http://www.portalaction.com.

br/content/9-ap%C3%AAndice
CEP
1 - Introduo
A seguir apresentamos alguns conceitos e definies importantes para o melhor entendimento do contedo desse
mdulo.
Processo: a combinao de mquinas, mtodos, material e mo-de-obra envolvidos na produo de um
determinado produto ou servio.
Controle: o conjunto de decises que tem por objetivo a satisfao de determinados padres ou especificaes por
parte dos produtos focados no cliente.
O CEP estabelece:
1. Informao permanente sobre o comportamento do processo;
2. Utilizao da informao para detectar e caracterizar as causas que geram instabilidade no processo;
3. Indicao de aes para corrigir e prevenir as causas de instabilidade;
4. Informaes para melhoria contnua do processo.
Sistema de controle do processo
Quatro elementos destes sistemas so importantes para as discusses a seguir.
1. O Processo
Entendemos como processo a combinao de fornecedores, produtores, pessoas, equipamentos, materiais
de entrada, mtodos e meio ambiente que trabalham juntos para produzir o resultado (produto), e os clientes
correspondem aos elementos que utilizam o resultado (ver Figura 1.1).

Figura 1.1: Sistema de controle do processo.

2. Informaes sobre o desempenho

Muita informao sobre o real desempenho do processo pode ser aprendida atravs de estudo do resultado (sada)
do processo. A informao mais til sobre o desempenho de um processo vem, entretanto, da compreenso do
processo em si, e de sua variabilidade interna. Caractersticas do processo (como temperaturas, tempo de ciclos,
taxas de alimentao, taxas de absentesmo, rotatividade de pessoas, atrasos, ou nmero de interrupes) deveriam
ser o alvo supremo de nossos reforos.
3. Aes sobre o processo
Uma ao sobre o processo geralmente mais econmica quando realizada para prevenir que as caractersticas
importantes (do processo ou do produto) variem muito em relao aos seus valores-alvo. Tal ao pode consistir em:

Mudanas nas operaes

Treinamento para os operadores;

Mudanas nos materiais que entram;

Mudanas nos elementos mais bsicos do processo

Equipamento;

A comunicao entre as pessoas;

O projeto do processo como um todo - que pode estar vulnervel mudanas de temperatura ou
umidade.
Os efeitos das aes deveriam ser monitorados, para que uma anlise e ao posterior pudesse ser tomada, se
necessria.
4. Aes sobre o resultado
Uma ao sobre o resultado freqentemente menos econmica quando se restringe a deteco e correo do
produto fora da especificao, no indicando o fato gerador do problema no processo. Infelizmente, se o resultado
atual no atinge consistentemente os requisitos exigidos pelo cliente, pode ser necessrio classificar todos os
produtos e refugar ou retrabalhar quaisquer itens no-conformes. Esta atitude deve ser mantida at que a ao
corretiva necessria sobre o processo tenha sido tomada e verificada, ou at que as especificaes do produto
tenham sido alteradas.

Definies
Variabilidade: o conjunto de diferenas nas variveis (dimetros, pesos, densidades, etc.) ou atributos (cor,
defeitos, etc.) presentes universalmente nos produtos e servios resultantes de qualquer atividade. Podemos
classific-las em comuns ou aleatrias e especiais ou assinalveis.
Tabela 1.1: Definies de causas comuns e especiais.

Definio

Comuns

Especiais

Efeito acumulativo de causas no

controlveis, com pouca influncia

Falhas ocasionais que ocorrem durante o

processo, com grande influncia

Exemplo
s

individualmente.

individualmente

Vibraes,temperatura, umidade, falhas

na sistemtica do processo, dentre
outras.

Variaes na matria-prima, erros de

operao, impreciso no ajuste da mquina,
desgastes de ferramentas, dentre outras.

Variabilidade do processo: Um processo est sob controle estatstico (estvel) quando no existem causas
especiais. O fato de um processo estar sob controle estatstico no implica que o mesmo est produzindo dentro de
um nvel de qualidade aceitvel. O nvel de qualidade de um processo estudado via uma tcnica denominada
anlise de capacidade/performance.
O objetivo desenvolver uma estratgia de controle para o processo que nos permite separar eventos relacionados
causas especiais de eventos relacionados causas comuns (falhas na sistemtica do processo). Desta forma, para
um dado processo, um grfico de controle pode indicar a ocorrncia de causas especiais de variao.

Figura 1.2: Processo previsvel.

Figura 1.3: Processo no previsvel.

Aes locais e aes gerenciais sobre o sistema

H uma importante relao entre os dois tipos de variao que acabamos de discutir e os tipos de aes necessrias
para reduz-las, sendo:

Causa especial: requer uma ao local.

Causa comum: geralmente requer um ao sobre o sistema ou ao gerencial.
Pode ser errado, por exemplo, tomar uma ao local (ex. ajuste de uma mquina) quando uma ao gerencial sobre
o sistema necessria (ex. seleo de fornecedores que entreguem materiais de entrada compatveis ao sistema).
Entretanto, o trabalho em conjunto entre gerncia e aquelas pessoas ligadas diretamente operao essencial
para uma reduo significativa das causas comuns de variao do processo.
O ciclo de melhoria e o controle do processo

Figura 1.4: O ciclo de melhoria e o controle do processo.

1. Analisar o processo
Dentre as perguntas a serem respondidas a fim de alcanar um melhor conhecimento do processo, esto:

O que o processo deveria estar fazendo?

O que est sendo esperado de cada estgio do processo?

Quais so as definies operacionais das sadas em potencial?

O que pode estar errado?

O que pode variar neste processo?

O que j sabemos a respeito da variabilidade deste processo?

Que parmetros so mais sensveis variao?

O que o processo est fazendo?

Este processo est gerando refugo ou resultados que requeiram retrabalhos?

Este processo produz um resultado que esteja num estado de controle estatstico?

O processo capaz?

O processo confivel?

Muitas tcnicas discutidas de desenvolvimento de processos podem ser aplicadas para garantir um melhor
entendimento do processo. Estas atividades incluem:

Reunies em grupo

Consulta a pessoas que desenvolveram e operam o processo

Reviso da histria do processo

Construo de uma planilha de FMEA

As cartas de controle desenvolvidas neste mdulo so ferramentas poderosas que devem ser usadas durante todos
os ciclos de melhoria do processo. Esses mtodos estatsticos simples ajudam a distinguir as causas comuns e as
causas especiais de variao do processo. Quando um estado de controle do processo alcanado o nvel atual da
capacidade do processo pode ser avaliado.
2. Manter o controle do processo
Uma vez adquirida uma compreenso melhor do processo, devemos mant-lo dentro de um nvel apropriado de
capacidade. Processos so dinmicos e podem mudar, logo o desempenho do processo deve ser monitorado, para
que medidas eficazes de preveno contra mudanas indesejveis possam ser executadas.
A mudana desejvel deve tambm ser entendida e institucionalizada. Quando sinalizado que uma mudana no
processo ocorreu, medidas rpidas e eficientes devem ser tomadas para isolar as causas e agir sobre elas.
3. Aperfeior o processo
A melhoria do processo atravs da reduo de variao, especificamente envolve a introduo (proposital) de
mudanas dentro do processo, e a avaliao dos efeitos causados. O objetivo uma melhor compreenso do
processo, para que as causas comuns de variao possam ser reduzidas posteriormente. A inteno desta reduo
a melhoria da qualidade ao menor custo.
Assim que novos parmetros do processo tenham sido determinados, o ciclo volta ao estgio de Analisar o Processo.
Uma vez que alteraes foram introduzidas, a estabilidade do processo precisa ser reconfirmada. O processo
continua ento a se mover em torno do Ciclo de melhoria do processo
2 - Grficos ou Cartas de Controle
Carta de controle um tipo de grfico utilizado para o acompanhamento de um processo. Este grfico determina
estatisticamente uma faixa denominada limites de controle, que limitada pela linha superior (limite superior de
controle) e uma linha inferior (limite inferior de controle), alm de uma linha mdia. O objetivo verificar, por meio do
grfico, se o processo est sob controle, isto , isento de causas especiais.
Grficos de Controle
Para distinguir as variaes do processo que anteriormente chamamos de comuns e especiais, e detectar as
especiais, foi desenvolvida uma ferramenta que, desde ento, denominamos Cartas ou Grficos de Controle.
As funes destes grficos so:
1. Mostrar evidncias de que um processo esteja operando em estado de controle estatstico e dar sinais de
presena de causas especiais de variao para que medidas corretivas apropriadas sejam aplicadas.

2. Manter o estado de controle estatstico estendendo a funo dos limites de controle como base de
decises.
3. Apresentar informaes para que sejam tomadas aes gerenciais de melhoria dos processos.

Formas de aplicao
A forma mais usual dos grficos de controle envolve registros cronolgicos regulares (dia-a-dia, hora-a-hora, etc) de
uma ou mais caractersticas (por exemplo, mdia, amplitude, proporo, etc) calculadas em amostras obtidas de
medies em fases apropriadas do processo. Estes valores so dispostos, pela sua ordem, em um grfico que possui
uma linha central e dois limites, denominados limites de controle (ver Figura 2.1).
Os grficos de controle fornecem assim uma regra de deciso muito simples: pontos dispostos fora dos limites de
controle indicam que o processo est fora de controle. Se todos os pontos dispostos esto dentro dos limites e
dispostos de forma aleatria, consideramos que no existem evidncias de que o processo esteja fora de controle".
Podemos observar no primeiro grfico que os dados esto dispostos entre os limites do intervalo, exceto uma
observao. Observe tambm que h indcios de falta de aleatoriedade no grfico

(os ltimos 8 pontos esto

abaixo da linha central), entretanto, o grfico da Amplitude apresenta um comportamento supostamente aleatrio.

Figura 2.1: Modelo de grficos de controle.

Benefcios dos grficos de controle
Os grficos de controle, ao distinguir as causas comuns das causas especiais de variao e indicar se o problema
local ou merece ateno gerencial, evita frustraes e o custo de erros no direcionamento da soluo de problemas.
Ao melhorar o processo os grficos de controle produzem:
1. Um aumento na porcentagem de produtos capazes de satisfazer aos requisitos do cliente.
2. Uma diminuio do retrabalho e sucata, diminuindo, conseqentemente, os custos de fabricao.
3. Aumenta a probabilidade geral de produtos aceitveis.
4. Informaes para melhoria do processo.

Para que possamos atingir os benefcios da aplicao do CEP, a organizao precisa se preparar:

Filosofia da gerncia
As decises da gerncia da empresa podem afetar diretamente os programas de CEP em:
1. Focar a organizao da empresa na diminuio da variao;
2. Estabelecer um ambiente aberto que minimize as competies internas e de suporte para o trabalho em
equipe;
3. Dar suporte e favorecer os treinamentos necessrios;
4. Aplicar o CEP para promover um melhor entendimento das variaes da engenharia de processo;
5. Aplicar o CEP para gerenciar os dados e usar a informao obtida nas decises do dia a dia.

Filosofia da engenharia
Como a engenharia usa a informao para poder planejar o desenvolvimento que podem e iro ter influncia no nvel
de variao do produto final, apresentamos algumas maneiras de como a engenharia pode mostrar o uso efetivo do
CEP:
1. Focar a organizao na reduo da variao atravs do planejamento do processo, ou seja, nmero de
mudanas no design, planejamento da manufatura e montagem;
2. Estabelecer um ambiente aberto que minimize a competio interna e prevalea o trabalho em equipe;
3. Dar suporte para que os funcionrios envolvidos no processo faam treinamentos adequados;
4. Aplicar o CEP para promover um melhor entendimento das variaes da engenharia de processo;
5. Exigir um melhor entendimento da variao e estabilidade em relao aos dados que so usados no
desenvolvimento do projeto;
6. Favorecer as mudanas na engenharia do produto que foram fruto das anlises do CEP que podem ajudar
na diminuio da variao.

Manufatura
Como a manufatura desenvolve e opera mquinas e os sistemas de transferncia que
podem impactar o nvel e o tipo de variao no produto final.
1. Focar a organizao da manufatura na reduo da variao, isto , controlar o nmero de diferentes
processos, o impacto dos processos multi ferramentais, ferramentas e mquinas de manuteno, etc;
2. Estabelecer um ambiente de engenharia aberto que possa minimizar a competio interna e dar suporte para
o trabalho de equipe;
3. Incentivar, manter e treinar os funcionrios no uso do CEP;
4. Aplicar o CEP para entender a variao e estabilidade dos dados que sero usados no desenvolvimento do
processo;
5. Usar as anlises do CEP para promover melhorias no processo;
6. No passar a responsabilidade pelas cartas de controle para os operadores at que o processo esteja sob
controle. A transferncia de responsabilidade do processo s deve ocorrer quando o processo estiver sob
controle.

Controle da qualidade

O controle da qualidade um componente crtico que prov suporte para as melhorias sugeridas pelo uso do CEP.
1. Dar suporte ao treinamento para manuteno do CEP;
2. Focar as pessoas na aplicao do CEP;
3. Ajudar na identificao das causas de variao do processo;
4. Assegurar que o uso correto das informaes provenientes do programa de CEP estejam sendo
corretamente utilizadas.

