Controle Estatístico de Qualidade

Capítulo 8
(montgomery)
Gráfico CUSUM e da Média Móvel
Exponencialmente Ponderada

Introdução
– Cartas de Controle Shewhart

Usa apenas a informação contida no último ponto plotado

Ignora qualquer informação dada pela sequência inteira de
pontos

Tais características tornam esse tipo de gráfico insensível a
pequenas mudanças no processo (menores que 1,5σ)

O uso de testes para sequência ou limites de alerta servem como
paliativo, mas não resolvem o problema. Na verdade, tais regras
reduzem sua simplicidade e facilidade de interpretação.
– Duas alternativas eficazes aos gráficos Shewhart para
detectar pequenas mudanças no processo são:

Gráfico de Controle da Soma Acumulada (CUSUM)

Gráfico de Controle da Média Móvel Exponencialmente
Ponderada
Gráfico de Controle da Soma
Acumulada (CUSUM)

Motivação
– No gráfico de controle abaixo as 20 primeiras observações
foram extraídas de uma distribuição normal com média µ = 10
e σ = 1.
– As 10 últimas de uma N(11;1) (processo fora de controle)
I Chart

13 UCL=13

12
O gráfico falhou em
detectar a mudança
Individual Value

11

_
10 X=10

9 Motivo: magnitude
8
relativamente
pequena da mudança
7 LCL=7

3 6 9 12 15 18 21 24 27 30
Observation
Gráfico de Controle da Soma
Acumulada (CUSUM)

Motivação
– O gráfico CUSUM foi proposto primeiramente por Page(1954).
– O gráfico CUSUM incorpora toda a informação da sequência
de valores, plotando as somas acumuladas dos desvios dos
valores da amostra em relação a um valor-alvo (µ0).
i
Ci = ∑ ( x j − µ 0 ) = ( xi − µ 0 ) + Ci −1
j =1
– O gráfico CUSUM são particularmente eficazes com amostras
de tamanho n=1.
i
Ci = ∑ ( x j − µ 0 ) = ( xi − µ0 ) + Ci −1
j =1
Gráfico de Controle da Soma
Acumulada (CUSUM)

Motivação
– Note que se o processo permanece sob controle, Ci será um passeio
aleatório com média zero. Se a média se desloca para um valor
µ1>µ0, Ci deverá apresentar uma tendência positiva. Caso contrário,
uma tendência para baixo se desenvolverá em Ci.
Gráfico da Soma Acumulativa

12

10

6
Ci

0
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 26 27 28 29 30

-2

-4
Amostra
Gráfico de Controle da Soma
Acumulada (CUSUM)

Motivação
– Iremos nos concentrar no gráfico CUSUM para média do
processo. No entanto, é possível planejar procedimentos de
somas acumuladas para

Variabilidade do processo (Montgomery, 1981)

Variáveis Poisson e Binomial

Gráficos de controle de somas acumuladas tem sido estudados
por: Ewan (1963), Page (1961), Gan (1991), Lucas (1976),
Hawkins (1981), entre outros.
Gráfico CUSUM Tabular
– O CUSUM Tabular pode ser construído para monitorar a
média do processo.
– Será tratado, primeiramente, o caso onde n=1.
– Seja xi a i-ésima observação do processo distribuída
normalmente com média µ0 (valor-alvo) e desvio padrão σ
quando o processo está sob controle.
– O CUSUM Tabular trabalha acumulando os desvios de µ0 que
estão acima do alvo em uma estatística C+, e acumulando os
desvios de µ0 que estão abaixo do alvo em outra estatística
C -.
– As estatísticas C+ e C- são chamadas cusums unilaterais
superior e inferior, sendo definidas por:
Gráfico CUSUM Tabular

O Cusum Tabular

[
Ci+ = max 0, xi − ( µ0 + K ) + Ci+−1 ]
Ci− = max[0, ( µ 0 − K ) − xi + C −
i −1 ]
onde os valores iniciais são C0+ = C0− = 0

K é chamado de valor de referência (ou valor de tolerância).
Normalmente representa o ponto médio entre o valor alvo (µ0) e
o valor da média fora de controle (µ1) que estamos interessados
em detectar rapidamente.
Gráfico CUSUM Tabular

