Você está na página 1de 167

ENGENHARIA DA QUALIDADE

2. Semestre/2013
i


ENGENHARIA DA QUALIDADE






O presente material foi elaborado com o objetivo de facilitar as atividades em sala de aula,
seguindo a bibliografia citada no final do texto, principalmente, o livro de Douglas C. Montgomery.
Este material no substitui a bibliografia citada, portanto, a leitura e/ou a consulta dos livros
recomendados necessria.

Profa. Sachiko Araki Lira






ii

SUMRIO

1 INTRODUO QUALIDADE ...................................................................................................................... 4
1.1 CONCEITO DE QUALIDADE .......................................................................................................................... 4
1.2 MELHORIA DA QUALIDADE .......................................................................................................................... 6
1.3 CARACTERSTICAS DA QUALIDADE............................................................................................................... 6
1.3.1 Variveis.......................................................................................................................................... 6
1.3.2 Atributos .......................................................................................................................................... 6
1.4 LIMITES DE ESPECIFICAO........................................................................................................................ 7
1.5 CUSTOS DA QUALIDADE ............................................................................................................................. 7
1.6 MTODO DE TAGUCHI ................................................................................................................................ 7
1.6.1 Introduo ....................................................................................................................................... 7
1.6.2 Funo Perda de Taguchi ................................................................................................................ 9
1.6.3 Tipos de Tolerncias ...................................................................................................................... 10
1.6.4 Fatores de Rudo .......................................................................................................................... 16
1.6.5 Razo Sinal/Rudo ......................................................................................................................... 16
2 CONTROLE ESTATSTICO DA QUALIDADE ............................................................................................. 19
2.1 DESCRIO DA VARIAO ........................................................................................................................ 20
2.1.1 Grfico de Ramo e Folhas (Stem-and-Leaf Plot) ............................................................................ 20
2.1.2 Grfico de Linhas ........................................................................................................................... 21
2.1.3 Distribuio de Freqncias e Histograma ..................................................................................... 22
2.1.4 Medidas de Tendncia Central e Disperso ................................................................................... 26
2.2 DISTRIBUIES DE PROBABILIDADES ......................................................................................................... 32
2.2.1 Distribuies Discretas de Probabilidades ...................................................................................... 33
2.2.2 Distribuies Contnuas de Probabilidades .................................................................................... 40
3 CONTROLE ESTATSTICO DO PROCESSO .............................................................................................. 50
3.1 AS SETE FERRAMENTAS DO CONTROLE ESTATSTICO DE PROCESSOS ....................................................... 50
3.1.1 Histograma de Freqncias e Diagrama de Ramo e Folhas ........................................................... 50
3.1.2 Folha de controle ........................................................................................................................... 50
3.1.3 Grfico de Pareto ........................................................................................................................... 51
3.1.4 Diagrama de Causa e Efeito ou Ishikawa ....................................................................................... 52
3.1.5 Diagrama de Concentrao de Defeito ........................................................................................... 53
3.1.6 Diagrama de Disperso ................................................................................................................. 54
3.1.7 Grfico de Controle ........................................................................................................................ 55
3.2 GRFICOS DE CONTROLE : ASPECTOS GERAIS ........................................................................................... 55
3.3 GRFICOS DE CONTROLE PARA VARIVEIS ................................................................................................ 56
3.3.1 Grficos de Controle de X e R ..................................................................................................... 56
3.3.2 Curva Caracterstica de Operao ................................................................................................. 63
3.3.3 Grficos de Controle de X e S .................................................................................................... 67
3.3.4 Grfico de Shewhart para Medidas Individuais (Grfico X) ............................................................. 78
3.4 RAZES DA CAPACIDADE DE PROCESSO .................................................................................................... 81
3.5 GRFICOS DE CONTROLE PARA ATRIBUTOS ............................................................................................... 86
iii

3.5.1 Grfico p (Grfico de Controle para Frao de no Conformes) ..................................................... 86
3.5.2 Grfico c (Grfico de Controle para no Conformidade) ................................................................. 93
3.5.3 Grfico u ........................................................................................................................................ 97
3.6 GRFICO DE CONTROLE DA SOMA CUMULATIVA ....................................................................................... 100
3.6.1 Grfico de Controle CUSUM para Monitoramento da Mdia do Processo..................................... 100
3.7 GRFICO DE CONTROLE DA MDIA MVEL EXPONENCIALMENTE PONDERADA ............................................. 106
4 AMOSTRAGEM DE ACEITAO .............................................................................................................. 112
4.1 INTRODUO ........................................................................................................................................ 112
4.2 PLANO DE AMOSTRAGEM NICA PARA ATRIBUTOS .................................................................................... 113
4.3 PLANO DE AMOSTRAGEM DUPLA PARA ATRIBUTOS ................................................................................... 118
4.4 PLANOS DE AMOSTRAGEM DA NORMA BRASILEIRA NBR 5426 ................................................................... 120
5 ANLISE DE EXPERIMENTOS ................................................................................................................. 124
5.1 PLANEJAMENTO DE EXPERIMENTOS ........................................................................................................ 124
5.2 EXPERIMENTOS FATORIAIS ..................................................................................................................... 126
5.2.1 Experimentos Fatoriais com 2 Fatores - sem Repetio ............................................................... 126
5.2.2 Experimentos Fatoriais com 2 Fatores - com Repetio ............................................................... 133
5.3 DIAGNSTICO DO MODELO ..................................................................................................................... 139
5.4 COMPARAES MLTIPLAS ENTRE MDIAS .............................................................................................. 143
5.4.1 Teste HSD de Tukey .................................................................................................................... 144
6 NORMAS DA QUALIDADE ........................................................................................................................ 146
SOLUES DAS LISTAS DE EXERCCIOS ................................................................................................ 148
BIBLIOGRAFIA ............................................................................................................................................. 157
ANEXOS ...................................................................................................................................................... 158
TABELA A1.1 REAS SOB A CURVA NORMAL ....................................................................................... 159
TABELA A1.2 REAS SOB A CURVA NORMAL ....................................................................................... 160
TABELA A2 - DISTRIBUIO DE F DE SNEDECOR (Nvel de significncia de 1%) .................................. 161
TABELA A3 - DISTRIBUIO DE F DE SNEDECOR (Nvel de significncia de 5%) ................................... 162
TABELA A4 - DISTRIBUIO DE F DE SNEDECOR (Nvel de significncia de 10%) ................................. 163
TABELA A5 - VALORES CRTICOS PARA
o
q (TESTE DE TUKEY)............................................................. 164
TABELA A6.1 DISTRIBUIO DE POISSON ACUMULADA...................................................................... 165
TABELA A6.2 DISTRIBUIO DE POISSON ACUMULADA...................................................................... 166

4

1 INTRODUO QUALIDADE
1.1 Conceito de Qualidade
possvel conceituar qualidade de vrias maneiras. A maioria das pessoas tem uma
compreenso conceitual de qualidade como de algo relacionado a uma ou mais caractersticas
desejveis que um produto ou servio deve ter (MONTGOMERY, 2009).
A qualidade de um produto pode ser avaliada atravs das dimenses da qualidade. De acordo
com MONTGOMERY (2009), Garvin
1
relaciona oito componentes ou dimenses da qualidade, quais
sejam:
1. Desempenho: Os consumidores normalmente avaliam um produto para determinar se este
desempenhar certas funes especficas e quo bem ele as desempenhar. A questo : o produto
realizar a tarefa pretendida?
2. Confiabilidade: Est relacionada com a freqncia de falhas do produto. de esperar, por
exemplo, que um automvel necessite de reparos ocasionais, mas se o mesmo requer reparos
constantes, ento ele no confivel.
3. Durabilidade: a vida til real do produto. Os consumidores desejam um produto que tenha um
desempenho satisfatrio por um longo perodo de tempo.
4. Assistncia tcnica: A preocupao com a facilidade para se consertar o produto. A viso de
qualidade do consumidor est relacionada diretamente com a rapidez e economia com que um reparo
ou manuteno de rotina possa ser feita.
5. Esttica: a dimenso do apelo visual do produto, que leva em conta fatores como a cor, forma,
embalagem, caractersticas tteis.
6. Caractersticas: Em geral, os consumidores associam alta qualidade a produtos que apresentam
caractersticas a mais, ou seja, aqueles que apresentam caractersticas alm do desempenho bsico.
Por exemplo, ao adquirir uma planilha eletrnica, esta pode conter funes estatsticas, sendo que
uma outra pode no oferecer esta opo.
7. Qualidade percebida: Em muitos casos, os consumidores confiam na reputao passada da
empresa em relao qualidade de seu produto.
8. Conformidade com especificao: De forma geral, considera-se como de alta qualidade, o
produto que apresenta, exatamente as especificaes a ele destinado. Por exemplo, o ajuste de uma
capota est exatamente rente com a altura do pra lama?
Definio tradicional: Qualidade significa adequao para uso.

1
GARVIN, D. A. (1987). Competing in the Eight Dimensions of Quality. Harvard Business Review, Sept.-Oct.
5

Dois aspectos gerais da adequao ao uso: qualidade do projeto e qualidade de
ajustamento. A qualidade do projeto est relacionada com as variaes nos nveis de qualidade
diferenciadas, que so intencionais. Por exemplo: o objetivo bsico de todos os carros proporcionar
transporte seguro. Entretanto, os automveis diferem em tamanho, especificaes, aparncia e
desempenho. Essas diferenas de projeto incluem os tipos de materiais utilizados na fabricao, a
confiabilidade dos motores e propulso, as especificaes dos componentes, entre outros acessrios
e equipamentos. J, a qualidade do ajustamento como o produto corresponde s especificaes
exigidas pelo projeto. A qualidade de ajustamento altamente influenciada por inmeros fatores, tais
como: os processos de manufatura, treinamento e superviso da mo-de-obra, sistema de garantia
de qualidade utilizada (controle de processos, testagens, atividades de inspeo, etc.), a forma como
os procedimentos de garantia de qualidade so seguidos e a motivao da equipe envolvida, para
alcanar a qualidade.
Definio moderna: Qualidade inversamente proporcional variabilidade.
De acordo com a definio acima, se a variabilidade nas caractersticas importantes de um
produto decresce, a qualidade do produto aumenta.
Um estudo comparativo, entre as transmisses fabricadas por uma empresa de automveis
dos Estados Unidos e a fornecida por um fabricante japons, mostra a eficcia da definio acima
(MONTGOMERY, 2009).
A figura 1 mostra a anlise feita dos termos de garantia e dos custos de reparo. A figura 2
apresenta a distribuio das caractersticas crticas das transmisses fabricadas nos Estados Unidos
e Japo. Observa-se que as caractersticas crticas, das transmisses fabricadas nos Estados
Unidos, ocupa aproximadamente 75% da amplitude das especificaes, enquanto, para as fabricadas
no Japo, 25%.






Como possvel fazer isto? Atravs do uso sistemtico e efetivo dos mtodos a serem
discutidos.


Japo
Japo
EUA
EUA Alvo LIE LSE
FIGURA 1 - CUSTOS DE GARANTIA PARA AS
TRANSMISSES
FIGURA 2 - DISTRIBUIES DAS DIMENSES
CRTICAS PARA AS TRANSMISSES

$

6

1.2 Melhoria da Qualidade
Definio: a reduo da variabilidade nos processos e produtos.
Outra definio: a reduo do desperdcio.
1.3 Caractersticas da Qualidade
Todo o produto possui elementos, que no conjunto, descrevem a qualidade, do ponto de vista
do consumidor. Esses parmetros so normalmente, chamados caractersticas da qualidade, que
podem ser:
Fsicas: comprimento, largura, voltagem, viscosidade, etc.
Sensoriais: aparncia, cor, etc.
Orientao temporal: confiabilidade, durabilidade, praticidade.
As caractersticas da qualidade podem se relacionar direta ou indiretamente, com as
dimenses da qualidade, apresentadas na seo 1.1.
Engenharia da qualidade: conjunto das atividades operacionais, de gerenciamento e de
engenharia utilizado pela empresa para garantir que as caractersticas da qualidade de um produto
estejam nos nveis nominais ou exigidos.
Muitas empresas acham difcil e caro, fornecer ao consumidor, produtos que tenham as
caractersticas de qualidade sempre idnticas, de uma para outra unidade, ou que estejam em nveis
que atendam as expectativas do consumidor. A causa principal disso a variabilidade.
As principais fontes da variabilidade incluem diferenas nos materiais, diferenas no
desempenho e operao dos equipamentos utilizados, diferenas na forma de realizao das tarefas
pelos operadores, etc.
Sendo que a variabilidade s pode ser descrita em termos estatsticos, os mtodos estatsticos
desempenham papel fundamental nos esforos para a melhoria da qualidade. Na aplicao de
mtodos estatsticos engenharia da qualidade comum classificar os dados referentes s
caractersticas de qualidade em variveis e atributos, cujos conceitos so apresentados a seguir.
1.3.1 Variveis
Os dados de variveis so usualmente medidas contnuas, como por exemplo, comprimento,
voltagem e viscosidade.
1.3.2 Atributos
Por outro lado, os dados de atributos so normalmente discretos, em geral sob a forma de
contagem, como por exemplo, o nmero de produtos no conformes.
7

1.4 Limites de Especificao
As caractersticas de qualidade so normalmente, avaliadas em relao s especificaes.
Para um produto manufaturado, as especificaes so as medidas desejadas para as caractersticas
de qualidade dos componentes ou das partes que constitui o produto, bem como os valores
desejados para as caractersticas de qualidade do produto final.
Valor nominal ou valor-alvo o valor de uma medida que corresponde ao valor desejado
para a caracterstica de qualidade. Esses valores-alvo so, geralmente, limitados por um intervalo de
valores que, acredita-se estarem to prximos do alvo que, se a caracterstica da qualidade estiver
nesse intervalo, no causar impacto na funo ou desempenho do produto. O maior valor aceitvel
para uma caracterstica de qualidade chamado de limite superior de especificao (LSE) e o menor
valor aceitvel, de limite inferior de especificao (LIE).
As especificaes do produto so, geralmente, resultados do processo de planejamento de
engenharia.
1.5 Custos da Qualidade
De forma geral, os custos da qualidade so aquelas categorias de custos que esto
associadas a produzir, identificar, evitar ou reparar produtos que no esto de acordo com as
especificaes. Os custos da qualidade podem ser agrupados em quatro categorias:
1. Custos de preveno: so os custos associados a esforos no projeto e fabricao, dirigidos
preveno de no-conformidade. So os custos assumidos no esforo para fazer certo da
primeira vez.
2. Custos de avaliao: So os custos associados a medio, avaliao ou auditoria dos produtos,
componentes e materiais adquiridos para garantir a conformidade aos padres que tenham sido
impostos.
3. Custos de Falha Interna: estes custos ocorrem quando produtos, componentes, materiais e
servios deixam de corresponder s exigncias da qualidade, e essa falha descoberta antes da
entrega do produto ao cliente.
4. Custos de Falha Externa: estes custos ocorrem quando o produto no funciona satisfatoriamente
depois de entregue ao cliente.
Os dois ltimos custos desapareceriam se no houvesse defeitos no produto ou se toda
unidade do produto correspondesse s especificaes.
1.6 Mtodo de Taguchi
1.6.1 Introduo
Genichi Taguchi desenvolveu uma metodologia baseada em tcnicas estatsticas de
planejamento de experimentos, com o objetivo de melhorar a qualidade dos produtos manufaturados.
8

A filosofia de Taguchi est relacionada a todo o ciclo de produo, desde a concepo do
projeto at a transformao em produto final. Taguchi define a qualidade em termos das perdas
geradas por esse produto para a sociedade. Para Taguchi, a chave para a reduo das perdas no
est na conformidade com as especificaes, mas na reduo da variabilidade em relao aos
objetivos fixados, ou seja, o valor alvo do desempenho do produto.
Sua filosofia e tcnicas geraram grande interesse entre os engenheiros e estatsticos e
durante a dcada de 1980, esta metodologia foi usada em muitas empresas, incluindo a AT&T Bell
Laboratories, Ford Motor Company e Xerox.
Para Taguchi, a qualidade dever ser incorporada no produto (na fase de concepo). As
melhorias devem ocorrer na fase de projeto de um produto ou processo, continuando durante a fase
de produo. A falta de qualidade no pode ser melhorada atravs de inspeo aps a produo,
como na forma tradicional.
A qualidade est diretamente relacionada com o desvio em relao s metas ou valor nominal.
Os custos de qualidade devem ser medido em relao ao desvio destas metas, que inclui custos de
refazer, inspeo, garantia, devolues e substituies.
O produto deve ser desenhado de forma robusta e imune aos fatores externos no
controlveis como por exemplo a temperatura, umidade relativa, calor, vibrao, etc. Os valores para
os parmetros crticos devem ser especificados e ter a segurana de que a produo atende essas
metas com o mnimo desvio.
Taguchi defende uma filosofia de engenharia de qualidade que amplamente aplicvel. Ele
considera trs etapas no desenvolvimento de um produto (ou processo): a) projeto de sistema: nesta
etapa, os engenheiros utilizam os princpios cientficos e de engenharia para determinar a
configurao bsica do sistema.
a) projeto de parmetros: nesta fase, os valores especficos para os parmetros do sistema so
determinados. O objetivo especificar esses valores de parmetros nominais de tal modo que a
variabilidade causada pelas variveisincontrolveis ou rudo seja minimizada.
b) projeto de tolerncia: esta fase utilizada para determinar as melhores tolerncias para os
parmetros.
Taguchi recomenda que mtodos estatsticos de planejamento de experimentos sejam
utilizados para auxiliar neste processo, particularmente durante a definio dos parmetros e
especificao das tolerncias. Mtodos de planejamento de experimentos podem ser utilizadas para
encontrar o melhor projeto de produto ou processo, onde "melhor" significa um produto ou processo
que robusto ou insensvel a fatores incontrolveis que iro influenciar o produto ou processo.
Em resumo, a filosofia de Taguchi envolve trs idias centrais: 1. Produtos e processos devem
ser concebidas de modo que eles sejam robustos s fontes externas de variabilidade. 2. Mtodos de
9

planejamento de experimentos so uma ferramenta de engenharia para ajudar a realizar este
objetivo. 3. Trabalhar com valor nominal ou alvo mais importante do que a conformidade com as
especificaes.
O mtodo de Taguchi um mtodo de controle de qualidade off line, ou seja, o controle da
qualidade aplicado durante o planejamento do produto e durante o planejamento do processo de
produo.
1.6.2 Funo Perda de Taguchi
A perda ocasionada pela variao funcional (desvio do valor nominal) foi quantificada por
Taguchi atravs da funo perda. Taguchi afirma que a perda para a sociedade como um todo
mnima quando a performance do produto atende ao valor nominal (desempenho desejado) e a
quantificao desta perda em valor monetrio faz com que todos compreendam a importncia do
aperfeioamento do processo de produo do produto (servio), desde o operrio mais simples at o
presidente da empresa.
Normalmente, os projetos de engenharia definem as especificaes para um parmetro como
sendo A m , sendo m o valor nominal projetado e A o desvio admissvel. Desta forma o parmetro m
pode variar no intervalo que vai de A m at A + m e dentro deste intervalo, todos so considerados
igualmente bons para o consumidor. Fora do intervalo o produto considerado no-conforme ou
inaceitvel .
A perda ocorre quando a caracterstica funcional da qualidade de um produto (representada
por y) desvia-se do valor nominal (repesentado por m), sem importar-se com o tamanho do desvio.









FONTE: TAGUCHI et. al. (1990)

Observa-se atravs do grfico que a perda da qualidade causada por desvios equivale a zero
quando m y = ; a perda aumenta quando o valor da caracterstica funcional se desloca de m tanto
para valores maiores como para menores. Quando o valor da caracterstica funcional excede

10

qualquer desses valores, A + m ou A m (ondeA definido como tolerncia), a perda na qualidade
igual ao custo da perda ou de fabricao do produto
Suponha que a perda devido a um item no-conforme, por causa de inutilizao, de conserto
ou de reclassificao (segunda linha), seja A. Neste caso, designa-se a funo perda por ) y ( L e
transforma-se a mesma numa srie de Taylor, em torno do valor nominal m:
) m y m ( L ) y ( L + =
ou
+
(

' '
+
(

'
+ =
2
) m y (
! 2
) m ( L
) m y (
! 1
) m ( L
) m ( L ) y ( L
Sendo que 0 ) y ( L = quando m y = (por definio, perda da qualidade zero quando m y = ), e
atinge-se o valor mnimo da funo neste ponto (ver figura acima), sua primeira derivada em relao
a m, ) m ( L' , zero. Os dois primeiros termos da equao so, ento, iguais a zero. Desprezando-se
os termos de ordem superior a 2, a equao reduzida a:
2
) m y (
! 2
) m ( L
) y ( L
(

' '
=
ou
2
) m y ( k ) y ( L =
onde k uma constante de proporcionalidade desconhecida que se pode calcular por meio do
conhecimento da L(y) para qualquer valor de y. normal se obter a constante k pelo conhecimento
das perdas causadas ao se ultrapassar as tolerncias (custos ou perdas representadas pelo refugo
ou reelaborao).
Uma das utilidades da funo perda a especificao tima das tolerncias. Quando y supera
as tolerncias devido ao desvio de y, a perda do consumidor devido a um item no conforme , como
dito anteriormente, A unidades monetrias, assim substituindo y pelo intervalo ( A m ) , tem-se:
2
) m m ( k A A =
onde
2
A
k
A
=
1.6.3 Tipos de Tolerncias
Utilizando o conceito da funo perda avalia-se o nvel da qualidade para os seguintes tipos
de tolerncias:
11

1. Nominal melhor (tipo N)
2. Quanto menor melhor (tipo S)
3. Quanto maior melhor (tipo L)
1.6.3.1 Nominal Melhor (N)
Exige-se este tipo de tolerncia para muitos produtos, peas, elementos e componentes
quando se prefere um tamanho (ou caracterstica) nominal.
Retornando-se funo perda, para a situao nominal melhor:
2
) m y ( k ) y ( L =
sendo o valor do coeficiente k dado por:
2
A
k
A
= .
Logo:
2
2
) m y (
A
) y ( L
A
=
1.6.3.1.1 Perda Mdia Unitria
A soma das perdas de n produtos (itens) produzidos dada por:

=
=
n
1 i
2
i
) m y ( k perdas das Soma .
Tem-se ento que a perda mdia unitria obtida atravs de:

2 2 2
d k ) m y (
n
1
k ) m y ( k
n
1
) y ( L
n
1 i
i
n
1 i
i
= = =

= =
,
Onde:
2
d o desvio quadrtico mdio dos valores ys do valor valor nominal m;

2
A
k
A
= .
A expresso acima pode ser expressa como sendo: | |
2 2
) m Y ( S k ) y ( L = +
Exemplo (TAGUCHI et. al. (1990)):
Um fabricante de rolamento de esferas utilizado em turbina gs exige que a tolerncia do
dimetro seja m 6 , 0 m (micrmetro ou mcron), onde m o valor nominal do dimetro. A taxa de
produo de 80.000 esfera por dia a um custo de 0,30 unidade monetria por esfera. Esferas no
conformes no podem ser retrabalhadas e so, portanto, destruidas. Foram registrados os seguintes
desvios para dimetro:

0,3 0,0 0,1 0,0 0,3 0,2 0,1 -0,2 0,6 0,4
-0,2 0,1 0,0 -0,4 0,5 0,4 -0,2 0,0 0,0 0,2
12

A perda causada pelo desvio do valor nominal estimada como sendo:
2
2
d
A
) y ( L
A
= ,
onde
2
d o desvio quadrtico mdio dos valores ys do valor valor nominal m.
Logo:
075 , 0 2 , 0 1 , 0 0 , 0 3 , 0
20
1
) m y (
n
1
d
2 2 2 2
n
1 i
2
i
2
=
(

+ + + = =

=


Assim, o nvel de qualidade das esferas, medido pela funo perda :
monetria unidade 0625 , 0 075 , 0
) 6 , 0 (
30 , 0
) y ( L
2
= =
1.6.3.2 Quanto Menor Melhor (Tipo S)
Tolerncia do tipo "quanto menor melhor" envolve uma caracterstica no-negativa, cujo valor
ideal zero. Tem-se como exemplo tpico de tal caracterstica a impureza. Desgaste, encolhimento,
deteriorao e nvel de perturbao so tambm bons exemplos deste tipo.
O grfico a seguir mostra a funo perda do tipo quanto menor melhor.








A constante de custo k pode ser calculada de modo similar situao nominal melhor.
Existe determinada perda associada a um valor especfico de y. A perda pode ser, ento, calculada
para qualquer valor de y baseando-se no valor de k. Esta funo perda idntica situao nominal
melhor com m = 0, que o menor valor para a caracterstica menor melhor (sem valores
negativos). E a equao :
2
) y ( k ) y ( L =

e o valor do coeficiente k dado por:
2
A
k
A
= , logo a funo perda ser:

2
) y (
A
) y ( L
2
A
=



13

1.6.3.2.1 Perda Mdia Unitria
Tem-se ento que a perda mdia unitria obtida atravs de:
2 2
i
2
i
d k y
n
1
k y k
n
1
) y ( L
n
1 i
n
1 i
= = =

= =
,
Onde:
2
d a mdia dos quadrados dos valores ys;
2
A
k
A
= .
A expresso acima pode ser expressa como sendo:
(

+ =
2
2
S Y k ) y ( L .
Exemplo (TAGUCHI et. al. (1990)):
Um fabricante de blocos padro exige que a planeza da superfcie de cada bloco esteja dentro
de 12 m . claro que quanto menor o desvio na planeza, melhor o bloco. A perda causada por
condies fora da tolerncia 80,00 unidade monetria. Os dados de planicidade fornecidos abaixo
foram obtidos medindo um bloco diariamente, durante duas semanas consecutivas.
0 5 4 2 3 1 7 6 8 4
6 0 3 10 4 5 3 2 0 7

Tem-se que: m 12 = A e 00 , 80 A = unidade monetria. O nvel de qualidade da mquina dada
por:
2
d
A
) y ( L
2
A
= , onde
2
d a mdia dos quadrados dos valores ys.
| |
2 2 2 2 2 2
m 4 , 23 7 4 5 0
20
1
d = + + + =
monetria unidade 00 , 13 4 , 23
12
80
) y ( L
2
= =
1.6.3.3 Quanto Maior Melhor (Tipo L)
Tolerncia do tipo "quanto maior melhor" aplicvel s caractersticas tais como a resistncia
dos materiais e o rendimento de combustveis. Nestes casos, no h valores nominais pr-
determinados e quanto maior for o valor da caracterstica, melhor ser.
O grfico a seguir mostra a funo perda do tipo quanto maior melhor.




14









Novamente, pode-se calcular a constante de custo tomando-se como base determinada perda
associada a um valor especfico de y. E a equao :
|
|
.
|

\
|
=
2
y
1
k ) y ( L

e o coeficiente por
2
A k A =
. Assim, a funo perda ser:

|
|
.
|

\
|
A =
2
2
y
1
A ) y ( L

1.6.3.3.1 Perda Mdia Unitria
Tem-se ento que a perda mdia unitria obtida atravs de:
2
d k
y
1
n
1
k
y
1
k
n
1
) y ( L
n
1 i
2
i
n
1 i
2
i
=
(
(

=
(
(

=

= =
,
Onde:
2
d a mdia do inverso dos quadrados dos valores ys;
2
A k A = .

O desvio quadrtico mdio aproximado da expresso apresentada acima pode ser obtido
atravs de:
|
|
.
|

\
|
+
|
|
.
|

\
|
=
2
2
2
2
Y
S 3
1
Y
1
d . E, a funo perda ser dada por :
|
|
.
|

\
|
+
|
|
.
|

\
|
=
2
2
2
Y
S 3
1
Y
1
k ) y ( L
A aproximao melhora utilizando a seguinte expresso (SHARMA et. al., 2007):
|
|
.
|

\
|
+ +
|
|
.
|

\
|
=

4
4
3
3
2
2
2
Y
5
Y
4
Y
S 3
1
Y
1
k ) y ( L


onde:

15

=
=
n
1 i
3
3
) Y y (
n
1
i

=
=
n
1 i
4
4
) Y y (
n
1
i


Exemplo (TAGUCHI et. al. (1990)):
A resistncia de um adesivo determinada pela fora necessria para separar os itens ligados
pelo adesivo. O limite inferior da especificao A 5 kgf para a carga de ruptura. Os itens fora da
especificao so destruidos, resultando em perda de 70,00 unidades monetria por item. A taxa de
produo anual de 120.000 itens. Aps serem ensaiadas 16 itens, foram obtidos os seguintes
valores referentes fora de ruptura, em kgf:

10,2 5,8 4,9 16,1 15,0 9,4 4,8 10,1
14,6 19,7 5,0 4,7 16,8 4,5 4,0 16,5
Tem-se que:
2 2
d A ) y ( L A =
onde:
(
(

=
n
1 i
2
i
y
1
n
1
2
d
0228 , 0
5 , 16
1
8 , 5
1
2 , 10
1
16
1
2 2 2
2
d =
(
(

+ + =
monetria unidade 90 , 39 0228 , 0 5 70 d A ) y ( L
2 2 2
= = A =
LISTA DE EXERCCIOS N
o
. 1
1. Na fabricao do dimetro externo de uma pea trabalhada, a tolerncia de 10 , 0 pol
(aproximadamente mm 254 , 0 ) e o valor nominal especificado em projeto 0,5 pol. Se a pea chegar
ao final da linha de produo com dimetro fora dos limites, ela dever ser sucateada a um custo de
$4,00. Evidentemente, o custo de sucateamento apenas um aspecto da perda para a sociedade.
a) determine a constante k associada ao custo;
b) escreva a expresso da funo perda;
c) determine a perda associada a uma pea que tem dimetro desviado de 0,003 pol.

2. Um produto fabricado com as especificaes de engenharia para um certo parmetro de
qualidade de 5 150 . Uma amostra aleatria de 12 itens forneceu os seguintes valores para a
varivel Y (caracterstica medida):
151 155 152 149 147 152 150 150 149 151 149 160
16

Sabe-se que um produto que tenha a caracterstica fora dos limites de especificao tem um
custo de reparo de $4.
a) Qual o valor do coeficiente k na funo perda?
b) Qual o valor da perda estimada por unidade do produto?
3. O potencial de um leitor digital de temperaturas dever ser de 120 volt. Sabendo que o custo mdio
de reparao destes aparelhos quando o potencial sai fora dos limites volt 10 120 $50.
Determinar:
a) A constante da funo perda;
b) O valor da perda, se um aparelho for vendido com um potencial de 115 volt.
1.6.4 Fatores de Rudo
O desempenho do produto, ou seja, a sua qualidade pode variar em funo de vrias razes. As
causas dessa variabilidade so chamadas de fatores de rudo. Os fatores de rudo fazem com que
uma caracterstica funcional se desvie do seu valor alvo ou nominal.
Os fatores de rudos podem ser agrupados em trs tipos:
a) Fatores de rudo externos: decorrem tanto das condies de utilizao do produto quanto do
ambiente em que o produto utilizado, como, por exemplo, falha na operao do produto, umidade
do ar, tenso da rede de energia, poeira, temperatura ambiente, etc.;
b) Fatores de rudo de deteriorao: esto ligados s caractersticas prprias do produto, do processo
ou servio. comum para certos produtos que o tempo de uso ou de armazenagem levem a uma
deteriorao da performance. Por exemplo: corroso, fatiga, e qualquer degradao fsica crescente
com o tempo;
c) Fatores de rudo de unidade para unidade: corresponde variabilidade entre unidades do produto
manufaturados sob as mesmas especificaes.
1.6.5 Razo Sinal/Rudo
Taguchi recomenda o uso de planejamento de experimentos para construir a matriz de
parmetros do projeto e dos fatores de rudo, e a utilizao de uma medida chamada razo
sinal/rudo como medida de desempenho.
Os parmetros de projeto associados mxima razo sinal/rudo garantem a qualidade
robusta, isto , o desempenho menos sensvel s variaes do rudo.
Existem diferentes relaes S/R disponveis, de acordo com o tipo de caracterstica; menor
melhor, ou maior melhor, ou nominal melhor.
Sejam
n 2 1
y ..., , y , y , valores que representam a caracterstica de desempenho. As equaes
para o clculo das razes S/R para as caractersticas so:
17

1.6.5.1 Menor melhor:
|
|
.
|

\
|
=

=
n
1 i
2
i
y
n
1
log 10 R / S
onde:
n = nmero de repeties num ensaio (nmero de repeties independente dos nveis de rudo)
1.6.5.2. Nominal melhor
|
|
|
.
|

\
|
=
2
2
S
y
log 10 R / S
refletindo o resultado desejado ( y ) dividido pelo resultado no desejado
2
S .
1.6.5.3 Maior melhor
|
|
.
|

\
|
=

=
n
1 i
2
i
y
1
n
1
log 10 R / S
Exemplos de Aplicao:
1) As tenses de sada de dois modelos diferentes de geradores de automveis foram:
Modelo 1: 11,0 - 12,5 - 10,5 - 14,3 - 12,25 -11,6
Modelo 2: 12,2 - 11, 5 - 10,2 - 13,8 - 14,6
a) Se o valor alvo de 12 volts, determinar o modelo que suscetvel de produzir tenso de sada
mais consistente (nominal o melhor);
Soluo:
|
|
|
.
|

\
|
=
2
2
S
y
log 10 R / S

Modelo 1: 0 , 12 y = ; 8 , 1 S
2
= ; 04 , 19
8 , , 1
12
log 10 R / S
2
=
|
|
.
|

\
|
=
Modelo 2: 5 , 12 y = ; 1 , 3 S
2
= ; 97 , 16
1 , 3
5 , 12
log 10 R / S
2
=
|
|
.
|

\
|
=
b) qual projeto voc deve preferir para a situao maiores tenses so mais consistentes (maior
melhor)?
Soluo:
18

|
|
.
|

\
|
=

=
n
1 i
2
i
y
1
n
1
log 10 R / S
Modelo 1: 48 , 21 0,0427
6
1
log 10 R / S = |
.
|

\
|
=
Modelo 2: 70 , 21 0,0338
5
1
log 10 R / S = |
.
|

\
|
=
2) Os compsitos com matriz de alumnio e reforo de partculas de carboneto de silcio (Al/SiC) vem
sendo amplamente estudados, produzidos e comercializados. Isto devido possibilidade de serem
obtidos com materiais e tcnicas de fabricao acessveis e devido tambm, ao seu baixo custo e
boas propriedades. No trabalho
2
, os compsitos foram fabricados pelo processo de fundio. Foram
estudadas as influncia dos seguintes parmetros: tenso, taxa de alimentao e concentrao de
eletrlito. A varivel resposta a taxa de remoo de metal (MRR) .
Os nveis adotados para os parmetros foram:

PARMETROS CDIGO
NVEIS
1 2 3
Tenso (Volts) A 12 16 20
Taxa de alimentao (mm/min) B 0,1 0,2 0,3
Concentrao de eletrlitos (g/l) C 10 20 30

A matriz utilizada foi L9 e os resultados obtidos esto apresentados abaixo.

EXPERI-
MENTO
A B C ERRO MRR
1 1 1 1 1 0,0559
2 1 2 2 2 0,0789
3 1 3 3 3 0,1023
4 2 1 2 3 0,0765
5 2 2 3 1 0,0987
6 2 3 1 2 0,1012
7 3 1 3 2 0,0923
8 3 2 1 3 0,1005
9 3 3 2 1 0,1200
MRR= (peso inicial-peso final)/tempo


2
Application of Taguchi methods and ANOVA in optimization of process parameters for metal removal
rate in electrochemical machining of Al/5%SiC composites.

