SOCIEDADE EDUCACIONAL DE SANTA CATARINA - SOCIESC

INSTITUTO SUPERIOR TUPY IST

CAIO ZAFALON







CONTROLE ESTATSTICO DE PROCESSO















Joinville
2009/2
1

CAIO ZAFALON














CONTROLE ESTATSTICO DE PROCESSO


Projeto apresentado ao Instituto
Superior Tupy como pr-requisito para
obteno de grau de bacharel em
Engenharia de Produo Mecnica.




Profa. Dra. Sueli Fisher






Joinville
2009/2

2

CAIO ZAFALON




CONTROLE ESTATSTICO DE PROCESSO





Projeto julgado e aprovado em sua
forma final, sendo assinado pelos
professores da Banca Examinadora.













Joinville, ____de _______________de __________












______________________________________
Profa. Dra. Sueli Fischer Beckert IST


_____________________________________
Prof. Dr. Ricardo Martins Cury IST


______________________________________
Prof. Dr. Adilson Jos de Oliveira - IST

3

AGRADECIMENTOS











A minha orientadora Dra. Sueli Fisher Beckert quero agradecer pelo apoio,
disponibilidade e ajuda prestada na elaborao deste projeto.
Aos meus pais por todo o apoio necessrio mesmo nos momentos mais
difceis.
E por fim, minha namorada Rafaella por toda a pacincia e carinho durante
a elaborao deste projeto.



















4

RESUMO

A verificao eficaz das caractersticas da qualidade de um processo de produo
necessita freqentemente de ferramentas do controle estatstico de processo para a
deteco, identificao e anlise das causas significantes responsveis por
variaes que afetam o comportamento do processo de maneira imprevisvel. Este
projeto apresenta um estudo focado nos grficos de controle de Shewhart, CUSUM
e MMEP a fim de, verificar a sensibilidade dos mesmos. A partir deste pressuposto,
um comparativo do desempenho dos grficos de controle ser realizado a partir de
um estudo de caso, em que, os dados sero coletados em um modelo ideal
estatstico e atravs de uma empresa metal mecnica local, sero coletados as
informaes reais para a realizao de um comparativo no intuito de avaliar as
caractersticas de aplicao de cada grfico de controle.

Palavras-chave: Grfico de Controle. Controle Estatstico de Processo. CUSUM,
MMEP e Shewhart.
























5

LISTA DE ILUSTRAES


Figura 1 Grfico linear de causas comuns de variao......................................17
Figura 2 Grfico linear de causas especiais de variao....................................18
Figura 3 Grfico de uma curva normal tpica......................................................20
Figura 4 Grfico das distribuies normais com mesma mdia e desvios padro
diferentes....................................................................................................................21
Figura 5 Grfico das distribuies normais com mesmo desvio padro e mdias
diferentes....................................................................................................................21
Figura 6 Grfico de probabilidades da distribuio normal.................................22
Figura 7 Grficos dos Padres anormais de variao de um processo.............24
Figura 8 Grfico de disperso de um processo com normalidade......................25
Figura 9 Grfico de disperso de um processo sem normalidade......................26
Figura 10 Grfico de controle genrico para monitoramento de um processo.....28
Figura 11 Grfico de uma Mscara V tpica..........................................................42
Fgura 12 Estrutura do grfico de controle MMEP................................................45


















6

LISTA DE TABELAS

Tabela 1 Tabela da eficincia relativa do estimador R........................................33
Tabela 2 Tabela de implementao do algoritmo de soma acumulada..............40































7

LISTA DE ABREVIATURAS E SIGLAS

A2 , D3 e D4 Coeficientes para o projeto de grficos de Shewhart
C
i
+
Soma acumulada incluindo a i-sima amostra
C
i

Soma acumulada dos valores acima do pretendido

Soma acumulada dos valores abaixo do pretendido

0
Soma acumulada (valor inicial)
CEP Controle Estatstico de Processos
CUSUM Soma acumulada (Cumulative Sum)
MMEP Mdia Mvel Exponencialmente Ponderada
d Distncia entre o vrtice e o ponto de superposio da mscara V
d2 e d3 Fatores de correo para a estatstica R
H Intervalo de deciso
h Intervalo de deciso padronizado
Ho Hiptese nula
H1 Hiptese alternativa
K Declividade da mscara V
K Declividade padronizada da mscara V (fator de sensibilidade)
LC Linha Central
LIC Limite Inferior de Controle
LSC Limite Superior de Controle
n Tamanho da amostra
R Amplitude amostral

I-sima observao

1
Uma observao anterior a i-sima
Mdia das observaes
Mdia das mdias das observaes

Mdia da j-sima amostra

Varivel padronizada dos valores de i x

Desvio padro da populao
Desvio padro estimado

Desvio padro das mdias amostrais

Tamanho ou amplitude da mudana em unidades de desvio padro

8

Probabilidade de um erro tipo I
Probabilidade de um erro tipo II
ngulo da mscara V
Mdia populacional

0
Valor mdio desejado do processo, mdia sob controle

1
Valor mdio do processo para o estado fora controle





























9

SUMRIO
1 INTRODUO ....................................................................................................... 10
1.1 ESTRUTURA DO TRABALHO ......................................................................... 12
2 CONTROLE ESTATSTICO DE PROCESSO ....................................................... 13
2.1 CONTROLE DO PROCESSO OU CONTROLE DO PRODUTO ...................... 14
2.2 CAUSAS COMUNS.......................................................................................... 15
2.3 CAUSAS ESPECIAIS ....................................................................................... 16
2.4 SUBGRUPOS RACIONAIS .............................................................................. 18
2.5 COMPORTAMENTO NORMAL DO PROCESSO ............................................ 19
2.5.1 Propriedades da Distribuio Normal ................................................... 21
2.5.2 Padres de Anormalidade ...................................................................... 23
2.5.3 Identificao da Normalidade no Processo .......................................... 24
3 GRFICOS DE CONTROLE DE SHEWHART ...................................................... 28
3.1 ETAPAS PARA UTILIZAO DOS GRFICOS DE CONTROLE .................... 29
3.1.1 Coleta dos Dados .................................................................................... 30
3.1.2 Estabelecimento dos Limites de Controle ............................................ 30
3.1.3 Interpretao do Controle Estatstico ................................................... 30
3.2 GRFICOS DE CONTROLE PARA VARIVEIS .............................................. 31
3.2.1 Grfico ............................................................................................ 33
3.2.2 Grfico & ........................................................................................ 36
3.3 GRFICOS DE CONTROLE CUSUM .............................................................. 37
3.3.1 Grfico de Controle CUSUM Tabular ..................................................... 38
3.3.2 Mscara V ................................................................................................ 41
3.4 GRFICO DE CONTROLE MMEP ................................................................... 43
3.4.1 MMEP como Preditor do Nvel do Processo ......................................... 45
3.5 CAPACIDADE DO PROCESSO ...................................................................... 45
3.5.1 ndice de Capacidade Potencial do Processo () .............................. 47
3.5.2 ndice de Desempenho do Processo () ........................................... 48
3.5.3 ndices ..................................................................................... 48
4 METODOLOGIA .................................................................................................... 50
4.1 CRONOGRAMA .............................................................................................. 51
5 CONSIDERAES FINAIS ................................................................................... 52
REFERNCIAS ......................................................................................................... 53
ANEXOS ................................................................................................................... 55

10

1 INTRODUO

O Controle Estatstico de Processos e em particular as tcnicas de Controle
da Qualidade, atravs dos grficos de controle, tm sido cada vez mais importantes
pelo fato de desempenharem papel primordial na indstria moderna. O controle de
qualidade almeja realizar tarefas que no possuam defeitos, uma antiga
preocupao da humanidade. A primeira idia de controlar um processo produtivo
atribuda a Walter Shewhart, que em 1931 apresentou e instrumentalizou um
conjunto de conceitos que servem de base para o moderno Controle Estatstico de
Processos (CEP). Montgomery (2004), diz que, o principal objetivo do Controle
Estatstico de Processo atingir uma garantia da qualidade para tornar-se cada vez
mais o fator chave na deciso do fabricante em relao a produtos e servios. Este
fator considerado a base que conduz ao sucesso de uma organizao, tanto para
a manuteno da competitividade no mundo globalizado, como para a rentabilidade
de um processo produtivo. Para que este nvel de qualidade possa ser atingido,
devem-se utilizar tcnicas estatsticas convenientes e recorrer ao empenho geral de
todos os envolvidos na melhoria contnua para a estabilidade de um processo.
Desta forma, o Controle Estatstico de Processos pode ser entendido como
um conjunto de ferramentas prticas, utilizado para fornecer informaes que
permitem tomar decises relacionadas especificao, produo e inspeo do
produto a ser fabricado bem como a avaliao do produto final. Os grficos de
controle apresentam essas informaes, de modo que, quando usadas
adequadamente so de fundamental importncia para as decises descritas acima.
Um dos grandes desafios atuais na indstria a dificuldade na seleo do
grfico de controle e uma limitao no uso de grficos tradicionais como &
(mdia e amplitude) e
i
& (valores individuais e amplitude mvel). Estes
grficos, tambm conhecidos como grficos de Shewhart, apresentam uma
desvantagem de apenas usar a informao sobre o processo contido no ltimo
ponto plotado. Conforme Montgomery (2004, p. 100) essa caracterstica torna o
grfico de controle de Shewhart relativamente insensvel a pequenas mudanas no
processo da ordem de 1,5 sigma ou menos. De acordo com Alves (2003), os
grficos de Shewhart no acumulam as informaes de amostras anteriores, mas
11

