Anda di halaman 1dari 360

Ferramentas para Qualidade

Balanced ScoreCard - BSC


Ferramentas Gerenciais
Quality Function Deployment - QFD
Controle Estatstico do Processo - CEP
Professor:
Dorival Le ao
ii
Sumario
1 Balanced ScoreCard 1
1.1 Introduc ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Perspectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Perspectiva Financeira . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Perspectiva do Cliente: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 Perspectiva dos Processos Internos: . . . . . . . . . . . . . . . . . . . . . 4
1.2.4 Perspectiva de Aprendizado e Crescimento: . . . . . . . . . . . . . . . . . 4
1.3 Passos para a implementac ao do BSC . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Construc ao do Mapa Estrategico . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Diagrama em arvore . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 9
2.1 Diagrama de anidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Diagrama de relacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1 Construcao do diagrama de rela coes . . . . . . . . . . . . . . . . . . . . . 16
2.3 Diagrama em arvore . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3.1 Construcao do diagrama em arvore . . . . . . . . . . . . . . . . . . . . . 22
2.4 Matriz de priorizacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.1 Metodo de prioriza cao por criterios . . . . . . . . . . . . . . . . . . . . . 27
2.4.2 Metodo de prioriza cao por causa e efeito . . . . . . . . . . . . . . . . . . 32
2.5 Matriz de relacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5.1 Matriz de relac oes tipo L . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5.2 Matriz de relac oes tipo T . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5.3 Matriz de relac oes tipo Y . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5.4 Matriz de relac oes tipo X . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.6 Diagrama PDPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Sum ario iii
2.6.1 Construcao do diagrama PDPC . . . . . . . . . . . . . . . . . . . . . . . 40
2.7 Diagrama de atividades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.7.1 Smbolos, denic oes e regras . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.7.2 Construcao do diagrama de atividades . . . . . . . . . . . . . . . . . . . 52
3 QFD - Desdobramento da Funcao Qualidade 57
3.1 Denic ao e Evolucao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2 A Matriz QFD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3 Usando a Casa de Qualidade QFD . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3.1 Instrucoes para Usar a Casa de Qualidade QFD . . . . . . . . . . . . . 62
3.3.2 Resumo da End State Chemical . . . . . . . . . . . . . . . . . . . . . . . 71
3.4 Resumo QFD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4 Introducao `a Estatstica 74
4.1 Introduc ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2 Coleta de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.2.1 Planejando a coleta de dados . . . . . . . . . . . . . . . . . . . . . . . . 76
4.3 Exposic ao de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.3.1 Dados qualitativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.3.2 Dados quantitativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.4 Diagrama de Pareto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.4.1 Diagrama de Pareto relativo a custos . . . . . . . . . . . . . . . . . . . . 85
4.5 Distribuic ao de Freq uencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.5.1 Distribuicao de freq uencia pontual: Dados discretos . . . . . . . . . . . . 88
4.5.2 Distribuicao de freq uencia em intervalos de classes: Dados contnuos . . . 90
4.6 Histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.7 Medidas de Posic ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.7.1 Media aritmetica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.7.2 Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.8 Medidas de Dispers ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.8.1 Amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.8.2 Vari ancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.8.3 Desvio padr ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Sum ario iv
4.9 Estatsticas Descritivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.10 Boxplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.11 Dotplot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.12 A Distribui cao Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.13 Teorema Central do Limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.14 Teste de Normalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.14.1 Teste Anderson-Darling . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.14.2 Distribuic ao Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.14.3 Teste de Kolmogorov - Smirnov . . . . . . . . . . . . . . . . . . . . . . . 119
4.14.4 Shapiro-Wilk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5 Introducao ao CEP 129
5.1 Um sistema de controle do processo . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.2 Denic oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.3 Ac oes locais e ac oes sobre o sistema . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.4 O ciclo de melhoria e o controle do processo . . . . . . . . . . . . . . . . . . . . 135
5.4.1 Analisar o processo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
5.4.2 Mantendo o controle do processo . . . . . . . . . . . . . . . . . . . . . . 137
5.4.3 Aperfei coar o processo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.5 Uso efetivo e os benefcios dos gracos de controle . . . . . . . . . . . . . . . . . 138
5.5.1 Filosoa da gerencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.5.2 Filosoa da engenharia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.5.3 Manufatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.5.4 Controle de qualidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
5.5.5 Produ cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
6 Gracos ou Cartas de Controle 141
6.1 Gr acos de Shewhart . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.1.1 Formas de aplicacao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.1.2 Benefcios dos gracos de controle . . . . . . . . . . . . . . . . . . . . . . 143
6.1.3 Tipos de gracos de Shewhart . . . . . . . . . . . . . . . . . . . . . . . . 144
6.1.4 Fase preparat oria e elaborac ao dos gr acos . . . . . . . . . . . . . . . . . 144
Sum ario v
7 Gracos de Controle por Variaveis 149
7.1 Gr acos X e R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
7.1.1 Calculo dos limites de controle . . . . . . . . . . . . . . . . . . . . . . . . 151
7.1.2 Disposi cao dos pontos nos gracos X e R . . . . . . . . . . . . . . . . . . 152
7.1.3 Objetivos e interpretac ao dos gr acos X e R . . . . . . . . . . . . . . . . 154
7.2 Denindo sinais fora de controle . . . . . . . . . . . . . . . . . . . . . . . . . . 155
7.3 Average Run Length (ARL) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
7.4 Gr acos X e S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
7.4.1 Calculo dos limites de controle . . . . . . . . . . . . . . . . . . . . . . . . 162
7.4.2 Disposi cao dos pontos nos gracos X e S . . . . . . . . . . . . . . . . . . 163
7.5 Gr acos para valores individuais e amplitudes moveis: X e MR . . . . . . . . . 165
8 Gracos de Controle por Atributos 172
8.1 Gr aco p (para proporcao ou frac ao de defeituosos) . . . . . . . . . . . . . . . . 172
8.2 Gr aco np (n umero de defeituosos) . . . . . . . . . . . . . . . . . . . . . . . . . 183
8.3 Gr acos c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
8.4 Gr aco u . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
9 Introducao `a Analise de Capacidade do Processo 193
9.1 Variabilidade a curto prazo e variabilidade a longo prazo . . . . . . . . . . . . . 195
9.2 Estimativa do desvio padrao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
10

Indices de Capacidade e Performance do Processo 199
10.1

Indices de capacidade do processo: C
p
e C
pk
. . . . . . . . . . . . . . . . . . . 199
10.2

Indices de performance do processo : P
p
e P
pk
. . . . . . . . . . . . . . . . . . 206
10.3 Tratamento de toler ancias unilaterais . . . . . . . . . . . . . . . . . . . . . . . . 208
11 Capacidade do Processo e a Distribuicao Normal Padronizada (Z) 213
11.1

Indice C
pm
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
11.2 Aplicac oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
12 Analise de Performance do Processo para Dados Nao Normais 231
12.1 Modelo normal com a transformacao de Box-Cox . . . . . . . . . . . . . . . . . 231
12.2 Analise de performance do processo para dados com distribuic ao n ao normais . . 235
12.3

Indices de performance do processo : P
p
e P
pk
. . . . . . . . . . . . . . . . . . 236
Sum ario vi
12.4 Analise de performance do processo com a distribuic ao de Weibull . . . . . . . . 238
12.5 Analise de performance do processo com a distribuic ao exponencial . . . . . . . 247
12.6 Analise de Performance do processo com a distribui cao log-normal . . . . . . . . 253
12.7 Analise de performance n ao parametrica . . . . . . . . . . . . . . . . . . . . . . 259
12.7.1 Famlia de Pearson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
12.7.2 C alculo de ndice de performance nao parametrica (Clements) . . . . . . 261
12.7.3 Metodo do n ucleo (kernel) . . . . . . . . . . . . . . . . . . . . . . . . . . 267
13 Analise de Performance para Atributos 275
13.1 Analise de performance para dados binomiais . . . . . . . . . . . . . . . . . . . 275
13.2 Analise de performance para dados Poisson . . . . . . . . . . . . . . . . . . . . . 279
14 Exerccios 284
Referencias Bibliogracas 352
1
Captulo 1
Balanced ScoreCard
1.1 Introducao
O Balanced ScoreCard (BSC) foi desenvolvido pelos professores da Harvard Business School,
Robert Kaplan e David Norton, em 1992, com o prop osito de fornecer um modelo para avalia cao
e performance empresarial. O BSC, surgiu da necessidade de captar toda a complexidade da
performance na organiza cao das empresas.
O Balanced Scorecard (BSC) e um sistema de avalia cao de desempenho empresarial. Seu
principal diferencial e reconhecer que os indicadores nanceiros, por si so, nao s ao sucientes
para isso. O BSC complementa as medicoes nanceiras com avaliac oes sobre o cliente, iden-
ticando os processos internos que devem ser aprimorados e analisando as possibilidades de
aprendizado e crescimento, assim como os investimentos em recursos humanos, tecnologia e
capacitac ao que poderao mudar substancialmente as atividades, impulsionando o desempenho
futuro.
O Balanced Scorecard (BSC) e uma ferramenta de gestao que abrange os nveis estrategicos,
t atico e operacional, fornecendo um modelo que traduz a vis ao estrategia de uma empresa
em um conjunto de indicadores de desempenho, pois observou-se, ao longo do tempo, que
indicadores economicos eram insucientes para garantir competitividade a uma empresa.
O BSC deve levar ` a cria cao de uma rede de indicadores de desempenho que atinja todos
os nveis organizacionais, tornando-se, assim, uma ferramenta para comunicar e promover o
comprometimento geral com a estrategia da corporac ao (Kaplan e Norton, 1996; 2000, apud
Pietro et al 2006, p.82).
O Balanced Scorecard (BSC) e uma ferramenta que permite mapear a estrategia de uma
organizac ao em objetivos estrategicos e estes em indicadores de desempenho, distribudos em
1. Balanced ScoreCard 2
quatro perspectivas: Financeira, Clientes, Processos Internos e Aprendizado e Crescimento.
Essas perspectivas tem diretrizes b asicas, contudo deve conter um conjunto de indicadores
pr oprio para que viabilize o cumprimento da estrategia e a visao de cada empresa.
Algumas organizac oes j a utilizavam uma colec ao de indicadores nanceiros e nao nanceiros
para medir seu desempenho. Entretanto, um Balanced Scorecard (BSC) bem projetado e
diferente, pois suas quatro perspectivas formam uma cadeia de rela coes de causa e efeito. Por
exemplo, a melhoria em relac ao a Aprendizado e Crescimento leva a uma melhoria da qualidade
em Processos Internos, que por sua vez incrementa a satisfac ao dos Clientes, resultando em
melhoria da taxa de retorno sobre o capital empregado na parte Financeira. Efetivamente,
as relac oes de causa e efeito ilustram as hip oteses por traz da estrategia da organizac ao. Os
indicadores reetem a cadeia formada pelos direcionadores de desempenho, a qual determina a
efetividade da implementac ao da estrategia.
A gura a seguir mostra um esquema com essas perspectivas e a correlac ao existente entre
elas.
Figura 1.1: Perspectivas do BSC.
De um modo geral o BSC visa obter o conhecimento, habilidades e sistemas que a orga-
nizac ao precisar a para inovar e contruir os processos internos de modo a fornecer produtos
adequados ao mercado (perspectiva do cliente), os quais, eventualmente, proporcionar ao o au-
1. Balanced ScoreCard 3
mento do valor ao acionista (nanceiro).
Geralmente a estrategia de uma organizac ao e descrita em termos que possuem signicado
para a alta gerencia, mas para que ela possa ser implementada e necess ario que seja traduzida
para objetivos e indicadores que possam ser compreendidos pelos demais nveis da organizac ao.
O Balanced Scorecard (BSC) e um metodo que possui esse diferencial. Para que as metas e
objetivos sejam atingidos e necess ario o envolvimento de todos os setores e funcionarios da
empresa. Nessa ferramenta, o Balanced Scorecard (BSC), as perpectivas podem ser divididas
em subnveis, formando uma cascata, para que a traducao da estrategia para todos os nveis
da organizac ao seja possvel.
Enquanto que na alta gerencia, os objetivos estrategicos devem ser expressos em termos de
crescimento e lucratividade, estes objetivos necessitam ser traduzidos em termos mais concretos
para que eles possam ser disseminados por toda a organizac ao e cada executivo do nvel in-
termedi ario possa desenvolver objetivos e indicadores que deem suporte ao nvel superior. Por
exemplo, o incremento na lucratividade deve ser traduzido em termos de menor custo unit ario,
o qual por sua vez deve ser traduzido em termos da necessidade de uma melhor calibrac ao dos
equipamentos para os trabalhadores do ch ao da f abrica.
1.2 Perspectivas
Nesta sec ao, temos um estudo detalhado sobre cada uma das perspectivas apresentadas
anteriormente. Para isso apresenta-se algumas denic oes:
Objetivos estrategicos: o que a estrategia dene para ser alcancado em cada perspec-
tiva;
Indicadores: como sera medido o progresso em um determinado objetivo estrategico;
Metas: qual valor dever a ser alcancado em cada indicador; e
Iniciativas: o que dever a ser feito para facilitar o alcance da meta estipulada para um
determinado indicador.
Ap os essas denic oes, vejamos com detalhes cada uma das perspectivas:
1. Balanced ScoreCard 4
1.2.1 Perspectiva Financeira

E uma forma de avaliar se a estrategia da empresa esta trazendo melhoria nos resultados
nanceiros. Segundo Kaplan e Norton (2000), dentro dessa perspectiva temos duas estrategias
b asicas: crescimento da receita e produtividade. A primeira reetira em outras perspectivas
na busca de novas fontes de receita vindas de novos mercados, novos produtos ou clientes.
E a estrategia da produtividade ira buscar uma melhoria nos processos de produc ao e apoio
aos clientes atuais e pode incluir a reduc ao de custos. A perspectiva nanceira pode fornecer
diretrizes para as demais perspectivas, contribuindo para melhorar a lucratividade e rentabil-
idade da empresa. Existe uma grande importancia atribuda a essa perspectiva, no entanto,
caminha-se para a valorizacao de outras, como por exemplo, a de Aprendizagem e Crescimento,
que tambem devem inuenciar os resultados econ omicos.
1.2.2 Perspectiva do Cliente:
Na perspectiva dos clientes do BSC, as empresas identicam os segmentos de clientes e
mercado nos quais desejam competir. Essa perspectiva representa as fontes que irao produzir o
componente de receita dos objetivos nanceiros da empresa. Os indicadores para a perspectiva
do cliente inclui a retenc ao e satisfac ao dos clientes, conquista de novos clientes, lucratividade
de clientes e participa cao de mercado. Pode incluir ainda indicadores de satisfac ao dos clientes,
como qualidade do produto, preco, relac ao empresa-cliente / cliente-empresa, entrega r apida e
na data combinada e inovac oes dos produtos.
1.2.3 Perspectiva dos Processos Internos:
Os processos internos visam identicar os processos mais crticos de forma a realizar os
objetivos de clientes e acionistas. Assim essa perspectiva proporciona suporte as duas anteriores.
Visa atrair e reter clientes no segmento de atuacao da empresa e ao mesmo tempo, agregando
valor acion ario.
1.2.4 Perspectiva de Aprendizado e Crescimento:
Para que uma empresa se mantenha no mercado s ao necessarios mudancas e aperfeicoamentos
constantes. A condic ao para uma empresa melhorar a cada dia e o aprendizado. Esse apren-
dizado pode ocorrer por meio de investimentos em novos equipamentos, pesquisa em desen-
volvimento, sistemas e procedimentos e nos recursos humanos.
1. Balanced ScoreCard 5
1.3 Passos para a implementacao do BSC
A implementac ao do Balanced Scorecard (BSC) em uma organizac ao pode seguir a seguinte
seq uencia:
1. Denir a forma do sistema de indicadores: Criar uma forma de gerenciamento e
aplicac ao da estrategia nas unidades da organiza cao.

E importante observar que devem
existir interac oes entre as diversas unidades, para que nao ocorra de uma unidade alcancar
suas metas as custas de outras.
2. Denir os objetivos estrategicos: Pode-se denir tres a quatro objetivos estrategicos
para cada uma das perspectivas do Balanced Scorecard (BSC) e os potenciais indicadores
de desempenho para cada objetivo estrategico escolhido.
3. Escolha dos indicadores estrategicos: Escolher indicadores estrategicos, que inuen-
ciam o atual desempenho, para servirem ao acompanhamento da evoluc ao no alcance dos
objetivos estrategicos denidos.
4. Desenvolver um plano de implementacao: Os valores das metas devem ser associa-
dos aos indicadores.

E necess ario desenvolver um sistema de comunicac ao para interligar
os indicadores estrategicos do nvel mais alto aos indicdores operacionais do nvel mais
baixo. Desta forma, o Balanced Scorecard (BSC) e integrado ao sistema de gerenciamento
de organizac ao.
1.4 Construcao do Mapa Estrategico
Atraves do mapa estrategico, e possvel visualizar as relac oes de causa e efeito existentes
entre os objetivos dentro de cada perspectiva e entre as quatro perspectivas. O mapa estrategico,
atraves das setas, apresenta claramente as rela coes de causa e efeito existentes entre os objetivos.
Os Mapas Estrategicos mostram, visualmente, a logica de gestao, explicitando a hierarquia
dos objetivos da organiza cao. A perspectiva nanceira continua sendo a principal, que tem
seus resultados melhorados pela perspectiva do cliente, e esta, como a perspectiva nanceira,
tem seus resultados melhorados dado aos processos internos, que tambem tem seus resultados
alavancados pela perpectiva do aprendizado e crescimento. Os mapas oferecem uma logica,
onde o aprendizado e o crescimento geram, ao longo dos mapas (de baixo para cima) resultados
que, por meio de melhores e mais precisos processos de trabalho (perpectiva dos processos
1. Balanced ScoreCard 6
internos) permitir ao a organizac ao atender mais ecazmente seus clientes, obtendo melhores
resultados nanceiros.
Alguns exemplos de mapas estrategicos:
Figura 1.2: Exemplo de Mapa Estrategico.
Figura 1.3: Exemplo de Mapa Estrategico.
1. Balanced ScoreCard 7
Figura 1.4: Exemplo de Mapa Estrategico.
Figura 1.5: Exemplo de Mapa Estrategico.
1. Balanced ScoreCard 8
1.5 Diagrama em arvore
O diagrama em arvore e uma ferramenta que pode ser utilizada para desdobrar os objetivos
estrategicos em indicadores, permitindo identica-los em crescente grau de detalhamento.
Este diagrama estabelece um vnculo racional entre o objetivo estrategico, indicadores e os
projetos que nos levam ao objetivo estrategico.
Para ilustrar, apresenta-se um exemplo do diagrama em arvore.
Figura 1.6: Diagrama em arvore.
9
Captulo 2
As Sete Ferramentas Gerenciais da
Qualidade (7FGQ)
Em 1972, o especialista japones Shigeru Mizuno conclua que havia uma nova era para a
qualidade, na qual as empresas, para se manterem competitivas no mercado, precisavam:
1. Incorporar inovac oes aos produtos e servicos de tal modo que oferecessem valor adicional
ao cliente, indo alem do simples atendimento de suas necessidades;
2. Desenvolver a capacidade de realizar neg ocios obedecendo a restric oes variadas, tais como
o controle da poluic ao, a responsabilidade civil sobre danos causados por produtos, a
limitac ao dos recursos naturais e da energia, o problema de custos, etc.
Naquela epoca, faltavam ferramentas que formassem um conjunto coerente que pudesse ser
assimilado rapidamente e aplicado amplamente por quaisquer gerentes ou prossionais envolvi-
dos em planejamento estrategico, planejamento em geral, denic ao de objetivos e resoluc ao
de problemas. Dentro dessa nova era para a qualidade, eram necessarias novas ferramentas
capazes de auxiliar em atividade como:
Explicitar relac oes de causa e efeito em situac oes ou problemas complexos;
Organizar e sistematizar a informac ao;
Revelar oportunidades ou problemas latentes;
Processar dados verbais;
Estimular a criatividade, a gerac ao de novas ideias;
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 10
Permitir analise multidimensional (a consideracao simult anea de v arios fatores inter-
relacionados);
Acompanhar a implementac ao das atividades.
Assim, entre 1972 e 1978, uma comissao da JUSE (Japonese Union of Scientits and En-
gineers) pesquisou e compilou as sete ferramentas gerenciais da qualidade, as quais nos
referimos por 7FGQ. S ao elas:
Diagrama de anidades (ver Sec ao 2.1);
Diagramas de relacoes (ver Sec ao 2.2);
Diagrama em arvore (ver Sec ao 2.3);
Matriz de priorizacao (ver Sec ao 2.4);
Matriz de rela coes (ver Sec ao 2.5);
Diagrama de PDPC (n ao apresentaremos);
Diagrama de atividades (n ao apresentaremos).
2.1 Diagrama de anidades
Serve para esclarecer a natureza, a forma e a extensao dos problemas, agrupando ideias ou
opinioes sob a forma de informacoes verbais, segundo similaridade.
O diagrama de anidades esclarece problemas ou situac oes importantes, cujo estado inicial e
confuso, desordenado ou inexplorado. Dados verbais coletados sobre o problema s ao agrupados
em diversos conjuntos segundo suas anidades e relac oes naturais. Deste modo, consegue-
se uma maior compreens ao da situac ao e sua consideracao sob novos enfoques, estimulando a
criatividade e o surgimento de novas ideias. Na Figura 2.1 temos uma representac ao do conceito
do diagrama de anidades.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 11
Figura 2.1: Conceito do diagrama de anidades.
Construcao do diagrama de anidades
Abaixo s ao descritos alguns passos que podem auxiliar na constru cao do diagrama de anidades.
Escolher o tema: os temas apropriados para se desenvolver um diagrama de anidades
devem referir-se a situa coes dos seguintes tipos:
Existe incerteza e diculdade de entendimento dos fatos;
Pensamentos, ideias e opini oes est ao incertos e desorganizados;
Os valores e conceitos atuais constituem barreiras para atingir novos objetivos, es-
tabelecer mudancas e romper o status quo. Eles precisam ser descartados e novos
valores, conceitos e sistemas precisam ser estabelecidos;
Falta unidade em um grupo heterogeneo e deseja-se promover o trabalho em equipe
para favorecer o entendimento m utuo;
A gerencia precisa ouvir os funcion arios e esclarecer suas ideias e polticas.
O tema deve ser expresso em frase do tipo quais s ao as questoes envolvidas em ...?, de
conte udo propositadamente generico, sem qualquer conotac ao positiva ou negativa, para
evitar a indu cao de ideias segundo o status quo ou sob conceitos preexistentes.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 12
N ao se deve tentar construir um diagrama de anidades sobre problemas simples ou que
exigem soluc ao imediata.
Coletar os dados verbais: Os dados verbais podem ser fatos, opinioes ou pensamentos.
Existem varias maneiras para se coletar dados verbais, conforme mostra o diagrama da
Figura 2.2, entre as quais o brainstorming e uma das mais importantes. Cabe aqui
observar que o brainstorming tende a ser mais rico e criativo quanto mais heterogenea
for a equipe. Isto e particularmente importante na construc ao do diagrama de anidades,
em que deve-se buscar a contribuic ao das diversas areas ou departamentos envolvidos.
Figura 2.2: Diagrama com formas de coletas de dados verbais.
Transferir os dados para cartelas: Os dados verbais coletados devem ser revisados
de modo a conter ideias, opini oes e pensamentos individuais, na forma de frases inde-
pendentes, com um unico e claro signicado. Deve-se usar uma cartela para cada frase.
Frases e termos vagos ou abstratos n ao devem ser utilizadas, pois podem tornar o dados
sem utilidade em etapas posteriores. Recomenda-se o uso de cartelas adesivas post-it
tamanho grande, colocadas sobre folhas de ip-chart.
Agrupar as cartelas: Antes de iniciar esta etapa de agrupamento, as cartelas devem
ser bem embaralhadas. Isto e muito importante para eliminar qualquer ordena cao preex-
istente, o que induziria o pensamento convencional ou padronizado.
Em seguida, as cartelas devem ser espalhadas na superfcie de trabalho, de modo que
todos os membros do grupo possam le-las sem diculdade.
Durante a etapa de agrupamento, os participantes devem permanecer em silencio, com o
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 13
objetivo de estimular a criatividade e o pensamento n ao-convencional, evitando tambem
o efeito dispersivo de disputas verbais.
Em silencio, o participante deve ler cada cartela lentamente duas ou tres vezes. Ao
encontrar cartelas similares, deve coloc a-las uma ao lado da outra. Todos fazendo isso
simultaneamente, em breve ser ao formados grupos de cartelas ans. A anidade que
se busca detectar, nesta fase, deve basear-se no feeling ou intuic ao, ao inves da raz ao ou
l ogica. O termo feeling refere-se a um estado mental que precede a conscientizac ao l ogica.
O ideal e que se tenha a impressao de que as cartelas se agrupam por si pr oprias. Nao
se deve agrupar as cartelas segundo criterios classicatorios ou com base em palavras
similares.

E perfeitamente possvel que existam cartelas solit arias.
Rotular os grupos de cartelas: Ap os o agrupamento inicial, feito em silencio, os
grupos de cartelas devem agora receber r otulosque descrevam sua anidade. Durante a
discuss ao, as cartelas que os participantes julgarem nao pertencer ao grupo devem voltar
para o estagio de agrupamento inicial ate que elas tenham sido colocadas em grupos mais
apropriados ou que quem como solit arias. Em geral, do processo de agrupamento
devem resultar de 6 a 10 grupos de cartelas.
Os r otulos sao propostos e escolhidos em comum acordo por toda a equipe ap os a leitura
das cartelas (agora em voz alta). Deve-se criar uma nova cartela para cada r otulo, a
menos que se decida que uma das cartelas do grupo e o pr oprio rotulo. Os rotulos devem
traduzir, em palavras claras e simples, os signicados e as nuan cas das cartelas do grupo,
mas nao devem dizer mais do que as pr oprias cartelas.
Uma vez denido, o r otulo e colocado sobre as cartelas do grupo. Os grupos rotulados
s ao tratados agora como se fossem cartelas individuais, e o procedimento e retomado,
embaralhando-se os grupos rotulados e fazendo-se novo agrupamento, ate que se chegue
aos rotulos nais.
Desenhar o diagrama: Uma vez denidos os grupos de cartelas e seus r otulos, o
diagrama de anidades pode ser desenhado. Setas podem ser usadas para indicar as
inter-rela coes entre os grupos e cartelas.
Exemplo 2.1. Pesquisa e desenvolvimento. Em 1970 no Japao, durante um seminario
conduzido por Jiro Kawakita (criador do diagrama de anidades), um grupo de dez engenheiros
e gerentes de diferentes empresas produziu um diagrama de anidades em torno do tema Como
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 14
deve ser conduzida a pesquisa e desenvolvimento? A Figura 2.3 mostra uma parte do diagrama
de anidades entao obtido.
Figura 2.3: Exemplo do diagrama de anidades.
Exerccio 1. Desenvolva uma analise de Anidades para os dados de reclamacoes de cliente.
Passo 1: Forme a equipe.
Passo 2: Estude os dados de reclamac oes de clientes para um Grupo de Servicos de
Computac ao. Desenvolva categorias para agrupar e analisar futuros dados de reclamac oes.
Passo3: Coloque os dados em cartoes ou notas adesivas.
Passo 4: A equipe faz a organiza cao em dois est agios:
1. Mova as notas adesivas em agrupamentos de modo silencioso. (O.K. mudar os agru-
pamentos que outras pessoas zeram).
2. Abra o dialogo e discussao sobre os agrupamentos. Obtenha consenso da equipe.
Passo 5: Crie temas para cada agrupamento. Obtenha consenso sobre os temas.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 15
Passo 6: Coloque os temas em notas adesivas sobre cada agrupamento de reclama coes.
Dados de reclama coes de clientes:
1. Assistencia ao cliente inconsistente.
2. Nos nao camos sabendo do treinamento disponvel.
3. Obtenho respostas diferentes dos consultores.
4.Sempre me mandam para outra pessoa.
5. Documentacao de programas nao disponvel.
6. Demora muito para conseguir um recurso simples.
7. Muitas mudan cas ocorrendo nos servicos de computador.
8. Nao consigo retorno suciente dos consultores.
9. Projetos sao completados depois do prometido.
10. Muito difcil se matricular no treinamento.
11. Muito complexo pedir e justicar programas.
12. Nao consigo respostas conaveis do balcao de ajuda.
13. Muito difcil justicar upgrades de programas.
14. Impossvel obter alguns upgrades de equipamento.
15. Apoio ao cliente imprevisvel.
16. Por que nossos sistemas sao tao atrasados?
17. Muitos formularios exigidos para os pedidos.
18. Eu posso comprar imediatamente os programas que preciso.
19. As prioridades nao sao justas.
20. Qual e o processo que determina as prioridades?
21 Nenhuma resposta sobre porque eu tenho que esperar um ano.
22. Quando nosso pedido sera processado?
23. Programas de gerenciamento de dados mais amigaveis.
24. Nao sabemos o que esperar quando chamamos.
25. Apoio ao cliente muda cada vez que eu chamo.
26. Melhor sofrer do que tentar conseguir ajuda.
27. PCs no centro de treinamento sao muito lentos.
28. Nos temos que chamar de volta quando as instala coes terminam.
29. Balcao de ajuda nao resolve problemas.
30. Tempo de resposta muito longo para as necessidades.
31. Preciso de notcias melhor atualizadas sobre como esta o problema.
32. Solicitar itens e macante.
33. Nao respondem `as necessidades de modo pontual.
34. Nao consigo descobrir como esta meu pedido.
35. Espera muito longa por um novo PC.
36. Manuais de programas nao disponveis.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 16
37. Difcil usar o balcao de ajuda.
38. Nao consigo obter um compromisso rme sobre prazos.
39. Documenta cao de programas nao atualizada.
40. Documenta cao nao confere com a versao no PC.
41. Nao consigo obter um compromisso rme a respeito do conserto.
2.2 Diagrama de relac oes
Serve para esclarecer as relacoes de causa e efeito de um problema ou situacao complexa.
O diagrama de rela coes mostra os diversos fatores ou itens relevantes em uma situacao ou
problema complexo, indicando as relac oes logicas entre os mesmos por meio de setas para
facilitar o entendimento amplo, a identica cao de fatores e a busca de soluc oes adequadas.
Esta e uma tecnica desenvolvida para identicar como as causas e efeitos de um problema se
relacionam e, geralmente, e utilizada para analisar problemas que possuem uma rede complexa
de relac oes de causa e efeito. Com o diagrama de relac oes, e possvel identicar os relacionamen-
tos l ogicos e seq uenciais entre o problema e as ideias a ele relacionadas, mostrando a conex ao
entre v arios diagramas de causa e efeito.
Figura 2.4: Conceito do diagrama de relacoes.
2.2.1 Construcao do diagrama de relacoes
Abaixo s ao descritos alguns passos que podem auxiliar na construc ao do diagrama de relac oes.
Formac ao da equipe;
Obter consenso em relac ao ao tema;
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 17
Coleta dos dados verbais:
Brainstorming;
Diagrama de anidades;
Diagrama de Ishikawa;
Diagrama em arvore.
Escreve-se cada item (dado verbal) coletado em uma cartela (papeis adesivos s ao muito
uteis para esta nalidade);
Montagem do diagrama de relac oes:
Espalhamento dos cart oes: As cartelas devem ser espalhados sobre a superfcie
de trabalho, antes da selec ao de cada um.
Tracado das setas: Escolher a primeira cartela, colocando-a sobre a folha de ip-
chart. Em seguida, faz-se a pergunta: Esta cartela tem relacao direta com alguma
das demais cartelas, inuenciando ou sendo inuenciado pelas mesmas? Deve-se
ler em voz alta o conte udo das cartelas ao buscar relac oes entre elas (Figura 2.5).
Figura 2.5: Escolha da primeira cartela.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 18
Ao identicar uma cartela-efeito em relacao ao primeiro, coloque-os proximos e
trace uma seta da cartela-causa para a cartela-efeito (ou cartela-meio para a cartela-
objetivo) (Figura 2.6):
Figura 2.6: Cartela-causa e cartela-efeito (ou cartela-meio e cartela-objetivo).
Setas com duplo sentido devem ser evitadas, pois podem gerar confusao, levando
a crculos viciosos. Quando existe m utua relac ao de causa-efeito, o grupo deve
decidir qual cartela tem mais inuencia e elege-la como causa, e, assim, a seta
deve partir dela.
Figura 2.7: Utilizar setas com sentido unico.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 19
Para cada cartela trazida `a superfcie de trabalho, vericar se ela tem relac ao de
causa-efeito com as que foram trazidas anteriormente.

E util marcar a cartela (com
um x, por exemplo) apos fazer essa vericacao e desenhar as setas necessarias.
Repete-se o procedimento ate que todas as cartelas tenham recebido a pergunta e
que tenham sido tracadas todas as setas, obtendo-se a vers ao preliminar do diagrama
de relac oes.
Figura 2.8: Vers ao preliminar do diagrama de rela coes.

E importante que o grupo garanta que todas as cartelas tenham sido consideradas!
Revisao do diagrama: Deve-se revisar o diagrama como um todo, realizando as
alterac oes que forem necess arias. Isto e muito importante para aproveitar ao maximo
o potencial da ferramenta.
Selecao dos itens crticos: A equipe deve discutir e buscar o consenso quanto
aos itens ou fatores mais importantes no diagrama, sobre os quais deveria ser de-
senvolvido um plano de ac ao. Uma dica para identicar os fatores crticos, de
uma situa cao ou problema a ser discutido, e vericar aqueles com maior n umero
de setas saindo (estes tendem a ser causas primarias) ou com maior n umero de se-
tas entrando (estes podem ser gargalos). As cartelas dos itens crticos devem ser
realcadas, contornando-se suas bordas com o pincel at omico. Em geral, o n umero
de itens crticos nao deve exceder sete, para n ao dispersar a atencao.
Desenho do diagrama de relacoes: Obtido o consenso quanto ` a forma do di-
agrama e seus fatores crticos, o diagrama deve ser passado a limpo, isto e, de-
senhado em papel. Copias devem ser distribudas a todos os participantes, para
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 20
futuras revis oes e atualizac ao. Os quadros dos itens crticos devem estar devida-
mente realcados, com contorno duplo, grosso ou sombreado.
Figura 2.9: Quadro dos itens crticos realcados no diagrama de relac oes.
Esta forma nal do diagrama tambem e util para explicar a situac ao ou problema
complexo a outras pessoas, principalmente aos nveis gerenciais superiores.
Plano de acao: Se o grupo recebeu (como e desej avel) autoridade para delinear e
implementar um plano de a cao, o mesmo deve ser feito em seguida, baseando-se nos
itens crticos selecionados. Neste ponto, recomenda-se iniciar um ciclo PDCA, cuja
primeira etapa tera sido consideravelmente facilitada pela construc ao do diagrama
de relac oes.
Atualizacao do diagrama:
`
A medida que progridem as atividades denidas no
plano de a cao, dados s ao coletados, hip oteses s ao conrmadas ou rejeitadas, surgem
novos dados, a situac ao pode modicar-se em alguns aspectos, a experiencia adquirida
pelo grupo pode levar a novos enfoques e ideias. Todos estes fatos enfatizam a im-
portancia de o grupo revisar e atualizar o diagrama de relac oes v arias vezes, ate a
conclus ao do plano.
Exemplo 2.2. A Figura 2.10 mostra um diagrama de relacoes construdo para analisar as
causas e fatores que inuenciam erros de etiquetagem de mercadorias, os quais dao origem
a reclamacoes de clientes. Conclui-se que e importante ter instrucoes de operacao claras e
precisas e evitar erros de interpretacao por parte dos operadores, por meio de treinamento.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 21
Figura 2.10: Exemplo do diagrama de rela coes - analise de causas e efeitos que inuenciam
erros de etiquetagem de mercadorias.
2.3 Diagrama em arvore
O diagrama em arvore e uma ferramenta que permite identicar, em crescente grau de detal-
hamento, todos os meios e tarefas necess arios para atingir um dado objetivo. Alem disso, essa
tecnica habitua as pessoas a pensar em termos de meios e objetivos, o que, freq uentemente, e
difcil para quem esta envolvido em executar as tarefas especcas da rotina de trabalho.
A forma nal do diagrama em arvore lembra a estrutura ramicada de uma arvore, fato que
originou o nome. Este diagrama estabelece um vnculo racional entre o objetivo prim ario e as
tarefas de implementac ao e tambem e conhecido como arvore funcional.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 22
Figura 2.11: Forma do diagrama em arvore.
2.3.1 Construcao do diagrama em arvore
Abaixo sao descritos alguns passos que auxiliam na construc ao do diagrama em arvore.
Estabelecer o objetivo: O objetivo primario a ser alcancado deve ser expresso de
maneira clara e simples, em poucas palavras. Se existem premissas basicas ou pre-
requisitos para que a busca do objetivo se inicie, estas devem ser registrados ao lado
do objetivo.
Uma vez denido, ele deve ser conrmado como objetivo primario, fazendo-se a pergunta:
Com que proposito se busca esse objetivo?. A resposta a essa pergunta pode levar ` a
identica cao de um objetivo maior e tambem ajuda a vericar a adequac ao do objetivo
proposto.
No uso integrado das sete ferramentas gerenciais da qualidade, o objetivo proposto, usual-
mente, tem sua origem a partir de algum item identicado como fator crtico (causa
prim aria ou gargalo) no diagrama de relac oes. Uma outra fonte de objetivos pode ser
o diagrama de anidades.
Para se justicar o uso do diagrama em arvore, o objetivo a ser atingido deve envolver
atividades de implementac ao sucientemente complexas, caso contr ario, bastaria a simples
atribuic ao de poucas e denidas tarefas diretamente aos respons aveis.
Listar os meios e tarefas: os meios secundarios e tarefas de implementac ao, levantados
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 23
como necess arios para atingir o objetivo, sao registrados em cartelas `a medida que v ao
surgindo e devem ser mantidos ` a vista de todos os membros da equipe.
Existem alguns metodos para se levantar os meios/tarefas, cuja escolha depende da
situac ao e do julgamento do grupo:
1. O metodo mais comum e o do brainstorming livre em torno do objetivo primario, o
que tende a ser mais criativo;
2. Comecar com os meios principais e desmembr a-los, por associac ao e brainstorming
direcionado, em meios secund arios e tarefas de implementac ao;
3. Usar meios e tarefas que j a tenham sido apontados nos diagramas de relac oes ou nos
diagramas de anidades, vistos anteriormente.
Selecionar os meios e tarefas: Uma selec ao ou prioriza cao nal das tarefas de imple-
menta cao provavelmente ainda ser a necessaria ap os a conclusao do diagrama em arvore,
usando uma matriz de priorizac ao.
Cada cartela deve receber uma marca O, P ou X, com o seguinte signicado:
O = praticavel
P = potencialmente praticavel
X = impraticavel
As cartelas potencialmente praticaveis devem ser prontamente investigadas e reclas-
sicadas como praticaveis ou impratic aveis. Durante o julgamento das cartelas, e
importante:
Evitar analises superciais e rejeicao prematura das ideias;
Lembrar que uma ideia, a princpio impratic avel, pode ser melhorada com a in-
corporac ao de novas ideias e renamento posterior;
Manter uma postura positiva, de encorajamento, suporte e cultivo de novas ideias,
ao inves de mat a-las no ber co. Combater a tendencia inicial de descartar ideias
inusitadas e nao convencionais;
Registrar outras ideias que possam surgir durante a an alise;
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 24
N ao tente levar ` a exaust ao esta etapa de an alise, para n ao atravancar o processo.
O objetivo e evitar a perda de tempo em relac ao a ideias que facilmente podem ser
reconhecidas como inadequadas ou irrelevantes para o objetivo em quest ao. Caso
algumas ideias classicadas como P persistam, e melhor mante-las do que elimina-
las. A discuss ao e an alise posteriores podem ajudar a decidir.
Organizar os meios e tarefas selecionados: Coloque a cartela com o objetivo primario
` a esquerda da superfcie de trabalho. Em seguida, para cada cartela, faca a pergunta:
Para atingir este objetivo, qual o meio mais necess ario?. As cartelas que respondem
a essa pergunta mais adequadamente devem ser colocadas ` a direita do objetivo prim ario
(Figura 2.12).
Figura 2.12: Organizac ao dos meios principais.
Embora, neste ponto, esteja clara a relacao entre o objetivo e os meios, estes provavel-
mente ainda nao representam ac oes concretas.

E preciso um maior detalhamento ate
chegarmos em tarefas especcas que possam ser atribudas aos envolvidos. Ent ao, para
cada meio principal, coloca-se a seguinte pergunta: Se agora este meio for considerado
um objetivo, que outros meios ser ao necessarios para atingi-lo? Dentre as cartelas ger-
adas, selecionam-se aquelas que mais adequadamente respondem `a quest ao, colocando-as
` a direita do respectivo meio principal. E assim por diante, repete-se essa pergunta ate que
se tenha atingido o grau de detalhamento necess ario e que todas as cartelas tenham sido
colocadas `a direita do respectivo meio/objetivo. Durante esse processo, com freq uencia
surgem novas ideias, as quais devem ser anotadas, analisadas e agregadas ` as demais ou
descartadas.
Quando todas as cartelas tiverem sido arranjadas, tracam-se linhas conectando as relacoes
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 25
entre as tarefas/meios e o objetivo.
Conrmar a adequacao dos meios: A ecacia do diagrama em arvore depende muito
da relacao direta de causa e efeito entre cada objetivo e os meios. Se essa relacao nao
existir, algum outro meio ou tarefa relevante nao foi observado. Nessa etapa, procura-se
conrmar que os meios sao, de fato, os mais adequados. A partir dos meios ou tarefas
mais especcas (` a direita do diagrama) faz-se a pergunta: O meio principal (objetivo)
pode realmente ser alcancado por este meio ou tarefa?. Se a resposta for sim, repita a
quest ao para os nveis superiores do diagrama. Se a resposta for n ao, identique os meios
que est ao faltando e acrescente-os. Agora o diagrama em arvore est a completo e as tarefas
de implementac ao podem ser atribudas `as pessoas ou serem priorizadas usando-se, por
exemplo, uma matriz de priorizac ao.
A Figura 2.13 representa um diagrama em arvore completo.
Figura 2.13: Diagrama em arvore completo.
Exemplo 2.3. Uma equipe interfuncional reuniu-se para discutir o tema Quais sao os fatores
relevantes no atraso das entregas de mercadorias aos clientes?.
Foi construdo um diagrama de rela coes, no qual um dos fatores crticos identicados foi
o problema da complexidade na entrada de dados dos pedidos de compra no sistema de com-
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 26
putador. A equipe reuniu-se posteriormente e construiu o diagrama em arvore da Figura 2.14
em torno do objetivo Reduzir a complexidade na entrada de dados.
Figura 2.14: Exemplo do diagrama em arvore - reduzir a complexidade na entrada dos dados.
Exerccio 2. Desenvolver um Diagrama em

Arvore (tipo resolucao de problema) para deter-
minar as possveis causas basicas de um problema de um colecionador de carros antigos. O
problema e: O Mustang 1976 nao da partida.
Exerccio 3. Desenvolver um Diagrama em

Arvore (tipo planejamento) para determinar as
caractersticas possveis que um bom fornecedor deve possuir. Essa atividade e tpica para
a elaboracao das caractersticas de qualidade na construcao de um QFD. Na verdade uma
empresa (cliente) esta em fase de desenvolvimento de forncedores e quer Bom Fornecedor. O
exerccio pode ser desenvolvido para fornecedor em geral (de qualquer materia-prima, suproduto
ou produto - bem ou servico) ou para fornecedor especco de uma materia prima, um subproduto
ou um produto (bem ou servico).
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 27
2.4 Matriz de priorizacao
Uma matriz de priorizac ao fornece um metodo racional de focalizar a atenc ao do grupo sobre
as op coes mais importantes, antes de partir para o planejamento detalhado das atividades. Ela
permite estabelecer uma classicacao numerica de prioridade em um dado conjunto de opcoes.
Desse modo, a matriz de priorizac ao e uma ferramenta para auxiliar na tomada de decisoes.
Tipicamente, a lista de opc oes a serem priorizadas corresponde ` as tarefas de implementac ao
(ou o maior nvel de detalhamento) denidas no diagrama em arvore.
Sempre que se deseja realizar uma priorizac ao criteriosa, pode ser usada uma matriz de
priorizac ao. Sao v arias e freq uentes as situa coes que requerem seu uso:
Muitos itens-chave foram identicados e as opc oes a serem atacadas devem ser sele-
cionadas;
Existe consenso quanto ao que consiste uma boa solucao, mas existe discordancia quanto
` a import ancia relativa entre as mesmas;
Existem limita coes de recursos, tais como tempo, dinheiro e pessoal, que obrigam a sele-
cionar apenas algumas opc oes;
As opc oes disponveis tem muitas inter-relac oes, o que torna difcil identicar as mais
importantes.
C R I T

E R I O S
a b c d e P
A 4 R
B 5 I
C 2 O
D 7 R
E 1 I
F 6 D
G 8 A
H 3 D
I 9 E
Tabela 2.2: Conceito de matriz de priorizac ao.
A seguir, descrevemos dois metodos para a construcao da matriz de priorizac ao:
2.4.1 Metodo de priorizacao por criterios
Este metodo e utilizado quando a selecao ou prioriza cao das diversas opcoes e baseada no
atendimento de cada opc ao sob criterios pre-estabelecidos pelo grupo. Devem ser seguidas as
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 28
seguintes etapas para a constru cao de uma matriz de priorizac ao atraves do metodo de criterios:
Estabelecer criterios: A equipe deve criar uma lista dos criterios que adotar a para
estabelecer as prioridades. Isto pode resultar de um r apido brainstorming feito pelo
grupo. A descric ao do criterio nao deve ser neutra, isto e, deve explicitar o que se deseja
que cada item atenda. Por exemplo, deve-se escrever baixo custo de implementac ao e
n ao somente custo de implementac ao.
Retomando o Exemplo 2.3, a equipe agora esta interessada em usar o metodo simplicado
de construcao da matriz de priorizac ao para priorizar as 17 possveis solucoes apontadas
pelo diagrama em arvore. Os criterios escolhidos pelo grupo foram:
A. Baixo custo de implementa cao;
B. Tecnologia n ao-customizada;
C. R apido de implementar;
D. Facilmente aceito pelos usuarios;
E. Mnimo impacto em outros departamentos.
Priorizar os criterios: Para priorizar os criterios e estabelecer seu grau de import ancia,
recomenda-se utilizar a Tecnica do Grupo Nominal - NGT por pontua cao apos uma
discuss ao previa ter esclarecido amplamente os criterios para todos os membros da equipe,
a Tabela 2.3 resultou da aplicac ao da NGT ao Exemplo 2.3.
As porcentagens calculadas sobre o total de pontos (500 neste caso) serao utilizadas como
os pesos de cada criterio na etapa seguinte.
CRIT

ERIO Joao Vera Pedro Paulo J ulia TOTAL PESO


A. Baixo custo 15 30 10 15 10 80 0,16
B. Tec. n ao cust. 5 10 10 10 5 40 0,08
C. Rapida implem. 35 20 40 20 25 140 0,28
D. Facilmente aceita 25 10 20 30 40 125 0,25
E. Mnimo Impacto 20 30 20 25 20 115 0,23
Tabela 2.3: Tabela de pontuac oes de cada membro da equipe.
Pontuar as opc oes segundo cada criterio: Constr oi-se uma matriz em L, na qual as
linhas s ao as opc oes e as colunas s ao os criterios. Por m, trabalhando-se por coluna, isto
e, segundo cada criterio, julga-se o grau em que cada op cao atende ao criterio. Para isso,
novamente, recomenda-se utilizar a NGT por pontuac ao mas, agora, em vez de distribuir
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 29
os 100 pontos entre as opcoes, cada participante atribui uma nota de 0 a 10, conforme seu
julgamento quanto ao grau de adequa cao da opc ao a cada criterio. Portanto, desta etapa
resultar ao tantas tabelas de NGT quantos forem os criterios considerados pelo grupo.
Recomenda-se fazer a pergunta Em que grau esta opcao de atende ao criterio de
?. De acordo com o julgamento do grau de adequacao, pode-se utilizar a Tabela 2.4
como guia para a atribuic ao de notas.
GRAU DE ADEQUAC

AO NOTA
Insuciente 0 a 4
Razo avel 5 a 6
Bom 7 a 8
Excelente 9 a 10
Tabela 2.4: Guia para atribuicao de notas.
Ap os cada participante ter julgado e dado a nota de cada opc ao individualmente contra
o criterio, recomenda-se que ele compare as notas entre as diversas opcoes, procurando
fazer os ajustes de notas que julgar necess arios.

