CONTROLE ESTATÍSTICO

DO PROCESSO

PROFESSOR
Me. Maílson José da Silva

ACESSE AQUI
O SEU LIVRO
NA VERSÃO
DIGITAL!
EXPEDIENTE

DIREÇÃO UNICESUMAR
Reitor Wilson de Matos Silva Vice-Reitor Wilson de Matos Silva Filho Pró-Reitor de Administração Wilson de
Matos Silva Filho Pró-Reitor Executivo de EAD William Victor Kendrick de Matos Silva Pró-Reitor de Ensino de
EAD Janes Fidélis Tomelin Presidente da Mantenedora Cláudio Ferdinandi

NEAD - NÚCLEO DE EDUCAÇÃO A DISTÂNCIA

Diretoria Executiva Chrystiano Mincoff, James Prestes, Tiago Stachon Diretoria de Design Educacional
Débora Leite Diretoria de Graduação Kátia Coelho Diretoria de Permanência Leonardo Spaine Diretoria
de Pós-graduação, Extensão e Formação Acadêmica Bruno Jorge Head de Produção de Conteúdos Celso
Luiz Braga de Souza Filho Gerência de Produção de Conteúdo Diogo Ribeiro Garcia Gerência de Projetos
Especiais Daniel Fuverki Hey Supervisão do Núcleo de Produção de Materiais Nádila Toledo Supervisão
de Projetos Especiais Yasminn Zagonel

FICHA CATALOGRÁFICA
Coordenador(a) de Conteúdo
Renata Cristina de Souza
Chatalov
Projeto Gráfico e Capa C397 CENTRO UNIVERSITÁRIO DE MARINGÁ.
Arthur Cantareli, Jhonny Coelho Núcleo de Educação a Distância. SILVA, Maílson José da.
e Thayla Guimarães Controle Estatístico do Processo.
Editoração Maílson José da Silva.
Andreza Diniz Maringá - PR.: UniCesumar, 2020. Reimpresso 2021.
192 p.
Design Educacional
“Graduação - EaD”.
Rossana Costa Giani
1. Controle 2. Estatística 3. Processo. EaD. I. Título.
Revisão Textual
Cindy Mayumi Okamoto Luca
Ilustração
André Azevedo
Fotos CDD - 22 ed. 658.5
CIP - NBR 12899 - AACR/2
Shutterstock Impresso por:
ISBN 978-85-459-2077-9

Bibliotecário: João Vivaldo de Souza CRB- 9-1679

NEAD - Núcleo de Educação a Distância

Av. Guedner, 1610, Bloco 4Jd. Aclimação - Cep 87050-900 | Maringá - Paraná
www.unicesumar.edu.br | 0800 600 6360
 BOAS-VINDAS

Neste mundo globalizado e dinâmico, nós tra-

balhamos com princípios éticos e profissiona-
lismo, não somente para oferecer educação de Tudo isso para honrarmos a nossa mis-

qualidade, como, acima de tudo, gerar a con- são, que é promover a educação de qua-

versão integral das pessoas ao conhecimento. lidade nas diferentes áreas do conheci-

Baseamo-nos em 4 pilares: intelectual, profis- mento, formando profissionais cidadãos

sional, emocional e espiritual. que contribuam para o desenvolvimento

de uma sociedade justa e solidária.
Assim, iniciamos a Unicesumar em 1990, com
dois cursos de graduação e 180 alunos. Hoje,
temos mais de 100 mil estudantes espalhados
em todo o Brasil, nos quatro campi presenciais
(Maringá, Londrina, Curitiba e Ponta Grossa) e
em mais de 500 polos de educação a distância
espalhados por todos os estados do Brasil e,
também, no exterior, com dezenasde cursos
de graduação e pós-graduação. Por ano, pro-
duzimos e revisamos 500 livros e distribuímos
mais de 500 mil exemplares. Somos reconhe-
cidos pelo MEC como uma instituição de exce-
lência, com IGC 4 por sete anos consecutivos
e estamos entre os 10 maiores grupos educa-
cionais do Brasil.

A rapidez do mundo moderno exige dos edu-

cadores soluções inteligentes para as neces-
sidades de todos. Para continuar relevante, a
instituição de educação precisa ter, pelo menos,
três virtudes: inovação, coragem e compromis-
so com a qualidade. Por isso, desenvolvemos,
para os cursos de Engenharia, metodologias ati-
vas, as quais visam reunir o melhor do ensino
presencial e a distância.

Reitor
Wilson de Matos Silva
TRAJETÓRIA PROFISSIONAL

Me. Maílson José da Silva

Possui mestrado em Engenharia Urbana, especialização em Engenharia de Seguran-
ça do Trabalho e graduação em Engenharia de Produção, pela Universidade Estadual
de Maringá. Atualmente, é engenheiro de segurança do trabalho e elaborador de
provas de concursos públicos. Tem experiência na área de Engenharia de Produção
e Segurança do Trabalho.

http://lattes.cnpq.br/2624890823247854
 A P R E S E N TA Ç Ã O DA DISCIPLINA

CONTROLE ESTATÍSTICO DO PROCESSO

Seja bem-vindo(a) à disciplina de Controle Estatístico do Processo (CEP). A partir de agora, você
estudará a aplicação de conceitos estatísticos no gerenciamento de processos. A qualidade de
produtos depende do bom desempenho dos diversos fatores usados na produção de bens e
serviços. Assim, esta disciplina apresentará conceitos e ferramentas utilizados para promover
e monitorar o desempenho desses fatores que constituem um processo.

Na Unidade 1, apresentaremos os conceitos básicos de estatística e de probabilidade. Os

processos precisam ser descritos em termos quantificáveis a fim de que seja possível fazer
o seu gerenciamento. Em consequência disso, a compreensão acerca dos conceitos básicos
de estatística será utilizada nas unidades posteriores.

Na Unidade 2, estudaremos a definição do Controle Estatístico do Processo (CEP) e algumas

ferramentas utilizadas, como gráfico de dispersão, histograma e gráfico de Pareto. Além disso,
serão expostas as definições de conceitos importantes para o gestor de processos, por exemplo:
sob a ótica da gestão de processos, como podemos explicar o que é um problema? Como um
processo pode ser gerenciado? Além dos conceitos, observaremos a aplicação de algumas fer-
ramentas da qualidade usadas para corrigir problemas e melhorar o desempenho de processos.

Já na Unidade 3, estudaremos os gráficos de controle. Talvez, este conteúdo seja o mais

importante da disciplina, uma vez que os gráficos de controle são usados para monitorar o
desempenho de um processo, verificando se ele está sob controle estatístico. Iniciaremos o
estudo por meio dos gráficos de controle de atributos, os quais são usados para monitorar a
quantidade de itens defeituosos ou a quantidade de defeitos em um item.

Posteriormente, na Unidade 4, analisaremos a aplicação dos gráficos de controle para as

variáveis. Isso se deve, pois os processos podem ser controlados por intermédio do monito-
ramento das suas variáveis, como a temperatura, dimensão de peças, peso de embalagens,
dureza de materiais, resistência elétrica de componentes etc.

Por fim, na Unidade 5, será estudado o conceito de capacidade de processos. Aprendere-

mos a calcular os índices de capacidade de processos e a fazer a interpretação de seu valor.
Compreenderemos, também, como interpretar, graficamente, uma distribuição de dados,
comparando os seus valores com os limites de especificação do processo.
ÍCONES
pensando juntos

Ao longo do livro, você será convidado(a) a refletir, questionar e

transformar. Aproveite este momento!

explorando Ideias

Neste elemento, você fará uma pausa para conhecer um pouco

mais sobre o assunto em estudo e aprenderá novos conceitos.

quadro-resumo

No fim da unidade, o tema em estudo aparecerá de forma resumida

para ajudar você a fixar e a memorizar melhor os conceitos aprendidos.

conceituando

Sabe aquela palavra ou aquele termo que você não conhece? Este ele-
mento ajudará você a conceituá-la(o) melhor da maneira mais simples.

conecte-se

Enquanto estuda, você encontrará conteúdos relevantes

online e aprenderá de maneira interativa usando a tecno-
logia a seu favor.

Quando identificar o ícone de QR-CODE, utilize o aplicativo Unicesumar

Experience para ter acesso aos conteúdos online. O download do aplicativo
está disponível nas plataformas: Google Play App Store
CONTEÚDO

PROGRAMÁTICO
UNIDADE 01
8 UNIDADE 02
52
ESTATÍSTICA INTRODUÇÃO AO
DESCRITIVA CONTROLE
E NOÇÕES DE ESTATÍSTICO
PROBABILIDADE DO PROCESSO
E FERRAMENTAS DE
CONTROLE

UNIDADE 03
94 UNIDADE 04
126
CONTROLE CONTROLE
ESTATÍSTICO ESTATÍSTICO
DO PROCESSO DO PROCESSO
POR ATRIBUTOS POR VARIÁVEIS

UNIDADE 05
166 FECHAMENTO
185
CAPACIDADE DE CONCLUSÃO GERAL
PROCESSOS
1
ESTATÍSTICA DESCRITIVA
E NOÇÕES DE
PROBABILIDADE

PROFESSOR
Me. Maílson José da Silva

PLANO DE ESTUDO
A seguir, apresentam-se as aulas que você estudará nesta unidade: • Definição e aplicação da estatística
descritiva • Tipos de variáveis • Medidas de tendência central e posição • Medidas de variação ou de
dispersão • Noções de probabilidade.

OBJETIVOS DE APRENDIZAGEM
• Apresentar a estatística descritiva e expor exemplos de sua utilização • Classificar as variáveis usadas
na estatística descritiva • Explicar as medidas de tendência central e posição • Explanar as medidas de
variação • Trabalhar as noções de probabilidade utilizadas no Controle Estatístico do Processo (CEP).
INTRODUÇÃO

Olá, prezado(a) aluno(a)! Iniciaremos o nosso estudo sobre Controle Esta-

tístico do Processo (CEP). Observe o significado da nossa disciplina: con-
trole possui relação com o ato de fazer ajustes para se obter um resultado
planejado; processo, por sua vez, relaciona-se a um conjunto de atividades
que geram um resultado, e a palavra estatístico nos remete à ciência esta-
tística. Em outras palavras, o CEP é uma disciplina que utiliza conceitos
estatísticos. Dada essa importância, nesta unidade, explicaremos alguns
conceitos estatísticos utilizados ao longo da disciplina, visto que eles são a
nossa base para entender os demais conteúdos envolvidos no CEP.
No primeiro tópico, definiremos o que é a estatística, o que são dados
populacionais e amostrais, depois, apresentaremos a divisão dessa ciência
em dois ramos: estatística inferencial e descritiva. Esta será detalhada com
a exposição de alguns exemplos aplicados na indústria.
No segundo tópico, explicaremos como os dados trabalhados pela es-
tatística são classificados. Não só, mas entenderemos as implicações dessa
classificação para as operações realizadas com os dados.
Em seguida, compreenderemos como a estatística descritiva organi-
za dados, representando-os por meio de medidas de tendência central e
posição. Constataremos que o tratamento estatístico dos dados gera in-
formações úteis para a tomada de decisões e o entendimento acerca de
acontecimentos que ocorrem em nosso dia a dia, inclusive na indústria,
que é o foco desta disciplina.
Para representar, adequadamente, um conjunto de dados, além das me-
didas de posição e tendência central, é necessário expressar a sua variabi-
lidade. Assim, apresentaremos a definição de amplitude de dados, desvio,
variância, desvio padrão e coeficiente de variação.
No último tópico da unidade, faremos uma introdução acerca dos con-
ceitos de probabilidade, visto que ela é utilizada para realizar inferências
estatísticas, ou seja, para interpretar resultados anteriores, a fim de prever
a ocorrência de eventos futuros.
Vamos começar?
1
DEFINIÇÃO E
UNIDADE 1

APLICAÇÃO
DA ESTATÍSTICA
descritiva

Caro(a) aluno(a), a palavra estatística tem origem no latim e se relaciona com a

ideia de estado de algo (LARSON; FARBER, 2015). Utilizamos a ciência estatística
para descrever o estado de uma população, como o número de nascidos e o nú-
mero de óbitos, por exemplo. Esse foi um dos primeiros usos da estatística, tendo
em vista que os governantes estavam interessados em entender as características
do povo que governavam.

pensando juntos

Como uma empresa de ônibus pode determinar o número de linhas e veículos necessá-
rios para atender a demanda de transporte municipal?

No nosso dia a dia, como a estatística está presente? Você possui seus próprios
dados estatísticos. Por exemplo, o gasto médio mensal com roupas, alimentação,
transporte etc. são dados que manipulamos constantemente. Caso você tenha
uma grande família, você pode comparar o seu peso com os demais membros,
a fim de verificar se está muito acima ou muito abaixo da média de peso dos
membros da sua família.
A estatística também está presente na indústria, que é o foco do nosso estudo,
uma vez que a prestação de serviços e a produção de bens utilizam e geram da-
10
dos para o seu funcionamento. Enquanto dados de entrada, temos, por exemplo,

UNICESUMAR
a quantidade gasta, mensalmente, com matéria-prima, terceirizações, material
de uso e consumo, material de embalagem etc. Já como dados de saída, há a
quantidade produzida, diariamente, de cada modelo de produto, a quantidade
de serviços prestados, o total de insumos gastos para a produção etc.
Além disso, as características dos materiais utilizados no processo produtivo
e dos bens/serviços produzidos podem ser medidas. Essas medições geram da-
dos úteis para o gerenciamento dos processos. Por exemplo, em uma indústria
de chapas de alumínio, pode-se medir a espessura das chapas produzidas. Com
base nas medições de um determinado lote, pode-se decidir se ele está, ou não,
dentro das especificações. Observe que esse é o nosso interesse no CEP: controlar
e gerenciar processos.
Quais são os objetivos da estatística? Ela é uma ciência utilizada para a coleta,
organização, análise e interpretação de dados, os quais provêm de observações,
contagens, respostas e medições. Por meio da interpretação dos dados, tomam-se
decisões nas mais diferentes áreas.
Observe que uma parte da estatística é responsável por coletar, organizar e
representar os dados. Isso acontece, por exemplo, quando registramos o tempo
de conclusão para a lavagem de cada veículo de pequeno porte que chega em um
lava-rápido. Após coletar o tempo de cada lavagem, podemos apresentar esses
dados em uma tabela, a qual mostrará o horário de chegada e de saída de cada
veículo bem como o tempo gasto. Ainda, podemos representar o tempo médio
para a lavagem de um veículo.
Perceba que fizemos a coleta, a organização e a representação dos dados, os
quais, nesse caso, são os tempos de entrada e saída de cada veículo que chega
até o lava-rápido. Essa parte da estatística é chamada de estatística descritiva,
pois visa apenas descrever os dados coletados. A outra parte da estatística será
responsável por elaborar conclusões a partir dos dados coletados, a denominada
estatística inferencial. Em nosso exemplo do lava-rápido, a estatística inferen-
cial pode ser usada para estimar a probabilidade de um veículo ser lavado com
uma certa duração de tempo.
Agora, você consegue visualizar as aplicações dessas duas partes da estatística?
Veja mais um exemplo aplicado à indústria metalúrgica: quando se coleta e orga-
niza dados sobre o diâmetro de tubos produzidos e se representa o diâmetro mé-
dio em um relatório, há a estatística descritiva. Quando um gerente de qualidade
quer saber a probabilidade de um tubo ser produzido dentro das especificações,
11
 será necessário aplicar a estatística inferencial. Pense, nesse momento, em todas as
UNIDADE 1

indústrias metalúrgicas que produzem tubos no Brasil: se forem obtidos dados de

diâmetros de tubos produzidos de uma determinada bitola de todas as indústrias,
teremos um conjunto de dados denominado dados populacionais. Caso sejam
obtidos dados das dimensões de tubos de um determinado fabricante, teremos
dados amostrais. Esses serão os próximos conceitos a serem trabalhados.
Uma população é o conjunto que representa a totalidade dos dados estudados.
Por exemplo, se forem inspecionados todos os lotes produzidos por uma certa
empresa dentro do seu contexto, os dados representam os dados populacionais.
Já uma amostra é um conjunto de dados da população que foram selecionados
apropriadamente. Em nosso exemplo, a inspeção de apenas alguns lotes produzi-
dos pela empresa representam os dados amostrais. As características numéricas
de uma população são chamadas de parâmetros e as de uma amostra são esta-
tísticas. Para uma amostra ser válida, é preciso que ela represente a população e
seja selecionada de forma aleatória, utilizando técnicas de amostragem. Por meio
da amostragem, economizamos tempo e demais recursos para compreender o
comportamento de uma população.

pensando juntos

Uma amostra tendenciosa é a que não é representativa da população da qual é extraída.

Por exemplo, uma amostra que constitui apenas os estudantes universitários que pos-
suem entre 18 e 22 anos não seria representativa de toda população a qual possui entre
18 e 22 anos do país.
Fonte: Larson e Farber (2015)

Pelo fato de que o nosso foco, neste tópico, é a estatística descritiva, apresentaremos
um exemplo de como coletar, organizar e representar dados. No desenvolvimento do
exemplo, você compreenderá melhor os conceitos, até agora, apresentados e saberá
como podemos representar os dados, por meio de tabelas e gráficos. Os dados desse
exemplo serão usados, também, na explicação dos conceitos dos demais tópicos.
Exemplo
Uma empresa que fabrica artigos em alumínio deseja saber qual dos seus dois
fornecedores de chapas de alumínio entrega o material de maneira mais rápida. Para
isso, coletou-se dados dos tempos de entrega, medidos desde o dia do pedido até o
dia da entrega, durante um mês, e resumidos na tabela a seguir:
12
 Tempo de entrega - Tempo de entrega -

UNICESUMAR
Pedido
Fornecedor 1 (dia) Fornecedor 2 (dias)

1 10 7

2 15 11

3 13 9

4 6 7

5 13 6

6 7 12

7 13 11

8 11 6

9 12 7

10 10 10

11 7 5

12 2 10

13 5 5

14 6 4

15 7 5

16 9 13

17 11 6

18 8 3

19 2 10

20 3 6

Tabela 1 - Tempo de entrega de vinte pedidos de dois fornecedores diferentes

Fonte: o autor.

13
 Ao visualizar os dados da Tabela 1, você consegue saber qual fornecedor é o mais
UNIDADE 1

rápido? Pela forma como os dados foram apresentados, fica um pouco difícil res-
ponder, não é mesmo? Assim, faremos um tratamento estatístico para representar
melhor os dados, por meio da transformação de dados “soltos” em “organizados”.
Podemos representar o tempo de entrega em classes de frequência. Para cada
fornecedor, construiremos uma tabela de frequência e organizaremos os dados
de forma crescente. Em seguida, calculamos a diferença entre o maior e o menor
valor, obtendo a amplitude total dos dados. Depois, dividimos essa amplitude pelo
número total de classes desejadas. Como recomendação, deve-se ter um total de
5 a 20 classes (LARSON; FARBER, 2015).
Ordenando os dados: para o primeiro fornecedor, temos os seguintes dados
ordenados do menor para o maior:
2 � � � � � � � � � 2 � � � � � � � � 3 � � � � � � � � 5 � � � � � � � � 6 � � � � � � � � 6 � � � � � � � � 7 � � � � � � � � 7 � � � � � � � � 7 � � � � � � � � 8 � � � � � � � � 9 � � � � � � � 10
� � � � � � � 10
� � � � � � � 11
�� � � � �
11� � � � � � 12 � � � � � � � � � � � 13
� � � � � � 13 � � � � � � � 13 � � � � � � � 15 �

Amplitude total e número de classes: adotaremos um total de 5 classes. Em outras

palavras, dividiremos os dados em cinco grupos que contêm valores dentro de um
determinado intervalo. Esse intervalo terá o tamanho do valor obtido na divisão da
amplitude total pelo número de classes. Ao calcular para o primeiro fornecedor, há:
Amplitude total  maior valor  menor valor
Amplitude total  15  2  13

Dividiremos essa amplitude em cinco classes, obtendo uma amplitude de classe:

= 13
Amplitude de classe =
/ 5 2, 6
h = AT / n

Em que:

h = Amplitude de classe
AT = Amplitude total (calculada anteriormente)
n = número de classes (nesse caso foi escolhido 5 classes)
Pelo fato de que os nossos dados são valores inteiros, em dias, é conveniente
arredondar a amplitude da classe para um número inteiro. Como a amplitude
total não é muito alta, arredondaremos o valor da amplitude de cada classe para
2. Portanto, há cinco classes com amplitude de 2 unidades.
14
 UNICESUMAR
pensando juntos

Você pode determinar o número de classes utilizando a equação:

 , em que k é o número de classes e n é o tamanho da amostra.
Fonte: o autor.

Determinando as classes e sua frequência: pelo fato de que o menor valor dos
nossos dados é 2, a classe de menor amplitude terá limite inferior a 2 e serão
somadas 2 unidades para determinar o seu limite superior. Assim será feito para
determinar as demais classes. Em seguida, contaremos quantos valores dos nos-
sos dados estão dentro da frequência determinada. Por exemplo, a primeira clas-
se é 2 − 4 . A segunda classe será 5 − 7 (acrescentamos uma unidade para deter-
minar o limite inferior da segunda classe). Quantos valores temos entre 2 e 4?
Observando os dados, percebemos que é um total de 3. Essa é a frequência da
classe 2 − 4 . A Tabela 2 mostra as classes e a sua distribuição de frequência:

Classe Frequência

2 −− 4 3

5 −− 7 6

8 − − 10 4

11 − − 13 6

14 − − 16 1

Total 20
Tabela 2 - Distribuição de frequência do tempo de entrega de material do fornecedor 1
Fonte: o autor.

Ao repetir o mesmo procedimento para os dados do fornecedor 2, evidenciam-se

os resultados da Tabela 3:

15
 Classe Frequência
UNIDADE 1

3 −− 5 5

6 −− 8 7

9 − − 11 6

12 − − 14 2

15 − − 17 0

Total 20
Tabela 3 - Distribuição de frequência do tempo de entrega de material do fornecedor
Fonte: o autor.

Agora, com os dados organizados, fica mais fácil visualizar o tempo de entre-
ga para cada fornecedor. Observamos que o fornecedor 1 possui entregas com
maior frequência, entre 5 e 7 e 11 e 13. Já o fornecedor 2 possui entregas com
maior frequência entre 6 e 8 e 9 e 11. Para melhorar, ainda mais, a visualização
dos dados, podemos calcular o ponto médio e a frequência relativa de cada
classe. O ponto médio é dado pela soma entre os limites da classe dividido por 2.
Já a frequência relativa é o resultado da frequência da classe dividido pelo total
de dados (no nosso exemplo, são 20 dados). As tabelas, a seguir, apresentam os
resultados calculados:
Frequência
Classe Frequência Ponto médio
relativa

2 −− 4 3 0, 15 3

5 −− 7 6 0, 30 6

8 − − 10 4 0, 20 9

11 − − 13 6 0, 30 12

14 − − 16 1 0, 05 15

Total 20 1
Tabela 4 - Distribuição de frequência do tempo de entrega do fornecedor 1 com valores do
16
ponto médio e frequência relativa / Fonte: o autor.
 Frequência

UNICESUMAR
Classe Frequência Ponto médio
relativa

3 −− 5 5 0, 25 4

6 −− 8 7 0, 35 7

9 − − 11 6 0, 30 10

12 − − 14 2 0, 10 11

15 − − 17 0 0 16

Total 20 1
Tabela 5 - Distribuição de frequência do tempo de entrega do fornecedor 2 com valores do
ponto médio e frequência relativa / Fonte: o autor.

Ao observar os novos resultados, é perceptível que o fornecedor 2 possui mais

dados nas classes com menores valores. Para saber, exatamente, qual fornecedor
possui o melhor tempo de entrega, podemos calcular as medidas de tendência
central, como a média, a qual será o assunto de um outro tópico.
Além disso, podemos representar os dados por meio de gráficos. A distribui-
ção de frequência pode ser representada por meio de histogramas. Esses gráficos
representam, no eixo horizontal, as fronteiras das classes e, no eixo vertical, a
frequência de cada uma delas. Observe as figuras a seguir, as quais mostram os
histogramas dos dados dos fornecedores 1 e 2, respectivamente:

5
FREQUÊNCIA

0
1,5-4,5 4,5-7,5 7,5-10,5 10,5-13,5 13,5-16,5
FRONTEIRAS DE CLASSE

Figura 1 - Histograma do tempo de entrega do fornecedor 1 / Fonte: o autor. 17

 8
UNIDADE 1

5
FREQUÊNCIA

0
2,5-5,5 5,5-8,5 8,5-11,5 11,5-14,5 14,5-17,5

Figura 2 - Histograma do tempo de entrega do fornecedor 2 / Fonte: o autor.

Observe que, no eixo horizontal, as fronteiras de classe não são iguais aos limites
inferior e superior de classe. Além disso, realizamos a subtração e adição de 0,5
para calcular as fronteiras. Isso é feito, pois não podem existir lacunas entre as
barras, ou seja, o ponto em que uma termina é o ponto em que a outra se inicia.

pensando juntos

Outros gráficos podem ser utilizados para representar a frequência de distribuição, tais
como o polígono de frequência, o histograma de frequência relativa e o histograma de
frequência acumulada. O polígono de frequência não é representado por barras, mas por
uma linha cujos valores são os pontos médios de cada classe. O histograma de frequência
relativa apresenta barras, porém os valores são os de frequência relativa, e não o valor da
frequência de cada classe. Já o histograma de frequência acumulada é um gráfico de linha
que cresce de forma acumulada.
Fonte: o autor.

Para construir o histograma, deve-se plotar, no eixo horizontal, os valores dos

limites de cada classe. Em seguida, no eixo vertical, é necessário desenhar barras,
conforme a frequência de cada classe. Observe que, por exemplo, na Figura 2, a
classe com fronteiras de 2, 5 − 5, 5 possui uma barra de tamanho proporcional à
frequência de 5 unidades.

18
2
TIPOS DE

UNICESUMAR
VARIÁVEIS

Assim como foi estudado até agora, a estatística é utilizada para entender me-
lhor os eventos que envolvem dados numéricos e pode ser aplicada aos dados
não numéricos. Esses dados se originam de estudos estatísticos, os quais podem
ser observacionais ou experimentais. Os estudos observacionais são aqueles
em que não existe interferência na geração dos resultados, ou seja, os dados são
coletados, apenas, conforme a sua ocorrência. Esse é caso da coleta das dimen-
sões de produtos fabricados em uma linha de produção, do tempo de entrega
de fornecedores, da temperatura de um forno ao longo do dia etc. Já os estudos
experimentais são aqueles em que o pesquisador interfere nos resultados, com o
objetivo de verificar a influência de uma variável sobre outras. Esse é o caso da
coleta de dados de resistência de uma chapa moldada de acrílico, que depende da
temperatura do forno. Assim, molda-se um grupo de chapas a uma temperatura
mais baixa e outro grupo a uma temperatura mais alta. Mede-se, em seguida,
a resistência dessas chapas a fim de verificar a interferência da temperatura na
resistência. Em outras palavras, trabalha-se com um grupo de tratamento (as
chapas que recebem maior temperatura) e um grupo de controle (as chapas que
recebem menor temperatura).

pensando juntos

Que tipo de estudo estatístico é utilizado para determinar a eficácia de um novo medicamento?
19
 Todos os tipos de estudos lidam com dados, os quais representam variáveis que
UNIDADE 1

podem ser qualitativas ou quantitativas. As variáveis qualitativas são descritas

por características, tais como cor (branco, azul, verde etc.), localização (sul, nor-
te, leste, oeste), tamanho (pequeno, médio, grande etc.) e entre outras. Elas não
podem ser expressas por quantidades numéricas. Já as variáveis quantitativas são
representadas por quantidades numéricas que retratam, por exemplo, a tempe-
ratura de um forno, o tempo de produção de um lote de peças e a quantidade
produzida em um dia.
Também, é possível representar os tipos de variáveis pelo seu nível de men-
suração, ou seja, as variáveis podem ser medidas de diferentes formas. Existem
quatro classes: variável nominal, ordinal, intervalar e razão. Observe o qua-
dro a seguir, que apresenta os níveis de mensuração e os tipos de operações que
podem ser feitas conforme a variável:

Operações possíveis
Nível de
mensuração Categorizar Ordenar Subtrair Determinar
os dados os dados os dados múltiplos

Nominal SIM NÃO NÃO NÃO

Ordinal SIM SIM NÃO NÃO

Intervalar SIM SIM SIM NÃO

Razão SIM SIM SIM SIM

Quadro 1 - Níveis de mensuração de variáveis e os tipos de operações possíveis

Fonte: o autor

Os dados nominais são aqueles que expressam qualidades, por exemplo, cor de
uma peça, nome, número do lote etc. Para esses dados, é possível apenas realizar
a operação de categorizar. Por exemplo, pode-se dividir as peças em duas cate-
gorias: as com cores mais claras e as com cores mais escuras.
Os dados ordinais são aqueles que expressam o valor de uma ordem e podem
ser dados quantitativos ou qualitativos. Para esses dados, podem ser realizadas as
operações de categorização e de ordenação de dados. Por exemplo, a variável nú-
mero de lote pode ser categorizada e ordenada por ordem de chegada de cada lote.
Os dados de nível de mensuração intervalar são aqueles que são medidos a
partir de uma escala. Por exemplo, a temperatura de um forno é um dado de nível

20
intervalar, pois segue a escala de temperatura. O valor zero de temperatura, por sua

UNICESUMAR
vez, não é um zero natural, visto que representa apenas uma posição em uma escala.
Para esse tipo de dados, é possível fazer a sua categorização, ordenação e subtração.
Por fim, os dados de nível de mensuração razão são aqueles que são medidos,
ou não, em uma escala, mas o valor de zero representa um zero natural. Além dis-
so, pode-se calcular valores múltiplos entre eles. A variável quantidade produzida
no dia é um valor no nível de mensuração razão, pois, em um determinado dia,
a produção pode ser zero, no segundo, 20 unidades e, no terceiro dia, pode ser
de 40 unidades. Assim, o valor da produção do terceiro dia é igual a duas vezes
o valor da produção do segundo dia.
Para representar os dados qualitativos e quantitativos, são utilizados diferen-
tes tipos de gráficos. Observe a figura a seguir:
DOUTORADO TECNÓLOGO
20,6%

26,5%

20,6%

MESTRADO

48,3%

BACHARELADO

Figura 3 - Gráfico de pizza utilizado para dados qualitativos e quantitativos

Fonte: Larson e Farber (2015, p. 56).

A figura anterior apresenta um gráfico com a distribuição de títulos conferidos

em 2011 nos Estados Unidos. A frequência da variável qualitativa tipo de titulação
foi organizada conforme a sua representatividade no total de títulos. Outro tipo
de gráfico que poderia ser utilizado é o de Pareto, o qual estudaremos com mais
detalhes posteriormente.
No caso em que queremos representar o valor de duas variáveis ao mesmo
tempo, na tentativa de identificar um relacionamento entre elas, pode-se utilizar
um gráfico de dispersão, conforme ilustrado pela figura a seguir:

21
 25.0
UNIDADE 1

VARIAÇÃO NO CORTE (mm) 20.0

15.0

10.0

5.0

0.0
206.00 208.00 210.00 212.00 214.00 216.00 218.00 220.00 222.00 224.00 226.00
TENSÃO (V)

Figura 4 - Exemplo de gráfico de dispersão / Fonte: Pedroza (2018, p. 106).

A figura apresentada relaciona as variáveis tensão de uma rede elétrica (medida

em volts-V ) e a variação de corte de uma peça (medida em mm ). É possível
observar que, à medida que a tensão aumenta, a variação no corte diminui.
Existem, também, gráficos de série temporal, os quais representam a varia-
ção de uma variável, ao longo do tempo. O gráfico, a seguir, ilustra a variação do
número de assinantes de telefonia celular ao longo do tempo:

325
300
275
250
Assinantes (em milhões)

225
200
175
150
125
100
75
50
25

2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
Ano
Figura 5 - Evolução no número de assinantes de telefonia celular
Fonte: Larson e Farber (2015, p. 56).

Agora que você já conhece os tipos de variáveis que são trabalhadas na es-
tatística e que também são usadas no Controle Estatístico do Processo (CEP),
estudaremos as medidas de tendência central, posição e dispersão, uma vez que
são muito úteis para se entender o comportamento dos dados.

22
3
MEDIDAS DE

UNICESUMAR
TENDÊNCIA
CENTRAL
e posição

Utilizar uma medida que tende a um valor central é uma prática comum no dia
a dia. Por exemplo, caso você meça o peso de 20 sacos de arroz de 5kg , talvez, os
valores encontrados não sejam, exatamente, 5kg . Todavia, você observará que
os valores obtidos se aproximam muito de 5kg ou, em outras palavras, tendem
a 5kg . As dimensões de peças, o peso de cada uma delas, o número de defeitos,
entre outras variáveis, são valores que desejamos conhecer em uma indústria.
Pelo fato de que existe variabilidade, utilizamos as medidas de tendência central
para representá-las. As medidas de tendência central são: média, média ponde-
rada, mediana e moda. Compreenderemos cada uma por meio do exemplo da
entrega de chapas de alumínio de dois fornecedores, o qual foi apresentado no
primeiro tópico desta unidade.

Média

A média de um conjunto de dados é calculada pela divisão entre a soma dos

valores e o número de dados considerados. As equações para o cálculo das médias
populacional e amostral são:
X
µ (média populacional)
N
23
 X
UNIDADE 1

X (média amostral)
n
Em que:
μ:média populacional
X : média amostral
X ório dos valores do conjunto de dados
N:total de dados para a populaçãoo
n:total de dados para a amostra

Assim, determine o tempo médio de entrega de material dos fornecedores 1 e 2

do exemplo apresentado no primeiro tópico.
Solução: os dados de tempo de entrega, em dias, para cada fornecedor, são
amostrais, pois representam apenas dados de 20 pedidos de cada fornecedor.
Assim, o valor médio do tempo de entrega do fornecedor 1 é dado por (volte até
a Tabela 1 para visualizar os dados):

X
X 
(2  2  3  5  6  6  7  7  7  8  9  10  10  11  11  12  13  13  13  15)
n 20
170
X  8, 5 dias
20

O valor médio do tempo de entrega do fornecedor 2 é dado por:

X
X 
(3  4  5  5  5  6  6  6  6  7  7  7  9  10  10  10  11  11  12  13)
n 20
153
X  7, 65 dias
20

Considerando os valores da média, pode-se concluir que o fornecedor 2 possui

um tempo de entrega menor do que o fornecedor 1.

24
Média ponderada

UNICESUMAR
No cálculo da média, considera-se que cada dado possui a mesma representati-
vidade em relação aos demais. O que difere um dado do outro é o seu valor. No
cálculo da média ponderada, os dados podem se diferir um do outro tanto pelo
seu valor quanto pelo seu peso relativo em relação aos demais. Por exemplo, no
cálculo da previsão de demanda de um certo fabricante, a metodologia adotada
é o cálculo da média ponderada da demanda das três últimas semanas. Cada
semana possui uma representatividade: a semana mais recente carrega uma re-
presentatividade (peso) de 0, 7 e as demais possuem o peso de 0, 15 . A fórmula
utilizada no cálculo da média ponderada é:

X
 ( X .w)
w
Em que:

X : média amostral
 ( X .w) : somatório da multiplicação de cada valor pelo seu peso w
 w : somatório dos pesos w

Em nosso exemplo, há os seguintes valores de demanda das três últimas semanas

com os seus respectivos pesos:

Demanda (unidade) Peso

200 0, 7

180 0, 15

150 0, 15

Tabela 6 - Dados de demanda com seus respectivos pesos / Fonte: o autor.