Produo
As pessoas envolvidas na produo esto diretamente relacionadas ao processo e a efetividade da variao do
processo. Elas devem:
1. Estar treinadas na aplicao do programa de CEP para resolver problemas;
2. Ter entendimento da variao e estabilidade em relao aos dados e as informaes que estaro sendo
usadas no programa de CEP;
3. Estar alertas! A comunicao entre a equipe importante quando a situao muda;
4. Atualizar, manter e disponibilizar as cartas de controle com a equipe responsvel;
5. Aprender com as informaes coletadas do processo.
A seguir, apresentamos os grfico mais simples e utilizados nas organizaes.
Tipos de grficos de controle
Existem dois tipos bsicos de grficos de Controle:

Grficos por variveis:

Grficos

e R (mdia e amplitude)

Grficos

e S (mdia e desvio padro)

Grficos

e R (mediana e desvio padro)

Grficos para Valores Individuais (X) e Amplitude Mvel (MR)

Grficos por atributos:

Grfico p (propores no conforme)

Grfico np (unidades no conforme)

Grfico c (nmero de no conformidade por unidade)

Grfico u (taxa de no conformidade por unidade)

3 - Fase Preparatria e Elaborao dos Grficos
Seja qual for o tipo do grfico que se vai utilizar, necessrio que executem uma srie de etapas preparatrias para
a sua aplicao:
1. Conscientizao e treinamento das pessoas envolvidas no processo.
2. Correta definio do processo (mapeamento do processo).
3. Anlise para escolha das caractersticas de qualidade mais significativas, com foco no cliente. A aplicao do
grfico de Pareto pode ter grande utilidade nessa etapa.

4. Definio e anlise do sistema de medio (unidades, instrumentos, grau de preciso das medidas, mtodo
para efetuar as medidas, etc).
5. Escolha da fase do processo onde sero efetuados os registros, a fim de obter informaes que permitam, no
caso em que causas especiais sejam detectadas, sua imediata e efetiva correo para evitar os itens
defeituosos.
Uma vez efetuada a fase preparatria, a elaborao dos grficos deve obedecer os seguintes passos:
1. Escolha do tipo de grfico;
2. Coleta de dados;
3. Indicao do estado do processo e sua performance;
4. Determinao da capacidade do processo, depois de se ter atingido o estado de controle;
5. Aes para melhoria do processo.
Os tpicos seguintes descrevem cada um dos itens acima.

Escolha do tipo do grfico

Em princpio, o tipo grfico a ser selecionado depende da caracterstica da qualidade a ser controlada. Sendo esta
uma caracterstica contnua (peso, dimenso, concentrao, etc) os grficos para valores individuais ou os
e

(ou

) podero ser utilizados. Muitas vezes instrumentos passa/no passa so utilizados, o que produz uma

discretizao das caractersticas contnuas, permitindo assim a utilizao de grficos p (ou np).

Coleta de dados - subgrupos racionais

Para proceder a coleta de dados necessrio escolher o tamanho de cada amostra e a freqncia de amostragem,
tambm denominada subgrupo racional, assim como a quantidade de subgrupos racionais. Na amostragem
fundamental escolher as amostras que representem subgrupos de itens que sejam os mais homogneos possveis,
visando exaltar diferenas entre grupos.
" muito importante na aplicao dos grficos de controle escolher de forma cuidadosa os subgrupos racionais."
Algumas consideraes a respeito do tamanho dos subgrupos para os grficos

ou

so:

1. Os subgrupos devem ter o menor tamanho possvel de forma que as suas mdias no mascarem as
mudanas.
2. Subgrupos de tamanho 4 ou 5 detectam mudanas no processo mais rapidamente que subgrupos maiores.
3. Subgrupos de 4 ou 5 tens so timos (ou quase) se as causas especiais produzem mudanas de 2 (2
sigma) ou mais no nvel geral do processo. Caso as mudanas sejam pequenas (1 ou menos) ser
necessrio, para detect-las, escolher subgrupos maiores (de 15 ou 20 itens). Aplicao de ferramentas
como CUSUM propiciam uma anlise de pequenas variaes.
Muitas vezes, para que possamos determinar adequadamente os subgrupos racionais, podemos utilizar o diagrama
de causa e efeito ou mesmo o FMEA de processo.

Escolha dos limites de controle

A escolha dos limites de controle uma deciso a ser tomada com base, essencialmente, em critrios econmicos. O
uso dos limites 3 (3 sigma) est bastante generalizado, mas existem situaes onde necessrio aplicar outros
critrios.

Clculo da linha central e dos limites de controle

O clculo dos limites de controle e da linha central ser considerado caso a caso, para cada tipo de grfico e suas
possveis variantes.

Indicao do estado do processo

Quando os dados so registrados e comparados com os limites de controle, pontos fora (dentro) destes limites
indicaro que o processo est "fora de controle" ("sob controle") estatstico. Depois que aes (geralmente locais)
foram tomadas, mais observaes so coletadas e, se necessrio, os limites so recalculados para estudar a
presena de outras eventuais causas especiais de variao.

Determinao da capacidade do processo

Os limites de controle no so limites de especificao, mas refletem a variabilidade natural do processo,
funcionando somente como indicadores de causas especiais de variao. Depois que as causas especiais so
eliminadas a capacidade do processo poder ser avaliada.
Na Figura 3.1 exemplificamos os limites de controle e a linha central para o grfico

Figura 3.1: Limites de controle e linha central para o grfico

3.1 - Planejamento para implantao do CEP

Inicialmente defendemos que o CEP somente tem chances de ser implantado adequadamente em um ambiente onde
as barreiras e os paradigmas sejam facilmente quebrados, onde haja compromisso gerencial efetivo, a importncia
dos clientes reconhecida e outros aspectos fundamentais a implantao de uma metodologia de trabalho sejam
tambm relevados. De forma geral, as etapas propostas so:
Etapa 1: Obter compromisso da alta administrao

Obter o compromisso efetivo da alta administrao;

Formar um comit de gerentes responsvel pelo programa.

Responsvel: Produo, Engenharia de Produto, Engenharia de Processo, Qualidade.
Ferramentas: Apresentao de consultores externos e seminrios gerenciais.

Etapa 2: Formular uma poltica (diretrizes)

Indicar um facilitador e uma equipe de melhoria;

O comit em conjunto com o facilitador deve estabelecer um plano geral que contemple as principais
diretrizes do programa de CEP:
1. objetivos gerais;
2. as responsabilidades gerenciais;
3. a estratgia de treinamento;
4. os recursos necessrios para execuo do programa;
5. as necessidades financeiras;
6. cronograma.
Responsvel: Comit
Ferramentas: Reunies de trabalho.
Etapa 3: Estabelecer responsabilidades do facilitador e da equipe de melhoria

A principal funo do facilitador estabelecer, desenvolver e monitorar o programa de CEP;

Dependendo do tamanho da organizao talvez seja necessrio indicar mais do que um facilitador.

Uma das principais responsabilidades do facilitador de ser o treinador, de fornecer suporte s reas que se
propem a implantar o CEP.

Principais caractersticas ou habilidades que o facilitador deve ter: boa comunicao, habilidades em anlises
estatsticas prticas, adequado relacionamento com o cho-de-fbrica, ter a confiana de todos os nveis da
organizao e ser um entusiasta do CEP.

A Equipe de Melhoria deve ser composta por representantes de 5 reas: engenharia, gerncia, produo,
manufatura, e controle da qualidade.

A principal responsabilidade da Equipe de Melhoria a de participar das reunies e sesses de brainstorming

na busca e eliminao de causas especiais de variao.
Responsvel: Comit
Ferramentas: Reunies de trabalho.
Etapa 4: Definir uma estratgia de treinamento

Algumas questes ajudam a definir a estratgia:

1. Quantas pessoas necessitam ser treinadas?

2. Quais os tipos diferentes de cursos que necessitam ser desenvolvidos?

3. Quem far o treinamento?
4. Quantas pessoas sero treinadas?
5. Os treinamentos sero feitos fora ou dentro da empresa?
Responsvel: Comit e facilitador
Ferramentas: Reunies de trabalho.
Etapa 5: Treinar gerentes e supervisores

Aps definida a estratgia de treinamento importante realiz-los inicialmente com os gerentes e, em

seguida com os supervisores.

importante que o treinamento seja complementado com uma atividade prtica.

Responsvel: Comit
Ferramentas: Apresentao de consultores externos e seminrios gerenciais.
Etapa 6: Informar os operadores

Declarar aos operadores que o CEP ser implantado.

importante lembrar que esta atividade de comunicao ainda no envolve treinamento.

Responsvel: Diretor, gerente geral.
Ferramentas: Tcnicas de apresentao, vdeos.
Etapa 7: Envolver fornecedores

Muito provavelmente as melhorias a serem obtidas com a implantao do CEP dependem da participao
dos fornecedores.

A melhoria dos processos pode, algumas vezes, depender diretamente da melhoria da qualidade da matriaprima.
Responsvel: Comit
Ferramentas: Seminrios gerenciais, treinamento etc.
Etapa 8: Escolha das caractersticas da qualidade para a aplicao do CEP.

Para fazer a escolha das caractersticas de qualidade que sero avaliadas pelo CEP, sugerimos os seguintes
pontos:
1. Anlise das necessidades do cliente
2. Especificaes e desenhos fornecidos pelo cliente
3. Regulaes aplicadas (Legislaes)
4. FMEAs
5. Resultados de testes
6. Lies aprendidas do passado

Na utilizao de FMEAs sugerimos o seguinte critrio:

D-FMEA detecta caractersticas de qualidade potenciais a serem avaliadas quando:

1. S = 10 ou 9

(S = Severidade)

2. S = 8 e se Ocorrncia estritamente maior do que 1

P-FMEA transforma caractersticas de qualidade potenciais em caractersticas confirmadas quando:

1. S = 10 ou 9
2. S = 8 e se Ocorrncia estritamente maior do que 4

Aplicar MSA s caractersticas escolhidas.

Responsvel: Gerentes, tcnicos e facilitador.
Ferramentas: FMEA, MSA, Grfico de Pareto.
Etapa 9: Coletar dados ( FASE 1 do Modelo de Melhoria)

Escolher o tipo de grfico a ser aplicado

Definir o subgrupo racional

Coletar os dados: envolver diferentes lotes de produo

Elaborar os primeiros grficos: avaliar a estabilidade

Avaliar a capacidade/performance do processo

Sugesto de regras para a administrao do CEP:

1. Criar lista de caractersticas que esto sendo monitoradas com o CEP
2. Eliminar o CEP das caractersticas que tiverem Pp 2 e Ppk 1,5.
3. Diminuir frequncia de amostragem para as caractersticas que tiverem Pp 1,5 e Ppk 1,33.
4. Manter (e at aumentar) frequncia de amostragem para caractersticas que no tiverem boa performance.

Responder as perguntas:
1. Pergunta 1: O sistema estvel? (sim ou no)
2. Pergunta 2: O sistema capaz? (sim ou no)
As possveis combinaes so:
estvel?
sim
sim
no
no

capaz?
sim
no
sim
no

Etapa
12
11
12
10

Verificar as combinaes e seguir a etapa (tomar um caminho).

Responsvel: Facilitador, Tcnicos e Equipe de Melhoria.
Ferramentas: Grficos de controle, Cp, Cpk, Pp, Ppk.
Etapa 10: Deteco das causas especiais e aes sobre o processo.

Retirar os pontos fora de controle da fase de coleta de dados e recalcular os limites de controle;

Elaborar a carta de CEP com os limites fixados;

Definir quais os sinais de falta de controle;

Definir o responsvel pela carta de CEP em cada turno de produo;

Definir o dirio de bordo apropriado do processo em anlise;

Treinar os envolvidos na melhoria do processo;

Reiniciar a coleta de dados;

Estabilizar o processo com aes de melhoria;

Avaliar a capacidade do processo.

Vai para a Etapa 9.

Responsvel: Manufatura, Facilitador, Tcnicos e Equipe de Melhoria.
Ferramentas: Grficos de controle, Cp, Cpk, Pp, Ppk.
Etapa 11: Melhoria de Processo

Manter o CEP para monitorar o processo;

Aplicao de tcnicas dos Seis Sigmas para melhoria de processo:

1. Identificao das causas comuns de variao;
2. Reduo de causas comuns de variao;
3. Aplicao de DOE.

Vai para a Etapa 9.

Responsvel: Manufatura, Facilitador, Tcnicos e Equipe de Melhoria.
Ferramentas: Grficos de controle, Cp, Cpk, Pp, Ppk.
Etapa 12: Monitoramento do Processo

Elaborar o grfico do farol

Avaliar a capacidade do processo.