atravs de testes de seqncia fazem o uso de valores amostrais plotados
sucessivamente para uma tomada de deciso.
A dificuldade imposta pelas regras adicionais dos grficos de Shewhart e sua
inabilidade de detectar desvios moderados fez com que se desenvolvessem
modelos de grficos de controle que acumulam informaes das amostras coletadas
sucessivamente capazes de detectar tais desvios e que fossem fceis de utilizar. Um
desses modelos de grficos que acumulam informaes incorporadas na estatstica
analisada so os Grficos de Controle de Soma Acumulada (Cumulative Sum
Control Charts CUSUM). Estes grficos so capazes de detectar pequenas
mudanas na distribuio da caracterstica da qualidade, manter um controle
apertado sobre o processo e dar uma estimativa do novo nvel do processo ou da
nova mdia.
Para tanto, no estudo em lotes de produo a utilizao inadequada de
grficos de controle pode gerar decises incorretas na aprovao ou reprovao de
lotes de produo devido ao critrio de como eles foram implementadas no processo
produtivo.
Ainda de Alves (2003), importante que os produtos sejam produzidos
corretamente primeira vez. Dessa maneira, a variabilidade das caractersticas da
qualidade reduz sistematicamente sendo de total interesse para o processo
produtivo, pois aumenta a confiabilidade do produto final. So aes fundamentais
para alcanar a estabilidade e melhorar a capacidade em qualquer processo de
produo.
O projeto tem por objetivo estabelecer critrios para seleo eficaz dos
grficos de controle em processos normais de produo. Especificamente, ser
realizada reviso dos grficos tradicionais de controle, um estudo em outras tcnicas
controle estatstico de processo (CUSUM e MMEP), a comparao dos resultados
obtidos, quanto normalidade e aos ndices de desempenho, nos diferentes grficos
de controle e relacionar fatores relevantes para a correta utilizao do grfico de
controle.
O contedo apresentado neste projeto de grande relevncia aos envolvidos
direta ou indiretamente ao controle de qualidade nas indstrias, pois ainda hoje
muitos dos mtodos de controle utilizados genericamente nestas empresas so
baseados quase que exclusivamente em anlises de mdias e ndices simples de
12

desempenho, que se constituem em tcnicas relativamente lentas e ineficientes na
identificao de variaes ou desvios de processo.

1.1 ESTRUTURA DO TRABALHO

A estrutura do trabalho inicia (captulo 1) com introduo aos assuntos
tratados, objetivos do trabalho, justificativa e importncia, e as limitaes do mesmo.
O segundo (captulo 2) consiste na apresentao de uma viso dos conceitos
relacionados qualidade de servios e controle estatstico de processos. Disserta
tambm, os fundamentos principais para o conhecimento de um processo normal,
assim como, as principais caractersticas de anormalidade para que se entenda o
princpio dos grficos de controle.
O Terceiro captulo inicia o estudo com os grficos de controle, explicando os
grficos de Shewhart, CUSUM e MMEP finalizando a fundamentao terica falando
sobre a capacidade do processo e seus principais ndices, assim como as
consideraes para a continuidade deste trabalho.
O quarto captulo apresentado a metodologia e o cronograma para segunda
fase do projeto referente para o primeiro semestre do ano de 2010.
O quinto e ultimo captulo descreve as consideraes finais abrangendo a
idia da continuao deste projeto.














13

2 CONTROLE ESTATSTICO DE PROCESSO

Ao falar em controle estatstico de processo, necessrio citar as etapas do
controle da qualidade em um processo produtivo. As etapas so:

Definir um padro a ser atingido;
Inspecionar (medir o que foi produzido e comparar com o padro);
Diagnosticar a no conformidade (descrio do desvio entre o que foi
produzido e o padro);
Identificar as causas das no conformidades/defeitos;
Realizar uma ao corretiva para eliminao das causas;
Atualizar os padres, seja do produto ou processo.

importante destacar que: O estado da estatstica preditiva assume uma
populao estvel, mas predies no podem ser realizadas antes que as condies
do processo tenham sido inteiramente definidas (FLOTT, 2002, p.112).
O CEP, tradicionalmente, uma ferramenta com base estatstica, de auxlio
ao controle da qualidade, nas etapas do processo, particularmente no caso de
processos repetitivos. importante dizer que, para prognosticar a produo
utilizando o controle estatstico de processo, necessrio que haja uma populao
estabilizada. Uma vez verificado que o processo estvel e controlado o prognstico
pode ser antecipado, ou seja, se alguma coisa d errada ou prestes a dar errado, o
CEP apresentar sinais claros de no conformidade no processo.
Os mtodos estatsticos e sua aplicao na melhoria da qualidade tm uma
longa histria. Em 1924, Walter A. Shewhart desenvolveu o conceito estatstico de
controle, que considerado segundo Montgomery (2004, p.7) o comeo formal do
controle estatstico da qualidade.
No final dos anos de 1920, Harold F. Dodge e Harry G. Romig desenvolveram
a amostragem de aceitao com base estatstica como uma alternativa a 100% de
inspeo. No meio da dcada de 30, os mtodos estatsticos de controle eram
largamente usados na Western Eletric, a diviso de manufatura da Bell Telephone
Lab., empresa em que Shewhart, Harold e Harry trabalhavam. No entanto, o valor do
controle estatstico da qualidade no era amplamente reconhecido pela indstria.
14

Desde 1980, tem havido um grande crescimento no uso de mtodos
estatsticos para a melhoria da qualidade nos Estados Unidos. Isto aconteceu, em
grande parte, s grandes perdas de negcios e mercados sofridas por muitas
companhias domsticas, que no adotaram o uso dos mtodos estatsticos
perdendo em alguns casos, na indstria automobilstica, cerca de 1 milho de
dlares por hora (MONTGOMERY 2004, p.8).
Porm, hoje, o CEP entendido como uma filosofia de gerenciamento
(princpios de gerenciamento) e um conjunto de tcnicas e habilidades, originais da
estatstica e da engenharia de produo, que visam garantir a estabilidade e a
melhoria contnua do processo de produo. Em resumo, visa o controle e a
melhoria do processo.

2.1 CONTROLE DO PROCESSO OU CONTROLE DO PRODUTO

Segundo Flott (2002, p. 112), entretanto, na prtica, a primeira vez que o
grfico de controle utilizado no processo, comumente utilizado para mostrar que
o processo est fora de controle. Estando fora de controle no significa
necessariamente que o processo no esteja encontrando as especificaes.
Estando em controle estatstico de processo, significa que a variabilidade do
processo reduziu, e isso est diretamente ligado com a qualidade do produto.
Foi notado em vrias referncias que o assunto de controle estatstico de
processo, tratado como controle estatstico do produto. Hay-yu (2008, p.2)
pergunta: O que ns medimos quando dissemos que estamos medindo o processo?
Mais precisamente, talvez, o que estamos controlando?. Analisando a questo,
dito que a produo do processo medida e no a variao do processo em si.
A maioria das indstrias que aplicam o controle estatstico de processo utiliza
no conceito da caracterstica do produto, com espessura, circularidade,
comprimento, dimetro, etc. O problema est ligado que at o setor de qualidade
juntamente com a organizao age como se o P, da palavra CEP, fosse ligado
pea ou produto, e no ao processo.
Flott, ao entrevistar uma grande companhia no setor de qualidade foi
questionado que, ao se plotar caractersticas do produto, eles na verdade, estariam
controlando o processo. Mesmo que isso de certa forma seja verdadeira, deve-se
perceber e visualizar que aplicar a ferramenta somente no produto no suficiente,
15

pois, se houver algum parmetro inerente a fabricao do produto em si, haver
descontrole do processo. Portanto, o ideal que sejam controlados todos os
parmetros envolventes no processo para que isso no seja necessrio no produto.

2.2 CAUSAS COMUNS

O primeiro passo para reduzir a variao de qualquer processo saber
distinguir causas comuns de causas especiais. Atribui-se a causas comuns, ou
causas aleatrias, s formas que agem de forma consistente no processo. De
acordo com Montgomery (2004) Essa variabilidade natural ou rudo de fundo o
efeito cumulativo de muitas causas pequenas, essencialmente inevitveis. Portanto,
so causas que ocorrem inerentes ao processo. De acordo com Filho (2008) so
exemplos de causas comuns:

a) Quanto ao Meio Ambiente
Iluminao deficiente;
Alto nvel de rudo;
Variao de temperatura do ambiente.

b) Quanto a Mo-de-obra
Treinamento inadequado;
Treinamento insuficiente.

c) Quanto a Mquina
Envelhecimento;
Desgaste.

d) Quanto a Matria-prima
Compra continua de material de baixa qualidade (variao da matria-prima
entre lotes).

e) Quanto aos Mtodos
Instrues erradas ou inexistentes;
16

Especificaes inexistentes ou confusas;
Especificaes da matria-prima incompatveis com as especificaes do
produto.

f) Quanto ao Meio de Medio
Instrumento de medio inadequado;
Mtodo de medio incompleto ou incorreto.