Se a mudança K que queremos detectar é expressa em
unidades de desvio-padrão por

µ1 = µ0 + δσ ou δ =| µ1 - µ0 |/σ
σ

Então a magnitude da mudança (K) pode ser expressa por
δ µ1 − µ 0
K= σ=
2 2
+ −

Se tanto C0 ou C0 excederem o intervalo de decisão H
(limites de tolerância), o processo será considerado fora de
controle.
– A escolha de H será discutida posteriormente. Normalmente, usa-
se H = 5σ
 Amostra Xi
1 9,45
2 7,99

Gráfico CUSUM
3 9,29
4 11,66
5 12,16

Tabular 6
7
10,18
8,04
8 11,46
9 9,20
10 10,34

Exemplo 11
12
9,03
11,47
– Valor alvo (µ0) = 10 13 10,51
14 9,40
– n=1 15 10,08
16 9,37
– σ=1 17 10,62
18 10,31
– Magnitude da mudança 1σ, 19 8,52
logo K = ½ 20 10,84
21 10,90
– H = 5σ = 5 22 9,33
23 12,29
24 11,50
25 10,60
26 11,08
27 10,38
28 11,62
29 11,31
30 10,52
Gráfico CUSUM Tabular

Exemplo
– Os valores de C+ e C- para amostra 1 são:
[ ]
C1+ = max 0;9,45 − (10 + 0,5) + C0+ = 0,00
C1− = max [0; (10 − 0,5) − 9,45 + C ] = 0,05
−
0

– Os valores de C+ e C- para amostra 2 são:

C2+ = max[0;7,99 − (10 + 0,5) + 0] = 0,00

C2− = max[0; (10 − 0,5) − 7,99 + 0,05] = 1,56

– A seguir, apresentamos os cálculos restantes. As

quantidades N+ e N- indicam os períodos consecutivos em
que C+ e C- foram não-nulos.
 Amostra Xi Xi - (mi + K) C+ N+ (mi - K) - Xi C- N-
1 9,45 -1,05 0 0 0,05 0,05 1
2 7,99 -2,51 0 0 1,51 1,56 2
3 9,29 -1,21 0 0 0,21 1,77 3
4 11,66 1,16 1,16 1 -2,16 0 0
5 12,16 1,66 2,82 2 -2,66 0 0
6 10,18 -0,32 2,50 3 -0,68 0 0
7 8,04 -2,46 0,04 4 1,46 1,46 1
8 11,46 0,96 1,00 5 -1,96 0,00 0
9 9,20 -1,30 0 0 0,30 0 1
10 10,34 -0,16 0 0 -0,84 0 0
11 9,03 -1,47 0 0 0,47 0 1
12 11,47 0,97 0,97 1 -1,97 0 0
13 10,51 0,01 0,98 2 -1,01 0 0
14 9,40 -1,10 0 0 0,10 0,10 1
15 10,08 -0,42 0 0 -0,58 0 0
16 9,37 -1,13 0 0 0,13 0,13 1
17 10,62 0,12 0,12 1 -1,12 0 0
18 10,31 -0,19 0 0 -0,81 0 0
19 8,52 -1,98 0 0 0,98 0,98 1
20 10,84 0,34 0,34 1 -1,34 0 0
21 10,90 0,40 0,74 2 -1,40 0 0
22 9,33 -1,17 0 0 0,17 0,17 1
23 12,29 1,79 1,79 1 -2,79 0 0
24 11,50 1,00 2,79 2 -2,00 0 0
25 10,60 0,10 2,89 3 -1,10 0 0
26 11,08 0,58 3,47 4 -1,58 0 0
C+ > H 27 10,38 -0,12 3,35 5 -0,88 0 0
Processo 28 11,62 1,12 4,47 6 -2,12 0 0
fora de 29 11,31 0,81 5,28 7 -1,81 0 0
controle 30 10,52 0,02 5,30 8 -1,02 0 0
Exemplo: Gráfico de status do
CUSUM – Minitab
CUSUM Chart