Calculando a média ponderada, tem-se:

X
 ( X .w)  (200  0, 70)  (180  0,15)  (150  0,15)  189, 5  190 unidades
w (0, 70  0,15  0,15)) 1
25
 Média de distribuição de frequência
UNIDADE 1

Os dados que utilizamos para calcular a média do tempo de entrega dos dois
fornecedores do primeiro tópico são dados individuais. Contudo, em algumas
situações, os dados são apresentados de forma agrupada em classes. Podemos
visualizar os dados do mesmo exemplo agrupados em classes nas Tabelas 4 e 5.
Para calcular a média desses dados, utilizamos as seguintes equações:
(X. f )
µ (média populacional)
N
(X. f )
X (média amostral)
n

Em que:

µ :média populacional
X : média amostral
(X f ) tório do produto entre o valor médio de cada classe e a sua frequência
N:total de dados para a população, dado pela somatóriaa da frequên
ncia de todas as classes
n:total de dados para a amostra, dado pela somatória da frequência de todas as classes

Ao utilizar os dados da Tabela 4, o tempo médio de entrega do fornecedor 1 é

calculado por:

X
 ( X . f )  (3  3)  (6  6)  (9  4)  (12  6)  (15 1)  168  8, 4 dias
n 20 20
Por meio dos dados da Tabela 5, o tempo médio de entrega do fornecedor 2 é
calculado por:

X
 ( X . f )  (4  5)  (7  7)  (10  6)  (11  2)  (16  0)  151  7, 55 diass
n 20 20
Observe que as médias calculadas se diferem um pouco das médias calculadas
para dados individuais, mas mostram que o fornecedor 2 possui um tempo de
entrega menor do que o fornecedor 1.

26
Mediana

UNICESUMAR
Além do valor médio de um conjunto de dados, tem-se a mediana como medida
de tendência central. A mediana é o valor do meio de um conjunto de dados, o
qual é ordenado em ordem crescente. Os dados ordenados em ordem crescente
do nosso exemplo do primeiro tópico são:

■ Fornecedor 1: 2 2 3 5 6 6 7 7 7 8 9 10 10 11 11 12 13 13 13 15
■ Fornecedor 2: 3 4 5 5 5 6 6 6 6 7 7 � �� 7 � 9 10 10 10 11 11 12 13

Há 20 dados em cada conjunto. Qual é o valor do meio de cada conjunto? Pelo

fato de que o total é um número par  20  , precisamos calcular o valor do meio.
Ele é dado pela média entre os dois valores que dividem o conjunto em duas
partes. No caso do fornecedor 1, os valores são 8 e 9 . A média entre eles é
 8  9  / 2 = 8, 5 dias . Já no caso do fornecedor 2, os valores são 7 e 7 . A média
entre eles é  7  7  / 2  7 dias . Portanto:

■ Mediana para o fornecedor 1 = 8, 5 dias.

■ Mediana para o fornecedor 2 = 7 dias.

Caso o total de dados do conjunto fosse um número ímpar, como 19 dados, por
°
exemplo, a mediana seria o 10 valor do conjunto de dados ordenados, pois ele
divide o conjunto em duas partes iguais de 9 dados cada. Pelo valor da mediana,
concluímos, também, que o fornecedor 2 possui o menor tempo de entrega.

Moda

A moda é uma medida de tendência central, dada pela contagem da repetição

de cada valor em um conjunto de dados. O valor que mais se repetir ou possuir
maior frequência é a moda do conjunto. Os dados ordenados em ordem cres-
cente do nosso exemplo são:

■ Fornecedor 1: 2 2 3 5 6 6 7 7 7 8 9 10 10 11 11 12 13 13 13 15
■ Fornecedor 2: 3 4 5 5 5 6 6 6 6 7 7 � �� 7 � 9 10 10 10 11 11 12 13

27
 Qual é o valor que mais se repete para cada fornecedor? Observamos que, para
UNIDADE 1

o fornecedor 1, o valor 7 se repete 3 vezes, assim como o valor 13 se repete 3

vezes. Nesse caso, o conjunto é bimodal, ou seja, apresenta duas modas de valores:
o 7 e o 13 . Para o fornecedor 2, o valor 6 se repete 4 vezes, ou seja, a moda do
conjunto de dados do fornecedor 2 é igual a 6 (unimodal). Novamente, pela
moda, observamos que o fornecedor 2 possui o menor prazo de entrega.

explorando Ideias

Existem distribuições de dados cujos valores não se repetem. Sendo assim, é chamado de
amodal, ou seja, não existe moda.
Fonte: o autor.

Observe que existem três opções para descrever o valor central de um conjunto
de dados: média, mediana e moda. Qual delas utilizar? É recomendado que você
calcule os três valores para observar se há diferenças significativas entre eles. Por
exemplo, conjuntos de dados com valores muito extremos podem alterar a média
para valores muito baixos ou muito altos. Nesses casos, a mediana ou a moda
descreveriam melhor a tendência central dos dados.
Já os dados que se distanciam muito do centro podem não ser representativos.
Eles são chamados de outliers e aprenderemos a como calcular o intervalo que
representa esses valores a seguir. De toda forma, é preciso ficar atento ao valor
de média calculado para se certificar se ele não é influenciado por poucos dados
com valores extremos, os quais não representam muito a realidade do conjunto
de dados. Por exemplo, caso um dos fornecedores do exemplo apresentado tivesse
um problema raro de incêndio em uma parte de suas instalações, o que acarre-
taria um tempo de entrega de 150 dias, esse valor traria a média do conjunto de
dados para um valor mais alto do que o normal. Não representaria, entretanto, o
comportamento de entrega do fornecedor em condições normais.

Medidas de posição

Além das medidas de tendência central, podem ser calculadas outras medidas para se
entender melhor a distribuição de um conjunto de dados. São as medidas de posição.

28
 É conveniente separar os dados não apenas por intermédio do valor do meio

UNICESUMAR
(a mediana). Para tanto, existe outra forma de separação: as separatizes. Elas divi-
dem (separam) um conjunto de dados em partes iguais, as chamadas primeiro
quartil  Q1 , as quais representam até 25% dos dados. Já o segundo quartil  Q2 
representa até 50% dos dados, enquanto o terceiro quartil  Q3  representa até
75% dos dados. Para entender melhor esse conceito, veja o exemplo a seguir:
Imagine a situação em que foi coletado o total do faturamento anual de 15
empresas de pequeno porte do setor de confecções de sua região. Os dados foram
organizados em ordem crescente, conforme pode ser visualizado a seguir:
Valores em mil reais:
800 900 950 980 1000 1000 1100 1130 1250 1250 1300 1350 1400 1440 1500

Para encontrar cada uma das três separatrizes  Q1, Q2 e Q3  , dividimos os dados
em três partes iguais:
800 900 9509801000 1000 110011301250 1250 130013501400 1440 1500

É sabível que Q1 = 980 ; Q2 = 1130 ; Q3 = 1350 . Assim, é possível interpretar

que, em relação as empresas:

■ 25% faturam até 980 mil reais.

■ 50% faturam até 1130 reais.
■ 75% faturam até 1350 reais.

Ainda, é possível afirmar que 75% das empresas faturam, no mínimo, 980 mil reais;
50% faturam, no mínimo, 1130 reais; e 25% faturam, no mínimo, 1350 reais.
Se calcularmos o valor de Q3 − Q1 , obteremos a amplitude interquartil  AIQ  ,
a qual demonstra a amplitude da porção central dos dados. Além disso, ela re-
presenta 50% dos dados e é utilizada para determinar outliers. Para o nosso
exemplo, sabe-se que AIQ  Q3  Q1  1350  980  370 mil reais. Assim como
já fora explicado, os outliers são valores que ficam muito longe dos demais dados,
visto que podem ficar na extremidade esquerda ou direita do conjunto de dados
(valores muito baixos ou valores muito altos) e são calculados por:

Outlier  Q1  1, 5 AIQ
Outlier  Q3  1, 5 AIQ

29
 Para os dados do nosso exemplo, sabe-se que:
UNIDADE 1

Outlier  Q1  1, 5 AIQ
Outlier  980  1, 5   370 
Outlier  425 mil reais

Outlier  Q3  1, 5 AIQ
Outlier  1350  1, 5   370 
Outlier  1905 mil reais

Observamos, em nossos dados, que não existem valores abaixo de 425 mil reais
ou acima de 1905 mil reais. Portanto, nenhum valor é um outlier. Caso houves-
se, por exemplo, um dado com valor de 100 mil reais, ele seria um outlier e, como
tal, seria preciso verificar se existe alguma causa especial que gerou tal valor. Para
calcular a média dos dados, é recomendado não considerar esse valor.
Para finalizar os conceitos utilizados na representação dos dados, em estatís-
tica descritiva, estudaremos as medidas de variação dos dados.

30
4
MEDIDAS DE

UNICESUMAR
VARIAÇÃO
ou de dispersão

Um conjunto de dados que representa alguma característica de interesse, sempre,

terá variação de valores. A dimensão de peças produzidas por uma máquina terá
pequenas variações para cada item produzido, as quais podem ser identificadas
com aparelhos de medição que possuem uma escala com mais divisões. Caso
as variações sejam mínimas, o equipamento ou máquina possui características
estáveis para a produção das peças. No entanto, sempre, haverá uma variação
de medidas em um mesmo conjunto de dados. Para entendê-la, calculamos as
seguintes medidas de variação: amplitude, desvio, variância, desvio padrão e coe-
ficiente de variação. Compreenderemos cada uma delas, por meio do exemplo
apresentado, no primeiro, tópico desta unidade.

Amplitude

A amplitude é a mais simples medida de variação e representa o intervalo entre o

menor e o maior valor de um conjunto de dados. Considerando o exemplo da deter-
minação do tempo de entrega dos fornecedores 1 e 2, sabe-se que o menor tempo de
entrega do fornecedor 1 é de 2 dias e o maior tempo é de 15 dias. Portanto, tem-se:

Amplitude = maior valor - menor valor  15  2  13 dias

31
 Ao realizar o mesmo cálculo para o fornecedor 2, é sabível que a amplitude é igual a:
UNIDADE 1

Amplitude = maior valor - menor valor  13  3  10 dias

É possível concluir que o fornecedor 2 possui tempo de entrega com amplitude
menor, além de ter uma média de tempo de entrega menor, assim como já fora
constatado.

Desvio

Desvio é o valor da diferença de um dado em relação ao valor da média do conjun-

to de dados. Sabemos que a média do tempo de entrega do fornecedor 1 é de 8, 5
dias. A partir disso, podemos calcular o desvio de cada valor. Veja a tabela a seguir:

Tempo de entrega Desvio

Pedido
(dias) (valor – média)

1 10 1, 5

2 15 6, 5

3 13 4, 5

4 6 −2, 5

5 13 4, 5

6 7 −1, 5

7 13 4, 5

8 11 2, 5

9 12 3, 5

10 10 1, 5

11 7 −1, 5

12 2 −6, 5

13 5 −3, 5
32
 Tempo de entrega Desvio

UNICESUMAR
Pedido
(dias) (valor – média)

14 6 −2, 5

15 7 −1, 5

16 9 0, 5

17 11 2, 5

18 8 −0, 5

19 2 −6, 5

20 3 −5, 5

Tabela 7 - Desvio de cada entrega do fornecedor 1 / Fonte: o autor.

Observe que os valores “se desviam” da média tanto para cima (valores positivos)
quanto para baixo (valores negativos). O desvio é utilizado para calcular duas
outras medidas importantes de variação: a variância e o desvio padrão.

Variância

Para entendermos melhor o desvio dos valores de um conjunto de dados, é conve-

niente calcular uma média dos desvios. Contudo, caso sejam somados os desvios
de um conjunto de dados, o somatório será igual a zero (tente fazer isso com os
dados da Tabela 7). Assim, para compreender melhor o desvio geral dos dados,
elevamos o valor de cada desvio ao quadrado, a fim de tornar os valores negativos
de desvio em valores positivos. Com isso, podemos calcular a variância, a qual é
definida pelas seguintes equações:
2 (X µ) 2
σ (variância populacional)
N
( X X )2
s2 (variância amostral)
n 1

33
 Em que:
UNIDADE 1

σ 2 : variância populacional
X:valor de cada dado da população ou amostra
µ:média populacional
N:total de dados para a população
s 2 :variância amostral
X : média amostral
n:total de dados para a amostra

Observe que há uma diferença no denominador das equações da variância. Para

a variância populacional, consideramos a totalidade dos dados. Já para a variância
amostral, subtraímos uma unidade. Subtrair uma unidade, segundo a teoria esta-
tística, gera estimativas melhores da variância populacional quando se é calculada
a variância amostral.
Acompanhe, na tabela a seguir, o cálculo do desvio ao quadrado dos dados
do fornecedor 1 do nosso exemplo:

Tempo de Desvio Desvio ao

Pedido
entrega (dias) (valor - média) quadrado

1 10 1, 5 2, 25
2 15 6, 5 42, 25
3 13 4, 5 20, 25
4 6 −2, 5 6, 25
5 13 4, 5 20, 25
6 7 −1, 5 2, 25
7 13 4, 5 20, 25
8 11 2, 5 6, 25
9 12 3, 5 12, 25
10 10 1, 5 2, 25
11 7 −1, 5 2, 25
34
 Tempo de Desvio Desvio ao

UNICESUMAR
Pedido
entrega (dias) (valor - média) quadrado

12 2 −6, 5 42, 25
13 5 −3, 5 12, 25
14 6 −2, 5 6, 25
15 7 −1, 5 2, 25
16 9 0, 5 0, 25
17 11 2, 5 6, 25
18 8 −0, 5 0, 25
19 2 −6, 5 42, 25
20 3 −5, 5 30, 25
Somatório: 279

Tabela 8 - Cálculo do desvio ao quadrado dos dados do fornecedor 1 / Fonte: o autor.

Apliquemos a equação da variância amostral:

s2 
 ( X  X )2  279 279
  14, 7 dias
n 1 20  1 19

Observe que o valor da variância expressa a unidade ao quadrado, mas nos inte-
ressa o valor com a sua unidade original. Para tanto, calculamos o desvio padrão.

Desvio padrão

O desvio padrão é o valor da raiz ao quadrado da variância. É calculado por:

(X µ) 2
σ (desvio padrão populacional)
N
(X X )2
s (desvio padrão amostral)
n 1
35
 Assim, o desvio padrão para os dados do fornecedor 1 do nosso exemplo é igual a:
UNIDADE 1

s
 ( X  X )2 
279

279
 3, 8 dias
n 1 20  1 19

Ao realizar o cálculo para o desvio padrão dos dados do fornecedor 2, tem-se:

s
 ( X  X )2 
156, 55

156, 55
 2, 9
n 1 20  1 19

Conclui-se que o fornecedor 2 possui o menor tempo de entrega. Além disso,

possui menor variação entre os tempos de entrega de cada pedido, cujo desvio
padrão é de 2, 9 dias.

Coeficiente de variação

A última medida de variação é um coeficiente calculado a partir dos valores da

média e do desvio padrão. Dessa forma, o coeficiente de variação é dado pela
seguinte equação:
σ
CV  (coeficiente de variação para dados populacionais)
µ
s
CV  (coeficiente de variaçãoo para dados amostrais)
X
Em que:

CV: coeficiente de variação

σ : desvio padrão populacional
µ: média populacional
s: desvio padrão amostral
X : média amostral

O coeficiente de variação pode ser usado para comparar a variação entre dois
conjuntos de dados com unidades de medidas iguais ou diferentes. Ao calcular
o seu valor para os dados do exemplo, é sabível que:
36
 UNICESUMAR
s 3, 8
■ Fornecedor 1: CV
= =  0, 45
X 8, 4
s 2, 9
■ Fornecedor 2: CV
= =  0, 38
X 7, 55
Desse modo,, é possível concluir que o fornecedor 2 possui um coeficiente de va-
riação menor, o que significa que seus resultados de tempo de entrega de pedidos
estão mais próximos do valor médio do conjunto de dados, quando comparados
com os dados do fornecedor 1.

Regra empírica de distribuição de dados

Agora que você já entende o conceito de desvio padrão, apresentaremos uma

importante aplicação que faz uso desse conceito. É comum afirmarmos que uma
distribuição de dados segue o comportamento de uma distribuição normal. Essa
distribuição de dados é visualizada em um gráfico ou histograma em que os dois
lados são simétricos e a curva forma um sino.
Para compreender melhor, considere o seguinte exemplo: as peças produzidas em
uma máquina têm o seu diâmetro medido após a fabricação. Considere o caso em que
foram produzidas 200 peças e o diâmetro de tais deve ter o tamanho de (150 ± 5)mm
A figura, a seguir, ilustra o histograma de distribuição dos dados medidos:
80

60
Frequência

40

20

0
146 148 150 152 154
Dimensão (mm)
Figura 6 - Distribuição do diâmetro de 200 peças fabricadas / Fonte: o autor.

Observe, por meio do gráfico, que o maior número de peças foi fabricado com
150mm . Além disso, existem frequências menores tanto do lado esquerdo quan-
to do lado direito do valor de 150mm . Se desenharmos uma linha que se apro-
xima dos pontos médios de cada barra, obteremos uma curva semelhante a um
sino, conforme
80 ilustra a figura a seguir:
37
60
Frequência

40
UNIDADE 1

80

60
Frequência

40

20

0
146 148 150 152 154
Dimensão (mm)

Figura 7 - Os dados seguem uma distribuição normal em forma de sino / Fonte: o autor.

Para esse tipo de distribuição, há uma regra empírica que afirma:

■ 68% dos dados estão dentro do intervalo de ±1s .

■ 95% dos dados estão dentro do intervalo de ±2s .
■ 99, 7% dos dados estão dentro do intervalo de ±3s .

A figura, a seguir, ilustra esse conceito:

99,7% dentro
de+- 3 desvios padrão

95% dentro
de +- 2 desvios padrão
68% dentro
de+- 1 desvio
padrão

2,35% 2,35%

x-3s x-2s x-s x x+s x+2s x+3s

Figura 8 - Distribuição em forma de sino / Fonte: Larson e Farber (2015, p. 88).

Assim, considerando que a média dos dados de diâmetro de peças é de 149, 9mm
e que o desvio padrão é de 1, 6mm , é sabível que 68% dos dados estão entre
149, 9  1, 6  148, 3mm e 149, 9  1, 6  151, 5mm .
38
5
NOÇÕES DE

UNICESUMAR
PROBABILIDADE

Até agora, estudamos a parte da estatística que organiza e representa os dados.

A estatística descritiva é muito útil para o CEP e, por isso, utilizaremos, constan-
temente, os conceitos de média e desvio padrão, por exemplo. Contudo, para a
tomada de decisões dentro do CEP, é necessário, também, que tenhamos conhe-
cimento acerca da estatística inferencial. Para entender o seu funcionamento, é
fundamental conhecer as noções de probabilidade.
Quando estudamos a teoria da probabilidade, estamos interessados em de-
terminar a chance de certos eventos ocorrerem. Por exemplo: qual é a chance de
um lote de 100 peças possuir 2 peças com defeito? Qual é a chance de um pro-
cesso automatizado começar a produzir peças com defeito?
A resposta para tais perguntas está sujeita à lei do acaso, ou seja, situações
imprevistas acontecem e influenciarão os resultados. A lei do acaso afeta todo
experimento probabilístico, o qual gerará um conjunto de resultados possíveis,
o denominado espaço amostral. Além disso, alguns desses resultados formam
um evento. Compreenderemos melhor esses conceitos com um exemplo.
Considere o experimento probabilístico de jogar um dado. Se o dado não
estiver “viciado”, o resultado obtido está sujeito à lei do acaso, ou seja, há incerteza
sobre o valor que será obtido. Entretanto, podemos determinar o espaço amostral
desse experimento: pelo fato de que o dado possui seis faces, temos a certeza de
que o valor será um dos seis resultados possíveis: 1, 2, 3, 4, 5 ou 6 . Assim, é pos-
39
 sível determinar alguns eventos para esse experimento. Por exemplo, há o evento
UNIDADE 1

denominado obter um número que seja menor que quatro, o qual é formado
pelos resultados 1, 2 e 3 . É possível, também, ter outro evento, o obter um núme-
ro ímpar, por exemplo, formado pelos resultados 1, 3 e 5 , e assim por diante.
É a partir da comparação entre o total de resultados de um evento e o total
de resultados do espaço amostral que se calcula a probabilidade de um evento
ocorrer. Por exemplo, o evento denominado obter um número ímpar possui três
resultados: 1, 3 e 5 . Já o espaço amostral possui um total de seis resultados:
1, 2, 3, 4, 5 e 6 . Calculamos a probabilidade clássica desse evento pela divisão
de 3 por 6 , que é igual a 0, 5 . Em outras palavras, existe uma probabilidade de
0, 5 ou de 50% de se obter um número ímpar no lançamento de um dado.
Existe um princípio muito útil para determinar a probabilidade de uma com-
binação de evento. É o princípio fundamental da contagem.

Princípio fundamental da contagem

Mediante a existência de dois ou mais eventos com diferentes maneiras de ocor-

rência, é possível calcular combinações de ocorrência entre eles. Segundo Larson
e Farber (2015), dado dois eventos, se um deles pode ocorrer de m maneiras e
o outro de n formas diferentes, então, o número de maneiras com que os dois
eventos podem ocorrer em sequência é igual a m vezes n, ou m.n.
Considere o exemplo de selecionar uma calça e uma camiseta. Suponha que
existem três opções de calça e cinco opções de camiseta. Em outras palavras, o
primeiro evento de selecionar uma calça possui três maneiras diferentes de ocor-
rência, enquanto o segundo evento de selecionar uma camiseta possui cinco
maneiras distintas. Ao considerar a ocorrência desses eventos em sequência, o
número possível de combinações de calças e de camisetas é igual a 3  5  15
combinações diferentes.

Tipos de probabilidade

Para calcular a chance ou a probabilidade de um certo evento ocorrer, precisa-

mos conhecer os resultados possíveis e, então, determinar a chance de que um
determinado resultado aconteça. Para tanto, estudaremos os três tipos de proba-
40 bilidade: a clássica, a empírica e a subjetiva.
 A probabilidade clássica é calculada quando conhecemos os resultados

UNICESUMAR
possíveis e cada um deles são igualmente possíveis de ocorrer. É o caso, por exem-
plo, do lançamento de uma moeda. Se a moeda não estiver “viciada”, tanto a face
denominada cara quanto a chamada de coroa são igualmente possíveis de ocorrer.
Assim, a probabilidade clássica de um evento é calculada por:

n º resultados _ no _ evento _ E
P( E ) =
nº _ resultados _ no _ espaço _ amostral

Em que P ( E ) é denominado probabilidade do evento ( E ).

Suponha que o evento ( E ) seja obter cara no lançamento de uma moeda. Sabe-
mos que o número de resultados desse evento é igual a 1 , pois existe apenas uma
cara na moeda. Já o número de resultados do espaço amostral é igual a 2 , pois
existem dois resultados possíveis no lançamento de uma moeda: cara ou coroa.
Assim, é sabível que:

n º resultados _ no _ evento _ E 1
P( E ) = = = 0, 5 ou 50%
nº _ resultados _ no _ espaço _ amostral 2

A probabilidade empírica é calculada a partir de observações dos resultados

obtidos em um experimento e por meio da frequência de cada resultado. Dessa
forma, a probabilidade empírica de um evento ( E ) obtêm-se a partir da divisão
da frequência dos resultados do evento ( E ) pela frequência total das observações
cuja equação representativa é:

frequência _ do _ evento _ E
P( E ) =
frequência _ total

Como exemplo, há o cálculo da probabilidade de se retirar uma peça defeituosa

de um lote de produção. Sabe-se, por dados históricos, que, no último mês, de
1000 unidades produzidas, 10 estavam com defeito. Assim, a frequência do even-
to ( E ), denominado retirar uma peça com defeito, é igual a 10 e a frequência
total é de 1000 . Temos, então:
frequência _ do _ evento _ E 10
=P(E)= P( E ) = = 0, 01 ou 1%
frequência _ total 1000 41
 Já a probabilidade subjetiva é estimada por profissionais com base em sua expe-
UNIDADE 1

riência. Médicos podem indicar, por exemplo, a probabilidade subjetiva de sucesso

de um determinado tipo de tratamento. Observe que não é feito nenhum cálculo.
Independentemente do tipo de probabilidade, tenha em mente que seu valor
deve ser igual a 0 ou 1 ou estar dentro do intervalo de 0 e 1 . De acordo com o
valor da probabilidade, é possível qualificar a chance de o evento ocorrer, con-
forme ilustra o quadro a seguir:

Valor da
0 0,25 0,50 0,75 1
probabilidade

chance
Qualificação impossível improvável provável certo
igual

Quadro 2 - Qualificação da probabilidade conforme seu valor numérico

Fonte: adaptado de Larson e Farber (2015, p. 133).

Um evento com probabilidade 0 é um evento impossível, enquanto um evento

com probabilidade igual a 1 é um evento certo. Eventos improváveis são aqueles
com probabilidade igual ou próxima de 0, 25 . Já os prováveis são aqueles com
probabilidade igual ou próxima de 0, 75 . Caso a probabilidade seja de 0, 5 , o
evento tem chance igual de ocorrer ou de não ocorrer.
Para finalizarmos os tipos de probabilidade, é importante conhecer a Lei dos
Grandes Números (LGN), que se relaciona à probabilidade empírica. Segundo essa
lei, quando se obtém um grande número de resultados de um certo evento, a sua
probabilidade começa a se aproximar da probabilidade teórica (real) (LARSON;
FARBER, 2015). É o caso, por exemplo, do lançamento de uma moeda: se você lan-
çar uma moeda dez vezes, possivelmente, não obterá cinco resultados cara e cinco
resultados coroa. No entanto, se lançar a moeda em uma grande quantidade de vezes,
obterá cada vez mais uma distribuição de 50% dos resultados cara e 50% coroa.
A seguir, trabalharemos alguns conceitos de probabilidade e suas aplica-
ções: eventos complementares, probabilidade condicional, probabilidade de
eventos independentes, regra da multiplicação, eventos, mutuamente, exclu-
sivos e regra da adição.

42
Eventos complementares

UNICESUMAR
Um evento complementar é aquele que complementa o evento que está sendo es-
tudado. Por exemplo, o evento complementar do evento denominado selecionar
uma peça com defeito de um lote de produção é o evento chamado selecionar
uma peça sem defeito de um lote de produção. Matematicamente, a probabilidade
do evento complementar é dada por:
P  E�   1  PE

Em que ( E ) indica o evento e ( E ' ) indica o evento complementar.

Probabilidade condicional

Alguns eventos possuem a sua probabilidade condicionada à ocorrência de ou-

tros. Por exemplo, a probabilidade do evento chamado retirar uma peça com
defeito de um lote de 100 peças está condicionada ao evento anterior, o de reti-
rar uma peça do lote. Isso se deve, porque, ao retirar a primeira peça, existem 100
resultados possíveis. Já na segunda retirada, existem 99 resultados possíveis e
esse número vai diminuindo à medida que se retiram as peças. Representamos
a probabilidade condicional por:

P( B A)
Em que se lê: probabilidade do evento B, dado o evento A. Em outras palavras, a
probabilidade do evento B depende do evento A.

Probabilidade de eventos independentes

Quando a probabilidade de um evento não está condicionada à probabilidade de

outro, afirmamos que eles são eventos independentes e representamos isso por:

P  B | A  P  B 
Em outras palavras, a probabilidade do evento B é igual na ocorrência, ou não,
do evento A . Como exemplo, temos o evento denominado duplicar a quantida-
de de vendas anuais e o chamado encontrar uma peça defeituosa em um lote de
100 peças. A ocorrência do primeiro evento não influencia na ocorrência do
segundo e vice-versa.
43
 Regra da multiplicação
UNIDADE 1

Essa regra é muito importante para calcularmos a probabilidade de ocorrência

de dois eventos. Por exemplo: qual é a probabilidade de se produzir uma peça
boa em duas máquinas diferentes? Para responder à pergunta, precisamos deter-
minar a probabilidade de se produzir uma peça boa, em cada uma das máquinas.
Suponha que, na primeira máquina, a probabilidade seja 0, 8 , enquanto, na se-
gunda, seja 0, 9 . Por meio da regra da multiplicação, é possível calcular a proba-
bilidade de se produzir uma boa peça nas duas máquinas por meio da equação:

P  A e B   P  A  P  B 

Ao aplicar os valores, temos:

.
P  A e B   P  A   P  B   0, 8  0, 9  0, 72

Portanto, podemos afirmar que é provável que seja produzida uma peça boa nas
duas máquinas. Caso os eventos sejam dependentes, a escrita da equação anterior
se altera para:

P  A e B   P  A  . P( B | A)

Observe que o cálculo é o mesmo: a equação apenas indica que a probabilidade

do evento B é dependente do evento A .

Eventos mutuamente exclusivos

Quando dois eventos não podem ocorrer ao mesmo tempo, afirmamos que eles
são, mutuamente, exclusivos. Utilize, como exemplo, dois eventos: um denomi-
nado selecionar uma peça boa e outro chamado selecionar uma peça ruim. Per-
ceba que ou um evento acontece, ou o outro acontece. É impossível selecionar
uma peça que seja boa e ruim. Já o evento chamado selecionar uma peça boa e o
denominado selecionar uma peça com 2kg não são, mutuamente, exclusivos,
pois é possível selecionar uma peça que seja boa e tenha uma massa de 2kg .

44
Regra da adição

UNICESUMAR
Essa regra é muito importante para calcularmos a probabilidade de ocorrência
de um ou de outro evento. Por exemplo: qual é a probabilidade de se produzir
uma peça boa em, pelo menos, uma máquina, de um total de duas máquinas
diferentes? Para responder à pergunta, precisamos determinar a probabilidade
de se produzir uma peça boa em cada uma das máquinas. Suponha que, na pri-
meira máquina, a probabilidade seja de 0, 8 , enquanto, na segunda, seja de 0, 9 .
Ao utilizar a regra da adição, conseguimos calcular a probabilidade de se produzir
uma peça boa nas duas máquinas por meio da equação:

P  A ou B   P  A   P  B   P  A e B 

Sabemos que P A e B 0, 72 (vide subtópico anterior)

Aplicando os valores, temos:

P  A ou B   P  A   P  B   P  A e B   0, 8  0, 9  0, 72  0, 98

Portanto, há uma probabilidade quase certa de se produzir, pelo menos, uma peça
boa nas duas máquinas. Caso os eventos sejam, mutuamente, exclusivos, a escrita
da equação anterior se altera para:

P  A ou B   P  A  . P  B 

Observe que essa equação remove a parcela P  A e B  , pois os eventos são, mu-
tuamente, exclusivos.
Finalizamos a nossa introdução aos conceitos de probabilidade. Na próxima
unidade, iniciaremos o estudo das ferramentas aplicadas no Controle Estatístico do
Processo (CEP), por meio do uso de alguns dos conceitos trabalhados, nesta unidade.

45
 CONSIDERAÇÕES FINAIS
UNIDADE 1

A estatística descritiva e a inferencial formam a base do Controle Estatístico do

Processo (CEP). Nesta primeira unidade, entendemos conceitos importantes, os
quais se relacionam à área da estatística descritiva, e estudamos conceitos acerca
da teoria da probabilidade.
Você já está apto para descrever o papel da estatística descritiva no CEP. Assim
como fora estudado, é preciso coletar, organizar e representar os dados provenien-
tes de processos produtivos para entender o que acontece no processo e tomar
decisões. Entendemos que os dados podem ser populacionais ou amostrais e que
a sua frequência de ocorrência é representada por meio de classes e histogramas.
Estudamos, também, os tipos de dados: quantitativos e qualitativos. Percebemos
que os dados podem ser medidos em quatro níveis diferentes, a saber: nominal,
ordinal, intervalar e razão. Para cada nível de mensuração, é possível aplicar algumas
operações, tais como a de categorizar, ordenar, subtrair e determinar múltiplos.
Um conjunto de dados que expressa alguma medida, obtida por meio de obser-
vações, contagem ou medições, terá valores diferentes. É possível, então, calcular me-
didas de tendência central: média, média ponderada, moda e mediana. Essas medidas
são muito usadas em relatórios, a fim de expressar a grandeza dos valores medidos.
Além das medidas de tendência central, estudamos as medidas de posição e
de variação. Por meio das medidas de posição, conseguimos estimar a quantidade
de dados dentro de certos intervalos de valores. Já as medidas de variação indicam
como os dados, dentro de um conjunto, estão distribuídos. Calculamos, para isso,
a amplitude, desvio, variância, desvio padrão e o coeficiente de variação.
Por fim, trabalhamos alguns conceitos básicos da teoria da probabilidade, a
qual é utilizada na estatística inferencial. Aprofundaremos a sua aplicação nas
unidades específicas sobre o CEP.

46
 na prática

1. Em relação à estatística descritiva, julgue as afirmativas a seguir com (V) para as

Verdadeiras e (F) para as Falsas:

( ) Para representar dados em classes de frequência, é recomendado um número

máximo de cinco classes.
( ) Para obter o limite superior de uma classe de frequência, pode-se somar, ao
limite inferior da classe, o valor da amplitude da classe.
( ) O ponto médio de uma classe também é conhecido como frequência relativa
da classe.
( ) Os histogramas representam, no eixo horizontal, as fronteiras das classes. Já
no eixo vertical, demonstra-se a frequência de cada uma delas.

A sequência correta é:

a) V, F, V, F.
b) V, F, V, V.
c) F, V, F, V.
d) V, V, F, F.
e) V, V, F, V.

2. Um relatório de produção apresenta dois valores: (a) diâmetro de peça e (b) quan-
tidade produzida. As variáveis (a) e (b) possuem nível de mensuração, respectiva-
mente:

a) Razão e razão.
b) Intervalar e razão.
c) Ordinal e quantitativo.
d) Qualitativo e ordinal.
e) Intervalar e quantitativo.

47
 na prática

3. Considere o seguinte conjunto de dados, o qual representa a produtividade média

semanal, medida em % , de um novo trabalhador durante cinco semanas de trabalho.

10 75 75 80 85
Calcule a média, a moda e a mediana dos valores. Qual delas é o melhor valor para
representar a produtividade do trabalhador, durante as cinco semanas?

4. Calcule o desvio padrão dos dados do exercício 3.

5. Um inspetor de qualidade inspeciona peças produzidas por duas máquinas. A má-

quina 1 é mais moderna que a máquina 2 e ambas produzem o mesmo modelo de
peça. Considerando esse exemplo, analise as afirmativas a seguir:

I - Um possível evento é selecionar uma peça boa do lote produzido pela máquina 1.
II - O espaço amostral do experimento de selecionar peças da máquina 2 é igual
ao total de peças produzidas pela máquina.
III - Caso a probabilidade de se produzir uma peça boa na máquina 1 seja de 0,75,
pode-se afirmar que, provavelmente, essa máquina produzirá uma peça boa.
IV - Para calcular a probabilidade de produção de uma boa peça na máquina 1 e na
máquina 2, é preciso utilizar a regra da adição.