E importante observar que a vota cao pura e simples pela NGT n ao pode ser considerada
adequada se antes nao houver uma discussao entre os membros do grupo com o objetivo
de esclarecer todos os aspectos relevantes das opc oes em questao, como por exemplo, seus
aspectos tecnicos e administrativos. Isto aumentara o grau de informac ao das pessoas,
permitindo melhores decis oes pela NGT. Alem disso, podem existir situac oes em que o
grupo preferir a atribuir a nota de cada opcao sem usar a NGT, por meio de discussao
aberta e consenso direto quanto ` as notas. Ali as, este parece ser o meio ideal, desde que
a freq uente diculdade em atingir o consenso ou a possibilidade de imposicao de ideias
n ao tornem necess ario apelar para a NGT.
Voltando ao Exemplo 2.3, mostramos a seguir as tabelas de NGT construdas para obter
as pontuac oes dadas pelo grupo `as 17 possveis soluc oes, com relac ao ao criterio rapidez
na implement cao, facilidade de aceitacao, mnimo impacto e baixo custo. Observe ainda
que foram obtidas e anotadas todas as notas medias para as opc oes.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 30
OPC

AO Joao Vera Pedro Paulo J ulia M

EDIA
1. Trein. Preven cao Erros 5 6 6 7 5 5,8
2. Trein. Inspencao Seq uencial 4 5 5 7 5 5,2
3. Trein. Solucao Problemas 5 7 7 8 5 6,4
4. Sistema Leitura

Otica 1 2 5 2 1 2,2
5. Terminal no Cliente 4 6 5 4 2 4,2
6. Tela Maior 2 3 2 4 4 3,0
7. Reconhecimento de Voz 1 2 1 1 2 1,4
8. Programa com Menus 7 8 9 8 8 8,0
9. Melhorar o Aviso do Programa 9 8 10 9 10 9,2
10. Verif. Automatica Pre cos 6 7 7 6 6 6,4
11. Tela so com Dados Relevantes 6 5 5 6 7 5,8
12. Formulario Maior, Mais Legvel 7 8 8 5 6 6,8
13. So Dados Especiais do Cliente 6 6 6 7 4 5,8
14. Codigo de Cores, por Famlia 8 8 9 10 9 8,8
15. Simplif. Codigo 11 Dgitos 6 7 6 6 5 6,0
16. Maior Diferen ca Entre Codigos 6 7 7 6 5 6,2
17. Trein. Sobre Preenchimento 8 7 7 9 8 7,8
Tabela 2.5: Tabela NGT para o criterio rapidez na implementa cao.
OPC

AO Joao Vera Pedro Paulo J ulia M

EDIA
1. Trein. Preven cao Erros 5 4 6 5 5 5,0
2. Trein. Inspencao Seq uencial 4 5 4 4 5 4,4
3. Trein. Solucao Problemas 7 7 6 5 7 6,4
4. Sistema Leitura

Otica 6 5 3 4 6 4,8
5. Terminal no Cliente 7 5 6 7 6 6,2
6. Tela Maior 8 7 5 6 7 6,6
7. Reconhecimento de Voz 6 4 7 6 6 5,8
8. Programa com Menus 8 9 8 7 8 8,0
9. Melhorar o Aviso do Programa 8 7 8 8 6 7,4
10. Verif. Automatica Pre cos 9 9 7 10 9 8,8
11. Tela so com Dados Relevantes 6 5 5 4 5 5,0
12. Formulario Maior, Mais Legvel 9 8 10 7 8 8,4
13. So Dados Especiais do Cliente 7 7 5 6 6 6,2
14. Codigo de Cores, por Famlia 6 5 7 5 3 5,2
15. Simplif. Codigo 11 Dgitos 5 5 3 6 6 5,0
16. Maior Diferen ca Entre Codigos 6 5 7 6 4 5,6
17. Trein. Sobre Preenchimento 6 5 7 7 5 6,0
Tabela 2.6: Tabela NGT para o criterio facilidade na aceitac ao.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 31
OPC

AO Joao Vera Pedro Paulo J ulia M

EDIA
1. Trein. Preven cao Erros 6 7 5 5 6 5,8
2. Trein. Inspencao Seq uencial 6 5 5 6 4 5,2
3. Trein. Solucao Problemas 7 8 7 7 8 7,4
4. Sistema Leitura

Otica 7 6 6 5 7 6,2
5. Terminal no Cliente 6 6 5 6 6 5,8
6. Tela Maior 2 3 2 4 5 3,2
7. Reconhecimento de Voz 4 5 3 5 6 4,6
8. Programa com Menus 7 9 8 7 7 7,6
9. Melhorar o Aviso do Programa 8 8 7 9 7 7,8
10. Verif. Automatica Pre cos 6 6 7 5 4 5,6
11. Tela so com Dados Relevantes 5 5 4 6 5 5,0
12. Formulario Maior, Mais Legvel 7 7 8 6 7 7,0
13. So Dados Especiais do Cliente 5 6 6 7 6 6,0
14. Codigo de Cores, por Famlia 8 8 9 7 10 8,4
15. Simplif. Codigo 11 Dgitos 6 7 6 7 7 6,6
16. Maior Diferen ca Entre Codigos 6 5 7 6 6 6,0
17. Trein. Sobre Preenchimento 8 7 9 6 7 7,4
Tabela 2.7: Tabela NGT para o criterio mnimo impacto.
OPC

AO Joao Vera Pedro Paulo J ulia M

EDIA
1. Trein. Preven cao Erros 7 7 6 5 5 6,0
2. Trein. Inspencao Seq uencial 5 5 5 6 7 5,6
3. Trein. Solucao Problemas 5 4 5 6 7 5,4
4. Sistema Leitura

Otica 3 2 1 2 1 1,8
5. Terminal no Cliente 5 4 7 6 6 5,6
6. Tela Maior 3 2 4 5 5 3,8
7. Reconhecimento de Voz 6 5 6 7 7 6,2
8. Programa com Menus 8 8 9 7 6 7,6
9. Melhorar o Aviso do Programa 10 9 7 8 7 8,2
10. Verif. Automatica Pre cos 6 7 6 6 5 6,0
11. Tela so com Dados Relevantes 5 6 6 7 4 5,6
12. Formulario Maior, Mais Legvel 7 8 8 5 5 6,6
13. So Dados Especiais do Cliente 5 6 7 6 5 5,8
14. Codigo de Cores, por Famlia 10 9 8 9 7 8,6
15. Simplif. Codigo 11 Dgitos 7 8 6 5 6 6,4
16. Maior Diferen ca Entre Codigos 7 7 9 9 8 8,0
17. Trein. Sobre Preenchimento 8 6 7 7 9 7,4
Tabela 2.8: Tabela NGT para o criterio baixo custo.
Calcular as pontuac oes totais: Em seguida, constr oi-se a matriz de prioriza cao, cujas
colunas corresponderao aos criterios com os respectivos pesos e em cujas linhas estar ao
as op coes com as respectivas notas medias. Para cada opc ao (linha), multiplica-se a
sua nota pelo peso de cada criterio (coluna), obtendo-se sua pontuac ao parcial naquele
criterio. Somam-se, entao, todas as pontuac oes parciais de cada opc ao para obter sua
pontuac ao total. As pontua coes totais das opc oes permitem estabelecer a prioridade entre
elas. A Tabela 2.9 mostra a matriz de priorizacao nal obtida para o exemplo. Neste
caso, devido `a baixa import ancia relativa dada ao criterio tecnologia n ao-customizada,
o grupo decidiu elimina-lo do conjunto de criterios, trabalhando apenas com os quatro
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 32
criterios restantes.
OPC

AO Rapida/implem. Facilmente Mnimo Baixo TOTAL
(0,28) aceito (0,25) impacto (0,23) custo (0,16)
1. Trein. prevencao erros 5, 8 0, 28 = 1, 62 5, 0 0, 25 = 1, 25 5, 8 0, 23 = 1, 33 6, 0 0, 16 = 0, 96 5,16
2. Trein. inspencao seq uencial 5, 2 0, 28 = 1, 46 4, 4 0, 25 = 1, 10 5, 2 0, 23 = 1, 20 5, 6 0, 16 = 0, 90 4,66
3. Trein. soluc ao problemas 6, 4 0, 28 = 1, 79 6, 4 0, 25 = 1, 60 7, 4 0, 23 = 1, 70 5, 4 0, 16 = 0, 86 5,95
4. Sistema leitura otica 2, 2 0, 28 = 0, 62 4, 8 0, 25 = 1, 20 6, 2 0, 23 = 1, 43 1, 8 0, 16 = 0, 29 3,54
5. Terminal no cliente 4, 2 0, 28 = 1, 18 6, 2 0, 25 = 1, 55 5, 8 0, 23 = 1, 33 5, 6 0, 16 = 0, 90 4,96
6. Tela maior 3, 0 0, 28 = 0, 84 6, 6 0, 25 = 1, 65 3, 2 0, 23 = 0, 74 3, 8 0, 16 = 0, 61 3,84
7. Reconhecimento de voz 1, 4 0, 28 = 0, 39 5, 8 0, 25 = 1, 45 4, 6 0, 23 = 1, 06 6, 2 0, 16 = 0, 99 3,89
8. Programa com menus 8, 0 0, 28 = 2, 24 7, 4 0, 25 = 1, 85 7, 6 0, 23 = 1, 75 7, 6 0, 16 = 1, 22 7,06
9. Melhorar o aviso do programa 9, 2 0, 28 = 2, 58 8, 8 0, 25 = 2, 20 7, 8 0, 23 = 1, 79 8, 2 0, 16 = 1, 31 7,88
10. Verif. automatica pre cos 6, 4 0, 28 = 1, 79 5, 0 0, 25 = 1, 25 5, 6 0, 23 = 1, 29 6, 0 0, 16 = 0, 96 5,29
11. Tela s o com dados relevantes 5, 8 0, 28 = 1, 62 8, 4 0, 25 = 2, 10 5, 0 0, 23 = 1, 15 5, 6 0, 16 = 0, 90 5,77
12. Formulario maior, mais legvel 6, 8 0, 28 = 1, 90 6, 2 0, 25 = 1, 55 7, 0 0, 23 = 1, 61 6, 6 0, 16 = 1, 06 6,12
13. So dados especiais do cliente 5, 8 0, 28 = 1, 62 5, 2 0, 25 = 1, 30 6, 0 0, 23 = 1, 38 5, 8 0, 16 = 0, 93 5,23
14. Codigo de cores, por famlia 8, 8 0, 28 = 2, 46 8, 8 0, 25 = 2, 20 8, 4 0, 23 = 1, 93 8, 6 0, 16 = 1, 38 7,97
15. Simplif. c odigo 11 dgitos 6, 0 0, 28 = 1, 68 5, 0 0, 25 = 1, 25 6, 6 0, 23 = 1, 52 6, 4 0, 16 = 1, 02 5,47
16. Maior diferenca entre codigos 6, 2 0, 28 = 1, 74 5, 6 0, 25 = 1, 40 6, 0 0, 23 = 1, 38 8, 0 0, 16 = 1, 28 5,80
17. Trein. sobre preenchimento 7, 8 0, 28 = 2, 18 6, 0 0, 25 = 1, 50 7, 4 0, 23 = 1, 70 7, 4 0, 16 = 1, 18 6,56
Tabela 2.9: Matriz de priorizacao nal.
Portanto, a matriz de priorizac ao indica a seguinte seq uencia de prioridade entre as opcoes
(citamos apenas as cinco mais importante):
PRIORIDADE NOTA SOLUC

AO
1 7,97 C odigo de cores, por famlia
2 7,88 Melhorar o aviso do programa
3 7,06 Programa baseado em menus
4 6,56 Treinamento sobre preenchimento
5 6,12 Formul ario maior, mais legvel
Exerccio 4. Voce e sua famlia vao tirar ferias por uma semana em Fortaleza - CE. Voce deve
escolher um hotel segundo alguns criterios tais como custo, boalocalizacao, etc. Determine
junto com a sua equipe as caractersticas (opcoes tais como: sala de jogos, ar condicionado,
restuarante, cafe da manha, condicoes de pagamento, etc), a serem consideradas para a escolha
do melhor hotel.
2.4.2 Metodo de priorizacao por causa e efeito
Em diversas situac oes, e importante priorizar as opc oes com base na existencia e na intensidade
das relac oes de causa e efeito entre as mesmas, selecionando aquelas que podem ser consideradas
causas prim arias (que inuenciam v arias outras opc oes) ou gargalos (que recebem inuencia
de muitas op coes). O diagrama de relac oes explicita essas relacoes de causa e efeito, mas seu
principal objetivo nao e o de priorizar os itens e, alem disso, ele nao mede o grau ou a intensidade
das relac oes. Este metodo n ao necessita de votac ao individualizada, como o metodo anterior,
sendo realizado em grupo desde o incio. As etapas para utilizacao deste metodo s ao:
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 33
Construir a matriz de opc oes: Deve-se construir uma matriz listando as opc oes nas lin-
has e numerando-as em seq uencia. As colunas tambem correspondem `as mesmas opc oes,
pois elas ser ao comparadas entre si. Porem, basta numerar as colunas com o n umero da
opc ao sem descreve-la. A Figura 2.15, a seguir, ilustra a matriz.
Figura 2.15: Matriz de opc oes.
Comparar cada opcao com as demais: Em seguida, trabalhando linha por linha,
cada opc ao sera sistematicamente comparada com as demais, procurando-se vericar se
existem relac oes de causa e efeito entre elas. Alem disso, procura-se avaliar a intensidade
das relac oes.
As seguintes perguntas devem ser feitas em voz alta para o grupo:
1. A opc ao (linha) causa ou inuencia a opcao (coluna)?
2. Se existe uma relacao de causa, qual e a sua intensidade?
Com relac ao ` a pergunta 1, e importante faze-la de maneira disciplinada, buscando relac oes
de causa apenas. N ao se deve perguntar se a opc ao causa/inuencia ou se e cau-
sada/inuenciada. Isto traria confus ao e redundancia desnecess arias ` a discuss ao, pois
basta seguir metodicamente a quest ao 1 para levantar todas as rela coes de causa e efeito.
Quando se detecta uma relacao de causa, coloca-se um sinal (positivo ou negativo) na
celula correspondente da matriz, no sentido da relac ao positiva (ou negativa) da opc ao
causadora/inuenciadora para a op cao causada/inuenciada.
Quanto `a pergunta 2, devem ser usados os seguintes smbolos, aos quais estao associados
a uma pontua cao para medir a intensidade da relac ao.
Smbolo Pontos Signicado
9 Forte rela cao
3 Relac ao
1 Fraca/possvel relac ao
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 34
Ao ser marcado, em uma dada celula da matriz, um sinal e o smbolo estabelecem a
relac ao de causa de uma opcao-linha sobre uma opc ao-coluna (sinal positivo), deve-se
imediatamente marcar tambem a imagem espelhada do sinal (sinal negativo) e o mesmo
smbolo, na contra-celula correspondente, marcando a respectiva rela cao de efeito. A
Figura 2.16 ilustra isso.
Figura 2.16: Relacao de efeito.
Totalizar os graus de relacao: Estabelecidas, todas as relac oes devem ser quanti-
cadas suas intensidades. Para cada linha/opc ao, marca-se o n umero de setas para fora,
o n umero de setas para dentro, o n umero total de setas e a soma dos pontos correspon-
dentes aos smbolos (coluna grau), conforme representado na Figura 2.17.
Figura 2.17: Matriz de Priorizac ao Final.
Interpretar a matriz: Finalmente, a partir das informa coes levantadas na matriz de
priorizac ao, procura-se identicar as opc oes prioritarias.
Exemplo 2.4. Uma empresa empenhada em introduzir um novo produto no mercado construiu
um diagrama em arvore e, a partir dos meios de promocao levantados no diagrama, construiu
uma matriz de priorizacao. Parte desta matriz esta representada na Figura 2.18.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 35
Figura 2.18: Exemplo da matriz de priorizac ao - introduc ao de um novo produto no mercado
de trabalho.
Com a advertencia inicial de que para a interpretac ao da matriz de priorizac ao nao existe
um metodo que possa ser considerado otimo, recomenda-se seguir a seguinte seq uencia:
1. Vericar o total da coluna grau. Uma op cao de alta prioridade certamente ter a fortes
relac oes com as demais, resultando num valor relativamente elevado na coluna grau.
Na Figura 2.18, as opc oes priorit arias sob este ponto de vista seriam a 1 e a 5, embora as
opc oes 6, 3 e 7 n ao tenham valor muito inferior. As opc oes 2 e 4, entretanto, claramente
s ao de baixa prioridade.
2. Para as opc oes selecionados na etapa anterior, verique agora a coluna com o total de
sinais. As op coes com alto valor de grau (da etapa anterior) e com total elevado de sinais
s ao as que tem maior potencial para priorizac ao, pois possuem v arias e fortes relac oes com
as demais opc oes. No exemplo, entre as op coes 1, 5, 6, 3 e 7, todas tem uma soma de 5
sinais, com excec ao da opc ao 6 (4 sinais). Assim, sob esse criterio, pode-se considerar que
elas s ao basicamente da mesma importancia. Entretanto, em outras situacoes, diferen cas
maiores poderiam ajudar a priorizar aquelas opc oes com maior total de sinais.
3. Ainda para as mesmas opc oes selecionadas nos itens anteriores, pode-se observar os totais
de sinais positivo e negativos das op coes. Tres situac oes possveis:
Maioria negativos: indica uma causa b asica ou primaria, com impacto sobre um
grande n umero de opc oes. Via de regra, vale a pena priorizar esse tipo de opc ao e
implement a-la a curto prazo.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 36
Maioria positivo: indica um gargalo ou ponto de convergencia, do qual muitas
coisas dependem. Em geral, trata-se de uma tarefa ou opc ao muito pr oxima do
objetivo inicial do diagrama em arvore. Como muitas opc oes convergem para ela,
sua implementa cao, a medio/longo prazo e freq uentemente um fator de sucesso ou
conquista do objetivo nal.
Empate: se necess ario, como criterio de desempate, pode-se comparar a soma dos
pontos associados aos sinais para positivo com a soma dos pontos dos sinais negativo.
Mas, use o bom senso, n ao encare isso como uma regra rgida.
Neste exemplo, destaca-se como causa basica a opc ao 1, a divulgac ao dos ensaios de lab-
orat orio e de campo. A opc ao 6 (demonstracao port atil) tambem se aproxima dessa categoria.
Destaca-se como ponto de convergencia a op cao 5 (sumarizar os pontos fortes de venda para
os representantes), para a qual se direcionam os sinais de todas as demais op coes, exceto a 4.
A opcao 7 (display com recursos multimdia) tambem est a muito proxima dessa condicao.
2.5 Matriz de relac oes
A matriz de relac oes estimula o pensamento multidimensional atraves da investigac ao sis-
tem atica das relac oes entre dois ou mais conjuntos de dados verbais. Esta ferramenta per-
mite indicar n ao apenas a presen ca, mas tambem a intensidade das relac oes entre os fatores
analisados. Em geral, valores numericos s ao atribudos ` a intensidade das relacoes para que
seja possvel quanticar o seu grau de import ancia relativa. A partir do evidenciamento dos
fatores-chave, planos detalhados de implementac ao podem ser desenvolvidos.
Esta ferramenta e bastante exvel, de modo que adapta coes criativas podem ser feitas pelo
grupo. Porem, existem alguns tipos b asicos de matriz de rela coes que descrevemos a seguir,
os quais devem ser escolhidos de acordo com o n umero de conjuntos de fatores que se deseja
analisar.
2.5.1 Matriz de relac oes tipo L
A matriz de relacoes tipo L e uma matriz basica e de ampla aplica cao, que permite relacionar
dois conjuntos de fatores. Os fatores do primeiro conjunto s ao colocados nas linhas da matriz,
enquanto que os fatores do segundo s ao colocados nas colunas. Cada par de fatores e analisado
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 37
para vericar a existencia de alguma relac ao entre eles. Quando se detecta uma relacao, marca-
se na celula um smbolo que indica a intensidade ou grau da relac ao.
Exemplo 2.5. Retomando o Exemplo 2.4, o qual trata da promocao de um novo produto, as
tarefas mais prioritarias para divulgacao do novo produto foram usadas para a construcao de
uma matriz de relacoes que esclarece as responsabilidades dos departamentos envolvidos. Uma
coluna foi acrescentada `a direita para indicar a seq uencia das tarefas (Figura 2.19).
Figura 2.19: Exemplo da matriz de relacoes tipo L.
2.5.2 Matriz de relac oes tipo T
A matriz de relacoes tipo T permite vericar as relacoes entre um conjunto de dados verbais A
com outros dois conjuntos B e C. Por inferencia, estabelece-se (via conjunto A) relac oes entre
B e C. A matriz de rela coes tipo T e, portanto, uma superposic ao de duas matriz de relac oes
tipo L: BA e AC.
2.5.3 Matriz de relac oes tipo Y
A matriz de relac oes tipo Y e uma combina cao de tres matrizes tipo L. Denidos tres conjuntos
de dados verbais A, B e C, permite vericar as relac oes AB, AC, e BC.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 38
Figura 2.20: Exemplo da matriz de relacoes tipo T.
Figura 2.21: Exemplo da matriz de relacoes tipo Y.
2.5.4 Matriz de relac oes tipo X
A matriz de rela coes tipo X e uma combinac ao de quatro matrizes tipo L. Obtidos quatro
conjuntos de dados verbais A, B, C e D, permite vericar as relac oes AB, AD, CB e CD. Seu
uso, entretanto, e mais restrito.
Exemplo 2.6. Para ilustrar, a Figura 2.22 contem uma matriz de relacoes que mostra as
relacoes entre problemas na producao, tipo de produto, turnos de producao e tarefas de manutencao.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 39
Figura 2.22: Exemplo da matriz de relacoes tipo X.
Pode-se concluir que:
As operac oes de manutenc ao mais crticas sao a lubricacao da m aquina e o ajuste do
rolo;
Os produtos A e C s ao particularmente sensveis ` a manutencao;
A maior parte dos produtos A e C e produzida no segundo e terceiro turnos;
Os problemas enrosco na maquina e material manchado concentram-se no segundo e
terceiro turnos.
Isto leva a crer que um plano de melhoria da manutenc ao podera reduzir a incidencia de
problemas de produ cao, principalmente nos produtos A e C.
2.6 Diagrama PDPC
Num ambiente de negocios marcado pela competi cao acirrada, o metodo tradicional de visu-
alizar apenas um caminho, esperar a ocorrencia de imprevistos, avaliar a suas conseq uencias e
ent ao tomar as providencias cabveis, via de regra, fornece a soluc ao tarde demais. Para resolver
problemas que envolvam novas circunst ancias e imprevistos, precisamos de uma ferramenta que
mapeie os v arios caminhos e nos oriente na direc ao correta desde o incio. O diagrama PDPC
(Process Decision Program Chart) e uma dessas ferramentas. Ele permite selecionar a melhor
alternativa para se atingir um objetivo (ou evitar um resultado indesejavel) diante de situac oes
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 40
desconhecidas ou particularmente sujeitas a imprevistos. Com a considera cao das prov aveis
seq uencias de atividades e da antecipac ao de ocorrencias perturbadoras, torna-se possvel:
a. Efetivar a coes preventivas para evitar a ocorrencia de eventos que impossibilitariam atingir
o objetivo (ou que causariam um resultado indesejado);
b. Efetivar ac oes de contencao ou ter alternativas preparadas para contornar certos eventos
que surjam durante o andamento das atividades.
O campo para aplicac ao do PDPC e bastante amplo, mas ele e particularmente ecaz para
lidar com os efeitos do fator humano e de mudancas no ambiente. O PDPC torna possvel ante-
cipar as conseq uencias de acidentes graves, podendo-se contorn a-los ja na fase de planejamento.
Deste modo, essa ferramenta pode ser usada com sucesso para aumentar a seguranca e a con-
abilidade de produtos e sistemas , juntamente com outros metodos cl assicos (por exemplo,
FMECA - Failure Mode, Eects and Criticality Analysis e FTA - Fault Tree Analysis).
Outro aspecto importante do PDPC e o de ele ser (assim como as demais sete ferramen-
tas gerenciais da qualidade - 7FGQ) uma ferramenta gr aca, isto e, permite visualizar todo
o processo para se atingir um dado objetivo. Este fato estimula a gerac ao de novas ideias
entre os participantes na sua constru cao, alem de ser adequado para apresentar o trabalho aos
executivos.
2.6.1 Construcao do diagrama PDPC
N ao existem regras estruturais rgidas para a confecc ao do PDPC, tampouco uma aparencia
nal padr ao, como no caso das outras ferramentas que j a abordamos. As regras b asicas sao:
1. Dena a situac ao futura;
2. Parta da situac ao atual;
3. Considere uma possvel soluc ao ou caminho que leve `a situac ao futura;
4. Anteveja possveis ocorrencias e resultados indesejaveis;
5. Apresente meios de atingir um resultado melhor;
6. Decida com agir.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 41
Em suma, pense antes sobre o que pode ocorrer depois, e adote o melhor caminho.
A Figura 2.23 ilustra um PDPC generico. Cada evento e descrito verbalmente num crculo
ou ret angulo. As setas indicam a seq uencia cronol ogica. A
0
e a condic ao ou situa cao atual.
Z pode ser tanto a situac ao desejada (objetivo) quanto uma condic ao indesejada, a qual
pretende evitar.
Figura 2.23: Modelo de PDPC
Normalmente, a construcao do PDPC e feita partindo-se de A
0
e prosseguindo de maneira
organizada ate a condi cao Z, explorando todas as possibilidades. Caso Z seja um objetivo a
ser alcancado, seleciona-se o melhor ou os melhores caminhos. Dependendo do tempo disponvel
e da import ancia de se atingir o objetivo, os possveis caminhos podem ser tentados um de cada
vez, em serie, ou simultaneamente, em paralelo.
Caso Z seja uma condic ao indesejavel a ser evitada, devem ser desenvolvidas solu coes
que cortem todos os possveis caminhos levando ate Z. Uma outra possibilidade para
construc ao do PDPC e proceder da maneira inversa, partindo de Z e vericando os caminhos
que conectam Z a A
0
. Na descric ao do metodo de construc ao, assumiremos a primeira
possibilidade (de A
0
para Z).

E importante observar que, embora a Figura 2.23 mostre apenas uma unica condi cao Z,
a analise com o PDPC pode envolver mais de uma condic ao nal.
O PDPC e um metodo din amico, pois considera as ocorrencias ao longo do tempo. Por isso,
para manter sua ecacia, o diagrama deve ser revisado ` a medida que as atividades progridem.
No incio, existe muita incerteza quanto ` as ocorrencias futuras e e natural que elas sejam
vagamente denidas. Mas, ` a medida que o tempo passa, a situa cao pode mudar e certos
aspectos podem tornarem-se mais claros, novos problemas podem surgir e tambem podemos
adquirir mais experiencia e novas percepcoes. Tudo isso refor ca a necessidade e import ancia de
revisar o PDPC periodicamente.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 42
Recomenda-se seguir as seguintes etapas para construcao do PDPT:
Levantamentos dos possveis caminhos: Os participantes da equipe (prefervelmente
de todas as areas envolvidas) re unem-se para discutir as possveis solu coes ou caminhos.
Cada caminho pode ser composto de diversas atividades ou eventos, os quais chamaremos
de itens. Os itens s ao conectados por setas que indicam sua seq uencia cronol ogica. O
coordenador do grupo pode apresentar um caminho basico para o incio da discuss ao, a
partir do qual um brainstorming pode ser feito buscando os possveis caminhos. Cada
novo caminho identicado deve ser acrescentado ao diagrama. Este deve estar visvel a
todos os participantes, para estimular novas ideias;
Levantamentos dos possveis problemas: Novamente, atraves de brainstorming,
listam-se os possveis problemas, diculdades e preocupac oes associados aos itens de cada
caminho levantado anteriormente;
Avaliacao dos problemas: Devem ser avaliados os efeitos de cada problema potencial
sobre o andamento do respectivo caminho. Na avaliac ao dos problemas, sugere-se consid-
erar conjuntamente sua chance de ocorrencia e a gravidade das conseq uencias. Ao nal
da avalia cao, os problemas mais relevantes estar ao evidenciados;
Levantamento de alternativas: Sobre os problemas mais relevantes, devem ser inves-
tigadas soluc oes ou caminhos alternativos, os quais devem ser acrescentados ao diagrama;
Priorizacao dos caminhos: Finalmente, os caminhos devem ser priorizados e seleciona-
dos, levando-se em conta a urgencia da situac ao e a disponibilidade de recursos. Para a
priorizac ao, devem ser considerados a complexidade do caminho (n umero de itens e sua
diculdade de realizacao), o custo e o tempo envolvidos.
Quando a situac ao envolve v arios departamentos, as atividades sob a responsabilidade
de cada um podem ser envolvidas por uma linha, escrevendo-se o nome do departamento
responsavel;
Estabelecer a data de revisao: Em fun cao do tempo necess ario para se acumularem
novos dados sobre a situa cao, uma data para a pr oxima revisao e atualizac ao do PDPC
deve ser marcada pelo grupo. Ate la, a equipe estar a empenhada nas atividades relativas
ao(s) caminho(s) selecionado(s).
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 43
Exemplo 2.7. Exemplo da Prevencao de Incendio. No PDPC da Figura 2.24, a
situacao, ao inves de um objetivo, e uma condicao indesejavel, que se deseja evitar (incendio
que se alastra, sem alarme a tempo). Varios caminhos que podem levar a essa condicao estao
descritos. Para cada caminho, esta identicada uma medida preventiva.
Figura 2.24: Exemplo de um diagrama PDPC
2.7 Diagrama de atividades
O diagrama de atividades e usado para estabelecer o plano mais adequado para um projeto e
acompanhar o seu andamento de maneira eciente quando se conhece a durac ao de todas as
atividades envolvidas. Sao utilizadas setas para representar cada atividade do plano, formando
uma rede que evidencia o seq uenciamento das atividades e suas relacoes de subordinacao. A
partir de tal diagrama, torna-se possvel analisar os tempos de maneira conjunta, identicar as
atividades crticas e discutir meios para melhorar o plano e ganhar tempo.
O controle e otimizacao do tempo e uma quest ao fundamental para o gerenciamento da
qualidade. Por esse motivo, o diagrama de atividades foi incorporado `as sete ferramentas
gerenciais da qualidade, tendo sido diretamente emprestado da disciplina PERT/CPM, na qual
e conhecido como diagrama de echas.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 44
2.7.1 Smbolos, denicoes e regras
Atividades
Para ns do diagrama de atividades, atividade e todo trabalho que consome tempo. As
atividades sao representadas por setas de linha contnua, conforme a Figura 2.25, indicando
que e necess ario um certo tempo para serem executadas. Toda seta inicia-se em um n o ou
evento, denominado evento-incio de atividade, e termina em outro, chamado de evento-m
de atividade. Um evento e um marco no tempo, um ponto de controle que indica o incio ou o
m de uma ou mais atividades.

E importante observar que ele nao signica a execu cao de uma
tarefa, portanto, n ao consome tempo ou recursos. Para ns de identicacao e referencia, cada
evento e identicado por um n umero inteiro, envolto por um pequeno crculo, conforme mostra
a Figura 2.25. Em cada atividade, o n umero do evento-incio deve ser sempre menor que o do
evento-m.
Figura 2.25: Representac ao de uma atividade
As atividades costumam ser referenciadas pelos n umeros do evento-incio e evento-m. As-
sim, a atividade representada na Figura 2.25 pode ser designada por atividade (10;20).
O encadeamento das setas indica a seq uencia cronologica das atividades. Na Figura 2.26,
a atividade (10;20) e dita precedente imediata das atividades (20;30) e (20;40), enquanto estas
s ao ditas subseq uentes imediatas da primeira. Esta representac ao signica que as atividades
(20;30) e (20;40) n ao podem ser iniciadas sem a conclusao das atividades (10;20).
Figura 2.26: Encadeamento das setas
Duas ou mais setas n ao podem ter o mesmo par de eventos de incio e m, Figura 2.27 (a).
Quando for o caso, deve ser usada uma atividade ctcia (dummy), representada por uma seta
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 45
com linha tracejada, a qual indica apenas a dependencia entre duas atividades, mas nao implica
dispendio de tempo. As partes (b), (c) e (d) da Figura 2.27 mostram algumas possibilidades de
uso da atividade ctcia. No diagrama de atividades n ao devem ser usadas atividades ctcias
em vao, pois, embora isso nao seja um erro, acrescenta complexidade desnecessa.
Figura 2.27: Possibilidades de atividades ctcias
Exemplo 2.8. Construcao de uma casa
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 46
Figura 2.28: Diagrama de atividades para a constru cao de uma casa
Tempos
A durac ao de cada atividade deve ser indicada conforme a Figura 2.29, em que, por exemplo,
a atividade A dura 5 dias, a atividade B dura 3 dias, a C dura 9 dias e assim por diante.
Figura 2.29: Representac ao dos tempos
Enquanto cada atividade esta associada a uma duracao ou intervalo de tempo, a cada n o
ou evento esta associada uma data ou ponto no tempo. A partir dessas informac oes de tempo
contidas nas atividades e nos eventos, e possvel identicar atividades crticas, com pouca ou
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 47
nenhuma folga de tempo, e a partir da aperfei coar o plano, como veremos adiante. Para isso,
tornam-se necessarias outras denic oes, denominadas datas de eventos.
Atribuindo-se a data 0 (zero) ao evento inicial (incio da primeira atividade do plano), e a
partir da acumulando-se as dura coes das atividades, dene-se a data mais cedo de um evento,
representada por T
c
, e a data mais cedo em que o evento pode ocorrer, ou seja, a mnima data
em que estar ao concludas todas as atividades que convergem para o evento em quest ao. A
data T
c
e calculada somando-se as durac oes de todas as atividades precedentes. Genericamente
falando, uma vez conhecida a T
c
de um evento-incio, a T
c
do evento-m correspondente e
obtida somando-se ` a primeira a duracao da atividade entre eles. Assim, se o ndice i denotar o
evento-incio, f o evento-m e D(i, f) a dura cao da atividade entre eles,
T
c
(f) = T
c
(i) +D(i, f).
No caso em que v arias atividades convergem para o mesmo evento, a T
c
ser a a data corre-
spondente `a maior soma:
T
c
(f) = max [T
c
(i) +D(i, f)] .
Como exemplo, retomando o diagrama de atividades da Figura 2.29 e calculando as datas
mais cedo T
c
para todos os eventos, obtem-se a Figura 2.30. As T
c
s ao anotadas na parte superior
de um pequeno ret angulo colocado pr oximo ao evento correspondente. A parte inferior do
ret angulo ser a usada para anotar a data mais tarde do evento, conforme explicaremos a seguir.
Figura 2.30: Representac ao das T
c
Conhecidas as datas mais cedo de todos os eventos, para denirmos as datas mais tarde, e
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 48
necess ario atribuir, arbitrariamente, uma data m axima ao evento nal (evento no qual termina
a ultima atividade do plano). Esta data maxima atribuda passa a ser a data mais tarde do
evento nal. Ela pode ser no mnimo igual ` a T
c
do ultimo evento, mas normalmente e maior que
esta, pois e boa pr atica admitir-se uma folga que possa cobrir algum imprevisto. Genericamente
falando, data mais tarde de um evento, representada por T
t
, e a data mais tarde em que um
evento pode ocorrer sem causar um atraso na data nal do plano. Em outras palavras, data
mais tarde de um evento e uma data-limite para que todas as atividades que convergem para
um evento se completem, sem que venham causar um atraso na data nal, devido ` a falta de
tempo para que as atividades subseq uentes possam ser concludas.
O calculo das datas T
t
para todos os eventos inicia-se com a data mais tarde atribuda ao
evento nal e prossegue deste para os eventos precedentes, ate chegar ao evento inicial. A
data T
t
de um evento-incio qualquer e obtida subtraindo-se, da data mais tarde do evento-m
correspondente, a duracao da atividade subseq uente imediata. Assim,
T
t
(i) = T
t
(f) D(i, f).
No caso de haver mais de uma atividade saindo do evento-incio, o valor T
t
dever a ser o
menor n umero obtido, caso contr ario, a atividade `a qual corresponde este menor valor n ao
podera ser realizada sem empurrar as demais atividades subseq uentes e causas um atraso na
data nal. Assim,
T
t
(i) = min [T
t
(f) D(i, f)] .
Como exemplo, retomando a Figura 2.30 e atribuindo, para ns didaticos, uma data mais
tarde do evento nal igual ` a data mais cedo do mesmo, podemos agora completar a Figura 2.30
com as T
t
de todos os eventos, anotando-as na parte inferior dos ret angulos e obtendo a Figura
2.31.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 49
Figura 2.31: Representac ao das T
t
Folgas
O gerenciamento de um plano ser a mais ecaz se forem conhecidas e administradas as folgas
existentes nos eventos do diagrama de atividades. Existem dois tipos de folga:
Folga de evento: A folga de um evento, representada por F, e a diferenca entre sua
data mais tarde e a data mais cedo:
F(i) = T
t
(i) T
c
(i)
A folga de um evento representa o atraso que se pode suportar na ocorrencia do evento,
isto e, na conclus ao de todas as atividades que para ele convergem, para que se consiga
cumprir a data nal do plano (data mais tarde do evento nal).
Chama-se de eventos crticos aqueles com as menores folgas entre todos os demais. A
import ancia dos eventos crticos reside no fato de que eles constituem pontos importantes
de controle do andamento do projeto. Alem disso, eles ajudam a determinar o caminho
crtico, conforme veremos a seguir.
Folga de atividade: Existem dois tipos de folga de atividade:
Folga total de uma atividade, representada por FT, e o atraso m aximo que uma
atividade pode ter sem causar um atraso na data nal do plano. Por isso, deve ser
cuidadosamente controlada pelo respons avel pelo projeto como um todo.

E calculada
como:
FT(i, f) = T
t
(f) T
c
(i) D(i, f).
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 50
Folga livre de uma atividade, representada por FL, e o atraso maximo que uma
atividade pode ter sem causar um atraso na data de incio de qualquer atividade
subseq uente. Deste modo, e um intervalo que pode ser usado livremente pelo res-
ponsavel pela atividade, sem causar impacto `as demais.

E calculada com:
FL(i, f) = T
c
(f) T
c
(i) D(i, f).
A partir das duas f ormulas anteriores, e facil vericar que a folga total de uma atividade
e igual `a soma de sua folga livre com a folga do seu evento-m:
FT(i, f) = F(f) +FL(i, f).
A express ao acima ajuda a evidenciar o fato de que, se a folga livre de uma atividade
for consumida, ela passara a afetar a folga do seu evento-m, ou seja, o andamento das
atividades subseq uentes. Chama-se de atividade crtica aquela cujas folgas totais sao as
menores entre todas as demais. Qualquer atraso em tais atividades, resultar a no atraso
da data nal ou no comprometimento da folga total do plano (folga do evento nal). Por
isso, e importante identic a-las e acompanhar seu andamento de maneira restrita. As
atividades crticas determinam a existencia de um ou mais caminhos crticos na rede de
eventos, conforme descrito na se cao seguinte.
Como exemplo, podemos completar a Figura 2.31 com as folgas total e livre de cada
atividade, obtendo a Figura 2.32. Tais folgas estao colocadas entre parenteses, em que o
n umero superior e a folga total e o inferior, a folga livre.
Figura 2.32: Representac ao das folgas
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 51
Caminho crtico
Partindo do evento inicial e percorrendo as diversas atividades na rede de nos ou eventos,
verica-se que existem varios caminhos para atingir o evento nal, alguns com maior e outros
com menor durac ao total (soma das durac oes de todas as atividades no caminho). O caminho
com a maior durac ao total e denominado de caminho crtico e representa o menor prazo possvel
para a conclusao do projeto. A import ancia de identicar o caminho crtico esta nos seguintes
fatos:
1. Permite saber, de imediato, se ser a possvel ou n ao cumprir um prazo anteriormente
denido para a conclus ao do plano;
2. Identica as atividades crticas, as quais nao podem sofrer atrasos, permitindo um controle
ecaz sobre as tarefas prioritarias;
3. Se for necess aria uma reduc ao da data nal, permite priorizar as atividades cuja reduc ao
ter a maior impacto sobre a antecipa cao da data nal. Sobre tais atividades, deverao con-
vergir os esfor cos para reduc ao de suas dura coes ou para a busca de solucoes alternativas.

E possvel identicar um caminho crtico utilizando programas de computador dedicados a


PERT/CPM ou ent ao manualmente. O metodo manual e relativamente pr atico se o n umero
total de tarefas n ao for muito grande, por exemplo menor que 100, e se n ao for necess aria a
emiss ao freq uente de relatorios de andamento do plano.
O metodo manual para a determinac ao do(s) caminho(s) crtico(s) baseia-se na identica cao
das atividades crticas. A determina cao destas, por sua vez, depende da identicac ao dos even-
tos crticos. O caminho crtico sera aquele formado totalmente por uma sucess ao de atividades
crticas e eventos crticos, desde o evento inicial ate o evento nal (estes sempre fazem parte de
qualquer caminho crtico). A prop osito, n ao e possvel existir uma atividade crtica isolada na
rede sem fazer parte de um caminho crtico.
Como dica pr atica, para determinar o(s) caminho(s) crtico(s) observe caminhos em que
as folgas dos eventos crticos e as folgas totais das atividades crticas em seu percurso s ao iguais
` a folga do evento nal. No caso em que se atribui T
t
= T
c
para o evento nal, ser ao nulas as
folgas de todos os eventos e as folgas totais das atividades do caminho crtico. Como exemplo,
na Figura 2.32, acima, o caminho crtico corresponde aos eventos 10, 20, 50 e 60. Assinala-se
o caminho crtico com linhas de tracejado grosso.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 52

E importante observar que pode haver mais de um caminho crtico no plano. A Figura 2.33
mostra um exemplo de diagrama de atividades para a confecc ao de apostilas. Neste caso, o
evento nal tem folga positiva (3). Existem dois caminhos crticos: 10-20-60-70 e 10-30-50-60-
70. Note que a atividade (20, 50), embora esteja entre dois n os crticos, n ao e uma atividade
crtica, pois sua folga (13 3 2 = 8) e maior que a folga do evento nal (3). Portanto, o
caminho 10-20-50-60-70 nao e um caminho crtico.
Figura 2.33: Representac ao dos caminhos crticos
2.7.2 Construcao do diagrama de atividades
Para construc ao do diagrama de atividades, recomenda-se seguir os passos abaixo listados.
Listar as atividades: Com uma discuss ao entre os membros da equipe, listar todas
as atividades necess arias para completar o plano. O nvel de detalhamento depende do
qu ao crtico e o plano e do grau de controle que se deseja ter sobre ele. Quanto maior o
detalhamento, menor a possibilidade de erros grandes.
As atividades devem ser ent ao numeradas, independentemente de sua ordem cronol ogica.
Esta numerac ao e so para referencia, nao tendo qualquer import ancia na montagem nem
nos calculos do diagrama de atividades;
Preparar as cartelas: Os nomes das atividades ser ao transferidos para as cartelas
adesivas. Cada cartela que receber a o nome de uma atividade deve ser preparada com um
traco horizontal, dividindo-a ao meio. O nome da atividade e anotado na parte superior
da cartela e a parte inferior deve ser reservada para anotar a durac ao da atividade,
posteriormente;
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 53
Identicar os caminhos seq uenciais de atividades: A partir das relacoes de preceden-
ciasubseq uencia das atividades, alinhar horizontalmente as atividades que formam um
caminho seq uencial. Podem existir v arios caminhos seq uenciais de atividades, os quais
podem ser encaminhados em paralelo (simultaneamente) em relac ao aos demais caminhos;
Arranjar as cartelas: Posicionar as cartelas de acordo com o seguinte criterio:
a. Comece com o caminho seq uencial que tem o maior n umero de atividades.
b. Disponha as cartelas em ordem de precedencia, deixando um espaco entre elas que
seja suciente para desenhar um no (crculo) que seja visvel para todos da equipe.
c. Para cada caminho seq uencial restante, posicionar as cartelas de maneira adequada,
de acordo com suas relac oes com as atividades do primeiro caminho.
Esbocar as setas e eventos: Uma vez posicionadas todas as cartelas, desenhar a l apis
as setas e n os correspondentes a todas as atividades;
Anotar as duracoes das atividades: Anotar as durac oes de cada atividade nas respec-
tivas cartelas (parte inferior). Devem ser feitas estimativas, com a maior precis ao possvel,
para a duracao de cada atividade, com base em experiencia anterior ou em informac oes
de trabalhos passados. Recomenda-se usar o n umero de dias, semanas ou horas como
unidade de tempo. Quando dados estatsticos con aveis sobre a durac ao das atividades
estiverem disponveis, considerar a durac ao media;
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 54
Desenhar a rede de eventos e atividades: Passar a limpo a rede ate aqui esbo cada,
desenhando-a na forma denitiva em uma ou mais folhas;
Numerar os eventos: A partir do evento inicial, ao qual deve ser atribudo o n umero
00, numerar os eventos em ordem crescente, de acordo com sua ordem de precedencia.
N ao se deve numerar um evento sem que que todos os eventos precedentes tenham sido
numerados. Ou seja, toda seta deve dirigir-se de um evento de n umero mais baixo para
um n umero mais alto;
Calcular as datas dos eventos: Anotar as durac oes das atividades, pr oximo ao ponto
medio das setas. Em seguida, conforme explicado anteriormente, calcular as datas mais
cedo e datas mais tarde de cada evento anotando-as nos locais apropriados dos ret angulos
(T
c
na parte superior e T
t
na parte inferior);
Determinar o caminho crtico e revisar o diagrama de atividades: Identicar
os eventos crticos e as atividades crticas, conforme explicac ao anterior, o que determina
o caminho crtico (ou caminhos crticos). Em seguida, revisar o diagrama de atividades
e, caso necessario, identicar meios de reduzir o prazo, dedicando aten cao e esforco ` as
atividades do caminho crtico. Meios de reduzir a data nal incluem reduc ao da durac ao
das atividades do caminho crtico ou a identica cao de atividades alternativas que mod-
iquem o caminho crtico.

E importante observar que alterac oes feitas no diagrama de
atividades, mesmo que n ao sejam sobre atividades crticas, podem trazer como resul-
tado um deslocamento do caminho crtico, ou podem surgir novos caminhos crticos. Por
exemplo, se a durac ao de uma atividade estender-se alem de sua folga ou se deixarmos
transcorrer o seu tempo de folga sem utiliz a-lo, a atividade passara a ser crtica. Portanto,
e importante revisar o diagrama de atividades sempre que quaisquer altera coes ocorram,
pois pode haver uma mudanca do caminho crtico.
Exemplo 2.9. Diagrama de atividades. Apos obter o diagrama de atividades da Figura
2.34, identicou-se a necessidade de reduzir em aproximadamente um mes a data nal do
projeto de desenvolvimento do novo produto. A partir da analise do caminho crtico, foi possvel
encurta-lo em 29 dias, reduzindo em 27 dias as atividades (M1, M3) - de 131 para 104 dias -
e a atividade (M5, M8) em dois dias - de 10 para 8. O caminho crtico, porem, deslocou-se
para 1-E1-E2-3-4-6-7-8-9-10-11, de modo que a reducao resultante na data nal foi de apenas
11 dias.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 55
Figura 2.34: Diagrama de atividades
Em seguida, no novo caminho crtico, a atividade (4, 6) foi reduzida em 15 dias - de 45
para 30 - e a (6, 7) em 3 dias - de 10 para 7. Com isso, houve uma reducao de 7 dias no
cronograma, mas o caminho crtico mudou para 1-2-M1-M4-M6-M7-7-8-9-10-11, de modo que
a reducao resultante foi de apenas 20 dias na data nal.
Finalmente, (M1, M4) foi reduzida em 9 dias - de 123 para 114 dias. O resultado nal
mostrado na Figura 2.35, foi uma reducao de 29 dias na data de conclusao do plano, formando-
se quatro caminhos crticos. Isto mostra a utilidade de se planejar com o diagrama de atividades,
o qual permite identicar onde o plano pode ser melhorado e possibilita vericar o resultado
nal de cada alteracao introduzida.
2. As Sete Ferramentas Gerenciais da Qualidade (7FGQ) 56
Figura 2.35: Diagrama de atividades nal
57
Captulo 3
QFD - Desdobramento da Funcao
Qualidade
O Desdobramento da Func ao Qualidade - Quality Fuction Deployment (QFD) - e util em es-
forcos para desenhar e redesenhar produtos, servicos e processos. Ele e usado na documenta cao
do conhecimento corrente sobre o sistema ou produto em questao, para priorizar e planejar
ciclos de melhoria, e para atualizar o conhecimento.
O Desdobramento da Func ao Qualidade (QFD) e um processo de escutar a Voz do Cliente,
identicar suas necessidades e incorpora-las ao desenho e redesenho dos produtos, servi cos e
processos, aproximando as necessidades e os desejos do cliente em todas as fases: do planeja-
mento do projeto ` a entrega do servico.
De acordo com Yoji Akao (1990), o metodo QFD foi desenvolvido nos estaleiros de Kobe
das Ind ustrias Pesadas Mitsubishi no Jap ao em meados da decada de 1960. O objetivo era
fornecer meios de se traduzir necessidades dos clientes em requisitos tecnicos apropriados para
cada estagio do desenvolvimento de produto e da producao. A introduc ao do QFD nos Estados
Unidos e creditada a Akao, por meio de um artigo na revista Quality Progress.
Em resumo, o QFD e uma ferramenta de planejamento estrategico, que traz como con-
seq uencia importante uma melhoria da Qualidade, no seu sentido mais amplo: vender o que o
cliente quer comprar e tornar o produto ou servico disponvel no momento que o mercado quer
e antes que a concorrencia o faca.
3. QFD - Desdobramento da Func ao Qualidade 58
3.1 Denicao e Evolucao
O QFD e um metodo que tem como objetivo organizar o conhecimento a m de ajudar e
priorizar esforcos de melhoria. O metodo e baseado na crenca de que produtos e servicos devem
ser redesenhados de modo a reetir as necessidades e desejos do cliente.
Alguns tipos de questoes que levam ao uso do metodo QFD sao:
Como desdobrar conceitos que tem potencial de atender ` as necessidades do cliente em
produtos e servicos?
Como selecionar o melhor conceito de produto entre muitos que estao sendo considera-
dos?
Como projetar um produto que deva funcionar sob uma ampla variedade de condic oes
que podem ser encontradas durante a produc ao ou uso pelo cliente?
Como escolher as melhores condic oes de operac ao para um processo de manufatura?
A propria estrutura do metodo QFD ajuda a compartilhar conhecimentos importantes em
meio a uma organizac ao. Alguns tipos de conhecimentos que s ao importantes quando se usa
esse metodo incluem:
Compreens ao das necessidades do cliente: freq uentemente isso e uma func ao de marketing.
Compreens ao das caractersticas de qualidade relacionadas ` as necessidades e suas im-
portancias relativas para o cliente: isso usualmente e uma combinac ao de projeto de
marketing e de engenharia.
Compreens ao dos fatoresque inuenciam ou afetam as caractersticas de qualidade. De-
pendendo da situac ao especca, os exemplos de fatores podem incluir condi coes e metodos
de processo, tipos de equipamento ou ferramentas, materiais, lay-outs, ambiente e nveis
de habilidade e treinamento; isso usualmente e uma func ao de projeto de engenharia.
Como pode ser visto pela localizac ao dos tipos de conhecimento, uma importante con-
tribuic ao de se usar QFD e a de quebrar as barreiras funcionais e encorajar o trabalho em
equipe para tentar satisfazer ` as necessidades dos clientes. O metodo QFD pode ser util em
qualquer esforco de se estabelecer relac oes claras entre func oes de produc ao e satisfa cao dos
clientes que nao sejam faceis de se visualizar.
3. QFD - Desdobramento da Func ao Qualidade 59
3.2 A Matriz QFD
Na sua forma mais basica o QFD pode ser visto como uma matriz que relaciona certas
informac oes importantes para a melhoria. Muitas vezes v arias matrizes ser ao usadas no mesmo
esforco de melhoria. Essas matrizes relacionar ao os o que do lado esquerdo da matriz como
os como na parte de cima. Os o que geralmente s ao tirados do diagrama de caractersticas
de qualidade, enquanto que os como sao tirados do conhecimento sobre o assunto da orga-
nizac ao. A estrutura do metodo QFD exige que diferentes funcoes da organizac ao trabalhem
cuidadosa e profundamente umas com as outras.

E comum no metodo QFD adicionar informa coes suplementares e pertinentes para serem
usadas na matriz. Duas categorias importantes sao:
Importancia relativa das caractersticas de qualidade para o cliente;
Metas para as medidas.
Caractersticas Valor de Fatores Controlaveis
de Qualidade Importancia Os Como
Os O Que
Totais de Fatores
Tabela 3.1: Matriz QFD com Valores de Import ancia
A matriz e construda colocando primeiramente as caractersticas de qualidade do lado
esquerdo, junto com os valores de importancia na primeira coluna como mostra a Tabela 3.1.
Em seguida, os os como ou fatores a serem controlados s ao colocados na parte de cima
da matriz. Eles podem ser vistos como as escolhas que ser ao feitas para se fazer melhorias.
Nesse est agio inicial, nos nao estamos tomando decisoes rmes sobre como exatamente cada
um desses processos deve ser feito, mas sim atribuindo prioridade aos processos ou produtos
que queremos melhorar.
A matriz e completada atribuindo um valor para impacto de um fator particular na carac-
terstica de qualidade para essa linha. Isso e feito usando uma pondera cao de um (1), dois (2)
e tres (3), com tres (3) tendo maior impacto. O traco (-) indica nenhum efeito, e um espaco
em branco indica que ainda nao sabemos. Outras escalas de pondera cao podem ser usadas. A
3. QFD - Desdobramento da Func ao Qualidade 60
equipe tem que trabalhar junto a matriz e conseguir um consenso sobre qual valor inserir. Por
ultimo o n umero de importancia e multiplicado pelo n umero de impacto e esses s ao somados
na coluna para fornecer os valores de import ancia para o fator de controle particular.
3.3 Usando a Casa de Qualidade QFD
Nessa se cao iremos introduzir a planilha matriz, conhecida como Casa de Qualidade (House
of Quality), devido a sua forma, que e util quando existem relac oes importantes entre os como.
Essas relac oes podem ser documentadas no telhado da casa, que e desenhado sobre a ma-
triz original. Ela tambem introduz um metodo para priorizar numericamente as ac oes para
melhoria.
A Figura 3.1 apresenta uma planilha em branco, seguida por um conjunto de instruc oes
para completa-la. Para ilustrar o metodo e usado um exemplo de um processo qumico.
Algumas vezes existe certas confusoes a respeito da diferenca entre redesenhar um produto
ou servico. A chave e lembrar que os fatores s ao escolhas que o produtor faz. Por exemplo,
ao redesenhar um processo as escolhas de redesenho foram experiencia e nveis de habilidade
e processo de hora marcada. Para esses redesenhos de processos o foco prim ario estar a nas
causas e condic oes que repentinamente vem juntas... para transformar dados em resulta-
dos. Em melhoria de processos as caractersticas de qualidade do pr oprio processo, tais como
padronizado, eciente, no horario ou simples, se tornam importantes. Um enfoque
para melhorar um processo deve ser voltado principalmente no como, enquanto que um en-
foque para melhorar um produto ou servico deve ser um foco no o que. Isso geralmente
envolve mais pesquisa de cliente e escolhas entre as opc oes de desenho.
Desenhar um novo produto, servico ou processo vai demandar, com freq uencia, mais pesquisa
para compreender a necessidade e as caractersticas de qualidade associadas do que se fosse o
redesenho de um produto, servico ou processo que j a existe.
Ao redesenhar um produto, servico ou processo j a existente, geralmente haver a informacoes
hist oricas disponveis sobre os nveis de satisfac ao do cliente.

E claro que tais informac oes nao
estar ao disponveis em um novo desenho, nesse caso, porem, pode haver informac oes uteis da
percepc ao do cliente disponveis sobre outros produtos, servicos e processos que possam existir
atualmente para dar conta dessa necessidade.
Alem disso, as distribui coes entre desenho de processo e de produto provavelmente cam
confusas, quando se lida com commodities como produtos qumicos, aco ou pl asticos. Nessas
3. QFD - Desdobramento da Func ao Qualidade 61
situac oes os redesenhos de produtos provavelmente serao pequenas modica coes e as escolhas
relacionadas a mudancas de processos serao menores.
Figura 3.1: Planilha Casa de Qualidade QFD
3. QFD - Desdobramento da Func ao Qualidade 62
3.3.1 Instruc oes para Usar a Casa de Qualidade QFD
O exemplo usado para ilustrar esse procedimento foi fornecido por uma equipe da End State
Chemical, produtora de Carbizeno. Uma equipe da f abrica trabalhava em melhorias no processo
de producao.
Passo 1 No canto superior esquerdo da planilha coloque o nome ou classica cao geral do
cliente. Pode haver mais de um cliente ou tipos de clientes, desde que diferentes clientes
queiram o mesmo conjunto de caractersticas de qualidade (veja o Passo 3). Como pode
ser visto na Planilha da Figura 3.2, e evidente que a base de clientes para o Carbizeno e
bastante diversicada.
Passo 2 Logo abaixo da necessidade do cliente, marque uma das tres op coes produto,
servico ou processo para indicar em qual desses tres esta o foco do esforco de melho-
ria, e em seguida escreva o nome desse esforco de melhoria na linha correspondente. Logo
abaixo, marque a opc ao apropriada para indicar se se trata de um esforco de desenho ou
redesenho.
Passo 3 Na primeira coluna, `a esquerda do corpo principal da planilha, liste as caractersticas
de qualidade nas palavras do cliente. Essas caractersticas ser ao simplesmente atrib-
utos desejaveis relativos ` a necessidade, expressos nas pr oprias palavras do cliente. Em
seguida, na coluna adjacente marcada mensur avel, acrescente mais detalhes ou signica-
dos. Liste uma ou mais caractersticas mensuraveis obtidas a partir das caractersticas de
qualidade declaradas pelo cliente. Essa segunda coluna deve ser expressa de tal modo que
permita alguma forma de teste ou medida. A equipe da End State Chemical traduziu o de-
sejo do cliente de um bom produtoem termos mensuraveis tais como teor, variac ao
e concentrac ao.
3. QFD - Desdobramento da Func ao Qualidade 63
Figura 3.2: Planilha QFD - Passos 1, 2 e 3
3. QFD - Desdobramento da Func ao Qualidade 64
Passo 4 Na terceira coluna `a esquerda documente os valores atuais de meta para cada cara-
cterstica de qualidade. Essas metas podem ser na forma de um valor otimo quantitativo
desejado, gama de valores, condicao ou direcao. Todas essas metas para as caractersticas
do Carbizeno est ao na forma de direcoes desejadas ( ou + e ou ). Veja a Figura 3.3.
Passo 5 Na quarta coluna `a esquerda atribua um valor de importancia relativa do ponto de
vista do cliente para cada uma das caractersticas de qualidade mensuraveis. (Ou, para
aquelas caractersticas de qualidade que n ao tem caractersticas mensur aveis associadas,
atribua os valores para as caractersticas do cliente.) Uma escala simples de valores pode
variar de 1 a 5, com 1 sendo menos importante e 5 sendo mais importante. Aqui,
n umeros maiores representam nveis maiores de import ancia relativa, devido ao metodo
de prioriza cao explicado no Passo 11. A documentac ao de apoio da planilha QFD deve
incluir informac oes sobre o tipo de escala de valores utilizada, denic oes operacionais
para cada nvel de valores, origem dos valores e outras informac oes pertinentes a respeito
desses valores.
Passo 6 Se esse for um esforco de redesenho, v a para a segunda coluna `a direita e coloque um
valor que indique a satisfac ao atual do cliente com o produto, servico ou processo existente,
para cada caracterstica de qualidade mensuravel. Como no Passo 5, uma escala simples
de valores pode variar de 1 a 5, mas aqui o valor de 1 representa muito satisfeito e um
valor 5 signica muito insatisfeito.