2.3 CAUSAS ESPECIAIS

As causas especiais, ou, causas atribuveis so tipos de variabilidade
especficos no processo, portanto, mquinas ajustadas ou controladas de maneira
inadequada, erros do operador, ou matria-prima defeituosa. Diz-se que quando um
processo opera na presena de causas atribuveis est fora de controle e quando
opera apenas com as causas aleatrias, o processo est sob controle estatstico. De
acordo com Filho (2008) so exemplos de causas especiais:

a) Quanto ao Meio Ambiente
Iluminao precria devido lmpadas queimadas;
Aumento da temperatura devido quebra do controlador da temperatura.

b) Quanto a Mo-de-obra
Falta de cuidado devido a acesso de mau-humor;
Sade subitamente abalada;
Operador substituto inexperiente;
Vcio que afeta esporadicamente o comportamento.

c) Quanto a Mquina
Sbita desregulagem da mquina;
Ferramenta indevida tomada por engano no almoxarifado;
Quebra ou inoperncia de algum componente notada pelo operador.


17

d) Quanto a Matria-prima
Uma remessa fora da especificao;
Lote que recebeu estocagem ou manuseio inadequado;
Utilizao de material indevido.

e) Quanto aos Mtodos
Folha de instruo de operao ilegvel, usada por um colaborador de
processo inexperiente.

f) Quanto ao Meio de Medio
Quebra do instrumento de controle;
Quebra dos culos do operador do instrumento.

A Figura 1 apresenta um grfico linear. Nele esto sendo acompanhados os
indicadores de defeitos. O grfico mostra os efeitos nos ndices devido s causas
comuns.


Figura 1 Grfico linear de causas comuns de variao
Fonte: Schissatti (1998, cap. 2)

Da mesma forma, a Figura 2 mostra os efeitos nos ndices devido s causas
especiais em um grfico de controle.

18


Figura 2 Grfico linear de causas especiais de variao
Fonte: Schissatti (1998, cap. 2)

2.4 SUBGRUPOS RACIONAIS

Subgrupo racional uma amostra na qual todos os itens so produzidos sob
condies, em que, apenas variaes, causas comuns, so responsveis na
variao observada (NELSON, 1988).
A parte mais importante na preparao de um grfico de controle a
formao de subgrupos, pois fundamental para a determinao do seu
desempenho. Antes de formar os subgrupos necessrio eliminar as variaes e,
ento agrupar os dados para que a variao por fatores admissveis constitua a
variao dentro do subgrupo (KUME, 1993).
No existe regra geral estabelecida para a escolha do tamanho e a freqncia
do subgrupo, tambm chamado de tamanho de amostra. Mas de acordo com
Paranthaman (1990), o tamanho do subgrupo pode ser classificado como:

Amostra individual (n= 1). Quando um nico dado j representativo. A taxa
de produo baixa ou mesmo quando a avaliao muito dispendiosa;
Amostra pequena ou moderada (n= 4, 5 ou 6). As pequenas amostras so
extradas com elevada freqncia nas empresas, pois tendo baixa freqncia,
ou seja, amostragem muito grande, na extrao de amostras, muitos itens
19

defeituosos podero ser produzidos no perodo de retirada de uma amostra
para outra.
Amostra grande (n>10). Juran (1992) afirma que, quanto maior o tamanho do
subgrupo menor o desvio-padro da distribuio das mdias, sendo os limites
de controle 3 mais rgidos, e mais sensveis ao grfico ". No grfico
quando o n = 15 at 25 utiliza-se para descobrir pequenas mudanas.

aconselhvel a coletar dados em intervalos regulares, porm deve-se ter
muito cuidado para no haver manipulao dos dados por parte dos operadores. Os
dados podero estar sendo induzidos nos perodos de amostragem, evitando que a
mesma seja totalmente aleatria como se desejado.

2.5 COMPORTAMENTO NORMAL DO PROCESSO

Conhecida como a curva em forma de sino, a distribuio normal tem sua
origem associada aos erros de mensurao. Sabe-se que, quando se efetuam
repetidas mensuraes de determinada grandeza com um equipamento equilibrado,
no se chega ao mesmo resultado todas s vezes. Obtm-se, ao contrrio, um
conjunto de valores que oscilam de modo aproximadamente simtrico, em torno do
verdadeiro valor. Construindo-se o histograma desses valores, obtm-se uma figura
com forma aproximadamente simtrica. Gauss deduziu matematicamente a
distribuio normal como distribuio de probabilidade dos erros de observao,
denominando-a ento lei normal dos erros. Abraham de Moivre, um matemtico
francs exilado na Inglaterra, publicou a funo densidade de probabilidade da
distribuio normal com mdia e varincia (ou, de forma equivalente, desvio
padro ) em 1733.

Inicialmente se supunha que todos os fenmenos da vida real devessem
ajustar-se a uma curva em forma de sino; em caso contrrio, suspeitava-se de
alguma anormalidade no processo de coleta de dados. Da a designao de curva
normal.
A observao cuidadosa subseqente mostrou, entretanto, que essa
distribuio normal, no correspondia realidade. De fato, no so poucos os
exemplos de fenmenos da vida real representados por distribuies no normais,
20

curvas assimtricas, por exemplo. Mesmo assim, a distribuio normal desempenha
papel preponderante na estatstica, e os processos de inferncia nela baseados tm
larga aplicao.
A distribuio normal tem sua funo de densidade de probabilidade dada
por:

fx =
1
2
e

1
2

(x)

2
< x < (1)

Como se pode observar, atravs da equao acima, a distribuio normal
inclui os parmetros e , os quais possuem os seguintes significados:

: Posio central da distribuio (mdia, u
x
);
: Disperso da distribuio (desvio padro, o
x
).

Segundo Montgomery (2004, p.40), se uma varivel aleatria x tem
distribuio normal com mdia e varincia
2
, ela representada por: X ~ N(,

2
).A figura 2 ilustra uma curva normal tpica, com seus parmetros descritos
graficamente.


Figura 3 Grfico de uma curva normal tpica
Fonte: Correa (2003)




21

2.5.1 Propriedades da Distribuio Normal

Para uma mesma mdia e diferentes desvios padro , a distribuio que
tem maior desvio padro se apresenta mais achatada, acusando maior disperso em
torno da mdia. A que tem menor desvio padro apresenta pico mais acentuado e
maior concentrao em torno da mdia. A Figura 3 compara trs curvas normais,
com mesma mdia, porm com desvios padro diferentes. A curva A se apresenta
mais dispersa que a curva B, que por sua vez se apresenta mais dispersa que a
curva C. Neste caso,
A
>
B
>
C
.
As distribuies normais com o mesmo desvio padro e mdias diferentes
possuem a mesma disperso, mas diferem quanto localizao. Quanto maior a
mdia, mais direita est a curva. A Figura 4 ilustra o fato, em que, a curva A possui
mdia maior que a curva B (
A
>
B
).


Figura 4 Grfico das distribuies normais com mesma mdia e desvios
padro diferentes
Fonte: Correa (2003)


Figura 5 Grfico das distribuies normais com mesmo desvio padro e
mdias diferentes
Fonte: Correa (2003)

22

Como descrito anteriormente, a probabilidade de uma varivel assumir
valores entre a e b igual rea sob a curva entre esse dois pontos. A
determinao destas probabilidades realizada matematicamente atravs da
integrao da funo de densidade de probabilidade entre os pontos a e b de
interesse. No caso da normal, a integral no pode ser calculada exatamente, e a
probabilidade entre dois pontos s pode ser obtida aproximadamente, por mtodos
numricos. Esta tarefa facilitada atravs do uso da distribuio normal padro.
No caso da distribuio normal, algumas dessas reas com os pontos a e b
funo da mdia e do desvio padro so bastante difundidos, e esto
representadas na Figura 5.


Figura 6 Grfico de probabilidades da distribuio normal
Fonte: Correa (2003)

Portanto, 68,26% dos valores populacionais caem entre os limites definidos
como mdia mais ou menos um desvio padro ( 1); 95,46% dos valores caem
entre mdia mais ou menos dois desvios padro ( 2); e 99,73% dos valores
caem entre mdia mais ou menos trs desvios padro ( 3).
Infelizmente, a normalidade no garante a ausncia de causas especiais
agindo no processo. Algumas causas especiais podem alterar o processo sem
destruir sua simetria ou unimodalidade. Da mesma forma, uma distribuio no
normal pode no ter causas especiais agindo sobre ela, mas sua forma de
distribuio no simtrica.
23

2.5.2 Padres de Anormalidade

Siqueira (1997, p. 48), diz que, quando se um ponto pertencente a um
subgrupo fora dos limites de controle, o processo est fora de controle ou instvel.
Isto significa que h uma causa especial presente. possvel visualizar a ausncia
de controle de um processo imaginando que o ponto fora do limite de controle
pertence a uma populao diferente para a qual os limites de controles, presentes,
foram estabelecidos.
Um processo pode ser considerado fora de controle, mesmo quando todos os
pontos esto dentro dos limites de controle. Caso esse, que ocorre quando se tem
um padro de variao anormal no processo. Nos grficos de controle, no normal
que nove ou mais pontos consecutivos se situam dentro da faixa de 1 em torno
do valor central. A probabilidade de ocorrncia de um padro anormal
aproximadamente igual probabilidade de um ponto cair alm do limite de 3 , diz
SIQUEIRA (1997, p.48). Existem oito padres clssicos para sensibilizar os grficos
de controle conforme representados na Figura 6:

Padro 1 Um ou mais pontos fora dos limites de controle;
Padro 2 Uma seqncia de oito pontos consecutivos de um mesmo lado
da linha central;
Padro 3 Seis pontos em uma seqncia sempre crescente ou decrescente;
Padro 4 Quatorze pontos em seqncia alternadamente para cima e para
baixo;
Padro 5 Dois ou trs pontos fora dos limites de alerta dois-sigma;
Padro 6 Quatro ou cinco pontos consecutivos alm dos limites um-sigma;
Padro 7 Quinze pontos em seqncia na zona C (tanto acima quanto
abaixo da linha central);
Padro 8 Oito pontos em seqncia de ambos os lados da linha central com
nenhum na zona C.




