Você está na página 1de 95

CONTROLE ESTATSTICO DE QUALIDADE

NOTAS DE AULA

O presente texto tem a finalidade de fornecer ao leitor as informaes bsicas sobre Controle
Estatstico de Qualidade. A primeira parte aborda o embasamento estatstico das tcnicas de
Controle de Qualidade, ou seja, trata das Distribuies de Probabilidade e da Inferncia Estatstica.
J na parte seguinte as tcnicas prprias de Controle de Qualidade so estudadas. Estas notas
seguem de muito perto a bibliografia referenciada no final do texto. A rigor os livros "Out of the
crisis" de W. E. Deming, Idias Bsicas do Controle Moderno de Qualidade de F.C. Bartman,
"Statistical Quality Control" de D.C. Montgomery so os livros textos desse curso e sugere-se a sua
aquisio. O livro do Deming existe em portugus com o ttulo de "Qualidade: A revoluo da
Administrao".

Anselmo Chaves Neto

1. VARIVEIS, DESCRIO E DISTRIBUIES DE PROBABILIDADE


1.1- TIPOS DE VARIVEIS
A caracterstica populacional de interesse em geral classificada de QUALITATIVA e
QUANTITATIVA, e tratada como uma varivel. Assim, a varivel que representa uma determinada
caracterstica populacional chamada de VARIVEL QUALITATIVA quando resultar de uma
classificao por tipos ou atributos.
Exemplos:
a) Populao: consumidores da cerveja A.
Caracterstica de interesse: renda (baixa, mdia e alta).
b) Populao: peas produzidas por uma mquina.
Caracterstica de interesse: qualidade (perfeita ou defeituosa).
J uma varivel que representa uma determinada caracterstica populacional denominada de
VARIVEL QUANTITATIVA quando assumir resultados numricos.
Exemplos:
a) Populao: anis de pisto produzidos em certo processo.
Caracterstica de interesse: dimetro interno (mm).
b) Populao: componente eletrnico da indstria B.
Caracterstica de interesse: tempo de vida (at falhar).
VARIVEL, QUANTITATIVA DISCRETA E CONTNUA
As variveis quantitativas podem ser classificadas em DISCRETAS ou CONTNUAS. Uma
varivel quantitativa discreta aquela cujo domnio um conjunto FINITO ou INFINITO
enumervel. E, uma varivel quantitativa contnua aquela cujo domnio um conjunto infinito.
Exemplos:
a) varivel quantitativa discreta: nmero de semicondutores defeituosos identificados em uma
amostra de tamanho n.
Domnio: 0,1,2,....,n.
OBS. Como o domnio um conjunto finito a varivel discreta (ela tambm seria discreta com um
conjunto infinito enumervel como domnio).
b) varivel quantitativa contnua: dimetro interno do anel do pisto.
Domnio: 73,965 ; ... ; 73,970 ; ... ; 73,9701 ; ...
OBS. Como o domnio um conjunto infinito a varivel contnua.
c) varivel quantitativa discreta: nmero de carros que passam em certa esquina durante
determinado instante.
Domnio: 0, 1, 2, 3, .....
OBS. Como o domnio um conjunto infinito, mas enumervel, a varivel discreta.
1.2- DESCRIO DAS VARIVEIS

As variveis qualitativas so descritas, em geral, por meio de grficos dos tipos:


- Diagrama em barras
- Diagrama em setores circulares
- Diagrama de linha
- etc.
J as variveis quantitativas podem ser descritas graficamente (histograma, diagrama de disperso,
etc.) ou numericamente (mdia, mediana, mnimo, mximo, desvio-padro, etc.).
1.3- VARIVEL ALEATRIA
DEF.:- Uma v.a. X em um espao de probabilidade (, -A, P) , onde o espao amostral de um
experimento, -A a sigma-lgebra de e P a medida de probabilidade, uma funo real
definida em , tal que o evento [X x] um evento aleatrio x , isto a funo X :
v.a. se o evento [X x] -A, x -A.
Exemplo:
Seja uma amostra aleatria com tamanho n = 2 de determinado produto. Sabe-se que o item
produzido pode ser perfeito (P) ou defeituoso (D).
a) As situaes possveis de ocorrer so as seguintes:
= {(P1,P2), (P1,D2), (D1,P2), (D1,D2)} espao amostral do experimento.
b) Uma associao entre cada situao (evento aleatrio) e um nmero real pode ser feita por meio
de uma funo. Denotando-se a funo por X e cada evento por , e ainda se o interesse est no
nmero de itens defeituosos presente na amostra tem-se:
1 = (P1,P2) 0 defeituoso
2 = (P1,D2) 1 defeituoso
3 = (D1,P2) 1 defeituoso
4 = (D1,D2) 2 defeituosos
c) A funo X() uma varivel aleatria, pois associa a cada evento contido no espao amostral um
numero real.
d) O domnio da v.a. X o conjunto {0, 1, 2}, que finito, logo X uma v.a. discreta.
VARIVEL ALEATRIA DISCRETA
Uma v.a. chamada de discreta quando o seu domnio um conjunto finito ou infinito enumervel.
Exemplo:
Seja X a v.a. que associa 1 ou 0 a condio de um artigo ser perfeito ou defeituoso respectivamente.
Sabe-se que a proporo de artigos bons produzidos por determinada maquina
consequentemente a proporo de artigos defeituosos (1- ).

condio do artigo
perfeito x = 1
defeituoso x = 0

P(X = x)
P(X = 1) =
P(X = 0) = (1 - )

Uma v.a. desse tipo chamada de Bernoulli e representada pela notao, X ~ b(1,), X tem
distribuio Bernoulli 1, .
O conjunto de valores P(X = x) chamado de distribuio de probabilidade da v.a. X e no caso da
v.a. ser discreta a funo associada a estes valores chama-se funo de probabilidade (f.p.).
A funo de probabilidade de uma v.a. Bernoulli, b(1,), dada por:
P( X = x) = x (1 ) (1 x ) , x = 0, 1; 0 < < 1
Exemplo:
Seja Y uma v.a. que conta o nmero de itens perfeitos em uma amostra composta por n artigos.
Sabe-se que cada item perfeito com probabilidade e defeituoso com probabilidade (1 - ).
n

Y = x i , Y a soma de n v.a.s Bernoulli


i =1

Y=y
0
1
2
...
...
n

P(Y =y)
p(0)
p(1)
p(2)
...
...
p(n)

Y denominada v.a. binomial e representada pela notao, Y~b(n, ), Y tem distribuio binomial
n, .
O conjunto de valores de P(Y = y) a distribuio de probabilidades da v.a. Y e os valores P(Y = y)
so associados ao valor especfico da v.a., Y, pela f.p. cuja expresso :
n
P(Y = y) = p( y) = y (1 ) n y , y = 0, 1, 2, ..., n; 0 < < 1
y

Se = 0,7 e n = 10, tem-se b(10 ; 0,7) com os nmeros:


Y=y
0
1
2
3
4
5

P(Y = y)
0,0000
0,0001
0,0014
0,0090
0,0368
0,1029

6
7
8
9
10
Soma

0,2001
0,2668
0,2335
0,1211
0,0282
1,0000

Funo de Probabilidade
Distribuio Binomial

n=10 =0,7

0.3

0.2

0.1

0
0

10

X
Exemplo
Seja a situao do exemplo 2 com a probabilidade do artigo ser perfeito = 0,8 e o tamanho da
amostra n = 2. Seja a v.a. Y que conta o numero de itens perfeitos na amostra.
P(Y =y) (dist. prob. de y)
evento
Y() = y
(D1,D2)
0
0,04
(D1,P2) ou (P1,D2)
1
0,32
(P1,P2)
2
0,64
VARIVEL ALEATRIA CONTNUA
Uma v.a. chamada de contnua quando o seu domnio um conjunto infinito.
Exemplo:
O exemplo clssico de v.a. contnua a v.a. Normal (Gaussiana), este modelo de probabilidade
muito usado em vrias aplicaes estatsticas. Se X uma v.a. N(; 2) ou seja uma v.a. gaussiana
com parmetros e 2, o domnio de X o conjunto dos reais R, ou seja varia de - a + e os seus
parmetros tem espao paramtrico respectivamente de R (reais) para e R+ (reais positivos) para
2.

Funo Densidade de Probabilidade


Distribuio Normal

=0 e 2 =1

0.4
0.3
0.2
0.1
0
-4

-3

-2

-1

X
Uma v.a. contnua no tem uma f.p. que associe diretamente probabilidades a valores do seu
domnio. As probabilidades so calculadas para intervalos de valores do domnio. A funo
densidade de probabilidade (f.d.p) associa aos valores de X uma certa ordenada de modo que a rea
sob a curva 1. A probabilidade de ocorrncia de um valor entre x- e x+ pode ser obtida usandose a f.d.p. (com to pequeno, quanto se queira).
No caso da v.a. X ~ N((; 2) a f.d.p tem expresso:
f ( x) =

1
1
exp{ 2 ( x ) 2 }, x , e > 0
2
2
b

P(a < X < b) = f ( x) dx


a

f ( x) dx = 1

FUNO DISTRIBUIO
Funo distribuio ou funo distribuio acumulada (f.d.) de uma v.a. X definida como:
F(x) = P(X x)
ESPERANA E VARINCIA DE VARIVEIS ALEATRIAS
A esperana matemtica (mdia) de uma v.a. aleatria definida como segue nos casos discreto e
contnuo:
E( X) = = x P( x = x), caso v. a. discreta;
x

E ( X) = =

x f ( x) dx, caso v. a. continua.

(a esperana um parmetro de centralidade, caracteriza o centro da distribuio da v.a.), j a


varincia de uma v.a. X definida a seguir e este parmetro populacional indica o grau de disperso
dos valores da v.a. Uma grande varincia para uma estatstica (v.a.) indica um grande desvio-padro

( = var iancia ) e, consequentemente intervalos de confiana de maior amplitude para os


parmetros.
V( X) = 2 = E( X ) 2 = ( x ) 2 P( X = x), caso v. a. discreta;
x

V( X) = 2 = E( X ) 2 = ( x ) 2 f ( x) dx, caso v. a. continua.

PROPRIEDADES DA ESPERANA E DA VARINCIA


A esperana matemtica (uma mdia) tem as seguintes propriedades:
1 ) Se X = k, isto X() = k , ento
E(X) = k onde k no v.a.
2 ) Linearidade
E(aX + b) = a.E(X) + b a,b R, onde a e b no so v.a's
A linearidade pode ser estendida a situaes mais gerais,
3 )

a) Sejam X e Y v.a's no espao (, -A, P), ento:


E(aX + bY) = a.E(X) + b.E(Y) a, b R
b) Sejam X1, X2, ... ,Xn v.a's no espao (, -A, P), ento:
n

i =1

i =1

E( a i . X i ) = a i E( X i ), a i
4 ) Se as v.a's X1, X2, ... , Xn so independentes e integrveis ento o produto X1. X2. ... Xn
integrvel e tem-se:
E(X1.X2. ... .Xn) = E(X1).E(X2). ... .E(Xn)
Antes de se abordar as propriedades da varincia importante Introduzir o conceito de covarincia e
de correlao.

Covarincia e Correlao
Se as v.a's X e Y no so independentes ou seja a ocorrncia de certos valores para uma altera a
probabilidade da ocorrncia de determinados valores para a outra, tem-se que existe uma diferena
entre E(X.Y) e E(X).E(Y). Esta diferena chamada de covarincia e definida por:
xy = cov(X, Y) = E(XY) - E(X). E(Y)

Se cov(X,Y) = 0 tem-se que as v.a's X e Y no so correlacionadas. A correlao a covarincia


para as variveis aleatrias X e Y padronizadas ou seja com mdia 0 e varincia 1,
xy = corr ( X, Y) = cov(

x x y y
,
)
x
y

onde x o desvio-padro da v.a. X, y o desvio-padro da v.a Y, x a mdia da v.a. X e y


a mdia da v.a. Y.
O chamado coeficiente de correlao xy pode ser expresso em uma forma mais simples:
xy =
A variao de xy 1 xy 1 e quando xy

xy
x y
= 1 o relacionamento entre X e Y perfeito com

uma variao direta, se xy = -1 o relacionamento tambm perfeito mas inverso e quando xy = 0


a correlao entre as v.a's no existe.
A varincia tem as seguintes propriedades:
1 ) Se X = k, isto X() = k , , ento
V(X) = E(X - )2 = E(k - k)2 = 0
2 ) Se X e Y so v.a's do espao de probabilidade (, -A, P), ento
V(aX + b) = a2V(X), a,b R
3 ) Se X1, X2, ... ,Xn so v.a's no-correlacionadas e integrveis do espao de probabilidade (, A, P), ento:
n

V(x1+x2+ ... +xn) = V( x i ) =


i =1

V( x )
i

i =1

4 ) Se X e Y so v.a's do espao de probabilidade (, -A, P), ento


V(X+Y) = V(X) + V(Y) + 2 cov(X,Y)
1.4- POPULAO, AMOSTRA E DESCRIO NUMRICA DE VARIVEIS
POPULAO
Denomina-se de populao alvo a totalidade de elementos que esto sob discusso e dos quais se
deseja informao.
AMOSTRA ALEATRIA
Sejam as v.a's [x1, x2, ... , xn] que tem a funo densidade conjunta f(x1, x2, ... , xn) que fatora no
produto das densidades marginais f(x1, x2, ... , xn) = f(x1).f(x2). ... .f(xn) com f(.) sendo a densidade

comum a todas as variveis xi, ento [x1, x2, ... , xn] definida como amostra aleatria de tamanho n
da populao que tem densidade (distribuio) f(.).
POPULAO AMOSTRADA
Seja [x1, x2, ... , xn] uma amostra aleatria (a.a.) da populao com distribuio f(x), ento esta
populao chamada populao amostrada.
Quando se deseja informaes sobre os parmetros de uma populao (em estatstica quando se fala
em populao associa-se imediatamente uma f.p. ou f.d.p. caracterstica populacional de interesse)
toma-se uma a.a. da populao. A amostra, sendo representativa da populao, carrega informaes
sobre os parmetros.
Os resultados numricos oriundos da a.a. so chamados de estatsticas e so variveis aleatrias,
pois conforme a amostra que se tome eles assumem valores distintos, embora prximos.
ESTATSTICA
Estatstica uma funo das variveis observveis e por si prpria uma v.a. observvel que no
contm qualquer parmetro desconhecido.
Exemplo
Seja a a.a. [x1, x2, ... , xn] de uma caracterstica populacional com f.d.p. N(, 2). A mdia amostral
x e a varincia amostral s2 so estatsticas. So funes de variveis aleatrias observveis e no
dependem de qualquer parmetro desconhecido.
A descrio numrica de dados (em geral amostras) [x1, x2, ... , xn] feita usando-se as estatsticas
seguintes (principais):
Medidas de Centralidade (tendncia central)
1 n
xi
n i =1
(a mdia amostral x estima a verdadeira mdia populacional ).

. mdia amostral x =

. mdiana m e = x n +1
2

(separa os dados ordenados em duas partes com igual nmero de termos)


P( X < m e ) = P( X > m e ) = 0,50
. moda mo o valor que possui mais alta freqncia.
(a moda pode no ser nica)
Medidas de Disperso(variabilidade dos dados)
. varincia amostral s2 =

1 n
( x i x) 2

n 1 i =1

10

(a varincia amostral s2 estima a verdadeira varincia populacional 2 e mede quanto os dados esto
dispersos em torno da mdia, assim ela uma estimativa da medida de variabilidade dos dados).
. desvio-padro s = s 2
(o desvio-padro s estima o verdadeiro desvio-padro populacional , e tem a vantagem de estar na
mesma unidade de medida dos dados, e no elevado ao quadrado como o caso da varincia, mede
a disperso dos dados em torno de um valor mdio).
. amplitude R = x [ n ] x [ 1]
(a amplitude uma medida de disperso, corresponde a diferena entre o maior valor observado x[n]
e o menor valor observado x[1]).

(o coeficiente de variao uma medida relativa de disperso e mede a variabilidade dos dados em
termos de unidades da mdia).
. coeficiente de variao C v =

Exemplo
Os dados abaixo correspondem a uma amostra aleatria dos dimetro dos furos (em mm) para
fixao de certo equipamento aeronutico. Descreva os dados numericamente e graficamente.
120.5
120.9

120.9
120.8

120.3
120.3

121.3
120.2

120.4
120.3

120.2
120.4

120.1
120.5

120.5
120.2

120.7
120.8

121.1
120.9

Variable:
diametro dos furos
---------------------------------------------------------------------Sample size
20
Average
120.565
Median
120.5
Mode
120.3
Standard deviation
0.339155
Standard error
0.0758374
Minimum
120.1
Maximum
121.3
Range
1.2
Lower quartile
120.3
Upper quartile
120.85
----------------------------------------------------------------------

11
Histograma de Frequencia
5

frequencia

4
3
2
1
0
120

120.2

120.4

120.6

120.8

diametro dos furos

121

121.2

121.4

12

Lista de Exerccios
1) Os dimetros de oito mancais selecionados ao acaso so os seguintes (em mm):
50,001

50,002

49,998

50,006

50,005

49,996

50,003

50,004

a) Calcule a mdia amostral.


b) Calcule o desvio-padro amostral.
(2-2 DCM)
2) O tempo de vida at falhar em horas de um componente eletrnico sujeito a um teste de
durabilidade acelerado mostrado abaixo para uma amostra com tamanho n = 40. Para acelerar a
falha no teste, as unidades experimentais so testadas sob uma temperatura elevada.
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
132

160
142
130
129

125
123
122
126

a) Calcule a media amostral e o desvio-padro.


b) Construa o histograma.
c) Ache a mediana e os quartis.
(2-3 DCM)
3) Os dados abaixo so leituras do rendimento de um processo qumico em dias sucessivos (leia da
esquerda para a direita). Faa o histograma dos dados, comente o aspecto do histograma e verifique
se o histograma lembra alguma distribuio de probabilidade conhecida.
94,1
83,6
88,2
86,1
89,6
89,6
86,6
96,8
94,7
(2-4 DCM)

87,3
86,6
88,8
94,3
90,5
87,7
94,1
82,9
82,6

94,1
90,6
89,7
85,0
90,0
90,1
93,1
86,1
96,1

92,4
90,1
87,5
85,1
86,7
88,3
89,4
93,1
86,4

84,6
96,4
88,2
85,1
87,3
87,3
97,3
96,3
89,1

85,4
89,1
86,1
85,1
93,7
95,3
83,7
84,1
87,6

93,2
85,4
86,4
95,1
90,0
90,3
91,2
94,4
91,1

84,1
91,7
86,4
93,2
95,6
90,6
97,8
87,3
83,1

92,1
91,4
87,6
84,9
92,4
94,3
94,6
90,4
98,0

90,6
95,2
84,2
84,0
83,0
84,1
88,6
86,4
84,5

4) Considere o rendimento do processo qumico do exerccio anterior. Calcule a mdia amostral e o


desvio-padro.
(2-5 DCM)
5) Suponha que dois dados no-viciados so lanados e uma varivel aleatria observada, digamos
X, que corresponde a soma das duas faces superiores. Descreva o espao amostral do experimento e
determine a funo de probabilidade da v.a. X.
(2-9 DCM)

6) Ache a mdia e a varincia da v.a. do exerccio anterior.