6. É correto o que se afirma em:

a) I, apenas.
b) I e II, apenas.
c) I, II e III, apenas.
d) I, II e IV, apenas.
e) I, III e IV, apenas.

48
 aprimore-se

VARIABILIDADE EM PROCESSOS PRODUTIVOS

A variabilidade, também denominada variação ou dispersão, está presente em to-

dos os processos de produção de bens e de fornecimento de serviços. Considere,
por exemplo, uma situação em que serão selecionadas algumas peças provenien-
tes de uma linha de produção e, a seguir, será medido o diâmetro de cada uma
dessas peças. Se o instrumento de medida utilizado tiver resolução suficiente, os
resultados obtidos serão diferentes, ou seja, existirá variabilidade entre as medidas
do diâmetro. Em outra situação, se forem contados os números de defeitos (não
conformidades) presentes em várias chapas metálicas, será detectada a existência
de variabilidade entre as contagens, já que algumas chapas apresentaram um pe-
queno número de defeitos, enquanto outras terão vários defeitos. Além disso, se
forem registrados os tempos gastos por uma camareira para arrumar os quartos
de um hotel, em um determinado dia, poderemos perceber a existência de variação
nos resultados que serão obtidos. É possível afirmar que a variabilidade é o resulta-
do de alterações nas condições sobre as quais as observações são tomadas. Essas
alterações podem refletir diferenças nas matérias-primas, nas condições dos equi-
pamentos, nos métodos de trabalho, nas condições ambientais e nos operadores
envolvidos no processo considerado. A variabilidade também é decorrente do siste-
ma de medição empregado. Quando medimos o peso de um objeto, por exemplo, o
valor que será obtido dependerá da localização exata do objeto na balança e da ca-
libração do aparelho, dentre outros fatores. Por esse motivo, se um mesmo objeto
for pesado duas vezes, provavelmente, não serão obtidos dois resultados idênticos.
De acordo com a discussão exposta, é fácil perceber que, no processo de fabri-
cação de um produto e na prestação de um serviço, atuam diversos fatores que
afetam as suas características da qualidade. Nesse sentido, o processo pode ser
visualizado como um conjunto de causas de variação. Essas causas provocam as
mudanças nas diversas características da qualidade dos produtos, o que poderá dar
origem aos produtos defeituosos. Note que um produto será considerado defei-
tuoso se as suas características da qualidade não satisfizerem a uma determinada
especificação e será considerado perfeito ou não defeituoso, em caso contrário. Até

49
 aprimore-se

mesmo os produtos não defeituosos apresentam variações dentro dos limites de

sua especificação, o que significa afirmar que esses produtos não são, exatamente,
idênticos. Com o objetivo de mostrar o que foi sustentado, até agora, sobre a varia-
bilidade, considere, como exemplo, o processo de têmpera a que são submetidas as
peças de aço produzidas por uma indústria metalúrgica.
O processo de têmpera consiste em aquecer as peças até uma temperatura ade-
quada, mantê-las durante um certo tempo e, em seguida, resfriá-las, bruscamente,
em um meio líquido, usualmente água, soluções salinas ou óleos. A têmpera é o tra-
tamento térmico usual praticado pela indústria quando é necessário aumentar a du-
reza das peças de aço para atender às especificações estabelecidas pelos clientes.
Vamos, então, tentar identificar algumas causas de variação que atuam no processo
de têmpera e que, portanto, afetam a dureza das peças temperadas.
Em primeiro lugar, devemos notar que, se as peças forem aquecidas em um forno
elétrico, a temperatura do forno variará, continuamente, em torno de algum valor
médio, como resultado das oscilações na voltagem da energia fornecida ao forno.
Se for utilizado um forno a gás, a temperatura sofrerá variações em consequência
de oscilações na pressão do gás. Além disso, as áreas próximas ao topo, a base, as
laterais ou a parte central do forno apresentam condições térmicas diferentes entre
si, então, a quantidade de calor que cada peça de aço irá receber variará de acordo
com a sua posição relativa, no interior do forno. Outra causa de variação do proces-
so de têmpera é a temperatura do banho no qual as peças são resfriadas, o qual
sofrerá alterações, à medida que as peças do forno são lançadas em seu interior.
Devido a atuação de fatores desse tipo, será esperada uma variação na qualidade
das peças temperadas.

Fonte: adaptado de Werkema (2006).

50
 eu recomendo!

livro

O andar do bêbado: como o acaso determina nossas vidas

Autor: Leonard Mlodinow
Editora: Zahar
Sinopse: não estamos preparados para lidar com o aleatório e,
por isso, não percebemos o quanto o acaso interfere em nossas
vidas. Em um tom irreverente, por meio da citação de exemplos
e de pesquisas presentes em todos os âmbitos da vida, do mer-
cado financeiro aos esportes, de Hollywood à medicina, Leonard Mlodinow apre-
senta, de forma divertida e curiosa, as ferramentas necessárias para identificar
os indícios do acaso. Como resultado, ajuda-nos a fazer escolhas mais acertadas
e a conviver melhor com os fatores que não podemos controlar. Prepare-se para
colocar em xeque algumas certezas sobre o funcionamento do mundo e para
perceber que muitas coisas são tão previsíveis quanto o próximo passo de um
bêbado depois de uma noitada.

51
2
anotações

INTRODUÇÃO

AO
CONTROLE ESTATÍSTICO



DO PROCESSO




e ferramentas de controle




PROFESSOR
 Maílson José da Silva
Me.















PLANO DE ESTUDO

A seguir, apresentam-se os tópicos que você estudará nesta unidade: • Definição do Controle Estatístico
do Processo • Gráfico de dispersão • Histograma • Gráfico de Pareto.

OBJETIVOS DE APRENDIZAGEM

• Definir o Controle Estatístico do Processo • Explicar a utilização do gráfico de dispersão • Compreender

a utilização do histograma • Trabalhar a utilização do gráfico de Pareto.


INTRODUÇÃO

O Controle Estatístico do Processo (CEP) é uma área de estudo, relati-

vamente, nova. Isso se deve, porque, assim como o próprio nome sugere,
esse tipo de controle tem, por base, os conhecimentos estatísticos. O início
de sua aplicação com maior representatividade data do século XX. Além
disso, já estudamos alguns conhecimentos estatísticos muito importantes
no CEP, tais como média amostral, média populacional, mediana, moda,
desvio padrão, variância etc.
Na presente unidade, explicaremos os conceitos-chave do CEP. Muitos
termos que trabalharemos, provavelmente, já foram ouvidos por você, tais
como processo, causas, problema, variabilidade e entre outros. No entanto,
agora, você os compreenderá do ponto de vista do CEP. Não só, mas en-
tenderá como as indústrias conseguem ter certo nível de certeza quanto à
qualidade de seus produtos, despachados sem, necessariamente, a inspeção
de cada item fabricado.
Após conhecer a base do CEP, explicaremos algumas ferramentas da
qualidade. Para tanto, detalharemos a aplicação do gráfico de dispersão,
histograma e gráfico de Pareto. Essas ferramentas são, relativamente, sim-
ples de serem usadas e a sua aplicação, de forma contínua e consistente,
pode gerar ótimos resultados, em termos de qualidade. Além disso, tais
ferramentas estão relacionadas ao CEP, visto que o controle estatístico de
um processo necessita da coleta e do processamento de dados, que é o
objetivo das ferramentas da qualidade.
O entendimento acerca dos principais termos do CEP proporcionará
uma visão sistêmica de como identificar um problema e estabelecer uma
estratégia para a sua resolução, por meio do Controle Estatístico do Proces-
so (CEP). Já as ferramentas da qualidade serão úteis tanto no CEP quanto
nas demais áreas de atuação na gestão da qualidade. Dessa forma, esta
unidade, em conjunto com a Unidade 1, formará uma base para a aplicação
dos principais conceitos do CEP que serão estudados nas Unidades 3, 4 e 5
1
DEFINIÇÃO DO
UNIDADE 2

CONTROLE
ESTATÍSTICO
do processo

Você já fez uma refeição com base em uma receita culinária que você visualizou
na Internet ou aprendeu com algum(a) amigo(a)? Caso sim, o resultado foi bom?
Provavelmente, você já percebeu que nem sempre uma refeição fica com o mesmo
sabor! Se a sua refeição ficou ruim, talvez, você pense: “sou um(a) péssimo(a)
cozinheiro(a)!”; “os ingredientes não eram de qualidade”; “o forno não ajudou”
ou, ainda, “esta receita deve estar errada!”.
A situação apresentada se assemelha muito com o que ocorre na produção de
bens e serviços em indústrias e prestadoras de serviços. Isso se deve, uma vez que
é fácil identificar que nem sempre todos os produtos/serviços de uma empresa
saem com a mesma qualidade. Existe a possibilidade de comprarmos um produto
no mercado e, ao abri-lo, encontrarmos algum defeito. Contudo, na maioria das
vezes, o produto é bom (exceto se o fornecedor seja, extremamente, ruim, o que
indica que ele não sobreviverá por muito tempo no mercado). Ao nos depararmos
com um produto defeituoso, podemos imaginar uma série de coisas que podem
ter ocorrido e que causaram o defeito:
1. A matéria-prima utilizada pelo fornecedor não possuía qualidade.
2. Os empregados da empresa não possuíam habilidade.
3. Os equipamentos utilizados no processo de fabricação estavam com pro-
blemas de funcionamento.

54
 4. Os instrumentos de medida, tais como trenas, réguas, balanças e medi-

UNICESUMAR
dores de tensão, estavam descalibrados.
5. O local em que o produto foi fabricado possuía péssimas condições am-
bientais, como péssima higiene ou temperatura, por exemplo.
6. A informação contida nos procedimentos de trabalho do fabricante pos-
suía erros ou instruções imprecisas.

Todos esses seis itens apresentados são exemplos dos chamados 6M que com-
põem um processo: matéria-prima, mão de obra, máquinas, medidas, meio am-
biente e método. Esses 6M podem ser identificados na situação apresentada no
início da unidade, a qual discorria sobre a confecção de um prato a partir de uma
receita, visto que qualquer variação em um desses “M” impactará na qualidade
final da sua receita ou, no contexto empresarial, na qualidade final do produto/
serviço. É por isso que precisamos fazer um controle de cada um desses seis ele-
mentos, o qual é realizado por meio do Controle Estatístico do Processo (CEP).

O que é o Controle Estatístico do Processo (CEP)?

O Controle Estatístico do Processo (CEP) é um conjunto de atividades baseadas

na estatística que possui a finalidade de monitorar e controlar a variabilidade de
um processo. Pode-se afirmar que ele se tornou representativo a partir do traba-
lho do Dr. Walter A. Shewhart com os chamados gráficos de controle, na década
de 30 (WERKEMA, 2006).
Resumidamente, o CEP coleta dados em um processo produtivo (por exem-
plo: temperatura de um forno, dimensões de uma peça, tensão utilizada em um
equipamento, número de defeitos em um lote, tempo de fabricação etc.) e busca
gerar um entendimento de como esses dados se relacionam com a qualidade final
do produto. Por meio do CEP, o controle da qualidade não é feito apenas por meio
da inspeção, situação em que se reprova ou se aprova um produto sem atuar de
forma a corrigir os problemas no processo. Assim, o CEP é aplicado pelo setor
de qualidade das empresas, principalmente, na fase de fabricação de um produto.
Contudo, também pode ser utilizado por outros setores, como o de planejamento
e controle da produção ou o de projetos.
As organizações estão interessadas na aplicação do CEP, devido às exigências
de seus clientes por produtos que apresentem a ausência de defeitos e atendam
55
 cada vez mais, algumas necessidades bem específicas, o que exige, em algumas
UNIDADE 2

situações, um ótimo desempenho do produto tanto em termos funcionais quanto

em termos de custo. Também é do interesse das organizações aumentar as mar-
gens de lucro, o que é feito mediante a redução de custos, os quais são maiores, à
medida que um processo produtivo fica fora de controle (situação que acontece
com o desperdício de matéria-prima, retrabalhos, rejeição de lotes etc.). Além da
pressão dos clientes, existe a pressão dos concorrentes: os melhores, em termos de
desempenho operacional, terão os melhores resultados. Dessa forma, por meio do
CEP, as organizações podem atender melhor os seus clientes, melhorar a margem
de lucro e serem competitivas.
Para tanto, o CEP responderá algumas questões, tais como: nosso processo
produtivo está sob controle? O número de itens defeituosos é aceitável? Nosso
processo é capaz de atender às especificações dos clientes? Isso se deve, dado
que responder a essas perguntas envolve calcular a média, o desvio padrão, a
amplitude e entre outras medidas estatísticas. Não só, mas também implica a
utilização de meios gráficos para visualizar o comportamento do processo, ao
longo do tempo. A seguir, vejamos alguns conceitos-chave do CEP, utilizados
para realizar tal controle.

pensando juntos

A forma de atuação do CEP é ativa ou reativa?

Qualidade

Dentre as definições encontradas para o termo qualidade no dicionário Priberam,

destacamos as seguintes: superioridade, excelência, aquilo que caracteriza alguma
coisa (PRIBERAM, [2019], on-line)¹. Um bem ou um serviço precisa ter qualidade
para que nos sintamos motivados a comprá-lo e até mesmo a consumi-lo. Todavia,
aquilo que consideramos enquanto qualidade para o item que vamos comprar/con-
sumir pode variar: para alguns, é ter uma boa relação custo/benefício; para outros,
é ter um bom desempenho funcional. Independentemente do conceito, para que
um produto tenha qualidade, ele deve atender às especificações dos clientes: uma
dimensão, um custo, um certo peso, uma certa aparência, um certo desempenho etc.

56
 Assim, a qualidade do produto é planejada pelo fabricante, que determina

UNICESUMAR
as especificações que o item deverá ter para satisfazer os seus consumidores.
Em seguida, o fabricante deve tomar cuidado para que, durante a fabricação do
produto, todas as atividades contribuam para que as especificações determinadas
sejam atendidas. É, principalmente, nesse momento, que o CEP entra em ação: ele
deve monitorar o processo produtivo por meio da coleta de dados e análises es-
tatísticas, garantindo que o processo produtivo não produzirá itens com defeitos
ou fora das especificações. Se o processo produz itens dentro das especificações, é
um indicativo que ele está sob controle. Portanto, o CEP visa à produção de itens
com qualidade, atendendo às especificações dos clientes.

Tipos de controle

A aplicação do controle estatístico envolve a utilização de gráficos de controle,

bem como a realização de cálculos estatísticos e matemáticos. Esses recursos são
aplicados, basicamente, em dois tipos de situações: no controle de variáveis e no
controle de atributos.
Quando controlamos, por exemplo, a dimensão final de uma peça que é feita
em um torno, controlamos a variável largura e/ou comprimento, a qual possui di-
ferentes valores ao longo do tempo. Entretanto, outros tipos de variáveis também
existem em diferentes processos: temperatura de um forno, tensão nos terminais
de uma máquina, velocidade de uma fresa, nível de iluminação em uma sala, peso
de uma embalagem etc. Nessas situações, aplica-se o CEP no controle de variáveis.
Quando se controla, por exemplo, o total de itens defeituosos que são fa-
bricados para cada lote de produção ou o número de defeitos que um produto
apresenta, aplicamos o CEP para o controle de atributos. Os estados de aprovado
ou reprovado, conforme o número de defeitos em um produto ou em um lote,
são atributos.
Nas unidades a seguir, trataremos, de maneira segregada, o CEP para variá-
veis e o para atributos. O objetivo é monitorar a variabilidade dos valores das
variáveis e da quantidade de itens ou de defeitos existentes em um processo.
Esse monitoramento permitirá a tomada de ações para manter o processo sob
controle estatístico.

57
 Processo
UNIDADE 2

O objeto de atuação do CEP é o processo, o qual pode ser definido como um

conjunto de causas que produzirão um efeito de tal modo a se alcançar um ob-
jetivo. Uma indústria pode ser compreendida como um grande processo, uma
vez que, nela, há um conjunto de causas. Os trabalhadores, os equipamentos,
os materiais, o ambiente de trabalho, a energia, as instruções e as medições que
existem dentro da empresa são causas que proporcionarão o efeito desejado: a
produção de produtos. Os produtos são, portanto, o efeito desse grande processo
da indústria. Ainda, podemos dividir esse grande processo em processos meno-
res. Por exemplo, dentro da empresa, pode existir um processo de montagem. O
efeito final desse processo são os produtos montados e as suas causas são diversas:
trabalhadores com habilidade na montagem, peças prontas para serem montadas,
esteira utilizada no transporte das peças, ferramentas utilizadas na montagem etc.
Assim, é importante que você visualize um sistema produtivo composto por
processos. De posse dessa visão, é possível aplicar o CEP. Por exemplo, podemos
aplicar o CEP no processo de montagem, por meio do monitoramento do nú-
mero de produtos montados com defeitos. Caso esse número esteja inadmissível,
atuaremos sobre as causas para corrigir os defeitos, ou seja, os trabalhadores de-
verão ser melhores treinados, alguma característica das peças que são montadas
deverá ser aprimorada, a situação da esteira deverá ser melhorada, deverão ser
trocadas as ferramentas etc.
É importante entender que processos, sempre, apresentarão variabilidade e os
defeitos surgem devido a sua presença. À medida que ela é reduzida, o número de
produtos defeituosos tende a reduzir. Para tanto, devemos atuar sobre as causas
do processo. Vejamos quais são as suas classificações.

Tipos de causas

Assim como já fora exposto, existem seis elementos que compõem um processo:
matéria-prima, mão de obra, máquinas, medidas, meio ambiente e método. Esses
elementos são as seis grandes causas de um processo que produzirão um efeito.
Em termos dos resultados de cada causa, podemos dividi-las em dois tipos: cau-
sas comuns (ou aleatórias) e causas especiais (ou assinaláveis). Para explicá-las,
utilizaremos, como exemplo, o processo de empacotamento de arroz.
58
 No processo de empacotamento de arroz, temos uma especificação do cliente

UNICESUMAR
a ser atendida, como o fato de cada pacote ter cinco quilogramas de massa, por
exemplo. Suponha que dez pacotes são retirados, aleatoriamente, para a confe-
rência de sua massa (medida em quilogramas): dentre os dez, dificilmente, todos
terão a mesma massa. Assim sendo, haverá uma variação. Se ela for muito peque-
na, ou seja, tenha valores em termos de poucos miligramas, pode-se considerar
que isso não ocasionará nenhum problema ao cliente e é aceitável no mercado.
Nessa ocasião, é plausível afirmar que existem causas comuns atuando, as quais
são inerentes ao processo. Elas produzem variabilidade, mas são aceitáveis.
Imaginemos, agora, que, dentre os dez pacotes de arroz, quatro deles apre-
sentem massa com uma variação de um quilograma. Nesse caso, os clientes não
aceitarão esse tipo de produto, bem como não será aprovado pelo órgão que faz
o controle desses itens no mercado. Isso se deve, porque a variabilidade existente
é muito grande. Portanto, pode-se afirmar que, nessa situação, existem causas
especiais atuando, as quais produzem variações devido a situações particulares.
Assim, pode ser, por exemplo, que a máquina empacotadora esteja desregulada.
No CEP, o objetivo é reduzir as causas comuns e eliminar as causas especiais.
Quando apenas as causas comuns atuam sobre o processo, há um grande indi-
cativo de que ele está sob controle estatístico. Processos assim são previsíveis,
ou seja, é possível prever com segurança que eles não produzirão itens fora das
especificações dos clientes.

Itens de controle e itens de verificação

Para gerenciar um processo, sob a ótica do CEP, é preciso definir os itens de

controle e os itens de verificação do processo. Os itens de controle são os efeitos
esperados de um processo. Por exemplo, no processo de corte de peças em um
tecido, um item de controle pode ser a dimensão final de cada peça, a qual possui
um valor-meta ou uma especificação, definida pelo projeto da roupa. Assim, o
processo precisa atender ao valor definido para esse item. Geralmente, os valores
das variáveis são determinados dentro de uma faixa de valores. Por exemplo: pode
ser determinado que a largura da peça cortada deve ter (300 ± 5)mm , tornando-o
um item de controle a ser monitorado. Para alcançar esse valor, atuarão um con-
junto de causas no processo de corte: o trabalhador que manuseia a máquina, o
afiamento da faca de corte, as condições da mesa de corte, nível de iluminação do
59
 local etc. Para essas causas, podem ser estabelecidos itens de verificação e valores
UNIDADE 2

a serem monitorados. Por exemplo, pode ser estabelecido o item de verificação

denominado nível de iluminamento do local. Dessa forma, com um luxímetro,
é possível medir o nível de iluminamento do local, a fim de verificar se ele está
adequado para a atividade de corte. Não só, mas é possível ter o item de verifica-
ção chamado condições da mesa de corte. Nesse item, podem ser quantificadas
as imperfeições na mesa de corte, uma vez que, caso haja muitas imperfeições, é
provável que existam problemas no corte.
Observe que a utilização dos itens de controle e de verificação forma uma
base para o gerenciamento de processos. Para tanto, definimos os valores-meta
que devem ser atingidos (itens de controle) e os pontos críticos que devem ser
controlados (itens de verificação) para atingir tais valores. Além disso, é plausível
afirmar que os itens de controle atribuem responsabilidades, pois são valores que
devem ser atingidos. Já os itens de verificação atribuem autoridade, dado que são
aspectos do processo que sofrerão intervenções, a fim de que o valor-meta do
item de controle seja atingido.
Em resumo, os itens de controle são as características mensuráveis para ge-
renciar um processo. Já os itens de verificação são os valores das principais causas
que afetam um item de controle e podem ser medidos e controlados.

Defeitos e problemas

Dentro do CEP, entende-se defeito como uma característica da qualidade de um

produto que não atende a uma determinada especificação. Por exemplo, uma
bateria de celular possui a autonomia de algumas horas para certa situação de
uso e isso pode ser especificado pelo fabricante. Caso essa bateria dure menos do
que essa especificação, pode-se afirmar que há um defeito.
Já um problema está relacionado a um item de controle, o qual pode ser tanto
um defeito quanto uma situação indesejada. Por exemplo, imagine a situação em
que um fabricante A consegue produzir e entregar um item em dez dias. Já o outro
fabricante B, concorrente, consegue produzir e entregar o mesmo item em apenas

60
cinco dias. O item de controle, nesse caso, é o tempo de entrega. Observamos que

UNICESUMAR
o nível alcançado, hoje, pelo fabricante A, em relação ao tempo de entrega, está
longe do nível desejado, o qual seria, no mínimo, o tempo de entrega igual ao seu
concorrente. Há, portanto, um problema, visto que existe uma diferença entre o
nível alcançado e o nível desejado em um determinado item de controle. Todavia,
problemas podem ser positivos. Por exemplo, reconhecer que há essa diferença no
tempo de entrega pode motivar o fabricante A a tomar medidas para melhorar o
seu processo, de tal modo a reduzir o tempo de entrega do referido item.

Apoio computacional no CEP

Pelo fato de que o CEP envolve o cálculo de medidas estatísticas, tais como média,
mediana, moda, desvio padrão, variância, amplitude, probabilidades e a confecção
de diversos tipos de gráficos, é necessário utilizar softwares adequados. Para tanto,
é usado um editor de planilhas, como o Microsoft Excel, e softwares de estatística,
tais como o Minitab e o R, por exemplo. Ao longo da unidade, apresentaremos
alguns exemplos, utilizando recursos computacionais. Assim, é importante que
você faça um estudo extra sobre essas ferramentas e aprenda a utilizá-las no que
diz respeito aos cálculos que estudaremos.

explorando Ideias

O R é um ambiente ou linguagem de programação para análise estatística de dados e

geração de gráficos. É um software livre e que atribui, a qualquer usuário, o direito de
utilizar, alterar e redistribuir o programa. Por ser um programa computacional totalmen-
te livre, os códigos-fonte do R estão disponíveis e, atualmente, são gerenciados por uma
equipe, o Core Development Team. Assim, o R dispõe de três pacotes específicos para
aplicações de CEP.
Fonte: adaptado de Louzada et al. (2013).

Estudaremos, agora, algumas ferramentas da qualidade que também são usadas

pelo CEP.

61
2
GRÁFICO DE
UNIDADE 2

DISPERSÃO

O gráfico de dispersão é uma das sete ferramentas da qualidade. Neste tópico,

estudaremos em detalhes o que é um gráfico ou diagrama de dispersão, como
montá-lo e como utilizá-lo. Além dessa ferramenta, explicaremos mais adiante
outras duas: o histograma e o gráfico de Pareto. Contudo saiba que, ainda, existem
as seguintes ferramentas: estratificação, folha de verificação, diagrama de causa
e efeito e gráfico de controle.
Segundo Werkema (2006, p. 42), “as ferramentas da qualidade são utilizadas
para coletar, processar e dispor as informações necessárias ao giro dos ciclos
PDCA para manter e melhorar resultados”. Provavelmente, você já tenha se depa-
rado com a sigla PDCA. Ela representa um ciclo para melhoria contínua, o qual
envolve: (P) planejar; (D) fazer; (C) verificar os resultados; e (A) agir conforme
os resultados. Assim, as ferramentas da qualidade auxiliam nesse processo de me-
lhoria contínua e algumas delas são utilizadas no CEP, a fim de se tomar decisões
mais assertivas, resolver problemas e melhorar o desempenho de um processo.
Talvez, você esteja curioso para saber o que é a ferramenta gráfico de dispersão.
Assim, explicaremos como ela é útil, por meio de um exemplo bem corriqueiro.

62
O que é um gráfico de dispersão

UNICESUMAR
Imagine o seguinte contexto: você e seu amigo possuem um veículo da mesma
marca, o qual foi fabricado no mesmo ano. Todas as características desses dois
veículos são iguais: pneus, acessórios, calibração dos pneus, manutenção e até
mesmo a pintura. Além disso, você e seu amigo fazem regularmente, uma vez por
mês, uma viagem de 300 km pela mesma estrada. No entanto, conversando com
seu amigo, você descobriu que ele gasta cinco litros a menos de gasolina do que
você nessa viagem. Agora, pergunto-lhe: por que isso acontece?
Para responder a essa pergunta, podemos utilizar o gráfico de dispersão. Para
utilizá-lo, primeiro, elabora-se uma hipótese sobre a situação em análise. No nos-
so exemplo, é possível produzir o seguinte pressuposto: o rendimento (medido
em km por litro de gasolina) depende da velocidade média desenvolvida no per-
curso (medida em km / h ). De posse dessa hipótese, elaboraremos um gráfico de
dispersão, relacionando essas duas variáveis: km por litro de gasolina x km / h .
Dessa forma, o gráfico mostrará se existe correlação entre essas duas variáveis, ou
seja, se a variável velocidade média é preditora da variável rendimento.
Assim, é plausível afirmar que um gráfico de dispersão é uma ferramenta que
evidencia se existe, ou não, correlação entre as duas variáveis que são estudadas.
Se existir a correlação, pode-se afirmar que uma variável prediz o comportamento
da outra, ou seja, para o nosso exemplo, a variável rendimento do veículo pode
ser predita pela variável velocidade média.
O gráfico de dispersão é elaborado com quatro objetivos básicos, a saber:
■ Para identificar um problema.
■ Para solucionar um problema.
■ Para melhorar a eficiência no controle da qualidade.
■ Para evitar ensaios destrutivos.
Por exemplo, em uma indústria, pode-se coletar dados sobre número de de-
feitos e tentar correlaciona-lo com alguma variável do processo: velocidade de
uma esteira, temperatura do ambiente, nível de iluminação etc. Ao identificar essa
correlação, pode-se elaborar um plano para solucionar o problema de defeitos.
Dessa forma, o gráfico serve como uma espécie de detetive, a fim de descobrir as
possíveis causas de um problema.

63
 Ainda, utilizamos o gráfico de dispersão para realizar um controle melhor da
UNIDADE 2

qualidade. Por exemplo, se for descoberto que a qualidade do corte de uma peça
relaciona-se à tensão elétrica V  , pode-se fazer um controle dessa variável para
melhorar a qualidade de corte da peça.
Outro objetivo muito importante de se utilizar o gráfico de dispersão é para
evitar ensaios destrutivos. Por exemplo, para saber se uma peça resiste a um
determinado esforço, pode-se realizar um teste em que a peça será submetida a
um esforço que ocasionará a sua destruição. Por outro lado, esse ensaio pode ser
substituído por um estudo que correlacione a resistência da peça com alguma
outra variável, como a dureza do material, por exemplo. Observe, na figura a
seguir, qual é a “cara” de um gráfico de dispersão:

20,0
RENDIMENTO (km/litro)

15,0

10,0

5,0

0,0
65 75 85 95 105
Velocidade média (km/h)
Figura 1 - Exemplo de um gráfico de dispersão / Fonte: o autor.

Perceba que há, no eixo na horizontal, a variável preditora da variável que está no
eixo na vertical. Em outras palavras, o rendimento de um veículo está correlacio-
nado com a velocidade média desenvolvida durante a viagem. Observe, também,
que, à medida que a velocidade aumenta, o rendimento diminui. Existe, portanto,
uma correlação negativa nesse caso. Agora, aprenderemos a elaborar esse gráfico.

Construção do gráfico de dispersão

Werkema (2006) sugere oito etapas para construir um diagrama de dispersão.

Explicaremos cada etapa por meio do seguinte caso: quebra de chapas de acrílico.
Esse foi o caso de uma situação que aconteceu em uma indústria de comunicação
64
visual que fabricava produtos, utilizando chapas de acrílico. Cada chapa quadrada

UNICESUMAR
possuía, aproximadamente, dois metros e meio de lado e era colocada em uma
máquina denominada vacuum forming. Essa máquina possui, basicamente, um
forno que aquece a chapa de acrílico. Após aquecida, a chapa é “sugada” sobre um
molde que lhe dá forma, conforme o produto fabricado. No caso em questão, após
moldadas, observou-se que algumas chapas logo quebravam, seja no transporte
dentro da indústria, seja durante a entrega para o cliente final. Foi formulada, en-
tão, a seguinte hipótese: o número de defeitos (chapas quebradas) correlaciona-se
à temperatura de operação do forno da máquina (medida em º C ). Estudemos,
agora, as etapas para a construção do diagrama de dispersão.

Colete os dados

Recomenda-se coletar, no mínimo, 30 pares de observações ( x, y ) das variáveis

que serão estudadas quanto a sua correlação. Assim, durante um período de 20
dias, foram coletados dados da temperatura do forno, durante a moldagem das
peças e o número de chapas que quebraram, conforme determinada temperatura.

Registre os dados coletados em uma tabela

Os dados coletados foram organizados, na tabela, a seguir:

Número de chapas
Número da medida i Temperatura (ºC)
quebradas (unidade)

1 140,0 1

2 141,5 2

3 143,0 4

4 144,5 5

5 146,0 5

6 147,5 3

7 149,0 2
65
 Número de chapas
UNIDADE 2

Número da medida i Temperatura (ºC)

quebradas (unidade)

8 150,5 1

9 152,0 1

10 153,5 2

11 155,0 4

12 156,5 3

13 158,0 2

14 159,5 4

15 161,0 5

16 162,5 5

17 164,0 3

18 165,5 1

19 167,0 3

20 168,5 2

21 170,0 1

22 171,5 2

23 173,0 2

24 174,5 3

25 176,0 2

26 177,5 1

27 179,0 4

28 180,5 3

29 182,0 2

30 183,5 2

Tabela 1 - Medidas de temperatura do forno ( º C ) e quantidade de chapas quebradas (uni-

dade) / Fonte: o autor.

66
Escolha em que eixo cada variável será representada

UNICESUMAR
Nesta etapa, é preciso verificar qual variável é a preditora da outra, ou seja, qual
variável pode predizer o comportamento da outra. Assim, deve-se determinar
qual variável é a independente (que fica no eixo horizontal do gráfico) e qual é
dependente (que permanece no eixo vertical do gráfico). Para o nosso caso, o
número de chapas quebradas é a variável dependente da variável temperatura.
Lembre-se que a nossa hipótese é a de que o número de chapas quebradas rela-
ciona-seà temperatura em que as chapas são moldadas. Assim, teremos, no eixo
da horizontal, a variável temperatura em º C e, no eixo vertical, a variável número
de chapas quebradas em unidade.

Determine os valores máximo e mínimo das

observações de cada variável

É necessário determinar o maior e o menor valor de cada variável. Ao observar os

dados de temperatura na Tabela 1, percebe-se que o maior valor é o de 183, 5 º C,
enquanto o menor valor é de 140, 0 º C.Para a variável número de chapas que-
bradas, o maior valor é o de cinco unidades e o menor valor é de uma unidade.

Escolha escalas adequadas e de fácil leitura

para os eixos

É preciso determinar em que ponto começa e termina os valores de cada eixo. O

ponto em que se inicia a escala deve ser um pouco menor do que o valor mínimo,
enquanto o que termina deve ser um pouco maior do que o valor máximo. Além
disso, o comprimento dos dois eixos deve ser, aproximadamente, igual. Em nosso
exemplo, para o eixo x (ou eixo da horizontal), utilizaremos o valor de 135 º C
como início da escala e o valor de 190 º C para o término. Já para o eixo y (ou
eixo da vertical), utilizaremos o valor de zero unidades como início da escala e o
de seis unidades para o término.

67
 Desenhe as escalas
UNIDADE 2

O gráfico de dispersão pode ser feito à mão ou com a ajuda de um software. Com
o uso de software, é possível desenhar as escalas, configurando os seus parâme-
tros. A figura, a seguir, ilustra as escalas desenhadas por meio do Microsoft Excel:
6
Número de chapas quebradas (unidade)

0
135,0 140,0 145,0 150,0 155,0 160,0 165,0 170,0 175,0 180,0 185,0 190,0

Temperatura (ºC)

Figura 2 - Escalas utilizadas no gráfico de dispersão / Fonte: o autor.

Represente os pares de observações no gráfico

Agora, basta plotar o conjunto de pontos de temperatura e unidades quebradas no grá-

fico desenhado. Esses dados são os da Tabela 1 e o resultado é evidenciado na Figura 3.

Registre as informações importantes que devem

constar no gráfico

Além dos pontos plotados no gráfico, é preciso inserir informações, tais como tí-
tulo, período de coleta dos dados, número de pares de observações, identificação
e unidade de medida de cada eixo bem como a identificação do responsável pela
construção do gráfico. Todas essas informações são representadas na figura a seguir:

68
 Período de coleta dos dados:
6 02/01/2019 a 22/01/2019

UNICESUMAR
Responsável: MJS
30 pares de dados coletados

Número de chapas quebradas (unidade)

4

0
135,0 140,0 145,0 150,0 155,0 160,0 165,0 170,0 175,0 180,0 185,0 190,0

Temperatura (ºC)
Figura 3 – Gráfico de dispersão da temperatura e número de chapas quebradas / Fonte: o autor.

Agora que você já sabe como elaborar um gráfico de dispersão, estudaremos

como ele pode ser interpretado.