24


Figura 7 Grficos dos Padres anormais de variao de um processo
Fonte: Siqueira (1997)

2.5.3 Identificao da Normalidade no Processo

A anlise para identificar se os dados coletados podem ser utilizados para
definio dos intervalos de confiana baseia-se na hiptese de que os erros seguem
uma distribuio Normal (distribuio de Gauss). A condio de normalidade dos
resduos no necessria para a obteno dos estimadores de mnimos quadrados,
mas fundamental para a definio de intervalos de confiana e testes de
significncia. Ou seja, na falta de normalidade, os estimadores so no-
tendenciosos, mas os testes no tm validade, principalmente em amostras
pequenas. Entretanto, pequenas fugas da normalidade no causam grandes
problemas.
25

A no-normalidade dos resduos pode ser causada por violaes de outras
condies bsicas, tais como a varincia no constante dos erros ou a escolha de
um modelo incorreto para a equao.
O teste mais simples e rpido o teste grfico de disperso, comparando a
freqncia acumulada dos resduos padronizados com a curva Normal, em que, s
desvio-padro dos resduos. O aspecto do grfico varia de acordo com o software
estatstico, mas sempre existe uma linha-base, representando a curva Normal, e os
resduos acumulados do modelo ajustado devem aproximar-se desta linha. Fugas
significativas so indicadoras de no-normalidade dos resduos, e o modelo deve ser
descartado, buscando-se outra configurao para a equao.
As Figuras 7 e 8 mostram a disperso dos resduos resultando em
normalidade ou no. As figuras so meramente para efeito de visualizao.


Figura 8 Grfico de disperso de um processo com normalidade
Fonte: adaptado UNISINOS (2004)

26



Figura 9 Grfico de disperso de um processo sem normalidade
Fonte: adaptado UNISINOS (2004)

bastante comum tambm, o emprego de um teste numrico. Pelas
propriedades da Normal, 68% dos resduos devem estar no intervalo (-1; 1), 90% no
intervalo (-1,64; 1,64) e 95% no intervalo (-1,96; 1,96). Ento, se os resduos
corresponderem a estes limites, aproximadamente, pode-se dizer que a normalidade
est garantida.
Outro mtodo de grande utilizao para identificao da normalidade no
processo o teste de Anderson-Darling. Usual para os mtodos de mxima
verossimilhana e mnimos quadrados. uma medida da proximidade dos pontos e
da reta estimada no grfico de probabilidade. O teste de Anderson-Darling um
teste alternativo dos testes de aderncia, o qual tem a vantagem de ser mais
sensvel que outros testes como o Chi-quadrado e Kolmogorov- Smirnov, pois d
mais nfase aos pontos das caudas da distribuio. Assim, valores pequenos da
estatstica de Anderson-Darling indicam que a distribuio estima melhor os dados.
Para estabelecer um critrio de rejeio ou no rejeio do modelo
(distribuio de probabilidade), formulada a seguinte teste de hiptese:

H0: Y segue uma determinada distribuio de probabilidade
H1: Y no segue esta distribuio de probabilidade proposta



27

A estatstica do teste para tomar a deciso dada por:

2
=
(2 1)

=1

+1
+1
(2)

Em que, F a funo de distribuio acumulada da distribuio especfica. Observe
que

so os dados ordenados. Os valores crticos ou de rejeio para o teste de

Anderson-Darling dependem da distribuio especfica que est sendo testada. O
teste de Anderson-Darling um teste unicaudal e a hiptese nula (H0) rejeitada se
o teste estatstico fornecer valor superior ao crtico. Cabe observar que este teste
pode ser ajustado (pode ser multiplicado por uma constante, a qual usualmente
depende do tamanho da amostra n), MELO(2000).





















28

3 GRFICOS DE CONTROLE DE SHEWHART

Os mtodos estatsticos e de probabilidade com base no tempo so
suficientes para determinar se existem causas especiais. A mais verstil e robusta
o gnero de grficos de controle desenvolvidos pelo Dr. Walter Shewhart do Bell
Lababoratory na dcada de 20. Foi o responsvel pela distino entre variao
controlada e no controlada, que corresponde a chamadas causas comuns e
especiais. Shewhart desenvolveu uma ferramenta simples, mas poderosa para
separar os dois tipos de causas, o grfico de controle.
Desta forma, o grfico de controle uma ferramenta utilizada dentro do
controle estatstico de processo para descrever, de maneira precisa, uma
caracterstica da qualidade que foi medida ou calculada a partir de uma amostra
versus o nmero da amostra ou o tempo. O grfico contm uma linha central,
representando o valor mdio da caracterstica da qualidade que corresponde ao
estado sob controle. Duas outras linhas horizontais, chamadas limite superior de
controle (LSC) e limite inferior de controle (LIC). Estes limites so estabelecidos para
probabilidades de 99,73% sendo 3 e so escolhidos de modo que, se o
processo est sob controle, praticamente todos os pontos amostrais estaro entre
eles.
A Figura 9 mostra um grfico de controle genrico.


Figura 10 Grfico de controle genrico para monitoramento de um processo
Fonte: Bornia (2004)
29

Alm de oferecer uma exposio visual dos dados que representa um
processo, os grficos de controle utilizam amostragens seqenciais para identificar
quando um processo se altera e necessita de ao corretiva. O principal foco do
grfico de controle a tentativa de separar as causas de variaes especiais das
causas de variaes comuns.
Os grficos de controle podem ser usados, tambm, para estimar parmetros
de um processo de produo e, com isso, determinar a capacidade do processo.
Pode no ser possvel eliminar totalmente a variabilidade do processo, mas o grfico
de controle uma ferramenta eficaz auxiliar na reduo dessa variabilidade.
Montgomery (2004) destaca algumas das razes que contemplam a
popularidade dos grficos de controle:

uma tcnica comprovada de melhoria da produtividade;
So eficazes na preveno de defeitos;
Evitam ajustes desnecessrios nos processos;
Fornecem informaes confiveis para diagnstico sobre o desempenho e
capacidade dos processos.

3.1 ETAPAS PARA UTILIZAO DOS GRFICOS DE CONTROLE

Os grficos de controle so desenvolvidos a partir das medies de
determinada caracterstica ou aspecto do processo. Essas medies se combinam
em um dado estatstico, por exemplo, mdia, mediana, amplitude, desvio padro,
valores individuais, que descreve um atributo da forma de distribuio do processo.
Para que os grficos de controle possam ser desenvolvidos devem-se seguir
algumas etapas listadas abaixo:

1. Coleta dos dados;
2. Estabelecimento dos limites de controle (LIC, LC e LSC);
3. Interpretao do controle estatstico.



30

3.1.1 Coleta dos Dados

Os dados para medio so coletados em amostras individuais de um fluxo
do processo. As amostras so coletadas em subgrupos e podem consistir em uma
ou mais peas. Em geral, quanto maior o subgrupo, maior ser a facilidade de
deteco das mudanas do processo.

3.1.2 Estabelecimento dos Limites de Controle

De acordo com Montgomery (2004, p.102), os limites de controle so
definidos pela variao natural dos valores estatsticos de controle. Eles definem um
intervalo em que os valores estatsticos devem cair dentro de modo aleatrio.
Considera-se, idealmente, que existam apenas causas comuns de variao. Por
exemplo, se a mdia de dois subgrupos diferentes do mesmo processo for
calculada, plausvel esperar que eles sejam mais ou menos iguais. Mas, como eles
foram calculados usando peas diferentes, no se espera que as duas mdias
sejam idnticas. Existe um limite para as expectativas sobre essa diferena devido
possibilidade aleatria. Isso define a posio do limite de controle.
Para auxiliar na anlise grfica dos valores estatsticos de controle marcados,
desenham-se linhas indicando a estimativa da linha central e os limites de controle
da estatstica de controle no grfico. Geralmente, para configurar uma carta de
controle preciso calcular:

A Linha Central;
O Limite Superior de Controle (LSC);
O Limite Inferior de Controle (LIC).

As frmulas sero apresentadas a frente neste projeto.