19

A taxa de remoo de metal foi considerada como a caracterstica de qualidade com o conceito de
maior melhor. Calcular o sinal rudo e analisar qual experimento apresenta melhor performance.
|
|
.
|

\
|
=

=
n
1 i
2
i
y
1
n
1
log 10 R / S
-25,0518
0559 , 0
1
log 10 R / S
2
1
=
|
|
.
|

\
|
=
0585 , 22 -
0789 , 0
1
log 10 R / S
2
2
=
|
|
.
|

\
|
=
EXPERIMENTO MRR S/R
1 0,0559 -25,0518
2 0,0789 -22,0585
3 0,1023 -19,8025
4 0,0765 -22,3268
5 0,0987 -20,1137
6 0,1012 -19,8964
7 0,0923 -20,696
8 0,1005 -19,9567
9 0,1200 -18,4164
MRR= (peso inicial-peso final)/tempo

2 CONTROLE ESTATSTICO DA QUALIDADE
A Estatstica Descritiva a parte que trata da organizao e descrio de dados, atravs dos
clculos de mdias, varincias, estudo de grficos, tabelas, etc.
A teoria das probabilidades permite-nos modelar os fenmenos aleatrios, ou seja, aqueles
em que est presente a incerteza. uma ferramenta fundamental para a inferncia estatstica.
A Estatstica Indutiva ou Inferncia Estatstica compreende um conjunto de tcnicas
baseadas em probabilidades, que a partir de dados amostrais, permite tirar concluses sobre a
populao de interesse.
A Amostragem o ponto de partida para um estudo Estatstico. O estudo de qualquer
fenmeno, seja ele natural, social, econmico ou biolgico, exige a coleta e a anlise de dados
estatsticos. A coleta de dados , pois, a fase inicial de qualquer pesquisa.
20

2.1 Descrio da Variao
Duas ou mais unidades produzidas por um processo de fabricao nunca so idnticas.
Alguma variao inevitvel. Existem diferentes mtodos grficos para resumir e apresentar dados.
Sero apresentados dois deles: grfico de ramo e folhas e grfico de linhas.
2.1.1 Grfico de Ramo e Folhas (Stem-and-Leaf Plot)
Seja a amostra constituda pelos valores
n 2 1
x ,..., x , x e suponha que cada valor
i
x consista de
pelo menos dois dgitos. Os passos para a construo do grfico de ramo-e-folhas so:
1. Ordenar os valores para encontrar o valor mnimo e mximo dos dados;
2. Dividir cada nmero
i
x em duas partes: um ramo, consistindo em um ou mais dgitos iniciais, e
uma folha, consistindo nos dgitos restantes ;
3. Listar os valores do ramo em uma coluna vertical;
4. A partir dai colocam-se os valores na folha. O valor zero, significa que h informao e que um
nmero inteiro. J, quando naquele valor inteiro no existe observaes, no colocar nada, deixar
em branco;
5. Escrever as unidades para os ramo e folhas no grfico.
Exemplo 1: A produo semanal de uma fbrica de semicondutores encontra-se apresentada a
seguir.
SEMANA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
PRODUO 48 53 49 52 51 52 63 60 53 64 59 54 47 49 45 64 79 65 62 60
SEMANA 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
PRODUO 68 65 73 88 69 83 78 81 86 92 75 85 81 77 82 76 75 91 73 92
Ordenando a varivel produo, tem-se:
PRODU-
O
45 47 48 49 49 51 52 52 53 53 54 59 60 60 62 63 64 64 65 65
68 69 73 73 75 75 76 77 78 79 81 81 82 83 85 86 88 91 92 92
O grfico de ramo e folhas ser:
RAMO FOLHA FREQ.
4 57899 5
5 1223349 7
6 0023445589 10
7 33556789 8
8 1123568 7
9 122 3

Exemplo 2: Os dados a seguir tratam-se da resistncia compresso (em psi) de 30 corpos de prova
da liga de alumnio-ltio.
21

No. Obs. 1 2 3 4 5 6 7 8 9 10
X 105 97 245 163 207 134 218 199 160 196
No. Obs. 11 12 13 14 15 16 17 18 19 20
X 221 154 228 131 180 178 157 151 175 201
No. Obs. 21 22 23 24 25 26 27 28 29 30
X 183 153 174 154 190 76 101 142 149 200

ROL:
76 97 101 105 131 134 142 149 151 153
154 154 157 160 163 174 175 178 180 183
190 196 199 200 201 207 218 221 228 245

RAMO FOLHA FREQ.
7 6 1
8
9 7 1
10 15 2
11
12
13 14 2
14 29 2
15 13447 5
16 03 2
17 458 3
18 03 2
19 069 3
20 017 3
21 8 1
22 18 2
23
24 5 1

Construindo o diagrama de ramo e folhas no R:

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS/") # define a rea de trabalho
library(xlsReadWrite)
library(RODBC)
library(aplpack)
dados<-read.xls("EXEMPLO2.1_1.xls",sheet=1,colNames=T) # define o
arquivo a ser trabalhado
PROD<-dados$PROD
stem.leaf(PROD,1,style = "Tukey",rule.line = "Sturges", depths = F)
dados1<-read.xls("EXEMPLO2.1_1.xls",sheet=2,colNames=T)# define o
arquivo a ser trabalhado
RESIST<-dados1$RESIST
stem.leaf(RESIST,1,style = "Tukey",rule.line = "Sturges", depths = F)

2.1.2 Grfico de Linhas
Embora o grfico de ramo e folhas seja uma forma excelente para visualizar a variabilidade
dos dados, ele no leva em considerao a ordem temporal das observaes. O tempo , muitas
vezes, um fator importante que contribui para a variabilidade nos problemas de melhoria da
qualidade. O grfico de linhas que relaciona os valores dos dados em funo tempo (versus tempo)
chamado de grfico de sries temporais ou sequencial.
22

Considerando os exemplos 1 e 2 da seo anterior, tem-se:




















setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS/") # define a rea de trabalho
library(xlsReadWrite)
dados<-read.xls("EXEMPLO2.1_1.xls",sheet=2,colNames=T) # define o arquivo
# a ser trabalhado
RESIST<-dados$RESIST
plot(RESIST,type="l",main="RESISTNCIA COMPRESSO",xlab="Obs.",
ylab="Resistncia",cex.main=0.9,col="darkgreen")

dados1<-read.xls("EXEMPLO2.1_1.xls",sheet=1,colNames=T) # define o arquivo
# a ser trabalhado
PROD<-dados1$PROD
plot(PROD,type="l",main="PRODUO SEMANAL DE SEMICODUTORES",xlab="Semanas",
ylab="produo",cex.main=0.9,col="darkblue")
2.1.3 Distribuio de Freqncias e Histograma
2.1.3.1 Tabela de Distribuio de Freqncias
Sero apresentados alguns conceitos importantes para a construo de tabelas de
freqncias.
- Dados brutos: o conjunto de dados numricos obtidos e que ainda no foram organizados.


23

- Rol: o arranjo dos dados brutos em ordem crescente (ou decrescente).
- Nmero de Classes (k)
Existem duas solues para a definio do nmero de classes bastante utillizadas, que so:
1) Se o nmero de elementos (n) for menor ou igual a 25 ento o nmero de classes (k) igual a 5;
se n for maior que 25, ento o nmero de classes aproximadamente a raiz quadrada positiva de
n. Ou seja:
Para n s 25, k = 5
Para n > 25, k =
n

2) Frmula de Sturges para nmero de classes: ) n ( log 3 , 3 1 k + ~ .
- Amplitude total ou range (At): a diferena entre o maior e o menor valor observados no
conjunto de dados.

min mx t
X X A =
- Amplitude dos intervalos ou das classes (h): diviso da amplitude total (At) pelo nmero
de intervalos (k).
Ou seja: h ~
k
At

- Freqncia absoluta (
i
f ): o nmero de vezes que um elemento aparece na amostra:

=
=
k
1 i
i
n f onde n o nmero total de dados da amostra e k o nmero de valores diferentes na
amostra.
- Freqncia Relativa (
r
f ):

n
f
f
i
r
= e 1 f
k
1 i
r
=

=

Freqncia Absoluta Acumulada (
ac
f ): a soma da freqncia absoluta do valor assumido
pela varivel com todas as freqncias absolutas anteriores.

Exemplo 1: A produo semanal de uma fbrica de semicondutores encontra-se apresentada a
seguir.
PRODUO
45 47 48 49 49 51 52 52 53 53 54 59 60 60 62 63 64 64 65 65
68 69 73 73 75 75 76 77 78 79 81 81 82 83 85 86 88 91 92 92

47 45 92 X X A
min mx t
= = =
7 6,29 ) 40 log( 3 , 3 1 k ~ = + =
24

7 6,71
7
47
k
A
h
t
~ = = =
TABELA DE DISTRIBUIO DE FREQUENCIAS DA PRODU-
O SEMANAL DE SEMICONDUTORES
CLASSES
i
f
r
f fac
45 |-- 52 6 0,15 6
52 |-- 59 5 0,13 11
59 |-- 66 9 0,23 20
66 |-- 73 2 0,05 22
73 |-- 80 8 0,20 30
80 |-- 87 6 0,15 36
87 |-- 94 4 0,10 40
TOTAL 40 1,00
FONTE: MONTGOMERY, Douglas C. (2009)

Exemplo 2: Os dados a seguir tratam-se da resistncia compresso (em psi) de 30 corpos de prova
da liga de alumnio-ltio.

ROL:
76 97 101 105 131 134 142 149 151 153
154 154 157 160 163 174 175 178 180 183
190 196 199 200 201 207 218 221 228 245
169 76 245 X X A
min mx t
= = =
6 5,87 ) 30 log( 3 , 3 1 k ~ = + =
29 17 , 28
6
169
k
A
h
t
=~ = = =
TABELA DE DISTRIBUIO DE FREQUNCIAS DE RESIS-
TNCIA COMPRESSO
CLASSES
i
f
r
f fac
76 |-- 105 3 0,10 3
105 |-- 134 2 0,07 5
134 |-- 163 9 0,30 14
163 |-- 192 7 0,23 21
192 |-- 221 6 0,20 27
221 |-- 250 3 0,10 30
TOTAL 30
FONTE: MONTGOMERY, Douglas C. (2009).
2.1.3.2 Histograma de Freqncias
Este um grfico usado para apresentar dados organizados em intervalos de classes,
utilizado principalmente para representar a distribuio de variveis contnuas.

25

Exemplo 1: Histograma de freqncias da produo semanal de uma fbrica de semicondutores.








Exemplo 2: Histograma de freqncias da resistncia compresso (em psi).










setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS/") # define a rea de trabalho
library(xlsReadWrite)
#========================= EXEMPLO 1 ===============================#
dados<-read.xls("EXEMPLO2.1_1.xls",sheet=1,colNames=T) # define o arquivo a ser
trabalhado
x<-dados$PROD

n<-length(x) # nmero de observaes
min<-min(x) # mnimo
max<-max(x) # mximo
at<- max-min # amplitude total
k<-ceiling(sqrt(n)) # nmero de classes
h<-ceiling(at/k) # intervalo de classe

#================== DISTRIBUIO DE FREQUNCIAS ====================#
intervalo<- cut(x,include.lowest = T, right = F,
breaks=c(min,min+h,min+2*h,min+3*h,min+4*h,min+5*h,min+6*h,min+7*h))
table(intervalo)
#=================== HISTOGRAMA DE FREQUNCIAS ====================#
hist(x,breaks=c(45,52,59,66,73,80,87,94),
main="HISTOGRAMA DE FREQUNCIAS",
xlab="Classes",ylab="Freq.",include.lowest = TRUE, right = F,
xlim = c(45,94),col="grey",freq=T)


26

#========================== EXEMPLO 2 =============================#
dados<-read.xls("EXEMPLO2.1_1.xls",sheet=2,colNames=T) # define o arquivo a ser
trabalhado

x<-dados$RESIST
n<-length(x) # nmero de observaes
min<-min(x) # mnimo
max<-max(x) # mximo
at<- max-min # amplitude total
k<-ceiling(sqrt(n)) # nmero de classes
h<-ceiling(at/k) # intervalo de classe
#================== DISTRIBUIO DE FREQUNCIAS ====================#
intervalo<- cut(x,include.lowest = T, right = F,
breaks=c(min,min+h,min+2*h,min+3*h,min+4*h,min+5*h,min+6*h))
table(intervalo)
#=================== HISTOGRAMA DE FREQUNCIAS ====================#
hist(x,breaks=c(76,105,134,163,192,221,250),
main="HISTOGRAMA DE FREQUNCIAS",
xlab="Classes",ylab="Freq.",include.lowest = TRUE, right = F,
xlim = c(76,250),col="grey",freq=T)

2.1.4 Medidas de Tendncia Central e Disperso
Embora o grfico de ramo e folhas e o histograma forneam uma viso da forma da
distribuio dos dados, tendncia central e o espalhamento ou disperso, til usar medidas
numricas, que caracterizam estas propriedades. A medida de tendncia central mais importante a
mdia aritmtica e a de disperso, a varincia e o desvio padro, apresentados a seguir.
2.1.4.1 Mdia Aritmtica
A mdia aritmtica ou esperana matemtica de uma varivel aleatria X o centro de
gravidade do conjunto de dados, e definida como a soma de todos os valores da varivel dividida
pelo nmero de observaes. A esperana matemtica ou mdia aritmtica populacional dada pela
expresso:

=
= =
N
1 i
i
x
N
1
) X ( E
A mdia aritmtica amostral obtida atravs da seguinte expresso:

=
=
n
1 i
i
x
n
1
X
Exemplo de aplicao: Suponha que um engenheiro esteja projetando um conector de nilon para
ser usado em uma aplicao automotiva. O engenheiro estabelece como especificao do projeto
uma espessura de 3/32 polegadas, mas est inseguro acerca do efeito dessa deciso na fora da
remoo do conector. Oito unidades do prottipo so produzidas e suas foras de remoo so
medidas (em libras-p):
12,6 - 12,9 - 13,4 - 12,3 - 13,6 - 13,5 - 12,6 - 13,1.
27

A mdia da fora de remoo ser:

=
=
n
1 i
i
x
n
1
X
| | 0 , 13
8
104
1 , 13 6 , 12 5 , 13 6 , 13 3 , 12 4 , 13 9 , 12 6 , 12
8
1
X = = + + + + + + + = libras-fora
2.1.4.2 Varincia
A varincia da varivel aleatria, representada por ) X ( V ou
2
o , definida por:
( ) | |
2 2 2 2
) X ( E ) X ( E ) X ( E X E ) X ( V = = o =
Na prtica, a varincia obtida elevando-se os desvios em relao media ao quadrado. A
varincia populacional obtida pela expresso:
( )

o
=
=
N
1 i
2
i
2
x
N
1

A varincia amostral obtida atravs da seguinte expresso:
( )

=
n
1 i
2
i
2
X x
1 n
1
S
Exemplo de aplicao: Considerando o exemplo tem-se:
QUADRO 1- VALORES DA VARIVEL X E DESVIOS
SIMPLES E QUADRTICOS EM RE-LAO
MDIA
i
x
X x
i

( )
2
X x
i

12,3 -0,7 0,49
12,6 -0,4 0,16
12,6 -0,4 0,16
12,9 -0,1 0,01
13,1 0,1 0,01
13,4 0,4 0,16
13,5 0,5 0,25
13,6 0,6 0,36


1,6

( ) 0,2286
1 8
6 , 1
X x
1 n
1
S
n
1 i
i
2
2
=

=
2
) fora libras ( .
2.1.4.3 Desvio Padro
Ao calcular a varincia, elevou-se ao quadrado cada desvio. Para retirar esse efeito, deve-se
extrair a raiz quadrada da varincia, dando origem ao desvio padro.

2
o o = desvio padro populacional
28


2
S S = desvio padro amostral
Para o exemplo: 0,4781 2286 , 0 S S
2
= = = libras-fora.
2.1.4.4 Coeficiente de Variao
uma medida de disperso relativa. definido como o quociente entre o desvio padro e a
mdia, multiplicado por 100, para expressar porcentagem.
Em algumas situaes desejvel comparar o grau de disperso de dois conjuntos de dados
com unidades de medidas diferentes. Neste caso, deve-se usar o coeficiente de variao (CV), que
uma medida de disperso relativa, e ela no afetada pelas unidades de medida da varivel. Ou
ainda, quando as mdias dos dois conjuntos de dados so muito distintas, neste caso faz-se
necessrio utilizar uma medida de disperso relativa.
100 CV =

o
coeficiente de variao populacional
100
X
S
CV = coeficiente de variao amostral
Exemplo de aplicao: Para o exemplo tem-se:
Dados: 13,0 X = ; 4781 , 0 S =
Logo, % 68 , 3 100
0 , 13
4781 , 0
CV = =

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS/") # define a rea de trabalho
library(xlsReadWrite)
x<-c(12.6,12.9,13.4,12.3,13.6,13.5,12.6,13.1) # criando o objeto x
n<-length(x)
mdia<-mean(x)
varincia<-var(x)
desvio.padro<-sd(x)
cv<-(desvio.padro/mdia)*100
mdia;varincia;desvio.padro;cv







29

2.1.4.5 Grfico de Box Plot ou da Caixa
















Comprimento da caixa = amplitude interquartlica = Q
3
- Q
1
A linha central do retngulo (caixa) representa a mediana da distribuio. As bordas superior
e inferior do retngulo representam os quartis 3 e 1, respectivamente. Logo, a altura deste retngulo
chamada de amplitude interquartlica (IQ). Os traos horizontais ao final das linhas verticais so
traados sobre o ltimo ponto (de um lado ou de outro) que no considerado um outlier. No h um
consenso sobre a definio de um outlier. Porm, no caso do box plot, em geral, a maior parte das
definies considera que pontos acima do valor do 3 quartil somado a 1,5 vezes a IQ ou os pontos
abaixo do valor do 1 quartil diminudo de 1,5 vezes a IQ, so considerados outliers.
Para o exemplo referente aos dados da resistncia compresso (em psi) de 30 corpos de
prova da liga de alumnio-ltio, tem-se o box plot a seguir:
ROL:
76 97 101 105 131 134 142 149 151 153
154 154 157 160 163 174 175 178 180 183
190 196 199 200 201 207 218 221 228 245

75 , 48 50 , 149 25 , 198 Q Q IQ
1 3
= = =

Menor valor que no outlier= 76,38 75 , 48 5 , 1 50 , 149 LI = =
Maior valor que no outlier = 271,38 75 , 48 5 , 1 25 , 198 LS = + =

30








2.1.4.5.1 Clculo dos Quartis
Os quartis dividem o conjunto de dados em quatro partes iguais. So trs medidas,
1
Q ,
2
Q e
3
Q , que dividem o conjunto de dados em 4 partes iguais, sendo que a cada quartil correspondem
25% dos dados. As posies dos quartis, quando se tratar de dados simples, so obtidas atravs de:
1
4
) 1 n (
i PosQ
i
+

= , 3 , 2 , 1 i =
Para o exemplo dado, tem-se:
25 , 8 1
4
) 1 30 (
1 PosQ
1
= +

= (elemento) , logo 50 , 149 ) 149 151 ( * 25 , 0 149 Q


1
= + =
50 , 5 1 1
4
) 1 30 (
2 PosQ
2
= +

= (elemento) , logo 50 , 168


2
174 163
Q
2
=
+
=
22,75 1
4
) 1 30 (
3 PosQ
3
= +

= (elemento) , logo 25 , 198 ) 196 199 ( * 75 , 0 196 Q


3
= + =
#===================== QUARTIS E GRFICO BOX PLOT ==================#
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS/") # define a rea de trabalho

library(xlsReadWrite)
dados<-read.xls(" EXEMPLO2.1_1.xls",sheet=2,colNames=T) # define o
arquivo a ser trabalhado
x<-dados$RESIST
quartis<-quantile(x,probs=c(0.25,0.50,0.75))
quartis
boxplot(x,main="GRFICO BOX-PLOT",col="green",outline = T)

Para o exemplo da produo semanal de uma fbrica de semicondutores, apresentada a
seguir, tem-se:

PRODUO 45 47 48 49 49 51 52 52 53 53 54 59 60 60 62 63 64 64 65 65
68 69 73 73 75 75 76 77 78 79 81 81 82 83 85 86 88 91 92 92

Tem-se que: 75 , 53 Q
1
= ; 50 , 66 Q
2
= e 50 , 79 Q
3
=
75 , 25 75 , 53 50 , 79 Q Q IQ
1 3
= = =
125 , 15 75 , 25 * 5 , 1 75 , 53 LI = =
125 , 118 75 , 25 * 5 , 1 50 , 79 LS = + =

31










setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS/") # define a rea de trabalho
library(xlsReadWrite)
dados<-read.xls("EXEMPLO2.1_1.xls",sheet=1,colNames=T) # define o arquivo a ser
trabalhado
dados$PROD
quartis<-quantile(x,probs=c(0.25,0.50,0.75))
quartis

boxplot(x,main="GRFICO BOX-PLOT",col="blue",outline = T)
LISTA DE EXERCCIOS N
O
. 2
1. Os tempos de falha (em horas) de um componente eletrnico sujeito a um teste acelerado de
tempo de vida so apresentados a seguir. Para acelerar o teste de falha, as unidades foram
testadas a uma temperatura elevada (ler de cima para baixo, da esquerda para a direita).

127 124 121 118
125 123 136 131
131 120 140 125
124 119 137 133
129 128 125 141
121 133 124 125
142 137 128 140
151 124 129 131
160 142 130 129
125 123 122 126
a) calcular a mdia, desvio padro e coeficiente de variao;
b) construir o histograma;
c) construir o grfico Box plot;
d) interpretar os resultados obtidos.
2. A tabela apresenta medidas de uma dimenso de uma pea produzida por um processo de
usinagem.
138 149 116 119 108 103 120 133 136 135
140 125 146 139 110 145 126 130 123 145
a) calcular a mdia e o desvio padro;
b) construir o histograma de frequncias;
c) construir o grfico de ramo e folhas;

32

d) construir o grfico Box plot;
e) o que se pode concluir a respeito das dimenses da pea?
3. O tempo necessrio para se realizar certa operao industrial foi cronometrado (em segundos),
sendo feita 40 determinaes:
45 - 37 - 39 - 48 - 51 - 40 - 53 - 49 - 39 - 41 - 45 - 43 - 45 34 - 45 - 35
41 - 57 - 38 - 46 - 46 - 58 - 57 - 36 - 58 - 35 - 31 - 59 - 44 - 57 - 45 - 44
38 - 43 - 33 - 56 - 47 - 48 - 44 - 49.
a) construir o histograma de freqncia;
b) calcular a mdia, desvio padro, Q1 (quartil 1), Q2 (quartil 2) e Q3 (quartil 3);
c) construir o grfico Box plot.
4. As taxas de octanagem de combustvel para motor, de vrias misturas de gasolina foram obtidas:
88,5 - 94,7 - 84,3 - 90,1 - 89,0 - 89,8 - 91,6 - 90,3 - 90,0 - 91,5 - 89,9
98,8 - 88,3 - 90,4 - 91,2 - 90,6 - 92,2 - 87,7 - 91,1 - 86,7 - 93,4 - 96,1
a) Calcular a mdia, desvio padro e coeficiente de variao;
b) Construir o histograma de freqncia;
c) calcular Q1 (quartil 1), Q2 (quartil 2) e Q3 (quartil 3);
d) construir o grfico Box plot.

2.2 Distribuies de Probabilidades
As distribuies de probabilidades so distribuies tericas com as propriedades bem
definidas e so classificadas em discretas e contnuas, conforme o nvel de mensurao (escala de
medida) da varivel aleatria da distribuio.
A distribuio de probabilidade uma funo que associa probabilidades para cada valor x
que a varivel aleatria X pode assumir. Pode-se, frequentemente, caracterizar as distribuies de
probabilidades atravs da mdia e varincia. Muitas variveis aleatrias associadas com os
experimentos estatsticos tm propriedades semelhantes e podem ser descritas pelas distribuies de
probabilidades tericas.
As distribuies de probabilidades podem ser discretas ou contnuas, de acordo com o tipo de
varivel em estudo. Quando a varivel que se est analisando discreta, ou seja, assume somente
valores inteiros (provenientes de contagens), tem-se uma distribuio discreta. Por outro lado, em se
tratando de varivel que pode assumir qualquer valor entre dois valores inteiros (provenientes de
medies), tem-se uma distribuio contnua. Sero apresentadas nas sees seguintes as principais
distribuies de probabilidades discreta e contnua.
33

2.2.1 Distribuies Discretas de Probabilidades
2.2.1.1 Distribuio binomial
Uma varivel aleatria discreta X que conta o nmero de sucessos em n provas
independentes, que apresentam os resultados sucesso ) p ( ou fracasso ) p 1 q ( = , tem distribuio
binomial. Sua funo de probabilidade dada por:

x n x
q p
x
n
) x X ( P

|
|
.
|

\
|
= = , x=0,1,2,...,n e 1 p 0 < <

A funo de distribuio dada por:

>
s s
|
|
.
|

\
|
<
= s =

n x se , 1
n x 0 se , q p
k
n
0 x se , 0
) x X ( P ) x ( F
x
0 k
k n k


Os parmetros da distribuio so:
Mdia p n ) X ( E =
Varincia q p n ) X ( V =
Exemplo 1: Seja X uma v.a. que indica o nmero de peas no conforme (no segue a especificao
definida no projeto de qualidade) produzidas pela mquina Z. Se a probabilidade desta maquina
produzir uma pea no conforme de 15%, ao selecionar aleatoriamente 5 peas, pede-se:
a) a probabilidade de nenhuma pea ser no conforme;
b) a probabilidade de todas as peas serem de acordo com especificao do projeto de qualidade;
c) obter a distribuio de probabilidade e o grfico.
Soluo:
a) 5 n =
15 , 0 p =
85 , 0 q =
0 x =
0,4437 ) 85 , 0 ( ) 15 , 0 (
0
5
) 0 X ( P
0 5 0
=
|
|
.
|

\
|
= =


possvel calcular as probabilidades no R:

#================ PROBABILIDADE DE X=x ==============#
x<-0
n<-5
p<-0.15
34

px<-dbinom(x,n,p)
px

b) 0,4437 ) 0 X ( P ) 5 X ( P = = = =
c) Distribuio de Probabilidade

DISTRIBUIO DE PROBABILIDADE DE X
x
) x X ( P =
0 0,4437
1 0,3915
2 0,1382
3 0,0244
4 0,0022
5 0,0001


Para obter a distribuio de probabilidade no R:

#========= DISTRIBUIO DE PROBABILIDADE DE X =======#
n<-5 # total de tentativas
p<-0.15 # probabilidade de sucesso
x<-0:n

px<-dbinom(x,n,p)
px # distribuio de probabilidade

Graficamente:










#=========== GRFICO DA DISTRIBUIO BINOMIAL =========#
n<-5 # total de tentativas
p<-0.15 # probabilidade de sucesso
x<-0:n
px<-dbinom(x,n,p)
plot(x,px,type="h",main="DISTRIBUIO BINOMIAL: n=5 e
p=0,15",col="red",lwd=3)
points(x, dbinom(x,n,p),pch=16,col="red")
abline(h=0,col="black")

35

Exemplo 2: Seja X uma v.a. que indica o nmero de parafusos defeituosos produzidos pela mquina
A. Se a probabilidade desta maquina produzir um parafuso defeituoso de 5%, ao selecionar
aleatoriamente dois parafusos:
a) qual a probabilidade de ambos serem defeituosos?
Soluo:
p=probabilidade de ser defeituoso=0,05
p 1 = probabilidade de ser perfeito=1-0,05=0,95
% 25 , 0 0025 , 0 ) 95 , 0 ( ) 05 , 0 (
2
2
) 2 X ( P
2 2 2
= =
|
|
.
|

\
|
= =


#=================== PROBABILIDADE DE x=2 =================#
p<-0.05
n<-2
x<-2
px<-dbinom(x,n,p)
px

b) ao selecionar 50 parafusos produzidos por esta mquina, qual o nmero mdio e a varincia de
parafusos defeituosos?
Soluo:
5 , 2 05 , 0 50 np ) X ( E mdia = = = =
4 , 2 95 , 0 05 , 0 50 npq ) X ( V incia var = = = =
Espera-se uma mdia de 2,5 parafusos defeituosos, e uma varincia igual a 2,4.
2.2.1.2 Distribuio de Poisson
Em muitos casos, possvel conhecer o nmero de sucessos, no entanto, o nmero de
fracassos e o nmero total de provas seriam difceis de serem determinados, ou muitas vezes, no
faz sentido prtico conhec-los. Por exemplo, pode-se determinar o nmero de trincas por unidade de
rea numa pea de concreto, porm no se sabe o nmero de trincas que no ocorreram.
A distribuio de Poisson, pode ser aplicada a muitos casos prticos, nos quais interessa o
nmero de vezes que um determinado evento pode ocorrer durante um intervalo de tempo ou
distncia, rea ou outra unidade de medida.
Uma v.a. discreta X tem distribuio de Poisson se sua funo de probabilidade dada por:

! x
) x X ( P
x
e
= =

, x=0,1,2,... e 0 > ( o nmero mdio de ocorrncia dos eventos)

A funo de distribuio dada por:
36

>

<
= s =

=

x
0 k
k
0 x se ,
! k
0 x se , 0
) x X ( P ) x ( F
e

Os parmetros da distribuio so:
Mdia: = ) X ( E
Varincia: = ) X ( V

Exemplo 1: So contados os nmeros de partculas radioativas emitidas em cada intervalo de 5
segundos. Suponha que, o nmero de partculas, emitidas durante cada intervalo de 5 segundos,
tenha uma distribuio de Poisson com parmetro 2,0. Pede-se:
a) qual a probabilidade de que menos de 3 partculas sejam emitidas?
b) supondo que 10 contagens so realizadas, construir a distribuio de probabilidade.

Soluo:
a)
! 2
2
! 1
2
! 0
2
) 2 X ( P ) 1 X ( P ) 0 X ( P ) 3 X ( P
2 1 0 2 2 2
e e e

+ + = = + = + = = <
0,6767 2707 , 0 2707 , 0 1353 , 0 ) 3 X ( P = + + = <
possvel calcular a probabilidade ) x X ( P = no R:
#=================== probabilidade X=x ================#
x<-0:2
media<-2 # parmetro
px<-dpois(x,media)
px
#========= DISTRIBUIO DE PROBABILIDADE DE X =======#
n<-10 # total de tentativas
p<-2 # mdia
x<-0:n

px<-dpois(x,p)
px<-round(px,4)
px # distribuio de probabilidade

DISTRIBUIO DE PROBABILIDADE DE X
X
) x X ( P =
0 0,1353
1 0,2707
2 0,2707
3 0,1804
4 0,0902
5 0,0361
6 0,0120
7 0,0034
8 0,0009
9 0,0002
10 0,0000

Grficamente:

37










#=========== GRFICO DA DISTRIUIO DE POISSON ==========#
x<-0:10
fx<-dpois(x,2) # mdia=2
plot(x,fx,type="h",main="DISTRIBUIO DE POISSON: p=2 ",col="red",lwd=3)
points(x,dpois(x,2),pch=16,col="red")
abline(h=0, col="black")

Exemplo 2: Seja X o nmero de acidentes mensais ocorridos numa determinada indstria. Se o
nmero mdio de acidentes por ms 3, qual a probabilidade de no ocorrer nenhum acidente no
prximo ms?
% 5 050 , 0
! 0
3
) 0 X ( P
3
3
e
e
0
= = = = =


2.2.1.3 Distribuio Hipergeomtrica
Suponha que em um lote de N peas, k so defeituosas e (N-k) so perfeitas e escolhem-se
ao acaso, n peas desse lote ) N n ( s . Pode-se estar interessado na probabilidade de selecionar x
peas dos k rotulados como defeituosos e (n-x) perfeitas dos (N-k) rotulados como perfeitas. Esse
experimento chamado hipergeomtrico.

Uma v.a. discreta X tem distribuio hipergeomtrica se sua f.p. dada por:

|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= =
n
N
x n
k N
x
k
) x X ( P
A funo de distribuio dada por:

38

x j 0 se ,
x j se , 1
n
N
j n
k N
j
k
0 x se , 0
) x X ( P ) x ( F
x
0 j
s s

>
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
<
= s =

=

Os parmetros da distribuio so:
Mdia: p n ) X ( E =
Varincia:
1 N
n N
npq ) X ( V

= , onde
N
k
1 q ;
N
k
p = = .

Exemplo 1: Pequenos motores eltricos so expedidos em lotes de 30 unidades. Antes que uma
remessa seja aprovada, um inspetor seleciona ao acaso 3 destes motores para inspeo. Se nenhum
dos motores inspecionados for defeituoso, o lote aprovado. Se um ou mais dos motores verificados
forem defeituosos, o lote todo inspecionado. Suponha que existam, de fato, 2 motores defeituosos
no lote. Qual a probabilidade de que a inspeo de todo o lote seja necessria?
N=30 (nmero de casos total na populao)
k=2 (nmero de casos favorveis na populao)
n=3 (tamanho da amostra)
x=1,2,3 (nmero de casos desfavorveis na amostra)
A probabilidade de que a inspeo seja necessria igual a ) 3 X ( P ) 2 X ( P ) 1 X ( P = + = + = ou
) 0 X ( P 1 ) 1 X ( P = = >
% 31 , 19 1931 , 0 8069 , 0 1
3
30
3
28
0
2
1
3
30
0 3
2 30
0
2
1 ) 0 X ( P 1 ) 1 X ( P = =
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
=
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= = = >
#================ PROBABILIDADE DE X=X =================#
x<-0
px<-dhyper(x, 2, 28, 3, log = FALSE) # prob.de nenhuma pea ser defeituosa
px
[1] 0.8069
DISTRIBUIO DE PROBABILIDADE DE X
x p(x)
0 0,8069
1 0,1862
2 0,0069
3 0,0000

39

#========= DISTRIBUIO DE PROBABILIDADE DE X =======#

m<-2 # nmero de casos favorveis
n<-28 # total da populao - m
k<-3 # nmero de elementos na amostra
x<-0:3

px<-dhyper(x, 2, 28, 3, log = FALSE)
px<-round(px,4)
px # distribuio de probabilidade

Grficamente:










#=========== GRFICO DA DISTRIUIO HIPERGEOMTRICA ==========#
x<-0:3
m<-2 # nmero de casos favorveis
n<-28 # total da populao - m
k<-3 # nmero de elementos na amostra
fx<-dhyper(x, 2, 28, 3, log = FALSE)
plot(x,fx,type="h",main="DISTRIBUIO HIPERGEOMTRICA ",col="red",lwd=3)
points(x,dhyper(x, 2, 28, 3, log = FALSE),pch=16,col="red")
abline(h=0, col="black")

Exemplo 2: Uma empresa adquiriu diversas caixas contendo cada uma 15 lmpadas. Ela decidiu
fazer uma inspeo por amostragem sem reposio, analisando 5 lmpadas de uma caixa. A caixa
ser aceita caso encontre no mximo duas defeituosas. Qual a probabilidade de aceitar uma caixa
sabendo que a qualidade do produto definida por 20% de defeituosos?
N=15
n=5
2 x s

) 2 X ( P ) 1 X ( P ) 0 X ( P ) 2 X ( P = + = + = = s
% 80 , 97 9780 , 0
003 . 3
937 . 2
003 . 3
660 485 . 1 792
5
15
2 5
3 15
2
3
5
15
1 5
3 15
1
3
5
15
0 5
3 15
0
3
) 2 X ( P = = =
+ +
=
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
+
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= s


3 15 * 20 , 0 k = =
40

2.2.2 Distribuies Contnuas de Probabilidades
2.2.2.1 Distribuio Exponencial
Uma v.a. continua X, tem distribuio exponencial se sua funo densidade de
probabilidade dada por:

x
e ) x ( f

= , 0 x >
A funo de distribuio dada por:

x x
e e 1 dx ) x X ( P ) x ( F
x
0

= = s =
}
, 0 x >
Portanto:
x
e ) x X ( P

= >
Os parmetros da distribuio so:
Mdia:

=
1
) X ( E
Varincia
2
1
) X ( V

=
Essa distribuio tem papel importante na descrio de uma grande classe de fenmenos,
particularmente nos assuntos relacionados a teoria da confiabilidade ou seja, o intervalo de tempo
decorrido entre o instante em que uma pea sujeita a um esforo e o instante em que ocorre
uma falha (a quebra de pea, por exemplo).

Exemplo 1: O tempo de vida X (em horas) das lmpadas eltricas fabricadas por uma empresa
uma varivel aleatria, tendo sua funo densidade de probabilidade dada por:

<
=
>
0 x se 0
002 , 0
) x ( f
0 x se , x
e
002 , 0

a) qual a probabilidade do tempo de vida de uma lmpada ser superior a 600 horas?
b) qual o tempo de vida esperado?
Soluo:
a) 002 , 0 =
| | 3012 , 0 e 0 002 , 0 ) 600 X ( P
600 002 , 0
600
x 002 , 0 x 002 , 0
e e
600
= + = = = >


No R:
#============ FUNO DISTRIBUIO ==========#
x<-600 # tempo de vida
lambda<-0.002 # 1/mdia
Fx<-pexp(x,lambda,lower.tail=F)
Fx
b) horas 500
002 , 0
1 1
) X ( E = = =


41

Exemplo 2: A vida mdia de um satlite 4 anos, seguindo o modelo exponencial. Seja X a varivel
definindo o tempo de vida do satlite. Calcule a ) 4 X ( P > .
Soluo:
4
1
) X ( E = =

, portanto,
4
1
=
Ento, % 79 , 36 3679 , 0 ) 4 X ( P
1
4
4
1
e e e
x
= = = = >


=


O aspecto tpico do grfico de uma distribuio exponencial mostrado a seguir.













#=========== GRFICO DA DISTRIBUIO EXPONENCIAL ===========#
x <- seq(0, 10, length=100)
plot(function(x) dexp(x, rate=5), xlab="x", ylab="f(x)",
main="DISTRIBUIO EXPONENCIAL: lmbda=5", type="l",lwd=3,col=2)


2.2.2.2 Distribuio normal ou Gaussiana
uma das mais importantes distribuies de probabilidades, sendo aplicada em inmeros
fenmenos e frequentemente utilizada para o desenvolvimento terico da inferncia estatstica.
Uma v.a. continua X, tem distribuio normal ou Gaussiana se sua f.d.p dada por:

2
x
2
1
e
2
1
) x ( f
|
.
|

\
|

o

t o
= ,
+
e e e o R , R , R x ,
A funo de distribuio dada por:

( )
dx
2
1
) x ( d ) x ( f ) x X ( P ) x ( F
2
x
2
1
e
x x
o

} }
t o
= = s =
Os parmetros da distribuio so:

42

Mdia: = ) X ( E
Varincia:
2
) X ( V o =
Quando se deseja especificar que a varivel aleatria X, segue distribuio normal com
mdia e varincia
2
o , usa-se a notao: ) ( N ~ X
2
; o .
A distribuio normal definida a partir de dois parmetros, a mdia e o desvio padro
o da distribuio, por exemplo, a curva da distribuio normal ) x ( f para 40 = , 10 = o e valores da
varivel aleatria no intervalo (10, 70) mostrada no grfico abaixo.