(2-10 DCM)

13

7) Calculadoras eletrnicas so classificadas ao final de um trabalho de inspeo. Trs tipos de noconformidade podem ocorrer nas calculadoras: crtica, maior e menor. A experincia tem indicado
que os defeitos ocorrem da maneira seguinte:
calculadoras com defeitos
crticos
maiores
menores
ambos crtico e maior
ambos crtico e menor
ambos maior e menor
os trs defeitos

percentual
0,5%
1,0%
2,0%
1,2%
0,8%
0,5%
0,1%

a) Qual a porcentagem da produo que esto de acordo com as especificaes de projeto ?


b) Calculadoras que tem defeito crtico ou defeito crtico e outro tipo de defeito devem ser jogadas
fora. Qual a porcentagem da produo jogada fora ?
c) Calculadoras com defeito maior ou menor ou ambos devem ser consertadas. Qual a porcentagem
da produo sujeita a retrabalho ?
(2-11 DCM)
8) A distribuio de probabilidade da v.a. contnua X tem a seguinte funo densidade de
probabilidade f X ( x) = k e x , 0 < x < . Ache a valor da constante k e tambm a mdia e a
varincia de X.
(2-12 DCM)
9) A v.a. X assume os valores 1, 2, ou 3 com probabilidades (1+3k)/3, (1+2k)/3 e (0,5+5k)/3,
respectivamente.
a) Determine o valor adequado de k.
b) Determine a mdia e a varincia de X.
c) Determine a funo distribuio acumulada de X.
(2-13 DCM)
10) A distribuio de probabilidade de uma v.a. discreta : p X ( x) = k r x , 0 < r < 1. Ache o valor
adequado de k sabendo-se que o domnio de x 0, 1, 2, ......
(2-14 DCM)
11) Uma fbrica de calculadoras eletrnicas oferece garantia de um ano. Se a calculadora falha por
qualquer razo neste perodo, ela substituda. O tempo de falha modelado pela seguinte
distribuio de probabilidade f X ( x) = 0,125 e 0 ,125x , x > 0 .
a) Qual a porcentagem de calculadoras que falham no perodo da garantia ?
b) O custo de fabricao da calculadora $50 e o lucro de $25. Qual o efeito da garantia de
substituio sobre o lucro ?
(2-15 DCM)

14

1.5- DISTRIBUIES DISCRETAS DE PROBABILIDADE


a) A distribuio Bernoulli
b(1, ) f . p. P( X = x) = p X ( x) = x (1 ) (1 x ) , x = 0, 1 e 0 < < 1
E( x) = e V( x) = (1 )
Esta distribuio usada na indicao de pea perfeita (0) ou defeituosa (1), se o "sucesso" de
interesse pea defeituosa.
b) Distribuio Binomial
n
b( n, ) f . p. P( X = x) = p X ( x) = x (1 ) n x , x = 0, 1, ... , n e 0 < < 1
x
E( x) = n e V( x) = n(1 )
A distribuio Binomial conta o nmero de sucessos em n provas independentes do tipo Bernoulli.
As provas tipo Bernoulli so experimentos que s conduzem a um de dois resultados "sucesso" ou
"fracasso". A distribuio Binomial usada frequentemente em Controle de Qualidade e o modelo
de probabilidade indicado quando se amostra uma populao que possui a fracasso de defeituosos .
Assim se o tamanho da amostra n, tem-se pela expresso acima a probabilidade de se obter x itens
defeituosos na amostra de tamanho n.
Uma estatstica muito importante em Controle estatstico da Qualidade a varivel aleatria:
y
$ = x = , onde y b( n, )
n
Esta estatstica estima a verdadeira proporo de itens no-conformes na populao (probabilidade
de um item defeituoso) e conhecida como frao amostral de defeituosos. A esperana e a
varincia dessa estatstica so:
E($ ) = e V($ ) =

(1 )
n

c) Distribuio de Poisson
Uma v.a. X tem distribuio de Poisson quando a sua f.p. dada por:
x e
, x = 0, 1, 2, ... e
x!
E ( x) = = e V ( x) = 2 =

P( ) P ( x = x ) = p X ( x ) =

Uma aplicao importante desta distribuio de probabilidade, encontrada em Controle Estatstico


de Qualidade est em utiliz-la como um modelo para o nmero de defeitos que podem ocorrer por
unidade do produto. A unidade do produto pode ser entendida como unidade de comprimento,
unidade de rea, unidade de volume, unidade de tempo, etc.
d) Distribuio Hipergeomtrica
Uma v.a. X tem distribuio hipergeomtrica quando a sua f.p. tem a expresso:

15

D N D

x n x
P ( X = x) =
N

n
E ( x) = = n

x = 0, 1, 2, ..., min( n, D)
D = 0, 1, 2, ..., N
,
n = 1, 2, 3, ..., N
N = 1, 2, 3, ...

D
D
D N n
e V( x ) = n 1

N
N
N N 1

A situao do modelo hipergeomtrico aquela onde existe uma populao finita composta por N
itens. Uma parte da populao formada por itens com alguma caracterstica especial ou noconformes, D ( D N ) . Uma amostra aleatria com tamanho n selecionada da populao, sem
reposio, e o nmero de itens com aquela caracterstica especial observado, X. Neste caso a v.a.
X tem distribuio hipergeomtrica e a sua f.p. dada pela expresso acima.
Este modelo de probabilidade indicado quando se esto selecionando uma a.a. com n itens, sem
reposio, de um lote com um total de N, sendo que do total D so defeituosos. Assim a v.a. X
representa o nmero de itens defeituosos ou fora de especificao presentes na amostra.
e) Distribuio de Pascal
A distribuio de Pascal, da mesma forma que a Binomial, baseada nas chamadas "provas de
Bernoulli". Seja uma sequencia de provas independentes, cada uma com a probabilidade de sucesso
e suponha que x denota a prova na qual ocorreu o r-simo sucesso. Ento X uma v.a. com
Distribuio de Pascal e tem a seguinte f.p.:
x 1 r
x r
bn( r , ) P( X = x) = p X ( x) =
(1 )
r 1
x = r , r + 1, r + 2, ..., e r 1 (int eiro)
E ( x) = =

r
r (1 )
e V ( x) = 2 =

A Distribuio de Pascal interessante em dois casos especiais:


1)- Quando r > 0 obtm-se na forma da distribuio de Pascal uma v.a. com distribuio Binomial
Negativa. Na distribuio Binomial Negativa se fixa o nmero de sucessos, r, e se observa o
tamanho da amostra, X, necessrio para que aquele nmero de sucessos seja obtido.
2)- Quando r = 1 tem-se uma v.a. com a chamada distribuio geomtrica que conta o numero de
provas Bernoulli at que ocorra o primeiro sucesso, a f.p. adquire a forma:
P( X = x) = (1 ) x 1
pois resulta para

( x 1)!
( x 1)!
( x 1)!
com r=1 o seguinte
=
=1
( r 1)!( x 1 r + 1)!
(1 1)!( x 1)! ( x 1)!

1.6- DISTRIBUIES CONTNUAS DE PROBABILIDADE

16

a) Distribuio Normal
Uma v.a. X tem distribuio normal ou distribuio Gaussiana quando a sua f.d.p. tem a forma:
2
1
1 x
f X ( x) =
exp
, x , e > 0
2
2

Na distribuio Gaussiana a probabilidade da v.a. X assumir um valor entre a e b (a < b) dado por:
b

P(a < X < b) = f X ( x) dx


a

A mdia e a varincia da v.a. X so dadas por:


E ( x) = e V ( x) = 2
Na prtica mais fcil trabalhar-se com a chamada distribuio Normal padro, correspondente a
v.a. Z que tem mdia 0 e varincia 1,
x
Z=
N(0, 1)

f Z ( z) =

1
1
exp z 2 , z
2
2

E ( z) = = 0 e V ( z ) = 2 = 1
a x b
Veja que a P(a < x < b) = P
<
<
= P( z 1 < z < z 2 )


b) Distribuio Exponencial
Uma v.a. X tem distribuio Exponencial quanto a sua f.d.p dada pela expresso,
E ( ) f X ( x ) = e x , x > 0 e > 0
E ( x) = =

1
1
e V( x ) = 2 = 2

A distribuio Exponencial muito usada em Confiabilidade como modelo da v.a. tempo de falha
de um componente de um sistema. Assim, o parmetro chamado de taxa de falha do sistema e a
1
mdia denominada tempo mdio at falhar. A taxa de falha do sistema, , considerada

constante no tempo, dada a distribuio Exponencial ser considerada uma distribuio "sem
memria" pois no leva em conta o envelhecimento do equipamento. Uma proposta mais realista a
de que a taxa de falhas aumenta com o envelhecimento, o que no considerado na distribuio
Exponencial.

17

importante definir-se aqui o que se entende por taxa de falhas ou funo risco:
( t ) =

fx (t)
1 FX ( t )

onde fx(t) a f.d.p. da v.a. T e FX(t) a f.d.


No caso da distribuio exponencial tem-se esta taxa constante,
e t
=
(t) =
1 (1 e t )
c) Distribuio Gama
Uma v.a X tem distribuio chamada de Gama quando a sua f.d.p tem a seguinte expresso,
f X ( x) =

1 x
x e , x 0, > 0 e > 0
( )

onde a funo matemtica gama igual a


( m + 1) =

x m e ax dx
n

( m + 1) = m ( m) = m! (frmula de recorrncia)

( )

12 =
A mdia e a varincia da v.a. X com distribuio Gama so dadas por,
E ( x) = = e V( x) = 2 = 2

Algumas distribuies importantes so derivadas da Gama, ou seja so Gama com


especficos para os parmetros, tais como:

valores

c1) Distribuio Exponencial


Quando =1 a distribuio Gama torna-se uma Exponencial com parmetro .
c2) Distribuio Qui-quadrado
Quando = 2 e = 1 2 a distribuio Gama torna-se uma distribuio 2 (qui-quadrado com
graus de liberdade) cuja f.d.p dada por:

18

1 2

1

1 x
2
f X ( x) =
x 2 e 2 , x 0 e N*


2
A esperana e a varincia da v.a. X so dadas por,
E ( x) = e V ( x) = 2
d) distribuio Weibull
Uma v.a. X tem distribuio Weibull quando a sua f.d.p. definida por:

f X ( x) = x 1e x , x + , + , +
Se = 1 a distribuio Weibull torna-se uma exponencial com parmetro .
A mdia e a varincia da v.a. X com distribuio Weibull so respectivamente:
2
2

1
2
1
2

E( x) = = 1 + e Var ( x) = = 1 + 1 +

A principal caracterstica da distribuio de Weibull a de que possui a taxa de falhas variando no


tempo,
( x) = . x 1 , x > 0
sendo que quando o parmetro >1 (x) aumenta, e a taxa de falhas (x) diminue quando <1,
passando a constante quando =1, como se pode ver na funo acima.
OBS.:. comum encontrar-se na literatura a f.d.p. da v.a. Weibull escrita em uma forma diferente da
1
clssica, que a definida anteriormente. Esta forma diferente ocorre quanto se faz =a e = a ,
b
obtendo-se
f X ( x) =

ax

x

b
a 1

e
ba

, x > 0, a > 0, b > 0

O MINITAB trabalha com esta forma.


e) Distribuio "t" de Student
Sejam as v.a.'s Z N (0, 1) e U 2 , ento a v.a. T =
nmero de graus de liberdade.

Z
tem distribuio t , onde o
U

19

( x )

, onde x N ( , 2 ) tem distribuio t com um nmero de graus de liberdade


s
(G.L's) igual ao denominador de s2 (estimador de 2).
A estatstica

A esperana e a varincia da v.a. T so dadas por:


E(T) = = 0 e V(T) =

n
n2

A diferena bsica entre a distribuio t de Student e a distribuio Normal padro a de que a


varincia da t um pouco maior, como se pode observar na expresso da varincia de T.
1.7- O TEOREMA CENTRAL DO LIMITE E APROXIMAES IMPORTANTES
Como j se afirmou anteriormente a distribuio de probabilidade Gaussiana o modelo mais
freqentemente adotado para uma v.a. Mas acontece algumas vezes desse modelo no se ajustar
adequadamente aos dados. O Teorema Central do Limite pode ser til neste caso, pois ele garante
que se, X1, X2, X3, ... , Xn so v.a.'s independentes com mdias i e varincias 2i e se S = X1 + X2
(S E(S))
+ ... + Xn , ento a distribuio da estatstica
tem distribuio Normal padro quando
V(S)
n ou seja:
n

S i

i =1
n
N (0, 1) .

2
i

i =1

Aproximao da Binomial para Hipergeomtrica


Quando na distribuio Hipergeomtrica a frao de amostragem for muito baixa ou seja n N 0,1 a
distribuio Binomial com parmetros = D N e n uma boa aproximao para esta distribuio.
Aproximao da Poisson para a Binomial
A distribuio de Poisson pode ser tratada como a distribuio limite da distribuio Binomial
quando se tem prximo de zero e n tendendo para o infinito com n = constante. Desta forma a
distribuio de Poisson com parmetro pode ser usada para aproximar a Binomial. A aproximao
boa quando n grande e < 0,1.
O Teorema Central do Limite pode ser usado para garantir a aproximao Normal para a
distribuio Binomial. A v.a. Y com distribuio Binomial pode ser considerada como uma soma de
v.a.'s independentes Bernoulli, cada uma com probabilidade de sucesso. Assim, se n grande pelo
Teorema Central do Limite tem-se que,

(Y n)
n(1 )

n
N (0, 1)

20

Esta aproximao aceitvel quando est em torno de 0,5 e n maior que 10.
LISTA DE EXERCCIOS N 2
1) A variabilidade do volume engarrafado de uma bebida est sendo analisada. Uma amostra com
tamanho n = 10 foi tomada do processo. Os volumes medidos e os resultados so os seguintes, na
unidade adequada:
10,05

10,03

10,02

10,04

10,05

10,01

10,02

10,02

10,03

10,01

Descreva a amostra.
2) Seja a v.a. X que representa o nmero de itens defeituosos presentes em uma amostra de tamanho
n = 10, tomada de um lote que possui 100 itens, inclusive 5 defeituosos. A amostra tomada sem
reposio. Calcule a probabilidade de aparecer na amostra no mximo 1 dos defeituosos.
3) Em um processo de produo de tecido aparecem determinado defeito com uma mdia de 4
defeitos por unidade de comprimento. Calcule probabilidade de em uma unidade de comprimento
selecionada ao caso ocorrer no mximo 2 defeitos.
4) A resistncia a trao uma caracterstica muito importante do papel usada para fazer sacolas
para carregar mantimentos. Supondo que a v.a. X represente esta fora e que ela tem uma
distribuio N(40, 4) para determinado tipo de papel e que a ala dessa sacola requer que a fora de
resistncia seja de pelo menos 35 unidades, calcule a probabilidade de que uma sacola produzida
com este papel atinja ou exceda a especificao.
5) O dimetro do pino de metal usado em uma unidade de "disk-drive" normalmente distribuda
com mdia de 0,2508 e desvio-padro de 0,0005 unidades. A especificao de projeto do pino
estabeleceu que o dimetro deve ficar entre 0,2500 0,0015 unidades. Determine a frao de
defeituosos produzidos de acordo com a especificao.

21

2. INFERNCIA ESTATSTICA
2.1- INTRODUO
A Inferncia Estatstica a parte da Cincia Estatstica que trata do estudo dos procedimentos de
estimao de parmetros e de testes de hipteses sobre os parmetros.
Como se sabe, em geral os parmetros de um processo so desconhecidos. Assim, necessita-se de
procedimentos para estima-los, e alm disso verificar algumas hipteses sobre os valores dos
parmetros. Estas hipteses so verificadas por meio de testes estatsticos.
2.2- AMOSTRAGEM DA DISTRIBUIO NORMAL
Suponha que a varivel aleatria X tenha distribuio com
mdia e varincia 2
2
( E( x) = x e E( x ) = 2x ) e suponha ainda que se tome uma amostra aleatria de tamanho n,
[x1,x2,x3, ... ,xn], desse processo. Ento da amostra aleatria obtemos as estatsticas principais:
mdia amostral x =

1 n
xi
n i =1

varincia amostral s2 =

x i N ( ; 2 )
1 n
( x i x) 2

n 1 i =1

Qual a distribuio de probabilidade da estatstica x ?


x N( ; n )
2

Qual a funo densidade de probabilidade da distribuio varivel aleatria x ?


2




1
1 x
f X ( x) =
exp
, x , e > 0

n
n

Existem vrias variveis aleatrias importantes oriundas de uma amostra aleatria da distribuio
Normal, x N ( ; 2 )
1 ) ( n 1)

s2
2n 1
2

A varivel aleatria acima tem distribuio qui-quadrado com n - 1 graus de liberdade.


x
2 ) Z =
N(0, 1)

A varivel aleatria acima tem distribuio Normal padro ou seja Gaussiana com mdia zero e
varincia 1. Qual a forma da funo densidade de probabilidade da varivel aleatria Z?

22

f Z ( z) =

1
1
exp z 2 , z
2
2

x
3 ) Z =
N(0, 1)

n
A varivel aleatria acima tem distribuio Normal padro.
Qual a mdia da varivel aleatria x ?
Resposta: A mdia da varivel aleatria x o parmetro .
Qual o desvio-padro da varivel aleatria x ?
Resposta: desvio-padro da varivel aleatria x

.
n

x
4 ) t =
t n 1
s

n
A varivel aleatria acima tem distribuio "t" de Student com n - 1 graus de liberdade.
Qual a expresso da distribuio de probabilidade da varivel aleatria t ?
Resposta: A expresso da funo densidade de probabilidade da varivel aleatria t
n + 1
( k +1)

2 t2
2
fT ( t) =
, n > 0, t
+ 1
n

n
n
2
Qual a mdia e qual a varincia da varivel aleatria t ?
Resposta: A mdia da varivel aleatria t zero e a varincia

n
para n>2.
n2

Qual o nmero de graus de liberdade associado a varivel aleatria t ou seja quando se diz:
varivel aleatria "t" de Student com graus de liberdade, o que significa isto ?
Resposta: O nmero de graus de liberdade associado a varivel aleatria t corresponde ao
( x )
denominador do estimador da varincia que esta introduzida na expresso
. O significado de
s
n
graus liberdade corresponde ao nmero de variveis aleatrias envolvidas na expresso do
estimador de 2.

23

s12
5 ) F =

s 22

12

Fm,n , m = n1 1 e n = n 2 1

22

A varivel aleatria acima tem distribuio F de Snedecor com n1-1 e n2-1 graus de liberdade. Os
graus de liberdade esto associados com s12 e s22 . Conforme os graus de liberdade se tem
distribuies F diferentes.

2.3- AMOSTRAGEM DA DISTRIBUIO DE BERNOULLI


Seja a amostra aleatria de tamanho n, [x1,x2,x3, ... ,xn], tomada de um processo que segue a
distribuio Bernoulli com probabilidade de sucesso (0<<1).
1 n
Dessa amostra pode-se obter a varivel aleatria (estatstica) x = x i , que o estimador do
n i =1
parmetro e sabe-se que o numerador dessa estatstica

= x 1 + x 2 + x 3 + ... + x n = Y

i =1

uma varivel aleatria com distribuio Binomial com parmetros n e .


Y b( n; )
Qual a expresso da funo de probabilidade de Y ?
Resposta:
n
P(Y = y) = y (1 ) n y , y = 0, 1, 2, ..., n 0 < < 1
y
Qual o domnio da varivel aleatria x ?
Resposta: O domnio ou campo de variao da varivel aleatria
0, 1 n , 2 n , 3 n , ... , n 1 n , n n = 1 .

o conjunto

Qual a esperana (mdia) e qual a varincia da varivel aleatria x ?


Resposta: A mdia da varivel aleatria x , quando x obtida de uma amostra aleatria de um
processo Bernoulli, igual ao parmetro .
E( x) = =
J a Varincia da varivel aleatria x dada por:
V( x ) = 2 =

(1 )
n

Qual a f.d. (funo distribuio acumulada) da varivel aleatria x ?


Resposta:

24

FX ( k ) = P( x k ) = P( y nk )
e como se sabe que Y b( n; ) tem-se
[ nk ]
n
FX ( k ) = P( x k ) = P( y nk ) = y (1 ) n y , onde [nk] o menor ou igual a nk.
y = 0 y

2.4- AMOSTRAGEM DA DISTRIBUIO DE POISSON


Seja a amostra aleatria de tamanho n, [x1,x2,x3, ... ,xn], tomada de uma distribuio de Poisson com
parmetro . Da amostra tem-se a estatstica
x=

1 n
y
x i = , onde y uma varivel aleatria igual a somatria do numerador.

n i =1
n
n

Obs.: A varivel aleatria y = x i com x i P() (distribuio de Poisson com parmetro )


i =1

tambm tem distribuio de Poisson, mas com parmetro igual a n.


Qual o domnio da V.A. x ?

Resposta: O domnio de x o conjunto 0, 1 n , 2 n , 3 n , ... .


Qual a f.d. (funo distribuio acumulada) da varivel aleatria x ?
Resposta:
n

FX ( k ) = P( x k ) = P( x i nk ) = P( y nk )
e da observao sabe-se y P( n) , portanto

i =1

( n) y e n
y!
y=0

[ nk ]

FX ( k ) = P( x k ) = P( y nk ) =
onde [nk] o maior inteiro menor ou igual a nk.
Qual a mdia e qual a varincia de x ?
Resposta: A mdia de x o parmetro .

E( x ) = = e a varincia V( x ) = 2 =

.
n

2.5- ESTIMAO DOS PARMETROS


Para se estimar os parmetros (desconhecidos) de uma distribuio de probabilidade f(x), deve-se
tomar uma amostra aleatria dessa distribuio e usar estatsticas oriundas da amostra para se
construir os estimadores.

25

Suponha que se deseja estimar o verdadeiro dimetro de um mancal (parmetro ) e tambm o


desvio-padro das peas fabricadas. O procedimento estatisticamente correto tomarmos uma
amostra aleatria composta por n mancais. Para se falar com nmeros, seja n = 25 mancais. claro
que se mediu os dimetros dos mancais, encontrando-se [x1,x2,x3, ... ,xn]. Da amostra tem-se a
mdia amostral
x=

1 25
x i = 1,500
25 i =1

A mdia amostral x usada para a estimao pontual do parmetro = E( x) , ento uma boa
avaliao pontual da mdia do processo 1,500. A amostra aleatria forneceu ainda uma varincia
amostral
1 n
s =
( x i x) 2 = 0,0016

n 1 i =1
2

resultando um desvio-padro s = 0,04. Estas estimativas dos parmetros e so consideradas


muito boas, pelas qualidades dos estimadores usados ( x e s).
QUALIDADE DOS ESTIMADORES
Uma estatstica para ser considerada um bom estimador deve possuir as seguintes propriedades:
1 ) O estimador deve ser no-viciado ou seja, se a estatstica T um estimador no-viciado do
parmetro ento a esperana matemtica (mdia) de T deve ser igual ao parmetro .
E(T) =
Isto significa que como T uma varivel aleatria, logo tem uma distribuio de probabilidade, a
mdia da distribuio de T o prprio parmetro a ser estimado. A distribuio de T tem centro
em .
1 n
Exemplo: A mdia amostral x = x i um estimador no-viciado do parmetro populacional
n i =1
2
da N(; ) , pois E( x) = .
2 ) O estimador deve ser preferencialmente de mnima-varincia ou seja, entre todos os estimadores
existentes do parmetro deve-se utilizar aquele cuja distribuio tenha a menor varincia.
1 n
Exemplo: A varincia amostral s2 =
( x i x) 2 um estimador de mnima varincia para o

n 1 i =1
2
2
parmetro populacional da N(; ) .
3 ) O estimador deve ser consistente ou seja, a medida que se aumenta o tamanho da amostra, n, a
diferena entre o estimador e o parmetro diminue, chegando a coincidncia quando n o tamanho
da populao.
4 ) O estimador deve ser suficiente ou seja, o estimador funo de uma estatstica que resume
todas as informaes que a amostra aleatria tem sobre o parmetro.