Entendendo um gráfico de dispersão

Existem cinco possibilidades de comportamento de um gráfico de dispersão, as

quais podem ser visualizadas na figura a seguir:
y y y
x x
xx x x
x x xx x
x x
x
x xx x x xx x
x x x x xx
x x x x x x
x x x x x x x
x xx x xx
x x x x x x
x x x x
x x x x x
x

(a) x (b) x (c) x

y y x x
x
Legenda:
x x (a) Elevada correlação positiva
x x x x
x x (b) Moderada correlação positiva
x x x x
x x x x x (c) Ausência de correlação
x x x (d) Moderada correlação negativa
x x x x x x (e) Elevada correlação negativa
x
x x x x x xx
x x xx
x (e) x
(d)
Figura 4 - Possíveis padrões para diagramas de dispersão / Fonte: Werkema (2006, p. 168).
69
 No gráfico (a), observamos uma elevada correlação positiva, ou seja, à medida que
UNIDADE 2

os valores da variável x aumentam, os valores da variável y também aumentam.

Esse comportamento é visualizado de forma muito clara e, por isso, existe uma
correlação positiva muito forte.
No gráfico (b), há uma moderada correlação positiva, ou seja, à medida que
os valores da variável x aumentam, os valores da variável y também aumentam.
Esse comportamento é visualizado de forma não muito clara e, por isso, existe
uma correlação moderada.
No gráfico (c), é visível uma ausência de correlação, ou seja, à medida que os
valores da variável x aumentam, os valores da variável y não, necessariamente,
aumentam ou diminuem.
Por sua vez, no gráfico (d), há uma moderada correlação negativa, ou seja, à
medida que os valores da variável x aumentam, os valores da variável y dimi-
nuem. Esse comportamento é visualizado de forma não muito clara e, por isso,
existe uma correlação negativa moderada.
No gráfico (e), observamos uma elevada correlação negativa, ou seja, à medi-
da que os valores da variável x aumentam, os valores da variável y diminuem.
Esse comportamento é visualizado de forma muito clara e, por isso, existe uma
correlação negativa elevada.
Nos gráficos de dispersão, podem existir pontos que se distanciam muito dos
demais. Eles são os chamados outliers, estudados anteriormente. Quando isso
acontecer, é preciso verificar o motivo de tal distanciamento. Assim, é possível que
algum dado fora registrado de forma errada ou pode ser que, realmente, existe
esse comportamento no processo estudado.
Além disso, é importante entender que, quando se observa uma correlação, seja
moderada ou elevada, entre variáveis, não há implicação na existência de uma rela-
ção de causa e efeito. Em outras palavras, não se pode afirmar que o comportamento
de uma variável é causado pelo comportamento de outra. Pode-se sustentar apenas
que existe correlação entre ambas e, ao realizar outros estudos, pode-se concluir
que, realmente, existe uma relação de causa e efeito entre as variáveis.
Outro aspecto a observar é o de que o intervalo dos dados de cada variável deve
ser amplo o bastante para evitar conclusões equivocadas. Isto é, se coletarmos os
dados que representam apenas parte do processo, e não todos os valores possíveis,
pode existir uma correlação para esse intervalo restrito de dados. No entanto, na
totalidade dos dados possíveis do processo, essa correlação pode não existir.

70
 Ainda, quando se trabalha com dados provenientes de diferentes fontes,

UNICESUMAR
pode-se realizar uma estratificação para verificar se há, ou não, correlação. Em
algumas situações, dados misturados de diferentes fontes podem esconder uma
correlação não percebida quando os dados são analisados em sua totalidade. Por
exemplo: para o caso que apresentamos sobre o número de defeitos e temperatura
de operação da máquina de vacuum forming, caso os dados fossem provenientes
de cinco tipos diferentes de máquinas, pode ser que a correlação não seja per-
cebida para a totalidade dos dados. Todavia, se forem separados por máquina,
talvez, a correlação apareça. Assim, pode-se estratificar por máquina, operador,
fornecedor, período de trabalho etc.
Voltando ao nosso exemplo, agora que você conhece os possíveis padrões para
os diagramas de dispersão, observe a Figura 3: você acredita que existe correlação?
Ela é forte ou fraca? Positiva ou negativa? Para responder a essas perguntas com
mais certeza e para não confiarmos cem por cento em nossa percepção visual,
devemos utilizar o chamado coeficiente de correlação linear. Esse coeficiente
mostrará se existe correlação, qual é o seu grau de intensidade e se é positiva ou
negativa. Dessa forma, para calcularmos, utilizamos as seguintes equações:

S xy
r
S xx  S yy

Em que:

r : coeficiente de correlação linear ou coeficiente de Pearson.

S xy : soma de quadrados de variáveis  x e y, dada por equação.
S xx : soma de quadrados da variável x , dada por equação.
S yy : soma de quadrados da variável y, dada por equação.

As equações são:
n
1  n  n 
S xy   xi yi    xi    yi 
i 1 n  i 1   i 1 

n 2
1 n 
S xx   xi    xi 
2

i 1 n  i 1 

71
 n 2
1 n 
UNIDADE 2

S yy   yi    yi 
2

i 1 n  i 1 

Não se assuste! Para aplicar essas equações nos dados da Tabela 1, precisamos, primei-
ro, calcular os valores ao quadrado de cada variável bem como os valores de somas.
Assim, considere que a variável temperatura é a variável x e a variável quantidade
de chapas quebradas é a variável y . Observe, na tabela a seguir, os dados calculados:
i xi yi xi2 yi2 xi yi
1 140,0 1 19600,0 1,0 140,0

2 141,5 2 20022,3 4,0 283,0

3 143,0 4 20449,0 16,0 572,0

4 144,0 5 20880,3 25,0 722,5

5 146,0 5 21316,0 25,0 730,0

6 147,5 3 21756,0 9,0 442,5

7 149,0 2 22201,0 4,0 289,0

8 150,5 1 21756,0 9,0 442,5

9 152,0 1 23104,0 1,0 152,0

10 153,5 2 23562,3 4,0 307,0

11 155,0 4 24025,0 16,0 620,0

12 156,5 3 24492,3 9,0 469,5

13 158,0 2 24964,0 4,0 316,0

14 159,0 4 25440,3 16,0 638,0

15 161,0 5 25921,0 25,0 805,0

16 162,5 5 26406,3 25,0 812,5

17 164,0 3 26896,0 9,0 492,0

18 165,5 1 27390,3 1,0 165,5

19 167,0 3 27889,0 9,0 501,0

20 168,5 2 28392,3 4,0 337,0

72
 i xi yi xi2 yi2 xi yi

UNICESUMAR
21 170,0 1 28900,0 1,0 170,0

22 171,5 2 29412,3 4,0 343,0

23 173,0 2 29929,0 4,0 346,0

24 174,5 3 30450,3 9,0 523,5

25 176,0 2 30976,0 4,0 352,0

26 177,5 1 31506,0 1,0 177,5

27 179,0 4 32041,0 16,0 716,0

28 180,5 3 32580,3 9,0 541,5

29 182,0 2 33124,0 4,0 364,0

30 183,5 2 33672,3 4,0 367,0

Total 4852,5 80,0 789948,8 264,0 12854,5

Tabela 2 - Dados para o cálculo de r / Fonte: o autor.

Agora, ao aplicar as equações apresentadas para os dados, temos:
n
1  n  n  1
S xy   xi yi    xi    yi   12854, 5   4852, 5  80   85, 5
i 1 n  i 1   i 1  30

n 2
1 n  1 2
S xx   xi    xi   789948, 8   4852, 5   5056, 925
2
 
n  i 1  30
i 1

n 2
1 n  1 2
S yy   yi    yi   264   80   50, 667
2

i 1 n  i 1  30

S xy 85, 5
r   0, 17
S xx  S yy 5056, 925  50, 667

Quando existe uma forte correlação, seja negativa, seja positiva, o valor de r
é próximo de -1 ou de 1, respectivamente. Pelo fato de que o valor calculado
ficou próximo de zero, pode-se concluir que a correlação entre as duas variáveis
é inexistente. Em outras palavras, não há correlação entre o número de chapas
quebradas e a temperatura em que elas são moldadas.
73
UNIDADE 2

explorando Ideias

O cálculo do índice de correlação pode ser feito por meio softwares específicos. O soft-
ware de planilhas Microsoft Excel possui uma ferramenta para fazer a correlação entre
dados. Basta digitar os dados de entrada, os quais representam as variáveis x e y, em
seguida, ir até a aba “Dados” e, depois, até o item “Análise de Dados”. Dentre as opções
disponíveis, há o item “Correlação”. Ao selecioná-lo, você determinará o intervalo de da-
dos contendo as variáveis x e y. Posteriormente, ao clicar em “Ok”, o software apresentará
o valor do coeficiente de correlação.
Observação: dependendo da versão do software, o caminho para se realizar a correlação
pode ser um pouco diferente.
Fonte: o autor.

3 HISTOGRAMA

Se eu lhe perguntasse quantos passos você caminha durante um dia, como você
me responderia? Primeiramente, você teria que encontrar uma maneira para
contar os seus passos. Suponha que você utilize um pedômetro, um dispositivo
capaz de contar o número de passos que uma pessoa dá ao longo do dia: saben-
do o número de passos em cada dia, provavelmente, você responderia a minha
pergunta, informando um valor médio. Em outras palavras, sua resposta seria do
tipo: “em média, eu caminho 6000 passos por dia”.
É claro que existem dias em que você caminha menos, como nos fins de
semana chuvosos, em que você fica em casa, por exemplo. Não só, mas também
existem dias nos quais você caminha mais, tais como naqueles em que você pra-
74
tica atividades físicas ou sai para passear. Enfim, o valor médio de passos dados

UNICESUMAR
por dia representa apenas uma estimativa de um comportamento que quero
entender ao fazer a pergunta, ou seja, nesse caso, seu comportamento de deslo-
camento sem utilizar veículos.
Para se obter um entendimento mais claro e próximo da realidade, ao contrário
de responder, utilizando um valor médio, você poderia utilizar um histograma. As-
sim como já fora estudado na unidade anterior, o histograma é utilizado para repre-
sentar a frequência de valores que estão sendo observados. Veja, na figura a seguir,
um histograma que representa o número de passos dados por dia por uma pessoa:
Histograma do número de passos dados no dia (período de coleta: 01/01 a 02/03)
tamanho da amostra = 60

10
Frequência

0
4000 4500 5000 5500 6000
Número de passos no dia (unidade)

Figura 5 - Histograma do número de passos dados, diariamente, por uma pessoa durante 60
dias / Fonte: o autor.

Ao observar o histograma, é perceptível que, na maioria dos dias, foram dados

entre 5500 a 6000 passos. Entretanto, há, também, uma frequência considerável
entre 4500 e 5000 passos. Assim, o histograma representa, graficamente, o com-
portamento que desejamos compreender.
No Controle Estatístico de Processos (CEP), utilizamos o histograma para,
basicamente, entender a variabilidade de processos. Isso se deve, porque nenhum
processo apresentará comportamento, totalmente, regular, ou seja, haverá va-
riações. Por exemplo, se medirmos o diâmetro de pregos produzidos em uma
indústria por meio de um equipamento de medição de alta resolução, dificilmen-
te, encontraremos cinco pregos com a mesma medida. Mesmo que eles sejam
vendidos com certo padrão de diâmetro no mercado, ainda, existe uma pequena
variabilidade entre tais. Assim, ao utilizar um histograma, é possível verificar se
essa variabilidade é aceitável, visto que ele evidenciará como é a distribuição de
dados de um determinado processo.
Segundo Werkema (2006, p. 113), uma distribuição “é um modelo estatístico
para o padrão de ocorrência dos valores de uma determinada população”. Em
75
 outras palavras, todos os itens produzidos por um processo representam uma
UNIDADE 2

população, a qual terá valores de medida (por exemplo, tamanho, massa, dureza
etc.) que seguirão um padrão de ocorrência. Assim, cada processo terá uma dis-
tribuição de valores e é possível identificar essa distribuição no histograma. Veja,
por exemplo, o histograma que apresentamos na Figura 5: a distribuição, grafi-
camente, é assimétrica para a esquerda, isto é, a parte mais baixa está à esquerda
e a parte mais alta está à direita. Ainda, graficamente, podemos observar que a
distribuição possui um valor médio entre 5500 e 6000 passos.
Na indústria, o histograma é muito útil para identificar um problema. Por
exemplo, se for feito um histograma dos dados de produtividade de uma máqui-
na, ao longo de seis meses, poderá ser constatado se os níveis de produtividade
estão aceitáveis ou não. Caso seja identificado, no histograma, que existe uma
frequência considerável de dias, em que a produtividade foi abaixo do esperado,
um problema pode existir.
Detalharemos como se constrói um histograma e explicaremos como ele pode
ser interpretado do ponto de vista do CEP. Lembre-se que, atualmente, é possível
utilizar softwares que facilitam a sua elaboração e a de outros tipos de gráficos.

Construção de um histograma

É recomendado que um histograma seja construído mediante a utilização de mais

de cinquenta observações. Eles são construídos de forma diferente, conforme o
tipo de dado utilizado. Assim, existem histogramas para dados discretos e para
dados contínuos. Vejamos a construção de cada um deles.

Histograma para dados discretos

Esse histograma é o mais simples de ser construído e, no CEP, pode ser utilizado
para descrever o número de peças defeituosas em uma caixa diante de um lote
grande de caixas. Por exemplo, em um lote de 200 caixas, quantas peças defei-
tuosas existe em cada caixa? Primeiramente, deve ser feita a abertura de cada
caixa e verificadas as peças que estão lá dentro. Em seguida, registra-se o número
de peças com defeito. Após a contagem, é verificada a frequência do número de
defeitos. Suponha que, dentre as 200 caixas, cada uma apresentou um número
76
de peças defeituosas entre 0 a 10 itens. Assim, no eixo horizontal do histogra-

UNICESUMAR
ma, teremos valores de 0 a 10 . Já no eixo vertical, haverá a altura de cada barra,
representando a frequência de cada número de itens defeituosos.
Para melhor exemplificar, suponha a seguinte distribuição de dados:

Quantidade de itens defeituosos Frequência

0 40

1 30

2 20

3 20

4 20

5 20

6 10

7 10

8 10

9 10

10 10

Tabela 3 - Distribuição do número de itens defeituosos encontrados em 200 caixas

Fonte: o autor.

De posse desses dados, é possível construir o histograma, conforme ilustra a

figura a seguir:
50

40
Frequência

30

20

10

0
0 1 2 3 4 5 6 7 8 9 10

Quantidade de defeitos
Figura 6 - Exemplo de histograma de dados discretos / Fonte: o autor.

77
 Vejamos, agora, a construção de um histograma com dados contínuos.
UNIDADE 2

Histograma para dados contínuos

A primeira etapa é a coleta de dados. É preciso registrar os dados do processo

que se deseja estudar para construir um histograma. Utilizaremos o exemplo do
processo de embalagem de sacos de arroz: cada saco tem um valor nominal de
5kg , com limite inferior de especificação de 4, 990kg e limite superior de espe-
cificação de 5, 010kg . Em outras palavras, cada saco deve ter (5, 000 ± 0, 010)kg
para atender ao requisito de peso de embalagem exigido pelos clientes. Foram
pesados 100 sacos e coletados os dados de peso de cada um deles. A tabela a
seguir apresenta os resultados:

5,078 5,079 5,079 4,961

5,148 5,082 5,044 4,957

5,178 5,013 5,174 5,130

5,015 5,095 5,177 5,177

5,076 4,917 4,924 5,002

5,149 5,157 4,985 5,025

4,962 4,988 4,900 5,166

5,099 5,088 4,940 4,980

5,119 5,162 5,089 5,152

4,977 5,022 4,952 5,013

5,177 4,963 4,948 5,088

4,900 4,951 5,058 4,905

5,091 5,034 4,963 5,093

4,974 4,956 5,158 5,100

5,049 4,905 4,949 5,058

5,074 5,169 5,141 4,918

78
 5,098 4,981 5,041 5,138

UNICESUMAR
5,021 5,005 5,104 5,124

4,955 4,918 5,000 5,173

5,125 5,110 5,059 4,951

5,050 4,906 4,998 4,905

5,058 5,002 5,116 5,021

4,980 5,077 4,927 4,982

4,975 5,117 5,109 4,924

4,921 4,992 5,009 5,108

Tabela 4 - Medidas de peso de 100 sacos de arroz com peso nominal de 5kg / Fonte: o autor.

A segunda etapa é estabelecer o número de classes (k ) , isto é, em quantas classes

os dados serão divididos. Não existe uma regra geral para estabelecer esse núme-
ro. Para o nosso exemplo, utilizaremos um total de seis classes.
Já a terceira etapa é identificar os valores máximo e mínimo do total de da-
dos coletados. Para o nosso exemplo, o valor mínimo foi de 4, 900kg e o valor
máximo foi de 5, 178kg .
De posse desses dados, devemos, agora, calcular a amplitude do intervalo de
dados, isto é, a diferença entre os valores máximo e mínimo. A amplitude será de
R  5, 178  4, 900  0, 278kg .
Sabendo a amplitude e o total de classes, calcularemos o comprimento de cada
=
classe, dividindo a amplitude pelo total de classes: h R= / k 0, 278 / 6  0, 05kg .
Com o valor do comprimento de cada classe, determinaremos os limites infe-
rior e superior de cada classe. Os limites inferior (LI) e superior (LS) da primeira
classe é dado por:
LI  MIN  h / 2  4, 900  0, 05 / 2  4, 875kg
LS  LI  h  4, 875  0, 05  4, 925kg
Para encontrar os limites das demais classes, basta considerar que o limite inferior
será igual ao limite superior da classe anterior e o limite superior será igual ao
limite inferior somado do comprimento da classe. A tabela, a seguir, apresenta
as seis classes, os seis limites e intervalos bem como a frequência de cada classe:

79
 Classe Limites da classe Frequência
UNIDADE 2

1 4,875 | 4,925 12

2 4,925 | 4,975 15

3 4,975 | 5,025 21

4 5,025 | 5,125 11

5 5,075 | 5,125 23

6 5,125 | 5,178 18

Tabela 5 - Distribuição de frequência para o peso de sacos de arroz / Fonte: o autor.

O número, à esquerda do intervalo da classe, representa um valor fechado, isto é, na

contagem da frequência, ele é incluído. Já o número , à direita do intervalo da classe, é
aberto, isto é, não é contado na frequência. Com esses dados, elabora-se o histograma:

25 LIE LSE

20
Frequência

15

10

0
4,875 | 4,925 4,925 | 4,975 4,975 | 5,025 5,025 | 5,075 5,075 | 5,125 5,125 | 5,178
Peso (kg)

Figura 7 - Histograma do peso de 100 sacos de arroz / Fonte: o autor.

Observe, no gráfico, que o limite inferior de especificação (LIE) e o superior de espe-

cificação (LSE) estão representados por linhas ,na vertical. É fácil concluir que existe
um problema, pois os pesos dos sacos de arroz estão bem fora dos limites de especi-
ficação. Em outras palavras, o processo de enchimento de sacos apresenta uma falha.
Ao observar e interpretar um histograma, é possível tirar outras conclusões.
Vejamos.

80
Interpretando histogramas

UNICESUMAR
Basicamente, os histogramas apresentam seis comportamentos diferentes, con-
forme é ilustrado pela figura a seguir:
a) b)

c) d)

f)
e)

Figura 8 - Ilustração de comportamentos típicos de histogramas / Fonte: o autor.

O histograma da letra a) é chamado de histograma simétrico. Ele ocorre quando a

distribuição dos dados segue um comportamento normal e a média do processo
se localiza no centro do histograma. Geralmente, processos com esse comporta-
mento são considerados estáveis.
Já o gráfico b) é chamado de histograma assimétrico. No caso, ele é assimétrico
para a esquerda, pois a menor frequência está à esquerda. A média da distribuição
está deslocada para a direita do centro dos dados e esse comportamento repre-
senta um processo que produz medidas que tendem a valores extremos.
O histograma da letra c) é chamado de despenhadeiro. Observe que a fre-
quência dos valores mais altos diminui, drasticamente, em relação aos valores
mais baixos. Processos com esse tipo de histograma podem apresentar um grande
número de peças com defeitos, o que exige uma inspeção cem por cento.

81
 O exemplo da letra d) é um histograma de ilhas isoladas. Observe que, apa-
UNIDADE 2

rentemente, existem dois histogramas no mesmo gráfico. Isso ocorre quando se

obtêm dados de diferentes fontes, quando há um erro no registro dos dados ou,
ainda, quando há alguma irregularidade no processo.
O histograma da letra e) é chamado bimodal, pois apresenta dois picos. Ele pode
ocorrer, também, quando os dados provêm de duas fontes diferentes. Um exemplo é
quando duas máquinas diferentes produzem medidas com valores médios diferentes.
Por fim, o último histograma representado na letra f) é chamado achatado,
visto que não apresenta uma moda muito expressiva. Assim, possivelmente, os
dados foram obtidos de processos distintos, mas com médias parecidas.

pensando juntos

Caro(a) aluno(a), o histograma da Figura 7 apresenta qual comportamento? Vamos refletir?

Além de interpretar o formato do histograma, você precisa buscar o entendimento

sobre a capacidade do processo em atender aos limites de especificação do cliente.
Por exemplo, o histograma da Figura 7 evidencia, claramente, que o processo em
questão não é capaz de atender à especificação de peso. Assim, os histogramas de-
vem ser comparados com os limites de especificação. Não só, mas deve-se verificar
se será necessário realizar uma estratificação dos dados, a fim de entender se existe
algum fator atuando, fortemente, sobre os resultados do processo.

explorando Ideias

Estratificar significa dividir algo em estratos ou em conjuntos diferentes. Por exemplo, se você
inspecionar todas as peças produzidas por cem costureiras(os) em uma indústria de con-
fecção e contar o número de defeitos nos lotes produzidos, terá um conjunto agrupado de
dados, representando o número de defeitos. Você pode estratificar esses dados conforme
alguns critérios, tais como: idade do trabalhador, sexo do trabalhador, tempo de empresa,
horário da produção etc. Assim, se você estratificar o número de defeitos por tempo de em-
presa, por exemplo, separando os dados dos trabalhadores com um ano de empresa daque-
les que possuem mais de um ano, talvez, encontre diferenças significativas, evidenciando que
o tempo de empresa influencia, positivamente ou negativamente, no número de defeitos.
Fonte: o autor.

82
4
GRÁFICO DE

UNICESUMAR
PARETO

Caro(a) aluno(a), o gráfico de Pareto é baseado no princípio de Pareto. Esse

princípio sustenta que 80% das consequências são causadas por 20% do total de
causas. Em outras palavras, apenas algumas causas são responsáveis, em grande
parte, pelo resultado final. Ao transpor esse princípio para o CEP, pode-se analisar,
por exemplo, a consequência do atraso na entrega de pedidos. Assim, ao levantar
todas as causas desse problema, pode-se chegar à conclusão que existem diversas
causas: atraso na entrega de matéria-prima, produtos produzidos com defeito,
máquina quebrada, falta de trabalhadores, baixa produtividade, dificuldade para
interpretar instruções de trabalho, atraso no frete da transportadora etc. No en-
tanto, apenas algumas dessas causas serão as grandes responsáveis pelo problema
de atraso na entrega de pedidos.
A situação descrita é representada em um gráfico de barras misturado a uma
linha. No eixo horizontal do gráfico, estão as categorias ou causas. Já o eixo vertical
representa a frequência de ocorrência de cada uma dessas categorias. Além disso,
cada categoria possui uma barra de frequência. A frequência acumulada é repre-
sentada pela linha. Dessa forma, para elaborar um gráfico de Pareto, seguem-se os
seguintes passos: determinação da consequência que se deseja analisar (número
de defeitos, tipo de defeito etc.); coleta de dados; determinação das causas ou
categorias; cálculo das seguintes estatísticas: frequência, frequência acumulada,
porcentagem e porcentagem acumulada; construção do gráfico, organizando
83
 as barras de frequência de cada categoria por ordem decrescente (da maior fre-
UNIDADE 2

quência para a menor).

Vejamos a montagem de um gráfico de Pareto, com base no exemplo proposto
por Louzada et al. (2013): em uma indústria de chocolates, foi feito o registro de
defeitos encontrados em embalagens de barras de chocolate. Foram registrados
um total de 628 defeitos. Portanto, a consequência ou o problema estudado é
o total de defeitos em embalagens de chocolate. Em seguida, cada defeito foi
classificado em diferentes categorias, conforme as características do defeito. Foi
possível identificar sete categorias: embalagem mal selada, embalagem rasgada,
embalagem com pequenos furos, data de validade em falta, embalagem com as
cores esborratadas, embalagem com a barra partida e outros. A tabela a seguir
apresenta o cálculo das estatísticas para a montagem do gráfico de Pareto:

Descrição Frequência Porcentagem

Frequência Porcentagem
do defeito acumulada acumulada

Embalagem
322 322 51,27% 51,27%
mal selada

Embalagem
com peque- 145 467 23,09% 74,36%
nos furos

Data de
validade em 67 534 10,67% 85,03%
falta

Embalagem
com a barra 53 587 8,44% 93,47%
partida

Embalagem
21 608 3,34% 96,82%
rasgada

84
 Descrição Frequência Porcentagem

UNICESUMAR
Frequência Porcentagem
do defeito acumulada acumulada

Embalagem
com as cores 10 618 1,59% 98,41%
esborratadas

Outros 10 628 1,59% 100,00%

Tabela 6 - Registro de defeitos e estatísticas descritivas / Fonte: adaptada de Louzada et al. (2013).

Agora, com os dados da tabela, pode-se elaborar o gráfico. Foi utilizado o software
Microsoft Excel para a sua confecção, a qual pode ser visualizada a seguir:

350 120,00%

300 100,00%
250
80,00%
200
60,00%
150
40,00%
100

50 20,00%

0 0,00%
Embalagem Embalagem Data de Embalagem Embalagem Embalagem Outros
mal selada com validade em com a barra rasgada com as cores
pequenos falta partida esborratadas
furos

Figura 9 - Gráfico gerado por intermédio do Microsoft Excel / Fonte: o autor.

Observe que, no gráfico, fica evidente que os defeitos I) embalagem mal selada,
II) embalagem com pequenos furos e III) data de validade em falta são os três
principais, representando cerca d e 80% do total das ocorrências. Isso significa
que eles são os mais frequentes, porém, podem não ser, necessariamente, os de-
feitos mais importantes. Talvez, os defeitos embalagem rasgada e embalagem com
as cores esborratadas, os quais ocorrem com menor frequência, sejam os que
causam maior prejuízo. Assim, o gráfico de Pareto serve como uma ferramenta

85
 para categorizar as causas de um problema, conforme a sua frequência, dando
UNIDADE 2

subsídios para a tomada de decisão. De posse do gráfico de Pareto e de outras

considerações, como o prejuízo decorrente de cada tipo de defeito, o analista
poderá julgar quais defeitos deverão ser, prioritariamente, eliminados.

CONSIDERAÇÕES FINAIS

Entendemos, nesta unidade, que o Controle Estatístico de Processos (CEP) é

baseado no conhecimento estatístico e na resolução de problemas, que só é
possível de ocorrer se compreendermos tudo ao nosso redor como processos.
Constatamos, portanto, que existem termos específicos que devem ser usados
para caracterizar um processo. Por exemplo, os termos causa e consequência
são muito importantes, uma vez que é possível definir itens de controle para as
consequências de um processo. Tais consequências, por sua vez, serão gerenciadas
por meio dos itens de verificação nas causas, os quais são valores mensuráveis.
Assim, o CEP é feito por meio da quantificação das características do processo.
Estudamos, também, algumas ferramentas da qualidade. Aprendemos o que é
um gráfico de dispersão, para que serve, como é elaborado e como pode ser inter-
pretado. Entendemos que o gráfico ou diagrama de dispersão pode indicar uma
correlação entre duas variáveis de um processo, o que proporciona a identificação de
um problema e sua solução. Ainda, ao conhecer a correlação entre duas variáveis, po-
de-se realizar um melhor controle de qualidade, além de evitar ensaios destrutivos.
Constatamos que o histograma descreve a distribuição de dados de um pro-
cesso, ou seja, apresenta, graficamente, os valores produzidos por um processo.
Dessa forma, podemos comparar esses valores com os limites de especificação
do produto, a fim de verificar se o processo está sob controle estatístico.
Estudamos, também, o gráfico de Pareto, que é um gráfico de barras com
frequência decrescente, enfatizando as categorias de maior frequência. Por meio
dele, podemos visualizar, rapidamente, quais categorias são as mais frequentes,
mas que nem sempre são as mais importantes. Portanto, tanto o uso do gráfico
de Pareto quanto das demais ferramentas da qualidade deve ser feito de forma
complementar. Além disso, o analista deve entender e compreender todo o con-
texto envolvido durante a sua tomada de decisões.

86
 na prática

1. Como você justificaria a necessidade de aplicar o CEP em uma empresa?

2. Um histograma foi construído mediante o uso 20 observações. Os dados se deram

sobre o número de peças defeituosas em 20 lotes. Que tipo de variável esse histo-
grama descreve? Ele é adequado?

3. Calcule o coeficiente de correlação dos dados da tabela a seguir, em que a variável

velocidade média é a variável independente, e a variável rendimento é a variável
dependente.

Velocidade média (km/h) Rendimento (km/l)

70 18,0

72 17,8

74 17,6

76 17,4

78 17,2

80 17,0

82 16,8

84 16,6

86 16,4

88 16,2

90 16,0

92 15,8

94 15,6

96 15,4

87
 na prática

Velocidade média (km/h) Rendimento (km/l)

98 15,2

100 15,0

73 17,0

75 16,8

77 16,6

79 16,4

81 16,2

83 16,0

85 15,8

87 15,6

89 15,4

91 15,2

93 15,0

95 14,8

97 14,6

99 14,4

Tabela 7 - Coeficiente de correlação dos dados / Fonte: o autor.

88
 na prática

4. O que se pode afirmar ou deduzir sobre o processo que produz peças cujas dimen-
sões estão representadas na figura a seguir?

300 LSE
LIE
250

200
Frequência

150

100

50

0
1,25-1,30 1,30-1,35 1,35-1,40 1,40-1,45 1,45-1,50 1,50-1,55
Largura (mm)

Figura 10 - Processo que produz peças / Fonte: o autor.

5. Em relação ao gráfico de Pareto:

I - Apresente e destaque as causas mais importantes de um problema.

II - É construído de tal forma a apresentar a frequência de ocorrência de cada
categoria em ordem crescente, da esquerda para a direita, no eixo horizontal
do gráfico.
III - Pode ser utilizado com dados discretos.

É correto o que se afirma em:

a) I, apenas.
b) II, apenas.
c) III, apenas.
d) I e II, apenas.
e) II e III, apenas.

89
 aprimore-se

TIPOS DE META NO CONTROLE DE PROCESSOS

O ciclo PDCA é um método de gestão que representa o caminho a ser seguido, a

fim de que as metas estabelecidas possam ser atingidas. A não utilização do método
poderá implicar no emprego de várias ferramentas, as quais constituirão os recursos
necessários para a coleta, processamento e disposição das informações necessárias
para a condução das etapas do PDCA. Essas ferramentas são denominadas ferramen-
tas da qualidade e, entre elas, as técnicas estatísticas são de especial importância.
Para que o leitor possa entender o papel das ferramentas da qualidade dentro
do ciclo PDCA, é preciso, novamente, destacar que a meta (resultado) é alcançada
por meio do método (PDCA). Quanto mais informações, fatos, dados e conhecimen-
tos forem agregados ao método, maiores serão as chances de alcance da meta e
maior será a necessidade de utilização de ferramentas apropriadas para coletar,
processar e dispor essas informações, durante o giro do PDCA.
Para que seja possível entender como funciona o ciclo PDCA no TQC (Total Quality
Control ou Controle da Qualidade Total), é importante, primeiramente, que fique
clara a existência de dois tipos de metas a serem atingidas:

1. Metas para manter

Uma meta para manter constitui uma faixa aceitável de valores para o item de con-
trole considerado, representando as especificações de produtos provenientes dos
clientes internos e externos da empresa. Como exemplos de meta padrão, é possí-
vel citar: I) fabricar uma peça de aço cuja dureza, sempre, atende à faixa de especi-
ficação; e II) entregar o produto ao cliente no prazo máximo de dois dias. Portanto,
as metas padrão são as metas a serem mantidas.

90
 aprimore-se

2.  Metas para melhorar

As metas para melhorar ou metas de melhoria surgem do fato de que o mercado

sempre deseja produtos cada vez melhores, a um custo cada vez mais baixo e com
uma entrega cada vez mais precisa. A entrada de novos concorrentes no mercado e
o surgimento de novos materiais e novas tecnologias também levam à necessidade
do estabelecimento de metas de melhoria. Observe que as metas de melhoria são
as que devem ser atingidas e, para que isso seja possível, será necessário modificar
a forma atual de trabalhar. As expressões “reduzir em 30% a variação da dureza das
peças de aço fabricadas pela empresa até o final do ano” e “reduzir o prazo máximo
de entrega do produto ao cliente de dois dias para um dia até o final do ano” são
exemplos de metas para melhorar. Lembre-se da definição de problema apresen-
tada: percebemos que cada meta de melhoria gera um problema que deverá ser
“atacado” pela empresa.
Agora, reflita: em relação às metas da empresa em que você trabalha, é possível
identificar quais são metas para manter e quais são metas de melhoria? Existem
mais metas para manter do que metas de melhoria?

Fonte: adaptado de Werkema (2006).

91
 eu recomendo!

livro

Controle Estatístico de Processos: uma abordagem prática

para cursos de Engenharia e Administração
Autor: Francisco Louzada, Carlos Diniz, Paulo Ferreira e Edil Fer-
reira
Editora: LTC
Sinopse: o monitoramento do nível de qualidade de produtos e
serviços orienta as ações preventivas e estratégicas que podem
evitar o desperdício e levam à satisfação do cliente. Assim, a obra apresenta os
principais conceitos e métodos relativos a esse tema, em uma linguagem ideal
para estudantes de graduação e pós-graduação em Estatística, Engenharias e
áreas relacionadas. Seu conteúdo aborda as teorias envolvidas no procedimento
de análise e suas aplicações práticas por meio de orientações passo a passo, exer-
cícios com soluções completas e uso de um software livre e gratuito, enquanto
apoio. Esses diferenciais proporcionam uma ferramenta completa e útil para o
estudante e para a sua trajetória acadêmica e profissional.
Comentário: este livro é recomendado para os estudantes que desejam se apro-
fundar na utilização de recursos computacionais para o Controle Estatístico de
Processos. Dessa forma, a obra apresenta diversos exemplos, utilizando o soft-
ware livre “R”.

conecte-se

O site Plotly possui ferramentas on-line para a criação de diversos tipos de gráfi-
cos, tais como histogramas, gráficos de dispersão e box-plot. Para usá-lo, acesse
o link a seguir.
https://plot.ly

92
 anotações



































3
CONTROLE ESTATÍSTICO
DO PROCESSO
por atributos

PROFESSOR
Me. Maílson José da Silva

PLANO DE ESTUDO
A seguir, apresentam-se as aulas que você estudará nesta unidade: • Controle da frequência de itens
defeituosos • Controle do número de defeitos por item • Leitura e análise de gráficos de controle por
atributos.