5,0 UCL=5

2,5
Cumulative Sum

0,0 0

-2,5

-5,0 LCL=-5

3 6 9 12 15 18 21 24 27 30
Sample
Recomendações para o
Planejamento do CUSUM
– O CUSUM Tabular é planejado através da escolha
do valor de referência (K = kσ
σ) e do intervalo de
decisão (H = hσσ).
– Recomenda-se que tais parâmetros sejam
selecionados de modo a fornecer um bom CMS
(comprimento médio da sequência), por exemplo
CMS0 próximo a 370 (processo sob controle).
– Na prática, tem-se observado bons resultados com
h=4 ou h=5 e k = ½.
– A seguir apresentamos um comparativo do CMS
para o Gráfico CUSUM vs Gráfico de Shewhart
para média.
Recomendações para o
Planejamento do CUSUM
– Hawkins (1993) fornece uma tabela com valores de k e h, no
qual CMS0 será igual a 370:
k 0,25 0,5 0,75 1,0 1,25 1,5
h 8,01 4,77 3,34 2,52 1,99 1,61

– Siegmund (1985) apresenta uma aproximação do cálculo do

CMS para um cusum unilateral (C+ ou C-):

exp(−2∆b) + 2∆b − 1
CMS =
2∆2
– onde ∆ = δ* - k para C+, ∆ = -δ* - k para C- e b = h + 1,166.
– Se ∆ = 0, pode-se usar CMS = b2
– Lembre-se que δ* é a mudança na média, em unidades de σ,
para qual deve ser calculado o CMS.
Recomendações para o
Planejamento do CUSUM
– O CMS para um cusum bilateral é obtido a partir das
estatísticas unilaterais — digamos CMS+ e CMS-:
1 1 1
= +
+
CMS CMS CMS −
– Exemplo: Considere k = ½, h = 5 e δ* = 0 (sob controle)
Logo ∆ = -½ e b = 6,166. Assim,
exp(−2(−1 / 2)(6,166)) + 2(−1 / 2)(6,166) − 1
CMS 0+ = 2
= 938,2
2(−1 / 2)
– Como δ* = 0 temos, excepcionalmente, CMS+ = CMS-. Logo, o
CMS bilateral é dado por
1 1 1
= + ⇒ CMS 0 = 469,1
CMS 0 938,2 938,2
Recomendações para o
Planejamento do CUSUM

Considerações Valores Exatos para o
Comprimento Médio da Sequencia (CMS)
– Note que a aproximação k = 1/2
de Siegmund está Multiplo de sigma
h=4 h=5
Shewhart
próxima do verdadeiro 0,00 168,0 465,0 370,4
valor de CMS0 0,25 74,2 139,0 281,1
– Para σ=1, por exemplo, 0,50 26,6 38,0 155,2
o gráfico Cusum 0,75 13,3 17,0 81,2
detectaria uma 1,00 8,38 10,4 43,9
mudança mais rápido do 1,50 4,75 5,8 15,0
que o gráfico de 2,00 3,34 4,0 6,3
Shewhart. 2,50 2,62 3,1 3,2
– CMS entre os gráficos 3,00 2,19 2,6 2,0
Cusum e Shewhart 4,00 1,71 2,0 1,2
convergem a medida
que σ (tamanho da
mudança) aumenta.
CUSUM Padronizado
– Principal vantagem: possibilita termos os mesmos
valores de k e h para diversos gráficos CUSUM, visto que
as escolhas desses parâmetros não iriam mais depender
da escala das variáveis.
– Seja
xi − µ 0
yi =
σ
– Os CUSUM padronizados são definidos por

[ ]
Ci+ = max 0; yi − k + Ci+−1
Ci− = max[0;− k − y + C ]
i
−
i −1
Subgrupos Racionais
– O desenvolvimento do CUSUM tabular se estende
facilmente ao caso de média de subgrupos racionais
(n>1).
– Basta substituir xi por xi (a média amostral ou do
subgrupo) nas fórmulas anteriores e substituir σ por
σx =σ / n
– No entanto, Montgomery discute que o uso das médias
dos subgrupos (ou seja n>1) NÃO melhora o
desempenho do Gráfico Cusum, ao contrário dos
gráficos de Shewhart.
Subgrupos Racionais

– Por exemplo, se pudermos escolher entre a retirada de

uma amostra de tamanho n=1 a cada 30min ou um
subgrupo de tamanho n=5 a cada 2,5horas, o CUSUM
funcionará melhor, em geral, com a escolha de n=1.

