Escolar Documentos
Profissional Documentos
Cultura Documentos
NOTAS DE AULA
O presente texto tem a finalidade de fornecer ao leitor as informaes bsicas sobre Controle
Estatstico de Qualidade. A primeira parte aborda o embasamento estatstico das tcnicas de
Controle de Qualidade, ou seja, trata das Distribuies de Probabilidade e da Inferncia Estatstica.
J na parte seguinte as tcnicas prprias de Controle de Qualidade so estudadas. Estas notas
seguem de muito perto a bibliografia referenciada no final do texto. A rigor os livros "Out of the
crisis" de W. E. Deming, Idias Bsicas do Controle Moderno de Qualidade de F.C. Bartman,
"Statistical Quality Control" de D.C. Montgomery so os livros textos desse curso e sugere-se a sua
aquisio. O livro do Deming existe em portugus com o ttulo de "Qualidade: A revoluo da
Administrao".
condio do artigo
perfeito x = 1
defeituoso x = 0
P(X = x)
P(X = 1) =
P(X = 0) = (1 - )
Uma v.a. desse tipo chamada de Bernoulli e representada pela notao, X ~ b(1,), X tem
distribuio Bernoulli 1, .
O conjunto de valores P(X = x) chamado de distribuio de probabilidade da v.a. X e no caso da
v.a. ser discreta a funo associada a estes valores chama-se funo de probabilidade (f.p.).
A funo de probabilidade de uma v.a. Bernoulli, b(1,), dada por:
P( X = x) = x (1 ) (1 x ) , x = 0, 1; 0 < < 1
Exemplo:
Seja Y uma v.a. que conta o nmero de itens perfeitos em uma amostra composta por n artigos.
Sabe-se que cada item perfeito com probabilidade e defeituoso com probabilidade (1 - ).
n
Y=y
0
1
2
...
...
n
P(Y =y)
p(0)
p(1)
p(2)
...
...
p(n)
Y denominada v.a. binomial e representada pela notao, Y~b(n, ), Y tem distribuio binomial
n, .
O conjunto de valores de P(Y = y) a distribuio de probabilidades da v.a. Y e os valores P(Y = y)
so associados ao valor especfico da v.a., Y, pela f.p. cuja expresso :
n
P(Y = y) = p( y) = y (1 ) n y , y = 0, 1, 2, ..., n; 0 < < 1
y
P(Y = y)
0,0000
0,0001
0,0014
0,0090
0,0368
0,1029
6
7
8
9
10
Soma
0,2001
0,2668
0,2335
0,1211
0,0282
1,0000
Funo de Probabilidade
Distribuio Binomial
n=10 =0,7
0.3
0.2
0.1
0
0
10
X
Exemplo
Seja a situao do exemplo 2 com a probabilidade do artigo ser perfeito = 0,8 e o tamanho da
amostra n = 2. Seja a v.a. Y que conta o numero de itens perfeitos na amostra.
P(Y =y) (dist. prob. de y)
evento
Y() = y
(D1,D2)
0
0,04
(D1,P2) ou (P1,D2)
1
0,32
(P1,P2)
2
0,64
VARIVEL ALEATRIA CONTNUA
Uma v.a. chamada de contnua quando o seu domnio um conjunto infinito.
Exemplo:
O exemplo clssico de v.a. contnua a v.a. Normal (Gaussiana), este modelo de probabilidade
muito usado em vrias aplicaes estatsticas. Se X uma v.a. N(; 2) ou seja uma v.a. gaussiana
com parmetros e 2, o domnio de X o conjunto dos reais R, ou seja varia de - a + e os seus
parmetros tem espao paramtrico respectivamente de R (reais) para e R+ (reais positivos) para
2.
=0 e 2 =1
0.4
0.3
0.2
0.1
0
-4
-3
-2
-1
X
Uma v.a. contnua no tem uma f.p. que associe diretamente probabilidades a valores do seu
domnio. As probabilidades so calculadas para intervalos de valores do domnio. A funo
densidade de probabilidade (f.d.p) associa aos valores de X uma certa ordenada de modo que a rea
sob a curva 1. A probabilidade de ocorrncia de um valor entre x- e x+ pode ser obtida usandose a f.d.p. (com to pequeno, quanto se queira).
No caso da v.a. X ~ N((; 2) a f.d.p tem expresso:
f ( x) =
1
1
exp{ 2 ( x ) 2 }, x , e > 0
2
2
b
f ( x) dx = 1
FUNO DISTRIBUIO
Funo distribuio ou funo distribuio acumulada (f.d.) de uma v.a. X definida como:
F(x) = P(X x)
ESPERANA E VARINCIA DE VARIVEIS ALEATRIAS
A esperana matemtica (mdia) de uma v.a. aleatria definida como segue nos casos discreto e
contnuo:
E( X) = = x P( x = x), caso v. a. discreta;
x
E ( X) = =
i =1
i =1
E( a i . X i ) = a i E( X i ), a i
4 ) Se as v.a's X1, X2, ... , Xn so independentes e integrveis ento o produto X1. X2. ... Xn
integrvel e tem-se:
E(X1.X2. ... .Xn) = E(X1).E(X2). ... .E(Xn)
Antes de se abordar as propriedades da varincia importante Introduzir o conceito de covarincia e
de correlao.
Covarincia e Correlao
Se as v.a's X e Y no so independentes ou seja a ocorrncia de certos valores para uma altera a
probabilidade da ocorrncia de determinados valores para a outra, tem-se que existe uma diferena
entre E(X.Y) e E(X).E(Y). Esta diferena chamada de covarincia e definida por:
xy = cov(X, Y) = E(XY) - E(X). E(Y)
x x y y
,
)
x
y
xy
x y
= 1 o relacionamento entre X e Y perfeito com
V( x )
i
i =1
comum a todas as variveis xi, ento [x1, x2, ... , xn] definida como amostra aleatria de tamanho n
da populao que tem densidade (distribuio) f(.).
POPULAO AMOSTRADA
Seja [x1, x2, ... , xn] uma amostra aleatria (a.a.) da populao com distribuio f(x), ento esta
populao chamada populao amostrada.
Quando se deseja informaes sobre os parmetros de uma populao (em estatstica quando se fala
em populao associa-se imediatamente uma f.p. ou f.d.p. caracterstica populacional de interesse)
toma-se uma a.a. da populao. A amostra, sendo representativa da populao, carrega informaes
sobre os parmetros.
Os resultados numricos oriundos da a.a. so chamados de estatsticas e so variveis aleatrias,
pois conforme a amostra que se tome eles assumem valores distintos, embora prximos.
ESTATSTICA
Estatstica uma funo das variveis observveis e por si prpria uma v.a. observvel que no
contm qualquer parmetro desconhecido.
Exemplo
Seja a a.a. [x1, x2, ... , xn] de uma caracterstica populacional com f.d.p. N(, 2). A mdia amostral
x e a varincia amostral s2 so estatsticas. So funes de variveis aleatrias observveis e no
dependem de qualquer parmetro desconhecido.
A descrio numrica de dados (em geral amostras) [x1, x2, ... , xn] feita usando-se as estatsticas
seguintes (principais):
Medidas de Centralidade (tendncia central)
1 n
xi
n i =1
(a mdia amostral x estima a verdadeira mdia populacional ).
. mdia amostral x =
. mdiana m e = x n +1
2
1 n
( x i x) 2
n 1 i =1
10
(a varincia amostral s2 estima a verdadeira varincia populacional 2 e mede quanto os dados esto
dispersos em torno da mdia, assim ela uma estimativa da medida de variabilidade dos dados).
. desvio-padro s = s 2
(o desvio-padro s estima o verdadeiro desvio-padro populacional , e tem a vantagem de estar na
mesma unidade de medida dos dados, e no elevado ao quadrado como o caso da varincia, mede
a disperso dos dados em torno de um valor mdio).
. amplitude R = x [ n ] x [ 1]
(a amplitude uma medida de disperso, corresponde a diferena entre o maior valor observado x[n]
e o menor valor observado x[1]).
(o coeficiente de variao uma medida relativa de disperso e mede a variabilidade dos dados em
termos de unidades da mdia).
. coeficiente de variao C v =
Exemplo
Os dados abaixo correspondem a uma amostra aleatria dos dimetro dos furos (em mm) para
fixao de certo equipamento aeronutico. Descreva os dados numericamente e graficamente.
120.5
120.9
120.9
120.8
120.3
120.3
121.3
120.2
120.4
120.3
120.2
120.4
120.1
120.5
120.5
120.2
120.7
120.8
121.1
120.9
Variable:
diametro dos furos
---------------------------------------------------------------------Sample size
20
Average
120.565
Median
120.5
Mode
120.3
Standard deviation
0.339155
Standard error
0.0758374
Minimum
120.1
Maximum
121.3
Range
1.2
Lower quartile
120.3
Upper quartile
120.85
----------------------------------------------------------------------
11
Histograma de Frequencia
5
frequencia
4
3
2
1
0
120
120.2
120.4
120.6
120.8
121
121.2
121.4
12
Lista de Exerccios
1) Os dimetros de oito mancais selecionados ao acaso so os seguintes (em mm):
50,001
50,002
49,998
50,006
50,005
49,996
50,003
50,004
125
123
136
131
131
120
140
125
124
119
137
133
129
128
125
141
121
133
124
125
142
137
128
140
151
124
129
132
160
142
130
129
125
123
122
126
87,3
86,6
88,8
94,3
90,5
87,7
94,1
82,9
82,6
94,1
90,6
89,7
85,0
90,0
90,1
93,1
86,1
96,1
92,4
90,1
87,5
85,1
86,7
88,3
89,4
93,1
86,4
84,6
96,4
88,2
85,1
87,3
87,3
97,3
96,3
89,1
85,4
89,1
86,1
85,1
93,7
95,3
83,7
84,1
87,6
93,2
85,4
86,4
95,1
90,0
90,3
91,2
94,4
91,1
84,1
91,7
86,4
93,2
95,6
90,6
97,8
87,3
83,1
92,1
91,4
87,6
84,9
92,4
94,3
94,6
90,4
98,0
90,6
95,2
84,2
84,0
83,0
84,1
88,6
86,4
84,5
13
7) Calculadoras eletrnicas so classificadas ao final de um trabalho de inspeo. Trs tipos de noconformidade podem ocorrer nas calculadoras: crtica, maior e menor. A experincia tem indicado
que os defeitos ocorrem da maneira seguinte:
calculadoras com defeitos
crticos
maiores
menores
ambos crtico e maior
ambos crtico e menor
ambos maior e menor
os trs defeitos
percentual
0,5%
1,0%
2,0%
1,2%
0,8%
0,5%
0,1%
14
(1 )
n
c) Distribuio de Poisson
Uma v.a. X tem distribuio de Poisson quando a sua f.p. dada por:
x e
, x = 0, 1, 2, ... e
x!
E ( x) = = e V ( x) = 2 =
P( ) P ( x = x ) = p X ( x ) =
15
D N D
x n x
P ( X = x) =
N
n
E ( x) = = n
x = 0, 1, 2, ..., min( n, D)
D = 0, 1, 2, ..., N
,
n = 1, 2, 3, ..., N
N = 1, 2, 3, ...
D
D
D N n
e V( x ) = n 1
N
N
N N 1
A situao do modelo hipergeomtrico aquela onde existe uma populao finita composta por N
itens. Uma parte da populao formada por itens com alguma caracterstica especial ou noconformes, D ( D N ) . Uma amostra aleatria com tamanho n selecionada da populao, sem
reposio, e o nmero de itens com aquela caracterstica especial observado, X. Neste caso a v.a.
X tem distribuio hipergeomtrica e a sua f.p. dada pela expresso acima.
Este modelo de probabilidade indicado quando se esto selecionando uma a.a. com n itens, sem
reposio, de um lote com um total de N, sendo que do total D so defeituosos. Assim a v.a. X
representa o nmero de itens defeituosos ou fora de especificao presentes na amostra.
e) Distribuio de Pascal
A distribuio de Pascal, da mesma forma que a Binomial, baseada nas chamadas "provas de
Bernoulli". Seja uma sequencia de provas independentes, cada uma com a probabilidade de sucesso
e suponha que x denota a prova na qual ocorreu o r-simo sucesso. Ento X uma v.a. com
Distribuio de Pascal e tem a seguinte f.p.:
x 1 r
x r
bn( r , ) P( X = x) = p X ( x) =
(1 )
r 1
x = r , r + 1, r + 2, ..., e r 1 (int eiro)
E ( x) = =
r
r (1 )
e V ( x) = 2 =
( x 1)!