26
n

Exemplo: A mdia aritmtica x funo de x i que a estatstica que resume todas as


i =1

informaes sobre o parmetro que a amostra traz.


OBS.:. Todos os estimadores em uso na estatstica so consistentes e suficientes. Muitos so noviciados e de varincia mnima. Um estimador que no-viciado e de varincia mnima chamado
de UMVU (uniformly minimum-variance unbiased) ou seja "no-viciado uniformemente de mnima
varincia".
ESTIMADORES DOS PARMETROS DAS PRINCIPAIS DISTRIBUIES
distribuio
Bernoulli
Binomial

parmetro
=
= n
2=n(1-)
Hipergeomtrica
tam. pop. N
se x(N+1)/n no int. D
se x(N+1)/n int
D
se x(N+1)/n int.
D
Poisson
=
Normal

2
2
Exponencial
= 1/
=
Gama
= /
=
=

estimador
x
nx
x(n-x)/(n-1)
nD/x
[x(N+1)/n] int
x(N+1)/n
x(N+1)/n-1
x
x
s2
$ 2
1/ x
x
x
( x 2/ $ 2 )
( x / $ 2 )

propriedades
UMVU, EMV
UMVU

EMV
UMVU, EMV
UMVU, EMV
UMVU
EMV
UMVU, EMV
UMVU, EMV
UMVU
Mt. Momentos
Mt. Momentos

27

3. CONTROLE ESTATSTICO DE PROCESSO


3.1- QUALIDADE, PRODUTIVIDADE E COMPETITIVIDADE.
Aconselha-se a leitura dos captulos I e II do livro de referencia [03] e tambm dos captulos I e do
II do livro de referencia [02] e em seguida responder as perguntas a seguir.
LISTA DE EXERCCIOS
Qualidade, Produtividade, Competitividade e os 14 Pontos de Deming
Leia os captulos I e II do Livro do F.C. Bartman e os captulos I e II do livro do W.E. Deming e
responda de maneira clara e sucinta as questes seguintes:
1) tradicional, no meio industrial, se afirmar que Qualidade e Produtividade so incompatveis.
Voc concorda com isto ?
2) O que Qualidade ?
3) Quem dominou o mercado internacional de manufaturados desde o sculo passado at a crise dos
anos 30 ?
4) Qual pas teve, na prtica, o monoplio dos mercados mundiais nas dcadas de 50 e 60 ?
5) A partir do final da dcada de 60 surgiu uma competio crescente entre as industrias americanas
e japonesas (alm da europia e s do 3 mundo em menor escala) pelos mercados mundiais, com
razovel sucesso para a indstria japonesa. A que se pode atribuir o sucesso das companhias
japonesas no mercado internacional ?
6) Uma vez que no h processo de produo perfeito, como possvel o aperfeioamento do
processo ?
7) Voc considera os Mtodos estatsticos instrumentos indicados para manter um certo nvel de
qualidade no processo (ou para assegurar um nvel mximo de defeituosos) ? porque ?
8) Qual a finalidade fundamental do Controle de Qualidade numa empresa ?
9) Como todo processo tem variabilidade (podendo ser para mais ou para menos que um certo
nvel), ento basta o operador fazer os ajustes necessrios na maquina que o problema da qualidade
fica resolvido. voc concorda com isto ? O que se deve fazer para controlar um processo ?
10) Quando os mtodos estatsticos foram introduzidos no Japo ?
11) Qual o problema fundamental de uma empresa industrial para assegurar a sua posio no
mercado ?
12) Qual a nica maneira de se alcanar um aumento substancial na produtividade ?
13) Voc acha que lucro a curto prazo se constitua num ndice de competncia ?
14) O primeiro principio de Deming afirma que a empresa deve "criar constncia de propsitos para
a melhoria do produto e do servio". Para que se deve fazer isto ?

28

15) O segundo principio de Deming manda que se "adote a nova filosofia", o que voc entende por
isto ?
16) O que voc acha da inspeo em massa ?
17) Voc acha que sempre muito bom se comprar pelo menor preo? Porque ?
18) Porque se deve procurar melhorar o sistema de produo e do servio constantemente ?
19) Uma empresa deve manter um programa de treinamento para os seus operrios? Porque ?
20) Qual o papel da Administrao, chefiar ou liderar os trabalhadores, porque ?
21) Porque o trabalhador deve fazer as suas tarefas sem medo? Voc concorda com isto? Porque ?
22) Em muitas companhias os Departamentos funcionam como entidades independentes. Isto
benfico para a empresa ? Porque ?
23) O que voc acha das metas quantitativas (objetivos numricos) ?
24) Um operrio que se orgulha do seu trabalho d o melhor de si para a empresa. Voc concorda
com isto ?
25) Como os processos de produo mudam rapidamente, a empresa deve se preparar
constantemente para transformaes. Como isto deve ser feito ?
26) Faa um resumo do chamado ciclo de Shewhart.
Exerccio - Ganho de Produtividade Obtido por Alterao do Sistema (da referncia [02] pginas de
5 a 7)
O superintendente de determinada fbrica sabia que existiam problemas em determinada linha de
produo. Ele achava que a mo de obra que trabalhava na tal linha cometia muitos erros, e que, se
tais erros no ocorressem, no haveriam tantas falhas. De incio obteve dados de inspeo, e
observou a proporo de defeituosos dia aps dia nas ultimas seis semanas (1 grfico a seguir). O
grfico obtido mostrou uma variao aleatria estvel, flutuando em torno de uma mdia. O nvel de
defeito e a variao diria eram ento previsveis. Consequentemente tem-se um sistema estvel de
produo de itens defeituosos. Ento, o sistema deve ser aperfeioado. Uma explicao para a
variabilidade a de que o pessoal da linha de produo no estaria entendendo bem que tipo de
trabalho aceitvel ou no. Partindo-se dessa premissa, a administrao resolveu elaborar
definies operacionais, contendo exemplos de itens bons e itens no-aceitveis. Estas definies
foram afixadas de forma acessvel a todos. Novos dados de inspeo formaram o 2 grfico, a
seguir. O novo grfico mostra que o nvel mdio de defeituosos caiu de 11% para 5%.
Proporo diria de defeituosos antes de interveno no Sistema:

0.10
0.15
0.09
0.08
0.07
0.12
0.10
0.16
0.12
0.13
0.16
0.13
0.07
0.11
0.13
0.10
0.14
0.07
0.11
0.10
0.08
0.11

0.09
0.12

0.11
0.11

29

Descrio da amostra:
Variable: acompanhamento dirio antes da interveno
---------------------------------------------------------------------Sample size
26
Average
0.11
Median
0.11
Mode
0.11
Standard deviation
0.025923
Standard error
5.08391E-3
Minimum
0.07
Maximum
0.16
Range
0.09
---------------------------------------------------------------------Grafico da amostra

proporcao de defeitos

0.17

0.167447

0.15
0.13
0.11

0.11

0.09
0.07
0.0525532

0.05
0

10

15

20

25

30

acompanhamento antes da intervencao

Proporo diria de defeituosos aps interveno no Sistema:

0.05
0.05
0.07
0.04
0.03
0.06
0.05
0.06
0.05
0.04
0.03
0.07
0.04
0.05
0.05
0.04
0.05
0.04
0.05
0.06
0.05

0.06
0.04
0.05

0.04
0.05

0.05
0.08

A descrio da amostra:
Variable: acompanhamento dirio depois da interveno
---------------------------------------------------------------------Sample size
28
Average
0.05
Median
0.05
Mode
0.05
Standard deviation
0.011547
Standard error
2.18218E-3
Minimum
0.03
Maximum
0.08
Range
0.05
----------------------------------------------------------------------

30

Grafico da amostra

(X 1E-3)

proporcao de defeitos

83
0.0762674

73
63
53

0.05

43
33
0.0237326

23
0

10

15

20

25

30

acompanhamento depois da intervencao

Os ganhos com a melhoria no processo foram:


.aprimoramento qualitativo
.aumento de 6% na produo de itens aceitveis
.aumento de 6% da capacidade produtiva
.menor custo por unidade de produto aceitvel
.aumento do lucro
.cliente mais satisfeito
.empregados mais confiantes e satisfeitos no trabalho
J o custo com a melhoria foi zero, pois:
.mesma fora de trabalho
.mesmos nus com insumos
.nenhum investimento em maquinaria novo
O resultado obtido, derrubar a proporo de defeituosos de 11% para 5%, embora muito
significativo, no deve de nenhuma forma satisfazer a administrao da empresa. A etapa seguinte
deve ser aquela de verificar as causas dos 5% de trabalho ineficiente e tentar elimina-las. A causa
desta ltima parcela de variabilidade pode estar associada com
.dificuldade de se trabalhar com os materiais recebidos
.algumas mquinas no esto funcionando adequadamente
.pode ainda haver alguma dificuldade relativamente s definies dos critrios de aceitabilidade
Os dois grficos mostrados anteriormente chamam-se grficos de tendncia. Estes grficos
representam o desempenho de um processo de produo e mostram a evoluo do nvel de operao
do processo e sua variao no tempo. Estes grficos foram construdos pela primeira vez por W.
Shewhart nos anos 20.

31

A palavra qualidade tem sido usada desde o incio desta seo. Mas, o que se entende por
QUALIDADE? A resposta no sentido tcnico a de que qualidade uma caracterstica de um
processo de produo e assim deve ser medida pela proporo de bens (e servios) produzidos que
atingem as propriedades especificadas pelo projeto ou alternativamente, a qualidade funo da
proporo de bens (e servios) defeituosos oriundos daquele processo de produo.

3.2- VARIAO NUM PROCESSO


Em geral as caractersticas de um produto manufaturado apresentam variabilidade. Isto se deve a
flutuaes na qualidade dos materiais usados e de variaes nas condies de operao do processo
de produo. Anteriormente foi visto uma Carta de Controle que mostrava que qualquer melhora
substancial na qualidade deveria advir de uma mudana do sistema, de responsabilidade da
administrao. A Carta de Controle seguinte mostra a quilometragem rodada por litro de
combustvel, atingida entre um enchimento e outro do tanque de um certo veiculo. A quilometragem
por litro dada abaixo para 21 intervalos sucessivos entre os enchimentos do tanque de
combustvel.

25.7
26.3
24.8
22.1
22.3
28.2
25.1
24.8
26.3
24.5
24.9
22.8
23.0
24.8
23.1
24.7
24.2
23.1
25.3
24.8
26.2
Variable: intervalos de enchimentos
---------------------------------------------------------------------Sample size
21
Average
24.619
Median
24.8
Mode
24.8
Standard deviation
1.50852
Standard error
0.329185
Minimum
22.1
Maximum
28.2
Range
6.1
----------------------------------------------------------------------

32
Grafico da amostra
29
27.3761

consumo

27

25

24.619

23
21.862
21
0

12

16

20

24

intervalos de enchimentos

Do grfico da Carta de Controle nota-se que de incio a quilometragem por litro estava em torno de
25 km/l, sendo que ela pode variar para cima ou para baixo. Mas observa-se no grfico que a partir
do 10 enchimento (a data uma referencia importante) os registros situam-se abaixo da mdia
sucessivamente 9 vezes. Isto uma coisa difcil de ocorrer supondo que o processo seja estacionrio
em torno da mdia. Assim, uma causa especial de variao deve ser procurada. A resposta pode ser
qualquer combinao de uma lista de possibilidades, tais como: tempo frio, combustvel diferente,
troca de motorista, transporte de carga mais pesada ou velas de ignio defeituosas (velhas).
Examinando-se estas opes de causa, cada uma delas foi descartada, sobrando as velas de ignio
como nica explicao. A troca foi feita e a Carta de Controle foi ampliada para mais 3 pontos, os
trs ltimos. Nota-se claramente que a mdia voltou ao nvel histrico. Um registro histrico da
quilometragem por litro de combustvel, datas de troca de peas, etc., importante para empresas
que tem veiculo. O prprio motorista pode estar encarregado de fazer os registros.
3.2.1- CAUSAS DA VARIABILIDADE
Diversos fatores podem contribuir para a variao no nvel de defeitos encontrados num processo.
Podem ser, por exemplo, irregularidade no material utilizado na produo (no perfeitamente
uniforme), temperatura, manuteno do equipamento, estado fsico dos operadores, etc.. Estes
fatores, que podem ser identificados, chamam-se fatores particulares ou causas especiais de
variao. Mesmo eliminando-se todos esses fatores particulares, o processo ainda ir produzir
artigos defeituosos. Isto ocorre devido a existncia dos fatores inerentes ao processo, os quais no
so identificveis. Quando se elimina um a um os fatores particulares de variao, o Grfico de
Controle mostrar somente a variao aleatria causada pelos fatores de variao inerentes ao
processo. Neste caso, o processo ser estvel, ou, de acordo com a terminologia criada por
Shewhart, o processo estar sob controle. O Grfico mostrar ento um processo aleatrio
estacionrio. Quando se consegue atingir a estabilidade, eliminando-se as causas especiais, pode-se
construir os limites de controle, que delimitam uma regio onde com uma grande probabilidade o
processo ir operar. Estes limites determinam a chamada capacidade do processo.
3.2.2- DETALHAMENTO DA BASE ESTATSTICA DOS GRFICOS DE CONTROLE

33

LIMITES DE CONTROLE
Seja um processo onde determinada caracterstica do produto tem mdia fixada em = 74 mm e
desvio-padro = 0,01 mm. A estatstica representada no grfico ser a mdia amostral x (por
exemplo), ento trabalhando-se com a distribuio de probabilidade tem-se:
E( x) =
2
e
n

x =
n

V( x ) =

Se o processo est sob controle, variando apenas por fora dos fatores inerentes ao processo (no
identificveis), espera-se que:
P( LIC x LSC) 1
onde um nmero arbitrrio, mas fixo e pequeno, da ordem de 1%. Os limites LIC (limite
inferior de controle ) e LSC (limite superior de controle) so chamados de limites probabilsticos e a
probabilidade de uma observao da v.a. X situar-se fora desses limites muito pequena, dado o
valor de . Sendo assim quando ocorrer de uma observao situar-se fora dos limites de controle,
isto ter como causa um fator particular (identificvel) de variao. claro que a observao poder
ficar fora dos limites por obra do acaso, mas isto pouco provvel dado .
Uma alternativa para se construir os limites de controle defini-los em termos de mltiplos do
desvio-padro da v.a . plotada no grfico (no caso est-se considerando x ),
LIC = x k x
LSC = x + k x
onde k uma constante positiva. Um valor muito usado para k 3 e tem-se ento os limites a 3
desvios-padro. Estes limites podem ser construdos mesmo nas situaes onde a distribuio de
probabilidade da v.a. X no seja conhecida. Quem garante este fato a chamada Desigualdade de
Tchebychev:
P( X )

2
> 0
2

Veja que se fizermos = k tem-se na desigualdade


2
k 22
1
P( X k) 2
k
Quando se quer limites de 3 desvios-padro tem-se:
1
P( X 3 ) 2
3
P( X 3 ) 0,1111
P( X k)

34

Considerando a situao onde = 74,0 mm a mdia da v.a. que est associada com o dimetro do
anel do pisto e = 0,01 mm o seu desvio-padro, tem-se para a estatstica x de amostras
aleatrias com tamanho n = 5 anis tomadas de hora em hora do processo, as estatsticas seguintes:
x =
= 0,01 = 0,0045
n
5
LIC = 74,0 3 . 0,0045 = 73,9865
LSC = 74,0 + 3 . 0,0045 = 74,0135
estes so os limites de controle a 3 desvios-padro.
Grafico da amostra

(X 0.01)

74.02

media amostral

7402

7401

7400

74

7399

73.98

7398
0

8
numero da amostra

12

16

35

LIMITES DE CONTROLE, LIMITES DE ESPECIFICAO E LIMITES NATURAIS DE


TOLERNCIA (Leia com ateno as respostas a seguir)
1) Existe algum relacionamento entre os limites de um Grfico de Controle ( x e R ), construdo para
uma caracterstica de um produto, e os limites da especificao do produto ?
R: No. Os limites de controle so estabelecidos com base na variabilidade do processo (medida
pelo desvio-padro ) e se referem a estatstica (v.a.) plotada no Grfico. J os limites da
especificao foram estabelecidos para a caracterstica do produto (v.a. X) que est sendo observada
(amostrada) e foram definidos externamente. Eles so em geral fixados pela pela Administrao,
pelos Engenheiros de Projeto, pelos Engenheiros de Produo e pelos "designers". Veja que algum
conhecimento (pelo menos uma idia) da variabilidade do processo fundamental no
estabelecimento das especificaes. Mas, no existe nenhum relacionamento estatstico ou
matemtico entre os limites de controle para x e os limites de especificao do produto.
2) O que so Limites Naturais de tolerncia ?
R: Os denominados Limites Naturais de tolerncia so os valores 3 e + 3 , onde a
mdia e o desvio-padro da v.a. observada X. sempre desejvel que os limites naturais de
tolerncia situem-se entre os limites da especificao.
3) Suponha que voc est construindo um Grfico x . faa duas figuras: uma representando os
limites de Controle para x e outra representando os limites da Especificao e tambm os limites
naturais de tolerncia.
OS LIMITES DE CONTROLE COMO REGIO CRTICA DE UM
TESTE DE HIPTESE
Na figura anterior pode-se observar que quando se fixa os limites de controle tem-se a situao
equivalente a de um teste de hiptese. A regio fora dos limites de controle corresponde a regio
crtica do teste. Considerando a situao, em exemplo, cada vez que se toma uma amostra de
tamanho n = 5, obtm-se da amostra x e a seguir verifica-se se esta mdia amostral faz entre os
limites de controle. Isto eqivale a testar a hiptese "a amostra aleatria veio de um processo com
mdia 74 " ou seja:
H 0 = = 0 = 74,0 x H 1 = 74,0
O teste feito na suposio de que o desvio-padro seja conhecido e ento a estatstica do teste :
z=

x 0
N(0, 1)

e comparando-a com os escores padronizados correspondentes aos limites de controle:


zi =

LIC 0
LSC 0
e zs =

n
n

que so os valores crticos do teste da hiptese nula enunciada acima,


_____._____________________.______.______

36

zi

zs

Se ocorre de z situar-se entre os valores zi e zs, como acima, aceita-se a hiptese H0, isto , a
amostra tirada naquela hora do processo veio de uma populao com mdia 0 = 74,0. Mas, se
ocorre-se da estatstica z situar-se fora do intervalo (zi , zs), como na figura abaixo,
_____.___________________________.____.______
zi
zs
z
a deciso estatstica seria de que a amostra no veio de um processo com mdia = 74,0.
3.2.3- PROCEDIMENTOS GRFICOS E OUTRAS TCNICAS TEIS NO ESTUDO DA
VARIABILIDADE
Na identificao e anlise dos problemas que podem surgir em um processo, as tcnicas so as
seguintes:
IDENTIFICAO DO PROBLEMA
ANLISE DO PROBLEMA
Fluxograma
Diagrama de Pareto
Histograma
Folha de Verificao
Diagrama de Causa Efeito Diagrama de Disperso
Brainstorming
Grfico de Tendncia
Grafico de Controle
Tcnica de Grupo
Estratificao
Anlise do Campo de Foras
FLUXOGRAMA
O fluxograma uma representao grfica mostrando todas as fases do processo. O fluxograma do
processo d uma viso geral de todos os passos do processo. Pode ser aplicado a qualquer caso:
fluxo de materiais, fases da operao de vendas, fornecimento do produto, etc. Na identificao do
problema no processo (IMAGINEERING) as pessoas com maior conhecimento das fases se renem
para:
1) Desenhar o fluxograma atual do processo;
2) Desenhar o fluxograma das etapas que o processo deveria seguir se tudo ocorresse bem;
3) Comparar os dois grficos para verificar onde diferem entre s, pois a estar a raiz do problema.

37

EXEMPLO COTIDIANO

Ligar a TV

Aparece
a Imagem?

No

No

Sim

Sim

O fio est
na tomada?

Conectar
o fio

A imagem
boa?

