Quality tools, more specifically control charts, are important statistical resources to know and to monitor production processes. Their goal is to find the common and notable causes of a process to, through monitoring, increase the stability and, from it, assess if the process is under control. The dynamics of today s industrial activities has raised new requirements for good monitoring, and in that sense, new control tools have been developed and these are able to understand the new causal relationships among variables. The research shows the use of three modeling methodologies to treat autocorrelated data enabling to monitor a productive electroplating process. Initially, it was carried out a descriptive analysis for the verification of normality and independence and, afterwards, ARIMA from Box and Jenkins models, ARMAX models of multiple linear regression, MRLM, for the subsequent construction of waste control charts. In addition to the provided academic knowledge, it presents more than one application of control charts to the industrial environment, and also collaborates with the company where the research was developed showing which of the methods is more effective in controlling the production. The best result obtained by monitoring these three statistical methodologies work when confronted with the conventional control method, i.e., without treating the autocorrelation, it was used ARIMA model and a subsequent application of waste control charts derived from this modeling. The decision of the most effective methodology for modeling electroplating was defined by the number of points found out of the conventional limits established. The one that better captured the fluctuations of the process was obtained with the residues of ARIMA. / As ferramentas da qualidade, mais especificamente as cartas de controle, são importantes recursos estatísticos para se conhecer e monitorar processos produtivos, sendo que seu objetivo é encontrar as causas comuns e assinaláveis de um processo para, com seu monitoramento, aumentar sua estabilidade e, a partir daí, considerar se o processo está sob controle. A dinâmica das atividades industriais hoje existentes fez surgir novas necessidades para um bom monitoramento, e, nesse sentido, novas ferramentas de controle foram desenvolvidas, capazes de entender as novas relações causais entre as variáveis. A pesquisa apresenta o uso de três metodologias de modelagem para tratar dados autocorrelacionados possibilitando o monitoramento de um processo produtivo de eletrogalvanização. Inicialmente foi realizada uma análise descritiva para a verificação de pressupostos de normalidade e independência e após foram ajustados os modelos ARIMA de Box e Jenkis, modelos ARMAX e modelos de regressão linear múltipla, MRLM, para posterior construção das cartas de controle dos resíduos. Além do conhecimento acadêmico proporcionado, apresenta mais de uma aplicação das cartas de controle ao ambiente industrial, e também colabora com a empresa onde a pesquisa foi desenvolvida mostrando qual das metodologias é mais efetiva no controle da produção. O melhor resultado de monitoramento obtido com o trabalho estatístico nessas três metodologias quando confrontado com o método de controle convencional, ou seja, sem tratar a autocorrelação foi utilizando a modelo ARIMA e posterior aplicação dos gráficos de controle de resíduos oriundos desta modelagem. A decisão da metodologia de modelagem mais eficaz para a eletrogalvanização foi definida pelo número de pontos encontrados fora dos limites convencionais estabelecidos. A que melhor captou as flutuações do processo foi a obtida com os resíduos do ARIMA.