OBJETIVOS DE APRENDIZAGEM
• Explicar a confecção de alguns gráficos utilizados no controle da frequência de itens defeituosos.
• Explanar a elaboração de alguns gráficos utilizados no controle do número de defeitos por item.
• Analisar os dados e as informações dos gráficos de controle por atributos.
INTRODUÇÃO

Olá, caro(a) aluno(a)! A partir desta unidade, os conceitos de CEP estarão

muito mais evidentes, uma vez que iniciaremos o nosso estudo acerca dos
chamados gráficos de controle, os quais são muito utilizados no controle
estatístico. Nosso objetivo não é nos aprofundarmos nos aspectos mate-
máticos e estatísticos, envolvidos na construção desses gráficos, mas, sem
deixar de lado esses aspectos importantes, concentrar-nos-emos em apren-
der a elaborar os gráficos e fazer a sua interpretação.
Inicialmente, diferenciaremos os tipos de gráficos de controle existentes,
de acordo com o tipo de variável, e explicaremos como se constrói um gráfi-
co de controle por atributos da frequência de itens defeituosos em amostras.
Além disso, aprenderemos a calcular os parâmetros para a construção desse
gráfico e a confeccioná-lo. Não só, mas entenderemos como verificar se o
processo representado pelo gráfico está sob controle estatístico.
Em seguida, explicaremos como se constrói um gráfico de controle por
atributos do número defeitos por amostra. Dessa forma, aprenderemos a
calcular os parâmetros para a construção desse gráfico, como confeccio-
ná-lo e como verificar se o processo representado pelo gráfico está sob
controle estatístico. Ainda, faremos a diferenciação desse gráfico em relação
ao gráfico de controle por atributos da frequência de itens defeituosos.
No último tópico da unidade, detalharemos a realização da interpreta-
ção dos gráficos estudados, visto que consideramos que a interpretação é
um passo fundamental para fazer o controle do processo, que é o objetivo
do futuro profissional que atuará na área. Assim, realizaremos uma inter-
pretação visual do gráfico e de seus parâmetros.
Utilizaremos conceitos estatísticos e matemáticos, nesta unidade, po-
rém, assim como fora afirmado, nosso objetivo não é o seu aprofunda-
mento. Portanto, não se assuste! Além disso, detalharemos, passo a passo,
cada conceito, a fim de que você esteja apto a trabalhar com os gráficos de
controle por atributos. Bons estudos!
1
CONTROLE DA
UNIDADE 3

FREQUÊNCIA
DE ITENS
defeituosos

Você já passou pela situação em que foi usar uma caneta recém-comprada ou re-
cém-ganhada (geralmente, de brinde) e ela não funcionou? Caso você não tivesse
outra caneta disponível no momento, provavelmente, ficaria muito nervoso(a).
Agora, para evitar esse problema, você acredita que a indústria que fabricou a
caneta deveria inspecionar todas as canetas que ela fabrica? Provavelmente, você
concordará com a ideia de que inspecionar tudo o que é produzido é muito caro.
Dado esse tipo de problema, gostaríamos de apresentar uma solução. Tra-
ta-se do uso do gráfico de controle, a fim de verificar a frequência de itens
defeituosos. Por meio desse gráfico, sem necessariamente inspecionar todos os
itens produzidos, é possível conhecer a probabilidade de o processo produtivo
produzir um item defeituoso.
Um gráfico de controle nada mais é do que um conjunto de dados que re-
presenta uma característica de interesse (que pode ser o tamanho de uma peça,
para dados contínuos, ou o número de defeitos em peças que estão dentro de
uma caixa, para dados discretos). Esses dados que representam a característica
de interesse aparecem dentro ou fora dos limites de controle no gráfico. Caso os
dados apresentem comportamentos anormais no gráfico (o que explicaremos
posteriormente), pode-se concluir que existe uma possibilidade de haver altera-
ções nas condições do processo representado pelo gráfico. Essas alterações ocor-
rem devido a causas especiais, mas é possível eliminar ou minimizar a atuação
96
dessas causas ou, ainda, neutralizar seus efeitos. Assim, por meio do gráfico de

UNICESUMAR
controle, pode-se gerenciar um processo, identificando as possíveis causas que
geram defeito nos produtos.

pensando juntos

O gráfico de controle pode ser comparado a um termômetro ou a um medidor de pressão

sanguínea, os quais são utilizados para identificar possíveis comportamentos anormais
do corpo humano.

Antes de explicar como se dá a elaboração desse gráfico, é importante fazer uma dis-
tinção acerca dos tipos de gráficos de controle existentes. Há, basicamente, dois tipos:

■ Gráficos de controle de atributos.

■ Gráficos de controle de variáveis.

O primeiro tipo é o que estudaremos em detalhes nesta unidade. Um atributo é

uma característica do produto que não pode ser mensurada com um instrumento
de medição. Dessa forma, o atributo tratado no gráfico de controle é a existência,
ou não, de defeitos. Em outras palavras, conta-se, por exemplo, em um lote de
cem peças, quantas delas possuem defeitos ou, ainda, conta-se quantos defeitos
um produto apresenta. É esse tipo de abordagem que o gráfico de controle de
atributos faz. Além disso, o gráfico de controle de atributos pode ser de dois tipos:
para a frequência de itens defeituosos ou para a quantidade de defeitos em itens.
Neste tópico, estudaremos em detalhes o primeiro tipo.
O outro tipo de gráfico de controle é para variáveis, o qual apresenta valores
que podem ser medidos com um instrumento de medição. Assim, a variável mo-
nitorada pelo gráfico pode ser a temperatura de um forno, as dimensões de uma
peça, o peso de uma embalagem, a dureza de um material etc.
De modo geral, os gráficos de controle de atributos servem para monitorar
o desempenho de um processo e para promover um padrão de qualidade mais
homogêneo. Em outras palavras, utilizamos o gráfico para identificar um com-
portamento anormal de um processo antes que algo mais grave ocorra, como a
produção de uma grande quantidade de itens defeituosos, por exemplo.
No entanto, atenção: um gráfico de controle não é capaz de mensurar a capaci-
dade de um processo em produzir itens que atendam às especificações dos clientes.
Para tanto, utilizamos uma medida de capacidade que trabalharemos mais adiante.
97
 Estudaremos, agora, em detalhes, o gráfico de controle da frequência de itens
UNIDADE 3

defeituosos.

Controle da frequência de itens defeituosos

Imagine a seguinte situação: em uma indústria que fabrica camisetas, no final da

linha de produção, é feita a inspeção do número de camisetas que apresentaram
algum tipo de defeito. Assim, um inspetor retira de uma caixa 30 camisetas e
as inspeciona. Para cada caixa inspecionada, ele anota o número de peças de-
feituosas. O resultado obtido é representado, na figura, a seguir e os dados são
apresentados na Tabela 1:
35

30
Quantidade de defeitos

25

20

15

10

0
1 2 3 4 5 6 7 8 9 10

Amostras
Figura 1 - Número de itens defeituosos / Fonte: o autor.

Amostra (com 30 unidades) Total de camisetas defeituosas

1 12

2 19

3 10

4 5

5 29

98
 Amostra (com 30 unidades) Total de camisetas defeituosas

UNICESUMAR
6 16

7 26

8 15

9 11

10 15
Tabela 1 - Número de itens defeituosos / Fonte: o autor.

Você consegue interpretar a Figura 1? Vejamos: no eixo horizontal, há 10 amos-

tras (sendo, cada uma delas, de 30 unidades). Para cada uma, no eixo vertical, há
a quantidade de camisetas defeituosas. Assim, a amostra 1 possui 12 peças com
defeito e a amostra 5 possui 29 camisetas com defeito, por exemplo. O gráfico
apresentado é quase um gráfico de controle: o que falta para ele se tornar um
gráfico de controle são os limites de controle e o valor central ideal.
Utilizamos dois tipos de gráficos de controle para a frequência de itens defei-
tuosos: o gráfico p e o np. O gráfico p é o gráfico da proporção de itens defeituosos
nas amostras, enquanto o np é o gráfico da quantidade de itens defeituosos na
amostra (a Figura 1 seria, portanto, quase um gráfico np). Vejamos a construção
de cada um deles.

Gráfico p

A proporção de itens defeituosos, em uma amostra, é obtida pela divisão da quan-

tidade de itens defeituosos pela quantidade total de itens da amostra. Assim, em
nosso exemplo ilustrado na Figura 1, para a primeira amostra, pelo fato de que há
um total de 12 peças com defeito e a amostra possui 30 unidades, a proporção
será igual a:
12
= 0, 4
30

Assim, um gráfico p evidenciará a proporção de itens defeituosos em cada amos-

tra. Por meio dele, é possível responder à seguinte questão: qual é a probabilidade
99
 de um item qualquer não ser produzido adequadamente? Na construção do grá-
UNIDADE 3

fico, calculam-se duas estatísticas básicas: o valor esperado ( µ ) e o desvio padrão

( s ). O valor esperado, nesse caso, pode ser estimado pela seguinte equação:

1 m
p  pˆ i
m i 1

Em que:

p : valor esperado de itens defeituosos para todas as amostras estudadas.

m : número de amostras estudadas.
pˆ i : proporção de itens defeituosos da i-ésima amostra.

Não se assuste! Na verdade, a equação é bem simples de ser compreendida. Para

você entendê-la com clareza, considere os dados da Tabela 1: é possível calcular
a proporção pˆ i de cada amostra se dividirmos o total de itens defeituosos por
30 (que é o tamanho da amostra). A tabela a seguir mostra os resultados:

Amostra (com 30 unidades) Total de camisetas defeituosas pˆ i

1 12 0, 4

2 19 0, 6

3 10 0, 3

4 5 0, 2

5 29 1, 0

6 16 0, 5

7 26 0, 9

8 15 0, 5

9 11 0, 4

10 15 0, 5

ˆ i / Fonte: o autor.
Tabela 2 - Cálculo de p
100
 Faça os cálculos para conferir os resultados!

UNICESUMAR
Sabemos que m é igual a 10 , pois há 10 amostras. Agora, temos todos os
dados para calcular o valor de p :

1 m 1 10 1
p pˆ i pˆ i (0, 4 0, 6 0, 3 0, 2 1, 0 0, 5 0, 9 0, 5 0, 4 0, 5)  0, 5
mi 1 10 i 1 10

Percebeu como é simples o cálculo? Basta realizá-lo por partes.

Muito bem, agora, sabemos que o número esperado da proporção de defeitos
por amostra do nosso exemplo é igual a 0, 5 . Falta calcular o desvio padrão, o
qual é calculado pela seguinte equação:

p (1 p )
desvio padrão
n

Em que n é o tamanho da amostra.

Para o nosso exemplo, o tamanho da amostra é igual a 30 unidades. Assim,

o desvio padrão é igual a:

p (1 p ) 0, 5(1 0, 5)
desvio padrão  0, 09
n 30

Depois de calculados o valor esperado e o desvio padrão, é possível elaborar o

gráfico de controle para a proporção de itens defeituosos. Neste livro, utilizaremos
o controle de qualidade seis sigmas como padrão, ou seja, seis desvios padrão.
Isso significa que o intervalo entre os chamados limites inferior (LIC) e superior
(LSC) de controle do gráfico possui o tamanho de seis desvios padrão. Assim,
calculamos esses limites por:

p (1  p )
LIC  p  3
n

p (1  p )
LSC  p  3
n
Para os dados do nosso exemplo, temos:
101
UNIDADE 3

LIC  0, 5  (3  0, 09)  0, 23
LSC  0, 5  (3  0, 09)  0, 77

De posse desses dados, é possível construir o gráfico de controle, conforme é

ilustrado, na figura, a seguir:
pi Valor esperado LIC X LSC

1,2

1,0
Proporção de itens defeituosos

0,8
X X X XX X XX X X

0,6

0,4

0,2

0,0
13 2 45 67 89 10

Amostras

Figura 2 - Gráfico p / Fonte: o autor.

Observe que a proporção de itens defeituosos em cada amostra, em alguns casos,

saiu fora do limite superior de controle e ficou distante do valor esperado. Ainda,
perceba que, se o limite inferior de controle calculado fosse um número negativo,
não o utilizaríamos como limite de controle. Questione-se: existe número negativo
de quantidade de defeitos? A resposta é não. Dessa forma, na verdade, quando o li-
mite inferior calculado é negativo, deve-se utilizar, como limite inferior, o valor de 0 .
O gráfico p considera que cada observação é independente quanto ao nú-
mero de defeitos, ou seja, a quantidade de defeitos encontrada em uma amostra
independe da quantidade de defeitos localizados na amostra anterior, por exem-
plo. Caso o processo representado pelo gráfico de controle esteja controlado, é
possível afirmar que a probabilidade de ocorrência de defeitos em uma amostra
é constante e igual ao valor da proporção calculado. Essa é uma vantagem do
gráfico de controle: ele nos oferece uma estimativa do número de defeitos que se
pode encontrar em um processo, tornando tudo muito mais previsível.

102
 UNICESUMAR
explorando Ideias

O valor esperado da proporção de defeitos p pode ser calculado, mas também pode ser
estimado, de acordo com o conhecimento prévio sobre o processo. Dessa forma, o gráfico p
pode ser elaborado com base tanto no valor calculado quanto no valor estimado. Essa regra
também vale para os outros tipos de gráficos de controle que estudaremos, nesta unidade.
Além disso, na elaboração do gráfico p, é possível utilizar amostras de tamanho constante
ou variável. O exemplo mostrado, nesta unidade, foi o de amostra com tamanho constante.
Fonte: o autor.

Em resumo, para elaborar um gráfico de controle p, você deve estabelecer os

valores do número de amostras (m) , o tamanho da amostra (n) , coletar os da-
dos em cada amostra, realizar os cálculos dos limites de controle e plotar esses
valores no gráfico.
Agora, você já conhece um gráfico p da frequência de itens defeituosos e já está
quase apto a montá-lo. Para tanto, é preciso fazer uma interpretação do gráfico e
eliminar alguns pontos que representam uma situação de processo fora do controle,
assunto que será abordado no último tópico desta unidade. Antes disso, aprende-
remos a elaborar um gráfico de frequência de itens defeituosos denominado np.

Gráfico np

O gráfico np demonstra quantidade de itens defeituosos em uma amostra. Para

as pessoas com pouco conhecimento estatístico, sua interpretação é considera-
da fácil, visto que expõe, diretamente, o número de itens defeituosos em cada
amostra. Dessa forma, para a sua construção, utilizamos as seguintes estatísticas:

1 m
np   npˆ i
m i 1

desvio padrão  np (1  p )

103
 Em que:
UNIDADE 3

np :número médio de itens defeituosos em todas as amostras estudadas.

m : número de amostras.
npˆ i :número de defeitos na i-ésima amostra.
p : proporção média dos itens defeituosos.

Considerando os dados da Tabela 1, o total de camisetas com defeito já representa

o valor de np para cada amostra. Ao realizar o cálculo com esses dados, temos:

1 m 1
np  
m i 1
npˆ i  (12  19  10  5  29  16  26  15  11  15)  15, 8
10

Pelo fato de que já calculamos o valor de p (0, 5) , o desvio padrão fica igual a:

desvio padrão  np (1  p )  15, 8(1  0, 5)  2, 81

Novamente, adotamos um padrão de controle de qualidade seis sigmas. Logo, os

limites inferior e superior de controle para o gráfico np serão de:

LIC  np  3 np (1  p )

LSC  np  3 np (1  p )

Para os dados do nosso exemplo, temos:

LIC  15, 8  (3  2, 81)  7, 37

LSC  15, 8  (3  2, 81)  24, 23

104
De posse desses dados, elaboramos o gráfico np, conforme é representado na

UNICESUMAR
figura a seguir:
pi Valor esperado LIC X LSC

35

30
Proporção de itens defeituosos

25 X X X XX X XX X X
20

15

10

0
1 2 34 5 67 8 9 10

Amostras
Figura 3 - Gráfico np / Fonte: o autor.

Observando a figura apresentada, pode-se concluir que, das 10 amostras, 3 de-

las apresentaram uma quantidade de defeitos fora dos limites de controle, o que
pode indicar que causas especiais atuam sobre o processo. Perceba que tanto o
gráfico p quanto o np servem para monitorar a proporção ou a quantidade de
defeitos em amostras, respectivamente, o que nos permite ter mais certeza sobre
a probabilidade de o processo produzir itens fora das especificações. Assim, é
possível aplicar medidas corretivas no processo, caso seja observado, no gráfico,
um comportamento fora de controle.
Entretanto, os gráficos de atributos de frequência de itens defeituosos nem
sempre podem ser usados. Por exemplo, o defeito em um grande equipamento
não é identificado prontamente, pois, geralmente, aparelhos maiores funcionam
mesmo que um pequeno defeito exista em seu sistema. Portanto, um outro tipo
de gráfico será mais útil: aquele identifica o número de defeitos por item, o qual
será o assunto do próximo tópico.

105
2
CONTROLE DO
UNIDADE 3

NÚMERO DE
DEFEITOS
por item

Como você pode verificar se uma caneta não possui defeito? Ora, basta fazer um
teste de escrita. Se sair tinta da caneta, ela não possui defeito. Contudo, e para o
caso de um computador montado por uma indústria? Como saber se ele possui
defeito? Você concordará que, para esse tipo de produto, podem existir mais de
um tipo de defeito: o aparelho não liga, o sistema operacional não opera, as portas
USB não funcionam etc. Ainda, esse tipo de produto é construído com redun-
dância em seus sistemas, ou seja, se um componente falhar, outro funcionará e
substituirá, temporariamente, o componente falho.
Portanto, esses tipos de produtos não podem ser julgados quanto à qualidade,
fazendo-se um julgamento de produto com defeito ou sem defeito. Nesse caso,
é preciso inspecionar um item (ou n itens) para verificar o número de defeitos
contidos nele(s). É nesse momento que é inserida a utilização do gráfico de con-
trole de atributos da quantidade de defeitos por item.
A quantidade de defeitos por item segue uma distribuição estatística de dados
chamada Poisson. Além disso, utilizamos dois tipos de gráfico para verificar o
número de defeitos: gráfico c e gráfico u. Compreenda como elaborar cada um.

106
Gráfico c

UNICESUMAR
O gráfico c demonstra o número de defeitos por item ou por lote. Para elaborá-lo,
assim como se dá na produção dos demais gráficos de controle que estudamos,
inicialmente, deve-se decidir qual será o tamanho da amostra. Pode-se utilizar
uma amostra de uma única unidade ou de cem unidades, por exemplo: o tama-
nho da amostra dependerá do custo do produto a ser inspecionado. Assim, itens
caros demandam uma inspeção cuidadosa e, portanto, o tamanho da amostra
será de uma unidade.
Utilizamos as seguintes estatísticas na confecção do gráfico:

c : número estimado de defeitos no item.

c : desvio padrão.

Lembre-se que trabalhamos com o padrão de qualidade seis sigmas, ou seja, o in-
tervalo dos limites de controle compreende um valor total de seis desvios padrão
, ou seja, três desvios padrão acima do valor médio e três desvios padrão abaixo
do valor médio. Portanto, os limites de controle desse gráfico são definidos por:

LIC  c  3 c

LSC  c  3 c

Em que:

LIC : limite inferior de controle.

LSC : limite superior de conttrole.

O valor de c pode ser um valor estimado ou um valor calculado. Para calculá-lo,

basta fazer a média do número de defeitos encontrados nas amostras estudadas. O
valor calculado é válido desde que seja obtido por meio de um grande número de
amostras que não foram afetadas por falta de controle. Para compreender melhor
esses conceitos, exploraremos o exemplo de uma montadora de computadores

107
 que compra componentes de diversos fornecedores, constrói computadores e os
UNIDADE 3

entrega em lotes de 5 peças. Em outras palavras, nesse caso, cada amostra possui
o tamanho de 5 unidades. Cada computador da amostra é inspecionado quanto
a alguns tipos de defeitos e, em seguida, o inspetor registra o número de defeitos
encontrados. Os resultados para 20 amostras é apresentado pela tabela a seguir:

Amostra (com 5 computadores) Número de defeitos na amostra

1 1

2 3

3 2

4 2

5 2

6 3

7 3

8 0

9 1

10 3

11 2

12 0

13 3

14 3

15 1

16 2

17 3

18 1

19 2

20 2

Tabela 3 - Número de defeitos em amostras de 5 computadores / Fonte: o autor.

108
De posse desses dados, é possível calcular as estatísticas necessárias para a elabo-

UNICESUMAR
ração do gráfico c. Qual é o valor médio de defeitos por amostra? Calcularemos
por meio da seguinte equação:

1 m
c ci
m i 1

Em que:

c :número médio de defeitos por amostra.

m :número de amostras.
ci :número de defeitos em cada amostra (ou na i-ésima amostra).

Sabemos que m = 20 amostras. Assim, temos:

1 m 1 20 1 1 3  2  2  2  3  3  0 1 3  2  0 
c 
m i 1
ci  
20 i 1
ci  
20 3  3  1  2  3  1  2  2  1, 95
Esse pode ser o valor estimado de número de defeitos por amostra. Agora, o valor
do desvio padrão é:

desvio padrão  c  1, 95  1, 40
Assim, os limites de controle serão:

LIC  c  3 c  1, 95   3 x1, 40   2, 25

LSC  c  3 c  1, 95   3 x1, 40   6, 15

Pelo fato de que o valor de LIC calculado é um número negativo, adotaremos o

valor de 0 como limite. De posse desses dados, é possível construir o gráfico c, o
qual pode ser visualizado na figura a seguir:

109
 pi Valor esperado LIC X LSC
UNIDADE 3

6 XX XX XX XX XX XX XX XX XX XX
Quantidade de defeitos

0
13 2 45 67 8 91 01 11 21 31 41 51 61 71 8 19 20
Amostras
Figura 4 - Gráfico c / Fonte: o autor.

Você consegue compreender a Figura 4? Observe que todas as amostras inspe-

cionadas apresentaram um número de defeito que está dentro dos limites de
controle. Esse é um forte indicativo de que o processo está sob controle e que o
número estimado de defeitos encontrados nas amostras é de 1, 95 defeitos por
amostra de 5 computadores.
Além do gráfico c para o número de defeitos por item, é possível utilizar o gráfi-
co u: o que motiva o seu uso é o tipo de amostra que está sendo trabalhada. Vejamos.

Gráfico u

Imagine a seguinte situação: uma fábrica de conservas em latas entrega seus

produtos em grandes caixas, as quais contém 100 unidades. Além disso, cada
caixa possui quatro caixas menores, cada uma com 25 unidades dentro. Nessa
situação, se for preciso inspecionar o número de defeitos, qual será a amostra?
A amostra maior é a caixa com 100 unidades, mas ela contém 4 subamostras,
representadas pelas caixas menores. Assim, para esse tipo de caso, não utilizamos
o gráfico c, mas o u. O valor de u é o número médio de defeitos por amostra.
Portanto, parte-se de uma amostra com tamanho n , que é multiplicada por um
valor inteiro, e resulta na amostra maior. Além disso, em nosso exemplo, há uma

110
amostra menor de n = 25 , a qual é multiplicada por 4 , uma vez que a amostra

UNICESUMAR
maior possui 4 amostras menores.
O número médio de defeitos, em cada amostra menor, é calculado por:

Xi
ui =
ni
Em que:

ui :número médio de defeitos por subamostra.

X i :número de defeitos na i-ésima subamostra.
ni :tamanho da i-ésima subamostra.

Para o caso da caixa com 100 unidades (amostra maior) e que possui quatro
caixas com 25 unidades cada (amostra menor ou subamostra), inspecionare-
mos cada um dos 100 produtos. Dessa forma, suponha que, na primeira caixa
com 25 unidades, tenham sido encontrados 10 defeitos; na segunda, 5 defeitos;
na terceira, 12 defeitos; e, na quarta, 3 defeitos. Nesse caso, o número médio de
defeitos por subamostra é de:
10
u=
1 = 0, 40
25
5
u=
2 = 0, 20
25

12
u=
3 = 0, 48
25
4
u=
4 = 0, 16
25
Com esses valores, é possível calcular o número médio de defeitos esperado, o
qual é dado pela média dos valores médios de defeitos em cada subamostra. Em
termos matemáticos, temos:
1 m
u  u   ui
m i 1

111
 Em que:
UNIDADE 3

u : número médio de defeitos estimado.

u : número médio de defeitos nas m subamostras.
m : número de subamostras.
ui : número médio de defeitos na i-ésima subamostra.

O valor do desvio padrão pode ser calculado por:

DP  u   u
n

Em que:

DP  u  : desvio padrão da média de defeitos.

u : média de defeitos em todas as subamostras.
n : tamanho de cada subamostra.

Novamente, para definir os limites de controle, consideraremos um padrão de

qualidade seis sigmas. Assim, os limites de controle do gráfico u serão:

LIC  u  3 u
n

LIC  u  3 u
n

Realizaremos os cálculos para a elaboração do gráfico, considerando os dados da tabe-

la a seguir, a qual demonstra o número de defeitos encontrados em latas de conserva:
Número Média
Amostra Subamostra
de defeitos da amostra

1 1 2 12,5

1 2 13

1 3 19

1 4 16

2 1 24 11,5

2 2 7
112
 Número Média

UNICESUMAR
Amostra Subamostra
de defeitos da amostra

2 3 0

2 4 15

3 1 6 12,25

3 2 5

3 3 15

3 4 23

4 1 5 11

4 2 8

4 3 13

4 4 18

5 1 20 14,25

5 2 7

5 3 16

5 4 14

6 1 21 13,25

6 2 2

6 3 25

6 4 5

7 1 14 16,75

7 2 14

7 3 21

7 4 16

8 1 16 10,25

8 4 15

8 3 5

Tabela 4 - Número de defeitos por amostra de 80 unidades / Fonte: o autor. 113

 Inicialmente, observe que cada amostra possui 4 subamostras, sendo que a
UNIDADE 3

amostra possui 80 unidades e cada subamostra tem 20 unidades. Essa divisão

foi feita com base no seguinte princípio: as latas de conserva são vendidas em
grandes caixas, as quais contêm 80 latas e, dentro de cada caixa, existem 4 caixas
menores, que possuem 20 latas cada. Assim, elaboraremos o gráfico u por meio
do cálculo do número médio de defeitos em cada amostra:

1 m 1 10 1  12, 50  11, 50  12, 25  11, 00  14, 25  

u  u  
m i 1
ui  
10 i 1
ui  
10  13, 25  16, 75  10, 25  14, 00  13, 50 
  12, 92

Utilizaremos esse número enquanto valor estimado do número médio de defeitos

por amostra. Portanto, os limites serão:

LIC  u  3 u  12, 92  3 12, 92  10, 51

n 20

LSC  u  3 u  12, 92  3 12, 92  15, 33

n 20
Agora, é possível construir o gráfico de controle, ilustrado na figura a seguir:
Média da amostra Valor estimado LIC X LSC

18,00
17,00
16,00
X XXXX XX XX X
Quantidade de defeitos

15,00
14,00
13,00
12,00
11,00
10,00
9,00
8,00
1 2 34567891 0
Amostras
Figura 5 - Gráfico u / Fonte: o autor.

Na figura apresentada, é perceptível que existem dois pontos fora dos limites de
controle. Quando isso acontece, devemos investigar se existem causas especiais
atuando no processo. Para tanto, aprenderemos, no tópico a seguir, como inter-
pretar os gráficos de controle por atributos e fazer as devidas investigações.
114
3
CONTROLE DO

UNICESUMAR
NÚMERO DE
DEFEITOS
por item

Caro(a) aluno(a), nosso principal objetivo é o de possibilitar a sua familiarização

com os gráficos de controle, a fim de que você esteja apto a interpretar as infor-
mações usadas e produzidas pelo CEP. Estudamos, nesta unidade, a elaboração
dos gráficos de controle por atributos tanto da frequência do número de itens
defeituosos quanto da frequência de defeitos por amostra. Para construir esses
gráficos, utilizamos dados e calculamos algumas estatísticas, tais como o valor
médio e o desvio padrão. Todas essas informações são necessárias para a elabo-
ração dos gráficos mas também é preciso analisá-los e retirar informações úteis
para o gerenciamento de processos. Lembre-se que o nosso objetivo, no CEP, é
o de controlar processos por meio da resolução de problemas. Assim, é funda-
mental que saibamos identificar um problema no processo, o que pode ser feito
por intermédio da análise dos gráficos.
Na análise dos gráficos, é preciso verificar, basicamente, quatro comporta-
mentos dos dados:
1. Os dados do gráfico variam, aleatoriamente, em torno de um valor médio
ideal?
2. Existe algum padrão de comportamento nos dados?
3. Existe alguma tendência para os dados, seja crescente, seja decrescente?
4. Os dados estão fora dos limites de controle?

115
 De acordo com a análise desses quatro itens, é possível deduzir se o processo
UNIDADE 3

está sob controle ou não, ou seja, se existe algum problema cujas causas pre-
cisam ser identificadas.
Em relação ao primeiro comportamento, ele diz respeito a como os dados
variam para cada amostra, em relação ao valor esperado. Você se lembra qual
é esse valor esperado para cada tipo de gráfico? Vejamos: para o gráfico p, o
valor esperado é o p estimado ou o p calculado, representando a proporção
esperada de itens defeituosos em cada amostra. Para o gráfico np, o valor
esperado é o np estimado ou o np calculado, representando a quantidade de
itens defeituosos por amostra. Para o gráfico c, o valor esperado é o c estimado
ou o c calculado, representando o número de defeitos por item ou por amostra.
Por fim, para o gráfico u, o valor esperado é o u estimado ou o u calculado,
representando o número médio de defeitos por amostra.
Para analisar os dados quanto ao seu comportamento em relação a um
valor médio, observe a figura a seguir, que ilustra os quatro gráficos que cons-
truímos nesta unidade:

pi Valor LIC LSC pi Valor LIC LSC

Quantidade de itens defeituosos

esperado esperado
Proporção de itens defeituosos

1,2 35
1,0 30
0,8 25 XX XX XX XX XX
20
0,6
15
0,4 10
0,2 5
0,0 0
12 34 56 78 91 0 12 34 56 78 91 0
Amostras Amostras

pi Valor LIC LSC pi Valor

estimado X
estimado LIC X LSC
Quantidade de itens defeituosos

Quantidade de itens defeituosos

7 7
6 XX XX XX XX XX XX XX XX XX XX 6
5 5 XX XX X XX XX X

4 4
3 3
2 2
1 1
0 0
12 34 56 78 91 0 1112 13 14 151617 18 1920 12 34 56 7 8 91 0
Amostras Amostras

Figura 6 - Apresentação geral dos gráficos p, np, c e u / Fonte: o autor.

116
Analisemos o item 1 para o gráfico p: é possível observar que os valores de p para

UNICESUMAR
cada amostra variam de forma aleatória em torno do valor central. Isso acontece,
porque ora o valor está acima do valor central, ora está abaixo. Se aparecerem
muitos valores, continuamente, acima ou abaixo do valor central, é um indício
de falta de aleatoriedade. O mesmo ocorre para os demais gráficos.
Agora, analisemos o segundo tipo de comportamento. Existe algum padrão
nos dados? Esse padrão pode ser uma repetição cíclica dos dados. Novamente,
não observamos nenhum tipo de padrão nos gráficos, com exceção para o gráfico
c. Observe que existem pontos consecutivos com o mesmo valor, o que pode ser
um indício de que o processo não está sob controle.
O terceiro tipo de comportamento relacionado à tendência dos dados não é
identificado, tão claramente, nos gráficos apresentados. Observamos, por exem-
plo, que, no primeiro gráfico (gráfico p), os valores de p para as amostras 2, 3 e
4 apresentam valores decrescentes, mas para a amostra 5 o valor sobe. Assim,
não é possível afirmar que existe uma tendência.
O quarto tipo de comportamento, ou seja, os dados fora dos limites de tole-
rância, é o mais fácil de ser identificado. Basta verificar se existe algum dado acima
do LSE ou abaixo do LIE. Consegue identificar? Para o gráfico p, os valores das
amostras 4 , 5 e 7 estão fora dos limites de controle. Para o gráfico np, são
observáveis valores fora dos limites nas amostras 4 , 5 e 7 . Para o gráfico c, não
há valores fora dos limites, enquanto, para o gráfico u, há valores fora dos limi-
tes para as amostras 7 e 8 . Portanto, agora, é possível deduzir que os processos
monitorados pelos gráficos p, np e u podem não estar sob controle, o que indica
que causas especiais podem estar ocorrendo. O que fazer?
Bem, quando um processo está fora de controle estatístico significa que, pos-
sivelmente, alguma causa especial atua no processo. Essa causa pode ser de vários
tipos: falta de treinamento de trabalhadores, descalibragem dos equipamentos de
medição, falta de manutenção de máquina etc.
Além da atuação de causas especiais, há outra observação importante. Ob-
serve que calculamos os valores de p, np, c e u, os quais foram considerados as
estimativas para cada gráfico. Contudo, na verdade, eles só podem ser consi-
derados estimativas corretas se os dados usados em seu cálculo estiverem
dentro de uma situação de controle estatístico. Em outras palavras, os dados
calculados nos gráficos anteriores, com exceção do gráfico c, não podem ser
usados como estimativas.

117
 Então, o que fazer? Será preciso seguir o procedimento descrito por Louzada
UNIDADE 3

et al. (2013), o qual, resumidamente, consiste em:

1. Verificar se existem pontos no gráfico que estão fora dos limites de con-
trole ou se os pontos não se distribuem, aleatoriamente, em torno da linha
central em um intervalo de tempo. É preciso verificar, também, se existe
tendência ou padrão cíclico.
2. Caso seja observado algum comportamento, é preciso investigar se há cau-
sas que podem ser consideradas como responsáveis por tal. O objetivo é eli-
minar essas causas, a fim de evitar lapsos futuros na qualidade do processo.
3. Caso uma causa tenha sido identificada como responsável pela falta de
controle, é preciso excluir do estudo todos os dados amostrais que possam
ter sofrido efeito dessa causa. Em seguida, é necessário refazer a análise
para confirmar se essas amostras foram as únicas fora de controle.
4. Se houver o interesse em usar os limites de especificação calculados em
análises futuras, será preciso recalcular os limites sem utilizar os dados
das amostras que sofreram os efeitos das causas identificadas.

Em resumo, caso você tenha o desejo de utilizar os gráficos que construímos, a

fim de monitorar, futuramente, o mesmo processo com os limites de controle
e valor estimado, mas esses gráficos tenham, inicialmente, apresentado valores
fora de controle, será preciso identificar o que causou esse comportamento fora
de controle e, em seguida, eliminar as amostras afetadas. Depois da identificação
e eliminação dessas causas, é preciso recalcular os limites e o valor central, sem
utilizar os dados das amostras que ficaram fora de controle.