No

Operar os
ajustes

Sim

Sim

Aparece
a Imagem?
No

A imagem
boa?
Sim
Assistir
o programa

No

Chamar a
Assistncia
Tcnica

38

EXEMPLO DA INDUSTRIA
Fluxo da Placa Impressa
Recebimento
componentes e
placa

aprovados?

devolver e
consertar

montagem
automtica

aprovados?

refazer ou
sucatear

montagem
manual

aprovados?

soldagem e
limpeza

aprovados?

refazer ou
sucatear

montagem final

aprovados?

passou no
teste final?

expedio

refazerl

39

FOLHA DE VERIFICAO
A folha de verificao um procedimento usado para responder a pergunta: "com que freqncia
certos eventos acontecem?". Para uso desta tcnica deve ser estabelecido claramente o seguinte:
-fixar qual evento est sendo estudado
-definir o perodo durante o qual os dados sero coletados
-construir um formulrio claro e de fcil manuseio
-coletar os dados honestamente

Defeito
dimenso
acabamento
peso
Total

1
II
I
IIII
7

Ms
2
II
I
II
5

3
I
I
III
5

Total
5
3
9
17

BRAINSTORMING
So reunies com o pessoal envolvido com o problema em estudo a fim de se coletar opinies sobre
causas, bem como solues possveis. Existem dois tipos de "brainstorming":
1) Estruturado
Nesta forma, cada pessoa do grupo d a sua idia em cada roda da ou "passa" at que chegue a sua
prxima vez. Isto obriga at os mais tmidos a participarem, contudo pode criar certa presso sobre
as pessoas.
2) No-estruturado
Nesta forma, os membros do grupo simplesmente do as idias conforme elas surgem em suas
cabeas. Isto cria um ambiente mais relaxado, porm existe o risco da reunio ser dominada pelos
mais extrovertidos.
Existem algumas regras que devem ser lembradas:
- Nunca criticar idias.
- Escrever em um quadro-negro ou branco todas as idias. A viso global das idias servem de
estmulo para novas propostas e tambm evita mal-entendidos.
- Escrever as palavras do participante e no a sua interpretao.
- Fazer um "brainstorming" rpido, 5 a 15 minutos so suficientes.
TCNICA NOMINAL DE GRUPO
Quando se aborda algum problema ou a forma de atacar o problema, geralmente ocorre que a
seleo do problema foi influenciada por pessoas que falaram mais alto ou tm maior autoridade.
Isto cria o sentimento no grupo de que o "seu" problema nunca ser abordado. Isto pode gerar uma
falta de comprometimento com a soluo do problema escolhido e tambm a idia de que foi
escolhido o problema "errado". A Tcnica Nominal de Grupo permite a todos do grupo uma igual
participao na seleo de problemas. Esta tcnica consiste das seguintes etapas:

40

1 ) Cada membro do grupo deve escrever ou falar sobre o problema que julgar mais importante.
Depois que todos escreverem a sua escolha de problemas recolha o papel com os problemas.
2 ) Escreva os problemas descritos onde todos possam ver. Se houver duplicidade combine-os em
um so, mas de acordo com os autores.
3 ) Pea para cada membro do grupo ordenar os problemas pelo grau de importncia crescente,
segundo o critrio de cada um.
Problema
A
B
C
D
E

Classificao (Supodo existir 5 pessoas no grupo)


3 5 2 3 3 = 16
1 1 1 2 1 = 06
2 2 3 1 2 = 10
5 4 4 5 4 = 22
4 3 5 4 5 = 21

O problema cuja soma dos pontos for a mais alta o escolhido, primeiramente. Da mesma forma, se
ao invs de problemas o que se pediu foi sugestes, idias, a mais votada deve ser considerada
primeiro para discusso e depois as seguintes. No exemplo acima o problema (idia) a ser discutido
primeiro o D.
ANALISE DO CAMPO DE FORAS
Toda vez que se pretende fazer mudanas, sejam pessoais ou organizacionais, existem foras
indutoras e foras restritivas agindo a favor e contra, respectivamente. um processo dinmico.
Quando ocorrem mudanas porque as "foras indutoras" so superiores s "foras restritivas".
Assim, pode-se listar estas possveis foras e analisa-las. Seja o exemplo do cotidiano "perder
peso":
FORAS INDUTORAS
ameaa sade
obsesso em emagrecer
roupas apertadas
embarao pelo peso
imagem negativa

FORAS RESTRITIVAS
perda de tempo
tendncia da famlia
faltas de recursos para "malhar"
costume de aucar nos alimentos
anos de alimentao errada.

Como a Anlise do Campo de Foras ajuda a promover mudanas? Por que fora s pessoas a
pensarem juntas sobre todos os aspectos da mudana pretendida, incentiva o pensamento criativo,
encoraja as pessoas a chegar a um consenso sobre a prioridade relativa s foras de um lado e do
outro do campo e finalmente um ponto de partida para a ao.
HISTOGRAMA: O histograma d informaes gerais sobre a distribuio de onde vieram as
observaes. A forma (o padro, o aspecto) da distribuio simtrica? assimtrica? Existe
somente um pico? O histograma, tambm, d uma idia da disperso dos dados. Por natureza o
histograma um grfico em colunas (barras) e pode se construdo com barras horizontais ou
verticais.
Exemplo 1: Sejam os dados abaixo da espessura de chapas metlicas. Tomou-se uma amostra com n
= 100 chapas e mediu-se a espessura. Faa o histograma dos dados e comente os resultados.
3.56

3.46

3.48

3.50

3.42

3.43

3.52

3.49

3.44

3.50

41

3.48
3.41
3.55
3.48
3.59
3.40
3.48
3.52
3.41

3.56
3.37
3.52
3.48
3.63
3.54
3.50
3.48
3.45

3.50
3.47
3.44
3.32
3.59
3.46
3.56
3.46
3.34

3.52
3.49
3.50
3.40
3.47
3.51
3.50
3.45
3.44

3.47
3.45
3.45
3.52
3.38
3.48
3.52
3.46
3.47

3.48
3.44
3.44
3.34
3.52
3.50
3.46
3.54
3.47

3.46
3.50
3.48
3.46
3.45
3.68
3.48
3.54
3.41

3.50
3.49
3.46
3.43
3.48
3.60
3.46
3.48
3.48

3.56
3.46
3.52
3.30
3.31
3.46
3.52
3.49
3.54

3.38
3.46
3.46
3.46
3.46
3.52
3.56
3.41
3.47

Variable: espessura de chapas metlicas


---------------------------------------------------------------------Sample size
100
Average
3.4762
Median
3.48
Mode
3.46
Standard deviation
0.0628093
Standard error
6.28093E-3
Minimum
3.3
Maximum
3.68
Range
0.38
---------------------------------------------------------------------Frequency Tabulation for espessura de chapas metlicas
-------------------------------------------------------------------------------Lower
Upper
Relative
Cumulative Cum. Rel.
Class
Limit
Limit
Midpoint
Frequency Frequency Frequency
Frequency
-------------------------------------------------------------------------------1
3.275
3.325
3.300
3
.0300
3
.0300
2
3.325
3.375
3.350
3
.0300
6
.0600
3
3.375
3.425
3.400
9
.0900
15
.1500
4
3.425
3.475
3.450
34
.3400
49
.4900
5
3.475
3.525
3.500
36
.3600
85
.8500
6
3.525
3.575
3.550
10
.1000
95
.9500
7
3.575
3.625
3.600
3
.0300
98
.9800
8
3.625
3.675
3.650
1
.0100
99
.9900
9
3.675
3.725
3.700
1
.0100
100
1.0000
--------------------------------------------------------------------------------

Histograma de Frequencia
40

frequencia

30

20

10

0
3.25

3.3

3.35

3.4

3.45

3.5

3.55

3.6

espessura das chapas

a) Qual a mais comum espessura da chapa ?

3.65

3.7

3.75

42

R: A espessura mais comum est entre 3,475 e 3,525 mm.


b) A distribuio simtrica ?
R: Sim, observando o histograma vemos que ela simtrica. V-se que a maior parte das espessuras
situam-se no intervalo de 3,425 e 3,525 mm. Poucos valores (15) situam-se acima de 3,525 e
tambm poucos valores (15) situam-se abaixo de 3,425 mm.
c) Os dados esto muito dispersos ?
R: A amplitude da disperso dos dados R = x[n] - x[1]) = 3,68 - 3,30 = 0,38 mm.
d) Existe algum valor isolado, aparentemente anormal ?
R: No, no existe nenhum valor aparentemente anormal.
e) A especificao de projeto para este tipo de chapa de 3,47 0,08 mm. Qual o percentual de
chapas que esto fora dos limites de especificao ?
R: Esto fora dos limites da especificao, [3,39 ; 3,55], um percentual de 10% das chapas,
consequentemente deve-se tentar diminuir a disperso dos dados de modo a colocar praticamente
todos os valores dentro dos limites da especificao (ideal).
f) O valor da mdia est exatamente no centro dos limites de especificao ?
R: Sim, considerando aproximao de 2 casas decimais, o centro 3,47 mm.
DIAGRAMA DE PARETO: O diagrama de Pareto um grfico para indicar qual problema,
relacionado com a variabilidade dos dados, deve ser solucionado primeiro afim de se eliminar
defeituosos e melhorar o processo. Existem muitos aspectos da produo que podem ser
melhorados, tais como: nmero de defeituosos, tempo de execuo de tarefas, etc. Devido a
quantidade de pequenos problemas difcil se saber por onde comear. O diagrama de Pareto uma
ajuda neste sentido e o primeiro passo na direo do melhoramento do processo.
Exemplo 2: A tabela na pgina seguinte d o nmero de defeitos que ocorrem em determinado
processo. As causas dos defeitos foram identificadas e tentou-se melhorar o processo. A tabela
mostra os nmeros antes do aperfeioamento e depois do aperfeioamento. Os diagramas de Pareto
correspondentes esto em seguida.
Antes do aperfeioamento
origem do defeito nmero de
defeituosos
rotao imprpria 44
rudo
14
falhas
10
presso
8
sobra
5
falha completa
2
outras
3

Depois do Aperfeioamento
origem do defeito nmero de
defeituosos
rudo
12
rotao imprpria 8
presso
6
falhas
4
calafetar o eixo
2
falha completa
1
outras
4

43
Grafico de Pareto

88.4

scores

68.8

94.2

97.7

100.0

80

79.1
67.4

51.6

100

60

51.2
34.4

40

17.2

20

percent of total

86

0
A

Antes do Aperfeicoamento

Grafico de Pareto

91.9

scores

29.6

97.3

100
80

81.1
70.3

22.2

100.0

60

54.1
14.8

40

percent of total

37

32.4
7.4

20

0
B

Depois do aperfeicoamento

O diagrama de Pareto revela se uma tentativa de aperfeioamento produziu resultado positivo, pois
ele mede o impacto do aperfeioamento. Isto pode ser visto nos diagramas da pgina anterior. Pelo
diagrama a administrao do processo inspecionou os fatores que poderiam causar uma rotao
imprpria. Perguntou-se aos trabalhadores cujas tarefas estavam relacionadas com estes fatores se
existia algum problema ou necessidade no seu trabalho. Os trabalhadores foram levados a se engajar
na soluo do problema de muitos defeituosos devido a "rotao imprpria". sugestes surgiram e
aptos a implantao das inovaes tem-se o segundo diagrama.
Os outros tipos de defeitos tambm foram atacados, nas circunstancias de cada um. O segundo
diagrama reflete o resultado final e pode-se observar que:
i ) O nmero de defeituosos diminuiu aptos o melhoramento;
ii ) Geralmente quando o melhoramento eficaz a ordem das barras no diagrama trocada.
Responda detalhadamente as perguntas seguintes:
1 ) O que e para que serve o HISTOGRAMA ?
2 ) O que o diagrama de Pareto ?

44

3 ) Para que serve o diagrama de Pareto ?


4 ) Suponha que a sua empresa produz um equipamento muito especial, fabricado sob encomenda.
A mdia de vendas de um cada trs meses. A sua empresa d assistncia de manuteno para os
equipamentos vendidos e consequentemente fica sabendo em quais partes do equipamento vo
ocorrendo os defeitos. Na tentativa de melhorar o processo de fabricao do equipamento, voc
pergunta para os mecnicos da assistncia tcnica sobre as freqncias dos defeitos (onde, como,
etc.). Eles respondem algumas coisas, mas como no so muitos os equipamentos vendidos, eles
no tem uma idia formada sobre as partes mais problemticas. Como voc faria para melhorar o
processo ?
5 ) Quando se vai tentar melhorar o processo, eliminando as causas especiais de defeitos, qual o
primeiro passo que se deve dar ?
6 ) A inspeo da produo de determinado processo identificou , em uma semana um total de 40
defeitos nos produtos distribui dos por 4 tipos: DIMENSES INCORRETAS (21), PARTES
DANIFICADAS (8), COLA INSUFICIENTE (6) e DEFEITO NA PINTURA (5). Construa o
Diagrama de Pareto.
Pareto Chart for 21 8 6 5
-------------------------------------------------------------------------------Class
Weighted
Cum.
Cum.
Label
Rank Count
Weights
Scores
Scores Percent Percent
A
1
21
1
21
21
52.50
52.50
B
2
8
1
8
29
20.00
72.50
C
3
6
1
6
35
15.00
87.50
D
4
5
1
5
40
12.50 100.00
-------------------------------------------------------------------------------Totals:
40
40

Grafico de Pareto

100.0
87.5

32

100
80

scores

72.5
24

60
52.5

16

40

20

0
A

percent of total

40

Categoria

DIAGRAMA DE CAUSA E EFEITO


um mtodo grfico para auxiliar a anlise de problemas que facilita a identificao das causas de
variao da caracterstica de qualidade em questo. 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 causa de variabilidade)
a) Materiais: matria-prima no-homognea.

45

- A matria-prima difere 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 ferramentas, 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.
- o mtodo de trabalho, embora programado de acordo com o processo prescrito, pode conduzir a
variaes no produto;
d) Mo-de-obra: os operadores podem no estar adequadamente preparados para as tarefas.
O Diagrama de Causa e Efeito, mostrado abaixo, feito no incio das operaes no sentido de se
aperfeioar o processo.
materiais

mtodo de trabalho

qualidade

mquinas

mo de obra

causa

efeito

O Diagrama de Causa e Efeito til na ordenao das causas da disperso. A construo deste
diagrama pode seguir os passos seguintes:
1) Determinar a caracterstica de qualidade de interesse. trata-se da caracterstica que se deseja
melhorar ou controlar. Suponha que se est interessado em "defeitos na pintura" de um bem de
consumo.

defeitos na
pintura

2) Relacione os principais fatores que podem causar a falha como galhos do tronco principal

46
mquinas

mtodo de trabalho
mesa de pintura

pistola
bico entupido

local imprprio

excesso de p

exposto ao tempo

defeitos na
pintura
falta de ateno

estado da tinta:
velha

embalagem
pontos de ferrugem

materiais

manejo inadequado
no se faz limpeza na pistola

mo de obra

causa

efeito

Uma vez construdo o Diagrama de Causa e Efeito deve-se analisar todas as causas, quantificar o
grau de intensidade das possveis causas e partir para eliminao dessas causas.

47

DIAGRAMA DE DISPERSO
O Diagrama de Disperso um grfico que exprime o relacionamento entre duas variveis. Os
dados so coletados aos pares (xi, yi) com i = 1, 2, ... ,n. Estes pares de pontos (xi, yi) so grafados e
o possvel relacionamento entre as variveis X e Y aparece na forma do grfico.
Exemplo
Seja o processo de recobrimento de uma determinada pea com metal. O recobrimento feito com o
metal fundido. A varivel X a quantidade de metal fundido utilizado em peso e a varivel Y a
porcentagem de recobrimento com metal obtida.
Obs.(i)
1
2
3
4
5
6
7

Yi
10
10
20
20
30
40
45

Xi
6.0
4.0
6.0
8.0
7.5
8.5
9.5

Obs.(i)
8
9
10
11
12
13
14

Yi
50
60
65
70
75
70
80

Xi
11.0
12.0
12.0
13.0
13.0
12.0
14

Obs.(i)
15
16
17
18
19
20
21

Yi
80
85
90
90
95
95
98

Xi
14.0
13.0
14.0
14.0
16.0
17.0
18.0

Variable:
Perc.recobr.
Quant. metal
-----------------------------------------------------Sample size
21
21
Average
60.8571
11.5952
Median
70
12
Mode
20
12
Standard deviation
29.4776
3.80335
Standard error
6.43254
0.829959
Minimum
10
4
Maximum
98
18
Range
88
14
------------------------------------------------------

O Diagrama de Disperso dos dados o seguinte:


Fitted
Observed

Porcentagem de recobrimento

Diagrama de dispersao
120
100
80
60
40
20
0
4

10

13

16

19

Quantidade de metal fundido

O grfico revela que existe uma forte associao (correlao) entre as variveis X e Y. O tipo de
relao linear (uma reta).

48

possvel se determinar a equao de regresso de Y para X, ou seja, a expresso dessa relao por
meio da equao da reta:
y i = 0 + 1 x i + e i , i = 1, 2, ..., 21
Regression Analysis - Linear model: Y = a+bX
-------------------------------------------------------------------------------Dependent variable: Perc. de recobrimento Independent variable: quant. de metal
-------------------------------------------------------------------------------Standard
T
Prob.
Parameter
Estimate
Error
Value
Level
-------------------------------------------------------------------------------Intercept
-26.6267
4.95328
-5.37558
.00003
Slope
7.54481
0.406846
18.5446
.00000
-------------------------------------------------------------------------------Analysis of Variance
-------------------------------------------------------------------------------Source
Sum of Squares
Df Mean Square
F-Ratio Prob. Level
Model
16468.706
1
16468.706
343.90
.00000
Residual
909.86548
19
47.88766
-------------------------------------------------------------------------------Total (Corr.)
17378.571
20
Correlation Coefficient = 0.97347
R-squared = 94.76 percent
Stnd. Error of Est. = 6.92009

Obs. (i)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

Yi Observado
10
10
20
20
30
40
45
50
60
65
70
75
70
80
80
85
90
90
95
95
98

Xio
6.0
4.0
6.0
8.0
7.5
8.5
9.5
11.0
12.0
12.0
13.0
13.0
12.0
14.0
14.0
13.0
14.0
15.0
16.0
17.0
18.0

Resduos
-1.35923
1.07371
0.21357
-2.08277
0.00621
0.37617
-0.00731
-0.94328
-0.57929
0.16130
-0.21634
0.52670
0.90190
0.14956
0.14956
2.01278
1.64610
0.52265
0.13972
-1.03911
-1.79442

Yi Ajustado
18.642
3.553
18.642
33.732
29.959
37.504
45.049
56.366
63.911
63.911
71.456
71.456
63.911
79.001
79.001
71.456
79.001
86.545
94.090
101.635
109.180

Se o modelo proposto para a relao bom ento os resduos, diferena entre os valores de Yi
observados e os valores de Yi ajustados correspondem a um rudo branco (sequncia de erros,
valores aleatrios com distribuio N(0, 2))
Apresentamos a seguir o grfico probabilstico normal, para verificar se os resduos seguem uma
distribuio normal.

49
Grafico Probabilistico Normal

Percentual Acumulado

99.9
99
95
80
50
20
5
1
0.1
-14

-9

-4

11

Residuos

No MINITAB ns fazemos da seguinte forma:


MTB > REGR C1 1 C2 C3 C4
The regression equation is
Y = - 26.6 + 7.54 X
Predictor
Constant
X

Coef
-26.6270
7.5448

s = 6.920

Stdev
4.953
0.4068

R-sq = 94.8%

t-ratio
-5.38
18.54

p
0.000
0.000

R-sq(adj) = 94.5%

Analysis of Variance
SOURCE
Regression
Error
Total

DF
1
19
20

SS
16469
910
17379

Unusual Observations
Obs.
C2
C1
4
8.0
20.00
16
13.0
85.00

MS
16469
48

Fit Stdev.Fit
33.73
2.10
71.46
1.61

R denotes an obs. with a large st. resid.

F
343.90

Residual
-13.73
13.54

p
0.000

St.Resid
-2.08R
2.01R

16

50
MTB > PRINT C1-C4
ROW
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

C1
10
10
20
20
30
40
45
50
60
65
70
75
70
80
80
85
90
90
95
95
98

C2
6.0
4.0
6.0
8.0
7.5
8.5
9.5
11.0
12.0
12.0
13.0
13.0
12.0
14.0
14.0
13.0
14.0
15.0
16.0
17.0
18.0

C3

-1.35923
1.07371
0.21357
-2.08277
0.00621
0.37617
-0.00731
-0.94328
-0.57929
0.16130
-0.21634
0.52670
0.90190
0.14956
0.14956
2.01278
1.64610
0.52265
0.13972
-1.03911
-1.79442

C4
18.642
3.553
18.642
33.732
29.959
37.504
45.049
56.366
63.911
63.911
71.456
71.456
63.911
79.001
79.001
71.456
79.001
86.545
94.090
101.635
109.180

Se o modelo proposto para a relao bom ento os resduos, diferena entre os valores de Y
ajustados (C4) e os valores de Y observados (C1) correspondem a um rudo branco" (sequncia de
erros, valores aleatrios com distribuio N(0, 2))
MTB > SUBT C4 C1 C5 (aqu em C5 esto os erros, resduos)
MTB > NSCORES C5 C55 (verificando se so normais mesmo)
MTB > PLOT C55 C5
C55

1.2+
0.0+
-1.2+
-

*
*
*
*
2
* *
*
3
*
*
*

*
*

*
*
*
--------+---------+---------+---------+---------+--------C5
-10.0
-5.0
0.0
5.0
10.0

MTB > CORR C55 C5


Correlation of C55 and C5 = 0.983

O valor tabelado a 5% e com um tamanho de amostra n = 21 0.952 portanto os erros tm


distribuio N(0, 6.922).
Observe agora se no existisse relao nenhuma entre as variveis X e Y:
MTB >
SUBC>
MTB >
SUBC>

RANDOM
NORMAL
RANDOM
NORMAL

20 C7; (gerando 20 observaes da N(102, 1)


102 1.
20 C8; (gerando 20 observaes da N(5, 1)
5 1.