( x 1)!
( x 1)!
com r=1 o seguinte
=
=1
( r 1)!( x 1 r + 1)!
(1 1)!( x 1)! ( x 1)!
16
a) Distribuio Normal
Uma v.a. X tem distribuio normal ou distribuio Gaussiana quando a sua f.d.p. tem a forma:
2
1
1 x
f X ( x) =
exp
, x , e > 0
2
2
Na distribuio Gaussiana a probabilidade da v.a. X assumir um valor entre a e b (a < b) dado por:
b
1
1
exp z 2 , z
2
2
E ( z) = = 0 e V ( z ) = 2 = 1
a x b
Veja que a P(a < x < b) = P
<
<
= P( z 1 < z < z 2 )
b) Distribuio Exponencial
Uma v.a. X tem distribuio Exponencial quanto a sua f.d.p dada pela expresso,
E ( ) f X ( x ) = e x , x > 0 e > 0
E ( x) = =
1
1
e V( x ) = 2 = 2
A distribuio Exponencial muito usada em Confiabilidade como modelo da v.a. tempo de falha
de um componente de um sistema. Assim, o parmetro chamado de taxa de falha do sistema e a
1
mdia denominada tempo mdio at falhar. A taxa de falha do sistema, , considerada
constante no tempo, dada a distribuio Exponencial ser considerada uma distribuio "sem
memria" pois no leva em conta o envelhecimento do equipamento. Uma proposta mais realista a
de que a taxa de falhas aumenta com o envelhecimento, o que no considerado na distribuio
Exponencial.
17
importante definir-se aqui o que se entende por taxa de falhas ou funo risco:
( t ) =
fx (t)
1 FX ( t )
1 x
x e , x 0, > 0 e > 0
( )
x m e ax dx
n
( m + 1) = m ( m) = m! (frmula de recorrncia)
( )
12 =
A mdia e a varincia da v.a. X com distribuio Gama so dadas por,
E ( x) = = e V( x) = 2 = 2
valores
18
1 2
1
1 x
2
f X ( x) =
x 2 e 2 , x 0 e N*
2
A esperana e a varincia da v.a. X so dadas por,
E ( x) = e V ( x) = 2
d) distribuio Weibull
Uma v.a. X tem distribuio Weibull quando a sua f.d.p. definida por:
f X ( x) = x 1e x , x + , + , +
Se = 1 a distribuio Weibull torna-se uma exponencial com parmetro .
A mdia e a varincia da v.a. X com distribuio Weibull so respectivamente:
2
2
1
2
1
2
E( x) = = 1 + e Var ( x) = = 1 + 1 +
ax
x
b
a 1
e
ba
Z
tem distribuio t , onde o
U
19
( x )
n
n2
S i
i =1
n
N (0, 1) .
2
i
i =1
(Y n)
n(1 )
n
N (0, 1)
20
Esta aproximao aceitvel quando est em torno de 0,5 e n maior que 10.
LISTA DE EXERCCIOS N 2
1) A variabilidade do volume engarrafado de uma bebida est sendo analisada. Uma amostra com
tamanho n = 10 foi tomada do processo. Os volumes medidos e os resultados so os seguintes, na
unidade adequada:
10,05
10,03
10,02
10,04
10,05
10,01
10,02
10,02
10,03
10,01
Descreva a amostra.
2) Seja a v.a. X que representa o nmero de itens defeituosos presentes em uma amostra de tamanho
n = 10, tomada de um lote que possui 100 itens, inclusive 5 defeituosos. A amostra tomada sem
reposio. Calcule a probabilidade de aparecer na amostra no mximo 1 dos defeituosos.
3) Em um processo de produo de tecido aparecem determinado defeito com uma mdia de 4
defeitos por unidade de comprimento. Calcule probabilidade de em uma unidade de comprimento
selecionada ao caso ocorrer no mximo 2 defeitos.
4) A resistncia a trao uma caracterstica muito importante do papel usada para fazer sacolas
para carregar mantimentos. Supondo que a v.a. X represente esta fora e que ela tem uma
distribuio N(40, 4) para determinado tipo de papel e que a ala dessa sacola requer que a fora de
resistncia seja de pelo menos 35 unidades, calcule a probabilidade de que uma sacola produzida
com este papel atinja ou exceda a especificao.
5) O dimetro do pino de metal usado em uma unidade de "disk-drive" normalmente distribuda
com mdia de 0,2508 e desvio-padro de 0,0005 unidades. A especificao de projeto do pino
estabeleceu que o dimetro deve ficar entre 0,2500 0,0015 unidades. Determine a frao de
defeituosos produzidos de acordo com a especificao.
21
2. INFERNCIA ESTATSTICA
2.1- INTRODUO
A Inferncia Estatstica a parte da Cincia Estatstica que trata do estudo dos procedimentos de
estimao de parmetros e de testes de hipteses sobre os parmetros.
Como se sabe, em geral os parmetros de um processo so desconhecidos. Assim, necessita-se de
procedimentos para estima-los, e alm disso verificar algumas hipteses sobre os valores dos
parmetros. Estas hipteses so verificadas por meio de testes estatsticos.
2.2- AMOSTRAGEM DA DISTRIBUIO NORMAL
Suponha que a varivel aleatria X tenha distribuio com
mdia e varincia 2
2
( E( x) = x e E( x ) = 2x ) e suponha ainda que se tome uma amostra aleatria de tamanho n,
[x1,x2,x3, ... ,xn], desse processo. Ento da amostra aleatria obtemos as estatsticas principais:
mdia amostral x =
1 n
xi
n i =1
varincia amostral s2 =
x i N ( ; 2 )
1 n
( x i x) 2
n 1 i =1
n
n
Existem vrias variveis aleatrias importantes oriundas de uma amostra aleatria da distribuio
Normal, x N ( ; 2 )
1 ) ( n 1)
s2
2n 1
2
22
f Z ( z) =
1
1
exp z 2 , z
2
2
x
3 ) Z =
N(0, 1)
n
A varivel aleatria acima tem distribuio Normal padro.
Qual a mdia da varivel aleatria x ?
Resposta: A mdia da varivel aleatria x o parmetro .
Qual o desvio-padro da varivel aleatria x ?
Resposta: desvio-padro da varivel aleatria x
.
n
x
4 ) t =
t n 1
s
n
A varivel aleatria acima tem distribuio "t" de Student com n - 1 graus de liberdade.
Qual a expresso da distribuio de probabilidade da varivel aleatria t ?
Resposta: A expresso da funo densidade de probabilidade da varivel aleatria t
n + 1
( k +1)
2 t2
2
fT ( t) =
, n > 0, t
+ 1
n
n
n
2
Qual a mdia e qual a varincia da varivel aleatria t ?
Resposta: A mdia da varivel aleatria t zero e a varincia
n
para n>2.
n2
Qual o nmero de graus de liberdade associado a varivel aleatria t ou seja quando se diz:
varivel aleatria "t" de Student com graus de liberdade, o que significa isto ?
Resposta: O nmero de graus de liberdade associado a varivel aleatria t corresponde ao
( x )
denominador do estimador da varincia que esta introduzida na expresso
. O significado de
s
n
graus liberdade corresponde ao nmero de variveis aleatrias envolvidas na expresso do
estimador de 2.
23
s12
5 ) F =
s 22
12
Fm,n , m = n1 1 e n = n 2 1
22
A varivel aleatria acima tem distribuio F de Snedecor com n1-1 e n2-1 graus de liberdade. Os
graus de liberdade esto associados com s12 e s22 . Conforme os graus de liberdade se tem
distribuies F diferentes.
= x 1 + x 2 + x 3 + ... + x n = Y
i =1
o conjunto
(1 )
n
24
FX ( k ) = P( x k ) = P( y nk )
e como se sabe que Y b( n; ) tem-se
[ nk ]
n
FX ( k ) = P( x k ) = P( y nk ) = y (1 ) n y , onde [nk] o menor ou igual a nk.
y = 0 y
1 n
y
x i = , onde y uma varivel aleatria igual a somatria do numerador.
n i =1
n
n
FX ( k ) = P( x k ) = P( x i nk ) = P( y nk )
e da observao sabe-se y P( n) , portanto
i =1
( n) y e n
y!
y=0
[ nk ]
FX ( k ) = P( x k ) = P( y nk ) =
onde [nk] o maior inteiro menor ou igual a nk.
Qual a mdia e qual a varincia de x ?
Resposta: A mdia de x o parmetro .
E( x ) = = e a varincia V( x ) = 2 =
.
n
25
1 25
x i = 1,500
25 i =1
A mdia amostral x usada para a estimao pontual do parmetro = E( x) , ento uma boa
avaliao pontual da mdia do processo 1,500. A amostra aleatria forneceu ainda uma varincia
amostral
1 n
s =
( x i x) 2 = 0,0016
n 1 i =1
2
n 1 i =1
2
2
parmetro populacional da N(; ) .
3 ) O estimador deve ser consistente ou seja, a medida que se aumenta o tamanho da amostra, n, a
diferena entre o estimador e o parmetro diminue, chegando a coincidncia quando n o tamanho
da populao.
4 ) O estimador deve ser suficiente ou seja, o estimador funo de uma estatstica que resume
todas as informaes que a amostra aleatria tem sobre o parmetro.
26
n
parmetro
=
= n
2=n(1-)
Hipergeomtrica
tam. pop. N
se x(N+1)/n no int. D
se x(N+1)/n int
D
se x(N+1)/n int.
D
Poisson
=
Normal
2
2
Exponencial
= 1/
=
Gama
= /
=
=
estimador
x
nx
x(n-x)/(n-1)
nD/x
[x(N+1)/n] int
x(N+1)/n
x(N+1)/n-1
x
x
s2
$ 2
1/ x
x
x
( x 2/ $ 2 )
( x / $ 2 )
propriedades
UMVU, EMV
UMVU
EMV
UMVU, EMV
UMVU, EMV
UMVU
EMV
UMVU, EMV
UMVU, EMV
UMVU
Mt. Momentos
Mt. Momentos
27
28
15) O segundo principio de Deming manda que se "adote a nova filosofia", o que voc entende por
isto ?
16) O que voc acha da inspeo em massa ?
17) Voc acha que sempre muito bom se comprar pelo menor preo? Porque ?
18) Porque se deve procurar melhorar o sistema de produo e do servio constantemente ?
19) Uma empresa deve manter um programa de treinamento para os seus operrios? Porque ?
20) Qual o papel da Administrao, chefiar ou liderar os trabalhadores, porque ?
21) Porque o trabalhador deve fazer as suas tarefas sem medo? Voc concorda com isto? Porque ?
22) Em muitas companhias os Departamentos funcionam como entidades independentes. Isto
benfico para a empresa ? Porque ?
23) O que voc acha das metas quantitativas (objetivos numricos) ?
24) Um operrio que se orgulha do seu trabalho d o melhor de si para a empresa. Voc concorda
com isto ?
25) Como os processos de produo mudam rapidamente, a empresa deve se preparar
constantemente para transformaes. Como isto deve ser feito ?
26) Faa um resumo do chamado ciclo de Shewhart.
Exerccio - Ganho de Produtividade Obtido por Alterao do Sistema (da referncia [02] pginas de
5 a 7)
O superintendente de determinada fbrica sabia que existiam problemas em determinada linha de
produo. Ele achava que a mo de obra que trabalhava na tal linha cometia muitos erros, e que, se
tais erros no ocorressem, no haveriam tantas falhas. De incio obteve dados de inspeo, e
observou a proporo de defeituosos dia aps dia nas ultimas seis semanas (1 grfico a seguir). O
grfico obtido mostrou uma variao aleatria estvel, flutuando em torno de uma mdia. O nvel de
defeito e a variao diria eram ento previsveis. Consequentemente tem-se um sistema estvel de
produo de itens defeituosos. Ento, o sistema deve ser aperfeioado. Uma explicao para a
variabilidade a de que o pessoal da linha de produo no estaria entendendo bem que tipo de
trabalho aceitvel ou no. Partindo-se dessa premissa, a administrao resolveu elaborar
definies operacionais, contendo exemplos de itens bons e itens no-aceitveis. Estas definies
foram afixadas de forma acessvel a todos. Novos dados de inspeo formaram o 2 grfico, a
seguir. O novo grfico mostra que o nvel mdio de defeituosos caiu de 11% para 5%.
