfico seguinte os limites são
agora representados por segmentos de reta para cada amostra.
p(1-p) p(1-p)
L CSp p 3 L CIp p 3
Amostra nº. Tamanho n n
Fórmulas a usar na determinação das linhas centrais e limites de controlo para as cartas de controlo
do tipo c e do tipo u
Carta c Carta u
LCS c c 3 c u
LCS u u 3
n
LC c c LC u u
u
LCI c c 3 c LCI u u 3
n
O problema da dimensão da amostra não constante surge aqui novamente na determinação dos limites
da carta u. Tal como no exemplo 10, esse problema pode ser contornado ou calculando os limites de
controlo para cada caso, ou trabalhando com um tamanho médio para a amostra.
Exemplo 10
Determinar os limites de controlo para o conjunto de dados representados abaixo e, por simples
inspeção, avaliar se o processo se encontra ou não em controlo estatístico.
1 2 10
2 4 30
3 2 18
4 1 10
5 3 20
6 4 24
7 2 15
8 4 26
9 3 21
10 1 8
Total: 26 182
Nº. amostra Nº. de montagens Nº. total de defeitos Nº. defeitos por
montagem
inspeccionadas encontrados
1 2 10 5
2 4 30 7,5
3 2 18 9
4 1 10 10
5 3 20 6,7
6 4 24 6
7 2 15 7,5
8 4 26 6,5
9 3 21 7
10 1 8 8
Total: 26 182
Se considerarmos um tamanho médio para a amostra de 3 (i.. 2,6) e um número médio de defeitos
por amostra de 7, os limites de controlo superior e inferior para a carta de controlo serão,
respetivamente 11,6 e 2,4. Por análise da última coluna da tabela acima é possível verificar que
todos os pontos se encontram nesta gama e que, portanto, não nenhum fora de controlo.
Ter-se-ia chegado à mesma conclusão caso se tivesse considerado o tamanho da amostra como
variável.
As amostras devem ser recolhidas ao longo de vários turnos, com uma cadência descontínua por forma a
não excluir quaisquer alterações do processo resultantes da utilização de diferentes materiais,
operadores, máquinas, tempos de medição, etc.
em que LSE e LIE representam, respetivamente, os limites superior e inferior de especificação e si é uma
estimativa do desvio padrão da totalidade dos valores feita através da fórmula
R
si
d2
onde d2 é uma constante que depende do tamnho da amostra considerada tal como se mostra na
Tabela XI
Tabela XI
n d2
2 1,128
3 1,693
4 2,059
5 ~2,326
6 2,534
7 2,704
8 2,847
9 2,970
O índice Cp relaciona a dispersão dos valores com a tolerância especificada, isto é, mede a variabilidade
do processo. Por outro lado, o Cpk compara simultaneamente o seu acerto ou regulação (medida central)
e a sua variabilidade relativamente à tolerância.
A capacidade do processo será considerada satisfatória se quer o C p quer o Cpk forem superiores a 1,33.
Nesta situação garante-se que a dispersão dos valores está toda contida nos 4s da curva de dispersão
normal e que, para além disso, o processo se encontra centrado em torno do valor ótimo. Se algum
destes parâmetros for inferior a 1,33, deverão ser tomadas ações (usualmente a nível da gerência) para
trazer o processo para próximo dos valores ótimos desejados bem assim como para reduzir a sua
variabilidade.
2. Imagine que pretende contactar telefonicamente o Diretor Geral de uma grande empresa.
Elabore um fluxograma que ilustre toda a série de passos por que terá que passar o seu
telefonema.
3. Elabore um fluxograma que ilustre o processo ou serviço a que está ligado na sua empresa.
4. Elabore um fluxograma que ilustre o processo que, na sua empresa, segue uma reclamação
feita por um cliente.
Diagramas de Pareto
1. Através de uma sondagem efectuada, concluiu-se que as principais razões apontadas para a devolução de peças de vestuário compradas por
catálogo foram as indicadas abaixo. Elabore o respectivo diagrama de Pareto.