V para a Etapa 9.
Responsvel: Manufatura, Facilitador, Tcnicos e Equipe de Melhoria.
Ferramentas: Grficos de controle, Cp, Cpk, Pp, Ppk
4 - Grficos de Controle por Variveis
Muitas caractersticas da qualidade podem ser expressas em termos de valores numricos. Por exemplo, o dimetro
de um anel pode ser medido com um micrmetro e expresso em termos de milmetros. As caractersticas da
qualidade mensurveis tais como peso, dimenso ou volume so denominadas variveis.
Quando analisamos uma caracterstica da qualidade que uma varivel, em geral, controlamos o valor mdio da
caracterstica da qualidade e sua variabilidade. O valor mdio controlado atravs do grfico da mdia denominado
grfico

. Enquanto que a variabilidade do processo pode ser acompanhada atravs do grfico do desvio padro

denominado grfico

ou o grfico da amplitude denominado grfico

4.1 - Grficos Mdia e Amplitude

Quando lidamos com uma caracterstica da qualidade que uma varivel, necessitamos monitorar tanto a mdia da
caracterstica da qualidade quanto a sua variabilidade. Para isto, supomos que a caracterstica da qualidade tem
distribuio de probabilidade com mdia e desvio padro . Assim, para uma amostra aleatria X 1, X2, ... , Xn de
tamanho n, temos que a mdia amostral dada por:

Com isso, aplicando o Teorema Central do Limite para esta amostra aleatria, quando o tamanho da amostra
aumenta, a distribuio amostral da mdia se aproxima de uma distribuio Normal com mdia e desvio padro
, ou seja, se o tamanho amostral suficientemente grande, podemos assumir que a mdia amostral tem
uma distribuio Normal. Consequentemente, o intervalo de confiana da mdia dado por:

Na prtica, geralmente no conhecemos e , contudo, estes parmetros so estimadas partir de amostras

preliminares tomadas em subgrupos de pelo menos 20 a 25 amostras. Suponhamos que temos disponvel m
amostras, com cada uma contendo n observaes sobre a caracterstica da qualidade. Nas aplicaes, o nmero de
observaes n pequeno e geralmente resultam partir da construo de subgrupos racionais, em que os custos de
amostragem e de inspeco associadas com as medies das variveis so altas. Para o grfico da mdia
tomamos

as mdias de cada amostra, temos que o melhor estimador de

para o processo da

mdia dada por:

que a linha central do grfico

Agora, necessitamos da estimativa do desvio padro, para isto, vamos estimar nesta seo pela amplitude
para uma amostra aleatria X1, X2, ... , Xn de tamanho n, temos que a amplitude

Agora, seja

Assim,

dada por:

as amplitudes das m amostras, ento a linha central (LC) ou a mdia das amplitudes

dada por:

A seguir, vamos apresentar os principais tpicos para a construo do grfico

Os grficos

(mdia e amplitude) devem ser implementados simultaneamente, pois as funes se

complementam.

Objetivo: controlar a variabilidade do processo e detectar qualquer mudana que acontea.

Um processo pode sair de controle por alteraes no seu nvel ou na sua disperso. As mudanas no nvel
(mdia) e disperso (variabilidade) do processo podem ser consequncias de causas especiais, gerando defeitos.

Clculo dos limites de controle

Para o desenvolvimento dos limites de controle, primeiramente vamos definir a varivel aleatria
Amplitude Relativa. A principal propriedade de

que sua mdia a constante

amostra. Com isso, o estimador no viciado do desvio padro

consequentemente para

chamada

que depende do tamanho da

da distribuio Normal dada por

temos que o estimador para o desvio padro dada por:

Agora, temos as ferramentas necessrias para a construo dos limites de controle para o grfico
usando a equao (4.1.1) e usando

obtemos os limites de controle para o grfico

Logo,

da seguinte forma

Assumindo que a caracterstica de qualidade normalmente distribuda,

Amplitude Relativa

. Assim, o desvio padro de

dado por

calculada partir da distribuio

(para mais detalhes consulte o livro de

Montgomery, D.C. (2001)), uma constante que depende do tamanho da amostra . Logo, para
padro de

dada por:

Portanto, os limites de controle para o grfico

Resumindo temos que,

Para as mdias:
Limite Superior de Controle:

Linha Central:

Limite Inferior de Controle:

so dadas por:

o desvio

Para as amplitudes:
Limite Superior de controle:

Linha Central:

Limite Inferior de Controle:

Disposio dos pontos nos grficos

Tendo calculado as Linhas Centrais e os Limites Inferiores e Superiores de Controle para os grficos
em condies de dispor os pontos que representam as mdias amostrais (no grfico
(no grfico

, estamos

) e as amplitudes amostrais

), respectivamente.

Para facilitar a anlise dos resultados tambm recomendvel colocar os grficos um abaixo do outro e marcar os
pontos correspondentes a uma mesma amostra na mesma reta vertical.
Fase I: Aplicao dos grficos

Na Fase I, quando amostras preliminares so usadas para construir os grficos

de costume tratar os limites

de controle obtidos como limites de controle teste. Eles permitem determinar se o processo estava sob controle
quando as m amostras preliminares foram selecionadas. Para determinar se o processo estava sob controle quando
amostras preliminares foram coletadas podemos plotar os valores de

de cada amostra nos grficos e analisar

o resultado obtido. Se todos os pontos plotados esto dentro dos limites e nenhum comportamento sistemtico
evidenciado, ento concluimos que o processo estava sob controle no passado e os limites de controle teste so
adequados para controlar a produo atual ou futura. altamente desejvel ter de 20 a 25 amostras ou subgrupos de
tamanho n (tipicamente n est entre 3 e 5) para calcular os limites de controle teste. Podemos, claro, trabalhar com
menos dados, porm os limites de controle no so to confiveis.
Suponha que um ou mais valores de

ou de

estejam fora de controle quando comparados com os limites de

controle teste. Claramente, se os limites de controle para a produo atual ou futura so significativos eles devem ser
baseados em dados de um processo que est sob controle. Entretanto, quando a hiptese de controle passada
rejeitada necessrio revisar os limites de controle teste. Isso feito examinando cada um dos pontos fora de
controle, procurando por uma causa assinalvel. Se uma causa assinalvel encontrada, o ponto descartado e os
limites de controle teste so recalculados usando somente os pontos remanescentes. Ento, esses pontos
remanescentes so reexaminados para controle. (Note que os pontos que estavam sob controle inicialmente podem
agora estar fora de controle, pois os limites de controle teste so geralmente mais severos do que os antigos.) Esse
processo continua at que todos os pontos estejam sob controle, pontos para os quais os limites de controle teste
so adotados para uso atual.

Em alguns casos, pode no ser possvel encontrar uma causa assinalvel para um ponto que caia fora de controle.
Dessa forma, h dois caminhos a tomar. O primeiro deles eliminar o ponto caso uma causa assinalvel tenha sido
encontrada. No h nenhuma justificativa analtica para escolher essa ao, a no ser a de que os pontos que
estejam fora dos limites de controle foram extrados da distribuio de probabilidade de uma caracterstica de um
estado fora de controle. A alternativa ento manter o ponto (ou pontos) considerando os limites de controle teste
como apropriados para o controle atual. claro, se o ponto realmente no representa uma condio de fora de
controle, os limites de controle resultantes sero muito largos. No entanto, se existe um ou dois desses pontos isso
no distorcer o grfico de controle significamente. Se amostras futuras ainda indicarem controle ento os pontos
inexplicados podem provavelmente ser retirados seguramente.
Ocasionalmente, os valores amostrais iniciais de

so plotados contra os limites de controle teste e muitos

pontos cairo fora de controle. Claramente, se retirarmos arbitrariamente pontos fora de controle teremos uma
situao insatisfatria, com poucos dados remanescentes para recalcular limites de controle confiveis. Suspeitamos
que esse tipo de abordagem ignoraria muita informao til nos dados. Porm, procurar por uma causa assinalvel
para cada ponto fora de controle improvvel obter sucesso. Achamos que quando muitas amostras iniciais caem
fora de controle contra os limites teste, melhor concentrar sobre um padro formado por esses pontos. Tais
padres quase sempre existiro. Geralmente, a causa assinalvel associada com o padro de pontos fora de
controle fcil de identificar. A remoo desse problema geralmente resulta em uma melhoria no processo (principal).
Reviso dos Limites de Controle e Linhas Centrais
O uso eficaz de um grfico de controle requer reviso peridica dos limites de controle e das linhas centrais. Alguns
prticos estabelecem perodos regulares para rever e fazer revises dos limites dos grficos de controle tais como
toda semana, todo ms ou a cada 25, 50 ou 100 amostras. Ao revisar limites de controle devemos lembrar que
altamente desejvel usar pelo menos 25 amostras ou subgrupos (algumas autoridades recomendam de 200 a 300
observaes individuais) no clculo dos limites de controle.
Algumas vezes o usurio substitui a linha central do grfico

pelo valor alvo, digamos

. Se o grfico

exibe

controle pode ser til deslocar a mdia do processo para o valor desejado, particularmente em processos onde a
mdia pode ser mudada por um simples ajuste de uma varivel manipulvel do processo. Se a mdia no
facilmente influenciada por um simples ajuste do processo, ento provvel ser uma funo desconhecida e
complexa de vrias variveis do processo e um valor alvo

pode no ser til, assim como o uso daquele valor

poderia resultar em muitos pontos fora dos limites de controle. Nesses casos, no saberamos necessariamente se o
ponto estava realmente associado uma causa assinalvel ou se foi plotado fora dos limites por causa de uma m
escolha para a linha central.
Quando o grfico

est fora de controle, eliminamos os pontos fora de controle e recalculamos um valor revisado de

. Esse valor ento usado para determinar novos limites e linha central do grfico

e novos limites no grfico

Temos assim limites mais severos (apertados) em ambos os grficos, tornando-os consistentes (com um desvio
padro

consistente) com o uso do

revisado na relao

. Essa estimativa de

poderia ser usada como base

das anlises preliminares da capacidade do processo.

Exemplo 4.1.1: Para aplicao dos grficos

consideremos dados correspondentes ao comprimento de peas

em subgrupos de tamanho 5.
Tabela 4.1.1: Dados amostrais de comprimentos de peas.

X1

X2

X3

X4

X5

0,65

0,7

0,65

0,65

0,85

0,7

0,2

0,75

0,85

0,75

0,85

0,65

0,77

0,2

0,75

0,8

0,8

0,7

0,75

0,76

0,1

0,6

0,7

0,7

0,75

0,65

0,68

0,15

0,7

0,75

0,65

0,85

0,8

0,75

0,2

0,6

0,75

0,75

0,85

0,7

0,73

0,25

0,75

0,8

0,65

0,75

0,7

0,73

0,15

0,6

0,7

0,8

0,75

0,75

0,72

0,2

0,65

0,8

0,85

0,85

0,75

0,78

0,2

0,6

0,7

0,6

0,8

0,65

0,67

0,2

0,8

0,75

0,7

0,8

0,7

0,75

0,1

0,85

0,75

0,85

0,65

0,7

0,76

0,2

0,7

0,7

0,75

0,75

0,7

0,72

0,05

0,65

0,7

0,85

0,75

0,6

0,71

0,25

0,9

0,8

0,8

0,75

0,85

0,82

0,15

0,75

0,8

0,75

0,8

0,65

0,75

0,15

0,75

0,7

0,85

0,7

0,8

0,76

0,15

0,75

0,7

0,6

0,7

0,6

0,67

0,15

0,65

0,65

0,85

0,65

0,7

0,7

0,2

0,6

0,6

0,65

0,6

0,65

0,62

0,05

0,5

0,55

0,65

0,8

0,8

0,66

0,3

0,6

0,8

0,65

0,65

0,75

0,69

0,2

0,8

0,65

0,75

0,65

0,65

0,7

0,15

0,65

0,6

0,6

0,6

0,7

0,63

0,1

0,65

0,7

0,7

0,6

0,65

0,66

0,1

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Etapas para a coleta das amostras e anlise dos dados:

1. Seleo da caracterstica de qualidade do processo, focada no cliente.
2. Registro das observaes obtidas seguindo os critrios de amostragem racional. No exemplo foram
escolhidos 5 itens por hora, durante m = 25 horas.
3. Clculo da mdia amostral

e da amplitude amostral

, para cada i = 1, 2, , m. Os valores de

e de

acompanham os valores em cada coluna.

4. Clculo da mdia das mdias amostrais e da mdia das amplitudes amostrais, os quais so indicados,
respectivamente, por

Para os dados do nosso exemplo temos:

m = Nmero de amostras = 25

n = Tamanho das amostras = 5

Vamos agora calcular os limites de controle. No Apndice se encontram os valores tabelados das constantes
necessrias para o clculo, assim para n = 5 temos, A2 = 0,577; D3 = 0 e D4 = 2,114.
Aplicando as frmulas, obtemos:

Para a mdia:

Para a amplitude:

A seguir temos os resultados obtidos pelo Software Action para esse exemplo.

Figura 4.1.1: Grficos

O grfico das amplitudes ( ) se encontra sob controle estatstico. No entanto, o grfico

apresenta um ponto a mais

de 3 desvios padro da linha central, indicando uma possvel causa especial de variao.
Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.

Fase II: Operao dos grficos

Uma vez que limites de controle confiveis so estabelecidos, usamos o grfico de controle para monitorar a
produo futura. Esta a chamada Fase II do uso do grfico de controle.
Observando a Figura 4.1.1 notamos que os grficos de controle indicam que o processo est sob controle, at o
valor

da amostra 15 ser plotado. Uma vez que esse ponto cai acima do limite superior de controle, poderamos

suspeitar que uma causa assinalvel tenha ocorrido naquele instante ou antes. O padro geral de pontos no grfico
de cerca de 38 subgrupos subsequentes um indicativo de um deslocamento na mdia do processo.
Uma vez que o grfico de controle estabelecido e est sendo usado no monitoramento online do processo, muitas
vezes tentaramos usar as regras de sensibilidade (oito testes de no aleatoriedade ou as regras da Western Electric)
para acelerar a deteco de mudanas. Entretanto, desencorajamos o uso rotineiro dessas regras de sensibilidade
para o monitoramento online de um processo estvel porque elas fazem aumentar fortemente a ocorrncia de falsos
alarmes.
Ao examinarmos os dados de um grfico de controle algumas vezes til construir um grfico de corridas (run chart)
das observaes individuais de cada amostra. Esse grfico algumas vezes chamado de tolerance chart ou tier
diagram e pode revelar algum padro nos dados ou mesmo mostrar que um valor particular de

ou

foi produzido

por uma ou duas observaes incomuns na amostra. Um boxplot geralmente uma maneira muito simples de
construir o tier diagram.
Objetivos e interpretao dos grficos

A funo dos grficos a de identificar/detectar qualquer evidncia de que a mdia do processo e sua disperso no
estejam operando a nveis estveis.
Se um ou mais pontos esto fora dos limites de controle (seja no grfico

ou

) ou outro padro de no

aleatoriedade, existe um sinal de alerta (ou indicador) de que o processo no est sob controle estatstico.