118
CONSIDERAÇÕES FINAIS

UNICESUMAR
Estudamos, nesta unidade, como se dá a elaboração e a interpretação de gráfi-
cos de controle de atributos. Para tanto, trabalhamos quatro tipos de gráficos que
podem ser utilizados para monitorar um processo, quanto ao número e quanti-
dade de defeitos em seus produtos.
Para monitorar a frequência de itens defeituosos, utilizamos os gráficos p e
np. Cada um possui um valor estimado da proporção de defeitos ou do número
de defeitos, respectivamente. Esse valor pode ser estimado por meio de cálculo
ou pode ser utilizado um valor conhecido do processo. Após a elaboração des-
ses gráficos, entendemos que é preciso verificar o comportamento dos dados
em relação à aleatoriedade, existência de padrões, de tendência e pontos fora
dos limites de controle. Caso exista algum desses comportamentos, é preciso
identificar se existe alguma causa especial atuando no processo, eliminá-la(s) e
refazer os cálculos, caso haja o desejo de utilizar o mesmo gráfico para monitorar
o processo no futuro.
Para monitorar a frequência de defeitos, utilizamos os gráficos c e u. Cada
um possui um valor estimado do número de defeitos ou do número médio de
defeitos, respectivamente. Esse valor pode ser estimado por meio de cálculo ou
pode ser utilizado um valor conhecido do processo. Após a elaboração desses
gráficos, compreendemos que, assim como se dá nos gráficos p e np, é preciso
verificar o comportamento dos dados em relação à aleatoriedade, existência de
padrões, de tendência e pontos fora dos limites de controle. Caso exista algum
desses comportamentos, é preciso identificar se existe alguma causa especial
atuando no processo, eliminá-la(s) e refazer os cálculos, caso se deseja utilizar o
mesmo gráfico para monitorar o processo no futuro.
Agora, procure mais exemplos de gráficos de controle e foque seus esforços
em fazer a sua interpretação. Pergunte-se: o gráfico demonstra que o processo está
sob controle? Qual é a probabilidade de o processo produzir itens defeituosos?
Os limites de controle do número de defeitos esperados são muito altos? O que se
espera desse processo em termos de qualidade? Procure extrair essas informações
ao visualizar um gráfico de controle. Boa sorte!

119
 na prática

1. A figura, a seguir, representa qual tipo de gráfico?

18,00
17,00
Quantidade média de defeitos

16,00
15,00 X X XX X X X X X X
14,00
13,00
12,00
11,00
10,00
9,00
8,00
12 34 56 7 89 10
Amostras
a) Gráfico p.
b) Gráfico np.
c) Gráfico c.
d) Gráfico u.
e) Gráfico de controle de variáveis.

2. A figura, a seguir, representa qual tipo de gráfico?

35
Quantidade de itens defeituosos

30

25 XX XX X XX XX X
20

15

10

0
1 2 34 56 78 91 0
Amostras
a) Gráfico p.
b) Gráfico np.
c) Gráfico c.
d) Gráfico u.
e) Gráfico de controle de variáveis.

120
 na prática

3. Observe o gráfico, a seguir, e responda: qual é a probabilidade de se encontrar um

item defeituoso em uma amostra produzida pelo processo em questão?

pi Valor LICL X SC
esperado
Proporção de itens defeituosos

1,2
1,0
0,8 XX XX XX XX XX
0,6
0,4
0,2
0,0
12 34 56 78 91 0
Amostras

4. Explique qual gráfico de controle pode ser utilizado para monitorar a quantidade
de defeitos e qual gráfico pode ser utilizado para monitorar o tamanho de peças
produzidas por uma máquina.

5. Quais são os benefícios de se utilizar um gráfico de controle por atributos?

121
 aprimore-se

APLICAÇÃO DE GRÁFICOS DE CONTROLE DE ATRIBUTOS PARA ANÁLISE

DE PROCESSO ADMINISTRATIVO

O objetivo deste trabalho é apresentar uma análise de uma atividade realizada no

departamento comercial de uma empresa a qual administra um shopping center
em uma cidade situada no norte do Paraná. Para tal fim, empregou-se a ferramenta
da qualidade gráfico de controle de atributos, mais especificamente o gráfico de
não conformidade por unidade (gráfico u). Dessa maneira, foi possível perceber os
pontos passíveis de melhoria, a fim de que o processo seja aprimorado e os erros,
minimizados.

Desenvolvimento

Este estudo foi realizado em uma empresa do ramo administrativo cujo principal
objetivo é gerenciar um shopping do Estado do Paraná.
Para o gerenciamento das informações, a empresa utiliza um processo automati-
zado que é realizado por um sistema. No sistema, são inseridas as informações do lo-
catário em conjunto com os valores e as cláusulas especiais acordadas na negociação
feita com o coordenador comercial e superintendente. Esse sistema, então, redirecio-
na todas as informações para uma empresa de advocacia terceirizada que confeccio-
na os contratos, os quais são encaminhados ao shopping para a coleta das assinatu-
ras das partes interessadas. Posteriormente, o contrato é validado por advogados e é
compreendido como contrato assinado pelo sistema. Dessa forma, o departamento
intitulado Faturamento, localizado na sede da Holding, é o responsável por fazer uma
última conferência entre os dados imputados e os descritos no instrumento, para que
não haja divergência no sistema, que, automaticamente, gerará os boletos.
Além disso, cada negociação imputada gera um número de registro, o qual faci-
lita a busca e o armazenamento das informações referentes a cada loja. Um cola-
borador ou estagiário comercial do shopping é o responsável por concluir todos os

122
 aprimore-se

estágios de vendas até o contrato cadastrado pela área de faturamento. Para tanto,
deve consultar o número de negociação, diariamente, verificando se houve alguma
alteração, a qual pode ser tanto positiva (cadastro) quanto negativa (reprovação).
Caso a alteração seja negativa, uma análise deve ser feita, a fim de que o problema
seja resolvido e reencaminhado para o faturamento o quanto antes. Essa análise
deve ser descrita no campo observações, para que o colaborador possa entender
os reajustes e reavaliar.
Neste estudo, para análise do processo, foram utilizados dados de outubro de
2015 até fevereiro de 2016, restringindo apenas as negociações de lojas novas e as re-
novações. O responsável pela coleta dos dados foi o estagiário comercial do shopping,
o qual tem acesso ao sistema, que deve ser alimentado com todos os dados correta-
mente, a fim de que sejam integrados conforme o desejado pelo sistema de geração
de boletos. A conferência diária das negociações para verificação de alterações é feita
logo no início do período de trabalho, das 09:00 às 10:00. A partir do entendimento
das etapas que a negociação-faturamento, 20 negociações foram analisadas.
Para que se possa investigar, estatisticamente, se o processo está em controle, de
acordo os parâmetros da qualidade, utilizou-se o gráfico de controle para atributos,
mais especificamente a carta para o número de não conformidades por unidade,
visto que serão investigadas negociações isoladas, sem dependência uma da outra.

Conclusão

Os resultados obtidos no gráfico de controle demonstraram que o processo se en-

contra em controle estatístico. No entanto, a fim de minimizar as quantidades de
negociações reprovadas e para melhorar a qualidade dos serviços prestados aos
lojistas, foram propostas, por meio da ferramenta da qualidade diagrama causa e
efeito, causas a serem analisadas e otimizadas para que a empresa atinja níveis de
excelência e se destaque entre os concorrentes.
Fonte: adaptado de Corsi et al. (2015).

123
 eu recomendo!

livro

Introdução ao Controle Estatístico da Qualidade

Autor: Douglas C. Montgomery
Editora: LTC
Sinopse: este livro prepara o leitor para a prática profissional por
meio da apresentação de uma cobertura atualizada dos méto-
dos tradicionais, bem como das mais recentes técnicas e proce-
dimentos. Assim, expõe os mais recentes desenvolvimentos na
área, novos exemplos e uma cobertura ampla e integrada de programas com-
putacionais, tais como o Minitab e o Excel. Além disso, o leitor aprenderá a apli-
car as técnicas do estado-da-arte para o controle e monitoramento estatístico de
processos, o planejamento de experimentos para caracterização e otimização, a
condição de estudos da robustez do processo e a implementação de técnicas de
gerenciamento da qualidade, incluindo a abordagem seis-sigma.

filme

Brain Games (Truques da Mente)

Ano: 2011
Sinopse: esta série interativa utiliza jogos, ilusões e experimentos
para mostrar como o cérebro interpreta a realidade e como pode
nos enganar com frequência.
Comentário: o conhecimento estatístico utilizado no controle de
processos evita que tomemos decisões baseadas no senso co-
mum, uma vez que, muitas vezes, esse tipo de senso nos engana. Assim, o do-
cumentário mostra diversos exemplos de como a nossa mente funciona e como,
muitas vezes, somos enganados ao pensar, por exemplo, que duas figuras exata-
mente idênticas são diferentes quando colocadas uma ao lado da outra. Assista
e descubra como seu cérebro pode te levar a decisões erradas sem que você
perceba.

124
 anotações



































4
CONTROLE
ESTATÍSTICO
DO PROCESSO
por variáveis

PROFESSOR
Me. Maílson José da Silva

PLANO DE ESTUDO
A seguir, apresentam-se as aulas que você estudará nesta unidade: • Gráficos x e S • Gráficos x eR
• Leitura e análise de gráficos de controle por variáveis

OBJETIVOS DE APRENDIZAGEM
• Apresentar os gráficos x e S e a sua importância no CEP • Trabalhar os gráficos xe R e a sua
importância no CEP • Analisar dados e informações dos gráficos de controle por variáveis
INTRODUÇÃO

Olá! Nesta unidade, explicaremos como se dá a utilização de gráficos de

controle para variáveis. Na unidade anterior, estudamos os gráficos de con-
trole para atributos, que são características que não podem ser mensuradas
com um instrumento de medição. Agora, utilizaremos os gráficos para as
variáveis mensuráveis: peso, temperatura, tempo, pressão etc. Essas variá-
veis estão presentes em diversos processos, como na indústria de alimentos
(temperatura, pressão, peso etc.) e na indústria de embalagens (resistência
de uma embalagem, peso, espessura etc.), por exemplo.
Inicialmente, explicaremos a aplicabilidade dos gráficos de controle
para as variáveis presentes em um processo. Não só, mas demonstraremos
como o monitoramento de algumas variáveis do processo possui relação
com a qualidade final dos produtos produzidos por tal processo. Para as
variáveis, utilizamos dois gráficos de controle ao mesmo tempo. Assim, no
primeiro tópico, explanaremos como se dá a elaboração dos gráficos da
média ( x ) e do desvio padrão ( S ).
No segundo tópico, apresentaremos a construção dos gráficos da média (
x ) e da amplitude ( R ). Basicamente, são utilizados esses dois tipos de combi-
nação de gráficos: x e S ou x e R . A combinação a ser utilizada dependerá
do tamanho da amostra, assim como será explicado em detalhes, ao longo da
unidade. Para qualquer combinação de gráfico, evidenciaremos que o padrão
de controle pode ser baseado nas especificações dos clientes ou na ausência
de tais determinações, pois a partir dessas informaçõespodem ser criados
padrões de controle próprios.
Por fim, explanaremos como se dá a leitura e a análise dos gráficos de
controle por variáveis. Esse será o assunto para o qual chamaremos mais
a sua atenção, visto que você saberá ler o gráfico de controle e identificar
se o processo representado por ele está, ou não, sob controle estatístico.
Dessa forma, é importante que você saiba interpretar e usar os gráficos de
controle para poder gerenciar um processo. Não se preocupe tanto com
os cálculos apresentados, já que, apesar de serem fundamentais, eles não
são o foco do nosso estudo. Bons estudos!
1
GRÁFICOS
UNIDADE 4

x E S

Caro(a) aluno(a), imagine a seguinte situação em uma indústria de chocolates: a

cada minuto, são embaladas diversas barras, as quais são produzidas em um pro-
cesso, altamente, automatizado. As barras embaladas são empacotadas em caixas
que são despachadas para os clientes: redes de supermercado, distribuidores de
alimentos etc. Quando o consumidor adquire o produto, ele espera que, no míni-
mo, a barra de chocolate tenha um peso real igual ao descrito em sua embalagem.
Caso a barra tenha um peso superior ao descrito na embalagem, talvez, o cliente
não se incomode. Entretanto, caso o peso seja inferior ao descrito na embalagem,
haverá uma insatisfação por parte do cliente, caso ele descubra esse fato. Dessa
forma, tanto cliente quanto o mercado serão prejudicados. Para evitar esse tipo de
problema, existem órgãos fiscalizadores que analisam algumas características de
qualidade dos produtos, a fim de garantir que eles cheguem ao consumo dentro
das especificações informadas pelo fabricante.
A situação apresentada ilustra um pouco do contexto em que os gráficos de
controle por variáveis são utilizados. No caso, há a variável peso da embalagem
como a de interesse em ser controlada. Cabe a pergunta: como o fabricante de
chocolates pode garantir que seus produtos atenderão à especificação de peso

128
informada na embalagem? Talvez, você sugira que o fabricante pese todas as

UNICESUMAR
embalagens produzidas antes de serem despachadas. Isso, certamente, evitaria a
entrega de produtos fora das especificações. Todavia, apesar de estar correto, o uso
da inspeção oferece resultados limitados, uma vez que ela, simplesmente, separa
um produto em duas classes: bons ou ruins em relação à característica que está
sendo avaliada. Além disso, apesar de ser útil, a inspeção não consegue identificar
se um processo está apresentando sinais de que está começando a produzir itens
fora do controle, já que atua apenas no final do processo. Talvez, você se pergunte:
é possível prever que um processo fabricará itens defeituosos antes mesmo de
um item defeituoso ser produzido? A resposta é sim e isso é possível por meio
dos gráficos de controle. No caso do peso da embalagem, seria por intermédio
de um gráfico de controle por variáveis.

pensando juntos

O gráfico de controle atua na etapa final ou no meio de um processo?

Esse tipo de gráfico de controle monitora as variáveis de um processo com o

objetivo de fiscalizar a qualidade final de um produto. Por meio dos gráficos
de controle, é possível verificar se as variações nas causas do processo alterarão
a qualidade final do produto. Pode-se, por exemplo, monitorar a resistência à
compressão de garrafas produzidas. Ao monitorar essa variável, é possível ava-
liar se o produto final (garrafa) terá, ou não, qualidade quanto a sua resistência,
impactando na sua qualidade final. Assim, o uso do CEP no controle de variáveis
permite um melhor conhecimento sobre o processo.
Como é possível usar o CEP no controle de variáveis? Bem, um conjunto de
variáveis pode ser analisado quanto as suas estatísticas, por meio do cálculo da
média, do desvio padrão e da amplitude de um conjunto de dados. O CEP, no
controle de variáveis, utiliza essas estatísticas para fazer o controle. Os gráficos
utilizados são denominados gráficos de Shewhart e se dividem em três:
• Gráfico da média x .
• Gráfico do desvio padrão S .
• Gráfico da amplitude R .

129
UNIDADE 4

explorando Ideias

Além dos gráficos da média, desvio padrão e amplitude, podem ser utilizados outros dois gráfi-
cos no controle de variáveis: o gráfico da soma acumulada (Cusum) e o gráfico da média móvel,
exponencialmente, ponderada (MMEP). Esses gráficos, segundo Louzada et al. (2013), agregam
informações que não seriam obtidas por meio dos gráficos de Shewhart para a análise.
Fonte: o autor.

Os gráficos detectam, no conjunto de dados, variabilidades que indicam que há

algo errado com o processo. Dois desses gráficos devem ser utilizados ao mesmo
tempo. Portanto, devem ser utilizadas as combinações dos gráficos x e S ou dos
gráficos x e R . A primeira combinação (gráfico da média e do desvio padrão)
é utilizada para amostras de tamanho grande, acima de dez observações, ou para
amostras de tamanhos diferentes. Já a segunda combinação (gráfico da média e da
amplitude) é utilizada para amostras de tamanho pequeno, de duas a dez amostras.
Neste tópico, ensinaremos como se dá a construção dos gráficos x e S . Para
tanto, utilizaremos, como exemplo, uma rede de restaurantes de comida rápida
que quer saber se o seu processo de atendimento de pedidos se enquadra em um
padrão de qualidade conhecido. Para obter a resposta, a variável a ser monitorada
é o tempo de atendimento de um cliente que está na fila, desde o momento em
que ele entra na fila até ter seu pedido despachado para a produção.

Construção dos gráficos xeS

O gráfico x é o gráfico da média de um conjunto de dados. A média que utili-
zamos é a média dos valores de certa amostra, ou seja, uma amostra possui mais
de uma observação. Se forem somados os valores de cada observação e, em se-
guida, dividir o resultado pelo total de observações, será obtida a média da amos-
tra. Por exemplo, é possível ter amostras de 5 observações do diâmetro de certa
peça em mm , conforme evidenciam os dados da tabela a seguir:
Amostra Observação Valor (mm)

1 1 2

1 2 2

130
 Amostra Observação Valor (mm)

UNICESUMAR
1 3 2

1 4 2

1 5 3

2 1 2

2 2 3

2 3 3

2 4 4

2 5 2

Tabela 1 - Diâmetros de peças de duas amostras com tamanho igual a 5 / Fonte: o autor.

Os dados apresentam um total de 10 observações ou 10 medidas de diâmetro

de peças. Essas observações são de duas amostras, sendo que cada uma contém
cinco observações. As médias de cada amostra são:
Amostra 1:
n 5
 xj  xj
j 1 j 1 (2  2  2  2  3)
xi   x1    2, 2mm
n 5 5
Em que:

xi : valor médio amostral.

n
 x j : somatório dos valores de j-ésimas observações da amostra.
j 1
n : número total de elementos da amostra.

Amostra 2:

n 5
 xj  xj
j 1 j 1 (2  3  3  4  2)
xi   x2    2, 8mm
n 5 5

131
 Entendido? Esse tipo de cálculo é o que faremos nesta unidade.
UNIDADE 4

Para construir o gráfico x , é preciso calcular a média e o desvio padrão de

cada amostra e, em seguida, comparar os valores com um valor de referência
para a média e um valor de referência para o desvio padrão. Nesta unidade,
explicaremos como calcular esses valores de referência.

explorando Ideias

Além do valor calculado de referência, existe o valor especificado de referência. Nesse caso,
não é necessário calcular os valores de referência para a média e para o desvio padrão.
Basta utilizar os valores que são especificados no projeto do produto e que atendem às
necessidades dos clientes. Os limites do gráfico de controle da média com especificações
σ 0
, em que ∝ é o valor especificado da média, σ é o desvio padrão
0
são dados por: ∝  3
n
especificado e n é o número de elementos da amostra . Já os limites do gráfico de controle
do desvio padrão com especificações são dados por: c σ
4 3σ (1 c42 ) , em que c4 é um
valor tabelado conforme o tamanho da amostra e σ é o desvio padrão especificado.
Fonte: adaptado de Louzada et al. (2013).

Quando não existem valores especificados para a média e para o desvio padrão
das amostras, é possível calcular seus valores, seguindo o passo a passo proposto
por Louzada et al. (2013).

pensando juntos

Caso um produto não tenha um valor especificado para uma característica de qualidade
significa que ele pode ter qualquer valor? Os clientes aceitarão?

Aplicaremos o passo a passo por meio de um exemplo de uma rede de restauran-

tes de comidas rápidas. Nesse restaurante, os clientes chegam até uma fila para
fazer o seu pedido. Dessa forma, a gerência da rede de restaurantes deseja saber
se o tempo de atendimento na fila está sob controle estatístico, o que indica que
a empresa possui um padrão de qualidade no atendimento.
O tempo de atendimento foi medido em segundos e compreende desde a che-
gada do cliente na fila até o momento em que seu pedido é feito, ou seja, até o
momento em que o cliente recebe o ticket com os dados do seu pedido. Por meio
desses dados, foram elaborados os gráficos x e S . Vamos ao primeiro passo.
132
Definir o tamanho da amostra e o número

UNICESUMAR
de observações

Os gráficos x e S são utilizados para amostras de tamanho superior a 10 ob-

servações. O número de amostras também deve ser alto, portanto, recomenda-se
um total de 25 amostras. Para o nosso exemplo, foram coletadas 25 amostras
com tamanho igual a 14 observações. Podemos indicar esse fato por m = 25 e
n = 14 , ou seja, a letra m representa o número de amostras, enquanto a letra n
retreta o número de observações em cada amostra.
Em termos práticos, para o nosso exemplo, foram coletadas 350 (25 × 14)
observações. Cada uma representa o tempo observado de atendimento para cada
cliente. A cada 14 observações, é formada uma amostra (as observações da mes-
ma amostra são independentes e tomadas em sequência).

Coletar os dados de cada observação

Foram medidos os tempos de atendimento, em segundos, para cada uma das 350
observações. Cada observação é representada por xij , sendo i o valor que indica
a amostra e j o valor que indica a observação. A tabela, a seguir, apresenta os re-
sultados medidos até a quarta amostra (nem todos os dados foram apresentados
por uma questão de espaço):

Amostra Observação Valor Amostra Observação Valor

(i) (j) (s) (i) (j) (s)

1 1 53 3 1 72

1 2 78 3 2 76

1 3 57 3 3 72

1 4 52 3 4 72

1 5 46 3 5 86

1 6 71 3 6 77

1 7 90 3 7 64
133
 Amostra Observação Valor Amostra Observação Valor
UNIDADE 4

(i) (j) (s) (i) (j) (s)

1 8 87 3 8 82

1 9 79 3 9 55

1 10 66 3 10 45

1 11 51 3 11 90

1 12 76 3 12 88

1 13 60 3 13 84

1 14 88 3 14 60

2 1 69 4 1 69

2 2 84 4 2 42

2 3 45 4 3 90

2 4 51 4 4 90

2 5 74 4 5 57

2 6 50 4 6 81

2 7 42 4 7 70

2 8 89 4 8 90

2 9 53 4 9 66

2 10 40 4 10 48

2 11 61 4 11 49

2 12 57 4 12 89

2 13 44 4 13 79

2 14 54 4 14 46

Tabela 2 - Tempos de atendimento em segundos / Fonte: o autor.

134
Assim, por exemplo, o primeiro tempo medido foi de 53s , pertencente à primeira

UNICESUMAR
amostra. Depois, foram coletadas mais 13 observações, totalizando 14 observações
da amostra. O próximo valor medido é a primeira observação da amostra dois.

Calcular o valor médio de cada amostra

Cada amostra possui um valor médio. O valor médio é obtido por meio da di-
visão da soma dos valores da amostra pelo número de elementos da amostra.
Matematicamente, a média da i-ésima amostra é dada por:
n
 xj
j 1
xi 
n

Em que:

xi : valor médio amostral.

n
 x j : somatório dos valores de j-ésimas observações da amostra.
j 1
n : número total de elementos da amostra.

Por exemplo, a média da primeira amostra do nosso conjunto de dados do res-

taurante é igual a (analise o cálculo acompanhando os valores na Tabela 1):
n 5
 xj  xj
j 1 j 1 (53  78  57  52  46  71  90  87  79  66  51  76  60  88)
xi   x1    68 s
n 14 14

Esse cálculo deve ser feito para cada amostra. A tabela, a seguir, expõe o resultado
das médias das 25 amostras:
Amostra Média ( x ) Amostra Média ( x )

1 68 13 65

2 58 14 61

3 73 15 61

135
 Amostra Amostra
UNIDADE 4

Média ( x ) Média ( x )

4 69 16 64

5 61 17 66

6 68 18 71

7 67 19 65

8 60 20 64

9 58 21 65

10 66 22 74

11 63 23 64

12 63 24 59

/ / 25 70

Tabela 3 - Médias amostrais / Fonte: o autor.

Observe que o tempo de atendimento possui certa variabilidade em seus valores

médios, chegando até a 74 segundos. Essa variabilidade em processos, sempre,
ocorrerá. Entretanto, é preciso investigar se ela ocorre devido às causas comuns
ou especiais. Estudaremos isso adiante.

Calcular o desvio padrão

Cada amostra possui um valor de desvio padrão dado pela seguinte equação:
n
1 i
Si   ( xij  xi )2
ni  1 j 1

Em que:
Si : desvio padrão da i-ésima amostra.
ni : número de elementos da i-ésima amostra.
xij : valor do j-ésimo elemento da i-ésima amostra.
136
 Para que você compreenda melhor a aplicação da equação, calcularemos o desvio

UNICESUMAR
padrão da primeira amostra do nosso conjunto de dados:
(53  68)2  (78  68)2  (57  68)2 
1
ni
1 14
1 (52  68)2  (46  68)2  (71  68)2 
Si  
ni  1 j 1
( xij  xi )2  S1  
14  1 j 1
( xij  xi )2  
14  1 (90  68)2  (87  68)2  (79  68)2 
 15, 14 s

(66  68)2  (51  68)2  (76  68)2  (60  68)2  (88  68)2

Observe que o cálculo foi feito com os dados da Tabela 1 para a média da amostra
1, a qual é de, aproximadamente, 68s , assim como fora calculado no passo anterior.
A tabela, a seguir, apresenta os valores de desvio padrão para cada amostra:

Desvio padrão Desvio padrão

Amostra Amostra
(S) (S)

1 15, 14 13 13, 93

2 15, 50 14 15, 00

3 13, 22 15 15, 72

4 18, 02 16 14, 82

5 16, 62 17 16, 88

6 10, 27 18 12, 43

7 15, 58 19 15, 17

8 11, 44 20 15, 51

9 14, 37 21 14, 22

10 17, 71 22 15, 95

11 15, 36 23 16, 92

12 15, 43 24 11, 18
/ / 25 12, 09
Tabela 4 - Desvio padrão das amostras / Fonte: o autor.

Não se assuste com o cálculo! Caso você não o compreenda, leia, novamente, a unidade
em que explicamos o cálculo do desvio padrão. Consulte também seu professor e tutor.
137
 Selecionar um valor de C4, conforme o tamanho
UNIDADE 4

das amostras

Além dos valores da média e do desvio padrão, é necessário o valor de um coe-

ficiente que depende do tamanho da amostra. A tabela, a seguir, mostra os valo-
res de referência desse coeficiente, o qual é denominado c4 :

n c4 n c4 n c4

2 0, 7979 10 0, 9727 18 0, 9854

3 0, 8662 11 0, 9754 19 0, 9862

4 0, 9213 12 0, 9776 20 0, 9869

5 0, 9400 13 0, 9794 21 0, 9876

6 0, 9515 14 0, 9810 22 0, 9882

7 0, 9594 15 0, 9823 23 0, 9887

8 0, 9650 16 0, 9835 24 0, 9892

9 0, 9693 17 0, 9845 25 0, 9896

Tabela 5 - Constante C4 usada na construção do gráfico S / Fonte: Louzada et al. (2013, p. 27).

Para o nosso exemplo, a amostra possui 14 elementos ( n = 14 ). Logo, c4 = 0, 9810.

Construir o gráfico da média x

O gráfico é composto pelas médias amostrais e possui três linhas horizontais.

Existe a linha do Limite Superior de Controle (LSC), uma linha central do padrão
de referência e a linha do Limite Inferior de Controle (LIC). Para desenhar cada
linha, é necessário realizar o seguinte cálculo:

S
x±3
c4 n

138
Em que:

UNICESUMAR
x : média das médias amostrais.
S : média dos desvios padrão.
c4 : valor tabelado conforme número de elementos da amostra.
n : número total de amostras.

O valor de x é a média das médias amostrais. Em outras palavras, para o nosso

exemplo, é preciso calcular a média dos valores da Tabela 3, que são os valores
das médias amostrais. Ao realizar o cálculo, é sabível que:

x  64, 83

Já o valor de S é a média dos desvios padrão. Em outras palavras, para o nosso

exemplo, é necessário calcular a média dos valores da Tabela 4, que são os valores
dos desvios padrão das amostras. Ao realizar o cálculo, é sabível que:

S  14, 74

Os valores das três linhas do gráfico serão dados por:

S 14, 74
LSC  x  3  64, 83  3  76, 88 s
c4 n 0, 9810 14

x  64, 83s

S 14, 74
LIC  x  3  64, 83  3  52, 78 s
c4 n 0, 9810 14

Os valores das três linhas e os valores das médias amostrais devem ser plotados
em um gráfico de linha, conforme é visualizado a seguir:

139
 90
UNIDADE 4

80 X X X X X X X X X X X X X X X X X X X X X X X X X
70
60
50

40
30
20
10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

x barra x duas barras LIC X LSC

Figura 1 - Gráfico x / Fonte: o autor.

Esse é o gráfico que monitora as médias amostrais. É observável que todos os va-
lores de x barra ( x - médias amostrais) estão dentro dos limites de controle. Além
disso, os valores das médias se alteram em torno da linha central. No último tópico,
realizaremos a interpretação desse gráfico. Agora, construiremos o gráfico S.

Construir o gráfico S

Além do gráfico da média, é preciso construir o gráfico do desvio padrão. Já

calculamos os valores dos desvios padrão amostrais e o valor do desvio padrão
médio. A partir desses valores e da constante c4 , dada pela Tabela 5, construire-
mos o gráfico S. Semelhantemente ao gráfico x , deve-se traçar três linhas hori-
zontais: a do LSC, a do valor de referência e a do LIC. Sabemos que S = 14, 74 e
c4 = 0, 9810 . Logo, o valor de LSC é dado por:
Os valores das três linhas do gráfico serão dados por:
S 14, 74
LSC  S  3 (1  c42 )  14, 74  3 (1  0, 98102 )  23, 48 s
c4 0, 9810
S  14, 74 s
S 14, 74
LIC  S  3 (1  c42 )  14, 74  3 (1  0, 98102 )  5, 99 s
c4 0, 9810

140
Em que:

UNICESUMAR
LIC : limite inferior de controle.
LSC : limite superior de controle.
S : média dos desvios padrão.
c4 : valor tabelado conforme o número de elementos da amostra.
n : número total de amostras.
Observe que os cálculos foram feitos com base nos valores já obtidos. De posse dos
limites e dos valores de desvio padrão de cada amostra, foi construído o gráfico S:
25,00
X X X X X X X X X X X X X X X X X X X X X X X X X

20,00

15,00

10,00

5,00

0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Desvio padrão Desvio médio LIC X LSC

da amostra

Figura 2 - Gráfico S / Fonte: o autor.

Observamos, na figura apresentada, que todas as amostras possuem seu desvio

padrão dentro dos limites inferior e superior de controle. Os desvios padrão de
cada amostra variam em torno do valor central, que é o desvio médio.
Finalizamos, aqui, a construção dos gráficos x e S . O passo a passo apre-
sentado é aplicável para as amostras de mesmo tamanho e sem valores de média
e desvio padrão especificados pelo cliente.

explorando Ideias

A construção dos gráficos x e S para amostras de tamanhos diferentes também é possí-

vel. Entretanto, será preciso utilizar outras equações. Leia as páginas 29, 30 e 31 da obra
Controle Estatístico de Processos: uma abordagem prática para cursos de Engenharia e
Administração para saber mais.
Fonte: o autor.

141
2
GRÁFICOS
UNIDADE 4

xER

O uso em conjunto dos gráficos da média e do desvio padrão é feito quando as

amostras possuem tamanho superior a 10 observações. Para o caso em que as
amostras são menores, com até 1 observação por amostra, devem ser utilizados
os gráficos x e R. O gráfico R é o gráfico da amplitude dos dados.
Veja que a escolha dos tipos de gráficos depende do tamanho das amostras.
Além de conhecer os cálculos necessários para a construção dos gráficos, você
precisa se atentar em como eles devem ser aplicados. Por exemplo, se um processo
produz peças que são embaladas em caixas as quais contêm 5 peças, você pode
aplicar os gráficos x e R para fazer o monitoramento das medidas das peças.
Nesse caso, você considerará que cada amostra é uma caixa de peças, ou seja, cada
amostra conterá 5 observações. Caso cada caixa tenha 20 peças, seria recomen-
dável utilizar os gráficos x e S, pois cada amostra seria uma caixa, contendo 20
observações (número maior do que 10 observações).
O gráfico da amplitude também pode ser utilizado para amostras unitárias.
Lembre-se um pouco do conceito de amplitude: ela é calculada por:
Ri  max j ( xij )  min j ( xij )

Em que Ri é a amplitude de uma amostra i, m ax j ( xij ) é o valor máximo do con-

junto de dados da amostra i e min j ( xij ) é o valor mínimo do conjunto de dados.

142
 Por exemplo, para uma amostra de 5 peças cujos pesos foram medidos e

UNICESUMAR
obtidos os seguintes valores: 2, 3kg , 2, 3kg , 2, 5kg , 2, 5kg e 2, 6kg , a amplitude
amostral é igual a:
Ri  max j ( xij )  min j ( xij )  2, 6  2, 3  0, 3kg

Vejamos, agora, um passo a passo proposto por Louzada et al. (2013) para a
construção dos gráficos x e R. Utilizaremos, como exemplo, o caso de um fabri-
cante de peças metálicas que utilizará os gráficos da média e da amplitude para
monitorar a largura de peças usinadas. As peças são comercializadas em caixas
que possuem 2 peças.

Determinar o número e o tamanho de amostras

Pelo fato de que cada caixa contém 2 peças, a amostra considerada será uma
caixa com duas observações. Para a construção do gráfico, utilizaremos os dados
de 25 amostras, ou seja, m = 25 e n = 2 .

Coletar os dados

Neste passo, é preciso obter as medidas das unidades amostrais. Para cada peça
das 25 amostras, as quais possuem 2 peças cada, foi feita a medição de largura
(em mm ). Os resultados são apresentados na tabela a seguir:

Amostra Observação Valor Amostra Observação Valor

(m) (n) (mm) (m) (n) (mm)

1 1 71 13 2 71

1 2 70 14 1 73

2 1 71 14 2 71

2 2 73 15 1 73

3 1 73 15 2 73

143
 Amostra Observação Valor Amostra Observação Valor
UNIDADE 4

(m) (n) (mm) (m) (n) (mm)

3 2 70 16 1 73

4 1 71 16 2 70

4 2 69 17 1 69

5 1 69 17 2 72

5 2 69 18 1 69

6 1 71 18 2 71

6 2 72 19 1 72

7 1 72 19 2 70

7 2 69 20 1 70

8 1 71 20 2 72

8 2 71 21 1 72

9 1 71 21 2 69

9 2 71 22 1 69

10 1 72 22 2 69

10 2 69 23 1 81

11 1 70 23 2 70

11 2 70 24 1 90

12 1 70 24 2 72

12 2 69 25 1 48

13 1 72 25 2 70

Tabela 6 - Dados amostrais / Fonte: o autor.

144
Observa-se que há um total de 50 valores de dimensões de peças.

UNICESUMAR
Calcular o valor da média de cada amostra

Para cada amostra, será necessário calcular o valor médio. Ele é dado por:
1 n
xi   xij
n j 1

Em que xij é o valor da j-ésima observação da i-ésima amostra e n é o número

de elementos da amostra.
Para o exemplo do fabricante de peças, há 25 amostras com 2 observações
cada. Veja, a seguir, o cálculo detalhado das médias das duas primeiras amostras:
1 2 1
x1  
2 j 1
xij  (71  70)  70, 5mm
2

1 2 1
x2  
2 j 1
xij  (71  73)  72, 0mm
2
A tabela, a seguir, apresenta os valores das médias de cada amostra:

Amostra Média (mm) Amostra Média (mm)

1 70, 5 13 71, 5

2 72, 0 14 72, 0

3 71, 5 15 73, 0

4 70, 0 16 71, 5

5 69, 0 17 70, 5

6 71, 5 18 70, 0

7 70, 5 19 71, 0

8 71, 5 20 71, 0

145
 Amostra Média (mm) Amostra Média (mm)
UNIDADE 4

9 71, 5 21 70, 5

10 70, 5 22 69, 0

11 70, 0 23 70, 5

12 69, 5 24 72, 5

/ / 25 70, 0
Tabela 7 - Médias amostrais / Fonte: o autor.

Agora que já possuímos os valores das médias amostrais, é possível estimar um

valor de referência para a média das amostras. Esse valor é dado pela média das
médias amostrais:
1 m
x  xi
m i 1
Utilizando os dados da Tabela 7, calcularemos a média das médias amostrais:

1 m 1
x 
m i 1
xi  (70, 5  72  71, 5  70  69  71, 5  70, 5 
25
71  71  70, 5  70  69, 5  71, 5  72  73  71, 5 
70, 5  70  71  71  70, 5  69  70, 5  72, 5  70)  70, 8mm

Esse valor será usado na linha de referência do gráfico de x .

explorando Ideias

Os cálculos apresentados são utilizados quando não existe um valor especificado da mé-
dia do processo. Caso esse valor seja especificado, devemos utilizar outras fórmulas para
construir o gráfico x.
Fonte: o autor.