3.1.3 Interpretao do Controle Estatstico

A soluo de problemas de um processo possvel atravs da interpretao
do grfico de controle, sendo esta, a etapa mais difcil e a que consome mais tempo.
31

Meticulosidade, pacincia, perspiccia, e entendimento so requeridos para se
desenvolver aes que ir melhorar o desempenho de forma mensurvel.
Considerando que o processo no tem causas especiais que afetam sua
variabilidade, os valores estatsticos de controle ficaro entre os limites de controle
de modo aleatrio, ou seja, nenhum padro, gerando anormalidade, ser evidente.
O objetivo da anlise do grfico de controle identificar qualquer evidncia de
que a variabilidade ou a centralizao do processo no esteja operando em nvel
constante, que um ou ambos estejam fora de controle estatstico, necessitando
portando, tomar providncias apropriadas. A centralizao controlada pela mdia
dos valores estatsticos, e a variao pela amplitude dos valores estatsticos de
controle. Conforme o Manual de Referncia do CEP (2005), as concluses
declaradas para essas estatsticas de controle tambm se aplicam igualmente as
outras possveis estatsticas de controle.
A mesma referncia ainda diz que os limites de controle da centralizao
dependentes dos valores estatsticos da variao devem ser analisados em primeiro
lugar por questes de estabilidade. Assim, a habilidade em interpretar tanto as
amplitudes dos subgrupos como as mdias dos subgrupos depende da variabilidade
pea-a-pea, em que, o grfico R analisado em primeiro lugar.
A prontido importante na anlise de problemas, pois se consegue
minimizar o resultado inconsistente da produo obtendo evidncias frescas para
seu diagnstico. Para cada indicao de uma causa especial nos dados do grfico
de controle, deve-se conduzir a anlise da operao do processo para determinar a
causa e ento corrigi-la. Busca-se tambm, melhorar a compreenso do processo
para que a preveno da causa, no se repita.
importante frisar que o referencial, apesar de utilizar os grficos da mdia e
amplitude, os conceitos se aplicam a todas as abordagens dos grficos de controle.

3.2 GRFICOS DE CONTROLE PARA VARIVEIS

Em geral, duas situaes se aplicam ao controle estatstico de processo: uma
em que as caractersticas da qualidade so mensurveis, denominadas variveis, e
a outra corresponde s caractersticas da qualidade no mensurveis denominados
atributos avaliados com base em dados que s podem ser contados ou classificados
32

tais como, passa/no passa, claro/escuro, com trinca/sem trinca, etc. Este trabalho
citar apenas os grficos de controle para variveis.
Segundo Montgomery (2004, p.129), uma caracterstica da qualidade que
medida em sua escala numrica chamada varivel. A exemplo disso, pode-se
citar caractersticas como tamanho ou largura, temperatura e volume, etc. Uma
varivel pode ser contnua ou discreta, conforme o seu contra domnio seja infinito
ou finito. Se a caracterstica de qualidade varivel, usualmente monitora-se o
processo com dois grficos de controle, Saniga e Shirland (1977), afirmar que um
empregado para monitorar a centralidade e o outro para monitorar a disperso da
varivel.
Conforme Siqueira (1997, p.10) o uso do grfico de controle por varivel tem
finalidades de fornecer informaes quanto a:

a) Para melhoria da qualidade o grfico de controle por varivel a mais
efetiva tcnica para alcanar a melhoria da qualidade, embora se sabe que,
utilizar grfico de controle unicamente para comprovar a existncia de um
programa de controle de qualidade no suficiente;
b) Sobre a capacidade do processo Admitindo que o processo j tenha uma
melhoria significativa de qualidade, o grfico de controle, durante o ciclo de
qualidade, indicar quando no ser mais possvel obter melhoria da
qualidade sem investimento significativo. Nesse momento, a verdadeira
capacidade do processo pode ser obtida;
c) Para tomada de decises relativas especificaes do produto Se a
capacidade do processo foi obtida, as especificaes podem ser estreitadas;
d) Para tomada de decises sobre o processo de produo O grfico de
controle utilizado para identificar se um padro normal de variao est
ocorrendo e, portanto, o processo est sob controle, ou se um padro
anormal de variao est ocorrendo, e h necessidade de eliminao das
causas especiais de variao;
e) Para tomada de decises sobre peas recm-produzidas O grfico de
controle pode tambm ser utilizado para liberao de itens para um processo
seguinte identificando se a pea est conforme ou necessitando de
retrabalho.

33

Um grfico de controle para variveis pode explicar dados do processo em
termos de sua variao, variabilidade pea-a-pea e mdia do processo. Por isso, os
grficos de controle geralmente so preparados e analisados aos pares, um grfico
para medida representativa do processo e outro para a variao do processo. O par
mais comumente utilizado o dos grficos , em que, a mdia aritimtica
dos valores em pequenos subgrupos e R a amplitude dos valores dentro de cada
subgrupo. Os grficos podem ser os mais comuns, mas no significa que eles
so os mais apropriados para todas a situaes. Outro par de grfico que vem sendo
aplicado com maior freqncia so os grficos

& , em que,

so os valores
individuais e a amplitude mvel.
A seguir apresentam-se as frmulas dos grficos de controle para variveis,
com trs desvios padres de afastamento em relao linha mdia.

3.2.1 Grfico

Considerando os grficos de controle por variveis, esse o mais utilizado na
industria. O grfico principalmente escolhido quando o tamanho da amostra variar
entre 2 e 9 unidades. Invariavelmente, o tamanho da amostra se situa em torno de 4
ou 5 unidades. Na prtica o tamanho da amostra deve ser determinado com base na
capacidade de deteco de mudanas, ou seja, na capacidade de inspeo e o
tempo de resposta, na taxa de produo, no custo de inspeo ou ento no erros
estatsticos associados.
No entanto, a medida que "n" aumenta diminui a sensibilidade da amplitude R
como estimador do desvio padro do processo s. Montgomery demonstra que para
valores de "n" prximos de 10, a amplitude j perde significativamente sua
sensibilidade como estimador (MONTGOMERY, 1991, p. 204).
A Tabela 1 abaixo apresenta a "eficincia relativa" do estimador R em funo
do tamanho da amostra "n":

Tabela 1 Tabela da eficincia relativa do estimador R
n Eficincia Relativa
2 1,000
3 0,992
4 0,975
34

5 0,955
6 0,930
10 0,850
Fonte: Montgomery (1991)

Supomos agora que m amostras de tamanho n e suas respectivas mdias

1
,
2
, ,
m
tambm so normalmente distribudas, ento um estimador no
viciado de dado por:

=
1

=1
(3)

Sendo assim, pode ser usado como linha central de um grfico de .
Agora para construir os limites de controle para a mdia utilizam-se as
amplitudes das amostras n como estimador do desvio padro . Portanto, um
estimador para uma amostra
1
,
2
, ,
n
de tamanho n pode ser definido como:

=

(4)

Do relacionamento do range e do desvio padro de uma amostra
normalmente distribuda tem-se que a varivel aleatria =

, chamada de
amplitude relativa uma funo do tamanho da amostra n com mdia
2
. Por
conseqncia, um estimador de dado por

2
(valores tabulados de d
2
podem
ser consultados no anexo).
Deste modo, tem-se que a mdia das amplitudes
1
,
2
, ,

pode ser
dada por:

=
1

=1
(5)

35

e o desvio padro pode ser estimado por: =

2
, em que, o desvio padro,

a
amplitude e
2
a constante. Este estimador particularmente bom para amostras n
de tamanhos pequenos, entre 2 e 5, perdendo eficincia rapidamente medida que
a amostra aumenta de tamanho devido ao fato de no explicar o comportamento das
amostras entre X
max
e X
min
.
Desta forma, os parmetros do grfico podem ser definidos como:

+
2

Pode-se tambm construir um grfico de controle para a varivel R, em que a
mdia pode ser estimada por

e o desvio padro pode ser estimado por

, que
uma funo da amplitude relativa W = R/ cujo desvio padro definido como d
3
,
tambm sendo uma funo que depende exclusivamente do tamanho da amostra n.
Portanto, R = W e o desvio padro de R, o qual obtido pela expresso
R
= d
3
,
pode ser estimado por:

=
3

2
(7)

Desta forma, os parmetros do grfico R podem ser definidos como:

=
4

3


Compreendendo melhor, a amplitude R mede a variao dentro de cada
amostra em um dado momento. O grfico monitora a variao entre as amostras,
que a variao do processo ao longo do tempo. Ao controlar um processo atravs
de grficos, preciso maximizar a probabilidade de ocorrer variao entre
amostras, ao longo do tempo, e minimizar a probabilidade de haver variao dentro
36

de amostras, variao em um dado momento. Estas amostras assim obtidas so
chamadas de subgrupos racionais (VIEIRA, 1999).
Os valores referentes as constantes encontram-se no Anexo A.

3.2.2 Grfico

&

Essa carta utilizada quando o tamanho da amostra n = 1, isto , a amostra
consiste de uma nica unidade individual. Alguns exemplos de aplicao so:

Processos homogneos em que no faz sentido amostras com tamanho
maior que uma unidade. Um exemplo o controle de temperatura de um
banho qumico;
Quando se tem inspeo automatizada 100%;
Para processos cuja taxa de produo baixa, no fazendo sentido acumular
resultados ao longo do tempo para a avaliao da estabilidade do processo;
Quando o tamanho de amostra n > 1 for economicamente invivel.