E importante observar que aqui n umeros maiores
representem nveis maiores de insatisfac ao, devido ao metodo de priorizac ao no Passo 12.
Agora, na ultima coluna da direita, coloque um valor similar para um produto ou servi co
alternativo importante disponvel para o cliente sobre o qual seja util saber a respeito.
Assim como no Passo 5, deve haver documnetac ao de apoio a respeito das origens dos
valores.

E evidente, pelos valores da Planilha da Figura 3.3, que os clientes de Carbizeno
est ao mais satisfeitos com o produto da End State em termos de baixa concentracao
e baixa variac ao de endeno, e mais insatisfeitos com a alta cor e variacao excessiva de
materiais estranhos. Esses valores podem ser comparados com os do principal competidor
da End State observando os valores na coluna adjacente.
3. QFD - Desdobramento da Func ao Qualidade 65
Figura 3.3: Planilha QFD - Passos 4, 5 e 6
3. QFD - Desdobramento da Func ao Qualidade 66
Passo 7 Em seguida, diretamente abaixo do telhado da casa e ao longo da primeira linha
chamada fatores, liste todos os elementos importantes, ou fatores, que se acredita terem
inuencia na lista de caractersticas de qualidade, tais como metodos, equipamentos,
materiais, caractersticas de engenharia, condic oes de processo, ambiente, etc. Assim
como nas caractersticas de qualidade secundarias, expresse esses fatores de tal modo que
permita alguma forma de avaliac ao, julgamento, teste ou medida. Do mesmo modo que
e util pensar nas caractersticas de qualidade como os o que, e util pensar nos fatores
como os como. Em outras palavras, os fatores (os como) e que ser ao mudamos para
mover as caractersticas de qualidade (os que) na direcao de suas respectivas metas. Na
Figura 3.4 pode-se ver que os fatores mais importantes na End State s ao primariamente
relacionados com processos.
Passo 8 Agora, usando o formato de matriz dentro do corpo principal da casa, coloque
valores numericos para cada local de fator/caracterstica de qualidade que expresse a
crenca atual sobre a forca da rela cao entre o fator e a caracterstica de qualidade. Use
0 para representar nenhuma relac ao, 1 para representar uma relac ao fraca, 3 para
representar uma relacao moderada e um 5 para representar uma relac ao forte. Se
atualmente n ao se souber se existe ou nao uma relacao entre um dado fator e uma dada
caracterstica de qualidade, deixe o espa co em branco.
Passo 9 Em cada coluna de fator na terceira linha a partir do m da planilha, coloque o valor
atual da meta para esse fator. Se desconhecido deixe em branco. A documenta cao de
apoio deve indicar se essas metas sao dependentes das condic oes de outros fatores. Esse
tipo de dependencia tambem sera real cado no telhado da casa, que ser a discutido no
passo 10.
3. QFD - Desdobramento da Func ao Qualidade 67
Figura 3.4: Planilha QFD - Passos 7, 8 e 9
3. QFD - Desdobramento da Func ao Qualidade 68
Passo 10 Utilizando a matriz no telhado da casa repita o Passo 8, mas coloque agora
n umeros para representar a forca da relac ao para quaisquer pares de fatores que se julgue
relacionados. Em outras palavras, se acredita-se que mudar um fator causa mudanca em
outro fator, isso deve ser realcado no espaco apropriado da matriz telhado. Na Figura
3.5 pode ser visto que a equipe acreditou que uma mudan ca na temperatura de reac ao
afetaria fortemente o tempo de reacao. Relacionando essa relac ao com a lista de cara-
ctersticas de qualidade, o melhor de reac ao para a producao otima de Carbizeno sera
dependente das condic oes de temperatura da reacao. Na linguagem de planejamento de
experimentos, existe uma interac ao entre esses dois fatores quanto ao seu efeito na
produc ao de Carbizeno. A abund ancia de espa cos em branco no telhado da casa e uma
indicac ao de que o conhecimento da equipe quanto a relacoes entre fatores e fraco.
Passo 11 Determine o conhecimento atual a respeito da alavancagem de cada fator em todas
as caractersticas de qualidade, ponderadas pela import ancia para o cliente, somando
os produtos do valor de relacao (Passo 8) pelo valor de import ancia relativa (Passo 5),
para cada par fator/caracterstica de qualidade em cada coluna da planilha. Coloque
esse n umero em cada coluna de fator na segunda linha do m da planilha, intitulada
Valores de Alavancagem - Importancia. Na Figura 3.5 podemos ver que os fatores de
alavancagem mais fortes nas caractersticas de qualidade, ponderadas pela import ancia
para o cliente, s ao uxo de produto no topo da torre, seguido por quantidade do
reagente qumico B e temperatura de reac ao.
Passo 12 Determine o conhecimento atual a respeito da alavancagem de cada fator em todas as
caractersticas de qualidade, ponderadas pelo nvel atual de satisfac ao do cliente, somando
os produtos do valor de relac ao (Passo 8) pelo valor de satisfacao atual (Passo 6), para cada
par fator/caracterstica de qualidade em cada coluna da planilha. Coloque esse n umero
em cada coluna de fator na ultima linha da planilha, intitulada Valores de Alavancagem
- Satisfac ao. Os fatores mais altos de alavancagem, mais fortes termos de satisfac ao do
cliente, sao uxo de produto no topo da torre, seguido por taxa de vapor na torre de
produto, e quantidade do reagente qumico B.
3. QFD - Desdobramento da Func ao Qualidade 69
Figura 3.5: Planilha QFD - Passos 10, 11 e 12
3. QFD - Desdobramento da Func ao Qualidade 70
Passo 13 Verique quais mudancas se pode fazer para alcancar uma melhoria, considerando
fazer experimentos em:
Fatores de alta alavancagem;
Fatores para os quais exista falta de conhecimento sobre efeitos principais ou de
intera cao com caractersticas de qualidade (representados por espa cos em branco na
casa);
Fatores com metas desconhecidas ou incertas;
Fatores cuja alta vari ancia de metas desejaveis e conhecida.
Para a equipe da End State os quatro mais altos fatores de alavancagem foram:
1. Fluxo de produto no topo da torre;
2. Quantidade do reagente qumico B;
3. Temperatura de rea cao;
4. Taxa de vapor na torre de produto.
As metas foram todas claras nesse caso. A cor e varia cao na quantidade de materiais
estranhos sao as caractersticas de qualidade que mais causam insatisfac ao no cliente. H a
muitos efeitos de fatores que s ao desconhecidos, tais como quantidade de catalisador e
cor. A equipe da End State planejar a experimentos usando os fatores de alavancagem
importantes, os fatores onde os efeitos s ao desconhecidos e os fatores que parecem ter o
maior potencial para afetar a cor e a variac ao na quantidade de material estranho.
Passo 14 Planeje, priorize e efetue ciclos PDSA. Baseada em sua Casa de Qualidade ini-
cial completa (Figura 3.5) a equipe da End State Chemical cou preocupada, acima de
tudo, com sua falta de conhecimento sobre efeitos de interac ao potenciais, representados
pelos espacos em branco no telhado da casa. Devido a sua alta alavancagem, tanto na
import ancia para o cliente quanto no nvel atual de satisfa cao do cliente, o uxo de
produto no topo da torre e a quantidade de reagente qumico B foram includos como
fatores para estudo em ciclos iniciais.
Passo 15 Atualize a Planilha QFD ` a medida que as mudan cas forem feitas e novos conheci-
mentos forem obtidos.
3. QFD - Desdobramento da Func ao Qualidade 71
Nota: Essas instruc oes s ao fornecidas como orientac ao. Pode n ao ser sempre apropriado
efetuar todos os passos. Use seu julgamento para determinar quais passos s ao uteis em situac oes
especcas.
3.3.2 Resumo da End State Chemical
Para a equipe da End State os quatro mais altos fatores de alavancagem foram:
1. Fluxo de produto no topo da torre;
2. Quantidade do reagente qumico B;
3. Temperatura de rea cao;
4. Taxa de vapor na torre de produto.
A cor e variac ao na quantidade de materiais estranhos s ao as cara-ctersticas de qualidade que
mais causam insatisfa cao no cliente. Qualquer um dos oitos fatores associados com essas car-
actersticas de qualidade, que estejam em branco, s ao considerados para experimentos futuros.
A equipe ter a que avaliar seus recursos de experimenta cao para decidir quanto desses fatores
incluir a em seu plano. O metodo QFD mostrou ` a equipe os mais importantes fatores para
investigacao futura.
3.4 Resumo QFD
Desdobramento da Fun cao da Qualidade (QFD) e um metodo de organizar conhecimento
para planejar e priorizar esforcos de melhoria;
O QFD e um enfoque util para gerenciar e documentar esforcos de melhoria;
Uma analise completa do QFD pode se tornar muito complexa para os produtos com
muitos componentes. Mesmo com essa complexidade, muitas organizac oes acharam o
metodo util para desenho e redesenho de produto.
3. QFD - Desdobramento da Func ao Qualidade 72
3.5 Exerccios
Exerccio 5. Descreva uma atividade recente de desenvolvimento de um produto ou processo
em sua organizacao onde o QFD poderia ser usado. Quem em sua organizacao estaria envolvido
em usar o QFD para essa atividade?
Exerccio 6. Identique uma necessidade importante para seus clientes. Use o Diagrama
de Caracterstica de Qualidade (Tabela 3.2) para desenvolver caractersticas de qualidade para
produtos que atendam a essa necessidade.
Necessidade do Cliente:
Caracterstica de Qualidade
1
: Uma caracterstica, de preferencia
mensuravel, de um dado ou resultado de um processo, ou uma
medida de desempenho de um processo.
Primaria
2
Secundaria
3
Terciaria
3
(Palavras do cliente)
Notas:
1) Nao incluir fatores de desenho nessa lista.
2) Expressar na linguagem do cliente.
3) Para acrescentar mais detalhes, subdividida em duas ou mais
caractersticas de qualidade.
Tabela 3.2: Diagrama de Caractersticas de Qualidade
Exerccio 7. Selecione um produto, processo ou servico para desenho ou redesenho a m de
cumprir o estatuto de sua equipe. Para facilitar a compreensao do exerccio em classe, escolha
um produto, processo ou servico para qual a equipe tenha um nvel de conhecimento de moderado
a alto. Complete a Planilha QFD abaixo (Figura 3.6) para o seu exemplo, completando os
Passos de 1 a 12.
3. QFD - Desdobramento da Func ao Qualidade 73
Figura 3.6: Planilha Casa de Qualidade QFD
74
Captulo 4
Introducao `a Estatstica
4.1 Introducao
Neste captulo, vamos apresentar os elementos b asicos da an alise de dados. Veremos as
Estatsticas Descritivas utilizadas para organizar, resumir e descrever os aspectos importantes
do comportamento dos dados. A descric ao dos dados tambem pode identicar anomalias, ate
mesmo resultantes do registro incorreto de valores e valores extremos (aqueles que n ao seguem
a tendencia geral do restante do conjunto de dados). As ferramentas descritivas s ao os muitos
tipos de gracos e tabelas, bem como as medidas de sntese: medidas de posic ao e medidas de
dispersao.
Sempre que resumimos um conjunto de dados, perdemos informacao sobre o mesmo, pois
condensamos as observac oes originais. Entretanto, esta perda de informac ao e pequena se
comparada ao ganho que se tem com a clareza da interpreta cao proporcionada.
Em geral, manipulamos um conjunto de dados com o objetivo de extrairmos informacao
sobre o comportamento de um processo ou produto. A Estatstica utiliza a variabilidade pre-
sente nos dados para obter tal informac ao. A variabilidade est a presente em todo lugar. Por
exemplo, a posicao de um carro estacionado em uma garagem n ao e a mesma ao longo dos dias.
Neste caso, a posic ao do carro apresenta uma variac ao.
Nossa estrategia consiste em avaliar as variac oes e obter informac ao atraves dela.
A aplicac ao de tecnicas estatsticas envolve varias etapas:
Coleta de dados;
Exposic ao dos dados;
Modelos Estatsticos.
4. Introducao ` a Estatstica 75
Vejamos cada uma destas etapas.
4.2 Coleta de Dados
Diversos problemas podem ocorrer durante o processo de coleta de dados, os quais
podem comprometer seriamente as soluc oes propostas no nal do processo, ou seja, a qualidade
da solu cao esta diretamente relacionada com a qualidade dos dados obtidos. Podemos evitar
que alguns problemas ocorram observando fatos como:
N ao se deve coletar dados sem que antes se tenha denido claramente o problema ou
situac ao a ser enfrentada, bem como os objetivos com relac ao aos mesmos;
Os sistemas de medi cao (instrumento, operadores, metodo, meio) que ser ao utilizados
devem ser avaliados e ter capacidade de medic ao suciente;
Os calculos e leituras devem ser feitos com muita atencao para evitar distorcoes;
Devem ser utlizados formul arios adequados para coleta de dados de acordo com o problema
estudado.
Uma populacao e um agregado de elementos (nitos ou n ao) do qual deseja-se obter
informac oes sobre algumas de suas caractersticas. Duas populacoes sao consideradas distintas
se em uma delas existir um elemento que n ao esta contido na outra popula cao. Como exemplo
de populac ao temos a producao diaria de uma empresa, medic ao de hastes de aco realizada
com um micrometro, entre outras. Uma amostra e uma parcela de uma popula cao que pode
conter informac oes sobre esta populac ao.
Outra denicao importante (para a escolha da tecnica estatstica e das interpretac oes dos
resultados) e a classicac ao dos dados.
Figura 4.1: Classicac ao dos dados.
Para estudarmos adequadamente uma populac ao atraves de uma amostra, devemos planejar
a coleta de dados.
4. Introducao ` a Estatstica 76
4.2.1 Planejando a coleta de dados
Na busca das resolu coes de alguns problemas e da melhoria da qualidade, popula coes
referentes aos problemas existentes devem ser estudadas adequadamente atraves de informac oes
e dados (amostra), como mostra a Figura 4.2.
Com este objetivo, formulamos algumas perguntas:
Com que freq uencia ocorrem os problemas?
Quais sao as causas do problema?
Figura 4.2: Ciclo de resoluc ao de problemas
O diagrama da Figura 4.2 representa o ciclo que ocorre durante a tentativa de resolu cao de
um problema.
Portanto, a coleta de dados e um procedimento necessario na resoluc ao de problemas. Entre-
tanto, se n ao tivermos bons metodos para essa coleta, podemos cometer erros de interpretacao.
Um bom planejamento para coleta de dados deve considerar as seguintes perguntas:
Qual a pergunta a ser respondida?
4. Introducao ` a Estatstica 77
Como comunicar a resposta obtida?
Qual ferramenta de an alise pretende-se usar e como utilizar os resultados?
Qual tipo de dado e necess ario para utilizar as ferramentas desejadas e responder a per-
gunta?
Como coletar esses dados com o mnimo de esforco e erro?
Onde acessar estes dados?
Quem pode fornece-los?
Qual o perodo em que os dados ser ao coletados?
Tendo as respostas para estas perguntas, devemos:
Construir um formul ario claro e de f acil manuseio, certicando-se de que todas as in-
formac oes estao claramente denidas e que h a espaco suciente para registro de dados;
Coletar os dados de forma consistente e honesta;
Certicar-se de que existe tempo suciente para a coleta de dados;
Denir quais informac oes adicionais ser ao necess arias para estudos futuros, referencias ou
reconhecimento.
Geralmente, as variaveis selecionadas atraves das ferramentas gerenciais, como o diagrama
de priorizac ao, podem ser obtidas via sistemas administrativos ou atraves de sistemas de
medic ao. Para as vari aveis obtidas atraves de sistemas administravos, e essencial uma boa
denic ao das vari aveis e uma an alise da consistencia, bem como da conabilidade dos dados.
Para as vari aveis obtidas atraves de sistemas de medi cao, aplicamos as tecnicas descritas no
Manual de Analise de Sistemas de Medic ao (AIAG (2003)).
4.3 Exposicao de Dados
Antes da exposi cao dos dados coletados, e necessario que se faca um trabalho de re-
vis ao e correc ao desses dados na tentativa de eliminar possveis enganos no preenchimento dos
formul arios.
Inicialmente, os dados podem ser classicados como qualitativos ou quantitativos.
Atraves desta classicac ao, vamos denir algumas tecnicas para resumir o conjunto de dados.
4. Introducao ` a Estatstica 78
4.3.1 Dados qualitativos
Os dados qualitativos representam uma caracterstica da qualidade (ou atributo) associado
ao item pesquisado. Por exemplo, podemos classicar um produto em: bom, razo avel ou ruim.
Os dados qualitativos podem ser divididos em dois tipos:
Dado qualitativo nominal - Para o qual n ao existe nenhuma ordena cao nas possveis
realizac oes;
Dado qualitativo ordinal - Para o qual existe uma ordem em seus resultados.
Sexo, estado civil, s ao exemplos de dados qualitativos nominais. Entretanto, grau de in-
struc ao e um exemplo de um dado qualitativo ordinal, pois ensinos: fundamental, medio ou
superior correspondem a uma ordena cao, da mesma forma que classicar um produto em: bom,
razo avel ou ruim.
Exemplo 4.1. Uma ind ustria de calculadoras eletronicas, preocupada com varios defeitos que
um de seus produtos vem apresentando, fez um levantamento e constatou os seguintes problemas:
A: Defeito na cobertura plastica;
B: Defeito no teclado;
C: Defeito na fonte de energia;
D: Soldas soltas;
E: Defeito na placa da unidade de processamento;
F: Defeito no visor;
G: Outros.
Nesta situac ao, para cada item inspecionado, existe uma vari avel T que representa o tipo de
defeito encontrado. Portanto, essa variavel T pode assumir os valores: T = A, T = B, ,T =
G. Logo, por exemplo, para uma calculadora com defeito na cobertura pl astica, temos que
T = A.
Numa segunda fase, devemos construir uma Tabela dos valores observados.
4. Introducao ` a Estatstica 79
Tabela 4.1: Tipos de problemas numa ind ustria de calculadoras
Tipo de Problemas (T) Freq uencia
A 10
B 20
C 55
D 80
E 25
F 3
G 7
4.3.2 Dados quantitativos
Neste caso, a caracterstica observada assume valores numericos que podem ser classicados
em discretos ou contnuos.
Dados quantitativos discretos
Os dados quantitativos discretos assumem valores dentro de um conjunto com os n umeros
especicados. Por exemplo, o n umero de produtos produzidos por uma maquina em um deter-
minado perodo de tempo pode ser 0,1,2,3,4,... Neste caso, os dados observados formam um
conjunto nito (ou enumer avel) de n umeros. Geralmente, quando contamos defeitos, temos
dados quantitativos discretos.
Exemplo 4.2. Numa ind ustria da area automobilstica, o setor de producao contabilizou o
n umero de pecas defeituosas em 20 lotes de 1.000 pecas em cada. Neste caso, obtemos os
seguintes dados: 10, 12, 9, 11, 10, 8, 9, 10, 7, 10, 8, 9, 9, 10, 10, 11, 9, 11, 10, 10.
Um possvel resumo dos dados e desenvolvido na Tabela 4.2.
Tabela 4.2: N umero de pecas defeituosas em lotes de 1.000 pecas (com apurac ao)
N umero de pecas Apura cao N umero de lotes
defeituosas
7 / 1
8 / / 2
9 / / / / / 5
10 / / / / / / / / 8
11 / / / 3
12 / 1
Portanto, a vari avel n umero de pecas defeituosas assume valores discretos, isto e, inteiros:
, 7, 8, 9, .
4. Introducao ` a Estatstica 80
Dados quantitativos contnuos
Os dados quantitativos contnuos assumem valores em um intervalo contnuo de n umeros.
Em geral, este tipo de dado e proveniente de medic oes de uma caracterstica da qualidade de
uma peca ou produto. Os possveis valores incluem todos os n umeros do intervalo de variac ao
da caracterstica medida. Por exemplo, ao medirmos os di ametros dos eixos de determinados
motores com uma celula eletronica, obtemos dados quantitativos contnuos.
Exemplo 4.3. Numa fabrica de motores eletricos, o gerente de producao precisa avaliar o
problema de rudo excessivo do motor. Uma das possveis causas esta associada com variacoes
no diametro do eixo. Assim, o gerente de producao mediu o diametro do eixo de 200 motores
e o resultado esta apresentado na Tabela 4.3. Os valores estao em milesimos de milmetros.
Tabela 4.3: Di ametro do eixo de 200 motores
4,8 4,2 5,1 5,2 4,8 4,7 4,9 4,5 4,9 4,5 4,9 5,1 4,8
4,9 4,8 5,0 5,3 4,9 5,5 5,2 5,1 4,6 4,9 4,8 5,1 4,6
4,3 4,9 4,7 5,2 4,8 4,4 5,6 5,0 5,0 5,0 4,8 5,2 4,5
5,1 4,9 4,8 4,8 5,0 4,8 5,1 5,4 4,2 5,1 4,9 4,6 5,4
4,9 4,3 4,6 4,7 4,7 5,3 4,4 4,7 4,8 5,2 4,5 5,1 4,6
5,7 4,9 5,2 4,8 4,9 4,9 4,4 4,7 4,9 5,1 5,4 5,0 4,4
5,1 4,9 4,9 5,1 5,2 4,7 4,8 4,6 5,2 5,5 5,2 4,2 4,9
4,9 4,8 4,2 5,2 5,1 4,7 5,5 4,7 4,7 4,4 4,8 4,2 5,2
5,0 5,2 4,2 4,9 5,1 4,6 5,4 4,6 4,8 5,2 5,1 4,7 5,5
4,8 5,1 4,6 4,8 5,2 4,5 4,9 4,5 5,4 4,5 4,9 4,6 4,7
4,8 4,2 5,1 5,2 4,8 4,7 4,9 4,7 4,9 4,5 4,7 5,2 5,5
4,9 5,1 4,8 4,9 4,8 5,0 5,3 4,9 5,5 5,2 5,2 4,7 4,8
5,1 4,6 4,9 4,3 4,9 4,7 5,2 4,8 4,4 5,6 4,9 4,9 4,9
5,0 5,0 5,0 5,1 4,9 4,8 4,8 5,0 4,8 5,1 5,1 4,8 5,1
5,4 4,2 5,1 4,9 4,3 4,6 4,7 4,8 5,3 4,4 4,9 4,4 4,7
5,7 4,9 5,2 4,8 4,9
Podemos fazer a apurac ao considerando intervalos de medidas, como apresentado na Tabela
4.4.
Tabela 4.4: Di ametro do eixo de 200 motores (com apuracao)
Diametro Apuracao N
o
de motores apurados
4, 2 4, 4 / / / / / / / / / / / / 12
4, 4 4, 6 //////////.../ 16
4, 6 4, 8 //////////...// 32
4, 8 5, 0 //////////...//// 64
5, 0 5, 2 //////////.../ 36
5, 2 5, 4 //////////...//// 24
5, 4 5, 6 / / / / / / / / / / / / 12
5, 6 5, 8 / / / / 4
4. Introducao ` a Estatstica 81
Ao estabelecermos intervalos de classes, estamos admitindo que o eixo pode assumir qualquer
valor entre o limite inferior (inclusive) e o limite superior (exclusive).
A exposic ao dos dados pode ser feita atraves de tabelas e/ou gr acos. In umeros gracos
auxiliam na apresentac ao e interpreta cao dos dados.
Nas proximas sec oes destacaremos os mais usuais na ind ustria.
4.4 Diagrama de Pareto
Diagrama de Pareto e um graco de barras que ordena as frequencias das ocorrencias,
da maior para a menor, permitindo a priorizacao dos problemas. Mostra ainda a curva de
percentagens acumuladas. Sua maior utilidade e a de permitir uma f acil visualizac ao e iden-
ticac ao das causas ou problemas mais importantes, possibilitando a concentrac ao de esforcos
sobre os mesmos.
Figura 4.3: Diagrama de Pareto - Relativo a custos.
4. Introducao ` a Estatstica 82
Como construir um Diagrama de Pareto
1. Realize uma reuniao com a equipe para selecionar o topico a ser avaliado. Por exemplo,
podemos avaliar tipos de defeitos, custo de manutencao por equipamento, entre outros.
2. Selecione um padr ao de compara cao com unidade de medida. Geralmente, utilizamos o
custo ou frequencia de ocorrencia como medida de comparac ao.
3. Especique o perodo de tempo em que os dados ser ao coletados. Exemplo: Uma semana,
um mes.
4. Elabore uma planilha de dados, com as seguintes colunas: Categorias, Quantidades (totais
individuais), Totais acumulados, Porcentagens, Porcentagens acumuladas.
5. Colete os dados necess arios para cada categoria. Exemplo: Defeito A ocorreu X vezes ou
defeito C custou Y.
6. Preencha a planilha de dados, listando as categorias em ordem decrescente com relac ao
` a unidade de comparac ao.
7. Marque o eixo horizontal no lado esquerdo com a escala de zero ate o total da coluna
Quantidade da planilha de dados. Identique o nome da variavel representada neste eixo
e a unidade de medida utilizada, caso seja necessario.
8. Marque o eixo vertical do lado direito com uma escala de zero ate 100%. Identique este
eixo como Porcentagem acumulada(%).
9. Liste as categorias da esquerda para direita no eixo horizontal em ordem decrescente de
frequencia ou custo. Os itens de menor import ancia podem ser combinados na categoria
Outros, que e colocada no extremo direito do eixo, com a ultima barra.
10. Identique cada intervalo do eixo horizontal escrevendo os nomes das categorias, na
mesma ordem em que eles aparecem na planilha de dados.
11. Construa um graco de barras utilizando a escala do eixo vertical do lado esquerdo. Para
construir um graco de barras, acima de cada categoria, basta desenhar um ret angulo
cuja a altura representa a frequencia ou custo daquela categoria.
12. Construa a curva de Pareto marcando os valores da porcentagem acumulada acima e no
centro ou lado direito) do intervalo de cada categoria, e ligue os pontos por segmentos de
reta.
4. Introducao ` a Estatstica 83
Exemplo 4.4. Uma ind ustria de computador preocupada com varios defeitos que um de seus
produtos vem apresentando, fez um levantamento e constatou os seguintes problemas:
A : Defeito na cobertura plastica.
B : Defeito no teclado.
C : Defeito na fonte de energia.
D : Soldas soltas.
E : Defeito na placa da unidade de processamento.
F : Defeito no visor.
G : Outros.
Construir um gr aco de pareto.
Temos que os dados A, B, ..., G sao dados qualitativos nominais. Na Tabela 4.5 temos
a freq uencia, a freq uencia acumulada, a porcentagem e a porcentagem acumulada referente a
cada tipo de problema, em ordem decrescente.
Tabela 4.5: Tipos de problemas numa ind ustria de computadores
Tipos de Problema Freq uencia Frequencia Porcentagem Porcentagem
acumulada acumulada
D 80 80 38,64 38,64
C 55 135 26,57 65,21
E 32 167 15,45 80,67
B 20 187 9,66 90,34
A 10 197 4,83 95,17
G 7 204 3,38 98,55
F 3 207 1,45 1
Total 207 207 1
Na Figura 4.4 temos o Diagrama de Pareto referente a estes dados.
4. Introducao ` a Estatstica 84
Figura 4.4: Diagrama de Pareto

Exerccio 8. Uma empresa da area automobilstica acompanha os defeitos encontrados nos


relogios comparadores utilizados na area de usinagem. Na Tabela seguinte apresentamos os
dados referentes a um mes de acompanhamento dos defeitos detectados pela area de manutencao
de equipamentos.
1. Preencher a Tabela de distribui cao de freq uencias.
2. Construir o gr aco de Pareto.
Tabela 4.6: Defeitos Encontrados em Rel ogios Comparadores na

Area de Manutenc ao de
Equipamentos
Tipo de Defeito Quantidade Proporcao Proporcao Acumulada
Inltra cao de

Oleo 100
Ponteiro 80
Danicado 68
Canhao 50
Nao Funciona 12
4. Introducao ` a Estatstica 85
Figura 4.5: Diagrama de Pareto.
4.4.1 Diagrama de Pareto relativo a custos
Na construcao do gr aco de Pareto podemos utilizar como medida de comparac ao a freq uencia
de ocorrencia do atributo ou o custo associado a este atributo. A seguir, apresentamos um ex-
emplo de um gr aco de Pareto com medida de comparacao baseada no custo.
Exemplo 4.5. Em uma empresa de cartao de identicacao, contabilizamos os defeitos nos
cartoes com medida de comparacao baseada no custo.
4. Introducao ` a Estatstica 86
Principais Defeitos N
o
de Embalagens Custo por Unidade Custo do Defeito
Defeituosas Defeituosa (R$) (R$)
N umeros Trocados 28 0,05 1,40
Caracteres Errados 28 0,05 1,40
Amassado 4 1,00 4,00
Perfurado 3 0,05 0,15
Impressao Ilegvel 2 0,05 0,10
Rasgado 2 1,00 2,00
Outros 1 0,05 0,05
TOTAL 68
Figura 4.6: Diagrama de Pareto - Relativo a custos.

Exerccio 9. Uma empresa da area automobilstica acompanha os custos associados aos defeitos
encontrados nos equipamentos enviados para a calibracao. Na Tabela 4.7 apresentamos os
dados referentes a um mes de acompanhamento dos defeitos encontrados nos equipamentos das
diversas areas.
4. Introducao ` a Estatstica 87
Tabela 4.7: Custos associados aos defeitos encontrados nos equipamentos enviados para a
calibrac ao
Centro de Custo Calibrados Reprovados Proporcao Custo Custo Proporcional
Pre-Usinagem 25 9 540
Tratamento Termico 18 12 800
Fundicao 32 10 860
Usinagem 112 45 4050
Tratamento Supercial 28 13 1300
TOTAL 215
Figura 4.7: Diagrama de Pareto - Relativo a custos.
4.5 Distribuicao de Freq uencias
A distribuic ao de freq uencias e um agrupamento de dados em classes, de tal forma
que contabilizamos o n umero de ocorrencia em cada classe. O n umero de ocorrencias de uma
determinada classe recebe o nome de freq uencia absoluta. O objetivo e apresentar os dados de
uma maneira mais concisa e que nos permita extrair informa cao sobre seu comportamento.
4. Introducao ` a Estatstica 88
A seguir, apresentamos algumas denic oes necess arias `a construc ao da distribui cao de
freq uencia.
Freq uencia absoluta (f
i
):

E o n umero de observac oes correspondente a cada classe. A
freq uencia absoluta e, geralmente, chamada apenas de freq uencia.
Freq uencia relativa (fr
i
):

E o quociente entre a freq uencia absoluta da classe cor-
respondente e a soma das freq uencias (total observado), isto e, fr
i
=
f
i

j
f
j
, onde n
representa o n umero total de observac oes.
Freq uencia percentual (p
i
):

E obtida multiplicando a freq uencia relativa por 100%.
Freq uencia acumulada:

E o total acumulado (soma) de todas as classes anteriores
ate a classe atual. Pode ser: freq uencia acumulada absoluta (F
i
), freq uencia acumulada
relativa (Fr
i
), ou freq uencia acumulada percentual (P
i
).
4.5.1 Distribuicao de freq uencia pontual: Dados discretos
A constru cao de uma tabela de distribuic ao de freq uencia pontual e equivalente `a construc ao
de uma tabela simples, onde se listam os diferentes valores observados da vari avel com suas
freq uencias absolutas, denotadas por f
i
(o ndice i corresponde ao n umero de linhas da Tabela)
como e mostrado na Tabela 4.8. Utilizamos a distribuic ao de freq uencias pontual quando se
trabalha com dados discretos. Um gr aco utilizado para representar este tipo de distribuic ao
de freq uencia e o Graco de Barras.
Exemplo 4.6. Numa ind ustria da area automobilstica, o setor de producao contabilizou o
n umero de pecas defeituosas em 20 lotes de 1.000 pecas em cada. Neste caso, obtemos os
seguintes dados: 10, 12, 9, 11, 10, 8, 9, 10, 7, 10, 8, 9, 9, 10, 10, 11, 9, 11, 10, 10.
A freq uencia de ocorrencia de defeitos assume valores 7,8,9,10,11 ou 12. A freq uencia
absoluta da primeira linha (Tabela 4.8), f
1
= 1, indica que 1 lote teve 7 pecas defeituosas,
da mesma forma que 1 lote teve 12 pecas com defeito(f
6
= 1). Porem, observamos que a maior
frequencia de defeitos ocorreu em 8 lotes, tendo cada um 10 pe cas defeituosas, representando
40% do total de lotes. A soma de todas as freq uencias absolutas deve ser igual ao n umero total
de observac oes da variavel, neste caso, 20.
4. Introducao ` a Estatstica 89
Tabela 4.8: Distribuic ao de Freq uencia
N umero de Freq uencia Freq uencia Freq uencia Freq uencia
pe cas defeituosas (f
i
) Relativa (fr
i
) Percentual Acumulada
7 1 0,05 5 5
8 2 0,1 10 15
9 5 0,25 25 40
10 8 0,4 40 80
11 3 0,15 15 95
12 1 0,05 5 100
Figura 4.8: N umero de defeitos em puricadores.
Exerccio 10. Em uma empresa montadora de eletrodomesticos, um tipo de puricador com
refrigeracao eletronica pode ter basicamente 4 tipos de defeitos: vazamento na torneira esquerda,
vazamento na torneira direita, LED (indicador luminoso que informa o status de funcionamento
do produto) e fonte nao liga. A Tabela 4.9 representa a freq uencia de n umero de defeitos nos
produtos fabricados em um certo perodo de tempo. Complete-a com as informacoes que faltam
e construa o graco de barras correspondente.
Tabela 4.9: Distribuic ao de Freq uencia
N umero de Freq uencia Freq uencia Freq uencia Freq uencia
defeitos (f
i
) Relativa (fr
i
) Percentual Acumulada
0 107
1 17
2 08
3 03
4 04
4. Introducao ` a Estatstica 90
Figura 4.9: N umero de defeitos em puricadores.
4.5.2 Distribuicao de freq uencia em intervalos de classes: Dados
contnuos
Para dados quantitativos contnuos, geralmente resultantes de medi coes de caractersticas
da qualidade de pecas ou produtos, dividimos a faixa de variac ao dos dados em intervalos de
classes. O menor valor da classe e denominado limite inferior (l
i
) e o maior valor da classe e
denominado limite superior (L
i
).
O intervalo ou classe pode ser representado das seguintes maneiras:
1. l
i
L
i
, onde o limite inferior da classe e includo na contagem da freq uencia absoluta,
mas o superior nao;
2. li Li, onde o limite superior da classe e includo na contagem, mas o inferior n ao.
Podemos escolher qualquer uma destas op coes, mas e importante que deixemos claro no
texto ou na tabela qual delas est a sendo usada. Embora nao seja necessario, os intervalos
4. Introducao ` a Estatstica 91
s ao freq uentemente construdos de modo que todos tenham larguras iguais, o que facilita as
comparac oes entre as classes.
Na tabela de distribuic ao de freq uencia, acrescentamos uma coluna com os pontos medios
de cada intervalo de classe, denotada por x
i
. Esta e denida como a media dos limites da classe
x
i
=
l
i
+L
i
2
. Estes valores sao utilizados na constru cao de gr acos.
A seguir, apresentamos algumas diretrizes para a construcao da distribui cao de freq uencias:
Determine o n umero de classes, levando em consideracao que este n ao seja superior a 20.
A seguir, apresentamos um criterio para determinar os intervalos.
Tabela 4.10: Criterio para determinar os intervalos
Tamanho da amostra (n) N umero de classes
30 a 50 5 a 7
51 a 100 6 a 10
10l a 250 7 a 12
acima de 250 10 a 20
Determine o tamanho de cada classe L, considerando a amplitude R. Uma maneira de
se fazer isso e
L =
R
n
o
de classes
.
Escolha limites que facilitem o agrupamento.
Marque os pontos medios dos intervalos.
Como exemplo, uma constru cao de intervalos para os dados do Exemplo 4.3 e as respectivas
freq uencias e dado a seguir.
4. Introducao ` a Estatstica 92
Tabela 4.11: Di ametro do eixo de 200 motores
Diametro N
o
de motores
4, 2 4, 4 12
4, 4 4, 6 16
4, 6 4, 8 32
4, 8 5, 0 64
5, 0 5, 2 36
5, 2 5, 4 24
5, 4 5, 6 12
5, 6 5, 8 4
A Tabela 4.12 apresenta sua Distribuic ao de Freq uencias completa.
Tabela 4.12: Distribuic ao de freq uencias das medidas dos motores
Limite dos Ponto Medio Freq uencia Freq uencia Freq uencia Freq uencia
Intervalos (x
i
) (f
i
) Relativa (fr
i
) Percentual (p
i
) Acumulada
4,2 4,4 4,3 12 0,060 6,00 6,00
4,4 4,6 4,5 16 0,080 8,00 14,00
4,6 4,8 4,7 32 0,160 16,00 30,00
4,8 5,0 4,9 64 0,320 32,00 62,00
5,0 5,2 5,1 36 0,180 18,00 80,00
5,2 5,4 5,3 24 0,120 12,00 92,00
5,4 5,6 5,5 12 0,060 6,00 98,50
5,6 5,8 5,7 4 0,020 2,00 100,00
Exerccio 11. Em uma fabrica de auto pecas, uma arruela de vedacao estava causando incon-
veniente na montagem de uma parte de um automovel. Para buscar informacoes, decidimos
medir a espessura de 200 arruelas, cujos valores foram:
4. Introducao ` a Estatstica 93
Tabela 4.13: Medidas da espessura de 200 arruelas
8,0 12,5 12,5 14,0 13,5 12,0 14,0 12,0 10,0 14,5
10,0 10,5 8,0 15,0 9,0 13,0 11,0 10,0 14,0 11,0
12,0 10,5 13,5 11,5 12,0 15,5 14,0 7,5 11,5 11,0
12,0 12,5 15,5 13,5 12,5 17,0 8,0 11,0 11,5 17,0
11,5 9,0 9,5 11,5 12,5 14,0 11,5 13,0 13,0 15,0
8,0 13,0 15,0 9,5 12,5 15,0 13,5 12,0 11,0 11,0
11,5 11,5 10,0 12,5 9,0 13,0 11,5 16,0 10,5 9,0
9,5 14,5 10,0 5,0 13,5 7,5 11,0 9,0 10,5 14,0
9,5 13,5 9,0 8,0 12,5 12,0 9,5 10,0 7,5 10,5
10,5 12,5 14,5 13,0 12,5 12,0 13,0 8,5 10,5 10,5
13,0 10,0 11,0 8,5 10,5 7,0 10,0 12,0 12,0 10,5
13,5 10,5 10,5 7,5 8,0 12,5 10,5 14,5 12,0 8,0
11,0 8,0 11,5 10,0 8,5 10,5 12,0 10,5 11,0 10,5
14,5 13,0 8,5 11,0 13,5 8,5 11,0 11,0 10,0 12,5
12,0 7,0 8,0 13,5 13,0 6,0 10,0 10,0 12,0 14,5
13,0 8,0 10,0 9,0 13,0 15,0 10,0 13,5 11,5 7,5
11,0 7,0 7,5 15,5 13,0 15,5 11,5 10,5 9,5 9,5
10,5 7,0 10,0 12,5 9,5 10,0 10,0 12,0 8,5 10,0
9,5 9,5 12,5 7,0 9,5 12,0 10,0 10,0 8,5 12,0
11,5 11,5 8,0 10,5 14,5 8,5 10,0 12,5 12,5 11,0
Construa a tabela com a Distribui cao de Freq uencias completa.
Tabela 4.14: Distribuic ao de freq uencias das medidas das arruelas
Limite dos Ponto Medio Freq uencia Freq uencia Freq uencia Freq uencia
Intervalos (x
i
) (f
i
) Relativa (fr
i
) Percentual (p
i
) Acumulada
4,75 5,75
5,75 6,75
6,75 7,75
7,75 8,75
8,75 9,75
9,75 10,75
10,75 11,75
11,75 12,75
12,75 13,75
13,75 14,75
14,75 15,75
15,75 16,75
16,75 17,75
4. Introducao ` a Estatstica 94
4.6 Histograma
Histograma e uma representacao graca (um gr aco de barras verticais ou barras hor-
izontais) da distribuic ao de frequencias de um conjunto de dados quantitativos contnuos. O
histograma pode ser um graco por valores absolutos ou freq uencia relativa ou densidade. No
caso de densidade, a freq uencia relativa do intervalo i (fr
i
) e representada pela area de um
ret angulo que e colocado acima do ponto medio da classe i. Conseq uentemente, a area total do
histograma (igual a soma das areas de todos os retangulos) sera igual a 1. Assim, ao construir o
histograma, cada ret angulo devera ter area proporcional `a freq uencia relativa (ou `a freq uencia
absoluta, o que e indiferente) correspondente. No caso em que os intervalos sao de tamanhos
(amplitudes) iguais, as alturas dos ret angulos ser ao iguais ` as freq uencias relativas (ou iguais `as
freq uencias absolutas) dos intervalos correspondentes.
Como a tabela de freq uencia, o histograma tem a caracterstica de analisar as relac oes essen-
ciais que os dados apresentam, e ainda vericar algumas suposicoes.
Consideremos o Exemplo 4.3. O histograma correspondente e dado a seguir.
Figura 4.10: Histograma das medidas de 200 motores.
Exerccio 12. Consideremos os dados do Exerccio 11. Construa o histograma correspondente.
4. Introducao ` a Estatstica 95
Figura 4.11: Histograma das medidas de 200 arruelas.
4.7 Medidas de Posicao
As medidas de posic ao s ao maneiras de resumir os dados, fornecendo apenas um valor,
por exemplo, o valor medio do conjunto de dados.
Usaremos as seguintes nota coes:
X: valor de cada indivduo da amostra.
X: media amostral.
n: tamanho da amostra.
4.7.1 Media aritmetica
A media aritmetica, ou simplesmente media, e calculada somando-se os valores das
observacoes e dividindo-se o resultado pelo n umero de valores.
Assim, a media amostral e dada por
X =
X
1
+. . . +X
n
n
. (4.1)
4. Introducao ` a Estatstica 96
Exemplo 4.7. Uma amostra de 5 barras de aco foi retirada da linha de producao e seus
comprimentos foram medidos. Os valores foram: 4,5; 4,6; 4,5; 4,4; 4,5.
A media amostral dos comprimentos ser a
X =
4, 5 + 4, 6 + 4, 5 + 4, 4 + 4, 5
5
.
O comprimento medio das barras de aco desta amostra e X = 4, 5.
4.7.2 Mediana
Para calcular a mediana devemos, em primeiro lugar, ordenar os dados do menor para
o maior valor. Se o n umero de observac oes for mpar, a mediana ser a a observac ao central.
Se o n umero de observa coes for par, a mediana ser a a media aritmetica das duas observa coes
centrais.
Notac ao:


X: mediana.
Exemplo 4.8. Uma amostra de 7 caixas de um dispositivo eletronico, com 100 unidades por
caixa, apresentou os seguintes n umeros de dispositivos defeituosos por caixa: 27, 5, 10, 7, 8,
12, 9.
Ordenando os valores, temos: 5, 7, 8, 9, 10, 12, 27.
Como o n umero de observac oes e mpar, a mediana e o valor central, isto e,

X = 9.

Exemplo 4.9. Consideremos os seguintes dados correspondentes aos comprimentos de 8 rolos


de o de aco: 65, 72, 70, 77, 60, 67, 69, 68.
Ordenando os valores, temos: 60, 65, 67, 68, 69, 70, 72, 77.
Como o n umero de observac oes e par, a mediana e dada pela media dos dois valores centrais
que sao 68 e 69, isto e,

X =
68 + 69
2
= 68, 5.

4. Introducao ` a Estatstica 97
4.8 Medidas de Dispersao
Dispersao e sin onimo de variac ao ou variabilidade de uma distribuic ao. Para medir a
dispersao s ao frequentemente usadas a amplitude e o desvio padrao.
4.8.1 Amplitude
Para calcular a amplitude, fazemos a diferenca entre o maior e o menor valor do conjunto
de dados.
Notac ao:
R: amplitude.
X
(1)
: menor valor do conjunto de dados.
X
(n)
: maior valor do conjunto de dado.
Assim, a amplitude e dada por
R = X
(n)
X
(1)
. (4.2)
Exemplo 4.10. As temperaturas registradas em um perodo de 8 horas foram: 18, 21, 22, 17,
19, 24, 21, 20.
A amplitude deste conjunto e
R = 24 17 = 7.

4.8.2 Variancia

E uma medida da sua dispers ao estatstica, indicando quao longe, em geral, os seus valores
se encontram do valor esperado. A vari ancia de uma populacao e denida como sendo o valor
esperado do quadrado do desvio de X da sua propria media, ou seja, e a media do quadrado
da distancia de cada ponto ate a media.
A variancia de uma amostra de n elementos e denida como a soma dos quadrados dos
desvios de elementos em rela cao `a sua media dividido por (n 1). Assim, a vari ancia amostral
(s
2
) e dada por
4. Introducao ` a Estatstica 98
s
2
=
n

i=1
(X
i
X)
2
n 1
. (4.3)
4.8.3 Desvio padrao
O desvio padr ao de um conjunto de dados e igual ` a raiz quadrada positiva da vari ancia.
O desvio padr ao amostral (s) e dado por
s =
_
s
2
=

_
n

i=1
(x
i
x)
2
n 1
. (4.4)
Exemplo 4.11. Suponha que temos uma amostra dos comprimentos de 8 rolos de o de aco
cujos valores foram: 65, 72, 70, 77, 60, 67, 69, 68.
Para calcularmos o desvio padr ao devemos primeiramente calcular X, isto e,
X =
65 + 72 + 70 + 77 + 60 + 67 + 69 + 68
8
= 68, 5.
Posteriormente, devemos subtrair X de cada valor, elevar os resultados ao quadrado e som a-
los.
(x X) (X X)
2
65 - 68,5 = -3,5 (3, 5)
2
= 12,25
72 - 68,5 = 3,5 (3, 5)
2
= 12,25
70 - 68,5 = 1,5 (1, 5)
2
= 2,25
77 - 68,5 = 8,5 (8, 5)
2
= 72,25
60 - 68,5 = -8,5 (8, 5)
2
= 72,25
67 - 68,5 = -1,5 (1, 5)
2
= 2,25
69 - 68,5 = 0,5 (0, 5)
2
= 0,25
68 - 68,5 = 0,5 (0, 5)
2
= 0,25
Total = 174,00
Da dividimos o total dos quadrados pelo n umero de valores menos 1, ou seja, por (n 1)
e extramos a raiz quadrada
174
7
= 24 s =

24 s = 4, 9.
Portanto o desvio padrao e 4,9.

4. Introducao ` a Estatstica 99
4.9 Estatsticas Descritivas
Uma an alise das estatsticas descritivas da amostra e fundamental para resumirmos
algumas informa coes sobre a populac ao. Estas informac oes sao utilizadas para tomadas de
decis ao e formac ao de modelos estatsticos parametricos.
Deniremos como:
Mnimo: Menor elemento da amostra;
M aximo: Maior elemento da amostra;
Quartis (Q
1
e Q
3
): S ao valores dados a partir do conjunto de observa coes ordenado em
ordem crescente, que dividem a distribuic ao em quatro partes iguais.
Q
1
(primeiro quartil): N umero que deixa 25% das observacoes abaixo e 75% acima.
Q
3
(terceiro quartil): N umero que deixa 75% das observa coes abaixo e 25% acima.
Tabela 4.15: Para ndice i de x
i
inteiro
n par n mpar
Q
1
Xn+2
4
Xn+1
4
Q
3
X3n+2
4
X
3
(
n+1
4
)
Tabela 4.16: Para ndice i de x
i
n ao inteiro
n n ao inteiro (exemplo)
Q
1
n+2
4
= 3, 5 temos Q
1
=
X
3
+X
4
2
Q
3
3n+2
4
= 12, 5 temos Q
3
=
X
12
+X
13
2
Assimetria:

E uma medida de assimetria de uma determinada distribuic ao de frequencia.
Um valor negativo indica uma assimetria ` a esquerda, enquanto que um valor positivo
indica assimetria ` a direita. Um valor nulo n ao necessariamente indica simetria. Veja os
gr acos a seguir.
4. Introducao ` a Estatstica 100
Figura 4.12: Assimetria concentrada ` a direita (Skewness positivo) e assimetria concentrada `a
esquerda (Skewness negativo), respectivamente.
A formula da Assimetria e dada por
b
1
=

[(X
i
X)/S]
3
n
.
Curtose:

E uma medida referente `a diferenca entre a distribuic ao que est a sendo analisada
e a distribuic ao normal. Um valor positivo costuma indicar um pico mais agudo, um
corpo mais no e uma cauda mais gorda que a cauda da distribuic ao normal. Um valor
negativo indica um pico mais tenue, um corpo mais grosso e uma cauda mais na que a
da distribuic ao normal. A Curtose e dada por
b
2
=

[(X
i
X)/S]
4
n
3.
Para ilustrar a curtose, apresentamos a gura a seguir.
Figura 4.13: Curtose positiva (caudas mais alongadas) e Curtose negativa (caudas mais curtas),
respectivamente.
4. Introducao ` a Estatstica 101
Exemplo 4.12. Consideremos uma amostra do comprimento de 11 rolos de o de aco cujos
valores sao: 72, 70, 77, 60, 67, 69, 68, 66, 65, 71, 69.
Os dados ordenados de forma crescente s ao: 60, 65, 66, 67, 68, 69, 69, 70, 71, 72, 77, onde
o Min = 60 e o Max = 77.
Posic ao do Q
1
=
11 + 1
4
= 3 Q
1
= 66.
Posic ao do Q
3
= 3
_
11 + 1
4
_
= 9 Q
3
= 71.
Assimetria
b
1
=
1
11
_
(60 68, 55)
3
+ (65 68, 55)
3
+ + (77 68, 55)
3
(4, 32)
3
_
= 0, 028.
Curtose
b
2
=
1
11
_
(60 68, 55)
4
+ (65 68, 55)
4
+ + (77 68, 55)
4
(4, 32)
4
_
3 = 2, 82 3 = 0, 18.