Uma das caractersticas importantes que a partir desses dois parmetros ser possvel
calcular, por exemplo, a percentagem de valores que devero estar acima ou abaixo de um
determinado valor da varivel aleatria, ou entre esses dois valores definidos.
A probabilidade ) b X a ( P s s de a varivel aleatria contnua X ser igual ou maior que a e, ao
mesmo tempo, menor ou igual a b, obtida da rea definida pela funo ) x ( f entre os limites a e b,
sendo a b > . O clculo feito integrando-se a funo ) x ( f no intervalo ) b , a ( , que bastante
trabalhoso.
Portanto,
( )
}
o

t o
= s s
b
a
dx
2
1
) b X a ( P
2
x
2
1
e
Representao Grfica:
um grfico em forma de sino. O seu posicionamento em relao ao eixo das ordenadas e seu
achatamento so determinados pelos parmetros e
2
o , respectivamente.
A rea compreendida entre o igual a % 27 , 68 ; entre o 2 igual a % 45 , 95 e entre
o 3 igual a 99,73%.

43












Propriedades da distribuio normal:
1. ) x ( f possui um ponto de mximo para = X ;
2. ) x ( f tem dois pontos de inflexo cujas abcissas valem o + e o ;
3. ) x ( f simtrica em relao a = X . E, ainda Md Mo = = ;
4. ) x ( f tende a zero quando x tende para (assinttica em relao ao eixo x);
Influncia dos parmetros:
Mdia: se o valor da mdia for mudado de 40 para 50, a forma da distribuio permanece a
mesma, porm com a mdia deslocada de 40 para 50 e definindo a nova distribuio normal
) 10 , 50 ( N
2
.
Desvio padro: se na distribuio normal ) 10 , 40 ( N
2
, o desvio padro for mudado para 15, a
forma da curva ) 15 , 40 ( N
2
ser mais aberta que a anterior ) 10 , 40 ( N
2
, diminuindo sua altura
para manter a rea de 100%. Da mesma maneira, pode-se verificar que para desvios padro
menores que 10, a distribuio diminui sua base e aumenta sua altura.
Os grficos a seguir, apresentam a influncia da mdia e do desvio padro, na forma da
distribuio.












o + o
o + 2 o 2 o 3
o + 3


44

#========================DISTRIBUIO NORMAL =========================#
#=============== MDIAS DIFERENTES E VARINCIAS IGUAIS ===============#
x <-seq(10,70, len=100)
y <-seq(10,70, len=100)
plot(function(x) dnorm(x, 40, 10),xlim=c(0,100),type="l",col=2,lwd=2,ylab="f(x)")
title("DISTRIBUIO NORMAL")
plot(function(y) dnorm(y, 50, 10),0,100,add=T, col = 3,lwd=2)
legend(70,0.038, c("X ~ N(40,100)", "Y ~ N(50,100)"),cex=0.8,fill = 2:3)
abline(h=0,col="black",lwd=1)













#======================== DISTRIBUIO NORMAL ========================#
#================ MDIAS IGUAIS E VARINCIAS DIFERENTES ==============#

x <-seq(10, 70, len=100)
plot(function(x) dnorm(x, 40, 8),0,80,type="l",col=2,lwd=2,ylab="f(x)")
title("DISTRIBUIO NORMAL")
plot(function(x) dnorm(x, 40, 10),0,80,add=T, col = 3,lwd=2)
plot(function(x) dnorm(x, 40, 15),0,80,add=T, col = 4,lwd=2)
legend(62,0.048, c("X ~ N(40,64)", "Y ~ N(40,100)", "Z ~ N(40,225)"),cex=0.8,fill = 2:4)
abline(h=0,col="black",lwd=1)
2.2.2.2.1 Distribuio Normal Padro ou Reduzida
A varivel normal padronizada Z obtida atravs de uma transformao linear da varivel
normal X, obtendo-se assim uma escala relativa de valores na qual, a mdia o ponto de referncia e
o desvio padro, uma medida de afastamento da mdia.
Uma v.a. continua
o

=
X
Z , tem distribuio normal padro se sua f.d.p dada por:

( )
2
z
2
1
e
2
1
) z ( f

t
= , R ze ,
A funo de distribuio dada por:

( )
dz
2
1
) z ( F
z
2
z
2
1
e
}
t


=

45

Os parmetros da distribuio so:
Mdia: 0 ) Z ( E =
Varincia: 1 ) Z ( V =
Grfico da distribuio normal padro:












Se ) ( N ~ X
2
; o e
o

=
X
Z , ento ) 1 0 ( N ~ Z ; , para qualquer valor de e
2
o . Portanto,
ser possvel tabelar as probabilidades, ) z Z ( P ) x X ( P s = s , em funo dos valores de Z.
Diversos testes de significncia baseiam-se na distribuio normal. Conhecendo-se os seus
dois parmetros, a mdia e desvio padro o, possvel conhecer a probabilidade de ocorrncia
de um valor x , cuja diferena em relao mdia = x d , utilizando a varivel normal
padronizada Z.
De modo geral, probabilidades baixas associadas a grandes diferenas (nas caudas da
distribuio) representam o valor crtico entre os eventos que podem e no podem ser atribudos
apenas ao acaso, ou seja, apenas flutuao de amostragem.
Nos problemas de controle de fabricao, em especial de grficos de controle, usual adotar
o valor crtico correspondente a probabilidade 0,0027 (correspondente rea da curva normal fora do
intervalo o 3 ) para estabelecer a faixa de normalidade. As diferenas que estiverem fora dessa
faixa so estatisticamente significativas, ou seja, no se deve flutuao de amostragem.
Exemplo 1: O dimetro de uma determinada pea uma caracterstica da qualidade importante.
Sabe-se que esse dimetro segue um modelo normal com mdia 40 mm e desvio padro 2 mm. Se a
especificao estabelece que o dimetro deve ser maior que 35mm, qual probabilidade que a pea
produzida satisfaa a especificao?
Tem-se da distribuio normal reduzida que:
o

=
X
Z

46

e: 40 = e 2 = o .
? ) 35 X ( P = >
Calcula-se o valor de Z : 5 , 2
40 35
Z
2
=

= , que equivalente a:
% 38 , 99 9938 , 0 0062 , 0 1 ) 5 , 2 Z ( P 1 ) 5 , 2 Z ( P ) 35 X ( P = = = < = > = >
Para obter as probabilidades a partir dos valores de Z, consultar as tabelas A1.1 e A1.2 do
anexo.
Exemplo 2: Seja X a varivel aleatria que representa os dimetros dos parafusos produzidos por
certa mquina. Supondo que essa varivel tenha distribuio normal com mdia igual 2 cm e desvio
padro igual a 0,04 cm. Qual a probabilidade de um parafuso ter o dimetro com valor entre 2 e 2,05
cm ?
Tem-se que: 2 = e 04 , 0 = o .
? ) 05 , 2 X 2 ( P = s s
0
04 , 0
2 2
Z
1
=

=
25 , 1
04 , 0
2 05 , 2
Z
2
=

=
% 44 , 39 3944 , 0 50000 , 0 89435 , 0 ) 25 , 1 z 0 ( P ) 05 , 2 X 2 ( P = = = s s = s s

2.2.2.3 Distribuio de Weibull
A varivel aleatria X segue distribuio de Weibull se a sua funo de densidade de
probabilidade dada por:

( )
|
o
|
|
.
|

\
|
o o
|
=
x
e
x
1
) x ( f , 0 x > , 0 > o , 0 > |
onde:
o o parmetro de escala
| o parmetro de forma
Se X tiver uma distribuio de Weibull, com parmetros o e |, ento a funo de distribuio
ser:

( )
|
o
=
x
e 1 ) x ( F
Os parmetros so:

|
|
.
|

\
|
|
+ I o =
1
1 ) X ( E
47


2
1
1
2
1 ) X ( V
2 2
(

|
|
.
|

\
|
|
+ I o
|
|
.
|

\
|
|
+ I o =
Os parmetros, na distribuio de Weibull, fornecem uma grande flexibilidade para modelar
sistemas em que o nmero de falhas aumenta com o tempo (desgaste do rolamento), diminui com o
tempo (alguns semicondutores) ou permanecem constantes com o tempo (falhas causadas pelos
choques externos ao sistema).
O grfico a seguir apresenta as distribuies de Weibull para diferentes valores dos
parmetros o e |.










#================ DISTRIBUIO DE WEIBULL ===================#
x <- seq(0, 15, length=100)
plot(function(x) dweibull(x, shape=1, scale=1), 0, 15,xlab="x", ylab="Density",
main="DISTRIBUIO DE WEIBULL", type="l",col=2,lwd=2)
plot(function(x) dweibull(x, shape=2, scale=3.4), 0, 15,col=3,add=T,lwd=2)
plot(function(x) dweibull(x, shape=4.5, scale=6.2), 0, 15,col=4,add=T,lwd=2)
legend(9,1,c("escala=1;forma=1","escala=3,4;forma=2","escala=6,2;forma=4,5")
cex=0.9,fill=2:4)
abline(h=0, col="black")

OBS:
! n ) 1 n ( = + I (para n natural) ou ! ) 1 n ( ) n ( = I
De modo geral: ) n ( n ) 1 n ( I I = +
H = I )
2
1
(
Exemplo 1: O tempo de falha (em horas) de um mancal em um eixo mecnico as tisfatoriamente
modelado como uma varivel aleatria de Weibull, com 2 1 = | e 5000 = o horas.
a) determine o tempo mdio at falhar;
b) determine a probabilidade de um mancal durar no mnimo 6000 horas.
Soluo:

48

a) Tem-se que:
horas 000 . 10 2 5000 ) 3 ( 5000
2 1
1
1 5000
1
1 ) X ( E = = I =
|
|
.
|

\
|
+ I =
|
|
.
|

\
|
|
+ I o =
b) ) 000 . 6 ( F 1 ) 000 . 6 X ( P 1 ) 000 . 6 X ( P = s = >
3340 , 0 e e 1 1 ) 000 . 6 X ( P
095 , 1
2 / 1
5000
6000
= =
(
(
(

= >

|
.
|

\
|

No R:
#===================== FUNO DISTRIBUIO ===================#
x<-6000
forma<-0.5
escala<-5000

Fx<-pweibull(x,forma,escala,lower.tail=F) # P(X>6000)
Fx

Exemplo 2: Suponha que a vida de um mancal de rolamento siga uma distribuio de Weibull com
parmetros 2 = | e 000 . 10 = o horas.
a) determine a probabilidade de um mancal durar no mnimo 8.000 horas;
b) determine o tempo mdio at haver uma falha de um mancal;
Soluo:
a) ) 000 . 8 ( F 1 ) 000 . 8 X ( P 1 ) 000 . 8 X ( P = s = >
5273 , 0 ) 000 . 8 X ( P = >

x<-8000
forma<-2
escala<-10000

Fx<-pweibull(x,forma,escala,lower.tail=F)
Fx
b) horas 862 . 8 8862 , 0 000 . 10 )
2
3
( 000 . 10
2
1
1 000 . 10
1
1 ) X ( E = = I = |
.
|

\
|
+ I =
|
|
.
|

\
|
|
+ I o =

#====================== Esperana de X =====================#
Ex<-escala*(gamma(1+1/2))
Ex

LISTA DE EXERCCIOS N
O
. 3

1. Bateladas que consistem em 50 molas helicoidais, provenientes de um processo de produo so
verificadas com respeito conformidade, em relao aos requerimentos dos consumidores. O
nmero mdio de molas no-conformes em uma batelada igual 5. Considere que o nmero de
49

molas no-conformes em uma batelada, denotado por X, seja uma varivel aleatria binomial. Pede-
se:
a) qual a probabilidade do nmero de molas no-conformes em uma batelada seja menor ou igual a
2?
b) qual a probabilidade do nmero de molas no-conformes em uma batelada seja maior ou igual a
49?
2. Um produto eletrnico contm 40 circuitos integrados. A probabilidade de que qualquer circuito
integrado seja defeituoso de 0,01. Os circuitos integrados so independentes. O produto opera
somente se no houver circuitos integrados defeituosos. Qual a probabilidade de que o produto
opere?
3. Uma fbrica recebe um lote de 100 peas, das quais cinco so defeituosas. Suponhamos que a
fbrica aceite todas as 100 peas se no houver nenhuma defeituosa em uma amostra aleatria de
10 peas selecionadas para inspeo. Determinar a probabilidade de o lote ser aceito.
4. O nmero de falhas na superfcie de painis de plstico usados no interior de automveis tem uma
distribuio de Poisson, com uma mdia de 0,50 falha por p quadrado de painel plstico. Pede-se:
a) qual a probabilidade de no haver falha na superfcie do interior do automvel?
b) se 10 carros forem vendidos para uma companhia de aluguel de carros, qual ser a probabilidade
de nenhum dos 10 carros ter qualquer falha na superfcie?
5. Seja X o nmero de falhas na superfcie de uma caldeira de um determinado tipo selecionado
aleatoriamente, com distribuio de Poisson de parmetro p=5. Calcular:
a) ) 2 x ( P s
b) ) 8 x ( P =
c) ) 8 x 5 ( P s s
6. Um departamento de conserto de mquinas recebe uma mdia de 5 chamadas por hora. Qual a
probabilidade de que em uma hora selecionada aleatoriamente sejam recebidas:
a) Exatamente trs chamadas?
b) Menos que trs chamadas?
7. O tempo (em horas) necessrio para reparar uma mquina uma varivel aleatria
exponencialmente distribuda com parmetro 2 1 = . Determine a probabilidade de que o tempo de
reparo exceda duas horas.
8. O tempo de operao de uma mquina de embalagem de frascos sem interrupo para
manuteno, tem distribuio exponencial com mdia igual a duas horas. Qual a probabilidade dessa
mquina conseguir operar mais de uma hora sem interrupo?
9. O dimetro de uma determinada pea uma caracterstica da qualidade importante. Sabe-se que
esse dimetro segue um modelo normal com mdia 40 mm e desvio padro 2 mm. Se a
50

especificao estabelece que o dimetro deve ser maior que 35mm, qual probabilidade que a pea
produzida satisfaa a especificao?
10. Seja X a varivel aleatria que representa os dimetros dos parafusos produzidos por certa
mquina. Supondo que essa varivel tenha distribuio normal com mdia igual 2 cm e desvio padro
igual a 0,04 cm. Qual a probabilidade de um parafuso ter o dimetro com valor entre 2 e 2,05 cm ?

3 CONTROLE ESTATSTICO DO PROCESSO
Se um produto deve atender as exigncias do cliente, em geral, deve ser produzido por um
processo que seja estvel ou replicvel. Ou melhor, o processo deve ser capaz de operar com
pequena variabilidade em torno das dimenses-alvo ou nominais, das caractersticas da qualidade do
produto. O controle estatstico do processo (CEP) um conjunto de ferramentas poderoso, til para
obter estabilidade do processo e melhoria da capacidade atravs da reduo da variabilidade. O CEP
pode ser aplicado a qualquer processo.
3.1 As Sete Ferramentas do Controle Estatstico de Processos
As sete principais ferramentas do CEP so:
3.1.1 Histograma de Freqncias e Diagrama de Ramo e Folhas
A apresentao da caracterstica da qualidade em histogramas ou diagrama de ramo e folhas.
Esta ferramenta j foi apresentada na seo 2.1.
3.1.2 Folha de controle
A folha de controle, conhecida tambm como folha de verificao, um procedimento usado
para responder a pergunta: Com que freqncia certos eventos ocorrem?. Para sua utilizao deve-
se estabelecer o seguinte:
definir o evento que se est estudando
definir o perodo durante o qual os dados sero coletados
construir um formulrio claro e de fcil manuseio
coletar os dados de forma fidedigna
Exemplo de folha de controle:




51

FOLHA DE CONTROLE
DADOS DE DEFEITOS OCORRIDOS NO PERODO JAN-MAR 2010
Data:
Analista:
DEFEITO
MESES
TOTAL
Janeiro Fevereiro Maro
Dimenso I I I I I 5
Acabamento I I I 3
Peso I I I I I I I I I 9
TOTAL 7 5 5 17

3.1.3 Grfico de Pareto
o grfico de uma distribuio de freqncias de dados que so atributos, organizados por
categoria.
Exemplo 1: Seja o nmero de defeitos segundo origem, que ocorrem em determinado processo.
DISTRIBUIO DE FREQUNCIA DE DEFEITOS SEGUNDO ORIGEM
ORIGEM DO DEFEITO FREQ. Frp Frpac
Rotao imprpria 44 51,16 51,16
Rudo 14 16,28 67,44
Falhas 10 11,63 79,07
Presso 8 9,30 88,37
Sobra 5 5,81 94,19
Falha completa 2 2,33 96,51
Outras 3 3,49 100,00
TOTAL 86








52

Exemplo 2: Uma empresa da rea automobilstica acompanha os defeitos encontrados nos relgios
comparadores utilizados na rea de usinagem. Na Tabela seguinte apresentamos os dados
referentes a um ms de acompanhamento dos defeitos detectados pela rea de manuteno de
equipamentos.
DISTRIBUIO DE FREQUNCIAS SEGUNDO
TIPO DE DEFEITO NOS RELGIOS COMPARA-
DORES
DEFEITOS
DETECTADOS
QUANTIDADE
Canho 50
Ponteiro 80
Infiltrao de leo 100
Danificado 68
No Funciona 12










3.1.4 Diagrama de Causa e Efeito ou Ishikawa
A configurao do grfico de causa e efeito permite separar organizadamente as quatro principais
causas de variao: mquina, mtodo de trabalho, materiais e mo-de-obra (o meio ambiente
tambm pode ser a 5 causa de variabilidade)
a) Materiais: matria-prima no homognea. A matria-prima pode diferir levemente na composio
conforme seja a fonte de suprimento e diferenas no tamanho podem ocorrer dentro de limites
aceitveis.
b) Mquinas: desgaste, uso inadequado ou falta de ajuste em ferramenta, mquinas ou
equipamentos. O equipamento pode parecer estar funcionando uniformemente, mas suas partes
podem estar de alguma forma com pequenos desajustes, gastas ou no ser apropriadas para
aquele uso.
c) Mtodo: falta de padronizao no mtodo de trabalho. Embora programado de acordo com o
processo definido, o mtodo de trabalho tambm pode conduzir a variaes no produto.
DEFEITOS DETECTADOS
32,26
58,06
80,00
96,13
100,00
0,00
10,00
20,00
30,00
40,00
50,00
60,00
70,00
80,00
90,00
100,00
Infiltrao de
leo
Ponteiro Danificado Canho No Funciona
defeitos
(%)

53

d) Mo-de-obra: os operadores podem no estar adequadamente preparados para as tarefas.
e) Medida: instrumento de medio, especificaes erradas.
Passos para a construo do diagrama de causa e efeito:
1) Definir o problema ou efeito a ser analisado;
2) formar a equipe para realizar a anlise. Em geral, a equipe descobrir causas potenciais em
sesses de brainstorming;
3) desenhar de caixa de efeito e a linha central;
4) especificar as principais categorias de causas potenciais e colocar em caixas, ligadas linha
central;
5) identificar as causas possveis e classificar nas categorias do passo 4. Criar novas categorias, se
necessrio;
6) ordenar as causas para identificar aquelas que parecem mais provveis de causar impacto sobre o
problema.
O exemplo abaixo foi retirado de Dellaretti Filho & Drumond (1994, p.65).







library(qcc)
#========= DIAGRAMA DE CAUSA E EFEITO ==========#
cause.and.effect(cause=list(procedimento.padro=c("no tem", "confuso"),
informao=c("inconsistente"),
instruo=c("errada", "inexistente"),
especificao=c("desatualizado")),
effect="Variao no mtodo",
title = "DIAGRAMA DE CAUSA E EFEITO")

3.1.5 Diagrama de Concentrao de Defeito
Um diagrama de concentrao de defeito uma figura da unidade (produto),
mostrando todas as vistas relevantes. Os vrios tipos de defeitos so desenhados na figura,

54

e o diagrama analisado para determinar se a localizao dos defeitos na unidade fornece
alguma informao til sobre as causas potenciais dos defeitos.









FONTE: MONTGOMERY, Douglas C. (2009), p.113.
3.1.6 Diagrama de Disperso
O diagrama de disperso uma representao grfica da relao entre duas ou mais
variveis. No diagrama de disperso entre duas variveis, X e Y, cada ponto no grfico um par
(
i i
y , x ).












library(xlsReadWrite) # Ativa a biblioteca "xlsReadWrite"
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS") # define a rea de trabalho

dados<-read.xls("grafico-disperso.xls") # define o arquivo de dados
str(dados)
plot(dados,main="DIAGRAMA DE DISPERSO", xlim=c(2,14), ylim=c(0,80),
type="p",pch=20,font.axis=1,cex.axis=0.9,cex.main=1,
xlab="Quantidade de metal",ylab="Percentagem de recobrimento (%)")



Ponta
superior



Lado
esquerdo



Fundo



Lado
direito
Ponta
inferior
Cdigos de
defeito

A=arranho
B=corte
C=desgaste
D=forma
Nmero do tanque
........
Nmero de srie
..........


55

3.1.7 Grfico de Controle
O objetivo principal dos grficos de controle fornecer informaes teis no aperfeioamento
do processo. Quando se atinge o controle estatstico do processo tem-se vrias vantagens, tais
como:
- frao de defeituosos permanece constante (na mdia);
- custos e ndices de qualidade sero previsveis;
- produtividade ser mxima com o sistema corrente etc.
O conjunto de dados utilizados para a construo do grfico de controle abaixo, foram
apresentados por Conceio et. al. (2006), no XIII SIMPEP, em Bauru, So Paulo. Referem-se a
carga axial de uma lata de alumnio, que o peso mximo que seus lados podem suportar.








3.2 Grficos de Controle : Aspectos gerais
O grfico de controle uma apresentao grfica de uma qualidade medida ou avaliada a
partir de uma amostra, versus o nmero da amostra ou tempo.
O grfico contm uma linha central, representando o valor mdio ou a mdia da caracterstica
da qualidade que corresponde ao estado sob controle, ou seja, esto presentes somente as causas
aleatrias. So mostradas tambm, duas linhas horizontais chamadas limite superior de controle
(LSC) e limite inferior de controle (LIC). Esses limites de controle so escolhidos de maneira que se o
processo est sob controle, praticamente, todos os pontos amostrais estaro entre eles.
Com base na distribuio normal, os grficos de controle so instrumentos que mostram a
evoluo do nvel de operao do processo e sua variao ao longo do tempo.
Um modelo geral para um grfico de controle pode ser dado por:
w w
L LSC o + =
w
LC = (linha central)
w w
L LIC o =

56

onde:
L a distncia dos limites de controle linha central, expressa em unidades de desvio padro.
Normalmente, utiliza-se 3 L = .
Essa teoria geral dos grficos de controle foi proposta, inicialmente, pelo Dr. Walter S.
Shewhart, e os grficos de controle desenvolvidos segundo esses princpios so chamados grficos
de controle de Shewhart.
As aplicaes dos grficos de controle so para:
- Verificar se em determinado perodo um processo estava sob controle. Isto feito examinando-se
o grfico correspondente ao perodo de interesse.
- Orientar na manuteno do processo sob controle. Se o processo est sob controle possvel
ignorar a flutuao catica das observaes, exceto no caso de ser notado alguma observao
fora dos limites de controle. claro que se deve olhar com ateno a ocorrncia de uma
tendncia (um padro) em alguma direo, o que indica que algo alm do acaso est
influenciando o valor da observao.
Quando se atinge o controle estatstico do processo tem-se, vrias vantagens, quais sejam:
- Frao de defeituosos permanece constante (na mdia);
- Custos e ndices de qualidade so previsveis;
- Produtividade ser mxima com sistema corrente.
O tipo do grfico de controle a ser utilizado depende da caracterstica da varivel aleatria
investigada. So dois os tipos de grficos de controle: para variveis e para atributos.
3.3 Grficos de Controle para Variveis
Muitas caractersticas de qualidade podem ser expressas em termos de uma medida
quantitativa, numrica, como por exemplo: o dimetro dos cilindros de um automvel e o volume de
um recipiente, que so chamados de variveis.
No acompanhamento de um aspecto quantitativo da qualidade, controla-se normalmente,
tanto o valor mdio como a sua variabilidade, atravs de grficos separados. importante manter sob
controle tanto o desempenho mdio como a variabilidade do processo.
3.3.1 Grficos de Controle de X e R
3.3.1.1 Grfico de X
Este tipo de grfico utilizado para o controle do valor mdio do desempenho do processo.
Suponha que a caracterstica de qualidade que se pretende controlar tenha uma distribuio Normal
(Gaussiana) com mdia e desvio padro o, ambos desconhecidos, o que normalmente ocorre na
57

prtica. Assim, estes parmetros devem ser estimados a partir de amostras. As estimativas devem
ser com base em pelo menos 20 a 25 amostras. Suponha que m amostras estejam disponveis, cada
uma com n medidas (observaes) da varivel de interesse. Geralmente, n ser um valor pequeno,
4 ou 5.
Sejam n 2 1 X ..., , X , X a mdia de cada uma das amostras. Ento, o estimador para (mdia
do desempenho do processo), que deve ser usado para especificar a linha central do grfico, dado
por:

m
X ... X X
X
m 2 1
+ + +
=
Para a construo dos limites, necessita-se de um estimador de o. tradicional, em controle
de qualidade, o uso do estimador baseado na amplitude da amostra ao invs do estimador
normalmente utilizado que :

=
n
1 i
i
2 2
) X X (
1 n
1
S
Para uma amostra
n 2 1
X ..., , X , X , a amplitude R definida como sendo:

min mx
X X R =
Seja W a relao entre a amplitude R e o desvio padro da populao o, chamada de
amplitude relativa, como apresentada abaixo:

o
=
R
W
Assim, tem-se que:
W
R
= o . Seja
2
d a mdia da distribuio de W e R a amplitude amostral
mdia das m amostras de tamanho n , obtida atravs de:

m
R ... R R
R
m 2 1
+ + +
=
Uma boa estimativa de o :

2
d
R
= o
A razo da utilizao do estimador acima, ao invs de S devido ao fato da simplicidade de
clculo e tambm porque a eficincia praticamente a mesma, quando o tamanho da amostra
pequeno ) 6 n ( s .
Finalmente tem-se os limites de controle a 3 desvios padro ( o 3 ), dados por:
R
n d
3
X LIC
2
= (limite inferior)
R
n d
3
X LSC
2
+ = (limite superior)
58

A quantidade
n d
3
A
2
2
= uma constante que depende apenas do tamanho da amostra n ,
portanto, pode tambm ser tabelado (ver adiante), resultando os limites na forma:
R A X LIC
2
=
R A X LSC
2
+ =
A linha central determinada pela estimativa da mdia , ou seja, a mdia amostral X .
O grfico fica dividido em duas zonas: a zona I, interior aos limites de controle de o 3 e
correspondente faixa de normalidade ou de controle; a zona II, exterior aos limites de controle e
corresponde faixa de anormalidade ou falta de controle. Este mtodo chamado de Sistema
Americano.
Exemplo de aplicao:
Os dados a seguir foram apresentados por Conceio et. al. (2006), no XIII SIMPEP, em
Bauru, So Paulo e referem-se a carga axial de uma lata de alumnio, que o peso mximo que seus
lados podem suportar.

QUADRO 1 CARGAS AXIAIS (lb) DE LATAS DE ALUMNIO
DIA CARGA AXIAL (lb)
1 270 273 258 204 254 228 282
2 278 201 264 265 223 274 230
3 250 275 281 271 263 277 275
4 278 260 262 273 274 286 236
5 290 286 278 283 262 277 295
6 274 272 265 275 263 251 289
7 242 284 241 276 200 278 283
8 269 282 267 282 272 277 261
9 257 278 295 270 268 286 262
10 272 268 283 256 206 277 252
11 265 263 281 268 280 289 283
12 263 273 209 259 287 269 277
13 234 282 276 272 257 267 204
14 270 285 273 269 284 276 286
15 273 289 263 270 279 206 270
16 270 268 218 251 252 284 278
17 277 208 271 208 280 269 270
18 294 292 289 290 215 284 283
19 279 275 223 220 281 268 272
20 268 279 217 259 291 291 281
21 230 276 225 282 276 289 288
22 268 242 283 277 285 293 248
23 278 285 292 282 287 277 266
24 268 273 270 256 297 280 256
25 262 268 262 293 290 274 292
FONTE: TRIOLA, 1999.
59

Soluo:
DIA X1 X2 X3 X4 X5 X6 X7 Mdia R
1 270 273 258 204 254 228 282 252,71 78
2 278 201 264 265 223 274 230 247,86 77
3 250 275 281 271 263 277 275 270,29 31
4 278 260 262 273 274 286 236 267,00 50
5 290 286 278 283 262 277 295 281,57 33
6 274 272 265 275 263 251 289 269,86 38
7 242 284 241 276 200 278 283 257,71 84
8 269 282 267 282 272 277 261 272,86 21
9 257 278 295 270 268 286 262 273,71 38
10 272 268 283 256 206 277 252 259,14 77
11 265 263 281 268 280 289 283 275,57 26
12 263 273 209 259 287 269 277 262,43 78
13 234 282 276 272 257 267 204 256,00 78
14 270 285 273 269 284 276 286 277,57 17
15 273 289 263 270 279 206 270 264,29 83
16 270 268 218 251 252 284 278 260,14 66
17 277 208 271 208 280 269 270 254,71 72
18 294 292 289 290 215 284 283 278,14 79
19 279 275 223 220 281 268 272 259,71 61
20 268 279 217 259 291 291 281 269,43 74
21 230 276 225 282 276 289 288 266,57 64
22 268 242 283 277 285 293 248 270,86 51
23 278 285 292 282 287 277 266 281,00 26
24 268 273 270 256 297 280 256 271,43 41
25 262 268 262 293 290 274 292 277,29 31
Mdia 267,11 54,96

11 , 267
25
29 , 277 43 , 271 ... 86 , 247 71 , 252
m
X ... X X
X
m 2 1
=
+ + + +
=
+ + +
=
96 , 54
25
31 41 ... 77 78
m
R ... R R
R
m 2 1
=
+ + + +
=
+ + +
=
Os limites de controle sero dados por:
R A X LIC
2
=
R A X LSC
2
+ =
Substituindo o valores de X, R e
2
A (tabela adiante), tem-se:
244,09 96 , 54 419 , 0 11 , 267 R A X LIC
2
= = =
290,14 96 , 54 419 , 0 11 , 267 R A X LSC
2
= + = + =
11 , 267 X LC = =

60

A estimativa do desvio padro populacional o dada por:
20,3254
704 , 2
96 , 54
d
R
2
= = = o








library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")

dados<-read.xls("exemplo1.xls") # leitura do arquivo de dados
str(dados) # lista a estrutura do objeto dados
obj <- qcc(dados[,2:8], type="xbar",title="GRFICO DE CONTROLE DE MDIAS",
ylab="Mdias das amostras",xlab="Amostras")

LIC<-obj$limits[,1] # limite inferior de controle
LIC
LSC<-obj$limits[,2] # limite superior de controle
LSC
LC<-obj$center # limite central de controle
LC
3.3.1.2 Grfico de R
Como a amplitude R est relacionada com o desvio padro o , a variabilidade do processo
pode ser controlada por meio do grfico dos valores da amplitude amostral R.
Para construir os limites de controle h a necessidade de se conhecer o desvio padro de R,
ou seja,
R
o . Supondo que a caracterstica que est sendo controlada tem originalmente uma
distribuio normal, um estimador
R
o pode ser obtido a partir da distribuio da amplitude relativa
o
=
R
W . O desvio padro de W, que geralmente denominado de
3
d , uma funo conhecida de
n. Assim, o desvio padro de R dado por:
o o =
3 R
d
E, a estimativa de
R
o dada por:

61


2
3 R
d
R
d = o
Os limites do grfico de R considerando-se o 3 , so dados por:

|
|
.
|

\
|
+ = + = + = o
2
3
2
3
R
d
d
3 1 R R
d
d
3 R 3 R LSC (limite superior)

|
|
.
|

\
|
= = = o
2
3
2
3
R
d
d
3 1 R R
d
d
3 R 3 R LIC (limite inferior)
A linha central determinada pela amplitude amostral mdia R.
As quantidades
|
|
.
|

\
|

2
3
d
d
3 1 e
|
|
.
|

\
|
+
2
3
d
d
3 1 podem ser tambm facilmente tabeladas, de forma a
ter:

|
|
.
|

\
|
=
2
3
3
d
d
3 1 D e
|
|
.
|

\
|
+ =
2
3
4
d
d
3 1 D , assim, os limites sero:

3
D R LIC =

4
D R LSC =
Os valores da constante
2
A ,
2
d ,
3
d ,
3
D e
4
D so apresentados a seguir, para os tamanhos
de amostras mais usuais.

Tamanho
da
amostra
2 3 4 5 6 7 8 9 10
2
A 1,880 1,023 0,729 0,577 0,483 0,419 0,373 0,337 0,308
2
d 1,128 1,693 2,059 2,326 2,534 2,704 2,847 2,970 3,078
3
d 0,853 0,888 0,880 0,864 0,848 0,833 0,820 0,808 0,797
3
D 0 0 0 0 0 0,076 0,136 0,184 0,223
4
D 3,267 2,575 2,282 2,115 2,004 1,924 1,864 1,816 1,777

Tamanho
da
amostra
11 12 13 14 15 16 17 18 19
2
A 0,285 0,266 0,249 0,235 0,223 0,212 0,203 0,194 0,187
2
d 3,173 3,258 3,336 3,407 3,472 3,532 3,588 3,640 3,689
3
d 0,787 0,778 0,770 0,763 0,756 0,750 0,744 0,739 0,734
3
D 0,256 0,283 0,307 0,328 0,347 0,363 0,378 0,391 0,403
4
D 1,744 1,717 1,693 1,672 1,653 1,637 1,622 1,608 1,597
62

Exemplo de aplicao:
Considerando o exemplo anterior, deseja-se construir os limites de controle para a amplitude R.
Soluo:
Os limites de controle sero obtidos atravs de:

3
D R LIC =

4
D R LSC =
Ento, substituindo os valores tem-se:
4,18 076 , 0 96 , 54 D R LIC
3
= = =
105,74 924 , 1 96 , 54 D R LSC
4
= = =
96 , 54 R LC = =













library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("exemplo1.xls") # leitura do arquivo de dados
str(dados) # lista a estrutura do objeto dados
obj <- qcc(dados[,2:8], type="R",title="GRFICO DE CONTROLE DE R",
ylab="Amplitude",xlab="Amostras")

LIC<-obj$limits[,1] # limite inferior de controle
LIC
LSC<-obj$limits[,2] # limite superior de controle
LSC
LC<-obj$center # limite central de controle
LC

63

3.3.1.3 Tamanho da Amostra
Quando se planeja um grfico de controle, deve-se especificar o tamanho da amostra e a
freqncia de amostragem. Em geral amostras grandes facilitam a deteco e mudanas pequenas
no nvel do processo.
Se estiver sendo usado o grfico de X para detectar mudanas no desempenho do processo
de magnitudes iguais ou maiores do que o 2 , amostras de tamanho 6 ou 5 , 4 n = so perfeitamente
razoveis. No entanto, quando se deseja detectar mudanas menores no nvel de operao do
processo, ento amostras maiores sero necessrias, possivelmente, n da ordem de 15 a 25.
3.3.2 Curva Caracterstica de Operao
A habilidade dos grficos de X e R em detectar mudanas na qualidade do processo
descrita pelas suas curvas caractersticas de operao (CCO).
Quando o grfico de controle de mdias ) X ( est sendo utilizado para o monitoramento de
um processo, as hipteses estatsticas em questo so:
: H
0 0
= (processo em controle estatstico)
: H
1

0
= (processo fora do controle estatstico)
onde
0
valor-alvo ou o valor mdio da varivel X em controle estatstico.
Os tipos de erros que podem ocorrer em testes de hipteses:
Erro tipo I rejeitar a hiptese
0
H , sendo a hiptese verdadeira, sendo representado por o
(alarme falso).
Erro tipo II aceitar a hiptese
0
H , sendo a hiptese falsa, sendo representado por | (no
deteco).

Suponha a curva CO para um grfico de X com desvio padro o conhecido e constante. Se
a mdia se desloca do valor sob controle
o
para um outro valor o = +k
0 1
, a probabilidade de
no se detectar esse deslocamento na primeira amostra subseqente ou o risco | dada por:
{ } o = | + = s s = k | LSC X LIC P
0 1

Tem-se que ) n ; ( N ~ X
2
o e os limites superior e inferior de controle so n L LSC
0
o + = e
n L LIC
0
o = , ento a equao acima pode ser escrita como sendo:
(

o
o
u
(

o
o
u = |
+ +
n
k LIC
n
k LSC ) ( ) (
0 0

(

o
o o
u
(

o
o o
u = |
+ + +
n
k n L
n
k n L ) ( ) (
0 0 0 0

| | | | n k L n k L u u = |
64

Exemplo: Suponha que se est utilizando o grfico de X com 3 L = (limites trs-sigma), tamanho de
amostra 5 n = e se deseja determinar a probabilidade de detectar um deslocamento para
o = + 2
0 1
na primeira amostra depois do deslocamento. Ento tem-se:
3 L =
5 n =
2 k =
| | | | ) ( ) ( 5 2 3 5 2 3 n k L n k L u u = u u = |
) ( ) ( 37 , 7 -1,47 u u = |
Tem-se que: 0708 , 0 ) 47 , 1 Z ( P -1,47) ( = s = u
0000 , 0 ) 37 , 7 Z ( P ) 37 , 7 ( = s = u
Logo: 0708 , 0 = |
Este o risco | , ou a probabilidade de no se detectar tal deslocamento. Portanto, a
probabilidade de esse deslocamento ser detectado na primeira amostra subseqente
9292 , 0 0708 , 0 1 1 = = | .
Para construir a curva CO para o grfico de X deve-se plotar o risco | versus a magnitude
do deslocamento que se deseja detectar, dada em unidades de desvio padro, para vrios tamanhos
de amostra n .











possvel observar pela figura acima que, para tamanhos tpicos de amostra de 4 ou 5, o
grfico X no particularmente eficiente para detectar pequenos deslocamentos - digamos, da
ordem de o 5 , 1 ou menos - na primeira amostra depois do deslocamento.
Por exemplo, se o deslocamento o 0 , 1 e 5 n = , ento, analisando a figura acima, obtemos
que 75 , 0 ~ | . Tem-se ento que a probabilidade de se detectar o deslocamento na primeira amostra

n=1
n=2
n=3
n=4
n=5
n=10
n=15
n=20
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0

k
|


65

de apenas 25 , 0 75 , 0 1 1 = = | . Entretanto, a probabilidade de que o deslocamento seja detectado
na segunda amostra 19 , 0 ) 25 , 0 ( 75 , 0 1 ) ( = = | | , enquanto a probabilidade de deteco na
terceira amostra 14 , 0 ) 25 , 0 ( 75 , 0 1
2 2
) ( = = | | . Assim, a probabilidade de que o deslocamento
seja detectado na r-sima amostra ) 1 ( | vezes a probabilidade de no detect-lo em cada uma
das 1 r amostras iniciais, ou seja:
) (1
1 r
| |


Em geral, o nmero esperado de amostras necessrias para se detectar um deslocamento
simplesmente o comprimento mdio da seqncia (CMS) ou
|

| |

= =

1
1
) 1 ( r CMS
1 r
1 r

Assim, para o exemplo tem-se:
4
75 , 0 1
1
1
1
CMS =

=
|

Portanto, para detectar um deslocamento de o 0 , 1 e 5 n = , o nmero esperado de amostras
necessrias 4.
LISTA DE EXERCCIOS N
O
. 4
1. Um provedor de energia de alta voltagem deve ter uma voltagem nominal de sada de 350 V. Uma
amostra de 4 unidades seleciona todo dia e testada como propsito de controle do processo.