– Segundo Montgomery, apenas se houver uma economia

de escala significativa ou alguma outra razão válida para
se tomar amostras de tamanho maior é que os subgrupos
devem ser usados.
Melhorando o CUSUM para
Grandes Mudanças
– Uma abordagem para melhorar a habilidade do gráfico
em detectar grandes mudanças é o procedimento
combinado cusum-Shewhart (Lucas, 1982)

Construir um gráfico Shewhart para C+ e C-

Neste caso, recomenda-se o uso de limites de controle de
3,5σ.

O aumento de 0,5σ nos limites de controle no gráfico de
Shewhart é justificado pelo fato de estarmos interessados
em detectar grandes mudanças

O gráfico CUSUM ficaria “responsável” por pequenas
alterações na média ou no valor-alvo, enquanto que o
gráfico de Shewhart se encarregaria em detectar grandes
alterações.
– Um sinal fora de controle em qualquer (ou ambos) os
gráficos constitui num sinal de ação
Resposta Inicial Rápida (RIR) ou
Headstart
– Procedimento elaborado por Lucas e Crosier (1982) para
melhorar a sensitividade do CUSUM no início do
processo.
– A resposta inicial rápida (RIR), ou headstart, coloca os
valores iniciais de C0+ e C0− iguais a um valor não-nulo,
normalmente igual a H/2. Isso é chamado de headstart de
50%.
– Benefícios do headstart

Se o processo começa sob controle (no valor-alvo), o
CUSUM rapidamente cairá para zero e o headstart terá
pouco efeito;

No entanto, caso o processo comece em algum nível
diferente do valor alvo, o headstart permitirá ao CUSUM
detectar isso rapidamente.
Considerações Finais em relação
ao CUSUM Tabular

Cusum Unilateral
– Note que o gráfico CUSUM é construído a partir de dois
procedimento unilaterais (C+ e C-)
– Há situações onde apenas um procedimento é util. Por
exemplo:

Em um processo químico a característica de interesse é a
viscosidade de um produto.

Considere que se a viscosidade ficar abaixo do valor-alvo
não há problema. No entanto, qualquer aumento na
viscosidade deve ser detectado rapidamente.
– O CMS poderia ser calculado facilmente a partir da
aproximação de Siegmund.
Considerações Finais em relação
ao CUSUM Tabular

Cusum com Sensitividades Diferentes

– É também possível planejar CUSUMs com sensitividades

diferentes nos lados superior e inferior

– Isso seria útil em situações onde, por exemplo, uma

mudança acima do alvo é mais crítica do que mudanças
abaixo do alvo.
Gráfico de Controle da Média Móvel
Exponencialmente Ponderada

Introdução
– É também uma boa alternativa aos gráficos de Shewhart
quando estamos interessados em detectar pequenas
mudanças.
– Tem desempenho equivalente ao gráficos de controle
CUSUM tabular.
– É, de certa forma, mais fácil de estabelecer e operar.
– É tipicamente usado para observações individuais (n=1).
No entanto, também veremos o caso de subgrupos
racionais de tamanho n>1.
– Foi introduzido por Roberts em 1959
Gráfico de Controle da Média Móvel
Exponencialmente Ponderada

Definições
– O gráfico da Média Móvel Exponencialmente
Ponderada (MMEP) é definido como
zi = λxi + (1 − λ ) zi −1
– onde 0 < λ ≤ 1é uma constante, e o valor inicial exigido
para i=1 é o alvo do processo, ou seja
z0 = µ 0
– Quando o valor alvo não é conhecido, a média aritmética
dos dados pode ser usado
z0 = x
Gráfico de Controle da Média Móvel
Exponencialmente Ponderada