Proporo diria de defeituosos antes de interveno no Sistema:
0.10
0.15
0.09
0.08
0.07
0.12
0.10
0.16
0.12
0.13
0.16
0.13
0.07
0.11
0.13
0.10
0.14
0.07
0.11
0.10
0.08
0.11
0.09
0.12
0.11
0.11
29
Descrio da amostra:
Variable: acompanhamento dirio antes da interveno
---------------------------------------------------------------------Sample size
26
Average
0.11
Median
0.11
Mode
0.11
Standard deviation
0.025923
Standard error
5.08391E-3
Minimum
0.07
Maximum
0.16
Range
0.09
---------------------------------------------------------------------Grafico da amostra
proporcao de defeitos
0.17
0.167447
0.15
0.13
0.11
0.11
0.09
0.07
0.0525532
0.05
0
10
15
20
25
30
0.05
0.05
0.07
0.04
0.03
0.06
0.05
0.06
0.05
0.04
0.03
0.07
0.04
0.05
0.05
0.04
0.05
0.04
0.05
0.06
0.05
0.06
0.04
0.05
0.04
0.05
0.05
0.08
A descrio da amostra:
Variable: acompanhamento dirio depois da interveno
---------------------------------------------------------------------Sample size
28
Average
0.05
Median
0.05
Mode
0.05
Standard deviation
0.011547
Standard error
2.18218E-3
Minimum
0.03
Maximum
0.08
Range
0.05
----------------------------------------------------------------------
30
Grafico da amostra
(X 1E-3)
proporcao de defeitos
83
0.0762674
73
63
53
0.05
43
33
0.0237326
23
0
10
15
20
25
30
31
A palavra qualidade tem sido usada desde o incio desta seo. Mas, o que se entende por
QUALIDADE? A resposta no sentido tcnico a de que qualidade uma caracterstica de um
processo de produo e assim deve ser medida pela proporo de bens (e servios) produzidos que
atingem as propriedades especificadas pelo projeto ou alternativamente, a qualidade funo da
proporo de bens (e servios) defeituosos oriundos daquele processo de produo.
25.7
26.3
24.8
22.1
22.3
28.2
25.1
24.8
26.3
24.5
24.9
22.8
23.0
24.8
23.1
24.7
24.2
23.1
25.3
24.8
26.2
Variable: intervalos de enchimentos
---------------------------------------------------------------------Sample size
21
Average
24.619
Median
24.8
Mode
24.8
Standard deviation
1.50852
Standard error
0.329185
Minimum
22.1
Maximum
28.2
Range
6.1
----------------------------------------------------------------------
32
Grafico da amostra
29
27.3761
consumo
27
25
24.619
23
21.862
21
0
12
16
20
24
intervalos de enchimentos
Do grfico da Carta de Controle nota-se que de incio a quilometragem por litro estava em torno de
25 km/l, sendo que ela pode variar para cima ou para baixo. Mas observa-se no grfico que a partir
do 10 enchimento (a data uma referencia importante) os registros situam-se abaixo da mdia
sucessivamente 9 vezes. Isto uma coisa difcil de ocorrer supondo que o processo seja estacionrio
em torno da mdia. Assim, uma causa especial de variao deve ser procurada. A resposta pode ser
qualquer combinao de uma lista de possibilidades, tais como: tempo frio, combustvel diferente,
troca de motorista, transporte de carga mais pesada ou velas de ignio defeituosas (velhas).
Examinando-se estas opes de causa, cada uma delas foi descartada, sobrando as velas de ignio
como nica explicao. A troca foi feita e a Carta de Controle foi ampliada para mais 3 pontos, os
trs ltimos. Nota-se claramente que a mdia voltou ao nvel histrico. Um registro histrico da
quilometragem por litro de combustvel, datas de troca de peas, etc., importante para empresas
que tem veiculo. O prprio motorista pode estar encarregado de fazer os registros.
3.2.1- CAUSAS DA VARIABILIDADE
Diversos fatores podem contribuir para a variao no nvel de defeitos encontrados num processo.
Podem ser, por exemplo, irregularidade no material utilizado na produo (no perfeitamente
uniforme), temperatura, manuteno do equipamento, estado fsico dos operadores, etc.. Estes
fatores, que podem ser identificados, chamam-se fatores particulares ou causas especiais de
variao. Mesmo eliminando-se todos esses fatores particulares, o processo ainda ir produzir
artigos defeituosos. Isto ocorre devido a existncia dos fatores inerentes ao processo, os quais no
so identificveis. Quando se elimina um a um os fatores particulares de variao, o Grfico de
Controle mostrar somente a variao aleatria causada pelos fatores de variao inerentes ao
processo. Neste caso, o processo ser estvel, ou, de acordo com a terminologia criada por
Shewhart, o processo estar sob controle. O Grfico mostrar ento um processo aleatrio
estacionrio. Quando se consegue atingir a estabilidade, eliminando-se as causas especiais, pode-se
construir os limites de controle, que delimitam uma regio onde com uma grande probabilidade o
processo ir operar. Estes limites determinam a chamada capacidade do processo.
3.2.2- DETALHAMENTO DA BASE ESTATSTICA DOS GRFICOS DE CONTROLE
33
LIMITES DE CONTROLE
Seja um processo onde determinada caracterstica do produto tem mdia fixada em = 74 mm e
desvio-padro = 0,01 mm. A estatstica representada no grfico ser a mdia amostral x (por
exemplo), ento trabalhando-se com a distribuio de probabilidade tem-se:
E( x) =
2
e
n
x =
n
V( x ) =
Se o processo est sob controle, variando apenas por fora dos fatores inerentes ao processo (no
identificveis), espera-se que:
P( LIC x LSC) 1
onde um nmero arbitrrio, mas fixo e pequeno, da ordem de 1%. Os limites LIC (limite
inferior de controle ) e LSC (limite superior de controle) so chamados de limites probabilsticos e a
probabilidade de uma observao da v.a. X situar-se fora desses limites muito pequena, dado o
valor de . Sendo assim quando ocorrer de uma observao situar-se fora dos limites de controle,
isto ter como causa um fator particular (identificvel) de variao. claro que a observao poder
ficar fora dos limites por obra do acaso, mas isto pouco provvel dado .
Uma alternativa para se construir os limites de controle defini-los em termos de mltiplos do
desvio-padro da v.a . plotada no grfico (no caso est-se considerando x ),
LIC = x k x
LSC = x + k x
onde k uma constante positiva. Um valor muito usado para k 3 e tem-se ento os limites a 3
desvios-padro. Estes limites podem ser construdos mesmo nas situaes onde a distribuio de
probabilidade da v.a. X no seja conhecida. Quem garante este fato a chamada Desigualdade de
Tchebychev:
P( X )
2
> 0
2
34
Considerando a situao onde = 74,0 mm a mdia da v.a. que est associada com o dimetro do
anel do pisto e = 0,01 mm o seu desvio-padro, tem-se para a estatstica x de amostras
aleatrias com tamanho n = 5 anis tomadas de hora em hora do processo, as estatsticas seguintes:
x =
= 0,01 = 0,0045
n
5
LIC = 74,0 3 . 0,0045 = 73,9865
LSC = 74,0 + 3 . 0,0045 = 74,0135
estes so os limites de controle a 3 desvios-padro.
Grafico da amostra
(X 0.01)
74.02
media amostral
7402
7401
7400
74
7399
73.98
7398
0
8
numero da amostra
12
16
35
x 0
N(0, 1)
LIC 0
LSC 0
e zs =
n
n
36
zi
zs
Se ocorre de z situar-se entre os valores zi e zs, como acima, aceita-se a hiptese H0, isto , a
amostra tirada naquela hora do processo veio de uma populao com mdia 0 = 74,0. Mas, se
ocorre-se da estatstica z situar-se fora do intervalo (zi , zs), como na figura abaixo,
_____.___________________________.____.______
zi
zs
z
a deciso estatstica seria de que a amostra no veio de um processo com mdia = 74,0.
3.2.3- PROCEDIMENTOS GRFICOS E OUTRAS TCNICAS TEIS NO ESTUDO DA
VARIABILIDADE
Na identificao e anlise dos problemas que podem surgir em um processo, as tcnicas so as
seguintes:
IDENTIFICAO DO PROBLEMA
ANLISE DO PROBLEMA
Fluxograma
Diagrama de Pareto
Histograma
Folha de Verificao
Diagrama de Causa Efeito Diagrama de Disperso
Brainstorming
Grfico de Tendncia
Grafico de Controle
Tcnica de Grupo
Estratificao
Anlise do Campo de Foras
FLUXOGRAMA
O fluxograma uma representao grfica mostrando todas as fases do processo. O fluxograma do
processo d uma viso geral de todos os passos do processo. Pode ser aplicado a qualquer caso:
fluxo de materiais, fases da operao de vendas, fornecimento do produto, etc. Na identificao do
problema no processo (IMAGINEERING) as pessoas com maior conhecimento das fases se renem
para:
1) Desenhar o fluxograma atual do processo;
2) Desenhar o fluxograma das etapas que o processo deveria seguir se tudo ocorresse bem;
3) Comparar os dois grficos para verificar onde diferem entre s, pois a estar a raiz do problema.
37
EXEMPLO COTIDIANO
Ligar a TV
Aparece
a Imagem?
No
No
Sim
Sim
O fio est
na tomada?
Conectar
o fio
A imagem
boa?
No
Operar os
ajustes
Sim
Sim
Aparece
a Imagem?
No
A imagem
boa?
Sim
Assistir
o programa
No
Chamar a
Assistncia
Tcnica
38
EXEMPLO DA INDUSTRIA
Fluxo da Placa Impressa
Recebimento
componentes e
placa
aprovados?
devolver e
consertar
montagem
automtica
aprovados?
refazer ou
sucatear
montagem
manual
aprovados?
soldagem e
limpeza
aprovados?
refazer ou
sucatear
montagem final
aprovados?
passou no
teste final?
expedio
refazerl
39
FOLHA DE VERIFICAO
A folha de verificao um procedimento usado para responder a pergunta: "com que freqncia
certos eventos acontecem?". Para uso desta tcnica deve ser estabelecido claramente o seguinte:
-fixar qual evento est sendo estudado
-definir o perodo durante o qual os dados sero coletados
-construir um formulrio claro e de fcil manuseio
-coletar os dados honestamente
Defeito
dimenso
acabamento
peso
Total
1
II
I
IIII
7
Ms
2
II
I
II
5
3
I
I
III
5
Total
5
3
9
17
BRAINSTORMING
So reunies com o pessoal envolvido com o problema em estudo a fim de se coletar opinies sobre
causas, bem como solues possveis. Existem dois tipos de "brainstorming":
1) Estruturado
Nesta forma, cada pessoa do grupo d a sua idia em cada roda da ou "passa" at que chegue a sua
prxima vez. Isto obriga at os mais tmidos a participarem, contudo pode criar certa presso sobre
as pessoas.
2) No-estruturado
Nesta forma, os membros do grupo simplesmente do as idias conforme elas surgem em suas
cabeas. Isto cria um ambiente mais relaxado, porm existe o risco da reunio ser dominada pelos
mais extrovertidos.
Existem algumas regras que devem ser lembradas:
- Nunca criticar idias.
- Escrever em um quadro-negro ou branco todas as idias. A viso global das idias servem de
estmulo para novas propostas e tambm evita mal-entendidos.
- Escrever as palavras do participante e no a sua interpretao.
- Fazer um "brainstorming" rpido, 5 a 15 minutos so suficientes.
TCNICA NOMINAL DE GRUPO
Quando se aborda algum problema ou a forma de atacar o problema, geralmente ocorre que a
seleo do problema foi influenciada por pessoas que falaram mais alto ou tm maior autoridade.
Isto cria o sentimento no grupo de que o "seu" problema nunca ser abordado. Isto pode gerar uma
falta de comprometimento com a soluo do problema escolhido e tambm a idia de que foi
escolhido o problema "errado". A Tcnica Nominal de Grupo permite a todos do grupo uma igual
participao na seleo de problemas. Esta tcnica consiste das seguintes etapas:
40
1 ) Cada membro do grupo deve escrever ou falar sobre o problema que julgar mais importante.
Depois que todos escreverem a sua escolha de problemas recolha o papel com os problemas.
2 ) Escreva os problemas descritos onde todos possam ver. Se houver duplicidade combine-os em
um so, mas de acordo com os autores.
3 ) Pea para cada membro do grupo ordenar os problemas pelo grau de importncia crescente,
segundo o critrio de cada um.
Problema
A
B
C
D
E
O problema cuja soma dos pontos for a mais alta o escolhido, primeiramente. Da mesma forma, se
ao invs de problemas o que se pediu foi sugestes, idias, a mais votada deve ser considerada
primeiro para discusso e depois as seguintes. No exemplo acima o problema (idia) a ser discutido
primeiro o D.