Um dos objetivos da aplicao dos grficos de controle testar se um processo, no conhecido, est sob controle
estatstico ou no e, caso o processo seja diagnosticado "fora de controle", orientar as aes para levar o processo
ao estado de controle. Para atingir tais objetivos se procede da seguinte maneira:
1. Dispostos todos os pontos correspondentes s mdias amostrais e s amplitudes amostrais nos respectivos
grficos e no existindo nenhum padro de no aleatoriedade, o processo considerado "sob controle".
2. Se algum ponto fora dos limites de controle ou qualquer outro padro de no aleatoriedade encontrado,
consideramos que causas especiais de variao esto presentes. Estas causas devero ser procuradas e
corrigidas. Depois de corrigidas as causas que determinam o padro de no aleatoriedade, novos limites e
novas linhas centrais so calculadas, eliminando para este clculo os elementos da amostra que determinam
o padro de no aleatoriedade. Este processo dever ser repetido, interativamente, at que nenhum padro
de no aleatoriedade seja encontrado. Neste momento consideramos que o processo atingiu o estado de
controle. Com o processo em estado de controle podemos aplicar os grficos como instrumento para
monitorar o processo e realizar melhorias contnuas.

Definindo Sinais "fora de controle"

A presena de um ou mais pontos alm dos limites de controle a primeira evidncia de uma causa especial de
variao no processo. Um ponto fora dos limites de controle em muitos casos significa que um ou mais dos pontos
seguintes ocorreram:

O limite de controle ou o ponto no grfico pode ter sido calculado errado ou plotado de maneira duvidosa;

O sistema de medio foi alterado, isto , um avaliador diferente ou instrumento;

O sistema de medio no discrimina de maneira apropriada.

Existem muitos critrios para identificar causas especiais. Os mais usados sero discutidos a seguir. A deciso de
qual critrio usar depende do processo que est sendo estudado/controlado. Em geral, comeamos de forma
simples, apenas avaliamos pontos fora das linhas de controle. Conforme ganhamos experincia sobre o processo
podemos aumentar os critrios para determinar mais causas especiais de variao
Nota 1: Com exceo feita ao primeiro critrio, os nmeros associados com os critrios no estabelecem uma ordem
de uso. A determinao de qual critrio usar depende das caractersticas do processo e das causas especiais e
prioridades com o processo.
Nota 2: Devemos ter cuidado ao se aplicar muitos critrios, exceto naqueles em que fez sentido o uso de
determinado critrio.
Portanto, concluiremos que um processo est fora de controle se um ou mais dos critrios listados abaixo forem
encontrados nos grficos de controle. Os critrios so:

1 ponto mais do que 3 desvios padro a partir da linha central;

7 pontos consecutivos no mesmo lado da linha central;

6 pontos consecutivos, todos aumentando ou diminuindo;

14 pontos consecutivos, alternando acima e abaixo;

2 de 3 pontos consecutivos maior que 2 desvios padro a partir da linha central (mesmo lado);

4 de 5 pontos consecutivos maior que 1 desvio padro a partir da linha central (mesmo lado);

15 pontos consecutivos dentro de 1 desvio padro da linha central (qualquer lado);

8 pontos consecutivos maior que 1 desvio padro a partir da linha central (qualquer lado).
A seguir sero ilustrados alguns exemplos dos testes.

Figura 4.1.2: Exemplo de 1 ponto mais do que 3 desvios padro da linha central.

Figura 4.1.3: Exemplo de 7 pontos em sequncia a partir da linha central.

Figura 4.1.4: Exemplo de 14 pontos em sequncia alternando-se ao longo da linha central.

Figura 4.1.5: Exemplo de 2 de 3 pontos consecutivos, do mesmo lado da LC, maiores que 2 desvios
padro.

Figura 4.1.6: Exemplo de 7 pontos, em linha, crescentes.

A Funo Caracterstica de Operao

A habilidade dos grficos

de detectar deslocamentos na qualidade do processo descrita por suas curvas

caractersticas de operao (CCO). A seguir apresentamos as CCO para grficos usados para monitorar a fase II de
um processo.
Considere a CCO para um grfico
sob controle, digamos

com o desvio padro

para outro valor

primeira amostra subsequente ou risco

Uma vez que

conhecido e constante. Se a mdia desloca-se do valor

a probabilidade de no detectar esse deslocamento na

dada por

e os limites superior e inferior de controle so

podemos reescrever a equao 4.1.1 como

em que

denota a funo distribuio acumulada normal padro. Com isso, temos

Para ilustrar a equao 4.1.2 vamos supor um grfico

com L = 3 (os limites usuais trs sigma) e tamanho de

amostra n=5. Queremos determinar a probabilidade de detectar um deslocamento para

na primeira

amostra seguinte ao deslocamento. Ento, desde que L=3, k=2 e n=5 temos

Este o risco

ou a probabilidade de no detectar o deslocamento. Dessa forma, a probabilidade que esse

deslocamento seja detectado na primeira amostra subsequente dada por

Para construir a CCO para o grfico

devemos plotar o risco

contra a magnitude do deslocamento que queremos

detectar, expresso em unidades (k) do desvio padro, para vrios tamanhos de amostra n. Essas probabilidades
podem ser calculadas diretamente da equao 4.1.2.
Exemplo 4.1.2: Consideremos L=3, n variando de 2 a 10 e diferentes valores para k obtemos as CCO apresentadas
na Figura 4.1.7.

Figura 4.1.7: CCO para o grfico

Tabela 4.1.2: Valores de

com limites 3-sigma.

para diferentes valores de k e n.

A Figura 4.1.7 indica que para tamanhos de amostras tpicos de quatro, cinco e seis o grfico
particularmente eficiente em detectar um deslocamento pequeno (da ordem de
aps deslocamento. Por exemplo, se o deslocamento de

no

ou menos) na primeira amostra

e n=5, ento da Figura 4.1.7 temos que

aproximadamente. Assim, a probabilidade de que o deslocamento seja detectado na primeira amostra

Entretanto, a probabilidade de que o deslocamento seja detectado na segunda amostra
enquanto que a probabilidade de que ele seja detectado na terceira amostra
. Assim, a probabilidade de que o deslocamento seja detectado na -sima
amostra subsequente simplesmente (
uma das

) vezes a probabilidade de no se detectar o deslocamento em cada

amostras iniciais, ou

Em geral, o nmero esperado de amostras tomadas antes que o deslocamento seja detectado simplesmente o
average run length (comprimento mdio das corridas) ou

Portanto, no nosso exemplo temos

Em outras palavras, o nmero esperado de amostras tomadas para detectar o deslocamento de

com n=5 4.

A discusso acima fornece um argumento que d suporte para o uso de amostras de tamanhos pequenos para o
grfico

. Muito embora tamanhos pequenos de amostras sempre resultam em um risco

relativamente grande,

uma vez que as amostras so coletadas e testadas periodicamente existe uma boa chance de que o deslocamento
seja detectado razoavelmente rpido, talvez no na primeira amostra seguinte ao deslocamento.
CCO para o grfico

com limites

Para construir a CCO para o grfico

utilizamos a distribuio da amplitude relativa

valor do desvio padro do processo original seja

deslocamento para um novo valor de

digamos

Suponhamos que o

Ento, a CCO descreve a probabilidade de no detectar um

na primeira amostra subsequente ao deslocamento.

Contudo, para determinarmos a chance de que tal deslocamento seja apanhado pelo grfico

em uma nica

amostra, devemos calcular a probabilidade de que uma amostra (por exemplo de cinco itens) venha a ter uma
amplitude menor ou igual ao LSC (limite superior de controle). Assim, basta calcular

em que
A probabilidade de que

Podemos notar que para

uma constante tabelada no Apndice.

seja menor ou igual ao LSC a mesma de que

seja menor ou igual a

as CCO apresentam probabilidades muito prximas de 1 para

ou seja,

uma vez

que nesses casos no h limite inferior. Dessa forma, a probabilidade de no detectar um deslocamento dada pela
equao 4.1.3. Para

o grfico

com limites

tem um limite inferior e ento

Portanto, com os clculos apresentados acima obtemos as CCO's para o grfico

mostra a Figura 4.1.8.

calculado como

para n variando de 2 a 10, como

Figura 4.1.8: CCO para o grfico

Tabela 4.1.3: Valores de

com limites 3-sigma.

para diferentes valores de k e n.

Observando a Figura 4.1.8 podemos notar que o grfico

no muito eficiente para detectar deslocamentos do

processo para tamanhos pequenos de amostras. Por exemplo, se o desvio padro do processo dobra (isto ,
), que um deslocamento razoavelmente grande, ento amostras de tamanho 5 tm somente cerca
de 40% de chance de detectar esse deslocamento em cada uma das amostras subsequentes. Muitos engenheiros da

qualidade dizem que o grfico

insensvel para deslocamentos pequenos ou moderados para os usuais subgrupos

de tamanhos n=4, 5 ou 6. Se n > 10 ou 12, o grfico

deveria ser usado ao invs do grfico

As CCO's das Figuras 4.1.7 e 4.1.8 assumem que os grficos

so usados para monitorar processos online, isto

, monitorar processo na fase II. ocasionalmente til estudar a performance estatstica de um grfico usado para
analisar dados do passado (fase I). Isto pode dar alguma indicao de como o nmero de subgrupos preliminares
usados para estabelecer o grfico de controle afeta a habilidade do grfico em detectar condies de fora de controle
que pudesse existir quando os dados foram coletados. de tais estudos analticos, assim como da experincia
prtica que a recomendao para usar cerca de 20 a 25 subgrupos preliminares para estabelecer os grficos

faz sentido.
Average Run Length (ARL) para o grfico
O Average Run Length uma medida de equilbrio do erro de Tipo I, que representa o controle excessivo ou alarme
falso ou ento do erro de Tipo II, que o controle inadequado. representado pelo nmero de amostras esperada de
subgrupos entre os sinais "fora de controle". O Average Run Length pode ser expresso como

ou

para o ARL "sob controle", e

para o ARL "fora de controle".

Esses resultados so realmente intuitivos. Se as observaes plotadas no grfico de controle so independentes,
ento o nmero de pontos que devem ser plotados at o primeiro ponto exceder os limites de controle uma varivel
aleatria geomtrica com parmetro p. A mdia dessa distribuio simplesmente 1/p, que o comprimento mdio
das corridas (average run length).
Uma vez que relativamente fcil desenvolver uma expresso geral de
na mdia de

para o grfico

detectar um deslocamento

(equao 4.1.2), ento no difcil construir um conjunto de curvas ARL para o grfico

4.1.9 apresenta as curvas ARL para amostras de tamanhos n=2, 3, 4, 5, 6, 7, 8, 9 e 10 para o grfico

A Figura

sendo o ARL

dado em termos do nmero esperado de amostras tomadas para detectar o deslocamento. Para ilustrar o uso da
Figura 4.1.9 suponha que queremos detectar um deslocamento de
o nmero mdio de amostras requeridas ser

usando uma amostra de tamanho n=3, ento

Note tambm que se quisssemos reduzir o

aproximadamente 1 deveramos aumentar o tamanho da amostra para n=16.

para

Figura 4.1.9: Average Run Length (amostras) para o grfico

com limites 3-sigma quando a mdia do processo

desloca-se em
Tabela 4.1.4: Valores de ARL para diferentes valores de k e n.

Os ARL's so objetos de algum criticismo como medidas de performance para grficos de controle. Notamos que a
distribuio do comprimento de corrida para um grfico de controle de Shewhart geomtrica e que ela pode ser
uma distribuio muito assimtrica, tal que a mdia (isto , o ARL) pode no ser a melhor medida de um tpico
comprimento de corrida. H outra questo referente ao ARL relacionada ao fato de que os clculos para um grfico
de controle especfico so geralmente baseados em estimativas dos parmetros do processo. Isto resulta em inflao
de ambos

Por exemplo, suponha que a linha central do grfico seja estimada perfeitamente mas o

desvio padro do processo seja superestimado em 10%. Isto resultaria em

consideravelmente mais

afastado do valor "terico" ou nominal de 370. Agora, com um processo normalmente distribudo, de maneira anloga
vamos subestimar o desvio padro do processo em 10%, o que resulta em um

um valor

consideravelmente menor do que 370. A mdia ento (268+517)/2=392,5 , sugerindo que erros ao estimar o desvio
padro do processo resulta em ARL's superestimados.
Duas outras medidas de performance baseadas no ARL so algumas vezes de interesse. Uma delas o tempo
mdio at o sinal, dado pelo nmero de perodos de tempo que ocorre at que um sinal seja gerado no grfico de
controle. Se amostras so tomadas em intervalos de tempo h (em horas), ento o tempo mdio at o sinal ou ATS
(average time to signal) dado por

Pode tambm ser til expressar o ARL em termos do nmero esperado de unidades individuais amostradas digamos I - ao invs do nmero de amostras tomadas para detectar um deslocamento. Se o tamanho da amostra n,
a relao entre I e ARL dada por

A Figura 4.1.10 apresenta um conjunto de curvas que descrevem o nmero esperado de unidades individuais (I) que
devem ser amostradas para o grfico
deslocamento de

para detectar um deslocamento de

por exemplo, um grfico

Note que para detectar um

com n=16 requer que aproximadamente 16 unidades sejam

amostradas, sendo que se o tamanho da amostra fosse n=3 , somente cerca de 9 unidades seria requerida, em
mdia.