Deste modo no deve existir nenhuma relao entre as v.a's.

51
MTB > NAME C7 'Y2' C8 'X2'
MTB > DESC C7 C8
Y2
X2

N
20
20

MEAN
101.99
4.802

MEDIAN
101.84
4.777

TRMEAN
101.95
4.810

Y2
X2

MIN
101.02
2.255

MAX
103.71
7.218

Q1
101.20
3.842

Q3
102.74
5.794

STDEV
0.83
1.302

SEMEAN
0.18
0.291

MTB > PLOT C7 C8


104.0+
*
Y2
*
103.0+
*
*
*
*
*
*
102.0+
*
*
*
*
*
*
*
*
2
101.0+
*
*
+---------+---------+---------+---------+---------+------ X2
2.0
3.0
4.0
5.0
6.0
7.0

O grfico uma nuvem de pontos aleatrios e veja a correlao:


MTB > CORR C7 C8
Correlation of C7 and C8 = -0.181

A correlao extremamente baixa. No existe correlao entre entre C7 e C8.

52

3.2.4- GRFICOS DE CONTROLE E O APERFEIOAMENTO DO PROCESSO


3.2.4.1- INTRODUO
Como j se disse, pode-se obter o aperfeioamento de um processo de produo de duas maneiras:
1 ) Eliminao de um fator particular (causa especial) de variao.
2 ) Alterao na estrutura do processo.
Os fatores particulares de variao so detectados por pontos fora dos limites de controle ou pela
presena de um comportamento sistemtico, no aleatrio, no grfico de controle. Um dos
principais objetivos no Controle de Qualidade a reduo da variabilidade no produto. Os fatores
particulares so o motivo principal da falta de uniformidade dos itens produzidos. No existe um
modo seguro e com base cientfica de se descobrir as causas da variabilidade ou seja de identificar
fatores particulares de variao, a aplicao de Tcnicas Estatsticas. importante levar em conta
que alteraes no processo com o objetivo de melhorar a performance do produto so devem ser
executadas quando ele se encontra sob controle. Caso contrrio, os efeitos das modificaes podero
ficar camufladas pela presena de causas especiais de variao.
3.2.4.2- USOS BSICOS DOS GRFICOS DE CONTROLE
As aplicaes fundamentais dos Grficos de Controle so:
1 ) Verificar se em determinado perodo um processo estava sob controle. Isto feito examinandose o grfico correspondente ao perodo de interesse.
2 ) Orientar a Administrao 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 deve-se olhar com ateno a ocorrncia de uma
tendncia (um padro) em alguma direo. Isto indicao de que alguma coisa alm do acaso est
influenciando o valor das observaes.
O objetivo principal dos Grficos de Controle como se viu do exposto anteriormente 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.
Existem vrias razes para o uso dos Grficos de Controle, tais como:
1 ) O Grfico de Controle uma tcnica para melhorar a produtividade, pois: reduz desperdcio de
insumos, de re-trabalho e consequentemente aumenta a produtividade, diminui os custos e
finalmente a capacidade de produo aumenta (medida em nmeros de artigos bons por hora).
2 ) O Grfico de Controle eficaz na preveno de defeituosos, pois ajuda a manter o processo sob
controle e portanto coerente com a filosofia faa certo na 1 vez. Se a empresa no tem um processo
eficiente, voc est pagando algum para produzir artigos inadequados.

53

3 ) O Grfico de Controle impede ajustamentos desnecessrios no processo, pois distingue entre


rudo aleatrio e variao anormal. Nenhum outro meio, inclusive o operador humano, eficiente
nesta distino. Se o processo ajustado sem base no Grfico de Controle, freqentemente, o que
ocorre um aumento da varincia do rudo aleatrio e isto pode resultar na deteriorao da
performance do processo. Assim, o Grfico de Controle coerente com a filosofia "se ele no est
quebrado, no o conserte".
4 ) O Grfico de Controle fornece informaes para que o operador faa um diagnostico sobre o
processo, podendo conduzir a implementao de uma mudana que melhore o desempenho do
processo.
5 ) O Grfico de Controle fornece informao sobre a capacidade do processo, pois traz
informaes sobre o valor de importantes parmetros do processo e sua estabilidade no tempo e,
assim uma estimativa da capacidade do processo pode ser feita. Esta informao muito til para
quem projeta o produto e o processo.
3.2.4.3- TIPOS DE GRFICOS DE CONTROLE
Um Grfico de Controle varia conforme os dados que ele contenha. Conforme a caracterstica
investigada seja uma v.a. contnua ou discreta tem-se um tipo de grfico. De forma que, se os dados
so contnuos ele dever ser construdo com a mdia amostral, x , e com a amplitude amostral, R.
J com dados discretos deve-se trabalhar com as estatsticas amostrais nmero de defeituosos (n $ )
e com a frao de defeituosos $ . Desta forma podemos classificar os Grficos de Controle nas
categorias:
a) Grficos de Controle por Atributos
b) Grficos de Controle por Variveis
No Grfico de Controle por Atributos um produto classificado como possuindo ou no um
atributo ou qualidade. Assim, o produto atende ou no a uma especificao. Os itens que no
satisfazem a especificao so denominados defeituosos. Muitas vezes o interesse da Administrao
est na frao de unidades defeituosas em produo. Por outro lado, freqentemente est-se
interessado na evoluo de uma caracterstica quantitativa (dimetro de um pino por exemplo).
Neste caso trabalha-se com o Grfico de Controle por Variveis. Na verdade existem vrios tipos de
Grficos de Controle, contudo com aplicao menos freqente do que os tipos citados acima.
GRFICOS DE CONTROLE POR VARIVEIS
No acompanhamento de um aspecto quantitativo da qualidade, em geral, se controla tanto o valor
mdio daquele como sua variabilidade, atravs de grficos separados. O controle do valor mdio do
desempenho do processo feito atravs do grfico de x (Grfico x ). A variabilidade do processo
controlada pelo grfico do desvio-padro (Grfico s) ou, o que mais comum pelo grfico da
amplitude (Grfico R). Deve-se manter sob controle tanto o desempenho mdio como a
variabilidade do processo.
Grfico x

54

Suponha que a caracterstica de qualidade que se pretende controlar tenha uma Distribuio
Gaussiana com mdia e desvio-padro , ambos conhecidos. Na prtica no se conhece os
parmetros e . Deve-se estima-los a partir de uma amostra em um perodo anterior quando o
processo est sob controle. O tamanho de uma amostra para este tipo de estimativa deve ser de 20 a
25 observaes. E, como a estatstica piv z, abaixo, tem distribuio Normal Padro N(0,1)
z=
tem-se que P( z1
2

x
z 1 ) = 1

2
n
P x z 1
x + z 1 = 1

2
2
n
n

que o intervalo de confiana de nvel 1 - para o parmetro a mdia do processo. Portanto,


pode-se usar os limites do intervalo de confiana como limites de controle para a mdia,
LIC = x z 1

LSC = x + z1

Suponha, agora que m amostras aleatrias de tamanho n so disponveis ou seja tem-se m amostras
com n observaes cada uma. A magnitude de n da ordem de 4, 5 ou 6 observaes. Das m
amostras obtm-se as mdias amostrais:
x 1 , x 2 , x 3 , ..., x m
e tambm a mdia amostral global, considerando todas as m.n observaes
x=

x1 + x 2 +...+ x m
m

Deste modo x o melhor estimador da mdia do processo .


O valor de do escore padronizado, em geral, fixado em 3 para se ter os limites a 3 (trs desviospadro),
z1 = 3
2

Agora, para se construir os limites de controle est faltando apenas a estimativa do desvio-padro .
Em controle de qualidade tradicional estimar-se o desvio-padro usando-se a amplitude amostral
R, ao invs da expresso baseada em s2. claro que o estimador s tambm pode ser usado. No caso
da estimativa com base na amplitude amostral, se x1, x2, ..., xn a amostra de tamanho n , ento a
amplitude da amostra, R, dada pela diferena entre o valor mximo e o valor mnimo da amostra,
isto :
R = x ( n ) x (1)

55

A amplitude da amostra de uma distribuio Normal, R, e o desvio-padro da distribuio, , tm


um relacionamento conhecido:
W = R
Esta varivel aleatria W chamada amplitude relativa e a mdia da distribuio de W
representada por d2. Assim, um estimador do desvio-padro dado por:
$ = R d
2
O valor de d2 funo do tamanho da amostra n. Agora, tomando-se as m amostras de tamanho n,
disponveis, obtm-se a amplitude amostral mdia R ,
R=

R 1 + R 2 +...+ R m
m

e uma boa estimativa de :


$ = R d
2
Mas, por qual razo usa-se o estimador de dado acima quando se dispe de estatsticas mais
eficientes (s)? A resposta a simplicidade de clculo e tambm porque a eficincia de $
praticamente a mesma de s quando o tamanho da amostra baixo (n < 10). Finalmente, com as
estimativas de todos os parmetros tem-se os limites de controle:
LIC = x

3R

d2 n
3R
LSC = x +
d2 n

A quantidade A 2 =

uma constante que depende apenas do tamanho da amostra n, logo


d2 n
pode tambm ser tabelado como d2 resultando para os limites a forma:
LIC = x A 2 R
LIC = x + A 2 R
Os valores da constante A2 e da mdia d2 da amplitude relativa W so dados abaixo para os
tamanhos de amostras mais usados:

A2
d2
d3

2
1,880
1,128
0,853

3
1,023
1,693
0,888

Tamanho da amostra n
4
5
6
7
0,729 0,577 0,483 0,419
2,059 2,326 2,534 2,704
0,880 0,864 0,848 0,833

8
0,373
2,847
0,820

9
0,337
2,970
0,808

10
0,308
3,078
0,797

56

D3
D4

0
3,267

0
2,575

0
2,282

0
2,115

0
2,004

0,076
1,924

0,136
1,864

0,184
1,816

0,223
1,777

Grfico R
Como a amplitude R est relacionada com o desvio-padro do processo , a variabilidade do
processo pode ser controlada por meio do grfico dos valores da amplitude amostral R, para
sucessivas amostras. Um grfico deste tipo denominado Grfico R. Para se construir os limites de
controle h necessidade de se conhecer o desvio-padro de R, R . Um estimador de R pode ser
construdo a partir da distribuio da amplitude relativa W = R , supondo que a caracterstica que
se quer controlar tenha distribuio Gaussiana. O desvio-padro de W denotado por d3 e uma
funo conhecida do tamanho da amostra n. Ento, j que R = W o desvio-padro de R dado
pela expresso:
R = d 3
e como desconhecido usa-se o seu estimador construdo anteriormente $ = R d , de modo que
2
se tem:
d R
$ R = 3 d

Portanto, os limites de controle a 3 desvios-padro (que o usual), para a amplitude R, so dados


por:

d
d R
LIC = R 3$ R = R 3 3 d = R 1 3 3
2
d2

LIC = R + 3$ R = R + 3

d 3R

d3
=
+
R
1
3

d2
d2

e a quantidade entre parnteses pode ser, facilmente, tabelada de modo que se tem:

d
D 3 = 1 3
d2

d
D 4 = 1 + 3
d2
e, finalmente, os limites so:
LIC = R. D 3 e LSC = R. D 4
Exemplo 1: (Do livro de D.C.Montgomery pg. 206 - ref. [1])
Os anis de pisto do motor de um certo tipo de automvel so fabricados por processo de pea
forjada. A administrao da indstria deseja estabelecer um Controle Estatstico do dimetro interno
do anel fabricado pelo processo, usando grficos da mdia x e da amplitude R. Para estimar os

57

parmetros do processo foram tomadas m = 25 amostras, cada uma de tamanho n = 5, em um


perodo onde a administrao acredita que o processo estava sob controle. Os dados observados
esto abaixo. Construa o Grfico R.
Soluo
a) Analiticamente:
LIC = R. D 3 e LSC = R. D 4
R=

R=

( R 1 + R 2 +...+ R 25 )

25
(0,038 + 0,019 +...+0,035)

= 0,023
25
D 3 = 0 e D 4 = 2,115 (tabelados)

LIC = 0,023.0 = 0 e LSC = 0,023. 2,155 = 0,049


b) Computacionalmente no MINITAB
MTB > RCHART C50 5;
SUBC> RBAR;
SUBC> TITLE 'GRAFICO R PARA DIAM. INT. DO ANEL DO PISTAO';
SUBC> XLABEL 'NUMERO DA AMOSTRA';
SUBC> YLABEL 'R'.

58

GRFICO R PARA DIAM. INT. DO ANEL DO PISTO


0.0525+
---------------------------------------------------LSC=0.04916
- +
+
0.0350+
+
+
+
+
_
----------+-+---------------------+-----------+----R=0.02300
+
+
+ + +
+
0.0175+
+
+
+
+
+
+
+
+
+
0.0000+--------------------------------------------------LIC=0.000
+---------+---------+---------+---------+---------+
0
5
10
15
20
25
NUMERO DA AMOSTRA
MTB > DESC C8
R

N
25

MEAN
0.02324

MEDIAN
0.02200

TRMEAN
0.02322

MIN
0.00800

MAX
0.03900

Q1
0.01750

Q3
0.02950

STDEV
0.00850

SEMEAN
0.00170

59

A figura anterior, grfico R, no indica que a variabilidade do processo esteja fora de controle.

Amostra

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

Dados do Dimetro Interno do Anel do Pisto


Observaes
Xi
74.030 74.002 74.019 73.992 74.008 74.010
73.995 73.992 74.001 74.011 74.004 74.001
73.988 74.024 74.021 74.005 74.002 74.008
74.002 73.996 73.993 74.015 74.009 74.003
73.992 74.007 74.015 73.989 74.014 74.003
74.009 73.994 73.997 73.985 73.993 73.996
73.995 74.006 73.994 74.000 74.005 74.000
73.985 74.003 73.993 74.015 73.988 73.997
74.008 73.995 74.009 74.005 74.004 74.004
73.998 74.000 73.990 74.007 73.995 73.998
73.994 73.998 73.994 73.995 73.990 73.994
74.004 74.000 74.007 74.000 73.996 74.001
73.983 74.002 73.998 73.997 74.012 73.998
74.006 73.967 73.994 74.000 73.984 73.990
74.012 74.014 73.998 73.999 74.007 74.006
74.000 73.984 74.005 73.998 73.996 73.997
73.994 74.012 73.986 74.005 74.007 74.001
74.006 74.010 74.018 74.003 74.000 74.007
73.984 74.002 74.003 74.005 73.997 73.998
74.000 74.010 74.013 74.020 74.003 74.009
73.988 74.001 74.009 74.005 73.996 74.000
74.004 73.999 73.990 74.006 74.009 74.002
74.010 73.989 73.990 74.009 74.014 74.002
74.015 74.008 73.993 74.000 74.010 74.005
73.982 73.984 73.995 74.017 74.013 73.998

Ri
0.038
0.019
0.036
0.022
0.026
0.024
0.012
0.030
0.014
0.017
0.008
0.011
0.029
0.039
0.016
0.021
0.026
0.018
0.021
0.020
0.033
0.019
0.025
0.022
0.035

Exemplo 2
Para os dados do dimetro interno do anel do pisto, construa o Grfico x .
a) Analiticamente
LIC = x A 2 R = 74,001 0,577.0,02324 = 73,998
LSC = x + A 2 R = 74,001 + 0,577.0,02324 = 74,014
A linha central est em x = 74,001
b) Computacionalmente no MINITAB
MTB > NAME C50 'DIAM' C7 'XB' C8 'R'
MTB > XBARCHART C50 5;
SUBC> TITLE 'GRAFICO X PARA DIAM. INT. DO ANEL DE PISTAO';
SUBC> XLABEL 'NUMERO DA AMOSTRA';
SUBC> YLABEL 'X'.

60
GRAFICO X PARA DIAM. INT. DO ANEL DO PISTAO
---------------------------------------------------LSC=74.01
74.0100+ +
+
+
+
+
+
+
+
=
X
--------+---------------+-------------------+-+----X=74.00
74.0000+
+
+
+
+
+
+
+
+
+
+
+
+
73.9900+
+
---------------------------------------------------LIC=73.99
+---------+---------+---------+---------+---------+
0
5
10
15
20
25
NUMERO DA AMOSTRA
MTB> DESC C7
N
MEAN
MEDIAN
TRMEAN
STDEV
SEMEAN
XB
25
74.001
74.001
74.001
0.005
0.001
XB

MIN
73.990

MAX
74.010

Q1
73.998

Q3
74.005

A figura anterior, Grfico x , no indica que o processo esteja fora de controle. Portanto, uma vez
que tanto o Grfico R quanto o Grfico x indicam controle, pode-se concluir que o processo est
sob controle e adotar os limites construdos para um Controle Estatstico do Processo.

LISTA DE EXERCCIOS N 4
1) Resolva computacionalmente os seguintes exerccios da lista n 1:
1, 2, 3, 4 e 11
Sugesto: no exerccio nmero 11 use:
MTB >
MTB >
SUBC>
MTB >

DIVI 1 0.125 K1
CDF 1 K2;
EXPO K1.
PRINT K2

2) Resolva computacionalmente os segintes exerccios da lista n 2: 1, 3, 4 e 5


3) Para o exerccio da pgina 38, faa o seguinte:
a) Descreva a amostra
b) Construa uma coluna so com os dias (1,2,3, ... , 26) e faa o grfico de controle PROPORO
DIRIA DE DEFEITUOSOS X DIA. Sugesto:
MTB >
DATA>
DATA>
MTB >
MTB >
DATA>
DATA>
MTB >
SUBC>
SUBC>
SUBC>

SET C1
0.10 0.15 .... 0.11
END
NAME C1 '%DEF' C2 'DIAS'
SET C2
1 2 3 ..... 26
END
PLOT C1 C2;
TITLE 'GRAFICO DA PROP. DIARIA DE DEFS. ';
XLABEL 'DIAS';
YLABEL '% DEFS.'.

61

4) Repita o exerccio com os dados da pgina 39.


5) Faa o mesmo dos exerccios 3 e 4, so que com os dados da pgina 41.
6) Entre com os dados da pg. 71 no MINITAB, montando uma coluna com as 125 observaes.
Entre os 5 da primeira linha, em seguida os 5 da segunda, etc. Assim,
MTB >
DATA>
DATA>
DATA>
DATA>
DATA>

SET C50
74.030 74.002 ... 74.008 73.995 73.992 ... 74.004
.....
.....
73.982 73.984 ... 74.013
END

Agora, voc vai fazer o Grfico R para os dados. Como o tamanho de cada amostra n=5, voc tem
na coluna C50 125 observaes, ento a indicao a seguinte:
MTB >
SUBC>
SUBC>
SUBC>
SUBC>

RCHART C50 5;
RBAR;
TITLE 'GRAFICO ......';
XLABEL 'NUMERO DA AMOSTRA';
YLABEL 'R'.

7) Faa agora o Grfico x para os mesmos dados.


MTB >
SUBC>
SUBC>
SUBC>
SUBC>

XBARCHART C50 5;
RBAR;
TITLE 'GRAFICO ....';
XLABEL 'NUMERO DA AMOSTRA';
YLABEL 'XB'.

8) Verifique se os dados da pgina 71 seguem a Distribuio Normal (Gaussiana). Faa um teste.


9) Faa o Grfico P para os dados da pgina 80, siga a apostila.
10) Faa o Grfico NP para os dados da pgina 80.
11) O tempo de falha (tempo at falhar) de uma pea eletrnica usada em uma estao de trabalho
para processar texto foi satisfatoriamente modelada por uma distribuio Weibull com os
parmetros a = 0.50 e b = 1000. Determine a frao de peas que duram mais de 4000 horas.
Sugesto:
MTB >
SUBC>
MTB >
MTB >

CDF 4000 K1;


WEIBULL 0.50 1000.
SUBT K1 1 K2
PRINT K2

62

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). comum usar-se a classificao de nodefeituosos e defeituosos quando as exigncias de projeto so atendidas ou no. Essas
caractersticas so chamadas de atributos.
Existem dois tipos de Grficos de Controle para atributos. O primeiro considera como medida de
qualidade a frao de defeituosos produzidos pelo processo e conhecido como Grfico p. J o
segundo usado quando mais conveniente acompanhar-se o nmero de defeitos observados por
produto, neste caso o grfico denominado Grfico c. Entende-se por frao de artigos defeituosos
como a razo entre o nmero de itens defeituosos e o total de itens. claro que os itens podem
apresentar vrias caractersticas distintas que so inspecionadas ao mesmo tempo. Se qualquer
dessas caractersticas estiver fora das especificaes de projeto o item classificado de defeituoso.
A construo do Grfico de Controle para a proporo de defeituosos feita com base na
distribuio Binomial. Suponha que o processo produtivo esteja operando sob controle ou seja o
processo estvel ou melhor todas as causas particulares de variao foram eliminadas. Ento, a
probabilidade de que um item qualquer seja classificado como defeituoso = p. Esta
probabilidade constante e os itens produzidos so v.a's i.i.d. ou seja independentes, identicamente
distribudas, com distribuio Bernoulli x i b(1, p) , o parmetro da Bernoulli p. Quando se toma
uma amostra de n unidades do processo e elas so inspecionadas em um dado instante e fixando-se
Y como sendo o nmero de defeituosos existente na amostra, ento Y tem uma distribuio
Binomial, Y b( n, p) , com parmetros n e p. Estas distribuies j foram estudadas anteriormente.
A frao de defeituosos $ = p$ = Y n uma estatstica amostral muito importante. Possui mdia e
desvio-padro iguais a
p$ = p e 2p$ =

p(1 p)
n

O Grfico de Controle para a proporo de defeitusos pode ser construdo das seguintes formas:
1 ) Se a frao de defeituosos conhecida (ou estimada com base em dados anteriores), p
. a linha central fixada em p
p(1 p)
n
p(1 p)
LSC = p + 3.
n
Tomando-se sucessivas amostras de n unidades e calculando-se a frao amostral de defeituosos
para cada amostra, obtm-se os pontos do grfico. Se as fraes amostrais p$ ficam dentro dos
limites e se no aparece nenhum comportamento sistemtico, no aleatrio, dos pontos no grfico
pode-se concluir, afirmar, que o processo est sob controle.
LIC = p 3.