146
Calcular a amplitude R

UNICESUMAR
Agora, é preciso calcular a amplitude de cada amostra. A seguir, detalhamos as
amplitudes das duas primeiras amostras:
R1  max j ( x1 j )  min j ( x1 j )  71  70  1mm

R2  max j ( x2 j )  min j ( x2 j )  73  71  2mm

Esse cálculo é feito para todas as amostras. Os resultados são apresentados na

tabela a seguir:

Amostra Amplitude (mm) Amostra Amplitude (mm)

1 1 13 1

2 2 14 2

3 3 15 0

4 2 16 3

5 0 17 3

6 1 18 2

7 3 19 2

8 0 20 2

9 0 21 3

10 3 22 0

11 0 23 1

12 1 24 1

/ / 25 0

Tabela 8 - Amplitudes amostrais / Fonte: o autor.

147
 Se as amostras fossem de tamanho unitário, não seria possível calcular a amplitu-
UNIDADE 4

de por meio da diferença entre o maior e o menor valor. Nesse caso, a amplitude
pode ser calculada por meio da amplitude móvel, que é dada pela diferença entre
o valor da amostra posterior e o valor da amostra anterior.
Utilizando os dados de amplitude amostrais da Tabela 8, calcularemos a am-
plitude média:

1 m 1
R  Ri  25 (1  2  3  2  0  1  3  0  0  3  0  1  1  2  0  3  3  2  2  2  3  0  1  1  0)  1, 44mm
m i 1

Com os valores calculados da média e da amplitude média amostral, é possível

construir os gráficos de controle. Falta, apenas, estimar as duas constantes deno-
minadas d2 e d3 .

Construção do gráfico x

Para a construção dos gráficos, além dos valores que calculamos da média e da
amplitude, é preciso selecionar dois valores chamados de constantes d2 e d3 ,
conforme é visualizado na tabela a seguir:
n d2 d3

2 1,1296 0,8541

3 1,6918 0,8909

4 2,0535 0,8800

5 2,3248 0,8674

6 2,5404 0,8508

7 2,7074 0,8326

8 2,8501 0,8209

9 2,9677 0,8102

10 3,0737 0,7978

11 3,1696 0,7890

Tabela 9 - Constantes usadas na construção dos gráficos R e x / Fonte: Louzada et al. (2013, p. 35).
148
Para o nosso exemplo, o valor de n é igual a 2 , pois é o número de observações

UNICESUMAR
em cada amostra. De acordo com a Tabela 9, devemos usar os valores d2 = 1, 1296
e d3 = 0, 8541 .
O gráfico x é composto pelas médias amostrais e possui três linhas hori-
zontais, semelhante ao gráfico que explicamos anteriormente. Existe a linha do
Limite Superior de Controle (LSC), uma linha central do padrão de referência e a
linha do Limite Inferior de Controle (LIC). O LSC é obtido pela seguinte equação:
R
LSC  x  3
d2 n

Para nosso exemplo, sabemos que x = 70, 8 mm , R = 1, 44 mm , d2 = 1, 1296 e

n = 2 . Assim:
R 1, 44
LSC  x  3  70, 8  3  73, 5mm
d2 n 1, 1296 2

O valor do padrão de referência é igual ao valor de x = 70, 8mm .

Já o LIC é obtido pela seguinte equação:
R 1, 44
LIC  x  3  70, 8  3  68, 1mm
d2 n 1, 1296 2
De posse desses dados e dos valores de média amostrais, os quais foram apresen-
tados pela Tabela 7, é possível construir o gráfico de controle:
74,0
73,0

72,0

71,0
70,0

69,0

68,0 X X X X X X X X X X X X X X X X X X X X X X X X X

67,0

66,0
65,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Média X duas barras LIC X LSC

Figura 3 - Gráfico x em conjunto com o gráfico R / Fonte: o autor.

149
 No eixo horizontal do gráfico, há as amostras de um a vinte e cinco. Já no eixo vertical,
UNIDADE 4

temos os seus valores médios. Observe que todos os valores das médias amostrais
estão dentro do intervalo delimitado pelos limites superior e inferior de controle.

Construção do gráfico R

Para construir o gráfico R, utilizaremos os valores das constantes d2 e d3 que

determinamos no passo anterior ( d2 = 1, 1296 e d3 = 0, 8541 ).
O gráfico R é composto pelas amplitudes amostrais e também possui três
linhas horizontais. Assim sendo, há a linha do Limite Superior de Controle (LSC),
uma linha central do padrão de referência e a linha do Limite Inferior de Controle
(LIC). O LSC é obtido pela seguinte equação:

d3 R
LSC  R  3
d2

Para o nosso exemplo, sabemos que R = 1, 44 mm , d2 = 1,1296 e d3 = 0, 8541. Assim:

d3 R 0, 8541.1, 44
LSC  R  3  1, 44  3  4, 7 mm
d2 1, 1296

O valor do padrão de referência é igual ao valor de R = 1, 44 mm .

O LIC é obtido pela seguinte equação:

d3 R 0, 8541.1, 44
LIC  R  3  1, 44  3  1, 8mm
d2 1, 1296

150
Pelo fato de que não usamos limites de controle negativos, adotaremos que

UNICESUMAR
LIC = 0mm .
De posse desses dados e dos valores das amplitudes amostrais dadas pela
Tabela 8, é possível construir o gráfico de controle:
5

4,5

3,5

3 Amplitude

2,5 Amplitude média

2 LSC

1,5 X LIC

0,5

0 X X X XX X X X X XX X X X X X X X X X X X X X X
1 3 5 7 9 11 13 15 17 19 21 23 25

Figura 4 - Gráfico R / Fonte: o autor.

No eixo horizontal do gráfico, há as amostras de um a vinte e cinco. Já no eixo ver-

tical, temos seus valores de amplitude. Observe que todos os valores de amplitude
estão dentro do intervalo delimitado pelos limites superior e inferior de controle.

151
3
LEITURA E ANÁLISE DE
UNIDADE 4

GRÁFICOS DE
CONTROLE
por variáveis

Agora que você já conheceu os cálculos para a construção dos gráficos de controle
por variáveis, explicaremos como se dá a sua leitura e análise. Consideramos este
tópico como o principal desta unidade, uma vez que o nosso foco é lhe explicar
como ler e entender um gráfico de controle.
Os gráficos de controle por variáveis são utilizados para verificar se os resultados
para uma determinada variável do processo são aceitáveis, do ponto de vista do con-
trole estatístico. Quando conseguimos controlar, estatisticamente, o desempenho de
um processo, é possível afirmar que ele sofre influências apenas de causas comuns,
inerentes a todos os processos. Todavia, se o processo não está sob controle, significa
que os resultados de uma variável são influenciados por causas especiais. É desejável
que os processos sejam influenciados apenas por causas comuns.
Em termos gerais, em todos os gráficos de controle por variáveis, o interesse
é o de comparar os resultados da variável com um valor de referência e com os
limites de controle inferior e superior. Assim, os resultados das variáveis precisam
se enquadrar dentro do seguinte intervalo:
µ0X ± 3σ X
0
O valor de µX se refere ao valor de referência, que pode ser a média, o desvio
padrão médio ou a amplitude média, de acordo com o gráfico utilizado. O valor
de ±3s X diz respeito às faixas que delimitam os limites superior e inferior de
152
controle, a partir do valor de referência. Observe que, sempre, trabalhamos com

UNICESUMAR
um padrão de qualidade seis sigma ( 6s ).
Esses valores dos gráficos podem ser definidos por critérios técnicos ou espe-
cificações de clientes ou, ainda, por meio de cálculos, assim como fora estudado
nos dois tópicos anteriores. Dessa forma, por exemplo, para construir um gráfico
de controle, pode-se definir, previamente, o valor da média e do desvio padrão
de uma variável. Nesse caso, deveremos utilizar outras fórmulas que não apre-
sentamos nesta unidade.
Uma habilidade importante a ser desenvolvida, nesta disciplina, é o de saber in-
terpretar um gráfico de controle. Portanto, realizaremos a interpretação dos gráficos
das Figuras 1, 2, 3 e 4, as quais são reproduzidas, novamente, em conjunto, a seguir

Gráfico da média
80
X X X X X X X X X X X X X X X X X X X X X X X X
75
70
65
60
55
50
45
40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
x barra x duas barras LIC X LSC

Gráfico do desvio-padrão
25,00
X X X X X X X X X X X X X X X X X X X X X X X X X

20,00

15,00

10,00

5,00

0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
x barra x duas barras LIC X LSC

153
 Gráfico da média (2)
UNIDADE 4

74,0

72,0

70,0

68,0 X X X X X X X X X X X X X X X X X X X X X X X X

66,0

64,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Média x duas barras LSC X LIC

Gráfico da amplitude

X X X X X X X X X X X X X X X X X X X X X X X X
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Amplitude Amplitude média LSC X LIC

Figura 5 - Exemplos de gráficos de controle por variáveis / Fonte: o autor.

Os gráficos da média ( x ) e do desvio padrão ( S ) são usados em conjunto. Em

outras palavras, ao mesmo tempo, monitoramos a média das amostras e a sua
variabilidade por meio do desvio padrão. Como o próprio nome indica, o gráfico
da média apresenta as médias de valores de cada amostra. Cada amostra deve
possuir um número superior a 10 observações.
Os gráficos da média ( x ), representados pela Figura 01, para facilitar a sua
localização, e da amplitude ( R ) são usados para monitorar a média das amostras
e a sua variabilidade por meio da amplitude. Esses gráficos são utilizados em
conjunto e são aplicáveis para amostras de tamanho pequeno.
Observamos nos quatro gráficos que nenhum valor está fora da faixa delimi-
tada pelos limites Superior de Controle ( LSC ) e Inferior de Controle ( LIC ).
154
Essa situação é um dos indicativos de que o processo está sob controle estatístico.

UNICESUMAR
Deve-se, portanto, analisar, basicamente, três características dos gráficos:
a) Pontos fora dos limites de controle.
b) Pontos não aleatórios em torno da linha central.
c) Tendências crescente ou decrescente dos valores ou existência de padrão
cíclico.
A primeira característica foi a que comentamos, ou seja, é preciso verificar, nos
gráficos de controle, se os valores tanto da média quanto do desvio padrão não
estão acima do LSC ou abaixo do LIC . É perceptível, nos quatro gráficos, que
não existe nenhum ponto fora dos limites.
A segunda característica diz respeito à aleatoriedade dos dados. Para verificar
se os dados são aleatórios, deve-se observar se eles estão distribuídos entre valores
acima e abaixo da linha central. Em outras palavras, não podem existir muitos
valores abaixo e poucos valores acima da linha central ou vice e versa: é preciso
ter um equilíbrio. Para todos os gráficos, é possível observar, visualmente, que há
uma distribuição aleatória em torno da linha central. Apenas, no último gráfico,
o da amplitude, é visível que, nas amostras 18, 19 e 20, há um mesmo valor de
amplitude, o que pode indicar um comportamento anormal.
A terceira característica diz respeito aos padrões na sequência dos dados
dos gráficos. Assim, é preciso observar se uma sequência de dados nos gráficos
é crescente ou decrescente. Ainda, é preciso analisar se há sazonalidade nos da-
dos, ou seja, repetições de valores a intervalos de tempo regulares. Nos gráficos,
é perceptível que os valores aumentam e diminuem, alternadamente. Em outras
palavras, não há uma grande sequência de dados, crescendo ou decrescendo.
Se alguma das três características que mencionamos for observada nos gráfi-
cos? Primeiramente, deve-se considerar a hipótese de que o processo não está sob
controle estatístico. Em seguida, é preciso verificar o que causou os valores com
aquelas características nas amostras. Portanto, deve-se verificar se alguma causa
especial ocorreu no processo, para que a variável da amostra tivesse aquele valor
anormal. Caso haja, realmente, alguma causa especial, como uma inadequação de
máquina, alteração na qualidade de matéria-prima ou alteração da temperatura do
processo, por exemplo, será necessário eliminar essa causa. Além disso, os dados
das amostras que sofreram a influência dessa causa especial deverão ser eliminados
do nosso banco de dados e os gráficos deverão ser refeitos sem essas amostras. Os
gráficos resultantes podem ser usados para monitorar o processo.
Para uma melhor análise dos gráficos, podemos utilizar regras sensibilizantes.
155
 Regras sensibilizantes
UNIDADE 4

Assim como já fora explicado, utilizamos um padrão de controle seis sigma. Isso
significa que delimitamos os limites superior e inferior de controle, dentro de uma
faixa de três desvios padrão acima e abaixo do valor de referência. No entanto,
podemos plotar, no gráfico, faixas delimitadas por um desvio padrão e por dois
desvios padrão, e analisar o controle do processo por meio delas. Um exemplo
de gráfico com essas faixas é apresentado a seguir:

74,0
3

73,0 ZONA A
2
ZONA B
72,0 1
ZONA C
71,0
ZONA C
70,0 1
ZONA B

69,0 2
ZONA A
X X X X X X X X X X X X X X X X X X X X X X X X 3
X
68,0

67,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Figura 6 - Zonas do gráfico de controle sem nenhuma violação das regras sensibilizantes
Fonte: o autor.

O gráfico possui três zonas delimitadas, de acordo com o valor do desvio padrão
(sigma - s ). Um sigma delimita a zona C; dois sigmas delimitam a zona B; já três
sigmas delimitam a zona A.
As regras sensibilizantes definem padrões de valores nessas zonas que indi-
cam que o processo pode não estar sob controle. Algumas dessas regras, segundo
Louzada et al. (2013), são:
1. Pontos fora dos limites superior ou inferior de controle: no
gráfico da Figura 6, é observável que não existem pontos fora
dos limites. Portanto, o processo estaria sob controle, conside-
rando essa regra.

156
 2. Oito pontos consecutivos em mesmo lado da linha central:

UNICESUMAR
observa-se, no gráfico da Figura 6, que, no máximo, existem qua-
tro pontos de um mesmo lado em relação à linha central. Por-
tanto, o processo estaria sob controle, considerando essa regra.

3. Seis pontos consecutivos com valores decrescentes ou seis

pontos consecutivos com valores crescentes: observa-se, no
gráfico da Figura 6, que existem até quatro pontos consecutivos
com valores decrescentes ou com valores crescentes. Portanto, o
processo estaria sob controle, considerando essa regra.

4. Existência de dois a três pontos consecutivos na zona A: obser-

va-se, no gráfico da Figura 6, que existe apenas um ponto na zona A.
Portanto, o processo estaria sob controle, considerando essa regra.

5. Existência de quatro a cinco pontos consecutivos na zona B:

não é constatada essa quantidade de pontos consecutivos na zona B.
Portanto, o processo estaria sob controle, considerando essa regra.

6. Existência de quinze pontos alinhados dentro da zona C,

acima e abaixo da linha central: novamente, essa situação não
é identificada no gráfico da Figura 6. Portanto, o processo estaria
sob controle, considerando essa regra.

Além de usar as regras sensibilizantes e avaliar as três características do gráfico, é

preciso considerar a experiência dos analistas sobre o processo. De forma geral,
são esperados valores que sejam aleatórios dentro dos limites de controle. No
entanto, por experiência, um analista, talvez, julgue que certos valores da variável
sofrem a influência de alguma causa especial. Portanto, além dos conhecimentos
estatísticos para interpretar os gráficos, é preciso considerar a experiência do
analista sobre o processo.
As zonas definidas pelas regras sensibilizantes servem como limites de adver-
tência. Quando existem pontos que ultrapassam as zonas de advertência, como a
zona B, por exemplo, o analista pode tomar algumas providências, como a coleta
com mais frequência das observações amostrais ou o aumento do tamanho das
amostras. Lembre-se que os gráficos de Shewhart objetivam a identificação de
comportamentos anormais antes que um problema ocorra. Assim, é recomen-
dado observar, atentamente, o que cada dado representa no gráfico, a fim de
identificar um comportamento anormal do processo.
157
 CONSIDERAÇÕES FINAIS
UNIDADE 4

O acompanhamento dos valores de variáveis de um processo, por meio da utili-

zação de gráficos de controle, constitui-se como uma atividade importante para
a gestão de processos. Quando corretamente lidos e interpretados, os gráficos de
controle servem como um termômetro do desempenho de um processo, já que
evidenciam se ele está, ou não, sob controle estatístico.
Para tanto, aprendemos, nesta unidade, como se dá a construção dos gráfi-
cos de controle por variáveis. Assim, explicamos os cálculos para a construção
de gráficos da média, do desvio padrão e da amplitude. Depois de construídos,
esses gráficos devem ser utilizados em conjunto. Além disso, constatamos que
os gráficos da média e do desvio padrão são utilizados para amostras maiores,
enquanto os gráficos da média e da amplitude são utilizados em conjunto para
amostras menores de até uma unidade. Os cálculos utilizados servem para esti-
mar os valores de referência da média e da variabilidade do conjunto de dados.
Também aprendemos como ler e interpretar um gráfico de controle por va-
riáveis. Após a sua construção, é preciso verificar se os valores das variáveis, seja
da média, do desvio padrão ou da amplitude, estão dentro dos limites de controle.
Caso algum valor esteja fora dos limites, uma causa especial pode estar atuando
no processo. No entanto, esse não é o único indicativo de falta de controle. Outra
característica é a de que os dados devem estar distribuídos de forma aleatória em
relação ao valor central. Caso existam vários valores contínuos acima ou abaixo
da linha central, o processo pode estar fora de controle. Não só, mas a existência
de padrões cíclicos ou de tendência dos dados é um indicativo de que o processo
não está sob controle estatístico.
Trabalhamos, por fim, as regras sensibilizantes que podem ser aplicadas para
avaliar os dados dos gráficos em mais detalhes. Esperamos que você saiba diag-
nosticar o estado de um processo por meio dos gráficos de controle e aplicar as
correções para evitar a produção de produtos defeituosos.

158
 na prática

1. O que são os gráficos de Shewhart?

2. Um fabricante de peças produz parafusos em lotes de 20.000 unidades e dese-

ja elaborar gráficos de controle para monitorar a dimensão dos parafusos. Cada
amostra deve ter, no mínimo, 20 parafusos. Quais gráficos de controle podem ser
utilizados? Justifique.

3. Uma empresa de telemarketing monitora o nível de atendimento de seus atendentes

da seguinte forma: é atribuída uma nota de atendimento, de 1 a 10 pontos, para
cada atendimento feito por um atendente. Os valores da nota de atendimento são
registrados e, a cada cinco atendimentos, é calculado um valor médio. Nesse caso,
quais gráficos de controle podem ser utilizados? Justifique.

4. Explique o comportamento do processo do seguinte gráfico:

Gráfico x barra
130
125
120
115
Dimensão (mm)

110 X X X X X X X X X X X X X X X X X X X X XX XX X x barra
105
x duas barras
100
LIC
95
90 X LSX
85
80
1 3 5 7 9 11 13 15 17 19 21 23 25
Amostra

159
 na prática

5. Explique o comportamento do processo do seguinte gráfico:

Gráfico do desvio padrão

35

30

25
Dimensão (mm)

Desvio-padrão da amostra
20
Desvio médio
XXXXXXXXXXXXXXXXXXXXXXXXX
15 LIC

10 X LSC

0
1 3 5 7 9 11 13 15 17 19 21 23 25

160
 aprimore-se

CONTROLE ESTATÍSTICO DE PROCESSOS EM UMA INDÚSTRIA DE LATICÍ-

NIOS: UM ESTUDO DE CASO NO SETOR DE EMPACOTAMENTO DA CAPIL

O objeto de estudo desse trabalho se dá em uma empresa de médio porte locali-

zada no município de Itaperuna, no noroeste do Estado do Rio de Janeiro, especia-
lizada no processamento de leite e seus derivados. Sua razão social é denominada
Cooperativa Agropecuária De Itaperuna LTDA.
No caso desta pesquisa, as embalagens de leite devem conter entre 985ml e
1015ml , uma vez que um saquinho de leite com menos de 985ml gera multa para
empresa e com mais de 1015ml carrega o risco de estourar durante o manuseio e
transporte. A missão do monitoramento é o de manter as variações de X (quantida-
de de leite) dentro de níveis que não comprometam as especificações. A variável X
é, também, chamada de variável de monitoramento. Portanto, para obter os valores
de X , defronta-se, primeiro, com a questão da precisão do sistema de medição e, em
seguida, com a questão da correlação entre Xi e Xi +1 , em que o subíndice  i  éo
número do item, de acordo com a sequência de produção (MAGALHÃES et al., 2008).
O peso nominal de um produto utilizado em cada saco de leite deve ser padrão.
Para que os direitos dos consumidores sejam respeitados, há diversas referências
normativas que asseguram padrões de qualidade. As normas que se referem ao
peso do produto são: Portaria 81, de 2002, do Ministério da Justiça; Portaria 157, de
2002, do INMETRO; Portaria 74, de 1995, do INMETRO.
Segundo Follmer (2013), é fundamental a garantia de que a construção de gráficos
de controle X e R seja feita para dados que apresentem distribuição normal. Isso
ocorre, pois, em geral, os limites de controle obtidos a partir de dados não normais
não são confiáveis, tornando-se inapropriados para o controle estatístico do processo.
Baseando-se nessa situação, os dados da presente pesquisa tiveram a sua nor-
malidade testada por meio do uso do software MINITAB 17.0. Foi feito o teste da
normalidade para a amostra de observações de um determinado período por inter-
médio do teste de Kolmogorov-Smirnov. A função de distribuição acumulada desse
modelo fornece as probabilidades acumuladas em cada ponto.

161
 aprimore-se

O teste Kolmogorov-Smirnov verifica o valor e o compara com um valor crítico

tabelado em função de a e n . Além disso, determina se duas distribuições de pro-
babilidade subjacentes se diferem uma da outra ou se uma das distribuições de pro-
babilidade subjacentes se difere da distribuição em hipótese, sempre se baseando
em amostras finitas. A estruturação final parte da premissa de que hipótese nula é
a aderência dos dados à distribuição normal e, enquanto hipótese alternativa, a de
que os dados seguem uma distribuição normal. Com isso, se o valor da probabilidade
 P  for inferior ao nível de significância, no caso, 0, 05 , a normalidade é rejeitada.
Diante de uma distribuição não normal, algumas transformações estatísticas de-
vem ser testadas, a fim de normalizar os dados e, se possível, utilizar os recursos dis-
ponibilizados pelos gráficos de controle. Os testes não são uma afirmativa de sucesso
em relação às transformações estatísticas. O ideal, para a aplicação de gráficos de
controle, é que a distribuição de probabilidades da amostra siga a distribuição nor-
mal, mas esse não é um fato restritivo para a aplicação do conceito. É possível fazer
uso das cartas de controle, ainda que a variável aleatória não siga a normalidade.
O tamanho da amostra foi refeito para um número menor, a fim de se obter
aproximações para amostras da população que viabilizassem a confecção do teste
de normalidade. A redução se baseou em 50% da amostra inicial, com o objetivo
de controlar a simulação da situação rotineira de controle de processo, por meio de
uma análise do processamento:
Gráfico do desvio padrão
35

30

25
Dimensão (mm)

Desvio-padrão da amostra
20
Desvio médio
XXXXXXXXXXXXXXXXXXXXXXXXX
15 LIC

10 X LSC

0
1 3 5 7 9 11 13 15 17 19 21 23 25

Figura 1 - Carta Xbarra-R

162
 aprimore-se

Observando-se a carta Xbarra-R, percebe-se que nem todos os pontos estão den-
tro do limite e nenhuma configuração aleatória está presente. Pelo fato de que so-
mente uma dessas duas condições é satisfeita, é possível afirmar que o processo está
fora do controle estatístico, sendo necessário determinar quais pontos devem ser ma-
nipulados, a fim de que seja alcançado o controle estatístico do processo.
O fato de existirem pontos fora do limite de controle justifica a identificação da(s)
respectiva(s) causa(s) especial(is) que causa(m) essa anomalia. Ao observar os limites
de especificação, constata-se que o processo não atende ao limite superior de especi-
ficação, uma vez que dois dos pontos no gráfico de controle apresentam valor igual ou
superior a 1030, caracterizando um processo superior ao limite de especificação. Con-
sequentemente, o processo está fora de controle e fora dos limites de especificação:

Carta Xbarra-R de C1; ...; C5

1 1
1030 LSC= 1029,989
Média amostral

1028 =
X=1027,725
1026
LIC= 1025,461
1024 1 1
1
1022 1
1 3 5 7 9 11 13 15 17 19
Amostra

LSC= 3,329
3
? da amostral

2 -
s=1.594
1

0 LIC= 0
1 3 5 7 9 11 13 15 17 19
Amostra

Figura 2 - Carta Xbarra-S

Na carta Xbarra-S, também fica evidente que o processo está fora de controle,
pois existem pontos acima e abaixo dos limites de controle. Dessa forma, trata-se de
um processo fora de controle e fora dos limites de especificação. Além disso, é pos-
sível observar que existem pontos distantes e isolados dos demais. A caracterização
de distância e isolamento pode acontecer por erros nos cálculos, nas medições ou
nos registros dos dados; instrumentos de medição descalibrados; descontrole tem-
porário dos parâmetros do processo ou até mesmo defeitos repentinos nos equipa-
mentos com imediata correção.

163
 aprimore-se

À luz dos critérios estudados, pode-se observar a importância da correta aplica-

ção do controle estatístico da qualidade, sobretudo quando há a real possibilidade
de impacto nos custos da produção. No que tange à legislação relacionada ao peso
da embalagem do leite pasteurizado, percebe-se positividade, pois, ainda que exis-
tam variações no sistema e atuação de causas especiais, a empresa demonstra ori-
ginalidade e qualificação a partir do momento em que é capaz de fornecer produtos
que se encontram dentro dos limites preconizados pela legislação. A necessidade de
respeitar os direitos do consumidor é indiscutível, tanto pelo lado legal quanto pelas
questões éticas frente aos clientes.

Fonte: adaptado de Veloso et al. (2015).

164
 eu recomendo!

conecte-se

Recomendamos que você faça os cálculos para a construção dos gráficos da mé-
dia e do desvio padrão apresentados no primeiro tópico. Para isso, utilize os da-
dos das amostras apresentadas, os quais estão disponíveis no link a seguir. Ele
também apresenta o detalhamento dos cálculos realizados.
https://drive.google.com/open?id=1L3QDCA6h7T1U0rXAFqvaGIeXrHzyLe9l

165
5
CAPACIDADE DE
PROCESSOS

PROFESSOR
Me. Maílson José da Silva

PLANO DE ESTUDO
A seguir, apresentam-se as aulas que você estudará nesta unidade: • O que é capacidade de processos
• Índices de capacidade de processos • Interpretação dos dados de capacidade de processos

OBJETIVOS DE APRENDIZAGEM
• Explicar o conceito de capacidade de processos • Explanar o cálculo dos índices de capacidade de
processos • Analisar dados gráficos e numéricos de capacidade de processos.
INTRODUÇÃO

Todo processo produtivo produzirá itens que podem, ou não, atender às

especificações de clientes. Caso as especificações sejam atendidas, os pro-
dutos satisfarão às necessidades dos clientes. Essas especificações podem
ser a dimensão de uma peça, o peso de uma embalagem, a temperatura de
um sorvete ou a resistência de um material, por exemplo. Por outro lado,
se as especificações não forem atendidas, os clientes que consumirem o
produto podem ficar insatisfeitos. Portanto, é interesse do gestor que o
processo seja capaz de atender às especificações dos clientes. No entanto,
como podemos afirmar que um processo é capaz de atender às especifica-
ções? Neste capítulo, responderemos essa pergunta.
Para tanto, você aprenderá o conceito de capacidade de processos.
Não só, mas entenderá a importância de se conhecer a capacidade de um
processo e como reconhecê-la, graficamente, e por meio de índices. Além
disso, compreenderá a diferença entre processos estáveis e processos ca-
pazes, bem como perceberá que o CEP não é usado apenas garantir que
um processo seja estável, conforme fora estudado nos capítulos anteriores,
mas para asseverar que um processo seja capaz.
Apresentaremos dois índices utilizados para verificar a capacidade de
um processo: o índice C p e o índice C pk . Não nos aprofundaremos na ex-
planação dos cálculos dos índices, mas exporemos exemplos breves, os quais
ilustram o cálculo de cada um deles. Nosso objetivo é fazer que esses índices
sejam entendidos de maneira prática, a fim de que você consiga identificar
se um processo é capaz, ou não, de atender às especificações de clientes.
Por fim, explanaremos como se dá a verificação gráfica se um processo
é capaz. Dessa forma, apresentaremos os valores de referência dos índices
de capacidade que são usados para identificar se um processo produz itens
dentro das especificações. Iniciaremos a nossa unidade com um breve exem-
plo do nosso dia a dia para ilustrar o conceito de capacidade de processos.
1
O QUE É
UNIDADE 5

CAPACIDADE
de processos

Provavelmente, você já utilizou ou utiliza o serviço de transporte público. Em

muitas cidades brasileiras, esse serviço é prestado por empresas de transporte
rodoviário e os passageiros tomam os ônibus em paradas apropriadas que são
distribuídas em alguns pontos da cidade. Além disso, nesse serviço, existem as
linhas que fazem trajetos fixos. Portanto, espera-se que um ônibus, sempre, passe
no mesmo horário, ao longo dos dias da semana. Por exemplo, muitas pessoas
tomam um ônibus às seis horas da manhã para irem ao trabalho. Elas vão até o
ponto e aguardam o ônibus chegar, já que é esperado que ele passe em um ho-
rário fixo. No entanto, o ônibus pode tanto atrasar quanto adiantar, o que gera
um descontentamento por parte dos passageiros que perdem o seu transporte
devido ao horário inadequado.
Esse exemplo do nosso dia a dia ajuda a ilustrar o conceito de capacidade de
processos. A empresa de ônibus produz um serviço, que é o transporte de passa-
geiros. Para tanto, é necessária a existência do processo de coleta dos passageiros
nas paradas de ônibus. Dessa forma, é possível afirmar que existe uma especifi-
cação de tempo para a chegada do ônibus em cada ponto de parada.
Por exemplo, um ônibus pode chegar até o ponto com uma diferença máxima
de 10 min em relação ao horário programado. Se o horário de uma parada é às
6h , o ônibus pode chegar no intervalo de 5h50 min e 6h10 min . Essa é a espe-
cificação de tempo para o processo de coleta de passageiros em um determinado
168 ponto. Os clientes estarão cientes e de acordo com essa variação de tempo.
 Imagine que duas empresas de transporte atuam na cidade. Os ônibus da

UNICESUMAR
empresa A, geralmente, chegam ao ponto no intervalo de 5h55 min e 6h05 min ,
enquanto os ônibus da empresa B, geralmente, chegam ao ponto no intervalo de
5h 45 min e 6h15 min . Qual empresa consegue atender melhor o horário progra-
mado de 6h ? É possível observar que a empresa A consegue atender à especifica-
ção de tempo, pois, no máximo, os ônibus chegam às 6h05 min e, no mínimo, às
5h55 min : esses valores estão dentro do intervalo de especificação de 5h50 min
e 6h10 min . Já a empresa B não consegue atender ao intervalo de especificação,
visto que, no máximo, os ônibus chegam às 6h15 min e, no mínimo, às 5h 45 min
, ou seja, existem valores fora das especificações. Assim, é plausível afirmar que o
processo da empresa A é um processo capaz, pois atende, satisfatoriamente, à ne-
cessidade dos clientes, que é a de esperar um ônibus por, no máximo, 10 minutos
de diferença em relação ao horário programado. Já o processo da empresa B não
é capaz, dado que não atende às especificações.
Conseguiu entender o conceito de capacidade de processos? Assim, sempre
que um processo produz itens dentro das especificações, pode-se afirmar que ele
possui capacidade. Entretanto, quando não produz itens dentro das especifica-
ções, não possui capacidade. Constataremos adiante que essa capacidade pode
ser medida, ou seja, existem processos que são mais capazes do que outros.
Quando estudamos os gráficos de controle, aprendemos que, para gerenciar,
adequadamente, um processo, é preciso que ele esteja sob controle estatístico. Esse
controle indica que o processo é previsível, ou seja, que seus resultados estarão
dentro de uma faixa esperada. No entanto, mesmo que o processo seja previsível,
ele pode não ser capaz, ou seja, é possível prever a faixa de resultados do processo,
mas ela não está dentro do intervalo de especificações dos clientes.
Um processo previsível é considerado estável, por estar sob controle estatístico.
Contudo, nem sempre ele é capaz. Por outro lado, quando o processo é previsível e
capaz, atingimos um grande objetivo do CEP: ter um processo que atende às espe-
cificações dos clientes e com variabilidade conhecida. A verificação da capacidade
de processos é feita apenas para processos estáveis. Se o processo em estudo possuir
uma variabilidade desconhecida, fora dos limites superior e inferior de controle,
não faz sentido verificar a sua capacidade. Portanto, há um trabalho em conjunto,
a fim de tornar o processo previsível e que atenda às especificações dos clientes.
Você precisa estar atento aos resultados de um processo para verificar a sua
capacidade. Constataremos, agora, se você entendeu bem o conceito. Observe as
figuras a seguir, as quais apresentam o histograma do processo de fabricação de
uma peça realizada pelas empresas A e B: 169
 25
UNIDADE 5

20

15
Frequência

10

0
10 15 20 25 30 35 40 45 50 55 60 65 70 75 80

LIE Dimensão (µm) LSE

Figura 1 - Histograma dos valores de tamanho de peças produzidas pela empresa A
Fonte: o autor.

25

20

15
Frequência

10

0
10 15 20 25 30 35 40 45 50 55 60 65 70 75 80

LIE Dimensão (µm) LSE

Figura 2 - Histograma dos valores de tamanho de peças produzidas pela empresa B
Fonte: o autor.
A medida das peças é dada na unidade de micrômetro ( µ m ) e os limites inferior
e superior de especificação são, respectivamente, 20µ m e 60µ m . Observando os
gráficos, qual empresa possui um processo capaz? É perceptível que a empresa A
produz itens dentro dos limites de especificação, delimitados por linhas verticais
no gráfico. Já a empresa B produz peças fora das especificações. Portanto, o pro-
cesso da empresa A é capaz ou adequado e o processo da empresa B é incapaz ou

170
inadequado. É preciso identificar as causas que atuam no processo da empresa B

UNICESUMAR
e geram peças fora das especificações.
Embora o processo da empresa A seja capaz, cabe a seguinte pergunta: a capa-
cidade atual é adequada? É possível melhorá-la? Responderemos essas perguntas
por meio do cálculo dos índices de capacidade apresentado no tópico a seguir.

explorando Ideias

Todo processo possui uma faixa característica. Se a distribuição de dados é do tipo nor-
mal, é possível afirmar que 99, 73% dos valores estarão dentro de uma faixa de µ  3 σ ,
em que µ é o valor médio da distribuição e σ é o desvio-padrão. Se essa faixa caracterís-
tica do processo estiver dentro dos limites de especificação, o processo é capaz.
Fonte: adaptado de Werkema (2006).