Figura 4.1.10: Average Run Length (unidades individuais) para o grfico

com limites 3-sigma quando a mdia do

processo desloca-se em

Tabela 4.1.5: Valores de I (unidades individuais) para diferentes valores de k e n.

Para entender como executar essa funo do Software Action, voc pode consultar MANUAL.
4.2 - Grficos Mdia e Desvio Padro
Como dito na seo anterior, na prtica, geralmente no conhecemos e , contudo, elas so estimadas
partir de amostras preliminares tomadas em subgrupos de pelo menos 20 a 25 amostras. Suponhamos que
temos disponvel m amostras, com cada uma contendo n observaes sobre a caracterstica da qualidade.
Nas aplicaes, o nmero de observaes n pequeno e geralmente resultam partir da construo de
subgrupos racionais, em que os custos de amostragem e de inspeco associadas com as medies das
variveis so altas. Com isso, nestes casos a mdia
mdia populacional

e varincia populacional

situao, o desvio padro

e a varincia

ou seja,

so estimadores no viciados para a

e

Porm, neste tipo de

um estimador viciado para o desvio padro populacional

(para mais detalhes

consulte o livro de Montgomery, D.C. (2001)). Assim, seu valor esperado dado por:

Portanto, obtemos que o estimador no viciado para o desvio padro dada por:

Para o grfico da mdia

melhor estimador de

, tomamos

para o processo da mdia dada por:

que a linha central do grfico

tamanho n, e seja

com

as mdias de cada amostra, e com isso temos que o

Suponhamos que m amostras preliminares esto disponveis, cada um de

o desvio padro da i-sima amostra . Assim, a mdia dos m desvios padro dada por:

um estimador no viciado para o desvio padro populacional

A seguir, vamos apresentar os principais tpicos para a construo do grfico

A nica diferena na aplicao do grfico
clculo da estimativa de

(mdia e desvio padro), ao invs do

no

Estimamos

de forma direta, ou seja, atravs do clculo do desvio padro amostral.

O grfico

utilizado quando o tamanho da amostra grande (> 10 ou 12). Alm disso, o

tamanho da amostra ou subgrupo pode ser varivel.

Do ponto de vista prtico, a aplicao deste grfico pode ser invivel para dados que no so
coletados de forma eletrnica, pois o operador deve calcular os desvios padro para cada ponto.
Clculo dos limites de controle
Para a construo dos limites de controle para o grfico
Assim, os limites de controle para o grfico da mdia

usamos o fato de

so dadas por:

ser o estimador de

5.2 - Grfico np - nmero de defeituosos

O nmero de defeituosos np se define como o nmero de itens defeituosos (no conformes) na amostra.
O nmero de defeituosos np pode estar referido amostras de tamanhos fixos n coletadas regularmente ou ento a
100% da produo num determinado intervalo de tempo, como por exemplo, uma hora, um dia, etc. Isso significa que
os subgrupos podem, em princpio ter tamanho varivel. Como consequncia da variabilidade do tamanho amostral
os limites de controle tambm tero amplitude varivel.
A construo dos grficos np tambm tem por base a distribuio binomial, e este grfico de controle s pode ser
construdo quando lidamos com amostras de tamanhos iguais.
Os Limites de Controle so obtidos diretamente da carta p e esto descritos a seguir:

Exemplo 5.2.1: Ilustraremos a aplicao da carta np com os dados do Exemplo 5.1.1.

clique aqui para efetuar o download dos dados utilizados nesse exemplo

A seguir temos os resultados obtidos pelo Software Action para esse exemplo.

Figura 5.2.1: Grfico np.

Para entender como executar essa funo do Software Action, voc pode consultar

5.3 - Grfico c - nmero de defeitos por amostra

Dependendo do tipo de produto mais natural considerar o nmero de defeitos por unidade amostral e no o nmero
de itens defeituosos. Cada unidade pode consistir de vrios itens, isto , ela pode ser definida como sendo um
subgrupo de itens. O essencial que nas diferentes unidades amostrais exista a mesma chance de ocorrerem
defeitos.
O grfico c empregado considerando o nmero de defeitos por subgrupos, quando todos estes subgrupos forem do
mesmo tamanho, isto , tiverem o mesmo nmero de itens.
Duas situaes onde o grfico c tipicamente aplicvel:
1. Quando os defeitos esto distribudos num fluxo mais ou menos contnuo de algum produto onde poder-se-ia
definir o nmero mdio de defeitos;
2. Quando defeitos de diferentes tipos e origens podem ser encontrados na unidade amostral.
Os limites de controle so:

em que

, sendo que

so o nmero de defeitos em cada um dos k

subgrupos.
Exemplo 5.3.1: A Tabela 5.3.1 apresenta o nmero de no-conformidades observadas em 26 amostras sucessivas
de 100 circuitos impressos. Note que por comodidade limitou-se em 100 o nmero de no-comformidades possveis,
desta forma temos 26 amostras com 516 no-comformidades.

Tabela 5.3.1: Dados dos circuitos impressos.

Amostra

No conformidades

Frao de defeituosos

21

0,21

24

0,24

16

0,16

12

0,12

15

0,15

0,05

28

0,28

20

0,2

31

0,31

10

25

0,25

11

20

0,2

12

24

0,24

13

16

0,16

14

19

0,19

15

10

0,1

16

17

0,17

17

13

0,13

18

22

0,22

19

18

0,18

20

39

0,39

21

30

0,3

22

24

0,24

23

16

0,16

24

19

0,19

25

17

0,17

26

15

0,15

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Desta forma os limites de controle so dados pela seguinte forma

A seguir temos os resultados obtidos pelo Software Action para esse exemplo.

Figura 5.3.1: Carta de controle.

Aps avaliar a carta de controle (Figura 5.3.1), o engenheiro responsvel pelo controle de qualidade do setor
constatou que existem dois pontos fora de controle. Ento foi verificado que a mquina estava descalibrada, foi ento
proposto que fossem removidas do conjunto de dados as observaes 6 e 20 e revisados os limites de controle.
Para efetuar o donwload dos dados sem as observaes 6 e 20 clique aqui.

Desta forma temos os limites de controle:

Logo, a carta de controle com os limites de controle ajustados dada na Figura 5.3.2.
A seguir temos os resultados obtidos pelo Software Action.

Figura 5.3.2: Carta de controle com os limites ajustados.

Retirando as observaes 6 e 20 podemos observar que os dados encontram-se dentro dos limites de controle.
Para entender como executar essa funo do Software Action, voc pode consultar o
5.4 - Grfico u - taxa de defeitos por unidade
Frequentemente o nmero de unidades que compem os subgrupos varivel. Nesses casos estamos interessados
em controlar a taxa de defeitos por unidade e, o grfico a ser utilizado ser o Grfico u.
O valor da varivel u num subgrupo que contenha ni unidades amostrais onde sejam encontrados c defeitos, dado
por

Para os grficos u os limites de controle so:

em que

sendo que

representam os nmeros de defeitos e

representam os tamanhos dos k subgrupos.

Apresentaremos no Exemplo 5.4.1 o procedimento de como calcular e interpretar um caso onde as amostras tm
tamanhos diferentes.

Exemplo 5.4.1: Em uma empresa textil as roupas tingidas so inspecionadas para a ocorrncia de defeitos por 50
metros quadrados. Os dados dos 10 lotes de inspeo esto na Tabela 5.4.1. Usaremos estes dados para ajustar
uma carta de controle para as no-conformidades por unidades.
Tabela 5.4.1: Dados da inspeo.
Qtde metros
quadrados

Lote

No-conformidades Unidades inspecionadas

(c)
(n)

No-conformidades
por unidade (u=c/n)

500

14

10

1,400

400

12

1,500

650

20

13

1,538

500

11

10

1,100

475

9,5

0,737

500

10

10

1,000

600

21

12

1,750

525

16

10,5

1,524

600

19

12

1,583

10

625

23

12,5

1,840

153

107,5

TOTAL

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Notamos que

equivale a razo entre o total de no-conformidades em relao ao nmero total de inspees por

unidade. Os limites de controle sero calculados individualmente em relao ao tamanho da amostra (ver Tabela
5.4.2).
Os limites de controle para a amostra 1 (Lote 1), considerando tamanho da amostra n i = 10, so dados por

O clculo dos limites de controle anlogo para as outras amostras.

Tabela 5.4.2: Limites de controle calculados para cada amostra.
Lote i

ni

LSC

LIC

10

2,550486621

0,289513379

2,683922466

0,156077534

13

2,411502357

0,428497643

10

2,550486621

0,289513379

9,5

2,5798548

0,2601452

10

2,550486621

0,289513379

12

2,451988372

0,388011628

10,5

2,523241976

0,316758024

12

2,451988372

0,388011628

10

12,5

2,431137973

0,408862027

A seguir temos os resultados obtidos pelo Software Action para esse exemplo.

Figura 5.4.1: Carta de controle para o exemplo.

Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.

Exemplo 5.4.2: Consideremos na tabela a seguir o nmero de no-conformidades observadas em 26 amostras

sucessivas de 100 circuitos impressos. Note que por comodidade limitou-se em 100 o nmero de no-comformidades
possveis, desta forma temos 26 amostras com 516 no-comformidades.
Tabela 5.4.3: Dados dos circuitos impressos.
Amostra

No-conformidades

21

24

16

12

15

28

20

31

10

25

11

20

12

24

13

16

14

19

15

10

16

17

17

13

18

22

19

18

20

39

21

30

22

24

23

16

24

19

25

17

26

15

TOTAL

516

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Podemos notar que

equivale a razo entre o total de no-conformidades em relao ao nmero total de inspees

por unidade. Neste exemplo as 26 amostras tm tamanhos constantes e iguais a 100, ou seja, n i = 100 para todo i.
Com isso, os limites de controle so dados por

A seguir temos os resultados obtidos pelo Software Action para esse exemplo.

Podemos observar que foram detectados dois pontos a mais de 3 desvios padro da linha central, indicando uma
possvel causa especial de variao.
Para entender como executar essa funo do Software Action, voc pode consultar

6 - Cartas de Controle para Pequenos Lotes

Para evitar custos desnecessrios os fabricantes esto produzindo quantidades menores de modo mais frequente.
Para atingir as eficincias dos processos para pequenos lotes essencial que os mtodos de CEP possam verificar
se o processo est verdadeiramente sob controle estatstico, ou seja, se ele previsvel e se
pode detectar variaes devido as causas especiais durante esses pequenos "lotes".
Wheeler (1991) descreve quatro requisitos para um "Estado Ideal" da operao do processo que essencial para a
concorrncia nessa rea:
1. O processo deve ser estvel ao longo do tempo.
2. O processo deve ser operado de forma estvel e consistente.
3. A meta do processo deve ser definida e mantida no nvel adequado.
4. Os limites naturais do proceso devem estar dentro dos limites da especificao.
possvel criar cartas de controle efetivas mesmo com quantidades pequenas de dados. As cartas orientadas para
pequenos lotes permitem que uma nica carta seja usada para o controle de vrios produtos. Existem inmeras
variaes sobre esse tema. Entre as cartas para pequenos lotes mais descritivas, esto: a carta nominal (DNOM) e a
carta padronizada

e R.