ANALISE DO CAMPO DE FORAS
Toda vez que se pretende fazer mudanas, sejam pessoais ou organizacionais, existem foras
indutoras e foras restritivas agindo a favor e contra, respectivamente. um processo dinmico.
Quando ocorrem mudanas porque as "foras indutoras" so superiores s "foras restritivas".
Assim, pode-se listar estas possveis foras e analisa-las. Seja o exemplo do cotidiano "perder
peso":
FORAS INDUTORAS
ameaa sade
obsesso em emagrecer
roupas apertadas
embarao pelo peso
imagem negativa
FORAS RESTRITIVAS
perda de tempo
tendncia da famlia
faltas de recursos para "malhar"
costume de aucar nos alimentos
anos de alimentao errada.
Como a Anlise do Campo de Foras ajuda a promover mudanas? Por que fora s pessoas a
pensarem juntas sobre todos os aspectos da mudana pretendida, incentiva o pensamento criativo,
encoraja as pessoas a chegar a um consenso sobre a prioridade relativa s foras de um lado e do
outro do campo e finalmente um ponto de partida para a ao.
HISTOGRAMA: O histograma d informaes gerais sobre a distribuio de onde vieram as
observaes. A forma (o padro, o aspecto) da distribuio simtrica? assimtrica? Existe
somente um pico? O histograma, tambm, d uma idia da disperso dos dados. Por natureza o
histograma um grfico em colunas (barras) e pode se construdo com barras horizontais ou
verticais.
Exemplo 1: Sejam os dados abaixo da espessura de chapas metlicas. Tomou-se uma amostra com n
= 100 chapas e mediu-se a espessura. Faa o histograma dos dados e comente os resultados.
3.56
3.46
3.48
3.50
3.42
3.43
3.52
3.49
3.44
3.50
41
3.48
3.41
3.55
3.48
3.59
3.40
3.48
3.52
3.41
3.56
3.37
3.52
3.48
3.63
3.54
3.50
3.48
3.45
3.50
3.47
3.44
3.32
3.59
3.46
3.56
3.46
3.34
3.52
3.49
3.50
3.40
3.47
3.51
3.50
3.45
3.44
3.47
3.45
3.45
3.52
3.38
3.48
3.52
3.46
3.47
3.48
3.44
3.44
3.34
3.52
3.50
3.46
3.54
3.47
3.46
3.50
3.48
3.46
3.45
3.68
3.48
3.54
3.41
3.50
3.49
3.46
3.43
3.48
3.60
3.46
3.48
3.48
3.56
3.46
3.52
3.30
3.31
3.46
3.52
3.49
3.54
3.38
3.46
3.46
3.46
3.46
3.52
3.56
3.41
3.47
Histograma de Frequencia
40
frequencia
30
20
10
0
3.25
3.3
3.35
3.4
3.45
3.5
3.55
3.6
3.65
3.7
3.75
42
Depois do Aperfeioamento
origem do defeito nmero de
defeituosos
rudo
12
rotao imprpria 8
presso
6
falhas
4
calafetar o eixo
2
falha completa
1
outras
4
43
Grafico de Pareto
88.4
scores
68.8
94.2
97.7
100.0
80
79.1
67.4
51.6
100
60
51.2
34.4
40
17.2
20
percent of total
86
0
A
Antes do Aperfeicoamento
Grafico de Pareto
91.9
scores
29.6
97.3
100
80
81.1
70.3
22.2
100.0
60
54.1
14.8
40
percent of total
37
32.4
7.4
20
0
B
Depois do aperfeicoamento
O diagrama de Pareto revela se uma tentativa de aperfeioamento produziu resultado positivo, pois
ele mede o impacto do aperfeioamento. Isto pode ser visto nos diagramas da pgina anterior. Pelo
diagrama a administrao do processo inspecionou os fatores que poderiam causar uma rotao
imprpria. Perguntou-se aos trabalhadores cujas tarefas estavam relacionadas com estes fatores se
existia algum problema ou necessidade no seu trabalho. Os trabalhadores foram levados a se engajar
na soluo do problema de muitos defeituosos devido a "rotao imprpria". sugestes surgiram e
aptos a implantao das inovaes tem-se o segundo diagrama.
Os outros tipos de defeitos tambm foram atacados, nas circunstancias de cada um. O segundo
diagrama reflete o resultado final e pode-se observar que:
i ) O nmero de defeituosos diminuiu aptos o melhoramento;
ii ) Geralmente quando o melhoramento eficaz a ordem das barras no diagrama trocada.
Responda detalhadamente as perguntas seguintes:
1 ) O que e para que serve o HISTOGRAMA ?
2 ) O que o diagrama de Pareto ?
44
Grafico de Pareto
100.0
87.5
32
100
80
scores
72.5
24
60
52.5
16
40
20
0
A
percent of total
40
Categoria
45
mtodo de trabalho
qualidade
mquinas
mo de obra
causa
efeito
O Diagrama de Causa e Efeito til na ordenao das causas da disperso. A construo deste
diagrama pode seguir os passos seguintes:
1) Determinar a caracterstica de qualidade de interesse. trata-se da caracterstica que se deseja
melhorar ou controlar. Suponha que se est interessado em "defeitos na pintura" de um bem de
consumo.
defeitos na
pintura
2) Relacione os principais fatores que podem causar a falha como galhos do tronco principal
46
mquinas
mtodo de trabalho
mesa de pintura
pistola
bico entupido
local imprprio
excesso de p
exposto ao tempo
defeitos na
pintura
falta de ateno
estado da tinta:
velha
embalagem
pontos de ferrugem
materiais
manejo inadequado
no se faz limpeza na pistola
mo de obra
causa
efeito
Uma vez construdo o Diagrama de Causa e Efeito deve-se analisar todas as causas, quantificar o
grau de intensidade das possveis causas e partir para eliminao dessas causas.
47
DIAGRAMA DE DISPERSO
O Diagrama de Disperso um grfico que exprime o relacionamento entre duas variveis. Os
dados so coletados aos pares (xi, yi) com i = 1, 2, ... ,n. Estes pares de pontos (xi, yi) so grafados e
o possvel relacionamento entre as variveis X e Y aparece na forma do grfico.
Exemplo
Seja o processo de recobrimento de uma determinada pea com metal. O recobrimento feito com o
metal fundido. A varivel X a quantidade de metal fundido utilizado em peso e a varivel Y a
porcentagem de recobrimento com metal obtida.
Obs.(i)
1
2
3
4
5
6
7
Yi
10
10
20
20
30
40
45
Xi
6.0
4.0
6.0
8.0
7.5
8.5
9.5
Obs.(i)
8
9
10
11
12
13
14
Yi
50
60
65
70
75
70
80
Xi
11.0
12.0
12.0
13.0
13.0
12.0
14
Obs.(i)
15
16
17
18
19
20
21
Yi
80
85
90
90
95
95
98
Xi
14.0
13.0
14.0
14.0
16.0
17.0
18.0
Variable:
Perc.recobr.
Quant. metal
-----------------------------------------------------Sample size
21
21
Average
60.8571
11.5952
Median
70
12
Mode
20
12
Standard deviation
29.4776
3.80335
Standard error
6.43254
0.829959
Minimum
10
4
Maximum
98
18
Range
88
14
------------------------------------------------------
Porcentagem de recobrimento
Diagrama de dispersao
120
100
80
60
40
20
0
4
10
13
16
19
O grfico revela que existe uma forte associao (correlao) entre as variveis X e Y. O tipo de
relao linear (uma reta).
48
possvel se determinar a equao de regresso de Y para X, ou seja, a expresso dessa relao por
meio da equao da reta:
y i = 0 + 1 x i + e i , i = 1, 2, ..., 21
Regression Analysis - Linear model: Y = a+bX
-------------------------------------------------------------------------------Dependent variable: Perc. de recobrimento Independent variable: quant. de metal
-------------------------------------------------------------------------------Standard
T
Prob.
Parameter
Estimate
Error
Value
Level
-------------------------------------------------------------------------------Intercept
-26.6267
4.95328
-5.37558
.00003
Slope
7.54481
0.406846
18.5446
.00000
-------------------------------------------------------------------------------Analysis of Variance
-------------------------------------------------------------------------------Source
Sum of Squares
Df Mean Square
F-Ratio Prob. Level
Model
16468.706
1
16468.706
343.90
.00000
Residual
909.86548
19
47.88766
-------------------------------------------------------------------------------Total (Corr.)
17378.571
20
Correlation Coefficient = 0.97347
R-squared = 94.76 percent
Stnd. Error of Est. = 6.92009
Obs. (i)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Yi Observado
10
10
20
20
30
40
45
50
60
65
70
75
70
80
80
85
90
90
95
95
98
Xio
6.0
4.0
6.0
8.0
7.5
8.5
9.5
11.0
12.0
12.0
13.0
13.0
12.0
14.0
14.0
13.0
14.0
15.0
16.0
17.0
18.0
Resduos
-1.35923
1.07371
0.21357
-2.08277
0.00621
0.37617
-0.00731
-0.94328
-0.57929
0.16130
-0.21634
0.52670
0.90190
0.14956
0.14956
2.01278
1.64610
0.52265
0.13972
-1.03911
-1.79442
Yi Ajustado
18.642
3.553
18.642
33.732
29.959
37.504
45.049
56.366
63.911
63.911
71.456
71.456
63.911
79.001
79.001
71.456
79.001
86.545
94.090
101.635
109.180
Se o modelo proposto para a relao bom ento os resduos, diferena entre os valores de Yi
observados e os valores de Yi ajustados correspondem a um rudo branco (sequncia de erros,
valores aleatrios com distribuio N(0, 2))
Apresentamos a seguir o grfico probabilstico normal, para verificar se os resduos seguem uma
distribuio normal.
49
Grafico Probabilistico Normal
Percentual Acumulado
99.9
99
95
80
50
20
5
1
0.1
-14
-9
-4
11
Residuos
Coef
-26.6270
7.5448
s = 6.920
Stdev
4.953
0.4068
R-sq = 94.8%
t-ratio
-5.38
18.54
p
0.000
0.000
R-sq(adj) = 94.5%
Analysis of Variance
SOURCE
Regression
Error
Total
DF
1
19
20
SS
16469
910
17379
Unusual Observations
Obs.
C2
C1
4
8.0
20.00
16
13.0
85.00
MS
16469
48
Fit Stdev.Fit
33.73
2.10
71.46
1.61
F
343.90
Residual
-13.73
13.54
p
0.000
St.Resid
-2.08R
2.01R
16
50
MTB > PRINT C1-C4
ROW
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
C1
10
10
20
20
30
40
45
50
60
65
70
75
70
80
80
85
90
90
95
95
98
C2
6.0
4.0
6.0
8.0
7.5
8.5
9.5
11.0
12.0
12.0
13.0
13.0
12.0
14.0
14.0
13.0
14.0
15.0
16.0
17.0
18.0
C3
-1.35923
1.07371
0.21357
-2.08277
0.00621
0.37617
-0.00731
-0.94328
-0.57929
0.16130
-0.21634
0.52670
0.90190
0.14956
0.14956
2.01278
1.64610
0.52265
0.13972
-1.03911
-1.79442
C4
18.642
3.553
18.642
33.732
29.959
37.504
45.049
56.366
63.911
63.911
71.456
71.456
63.911
79.001
79.001
71.456
79.001
86.545
94.090
101.635
109.180
Se o modelo proposto para a relao bom ento os resduos, diferena entre os valores de Y
ajustados (C4) e os valores de Y observados (C1) correspondem a um rudo branco" (sequncia de
erros, valores aleatrios com distribuio N(0, 2))
MTB > SUBT C4 C1 C5 (aqu em C5 esto os erros, resduos)
MTB > NSCORES C5 C55 (verificando se so normais mesmo)
MTB > PLOT C55 C5
C55
1.2+
0.0+
-1.2+
-
*
*
*
*
2
* *
*
3
*
*
*
*
*
*
*
*
--------+---------+---------+---------+---------+--------C5
-10.0
-5.0
0.0
5.0
10.0
RANDOM
NORMAL
RANDOM
NORMAL
51
MTB > NAME C7 'Y2' C8 'X2'
MTB > DESC C7 C8
Y2
X2
N
20
20
MEAN
101.99
4.802
MEDIAN
101.84
4.777
TRMEAN
101.95
4.810
Y2
X2
MIN
101.02
2.255
MAX
103.71
7.218
Q1
101.20
3.842
Q3
102.74
5.794
STDEV
0.83
1.302
SEMEAN
0.18
0.291
52
53
54
Suponha que a caracterstica de qualidade que se pretende controlar tenha uma Distribuio
Gaussiana com mdia e desvio-padro , ambos conhecidos. Na prtica no se conhece os
parmetros e . Deve-se estima-los a partir de uma amostra em um perodo anterior quando o
processo est sob controle. O tamanho de uma amostra para este tipo de estimativa deve ser de 20 a
25 observaes. E, como a estatstica piv z, abaixo, tem distribuio Normal Padro N(0,1)
z=
tem-se que P( z1
2
x
z 1 ) = 1
2
n
P x z 1
x + z 1 = 1
2
2
n
n
LSC = x + z1
Suponha, agora que m amostras aleatrias de tamanho n so disponveis ou seja tem-se m amostras
com n observaes cada uma. A magnitude de n da ordem de 4, 5 ou 6 observaes. Das m
amostras obtm-se as mdias amostrais:
x 1 , x 2 , x 3 , ..., x m
e tambm a mdia amostral global, considerando todas as m.n observaes
x=
x1 + x 2 +...+ x m
m
Agora, para se construir os limites de controle est faltando apenas a estimativa do desvio-padro .