Definições
– Note que zi é uma média ponderada de todas as
observações anteriores:
zi = λxi + (1 − λ ) zi −1 =
zi = λxi + (1 − λ )[λxi −1 + (1 − λ ) zi − 2 ] =
zi = λxi + λ (1 − λ ) xi −1 + (1 − λ ) 2 zi − 2

– Continuando a substituir recursivamente zi-j, j=2, 3, ..., t,

obtemos i −1
zi = λ ∑ (1 − λ ) j xi − j + (1 − λ ) i z0
j =0
Gráfico de Controle da Média Móvel
Exponencialmente Ponderada

Definições

– Os pesos λ(1-λ)j decrescem geometricamente com a

idade da média amostral.

– Como a MMEP pode ser considerada uma média de

todas as observações passadas e corrente, o gráfico da
MMEP é insensível a hipótese de normalidade.

– Assim, tal gráfico é ideal para ser usado com

observações individuais.
Gráfico de Controle da Média Móvel
Exponencialmente Ponderada

Definições
– Se as observações xi são variáveis aleatórias
independentes com variância σ2, então a variância de zi é
dada por:
 i −1 
Var ( zi ) = Var  λ ∑ (1 − λ ) j xi − j + (1 − λ )i z0  =
 j =0 
i −1
Var ( zi ) = ∑ λ2 (1 − λ ) 2 j Var ( xi − j ) +(1 − λ ) 2i Var ( z0 ) =
j =0
i −1
Var ( zi ) = ∑ λ2 (1 − λ ) 2 j σ 2 Progressão Geométrica
j =0

 λ 
Var ( zi ) ⇒ σ z2i = σ 2  [
 1 − (1 − λ )
2i
]
2−λ 
Gráfico de Controle da Média Móvel
Exponencialmente Ponderada

Definições
– O gráfico de controle MMEP pode ser construído através
da plotagem de zi versus o número da amostra i. A linha
central e os limites de controle são:

 λ 
LSC = µ 0 + Lσ  [
 1 − (1 − λ )
2i
]
 2−λ 
LM = µ 0
 λ 
LIC = µ 0 − Lσ  [
 1 − (1 − λ )
2i
]
 2−λ 

– Em breve discutiremos sobre a escolha de L e λ.

Gráfico de Controle da Média Móvel
Exponencialmente Ponderada

Definições
– Note que [1-(1- λ)2i] se aproxima de 1 quando i se torna
grande. Logo, após alguns períodos de tempo, os limites
de controle se aproximarão dos valores de estado
estacionário, dados por:
 λ 
LSC = µ 0 + Lσ  
 2−λ 
 λ 
LIC = µ 0 − Lσ  
 2−λ 
– No entanto, recomenda-se enfaticamente na prática o
uso dos limites exatos.
 Amostra Xi
1 9,45
2 7,99
3 9,29
4 11,66
5 12,16

Gráfico MMEP 6
7
10,18
8,04
8 11,46
9 9,20
10 10,34

Exemplo 11
12
9,03
11,47
13 10,51
– Valor alvo (µ0) = 10 14 9,40
15 10,08
– σ=1 16 9,37
17 10,62
– n=1 18 10,31
19 8,52
– λ = 0,1 20
21
10,84
10,90
– L = 2,7 22
23
9,33
12,29
24 11,50
25 10,60
26 11,08
27 10,38
28 11,62
29 11,31
30 10,52
Gráfico MMEP

Exemplo
– Os valores para a amostra 1 são:

z1 = 0,1.(9,45) + (1 − 0,1).10 = 9,945

 0,1 
LSC = 10 + 2,7(1)  [ ]
 1 − (1 − 0,1) 2.(1) = 10,27
 2 − 0,1 
 0,1 
LIC = 10 − 2,7(1)  [ ]
 1 − (1 − 0,1) 2.(1) = 9,73
 2 − 0,1 
Gráfico MMEP