6.1 - Carta Nominal - DNOM

Quando h uma variao comum e constante entre os produtos podemos usar o DNOM. Essa abordagem se baseia
na utilizao de apenas uma carta para o controle dos produtos. Isso porque, os processos de produo para

pequenos lotes de diferentes produtos podem se caracterizar facilmente em uma nica carta pela marcao, na
carta, das diferenas existentes entre a medio do produto e seu valor alvo.
Sua idia consiste em codificar os dados obtidos, como desvios, a partir de um ponto de referncia comum: a medida
nominal N da especificao. A base para esse procedimento reside em que, sendo X a varivel gerada na operao e
N a sua respectiva medida nominal, uma constante, ento esta codificao de dados somente afeta a mdia mas no
a amplitude, nem a varincia e nem o desvio-padro.
Admitindo-se que o processo em estudo esteja sob o controle estatstico e que os diferentes tipos de produtos
produzidos tenham iguais varincias, se forem empregados os grficos da mdia e da amplitude (

e R), os limites

de controle para o grfico da amplitude, segundo o CEP convencional, so:

e como a codificao de dados anteriores no afeta a disperso das medidas, temos

No grfico da mdia, como j visto anteriormente, os limites de controle do CEP convencional so

ou

Subtraindo-se N de todos os termos da desigualdade anterior temos

e, fazendo-se

segue que

ou ainda,

resultando em

Assim, medida que as amostras forem sendo coletadas, suas medidas individuais sero codificadas, conforme
(equao 6.1.1), e os valores de e R sero marcados nos seus respectivos grficos de controle.
As seguintes etapas devem ser executadas para a correta utilizao desta tcnica em grficos de controle da mdia
e da amplitude (

e R):

1. Determinar a medida nominal N do tipo do produto em produo, a partir da sua especificao de

engenharia;
2. Coletar amostras de tamanho n (n > 1) constante;
3. Calcular a mdia
4. Codificar as mdias

e a amplitude R das amostras;

subtraindo de cada uma delas a medida nominal N (equao 6.1.2);

5. Repetir as etapas de 1 a 5, segundo a frequncia de coleta de amostras pr-estabelecida, enquanto o

mesmo produto estiver sendo produzido;
6. Quando o equipamento for ajustado para a produo de outro tipo de produto a nica mudana no
procedimento ser a determinao da nova medida nominal. Os valores da mdia codificada

e da amplitude

R do novo produto continuam sendo marcados no mesmo grfico;

7. Quando houver um nmero mximo e suficente de amostras calcular os limites de controle por meio das
frmulas convencionais, porm empregando as mdias codificadas.
Exemplo 6.1.1: Na usinagem bruta de dimetros externos (eixos) em torno mecnico foram retiradas 25 amostras,
cada uma constituda de 3 peas, obtendo-se os valores da Tabela 6.1.1.
Tabela 6.1.1: Dimetros externos (eixos) em torno mecnico.
Amostra

Pea

P1

P2

P3

220

219,7838

220,0287

220,0922

219,9682

0,308384

-0,0318

220

219,9046

220,1229

220,2368

220,0881

0,332242

0,088082

220

219,8345

220,0862

219,9268

219,9492

0,251692

-0,05079

220

219,7302

220,001

220,0357

219,9223

0,305502

-0,07769

220

220,1644

220,3151

219,9806

220,1534

0,33448

0,153371

260

259,8635

260,1847

259,867

259,9718

0,321234

-0,02825

260

259,7917

259,9042

259,908

259,868

0,116253

-0,13203

260

259,8264

259,8535

259,6465

259,7755

0,20696

-0,22452

260

259,6421

260,0869

259,9488

259,8926

0,444791

-0,10744

10

260

259,8945

260,0154

260,3685

260,0928

0,474033

0,092769

11

320

319,7366

319,5236

319,7053

319,6552

0,213026

-0,34481

12

320

319,8834

319,415

319,8163

319,7049

0,468446

-0,29508

13

320

320,2431

320,1935

319,9893

320,142

0,253778

0,141982

14

320

319,9805

320,0828

320,0418

320,035

0,102364

0,035019

15

320

320,4944

320,4552

320,0477

320,3324

0,446676

0,332414

16

240

239,8076

239,7787

240,2064

239,9309

0,427712

-0,06909

17

240

240,1663

240,1888

240,2023

240,1858

0,036012

0,185776

18

240

240,1662

240,1382

240,1141

240,1395

0,052086

0,139503

19

240

240,017

239,9212

240,0397

239,9926

0,118577

-0,00737

20

240

240,2081

240,0484

239,9119

240,0562

0,296133

0,056153

21

300

300,0479

300,1325

299,9955

300,0587

0,137019

0,058656

22

300

300,2815

299,9451

300,0365

300,0877

0,336475

0,087714

23

300

299,7173

300,383

300,4608

300,187

0,743451

0,187028

24

300

300,0009

300,0487

300,0038

300,0178

0,047797

0,017781

25

300

299,5822

300,4351

299,7919

299,9364

0,852914

-0,06362

7,628039

0,143761

Total

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Sero empregados os grficos da mdia codificada e da amplitude R, portanto:

Utilizando o Apndice temos, para n = 3 (tamanho de cada amostra), D4 = 2,574; D3 = 0 e A2 = 1,023.

Dessa forma, os limites de controle para o grfico da amplitude R so dados por:

Os limites de controle para a mdia codificada

ou seja, os limites de controle para o grfico

so dados por:

A segui temos os resultados obtidos pelo Software Action para esse exemplo.

A Figura 6.1.1 apresenta estes grficos de controle, com os pontos marcados. Percebe-se que h causas especiais
atuando em algumas amostras, com relao mdia codificada.

Figura 6.1.1: Grficos

e amplitude.

Para entender como executar essa funo do Software Action, voc pode consultar o

6.2 - Carta Padronizada Xbar e R

A abordagem DNOM assume uma variao comum e constante entre os produtos controlados por uma nica carta.
Quando existem diferenas substanciais nas variaes desses produtos, o uso do desvio do alvo do processo tornase problemtico. Nesses casos os dados podem ser padronizados para compensar as diferentes mdias do produto
e a variabilidade. Essa classe de carta s vezes chamada de carta Z ou Zed.
No caso da utilizao dos grficos de controle da mdia e da amplitude (

), admitindo-se que o processo est

sobe controle e so conhecidas sua mdia e sua disperso tem-se, para a amplitude, segundo o CEP convencional:

ou

Como o termo

uma estimativa do desvio-padro populacional , a expresso anterior pode ser reescrita na forma

e, padronizando a expresso anterior, obtemos que

Para o grfico de controle da mdia, tem-se

em que

a mdia ponderada das mdias amostrais por tipo de pea, usando como pesos os seus respectivos

tamanhos de amostras

e como o tamanho da amostra pode ser varivel, ento

em que i o nmero de diferentes peas e j o nmero de peas analisadas em cada amostra. Padronizando-se a
expresso anterior temos

As etapas para a aplicao da metodologia, em grficos de mdias e da amplitude (

), so as seguintes:

1. Traar nos grficos os limites de controle para as mdias e para as amplitudes padornozadas: -3 e 3, em
ambos os casos;
2. Determinar as estimativas da mdia e do desvio-padro populacionais,

a serem empregadas na

padronizao das medidas do produto em produo;

3. Coletar amostras de tamanho qualquer (n > 1), de acordo com a frequncia pr-estabelecida;
4. Calcular a mdia

e amplitude

dos valores;

5. Para cada amostra, padronizar a sua mdia (equao 6.2.2) e a sua amplitude (equao 6.2.1);
6. Marcar os pontos nos respectivos grficos de controle;
7. Quando um novo tipo de produto entrar em produo, devem-se obter novas estimativas para a mdia e o
desvio-padro populacionais.
Exemplo 6.2.1: Consideremos os mesmos valores da tabela do Exemplo 6.1.1. Admitimos

como sendo as

estimativas para a mdia e para o desvio-padro populacionais, respectivamente.

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Para o tipo de pea 1 temos:

em que d2 = 1,693 (para n = 3), tabelado no Apndice.

Para os outros tipos de pea o clculo anlogo e os valores encontram-se na tabela abaixo.
Tabela 6.2.1: Mdias e desvios-padro por tipo de pea.
Tipo de Pea (p)
1

220,016

0,306

0,181

259,92

0,312

0,185

319,974

0,297

0,175

240,061

0,186

0,11

300,057

0,423

0,25

Vamos obter agora os valores codificados:

Tipo de pea 1

Mdia padronizada:
Amostra 1

Amostra 2

Amostra 3

Amostra 4

Amostra 5

Amplitude padronizada:
Amostra 1

Amostra 2

Amostra 3

Amostra 4

Amostra 5

Para os outros tipos de pea e outras amostras o clculo anlogo.

A seguir temos os resultados obtidos pelo Software Action para esse exemplo.

Figura 6.2.1: Grficos da mdia padronizada e amplitude padronizada.

Observao: Em alguns processos para pequenos lotes, o volume total da produo pode ser pequeno demais para
que a formao de subgrupos seja utilizada efetivamente. Nesses casos as medies da formao de grupos podem
funcionar ao contrrio do conceito de controle do processo e podem reduzir a carta de controle a uma funo de
relatrio de dados. Mas quando a formao de subgrupos possvel, as medies podem ser padronizadas para
acomodar esse caso.

Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.

Cartas de controle para atributos padronizados

As amostras dos dados para atributos, incluindo aquelas de tamanho varivel, podem ser padronizadas para que
vrios tipos de peas sejam marcadas em uma nica carta. A estatstica tem a forma:

Por exemplo, uma estatstica u suficiente para a taxa de defeitos deve ser padronizada como:

Este mtodo tambm se aplica s cartas np, p, c e u

7 - Grficos de Controle Multivariados
Um grfico de controle multivariado mostra como as variveis conjuntamente influenciam o processo. So utilizados
quando h correlao nas variveis em estudo.

Uma desvantagem deste tipo de grfico refere-se a uma dificuldade maior quanto sua interpretao, uma vez que
os pontos fora de controle no revelam especificamente qual ou quais variveis, ou a combinao delas, causam o
problema.
Ento, para analisar dados multivariados um procedimento que pode ser utilizado verificar a correlao entre eles e
ento trabalhar apenas com aquelas variveis que so correlacionadas. Com isso, podemos plotar em um grfico de
controle os valores da estatstica T2 de Hotelling e da varincia generalizada para essas variveis. Esse
procedimento definido adiante.
A seguir vamos discutir a construo dos grficos de controle multivariados.
Para a construo desses grficos vamos considerar dois casos: um caso em que temos observaes individuais
(no se tem rplicas) e outro caso em que temos rplicas para cada observao.
7.1 - Grficos de controle multivariados para observaes individuais
A seguir vamos apresentar a construo dos grficos de controle multivariados para observaes individuais, ou seja,
para as observaes que no possuem rplicas.
Para introduzir e ilustrar esse conceito vamos considerar dados dispostos de maneira geral como na Tabela 7.1.1.
Tabela 7.1.1: Entrada de dados
Variveis
Amostra
1
2
3

m
Mdia
Desvio padro amostral

Grfico de controle T2 de Hotelling

Para o clculo da estatstica T2 de Hotelling devemos seguir os passos abaixo.
1. Calcular a mdia para cada varivel

2. Calcular as varincias e covarincias amostrais

3. Calcular a estatstica T2 para cada amostra

em que

p o nmero de variveis

m o nmero de amostras

S a matriz de covarincia amostral

S-1 a matriz inversa de covarincia amostral

Assim, os limites de controle so dados por

em que

indicam os quantis correspondentes distribuio Beta.

A linha central do grfico de controle definido utilizando-se a mediana (isto , o quantil de 50%) da distribuio Beta
correspondente, indicado por

Grfico de controle para a varincia generalizada

O procedimento utilizado para construir os grficos de controle para a varincia generalizada padronizar os dados
utilizando o vetor de mdias e a matriz de covarincias amostrais. A padronizao feita da seguinte forma
(Montgomery (2001)

Desta forma, teremos uma matriz conforme apresentado no quadro a seguir

Variveis
Amostra
1
2
3

Desvio padro amostral

Com os dados normalizados podemos construir um grfico de controle utilizando o mesmo procedimento usado na
construo do grfico de controle usual do desvio padro

Dessa froma, os limites de controle so dados por

Limite superior de controle:

Linha Central:

Limite inferior de controle:

Exemplo 7.1.1: Temos um molde de areia onde peas de ferro so moldadas. Neste caso, nossas variveis de
interesse so a compactibilidade, o coeficiente de RCV1 e a plasticidade. Os dados so apresentados na tabela a
seguir.
Tabela 7.1.2: Variveis de Areia sem rplicas.
corrida

pea

Qtde Prod

Qtde Refugo

Compactabilidade

RCV1

Plasticidade

E188

M20700300

6288

182

36,5

22,026

28,87

E189

M20900200

655

128

36,571

21,12

29,924

E190

M20701400

1290

33

36,167

21,182

29,368

E191

M20600400

3176

316

36,5

22,134

29,822

E192

M20900900

8052

129

37,4

21,93

28,774

E193

M20900900

4436

49

37,333

21,507

28,812

E194

M20701201

6424

245

37,167

23,132

29

E195

M20700300

6000

79

38

19,653

30,885

E196

M20900900

7986

183

38

19,653

30,885

E197

M20701500

9024

108

36,5

20,993

30,568

E198

M20700600

1680

41

38,25

20,733

28,84

E199

M20701301

4248

48

37,643

19,513

28,818

E200

M20900200

1190

32

37,667

20,613

29,035

E201

M20404400

2400

36,833

22,423

26,685

E202

M20701500

4752

126

37,333

20,29

28,527

E203

M20900900

3072

43

37,167

21,083

26,24

E204

M20701500

564

19

38

20,363

29,843

E205

M20701201

1192

28

37,667

21,147

29,273

E206

M20900200

1275

25

37,667

21,147

29,273

E207

M20600400

2056

537

36

22,89

27,753

E208

M20700300

7816

85

39

20,24

29,57

E209

M20900200

1040

44

36,333

19,9

27,89

E210

M20900900

1968

16

38

19,547

27,84

E211

M20701201

5016

52

36,333

19,9

27,633

E212

M20600400

1656

524

37,667

20,937

27,84

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Para construir os grficos de controle multivariados precisamos primeiramente saber quais variveis so
correlacionadas, com isso podemos trabalhar apenas com aquelas variveis que conjuntamente influenciam o
processo. Para obter a correlao entre as variveis podemos utilizar a ferramenta Matriz de Correlao
disponibilizada pelo Software Action.
Neste exemplo vamos considerar que as 3 variveis esto correlacionadas para mostrar os clculos com detalhes.
Cuidado! A correlao deve sempre ser analisada no caso multivariado para que os resultados no sejam
mascarados.
A seguir apresentamos os passos para a construo dos grficos de controle multivariados (T 2 e Varincia
generalizada).
As mdias das variveis Compactabilidade, RCV1 e Plasticidade so, respectivamente, 37,267 ; 20,962 e 28,878. A
matriz de covarincias (S) e a matriz inversa (S-1) so dadas por

Clculo dos limites de controle para T2 de Hotelling

O clculo de T2 para a primeira corrida ( E188 ) dado por

Para as outras amostras (corridas E189 a E212) o procedimento anlogo.