O procedimento para estimar a variabilidade dos dados baseia-se no clculo das
amplitudes mveis entre duas observaes consecutivas. Desta maneira pode-se
estabelecer um grfico de controle para a varivel de interesse.
Assim sendo, a construo do grfico de controle para a mdia X o seguinte:

+
2

(9)

E para construo do grfico da amplitude mvel :

=
4

(10)

=
3

Em que,

=
1
1

=2
,
2
= 2,660,
4
= 3,267
3
= 0

37

3.3 GRFICOS DE CONTROLE CUSUM

Montgomery (2004) fala sobre a desvantagem associada utilizao dos
grficos de controle de Shewhart. Essa desvantagem associada insensibilidade
a pequenas variaes nos processos, digamos da ordem de 1,5 ou inferiores
ignorando ainda toda a informao relacionada seqncia de pontos registrados,
utilizando unicamente a informao do ltimo ponto plotado. Assim, quando o
interesse analisar pequenas variaes nos processos, alternativas podem ser
utilizadas aos grficos de Shewhart, os grficos de controle CUSUM e MMEP.
Incorporando diretamente toda a informao na seqncia dos valores da
amostra, o grfico CUSUM plota as somas cumulativas dos desvios dos valores da
amostra de um valor-alvo (MONTGOMERY, 2004). Supondo que amostras de
tamanho 1 sejam coletadas, e que

seja a mdia da j-sima amostra. Ento,

se
0
o alvo para a mdia do processo, o grfico de controle da soma cumulativa
formado, plotando-se a quantidade versus a amostra .

a soma cumulativa at, e

incluindo, a i-sima amostra.

=1
(11)

Os grficos de controle (CUSUM) apresentam um diferencial importante que
a combinao de vrias amostras. Alm disso, eles so particularmente mais
eficazes com amostras seqenciais de tamanho n=1, ou seja, so muito indicados
para algumas situaes, em que, o monitoramento do processo feito mediante
observaes individuais, explica Alves (2003). Exemplos de tais situaes ocorrem:

Na produo de substncias qumicas;
Em processos, em que, o subgrupo racional freqentemente tem tamanho
n=1;
No controle on-line que usam computadores para monitorar o processo;
Em processos que utilizam medida automtica para cada frao discreta
produzida.

38

Montgomery (2004) apresenta o grfico de controle de Soma Acumulada,
aplicado mdia e a variabilidade do processo, mencionando que possvel
projetar procedimentos de CUSUM para outras variveis estatsticas, tais como a
amplitude e desvio padro de subgrupos, variveis binomiais e de Poisson em
modelos de no conformidades e processos contnuos. Neste projeto ser focado no
grfico da soma cumulativa para a mdia do processo.
Alves (2003) diz que, um desvio do valor nominal do processo indicado
com uma tendncia crescente ou decrescente dos pontos plotados no grfico
CUSUM. Ou seja, quando o processo permanece sob controle no valor-alvo

, a
soma cumulativa definida na equao 11 um passeio aleatrio. Sendo assim,

desvia-se para um valor
1
. observada uma tendncia crescente quando
1
>
0
e
uma tendncia decrescente quando
1
<

(MONTGOMERY, 2004). Ainda, se uma

tendncia se desenvolve nos pontos plotados, tanto para cima quanto para baixo,
considera-se esse fato como evidncia de que a mdia do processo mudou, e deve
ser elaborada uma pesquisa para determinar alguma causa atribuvel. Para analisar
de maneira visual estas tendncias, preciso estabelecer limites.
H duas maneiras de representar os grficos CUSUMS, o CUSUM tabular e o
mtodo da mscara V do CUSUM. Das duas segundo Montgomery (2004), a tabular
prefervel
Ser apresentado agora, o mtodo do CUSUM tabular ou algoritmo. Ser
discutido, tambm, o procedimento do mtodo da mscara V.

3.3.1 Grfico de Controle CUSUM Tabular

O mtodo do CUSUM tabular pode ser construdo para monitorar a mdia de
um processo, em que, podem ser realizados tanto para observaes individuais,
quanto para as mdias de subgrupos racionais.Primeiro ser visto o caso de
observaes individuais.
Seja,

a i-sima observao do processo. Quando o processo est sob

controle,

tem uma distribuio normal com mdia

0
e desvio padro . Supem-
se que, ou conhecido, ou uma estimativa est disponvel.
O CUSUM tabular trabalha acumulando desvios de
0
que esto acima
do alvo, com uma estatstica C
+
, e acumulando desvios de
0
que esto abaixo do
39

alvo, com outra estatstica C

. As estatsticas C
+
e C

so chamadas CUSUMS
unilaterais superior e inferior, respectivamente(MONTGOMERY, 2004). Estes planos
de deciso so os limites de controle e representado por H = h. Ambas so
calculadas atravs de algoritmo de soma acumulada conforme as equaes 12 e 13.

+
= 0,

+ +
1
+
(12)

= 0,

+
1
+
(13)

Em que, os valores iniciais

+
e

so arbitrariamente iguais a zero. Se, ao

longo dos clculos, for encontrado um valor negativo para

+
, ento necessrio
substitu-lo por zero.
Da mesma forma se, ao longo dos clculos, for encontrado um valor positivo
para

, necessrio tambm substitu-lo por zero.

a observao controlada
no tempo i,

a mdia da amostra e K um valor de referncia (valor de

compensao ou folga) e aproximadamente a metade do valor que se tem
interesse em detectar rapidamente, determinado valor entre o valor pretendido

e
o valor da mdia fora de controle
1
(ALVES, 2003).
Assim, se a mudana expressa em unidades de desvio padro como

1
=
0
+ ( =

1

0

, ento K a metade da magnitude da mudana ou:

=

2
=

1

0
2
(14)

Em que, o tamanho da mudana que se deseja detectar em unidades de
desvios padro; o desvio padro;

o valor pretendido e
1
o valor da mdia fora
de controle. Alves (2003) diz que, o fator de sensibilidade K est diretamente
relacionado com a magnitude da variao que se deseja detectar com o grfico
CUSUM. Quanto menor este fator, menor ser a faixa de variao que o grfico
ser capaz de detectar e maior ser a sensibilidade do grfico.
No algoritmo de soma acumulada para cada amostra so obtidos valores dos
desvios

+
e

que so inseridos numa tabela e acumulados sucessivamente. A

soma acumulada destes desvios comparada com um intervalo de deciso H. Se

+
> H ou se

< H, ento o processo considerado fora de controle. Um valor

40

razovel para H cinco vezes o valor do desvio padro , isto , H = 5 (ALVES
2003).
Nas situaes em que se torna necessrio algum ajuste em alguma varivel
manipulvel para trazer o processo de volta ao valor-alvo

, uma estimativa da
nova mdia do processo pode ser til:

=

+ +

+
,

+
>

>
(15)

Para o grfico CUSUM Tabular padronizado o algoritmo de soma
acumulada definido como:

+
= 0,

+
1
+
(16)

= 0,

+
1
+
= 0, +

(17)

H duas vantagens em padronizar o CUSUM. Primeiro, muitos grficos de
CUSUM podem agora ter os mesmo valores de K e h, e as escolhas desses
parmetros no dependem de escala (isto , no dependem de ). Depois, o
CUSUM padronizado conduz, naturalmente, a um CUSUM para controle da
variabilidade (MONTGOMERY, 2004).
No CUSUM tabular pode ser implementada uma tabela com trs conjuntos de
colunas. O primeiro conjunto com os valores observados, o segundo com o desvio, a
soma acumulada unilateral

+
e o valor
+
. O terceiro com o desvio, a soma
acumulada unilateral

e o valor

.

Tabela 2 Tabela de implementao do algoritmo de soma acumulada

Fonte: Montgomery (2000)
41

Na Tabela 2,
+
e

indicam o nmero de perodos em que a soma

unilateral

+
ou

foi diferente de zero, imediatamente aps ter sido zero. A

contagem
+
e

inicia-se ou recomea sempre que o valor

+
ou

assume
valor zero. importante que o analista do processo compare o valor das somas
acumuladas

+
e

com o intervalo de deciso H a cada amostra i coletada para

concluir o estado do processo analisado. Se o processo estiver fora de controle o
analista precisa encontrar as causas especiais que levaram o processo a tal estado
e estimar seu valor mdio para que possa fazer o ajuste adequado(ALVES 2003).
Embora Montgomery tenha desenvolvido o CUSUM tabular para caso de
observao individual (n=1), o CUSUM estende-se facilmente ao caso de mdias de
subgrupos racionais (n>1). Substitui-se

por

, que a mdia amostral ou mdia

do subgrupo, nas frmulas 12 17 e substitui-se por
x
=

.