4.10 Boxplot
O boxplot (gr aco de caixa) e importante para descrever varios aspectos dos dados,
entre estes, apresentar de forma visual a diferenca entre o terceiro e primeiro quartil. O boxplot
e formado pelo primeiro e terceiro quartil e pela mediana. As linhas verticais s ao estendidas
ate os limites:
Limite inferior : Q
1
1, 5(Q
3
Q
1
).
Limite superior : Q
3
+ 1, 5(Q
3
Q
1
).
Para este caso, os pontos fora destes limites s ao considerados valores discrepantes (out-
liers) e s ao denotados por asterisco (*). A Figura 4.14 apresenta um exemplo do formato de
um boxplot.
4. Introducao ` a Estatstica 102
Figura 4.14: Construc ao do boxplot.
O boxplot pode ainda ser utilizado para uma comparac ao visual entre dois ou mais grupos.
Por exemplo, duas caixas s ao colocadas lado a lado e se compara a variabilidade entre elas, a
mediana e assim por diante.
Exemplo 4.13. Na Tabela 4.17 temos as medidas da altura de 20 hastes.
Tabela 4.17: Dados da usinagem
903,88 1036,92 1098,04 1011,26
1020,70 915,38 1014,53 1097,79
934,52 1214,08 993,45 1120,19
860,41 1039,19 950,38 941,83
936,78 1086,98 1144,94 1066,12
O boxplot e dado por
Figura 4.15: Dados da usinagem.
4. Introducao ` a Estatstica 103
4.11 Dotplot
O gr aco Dotplot (gr aco de pontos) representa cada observa cao obtida em uma escala
horizontal, permitindo visualizar a distribuic ao dos dados ao longo deste tempo. No eixo
horizontal, divide-se a escala dos valores em pequenos intervalos, sendo marcado um ponto por
observacao.
O Dotplot, ou graco de pontos, e muito util para visualizar estratica coes. A estrati-
cac ao e uma tecnica que agrupa dados em subgrupos, de acordo com determinados criterios,
aumentando o poder da analise.
Considerando novamente o exemplo 4.13, temos que o Dotplot e dado por
Figura 4.16: Dotplot.
4.12 A Distribuicao Normal
A variac ao natural de muitos processos industriais e realmente aleatoria. Embora as
distribuic oes de muitos processos possam assumir uma variedade de formas, muitas variaveis
observadas possuem uma distribuicao de freq uencias que e, aproximadamente, uma distribuic ao
de probabilidade normal.
Probabilidade e a chance real de ocorrer um determinado evento, isto e, a chance de ocorrer
4. Introducao ` a Estatstica 104
uma medida em um determinado intervalo. Por exemplo, a freq uencia relativa deste inter-
valo, observada `a partir de uma amostra de medidas, e a aproximacao da probabilidade. A
distribuic ao de freq uencias e a aproximacao da distribuic ao de probabilidades.
Veremos a diante como testar se os dados seguem uma distribuicao Normal ou n ao. Se
concluirmos que h a normalidade, e possvel calcular probabilidades de intervalos de medida,
calculando a area sob a curva naquele intervalo.
Para achar a area sob a curva Normal devemos conhecer dois valores numericos (tambem
chamados de parametros), que sao: media e desvio padr ao .
O graco a seguir mostra algumas areas importantes
Figura 4.17:

Areas sob a curva normal.
Quando e s ao desconhecidos (caso mais comum), estes valores ser ao estimados por

X e
s, respectivamente, a partir da amostra.
Observacao:

Areas sob a curva Normal s ao probabilidades, que na pr atica, sao dadas em
percentagens.
Para cada valor de e/ou temos uma curva de distribui cao de probabilidade. Porem,
para se calcular areas especcas, faz uso de uma distribuic ao particular: a distribuic ao normal
padronizada, tambem chamada de Standartizada ou reduzida. Para obter tal distribui cao, isto
e, quando se tem uma variavel X com distribuic ao normal com media diferente de 0 (zero)
e/ou desvio padrao diferente de 1 (um), devemos reduz-la a uma Z, efetuando o seguinte
c alculo
Z =
x

.
Logo, a distribuic ao passa a ter media = 0 e desvio padr ao = 1. Pelo fato da distribuic ao
ser simetrica em rela cao ` a media = 0, a area `a direita e igual a area `a esquerda de . Assim, a
4. Introducao ` a Estatstica 105
tabela fornece areas acima de valores n ao-negativos que vao desde 0,00 ate 4,09. Veja o graco
da curva Normal padronizada na Figura 4.18.
Figura 4.18: Distribuic ao normal padronizada.
Observacao: A variavel que possui distribuicao normal padronizada e denotada por Z.
Exemplo 4.14. Calcular a area sob a curva para Z maior que 2,748.
A area sob a curva normal para Z maior do que 2,748 e 0,0027, ou seja, a probabilidade de
Z ser maior do que 2,748 e 0,027%. Veja o graco na Figura 4.19.
Figura 4.19:

Area sob a curva normal.
4. Introducao ` a Estatstica 106
Exemplo 4.15. Calcular a area sob a curva para Z maior que 1.
A area sob a curva para Z maior do que 1,00 e 0,1587, ou seja, a probabilidade de Z ser
maior do que 1 e 15,87%. Veja o graco na Figura 4.20.
Figura 4.20:

Area sob a curva normal.
Exemplo 4.16. Calcular a area sob a curva para Z maior que 1,19.
A area sob a curva para Z maior do que 1,19 e 0,1170, ou seja, a probabilidade de Z ser
maior do que 1,19 e 11,70%. Veja o gr aco na Figura 4.21.
Figura 4.21:

Area sob a curva normal.
4. Introducao ` a Estatstica 107
Exemplo 4.17. Calcular a area sob a curva para Z menor que 2.
A area sob a curva para Z menor do que 2,00 nao e fornecida diretamente pela Tabela da
distribuic ao normal padrao. Assim, devemos encontrar a area para Z maior do que 2,00, em
seguida calculamos 1 menos a area encontrada e temos a area desejada. Essa area e 0,0228. Fi-
nalmente, a area que nos realmente nos interessa e 10, 0228 = 0, 9772, ou seja, a probabilidade
de Z ser menor do que 2,00 e 97,72%. Veja o graco na Figura 4.22.
Figura 4.22:

Area sob a curva normal.
Exemplo 4.18. Considere os diametros dos eixos do Exemplo 4.3 como tendo distribuicao
normal com media = 4, 888 e desvio padrao = 0, 31949. Calcular a probabilidade de um
eixo apresentar diametro inferior a 5, 0mm.
Z =
5, 0 4, 888
0, 31949
= 0, 35.
Usando a tabela da normal padrao, temos que a area sob a curva e 0,3632, ou seja, a
probabilidade de um eixo apresentar di ametro inferior a 5, 0mm e 10, 3632 = 63, 68%. Vejam
os gracos nas Figuras 4.23 e 4.24.
4. Introducao ` a Estatstica 108
Figura 4.23:

Area sob curva normal.
Figura 4.24:

Area da curva normal padronizada para P(Z < 0, 35).
Exemplo 4.19. Suponha que a espessura das arruelas no exercicio 11 tenha distribuicao normal
com media 11,15 e desvio padrao 2,238. Qual a porcentagem de arruelas que tem espessura
entre 8,70 e 14,70mm?
Temos que encontrar dois pontos da distribuic ao normal padronizada.
O primeiro ponto e
Z
1
=
8, 70 11, 15
2, 238
= 1, 09.
A area para valores maiores do que 1, 09 e 0, 8621, ou seja, 86, 21%.
4. Introducao ` a Estatstica 109
Figura 4.25:

Area para P(Z
1
> 1, 09).
O segundo ponto e
Z
2
=
14, 70 11, 15
2, 238
= 1, 58.
A area para valores maiores do que 1, 58 e 0, 0571, ou seja, 5, 71%.
Figura 4.26:

Area para P(Z
2
> 1, 58).
O que procuramos e a area entre Z
1
e Z
2
, isto e,
0, 8621 0, 0571 = 0, 8050.
4. Introducao ` a Estatstica 110
Figura 4.27:

Area entre Z
1
e Z
2
.
Logo, a porcentagem de arruelas com espessura entre 8,70 e 14,70 (limites de tolerancia da
especicac ao) e somente de 80,50%. Portanto, cerca de 19,50% das arruelas nao atendem aos
limites de especica coes.
4.13 Teorema Central do Limite
Consideremos uma amostra aleat oria simples de tamanho n retirada de uma populac ao
com media e vari ancia
2
(note que o modelo da vari avel aleatoria nao e apresentado).
Representando tal amostra por n vari aveis aleat orias independentes X
1
,. . .,X
n
, e denotando
sua media por X, temos pelo teorema central do limite, que quando n for grande, a vari avel Z
e dada por
Z =
X
/

n
N(0, 1).
Assim, o teorema central do limite garante que, para n grande, a distribuic ao da media
amostral, devidamente padronizada, se comporta segundo um modelo normal com media = 0
e variancia
2
= 1. De imediato, podemos notar a import ancia do teorema central do limite, pois
em muitas situac oes pr aticas, em que o interesse reside na media amostral, este teorema permite
que utilizemos a distribui cao normal para estudar X probabilisticamente. Pelo teorema temos
que quanto maior a amostra, melhor e a aproximac ao. Estudos envolvendo simulacoes mostram
que, em muitos casos, valores em torno de 30 fornecem boas aproxima coes para as aplicacoes
pr aticas. Em casos em que a verdadeira distribuicao e simetrica, excelentes aproximacoes s ao
obtidas mesmo com valores de n inferiores a 30.
Vamos justicar o intuito matematico de modo mais instrutivo.
4. Introducao ` a Estatstica 111
Consideremos os dados da Tabela 4.18 e seu histograma apresentado na Figura 4.28.
4. Introducao ` a Estatstica 112
Tabela 4.18: Dados Exponenciais
0,799 1,771 1,282 0,835 1,247 0,456 0,365 0,083 1,327 0,117 2,625 1,661 0,427 0,014
0,490 0,063 2,416 0,117 0,514 2,959 1,938 0,791 0,278 0,117 1,278 0,615 0,159 0,736
0,138 0,557 0,770 1,191 1,004 0,368 0,595 0,914 2,646 0,004 0,040 0,231 0,271 0,132
0,009 0,200 2,385 0,497 1,028 0,008 1,555 0,517 2,634 1,848 0,558 0,354 0,736 0,241
0,625 1,307 0,754 0,553 1,221 0,102 0,569 0,557 1,277 0,707 0,947 1,106 1,515 0,759
1,311 1,972 0,411 0,103 2,135 2,283 1,828 0,480 0,659 2,851 0,701 0,300 0,504 0,740
0,676 0,892 0,849 0,499 0,091 0,924 0,889 0,527 0,275 1,311 0,636 0,828 0,410 1,181
3,253 0,799 1,518 2,273 0,126 1,711 0,639 0,189 0,230 1,496 0,151 0,481 2,094 2,119
0,146 0,211 0,033 0,282 0,551 0,304 0,292 2,348 0,047 0,243 0,662 0,473 0,031 0,342
0,307 1,643 3,263 1,679 1,625 0,189 0,939 0,043 0,518 3,711 1,656 0,120 0,108 0,598
0,970 0,515 1,899 0,571 0,419 0,260 0,310 0,370 0,341 1,413 0,572 1,123 0,166 4,942
0,622 0,714 1,722 1,735 1,149 0,553 0,194 1,990 4,205 1,718 2,942 3,170 1,015 0,491
2,944 0,117 1,629 0,483 1,671 3,226 0,441 1,203 0,432 0,559 0,262 1,043 1,118 1,163
1,035 0,148 0,611 1,175 0,633 0,957 2,508 0,774 0,066 2,843 1,913 1,060 1,080 0,449
1,346 0,733 0,858 1,610 0,727 0,632 1,788 1,298 0,416 3,360 0,334 1,660 3,942 3,649
6,562 0,128 0,227 0,287 0,655 1,237 1,775 0,001 0,632 0,720 2,186 1,221 0,141 1,508
1,341 3,611 0,432 1,013 0,656 0,430 1,313 0,393 0,577 2,746 0,444 0,721 0,327 1,948
1,256 0,818 0,086 0,170 0,484 0,631 0,920 0,223 0,905 0,397 0,105 0,165 0,619 0,841
0,378 0,049 0,571 0,726 1,267 0,076 0,463 0,308 0,088 0,285 0,338 0,451 2,984 1,330
0,323 0,440 0,344 0,120 0,605 1,744 0,080 0,266 0,668 0,367 0,525 0,255 0,790 1,113
1,343 0,232 3,063 1,458 3,075 3,290 0,100 0,949 1,793 1,734 1,004 1,292 0,810 0,664
0,934 2,256 1,197 0,188 0,469 1,107 0,800 0,935 0,708 0,848 1,432 0,412 0,035 0,501
0,448 0,014 0,750 1,645 1,959 0,395 1,286 0,441 1,715 0,868 0,032 2,184 0,312 0,986
0,161 0,183 1,349 0,034 2,073 0,102 0,396 1,475 0,858 2,050 0,478 0,071 1,223 1,997
2,225 1,605 0,886 0,495 0,565 1,793 0,945 0,657 0,223 1,412 1,791 1,563 1,250 3,835
1,122 0,244 1,427 3,123 3,077 4,430 0,536 0,863 1,127 0,081 0,991 0,488 0,388 1,317
0,657 1,389 1,788 1,570 0,150 2,226 0,065 2,951 0,552 0,095 0,424 0,016 1,378 4,325
0,396 0,129 2,658 2,195 0,017 1,281 1,541 0,245 1,169 0,938 0,216 0,430 0,640 0,107
0,476 0,852 0,186 0,692 0,308 1,044 0,494 0,594 0,600 0,649 0,107 1,951 0,098 0,009
1,038 2,421 5,226 0,247 0,331 0,309 0,119 0,708 1,438 0,249 0,465 2,471 0,193 0,852
0,606 2,248 2,583 1,500 1,507 0,633 1,034 0,726 1,241 0,774 0,021 0,228 0,597 2,239
0,381 0,996 1,388 0,461 0,801 0,000 0,353 0,741 1,317 0,152 0,379 0,179 2,436 1,436
0,245 0,147 1,525 0,061 1,268 0,393 1,350 2,640 0,883 4,178 0,021 5,512 0,706 0,646
0,560 0,781 0,976 0,447 0,404 0,905 1,047 0,692 0,173 0,497 0,436 0,613 0,406 0,200
0,119 0,220 1,097 0,707 1,216 0,215 0,503 0,833 0,117 0,686 1,661 0,100 0,039 0,569
1,704 0,282 0,827 0,098 0,682 2,508 0,334 0,711 0,430 2,076 0,559 0,043 0,288 0,060
0,313 0,759 0,707 0,436 1,076 0,624 1,193 0,622 0,386 1,283 2,198 2,751 1,044 1,060
2,117 0,483 1,254 6,375 1,861 0,041 2,486 0,918 0,333 0,080 0,501 1,077 0,649 0,134
0,048 2,279 1,437 2,449 0,208 2,458 2,227 0,752 1,913 1,126 1,159 0,219 0,951 0,356
0,175 2,938 1,528 0,303 0,301 0,018 0,548 1,103 0,338 0,409 1,462 0,496 1,107 0,182
1,945 0,803 0,196 2,288 0,235 1,612 2,553 2,534 2,015 0,236 1,627 1,004 0,278 0,409
0,633 0,556 0,038 0,049 0,869 1,027 0,039 0,200 1,279 0,957 0,454 1,393 1,442 0,304
1,178 1,002 2,161 1,083 3,137 0,202 0,103 0,266 0,731 0,898 0,356 0,521 1,310 0,071
0,877 1,012 0,146 0,586 0,519 0,598 0,478 0,373 1,237 0,932 0,846 0,504 1,311 0,212
0,253 1,420 0,927 1,852 0,842 1,857 0,346 0,144 0,813 1,678 0,415 0,770 0,015 3,903
0,032 0,159 1,842 0,124 0,956 0,539 2,197 0,866 1,157 0,422 1,412 0,538 2,018 0,411
0,279 0,350 0,553 0,812 0,050 0,903 0,057 1,335 0,123 4,006 0,469 0,309 1,949 2,720
0,060 0,416 0,686 1,078 0,684 2,917 0,288 0,039 2,313 3,372 0,456 2,493 0,224 1,421
0,968 0,107 0,177 0,787 0,031 0,282 0,459 0,183 0,772 0,691 0,124 0,256 2,728 0,227
0,085 0,048 2,312 3,294 4,265 1,312 0,596 0,036 0,465 0,461 0,895 0,629 0,982 0,016
0,154 1,545 2,593 0,086 2,169 4,095 0,167 0,494 0,521 2,769 1,428 0,649 0,661 0,381
1,030 1,323 0,291 0,020 0,187 1,064 0,797 0,460 0,816 0,242 0,203 0,899 1,972 1,495
1,847 0,012 1,443 0,636 0,702 0,194 0,406 1,977 0,881 0,983 2,041 0,851 0,337 1,027
3,946 2,916 0,589 1,232 0,312 0,271 0,538 0,450 0,250 1,185 0,726 0,486 0,165 0,047
0,337 0,858 0,379 2,205 0,438 2,657 0,476 0,045 0,118 0,248 0,091 1,335 0,153 0,008
2,377 1,129 0,247 0,676 0,674 0,442 1,689 0,132 1,614 0,983 0,034 1,530 3,436 0,632
0,835 1,586 0,080 2,081 1,229 0,955 2,267 0,109 0,363 1,802 0,307 0,885 2,639 0,578
0,629 0,252 1,885 1,442 1,110 1,098 1,637 1,111 0,789 0,600 4,493 2,812 0,758 6,704
0,446 0,276 0,017 0,313 0,554 1,214 0,637 0,495 0,579 1,062 0,389 0,349 1,995 0,103
0,881 0,554 0,009 1,483 1,909 1,885 0,773 0,681 2,134 1,391 0,821 3,192 0,145 0,470
0,976 0,027 0,999 0,092 3,056 0,046 2,400 1,430 1,261 0,098 1,237 1,092 1,409 0,970
0,121 0,778 0,728 0,626 0,223 0,619 0,115 1,670 0,136 3,332 1,092 0,808 0,197 3,494
0,799 0,894 1,353 0,120 0,672 1,008 0,932 0,976 0,879 0,658 0,361 2,289 0,009 1,967
0,803 0,522 2,167 0,060 0,879 1,158 0,672 2,398 1,163 0,458 0,222 0,581 4,800 0,643
0,672 5,417 0,767 2,803 1,398 0,841 0,772 1,329 0,621 0,162 4,159 0,128 1,554 1,048
0,343 0,594 1,110 0,353 4,135 0,746 0,023 1,030 1,860 2,131 0,929 1,691 1,477 1,136
0,379 0,118 0,814 4,627 0,304 0,068 0,975 0,160 0,871 0,203 1,888 0,197 4,002 0,571
0,353 0,717 0,526 2,987 0,040 0,633 0,543 0,800 1,136 0,660 0,834 0,404 0,751 2,418
0,526 0,901 0,988 0,741 0,131 0,390 1,907 0,945 0,447 0,591 3,897 2,473 0,336 1,389
0,343 0,292 0,320 0,616 0,398 0,634 0,876 1,878 2,209 0,147 0,207 0,064 0,078 4,105
0,871 0,503 3,074 0,197 0,949 2,302 0,825 0,912 0,226 1,881 0,452 2,127 0,950 1,057
1,108 1,938 3,692 0,496 0,625 1,354
4. Introducao ` a Estatstica 113
Figura 4.28: Histograma - dados exponenciais.
Note que o graco mostra que o conjunto de dados segue uma distribuic ao nao simetrica.
Vamos agora agrupar os valores do conjunto de dados em grupos de 5 e tirar a media de cada
grupo. Podemos observa-los na Figura 4.29.
Figura 4.29: Media e grupos de 5.
4. Introducao ` a Estatstica 114
Percebemos que a media dos dados foi deslocada, fazendo com que os dados mudassem sua
caracterstica de assimetria. Novamente, vamos agrupar os dados em grupos de 5 e tirar a
media. O resultado est a na Figura 4.30.
Como podemos perceber, o gr aco representado na Figura 4.30, ja possui uma distribuic ao
similar a da distribuic ao normal.
Figura 4.30: Medias dos 5 grupos.
4.14 Teste de Normalidade
Grande parte dos problemas que encontramos na pratica, sao solucionados, primeiramente,
considerando algumas suposicoes iniciais, tais como, assumir uma func ao de distribuicao para
os dados amostrados. Nesse sentido, surge a necessidade de certicarmos se essas suposic oes
podem, realmente, ser assumidas. Em alguns casos, assumir a normalidade dos dados e o
primeiro passo que tomamos para simplicar sua analise. Para dar suporte a esta suposicao,
consideramos, o teste Anderson-Darling, o teste Kolmogorov - Smirnov e o teste Shapiro - Wilk.
O teste Kolmogorov-Smirnov e mais sensvel em pontos proximos da mediana da distribui cao
do que nas caudas. J a o teste Anderson-Darling e um teste que providencia igual sensitividade
nas caudas.
A vantagem do teste Anderson-Darling em relac ao ao teste Kolmogorov-Smirnov e que,
enquanto este e mais sensvel em pontos pr oximos da mediana da distribuic ao do que nas
caudas, o teste Anderson-Darling providencia igual sensitividade nas caudas.
Seja X
1
, X
2
, . . . , X
n
uma amostra aleat oria simples retirada de uma dada populacao. O ob-
jetivo e vericar a adequabilidade da distribuic ao Normal, ou seja, testar as seguintes hip oteses:
4. Introducao ` a Estatstica 115
_
_
_
H
0
: a amostra tem distribuic ao Normal
H
1
: a amostra n ao tem distribuic ao Normal
(4.5)
4.14.1 Teste Anderson-Darling
O problema de inferencia estatstica que vamos considerar aqui e o de testar a hip otese de
que uma dada amostra tenha sido retirada de uma certa populac ao com determinada func ao de
distribuic ao acumulada (FDA) contnua F(x), isto e, seja x
1
, x
2
, . . . , x
n
uma amostra aleatoria
e suponha que uma prov avel candidata para a FDA dos dados seja F(x), ent ao, o teste de
hip oteses para vericar a adequabilidade da distribui cao e:
_
_
_
H
0
: a amostra tem distribuic ao F(x)
H
1
: a amostra n ao tem distribuic ao F(x).
Anderson e Darling (1952, 1954) propuseram a seguinte estatstica para testar essas hip oteses:
A
2
= n
_

[F
n
(x) F(x)]
2
F(x)(1 F(x))
dF(x) (4.6)
onde F
n
(x) e a funcao de distribuic ao acumulada emprica denida como
F
n
(x) =
_

_
0, se x < x
(1)
k
n
, se x
(k)
x < x
(k+1)
1, se x > x
(n)
(4.7)
e x
(1)
x
(2)
... x
(n)
, s ao as estatsticas de ordem da amostra aleat oria.
A estatstica A
2
pode ser colocada numa forma equivalente:
A
2
= n
1
n
n

i=1
_
(2i 1) ln( F(x
(i)
) ) + ( 2(n i) + 1 ) ln(1 F(x
(i)
) )

(4.8)
A expressao(4.8) pode ser reescrita como:
A
2
= n
D
n
, (4.9)
sendo que
D =
n

i=1
_
(2i 1) ln( F(x
(i)
) + ( 2(n i) + 1 ) ln(1 F(x
(i)
)

.
4. Introducao ` a Estatstica 116
A transformac ao F(x
(i)
) leva x
(i)
em U
(i)
de uma amostra de tamanho n com distribuic ao
Uniforme em (0, 1). Logo,
A
2
= n
1
n
n

i=1
_
(2i 1) ln( U
(i)
) + ( 2(n i) + 1 ) ln(1 U
(i)
)

(4.10)
que e equivalente a
A
2
= n
1
n
n

i=1
(2i 1)
_
ln( U
(i)
) + ln(1 U
(n+1i)
)

Para calcular o valor da estatstica A


2
procedemos da seguinte forma:
1) Ordene os valores da amostra: x
(1)
x
(2)
... x
(n)
;
2) Quando necess ario, estime os par ametros da distribuic ao de interesse;
3) Padronize os dados, isto e, calcule z
(i)
=
x
(i)
x
s
;
4) Calcule U
i
= F(z
(i)
) e o valor da estatstica de Anderson-Darling (4.9); e
5) Para cada uma das distribuic oes calcule, se for o caso, o valor da estatstica modicado
de acordo com as tabelas dadas para cada uma delas.
O Teste Anderson-Darling pode ser aplicado ` as distribuicoes de probabilidade como: Dis-
tribuic ao Normal, Exponencial, Weibull, Lognormal, Valor Extremo e Logstica. Para estas
distribuic oes o parametro = (, ) pode ser univariado ou bivariado, isto e, ele tem no
m aximo dois componentes, conforme os seguintes casos:
Caso 1 : O par ametro = (, ) e totalmente conhecido;
Caso 2 : e conhecido;
Caso 3 : e conhecido;
Caso 4 : Nenhum dos componentes de = (, ) e conhecido.
Vamos agora ver um exemplo para o caso da Distribuic ao Normal.
4. Introducao ` a Estatstica 117
4.14.2 Distribuicao Normal
Para a distribuicao Normal com funcao densidade de probabilidade
f(x) =
1

2
2
exp
_

(x )
2
2
2
_
( < x < ),
a Tabela (4.19) fornece alguns valores de quantis e a estatstica de Anderson-Darling modicada,
para os seguintes casos:
Caso 0 : Os parametros = (,
2
) sao totalmente conhecidos;
Caso 1 :
2
e conhecido e estimado por x;
Caso 2 : e conhecido e
2
estimado por s
2
;
Caso 3 : Os componentes de = (, ) sao desconhecidos e s ao estimados por (x, s
2
).
Pontos percentis para cada (%)
Caso Modicacao 15,0 10,0 5,0 2,5 1,0
0 Nenhuma 1,610 1,933 2,492 3,070 3,857
1 - - 0,908 1,105 1,304 1,573
2 - - 1,760 2,323 2,904 3,690
3 A
2
(1 + (4/n) (25/n
2
)) 0,576 0,656 0,787 0,918 1,092
Tabela 4.19: Pontos percentis.
Exemplo 4.20. Considere as seguintes medidas de peso de pecas (em pounds) 148, 154, 158,
160, 161, 162, 166, 170, 182, 195, 236.
Vamos testar:
_
_
_
H
0
: Os dados seguem uma distribuicao Normal
H
1
: Os dados n ao seguem uma distribuic ao Normal
A media dos dados e X = 172 e o desvio padr ao e s = 24, 9520.
4. Introducao ` a Estatstica 118
dados dados ordenados F(x
i
) ln(F(x
i
)) ln(1 F(x
i
))
154 148 0,168063 -1,78341 -0,184
148 154 0,235336 -1,44674 -0,26832
170 158 0,287372 1,24698 -0,3388
161 160 0,315285 -1,15428 0,37875
160 161 0,329662 -1,10969 -0,39997
166 162 0,344295 -1,06626 -0,42204
162 166 0,404986 -0,9039 -0,51917
158 170 0,468057 -0,75916 -0,63122
182 182 0,655705 -0,42204 -1,06626
195 195 0,821676 -0,19641 -1,72415
236 236 0,99484 -0,00517 -5,26684
Tabela 4.20: Calculando o valor de A
2
.
Utilizando a f ormula (4.10), temos:
D = (2 1 1) (1, 78) + (2 (11 1) + 1) (0, 18)
+ (2 2 1) (1, 45) + (2 (11 2) + 1) (0, 268)
+ (2 3 1) (1, 25) + (2 (11 3) + 1) (0, 34)
+ (2 4 1) (1, 15) + (2 (11 4) + 1) (0, 39)
+ (2 5 1) (1, 109) + (2 (11 5) + 1) (0, 39)
+ (2 6 1) (1, 07) + (2 (11 6) + 1) (0, 42)
+ (2 7 1) (0, 904) + (2 (11 7) + 1) (0, 519)
+ (2 8 1) (0, 76) + (2 (11 8) + 1) (0, 63)
+ (2 9 1) (0, 42) + (2 (11 9) + 1) (1, 066)
+ (2 10 1) (0, 196) + (2 (11 10) + 1) (1, 72)
+ (2 11 1) (0, 0052) + (2 (11 11) + 1) (5, 267)
= 131, 4145
A
2
=
D
n
n =
131, 4145
11
11 = 0, 9467719.
4. Introducao ` a Estatstica 119
A estatstica de Anderson Darling modicada para esse caso (Caso 3: e desconhecidos) e
dada por:
A
m
= A
2
(1 + (4/n) (25/n
2
))
= 0, 9467719 (1 + 0, 3636364 0.2066116) = 0, 947 1, 086
= 0, 9467719 1, 157025 = 1, 095439
Na Tabela (4.19) vimos que o P-valor e aproximadamente 1%. Assim, existe forte evidencia
de que os dados n ao tem distribuic ao Normal. Podemos ainda realizar uma analise graca,
como mostra a Figura 4.31 onde notamos que os pontos estao distribudos de forma aleat oria
em torno da reta.
Figura 4.31: Papel de Probabilidade do Teste Anderson-Darling.
4.14.3 Teste de Kolmogorov - Smirnov
Este teste observa a maxima diferenca absoluta entre a func ao de distribuic ao acumulada
assumida para os dados, no caso a Normal, e a func ao de distribui cao emprica dos dados.
Como criterio, comparamos esta diferenca com um valor crtico (Tabela 4.21), para um dado
nvel de signic ancia.
4. Introducao ` a Estatstica 120
A estatstica utilizada para o teste e:
D
n
= sup
x
[ F(x) F
n
(x) [
Esta func ao corresponde a distancia m axima vertical entre os gracos de F(x) e F
n
(x) sobre a
amplitude dos possveis valores de x, onde
F(x) representa a fun cao de distribuicao acumulada assumida para os dados;
F
n
(x) representa a funcao de distribuicao acumulada emprica dos dados.
Sejam X
(1)
, X
(2)
, , X
(n)
observacoes aleat orias ordenadas de forma crescente da vari avel
aleat oria contnua X. A funcao de distribuic ao acumulada assumida para os dados e denida
por F(x
(i)
) = P(X x
(i)
) e a func ao de distribui cao acumulada emprica e denida por uma
func ao escada, dada pela f ormula:
F
n
(x) =
1
n
n

i=1
I
{(, x]}
(x
(i)
) (4.11)
onde I
{A}
e a func ao indicadora. A func ao indicadora e denida da seguinte forma:
I
{A}
(x) =
_
_
_
1 se x A
0 c.c.
Observe que a func ao da distribui cao emprica F
n
(x) corresponde ` a proporc ao de valores
menores ou iguais a x.
A expressao (4.11) pode tambem ser escrita da seguinte forma:
F
n
(x) =
_

_
0 se x < x
(1)
k
n
se x
(k)
x < x
(k+1)
1 se x > x
(n)
Consideremos duas outras estatsticas:
D
+
= sup
x
(i)
[ F(x
(i)
) F
n
(x
(i)
) [
D

= sup
x
(i)
[ F(x
(i)
) F
n
(x
(i1)
) [
Essas estatsticas medem as distancias (vertical) entre os gracos das duas fun coes, teorica e
4. Introducao ` a Estatstica 121
emprica, nos pontos x
(i1)
e x
(i)
. Com isso, podemos utilizar como estatstica de teste:
D
n
= max(D
+
; D

)
Se D
n
for maior que o valor crtico encontrado na Tabela 4.21, rejeitamos a hipotese de
normalidade dos dados com (1)100% de conanca. Caso contr ario, nao rejeitamos a hip otese
de normalidade.
Nvel de Signicancia ()
n 0,2 0,1 0,05 0,01
5 0,45 0,51 0,56 0,67
10 0,32 0,37 0,41 0,49
15 0,27 0,30 0,34 0,40
20 0,23 0,26 0,29 0,36
25 0,21 0,24 0,27 0,32
30 0,19 0,22 0,24 0,29
35 0,18 0,20 0,23 0,27
40 0,17 0,19 0,21 0,25
45 0,16 0,18 0,20 0,24
50 0,15 0,17 0,19 0,23
Valores maiores
1,07

n
1,22

n
1,36

n
1,63

n
Tabela 4.21: Valores Crticos para a estatstica do teste de Komolgorov - Smirnov (D
n
).
Estas estatsticas podem ser resumidas na Tabela 12.7.2.
x (ordenado) F
n
(x) F(x) = P

z
(i)

x
(i)
x
s

|F(x
(i)
) F
n
(x
(i)
)| |F(x
(i)
) F
n
(x
(i1)
)|
x
(1)
1
n
F(x) = P

z
(1)

x
(1)
x
s

|F(x
(1)
) F
n
(x
(1)
)| |F(x
(1)
) 0)|
x
(2)
2
n
F(x) = P

z
(2)

x
(2)
x
s

|F(x
(2)
) F
n
(x
(2)
)| |F(x
(2)
) F
n
(x
(1)
)|
. . . . .
. . . . .
. . . . .
x
(n1)
n1
n
F(x) = P

z
(n1)

x
(n1)
x
s

|F(x
(n1)
) F
n
(x
(n1)
)| |F(x
(n1)
) F
n
(x
(n2)
)|
x
(n)
1 F(x) = P

z
(n)

x
(n)
x
s

|F(x
(n)
) F
n
(x
(n)
)| |F(x
(n)
) F
n
(x
(n1)
)|
Tabela 4.22: Resumo do C alculo de D
n
Observacao: o valor de P
_
Z
(i)

x
(i)
x
s
_
e encontrado na tabela da distribuic ao Normal
padr ao.
4. Introducao ` a Estatstica 122
Exemplo 4.21. Avaliar a normalidade dos dados referente a medicao de 10 pecas.
1,90642 2,10288 1,52229 2,61826 1,42738 2,22488 1,69742 3,15435 1,98492 1,99568
Ap os ordenar os dados, obtemos o valor de F
n
(x
(i)
) fazendo a raz ao entre a posi cao i e
o valor total de dados, n. O valor de F(x
(i)
) e encontrado na tabela da distribuic ao Normal
padr ao, ap os transformarmos os dados pela rela cao
Z
(i)
=
x
(i)
x
s
onde x e a media aritmetica dos dados e s e o desvio padr ao dos dados.
Dados F
n
(x) (emprica) F(x) (teorica) | F(x
(i)
) F
n
(x
(i)
) | | F(x
(i)
) F
n
(x
(i1)
) |
1,42738 0,1 0,109008 0,009008 0,109008
1,52229 0,2 0,147346 0,052654 0,047346
1,69742 0,3 0,239320 0,060680 0,039320
1,90642 0,4 0,380772 0,019228 0,080772
1,98492 0,5 0,439859 0,060141 0,039859
1,99568 0,6 0,448101 0,151899 0,051899
2,10288 0,7 0,530802 0,169198 0,069198
2,22488 0,8 0,623132 0,176868 0,076868
2,61826 0,9 0,859056 0,040944 0,059056
3,15435 1,0 0,982786 0,017214 0,082786
Maximo 0,176868 0,109008
Tabela 4.23: Teste Kolmogorov - Smirnov.
Com isso,
D
n
= max(0, 176868; 0, 109008) = 0, 176868.
Considerando = 0, 05 e n = 10, encontramos pela Tabela 4.21 o valor crtico 0,41. Como
D
n
= 0, 176868 < 0, 41 n ao temos evidencias para rejeitar a hip otese de normalidade dos dados.
O resultado gr aco pode ser visto pela Figura 4.32. Notamos que os pontos est ao distribudos
pr oximos a reta, demonstrando tal fato.
4. Introducao ` a Estatstica 123
Figura 4.32: Papel de Probabilidade do Teste Kolmogorov-Smirnov.
Outra maneira de decidir se rejeitamos a hip otese nula e atraves do P-valor.
Em estatstica, e especicamente no campo dos testes de hipoteses, o valor p, ou tambem
p-valor, e a probabilidade de que a amostra possa ter sido tirada de uma popula cao, assumindo
que a hipotese nula seja verdadeira. Um valor de 0,05, por exemplo, indica que existe a
probabilidade de 5% de que a amostra que estamos testando possa ser tirada, assumindo que
a hipotese nula e verdadeira.
Interpreta cao do resultado:
Valor p pr oximo de 0 indica que a H
0
e falsa;
Valor p pr oximo de 1, indica que n ao h a evidencia suciente para rejeitar a H
0
;
Normalmente considera-se um p-valor de 0,05 como o patamar para avaliar a H
0
. Se o
valor p for inferior a 0,05 podemos rejeitar a H
0
. Em caso contr ario, n ao temos evidencia
que nos permita rejeit a-la (o que n ao signica automaticamente que seja verdadeira). Em
situac oes de maior exigencia e usado um p-valor inferior a 0,05.
Neste exemplo,
p-valor = P[D > D
n
] = 0.5011 > = 0.05
Assim, como o p-valor foi maior que o nvel de signic ancia adotado (0,05), n ao temos
evidencias para armar que a amostra n ao provem de uma populac ao normal.
4. Introducao ` a Estatstica 124
4.14.4 Shapiro-Wilk
O teste Shapiro-Wilk, proposto em 1965, e baseado na estatstica W, calculada como a
seguir:
W =
b
2

n
i=1
(x
i
x)
2
(4.12)
onde x
i
s ao os valores da amostra ordenados (x
1
e o menor). Menores valores de W s ao
evidencias de que os dados s ao normais.
A constante b e determinada atraves da seguinte f ormula
b =
n
2

i=1
a
ni+1
(x
ni+1
x
i
) (4.13)
onde a
i
s ao constantes geradas pelas medias, vari ancias e covari ancias das estatsticas de ordem
de uma amostra de tamanho n de um distribuic ao Normal. Seus valores, tabelados, sao dados
abaixo.
Figura 4.33: Coecientes a
ni+1
para o teste de normalidade W de Shapiro-Wilk.
Para realizar o teste de Shapiro-Wilk, deve-se seguir os seguintes passos:
1. Formula cao da Hipotese:
H
0
:A amostra provem de uma populac ao Normal
H
1
:A amostra n ao provem de uma popula cao Normal
2. Estabelecer o Nvel de Signic ancia do teste (), normalmente 0,05;
3. Calcular a estatstica de teste:
4. Introducao ` a Estatstica 125
(a) Ordenar as n observac oes da amostra: x
1
x
2
x
3
. . . x
n
;
(b) Calcular:

n
i=1
(x
i
x)
2
;
(c) Calcular b;
(d) Calcular W.
4. Tomar a decis ao:
Rejeitar H
0
ao nvel de signicancia se: W
calculado
< W

.
Figura 4.34: Valores crticos da estatstica W de Shapiro-Wilk.
Exemplo 4.22. Avaliar a normalidade dos dados referente a medicao de 10 pecas.
8 12 10 24 12 10 16 19 9 10
Adotaremos um nvel de signicancia = 0, 05.
Para calcular a Estatstica teste, primeiro ordenamos as n observacoes:
8 9 10 10 10 12 12 16 19 24
4. Introducao ` a Estatstica 126
Em seguida, calculamos

n
i=1
(x
i
x)
2
= 236 e a constante b:
i N-i+1 a
Ni+1
x
Ni+1
x
i
a
Ni+1
(x
Ni+1
x
i
)
1 10 0.5739 24 9 9.1824
2 9 0.3291 19 9 3.2910
3 8 0.2141 16 10 1.2846
4 7 0.1224 12 10 0.2448
5 6 0.0399 12 10 0.0798
b=14.0826
e por m, W:
W =
b
2

n
i=1
(x
i
x)
2
=
14.0826
2
236
= 0.840 (4.14)
Pela regra de decis ao do teste, W
calculado
= 0.840 < W
(0.05;10)
= 0.842, com o p-valor
calculado por P[W > W
calculado
] = 0.0443 < . Assim, podemos armar com nvel de
signic ancia de 5% que a amostra nao provem de uma populac ao normal. Esse fato e conrmado
pela aleatoriedade dos pontos em torno da reta (Veja a Figura 4.35).
Figura 4.35: Papel de Probabilidade do Teste Shapiro-Wilk.
4. Introducao ` a Estatstica 127
Exerccio 13. Considere agora os seguintes dados, resultantes da observacao de 16 valores
de uma variavel aleatoria qualquer Y. Deseja-se testar a hipotese de que esta variavel tenha
distribuicao normal. Para isso, utilize o teste de Shapiro-Wilk com um nvel de signicancia
de 5%.
2,2 4,1 3,5 4,5 5 3,7 3 2,6 3,4 1,6 3,1 3,3 3,8 4,7 3,7 2,5
Para realizar o teste, siga os passos:
Ordene os dados
Calcule a media (x) e a partir dela, a

16
i=1
(x
i
x)
2
(x
i
x) (x
i
x)
2

=
4. Introducao ` a Estatstica 128
Calcule a constante b
i N-i+1 a
Ni+1
x
Ni+1
x
i
a
Ni+1
(x
Ni+1
x
i
)
1
2
3
4
5
6
7
8
b=
Por m, calcule a estatstica de teste:
W =
b
2

n
i=1
(x
i
x)
2
=
e compare com o valor tabelado W
(0.05;16)
.
129
Captulo 5
Introducao ao CEP
O CEP - Controle Estatstico do Processo tem por nalidade desenvolver e aplicar
metodos estatsticos como parte da estrategia de preven cao de defeitos, da melhoria da quali-
dade dos produtos e servicos e da reduc ao de custos de fabrica cao.
Entende-se por processo a combinac ao de m aquinas, metodos, material e mao-de-obra en-
volvidos na producao de um determinado produto ou servico. O termo controle envolve o con-
junto de decis oes que tem por objetivo a satisfa cao de determinados padr oes ou especicac oes
por parte dos produtos focados no cliente.
Os defeitos que ocorrem nos processos s ao devido `a variabilidade que e inerente a todo
processo. Na grande maioria das situac oes, tendo controlado a variabilidade, e possvel ajustar
o processo de maneira a diminuir os defeitos.
O CEP estabelece:
1. Informacao permanente sobre o comportamento do processo;
2. Utilizacao da informacao para detectar e caracterizar as causas que geram instabilidade
no processo;
3. Indicacao de acoes para corrigir e prevenir as causas de instabilidade;
4. Informacoes para melhoria contnua do processo;
Neste ponto se faz necessario descrever alguns termos que serao usados ao longo do texto
ao apresentarmos os metodos de controle.
5. Introducao ao CEP 130
5.1 Um sistema de controle do processo
Assim como um sistema de controle do processo pode ser descrito como um sistema de
feedback, o CEP tambem pode ser considerado. Existem outros sistemas deste tipo que nao
s ao estatsticos. Quatro elementos destes sistemas sao importantes para as discuss oes a seguir.
1. O processo
Entende-se como processo, a combinac ao de fornecedores, produtores, pessoas, equipamen-
tos, materiais de entrada, metodos e meio ambiente que trabalham juntos para produzir o
resultado, e os clientes que utilizam o resultado (ver Figura 5.1). O desempenho total do
processo depende de comunicac ao entre fornecedor e cliente, da maneira como o processo e
planejado e implementado, e da maneira como ele ser a gerenciado e operado. O apoio do sis-
tema de controle do processo e util so se ele contribui tanto para a manutenc ao do nvel de
excelencia quanto para melhorar o desempenho total do processo.
Figura 5.1: Sistema de controle do processo.
2. Informac oes sobre o desempenho
Muita informa cao sobre o real desempenho do processo pode ser aprendida atraves de estudo
do resultado (sada) do processo. A informac ao mais util sobre o desempenho de um processo
5. Introducao ao CEP 131
vem, entretanto, da compreensao do processo em si, e de sua variabilidade interna. Carac-
tersticas do processo (como temperaturas, tempo de ciclos, taxas de alimentac ao, taxas de
absentesmo, rotatividade de pessoas, atrasos, ou n umero de interrupc oes) deveriam ser o alvo
supremo de nossos reforcos.

E necess ario determinar os valores-alvo para aquelas caractersticas
que resultam numa operac ao mais produtiva do processo, e entao monitorar o qu ao pr oximo ou
distante deste alvo est a-se. Se esta informac ao e obtida e interpretada corretamente, ela pode
mostrar se o processo esta operando em condi coes normais ou nao. Acoes adequadas podem ser
executadas, se necess arias, para corrigir o processo ou o resultado recem-produzido. Quando
a acao e necess aria ela deve ser oportuna e apropriada, ou o esforco da coleta de informa coes
ter a sido um desperdcio.
3. Acao sobre o processo
Uma a cao sobre o processo e geralmente mais econ omica quando realizada para prevenir
que as caractersticas importantes (do processo ou do produto) variem muito em relac ao aos
seus valores-alvo. Isto mantem a estabilidade e a variac ao do resultado do processo dentro de
limites aceitaveis. Tal ac ao pode consistir em:
Mudancas nas opera coes
Treinamento para os operadores;
Mudancas nos materiais que entram;
Mudancas nos elementos mais b asicos do processo
Equipamento;
A comunicac ao entre as pessoas;
O projeto do processo como um todo - que pode estar vulner avel ` a mudan cas de
temperatura ou umidade.
Os efeitos das acoes deveriam ser monitorados, para que uma analise e acao posterior pudesse
ser tomada, se necess aria.
4. Acao sobre o resultado
Uma ac ao sobre o resultado e freq uentemente menos econ omica quando se restringe a de-
teccao e correcao do produto fora da especicac ao, n ao indicando o fato gerador do problema
5. Introducao ao CEP 132
no processo. Infelizmente, se o resultado atual nao atinge consistentemente os requisitos exigidos
pelo cliente, pode ser necessario classicar todos os produtos e refugar ou retrabalhar quaisquer
itens n ao-conformes. Esta atitude deve ser mantida ate que a acao corretiva necessaria sobre o
processo tenha sido tomada e vericada, ou ate que as especicacoes do produto tenham sido
alteradas.
5.2 Denic oes
Variabilidade:

E o conjunto de diferencas nas variaveis (di ametros, pesos, densidades, etc.)
ou atributos (cor, defeitos, etc.) presentes universalmente nos produtos e servi cos resul-
tantes de qualquer atividade. As causas que produzem variabilidade nos processos s ao
classicadas em comuns ou aleatorias e especiais ou assinal aveis. As denicoes e exemplos
de ambos tipos estao na Tabela 5.1.
Tabela 5.1: Denic oes de causas comuns e especiais
Comuns Especiais
Denic ao Efeito acumulativo de Falhas ocasionais que ocorrem
causas nao control aveis, com durante o processo, com grande
pouca inuencia individualmente. inuencia individualmente
Vibrac oes,temperatura, umidade, Variacoes na materia-prima, erros
Exemplos falhas na sistem atica do processo, de operacao, imprecis ao no ajuste
dentre outras. da maquina, desgastes de
ferramentas, dentre outras.
Variabilidade do processo: Um processo e denominado estar sob controle estatstico quando
causas especiais n ao existem. Quando um processo est a sob controle estatstico n ao im-
plica que o mesmo esta produzindo dentro de um nvel de qualidade aceit avel. O processo
pode estar sob controle estatstico e produzir com uma taxa de 20% de defeituosos. O
nvel de qualidade de um processo e estudado via uma tecnica denominada an alise de
capacidade/performance.
O objetivo e desenvolver uma estrategia de controle para o processo que nos permite separar
eventos relacionados `a causas especiais de eventos relacionados ` a causas comuns (falhas na
sistem atica do processo). Desta forma, para um dado processo, um gr aco de controle pode
indicar a ocorrencia de causas especiais de variacao .
5. Introducao ao CEP 133
Figura 5.2: Processo previsvel.
Figura 5.3: Processo n ao previsvel.
Note que os processos representados indicam, respectivamente, um processo com mesma
variabilidade (
2
1
=
2
2
=
2
3
=
2
), e variabilidade diferentes (
2
1
,=
2
2
,=
2
3
) devido ` a causas
especiais.
5. Introducao ao CEP 134
5.3 Acoes locais e ac oes sobre o sistema
H a uma importante relacao entre os dois tipos de variacao que acabamos de discutir e
os tipos de ac oes necess arias para reduzi-las.
1
Simples tecnicas de controle estatstico do processo podem detectar as causas especiais de
variacao. Descobrir uma causa especial e tomar atitude adequada e geralmente responsabilidade
de alguem que esteja diretamente ligado com a operac ao. Embora o gerenciamento deva,
` as vezes, estar envolvido para corrigir a condicao, a resoluc ao para uma causa especial de
variacao geralmente requer acao local, principalmente durante os primeiros esforcos na me-
lhoria do processo. Uma vez que se tenha acertado a ac ao para as causas especiais, as causas
remanescentes exigir ao freq uentemente a cao gerencial, em vez de ac ao local.
Estas mesmas tecnicas estatsticas simples podem tambem indicar a extens ao das causas
comuns de variac ao, mas as pr oprias causas precisam de an alises mais detalhadas para serem
isoladas. A correc ao destas causas comuns e geralmente responsabilidade gerencial.
`
As vezes,
pessoas diretamente ligadas ` a opera cao estarao em melhor posi cao para identicar as causas, e
pass a-las adiante para uma acao gerencial. Globalmente, no entanto, a solucao para as causas
comuns de variac ao geralmente requer acao sobre o sistema.
Somente uma proporc ao relativamente pequena da excessiva variacao do processo - a ex-
periencia industrial sugere aproximadamente 15% - pode ser corrigida localmente, por pessoas
diretamente ligadas a opera cao. A maioria das causas - os outros 85% - podem ser corrigidos
somente atraves de ac ao gerencial, sobre o sistema. Confusoes a respeito do tipo de acao a
aplicar custa muito caro para a organizacao, em termos de esforcos desperdi cados, solu coes de
problemas postergadas, problemas agravados. Pode ser errado, por exemplo, tomar uma ac ao
local (ex. ajuste de uma maquina) quando uma ac ao gerencial sobre o sistema e necess aria (ex.
selec ao de fornecedores que entreguem materiais de entrada compatveis ao sistema).
2
Entre-
tanto, trabalho em conjunto entre gerencia e aquelas pessoas ligadas diretamente `a operac ao e
essencial para uma reduc ao signicativa das causas comuns de variacao do processo.
1
Dr.W.E. Deming tratou este topico em What happened in Japan?, industrial Quality Control, vol. 24
N.03, Agosto, 1967, paginas 83-84
2
Estas observa coes foram inicialmente feitas pelo Dr. J.M.Juran, e foram comprovadas durante os experi-
mentos do Dr. Deming
5. Introducao ao CEP 135
5.4 O ciclo de melhoria e o controle do processo
Quando aplicamos o conceito de melhoria contnua no processo, existem tres est agios do
ciclo que podem ser uteis. Todo processo est a em um dos tres est agios do ciclo.
Figura 5.4: Ciclo de melhoria do processo.
5. Introducao ao CEP 136
5.4.1 Analisar o processo
Uma compreens ao b asica do processo e essencial quando consideramos a melhoria do
processo. Dentre as perguntas a serem respondidas a m de alcancar um melhor conhecimento
do processo, est ao:
O que o processo deveria estar fazendo?
O que est a sendo esperado de cada est agio do processo?
Quais sao as denicoes operacionais das sadas em potencial?
O que pode estar errado?
O que pode variar neste processo?
O que j a sabemos a respeito da variabilidade deste processo?
Que parametros s ao mais sensveis ` a variac ao?
O que o processo esta fazendo?
Este processo est a gerando refugo ou resultados que requeiram retrabalhos?
Este processo produz um resultado que esteja num estado de controle estatstico?
O processo e capaz?
O processo e con avel?
Muitas tecnicas discutidas no APQP Manual
3
podem ser aplicadas para garantir um melhor
entendimento do processo. Estas atividades incluem:
Reuni oes em grupo
Consulta a pessoas que desenvolveram e operam o processo
Revis ao da hist oria do processo
Construc ao de uma planilha de FMEA (Failure Mode and Eect Analysis). A An alise
do Modo e Efeito de Falha (FMEA) e um estudo sistem atico e estruturado das falhas
que podem ocorrer em qualquer parte de um sistema, para determinar o prov avel efeito
de cada uma sobre todas as outras pecas do sistema e no prov avel sucesso operacional,
tendo como objetivo melhoramentos no projeto, produto e desenvolvimento do processo.
3
Chrysler, Ford end General Motors, (1995)
5. Introducao ao CEP 137
As cartas de controle desenvolvidas neste manual sao ferramentas poderosas que devem ser
usadas durante todos os ciclos de melhoria do processo. Estes metodos estatsticos simples,
ajudam a distinguir as causas comuns e as causas especiais de variac ao do processo. Quando
um estado de controle do processo e alcancado o nvel atual da capacidade do processo pode
ser avaliado.
5.4.2 Mantendo o controle do processo
Uma vez adquirida uma compreens ao melhor do processo, o processo deve ser mantido
dentro de um apropriado nvel de capacidade. Processos s ao din amicos e podem mudar. O
desempenho do processo deve ser monitorado, para que medidas ecazes de prevenc ao contra
mudan cas indesejaveis possam ser executadas. A mudan ca desej avel deve tambem ser entendida
e institucionalizada. Enfatizando novamente que, os simples metodos estatsticos explicados
nesta apostila podem ajuda-lo. Construc ao e uso de cartas de controle e outras ferramentas
permitir ao um monitoramento eciente do processo. Quando a ferramenta utilizada sinaliza
que uma mudanca no processo ocorreu, medidas rapidas e ecientes podem ser aplicadas para
isolar as causas e agir sobre elas.

E muito f acil parar no est agio 2 do ciclo, mas e importante perceber que existe um limite para
os recursos de qualquer empresa. Muitos processos deveriam estar neste estagio. Entretanto,
falhar ao prosseguir para o pr oximo est agio neste ciclo pode resultar em uma desvantagem
competitiva muito signicativa. A obtenc ao da classe mundial requer um esforco planejado
e constante para mover-se em direc ao ao pr oximo estagio do ciclo de melhoria do processo.
5.4.3 Aperfeicoar o processo
A neste ponto, os esforcos tem sido dirigidos para estabilizar os processos e mante-los
assim. Entretanto, para alguns processos, o cliente estara sensvel ate mesmo a uma variac ao
dentro das especicac oes de engenharia. Nestes casos, o valor da melhoria contnua n ao ser a
percebido ate que a variac ao diminua. Neste ponto, ferramentas adicionais para an alise do
processo, incluindo metodos estatsticos mais avancados como delineamento de experimentos,
e cartas de controle avancados podem ser uteis.
A melhoria do processo atraves da reducao de variac ao, especicamente envolve a introdu cao
(proposital) de mudancas dentro do processo, e a avaliacao dos efeitos causados. O objetivo
e uma melhor compreensao do processo, para que as causas comuns de variac ao possam ser
5. Introducao ao CEP 138
reduzidas posteriormente. A inten cao desta reduc ao e a melhoria da qualidade ao menor custo.
Assim que novos par ametros do processo tenham sido determinados, o ciclo volta ao est agio
de Analisar o Processo. Uma vez que alteracoes foram introduzidas, a estabilidade do processo
precisa ser reconrmada. O processo continua ent ao a se mover em torno do Ciclo de melhoria
do processo.
5.5 Uso efetivo e os benefcios dos gracos de controle
Importantes benefcios podem ser obtidos atraves do uso efetivo das cartas de controle.
Tais ganhos e benefcios podem ser descritos como:
5.5.1 Filosoa da gerencia
As decisoes da gerencia da empresa podem afetar diretamente os programas de CEP em:
Focar a organizac ao da empresa na diminuic ao da varia cao;
Estabelecer um ambiente aberto que minimize as competic oes internas e de suporte ao
trabalho em equipe;
Dar suporte e favorecer os treinamentos necessarios;
Aplicar o CEP para promover um melhor entendimento das varia coes da engenharia de
processo;
Aplicar o CEP para gerenciar os dados e usar a informac ao para as decis oes do dia a dia.
4
5.5.2 Filosoa da engenharia
Como a engenharia usa a informacao para poder planejar e desenvolver produtos ter ao
inuencia no nvel de variac ao do produto nal.
A seguir temos algumas maneiras de como a engenharia pode mostrar o uso efetivo do CEP:
Focar a organizacao na reducao da variac ao, atraves do planejamento do processo; ou
seja, n umero de mudan cas no desenvolvimento de produtos, planejamento da manufatura
e montagem;
4
Os itens acima estao de acordo com os requerimentos contidos na norma ISO 9000:2000 e ISO/TS16949:2002
5. Introducao ao CEP 139
Estabelecer um ambiente aberto que minimize a competi cao interna e prevaleca o trabalho
em equipe;
Dar suporte para que os funcion arios envolvidos no processo facam treinamentos adequa-
dos;
Aplicar o CEP para promover um melhor entendimento das varia coes da engenharia de
processo;
Exigir um melhor entendimento da variac ao e estabilidade em relac ao aos dados que s ao
usados no desenvolvimento do projeto;
Favorecer as mudancas na engenharia do produto que foram fruto das analises do CEP e
que podem ajudar na diminui cao da variac ao.
5.5.3 Manufatura
A manufatura desenvolve e opera m aquinas e sistemas de transferencia que podem im-
pactar no nvel e no tipo de variac ao do produto nal.
A seguir temos algumas maneiras de como a manufatura pode mostrar o uso efetivo do
CEP:
Focar a organiza cao da manufatura na reducao da variac ao; isto e, controlar o n umero de
diferentes processos, o impacto dos processos multi ferramentas, ferramentas e m aquinas
de manutenc ao, etc;
Estabelecer um ambiente de engenharia aberto que possa minimizar a competicao interna
e dar suporte ao trabalho em equipe;
Incentivar, manter e treinar os funcion arios no uso do CEP;
Aplicar o CEP para entender a variacao e estabilidade dos dados que ser ao usados no
desenvolvimento do processo;
Usar as an alises do CEP para promover melhorias no processo;
Nao passar a responsabilidade pelas cartas de controle para os operadores ate
que o processo esteja sob controle. A transferencia de responsabilidade do
processo so deve ocorrer quando o processo estiver sob controle.
5. Introducao ao CEP 140
5.5.4 Controle de qualidade
O controle de qualidade e um componente crtico que da suporte para as melhorias
sugeridas pelo uso do CEP.
Dar suporte ao treinamento para manutenc ao do CEP;
Focar as pessoas na aplicac ao do CEP;
Ajudar na identicac ao das causas de variac ao do processo;
Assegurar que o uso correto das informac oes provenientes do programa de CEP estejam
sendo corretamente utilizadas.
5.5.5 Producao
As pessoas envolvidas na produc ao est ao diretamente relacionadas ao processo e a efe-
tividade da variac ao do processo. Elas devem:
Estar treinadas na aplicac ao do programa de CEP para resolver problemas;
Ter entendimento da variac ao e estabilidade em relac ao aos dados e as informa coes que
estar ao sendo usadas no programa de CEP;
Estar alertas, a comunica cao entre a equipe e fundamental quando a situac ao muda;
Atualizar, manter e disponibilizar as cartas de controle com a equipe respons avel;
Aprender com as informac oes coletadas do processo.
As aplica coes dos conceitos descritos acima ir ao resultar em um ambiente adequado para
a compreensao e reduc ao da variac ao do processo. Ent ao o conceito PLANEJE-FAC A-
ESTUDE-AJA (PDSA) pode ser usado na melhoria do processo.
O uso correto do programa de CEP ir a resultar numa organizacao focada na melhoria da
qualidade do produto e do processo.
141
Captulo 6
Gracos ou Cartas de Controle
Carta de controle e um tipo de gr aco, comumente utilizado para o acompanhamento
durante um processo, determina uma faixa chamada de toler ancia limitada pela linha superior
(limite superior de controle) e uma linha inferior (limite inferior de controle) e uma linha
media do processo, que foram estatisticamente determinadas.