Os valores de T2 para todas as amostras esto dispostos no quadro abaixo.
corrida

T2

E188

1,52595

E189

2,21678

E190

2,91648

E191

2,99512

E192

1,33373

E193

0,4124

E194

5,42531

E195

3,82223

E196

3,82223

E197

4,18464

E198

1,93979

E199

2,09762

E200

0,28603

E201

4,73986

E202

0,64975

E203

5,34417

E204

1,29344

E205

0,56833

E206

0,56833

E207

4,47276

E208

5,32076

E209

5,28861

E210

3,68312

E211

5,68977

E212

1,40279

Os limites de controle com um nvel de confiana de 3 = 99,73% so dados por

sendo

m = nmero de amostras = 25

p = nmero de variveis correlacionadas = 3

Clculo dos limites de controle para a varincia generalizada

Vamos agora construir os limites de controle para a varincia generalizada. Primeiramente calculamos a mdia e
varincia, da procedemos a padronizao de cada varivel. Assim temos
Para Compactabilidade (X1)

Padronizao:

Para RCV1 (X2)

Padronizao:

Para Plasticidade (X3)

Padronizao:

As variveis padronizadas para todas as amostras so dadas na Tabela 7.1.3.

Tabela 7.1.3: Variveis padronizadas.
Compactabilidade

RCV1

Plasticidade

Desvios Padro

-1,00746

1,027

-0,00746

1,01728

-0,91431

0,15231

0,89471

0,90934

-1,44433

0,21217

0,4188

1,02127

-1,00746

1,13127

0,8074

1,15273

0,17328

0,93432

-0,08964

0,53179

0,08538

0,52594

-0,05711

0,30396

-0,1324

2,09478

0,10381

1,22339

0,96044

-1,264

1,71728

1,54967

0,96044

-1,264

1,71728

1,54967

-1,00746

0,0297

1,44594

1,23157

1,28842

-0,22132

-0,03314

0,82272

0,49208

-1,39916

-0,05197

0,97363

0,52356

-0,33717

0,13377

0,43101

-0,57058

1,41028

-1,87772

1,65546

0,08538

-0,64901

-0,30106

0,36736

-0,1324

0,11659

-2,25862

1,3054

0,96044

-0,57853

0,82538

0,85222

0,52356

0,17838

0,33748

0,17277

0,52356

0,17838

0,33748

0,17277

-1,66342

1,86115

-0,96356

1,86598

2,27236

-0,69728

0,5917

1,48912

-1,22655

-1,02553

-0,8463

0,19023

0,96044

-1,36634

-0,88909

1,22898

-1,22655

-1,02553

-1,06628

0,10626

0,52356

-0,02437

-0,88909

0,71222

A ltima coluna da Tabela 7.1.3 o desvio-padro das variveis padronizadas em relao a X 1, X2 e X3, ou seja,

Para a primeira linha, o valor 1,01728 obtido atravs do clculo de S, dado por

Precisamos ainda calcular

dado por

ou seja,

Assim a linha central do grfico de controle dado pela mdia dos desvios padro, ou seja, para este exemplo a
mdia da ltima coluna da Tabela 7.1.3, obtendo assim o valor 0,913472. Com isso, o grfico da varincia
generalizada com observaes individuais segue o mesmo raciocnio do grfico

usual.

Aplicando as frmulas e utilizando o Apndice para obter os valores de B3 = 0 e B4 = 2,266 (para n = 4) encontramos
os limites de controle, que so dados por

A seguir temos os resultados obtidos pelo Software Action para esse exemplo.

Figura 7.1.1: Grficos T2 de Hotelling e Varincia Generalizada.

Observando a Figura 7.1.1 percebemos que nenhum ponto est fora dos limites de controle e a varincia permanece
estvel ao longo do perodo observado.
Para entender como executar essa funo do Software Action, voc pode consultar o manual do usurio.

Exemplo 7.1.2: A Tabela 7.1.4 apresenta dados da rea industrial referentes espessura de engrenagens de cmbio
automotivo. A Figura 7.1.2 ilustra o formato da engrenagem.

Figura 7.1.2: Detalhe da engrenagem do cmbio.

Tabela 7.1.4: Dados referentes espessura de engrenagens.
Posio1

Posio2

Posio3

98,208

98,209

21,996

98,209

98,220

22,002

98,206

98,204

21,999

98,206

98,206

21,998

98,204

98,214

21,998

98,209

98,203

21,983

98,202

98,212

21,981

98,196

98,221

21,980

98,215

98,201

21,986

98,194

98,227

21,993

98,200

98,210

21,981

98,206

98,207

21,983

98,212

98,200

22,004

98,211

98,200

22,009

98,212

98,199

22,008

98,191

98,166

22,008

98,206

98,205

22,009

98,192

98,207

21,982

98,203

98,202

21,993

98,195

98,206

21,990

98,207

98,204

21,999

98,188

98,199

21,989

98,219

98,222

21,997

98,196

98,205

21,998

98,220

98,227

22,001

98,193

98,213

21,985

98,194

98,217

21,988

98,200

98,200

21,983

98,199

98,199

21,980

98,199

98,197

21,985

98,199

98,198

21,984

98,196

98,206

21,982

98,203

98,207

21,984

98,201

98,206

21,986

98,197

98,161

21,989

98,192

98,205

21,984

98,208

98,172

22,011

98,175

98,195

21,983

98,176

98,196

21,983

98,172

98,195

21,983

98,197

98,201

21,999

98,195

98,211

21,993

98,196

98,206

21,993

98,201

98,219

21,989

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Primeiramente vamos verificar se as variveis Posio1, Posio2 e Posio3 so correlacionadas. Para obter a
correlao entre elas vamos utilizar a ferramenta Matriz de Correlao do Software Action. Dessa forma, temos

Podemos ver que a correlao positiva (0,471) entre a Posio1 e a Posio3 significativa, comprovada pelo pvalor de 0,001 que menor do que o nvel de significncia adotado de 5%. Portanto, podemos concluir que apenas
as variveis Posio1 e Posio3 influenciam conjuntamente no processo, com isso vamos construir os grficos de
controle multivariados considerando apenas essas duas variveis.
A seguir apresentamos os passos para a construo dos grficos de controle multivariados (T 2 de Hotelling e
Varincia generalizada).
As mdias das variveis Posio1 e Posio3 so, respectivamente, 98,2 e 21,992.
A matriz de covarincias (S) e a matriz inversa (S-1) so dadas por

Clculo dos limites de controle para T2 de Hotelling

O clculo de T2 para a primeira linha do conjunto de dados, considerando agora apenas as variveis correlacionadas
(Posio1 e Posio3), da seguinte forma

Para as outras linhas o procedimento para o cculo da estatstica T2 anlogo.

Portanto, os limites de controle com um nvel de confiana de 3 = 99,73% so dados por

sendo

m = nmero de amostras = 44

p = nmero de variveis correlacionadas = 2

Clculo dos limites de controle para a varincia generalizada

Vamos agora construir os limites de controle para a varincia generalizada. Primeiramente calculamos a mdia e
varincia, da procedemos a padronizao de cada varivel. Assim temos
Para Posio1 (X1)

Padronizao para o primeiro valor da varivel Posio1:

Para Posio3 (X2)

Padronizao para o primeiro valor da varivel Posio3:

O procedimento para a padronizao dos outros valores das variveis Posio1 e Posio3 anlogo.
O desvio-padro das variveis padronizadas em relao a X 1 e X2 dado por

Logo, para a primeira linha o valor de S obtido da seguinte forma

Para as outras linhas do conjunto o clculo anlogo.

Precisamos ainda calcular

dado por

ou seja,

Assim a linha central do grfico de controle dado pela mdia dos desvios padro. Com isso, o grfico da varincia
generalizada com observaes individuais segue o mesmo raciocnio do grfico

usual.

Aplicando as frmulas e utilizando o Apndice para obter os valores de B3 = 0 e B4 = 2,568 (para n = 3) encontramos
os limites de controle, que so dados por

A seguir temos os resultados obtidos pelo Software Action para esse exemplo.

Podemos notar que o processo no manteve-se estvel ao longo do perodo considerado.

Para entender como executar essa funo do Software Action, voc pode consultar o

7.2 - Grficos de controle multivariados para observaes com rplicas

A seguir apresentamos a construo dos grficos de controle multivarados para observaes com rplicas.
Para introduzir o conceito desses grficos vamos considerar a entrada de dados, de forma geral, conforme a Tabela
7.2.1. Podemos observar agora que esses dados possuem rplicas.
Tabela 7.2.1: Entrada de dados.
Variveis
Amostra
1
1

1
2
2

2
3
3

3
m
m

m
refere-se a k-sima observao na j-sima amostra da i-sima varivel.
Aqui i = 1, ..., p ; j = 1, ..., m e k = 1, ..., n.
Para o clculo da estatstica T2 de Hotelling devemos seguir os passos abaixo:

Calcular a mdia dentro de cada amostra para cada varivel

Calcular o vetor de mdias gerais por

Calcular o vetor de varincias amostrais para cada amostra

Calcular as p(p - 1)/2 covarincias amostrais, denotadas por

Construir a matriz de covarincia amostral S da seguinte forma

para cada amostra

em que

Calcular a estatstica T2 da seguinte forma

Limites de Controle para o grfico de T2

Temos que a estatstica

para n > 1 (ver Johnson (2002)).

Limite inferior de controle (Montgomery (2001)):

Linha Central (Montgomery (2001)):

Limite superior de controle (Montgomery (2001)):

em que n = tamanho de cada amostra, m = nmero de amostras e p = quantidade de caractersticas.

Limites de Controle para a varincia generalizada

determinante da matriz de covarincia amostral, varincia generalizada (Johnson (2002)).

Limite inferior de controle (Montgomery (2001)):

Linha Central (Montgomery (2001)):

Limite superior de controle (Montgomery (2001)):

em que

sendo p = nmero de variveis e n = nmero de observaes em cada grupo.

Exemplo 7.2.1: Um qumico est interessado em verificar a relao entre a quantidade de horas que determinados
corpos-de-prova ficam submetidos uma estufa e a porcentagem (%) de umidade neles contida. A estufa foi mantida
a temperatura constante e tomamos amostras de tamanho 5 para cada dia. Os dados esto dispostos na Tabela
7.2.2.
Tabela 7.2.2: Dados do experimento.
Data da Medio

CP

Nmero de
horas

Umidade(%)

Data da
Medio

CP

1/1/2001

1/6/2001

5,8

6,5

5,6

5,8

5,2

6,4

6,2

4,5

1,5

5,2

5,6

5,4

5,8

4,5

1/2/2001

1/3/2001

1/7/2001

1/8/2001

Nmero de
Umidade(%)
horas

1/4/2001

1/5/2001

1,4

5,2

5,6

6,2

4,5

3,5

4,5

4,5

4,2

5,2

6,5

2,2

5,5

5,5

6,5

1/9/2001

1/10/2001

clique aqui para efetuar o download dos dados utilizados nesse exemplo

Primeiramente precisamos verificar se as variveis a serem analisadas so correlacionadas. Para isso podemos
utilizar a ferramenta Matriz de Correlao do Software Action.
Neste exemplo consideraremos que existe correlao entre as variveis Nmero de horas e Umidade apenas para
trabalhar com as mesmas conjuntamente e exemplicar os clculos com detalhes.
Cuidado! A correlao deve sempre ser analisada no caso multivariado para que os resultados no sejam
mascarados.
Para a primeira amostra (1/1/2001), temos:

Clculo dos limites de controle para T2 de Hotelling

O clculo da estatstica T2 para a primeira amostra dado por

Na tabela a seguir temos as mdias e varincias para o grfico T2 calculadas para todas as amostras.
Tabela 7.2.3: Mdias e Varincias para o grfico T2.
Amostra
1

3,4

6,7

3,8

0,2

0,025

4,58479

6,28

1,5

0,572

0,3

8,95074

3,4

5,56

2,3

5,888

2,52

0,0739

3,2

4,64

1,2

2,073

0,89

1,55585

4,88

0,5

2,977

0,825

0,69618

5,04

1,5

0,908

0,9

0,38176

3,6

4,64

2,3

3,553

1,495

2,43094

4,6

5,7

3,3

0,87

1,225

4,18667

4,52

2,5

2,427

-0,2

1,9421

10

3,6

6,04

2,3

0,533

-0,53

1,04202

soma

32,8

54

21,2

20,001

7,45

25,84495

mdia

3,28

5,4

2,12

2,0001

0,745

2,584495

Com isso, podemos construir os limites de controle do grfico T2, com um nvel de confiana 3 = 99,73%, dados a
seguir.
Limite inferior de controle

Limite central

Limite superior de controle

Clculo dos limites de controle para a varincia generalizada

Vamos agora construir os limites de controle para a varincia generalizada, os quais so dados por

Como o valor obtido para o LIC foi negativo, tomamos como valor mnimo o zero. Sendo assim, assumimos LIC = 0.

A seguir temos os resultados obtidos pelo Software Action para esse exemplo.

Figura 7.2.1: Grficos T2 e Varincia generalizada.