Amostra x1 x2 x3 x4 Amostra x1 x2 x3 x4
1 350,6 350,9 351,0 351,5 11 350,8 351,2 351,4 351,6
2 351,0 350,4 350,6 351,1 12 350,6 351,3 350,9 351,1
3 350,7 350,8 351,0 350,5 13 351,6 350,9 351,3 351,5
4 350,8 350,9 350,6 351,3 14 350,7 351,3 351,0 351,2
5 350,9 351,0 350,7 351,3 15 351,1 350,7 351,0 351,6
6 351,2 351,1 351,0 351,0 16 351,5 351,0 351,1 351,4
7 351,6 351,0 350,8 350,9 17 350,9 350,8 351,2 351,0
8 350,7 350,5 351,0 350,4 18 351,5 350,7 351,0 351,1
9 350,9 350,7 350,8 351,2 19 350,8 350,6 350,9 351,2
10 351,5 351,6 351,0 351,3 20 351,4 351,5 351,2 351,6
Construir grficos de controle de X e R para esse processo. O processo est sob controle?
2. A espessura de uma placa de circuito impresso um parmetro importante da qualidade. Foram
obtidas as espessuras (em polegadas, in) de 25 amostras, sendo trs placas cada amostra.
Amostra x1 x2 x3 Amostra x1 x2 x3
1 0,0629 0,0636 0,0640 14 0,0645 0,0640 0,0631
2 0,0630 0,0631 0,0622 15 0,0619 0,0644 0,0632
3 0,0628 0,0631 0,0633 16 0,0631 0,0627 0,0630
4 0,0634 0,0630 0,0631 17 0,0616 0,0623 0,0631
5 0,0619 0,0628 0,0630 18 0,0630 0,0630 0,0626
6 0,0613 0,0629 0,0634 19 0,0636 0,0631 0,0629
Continua
66

Continuao
7 0,0630 0,0639 0,0625 20 0,0640 0,0635 0,0629
8 0,0628 0,0627 0,0622 21 0,0628 0,0625 0,0616
9 0,0623 0,0626 0,0633 22 0,0615 0,0625 0,0619
10 0,0631 0,0631 0,0633 23 0,0630 0,0632 0,0630
11 0,0635 0,0630 0,0638 24 0,0635 0,0629 0,0635
12 0,0623 0,0630 0,0630 25 0,0623 0,0629 0,0630
13 0,0635 0,0631 0,0630
a) construa o grfico de controle de X e R para esse processo. O processo est sob controle?
b) estime o desvio padro do processo;
3. A tabela abaixo apresenta 20 subgrupos de cinco medidas, de uma dimenso crtica de uma pea
produzida por um processo de usinagem.
Amostra x1 x2 x3 x4 x5
1 138,1 110,8 138,7 137,4 125,4
2 149,3 142,1 105,0 134,0 102,3
3 115,9 135,6 124,2 155,0 117,4
4 118,5 116,5 118,2 122,6 120,2
5 108,2 123,8 117,1 142,4 150,9
6 102,8 112,0 135,0 135,0 145,8
7 120,4 114,3 112,8 118,5 119,3
8 132,7 131,1 124,0 123,9 125,1
9 136,4 126,2 154,7 127,1 173,2
10 135,0 125,4 149,1 138,3 130,4
11 139,6 127,9 151,1 143,7 110,5
12 125,3 160,2 130,4 152,4 165,1
13 145,7 121,8 149,5 113,3 151,8
14 138,6 139,0 141,9 140,2 141,1
15 110,1 114,6 165,1 113,8 139,6
16 145,2 101,0 154,6 120,2 117,3
17 125,9 135,3 121,5 147,9 105,0
18 129,7 97,3 130,5 109,0 150,5
19 144,4 150,0 161,6 148,4 154,2
20 144,8 138,3 129,6 151,8 142,7
a) Construir grficos de controle de X e R para esse processo. O processo est sob controle?
b) estime o desvio padro do processo.
4. Um grfico de mdias ) X ( usado para controlar a mdia de uma caracterstica da qualidade
normalmente distribuda. Sabe-se que 0 , 6 = o e 4 n = . A linha central 200 LC= , 191 LIC= e
209 LSC= . Se a mdia do processo se desloca para 188, ache a probabilidade de que esse
deslocamento seja detectado na primeira amostra subsequente.
5. Grficos de controle de X e R devem ser mantidos para controlar a fora de resistncia de uma
pea metlica. Suponha que a fora de resistncia seja normalmente distribuda. Trinta amostras de
tamanho 6 n = so coletadas durante um perodo com os seguintes resultados:
000 . 6 X
30
1 i
i
=

=
e 150 R
30
1 i
i
=

=

a) Calcule os limites para os grficos de X e R;
b) Para o grfico de X acima, ache o risco | quando a verdadeira mdia do processo 199.
67

6. A amostra de tamanho 5 n = so retiradas de um processo de manufatura a cada hora. Uma
caracterstica da qualidade medida e valores de X e R so calculados para cada amostra. Depois
da anlise de 25 amostras, obtm-se que:
50 , 662 X
25
1 i
i
=

=
e 0 , 9 R
25
1 i
i
=

=

A caracterstica da qualidade normalmente distribuda.
a) Calcule os limites para os grficos de X e R;
b) Suponha que ambos os grficos exibam controle. Se as especificaes so 50 , 0 40 , 26 , estime a
proporo de no conformes.
7. Os dados apresentados a seguir so as mdias amostrais ) X (
i e as amplitudes amostrais ) R (
i
de
30 amostras de tamanho 5, referentes ao dimetro de um eixo.
No. DA
AMOSTRA
i
X i
R
No. DA
AMOSTRA
i
X i
R
1 5,00 4,12 16 7,10 2,00
2 7,05 6,18 17 4,90 4,12
3 3,10 4,00 18 5,00 2,24
4 6,15 7,04 19 4,00 4,12
5 2,90 4,12 20 5,20 6,00
6 5,05 0,08 21 3,85 2,12
7 6,00 4,12 22 3,90 4,12
8 3,25 6,12 23 6,00 1,19
9 4,90 10,20 24 6,15 1,20
10 5,00 2,06 25 4,90 5,24
11 6,10 8,16 26 5,00 4,09
12 3,75 4,12 27 4,90 4,24
13 5,00 7,91 28 6,55 4,15
14 2,95 3,00 29 5,00 4,12
15 5,00 4,24 30 3,45 7,67
a) Calcule os limites de controle para os grficos da amplitude ) R ( e da mdia ) X ( ;
b) Se a mdia do processo se desloca para 7,50, qual a probabilidade de que descubramos tal
mudana com o grfico de X , na primeira amostra aps a mudana?
c) Se a mdia do processo se desloca para 7,50, qual a probabilidade de que descubramos tal
mudana com o grfico de X , antes da quarta amostra aps a mudana?
3.3.3 Grficos de Controle de X e S
Apesar dos grficos de X e R serem bastante utilizados, em algumas situaes desejvel
estimar diretamente o desvio padro do processo, em vez do uso da amplitude R . Em geral, os
grficos de X e S so indicados quando:
a) o tamanho da amostra n moderadamente grande (n> 10 ou 12);
b) o tamanho da amostra n varivel.
O estimador no-viesado da varincia populacional
2
o a varincia amostral
2
S , dada por:

=
n
1 i
2
i
2
) X x (
1 n
1
S
68

No entanto, o desvio padro S no um estimador no-viesado para o . A tendenciosidade
de S tende a zero, medida que aumenta o tamanho da amostra. Quando a varivel aleatria
normalmente distribuda, tem-se que:
o =
4
c ) S ( E
onde
4
c uma constante, que depende do tamanho da amostra n , como segue:
|
.
|

\
|
I
|
.
|

\
|
I

=
2
1 n
2
n
1 n
2
c
4
,
sendo que I a funo gama. Ento, um estimador no tendencioso ou no-viesado de o obtido
dividindo S por
4
c .
A tabela 1 e o grfico 1, a seguir, mostram o fator de correo em funo de alguns tamanhos
de amostra ( n ).
TABELA 1 - VALORES DO COEFICIENTE
4
c
SEGUNDO TAMANHO DA AMOS-
TRA n
n 4
c
5 0,9400
10 0,9727
15 0,9823
20 0,9869
25 0,9896
30 0,9914

GRFICO 1 FATOR DE CORREO
4
C , SEGUNDO TAMANHO DA AMOSTRA










69

Assim, tem-se que o =
4
c ) S ( E e a varincia de S dada por:
) ) c ( Sc 2 S ( E ) ) S ( E ) S ( SE 2 S ( E )) S ( E S ( E ) S ( V
2
4 4
2 2 2 2
o + o = + = =

2 2
4 4 4
2 2 2
4 4
2
c c c 2 c ) S ( E c 2 ) S ( E ) S ( V o + o o o = o + o =
) c 1 ( c c c 2 ) S ( V
2
4
2 2 2
4
2 2 2
4
2 2
4
2
o = o o = o + o o =
Portanto:

2
4
2
4
2
c 1 c 1 ( ) S ( padro Desvio o = o =
Essa informao pode ser usada para definir os grficos de controle para X e S.
Como o =
4
c ) S ( E , a linha central para o grfico o
4
c . Os limites de controle trs-sigma so:

2
4 4
c 1 3 c LSC o + o =

2
4 4
c 1 3 c LIC o o =
comum definir as duas constantes:

2
4 4 5
c 1 3 c B =

2
4 4 6
c 1 3 c B + =
Assim, os parmetros do grfico de S com um valor de referncia dado para o so:
o =
6
B LSC
o =
4
c LC
o =
5
B LIC
Se nenhum valor de referncia dado para o , tem-se que estimar atravs de dados
disponveis. Suponha que m amostras, cada uma de tamanho n , estejam disponveis, e seja
i
S o
desvio padro da i-sima amostra. A mdia dos m desvios padro :

=
=
m
1 i
i
S
m
1
S
A estatstica
4
c
S
um estimador no-viesado de o . Ento, os parmetros para o grfico S
so:

2
4
4
c 1
c
S
3 S LSC + =
S LC =

2
4
4
c 1
c
S
3 S LIC =
comum definir as constantes:
70


2
4
4
3
c 1
c
3
1 B =

2
4
4
4
c 1
c
3
1 B + =
Logo, os parmetros do grfico de Sdados por:
S B LSC
4
=
S LC =
S B LIC
3
=
Os limites de controle para o grfico de X so definidos como:
n c
S 3
X LSC
4
+ =
X LC =
n c
S 3
X LIC
4
=
Definindo a constante
n c
3
A
4
3=
, os parmetros do grfico de X se tornam:
S A X LSC
3
+ =
X LC =
S A X LIC
3
=
A seguir, alguns valores tabelados de
4
c ,
3
B ,
4
B ,
5
B ,
6
B e
3
A , para diferentes tamanhos
de amostras, so apresentados.

Tamanho
da
amostra
2 3 4 5 6 7 8 9 10
4
c 0,7979 0,8862 0,9213 0,9400 0,9515 0,9594 0,9650 0,9693 0,9727
3
B 0 0 0 0 0,030 0,118 0,185 0,239 0,284
4
B 3,267 2,568 2,266 2,089 1,970 1,882 1,815 1,761 1,716
5
B 0 0 0 0 0,029 0,113 0,179 0,232 0,276
6
B 2,606 2,276 2,088 1,964 1,874 1,806 1,751 1,707 1,669
3
A 2,659 1,954 1,628 1,427 1,287 1,182 1,099 1,032 0,975




71

Tamanho
da
amostra
11 12 13 14 15 16 17 18 19
4
c 0,9754 0,9776 0,9794 0,9810 0,9823 0,9835 0,9845 0,9854 0,9862
3
B 0,321 0,354 0,382 0,406 0,428 0,448 0,466 0,482 0,497
4
B 1,679 1,646 1,618 1,594 1,572 1,552 1,534 1,518 1,503
5
B 0,313 0,346 0,374 0,399 0,421 0,440 0,458 0,475 0,490
6
B 1,637 1,610 1,585 1,563 1,544 1,526 1,511 1,496 1,483
3
A 0,927 0,886 0,850 0,817 0,789 0,763 0,739 0,718 0,698

Exemplo: Considere o exemplo referente carga axial de uma lata de alumnio, que o peso
mximo que seus lados podem suportar.
A tabela a seguir apresenta as mdias e os desvios padro para cada amostra.
DIA X1 X2 X3 X4 X5 X6 X7 Mdia
S
1 270 273 258 204 254 228 282 252,71 27,63
2 278 201 264 265 223 274 230 247,86 29,66
3 250 275 281 271 263 277 275 270,29 10,56
4 278 260 262 273 274 286 236 267,00 16,34
5 290 286 278 283 262 277 295 281,57 10,72
6 274 272 265 275 263 251 289 269,86 11,84
7 242 284 241 276 200 278 283 257,71 31,45
8 269 282 267 282 272 277 261 272,86 7,90
9 257 278 295 270 268 286 262 273,71 13,45
10 272 268 283 256 206 277 252 259,14 25,87
11 265 263 281 268 280 289 283 275,57 10,10
12 263 273 209 259 287 269 277 262,43 25,29
13 234 282 276 272 257 267 204 256,00 27,81
14 270 285 273 269 284 276 286 277,57 7,32
15 273 289 263 270 279 206 270 264,29 26,98
16 270 268 218 251 252 284 278 260,14 22,26
17 277 208 271 208 280 269 270 254,71 32,15
18 294 292 289 290 215 284 283 278,14 28,13
19 279 275 223 220 281 268 272 259,71 26,47
20 268 279 217 259 291 291 281 269,43 25,87
21 230 276 225 282 276 289 288 266,57 27,21
22 268 242 283 277 285 293 248 270,86 19,32
23 278 285 292 282 287 277 266 281,00 8,41
24 268 273 270 256 297 280 256 271,43 14,26
25 262 268 262 293 290 274 292 277,29 14,08
Mdia 267,11 20,04
72

Portanto, tem-se que: 20,04 501,09
25
1
S
m
1
S
m
1 i
i
= = =

=

Os parmetros do grfico de S sero:
37,72 20,04 1,882 S B LSC
4
= = =
04 , 20 S LC = =
2,37 20,04 0,118 S B LIC
3
= = =
O estimador no-viesado de o dada pela estatstica
4
c S . Portanto, tem-se:
20,8919
0,9594
20,0437
c
S
4
= =









library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")

dados<-read.xls("graficoS.xls") # leitura do arquivo de dados
str(dados) # lista a estrutura do objeto dados

obj <- qcc(dados[,2:8], type="S",title="GRFICO DE CONTROLE DE S",
ylab="Desvios padro",xlab="Amostras")
Os limites de controle para o grfico de X so:
80 , 290 04 , 20 182 , 1 11 , 267 S A X LSC
3
= + = + =
11 , 267 X LC = =
42 , 243 04 , 20 182 , 1 11 , 267 S A X LIC
3
= = =



73






3.3.3.1 Grficos de Controle de X e S para Tamanhos de Amostras Variveis
Quando os tamanhos de amostras so variveis, deve-se utilizar a mdia ponderada no
clculo de X .
Se
i
n o nmero de observaes na i-sima amostra, ento, usa-se:

=
=
=
m
1 i
i
m
1 i
i
i
n
X n
X e
2 1
m
1 i
i
m
1 i
2
i i
m n
S ) 1 n (
S
(
(
(
(

=
=
, como linhas centrais nos grficos de X e S.
Grfico de controle de X :
S A X LSC
3
+ =
X LC =
S A X LIC
3
=
Grfico de controle de S:
S B LSC
4
=
S LC =
S B LIC
3
=
Os limites de controle so calculados a partir das equaes j apresentadas, no entanto, as
constantes
3
A ,
3
B e
4
B iro depender do tamanho da amostra usado em cada subgrupo
individual.
Exemplo:
A tabela abaixo apresenta as medidas dos dimetros internos (mm) de anis de pisto de motores
de automveis. Os tamanhos de amostras variam entre 3 e 5.



Amostras
M

d
i
a
s
GRFICO DE CONTROLE DE MDIAS
0 5 10 15 20 25
240
250
260
270
280
290
300
CTR = 267,11
UCL = 290,80
LCL = 243,42

74

AMOSTRA X1 X2 X3 X4 X5
1 74,030 74,002 74,019 73,992 74,008
2 73,995 73,992 74,001
3 73,988 74,024 74,021 74,005 74,002
4 74,002 73,996 73,993 74,015 74,009
5 73,992 74,007 74,015 73,989 74,014
6 74,009 73,994 73,997 73,985
7 73,995 74,006 73,994 74,000
8 73,985 74,003 73,993 74,015 73,988
9 74,008 73,995 74,009 74,005
10 73,998 74,000 73,990 74,007 73,995
11 73,994 73,998 73,994 73,995 73,990
12 74,004 74,000 74,007 74,000 73,996
13 73,983 74,002 73,998
14 74,006 73,967 73,994 74,000 73,984
15 74,012 74,014 73,998
16 74,000 73,984 74,005 73,998 73,996
17 73,994 74,012 73,986 74,005
18 74,006 74,010 74,018 74,003 74,000
19 73,984 74,002 74,003 74,005 73,997
20 74,000 74,010 74,013
21 73,982 74,001 74,015 74,005 73,996
22 74,004 73,999 73,990 74,006 74,009
23 74,010 73,989 73,990 74,009 74,014
24 74,015 74,008 73,993 74,000 74,010
25 73,982 73,984 73,995 74,017 74,013
1) Grfico de Controle de X
AMOSTRA
i
n
i
X
i
X n
i
S 2
i
S
2
i
i
S ) 1 n (
1 5 74,010 370,051 0,0148 0,0002 0,00080
2 3 73,996 221,988 0,0046 0,0000 0,00000
3 5 74,008 370,040 0,0147 0,0002 0,00080
4 5 74,003 370,015 0,0091 0,0001 0,00040
5 5 74,003 370,017 0,0122 0,0001 0,00040
6 4 73,996 295,985 0,0099 0,0001 0,00030
7 4 73,999 295,995 0,0055 0,0000 0,00000
8 5 73,997 369,984 0,0123 0,0002 0,00080
9 4 74,004 296,017 0,0064 0,0000 0,00000
10 5 73,998 369,990 0,0063 0,0000 0,00000
11 5 73,994 369,971 0,0029 0,0000 0,00000
12 5 74,001 370,007 0,0042 0,0000 0,00000
13 3 73,994 221,983 0,0100 0,0001 0,00020
14 5 73,990 369,951 0,0153 0,0002 0,00080
15 3 74,008 222,024 0,0087 0,0001 0,00020
16 5 73,997 369,983 0,0078 0,0001 0,00040
17 4 73,999 295,997 0,0115 0,0001 0,00030
18 5 74,007 370,037 0,0070 0,0000 0,00000
19 5 73,998 369,991 0,0085 0,0001 0,00040
20 3 74,008 222,023 0,0068 0,0000 0,00000
21 5 74,000 369,999 0,0122 0,0001 0,00040
22 5 74,002 370,008 0,0074 0,0001 0,00040
23 5 74,002 370,012 0,0119 0,0001 0,00040
24 5 74,005 370,026 0,0087 0,0001 0,00040
25 5 73,998 369,991 0,0162 0,0003 0,00120
TOTAL 113 8.362,085 0,00860
75

001 , 74
113
085 , 8362
n
X n
X
m
1 i
i
m
1 i
i
i
= = =

=
=

0,0099
88
00860 , 0
m n
S ) 1 n (
S
2 1
2 1
m
1 i
i
m
1 i
2
i i
=
(

=
(
(
(
(

=
=

Substituindo os valores de X , S e
3
A , nas expresses abaixo, obtm-se os limites de
controle.
S A X LSC
3
+ =
X LC =
S A X LIC
3
=
Os valores de
3
A variam de acordo com os tamanhos das amostras.








2) Grfico de controle de S
Substituindo-se os valores de S,
3
B e
4
B , nas expresses abaixo, obtm-se os limites de controle.
S B LSC
4
=
S LC =
S B LIC
3
=
Os valores de
3
B e
4
B variam de acordo com os tamanhos das amostras.














76

library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite

setwd("C:/ENGENHARIA_QUALIDADE/EXEMPLOS")

dados<-read.xls("graficoS_1.xls") # leitura do arquivo de dados
str(dados) # lista a estrutura do objeto dados
obj <- qcc(dados[,2:6], type="xbar",ylab="Mdias",xlab="Amostras",
sizes=c(5,3,5,5,5,4,4,5,4,5,5,5,3,5,3,5,4,5,5,3,5,5,5,5,5),title="")
title(main="GRFICO DE CONTROLE DE MDIA",cex.main=1)
obj <- qcc(dados[,2:6], type="S",title="",
ylab="Desvios padro",xlab="Amostras",
sizes=c(5,3,5,5,5,4,4,5,4,5,5,5,3,5,3,5,4,5,5,3,5,5,5,5,5))
title(main="GRFICO DE CONTROLE DE S",cex.main=1)
LISTA DE EXERCCIOS N
O
. 5
1. Um provedor de energia de alta voltagem deve ter uma voltagem nominal de sada de 350 V. Uma
amostra de 4 unidades seleciona todo dia e testada como propsito de controle do processo.
Amos-
tra x1 x2 x3 x4
Amos-
tra x1 x2 x3 x4
1 350,6 350,9 351,0 351,5 11 350,8 351,2 351,4 351,6
2 351,0 350,4 350,6 351,1 12 350,6 351,3 350,9 351,1
3 350,7 350,8 351,0 350,5 13 351,6 350,9 351,3 351,5
4 350,8 350,9 350,6 351,3 14 350,7 351,3 351,0 351,2
5 350,9 351,0 350,7 351,3 15 351,1 350,7 351,0 351,6
6 351,2 351,1 351,0 351,0 16 351,5 351,0 351,1 351,4
7 351,6 351,0 350,8 350,9 17 350,9 350,8 351,2 351,0
8 350,7 350,5 351,0 350,4 18 351,5 350,7 351,0 351,1
9 350,9 350,7 350,8 351,2 19 350,8 350,6 350,9 351,2
10 351,5 351,6 351,0 351,3 20 351,4 351,5 351,2 351,6
Construir grficos de controle de X e S para esse processo. O processo est sob controle?
2. A espessura de uma placa de circuito impresso um parmetro importante da qualidade. Foram
obtidas as espessuras (em polegadas, in) de 25 amostras, sendo trs placas cada amostra.

Amostra x1 x2 x3 Amostra x1 x2 x3
1 0,0629 0,0636 0,0640 14 0,0645 0,0640 0,0631
2 0,0630 0,0631 0,0622 15 0,0619 0,0644 0,0632
3 0,0628 0,0631 0,0633 16 0,0631 0,0627 0,0630
4 0,0634 0,0630 0,0631 17 0,0616 0,0623 0,0631
5 0,0619 0,0628 0,0630 18 0,0630 0,0630 0,0626
6 0,0613 0,0629 0,0634 19 0,0636 0,0631 0,0629
7 0,0630 0,0639 0,0625 20 0,0640 0,0635 0,0629
8 0,0628 0,0627 0,0622 21 0,0628 0,0625 0,0616
9 0,0623 0,0626 0,0633 22 0,0615 0,0625 0,0619
10 0,0631 0,0631 0,0633 23 0,0630 0,0632 0,0630
11 0,0635 0,0630 0,0638 24 0,0635 0,0629 0,0635
12 0,0623 0,0630 0,0630 25 0,0623 0,0629 0,0630
13 0,0635 0,0631 0,0630
a) Construa o grfico de controle de X e S para esse processo. O processo est sob controle?
b) estime o desvio padro do processo.
3. A tabela abaixo apresenta 20 subgrupos de cinco medidas, de uma dimenso crtica de uma pea
produzida por um processo de usinagem.
77

Amostra x1 x2 x3 x4 x5
1 138,1 110,8 138,7 137,4 125,4
2 149,3 142,1 105,0 134,0 102,3
3 115,9 135,6 124,2 155,0 117,4
4 118,5 116,5 118,2 122,6 120,2
5 108,2 123,8 117,1 142,4 150,9
6 102,8 112,0 135,0 135,0 145,8
7 120,4 114,3 112,8 118,5 119,3
8 132,7 131,1 124,0 123,9 125,1
9 136,4 126,2 154,7 127,1 173,2
10 135,0 125,4 149,1 138,3 130,4
11 139,6 127,9 151,1 143,7 110,5
12 125,3 160,2 130,4 152,4 165,1
13 145,7 121,8 149,5 113,3 151,8
14 138,6 139,0 141,9 140,2 141,1
15 110,1 114,6 165,1 113,8 139,6
16 145,2 101,0 154,6 120,2 117,3
17 125,9 135,3 121,5 147,9 105,0
18 129,7 97,3 130,5 109,0 150,5
19 144,4 150,0 161,6 148,4 154,2
20 144,8 138,3 129,6 151,8 142,7
a) Construir grficos de controle de X e R para esse processo. O processo est sob controle?
b) estime o desvio padro do processo.
4. A tabela abaixo apresenta 20 subgrupos de cinco medidas, de uma dimenso crtica de uma pea
produzida por um processo de usinagem. Construir os grficos de controle X e S.
AMOSTRA x1 x2 x3 x4 x5
1 138,1 110,8 138,7
2 149,3 142,1 105,0 134,0
3 115,9 135,6 124,2 155,0 117,4
4 118,5 116,5 118,2 122,6 120,2
5 108,2 123,8 117,1
6 102,8 112,0 135,0 135,0 145,8
7 120,4 114,3 112,8 118,5 119,3
8 132,7 131,1 124,0 123,9
9 136,4 126,2 154,7 127,1
10 135,0 125,4 149,1 138,3 130,4
11 139,6 127,9 151,1 143,7
12 125,3 160,2 130,4 152,4 165,1
13 145,7 121,8 149,5 113,3 151,8
14 138,6 139,0 141,9 140,2 141,1
15 110,1 114,6 165,1
16 145,2 101,0 154,6 120,2 117,3
17 125,9 135,3 121,5 147,9 105,0
18 129,7 97,3 130,5 109,0 150,5
19 144,4 150,0 161,6 148,4
20 144,8 138,3 129,6 151,8 142,7

5. Os grficos de controle de X e S so estabelecidos para monitorar uma caracterstica de
qualidade. O tamanho da amostra 4 n = . Aps 40 amostras, obtm-se:
78

040 . 57 X
40
1 i
i
=

=
e 547 S
40
1 i
i
=

=

a) Assumindo que ambos os grficos exibem controle, estime os parmetros e o ;
b) Calcule os limites o 3 para o grfico de S.

3.3.4 Grfico de Shewhart para Medidas Individuais (Grfico X)
Existem diversas situaes em que o tamanho da amostra para monitoramento do processo
igual a unidade, a amostra consiste de uma nica unidade individual.
Em muitas aplicaes dos grficos de controle para unidades individuais, utiliza-se a amplitude
mvel de duas observaes consecutivas como base para estimar a variabilidade do processo. A
amplitude mvel definida como sendo:
1 i i i
x x MR

= , m ,..., 2 i =
Para a construo do grfico de observaes individuais e amplitude mvel, utilizam-se as
expresses apresentadas a seguir:
Grfico para a amplitude mvel:
3
D MR LIC =
MR LC =
4
D MR LSC =
Grfico de controle para observaes individuais:
2
d
MR
3 X LIC =
X LC =
2
d
MR
3 X LSC + =
onde:
X a mdia amostral das observaes amostrais;
1 m
MR
MR
m
2 i
i

=

=
a mdia das amplitudes mveis de duas observaes;
4 3 2
D e D , d so constantes tabelados para n=2.
Considere o exemplo referente s medidas dos dimetros internos (mm) de anis de pisto de
motores de automveis. Suponha que foram selecionadas 25 amostras ) m ( composta somente por
uma amostra ) X ( .

79

AMOSTRA X AMOSTRA X
1 74,030 14 74,006
2 73,995 15 74,012
3 73,988 16 74,000
4 74,002 17 73,994
5 73,992 18 74,006
6 74,009 19 73,984
7 73,995 20 74,000
8 73,985 21 73,982
9 74,008 22 74,004
10 73,998 23 74,010
11 73,994 24 74,015
12 74,004 25 73,982
13 73,983
a) Construo do Grfico da Amplitude Mvel
1 i i i
x x MR

= , i=2,...,25
AMOSTRA
i
x
i
MR
1 74,030
2 73,995 0,035
3 73,988 0,007
4 74,002 0,014
5 73,992 0,010
6 74,009 0,017
7 73,995 0,014
8 73,985 0,010
9 74,008 0,023
10 73,998 0,010
11 73,994 0,004
12 74,004 0,010
13 73,983 0,021
14 74,006 0,023
15 74,012 0,006
16 74,000 0,012
17 73,994 0,006
18 74,006 0,012
19 73,984 0,022
20 74,000 0,016
21 73,982 0,018
22 74,004 0,022
23 74,010 0,006
24 74,015 0,005
25 73,982 0,033
MDIA 73,999 0,015
015 , 0
1 m
MR
MR
m
2 i
i
=

=

0 D MR LIC
3
= = , pois tem-se que 0 D
3
= para n=2
015 , 0 MR LC = =
0,048 3,267 015 , 0 D MR LSC
4
= = =
80

O grfico da amplitude mvel ser:










b) Grfico de Controle para Observaes Individuais
73,959
1,128
015 , 0
3 999 , 73
d
MR
3 X LIC
2
= = =
999 , 73 X LC = =
74,039
128 , 1
015 , 0
3 999 , 73
d
MR
3 X LSC
2
= + = + =

O grfico de controle das observaes individuais de X , ser:











LISTA DE EXERCCIOS N
O
. 6
1) A viscosidade da tinta de base para avies uma caracterstica importante da qualidade. O
produto fabricado em lotes e como cada lote leva horas para ser produzido, a taxa de produo
muito lenta para permitir amostras de tamanho maior que um. A viscosidade de 15 lotes anteriores
Observation
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
25 23 21 19 17 15 13 11 9 7 5 3 1
74,04
74,03
74,02
74,01
74,00
73,99
73,98
73,97
73,96
73,95
_
X=73,99912
UCL=74,03857
LCL=73,95967
I Chart of X1

Observation
M
o
v
i
n
g

R
a
n
g
e
25 23 21 19 17 15 13 11 9 7 5 3 1
0,05
0,04
0,03
0,02
0,01
0,00
__
MR=0,01483
UCL=0,04846
LCL=0
Moving Range Chart of X1


81

apresentada a seguir. Construir os grficos de controle para observaes individuais e da amplitude
mvel.
NMERO
DO LOTE
VISCOSIDADE
NMERO DO
LOTE
VISCOSIDADE
1 33,75 9 33,49
2 33,05 10 33,20
3 34,00 11 33,62
4 33,81 12 33,00
5 33,46 13 33,54
6 34,02 14 33,12
7 33,68 15 33,84
8 33,27

2) Em um processo de fabricao de semicondutores, a espessura do metal foi medida em 30
pastilhas obtidas ao longo de aproximadamente duas semanas. Os dados so mostrados na tabela
abaixo.
PASTILHA X PASTILHA X
1 16,8 16 15,4
2 14,9 17 14,3
3 18,3 18 16,1
4 16,5 19 15,8
5 17,1 20 15,9
6 17,4 21 15,2
7 15,9 22 16,7
8 14,4 23 15,2
9 15,0 24 14,7
10 15,7 25 17,9
11 17,1 26 14,8
12 15,9 27 17,0
13 16,4 28 16,2
14 15,8 29 15,6
15 15,4 30 16,3
a) Calcular os limites tentativos de controle para os grficos das observaes individuais e da
amplitude mvel;
b) Construir os grficos e plotar os dados;
c) O processo est sob controle?
3.4 Razes da Capacidade de Processo
conveniente, expressar a capacidade de um processo de forma simples, quantitativa. Uma
forma a razo da capacidade do processo
p
C , definido como:

o

=
6
LIE LSE
C
p

onde se tem que LSE e LIE so os limites superior e inferior de especificaes, respectivamente.
A razo da capacidade do processo
p
C , admite uma interpretao prtica til, a saber:
100
C
1
P
p

|
|
.
|

\
|
=
que representa a percentagem da faixa de especificao utilizada pelo processo.
Tem-se trs situaes de interesse relativos razo da capacidade do processo
p
C :
82

1 C
p
> : o processo usa menos de 100% da faixa de tolerncia;
1 C
p
= : o processo usa toda a faixa de tolerncia;
1 C
p
< : o processo usa mais de 100% da faixa de tolerncia













FONTE: MONTGOMERY, Douglas C. (2009), p. 135.
Em geral, o desconhecido, tendo ento que substitu-lo por uma estimativa.
Freqentemente, usa-se
2
d
R
= o como estimativa de o, resultando em uma estimativa
p
C

de
p
C .
Assim, a estimativa
p
C

obtida atravs de:



2
d
R
6
LIE LSE
6
LIE LSE
C

=
o

A razo da capacidade do processo
p
C no leva em conta onde a mdia do processo est
localizada, em relao s especificaes.
p
C mede simplesmente a disperso das especificaes em
relao disperso seis-sigma no processo.
A razo da capacidade do processo que leva em considerao a centralizao do processo
o
pk
C , definido como sendo:

(


=
o

o
LIE
,
LSE
min
3
1
C
pk

Classificao do processo com respeito a sua capacidade:
33 , 1 C
pk
> o processo capaz;
33 , 1 C 1
pk
< s o processo razoavelmente capaz;

83

1 C
pk
< o processo incapaz.
De modo geral, se
pk p
C C = , o processo est centrado no ponto mdio das
especificaes, e quando
p pk
C C < , o processo est descentrado.
A estimativa de
pk
C obtida substituindo-se o e pelas estimativas o e :

(


=
o

LIE
,
LSE
min
3
1
C

pk

Notas:
Limites naturais do processo (LN):
o = 3 LIN (limite inferior natural)
o + = 3 LSN (limite superior natural)
Limites de controle para o grfico de X :
R A 3 X
n d
R
3 X LIC
2
2
= = (limites inferior de controle)
R A 3 X
n d
R
3 X LSC
2
2
+ = + = (limite superior de controle)
ou
S A 3 X
n c
S
3 X LIC
3
4
= = (limites inferior de controle)
R A 3 X
n c
S
3 X LSC
3
4
+ = + = (limite superior de controle)

Exemplos:
1) Os dados apresentados a seguir so a mdia e a amplitude de 24 amostras de tamanho 5
tomadas de um processo de produo de eixos. Os limites de especificaes so: LIE=34,745 e
LSE=35,183
a) calcular os limites de controle para o grfico da mdia e para o grfico da amplitude.
b) calcular e interpretar o Cp e o Cpk do processo.
No.
AMOSTRA
i
X
R
No.
AMOSTRA
i
X
R
No.
AMOSTRA
i
X
R
1 34,95 0,22 9 35,08 0,37 17 35,00 0,28
2 35,05 0,33 10 35,02 0,09 18 35,04 0,29
3 35,01 0,27 11 34,98 0,33 19 35,0 0,27
4 34,97 0,16 12 34,98 0,23 20 34,81 0,27
5 35,02 0,39 13 35,03 0,15 21 34,96 0,29
6 34,95 0,19 14 35,05 0,29 22 35,05 0,18
7 34,96 0,21 15 35,00 0,31 23 35,02 0,29
8 34,97 0,27 16 34,92 0,18 24 35,03 0,29
a) Calculando-se inicialmente:
84

34,99
m
X
X
m
1 i
i
= = =

=
; 0,2563
m
R
R
m
1 i
i
= =

=
e 0,1102
2,326
2563 , 0
d
R
2
= = = o
b) E, assim:
6625 , 0
1102 , 0 6
745 , 34 183 , 35
6
LIE LSE
C

p
=

=
o

5838 , 0
1102 , 0
745 , 34 99 , 34
,
1102 , 0
99 , 34 183 , 35
min
3
1
C

pk
=
(


2) A tabela abaixo apresenta as medidas dos dimetros internos (mm) de anis de pisto de motores
de automveis.
amostra X1 X2 X3 X4 X5
1 74,030 74,002 74,019 73,992 74,008
2 73,995 73,992 74,001 74,011 74,004
3 73,988 74,024 74,021 74,005 74,002
4 74,002 73,996 73,993 74,015 74,009
5 73,992 74,007 74,015 73,989 74,014
6 74,009 73,994 73,997 73,985 73,993
7 73,995 74,006 73,994 74,000 74,005
8 73,985 74,003 73,993 74,015 73,988
9 74,008 73,995 74,009 74,005 74,004
10 73,998 74,000 73,990 74,007 73,995
11 73,994 73,998 73,994 73,995 73,990
12 74,004 74,000 74,007 74,000 73,996
13 73,983 74,002 73,998 73,997 74,012
14 74,006 73,967 73,994 74,000 73,984
15 74,012 74,014 73,998 73,999 74,007
16 74,000 73,984 74,005 73,998 73,996
17 73,994 74,012 73,986 74,005 74,007
18 74,006 74,010 74,018 74,003 74,000
19 73,984 74,002 74,003 74,005 73,997
20 74,000 74,010 74,013 74,020 74,003
21 73,982 74,001 74,015 74,005 73,996
22 74,004 73,999 73,990 74,006 74,009
23 74,010 73,989 73,990 74,009 74,014
24 74,015 74,008 73,993 74,000 74,010
25 73,982 73,984 73,995 74,017 74,013
Construindo o grfico de R, tem-se a linha central 023 , 0 R = . Do grfico X , tem-se a linha
central 001 , 74 X = . Os limites de especificaes do dimetro do anel de pisto so apresentados a
seguir:
mm 05 , 74 LSE =
mm 95 , 73 LIE =
Para obter o
p
C

faz-se necessrio estimar o atravs de


2
d
R
= o , tem-se ento que:
85

0099 , 0
326 , 2
023 , 0
d
R
2
= = = o , onde
2
d o valor tabelado (tabela da seo 3.3.1.2) e R a linha central
do grfico R.
Assim, tem-se que:
68 , 1
0099 , 0 6
95 , 73 05 , 74
6
LIE LSE
C

p
=

=
o

Como 1 C
p
> , o processo usa menos de 100% da faixa de tolerncia.
A quantidade 100
C

1
P
p

|
|
.
|

\
|
= , indica a percentagem da faixa de especificao usada pelo
sistema. Assim,
5 , 9 5 100
1,68
1
100
C

1
P
p
= |
.
|

\
|
=
|
|
.
|

\
|
= %
A estimativa
pk
C

de
pk
C obtida substituindo-se o e pelas estimativas o e . Calculando
pk
C

, tem-se:

(

=

0099 , 0
95 , 73 001 , 74
,
0099 , 0
001 , 74 05 , 74
min
3
1
pk
C


| | 1,65
3
9495 , 4
1515 , 5 , 9495 , 4 min
3
1
C

pk
= = =
Como
p pk
C

< , o processo est levemente descentrado, conforme grfico a seguir.












library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("dimetro_aneis.xls") # leitura do arquivo de dados
str(dados) # lista a estrutura do objeto dados
X<-dados[,2:6]
obj <- qcc(X, type="R",title="GRFICO DE CONTROLE R",
ylab="R das amostras",xlab="Amostras")
obj1 <- qcc(X, type="xbar",title="GRFICO DE CONTROLE DE MDIAS",
ylab="Mdias das amostras",xlab="Amostras")
process.capability(obj1,spec.limits=c(73.95,74.05))

86

LISTA DE EXERCCIOS N
O
. 7

1. Suponha que a caracterstica da qualidade seja normalmente distribuda, com especificaes
20 100 . As estimativas da mdia e do desvio padro do processo, so, respectivamente:
0 , 100 = e 0 , 6 = o . Calcular os
p
C

e
pk
C

e interpretar os valores obtidos.