63

2 ) Se a frao de defeituosos no for conhecida, ela ser avaliada (estimada) a partir de dados
observados nos perodos iniciais do processo. Neste caso, deve-se selecionar m amostras de
tamanho n. O valor de m, em geral, de 20 a 25.
Assim, o nmero de defeituosos em cada amostra Yi i=1,..,m e a frao amostral de defeituosos :
Y
p$ i = i
n
Os estimadores da mdia e do desvio-padro dessa estatstica so:
p$ =

1 n
p i e p$ =
m i =1

p$ (1 p$ )
n

Portanto, pode-se construir o Grfico de p usando-se:


. linha central fixada em p$
p$ (1 p$ )
n
p$ (1 p$ )
. LSC = p$ + 3
n

. LIC = p$ 3

Exemplo 3 (Do livro de D.C.Montgomey pg. 151 - ref. [1]) Suco concentrado de laranja congelado
armazenado em caixas de papelo. Estas caixas so fabricadas por uma mquina que molda o
papelo e a seguir uma pelcula de metal colocada internamente na caixa. A inspeo da caixa
determina se ela quando cheia pode vazar, na costura dos lados ou no fundo. Deseja-se estabelecer
um Grfico de Controle para controlar a frao de caixas no-conformes produzidas pela mquina.
Para construir esse grfico, tomou-se m = 30 amostras de tamanho n = 50 caixas, selecionadas em
intervalos de 1/2 hora nos trs perodos em que a mquina estava em funcionamento contnuo. Os
dados so os seguintes:
Dados da Caixa de Suco de Laranja m=30 n=50
frao amostra n def. frao
amostra n def.
frao amostra n def.
1
12
0.24
11
5
0.10
21
20
0.40
2
15
0.30
12
6
0.12
22
18
0.36
3
8
0.16
13
17
0.34
23
24
0.48
0.24
24
15
0.30
4
10
0.20
14
12
5
4
0.08
15
22
0.44
25
9
0.18
6
7
0.14
16
8
0.16
26
12
0.24
7
16
0.32
17
10
0.20
27
7
0.14
8
9
0.18
18
5
0.10
28
13
0.26
9
14
0.28
19
13
0.26
29
9
0.18
10
10
0.20
20
11
0.22
30
6
0.12
a) Analiticamente
As amostras fornecem:
p$ =

1 30
1
p$ i =
(0,24 + 0,30+...+0,12) = 0,2313

30 i=1
30

que o estimador da verdadeira frao de defeituosos p.

64

$ p$ =

p$ (1 p$ )
0,2313(1 0,2313)
=
= 0,0596
n
50

. a linha central fixa em 0,2313


p$ (1 p$ )
. LIC = p$ 3
= 0,2313 3.0,0596 = 0,0525
n
p$ (1 p$ )
. LSC = p$ + 3
= 0,2313 + 3.0,0596 = 0,4101
n
b) Minitab
MTB > NAME C2 'NUM.DEF.'
MTB > NAME C3 'FRA.DEF.'
MTB > PCHART C2 50;
SUBC> TITLE 'GRAFICO P PARA DADOS CAIXA DE SUCO';
SUBC> XLABEL 'NUMERO DA AMOSTRA';
SUBC> YLABEL 'PROPORCAO AM. DEFS.'.
P
R
O
P
O
R
C
A
O
A
M
.
D
E
F
S
.

GRAFICO P PARA DADOS DA CAIXA DE SUCO


+
0.450+
+
-------------------------------UCL=0.4102
+
+
+
+
0.300+ +
+
+
+
+ _
-+------------+-----------+----P=0.2313
+
+
+ +
+
+
+
0.150+ + +
+
+
+
+
+
+
+
-------------------------------LCL=0.05243
0.000+
+---------+---------+---------+
0
10
20
30
NUMERO DA AMOSTRA

65

No grfico observa-se que as fraes de defeituosos amostrais nmeros 15 e 23 esto acima do


limite superior de controle, logo o processo no est sob controle. Estes pontos devem ser
investigados afim de se identificar a causa dessa exagerada frao de defeituosos. A investigao
dessa ocorrncia indicou que a amostra 15 foi tomada quando se estava usando um novo lote de
papelo. A introduo de novos lotes de insumos pode, algumas vezes, causar uma produo
irregular. No caso da amostra 23 a investigao revelou que no perodo em que a amostra foi obtida
um operador relativamente inexperiente tinha, temporariamente, assumido a mquina. Uma vez que
se acredite que os fatores particulares "lote novo de papelo" e "operador inexperiente" causaram os
problemas, deve-se eliminar as amostras 15 e 23 e um novo grfico deve ser traado (novos limites
e linha de centro). De maneira que se tem
p$ =

1 28
1
p$ i =
(0,24 + 0,30+...+0,12) = 0,2150

28 i=1
28

p$ (1 p$ )
= 0,2150 3.0,0581 = 0,0407
n
p$ (1 p$ )
= 0,2150 + 3.0,0581 = 0,3893
LSC = p$ + 3
n
LIC = p$ 3

MTB > NOTE :


MTB >
MTB >
SUBC>
MTB >

OS DADOS ESTAO EM C2
NOTE : VAMOS RETIRAR A AMOSTRA 15 E 23 DOS DADOS
COPY C2 C22;
OMIT 15 23.
DESC C2 C22

NUM.DEFS
NUM.DEFS

N
30
28

MEAN
11.567
10.750

MEDIAN
10.500
10.000

TRMEAN
11.231
10.654

NUM.DEFS
NUM.DEF

MIN
4.000
4.000

MAX
24.000
20.000

Q1
7.750
7.250

Q3
15.000
13.750

MTB >
SUBC>
SUBC>
SUBC>

STDEV
5.117
4.204

PCHART C22 50;


TITLE 'GRAFICO P DOS DADOS DA CAIXA DE SUCO';
XLABEL 'NUMERO DA AMOSTRA';
YLABEL 'PROPORCAO AM.'.
GRAFICO P DOS DADOS DA CAIXA DE SUCO

P
R
O
P
O
R
C
A
O
A
M
O
S
T
R
A
L

--------------------+--------UCL=0.3893
0.375+
+
+
+
- +
+
+
0.250++
+
+
+ + _
-------------------+---------P=0.2150
+
+
+
+
+
+
- + +
+
+
0.125+
+
+
+
+
+
-----------------------------LCL=0.04070
0.000+
+---------+---------+---------+
0
10
20
30
NUMERO DA AMOSTRA

Observa-se agora que o processo est sob controle.

SEMEAN
0.934
0.795

66

GRFICOS DE CONTRLE PARA O NMERO DE DEFEITOS - GRFICO C E U


GRFICO C
Como se sabe, um artigo considerando defeituoso quando no satisfaz uma ou vrias
especificaes. Em conseqncia, um artigo defeituoso ir conter pelo menos um defeito. Em vrias
situaes perfeitamente possvel que uma unidade do artigo contenha vrios pontos onde as
especificaes no foram atendidas. Nas indstrias de produo contnua, como papel, tecidos, etc.,
mais razovel a considerao do nmero de defeitos por unidade do artigo do que a simples
classificao em perfeito/defeituoso. Assim, a construo de grficos de controle para o nmero de
defeitos segue a distribuio de Poisson. O modelo de Poisson com parmetro = c para o nmero
de defeitos X observado por unidade do produto :
P( X = k ) =

c k e c
, k = 0, 1, 2, ...
k!

A mdia da v.a. X o parmetro c e a variancia tambm c, logo o desvio-padro


limites de controle a 3 desvios padro sero:

c e os

LIC = c 3 c
LSC = c + 3 c
e a linha central fixada em c. Quando resultar c 3 c < 0 o limite inferior colocado em zero.
Como em geral o parmetro c desconhecido, deve-se estima-lo por x .
Exemplo 1: (D.C. Montgomery pg. 174)
Os dados abaixo referem-se ao nmero de defeitos observados em 26 amostras sucessivas de 100
placas de circuito impresso. A unidade do produto (por convenincia) 100 placas de circuito
impresso. Seja construir um grfico de controle para o nmero de defeitos por unidade do produto
(100 placas de cir. impr.).

n amostra
1
2
3
4
5
6
7
8
9

defeitos
21
24
16
12
15
5
28
20
31

n amostra
10
11
12
13
14
15
16
17
18

defeitos
25
20
24
16
19
10
17
13
22

n amostra
19
20
21
22
23
24
25
26

A estimativa do parmetro c dada pela mdia amostral


c$ = x = 516 26 = 19,85
LIC = 19,85 3 19,85 = 6,48

defeitos
18
39
30
24
16
19
17
15

67

LSC = 19,85 + 3 19,85 = 33,22


A linha central colocada em 19,85.
No MINITAB tem-se:
MTB > CCHART
SUBC>
SUBC>
SUBC>

C1;
TITLE 'GRAFICO DO NUMERO DE DEFEITOS POR 100 PLACAS';
XLABEL 'NUMERO DA AMOSTRA';
YLABEL 'NUMERO DE DEFEITOS'.

GRAFICO DO NUMERO DE DEFEITOS POR 100 PLACAS


+
37.5+
-----------------------------------------------------UCL=33.21
+
+
+
25.0+
+
+
+
+
+
_
--+-------------+-----+-----+-------------------+----C=19.85
+
+
+
+
+
+
+
+
12.5+
+
+
+
-----------------------------------------------------LCL=6.481
+
0.0+
+---------+---------+---------+---------+---------+---------+
0
5
10
15
20
25
30
NUMERO DA AMOSTRA

N
U
M
E
R
O
D
E
D
E
F
E
I
T
O
S

Observa-se no grfico que dois pontos esto fora dos limites de controle, respectivamente as
amostras ns. 6 e 20. Uma investigao sobre estes pontos revelou que esta amostra tinha sido
inspecionada por um novo inspetor e que ele no tinha identificado alguns tipos de defeitos que
poderiam estar presentes. J o grande nmero de defeitos presentes na amostra de nmero 20
resultou de problemas no controle da mquina de solda por ultra-som, que posteriormente foi
consertada. Desta forma os pontos 6 e 20 foram retirados do grfico, que foi refeito com novas
estimativas, que agora se tornaram valores padro,
c$ = x = 472 24 = 19,67
LIC = 19,67 3 19,67 = 6,37
LSC = 19,67 + 3 19,67 = 32,97
A linha central colocada em 19,67.
Posteriormente 20 novas amostras foram coletadas. Os nmeros observados de defeituosos
respectivamente foram:
16

18

12

15

24

21

28

20

25

19

18

21

16

22

19

12

14

Os novos pontos so plotados no grfico estabelecido na etapa anterior:

16

21

68
MTB > CCHART C1;
SUBC> MU=19.67;
SUBC> TITLE 'GRAFICO DO NUMERO DE DEFEITUOSOS POR 100 PLACAS';
SUBC> XLABEL 'NUMERO DA AMOSTRA';
SUBC> YLABEL 'NUMERO DE DEFEITUOS'.
GRAFICO DO NUMERO DE DEFEITOS POR 100 PLACAS
N
U
M
E
R
O
D
E
D
E
F
E
I
T
O
S

-----------------------------------------UCL=32.97
30.0+
+
+
+
+
+
+
+
20.0+---------------+---+---------+----------MU=19.67
+
+
- +
+
+
+
+
+
+
10.0+
+
-----------------------------------------LCL=6.37
+---------+---------+---------+---------+
0
5
10
15
20
NUMERO DA AMOSTRA

Os novos pontos situaram-se todos dentro dos limites de controle, contudo o nmero de defeitos nas
placas considerado inaceitavelmente alto. Uma ao da administrao necessria para
aperfeioar o processo.
Para o aperfeioamento do processo deve-se, ento, fazer uma anlise cuidadosa da freqncia e da
distribuio dos diversos tipos de defeitos. Uma tcnica muito til o Diagrama de Causa e Efeito
( tambm conhecido por Diagrama Espinha de Peixe e ainda por Diagrama de Ishikawa). usado
para mostrar claramente as vrias fontes de defeitos e as relaes entre elas. No caso das placas de
circuito tem-se 16 tipos de defeitos e os quantitativos para 500 placas e 98 defeitos encontrados
esto abaixo, ento comeando-se com o Grfico de Pareto para estes dados:
Tipo de Defeito
D1
D2
D3
D4
D5
D6
D7
D8
D9
D10
D11
D12
D13
D14
D15
D16
Total

freqencia
40
20
7
6
5
3
3
3
2
2
2
1
1
1
1
1
98

DIAGRAMA DE PARETO

69

Defeito
D1
D2
D3
D4
D5
D6
D7
D8
D9
D10
D11
D12
D13
D14
D15
D16

****************************************
********************
*******
******
*****
***
***
***
**
**
**
*
*
*
*
*

freqncia
40
20
7
6
5
3
3
3
2
2
2
1
1
1
1
1

Observa-se no grfico que 60% dos defeitos so de dois tipos D1 e D2, (ambos relacionados com o
processo de soldagem dos elementos). As causas para estes tipos de defeitos devem ser procuradas,
isoladas e eliminadas. Isto feito a produo melhorar dramaticamente. A busca das causas dos
defeitos deve comear com um Diagrama de Causa e Efeito.
GRFICO U
No exemplo para o Grfico C, visto anteriormente, trabalhou-se com um tamanho de amostra igual
a unidade de inspeo, 100 placas de circuito. Contudo, poderia ter sido usado vrias unidades de
inspeo. Supondo que cada ponto do Grfico de Controle foi obtido com base em n unidades de
inspeo, teremos que a v.a. observada Y (nmero de defeituosos nas n unidades) ter distribuio
de Poisson com parmetro nc (soma de v.a's Poisson com parmetro Poisson com um parmetro
igual a n). Desta forma a distribuio de Y
P( Y = k ) =

( nc) k e nc
k!

e se construiria o grfico da mesma forma que o anterior, a partir deste ponto. Porm, existe uma
outra abordagem para o problema. possvel trabalhar-se com o nmero mdio de defeitos por
unidade de inspeo. Se Y o nmero de defeitos presentes nas n unidades, ento o nmero mdio
de defeitos por unidade :
U=

Y
Y P( nc)
n

consequentemente os parmetros da v.a. U so:


c
Y 1
= E ( U ) = E = E ( Y) = n = c
n n
n
1
c
c
Y
2 = V( U ) = V = 2 V( Y) = n 2 =
n n
n
n

70

O estimador do parmetro
1 n
c$ = u = u i (mdia do nmero mdio por unidade em m amostras tamanho n)
n i =1
ento os limites so:
LIC = u 3

u
n

u
n
e a linha de centro fixada em u . O grfico construdo desta forma chamado de Grfico do
Nmero de Defeitos por Unidade e denotado por Grfico U.
LSC = u + 3

Exemplo 2 (D.C. Montgomery pg. 181)


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.
n amostra tam. amostra
1
5
2
5
3
5
4
5
5
5
6
5
5
7
5
8
9
5
10
5
Linha central em u =

n defeitos
10
12
8
14
10
16
11
7
10
15

n amostra tam. amostra


11
5
12
5
13
5
5
14
15
5
16
5
17
5
18
5
19
5
20
5

1 m
1 20
1 10
12
5
ui =
ui =

5 + 5 +...+ 5 = 1,93
m i =1
20 i=1
20
u
1,93
= 1,93 3.
= 0,066
n
5
1,93
u
LSC = u + 3
= 1,93 + 3.
= 3,790
n
5
LIC = u 3

n defeitos
9
5
7
11
12
6
8
10
7
5

71
MTB > UCHART
SUBC>
SUBC>
SUBC>
N
U
M
.
D
E
D
E
F
S
.
P
O
R
U
N
.

C1 5;
TITLE 'GRAFICO U PARA DADOS DA FABRICA DE COMPUTADOR';
XLABEL 'N DA AMOSTRA';
YLABEL 'NUM. DE DEFS. POR UN.'.

GRAFICO U PARA DADOS DA FABRICA DE COMPUTADOR


3.75+----------------------------------------UCL=3.794
+
+
+
2.50+
+
+
+
+
_
--+-------+-------+-----------------+----U=1.930
+
+
+
+
+
+
1.25+
+
+
+
0.00+----------------------------------------LCL=0.06613
+---------+---------+---------+---------+
0
5
10
15
20
N DA AMOSTRA

Exerccio
Em uma fbrica de tecidos a cor do tecido inspecionada para verificar a ocorrncia de defeitos por
50 m2. Os dados de 10 rolos de tecido so mostrados abaixo. Determine os limites de controle para
o nmero de defeitos por unidade.
Obs. Os limites de controle variam com o tamanho da amostra n (ni).
rolo
1
2
3
4
5
6
7
8
9
10

rea
500
400
650
500
475
500
600
525
600
625

total defeitos
14
12
20
11
7
10
21
16
19
23

unid. inspeo
10.0
8.0
13.0
10.0
9.5
10.0
12.0
10.5
12.0
12.5

defeitos/unid.
1.40
1.50
1.54
1.10
0.74
1.00
1.75
1.52
1.58
1.84

Tamanho da Amostra (Grficos de Controle para Atributos)


O Grfico de Controle da frao de defeituosos depende de trs parmetros: tamanho da amostra n,
freqncia da amostragem e a distncia entre os limites de controle. comum o Grfico de Controle
para a frao de defeituosos basear-se em uma inspeo de todo o processo, em um determinado
perodo, tal como um torno de trabalho ou um dia de trabalho. Neste caso o tamanho da amostra n e
a freqncia de amostragem esto relacionados. Se existem 3 turnos e se suspeita que os turnos
diferem na qualidade do produto fabricado, ento tomar-se-ia sub-amostras dos 3 turnos. O tamanho
n da amostra pode ser determinado de vrias formas. Quando a frao de defeituosos p muito
pequena deve-se escolher n tal que a probabilidade de encontrar pelo menos um defeituoso seja alta,
prxima de 1. O que se faz escolher o tamanho da amostra tal que a probabilidade de encontrar

72

uma unidade defeituosa seja de, no mnimo, 1- com sendo um nmero pequeno (<0,10 ). Ento,
suponha que p = 0,001 e que se quer uma probabilidade de encontrar-se um defeituoso na amostra
de 0,95 no mnimo ( 0,05 ). Se Y representa o nmero de defeituosos tem-se:
P(Y 1) 0,95
E, como p muito pequeno, deve-se aproximar a distribuio binomial pela distribuio de Poisson,
P( Y = y ) =

Se
e

y e
, com = np e y = 1, 2, ...
y!