Podemos notar pelos grficos que o processo manteve-se estvel ao longo do perodo.
Para entender como executar essa funo do Software Action, voc pode consultar o

8 - Grficos de Pr-Controle
Os grficos de controle

e R, mdia e amplitude, servem essencialmente para analisar a natureza da variabilidade

nos processos e para diagnosticar as causas que levam ao estado de "Fora de Controle". Por sua vez, as tcnicas
chamadas de Pr-Controle (P.C.) visam a deteco de alteraes no nvel ou na disperso do processo que levam a
fabricao de produtos defeituosos ou fora das especificaes.
O Pr-Controle foi inicialmente concebido com o intuito de ser, ao mesmo tempo, uma simplificao e melhoria das
cartas CEP clssicas.
Desenvolvido na dcada de 50, ele permite avaliar se as peas produzidas esto dentro da especificao e d um
alarme quando h uma tendncia de produzir-se peas no-conformes. Ele nada tem a ver com estabilidade do
processo, porm tem uma certa relao com a capacidade do processo, ou seja, mesmo que o processo seja
instvel, mas esteja produzindo peas dentro da tolerncia (conforme as regras do Pr-Controle) nenhum alarme
ser dado. Caso o processo no seja capaz, o Pr-Controle nada far para mudar esta situao.

Justificativa do grfico de pr-controle

Consideremos a seguir um processo centrado cuja varivel seja (aproximadamente) normalmente distribudo e cujos
limites naturais (

), coincidam com os limites de especificao da caracterstica de interesse.

Temos que:

em que

a mdia e

o desvio padro de um amostra de tamanho n.

Para um processo nestas condies verifica-se que:

Para implementar o P.C. devem ser estabelecidos limites de Pr-Controle; estes limites sero equidistantes entre
(mdia do processo) e os limites de especificao, dividindo assim o intervalo de tolerncia em regies, segundo
indica a Figura 8.1.

Figura 8.1: Limites do grfico de Pr-Controle.

Consideramos:

LIE = Limite inferior de especificao;

LIPC = Limite inferior de pr-controle;

LSPC = Limite superior de pr-controle;

LSE = Limite superior de especificao.

A regio entre os limites de P.C. abrange metade do intervalo de tolerncia, e chamado de rea alvo ou nominal
(target area). Na Figura 8.2 esta rea representada pela regio verde, que equivale aproximadamente a 86% das
observaes.

Figura 8.2: Faixas do grfico de Pr-Controle.

Pode-se observar tambm que nas condies de nossas hipteses - processo normal, centrado e de capacidade 1 a probabilidade de uma observao ter valores fora de uma das linhas de P.C. de aproximadamente 14%.
Como consequncia, quando dois itens consecutivos ficam fora do mesmo limite de P.C., o mais provvel que o
processo tenha mudado de nvel. Neste caso recomendvel o reajuste do processo a seu nvel nominal.
Por outro lado, se um item cair fora dos limites de P.C. e o item seguinte cair fora do outro limite mais provvel que
tenha acontecido uma mudana de disperso no processo, causada talvez pela introduo de algum fator
indesejvel. Nestas circunstncias os operadores do processo devero tomar medidas para imediata correo do
mesmo.
Descreveremos a seguir os passos para o Pr-Controle clssico
8.1 - Regras para operar com a tcnica de Pr-Controle
1. Divida o intervalo de especificao em regies como indicado na Figura 8.1.1;
2. Comece o trabalho;
3. Sempre que uma pea cair fora dos limites de especificao (ficar na regio vermelha), conforme Figura 8.1.1,
reajuste o processo;

Figura 8.1.1: Reestabelea o processo.

4. Se uma pea cair dentro das especificaes mas fora de um dos limites de P.C. (regio amarela), conforme Figura
8.1.2, verifique a prxima pea;

Figura 8.1.2: Check o prximo item.

5. Se a pea seguinte ficou tambm fora do mesmo limite de P.C. reajuste o processo, conforme Figura 8.1.3;

Figura 8.1.3: Reestabelea o processo.

6. Se aps o passo 4 (Figura 8.1.2) a pea seguinte est dentro dos limites de P.C., continue com o trabalho e
reajuste somente no caso em que duas peas sucessivas estejam fora do mesmo limite de P.C;

Figura 8.1.4: Continue o processo.

7. Se duas peas sucessivas aparecerem de ambos os lados dos limites de P.C. (em ambas as regies amarelas),
conforme a Figura 8.1.5, o processo deve ser imediatamente corrigido para diminuir sua disperso;

Figura 8.1.5: Reestabelea o processo.

8. Se 5 valores sucessivos ficarem dentro dos limites de P.C. (regio verde),conforme mostra a Figura 8.1.6, passe a
amostrar com a frequncia habitual (amostragem regular). Enquanto espera por 5 peas consecutivas na regio
verde, cada vez que uma pea sair fora dessa regio recomece a contagem;

Figura 8.1.6: Aumente o espaamento entre os itens amostrados.

9. Quando o processo estiver sob amostragem regular no interfira nele at que uma pea fique na regio amarela.
Neste caso observe a prxima pea e proceda como na etapa 6 (Figura 8.1.4);
10. Aps cada reajuste, 5 peas consecutivas devem ser observadas apresentando valores dentro dos limites de P.C.
antes de passar amostragem regular;
11. Se o operador registra 25 amostras sem ter tido necessidade de reajustar o processo, ver Figura 8.1.7, a
frequncia de amostragem regular pode ser diminuda permitindo que mais peas sejam fabricadas entre cada
amostra observada. Se ao contrrio, o operador deve reajustar o processo antes que 25 amostras sejam observadas,
ver Figuras 8.1.8, 8.1.9, 8.1.10, 8.1.11, e aumentar-se- a frequncia de observao. Uma mdia de 25 amostras
observadas entre reajustes um indicador de que a frequncia de amostragem regular correta.

Figura 8.1.7: Processo sob controle - continue.

Figura 8.1.8: Reestabelea o processo.

Figura 8.1.9: Reestabelea o processo.

Figura 8.1.10: Reestabelea o processo.

Figura 8.1.11: Reestabelea o processo.

8.2 - Pr-Controle de 2 estgios
O Pr-Controle clssico refere-se formulao original, j o Pr-Controle de 2 estgios uma modificao que
melhora as caractersticas operacionais do mtodo por coletar uma amostra adicional se a amostra inicial fornecer
resultados ambguos.
O Pr-Controle Modificado, por outro lado, representa um distanciamento da filosofia adotada nos outros 2 tipos, ele
tenta obter um compromisso entre a filosofia das cartas de controle e a simplicidade de aplicao do Pr-Controle.
Para ambas as verses o processo aprovado na qualificao (set-up) se so observadas 5 unidades consecutivas
na zona verde.
A diferena substancial entre eles est no mtodo de classificao de grupo. A primeira verso baseia-se na
tolerncia de engenharia ou limites de especificao, enquanto o Pr-Controle Modificado classifica as unidades
usando limites de controle como nas cartas de controle.
Tem sido sugerido que os Pr-Controle Clssico e de 2 Estgios sejam aplicveis somente se a disperso atual do
processo (6 desvios-padro do processo) cobrir menos que 88% da faixa de tolerncia.
Com limites de especificao a 1, esta condio corresponde restrio < 0,2933, ou seja,
< 0,1467 Tolerncia, ou ainda (6 < 88% da Tolerncia).
A diferena importante o critrio de deciso.
Para o Pr-Controle de 2 Estgios, amostrando-se 2 unidades, temos:

Se qualquer pea cair dentro da regio vermelha, conforme Figura 8.2.1, parar e ajustar.

Figura 8.2.1: Reestabelea o processo.

Se ambas as peas carem dentro da regio verde, conforme Figura 8.2.2, continuar a operao.

Figura 8.2.2: Processo sob controle - continue.

Se qualquer pea (ou ambas) esto na regio amarela, continue a amostrar mais 3 peas, at no mximo 5.
Continuar a operao se a amostra combinada contm 3 peas na regio verde e parar quando exitir 3 peas na
regio amarela, ou ainda, se observamos uma pea na regio vermelha, vide Figuras (8.2.3, 8.2.4, 8.2.5, 8.2.6, 8.2.7,
8.2.8, 8.2.9, 8.2.10).

Figura 8.2.3: Continue a amostrar mais 3 peas.

Figura 8.2.4: Continue a amostrar mais 3 peas.

Figura 8.2.5: Continue o processo.

Figura 8.2.7: Reestabelea o processo.

Figura 8.2.9: Reestabelea o processo.

Figura 8.2.6: Continue o processo.

Figura 8.2.8: Reestabelea o processo.

Figura 8.2.10: Reestabelea o processo

8.3 - Observaes importantes sobre os grficos de Pr-Controle

Recomendvel em processos com alta capacidade (por ex. Cpk > 1,67 - longo prazo) podendo tambm ser
usado em processos com boa capacidade (por ex. Cpk > 1,33 - longo prazo);

Aplicvel em situaes em que no se tem controle sobre a caracterstica medida (no fcil tomar uma
ao sobre o sistema) ou em que no haja preocupao com a mesma (independentemente do resultado obtido a
qualidade do produto no afetada);

No recomendvel em processos no capazes (por ex. Cpk < 1,33 - longo prazo) pois poder provocar
"tampering" ou "over-control" (reajuste excessivo do processo aumentando ainda mais a disperso);

No recomendvel para processos instveis, pois no identifica se a causa de variao comum ou

especial, o que pode gerar aes equivocadas, custos desnecessrios e descrena.
Vantagens:

Bastante simples, treinamento quase desnecessrio

Baixo custo operacional

Comparao direta com a tolerncia especificada para o produto

Incorpora procedimento de verificao de set-up

Desvantagens:

No indica condies de instabilidade do processo

No separa causas comuns de causas especiais, podendo gerar aes incorretas e custos decorrentes

Inadequado para estabilizar um processo

Se utilizado em processos no capazes pode piorar ainda mais o desempenho dos mesmos

Processos estveis porm incapazes

O procedimento de set-up de aprovao do grfico de Pr-Controle denomina um processo capaz se cada uma das 5
observaes consecutivas "carem" na regio verde. Dessa forma, para um dado Cp podemos calcular a
probabilidade que o processo aceito como capaz.

A Tabela 8.3.1 mostra a probabilidade de aceitarmos um processo como capaz em funo dos valores de Cp.
Tabela 8.3.1: Tabela de Cps
Cp
0,5

0,75

1,5

2,5

P(aceitar)

0,0489

0,221

0,4882

0,8836

0,9886

0,9928

P(rejeitar)

0,9511

0,779

0,5118

0,1164

0,0134

0,0072

Observamos na Tabela 8.3.1 que ao tomarmos 5 amostras consecutivas, a probabilidade de classificarmos

incorretamente um processo com alta capacidade (Cp = 2,0) como sendo um processo de baixa capacidade menor
que 1,34%. Entretanto, a probabilidade de classificarmos processos com baixa capacidade como sendo bons muito
grande, como o caso de um processo com capacidade igual a 1, pois a probabilidade de aceitao de 48,82%
muito prxima de rejeio, que igual a 51,18%.
A vantagem est na maior quantidade de informaes sobre o status do processo, portanto erros de deciso so
menos provveis.
O objetivo do Pr-Controle Modificado detectar desvios de estabilidade. Ele requer estimao dos parmetros
correntes do processo para determinar os limites de controle.

Para o grfico de Pr-Controle estar sob controle temos:

Todos os pontos entre as linhas de pr-controle (rea verde), conforme mostra a Figura 8.3.1.

Figura 8.3.1: Grfico de pr-controle - sob controle.

Somente um ponto entre os limites de especificaes e os limites de pr-controle (rea amarela), conforme
mostra a Figura 8.3.2.

Figura 8.3.2: Grfico de pr-controle - sob controle.

Para o grfico de Pr-Controle estar fora de controle temos:

Qualquer ponto fora dos limites de especificao (rea vermelha), conforme mostra a Figura 8.3.3.

Figura 8.3.3: Grfico de pr-controle - fora de controle.

Dois pontos consecutivos alm das linhas de pr-controle:

mesma rea amarela

reas amarelas opostas

Veja a Figura 8.3.4.

Figura 8.3.4: Grfico de pr-controle - fora de controle.

O Pr-Controle foi desenvolvido como uma alternativa s cartas de controle para manufatura de pequenos
lotes.

O Pr-Controle, como originalmente concebido, orientado ao produto (e no ao processo), ele qualifica o

processo e mantm sua sada dentro das especificaes.

O paradigma do Pr-Controle pode ser modificado para limites do processo ao invs de limites de
especificao. Isto permite que as virtudes da ferramenta sejam aplicadas a processos que tenham inicialmente sido
qualificados em um estado de controle estatstico.

Usar os valores de 3 do processo como limites (passagem das zonas amarelas para vermelhas) e ento
usar 1,5 como limites de alerta (passagem da zona verde para amarelas).
Usando amostra de tamanho igual a 5, as regras de deciso se tornam:
Passo 1: inspecionar 2 peas

Se ambas estiverem no verde, continuar o processo

Se 1 ou ambas estiverem no vermelho, implementar plano de reao e reiniciar passo 1

Se 1 ou ambas estiverem no amarelo, ir para o passo 2.

Passo 2: inspecionar mais 3 peas

Se qualquer delas estiver no vermelho, implementar plano de reao e reiniciar passo 1

Se 3/5 estiverem no amarelo, implementar plano de reao e reiniciar passo 1

Se 3/5 estiverem no verde, continuar.

Ao modificar o Pr-Controle para limites de processo sua grande fraqueza removida porm, suas virtudes
permanecem. O Pr-Controle Modificado outra ferramenta estatstica para nossa considerao.
A Ford afirma no Q - 101 que h certos mtodos estatsticos que so contra-produtivos para a filosofia de melhoria
contnua, incluindo o Pr-Controle; estes mtodos no so evidncia de melhoria contnua