Em controle de qualidade tradicional estimar-se o desvio-padro usando-se a amplitude amostral
R, ao invs da expresso baseada em s2. claro que o estimador s tambm pode ser usado. No caso
da estimativa com base na amplitude amostral, se x1, x2, ..., xn a amostra de tamanho n , ento a
amplitude da amostra, R, dada pela diferena entre o valor mximo e o valor mnimo da amostra,
isto :
R = x ( n ) x (1)
55
R 1 + R 2 +...+ R m
m
3R
d2 n
3R
LSC = x +
d2 n
A quantidade A 2 =
A2
d2
d3
2
1,880
1,128
0,853
3
1,023
1,693
0,888
Tamanho da amostra n
4
5
6
7
0,729 0,577 0,483 0,419
2,059 2,326 2,534 2,704
0,880 0,864 0,848 0,833
8
0,373
2,847
0,820
9
0,337
2,970
0,808
10
0,308
3,078
0,797
56
D3
D4
0
3,267
0
2,575
0
2,282
0
2,115
0
2,004
0,076
1,924
0,136
1,864
0,184
1,816
0,223
1,777
Grfico R
Como a amplitude R est relacionada com o desvio-padro do processo , a variabilidade do
processo pode ser controlada por meio do grfico dos valores da amplitude amostral R, para
sucessivas amostras. Um grfico deste tipo denominado Grfico R. Para se construir os limites de
controle h necessidade de se conhecer o desvio-padro de R, R . Um estimador de R pode ser
construdo a partir da distribuio da amplitude relativa W = R , supondo que a caracterstica que
se quer controlar tenha distribuio Gaussiana. O desvio-padro de W denotado por d3 e uma
funo conhecida do tamanho da amostra n. Ento, j que R = W o desvio-padro de R dado
pela expresso:
R = d 3
e como desconhecido usa-se o seu estimador construdo anteriormente $ = R d , de modo que
2
se tem:
d R
$ R = 3 d
d
d R
LIC = R 3$ R = R 3 3 d = R 1 3 3
2
d2
LIC = R + 3$ R = R + 3
d 3R
d3
=
+
R
1
3
d2
d2
e a quantidade entre parnteses pode ser, facilmente, tabelada de modo que se tem:
d
D 3 = 1 3
d2
d
D 4 = 1 + 3
d2
e, finalmente, os limites so:
LIC = R. D 3 e LSC = R. D 4
Exemplo 1: (Do livro de D.C.Montgomery pg. 206 - ref. [1])
Os anis de pisto do motor de um certo tipo de automvel so fabricados por processo de pea
forjada. A administrao da indstria deseja estabelecer um Controle Estatstico do dimetro interno
do anel fabricado pelo processo, usando grficos da mdia x e da amplitude R. Para estimar os
57
R=
( R 1 + R 2 +...+ R 25 )
25
(0,038 + 0,019 +...+0,035)
= 0,023
25
D 3 = 0 e D 4 = 2,115 (tabelados)
58
N
25
MEAN
0.02324
MEDIAN
0.02200
TRMEAN
0.02322
MIN
0.00800
MAX
0.03900
Q1
0.01750
Q3
0.02950
STDEV
0.00850
SEMEAN
0.00170
59
A figura anterior, grfico R, no indica que a variabilidade do processo esteja fora de controle.
Amostra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
Ri
0.038
0.019
0.036
0.022
0.026
0.024
0.012
0.030
0.014
0.017
0.008
0.011
0.029
0.039
0.016
0.021
0.026
0.018
0.021
0.020
0.033
0.019
0.025
0.022
0.035
Exemplo 2
Para os dados do dimetro interno do anel do pisto, construa o Grfico x .
a) Analiticamente
LIC = x A 2 R = 74,001 0,577.0,02324 = 73,998
LSC = x + A 2 R = 74,001 + 0,577.0,02324 = 74,014
A linha central est em x = 74,001
b) Computacionalmente no MINITAB
MTB > NAME C50 'DIAM' C7 'XB' C8 'R'
MTB > XBARCHART C50 5;
SUBC> TITLE 'GRAFICO X PARA DIAM. INT. DO ANEL DE PISTAO';
SUBC> XLABEL 'NUMERO DA AMOSTRA';
SUBC> YLABEL 'X'.
60
GRAFICO X PARA DIAM. INT. DO ANEL DO PISTAO
---------------------------------------------------LSC=74.01
74.0100+ +
+
+
+
+
+
+
+
=
X
--------+---------------+-------------------+-+----X=74.00
74.0000+
+
+
+
+
+
+
+
+
+
+
+
+
73.9900+
+
---------------------------------------------------LIC=73.99
+---------+---------+---------+---------+---------+
0
5
10
15
20
25
NUMERO DA AMOSTRA
MTB> DESC C7
N
MEAN
MEDIAN
TRMEAN
STDEV
SEMEAN
XB
25
74.001
74.001
74.001
0.005
0.001
XB
MIN
73.990
MAX
74.010
Q1
73.998
Q3
74.005
A figura anterior, Grfico x , no indica que o processo esteja fora de controle. Portanto, uma vez
que tanto o Grfico R quanto o Grfico x indicam controle, pode-se concluir que o processo est
sob controle e adotar os limites construdos para um Controle Estatstico do Processo.
LISTA DE EXERCCIOS N 4
1) Resolva computacionalmente os seguintes exerccios da lista n 1:
1, 2, 3, 4 e 11
Sugesto: no exerccio nmero 11 use:
MTB >
MTB >
SUBC>
MTB >
DIVI 1 0.125 K1
CDF 1 K2;
EXPO K1.
PRINT K2
SET C1
0.10 0.15 .... 0.11
END
NAME C1 '%DEF' C2 'DIAS'
SET C2
1 2 3 ..... 26
END
PLOT C1 C2;
TITLE 'GRAFICO DA PROP. DIARIA DE DEFS. ';
XLABEL 'DIAS';
YLABEL '% DEFS.'.
61
SET C50
74.030 74.002 ... 74.008 73.995 73.992 ... 74.004
.....
.....
73.982 73.984 ... 74.013
END
Agora, voc vai fazer o Grfico R para os dados. Como o tamanho de cada amostra n=5, voc tem
na coluna C50 125 observaes, ento a indicao a seguinte:
MTB >
SUBC>
SUBC>
SUBC>
SUBC>
RCHART C50 5;
RBAR;
TITLE 'GRAFICO ......';
XLABEL 'NUMERO DA AMOSTRA';
YLABEL 'R'.
XBARCHART C50 5;
RBAR;
TITLE 'GRAFICO ....';
XLABEL 'NUMERO DA AMOSTRA';
YLABEL 'XB'.
62
p(1 p)
n
O Grfico de Controle para a proporo de defeitusos pode ser construdo das seguintes formas:
1 ) Se a frao de defeituosos conhecida (ou estimada com base em dados anteriores), p
. a linha central fixada em p
p(1 p)
n
p(1 p)
LSC = p + 3.
n
Tomando-se sucessivas amostras de n unidades e calculando-se a frao amostral de defeituosos
para cada amostra, obtm-se os pontos do grfico. Se as fraes amostrais p$ ficam dentro dos
limites e se no aparece nenhum comportamento sistemtico, no aleatrio, dos pontos no grfico
pode-se concluir, afirmar, que o processo est sob controle.
LIC = p 3.
63
2 ) Se a frao de defeituosos no for conhecida, ela ser avaliada (estimada) a partir de dados
observados nos perodos iniciais do processo. Neste caso, deve-se selecionar m amostras de
tamanho n. O valor de m, em geral, de 20 a 25.
Assim, o nmero de defeituosos em cada amostra Yi i=1,..,m e a frao amostral de defeituosos :
Y
p$ i = i
n
Os estimadores da mdia e do desvio-padro dessa estatstica so:
p$ =
1 n
p i e p$ =
m i =1
p$ (1 p$ )
n
. LIC = p$ 3
Exemplo 3 (Do livro de D.C.Montgomey pg. 151 - ref. [1]) Suco concentrado de laranja congelado
armazenado em caixas de papelo. Estas caixas so fabricadas por uma mquina que molda o
papelo e a seguir uma pelcula de metal colocada internamente na caixa. A inspeo da caixa
determina se ela quando cheia pode vazar, na costura dos lados ou no fundo. Deseja-se estabelecer
um Grfico de Controle para controlar a frao de caixas no-conformes produzidas pela mquina.
Para construir esse grfico, tomou-se m = 30 amostras de tamanho n = 50 caixas, selecionadas em
intervalos de 1/2 hora nos trs perodos em que a mquina estava em funcionamento contnuo. Os
dados so os seguintes:
Dados da Caixa de Suco de Laranja m=30 n=50
frao amostra n def. frao
amostra n def.
frao amostra n def.
1
12
0.24
11
5
0.10
21
20
0.40
2
15
0.30
12
6
0.12
22
18
0.36
3
8
0.16
13
17
0.34
23
24
0.48
0.24
24
15
0.30
4
10
0.20
14
12
5
4
0.08
15
22
0.44
25
9
0.18
6
7
0.14
16
8
0.16
26
12
0.24
7
16
0.32
17
10
0.20
27
7
0.14
8
9
0.18
18
5
0.10
28
13
0.26
9
14
0.28
19
13
0.26
29
9
0.18
10
10
0.20
20
11
0.22
30
6
0.12
a) Analiticamente
As amostras fornecem:
p$ =
1 30
1
p$ i =
(0,24 + 0,30+...+0,12) = 0,2313
30 i=1
30
64
$ p$ =
p$ (1 p$ )
0,2313(1 0,2313)
=
= 0,0596
n
50
65
1 28
1
p$ i =
(0,24 + 0,30+...+0,12) = 0,2150
28 i=1
28
p$ (1 p$ )
= 0,2150 3.0,0581 = 0,0407
n
p$ (1 p$ )
= 0,2150 + 3.0,0581 = 0,3893
LSC = p$ + 3
n
LIC = p$ 3
OS DADOS ESTAO EM C2
NOTE : VAMOS RETIRAR A AMOSTRA 15 E 23 DOS DADOS
COPY C2 C22;
OMIT 15 23.
DESC C2 C22
NUM.DEFS
NUM.DEFS
N
30
28
MEAN
11.567
10.750
MEDIAN
10.500
10.000
TRMEAN
11.231
10.654
NUM.DEFS
NUM.DEF
MIN
4.000
4.000
MAX
24.000
20.000
Q1
7.750
7.250
Q3
15.000
13.750
MTB >
SUBC>
SUBC>
SUBC>
STDEV
5.117
4.204
P
R
O
P
O
R
C
A
O
A
M
O
S
T
R
A
L
--------------------+--------UCL=0.3893
0.375+
+
+
+
- +
+
+
0.250++
+
+
+ + _
-------------------+---------P=0.2150
+
+
+
+
+
+
- + +
+
+
0.125+
+
+
+
+
+
-----------------------------LCL=0.04070
0.000+
+---------+---------+---------+
0
10
20
30
NUMERO DA AMOSTRA
SEMEAN
0.934
0.795
66
c k e c
, k = 0, 1, 2, ...
k!
c e os
LIC = c 3 c
LSC = c + 3 c
e a linha central fixada em c. Quando resultar c 3 c < 0 o limite inferior colocado em zero.
Como em geral o parmetro c desconhecido, deve-se estima-lo por x .