E uma das Sete Ferramentas da
Qualidade.
Realizada em amostras extradas durante o processo, sup oe-se distribuic ao normal das ca-
ractersticas da qualidade. O objetivo e vericar se o processo esta sob controle. Este controle
e feito atraves do gr aco.
Diversas tecnicas estatsticas foram desenvolvidas para serem aplicadas como ferramentas
de diagn ostico do estado do processo. Todas elas sao baseadas no mesmo princpio: utuac oes
do nvel e de dispers ao do processo ou qualquer outro padr ao nao aleat orio. As tecnicas do CEP,
ou mais particularmente, os gr acos de controle, foram desenvolvidos para detectar qualquer
padr ao de n ao aleatoriedade no comportamento do processo e, na medida do possvel, para
utilizar a estrutura do padr ao de n ao aleatoriedade para sugerir algo `a respeito da natureza da
causa que gerou esse comportamento.
Existem varios tipos de gr acos de controle, neste curso consideraremos:
1. Gr acos de Shewhart.
2. Metodos derivados do criterio das corridas (Testes Especiais).
6. Gracos ou Cartas de Controle 142
6.1 Gracos de Shewhart
O controle estatstico de qualidade, comecou na decada de 20, na Bell Laboratories
(Estados Unidos), com Walter A. Shewhart, e foi largamente utilizado pelas ind ustrias belicas
(ISHIKAWA, 1993).
Dr. Walter Shewhart apresentou a distincao entre variac ao controlada e n ao controlada
de um processo ou, em outras palavras, as causas que anteriormente chamamos de comuns
(aleat orias) e especiais (assinalaveis), respectivamente.
Para distinguir as duas variac oes e detectar as especiais, ele desenvolveu uma ferramenta
que, desde entao, chamamos Cartas ou Gracos de Shewhart.
Usando as pr oprias palavras de Shewhart, as func oes destes gracos s ao:
1. Mostrar evidencias de que um processo esteja operando em estado de controle estatstico
e dar sinais da presenca de causas especiais de variacao para que medidas corretivas
apropriadas sejam aplicadas.
2. Manter o estado de controle estatstico estendendo a funcao dos limites de controle como
base de decisoes.
3. Apresentar informacoes para que sejam tomadas acoes gerenciais de melhoria dos pro-
cessos.
6.1.1 Formas de aplicacao
A forma mais usual dos gracos de controle envolve registros cronol ogicos regulares
(dia-a-dia, hora-a-hora, etc) de uma ou mais caractersticas (por exemplo, media, amplitude,
proporc ao, etc) calculadas em amostras obtidas de medic oes em fases apropriadas do processo.
Estes valores s ao dispostos, pela sua ordem, em um gr aco que possui uma linha central e dois
limites, chamados limites de controle (ver Figura 6.1).
Os gracos de Shewhart fornecem assim uma regra de decisao muito simples: pontos
dispostos fora dos limites de controle indicam que o processo esta fora de controle. Se
todos os pontos dispostos est ao dentro dos limites e colocados de forma casual, consideramos
que nao existem evidencias de que o processo esteja fora de controle.
Mesmo que todos os pontos estejam dispostos entre os limites de controle, se eles se com-
portam de forma sistem atica ou n ao aleat oria, existe uma indica cao de que o processo est a fora
de controle. Por exemplo, se 18 dos 20 pontos dispostos est ao entre a linha media e a linha
6. Gracos ou Cartas de Controle 143
superior de controle, devemos suspeitar de que alguma coisa esta errada. Se o processo est a
sob controle, todos os pontos tem o mesmo princpio aleat orio.
As cartas de Shewhart sao testes simples de aleatoriedade. Os movimentos para cima e
para baixo dos pontos n ao devem ser considerados pelo trabalhador a n ao ser que exista indcio
de uma causa especial. O ponto que cai fora dos limites de controle e um sinal estatstico que
indica a existencia de uma causa especial de variac ao que pode ser quase sempre identicada e
corrigida pelo trabalhador da produc ao(Deming).
Figura 6.1: Modelo de gracos de Shewhart.
Observa-se que no gr aco de X que existe um ponto fora dos limites de controle. No gr aco
da Amplitude, os pontos estao distribudos de forma aleat oria, dentro dos limites.
6.1.2 Benefcios dos gracos de controle
Os gr acos de controle proporcionam uma base para a comunicac ao sobre a performance
do processo dentro e entre as organiza coes.
Os gracos de controle, ao distinguir causas comuns de causas especiais de varia cao e indicar
se o problema e local ou merece atenc ao gerencial, evita frustrac oes e o custo de erros no
direcionamento da soluc ao de problemas.
Ao melhorar o processo os gr acos de controle produzem:
6. Gracos ou Cartas de Controle 144
1. Aumento da porcentagem de produtos capazes de satisfazer aos requisitos do cliente.
2. Diminuicao do retrabalho e sucata, diminuindo, conseq uentemente, os custos de fab-
ricacao.
3. Aumento da probabilidade geral de produtos aceitaveis.
4. Informa coes para melhoria do processo.
6.1.3 Tipos de gracos de Shewhart
Existem dois tipos basicos de gracos de Shewhart:
Gr acos por vari aveis:
Gracos X e R (media e amplitude)
Gracos X e S (media e desvio padrao)
Gracos Mediana (

X) e R (mediana e desvio padr ao)


Gracos para Valores Individuais (X) e Amplitude Movel (MR)
Gr acos por atributos:
Graco p (proporc oes n ao conforme)
Graco np (unidades nao conforme)
Graco c (n umero de n ao conformidade por unidade)
Graco u (taxa de n ao conformidade por unidade)
6.1.4 Fase preparatoria e elaboracao dos gracos
Seja qual for o tipo que se vai utilizar, e necess ario que executem uma serie de etapas
preparat orias para a sua aplicacao:
1. Conscientizacao e treinamento das pessoas envolvidas no processo.
2. Correta denicao do processo (mapeamento do processo).
3. Analise para escolha das caractersticas de qualidade mais signicativas, com foco no
cliente. A aplicacao do graco de Pareto pode ter grande utilidade nessa etapa.
6. Gracos ou Cartas de Controle 145
4. Denicao e analise do sistema de medicao (unidades, instrumentos, grau de precisao das
medidas, metodo para efetuar as medidas, etc).
5. Escolha da fase do processo onde serao efetuados os registros, a m de obter informacoes
que permitam, no caso em que causas especiais sejam detectadas, sua imediata e efetiva
correcao para evitar os itens defeituosos.
Uma vez efetuada a fase preparatoria, a elaborac ao dos gracos deve obedecer os seguintes
passos:
1. Escolha do tipo de graco;
2. Coleta de dados;
3. Indicacao do estado do processo e sua performance;
4. Determinacao da capacidade do processo, depois de se ter atingido o estado de controle;
5. Acoes para melhoria do processo.
Os topicos seguintes descrevem cada um dos itens acima.
Escolha do tipo do graco
A sele cao do tipo de gr aco a ser usado depende da caracterstica da qualidade a ser
controlada. Para caractersticas contnuas, como por exemplo, peso, dimensao, concen-
trac ao, etc., os gracos X e R, X e S e de valores individuais poder ao ser utilizados.
Para caractersticas cujos dados contnuos podem ser discretizadas, como caractersticas
avaliadas por instrumentos do tipo passa/n ao passa por exemplo, utiliza-se gr acos p
(ou np). Entretanto, em troca da simplicidade, grande quantidade de informac ao e per-
dida. Portanto, salvo os casos em que existam fortes motivos economicos, os gr acos por
vari aveis devem ser utilizados para controlar caractersticas contnuas. Em processos ad-
ministrativos, muitas vezes sao analisados defeitos ou desvios em relac ao ` as necessidades
do cliente, via gr acos de atributos. Quando a caracterstica de qualidade e um atributo,
como por exemplo, nao-conformidade, cor, etc., os gr acos p ou np e c ou u devem ser
utilizados.
Coleta de dados - subgrupos racionais
6. Gracos ou Cartas de Controle 146
Para a coleta dos dados e necessario determinar o tamanho e a freq uencia para cada
amostra, tambem chamada de subgrupos racionais. Aspectos relacionados a esta
quest ao ser ao tratados com maiores detalhes nas pr oximas secoes e captulos. Neste
momente e importante saber que essas escolhas dependem de varios fatores, como por
exemplo, tipo de gr aco, considera coes econ omicas, informacao previa sobre o processo,
etc.
Na amostragem e fundamental selecionar amostras que representem subgrupos de itens
mais homogeneos possveis, pois exaltam as diferencas entre grupos. O objetivo
e conseguir que as causas especiais, caso estiverem presentes, manifestem-se na forma de
diferenca entre subgrupose n ao como diferenca entre elementos de um mesmo sub-
grupo. Por isso, e fundamental que a ordem de realizacao das medic oes seja cuidadosa-
mente preservada.
Os subgrupos afetam os resultados e a interpretac ao dos gr acos de controle. Por exem-
plo, em um gr aco X e R, a media identica diferencas entre os subgrupos, enquanto que
o graco R identica a variac ao dentro dos subgrupos. A variacao dentro dos subgrupos
determina a sensibilidade dos gr acos de controle. Por causa disso, e muito importante
considerar as fontes de varia cao para as medidas e ent ao organizar os subgrupos ade-
quadamente.
Em geral, existem dois procedimentos b asicos para construir subgrupos racionais. No
primeiro caso, cada amostra consiste de itens que foram produzidos praticamente no
mesmo instante. Esta forma e utilizada quando o objetivo do graco de controle e detectar
variacoes ao longo do tempo. Caso causas especiais estejam presentes, esta forma de
construir subgrupos racionais minimiza a variabilidade dentro do subgrupo e maximiza
a variabilidade entre os subgrupos. Alem disso, fornecem boas estimativas para o desvio
padr ao do processo no caso de gracos para vari aveis.
No segundo caso, cada amostra consiste de itens que representam todos os itens produzi-
dos, desde a retirada da ultima amostra. Essencialmente, cada amostra representa toda
a produc ao durante um intervalo de tempo. Este metodo e utilizado quando o graco
de controle e empregado para uma tomada de decis ao sobre a aceita cao ou nao dos itens
produzidos, desde a ultima retirada da amostra.
Supondo a utilizac ao do primeiro metodo para selecao das amostras, pode ocorrer que
entre as coletas, o processo saia do estado de controle estatstico e volte para o estado de
6. Gracos ou Cartas de Controle 147
controle entre as coletas. Neste caso, o segundo metodo de amostragem permite detectar
este comportamento tipo de comportamento improprio. Portanto,

E muito importante na aplicacao dos Gracos de Controle escolher cuidadosamente os


subgrupos racionais.
Algumas considerac oes a respeito do tamanho dos subgrupos para os gr acos X e R ou
X e S s ao:
1. Os subgrupos devem ter o menor tamanho possvel para que as suas medias nao
mascarem as mudancas.
2. Subgrupos de tamanho 4 ou 5 detectam mudancas no processo mais rapidamente que
subgrupos maiores.
3. Subgrupos de 4 ou 5 tens sao otimos (ou quase) se as causas especiais produzem
mudancas de 2 (2 sigmas) ou mais no nvel geral do processo. Caso as mudancas
sejam pequenas (1 ou menos) sera necessario, para detecta-las, escolher subgrupos
maiores (de 15 ou 20 tens). Aplicacao de ferramentas como CUSUM propiciam
uma analise de pequenas variacoes.
Escolha dos limites de controle
A escolha dos limites de controle e uma decisao a ser tomada com base, essencialmente,
em criterios economicos. O uso dos limites 3 (3 sigma) est a bastante generalizado, mas
existem situacoes onde e necess ario aplicar outros criterios. Assim, por exemplo, se um
falso alarme (falso alarme acontece quando um sinal de fora de controle e gerado por um
processo sob controle) e muito caro ou difcil de investigar, podera ser mais economico
construir os gr acos com limites mais amplos, digamos 3,5 ou ate 4, se necessario.
Por outro lado, se o processo for rapido e economicamente investigado quando uma causa
especial for detectada, e o custo de produzir itens defeituosos for alto, limites mais estreitos
(2) dever ao ser implantados.
Calculo da linha central e dos limites de controle
Os tres pontos desenvolvidos anteriormente sao de car ater geral e aplic aveis a todos os
tipos gr acos. O c alculo dos limites de controle e da linha central e considerado caso a
caso para cada tipo de graco e suas possveis variantes. Este captulo aborda alem da
construc ao do graco, quest oes relacionadas a tomada de decic oes em relacao a aplicac ao
6. Gracos ou Cartas de Controle 148
destes gr acos. Os tipos de gracos, procedimentos para sua constru cao s ao ilustrados
com estudos de casos, que s ao exemplos reais.
Indicacao do estado do processo
A medida que os dados sao registrados no gr aco e comparados com os limites de controle,
o comportamento dos pontos em relac ao aos limites de controle indicam se o processo est a
fora de controleou sob controleestatstico. A ocorrencia de um processo fora de cont-
role estatsticoexige a tomada de ac oes (geralmente locais). Ap os isso, novas observa coes
devem ser coletadas e, se necess ario, os limites de controle devem ser recalculados para
estudar a presen ca de outras eventuais causas especiais de variac ao.
Determinacao da capacidade do processo
Os limites de controle nao sao limites de especicacao, mas reetem a variabilidade
natural do processo, quando ele funciona somente como indicadores de causas especiais
de variac ao. Depois que as causas especiais s ao eliminadas, a capacidade do processo
podera ser avaliada. Para casos com variac ao excessiva por causas comuns, o processo
n ao sera capaz de produzir consistentemente itens dentro das especicac oes. Neste caso,
ac oes gerenciais devem ser tomadas para melhoria do sistema.
A Figura 6.2 exemplica os limites de controle e a linha central para o gr aco de X.
Figura 6.2: Exemplo do posicionamento dos limites de controle e da linha central para o gr aco
de X.
149
Captulo 7
Gracos de Controle por Variaveis
Muitas caractersticas da qualidade podem ser expressas em termos de valores numericos.
Por exemplo, o diametro de um anel pode ser medido com um micrometro e expresso em termos
de milmetros. Caracterstica da qualidade mensur aveis, como por exemplo, peso, dimens ao e
volume s ao denominadas variaveis.
Em geral, na an alise de uma caracterstica da qualidade que e uma variavel, controla-se o
seu valor medio e a sua variabilidade. O valor medio e controlado atraves do graco da media
denominado gr aco X e a variabilidade do processo e acompanhada pelo gr aco do desvio
padr ao denominado gr aco S ou graco da amplitude denominado gr aco R.
7.1 Gracos X e R
Os gracos X e R devem ser implementados simultaneamente, j a que suas funcoes se
complementam. Um processo pode sair do controle por alterac oes no seu nvel ou na sua
dispersao. O graco tem por objetivo controlar a variabilidade no nvel do processo e detectar
a ocorrencia de qualquer possvel mudanca. Por outra parte, a dispers ao de um processo pode
sofrer alterac oes por causas especiais, gerando defeitos, por exemplo, uma m aquina cortadora
de placas que ca desajustada, talvez continue cortando com a media desejada, mas a falta de
ajuste se manifestar a com um aumento da variabilidade, fato que ser a, provavelmente, detectado
pelo graco R de amplitude. O exemplo a seguir ilustra uma aplicac ao de gr acos X e R.
Exemplo 7.1. Dados do comprimento de pecas em subgrupos de tamanho 5.
7. Gracos de Controle por Variaveis 150
Tabela 7.1: Dados amostrais de comprimentos de peca
X
1
X
2
X
3
X
4
X
5
X R
0,65 0,70 0,65 0,65 0,85 0,70 0,20
0,75 0,85 0,75 0,85 0,65 0,77 0,20
0,75 0,80 0,80 0,70 0,75 0,76 0,10
0,60 0,70 0,70 0,75 0,65 0,68 0,15
0,70 0,75 0,65 0,85 0,80 0,75 0,20
0,60 0,75 0,75 0,85 0,70 0,73 0,25
0,75 0,80 0,65 0,75 0,70 0,73 0,15
0,60 0,70 0,80 0,75 0,75 0,72 0,20
0,65 0,80 0,85 0,85 0,75 0,78 0,20
0,60 0,70 0,60 0,80 0,65 0,67 0,20
0,80 0,75 0,70 0,80 0,70 0,75 0,10
0,85 0,75 0,85 0,65 0,70 0,76 0,20
0,70 0,70 0,75 0,75 0,70 0,72 0,05
0,65 0,70 0,85 0,75 0,60 0,71 0,25
0,90 0,80 0,80 0,75 0,85 0,82 0,15
0,75 0,80 0,75 0,80 0,65 0,75 0,15
0,75 0,70 0,85 0,70 0,80 0,76 0,15
0,75 0,70 0,60 0,70 0,60 0,67 0,15
0,65 0,65 0,85 0,65 0,70 0,70 0,20
0,60 0,60 0,65 0,60 0,65 0,62 0,05
0,50 0,55 0,65 0,80 0,80 0,66 0,30
0,60 0,80 0,65 0,65 0,75 0,69 0,20
0,80 0,65 0,75 0,65 0,65 0,70 0,15
0,65 0,60 0,60 0,60 0,70 0,63 0,10
0,65 0,70 0,70 0,60 0,65 0,66 0,10
As seguintes etapas foram seguidas para a coleta das amostras e an alise dos dados deste
exemplo:
1. Selecao da caracterstica de qualidade do processo, focada no cliente.
2. Registro das observac oes obtidas seguindo os criterios de amostragem racional. Neste
7. Gracos de Controle por Variaveis 151
caso, foram selecionados 5 tens por hora, durante m = 25 horas.
3. C alculo da media amostral X , e da amplitude amostral R, para cada i = 1, 2, ..., m . Os
valores de X e de R, acompanham os valores em cada coluna.
4. C alculo da media das medias amostrais e da media das amplitudes amostrais, os quais
s ao indicados, respectivamente, por X e R .
X =
Soma das Medias Amostrais
N umero de Amostras
=
1
m
m

i=1
X
i
R =
Soma das Amplitudes Amostrais
N umero de Amostras
=
1
m
m

i=1
R
i
Para os dados deste exemplo, tem-se:
m = N umero de amostras = 25
n = Tamanho das amostras = 5
X =
0, 70 + 0, 77 +. . . + 0, 66
25
=
17, 89
25
= 0, 7156.
R =
0, 20 + 0, 20 +. . . + 0, 10
25
=
4, 15
25
= 0, 166.

7.1.1 Calculo dos limites de controle


No Anexo 1, Apendice ?? h a uma relac ao completa das f ormulas a serem aplicadas e no
Anexo 2, Apendice ?? h a uma relac ao das constantes necess arias para os calculos.
Para o C alculo dos Limites de Controle destes dados utilizou-se as Amplitudes Amostrais
como Medida de Dispers ao, dadas pela seguintes f ormulas:
Para as medias:
Limite superior de controle : LSC = X +A
2
R
Linha Central: LC = X
Limite inferior de controle: LIC = X A
2
R
7. Gracos de Controle por Variaveis 152
Para as amplitudes:
Limite superior de controle : LSC = D
4
R
Linha Central: LC = R
Limite inferior de controle: LIC = D
3
R
Exemplo 7.2. Voltando ao Exemplo 7.1, utilizando o Anexo 2 (Apendice ??), temos
A
2
= 0, 577; D
3
= 0; D
4
= 2, 114 (para n = 5)
Aplicando as f ormulas, obtemos
Para a media:
Limite superior: LSC = 0, 7156 + (0, 577 0, 166) = 0, 8113
Linha central: LC = 0, 7156
Limite inferior: LIC = 0, 7156 (0, 577 0, 166) = 0, 6198
Para a amplitude:
Limite superior: LSC = 2, 114 0, 166 = 0, 3509
Linha central: LC = 0, 166
Limite inferior: LIC = 0

7.1.2 Disposicao dos pontos nos gracos X e R


Ap os calcular as Linhas Centrais e os Limites Inferiores e Superiores de Controle para
os gr acos X e R e possvel dispor os pontos, que representam as medias amostrais no graco
para X e as amplitudes amostrais no graco para R, respectivamente.
Para facilitar a an alise dos resultados e tambem recomend avel colocar os gr acos um abaixo
do outro, e marcar os pontos correspondentes a uma mesma amostra na mesma reta vertical.
7. Gracos de Controle por Variaveis 153
Figura 7.1: Graco X e R.
7. Gracos de Controle por Variaveis 154
7.1.3 Objetivos e interpretacao dos gracos X e R
Estes gr acos sao usados com o objetivo de identicar qualquer evidencia de que a media
do processo e sua dispers ao nao estejam operando em nveis est aveis. Neste sentido, os limites
de controle podem ser interpretados da seguinte forma, para o caso em que a variabilidade item
a item e o nvel do processo forem est aveis, as medias amostrais e as amplitudes amostrais
ter ao uma variacao aleat oria, que pode ser estimada pelas informac oes contida nos valores
observados de X e R, em decorrencia de causas comuns de variabilidade e n ao decorrentes de
causas especiais, as quais envolvam somente alguns grupos de observa coes.
Na situac ao em que somente causas comuns estejam presentes, a chance de um subgrupo
ter uma amplitude amostral R e (ou) uma media amostral X fora de seus respectivos limites
de controle, pode ser estabelecida com precisao utilizando-se regras estatstica. Usualmente se
escolhem os limites para que, num processo sob controle, a chance de uma amplitude amostral
ter um valor fora dos limites de controle seja menor do que 1% e a chance disso acontecer com
a media amostral seja menor do que 0, 27%. Estas percentagens correspondem (aproximada-
mente) a uma escolha de limites a uma distancia de 3 da linha media.
Conseq uentemente, se um ou mais pontos estao fora dos limites de controle, seja no graco
X ou R, ou outro padr ao de nao aleatoriedade indica sinal de alerta de que o processo n ao
est a sob controle estatstico. Esta suspeita baseia-se no fato de que, para um processo sob
controle, esses padr oes de n ao aleatoriedade, como por exemplo pontos fora dos limites, e um
evento muito raro, mais precisamente, tem uma probabilidade muito pequena de acontecer. A
determinac ao dos limites de controle envolve, portanto, a determina cao da probabilidade de
um padr ao de n ao aleatoriedade, como por exemplo, um ponto cair fora dos limites de controle
estando o processo sob controle estatstico.
A escolha de 3 para determinar a dist ancia dos limites de controle ` a linha media n ao e a
unica, mas e utilizada com mais frequencia. Poderia ser escolhido, por exemplo, construir os
limites a uma distancia de 2, 5 ou de 4, caso fosse possvel justicar. Quanto mais pr oximos
estejam os limites da linha central mais freq uentemente um processo sob controle gerar a ob-
serva coes que determinem pontos fora dos limites, representando nestes casos falsos alarmes.
Por outro lado, se os limites de controle se encontrarem mais afastados da linha media, por
exemplo, a 3, 5 ou 4 de dist ancia, menor ser a a probabilidade de deteccao de causas especiais,
desde que a freq uencia de pontos fora destes limites seja menor.
Um dos objetivos da aplicacao dos gracos de controle e testar se um processo, n ao co-
nhecido, encontra-se sob controle estatstico e caso o processo seja diagnosticado fora de con-
7. Gracos de Controle por Variaveis 155
trole, orientar as ac oes para levar o processo ao estado de controle. Para atingir tais objetivos
procede-se da seguinte maneira:
1. Dispostos todos os pontos correspondentes `as medias amostrais e ` as amplitudes amostrais,
nos respectivos gracos e n ao existindo nenhum padr ao de nao aleatoriedade, o processo
e considerado sob controle.
2. Se algum ponto fora dos limites de controle ou qualquer outro padr ao de nao aleatoriedade
e vericado, ent ao considera-se que causas especiais de variacao estao presentes. Estas
causas dever ao ser anlaisadas e corrigidas. Depois de corrigidas as causas que determinam
o padrao de n ao aleatoriedade, novos limites e novas linhas centrais sao calculadas, para
isso, deve-se retirar os elementos respons aveis pelo pradao de s elementos da amostra que
determinam o padr ao de n ao aleatoriedade. Este processo deve ser repetido interativa-
mente ate que nenhum padr ao de n ao aleatoriedade seja encontrado. Neste momento,
consideramos que o processo atingiu o estado de controle e possvel aplicar os gr acos
como instrumento para monitorar o processo e realizar melhorias contnuas.
7.2 Denindo sinais fora de controle
A presen ca de um ou mais pontos alem dos limites de controle e a primeira evidencia de
uma causa especial de variacao neste ponto. A causa especial poderia ter ocorrido em algum
instante anterior.
Desde que os pontos fora dos limites de controle surjam somente se a variac ao comum
estiver presente, a suposic ao de que uma causa especial seja contada como um valor extremo.
Entretanto, qualquer ponto alem dos limites de controle e um sinal para operac ao de casos
especiais.
Um ponto fora dos limites de controle em muitos casos signica que um ou mais dos pontos
seguintes ocorre:
O limite de controle ou o ponto no gr aco pode ter sido calculado errado ou plotado de
maneira duvidosa;
O sistema de medic ao foi alterado, isto e, um avaliador diferente ou instrumento;
O sistema de medic ao nao discrimina de maneira apropriada.
7. Gracos de Controle por Variaveis 156
Para cartas de controle que lidam com propagac ao, um ponto abaixo do limite de controle
inferior, costuma signicar um dos pontos a seguir:
Os limites de controle ou os pontos plotados estao errados;
A propagac ao da distribuic ao diminuiu, ou seja, o processo est a melhorando;
O sistema de medic ao foi alterado, existindo uma possibilidade de que os dados foram
alterados.
Um ponto alem dos limites de controle e geralmente um sinal de que o processo mudou
naquele ponto ou ainda, faz parte de uma tendencia.
Quando a amplitude est a sob controle estatstico, o processo se espalha e as variac oes dentro
dos subgrupos sao consideradas est aveis. As medias podem ser analisadas para vericar se o
processo est a mudando ao longo do tempo. Os limites para os gracos de

X s ao baseados no
montante da variacao das amplitudes, desta maneira, se as medias est ao sob controle estatstico,
suas variac oes estao relacionadas as variac oes totais vistas nas cartas de amplitude (um caso
comum da variac ao do sistema). Se as medias est ao fora de controle algumas causas especiais
das variac oes estao fazendo o processo instavel localmente.
Existem muitos criterios para identicar causas especiais. Os mais usados ser ao discutidos a
seguir. A decis ao de qual criterio usar depende do processo que esta sendo estudado/controlado.
Nota 1: Com excec ao feita ao primeiro criterio, os n umeros associados com os criterios
n ao estabelecem uma ordem de uso. A determinac ao de qual criterio usar depende das carac-
tersticas do processo e das causas especiais e prioridades com o processo.
Nota 2: Deve-se ter cuidado ao se aplicar muitos criterios, exceto naqueles em que fez
sentido o uso de determinado criterio.
Devemos lembrar que nem todas as considerac oes citadas, para interpretac ao de controle
podem ser aplicadas no ch ao de f abrica. Muitas destas analises detalhadas podem ser feitas
com cuidado e nao em tempo real. Isto implica na necessidade para os eventos do processo
serem anotados, para fazermos estas analises depois de cada evento.
Outra considerac ao a ser feita diz respeito ao treinamento dos operadores. A aplicac ao de
um novo criterio, que deve ser usado no chao de f abrica, nunca deve ser implementado antes
de que os operadores estejam propriamente treinados. Com tempo e experiencia o operador ir a
reconhecer estes padroes em tempo real.
Portanto, concluiremos que um processo esta fora de controle se um ou mais dos criterios
listados abaixo forem encontrados nos gracos de controle. Os criterios s ao:
7. Gracos de Controle por Variaveis 157
1 ponto mais do que 3 desvios padrao, a partir da linha central;
7 pontos consecutivos no mesmo lado da linha central;
6 pontos consecutivos, todos aumentando ou diminuindo;
14 pontos consecutivos, alternando acima e abaixo;
2 de 3 pontos consecutivos maior que 2 desvios padr ao a partir da linha central (mesmo
lado);
4 de 5 pontos consecutivos maior que 1 desvio padr ao a partir da linha central (mesmo
lado);
15 pontos consecutivos dentro de 1 desvio padr ao da linha central (qualquer lado);
8 pontos consecutivos maior que 1 desvio padr ao a partir da linha central (qualquer lado);
A seguir ser ao ilustrados alguns exemplos dos testes.
Figura 7.2: Exemplo de 1 ponto mais do que 3 desvios padrao da linha central.
Figura 7.3: Exemplo de 7 pontos em sequencia a partir da linha central.
7. Gracos de Controle por Variaveis 158
Figura 7.4: Exemplo de 14 pontos em sequencia, alternando-se ao longo da linha central.
Figura 7.5: Exemplo de 2 de 3 pontos consecutivos, do mesmo lado da LC, maiores que 2
desvios padrao.
Figura 7.6: Exemplo de 7 pontos, em linha, crescentes.
7.3 Average Run Length (ARL)
As secoes anteriores denem que as decisoes baseadas nas cartas de controle devem
equilibrar os riscos dos erros de Tipo I, que representa o controle exessivo ou alarme falso ou
ent ao os erros de Tipo II, que e o controle inadequado. Uma medida que permite vericar este
equilbrio e chamada Average Run Length (ARL).
O ARL e entendido como o n umero esperado de amostras ou subgrupos ate o primeiro
ponto sinalisar uma condic ao fora de controle. A presenca de um ponto fora de controle pode
7. Gracos de Controle por Variaveis 159
ser um alarme falso ou um sinal de que o processos est a fora de controle, apos um desvio medio
do valor esperado. Para vericar este ponto fora de controle e preciso que o tempo necessario
seja considerado. Se o processo esta sob controle estatstico, este tempo esperado deve ser
pequeno para que o ponto fora de controle seja observado rapidamente. Desta forma, o c alculo
de Average Run Length para um processo sob controle e dado por
ARL =
1
Prob (Erro Tipo I)
.
Um ARL de 400 signica que existiram em media, cerca de 400 amostras ou subgrupos
tomados antes da ocorrencia de um ponto fora de controle.
A tabela a seguir apresenta valores de ARL aproximados para os padroes das cartas de
controle de Shewhart X, dentro dos limites de 3
X
que denem os sinais de fora de controle.
Tabela 7.2: Valores de ARL dentro dos limites 3
X
Variacao do Alvo

X
ARL
0,0 370,40
0,1 352,90
0,2 308,40
0,3 253,10
0,5 155,20
1,0 43,90
1,5 15,00
2,0 6,30
3,0 2,00
4,0 1,20
Verica-se na Tabela 7.2, por exemplo, que existiram aproximadamente 353 amostras antes
da ocorrencia de um ponto fora de controle, com varia cao de 0, 1 da media. Da mesma forma
que existiram aproximadamente 2 amostras ou subgrupos, antes da ocorrencia de um ponto
fora de controle, com variacao de 4 da media.
Alem disso, verica-se na Tabela 7.2, que a cada 370 amostras nao ocorrem variacoes. Este
comportamento mostra que um falso alarme pode ser indicado por um processo que permanece
sob controle estatstico para este n umero de amostras.
7. Gracos de Controle por Variaveis 160
Na pratica, quando
X
=

n
, a magnitude da mudanca pode ser reduzida diminuindo o
n umero de itens em cada subgrupo. Subgrupos muito grandes reduzem o tamanho de
X
e
estreitam os limites de controle em torno de X.
Altenativamente, os ARLs podem ser reduzidos considerando outros criterios de para
avaliac ao da condic ao fora de controle. Outros sinais, como testes e padroes de analise ao
longo dos limites de controle reduzirao o tamanho dos ARLs.
Considerando a mesma carta da Tabela 7.2 e acrescentando o criterio de 7 pontos consecu-
tivos do mesmo lado da linha central, a Tabela 7.3 apresenta as aproximac oes para os valores
dos ARLs nesta nova condic ao.
Tabela 7.3: Valores de ARL com adic ao de um novo criterio
Variacao do Alvo

X
s ARL
0,0 59,8
0,1 53,9
0,2 41,8
0,3 30,8
0,5 17,9
1,0 8,7
1,5 6,9
2,0 6,1
3,0 2,00
4,0 1,20
Verica-se na Tabela 7.3 que a adic ao de um criterio de fora de controle reduz signicativa-
mente os valores dos ARLs para pequenas mudancas na media, o que permite reduzir o risco
do erro de Tipo II. Neste caso, verica-se que a cada 60 amostras aproximadamente, o processo
n ao muda, o que aumenta o risco do erro do Tipo I ou alarme falso.
O equilbrio entre esperar um longo ARL quando o processo esta sob controle contra um
ARL curto quando existe uma mudanca no processo possibilita a utilizac ao de outros tipos de
cartas de controle.
7. Gracos de Controle por Variaveis 161
7.4 Gracos X e S
A principal diferenca na aplicac ao do gr aco X e S e no c alculo da estimativa de . Neste
caso, esta estimativa e obtida pelo c alculo do desvio padr ao amostral. Para isso, e preciso que
o tamanho das amostras ou subgrupos sejam grandes, > 10 ou 12. Alem disso, o tamanho das
amostras e subgrupos pode ser vari avel.
Do ponto de vista pratico, a aplicac ao deste graco pode ser invi avel para dados que n ao
s ao coletados de forma eletronica, pois, o operador deve calcular os desvios padr ao para cada
ponto.
O Exemplo 7.4 mostra uma de suas aplicac oes.
Exemplo 7.3. Diametro de pinos com subgrupos de tamanho 10.
Tabela 7.4: Conjunto de dados do di ametro de pinos
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X S
9,8323 10,4735 9,5178 10,8361 9,9201 9,6272 10,0284 9,6664 9,3373 10,9362 10,0175 0,55318
9,0219 10,6217 10,6176 11,4604 8,9944 10,1264 10,3556 9,6835 9,9313 10,5404 10,1353 0,761914
10,7431 10,9621 9,4968 10,17 8,9321 9,6742 10,2471 9,7774 10,0575 10,5816 10,0642 0,616226
10,0543 11,0115 10,4363 11,4068 10,1321 11,3897 9,9963 9,8184 10,4614 10,4651 10,5172 0,570725
9,6915 11,2257 9,8063 10,7478 10,1048 11,1482 10,1624 9,9117 9,9081 10,6442 10,3351 0,563576
9,9209 10,0309 10,5285 10,9878 9,8168 10,1317 10,0633 11,1288 11,2937 9,7451 10,3648 0,577304
9,6343 11,0474 9,8212 11,1468 9,115 10,7762 9,7394 10,0534 9,7941 11,6617 10,2789 0,820564
10,2035 10,4941 11,2188 10,515 9,415 10,7148 9,5438 10,1777 9,1048 10,4412 10,1829 0,648981
10,6667 10,7832 10,2442 11,6138 10,0163 10,0467 8,9035 10,9109 9,523 11,1139 10,3822 0,80025
10,4892 10,6291 10,6905 11,387 10,1746 9,5808 9,6638 11,0216 9,8581 10,6037 10,4099 0,587224
10,6649 11,1688 11,0198 9,8607 9,5741 10,2868 10,139 10,0186 10,6223 11,6381 10,4993 0,643626
10,5682 10,5393 10,1765 10,1989 10,75 10,0564 10,9785 10,5446 9,1627 10,2037 10,3179 0,49849
10,8432 9,1263 9,9808 11,2966 9,385 11,5448 10,6659 9,9193 10,417 10,9449 10,4124 0,798371
9,6101 9,8 10,4167 10,4374 9,5798 10,3382 9,9084 10,0147 9,758 9,9967 9,986 0,318545
10,1325 10,8271 10,507 10,4371 10,8779 10,8975 8,9913 10,1882 10,5538 10,3392 10,3752 0,557085
10,3702 11,2328 9,7624 10,4681 9,9547 9,7824 9,7726 10,6453 9,8423 10,868 10,2699 0,527025
9,5008 9,5963 10,349 12,0111 10,1694 10,877 9,8602 9,7677 9,8443 11,1214 10,3097 0,800851
9,8528 10,0426 10,0269 10,7828 10,1054 9,9032 10,2323 10,7983 9,6603 10,9406 10,2345 0,447079
10,4005 10,7238 11,0019 10,4417 10,2053 10,0774 9,7682 9,7861 10,2386 10,3 10,2943 0,381718
9,7635 11,202 9,5674 10,1705 9,7851 10,3353 10,2331 10,3768 10,8271 10,4101 10,2671 0,495618
10,3412 10,1655 10,0494 11,4595 10,4515 10,326 10,8081 9,8483 9,7066 9,7909 10,2947 0,529544
10,2931 9,9962 9,7957 10,759 10,9442 10,3623 9,7833 9,006 11,1923 10,1037 10,2236 0,640651
10,2808 10,8858 10,2942 10,912 10,8164 9,8223 9,8758 9,1255 9,7107 9,8788 10,1602 0,587044
9,8984 11,0424 10,3988 11,0127 9,2655 10,2082 9,8238 9,8925 10,3074 9,9735 10,1823 0,544631
9,4126 11,9882 9,3897 10,9499 10,1394 9,7375 10,0704 9,9912 9,9054 10,9421 10,2526 0,811347
10,2554 9,6405 10,6678 10,6074 9,7188 11,1229 9,6877 10,8275 8,976 11,1306 10,2634 0,727567
9,763 11,4587 10,5735 10,3049 10,5277 11,0722 9,8399 9,6746 9,7708 10,1013 10,3087 0,603275
10,939 10,3562 10,7339 11,1043 10,0477 10,531 11,0688 9,802 10,2629 10,2776 10,5123 0,44141
7. Gracos de Controle por Variaveis 162
1. Selecao da caracterstica de qualidade do processo e focada no cliente.
2. Registro das observac oes obtidas seguindo os criterios de amostragem racional. No exem-
plo foram escolhidos 10 itens por hora durante m = 28 horas.
3. C alculo da media amostral X , e do desvio padrao amostral S, para cada i = 1, 2, ..., m
das m amostras escolhidas. Os valores de X e de S, estao dispostos nas duas ultimas
colunas da tabela.
4. C alculo da media das medias amostrais e da media dos desvios padrao amostrais, os quais
s ao indicados, respectivamente, por X e S .
X =
Soma das Medias Amostrais
N umero de Amostras
=
1
m
m

i=1
X
i
S =
Soma dos Desvios Padr ao Amostrais
N umero de Amostras
=
1
m
m

i=1
S
i
Em nosso exemplo temos:
m = N umero de amostras = 28
n = Tamanho das amostras = 10
X =
10, 0175 +. . . + 10, 5123
28
=
287, 8521
28
= 10, 2804
S =
0, 553180 +. . . + 0, 441410
28
=
16, 853821
28
= 0, 601922

7.4.1 Calculo dos limites de controle


Em Apendice ?? (Anexo ??) encontram-se as f ormulas e constantes necessarias para os
c alculos.
Para o Calculo dos Limites de Controle usaremos os Desvios Padr ao Amostrais como Medida
de Dispersao, com as seguintes f ormulas
Para as medias:
7. Gracos de Controle por Variaveis 163
Limite superior de controle : LSC = X +A
3
S
Linha Central: LC = X
Limite inferior de controle: LIC = X A
3
S
Para os desvios padrao:
Limite superior de controle : LSC = B
4
S
Linha Central: LC = S
Limite inferior de controle: LIC = B
3
S
Exemplo 7.4. Voltando ao Exemplo 7.4, utilizando o Anexo (Apendice ??), obtemos
A
3
= 0, 975; B
3
= 0, 284; B
4
= 1, 716 (para n = 10).
Aplicando as f ormulas, obtemos
Para a media:
Limite superior: LSC = 10, 2804 + 0, 975 0, 601922 = 10, 86727395
Linha central: LC = 10, 2804
Limite inferior: LIC = 10, 2804 0, 975 0, 601922 = 9, 69352605
Para o desvio padrao:
Limite superior: LSC = 1, 716 0, 601922 = 1, 032898152
Linha central: LC = 0, 601922
Limite inferior: LIC = 0, 284 0, 601922 = 0, 170945848

7.4.2 Disposicao dos pontos nos gracos X e S


Tendo calculado as Linhas Centrais e os Limites Inferiores e Superiores de Controle
para os gr acos X e S, estamos em condic oes de dispor os pontos que representam as medias
amostrais (no graco para X) e os desvios padr ao amostrais (no gr aco para S), respectiva-
mente.
Para facilitar a analise dos resultados e recomend avel colocar ambos os gracos um abaixo
do outro, e marcar os pontos correspondentes a uma mesma amostra na mesma reta vertical .
7. Gracos de Controle por Variaveis 164
Exemplo 7.5. Considere um processo de usinagem de um pino, onde o diametro e medido em
subgrupos de 5 pecas ao longo do tempo, conforme a Tabela 7.4. Faca os gracos de X e S.
Para o Calculo dos Limites de Controle usaremos os Desvios Padr ao Amostrais como Medida
de Dispersao, com as seguintes f ormulas
A
3
= 0, 975; B
3
= 0, 284; B
4
= 1, 716 (para n = 10);
X = 10, 2804;
S = 0, 601922
Para as medias:
LSC = X +A
3
S = 10, 2804 + 0, 975 0, 601922 = 10, 86
LC = X = 10, 2804
LIC = X A
3
S = 10, 2804 0, 975 0, 601922 = 9, 69
Para os desvios padrao:
LSC = B
4
S = 1, 716 0, 601922 = 1, 03
LC = S = 0, 601922
LIC = B
3
S = 0, 284 0, 601922 = 0, 171
Figura 7.7: Graco X e S para os dados do Exemplo 7.4.
7. Gracos de Controle por Variaveis 165
Nota-se nos gr acos, que todos os pontos est ao dispostos dentro dos limites de controle.
Porem, noo gr aco de X verica-se um perodo de variac ao aleatoria seguido de um perodo
com pouca variac ao aleat oria, o que indica, por exemplo, que algo relacionado ao operador
pode ter ocorrido neste perodo.

7.5 Gracos para valores individuais e amplitudes mo-


veis: X e MR
H a muitas situacoes onde o tamanho da amostra usado para o controle do processo
e n = 1. Assim, por exemplo, na fabricac ao de a co, celulose e outros elementos qumicos,
o controle do processo e realizado retirando-se amostras de uma unidade para se medir, por
exemplo, PH, viscosidade, etc.
Isso tambem ocorre, quando a taxa de produc ao e muito baixa para avaliar amostras com
tamanhos maiores do que 1 ou quando medidas diferem somente por causa de erros nos testes
de laboratorio.
Como nao e possvel estimar a variabilidade por meio da amplitude ou do desvio padr ao,
para amostras de tamanho 1, ent ao, neste caso, usa-se uma estimativa a amplitude m ovel de
duas (ou mais) observacoes sucessivas.
Para a construc ao deste gr aco, primeiramente deve-se vericar se os dados tem distribuic ao
normal. Para isso, pode-se fazer uma analise graca, por meio de um histograma e tambem
vericar a normalidade por meio de um teste, como por exemplo, o teste de Anderson-Darling.
O calculo dos limites de controle para este tipo de graco e feito da seguinte forma:
Para os valores individuais (X):
LSC = X +
3MR
d
2
= X +E
2
MR
LC = X
LIC = X
3MR
d
2
= X E
2
MR
Para as amplitudes m oveis (MR):
LSC = D
4
MR
LC = MR
7. Gracos de Controle por Variaveis 166
LIC = D
3
MR
onde:
MR = Media das Amplitudes M oveis =
1
m
m

i=1
MR
i
MR
i
= [x
i
x
i1
[, i = 2, . . . , m
E
2
=
3
d
2
d
2
, D
3
e D
4
encontram-se tabelados em Apendice ??, (Anexo ??) em func ao do n umero de
valores tomados para o c alculo das amplitudes m oveis.
Exemplo 7.6. Os Gracos X e MR para os dados da Tabela 7.5 sao construdos da seguinte
forma:
7. Gracos de Controle por Variaveis 167
Tabela 7.5: Dados de viscosidade
Lote Viscosidade Amplitude Movel
1 33,75 -
2 33,05 0,70
3 34,00 0,95
4 33,81 0,19
5 33,46 0,35
6 34,02 0,56
7 33,68 0,34
8 33,27 0,41
9 33,49 0,22
10 33,20 0,29
11 33,62 0,42
12 33,00 0,62
13 33,12 0,12
14 34,84 1,72
15 33,79 1,05
16 33,85 0,06
17 34,05 0,20
18 34,02 0,03
19 33,89 0,13
20 34,12 0,23
21 34,10 0,02
22 33,99 0,11
23 34,11 0,12
x = 33,75 MR = 0,40
Utilizando o Anexo ??, temos
d
2
= 1, 128; E
2
= 2, 6595; D
3
= 0; D
4
= 3, 267 (para n = 2).
Para os valores individuais (X):
LSC = 33, 75 + 2, 6595 0, 40 = 34, 82
LC = 33, 75
LIC = 33, 75 2, 6595 0, 40 = 32, 68
Para as amplitudes m oveis (MR)
LSC = 3, 267 0, 40 = 1, 31
7. Gracos de Controle por Variaveis 168
LC = 0, 40
LIC = 0
Figura 7.8: Graco X e MR para os dados do Exemplo 7.6.

Nota-se em ambos os gr acos X e MR que existe um ponto fora dos limites de controle
indicando a presenca de uma causa especial de veriac ao. Nota-se tambem, que este ponto fora
do limite de controle desencadeou uma sequencia nos valores medios observados em seguida.
Exemplo 7.7. Neste exemplo e realizado um estudo de CEP usando as cartas de controle X e
MR, para dados referentes a gramatura de papeis.
7. Gracos de Controle por Variaveis 169
Lote Gramatura (g/m
2
) Rm
1 88,20 -
2 88,90 0,70
3 90,50 1,60
4 90,30 0,20
5 90,00 0,30
6 90,20 0,20
7 91,20 1,00
8 91,00 0,20
9 91,50 0,50
10 91,40 0,10
11 91,30 0,10
12 90,20 1,10
13 91,40 1,20
14 89,90 1,50
15 90,20 0,30
16 90,10 0,10
17 90,80 0,70
18 91,40 0,60
19 91,30 0,10
20 89,00 2,30
21 90,70 1,70
22 89,50 1,20
23 91,20 1,70
24 90,50 0,70
25 90,60 0,10
Media 90,45 0,76
Resolucao:
Inicialmente calculamos os valores para X e MR
X = 90, 45
MR =
1
m
m

i=2
[x
i
x
i1
[ = 0, 758333
Os dados da tabela d
2
,
7. Gracos de Controle por Variaveis 170
d
2
= 1, 128; E
2
=
3
d
2
= 2, 6595; D
3
= 0; D
4
= 3, 267 (para n = 2).
Para os valores individuais (X):
LSC = X +
3MR
d
2
= X +E
2
MR = 90, 45 +
3 0, 75833
1, 128
= 92, 46
LC = X = 90, 45
LIC = X
3MR
d
2
= X E
2
MR = 90, 45
3 0, 75833
1, 128
= 88, 433
Para as amplitudes m oveis (MR)
LSC = D
4
MR = 3, 267 0, 758333 = 2, 47747
LC = MR = 0, 758333
LIC = D
3
MR = 0, 00 0, 758333 = 0, 000
Figura 7.9: Graco X e MR para os dados do Exemplo 7.7.
Verica-se que no gr aco da Amplitude, todos os valores est ao dentro do limite de controle
e apresentam um corportamento aleatorio. Porem, no graco de valores individuais, a primeira
7. Gracos de Controle por Variaveis 171
observacao encontra-se fora do limite de controle, sendo que, os pontos subsequentes apresentam
variacao alat oria.

172
Captulo 8
Gracos de Controle por Atributos
Muitas caractersticas da qualidade nao podem ser expressas em termos de valores
numericos. Por exemplo, dizer se uma peca e ou n ao defeituosa. Caractersticas deste tipo
s ao denominadas atributos.
8.1 Graco p (para proporcao ou fracao de defeituosos)
A fra cao de defeituosos p se dene como o n umero de itens defeituosos (nao conformes)
na amostra dividido pelo n umero de tens da amostra. O valor amostral de p registra-se como
uma frac ao do tamanho do subgrupo.
A fracao de defeituosos p podera estar referida a amostras de tamanhos xos n coletadas
regularmente, ou tambem poder a se referir ao 100% da produc ao num determinado intervalo
de tempo (por exemplo, uma hora, um dia, etc.). Isso signica que os subgrupos podem, em
princpio, ter tamanho variavel. Como consequencia da variabilidade do tamanho amostral os
limites de controle tambem ter ao amplitude variavel.
A caracterizac ao de um item como defeituoso ou n ao defeituoso podera depender da ob-
serva cao de uma ou de v arias caractersticas de qualidade. Neste caso o item poder a ter v arios
tipos de defeitos, e, em muitas circunstancias, sera relevante a classicac ao dos defeitos por
import ancia diferenciada, sugerindo a utilizacao de gracos por demerito.
A construc ao dos gracos p (e tambem os gracos np) tem por base a distribuic ao binomial.
Para um processo que, quando operado sob controle, tem uma probabilidade p

de gerar um
item defeituoso, numa amostra de tamanho n, o n umero de defeituosos que ela gerar a, que
indicaremos por D, sera uma vari avel aleatoria, com media e desvio padr ao dados por:
Media de D = E(D) = np

8. Gr acos de Controle por Atributos 173


Desvio padrao de D = =
_
np

(1 p

)
Consequentemente, como a frac ao amostral p de defeituosos e p = D/n, verica-se que :
Media de p = E(p) = p

Desvio padrao de p =
p
=
_
p

(1 p

)
n
Na situac ao em que a fra cao de defeituosos produzidos por um processo e conhecida, ou
deseja-se aplicar um valor padr ao determinado por criterios gerenciais (que indicaremos em
ambos os casos por p

) a Linha Central e os Limites de Controle s ao determinados, quando o


tamanho n das amostras e constante, na forma:
LSC = p

+ 3
_
p

(1 p

)
n
LC = p

LIC = p

3
_
p

(1 p

)
n
.
Nota: Como foi dito anteriormente, em muitas circunst ancias, as amostras consistem na
produc ao de um determinado perodo de tempo (uma hora, um dia, etc). Nestes casos o
n umero de elementos na amostra, que indicaremos por n, e vari avel, o que leva a denir limites
de controle de amplitude vari avel desde que depende do tamanho amostral. Para sublinhar a
dependencia do desvio padr ao com respeito a amostra, este ser a indicado por i. A denic ao de
limites variaveis permite preservar a porcentagem das vezes que, num processo sob controle, os
pontos carem fora dos limites de controle.
As formulas a serem aplicadas no caso de tamanho amostral vari avel sao :

i
=

(1 p

)
n
i
onde n
i
= tamanho da i-esima amostra.
Como conseq uencia, os limites de controle (para a i-esima amostra) ser ao:
LSC = p

+ 3

(1 p

)
n
i
LIC = p

(1 p

)
n
i
.
8. Gr acos de Controle por Atributos 174
No caso em que o tamanho das amostras n, for vari avel, se a variac ao n ao for muito grande,
por exemplo da ordem de 20%, uma outra opc ao e determinar o tamanho amostral medio n, e
denir os limites com este valor.
Assim denindo
n =
(n
1
+. . . +n
m
)
m
onde n
i
= tamanho da i -esima amostra e m e o n umero de amostras.
Os limites de controle ser ao:
LSC = p

+ 3
_
p

(1 p

)
n
LIC = p

3
_
p

(1 p

)
n
.
Analogamente aos gracos X e R, os gracos p, para frac ao de defeituosos, podem ser
construdos para a fase em que o processo n ao atingiu ainda o estado de controle e/ou quando
n ao existe um valor p

a ser utilizado como valor nominal. Neste caso utiliza-se a informac ao


contida nas amostras para o calculo de p ou media das proporc oes amostrais de defeituosos.
Isto e:
p =
(p
1
+p
2
+. . . +p
m
)
m
onde p
i
= proporcao de defeituosos na i-esima amostra, e m = n umero de amostras.
No caso em que o tamanho das amostras n, for vari avel, p deve ser calculado da seguinte
forma:
p =

m
i=1
D
i

30
i=m
n
i
Assim, os limites de controle (de amplitude 3) e linha media s ao denidos por:
LSC = p + 3
_
p(1 p)
n
LC = p
LIC = p 3
_
p(1 p)
n
.
Exemplo 8.1. Uma fabrica de suco de laranja apresentou os seguintes dados quanto ao n umero
8. Gr acos de Controle por Atributos 175
de latas amassadas (defeituosas). Tamanho da Amostra n = 50. Veja a Tabela 8.1.
Tabela 8.1: Latas amassadas na f abrica de suco de laranja
Amostras N umero de defeituosos D
i
Fracao de defeituosos p
i
1 12 0,24
2 15 0,3
3 8 0,16
4 10 0,2
5 4 0,08
6 7 0,14
7 16 0,32
8 9 0,18
9 14 0,28
10 10 0,2
11 5 0,1
12 6 0,12
13 17 0,34
14 12 0,24
15 22 0,44
16 8 0,16
17 10 0,2
18 5 0,1
19 13 0,26
20 11 0,22
21 20 0,4
22 18 0,36
23 24 0,48
24 15 0,3
25 9 0,18
26 12 0,24
27 7 0,14
28 13 0,26
29 9 0,18
30 6 0,12
p =

n
i=1
p
i
m
=

m
i=1
p
i
30
=
6, 94
30
= 0, 2313
Notac ao: Aqui considera-se n
i
como sendo o tamanho de cada amostra, e n o n umero de
8. Gr acos de Controle por Atributos 176
amostras. Para este exemplo n
i
= 50 para todo i (tamanhos iguais) e n = 30.
Vericac ao para grandes amostras:
n
i
p = 50 (0, 2313) = 11, 565 5
n
i
(1 p) = 50 (0, 7687) = 38, 435 5
Graco p
Limite Superior:
LSC = p + 3

p (1 p)
n
i
= 0, 2313 + 3
_
(0, 2313) (0, 7687)
50
= 0, 41
Linha Central:
LC = p = 0, 2313
Limite Inferior:
LIC = p 3

p (1 p)
n
i
= 0, 2313 3
_
(0, 2313) (0, 7687)
50
= 0, 052
Veja Figura 8.1.
8. Gr acos de Controle por Atributos 177
Figura 8.1: Graco p.
Verica-se no graco de proporc ao para refugo, que os pontos 15 e 23 encontram-se fora
do limite de controle indicando a existencia de causas especiais de variac ao. Apos a an alise
destes pontos, eles foram retirados da amostras e novos limites de controle foram calculados,
da seguinte forma:
p =

28
i=1
p
i
28
=
6, 02
28
= 0, 215.
Assim, os limites de controle sao:
Limite Superior:
LSC = p + 3

p (1 p)
n
i
= 0, 215 + 3
_
(0, 215) (0, 785)
50
= 0, 215 + 0, 174
= 0, 389
Linha Central:
8. Gr acos de Controle por Atributos 178
LC = p = 0, 215
Limite Inferior:
LIC = p 3

p (1 p)
n
i
= 0, 215 3
_
(0, 215) (0, 785)
50
= 0, 041
A Figura 8.2 apresenta o graco sem os pontos 15 e 23 e com os limites de controle
revisados.
Figura 8.2: Graco P, com os limites revisados.
Nota-se que, apesar da retirada dos pontos fora dos limites de controle e o c alculo dos
limites de controle revisados, ainda existe um ponto fora do limite, indicando a presenca de
causa especial de variacao. Ap os a tomada de uma ac ao para correc ao desta causa especial,
novos dados foram coletados e um novo gr aco foi gerado. Estes novos dados sao mostrados
8. Gr acos de Controle por Atributos 179
na tabela a seguir.
Tabela 8.2: Dados adicionais
Amostras N umero de Defeituosos D
i
Fracao de Defeituosos
31 9 0,18
32 6 0,12
33 12 0,24
34 5 0,1
35 6 0,12
36 4 0,08
37 5 0,1
38 3 0,05
39 7 0,14
40 6 0,12
41 2 0,04
42 4 0,03
43 3 0,04
44 6 0,12
45 5 0,1
46 4 0,03
47 8 0,16
48 5 0,1
49 6 0,12
50 7 0,14
51 5 0,1
52 6 0,12
53 3 0,06
54 4 0,03
Tabela 8.3: Dados adicionais
Os limites de controle para os novos dados s ao:
Linha Central:
LC = p = 0, 1092
Limite Superior:
8. Gr acos de Controle por Atributos 180
LSC = p + 3

p (1 p)
n
i
= 0, 109166667 + 3
_
(0, 109166667) (0, 890833333)
24
= 0, 241472657
Limite Inferior:
LIC = p + 3

p (1 p)
n
i
= 0, 109166667 3
_
(0, 109166667) (0, 890833333)
24
= 0
A Figura 8.3 mostra o gr aco contrudo para os novos dados.
Figura 8.3: Graco p, com dados adicionados.
Verica-se no graco da Figura 8.3,que ap os a acao sobre a causa especial de variacao
8. Gr acos de Controle por Atributos 181
seguida da coleta de novos dados, o processo encontra-se sob controle estatstico.