Exemplo
– Os valores para a amostra 2 são:

z 2 = 0,1.(7,99) + (1 − 0,1).9,945 = 9,7495

 0,1 
LSC = 10 + 2,7(1)  [ ]
 1 − (1 − 0,1) 2.( 2 ) = 10,36
 2 − 0,1 
 0,1 
LIC = 10 − 2,7(1)  [ ]
 1 − (1 − 0,1) 2.( 2 ) = 9,64
 2 − 0,1 
Amostra Xi Zi
1 9,45 9,9450
2 7,99 9,7495
3 9,29 9,7036
4 11,66 9,8992
5 12,16 10,1253
6 10,18 10,1307
7 8,04 9,9217
8 11,46 10,0755
9 9,20 9,9880
10 10,34 10,0232
11 9,03 9,9238
12 11,47 10,0785
13 10,51 10,1216
14 9,40 10,0495
15 10,08 10,0525
16 9,37 9,9843
17 10,62 10,0478
18 10,31 10,0740
19 8,52 9,9186
20 10,84 10,0108
21 10,90 10,0997
22 9,33 10,0227
23 12,29 10,2495
24 11,50 10,3745
25 10,60 10,3971
26 11,08 10,4654
27 10,38 10,4568
28 11,62 10,5731 Valores
29 11,31 10,6468 além dos
30 10,52 10,6341 limites
Gráfico MMEP — Minitab
EWMA Chart
10,75

+2,7SL=10,619
10,50

10,25
EWMA

_
_
10,00 X=10

9,75

9,50
-2,7SL=9,381

3 6 9 12 15 18 21 24 27 30
Sample
Planejamento de um Gráfico de
Controle MMEP

– O gráfico MMEP é muito eficaz contra pequenas

mudanças no processo.
– Os parâmetros do planejamento do gráfico MMEP são L
e λ.
– É possível escolher esses parâmetros de modo a
obtermos um bom desempenho do CMS, próximo ao
observado no gráfico CUSUM.
– Lucas e Saccucci (1990) apresentam um estudo com o
CMS para alguns valores de (L, λ).
Planejamento de um Gráfico de
Controle MMEP

CMS para vários Esquemas de Controle MMEP

(adaptado de Lucas e Saccucci (1990))
L = 3,054 L=2,998 L=2,962 L=2,812 L=2,615
Multiplo de sigma Shewhart
lamb.=0,4 lamb.=0,25 lamb.=0,2 lamb.=0,1 lamb.=0,05
0,00 500,0 500,0 500,0 500,0 500,0 370,4
0,25 224,0 170,0 150,0 106,0 84,1 281,1
0,50 71,2 48,2 41,8 31,3 28,2 155,2
0,75 28,4 20,1 18,2 15,9 16,4 81,2
1,00 14,3 11,1 10,5 10,3 11,4 43,9
1,50 5,9 5,5 5,5 6,1 7,1 15,0
2,00 3,5 3,6 3,7 4,4 5,2 6,3
2,50 2,5 2,7 2,9 3,4 4,2 3,2
3,00 2,0 2,3 2,4 2,9 3,5 2,0
4,00 1,4 1,7 1,9 2,2 2,7 1,2
Planejamento de um Gráfico de
Controle MMEP

Conclusões: Estudo de Lucas e Saccucci(1990)

– Valores de 0,05 ≤ λ ≤ 0,25 funcionam bem na prática

λ = 0,05, λ = 0,1 e λ = 0,2 são escolhas populares.
– Utilizar valores menores de λ para detectar pequenas
mudanças.
– L = 3 funciona razoavelmente bem com valores maiores
de λ (λ > 0,25)
– Quando λ ≤ 0,10, deve-se trabalhar com 2,6 ≤ L ≤ 2,7.
Planejamento de um Gráfico de
Controle MMEP
– O gráfico MMEP não funciona bem para grandes mudanças
– Uma abordagem para melhorar a habilidade do gráfico em detectar
grandes mudanças é o procedimento combinado MMEP-Shewhart
(Lucas, 1982)

Construir um gráfico Shewhart para zi

Neste caso, recomenda-se o uso de limites de controle de 3,25σ
ou 3,5σ.