2. Um molde para extruso usado para produzir bastes de alumnio. O dimetro dos bastes
uma caracterstica crtica a qualidade. Vinte amostras de 5 bastes cada uma foram analisadas e
obteve-se as seguintes estimativas para mdia e desvio padro: 0947 , 34 = e 4664 , 2 = o . Sabendo-
se que as especificaes sobre os bastes so 0 , 10 0 , 35 , estimar e interpretar
p
C e
pk
C .
3. A tabela abaixo fornece o dimetro mdio (cm) e a amplitude (cm) de 25 amostras de quatro eixos.
Se as especificaes do dimetro dos eixos forem de 2 , 2 0 , 10 mm, qual a porcentagem de eixos que
no atendero s especificaes?
i
X
R
i
X
R
i
X
R
i
X
R
i
X
R
9,97 0,24 10,10 0,30 9,93 0,33 10,00 0,57 10,00 0,27
10,00 0,28 10,15 0,12 10,00 0,26 10,01 0,21 10,05 0,19
10,00 0,30 9,94 0,24 9,98 0,20 10,02 0,15 9,96 0,08
10,00 0,27 10,02 0,36 10,05 0,12 9,94 0,24 9,97 0,10
10,00 0,20 10,05 0,13 9,97 0,15 10,01 0,26 9,94 0,44

3.5 Grficos de Controle para Atributos
Muitas vezes, a caracterstica de qualidade no pode ser representada numa forma numrica
ou seja os itens produzidos so inspecionados e classificados como conformes (atendem s
especificaes) ou no conformes (no atendem s especificaes). Utiliza-se comumente a
classificao de no defeituosos e defeituosos quando as exigncias de projeto so atendidas ou
no. Essas caractersticas so chamadas de atributos.
3.5.1 Grfico p (Grfico de Controle para Frao de no Conformes)
Neste caso, considera-se como medida de qualidade a frao de defeituosos produzidos pelo
processo. Entende-se por frao de produtos defeituosos como a razo entre o nmero de itens
defeituosos e o total de itens.
Os princpios subjacentes ao grfico de controle para a frao de no conformes baseiam-se
na distribuio binomial.
Suponha que o processo de produo esteja operando de maneira estvel, de forma que a
probabilidade de que uma unidade no esteja de acordo com a especificao seja p, e que as
sucessivas unidades produzidas sejam independentes. Ento, cada unidade produzida uma
realizao de uma varivel aleatria de Bernoulli com parmetro p. Se uma amostra aleatria de n
87

unidades do produto selecionada, e se D o nmero de unidades do produto no conformes, ento
D tem uma distribuio binomial com parmetros n e p, isto :
x n x
) p 1 ( p
x
n
) x D ( P

|
|
.
|

\
|
= = , n ..., , 1 , 0 x =
np =
) p 1 ( np
2
= o
A frao de no conformes definida como sendo:
amostra da tamanho
conformes no unidades de nmero
n
D
p

= =
Suponha que a verdadeira frao de no conformes, p, no processo de produo seja
conhecida, ou um valor padro especificado pela gerncia.
Os limites de controle e a linha central do grfico de controle sero definidos atravs de:
n
) p 1 ( p
3 p LIC

=
p LC =
n
) p 1 ( p
3 p LSC

+ =
Quando a frao de no conformes do processo, p, no conhecida, deve, ento, ser
estimada a partir de dados observados. O procedimento usual a seleo de m amostras
preliminares, cada uma de tamanho n. Como regra geral, m deve ser 20 ou 25.
Ento, se h
i
D unidades no conformes na amostra i , calcula-se a frao de no conformes
na i-sima amostra atravs de:
n
D
p

i
i
= , m ..., , 2 , 1 i =
A mdia p

dessas fraes de no conformes das amostras individuais :


m
p

n m
D
p

m
1 i
i
i
m
1 i

=
=

=
=

Os limites de controle e a linha central do grfico de controle sero definidos atravs de:
n
) p

1 ( p

3 p

LIC

=
p

LC =
n
) p

1 ( p

3 p

LSC

+ =
Exemplo de aplicao:
88

As peas fabricadas por certa mquina foram classificadas em perfeitas e defeituosas. Foram
examinadas 30 amostras de 20 peas cada uma, fornecendo os resultados:
AMOSTRA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
No. de pe-
as defei-
tuosas
0 1 1 2 2 0 3 2 5 1 1 0 0 1 2

AMOSTRA 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
No. de pe-
as defei-
tuosas
0 3 3 2 3 1 1 1 2 0 0 0 3 4 1
a) estimar a frao de defeituosos do processo;
b) construir o grfico de controle de frao de defeituosos.
Soluo:
AMOSTRA
No. DE PEAS
DEFEITUOSAS
(X)
i
p

AMOSTRA
No. DE PEAS
DEFEITUOSAS
(X)
i
p


1 0 0,00 16 0 0,00
2 1 0,05 17 3 0,15
3 1 0,05 18 3 0,15
4 2 0,10 19 2 0,10
5 2 0,10 20 3 0,15
6 0 0,00 21 1 0,05
7 3 0,15 22 1 0,05
8 2 0,10 23 1 0,05
9 5 0,25 24 2 0,10
10 1 0,05 25 0 0,00
11 1 0,05 26 0 0,00
12 0 0,00 27 0 0,00
13 0 0,00 28 3 0,15
14 1 0,05 29 4 0,20
15 2 0,10 30 1 0,05
a) A proporo estimada de peas defeituosas na amostra i ser obtida fazendo-se:
20
X
p

i
i
= .
A proporo estimada mdia 075 , 0
m
p

m
1 i
i
= =

=
, logo,
075 , 0 LC =
102 , 0 177 , 0 075 , 0
20
) 075 , 0 1 ( 075 , 0
3 075 , 0 LIC = =

= (0)
252 , 0 177 , 0 075 , 0
20
) 075 , 0 1 ( 075 , 0
3 075 , 0 LSC = + =

+ =



89

b)










library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("exemplo3.xls") # leitura do arquivo de dados
str(dados) # lista a estrutura do objeto dados
atach(dados)
obj <- qcc(X,sizes=n,type="p",title="GRFICO DE CONTROLE DE DEFEITUOSOS",
ylab="Mdias das amostras",xlab="Amostras",ylim=c(0,0.4))

LIC<-obj$limits[,1] # limite inferior de controle
LIC
LSC<-obj$limits[,2] # limite superior de controle
LSC
LC<-obj$center # limite central de controle
LC

3.5.1.1 Planejamento do Grfico de Controle para Frao de no Conformes
O grfico de controle da frao de defeituosos depende de trs parmetros: tamanho da
amostra n, freqncia de amostragem e a distncia entre os limites de controle.
comum o grfico de controle para a frao de defeituosos basear-se numa inspeo de todo
o processo (100%) em determinado perodo, como um turno ou um dia de trabalho. Se existem 3
turnos e se existe suspeita que os turnos diferem na qualidade do produto fabricado, tomam-se sub-
amostras dos trs turnos.
Algumas regras prticas para a seleo de amostras da produo:
a) Suponha que 01 , 0 p = e deseja-se que a probabilidade de ter ao menos uma unidade no
conforme na amostra seja de no mnimo 0,95. O que equivale a encontrar n tal que . 95 , 0 ) 1 D ( P > >
Tem-se que se 10 , 0 p s e n grande ) 50 n ( > , possvel fazer a aproximao da distribuio
binomial para a distribuio de Poisson.

90

As probabilidades acumuladas da distribuio de Poisson, | |

= s
d
0 x
x
! x
e
/ d D P , so
apresentadas em tabelas. Neste caso, fazer np = .
Para 95 , 0 ) 1 D ( P > > , 00 , 3 np > = (TABELA A6.1 e TABELA A.6.2), logo 300
01 , 0
3
p
n > = =

.
b) Duncan (1986), sugeriu que o tamanho da amostra, deveria ser grande o bastante para que a
chance de detectar uma mudana no processo de algum tamanho especificado fosse
aproximadamente 50%. Se o o tamanho da mudana no processo, ento n deve satisfazer:
n
) p 1 ( p
L

= o ,
logo , ) p 1 ( p
L
n
2
|
.
|

\
|
o
=
Exemplo:
Suponha que 01 , 0 p = e deseja-se que a probabilidade de detectar uma mudana para
05 , 0 p
1
= , seja igual a 0,50. Qual o tamanho da amostra n?
01 , 0 p =
05 , 0 p
1
=
04 , 0 01 , 0 05 , 0 p p
1
= = = o
padro) desvios 3 a controle de limites os do consideran ( 3 L =
56 99 , 0 01 , 0
04 , 0
3
n
2
= |
.
|

\
|
=
c) Se o valor sob controle da frao de no conformes pequeno, outro critrio til escolher n
grande o bastante para que o grfico de controle tenha um limite inferior de controle positivo. Ento:
0
n
) p 1 ( p
L p LIC >

= ou
2
L
p
) p 1 (
n

>
Exemplo: Se 05 , 0 p = e so usados os limites trs-sigma:
171 3
05 , 0
) 05 , 0 1 (
n
2
>

>
3.5.1.2 Grfico p para Tamanhos de Amostras Variveis
Em algumas situaes, o tamanho das amostras no pode ser mantido constante. Isso pode
ocorrer quando se adota o procedimento de formar as amostras com todas as unidades produzidas a
intervalos de tempo fixo (por exemplo, de hora em hora). O grfico ter vrios limites superiores de
controle, um para cada tamanho de amostra, e, da mesma forma, vrios limites inferiores de controle.
91

Os limites inferior e superior de controle sero calculados para cada
i
n .
i
n
) p

1 ( p

3 p

LIC
i

=
p

LC =
i
n
) p

1 ( p

3 p

LSC
i

+ =
Onde:

=
=
=
m
1 i
m
1 i
i
i
n
D
p

Exemplo: Os dados que seguem apresentam os resultados da inspeo de todas as unidades de
computadores produzidos durante os ltimos 10 dias. O processo parece estar sob controle?
DIA
UNIDADES
INSPECIONADAS
UNIDADES NO
CONFORMES
1 80 4
2 110 7
3 90 5
4 75 8
5 130 6
6 120 6
7 70 4
8 125 5
9 105 8
10 95 7
Soluo:
06 , 0
1000
60
n
D
p

m
1 i
m
1 i
i
i
= = =

=
=

DIA
UNIDADES
INSPECIONADAS ) n (
i

UNIDADES NO
CONFORMES (
i
D )
i
p

LIC LSC
1 80 4 0,05 0,00 0,14
2 110 7 0,06 0,00 0,13
3 90 5 0,06 0,00 0,14
4 75 8 0,11 0,00 0,14
5 130 6 0,05 0,00 0,12
6 120 6 0,05 0,00 0,13
7 70 4 0,06 0,00 0,15
8 125 5 0,04 0,00 0,12
9 105 8 0,08 0,00 0,13
10 95 7 0,07 0,00 0,13
E 1000 60
Para 1 i = :
02 , 0
80
) 06 , 0 1 ( 06 , 0
3 06 , 0 LIC
1
=

=
06 , 0 LC =
92

14 , 0
80
) 06 , 0 1 ( 06 , 0
3 06 , 0 LSC
1
=

+ =

Os limites inferior e superior para as demais amostras so obtidos considerando-se seus
tamanhos de amostras.










library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("computadores.xls") # leitura do arquivo de dados
str(dados) # lista a estrutura do objeto dados

attach(dados)
obj <- qcc(X,sizes=n,type="p",title="GRFICO DE CONTROLE p",
ylab="prop. das amostras",xlab="Amostras")

LISTA DE EXERCCIOS N
O
. 8
1. Um grfico de controle para a frao de no conformes deve ser estabelecido, com linha central de
0,01 e limites de controle dois-sigma.
a) qual deve ser o tamanho da amostra, se o limite inferior de controle deve ser no nulo?
b) qual deve ser o tamanho da amostra, se desejamos que a probabilidade de detectar uma mudana
para 0,04 seja de 0,50?
2. Um processo que produz crter para mancais controlado por um grfico de controle para a frao
de no conformes, usando tamanho de amostra n=100 e linha central igual a 0,02.
a) Achar os limites trs sigma para esse grfico;
b) Qual o menor tamanho de amostra que pode ser usado para esse processo para fornecer um limite
inferior de controle positivo para o grfico.
3. Um grfico de controle indica que a frao corrente de no conformes do processo 0,02, para
limites trs sigma. Qual deve ser o tamanho da amostra, se desejamos que a probabilidade de
detectar uma mudana para 0,04 seja de 0,50?

93

4. Um processo que produz aros de roda de titnio para automveis com motores turbinados, deve
ser controlado pelo uso do grfico para a frao de no conformes. Inicialmente, uma amostra de
tamanho 150 retirada a cada dia, durante 20 dias, e os resultados observados so
apresentados.
DIA
UNIDADES
NO
CONFORMES
DIA
UNIDADES
NO
CONFORMES
1 3 11 2
2 2 12 4
3 4 13 1
4 2 14 3
5 5 15 6
6 2 16 0
7 1 17 1
8 2 18 2
9 0 19 3
10 5 20 2
a) Estabelea um grfico de controle para monitorar a produo futura;
b) Qual o menor tamanho de amostra que pode ser usado para esse processo e ainda fornecer um
limite inferior de controle positivo para o grfico.
5. Um processo produz correias de transmisso de borracha em lotes de tamanho 2500. Os registros
de inspeo dos ltimos 20 lotes mostram os seguintes dados.
No. LOTE
UNIDADES NO
CONFORMES
1 230
2 435
3 221
4 346
5 230
6 327
7 285
8 311
9 342
10 308
11 456
12 394
13 285
14 331
15 198
16 414
17 131
18 269
19 221
20 407
a) Calcular os limites de controle para frao de no conformes;
b) Se voc desejasse estabelecer um grfico de controle para controlar a produo futura, como
usaria esses dados para obter a linha central e os limites de controle para o grfico?

3.5.2 Grfico c (Grfico de Controle para no Conformidade)
Em muitas situaes no faz sentido classificar o item como defeituoso ou no defeituoso.
normal que, em produtos como automveis, que so constitudos de uma srie de componentes,
alguns venham com um ou outro componente danificado ou faltando. Outro tipo de processo cujo
94

monitoramento feito pelo nmero de no conformidades so os processos contnuos, como
produo de chapas de metal. Se o produto for contnuo (chapa de metal), s possvel expressar a
freqncia mdia de ocorrncia de defeitos em relao a certa quantidade-base do produto, ou seja,
em relao a uma extenso (uma rea, um comprimento, etc) predefinida do produto.
Faz-se necessrio definir a unidade de inspeo. Por exemplo: na produo de chapas em
rolo, a unidade de inspeo pode ser definida como 10, 100 ou mesmo 1000 m de chapa. Na
produo de automveis, a unidade de inspeo pode ser 1,2,4 ou qualquer nmero de unidades do
produto.
Supe-se em geral que a varivel aleatria c, nmero de no conformidades em qualquer quantidade
definida do produto, tem distribuio de Poisson, ou seja:
| |
! c
e
c C P
c

= =

, .... , 2 , 1 , 0 c =
onde c o nmero de no conformidades.
Assim, supondo que um valor-padro para c esteja disponvel, um grfico de controle para no
conformidades com limites trs sigma definido como segue:
c 3 c LIC = (limite inferior)
c LC= (linha central)
c 3 c LSC + = (limite superior)
Quando no se dado qualquer padro, ento c pode ser estimado como o nmero mdio de
no conformidades observado em uma amostra preliminar de unidades de inspeo, representado
por c . Nesse caso, o grfico de controle tem parmetros definidos como segue:
c 3 c LIC = (limite inferior)
c LC = (linha central)
c 3 c LSC + = (limite superior)
Onde:
m
D
c
m
1 i
i

=
=
Os limites de controle obtidos devem ser encarados como limites de controle tentativos.
Exemplo de aplicao:
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. Construir um grfico de controle para o nmero de defeitos por unidade do produto (100
placas de circuito impresso).

95

AMOSTRA DEFEITOS AMOSTRA DEFEITOS AMOSTRA DEFEITOS
1 21 10 25 19 18
2 24 11 20 20 39
3 16 12 24 21 30
4 12 13 16 22 24
5 15 14 19 23 16
6 5 15 10 24 19
7 28 16 17 25 17
8 20 17 13 26 15
9 31 18 22
Soluo:
O total de defeitos igual a 516, portanto, 85 , 19
26
516
c = = .
A mdia e o desvio padro da varivel aleatria X que segue distribuio de Poisson c e
c , respectivamente. Assim, 85 , 19 c = e 4,45 85 , 19 c = = . Logo, os limites sero (neste caso,
diz-se que o padro dado):
6,48 45 , 4 3 85 , 19 c 3 c LIC = = =
33,21 45 , 4 3 85 , 19 c 3 c LSC = + = + =
A linha central 85 , 19 c LC = = .









library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("exemplo4.xls") # leitura do arquivo de dados
str(dados) # lista a estrutura do objeto dados
attach(dados)
obj <- qcc(DEFEITOS,type="c",title="",ylab="Defeitos",
xlab="Amostras",ylim=c(0,40))
title(main="GRFICO DE CONTROLE PARA NO-CONFORMIDADES",cex.main=0.9)

LIC<-obj$limits[,1] # limite inferior de controle
LSC<-obj$limits[,2] # limite superior de controle
LC<-obj$center # limite central de controle
LIC;LSC;LC

96

LISTA DE EXERCCIOS N
O
. 9
1. Foram contados defeitos de superfcie de 25 placas de ao retangulares, e os dados so
apresentados a seguir. Estabelea um grfico de controle para no conformidades. O processo de
produo das placas parece estar sob controle?
No. DA PLACA
NMERO DE NO
CONFORMIDADES
No. DA
PLACA
NMERO DE NO
CONFORMIDADES
1 1 14 0
2 0 15 2
3 4 16 1
4 3 17 3
5 1 18 5
6 2 19 4
7 5 20 6
8 0 21 3
9 2 22 1
10 1 23 0
11 1 24 2
12 0 25 4
13 8
2. O gerente de uma linha de montagem de placas de circuitos quer controlar estatisticament e seu
processo, usando como caracterstica de qualidade o nmero de componentes montados
erradamente. Definiu-se a unidade de inspeo como consistindo em cinco placas. A tabela a seguir
fornece os nmeros de no conformidades encontrados nas primeiras 20 amostras examinadas (cada
amostra consiste de cinco placas).
AMOSTRA
NMERO DE NO
CONFORMIDADES
AMOSTRA
NMERO DE NO
CONFORMIDADES
1 1 11 0
2 2 12 2
3 0 13 0
4 3 14 2
5 1 15 1
6 1 16 1
7 5 17 2
8 1 18 3
9 0 19 0
10 3 20 2
Que tipo de grfico voc usaria? O processo parece estar sob controle? Qual o valor dos limites de
controle que voc usar para controlar o processo?
3. Um fabricante de automveis deseja controlar o nmero de no conformidades em uma rea de
sub-montagem, que produz transmisses manuais. A unidade de inspeo definida como quatro
transmisses, e os dados para 16 amostras (cada uma de tamanho 4) encontram-se abaixo.
No. DA
AMOSTRA
NMERO DE NO
CONFORMIDADES
1 1
2 3
3 2
4 1
5 0
6 2
7 1
8 5
9 2
10 1
Continua
97

Continuao
11 0
12 2
13 1
14 1
15 2
16 3
Estabelea um grfico de controle para no conformidades.

3.5.3 Grfico u
Esse um grfico de controle com base no nmero mdio de no conformidades por unidade
de inspeo. Se encontrar um total de x no conformidades em um amostra de unidades de
inspeo, o nmero mdio de no conformes por unidade de inspeo dada por:

n
x
u =
Tem-se que x uma varivel aleatria com distribuio de Poisson, logo, os parmetros do
grfico de controle para o nmero mdio de no conformidades por unidade so os seguintes:

n
u
3 u LIC = (limite inferior)
u LC = (linha central)

n
u
3 u LSC + = (limite superior)
Sendo que u representa o nmero mdio observado de no conformidades por unidade em
um conjunto preliminar de dados.
Exemplo:
1) Um fabricante de computadores deseja estabelecer um grfico de controle para o nmero de
defeitos por unidade no final de uma linha de montagem. O tamanho da amostra estabelecido em
n=5 computadores. Dados do nmero de defeitos so obtidos para m=20 amostras de 5
computadores.

No. Amostra
Tamanho da
amostra
Nmero de
defeitos
No. Amostra
Tamanho da
amostra
Nmero de
defeitos
1 5 10 11 5 9
2 5 12 12 5 5
3 5 8 13 5 7
4 5 14 14 5 11
5 5 10 15 5 12
6 5 16 16 5 6
7 5 11 17 5 8
8 5 7 18 5 10
9 5 10 19 5 7
10 5 15 20 5 5



98

No. Amostra
Tamanho da
amostra
Nmero de
defeitos
No. Amostra
Tamanho da
amostra
Nmero de
defeitos
1 5 10 11 5 9
2 5 12 12 5 5
3 5 8 13 5 7
4 5 14 14 5 11
5 5 10 15 5 12
6 5 16 16 5 6
7 5 11 17 5 8
8 5 7 18 5 10
9 5 10 19 5 7
10 5 15 20 5 5
TOTAL 100 193
1,93
100
193
n
x
u
m
1 i
i
m
1 i
i
= = =

=
=

0,066
5
93 , 1
3 93 , 1
n
u
3 u LIC = = = (limite inferior)
93 , 1 u LC = = (linha central)
3,794
5
93 , 1
3 93 , 1
n
u
3 u LSC = + = + = (limite superior)










library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite

setwd("C:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("graficoU.xls") # leitura do arquivo de dados
str(dados) # lista a estrutura do objeto dados

x<-dados$defeitos
n<-dados$n

obj <- qcc(x,type="u",size=n,ylab="Mdia de defeitos",xlab="Amostras",title="")
title(main="GRFICO DE CONTROLE DE NO-CONFORMES POR UNIDADE",cex.main=0.9)

2) Em um processo de bobinas, obtiveram-se os seguintes nmeros de defeitos, em seis dias.
Analisar o processo, tomando como unidade 100 m
2.


99

No. DA
AMOSTRA
REA DA
BOBIA ( m
2
)
NMERO TOTAL DE
DEFEITOS(
i
c )
1 200 5
2 250 7
3 100 3
4 90 2
5 120 4
6 80 1

No. DA
AMOSTRA
REA DA
BOBIA ( m
2
)
No. DE UNIDADES
DE INSPEO
(
i
n )
NMERO
TOTAL DE
DEFEITOS(
i
c )
No. MDIO DE
NO
CONFORMIDADES
1 200 2,0 5 2,5
2 250 2,5 7 2,8
3 100 1,0 3 3,0
4 90 0,9 2 2,2
5 120 1,2 4 3,3
6 80 0,8 1 1,3
TOTAL 8,4 22

2,62
4 , 8
22
n
x
u
m
1 i
i
m
1 i
i
= = =

=
=

0 -0,81
0 , 2
62 , 2
3 62 , 2
n
u
3 u LIC
1
1
= = = = (limite inferior)
62 , 2 u LIC = =
6,05
0 , 2
62 , 2
3 62 , 2
n
u
3 u LSC
1
1
= + = + = (limite superior)
O grfico u para o nmero mdio de no-conformidades por 100 m
2
:













100

LISTA DE EXERCCIOS N
O
. 10
1. Os dados abaixo referem-se ao nmero de defeitos por unidade, encontrados na inspeo de 25
veculos. Construir o grfico correspondente.
AMOSTRA
NMERO DE
DEFEITOS
AMOSTRA
NMERO DE
DEFEITOS
1 7 14 8
2 14 15 21
3 13 16 12
4 17 17 8
5 7 18 9
6 11 19 5
7 6 20 27
8 11 21 9
9 16 22 15
10 13 23 3
11 17 24 7
12 10 25 5
13 7
2. O nmero de no conformidades de acabamento observado na inspeo final na montagem de
unidade de disco para computador foi tabulado, conforme apresentado a seguir. Utilize o grfico de
controle adequado para analisar se o processo est em controle estatstico.
DIA
No. DE
MONTAGENS
INSPECIONADS
No. TOTAL DE NO
CONFORMIDADES
1 2 10
2 4 30
3 2 18
4 1 10
5 3 20
6 4 24
7 2 15
8 4 26
9 3 21
10 1 8

3.6 Grfico de Controle da Soma Cumulativa
3.6.1 Grfico de Controle CUSUM para Monitoramento da Mdia do Processo
O grfico de Shewhart para mdias muito eficaz se a magnitude da mudana de o 5 , 1 a o 2
ou mais. Para mudanas menores, ele no eficaz. O grfico de controle da soma cumulativa
(cusum) uma boa alternativa quando pequenas mudanas so importantes.
O grfico cusum incorpora diretamente toda a informao na seqncia dos valores da
amostra, plotando as somas cumulativas dos desvios dos valores da amostra de um valor-alvo.
Suponha que amostras de tamanho 1 n> sejam coletadas, e que j X seja a mdia da j-sima
amostra. Ento, se
0
o alvo para a mdia do processo, o grfico de controle da soma cumulativa
formado, plotando-se a quantidade
i
C , obtida pela expresso abaixo, versus a amostra i.
) X ( C
0
i
1 j
j
i

=
=

101


i
C a soma cumulativa at, e incluindo, a i-sima amostra. Pelo fato de combinar informao
de vrias amostras, os grficos de somas cumulativas so mais eficazes que os grficos de Shewhart
para detectar pequenas mudanas no processo. Alm disso, so particularmente eficazes com
amostras de tamanho igual a 1.
possvel planejar procedimentos de somas cumulativas para variveis binomiais e de
Poisson.
Ser apresentado a seguir, como construir o cusum tabular, para monitorar a mdia do
processo. Os cusums podem ser construdos tanto para observaes individuais, como para as
mdias de subgrupos racionais.
O cusum tabular trabalha acumulando desvios de
0
que esto acima do alvo, com uma
estatstica
+
C , e acumulando desvios de
0
que esto abaixo do alvo, com outra estatstica

C . As
estatsticas
+
C e

C so chamadas cusums unilaterais superior e inferior, respectivamente, e so


calculadas a partir das expresses a seguir:
] C ) k ( x , 0 [ mx C
1 i
0 i
i
+

+
+ + =
] C x ) k ( , 0 [ mx C
1 i i 0 i

+ =
onde os valores iniciais so 0 C C
0
0
= =
+
.
O valor de k das expresses acima normalmente chamado o valor de referncia (ou valor
de tolerncia ou de folga), e sempre escolhido como o meio entre o valor-alvo
0
e o valor da
mdia fora do controle
1
que estamos interessados em detectar rapidamente.
Assim, se a mudana expressa em unidades de desvio padro como oo + =
0 1
ou
o

o

=
0 1
, ento k a metade da magnitude da mudana ou
2 2
0 1
k

o
o
=

= .
Se tanto
+
C ou

C excederem o intervalo de deciso H, o processo considerado fora do


controle. O valor razovel para H cinco vezes o desvio padro do processo o.
Exemplo 1: Considere os dados da tabela abaixo. As 20 primeiras observaes foram extradas
aleatoriamente de uma distribuio normal com mdia 10 = e desvio padro 1 = o . As dez ltimas
observaes foram extradas de uma distribuio normal com mdia 11 = e desvio padro 1 = o .
AMOSTRA
( i )
i
x
AMOSTRA
( i )
i
x
1 9,45 16 9,37
2 7,99 17 10,62
3 9,29 18 10,31
4 11,66 19 8,52
5 12,16 20 10,84
6 10,18 21 10,9
7 8,04 22 9,33
8 11,46 23 12,29
9 9,2 24 11,5
10 10,34 25 10,6
11 9,03 26 11,08
12 11,47 27 10,38
13 10,51 28 11,62
14 9,4 29 11,31
15 10,08 30 10,52
102

Plotando o grfico de controle de Shewhart tem-se:











Observa-se que no existem pontos fora dos limites de controle. Para a construo do grfico
de controle cusum, se o objetivo detectar a mudana da mdia 10
0
= para 11
1
= , o valor de k
ser: 5 , 0
2
10 11
k =

= . Assim, os valores de
+
C e

C so obtidos atravs de:


] C 5 , 10 x , 0 [ mx ] C ) k ( x , 0 [ mx C
1 i
i
1 i
0 i
i
+

+
+ = + + =
] C x 5 , 9 , 0 [ mx ] C x ) k ( , 0 [ mx C
1 i i 1 i i 0 i

+ = + =
com os valores iniciais 0 C C
0 0
= =
+
. Os resultados encontram-se na tabela abaixo.
AMOSTRA
( i )
i
x 5 , 10 x
i

+
i
C
+
N
i
x 5 , 9

i
C

N

1 9,45 -1,05 0 0 0,05 0,05 1
2 7,99 -2,51 0 0 1,51 1,56 2
3 9,29 -1,21 0 0 0,21 1,77 3
4 11,66 1,16 1,16 1 -2,16 0 0
5 12,16 1,66 2,82 2 -2,66 0 0
6 10,18 -0,32 2,5 3 -0,68 0 0
7 8,04 -2,46 0,04 4 1,46 1,46 1
8 11,46 0,96 1 5 -1,96 0 0
9 9,2 -1,3 0 0 0,3 0,3 1
10 10,34 -0,16 0 0 -0,84 0 0
11 9,03 -1,47 0 0 0,47 0,47 1
12 11,47 0,97 0,97 1 -1,97 0 0
13 10,51 0,01 0,98 2 -1,01 0 0
14 9,4 -1,1 0 0 0,1 0,1 1
15 10,08 -0,42 0 0 -0,58 0 0
16 9,37 -1,13 0 0 0,13 0,13 1
17 10,62 0,12 0,12 1 -1,12 0 0
18 10,31 -0,19 0 0 -0,81 0 0
19 8,52 -1,98 0 0 0,98 0,98 1
20 10,84 0,34 0,34 1 -1,34 0 0
21 10,9 0,4 0,74 2 -1,4 0 0
22 9,33 -1,17 0 0 0,17 0,17 1
23 12,29 1,79 1,79 1 -2,79 0 0
Continua

103

Continuao
24 11,5 1 2,79 2 -2 0 0
25 10,6 0,1 2,89 3 -1,1 0 0
26 11,08 0,58 3,47 4 -1,58 0 0
27 10,38 -0,12 3,35 5 -0,88 0 0
28 11,62 1,12 4,47 6 -2,12 0 0
29 11,31 0,81 5,28 7 -1,81 0 0
30 10,52 0,02 5,3 8 -1,02 0 0
O intervalo de deciso H adotado foi 5. Para a construo do grfico, os

i
C devem ser
considerados com sinal negativo.Assim, o grfico de controle cusum ser:













Construindo o grfico cusum no R:
library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("cusum.xls") # leitura do arquivo de dados
str(dados)
attach(dados)
#========================== Grfico cusum ========================#
g.cusum<-qcc(xi, type="xbar.one",center=10,std.dev=1,plot=F)
cusum(g.cusum,se.shift=1,decision.int=5)

O grfico mostra dois pontos fora do limite superior de controle, indicando que houve mudana
na mdia do processo.
Os clculos para cusum mostram que o cusum do lado superior no perodo (amostra) 29
28 , 5 C
29
=
+
. Esse o primeiro perodo no qual 5 H C
i
= >
+
, conclui-se que o processo est fora de
controle nesse ponto. Tem-se que 7 N =
+
no perodo 29, portanto, possvel concluir que o processo
esteve em controle pela ltima vez no perodo 22 7 29 = , de modo que a mudana provavelmente
ocorreu entre os perodos 22 e 23.
+
N o contador que registra o nmero de perodos consecutivos
desde que o cusum superior
+
i
C ficou acima do valor zero.

104

Nas situaes em que se torna necessrio algum ajuste em alguma varivel manipulvel para
trazer o processo de volta ao valor-alvo
0
, pode ser til ter-se uma estimativa da nova mdia do
processo em seguida mudana. Isso pode ser calculado por:
+
+
+ + =
N
C
k
i
0
, se H C
i
>
+

+ =
N
C
k
i
0
, se H C
i
>


+
N e

N indicam o nmero de perodos consecutivos em que cusums


+
C e

C foram no-nulos.
Considere o cusum no perodo 29 com 28 , 5 C =
+
, estimaramos a nova mdia do processo
como :
25 , 11
7
28 , 5
5 , 0 10
N
C
k
i
0
= + + = + + =
+
+

A estimativa da nova mdia do processo 11,25.
Recomendaes para a seleo de H e k:
defina o = h H e o = k K , onde o o desvio padro da varivel.
faa 4 h = ou 5 h = e
2
1
k = .
3.6.1.1 Cusum Padronizado
Muitos preferem padronizar a varivel
i
x antes de realizar os clculos. Seja
o

=
0 i
i
x
y
o valor padronizado de
i
x . Assim, os cusums padronizados so definidos como segue:
] C k y , 0 [ mx C
1 i i i
+

+
+ =
] C y k , 0 [ mx C
1 i i i

+ =
Exemplo 2: A tabela abaixo mostra uma seqncia de temperaturas de uma composio qumica.

NMERO TEMPERATURA NMERO TEMPERATURA
1 95,43 13 97,81
2 99,85 14 97,84
3 100,09 15 103,09
4 101,73 16 95,18
5 102,18 17 97,61
6 98,37 18 97,22
7 101,21 19 101,78
8 96,26 20 103,32
9 98,90 21 102,03
10 96,92 22 104,02
11 95,70 23 98,68
12 95,05 24 98,38
105

Soluo:
Calcula-se inicialmente o valor padronizado de
i
x , obtendo-se os valores
i
y . Recomenda-se
usar 5 , 0 k = e 77 , 4 h = , para a construo do grfico de controle cusum. Assim, os valores de
+
i
C e

i
C so obtidos atravs das expresses:
] C k y , 0 [ mx C
1 i i i
+

+
+ =
] C y k , 0 [ mx C
1 i i i

+ =
Para 1 i = , tem-se:
0 ] 83 , 1 , 0 [ mx ] 0 5 , 0 y , 0 [ mx C
1 1
= = + =
+

E assim, at 24 i = .