3.3.2 Mscara V

Alves (2003, p.39) diz que, um desvio do valor nominal do processo
indicado com uma tendncia crescente ou decrescente dos pontos plotados no
grfico CUSUM.
Portanto, quando a mdia da estatstica monitorada,

desvia-se para um
valor
1
. observada uma tendncia crescente quando
1
>
0
e uma tendncia
decrescente quando
1
<

. Para analisar de maneira visual estas tendncias,

preciso estabelecer limites. Um dos caminhos para estabelecer tais limites utilizar
a Mscara V sobre o grfico CUSUM. O procedimento Mscara V utilizado como
um mtodo alternativo alm do Grfico CUSUM Tabular para avaliar essas
tendncias. Este procedimento alternativo, descreve Alves (2003), s se tornou
popular aps o artigo de Barnard (1959) que prope o mtodo Mscara V sobre o
grfico CUSUM aplicado a sucessivos valores padronizados da estatstica CUSUM
1
1

=
+ = =
i i
i
j
i i
C y y C ,em que,
i
Y a observao padronizada
o
u
0

=
i
i
X
Y
MONTGOMERY, 2004).

42


Figura 11 Grfico de uma Mscara V tpica
Fonte: Montgomery (2004)

O grfico tpico da Mscara V demonstrado acima consiste em colocar o
ponto O sobre o ltimo valor de e a linha OP paralela ao eixo horizontal. O
procedimento de deciso diz que, se todas as somas cumulativas anteriores
esto dentro do V (representado horizontalmente), o processo est
sob controle. Caso uma das somas cumulativas encontra-se fora da Mscara V, o
processo considerado fora de controle. Montgomery (2004, p.266) frisa que, a
Mscara V deveria ser aplicada a cada novo ponto no grfico CUSUM, levando o V
para trs na direo da origem. O desempenho da Mscara V determinado pela
distncia-guia d e o ngulo mostrado no grfico acima.
Montgomery (2004, p.267), diz que, o CUSUM tabular e o mtodo da Mscara
V so equivalentes se: u . tan . A k = e dk d A h = = ) tan( . . u , em que, A a distncia
horizontal no traado da Mscara V entre pontos sucessivos, em termos da distncia
unitria na escala vertical.
Um mtodo para a seleo de d e u foi sugerido por Johnson (1961) que
recomendou os seguintes parmetros para a Mscara V: |
.
|

\
|
=

A 2
tan
1
o
u e
|
.
|

\
|
|
.
|

\
|
=
o
|
o
1
ln
2
2
d , em que, 2 a maior probabilidade permitida de um sinal
quando a mdia do processo est no alvo e a probabilidade de no detectar uma
mudana de tamanho . Se pequeno, ento
o
o) ln(
2 = d .
43

Montgomery (2004, p.267) aconselha a no usar o mtodo da Mscara V,
pois existem alguns problemas associados a esse procedimento.

A Mscara V um mtodo bilateral; no sendo muito til para problemas de
monitoramento de processos unilaterais;
A caracterstica inicial rpida, muito til na prtica, no pode ser
implementada com a Mscara V;
Algumas vezes torna-se difcil determinar quo longe o V da Mscara deve se
estender para trs fazendo com que a interpretao do prtico seja confusa e
difcil;
Talvez o maior problema com a Mscara V seja a ambigidade associada a
e .

3.4 GRFICO DE CONTROLE MMEP

O grfico de controle da mdia mvel exponencialmente ponderada (MMEP),
tambm conhecido como EWMA (Exponentially Weighted Moving Average),
introduzido por Roberts (1959), considerado tambm uma boa alternativa ao
grfico de controle de Shewhart, quando se est interessado em detectar pequenas
mudanas. Montgomery (2004, p.268) diz que, o grfico de controle MMEP similar
ao grfico de controle CUSUM quanto sensitividade em detectar pequenas
mudanas. Alm disso, o grfico de controle MMEP considerado mais fcil de
operar e estabelecer do que o mtodo CUSUM.
O grfico MMEP definido como:
1
) 1 (

+ =
i i i
z x z , em que, 1 0 s < uma
constante e o valor inicial o alvo do processo, de modo que
0 0
u = z .
O grfico de controle MMEP consiste na plotagem de
i
z versus o nmero da
amostra i (ou tempo). A linha central e os limites de controle para o grfico de
controle MMEP, construdos sob a suposio de normalidade, so dados por:




44

] ) 1 ( 1 [
) 2 (
2
0
i
L LSC

o u

+ =
0
u = LC (17)
] ) 1 ( 1 [
) 2 (
2
0
i
L LIC

o u

=

Para grandes valores de i na equao 8, os limites, superior e inferior de
controle do grfico tornam-se respectivamente iguais a:

) 2 (
0

o u

+ = L LSC e
) 2 (
0

o u

= L LIC respectivamente.

Os parmetros de planejamento do grfico MMEP so os valores de L e .
possvel escolher valores para esses parmetros de modo a atingir um desempenho
do grfico de controle MMEP, para que o mesmo seja prximo ao do mtodo
CUSUM. Valores baixos de fazem com que o grfico detecte mais rapidamente
pequenas mudanas na mdia do processo. Alguns dos valores de ,
freqentemente escolhidos para o planejamento do grfico so 0,1 e 0,2
Montgomery (2004, p.271).
O grfico MMEP muito utilizado para observaes individuais, mas sabido
que o mtodo apresenta timo desempenho para subgrupos racionais de n > 1. No
h grandes mudanas de um grfico MMEP para observaes individuais ou para
subgrupos, a nica alterao substituir os parmetros
i
x para x e o para
n
x
o
o = .

45


Fgura 12 Estrutura do grfico de controle MMEP
Fonte: Morais (2001)

3.4.1 MMEP como Preditor do Nvel do Processo

Montgomery (2004, p.274) descreve que o grfico de controle MMEP tem
uma interpretao mais ampla, e diz que possvel o grfico de controle MMEP
fornecer uma previso de onde estar a mdia do processo no prximo intervalo de
tempo, ou seja,

uma previso do valor da mdia do processo, , no perodo +

1.
Portanto, a estatstica MMEP

pode ser considerada uma previso da mdia

do processo no tempo +1, em que, o MMEP plotado um perodo frente, ou
seja,

plotado no perodo +1 no grfico de controle. Isso possibilita que o

prtico visualize quanta diferena h entre a observao corrente e a estimativa da
mdia corrente do processo.

3.5 CAPACIDADE DO PROCESSO

Quando se pensa em grficos de controle logo associado relao entre os
limites de controle com a ocorrncia de no conformidades, no entanto, o fato de um
processo estar sob controle, ou seja, dentro destes limites, no significa que os
produtos resultantes atendem especificao de qualidade exigida.
Com este objetivo, o estudo da capacidade trata da relao existente entre os
limites de controle, que so obtidos com base nos dados de processo, com os limites
46

de especificao, geralmente definidos pelo cliente ou pela rea de projetos, que
proporcionam o intervalo em que as medidas das caractersticas da qualidade
podem variar. Kotz & Johnson (2002) salientam que tais ndices devem ser
empregados posteriormente checagem de que o processo est sob controle
estatstico, o que refora o carter complementar destas tcnicas implantao de
um sistema de garantia da qualidade.
Neste sentido pode-se classificar um processo como:

Processo capaz: os resultados das medies ou limites de controle
encontram-se dentro da especificao do projeto, ou seja, no esto
sendo produzidos produtos no conformes;

Processo no-capaz: os resultados das medies ou limites de controle
encontram-se fora da especificao do projeto. Neste caso podem estar
sendo produzidos produtos no conformes.


Uma das ferramentas mais utilizadas para anlise da capacidade de processo
o histograma, cujo principal objetivo facilitar a organizao e disposio das
freqncias de dados atravs de uma representao grfica para que se possam
obter informaes sobre o seu comportamento.
A incluso dos limites de especificao nestes histogramas nos possibilita
analisar a localizao e a variao dos dados, fornecendo uma boa idia sobre a
capacidade do processo. O Anexo B exemplifica a construo e anlise desta
ferramenta.
Geralmente, dois ndices so utilizados para mensurar a capacidade de um
processo em consentir s especificaes. Estes ndices de capacidade,
fundamentados na suposio de normalidade dos dados e de que o processo esteja
sob controle, so comumente conhecidos como C
p
e C
pk
.
Os ndices se baseiam na relao entre os limites de especificao e o desvio
padro dos dados, que no caso dos grficos de controle para

, R e

, S so
estimados por:
=

2
=

4
(18)
47

3.5.1 ndice de Capacidade Potencial do Processo (

)

Este ndice foca na centralizao do processo, fornecendo uma medida
indireta da habilidade do potencial do processo em satisfazer a especificao. Seu
clculo se d da seguinte forma:

6
(19)

Em que:
LSE = Limite Superior de Especificao;
LIE = Limite Inferior de Especificao;
= Desvio Padro Amostral Estimado.

Para o processo ser considerado capaz, o ndice C
p
deve ser igual ou maior do
que um, porm, devido a este valor ser exatamente a especificao sugere-se uma
regra para garantir que este seja suficientemente capaz considerando a sua
centralizao:

C
p
< 1,00 - A capacidade do processo inadequada especificao exigida.
Deve-se diminuir a variabilidade para reduzir o nmero de no conformes e
garantir que o produto atenda a especificao;

1,00 C
p
1,33 - A capacidade est dentro da especificao exigida. Porm,
ainda deve-se diminuir a variabilidade do processo, pois esta pode gerar
produtos no conformes;
C
p
> 1,33 - A capacidade adequada especificao exigida. Neste caso no
se faz necessria interveno a menos que se queira reduzir a variabilidade
para aumentar a qualidade dos produtos.