Exemplo 8.2. Temos a seguir dados sobre defeitos de inclusao de areia de moldes de eixo-
comando.
Tabela 8.4: Defeitos de inclusao de areia
Amostras Total Fundido n
i
Defeitos de inclus ao D
i
Proporcoes p
i
LIC LSC
1 1536 33 0,021 0,008407117 0,029202557
2 1536 49 0,032 0,008407117 0,029202557
3 1536 31 0,020 0,008407117 0,029202557
4 1536 52 0,034 0,008407117 0,029202557
5 1536 30 0,019 0,008407117 0,029202557
6 1536 26 0,017 0,008407117 0,029202557
7 1520 51 0,033 0,008352535 0,029257139
8 1488 25 0,017 0,008240743 0,029368931
9 1344 41 0,030 0,007689206 0,029920468
10 944 18 0,019 0,005541655 0,032068019
11 1152 22 0,019 0,006798584 0,03081109
12 1152 13 0,011 0,006798584 0,03081109
13 1683 13 0,008 0,00887158 0,028738094
14 1700 25 0,015 0,008921371 0,028688303
15 1700 62 0,036 0,008921371 0,028688303
16 1870 15 0,008 0,009381322 0,028228352
17 1140 30 0,026 0,006735558 0,030874116
18 1152 26 0,022 0,006798584 0,03081109
19 1140 4 0,003 0,006735558 0,030874116
20 1128 23 0,020 0,00667153 0,030938144
21 1152 10 0,009 0,006798584 0,03081109
22 1128 6 0,005 0,00667153 0,030938144
23 1152 21 0,018 0,006798584 0,03081109
24 1152 21 0,018 0,006798584 0,03081109
25 1152 7 0,006 0,006798584 0,03081109
26 1152 22 0,019 0,006798584 0,03081109
27 1152 23 0,0199 0,006798584 0,03081109
28 1140 16 0,0140 0,006735558 0,030874116
29 1140 15 0,0131 0,006735558 0,030874116
30 1128 18 0,0159 0,00667153 0,030938144
Os valores de n
i
ta Tabela 8.4 representam o tamanho de cada amostra, e n o n umero de
amostras. Para este exemplo, n
i
assume valores diferentes para cada amostra e n = 30.
Graco p
8. Gr acos de Controle por Atributos 182
Calculamos agora o Limite Superior e o Limite Inferior para a primeira amostra n
i
= 1536,
o mesmo deve ser feito para todas as outras amostras.
Limite Superior:
LSC = p + 3

p (1 p)
n
i
= 0, 0188 + 3
_
(0, 0188) (0, 9812)
1536
= 0, 029202557
Linha Central:
LC = p =

30
i=1
D
i

30
i=1
n
i
=
748
39777
= 0, 0188
Limite Inferior:
LIC = p 3

p (1 p)
n
i
= 0, 0188 3
_
(0, 0188) (0, 9812)
1536
= 0, 0084
Ver Figura 8.4.
8. Gr acos de Controle por Atributos 183
Figura 8.4: Graco p.
Verica-se no graco da Figura 8.4 a existencia de varios pontos fora do limite de controle
indicando que o processo nao est a sob controle estatstico.

8.2 Graco np (n umero de defeituosos)


O n umero de defeituosos np se dene como o n umero de itens defeituosos (n ao conformes)
na amostra.
O n umero de defeituosos np pode estar referido `a amostras de tamanhos xos n coletadas
regularmente ou entao a 100% da produ cao num determinado intervalo de tempo, como por
exemplo, uma hora, um dia, etc. Isso signica que os subgrupos podem, em princpio, ter
tamanho variavel. Como conseq uencia da variabilidade do tamanho amostral os limites de
controle tambem terao amplitude vari avel.
8. Gr acos de Controle por Atributos 184
A construcao dos gr acos np tambem tem por base a distribui cao binomial e este gr aco de
controle s o pode ser construdo quando se tem amostras de tamanhos iguais.
Os Limites de Controle s ao obtidos diretamente da carta p e estao descritos a seguir
LSC = np + 3
_
np(1 p)
LC = np
LIC = np 3
_
np(1 p).
Ilustraremos a aplica cao da carta np com os dados do Exemplo 8.1.
Limite Superior:
LSC = np + 3
_
np(1 p)
= 50 0, 2313 + 3
_
(50 0, 2313) (0, 7687)
= 20, 51
Linha Central:
LC = p = 11, 57
Limite Inferior:
LIC = np 3
_
(np(1 p))
= 50 0, 2313 3
_
(50 0, 2313) (0, 7687)
= 2, 62
8. Gr acos de Controle por Atributos 185
Figura 8.5: Graco np com os limites de controle.
8.3 Gracos c
Dependendo do tipo de produto e mais natural considerar o n umero de defeitos por
unidade amostral e n ao o n umero de itens defeituosos. Cada unidade pode consistir de varios
itens, isto e, ela pode ser denida como sendo um subgrupo de itens. O essencial e que nas
diferentes unidades amostrais exista a mesma chance de ocorrerem defeitos.
Alguns exemplos pr aticos de aplicac oes deste graco sao: n umero de defeitos por p agina de
um jornal, n umero de defeitos num aparelho eletronico n umero de pontos defeituosos num rolo
de papel, n umero de parafusos defeituosamente colocados na fuselagem de um avi ao, n umero
de bolhas numa superfcie pintada, n umero de pontos defeituosos numa lamina de aco, entre
outros.
O graco c e empregado considerando o n umero de defeitos por subgrupos, quando todos
estes subgrupos forem do mesmo tamanho, isto e, tiverem o mesmo n umero de itens.
Duas situac oes onde o graco c e tipicamente aplic avel sao:
1. Quando os defeitos estao distribudos em um uxo mais ou menos contnuo de algum
produto onde poder-se-ia denir o n umero medio de defeitos, como por exemplo: defeitos
em cabo de aco, bolhas em placas de vidro, etc.
8. Gr acos de Controle por Atributos 186
2. Quando defeitos de diferentes tipos e origens podem ser encontrados na unidade amostral,
tais como nos ultimos testes de um computador ou depois da montagem de um trator.
Nota: nestes dois ultimos exemplos talvez seja mais recomend avel aplicar os gracos com
demerito, que ser ao desenvolvidos nas pr oximas secoes
Considerac oes te oricas validas em muitas situac oes indicam que a vari avel c e igual ao
n umero de defeitos por unidade, que pode ser representada por uma distribuicao que tem
media
c
= m, e desvio padr ao
c
=

m .
Na pr atica, o valor de m e determinado pela media dos defeitos da v arias amostras dada
por c . Conseq uentemente, os limites de controle sao:
LSC = c + 3

c
LC = c
LIC = c 3

c
onde c =
(c
1
+c
2
+. . . +c
k
)
k
, sendo que c
1
, c
2
, . . . , c
k
s ao o n umero de defeitos em cada um dos
k subgrupos.
Exemplo 8.3. A Tabela 8.5 apresenta o n umero de nao-conformidades observadas em 26
amostras sucessivas de 100 circuitos impressos. Por conveniencia limitou-se o n umero de 100
nao conformidades possveis em 100. Assim, tem-se 26 amostras com 516 nao-conformidades.
8. Gr acos de Controle por Atributos 187
Tabela 8.5: Dados referentes ao Exemplo 8.3
N umero da Numero de N umero da Numero de
amostra nao-conformidades amostra nao-conformidades
1 21 14 19
2 24 15 10
3 16 16 17
4 12 17 13
5 15 18 22
6 5 19 18
7 28 20 39
8 20 21 30
9 31 22 24
10 25 23 16
11 20 24 19
12 24 25 17
13 16 26 15
c =
516
26
= 19, 85.
Desta forma os limites de controle s ao dados pela seguinte forma,
LSC = c + 3

c = 19, 85 + 3
_
19, 85 = 33, 22
LC = c = 19, 85
LIC = c 3

c = 19, 85 3
_
19, 85 = 6, 48
A carta de controle e denida como:
8. Gr acos de Controle por Atributos 188
Figura 8.6: Carta de controle para o Exemplo 8.3.

Exemplo 8.4. Apos avaliar a carta de controle (Figura 8.6), constatou-se que existem dois
pontos fora de controle. Entao foi vericado que a maquina estava descalibrada e foi proposto
que fossem removidas do conjunto de dados, as observacoes 6 e 20, e revisados os limites de
controle.
Desta forma temos como limites de controle,
c =
472
24
= 19, 67
LSC = c + 3

c = 19, 67 + 3
_
19, 67 = 32, 97
LC = c = 19, 67
LSC = c 3

c = 19, 67 3
_
19, 67 = 6, 37
8. Gr acos de Controle por Atributos 189
Figura 8.7: Carta de controle para o Exemplo 8.3.
Retirando as observac oes 6 e 20, observa-se que os dados encontram-se dentro dos limites
de controle.

8.4 Graco u
Freq uentemente o n umero de unidades que compoem os subgrupos e vari avel. Nestes
casos, se estamos interessados em controlar o n umero de defeitos por unidade, o graco a ser
utilizado sera o Gr aco u. Como ilustra cao, consideremos o caso da produ cao de tecido,
onde a quantidade de metros contida num rolo pode ser vari avel. O valor da vari avel u num
subgrupo que contenha n
i
unidades amostrais onde sejam encontrados c defeitos, e dado por:
u =
c
n
i
.
Mais uma vez salientamos que n pode variar de subgrupo para subgrupo e poder a ser nao
inteiro.
8. Gr acos de Controle por Atributos 190
Para os gracos u os limites de controle s ao:
LSC = u + 3
_
u
n
i
LC = u
LSC = u 3
_
u
n
i
.
onde u =
(c
1
+c
2
+. . . +c
k
)
(n
1
+n
2
+. . . +n
k
)
, sendo que : c
1
, c
2
, . . . , c
k
representam os n umeros de defeitos
e; n
1
, n
2
, . . . , n
k
representam os tamanhos dos k subgrupos.
Apresentaremos no pr oximo exemplo o procedimento de como calcular e interpretar um
caso onde as amostras tem tamanho vari avel.
Exemplo 8.5. Em uma empresa textil, os tecidos sao tingidos sao inspecionadas para a
ocorrencia de defeitos por 50 metros quadrados. Os dados dos 10 lotes de inspecao estao na
Tabela 8.6. U-saremos estes dados para ajustar uma carta de controle para as nao-conformidades
por unidades.
Tabela 8.6: Dados do Exemplo 8.4
Lote Quantidade de Total de nao N umero de unidades N umero de nao-conformidades
metros quadrados conformidades (c) inspecionadas (n) por unidade ispecionada, u =
c
n
1 500 14 10 1,400
2 400 12 8 1,500
3 650 20 13 1,538
4 500 11 10 1,100
5 475 7 9,5 0,737
6 500 10 10 1,000
7 600 21 12 1,750
8 525 16 10,5 1,524
9 600 19 12 1,583
10 625 23 12,5 1,840
153 107,5 1,42
u =
153
107, 5
= 1, 42.
Note que u equivale a raz ao entre o total de n ao-conformidades em rela cao a n umero total
de inspecoes por unidade. Os limites de controle ser ao calculados individualmente em rela cao
ao tamanho da amostra.
8. Gr acos de Controle por Atributos 191
LSC = u + 3
_
u
n
i
LC = u
LIC = u 3
_
u
n
i
Tabela 8.7: Limites de controle
Lote, i n
i
LSC LIC
1 10 2,550486621 0,289513379
2 8 2,683922466 0,156077534
3 13 2,411502357 0,428497643
4 10 2,550486621 0,289513379
5 9,5 2,5798548 0,2601452
6 10 2,550486621 0,289513379
7 12 2,451988372 0,388011628
8 10,5 2,523241976 0,316758024
9 12 2,451988372 0,388011628
10 12,5 2,431137973 0,408862027
Desta forma, temos na Figura 8.8 a carta de controle para o Exemplo 8.4
Figura 8.8: Carta de controle para o Exemplo 8.4.
8. Gr acos de Controle por Atributos 192

193
Captulo 9
Introducao `a Analise de Capacidade do
Processo
Em todas as atividades, os fornecedores devem satisfazer requerimentos da qualidade
estabelecidos pelos clientes. Para satisfazer esses requerimentos, h a a necessidade de que as
mais signicativas caractersticas da qualidade tenham valores dentro de limites de toler ancia
especicados. O objetivo da An alise de Capacidade e diagnosticar se os processos s ao capazes
de satisfazer os requerimentos dos clientes.
A Capacidade do processo pode ser estabelecida somente quando nenhum fator estranho
contamina o processo, isto e, somente causas naturais de variac ao est ao presentes. Quando
estamos na presenca de causas especiais de variac ao ou quando nao estudamos a estabilidade
do processo, determinamos a performance do processo. Neste sentido, e importante notar
que a Performance do processo n ao e a mesma coisa que capacidade do processo.
Toda An alise de Capacidade do processo deve ser cuidadosamente planejada para responder
as seguintes questoes:
O processo esteve sob controle durante o estudo?
O processo satisfaz as tolerancias estabelecidas? Caso contrario, pode satisfazer essas
toler ancias centrando a media do processo no valor nominal?


E o processo inerentemente capaz de satisfazer as tolerancias especicadas?
Se o processo nao for capaz, e economicamente factvel reduzir a variabilidade do processo?
A An alise de Capacidade do Processo tem por objetivo quanticar as causas comuns de
varia cao e estabelecer o que pode ser esperado do processo no futuro.
9. Introducao ` a An alise de Capacidade do Processo 194
Dois tipos de variabilidade contaminam os processos:
1. A variabilidade natural, tambem chamada de inerente.
2. A variabilidade ao longo do tempo, onde as causas especiais de variabilidade se manifes-
tam.
A Analise de Performance ou desempenho quantica as forma de variabilidade total do
processo, devido a causas comuns e especiais, em rela cao `as toler ancias ou especicac oes.
A seguir apresentamos algumas denic oes b asicas adotadas pela Automotive Industry Ac-
tion Group (AIAG-1995):
1. Variacao total do processo: corresponde a variac ao do processo devido ` as causas
especiais e comuns. Esta variac ao e estimada pelo desvio padr ao amostral, usando todas
as medidas individuais retiradas do processo, isto e,
s =

_
n

i=1
(x
i
x)
2
n 1
,
onde x
i
representa as medidas do processo, x corresponde a media amostral e n o n umero
de medidas obtidas do processo.
2. Variacao inerente ao processo: e a parcela da variacao total devido `as causas
comuns. Esta variacao pode ser estimada atraves dos Gracos de Controle por (R/d
2
) ou
(s/c
4
), entre outros .
3. Capacidade do processo: a amplitude de 6 da variacao inerente ao processo (causas
comuns), para um processo sob controle estatstico, onde e estimado via gr aco de
controle (R/d
2
) ou (s/c
4
), entre outros .
4. Performance do processo: a Amplitude de 6 da variac ao total do processo, onde e
estimado pelo desvio padr ao amostral (s).
5.

Indices de capacidade e performance do processo
(a) C
p
: corresponde a Amplitude das Especicacoes (toler ancias) dividido pela Capaci-
dade do Processo;
9. Introducao ` a An alise de Capacidade do Processo 195
(b) C
pk
: este ndice avalia se o processo esta Centrado. Este corresponde ao menor valor
entre, o Limite Superior de Especicac ao (LSE) menos a Media e a Media menos o
Limite Inferior de Especicac ao (LIE), divido pela Capacidade do Processo;
(c) P
p
: corresponde a Amplitude das Especicac oes (toler ancias) dividido pela perfor-
mance do processo;
(d) P
pk
: este ndice avalia se o processo esta centrado. Este corresponde ao menor
valor entre, o limite superior de especicacao (LSE) menos a media e a media menos
o limite inferior de especicac ao (LIE), dividido pela performance do processo;
Devemos ter muito cuidado com a metodologia utilizada para calcular e apresentar os

Indices
de Capacidade e Performance do processo, pois h a diferencas de denominac oes e enfoques entre
autores na bibliograa.
9.1 Variabilidade a curto prazo e variabilidade a longo
prazo
A Capacidade do Processo descreve o melhor que se pode esperar dele. Neste caso, o
objetivo n ao e avaliar o processo em relac ao `as especicacoes (ou tolerancias), mas sim, sua
variabilidade. Por isso, utilizamos a variabilidade de Curto Prazo.
A variacao a Longo Prazo permite uma avaliac ao do processo com rela cao ` as necessidades
do cliente. A razao de utilizar a variac ao a Longo Prazo e que esta inclui as variac oes devido
a causas especiais e comuns, que podem ocorrer ao longo do processo, como por exemplo,
varia coes devido a diferentes lotes de materia prima.
O desvio padrao para calcular a Capacidade do Processo ou Performance do Processo pode
ser estimado via considerac oes de Curto Prazo ou Longo Prazo, respectivamente. Quando de-
terminamos o ndice de capacidade atraves de um graco X e R, o desvio padr ao estimado via
a variabilidade dentro dos Subgrupos e um estimador da variabilidade a Curto Prazo. En-
quanto, o desvio padrao amostral referente a combinac ao de todas as medidas e uma estimativa
da variabilidade a Longo Prazo do processo.
Por exemplo, dentro de um processo de manufatura, a variabilidade a Curto Prazo n ao
inclui a variabilidade entre lotes de materia prima, entre diferentes operadores, entre outros.
No processo administrativo, a variabilidade a Curto Prazo nao inclui a variabilidade entre os
dias de trabalho, entre diferentes departamentos, entre outros.
9. Introducao ` a An alise de Capacidade do Processo 196
Os

Indices de Capacidade do Processo C
p
e C
pk
utilizam a variabilidade a Curto Prazo,
enquanto que os

Indices P
p
e P
pk
utilizam a variabilidade a Longo Prazo, como estimativa do
desvio padrao.
9.2 Estimativa do desvio padrao
A seguir vamos apresentar diversos metodos para estimar o desvio padr ao, que e parte
fundamental da Capacidade do Processo e Performance do Processo.
Metodo 1: Variabilidade a longo prazo
9. Introducao ` a An alise de Capacidade do Processo 197
A melhor forma de estimarmos esta variabilidade e atraves do desvio padrao amostral,
= s =

_
n

i=1
(x
i
x)
2
n 1
,
onde x
i
representa as medidas do processo, x corresponde a media amostral e n o n umero
de medidas obtidas do processo.
Para ajustarmos o desvio padr ao em rela cao ao vcio, devido ao fato de tomarmos peque-
nas amostras ao longo do tempo (se for o caso), tomamos

ajust
=
s
c
4
(n)
=

_
n

i=1
(x
i
x)
2
n 1
c
4
(n)
,
onde o valor de c
4
e tabelado no Apendice ??. O manual de CEP 2
o
Edic ao (ISOTS
9000) e a norma ISO 21747 nao apresentam correcao do desvio padr ao. Porem, alguns
softwares, como o MINITAB, apresntam a corre cao como opcao.
A seguir s ao analisadas algumas situac oes praticas:
Situac ao 1: Quando os dados s ao obtidos via um gr aco X e R, a estimativa tradi-
cional (R/d
2
) so e v alida se o processo estiver sob controle.
Situac ao 2: Quando retiramos uma amostra de uma populac ao, o desvio padr ao
amostral (s) e a unica forma de estimarmos a variabilidade a Longo Prazo.
Metodo 2: Variabilidade a curto prazo
Tradicionalmente, ao estimar a variabilidade em um gr aco X e R, tem-se
=
R
d
2
,
onde R denota a Media das Amplitudes dos subgrupos e a constante d
2
, tabelada em
Apendice ??, depende do n umero de elementos em cada subgrupo amostral.
Situac ao 1: Quando os dados s ao obtidos por meio de um gr aco X e R, a estimativa
tradicional (R/d
2
), n ao e inuenciada pela variabilidade ocorrida entre os subgrupos.
9. Introducao ` a An alise de Capacidade do Processo 198
Situac ao 2: Quando retira-se uma amostra de uma popula cao, o desvio padr ao
amostral s e a unica forma de estimarmos a variabilidade.
Metodo 3: Variabilidade a curto prazo
Outra maneira de estimar a variabilidade a Curto Prazo e denida por
=
s
c
4
,
onde s representa a media dos desvios padrao amostral dos subgrupos e c
4
representa
uma constante tabelada em Apendice ??.
Metodo 4: Variabilidade a curto prazo
Outro metodo utilizado para estimarmos a variabilidade a Curto Prazo e denida por
=
s
p
c
4
(d)
,
onde s
p
representa o desvio padr ao agrupado (S
pooled
),
s
p
=

_
m

i=1
n
i

j=1
(x
ij
x
i
)
2
m

i=1
(n
i
1)
e
d =
_
m

i=1
n
i
_
m+ 1
e
x
i
=
n
i

j=1
x
ij
n
i
.
Os valores de c
4
(d) e usado com o objetivo de reduzir o vcio da estimativa.
199
Captulo 10

Indices de Capacidade e Performance


do Processo
10.1

Indices de capacidade do processo: C
p
e C
pk
O valor 6 (ou sua estimativa 6 ) nao tem nenhuma relac ao com as especicacoes
estabelecidas para o processo. Por esta razao, o conhecimento da variabilidade inerente (causas
comuns) ao processo fornece somente parte da informac ao necess aria para determinar o quanto
o processo atende `as especicac oes.
Para cumprir mais adequadamente com a func ao de predizer quanto dos produtos do pro-
cesso vao satisfazer `as especicac oes, foi criado o ndice C
p
, chamado

Indice de Capacidade
Potencial do Processo, que consegue relacionar a variabilidade inerente ao processo com suas
especicac oes.
Deniremos as seguintes nota coes:
LSE: Limite superior de engenharia;
LIE: Limite inferior de engenharia;
LIC: Limite inferior de controle;
LSC: Limite superior de controle.
O ndice C
p
e denido, quando os dados seguem uma distribui cao normal, por:
10.

Indices de Capacidade e Performance do Processo 200
C
p
=
Variabilidade Permitida do Processo
Variabilidade Inerente
,
C
p
=
LSE-LIE
6
.
Um processo centrado, isto e, = (1/2)(LIE + LSE) com uma distribui cao (estavel) normal
e com um C
p
= 1, produzir a 0,27 % dos itens fora de especicac ao. Tambem, para um processo
centrado e capaz ( C
p
= 1), os limites de controle de X e de especicac ao estao relacionados
da seguinte forma :
LSC =
LSE

n
LIC =
LIE

n
onde n e o tamanho dos subgrupos racionais no graco de controle. Temos assim que a menos
da constante

n, os dois limites coincidem para processos com C
p
= 1.
Ondice C
p
e uma medida da Capacidade do Processodesde que a dispers ao e relacionada
com os limites de especica cao, porem a locac ao do processo nao e considerada nem na denic ao
nem no calculo do C
p
. Dado que o denominador (6) na denic ao do C
p
e um par ametro,
podemos considerar que o valor C
p
e tambem um par ametro do processo. Assim,

C
p
=
LSE-LIE
6
e, ent ao, uma estatstica que ser a um estimador de C
p
.
Na aplicac ao do ndice C
p
, deve-se tambem levar em conta que muitas vezes os processos
s ao avaliados em experimentos de curta dura cao (PPAP) e realizados sob condic oes especiais:
m aquinas novas, operadores bem treinados, materia prima especialmente preparada, etc. Estas
condic oes fazem com que as opera coes de qualicac ao do processo e as de produ cao corrente
sejam bem diferentes. Estes motivos junto com as considerac oes feitas a respeito da variacao
amostral de

C
p
(ndice observado no processo), levam a maioria das empresas a adotarem,
seguindo a recomendac ao de Juran, o valor C
p
= 1,67 (ou C
p
= 1,33) para an alises de
curto prazo. Este valor da certa garantia de que, quando as causas adicionais de variabilidade
10.

Indices de Capacidade e Performance do Processo 201
atuarem, o C
p
real do processo seja maior ou igual a 1,00. Baseados no mesmo tipo de
argumento, outros autores sugerem um C
p
= 1,5 para a fase de qualicacao em equipamentos
novos.
Em resumo, an alises de Curto Prazo para a qualicacao do processo ou de equipamentos
s ao efetuadas, em geral, sob condicoes que reduzem a variabilidade, fazendo destes estudos
ferramentas importantes na deteccao de grandes causas geradoras de problemas e sua func ao.
Um ndice utilizado por outros autores e empresas, equivalente ao C
p
, e a Raz ao de
Capacidade R
c
, denida como o recproco do C
p
. Em porcentagem o R
c
e dado por:
R
c
= % da especica cao usada
R
c
=
6
LSE-LIE
100%
R
c
=
1
C
p
100%
Para um C
p
= 1,33 corresponde um valor de R
c
= 75%. Naturalmente, quanto menor for
o R
c
de um processo, melhor o seu comportamento.
Ondice C
p
, tal como ele e denido e calculado, n ao leva em conta a locac ao (ou posicao) do
processo. Ele so depende da amplitude do intervalo das especicac oes e da variabilidade inerente
do processo. Como conseq uencia, para um determinado valor do C
p
poderamos ter qualquer
porcentagem de itens fora das especica coes ou defeitos, dependendo do posicionamento do
processo em relac ao aos limites de especicac ao.
Para avaliar mais ecientemente a capacidade do processo foi introduzido, no Jap ao, o
ndice C
pk
, que leva em conta n ao somente a variabilidade do processo como tambem sua
localizac ao com respeito aos limites de especica cao. Antes de entrar na analise do ndice
C
pk
consideremos dois outros ndices que juntos com C
p
e C
pk
formam uma bateria que
revelam diferentes aspectos do processo.
Para o caso em que se trata de especica cao unilateral superior denimos:
CPS =
LSE
3
=
LSE
Variabilidade Inerente
2
.
Analogamente, podemos denir:
CPI =
LIE
3
para processos com toler ancia unilateral inferior.
10.

Indices de Capacidade e Performance do Processo 202
A relac ao entre C
p
e a dupla (CPI, CPS) e dada por,
C
p
=
CPI +CPS
2
.
Observemos que CPI e CPS referem-se a , a media do processo. Uma generalizac ao para
o caso de especicac oes bilaterais ser a o ndice:
C
pk
= mnimo entre CPI e CPS
C
pk
= min(CPI, CPS).
No caso de especica coes bilaterais, o ndice C
pk
permite a avaliacao da capacidade do
processo na pior situac ao possvel. Neste sentido, a utilizac ao do C
pk
determina a estrategia
mais conservadora. Assim, um processo com C
pk
alto oferece garantias de um comportamento
satisfat orio, enquanto a estabilidade seja mantida.
A relacao entre C
p
e C
pk
e denida por
C
pk
= C
p
(1 k),
onde k e o fator que representa o quanto o processo esta centrado,
k =
[m[
(LSE-LIE)/2
,
com m =
LSELIE
2
e o ponto central da especicac ao.
Observemos os ndices de capacidade na gura seguinte
10.

Indices de Capacidade e Performance do Processo 203
Figura 10.1: Graco de ndices de capacidade.
Exemplo 10.1. Considerando um processo sob controle, com as seguintes especicacoes: LSE =
10, 9 , VN = 10,7 e LIE = 10, 5. Supondo que a media amostral do processo e dada por
x = 10, 662, e a amplitude media e R = 0, 2, para um amostra com subgrupos de 3 elementos.
Para vericar a capacidade do processo, primeiramente calcula-se o desvio padrao,
=
R
d
2
=
0, 2
1, 693
= 0, 118.
com
d
2
= 1, 693.
, de acordo com o apendice B.
Para avaliar a pior situa cao, ou seja, aquela em que o processo gera a maior porcentagem
de defeitos calcula-se o C
pk
, da seguinte forma,
10.

Indices de Capacidade e Performance do Processo 204
CPS =
LSE
3
=
10, 9 10, 662
3 0, 118
= 0, 67
CPI =
LIE
3
=
10, 662 10, 5
3 0, 118
= 0, 46
Assim,
C
pk
= min(CPI, CPS) = min(0, 46; 0, 67) = 0, 46.

Exemplo 10.2. Considerando os dados de medicoes do diametro de pinos de um processo sob


controle, com as seguintes especicacoes: LSE = 10, 2 e LIE = 6, 7.
Tabela 10.1: Di ametros dos pinos
Peca n
o
Diametros
1 8,5
2 7,9
3 10
4 8,5
5 8,5
6 8,1
7 9
8 8,3
9 7,3
10 8
11 9,5
12 9
13 10
14 9,2
15 9
16 6,9
17 9,5
18 9,2
19 9,5
20 8,7
10.

Indices de Capacidade e Performance do Processo 205
Primeiramente aplica-se um teste de normalidade para vericar se os dados tem distribuic ao
normal.
Figura 10.2: Papel de Probabilidade para os dados do diametro de pinos.
O gr aco da Figura 10.2 e os resultados do teste de Anderson Darling indicam que os dados
tem distribuicao normal, o que permite calcular a capacidade do processo. Para isso, estima-se
o desvio padr ao da seguinte forma:
=
R
d
2
=
0, 9474
1, 128
= 0, 8399.
com o valor de d
2
= 1, 128 obtido no apendice B
A situac ao em que o processo gera maior porcentagem de defeitos e vericada pelo valor de
C
pk
, que e obtido da seguinte forma:
CPS =
LSE
3
=
10, 2 8, 73
3 0, 8399
= 0, 5834
10.

Indices de Capacidade e Performance do Processo 206
CPI =
LIE
3
=
8, 73 6, 7
3 0, 8399
= 0, 8056
Ent ao, o
C
pk
= min(CPI, CPS) = min(0, 5834; 0, 8056) = 0, 5834.
Figura 10.3: Analise de performance, distribui cao normal.

Verica-se que o processo est a sob controle, porem incapaz, o que indica a necessidade de
ac oes gerenciais.
10.2

Indices de performance do processo : P
p
e P
pk
A equac ao para calcular os ndices P
p
e P
pk
s ao similares aos ndices C
p
e C
pk
. Desta
forma, temos
10.

Indices de Capacidade e Performance do Processo 207
P
p
=
Variabilidade Permitida do Processo
Variabilidade Total
,
P
p
=
LSE-LIE
6
.
Nenhuma quanticac ao com relacao `a localizacao do processo e avaliada. Para o caso em
que se trata de especicacao unilateral superior denimos
PPS =
LSE
3
=
LSE
Variabilidade Total
2
.
Analogamente, podemos denir
PPI =
LIE
3
,
para processos com toler ancia unilateral inferior.
A relac ao entre P
p
e a dupla (PPI, PPS) e dada por:
P
p
=
PPI +PPS
2
.
Observemos que PPI e PPS referem-se a , a media do processo. Uma generalizac ao para
o caso de especicac oes bilaterais ser a o ndice
P
pk
= mnimo entre PPI e PPS,
P
pk
= min(PPI, PPS).
Para os gracos

X e R ou s s ao utilizados como estimativas para a media e como estimativa
para o desvio padr ao amostral,

ajust
=
s
c
4
(n)
=

_
n

i=1
(x
i
x)
2
n 1
c
4
(n)
.
10.

Indices de Capacidade e Performance do Processo 208
10.3 Tratamento de tolerancias unilaterais
Em alguns casos, temos apenas limites superiores ou inferiores de engenharia. Assim,
n ao temos como calcular o ndice C
p
ou P
p
. Nestes casos, o manual de CEP (2
a
Edic ao) propoe
a seguinte estrategia:
Apenas limite Superior
C
pk
= CPS ou P
pk
= PPS;
C
p
ou P
p
: nao se aplicam;
CPI ou PPI: n ao se aplicam;
Apenas limite Inferior
C
pk
= CPI ou P
pk
= PPI;
C
p
ou P
p
: nao se aplicam;
CPS ou PPS: n ao se aplicam;
A seguir, apresentamos alguns exerccios envolvendo os conceitos discutidos acima.
Exemplo 10.3. Calcule o P
pk
para Exemplo 10.1, considere s = 0, 14.
Solucao: Temos que
LSE = 10, 9 , V N = 10, 7 , LIE = 10, 5 e x = 10, 662.
A pior situa cao (aquela em que o processo gera a maior porcentagem de defeitos) e avaliada
pelo P
pk
, ou seja
PPI =
x LIE
3 s
=
10, 662 10, 5
3 0, 14
=
0, 162
0, 42
= 0, 38
PPS =
LSE x
3 s
=
10, 9 10, 662
3 0, 14
=
0, 238
0, 42
= 0, 57
Ent ao, o P
pk
= min(PPI, PPS) = min(0,38 ; 0,57) = 0,38.
10.

Indices de Capacidade e Performance do Processo 209

Exemplo 10.4. Neste exemplo, apresentamos os dados referentes ao controle da distancia


entre dentes de uma engrenagem do cambio. A cada trinta pecas produzidas, a ultima peca foi
levada ao laboratorio para ser medida em uma maquina de medicao por coordenadas.
10.

Indices de Capacidade e Performance do Processo 210
Tabela 10.2: Dados Mercedes-Benz
Data Horario Peca n
o
Diam. Ext. (98,15;98,25)
03/10/07 09:16:47 01 98,212
03/10/07 11:50:33 030 98,230
03/10/07 13:39:07 060 98,218
03/10/07 13:42:14 090 98,215
03/10/07 18:12:52 120 98,216
03/10/07 19:29:54 150 98,220
03/10/07 21:28:47 180 98,219
03/10/07 22:26:35 210 98,216
04/10/07 08:41:10 240 98,207
04/10/07 08:50:53 270 98,208
04/10/07 08:55:51 300 98,216
04/10/07 13:23:37 330 98,215
04/10/07 13:26:14 360 98,192
04/10/07 22:49:48 390 98,193
05/10/07 08:50:18 420 98,171
05/10/07 08:57:52 450 98,186
05/10/07 12:45:56 480 98,187
05/10/07 13:13:10 510 98,197
05/10/07 13:24:35 540 98,191
05/10/07 18:23:46 570 98,198
05/10/07 21:43:05 600 98,187
05/10/07 21:46:40 630 98,199
05/10/07 22:59:42 660 98,192
08/10/07 07:18:23 690 98,207
08/10/07 09:09:06 720 98,210
24/10/07 06:50:06 01 98,209
24/10/07 10:59:44 030 98,193
24/10/07 12:50:13 060 98,204
24/10/07 15:08:16 090 98,202
24/10/07 18:13:40 120 98,222
24/10/07 22:07:46 150 98,214
25/10/07 07:24:32 180 98,204
25/10/07 09:24:54 210 98,166
25/10/07 12:26:39 240 98,168
25/10/07 16:49:41 270 98,169
25/10/07 19:38:17 300 98,175
25/10/07 22:44:45 330 98,175
26/10/07 08:51:41 360 98,191
26/10/07 11:49:26 390 98,190
29/10/07 06:14:28 420 98,181
29/10/07 06:17:54 450 98,179
29/10/07 08:39:19 480 98,187
29/10/07 12:43:09 510 98,192
29/10/07 17:11:26 540 98,208
29/10/07 17:48:53 570 98,195
29/10/07 20:48:24 600 98,196
30/10/07 06:47:31 630 98,176
30/10/07 09:30:37 660 98,186
30/10/07 13:05:12 690 98,194
10.

Indices de Capacidade e Performance do Processo 211
Do apendice, retiramos
d
2
= 1, 128.
Assim, podemos estimar o desvio padr ao por
=
R
d
2
=
0, 0087
1, 128
= 0, 007712.
Os ndices de capacidade do processo sao:
CPS =
LSE
3
=
98, 25 98, 1975
3 0, 007712
= 2, 2692
CPI =
LIE
3
=
98, 1975 98, 15
3 0, 007712
= 2, 0531.
Ent ao,
C
p
=
CPI +CPS
2
=
2, 0531 + 2, 2692
2
= 2, 16115,
C
pk
= min(CPI, CPS) = min(2, 0531; 2, 2692) = 2, 0531.
Para avaliar a pior situa cao, ou seja, aquele em que o processo gera a maior porcentagem
de defeitos calcula-se o valor de P
pk
, com desvio padr ao s = 0,01602,
PPI =
x LIE
3 s
=
98, 1975 98, 15
3 0, 01602
=
0, 0475
0, 04806
= 0, 09883,
PPS =
LSE x
3 s
=
98, 25 98, 1975
3 0, 01602
=
0, 0525
0, 04806
= 1, 0924
Ent ao,
P
p
=
PPI +PPS
2
=
0, 9883 + 1, 0924
2
= 1, 04035,
P
pk
= min(PPI, PPS) = min(0, 9883; 1, 0924) = 0, 9883.
A Figura 10.4 os mostra os resultados gracos referentes aos dados do Exemplo 12.6.
10.

Indices de Capacidade e Performance do Processo 212
Figura 10.4: Analise de performance, distribui cao normal.

213
Captulo 11
Capacidade do Processo e a
Distribuicao Normal Padronizada (Z)
Neste captulo, vamos explorar a normalidade dos dados e os ndices de capacidade do
processo, para calcularmos as probabilidades de pecas fora de especicac ao. Tomamos,
Especicac oes Unilaterais:
Z
LSE
=
LSE

ou Z
LIE
=
LIE

.
Especicac oes Bilaterais:
Z
min
= min(Z
LSE
; Z
LIE
).
Quando o processo esta sob controle estatstico e e normalmente distribudo, os valores de Z
podem ser utilizados para estimar a proporcao de defeituosos (ou, fora de especicac oes). Esta
proporc ao pode ser transformada para uma taxa de defeitos em partes por milhao simplesmente
multiplicando-a por um milhao. Alem disso, a expressao do C
pk
pode ser expressa em termos
de Z, por
C
pk
=
Z
min
3
.
Desta forma, conclumos que Z
min
= 3 implica em C
pk
= 1, se Z
min
= 4 temos C
pk
= 1,33,
se Z
min
= 5 temos C
pk
= 1,67 e se Z
min
= 6 temos C
pk
= 2.
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 214
Para o programa 6 da Motorola um processo atinge o nvel 6 quando C
p
= 2 e C
pk
=
1,5. Este programa permite que a media do processo pode mudar dentro de uma faixa de 1, 5.
Utilizando a relac ao entre C
pk
e Z
min
, observamos que uma variacao de 1, 5 em torno da
media, produz uma diminuic ao de 0,5 no C
pk
em relac ao ao C
p
.
11.1

Indice C
pm
Para tratar adequadamente o problema de localizac ao do processo, Taguchi prop os a
utilizac ao do seguinte ndice,
C
pm
=
LSE-LIE
6
_
( T)
2
+
2
,
onde T corresponde ao valor nominal do processo (alvo). Atraves desta denic ao, observa-se
que
Muita importancia e destinada ao alvo (T);
Pouca importancia e destinada aos limites de especicac ao;
Variacao e expressa em dois componentes, a variacao do processo () e a variacao em
torno do alvo ( - T).
A seguir, vamos ilustrar os metodos de c alculos do Desvio Padr ao para dados seguindo a
distribuic ao normal.
11.2 Aplicacoes
Exemplo 11.1. O conjunto de dados abaixo foram retirados de um processo sob controle es-
tatstico, com as seguintes especicacoes 37 13. (LIE = 24; = 37; LSE = 50).
Tabela do Calculo de Capacidade
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 215
Amostra Leituras Media R DP
1 36 35 34 33 32 34 4 1,58
2 31 31 34 32 30 31,6 4 1,51
3 30 30 32 30 32 30,8 2 1,09
4 32 33 33 32 35 33 3 1,22
5 32 34 37 37 35 35 5 2,12
6 32 32 31 33 33 32,2 2 0,84
7 33 33 36 32 31 33 5 1,87
8 23 33 36 35 36 32,6 13 5,5
9 43 36 35 24 31 33,8 19 6,98
10 36 35 36 41 41 37,8 6 2,95
11 34 38 35 34 38 35,8 4 2,05
12 36 38 39 39 40 38,4 4 1,52
13 36 40 35 26 33 34 14 5,15
14 36 35 37 34 33 35 4 1,58
15 30 37 33 34 35 33,8 7 2,59
16 28 31 33 33 33 31,6 5 2,19
17 33 30 34 33 35 33 5 1,87
18 27 28 29 27 30 28,2 3 1,3
19 35 36 29 27 32 31,8 9 3,83
20 33 35 35 39 36 35,6 6 2,19
Somas 671 124 49,953
Medias 33,55 6.2 2,4977
A seguir, exemplicamos os calculos da capacidade e performance do processo.
Metodo 1: Variabilidade a longo prazo:

ajust
=
s
c
4
(n)
=

_
n

i=1
(x
i
x)
2
n 1
c
4
(n)
=
3, 52874
0, 9975
= 3, 53776.
Com este resultado, obtemos os seguintes ndices de performance
P
p
=
LSE LIE
6
=
50 24
6 (3, 53776)
= 1, 22
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 216
P
pk
= min
_
LSE
3
;
LIE
3
_
P
pk
= min
_
50 33, 55
3 (3, 53776)
;
33, 55 24
3 (3, 53776)
_
P
pk
= min [1, 55 ; 0, 90] = 0, 90.
Calculando o valor de Z
Z
LSE
=
LSE

=
50 33, 55
3, 53776
= 4, 65
Z
LIE
=
LIE

=
24 33, 55
3, 53776
= 2, 699448.
Vamos achar agora o PPM
Total
, que e:
PPM
Total
= PPM
LSE
+ PPM
LIE
.
O PPM
LSE
e a parte de PPM relativo ao LSE, entao para acharmos este valor calculamos:
[1 Valor Acumulado ate 4, 65] 1.000.000,
isto e:
PPM
LSE
= [1 (Z
LSE
)] 1.000.000 = [1 (4, 65)] 1.000.000 = 1, 7,
no qual (x) = P[N(0, 1) x]. O PPM
LIE
e a parte de PPM relativo ao LIE, ent ao
para acharmos este valor calculamos
[Valor Acumulado ate 2, 699448] 1.000.000,
(usamos negativo, pois deseja-se vericar os itens defeituosos menores que o LIE). Por-
tanto,
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 217
PPM
LIE
= (Z
LIE
) 1.000.000 = (2, 699448) 1.000.000 = 3572, 7
PPM
Total
= 1, 7 + 3572, 7 = 3574, 4.

Metodo 2: Variabilidade a curto prazo


Para o Exemplo 11.1, temos que

R = 6, 2, d
2
= 2, 326, com isso
=

R
d
2
=
6, 2
2, 326
= 2, 66552
e os ndices de capacidade do processo s ao
C
p
=
LSE LIE
6
=
50 24
6 (2, 66552)
= 1, 63
C
pk
= min
_
LSE
3
;
LIE
3
_
C
pk
= min
_
50 33, 55
3 (2, 66552)
;
33, 55 24
3 (2, 66552)
_
C
pk
= min [2, 06 ; 1, 19] = 1, 19.
Calculando o valor de Z
Z
LSE
=
LSE

=
50 33, 55
2, 66552
= 6, 17
Z
LIE
=
LIE

=
24 33, 55
2, 66552
= 3, 58.
Calculando agora o PPM
Total
, e com isso,
PPM
LSE
= [1 (Z
LSE
)] 1.000.000 = [1 (6, 17)] 1.000.000 = 0
PPM
LIE
= (Z
LIE
) 1.000.000 = (3, 58) 1.000.000 = 172
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 218
PPM
Total
= 0 + 172 = 172.

Metodo 3: Desvio Padrao Agrupado


s
p
=

_
m

i=1
n
i

j=1
(x
ij
x
i
)
2
m

i=1
(n
i
1)
=
_
702, 4
20 4
= 2, 963106,
d = mn
i
m+ 1 = 20 5 20 + 1 = 81
=
s
p
c
4
(81)
=
2, 963106
0, 9969
= 2, 97238.
Com isso, calculamos os ndices de capacidade do processo
C
p
=
LSE LIE
6
=
50 24
6 (2, 97238)
= 1, 46
C
pk
= min
_
LSE
3
;
LIE
3
_
C
pk
= min
_
50 33, 55
3 (2, 97238)
;
33, 55 24
3 (2, 97238)
_
C
pk
= min [1, 84 ; 1, 07] = 1, 07.
Para Z, obtemos
Z
LSE
=
LSE

=
50 33, 55
2, 97238
= 5, 53.
Z
LIE
=
LIE

=
24 33, 55
2, 97238
= 3, 21.
Calculando agora o PPM
Total
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 219
PPM
LSE
= [1 (Z
LSE
)] 1.000.000 = [1 (5, 53)] 1.000.000 = 0.
PPM
LIE
= (Z
LIE
) 1.000.000 = (3, 21) 1.000.000 = 657.
PPM
Total
= 0 + 657 = 657.