NMERO
TEMPERATURA
(
i
x )
i
y 5 , 0 y
i

+
i
C
i
y 5 , 0

i
C
1 95,43 -1,33 -1,83 0,00 0,83 0,83
2 99,85 0,27 -0,23 0,00 -0,77 0,06
3 100,09 0,35 -0,15 0,00 -0,85 0,00
4 101,73 0,95 0,45 0,45 -1,45 0,00
5 102,18 1,11 0,61 1,06 -1,61 0,00
6 98,37 -0,27 -0,77 0,29 -0,23 0,00
7 101,21 0,76 0,26 0,55 -1,26 0,00
8 96,26 -1,03 -1,53 0,00 0,53 0,53
9 98,9 -0,08 -0,58 0,00 -0,42 0,11
10 96,92 -0,79 -1,29 0,00 0,29 0,40
11 95,7 -1,23 -1,73 0,00 0,73 1,13
12 95,05 -1,47 -1,97 0,00 0,97 2,10
13 97,81 -0,47 -0,97 0,00 -0,03 2,07
14 97,84 -0,46 -0,96 0,00 -0,04 2,03
15 103,09 1,44 0,94 0,94 -1,94 0,09
16 95,18 -1,42 -1,92 0,00 0,92 1,01
17 97,61 -0,54 -1,04 0,00 0,04 1,05
18 97,22 -0,68 -1,18 0,00 0,18 1,24
19 101,78 0,97 0,47 0,47 -1,47 0,00
20 103,32 1,52 1,02 1,49 -2,02 0,00
21 102,03 1,06 0,56 2,04 -1,56 0,00
22 104,02 1,77 1,27 3,32 -2,27 0,00
23 98,68 -0,16 -0,66 2,66 -0,34 0,00
24 98,38 -0,26 -0,76 1,90 -0,24 0,00
Mdia 99,11
Desvio
Padro 2,77
Os valores de

i
C devem assumir valores negativos. Os limites sero definidos em 77 , 4 h = .
Assim, o grfico cusum apresentado abaixo.
106









Construindo o grfico cusum no R:
library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("temperatura.xls") # leitura do arquivo de dados
str(dados)
attach(dados)
#======================== Grfico cusum ==========================#
G.cusum<-qcc(Temp, type="xbar.one",center=99.11,std.dev=2.77,plot=F)
cusum(G.cusum,se.shift=1,decision.int=4.77)

O grfico indica que no houve mudana na mdia do processo, pois todos os pontos
encontram-se dentro dos limites.
3.7 Grfico de Controle da Mdia Mvel Exponencialmente Ponderada
O grfico de controle MMEP (mdia mvel exponencialmente ponderada) conhecido tambm
como grfico EWMA (exponentially weighted moving average ) muito eficaz contra pequenas
mudanas no processo. Os parmetros do planejamento do grfico so o mltiplo de sigma usado
nos limites de controle, (L), e o valor de . O grfico MMEP definido como sendo:
1 i i i
Z ) 1 ( x Z

+ =
onde 1 0 s < uma constante e o valor inicial (exigido com a primeira amostra em 1 i = ) o alvo do
processo, de modo que
0 0
Z = .
Algumas vezes, a mdia de dados preliminares usada como valor inicial do MMEP, de
modo que X Z
0
= .

i
Z uma mdia ponderada de todas as mdias de amostras anteriores.

107

Se as observaes
i
x so variveis aleatrias independentes com varincia
2
, ento a
varincia de
i
Z :
| |
i 2 2
Z
) 1 ( 1
) 2 (
2
i

= o o
O grfico de controle MMEP pode ser construdo pela plotagem de
i
Z versus o nmero da
amostra i (ou tempo). A linha central e os limites de controle para o grfico so os seguintes:
| |
i 2
0
) 1 ( 1
) 2 (
L LSC

o + =

0
LC =
| |
i 2
0
) 1 ( 1
) 2 (
L LIC

o =
Em geral, os valores de no intervalo 25 , 0 05 , 0 s s , funcionam bem na prtica, com
05 , 0 = , 10 , 0 = , 20 , 0 = sendo escolhas populares. Uma boa regra emprica usar valores
menores de para detectar mudanas menores.
Observa-se, tambm, que 3 L = (os limites trs-sigma) funciona razoavelmente bem,
particularmente com valores maiores de . Quando pequeno ( 1 , 0 s ), existe uma vantagem
em reduzir a largura dos limites pelo uso de um L entre cerca de 2,6 e 2,8.

Exemplo 3: Considere os dados do exemplo1 para construir o grfico de controle MMEP.
AMOSTRA
) i (

xi

LIC

LC

LSC

Zi
1 9,45 9,7300 10 10,2700 9,9450
2 7,99 9,6368 10 10,3632 9,7495
3 9,29 9,5760 10 10,4240 9,7036
4 11,66 9,5325 10 10,4675 9,8992
5 12,16 9,5001 10 10,4999 10,1253
6 10,18 9,4753 10 10,5247 10,1307
7 8,04 9,4560 10 10,5440 9,9217
8 11,46 9,4409 10 10,5591 10,0755
9 9,2 9,4290 10 10,5710 9,9880
10 10,34 9,4195 10 10,5805 10,0232
11 9,03 9,4119 10 10,5881 9,9238
12 11,47 9,4058 10 10,5942 10,0785
13 10,51 9,4009 10 10,5991 10,1216
14 9,4 9,3970 10 10,6030 10,0495
15 10,08 9,3938 10 10,6062 10,0525
16 9,37 9,3913 10 10,6087 9,9843
17 10,62 9,3893 10 10,6107 10,0478
18 10,31 9,3876 10 10,6124 10,0740
19 8,52 9,3863 10 10,6137 9,9186
20 10,84 9,3852 10 10,6148 10,0108
21 10,9 9,3843 10 10,6157 10,0997
22 9,33 9,3836 10 10,6164 10,0227
23 12,29 9,3830 10 10,6170 10,2495
Continua
108

Continuao
24 11,5 9,3826 10 10,6174 10,3745
25 10,6 9,3822 10 10,6178 10,3971
26 11,08 9,3819 10 10,6181 10,4654
27 10,38 9,3816 10 10,6184 10,4568
28 11,62 9,3814 10 10,6186 10,5731
29 11,31 9,3813 10 10,6187 10,6468
30 10,52 9,3811 10 10,6189 10,6341
Fazendo 7 , 2 L = e 1 , 0 = , obtm-se os limites para cada amostra i.
| |
i 2 i 2
0 i
) 1 , 0 1 ( 1 [
) 1 , 0 2 (
1 , 0
1 7 , 2 10 ) 1 ( 1
) 2 (
L LSC

+ =

o + =

0
LC =
| |
i 2 i 2
0 i
) 1 , 0 1 ( 1 [
) 1 , 0 2 (
1 , 0
1 7 , 2 10 ) 1 ( 1
) 2 (
L LIC

o =
Por exemplo, para 1 i = , tem-se:
7300 , 9 ] ) 1 , 0 1 ( 1 [
) 1 , 0 2 (
1 , 0
1 7 , 2 10 LIC
2
1
=

=
10,2700 ] ) 1 , 0 1 ( 1 [
) 1 , 0 2 (
1 , 0
1 7 , 2 10 LSC
2
1
=

+ =
E, assim sucessivamente, at i=30.
Os valores de
i
Z so obtidos a partir de:
1 i i i
Z ) 1 ( x Z

+ =
Para 1 i = , o valor de
0 1 i
Z =

, ou seja, igual ao valor-alvo. Assim, tem-se:


9450 , 9 10 ) 1 , 0 1 ( 45 , 9 1 , 0
1
Z = + =
Para 2 i = :
7495 , 9 9450 , 9 ) 1 , 0 1 ( 99 , 7 1 , 0
2
Z = + =
Da mesma forma, obtm-se os valores de
i
Z para os demais s ' i .









109

Os valores do limite superior (LS) crescem at a amostra 28, mantendo-se a partir da
praticamente constante. Dois valores de Z,
29
Z e
30
Z , esto acima do limite superior, indicando que
houve mudana na mdia do processo.
Construindo o grfico MMEP no R:
library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("cusum.xls") # leitura do arquivo de dados
str(dados)
attach(dados)
#========================= Grfio MMEP ============================#
g.ewma<-qcc(xi, type="xbar.one",center=10,std.dev=1,plot=F)
ewma(g.ewma,lambda=0.1,nsigmas=2.7)
Exemplo 4: Considere os dados do exemplo 2 e construa o grfico de controle MMEP, usando
25 , 0 = e 3 L = .
Soluo:
Os limites inferior, central e superior so obtidos a partir das seguintes expresses:
| |
i 2
0
) 1 ( 1
) 2 (
L LSC

o + =

0
LC =
| |
i 2
0
) 1 ( 1
) 2 (
L LIC

o =
Tem-se que: 25 , 0 = e 3 L = . Ento, para 1 i = :
03 , 97 ]
2
) 25 , 0 1 ( 1 [
) 25 , 0 2 (
25 , 0
77 , 2 3 11 , 99 LIC
1
=

=
19 , 101 ) 25 , 0 1 ( 1 [
) 25 , 0 2 (
25 , 0
77 , 2 3 11 , 99 LSC
2
1
=

+ =
E, assim sucessivamente, at 24 i = .
Os valores de
i
Z so obtidos a partir de:

1 i i i
Z ) 1 ( x Z

+ =
Para 1 i = , o valor de
0 1 i
Z =

, ou seja, igual ao valor-alvo. Assim, tem-se:


19 , 98 11 , 99 ) 25 , 0 1 ( 43 , 95 25 , 0
1
Z = + =
Para 2 i = :
61 , 98 19 , 98 ) 25 , 0 1 ( 85 , 99 25 , 0
2
Z = + =
Da mesma forma, obtm-se os valores de
i
Z para os demais s ' i .

110

LEITURA
TEMPERA-
TURA
LIC LC LS
i
z
99,11
1 95,43 97,04 99,11 101,19 98,19
2 99,85 96,52 99,11 101,70 98,61
3 100,09 96,27 99,11 101,95 98,98
4 101,73 96,14 99,11 102,09 99,66
5 102,18 96,06 99,11 102,16 100,29
6 98,37 96,02 99,11 102,20 99,81
7 101,21 96,00 99,11 102,22 100,16
8 96,26 95,99 99,11 102,23 99,19
9 98,9 95,98 99,11 102,24 99,11
10 96,92 95,98 99,11 102,24 98,57
11 95,7 95,98 99,11 102,24 97,85
12 95,05 95,98 99,11 102,25 97,15
13 97,81 95,97 99,11 102,25 97,31
14 97,84 95,97 99,11 102,25 97,45
15 103,09 95,97 99,11 102,25 98,86
16 95,18 95,97 99,11 102,25 97,94
17 97,61 95,97 99,11 102,25 97,86
18 97,22 95,97 99,11 102,25 97,70
19 101,78 95,97 99,11 102,25 98,72
20 103,32 95,97 99,11 102,25 99,87
21 102,03 95,97 99,11 102,25 100,41
22 104,02 95,97 99,11 102,25 101,31
23 98,68 95,97 99,11 102,25 100,65
24 98,38 95,97 99,11 102,25 100,09
Valor-alvo 99,11
Sigma 2,77
O grfico MMEP construdo plotando-se os valores dos limites superior, central, inferior e
s '
i
Z .










111

Neste caso, no houve mudana na mdia do processo, pois todos os valores esto dentro
dos limites.

library(qcc)
library(xlsReadWrite) # ativa a biblioteca xlsReadWrite

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS")
dados<-read.xls("temperatura.xls") # leitura do arquivo de dados
str(dados)
attach(dados)
#======================== Grfio MMEP ============================#

g.ewma<-qcc(Temp, type="xbar.one",center=99.11,std.dev=2.77,plot=F)
ewma(g.ewma,lambda=0.25,nsigmas=3)
LISTA DE EXERCCIOS N
O
. 11
1. Medidas de viscosidade sem um polmero so feitas a cada 10 minutos por um viscmetro on-line.
Trinta e seis observaes so apresentadas. O alvo da viscosidade para esse processo 3200
0
= .
AMOSTRA VISCOSIDADE AMOSTRA VISCOSIDADE
1 3169 19 3185
2 3173 20 3187
3 3162 21 3192
4 3154 22 3199
5 3139 23 3197
6 3145 24 3193
7 3160 25 3190
8 3172 26 3183
9 3175 27 3197
10 3205 28 3188
11 3203 29 3183
12 3209 30 3175
13 3208 31 3174
14 3211 32 3171
15 3214 33 3180
16 3215 34 3179
17 3209 35 3175
18 3203 36 3174

a) Estimar o desvio padro do processo;
b) construir um cusum tabular usando 01 , 8 h = e 25 , 0 k = (utilize cusum padronizado);
c) construir um grfico de controle MMEP usando 1 , 0 = e 7 , 2 L = .

2. Uma mquina usada para encher latas com leo aditivo de motor. Uma nica lata amostrada a
cada hora e o seu peso, medido. Como o processo de enchimento automtico, ele tem uma
variabilidade muito estvel, e uma experincia longa indica que 05 , 0 = o oz
3
. As observaes
individuais para 24 horas de operao so mostradas abaixo. Supondo que o alvo do processo seja
8,02 oz, estabelea um cusum tabular para esse processo.

3
1 oz aproximadamente igual a 28,350 gramas.
112

a) Planeje o cusum usando os valores padronizados 77 , 4 h = e
2
1
k = (utilize cusum padronizado);
b) estabelea um grfico de controle MMEP com 2 , 0 = e 3 L = para esse processo.
AMOSTRA
i
x AMOSTRA
i
x
1 8,00 13 8,05
2 8,01 14 8,04
3 8,02 15 8,03
4 8,01 16 8,05
5 8,00 17 8,06
6 8,01 18 8,04
7 8,06 19 8,05
8 8,07 20 8,06
9 8,01 21 8,04
10 8,04 22 8,02
11 8,02 23 8,03
12 8,01 24 8,05

4 AMOSTRAGEM DE ACEITAO
4.1 Introduo
A amostragem de aceitao diz respeito inspeo e tomada de deciso em relao aos
produtos, um dos mais antigos aspectos da garantia da qualidade (MONTGOMERY, 2009).
Apesar da amostragem de aceitao ser comumente considerada como uma atividade de
inspeo de recebimento, existem outros usos dos mtodos de amostragem. Um fabricante retirar
amostras e inspecionar seu prprio produto em vrios estgios da produo. Os lotes aceitos so
enviados para processamento posterior, e os lotes rejeitados so retrabalhados ou sucateados.
Trs aspectos da amostragem so importantes:
1. O objetivo da amostragem de aceitao decidir sobre o lote, e no estimar sua qualidade;
2. Os planos de amostragem de aceitao no fornecem qualquer forma direta de controle da
qualidade. A amostragem de aceitao simplesmente aceita ou rejeita lotes;
3. O uso mais eficaz da amostragem de aceitao no inspecionar a qualidade do produto,
mas, antes, servir de ferramenta de verificao para garantir que a sada do processo esteja
de acordo com as especificaes.

Em geral, trs abordagens para a deciso sobre lotes:
1. aceitar sem inspeo;
2. inspeo 100% (inspecionar todos os itens do lote, removendo todas as unidades
defeituosas);
3. amostragem de aceitao.




113

Tipos de planos de amostragem:
1. Plano de amostragem nica: um procedimento no qual seleciona-se aleatoriamente um
amostra de n unidades do lote. Se h c ou menos defeituosos na amostra, aceita-se o lote, e
se h mais de c itens defeituosos na amostra, rejeita-se o lote.
2. Plano de amostragem dupla: Toma-se uma deciso com base na informao de uma amostra
inicial, para aceitar o lote, rejeitar ou extrair uma segunda amostra. Se extrada uma
segunda amostra, as informaes tanto da primeira quanto da segunda amostra so
combinadas para se chegar a uma deciso sobre a aceitao, ou no, do lote.
3. Plano de amostragem mltipla: uma extenso do conceito de amostragem dupla; so
necessrias mais do que duas amostras para se chegar a uma deciso sobre o destino do
lote;
4. Plano de amostragem seqencial: extenso da amostragem mltipla, na qual as unidades so
selecionadas do lote uma de cada vez, e em seguida inspeo de cada unidade, uma
deciso tomada no sentido de aceitar o lote, rejeit-lo ou selecionar uma outra unidade.

Um plano de amostragem de aceitao o estabelecimento de um tamanho de amostra a ser
usado e dos critrios associados de aceitao ou rejeio de lotes individuais.
4.2 Plano de Amostragem nica para Atributos
Suponha que um lote de tamanho N tenha sido submetido a inspeo. Um plano de
amostragem nica definido pelo tamanho da amostra n e pelo nmero de aceitao c.
Itens so selecionados aleatoriamente do lote para compor a amostra;
Seleo de uma nica amostra aleatria de tamanho n ;
Rejeio do lote se o nmero de defeitos for maior que um valor crtico especificado c .

X Varivel aleatria que representa o nmero de itens com defeito em um lote;
A Evento em que o lote aceito.
) c X ( P ) A ( P s = uma funo de p (probabilidade de itens defeituosos);
Quanto maior o valor de p, menor ser a probabilidade de aceitao do lote.

Quando n pequeno em relao a N (sugere-se como regra, N 05 , 0 n s ), a distribuio
binomial pode ser utilizada:

x n
c
0 x
c
0 x
x
) p 1 ( p
x
n
) p , n ; x ( b ) c X ( P

= =

|
|
.
|

\
|
= = s


O grfico de ) A ( P em funo de p chamado de curva caracterstica da operao (CO) para
o plano.

114

Exemplo:
1) Considere o plano de amostragem nica com 2 c = e tamanho de amostra 60 n = e suponha que
o tamanho do lote seja 1500 N= . Calcule ) A ( P , a probabilidade de aceitao do lote para 01 , 0 p = e
02 , 0 p = , utilizando a distribuio aproximao binomial.
58 2 59 1 60 0
) p 1 ( p
2
60
) p 1 ( p
1
60
) p 1 ( p
0
60
) 2 x ( P
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
= s
Para 01 , 0 p = ;
0,9776 ) 01 , 0 1 ( 01 , 0
2
60
) 01 , 0 1 ( 01 , 0
1
60
) 01 , 0 1 ( 01 , 0
0
60
) 2 x ( P
58 2 59 1 60 0
=
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
= s
Para 02 , 0 p = ;
0,8813 ) 02 , 0 1 ( 02 , 0
2
60
) 02 , 0 1 ( 02 , 0
1
60
) 02 , 0 1 ( 02 , 0
0
60
) 2 x ( P
58 2 59 1 60 0
=
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
= s
2) Considere o plano de amostragem com valor crtico 2 c = e tamanho de amostra 50 n = e
suponha que o tamanho do lote 1000 N= . Neste caso, 50 1000 05 , 0 n = s , portanto, pode ser
utilizada a distribuio binomial.
) 2 x ( P ) 1 x ( P ) 0 x ( P ) 2 x ( P ) A ( P = + = + = = s =
48 2 49 1 50 0
) p 1 ( p
2
50
) p 1 ( p
1
50
) p 1 ( p
0
50
) 2 x ( P
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
= s
Se 01 , 0 p = , tem-se:
48 2 49 1 50 0
) 01 , 0 1 ( 01 , 0
2
50
) 01 , 0 1 ( 01 , 0
1
50
) 01 , 0 1 ( 01 , 0
0
50
) 2 x ( P
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
= s
0,9862 0,0756 0,3056 0,6050 ) 2 x ( P = + + = s
Da mesma forma, para os demais valores de p.
As probabilidades de aceitao do lote em funo das probabilidades do nmero de itens
defeituosos:
p 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07
P(A) 1,000 0,986 0,922 0,811 0,677 0,541 0,416 0,311

p 0,08 0,09 0,10 0,11 0,12 0,13 0,14 0,15
P(A) 0,226 0,161 0,112 0,076 0,051 0,034 0,022 0,014



115









O ideal obter uma curva CO que seja mais alta para p muito pequeno e mais baixo para p
grande. Isto pode ser alcanado aumentando-se n e ajustando-se c . Considere agora, o plano de
amostragem com valor crtico 1 c = e tamanho de amostra 80 n = .
As probabilidades de aceitao do lote em funo das probabilidades do nmero de itens
defeituosos:

p 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07
P(A) 1,000 0,809 0,523 0,304 0,165 0,086 0,043 0,021

p 0,08 0,09 0,10 0,11 0,12 0,13 0,14 0,15
P(A) 0,010 0,005 0,002 0,001 0,000 0,000 0,000 0,000










Um plano de amostragem, efetivo, tem as seguintes caractersticas:
1. Tem uma probabilidade alta especificada de aceitar lotes que o produtor considera de boa
qualidade;


2 c =
50 n =
116

2. tem uma probabilidade baixa especificada de aceitar lotes que o consumidor considera de baixa
qualidade.
Deve-se designar dois valores diferentes de p, chamados
1
p (nvel de qualidade aceitvel
(NQA)) e
2
p ( nvel de qualidade inaceitvel (NQI)):
1
p : ) A ( P um valor especificado prximo a 1
2
p : ) A ( P um valor especificado prximo a 0
Exige-se ento um plano para o qual:
1. o =1 ) A ( P quando NQA p p
1
= = (o pequeno)
2. | = ) A ( P quando NQI p p
2
= = ( | pequeno)
o o risco do produtor, ou seja, a probabilidade de rejeio de um lote de um processo cuja
proporo mdia de defeituosos igual a
0
p ;
| o risco do consumidor, ou seja, a probabilidade de aceitao de um lote de um processo
cuja proporo mdia de defeituosos superior a
0
p ;

A tabela a seguir, fornece informaes a partir das quais, podem ser determinados os valores
de n e c , para 05 , 0 = o e 10 , 0 = | .

TABELA 1 - FATORES PARA DETERMINAO DE n e c
PARA UM PLANO DE AMOSTRA NICA COM
05 , 0 = o E 10 , 0 = |
c
1
np
2
np
1 2
p / p
0 0,051 2,30 45,10
1 0,355 3,89 10,96
2 0,818 5,32 6,50
3 1,366 6,68 4,89
4 1,970 7,99 4,06
5 2,613 9,28 3,55
6 3,285 10,53 3,21
7 3,981 11,77 2,96
8 4,695 12,99 2,77
9 5,425 14,21 2,62
10 6,169 15,41 2,50
11 6,924 16,60 2,40
12 7,690 17,78 2,31
13 8,464 18,86 2,24
14 9,246 20,13 2,18
15 10,040 21,29 2,12
FONTE: DEVORE, Jay L. (2006)
Exemplos:
1) Determinar um plano para o qual 01 , 0 p NQA
1
= = e 045 , 0 p NQI
2
= = .
a) Calcular a razo 50 , 4
01 , 0
045 , 0
p
p
NQA
NQI
1
2
= = =
117

b) Localizar o valor prximo a 4,50, na coluna
1 2
p / p , da tabela 1. Os valores prximos so 4,89 e
4,06, para os valores de c, respectivamente iguais a 3 e 4.
c) Escolhendo o valor 4,89, tem-se que o valor de 366 , 1 np
1
= . O valor de
1
p foi definido em 0,01,
portanto:
366 , 1 np
1
= , ento 137 6 , 136
01 , 0
366 , 1
n ~ = = .

Clculo dos valores de o ( risco do produtor) e |(risco do consumidor) em funo do tamanho da
amostra:
o =1 ) A ( P ) A ( P 1 = o
| | ) 01 , 0 p quando 3 c ( P 1
1
= s = o
| | ) 3 c ( P ) 2 c ( P ) 1 c ( P ) 0 c ( P 1 = + = + = + = = o
Utilizando a distribuio binomial tem-se:
(
(

|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
= o
134 3 135 2 136 1 137 0
) 99 , 0 ( ) 01 , 0 (
3
137
) 99 , 0 ( ) 01 , 0 (
2
137
) 99 , 0 ( ) 01 , 0 (
1
137
) 99 , 0 ( ) 01 , 0 (
0
137
1
| | 0,0495 0,9505 1 0,1090 0,2399 0,3492 0,2524 1 = = + + + = o % 95 , 4 ~
| = ) A ( P = = s = | ) 045 , 0 p quando 3 c ( P
2

134 3 135 2 136 1 137 0
) 955 , 0 ( ) 045 , 0 (
3
137
) 955 , 0 ( ) 045 , 0 (
2
137
) 955 , 0 ( ) 045 , 0 (
1
137
) 955 , 0 ( ) 045 , 0 (
0
137
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
= |

% 12 , 3 1 0,1312 0,0799 0,0377 0,0118 0,0018 ~ = + + + = |

d) Caso tivesse optado por utilizar o valor de 68 , 6 np
2
= :
149 44 , 148
045 , 0
68 , 6
n ~ = = .
Clculo dos valores de o ( risco do produtor) e |(risco do consumidor) em funo do tamanho da
amostra:
o =1 ) A ( P ) A ( P 1 = o
| | ) 01 , 0 p quando 3 c ( P 1
1
= s = o
| | ) 3 c ( P ) 2 c ( P ) 1 c ( P ) 0 c ( P 1 = + = + = + = = o
Utilizando a distribuio binomial tem-se:
(

|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
= o
146 3 147 2 148 1 149 0
) 99 , 0 ( ) 01 , 0 (
3
149
) 99 , 0 ( ) 01 , 0 (
2
149
) 99 , 0 ( ) 01 , 0 (
1
149
) 99 , 0 ( ) 01 , 0 (
0
149
1

| | 0,0634 0,9366 1 0,1246 0,2516 0,3367 0,2237 1 = = + + + = o % 34 , 6 ~
118

| = ) A ( P = = s = | ) 045 , 0 p quando 3 c ( P
2

146 3 147 2 148 1 149 0
) 955 , 0 ( ) 045 , 0 (
3
149
) 955 , 0 ( ) 045 , 0 (
2
149
) 955 , 0 ( ) 045 , 0 (
1
149
) 955 , 0 ( ) 045 , 0 (
0
149
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
+
|
|
.
|

\
|
= |

% 33 , 9 0,0933 0,0593 0,0257 0,0074 0,0010 ~ = + + + = |

2) Determinar um plano para o qual 02 , 0 p NQA
1
= = e 045 , 0 p NQI
2
= = .
e) Calcular a razo 2,25
02 , 0
045 , 0
p
p
NQA
NQI
1
2
= = =
f) Localizar o valor prximo a 2,25, na coluna
1 2
p / p , da tabela 1. Os valores prximos so 2,31 e
2,24, para os valores de c, respectivamente iguais a 12 e 13.
g) Escolhendo o valor 2,31, tem-se que o valor de 690 , 7 np
1
= . O valor de
1
p foi definido em 0,02,
portanto:
690 , 7 np
1
= , ento 385 384,5
02 , 0
690 , 7
n ~ = = .
h) Caso tivesse optado por utilizar o valor de 78 , 17 np
2
= :
396 395,11
045 , 0
78 , 17
n ~ = = .
4.3 Plano de Amostragem Dupla para Atributos
um procedimento no qual, sob certas circunstncias, exige-se uma segunda amostra antes
da deciso sobre o lote.
Apesar de dois tamanhos de amostra, um plano especfico caracterizado por mais trs nmeros:
1
c ,
1
r e
2
c , como segue:
1. Rejeita-se o lote se
1 1
r x > , onde
1
r um nmero de rejeio pr-definido;
2. Aceita-se o lote se
1 1
c x s ;
3. se
1 1 1
r x c < < , tirar uma segunda amostra; ento aceita o lote se
2 2 1
c x x s + e o rejeita, caso
contrrio.

Exemplo 1: Considere o plano de amostragem dupla com 80 n
1
= , 80 n
2
= , 2 c
1
= , 6 c
2
= e 5 r
1
= .
Assim, o lote ser aceito se:
1) 2 ou 1 , 0 x
1
= (aceita-se o lote se 2 c x
1 1
= s );
2) 3 x
1
= e 3 ou 2 , 1 , 0 x
2
= ;
3) 4 x
1
= e 2 ou 1 , 0 x
2
= .
Sob a hiptese de que o tamanho do lote seja grande o suficiente para a aproximao
binomial ser aplicada, a probabilidade ) A ( P de aceitao do lote :

119

Para 01 , 0 p = :
) 2 X , 4 X ( P ) 3 X , 3 X ( P ) 2 X ( P ) A ( P
2 1 2 1 1
s = + s = + s =

x 80 x
3
0 x
3 80 3 x 80 x
2
0 x
) p 1 ( p
x
80
) p 1 ( p
3
80
) p 1 ( p
x
80
) A ( P

=

=

|
|
.
|

\
|

|
|
.
|

\
|
+
|
|
.
|

\
|
=


x 80 x
2
0 x
4 80 4
) p 1 ( p
x
80
) p 1 ( p
4
80

|
|
.
|

\
|

|
|
.
|

\
|
+


9534468 , 0 007368277 , 0 9913408 , 0 0378940 , 0 9534468 , 0 ) A ( P + + =
0,9980 ) A ( P =
E assim, para os demais valores de p.
As probabilidades de aceitao do lote em funo das probabilidades do nmero de itens
defeituosos:
p 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
P(A) 1,000 0,998 0,955 0,806 0,579 0,362 0,203 0,106 0,052 0,025










Exemplo 2: Considere o plano de amostragem dupla para o qual, ambos os tamanhos de amostra
so 50. O lote aceito depois da primeira amostra se o nmero de defeitos no mximo 1, rejeitado
se o nmero de defeitos for no mnimo 4 e rejeitado depois da segunda amostra se o nmero total de
defeitos for 6 ou mais. Calcule a probabilidade de aceitao do lote quando 01 , 0 p = e 02 , 0 p = .
50 n
1
= , 50 n
2
= , 1 c
1
s , 4 r
1
> (rejeitado) e 6 c
2
> (rejeitado)
Assim, o lote ser aceito se:
1) 1 ou 0 x
1
= (aceita-se o lote se 1 c x
1 1
= s ;
2) 2 x
1
= e 3 ou 2 , 1 , 0 x
2
= ;
3) 3 x
1
= e 2 ou 1 , 0 x
2
= .
) 2 X , 3 X ( P ) 3 X , 2 X ( P ) 1 X ( P ) A ( P
2 1 2 1 1
s = + s = + s =
x 50 x
3
0 x
2 50 2 x 50 x
1
0 x
) p 1 ( p
x
50
) p 1 ( p
2
50
) p 1 ( p
x
50
) A ( P

=

=

|
|
.
|

\
|

|
|
.
|

\
|
+
|
|
.
|

\
|
=



120

x 50 x
2
0 x
3 50 3
) p 1 ( p
x
50
) p 1 ( p
3
50

|
|
.
|

\
|

|
|
.
|

\
|
+


Para 01 , 0 p = :
0,9981 0,0121 0,0755 0,9106 ) A ( P = + + =
Para 02 , 0 p = :
0,9742 0,0559 0,1825 0,7358 ) A ( P = + + =
LISTA DE EXERCCIOS N
O
. 12
1. Seja um lote de 500 peas, com seis defeituosas. Qual a probabilidade de aceitao do lote se for
adotado o plano de amostragem com 10 n = e 1 c = ?
2. Considere o plano de amostragem dupla com 100 n
1
= , 100 n
2
= , 1 c
1
= , 4 r
1
= e 3 c
2
= . Calcule
a probabilidade de aceitao do lote quando 02 , 0 p = .
4.4 Planos de Amostragem da Norma Brasileira NBR 5426
Na prtica, adotam-se os planos da norma brasileira NBR 5426 (ABNT, 1985), baseada na
norma militar americana MIL STD 105D desenvolvida durante a Segunda Guerra Mundial.
Esses planos so tabelados em funo do tamanho dos lotes e do NQA. Alm dessas
informaes, faz-se necessrio definir o nvel de inspeo com que pretende trabalhar. O nvel de
inspeo fixa a relao entre o tamanho do lote e o tamanho da amostra. So trs os nveis: I, II e III.
Caso no haja nenhuma indicao, deve-se utilizar o nvel II. O nvel I pode ser utilizado quando for
necessrio diminuir o tamanho da amostra (ao preo de aumentar o risco |, do consumidor) e o nvel
III quando for necessrio reduzir o risco do consumidor (ao preo de aumentar o tamanho da
amostra). H ainda os nveis especiais, S1, S2, S3 e S4, para casos em que s se podem usar
tamanho de amostra muito pequenos (por exemplo, no caso de ensaios destrutivos muito caros) e em
que possam e devam ser tolerados grandes riscos de amostragem.









FONTE: COSTA, Antonio Fernando B. et. al. (2008), p. 281.




FONTE: COSTA, Antonio F. B. et. al. (2008), p. 281.

121

A norma prev ainda, a utilizao de formas de inspeo atenuado e severo, em substituio
ao plano de amostragem normal, visando a uma melhor utilizao dos recursos alocados inspeo.
Se o histrico do fornecedor gera confiana (dez lotes consecutivos aceitos), ento o consumidor
pode dar-se ao luxo de substituir a inspeo normal pela atenuada, diminuindo o tamanho das
amostras.
No entanto, se o histrico do fornecedor no inspira confiana (dois em cinco lotes
consecutivos rejeitados), a inspeo normal substituda pela inspeo severa.
Exemplo para utilizao:
Suponha que o tamanho do lote 5000, e que NQA definido pelo usurio 1%. A tabela F1
fornece, para o nvel II, o cdigo de amostra L. Com o cdigo de amostra L e NQA=1,0, obtm-se na
tabela F2, o plano de amostragem simples, inspeo normal.
Obtm-se o tamanho da amostra 200 n = e 5 Ac c = = .

















Considerando o tamanho do lote igual a 5.000 e NQA definido pelo usurio igual a 1%, tem-se
o cdigo de amostra L, obtm-se na Tabela F3, o plano de amostragem simples, inspeo severa.
Tem-se que o tamanho da amostra 200, e 3 A
c
= .




FONTE: COSTA, Antonio F. B. et. al. (2008), p. 282.

122















Considerando o tamanho do lote igual a 5.000 e NQA definido pelo usurio igual a 1%, tem-se
o cdigo de amostra L, obtm-se na Tabela F4, o plano de amostragem simples, inspeo atenuada.
Tem-se que o tamanho da amostra 80, e 2 A
c
= .
















Para utilizar o plano de amostragem dupla, inspeo normal, utilizar a tabela F5. Obtm-se
125 n n
2 1
= = , 2 Ac c
1
= = , 5 r
1
= e 6 Ac c
2
= = .



FONTE: COSTA, Antonio F. B. et. al. (2008), p. 283.

FONTE: COSTA, Antonio F. B. et. al. (2008), p. 284.

123















Para utilizar o plano de amostragem dupla, inspeo severa, utilizar a tabela F6. Obtm-se
125 n n
2 1
= = , 1 Ac c
1
= = , 4 r
1
= e 4 Ac c
2
= = .

















Para utilizar o plano de amostragem dupla, inspeo atenuada, utilizar a tabela F7. Obtm-se
50 n n
2 1
= = , 0 Ac c
1
= = , 4 r
1
= e 3 Ac c
2
= = .


FONTE: COSTA, Antonio F. B. et. al. (2008), p. 285


FONTE: COSTA, Antonio F. B. et. al. (2008), p. 286.

124

















5 ANLISE DE EXPERIMENTOS
A melhoria da qualidade e da produtividade mais eficaz quando parte integrante do ciclo
de desenvolvimento do produto e do processo. Em particular, a introduo formal da metodologia do
planejamento experimental nos estgios iniciais do ciclo de desenvolvimento - onde so planejados
os novos produtos, projetos de produtos existentes so melhorados, e os processos de fabricao
so otimizados - , em geral a chave para o sucesso geral do produto (MONTGOMERY, 2009, p.
363).
5.1 Planejamento de Experimentos
O planejamento de experimentos, chamado tambm de delineamento de experimentos,
compreende um conjunto de ensaios estabelecido com critrios cientficos e estatsticos, e t em como
objetivo determinar a influncia de diversas variveis nos resultados de um dado sistema ou
processo.
O processo pode ser visto como uma combinao de mquinas, mtodos e pessoas, que
transforma um material de entrada em um produto de sada, conforme a figura abaixo. Este produto
de sada pode ter uma ou mais caractersticas de qualidade observveis ou respostas. Algumas
variveis do processo,
p 2
x ,..., x , x
1
, so controlveis, enquanto outras,
p 2
z ,..., z , z
1
, so no-
controlveis (embora, possam ser controlveis para efeito de teste). Esses fatores no-controlveis
so chamados algumas vezes de rudo.


FONTE: COSTA, Antonio F. B. et. al. (2008), p. 287.