0 e
= e 0,05 , ento desta
0!
= 1 0,05 = 20 = 3 e como = n.p = 3 tem-se que n = 3 0,001 = 3000
P(Y 1) = 0,95

ento

P(Y = 0) =

ltima

equao

Outra forma de se determinar o tamanho da amostra n aquela tal que exista uma probabilidade de
aproximadamente 0,50 de que seja detectada uma mudana previamente especificada no nvel de
qualidade do processo. Assim, suponha que se tenha uma frao de defeituosos de 0,001 e que se
deseje uma probabilidade de 0,50 de se detectar uma variao no nvel da frao de defeituosos para
0,003. Representando esta variao por , deve-se colocar o LSC em 0,003, isto LSC = 0,003 e
determinar n, nestas condies:
=k

p(1 p)
n
2

k
n = p(1 p)

Usando-se os nmeros estabelecidos acima tem-se:


2

3
n=
(0,001).(0,999) = 2247
0,002

Tamanho da Amostra (Grficos de Controle para Variveis)


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 de mudanas pequenas no nvel do
processo. O grfico da Curva Caracterstica de Operao (disponvel na bibliografia sugerida)
fornece a probabilidade de uma mdia x i cair entre os limites de controle, conforme seja o tamanho
da amostra e o valor da linha central x . O ideal tomar-se uma amostra grande, contudo isto no
economicamente interessante. Quando o Grfico x estiver sendo usado para detectar mudanas no
desempenho do processo de magnitude iguais ou maiores do que 2, amostras de tamanho n = 4, 5
ou 6 so perfeitamente razoveis. Mas, quando se deseja detectar mudanas menores no nvel de
operao do processo, ento amostras maiores sero necessrias, com n possivelmente da ordem de

73

15 a 25. Estes conceitos sero melhor abordados em um exerccio, inclusive a parte de Curva
Caracterstica de Operao.
3.2.5- ANALISE DA CAPACIDADE DE UM PROCESSO
CAPACIDADE DO PROCESSO
Capacidade de um processo tem a ver com a uniformidade do processo ou seja tem a ver com a
variabilidade do processo, pois a variabilidade uma medida da uniformidade do processo. Ento,
entende-se que a capacidade do processo a sua performance. Os grficos de x e de R forneceram
importantes informaes sobre a capacidade do processo. Do grfico de x tem-se que o dimetro
mdio do anel 74,001 mm e o desvio-padro estimado por $ = R d = 0,02324 2,326 = 0,0099 .
2
Como os limites da especificao de projeto para o dimetro so 74,000 0,05 mm importante
saber como o processo est se saindo com o que se espera dele. Qual a capacidade do processo para
produzir anis de pisto com aqueles limites de especificao? Assumindo que a varivel em
questo seja Gaussiana (j vamos fazer um teste adiante) com mdia =74,001 e varincia
2=0,00992, possvel estimar-se a frao de anis no-conformes produzidos:
(especif.) P(73,95 < X < 74,05)

= P(X < 74,05) - P(X < 73,95)


= F(74,05) - F(73,95)
= 0,999999523
ento a frao de no-conformes = 1 - 0,999999523 = 0,000000477
= 4,77/10000000 5/10 milhes

No MINITAB
MTB > CDF 74.05 K1;
SUBC> NORMAL 74.001 0.0099.
MTB > CDF 73.95 K2;
SUBC> NORMAL 74.001 0.0099.
MTB > SUBT K2 K1 K3
ANSWER =
1.0000
MTB > PRINT K1 K2 K3
K1
1.00000
K2
0.000000119
K3
1.00000
MTB > SUBT K3 1 K5
ANSWER =
0.0000
MTB > PRINT K1 K2 K3 K5
K1
1.00000
K2
0.000000119
K3
1.00000
K5
0.000000477

Uma forma alternativa de se determinar a capacidade do processo usar-se a razo da capacidade


do processo, definida por:
LSE LIE
6
74
,
05
73
,95

$ =
PCR
= 1,6835
6.0,0099
PCR =

Ento, conclui-se que os limites de 3 para o dimetro produzido est dentro da especificao, alis
a parte da especificao ocupada pelos limites o inverso daquela razo, resultando 59,4%.

74

VERIFICAO DA NORMALIDADE
fcil verificar se os dados seguem a distribuio Normal, basta fazer o Grfico de Probabilidade
Normal e ainda um teste com base na correlao. No exemplo tem-se,
MTB > NOTE ***** OS DADOS ESTAO EM C50 ********
MTB >
MTB > DESC C50
N
125
MIN
73.967

C50
C50
MTB
MTB
MTB
MTB
MTB
Z

2.0+
0.0+
-2.0+
-

>
>
>
>
>

MEAN
74.001
MAX
74.030

MEDIAN
74.001
Q1
73.994

TRMEAN
74.001
Q3
74.008

STDEV
0.010

SEMEAN
0.001

NOTE ***** CALCULANDO OS ESCORES PADRONIZADOS DE C50 ******


NSCORE C50 C51
NAME C50 'DIAM' C51 'Z'
NOTE ****** FAZENDO O GRAFICO DOS ESCORES CONTRA OS DADOS **
PLOT C51 C50

**
4 *2
*35
364
4745
974
+352
346
36
42*
*
*

----+---------+---------+---------+---------+---------+--DIAM
MTB > NOTE ***** O GRAFICO E PRATICAMENTE UMA RETA ****
MTB > NOTE ***** FAZENDO O TESTE ****
MTB > DESC C51 C50
N
125
125

MEAN
0.0002
74.001

MEDIAN
-0.0100
74.001

TRMEAN
-0.0012
74.001

MIN
Z
-2.5687
DIAM 73.967

MAX
2.5687
74.030

Q1
-0.7284
73.994

Q3
0.6645
74.008

Z
DIAM

STDEV
0.9887
0.010

SEMEAN
0.0884
0.001

MTB > CORR C51 C50


MTB > FAZENDO DO TESTE DE NORMALIDADE
Correlation of Z and DIAM = 0.996
MTB > NOTE **** A CORRELACAO CALCULADA 0,996 > 0,9871 (CORR. TAB.)
MTB > NOTE **** COM N = 100 E ALFA = 0,05 LOGO DADOS NORMAIS.

As tcnicas estatsticas podem ser teis em todo ciclo produtivo. So empregadas na quantificao
da variabilidade do processo, na anlise desta variabilidade relativamente s especificaes do
produto e, no auxlio a administrao na eliminao ou reduo dessa variabilidade.
Anlise da Capacidade do Processo: definida como um estudo de engenharia para estimar a
capacidade do processo, sendo que a estimativa pode ser feita por meio de uma distribuio de
probabilidade com uma forma conhecida.
Estimao da Capacidade do Processo

75

Suponha que se deseja estimar a capacidade de um processo de fabricao de garrafas de 1 litro que
sero usadas para armazenar bebida. A caracterstica de qualidade em estudo a fora de presso
necessria para romper a garrafa. Uma amostra aleatria de 100 garrafas foi tomada e medida a
presso necessria para o rompimento. Os dados esto abaixo (D.C. Montgomery pg. 368).
MTB > NAME C1 'PRVIDRO'
MTB > PRINT C1
PRVIDRO
265
205
286
274
242
258
321
228
223
260
276
264
280
265
253
287
274
275
251

263
243
276
250
308
269
272
258
278

307
231
300
299
235
235
283
261
250

220
267
208
258
283
290
265
248
265

268
281
187
267
277
221
262
260
270

260
265
264
293
200
176
271
274
298

234
214
271
265
235
248
245
337
257

299
318
280
254
246
263
301
250
210

215
346
242
281
328
231
280
278
280

197
317
260
294
296
334
274
254
269

A capacidade do processo estimada pela porcentagem dos valores da caracteristica do produto


que se situam entre os limites superior e inferior de tolerncia:
LNTI = - 3. e LNTS = + 3.
MTB > DESC C1
PRVIDRO

N
100

MEAN
264.06

MEDIAN
265.00

TRMEAN
264.17

PRVIDRO

MIN
176.00

MAX
346.00

Q1
248.00

Q3
280.00

STDEV
32.02

SEMEAN
3.20

MTB > HIST C1;


SUBC> START 180;
SUBC> INCR 20.
Histogram of PRVIDRO
Midpoint
180.0
200.0
220.0
240.0
260.0
280.0
300.0
320.0
340.0

N = 100

Count
2 **
4 ****
7 *******
13 *************
32 ********************************
24 ************************
11 ***********
4 ****
3 ***

O clculo da mdia amostral x =

1 n
1
xi =
(265 + 205+...+251) = 264,06

100
n i =1

MTB > MEAN C1 K1


MEAN = 264.06

A varincia amostral
2

1 n
1
(265 264,06) 2 +...+ (251 264,06) 2
s =
( x i x) =

100 1
n 1 i =1
2

e o desvio-padro s = 32,018
MTB > STDEV C1 K2
ST.DEV. = 32.018

76

Os limites estimados a 3 desvios-padro so:


$ 3$ = x 3. s = 264,06 3. 32,018
LNTI = 264,06 96,054 = 168,006
LNTS = 264.06 + 96,054 = 360,114

O clculo no MINITAB
MTB > MULT 3 K2 K4
ANSWER = 96.0538
MTB > SUBT K4 K1 K11
ANSWER = 168.0062
MTB > ADD K4 K1 K22
ANSWER = 360.1138

Deve-se fazer a verificao de Normalidade (Gaussianidade) dos dados; o teste o do Grfico de


Probabilidade Normal (normal probability plot)
MTB
MTB
MTB
MTB

>
>
>
>

NAME C11 'ESCORES'


NAME C1 'PRVIDRO'
NSCORES C1 C11
PLOT C11 C1

ESCORES1.6+
0.0+
-1.6+
-

(so escores z para probabilidades na


curva Normal)

*
*
**
2*
22 2
22*22
36
553
48*
372
*252
24 2
2 2**
2*
**
*
*
----+---------+---------+---------+---------+---------+--PRVIDRO
175
210
245
280
315
350

Calculando a correlao entre os ESCORES e os VALORES


$ = corr ( z ( i ) , x ( i ) )
MTB > CORR C11 C1
Correlation of RESIDUOS and PRVIDRO = 0.992
Como $ = 0,992 maior que a correlao tabelada a 5%, (0,987) aceitamos que os dados vm de
uma Distribuio Normal. Os parmetros dessa distribuio Gaussiana, e 2 , so estimados por
x = 264,06 e s2 = 32,0182. Ento, pode-se estimar a capacidade do processo por:
P(168,0062 < X < 360,1138) = 0,9973
Portanto, aproximadamente, 99,73% das garrafas produzidas pelo processo se rompem entre 168 e
360,11 psi.

77

No MINITAB o clculo :
MTB > CDF 360.1138 K6;
SUBC> NORMAL K1 K2.
MTB > PRINT K6
K6 0.998650
MTB > CDF 168.0062 K7;
SUBC> NORMAL K1 K2.
MTB > PRINT K7
K7 0.00134999
MTB > SUBT K7 K6 K8
ANSWER = 0.9973

RAZES DA CAPACIDADE DO PROCESSO


Frequentemente conveniente se ter um modo simples de expressar a capacidade de um processo.
Uma maneira usar a RAZO DA CAPACIDADE DO PROCESSO (PCR), que j conhecida,
PCR =

LSE LIE
6

$ = LSE LIE
PCR
6$

OBS. PCR tambm conhecida como Cp


Quando o processo s tem um limite de especificao (LSE ou LIE) tem-se a razo da capacidade
do processo unilateral:
LSE
3
LIE
PCR i =
3

PCR s =

somente especificao superior


somente especificao inferior

Exemplo
Suponha que no processo de produo das garrafas existe a especificao de que as garrafas devem
suportar uma fora de pelo menos 200 psi. Neste caso est fixado um limite inferior de
especificao. A capacidade do processo ser estimada usando-se a razo da capacidade do processo
unilateral,
$ = $ LIE
PCR
i
3$
com $ = x = 264,06 e $ = s = 32,016
$ = 264,06 200,00 = 0,67
PCR
i
96,0538
Significando que a distancia da mdia at o limite inferior da especificao menor que a distancia
da mdia at o limite de 3. Sendo assim, qual ser a probabilidade de se produzir itens abaixo da
especificao?

78

x 200 264,06
R. P( x < 200) = P
<
= P( z < 2,00) = 0,0227

32,018
MINITAB
MTB > CDF 200 K5;
ou ento
SUBC > NORMAL K1 K2.
MTB > PRINT K5
0.0227

MTB > CDF -2.0 K6;


SUBC> NORMAL 0 1.
MTB > PRINT K6
0.0227

Portanto 2,27% das garrafas produzidas tem uma resistncia inferior especificada ou seja 22700
garrafas por milho.
A PCR mede a capacidade (habilidade) do processo em produzir de acordo com as especificaes.
A tabela a seguir d os valores PCR quando a distribuio da caracterstica de qualidade normal:

79

Valores de PCR (Cp) e Nmero de Defeituosos Esperados (em PPM)


Distribuio Normal
PCR
espec. unilateral
espec. bilateral
0.25
226628
453255
0.50
66807
133614
0.60
35931
71861
0.70
17865
35729
8198
16395
0.80
0.90
3467
6934
1.00
1350
2700
484
967
1.10
1.20
159
318
1.30
48
96
1.40
14
27
1.50
4
7
1.60
1
2
1.70
0.17
0.34
1.80
0.03
0.06
2.00
0.0009
0.0018
PCR PARA UM PROCESSO NO-CENTRADO
O valor da PCR no considera onde a mdia do processo est localizada com relao s
especificaes. O valor PCR uma medida da amplitude das especificaes em relao a amplitude
6. Pode ocorrer o caso onde em duas distribuies normais tenha-se PCR iguais a 2, porm devido
a descentralidade um dos processos tenha na verdade capacidade inferior ao outro. A figura a seguir
mostra que o processo b tem uma performance inferior ao processo a devido no operar no ponto
mdio do intervalo das especificaes. Uma avaliao mais acurada pode ser obtida usando-se a
razo da capacidade do processo seguinte:
PCR k = min( PCR s , PCR i ) (Cpk )
Se

PCRk = PCR processo est centrado no ponto mdio das especificaes


PCRk < PCR processo no est centrado no ponto mdio das especificaes

O valor de PCRk relativamente a PCR uma medida direta da falta de centralidade do processo.
Veja as figuras adiante.

Exerccios
1) Calcule PCR e PCRk em todos os casos acima.
2) Nos processos acima, quanto se pode esperar de falhas com o processo atual e quanto se pode
esperar de falhas com o processo aperfeioado (potencial)?
3) Nos processos acima, qual a capacidade potencial e qual a capacidade atual?

INTERVALO DE CONFIANA PARA PCR

80

Um intervalo de confianca de nvel 1 - pode ser construido para PCR. A expresso deste
intervalo :

2
LSE LIE
1 , n 1
LSE LIE
2
P
PCR
6s
6s
n 1

= 1
n 1

, n 1
2

Exerccio
A caracterstica de qualidade de um processo tem como limites de especificao os valores LSE =
62 e LIE = 38. Uma amostra de tamanho n = 20 desse processo revelou que o processo est centrado
aproximadamente no ponto mdio e que possui desvio-padro estimado de 1,75. Estime por um
intervalo de 95% de confiana a verdadeira capacidade do processo.
TESTE DE HIPTESE SOBRE PCR
Freqentemente as indstrias requerem que os fornecedores declarem a capacidade do seu processo
em clusula contratual. Assim, necessrio demonstrar que a razo da capacidade do processo
satisfaz ou excede algum valor particular (meta, alvo), PCRo.
Este problema pode ser resolvido por meio do teste de hiptese seguinte:
Hiptese nula:
Ho: PCR < PCRo processo no capaz
Hiptese alternativa: H1: PCR PCRo processo capaz
A hiptese nula Ho rejeitada quando o valor P C$ R supera um valor crtico C.
Definindo-se PCR(alta) como o valor da capacidade do processo para o qual se aceitaria Ho com
probabilidade de 1 - e PCR(baixa) como o valor da capacidade do processo para o qual se
rejeitaria Ho com 1 - de probabilidade, tem-se a tabela abaixo que facilita o teste.

tamanho da
amostra n
10
20
30
40
50
60
70
80
90
100

= = 0,10
PCR(alta) C/PCR (baixa)
PCR(baixa)
1.88
1.27
1.53
1.20
1.41
1.16
1.34
1.14
1.30
1.13
1.27
1.11
1.25
1.10
1.23
1.10
1.21
1.10
1.20
1.09

= = 0,05
PCR(alta) C/PCR(baixa)
PCR(baixa)
2.26
1.37
1.73
1.26
1.55
1.21
1.46
1.18
1.40
1.16
1.36
1.15
1.33
1.14
1.30
1.13
1.28
1.12
1.26
1.11

Exerccio
Uma indstria informa a um de seus fornecedores que os negcios com a empresa so continuaro
se o fornecedor demonstrar que seu processo excede uma PCR = 1,33. O fornecedor para a
demonstrao vai fazer um teste de hiptese com uma amostra de tamanho n, de modo que se a

81

capacidade do processo inferior a 1,33 ele tenha probabilidade alta de detectar este fato ( = 0,90).
Por outro lado se o seu processo tem capacidade superior a 1,66 ele quer ter uma confiana tambm
grande de detecta-la. Construa o teste de hiptese.
Como se viu anteriormente, o ndice PCRk foi inicialmente criado, desenvolvido, porque PCR no
leva em conta se o processo est centrado ou no entre as especificaes. Mas, PCRk tem tambm
algum defeito. Veja que na figura, a seguir, os processos A e B tm PCRk = 1,0 e os seus centros so
claramente diferentes. No processo A tem-se PCR = PCRk = 1,0 enquanto no processo B tem-se
PCR = 2,0 > PCRk = 1,0 mostrando que o processo B est fora de centro. Observe que para algum
valor fixo no intervalo de LIE at LSE, PCRk depende inversamente de e torna-se muito grande
quando aproxima-se de zero. Este o defeito de PCRk como medida da centralidade. Um grande
valor de PCRk no reflete muito bem a questo da localizao da mdia no intervalo de LIE at
LSE. Devido isto criou-se um ndice que um melhor indicador da centralidade. A expresso a
seguinte:
LSE LIE
PCR km =
6
onde a raz quadrada do desvio quadrtico esperado do ponto mdio (alvo)
T=

LSE LIE
2

Ento, 2 = E( x T) 2 = E[( x ) 2 ] + ( T) 2 = 2 + ( T) 2
De forma que pode-se escrever: PCR km =

O estimador de PCRkm P C$ Rkm =

LSE LIE
6 2 + ( T) 2

$
PCR
1 + V2

, com V =

PCR
1+ 2

, onde =

(T )

T x
.
s

Os valores de PCRk e PCRkm coincidem com PCR quando = T (processo centrado) e decrescem
quando se afasta de T. Ento:
. PCRk < 0 para > LSE ou < LIE
. PCRkm vai para zero assintoticamente quando T
LSE LIE
. PCRkm <
6 T
Assim, a condio necessria para PCRkm 1 que T <

LSE LIE
6

Exemplo
Considere os dois processos A e B. Suponha que se tenha para A:
PCR km =

PCR
1+

1
= 1 (j que A est centrado)
1+ 0

claro que PCRkm = PCR = 1,0.

82

Para o processo B, tem-se:


PCR km =

PCR
1+ 2

2
1 + ( 4 ) 2

= 0,48

83

LISTA DE EXERCCIOS N5
1) Os dados abaixo correspondem aos valores da mdia amostral e da amplitude amostral de 24
amostras de tamanho n=5 tomadas de um processo de produo de mancais. A varivel medida o
diametro interno do mancal com somente as trs ltimas casas decimais consideradas (0,50345
34,5). Faa os grficos de controle de x e de R. Ser que o processo est sob controle? Se as
esp ecificaes de projeto pedem um dimetro de 0,5030 0,0010 determine o percentual de
defeituosos produzidos pelo processo.
x
R
x
R

34,5
3
35,4
8

34,2
4
34,0
6

31,6
4
37,1
5

31,5
4
34,9
7

35,0
5
33,5
4

34,1
6
31,7
3

32,6
4
34,0
8

33,8
3
35,1
4

34,8
7
33,7
2

33,6
8
32,8
1

31,9
3
33,5
3

38,6
9
34,2
2

2) O fornecimento de energia eltrica em alta voltagem necessria, para ter uma potncia de 350
V. Uma amostra de 4 unidades selecionada diariamente, e colocada em um grfico de controle. Os
dados esto abaixo, sendo que correspondem a diferena entre a voltagem registrada, e a voltagem
nominal multiplicada por 10. (xi = voltagem observada - 350).10.
n a.a.
1
2
3
4
5
6
7
8
9
10

x1
6
10
7
8
9
12
16
7
9
15

x2
9
4
8
9
10
11
10
5
7
16

x3
10
6
10
6
7
10
8
10
8
10

x4
15
11
5
13
13
10
9
4
12
13

n a.a.
11
12
13
14
15
16
17
18
19
20

x1
8
6
16
7
11
15
9
15
8
14

x2
12
13
9
13
7
10
8
7
6
15

x3
14
9
13
10
10
11
12
10
9
12

x4
16
11
15
12
16
14
10
11
12
16

a) Faa os grficos de controle para x e s. O processo est sob controle ?


b) Se as expecificaes so 350V + 5V o que voc pode dizer da capacidade do processo ?
3) Um grfico de controle para a frao de defeituosos feito com amostras de tamanho n=400 tem
linha de centro em 0,0500 e os limites so: LSC = 0,0962 e LIC = 0,0038. Qual a largura dos dos
limites em unidades de desvio-padro ?
4) Os grficos de controle de x e s baseados em amostras de tamanho n=4 tem as estatsticas
seguintes:
LSC = 710 (p/ x )
LSC = 18,080 (p/s)
LC = 700
LC = 7,979
LIC = 690
LIC = 0
a) Estime os parmetros e do processo.
b) Se as especificaes pedem 705 15 e a varivel controlada tem distribuio normal, estime a
frao de defeituosos.
c) Para o Grfico de Controle de x , determine a probabilidade de erro tipo I ou seja, voc afirma
que o processo est fora de controle e ele na verdade no est.

84

5) Um processo de produo de correias de borracha inspecionado em lotes de tamanho 2500. A


inspeo dos ltimos 20 lotes revelou as seguintes quantidades de defeituosos:
lote num. defs. lote num. defs.
lote
n. defeitos
1
230
2
435
3
221
4
346
5
230
6
327
7
285
8
311
9
342
10
308

lote
11
12
13
14
15
16
17
18
19
20

n defeitos
456
394
285
331
198
414
131
269
221
407

Faa um grfico de controle para a frao de defeituosos.