Exemplo 11.2. Neste exemplo, apresentamos os dados referentes ao controle de torque apli-
cado por uma parafusadeira na montagem de chacis de onibus. A cada uma hora, foram ins-
pecionadas cinco pecas com um sensor de torque.
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 220
Tabela 11.1: Dados de torque aplicados a parafusos por uma parafuseira
Sub-grupo Coleta de dados VALORES DETERMINADOS
X1 X2 X3 X4 X5 XM

AX XM

IN R
1 623,00 589,00 618,00 620,00 613,00 612,60 623,00 589,00 34,00
2 618,00 604,00 594,00 618,00 606,00 608,00 618,00 594,00 24,00
3 637,00 584,00 608,00 608,00 608,00 609,00 637,00 584,00 53,00
4 618,00 635,00 618,00 630,00 608,00 621,80 635,00 608,00 27,00
5 587,00 606,00 604,00 616,00 608,00 604,20 616,00 587,00 29,00
6 608,00 601,00 601,00 606,00 580,00 599,20 608,00 580,00 28,00
7 599,00 589,00 664,00 618,00 728,00 639,60 728,00 589,00 139,00
8 584,00 637,00 599,00 628,00 606,00 610,80 637,00 584,00 53,00
9 584,00 606,00 587,00 584,00 620,00 596,20 620,00 584,00 36,00
10 623,00 632,00 604,00 580,00 601,00 608,00 632,00 580,00 52,00
11 589,00 611,00 599,00 592,00 589,00 596,00 611,00 589,00 22,00
12 592,00 726,00 580,00 589,00 618,00 621,00 726,00 580,00 146,00
13 604,00 613,00 599,00 611,00 599,00 605,20 613,00 599,00 14,00
14 611,00 596,00 611,00 580,00 613,00 602,20 613,00 580,00 33,00
15 589,00 709,00 592,00 625,00 687,00 640,40 709,00 589,00 120,00
16 628,00 592,00 608,00 637,00 656,00 624,20 656,00 592,00 64,00
17 606,00 584,00 604,00 592,00 620,00 601,20 620,00 584,00 36,00
18 613,00 604,00 618,00 592,00 584,00 602,20 618,00 584,00 34,00
19 596,00 587,00 613,00 618,00 592,00 601,20 618,00 587,00 31,00
20 581,00 604,00 580,00 611,00 613,00 597,80 613,00 580,00 33,00
21 608,00 623,00 604,00 584,00 606,00 605,00 623,00 584,00 39,00
22 616,00 599,00 616,00 714,00 611,00 631,20 714,00 599,00 115,00
23 632,00 618,00 611,00 584,00 592,00 607,40 632,00 584,00 48,00
24 620,00 587,00 580,00 613,00 608,00 601,60 620,00 580,00 40,00
25 608,00 582,00 599,00 604,00 604,00 599,40 608,00 582,00 26,00
TOTAIS 15245,40 1276,00
Temos que
LIE = 480 e LSE = 720
Veridica-se que este exemplo compreende 25 amostras de tamanho 5.
=
R
d
2
=
51, 04
2, 326
= 21, 9433
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 221
C
p
=
LSE LSI
6
=
720 480
131, 66
= 1, 8229
C
pk
= min
_
LSE X
3
;
X LIE
3
_
C
pk
= min
_
720 609, 816
65, 8299
;
609, 816 480
65, 8299
_
C
pk
= min [1, 6738 ; 1, 9720] = 1, 6738.
A pior situa cao, que e vericada quando o processo gera a maior porcentagem de defeitos e
avaliada pelo P
pk
, com desvio padr ao s = 26,6047,
PPI =
x LIE
3 s
=
609, 816 480
3 26, 6047
=
129, 816
79, 8141
= 1, 6265,
PPS =
LSE x
3 s
=
720 609, 816
3 26, 6047
=
110, 184
79, 8141
= 1, 3805.
Ent ao,
P
p
=
PPI +PPS
2
=
1, 3805 + 1, 6265
2
= 1, 5035,
P
pk
= min(PPI, PPS) = min(1, 3805; 1, 6265) = 1, 3805.
Observemos os gracos X e Amplitude:
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 222
Figura 11.1: Gracos X e amplitude.
Observemos tambem, os papeis de probabilidade, considerando as distribuic oes normal,
exponencial, Weibull e log-normal:
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 223
Figura 11.2: Papel de probabilidade.
Tabela 11.2: An alise de performance, supondo dados normais
Distribuicao Anderson-Darling P-valor
normal 6,704736021 1,59838E-16
exponencial 53,71650559 < 0.005
Weibull 15,49437401 < 0.01
log-normal 5,659530307 5,07449E-14
O gr aco da an alise de performance e os ndices de capacidade e performance do processo
s ao dados a seguir:
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 224
Figura 11.3: Analise de performance, supondo dados normais.
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 225
Tabela 11.3: An alise de performance, supondo dados normais

Indices de performance
PP 1,50349
PPI 1,62648
PPS 1,38051
PPK 1,38051
Potential (WITHIN) capability
CP 1,82283
CPI 1,97194
CPS 1,67372
CPK 1,67372

Indices Observados
PPM > LSE 16000
PPM < LIE 0
PPM Total 16000

Indices Esperados (Overall)


PPM > LSE 17,25087
PPM < LIE 0,53197
PPM Total 17,78283

Indices Esperados (Within)


PPM > LSE 0,25679
PPM < LIE 0,00165
PPM Total 0,25845

Exemplo 11.3. A Tabela 11.4 apresenta dados de grau de brancura de um material enviado
para analise. Neste exemplo, mostra-se os caclulos para avaliar a capacidade e performance do
processo.
Tabela 11.4: Grau de brancura de um material
n Medida n Medida n Medida n Medida n Medida
1 126,54 6 126,80 11 128,94 16 130,57 21 129,55
2 126,64 7 128,74 12 128,96 17 129,02 22 130,35
3 127,03 8 129,20 13 130,78 18 127,55 23 129,40
4 126,66 9 128,34 14 131,89 19 127,59 24 127,08
5 130,01 10 128,27 15 131,17 20 127,11 25 129,31
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 226
Neste caso,
LIE = 123, 25 e LSE = 128, 25
Primeiramente deve-se vericar se os dados possuem distribui cao normal. Para isso, usa-
se, por exemplo, o teste de Andereson-Darling. A Figura 11.4 mostra os resultados do teste
de nomralidade e o gr aco de probabilidade, na qual verica-se que os dados seguem uma
distribuic ao normal.
Figura 11.4: Papel de probabilidade e resultado do teste de Normalidade.
Para o metodo de variabilidade a longo prazo, temos

ajust
=
s
c
4
(n)
=

_
n

i=1
(x
i
x)
2
n 1
c
4
(n)
=
1, 555822
0, 9896
= 1, 572.
e com isso,
P
p
=
LSE LIE
6
=
128, 25 123, 25
6 (1, 572173)
= 0, 530
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 227
P
pk
= min
_
LSE
3
;
LIE
3
_
P
pk
= min
_
128, 25 128, 7
3 (1, 572)
;
123, 25 128, 7
3 (1, 572)
_
P
pk
= min [0, 095 ; 1, 155] = 0, 095.
Calculando o valor de Z
Z
LSE
=
LSE

=
128, 25 128, 70
1, 572
= 0, 286.
Z
LIE
=
LIE

=
123, 25 128, 70
1, 572
= 3, 466.
Calculando o PPM
Total
PPM
LSE
= [1 (Z
LSE
)] 1.000.000 = [1 (0, 286)] 1.000.000 = 612652, 966
PPM
LIE
= (Z
LIE
) 1.000.000 = (3, 466) 1.000.000 = 263, 462.
Assim,
PPM
Total
= PPM
LSE
+ PPM
LIE
= 612652, 966 + 263, 462 = 612916, 4.
Para o metodo de variabilidade a curto prazo:
=

R
d
2
=
1, 165022
1, 128
= 1, 032820974,
em que

R =

25
i=2
[(x
i
x
i1
)[ = 1, 165022.
Com isso, calcula-se os ndices de Capacidade do Processo:
C
p
=
LSE LIE
6
=
128, 25 123, 25
6 (1, 032820974)
= 0, 8068517
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 228
C
pk
= min
_
LSE
3
;
LIE
3
_
C
pk
= min
_
128, 25 128, 70
3 (1, 033169)
;
128, 70 123, 25
3 (1, 032820974)
_
C
pk
= min [0, 1451844 ; 1, 758937] = 0, 1451844.
O valor de Z e obtido da seguinte forma:
Z
LSE
=
LSE

=
128, 25 128, 70
1, 032820974
= 0, 4356999
Z
LIE
=
LIE

=
123, 25 128, 70
1, 032820974
= 5, 27681.
Assim, para encontrar o PPM
Total
calcula-se o
PPM
LSE
= [1 (Z
LSE
)] 1.000.000 = [1 (0, 4356999)] 1.000.000 = 668473, 0713
PPM
LIE
= (Z
LIE
) 1.000.000 = (5, 27681) 1.000.000 = 0, 06572603.
Logo,
PPM
Total
= PPM
LSE
+ PPM
LIE
= 668473, 0713 + 0, 06572603 = 668473, 1.
A amplitude mevel e o gr aco de

X s ao vericados a seguir,
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 229
Figura 11.5: Gracos

X e Amplitude M ovel.
Os resultados gr acos da An alise de Performance do Processo s ao vericados na 11.6.
Figura 11.6: Analise de performance do processo.
11. Capacidade do Processo e a Distribuic ao Normal Padronizada (Z) 230

231
Captulo 12
Analise de Performance do Processo
para Dados Nao Normais
Quando os dados n ao seguem distribuic ao normal temos diversas alternativas para calcu-
lar os ndices de capacidade/performance do processo. A seguir, apresentamos as alternativas:
Aplicar uma transformacao nos dados, para que estes tenham distribui cao normal;
Calcular os ndices atraves de outra distribuic ao de probabilidade que se ajuste aos dados,
em particular, atraves da distribuic ao de Weibull;
Utilizar mistura de distribuic oes;
Utilizar um ndice nao parametrico.
12.1 Modelo normal com a transformacao de Box-Cox
Quando a distribuic ao normal n ao se adequa aos dados, muitas vezes e util aplicar a
transformac ao de Box-Cox para obtermos a normalidade. Considerando X
1
, . . . , X
n
os dados
originais, a transformac ao de Box-Cox consiste em encontrar um tal que os dados trans-
formados Y
1
, . . . , Y
n
se aproximem de uma distribuic ao normal. Esta transforma cao e dada
por
Y
i
=
_

_
ln(X
i
), se = 0,
X

i
1

, se ,= 0,,
12. Analise de Performance do Processo para Dados N ao Normais 232
para i = 1, . . . , n.
Ap os aplicarmos essa transforma cao aos dados, as especicac oes e os par ametros do processo
(media, variabilidade inerente e total) s ao obtidos para os dados transformados, aplicando a
an alise via dados normais. Da mesma forma, os ndices s ao calculados para os dados transfor-
mados com a distribuic ao normal.
Para vericarmos se a transformac ao foi eciente, basta analisarmos a normalidade dos
dados transformados via histograma, papel de probabilidade normal ou teste de normalidade
de Kolmogorov-Smirnov ou Anderson-Darling.
Exemplo 12.1. Os dados deste exemplo sao referentes a um processo em incio de desenvolvi-
mento.Deste processo coletou-se uma amostra com 30 unidades, organizados na Tabela 12.1.
Considerando o Limite Superior de Especicacao = 4, pede-se:
1. Calcular o ndice de performance para o processo com os dados transformados.
2. Calcular a probabilidade de obtermos unidades acima do limite superior de especicacao.
Tabela 12.1: Dados referentes a um processo em desenvolvimento
1,278258 4,47932 2,035204 3,757334 1,985193
0,017442 0,096113 0,992143 5,958947 3,193834
1,763441 1,503284 0,714152 1,973829 4,359103
0,350306 3,618302 1,084793 0,680619 0,645437
0,499543 0,19454 1,195303 0,088677 1,003296
0,009417 1,845016 1,707286 0,360242 0,309148
O teste de normalidade para os dados da Tabela 12.1 indica que eles n ao s ao podem ser
modelados pela distribuic ao normal.
12. Analise de Performance do Processo para Dados N ao Normais 233
Figura 12.1: Teste de Normalidade para os dados do processo em desenvolvimento.
Considerando que os dados da Tabela 12.1 n ao s ao modelados pela distribuic ao normal
pode-se fazer uma uma transformac ao nestes dados. Para isso, calcula-se a media e o desvio
padr ao amostral, da seguinte forma:
x = 1, 59
s = 1, 53.
Com o auxlio de software aplica-se a Tranforma cao de Box-Cox. A Figura 12.2 mostra o
valor de = 0, 3283, para a transformac ao realizada.
12. Analise de Performance do Processo para Dados N ao Normais 234
Figura 12.2: Logaritmo da func ao de verossimilhanca para .
A Tabela 12.2 mostra os dados obtidos pela transformac ao. Os valores da media e desvio
padr ao para os dados transformados s ao x = 0, 08 e s = 1, 24, respectivamente.
Tabela 12.2: Dados transformados
0,255662 1,937336 0,800318 1,657929 0,769029
-2,23985 -1,63421 -0,00788 2,426862 1,41358
0,623524 0,436188 -0,31872 0,761846 1,893027
-0,88741 1,600062 0,082486 -0,36145 -0,40782
-0,62067 -1,26646 0,183727 -1,67105 0,003292
-2,38755 0,678407 0,584744 -0,86749 -0,97419
O gr aco da Figura 12.3 mostra os resultados numericos e gr acos do teste de normalidade,
indicando que a distribuic ao normal e adequada a estes novos dados transformados.
12. Analise de Performance do Processo para Dados N ao Normais 235
Figura 12.3: Teste de Normalidade para os dados transformados.
A mesma transforma cao aplicada aos dados deve ser feita para obter um novo limite superior
para os os dados transformados.
LSE =
4
0,3283
1
0, 3283
= 1, 755577.
Com os dados e os limites transformados pode-se aplicar a an alise discutida no captulo
anterior, para calcular os ndices de Performance do Processo.

12.2 Analise de performance do processo para dados com


distribuicao nao normais
Alem da possibilidade de transformar os dados na tentativa de model a-los por uma
distribuic ao normal e possvel selecionar, por meio do uso do gr aco do papel de probabilidade,
uma distribuic ao que melhor descreva a aleatoriedade dos dados. Esta metodologia e aplicada
para determinar a performance do processo, ou seja, a variabilidade a longo prazo.
12. Analise de Performance do Processo para Dados N ao Normais 236
12.3

Indices de performance do processo : P
p
e P
pk
A equac ao para calcular os ndices P
p
e P
pk
s ao similares aos ndices C
p
e C
pk
. Desta
forma, temos
C alculo do P
p
P
p
=
LSE LIE
q
3
q
1
em que
LSE = Limite Superior de Especicacao
LIE = Limite Inferior de Especicacao
q
1
= Quantil da distribui cao especca com 0,135%
q
3
= Quantil da distribui cao especca com 99,865%
C alculo de PPS e PPI
PPS =
LSE q
2
WS s
; PPI =
q
2
LIE
WI s
em que
WI =
q
2
q
1
s
; WS =
q
3
q
2
s
Assim:
PPS =
LSE q
2
WS s
=
LSE q
2
_
q
3
q
2
s
_
s
=
LSE q
2
q
3
q
2
PPI =
q
2
LIE
WI s
=
q
2
LIE
_
q
2
q
1
s
_
s
=
q
2
LIE
q
2
q
1
em que
q
2
= Quantil da especca distribuic ao com 50% (equivalente ao valor correspondente ` a
mediana dos dados).
Desta forma garantimos o nvel de conanca desejado (99,73% = 6) com WI e WS
correspondendo ao valor 3 da distribuic ao normal.
12. Analise de Performance do Processo para Dados N ao Normais 237
C alculo de P
pk
P
pk
= min(PPS; PPI).

Indices de performance esperados a longo prazo


C alculo PPM
LIE
< LIE
O n umero esperado de partes por milh ao que tem observac oes menores que o limite inferior
de especicacao e dado por:
PPM
LIE
< LIE = 1.000.000 q
LIE
em que
q
LIE
= Percentil da especca distribuicao relativo ao limite inferior de especicac ao
(LIE).
C alculo de PPM
LSE
> LSE
O n umero esperado de partes por milhao que tem observac oes maiores que o limite supe-
rior de especica cao e dado por:
PPM
LSE
> LSE = 1.000.000 (1 q
LSE
)
em que
q
LSE
= Quantil da especca distribuicao relativo ao limite superior de especicacao
(LSE).
C alculo de PPM
Total
PPM
Total
= [PPM
LIE
< LIE] + [PPM
LSE
> LSE].

Indices de performance observados


C alculo de PPM
Obs
< LIE
A proporc ao do total de observac oes menores que o limite inferior de especicac ao, mul-
tiplicada por 1.000.000 e dada por:
PPM
Obs
< LIE =
_
Qtde. de Obs. < LIE
n
_
1.000.000
12. Analise de Performance do Processo para Dados N ao Normais 238
C alculo de PPM
Obs
> LSE
A proporc ao do total de observac oes maiores que o limite superior de especicac ao, mul-
tiplicada por 1.000.000 e dada por:
PPM
Obs
> LSE =
_
Qtde. de Obs. > LSE
n
_
1.000.000
C alculo de PPM
Obs Total
PPM
Obs Total
= [PPM
Obs
< LIE] + [PPM
Obs
> LSE].
12.4 Analise de performance do processo com a distribuicao
de Weibull
Temos que a func ao densidade de probabilidade da distribuicao de Weibull e dada por
f(t) =

t
1
exp[(t/)

], t 0, (12.1)
em que
: parametro de escala;
: parametro de forma.
A funcao densidade de probabilidade pode ser observada na gura a seguir
12. Analise de Performance do Processo para Dados N ao Normais 239
Figura 12.4: Graco da func ao densidade da distribuic ao Weibull.
Sabemos tambem que
Media = MTTF=MTBF=E[T] =
_
1 +
_
1

__
,
e
V ar[T] =
2
[1 + (2/)] ([1 + (1/)])
2

em que (r) =
_

0
r
1
e
r
dr. Com isso, o desvio padrao (s) sera dado por:
s =
_
V ar[T].
Exemplo 12.2. A utilizacao da distribuicao de Weibull prmite clacular calcula-se apenas a
variabilidade a longo prazo e conseq uentemente, os ndices P
p
, P
p
k, PPS, e PPI. O calculo
destes indices de performance, diferentemente da distribuicao normal, que depende da media e
desvio padrao, para a Weibull e preciso conhecer as estimativas de maxima verossimilhanca dos
parametros de forma () e locacao () da distribuicao de Weibull. Os dados da Tabela 12.3sao
usados para exemplicar esta situacao.
12. Analise de Performance do Processo para Dados N ao Normais 240
Tabela 12.3: Dados
Medic oes
0,20 0,30 0,57 0,56 0,20
0,16 1,19 0,42 0,96 0,05
0,24 0,46 0,91 0,11 0,63
0,56 0,12 0,79 0,85 0,53
0,34 0,50 0,51 0,37 0,60
0,33 0,46 0,67 0,8 0,21
0,35 0,69 0,7 0,52 0,29
0,20 0,11 0,19 0,17 0,41
0,28 0,32 0,22 0,58 0,43
0,81 0,28 0,62 0,15 0,75
O graco do Papel de Probabilidade da Figura 12.5 indica que os dados podem ser modelados
pela distribuicao de Weibull, pois os pontos est ao dispostos proximos a reta.
Figura 12.5: Graco de Papel de Probabilidade
12. Analise de Performance do Processo para Dados N ao Normais 241
Os resultados do teste de Anderson Darling apresentados na Tabela conrmam os resultados
gr acos da Figura 12.5, que indicam a distribuicao de Weibull para modelar os dados.
Tabela 12.4: Teste de Anderson-Darling
Distribuicao Anderson-Darling P-valor
normal 0,565674933 0,13573552
exponencial 3,890670021 < 0.005
Weibull 0,223076416 > 0.2501
log-normal 0,589049871 0,11799641
As estimativas dos par ametros da Distribuicao Weibull s ao:
= 0, 51143 e

= 1, 84754.
Desta forma,
E[T] = 0, 51143
_
1 +
_
1
1, 84754
__
= 0, 51143 0, 88826
= 0, 4543.
Variabilidade a longo prazo e dada por:
V ar[T] =
2
[1 + (2/)] ([1 + (1/)])
2

= (0, 51143)
2
_

_
1 +
_
2
1, 84754
__

_
1 +
_
1
1, 84754
___
2
_
= 0, 261561, 037738 (0, 88826)
2

= 0, 06506.
O desvio padr ao (s) e dado por:
s =
_
0, 06506 = 0, 25506
Aa Figura 12.6 apresenta o graco de performance para este exemplo. Em seguida, encontram-
se os ndices de performance para LSE = 1, 1 e LIE = 0, 045.
12. Analise de Performance do Processo para Dados N ao Normais 242
Figura 12.6: Analise de performance do processo.
C alculo do P
p
P
p
=
LSE LIE
q
3
q
1
em que LSE = Limite Superior de Especicacao
LIE = Limite Inferior de Especicacao
q
1
= Quantil da Distribui cao Weibull com 0,135%
q
3
= Quantil da Distribui cao Weibull com 99,865%
Assim:
P
p
=
1, 1 0, 045
1, 421 0, 0143
= 0, 75.
C alculo de PPS e PPI
PPS =
LSE q
2
WS s
PPI =
q
2
LIE
WI s
em que q
2
= Quantil da Distribui cao Weibull com 50% (equivalente ao valor correspon-
dente ` a mediana dos dados).
12. Analise de Performance do Processo para Dados N ao Normais 243
WI =
q
2
q
1
s
WS =
q
3
q
2
s
Assim:
WI =
0, 4194 0, 0143
0, 25506
= 1, 5881 WS =
1, 4211 0, 4194
0, 25506
= 3, 9274
PPS =
1, 1 0, 4194
3, 9274 0, 25506
= 0, 68 PPI =
0, 4194 0, 045
1, 5881 0, 25506
= 0, 92
C alculo de P
pk
P
pk
= min(PPS; PPI) = min(0, 68; 0, 92) = 0, 68.
C alculo PPM < LIE e PPM > LSE esperados
PPM
LIE
< LIE = 1.000.000q
LIE
PPM
LSE
> LSE = 1.000.000(1q
LSE
)
em que
q
LIE
= Quantil da Distribui cao Weibull relativo ao LIE.
q
LSE
= Quantil da Distribui cao Weibull relativo ao LSE.
Assim:
PPM
LIE
< LIE = 1.000.000 0, 01115141 = 11151, 41
PPM
LSE
> LSE = 1.000.000 0, 01630589 = 16305, 89
PPM
Total
= 16305, 89 + 11151, 41 = 27457, 3.
C alculo de (PPM < LIE) e (PPM > LSE) observados
PPM
Obs
< LIE = Proporcao observada de dados menores que o LIE 1.000.000
=
_
Qtde. de Obs. < LIE
n
_
1.000.000 =
0
50
1.000.000 = 0.
12. Analise de Performance do Processo para Dados N ao Normais 244
PPM
Obs
> LSE = Proporcao observada de dados maiores que o LSE 1.000.000
=
_
Qtde. de Obs. > LSE
n
_
1.000.000 =
1
50
1.000.000 = 20.000.
PPM
Obs Total
= [PPM
Obs
< LIE] + [PPM
Obs
> LSE] = 20.000.

Exemplo 12.3. A Tabela 12.5 apresenta dados de gramatura em g/m


2
de uma folha de papel.
As especicacoes para estes dados sao LSE = 92, 88, Alvo = 90, 21 e LIE = 87, 54.
Tabela 12.5: Gramatura (g/m
2
)
88,20 90,20 91,30 90,10 90,70
88,90 91,20 90,20 90,80 89,50
90,50 91,00 91,40 91,40 91,20
90,30 91,50 89,90 91,30 90,50
90,00 91,40 90,20 89,00 90,60
O gr aco da Figura 12.7 indica que a distribuicao Weibull e a que melhor se ajusta aos
dados de gramatura de papel.
Figura 12.7: Gracos de papel de probabilidade para os dados de gramatura de papel.
12. Analise de Performance do Processo para Dados N ao Normais 245
Os valores numericos do teste de Anderson-Darling vericados na Tabela 12.6 conrmam o
resultado gr aco observado na Figura 12.7 de que a distribuic ao de Weibull melhor se ajusta
aos dados de gramatura de papel.
Tabela 12.6: Teste de Anderson-Darling para os dados de gramatura de papel.
Distribuicao Anderson-Darling P-valor
normal 0,640592272 0,083896865
exponencial 11,53365505 < 0.005
Weibull 0,490855524 > 0.25
log-normal 0,654813343 0,077172124
Assim, as estimativas dos par ametros da Distribuic ao de Weibull sao obtidas da seguinte
forma:
= 90, 8380 e

= 140, 329.
Desta forma,
E(T) =
_
1 +
_
1

__
= 90, 838
_
1 +
_
1
140, 329
__
= 90, 468,
A variabilidade a longo prazo e dada por:
V ar[T] =
2
[1 + (2/)] ([1 + (1/)])
2

= (90, 8380)
2
_

_
1 +
_
2
140, 329
__

_
1 +
_
1
140, 329
___
2
_
=
= 0, 6766628.
O desvio padr ao (s) vale
s =
_
0, 6766628 = 0, 8225951.
O gr aco da Figura 12.8 ilustra a an alise da performance do processo dos dados de gramatura
de papel.
12. Analise de Performance do Processo para Dados N ao Normais 246
Figura 12.8: Analise de performance do processo.
Os ndices de performance do processo s ao dados por:
C alculo de P
p
P
p
=
LSE LIE
q
3
q
1
=
92, 88 87, 54
92, 069 86, 66029
= 0, 9873786.
C alculo de PPS e PPI
PPS =
LSE q
2
q
3
q
2
=
92, 88 90, 60106
92, 06855 90, 60106
= 1, 552.
PPI =
q
2
LIE
q
2
q
1
=
90, 60106 87, 54
90, 60106 86, 66029
= 0, 776.
C alculo de P
pk
P
pk
= min(PPS; PPI) = min(1, 552; 0, 776) = 0, 776.
C alculo de PPM < LIE e PPM > LSE esperados
PPM
LIE
< LIE = 1.000.000 0.005558515 = 5558, 515
12. Analise de Performance do Processo para Dados N ao Normais 247
PPM
LSE
> LSE = 1.000.000 0, 01630589 = 0, 0001474505
PPM
Total
= 5558, 515 + 0, 0001474505 = 5558, 5151474505.
C alculo de (PPM < LIE) e (PPM > LSE) observados
PPM
Obs
< LIE =
_
Qtde. de Obs. < LIE
n
_
1.000.000 =
0
25
1.000.000 = 0.
PPM
Obs
> LSE =
_
Qtde. de Obs. > LSE
n
_
1.000.000 =
0
25
1.000.000 = 0
PPM
Obs Total
= [PPM
Obs
< LIE] + [PPM
Obs
> LSE] = 0.
A analise descrita acima busca uma distribuic ao de probabilidade que melhor se ajuste
aos dados. Quando estes procedimentos n ao sao realizados e os dados s ao assumidos com
distribuic ao normal, os resultados obtidos para os ndices s ao diferentes. A Tabela 12.7 faz uma
comparac ao ilustrativa dos ndices, caso fosse asssumida distribuicao normal para os dados de
gramatura de papel, com a suposic ao de ditribui cao de Weibull.
Tabela 12.7:

Indices calculados supondo distribuic ao normal
ndice normal Weibull
P
p
1,011 0,987
PPI 1,103 0,776
PPS 0,919 1,552
P
pk
0,919 0,776

12.5 Analise de performance do processo com a distribuicao


exponencial
Temos que a funcao densidade de probabilidade da distribuic ao exponencial e dada por
f(t) =
1

e
t/
para todo t > 0,
12. Analise de Performance do Processo para Dados N ao Normais 248
sendo > 0 denominado o parametro da distribuicao. Assim, temos que a func ao de dis-
tribuic ao acumulada e dada por
F(t) = P[T t] =
_
t
0
1

e
x/
dx = 1 e
t/
para todo t > 0.
com
E[T] = e V ar[T] =
2
.
A fun cao densidade de probabilidade da distribui cao exponencial pode ser observada na
Figura 12.9.
Figura 12.9: Densidade de probabilidade da exponencial com = 100.
Exemplo 12.4. Os dados da Tabela 12.8 sao usados exemplicar uma analise de performance
para dados com distribuicao exponencial.
12. Analise de Performance do Processo para Dados N ao Normais 249
Tabela 12.8: Dados Medidos
0,106 0,012 0,039 0,009 0,023
0,007 0,015 0,036 0,007 0,017
0,007 0,011 0,087 0,049 0,03
0,014 0,002 0,075 0,094 0,201
0,052 0,02 0,008 0,003 0,011
0,058 0,292 0,04 0,036 0,055
0,003 0,059 0,206 0,101 0,055
0,03 0,04 0,002 0,047 0,08
0,03 0,016 0,114 0,002 0,002
0,041 0,023 0,052 0,114 0,005
Verica-se pela Figura 12.10 que a distribuicao exponencial se ajusta aos dados da Tabela
12.8.
Figura 12.10: Papel de probabilidade.
Os resultados do teste de Anderson-Darling vericados na Tabela 12.9 indica que estes dados
12. Analise de Performance do Processo para Dados N ao Normais 250
podem ser modelados tanto pela distribuic ao exponencial, Weibull e log-normal. Porem, este
exemplo ilustra o calculo dos ndices de performance para dados com distribuic ao exponencial,
vamos assumir que os dados sao modelados por ela.
Tabela 12.9: Teste de Anderson-Darling.
Distribuicao Anderson-Darling P-valor
normal 3,681918224 2,5166E-09
exponencial 0,584033732 >0,15001
Weibull 0,271318489 >0,25001
log-normal 0,58761443 0,119020976
Os valores especicados para os limites de controle s ao: LSE = 0, 3 e LIE = 0, 0015.
Desta forma,
E[T] =
1
x
= 20, 508
E[T] =
1
0, 04876
= 20, 508.
Variabilidade a longo prazo:
V ar[T] =
_
1
x
_
2
=
_
1
0, 04876
_
2
= 420, 603.
O desvio padr ao (s) e dado por:
s =
_
420, 603 = 20, 508.
O gr aco da Figura 12.11 ilustra a analise da performance do processo para dados com
distribuic ao exponencial.
12. Analise de Performance do Processo para Dados N ao Normais 251
Figura 12.11: Analise de performance do processo.
Os ndices de performance do processo para dados com distribui cao exponencial s ao calcu-
lados da seguinte forma:
C alculo de P
p
P
p
=
LSE LIE
q
3
q
1
em que LIE e LSE j a foram denidos anteriormente, e
q
1
= Quantil da distribui cao exponencial com 0,135%
q
3
= Quantil da distribui cao exponencial com 99,865%
Assim:
P
p
=
0, 3 0, 0015
0, 32218 0, 0000658
= 0, 9266.
C alculo de PPS e PPI
PPS =
LSE q
2
WS s
PPI =
q
2
LIE
WI s
em que q
2
= Quantil da distribui cao exponencial com 50% (equivalente ao valor cor-
respondente `a mediana dos dados).
12. Analise de Performance do Processo para Dados N ao Normais 252
WI =
q
2
q
1
s
WS =
q
3
q
2
s
Assim:
WI =
0, 033797 0, 0000658
20, 508
= 0, 001644 WS =
0, 32218 0, 033797
20, 508
= 0, 01406.
PPS =
0, 3 0, 033797
0, 01406 20, 508
= 0, 92305 PPI =
0, 033797 0, 0015
0, 001644 20, 508
= 0, 95748.
C alculo de P
pk
P
pk
= min(PPS; PPI) = min(0, 92; 0, 96) = 0, 92.
C alculo (PPM < LIE) e (PPM > LSE) esperados
PPM
LIE
< LIE = 1.000.000q
LIE
PPM
LSE
> LSE = 1.000.000(1q
LSE
)
em que q
LIE
= Quantil da distribui cao exponencial relativo ao LIE
q
LSE
= Quantil da distribui cao exponencial relativo ao LSE
Assim:
PPM
LIE
< LIE = 1.000.000 0, 03029456 = 30294, 56
PPM
LSE
> LSE = 1.000.000 0, 002127976 = 2127, 976
e
PPM
Total
= 30294, 56 + 2127, 976 = 32422, 536.
C alculo de (PPM < LIE) e (PPM > LSE) observados
PPM
Obs
< LIE = Proporcao observada de dados menores que o LIE 1.000.000
=
_
Qtde. de Obs. < LIE
n
_
1.000.000 =
0
50
1.000.000 = 0.
12. Analise de Performance do Processo para Dados N ao Normais 253
PPM
Obs
> LSE = Proporcao observada de dados maiores que o LSE 1.000.000
=
_
Qtde. de Obs. > LSE
n
_
1.000.000 =
0
50
1.000.000 = 0.
PPM
Obs Total
= [PPM
Obs
< LIE] + [PPM
Obs
> LSE] = 0.

12.6 Analise de Performance do processo com a distribuicao


log-normal
Assim como a distribuic ao de Weibull, a distribuicao log-normal e muito usada para
carac-terizar tempo de vida de produtos e materiais. Isto inclui, fadiga de metal, semicondu-
tores, diodos e isolac ao eletrica. A func ao de densidade para uma distribuic ao log-normal e
dada por
f(t) =
1
t

2
exp
_
(log(t) )
2
2
2
_
, t 0 (12.2)
em que
e a media do logaritmo;
e o desvio-padrao do logaritmo.
A funcao densidade de probabilidade pode ser observada na gura a seguir
12. Analise de Performance do Processo para Dados N ao Normais 254
Figura 12.12: Graco da func ao densidade da distribuic ao log-normal.
Existe uma relacao entre a distribuic ao log-normal e normal. Como o nome sugere, o
logaritmo de uma variavel com distribuic ao log-normal com parametros e tem distribuic ao
normal com media e desvio-padr ao . Esta relac ao signica que dados provenientes de uma
distribuic ao log-normal podem ser analisados segundo uma distribuic ao normal, caso sejam
usados o logaritmo dos dados ao inves dos valores originais.
Exemplo 12.5. Os dados da Tabela 12.10 sao usados exemplicar uma analise de performance
para dados com distribuicao log-normal.
12. Analise de Performance do Processo para Dados N ao Normais 255
Tabela 12.10: Medic oes
24,23 323,44 61,65 8,61 3556,16
62,55 115,35 1865 127,5 59,75
193,35 91,44 199,21 309,33 10,53
79,59 31,2 79,02 17,11 92,9
149,88 272,17 58,15 2300,26 217,09
733,15 59,6 691,09 244,52 115,66
514,14 9,98 42,43 7,68 425,71
238,75 85,78 51,42 83,97 296,95
222,57 29,01 342,19 45,33 867,67
363,23 593,02 138,81 520,4 161,08
A Figura 12.13 indica que a distribuic ao log-nomal e a distribuicao que melhor modela os
dados da Tabela 12.10. Os resultados do teste de Anderson-Darling sao mostrados na Tabela
12.11.
Figura 12.13: Papel de Probabilidade
12. Analise de Performance do Processo para Dados N ao Normais 256
Tabela 12.11: Teste de Anderson-Darling.
Distribuicao Anderson-Darling P-valor
normal 8,123835227 4,46329E-20
exponencial 3,913767918 <0,005
Weibull 0,769513479 >0,05
log-normal 0,172460262 0,924499739
Como o p-valor para o teste de Anderson-Darling referente a distribui cao log-nomal (0.924)
e maior que 0,05, pode-se dizer que os dados s ao modelados por esta distribuicao.
As estimativas dos par aemtros da distribuic ao log-normal s ao:
= Media(log(dados)) = 4, 8975
e
=
_
var(log(dados)) = 1, 4032.
Assim
E[T] = exp
_
+
_

2
2
__
= exp
_
4, 8975 +
_
1, 9692
2
__
= 358, 5861.
A variabilidade a longo prazo e dada por:
V ar[T] = exp(((2 ) +
2
)) (exp(
2
) 1)
= 128584 6, 165012
= 792721, 9.
O desvio padr ao vale
s =
_
792721, 9 = 890, 927.
O graco da performance do processo e vericado na Figura 12.14.
12. Analise de Performance do Processo para Dados N ao Normais 257
Figura 12.14: Analise de performance do processo.
Os valores dos ndices de performance para os dados da Tabela 12.10 e considerando LSE =
3000 e LIE = 30 s ao obtidos da seguinte forma,
C alculo de P
p
P
p
=
LSE LIE
q
3
q
1
q
1
= Quantil da distribui cao log-normal com 0,135%
q
3
= Quantil da distribui cao log-normal com 99,865%
Assim:
P
p
=
3000 30
9021, 697 1, 9892
= 0, 3292.
C alculo de PPS e PPI
PPS =
LSE q
2
WS s
PPI =
q
2
LIE
WI s
em que q
2
= Quantil da distribuic ao log-normal com 50% (equivalente ao valor cor-
respondente `a mediana dos dados).
12. Analise de Performance do Processo para Dados N ao Normais 258
WI =
q
2
q
1
s
WS =
q
3
q
2
s
Assim:
WI =
133, 963 1, 9892
890, 3494
= 0, 14822 WS =
9021, 697 133, 963
890, 3494
= 9, 9823.
PPS =
3000 133, 963
9, 9823 890, 3494
= 0, 3224 PPI =
133, 963 30
0, 14822 890, 3494
= 0, 7877
C alculo de P
pk
P
pk
= min(PPS; PPI) = min(0, 32; 0, 79) = 0, 32.
C alculo (PPM < LIE) e (PPM > LSE) esperados
PPM
LIE
< LIE = 1.000.000q
LIE
PPM
LSE
> LSE = 1.000.000(1q
LSE
)
em que q
LIE
= Quantil da distribui cao log-normal relativo ao LIE
q
LSE
= Quantil da distribui cao log-normal relativo ao LSE
Assim:
PPM
LIE
< LIE = 1.000.000 0, 1431370 = 143137
PPM
LSE
> LSE = 1.000.000 0, 01336716 = 13367, 16
e
PPM
Total
= 143137 + 13367, 16 = 156504, 16.
C alculo de (PPM < LIE) e (PPM > LSE) observados
12. Analise de Performance do Processo para Dados N ao Normais 259
PPM
Obs
< LIE = Proporcao observada de dados menores que o LIE 1.000.000
=
_
Qtde. de Obs. < LIE
n
_
1.000.000 =
7
50
1.000.000 = 140.000.
PPM
Obs
> LSE = Proporcao observada de dados maiores que o LSE 1.000.000
=
_
Qtde. de Obs. > LSE
n
_
1.000.000 =
1
50
1.000.000 = 20.000.
PPM
Obs Total
= [PPM
Obs
< LIE] + [PPM
Obs
> LSE] = 140.000 + 20.000 = 160.000.
12.7 Analise de performance nao parametrica
Algumas vezes, temos dados que nao se encaixam em nenhuma distribuic ao conhecida
(por exemplo, normal, Weibull, exponencial), neste caso, chamamos esses dados de n ao Parametricos.
12.7.1 Famlia de Pearson
Pearson (1895) prop os uma famlia de distribuic oes cuja funcao densidade de probabili-
dade f satisfaz a seguinte equa cao diferencial
1
f
f
x
=
a +x
c
0
+c
1
x +c
2
x
2
onde
c
0
, c
1
, c
2
e a s ao par ametros;
f(x) 0;

f(x)dx = 1.
Se c
1
= c
2
= 0, temos
1
f
f(x)
x
=
x +a
c
.
Ent ao,
f(x) = k exp
_

(x +a)
2
2c
0
_
,
12. Analise de Performance do Processo para Dados N ao Normais 260
onde
k =

2c
0
; c
0
> 0;
distribuic ao normal com = a e
2
= c
0
.
Ajuste dos parametros
: media;
: desvio padr ao;

1
: coeciente de assimetria

1
= E
_
x

_
3
;

2
: coeciente de curtosis

2
= E
_
x

_
4
3.
Relacao dos parametros com os momentos
a = +

1
(
2
+ 6)
12
2
1
10
2
12
;
c
0
=

2
(3
2
1
2
2
) +
1
(
2
+ 6) +
2
(3
2
1
4
2
12)
12
2
1
10
2
12
;
c
1
=

1
(
2
+ 6) + 2(3
2
1
2
2
)
12
2
1
+ 10
2
12
;
c
2
=
3
2
1
2
2
12
2
1
+ 10
2
12
.
Quando estamos trabalhando com dados nao parametricos, n ao e possvel calcular os ndices
de performance usando uma distribuic ao conhecida. John Clements, em 1989, prop os uma nova
forma de calcular estes ndices.
12. Analise de Performance do Processo para Dados N ao Normais 261
12.7.2 Calculo dendice de performance nao parametrica (Clements)
Neste metodo temos que calcular a Media (X), Desvio Padr ao (s), Coeciente de As-
simetria (Sk) e Coeciente de Curtose (Ku). Os c alculos dos P
p
, P
pk
, PPI e PPS, sao
praticamente iguais:
C alculo do Coeciente de Assimetria (Sk)
Sk =

[(x
i
x)/s]
3
n
,
C alculo do Coeciente de Curtose (Ku)
Ku =

[(x
i
x)/s]
4
n
3
P
p
=
LSE LIE
q
3
q
1
PPI =
q
2
LIE
q
2
q
1
PPS =
LSE q
2
q
3
q
2
P
pk
= min(PPS, PPI)
em que
q
1
= X s q

1
q
2
= X +s q

2
q
3
= X +s q

3
q

1
= Se o valor do Coeciente de Assimetria for positivo use a Tabela ?? do Apendice ??,
se o valor do Coeciente de Assimetria for negativo use a Tabela ?? do Apendice ??.
q

2
= Se o valor do Coeciente de Assimetria for positivo inverter o sinal do valor da Tabela
?? do Apendice ??, se o valor do Coeciente de Assimetria for negativo use a Tabela ?? do
Apendice ??.
q

3
= Se o valor do Coeciente de Assimetria for positivo use a Tabela ?? do Apendice ??,
se o valor do Coeciente de Assimetria for negativo use a Tabela ?? do Apendice ??.
12. Analise de Performance do Processo para Dados N ao Normais 262
Exemplo 12.6. Considerando os dados da Tabela 12.12. Avaliar a Performance do processo
para LSE = 2, 70, Alvo = 2, 20, LIE = 1, 7 e n = 200.
Tabela 12.12: Dados para analise de performance do processo - Clements
2,40 2,06 2,20 2,06 2,35 2,20 2,33 2,35 2,15 2,04
2,11 2,25 1,94 2,07 2,22 2,15 2,40 2,57 1,92 2,26
2,34 2,07 2,05 2,46 2,06 2,08 2,55 2,17 2,03 2,20
2,13 2,60 2,53 2,41 2,36 2,22 2,38 2,10 2,22 2,08
2,37 2,06 2,36 2,49 2,16 2,29 2,16 2,40 2,29 2,25
1,95 2,39 2,09 2,12 2,06 2,42 2,07 2,42 2,39 1,94
2,17 2,25 1,98 2,12 2,57 2,59 2,02 2,06 1,96 2,20
2,51 1,94 2,30 2,37 2,29 1,98 2,35 2,02 2,01 2,08
1,96 2,22 2,10 2,04 2,19 2,35 1,85 2,16 1,96 2,33
2,02 2,34 1,99 2,23 2,37 2,04 2,60 2,27 2,12 2,29
2,17 2,60 1,93 2,05 2,37 1,91 2,17 2,16 2,16 2,42
1,97 2,49 2,03 2,07 2,19 2,17 2,50 2,08 2,30 1,99
2,34 2,40 2,30 2,12 1,99 2,03 2,04 1,99 2,00 2,10
2,06 1,96 2,08 2,11 2,15 2,00 2,15 2,53 2,20 2,17
2,48 1,99 2,13 2,38 2,16 2,30 2,00 2,59 2,36 2,25
2,18 2,02 2,27 2,35 1,98 2,08 2,41 2,19 2,05 2,12
2,10 2,13 2,31 2,00 2,07 2,53 2,33 2,12 2,28 2,25
2,08 2,09 2,48 2,16 2,30 1,98 1,74 2,34 2,30 2,43
2,15 2,41 2,24 2,13 2,14 2,10 2,28 2,10 2,10 2,32
2,32 2,11 2,32 2,33 1,94 1,99 2,10 2,66 2,12 2,17
Calculando a media X
X =
2, 40 + 2, 06 +. . . + 2, 33 + 2, 12
200
=
439, 74
200
= 2, 20.
12. Analise de Performance do Processo para Dados N ao Normais 263
Calculando o desvio padr ao (s)
s =
_
(2, 40 2, 20)
2
+ + (2, 12 2, 20)
2
200 1
=
_
6, 342
199
=
_
0, 0318 = 0, 178.
Calculando o coeciente de Assimetria (Sk)
Sk =
_
(2,402,20)
0,178
_
3
+ +
_
(2,122,20)
0,178
_
3
200
=
78, 203
200
= 0, 391.
Calculando o Coeciente de Curtose (Ku)
Ku =
_
(2,402,20)
0,178
_
4
+ +
_
(2,122,20)
0,178
_
4
200
3
=
501, 2369
200
3 = 0, 494.
Para Sk = 0, 4 e Ku = 0, 4 obtemos
q

1
= 1,930, que corresponde ao percentil 0,135 da curva de Pearson, ver Tabela ?? do
apendice ??;
q

2
= -0,091, que corresponde ao percentil 0,50 da curva de Pearson, ver Tabela ?? do
apendice ??;
q

3
= 2,969, que corresponde ao percentil 99,865 da curva de Pearson, ver Tabela ?? do
apendice ??.
Assim, calculamos os valores de q
1
, q
2
e q
3
.
q
1
= X s q

1
= 2, 20 0, 178 (1, 930) = 1, 854
q
2
= X +s q

2
= 2, 20 + 0, 178 (0, 091) = 2, 182
q
3
= X +s q

3
= 2, 20 + 0, 178 (2, 969) = 2, 728.
12. Analise de Performance do Processo para Dados N ao Normais 264
P
p
=
2, 70 1, 7
2, 728720 1, 854160
= 1, 14.
PPI =
2, 182455 1, 70
2, 182 1, 854
= 1, 469
PPS =
2, 70 2, 182
2, 728 2, 182
= 0, 947
P
pk
= min(0, 947; 1, 469) = 0, 947.
A Tabela 12.13 mostra osndices calculados supondo que os dados tem a distribuicao normal.
Tabela 12.13:

Indices de performance normal/Clements
normal Clements
PP 0,93271 1,143432
PPI 0,930514 1,469578
PPS 0,934905 0,9474248
PPK 0,930514 0,9474248

12. Analise de Performance do Processo para Dados N ao Normais 265


Exemplo 12.7. Avaliar a performance do processo considerando os dados da Tabela 9.10 e as
seguintes condicoes para LSE = 20, 5 e n = 25.
Tabela 12.14: Dados para analise de performance do processo - Clements
17,65 17,37 17,90 17,05 16,70
17,45 17,03 17,49 17,10 16,90
18,94 18,30 19,60 17,02 16,60
17,98 16,30 16,76 16,80 16,60
17,85 16,96 17,12 16,70 18,52
Calculando a media X
X =
17, 65 + 17, 37 +. . . + 16, 70 + 18, 52
25
=
434, 69
25
= 17, 38.
Calculando o desvio padr ao (s)
s =
_
(17, 65 17, 3876)
2
+ + (18, 52 17, 3876)
2
25 1
=
_
15, 39046
24
=
_
0, 641269 = 0, 8.
Calculando o Coeciente de Assimetria (Sk)
Sk =
_
(17,6517,38)
0,8
_
3
+ +
_
(18,5217,38)
0,8
_
3
25
=
26, 30
25
= 1, 05.
Calculando o Coeciente de Curtose (Ku)
12. Analise de Performance do Processo para Dados N ao Normais 266
Ku =
_
(17,6517,38)
0,8
_
4
+ +
_
(18,5217,38)
0,8
_
4
25
3
=
86, 05
25
3 = 0, 44.
Para Sk = 1, 1 e Ku = 0, 4 obtemos
q

2
= -0,336, pois Sk > 0, que corresponde ao percentil 0,50 da curva de Pearson, ver
Tabela ?? do apendice ??;
q

3
= 3,264, que corresponde ao percentil 99,865 da curva de Pearson, ver Tabela ?? do
apendice ??.
Assim, calculamos os valores de q
2
e q
3
.
q
2
= X +s q

2
= 17, 38 + 0, 8(0, 336) = 17, 11.
q
3
= X +s q

3
= 17, 38 + 0, 8(3, 264) = 20.
PPS =
20, 5 17, 11
20 17, 11
= 1, 173.
P
pk
= min(1, 173) = 1, 173.
12. Analise de Performance do Processo para Dados N ao Normais 267

12.7.3 Metodo do n ucleo (kernel)


O metodo de Kernel e um metodo nao parametrico para estimac ao de curvas de densidade
onde cada observacao e ponderada pela distancia em relac ao a um valor central, o n ucleo. A
ideia e centrar cada observac ao x, onde se queira estimar a densidade, uma janela b, que dene
a vizinhanca de x e os pontos que pertencem ` a estimacao.
Estimacao de densidade
A probabilidade de que um vetor x, retirado de uma fun cao de densidade desconhecida
p(x), cair dentro de uma regiao R e

P =
_
R
p(x

)dx

Considerando que R seja continua e pequena de forma que p(x) n ao varia, teremos

P =
_
R
p(x

)dx

= p(x) V
onde V e o volume de R.
Se retiramos n pontos de maneira independente de p(x), entao a probabilidade que k deles
12. Analise de Performance do Processo para Dados N ao Normais 268
caiam na regi ao R e dada pela lei binomial
P
k
=
_
_
n
k
_
_
P
k
(1 P)
nk
Temos tambem, que o n umero medio de pontos caindo em Re dado pela esperanca matem atica
de k, E[k] = n.P. Considerando n grande, temos

P = p(x) V ,

P =
k
n
. .
p(x) V =
k
n
Logo a estima cao de densidade p(x) e
p(x)
k/n
V
Se as regi oes R
i
n ao tem intersecc ao, temos um histograma
Em problemas reais, existem duas alternativas para estimacao de densidade:
Escolher um valor xo de k e determinar o volume V a partir dos dados,
Fixar o volume V e determinar k a partir dos dados (Janela de Parzen).
Janela de Parzen
Nesta abordagem xamos o tamanho da regiao R para estimar a densidade, xamos o
volume V e determinamos o correspondente k a partir dos dados de aprendizagem e assumimos
que a regi ao R e um hipercubo de tamanho h, seu volume e h
d
12. Analise de Performance do Processo para Dados N ao Normais 269
Para estimar a densidade no ponto x, simplesmente centramos R em x, contamos o n umero
de observac oes em R, e substitumos na equac ao
p(x)
k/n
V
Por exemplo,
Podemos denir uma expressao para encontrar a quantidade de pontos que caem em R, a
qual e denida como funcao de Kernel ou Parzen window
Considerando que temos os exemplos x
1
, x
2
, ..., x
n
, temos
12. Analise de Performance do Processo para Dados N ao Normais 270
Exemplo 12.8. Janela de Parzen em 1D
Suponha que temos 7 observacoes D = 2, 3, 4, 8, 10, 11, 12 e o tamanho da janela h =
3. Estimar a densidade em x = 1.
Para ver o formato da func ao, podemos estimar todas as densidades.
A janela e usada, na realidade, para interpolacao, cada observacao x
i
contribui para o
resultado da densidade em x, se x esta perto bastante de x
i
.
Janela de Parzen: kernel Gaussiano
Uma alternativa a janela quadrada usada ate entao e a janela Gaussiana. Nesse caso,
os pontos que est ao pr oximos a x
i
recebem um peso maior. A estima cao da densidade e entao
suavizada
Exemplo 12.9. Voltando ao exemplo anterior D = 2, 3, 4, 8, 10, 11, 12, para h = 1,
teramos
12. Analise de Performance do Processo para Dados N ao Normais 271
Janelas de Parzen N(0, 1)
Figura 12.15: Poucas observac oes e h pequeno.
Figura 12.16: Muitas observac oes e h pequeno.
Outros kernels utilizados
Apesar do kernel Gaussiano ser mais freq uentemente utilizado, h a varias escolhas entre
kernels como mostrado na tabela abaixo
12. Analise de Performance do Processo para Dados N ao Normais 272
Tabela 12.15: Diferentes tipos de func oes de densidade (u)
Kernel (u)
Uniforme
1
2
I([u[ 1)
Triangular (1 [u[)([u[ 1)
Epanechnikov
3
4
(1 u
2
)
2
I([u[ 1)
Quadr atico
15
16
(1 u
2
)
2
I([u[ 1)
Triweight
35
32
(1 u
2
)
3
I([u[ 1)
Cosseno

4
cos
_

2
u
_
I([u[ 1)
Exemplo 12.10. Medicoes do diametro de um pino feitas com s ubito, pegando 3 pecas a cada
20 produzidas. Analisar a estabilidade e a capacidade do processo.
Tabela 12.16: Medic oes do di ametro
Amostra Medicoes Media
1 33,633 34,276 35,265 34,39
2 39,815 34,24 34,5 36,18
3 34,333 33,682 35,5 34,50
4 35,13 33,667 34,946 34,58
5 33,827 33,893 35,407 34,37
6 33,543 33,8 34,8 34,05
7 34,615 34,607 34,667 34,63
8 34,208 34,265 35,087 34,52
9 33,839 35,761 35,5 35,03
10 33,047 35 34,889 34,31
11 35,4 34,519 34,633 34,85
12 34,81 34,471 35,31 34,86
13 33,742 35,032 35,174 34,65
14 33,686 35,083 35,071 34,61
15 33,357 35,345 35,2 34,63
16 36,278 35,556 35,25 35,69
No exemplo temos:
m = N umero de Amostras = 16
n = Tamanho das Amostras = 3
LSE = 40 e LIE = 30.
Observamos a seguir que os dados nao seguem nenhuma distribuicao testada
12. Analise de Performance do Processo para Dados N ao Normais 273
Figura 12.17: Papel de probabilidade.
Tabela 12.17: An alise de performance
Distribuicao Anderson-Darling P-valor
normal 1,420142664 0,000998032
exponencial 21,21474069 < 0.005
Weibull 5,535266117 < 0.01
log-normal 1,228097191 0,003012721
Desta foram entao, utilizamos o metodo do N ucleo (Kernel):
12. Analise de Performance do Processo para Dados N ao Normais 274
Tabela 12.18: An alise de performance pelo metodo do kernel

Indices de performance
PP 1,290963319
PPI 2,143500803
PPS 0,95249286
PPK 0,95249286

Indices Observados
PPM > LSE 0
PPM < LIE 0
PPM Total 0

Indices Esperados
PPM > LSE 5601,977638
PPM < LIE 0
PPM Total 5601,977638
Figura 12.18: Metodo do kernel.
275
Captulo 13
Analise de Performance para Atributos
Capacidade para dados atributivos e simplesmente denida (AIAG (1995)) como a pro-
porc ao media ou a taxa de n ao conformidade do produto, visto que, os gr acos de vari aveis
referem-se a variac ao (6
R/d
2
) inerente produzida pelo processo est avel.
13.1 Analise de performance para dados binomiais
Dados com distribuic ao binomial estao associados com o n umero registrado de itens
defeituosos em relacao ao total de itens presentes na amostra.
O resultado de cada item avaliado deve ser obtido nas mesmas condi coes de avalia cao dos
demais itens.
Os resultados dos itens sao independentes.
O resultado da avaliac ao de cada item e classicado em sucesso ou fracasso.
A proporcao media e dada por:
p =
D
Tot
N
Tot
em que D
Tot
= Soma das quantidades de itens defeituosos em cada amostra.
N
Tot
= Quantidade de itens avaliados.
A porcentagem de defeituosos e dada por:
% de Defeituosos = p 100.
Intervalo de conanca para porcentagem de defeituosos
13. Analise de Performance para Atributos 276
Os limites s ao dados por:
Limite inferior ( LI ) =

1
F
(

2
,
1
,
2)

2
+
1
F
(

2
,
1
,
2)
Limite superior ( LS ) =

3
F
(
1

2
,
3
,
4)

4
+
3
F
(
1

2
,
3
,
4)
%Defeituosos LI = LI 100
%Defeituosos LS = LS 100
em que

1
= 2 D
Tot

2
= 2(N
Tot
D
Tot
+ 1)

3
= 2 (D
Tot
+ 1)

4
= 2 (N
Tot
D
Tot
)
F
(

2
,
1
,
2)
= Quantil da distribuic ao F com
1
e
2
graus de liberdade e que deixa uma
area de

2
` a esquerda.
F
(
1

2
,
3
,
4)
= Quantil da distribuicao F com
3
e
4
graus de liberdade e que deixa uma
area de 1

2
` a esquerda.
PPM:

E o n umero esperado de pecas defeituosas em um milhao de pe cas produzidas.
Intervalo de conanca para PPM
Limite inferior = 1.000.000*(LI)
Limite superior = 1.000.000*(LS)

Indice de capacidade (Z)


Quanto maior o valor do ndice de capacidade (Z), melhor e a performance do processo.
Processo Z = 1
1
( p)
em que
13. Analise de Performance para Atributos 277

1
( p): Quantil da distribuicao normal padr ao (0,1) com area acumulada igual a p.
Intervalo de conanca para o ndice de capacidade (Z)
Limite inferior = 1
1
(LS)
Limite superior = 1
1
(LI)
Exemplo 13.1. Uma ind ustria esta interessada em analisar a capacidade do processo no qual
verica-se a proporcao de pecas defeituosas em lotes de 1000 pecas. Os dados estao na Tabela
13.1
13. Analise de Performance para Atributos 278
Tabela 13.1: Dados de lotes de pecas
Amostra pecas defeituosas Total de pecas na amostra
1 432 1000
2 392 1000
3 497 1000
4 459 1000
5 433 1000
6 424 1000
7 470 1000
8 455 1000
9 427 1000
10 424 1000
11 410 1000
12 386 1000
13 496 1000
14 424 1000
15 425 1000
16 428 1000
17 392 1000
18 460 1000
19 425 1000
20 405 1000
Total 8664 20000
p =
D
Tot
N
Tot
=
8664
20000
= 0, 4332
% Pecas defeituosas = 43,32.
Intervalo de conanca para % pecas defeituosas
Calculando os valores de e F temos

1
= 2 D
Tot
= 2 (8664) = 17328

2
= 2(N
Tot
D
Tot
+ 1) = 2 (20000 8664 + 1) = 22674

3
= 2 (D
Tot
+ 1) = 2 (8664 + 1) = 17330
13. Analise de Performance para Atributos 279

4
= 2 (N
Tot
D
Tot
) = 2 (20000 8664) = 22672
F
(

2
,
1
,
2)
= 0,9723927
F
(
1

2
,
3
,
4)
= 1,028336
Os limites s ao dados por:
Limite inferior ( LI ) =

1
F

2
,
1
,
2

2
+
1
F

2
,
1
,
2
LI =
17328 (0, 972)
22674 + 17328 (0, 972)
=
16849, 62
22674 + 16849, 62
= 0, 426
% LI para pecas defeituosas = LI 100 = 100*0,4263= 42,63.
J a para o limite superior temos:
Limite superior ( LS ) =

3
F
1

2
,
3
,
4

4
+
3
F
1

2
,
3
,
4
LS =
17330 (1, 028336)
22672 + 17330 (1, 028336)
=
17821, 07
22672 + 17821, 07
= 0, 4401017
% LS para pecas defeituosas= LS 100 = 100*0,4401= 44,01
PPM: p 1.000.000 = 1.000.000*0,4332= 433200.
Intervalo de conanca para PPM
Limite inferior = 1.000.000*(LI)= 1.000.000*(0,4263177)= 426300,0.
Limite superior = 1.000.000*(LS)= 1.000.000*(0,4401017)= 440100,0.

13.2 Analise de performance para dados Poisson


Dados com distribuic ao Poisson est ao associados com o n umero de n ao-conformidades
observados num certo item (amostra) ao longo do espa co/tempo.
A taxa de n ao-conformidades por unidade (tempo, medida, etc.) e a mesma para qualquer
item.
13. Analise de Performance para Atributos 280
O n umero de nao-conformidades observados em um item independe de qualquer outro.
A media de nao-conformidades por item e dada pela frac ao:
Def =
D
Tot
N
em que
D
Tot
= Soma de todas as n ao-conformidades
N= Quantidade de amostras
Intervalo de conanca para Def com 95% de conanca
Os limites s ao dados por
Limite inferior ( LI ) = 0, 5
1
N
Tot

2
(

2
,v
1)
Limite superior ( LS ) = 0, 5
1
N
Tot

2
(
1

2
,v
2)
em que
v
1
= 2 D
Tot
v
2
= 2(D
Tot
+ 1)

2
(

2
,v
1)
= Quantil da distribuic ao qui-quadrado com v
1
graus de liberdade e que deixa
uma area de

2
` a esquerda.