125












FONTE: MONTGOMERY (2009)

Os objetivos do experimento podem incluir:
1. Determinao de quais variveis so mais influentes na resposta, y ;
2. determinao do valor a ser atribudo aos s x' influentes de modo que y esteja perto da
exigncia nominal;
3. determinao do valor a ser atribudo aos s x' influentes de modo que a variabilidade em y
seja pequena;
4. determinao do valor a ser atribudo aos s x' influentes de modo que os efeitos das
variveis no-controlveis sejam minimizados.
Os mtodos de planejamento de experimentos podem, tambm, ser muito teis para o
estabelecimento de controle estatstico do processo. Suponha, por exemplo, que o grfico de controle
mostre que o processo est fora do controle, e que o processo tenha vrias variveis de entrada
controlveis. A menos que tenhamos conhecimento de quais variveis de entrada so as mais
importantes, poder ser muito difcil trazer o processo de volta ao controle. Os mtodos de
planejamento experimental podem ser utilizados para identificar essas variveis influentes do
processo.
Exemplos de experimentos planejados na melhoria do processo so apresentados em
MONTGOMERY (2009). Cita-se o seguinte exemplo: Um grupo de engenheiros est projetando uma
dobradia de porta para um automvel. A caracterstica da qualidade de interesse o esforo de
parada, ou a capacidade do trinco segurar a porta, o que evita que a porta se feche quando o carro
est estacionado em uma subida. O mecanismo de parada consiste em uma mola e em uma roldana.
Quando a porta est aberta, a roldana desliza em um arco fazendo a mola se comprimir. Para fechar
a porta, a mola deve ser forada lateralmente, o que cria o esforo de parada. O grupo de
engenheiros acredita que o esforo de parada uma funo dos seguintes fatores:
1. distncia percorrida pela roldana;

126

2. altura do eixo da mola at a base;
3. distncia horizontal do eixo mola;
4. altura livre da mola de reforo;
5. altura livre da mola principal.
Foi construdo um prottipo do mecanismo de dobradia, no qual, todos esses fatores, podem
variar em certos intervalos. Uma vez identificados os nveis apropriados para esses cinco fatores,
pode-se planejar um experimento que consiste nas diversas combinaes dos nveis desses fatores e
o prottipo de dobradia pode ser testado nessas combinaes.
5.2 Experimentos Fatoriais
Existem situaes experimentais onde as unidades experimentais so heterogneas devido a
presena de uma (ou mais) fonte(s) de variao(es) conhecida(s) e que pode(m) ser
controlada(s) quando da realizao do experimento.
O experimento fatorial utilizado quando dois ou mais fatores esto sendo estudados em dois
ou mais nveis e a interao entre os fatores pode ser importante.
De acordo com o nmero de fontes de variabilidade conhecidas que tornam as unidades
homogneas, tem-se diferentes tipos de planejamento:
a) experimentos fatoriais com 2 fatores;
b) experimentos fatoriais com 3 fatores;
c) experimentos
p
2 fatorial;
Nesse curso, sero abordados os experimentos fatoriais com 2 fatores, sem e com repetio.
5.2.1 Experimentos Fatoriais com 2 Fatores - sem Repetio
Seja o experimento com fator A com a tratamentos e um fator B com b tratamentos. Deve-
se realizar ensaios com todas as combinaes dos tratamentos de A e B, totalizando ) b a ( ensaios.

FATOR A
(linhas)
FATOR B (colunas)

1
C
2
C ...
b
C
1
L
11
x
12
x ...
b 1
x
2
L
21
x
22
x ...
b 2
x
... ... ... ... ...
a
L
1 a
x
2 a
x ...
ab
x
Modelo Estatstico
j i j i j i
y c | o + + + = , i=1,2, ..., a; j=1,2, ..., b
onde:
o efeito comum que independe dos fatores;
i
o o efeito do fator A (linha);
j
| o efeito do fator B (coluna);
127

j i
c o erro aleatrio que apresenta mdia nula e varincia
2
o .
Notao utilizada:
= i nmero de linhas: i=1,2, ..., a;
= j nmero de colunas: j=1,2, ..., b;
= = ab N nmero total de elementos observados.
As mdias entre linhas (fator A), entre colunas (fator B) e total, so dadas por:
b
X
X
b
1 j
j i
i

=
= - mdia entre linhas
a
x
X
a
1 i
j i
j

=
= -
mdia entre colunas
N
x
X
a
1 i
b
1 j
j i

= =
= mdia total
As hipteses a serem testadas so:
1)
. . . a 2 1
... : H
01
= = = (linhas)
b 2 1 . . .
... : H
02
= = = (colunas)
2) : H
1 1
pelo menos uma das mdias
.
i
diferente das demais
: H
2 1
pelo menos uma das mdias
j .
diferente das demais
Estudo das variaes
Variao total
( )
N
x
x X x SQT
2
b
1 j
a
1 i
j i
b
1 j
a
1 i
2
j i
2
b
1 j
a
1 i
j i
|
|
.
|

\
|
= =


= =
= = = =

SQT tem distribuio
2
_ com (N-1) graus de liberdade.
Variao devido ao 1. Fator (entre linhas)
( )
N
x
b
x
X X SQL
2
b
1 j
a
1 i
j i
a
1 i
2
b
1 j
j i
b
1 j
a
1 i
2
i
|
|
.
|

\
|

(
(
(
(
(
(

|
|
.
|

\
|
= =

= =
=
=
= =
-
SQL tem distribuio
2
_ com (n-1) graus de liberdade.
128

Variao devido ao 2. Fator (entre colunas)
( )
N
x
a
x
X X SQC
2
b
1 j
a
1 i
j i
b
1 j
2
a
1 i
j i
2
j
a
1 i
b
1 j
|
|
.
|

\
|

(
(
(
(
(

|
.
|

\
|
= =


= =
=
=
= =
-
SQC tem distribuio
2
_ com (k-1) graus de liberdade.
Variao residual ou aleatria
( ) SQC SQL SQT X X X x SQR
2
a
1 i
b
1 j
j i
j i
= =

= =
+ - -
SQR tem distribuio
2
_ com (a-1)x(b-1) graus de liberdade.
Tem-se que: SQR SQC SQL SQT + + =
possvel demonstrar que cada uma das variaes dividida pelos seus respectivos graus de
liberdade uma estimativa no viesada de
2
o , quando se supe que no hajam diferenas
significativas nas mdias das linhas ou nas mdias das colunas (
0
H verdadeira).
( )
1 a
X X
S
b
1 j
a
1 i
2
i
2
L

= =
-

( )
1 b
X X
S
a
1 i
b
1 j
2
j
2
C

= =
-

( )
) 1 b ( ) 1 a (
X X X x
S
2
a
1 i
b
1 j
j i
j i
2
R

= =
+ - -

O quadro da ANOVA para um experimento fatorial com 2 fatores - sem repetio
FONTE DE VARIAO
(FV)
SOMA DE
QUADRADOS
(SQ)
GRAUS DE
LIBERDADE
(G.L.)
QUADRADO MDIO
(QM)
ESTATSTICA F
Entre linhas SQL a-1
1 a
SQL
S
2
L

=
2
R
2
L
L
S
S
F =
Entre colunas SQC b-1
1 b
SQC
S
2
C

=
2
R
2
C
C
S
S
F =
Residual SQR (a-1) (b-1)
) 1 b ( ) 1 a (
SQR
S
2
R

=

Total SQT ab-1=N-1
Se
o
>
; ) 1 b )( 1 a ( ) 1 a ( L ;
F F , rejeita-se
0
H e conclui-se que h diferena de mdias entre linhas.
Se
o
>
; ) 1 b )( 1 a ( ) 1 b ( C ;
F F , rejeita-se
0
H e conclui-se que h diferena de mdias entre colunas.
129

Exemplos de aplicao:
1) Quatro observadores O
1
, O
2
, O
3
e O
4
, realizaram medidas usando trs teodolitos t
1
, t
2
e t
3
.
Deseja-se testar duas hipteses. A primeira diz que no existe diferena significativa entre os
resultados dos instrumentos. A segunda hiptese diz que no existe diferena significativa
entre as medidas obtidas pelos quatro observadores. As observaes so dadas abaixo.
Utilizar 05 , 0 = o .
2)
TEODOLITOS
OBSERVADORES
O1 O2 O3 O4
t1 70 60 62 58
t2 72 60 60 55
t3 74 63 58 58
Soluo:
1)
. . . a 2 1
... : H
01
= = = (linhas)
b 2 1 . . .
... : H
02
= = = (colunas)
2) : H
1 1
pelo menos uma das mdias
.
i
diferente das demais
: H
2 1
pelo menos uma das mdias
j .
diferente das demais
TEODOLITOS
OBSERVADORES
SOMA DE
- i
x 1 2 3 4
1 70 60 62 58 250
2 72 60 60 55 247
3 74 63 58 58 253
SOMA DE
j
x
-

216 183 180 171 750

TEODOLITOS
OBSERVADORES
SOMA DE
2
i
x
-
1 2 3 4
1 4900 3600 3844 3364 15.708
2 5184 3600 3600 3025 15.409
3 5476 3969 3364 3364 16.173
SOMA DE
2
j
x
-

15.561 11.171 10.811 9.757 47.290
415,00
12
750
290 . 47
N
x
x SQT
2
2
b
1 j
a
1 i
j i
b
1 j
a
1 i
2
j i
= =
|
|
.
|

\
|
=

= =
= =

130

4,50
12
750
4
253
4
247
4
250
N
x
b
x
SQL
2 2 2 2
2
b
1 j
a
1 i
j i
a
1 i
2
b
1 j
j i
=
(
(

+ + =
|
|
.
|

\
|

(
(
(
(
(
(

|
|
.
|

\
|
=

= =
=
=

387,00
12
750
3
171
3
180
3
183
3
216
N
x
a
x
SQC
2 2 2 2 2
2
b
1 j
a
1 i
j i
b
1 j
2
a
1 i
j i
=
(
(

+ + + =
|
|
.
|

\
|

(
(
(
(
(

|
.
|

\
|
=

= =
=
=

50 , 23 387 50 , 4 415 SQC SQL SQT SQR = = =
Quadro da ANOVA a dois critrios de classificao sem repetio
FONTE DE VARIAO
(FV)
SOMA DE
QUADRADOS
(SQ)
GRAUS DE
LIBERDADE
(G.L.)
QUADRADO
MDIO (QM)
ESTATSTICA F
Entre linhas 4,50 2
2
50 , 4
S
2
L
= 5745 , 0 F
L
=
Entre colunas 387,00 3
3
387
S
2
C
=
32,9362 F
C
=
Residual 23,50 6
6
50 , 23
S
2
R
=

Total 415,00 11
Concluses:
Como 14 , 5 F F
6 2 ; 05 , 0 L ;
= < , aceita-se
0
H , portanto, no existe diferena significativa entre os
teodolitos (linhas);
Como 76 , 4 F F
6 3 ; 05 , 0 C ;
= > , rejeita-se
0
H , portanto, existe diferena significativa entre os
observadores (colunas).

library(xlsReadWrite)
library(nortest)

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS") # define a rea de trabalho

dados<-read.xls("exp_fatorial1.xls")
str(dados)

dados$teodolitos<-factor(dados$teodolitos)
dados$observadores<-factor(dados$observadores)

attach(dados)

mod<-aov(X ~ teodolitos+observadores)
summary(mod)




131

2) Um engenheiro de qualidade delineou um experimento para verificar se existe influncia dos
fatores temperatura e presso na quantidade percentual de impurezas resultantes na fabricao de
um produto qumico. Os resultados so apresentados na tabela abaixo. Verificar se existem
diferenas nos diversos tratamentos, usando nvel de significncia de 1%.

TEMPERATURA
PRESSO
30 35 40 45 50 55
100
o
F 3,0 4,3 3,8 4,6 3,5 2,8
125
o
F 2,9 4,1 3,6 4,4 3,6 2,2
Soluo:
a) Hipteses Estatsticas
1)
. . 2 1
: H
01
= (linhas)
6 2 1 . . .
... : H
02
= = = (colunas)
2) : H
1 1
pelo menos uma das mdias
.
i
diferente das demais
: H
2 1
pelo menos uma das mdias
j .
diferente das demais
b) Nvel de significncia: 01 , 0 = o
c) Clculo das Somas de Quadrados e Quadrados Mdios
TEMPERATURA
PRESSO (
j i
x ) SOMA
DE
- i
x 30 35 40 45 50 55
100
o
F 3,0 4,3 3,8 4,6 3,5 2,8 22,0
125
o
F 2,9 4,1 3,6 4,4 3,6 2,2 20,8
SOMA DE
j
x
-
5,90 8,40 7,40 9,00 7,10 5,00 42,8


TEMPERATURA
2
j i
x SOMA
DE
2
i
x
-
30 35 40 45 50 55
100
o
F 9,0 18,5 14,4 21,2 12,3 7,8 83,2
125
o
F 8,4 16,8 13,0 19,4 13,0 4,8 75,3
SOMA DE
2
j
x
-
17,4 35,3 27,4 40,5 25,2 12,7 158,5
Tem-se que:
67 , 3 X1 = - mdia do percentual de impurezas - temperatura 1 (100
o
F)
47 , 3 X2 = - mdia do percentual de impurezas - temperatura 2 (125
o
F)

95 , 2 X 1= - mdia do percentual de impurezas - presso 1
20 , 4 X 2= -

mdia do percentual de impurezas - presso 2

70 , 3 X 3= -

mdia do percentual de impurezas - presso 3

50 , 4 X 4= -

mdia do percentual de impurezas - presso 4
55 , 3 X 5= -

mdia do percentual de impurezas - presso 5
50 , 2 X 6= -

mdia do percentual de impurezas - presso 6
132

Soma de quadrados:
87 , 5
12
8 , 42
5 , 158
N
x
x SQT
2
2
b
1 j
a
1 i
j i
b
1 j
a
1 i
2
j i
= =
|
|
.
|

\
|
=

= =
= =
(Total)
12 , 0
12
8 , 42
6
8 , 20
6
0 , 22
N
x
b
x
SQL
2 2 2
2
b
1 j
a
1 i
j i
a
1 i
2
b
1 j
j i
=
(

+ =
|
|
.
|

\
|

(
(
(
(
(

|
|
.
|

\
|
=

= =
=
=
(Entre linhas)
N
x
a
x
SQC
2
b
1 j
a
1 i
j i
b
1 j
2
a
1 i
j i |
|
.
|

\
|

(
(
(
(
(

|
.
|

\
|
=

= =
=
=
(Entre colunas)
62 , 5
12
8 , 42
2
00 , 5
2
10 , 7
2
00 , 9
2
40 , 7
2
2
40 , 8
2
90 , 5
SQC
2 2 2 2 2 2
=
(
(

+ + + + + =
13 , 0 62 , 5 12 , 0 87 , 5 SQC SQL SQT SQR = = = (Residual)
Quadrados Mdios:
12 , 0
1 2
12 , 0
1 a
SQL
S
2
L
=

= (Entre linhas)
1233 , 1
1 6
6167 , 5
1 b
SQC
S
2
C
=

= (Entre colunas)
0260 , 0
) 1 6 ( ) 1 2 (
1300 , 0
) 1 b ( ) 1 a (
SQR
S
2
R
=

=

= (Residual)
d) Estatstica F
6154 , 4
0260 , 0
12 , 0
S
S
F
2
R
2
L
L
= = = (Entre linhas)
2051 , 43
0260 , 0
6167 , 5
S
S
F
2
R
2
C
C
= = = (Entre colunas)
Quadro da ANOVA a dois critrios de classificao sem repetio
FONTE DE VARIAO
(FV)
SOMA DE
QUADRADOS
(SQ)
GRAUS DE
LIBERDADE
(G.L.)
QUADRADO
MDIO (QM)
ESTATSTICA
F
Entre linhas 0,12 1 12 , 0 S
2
L
=
6154 , 4 F
L
=
Entre colunas 5,62 5 1233 , 1 S
2
C
=
2051 , 3 4 F
C
=
Residual 0,13 5 0260 , 0 S
2
R
=

Total 5,87 11

133

Concluses:
Como 26 , 16 F F
5 1 ; 01 , 0 L ;
= < , aceita-se
0
H , portanto, no possvel afirmar que existe
influncia da temperatura (linhas);
Como 97 , 10 F F
5 5 ; 01 , 0 C ;
= > , rejeita-se
0
H , portanto, existe diferena de resultados de
impurezas devido variao do fator presso (colunas).

library(xlsReadWrite) # Ativa a biblioteca "xlsReadWrite"
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS") # define a rea de trabalho
dados<-read.xls("exp_fatorial2.xls") # define o arquivo de dados
str(dados)
dados$temp<-factor(dados$temp)
dados$pressao<-factor(dados$pressao)
attach(dados)
anova<-aov(y~temp+pressao) # efetua a ANOVA
summary(anova) # apresenta os resultados

5.2.2 Experimentos Fatoriais com 2 Fatores - com Repetio
Neste caso, para cada tratamento so feitas n observaes, sendo 1 n > . Ou seja, tem-se n
observaes, correspondente ao cruzamento da linha ) a ..., , 2 , 1 i ( i = com a coluna ) b ..., , 2 , 1 j ( j = ,
totalizando n b a observaes.
O fato de haver repeties, possvel obter uma estimativa de
2
o dentro dos ab
tratamentos. A soma de quadrados dentro dos tratamentos ser representada por
r
SQT e ser obtida
atravs de:
N
x
n
x
SQT
2
b
1 j
a
1 i
n
1 k
k j i 2
j i
a
1 i
b
1 j
r
|
|
.
|

\
|
=


= = =
= =
-

O efeito dos tratamentos pode ser decomposto em uma parcela devida s diferenas entre
linhas e outra devida diferenas entre colunas. Ainda, deve-se considerar a existncia de uma
parcela adicional, referente interao entre linhas e colunas. As somas de quadrados entre linhas,
colunas e devido interao so dadas por:
N
x
bn
) x (
SQL
2
b
1 j
a
1 i
n
1 k
k j i
a
1 i
2
i
|
|
.
|

\
|

(
(

= = =
=
- -

N
x
an
) x (
SQC
2
b
1 j
a
1 i
n
1 k
k j i
b
1 j
2
j
|
|
.
|

\
|

(
(

= = =
=
- -

SQC SQL SQT SQI
r
=
134

Tem-se que a soma de quadrados residual a diferena entre a soma de quadrados total e
soma de quadrados entre tratamentos.
N
x
x SQT
2
b
1 j
a
1 i
n
1 k
k j i
b
1 j
a
1 i
n
1 k
2
k j i
|
|
.
|

\
|
=


= = =
= = =

r
SQT SQT SQR =
As estimativas das varincias sero dadas atravs das expresses a seguir:
1 a
SQL
S
2
L

=
1 b
SQC
S
2
C

=
1 ab
SQT
S
r 2
Tr

=
) 1 b ( ) 1 a (
SQI
S
2
I

=
) 1 n ( ab
SQR
S
2
R

=
1 abn
SQT
S
2
T

=
O quadro da ANOVA para um experimento fatorial com 2 fatores - com repetio
FONTE DE VARIAO
(FV)
SOMA DE
QUADRADOS
(SQ)
GRAUS DE
LIBERDADE
(G.L.)
QUADRADO MDIO
(QM)
ESTATSTICA F
Entre linhas SQL a-1
1 a
SQL
S
2
L

=
2
R
2
L
L
S
S
F =
Entre colunas SQC b-1
1 b
SQC
S
2
C

=
2
R
2
C
C
S
S
F =
Interao SQI
) 1 b ( ) 1 a (
) 1 b ( ) 1 a (
SQI
S
2
I

=
2
R
2
I
I
S
S
F =
Entre tratamentos
r
SQT 1 ab
1 ab
SQT
S
r 2
Tr

=

Residual SQR ab(n-1)
) 1 n ( ab
SQR
S
2
R

=

Total SQT abn-1=N-1

Exemplos de aplicao:
1) Foram observados os tempos, em segundos, gastos por quatro operrios para montar certa pea
segundo trs mtodos diferentes. Cada operrio montou duas peas segundo cada mtodo, sendo os
resultados fornecidos no quadro abaixo. considerada admissvel a existncia de interao entre
135

operrios e mtodos. Verificar utilizando a anlise da varincia, se existe diferena significativa entre
os mtodos e/o entre os operrios. Usar 05 , 0 = o .

MTODOS
OPERRIOS
1 2 3 4
1 54 46 55 51
52 47 54 60
2 59 61 59 56
57 55 61 57
3 59 63 63 59
62 58 61 60
Soluo:

MTODOS
- j i
x

SOMA
1 2 3 4
1 106 93 109 111 419
2 116 116 120 113 465
3 121 121 124 119 485
- - j
x
343 330 353 343 1.369



MTODOS

2
k j i
x


SOMA
1 2 3 4
1 2.916 2.116 3.025 2.601
2.704 2.209 2.916 3.600
2 3.481 3.721 3.481 3.136
3.249 3.025 3.721 3.249
3 3.481 3.969 3.969 3.481
3.844 3.364 3.721 3.600
SOMA 78.579
286,33
24
369 . 1
8
485
8
465
8
419
N
x
bn
) x (
SQL
2 2 2 2
2
b
1 j
a
1 i
n
1 k
k j i
a
1 i
2
i
= + + =
|
|
.
|

\
|

(
(

= = =
=
- -

44,46
24
369 . 1
6
343
6
353
6
330
6
343
N
x
an
) x (
SQC
2 2 2 2 2
2
b
1 j
a
1 i
n
1 k
k j i
b
1 j
2
j
= + + + =
|
|
.
|

\
|

(
(

= = =
=
- -

403,46
24
369 . 1
2
119
2
124
...
2
109
2
93
2
106
N
x
n
x
SQT
2 2 2 2 2 2
2
b
1 j
a
1 i
n
1 k
jk i 2
j i
a
1 i
b
1 j
r
= + + + + + =
|
|
.
|

\
|
=


= = =
= =
-

67 , 72 46 , 44 33 , 286 46 , 403 SQC SQL SQT SQI
r
= = =
488,96
24
369 . 1
579 . 78
N
x
x SQT
2
2
b
1 j
a
1 i
n
1 k
k j i
b
1 j
a
1 i
n
1 k
2
k j i
= =
|
|
.
|

\
|
=


= = =
= = =

136

85,50 46 , 403 96 , 488 SQT SQT SQR
r
= = =
O quadro da ANOVA a dois critrios de classificao com repetio
FONTE DE VARIAO
(FV)
SOMA DE
QUADRADOS
(SQ)
GRAUS DE
LIBERDADE
(G.L.)
QUADRADO MDIO
(QM)
ESTATSTICA F
Entre linhas 33 , 286 2
2
33 , 286
S
2
L
= 20,09 F
L
=
Entre colunas 46 , 44 3
3
46 , 44
S
2
C
=
2,08 F
C
=
Interao 67 , 72 6
6
67 , 72
S
2
I
=
1,70 F
I
=
Entre tratamentos 46 , 403 11
11
46 , 403
S
2
Tr
=
5,15 F
Tr
=
Residual 50 , 85 12
12
50 , 85
S
2
R
=

Total 96 , 488 23


I) 3,89 F F
12 2 ; 05 , 0 L ;
= > , rejeita-se
0
H , portanto, existe diferena significativa entre linhas;
II) 3,49 F F
12 3 ; 05 , 0 C ;
= < , aceita-se
0
H , portanto, no existe diferena significativa entre as colunas.
III) 00 , 3 F F
12 6 ; 05 , 0 I ;
= < , aceita-se
0
H , a interao no significativa.
IV) 72 , 2 F F
12 11 ; 05 , 0 Tr ;
= > , rejeita-se
0
H , portanto, existe diferena significativa entre tratamentos.

library(xlsReadWrite)

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS") # define a rea de trabalho
dados<-read.xls("exp_fatorial3.xls") # define o arquivo de dados
str(dados)
dados$M<-factor(dados$M)
dados$O<-factor(dados$O)
attach(dados)
anova<-aov(X~M+O+M*O+)
summary(anova)
2) Foram feitos ensaios com baterias para verificar a influncia dos fatores material e temperatura
ambiente na sua vida til. Foram testados 3 tipos de baterias em 3 temperaturas diferentes, com
ensaios com 4 repeties. Os resultados so apresentados a seguir, em horas. Verificar se existem
diferenas entre a vida til para os fatores considerados, com 05 , 0 = o . Verificar tambm, se existe
interao entre os fatores.
TEMPERA-
TURA
MATERIAL
Alfa (A) Beta (B) Gama (G)


+ 50
o
C (1)
69 58 39
60 60 38
64 65 47
58 59 42


+ 20
o
C (2)
67 61 53
58 60 59
66 67 63
70 62 58


- 10
o
C (3)
75 62 60
60 65 63
68 63 61
70 69 61
137

Soluo:
a) Hipteses Estatsticas
1)
. . . 3 2 1
: H
01
= = (linhas)
3 2 1 . . .
: H
02
= = (colunas)
2) : H
1 1
pelo menos uma das mdias
.
i
diferente das demais
: H
2 1
pelo menos uma das mdias
j .
diferente das demais
3) 0 ) ( : H
j i 03
= o|
: H
13
pelo menos um 0 ) (
j i
= o|
b) Nvel de significncia: 05 , 0 = o
c) Clculo das Somas de Quadrados e Quadrados Mdios
Tem-se que:
92 , 54 X1 = - vida til mdia para temperatura 50
o
C
00 , 62 X2 = - vida til mdia para temperatura 20
o
C
75 , 64 X3 = - vida til mdia para temperatura -10
o
C
42 , 65 X 1= - vida til mdia para material alpha
58 , 62 X 2= - vida til mdia para material beta
67 , 53 X 3= - vida til mdia para material gama

TEMPERA-
TURA
MATERIAL (
- j i
x )

TOTAL
Alfa (A) Beta (B) Gama (G)
+ 50
o
C (1) 251 242 166 659
+ 20
o
C (2) 261 250 233 744
- 10
o
C (3) 273 259 245 777
TOTAL 785 751 644 2.180

TEMPERA-
TURA
MATERIAL (
2
k j i
x )
Alfa (A) Beta (B) Gama (G)


+ 50
o
C (1)
4.761 3.364 1.521
3.600 3.600 1.444
4.096 4.225 2.209
3.364 3.481 1.764


+ 20
o
C (2)
4.489 3.721 2.809
3.364 3.600 3.481
4.356 4.489 3.969
4.900 3.844 3.364


- 10
o
C (3)
5.625 3.844 3.600
3.600 4.225 3.969
4.624 3.969 3.721
4.900 4.761 3.721
138

2.180 x
b
1 j
a
1 i
n
1 k
k j i
=

= = =

134.374 x
b
1 j
a
1 i
n
1 k
2
k j i
=

= = =

Soma de quadrados:
2.362,89
36
180 . 2
374 . 134
N
x
x SQT
2
2
b
1 j
a
1 i
n
1 k
k j i
b
1 j
a
1 i
n
1 k
2
k j i
= =
|
|
.
|

\
|
=

= = =
= = =
(Total)
N
x
bn
) x (
SQL
2
b
1 j
a
1 i
n
1 k
k j i
a
1 i
2
i
|
|
.
|

\
|

(
(

= = =
=
- -
(Entre linhas)
617,72
36
180 . 2
4 3
777
4 3
744
4 3
659
SQL
2 2 2 2
=

=
N
x
an
) x (
SQC
2
b
1 j
a
1 i
n
1 k
k j i
b
1 j
2
j
|
|
.
|

\
|

(
(

= = =
=
- -
(Entre colunas)
902,39
36
180 . 2
4 3
644
4 3
751
4 3
785
SQC
2 2 2 2
=

=
N
x
n
x
SQT
2
b
1 j
a
1 i
n
1 k
k j i 2
j i
a
1 i
b
1 j
r
|
|
.
|

\
|
=


= = =
= =
-
(Entre tratamentos)
1.905,39
36
180 . 2
4
245
4
242
4
261
4
251
SQT
2 2 2 2 2
r
= + + + + =
385,28 39 , 902 72 , 617 39 , 905 . 1 SQC SQL SQT SQI
r
= = = (Entre interao)
457,50 39 , 905 . 1 89 , 362 . 2 SQT SQT SQR
r
= = = (Residual)
Quadrados Mdios:
308,86
1 3
72 , 617
1 a
SQL
S
2
L
=

= (Entre linhas)
451,19
1 3
39 , 902
1 b
SQC
S
2
C
=

= (Entre colunas)
238,17
1 3 3
39 , 905 . 1
1 ab
SQT
S
r 2
Tr
=

=

= (Entre tratamentos)
96,32
) 1 3 ( ) 1 3 (
28 , 385
) 1 b ( ) 1 a (
SQI
S
2
I
=

=

= (Interao)
16,94
) 1 4 ( 3 3
50 , 457
) 1 n ( ab
SQR
S
2
R
=

=

= (Residual)
139

67,51
1 4 3 3
89 , 362 . 2
1 abn
SQT
S
2
T
=

=

= (Total)

d) Estatstica F
18,23
94 , 16
86 , 308
S
S
F
2
R
2
L
L
= = = (Entre linhas)
26,63
94 , 16
19 , 451
S
S
F
2
R
2
C
C
= = = (Entre colunas)
5,68
94 , 16
32 , 96
S
S
F
2
R
2
I
I
= = = (Interao)


library(xlsReadWrite) # Ativa a biblioteca "xlsReadWrite"
setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS") # define a rea de trabalho
dados<-read.xls("exp_fatorial4.xls") # define o arquivo de dados
str(dados)
dados$temp<-factor(dados$temp)
anova<-aov(y~temp+tipo+temp*tipo) # efetua a ANOVA
summary(anova) # apresenta os resultados



Df Sum Sq Mean Sq F value Pr(>F)
temp 2 617.72 308.86 18.2279 9.774e-06 ***
tipo 2 902.39 451.19 26.6279 4.102e-07 ***
temp:tipo 4 385.28 96.32 5.6844 0.001878 **
Residuals 27 457.50 16.94
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Concluso: Como os nveis de significncia so < 0,05, conclui-se que:
a) existe diferena entre os tratamentos de temperatura;
b) existe diferena entre os tratamentos de material ;
c) existe interao entre os fatores material e temperatura.
5.3 Diagnstico do Modelo
Deve-se verificar se as suposies estabelecidas para obteno do ajuste e teste dos
parmetros, so satisfeitas.
A suposio do modelo de que os erros
ij
c sejam normal, independentes e identicamente
distribudos, ou seja,
j i
c so iid ) , 0 ( N
2
o . Assim, cada tratamento pode ser pensado como uma
populao normal com mdia
i
e varincia
2
o .
Para atender a suposio acima, faz-se necessrio verificar as seguintes questes:
- Presena de valores extremos (outliers)
- Independncia (aleatoriedade)
140

- Normalidade
- Homocedasticidade (varincia constante)

a) Identificao de Valores Extremos (outliers)
A identificao de valores extremos (dados discrepantes ou aberrantes) faz parte da anlise
descritiva e exploratria dos dados. No caso de planejamento de experimentos alguns
procedimentos especficos podem ser destacados na busca da verificao da existncia de valores
extremos.
Para se verificar a presena de valores extremos (ou dados discrepantes) pode-se utilizar
procedimentos simples, como grfico de disperso e Box-Plots. Deve-se verificar, neste caso,
valores que se destacam dos demais na apresentao dos valores observados.
Identificado um valor extremo, normalmente ele excludo da anlise. No entanto, na pratica,
o pesquisador quem deve definir se um valor extremo pode realmente ser assim considerado. Pois
os valores extremos podem fornecer informaes importantes sobre o experimento e
estatisticamente demonstrar que uma outra distribuio deve melhor representar o
comportamento dos dados.
b) Verificando a Independncia (erros no correlacionados)
A independncia dos resduos, usualmente avaliada atravs de um grfico dos resduos
versus valores preditos. Na hiptese de ser satisfeita a suposio de independncia no dever
existir nenhum padro neste grfico, ou seja, nenhum comportamento no aleatrio dos valores
observados.





FIGURA 1 INDEPENDNCIA







FIGURA 2 NO INDEPENDNCIA
141

Existindo o registro da ordem de obteno dos valores, recomenda-se o uso do grfico
dos resduos versus a ordem de coleta de forma a verificar algum padro na resposta e,
consequentemente uma dependncia entre as observaes.
c) Verificando a Normalidade
A suposio de normalidade dos resduos pode ser verificada graficamente ou atravs de
testes. Graficamente usual a utilizao do grfico normal probabilstico e os testes mais utilizados
so: Teste de Shapiro-Wilk, Kolmogorov-Smirnov e Lilliefors.
c.1)Teste de Shapiro-Wilk
O mtodo de Shapiro-Wilk fornece o valor da estatstica W, variando de 0 a 1. A estatstica do
teste dada por:
)
`

=
n
1 i
2
i
2
) X x (
b
W , onde

=
+ +
=
2 n
1 i
i 1 i n 1 i n
) x x ( a b
em que
n 2 1
x x x s s so dados ordenados, em ordem crescente, e os s a
i
' so constantes
tabelados.
Este teste utilizado quando o conjunto de observaes pequeno ) 50 n ( s .
A estatstica W comparada ao valor obtido em tabelas, caso
tab
W W < , o teste rejeita
o
H ,
indicando a no normalidade das observaes.
d) Verificando a Homocedasticidade
A suposio de homocedasticidade significa que a variabilidade entre repeties de um
mesmo tratamento deve ser semelhante a dos demais tratamentos. A verificao desta suposio
pode ser feita atravs do uso de testes ou por meio de anlise grfica.
d.1) Teste de Cochran (homogeneidade das varincias)
1. Passo: Hipteses
2
k
2
2
2
1
... : H
o
o o o = = = (as varincias entre as populaes so homogneas)
: H
1
i , i ' - t.q.
2 2
i i '
o o = (as varincias entre as populaes so heterogneas)
2. Passo: Escolha do nvel de significncia o
3. Passo: Estatstica apropriada (teste de Cochran)
4. Passo: Definio da regio crtica
5. Passo: Concluso
um teste muito simples e de fcil execuo, que consiste em calcular todas as varincias
envolvidas no experimento e dividir a maior delas pela soma de todas. O valor resultante da diviso
ento comparado com os valores crticos de uma tabela estatstica apropriada, que leva em conta o
142

nmero de varincias envolvidas (k) e o nmero de graus de liberdade utilizado nos clculos, nmero
esse que evidentemente deve ser o mesmo para todas as varincias, pois a tabela construda
dessa forma. O tamanho da amostra
i
n pode ser igual para todos os grupos.
Estatstica do teste para testar as hipteses
2
k
2
2
2
1
... : H
o
o o o = = = contra : H
1
i , i ' - t.q.
2 2
i i '
o o = dada por:

=
=
k
1 i
2
i
2
max
S
S
C
Rejeita-se a hiptese
0
H se
o
>
, 1 n , k
C C .
Exemplo: Considerando o exemplo de

quatro observadores O
1
, O
2
, O
3
e O
4
, que usaram trs
teodolitos t
1
, t
2
e t
3,
para fazer as medies.
a) Identificao de Valores Extremos (outliers)









b) Verificando a Independncia (erros no correlacionados)








c) Teste de Shapiro-Wilk (verificao da normalidade)
Shapiro-Wilk normality test
ata: anova$residuals
W = 0.9371, p-value = 0.462


143

d) Teste de Cochran (homogeneidade das varincias)
Cochran test for outlying variance

data: residuo ~ teodolitos
C = 0.4574, df = 4, k = 3, p-value = 0.8041
alternative hypothesis: Group 3 has outlying variance

sample estimates:
1 2 3
3.3333333 0.9166667 3.5833333
Cochran test for outlying variance
data: residuo ~ observadores
C = 0.516, df = 3, k = 4, p-value = 0.4536
alternative hypothesis: Group 3 has outlying variance
sample estimates:
1 2 3 4
3.0625 1.3125 6.0625 1.3125


library(xlsReadWrite)
library(nortest)

setwd("c:/ENGENHARIA_QUALIDADE/EXEMPLOS") # define a rea de trabalho

dados<-read.xls("exp_fatorial1.xls")
str(dados)

dados$teodolitos<-factor(dados$teodolitos)
dados$observadores<-factor(dados$observadores)

attach(dados)

anova<-aov(X ~ teodolitos+observadores)
summary(anova)

#================== identificao de valores extremos ==============#
par(mfrow=c(1,2))
boxplot(X~teodolitos,col="green",main="MEDIDAS x TEODOLITOS",cex.main=1)
boxplot(X~observadores,col="blue",main="MEDIDAS x OBSERVADORES",cex.main=1)

#================== verificando a independncia ===================#
plot(anova$fitted.values,anova$residuals,type="p",pch=19,
main="VALORES AJUSTADOS x RESDUOS",cex.main=1,xlab="Resduos",
ylab="Valores ajustados",col="blue")

#=================== verificando a normalidade =====================#

SW<-shapiro.test(anova$residuals)
SW

#============ verificando a homogeneidade das varincias ===========#

residuo<-anova$residuals
d<-data.frame(cbind(residuo,teodolitos,observadores))
library(outliers)
cochran.test(residuo ~ teodolitos,d)
cochran.test(residuo ~ observadores,d)

5.4 Comparaes Mltiplas entre Mdias
A anlise da varincia serve para verificar se existe diferena significativa entre colunas, no
caso de um critrio de classificao, e entre linhas e entre colunas, para o caso de dois critrios de
classificao; porm, se houver diferenas, no se sabe, atravs dela, quais as linhas ou colunas que
144

diferem entre si. A identificao de diferenas entre mdias, tomando-as duas a duas, deve ser feita
usando testes de comparaes mltiplas entre mdias.
Estes testes so semelhantes ao teste t de Student, com a diferena de que controlam o nvel
de significncia ao levar em conta o nmero de comparaes feitas no experimento. Alm disso, a
varincia dentro dos grupos
2
r
S estimada usando o quadrado mdio do resduo, do quadro da
ANOVA, que baseado em todas as amostras.
As hipteses so:
m i
: H
0
=
m i
: H
1
= , ; k ..., , 2 , 1 m , i , m i = =
5.4.1 Teste HSD de Tukey
5.4.1.1 Modelo de classificao a dois critrios sem repetio
O modelo de Tukey recomenda considerar distintas as mdias:
b
S
q X X
2
R
m
i
; ) 1 b ( ) 1 a ( ; a .
.
o
>
(para testar a diferena entre linhas)

a
S
q X X
2
R
m j
; ) 1 b )( 1 a ( ; b
. .
o
>
(para testar a diferena entre colunas)
Onde:
= a nmero de linhas i= 1,2,...,a;
= b nmero de colunas j= 1,2,..., b.
4.4.1.2 Modelo de classificao a dois critrios com repetio
nb
S
q X X
2
R
m
i
; ) 1 n ( ab ; a .
.
o
>
(para testar a diferena entre linhas)

na
S
q X X
2
R
m j
; ) 1 n ( ab ; b
. .
o
>
(para testar a diferena entre colunas)
n
S
q X X
2
R
m j
; ) 1 n ( ab ; ab
. .
o
> (para testar a diferena entre interaes)

Exemplos para modelo de classificao a dois critrios sem repetio:
1) Considerando o exemplo de

quatro observadores O
1
, O
2
, O
3
e O
4
, que usaram trs teodolitos t
1
, t
2

e t
3,
para fazer as medies, utilizar o teste de Tukey.