2
ÍNDICES DE
CAPACIDADE
de processos

Os índices de capacidade de processos traduzem se eles são, ou não, capazes. Os

índices não possuem unidade de medida, ou seja, são adimensionais. Além disso,
eles são calculados considerando duas premissas: a de que o processo está sob con-
trole estatístico e a de que a distribuição dos dados é normal. Existem dois índices:
índice C p e índice C pk . Vejamos alguns exemplos de cálculo de cada um deles.

171
 Índice C p
UNIDADE 5

Esse índice é calculado por meio da seguinte equação:

LSE  LIE
Cˆ p 
6σˆ
Em que:

Cˆ p : estimativa do índice de capacidade do processo com especificação bilateral.

LSE : limite superior de especificação do processo.
LIE : limite inferior de especificação do processo.
σˆ : desvio padrão estimado.

Utilizamos os termos estimativa e estimado, pois, usualmente, o desvio padrão

de um processo é desconhecido (WERKEMA, 2006). O valor estimado σ̂ pode
ser dado pelo valor do desvio padrão amostral ( s ) ou por outra medida, como
R ou s .
d2 c4
Para calcular o índice C p , a média µ do processo deve estar centrada no
valor nominal de especificações. Caso contrário, calculamos um outro índice que
explicaremos, posteriormente, o C pk .
Vejamos a aplicação da equação com dois exemplos.
Exemplo 1: um processo de embalagem de pacotes de 500g possui, como
limites de especificação, os valores 503g e 497g ( LIE e LSE ). Já o valor da
estimativa do desvio padrão é de 0, 8 g . A distribuição dos dados é do tipo nor-
mal, centrada no valor médio das especificações e o processo está sob controle
estatístico. Assim, é possível calcular o índice de capacidade do processo:
LSE  LIE 503  497
Cˆ p    1, 25
6σˆ 6.0, 8
Você acredita que o processo é capaz? Para responder essa pergunta, é necessá-
rio saber quais são os valores de referência para o índice C p . Estudaremos esse
assunto no terceiro tópico.
Exemplo 2: um processo de aquecimento de chapas possui, como limites de
especificação, os valores 110°C e 113°C ( LIE e LSE ). O valor da estimativa do

172
desvio padrão é de 0, 1°C . A distribuição dos dados é do tipo normal e o pro-

UNICESUMAR
cesso produz itens fora dos limites de controle. Nessas condições, qual é o índice
de capacidade do processo? Os dados apresentados poderiam ser aplicados na
equação do índice de capacidade do processo, desde que ele estivesse sob controle
estatístico. Assim como fora informado, o processo gera valores fora dos limites
de controle, o que indica que ele não está sob controle estatístico. Portanto, não
faz sentido calcular o índice de capacidade do processo. Primeiro, é preciso tornar
o processo estável para, depois, verificar o seu índice de capacidade.

Índice C pk

O índice C pk é calculado pela seguinte equação:

  LSE  x x  LIE 
C pk  min  , 
 3σˆ 3σˆ 
Em que:
Cˆ pk : estimativa do índice de capacidade do real do processo.
LSE : limite superior de especificação do processo.
LIE : limite inferior de especificação do processo.
x : média dos valores amostrais.
σˆ : desvio padrão estimado.
Observe que é preciso calcular dois valores para o índice e assumir o menor valor
como o correto. O índice C pk é considerado um índice de capacidade real do
processo, pois leva em consideração a média do processo (WERKEMA, 2006).
Vejamos o cálculo do índice com dois exemplos.
Exemplo 1: o processo de fabricação de peças da empresa A, ilustrado pela
Figura 1, possui LIE  20µm e LSE  60µm. O valor da média do processo é
de 40, 5µm, com desvio padrão estimado de 5, 89µm . Dessa forma, o valor do
índice de capacidade real é:

  LSE  x x  LIE   60  40, 5 40, 5  20 

C pk  min  ,   min  ,  min 1, 10 , 1, 16  1, 10
 3σˆ 3σˆ   3.5, 89 3.5, 89 

173
 Observe que foram calculados dois valores ( 1, 10 , 1, 16 ) e o índice é o menor
UNIDADE 5

entre eles.
Exemplo 2: o processo de fabricação de peças da empresa B, ilustrado pela
Figura 2, possui LIE  20µm e LSE  60µm. O valor da média do processo é
de 39, 73µm, com desvio padrão estimado de 8, 62 µm . Portanto, o valor do
índice de capacidade real é:

  LSE  x x  LIE   60  39, 73 39, 73  20 

C pk  min  ,   min  ,  min 0,78 , 0,76   0, 76
 3σˆ 3σˆ   3.8, 62 3.8, 62 

Conclui-se que o processo da empresa B possui um índice de capacidade menor

do que o da empresa A. Em outras palavras, o processo da empresa A é mais capaz
de atender às especificações dos clientes. O processo da empresa B precisa ser
melhorado, ou seja, deve-se atuar nas causas do processo para que os resultados
fiquem dentro da faixa de especificações. Após a melhoria, pode-se calcular o
novo índice e verificar se a capacidade melhorou.
Para os índices, existem valores de referência que mostram o quão adequada
está a capacidade do processo. Vamos conhecê-los no tópico a seguir.

explorando Ideias

Quando um processo possui apenas um limite de especificação, pode-se calcular, tam-

bém, os índices de capacidade. Nesse caso, utiliza-se apenas o valor disponível de espe-
cificação na equação.
Fonte: adaptado de Werkema (2006).

174
3
INTERPRETAÇÃO

UNICESUMAR
DOS DADOS DE
CAPACIDADE
de processos

Os índices de capacidade de processos comparam a variabilidade existente no

processo com a sua faixa de especificação. Quanto menor é a variabilidade, me-
lhor será o índice de capacidade. Um índice alto indica um processo capaz. Apre-
sentamos, a seguir, os valores de referência do índice C p :

Comparação do Proporção de
Classificação Valor
Histograma com Defeituosos
do processo de C p
as Especificações p

LIE LSE

Capaz ou
adequado C p ≥ 1, 33 p ≤ 64 ppm
(verde)

LIE LSE

Aceitável
1< C p < 1, 33 64 ppm < p < 0, 27%
(amarelo)

175
UNIDADE 5

Comparação do Proporção de
Classificação Valor
Histograma com Defeituosos
do processo de C p
as Especificações p

LIE LSE

Incapaz ou
Inadequado Cp < 1 p > 0, 27%
(vermelho)

Figura 3 - Classificação de processos a partir do índice Cp / Fonte: Werkema (2006, p. 258).

Observe que quando o valor do índice for superior ou igual a 1, 33 , o processo

é considerado capaz ou adequado. Portanto, valores iguais ou superiores a 1 , até
1, 33 , indicam que o processo é aceitável. Por outro lado, valores abaixo de 1
indicam que o processo é incapaz ou inadequado.
Conforme ilustra a Figura 3, quando o processo é capaz, ele possui uma baixa
variabilidade e os extremos dos valores, no histograma, estão distantes dos limi-
tes de especificação. Além disso, existe uma folga considerável entre os valores
mínimos e máximos e os valores dos limites de especificações. Assim, é possível
afirmar que o processo está “afinado”, atendendo bem às especificações. A pro-
porção de defeitos é baixa, de ordem inferior ou igual a 64 ppm .
Quando o índice está abaixo de 1, 33 , mas superior ou igual a 1 , o processo
possui uma variabilidade maior. É perceptível, na Figura 3, que as barras dos
valores inferiores e superiores do histograma correspondente ficam bem próxi-
mas dos limites de especificação. Dessa forma, a proporção de itens defeituosos
é maior. Nessa situação, não existe uma folga considerável e o processo tende a
produzir itens fora das especificações.
Já quando o processo é incapaz, com índice abaixo de 1 , ele possui uma
variabilidade alta, com valores fora dos limites de especificações. Portanto, ao
aumentar o valor do índice de capacidade de processos, aumenta-se a chance de o
processo produzir itens dentro das especificações e com maior folga. Dificilmente,
o processo produzirá itens que não atendam às especificações.

pensando juntos

Um processo com índice de capacidade igual a 1 oferece tranquilidade ao gestor de processos?

176
Agora, o que você pode concluir acerca do processo de embalagem de produtos

UNICESUMAR
apresentado no exemplo 1 do tópico anterior? Seu valor foi de 1, 25 : portanto, o
processo é aceitável. Todavia, será necessário atuar sobre as causas do processo
para reduzir a sua variabilidade, melhorando a sua capacidade. Quanto maior for
o índice obtido, mais capaz será o processo.
Agora, realizaremos a interpretação dos valores de índices de capacidade de
processos, em gráficos que representam a distribuição de dados de processos.
Assim como já fora estudado, podemos calcular tanto o índice C p quanto o C pk .
Dependendo de como a distribuição de dados se encontra em relação ao valor
médio de especificações, os valores dos índices podem ser iguais ou diferentes
entre si. Observe a figura a seguir:

LIE S=2 LSE

C p = 2,0
C pk = 2,0

38 44 50 56 62

Figura 4 - Exemplo de distribuição de dados quando os índices C p e C pk são iguais

Fonte: adaptado de Werkema (2006).

O gráfico apresenta uma distribuição de dados no formato de um sino, que é a

distribuição normal, e pode representar qualquer processo, como um em que a
temperatura deve estar entre 38°C e 62°C , por exemplo. O desvio padrão é igual
a 2 ( s = 2 ) e, na figura, é visível que os índices C p e C pk também são iguais
a 2 . Nesse caso, o que você concluiria sobre o processo? Ele é altamente capaz
(valores de índice acima de 1, 33 ). Além disso, é possível concluir que a média
do processo coincide com a média da faixa de especificação ( 50 ).
Observe, agora, a figura a seguir:
LIE LSE

S=2
C p = 2,0
C pk = 1,5

38 44 50 53 56 62

Figura 5 - Exemplo de distribuição de dados quando os índices C p e C pk são diferentes

Fonte: adaptado de Werkema (2006).
177
 A Figura 5 apresenta o caso em que os índices C p e C pk não são iguais. Grafica-
UNIDADE 5

mente, é perceptível que o gráfico está deslocado para a direita. Embora o valor
de C p seja alto ( 2 ), ele não especifica, corretamente, a capacidade do processo,
pois a sua média não coincide com a da faixa de especificações (a média da faixa
de especificações é 50 e a do processo é 53 ). O índice C pk indica a capacidade
real do processo, que, se comparada com a da figura anterior, é menor ( 1, 5 ).
Observe um terceiro caso, na figura, a seguir:
LIE LSE

S=2 C p = 2,0

C pk = -0,5

38 44 50 56 62 65

Figura 6 - Exemplo de distribuição de dados quando os índices Cp e C pk são diferentes e

processo é incapaz / Fonte: adaptado de Werkema (2006).

Perceba que o índice C p continua sendo igual a 2 , mas o índice C pk é um valor

negativo ( −0, 5 ), o que indica que o processo é incapaz ou inadequado. Isso
pode ser observado, também, pela própria distribuição de dados, que ultrapassa
o limite superior de especificação (LSE).
O que fazer quando um processo é incapaz ou inadequado? É papel do gestor
de processos investigar, primeiramente, se o processo é incapaz pelo fato de que
possui uma alta variabilidade ou se é pelo fato de que a média dos valores do
processo está deslocada, em relação ao valor médio da faixa de especificações.
Por exemplo, por meio da Figura 6, observamos que o processo é incapaz devido
ao deslocamento da sua média (que é igual a 65 ) em relação ao valor médio da
faixa de especificações (que é igual a 50 ).
Após detectar, graficamente, o que faz o processo ser incapaz, o gestor de
processos pode investigar quais são as causas desse comportamento. Por exemplo,
quando existe uma alta variabilidade, algumas causas relacionadas à mão de obra
e matéria-prima podem ser as responsáveis, tais como nível de treinamento de
cada trabalhador e qualidade da matéria-prima utilizada no processo. Ao elimi-
nar as causas que levam à produção de itens com valores próximos dos limites de
178
especificação, o processo produzirá itens com medidas mais próximas do valor

UNICESUMAR
médio, reduzindo a sua variabilidade.
Caso exista um deslocamento do valor médio do processo em relação ao valor
médio da especificação, talvez, seja necessária uma investigação e um trabalho
mais profundos. Um processo com essa característica pode até ter uma baixa
variabilidade, porém o seu valor médio precisa ser corrigido. Nesse sentido, o
ciclo PDCA pode ser aplicado, a fim de estabelecer novas metas de desempenho.

CONSIDERAÇÕES FINAIS

Conhecer a capacidade de um processo é fundamental para a realização do seu geren-

ciamento. A qualidade de um produto, entendida como o atendimento das especifi-
cações dos clientes, será garantida com maior segurança se existir um processo capaz.
Nesta unidade, entendemos o conceito de capacidade de processos, que,
resumidamente, é a propriedade do processo em atender às especificações dos
clientes. Constatamos que um processo pode estar sob controle estatístico e ser
estável, mas não atender às especificações dos clientes. Dessa forma, o gestor de
processos deve averiguar se o processo é estável e adequado.
Apresentamos os índices de capacidade de processos, os quais são valores
adimensionais usados para verificar o quão bem um processo atende às especi-
ficações propostas. Diferenciamos os índices C p e C pk , ao evidenciar em quais
situações eles são aplicados, bem como explicamos como se dá a realização do seu
cálculo por meio de alguns exemplos. Observe que a grande diferença entre eles
é que um índice é usado para processos com a média centrada no valor médio
das especificações, enquanto o outro pode ser usado para processos com médias
deslocadas, indicando a real capacidade do processo.
Por fim, apresentamos exemplos de gráficos com distribuição de valores de
processos, evidenciando os limites de especificação e os valores de índices de ca-
pacidade. Além disso, mostramos, graficamente, que um processo não capaz ou
inadequado possui valores que ultrapassam os limites de especificação. Nesse caso, é
preciso atuar sobre o processo para reduzir a sua variabilidade ou trazer o valor mé-
dio para próximo do valor médio de especificação. O ciclo PDCA e as ferramentas
da qualidade podem ser aplicados no processo para melhorar seus resultados. Já o
conceito de capacidade de processos e seus índices podem ser usados para men-
surar o resultado de um processo e verificar o resultado de melhorias propostas.
179
 na prática

1. Imagine a situação em que você é gestor de processos. Seu superior vai até você
e lhe diz: precisamos melhorar a capacidade do processo. Explique o que ele quis
dizer com essa frase.

2. Um processo produz peças com medidas com média de 64mm . Os limites inferior
e superior de especificação são, respectivamente, 55mm e 65mm . Qual índice
de capacidade de processos é o mais recomendado para calcular a capacidade do
processo?

3. Um gerente de processos recebia reclamações frequentes sobre a qualidade dos

produtos produzidos pela sua empresa. A partir disso, ele implantou o controle esta-
tístico de processos e obteve uma melhoria significativa na variabilidade do processo,
o qual passou a ser estável e ficar sob controle. No entanto, após um tempo, as
reclamações voltaram a ocorrer, mesmo com o processo sob controle. Nesse caso,
o que o gerente de processos não fez?

4. Suponha que um processo sob controle estatístico possui distribuição normal e bilateral,
com média centrada no valor médio da faixa de especificações, sendo LSE = 30mm ,
LIE = 25mm e ˆ
σ  0, 8 mm . Nessas condições, o processo é capaz?

5. Uma grande empresa do setor bancário aplica o controle estatístico de proces-

sos. Para atender bem seus clientes, foram definidos os seguintes valores de tem-
pos de espera, dados em termos de limites de especificação: LIE = 1, 0 min e
LSE = 5, 5 min . Os dados de tempo de espera registrados fornecem um valor es-
timado para o desvio padrão de σˆ  0, 82 min. O valor médio está centrado no valor
do limite de especificações, a distribuição é normal e o processo se encontra sob
controle estatístico. Nessas condições, pergunta-se: a empresa precisa fazer alguma
melhoria no processo? Justifique a sua resposta.

180
 aprimore-se

As técnicas estatísticas podem ser úteis em todo o ciclo do produto, inclusive no desen-
volvimento de atividades anteriores à fabricação, para quantificar a variabilidade do
processo, analisar essa variabilidade em relação às exigências ou especificações do pro-
duto e para promover o desenvolvimento e a fabricação na eliminação ou redução des-
sa variabilidade. Essa atividade geral é chamada de análise da capacidade do processo.
A capacidade do processo diz respeito a sua uniformidade. Obviamente, a va-
riabilidade de características críticas para a qualidade no processo é uma medida
da uniformidade da produção. Há duas maneiras de se encarar essa variabilidade:
i) variabilidade natural ou inerente a uma característica crítica para a qualidade em
um instante específico, isto é, a variabilidade “instantânea”; ii) a variabilidade em
uma característica crítica para a qualidade ao longo do tempo.
A determinação da capacidade do processo é uma parte importante no proces-
so DMAMC (D-Definir; M- Medir; A-Analisar; M-Melhorar; C-Controlar). Ela é usada
principalmente no passo A, mas pode ser útil em outros passos, tais como no M. É
costume tomar, como medida da capacidade de um processo, a dispersão de seis
sigmas na distribuição da característica da qualidade do produto. A figura a seguir
mostra um processo em que a característica da qualidade tem distribuição normal,
com média µ e desvio padrão σ:

0,9973
0,00135 0,00135

µ
LINT 3σ 3σ LSNT

Média do processo

Figura 1 – Distribuição normal

181
 aprimore-se

Os limites naturais de tolerância do processo – superior e inferior – se situam em µ

+ 3σ e µ – 3σ, respectivamente, isto é, LSNT = µ + 3σ e LINT = µ – 3σ. Para uma dis-
tribuição normal, os limites naturais de tolerância incluem 99,73% da variável, ou,
explicado de outra forma, apenas 0,27% da saída do processo fica fora dos limites
naturais de tolerância. Para tanto, deve-se ter em mente dois aspectos: i) 0,27%
fora dos limites naturais de tolerância pode parecer pouco, mas isso corresponde
a 2.700 peças não conformes por milhão; ii) se a distribuição da saída do processo
não for normal, então, a porcentagem de produção que fica fora de µ ± 3σ poderá
ser, consideravelmente, diferente de 0,27%.
Definimos a análise da capacidade de um processo como um estudo formal para
se estimar a capacidade do processo. Assim, a estimativa da capacidade de um pro-
cesso pode ser apresentada por meio de uma distribuição de probabilidade, com
uma forma, um centro (média) e uma dispersão (desvio-padrão) especificados. Por
exemplo, podemos determinar que a saída do processo tenha distribuição normal
com média µ = 1,0 cm e desvio padrão σ = 0,001 cm. Nesse sentido, uma análise da
capacidade do processo pode ser feita sem nos atentarmos para as especificações
sobre a característica da qualidade. Alternativamente, podemos expressar a capaci-
dade do processo como uma porcentagem fora das especificações.
Todavia, as especificações não são necessárias para fazermos uma análise da
capacidade de um processo. Um estudo da capacidade de um processo, em geral,
avalia parâmetros funcionais ou características críticas para a qualidade do produto,
e não o processo em si. Quando o analista pode observar diretamente o processo e
consegue controlar ou monitorar a atividade de coleta de dados, há um verdadeiro
estudo da capacidade de um processo. Isso se deve, porque, controlando a coleta
de dados e conhecendo a sequência temporal dos dados, ele pode fazer inferências
sobre a estabilidade do processo ao longo do tempo. Entretanto, quando dispomos
apenas de unidades amostrais do produto, eventualmente fornecidas pelo vende-
dor, e não há observação direta do processo ou história temporal da produção, o
estudo é chamado mais, apropriadamente, de caracterização do produto.

182
 aprimore-se

Em um estudo de caracterização de um produto, é possível apenas estimar a

distribuição da característica da qualidade do produto ou a produção do processo
(fração em conformidade com as especificações), mas nada podemos dizer sobre o
comportamento dinâmico do processo ou seu estado de controle estatístico. Para
fazermos uma estimativa confiável da capacidade do processo, ele deve estar sob
controle estatístico. Caso contrário, a inferência preditiva sobre o desempenho do
processo pode estar, seriamente, errada. Dados coletados em períodos de tempo
diferentes poderiam levar a conclusões diferentes.
A análise da capacidade de um processo é uma parte vital de um programa glo-
bal de melhoria da qualidade. Entre as principais utilizações de dados de uma análi-
se da capacidade de um processo, destacam-se:
1. Predizer até que ponto o processo manterá as tolerâncias.
2. Auxiliar os elaboradores/planejadores do produto na seleção ou modifica-
ção de um processo.
3. Auxiliar a estabelecer um intervalo entre amostras para monitoramento de
um processo.
4. Especificar exigências de desempenho para um equipamento novo.
5. Selecionar, entre vendedores concorrentes e outros, aspectos do gerencia-
mento da cadeia de suprimentos.
6. Planejar a sequência de processos de produção quando há um efeito intera-
tivo de processos sobre as tolerâncias.
7. Reduzir a variabilidade em um processo.
Assim, a análise da capacidade de um processo é uma técnica que possui aplica-
ções em muitos setores do ciclo do produto, inclusive, no planejamento e no pro-
cesso, no gerenciamento da cadeia de suprimento, no planejamento da produção
ou da fabricação e a própria fabricação. Além disso, três técnicas fundamentais são
utilizadas na análise da capacidade de um processo: histogramas ou gráficos de
probabilidade, gráficos de controle e experimentos planejados.
Fonte: adaptado de Montgomery (2016).

183
 eu recomendo!

livro

Controle Estatístico da Qualidade

Autor: : Edson Marcos Leal Soares Ramos, Sílvia dos Santos de
Almeida e Adrilayne dos Reis Araújo.
Editora: Bookman.
Sinopse: o controle estatístico da qualidade é assunto obrigató-
rio em diversos cursos de graduação e técnicos, além de estar
presente nas empresas preocupadas em garantir a qualidade de
seus produtos e serviços. Esta obra foi desenvolvida a partir da experiência dos
autores em pesquisa e docência relacionada ao controle estatístico da qualidade.
Além de tópicos básicos, os autores detalham o uso e analisam uma coleção de
ferramentas do controle estatístico da qualidade reunidas em uma só obra.

184
 conclusão geral

conclusão geral

O Controle Estatístico do Processo (CEP) trabalha com dados oriundos de processos

produtivos. Esses dados podem ser populacionais ou amostrais e, portanto, terão
algumas estatísticas descritivas que retratam as características do processo, como o
tamanho médio de peças produzidas, a temperatura média de um forno, ao longo
de uma jornada de trabalho ou o número médio de peças com defeito em um lote.
Estudamos esses conceitos na Unidade 1, a qual realizou uma introdução acerca
dos conceitos estatísticos mais utilizados.
Em seguida, na Unidade 2, contextualizamos e introduzimos a aplicação do CEP.
Para tanto, apresentamos algumas ferramentas de controle da qualidade que são
aplicadas no gerenciamento de processos, a saber: gráfico de dispersão, histograma
e gráfico de Pareto. As ferramentas da qualidade são usadas em conjunto com o CEP.
Na Unidade 3, iniciamos o estudo acerca dos chamados gráficos de controles, os
quais são ferramentas fundamentais do CEP. Apresentamos o uso dos gráficos para
o controle de atributos, os quais são características que não podem ser mensuradas
com um instrumento de medição. Por meio dos gráficos, é possível fazer o monito-
ramento do número de defeitos em um processo e verificar se será necessário atuar
sobre as causas do processo, a fim de evitar um número de defeitos fora do controle.
Já na Unidade 4, trabalhamos a aplicação dos gráficos de controle para variáveis,
tais como temperatura, peso, dimensões etc. Esses gráficos monitoram a média e
variação dos dados e, assim como os gráficos de controle por atributos, permitem
identificar comportamentos anormais em um processo e verificar se ele está está-
vel. Assim, aprendemos a montar e a interpretar os gráficos.
Por fim, na Unidade 5, estudamos o conceito de capacidade de processos. En-
quanto os gráficos de controle são usados para verificar se um processo é estável,
os índices de capacidade de processos são utilizados para verificar se um processo
é capaz de produzir itens dentro das especificações dos clientes. Para tanto, apren-
demos a calcular os índices e a fazer a sua interpretação de forma gráfica.

185
 referências

CORSI, A.; BOSSONARIO, A. C.; MARTINS, G. R.; CULCHESK, A. Aplicação de Gráficos de Controle
de Atributos para Análise de Processo Administrativo. Revista Produção Industrial & Servi-
ços, v. 2, n. 2, p. 45-61, 2015.

LARSON, R.; FARBER, B. Estatística Aplicada. 6. ed. São Paulo: Pearson Education do Brasil,
2015.

LOUZADA, F.; DINIZ, C.; FERREIRA, P.; FERREIRA E.  Controle Estatístico de Processos:  uma
abordagem prática para cursos de Engenharia e Administração. Rio de Janeiro: LTC, 2013.

MONTGOMERY, D. C. Introdução ao controle estatístico da qualidade. 7. ed. Rio de Janeiro:

LTC, 2016.

PEDROZA, S. S. Controle Estatístico do Processo. Maringá: Unicesumar, 2018.

VELOSO, R. de M.; OLIVEIRA, G. de; REIS, G. F.; BORGES, L. G. X.; RAMOS, R. F. Controle Estatís-
tico de Processos em uma indústria de laticínios: um estudo de caso no setor de empacota-
mento da Capil. In: SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO, 22., 2015, Bauru. Anais [...].
Bauru: SIMPEP, 2015.

WERKEMA, M. C. C. Ferramentas estatísticas básicas para o gerenciamento de processos.

2. ed. Belo Horizonte: Werkema, 2006.

REFERÊNCIA ON-LINE

1 Em: https://dicionario.priberam.org/qualidade. Acesso em: 24 out. 2019.

186
 gabarito

UNIDADE 1

1. C.

2. B.

3.
X
X (10  75  75  80  85)
  325 / 5  65%
Média:
n 5
Mediana: 10 75 75 80 85 , ou seja, 75% .

Moda: o valor que mais repete é o de 75% .

Pelo fato de que existe o valor de 10% na distribuição dos dados que se distanciam mui-
to dos demais, pode-se concluir que a média não seria a melhor medida para representar
a produtividade do trabalhador, durante as cinco semanas. Assim, a mediana ou a moda
poderiam ser utilizadas.

4.

s
 ( X  X )2 
(10  65)2  (75  65)2  (75  65)2  (80  65)2  (85  65)2

n 1 5 1
3850
 962, 5  31%
4

5. C.

UNIDADE 2

1. As organizações estão interessadas na aplicação do CEP, devido às exigências de seus

clientes por produtos que apresentem a ausência de defeitos e atendam cada vez
mais algumas necessidades bem específicas, o que exige, em algumas situações, um
ótimo desempenho do produto tanto em termos funcionais quanto em termos de
custo. Também é do interesse das organizações aumentar as margens de lucro, o
que é feito mediante a redução de custos, os quais são maiores à medida que um
processo produtivo fica fora de controle (situação que acontece com o desperdício de
matéria-prima, retrabalhos, rejeição de lotes etc.). Além da pressão dos clientes, existe
a pressão dos concorrentes: os melhores, em termos de desempenho operacional,
terão os melhores resultados. Dessa forma, por meio do CEP, as organizações podem
atender melhor os seus clientes, melhorar a margem de lucro e serem competitivas.

187
 gabarito

2. O histograma descreve uma variável discreta, pois o número de defeitos não é uma va-
riável contínua. Além disso, o histograma não está adequado, pois foram coletadas ape-
nas 20 observações e o recomendado é que se colete, no mínimo, 50 observações.

3. Os dados para o cálculo do coeficiente de correlação são apresentados na tabela a

seguir:

i xi yi xi2 yi2 xi yi

1 70 18,0 4900 324 1260

2 72 17,8 5184 316,84 1281,6

3 74 17,6 5476 309,76 1302,4

4 76 17,4 5776 302,76 1322,4

5 78 17,2 6084 295,84 1341,6

6 80 17,20 6400 289 1360

7 82 16,8 6724 282,24 1377,6

8 84 16,6 7056 275,56 1394,4

9 86 16,4 7396 268,96 1410,4

10 88 16,2 7744 262,44 1425,6

11 90 16,0 8100 256 1440

12 92 15,8 8464 249,64 1453,6

13 94 15,6 8836 243,36 1466,4

14 96 15,4 9216 237,16 1478,4

15 98 15,2 9604 231,04 1489,6

16 100 15,0 10000 225 1500

17 73 17,0 5329 289 1241

18 75 16,8 5625 282,24 1260

19 77 16,6 5929 275,56 1278,2

188
 gabarito

i xi yi xi2 yi2 xi yi

20 79 16,4 6241 268,96 1295,6

21 81 16,2 6561 262,44 1312,2

22 83 16,0 6889 256 1328

23 85 15,8 7225 249,64 1343

24 87 15,6 7569 243,36 1357,2

25 89 15,4 7921 237,16 1370,6

26 91 15,2 8281 231,04 1383,2

27 93 15,0 8649 225 1395

28 95 14,8 9025 219,04 1406

29 97 14,6 9409 213,16 1416,2

30 99 14,4 9801 207,36 1425,6

Soma 2564 483,8 221414 7829,56 41115,8

Agora, ao aplicar as equações apresentadas para os dados, temos:

n
1  n  n  1
S xy   xi yi    xi    yi   41115,8   2564  483,8   232, 97
i 1 n  i 1   i 1  30

n 2
1 n  1 2
S xx   xi    xi   221414   2564   2277, 47
2

i 1 n  i 1  30

n 2
1 n  1 2
S yy   yi    yi   7829,56   483,8   27, 48
2
 
n  i 1  30
i 1

S xy 232, 97
r   0, 93
S xx  S yy 2277, 47  27, 48
189
 gabarito

4. O processo produz itens cujas medidas variam cerca de 1,25mm a 1,55mm. O histo-
grama é do tipo despenhadeiro e a maior frequência de valores está fora do intervalo
delimitado pelos limites de especificação. Pelo fato de que o histograma é do tipo
despenhadeiro, deduz-se que o processo não está sob controle estatístico, o que exi-
ge inspeção cem por cento. Além disso, o processo não é capaz de atender às especi-
ficações de clientes e é preciso encontrar as causas dos desvios.

5. C.

UNIDADE 3

1. D.

2. C.

3. Ao observar o gráfico, em um primeiro momento, pode-se afirmar que a probabili-

dade é de 0,5, que é o valor esperado de p no gráfico. No entanto, existem pontos
fora dos limites de controle, o que indica que o processo não está sob controle e que
o valor estimado de 0,5 não pode ser utilizado. Assim, para responder à pergunta
corretamente, seria preciso investigar se o processo apresenta alguma causa especial
que gera amostras com valores fora dos limites de controle. Em seguida, é necessário
eliminar essas amostras e refazer o cálculo de p. Só assim seria possível responder,
corretamente, à pergunta.

4. Para monitorar a quantidade de defeitos, pode-se utilizar um gráfico de controle de

atributos, os quais são divididos em: gráfico p, gráfico np, gráfico c ou gráfico u. Já
para monitorar o tamanho de peças produzidas por uma máquina, é possível utilizar
o gráfico de controle por variáveis.

5. Os gráficos de controle por atributos podem ser usados para identificar um problema
antes que as situações se tornem caóticas. Dessa forma, a interpretação desses gráfi-
cos, assim como um médico interpreta os resultados de um exame sanguíneo, serve
para identificar a atuação de causas ou de fatores que tiram o processo de controle.
Tudo isso permite uma atuação do gestor de processo, a fim de eliminar ou neutrali-
zar as causas que produzirão muitos defeitos ou muitos itens defeituosos. Além disso,
os gráficos permitem que se faça a inspeção de algumas amostras para representar o
desempenho de todo o processo.

190
 gabarito

UNIDADE 4

1. Os gráficos de Shewhart são gráficos de controle para o monitoramento de variáveis

contínuas e são utilizados para identificar comportamentos anormais em processos.
Existem três: gráfico da média, gráfico do desvio padrão e gráfico da amplitude. Além
disso, são compostos, basicamente, por três linhas horizontais: linha do valor de refe-
rência, linha do limite superior de controle e linha do limite inferior de controle.

2. Considerando que cada amostra possui 20 observações de medidas representadas

por cada parafuso da amostra, conclui-se que seria recomendada a utilização dos
gráficos de controle da média e do desvio padrão, os quais são utilizados em conjunto
sempre que o número de observações é maior que dez.

3. Podem ser utilizados os gráficos da média e da amplitude, pois os cinco atendimen-

tos de um atendente podem ser considerados uma amostra com cinco observações.
Para as amostras pequenas, os gráficos da média e da amplitude são os mais reco-
mendados.

4. O gráfico demonstra a dimensão média, em milímetros, de 25 amostras. Pode ser

observado que algumas amostras ultrapassaram os limites de controle superior ou
inferior e os valores não estão bem aleatórios em torno da linha central. Portanto,
pode-se concluir que o processo não está sob controle estatístico e será necessário
investigar o que causou os valores anormais nas amostras 3, 11 e 20 . Após descobrir
as causas, elas devem ser eliminadas e o gráfico deve ser refeito sem as amostras que
sofreram a interferência de causas especiais.

5. O gráfico evidencia o desvio padrão da dimensão, em milímetros, de 25 amostras.

Observa-se que o valor do limite superior de controle foi ultrapassado e vários pontos
do gráfico estão abaixo do valor de referência de desvio médio. Portanto, conclui-se
que o processo não está sob controle estatístico e será necessário investigar o que
causou os valores anormais nas amostras. Após a descoberta das causas, elas devem
ser eliminadas e o gráfico deve ser refeito sem as amostras que sofreram a interferên-
cia de causas especiais.

191
 gabarito

UNIDADE 5

1. Melhorar a capacidade de um processo significa melhorar o seu desempenho para

atender às especificações dos clientes. A melhoria se dá, basicamente, de duas ma-
neiras. A primeira delas é reduzir a variabilidade do processo, diminuindo o seu des-
vio-padrão. Já segunda é mudar a média do processo para um valor próximo do valor
médio de especificação. Em ambas, será preciso calcular o índice de capacidade do
processo, realizar as melhorias e calcular, novamente, o seu valor, a fim de verificar o
quanto foi melhorado.

2. De acordo com os dados apresentados, o processo se encontra com valor médio des-
locado em relação ao valor médio da faixa de especificações. A média do processo é
de 64mm e o valor médio da faixa de especificações é de 60mm . Portanto, nessa
situação, é recomendado calcular o índice C pk que é aplicado para o caso em que a
média do processo se difere do valor médio das especificações.

3. O gerente não se atentou para o conceito de capacidade de processos. Mesmo que

o processo seja estável, ele pode não atender às especificações dos clientes e a sua
qualidade pode ficar comprometida. Para tanto, além de deixar o processo estável, o
gerente deve verificar o seu índice de capacidade.

4. Calculando o índice, temos:

LSE  LIE 30  25
Cˆ p    1, 04
6σˆ 6.0, 8

O processo não é considerado capaz, mas aceitável. Para ser capaz, o valor do índice deve
ser igual ou superior a 1, 33 .
5. O índice de capacidade do processo é igual a:

LSE  LIE 5,5  1, 0

Cˆ p    0,91
6ˆ 6.0,82
Pelo fato de que o índice é inferior a 1 , pode-se concluir que o processo é incapaz ou
inadequado. Portanto, a empresa precisa fazer uma melhoria no processo, pois ele
não está atendendo, satisfatoriamente, as especificações dos clientes em relação ao
tempo de espera.

192