Exemplo 1: (D.C. Montgomery pg. 174)
Os dados abaixo referem-se ao nmero de defeitos observados em 26 amostras sucessivas de 100
placas de circuito impresso. A unidade do produto (por convenincia) 100 placas de circuito
impresso. Seja construir um grfico de controle para o nmero de defeitos por unidade do produto
(100 placas de cir. impr.).
n amostra
1
2
3
4
5
6
7
8
9
defeitos
21
24
16
12
15
5
28
20
31
n amostra
10
11
12
13
14
15
16
17
18
defeitos
25
20
24
16
19
10
17
13
22
n amostra
19
20
21
22
23
24
25
26
defeitos
18
39
30
24
16
19
17
15
67
C1;
TITLE 'GRAFICO DO NUMERO DE DEFEITOS POR 100 PLACAS';
XLABEL 'NUMERO DA AMOSTRA';
YLABEL 'NUMERO DE DEFEITOS'.
N
U
M
E
R
O
D
E
D
E
F
E
I
T
O
S
Observa-se no grfico que dois pontos esto fora dos limites de controle, respectivamente as
amostras ns. 6 e 20. Uma investigao sobre estes pontos revelou que esta amostra tinha sido
inspecionada por um novo inspetor e que ele no tinha identificado alguns tipos de defeitos que
poderiam estar presentes. J o grande nmero de defeitos presentes na amostra de nmero 20
resultou de problemas no controle da mquina de solda por ultra-som, que posteriormente foi
consertada. Desta forma os pontos 6 e 20 foram retirados do grfico, que foi refeito com novas
estimativas, que agora se tornaram valores padro,
c$ = x = 472 24 = 19,67
LIC = 19,67 3 19,67 = 6,37
LSC = 19,67 + 3 19,67 = 32,97
A linha central colocada em 19,67.
Posteriormente 20 novas amostras foram coletadas. Os nmeros observados de defeituosos
respectivamente foram:
16
18
12
15
24
21
28
20
25
19
18
21
16
22
19
12
14
16
21
68
MTB > CCHART C1;
SUBC> MU=19.67;
SUBC> TITLE 'GRAFICO DO NUMERO DE DEFEITUOSOS POR 100 PLACAS';
SUBC> XLABEL 'NUMERO DA AMOSTRA';
SUBC> YLABEL 'NUMERO DE DEFEITUOS'.
GRAFICO DO NUMERO DE DEFEITOS POR 100 PLACAS
N
U
M
E
R
O
D
E
D
E
F
E
I
T
O
S
-----------------------------------------UCL=32.97
30.0+
+
+
+
+
+
+
+
20.0+---------------+---+---------+----------MU=19.67
+
+
- +
+
+
+
+
+
+
10.0+
+
-----------------------------------------LCL=6.37
+---------+---------+---------+---------+
0
5
10
15
20
NUMERO DA AMOSTRA
Os novos pontos situaram-se todos dentro dos limites de controle, contudo o nmero de defeitos nas
placas considerado inaceitavelmente alto. Uma ao da administrao necessria para
aperfeioar o processo.
Para o aperfeioamento do processo deve-se, ento, fazer uma anlise cuidadosa da freqncia e da
distribuio dos diversos tipos de defeitos. Uma tcnica muito til o Diagrama de Causa e Efeito
( tambm conhecido por Diagrama Espinha de Peixe e ainda por Diagrama de Ishikawa). usado
para mostrar claramente as vrias fontes de defeitos e as relaes entre elas. No caso das placas de
circuito tem-se 16 tipos de defeitos e os quantitativos para 500 placas e 98 defeitos encontrados
esto abaixo, ento comeando-se com o Grfico de Pareto para estes dados:
Tipo de Defeito
D1
D2
D3
D4
D5
D6
D7
D8
D9
D10
D11
D12
D13
D14
D15
D16
Total
freqencia
40
20
7
6
5
3
3
3
2
2
2
1
1
1
1
1
98
DIAGRAMA DE PARETO
69
Defeito
D1
D2
D3
D4
D5
D6
D7
D8
D9
D10
D11
D12
D13
D14
D15
D16
****************************************
********************
*******
******
*****
***
***
***
**
**
**
*
*
*
*
*
freqncia
40
20
7
6
5
3
3
3
2
2
2
1
1
1
1
1
Observa-se no grfico que 60% dos defeitos so de dois tipos D1 e D2, (ambos relacionados com o
processo de soldagem dos elementos). As causas para estes tipos de defeitos devem ser procuradas,
isoladas e eliminadas. Isto feito a produo melhorar dramaticamente. A busca das causas dos
defeitos deve comear com um Diagrama de Causa e Efeito.
GRFICO U
No exemplo para o Grfico C, visto anteriormente, trabalhou-se com um tamanho de amostra igual
a unidade de inspeo, 100 placas de circuito. Contudo, poderia ter sido usado vrias unidades de
inspeo. Supondo que cada ponto do Grfico de Controle foi obtido com base em n unidades de
inspeo, teremos que a v.a. observada Y (nmero de defeituosos nas n unidades) ter distribuio
de Poisson com parmetro nc (soma de v.a's Poisson com parmetro Poisson com um parmetro
igual a n). Desta forma a distribuio de Y
P( Y = k ) =
( nc) k e nc
k!
e se construiria o grfico da mesma forma que o anterior, a partir deste ponto. Porm, existe uma
outra abordagem para o problema. possvel trabalhar-se com o nmero mdio de defeitos por
unidade de inspeo. Se Y o nmero de defeitos presentes nas n unidades, ento o nmero mdio
de defeitos por unidade :
U=
Y
Y P( nc)
n
70
O estimador do parmetro
1 n
c$ = u = u i (mdia do nmero mdio por unidade em m amostras tamanho n)
n i =1
ento os limites so:
LIC = u 3
u
n
u
n
e a linha de centro fixada em u . O grfico construdo desta forma chamado de Grfico do
Nmero de Defeitos por Unidade e denotado por Grfico U.
LSC = u + 3
n defeitos
10
12
8
14
10
16
11
7
10
15
1 m
1 20
1 10
12
5
ui =
ui =
5 + 5 +...+ 5 = 1,93
m i =1
20 i=1
20
u
1,93
= 1,93 3.
= 0,066
n
5
1,93
u
LSC = u + 3
= 1,93 + 3.
= 3,790
n
5
LIC = u 3
n defeitos
9
5
7
11
12
6
8
10
7
5
71
MTB > UCHART
SUBC>
SUBC>
SUBC>
N
U
M
.
D
E
D
E
F
S
.
P
O
R
U
N
.
C1 5;
TITLE 'GRAFICO U PARA DADOS DA FABRICA DE COMPUTADOR';
XLABEL 'N DA AMOSTRA';
YLABEL 'NUM. DE DEFS. POR UN.'.
Exerccio
Em uma fbrica de tecidos a cor do tecido inspecionada para verificar a ocorrncia de defeitos por
50 m2. Os dados de 10 rolos de tecido so mostrados abaixo. Determine os limites de controle para
o nmero de defeitos por unidade.
Obs. Os limites de controle variam com o tamanho da amostra n (ni).
rolo
1
2
3
4
5
6
7
8
9
10
rea
500
400
650
500
475
500
600
525
600
625
total defeitos
14
12
20
11
7
10
21
16
19
23
unid. inspeo
10.0
8.0
13.0
10.0
9.5
10.0
12.0
10.5
12.0
12.5
defeitos/unid.
1.40
1.50
1.54
1.10
0.74
1.00
1.75
1.52
1.58
1.84
72
uma unidade defeituosa seja de, no mnimo, 1- com sendo um nmero pequeno (<0,10 ). Ento,
suponha que p = 0,001 e que se quer uma probabilidade de encontrar-se um defeituoso na amostra
de 0,95 no mnimo ( 0,05 ). Se Y representa o nmero de defeituosos tem-se:
P(Y 1) 0,95
E, como p muito pequeno, deve-se aproximar a distribuio binomial pela distribuio de Poisson,
P( Y = y ) =
Se
e
y e
, com = np e y = 1, 2, ...
y!
0 e
= e 0,05 , ento desta
0!
= 1 0,05 = 20 = 3 e como = n.p = 3 tem-se que n = 3 0,001 = 3000
P(Y 1) = 0,95
ento
P(Y = 0) =
ltima
equao
Outra forma de se determinar o tamanho da amostra n aquela tal que exista uma probabilidade de
aproximadamente 0,50 de que seja detectada uma mudana previamente especificada no nvel de
qualidade do processo. Assim, suponha que se tenha uma frao de defeituosos de 0,001 e que se
deseje uma probabilidade de 0,50 de se detectar uma variao no nvel da frao de defeituosos para
0,003. Representando esta variao por , deve-se colocar o LSC em 0,003, isto LSC = 0,003 e
determinar n, nestas condies:
=k
p(1 p)
n
2
k
n = p(1 p)
3
n=
(0,001).(0,999) = 2247
0,002
73
15 a 25. Estes conceitos sero melhor abordados em um exerccio, inclusive a parte de Curva
Caracterstica de Operao.
3.2.5- ANALISE DA CAPACIDADE DE UM PROCESSO
CAPACIDADE DO PROCESSO
Capacidade de um processo tem a ver com a uniformidade do processo ou seja tem a ver com a
variabilidade do processo, pois a variabilidade uma medida da uniformidade do processo. Ento,
entende-se que a capacidade do processo a sua performance. Os grficos de x e de R forneceram
importantes informaes sobre a capacidade do processo. Do grfico de x tem-se que o dimetro
mdio do anel 74,001 mm e o desvio-padro estimado por $ = R d = 0,02324 2,326 = 0,0099 .
2
Como os limites da especificao de projeto para o dimetro so 74,000 0,05 mm importante
saber como o processo est se saindo com o que se espera dele. Qual a capacidade do processo para
produzir anis de pisto com aqueles limites de especificao? Assumindo que a varivel em
questo seja Gaussiana (j vamos fazer um teste adiante) com mdia =74,001 e varincia
2=0,00992, possvel estimar-se a frao de anis no-conformes produzidos:
(especif.) P(73,95 < X < 74,05)
No MINITAB
MTB > CDF 74.05 K1;
SUBC> NORMAL 74.001 0.0099.
MTB > CDF 73.95 K2;
SUBC> NORMAL 74.001 0.0099.
MTB > SUBT K2 K1 K3
ANSWER =
1.0000
MTB > PRINT K1 K2 K3
K1
1.00000
K2
0.000000119
K3
1.00000
MTB > SUBT K3 1 K5
ANSWER =
0.0000
MTB > PRINT K1 K2 K3 K5
K1
1.00000
K2
0.000000119
K3
1.00000
K5
0.000000477
$ =
PCR
= 1,6835
6.0,0099
PCR =
Ento, conclui-se que os limites de 3 para o dimetro produzido est dentro da especificao, alis
a parte da especificao ocupada pelos limites o inverso daquela razo, resultando 59,4%.
74
VERIFICAO DA NORMALIDADE
fcil verificar se os dados seguem a distribuio Normal, basta fazer o Grfico de Probabilidade
Normal e ainda um teste com base na correlao. No exemplo tem-se,
MTB > NOTE ***** OS DADOS ESTAO EM C50 ********
MTB >
MTB > DESC C50
N
125
MIN
73.967
C50
C50
MTB
MTB
MTB
MTB
MTB
Z
2.0+
0.0+
-2.0+
-
>
>
>
>
>
MEAN
74.001
MAX
74.030
MEDIAN
74.001
Q1
73.994
TRMEAN
74.001
Q3
74.008
STDEV
0.010
SEMEAN
0.001
**
4 *2
*35
364
4745
974
+352
346
36
42*
*
*
----+---------+---------+---------+---------+---------+--DIAM
MTB > NOTE ***** O GRAFICO E PRATICAMENTE UMA RETA ****
MTB > NOTE ***** FAZENDO O TESTE ****
MTB > DESC C51 C50
N
125
125
MEAN
0.0002
74.001
MEDIAN
-0.0100
74.001
TRMEAN
-0.0012
74.001
MIN
Z
-2.5687
DIAM 73.967
MAX
2.5687
74.030
Q1
-0.7284
73.994
Q3
0.6645
74.008
Z
DIAM
STDEV
0.9887
0.010
SEMEAN
0.0884
0.001
As tcnicas estatsticas podem ser teis em todo ciclo produtivo. So empregadas na quantificao
da variabilidade do processo, na anlise desta variabilidade relativamente s especificaes do
produto e, no auxlio a administrao na eliminao ou reduo dessa variabilidade.