Soluo:
145

Atravs da ANOVA possvel concluir que existe diferena significativa entre os
observadores, portanto, aplicar-se- o mtodo de Tukey para as colunas. A estatstica do teste
dada por:
a
S
q X X
2
R
m j
; ) 1 b )( 1 a ( ; b
. .
o
>
(para testar a diferena entre colunas)
Tem-se que:
3 a =

4 b =

3,9167
6
50 , 23
S QMR
2
R
= = =

8956 , 4 q
05 , 0 ; 6 ; 4
=
5,5938
3
9167 , 3
8956 , 4
a
S
q
2
R
; ) 1 b )( 1 a ( ; b
= =
o


OBSERVADO-
RES
DIFERENA
DE MDIAS
HSD
DIFERENA
SIGNIFICA-
TIVA
1 e 2 11 5,59 sim
1 e 3 12 5,59 sim
1 e 4 15 5,59 sim
2 e 3 1 5,59 no
2 e 4 4 5,59 no
3 e 4 3 5,59 no

A mdia do observador nmero 1 difere dos demais, ao nvel de 5% de significncia.
Exemplos para modelo de classificao a dois critrios com repetio:
1) Considerando o exemplo de tempos gastos (em segundos) por quatro operrios para montar certa
pea segundo trs mtodos diferentes, utilizar o mtodo de Tukey.
Soluo:
Atravs da ANOVA possvel concluir que existe diferena significativa entre os mtodos,
portanto, aplicar-se- o mtodo de Tukey para as linhas. A estatstica do teste dada por:
nb
S
q X X
2
R
m
i
; ) 1 n ( ab ; a .
.
o
>

Considerando os mtodos 1 e 2, tem-se:
4 b =

3 a =

146

2 n =

125 , 7 S QMR
2
R
= =

77 , 3 q
05 , 0 ; 12 ; 3
=

Substituindo os valores na expresso da estatstica:
56 , 3
4 2
125 , 7
77 , 3
nb
S
q
2
R
; ) 1 n ( ab ; a
=

=
o

Os tempos mdios dos mtodos 1 e 2 so, respectivamente, 52,375 X1 =

e 5 8 , 1 2 5 X2 = ,
portanto, a diferena 5,75 X X
2 1 = .
Tem-se que 56 , 3 75 , 5 X X
2 1 > =
, logo, existe diferena entre as duas mdias.

Fazendo os clculos para as demais diferenas obtm-se:
MTODOS
m l X X

HSD CONCLUSO
1 e 2 5,75 3,56 diferem
1 e 3 8,25 3,56 diferem
2 e 3 2,5 3,56 No diferem
O tempo mdio do mtodo nmero 1 difere dos demais, ao nvel de 5% de significncia.

6 NORMAS DA QUALIDADE
A ISO 9000 o nome genrico utilizado pela srie de normas da famlia 9000 que estabelece
as diretrizes para implantao de Sistemas de Gesto da Qualidade (SGQ).
As utilidades das normas ISO da Srie 9000:
- Demonstrar que administra com qualidade e, portanto, garante a qualidade de seus produtos e
servios;
- Relaes comerciais facilitadas;
- Reduo de riscos;
- Trabalho mais organizado e menos sujeito a erros;
- Reduo de custos;
- Perdas de produo, menos reprocessamento, reparo e retrabalho;
- Benefcios para os colaboradores e empregados;
- Menos conflito no trabalho e maior integrao entre setores;
- Maiores oportunidades de treinamento.
147

Em sua essncia, a ISO 9000 uma norma que visa estabelecer critrios para um adequado
gerenciamento do negcio tendo como foco principal a satisfao do cliente e consumidor, atravs de
uma srie de aes, dentre as quais podemos destacar:
- A empresa precisa estar totalmente comprometida com a qualidade (considerando qualidade =
satisfao do cliente), desde os nveis mais elevados, at os operadores;
- Adequado gerenciamento dos recursos humanos e materiais necessrios para as operaes do
negcio;
- Existncia de procedimentos, instrues e registros de trabalho formalizando todas as atividades
que afetam a qualidade;
- Monitoramento dos processos atravs de indicadores e tomada de aes quando os objetivos pr-
estabelecidos no so alcanados.
Em 2008 a norma ABNT NBR ISO9001 que estabelece requisitos para o Sistema de Gesto
da Qualidade (SGQ) foi revisada pela terceira vez. Publicada em novembro de 2008 a nova verso
da ISO9001 trouxe apenas algumas adequaes com o intuito de facilitar seu entendimento e
aplicao, sendo que seus princpios continuam os mesmos.
A NBR ISO 9001:2008 foi definida tendo como princpios:
- foco no cliente
- liderana
- envolvimento de pessoas
- abordagem de processo
- abordagem sistmica para a gesto
- melhoria contnua
- abordagem factual para tomada de decises
- benefcios mtuos nas relaes com os fornecedores.











148

SOLUES DAS LISTAS DE EXERCCIOS
LISTA No. 1
Exerccio 1:
a) 400 k =
b)
2
) m y ( 400 ) y ( L =
c) 0036 , 0 $ ) y ( L =
Exerccio 2:
a) 16 , 0 k =
b) 96 , 1 $ ) y ( L =
Exerccio 3:
a) 50 , 0 k =
b) 50 , 12 $ ) y ( L =
LISTA No. 2
Exerccio 1:
a) 975 , 129 X = ; 914 , 8 S = ; % 858 , 6 CV =
b) min=118 ; max=160; At=42 ; K=7; h=6
c) 00 , 124 Q
1
= ; 00 , 128 Q
2
= ; 75 , 133 Q
3
= ; 75 , 9 IQ = ; 375 , 109 LI = ; 375 , 148 LS =
Exerccio 2:
a) 30 , 129 X = ; 557 , 13 S =
b) K=6; h=8;

c) 10 | 38
11 | 069
12 | 0356
13 | 035689
14 | 05569

d) 75 , 119 Q
1
= ; 50 , 131 Q
2
= ; 25 , 139 Q
3
= ; 50 , 19 IQ = ; 50 , 90 LI = ; 50 , 168 LS =
Exerccio 3:
a) K=7 ; h=4
b) 975 , 44 X = ; 658 , 7 S = ; 0 , 39 Q
1
= ; 0 , 45 Q
2
= ; 0 , 49 Q
3
=
Exerccio 4:
a) 736 , 90 X = ; 118 , 3 S = ; % 436 , 3 CV =
c) 20 , 89 Q
1
= ; 35 , 90 Q
2
= ; 575 , 91 Q
3
=
d) 375 , 2 IQ = ; ; 638 , 85 LI = ; 138 , 95 LS =
LISTA No. 3
Exerccio 1:
a) % 17 , 11 ) 2 X ( P = s
b) % 00 , 0 10 x 51 , 4 ) 49 X ( P
48
= = >


149

Exerccio 2:
66,90% ) 0 X ( P = =
Exerccio 3:
58,38% ) 0 X ( P = =
Exerccio 4:
a) 60,65% ) 0 X ( P = =
b) % 67 , 0 ) 0 X ( P ... ) 0 X ( P ) 0 X ( P
10 2 1
= = = =
Exerccio 5:
a) 12,47% ) 2 x ( P = s
b) 6,53% ) 8 x ( P = =
c) 49,14% ) 8 x 5 ( P = s s
Exerccio 6:
a) 14,04% ) 3 X ( P = =
b) % 47 , 12 ) 3 X ( P = <
Exerccio 7:
36,79% ) 2 X ( P = >
Exerccio 8:
% 65 , 60 ) 1 X ( P = >
Exerccio 9:
99,38% ) 35 X ( P = >
Exerccio 10:
% 44 , 39 ) 25 , 1 Z 0 ( P = s s
LISTA No. 4
Exerccio 1:
351,038 LC X = = (linha central)
350,582 LIC =
351,493 LSC =

0,625 LC R = = (linha central)
0 LIC=
1,426 LSC =
Exerccio 2:
a) 0,0630 LC X = = (linha central)
0,0620 LIC =
0,0639 LSC =


150

0,0009 LC R = = (linha central)
0 LIC=
0,0023 LSC =
b) 0,0005 = o
Exerccio 3:
a) 132,07 LC X = = (linha central)
113,05 LIC =
151,09 LSC =

96 , 2 3 LC R = = (linha central)
0 LIC=
69,71 LSC =
b) 14,17 = o
Exerccio 4:
8413 , 0 1 Pd = | =
Exerccio 5:
a) Grfico de mdias

585 , 197 LIC =
200 LC=
415 , 202 LSC =

Grfico R
0 5 0 R D LIC
3
= = =
5 R LC = =
02 , 10 LSC =
b) 9599 , 0 = |
Exerccio 6:
a) Grfico de mdias
29 , 26 LIC =
50 , 26 LC =
71 , 26 LSC =

Grfico R
0 LIC=
36 , 0 LC =
76 , 0 LSC =

b) 0049 , 0 conformes no de proporo =
Exerccio 7:
a) Grfico de mdias
36 , 2 LIC =
151

90 , 4 LC =
44 , 7 LSC =

Grfico R
0 LIC=
40 , 4 LC =
31 , 9 LSC =

A amostra 9 apresenta R acima do limite superior.
b) 5359 , 0 1 = |
c) | | 9027 , 0 3 M P = s
LISTA No. 5
Exerccio 1:
Grfico X
351,478 LSC =
038 , 351 X LC = =
350,597 LIC =
Grfico S

6125 , 0 LSC =
2703 , 0 LC =
0 LIC=
Exerccio 2:
a) Grfico X
06373 , 0 LSC =
06295 , 0 X LC = =
06217 , 0 LIC =
Grfico S
0010 , 0 LIC =
0004 , 0 S LC = =
0 LIC =
b) 00045 , 0 = o
Exerccio 3:
a) Grfico X

112,52 LIC =
132,07 LC X = = (linha central)
151,62 LSC =

Grfico S
0 LIC=
152

13,7 LC R = = (linha central)
28,62 LSC =
b) 14,57 = o
Exerccio 4:





















Exerccio 5:
a)
00 , 1426 X =
85 , 4 1 = o
b) Grfico S
0 LIC=
13,68 LC = (linha central)
00 , 1 3 LSC =

LISTA No. 6
Exerccio 1:
Grfico da amplitude mvel
GRFICO DE CONTROLE X

GRFICO DE CONTROLE S

-5,00
0,00
5,00
10,00
15,00
20,00
25,00
30,00
35,00
40,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

LIC
LC
LSC


100,00
110,00
120,00
130,00
140,00
150,00
160,00
170,00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

LIC
LC
LSC

153

0 D MR LIC
3
= =
48 , 0 MR LC = =
1,57 D MR LSC
4
= =
Grfico das observaes individuais
32,24 LIC =
52 , 33 X LC = =
34,80 LSC =
Exerccio 2:
Grfico da amplitude mvel
0 D MR LIC
3
= =

19 , 1 MR LC = =

89 , 3 D MR LSC
4
= =

Grfico das observaes individuais
83 , 12 LIC =

99 , 15 X LC = =

15 , 19 LSC =


LISTA No. 7
Exerccio 1:
111 , 1 C

p
=

111 , 1 C

pk
=

Exerccio 2:
351 , 1 C

p
=
229 , 1 C

pk
=
Exerccio 3:
% 74 , 5 0574 , 0 ) es especifica das fora ( P = =
LISTA No. 8
Exerccio 1:
a) 396 n =
b) 44 n =
Exerccio 2:
0 LIC=
02 , 0 p

LC = =
062 , 0 LSC =
Exerccio 3:
441 n =
154

Exerccio 4:
a)
0 LIC=

017 , 0 p

LC = =

049 , 0 LSC =

b) 521 n =
Exerccio 5:
a)
103 , 0 LIC =


123 , 0 p

LC = =


143 , 0 LSC =

b) No possvel utilizar, pois o processo est fora de controle.
LISTA No. 9
Exerccio 1:
0 LIC=

360 , 2 LC =

9687 , 6 LSC =

Exerccio 2:
0 LIC=

50 , 1 LC =

17 , 5 LSC =

Exerccio 3:
0 LIC=

6875 , 1 LC =

5846 , 5 LSC =

LISTA No. 10
Exerccio 1:
116 , 1 LIC =
12 , 11 u LC = =
124 , 21 LSC =

Exerccio 7:










155

LISTA N
O
. 11
Exerccio 1:
a) O desvio padro do processo 19,26;
b) Grfico cusum :








c) Grfico MMEP:







Exerccio 2:
a) Grfico cusum:










156

b) Grfico MMEP:









LISTA No. 12
Exerccio 1:
% 39 , 99 ) 1 x ( P = s
Exerccio 2:
% 77 , 53 ) A ( P =


















157

BIBLIOGRAFIA

1. CALLEGARE, Alvaro Jos de A. Introduo ao Delineamento de Experimentos. So Paulo:
Blucher, 2009.
2. CARPINETTI, Luiz Csar R. et al. Gesto da Qualidade ISO 9001:2008: Princpios e Requisitos.
So Paulo: Atlas, 2009.
3. CHAVES NETO, Anselmo. Tcnicas Estatstica Aplicadas Engenharia da Qualidade - Notas de
Aula. 2. Semestre 2002.
4. COSTA, Antonio F. B. et al. Controle Estatstico de Qualidade. So Paulo: Atlas, 2008.
5. DELLARETTI FILHO, Osmrio; DRUMOND, Ftima Brant. Itens de Controle e Avaliao de
Processos. Belo Horizonte: Fundao Christiano Ottoni, 1994.
6. DEVORE, Jay L. Probabilidade e Estatstica para Engenharia e Cincias. So Paulo:
Pioneira Thomson Learning, 2006.
7. KUME, Hitoshi. Mtodos Estatsticos para Melhoria da Qualidade. So Paulo: Gente, 1993.
8. LOURENO FILHO, Ruy C. B. Controle Estatstica de Qualidade. Rio de Janeiro: Livros Tcnicos e
Cientficos, 1976.
9. MARQUES, Jair Mendes. Estatstica: Cursos de Engenharia Apostila. Maro 1988.
10. MONTGOMERY, Douglas C. Introduo ao Controle Estatstico da Qualidade. 4 ed. Rio de
Janeiro: LTC, 2009.
11. MONTGOMERY, Douglas C.; RUNGER, George C. Estatstica Aplicada e Probabilidade para
Engenheiros. 4 ed. Rio de Janeiro: LTC, 2009.
12. ROSS, Phillip J. Taguchi Techniques for Quality Engineering. 2 ed. New York: McGraw-Hill, 1996.
13. RYAN, Thomas. Estatstica Moderna para Engenharia. Rio de Janeiro: Elsevier, 2009.
14. SAMOHYL, Robert W. Controle Estatstico de Qualidade. Rio de Janeiro: Elsevier, 2009.
15. SHARMA, Naresh K., et al. Quality loss function a common methodology for three cases.
Journal of Industrial an System Engineering. vol.1, no. 3, pp 218-234, 2007.
16. TAGUCHI, Genichi, et al. Engenharia da Qualidade em Sistemas de Produo. So Paulo:
McGraw-Hill, 1990.





158
















ANEXOS


















159

TABELA A1.1 REAS SOB A CURVA NORMAL
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
-0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
-3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
-3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
-3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
-3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
-3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
-3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
-3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
-3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000



160

TABELA A1.2 REAS SOB A CURVA NORMAL
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000



161

TABELA A2 - DISTRIBUIO DE F DE SNEDECOR
Nvel de significncia de % 1
1
u
GRAUS DE LIBERDADE DO NUMERADOR
1 2 3 4 5 6 7 8 12 24
2
u
1 4.052,18 4.999,50 5.403,35 5.624,58 5.763,65 5.858,99 5.928,36 5.981,07 6.106,32 6.234,63 6.365,83
2 98,50 99,00 99,17 99,25 99,30 99,33 99,36 99,37 99,42 99,46 99,50
3 34,12 30,82 29,46 28,71 28,24 27,91 27,67 27,49 27,05 26,60 26,13
4 21,20 18,00 16,69 15,98 15,52 15,21 14,98 14,80 14,37 13,93 13,46
5 16,26 13,27 12,06 11,39 10,97 10,67 10,46 10,29 9,89 9,47 9,02
6 13,75 10,92 9,78 9,15 8,75 8,47 8,26 8,10 7,72 7,31 6,88
7 12,25 9,55 8,45 7,85 7,46 7,19 6,99 6,84 6,47 6,07 5,65
8 11,26 8,65 7,59 7,01 6,63 6,37 6,18 6,03 5,67 5,28 4,86
9 10,56 8,02 6,99 6,42 6,06 5,80 5,61 5,47 5,11 4,73 4,31
10 10,04 7,56 6,55 5,99 5,64 5,39 5,20 5,06 4,71 4,33 3,91
11 9,65 7,21 6,22 5,67 5,32 5,07 4,89 4,74 4,40 4,02 3,60
12 9,33 6,93 5,95 5,41 5,06 4,82 4,64 4,50 4,16 3,78 3,36
13 9,07 6,70 5,74 5,21 4,86 4,62 4,44 4,30 3,96 3,59 3,17
14 8,86 6,51 5,56 5,04 4,70 4,46 4,28 4,14 3,80 3,43 3,00
15 8,68 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,67 3,29 2,87
16 8,53 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,55 3,18 2,75
17 8,40 6,11 5,19 4,67 4,34 4,10 3,93 3,79 3,46 3,08 2,65
18 8,29 6,01 5,09 4,58 4,25 4,01 3,84 3,71 3,37 3,00 2,57
19 8,18 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,30 2,92 2,49
20 8,10 5,85 4,94 4,43 4,10 3,87 3,70 3,56 3,23 2,86 2,42
21 8,02 5,78 4,87 4,37 4,04 3,81 3,64 3,51 3,17 2,80 2,36
22 7,95 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,12 2,75 2,31
23 7,88 5,66 4,76 4,26 3,94 3,71 3,54 3,41 3,07 2,70 2,26
24 7,82 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,03 2,66 2,21
25 7,77 5,57 4,68 4,18 3,86 3,63 3,46 3,32 2,99 2,62 2,17
26 7,72 5,53 4,64 4,14 3,82 3,59 3,42 3,29 2,96 2,58 2,13
27 7,68 5,49 4,60 4,11 3,78 3,56 3,39 3,26 2,93 2,55 2,10
28 7,64 5,45 4,57 4,07 3,75 3,53 3,36 3,23 2,90 2,52 2,06
29 7,60 5,42 4,54 4,04 3,73 3,50 3,33 3,20 2,87 2,49 2,03
30 7,56 5,39 4,51 4,02 3,70 3,47 3,30 3,17 2,84 2,47 2,01
40

7,31 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,66 2,29 1,80
60 7,08 4,98 4,13 3,65 3,34 3,12 2,95 2,82 2,50 2,12 1,60
120 6,85 4,79 3,95 3,48 3,17 2,96 2,79 2,66 2,34 1,95 1,38
6,63 4,61 3,78 3,32 3,02 2,80 2,64 2,51 2,18 1,79 1,01










162

TABELA A3 - DISTRIBUIO DE F DE SNEDECOR
Nvel de significncia de % 5
1
u
GRAUS DE LIBERDADE DO NUMERADOR
1 2 3 4 5 6 7 8 12 24
2
u
1 161,45 199,50 215,71 224,58 230,16 233,99 236,77 238,88 243,91 249,05 254,31
2 18,51 19,00 19,16 19,25 19,30 19,33 19,35 19,37 19,41 19,45 19,50
3 10,13 9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,74 8,64 8,53
4 7,71 6,94 6,59 6,39 6,26 6,16 6,09 6,04 5,91 5,77 5,63
5 6,61 5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,68 4,53 4,37
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,00 3,84 3,67
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,57 3,41 3,23
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,28 3,12 2,93
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,07 2,90 2,71
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 2,91 2,74 2,54
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,79 2,61 2,40
12 4,75 3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,69 2,51 2,30
13 4,67 3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,60 2,42 2,21
14 4,60 3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,53 2,35 2,13
15 4,54 3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,48 2,29 2,07
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,42 2,24 2,01
17 4,45 3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,38 2,19 1,96
18 4,41 3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,34 2,15 1,92
19 4,38 3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,31 2,11 1,88
20 4,35 3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,28 2,08 1,84
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,25 2,05 1,81
22 4,30 3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,23 2,03 1,78
23 4,28 3,42 3,03 2,80 2,64 2,53 2,44 2,37 2,20 2,01 1,76
24 4,26 3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,18 1,98 1,73
25 4,24 3,39 2,99 2,76 2,60 2,49 2,40 2,34 2,16 1,96 1,71
26 4,23 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,15 1,95 1,69
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,31 2,13 1,93 1,67
28 4,20 3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,12 1,91 1,65
29 4,18 3,33 2,93 2,70 2,55 2,43 2,35 2,28 2,10 1,90 1,64
30 4,17 3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,09 1,89 1,62
40

4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,00 1,79 1,51
60 4,00 3,15 2,76 2,53 2,37 2,25 2,17 2,10 1,92 1,70 1,39
120 3,92 3,07 2,68 2,45 2,29 2,18 2,09 2,02 1,83 1,61 1,25
3,84 3,00 2,61 2,37 2,21 2,10 2,01 1,94 1,75 1,52 1,01











163

TABELA A4 - DISTRIBUIO DE F DE SNEDECOR
Nvel de significncia de % 10
1
u
GRAUS DE LIBERDADE DO NUMERADOR
1 2 3 4 5 6 7 8 12 24
2
u
1 39,86 49,50 53,59 55,83 57,24 58,20 58,91 59,44 60,71 62,00 63,33
2 8,53 9,00 9,16 9,24 9,29 9,33 9,35 9,37 9,41 9,45 9,49
3 5,54 5,46 5,39 5,34 5,31 5,28 5,27 5,25 5,22 5,18 5,13
4 4,54 4,32 4,19 4,11 4,05 4,01 3,98 3,95 3,90 3,83 3,76
5 4,06 3,78 3,62 3,52 3,45 3,40 3,37 3,34 3,27 3,19 3,11
6 3,78 3,46 3,29 3,18 3,11 3,05 3,01 2,98 2,90 2,82 2,72
7 3,59 3,26 3,07 2,96 2,88 2,83 2,78 2,75 2,67 2,58 2,47
8 3,46 3,11 2,92 2,81 2,73 2,67 2,62 2,59 2,50 2,40 2,29
9 3,36 3,01 2,81 2,69 2,61 2,55 2,51 2,47 2,38 2,28 2,16
10 3,29 2,92 2,73 2,61 2,52 2,46 2,41 2,38 2,28 2,18 2,06
11 3,23 2,86 2,66 2,54 2,45 2,39 2,34 2,30 2,21 2,10 1,97
12 3,18 2,81 2,61 2,48 2,39 2,33 2,28 2,24 2,15 2,04 1,90
13 3,14 2,76 2,56 2,43 2,35 2,28 2,23 2,20 2,10 1,98 1,85
14 3,10 2,73 2,52 2,39 2,31 2,24 2,19 2,15 2,05 1,94 1,80
15 3,07 2,70 2,49 2,36 2,27 2,21 2,16 2,12 2,02 1,90 1,76
16 3,05 2,67 2,46 2,33 2,24 2,18 2,13 2,09 1,99 1,87 1,72
17 3,03 2,64 2,44 2,31 2,22 2,15 2,10 2,06 1,96 1,84 1,69
18 3,01 2,62 2,42 2,29 2,20 2,13 2,08 2,04 1,93 1,81 1,66
19 2,99 2,61 2,40 2,27 2,18 2,11 2,06 2,02 1,91 1,79 1,63
20 2,97 2,59 2,38 2,25 2,16 2,09 2,04 2,00 1,89 1,77 1,61
21 2,96 2,57 2,36 2,23 2,14 2,08 2,02 1,98 1,88 1,75 1,59
22 2,95 2,56 2,35 2,22 2,13 2,06 2,01 1,97 1,86 1,73 1,57
23 2,94 2,55 2,34 2,21 2,11 2,05 1,99 1,95 1,85 1,72 1,55
24 2,93 2,54 2,33 2,19 2,10 2,04 1,98 1,94 1,83 1,70 1,53
25 2,92 2,53 2,32 2,18 2,09 2,02 1,97 1,93 1,82 1,69 1,52
26 2,91 2,52 2,31 2,17 2,08 2,01 1,96 1,92 1,81 1,68 1,50
27 2,90 2,51 2,30 2,17 2,07 2,00 1,95 1,91 1,80 1,67 1,49
28 2,89 2,50 2,29 2,16 2,06 2,00 1,94 1,90 1,79 1,66 1,48
29 2,89 2,50 2,28 2,15 2,06 1,99 1,93 1,89 1,78 1,65 1,47
30 2,88 2,49 2,28 2,14 2,05 1,98 1,93 1,88 1,77 1,64 1,46
40

2,84 2,44 2,23 2,09 2,00 1,93 1,87 1,83 1,71 1,57 1,38
60 2,79 2,39 2,18 2,04 1,95 1,87 1,82 1,77 1,66 1,51 1,29
120 2,75 2,35 2,13 1,99 1,90 1,82 1,77 1,72 1,60 1,45 1,19
2,71 2,30 2,08 1,94 1,85 1,77 1,72 1,67 1,55 1,38 1,01










164

TABELA A5 - VALORES CRTICOS PARA
o
q (TESTE DE TUKEY)
G.L. do
resduo
k=Nmero de tratamentos
2 3 4 5 6 7 3 9 10
5
3,64
5,70
4,60
6,98
5,22
7,80
5,67
8,42
6,03
8,91
6,33
9,32
6,58
9,67
6,80
9,97
6,99
10,24
6
3,46
5,24
4,34
6,33
4,90
7,03
5,30
7,56
5,63
7,97
5,90
8,32
6,12
8,61
6,32
8,87
6,49
9,10
7
3,34
4,95
4,16
5,92
4,68
6,54
5,06
7,01
5,36
7,37
5,61
7,68
5,82
7,94
6,00
8,17
6,16
8,37
8
3,26
4,75
4,04
5,64
4,53
6,20
4,89
6,62
5,17
6,96
5,40
7,24
5,60
7,47
5,77
7,68
5,92
7,86
9
3,20
4,60
3,95
5,43
4,41
5,96
4,76
6,35
5,02
6,66
5,24
6,91
5,43
7,13
5,59
7,33
5,74
7,49
10
3,15
4,48
3,88
5,27
4,33
5,77
4,65
6,14
4,91
6,43
5,12
6,67
5,30
6,87
5,46
7,05
5,60
7,21
11
3,11
4,39
3,82
5,15
4,26
5,62
4,57
5,97
4,82
6,25
5,03
6,48
5,20
6,67
5,35
6,84
5,49
6,99
12
3,08
4,32
3,77
5,05
4,20
5,50
4,51
5,84
4,75
6,10
4,95
6,32
5,12
6,51
5,27
6,67
5,39
6,81
13
3,06
4,26
3,73
4,96
4,15
5,40
4,45
5,73
4,69
5,98
4,88
6,19
5,05
6,37
5,19
6,53
5,32
6,67
14
3,03
4,21
3,70
4,89
4,11
5,32
4,41
5,63
4,64
5,88
4,83
6,08
4,99
6,26
5,13
6,41
5,25
6,54
15
3,01
4,17
3,67
4,84
4,08
5,25
4,37
5,56
4,59
5,80
4,78
5,99
4,94
6,16
5,08
6,31
5,20
6,44
16
3,00
4,13
3,65
4,79
4,05
5,19
4,33
5,49
4,56
5,72
4,74
5,92
4,90
6,08
5,03
6,22
5,15
6,35
17
2,98
4,10
3,63
4,74
4,02
5,14
4,30
5,43
4,52
5,66
4,70
5,85
4,86
6,01
4,99
6,15
5,11
6,27
18
2,97
4,07
3,61
4,70
4,00
5,09
4,28
5,38
4,49
5,60
4,67
5,79
4,82
5,94
4,96
6,08
5,07
6,20
19
2,96
4,05
3,59
4,67
3,98
5,05
4,25
5,33
4,47
5,55
4,65
5,73
4,79
5,89
4,92
6,02
5,04
6,14
20
2,95
4,02
3,58
4,64
3,96
5,02
4,23
5,29
4,45
5,51
4,62
5,69
4,77
5,84
4,90
5,97
5,01
6,09
24
2,92
3,96
3,53
4,55
3,90
4,91
4,17
5,17
4,37
5,37
4,54
5,54
4,68
5,69
4,81
5,81
4,92
5,92
30
2,89
3,89
3,49
4,45
3,85
4,80
4,10
5,05
4,30
5,24
4,46
5,40
4,60
5,54
4,72
5,65
4,82
5,76
40
2,86
3,82
3,44
4,37
3,79
4,70
4,04
4,93
4,23
5,11
4,39
5,26
4,52
5,39
4,63
5,50
4,73
5,60
60
2,83
3,76
3,40
4,28
3,74
4,59
3,98
4,82
4,16
4,99
4,31
5,13
4,44
5,25
4,55
5,36
4,65
5,45
120
2,80
3,70
3,36
4,20
3,68
4,50
3,92
4,71
4,10
4,87
4,24
5,01
4,36
5,12
4,47
5,21
4,56
5,30

2,77
3,64
3,31
4,12
3,63
4,40
3,86
4,60
4,03
4,76
4,17
4,88
4,29
4,99
4,39
5,08
4,47
5,16
Nota: O primeiro valor corresponde a
05 , 0
q e o segundo a
01 , 0
q .


165

TABELA A6.1 DISTRIBUIO DE POISSON ACUMULADA
(a tabela fornece P(Dd))
d+ 0,01 0,02 0,04 0,06 0,08 0,10 0,15 0,20
0 0,9900 0,9802 0,9608 0,9418 0,9231 0,9048 0,8607 0,8187
1 1,0000 0,9998 0,9992 0,9983 0,9970 0,9953 0,9898 0,9825
2 1,0000 1,0000 1,0000 0,9999 0,9998 0,9995 0,9989
3 1,0000 1,0000 1,0000 0,9999
4 1,0000
d+ 0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60
0 0,7788 0,7408 0,7047 0,6703 0,6376 0,6065 0,5769 0,5488
1 0,9735 0,9631 0,9513 0,9384 0,9246 0,9098 0,8943 0,8781
2 0,9978 0,9964 0,9945 0,9921 0,9891 0,9856 0,9815 0,9769
3 0,9999 0,9997 0,9995 0,9992 0,9988 0,9982 0,9975 0,9966
4 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9996
5 1,0000 1,0000 1,0000 1,0000 1,0000
d+ 0,65 0,70 0,75 0,80 0,85 0,90 0,95 1,00
0 0,5220 0,4966 0,4724 0,4493 0,4274 0,4066 0,3867 0,3679
1 0,8614 0,8442 0,8266 0,8088 0,7907 0,7725 0,7541 0,7358
2 0,9717 0,9659 0,9595 0,9526 0,9451 0,9371 0,9287 0,9197
3 0,9956 0,9942 0,9927 0,9909 0,9889 0,9865 0,9839 0,9810
4 0,9994 0,9992 0,9989 0,9986 0,9982 0,9977 0,9971 0,9963
5 0,9999 0,9999 0,9999 0,9998 0,9997 0,9997 0,9995 0,9994
6 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
7 1,0000 1,0000
d+ 1,10 1,20 1,30 1,40 1,50 1,60 1,70 1,80
0 0,3329 0,3012 0,2725 0,2466 0,2231 0,2019 0,1827 0,1653
1 0,6990 0,6626 0,6268 0,5918 0,5578 0,5249 0,4932 0,4628
2 0,9004 0,8795 0,8571 0,8335 0,8088 0,7834 0,7572 0,7306
3 0,9743 0,9662 0,9569 0,9463 0,9344 0,9212 0,9068 0,8913
4 0,9946 0,9923 0,9893 0,9857 0,9814 0,9763 0,9704 0,9636
5 0,9990 0,9985 0,9978 0,9968 0,9955 0,9940 0,9920 0,9896
6 0,9999 0,9997 0,9996 0,9994 0,9991 0,9987 0,9981 0,9974
7 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9996 0,9994
8 1,0000 1,0000 1,0000 1,0000 0,9999 0,9999
9 1,0000 1,0000
d+ 1,90 2,00 2,20 2,40 2,60 2,80 3,00 3,20
0 0,1496 0,1353 0,1108 0,0907 0,0743 0,0608 0,0498 0,0408
1 0,4337 0,4060 0,3546 0,3084 0,2674 0,2311 0,1991 0,1712
2 0,7037 0,6767 0,6227 0,5697 0,5184 0,4695 0,4232 0,3799
3 0,8747 0,8571 0,8194 0,7787 0,7360 0,6919 0,6472 0,6025
4 0,9559 0,9473 0,9275 0,9041 0,8774 0,8477 0,8153 0,7806
5 0,9868 0,9834 0,9751 0,9643 0,9510 0,9349 0,9161 0,8946
6 0,9966 0,9955 0,9925 0,9884 0,9828 0,9756 0,9665 0,9554
7 0,9992 0,9989 0,9980 0,9967 0,9947 0,9919 0,9881 0,9832
8 0,9998 0,9998 0,9995 0,9991 0,9985 0,9976 0,9962 0,9943
9 1,0000 1,0000 0,9999 0,9998 0,9996 0,9993 0,9989 0,9982
10 1,0000 1,0000 0,9999 0,9998 0,9997 0,9995
11 1,0000 1,0000 0,9999 0,9999
12 1,0000 1,0000
FONTE: COSTA, Antonio F. B. et. Al. (2008), pg. 272.

166

TABELA A6.2 DISTRIBUIO DE POISSON ACUMULADA
(a tabela fornece P(Dd))
(Continuao)
d+ 3,40 3,60 3,80 4,00 4,20 4,40 4,60 4,80
0 0,0334 0,0273 0,0224 0,0183 0,0150 0,0123 0,0101 0,0082
1 0,1468 0,1257 0,1074 0,0916 0,0780 0,0663 0,0563 0,0477
2 0,3397 0,3027 0,2689 0,2381 0,2102 0,1851 0,1626 0,1425
3 0,5584 0,5152 0,4735 0,4335 0,3954 0,3594 0,3257 0,2942
4 0,7442 0,7064 0,6678 0,6288 0,5898 0,5512 0,5132 0,4763
5 0,8705 0,8441 0,8156 0,7851 0,7531 0,7199 0,6858 0,6510
6 0,9421 0,9267 0,9091 0,8893 0,8675 0,8436 0,8180 0,7908
7 0,9769 0,9692 0,9599 0,9489 0,9361 0,9214 0,9049 0,8867
8 0,9917 0,9883 0,9840 0,9786 0,9721 0,9642 0,9549 0,9442
9 0,9973 0,9960 0,9942 0,9919 0,9889 0,9851 0,9805 0,9749
10 0,9992 0,9987 0,9981 0,9972 0,9959 0,9943 0,9922 0,9896
11 0,9998 0,9996 0,9994 0,9991 0,9986 0,9980 0,9971 0,9960
12 0,9999 0,9999 0,9998 0,9997 0,9996 0,9993 0,9990 0,9986
13 1,0000 1,0000 1,0000 0,9999 0,9999 0,9998 0,9997 0,9995
14 1,0000 1,0000 0,9999 0,9999 0,9999
15 1,0000 1,0000 1,0000
d+ 5,00 5,20 5,40 5,60 5,80 6,00 6,20 6,40
0 0,0067 0,0055 0,0045 0,0037 0,0030 0,0025 0,0020 0,0017
1 0,0404 0,0342 0,0289 0,0244 0,0206 0,0174 0,0146 0,0123
2 0,1247 0,1088 0,0948 0,0824 0,0715 0,0620 0,0536 0,0463
3 0,2650 0,2381 0,2133 0,1906 0,1700 0,1512 0,1342 0,1189
4 0,4405 0,4061 0,3733 0,3422 0,3127 0,2851 0,2592 0,2351
5 0,6160 0,5809 0,5461 0,5119 0,4783 0,4457 0,4141 0,3837
6 0,7622 0,7324 0,7071 0,6703 0,6384 0,6063 0,5742 0,5423
7 0,8666 0,8449 0,8217 0,7970 0,7710 0,7440 0,7160 0,6873
8 0,9319 0,9181 0,9027 0,8857 0,8672 0,8472 0,8259 0,8033
9 0,9682 0,9603 0,9512 0,9409 0,9292 0,9161 0,9016 0,8858
10 0,9863 0,9823 0,9775 0,9718 0,9651 0,9574 0,9486 0,9386
11 0,9945 0,9927 0,9904 0,9875 0,9841 0,9799 0,9750 0,9693
12 0,9980 0,9972 0,9962 0,9949 0,9932 0,9912 0,9887 0,9857
13 0,9993 0,9990 0,9986 0,9980 0,9973 0,9964 0,9952 0,9937
14 0,9998 0,9997 0,9995 0,9993 0,9990 0,9986 0,9981 0,9974
15 0,9999 0,9999 0,9998 0,9998 0,9996 0,9995 0,9993 0,9990
16 1,0000 1,0000 0,9999 0,9999 0,9999 0,9998 0,9997 0,9996
17 1,0000 1,0000 1,0000 0,9999 0,9999 0,9999
18 1,0000 1,0000 1,0000
FONTE: COSTA, Antonio F. B. et. Al. (2008), pg. 273.