No exemplo 3 da pgina 80 da apostila estudado um grfico de controle para a frao de
defeituosos com dados de caixas de suco de laranja. Embora se tivesse aceito a estabilidade do
processo a frao de defeituosos muito alta. Por outro lado a observao de nmero 21 que ficou
sobre a linha do limite superior foi investigada e no se encontrou nenhuma causa especial para este
comportamento. Portanto, admitiu-se que esta alta frao em 21 ocorreu por acaso. Em um esforo
para melhorar o processo os engenheiros analisaram todo o processo e causas possveis dos defeitos.
Concluram que vrios ajustes na mquina poderiam levar a um melhoramento no processo. A
mquina foi ajustada e durante o perodo de ajustamento tomou-se 3 amostras de n = 50, so as de
nmero 29, 30 e 31. Depois tomou-se mais amostras de mesmo tamanho totalizando 24 novas
amostras. O grfico resultante est abaixo e novos nmeros de defeituososos so: 9, 6, 12, 5, 6, 4, 6,
3, 7, 6, 2, 4, 3, 6, 5, 4, 8, 5, 6, 7, 5, 6, 3, e 5.
MTB > PCHART C3 50;
SUBC> P = 0.2150.
GRAFICO P COM 28+24=52 AMOSTRAS
P
R
O
P
O
R
C
A
O
D
E
D
E
F
S

MTB >
SUBC>
SUBC>
SUBC>

--------------------+--------------------------------UCL=0.3893
0.375+
+
+
+
- +
+
+
0.250++
+
+
+ +
+
-------------------+---------------------------------P=0.2150
+
+
+
+
+
+ +
- + +
+
+
+
+ +
0.125+
+
+ + + + +
+
+ +
+
+
+
+ + + +
+
+
+
+
------------------------------------+--+-+---------+-LCL=0.04070
0.000+
+---------+---------+---------+---------+---------+---------+
0
10
20
30
40
50
60
NUMERO DA AMOSTRA

PCHART C2 50;
TITLE 'GRAFICO P PARA PROCESSO AJUSTADO';
XLABEL 'NUMERO DA AMOSTRA';
YLABEL 'PROPORCAO DE DEFS.'.

85

P
R
O
P
O
R
C
A
O
D
E
D
E
F
S
.

GRAFICO P PARA PROCESSO AJUSTADO


0.240+-----+------------------------------------------UCL=0.2440
- +
0.160+
+
+
+
_
----+-----+---+-----+-------+---------+-----+----P=0.1108
+
+
+
+
+
0.080+
+
+
+
+
+
+
+
0.000+------------------------------------------------LCL=0.000
+---------+---------+---------+---------+---------+
0
5
10
15
20
25
NUMERO DA AMOSTRA

Observando-se o Grfico P tem-se a impresso que o processo est agora operando com um nvel de
defeituosos inferior a 0,2150. Parece que os ajustes deram resultado. O ponto 40 ficou abaixo do
LIC e nenhuma causa especial foi associada a este fato. possvel testar se a hiptese de que o nvel
de defeituosos continua o mesmo:
Hiptese nula a ser testada: H0: p1 = p2 (os nveis so iguais)
Hiptese alternativa : H1: p1 > p2 (processo melhorou)
Estatstica do teste: z =

p$ 1 p$ 2
1
1
p$ (1 p$ ) +
n1 n 2

Exerccio: Teste a hiptese nula H0.

, onde p$ =

n 1 p$ 1 + n 2 p$ 2
n1 + n 2

86

4. CURVA CARACTERISTICA DE OPERAO


A capacidade dos grficos x e R detectarem mudanas na qualidade de um processo descrita pelas
respectivas curvas caractersticas de operao. Seja a curva caracterstica de operao para um
grfico x com desvio-padro para a caracterstica de qualidade. Assim, supondo normalidade
2
tem-se x N ( , n ) . Se a mdia muda de um valor 0 onde o processo est sob controle, para
um valor 1 = 0 + k , a probabilidade do grfico no detectar essa mudana na primeira amostra
subsequente a mudana dada por:
= P[ LIC x LSC | = 1 = 0 + k] e como x N ( , n ) e os limites de controle so:
LSC = 0 + 3
n
2

LIC = 0 3

tem-se que igual a

LIC ( 0 + k )
LSC ( 0 + k )
= ( LSC) ( LIC) =

n
n
0 + 3
0 3
( 0 + k )
( 0 + k)

n
n
=

n
n
= 3 k 3 k

n
n
onde representa a f.d. da N(0,1).
Seja n = 4 (tamanho de uma amostra) e deseja-se determinar a probabilidade de se detectar uma
mudana de 2 na amostra seguinte a mudana. Ento tem-se:
= 3 2 3 2 = ( 1) ( 7) = 0,158655

4
4
No MINITAB:
MTB > CDF -1 K1;
SUBC> NORMAL 0 1.
MTB > CDF -7 K2;
SUBC> NORMAL 0 1.
MTB > SUBT K2 K1 K3
ANSWER = 0.1587
MTB > PRINT K1 K2 K3
K1
0.158655
K2
0
K3
0.158655

Ento, 0,158655 o risco da no deteco de uma mudana no valor da mdia do processo de uma
magnitude igual a 2. E consequentemente 1- = 0,841345 a probabilidade de se detectar a

87

mudana na amostra subsequente. Em geral se chama esta probabilidade de erro tipo II ou seja
aceita-se a hiptese de que o processo continua com a mdia 0 quando na verdade ele mudou para
1 . J 1- chamado poder do teste ou seja a probabilidade de se detectar a mudana quando ela
ocorreu. claro que tanto quanto 1- dependem do tamanho da amostra n. Quanto maior o
tamanho de n menor a probabilidade de se cometer erro ou melhor maior a chance do grfico
detectar a mudana. O grfico dos valores de para diversos tamanhos de amostra chamado de
CURVA CARACTERSTICA DE OPERAO. Abaixo tem-se a curva caracterstica de operao
para o Grfico de x .
A curva mostra que quando n=5 a probabilidade de se detectar uma mudana da ordem de 1,5 no
nvel do processo na primeira amostra aps a mudana de apenas:
1- = 1 - 0,75 = 0,25
E, a probabilidade da mudana ser detectada apenas na segunda amostra de:
(1-) = 0,75.0,25 = 0,19
e ainda se a deteco s ocorre na terceira amostra, tem-se:
2(1-) = 0,752.(0,25) = 0,14
Ento, pode-se generalizar que a probabilidade de se detectar a mudana somente na k-amostra
dada pela f.p.
k 1 (1 )
Voc conhece esta distribuio de probabilidade? Veja que se K a varivel aleatria que
representa o nmero de amostras tomadas at que seja detectada a mudana (pelo grfico), tem-se
que k = 1, 2, 3, 4, ... , que o campo de variao dessa varivel aleatria K. Uma varivel aleatria
assim tem distribuio geomtrica.
Ento, qual deve ser o nmero de amostras tomadas at que se consiga detectar a mudana? Bom,
estatisticamente tem-se a esperana (esperana matemtica) de 1
(1 ) ou seja espera-se uma
mdia de 1 (1 ) amostras at que se consiga detectar a mudana.
Na situao que se est considerando, tem-se:
1

(1 ) = 1/(1 - 0,75) = 1/0,25 = 4 amostras

Logo, espera-se que 4 amostras sejam analisadas at que se consiga detectar uma mudana de 1,5
na mdia do processo, quando se est tomando amostras de tamanho n=5. Consequentemente,
forte o argumento que diz que deve-se tomar amostras pequenas (4, 5 ou 6) para o Grfico de x ,
desde que elas sejam coletadas periodicamente. Assim, pode-se detectar a mudana rapidamente,
embora a chance seja pequena (1- = 0,25) na primeira amostra.
A Curva Caracterstica de Operao para o Grfico R depende da distribuio da amplitude relativa
W = R/. Supondo que o processo esteja sob controle e que o seu desvio-padro seja 0 , ento a

88

Curva Caracterstica de Operao o grfico das probabilidades de no se detectar uma mudana na


variabilidade do processo de 0 para 1 , com 1 > 0 , na primeira amostra aps a alterao. A
figura abaixo mostra o Grfico da Curva Caracterstica de Operao (C.C.O) para o Grfico de R.

5. INTRODUO A CONFIABILIDADE
Uma fbrica de calculadoras eletrnicas pretende oferecer uma garantia de k anos pelo seu produto.
Se a calculadora falha por qualquer razo, em condies normais de uso, durante o perodo da
garantia, ela substituda. O tempo de uso at falhar uma v.a. modelada pela f.d.p. f T ( t ), t 0 . O
custo de fabricao de cada calculadora $C e o lucro na venda de $C/2. Uma questo que
interessa ao fabricante : "qual o efeito da garantia de substituio no lucro?". Para se responder esta
pergunta deve-se dispor da avaliao da porcentagem das calculadoras fabricadas que quebram
durante a garantia. Para se obter esta informao, uma vez que o tempo at falhar T uma v.a. com
f.d.p. f T ( t ) , deve-se calcular a probabilidade de falha antes do tempo k:
k

P(T < k ) = f T ( t ) dt
0

Mas, para se calcular P(T < k) deve-se ter f T ( t ) o modelo de probabilidade para a v.a. T.
Os modelos de probabilidade usuais, em confiabilidade, para componentes de um sistema
(componentes eletrnicos a maioria das vezes) so os seguintes:
a) MODELO EXPONENCIAL
f X ( x) = e x , x 0 e > 0
um parmetro (desconhecido) que deve ser estimado
- Uma simulao de uso intensivo, em laboratrio, ou mesmo o acompanhamento junto a assistncia
tcnica das calculadoras comercializadas e levadas para concerto pode fornecer uma a.a. dos tempos
at falhar[x1, x2, x3, ..., xn].
- Baseado na a.a. pode-se estimar o parmetro . Um bom estimador aquele que maximiza a
probabilidade da a.a. [x1, x2, x3, ..., xn] ocorrer ou melhor maximiza a funo de verossimilhana:
f X1 ,X 2 , ..., X n ( x 1 , x 2 , ..., x n ) = f X1 ( x 1 ). f X 2 ( x 2 ). ... . f X n ( x n )
n

xi
r
L(, x) = e x1 . e x2 . ... . e x n = n e i =1

aplicando logartmo tem-se:


n
r
ln L(, x) = n ln x i
i =1

r
ln L(, x)
1 n
= n x i = 0 $ =

i =1

x
i =1

1
x

89

r
1
2 ln L(, x)
= n 2 < 0 $ = ponto de mximo.
2

x
Ento o modelo ser f X ( x) = e x , x 0 e > 0 .
Mas, o modelo exponencial tem um problema. Ele no tem memoria, ou seja, o risco de falhar de
um componente velho (em uso) o mesmo que o de um componente novo, pois a sua taxa de falhas
constante. evidente que isto no corresponde a realidade. Em geral equipamentos eletrnicos
(por exemplo) podem falhar mais na "velhice" devido a desgaste do material, etc. A taxa de falhas
do modelo exponencial constante, disto resultando o problema descrito acima.
TAXA DE FALHAS OU FUNO RISCO CONSTANTE ( x)
( x) =

f X ( x)
(relao entre a f.d.p e o complemento da f.d)
1 FX ( x)
( x) =

e x
= (constante)
1 (1 e x )

b) MODELO DE WEIBULL
Uma v.a. X tem distribuio Weibull quando a sua f.d.p. definida por:

f X ( x) = x 1e x , x > 0, > 0, > 0


Quando =1 a distribuio Weibull torna-se uma distribuio Exponencial com parmetro .
O modelo de Weibull leva em conta o envelhecimento do equipamento, pois a sua taxa de falhas
funo de x (tempo).
Para entender o que seja ( x) (taxa de falhas instantnea), considere a probabilidade condicionada
P( x < X < x + x| X > x) , isto , a probabilidade de que a pea venha a falhar durante as prximas
x unidades de tempo dado que a pea estava funcionando no instante x. O limite desta
probabilidade quando x tende para zero ( x) , a taxa de falhas instantnea.
( x) =

Observe que quando

x 1e x
11+ e

x b

= x 1

x ( x)
x 0 ( x) 0

A estimativa dos parmetros feita pelo Mtodo da Mxima Verossimilhana. Por este mtodo,
escreve-se de incio a funo densidade de probabilidade conjunta da amostra de tempos de vida [x1,
x2, ... , xn],
f X1 ,X 2 , ..., X n ( x 1 , x 2 , ..., x n ) = f X1 ( x 1 ). f X 2 ( x 2 ). ... . f X n ( x n )

90
n

r
n
L(, , x) = () x i 1e

xi
i =1

i =1

Passando logartmo neperiano e derivando em relao a e a obtem-se o sistema de equaes:


n
n
x i = 0
i =1
n
n n
+ ln x i x i ln x i = 0
i=
i =1

que um sistema de equaes no-lineares simultneas. Para resolver este sistema pode-se usar o
Mtodo de Newton Raphson. Este mtodo foi deduzido a partir de uma Srie de Taylor.
Exerccio: Aplicar o Mtodo de Newton-Raphson para resolver o si stema de equaes no-lineares
simultneas acima. Faa um programa computacional para o algortmo.
comum encontrar-se na literatura a f.d.p. da v.a. Weibull escrita em uma forma diferente da
clssica (dada acima). Esta for ma diferente ocorre quando se faz =a e = 1 a , obtendo-se:
b

f X ( x) =

ax

a 1

x

b

e
ba

, x > 0, a > 0 e b > 0

(o MINITAB trabalha com esta forma)


Agora, como se faz para estimar os parmetros da distribuio Weibull nesta forma? Usa-se o
Mtodo da Mxima verossimilhana da mesma forma e obtm-se as equaes:
1

b$ = x ai
n i =1
n

1
a

n
1 a n

a$ = n x ai .log x i log x i
i =1
b$ i =1

Exerccio
O tempo de falha de um componente eletrnico est sendo modedelado segundo a distribuio
Weibull. Uma amostra aleatria com tamanho n=100 foi observada, os tempos de falha resistrados e
entrando-se nas equaes acima encontrou-se a$ =0,50 e b$ =1000. Estime a frao de componentes
que duram mais de 4000 horas.
R: 13,53%

91

REVISO
Consulte a bibliografia e responda as perguntas abaixo. Na dvida, pergunte ao professor. O
professor poder responder individualmente (na carteira) ou para a turma toda, de acordo com o
grau de dificuldade.
1) Quais os tipos de variveis que representam uma caracterstica populacional (pode ser
caracterstica de qualidade) ?
2) Quais os tipos de variveis quantitativas ?
3) Uma varivel aleatria uma funo que associa um nmero real a um evento aleatrio. Seja a
v.a. X que representa o nmero de disquetes defeituosos em um lote com 20 peas. Escreva o
domnio de X.
4) A v.a. da pergunta 3 discreta ou contnua ? Porqu.
5) Quais as principais distribuies discretas de probabilidade ?
6) Seja X uma v.a. que indica com 1 ou 0 se uma pea perfeita ou defeituosa. Qual o nome da
distribuio de probabilidade da v.a. X? Escreva a funo de probabilidade dela, quando a frao de
defeituosos 0,05. A soma dos valores da f.p. , sempre, quanto?
7) Voc est investigando uma caracterstica de qualidade do processo de produo da sua empresa.
Suponha que a caracterstica seja a resistncia presso do vidro da garrafa de embalagem. A v.a. X
representa esta presso. Os valores tpicos de X so 291,0 290,1, 289,0, etc., quando se faz
aproximao at dcimos na medida. Qual o tipo da varivel aleatria X ?
8) Qual o principal modelo de probabilidade? Para que tipos de dados ele deve ser usado ?
9) Uma v.a. X tem distribuio Normal com mdia e varincia 2. Faa um desenho, um esboo
do grfico da funo densidade de probabilidade da v.a. X.
10) Qual o nome da v.a. Y que conta o nmero de sucessos em n provas do tipo Bernoulli ? Escreva
a f.p..
11) Em um processo de produo a v.a. X representa o dimetro interno de um mancal. Este valor
(varivel aleatria X) varia para mais ou para menos em torno de um parmetro, de um valor
verdadeiro, desconhecido. Este valor verdadeiro, parmetro desconhecido pode muito bem ser
representado pela mdia da v.a. X ?
12) Como calculamos a esperana matemtica ou mdia de uma v.a. X, no caso discreto e o caso
contnuo?
13) Escreva a f.d.p. da v.a. x N ( , 2 ) .
14) Escreva a expresso dos estimadores dos parmetros populacionais e 2. Eles so calculados
com base em quem ?
15) As expresses acima, x e s 2 , so parmetros ou estatsticas? Porqu?

92

16) Quais as estatsticas descritivas mais usadas?


17) Seja a a.a. [x1, x2, x3, ... ,xn] de uma distribuio N(, 2). Escreva a expresso do estimador
natural de e do estimador natural de 2.
18) O que amplitude de uma amostra aleatria? Na amostra acima qual a amplitude?
19) O que significa erro-padro da mdia?
20) O que uma v.a. Bernoulli? Qual a sua f.p.?
21) A v.a. Bernoulli discreta ou contnua ?
22) Qual a mdia (esperana matemtica) e qual a varincia de uma v.a. Bernoulli ?
23) Qual o nome da distribuio da v.a. que conta o nmero de sucessos em n provas Bernoulli ?
Qual a sua mdia e varincia ?
24) O que uma v.a. Poisson ? Qual a f.p., sua mdia e sua varincia?
25) Qual o nome da v.a. que conta o nmero de provas de Bernoulli at a ocorrncia do primeiro
sucesso ? Qual a sua f.p., mdia e var.?
26) Qual o principal modelo de probabilidade ?
27) Escreva a f.d.p. da v.a. N(, 2), sua mdia e sua varincia.
28) O que distribuio Normal Padro ?
29) Qual a utilidade prtica da distribuio Exponencial ? Qual a sua f.d.p., sua mdia e sua
varincia. Porqu ela chamada de distribuio sem memria ?
30) Qual a vantagem da distribuio Weibull em relao a distribuio Exponencial, quanto a sua
aplicao ?
31) Qual a expresso da taxa de falhas da exponencial e da Weibull ?
32) Quais so os principais mtodos de estimao de parmetros ?
33) Quais as causas da variabilidade do processo ?
34) Como se obtm o aperfeioamento de um processo ?
35) O que so "causas especiais" ou "fatores particulares" de variabilidade ?
36) Quando que um processo dito sob controle ?
37) Como se detecta a influncia de causas especiais no processo ?
38) Leia as cinco principais razes do uso dos Grficos de Controle na pgina 64.

93

39) Qual a diferena entre o grfico de controle por atributo e por varivel ?
40) Faa um esboo do Grfico x .
41) Descreva como se faz para se testar a normalidade de uma amostra?
42) Qual a diferena entre Grfico p, Grfico np e Grfico c ?
43) O que significa PCR ? (Cp)
44) O que significa PCRs e PCRi ?
45) O que significa PCRk ? (Cpk)
46) O que significa capacidade potencial e capacidade atual ?
47) O que PCRkm?
48) Para que serve o histograma ?
49) Para que serve o Diagrama de Pareto ?
50) O que o Diagrama de Causa e Efeito ?

94

CONTROLE ESTATSTICO DE QUALIDADE


RESUMO DOS COMANDOS DO CONTROLE ESTATSTICO DO PROCESSO
(MINITAB)
GRFICO X (controlar uma caracterstica fsica)
XBARCHART (para dados em) C (tamanhos de amostras em) E (C ou K)
MU = K (se as observaes tm mdia )
SIGMA = K (se as observaes tm desvio-padro )
RBAR (quando se quer estimar com base em R)
GRFICO R (controlar a variabilidade)
RCHART (para dados em) C (tamanhos de amostras em) E (C ou K)
SIGMA = K (se as observaes tm desvio-padro )
RBAR
GRFICO S (controlar a variabilidade)
SCHART (para dados em) C (tamanhos de amostras em) E (C ou K)
SIGMA = K (se as observaes tm desvio-padro )
RBAR
GRFICO P (controlar a frao de defeituosos)
PCHART (para nmero de defeitos em) C (tamanho de amostras em) E (C ou K)
P = k (se o parmetro p conhecido)
GRAFICO NP (controlar o nmero de defeituosos)
NPCHART (para nmero de defs. em) C (tams. de amostras em) E (C ou K)
P = K (se o parametro p conhecido)
GRFICO C (controlar o nmero de defeituosos por unidade do produto)
CCHART (para nmero de defs. em) C
MU = K (se as observaes tm mdia )
GRFICO U (controlar o nmero mdio de defs. por unidade do produto)
UCHART (para nmero de defs. em) C (tams. de amostras em) E (C ou K)
MU = K (se as observaes tm mdia )
OBSERVAO
Todos os grficos detalhados acima tm, alm dos j vistos, os seguintes sub-comandos:
SLIMITS K (especifica o nmero de desvios para os limites)
TITLE texto (ttulo do grfico)
XLABEL texto (especifica o eixo dos x's)
YLABEL texto (especifica o eixo dos y's)

95

REFERNCIAS BIBLIOGRFICAS
[ 1] Montgomery, D.C. - Introduction to Statistical Quality Con trol, 2 ed., John Wiley & Sons
(1991).
[02] Deming, W.E. - Out of the crisis; Cambridge University Press Syndicate of the University of
Cambridge, Cambridge CB2 2RP, (1982).
[03] Bartmann, F.C. - Idias Bsicas do Controle Moderno de Qualidade; VII Sinape - Unicamp
Campinas (SP) (1986)
[04] Ross, S.M. - Introduction to Probability and Statistics for Engineers and Scientists; John Wiley
& Sons, Inc., (1987).
[05] Mann, N. R. - Deming. As Chaves da Excelncia; Makron Books do Brasil Editora Ltda; S.
Paulo (1992).
[06] MINITAB Reference Manual - Realese 8.2 (1992)