48

3.5.2 ndice de Desempenho do Processo (

)

O ndice C
pk
foi crescido para suprir algumas deficincias do C
p
,
principalmente com relao a disperso do processo. O ndice C
p
tambm no leva
em considerao o seu nvel ou a sua centralizao.
A aquisio do ndice de capacidade C
pk
se d atravs do clculo de dois
ndices de especificao unilaterais chamados de C
pl
lower e C
pu
upper que so
obtidos por:

3
(20)

Logo,

= min{

}. (21)

Segundo o manual de referncia do controle estatstico de processo (2005,
p.22), a anlise mais detalhada da composio do ndice

indica que ele

quantifica a capabilidade em funo da pior metade dos dados do processo. Com
isso verifica-se que, alm da variabilidade, a posio tambm relacionada
especificao, fornecendo uma medida extremamente posicionada sobre o
comportamento do processo frente s suas caractersticas de engenharia.
Para o processo ser considerado capaz, o ndice C
pk
1. Entretanto, da
mesma forma que definido para o ndice C
p
, as mesmas regras podem ser utilizadas
para se garantir uma maior margem de segurana para a operao do processo.

3.5.3 ndices

Os ndices P
p
e o P
pk
tambm podem ser empregados para expressar
capacidade com a vantagem de no precisar de grandes amostras e da suposio
de estabilidade do processo.
A construo destes ndices se d de maneira similar a dos equivalentes C
p
e
C
pk
, substituindo-se apenas o desvio padro estimado pelo desvio padro amostral.

49

= min

3
,

3
Em que, S o desvio padro
da amostra.
Os ndices

apresentam vantagens sobre o C

p
e C
pk,
pois, o seu
clculo leva em conta tanto as causa comuns quanto as especiais de variao, e o
seu uso deve ser encarado como um dos indicativos da capacidade do processo. Lu
e Rudy (2002) comentam que o clculo destes ndices no leva em conta toda a
variao do processo, pois os dados empregados para a sua estimao geralmente
so provenientes somente de um intervalo curto de tempo, indicando assim, que os
valores P
p
e P
pk
so mais restritos que os valores de C
p
e C
pk
.
























50

4 METODOLOGIA

De acordo com Gil (1989), as pesquisas ou trabalhos cientficos podem ser
classificados de acordo com seus objetivos em trs tipos bsicos de estudo voltados
a buscar uma resposta ou soluo para um determinado problema. Estas pesquisas
so baseadas em mtodos descritivos, exploratrios ou explicativos.
Segundo Yin (1994), o estudo de caso um procedimento de pesquisa
indicada quando: os investigadores possuem pouco controle sobre o evento
estudado e o foco sobre um fenmeno contemporneo dentro de um contexto da
vida real.
O mtodo de trabalho adotado para o desenvolvimento deste projeto
enquadra-se no mtodo exploratrio, sendo o mesmo, quando se deseja ampliar o
conhecimento sobre o tema inerente ao objeto, aliado a um estudo de caso que se
justifica pelos seguintes motivos:

a) Aplicao direta em casos reais e ideais dos grficos de controle de
Shewhart, CUSUM e MMEP que sero estudados;
b) Descrever o estudo para demonstrar como os resultados foram
alcanados;
c) Estabelecer critrios para seleo eficaz dos grficos de controle em
processos normais de produo;
d) Verificar a praticidade na utilizao dos grficos de controle a serem
estudados.

A metodologia de pesquisa a ser desenvolvida neste trabalho, constituir-se-
na aplicao de grficos de controle de Shewhart, CUSUM e MMEP para a anlise
estatstica de processos industriais, partindo-se da premissa que os processos sero
normais. A verificao da metodologia proposta efetuada atravs da aplicao de
um estudo de caso, utilizando-se para tanto o software Minitab, verso 15.1.30.0.
As amostras sero coletadas em duas etapas. Na primeira etapa sero
gerados valores oriundos de modelos probabilsticos, em que, a anlise dar uma
condio ideal para o processo. A segunda etapa ser realizada a coleta de dados
provenientes de uma indstria metal mecnica local, em que, com dados reais,
sero comparados os diferentes tipos de grficos de controle.
51

Os resultados pretendidos deste projeto constituem o objeto de anlise para
fazer as comparaes entre os grficos de controle de Shewhart, CUSUM e MMEP.
A partir destes resultados pretende-se verificar o desempenho de cada grfico de
controle, investigando se existem diferenas significativas entre os trs
procedimentos, em detectar pontos fora de controle e averiguar se uma tcnica
mais eficiente que a outra, para a prtica do controle de qualidade.

4.1 CRONOGRAMA

A Tabela 3 demonstra o cronograma definido para a segunda fase do projeto
a ser realizado no primeiro semestre do ano de 2010.

Tabela 3 Cronograma para o primeiro semestre do ano de 2010.













52

5 CONSIDERAES FINAIS

Visto que o estudo dos grficos de controle possuem grande abrangncia e
ao mesmo tempo importncia para o controle estatstico, possvel colocar que o
projeto de grande relevncia aos envolvidos direta ou indiretamente ao controle de
qualidade nas indstrias, pois ainda hoje muitos dos mtodos de controle utilizados
genericamente nestas empresas so baseados quase que exclusivamente em
anlises de mdias e ndices simples de desempenho, que se constituem em
tcnicas relativamente lentas e ineficientes na identificao de variaes ou desvios
de processo.
O Instituto Superior Tupy ao relevar este tema, coloca-se entre as instituies
que rogam pela qualidade de ensino e abre possibilidades para novos estudos
quanto ao controle estatstico de processo e da qualidade.
Na continuao deste projeto, busca-se a elaborao de simulaes dos
grficos de controle em questo, assim como um estudo de caso real afim de
concluir sobre as vantagens e desvangens de cada grfico de controle e sua
praticidade no campo industrial.

















53

REFERNCIAS

ALVES, Custodio da Cunha. Grficos de Controle CUSUM: um enfoque dinmico
para a anlise estattica de processos. Dissertao (Mestrado em Engenharia de
Produo) - Curso de Ps-graduao em Engenharia de Produo, Universidade
Federal de Santa Catarina, Florianpolis, 2003.

ALVES, C. da C.; SAMOHYL, R. W. (2006). O monitoramento de processos
industriais via grficos de controle CUSUM. em: Qualimetria. Disponvel em:
<http://www.qualimetria.ufsc.br/artigos.htm [Ultimo acesso: Set. 9, 2009]>.

DAIMLERCHRYSLER. Controle Estatstico de Processo. 2
a
ed. 2005.

DVILA, Vitor Hugo Lachos. CUSUM E MMEP. Unicamp. So Paulo. 2007.

FILHO, Dullio C. de Macedo. Controle Estatstico de Processo. 2008.

FLOTT, Leslie W. Metal Finishing What is SPC?. P. 112-114. 2002.

JURAN, J. M.; GRYNA, F. M. Controle da qualidade. 4. ed. So Paulo: McGraw-Hill
do Brasil , 1993. V. 6. E V.7.

KUME, H. Mtodos estatsticos para melhoria da qualidade, Editora Gente,
So.Paulo, 1993.

MONTGOMERY,D.C. The Economic Design of Control Charts: A Review and
Literature Survey. Journal of Quality Technology, v.12, 75-87, 1980.

MONTGOMERY, D. C. Introduo ao Controle Estatstico da Qaulidade. 4 Ed.
Rio de Janeiro : John Wiley, 2009.

NELSON, Lloyd S. Control charts: rational subgroups and effective applications,
Journal of Quality Technology, New York, v. 20, no. 1, Jan. 1988. Disponvel em: <
http://www.qualityamerica.com >. Acesso em: 29 abril. 2009.
54

SIQUEIRA, L. G. P. Controle estatstico do processo. So Paulo: Pioneira. 1997.

SCHISSATTI, Mrcio Luiz. Uma Metodologia de Implantao de Cartas de
Shewhart para o Controle de Processos. Dissertao (Mestrado em Engenharia
de Produo) - Curso de Ps-graduao em Engenharia de Produo, Universidade
Federal de Santa Catarina, Florianpolis, 1998.

RAMOS, E. M. L. S. Aperfeioamento e Desenvolvimento de Ferramentas do
Controle Estatstico da Qualidade Utilizando Quartis para Estimar o Desvio
Padro. Tese de Doutorado pela Universidade Federal de Santa Catarina,
Florianpolis, Abril de 2003.

VIEIRA, Sonia. Estatstica para a qualidade Rio de Janeiro: Ed. Campus, 1999.

WERKEMA, Maria Cristina. Ferramentas estatsticas bsicas para o
gerenciamento do processo. Belo Horizonte: Fundao Cristiano Ottoni, 1995.


















55

ANEXOS
































Anexo A

Fatores para o clculo dos limites de controle ( 3 ) para os grficos , R.

Fonte: Montgomery (1980)
Anexo B


Fonte: Almas (2009)






1

Anexo D



Fonte: Dvila (2007)
2


Fonte: Dvila (2007)

















3

Anexo E



Fonte: Dvila (2007)
4




Fonte: Dvila (2007)