1
Existência de manchas
2
Tipo de corte
60
Qualidade do tecido
5
Tamanho
1
Existência de furos
20
Côr
3
Mudança de endereço
2
Falecimento
3
Não levantado
2
Ter-se estragado no transporte
2. A administração encontra-se preocupada com o número de defeitos que estão a surgir nas peças. Por
forma a identificar as suas causas decidiu, ao longo de uma semana de trabalho estudar o número e tipo
** * ***** * *
## # ## ## ###
A
+ +
* ** ***** * **
2 o oo oo o o
# # #
** * ***** * *
3 o o o o oo
# # # #
B
+
* * **** * *
4 oo o oo oo
# # # #
riscos 30 15
picadas 20 15
deformação 10 60
descoloração 10 30
dimensão 15 60
errada
Histogramas
1. Construa a tabela de frequências e o histograma para as idades dos alunos de uma turma de 12º. ano.
17 20 19 17 17 19
18 16 25 18 23 17
17 17 18 18 17 18
22 22 16 20 20
2. Jogam-se 5 moedas simultaneamente 500 vezes encontrando-se registado na tabela seguinte o número
de coroas obtidas em cada jogada.
0 20
1 76
2 121
3 144
4 82
5 57
3. Na tabela seguinte encontram-se os pesos de 100 pacotes de bolachas saídos de uma linha de
embalagem.
302,25 301,19 298,07 299,75 299,76 300,24 302,17 303,91 298,76 299,07
298,35 301,11 297,59 299,83 303,49 298,65 298,61 299,08 298,98 305,13
300,36 299,68 299,57 300,14 301,05 300,86 301,99 299,18 299,07 297,84
302,52 298,49 297,87 299,12 301,35 301,81 299,26 300,48 299,48 300,20
299,23 303,66 298,23 302,04 299,70 303,07 298,35 300,86 298,94 301,59
297,83 299,95 299,20 299,70 298,29 299,55 299,13 297,72 297,47 298,16
301,85 298,72 303,76 298,86 300,96 300,52 298,00 299,38 304,22 300,02
300,73 298,56 299,19 299,75 300,84 298,34 302,39 299,83 302,85 301,33
299,62 299,70 300,12 299,60 301,63 298,11 298,85 297,99 302,45 299,16
302,45 298,34 298,73 302,10 302,00 300,83 298,36 299,07 302,83 300,80
Diagramas de dispersão
1. Um fabricante de garrafas de plástico que as fabrica pelo processo de moldagem a sopro, está a
deparar-se com problemas por muitas delas apresentarem as paredes demasiado finas. Suspeitou-se
então que a variação da pressão de ar de dia para dia pudesse estar por trás desse problema. A tabela
seguinte relaciona os dados sobre a pressão do ar e a percentagem de garrafas consideradas defeituosas.
Que pode concluir?
Cartas de controlo
2. Construa as duas cartas necessárias para verificar se a viscosidade de um fluído se encontra ou não em
controlo estatístico.
1 33,75
2 33,05
3 34,00
4 33,81
5 33,46
6 34,02
7 33,68
8 33,27
9 33,49
10 33,20
11 33,62
12 33,00
13 33,54
14 33,12
15 33,84
4. Construa uma carta para a percentagem de não conformidades para verificar se o processo se encontra
ou não em controlo estatístico.
1 100 12
2 80 8
3 80 6
4 100 9
5 110 10
6 110 12
7 100 11
8 100 16
9 90 10
10 90 6
11 110 20
12 120 15
13 120 9
14 120 8
15 110 6
16 80 8
17 80 10
18 80 7
19 90 5
20 100 8
21 100 5
1 7
2 5
3 3
4 4
5 3
6 8
7 2
8 3
9 4
10 3
11 6
12 3
13 2
14 7
15 2
16 4
17 7
18 4
20 3
13/8 1524 70
14/8 1275 53
16/8 1496 91
17/8 1213 32
18/8 1371 55
19/8 1248 69
20/8 1123 67
22/8 1488 94
24/8 1696 37
25/8 1427 58
26/8 1277 75
27/8 1613 73
29/8 1360 41
30/8 1439 50
2/9 1314 88
4/9 1384 77
6/9 467 36
2. Bibliografia
“Controle da Qualidade Total”, Volume I, Feigenbaum, A.V., Makron Books, São Paulo (1994).
“Controle da Qualidade Total”, Volume III, Feigenbaum, A.V., Makron Books, São Paulo (1994).
“Métodos Estatísticos para Melhoria da Qualidade”, Kume, H., Editora Gente, Rio de Janeiro (1993).
“Statistical Process Control (SPC) - Reference Manual”, Chrysler Corporation, Ford Motor Company and
General Motors Corporation (1995).