2
(
1

2
,v
2)
= Quantil da distribuic ao qui-quadrado com v
2
graus de liberdade e que deixa
uma area de 1

2
` a esquerda.
A media de n ao-conformidades por unidade de medida dentre todas as amostras e dada por
DPU =
D
Tot
N
Tot
em que
D
Tot
= Soma de todas as n ao-conformidades
N
Tot
= Soma de todos os tamanhos de amostra
13. Analise de Performance para Atributos 281
Intervalo de conanca para DPU com 95% de conanca
Os limites s ao dados por:
Limite inferior ( LI ) = 0, 5
1
N

2
(

2
,v
1)
Limite superior ( LS ) = 0, 5
1
N

2
(
1

2
,v
2)
em que
v
1
= 2 D
Tot
v
2
= 2(D
Tot
+ 1)

2
(

2
,v
1)
= Quantil da distribuic ao qui-quadrado com v
1
graus de liberdade e que deixa
uma area de

2
` a esquerda.

2
(
1

2
,v
2)
= Quantil da distribuic ao qui-quadrado com v
2
graus de liberdade e que deixa
uma area de 1

2
` a esquerda.
min DPU e o menor valor de DPU entre todas as amostras
max DPU e o maior valor de DPU entre todas as amostras
Exemplo 13.2. Uma ind ustria esta interessada em analisar a capacidade do processo no qual
verica-se o n umero de pontos nao-conformes numa lamina de aco, sendo que cada lamina
mede 50 cm
2
. Os dados estao na Tabela 13.2.
13. Analise de Performance para Atributos 282
Tabela 13.2: Dados
Amostra Nao conformes Tamanho amostral (cm
2
)
1 2 50
2 4 50
3 3 50
4 1 50
5 2 50
6 5 50
7 2 50
8 5 50
9 4 50
10 1 50
11 6 50
12 3 50
13 3 50
14 6 50
15 1 50
16 4 50
17 1 50
18 8 50
19 1 50
20 4 50
21 4 50
22 2 50
23 4 50
24 2 50
25 1 50
26 2 50
27 2 50
28 3 50
29 4 50
30 4 50
Total 94 1500
13. Analise de Performance para Atributos 283
Def =
D
Tot
N
=
94
30
= 3, 13333.
Intervalo de conanca para Def com 95% de conanca Calculando v
1
e v
2
obtemos
v
1
= 2 D
Tot
= 2 94 = 188.
v
2
= 2 (D
Tot
+ 1) = 2 95 = 190.
Com isso, os limites serao
LI = 0, 5
1
N
Tot

2
0,025.v
1
= 0, 5
1
30
151, 9231 = 2, 532052.
LS = 0, 5
1
N
Tot

2
0,975.v
2
= 0, 5
1
30
230, 0644 = 3, 834406667.
DPU =
D
Tot
N
Tot
=
94
1500
= 0, 0627.
Intervalo de conanca para DPU com 95% de conanca
LI = 0, 5
1
N
Tot

2
0,025.v
1
= 0, 5
1
1500
151, 9231 = 0, 05064103
LS = 0, 5
1
N
Tot

2
0,975.v
2
= 0, 5
1
1500
230, 0644 = 0, 07668813
onde:
v
1
= 2 D
Tot
= 2 94 = 188
v
2
= 2 (D
Tot
+ 1) = 2 95 = 190
min DPU = 0, 02
max DPU = 0, 16

284
Captulo 14
Exerccios
Exerccio 14. Na usinagem de pecas, uma caracterstica importante e o comprimento das
mesmas. A Tabela 14.1 apresenta as medicoes na producao de 20 amostras com 3 pecas.
Analise a estabilidade e a capacidade do processo.
Tabela 14.1: Medic oes do comprimento
Lote Medicoes Media Amplitude
1 10,69 10,8 10,39 10,627 0,41
2 10,2 10,3 10,72 10,407 0,52
3 10,42 10,61 10,54 10,523 0,19
4 10,98 10,27 10,5 10,583 0,71
5 10,61 10,52 10,67 10,600 0,15
6 10,57 10,46 10,5 10,510 0,11
7 10,44 10,29 9,86 10,197 0,58
8 10,2 10,29 10,41 10,300 0,21
9 10,46 10,76 10,74 10,653 0,3
10 10,11 10,33 10,98 10,473 0,87
11 10,29 10,57 10,65 10,503 0,36
12 10,83 11 10,65 10,827 0,35
13 10,35 10,07 10,48 10,300 0,41
14 10,69 10,54 10,61 10,613 0,15
15 10,44 10,44 10,57 10,483 0,13
16 10,63 9,86 10,54 10,343 0,77
17 10,54 10,82 10,48 10,613 0,34
18 10,5 10,61 10,54 10,550 0,11
19 10,29 10,79 10,74 10,607 0,5
20 10,57 10,44 10,52 10,510 0,13
14. Exerccios 285
As medias amostrais X e amplitudes amostrais R est ao calculadas na tabela. No exerccio
temos:
m = N umero de Amostras = 20
n = Tamanho das Amostras = 3.
X =
10, 627 +. . . + 10, 510
20
=
210, 223
20
=
R =
0, 41 +. . . + 0, 13
20
=
7, 3
20
=
Pela tabela do Anexo 2, obtemos os valores: A
2
= 1, 023, D
3
= 0 e D
4
= 2, 574.
Limites de controle para as medias:
LSC = X +A
2
R =
LC = X =
LIC = X A
2
R =
Limites de controle para as amplitudes:
LSC = D
4
R =
LC = R =
LIC = D
3
R =
14. Exerccios 286
Analise de capacidade
Dado que:
LSE = 11; LIE = 10 ; R = 0, 365; = X = 10, 511
Como o p-valor associado ao teste de Anderson-Darling e maior que 0, 05, aceitamos que a
distribuic ao dos dados e aproximadamente Normal.
14. Exerccios 287
Para n=3, obtemos no Anexo 2 que d
2
= 1, 693
=
R
d
2
=
C
p
=
LSE LIE
6
=
CPI =
LIE
3
=
CPS =
LSE
3
=
14. Exerccios 288
C
pk
= minCPI, CPS
Z
LSE
=
LSE

=
Z
LIE
=
LIE

=
Temos que PPM
TOT
= PPM
LSE
+PPM
LIE
, em que:
PPM
LSE
=
PPM
LIE
=
PPM
LIE
=
14. Exerccios 289
Exerccio 15. Consideremos agora um estudo para a carta de controle X e MR, utilizando os
dados da Tabela 14.2.
Tabela 14.2: Dados de umidade
Lote Umidade Amplitude Movel
1 3,200 -
2 3,100 0,100
3 2,900 0,200
4 2,900 0,000
5 2,800 0,100
6 3,000 0,200
7 3,000 0,000
8 2,500 0,500
9 3,300 0,800
10 2,800 0,500
11 3,300 0,500
12 3,000 0,300
13 3,300 0,300
14 3,260 0,040
15 2,600 0,660
16 3,100 0,500
17 3,300 0,200
18 3,100 0,200
19 2,810 0,290
20 3,300 0,490
21 3,500 0,200
22 3,500 0,000
23 3,700 0,200
24 4,200 0,500
25 4,000 0,200
Resolucao:
Inicialmente calculamos os valores para X e MR
14. Exerccios 290
X =
X
1
+. . . +X
25
25
=
MR =
1
24
m

i=2
[x
i
x
i1
[ =
Os dados da tabela d
2
d
2
= 1, 128; E
2
=
3
d
2
= 2, 6595; D
3
= 0; D
4
= 3, 267 (para n = 2)
Para os Valores Individuais (X):
LSC = X +
3MR
d
2
= X +E
2
MR =
LC = X =
LIC = X
3MR
d
2
= X E
2
MR =
Para as Amplitudes M oveis (MR)
LSC = D
4
MR =
LC = MR =
LIC = D
3
MR =
14. Exerccios 291
Analise de capacidade
Dado que:
LSE = 4,5; MR = 0, 29083; = X = 3, 1788
Como p-valor associado ao teste de Anderson-Darling e maior que 0.05, aceitamos que a
distribuic ao dos dados e aproximadamente Normal.
14. Exerccios 292
Para n=2, obtemos no Anexo 2 que d
2
= 1, 128
=
R
d
2
=
C
p
=
LSE LIE
6
=
CPI =
LIE
3
=
CPS =
LSE
3
=
C
pk
= minCPI, CPS =
14. Exerccios 293
Z
LSE
=
LSE

=
Z
LIE
=
LIE

=
Temos que PPM
TOT
= PPM
LSE
+PPM
LIE
, em que:
PPM
LSE
=
PPM
LIE
=
PPM
LIE
=
14. Exerccios 294
Exerccio 16. Na usinagem de pecas, uma caracterstica importante e o diametro das mesmas.
A Tabela 14.3 apresenta as medicoes na producao de 25 lotes com 11 amostragens. Analise a
capacidade do processo.
Tabela 14.3: Medic oes do di ametro
Lote Medicoes Media Sd
1 4,89 4,95 5,31 4,82 4,79 5,43 4,53 5,53 4,64 5,48 4,75 5,01 0,36
2 5,47 5,18 4,69 4,20 5,10 4,38 5,25 5,89 5,03 4,66 5,09 4,99 0,48
3 5,13 5,18 4,96 4,82 4,65 4,50 4,82 5,38 6,04 4,67 4,70 4,99 0,43
4 5,40 4,64 5,06 4,47 5,35 4,90 5,30 5,07 5,37 4,44 5,11 5,01 0,35
5 5,69 5,22 5,01 4,88 4,21 4,77 5,01 5,82 5,22 4,69 5,05 5,05 0,44
6 4,94 5,07 5,19 4,21 4,46 4,28 4,47 4,97 5,15 3,73 4,50 4,63 0,46
7 5,28 5,27 5,84 4,69 4,74 4,94 4,86 5,25 5,23 4,12 5,64 5,08 0,47
8 5,30 5,50 5,21 5,04 4,88 4,06 5,19 6,04 4,54 5,00 5,47 5,11 0,51
9 5,68 5,34 4,49 4,16 4,95 4,30 4,69 5,51 4,81 5,04 4,55 4,86 0,49
10 4,69 5,29 5,13 4,53 5,49 4,23 5,24 5,48 4,69 5,41 4,67 4,99 0,43
11 5,10 5,23 5,49 4,93 5,70 5,14 5,09 5,59 5,16 5,14 4,67 5,20 0,29
12 5,29 5,42 5,27 5,25 5,20 4,34 4,88 5,79 4,48 4,82 5,27 5,09 0,42
13 4,86 5,40 4,88 5,16 4,52 3,72 5,20 5,67 5,16 4,79 4,91 4,93 0,51
14 4,69 5,68 4,85 4,69 5,32 4,42 4,73 5,62 5,16 4,70 4,90 4,98 0,41
15 4,87 4,95 4,75 5,52 5,86 4,51 4,97 5,54 4,70 4,44 5,55 5,06 0,47
16 4,92 5,10 5,68 5,13 4,53 4,64 5,58 5,91 4,65 4,98 4,68 5,07 0,46
17 4,38 5,49 5,32 5,03 4,60 5,18 5,29 5,82 4,94 4,79 4,69 5,05 0,42
18 5,45 4,89 4,71 4,63 4,41 4,82 5,67 5,47 5,23 4,82 4,27 4,94 0,45
19 5,19 5,27 4,86 4,96 4,45 3,99 5,51 5,36 5,17 5,31 4,57 4,97 0,46
20 4,87 5,47 5,23 4,67 5,17 5,36 5,46 5,49 5,86 4,36 5,09 5,19 0,42
21 4,74 5,16 5,18 5,42 4,36 4,42 5,46 4,73 5,73 4,44 4,47 4,92 0,48
22 4,75 5,46 5,17 4,20 4,49 4,45 5,00 5,37 4,83 4,82 4,81 4,85 0,38
23 4,75 4,95 4,57 4,57 4,63 4,74 5,27 5,14 5,17 4,71 5,06 4,87 0,25
24 4,80 5,82 5,10 4,72 4,76 4,65 5,96 5,33 5,80 4,50 5,06 5,14 0,51
25 5,39 5,27 4,17 4,63 4,74 4,19 5,56 5,75 4,98 4,38 4,77 4,89 0,54
As medias amostrais X e desvios padroes amostrais s est ao calculadas na tabela. No
exerccio temos:
m = N umero de Amostras = 25
n = Tamanho das Amostras = 11
14. Exerccios 295
X =
5, 01498 +. . . + 4, 89921
25
=
124, 995
25
=
s =
0, 36017 +. . . + 0, 544382
25
=
11, 0227
25
=
Pelas tabelas do Apendice B.2 (n=11), obtemos os valores: A
3
= 0, 927, B
3
= 0, 321 e B
4
=
1, 679.
Limites de controle para as medias:
LSC = X +A
3
s =
LC = X =
LIC = X A
3
s =
Limites de controle para os desvios padr oes:
LSC = B
4
s
LC = s
LIC = B
3
s
14. Exerccios 296
Analise de capacidade
Dado que:
LSE = 6,0, LIE = 3,5, s = 0, 4424, = X = 4, 9998
Como o p-valor associado ao teste de Anderson-Darling e maior que 0, 05, aceitamos que a
distribuic ao dos dados e aproximadamente Normal.
14. Exerccios 297

ajust
= s =
PP =
LSE LIE
6
ajust
=
PPI =
LIE
3
ajust
=
PPS =
LSE
3
ajust
=
14. Exerccios 298
P
pk
= minPPI, PPS
Z
LSE
=
LSE

ajust
=
Z
LIE
=
LIE

ajust
=
Temos que PPM
TOT
= PPM
LSE
+PPM
LIE
, onde:
PPM
LSE
=
PPM
LIE
=
PPM
LIE
=
14. Exerccios 299
Exerccio 17. Considere o processo de usinagem de um pino, onde o diametro e medido por
amostragem de 5 pecas em 25 lotes conforme a Tabela 14.4. Analise estabilidade e a capacidade
do processo.
Tabela 14.4: Medic oes do di ametro de um pino
Lote Medicoes Media Sd
1 2,08 2,09 1,01 0,47 1,75 1,48 0,71
2 2,44 1,84 1,02 1,51 0,51 1,46 0,74
3 2,08 0,34 0,67 2,14 0,51 1,15 0,88
4 1,42 1,04 1,15 0,91 1,23 1,15 0,19
5 1,43 0,22 1,51 0,82 1,29 1,06 0,53
6 1,21 0,63 0,97 2,30 1,00 1,22 0,63
7 2,14 1,95 0,95 1,35 0,73 1,42 0,61
8 2,02 1,60 1,64 1,66 0,92 1,57 0,39
9 1,47 1,93 1,06 1,55 0,80 1,36 0,44
10 1,09 2,09 0,62 1,45 1,77 1,40 0,57
11 1,90 1,27 1,46 1,36 1,06 1,41 0,31
12 0,81 1,89 1,24 0,72 1,44 1,22 0,47
13 0,58 1,57 0,73 1,05 3,29 1,44 1,09
14 2,12 0,90 0,59 1,63 0,82 1,21 0,63
15 1,28 0,89 1,05 1,25 0,99 1,09 0,16
16 0,82 0,16 2,12 1,69 0,90 1,14 0,77
17 0,14 1,04 0,76 1,72 3,95 1,52 1,47
18 2,19 0,87 0,95 1,50 1,16 1,33 0,53
19 0,93 1,82 1,21 1,72 1,45 1,43 0,36
20 0,84 2,79 2,30 0,47 0,58 1,40 1,07
21 1,84 2,37 1,89 1,20 3,23 2,11 0,75
22 1,15 2,56 0,90 3,75 1,24 1,92 1,21
23 2,21 0,91 2,15 1,48 0,25 1,40 0,83
24 1,41 0,71 0,63 1,71 1,52 1,20 0,49
25 1,59 1,19 0,88 1,23 0,41 1,06 0,44
As medias amostrais X e desvios padroes amostrais s est ao calculadas na tabela. No
exerccio temos:
14. Exerccios 300
m = N umero de Amostras = 25
n = Tamanho das Amostras = 5
X =
1, 48412 +. . . + 1, 06422
25
=
34, 27377
25
=
s =
0, 7140 +. . . + 0, 4412
25
=
16, 3936
25
=
Pelas tabelas do Apendice B.2 (n=5), obtemos os valores: A
3
= 1, 427, B
3
= 0 e B
4
= 2, 089.
Limites de controle para as medias:
LSC = X +A
3
s =
LC = X =
LIC = X A
3
s =
Limites de controle para os desvios padr oes:
LSC = B
4
s =
LC = s =
LIC = B
3
s =
14. Exerccios 301
Analise de capacidade
Dado que:
LSE = 2,8; LSI =0,15 , s = 0, 6508; = X = 1, 366
Como p-valor associado ao teste de Anderson-Darling e menor que 0.05, notamos que a
distribuic ao Normal n ao parece adequada aos dados.
14. Exerccios 302
Aplicando a Transformac ao de Box-Cox, com o uso do software ESTATCAMPEXCEL,
obtemos = 0, 4797 como podemos observar pelo gr aco abaixo.
14. Exerccios 303
Os dados obtidos com essa transfromacao tem media e desvio-padr ao amostral dados por
x = 0, 2576 e s = 0, 5917, respectivamente.
Pelo graco do Papel Normal, temos evidencia de que a distribui cao normal e adequada a
estes dados transformados.
14. Exerccios 304
Para os dados transformados (normais), podemos obter o novo limite superior do processo
aplicando a transformacao de Box-Cox ao limite superior dos dados n ao transformados como
LSE =
X
0,4797
1
0, 4797
=
C alculo do P
p
P
p
=
LSE LIE
q
3
q
1
=
C alculo de PPS e PPI
PPS =
LSE q
2
WS s
=
PPI =
q
2
LIE
WI s
=
14. Exerccios 305
em que
WI =
q
2
q
1
s
=
WS =
q
3
q
2
s
=
Assim:
PPS =
LSE q
2
WS s
=
LSE q
2
_
q
3
q
2
s
_
s
=
LSE q
2
q
3
q
2
=
PPI =
q
2
LIE
WI s
=
q
2
LIE
_
q
2
q
1
s
_
s
=
q
2
LIE
q
2
q
1
=
C alculo de P
pk
P
pk
= min(PPS; PPI) =
C alculo PPM
LIE
< LIE
PPM
LIE
< LIE = 1.000.000 q
LIE
=
C alculo de PPM
LSE
> LSE
PPM
LSE
> LSE = 1.000.000 (1 q
LSE
) =
C alculo de PPM
Total
PPM
Total
= [PPM
LIE
< LIE] + [PPM
LSE
> LSE] =
C alculo de PPM
Obs
< LIE
PPM
Obs
< LIE =
_
Qtde.deObs. < LIE
n
_
1.000.000 =
C alculo de PPM
Obs
> LSE
PPM
Obs
> LSE =
_
Qtde.deObs. > LSE
n
_
1.000.000 =
14. Exerccios 306
C alculo de PPM
Obs Total
PPM
Obs Total
= [PPM
Obs
< LIE] + [PPM
Obs
> LSE] =
14. Exerccios 307
Exerccio 18. Em um processo de vulcanizacao para fabricacao de mantas de borracha e
necessario avaliar o tempo para execu cao de uma determinada tarefa. A Tabela 14.5 apre-
senta os tempos gastos na execucao de tarefas. Analise a capacidade do processo.
Tabela 14.5: Tempo para execuc ao de tarefa
Amostra Tempo Rm
1 22,7
2 20,7 2,0
3 21,2 0,5
4 19,7 1,5
5 18,7 1,0
6 24,2 5,5
7 26,8 2,6
8 18,9 7,9
9 24,5 5,6
10 24,9 0,4
11 19,2 5,7
12 16,8 2,4
13 23,0 6,2
14 19,8 3,2
15 18,8 1,0
16 19,1 0,3
17 22,6 3,5
18 20,9 1,7
19 17,4 3,5
20 25,6 8,2
21 22,0 3,6
22 21,8 0,2
23 23,2 1,4
24 23,5 0,3
25 26,0 2,5
Total 542 70,7
As medias amostrais X e desvios padroes amostrais s est ao calculadas na tabela. No
exerccio temos:
m = N umero de Amostras = 25
n= Tamanho das Amostras = 2
14. Exerccios 308
X =
22, 7 +. . . + 26
25
=
542
25
=
MR =
2, 0 +. . . + 2, 5
24
=
70, 7
24
=
Pela tabela do Anexo 2 (n=2), obtemos os valores: 1/d
2
= 0, 8865, D
3
= 0 e D
4
= 3, 267
Limites de controle para os valores individuais:
LSC = X + 3
MR
d
2
=
LC = X =
LIC = X 3
MR
d
2
=
Limites de controle para as amplitudes m oveis:
LSC = D
4
MR =
LC = MR =
LIC = D
3
MR =
14. Exerccios 309
Analise de capacidade
Dado que:
LSE = 26, LIE = 18,5, R = 2, 9458, = X = 21, 68
Como o p-valor associado ao teste de Anderson-Darling e maior que 0, 05, aceitamos que a
distribuic ao dos dados e Normal.
14. Exerccios 310
Para n=2, obtemos no Anexo 2 que d
2
= 1, 128
=
R
d
2
=
C
p
=
LSE LIE
6
=
CPI =
LIE
3
=
CPS =
LSE
3
=
C
pk
= minCPI, CPS
14. Exerccios 311
Z
LSE
=
LSE

=
Z
LIE
=
LIE

=
Temos que PPM
TOT
= PPM
LSE
+PPM
LIE
, em que:
PPM
LSE
=
PPM
LIE
=
PPM
LIE
=
14. Exerccios 312
Exerccio 19. A seguir temos uma amostra de 25 dados referentes a Concentracao (gr/l).
Avalie a performance do processo, assumindo que os dados seguem distribuicao normal. Utilize
os metodos de variabilidade a longo prazo e a curto prazo.
Tabela 14.6: Dados de concentrac ao (gr/l)
Amostra Concentracao Amplitude
1 1,19704 -
2 1,27774 0,081
3 1,29062 0,013
4 1,2084 0,082
5 1,18415 0,024
6 1,2303 0,046
7 1,21312 0,017
8 1,23794 0,025
9 1,10243 0,136
10 1,13184 0,029
11 1,16285 0,031
12 1,20232 0,039
13 1,30562 0,103
14 1,24223 0,063
15 1,17811 0,064
16 1,15798 0,020
17 1,2363 0,078
18 1,26707 0,031
19 1,21276 0,054
20 1,17929 0,033
21 1,18989 0,011
22 1,24922 0,059
23 1,17928 0,070
24 1,22236 0,043
25 1,23954 0,017
Media 1,2119 0,0488
Temos que
LIE = 0, 90 e LSE = 1, 50
Solucao:
14. Exerccios 313
Para o metodo de variabilidade a longo prazo:

ajust
=
s
c
4
(n)
=

_
n

i=1
(x
i
x)
2
n 1
c
4
(n)
=
0, 0481815
0, 9896
= .
e com isso,
P
p
=
LSE LIE
6
=
e
P
pk
= min
_
LSE
3
;
LIE
3
_
Calculando o valor de Z, obtemos
Z
LSE
=
LSE

=
Z
LIE
=
LIE

=
Agora, vamos determinar o PPM
Total
, mas para isso, antes temos que calcular
PPM
LSE
= [1 (Z
LSE
)] 1.000.000 = [1 ( )] 1.000.000 =
PPM
LIE
= (Z
LIE
) 1.000.000 = ( ) 1.000.000 = .
Assim,
PPM
Total
= PPM
LSE
+ PPM
LIE
= + = 0, 00172
14. Exerccios 314
Agora para o metodo de variabilidade a curto prazo
=

R
d
2
=
0, 0488
1, 128
=
onde

R =

25
i=2
mod (x
i
x
i1
) = 0, 0488
Com isso, calculamos os ndices de Capacidade do Processo:
C
p
=
LSE LIE
6
=
C
pk
= min
_
LSE
3
;
LIE
3
_
Calculando o valor de Z, obtemos
Z
LSE
=
LSE

=
Z
LIE
=
LIE

=
Assim, para acharmos o PPM
Total
, temos que calcular o
PPM
LSE
= [1 (Z
LSE
)] 1.000.000 = [1 ( )] 1.000.000 =
PPM
LIE
= (Z
LIE
) 1.000.000 = ( ) 1.000.000 = .
Logo,
PPM
Total
= PPM
LSE
+ PPM
LIE
= + = 0, 00172.
14. Exerccios 315
Exerccio 20. A Tabela 14.7 apresenta os dados, ao longo de 15 dias, referentes ao n umero de
pedidos de compras que foram preenchidos de forma errada. Analise a capacidade do processo
Tabela 14.7: Pedidos de compra
Dia Vericados Com Erros P
1 200 22 0,110
2 200 25 0,125
3 200 17 0,085
4 200 18 0,090
5 200 37 0,185
6 200 29 0,145
7 200 21 0,105
8 200 17 0,085
9 200 20 0,100
10 200 25 0,125
11 200 8 0,040
12 200 24 0,120
13 200 29 0,145
14 200 18 0,090
15 200 22 0,110
Total 3000 0332
A proporcao de defeitos por amostra p est a calculada na tabela. No exerccio temos:
m = N umero de Amostras = 15
n = Tamanho da amostra = 200
p =
332
3000
=
Limites de controle para o graco P:
LSC = p + 3
_
p(1 p)
n
=
LC = p =
LIC = p 3
_
p(1 p)
n
=
14. Exerccios 316
Analise de capacidade
p =
D
Tot
N
Tot
=
Os limites s ao dados por:
Limite inferior ( LI ) =

1
F
(

2
,
1
,
2)

2
+
1
F
(

2
,
1
,
2)
=
Limite superior ( LS ) =

3
F
(
1

2
,
3
,
4)

4
+
3
F
(
1

2
,
3
,
4)
=
em que:

1
= 2 D
Tot
=

2
= 2(N
Tot
D
Tot
+ 1) =

3
= 2 (D
Tot
+ 1) =

4
= 2 (N
Tot
D
Tot
) =
F
(

2
,
1
,
2)
= F(0, 025, 664, 5338) = 0, 8898
F
(
1

2
,
3
,
4)
= F(0, 975, 668, 5334) = 1, 1178
PPM = p 10
6
14. Exerccios 317
14. Exerccios 318
Exerccio 21. Apresente um outro procedimento para analisar os dados do exerccio 14.
Como a quantidade da amostra e xa (200), podemos analisar os dados utilizando o graco
NP.
Limites de controle para o graco NP:
LSC = np + 3
_
np(1 p) =
LC = np =
LIC = np 3
_
np(1 p) =
14. Exerccios 319
Exerccio 22. A Tabela 14.8 apresenta o n umero de nao-conformidades observados em 30
amostras sucessivas de tamanho 30. Analise a capacidade do processo.
Tabela 14.8: Pedidos de compra
Dia Erros
1 8
2 12
3 56
4 14
5 10
6 12
7 8
8 10
9 28
10 20
11 10
12 8
13 12
14 35
15 20
16 16
17 15
18 6
19 23
20 21
21 36
22 20
23 21
24 35
25 31
26 28
27 10
28 8
29 12
30 10
c = media das n ao conformidades =
8 + 12 +. . . + 10
30
=
555
30
=
Limites de controle para o graco c:
14. Exerccios 320
LSC = c + 3

c =
LC = c =
LIC = c 3

c =
14. Exerccios 321
Analise de capacidade
Dado D
Tot
= 555 e N
Tot
= 900
p =
D
Tot
N
Tot
=
555
900
=
Os limites s ao dados por:
LI =

1
F
(

2
,
1
,
2)

2
+
1
F
(

2
,
1
,
2)
=
LS =

3
F
(
1

2
,
3
,
4)

4
+
3
F
(
1

2
,
3
,
4)
=
em que:

1
= 2 D
Tot
=

2
= 2(N
Tot
D
Tot
+ 1) =

3
= 2 (D
Tot
+ 1) =

4
= 2 (N
Tot
D
Tot
) =
F
(

2
,
1
,
2)
= F(0, 025, 1110, 692) = 0, 875214
F
(
1

2
,
3
,
4)
= F(0, 975, 1112, 690) = 1, 145101
PPM = p 10
6
=

Indice de capacidade:
Process Z = 1
1
( p) = 1
1
(0, 61666) = 0, 296736
14. Exerccios 322
Exerccio 23. O departamento tecnico de uma empresa deseja estabelecer um graco de con-
trole para a nao conformidade por unidade no nal da linha de producao. A Tabela 14.9
apresenta o n umero de nao-conformidades observados em 20 amostras de 5 pecas. Analise a
capacidade do processo.
Tabela 14.9: Pedidos de compra
Amostra tamanho amostral n
o
nao-conformes media de nao-conformes
1 5 10 2
2 5 12 2,4
3 5 8 1,6
4 5 14 2,8
5 5 10 2
6 5 16 3,2
7 5 11 2,2
8 5 7 1,4
9 5 10 2
10 5 15 3
11 5 9 1,8
12 5 5 1
13 5 7 1,4
14 5 11 2,2
15 5 12 2,4
16 5 6 1,2
17 5 8 1,6
18 5 10 2
19 5 7 1,4
20 5 5 1
total=193 total=38,6
n = Tamanho da amostra = 5
u = media das n ao conformidades =
2 + 2, 4 +. . . + 1
20
=
38, 6
20
=
Limites de controle para o graco U:
14. Exerccios 323
LSC = u + 3
_
u
n
=
LC = u =
LIC = u 3
_
u
n
=
Analise de capacidade:
N = n umero de amostras = 20
N
Tot
= soma dos tamanhos das amostras = 100
D
Tot
= total de nao conformidades = 193
Os limites s ao dados por:
LI = 0, 5
1
N

2
(

2
,v
1)
=
LS = 0, 5
1
N

2
(
1

2
,v
2)
=
em que:
v
1
= 2 D
Tot
=
v
2
= 2(D
Tot
+ 1) =

2
(

2
,v
1)
=
2
(0,025,386)
= 333, 4609

2
(
1

2
,v
2)
=
2
(0,975,388)
= 444, 4672
DPU =
D
Tot
N
Tot
=
14. Exerccios 324
14. Exerccios 325
Exerccio 24. Em um processo de fabricacao de papel, estamos interessados em acompanhar
o total de manchas por area de papel produzido. Para isso coletamos os dados conforme tabela
a seguir:
N umero do lote Metragem do rolo Largura do rolo

Area do rolo Total de manchas Manchas por

Area
131910 56,1 4,142 232 2 0,009
131938 53 4,143 220 0 0,000
131982 56,04 4,147 232 1 0,004
131988 56,09 4,145 232 4 0,017
132008 56,04 4,144 232 0 0,000
122033 56,014 4,145 232 3 0,013
132043 28,04 4,142 116 1 0,009
132064 56,04 4,143 232 11 0,047
132094 56,04 4,142 232 2 0,009
132119 56,16 4,143 233 11 0,047
132140 56,04 4,142 232 8 0,034
132166 56,16 4,147 233 6 0,026
132193 56,17 4,142 233 10 0,043
132218 56,17 4,142 233 3 0,013
132226 56,211 4,143 233 0 0,000
132266 56,04 4,145 232 0 0,000
132293 56,14 4,144 233 0 0,000
132314 56,11 4,143 232 6 0,026
132347 56,11 4,142 232 4 0,017
131373 55,03 4,146 228 3 0,013
132397 56,03 4,147 232 3 0,013
132430 56,11 4,143 232 5 0,022
132452 56,08 4,143 232 2 0,009
132482 55,13 4,143 228 7 0,031
132495 56,04 4,142 232 2 0,009
n = Tamanho da amostra = 25
u = 0, 016
LSC = u + 3
_
u
n
=
LC = u =
LIC = u 3
_
u
n
=
14. Exerccios 326
14. Exerccios 327
Exerccio 25. Considere os dados da Tabela 14.10. Avaliar a Performance do processo para
LSE = 2, 5, Alvo = 2, 0, LIE = 1, 5 e n = 100. Calcule os ndices de Performance do
Processo segundo o metodo de Clementes.
Tabela 14.10: Dados para analise de performance do processo - Clements
2,05 2,11 2,05 1,98 2,13 2,03 2,15 2,08 2,09 2,05
1,92 2,17 2,03 2,05 1,96 2,00 2,10 2,18 2,05 2,06
2,04 2,07 2,05 1,92 1,87 2,14 2,17 2,00 2,09 1,89
2,05 2,01 1,91 1,89 2,00 2,06 2,07 2,07 2,05 2,11
1,84 2,07 2,08 2,10 2,00 2,07 2,04 2,04 1,76 2,14
2,00 1,92 2,02 1,96 2,04 2,08 2,03 1,85 2,15 2,04
2,17 2,08 2,29 2,09 2,11 2,07 2,07 1,94 2,05 2,18
2,02 2,04 2,02 2,10 2,01 2,16 2,14 1,94 1,99 2,07
2,05 2,06 2,02 2,06 2,01 2,01 2,15 2,06 2,12 2,02
2,05 2,20 2,07 2,04 2,02 2,04 2,04 2,00 1,84 2,08
Usando o software ESTATCAMPEXCEL, obtemos a Tabela 14.11 que fornece os p-valores
do teste de Anderson-Darling para as distribuic oes normal, exponencial, Weibull e log-normal.
Tabela 14.11: Resultados do teste Anderson-Darling
Distribuicao Anderson-Darling P-valor
normal 1,744581323 0, 000169008
exponencial 442,70100054 < 0, 005
Weibull 2,002008747 < 0, 01
log-normal 2,003873519 3, 87282E 05
O Papel de Probabilidade para estes dados est a disposto na Figura 14.1 a seguir. Pelo graco
e pela tabela anterior, conclumos que os dados n ao se adequam a nenhuma das distribuic oes
anteriores.
14. Exerccios 328
Figura 14.1: Papel de probabilidade.
Um resumo descritivo para os dados est ao na Tabela 14.12 abaixo.
Tabela 14.12: Resumo descritivo dos dados
Informacao Valor numerico
Media 2, 04
Desvio Padr ao 0, 08
Skewness 0, 53
Curtose 1, 23
Para Sk = 0, 6 e Ku = 1, 2 obtemos
q

1
= (use a Tabela ?? do Apendice ??);
q

2
= (use a Tabela ?? do Apendice ??);
q

3
= (use a Tabela ?? do Apendice ??);
Assim, calculamos os valores de q
1
, q
2
e q
3
.
14. Exerccios 329
q
1
= X s q

1
=
q
2
= X +s q

2
=
q
3
= X +s q

3
=
P
p
=
LSELIE
q
3
q
1
=
PPI =
q
2
LIE
q
2
q
1
=
PPS =
LSEq
2
q
3
q
2
=
P
pk
= min(PPS, PPI) =
14. Exerccios 330
Exerccio 26. Quando utilizamos a distribuicao de Weibull calculamos apenas a variabi-lidade
a longo prazo e conseq uentemente, os ndices P
p
, P
p
k, PPS, e PPI. Estes ndices de perfor-
mance sao obtidos via as estimativas de maxima verossimilhanca dos parametros de forma ()
e locacao () para a distribuicao de Weibull, e nao das estimativas da media e variancia como
no caso normal. Considere os dados da Tabela 14.13.
Tabela 14.13: Dados
Medic oes
0,7305 0,8153 0,1861 0,9771 0,9689
0,2947 1,9348 0,1702 0,4428 2,2094
0,0590 0,4330 0,0589 1,0583 0,4177
0,1029 0,3557 1,1707 0,0841 0,9273
0,1176 0,1743 2,1449 0,9234 0,4722
0,5350 0,7326 2,7453 0,6095 0,8677
0,1042 0,5440 0,4922 1,0018 1,4504
0,2039 0,8333 0,9673 1,1935 1,2169
0,1194 0,5997 0,3316 0,6039 0,8391
1,444 0,9222 0,7179 0,5057 0,6534
Usando o software ESTATCAMPEXCEL, obtemos a tabela a seguir que fornece os p-valores
do teste de Anderson-Darling para as distribuic oes normal, exponencial, Weibull e log-normal.
Tabela 14.14: Resultados do teste Anderson-Darling
Distribuicao Anderson-Darling P-valor
normal 1,454337996 0, 000824669
exponencial 1,289034773 0, 1
Weibull 0,397792441 > 0, 25001
log-normal 1,176421306 0, 004075712
Pelos gr acos a seguir e pela tabela anterior, conclumos que os dados se adequam as dis-
tribuic oes exponencial e Weibull, consideraremos apenas a Weibull.
14. Exerccios 331
Obtemos as estimativas dos par ametros da Distribui cao Weibull como sendo
= 0, 8125 e

= 1, 30478.
E com isso,
E[T] = 0, 8125
_
1 +
_
1
1, 30478
__
= 0, 8125 0, 9228977
= 0, 7498544
Variabilidade a longo prazo:
V ar[T] =
2
[1 + (2/)] ([1 + (1/)])
2

= (0, 8125)
2
_

_
1 +
_
2
1, 30478
__

_
1 +
_
1
1, 30478
___
2
_
= 0.66015621, 360738 (0, 9228977)
2

= 0, 3360181
14. Exerccios 332
Com isso, o desvio padrao (s) e dado por:
s =
_
0, 3360181 = 0.5796707
A seguir temos o gr aco e os calculos dos ndices de performance para LSE = 2, 7 e LIE = 0, 04.
Figura 14.2: Analise de performance do processo.
C alculo do P
p
P
p
=
LSE LIE
q
3
q
1
em que LSE = Limite Superior de Especicacao
LIE = Limite Inferior de Especicacao
q
1
= 0,00514
q
3
= 3,454
Assim:
P
p
=
2, 7 0, 04
3, 454 0, 00514
=
C alculo de PPS e PPI
PPS =
LSE q
2
WS s
PPI =
q
2
LIE
WI s
14. Exerccios 333
em que q
2
= Quantil da Distribui cao Weibull com 50% (equivalente ao valor correspon-
dente ` a mediana dos dados).
WI =
q
2
q
1
s
WS =
q
3
q
2
s
Assim:
WI =
0, 6135 0, 00513
0.5796707
= WS =
3, 454 0, 6135
0.5796707
=
PPS =
2, 7 0, 6135
WS 0.5796707
= PPI =
0, 6135 0, 04
WI 0.5796707
=
C alculo de P
pk
P
pk
= min(PPS; PPI) =
C alculo PPM < LIE e PPM > LSE esperados
PPM
LIE
< LIE = 1.000.000q
LIE
PPM
LSE
> LSE = 1.000.000(1q
LSE
)
em que
q
LIE
= 0,01947083
q
LSE
= 0,0082986
Assim:
PPM
LIE
< LIE = 1.000.000 0, 01947083 = 19470, 83
PPM
LSE
> LSE = 1.000.000 0, 0082986 = 8298, 6
PPM
Total
= 19470, 83 + 8298, 6 =
C alculo de (PPM < LIE) e (PPM > LSE) observados
PPM
Obs
< LIE = Proporcao observada de dados menores que o LIE 1.000.000
=
_
Qtde. de Obs. < LIE
n
_
1.000.000 =
0
50
1.000.000 = 0.
14. Exerccios 334
PPM
Obs
> LSE = Proporcao observada de dados maiores que o LSE 1.000.000
=
_
Qtde. de Obs. > LSE
n
_
1.000.000 =
1
50
1.000.000 = 20.000.
PPM
Obs Total
= [PPM
Obs
< LIE] + [PPM
Obs
> LSE] =
14. Exerccios 335
Exerccio 27. Temos a seguir dados que representam resultados da inspecao em unidades de
um computador no decorrer de 10 dias.
Tabela 14.15: Defeitos em computador
Dias Unidades Inspecionadas n
i
Defeitos D
i
Proporc oes p
i
1 80 4 0,050
2 110 7 0,064
3 90 5 0,056
4 75 8 0,107
5 130 6 0,038
6 120 6 0,050
7 70 4 0,057
8 125 5 0,040
9 105 8 0,076
10 95 7 0,074
Notac ao: Aqui consideraremos n
i
como sendo o tamanho de cada amostra, e n o n umero
de amostras. Para este exemplo, n
i
assume valores diferentes para cada amostra e n = 10.
Graco p
Calculamos agora o Limite Superior e o Limite Inferior para a primeira amostra n
i
= 80, o
mesmo deve ser feito para todas as outras amostras.
Limite Superior:
LSC = p + 3

p (1 p)
n
i
= 0, 06 + 3
_
(0, 06) (0, 94)
80
=
Linha Central:
LC = p =

10
i=1
D
i

10
i=1
n
i
=
60
1000
= 0, 06
14. Exerccios 336
Limite Inferior:
LIC = p 3

p (1 p)
n
i
= 0, 06 3
_
(0, 06) (0, 94)
80
=
Figura 14.3: Graco p
14. Exerccios 337
Exerccio 28. Medicoes do diametro do cilindro n umero 2, medicoes feitas com s ubito com
relogio centesimal, pegando 5 pecas a cada 20 produzidas. Analisar a estabilidade e a capacidade
do processo.
Tabela 14.16: Medic oes do di ametro
Data Hora Chapa Medicoes Media Amplitude
16/abr 19:25 11380 0,1 0,08 0,14 0,1 0,08 0,1 0,06
16/abr 22:30 11380 0,15 0,15 0,12 0,12 0,14 0,136 0,03
17/abr 02:00 13310 0,08 0,07 0,09 0,09 0,11 0,088 0,04
18/abr 02:00 13310 0,16 0,19 0,13 0,14 0,09 0,142 0,1
22/abr 08:45 985.0 0,13 0,12 0,12 0,11 0,14 0,124 0,03
22/abr 12:05 985.0 0,17 0,16 0,17 0,16 0,16 0,164 0,01
22/abr 13:35 985.0 0,19 0,17 0,18 0,18 0,17 0,178 0,02
22/abr 17:30 11380 0,12 0,14 0,14 0,13 0,13 0,132 0,02
22/abr 21:00 11380 0,14 0,14 0,12 0,12 0,16 0,136 0,04
23/abr 01:00 13310 0,13 0,12 0,1 0,15 0,14 0,128 0,05
23/abr 04:00 13310 0,17 0,14 0,16 0,1 0,05 0,124 0,12
23/abr 07:20 985.0 0,14 0,15 0,16 0,16 0,16 0,154 0,02
23/abr 09:45 985.0 0,16 0,15 0,16 0,16 0,18 0,162 0,03
23/abr 12:40 985.0 0,17 0,16 0,17 0,17 0,17 0,168 0,01
23/abr 17:30 11380 0,17 0,18 0,18 0,16 0,16 0,17 0,02
23/abr 19:20 11380 0,12 0,14 0,14 0,12 0,14 0,132 0,02
24/abr 01:00 13310 0,14 0,13 0,15 0,19 0,22 0,166 0,09
24/abr 04:00 13310 0,2 0,2 0,19 0,15 0,1 0,168 0,1
24/abr 07:10 985.0 0,18 0,17 0,18 0,16 0,17 0,172 0,02
24/abr 09:20 985.0 0,19 0,2 0,18 0,18 0,19 0,188 0,02
24/abr 12:20 985.0 0,21 0,22 0,22 0,23 0,23 0,222 0,02
24/abr 18:00 11380 0,2 0,22 0,22 0,2 0,18 0,204 0,04
24/abr 21:00 11380 0,18 0,18 0,22 0,2 0,2 0,196 0,04
25/abr 01:00 13310 0,16 0,19 0,2 0,2 0,22 0,194 0,06
25/abr 04:00 13310 0,19 0,17 0,16 0,1 0,08 0,14 0,11
No exemplo temos:
m = N umero de Amostras = 25
n = Tamanho das Amostras = 5
14. Exerccios 338
X =
0, 1 +. . . + 0, 14
25
=
R =
0, 06 +. . . + 0, 11
25
=
Pela tabela do Anexo 2, obtemos os valores: A
2
= 0, 577, D
3
= 0 e D
4
= 2, 114.
Limites de controle para as medias:
LSC = X +A
2
R = 0, 15552 + 0, 577 0, 0448 =
LC = X =
LIC = X A
2
R = 0, 15552 0, 577 0, 0448 =
Limites de controle para as amplitudes:
LSC = D
4
R = 2, 114 0, 0448 =
LC = R =
LIC = D
3
R = 0 0, 0448 =
14. Exerccios 339
Como o p-valor associado ao teste de Anderson-Darling e maior que 0, 01, aceitamos que a
distribuic ao dos dados e aproximadamente normal.
14. Exerccios 340
Analise de capacidade
Dado que:
LSE = 0,2; LIE = -0,2 ; R = 0, 0448; = X = 0, 15552
Para n=5, obtemos no Anexo 2 que 1/d
2
= 0, 4299
= R
1
d
2
=
C
p
=
LSE LIE
6
=
14. Exerccios 341
CPI =
LIE
3
=
CPS =
LSE
3
=
C
pk
= minCPI, CPS =
Para os ndices de performance, considerando s = 0, 037876199
P
p
=
LSE-LIE
6 s
=
PPI =
x LIE
3 s
=
PPS =
LSE x
3 s
=
Ent ao, o P
pk
= min(PPI, PPS) =
14. Exerccios 342
Exerccio 29. Medicoes do diametro do cilindro n umero 3, medicoes feitas com s ubito, pegando
5 pecas a cada 20 produzidas. Analisar a estabilidade e a capacidade do processo.
Tabela 14.17: Medic oes do di ametro
Data Hora Chapa Medicoes Media Amplitude
26/abr 11:40 14650 61 62 60 61 60 60,8 2
26/abr 13:10 14650 62 61 62 63 62 62 2
26/abr 17:15 19730 61 58 61 60 60 60 3
26/abr 21:35 19730 62 60 62 61 60 61 2
28/abr 07:08 14650 63 62 61 60 62 61,6 3
28/abr 08:15 14650 62 61 58 59 60 60 4
28/abr 10:03 14650 62 61 60 62 61 61,2 2
28/abr 12:44 14650 62 61 60 58 59 60 4
28/abr 14:12 14650 62 61 60 60 61 60,8 2
28/abr 17:20 19730 61 60 60 61 63 61 3
28/abr 19:20 19730 59 61 60 59 61 60 2
28/abr 22:30 19730 61 60 62 62 60 61 2
29/abr 07:28 14650 62 61 60 58 57 59,6 5
29/abr 08:40 14650 61 60 59 58 58 59,2 3
29/abr 11:36 14650 62 61 60 61 61 61 2
29/abr 12:50 14650 61 60 62 61 62 61,2 2
29/abr 14:18 14650 62 61 63 62 63 62,2 2
29/abr 18:15 19730 61 63 63 62 61 62 2
29/abr 22:45 19730 60 59 60 61 60 60 2
30/abr 10:01 14650 63 62 61 60 62 61,6 3
30/abr 12:20 14650 61 60 59 58 59 59,4 3
30/abr 16:50 19730 63 61 63 62 61 62 2
30/abr 18:15 19730 61 60 60 59 60 60 2
30/abr 21:35 19730 63 65 63 64 63 63,6 2
5/mai 12:58 14650 61 62 63 62 60 61,6 3
No exemplo temos:
m = N umero de Amostras = 25
n = Tamanho das Amostras = 5
X =
60, 8 +. . . + 61, 6
25
=
R =
2 +. . . + 3
25
=
14. Exerccios 343
Pela tabela do Anexo 2, obtemos os valores: A
2
= 0, 577, D
3
= 0 e D
4
= 2, 114.
Limites de controle para as medias:
LSC = X +A
2
R =
LC = X =
LIC = X A
2
R =
Limites de controle para as amplitudes:
LSC = D
4
R =
LC = R =
LIC = D
3
R =
14. Exerccios 344
Analise de capacidade
Dado que:
LSE = 73; LIE = 47 ; R = 2, 56; = X = 60, 912
Como o p-valor associado ao teste de Anderson-Darling e menor que 0, 01, nao aceitamos
que a distribui cao dos dados e aproximadamente normal.
14. Exerccios 345
Observemos tambem, os papeis de probabilidade, considerando as distribuic oes normal,
exponencial, Weibull e log-normal, vemos que nenhuma se ajusta:
14. Exerccios 346
Figura 14.4: Papel de probabilidade
Tabela 14.18: An alise de performance, supondo dados normais
Distribuicao Anderson-Darling P-valor
normal 2,746334824 5,92189E-07
exponencial 55,09126451 < 0.005
Weibull 3,330721936 < 0.01
log-normal 2,792070603 4,5755E-07
Desta foram entao, utilizamos o metodo do N ucleo (Kernel):
14. Exerccios 347
Tabela 14.19: An alise de performance pelo metodo do kernel

Indices de performance
PP 2,938530668
PPI 3,151131527
PPS 2,725910451
PPK 2,725910451

Indices Observados
PPM > LSE 0
PPM < LIE 0
PPM Total 0

Indices Esperados
PPM > LSE 0
PPM < LIE 0
PPM Total 0
Figura 14.5: Metodo do kernel.
Calcule os ndices de performance usando o Metodo Clements:
14. Exerccios 348
C alculo do coeciente de Assimetria (Sk), onde s = 1,4256634
Sk =

[(x
i
x)/s]
3
n
=
_
(6160,912)
1,4256634
_
3
+ +
_
(6060,912)
1,4256634
_
3
125
=
C alculo do Coeciente de Curtose (Ku)
Ku =

[(x
i
x)/s]
4
n
3 =
_
(6160,912)
1,4256634
_
4
+ +
_
(6060,912)
1,4256634
_
4
125
3 =
Para Sk = 0, 2 e Ku = 0, 0 obtemos
q

1
= ..... , que corresponde ao percentil 0,135 da curva de Pearson, ver Tabela ?? do
apendice ??;
q

2
= ..... , que corresponde ao percentil 0,50 da curva de Pearson, ver Tabela ?? do
apendice ??;
q

3
= ..... , que corresponde ao percentil 99,865 da curva de Pearson, ver Tabela ?? do
apendice ??.
Assim, calculamos os valores de q
1
, q
2
e q
3
.
q
1
= X s q

1
=
q
2
= X +s q

2
=
q
3
= X +s q

3
=
P
p
=
LSE LIE
q
3
q
1
=
PPI =
q
2
LIE
q
2
q
1
=
PPS =
LSE q
2
q
3
q
2
=
P
pk
= min(PPI; PPS) =
Na Tabela 14.20 mostramos os ndices calculados supondo que a distribuic ao e normal.
14. Exerccios 349
Tabela 14.20:

Indices de performance normal/Clements
normal Clements
PP 3,039520643 3,084241
PPI 3,252754707 3,005606
PPS 2,82628658 3,180736
PPK 2,82628658 3,005606
14. Exerccios 350
Exerccio 30. Foram feitas medicoes do diametro do cilindro em duas posicoes (em cima e em
baixo), medicoes feitas com s ubito com relogio centesimal, pegando 1 peca a cada 10 produzidas.
Analisar a estabilidade.
Amostras Medicao (em cima) Medicao (em baixo)
1 0,15 0,09
2 0,16 0,15
3 0,09 0,08
4 0,16 0,18
5 0,14 0,12
6 0,18 0,16
7 0,19 0,15
8 0,13 0,14
9 0,14 0,12
10 0,11 0,12
11 0,17 0,11
12 0,13 0,15
13 0,16 0,15
14 0,16 0,16
15 0,17 0,19
16 0,12 0,14
17 0,14 0,16
18 0,2 0,2
19 0,18 0,17
20 0,17 0,21
21 0,21 0,22
22 0,2 0,2
23 0,15 0,18
24 0,16 0,13
25 0,19 0,16
Em nosso exerccio temos:
m = n umero de amostras = 25
n = tamanho das amostras = 2

X =
s =

R = .
Graco para valores medios individuais:
14. Exerccios 351
Os limites sao dados por:
LSC = X +E
2
MR =
LC = X =
LIC = X E
2
MR =
onde MR e a media das amplitudes moveis. MR =

MR
i
m
e E
2
=
3
d
2
e a constante tabelada
no Anexo 2
Graco de amplitudes m oveis: (variac ao entre as medias das pecas) Os limites
de controle sao calculados a seguir:
LSC = D
4
MR = 3, 267 0, 4226875 = 1, 380920063
LC = MR = 0, 4226875
LIC = D
3
MR = 0 0, 4226875 = 0
em que, os fatores D
3
e D
4
estao tabelados no Anexo 2.
Graco da amplitude: (variacao dentro de cada peca)
Para os dados, utilizamos o Anexo 2, aplicando as formulas, obtemos:
LSC = D
4
R =
LC = R =
LIC = D
3
R =
14. Exerccios 352
353
Referencias Bibliogracas
[1] Baldez, C. C. (2007), O Balanced Scorecard (BSC) na pratica. Banas Qualidade, n
o
187,
p. 58-60, dez/2007.
[2] Madu, C. (1999), House of Quality in a Minute, Chi Publishers, Faireld.
[3] Prieto, V. C., Pereira, F. L. A., Carvalho, M. M e Laurindo, F. J. B. (2006), Fatores
Crticos na Implementacao do Balanced Scorecard. Gest ao & Producao, v. 13, p. 81-92,
jan-abr/2006.
[4] Pyzdek, T. (2003), The Six Sigma Handbook, McGraw-Hill, New York.
[5] QS 9000, Manual de CEP, Segunda edicao
[6] Douglas C. Montgomery - Introduction to Statistical Quality Control, John Wiley and
Sons, 1985.
[7] Fundamentos do Controle Estatstico do Processo - Manual de Referencia, IQA.
[8] Schmidt, S. R. and Launsby, R. G. - Understanding Industrial Designed Experiments, Air
Academic Press, Colorado Springs, CO, (1997).
[9] Forrest W. Breyfogle (1999) - Implementing Six Sigma: Smarter Solution Using Statistical
Methods, John Wiley & Sons, INC.
[10] M. N. Magalh aes e A. C. P. De Lima (2001) No coes de Probabilidade e Estatstica, 3
a
edic ao, Editora USP.
[11] P. L. Meyer (1983) - Probabilidade: Aplicacoes ` a Estatstica, segunda edic ao, Livros
tecnicos e Cientcos Editora.
[12] W. O. Bussab e P. A. Morettin (1987) - Estatstica B asica - 4
a
Edic ao, Atual Editora.
Referencias Bibliogracas 354
[13] ISO 21747 - Statistical methods - Process performance and capability statistics for mea-
sured quality characteristics, First Edition, 2006.
[14] Breyfogle, Forrest W. - Implementing Six Sigma: Smarter Solution Using Statistical Meth-
ods, John Wiley & Sons, INC, (1999).