O aumento de 0,25σ ou 0,5σ nos limites de controle no gráfico de
Shewhart é justificado pelo fato de estarmos interessados em
detectar grandes mudanças

O gráfico MMEP ficaria “responsável” por pequenas alterações
na média, enquanto que o gráfico de Shewhart se encarregaria
em detectar grandes alterações.
– Um sinal fora de controle em qualquer (ou ambos) os gráficos
constitui num sinal de ação
Subgrupos Racionais

– O gráfico MMEP se estende facilmente ao caso

de média de subgrupos racionais (n>1).

– Basta substituir xi por xi (a média amostral ou

do subgrupo) nas fórmulas anteriores e
substituir σ por

σx =σ / n
Robustez do MMEP à Não-
Normalidade
– Lembre-se que o gráfico de Shewhart para observações
individuais era muito sensível a não-normalidade,
acarretando em um número excessivo de alarmes falsos.
– Borror, Montgomery, Runger (1999) comparam o
desempenho do CMS0 (sob controle) do gráfico de
Shewhart e do gráfico MMEP para observações
individuais. No estudo foram utilizadas:

A distribuição Gama para representar o caso de
distribuições assimétricas;

A distribuição t-Student para representar distribuições
simétricas com caudas mais pesadas que a Normal.
– Os resultados são apresentados a seguir:
Robustez do MMEP à Não-
Normalidade

Comprimento Médio da Sequencia sob Controle (CMSo)

Distribuições Assimétricas
Shewhart
Lambda 0,05 0,1 0,2 1
L 2,492 2,703 2,86 3
Normal 370 371 371 370
Gama(4,1) 372 341 259 97
Gama(3,1) 372 332 238 85
Gama(2,1) 372 315 208 71
Gama(1,1) 369 274 163 55
Gama(0.5,1) 357 229 131 45
Robustez do MMEP à Não-
Normalidade
Comprimento Médio da Sequencia sob Controle (CMSo)
Distribuições Simétricas
Shewhart
Lambda 0,05 0,1 0,2 1
L 2,492 2,703 2,86 3
Normal 370 371 371 370
t(50) 369 365 353 283
t(40) 369 363 348 266
t(30) 368 361 341 242
t(20) 367 355 325 204
t(15) 365 349 310 176
t(10) 361 335 280 137
t(8) 358 324 259 117
t(6) 351 305 229 96
t(4) 343 274 188 76
Robustez do MMEP à Não-
Normalidade

Conclusões Importantes do Estudo

– Distribuições Não-Normais tem o efeito de reduzir

sensivelmente o CMS sob controle do gráfico de
Shewhart para observações individuais.

Isso aumentará drasticamente o número de alarmes falsos.
– Um MMEP escolhido adequadamente terá um
desempenho muito bom em relação a distribuições tanto
Normais quanto Não-Normais

Logo, é extremamente recomendado o uso de um gráfico
MMEP bem planejado como gráfico de controle para
medidas individuais.
 Exemplo 1

Uma máquina é usada para encher latas com óleo aditivo

de motor. Uma única lata é amostrada a cada hora e o seu
peso, medido. Como o processo de enchimento é
automático, ele tem uma variabilidade muito estável, e uma
experiência longa indica que σ=0,05 oz. As observações
individuais para 24 horas de operação são mostradas a
seguir.
a) Suponha que o alvo do processo seja 8,02 oz, estabeleça
um cusum tabular para esse processo. Planeje o cusum
usando os valores h=4,77 e k=0,5.

b) Suponha que os dados representem observações

tomadas imediatamente após um ajuste que pretendia
levar o processo de volta ao alvo de µ=8,0. Estabeleça e
aplique um cusum RIR (headstart de 50%) para monitorar
esse processo.

c) Estabeleça um gráfico de controle MMEP com λ=0,2 e

L=3 para esse processo. Interprete os resultados.
 Exemplo 2

Gere 20 valores de X, X~N(10,1), e outros 20 para

X~N(9,1). Cria um vetor com os 40 valores gerados (na
mesma sequência). Descubra qual dos dois dispositivos,
algoritmo CUSUM (k=4,774 e k=0,5) ou o gráfico MMEP
(L=2,859 e λ=0,20), sinaliza com mais rapidez o
deslocamento na média do processo (de 10 para 9).