Anlise da Capacidade do Processo: definida como um estudo de engenharia para estimar a
capacidade do processo, sendo que a estimativa pode ser feita por meio de uma distribuio de
probabilidade com uma forma conhecida.
Estimao da Capacidade do Processo
75
Suponha que se deseja estimar a capacidade de um processo de fabricao de garrafas de 1 litro que
sero usadas para armazenar bebida. A caracterstica de qualidade em estudo a fora de presso
necessria para romper a garrafa. Uma amostra aleatria de 100 garrafas foi tomada e medida a
presso necessria para o rompimento. Os dados esto abaixo (D.C. Montgomery pg. 368).
MTB > NAME C1 'PRVIDRO'
MTB > PRINT C1
PRVIDRO
265
205
286
274
242
258
321
228
223
260
276
264
280
265
253
287
274
275
251
263
243
276
250
308
269
272
258
278
307
231
300
299
235
235
283
261
250
220
267
208
258
283
290
265
248
265
268
281
187
267
277
221
262
260
270
260
265
264
293
200
176
271
274
298
234
214
271
265
235
248
245
337
257
299
318
280
254
246
263
301
250
210
215
346
242
281
328
231
280
278
280
197
317
260
294
296
334
274
254
269
N
100
MEAN
264.06
MEDIAN
265.00
TRMEAN
264.17
PRVIDRO
MIN
176.00
MAX
346.00
Q1
248.00
Q3
280.00
STDEV
32.02
SEMEAN
3.20
N = 100
Count
2 **
4 ****
7 *******
13 *************
32 ********************************
24 ************************
11 ***********
4 ****
3 ***
1 n
1
xi =
(265 + 205+...+251) = 264,06
100
n i =1
A varincia amostral
2
1 n
1
(265 264,06) 2 +...+ (251 264,06) 2
s =
( x i x) =
100 1
n 1 i =1
2
e o desvio-padro s = 32,018
MTB > STDEV C1 K2
ST.DEV. = 32.018
76
O clculo no MINITAB
MTB > MULT 3 K2 K4
ANSWER = 96.0538
MTB > SUBT K4 K1 K11
ANSWER = 168.0062
MTB > ADD K4 K1 K22
ANSWER = 360.1138
>
>
>
>
ESCORES1.6+
0.0+
-1.6+
-
*
*
**
2*
22 2
22*22
36
553
48*
372
*252
24 2
2 2**
2*
**
*
*
----+---------+---------+---------+---------+---------+--PRVIDRO
175
210
245
280
315
350
77
No MINITAB o clculo :
MTB > CDF 360.1138 K6;
SUBC> NORMAL K1 K2.
MTB > PRINT K6
K6 0.998650
MTB > CDF 168.0062 K7;
SUBC> NORMAL K1 K2.
MTB > PRINT K7
K7 0.00134999
MTB > SUBT K7 K6 K8
ANSWER = 0.9973
LSE LIE
6
$ = LSE LIE
PCR
6$
PCR s =
Exemplo
Suponha que no processo de produo das garrafas existe a especificao de que as garrafas devem
suportar uma fora de pelo menos 200 psi. Neste caso est fixado um limite inferior de
especificao. A capacidade do processo ser estimada usando-se a razo da capacidade do processo
unilateral,
$ = $ LIE
PCR
i
3$
com $ = x = 264,06 e $ = s = 32,016
$ = 264,06 200,00 = 0,67
PCR
i
96,0538
Significando que a distancia da mdia at o limite inferior da especificao menor que a distancia
da mdia at o limite de 3. Sendo assim, qual ser a probabilidade de se produzir itens abaixo da
especificao?
78
x 200 264,06
R. P( x < 200) = P
<
= P( z < 2,00) = 0,0227
32,018
MINITAB
MTB > CDF 200 K5;
ou ento
SUBC > NORMAL K1 K2.
MTB > PRINT K5
0.0227
Portanto 2,27% das garrafas produzidas tem uma resistncia inferior especificada ou seja 22700
garrafas por milho.
A PCR mede a capacidade (habilidade) do processo em produzir de acordo com as especificaes.
A tabela a seguir d os valores PCR quando a distribuio da caracterstica de qualidade normal:
79
O valor de PCRk relativamente a PCR uma medida direta da falta de centralidade do processo.
Veja as figuras adiante.
Exerccios
1) Calcule PCR e PCRk em todos os casos acima.
2) Nos processos acima, quanto se pode esperar de falhas com o processo atual e quanto se pode
esperar de falhas com o processo aperfeioado (potencial)?
3) Nos processos acima, qual a capacidade potencial e qual a capacidade atual?
80
Um intervalo de confianca de nvel 1 - pode ser construido para PCR. A expresso deste
intervalo :
2
LSE LIE
1 , n 1
LSE LIE
2
P
PCR
6s
6s
n 1
= 1
n 1
, n 1
2
Exerccio
A caracterstica de qualidade de um processo tem como limites de especificao os valores LSE =
62 e LIE = 38. Uma amostra de tamanho n = 20 desse processo revelou que o processo est centrado
aproximadamente no ponto mdio e que possui desvio-padro estimado de 1,75. Estime por um
intervalo de 95% de confiana a verdadeira capacidade do processo.
TESTE DE HIPTESE SOBRE PCR
Freqentemente as indstrias requerem que os fornecedores declarem a capacidade do seu processo
em clusula contratual. Assim, necessrio demonstrar que a razo da capacidade do processo
satisfaz ou excede algum valor particular (meta, alvo), PCRo.
Este problema pode ser resolvido por meio do teste de hiptese seguinte:
Hiptese nula:
Ho: PCR < PCRo processo no capaz
Hiptese alternativa: H1: PCR PCRo processo capaz
A hiptese nula Ho rejeitada quando o valor P C$ R supera um valor crtico C.
Definindo-se PCR(alta) como o valor da capacidade do processo para o qual se aceitaria Ho com
probabilidade de 1 - e PCR(baixa) como o valor da capacidade do processo para o qual se
rejeitaria Ho com 1 - de probabilidade, tem-se a tabela abaixo que facilita o teste.
tamanho da
amostra n
10
20
30
40
50
60
70
80
90
100
= = 0,10
PCR(alta) C/PCR (baixa)
PCR(baixa)
1.88
1.27
1.53
1.20
1.41
1.16
1.34
1.14
1.30
1.13
1.27
1.11
1.25
1.10
1.23
1.10
1.21
1.10
1.20
1.09
= = 0,05
PCR(alta) C/PCR(baixa)
PCR(baixa)
2.26
1.37
1.73
1.26
1.55
1.21
1.46
1.18
1.40
1.16
1.36
1.15
1.33
1.14
1.30
1.13
1.28
1.12
1.26
1.11
Exerccio
Uma indstria informa a um de seus fornecedores que os negcios com a empresa so continuaro
se o fornecedor demonstrar que seu processo excede uma PCR = 1,33. O fornecedor para a
demonstrao vai fazer um teste de hiptese com uma amostra de tamanho n, de modo que se a
81
capacidade do processo inferior a 1,33 ele tenha probabilidade alta de detectar este fato ( = 0,90).
Por outro lado se o seu processo tem capacidade superior a 1,66 ele quer ter uma confiana tambm
grande de detecta-la. Construa o teste de hiptese.
Como se viu anteriormente, o ndice PCRk foi inicialmente criado, desenvolvido, porque PCR no
leva em conta se o processo est centrado ou no entre as especificaes. Mas, PCRk tem tambm
algum defeito. Veja que na figura, a seguir, os processos A e B tm PCRk = 1,0 e os seus centros so
claramente diferentes. No processo A tem-se PCR = PCRk = 1,0 enquanto no processo B tem-se
PCR = 2,0 > PCRk = 1,0 mostrando que o processo B est fora de centro. Observe que para algum
valor fixo no intervalo de LIE at LSE, PCRk depende inversamente de e torna-se muito grande
quando aproxima-se de zero. Este o defeito de PCRk como medida da centralidade. Um grande
valor de PCRk no reflete muito bem a questo da localizao da mdia no intervalo de LIE at
LSE. Devido isto criou-se um ndice que um melhor indicador da centralidade. A expresso a
seguinte:
LSE LIE
PCR km =
6
onde a raz quadrada do desvio quadrtico esperado do ponto mdio (alvo)
T=
LSE LIE
2
Ento, 2 = E( x T) 2 = E[( x ) 2 ] + ( T) 2 = 2 + ( T) 2
De forma que pode-se escrever: PCR km =
LSE LIE
6 2 + ( T) 2
$
PCR
1 + V2
, com V =
PCR
1+ 2
, onde =
(T )
T x
.
s
Os valores de PCRk e PCRkm coincidem com PCR quando = T (processo centrado) e decrescem
quando se afasta de T. Ento:
. PCRk < 0 para > LSE ou < LIE
. PCRkm vai para zero assintoticamente quando T
LSE LIE
. PCRkm <
6 T
Assim, a condio necessria para PCRkm 1 que T <
LSE LIE
6
Exemplo
Considere os dois processos A e B. Suponha que se tenha para A:
PCR km =
PCR
1+
1
= 1 (j que A est centrado)
1+ 0
82
PCR
1+ 2
2
1 + ( 4 ) 2
= 0,48
83
LISTA DE EXERCCIOS N5
1) Os dados abaixo correspondem aos valores da mdia amostral e da amplitude amostral de 24
amostras de tamanho n=5 tomadas de um processo de produo de mancais. A varivel medida o
diametro interno do mancal com somente as trs ltimas casas decimais consideradas (0,50345
34,5). Faa os grficos de controle de x e de R. Ser que o processo est sob controle? Se as
esp ecificaes de projeto pedem um dimetro de 0,5030 0,0010 determine o percentual de
defeituosos produzidos pelo processo.
x
R
x
R
34,5
3
35,4
8
34,2
4
34,0
6
31,6
4
37,1
5
31,5
4
34,9
7
35,0
5
33,5
4
34,1
6
31,7
3
32,6
4
34,0
8
33,8
3
35,1
4
34,8
7
33,7
2
33,6
8
32,8
1
31,9
3
33,5
3
38,6
9
34,2
2
2) O fornecimento de energia eltrica em alta voltagem necessria, para ter uma potncia de 350
V. Uma amostra de 4 unidades selecionada diariamente, e colocada em um grfico de controle. Os
dados esto abaixo, sendo que correspondem a diferena entre a voltagem registrada, e a voltagem
nominal multiplicada por 10. (xi = voltagem observada - 350).10.
n a.a.
1
2
3
4
5
6
7
8
9
10
x1
6
10
7
8
9
12
16
7
9
15
x2
9
4
8
9
10
11
10
5
7
16
x3
10
6
10
6
7
10
8
10
8
10
x4
15
11
5
13
13
10
9
4
12
13
n a.a.
11
12
13
14
15
16
17
18
19
20
x1
8
6
16
7
11
15
9
15
8
14
x2
12
13
9
13
7
10
8
7
6
15
x3
14
9
13
10
10
11
12
10
9
12
x4
16
11
15
12
16
14
10
11
12
16
84
lote
11
12
13
14
15
16
17
18
19
20
n defeitos
456
394
285
331
198
414
131
269
221
407
MTB >
SUBC>
SUBC>
SUBC>
--------------------+--------------------------------UCL=0.3893
0.375+
+
+
+
- +
+
+
0.250++
+
+
+ +
+
-------------------+---------------------------------P=0.2150
+
+
+
+
+
+ +
- + +
+
+
+
+ +
0.125+
+
+ + + + +
+
+ +
+
+
+
+ + + +
+
+
+
+
------------------------------------+--+-+---------+-LCL=0.04070
0.000+
+---------+---------+---------+---------+---------+---------+
0
10
20
30
40
50
60
NUMERO DA AMOSTRA
PCHART C2 50;
TITLE 'GRAFICO P PARA PROCESSO AJUSTADO';
XLABEL 'NUMERO DA AMOSTRA';
YLABEL 'PROPORCAO DE DEFS.'.
85
P
R
O
P
O
R
C
A
O
D
E
D
E
F
S
.
Observando-se o Grfico P tem-se a impresso que o processo est agora operando com um nvel de
defeituosos inferior a 0,2150. Parece que os ajustes deram resultado. O ponto 40 ficou abaixo do
LIC e nenhuma causa especial foi associada a este fato. possvel testar se a hiptese de que o nvel
de defeituosos continua o mesmo:
Hiptese nula a ser testada: H0: p1 = p2 (os nveis so iguais)
Hiptese alternativa : H1: p1 > p2 (processo melhorou)
Estatstica do teste: z =
p$ 1 p$ 2
1
1
p$ (1 p$ ) +
n1 n 2
, onde p$ =
n 1 p$ 1 + n 2 p$ 2
n1 + n 2
86
LIC = 0 3
LIC ( 0 + k )
LSC ( 0 + k )
= ( LSC) ( LIC) =
n
n
0 + 3
0 3
( 0 + k )
( 0 + k)
n
n
=
n
n
= 3 k 3 k
n
n
onde representa a f.d. da N(0,1).
Seja n = 4 (tamanho de uma amostra) e deseja-se determinar a probabilidade de se detectar uma
mudana de 2 na amostra seguinte a mudana. Ento tem-se:
= 3 2 3 2 = ( 1) ( 7) = 0,158655
4
4
No MINITAB:
MTB > CDF -1 K1;
SUBC> NORMAL 0 1.
MTB > CDF -7 K2;
SUBC> NORMAL 0 1.
MTB > SUBT K2 K1 K3
ANSWER = 0.1587
MTB > PRINT K1 K2 K3
K1
0.158655
K2
0
K3
0.158655
Ento, 0,158655 o risco da no deteco de uma mudana no valor da mdia do processo de uma
magnitude igual a 2. E consequentemente 1- = 0,841345 a probabilidade de se detectar a
87
mudana na amostra subsequente. Em geral se chama esta probabilidade de erro tipo II ou seja
aceita-se a hiptese de que o processo continua com a mdia 0 quando na verdade ele mudou para
1 . J 1- chamado poder do teste ou seja a probabilidade de se detectar a mudana quando ela
ocorreu. claro que tanto quanto 1- dependem do tamanho da amostra n. Quanto maior o
tamanho de n menor a probabilidade de se cometer erro ou melhor maior a chance do grfico
detectar a mudana. O grfico dos valores de para diversos tamanhos de amostra chamado de
CURVA CARACTERSTICA DE OPERAO. Abaixo tem-se a curva caracterstica de operao
para o Grfico de x .
A curva mostra que quando n=5 a probabilidade de se detectar uma mudana da ordem de 1,5 no
nvel do processo na primeira amostra aps a mudana de apenas:
1- = 1 - 0,75 = 0,25
E, a probabilidade da mudana ser detectada apenas na segunda amostra de:
(1-) = 0,75.0,25 = 0,19
e ainda se a deteco s ocorre na terceira amostra, tem-se:
2(1-) = 0,752.(0,25) = 0,14
Ento, pode-se generalizar que a probabilidade de se detectar a mudana somente na k-amostra
dada pela f.p.
k 1 (1 )
Voc conhece esta distribuio de probabilidade? Veja que se K a varivel aleatria que
representa o nmero de amostras tomadas at que seja detectada a mudana (pelo grfico), tem-se
que k = 1, 2, 3, 4, ... , que o campo de variao dessa varivel aleatria K. Uma varivel aleatria
assim tem distribuio geomtrica.
Ento, qual deve ser o nmero de amostras tomadas at que se consiga detectar a mudana? Bom,
estatisticamente tem-se a esperana (esperana matemtica) de 1
(1 ) ou seja espera-se uma
mdia de 1 (1 ) amostras at que se consiga detectar a mudana.
Na situao que se est considerando, tem-se:
1
Logo, espera-se que 4 amostras sejam analisadas at que se consiga detectar uma mudana de 1,5
na mdia do processo, quando se est tomando amostras de tamanho n=5. Consequentemente,
forte o argumento que diz que deve-se tomar amostras pequenas (4, 5 ou 6) para o Grfico de x ,
desde que elas sejam coletadas periodicamente. Assim, pode-se detectar a mudana rapidamente,
embora a chance seja pequena (1- = 0,25) na primeira amostra.
A Curva Caracterstica de Operao para o Grfico R depende da distribuio da amplitude relativa
W = R/. Supondo que o processo esteja sob controle e que o seu desvio-padro seja 0 , ento a
88
5. INTRODUO A CONFIABILIDADE
Uma fbrica de calculadoras eletrnicas pretende oferecer uma garantia de k anos pelo seu produto.
Se a calculadora falha por qualquer razo, em condies normais de uso, durante o perodo da
garantia, ela substituda. O tempo de uso at falhar uma v.a. modelada pela f.d.p. f T ( t ), t 0 . O
custo de fabricao de cada calculadora $C e o lucro na venda de $C/2. Uma questo que
interessa ao fabricante : "qual o efeito da garantia de substituio no lucro?". Para se responder esta
pergunta deve-se dispor da avaliao da porcentagem das calculadoras fabricadas que quebram
durante a garantia. Para se obter esta informao, uma vez que o tempo at falhar T uma v.a. com
f.d.p. f T ( t ) , deve-se calcular a probabilidade de falha antes do tempo k:
k
P(T < k ) = f T ( t ) dt
0
Mas, para se calcular P(T < k) deve-se ter f T ( t ) o modelo de probabilidade para a v.a. T.
Os modelos de probabilidade usuais, em confiabilidade, para componentes de um sistema
(componentes eletrnicos a maioria das vezes) so os seguintes:
a) MODELO EXPONENCIAL
f X ( x) = e x , x 0 e > 0
um parmetro (desconhecido) que deve ser estimado
- Uma simulao de uso intensivo, em laboratrio, ou mesmo o acompanhamento junto a assistncia
tcnica das calculadoras comercializadas e levadas para concerto pode fornecer uma a.a. dos tempos
at falhar[x1, x2, x3, ..., xn].
- Baseado na a.a. pode-se estimar o parmetro . Um bom estimador aquele que maximiza a
probabilidade da a.a. [x1, x2, x3, ..., xn] ocorrer ou melhor maximiza a funo de verossimilhana:
f X1 ,X 2 , ..., X n ( x 1 , x 2 , ..., x n ) = f X1 ( x 1 ). f X 2 ( x 2 ). ... . f X n ( x n )
n
xi
r
L(, x) = e x1 . e x2 . ... . e x n = n e i =1
r
ln L(, x)
1 n
= n x i = 0 $ =
i =1
x
i =1
1
x
89
r
1
2 ln L(, x)
= n 2 < 0 $ = ponto de mximo.
2
x
Ento o modelo ser f X ( x) = e x , x 0 e > 0 .
Mas, o modelo exponencial tem um problema. Ele no tem memoria, ou seja, o risco de falhar de
um componente velho (em uso) o mesmo que o de um componente novo, pois a sua taxa de falhas
constante. evidente que isto no corresponde a realidade. Em geral equipamentos eletrnicos
(por exemplo) podem falhar mais na "velhice" devido a desgaste do material, etc. A taxa de falhas
do modelo exponencial constante, disto resultando o problema descrito acima.
TAXA DE FALHAS OU FUNO RISCO CONSTANTE ( x)
( x) =
f X ( x)
(relao entre a f.d.p e o complemento da f.d)
1 FX ( x)
( x) =
e x
= (constante)
1 (1 e x )
b) MODELO DE WEIBULL
Uma v.a. X tem distribuio Weibull quando a sua f.d.p. definida por:
x 1e x
11+ e
x b
= x 1
x ( x)
x 0 ( x) 0
A estimativa dos parmetros feita pelo Mtodo da Mxima Verossimilhana. Por este mtodo,
escreve-se de incio a funo densidade de probabilidade conjunta da amostra de tempos de vida [x1,
x2, ... , xn],
f X1 ,X 2 , ..., X n ( x 1 , x 2 , ..., x n ) = f X1 ( x 1 ). f X 2 ( x 2 ). ... . f X n ( x n )
90
n
r
n
L(, , x) = () x i 1e
xi
i =1
i =1
que um sistema de equaes no-lineares simultneas. Para resolver este sistema pode-se usar o
Mtodo de Newton Raphson. Este mtodo foi deduzido a partir de uma Srie de Taylor.
Exerccio: Aplicar o Mtodo de Newton-Raphson para resolver o si stema de equaes no-lineares
simultneas acima. Faa um programa computacional para o algortmo.
comum encontrar-se na literatura a f.d.p. da v.a. Weibull escrita em uma forma diferente da
clssica (dada acima). Esta for ma diferente ocorre quando se faz =a e = 1 a , obtendo-se:
b
f X ( x) =
ax
a 1
x
b
e
ba
b$ = x ai
n i =1
n
1
a
n
1 a n
a$ = n x ai .log x i log x i
i =1
b$ i =1
Exerccio
O tempo de falha de um componente eletrnico est sendo modedelado segundo a distribuio
Weibull. Uma amostra aleatria com tamanho n=100 foi observada, os tempos de falha resistrados e
entrando-se nas equaes acima encontrou-se a$ =0,50 e b$ =1000. Estime a frao de componentes
que duram mais de 4000 horas.
R: 13,53%
91
REVISO
Consulte a bibliografia e responda as perguntas abaixo. Na dvida, pergunte ao professor. O
professor poder responder individualmente (na carteira) ou para a turma toda, de acordo com o
grau de dificuldade.
1) Quais os tipos de variveis que representam uma caracterstica populacional (pode ser
caracterstica de qualidade) ?
2) Quais os tipos de variveis quantitativas ?
3) Uma varivel aleatria uma funo que associa um nmero real a um evento aleatrio. Seja a
v.a. X que representa o nmero de disquetes defeituosos em um lote com 20 peas. Escreva o
domnio de X.
4) A v.a. da pergunta 3 discreta ou contnua ? Porqu.
5) Quais as principais distribuies discretas de probabilidade ?
6) Seja X uma v.a. que indica com 1 ou 0 se uma pea perfeita ou defeituosa. Qual o nome da
distribuio de probabilidade da v.a. X? Escreva a funo de probabilidade dela, quando a frao de
defeituosos 0,05. A soma dos valores da f.p. , sempre, quanto?
7) Voc est investigando uma caracterstica de qualidade do processo de produo da sua empresa.
Suponha que a caracterstica seja a resistncia presso do vidro da garrafa de embalagem. A v.a. X
representa esta presso. Os valores tpicos de X so 291,0 290,1, 289,0, etc., quando se faz
aproximao at dcimos na medida. Qual o tipo da varivel aleatria X ?
8) Qual o principal modelo de probabilidade? Para que tipos de dados ele deve ser usado ?
9) Uma v.a. X tem distribuio Normal com mdia e varincia 2. Faa um desenho, um esboo
do grfico da funo densidade de probabilidade da v.a. X.
10) Qual o nome da v.a. Y que conta o nmero de sucessos em n provas do tipo Bernoulli ? Escreva
a f.p..
11) Em um processo de produo a v.a. X representa o dimetro interno de um mancal. Este valor
(varivel aleatria X) varia para mais ou para menos em torno de um parmetro, de um valor
verdadeiro, desconhecido. Este valor verdadeiro, parmetro desconhecido pode muito bem ser
representado pela mdia da v.a. X ?
12) Como calculamos a esperana matemtica ou mdia de uma v.a. X, no caso discreto e o caso
contnuo?
13) Escreva a f.d.p. da v.a. x N ( , 2 ) .
14) Escreva a expresso dos estimadores dos parmetros populacionais e 2. Eles so calculados
com base em quem ?
15) As expresses acima, x e s 2 , so parmetros ou estatsticas? Porqu?
92
93
39) Qual a diferena entre o grfico de controle por atributo e por varivel ?
40) Faa um esboo do Grfico x .
41) Descreva como se faz para se testar a normalidade de uma amostra?
42) Qual a diferena entre Grfico p, Grfico np e Grfico c ?
43) O que significa PCR ? (Cp)
44) O que significa PCRs e PCRi ?
45) O que significa PCRk ? (Cpk)
46) O que significa capacidade potencial e capacidade atual ?
47) O que PCRkm?
48) Para que serve o histograma ?
49) Para que serve o Diagrama de Pareto ?
50) O que o Diagrama de Causa e Efeito ?
94
95
REFERNCIAS BIBLIOGRFICAS
[ 1] Montgomery, D.C. - Introduction to Statistical Quality Con trol, 2 ed., John Wiley & Sons
(1991).
[02] Deming, W.E. - Out of the crisis; Cambridge University Press Syndicate of the University of
Cambridge, Cambridge CB2 2RP, (1982).
[03] Bartmann, F.C. - Idias Bsicas do Controle Moderno de Qualidade; VII Sinape - Unicamp
Campinas (SP) (1986)
[04] Ross, S.M. - Introduction to Probability and Statistics for Engineers and Scientists; John Wiley
& Sons, Inc., (1987).
[05] Mann, N. R. - Deming. As Chaves da Excelncia; Makron Books do Brasil Editora Ltda; S.
Paulo (1992).
[06] MINITAB Reference Manual - Realese 8.2 (1992)